Apa sebenarnya structural equation modeling (SEM) itu? Terdapat beberapa definisi SEM,
diantaranya ialah sebagai berikut:
Structural equation modeling, yang dalam buku ini untuk selanjutnya akan disebut SEM,
adalah suatu teknik modeling statistik yang bersifat sangat cross-sectional, linear dan umum.
Termasuk dalam SEM ini ialah analisis faktor (factor analysis), analisis jalur (path analysis)
Dari definisi di atas dapat disimpulkan bahwa SEM mempunyai karakteristik yang
bersifat sebagai teknik analisis untuk lebih menegaskan (confirm) dari pada untuk
menerangkan. Maksudnya, seorang peneliti lebih cenderung menggunakan SEM
untuk menentukan apakah suatu model tertentu valid atau tidak dari pada
menggunakannya untuk menemukan suatu model tertentu cocok atau tidak, meski
analisis SEM sering pula mencakup elemen-elemen yang digunakan untuk
menerangkan.
1.1.2. Pengertian
SEM mencakup pengukuran struktur matriks covariance atau disebut juga sebagai
"analisis struktur covariance". Sekali model parameter-parameternya sudah
diestimasi, maka model yang dihasilkan matrik covariance kemudian dapat
dibandingkan dengan matrik kovarian yang berasal dari data empiris. Jika
kedua matrices konsisten satu dengan lainnya, maka model persamaan struktural
tersebut dapat dianggap sebagai eksplanasi yang dapat diterima untuk hubungan-
hubungan antara pengukuran-pengukuran tersebut.
Salah satu keunggulan SEM ialah kemampuan untuk membuat model konstruk-
konstruk sebagai variabel laten atau variabel variabel yang tidak diukur secara
langsung, tetapi diestimasi dalam model dari variabel-variabel yang diukur yang
diasumsikan mempunyai hubungan dengan variabel tersebut variabel latent.
Dengan demikian hal ini memungkinkan pembuat model secara eksplisit dapat
mengetahui ketidak-reliabilitas suatu pengukuran dalam model yang mana teori
mengijinkan relasi relasi struktural antara variabel-variabel laten yang secara
tepat dibuat suatu model.
9. Kesembilan kemampuan untuk mengatasi data yang sulit, seperti data time
series dengan kesalahan otokorelasi, data yang tidak normal, dan data yang
tidak lengkap.
1. Model sebab akibat (causal modeling,) atau disebut juga analisis jalur (path analysis),
yang menyusun hipotesa hubungan-hubungan sebab akibat (causal relationships)
diantara variabel - variabel dan menguji model-model sebab akibat (causal models)
dengan menggunakan sistem persamaan linier. Model-model sebab akibat dapat
mencakup variabel-variabel manifest (indikator), variabel-variabel laten atau
keduanya;
2. Analisis faktor penegasan (confirmatory factor analysis), suatu teknik kelanjutan dari
analisis faktor dimana dilakukan pengujian hipotesis hipotesis struktur factor
loadings dan interkorelasinya;
3. Analisis faktor urutan kedua (second order factor analysis), suatu variasi dari teknik
analisis faktor dimana matriks korelasi dari faktor-faktor tertentu ( common factors)
dilakukan analisis pada faktornya sendiri untuk membuat faktor-faktor urutan kedua;
4. Model-model regresi (regression models), suatu teknik lanjutan dari analisis regresi
linear dimana bobot regresi dibatasi agar menjadi sama satu dengan lainnya, atau
dilakukan spesifikasi pada nilai-nilai numeriknya;
5. Model-model struktur covariance (covariance structure models), yang mana model
tersebut menghipotesakan bahwa matrix covariance mempunyai bentuk tertentu.
Sebagai contoh, kita dapat menguji hipotesis yang menyusun semua variabel yang
mempunyai varian yang sama dengan menggunakan prosedur yang sama;
6. Model struktur korelasi (correlation structure models), yang mana model tersebut
menghipotesakan bahwa matrix korelasi mempunyai bentuk tertentu. Contoh klasik
adalah hipotesis yang menyebutkan bahwa matrix korelasi
mempunyai struktur circumplex.
Berbagai jenis model dalam SEM sudah termasuk dalam kategori di atas.
