Cara mengatasi nilai abnormal dengan SPSS

Cara mengatasi nilai abnormal dengan SPSS

Setelah mempelajari outlier bersama-sama, kita akan membahas bagaimana menangani outlier dengan SPSS nanti dalam artikel ini. Jika semua pembaca telah mempelajari artikel kami tentang pencilan, maka kami berasumsi bahwa Anda semua mengerti mengapa kebutuhan pencilan ini terlampaui. Bagaimana Anda mengelola outlier? Bagaimana Anda mengelola outlier dengan SPSS? baik univariat dan multivarian? Oke, kita akan membahasnya saja. Pada dasarnya ada 2 fase, yaitu pendeteksian dan penanggulangan fase.

Catatan penting: dalam diskusi ini, kami membahas outlier dalam hal outlier dalam regresi linier. Mempertimbangkan nilai-nilai anomali pada data atau pada variabel, kami membahas dalam artikel: Penghapusan pencilan dengan Excel.

Deteksi tidak normal

Langkah pertama adalah melakukan deteksi abnormal. Dalam hal ini temuannya adalah nilai-nilai anomali univariat dan multivariat pada saat yang sama. Cara kita harus melakukan uji regresi linier seperti biasa. Jika Anda tidak mengerti bagaimana melakukan regresi linier dengan SPSS, Anda dapat belajar dari artikel kami di situs ini. Perhatikan saja langkah-langkah berikut:

Buat kumpulan data untuk regresi linier berganda seperti yang ditunjukkan di bawah ini. Untuk kesederhanaan, Anda dapat mengunduh file sepenuhnya DI SINI.
Nilai deteksi pencilan kumpulan data linier Regres
Nilai deteksi pencilan kumpulan data linier Regres

Selanjutnya, balik sebagai berikut: Klik Analisis pada Menu -> Regresi -> Linear. Kemudian masukkan variabel yang akan dianalisis.
Langkah Regres linear penginderaan nilai nominal
Langkah Regres linear penginderaan nilai nominal

Klik pada tombol SIMPAN. Maka jendela akan terbuka sebagai berikut. Kemudian klik pada Studentized dan Mahalanobis. Kemudian tekan tombol Lanjutkan.
Simpan anomali deteksi regresi linier
Simpan anomali deteksi regresi linier

Jika Anda kembali ke jendela utama, klik OK. Selanjutnya lihat Keluar.
Casewise Diagnostics mendeteksi nilai abnormal
Casewise Diagnostics mendeteksi nilai abnormal

Anda dapat melihat bahwa ada tabel diagnostik Casewise di pintu keluar, menunjukkan bahwa ada pengamatan atau sampel dengan nilai absolut residual mahasiswa lebih dari 3. Jadi pengamatan ini menjadi outlier.

Langkah terakhir di atas hanya dapat mendeteksi nilai anomali univariat. Untuk mendeteksi outlier univariat, Anda perlu melakukan hal berikut: di menu, klik Transform -> Calculate Variable. Jika jendela baru terbuka, ketikkan variabel target: Probabilitas Mahalanobis. Masukkan kode ekspresi pada ekspresi numerik sebagai berikut: CDF.CHISQ (Mah, 3). Keterangan kode: Mah: Mahalanobis Jarak. 3 adalah jumlah variabel independen.
Kemungkinan Mahalanobis
Kemungkinan Mahalanobis


Mengatasi nilai abnormal

Pada kenyataannya, cara pertama yang kita lakukan adalah mentransformasikan data untuk mengurangi outlier. Untuk mengetahui caranya, Anda dapat membaca artikel kami tentang transformasi data. Dalam hal ini, mari kita coba untuk mengatasi masalah ini dengan menghapus outlier dari analisis regresi linier berganda, yang adalah sebagai berikut: Dalam menu, klik Data -> Pilih kasus -> Pilih jika kondisi puas -> tekan tombol Jika.
Pilih Deteksi Pergeseran Kasus
Pilih Deteksi Pergeseran Kasus

Jika jendela baru terbuka di kolom ekspresi, ketikkan kode sebagai berikut: Abs (SRE_1) <3 dan Probabilitas Mahalanobis> 0,001. Maksud kode: Abs: absolut, SRE_1: residu siswa.
Ekspresi Pilih huruf besar outlier
Ekspresi Pilih huruf besar outlier

Ini berarti bahwa kami akan membuang pengamatan yang memiliki nilai residu absolut mahasiswa lebih dari 3 dan / atau probabilitas lebih rendah dari 0,001. Kemudian tekan tombol Lanjutkan. Di jendela utama tekan OK. Lihatlah kumpulan data, ada tanda-tanda bahwa beberapa pengamatan telah dikeluarkan dari analisis.
Atasi pencilan dengan SPSS
Atasi pencilan dengan SPSS

Sejauh ini kami telah berhasil mengeluarkan pencilan. Apa yang harus kita lakukan selanjutnya? Jawabannya sederhana, yaitu mengulangi regresi linier berganda sebagai langkah pertama, lalu periksa lagi apakah masih ada outlier. Jika belum ada, tentu Anda melihat dan mengevaluasi jika ada masalah rekrutmen klasik lainnya. Jika ada, maka cerdaslah untuk mengatasinya. Dan Anda dapat mempelajari semua cara untuk mengatasi masalah hipotesis klasik di situs web kami.

Sumber : https://rumusbilangan.com/