1

Regresi Sederhana
dan Analisis
Korelasi
2
Objektif Pembelajaran
Mengira persamaan garisan regressi mudah dari data
sampel, dan mentafsir kecerunan dan pintasan
persamaan tersebut.
Memahami kegunaan analisis residual didalam
menguji andaian disebalik analisis regressi dan
didalam menguji kepadanan garisan regressi terhadap
data.
Mengira ralat piawai penganggar dan mentafsir
maknanya.
Mengira pangkali keofisien dan tafsirannya.
Ujian hipotesis berkaitan kecerunan model regressi
dan mentafsir keputusannya.
Menganggar nilai Y mnggunakan model regressi.
Mengira keofisien korelasi dan mentafsirkannya.
3
Korelasi dan Regressi
Korelasi adalah ukuran darjah
hubungkait diantara dua angkubah.

Analisis Regressi ialah proses
membentuk model matematik atau
fungsi yang boleh digunakan untuk
meramal atau menentukan satu
angkubah melalui angkubah lain.
4
Analisis Regressi Mudah

Regressi linear bivariate (dua
angkubah) -- model regressi yang asas
Angkubah sandar, abgkubah yang
hendak diramal, biasanya dipanggil Y
Angkubah bebas, angkubah peramal
atau penerang, biasanya ditandakan
sebagai X

5
Data Hubungan
Bilangan
Pekerja dan
Bilangan Katil
Hospital
Bilangan
Katil
Bilangan
Pekerja
23 69
29 95
29 102
35 118
42 126
46 125
50 138
54 178
64 156
66 184
76 176
78 225
6
Lakaran Scatter Data
0
50
100
150
200
250
0 20 40 60 80 100
Bilangan Katil
B
i
l
a
n
g
a
n

P
e
k
e
r
j
a
7
Model Regressi
Model Regressi Berkebarangkalian (Probabilistic)
Y = |
0
+ |
1
X + c
|
0
dan |
1
adalah parameter populasi

|
0
dan |
1
adalah dianggarkan oleh sampel statistik b
0
dan b
1

Model Regressi Berketentuan (Deterministic)
Y = |
0
+ |
1
X
8
Rersamaan Garisan Regressi Mudah
Y bagi ramalan nilai = Y

sampel kecerunan =
sampel pintasan =
: dimana
X Y

b
b
b b
1
0
1 0
+ =
9
Analisis Kuasadua Terkecil
( )( )
( )
( )( )

n
n
Y X
XY
n
Y X n XY Y Y X X
X
X
X X X X
b 2
2
2 2 2 1

=

=

n
X
n
Y
X Y
b b b
1 1 0

= =
10
( )( )
( )( )
( )
SS X X Y Y XY
X Y
n
SS
n
SS
SS
XY
XX
XY
XX
X X X
X
b
= =
= =

=



2
2
2
1
0 1 1
b b b
Y X
Y
n
X
n
= =

Analisis Kuasadua Terkecil
11
Bilangan
Katil (X)
Bilangan
Pekerja (Y)
X
2
XY
23 69 529 1587
29 95 841 2755
29 102 841 2958
35 118 1225 4130
42 126 1764 5292
46 125 2116 5750
50 138 2500 6900
54 178 2916 9612
64 156 4096 9984
66 184 4356 12144
76 176 5776 13376
78 225 6084 17550
EX= 592 EY= 1692 EX
2
= 3304 EXY= 92038
12
( )( )
8566.00
12
) (592)(1692
- 92038
n
Y X
- XY SS
XY
=
(

=
(

( )
3838.67
12
(592)
- 33044
n
X
- X SS
2
2
2
XX
= =
(
(

2.232
67 . 3838
00 . 8566

SS
SS
b
XX
XY
1
= = =
30.888
12
592
(2.232) -
12
1692

n
X
b -
n
Y
b
1 0
=
(

=
(
(

=

2.232X 30.888 Y

+ =
13
Graf Garisan Regressi
0
50
100
150
200
250
0 20 40 60 80 100
B
i
l
a
n
g
a
n