1. Pendekatan penegasan saja (strictly confirmatory approach): artinya suatu model diuji
dengan menggunakan uji keselarasan SEM (goodness-of-fit tests) untuk menentukan
jika pola varians dan kovarians dalam suatu data bersifat konsisten dengan model
jalur struktural yang dibuat secara spesifik oleh peneliti. Sekalipun demikian pada saat
model-model lain yang tidak teramati dapat sesuai dengan datanya atau bahkan lebih
baik, maka model yang diterima model yang diterima hanya berupa model penegasan
saja.
2. Pendekatan model-model alternatif (alternative models approach): maksudnya
peneliti dapat melakukan pengujian dua atau lebih model-model sebab akibat untuk
menentukan model mana yang paling cocok. Ada banyak pengukuran keselarasan
yang mencerminkan pertimbangan-pertimbangan yang berbeda dan biasanya peneliti
melaporkan 3 atau 4 saja.
3. Pendekatan pengembangan model (model development approach): Dalam praktiknya,
banyak penelitian yang menggunakan SEM menggabungkan antara tujuan-tujuan
yang bersifat konfirmatori dan eksploratori, yaitu suatu model diuji dengan
menggunakan prosedur-prosedur SEM, karena merasa tidak cukup efisien, maka
suatu model alternatif kemudian diuji didasarkan pada perubahan-
perubahan sebagaimana disarankan dalam indeks-indeks modifikasi SEM. Masalah
dengan pendekatan ini ialah bahwa model model yang ditegaskan dengan
menggunakan cara seperti bisa tidak stabil atau tidak akan cocok dengan data yang
baru karena sudah di buat didasarkan pada keunikan seperangkat data awal. Untuk
mengatasi hal ini, peneliti dapat menggunakan strategi validasi silang dimana model
dikembangkan dengan sampel data kalibrasi dan kemudian dikonfirmasi dengan
menggunakan sampel validasi yang independen.
Dengan mengabaikan pendekatan apapun yang digunakan, SEM tidak dapat secara
otomatis menggambar panah-panah sebab akibat dalam model model tersebut
atau menyelesaikan ambiguitas sebab akibat Oleh karena itu, pengertian secara
teoritis dan penilaian yang dilakukan oleh peneliti tetap menjadi satu faktor yang
paling penting.
1.2. Asumsi
Jika suatu model disebut underidentified atau baru saja diidentifikasi, maka
peneliti harus melakukan salah satu atau beberapa langkah-langkah sebagai
berikut:
1. Nyatakan secara tegas bahwa beberapa variabel berkaitan antara satu dengan yang
lainnya dengan menggunakan diagram jalur.
2. Teliti melalui beberapa aturan internal yang kompleks implikasi-implikasi apa saja
dalam kaitannya degan varian varian dan kovarian-kovariannya beberapa variabel
tersebut.
3. Ujilah apakah semua varian dan kovarian cocok dengan modelnya.
4. Laporkan hasil-hasil pengujian statistik, dan juga estimasi-estimasi parameter
serta kesalahan-kesalahan standard untuk semua koefisen numerik yang ada dalam
persamaan linear.
5. Berdasarkan semua informasi di atas, peneliti memutuskan apakah model
nampak sesuai dengan data yang dipunyai atau tidak.
Terdapat beberapa hal yang penting dan sangat mendasar untuk melakukan proses
ini, yaitu:
Kedua, kita harus ingat adalah sesuatu yang tidak masuk akal jika
peneliti mengharapkan model struktural sesuai secara
sempurna. Suatu model struktural dengan hubungan-hubungan linear
hanya dapat mendekati kesesuaian. Karena dalam kenyataan sehari
hari dunia ini tidak linear. Oleh karena itu sebenarnya hubungan-
hubungan antar variabel mungkin tidak linear juga. Sehingga asumsi-
asumsi pertanyaannya seharusnya tidak seperti ini: "Apakah model
yang dibuat cocok benar?" melainkan sebagai berikut: "Apakah
model cukup sesuai mendekati kenyataan dan memberikan
keterangan yang masuk akal terhadap kecenderungan data yang
dimiliki?
Ketiga, peneliti harus ingat bahwa hanya karena model sudah sesuai dengan
data maka secara otomatis model tersebut benar. Oleh karena itu, peneliti
dapat menyatakan jika suatu model sebab akibat itu benar, maka akan sesuai
degan data yang ada. Akan tetapi model yang sesuai dengan data tidak secara
langsung berarti model tersebut benar, karena akan ada model lain juga yang
akan sesuai dengan data.
