3 METODOLOGI PENELITIAN
3.4 Analisis Data 81
3.4.2 Penentuan faktor-faktor yang mempengaruhi mobilitas nelayan dan
Pemetaan faktor-faktor/komponen yang berpengaruh terhadap mobilitas nelayan dan dampak mobilitas nelayan itu sendiri dianalisis dengan structural equation modelling (SEM). Pada saat seorang peneliti menghadapi pertanyaan penelitian berupa identifikasi dimensi-dimensi sebuah konsep atau konstruk dan pada saat yang sama ingin mengukur pengaruh atau derajat hubungan antar faktor yang telah diidentifikasi dimensi-dimensinya, maka SEM akan memungkinkan untuk melaksanakannya. SEM juga merupakan pendekatan terintegrasi antara analisis faktor, model struktural dan analisis jalur (path analysis) (Solimun 2002).
Untuk menganalisis besarnya pengaruh faktor-faktor yang mempengaruhi keberdayaan masyarakat nelayan digunakan metode Uji analisis structural equation modelling (SEM). Uji validitas konstruk dengan menggunakan SEM yaitu suatu model yang juga disebut ”A Covariance Structural Model” yang digunakan untuk menguji model-model empiris untuk menjelaskan varian dan korelasi antara satu set peubah-peubah yang diobservasi dalam suatu sistem kausal (sebab-akibat) dari faktor-faktor yang tidak diobservasi. Dengan demikian pengukuran model menspesifikasikan seberapa jauh peubah-peubah yang diobservasi berhubungan dengan suatu set faktor-faktor yang dihipotesiskan. Soft ware yang digunakan adalah program LISREL atau Linier Structural Relationship
(Agresti dan Finlay 1986; Hayduk 1987; Joreskog dan Sorbon 1996; Joreskog dan Sorbon 1999).
Structural Equation Modelling (SEM) atau Model Persamaan Struktural adalah model statistik yang umumnya digunakan dalam penelitian ilmu perilaku manusia. SEM dapat dikelompokkan sebagai analisis faktor dan regresi atau analisis jalur. Konsep teoritis yang diwakili oleh faktor laten (tidak bisa diamati secara langsung) merupakan hal yang penting dalam pemodelan menggunakan SEM. Hubungan antar faktor laten ditunjukkan oleh koefisien regresi atau jalur antar faktor (Hox and Bechger 1998).
Analisis SEM adalah teknik analisis multivariate yang dapat menguji hubungan antar variabel yang kompleks untuk memperoleh gambaran menyeluruh mengenai keseluruhan model (Ghozali dan Fuad 2005). SEM juga dapat menguji model secara bersama-sama, baik model structural (hubungan atau nilai loading
antara konstruk independen atau dependen), maupun model measurement
(hubungan/nilai loading antara indikator dengan konstruk/variabel laten).
Keunggulan-keunggulan SEM lainnya dibandingkan dengan regresi berganda di antaranya ialah; pertama, memungkinkan adanya asumsi-asumsi yang lebih fleksibel; kedua, penggunaan analisis faktor penegasan (confirmatory faktor analysis) untuk mengurangi kesalahan pengukuran dengan memiliki banyak indikator dalam satu variabel laten; ketiga, daya tarik interface pemodelan grafis untuk memudahkan pengguna membaca keluaran hasil analisis; keempat, kemungkinan adanya pengujian model secara keseluruhan dari pada koefisien-
koefisien secara sendiri-sendiri; kelima, kemampuan untuk menguji model–model dengan menggunakan beberapa variabel tergantung; keenam, kemampuan untuk membuat model terhadap variabel-variabel perantara; ketujuh, kemampuan untuk membuat model gangguan kesalahan (error term); kedelapan, kemampuan untuk menguji koefisien-koefisien di luar antara beberapa kelompok subyek; kesembilan, kemampuan untuk mengatasi data yang sulit, seperti data time series
dengan kesalahan otokorelasi, data yang tidak normal dan data yang tidak lengkap.
Pengembangan model dilakukan dengan menggunakan pendekatan teoritis. Pendekatan teoritis dimaksudkan untuk mendapatkan justifikasi terhadap konsep-konsep yang dikembangkan, sehingga model akhir yang diperoleh dapat dipertanggungjawabkan dan mendapat kebenaran secara alamiah. Dalam kaitan ini, telaah pustaka, eksplorasi terhadap hasil-hasil penelitian yang berkaitan dan diskusi pakar menjadi hal penting untuk dilakukan.
