Jika tingkat korelasi antar variabel cukup tinggi, hal ini dapat menimbulkan masalah saat menyesuaikan dan menafsirkan model regresi.<\/span><\/p>\n Kasus multikolinearitas yang paling ekstrem disebut multikolinearitas sempurna<\/strong> . Hal ini terjadi ketika dua atau lebih variabel prediktor mempunyai hubungan linier yang tepat satu sama lain.<\/span><\/p>\n Misalnya, kita memiliki kumpulan data berikut:<\/span> <\/p>\n Perhatikan bahwa nilai variabel prediktor x 2<\/sub> hanyalah nilai x 1<\/sub> dikalikan 2.<\/span> <\/p>\n Ini adalah contoh multikolinearitas sempurna<\/strong> .<\/span><\/p>\n Ketika terdapat multikolinearitas sempurna dalam kumpulan data, kuadrat terkecil biasa tidak dapat menghasilkan estimasi koefisien regresi.<\/span><\/p>\n Memang benar bahwa tidak mungkin memperkirakan pengaruh marjinal suatu variabel prediktor (x 1<\/sub> ) terhadap variabel respons (y) sambil menjaga variabel prediktor lainnya (x 2<\/sub> ) tetap konstan karena x 2<\/sub> selalu bergerak tepat pada saat x 1<\/sub> bergerak.<\/span><\/p>\n Singkatnya, multikolinearitas sempurna membuat tidak mungkin memperkirakan nilai setiap koefisien dalam model regresi.<\/span><\/p>\n Cara paling sederhana untuk menangani multikolinearitas sempurna adalah dengan menghilangkan salah satu variabel yang mempunyai hubungan linier eksak dengan variabel lainnya.<\/span><\/p>\n Misalnya, pada kumpulan data sebelumnya, kita cukup menghapus x 2<\/sub> sebagai variabel prediktor.<\/span> <\/p>\n Kami kemudian akan menyesuaikan model regresi menggunakan x 1<\/sub> sebagai variabel prediktor dan y sebagai variabel respon.<\/span><\/p>\n Contoh berikut menunjukkan tiga skenario multikolinearitas sempurna yang paling umum dalam praktiknya.<\/span><\/p>\n Katakanlah kita ingin menggunakan “tinggi dalam sentimeter” dan “tinggi dalam meter” untuk memprediksi berat spesies lumba-lumba tertentu.<\/span><\/p>\n Seperti inilah tampilan kumpulan data kami:<\/span> <\/p>\n Perhatikan bahwa nilai “tinggi dalam sentimeter” sama dengan “tinggi dalam meter” dikalikan dengan 100. Ini adalah kasus multikolinearitas sempurna.<\/span><\/p>\n Jika kita mencoba menyesuaikan model regresi linier berganda di R menggunakan kumpulan data ini, kita tidak akan dapat menghasilkan estimasi koefisien untuk variabel prediktor “meter”:<\/span><\/p>\n Katakanlah kita ingin menggunakan “poin” dan “poin berskala” untuk memprediksi rating pemain bola basket.<\/span><\/p>\n Misalkan variabel \u201ctitik berskala\u201d dihitung sebagai:<\/span><\/p>\n Poin berskala = (poin \u2013 \u03bc poin<\/sub> ) \/ \u03c3 poin<\/sub><\/span><\/p>\n Seperti inilah tampilan kumpulan data kami:<\/span> <\/p>\n Perhatikan bahwa setiap nilai “poin berskala” hanyalah versi standar dari “poin”. Ini adalah kasus multikolinearitas sempurna.<\/span><\/p>\n Jika kami mencoba menyesuaikan model regresi linier berganda di R menggunakan kumpulan data ini, kami tidak akan dapat menghasilkan estimasi koefisien untuk variabel prediktor \u201ctitik berskala\u201d:<\/span><\/p>\n Skenario lain di mana multikolinearitas sempurna dapat terjadi dikenal sebagai perangkap variabel dummy<\/a> . Ini adalah saat kita ingin mengambil variabel kategori dalam model regresi dan mengubahnya menjadi “variabel dummy” yang bernilai 0, 1, 2, dst.<\/span><\/p>\n Misalnya, kita ingin menggunakan variabel prediktor “usia” dan “status perkawinan” untuk memprediksi pendapatan:<\/span> <\/p>\n Untuk menggunakan \u201cstatus perkawinan\u201d sebagai variabel prediktor, terlebih dahulu kita harus mengubahnya menjadi variabel dummy.<\/span><\/p>\n Untuk melakukan ini, kita dapat membiarkan “Lajang” sebagai nilai dasar, karena ini paling sering terjadi, dan menetapkan nilai 0 atau 1 untuk “Menikah” dan “Perceraian” sebagai berikut:<\/span> <\/p>\n Kesalahannya adalah membuat tiga variabel dummy baru sebagai berikut:<\/span> <\/p>\n Dalam hal ini, variabel \u201cLajang\u201d merupakan kombinasi linier sempurna dari variabel \u201cMenikah\u201d dan \u201cCerai\u201d. Ini adalah contoh multikolinearitas sempurna.<\/span><\/p>\n Jika kami mencoba menyesuaikan model regresi linier berganda di R menggunakan kumpulan data ini, kami tidak akan dapat menghasilkan estimasi koefisien untuk setiap variabel prediktor:<\/span><\/p>\n Panduan Multikolinearitas dan VIF dalam Regresi<\/a> Dalam statistik, multikolinearitas terjadi ketika dua atau lebih variabel prediktor berkorelasi tinggi satu sama lain, sehingga tidak memberikan informasi unik atau independen dalam model regresi. Jika tingkat korelasi antar variabel cukup tinggi, hal ini dapat menimbulkan masalah saat menyesuaikan dan menafsirkan model regresi. Kasus multikolinearitas yang paling ekstrem disebut multikolinearitas sempurna . Hal ini terjadi […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/parfaitmult1.png\")