Metrik. Dalam SEM, masing-masing variabel laten yang tidak terobservasi harus
dikenakan secara eksplisit suatu metrik, yang merupakan skala pengukuran. Hak ini
biasanya dilakukan dengan cara membatasi salah satu jalur dari variabel laten yang
menuju kearah salah satu dari variabel-variabel indikatornya, sebagaimana saat
memberikan nilai 1 untuk jalur tersebut. Dengan diberikannya batasan tersebut, jalur-
jalur berikutnya dapat diestimasi. Indikator yang dipilih untuk dibatasi menjadi 1
adalah butir referensi (reference item).
Kesalahan dan faktor gangguan (error and disturbance terms). Kesalahan atau error
term menunjuk pada faktor kesalahan pengukuran yang dikaitkan dengan indikator
yang diberikan. Dimana model-model regresi secara implisit diasumsikan mempunyai
kesalahan pengukuran sebesar 0. Faktor-faktor kesalahan secara eksplisit dibuat
modelnya dalam SEM dan sebagai hasil dari koefesien-koefesien jalur yang dibuat
model dalam SEM. Perlu diingat bahwa faktor-faktor kesalahan pengukuran tidak
boleh disamakan dengan faktor-faktor kesalahan residual (residual error terms), yang
juga disebut sebagai faktor-faktor gangguan (disturbance terms), yang merefleksikan
varian yang tidak dapat diterangkan dalam variabel variabel laten endogenous
variable disebabkan oleh beberapa penyebab yang tidak diukur.
Faktor-faktor kesalahan yang berkorelasi (correlated error terms) mengacu pada
situasi dimana pengetahuan tentang residu satu indikator akan membantu dalam
mengetahui residu yang dihubungkan dengan indikator yang lain. Faktor-faktor
kesalahan yang tidak berkorelasi (uncorrelated error terms) merupakan suatu asumsi
regresi, dimana faktor-faktor kesalahan korelasi dapat atau sebaiknya harus secara
eksplisit dibuat model dalam SEM. Maksudnya, dalam regresi peneliti membuat
model variabel-variabel, sedang dalam SEM peneliti harus membuat model
kesalahan serta variabel variabel yang bersangkutan.
Koefesien struktural atau jalur merupakan besarnya efek yang dihitung dengan
menggunakan program estimasi model.
1. Tipe-tipe estimasi koefisien - koefesien dalam SEM. Koefesien-koefesien
struktural dalam SEM dapat dihitung dengan berbagai cara. Biasanya, peneliti
akan mendapatkan estimasi yang mirip dengan setiap metode yang digunakan.
Metode tersebut diantaranya ialah:
Estimasi kesamaan maksimum (Maximum likelihood
estimation (MLE)) yang merupakan metode yang paling umum. MLE
membuat estimasi didasarkan pada tindakan memaksimalkan
probabilitas (likelihood) bahwa kovarian-kovarian yang diobservasi
ditarik dari suatu populasi yang diasumsikan sama seperti yang
direfleksikan dalam estimasi-estimasi koefisien. Artinya, MLE
mengambil estimasi-estimasi yang mempunyai kesempatan terbesar
untuk mereproduksi data yang diobservasi.
Metode estimasi lainnya memang ada dan mungkin dapat cocok dalam
situasi-situasi tertentu, diantaranya, yaitu GLS (generalized least
squares) yang merupakan metode kedua yang paling populer setelah
MLE. GLS dapat bekerja dengan baik untuk sampel besar, misalnya
diatas 2500 (n>2500).
2. Koefesien-koefesien struktural (jalur) yang sudah
distandarisasi (Standardized structural (path) coefficients). Estimasi
koefesien struktutral yang distandarisasi didasarkan pada data yang sudah
distandarisasi yang mencakup matriks-matriks korelasi. Estimasi yang sudah
distandarisasi digunakan untuk pada saat membandingkan efek-efek langsung
terhadap satu variabel endogenous yang diberikan dalam suatu studi
kelompok tunggal, yaitu sebagaimana dalam regresi OLS. Pembobotan yang
sudah distandarisasi (the standardized weights) digunakan untuk
membandingkan tingkat kepentingan relatif dari variabel-variabel bebas.
