Upload
putri-dina-sari
View
218
Download
0
Embed Size (px)
Citation preview
8/16/2019 Multikolinieritas & Aku
http://slidepdf.com/reader/full/multikolinieritas-aku 1/24
Multikolinier
Regresi Komponen Utama
8/16/2019 Multikolinieritas & Aku
http://slidepdf.com/reader/full/multikolinieritas-aku 2/24
ASUMSI KLASIK PADA MODEL
REGRESI LINIER BERGANDA
Kenormalan Galat menyebar normal
Homoskedastisitas (ragam sisaan homogen)Var(εi) = E(εi
2) = σ2
Non Autokorelasi (sisaan menyebar bebas)Cov(εi,ε j ) = E(εi,ε j ) = 0
Non Multikolinearitas Tidak ada hubungan linear sempurna antar peubahbebas dalam model regresi.
8/16/2019 Multikolinieritas & Aku
http://slidepdf.com/reader/full/multikolinieritas-aku 3/24
PELANGGARAN ASUMSI :
MULTIKOLINEARITAS Multikolinearitas adalah salah satu pelanggaran
asumsi dimana adanya hubungan linear (KORELASI)
antara peubah bebasnya
Dapat mempengaruhi ragam dari penduga kuadratterkecil dan pendugaan model yang dibuat.
8/16/2019 Multikolinieritas & Aku
http://slidepdf.com/reader/full/multikolinieritas-aku 4/24
AKIBAT PELANGGARAN ASUMSI :MULTIKOLINEARITAS
1. Interpretasi menjadi sulit karena setiap ada perubahan padapeubah yang saling berkorelasi maka peubah lain yangberkorelasi juga akan mengalami perubahan sesuai arah
korelasinya.
2. Pendugaan dengan OLS akan diperoleh ragam dan koragam yangbesar. Sehingga sulit untuk disimpulkan.
3. Hasil uji F signifikan tetapi dengan uji-t banyak peubah yang tidaksignifikan. (Tidak selaras)
4. Penduga OLS dan standar error sensitif terhadap perubahan data.
5. Matriks X’X akan hampir singular (ill-conditioned) yang padaakhirnya akan menyebabkan dugaan bagi
memiliki dugaanragam yang menduga lebih (overestimate) walaupun tetaptakbias.
6. Rsq(adj) bernilai tinggi
8/16/2019 Multikolinieritas & Aku
http://slidepdf.com/reader/full/multikolinieritas-aku 5/24
CARA MENDETEKSI ADANYA
MULTIKOLINEARITAS a. Correlation Pearson
Uji koefisien korelasi antar peubah bebas, jikakorelasinya sangat tinggi dan nyata, maka terjadi
multikolinearitas.
b. Variance Inflation Factor (VIF)
Suatu pengukuran multikolinearitas untuk peubah
bebas ke-i. Jika korelasi semakin besar, VIF akansemakin besar.
VIF = 1/ (1 – R 2) i
jika VIF>10 dikatakan terjadi multikolinearitas.
8/16/2019 Multikolinieritas & Aku
http://slidepdf.com/reader/full/multikolinieritas-aku 6/24
Membuang peubah bebas yang mempunyai korelasitinggi terhadap peubah bebas lainnya.
Menambah data pengamatan/contoh. Melakukan transformasi terhadap peubah-peubah
bebas yang mempunyai kolinearitas ataumenggabungkan menjadi peubah-peubah bebasbaru yang lebih berarti.
Menggunakan Regresi Gulud, RegresiKuadrat Terkecil Parsial, dan Regresi KomponenUtama (principal component regression )
Mengatasi masalah multikolinearitas:
8/16/2019 Multikolinieritas & Aku
http://slidepdf.com/reader/full/multikolinieritas-aku 7/24
REGRESI KOMPONEN UTAMA
(PRINCIPAL COMPONENT REGRESSION)
8/16/2019 Multikolinieritas & Aku
http://slidepdf.com/reader/full/multikolinieritas-aku 8/24
Analisis komponen utama pada dasarnya
mentransformasi peubah-peubah bebas yang berkorelasi
menjadi peubah-peubah baru yang ortogonal dan tidak
berkorelasi.
