Pokok Bahasan :
Multikolinier &
penanganannya
Y=Xβ+ε
Dengan
Y = vektor peubah tak bebas (nx1)
X = matriks peubah bebas (nxk)
β = vektor penduga parameter (kx1)
ε = vektor sisaan/galat (nx1)
Beberapa asumsi yang mendasari
model tersebut adalah :
n = √( λmax / λmin )
VIF1=1/(1-R1)
X1=a+b1X2+b2X3 -> R1
X2=a+b1X1+b2X3 -> R2
X3=a+b1X1+b2X2 -> R3
Cara dan pendekatan yang dilakukan
untuk mengatasi masalah
multikolinearitas, seperti:
standardized residual
Analysis of Variance
Source DF SS MS F P
Regression 6 1.34843E+19 2.24739E+18 95.08 0.000
Residual Error 23 5.43645E+17 2.36367E+16
Total 29 1.40280E+19
Source DF Seq SS
X1 1 3.71673E+18
X2 1 4.09562E+18
X3 1 5.11166E+18
X4 1 4.61654E+17
X5 1 1.28943E+16
X6 1 8.57703E+16
Unusual Observations
X1 X2 X3 X4 X5
X2 -0.139
0.465
X3 0.141 -0.550
0.458 0.002
Analysis of Variance
Source DF SS MS F P
Regression 2 1.22296E+19 6.11480E+18 91.81 0.000
Residual Error 27 1.79836E+18 6.66059E+16
Total 29 1.40280E+19
Source DF Seq SS
W1 1 1.22291E+19
W2 1 5.49081E+14
Unusual Observations
Obs W1 Y Fit SE Fit Residual St Resid
3 -3.65 12610093 -644713694 127246505 657323787 2.93R
Transformasi peubah Z ke peubah asal (X)
Y = 7.14E+08 + 3.71E+08 W1 + 3798390 W2