University of Indonesia

Tugas Kokurikuler IV Mata Kuliah ‘Analisis Regresi Linear’

Dosen Pengajar : Pandu Riono, MD, MPH, PhD

Perbandingan
Dua Garis Regresi
Oleh :
Iswandi
0806470421
iswandi_2k@yahoo.com

Program Pascasarjana
Departemen Biostatistik dan Kependudukan
Fakultas Kesehatan Masyarakat
Universitas Indonesia

Depok, 17 April 2009

Public Health - University of Indonesia Kampus UI, Depok 16424 Indonesia http://www.fkm. ui. ac.id/
 Iswandi
1 Analisis Regresi Linear - Perbandingan Dua Garis Regresi NPM : 0806470421 17/04/2009

Permasalahan :
Lakukanlah perbandingan model dua garis-lurus regresi dengan menggunakan data studi
Framingham ‘Fram.dta’. Masing-masing variabel yang akan dihubungkan adalah :
1. sbp (Y) dan bmi (X) pada tiap kategori sex (Z)
2. sbp (Y) dan scl (X) pada tiap kategori sex (Z)
3. sbp (Y) dan bmi (X) pada tiap kategori umur (Z)
4. sbp (Y) dan scl (X) pada tiap kategori umur (Z)
keterangan untuk kategori sbb :
sex : kode 1 = laki-laki
kode 0 = Perempuan
age : kode 1 = range antara umur termuda sampai dengan di bawah (<) nilai kuartil pertama
(25%) umur pasien.
kode 2 = nilai kuartil pertama sd di bawah (<) nilai kuartil ketiga (75%) umur pasien
kode 3 = nilai kuartil ketiga sd umur tertua pasien.
 Iswandi
2 Analisis Regresi Linear - Perbandingan Dua Garis Regresi NPM : 0806470421 17/04/2009

Penyelesaian :
Deskripsikan data

Transformasi data

Mulai dgn Persamaan awal (Full Model)

Y = β0 + β1X + β2Z + βXZ + E

S Uji NS Kesimpulan :
Coincidence Coincedence

NS Uji S
Parallelism

Yes Kesimpulan :
Uji unt kesama- No
Garis tidak parallel
an intersep & intersep tidak sama

S NS Kesimpulan :
Menggunakan var. Garis tidak parallel
terakhir & intersep sama

Kesimpulan :
Garis tidak parallel
& intersep tidak sama

Kesimpulan :
Garis parallel tetapi
tidak coincidence STOP
 Iswandi
3 Analisis Regresi Linear - Perbandingan Dua Garis Regresi NPM : 0806470421 17/04/2009

Langkah 1 : mendeskripsikan variabel

. des

Contains data from E:\My Documents\UI Material\Slide UI\Semester

2\Regresi_Linear\hw3\Fram.dta
obs: 4,699
vars: 10 11 Jan 1999 19:56
size: 206,756 (98.0% of memory free)
-------------------------------------------------------------------------------
storage display value
variable name type format label variable label
-------------------------------------------------------------------------------
sex float %9.0g sex Sex
sbp float %9.0g Systolic Blood Pressure
dbp float %9.0g Diastolic Blood Pressure
scl float %9.0g Serum Cholesterol
chdfate float %9.0g fate Coronary Heart Disease
followup float %9.0g Follow-up in Days
age float %9.0g Age in Years
bmi float %9.0g Body Mass Index
month float %9.0g Study Month of Baseline Exam
id float %9.0g
-------------------------------------------------------------------------------
Sorted by: followup

. sum

Variable | Obs Mean Std. Dev. Min Max

-------------+--------------------------------------------------------
sex | 4699 1.56395 .4959463 1 2
sbp | 4699 132.7665 22.8011 80 270
dbp | 4699 82.5416 12.73732 40 148
scl | 4666 228.2925 44.54262 115 568
chdfate | 4699 .313471 .4639534 0 1
-------------+--------------------------------------------------------
followup | 4699 8061.313 3595.311 18 11688
age | 4699 46.04107 8.504363 30 68
bmi | 4690 25.63171 4.094672 16.2 57.6
month | 4699 6.369227 3.683821 1 12
id | 4699 2350 1356.629 1 4699

Tabel deskripsi di atas menginformasikan bahwa terdapat 10 variabel, masing-masing variabel

tersebut adalah :
1. sbp = Tekanan darah sistolik dalam mm Hg
2. dbp = Tekanan darah diastolik dalam mm Hg,
3. age = umur dalam tahun,
4. scl = serum kolesterol dalam mg/100 ml,
5. bmi = indeks mass tubuh (IMT)=berat /tinggi2 dalam kg/m2,
6. sex = jenis kelamin dengan kode 1: bila laki-laki dan 2: bila perempuan,
7. month = bulan pada tahun pelaksanaan studi /(baseline exam) occurred,
8. id = variabel identifikasi pasien (dinomori 1 sd 4699).
 Iswandi
4 Analisis Regresi Linear - Perbandingan Dua Garis Regresi NPM : 0806470421 17/04/2009

Informasi tindak-lanjut (follow up) penyakit jantung koroner atau CHD (coronary heart disease) :
9. followup = Masa follow up terhadap subjek dalam hari
10. chdfate = 1: jika subjek terpapar CHD hingga akhir masa follow-up dan 0: bila tidak.

