Partial Least Square (PLS) dengan SPSS (Bagian 1)

Penjelasan sebelumnya tentang PLS menekankan bahwa PLS membuat model regresi yang tekena multikolinearitas atau regresi pada variable laten. Partial Least Square dalam SPSS disebut juga Projected Least Square. 

Langkah PLS dalam SPSS adalah sebagai berikut:

Analyze > Regression > Partial Least Squares…

Muncul interface PLS dengan tiga sub pilihan yaitu: variables, model dan options

Pilihan Variables memberi kesempatan untuk melakukan input variabel dependen dan seluruh variabel independen. Selain itu kesempatan untuk melakukan input jumlah variabel laten yang secara teoritis dilibatkan.

Pilihan Options memberikan kesempatan menconteng beberapa hal yaitu:

Save Estimates for individual cases: conteng ini akan menyimpan nilai prediksi, residual, skor factor laten, dan nilai jarak/variasi data. Pilihan ini juga menghasilkan plot skor faktor laten.

Save Estimates for Laten Factors: conteng ini akan menghasilkan loading factor, bobot faktor laten. Plot dari bobot factor laten juga dimunculkan.

Save Estimates for Independen Variables: conteng ini menghasilkan dugaan parameter regresi dan tingkat kepentingan (VIP:Variable Importance to Projection) dari proyeksi data. Plot VIP berdasar faktor laten juga dihasilkan.

Semua pilihan diatas harus diberi nama filenya.

Hasil dari perhitungan memunculkan beberapa tabel yaitu sebagai berikut:

Proportion of Variance Explained: menunjukkan kontribusi setiap faktor laten terhadap model. Interpretasi terkait dengan persentase variabel laten dalam menjelaskan variabel X dan Y. Sisi penjelasan Y nilai yang dipakai adalah R Square. Kolom adjusted R Square terkait kemampuan menjelaskan variabel laten terhadap Y dengan asumsi penambahan variabel dan sampel. Nilai adjusted R Square digunakan karena menilai model yang paling baik untuk digunakan dalam menjelaskan variasi Y. artinya menjawab pertanyaan, apakah semua variabel laten layak dipakai?

Parameters: menunjukkan koefisien regresi yang diduga untuk setiap variabel independen dalam memprediksi variabel dependen.

Variable Importance in The Projection (VIP): mewakili penjelasan kontribusi setiap X terhadap model. Nilai cumulative VIP yang paling besar merupakan variabel X yang condong mengisi variabel laten terkait atau dalam kolom terkait.

Hasil dalam bentuk file:

Estimate fo individual cases: (tergantung nama yang kita input) file tersebut akan menghasilkan Cumulative variable importance chart. Grafik ini memberikan visualisasi dari tingkat kepentingan variabel pada tabel proyeksi. Tabel ini terkait dengan kontribusi variabel X secara individu bukan model kumulatif.

Tabel Weights: menjelaskan hubungan antara semua X dan skor Y, dari sisi faktor laten. Bobot dari variabel dependen mengambarkan hubungan antara Y dan X.

File latent factor dihasilkan dan digunakan untuk menghasilkan tabel the factor weights charts.

Bersambung..