Billah, Usfi Al Imama (2018) Konsistensi Resampling Bootstrap Pada Model Analisis Jalur Dengan Berbagai Besaran Resampling. Sarjana thesis, Universitas Brawijaya.
Abstract
Data dapat didefinisikan sebagai kumpulan hasil pengamatan atau pengukuran terhadap suatu variabel. Salah satu tipe data yang banyak ditemukan dalam berbagai bidang adalah data cross-section. Data cross-section dengan hubungan yang kompleks dapat dianalisis dengan analisis jalur. Terdapat tiga asumsi dalam analisis jalur, yaitu asumsi linieritas, homoskedastisitas ragam residual, dan asumsi normalitas residual. Asumsi normalitas residual diperlukan guna menjamin penduga koefisien jalur bersifat tak bias, memiliki ragam minimum, konsisten, dan mengikuti sebaran normal. Jika asumsi normalitas tidak terpenuhi, maka salah satu cara yang dapat digunakan adalah dengan melakukan resampling. Studi simulasi dilakukan untuk menerapkan resampling dengan metode bootstrap pada data yang asumsi normalitas residualnya terpenuhi maupun terlanggar. Studi simulasi ini mempertimbangkan besaran resampling serta kondisi keeratan hubungan antar variabel agar pendugaan koefisien jalur mencapai konsistensi. Berdasarkan hasil simulasi, penduga koefisien jalur semakin konsisten seiring dengan bertambahnya besaran resampling. Untuk mencapai penduga koefisien jalur yang konsisten pada kondisi asumsi normalitas residual terpenuhi, baik pada keeratan hubungan antar variabel rendah, sedang, maupun tinggi, diperlukan besaran resampling 750. Sementara itu, untuk kondisi asumsi normalitas terlanggar dan keeratan hubungan antar variabel rendah, sedang, maupun tinggi, penduga koefisien jalur konsisten pada besaran resampling 1400. Untuk kondisi asumsi normalitas terlanggar dan keeratan hubungan antar variabel sedang maupun tinggi, penduga keofisien jalur konsisten pada besaran resampling 1400.
English Abstract
Data can be defined as a collection of observations or measurements of a variable. One data type that can be found in many fields is cross-section data. Cross-section data with complex relationships can be analyzed by path analysis. There are three assumptions in path analysis, they are linearity assumptions, homoskedasticity assumptions, and normality of residual assumptions. Normality of residual is needed to ensure the path coefficient estimator is unbiased, has a minimum variance, consistent, and follows normal distribution. If the assumption of normality is not satisfied, then one way that can be used is resampling. Simulation studies are conducted to apply resampling with bootstrap method on data assumeing that normality of residual is fulfilled or violated. This simulation study considers the resampling size and the closeness of the relationship between variables so that estimation of path coefficients reaches consistency. Based on the simulation results, the path coefficient estimator is increasingly consistent as the amount of resampling increases. To achieve a path coefficient estimator that is consistent with the assumption that normality of residual is satisfied, both the closeness of the variables between low, medium, and high requires resampling size of 750. For the condition normality of residual is not satisfied and closeness of the variables between low, medium, and high requires resampling size of 1400.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/MIPA/2018/439/051900368 |
| Uncontrolled Keywords: | Bootstrap, besaran resampling, konsistensi Bootstrap, resampling size, consistency |
| Subjects: | 500 Natural sciences and mathematics > 519 Probabilities and applied mathematics > 519.5 Statistical mathematics > 519.54 Statistical inference |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Statistika |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 10 Jul 2020 13:39 |
| Last Modified: | 18 Oct 2021 04:43 |
| URI: | http://repository.ub.ac.id/id/eprint/168735 |
Preview |
Text
Usfi Al Imama Billah (2).pdf Download (5MB) | Preview |
Actions (login required)
 |
View Item |