Langkah 2 : mentransformasi data

Dilakukan perintah generate untuk komputasi/perhitungan matematis yang melibatkan variabel
sbp, bmi, scl dan age. Log transformation dilakukan terhadap variabel sbp, bmi dan scl.
. gen logsbp = log(sbp)

. gen logbmi = log(bmi)

(9 missing values generated)

. gen logscl = log(scl)

(33 missing values generated)

Variabel sex dilakukan recode

. recode sex 2=0
(sex: 2650 changes made)

Untuk variabel age dilakukan perintah generate dan recode untuk kepentingan kategorisasi.
. gen agegroup = age

. sum age, detail

Age in Years
-------------------------------------------------------------
Percentiles Smallest
1% 32 30
5% 34 31
10% 35 31 Obs 4699
25% 39 31 Sum of Wgt. 4699

50% 45 Mean 46.04107

Largest Std. Dev. 8.504363
75% 53 65
90% 58 66 Variance 72.3242
95% 60 66 Skewness .2323983
99% 63 68 Kurtosis 1.949889

. recode agegroup min/38=1 39/52=2 53/max=3

(agegroup: 4699 changes made)

Selanjutnya juga dilakukan log transformation terhadap variabel yang diduga berinteraksi :
. gen bmisex = logbmi*sex
(9 missing values generated)

. gen sclsex = logscl*sex

(33 missing values generated)

. gen bmiagegr = logbmi*agegroup

(9 missing values generated)
 Iswandi
5 Analisis Regresi Linear - Perbandingan Dua Garis Regresi NPM : 0806470421 17/04/2009

. gen sclagegr = logscl*agegroup

(33 missing values generated)

Langkah 3 : membuat model Persamaan Awal (Full Model)

Persamaan Full model ditulis sbb :

Y = β0 + β1X + β2Z + βXZ + e

1. Full model 1 : sbp (Y) dan bmi (X) pada sex (Z)
. reg logsbp logbmi sex bmisex

Source | SS df MS Number of obs = 4690

-------------+------------------------------ F( 3, 4686) = 213.28
Model | 14.661556 3 4.88718532 Prob > F = 0.0000
Residual | 107.376899 4686 .022914404 R-squared = 0.1201
-------------+------------------------------ Adj R-squared = 0.1196
Total | 122.038455 4689 .026026542 Root MSE = .15138

------------------------------------------------------------------------------
logsbp | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
logbmi | .3985947 .0173722 22.94 0.000 .3645371 .4326523
sex | .3950265 .1004207 3.93 0.000 .1981546 .5918983
bmisex | -.1259487 .0309746 -4.07 0.000 -.1866735 -.0652238
_cons | 3.593017 .0560033 64.16 0.000 3.483224 3.70281
------------------------------------------------------------------------------
Persamaan regresi hubungan antara indeks mass tubuh (bmi) dan jenis kelamin (sex) terhadap
tekanan darah sistolic (sbp) sebagai berikut :
logsbp = 3.593 + 0.398 (logbmi) + 0.395 (sex) - 0.125 (bmisex)
2. Full model 2 : sbp (Y) dan scl (X) pada sex (Z)
. reg logsbp logscl sex sclsex

Source | SS df MS Number of obs = 4666

-------------+------------------------------ F( 3, 4662) = 101.29
Model | 7.42106651 3 2.47368884 Prob > F = 0.0000
Residual | 113.85876 4662 .024422728 R-squared = 0.0612
-------------+------------------------------ Adj R-squared = 0.0606
Total | 121.279827 4665 .025997819 Root MSE = .15628

------------------------------------------------------------------------------
logsbp | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
logscl | .2539169 .0153908 16.50 0.000 .2237437 .28409
sex | .795477 .1326423 6.00 0.000 .5354354 1.055519
sclsex | -.1473443 .0244971 -6.01 0.000 -.1953703 -.0993183
_cons | 3.501642 .083392 41.99 0.000 3.338154 3.66513
------------------------------------------------------------------------------
 Iswandi
6 Analisis Regresi Linear - Perbandingan Dua Garis Regresi NPM : 0806470421 17/04/2009

Persamaan regresi hubungan antara serum kolesterol (scl) dan jenis kelamin (sex) terhadap
tekanan darah sistolic (sbp) sebagai berikut :
logsbp = 3.501 + 0.253 (logscl) + 0.795 (sex) - 0.147 (sclsex)
3. Full model 3 : sbp (Y) dan bmi (X) pada kelompok umur (Z)
. xi:reg logsbp logbmi i.agegroup bmiagegr
i.agegroup _Iagegroup_1-3 (naturally coded; _Iagegroup_1 omitted)