Komponen-komponen yang dominan dalam rangka masyarakat/nelayan bermobilisasi adalah aspek pendapatan, aspek persediaan ikan yang terus menurun, aspek kejenuhan, aspek modal berkurang dan aspek profesi yang terlalu berat. Namun faktor-faktor dominan yang berpengaruh untuk aspek pendapatan adalah aspek pendidikan, aspek prestise kerja, aspek umur, aspek pengalaman kerja dan aspek jumlah tanggungan keluarga. Hasil penelitian yang terkait dengan mobilitas dapat dilihat pada Tabel 2. Menurut Todaro (1992), faktor yang mempengaruhi keputusan untuk bermigrasi pada umumnya berbeda-beda dan sangat kompleks dan faktor-faktor tersebut secara umum dapat dikategorikan menjadi:
1) Faktor Demografis, dalam banyak kasus di dunia ketiga sebagian besar migran terdiri atas laki-laki muda belum kawin berusia antara 15 dan 25 tahun. Akan tetapi migran wanita juga mulai berkembang terutama karena kemajuan tingkat pendidikan. Perkembangan mobilitas profesi wanita lebih rendah dari pria karena wanita ini banyak dipengaruhi oleh faktor non-ekonomi seperti sosial budaya. Kondisi atau tatanan sosial yang berlaku dapat menekan atau mengurangi mobilitas profesi wanita. Peranan
wanita sebagai ibu rumah tangga menghambat untuk melakukan mobilitas profesi desa-kota.
2) Faktor Pendidikan, faktor pendidikan adalah salah satu faktor yang sangat kuat dalam menentukan keputusan untuk melakukan migrasi. Semakin tinggi tingkat pendidikan maka akan meningkatkan kemungkinan seseorang melakukan migrasi (mobilitas profesi). Ini menunjukkan suatu gejala backwash process dimana orang-orang yang berpotensi di desa justru meninggalkan desa untuk mencari sumber penghasilan lain. Gejala ini secara umum dapat berdampak positif dan negatif bagi desa. Kalau para migran dapat memberikan kontribusi yang sesuai bagi pembangunan desa hal ini merupakan gejala yang positif, tetapi kecenderungan yang terjadi mereka tidak lagi tertarik untuk tinggal di desa dan menetap di daerah lain sehingga desa kekurangan orang yang berpotensi untuk membangun desa.
3) Faktor Ekonomi, perbedaan tingkat upah antara desa dan kota adalah variabel ekonomi yang sangat menentukan keputusan untuk melakukan migrasi desa-kota. Penelitian terakhir menunjukkan perbedaan tingkat upah menjadi faktor penentu keputusan untuk melakukan migrasi. Pertimbangan individu mengambil keputusan untuk bermigrasi atas pertimbangan untuk mengoptimalkan penghasilan dan atas persepsi mereka tentang arus pendapatan yang diharapkan di pedesaan dan kota. Selanjutnya diasumsikan pula individu memilih bermigrasi menyesuaikan tingkat individu memilih bermigrasi menyesuaikan tingkat pendidikan dan ketrampilan mereka di kota. Para migran dianggap mengetahui peluang mereka untuk memperoleh profesi dan peluang menganggur di kota dalam selang waktu tertentu.
Berdasarkan hasil penelitian sebelumnya, sebagaimana yang diuraikan di dalam Tabel 2, faktor-faktor yang berpengaruh pada mobilitas nelayan adalah tingkat pendidikan, prestise kerja, umur, pengalaman melaut dan tanggungan keluarga, pendapatan, persediaan ikan, kejenuhan, modal, profesi yang terlalu berat yang sebelumnya sudah dianalisis melalui analisis SEM. Analisis SEM dalam penelitian ini dikembangkan untuk melihat terjadinya interaksi di antara
komponen tersebut dan mengetahui interaksi mana yang paling berperan dalam mobilitas profesi nelayan. Gambaran interaksi di antara komponen tersebut kemudian diilustrasikan dalam rancangan awal path diagram.