P
e
k
e
r
j
a

(
Y
)
Bilangan Katil (X)
30.888
2.232X 30.888 Y

+ =
14
Analisis Residual
15
Bilangan
Katil (X)
Bilangan
Pekerja (Y)
Nilai Ramalan Residuals
23 69 82.24 -13.24
29 95 95.63 -0.63
29 102 95.63 6.37
35 118 109.02 8.98
42 126 124.64 1.36
46 125 133.56 -8.56
50 138 142.49 -4.49
54 178 151.41 26.59
64 156 173.73 -17.73
66 184 178.19 5.81
76 176 200.51 -24.51
78 225 204.97 20.03
0.00
Analisis Residual
) Y

(
) Y

Y (
=

) Y

Y (
16
Geraf Excel Residual Contoh
Kakitangan Hospital
-30
-20
-10
0
10
20
30
0 20 40 60 80 100
Bilangan Katil (X)
R
e
s
i
d
u
a
l
s
17
Plot Residual Tidak Linear
0 X
18
Ralat Varian Tidak Konstant
0
X
0 X
19
Ralat Tidak Bebas
0
X
0
X
20
Plot Residual yang Baik
0
X
21
Ralat Piawai Penganggaran
22
Ralat Piawai Penganggaran
( )
SSE
Y XY
SSE
n
Y Y
Y b b
S
e
=
=
=

2
2
0 1
2

Jumlah Kuasadua
Ralat
Ralat Piawai
Penganggaran
23
Bilangan
Katil (X)
Bilangan
Pekerja (Y)
Residual
23 69 -13.24 175.22
29 95 -0.63 0.39
29 102 6.37 40.63
35 118 8.98 80.73
42 126 1.36 1.86
46 125 -8.56 73.30
50 138 -4.49 20.14
54 178 26.59 706.83
64 156 -17.73 314.31
66 184 5.81 33.74
76 176 -24.51 600.58
78 225 20.03 401.21
2448.94
Menentukan SSE
) Y

Y (
= = =

2
) Y

Y ( SSE Kuasadua Ralat Jumlah

2
) Y

Y (
24
( )
94 . 2448
SSE
Y

Y
2
=
=

Jumlah Ralat Kuasadua
694 . 15

10
94 . 2448
2 n
SSE

S
e
=
=

=
Ralat Piawai Penganggar
25
Pengkali Penentuan
26
Pengkali Penentuan
( )
( )
( )
SS
n
SS lained iation un lained iation
SS SSR SSE
SSR
SS
SSE
SS
SSR
SS
SSE
SS
SSE
n
YY
YY
YY
YY YY
YY
YY
Y Y Y
Y
r
Y
Y
= =

= +
= +
= +
=
=
=

2
2
2
2
2
2
1
1
1
exp var exp var
0 1
2
s s
r
27
88.6% daripada
variabiliti bilangan pekerja
dihospital boleh diramalkan
oleh bilangan katil yang
terdapat dihospital tersebut

SSE = 2448.6

( )
25164
12
1692
- 260136
n
Y
- Y SS
2
2
2
YY
= = =

0.886

21564
2448.6
- 1

SS
SSE
- 1 r
YY
2
=
=
=
28
Ujian Hipotesis untuk Kecerunan
Model Regressi
29
Ujian Hipotesis untuk Kecerunan
Model Regressi
( )
2 n df
skan dihipotesi yang ecerunan k
n
SS
2 n
SSE
SS
: dimana
t
1
2
2
XX
e
XX
e
b
b
1
1
X
X
S
S
S
S
b
=
=

=
=

=
|

|
H
H
0
1
1
1
0
0
:
:
|
|
=
=
H
H
0
1
1
1
0
0
:
:
|
|
s
>
H
H
0
1
1
1
0
0
:
:
|
|
>
<
30
Contoh
Langkah 1: Hipotesis

H
o
: |
1
= 0
H
a
: |
1
= 0

Langkah 2: Nilai o
o = 0.01
Langkah 3: Ujian Statistik
( )
2 n df
skan dihipotesi yang ecerunan k
n
SS
2 n
SSE
SS
: dimana
t
1
2
2
XX
e
XX
e
b
b
1
1
X
X
S
S
S
S
b
=
=

=
=

=
|

|
31
Langkah 4: Peraturan Keputusan
Tolak Ho jika nilai t > 2.228 atau t < -2.228
32
Langkah 5: Data
2.232X 30.888 Y + =
Kecerunan sampel ialah b
1
= 2.232
S
e
= 15.65
EX = 592
EX
2
= 33044
n = 12.