Source | SS df MS Number of obs = 4690

-------------+------------------------------ F( 4, 4685) = 318.52
Model | 26.0925732 4 6.52314331 Prob > F = 0.0000
Residual | 95.9458816 4685 .020479377 R-squared = 0.2138
-------------+------------------------------ Adj R-squared = 0.2131
Total | 122.038455 4689 .026026542 Root MSE = .14311

------------------------------------------------------------------------------
logsbp | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
logbmi | .2835812 .0410088 6.92 0.000 .2031847 .3639777
_Iagegroup_2 | .0263027 .0609803 0.43 0.666 -.0932473 .1458528
_Iagegroup_3 | .0826225 .1229922 0.67 0.502 -.1585 .323745
bmiagegr | .0090356 .0190186 0.48 0.635 -.0282498 .0463209
_cons | 3.864512 .0766483 50.42 0.000 3.714245 4.014779
------------------------------------------------------------------------------
Persamaan regresi hubungan antara indeks mass tubuh (bmi) dan kelompok umur (agegroup)
terhadap tekanan darah sistolic (sbp) sebagai berikut :
logsbp = 3.864 + 0.283 (logbmi) + 0.026 (agegroup2) + 0.082 (agegroup3) + 0.009 (bmiagegr)
4. Full model 4 : sbp (Y) dan scl (X) pada kelompok umur (Z)
. xi:reg logsbp logscl i.agegroup sclagegr
i.agegroup _Iagegroup_1-3 (naturally coded; _Iagegroup_1 omitted)

Source | SS df MS Number of obs = 4666

-------------+------------------------------ F( 4, 4661) = 208.07
Model | 18.375235 4 4.59380875 Prob > F = 0.0000
Residual | 102.904592 4661 .022077793 R-squared = 0.1515
-------------+------------------------------ Adj R-squared = 0.1508
Total | 121.279827 4665 .025997819 Root MSE = .14859

------------------------------------------------------------------------------
logsbp | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
logscl | .1869181 .0352553 5.30 0.000 .117801 .2560352
_Iagegroup_2 | .2255884 .0881367 2.56 0.011 .0527988 .3983779
_Iagegroup_3 | .4899277 .1785144 2.74 0.006 .1399551 .8399003
sclagegr | -.0320994 .0165083 -1.94 0.052 -.0644636 .0002647
_cons | 3.975151 .1092194 36.40 0.000 3.76103 4.189273
------------------------------------------------------------------------------
Persamaan regresi hubungan antara serum kolesterol (scl) dan kelompok umur (agegroup)
terhadap tekanan darah sistolic (sbp) sebagai berikut :
logsbp = 3.975 + 0.186 (logscl) + 0.225 (agegroup2) + 0.489 (agegroup3) - 0.032 (sclagegr)
 Iswandi
7 Analisis Regresi Linear - Perbandingan Dua Garis Regresi NPM : 0806470421 17/04/2009

Langkah 4 : Melakukan uji coincidence

Uji coincidence dilakukan untuk mengetahui apakah kedua garis regresi terletak berhimpit (slope
dan intersepnya) atau dengan kata lain apakah kedua garis regresi tersebut identik. Dengan
demikian, hipotesisnya adalah sbb :
1. sbp (Y) dan bmi (X) pada sex (Z)
Ho : β1M = β1F = 0 atau kedua garis lurus regresi terletak berhimpit pada kelompok laki-laki
maupun perempuan
Ha : salah satu slope ≠ 0 atau Kedua garis lurus tidak terletak berhimpit.
2. sbp (Y) dan scl (X) pada sex (Z)
Ho : β1M = β1F = 0 atau kedua garis lurus regresi terletak berhimpit pada kelompok laki-laki
maupun perempuan
Ha : salah satu slope ≠ 0 atau Kedua garis lurus tidak terletak berhimpit.
3. sbp (Y) dan bmi (X) pada kelompok umur (Z)
Ho : β1AG1 = β1AG2 = β1AG3 = 0 atau kedua garis lurus regresi terletak berhimpit pada ketiga
kelompok umur
Ha : salah satu slope ≠ 0 atau Kedua garis lurus tidak terletak berhimpit.
4. sbp (Y) dan scl (X) pada kelompok umur (Z)
Ho : β1AG1 = β1AG2 = β1AG3 = 0 atau kedua garis lurus regresi terletak berhimpit pada ketiga
kelompok umur
Ha : salah satu slope ≠ 0 atau Kedua garis lurus tidak terletak berhimpit.
Untuk menguji hipotesis-hipotesis di atas dilakukan langkah-langkah sbb :
1. sbp (Y) dan bmi (X) pada sex (Z)
. reg logsbp logbmi

Source | SS df MS Number of obs = 4690

-------------+------------------------------ F( 1, 4688) = 612.02
Model | 14.0924231 1 14.0924231 Prob > F = 0.0000
Residual | 107.946032 4688 .023026031 R-squared = 0.1155
-------------+------------------------------ Adj R-squared = 0.1153
Total | 122.038455 4689 .026026542 Root MSE = .15174