Tabel 2 Hasil penelitian terkait dengan mobilitas
Author Thn Judul Metologi Hasil-kesimpulan
Armin Ginting 1994 Analisis faktor penentu keputusan mobilitas profesi sektor pertanian ke non pertanian
Studi Kasus Faktor-faktor yang berpengaruh dalam pengambilan keputusan mobilitas profesi desa kota adalah rasio pendapatan desa kota, usia dan pengusahaan lahan. Analisis regresi menunjukkan bahwa faktor pendidikan dan luas lahan milik pada tingkat kepercayaan α=10% tidak berpengaruh nyata terhadap peluang mobilitas profesi, sedangkan faktor- faktor lain berpengaruh nyata. Dari faktor-faktor yang mempengaruh keputusan mobilitas mobilitas profesi tersebut, ternyata mempunyai pengaruh ekonomi terhadap migran terutama perbedaan pendapatan desa kota dan jumlah beban tanggungan. Dengan demikian maka dalam penelitian ini faktor ekonomi masih dianggap dominan pengaruhnya terhadap keputusan mobilitas profesi. Disarankan bagi pemerintah untuk menciptakan lapangan kerja di desa guna menambah keterkaitan antara penduduk dengan desa, sehingga menurunkan keinginan untuk melakukan mobilitas profesi di kota atau desa lain. Bagi masyarakat disarankan untuk mencari profesi di bidang industri pedesaan yang sesuai dengan karakteristik masyarakat
Maria 1996 Mobilitas profesi nelayan ke non- nelayan di Kelurahan Kali Baru
Survei Faktor yang signifikan terhadap mobilitas profesi adalah: pendidikan, jumlah tanggungan dan pendapatan (juga faktor usia dan pengalaman), yang menjadi faktor pendorong dalam mobilitas kerja adalah: pendapatan nelayan, persediaan ikan, kejenuhan, modal, profesi yang terlalu berat, ingin mencari pengalaman, kondisi fisik nelayan (kesehatan dan usia). Faktor penariknya adalah: peningkatan pendapatan, kenyamanan kerja dan jaminan hari tua. Jenis jenis profesi non-nelayan adalah: dagang, supir, bengkel, wiraswasta, pelayaran dan karyawan pabrik. Akibat dari mobilisasi kerja ini 60% dari pelaku mobilisasi tersebut kondisi perumahannya, mengalami peningkatan dan, 40% sisanya tetap Widodo 2002 Pengaruh industrialisasi terhadap mobilitas sosial masyarakat pedesaan
Studi Kasus Faktor-faktor pencetus mobilisasi sosial masyarakat adalah: pendidikan, penguasaan modal, tingkat ketrampilan dan hubungan dengan elit Wanaherang memberi pengaruh pada munculnya peluangkerja dan usaha yang berakibatkan pada peningkatan pendapatan, penguasaan kekayaan materil dan status sosial. Hal ini membuat masyarakat terobsesi untuk menjadi karyawan/pegawai di sektor industri, karena selain peningkatan pendapatan juga peningkatan prestise/penghormatan. Tapi untuk menjadi karyawan dipengaruhi pendidikan, pengalaman kerja, ketrampilan dan hubungan dengan elit desa maupun manajemen perusahaan Djoko Joewono 2003 Mobilitas penduduk dalam wilayah Jabotabek
Survei Faktor yang mendorong masyarakat bermobilisasi adalah sebagai berikut: faktor demografi (jenis kelamin, pendidikan) berikut mengaharapkan pendapatan lebih tinggi di perkotaan dari pada di desa, kecilnya lahan di desa bahkan tidak ada/terbatasnya kerja di bidang pertanian. Faktor penariknya adalah: ada kesempatan kerja di sektor lain dengan teknologi komunikasi.
Sumber: Hasil Olahan Data
Setelah menyusun model berbasis teori, langkah selanjutnya adalah menerjemahkan model tersebut kedalam diagram jalur (path diagram) agar dapat diestimasikan dengan menggunakan program LISREL. Pembuatan path diagram
merupakan kegiatan penggambaran interaksi komponen-komponen yang dikembangkan secara teoritis dan kemudian menjadi konstruk penelitian. Dalam penggambaran ini, konstruk/variabel laten penelitian tersebut harus dilengkapi dengan dimensi/variabel terukur.
Dalam model struktural dikenal dua variabel, yaitu eksogen dan endogen, sedangkan persamaan-persamaan untuk menyatakan hubungan kausalitas antar berbagai konstruk, persamaan tersebut pada dasarnya dibangun dengan pedoman sebagai berikut (Ferdinand 2002: 167):
... 1) Keterangan:
: (beta) variabel laten endogen
: (beta) matriks koefisien jalur untuk hubungan antar variabel endogen
: (gamma) matriks koefisien jalur hubungan variabel endogen dan eksogen
: (ksi) variabel laten eksogen
: (zeta) kesalahan (eror) dalam persamaan struktural
Variabel eksogen adalah variabel yang nilainya ditentukan di luar model, seperti variabel bebas dan variabel instrumen (juga disebut predetermined variables), sedangkan variabel endogen adalah variabel yang nilainya ditentukan berdasarkan model, seperti variabel tidak bebas.
