statistic multivariate

Statistic Multivariate

StatistikaStatistika adalah ilmu yang mempelajari

bagaimana

merencanakan,mengumpulkan,Menganalisis

menginterpretasi dan mempresentasikan data.

Istilah Statistika berbeda dengan statistik .

Statistika adalah ilmu yang berkenaan dengan

data, sedangkan statistic adalah data,

Informasi atau hasil penerapan algoritma

statistika pada suatu data

PendahuluanPendahuluan

Pengertian

Analisis statistik multivariat merupakan metode statistik yang memungkinkan kita melakukan penelitian terhadap lebih dari dua variable secara bersamaan.

Statistika multivariat saat ini diterapkan di hampir semua cabang ilmu, baik ilmu pengetahuan alam maupun sosial. Teknik-tekniknya disukai karena dianggap mampu memodelkan kerumitan sistem yang nyata, meskipun sulit untuk diterapkan. Komputer dengan kapasitas memori yang besar tidak terhindarkan dalam analisis data yang menggunakan statistika multivariat.

Beberapa Teknik Multivariat

Teknik analisis multivariat secara dasar diklasifikasi menjadi dua, yaitu analisis dependensi dan analisis interdependensi.

Analisis dependensi berfungsi untuk menerangkan atau memprediksi variable (variable) tergantung dengan menggunakan dua atau lebih variable bebas. Yang termasuk dalam klasifikasi ini ialah Multiple Regression Analysis, Discriminant analysis, Analisis Variansi Multivariate (MANOVA), dan Canonical correlation analysis.

Klasifikasi untuk metode dependensi oleh Zikmund (1997: 635) digambarkan sebagai berikut:

Metode Dependensi

Jumlah Variabel Tergantung

Satu Variabel Tergantung

Beberapa Variabel Tergantung

Beberapa Variabel Bebas dan Tergantung

Metrik Non Metrik

Metrik Non Metrik

Metrik atau Non Metrik

Analisis Regresi

Berganda

Analisis Diskriminan

Analisis Varian

Multivariat

Analisis Conjoint

Analisis Korelasi Kanonikal

1. Multiple Regression Analysis

Untuk menganalisis secara bersamaan pengaruh beberapa variable bebas terhadap satu variable tergantung. Regresi dapat digunakan untuk prediksi (termasuk peramalan waktu-series data), kesimpulan, hipotesa pengujian, dan pemodelan dari hubungan sebab akibat. Ini menggunakan regresi yang sangat bergantung pada asumsi yang tidak puas. Regresi analisis telah dikritik sebagai disalahgunakan untuk keperluan dalam banyak kasus di mana yang sesuai asumsi tidak dapat diverifikasi untuk terus. Salah satu faktor kontribusi terhadap penyalahgunaan regresi adalah bahwa ia dapat mengambil lebih banyak keahlian untuk kritik model daripada sesuai model.

2. Discriminant analysis

Discriminant analisis adalah teknik untuk mengklasifikasi sekumpulan pengamatan ke dalam kelas standar. Tujuannya adalah untuk menentukan kelas yang berdasarkan pengamatan sejumlah variabel yang dikenal sebagai predictors atau input variabel. Model yang dibangun berdasarkan satu set observasi kelas yang dikenal. Dan juga berguna untuk memprediksi probabilitas suatu obyek-obyek atau individu-individu yang dimiliki oleh beberapa kategori yang berbeda didasarkan pada beberapa variable bebas

3. Analisis Variansi Multivariate (MANOVA)

Analisis Variansi Multivariate mempunyai pengertian sebagai suatu teknik statistik yang digunakan untuk menghitung pengujian signifikansi perbedaan rata-rata secara bersamaan antara kelompok untuk dua atau lebih variable tergantung. Teknik ini bermanfaat untuk menganalisis variable-variabel tergantung lebih dari dua yang berskala interval atau rasio, Untuk menentukan apakah terdapat perbedaan signifikan secara statistik pada beberapa variable yang terjadi secara serentak antara dua tingkatan dalam satu variabel