------------------------------------------------------------------------------
logsbp | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
logbmi | .3551821 .0143571 24.74 0.000 .3270354 .3833289
_cons | 3.727192 .046451 80.24 0.000 3.636126 3.818258
------------------------------------------------------------------------------
 Iswandi
8 Analisis Regresi Linear - Perbandingan Dua Garis Regresi NPM : 0806470421 17/04/2009

. reg logsbp logbmi sex

Source | SS df MS Number of obs = 4690

-------------+------------------------------ F( 2, 4687) = 310.62
Model | 14.2826922 2 7.14134611 Prob > F = 0.0000
Residual | 107.755763 4687 .022990348 R-squared = 0.1170
-------------+------------------------------ Adj R-squared = 0.1167
Total | 122.038455 4689 .026026542 Root MSE = .15163

------------------------------------------------------------------------------
logsbp | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
logbmi | .358977 .0144065 24.92 0.000 .3307334 .3872205
sex | -.0128971 .0044831 -2.88 0.004 -.0216861 -.0041081
_cons | 3.720557 .0464723 80.06 0.000 3.62945 3.811665
------------------------------------------------------------------------------

. reg logsbp logbmi sex bmisex

Source | SS df MS Number of obs = 4690

-------------+------------------------------ F( 3, 4686) = 213.28
Model | 14.661556 3 4.88718532 Prob > F = 0.0000
Residual | 107.376899 4686 .022914404 R-squared = 0.1201
-------------+------------------------------ Adj R-squared = 0.1196
Total | 122.038455 4689 .026026542 Root MSE = .15138

------------------------------------------------------------------------------
logsbp | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
logbmi | .3985947 .0173722 22.94 0.000 .3645371 .4326523
sex | .3950265 .1004207 3.93 0.000 .1981546 .5918983
bmisex | -.1259487 .0309746 -4.07 0.000 -.1866735 -.0652238
_cons | 3.593017 .0560033 64.16 0.000 3.483224 3.70281
------------------------------------------------------------------------------
Tiga model di atas, bila disederhanakan hasilnya sbb :
Tabel 1 : Ringkasan model sbp (Y) dan bmi (X) pada sex (Z)
Source df SS MS F
Regression (X) 1 14.0924231 14.0924231 612.02
Residual 4688 107.946032 .023026031

Regression (X, Z) 2 14.2826922 7.14134611 310.62

Residual 4687 107.755763 .022990348

Regression (X, Z, XZ) 3 14.661556 4.88718532 213.28

Residual 4686 107.376899 .022914404
 Iswandi
9 Analisis Regresi Linear - Perbandingan Dua Garis Regresi NPM : 0806470421 17/04/2009

Rumus Coincidence :
Regression SS X,Z,XZ − Regression SS X /2
F (XZ, Z |X) =
MS residual (X,Z,XZ )
(14.661556 −14.0924231 )/2
= = 12.41867
0.022914404
. display invF(2,4686,0.95)
2.9976482

. display Ftail(2,4686,12.41867)
4.177e-06

Nilai F di atas dibandingkan dengan F tabel pada F2,4686,0.95 = 2.99, karena F hitung > F tabel maka
dengan demikian Ho ditolak.
Atau dengan menggunakan nilai P berdasarkan F hitung pada F2,4686 = 4.177e-06

Karena nilai P (0.0001) jauh lebih kecil dari 0.05, maka Ho ditolak. Sehingga dapat disimpulkan
kedua garis lurus tidak berhimpit (not coincident).
2. sbp (Y) dan scl (X) pada sex (Z)
Dengan cara yang sama seperti poin 1 di atas, maka diperoleh hasil sebagai berikut :
Tabel 2 : Ringkasan model sbp (Y) dan scl (X) pada sex (Z)
Source df SS MS F
Regression (X) 1 6.53358301 6.53358301 265.57
Residual 4664 114.746244 .024602539

Regression (X, Z) 2 6.53751858 3.26875929 132.84

Residual 4663 114.742308 .024606971

Regression (X, Z, XZ) 3 7.42106651 2.47368884 101.29

Residual 4662 113.85876 .024422728
Rumus Coincidence :
Regression SS X,Z,XZ − Regression SS X /2
F (XZ, Z |X) =
MS residual (X,Z,XZ )
(7.42106651 −6.53358301 )/2
= = 18.16921
0.024422728
. display invF(2,4663,0.95)
2.9976577

. display Ftail(2,4663,18.16921)
1.380e-08
 Iswandi
10 Analisis Regresi Linear - Perbandingan Dua Garis Regresi NPM : 0806470421 17/04/2009

Nilai F di atas dibandingkan dengan F tabel pada F2,4663,0.95 = 2.99, karena F hitung > F tabel maka
dengan demikian Ho ditolak.
Atau dengan menggunakan nilai P berdasarkan F hitung pada F2,4686 = 1.380e-08

