Partial Least Square

Partial Least Square (PLS) adalah suatu metode yang berbasis keluarga regresi yang dikenalkan oleh Herman O.A Wold untuk penciptaan dan pembangunan model dan metode untuk ilmu-ilmu sosial dengan pendekatan yang berorientasi pada prediksi. PLS memiliki asumsi data penelitian bebas distribusi (Distribution-Free), artinya data penelitian tidak mengacuh pada salah satu distribusi tertentu (misalnya distribusi normal). PLS merupakan metode alternatif dari Structural Equation Modeling (SEM) yang dapat digunakan untuk mengatasi permasalahan hubungan diantara variabel yang kompleks namun ukuran sampel datanya kecil (30 sampai 100), mengingat SEM memiliki ukuran sampel data minimal 100 (Hair et.al., 2010).

Uji Asumsi Klasik Regresi Linear

Pada penulisan tentang Regresi Linear ini, penulis akan memberikan bahasan mengenai Uji Asumsi Klasik kepada para pembaca untuk memberikan pemahaman dan solusi dalam mengantisipasi asumsi yang diberikan. Pengujian Asumsi Klasik merupakan pengujian asumsi-asumsi statistik yang harus dipenuhi pada analisis regresi linear berganda yang berbasis ordinary least square (OLS). Ketika asumsi tidak terpenuhi, biasanya peneliti menggunakan berbagai solusi agar asumsinya dapat terpenuhi, atau beralih ke metode yang lebih advance agar asumsinya dapat terselesaikan. Pada penulisan ini, Asumsi Klasik yang akan diberikan adalah Multikolinearitas, Autokorelasi, Heteroskedatisitas, dan Normalitas.

Distribusi Sampling I

Pada penulisan Ketujuh tentang Statistika Elementer ini, penulis akan memberikan bahasan mengenai Distribusi Sampling bagian pertama kepada para pembaca untuk menambah pengetahuan dan pemahaman mengenai Distribusi Sampling yang menjadi fokus penting dalam kuantitas dari sampel mean untuk bahasan materi selanjutnya, yaitu Estimasi Interval Parameter dan Pengujian Hipotesis. Pada bahasan ini, Distribusi Sampling yang diberikan adalah Distribusi Sampling Mean dan Distribusi Sampling Selisih Dua Mean.