TUTORIAL SEM PLS: METODE ANALISIS DATA
Summary
TLDRThis video tutorial explains the Structural Equation Modeling (SEM) method for data analysis, building on the previously discussed multiple linear regression method. SEM allows researchers to analyze complex relationships between variables more efficiently. The presenter highlights key concepts like outer and inner models, validity and reliability tests, and demonstrates using Smart PLS software to conduct SEM analysis. The tutorial covers steps for managing models, testing hypotheses, and generating regression equations. The video also outlines future tutorials focusing on SEM with intervening and moderating variables. The tutorial aims to simplify SEM for research purposes.
Takeaways
- 📊 Structural Equation Modeling (SEM) is a multivariate analysis technique used for examining complex relationships between variables, both direct and indirect.
- 🔄 SEM allows researchers to analyze relationships in one test, unlike multiple regression, where relationships are tested separately.
- 📉 SEM is especially helpful when dealing with multiple variables, including intervening or moderating variables.
- 📈 SEM includes testing for outer models and inner models, where outer models focus on indicator validity, and inner models test reliability and structural relationships.
- 📝 Convergent validity is evaluated by outer loading values, where a value greater than 0.5 is considered valid.
- 🔍 Discriminant validity ensures that indicators for one latent variable are distinct from others, using AVE (Average Variance Extracted) values greater than 0.5.
- ⚠️ Collinearity is checked using the VIF (Variance Inflation Factor), where values greater than 5 indicate a potential issue.
- 🛠 Reliability is tested through Cronbach's Alpha and Composite Reliability, with acceptable values being above 0.7.
- 🔬 R-squared values show how well the independent variables predict the dependent variables, with higher values indicating better predictive power.
- 📊 Hypothesis testing in SEM uses P-values and T-statistics, where P-values less than 0.05 indicate a significant relationship between variables.
Q & A
What is Structural Equation Modeling (SEM)?
-Structural Equation Modeling (SEM) is a multivariate analysis technique that allows researchers to test complex relationships between variables, including both unidirectional and bidirectional relationships, to obtain a comprehensive understanding of a model. According to Ghozali (2008), SEM can simultaneously test both structural models and measurement models.
How does SEM differ from multiple linear regression?
-SEM allows for the simultaneous analysis of multiple relationships between variables, including both direct and indirect effects, while multiple linear regression analyzes one relationship at a time. SEM can handle more complex models with intervening and moderating variables, making it more flexible compared to the more rigid approach of multiple linear regression.
What are the steps involved in SEM analysis using PLS (Partial Least Squares)?
-The steps in SEM using PLS include: 1) Testing the outer model, which focuses on the reliability and validity of the measurement model, and 2) Testing the inner model or structural model, which examines relationships between latent variables. Key tests include convergent validity, discriminant validity, and collinearity.
What is the purpose of convergent validity in SEM?
-Convergent validity is used to demonstrate that each indicator can effectively explain its latent variable. An outer loading value of 0.5 or higher is considered strong evidence of convergent validity, according to Hair et al. (2010).
How is discriminant validity assessed in SEM?
-Discriminant validity tests whether indicators of a specific latent variable differ from those of other latent variables. It can be evaluated using the Average Variance Extracted (AVE) values, where the AVE should be greater than 0.5. Additionally, the square root of the AVE should be higher than the correlation between the latent variable and other variables.
What does a Variance Inflation Factor (VIF) indicate in SEM?
-The VIF measures collinearity between indicators within a latent variable. A VIF value below 5 indicates that there is no problematic collinearity between indicators, ensuring that the model's predictive power remains stable and reliable.
How do you assess reliability in SEM models?
-Reliability is assessed using Cronbach's Alpha and Composite Reliability, where values should be greater than or equal to 0.7. Indicators with these values are considered reliable, and in the PLS software, this is indicated when the values appear in green.
What does the R-Squared value represent in SEM?
-The R-Squared value represents how well the independent variables explain the variance in the dependent variable. A higher R-Squared value indicates that the model has stronger predictive power. For example, an R-Squared value of 0.513 means that 51.3% of the variance in the dependent variable is explained by the independent variables.
How is hypothesis testing conducted in SEM?
-Hypothesis testing in SEM involves checking the P-value and the T-statistic. A P-value below 0.05 indicates that the relationship is statistically significant, while the T-statistic is compared against a critical value (such as 1.661 for a 95% confidence level) to further confirm significance.