Karena nilai P (0.0001) jauh lebih kecil dari 0.05, maka Ho ditolak. Sehingga dapat disimpulkan
kedua garis lurus tidak berhimpit (not coincident).
3. sbp (Y) dan bmi (X) pada kelompok umur (Z)

. reg logsbp logbmi

Source | SS df MS Number of obs = 4690

-------------+------------------------------ F( 1, 4688) = 612.02
Model | 14.0924231 1 14.0924231 Prob > F = 0.0000
Residual | 107.946032 4688 .023026031 R-squared = 0.1155
-------------+------------------------------ Adj R-squared = 0.1153
Total | 122.038455 4689 .026026542 Root MSE = .15174

------------------------------------------------------------------------------
logsbp | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
logbmi | .3551821 .0143571 24.74 0.000 .3270354 .3833289
_cons | 3.727192 .046451 80.24 0.000 3.636126 3.818258
------------------------------------------------------------------------------
. xi:reg logsbp logbmi i.agegroup
i.agegroup _Iagegroup_1-3 (naturally coded; _Iagegroup_1 omitted)

Source | SS df MS Number of obs = 4690

-------------+------------------------------ F( 3, 4686) = 424.69
Model | 26.0879508 3 8.69598359 Prob > F = 0.0000
Residual | 95.9505041 4686 .020475993 R-squared = 0.2138
-------------+------------------------------ Adj R-squared = 0.2133
Total | 122.038455 4689 .026026542 Root MSE = .14309

------------------------------------------------------------------------------
logsbp | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
logbmi | .3019411 .0137208 22.01 0.000 .275042 .3288402
_Iagegroup_2 | .0551687 .0051939 10.62 0.000 .0449862 .0653513
_Iagegroup_3 | .1409874 .0059218 23.81 0.000 .1293779 .1525969
_cons | 3.834713 .0440516 87.05 0.000 3.748351 3.921075
------------------------------------------------------------------------------
. xi:reg logsbp logbmi i.agegroup bmiagegr
i.agegroup _Iagegroup_1-3 (naturally coded; _Iagegroup_1 omitted)

Source | SS df MS Number of obs = 4690

-------------+------------------------------ F( 4, 4685) = 318.52
Model | 26.0925732 4 6.52314331 Prob > F = 0.0000
Residual | 95.9458816 4685 .020479377 R-squared = 0.2138
-------------+------------------------------ Adj R-squared = 0.2131
Total | 122.038455 4689 .026026542 Root MSE = .14311
 Iswandi
11 Analisis Regresi Linear - Perbandingan Dua Garis Regresi NPM : 0806470421 17/04/2009

------------------------------------------------------------------------------
logsbp | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
logbmi | .2835812 .0410088 6.92 0.000 .2031847 .3639777
_Iagegroup_2 | .0263027 .0609803 0.43 0.666 -.0932473 .1458528
_Iagegroup_3 | .0826225 .1229922 0.67 0.502 -.1585 .323745
bmiagegr | .0090356 .0190186 0.48 0.635 -.0282498 .0463209
_cons | 3.864512 .0766483 50.42 0.000 3.714245 4.014779
------------------------------------------------------------------------------

Tabel 3 : Ringkasan model sbp (Y) dan bmi (X) pada kelompok umur (Z)
Source df SS MS F
Regression (X) 1 14.0924231 14.0924231 612.02
Residual 4688 107.946032 .023026031

Regression (X, Z) 3 26.0879508 8.69598359 424.69

Residual 4686 95.9505041 .020475993

Regression (X, Z, XZ) 4 26.0925732 6.52314331 318.52

Residual 4685 95.9458816 .020479377
Rumus Coincidence :
Regression SS X,Z,XZ − Regression SS X /2
F (XZ, Z |X) =
MS residual (X,Z,XZ )
(26.0925732 −14.0924231 )/2
= = 292.98133
0.020479377

. display invF(3,4685,0.95)
2.6068047

. display Ftail(3,4685,292.98133)
2.60e-174

Nilai F di atas dibandingkan dengan F tabel pada F3,4685,0.95 = 2.61, karena F hitung > F tabel maka
dengan demikian Ho ditolak.
Atau dengan menggunakan nilai P berdasarkan F hitung pada F3,4685 = 2.60e-174

Karena nilai P (0.0001) jauh lebih kecil dari 0.05, maka Ho ditolak. Sehingga dapat disimpulkan
kedua garis lurus tidak berhimpit (not coincident).

