1 / 21

Regresi dengan Pencilan

Regresi dengan Pencilan. Eni Sumarminingsih , Ssi , MM. Identifikasi Pencilan pada Y. Dalam beberapa analisis regresi seringkali ditemukan adanya amatan ekstrem , yaitu bernilai jauh dengan amatan yang lain dalam sampel

doane
Download Presentation

Regresi dengan Pencilan

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. RegresidenganPencilan EniSumarminingsih, Ssi, MM

  2. IdentifikasiPencilanpada Y Dalambeberapaanalisisregresiseringkaliditemukanadanyaamatanekstrem, yaitubernilaijauhdenganamatan yang lain dalamsampel Adanyaamatanekstremataupencilaninidapatmenyebabkan residual yang besardanseringkalimemilikiefek yang besarpadadugaanfungsiregresi yang menggunakanOLS sehinggapendugakoefisienregresimenjadi bias danatautidakkonsisten

  3. Pencilanharusditelitidenganhati – hatiapakahsebaiknyaamataninidipertahankanataudihilangkan. Jikadipertahankan, efekpencilaniniharusdikurangi

  4. SuatuamatandapatmenjadipencilanpadaY ataupadaX ataupadakeduanya

  5. PendeteksianOutlier Untukpendeteksianpencilan , diperlukansuatumatriks yang dinamakan hat matrix yang dilambangkandenganH

  6. Penduga Y dapatditulissebagai Dengan

  7. Elemendiagonal darimatriksHmemberikaninformasitentang data observasi yang mempunyainilaileverage yang besar Elemen diagonal ke-idarimatriksH yang dilambangkandenganhiidiperolehdari:

  8. Denganadalahvektorbaris yang berisinilai-nilaidarivariabelbebasatauindependendalampengamatanke-i. Padaelemen diagonal matriksH, diperoleh dimana p adalahbanyaknyapeubahdalammodel

  9. Pendeteksianpencilanpada X Jikanilailebihbesardarimakapengamatanke-idikatakansebagaioutlier pada X (leverage point).

  10. PendeteksianPencilanpada Y Hipotesisyang digunakanuntukmengujiadalah: H0 : Pengamatanke-ibukanoutlier H1 : Pengamatanke-imerupakanoutlier Statistikujiyang dapatdigunakanuntukmengujiadalahstudentized residual ataustudentized deleted residual yang didefinisikan:

  11. PendeteksianPencilanpada Y Kriteriayang digunakanuntukmengujiadatidaknyaoutlieradalah dimana p adalahbanyaknyavariabelbebasditambahsatu

  12. PendeteksianPengamatanBerpengaruh Pengamatanberpengaruh • merupakanpengamatan yang berpengaruhbesardalampendugaankoefisienregresi • memilikinilaigalatatausisaan yang besarataumungkin pula tidak, tergantungpada model yang digunakan

  13. Metodeuntukmendeteksipengamatanberpengaruh • Cook’s Distance Cook’s Distance merupakanjarakantarapendugaan parameter dengan MKT yang diperolehdari n pengamatanatauobservasiyaitudanpendugaan parameter yang diperolehdenganterlebihdahulumenghapuspengamatanatauobservasike-iyaitu

  14. Jaraktersebutdapatdituliskansebagaiberikut: dengan

  15. Hipotesisuntukmengujiadanyapengamatanberpengaruhadalahsebagaiberikut:Hipotesisuntukmengujiadanyapengamatanberpengaruhadalahsebagaiberikut: H0 : Pengamatanke-itidakberpengaruh H1 : Pengamatanke-iberpengaruh kriteria yang digunakanuntukmengujihipotesistersebutadalahsebagaiberikut:

  16. 2. The Difference In Fits Statistic (DFITS) Hipotesisuntukmengujiadanyapengamatanberpengaruhadalahsebagaiberikut: H0 : Pengamatanke-itidakberpengaruh H1 : Pengamatanke-iberpengaruh merupakanpengaruhpengamatanatauobservasike-ipadanilaiduga yang didefinisikansebagai

  17. Kriteriayang digunakanuntukmengujihipotesistersebutadalah

  18. MetodeuntukPenangananPencilan • MetodeTheil Merupakanmetoderegresinonparametrik Tidakterpengaruhterhadapadanya data outlierataupencilan Asumsi: • Contoh yang diambilbersifatacakdankontinyu; • Regresibersifat linier; • Data diasumsikantidakberdistribusi normal.

  19. Misalkanterdapatn pasanganpengamatan, (X1, Y1), (X2, Y2), …, (Xn, Yn), persamaanregresi linier sederhanaadalah: Theil (1950) dalamSprent (1991, hal 179-180) mengusulkanperkiraanslopegarisregresisebagai median slopedariseluruhpasangangarisdarititik-titikdengannilaiX yang berbeda

  20. Untuksatupasangan (Xi, Yi) dan(Xj, Yj) slope-nyaadalah untuki < j pendugadinotasikandengandinyatakansebagai median darinilai-nilaisehingga

  21. Tugas 1 • Deteksipencilanpada X danpada Y • Deteksiadakahpengamatanberpengaruh • Dugalah beta menggunakanmetodeTheil ** PerhitungandilakukandiExcell **DipresentasikanMinggudepan

More Related