Melola Discovery

← Melola Discovery

Akses terbuka Jurnal SINTA 1

Pengaruh ukuran sampel dan intraclass correlation coefficients (ICC) terhadap bias estimasi parameter multilevel latent variable modeling: studi dengan simulasi Monte Carlo

Jurnal Penelitian dan Evaluasi Pendidikan · Vol. 21 No. 1 (2017) · hlm. 34–50

DOI
10.21831/pep.v21i1.12895
ISSN
1410-4725, 2338-6061, 2685-7111
Terbit
2017-06-30
Penerbit
State University of Yogyakarta
Bahasa
id
Lisensi
creativecommons.org/licenses/by-sa/4.0/

Abstrak

Studi ini menggunakan simulasi Monte Carlo dilakukan untuk melihat pengaruh ukuran sampel dan intraclass correlation coefficients (ICC) terhadap bias estimasi parameter multilevel latent variable modeling. Kondisi simulasi diciptakan dengan beberapa faktor yang ditetapkan yaitu lima kondisi ICC (0.05, 0.10, 0.15, 0.20, 0.25), jumlah kelompok (30, 50, 100 dan 150), jumlah observasi dalam kelompok (10, 20 dan 50) dan diestimasi menggunakan lima metode estimasi: ML, MLF, MLR, WLSMV dan BAYES. Jumlah kondisi keseluruhan sebanyak 300 kondisi dimana tiap kondisi direplikasi sebanyak 1000 kali dan dianalisis menggunakan software Mplus 7.4. Kriteria bias yang masih dapat diterima adalah < 10%. Hasil penelitian ini menunjukkan bahwa bias yang terjadi dipengaruhi oleh ukuran sampel dan ICC, penelitian ini juga menujukkan bahwa metode estimasi WLSMV dan BAYES berfungsi lebih baik pada berbagai kondisi dibandingkan dengan metode estimasi berbasis ML.Kata kunci: multilevel latent variable modeling, intraclass correlation coefficients, Metode Markov Chain Monte Carlo THE IMPACT OF SAMPLE SIZE AND INTRACLASS CORRELATION COEFFICIENTS (ICC) ON THE BIAS OF PARAMETER ESTIMATION IN MULTILEVEL LATENT VARIABLE MODELING: A MONTE CARLO STUDYAbstractA monte carlo study was conducted to investigate the effect of sample size and intraclass correlation coefficients (ICC) on the bias of parameter estimates in multilevel latent variable modeling. The design factors included (ICC: 0.05, 0.10, 0.15, 0.20, 0.25), number of groups in between level model (NG: 30, 50, 100 and 150), cluster size (CS: 10, 20 and 50) to be estimated with five different estimator: ML, MLF, MLR, WLSMV and BAYES. Factors were interegated into 300 conditions (4 NG 3 CS 5 ICC 5 Estimator). For each condition, replications with convergence problems were exclude until at least 1.000 replications were generated and analyzed using Mplus 7.4, we also consider absolute percent bias <10% to represent an acceptable level of bias. We find that the degree of bias depends on sample size and ICC. We also show that WLSMV and BAYES estimator performed better than ML-based estimator across varying sample sizes and ICC’s conditions.Keywords: multilevel latent variable modeling, intraclass correlation coefficients, Markov Chain Monte Carlo method

Kata kunci

Jaringan kolaborasi para penulis

16 penulis · 33 tautan kepenulisan bersama · 17 lintas organisasi

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Syarif Hidayatullah State Islamic University Jakarta
  • University of Indonesia
  • Politeknik Statistika STIS
  • Universitas Gadjah Mada
  • STIKep PPNI Jawa Barat
  • State University of Jakarta
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama
Wardani RahayuState University of Jakarta2
Bambang SuryadiSyarif Hidayatullah State Islamic University Jakarta2
Ryan Willmanda JanuardiPoliteknik Statistika STIS1
Rini RahaniPoliteknik Statistika STIS1
Agung Dwi WaluyoUniversity of Indonesia1
Sali Rahadi AsihUniversity of Indonesia1
I Made KariasaUniversity of Indonesia1
Hening PujasariUniversity of Indonesia1
Nunung NurhayatiSTIKep PPNI Jawa Barat1
Helly Prajitno SoetjiptoUniversitas Gadjah Mada1
Wahyu WidhiarsoUniversitas Gadjah Mada1
Zulfikri KhakimUniversitas Gadjah Mada1