4. sbp (Y) dan scl (X) pada kelompok umur (Z)

Dengan cara yang sama seperti poin 3 di atas, maka diperoleh hasil sebagai berikut :
 Iswandi
12 Analisis Regresi Linear - Perbandingan Dua Garis Regresi NPM : 0806470421 17/04/2009

Tabel 4 : Ringkasan model sbp (Y) dan scl (X) pada kelompok umur (Z)
Source df SS MS F
Regression (X) 1 6.53358301 6.53358301 265.57
Residual 4664 114.746244 .024602539

Regression (X, Z) 3 18.2917625 6.09725417 276.01

Residual 4662 102.988064 .022090962

Regression (X, Z, XZ) 4 18.375235 4.59380875 208.07

Residual 4661 102.904592 .022077793
Rumus Coincidence :
Regression SS X,Z,XZ − Regression SS X /2
F (XZ, Z |X) =
MS residual (X,Z,XZ )
(18.375235 −6.53358301 )/2
= = 268.18016
0.022077793
. display invF(3,4661,0.95)
2.6068144

. display Ftail(3,4661,268.18016)
1.44e-160

Nilai F di atas dibandingkan dengan F tabel pada F3,4661,0.95 = 2.61, karena F hitung > F tabel maka
dengan demikian Ho ditolak.
Atau dengan menggunakan nilai P berdasarkan F hitung pada F3,4661 = 1.44e-160

Karena nilai P (0.0001) jauh lebih kecil dari 0.05, maka Ho ditolak. Sehingga dapat disimpulkan
kedua garis lurus tidak berhimpit (not coincident).

Langkah 5 : Melakukan uji parallelism

Uji parallelism dilakukan untuk membuktikan kasus paralel ; yaitu apabila koefisien kemiringan
keduanya sama, tetapi titik potongnya berbeda. Dengan demikian, hipotesisnya adalah sbb :
1. sbp (Y) dan bmi (X) pada sex (Z)
Ho : β1M = β1F atau kedua garis lurus regresi memiliki koefisien kemiringan (slope) yang sama
baik pada kelompok laki-laki maupun perempuan
Ha : β1M ≠ β1F atau koefisien kemiringan (slope)-nya tidak sama.
 Iswandi
13 Analisis Regresi Linear - Perbandingan Dua Garis Regresi NPM : 0806470421 17/04/2009

2. sbp (Y) dan scl (X) pada sex (Z)

Ho : β1M = β1F atau kedua garis lurus regresi memiliki koefisien kemiringan (slope) yang sama
baik pada kelompok laki-laki maupun perempuan
Ha : β1M ≠ β1F atau koefisien kemiringan (slope)-nya tidak sama
3. sbp (Y) dan bmi (X) pada kelompok umur (Z)
Ho : β1AG1 = β1AG2 = β1AG3 atau terdapat dua garis lurus regresi yang memiliki koefisien
kemiringan (slope) yang sama pada ketiga kelompok umur
Ha : salah satu slope atau koefisien kemiringan (slope)-nya tidak sama.
4. sbp (Y) dan scl (X) pada kelompok umur (Z)
Ho : β1AG1 = β1AG2 = β1AG3 atau terdapat dua garis lurus regresi yang memiliki koefisien
kemiringan (slope) yang sama pada ketiga kelompok umur
Ha : salah satu slope atau koefisien kemiringan (slope)-nya tidak sama.
Untuk menguji hipotesis-hipotesis di atas, maka digunakan ringkasan tabel 1 - 4 di atas untuk
masing-masing variabel yang akan dihubungkan.

Rumus Parallelism :
Regression SS X,Z,XZ − Regression SS X,Z
F (XZ | X, Z) =
MS residual (X,Z,XZ )

1. sbp (Y) dan bmi (X) pada sex (Z)

14.661556 −14.2826922
F (XZ, Z |X) = = 16.5338
0.022914404
. display invF(1,4686,0.95)
3.843444

. display Ftail(1,4686,16.5338)
.00004857

Nilai F di atas dibandingkan dengan F tabel pada F1,4686,0.95 = 3.843, karena F hitung > F tabel
maka dengan demikian Ho ditolak.
Atau dengan menggunakan nilai P berdasarkan F hitung pada F1,4686 = .00004857

Karena nilai P (0.0001) jauh lebih kecil dari 0.05, maka Ho ditolak. Sehingga dapat disimpulkan
kedua garis lurus tidak paralel atau koefisien kemiringannya tidak sama.
2. sbp (Y) dan scl (X) pada sex (Z)
 Iswandi
14 Analisis Regresi Linear - Perbandingan Dua Garis Regresi NPM : 0806470421 17/04/2009

7.42106651 −6.53751858
F (XZ, Z |X) = = 36.1773
0.024422728

. display invF(1,4662,0.95)
3.8434543

. display Ftail(1,4662,36.1773)
1.939e-09

Nilai F di atas dibandingkan dengan F tabel pada F1,4662,0.95 = 3.843, karena F hitung > F tabel
maka dengan demikian Ho ditolak.
Atau dengan menggunakan nilai P berdasarkan F hitung pada F1,4662 = 1.939e-09
Karena nilai P (0.0001) jauh lebih kecil dari 0.05, maka Ho ditolak. Sehingga dapat disimpulkan
kedua garis lurus tidak paralel atau koefisien kemiringannya tidak sama.
3. sbp (Y) dan bmi (X) pada kelompok umur (Z)
26.0925732 −26.0879508
F (XZ, Z |X) = = 0.2257
0.020479399

