Anda di halaman 1dari 96

Topik 2.

Analisis Regresi Linier Berganda


& Analisis Regresi Logistik
Oleh: Ki Hariyadi
Kuliah FK-UMY, 2012
Analisis Regresi 1
Sub Pokok Bahasan
1. Pengantar
2. Asumsi Regresi
3. Kasus Regresi Berganda
4. Regresi Berganda Variabel Dummy
5. Regresi Berganda Variabel Dummy lebih dari
dua kriteria.
6. Regresi Berganda Binary (Logistik)
Analisis Regresi 2
1. Pengantar
Analisis regresi bertujuan menemukan
kurva yang paling sesuai berdasar data,
sehingga merupakan aproksimasi terdekat
dari relasi antara X
1
, X
2
... X
n
dan Y.
Hasil akhir adalah untuk menduga/
mengestimasi nilai variabel Y, untuk suatu
nilai tertentu dari beberapa variabel bebas
(=prediktor), X
1
, X
2
... X
n
.
Analisis Regresi 3
Model Regresi Linier Berganda
Model Statistik (2 Variabel Independen)
Y = o + |
1
X
1
+ |
2
X
2
+
Keterangan
Y = variabel terikat
X
1
, X
2
= variabel bebas (=prediktor)
= Error / kesalahan atau residual
mencerminkan semua sumber variasi di luar variabel
bebas yang tidak bisa dikendalikan
|
1 ,
|
2
= koefisien regresi (intersep)

Analisis Regresi 4
2. Asumsi Regresi Berganda
1. Normalitas
2. Heteroskedastisitas
3. Multikolinieritas
4. Autokorelasi

Analisis Regresi 5
Tidak Mengandung
6
e
i
~ N(0,
2
), Distribusi probabilitas dari
error memiliki: (1) rata-rata sama
dengan nol, (2) tidak berkorelasi dan
(3) memiliki variansi konstan (
2
).
2.1. Normalitas
Analisis Regresi
7
Error memiliki variansi yang tidak konstan,
Y
X
a. Konstan
Observasi nilai Y untuk X tertentu
Terletak pada jarak yang konstan
Dengan garis regresi. Variansi tidak
tergantung dengan nilai X
Y
X
b. Heteroskedastik
Varians dipengaruhi nilai X
Jika nilai X meningkat variansi
meningkat. Jika persamaan di
gunakan meramal, interval konfidensi
kurang dapat memuat nilai Y sebenar
nya untuk nilai X yang besar
2.2. Heteroskedastisitas
OK

e
2
=tidak konstan
Analisis Regresi
8
Kolinieritas keadaan di mana
variabel-variabel independen dalam
persamaan regresi memiliki hubungan
yang sangat kuat satu sama lainnya

Korelasi Pearson (r) alat deteksi
hubungan 2 variabel
2.3. Multikolinier
Analisis Regresi
9
Masalah ini sering terjadi pada data
runtut waktu (Times Series).
Observasi yang berurutan sepanjang
waktu berkaitan satu sama lain.
Y
t
dipengaruhi Y
t-1

2.4. Autokorelasi
Analisis Regresi
Mendeteksi & Mengatasi
Pelanggaran Asumsi Regresi
Ki Hariyadi
Analisis Regresi 10
11
2.1. Normalitas
Cara mendeteksi Normal Probability
Plot.
Pengambilan Keputusan: Jika data
menyebar di sekitar garis diagonal dan
mengikuti arah garis Normal

Jika melanggar diatasi dengan Transformasi
dan membuang data ekstrim.

Analisis Regresi
12
2.2. Heteroskedastisitas
Scatter Plot
Jika terbentuk pola tertentu
dan teratur, ada indikasi masalah
Y
X
ZPRED
ZRESID
Y
X
Y
X
Y
X
a
Y* = Y
b
Log Y
c
1/Y
Solusi Heteroskedastisitas
dengan cara transformasi Y
Misal: LN (Y), LOG10 (Y),
1/Y, dll.
Analisis Regresi
Prosedur Grafik
Hitung Sisa (e) dan nilai prediksi
Prosedure grafik
Buat grafik scatter antara Y dan Residu
Buat grafik scatter antara Y dan Prediksi