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OpenAlex API (jurnal SINTA, ADR 0048) https://openalex.org/S2737318591, pertama di-harvest 19 Nov 2026, terakhir terlihat 19 Nov 2026.
Metadata asli (oai_dc)
<oai_dc:dc xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/"><dc:title xml:lang="id">Pengaruh ukuran sampel dan intraclass correlation coefficients (ICC) terhadap bias estimasi parameter multilevel latent variable modeling: studi dengan simulasi Monte Carlo</dc:title><dc:creator>Muhammad Dwirifqi Kharisma Putra</dc:creator><dc:creator>Jahja Umar</dc:creator><dc:creator>Bahrul Hayat</dc:creator><dc:creator>Agung Priyo Utomo</dc:creator><dc:subject>sample size</dc:subject><dc:subject>intraclass correlation coefficient</dc:subject><dc:subject>parameter estimation bias</dc:subject><dc:subject>maximum likelihood estimation</dc:subject><dc:subject>Bayesian estimation</dc:subject><dc:subject>number of groups</dc:subject><dc:subject>cluster size</dc:subject><dc:subject>estimator comparison</dc:subject><dc:subject>measurement invariance</dc:subject><dc:subject>measurement invariance testing</dc:subject><dc:description xml:lang="id">Studi ini menggunakan simulasi Monte Carlo dilakukan untuk melihat pengaruh ukuran sampel dan intraclass correlation coefficients (ICC) terhadap bias estimasi parameter multilevel latent variable modeling. Kondisi simulasi diciptakan dengan beberapa faktor yang ditetapkan yaitu lima kondisi ICC (0.05, 0.10, 0.15, 0.20, 0.25), jumlah kelompok (30, 50, 100 dan 150), jumlah observasi dalam kelompok (10, 20 dan 50) dan diestimasi menggunakan lima metode estimasi: ML, MLF, MLR, WLSMV dan BAYES. Jumlah kondisi keseluruhan sebanyak 300 kondisi dimana tiap kondisi direplikasi sebanyak 1000 kali dan dianalisis menggunakan software Mplus 7.4. Kriteria bias yang masih dapat diterima adalah &lt; 10%. Hasil penelitian ini menunjukkan bahwa bias yang terjadi dipengaruhi oleh ukuran sampel dan ICC, penelitian ini juga menujukkan bahwa metode estimasi WLSMV dan BAYES berfungsi lebih baik pada berbagai kondisi dibandingkan dengan metode estimasi berbasis ML.Kata kunci: multilevel latent variable modeling, intraclass correlation coefficients, Metode Markov Chain Monte Carlo THE IMPACT OF SAMPLE SIZE AND INTRACLASS CORRELATION COEFFICIENTS (ICC) ON THE BIAS OF PARAMETER ESTIMATION IN MULTILEVEL LATENT VARIABLE MODELING: A MONTE CARLO STUDYAbstractA monte carlo study was conducted to investigate the effect of sample size and intraclass correlation coefficients (ICC) on the bias of parameter estimates in multilevel latent variable modeling. The design factors included (ICC: 0.05, 0.10, 0.15, 0.20, 0.25), number of groups in between level model (NG: 30, 50, 100 and 150), cluster size (CS: 10, 20 and 50) to be estimated with five different estimator: ML, MLF, MLR, WLSMV and BAYES. Factors were interegated into 300 conditions (4 NG 3 CS 5 ICC 5 Estimator). For each condition, replications with convergence problems were exclude until at least 1.000 replications were generated and analyzed using Mplus 7.4, we also consider absolute percent bias &lt;10% to represent an acceptable level of bias. We find that the degree of bias depends on sample size and ICC. We also show that WLSMV and BAYES estimator performed better than ML-based estimator across varying sample sizes and ICC’s conditions.Keywords: multilevel latent variable modeling, intraclass correlation coefficients, Markov Chain Monte Carlo method</dc:description><dc:publisher>State University of Yogyakarta</dc:publisher><dc:date>2017-06-30</dc:date><dc:type>info:eu-repo/semantics/article</dc:type><dc:format>application/pdf</dc:format><dc:identifier>https://doi.org/10.21831/pep.v21i1.12895</dc:identifier><dc:identifier>10.21831/pep.v21i1.12895</dc:identifier><dc:source>Jurnal Penelitian dan Evaluasi Pendidikan; Vol 21 No 1 (2017); 34-50</dc:source><dc:source>1410-4725</dc:source><dc:source>2338-6061</dc:source><dc:source>2685-7111</dc:source><dc:language>id</dc:language><dc:relation>https://journal.uny.ac.id/index.php/jpep/article/download/12895/9918</dc:relation><dc:rights>https://creativecommons.org/licenses/by-sa/4.0/</dc:rights></oai_dc:dc>