1. a.

Global Test (Goodness of fit test)

Pada penyelesaian penyesuaian kuadrat terkecil, signifikansi dari variansii referensi yang
dikomputasi, 𝑆0 2 , dapat diperiksa secara statistik. Pemeriksaan ini sering disebut sebagai
goodness of fit test karena perhitungan S02 didasarkan pada ∑ 𝑣 2 . Yaitu, ketika residu menjadi
lebih besar, maka variansii referensi yang dihitung juga akan menjadi semakin besar, dengan
demikian model yang dihitung akan menyimpang dari nilai-nilai yang diamati. Namun, ukuran
residu bukan satu-satunya faktor yang berkontribusi terhadap ukuran variansii referensi dalam
pembobotan. Model stokastik juga berperan dalam ukuran nilai ini. Jadi, ketika uji X2
menunjukkan bahwa hipotesis nol harus ditolak, maka ada indikasi bahwa terjadi kesalahan
dalam data atau keputusan yang salah oleh operator dalam memilih model stokastik untuk
adjustment.

Dalam uji ini, lulus atau gagal dalam tes bukanlah indikator yang baik dari kualitas data
atau adanya kesalahan. Uji ini juga tidak mengungkapkan masalah yang pasti dalam data ketika
tes gagal. Tes X2 harus dilihat sebagai penanda untuk penyesuaian yang memerlukan analisis
lebih lanjut dan bukan indikator masalah dengan data. Analisis Persamaan :

𝑉 𝑇 𝑊𝑉
𝑆0 = √
𝑟

menunjukkan bahwa tes akan gagal jika residu terlalu besar atau terlalu kecil dibandingkan
dengan bobot pengamatan. Sebagai contoh, pengamatan dengan residu kecil harus memiliki
bobot tinggi dan residu besar harus memiliki bobot rendah. Jika residu cenderung lebih kecil
dari deviasi standar a priori, variansi referensi yang dihasilkan mungkin akan kurang dari satu,
ini adalah contoh dari model stokastik yang salah. Jika residu cenderung lebih besar dari
deviasi standar a priori, variansi referensi akan lebih besar dari satu dan uji X2 akan gagal di
batas atas distribusi.

Pengamat sering melihat uji ini sebagai indikator dari masalah yang mungkin
terjadi. Jika uji goodness-of-fit gagal karena variansi referensi yang dikomputasi terlalu kecil,
hasil tes sering diabaikan karena tidak mengubah koordinat yang disesuaikan secara signifikan.
Dalam hal ini, beberapa pengamat akan mengatakan bahwa penyesuaian gagal dalam tes ini di
sisi "baik". Artinya, varian referensi terlalu kecil karena residu terlalu kecil. Namun, jika
variansi referensi yang dihitung lebih besar dari satu, hasilnya harus dianalisis untuk
kemungkinan kesalahan dalam pengamatan. Setelah kesalahan yang dapat diidentifikasi, telah
dihilangkan dari set data, model stokastik mungkin masih menunjukkan masalah. Dalam hal
ini, jika variansi referensi yang dihitung lebih besar dari satu, estimasi standar deviasi untuk
pengamatan harus ditingkatkan.

Misalkan semua deviasi standar a priori dikurangi oleh faktor skala tunggal, hasil
penyesuaiannya akan sama. Yaitu, jika deviasi standar a priori untuk semua pengamatan telah
dipotong setengah, ini akan menghasilkan meningkatkan semua bobot dengan faktor empat.
Karena bobot relatif, melakukan pengurangan skalar dalam standar deviasi tidak mengubah
penyesuaian. Contoh ini menunjukkan pentingnya memilih penyimpangan standar a priori
yang sesuai untuk pengamatan. Estimasi standar deviasi untuk pengamatan tidak dapat dipilih
dari relung pikiran seseorang. Melakukan ini tidak hanya mempengaruhi bagaimana kesalahan
dalam pengamatan didistribusikan, tetapi juga bagaimana hasil penyesuaian dianalisis.
Estimasi kesalahan pemasangan yang baik biasanya akan menghasilkan model stokastik yang
baik. Namun, penyesuaian jaringan vektor garis dasar mendapatkan model stokastik dari
pengurangan kuadrat terkecil dari setiap garis dasar.

b. Local Test (Outlier detection)

 Detection of Outliers in Observations: Data Snooping

𝑣𝑖
𝑣̅𝑖 =
√𝑞𝑖𝑖

Jika residu berbeda secara signifikan dari nol, pengamatan yang digunakan untuk
memperoleh statistik dianggap sebagai kesalahan besar.
𝑣𝑖 𝑣𝑖 𝑣̅𝑖
𝑡𝑖 = = =
𝑆0 √𝑞𝑖𝑖 𝑆𝑣 𝑆0

Uji statistik untuk tes hipotesis ini adalah kriteria penolakan yang dikomputasi Baarda
untuk berbagai tingkat signifikansi, menentukan tingkat α dan β untuk kesalahan Tipe I dan
Tipe II. Ketika kesalahan hadir dalam kumpulan data, distribusi t bergeser, dan uji statistik
untuk pergeseran ini dapat dilakukan. Seperti halnya uji statistik apa pun, dua jenis kesalahan
dapat terjadi. Kesalahan Tipe I terjadi ketika data ditolak yang tidak mengandung kesalahan,
dan kesalahan Tipe II terjadi ketika kesalahan tidak terdeteksi dalam kumpulan data di mana
ada yang benar-benar ada. Kriteria penolakan dapat dilihat tingkat signifikansi yang sesuai
ditunjukkan pada tabel.

 Detection of Outliers in Observations: The Tau Criterion

𝑡𝛼 √𝑟
2
,𝑟−1 |𝑣̅𝑖 |
𝜏𝛼/2 = 2
> 𝜏𝛼/2
𝑆0
√𝑟−1+ 𝑡𝛼,𝑟−1
2

Prosedur untuk menghilangkan kesalahan menggunakan statistik τ sama dengan yang

digunakan dalam pengintaian data. Yaitu, pengamatan dengan residu terstandarisasi terbesar,
yang dideteksi sebagai kesalahan, dihapus dari kumpulan data dan penyesuaian dijalankan
kembali. Prosedur ini dilanjutkan, menghapus satu pengamatan pada satu waktu sampai tidak
ada pengamatan yang terdeteksi sebagai kesalahan. Kemudian pengamatan yang ditolak
dimasukkan kembali ke penyesuaian satu per satu untuk menentukan apakah mereka kembali
terdeteksi sebagai kesalahan besar. Setiap pengamatan yang dideteksi sebagai kesalahan kedua
kalinya dibuang sebagai kesalahan. Meskipun pengintai data dan kriteria τ secara teori berbeda,
mereka telah ditunjukkan dalam praktik untuk menghasilkan hasil yang sama.