Penafsirannya sama dengan regresi, yaitu jika suatu koefesien struktural yang
sudah distandarisasi adalah sebesar 2.0, maka variabel laten tergantung akan
meningkat menjadi sebesar 2.0 unit unit standard untuk masing-masing unit
meningkat dalam variabel laten bebas .
3. Rasio Kritis dan signifikansi koefesien-koefesien jalur (The Critical Ratio
(CR) and significance of path coefficients). Pada saat besarnya rasio
krisis (CR) > 1.96 untuk pembobotan regresi (regression weight), dan jalur
signifikan pada level 0,05.
4. Rasio krisis dan signifikansi kovarian-kovarian faktor (The Critical Ratio
and the significance of factor covariances). Signifikansi kovarian-kovarian
yang diestimasi diantara variabel-variabel laten dinilai dengan cara yang sama,
yaitu jika mereka mempunyai CR > 1.96, maka merka signifikan.
5. Koefesien-koefesien struktural (jalur) yang tidak
distandarisasi (Unstandardized structural (path) coefficients). Estimasi-
estimasi yang tidak distandarisasi didasarkan pada data mentah atau matriks-
matriks kovarian. Pada saat sedang membandingkan kelompok-kelompok,
maka indikator-indikator dapat mempunyai varian-varian yang berbeda,
seperti juga pada variabel-variabel laten, faktor-faktor kesalahan pengukuran
(measurement error terms), dan faktor-faktor gangguan (disturbance terms).
Jika kelompok-kelompok mempunyai varian-varian yang berbeda, maka
perbandingan yang tidak distandarisasi akan lebih disukai. Untuk estimasi-
estimasi yang tidak distandarisasi, koefesien-koefesien yang sama mempunyai
makna efek-efek absolut yang sama terhadap y. Sedang estimasi-estimasi yang
distandarisai, koefesien-koefesien yang sama mempunyai makna efek-efek
yang sama terhadap y relatif terhadap perbedaan-perbedaan dalam rata-rata
dan varian.
Muatan (Loadings): Variabel-variabel laten dalam SEM sama dengan faktor-faktor
dalam analisis faktor, dan variabel-variabel indikator juga mempunyai muatan
(loadings) pada variabel-variabel laten masing-masing. Seperti dalam analisis faktor,
muatan-muatan tersebut dapat digunakan untuk memahami makna dari faktor-faktor
atau variabel-variabel laten. Jumlah muatan yang dikuadratkan untuk semua indikator
sama dengan korelasi jamak yang dikuadratkan untuk variabel-variabel laten Y atau
X. Muatan juga digunakan untuk menilai reliabilitas variabel-variabel laten
sebagaimana diterangkan di bagian berikut ini:
Suatu model dengan indikator-indikator yang lebih sedikit untuk setiap satu
faktor akan mempunyai penampakan kecocokan yang tinggi daripada
sebuah model dengan lebih banyak indikator untuk setiap faktornya.
Tahap pertama berkaitan dengan landasan teori yang akan digunakan sebagai
pengesahan model yang dibuat oleh peneliti. Dengan kata lain, teori yang
digunakan akan berfungsi sebagai justifikasi model yang akan dikembangkan. Jika
tidak ada teori yang sesuai, maka kemungkinan besar model yang dibuat akan
salah. SEM pada hakikatnya tidak ditujukan untuk membuat hubungan kausalitas,
tetapi digunakan sebagai pembenaran adanya hubungan kausalitas secara empiris
dengan menggunakan data yang diobservasi.
sumber: Wheaton, B., Muthn, B., Alwin, D., and Summers, G., (1977)
Anak panah anak panah tunggal mewakili dampak sebab akibat dari satu variabel
terhadap variabel lainnya, dengan kepala anak panah menunjuk kearah variabel
yang sedang dipengaruhi oleh variabel kedua. Sebagai contoh, variabel
alienation71 mempengaruhi atau menimbulkan tanggapan terhadap butir-butir
survei yang tercakup dalam variabel anomia71 yang diukur.Tidak ada pengukuran
manifest terhadap variabel-variabel alienation, powerlessness, ataupun konstruk
laten yang lain yang benar secara sempurna, kemungkinan selalu ada kesalahan
pengukuran yang harus dipertimbangkan. Kesalahan pengukuran untuk masing-
masing variabel diwakili dengan anak panah anak panah tunggal yang menuju
kearah variabel, tetapi tidak dengan variabel yang berhubungan pada ujung lain
anak panah menimbulkan pengaruh sebab akibat..