What happens if an indicator in SEM has an outer loading below 0.5?
-If an indicator has an outer loading below 0.5, it is considered weak in terms of validity and can be removed from the model. The model is then recalculated to ensure all remaining indicators have an acceptable level of outer loading (above 0.5).
Outlines
📊 Introduction to SEM (Structural Equation Modeling)
This paragraph introduces the SEM (Structural Equation Modeling) method for data analysis in research. The speaker contrasts SEM with multiple linear regression, explaining that SEM is more advantageous because it allows for simultaneous testing of complex relationships between variables. SEM is a multivariate analysis technique that helps examine both direct and indirect relationships between variables, offering a comprehensive model overview. SEM simplifies complex regression models and is more efficient, especially in cases where multiple equations and variable relationships are involved.
🔍 Validity and Reliability in SEM Testing
The paragraph explains the different stages of SEM analysis, focusing on the outer and inner models. It covers how to conduct various validity tests, including convergent and discriminant validity, and checks for collinearity. Convergent validity ensures each indicator is valid in explaining the latent variable, with a focus on 'outer loading' values. Discriminant validity examines whether indicators of one latent variable differ from others, using AVE (Average Variance Extracted). The collinearity test looks at VIF (Variance Inflation Factor) to ensure no strong correlation between indicators. Values greater than 0.5 for AVE and smaller than 5 for VIF indicate a valid and reliable model.
📈 Reliability and Hypothesis Testing in SEM
This section delves into testing the reliability of the model, focusing on Cronbach’s alpha and Composite Reliability values, both of which should be greater than 0.7 for the model to be considered reliable. It then transitions into testing hypotheses using the R-squared and Adjusted R-squared values to evaluate the model's predictive power. A high R-squared value indicates good model prediction. Additionally, p-values and t-statistics are used to test the significance of the relationships between variables. Variables are considered to have a significant effect if their p-value is less than 0.05, and t-statistic is greater than the t-table value.
🖥️ Practical Application Using Smart PLS Software
This paragraph provides a step-by-step tutorial on using Smart PLS software to build and analyze a model. The speaker explains how to set up a new project, import data, and organize variables into the SEM framework. They outline the process of creating constructs for each variable (e.g., online marketing mix, digital content marketing, and marketing performance) and assigning indicators. The paragraph highlights the importance of adjusting the layout for clear visualization and how to link variables in the software. The focus is on the ease of manipulation within the software, emphasizing that a visual and logical flow of indicators and variables improves model clarity.
📊 Bootstrapping and Interpreting SEM Results
Here, the discussion turns to the final steps of running the analysis, focusing on bootstrapping and interpreting the results. The paragraph explains how to calculate coefficients, test the effects of variables (positive or negative), and use p-values and t-statistics to assess significance. The speaker describes how to create regression equations based on the coefficients, indicating how each independent variable (e.g., online marketing mix, online representation) influences the dependent variable (marketing performance). A detailed explanation is provided for determining which variables have significant effects based on p-values being below 0.05.
📋 Conclusion and Future Tutorials
This final paragraph summarizes the entire SEM process, emphasizing its benefits over multiple linear regression, particularly when dealing with complex models. The speaker concludes by announcing future tutorials that will cover more advanced SEM topics, such as intervening and moderating variables. They encourage viewers to stay tuned for these upcoming tutorials and express hope that the video has been helpful. The closing remarks are a polite sign-off, wishing viewers well and ending with an Islamic greeting.
Mindmap
Keywords
💡Structure Equation Model (SEM)
💡Multiple Linear Regression
💡Outer Model
💡Inner Model
💡Convergent Validity
💡Discriminant Validity
💡Collinearity
💡Composite Reliability
💡P-Value
💡R-Square
Highlights
Introduction to data analysis using SEM (Structural Equation Modeling) as an alternative to multiple linear regression.
SEM allows researchers to test complex relationships between variables, both unidirectional and reciprocal, for a comprehensive model understanding.
SEM provides advantages over multiple linear regression by enabling simultaneous testing of structural and measurement models.
Multiple linear regression requires separate equations for each relationship, while SEM simplifies analysis by integrating all relationships into one test.
Example of SEM application: leadership and compensation's effect on work motivation, with an intervening variable.
Key steps in SEM analysis: testing outer model (validity of indicators) and inner model (reliability of constructs and model relationships).