4. Conjoint Analysis

Conjoint Analysis, yang disebut juga multi-atribut compositional model atau dinyatakan analisis preferensi, adalah teknik statistik yang berasal dari matematika psikologi. Hari ini digunakan dalam banyak ilmu sosial dan menerapkan ilmu termasuk pemasaran, manajemen produk, dan riset operasi. Hal ini tidak akan bingung dengan teori umum pengukuran

5. Canonical correlation analysis

Analisis korelasi kanonik adalah salah satu cara untuk mengukur panjang hubungan antara dua variabel multidimensi. Ia menemukan dua basis, satu untuk setiap variabel, yang optimal sehubungan dengan correlations, dan pada saat yang sama, ia menemukan yang sesuai correlations. Dengan kata lain, ia menemukan dua basis dimana matriks korelasi antara variabel-variabel tersebut dan diagonal correlations pada diagonal yang maksimal. Kematraan yang baru ini berbasis sama dengan atau kurang dari kematraan terkecil dari dua variabel.

Analisis interdependensi berfungsi untuk memberikan makna terhadap seperangkat variable atau membuat kelompok-kelompok secara bersama-sama. Yang termasuk dalam klasifikasi ini ialah analsis faktor, analisis kluster, dan multidimensional scaling.

Klasifikasi untuk metode interdependensi oleh Zikmund (1997: 635) digambarkan sebagai berikut:

Metode Interdependensi

Jenis Masukan

Metrik Non Metrik

Analisis Faktor

Analisis Kluster

Multidimensional Scaling Metrik

Multidimensional Scaling Non Metrik

1. Factor Analysis (FA)

Kegunaan utama analisis faktor ialah untuk melakukan pengurangan data atau dengan kata lain melakukan peringkasan sejumlah variabel menjadi lebih kecil jumlahnya. Pengurangan dilakukan dengan melihat interdependensi beberapa variabel yang dapat dijadikan satu yang disebut dengan faktor, sehingga ditemukan variabel-variabel atau faktor-faktor yang dominan atau penting untuk dianalisa lebih lanjut. Analisis faktor juga berguna untuk membuat ringkasan informasi yang berisi jumlah variable yang banyak menjadi sejumlah factor yang lebih sedikit

2. Cluster Analysis Cluster analisis, juga disebut segmentasi atau analisis analisis taxonomy, berusaha untuk mengidentifikasi homogen subgroups kasus dalam populasi. Artinya, analisis cluster digunakan apabila peneliti tidak mengetahui jumlah kelompok di muka, tetapi keinginan untuk membentuk kelompok dan kemudian menganalisa anggota grup. Berguna membuat klasifikasi individu-individu atau obyek-obyek ke dalam jumlah yang lebih kecil kelompok yang berbeda dengan tujuan untuk meyakinkan bahwa akan terdapat kesamaan yang besar dalam kelompok-kelompok tersebut dan perbedaan antar kelompok-kelompok tersebut

Cluster analisis adalah suatu alat analisis penyelidikan data untuk memecahkan klasifikasi masalah. Obyeknya adalah untuk mengurutkan kasus (orang, hal, kejadian, dll) ke dalam kelompok, atau kelompok, sehingga sudut ikatan yang kuat antara anggota cluster yang sama dan lemah di antara anggota kelompok yang berbeda. Setiap klaster sehingga menjelaskan, dari segi data yang dikumpulkan, kelas yang dimiliki para anggotanya, dan penjelasan ini dapat digunakan melalui abstracted dari khusus ke umum kelas atau jenis.

3. Multidimensional Scaling Multidimensional scaling

(MDS) adalah kumpulan teknik statistik terkait yang sering digunakan dalam visualisasi untuk menjelajahi informasi atau kesamaan dissimilarities dalam data. MDS adalah hal khusus dari pentahbisan. MDS algoritma yang dimulai dengan matriks barang-barang kesamaan, kemudian memberikan lokasi untuk setiap item dalam ruang N-dimensi, dimana N adalah sebuah priori yang ditentukan. Cukup kecil untuk N, lokasi yang dihasilkan dapat ditampilkan dalam grafik atau visualisasi 3D.