. display invF(1,4685,0.95)
3.8434445

. display Ftail(1,4685,0.2257)
.63475285

Nilai F di atas dibandingkan dengan F tabel pada F1,4685,0.95 = 3.843, karena F hitung < F tabel
maka dengan demikian Ho gagal ditolak.
Atau dengan menggunakan nilai P berdasarkan F hitung pada F1,4685 = 0.63475285
Karena nilai P (0.6347) lebih besar dari 0.05, maka Ho gagal ditolak. Sehingga dapat disimpulkan
ada dua garis lurus pada ketiga kelompok umur tersebut yang paralel atau koefisien
kemiringannya sama.
4. sbp (Y) dan scl (X) pada kelompok umur (Z)

18.375235 −18.2917625
F (XZ, Z |X) = = 3.7808
0.022077793

. display invF(1,4661,0.95)
3.8434547

. display Ftail(1,4661,3.7808)
.05190395

Nilai F di atas dibandingkan dengan F tabel pada F1,4661,0.95 = 3.843, karena F hitung < F tabel
maka dengan demikian Ho gagal ditolak.
 Iswandi
15 Analisis Regresi Linear - Perbandingan Dua Garis Regresi NPM : 0806470421 17/04/2009

Atau dengan menggunakan nilai P berdasarkan F hitung pada F1,4661 = .05190395

Karena nilai P (0.05190395) lebih besar dari 0.05, maka Ho gagal ditolak. Sehingga dapat
disimpulkan ada dua garis lurus pada ketiga kelompok umur yang paralel atau koefisien
kemiringannya sama.

Langkah 6 : Melakukan uji kesamaan intersep

Uji kesamaan intersep dilakukan untuk melihat apakah kedua garis regresi memiliki titik potong
(intersep) yang sama, walaupun kemiringan (slope)- nya berbeda. Dengan demikian, hipotesisnya
adalah sbb :
1. sbp (Y) dan bmi (X) pada sex (Z)
Ho : β0M = β0F atau kedua garis lurus regresi memiliki titik potong (intersep) yang sama baik
pada kelompok laki-laki maupun perempuan
Ha : β0M ≠ β0F atau titik potong (intersep)-nya tidak sama.
2. sbp (Y) dan scl (X) pada sex (Z)
Ho : β0M = β0F atau kedua garis lurus regresi memiliki titik potong (intersep) yang sama baik
pada kelompok laki-laki maupun perempuan
Ha : β0M ≠ β0F atau titik potong (intersep)-nya tidak sama.
3. sbp (Y) dan bmi (X) pada kelompok umur (Z)
Ho : β0AG1 = β0AG2 = β0AG3 atau terdapat dua garis lurus regresi yang memiliki titik potong
(intersep) yang sama pada ketiga kelompok umur
Ha : β0AG1 = β0AG2 = β0AG3 atau titik potong (intersep)-nya tidak sama.
4. sbp (Y) dan scl (X) pada kelompok umur (Z)
Ho : β0AG1 = β0AG2 = β0AG3 atau terdapat dua garis lurus regresi yang memiliki titik potong
(intersep) yang sama pada ketiga kelompok umur
Ha : β0AG1 = β0AG2 = β0AG3 atau titik potong (intersep)-nya tidak sama.

Untuk menguji hipotesis-hipotesis di atas, maka digunakan ringkasan tabel 1 - 4 di atas untuk
masing-masing variabel yang akan dihubungkan.

Variabel yang terlibat dimasukkan secara berurut dalam uji ini, mengikuti formula berikut :
Regression SS Z,X − Regression SS X
F (Z | X) =
MS residual (X,Z,XZ )
 Iswandi
16 Analisis Regresi Linear - Perbandingan Dua Garis Regresi NPM : 0806470421 17/04/2009

1. sbp (Y) dan bmi (X) pada sex (Z)

14.2826922 −14.0924231
F (XZ, Z |X) = = 8.3035
0.022914404
. display invF(1,4686,0.95)
3.843444

. display Ftail(1,4686,8.3035)
.00397485

Nilai F di atas dibandingkan dengan F tabel pada F1,4686,0.95 = 3.843, karena F hitung > F tabel
maka dengan demikian Ho ditolak.
Atau dengan menggunakan nilai P berdasarkan F hitung pada F1,4686 = .00397485

Karena nilai P (0.0001) jauh lebih kecil dari 0.05, maka Ho ditolak. Sehingga dapat disimpulkan
titik potong (intersep) kedua garis lurus regresi tidak sama.

