Disusun Oleh :
Partial Least
Multikolinearitas Contoh Kasus
Square
Multikolinearitas
Dengan i = 1,2, . . .,n. Persamaan diatas dapat disajikan dalam bentuk matriks
sebagai berikut: *
y X * * e* (2)
Dengan y* adalah vektor variabel terikat yang sudah terstandarisasi
berukuran (n x 1), X* adalah matriks variabel bebas yang sudah
terstandarisasi berukuran (n x k), sedangkan 𝜷* (k x 1) merupakan vektor
parameter berukuran (k x 1) dan e* adalah vektor residual berukuran (n x 1).
Sebelum menentukan penduga parameter 𝜷* pada persamaan (2) terlebih
dahulu dibentuk komponen utama yang akan digunakan sebagai variabel
baru untuk mengestimasi parameter regresi y* dengan menggunakan
algoritma PLS1. Model regresi PLS dengan komponen utama dapat
dirumuskan sebagai berikut :
(3)
Dimana W merupakan matriks pembobot untuk matriks X* yang berukuran
(k x k) dan P’ merupakan matriks muatan yang berukuran (k x k). Dengan
mendefinisikan X*W = T dan P’ 𝜷* = c, maka persamaan (3) menjadi :
(4)
*
x
Dimana h 1) j adalah residu standar dari regresi dari setiap 𝑥𝑗 terhadap
(
𝑡1,𝑡2,…,𝑡ℎ−1. Perhitungan komponen PLS berhenti ketika tidak ada lagi variabel
prediktor yang signifikan membangun komponen PLS.
Model regresi partial least square dengan m komponen dapat dituliskan
sebagai berikut:
(9)
Data berjumlah 36
Penyelesaian Dengan Minitab
Analysis of Variance
Source DF SS MS F P
Regression 5 53863 10773 582.86 0.000
Residual Error 30 554 18
Total 35 54417
Number of components selected by cross-validation: 3
Number of observations left out per group: 1
Number of components cross-validated: 5
Source DF SS MS F P
Regression 3 53852.5 17950.8 1017.16 0.000
Residual Error 32 564.7 17.6
Total 35 54417.2
JUBs KURSs SBBSs IHKs PSBs SUNs SBIs 0.06051 -0.1109 -0.8977 -0.2914 -0.8977 -0.1305 -0.5376
-1.502 -0.5586 0.37799 -1.1797 0.37799 -1.4471 1.6014 0.07193 -0.1057 -0.8977 -0.1523 -0.8977 -0.0316 -0.6906
-1.5438 -0.8062 0.80323 -1.1542 0.80323 -1.4111 1.58765 0.15891 -0.0263 -0.8977 0.03764 -0.8977 0.0036 -0.7048
-1.4647 -0.9269 0.80323 -1.2156 0.80323 -1.2606 2.30711 0.25174 0.00335 -0.8977 0.04063 -0.8977 0.11362 -0.9741
-1.5076 -1.0697 0.80323 -1.2739 0.80323 -1.222 2.30555 0.34354 0.03192 -0.8977 0.07353 -0.8977 0.36289 -0.9463
-1.4041 -1.1089 0.80323 -1.2514 0.80323 -1.1193 1.6532 0.45386 0.02134 -0.8977 0.08699 -0.8977 0.36958 -0.8198
1.41161 0.70646 0.09013 -0.8977 0.19615 -0.8977 0.19338 -0.7576
-1.1776 -1.0454 0.80323 -1.1483 0.80323 -1.0741
0.60831 0.11976 -0.8977 0.40402 -0.8977 0.35558 -0.6482
-1.1776 -1.1396 0.80323 -1.0211 0.80323 -0.9612 1.33159
0.64737 0.08695 -0.8977 0.55806 -0.8977 0.52193 -0.5713
-1.0338 -1.0655 0.80323 -0.8432 0.80323 -0.9346 1.11344
0.7445 0.14198 -0.8977 0.68816 -0.8977 0.56463 -0.4917
-0.978 -0.8062 0.80323 -0.7908 0.80323 -1.0261 0.66773
0.84189 0.14516 -0.8977 0.66722 -0.8977 0.70401 -0.4232
-0.8905 -0.7935 0.37799 -0.8133 0.37799 -0.8453 0.54296
1.00775 0.22982 -0.8977 0.66124 -0.8977 0.93816 -0.4364