4. Principal component analysis

Principal component analysis bertujuan untuk menyederhanakan variabel yang diamati dengan cara menyusutkan (mereduksi) dimensinya. Hal ini dilakukan dengan cara menghilangkan korelasi diantara variabel bebas melalui transformasi variabel bebas asal ke variabel baru yang tidak berkorelasi sama sekali atau yang biasa disebut dengan principal component. Setelah beberapa komponen hasil PCA yang bebas multikolinearitas diperoleh, maka komponen-komponen tersebut menjadi variabel bebas baru yang akan diregresikan atau dianalisa pengaruhnya terhadap variabel tak bebas (Y) dengan menggunakan analisis regresi.

Walaupun metode Regresi dengan PCA ini memiliki tingkat kesulitan yang tinggi akan tetapi kesimpulan yang diberikan lebih akurat dibandingkan dengan pengunaan metode lain.

1.Dapat menghilangkan korelasi secara bersih (korelasi=0) sehingga masalah multikolinearitas dapat benar-benar teratasi secara bersih.

2.Dapat digunakan untuk segala kondisi data / penelitian.

3.Dapat dipergunakan tanpa mengurangi jumlah variabel asal.

Keuntungan penggunaan Principal Component

Analysis dibandingkan metode lain :

Struktural equation modeling (SEM) merupakan teknik statistik untuk pengujian dan memperkirakan hubungan kausal menggunakan kombinasi data statistik dan kualitatif asumsi kausal. Pandangan ini telah disampaikan oleh genetika Sewall Wright (1921), ekonom yang Trygve Haavelmo (1943) dan Herbert Simon (1953), dan secara resmi ditetapkan oleh JUDEA Pearl (2000) menggunakan kalkulus dari counterfactuals.

5. Structural Equation Modelling

Univariate Statistikstatistik univariat dapat diklasifikasikan ke dalam statistik parametrik dan nonparametrik.1. Statistik parametrik digunakan bila outcome

yang diamati bersifat kontinu.

2. Statistik nonparametrik tidak membuat asumsi tentang bagaimana data terdistribusi dan, oleh karena itu, sering digunakan bila asumsi suatu uji parametrik tidak terpenuhi.

Univariate Statistik

Statistik univariat lebih sering digunakan dan lebih mudah dihitung daripada statistik multivariat. Statistik univariat biasanya membandingkan nilai mean dan median pada dua kelompok atau lebih atau membandingkan proporsi subjek-subjek yang memiliki suatu ciri tertentu atau yang tergolong dalam berbagai kategori..

STATISTIKA ALAT UTAMA METODE ILMIAH

1. Metode IlmiahMetode ilmiah adalah prosedur yang dipergunakan oleh ilmuwan dalam pencarian sistematis terhadap pengetahuan baru dan peninjauan kembali pengetahuan yang telah ada (The Liang Gie, 1999).  Dalam  Dictionary of Behavior dikemukakan bahwa, metode ilmiah adalah teknik dan prosedur-prosedur pengamatan dan percobaan yang menyelidiki ilmu dan dipergunakan oleh ilmuwan-ilmuwan untuk mengolah fakta-fakta, data, dan penafsirannya sesuai dengan asas-asas dan aturan tertentu.

STATISTIKA ALAT UTAMA METODE ILMIAH

2. Peran Statistika dalam Pengembangan Ilmu dan TeknologiSetiap jenis pengetahuan  mempunyai ciri-ciri yang

spesifik mengenai apa (ontologi), bagaimana (epistemologi), dan untuk apa (aksiologi) pengetahuan tersebut disusun.  Ketiga landasan ini saling berkaitan. Ontologi ilmu terkait dengan epistemologi ilmu, dan epistemologi ilmu terkait dengan aksiologi ilmu, dan seterusnya.  Jadi, kalau kita ingin membicarakan epistemologi ilmu, maka hal ini harus dikaitkan dengan ontologi dan aksiologi ilmu (Suriasumantri,  2003). Metode ilmiah sebagai metode utama dalam mendapatkan ilmu, melalui proses logico-hipotetico-verifikasi menempatkan statistika sebagai alat utamanya.