MULTIVARIATE
Oleh:
SRI MARYATI
Obyek
Pengamatan Variabel
X4
Multi-Variabel
Analisis multivariate
MULTIVARIATE ANALYSIS
PENGERTIAN
• Teknik Analisis Multivariat merupakan teknik
statistik yang menganalisis perbandingan atau
hubungan 2 variabel atau lebih.
• Menurut sifat dan tujuan penelitian digolongkan
menjadi: multivariat untuk komparasi dan
multivariat untuk korelasi.
• Uji X2 untuk kontingensi m x n, sedangkan
multivariat komparasi dipakai teknik Anova atau
Anakova dua jalur.
Multivariate Analysis (MA):
Metode analisis yang berkenaan dengan sejumlah besar variabel yang datanya
diperoleh secara simultan dari setiap obyek pengataman
Diagonalnya berupa varians (ragam) dari setiap variabel, sedangkan unsur lainnya
berupa kovarians (peragam) antar variabel. Matriks S bersifat simetris atau
setangkup
x= x1 y= 2 A= 2 5 A : matriks
x2 4 4 10 transformasi
linear
Kalau Matriks A bersifat simetris, maka akar ciri dari Aadalah riil dan memiliki
vektor ciri yang saling bebas (ortogonal)
KLASIFIKASI APG:
Input Data: Data dari variabel observasi atau skor dari indikator variabel latent.
Data yg dianalisis data mentah, bukan data standardize
Metode Estimasi:
Model Rekursif = Metode OLS
Exact identified = Metode ILS
Over identified = Metode TSLS
Under identified = Diberi kendala, shg menjadi Exactidentified
Output:
Berupa model, setara dengan hasil analisis Regresi
Kegunaan:
Alat untuk eksplanasi, atau prediksi, setara dengan REGRESI
ANALISIS PATH = Analisis Jalur, Analisis Lintas, Sidik Lintas
Input Data:
Data dari variabel observasi atau skor dari indikator variabel latent. Data yg dianalisis
data standardize
Metode Estimasi:
Modelnya harus rekursif, sehingga dapat digunakan metode OLS
Output:
Model Lintasan atau Jalur-Jalur, pengaruh
Kegunaan:
Untuk menentukan variabel mana yang berpengaruh dominan dan jalur mana yang
berpengaruh lebih kuat
SEM = Sructural Equation Modelling
Input Data:
Data dari variabel observasi atau skor dari indikator variabel latent. Data yg dianalisis berupa
matriks kovarians atau matriks korelasi.
Metode Estimasi:
Maximum Likelihood (ML), TSLS, PLS
Output
Model struktural, Model Lintasan Pengaruh
Kegunaan:
Merupakan gabungan kegunaan antara analisis faktor, Analisis Path, dan Analisis Regresi
ANALISIS KORELASI KANONIK
Keeratan hubungan antara kelompok variabel dgn kelompok variabel lainnya
Input Data:
Data yg digunakan adalah data hasil pengukuran (metrik)
Metode Estimasi:
Output:
Koefisien Korelasi Kanonik
Kegunaan:
Alat untuk eksplanasi ke-eratan hubungan antar kelompok variabel
MANOVA = Menguji perbedaan variabel dependent pada kategori-kategori dari variabel
independent. Kalau adavariabel penyerta dapat digunakan MANCOVA
Input Data:
Untuk variabel dependent: data hasil pengukuran (metrik)
Untuk variabel independent: Data kategori (non-metrik)
Metode Estimasi:
Konsep dekomposisi komponen ragam (varians)
Output:
Tabel MANOVA
Kegunaan:
Untuk mengetahui apakah secara simultan dari sekumpulan variabel dependent terjadi
perbedaan yang signifikan.
