Regresi & SEM

Metode regresi merupakan metode yang paling sering digunakan untuk melakukan penelitian kuantitatif. Secara fungsional biasanya digunakan untuk metode prediktif (peramalan) secara sistematis berdasarkan data yang sudah ada atau sebelumnya. Hal tersebut berguna untuk mengurangi resiko kesalahan dalam membuat kebijakan. Namun metode regresi memiliki kelemahan antara lain :

• Data harus terdistribusi normal
• Jika data tidak terdistribusi normal maka akan timbul regresi yang bias. 
• Jika data terdistribusi normal maka hasil berupa BLUE (Best Linier Unbiased Estimate) 

Structural Equation Modelling (SEM) merupakan salah satu metode yang saat ini digunakan untuk menutup kelemahan yang ada pada metode regresi.

Pendekatan SEM :
1. Covariance Based SEM (CBSEM)

    Tools : AMOS, LISREL
2. Variance Based SEM atau yang lebih dikenal dengan Partial Least Squares (PLS)

    Tools : smartPLS, warpPLS, XLStat

Regresi Linier	CB-SEM	VB-SEM
Data terdistribusi  normal		PLS menggunakan metode bootstraping atau penggandaan secara acak. Oleh karenanya asumsi normalitas tidak akan menjadi masalah bagi PLS
Perlu sample yang banyak. Sesuai dg ketentuan sample	Perlu sample yang banyak. Sesuai dg ketentuan sample Biasanya 200-800	bootstraping pada PLS tidak mensyaratkan jumlah minimum sample biasanya antara 30 – 100
	Konfirmasi teori	PLS untuk prediksi hubungan antar konstruk
	CBSEM lebih kepada Multivariate normal distribution dan independent observation (parametrik). Parametrik : mewajibkan data terdistribusi normal dengan sample besar. Parametrik mempertimbangakan sebaran dan distribusi data.	PLS digolongkan sebagai jenis non-parametrik
	CBSEM hanya dapat mengakomodir konstruk yang berbentuk reflektif	PLS dapat mengakomododir baik formatif maupun reflektif
	CBSEM hanya bisa mengakomodir maksimal 100 indikator	PLS dapat mengakomodir hingga 100 konstruk dan 1000 indikator