Deteksi Influence
Upcoming SlideShare
Loading in...5
×
 

Deteksi Influence

on

  • 1,453 views

 

Statistics

Views

Total Views
1,453
Slideshare-icon Views on SlideShare
1,446
Embed Views
7

Actions

Likes
1
Downloads
42
Comments
0

2 Embeds 7

http://www.slideshare.net 6
http://vita-oktaviyanti.blogspot.com 1

Accessibility

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

    Deteksi Influence Deteksi Influence Presentation Transcript

    • Deteksi Influence Analisis Eksplorasi Data ST1312
    • Outlier
      • (Sekelompok) Data yang terpisah/terpencil dari kumpulannya
      • Mengapa penting ?
      • Jika berpengaruh thd model  model tidak merepresentasikan data dengan tepat
      • Mengapa sesuatu yang sedikit bisa mempengaruhi kesimpulan ?
      • Dunia dibentuk oleh para outlier : Diktator sangat kejam, penemuan ilmuwan sangat pintar, miss world sangat cantik, koruptor paling rakus, permainan harga oleh pedagang sangat kaya, kebijakan satu orang sangat berkuasa terhadap rakyatnya
    • Outlier tak berpengaruh Marlboro
    • Outlier berpengaruh kasus data time series Dugaan : beda satuan = kasus Mars Kasus ‘Telkom’ USA
    • Outlier berpengaruh kasus clustering
      • Outlier :
      • Tidak berpengaruh
      • Berpengaruh  Influence
    • Regresi dengan/tanpa outlier
      • The regression equation is Sale = 5.02 + 20.5 Adv
      • Predictor Coef SE Coef T P
      • Constant 5.019 0.710 7.07 0.000
      • Adv 20.505 1.025 20.00 0.000
      • S = 0.9807 R-Sq = 97.6% R-Sq(adj) = 97.3%
      • Tanpa Marlboro
      • The regression equation is Sale = 5.03 + 20.5 Adv
      • Predictor Coef SE Coef T P
      • Constant 5.035 1.857 2.71 0.024
      • Adv2 20.476 3.291 6.22 0.000
      • S = 1.034 R-Sq = 81.1% R-Sq(adj) = 79.0%
    • Beberapa alat pendeteksi influence
      • Leverage (h i =v ii =r ii )
        • Alat pendeteksi pencilan pada variabel prediktor (X) (tanpa dihubungkan respon)
        • Leverage observasi ke-i (h i ) adalah elemen diagonal ke-i. Leverage observasi ke-i h i > 3p/n disebut Unusual observation / observasi yang jauh dari “seharusnya”.
        • p= banyak parameter termasuk  0
        • n= banyak observasi
    • Beberapa alat pendeteksi influence
      • 2. Cook’s Distance
        • Alat pendeteksi pencilan yang mengkombinasi leverage dan Studentized Residual untuk mengukur seberapa jauh kombinasi X,Y menyimpang dari “seharusnya”
        • Cook’s Distance(i) mengukur jarak antar koefisien jika observasi ke-i dimasukkan dan tidak pada model.
      > F .5,p,0-p
    • Beberapa alat pendeteksi influence
      • 3. DFFIT
        • Alat pendeteksi pencilan berdasarkan perbedaan nilai Y-hat dengan dan tanpa pengamatan ke-i
    • Beberapa alat pendeteksi influence
      • 4. DFBetas
        • Alat pendeteksi pencilan berdasarkan perbedaan nilai koefisien regresi dengan dan tanpa pengamatan ke-i
    • Beberapa alat pendeteksi influence
      • 5. CovRatio
        • Rasio determinan matriks koefisien regresi dengan dan tanpa pengamatan ke-i
    • Tips mengatasi Influence
      • Apa penyebabnya ?
      • Salah ukur, salah entry, kejadian luar biasa  Cari tahu sebabnya
      • Solusi ?
      • Modelkan tersendiri
        • Dummy variable (Regr, Time Series),
        • Model Intervensi (Time Series)
      • Anggap Missing Value (Time Series, Regr, ANOVA dsb)
    • Contoh
      • SPSS  Data world95
      • Minitab  Exh_regr
    • SPSS
    • Data>Select Cases…
      • Data tertentu
    • Analyze>Regression>Linear…
      • syntax
      respon prediktor Deteksi influence
    • Klik save
    • Minitab File>open worksheet…>exh_regr
    • Stat>regression>regression
    •