Chek grafik
Apabila scatter plot memiliki pola sistimatis
maka model dihasilkan belum baik.
)

(Y
)

(Y
13 Analisis Regresi
Perhitungan Z
standar
n sd
y y
z
y
y
/

=
n sd
e e
z
e
e
/

=
14 Analisis Regresi
15
2.3. Multikolinier
Metode Deteksi
Jika R
2
dan F
Hitung
tinggi, namun banyak t hitung
yang tidak bermakna (tidak signifikan)
Nilai korelasi antar 2 variabel independen
melebihi 0,8 (rekomendasi)
Mengamati VIF dan Tolerance. JIka VIF>10 &
TOLERANCE<0,1.
Solusi : (1). Memilih satu dari sepasang variabel Independen yang memiliki
korelasi yang tinggi tersebut.
(2). Membuat Variabel independen baru yang merupakan kombinasi
dari sepasang variabel independen tersebut
Analisis Regresi
16
2.4. Autokorelasi
Statistik Durbin Watson (DW)
Dasar Keputusan
DW < -2 , Positif
-2 DW 2 , Tidak ada
DW > 2 , Negatif

Solusi dengan transformasi Y dan X
Analisis Regresi
3. Kasus Regresi Berganda
Kasus Simulasi bersumber RK. Sembiring
Ingin diketahui model persamaan linier
antara y dengan X1, X2, X3, X4 dan X5?
Asumsi Model linier Berganda adalah
Y=b
0
+b
1
X
1
+b
2
X
2
+b
3
X
3
+b
4
X
4
+b
5
X
5
Analisis Regresi 17
Buka file : Kasus Regresi Berganda-Kasus 2011.doc
Prosedur Pengolahan
Lakukan Uji Bivariate (Korelasi Pearson)
Lakukan Uji Multivariate (regresi linier
berganda)

Interpretasi hasil dari
Uji F test Regresi
Uji t untuk kemaknaan Variabel
18 Analisis Regresi
4. Regresi Linier Berganda
Variabel Dummy
Hal ini terjadi apabila dijumpai pada
kasus variabel terikat (Y) berskala
kontinu dan terdapat salah satu variabel
bebas (X) yang memiliki skala
kategorikal.
Dummy artinya boneka/ variabel buatan
karena sifat data yang memiliki skala
kategorik.
Analisis Regresi 19
Contoh Kasus
Bulan 1 Bulan 2
no Y X no Y X
1 79.3 5.5 1 237 9.5
2 200 8.0 2 200 7.6
3 146 7.3 3 150 7.4
4 177 7.6 4 210 8.1
5 100 6.2
20
Y=Nilai Penjualan (Rp. Juta)
X1=Biaya Promosi (Rp, Juta)
X2=Bulan Promosi Analisis Regresi
Penyelesaian Model
Dapat dilakukan dengan model Regresi
berganda Dummy
Dependen : Penjualan
Independen : Biaya Promosi dan Bulan
Promosi.
di sini ada 2 kategorik Bulan Promosi
maka akan ada 1 variabel Dummy.
Analisis Regresi 21
Model yg ada adalah
Y=b0+b
1
X
1
+b
2i
X
2;
i=1,2, dengan base
adalah bulan I


Model Bulan I
Y=b0+b
1
X
1
Model Bulan II (Bulan 2 dibanding 1)
Y=b0+b
1
X
1
+b
2
X
2;
Analisis Regresi 22
5. Regresi Linier Berganda
Variabel Dummy (> 2)
Hal ini terjadi apabila dijumpai pada
kasus variabel terikat (Y) berskala
kontinu dan terdapat salah satu variabel
bebas (X) yang memiliki skala
kategorikal lebih dari 2.
Analisis Regresi 23
Contoh Kasus
Bulan 1 Bulan 2 Bulan 3
no Y X no Y X no Y X
1 79.3 5.5 1 237 9.5 1 237 9.5
2 200 8.0 2 200 7.6 2 200 9.4
3 146 7.3 3 150 7.4 3 150 9.2
4 177 7.6 4 210 8.1 4 210 9.3
5 100 6.2 5 190 9.1
24
Y=Nilai Penjualan (Rp. Juta)
X1=Biaya Promosi (Rp, Juta)
X2=Bulan Promosi
Analisis Regresi
Penyelesaian Model
Dapat dilakukan dengan model Regresi
berganda Dummy
Dependen : Penjualan
Independen : Biaya Promosi dan Bulan
Promosi.
di sini ada 3 kategorik Bulan Promosi
maka akan ada 2 variabel Dummy.
Analisis Regresi 25
Model yg ada adalah
Y=b0+b
1
X
1
+b
2i
X
2;
i=1,2, dengan base
adalah bulan I