Dalam kaitan ini, telaah pustaka menjadi hal penting untuk menetapkan variabel terukur yang tepat. Path diagram dibuat dengan menggunakan program LISREL 8.30 Professional. Rancangan path diagram sebagai konseptualisasi mobilitas profesi dan alih status nelayan skala kecil di Provinsi Sulawesi Utara dapat dilihat pada Gambar 4. Persamaan struktural dalam penelitian ini adalah persamaan rekursif dimana memenuhi asumsi-asumsi sebagai berikut:
1) Antara galat (εij) saling bebas (independent).
X1
X2
X3
X4
Y
Keterangan jenis data yang dikumpulkan dalam penelitian:
Y = Status Nelayan X1 = Mobilitas geografi
X2 = Mobilitas geografi dan mobilitas
profesi X3 = Mobilitas profesi
X4 = Tidak melakukan mobilitas profesi
dan lokasi X1.1 = Aspek pendidikan
X1.2 = Aspek prestise kerja
X1.3 = Aspek umur
X1.4 = Aspek pengalaman kerja
X1.5= Aspek jumlah tanggungan keluarga
X1.6 = Aspek Pendapatan
X1.7 = Aspek Persediaan ikan
X1.8 = Aspek Kejenuhan
X1.9 = Aspek Modal
X1.10= Aspek Profesi yang terlalu berat
X2.1 = Aspek pendidikan
X2.2 = Aspek prestise kerja
X2.3 = Aspek umur
X2.4 = Aspek pengalaman kerja
X2.5= Aspek jumlah tanggungan keluarga
X2.6 = Aspek Pendapatan
X2.7 = Aspek Persediaan ikan
X2.8 = Aspek Kejenuhan
X2.9 = Aspek Modal
X2.10= Aspek Profesi yang terlalu berat
X3.1= Aspek pendidikan
X3.2= Aspek prestise kerja
X3.3 = Aspek umur
X3.4 = Aspek pengalaman kerja
X3.5= Aspek jumlah tanggungan keluarga
X3.6 = Aspek Pendapatan
X3.7 = Aspek Persediaan ikan
X3.8 = Aspek Kejenuhan
X3.9 = Aspek Modal
X3.10= Aspek Profesi yang terlalu berat
X4.1 = Aspek pendidikan
X4.2 = Aspek prestise kerja
X4.3 = Aspek umur
X4.4 = Aspek pengalaman kerja
X4.5= Aspek jumlah tanggungan keluarga
X4.6 = Aspek Pendapatan
X4.7 = Aspek Persediaan ikan
X4.8 = Aspek Kejenuhan
X4.9 = Aspek Modal
X4.10= Aspek Profesi yang terlalu berat
X1.1 X1.2 X1.3 X1.4 X1.5 X1.6 X1.7 X1.8 X1.9 X1.10 X2.1 X2.2 X2.3 X2.4 X2.5 X2.6 X2.7 X2.8 X2.9 X2.10 X3.1 X3.2 X3.3 X3.4 X3.5 X3.6 X3.7 X3.8 X3.9 X3.10 X4.1 X4.2 X4.3 X4.4 X4.5 X4.6 X4.7 X4.8 X149 X4.10
Gambar 4 Konseptualisasi mobilitas profesi dan alih status nelayan skala kecil di Provinsi Sulawesi Utara
Variabel yang diuji dalam analisis SEM terdiri dari struktur mobilitas nelayan dan dampak yang ditimbulkan mobilitas nelayan. Variabel yang digunakan sebagai indikator yang menentukan mobilitas nelayan adalah aspek ekonomi, pendidikan, prestise kerja, umur, pengalaman kerja, ketrampilan dan kepemilikan alat produksi dan jumlah tanggungan keluarga. Pengujian apakah variabel-variabel ini dapat digunakan untuk membentuk faktor atau konstruk dilakukan dengan melihat nilai probabilitas (p) dari nilai koefisien lambda (λ). Jika nilai probabilitas (p) koefisien lambda lebih kecil dari nilai α = 0,05, maka indikator tersebut dapat digunakan untuk membentuk faktor atau konstruk. Sebaliknya, jika nilai p dan λ lebih besar dari nilai α = 0,05, maka indikator tersebut tidak dapat digunakan untuk membentuk konstruk.
