Alfin Khairi

G1480004
1. a. Dari hasil Output model tersebut dapat ketiga peubah bebas (VM, FC,TS) tidak
berpengaruh nyata terhadap CGV dimana dapat kita lihat nilai p-value dari ke tiganya
lebih besar dari alpha. Sedangkan dua peubah bebas sisanya ( IM, ASH)
berpengaruh nyata terhadap CGV dimana dapat dilihat nilai p-value kedua peubah
tersebut lebih kecil dari nilai alpha. Terjadi multikolinearitas pada model tersebut
dimana dapat dilihat nilai VIF peubah bebas IM dan VM lebih besar dari 10.
b. Dari plot tersebut dapat disimpulkan terjadi pelanggaran asumsi kehomogenan
ragam. Hal ini dapat dilihat pada plot data sisaan yang membentuk corong serta
sisaan yang berpola.
c. Dapat dilakukan transformasi data atau menggunakan MKT terboboti.
d. Response is CGV
A
Mallows
ISVFT
Vars R-Sq R-Sq(adj)
C-p
S MHMCS
1 84,7
84,2 39,4 112,47
X
1 60,2
58,8 144,8 181,71 X
2 92,6
92,1
7,6 79,639 X X
2 92,0
91,4 10,3 82,958
XX
3 94,3
93,6
2,4 71,325 X X X
3 93,4
92,6
6,4 76,892 X X X
4 94,4
93,5
4,1 72,242 X X X X
4 94,3
93,4
4,3 72,467 X X X X
5 94,4
93,2
6,0 73,565 X X X X X
Dari output diatas, diperoleh model regresi terbaik dengan 3 peubah bebas, yaitu
peubah IM, ASH, dan VM. Hal tersebut dapat ditunjukkan nilai c-p mallows nya
rendah, yaitu 2,4 dan nilai R squarenya sudah cukup tinggi.
e. Stepwise Regression: CGV versus IM; ASH; VM; FC; TS
Alpha-to-Enter: 0,25 Alpha-to-Remove: 0,25

Response is CGV on 5 predictors, with N = 30

Step
Constant
VM
T-Value
P-Value
FC
T-Value
P-Value

1
82,64
123,7
12,47
0,000

2
3
4
-399,41 329,34
100,6
11,58
0,000

91,8
8,87
0,000

5
4079,70 4618,85
45,0 39,5
2,33 2,77
0,028 0,010

38,9
34,2
5,5
4,95
4,12
0,43
0,000
0,000
0,669

IM
T-Value
P-Value

-10,7
-45,6 -50,7
-1,48
-3,21 -6,42
0,150
0,004 0,000

ASH
T-Value
P-Value

-40,8 -46,0
-2,76 -5,45
0,011 0,000

S
112
83,0
81,2
72,5 71,3
R-Sq
84,75
92,00
92,62
94,35 94,30
R-Sq(adj)
84,20
91,40
91,77
93,44 93,65
Mallows C-p
39,4
10,3
9,7
4,3
2,4
PRESS
391864 256902 245775 7740361 198535
R-Sq(pred)
83,12
88,94
89,42
0,00 91,45
Best alternatives:
Variable
T-Value
P-Value
Variable
T-Value
P-Value
Variable
T-Value
P-Value
Variable
T-Value
P-Value

IM
-6,51
0,000
FC
5,54
0,000
ASH
-3,55
0,001
TS
0,68
0,502

IM
-2,60
0,015
TS
-1,13
0,268
ASH
-0,98
0,337

TS
TS
-0,22
-0,78
0,828
0,444
ASH
0,20
0,845

f. Forward selection
Stepwise Regression: CGV versus IM; ASH; VM; FC; TS
Forward selection. Alpha-to-Enter: 0,25

Response is CGV on 5 predictors, with N = 30

Step
Constant
VM
T-Value
P-Value
FC
T-Value
P-Value
IM
T-Value

1
82,64

2
3
4
-399,41 329,34

123,7
100,6
12,47
11,58
0,000
0,000

4079,70

91,8
45,0
8,87
2,33
0,000
0,028

38,9
34,2
5,5
4,95
4,12
0,43
0,000
0,000
0,669
-10,7
-45,6
-1,48
-3,21

P-Value

0,150

ASH
T-Value
P-Value

0,004
-41
-2,76
0,011

S
112
83,0
81,2
72,5
R-Sq
84,75
92,00
92,62
94,35
R-Sq(adj)
84,20
91,40
91,77
93,44
Mallows C-p
39,4
10,3
9,7
4,3
PRESS
391864 256902 245775 7740361
R-Sq(pred)
83,12
88,94
89,42
0,00
Best alternatives:
Variable
T-Value
P-Value
Variable
T-Value
P-Value
Variable
T-Value
P-Value
Variable
T-Value
P-Value