REGRESI BERGANDA = Regresi Linear Berganda
Output:
Model atau persamaan regresi berganda
Kegunaan:
Alat untuk eksplanasi atau alat untuk prediksi,
Prediksi nilai variabel dependent kalau nilai variabel independent diketahui
ANALISIS DISKRIMINAN
Input Data:
Raw data, bukan standardize data
Variabel dependent: kategori n(non-metrik)
Variabel independent: Metrik dan/atau non-metrik
Metode Estimasi:
Konsep Eigen Value dan Eigen Vector
Output:
Fungsi deskriminan
Kegunaan:
Alat untuk prediksi alternatif, pengelompokkan obyek, faktor determinan
Alat untuk menentukan variabel mana yang merupakan pembeda terkuat
MODEL LOGIT, PROBIT, TOBIT, GOMPIT, LPM
Input Data:
Raw data, bukan standardize data
Variabel dependent: kategori n(non-metrik)
Variabel independent: Metrik dan/atau non-metrik
Output:
Model atau persamaan
Kegunaan:
Alat untuk eksplanasi odd-ratio
Alat untuk prediksi peluang suatu kategori dari variabel dependent kalau nilai variabel
independen diketahui
PRINCIPLE COMPONENT ANALYSIS: PCA
Input Data:
Matriks kovarians: kalau semua variabel punya satuan yg sama dan homogen, dipakai raw data
Matrik korelasi: kalau satuannya tidak sama, standardize data
Metode Estimasi:
Konsep Eigen Value dan Eigen Vector
Output:
Variabel komposit atau disebut Dimensi, Komponen Utama
Nilai dari variabel komposit
Kegunaan:
Eksplorasi Dimensi yg terkandung dalam sekumpulan variabel
Mendapatkan skor dari Komponen Utama
Mapping objects
Clustering objects
Menghilangkan multikolinearitas pd regresi berganda
FACTOR ANALYSIS
Input Data:
Raw data atau standardize data, seluruh variabel mempunyai “common factor”
Metode Estimasi:
Konsep Eigen value & Eigen vector
Output:
Faktor hasil ekstraksi, Skor dari faktor ini (data dari variabel laten). Variabel laten ini juga
disebut DIMENSI
Kegunaan:
Analisis faktor konfirmatori: Mencari dimensi yg terkandung dalam
sekumpulan variabel (atau faktor)
Mapping objects
Clustering object
Mendapatkan data dari suatu DIMENSI atau Variabel Laten
ANALISIS GEROMBOL = CLUSTER ANALYSIS
Analisis Gerombol hierarkhis: Jumlah gerombol belum diketahui
Analisis tidak-hierarkhis: Jumlah gerombol telah diketahui
INPUT DATA:
Raw data atau standardize data
Data metrik atau non metrik
Kegunaan:
Identifikasi banyaknya kelompok (Analisis hierarkhis)
Prediksi anggota setiap kelompok (gerombol)
Identifikasi karakteristik gerombol.
MULTIDIMENTIONAL SCALLING
Input data:
Pendekatan komposisional: Data hasil pengukuran variabel
Pendekatan dekomposisional: Data jarak antar obyek
Output:
Peta, mapping, obyek kajian
KEGUNAAN:
Positioning obyek
Clustering obyek
Identifikasi karakter setiap obyek atau kelompok
obyek.
ANALISIS KORESPONDENSI
METODE PERHITUNGAN:
Konsep Eigen value dan Eigen vektor
OUTPUT:
Berupa peta (mapping) kategori dari variabel
KEGUNAAN:
Positioning kategori variabel
Clustering kategori dari beberapa variabel
Identifikasi profil suatu variabel berkaitan dengan kategori variabel
lainnya.
ANALISIS KOMPARATIF
ANALISIS KOMPARATIF
Berdasarkan Permasalahan:
Perbandingan suatu populasi (sampel) dg standart
Perbadingan dua populasi (sampel)
Perbandingan lebih dari dua populasi (sampel)
Uji
NOMINAL Uji Binomium Uji McNemar Uji Eksak Fisher Uji Q Chocran 2
Uji 2
ORDINAL Uji Kolmogorof S. Uji Tanda Uji Median Uji Friedman Uji Kruskal
Uji Deret Uji Tanda Wilcoxon Uji MannWhitney Wallis
Uji Kolmogorof S.
Uji Wald W.
Uji Moses
INTERVAL Uji Walsh
DAN RATIO Uji Randomisasi
ANALISIS PARAMETRIK1)
INTERVAL Uji Z, 2 diketahui Uji Z, 2 diketahui Uji Z, 2 diketahui Uji F; melalui Uji F, melalui
DAN RATIO Uji t, 2 tdkdiketahui Uji t, 2 tdkdiketahui Uji t, 2 tdkdiket. ANOVA ANOVA
(dengan (tanpa
pemblokan) pemblokan)
RAK, RBSL RAL
Pengujian Hipotesis :
Terima H0 (p = 0.310)
Interpretasi :
Tidak terdapat perbedaan yang
signifikan penjualan saham harian
antara perusahaan jasa dengan
manufaktur
HASIL ANALISIS
2) Data Leverage (ratio) : T-Test
Pengujian Hipotesis :
1) Leven’s Test : Terima H0 (p = 0.126); gunakan equal variance assumed
2) T Test : Terima H0 (p = 0.764)
Interpretasi :
Tidak terdapat perbedaan yang signifikan Leverage antara perusahaan jasa dengan
manufaktur
HASIL ANALISIS
3) Uji Simultan seluruh variabel : MANOVA
INTERPRETASI
1) Antara perusahaan yang penjualan saham harianya naik, konstan dan turun terjadi
perbedaan yang signifikan
2) Untuk mengetahui dari ketiga variabel (NPS, NPM dan Leverage), mana yang
signifikan dilakukan uji F dengan ANOVA
HASIL ANALISIS
4) Data NPS (ratio) : ANOVA (F-Test)
HASIL ANALISIS
4) Data NPM (ratio) : ANOVA (F-Test)
HASIL ANALISIS
4) Data Leverage (ratio) : ANOVA (F-Test)
INTERPRETASI
Diringkas dalam bentuk Tabel hasil Uji Tukey
Means
Kondisi NPS NPM Leverage