Analisis ini bertujuan untuk menyederhanakan peubah-
peubah yang diamati dengan cara mereduksi dimensinya.
Hal ini dilakukan dengan menghilangkan korelasi diantara peubah melalui transformasi peubah asal ke
peubah baru (komponen utama) yang tidak berkorelasi
Regresi Komponen Utama
8/16/2019 Multikolinieritas & Aku
http://slidepdf.com/reader/full/multikolinieritas-aku 9/24
1. Membakukan peubah bebas asal yaitu X menjadi Z.
2. Mencari akar ciri dan vektor ciri dari matriks R.
3. Menentukan persamaan komponen utama dari vektorciri.
4. Meregresikan peubah respon Y terhadapskor komponen utama W.
5. Transformasi balik
Regresi Komponen Utama
Tahapan-tahapan Analisis
8/16/2019 Multikolinieritas & Aku
http://slidepdf.com/reader/full/multikolinieritas-aku 10/24
Regresi Komponen Utama
Skor Komponen Utama W
Biasanya tidak semua W digunakan.
Morrison (1978) menyarankan agar memilih komponen-komponen utama sampai komponen-komponen utamatersebut mempunyai keragaman kumulatif 75 %, namunsebagian ahli menyarankan agar memilih komponen
utama yang besar akar cirinya lebih dari satu, karena jika akar ciri kurang dari satu keragaman data yangdapat diterangkan kecil sekali.
8/16/2019 Multikolinieritas & Aku
http://slidepdf.com/reader/full/multikolinieritas-aku 11/24
Itasia Di na S & Dian K , Dep Statistika FMIPA IPB
CONTOH :PENYELESAIAN KASUS MULTIKOLINEARITAS
DENGAN MENGGUNAKAN RKU
Tahun
Volume
Ekspor
Jagung (Y)
Volume
Produksi (X1)
Harga
Jagung
Domes-tik
(X2)
Harga
Ekspor
Jagung(
X3)
Volume Ekspor
Sebelumnya
(X4)
Volume Impor
Jagung Indonesia
(X5)
Nilai
Tukar
(X6)
Inflasi
(X7)
1997 539.765 8.770.851 560 0,143 0 1.098.353.536 5.700 11,05
1998 42.889.432 10.169.488 1.089 0,11 539.765 299.916.896 8.100 56,2
1999 4.259.279 9.204.036 1.382 0,105 42.889.432 618.059.896 8.632 12,01
2000 1.003.532 9.676.899 1.466 0,11 4.259.279 1.264.575.055 8.534 9,35
2001 768.328 9.347.192 1.747 0,114 1.003.532 1.035.796.928 10.400 12,55
2002 826.003 9.585.277 2.002 0,115 768.328 1.154.063.011 8.940 10
2003 4.103.229 10.886.442 1.738 0,12 826.003 1.345.446.349 8.465 5,1
2004 4.256.758 11.225.243 2.007 0,169 4.103.229 1.088.927.757 9.290 6,15
2005 4.255.200 12.523.894 2.152 0,15 4.256.758 185.957.289 9.830 10,7
2006 646.537 11.609.463 2.338 0,158 4.255.200 1.775.320.810 9.013 13,33
8/16/2019 Multikolinieritas & Aku
http://slidepdf.com/reader/full/multikolinieritas-aku 12/24
ANALISIS DATA The regression equation is
Y = - 7320987 + 1,12 X1 + 2388 X2 + 16356575 X3 + 0,003 X4 - 0,00382 X5 - 1340 X6 + 797761 X7
Predictor Coef SE Coef T P VIF
Constant -7320987 43792662 -0,17 0,878
X1 1,123 3,364 0,33 0,760 6,9
X2 2388 10846 0,22 0,840 13,3 X3 16356575 112702936 0,15 0,894 5,2