IM
-6,51
0,000
FC
5,54
0,000
ASH
-3,55
0,001
TS
0,68
0,502

IM
-2,60
0,015
TS
-1,13
0,268
ASH
-0,98
0,337

TS
TS
-0,22
-0,78
0,828
0,444
ASH
0,20
0,845

Backward selection
Stepwise Regression: CGV versus IM; ASH; VM; FC; TS
Backward elimination. Alpha-to-Remove: 0,25

Response is CGV on 5 predictors, with N = 30

Step
Constant

1
2
3
4384 4831

4619

IM
T-Value
P-Value

-47,8 -51,9 -50,7

-3,18 -6,27 -6,42
0,004 0,000 0,000

ASH
T-Value
P-Value

-45,0 -49,5 -46,0

-2,63 -4,76 -5,45
0,015 0,000 0,000

VM
T-Value
P-Value

40
35
39
1,78 2,11 2,77
0,088 0,045 0,010

FC

T-Value
P-Value

0,33
0,744

TS
T-Value
P-Value

52
58
0,51 0,59
0,615 0,563

S
73,6 72,2 71,3
R-Sq
94,41 94,38 94,30
R-Sq(adj)
93,24 93,48 93,65
Mallows C-p
6,0 4,1 2,4
PRESS
7722195 223230 198535
R-Sq(pred)
0,00 90,39 91,45
Hasil yang diperoleh dari forward selection dan backward selection adalah sama,
yaitu peubah terbaik yang berpengaruh nyata pada model adalah peubah VM, IM,
dan ASH. Hal tersebut terlihat pada p-value masing masing yang ketiganya bernilai
lebih kecil dari nilai alpha (0.05).
g. Regression Analysis: CGV versus IM; ASH; VM
The regression equation is
CGV = 4619 - 50,7 IM - 46,0 ASH + 39,5 VM

Predictor Coef SE Coef

T
P VIF
Constant 4618,9 728,4 6,34 0,000
IM
-50,656 7,888 -6,42 0,000 3,6
ASH
-46,043 8,449 -5,45 0,000 2,6
VM
39,47 14,26 2,77 0,010 5,1

S = 71,3248 R-Sq = 94,3% R-Sq(adj) = 93,6%

PRESS = 198535 R-Sq(pred) = 91,45%

Analysis of Variance
Source
DF
SS
MS
F
P
Regression
3 2189680 729893 143,48 0,000
Residual Error 26 132268 5087
Total
29 2321948

Source DF Seq SS
IM
1 1397423
ASH
1 753282
VM
1 38975

Unusual Observations
Obs

IM

CGV

Fit SE Fit Residual St Resid

2 21,0 4177,0 4130,8

5 16,7 5339,0 5186,0

60,2
29,4

46,2
153,0

1,21 X
2,35R

R denotes an observation with a large standardized residual.

X denotes an observation whose X value gives it large influence.

Durbin-Watson statistic = 1,56374

Residual Plots for CGV

Normal Probabilit y Plot of the Residuals

Residuals Versus t he Fitt ed Values

99
100

Residual

Percent

90
50

10
1
-200

-100
-100

0
Residual

100

200

4000

Histogram of t he Residuals

4400

4800
Fitted Value

5200

Residuals Versus t he Order of t he Data

100

4,5

Residual

Frequency

6,0

3,0

1,5
0,0

-100
-100

-50

0
50
Residual

100

150

8 10 12 14 16 18 20 22 24 26 28 30

Observation Order

Setelah model baru diregresikan, didapat nilai VIF sudah lebih kecil dari 10, artinya
sudah tidak terdapat multikolinearitas. Tetapi tebaran sisaan masih membentuk
corong masih tidak homogen ragamnya.
Regresi dengan membuang pengamatan ke 2 dan 5
Regression Analysis: CGV versus IM; ASH; VM
The regression equation is
CGV = 3969 - 41,8 IM - 48,9 ASH + 51,5 VM

