ANALISIS PEUBAH GANDA MULTIVARIATE ANALYSIS Oleh: Prof.Dr.Ir.Soemarno,M.S
MULTIVARIATE ANALYSIS
Obyek Pengamatan
Variabel X1
Variabel X4
Variabel Xn
Variabel X3
Variabel X2
Multi-Variabel
Metode analisis statistik yang melibatkan multi-variabel secara simultan
Analisis multivariate
Multivariate Analysis (MA): Metode analisis yang berkenaan dengan sejumlah besar variabel
yang datanya diperoleh secara simultan dari setiap obyek pengataman
Hubungan-hubungan antar variabel secara simultan
( = Analisis Peubah Ganda)
Proses perhitungannya sangat kompleks
Dalam proses perhitungannya menggunakan pendekatan matriks
Determinan Matriks, Pangkat Matriks,Matriks Kebalikan, Eigen Value, Eigen Vector, dll.
MATRIKS : 4 7 2
A = 2 5 6 9 3 7
Matriks Kovarians: Matriks yang unsur-unsurnya berupa varian (ragam) dan kovarian (peragam) dari sekumpulan variabel. Lambangnya S.
Diagonalnya berupa varians (ragam) dari setiap variabel, sedangkan unsur lainnya berupa kovarians (peragam) antar variabel. Matriks S bersifat simetris atau setangkup
Matriks Korelasi: Matriks yang unsur-unsurnya berupa koefisien korelasi dari sekumpulan variabel. Lambangnya R .Diagonalnya berupa angka-angka 1, sedangkan unsur lainnya berupa koefisien korelasi antar variabelMatriks ini bersifat Simetris atau Setangkup
MATRIKS : EIGEN VALUE & EIGEN VECTOR
Misalnya adadua persamaan linear:2 X1 + 5 X2 = 2
. 4 X1 + 10 X2 = 4dalam bahasa matriks ditulis sbb: Ax = y
x = x1 y = 2 A = 2 5 A : matriks x2 4 4 10 transformasi
linear
Jika A x = x, dimana adalah konstante, maka vektor jawab x yang memenuhi hubungan ini untuk nilai x tertentu
disebut Eigen Vector (Vektor Ciri) dan disebut Eigen Value (Akar Ciri)
Kalau Matriks A bersifat simetris, maka akar ciri dari Aadalah riil danmemiliki vektor ciri yang saling bebas
(ortogonal)
KLASIFIKASI APG:
APG untuk analisis identifikasi, prediksi, eksplorasi, deskripsi:
1. Principle Component Analysis (PCA)2. Factor Analysis 3. Cluster Analysis 4. MDS5. Correspondence Analysis
APG untuk analisis pembandingan:1. T2 Hotelling2. MANOVA / MANCOVA 3. Cluster Analysis
APG untuk analisis hubungan antar variabel:1. Analisis Regresi Peubah Ganda2. Analisis Jalur (Path Analysis) 3. SEM (Structural Equation Modelling)4. Korelasi Kanonik5. Analisis Korespondensi6. Multidimentional Scalling 7. Analisis Diskriminan8. Logistic Model9. Logit-Probit
KLASIFIKASI APG: berdasarkan Pola Ketergantungannya
APG untuk analisis DependensiSatu kelompok variabel dipengaruhi (atau bergantung, atau mempengaruhi) kelompok variabel lainnya.1. Banyak hubungan, banyak variabel dependent dan banyak variabel independent: MS, AP, SEM2. Satu hubungan, banyak variabel dependent, dan satu (banyak) variabel independent: KANONIK, MANOVA3. Satu hubungan, satu variabel dependent, dan satu (banyak) variabel independent: RB, AD, Logit-Probit
APG untuk analisis Interdependensi:Saling ketergantungan antar variabel, atau antar kasus, antar obyek, antar kategori dari variabel1. Analisis saling ketergantungan antar variabel: PCA, FAktor2. Analisis Kemiripan antar kasus: Cluster3. Analisis kemiripan antar obyek atau kategori dari variabelMultidimensional, Korespondensi
MODEL STRUKTURAL = Sistem Persamaan Simultan
Input Data: Data dari variabel observasi atau skor dari indikator variabel latent. Data yg dianalisis data mentah, bukan data standardize
Output: Berupa model, setara dengan hasil analisis Regresi
Metode Estimasi:Model Rekursif = Metode OLSExact identified = Metode ILSOver identified = Metode TSLSUnder identified = Diberi kendala, shg menjadi Exactidentified
Kegunaan:Alat untuk eksplanasi, atau prediksi, setara dengan REGRESI
ANALISIS PATH = Analisis Jalur, Analisis Lintas, Sidik Lintas
Input Data:Data dari variabel observasi atau skor dari indikator variabel latent. Data yg dianalisis data standardize
Output:Model Lintasan atau Jalur-Jalur, pengaruh
Metode Estimasi:Modelnya harus rekursif, sehingga dapat digunakan metode OLS
Kegunaan:Untuk menentukan variabel mana yang berpengaruh dominan dan jalur mana yang berpengaruh lebih kuat
SEM = Sructural Equation Modelling
Input Data:Data dari variabel observasi atau skor dari indikator variabel latent. Data yg dianalisis berupa matriks kovarians atau matriks korelasi.
