https://www.smartpls.

com/documentation/algorithms-and-techniques/bootstrapping

Inggris Indonesia

Bergabunglah dengan kami di Facebook

Bootstrap
Abstrak
Bootstrapping adalah prosedur nonparametrik yang
memungkinkan pengujian signifikansi statistik dari berbagai
hasil PLS-SEM seperti koefisien jalur, nilai Cronbach's alpha,
HTMT, dan R².

Deskripsi singkat
PLS-SEM tidak mengasumsikan bahwa data terdistribusi
secara normal, yang menyiratkan bahwa uji signifikansi
parametrik (misalnya, seperti yang digunakan dalam analisis
regresi) tidak dapat diterapkan untuk menguji apakah
koefisien seperti bobot luar, beban luar dan koefisien jalur
signifikan. Sebaliknya, PLS-SEM bergantung pada prosedur
bootstrap nonparametrik (Efron dan Tibshirani, 1986; Davison
dan Hinkley, 1997) untuk menguji signifikansi estimasi
koefisien jalur di PLS-SEM.

Dalam bootstrap, subsampel dibuat dengan pengamatan

yang diambil secara acak dari set data asli (dengan
i ) S b li ik di di k k
 penggantian). Subsampel ini kemudian digunakan untuk
https://www.smartpls.com/documentation/algorithms-and-techniques/bootstrapping
memperkirakan model jalur PLS. Proses ini diulang sampai
sejumlah besar sampel acak telah dibuat, biasanya sekitar
Inggris Indonesia
5.000.
Estimasi parameter (misalnya, bobot luar, beban luar, dan
koefisien jalur) yang diperkirakan dari sub-sampel digunakan
untuk mendapatkan kesalahan standar untuk estimasi.
Dengan informasi ini, nilai-t dihitung untuk menilai signifikansi
setiap estimasi.

Hair et al. (2017) menjelaskan bootstrap lebih terinci.

Pengaturan Bootstrap di
SmartPLS
Subsamples
Dalam bootstrap, subsampel dibuat dengan pengamatan
yang diambil secara acak dari set data asli (dengan
penggantian). Untuk memastikan stabilitas hasil, jumlah
sampel harus besar.

Untuk penilaian awal, seseorang mungkin ingin memilih

jumlah subsampel bootstrap yang lebih kecil (misalnya, 500)
untuk digambar secara acak dan diperkirakan dengan
algoritma PLS-SEM, karena itu membutuhkan waktu lebih
sedikit. Untuk persiapan hasil akhir, bagaimanapun,
seseorang harus menggunakan sejumlah besar subsampel
bootstrap (mis. 5.000).

Catatan: Jumlah subsampel bootstrap yang lebih besar

meningkatkan waktu komputasi.

Lakukan Pemrosesan Paralel

Jika dipilih, algoritma bootstrap akan dilakukan pada banyak
prosesor (jika komputer Anda menawarkan lebih dari satu
inti). Karena setiap subsampel dapat dihitung secara
individual, subsampel dapat dihitung dalam mode paralel.
Menggunakan komputasi paralel akan mengurangi waktu
komputasi.

Masuk Perubahan
 Mengatur metode untuk berurusan dengan perubahan tanda
https://www.smartpls.com/documentation/algorithms-and-techniques/bootstrapping
selama iterasi bootstrap. Versi sebelumnya memungkinkan
Inggris
pengguna untuk memilih antara "tidak ada perubahan tanda",
Indonesia

"konstruk perubahan level", dan "perubahan tanda individual".

Opsi ini tidak tersedia di SmartPLS 3.2.8 (dan yang lebih baru)
dan perangkat lunak secara otomatis menjalankan opsi "no
sign change option" yang direkomendasikan.