Anak panah anak panah dengan dua arah menunjuk pada hubungan-hubungan
korelasi tunggal dan jamak. Dalam kasus di atas, misalnya ialah hubungan antara
kesalahan-kesalahan pada variabel anomia67 dan variabel anomia71; tidak ada
pernyataan mengenai adanya hubungan sebab dan akibat yang terjadi. Yang ada
hanya suatu hubungan yang didiskusikan. Variabel-variabel yang berada pada
bagian atas atau kiri dalam model tersebut dan yang menyebabkan dampak sebab
akibat terhadap variabel-variabel lainnya disebut
variabel exogenous atau variabel upstream. Sebaliknya variabel-variabel yang
dipengaruhi oleh variabel-variabel lain disebut sebagai endogenous atau variabel-
variabel downstream.
Tahap keempat peneliti menentukan bentuk masukan data yang akan digunakan
untuk membuat model dan estimasinya. Dalam SEM data yang akan dimasukkan
untuk diolah hanya matrik varian / kovarian atau disebut juga matriks korelasi
sebagai data untuk pembuatan model dan estimasi yang akan dikembangkan.
Dikarenakan fokus SEM bukan pada data individual hasil observasi, maka setiap
data individual hasil observasi yang dimasukkan kedalam program akan diubah
dalam bentuk matriks kovarian atau matriks korelasi terlebih dahulu baru
kemudian dilakukan estimasi. Penekanan SEM ialah pola hubungan antar
responden.
Setelah memenuhi semua krietria SEM di atas, maka peneliti menentukan kriteria
untuk melakukan evaluasi model, yaitu:
1. Uji kesesuaian model (model fit) dan uji statistik yang dalam SEM tidak ada
alat uji statistik tunggal untuk mengukur ataupun menguji hipotesis model
yang dibuat, diantaranya:
Untuk pengujian model dilakukan dengan menggunakan Chi
Square dengan ketentuan semakin kecil nilai Chi Square, maka
semakin baik model yang dibuat.
Root Mean Square Error of Approximation (RMSEA) jika nilai
RMSEA sebesar 0.08 atau lebih kecil maka nilai tersebut
menunjukkan indeks untuk dapat diterimanya model yang dibuat.
Nilai indeks keselarasan (goodness of fit index) yang besarnya
berkisar dari 0 1. Jika nilai besarnya mendekati 0 maka model
mempunyai kecocokan yang rendah sedang nilai mendekati 1
maka model mempunyai kecocokan yang baik.
Nilai indeks keselarasan yang disesuaikan (Adjusted Goodness of
Fit Index (AGFI)) dengan ketentuan nilai AGFI sama dengan atau
lebih besar dari 0,9. Jika nilai lebih besar dari 0,9 maka model
mempunyai kesesuaian model keseluruhan yang baik.
Fungsi perbedaan sampel minimum (The minimum sample
discrepancy function (CMNF)) yang merupakan nilai statistik Chi
Square dibagi dengan nilai derajat kebebasan (degree of
freedom (df)) disebut juga Chi Square relatif dengan besaran nilai
kurang dari 0,2 dengan toleransi dibawah 0,3 yang merupakan
indikator diterimanya suatu kecocokan model dan data.
Indeks Tucker Lewis (Tucker Lewis Index (TLI)) dengan
ketentuan sebagai penerimaan sebuah model sebesar sama dengan
atau lebih besar dari 0,95. Jika nilai mendekati 1 maka model
tersebut menunjukkan kecocokan yang sangat tinggi.
Indeks Kecocokan Komparatif (Comparative Fit Index (CFI))
dengan nilai antara 0- 1 dengan ketentuan jika nilai mendekati
angka 1 maka model yand dibuat mempunyai kecocokan yang
sangat tinggi sedang jika nilai mendekati 0, maka model tidak
mempunyai kecocokan yang baik.
2. Uji Reliabilitas. Uji berikutnya ialah penilaian terhadap unidimensionalitas
dan reliabilitas. Yang pertama asumsi yang dipergunakan untuk menghitung
reliabilitas model yang menunjukkan adanya indikator-indikator yang
mempunyai derajat kesesuaian yang baik dalam satu model satu dimensi.
