Professional Documents
Culture Documents
=
Mengatasi multikolinear
Membuang peubah bebas yang mempunyai
multikolinearitas tinggi terhadap peubah bebas
lainnya
Menambah data pengamatan/contoh
Melakukan transformasi terhadap peubah-peubah
bebas yang mempunyai kolinearitas
Ridge Regression
Partial Least Square Regression
Principal Component Regression (Regresi
Komponen Utama)
Analisis Komponen Utama
Analisis komponen utama pada dasarnya bertujuan
untuk menyederhanakan peubah-peubah yang diamati
dengan cara mereduksi dimensinya. Hal ini dilakukan
dengan menghilangkan korelasi di antara peubah melalui
transformasi peubah asal ke peubah baru (komponen
utama) yang tidak berkorelasi.
Analisis komponen Utama (lanjutan)
R
pxp
, simetrik dan non singular
direduksi
V` R V = D, v matriks orthogonal
1
,
2
, ,
p
> 0 adalah akarciri-akarciri dari matriks R
yang merupakan unsur-unsur diagonal matriks D
|R I|= 0
Matriks V yaitu v
1
, v
2
, ..., v
p
adalah vektorciri-vektorciri
dari matriks R.
(R I)v
j
= 0
Analisis Komponen Utama (Lanjutan)
Persamaan Regresi Linier Berganda:
Y = X| + c
X
dibakukan
Z
Karena V orthogonal VV`= I
Persamaan regresi awal dapat dituliskan:
Y = |
0
1 + ZVV` | + c
Y = |
0
1 + Wo + c
dengan W = ZV dan o = V`|
Komponen utama W
j
dapat dinyatakan dalam bentuk persamaan
berikut:
W
j
= v
1j
Z
1
+ v
2j
Z
2
+ ... + v
pj
Z
p
s
X X
Z
j
) (
=
Pemilihan Komponen Utama
Menggunakan akar ciri yang lebih besar dari 1
Dipilih k penyumbang keragaman terbesar, di
mana
r = rank matriks korelasi non singular
75 . 0
1
>
=
r
k
j
j