X4 0,0027 0,1783 0,01 0,989 1,4
X5 -0,003816 0,006072 -0,63 0,574 2,3
X6 -1340 3585 -0,37 0,734 5,2
X7 797761 175873 4,54 0,020 1,8
S = 5915748 R-Sq = 93,1% R-Sq(adj) = 77,1%
Dari regresi tersebut, terdapat nilai VIF>10 maka dapat dikatakanbahwa terjadi multikolinearitas
8/16/2019 Multikolinieritas & Aku
http://slidepdf.com/reader/full/multikolinieritas-aku 13/24
MATRIKS KORELASI ANTAR PEUBAH
Y X1 X2 X3 X4 X5 X6 X7
Y 1 0,08958 -0,20488 -0,06476 -0,11068 -0,56319 -0,12058 0,9226
X1 0,08958 1 0,81796 0,78995 -0,26002 -0,17981 0,41702 -0,39449
X2 -0,20488 0,81796 1 0,6548 -0,15014 0,09119 0,69899 -0,39449
X3 -0,06476 0,78995 0,6548 1 -0,28104 -0,02544 0,07519 -0,31723
X4 -0,11068 -0,26002 -0,15014 -0,28104 1 -0,21742 0,03545 -0,07965
X5 -0,56319 -0,17981 0,09119 -0,02544 -0,21742 1 -0,10472 -0,45245
X6 -0,12058 0,41702 0,69899 0,07519 0,03545 -0,10472 1 -0,16332
X7 0,9226 -0,39449 -0,39449 -0,31723 -0,07965 -0,45245 -0,16332 1
8/16/2019 Multikolinieritas & Aku
http://slidepdf.com/reader/full/multikolinieritas-aku 14/24
Itasia Dina S & Dian K, Dep Statistika FMIPA IPB
HASIL PEMBAKUAN PEUBAH
Z1 Z2 Z3 Z4 Z5 Z6 Z7
-1,23266 -1,90805 0,11242 -0,46454 0,29311 -2,53308 -0,19901
-0,2752 -1,06596 -0,75582 -0,42114 -1,40777 -0,51992 2,95977
-0,93611 -0,59955 -0,88737 2,98423 -0,73004 -0,07366 -0,13185
-0,61241 -0,46583 -0,75582 -0,12205 0,6472 -0,15587 -0,31795
-0,83811 -0,01852 -0,65058 -0,38385 0,15985 1,40937 -0,09407
-0,67513 0,3874 -0,62427 -0,40276 0,41178 0,18469 -0,27247
0,21561 -0,03285 -0,49272 -0,39812 0,81948 -0,21375 -0,61528
0,44754 0,39536 0,79648 -0,1346 0,27303 0,47828 -0,54182
1,33656 0,62618 0,29659 -0,12225 -1,65053 0,93124 -0,2235
0,71057 0,92226 0,50707 -0,12238 1,73522 0,24593 -0,0395
1,85935 1,75958 2,45402 -0,41255 -0,55133 0,24677 -0,52433
8/16/2019 Multikolinieritas & Aku
http://slidepdf.com/reader/full/multikolinieritas-aku 15/24
Itasia Dina S & Dian K, Dep Statistika FMIPA IPB
REGRESI KOMPONEN UTAMA
Z2; Z3; Z4; Z5; Z6; Z7 Principal Component Analysis: Z1;
Eigen analysis of the Correlation Matrix
Eigenvalue 2,9881 1,4565 1,2156 0,8405 0,3369 0,1160 0,0464
Proportion 0,427 0,208 0,174 0,120 0,048 0,017 0,007
Cumulative 0,427 0,635 0,809 0,929 0,977 0,993 1,000
Varb PC1 PC2 PC3 PC4 PC5 PC6 PC7
Z1 -0,522 0,218 0,157 0,122 -0,168 -0,711 0,327
Z2 -0,551 0,017 -0,166 -0,127 -0,220 0,047 -0,776
Z3 -0,465 -0,006 0,318 0,460 -0,101 0,630 0,254
Z4 0,163 0,153 -0,700 0,523 -0,426 -0,004 0,072
Z5 -0,030 -0,757 0,007 -0,250 -0,567 -0,023 0,204
Z6 -0,338 0,209 -0,495 -0,573 0,127 0,270 0,425
Z7 0,255 0,559 0,334 -0,307 -0,628 0,151 -0,004
Dari hasil di atas, akan diambil Score (W) sebanyak 4,
dikarenakan jumlah proportion > 0,7.