Convergent validity ensures each indicator accurately reflects its latent variable, with an outer loading threshold of 0.5 or higher.
Discriminant validity ensures indicators of a latent variable are distinct from those of other latent variables, using AVE (Average Variance Extracted) as a criterion.
Collinearity issues in SEM can negatively affect prediction power; VIF (Variance Inflation Factor) values less than 5 indicate no collinearity.
Reliability in SEM is measured through Cronbach's Alpha and Composite Reliability, with thresholds above 0.7 indicating high reliability.
R-squared value shows how well the exogenous variables explain the endogenous variable; a higher R-squared indicates better predictive accuracy.
Hypothesis testing in SEM uses p-values (significant if <0.05) and T-statistics to determine if relationships between variables are significant.
Practical example: the positive and significant influence of online marketing mix (X1) on marketing performance (Y) with a p-value of 0.000.
The example also shows the negative and non-significant influence of online representation (X2) on marketing performance (Y), with a p-value of 0.063.
Tutorial concludes with step-by-step SEM model construction using SmartPLS software, demonstrating how to create and evaluate the model's results.
Transcripts
Halo assalamualaikum warahmatullahi
wabarakatuh saya balik lagi untuk
menjelaskan dan memberikan tutorial
mengenai salah satu metode analisis data
yang bisa kita gunakan dalam penelitian
yaitu metode analisis data dengan Sam
atau structure equation modal Nah
setelah sebelumnya kita melakukan
analisis dengan menggunakan metode
regresi linear berganda sekarang kita
gunakan metode Sam gitu Jadi apa sih
bedanya Sam itu apa sih gitu pertama
saya jelaskan dulu sebelum kita ke
tutorial jadi Sam ini sendiri merupakan
teknik analisis multivariat yang
memungkinkan peneliti menguji hubungan
antar variabel yang kompleks baik itu
hubungan yang searah maupun hubungan
bolak-balik untuk memperoleh gambaran
yang komprehensif mengenai keseluruhan
model ini pengertian yang diberikan oleh
Ghozali tahun 2008 Nah dengan kita
menggunakan Sam Kita sebenarnya dapat
lebih banyak
keuntungan lebih mudah karena
Sam ini bisa memungkinkan kita untuk
menguji secara bersama-sama model
struktur istilahnya dan model jadi
bagaimana
indikator-indikator tersebut bisa
menunjukkan sebuah variabel atau bisa
merepresentasikan sebuah variabel Dan
juga bagaimana hubungan antar konstruk
independen dengan dependent nya ini bisa
dilakukan bersama-sama kalau regresi
linier berganda itu kita lakukan satu
persatu dan agak merepotkan Nah contoh
seperti ini pada gambar 1.3 kita lihat
diagram model regresi linear berganda
kepemimpinan berpengaruh terhadap
motivasi kerja kompensasi berpengaruh
terhadap motivasi kerja ini masih
memungkinkan pakai regresi linear
berganda masih tidak merepotkan tapi
kalau gambar modelnya seperti
satu titik tiga yang B ini sudah mulai
agak ribet karena nanti Artinya kita
akan melakukan
sekurang-kurangnya ya dua persamaan
regresi kita akan membuat dua persamaan
regresi karena di sini ada beberapa
hubungan yang bisa dilihat di sini ada
variabel intervening nah ini harus
dibuat lagi nanti hubungan apa namanya
persamaan regresinya dan menggunakan
send itu memungkinkan dengan satu kali
uji
kemudian bagaimana melakukan uji
Sam pls nah yang pertama yang dilakukan
adalah
outer model yang kedua adalah structure
model atau inner model itu apa aja sih
Oke dalam manajemen model di sini kita
akan melakukan tiga uji ada uji
validitas konvergent ada uji validitas
diskriminan sama uji kolinearitasnya nah
uji validitas konvergent ini berfungsi
untuk membuktikan bahwa masing-masing
indikator bisa diterima dan mampu
