latent root regression
DESCRIPTION
KELOMPOK 3 Annisa Nur Purnama (09.5880) M. Muflik Teguh YP (09.6029) Riska Diesta Fadilla (09.6111). LATENT ROOT REGRESSION. KELAS 3SE3 SEKOLAH TINGGI ILMU STATISTIK. S ebuah model regresi dikatakan baik atau cocok jika dipenuhi asumsi-asumsi ideal ( klasik ), yakni tidak adanya : - PowerPoint PPT PresentationTRANSCRIPT
LATENT ROOT REGRESSION
KELOMPOK 3
Annisa Nur Purnama (09.5880)M. Muflik Teguh YP (09.6029)Riska Diesta Fadilla (09.6111)
KELAS 3SE3SEKOLAH TINGGI ILMU STATISTIK
Sebuah model regresi dikatakan baik atau cocok jika dipenuhi asumsi-asumsi ideal
(klasik), yakni tidak adanya :1. Otokorelasi
2. Heteroskedastisitas3. Multikolinearitas
PERTANYAAN :BAGAIMANA JIKA TERDAPAT MULTIKOLINEARITAS ??
JAWABANNYA :LATENT ROOT REGRESSIONadalah solusi jika terjadi multikolinearitasMetode ini merupakan perluasan regresi
komponen utama untuk pemeriksaan persamaan peramalan alternatif dan untuk pembuangan peubah peramal.
Prosedur yang digunakan dalam analisis regresi akar laten adalah:
1. Membuat matriks korelasi gandengannya.2. Menghitung akar laten dari matriks korelasi
gandengannya beserta vector laten padanannya .
3. Memeriksa akar-akar laten berikut nilai-nilai padanannya.
4. Melakukan prosedur estimasi parameter.5. Melakukan seleksi variable dengan prosedur
langkah mundur ( backward)
PEMERIKSAAN AKAR-AKAR LATEN
05.0: jSYARAT 1.0ojdanJika memenuhi kedua syarat tersebut, maka akar laten dan vector padanannya dibuang.
Namun jika salah satunya saja yang terpenuhi maka akar laten dan vector
padanannya tetap dipertahankan dalam perhitungan.
PROSEDUR ESTIMASI Tentukan akar ciri dan vektor ciri yang signifikan Tentukan koefisien regresi kuadrat
terkecil termodifikasi Tentukan & bandingkan koefesien
regresi dan SSRB untuk KTB dan KTT
Menentukan Koefisien Regresi Kuadrat Terkecil Termodifikasi
rj
j
j
jj
r
c
b
bb
b
..*
*..**
*2
1
10
2
1
1
12*
j
jojc 2/1
1
2
n
ii YY
ii
ii sbb
*
2/1
2
1
)(
i
n
kkiii XXsdimana
Menentukan jumlah kuadrat sisa untuk persamaan
regresi kuadrat terkecil termodifikasi
1
12n
1i
2
i *Y = SSRT
jojj
Y
212
YYc i
SELEKSI VARIABELProsedur langkah mundur ( Backward )
SSR ketika pengeluaran ; l = 1, 2,….., r dari model
Statistik uji prosedur langkah mundur (Backward)
1'
002
1
kn
XexceptsXAllSSEF
Bandingkan nilai Fhit dengan Ftabel.
Jika Fhit < dari Ftabel maka variable tersebut dikeluarkan dalam model.Jika Fhit > dari Ftabel maka variable tersebut dipertahankan dalam model.
dimana Ftabel = F(1-α ; 1 , (n-k-1))
EXAMPLESebuah perusahaan ingin mengetahui panas yang dihasilkan dari pembakaran 1 gram semen (Y) yang terdiri dari Kandungan tricalcium aluminate(X1), Kandungan tricalcium cilicate (X2) , Kandungan tetracalcium alumino (X3) dan kandungan tetracalcium cilico (X4) untuk Tujuan tersebut diambil sampel sebanyak 13 dengan data sebagai berikut:
X1 X2 X3 X4 Y
7 26 60 6 78.51 29 52 15 74.311 56 20 8 104.311 31 47 8 87.67 52 33 6 95.911 55 22 9 109.23 71 6 17 102.71 31 44 22 72.52 54 22 18 93.121 47 26 4 115.91 40 34 23 83.811 66 12 9 113.310 68 12 8 109.4
MATRIKS KORELASI GANDENG
Y X1 X2 X3 X4
Y 1 0,730717 0,816253 -0,53467 -0,82131
X1 0,730717 1 0,228579 -0,82413 -0,24545
X2 0,816253 0,228579 1 -0,13924 -0,97295
X3 -0,53467 -0,82413 -0,13924 1 0,029537
X4 -0,82131 -0,24545 -0,97295 0,029537 1
AKAR LATEN & VEKTOR LATEN
Akar Laten Y
=3.2116 0.5534 0.4012 0.4682 -0.3189 -0.4603
=1.5761 -0.0034 0.5125 -0.4096 -0.608 0.4471
=0.1990 0.2112 0.5809 -0.3899 0.6747 -0.1039
=0.0117 -0.8047 0.4129 0.1884 -0.0531 -0.3791
= 0.0016
0.0408 -0.2617 -0.6523 -0.2657 -0.6586
1Z 2Z 3Z 4Z
j j0 j1 j2 j3 j44
3
2
1
0
PEMERIKSAAN AKAR LATEN
Dari hasil langkah 2 dapat diketahui bahwa terdapat dua λ yang nilainya kurang dari
0,05 yaitu λo dan λ1.Kemudian kita cek nilai padanannya. Untuk ɣoo
nilainya 0,0408 baris yang bersuaian harus dibuang. Untuk ɣ01 nilainya -0,2617, untuk
membandingkan nilai ɣ0j kita menggunakan nilai mutlak sehingga 0,2617 > 0,1 sehingga
vector dan akar laten pada baris ini tetap dipertahankan dalam perhitungan.
PROSEDUR ESTIMASI
Karena SSRB < SSRT, OLS lebih baik digunakan daripada latent root
b1 b2 b3 b4 SSR
KTB 1.551 0.5102 0.1019 -0.1441 47.86
KTT 1.273 0.2308 -0.1812 -0.4179 48.76
SELEKSI VARIABEL
Peubah yang dikeluarkan
X1 X2 X3 X4
Untuk kuadrat terkecil 73.81 50.84 47.97 48.11
Untuk KTT (tanpa λ0) 299.39 242.42 55.39 1234.11
SSR yang diperoleh dari regresi kuadrat terkecil dan regresi kuadrat terkecil termodifikasi setelah
pengeluaran peubah :
STATISTIK UJI
1'
002
1
kn
XexceptsXAllSSEF
0)8,1,95,0(
)8,1,95,0( 32,50029,0
8)6649,55(7636,2715
39,55
HtolaktidakFF
F
hit
Karena Fhit < F(0,95,1,8) maka X3 dapat dikeluarkan dari model.
Sehingga, didapat persamaan regresi termodifikasi :
421 237,0416,0452,1648,71ˆ XXXY