Predictor Coef SE Coef

T
P VIF
Constant 3968,6 684,4 5,80 0,000
IM
-41,781 7,630 -5,48 0,000 3,9
ASH
-48,942 9,701 -5,05 0,000 1,3
VM
51,50 13,37 3,85 0,001 4,3

S = 63,4752 R-Sq = 94,1% R-Sq(adj) = 93,4%

PRESS = 138267 R-Sq(pred) = 91,56%

Analysis of Variance

Source
DF
SS
MS
F
P
Regression
3 1541332 513777 127,52 0,000
Residual Error 24 96698 4029
Total
27 1638030

Source DF Seq SS
IM
1 1224736
ASH
1 256770
VM
1 59826
Residual Plots for CGV
Normal Probability Plot of the Residuals

Residuals Versus the Fitted Values

99

100

Residual

Percent

90
50
10
-100

0
Residual

100

4400

Histogram of the Residuals

4600

4800
5000
Fitted Value

5200

Residuals Versus the Order of the Data

100

8
6

Residual

Frequency

0
-50
-100

4
2
0

50

50
0
-50
-100

-100

-50

0
Residual

50

100

8 10 12 14 16 18 20 22 24 26 28

Observation Order

Sudah tidak ada pelanggaran asumsi lagi, jadi model sudah tepat.

2. a. Best Subsets Regression: Y versus X1; X2; X3; X4

Response is Y
Vars R-Sq
1 83,6
1 83,6
2 84,6
2 84,4
3 84,7
3 84,6
4 84,8

Mallows
R-Sq(adj)
81,5 -0,6
81,5 -0,6
80,2
1,1
80,0
1,1
77,1
3,0
76,9
3,1
72,6
5,0

XXXX
Cp
S 1234
0,19408 X
0,19422
X
0,20100 X X
0,20213 X X
0,21626 X X X
0,21708 X X X
0,23656 X X X X

Dari output diatas, diperoleh model regresi terbaik dengan 1 peubah bebas, yaitu
peubah X2. Hal tersebut dapat ditunjukkan nilai c-p mallows nya rendah, yaitu -0,6
dan nilai R squarenya sudah cukup tinggi.

b. Regression Analysis: Y versus X1; X2; X3; X4

The regression equation is
Y = 0,52 + 0,035 X1 + 0,35 X2 - 0,131 X3 - 0,109 X4
Predictor Coef SE Coef
T
P VIF
Constant 0,523 1,836 0,28 0,787
X1
0,0354 0,2944 0,12 0,909 11,724
X2
0,346 1,046 0,33 0,754 77,550
X3
-0,1310 0,5730 -0,23 0,828 80,721
X4
-0,1093 0,3671 -0,30 0,778 10,872
S = 0,236562 R-Sq = 84,8% R-Sq(adj) = 72,6%
PRESS = 1,69126 R-Sq(pred) = 7,88%
Analysis of Variance
Source
DF
SS
MS F
P
Regression
4 1,55619 0,38905 6,95 0,028
Residual Error 5 0,27981 0,05596
Total
9 1,83600

Source DF Seq SS
X1
1 0,51900
X2
1 1,03100
X3
1 0,00123
X4
1 0,00496

Residual Plots for Y

Normal Probability Plot

Versus Fits

99

0,2

Residual

Percent

90
50

0,0
-0,2

10
1
-0,50

-0,25

0,00
Residual

0,25

-0,4

0,50

3,00

3,25
3,50
Fitted Value

0,2

0,0

1
0

-0,4

-0,3

-0,2

-0,1
0,0
Residual

4,00

Versus Order

Residual

Frequency

Histogram

3,75

0,1

0,2

-0,2
-0,4

4
5
6
7
Observation Order

10

Dari output minitab diatas dapat disimpulkan bahwa semua peubah bebas tidak
berpengaruh nyata terhadap peubah respon. Hal itu dibuktikan bahwa nilai p-value
dari semua peubah tersebut lebih besar dari nilai alpha.
Kemudian terdapat multikolinearitas antar peubah bebasnya. Hal itu ditunjukkan oleh
nilai VIF semua peubah bebas lebih besar dari 10.
Terjadi pelanggaran asumsi sisaan yang ditunjukkan oleh gambar output di atas,
yaitu asumsi kehomogenan ragam dimana terlihat bahwa plot data sisaan
membentuk pola yang berarti ragam dari sisaan tersebut tidak homogen. Selain itu,
tebaran data tersebut membentuk pola, sehingga bisa dikatakan terjadi autokorelasi.
Jadi analisis regresi berganda tidak tepat digunakan dalam kasus ini.
c. Stepwise Regression: Y versus X1; X2; X3; X4
Forward selection. Alpha-to-Enter: 0,05
Response is Y on 4 predictors, with N = 10
Step
Constant
X2
T-Value
P-Value

