Generalized structural Component Analysis (part 1)

       

Generalized structural Component  Analysis merupakan atlernatif dari Structur Equation Model (SEM). Tahun 2004 Hwang dan Tanake mengembangkan metode SEM berbasis varian yang tidak didasarkan pada banyak asumsi, data tidak harus berdistribusi normal, sampel tidak harus banyak dan dapat menganalisis variabel laten yang dibentuk dengan indikator formatif dan reflektif serta memberikan mekanisme untuk menilai overall goodness-fit dari model. Ukuran goodness-fit inilah yang membedakan PLS dengan GSCA. PLS tidak memiliki Ukuran goodness-fit.  Ukuran goodness-fit digunakan untuk menentukan seberapa baik model cocok dengan data dan membandingkan model alternatif. 

Dalam perkembangannya SEM terbagi menjadi 2 metode berdasarkan basisnya yaitu SEM berbasis covariance dan SEM berbasis component atau variance. SEM berbasis covariance dikembangkan pertama kali oleh joreskog (1973), keesling (1972) dan wiley (1973). SEM berbasis covariance mendapatkan popularitas setelah tersedianya program LISREL III yang dikembangkan oleh Joreskog dan Sorbom dipertengahan tahun 1970an.

Penggunaan SEM berbasis covariance sangat dipengaruhi oleh asumsi parametrik yang harus dipenuhi seperti variabel yang diobservasi memiliki multivariate normal distribusi dan observasi harus independen satu sama lain. SEM berbasis covariance mengharuskan indikator – indikatornya bersifat reflektif dalam membentuk variabel laten. Pada model indikator refleksif , indikator pada satu kontruk dipengaruhi oleh konsep yang sama. Perubahan dalam satu item atau indikator  akan berakibat pada perubahan indikator lainnya dengan arah yang sama. Menurut kenyataan yang sesungguhnya indikator dapat dibentuk dalam bentuk formatif indikator model. Dalam model formatif, indikator dipandang sebagai variabel yang mempengaruhi variabel laten.