Kegiatan Belajar 2

Inferensi dalam Analisis Regresi

Di dalam kegiatan belajar 2 ini, pertama-tama kita akan membahas inferensi tentang
parameter regresi, 0 dan 1, dalam bentuk pendugaan selang dan uji hipotesis bagi kedua
parameter itu. Selanjutnya, kita akan mendiskusikan pendugaan selang bagi rataan E{Y}
dari sebaran peluang peubah Y, untuk X tertentu, dan selang peramalan bagi amatan baru Y,
untuk X tertentu. erakhir, kita akan mengupas pendekatan analisis ragam terhadap analisis
regresi, pendekatan uji linear umum, dan ukuran deskripsi bagi asosiasi.
!odel regresi"
i i i
X Y + +
1 0 #$.2.1%
Dalam hal ini "
0 dan 1 adalah parameter.
Xi konstanta yang diketahui nilainya.
i menyebar N#0,
2
% dan bebas satu sama lain.
9.2.1. Inferensi tentang
1

Seringkali kita ingin menarik kesimpulan tentang 1, kemiringan garis regresi dalam
model #$.1%. !isalnya, seorang analis penelitian pasar ingin memperoleh dugaan selang
bagi 1 sebab ini akan memberi informasi tentang rata-rata peningkatan penjualan
#dalam dolar% yang akan diperoleh dari setiap peningkatan belanja untuk iklan sebesar
satu dolar.
&da kalanya kita tertarik untuk menguji tentang 1, khususnya yang berbentuk "
1 1 0
" 0 "
a
H H
0
&lasan mengapa kita tertarik untuk menguji apakah 1 ' 0 atau tidak adalah bah(a 1 '
0 mengindikasikan tidak adanya asosiasi linear antara Y dan X. )ambar #$.2.1%
mengilustrasikan kasus bila 1 ' 0 untuk model regresi bergalat normal #$.2.1%.
*erhatikan bah(a garis regresi mendatar dan bah(a, oleh karenanya, rataan sebaran Y
sama, yaitu sebesar "
E{Y} - 0 + #0%X ' 0
,arena model regresi #$.2.1% mengasumsikan bah(a sebaran peluang Y normal
dengan ragam yang sama, karena rataan-rataannya sama bila 1 ' 0, maka ini berarti
bah(a sebaran-sebaran peubah Y sama semuanya bila 1 ' 0. -ni menunjukkan dalam
)ambar $.2.1. .adi, 1 ' 0 bagi model regresi #$.2.2% berimplikasi bah(a tidak hanya
tidak ada asosiasi linear antara Y dan X namun juga tidak ada hubungan dalam bentuk
apapun antara Y dan X, karena sebaran peluang peubah Y sama pada semua taraf X.
20
GAMBAR 9.2.1 !odel /egresi #$.2.1% bila 1 ' 0
Sebelum membahas ingferensi tentang 1 lebih jauh, kita perlu mengetahui
sebaran penarikan sampel #sampling distribution% bagi b1, yang merupakan penduga
titik bagi 1.
Sebaran Penarikan Sampel bagi b1
Dalam #$.1.10a% penduga titik b1 telah diberikan rumusnya, yaitu "

2
1
% #
% %# #
X X
Y Y X X
b
i
i i
#$.2.2%
Sebaran penarikan sampel bagi b1 pada hakekatnya menggambarkan nilai-nilai b1 yang
akan diperoleh bila kita melakukan penarikan sampel berulang-ulang dengan taraf-taraf
peubah bebas X yang dibuat tetap dari sampel satu ke sampel lainnya.
0ntuk model regresi #$.2.1%, sebaran penarikan sampel bagi b1 adalah normal,
dengan rataan dan ragam.
E{b1} ' 1
{ }
( )

2
2
1
2
X X
b
i

0ntuk menunjukkan ini, kita perlu mengenali bah(a b1 merupakan suatu kombinasi
linear amatan-amatan Yi.
b1 sebagai Kombinasi Linear Yi. Dapat diperlihatkan bah(a b1, sebagaimana
didefinisikan dalam #$.2.2% dapat dituliskan sebagai berikut "

i i
Y k b
1 #$.2.1%
dalam hal ini "
( )

