Apa itu Analisis Multivariate ?

Analisis Multivariate Kapan? Asumsi Kelebihan & kekurangan
Analisis Diskriminan 1. Mengklasifikasikan variabel bebas ke variabel respon (yang diketahui jumlahnya)

2. variabel Respon            [ kualitatif ]

3. variabel bebas          [ kuantitatif ]

4.  jumlah kelompok sudah diketahui

1. Sejumlah p variabel penjelas harus berdistribusi normal

2. Matriks varians covarian variabel penjelas berukuran pxp pada kedua kelompok harus sama.

Hasil pengelompokan tidak selalu sama dengan pengelompokkan awal

 

Analisis Korespondensi
  1. Ketika ingin menetapkan kategori-kategori yang mirip dalam satu peubah (mereduksi)
  2. Data kategorik
Seperti non parametrik, tidak membutuhkan asumsi kenormalan, multikolinieritas, dsb 1. sangat tepat untuk menganalisis data variabel kategori ganda.

2. Menggambarkan hubungan antar kategori setiap baris dan kolom

3. Cukup fleksibel untuk data matriks berukuran besar

4. Tidak cocok untuk pengujian hipotesis, tetapi tepat untuk ekspolrasi data

5. tidak ada metode untuk menentukan jumlah dimensi yang tepat

Analisis Biplot 1. Menginterpretasikan suatu peubah & objek yang banyak

2. menyajikan posisi relatif dan objek pengamatan (perusahaan , varietas, dsb) dengan p peubah secara simultan dalam dua dimensi

 

  1. Pengujian Kenormalan Galat
  2. Melihat kebebasan galat dengan yang lainnya
  3. Pengujian kehomogenan ragam
  4. Pengujian keaditifan model

 

Pereduksian ruang dimensi banyak menjadi dimensi dua berakibat menurunnya informasi yang terkandung dalam biplot
Analisis Korelasi Kanonik 1. Melihat hubungan antara beberapa peubah dependen dengan beberapa peubah independen

2. Menguraikan struktur hubungan di dalam gugus peubah dependen maupun dalam gugus peubah independen

 

1. Linieritas

2. Multivariate Normality

 

 
Structural Equation Models 1. Terdapat konstruk-konstruk yang tidak dapat diukur atau diamati secara langsung

2. Ingin mendapatkan model struktural yang dapat digunakan untuk keperluan prediksi

3. Menguji pengaruh (langsung dan tidak langsung) variabel bebas terhadap variabel tak bebas.

1. Ukuran sampel minimal 5 kali banyaknya seluruh manifest

2. Normalitas dan linieritas

3. tidak ada pencilan

4. tidak ada multikolinieritas

 
Partial Least Square Digunakan ketika asumsi-asumsi pada Structural Equation Models Seperti non parametrik, tidak membutuhkan asumsi kenormalan, multikolinieritas, dsb Untuk melihat pengaruh antara variabel digunakan uji t-statistik dengan prosedur bootstraping, yang akan menghasilkan nilai yang berbeda-beda.
This entry was posted in Uncategorized. Bookmark the permalink.

Leave a Reply