8/16/2019 Multikolinieritas & Aku
http://slidepdf.com/reader/full/multikolinieritas-aku 16/24
SKOR KOMPONEN UTAMA
W1 W2 W3 W4 W5 W6 W7
2,36316 -1,23413 1,67472 1,33926 0,44961 0,138858 0,05701
1,9888 2,47322 1,42432 -0,72398 -0,58986 0,009489 -0,00466
1,73162 0,71268 -2,43058 1,37922 -0,40665 0,044124 -0,03036
0,86039 -0,85541 -0,19801 -0,40172 0,14577 -0,16691 0,027492
0,18379 -0,11685 -0,79508 -1,41756 0,52077 0,549266 0,179235
0,21968 -0,6239 -0,26642 -0,75419 0,22353 0,106025 -0,54518
-0,03992 -1,0206 0,06745 -0,29795 0,08474 -0,63285 0,020723
-1,15242 -0,33088 -0,06398 0,12427 0,06134 0,243486 0,292962
-1,52288 1,59959 -0,26199 0,10349 0,85534 -0,47749 0,077476
-1,28112 -1,13579 0,08237 -0,42373 -1,24865 -0,12202 0,094885
-3,3511 0,53206 0,7672 1,07289 -0,09595 0,308021 -0,16958
8/16/2019 Multikolinieritas & Aku
http://slidepdf.com/reader/full/multikolinieritas-aku 17/24
REGRESI Y terhadap W
W3; W4 Regression Analysis: Y versus W1; W2;
The regression equation is
Y = 6775162 + 1538350 W1 + 7778621 W2 + 4769269 W3 – 1822347W4
Predictor Coef SE Coef T P VIF
Constant 6775162 2033306 3,33 0,016
W1 1538350 1233686 1,25 0,259 1,0
W2 7778621 1767009 4,40 0,005 1,0
W3 4769269 1934202 2,47 0,049 1,0
W4 -1822347 2326075 -0,78 0,463 1,0
S = 6743712 R-Sq = 82,2% R-Sq(adj) = 70,3%
Analysis of Variance
Source DF SS MS F P
Regression 4 1,25643E+15 3,14108E+14 6,91 0,020
Residual Error 6 2,72866E+14 4,54776E+13
Total 10 1,52930E+15
W1 dan W4 tidak
nyata
8/16/2019 Multikolinieritas & Aku
http://slidepdf.com/reader/full/multikolinieritas-aku 18/24
HASIL ANALISIS REGRESI
Hasil analisis regresi memperlihatkan bahwa ada dua peubah yang tidaknyata, yaitu W1 dan W4
Sehingga untuk selanjutnya yang digunakan hanyalah W yang nyata
terhadap Y. Persamaan regresinya yaitu :
Y = 6775162 + 7778621 W2 + 4769269 W3
Predictor Coef SE Coef T P VIF
Constant 6775162 2054630 3,30 0,011
W2 7778621 1785540 4,36 0,002 1,0
W3 4769269 1954486 2,44 0,041 1,0
S = 6814436 R-Sq = 75,7% R-Sq(adj) = 69,6%
8/16/2019 Multikolinieritas & Aku
http://slidepdf.com/reader/full/multikolinieritas-aku 19/24
TRANSFORMASI BALIK
Hasil regresi sebelumnya dapat dinyatakan telahbebas dari multikolinearitas karena nilai VIF<10
Namun persamaan regresi tersebut masih dalam
fungsi skore (W), sehingga perlu dilakukantransformasi balik menjadi fungsi dalam peubah X.