(1) Tidak Ada Perubahan Masuk (default) ->

secara otomatis digunakan di SmartPLS 3.2.8
(dan lebih baru)

Menandatangani perubahan pada sampel akan diabaikan dan

perkiraan sampel diambil sebagaimana adanya. Ini adalah
metode estimasi yang paling konservatif, tetapi menghasilkan
kesalahan standar yang lebih besar dan, akibatnya, rasio-t
yang lebih rendah. Ini adalah opsi yang disarankan dan satu-
satunya pilihan yang dijalankan oleh SmartPLS 3.2.8 (dan
yang lebih baru).

(2) Buat Perubahan Level -> tidak didukung oleh

SmartPLS 3.2.8 (dan lebih baru)

Tanda-tanda sekelompok koefisien (misalnya, semua

pemuatan luar variabel laten tertentu) dalam subsampel
bootstrap dibandingkan dengan tanda-tanda estimasi model
jalur PLS asli. Jika sebagian besar tanda perlu dibalik dalam
proses bootstrap agar sesuai dengan tanda-tanda estimasi
model menggunakan sampel asli, semua tanda dibalik dalam
menjalankan bootstrap itu. Kalau tidak, tidak ada tanda yang
berubah.

(3) Perubahan Individual -> tidak didukung oleh

SmartPLS 3.2.8 (dan lebih baru)

Opsi ini membalikkan tanda jika perkiraan untuk sampel

bootstrap menghasilkan tanda yang berbeda dibandingkan
dengan yang dihasilkan dari sampel asli. Dengan demikian,
tanda-tanda dalam model pengukuran dan struktural dari
setiap sampel bootstrap dibuat konsisten dengan tanda-
tanda dalam sampel asli.
 Jenis Tes
https://www.smartpls.com/documentation/algorithms-and-techniques/bootstrapping

Inggris Indonesia

Menentukan jika uji signifikansi satu sisi atau dua sisi

dilakukan.

Tingkat Signifikansi

Menentukan tingkat signifikansi statistik uji.

Metode Interval Keyakinan

Mengatur metode bootstrap yang digunakan untuk

memperkirakan interval kepercayaan nonparametrik.
Prosedur bootstrap berikut tersedia (lihat bootstrap @
wikipedia.org):

1. Bootstrap Persentil
2. Bootstrap yang telah di pelajarisasi
3. Bootstrap Bias-Dikoreksi dan Dipercepat (BCa) (default)
4. Bootstrap Ganda Davision Hinkley
5. Double Bootstrap Shi

Sebagai standar kami sarankan untuk menggunakan "Bias-

Corrected and Accelerated (BCa) Bootstrap" karena ini adalah
metode paling stabil yang tidak memerlukan waktu
komputasi yang berlebihan.

PERHATIAN: Prosedur Double Bootstrap membutuhkan waktu

komputasi yang lebih banyak daripada Bootstrapp standar
karena masing-masing sampel ulang akan di-resample lagi.
Oleh karena itu, perhitungan yang membutuhkan 100 detik
untuk Bootstrap standar akan membutuhkan sekitar 1.000
detik untuk Double Bootstrap karena mereka menghitung
jumlah subsampel * jumlah subsampel model jalur PLS.

Tautan
Mediasi
Bootstrap yang Konsisten
Analisis Multigroup (MGA)

R f i
 Referensi
https://www.smartpls.com/documentation/algorithms-and-techniques/bootstrapping

Inggris Indonesia

Hair, JF, Hult, GTM, Ringle, CM, dan Sarstedt, M. (2017). A

Primer pada Partial Least Squares Structural Equation
Modelling (PLS-SEM) , 2 ^ nd ^ Ed., Sage: Thousand Oaks.

Davison, AC, dan Hinkley, DV (1997). Metode Bootstrap

dan Penerapannya , Cambridge University Press:
Cambridge.

Efron, B., dan Tibshirani, RJ (1993). Pengantar Bootstrap ,

Chapman Hall: New York.

Tautan ke Lebih Banyak Sastra

© SmartPLS GmbH 2014 - 2019

Dikembangkan dengan oleh SmartPLS GmbH.

Nawala Jejak Ketentuan Penggunaan Pribadi

Kembali ke atas