Karena nilai signifikansi dari estimasi model PLS tidak dapat diketahui, maka harus melalui prosedur penyampelan ulang atau resampling. Umumnya terdapat dua metode yang digunakan oleh peneliti dengan menggunakan metode SEM untuk melakukan proses penyampelan kembali (resampling) yaitu bootstraping dan jackknifing.
1. Metode Jackknifing
Menurut Mosteller san turkey (1977) menjelaskan bahwa metode jackkniffing sebagai berikut :
"The name 'jackknife' is intended to suggest the broa usefulness of technique as a substitute for specialized tools that may not be avaible, just as the boy. Scout's trusty tool serve to variedly...The basic idea is assess the effect of each of the groups into witch the data have been devided, not by the result for that group alone,... but rather through the effect upon the body of data that results from omitting the group"
Jadi metode jackniffing menggunakan subsample dari sampel asli yang dikelompokan ke dalam grup untuk melakukan resampling kembali. Metode jackniffing pertama kali dikembangkan oleh Quenoulle di tahun 1949 kemudian dipopulerkan oleh Turkey ditahun 1958 yang digunakan untuk menguji stabiltas estimasi dan bias dari estimasi yang dibandingkan dengan menguji hipotesis atau estimasi variance yang kemudian menyatakan bahwa metode jackniffing melakukan resampling tanpa replacement, yang mana distribusi sampling dihasilkan data data tunggal. Metode ini akan menghasilkan nilai yang stabil jika jumlah original sampel kurang dari 100 dan data mengandung outlier.
2. Metode Bootstraping
Menurut Diaconis dan Efron (1983) menjelaskan bahwa metode bootstraping sebagai berikut :
"The bootstrap procedure is a means of estimating the statistical accuracy... from the data in single sample. the idea is to mimic the process of the selecting many samples...in order to find the probability that the values of their (test statistic) fall whithin various intervals. The samples are generated from the data in the original sample... The data... are then selected at random and the (test statistic) is calculated for each sample... The distribution of the (the statistic) for the bootstrap sample can be treated as if it were a distribution constructed from real sample"
Metode bootstraping menggunakan seluruh sampel asli untuk kemudian dilakukan resampling kembali dan metode ini sering digunakan dalam model persamaan struktural. Metode bootstraping dikembangkan ini sebagai alternatif resampling bias yang ditimbulkan oleh metode jackkniffing. Metode bootstraping melakukan pensampelan ulang dengan replacement untuk membuat sampel baru secara acak yang diambil dari original sampel dengan jumlah yang lebih besar (ratusan bahkan ribuan). Hal ini terinspirasi dari kelemahan metode jacknife. Tujuan dari bootstrap pada saat itu untuk memecahkan dua masalah yaitu untuk mengestimasi standar approximastion seperti metode delta.
Pada program WarPLS 7.0 menyediakan dua metode resampling yang dapat dipilih oleh pengguna secara bebas mana yang akan digunakan. Seperti kita ketahui bahwa PLS hanya mampu mengestimasi besarnya koefisien regresi (beta) sedangkan signifikansi statistik ditaksir dengan metode bootstraping atau jackifing. Secara default program WarpPLS jumlah resampling sebesar 100, tetapi pengguna dapat mengganti jumlah sesuai dengan yang diinginkan (catatan : resample berbeda dengan jumlah sampel).
3. Metode Stable
Selain metode bootstraping dan jackknifing, pada program WarpPLS 7.0 juga ditambahkan dua metode yaitu stable dan parametric. Stable merupakan default resampling pada program WarpPLS. Ada 3 pilihan metode stable yaitu stable 1, stable 2 dan stable 3. Metode stable pertama kali sebenarnya sudah ada pada WarpPLS 4.0. Sedangkan pada stable 3 pada WapPLS 5.0. Pada metode ini akan menghitung p-value dari non linier fiting standar eror untuk empirikal standar eror yang dihasilkan dengan metode resampling yang lain yang tersedia. Metode stable digunakan untuk menghasilkan standar error dengan nilai relatif kecil sama dengan hasil yang "fair" (power > 0.8 dan false positif < 0.05) untuk sampel yang kecil dan data non normal.
Metode stable 2 dan stable 3 dikembangkan sebagai alternatif dari stable 1. Tidak seperti stable 1 yang mana mengandalkan perhitungan dari eksponensial smoothing dan lebih mudah dalam implementasi dan pengujian oleh peneliti. Stable 3 memiliki tingkat keakuratan yang lebih tinggi dibandingkan dengan stable1 dan stable 2.
4. Metode Parametric
Metode ini menghitung p-value menggunakan asumsi normalitas multivariat. Pilihan ini dapat digunakan untuk beberapa pengujian dalam PLS yang menggunakan asumsi normalitas data. Jumlah resample pada metode ini umumnya ditentukan secara default (100 sampel) sehingga pengguna tidak dapat mengaturnya. Sehingga penggunaaan metode ini cocok digunakan untuk menganalisis data dalam jumlah yang besar. Dengan asumsi jumlah data yang besar > 500 maka dibutuhkan resample yang besar > 1000 seperti pada metode bootstraping (catatan : jumlah resample yang besar akan membuat program berjalan sangat lambat).
Baca juga :
1. Cara Seting Metode algorithm di WarpPLS
2. Pengenalan Aplikasi Warppls nonlinier
3. Peranan Mediator dalam Model PLS
Referensi :
Ghozali, I dan Latan, H. 2012. partial Least Squares "Konsep, Metode dan Aplikasi Menggunakan Program WarpPLS 4.0". Edisi 2. Semarang. Universitas Diponegoro.
Nec Kock. 2020. WarpPLS user manual 7.0. Texas. ScriptWarp System