Model Bulan I
Y=b0+b
1
X
1
Model Bulan II (Bulan 2 dibanding 1)
Y=b0+b
1
X
1
+b
21
X
2;
Model Bulan III (Bulan 3 dibanding 1)
Y=b0+b
1
X
1
+b
22
X
2;
Analisis Regresi 26
Analisis Regresi 27
Tujuan
Setelah menyelesaikan kegiatan ini
mahasiswa dapat:
a) Melakukan perhitungan Model Regresi
Logistik.
b) Memahami proses estimasi dan inferensi
untuk regresi logistik
c) Terampil dalam membaca output program
komputasi dan output riset dari publikasi
28 Analisis Regresi
Aktivitas yang dikerjakan
a. Penyajian Bahan Kuliah
b. Diskusi: Korelasi & Regresi logistik
c. Proses :
1) Melakukan proses Estimasi koefisien
korelasi dan koefisien regresi logistik
2) Inferensi untuk regresi logistik
29 Analisis Regresi
Diskusi
Diskusikan pengertian dari:
1) Koefisien Korelasi

Regresi Logistik
2) Membaca koefisien regresi logistik
3) Beberapa asumsi yang harus
dipenuhi dalam model regresi
30 Analisis Regresi
Pola Data dan Skala
Korelasi Regresi Linier
Sederhana
Regresi Linier
Berganda
Regresi Logistik
X1 X2
X11 X21
X12 X22
. .
. .
. .
X1n X2n
Y X
Y1 X1
Y2 X2
. .
. .
. .
Yn Xn
Y X1 X2 . . . Xk
Y1 X11 X21... Xk1
Y2 X12 X22... Xk2
. . . ... .
. . . ... .
. . . ... .
Yn X1n X2n ... Xkn
Y X1 X2 . . . Xk
Y1 X11 X21... Xk1
Y2 X12 X22... Xk2
. . . ... .
. . . ... .
. . . ... .
Yn X1n X2n ... Xkn
Berpasangan/Tid
ak Berpasangan
X1 & X2 sama-
sama Kontinu (r
Pearson)
atau sama-sama
kategorikal
(r spearman)
Berpasangan
Y Dependen
(kontinu), X1
Indepeden
(Kontinu)

Berpasangan
Y Dependen (kontinu),
X1, X2,...Xk, Indepeden
(Kontinu atau
Kategorik)
Berpasangan
Y Dependen (Kategorik), X1,
X2,...Xk, Indepeden (Kontinu
atau Kategorik).
31 Analisis Regresi
Scatter Korelasi & Regresi
32
a
b c
?
y=a+bx
y=a-bx
y=a
Analisis Regresi
Regresi Berganda Binary
(Logistic)
Dilakukan pendekatan ini apabila
dijumpai hasil akhir dari variabel
dependen (tergantung/Y) memiliki skala
akhir Kategorikal (Nominal/Binary atau
Ordinal)
Sebagai contoh : Sukses dan Gagal,
Sakit dan Tidak Sakit, Lahir Prematur
dan Tidak Prematur, dll

Analisis Regresi 33
Data Awal
Analisis Regresi 34
Kasus Logistic 2 Variabel
Analisis Regresi 35
Lung Cancer
Chemotherapy
-Sequential therapy
-Alternating therapy
Kategori Outcome
1. Progressive Disease
2. No change
3. Partial Remission
4. Complete mission
Terapi tidak berhasil
Kode 0 (Gagal)
Terapi berhasil
Kode 1 (Sukses)
Kode Kemoterapi
0 Sequential
1 Alternating
Ingin diketahui hubungan antara 2 Metode Kemoterapi dengan kesembuhan
penyakit Kanker Paru.

