<![CDATA[Saat ini penggunaan analisis regresi , factor dan path analysis dalam analisis data survey maupun data mining menimbulkan banyak bias ketika dihadapkan dengan teori yangmendasarinya. Hal ini dikarenakan penggunakan teknik analisis tersebut tidak melibatkan error pengukuran dan laten variabel dalam model pengukuran maupun model strukturalnya. SEM berbasis covarians – selanjtunya disebut LISREL - mampu mengatasi berbagai macam bias tersebut karena menyertakan eror pengukuran, dan laten variabel, namun terkendala dengan asumsi yang harus dipenuhi seperti jumlah sampel harus besar, normalitas data dan kompleksitas model. Partial Least Square adalah solusi yang terbaik karena tidak memerlukan asumsiasumsi seperti dalam LISREL. Today, using Regression analysis, factor and path analysis in exploratory survey data and data mining cause many bias when confirmed with theory based on it. Many bias could happen because in the analysis which use them, measurement error, latent variables on measurement and structural model not included. Structural Equation Modeling (SEM) based on covariance - call LISREL - can handle many problem in bias because measurement error, latent variables on measurement andstructural model included in LISREL. but in LISREL has many assumption for example: needs many (big) sample, normality and model complexity. Partial Least Square is the alternative solution because these assumptions not required..]]>
Copyrights © 2011