-0.7594 -0.439 -0.4725 -0.7475 -0.4725 -0.7004 0.44047 -0.6959
0.97503 0.36422 -0.4725 0.87509 -0.4725 0.82901
-0.3848 -0.5469 -0.4725 -0.6383 -0.4725 -0.7023 0.07108 1.21139 0.73355 0.37799 1.563 0.37799 1.04918 -0.8543
-0.4358 -0.6189 -0.4725 -0.4903 -0.4725 -0.554 -0.2008 1.20074 1.41719 1.22846 1.80527 1.22846 1.2243 -1.0168
-0.4487 -0.529 -0.8977 -0.4813 -0.8977 -0.3295 -0.3483 1.40794 2.14634 1.6537 1.729 1.6537 1.40141 -1.0392
-0.291 -0.4284 -0.8977 -0.4678 -0.8977 -0.4207 -0.4411 1.38968 1.74525 1.6537 1.74844 1.6537 1.90718 -0.5472
-0.2519 -0.4178 -0.8977 -0.4275 -0.8977 -0.3165 -0.4208 1.48504 2.53154 2.07894 1.77386 2.07894 2.14154 -0.5465
-0.0873 -0.021 -0.8977 -0.414 -0.8977 -0.2471 -0.4174 1.77213 2.7559 2.07894 1.8935 2.07894 2.054 -0.504
Penyelesaian dengan Manual bantuan SPSS
0.879 x1* 0.965 x3* 0.974 x5* 0.853x6* 0.879 x1* 0.965 x3* 0.974 x5* 0.853x6*
t1
0.879 2 0.9652 0.974 2 0.8532 1.8385
0.478 x1* 0.524 x3* 0.529 x5* 0.464 x6*
Subtitusi nilai 𝑥𝑗∗ ke Persamaan diatas, sehingga diperoleh nilai dari 𝑡1 adalah
sebagai berikut :
t1 -0.5241786
-0.9076224 -0.467471
-0.9999932 -0.3179864
-0.676352 -0.3689731
-0.7555036 -0.1933154
-1.0108346 -0.1290801
-1.0145786 -0.1033645
-0.9704193 0.1562778
0.3450137
-0.9289134
0.4990159
-1.0327617
0.5950678
-1.0007188
0.7501544
-0.7676675
0.7483075
-0.934434 1.3282841
-0.9390071 1.7992356
-0.8409908 2.1911064
-0.8771269 2.5054273
-0.7863745 3.0188988
-0.5513553 3.1622334
Pembentukan Komponen PLS kedua, t2
*
0.176 x11 0.460 x12
*
0.455 x13
*
0.460 x14
*
0.476 x15
*
0.476 x16
*
t2
0.1762 0.4602 0.4552 0.4602 0.4762 0.4762
0.176 x11* 0.460 x12* 0.455 x13* 0.460 x14* 0.476 x15* 0.476 x16*
1.05563
0.166 x11* 0.435 x12* 0.431x13* 0.435 x14* 0.451x15* 0.451x16*
Subtitusi nilai 𝑥1𝑗∗ ke Persamaan diatas, sehingga diperoleh nilai dari 𝑡2 adalah
sebagai berikut :
t2 1.86225
-2.9501 2.13111
-3.2364 2.12856
-4.3852 2.57295
-4.3122 2.52562
-3.1862 2.31882
-2.8024 2.17772
1.99912
-2.6065
1.90357
-2.2637
1.75178
-1.6443
1.64007
-0.9952 1.63032
-0.1147 1.57028
0.56935 0.82874
1.08052 -0.0947
1.73293 -0.8595
1.83498 -1.461
1.80299 -2.2845
1.601 -2.4661
Pembentukan Komponen PLS ketiga, t3
Pada tahap ini, ternyata hanya variabel KURS (x1) yang signifikan.
Sehingga akan dihitung komponen PLS ketiga, untuk membangun
komponen PLS ketiga diperlukan koefisien residu 𝑥21 yaitu residu
yang dihasilkan dari persamaan regresi antara var 𝑥1 terhadap 𝑡1 dan
t2.
Koefisien Regresi t1 dan t2 terhadap x1
0.039 x21
*
0.039 x21
*
t3
0.039 2 0.039
1x21
*
Subtitusi nilai 𝑥21∗ ke Persamaan diatas, sehingga diperoleh nilai dari 𝑡3 adalah
sebagai berikut :
t3 -0.8831
-1.2896 -0.6628
-0.6298 -0.499
0.69702 -0.6976
1.04168 -0.2471
0.59517 -0.0345
-0.2632
0.39977
0.43243
0.97468
1.16964
0.87607
1.41802
-0.4091
1.6981
-0.2221
1.85696
-0.7376 1.28326
-0.6996 1.51397
-0.3118 0.04973
-0.226 -1.8301
-0.7393 0.73755
-0.4908 -0.9901
-1.3982 -1.4825
Pembentukan Komponen PLS keempat, t4