Bagaimana cara mengatasi outlier dengan SPSS. Baik outlier univariat maupun multivariat. Langkah pertama adalah melakukan deteksi outlier. Anda dapat melihat bahwa pada output terdapat tabel Casewise Diagnostics. Mengatasi Outlier dengan membuang outlier. Artinya kita akan membuang observasi yang mempunyai nilai absolut studentized residual lebih dari 3 dan/atau probabilitas kurang dari 0.001. Ulangi regresi linear berganda seperti langkah pertama, kemudian cek ulang apakah masih ada outlier. Jika sudah tidak ada, tentunya lihat dan nilai apakah ada masalah asumsi klasik lainnya.



Mengatasi Outlier dengan SPSS

Setelah kita belajar bersama tentang outlier, maka selanjutnya dalam artikel ini kita akan membahas bagaimana caranya mengatasi outlier. Jika para pembaca sekalian sudah mempelajari artikel kami tentang outlier, maka kami anggap anda semua sudah paham alasan perlunya outlier ini di atasi. Bagaimana cara mengatasi outlier? Bagaimana cara mengatasi outlier dengan SPSS? baik univariat maupun multivariat? Baiklah langsung saja kita bahas. Pada dasarnya ada 2 tahap, yaitu tahap deteksi dan mengatasi.

Catatan Penting: Dalam bahasan ini, kita membahas Outlier dalam artian Outlier pada Regresi Linear. Sedangkan outlier pada data atau pada sebuah variabel, kami bahas pada artikel: Membuang outlier dengan Excel.

Deteksi Outlier

Langkah pertama adalah melakukan deteksi outlier. Dalam hal ini yang dideteksi adalah outlier univariat dan multivariat sekaligus. Caranya kita harus melakukan uji regresi linear seperti biasanya. Jika belum paham cara melakukan regresi linear dengan SPSS, anda bisa pelajari pada artikel-artikel kami di website ini. Sederhananya perhatikan langkah berikut:

Buat dataset untuk regresi linear berganda seperti gambar di bawah ini. Untuk mempermudah, anda bisa download file secara lengkap DISINI.


Dataset Regres Linear Deteksi Outlier
Dataset Regres Linear Deteksi Outlier

Setelah itu lakukan regresi seperti cara berikut: Klik Analyze pada Menu -> Regression -> Linear. Kemudian masukkan variabel yang akan dianalisis.


Langkah Regres Linear Deteksi Outlier
Langkah Regres Linear Deteksi Outlier


Klik tombol SAVE. Maka akan terbuka jendela seperti di bawah ini. Kemudian klik Studentized dan Mahalanobis. Lalu tekan tombol Continue.


Save Regresi Linear Deteksi Outlier
Save Regresi Linear Deteksi Outlier

Jika sudah kembali ke jendela utama, klik OK. Selanjutnya lihat Output.


Casewise Diagnostics Deteksi Outlier
Casewise Diagnostics Deteksi Outlier


Anda dapat melihat bahwa pada output terdapat tabel Casewise Diagnostics, hal itu menunjukkan bahwa terdapat observasi atau sampel dengan nilai absolut studentized residual lebih dari 3. Maka observasi tersebut menjadi outlier.

Langkah terakhir di atas, hanya dapat mendeteksi adanya outlier univariat saja. Untuk mendeteksi outlier univariat, maka anda harus melakukan langkah berikut: pada menu, klik Transform -> Compute Variable. Jika jendela baru terbuka, ketikkan target variable: Probabilitas Mahalanobis. Dan ketikkan kode ekspresi pada Numeric Expression sebagai berikut: CDF.CHISQ(Mah,3). Penjelasan kode: Mah: Mahalanobis Distance. 3 adalah banyaknya jumlah variabel bebas.


Probabilitas Mahalanobis
Probabilitas Mahalanobis

Mengatasi Outlier

Sebenarnya cara pertama yang kita lakukan adalah melakukan transformasi data untuk mereduksi adanya outlier tersebut. Untuk mempelajari caranya, anda bisa baca artikel kami tentang transformasi data. Dalam hal ini kita coba untuk mengatasinya dengan cara membuang outlier tersebut dari analisis regresi linear berganda, yaitu dengan langkah sebagai berikut: Pada menu, klik Data -> Select Case -> Pilih if condition satisfied -> tekan tombol If. 


Select Case Deteksi Outlier
Select Case Deteksi Outlier


Jika jendela baru terbuka, maka selanjutnya pada kolom isian ekspresi, ketikkan kode sebagai berikut: Abs(SRE_1)<3 and Probabilitas Mahalanobis>0.001. Maksud kode: Abs: Absolut, SRE_1: Studentized Residual.

Ekspresi Select Case Deteksi Outlier
Ekspresi Select Case Deteksi Outlier


Artinya kita akan membuang observasi yang mempunyai nilai absolut studentized residual lebih dari 3 dan/atau probabilitas kurang dari 0.001. Kemudian tekan tombol Continue. Di jendela utama tekan OK. Lihat pada dataset, ada tanda yang menunjukkan bahwa beberapa observasi dikeluarkan dari analisis.




Sampai di sini kita sudah berhasil mengeluarkan outlier. Apa yang harus kita lakukan selanjutnya? Jawabannya mudah, yaitu ulangi regresi linear berganda seperti langkah pertama, kemudian cek ulang apakah masih ada outlier. Jika sudah tidak ada, tentunya lihat dan nilai apakah ada masalah asumsi klasik lainnya. Jika ada, maka pandai-pandailah untuk mengatasinya. Dan anda bisa mempelajari semua cara untuk mengatasi masalah asumsi klasik di website kami ini.

Statistikian

Statistikian

Blog Untuk Mempelajari Jenis Uji Statistik, Penelitian, SPSS dan Statistik Berbasis Komputer seperti excel, Stata dan Minitab. Bantuan Olah dan Analisa Data, SMS: 085748695938.

Tinggalkan Komentar:

2 comments:

  1. Selamat malam, saya sedang menguji normalitas untuk regresi linier sederhana. Tetapi data saya tidak normal. Padahal saat dilakukan deteksi outliar tdk terdapat data yg ouyliar. Mohon bantuanya.

    ReplyDelete
    Replies
    1. Masalah normalitas tidak selalu disebabkan oleh outlier. Bisa jadi karena memang bentuk shape atau kemiringannya, berdasarkan nilai skewness dan kurtosis.

      Delete

Tinggalkan Komentar Anda Di Sini