menjelaskan variabel latennya menurut
hair tahun 2010 nilai dilihat dari nilai
outer loading ya dan nilai outer loading
sebesar 0,5 atau lebih barulah bisa
dianggap validitasnya kuat Gitu sehingga
bisa kita pakai dalam penelitian
kemudian uji validitas diskriminan uji
validitas diskriminan ini digunakan
untuk melihat apakah suatu indikator
dari variabel latihan tertentu
berbeda dari indikator variabel laten
lainnya
sehingga bisa dianggap layak untuk
menjelaskan variabel latihan tersebut
ini dilihat dari nilai Ave
Nah di sini nilainya harus lebih besar
dari 0,5 sebenarnya nanti dalam pls
muncul kalau dia ijo berarti itu
apa namanya udah bagus gitu
indikator ini
juga bisa dilihat dari
nilai akar ape-nya Kalau lebih besar
dari korelasi antara semua variabel
latihan berarti uji validitas
diskriminannya juga udah bagus gitu
kemudian yang selanjutnya adalah uji uji
kolinearitas di sini kolinearitas ini
seperti yang sudah juga dijelaskan
sebelumnya Ketika kita membahas tentang
regresi linear berganda ini adalah
terjadinya sebuah korelasi antar
indikator pada variabel laten dalam
suatu model sehingga kekuatan
prediksinya tidak bagus tidak handal
tidak stabil ini dilihat dari nilai
vif di mana Kalau lebih kecil dari 5
maka tidak terjadi kolinearitas kalau
lebih dari itu nanti dalam
aplikasi Smart plsnya yang muncul juga
warnanya akan merah nah artinya itu udah
terjadi kolinearitas dan tidak bagus ya
Nah selanjutnya adalah structure model
atau inner model Nah di sini kita akan
melakukan uji reliabilitas di sini hasil
uji reliabilitasnya bisa kita lihat dari
nilai crown baalpha kemudian juga dari
composed reliability ini nilainya harus
lebih besar dari 0,7 gampangnya itu
kalau kita lihat pokoknya indikatornya
warna hijau aja berarti itu udah
reliable kalau validitas itu juga
artinya udah valid Nah di sini karena
kita Sedang membahas uji reliabilitas
kita lihat nilai komposit reliability
dan gelombang alphanya Apakah ijo atau
enggak kita lihat lebih besar dari 0,7
itu ya kemudian di sini juga kita akan
melihat
pengaruh masing-masing variabel laten
terhadap
eksogennya terhadap variabel laten
endogennya ini kita lihat dari nilai art
Square Jadi bagaimana model penelitian
ini dalam model penelitian ini variabel
X1 X2 dan seterusnya mampu menjelaskan
atau memprediksi
variabel y kita ini kita lihat dari
nilai art Square adjustted are Square
nanti jadi semakin tinggi semakin bagus
berarti nilai prediksinya gitu ya
Nah untuk uji hipotesis juga sama kita
akan mulai dari P value atau sebelumnya
Kalau dari linear berganda ada nilai
signifikansinya itu kemudian juga dari
nilai T statistik atau t hitung kita
lihat di sini
contoh original sample ini adalah
koefisiennya Jadi kalau X1 terhadap y
0,146 artinya positif ya kemudian
P value kita lihat dari P value aja
karena ini kita nggak tahu berapa apa
namanya sampelnya dan jadi kita nggak
tahu ini tes statistiknya berapa cuman
di sini kita bisa lihat dari P value
Apakah dia signifikan atau
tidaknya ini harus lebih kecil dari 0,05
baru bisa dikatakan signifikan Sehingga
dalam kasus contoh ini X1 terhadap y
memiliki pengaruh positif yaitu 0,146
dan
signifikan berdasarkan nilai be valuenya
Begitu juga dengan x2 x3 dan X4 karena
di sini kita lihat P valuenya semua di
bawah 0,05 artinya signifikan Kemudian
dari original sample ini semuanya
positif artinya dengan demikian variabel
X1 x2 x3 X4 ini semua berpengaruh
terhadap y secara positif dan signifikan
seperti itu ya details contohnya saya
akan lakukan tutorial
sebentar saya siapkan datanya dulu ya di
sini saya menggunakan Smart pls yang
versi ketiga Jadi kalian buka Smart pls
nya
di sini setelah ini
kemudian kalian klik new Project di sini
new Project kalian bikin nama saya
Anggaplah ini saya udah buat contoh ya