Reliabilitas merupakan ukuran konsistensi internal indikator-indikator suatu
konstruk yang menunjukkan derajat sejauh mana setiap indikator tersebut
menunjukkan sebuah konstruk laten yang umum. Reliabilitas berikutnya ialah
Varian Extracted dengan besar diatas atau sama dengan 0,5.
Dengan ketentuan nilai yang semakin tinggi menunjukkan bahwa indikator-
indikator sudah mewakili secara benar konstruk laten yang dikembangkan.
Tahap ketujuh peneliti melakukan interpretasi model yang sudah dibuat dan
mengubah model-model yang belum memenuhi persyaratan. Kesimpulannya ialah
model yang diestimasi mempunyai residual yang kecil atau mendekati nol serta
distribusi frekuensi kovarian matriksnya bersifat simetrik.
2. IdentifikasiModelmenyangkutapakahnilaiunikuntukmasingmasingdan
setiapparameterbebasdapatdiperolehdaridatayangdiobservasi.Semuaitu
tergantungpadapilihanmodelsertaspesifikasiparameterparametertetapdan
dibatasi serta parameter parameter bebas. Suatu parameter dibatasi ketika
parametertersebutdibuatsamadenganparameterlain.Modelmodelharusdi
identifikasisecaramenyeluruh(overidentified)supayadapatdiestimasiserta
untukmelakukanpengujianhipotesismenyangkuthubunganantarvariabel.
Kondisiyangdiwajibkanuntukmelakukanoveridentificationaddalahbahwa
poinpoindata(jumlahvarian dan kovarian) kurang dari jumlah variabel
yangdiobservasidalammodel.
Model dalam contoh ini diambil dari tulisan Dr. Abbas Ghozali
(2001)dengankasusmenganalisis hubungan antara kepuasan kerja
dengan kinerja studi di sebuah perusahaan. Secara lebih detil
variabel-variabel yang akan dianalisis ialah pengaruh achievement
motivation, task-specific self esteem, dan verbal
intelligence terhadap job satisfcation dan performance.
Variabel achievement motivation ( 1) dihipotesiskan dibentuk
Model dalam bentuk diagram jalur yang mencerminkan hubungan antar variabel
dapat dilihat di bawah ini.
Gambar
SEM tentang hubungan antara variabel kepuasan kerja dan kinerja
Sumber: Ghozali (2001)
Dengan mengacu pada model diatas, maka persamaan-persamaan
menjadi:
Bagian pertama, persamaan model jalur
3. EstimasiDalamtahapini,nilaiparameterparameterawalyangbebasdipilih
untuk memunculkan matriks kovarian populasi yang diestimasi,(),
darimodel tersebut. Nilai awal dapat dipilih oleh peneliti dari informasi
sebelumnya dengan menggunakan programprogramkomputer yang
digunakanuntukmembangunmodeldalamSEM,ataudarianalisisregresi
jamak.Tujuanestimasiialahuntukmenghasilkan()yangberkonvergensi
pada matriks kovarian populasi yang diobservasi,S,dengan matriksresidu
(perbedaan()danS) dapat diperkecil. Berbagai metode dapat digunakan
untuk menghasilkan(). Pilihanmetode dituntun dengan karakteristik
karakteristik data termasuk ukuransampel dan distribusi. Sebagian besar
prosesdigunakansecaraiteratif.Bentukumumdarifungsiminimasiialah:
Q=(s())W(s())
dimana,
s=vektorberisivariandankovarianvariabelvariabelyangdiobservasi
()=vektorberisivariandankovarianyangberkorespondensi
sebagaimanadiprediksidenganmodeltersebut
W=matrikspembobotan
GeneralizedLeastSquares(GLS)
FGLS=tr[([S()]W1)2]
dimana,
tr=traceoperator,mengambilsejumlahelementpadadiagonal
pokoksuatumatriks
W1=optimalweightmatrix,harusdipiliholehpeneliti,bentuk
pilihanumumialahS1
MaximumLikelihood(ML)
FML=log||log|S|+tr(S 1)p
Dalamhalini,W= 1danp=jumlahvariabelyangdiukur
AsymptoticallyDistributionFree(ADF)Estimator
FADF=[S()]W1[S()]
W,dalamfungsiini,berisielemenelemenyangmepertimbangkan
kurtosis.