2. sbp (Y) dan scl (X) pada sex (Z)

6.53751858 −6.53358301
F (XZ, Z |X) = = 0.1611
0.024422728
. display invF(1,4662,0.95)
3.8434543

. display Ftail(1,4662,0.1611)
.68816418

Nilai F di atas dibandingkan dengan F tabel pada F1,4662,0.95 = 3.843, karena F hitung < F tabel
maka dengan demikian Ho gagal ditolak.
Atau dengan menggunakan nilai P berdasarkan F hitung pada F1,4662 = .68816418

Karena nilai P (0.688) lebih besar dari 0.05, maka Ho gagal ditolak. Sehingga dapat disimpulkan
ada kesamaan titik potong (intersep) kedua garis lurus regresi.
3. sbp (Y) dan bmi (X) pada kelompok umur (Z)
26.0879508 −14.0924231
F (XZ, Z |X) = = 585.7369
0.020479377
. display invF(1,4685,0.95)
3.8434445

. display Ftail(1,4685,585.7369)
4.97e-122

Nilai F di atas dibandingkan dengan F tabel pada F1,4685,0.95 = 3.843, karena F hitung > F tabel
maka dengan demikian Ho ditolak.
 Iswandi
17 Analisis Regresi Linear - Perbandingan Dua Garis Regresi NPM : 0806470421 17/04/2009

Atau dengan menggunakan nilai P berdasarkan F hitung pada F1,4685 = 4.97e-122

Karena nilai P (0.0001) jauh lebih kecil dari 0.05, maka Ho ditolak. Sehingga dapat disimpulkan
titik potong (intersep) kedua garis lurus regresi tidak sama.
4. sbp (Y) dan scl (X) pada kelompok umur (Z)
18.2917625 −6.53358301
F (XZ, Z |X) = = 532.5795
0.022077793

. display invF(1,4661,0.95)
3.8434547
. display Ftail(1,4661,532.5795)
1.14e-111
Nilai F di atas dibandingkan dengan F tabel pada F1,4661,0.95 = 3.843, karena F hitung > F tabel
maka dengan demikian Ho ditolak.
Atau dengan menggunakan nilai P berdasarkan F hitung pada F1,4661 = 1.14e-111
Karena nilai P (0.0001) jauh lebih kecil dari 0.05, maka Ho ditolak. Sehingga dapat disimpulkan
titik potong (intersep) kedua garis lurus regresi tidak sama.

Langkah 7 : Visualisasi grafik

1. sbp (Y) dan bmi (X) pada tiap kategori sex (Z)
. twoway (lfit logsbp logbmi if sex==0, lcolor(green) lwidth(medthick)) (lfit
logsbp logbmi if sex==1, lcolor(blue) lwidth(medthick))

2. sbp (Y) dan scl (X) pada tiap kategori sex (Z)
. twoway (lfit logsbp logscl if sex==0, lcolor(green) lwidth(medthick)) (lfit
logsbp logscl if sex==1, lcolor(blue) lwidth(medthick))
5.1
5.2
5.1

5
Fitted values

Fitted values
5

4.9
4.9

4.8
4.8

4.7
4.7

2.5 3 3.5 4 4.5 5 5.5 6 6.5

logbmi logscl

Fitted values Fitted values Fitted values Fitted values

Ket : garis biru = laki-laki, garis hijau = perempuan

Nampak dari grafik di atas garis tidak paralel, walaupun demikian perpotongan ada yang simetris.
 Iswandi
18 Analisis Regresi Linear - Perbandingan Dua Garis Regresi NPM : 0806470421 17/04/2009

3. sbp (Y) dan bmi (X) pada tiap kategori umur (Z)
. twoway (lfit logsbp logbmi if agegroup==1, lcolor(green) lwidth(medthick))
(lfit logsbp logbmi if agegroup==2, lcolor(blue) lwidth(medthick)) (lfit logsbp
logbmi if agegroup==3, lcolor(red) lwidth(medthick))

4. sbp (Y) dan scl (X) pada tiap kategori umur (Z)
. twoway (lfit logsbp logscl if agegroup==1, lcolor(green) lwidth(medthick))
(lfit logsbp logscl if agegroup==2, lcolor(blue) lwidth(medthick)) (lfit logsbp
logscl if agegroup==3, lcolor(red) lwidth(medthick)
5.2

5
5.1

4.9
Fitted values
Fitted values

5
4.9

4.8
4.8

4.7
4.7

2.5 3 3.5 4 4.5 5 5.5 6 6.5

logbmi logscl

Fitted values Fitted values Fitted values Fitted values

Fitted values Fitted values

Ket : garis hijau = age group 1 (30-38 thn), garis biru = age group 2 (39-52 thn), age group 3 = (53-68 thn)

Nampak dari grafik di atas adanya dua garis yang paralel, walaupun tidak coincidence.

Langkah 8 : Kesimpulan

Coincidence Parallelism Equal

No source Conclude
test test Intercept

1 sbp (Y) dan bmi (X) pada Signifikan Signifikan Signifikan Garis tidak paralel juga
tiap kategori sex (Z) intersepnya tidak sama

2 sbp (Y) dan scl (X) pada Signifikan Signifikan Tidak Garis tidak paralel dan
tiap kategori sex (Z) signifikan intersepnya sama

3 sbp (Y) dan bmi (X) Signifikan Tidak Signifikan Garis Paralel tapi tidak
pada tiap kategori signifikan coincidence
umur (Z)

4 sbp (Y) dan scl (X) pada Signifikan Tidak Signifikan Garis paralel tapi tidak
signifikan coincidence
tiap kategori umur (Z)