Format Tabel 2 X 2 (Hasil)
Kesembuhan Lung
Cancer
Therapy Sukses
(sembuh)
Gagal Total
Alternatif
(solusi)
44 104 148
Biasa 62 89 151
Total 106 193 299
Analisis Regresi 36
Untuk mengetahui hubungan dan kelebihan dari terapi alternatif
dibandingkan yg biasa untuk kesembuhan pasien kanker paru dapat
dibuktikan dengan regresi logistik.
Format Tabel 3 Arah
Kesembuhan Lung
Cancer

Therapy
Jenis
Kelamin
Sukses
(sembuh)
Gagal Total
Alternatif
(solusi)
Laki-laki 40 85 125
Perempuan 4 19 23
Biasa Laki-laki 55 73 128
Perempuan 7 16 23
Total 106 193 299
Analisis Regresi 37
Untuk mengetahui hubungan dan keberhasilan terapi alternatif
dibandingkan yg biasa untuk kesembuhan pasien kanker paru dapat
dibuktikan dengan regresi logistik antar jenis kelamin.
Regresi Logistik
Analisis Regresi 38
Regresi Logistik
Analisis Regresi 39
Model Persamaan Regresi Logistik
( )
1 0 ;
1
1
1
1
1
1
ln ) ( logit
s s
+
=
+
=
=
|
|
.
|

\
|

+ =
|
|
.
|

\
|

|
|
.
|

\
|

=
+ =
+ +
+
+
p
e e
e
p
e
p
p
bx a
p
p
Ln
p
p
p
bx a y
bx a bx a
bx a
bx a
40
Regresi Logistik
Analisis Regresi 41
Membahas Kasus
Buka Data tumor.sav
Perhatikan variabel dependen dan
independennya.
dependen : Improve, independen:
Theraphy
Cek ringkasan datanya!
42
Pengolahan 2 Variabel
Analyze
Descriptive
Statistics
Frequencies
Masukkan 2
Variabel ke
kolom
Variable(s)
OK
43
Pengolahan 2 Variabel
(Chi-Square)
Analyze
Descriptive
Statistics
Crosstabs
Masukkan
Variabel ke
kolom
Row(s) &
Columm(s)
OK

44
Analyze
Regression
Binary
Logistic
Masukkan
Variabel ke
kolom
Dependent &
Covariates
OK

45
Pengolahan
Logistik
Menu Categorical

46
Hasil Dengan SPSS ?
Baca Hasil Pengujian Anda!
Analisis Regresi 47
Hasil OR Tabel 2 X 2
Stata
Improve
Therapy Sukses
(sembuh)
Gagal Total
Alternatif 44 104 148
Biasa 62 89 151
Total 106 193 299
Analisis Regresi 48
OR=ad/bc
= (44*89)/(104*62)
= 0,6073
Kejadian sembuh kanker paru dengan
terapi alternatif sebesar 0,607 kali
dibandingkan dengan terapi biasa
Hasil Regresi Logistik
(Stata)
Kejadian sembuh kasus kanker paru dengan
terapi alternatif sebesar 0,607 kali
dibandingkan dengan terapi Sequential

Analisis Regresi 49
Kasus II
Lung Cancer
Chemotherapy
-Sequential therapy
-- Alternating therapy
Kategori Outcome
1. Progressive Disease
2. No change
3. Partial Remission
4. Complete mission
Jenis
Kelamin
Apakah Jenis Kelamin sebagai
Confounding Factor ??
?
?
50 Analisis Regresi
Pemahaman Praktis
Apabila dilakukan pengujian regresi logistik
untuk masing-masing kelompok data berdasar
umur maka akan menyebabkan hasil
pengujian yang berbeda terhadap
kesimpulan akhir maka dapat di sebut
bahwa jenis kelamin adalah confounding
faktor
Sebaliknya apabila dilakukan pengujian
secara sendiri-2 dan hasilnya tidak ada beda
kesimpulan maka jenis kelamin bukan
sebagai confounding faktor
51 Analisis Regresi
Analyze
Regression
Binary
Logistic
Masukkan
Variabel ke
kolom
Dependent &
Covariates
OK

