STATISTIK

PRESS

PRESS residual:
Memberikan error prediksi dimana observasi
yang diprediksi bebas terhadap fiiting model.

(prediction sum of square)

GOAL:
Mengetahui seberapa baik
suatu kandidat model
dalam memprediksi nilai
respon yang data
terobservasinya tidak
digunakan untuk
membangun model
tersebut.

merupakan prediksi data ke i

dengan model yang tidak menggunakan
data ke i dalam menghitung koef.
regresinya.
Rumus lain:

KRITERIA PEMILIHAN MODEL BERDASAR PRESS residual:

a.

b.

PRESS

Kriteria b. Lebih sensitif apabila terdapat salah satu/beberapa nilai press residual yang
besar

Dibandingkan dengan
rata-rata nilai
terobservasi yi untuk
melihat error signifikan
atau tidak

Contoh Perhitungan

Contohnya: Model yang menggunakan X2 dan X5 saja sebagai regressornya

Langkah:
a. Pilih i=1
b. Prediksi koefisien regresi dr model regresi diatas dengan membuang observasi ke i=1
dalam prhitungan.
c. Setelah mendapatkan model regresinya, gunakan model tersebut untuk mengestimasi
hasil dari observasi yang telah dihilangkan. (dalam hal ini observasi prtama)
d. Maka diperoleh
untuk model regresi diatas.
e. Lakukan untuk i lainnya (i=1,...,n)

of Prediction
,dengan PRESS

: Menyatakan variasi yang secara ideal dijelaskan oleh model regresi

: Menyatakan kemampuan dari persamaan

regresi untuk memprediksi observasi yang
independent terhadap model.

List of all
possible models
Kegunaan:
Untuk mengeliminasi
model model yang tidak signifikan
Dapat dilihat bahwa model yang
memuat regressor X2 dan X5
termasuk model yang baik

Statistik

Cp

Masalah:
a. Bias yang besar ketika
kita memilih terlalu sedikit
regressor (underfit)
b. Variansi prediksi yang
besar ketika memilih
model yang overfit
Kegunaan:
Memilih model terbaik
dengan
mempertimbangkan
prinsip parsimony dan
kesederhanaan model.

P: Jumlah parameter yang diprediksi

: mean square error dari full

model

: mean square error dari kandidat

model

Bias bisa negatif ketika full model bukan merupakan estimator yang
baik. Sehingga Cp kurang dari p.

 WEAKNESS
Cp dan PRESS hanya digunakan jiga parameter
dari full model (p) kecil. Hal ini dikarenakan
apabila p besar maka subset variabel yang
digunakan dalam regresi sangatlah banyak.
Apabila p besar, maka gunakan forward
selection, backward selection atau stepwise
regression.