MATERI STATISTIKA LANJUT

• Analisis Multivariate
– Analisis Komponen Utama dan Faktor
– Analsis Kelompok
– Analisis Diskriminan
• Analisis Time Series
– ARIMA
– Fungsi Transfer
– VAR dan GSTAR
• Pustaka
– Time Series Analisis, W.W. Wei , Pearson International
Edition, 2006
– Applied Econometric Time Series, W. Enders, John
Wiley, 2004
– Applied Logistic Regression, D. W. Hosmer and S.
Lemeshow, John Wiley, 1989
– Applied Multivariate Statistical Analysis, R.A. Johnson
& D.W. Wichren, Prentice Hall, 1998
– Applied Multivariate Techniques, S. Sharma, John
Wiley, 1996
– Applied Multivariate Analysis, Hair and Tatam, 1998
 .

Pengantar Matriks
(Eigen value dan eigen vector)

• Jika matrik mempunyai scalar λ disebut eigen

value (akar kharakteristik) dari jika ada vector x
yang tidak nol, sehingga
• Contoh :
• contoh : Carilah eigenvalue dan eigen vektor
dari matrik berikut !

• Polinomial λ
Analisis Komponen Utama dan
Analisis Faktor

Brodjol Sutijo
 Analisis Komponen Utama
• Mengatasi keberadaan multikolinear
• Mereduksi dimensi variabel agar mempermudah
interpretasi.
• Meskipun dimensi varibel berkurang informasi yang
diperoleh masih cukup berarti.
• informasi yang hilang tidak terlalu banyak.
• Jika ada n sampel dan setiap sampel diamati
sebanyak p variable.
• variable baru Y : kombinasi linear dari variable X

• varian Y :

• penyusunan komponen utama memperhatikan keragaman

masing-masing komponen utama.

• Untuk membentuk komponen utama dengan tingkat

keragaman besar adalah dengan memilih nilai

sedemikian sehingga varian Y maksimum

• Hal ini dapat diselesaikan dengan metode pengganda
lagrange,

• λ : nilai karakterikstik
• α : vector karakteristik
• Jika persamaan di atas dikaliakan dengan α’, maka

• Sehingga λ adalah varian dari Y dan α adalah koefisien

kombinasi linear X
• Kombinasi linear ke i

• Varian komponen ke i
• Satuan pengukuran tidak sama

• Matrik var-covar Matrik korelasi

• Bila komponen utama diambil sebanyak q (q<p), maka
persentase keragaman data yg dapat diterangkan oleh q
komponen utama :
Contoh
• Data kab sidoarjo
• Korelasi dan nilai eigen

•
Koefisien Persamaan Komponen Utama
•
Analisis Komponen Utama data Sidoarjo (SPSS)
•
 Analisis Faktor
• Tujuan analisis factor : menggambarkan hubungan
covarian beberapa variable dalam sejumlah factor.
• Variabel-variabel yang berkorelasi tinggi akan
dikelompokkan menjadi satu kelompok (factor).
• analisis komponen utama mempunyai sifat :
 Mampu menerangkan semaksimal mungkin keragaman
 Antara komponen satu dengan yang lain saling bebas
• Pada analisis factor, selain mempunyai sifat di atas,
juga mempunyai pola yang terstruktur.
• Pada analisis factor variable yang teramati
adalah
tergantung pada variable yang tidak teramati

dan (m < p).

sehingga dapat dinyatakan

•
• Bila dinyatakan dengan notasi matrik

• Variable yang tidak teramat i memenuhi kondisi :

Struktur kovarian untuk model factor
• Jumlah kuadrat loading variable ke i untuk m buah
common factor disebut kumunalitas

• varian dari variable X mempunyai dua komponen

(komunalitas dan factor spesifik )

• Dekomposisi spektral matrik covarian dari variable X

adalah
• Transformasi varimax
dimana
• Nilai common factor atau factor yang tidak teramati
(F) disebut skor factor
Data Sidoarjo

• Rotasi
• Analisis Faktor (SPSS)
 Aplikasi : AKU dan AF
• Data Hatco (Multivariate data Analysis : Hair dkk)
• Matrik plot
• Matrik Korelasi
• Marginal plot
• Pengujian distribusi normal
•
• Analisis komponen utama
– Korelasi

– Eigen value
• Eigen vektor

• Eigen vektor 3 komponen utama

• Analisis Faktor
• Rotasi varimaks loading faktor

• Skor faktor
 latihan
• Seorang analis industry ingin memprediksi penjualan
mobil dari beberapa predictor. Akan tetapi banyak
predictor yang berkorelasi, sehingga ada ketakutan
tentang keberadaan korelasi tersebut terhadap hasil
yang akan diperoleh.
• File car_sales.sav adalah contoh untuk memanage
prediktor tersebut
• Lakukan analisis komponen utama dan analisis faktor
untuk menganalisis data tersebut (Pilih variabel
Vehicle sampai Fuel efficiency )