52
Pengolahan
Logistik 2
Variabel
Independen
Menu Categorical

53
Diskusi Hasil SPSS
Interpretasi Hasil!
Lakukan untuk 2 kelompok Jenis
Kelamin yang berbeda!
54
Hasil Regresi Logistik
(Stata)
Interpretasi
Faktor Therapy terbukti sebagai faktor yang bermakna
terhadap kejadian penyembuhan kanker paru.
Faktor Jenis kelamin tidak terbukti sebagai faktor yang
mempengaruhi.
55 Analisis Regresi
Hasil masing-masing pengujian kriteria Jenis
Kelamin
Tidak ada perbedaan hasil antar 2 pengujian tersebut
56 Analisis Regresi
Pembahasan Nilai lainnya

57 Analisis Regresi
Kasus Latihan
Pindah kasus ke spss tanpa data asli
58
Prosedur
1. Buka Data Baru di SPSS
2. Buat 4 variabel Utama dan 1 Variabel
Frekuensi :
3. Buat Labelling Value untuk masing-
masing variabel sbb
BBLR 1. BBLR 2. Tidak BBLR
Perokok 1. Perokok 2. Bukan Perokok
Hipertensi 1. Hipertensi 2. Tidak
Hipertensi
59
Tampilan Value Label
60
Hasilnya
Sudah siap, untuk input data
Tambahkan 1 Variabel Frekuensi
(variabel ke 5)
61
Entry Data
Entry Frekuensi sesuai urutan (kolom 1, lanjut
ke bawah sampai selesai, lanjut kolom 2 dst)
Koding sesuai dengan matrik data sampai
selesai.
62
Proses Pengolahan data
Bobotkan data simulasi dengan variabel
frekuensi
Menu Data
Weight Cases

63
Kasus dengan Logistik
64
Semua sama dengan
langkah sebelumnya

Hasil SPSS (Koef dan ODD)
Mari dinarasikan secara bersama!
65
REGRESI LOGISTIK DAN PENERAPAN
DALAM BIDANG KESEHATAN MASYARAKAT
(Studi Kasus Kelahiran Prematur di RSKIA PKU Muhammadiyah)
Faktor Dependen (Y)
Kelahiran Prematur (Skala Binary)
0 Tidak Prematur dan 1 Prematur

Faktor yang mempengaruhi (X)
Riwayat sebelumnya pernah prematur (x1)
Riwayat Lahir Kembar (x2)
Perdarahan (x3)
Hipertensi Ibu (x4)
Diabetes (x5)
Analisis Regresi 66
Kepustakaan
Nursalam (2008). Konsep dan Penerapan
Metodologi Penelitian Ilmu Keperawatan
(Edisi 2). Jakarta: Salemba Medika.
Morgan, GA., et. al., (2004). SPSS For
Introductory Statistics: Use and Interpretation
2-ed. London: LEA Publisher.
Budiarto, E. (2001). Biostatistika untuk
Kedokteran dan Kesehatan Masyarakat;
Jakarta: EGC.

Analisis Regresi 67
TAMBAHAN PEMILIHAN UJI
Analisis Regresi 68
69
Model Regresi berdasar Skala Data
Variabel Dependen (Y)
Inde-
penden
(X)
Numerik
/Kontinu
Kategorik
Numerik/
Kontinu
Regresi Linier
- Sederhana
- Berganda
Logistik


Kategorikal
(Nominal
dan Ordinal)
Regresi Linier Logistik

Analisis Regresi
Pemilihan Uji Statistik
Untuk pertanyaan Perbedaan



Skala
Dependen



Compare
(Perbedaan)
1 Faktor atau variabel
Independen dengan 2 level/
kategori/kelompok/sampel
1 variabel independen dgn
3 atau lebih level /kelompok
Sampel
/kelompok
saling
Independen
(Between)
Sampel
Berpasangan
atau
perulangan
(Within)
Sampel
/kelompok
saling
Independen
(Between)
Sampel
Berpasangan
atau
perulangan
(Within)
Normal
(Rasio/Interval)
Rata-rata

