maupun data kontinyu, uji normalitas multivariat hanya dapat dilakukan untuk data kontinyu. Ghozali, 2005:37
Untuk menguji dilanggartidaknya asumsi normalitas, maka dapat digunakan nilai statistik z untuk skewness dan kurtosisnya. Nilai z skewness dapat
dihitung sebagai berikut:
z =
skew ness 6
N
2.5.1
z =
kur tosis 24
N
2.5.2 di mana N merupakan ukuran sampel. Di dalam SEM menghendaki berdistribusi
normalitas multivariat. Untuk mengetahui apakah berdistribusi normal multivariat, maka dibutuhkan nilai dari
z
atau
z ± 1,96
pada α
= 0,05
dan
±
2,58 pada α
= 0,01
.
2.6 Bootstrap
2.6.1 Konsep Dasar Metode Bootstrap
Metode bootstrap pertama kali diperkenalkan oleh Bradley Elfron pada tahun 1979. Metode bootstrap pada dasarnya adalah melakukan pengambilan
sampel resampling dengan pengembalian dari sampel hasil observasi dengan replikasi B kali
≤ ≤ dengan n adalah banyaknya ukuran sampel dan
selanjutnya hasil resampling tersebut dipergunakan untuk mencari penaksir
bootstrap. Metode bootstrap merupakan suatu metode pendekatan nonparametrik untuk menaksir berbegai kualitas statistik seperti mean, standard error dan bias
suatu estimator atau untuk membentuk interval konvidensi dengan memanfaatkan kecanggihan teknologi komputer. Metode bootstrap dapat juga untuk
mengestimasi distribusi suatu statistik. Distribusi ini diperoleh dengan menggantikan distribusi populasi yang tidak diketahui dengan distribusi empiris
berdasarkan data sampel, kemudian melakukan pengambilan sampel resampling dengan pengembalian dari distribusi empiris yang selanjutnya dipergunakan untuk
mencari penaksir bootstrap. Dengan metode bootstrap tidak perlu melakukan asumsi distribusi dan asumsi-asumsi awal untuk menduga bentuk distribusi dan
pengujian-pengujian statistiknya. Algoritma bootstrap berdasarkan pada model sederhana yaitu model satu
sampel, di mana distribusi peluang yang tidak diketahui F distribusi sembarang dari data x dengan sampel random.
→
= ,
, …,
2.6.1 Untuk menjelaskan metode bootstrap, dipikirkan dua masalah, yaitu
masalah real dan masalah buatan. Dimana masalah buatan tersebut dikenal sebagai masalah bootstrap. Dalam masalah real dunia nyata, di mana distrubusi
peluang yang tidak diketahui distribusi sembarang dengan data pengamatan
= ,
, …,
dengan sampel random. Dapat dihitung statistik yang menjadi perhatian dari
, =
, dan diharapkan dapat diketahui tentang statistik
, dan standard error . Sedangkan pada dunia bootstrap,
distribusi nyata dari dengan memberikan sampel bootstrap dengan sampel
random di mana dapat dihitung replikasi bootstrap dari statistik yang menjadi perhatian yaitu
∗
=
∗
. Keuntungan dalam penggunaan dunia bootstrap ini yaitu dapat dihitung replikasi
∗
yang diinginkan. Sebelum era komputerisasi, penggunaan analisis statistika yang
menggunakan matematika dan teori probabilitas untuk mendapatkan rumus dari standard error dan interval konfidensi sering mendapatkan kendala yang cukup
berarti pada sampel dengan ukuran besar. Namun, dengan menggunakan komputer dan paket program statistika, misalkan AMOS, metode bootstrap dapat
digunakan untuk menpatkan standard error dan interval konfidensi dari suatu data dengan ukuran besar tanpa harus melakukan perhitungan secara manual. Hasil
menggunakan ini akan lebih reliable dari pada menggunakan teori statistika secara manual.
2.6.2 Pembentukan Sampel Bootstrap
