Dokumen tersebut membahas tentang regresi komponen utama yang digunakan untuk menghilangkan multikolinearitas dan menyederhanakan variabel independen melalui transformasi ke komponen-komponen utama hasil analisis komponen utama. Metode ini melibatkan pemilihan komponen-komponen utama berdasarkan nilai eigen untuk membentuk variabel baru tanpa korelasi.

1. PRINCIPAL COMPONENT
REGRESSION
Kelompok 2
Analisis Regresi A

2. PRINCIPAL COMPONENT REGRESSION
Peubah tak
bebas
Komponen-
komponen
utama
terhadap tidak saling
berkorelasi
= kombinasi linear
dari semua peubah
bebas
Untuk menghilangkan:
 Multikolinearitas
 Semua peubah bebas yg masuk ke model

3. PRINCIPAL COMPONENT REGRESSION
TUJUAN
Menyederhanakan peubah yg diamati
Menghilangkan korelasi melalui
TRANSFORMASI
PRINCIPAL COMPENENT ANALYSIS (PCA)
Tidak lagi ada multikolinearitas
 Transformasi peubah asal
ke peubah baru
 Dibentuk p buah komponen
utama
 Dipilih k buah komponen
utama

4. MULTIKOLINEARITAS
Variabel
bebas
Variabel
bebas
berkorelasi
DIAGNOSA
Perubahan besar pada koefisien regresi
Uji individu terhadap koefisien regresi bagi
peubah bebas tidak signifikan
Koefisien regresi dugaan >< koefisien regresi yg diharapkan
ρ besar antara pasangan-pasangan peubah bebas
dalam matriks korelasi

5. MULTIKOLINEARITAS
Besaran pendeteksi:
Variance Inflation Factor (VIF)
VIF > 10 diindikasikan ada multikolinearitas

6. CONTOH KASUS PENERAPAN
No X1 X2 X3 Y
1 1 2 1 3
2 2 4 2 9
3 3 6 4 11
4 4 7 3 15
5 5 7 2 13
6 6 7 1 13
7 7 8 1 17
8 8 10 2 21
9 9 12 4 25
10 10 13 3 27
11 11 13 2 25
12 12 13 1 27
13 13 14 1 29
14 14 16 2 33
15 15 18 4 35
16 16 19 3 37
17 17 19 2 37
18 18 19 1 39

7. 1. Analisis Multikolinearitas
1) Regresikan variabel X dan Y
2) Lihat nilai R2 dan signifikansinya
Terdapat 2 variabel yang non-signifikan, maka cari VIF

8. 1. Analisis Multikolinearitas
3) Nilai VIF
Nilai VIF > 10
MULTIKOLINEARITAS

9. 1. Analisis Komponen Utama
Z1 Z2 Z3
-1.5922 -1.75788 1
-1.40488 4 2
-1.21756 6 4
-1.03024 7 3
-0.84293 7 2
-0.65561 7 1
-0.46829 8 1
-0.28098 10 2
-0.09366 12 4
0.093659 13 3
0.280976 13 2
0.468293 13 1
0.65561 14 1
0.842927 16 2
1.030244 18 4
1.217562 19 3
1.404879 19 2
1.592196 19 1
1) Pembakuan data

10. 1. Analisis Komponen Utama
2) Matriks korelasi
X1 X2 X3
X1 1
X2 1
X3 1
3) Komponen Utama
PC1 PC2 PC3
Z1 0.701391
Z2 0.707741
Z3
4) Eigen Value
λ1 λ2 λ3
1.994969 1.004003 0.001027

11. 1. Analisis Komponen Utama
W1 W2 W3
-1.5922 -1.75788 1
-1.40488 4 2
-1.21756 6 4
-1.03024 7 3
-0.84293 7 2
-0.65561 7 1
-0.46829 8 1
-0.28098 10 2
-0.09366 12 4
0.093659 13 3
0.280976 13 2
0.468293 13 1
0.65561 14 1
0.842927 16 2
1.030244 18 4
1.217562 19 3
1.404879 19 2
1.592196 19 1
5) Skor Komponen Utama

12. 1. Analisis Komponen Utama
OUTPUT MINITAB
Karena W2 tidak signifikan, maka dihilangkan

13. 1. Analisis Komponen Utama
OUTPUT MINITAB

14. 1. Analisis Komponen Utama
dibakukan dari Z ke X
Sehingga diperoleh persamaan regresi taksirannya:
Bukti bahwa tidak ada multikolinearitas