Jika tingkat korelasi antar variabel cukup tinggi, hal ini dapat menimbulkan masalah saat menyesuaikan dan menafsirkan model regresi.<\/span><\/p>\n Salah satu cara untuk mendeteksi multikolinearitas adalah dengan menggunakan metrik yang dikenal sebagai variance inflasi faktor (VIF)<\/strong> , yang mengukur korelasi dan kekuatan korelasi antar variabel penjelas dalam model regresi<\/a> .<\/span><\/p>\n Tutorial ini menjelaskan cara menghitung VIF di SAS.<\/span><\/p>\n Untuk contoh ini, kita akan membuat dataset yang mendeskripsikan atribut 10 pemain bola basket:<\/span> <\/p>\n Katakanlah kita ingin menyesuaikan model regresi linier berganda dengan menggunakan scoring<\/strong> sebagai variabel respon dan points<\/strong> , assists<\/strong> , dan rebounds<\/strong> sebagai variabel prediktor.<\/span><\/p>\n Kita dapat menggunakan PROC REG<\/a> untuk menyesuaikan model regresi ini dengan opsi VIF<\/strong> untuk menghitung nilai VIF untuk setiap variabel prediktor dalam model:<\/span> <\/p>\n Dari tabel Estimasi Parameter<\/strong> , kita dapat melihat nilai VIF untuk masing-masing variabel prediktor:<\/span><\/p>\n Catatan:<\/strong> Abaikan VIF untuk \u201cIntercept\u201d di template karena nilai ini tidak relevan.<\/span><\/p>\n Nilai VIF dimulai dari 1 dan tidak memiliki batas atas. Aturan umum untuk menafsirkan VIF adalah:<\/span><\/p>\n Karena masing-masing nilai VIF variabel prediktor dalam model regresi kita mendekati 1, multikolinearitas tidak menjadi masalah dalam contoh kita.<\/span><\/p>\n Jika Anda menentukan bahwa multikolinearitas merupakan masalah dalam model regresi Anda, ada beberapa cara umum untuk mengatasinya:<\/span><\/p>\n 1. Hapus satu atau lebih variabel yang berkorelasi tinggi.<\/strong><\/span><\/p>\n Ini adalah solusi tercepat dalam banyak kasus dan sering kali merupakan solusi yang dapat diterima karena variabel yang Anda hapus bersifat mubazir dan hanya menambahkan sedikit informasi unik atau independen ke dalam model.<\/span><\/p>\n 2. Menggabungkan variabel prediktor secara linier dalam beberapa cara, seperti menambahkan atau menguranginya dalam beberapa cara.<\/strong><\/span><\/p>\n Dengan demikian, Anda dapat membuat variabel baru yang mencakup informasi dari kedua variabel dan Anda tidak lagi mengalami masalah multikolinearitas.<\/span><\/p>\n 3. Melakukan analisis yang dirancang untuk memperhitungkan variabel-variabel yang berkorelasi tinggi seperti analisis komponen utama atau regresi kuadrat terkecil parsial (PLS).<\/strong><\/span><\/p>\n Teknik-teknik ini dirancang khusus untuk menangani variabel prediktor yang sangat berkorelasi.<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya di SAS:<\/span><\/p>\n Cara melakukan regresi linier berganda di SAS<\/a> Dalam analisis regresi, multikolinearitas terjadi ketika dua atau lebih variabel prediktor berkorelasi tinggi satu sama lain sehingga tidak memberikan informasi yang unik atau independen dalam model regresi. Jika tingkat korelasi antar variabel cukup tinggi, hal ini dapat menimbulkan masalah saat menyesuaikan dan menafsirkan model regresi. Salah satu cara untuk mendeteksi multikolinearitas adalah dengan menggunakan metrik […]<\/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 Contoh: menghitung VIF di SAS<\/strong><\/span><\/h2>\n
\/*create dataset*\/\n<\/span>data<\/span> my_data;\n input<\/span> rating points assists rebounds;\n datalines<\/span> ;\n90 25 5 11\n85 20 7 8\n82 14 7 10\n88 16 8 6\n94 27 5 6\n90 20 7 9\n76 12 6 6\n75 15 9 10\n87 14 9 10\n86 19 5 7\n;\nrun<\/span> ;\n\n\/*view dataset*\/\n<\/span>proc print<\/span> data<\/span> =my_data;<\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/vifs1.png\")
<\/p>\n \/*fit regression model and calculate VIF values*\/\n<\/span>proc reg<\/span> data<\/span> =my_data;\n model<\/span> rating = points assists rebounds \/ lively<\/span> ;\nrun<\/span> ;<\/strong> <\/pre>\n![\"VIF](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/vifs2.png\")
<\/p>\n\n
\n
Cara mengatasi multikolinearitas<\/strong><\/span><\/h2>\n
Sumber daya tambahan<\/strong><\/span><\/h2>\n
Cara Membuat Plot Sisa di SAS<\/a>
Cara menghitung jarak masak di SAS<\/a><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"