33
Langkah 5: Nilai Ujian Statistik
( )
( )
3838.667
12
592
- 33044

n
X
- X SS
2
2
2
XX
= =
=

15.65
10
86 . 2448

2 - n
SSE
S
e
= = =
0.2526
3838.667
15.65

SS
S
S
XX
e
b
= = =
8.8361
0.2526
0 - 2.232

S
- b
t
b
1 1
= =
|
=
Langkah 6: Kesimpulan

Nilai t yang dikira dari kecerunan
sampel adalah lebih besar dari t
c
=
2.228, maka hipotesis nul dimana
kecerunan populasi sifar adalah
ditolak. Model regressi linear ini
menambah signifikan lebih
maklumat ramalan kepada model
(bukan regressi).

Y
34
Ujian Hipotesis untuk
Menguji Keseluruhan Model
35
Keoffisien regressi adalah kecerunan garisan regressi, ujian
F bagi signifikan keseluruhan adalah menguji perkara yang
sama sebagaimana ujian t di dalam regressi mudah.

Nilai F adalah dikira secara langsung sebagai


MS
MS

df
SS
df
SS
F
err
reg
err
err
reg
reg
=
(

(
(

=
dimana
df
reg
= k
df
err
= n k 1, dan
k = bilangan angkubah bebas

36
Contoh
Langkah 1: Hipotesis

H
o
: |
1
= 0
H
a
: |
1
= 0

Langkah 2: Nilai o
o = 0.05
Langkah 3: Ujian Statistik


MS
MS

df
SS
df
SS
F


err
reg
err
err
reg
reg
=
(

(
(

=
37
Langkah 4: Peraturan Keputusan
0.025
2
=
o
F
0.025,1,9
= 6.94
0.144
6.94
1


F
1
F
6.94 F
0.025,1,10
1 , 10 , 975 . 0
0.025,1,10
=
=
=
=
0.144 F
1 , 9 , 975 . 0
=
Tolak Ho jika F < 6.94 atau F > 0.144
38
Langkah 5: Data
ANOVA
df SS MS F Significance F
Regression 1 19115.06 19115.06 78.05 0.00
Residual 10 2448.94 244.89
39

78.05
89 . 244
19115.06

MS
MS

df
SS
df
SS
F


err
reg
err
err
reg
reg
= = =
(

(
(

=
Langkah 5: Nilai Ujian Statistik
Langkah 6: Kesimpulan
Oleh kerana nilai F > Fc maka kita boleh menolak Ho
40
Penganggaran
41
Penganggaran Titik
Anggaran peramalan titik boleh dibuat dengan mengambil nilai X yang
tertentu, menggantikan nilai X ke dalam persamaan regressi, dan
menyelesaikan untuk X. Sebagai contoh, jika bilangan katil yang
adalah ialah 100 unit, apakah bilangan kakitangan yang diperlukan?
Persamaan regressi bagi contoh ini ialah,

254.088 2.232(100) 30.888 Y
maka 100, X untuk
2.232X 30.888 Y
= + =
=
+ =
42
Selangan Keyakinan untuk
Menganggarkan Min Bersyarat Y:
Y|X
( )
XX
2
0
2 - n /2,
SS
X - X

n
1
Se t Y

+
o
( )
( )
(
(

= =
=

n
X
- X X - X SS
tertentu X nilai X
: dimana
2
2
2
XX
o
43

Untuk X
0
= 100, maka nilai ialah = 254.088. Selang
keyakinan yang dikira untuk nilai purata Y, E(Y
100
), ialah

Y
284.33 ) E(Y 223.85
30.240 254.088
667 . 3838
) 33 . 49 100 (
12
1
.65) (2.228)(15 254.088
100
2
s s
=