nama nama projectnya adalah mahasiswa 5
sini juga akan muncul mahasiswa 5 dan
kita double klik di sini untuk
mengimport data masuk ke dalam
smartplacenya saya pakai ini data satu
ini ini seperti apa kita simpan dalam
format csv kalau kalian pakai Excel atau
format txt ini akan otomatis kalau
kalian menggunakan
ke apa menyimpan data di notepad Saya di
sini pakai notepad Jadi tinggal kita
Open data satu Oke tunggu running nah
seperti ini ini artinya datanya sudah
siap dan kita tinggal
membuat
konsepnya jadi caranya adalah
Klik di sini gambar satu
kemudian gambar 2
nomor 3 dan nah ini entar bisa di adjust
kita kecilin dulu
dan kita adjust posisinya biar bagus
seperti ini
apa di sini ya
kemudian
klik connect untuk menghubungkan
setiap variabelnya seperti ini ini kita
menggunakan contoh
x nya ada tiga
sekarang kita rename dulu ini kita
rename
yang X1 adalah online
opsi online kita kasih nama sesuai nama
variabel kita di sini saya kasih contoh
online Marketing Mix sebagai X1
kemudian
X2 nya adalah
online
represent
sebagai X2
kemudian X3 nya yaitu
online
oh bukan ya ketiganya digital
digital
content
marketing ini adalah contoh penelitian
pemasaran ya
kemudian Y nya adalah
kinerja
pemasaran atau marketing performance
kita pakai bahasa Indonesia aja Y di
sini nah jadi kita di sini punya tiga
variabel x yaitu X1 x2 x3 dengan satu
variabel y nah kemudian sekarang langkah
berikutnya adalah
kita masukkan yang ini kita drag ke sini
ini adalah
indikator-indikator untuk variabel X1
kemudian or ini saya kasih kode sesuai
apa namanya
nama variabelnya Oh untuk online r nya
representation ini ada tiga kemudian
saya geser ke sini
di CM ini untuk digital content
marketing ini inisial inisial dari nama
variabelnya ya kemudian
Cafe ini untuk kinerja pemasaran Jadi
kalau udah biru muncul biru-biru berubah
dari warna merah tadi artinya udah udah
lengkap dimasukin indikatornya Nah ini
kan posisinya di sini nggak enak dilihat
ya Jadi ini kita bisa pindahin ke
sebelah kanan kita bisa adjust ini kita
Klik di sini kemudian kita Klik Kanan
sampai muncul ini baru kalian pilih yang
lain indicators right nah ini akan
pindah ke sebelah kanan seperti ini jadi
agak bagus gitu Ini juga sebenarnya bisa
dipindahin manual Kayak gini cuman
masih kalau masih bagus dengan cara
kayak tadi ya udah oke sekarang
kita udah siap untuk melakukan analisis
yang pertama kita lakukan management
modal jadi kita klik kalkulate
di sini
kemudian klik
pls yang ini ya paling atas bls algoritm
kita klik
kemudian
ini sebenarnya 300 ya dasarnya ya
kemudian kita start kalkulation seperti
ini nah akan muncul
sekarang tinggal kita lihat hasil
management modelnya yang pertama kita
lihat dari oto loading nih bisa dilihat
dari sini kita klik tadi kan di sini ya
sekarang kita Klik di bagian yang ada
gambar ininya kita balik lagi ke gambar
sini nah nilai outer loading itu kita
bisa lihat dari angka-angka yang ada di
sini nah kita lihat seperti disebutkan
sebelumnya nilai outer loading itu harus
lebih besar dari 0,5 baru dikatakan
valid Nah kalau kita lihat di sini ini
valid semua nih
valid valid ya karena ini lebih besar
dari 0,5 ini kalau ada yang tidak valid
sama seperti dalam regresi linear
berganda itu kita bisa hapus kita klik
kemudian kita hapus
delete gitu nanti kita ulang lagi
setelah itu
sampai kemudian menjadi lebih dari 0,5
aja yang tersisa gitu ya Nah ini kan
udah hasilnya ini seperti saya udah
buatkan juga di sini
uji validitas konvergent di sini kita
bisa lihat X1 x2 x3 dan Y ini semua
nilai other loadingnya lebih tinggi dari
0,5 maka semua indikator variabel
latihannya ini dianggap valid ya
kemudian
selanjutnya
kita balik lagi ke sini kita udah lihat
dari nilai konvergen validitynya
sekarang kita lihat dari sini kita lihat
