Eksplorasi

Pada dasarnya, Tahapan Eksplorasi merupakan tahapan opsional dalam analisis regresi. Sehingga dalam beberapa buku, Tahap Eksplorasi atau meng-explore data tidak termasuk dalam tahapan inti regresi (identifikasi, estimasi, pengujian signifikansi, asumsi dan keseuaian model. red).

Ada dua jenis variabel dalam regresi :

1.       Variabel tak bebas (Dependent Variable)--> Y

Variabel yang nilainya ditentukan oleh variabel lain. Diasumsikan bersifat random/stochastic. Nama lain dari Variabel ini adalah variabel respon. Dalam model regresi, baik itu RLB maupun RLS mensyaratkan bahwa Y harus berjenis data kuantitatif.

Data Y dapat berupa data observasi ataupun data eksperimen. Data observasi merupakan data yang diperoleh tanpa kontrol terhadap variabel X. Sedangkan Data eksperimen diperoleh dengan melakukan kontrol terhadap variabel X.

2.       Variabel bebas (Independent Variable) --> X

Variabel yang nilainya ditentukan secara bebas (variabel yang diduga mempengaruhi variabel tak bebas). Diasumsikan bersifat fixed/ non stochastic.

Sebelum dilakukan regresi, kedua data tersebut seharusnya terlebih dahulu di eksplore. Beberapa hal yang dapat dijumpai ketika melakukan eksplorasi:

1.       Adanya data yang missing

Missing data adalah situasi dimana kita tidak menemukan data yang kita inginkan. Misalnya: suatu unit analisis/unit observasi memiliki nilai Variabel Y tetapi ketika ditelusuri ternyata tidak ditemukan data untuk variabel X nya pada unit obsevasi tersebut ataupun sebaliknya. Hal itu bisa terjadi karena beberapa hal:

a.       Lewat cacah

b.      Kesalahan pada saat pengentrian

Solusi yang dapat diberikan jika ditemukan permasalahan seperti ini diantaranya:

a.     Mengeliminasi unit analisis tersebut, sehingga jumlah unit kita akan berkurang. Akibatnya secara statistik akan mengurangi derajat bebas dan mengurangi akurasi dalam  pengestimasian parameter regresi nantinya.

b.     Imputasi. Yaitu memperkirakan nilai dari data yang missing tersebut, dengan harapan nilai yang kita masukkan mendekati nilai yang sebenarnya (untuk penjelasan lebih lanjut mengenai imputasi akan disampaikan di kemudian hari).

2.       Adanya data yang outlier

Data outlier merupakan satu atau beberapa unit observasi yang memiliki nilai jauh dari pada umumnya. Misalnya: Terlalu kecil atau bahkan terlalu besar. Ada banyak cara mendeteksi adanya outlier, diantaranya:

1.       BOXPLOT

2.       STEAM-LEAF PLOT

3.       DOT PLOT 

 Note: Outlier menjadi suatu hal yang krusial karena melakukan regresi dengan adanya data yang outlier bisa jadi mengakibatkan kita menghasilkan model yang kurang tepat. Oleh karena itu, outlier seringkali dieliminasi terlebih dahulu sebelum melakukan regresi apabila kita cukup banyak memiliki unit observasi/analisis.


Setelah melakukan Eksplorasi, kita akan masuk ke Tahapan Identifikasi

Posted in: Regresi , Statistik