Kemampuan Estimator Spline Linear dalam Analisis Komponen Utama

Abstract

In the formation of a regression model there is a possibility of a relationship between one predictor variable with other predictor variables known as multicollinearity. In the parametric approach, multicollinearity can be overcome by the principal component analysis method. Principal component analysis (PCA) is a multivariate analysis that transforms the originating variables that are correlated into new variables that are not correlated by reducing a number of these variables so that they have smaller dimensions but can account for most of the diversity of the original variables. In some research data that do not form parametric patterns also allows the occurrence of multicollinearity on the predictor variables. This study examines the ability of spline estimators in the analysis of the main components. The data contained multicollinearity and was applied to diabetes mellitus data by taking cholesterol type factors as predictors. Based on the estimation results, one main component is obtained to explain the diversity of variables in diabetes data with the best linear spline model at one knot point.

Estimasi Model Regresi Kuantil Spline Kuadratik pada Data Trombosit dan Hematokrit Pasien DBD

“…Regresi nonparametrik kuantil digunakan untuk mengestimasi fungsi regresi ketika asumsi tentang bentuk kurva regresi tidak diketahui dan hanya diasumsikan smooth dengan melibatkan nilai-nilai kuantil [7]. Untuk regresi nonparametrik, terdapat beberapa estimator diantaranya spline truncated [8,9,10], spline smoothing [11] dan spline penalized [12,13,14]. Spline terdiri atas beberapa potongan polinomial yang memiliki sifat tersegmen dan kontinu serta berorde tertentu yang saling bersambung pada titik-titik knot.…”

Studi Longitudinal Pada Analisis Data Gula Darah Pasien Diabetes melalui Principal Component Analysis

“…MultikolinearitasComponent Analysis bertujuan untuk mereduksi dimensi data asal dilakukan dengan cara menghilangkan korelasi diantara variabel prediktor melalui transformasi variabel prediktor asal ke variabel prediktor baru yang tidak berkorelasi[15]. Komponen utama dapat dibentuk berdasarkan matriks korelasi (𝑹) disebabkan karena variabel-variabel prediktor 𝑿 = [𝑋 𝑖𝑗1 , 𝑋 𝑖𝑗2 , … , 𝑋 𝑖𝑗𝑝 ] yang diamati tidak menggunakan satuan pengukuran yang sama, sehingga perlu disamakan dengan cara mentransformasi ke variabel baku 𝑍[16]. Variabel baku 𝑍 diperoleh dari transformasi terhadap variabel asal 𝑋 yang dirumuskan pada Persamaan (1) berikut:…”