di diskriminan validity seperti yang
disebutkan sebelumnya
atau bisa juga dilihat dari Ave ini ya
kita lihat
extrated jadi di sini kalau udah Ijo
kayak gini nilai AB nya artinya juga
sudah valid lebih tinggi dari 0,5 aja
ini udah hijau semuanya gitu ya atau
juga bisa kita lihat dari diskriminan
bisa kita lihat dari sini
nilai formal lorder
kriteria di sini kita lihat nilai apa
namanya
akar dari ave-nya di sini harus lebih
besar dari korelasi dengan variabel yang
lain
kita lihat
di sini ya
nah
kita lihat
0,8
0,830 nilai dari akar ape sih Digital
content ini lebih tinggi daripada
digital content dengan kinerja pemasaran
korelasi Digital wonten marketing dengan
kinerja pemasaran itu 0,5570 kemudian
dengan Ummat itu 0,632 dengan or itu
0,552 ini lebih tinggi begitu juga
dengan kinerja pemasaran ini ini lebih
tinggi daripada ini dan ini begitu juga
seterusnya ini lebih tinggi semua
sehingga bisa dikatakan bahwa
validitas diskriminannya juga memenuhi
itu ya seperti itu Jadi bisa dilihat
dari seperti yang saya bilang fournal
larger kriterianya nah kemudian kita
akan melakukan uji kolinearitas kita
akan melihat hasil uji kolinearitasnya
ini dilihat dari sini nilai bif nya kita
klik ini udah muncul semua nih Ini udah
ijo semua
ijo semua seperti ini artinya tidak
terjadi kolinearitas nanti kalau
misalkan ada yang merah di sini biasanya
Kita akan menghapus yang paling kecil
dari nilai outer loading kita pilih
mana-mana yang paling kecil biasanya itu
dapat membantu nilai vif nya juga gitu
ya Oke kita balik ke sini dulu artinya
nilai vif nya lebih kecil dari 5 semua
ya artinya tidak terjadi kolinearitas
Oke Artinya kita sudah selesai melakukan
apa namanya
negaramen model itu selanjutnya
kita akan melihat dari reliabilitas
reliabilitas sekarang kita lihat dari
nilai crown paham yang ini dan komposit
reliability jadi di sini ingat nilai
krom Alfa dan komposit reliability harus
lebih besar dari 0,7 lebih besar atau
sama dengan 0,7 baru dikatakan relaiable
di sini kalau kita lihat nilainya udah
di atas 0,7 semua Pokoknya kalau udah
hijau seperti ini indikasinya kalau kita
gunakan Smart pls kalau udah hijau aja
berarti sudah memenuhi ya oke kemudian
setelah ini udah relay sudah valid semua
Sekarang kita akan melihat
uji hipotesis kita bagaimana pengaruhnya
kita lihat Ar Squad dulu di sini kita
bisa lihat art Square nya
0,513
0,513 berarti
51,3%
51,3% itu sudah bagus kalau kita lihat
di sini
tanda hijau ini menunjukkan bahwa
apa namanya model ini sudah baik dalam
menjelaskan apa variabel-variabel yang
ada dalam penelitian kita sudah bagus
untuk menjelaskan model penelitiannya
gitu itu artinya Nah selanjutnya
Bagaimana pengaruh masing-masing
variabel kita klik lagi di sini Di
gambar ini ya sampai muncul seperti ini
nah ini kalian akan copy nanti gambar
ini ke
apa namanya ke lampiran Jadi kalau
misalkan kalian nggak pakai yang
profesional Pro yang smart plsnya
makanya kalian bisa pakai yang ini apa
ini ya snapping tool Jadi kalian klik
seperti ini kayak gini
kemudian tinggal kalian buka World aja
Misalkan seperti ini nah kalian copy
kayak gini Kayak gini
nah ini hasil dari uji
outer loadingnya loading factornya
kalian bisa taruh sebagai lampiran
Kemudian untuk sebagai dasar ya karena
kalian akan bikin tabel nanti untuk
nunjukin Berapa nilai outer loading
masing-masing
variabel ini indikator masing-masing
variabelnya itu kalian akan Buat tabel
secara detail dasarnya kan ini ya jadi
makanya ini harus dijadikan sebagai
lampiran
kemudian saya lanjutkan lagi
nah yang saya buat yang ini juga di sini
ini kalian akan jadikan lampiran semua
nih
apa namanya hasil-hasil ujinya yang tadi
hasil ujian ini
Construct reliability ini kalian juga
screenshot ini juga
begitu juga yang lain harus Square juga