OutputModel struktural, Model Lintasan Pengaruh
Metode Estimasi:Maximum Likelihood (ML), TSLS, PLS
Kegunaan:Merupakan gabungan kegunaan antara analisis faktor, Analisis Path, dan Analisis Regresi
ANALISIS KORELASI KANONIKKeeratan hubungan antara kelompok variabel dgn kelompok variabel lainnya
Input Data:Data yg digunakan adalah data hasil pengukuran (metrik)
Output:Koefisien Korelasi Kanonik
Metode Estimasi:
Konsep Eigen Value & Eigen Vector
Kegunaan:Alat untuk eksplanasi ke-eratan hubungan antar kelompok variabel
MANOVA = Menguji perbedaan variabel dependent pada kategori-kategori dari variabel independent. Kalau adavariabel penyerta dapat digunakan MANCOVA
Input Data:Untuk variabel dependent: data hasil pengukuran (metrik)Untuk variabel independent: Data kategori (non-metrik)
Output:Tabel MANOVA
Metode Estimasi:Konsep dekomposisi komponen ragam (varians)
Kegunaan:
Untuk mengetahui apakah secara simultan dari sekumpulan variabel dependent terjadi perbedaan yang signifikan.
REGRESI BERGANDA = Regresi Linear Berganda
Input Data: Raw data, bukan standardize data Variabel dependent: data metrikVariabel independent: data metrik dan/atau data non-metrik
Output:Model atau persamaan regresi berganda
Metode Estimasi: OLS
Kegunaan:Alat untuk eksplanasi atau alat untuk prediksi, Prediksi nilai variabel dependent kalau nilai variabel independent diketahui
ANALISIS DISKRIMINAN
Input Data:Raw data, bukan standardize dataVariabel dependent: kategori n(non-metrik)Variabel independent: Metrik dan/atau non-metrik
Output:Fungsi deskriminan
Metode Estimasi:Konsep Eigen Value dan Eigen Vector
Kegunaan:Alat untuk prediksi alternatif, pengelompokkan obyek, faktor determinanAlat untuk menentukan variabel mana yang merupakan pembeda terkuat
MODEL LOGIT, PROBIT, TOBIT, GOMPIT, LPM
Input Data:Raw data, bukan standardize dataVariabel dependent: kategori n(non-metrik)Variabel independent: Metrik dan/atau non-metrik
Output:Model atau persamaan
Metode Estimasi: OLS
Kegunaan:Alat untuk eksplanasi odd-ratioAlat untuk prediksi peluang suatu kategori dari variabel dependent kalau nilai variabel independen diketahui
PRINCIPLE COMPONENT ANALYSIS: PCA
Input Data:Matriks kovarians: kalau semua variabel punya satuan yg sama dan homogen, dipakai raw dataMatrik korelasi: kalau satuannya tidak sama, standardize data
Output:Variabel komposit atau disebut Dimensi, Komponen UtamaNilai dari variabel komposit
Metode Estimasi:Konsep Eigen Value dan Eigen Vector
Kegunaan:Eksplorasi Dimensi yg terkandung dalam sekumpulan variabelMendapatkan skor dari Komponen UtamaMapping objectsClustering objectsMenghilangkan multikolinearitas pd regresi berganda
FACTOR ANALYSISInput Data:Raw data atau standardize data, seluruh variabel mempunyai “common factor”
Output:Faktor hasil ekstraksi, Skor dari faktor ini (data dari variabel laten). Variabel laten ini juga disebut DIMENSI
Metode Estimasi:Konsep Eigen value & Eigen vector
Kegunaan:Analisis faktor konfirmatori: Mencari dimensi yg terkandung dalam sekumpulan variabel (atau faktor)Mapping objectsClustering objectMendapatkan data dari suatu DIMENSI atau Variabel Laten
ANALISIS GEROMBOL = CLUSTER ANALYSIS
Analisis Gerombol hierarkhis: Jumlah gerombol belum diketahuiAnalisis tidak-hierarkhis: Jumlah gerombol telah diketahui
Metode Analisis: K-mean atau Agromeratif
Output: Kelompok-kelompok obyek
INPUT DATA:Raw data atau standardize dataData metrik atau non metrik
Kegunaan:Identifikasi banyaknya kelompok (Analisis hierarkhis)Prediksi anggota setiap kelompok (gerombol)Identifikasi karakteristik gerombol.
MULTIDIMENTIONAL SCALLING
Input data:Pendekatan komposisional: Data hasil pengukuran variabelPendekatan dekomposisional: Data jarak antar obyek
Output:Peta, mapping, obyek kajian
Estimasi: Metode ALSCAL.
KEGUNAAN:Positioning obyekClustering obyekIdentifikasi karakter setiap obyek atau kelompok obyek.
ANALISIS KORESPONDENSI
INPUT DATA: Tabel Frekuensi
OUTPUT:Berupa peta (mapping) kategori dari variabel
METODE PERHITUNGAN: Konsep Eigen value dan Eigen vektor
KEGUNAAN:Positioning kategori variabelClustering kategori dari beberapa variabelIdentifikasi profil suatu variabel berkaitan dengan kategori variabel lainnya.