+
Oleh itu, kenyataan boleh dibuat dengan kenyakinan 95%
bahawa nilai purata Y untuk X = 100 ialah di antara
223.85 hingga 284.33.
44
Selang Peramalan untuk Menganggar Nilai Y
untuk nilai X yang Diberi
( )
( )

=
+ +

o
n
= SS
tertentu X nilai : dimana


SS
0
n
1
1 Y

X
X
X
X
X
S t
2
2
XX
0
XX
2
e 2 n ,
2
45
Contoh
Selang keyakinan 95% boleh dikira untuk menganggar nilai tunggal
Y untuk X = 100.
15.65 S 49.33 X
3838.667 SS 2.228 t
e
XX 0.025,10
= =
= =
( )
XX
2
0
2 - n /2,
SS
X - X

n
1
1 Se t Y

+ +
o
46.154 254.088
3838.667
49.33) (100
12
1
1 .65) (2.228)(15 254.088
2
=

+ +
207.934 s Y s 300.242
46
Ukuran Persatuan
47
Pengkali Korelasi
( )( )
( )( )
( ) ( )
( )( )
( ) ( )
r
SSXY
SSX SSY
X X Y Y
XY
X Y
n
n n
X X Y Y
X
X
Y
Y
=
=

=

(
(

(
(

2 2
2
2
2
2
s s 1 1 r
48
Lima Darjah Korelasi
Korelasi negatif yang kuat
(r=-0.933)
Korelasi negatif yang
sederhana (r=-0.674)
Korelasi positif yang
sederhana (r=0.518)
Korelasi positif yang
kuat (r=0.909)
Tiada korelasi
(r=0)
49
Contoh Pengiraan r
Day
Interest
X
Futures
Index
Y
1 7.43 221 55.205 48,841 1,642.03
2 7.48 222 55.950 49,284 1,660.56
3 8.00 226 64.000 51,076 1,808.00
4 7.75 225 60.063 50,625 1,743.75
5 7.60 224 57.760 50,176 1,702.40
6 7.63 223 58.217 49,729 1,701.49
7 7.68 223 58.982 49,729 1,712.64
8 7.67 226 58.829 51,076 1,733.42
9 7.59 226 57.608 51,076 1,715.34
10 8.07 235 65.125 55,225 1,896.45
11 8.03 233 64.481 54,289 1,870.99
12 8.00 241 64.000 58,081 1,928.00
Summations 92.93 2,725 720.220 619,207 21,115.07
X
2
Y
2
XY
50
Formula Pengiraan r
( )( )
( ) ( )
( )
( )( )
( )
( )
( )
( )
r
X
X
Y
Y
XY
X Y
n
n n
=

(
(

(
(
=

(
(

(
(
=

2
2
2
2
2 2
2111507
92 93 2725
12
720 22
12
619 207
12
9293 2725
815
, .
.
. ,
.
.
51
Plot Scatter dan Matrik Korelasi
220
225
230
235
240
245
7.40 7.60 7.80 8.00 8.20
Interest
F
u
t
u
r
e
s

I
n
d
e
x

Interest Futures Index
Interest 1
Futures Index 0.815254 1
52
Kovarian
( )( )
( )( )
XY
X Y
XY
X Y
N
XY
X Y
N
N
SS
N
2
o

=

=

=

53
Matrik Kovarian dan Statistik
Perihalan
Interest Futures Index
Interest 0.050408
Futures Index 1.11053 36.81060606
Interest Futures Index
Mean 7.74416667 Mean 227.08
Standard Error 0.06481276 Standard Error 1.7514
Median 7.675 Median 225.5
Mode 8 Mode 226
Standard Deviation 0.224518 Standard Deviation 6.0672
Sample Variance 0.05040833 Sample Variance 36.811
Kurtosis -1.4077097 Kurtosis 1.2427
Skewness 0.3197374 Skewness 1.3988
Range 0.64 Range 20
Minimum 7.43 Minimum 221
Maximum 8.07 Maximum 241
Sum 92.93 Sum 2725
Count 12 Count 12
Confidence Level(95.0%) 0.14265201 Confidence Level(95.0%) 3.8549
54