Independent
samples t-test
One-way
Anova
Paired Samples
t-test
One Way
Anova
GLM Repeated
Meuseres
Anova
Ordinal Rata-rata
Ranks
Mann Whitney Rank Wilcoxon Kruskall Wallis Friedman
Nominal
/Dikotomi
Jumlah
(Count)
Chi-Square MC Nemar Chi-Square Cochran
Q Test
70 Sumber: Morgan, et. al., (2004) Analisis Regresi
Pemilihan Uji Statistik
Untuk pertanyaan Hubungan
Skala dari 2 variabel yg
ada
Related
(Hubungan)
Statistik Uji
2 Variabel adalah Normal
(Rasio/Interval)
Nilai
(Scores)

Pearson (r)
Regression
2 Variabel adalah Ordinal Peringkat
(Ranks)
Kendall Tau
Spearman Rho
1 Variabel Normal/ Kontinu
dan 1 Nominal
ETA
Nominal /Dikotomi Jumlah
(Count)
Phi
Cramers V
71
Sumber: Morgan, et. al., (2004)
Analisis Regresi
Pemilihan Uji Statistik
Pertanyaan Perbedaan > 2 Independen



Skala
Dependen
2 atau lebih Variabel Independen
Antar Sampel
/kelompok saling
Independen
( All Between)
Antar Sampel
Berpasangan
atau perulangan
(All Within)
MIXED
(Between & Within)
Normal
(Rasio/Interval)
GLM, Factorial
Anova
Anacova
GLM Repeated
Meuseres on All
Factors
GLM Repeated
Meuseres on Some
Factors
Ordinal N.a N.a N.a
Nominal
/Dikotomi
Log Linier N.a n.a
72
Sumber: Morgan, et. al., (2004)
Analisis Regresi
Pemilihan Uji Statistik
Pertanyaan Hubungan beberapa Independen


1 Variabel
Dependen
atau 1
Outcome
Beberapa Variabel Independen
Normal/Kontinu Beberapa Normal
beberapa
kategorik
(2 kategorik)
All Dikotomi
Normal
/Kontinu
(Rasio/Interval)
Regresi Berganda
(Multiple
Regression)
Regresi Berganda
(Multiple
Regression)
Regresi Berganda
(Multiple
Regression)
Nominal
/Dikotomi
Diskriminan
Analisis
Regresi Logistik Regresi Logistik
73
Sumber: Morgan, et. al., (2004)
Analisis Regresi
UJI KORELASI
Bacaan Materi Tambahan
74 Analisis Regresi
75
Contoh : Analisis Korelasi
Menyelidiki hubungan dua variabel atau
lebih dengan tidak mempertimbangkan
hubungan sebab akibat antar variabel
/peubahnya.
Mengukur tingginya derajat hubungan
yang terjadi.
Analisis Regresi
Korelasi
Nilai Normatif Korelasi -1 r 1 , derajat
hubungan linier 2 variabel.
Nilai 1 atau -1, hubungan Linear Kuat, Nilai 0
hubungan lemah atau tidak ada hubungan antar
variabel.
76
a
b c
Analisis Regresi
Contoh Pola Korelasi
a. Korelasi Positif
b. Korelasi Negatif
c. Tidak Berkorelasi
SBP= Tekanan Darah Sistolik
77 Analisis Regresi
78
Dasar Pembacaan Korelasi (r)
r
XY
didefinisikan hubungan antara peubah acak
x dan peubah acak y
r memiliki nilai antara -1 s/d 1
Pengertian
r = -1 artinya berkorelasi negatif secara
sempurna
r = 1 artinya berkorelasi positif secara
sempurna
r = 0 berkorelasi nol artinya tidak terdapat
hubungan.
Analisis Regresi
79
Rumus Koefisien Korelasi
Koefisien korelasi di notasikan dengan (rho)

Y X
XY
Y X
Y X Cov
o o
o
o o

. .
) , (
= =
|
|
.
|

\
|

|
|
.
|

\
|

=
Y
Y
X
X
Y X
E
o

o

( )( ) | | 1 1 - dan dengan
XY
s s = o
Y X
Y X E
Analisis Regresi
80
Pendekatan perhitungan untuk
( ) ( )