sama oke ya kita lanjut ke pengaruh kita
klik kalkulate lagi Kemudian
bootstrapping yang di bawahnya ini ya
butter kita klik seperti ini
kita biarkan ini ya tetap nggak usah
diubah kemudian
kalau kulit kalau sudah selesai Nah di
sini akan muncul
di sini kita bisa lihat
pengaruhnya Apakah positif atau negatif
bisa dilihat dari original sample ini
kita klik seperti ini dulu
original sample
digital X1 dulu ya online Marketing Mix
ke kinerja pemasaran original sampelnya
atau koefisiennya
0,699 artinya positif kemudian kita
lihat dari P value
0,0000 artinya ini lebih kecil dari
0,05 berarti pengaruhnya
positif dan signifikan kalau kita lihat
t hitungnya juga ini t hitungnya adalah
7,597 kemudian kalau t hitung Sorry T
tabel untuk
95 sampel dengan 3 variabel independen
adalah 1
,661 ini ya 1,661
nah
ini sebentar saya copy dulu ya
saya jadikan lampiran
seperti ini
kemudian
ini saya taruh di sini nah
kita lihat online Marketing Mix
sebenarnya 0,6
99 artinya pengaruhnya positif kemudian
P valuenya untuk X1 terhadap y adalah
0,00 ini lebih kecil dari 0,05 artinya
lebih
artinya pengaruhnya signifikan kemudian
kita lihat dari t statistik adalah
,597
7,597 ini lebih kecil dari t tabel untuk
sampel 95 dengan jumlah variabel
independen 3 adalah 1,661 artinya ini
juga pengaruhnya signifikan tapi bisa
kok cukup dilihat dari be value aja
artinya
online Marketing Mix ini berpengaruh
positif dan signifikan terhadap kinerja
pemasaran yaitu untuk X1 kemudian kita
lihat dari X2 X2 online
ini kita lihat original sampelnya -0,206
artinya pengaruhnya negatif kemudian
bevelnya 0,063,063
artinya ini lebih besar dong dari 0,05
artinya tidak signifikan kalau kita
lihat dari t hitung juga ini t hitungnya
1
,8
61 walaupun ini lebih besar dari t tabel
tapi bedanya tidak terlalu jauh ini
makanya artinya
tidak
signifikan ya dan juga terdukung oleh
nilai P value yang lebih besar dari 0,05
Artinya kita bisa menyimpulkan bahwa
online representation atau X2
berpengaruh negatif dan tidak signifikan
terhadap kinerja pemasaran atau dengan
kata lain bisa kita katakan bahwa online
representation tidak berpengaruh
terhadap kinerja pemasaran
selanjutnya yaitu digital content
marketing Kalau kita lihat di sini
nilai koefisiennya adalah 0,243.243
artinya pengaruhnya positif dan kalau
kita lihat dari P value
0,002,02 lebih kecil dari
0,05 artinya signifikan t hitung adalah
3,120
3
tabelnya 1,661 artinya signifikan karena
demikian
digital content marketing berpengaruh
positif dan signifikan terhadap kinerja
pemasaran Nah sekarang kita lihat
persamaan regresinya bagaimana
y =
di sini kita lihat nol koma 699
X1
untuk S2 Min 0,2 06
Plus
0,243 X3 ini adalah error nilai errornya
jadi ini adalah persamaan regresi kita
Oke seperti itu ya Ini adalah
bentuk mudahnya kita menggunakan metode
Sam ini untuk analisis data kita karena
bisa kita lakukan sekaligus tidak
seperti dengan menggunakan metode
regresi linear berganda Saya harap video
ini bisa membantu kalian Memiliki
gambaran tentang metode analisis Sam
untuk selanjutnya nanti saya akan
membuat juga tutorial
metode analisis dengan Sam di mana
persamaan kita memiliki variabel
intervening dan juga variabel moderasi
nanti saya buat satu persatu menyusul ya
baiklah Semoga tutorial ini bermanfaat
sampai ketemu lagi dalam video
berikutnya da assalamualaikum
warahmatullahi wabarakatuh
Ver Más Videos Relacionados
SEM with AMOS: From Zero to Hero (1: From regression analysis to SEM)
Tutorial SEM PLS dengan Variabel Moderasi Menggunakan SmartPLS 4 FULL
Structural Equation Modeling: what is it and what can we use it for? (part 1 of 6)
SEM Series (2016) 1. Introduction
Introduction to Scanning Electron Microscopy (SEM)
Machine Learning Tutorial Python - 3: Linear Regression Multiple Variables
5.0 / 5 (0 votes)