Pemilihan matriks input dan estimasi model sangat dibutuhkan dalam analisis SEM. Matriks input yang digunakan dalam analisis SEM terdiri dari matriks kovarian dan matriks korelasi. Dalam beberapa penelitian, matriks kovarian lebih sering digunakan karena memiliki keunggulan dalam menyajikan perbandingan yang valid antara populasi atau sampel yang berbeda.
Setelah model dispesifikasikan secara lengkap, langkah berikutnya adalah memilih jenis input. Matriks input yang dipilih dalam penelitian ini adalah matriks kovarians. Alasan memilih input data matrix covarians adalah karena matriks kovarian memiliki keunggulan dalam menyajikan perbandingan yang valid antara populasi yang berbeda atau sampel yang berbeda. Selain itu matriks kovarian lebih sesuai untuk memvalidasi hubungan kausal.
Selanjutnya untuk memilih teknik analisis dengan mempertimbangkan ukuran sampel. Setelah memilih matriks input, maka perangkat lunak (LISREL) akan melakukan estimasi koefisien path. Dalam melakukan estimasi model, ukuran sampel memegang peranan yang cukup penting. Teknik-teknik estimasi yang tersedia adalah: 1) Maximum Likelihood Estimation (ML), 2) Generalized Least Square Estimation (GLS), 3) Unweighted Least Square Estimation (ULS), 4) Scale Free Least Square Estimation (SLS) dan 5) Symtotically Distribution- Free Estimation (ADF).
Metode yang digunakan dalam penelitian ini adalah Maximum Likelihood Estimation (ML), yang meliputi:
Identifikasi model. Masalah identifikasi merupakan masalah ketidakmampuan dari model yang dikembangkan untuk menghasilkan estimasi yang unik. Masalah identifikasi dapat muncul melalui gejala sebagai berikut:
i. Standard error untuk satu sampai beberapa koefisien sangat besar. ii. Program tidak mampu menghasilkan matriks informasi yang seharusnya. iii. Munculnya angka-angka yang tidak diinginkan, seperti varians error yang
negatif.
iv. Munculnya angka korelasi yang sangat tinggi antar koefisien estimasi yang diperoleh.
Asumsi-asumsi SEM yang harus dipenuhi adalah:
1) Ukuran sampel yang harus dipenuhi dalam pemodelan SEM adalah
minimum berjumlah 100, selanjutnya menggunakan perbandingan 5 observasi untuk setiap parameter yang diestimasi. Oleh karena itu, bila mengembangkan model dengan lebih dari 20 parameter maka minimum digunakan 100 sampel.
2) Normalitas dan Linearitas: sebaran data harus dianalisis untuk melihat apakah asumsi normalitas terpenuhi, sehingga data dapat diolah lebih lanjut dengan pemodelan SEM. Normalitas dapat diuji dengan melihat gambar histogram data atau dapat diuji dengan model statistik. Uji
normalitas dilakukan dengan menggunakan uji skewness yang
menunjukkan bahwa hampir seluruh variabel normal pada tingkat signifikansi 0,01 (1%). Hal ini terlihat pada nilai Coefficient Ratio (CR) dari skewness yang berada di bawah + 2,58 (Arbuckle 1997;78). Nilai mutivariat pada uji normalitas adalah koefisien kurtosis multivariate, apabila hasil yang diperoleh masih di bawah nilai batas + 2,58, ini berarti bahwa ada data yang digunakan berdistribusi multivariate normal.
3) Outliners (data-data pencilan): outliners adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara univariat maupun multivariate yaitu yang muncul karena kombinasi karakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi-observasi lainnya.
Model hubungan antara variabel dependent dan independent perlu diuji kelayakannya dengan menggunakan berbagai indikator. Adapun jenis indikator
dan nilai indeks yang digunakan untuk menentukan kelayakan sebuah model dapat dilihat pada Tabel 3 dan Lampiran 1.