=
2 2
) )( (
Y Y X X
Y Y X X
r
i i
i i
Analisis Regresi
81
Pendekatan Rumus lebih praktis:
( ) ( )




=
2
2
2
2
Y Y n X X n
Y X XY n
r
Analisis Regresi
82
Uji Kemaknaan Korelasi ()
Hipotesis
Ho : = 0 (tidak berkorelasi)
Ha : 0 (terjadi korelasi)

Statistik Uji

2 - n bebas derajat dengan ,
1
2
2
r
n r
t

=
Daerah Penolakan
Ho ditolak jika t
hitung
t
tabel
atau prop (Ho) 0,05

Analisis Regresi
83
Contoh membaca hasil
Korelasi
Dari data-data yang di peroleh mengenai
bobot bayi dan lebar dada bayi pada saat
lahir dihasilkan nilai perhitungan korelasi
sebesar 0,9677.

Koefisien r=0,9677 artinya terdapat
korelasi positif atau hubungan linier
yang sangat baik antara bobot bayi dan
lebar dada pada saat lahir.

Analisis Regresi
Analisis Regresi 84
Analisis Regresi Linier Sederhana
Materi Bacaan Tambahan
Analisis Regresi 85
Regresi linier
Dalam regresi linier satu variabel (X) dipakai
untuk memprediksi variabel lainnya (Y)
X independen, variabel prediktor
Y dependen, variabel respon
Kita berasumsi mengumpulkan sampel
berpasangan sebagai observasi,
(Xi, Yi) untuk i=1,2,3,..,n.

Analisis Regresi 86
Hubungan antara X dan Y secara
khusus terdiri dari 2 komponen:
Komponen Systematic & Komponen Random
E(Yi | Xi) = o + |Xi + i
Analisis Regresi 87
E(Y
i
| X
i
) = o + |X
i
+
i
o = intercept
| = slope /kemiringan
X
Y
o
|
Model
Analisis Regresi 88
Asumsi Regresi Linier
y
i
~ populasi N(
i
,
2
)
e
i
~ var random (Tidak berpola)
e
i
~ N(0,
2
) (berdistribusi normal)
E(e
i
)=0 dan E(e
i
2
)=
2
(harga harapan residu
adalah 0, dan variansi residu adalah
2
)


Analisis Regresi 89
METODE KUADRAT TERKECIL
y
i
=a+bx
i

=
2 2
) (
) )( (
x x n
y x xy n
b
X b Y a =
Analisis Regresi 90
Uji Kemaknaan Estimasi (bo)
Hipotesis : Ho : =0
H1 : 0
Daerah kritis
Ho ditolak jika prop < 0,05


Analisis Regresi 91
Uji Kemaknaan Estimasi
Hipotesis:
H0 : =0
H1 : 0

Daerah kritis
Ho ditolak jika
nilai prop<0,05

2 , =

= n db dgn
s
b
t
b
|
XX
XY YY
b
S
n S b S
S
) 2 /( ) . (
=
| =

= b n t
b Var
b
t ); 2 ( ~
) (
0
Analisis Regresi 92
T
-4 -2 0 2 4
0
.1
.2
.3
.4
Distribusi Students t Uji dua arah
H
0
: | = 0
H
A
: | = 0
(dua arah karena | > 0 atau | < 0 )
Analisis Regresi 93
Persentil atas dari distribusi t
0
Area = o
t
o,n
df
1
5
10
15
0.10
3.078
1.476
1.372
1.341
0.05
6.3138
2.0150
1.8125
1.7530
0.01
31.821
3.365
2.764
2.602
Ini untuk tes one-tailed yaitu:
H
0
: | = 0 dan H
1
: | > 0
Analisis Regresi 94
Testing untuk sifat Robust
Jika sudah diuji dengan 3 test di bawah ini:
1. Autokorelasi
2. Multikolinieritas
3. Heteroskesdatisitas

Regresi Multivariabel (berdasar Y)
Analisis Regresi 95
Kontak Dosen
Ki Hariyadi (EQ)
email : kihariyadi.ugm@gmail.com
0818 267 286 (XL)
0813 270 47574 (Simpati)

Lembaga saat ini di PMPK FK-UGM
Analisis Regresi 96

Anda mungkin juga menyukai