Partial Least Square (SEMPLS)
Partial Least Squares merupakan satu metode penyelesaian
SEM, yang sering disebut sebagai soft modeling karena
meniadakan asumsi-asumsi OLS (Ordinary Least Squares)
regresi, seperti data harus berdistribusi normal secara multivariate
dan tidak adanya problem multikolonieritas antar variabel
eksogen. Walaupun PLS digunakan untuk menjelaskan ada
tidaknya hubungan antar variabel laten (prediction), PLS dapat
juga digunakan untuk mengkonfirmasi teori (Wold dalam
Ghozali, 2011).
PLS memiliki kelebihan antara lain (1) algoritma PLS tidak
terbatas hanya untuk hubungan antara indikator dengan variabel
latennya yang bersifat refleksif namun juga bisa dipakai untuk
hubungan formatif, (2) PLS dapat digunakan untuk ukuran
sampel yang relatif kecil, (3) dapat digunakan untuk model yang sangat kompleks, (4) dapat digunakan ketika distribusi skew atau
tidak normal (Yamin dan Kurniawan, 2011). PLS dapat
menganalisis sekaligus konstruk yang dibentuk dengan indikator
refleksif dan indikator formatif, hal ini tidak mungkin dijalankan
dalam CB-SEM karena akan terjadi unidentified model. Oleh
karena algorithm dalam PLS menggunakan analisis series
ordinary least square, maka identifikasi model bukan masalah
dalam model rekursif dan juga tidak mengasumsikan bentuk
distribusi tertentu dari pengukuran variabel. Lebih jauh algorithm
dalam PLS mampu mengestimasi model yang besar dan komplek
dengan ratusan variabel laten dan ribuan indikator. Namun,
metode PLS juga memiliki kekurangan yakni distribusi data tidak
diketahui sehingga tidak bisa menilai signifikansi statistik.
Kelemahan pada metode partial least square ini bisa diatasi
dengan menggunakan metode resampling atau bootstrap
Tidak ada komentar:
Posting Komentar