1
0,09058
0,622
6,38
0,000

S
0,194
R-Sq
83,59
R-Sq(adj)
81,53
Mallows Cp
-0,6

PRESS
0,449329
R-Sq(pred)
75,53
Best alternatives:
Variable
T-Value
P-Value
Variable
T-Value
P-Value
Variable
T-Value
P-Value

X3
-6,38
0,000
X4
-1,82
0,107
X1
-1,78
0,114

Dari output diatas dapat dilihat bahwa model yang dihasilkan adalah sama.
d. Regression Analysis: Y versus X2
The regression equation is
Y = 0,091 + 0,622 X2

Predictor Coef SE Coef T

P VIF
Constant 0,0906 0,5190 0,17 0,866
X2
0,62182 0,09742 6,38 0,000 1,000

S = 0,194085 R-Sq = 83,6% R-Sq(adj) = 81,5%

PRESS = 0,449329 R-Sq(pred) = 75,53%

Analysis of Variance
Source
DF
SS
MS
F
P
Regression
1 1,5346 1,5346 40,74 0,000
Residual Error 8 0,3014 0,0377
Total
9 1,8360

Unusual Observations
Obs X2
Y Fit SE Fit Residual St Resid
3 5,50 3,1000 3,5106 0,0647 -0,4106 -2,24R
R denotes an observation with a large standardized residual.
Residual Plots for Y
Normal Probabilit y Plot

Versus Fit s

99

Residual

Percent

90
50

0,00
-0,25

10
1
-0,50

-0,25

0,00
Residual

0,25

-0,50

0,50

3,00

Hist ogram

3,25
3,50
Fitted Value

3,75

4,00

Versus Order

3,6

Residual

Frequency

4,8

2,4

0,00

-0,25

1,2
0,0

-0,4

-0,3

-0,2
-0,1
0,0
Residual

0,1

0,2

-0,50

4
5
6
7
Observation Order

10

Dari output minitab diatas dapat disimpulkan bahwa peubah bebas X2 berpengaruh
nyata terhadap Y dimana dapat dilihat nilai p-value dari peubah X2 lebih kecil dari
nilai alpha. Kemudian dapat dilihat tidak ada multikolinearitas karena nilai VIFnya
lebih kecil dari 10.
Terjadi pelanggaran asumsi kehomogenan ragam dimana terlihat dari plot data
sisaan membentuk pola yang berarti ragam dari sisaan tersebut tidak homogen.
Selain itu, tebaran data tersebut membentuk pola, sehingga terjadi autokorelasi.

e. Stepwise Regression: Y versus X1; X2; X3; X4

Backward elimination. Alpha-to-Remove: 0,05

Response is Y on 4 predictors, with N = 10

Step
Constant

1
2
3
4
0,52306 0,64307 0,78546 0,09058

X1
T-Value
P-Value

0,04
0,12
0,909

X2
T-Value
P-Value

0,346 0,394 0,583 0,622

0,33
0,44
5,02
6,38
0,754 0,672 0,002 0,000

X3
T-Value
P-Value

-0,13 -0,10
-0,23 -0,22
0,828 0,836

X4
T-Value
P-Value

-0,11 -0,07 -0,07

-0,30 -0,57 -0,68
0,778 0,592 0,520

S
0,237 0,216 0,201 0,194
R-Sq
84,76 84,72 84,60 83,59
R-Sq(adj) 72,57 77,07 80,20 81,53
Mallows Cp
5,0
3,0
1,1
-0,6
PRESS
1,69126 0,860298 0,580567 0,449329
R-Sq(pred) 7,88 53,14 68,38 75,53
Kedua prosedur baik forward selection dan backward selection mengasilkan hal yg
sama yaitu peubah terbaik yang berpengaruh nyata pada model adalah peubah X2.
Hal tersebut terlihat pada p-value bernilai lebih kecil dari nilai alpha (0.05.