8/16/2019 Multikolinieritas & Aku
http://slidepdf.com/reader/full/multikolinieritas-aku 20/24
TRANSFORMASI : W Z
Y = 6775162 + 7778621 W2 + 4769269 W3
-klik score-
Y = 6775162 + 7778621 (0,218 Z1 + 0,017 Z2 0,006 Z3 +
0,153 Z4 0,757 Z5 + 0,209 Z6 + 0,559 Z7) + 4769269
(0,157 Z1 0,166 Z2 + 0,138 Z3 - 0,700 Z4 + 0,007 Z5
0,495 Z6 + 0,334 Z7)
Y = 6775162 + 2444514,611 Z1 – 659462,097 Z2 + 611487,396 Z3 –
3385160,026 Z4 – 5855031,214 Z5 – 735056,366 Z6 +
5941184,985 Z7
Klik next
8/16/2019 Multikolinieritas & Aku
http://slidepdf.com/reader/full/multikolinieritas-aku 21/24
FUNGSI SCORE Variable PC1
Z1 -0,522
PC2
0,218
PC3
0,157
PC4
0,122
PC5
-0,168
PC6
-0,711
PC7
0,327
Z2 -0,551 0,017 -0,166 -0,127 -0,220 0,047 -0,776
Z3 -0,465 -0,006 0,318 0,460 -0,101 0,630 0,254
Z4 0,163 0,153 -0,700 0,523 -0,426 -0,004 0,072
Z5 -0,030 -0,757 0,007 -0,250 -0,567 -0,023 0,204
Z6 -0,338 0,209 -0,495 -0,573 0,127 0,270 0,425
Z7 0,255 0,559 0,334 -0,307 -0,628 0,151 -0,004
W2 = 0,218 Z1 + 0,017 Z2 – 0,006 Z3 + 0,153 Z4 – 0,757 Z5 + 0,209 Z6
+ 0,559 Z7
W3 = 0,157 Z1 – 0,166 Z2 + 0,138 Z3 - 0,700 Z4 + 0,007 Z5 – 0,495 Z6 +
0,334 Z7
-klik back-
8/16/2019 Multikolinieritas & Aku
http://slidepdf.com/reader/full/multikolinieritas-aku 22/24
TRANSFORMASI : Z X
Y = 6775162 + 2444514,611 Z1 659462,097 Z2 + 611487,396 Z3
3385160,026 Z4 5855031,214 Z5 735056,366 Z6 +
5941184,985 Z7
Y = 6775162 + 2444514,611
659462,097
+ 611487,396
3385160,026
5855031,214 735056,366 +
5941184,985
-next-
8/16/2019 Multikolinieritas & Aku
http://slidepdf.com/reader/full/multikolinieritas-aku 23/24
-back-
RUMUS Variabel Mean Stdev
Y 6775162 12366480X1 10571487 1460774
Zi = X2 1758,548 628,1764
X3 0,138727 0,038008
X4 5777097 12436132
X5 9,61E+08 4,69E+08
X6 8719,818 1192,151
X7 13,89455 14,29348
8/16/2019 Multikolinieritas & Aku
http://slidepdf.com/reader/full/multikolinieritas-aku 24/24
PERSAMAAN AKHIR
Sehingga persamaan regresi terakhirnya adalah :
Y = 1,78E+07 + 1,673
16088386,55 – 0,272 X 3 X 4 – 1,25E-02
X 1 – 1049,804 X 2 +
X 5 –
616,58 X 6 + 415656,9978 X 7