Tabel 3 Goodness of fit index
Sumber: Ferdinand 2006
1) Degree of freedom (derajat kebebasan) harus bernilai positif
2) Chi Square Statistik (X²) dan probabilitas alat uji fundamental untuk mengukur overall fit adalah likelihood ratio chi square statistik. Model yang baik harus mempunyai chi square = 0 berarti tidak ada perbedaan. Tingkat signifikan penerimaan yang direkomendasikan adalah apabila p > 0,005 (Hair 1998) yang berarti matriks input sebenarnya dengan matriks input yang diprediksi tidak berbeda secara statistik.
3) CMIN/DF adalah ukuran yang diperoleh dari nilai chi square dibagi dengan degree of freedom. Menurut Hair et al. (1998) nilai yang sebenarnya adalah nilai CMIN/DF yang < 2,0 atau 3,0
4) Goodness of Fit Index (GFI), digunakan untuk menghitung proporsi tertimbang dari varians dalam matriks kovarians sampel yang dijelaskan oleh matriks kovarians populasi yang terestimasikan. Indeks ini mencerminkan tingkat kesesuaian model secara keseluruhan yang dihitung dari residual kuadrat model yang diprediksi dibandingkan dengan data yang sebenarnya. Nilai Goodness of Fit Index biasanya dari 0-1. Semakin besar jumlah sampel penelitian maka nilai GFI akan semakin besar. Nilai yang lebih baik mendekati 1 mengindikasikan model yang diuji memiliki kesesuaian yang baik. Nilai GFI dikatakan baik adalah > 0, 90.
5) Tucker-Lewis Index (TLI) adalah sebuah alternatif incremental fit index
yang membandingkan sebuah model yang diuji terhadap sebuah baseline
model. Nilai yang direkomendasikan sebagai acuan untuk diterimanya Goodness of fit index Cut of value
Chi Square Significance Probability CMIN/DF GFI TLI CFI RMSEA diharapkan kecil > 0,05 < 2 atau 3 > 0,90 > 0,95 > 0,95 < 0,08 – 0,09
sebuah model adalah > 0,9 dan nilai yang mendekati 1 menunjukkan a very good fit. TLI merupakan index fit yang kurang dipengaruhi oleh ukuran sampel.
6) Comparative Fit Index (CFI) dikenal sebagai Bentler Comparative Index.
CFI merupakan indeks kesesuaian incremental yang juga membandingkan model yng duji dengan mull model. Indeks ini dikatakan baik untuk mengukur kesesuaian sebuah model karena tidak dipengaruhi oleh ukuran sampel. Indeks yang mengindikasikan bahwa model yang diuji memiliki kesesuaian yang baik adalah apabila CFI > 0,90.
7) Root Mean Square Error of Approximation (RMSEA), nilai RMSEA menunjukkan Goodness of Fit yang diharapkan bila model diestimasikan dalam populasi. Nilai RMSEA yang lebih kecil atau sama dengan 0,08 merupakan indeks untuk dapat diterimanya model yang menunjukkan sebuah close fit dari model itu didasarkan degree of freedom. RMSEA merupakan indeks pengukuran yang tidak dipengaruhi oleh besarnya sampel sehingga biasanya indeks ini digunakan untuk mengukur fit model pada jumlah sampel besar.
Pengujian hipotesis dilakukan dengan menguji signifikansi regresi berdasarkan uji F pada α = 0,05 untuk setiap koefisien persamaan, secara langsung ataupun parsial. Setelah dilakukan pengujian terhadap asumsi dasar SEM dan terhadap uji kesesuaian dan uji statistik, langkah berikutnya adalah melakukan modifikasi terhadap model yang tidak memenuhi syarat pengujian yang telah dilakukan. Setelah model diestimasi, residualnya haruslah kecil atau mendekati 0 dan distribusi frekuensi dari kovarans residual harus bersifat simetrik. Sebuah pedoman untuk mempertimbangkan perlu tidaknya modifikasi terhadap sebuah model, yaitu dengan melihat sejumlah residual yang dihasilkan oleh model. Bila jumlah residual lebih besar dari 5% dari semua residual kovarians yang dihasilkan oleh model, maka modifikasi perlu dipertimbangkan. Bila ditemukan nilai residual yang dihasikan oleh model cukup besar (> 2,58), maka cara lain dalam memodifikasi adalah dengan mempertimbangkan untuk menambah jalur baru terhadap model yang diestimasi.
Nilai residual lebih besar atau sama dengan 2,58 diintreprestasikan sebagai signifikan secara statistik pada tingkat 5% dan residual yang signifikan ini menunjukkan adanya prediction error yang substansial untuk sepasang indikator.
