BOOTSTRAP

METODE BOOTSTRAP
Bootstrap adalah suatu metode yang dikembangkan pertama kali oleh Brad Efron dengan tujuan menaksir parameter (standard deviasi, Confidence Interval, uji hipotesis, bias) suatu data sampel yang berukuran kecil. Jumlah sampel yang kecil sangat rawan mengakibatkan parameter yang didapat bias, under estimate atau over estimate. Terdapat 2 macam bootstrap yaitu non parametrik dan parametric bootstrap perbedaa terletak pada asumsi, parametric bootstrap memiliki asumsi/informasi mengenai data awal baik berupa distribusinya dan parameternya sedangkan non parametric bootstrap tidak memiliki asumsi tersebut. Jika asumsi distribusi yang di berikan benar maka non parametric bootstrap akan lebih baik dan berlaku sebaliknya bila asumsi salah maka nonparametric bootstrap akan lebih baik. Selanjutnya dalam tulisan ini bootstrap yang digunakan adalah bootstrap nonparametric.
Konsep dari metode ini adalah re-sampling (sampling ulang ) data asli sebanyak N dengan pengembalian yang diulangi sebanyak B kali. Ukuran B adalah terserah pengguna metode karena tidak terdapat ukuran yang pasti. Dari suatu sumber dijelaskan ukuran B=25 sudah cukup bila hanya dalam taraf member informasi, B=50 sudah cukup untuk mengestimasi Standar Deviasi secara kasar, sedangkan untuk mengestimasi Confidence Interval nilai B dianjurkan lebih dari 500 atau B=1000.
Untuk metode lebih lengkap, hub saya…