<\/p>\n![\"contoh](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/parfaitmult2.png\")
<\/p>\n Masalah multikolinearitas sempurna<\/strong><\/span><\/h2>\n
Cara mengatasi multikolinearitas sempurna<\/strong><\/span><\/h2>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/parfaitmult3.png\")
<\/p>\n Contoh multikolinearitas sempurna<\/strong><\/span><\/h2>\n
1. Variabel prediktor merupakan kelipatan variabel lainnya<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/parfaitmult4.png\")
<\/p>\n #define data\n<\/span>df <- data. frame<\/span> (weight=c(400, 460, 470, 475, 490, 440, 430, 490, 500, 540),\n m=c(1.3, .7, .6, 1.3, 1.2, 1.5, 1.2, 1.6, 1.1, 1.4),\n cm=c(130, 70, 60, 130, 120, 150, 120, 160, 110, 140))\n\n#fit multiple linear regression model\n<\/span>model <- lm(weight~m+cm, data=df)\n\n#view summary of model\n<\/span>summary(model)\n\nCall:\nlm(formula = weight ~ m + cm, data = df)\n\nResiduals:\n Min 1Q Median 3Q Max \n-70,501 -25,501 5,183 19,499 68,590 \n\nCoefficients: (1 not defined because of singularities)\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 458,676 53,403 8,589 2.61e-05 ***\nm 9.096 43.473 0.209 0.839 \ncm NA NA NA NA \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 41.9 on 8 degrees of freedom\nMultiple R-squared: 0.005442, Adjusted R-squared: -0.1189 \nF-statistic: 0.04378 on 1 and 8 DF, p-value: 0.8395<\/strong><\/pre>\n 2. Variabel prediktor adalah versi transformasi dari variabel lain<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/parfaitmult5.png\")
<\/p>\n #define data\n<\/span>df <- data. frame<\/span> (rating=c(88, 83, 90, 94, 96, 78, 79, 91, 90, 82),\n pts=c(17, 19, 24, 29, 33, 15, 14, 29, 25, 22))\n\ndf$scaled_pts <- (df$pts - mean(df$pts)) \/ sd(df$pts)\n\n#fit multiple linear regression model\n<\/span>model <- lm(rating~pts+scaled_pts, data=df)\n\n#view summary of model\n<\/span>summary(model)\n\nCall:\nlm(formula = rating ~ pts + scaled_pts, data = df)\n\nResiduals:\n Min 1Q Median 3Q Max \n-4.4932 -1.3941 -0.2935 1.3055 5.8412 \n\nCoefficients: (1 not defined because of singularities)\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 67.4218 3.5896 18.783 6.67e-08 ***\npts 0.8669 0.1527 5.678 0.000466 ***\nscaled_pts NA NA NA NA \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 2.953 on 8 degrees of freedom\nMultiple R-squared: 0.8012, Adjusted R-squared: 0.7763 \nF-statistic: 32.23 on 1 and 8 DF, p-value: 0.0004663\n<\/strong><\/pre>\n 3. Perangkap variabel tiruan<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/mannequin4.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/mannequin6.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/mannequinvartrap1.png\")
<\/p>\n #define data\n<\/span>df <- data. frame<\/span> (income=c(45, 48, 54, 57, 65, 69, 78, 83, 98, 104, 107),\n age=c(23, 25, 24, 29, 38, 36, 40, 59, 56, 64, 53),\n single=c(1, 1, 1, 1, 0, 1, 0, 1, 1, 0, 0),\n married=c(0, 0, 0, 0, 1, 0, 1, 0, 0, 1, 1),\n divorced=c(0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0))\n\n#fit multiple linear regression model\n<\/span>model <- lm(income~age+single+married+divorced, data=df)\n\n#view summary of model\n<\/span>summary(model)\n\nCall:\nlm(formula = income ~ age + single + married + divorced, data = df)\n\nResiduals:\n Min 1Q Median 3Q Max \n-9.7075 -5.0338 0.0453 3.3904 12.2454 \n\nCoefficients: (1 not defined because of singularities)\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 16.7559 17.7811 0.942 0.37739 \nage 1.4717 0.3544 4.152 0.00428 **\nsingle -2.4797 9.4313 -0.263 0.80018 \nmarried NA NA NA NA \ndivorced -8.3974 12.7714 -0.658 0.53187 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 8.391 on 7 degrees of freedom\nMultiple R-squared: 0.9008, Adjusted R-squared: 0.8584 \nF-statistic: 21.2 on 3 and 7 DF, p-value: 0.0006865\n<\/strong><\/pre>\n Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara menghitung VIF di R<\/a>
Cara menghitung VIF dengan Python<\/a>
Cara menghitung VIF di excel<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"