Upload presentasi
Presentasi sedang didownload. Silahkan tunggu
Diterbitkan olehDevi Agusalim Telah diubah "9 tahun yang lalu
3
3
4
2
5
1
6
nextquit
7
homebacknextquit
8
POPULAR ANALYSIS home back nextquit ANALYSIS TYPES RELATION SYMMETRI C MULTIPLE, PARTIAL, PART CORRELATI ON A SYMMETRIC/ CAUSAL/ DIRECTIONA L MULTIPLE REGRESI COMPARISO N MULTIFACT ORS ANOVA
9
home back nextquit MULTIFACTORS ANOVA SYARA T Faktor kategorik, respon interval/rasio Sampel random Data saling bebas ASUM SI Hubungan linier Data berdistribusi normal Variansi data homogen
10
home back nextquit MULTIFACTORS ANOVA X1X1 X2X2
11
home back nextquit MULTIFACTORS ANOVA (Interactive Structure) X1X1 X2X2 Y
12
home back nextquit ANCOVA X1X1 Y X2X2
13
home back nextquit ANCOVA (Interactive Structure) X1X1 Y X2X2
14
home back nextquit DISCRIMINANT ANALYSIS Y X1X1 X2X2
15
home back nextquit MULTIPLE DISCRIMINANT ANALYSIS Y X1X1 X2X2
17
home back nextquit MULTIPLE “R” SYARA T Variabel bebas & terikat interval/rasio Sampel randomData saling bebas ASUM SI Data pada setiap variabel berdistribusi normal Model hubungan linier dalam data
18
home back nextquit MULTIPLE CORRELATION X1X1 X2X2 X3X3
19
home back nextquit Kinds of RControlled X – X only Semipartial (Part) X – X dan X – Y PartialTotal Multiple
21
home back nextquit MULTIPLE LINEAR REGRESSION REQUIRES Derajat pengukuran variabel- variabel bebas minimal interval Derajat pengukuran variabel terikat minimal interval Sampel random (jika data yang digunakan berupa sampel) Data saling bebas
22
home back nextquit MULTIPLE LINEAR REGRESSION ASSUMPTIONS Sebaiknya tidak ada data pencilan (apalagi yang berpengaruh) Variabel-variabel bebas tidak menunjukkan multikolinieritas Hubungan variabel bebas dan terikat adalah linier Residual berdistribusi normal Residual memiliki variansi konstan (homoskedastik) Residual tidak saling berkorelasi (untuk data time series)
23
home back nextquit DAMPAK DATA PENCILAN Hasil penggunaan model dalam melakukan prediksi cenderung tidak stabil Note: Model regresi sebaiknya tidak digunakan memprediksi dengan menggunakan nilai variabel bebas yang diluar rentang variabel bebas saat pembuatan model
24
home back nextquit MENDETEKSI DATA PENCILAN Menggunakan perhitungan: * Data pencilan atas adalah data yang > Q3 + 1 Step * Data pencilan bawah adalah data yang < Q1 – 1 step Menggunakan nilai baku (z): tidak berada di antara -2,5 dan 2,5 Menggunakan Plot: * Scatter-Plot * Whiskers & Box-Plot
25
home back nextquit MENGATASI MASALAH DATA PENCILAN Mengumpulkan data tambahan yang memiliki nilai di sekitar nilai data pencilan Melakukan pembobotan Mengeluarkan data pencilan
26
home back nextquit DAMPAK HETEROSKEDASTISITAS Variansi koefisien regresi membesar Interval kepercayaan melebar SE koefisien regresi membesar yang dapat mengakibatkan hasil pengujian koefisiennya tidak signifikan Meski uji parsial tidak signifikan, tetapi uji F malah signifikan dan R kuadrat besar Nilai estimasi koefisien regresi mempunyai nilai tak sesuai substansi
27
home back nextquit MENDETEKSI HETEROSKEDASTISITAS Menggunakan Plot Uji Formal: * Breusch-Pagan-Godfrey Test * White’s General Heteroscedasticity Test * Park Test * Glejser Test * Goldfeld-Quandt Test * Koenker-Basset Test
28
home back nextquit MENGATASI MASALAH HETEROSKEDASTISITAS
29
home back nextquit DAMPAK MULTIKOLINIERITAS Variansi koefisien regresi membesar Interval kepercayaan melebar SE koefisien regresi membesar yang dapat mengakibatkan hasil pengujian koefisiennya tidak signifikan (nilai t mengecil) Meski uji parsial tidak signifikan, tetapi uji F malah signifikan dan R kuadrat besar Nilai estimasi koefisien regresi mempunyai nilai tak sesuai substansi
30
home back nextquit MENDETEKSI MULTIKOLINIERITAS Koefisien korelasi sederhana yang tinggi Eigenvalue -> 0 (tidak -> 1) Conditional Index (CI) > 10 Variance Inflation Factor (VIF) > 5 Tolerance -> 0 (tidak -> 1)
31
home back nextquit MENGATASI MASALAH MULTIKOLINIERITAS
32
home back nextquit MULTIPLE REGRESSION X1X1 X1X1 X2X2 X2X2 Y Y
33
home back nextquit Berhati-hati mengeluarkan variabel bebas yang signifikansi korelasinya > 0,05 PERIKSA DULU APAKAH ADA YANG MENJADI SUPPRESSOR VARIABEL?
34
home back nextquit MULTIPLE REGRESSION (Interactive Structure) X2X2 X2X2 X1X1 X1X1 Y Y
35
home back nextquit MULTIPLE REGRESSION (Interactive Structure)
36
home back nextquit MULTIPLE REGRESSION (Interactive Structure) X1X1 X1X1 X2X2 X2X2 Y Y X1X2X1X2 X1X2X1X2
37
home back nextquit ADDITIONAL VARIABLES First Variable Second Variable Factor Manipulated Variable Treatment Variable Response Variable Control Variable Extraneous Variable Independent Variable Regressor Predictor Variable Dependent Variable Outcome Variable Criterion Variable Dummy Variable Suppressor Variable Moderator Variable
38
home back nextquit
Presentasi serupa
© 2024 SlidePlayer.info Inc.
All rights reserved.