2
X X
X X
k
i
i
i #$.2.2%
21
E{Y} =
0
X
Y
*erhatikan bah(a ki merupakan besaran yang tetap sebab Xi telah diketahui nilainya.
3leh karenanya, b1 adalah suatu kombinasi linear amatan-amatan Yi dengan koefisien ki
hanya merupakan fungsi dari X1.
,oefisien ki memiliki sifat-sifat menarik yang akan kita manfaatkan nanti "

0
i
k
#$.2.4%

1
i i
X k
#$.2.5%

2
2
% #
1
X X
k
i
i #$.2.6%
Komentar
1. 0ntuk menunjukkan bah(a b1 adalah suatu kombinasi linear semua ki, pertama-
tama akan kita bukukan bah(a "


i i i i
Y X X Y Y X X % # % # % #
#$.2.7%
*erhatikan bah(a

Y X X Y X X Y Y X X
i i i i i
% # % # % # % #
8amun
0 % # % # X X Y Y X X
i i
karena
0 % # X X
i
. 3leh karena itu
berlakulah #$.2.7%. Selanjutnya dengan menggunakan #$.2.7% dan #$.2.2% kita
peroleh "

i i
i
i i
i
i i
Y k
X X
Y X X
X X
Y Y X X
b
2 2
1
% #
% #
% #
% %# #
2. Sifat-sifat ki bisa dibuktikan se9ara langsung. !isalnya, sifat #$.2.4% berlaku sebab "
0
% #
0
% #
% #
% #
2 2

1
]
1

X X X X
X X
X X
X X
k
i i
i
i
i
i
:egitu pula, sifat #$.2.6% berlaku sebab "
[ ]

1
]
1

2
2
2
2
2
2
1 2
% #
1
% #
% #
1
% #
% #
X X
X X
X X
X X
X X
k
i
i
i
i
i
Kenormalan. Sekarang kita kembali ke sebaran sampel bagi b1 untuk model regresi
bergalat normal #$.2.1%. ,enormalan sebaran penarikan sampel bagi b1 merupakan
akibat dari kenyataan bah(a b1 merupakan kombinasi linear amatan-amatan Yi.
!enurut model #$.2.1%, Yi menyebar se9ara bebas dan normal, dan dalam suatu teorema
22
mengatakan bah(a kombinasi linear peubah-peubah a9ak normal yang bebas juga
menyebar normal.
Rataan. Sifat ketakbiasan penduga b1, yang dinyatakan dalam teorema )auss-!arko;
dapat ditunjukkan dengan mudah "
{ } { } { } ( )

+ +
i i i i i i i i i
X k k X k Y E k Y k E b E
1 0 1 0 1

3leh karena itu E{b1} ' 1 menurut #$.2.4% dan #$.2.5%
Ragam. /agam bagi b1 dapat diturunkan se9ara langsung. ,ita hanya perlu ingat bah(a
Yi adalah peubah-peubah a9ak yang bebas, masing-masing dengan ragam
2
, dan bah(a
ki adalah konstanta. 3leh karenanya dapat kita peroleh "
{ } { } { }
( )



2
2 2 2 2 2 2
1
2
1
X X
k Y k Y k b
i
i y i i i

langkah terakhir merupakan akibat dari #$.2.6%.
Ragam !gaan. ,ita dapat menduga ragam sebaran penarikan sampel bagi b1 sebagai
berikut "
{ }
2
2
1
2
% # X X
b
i

Dengan 9ara mengganti parameter

2
, yaitu ,uadrat engah )alat #KTG% :
{ }
n
X
X
KTG
X x
KTG
b s
i
i
i
2
2
2
1
2
% # % #

#$.2.$%
*enduga titik s
2
{b1} merupakan penduga takbias bagi
2
{b1}. Sehigga kita peroleh
s{b1} penduga titik bagi {b1}.
"atatan
Di dalam teorema dikatakan bah(a b1 memiliki ragam minimum di antara semua
penduga linear takbias yang berbentuk "

i i
Y c
1
<

dalam hal ini ci adalah konstanta. Sekarang kita akan membuktikan ini. ,arena
1
<

harus takbias, maka yang berikut ini harus berlaku "

{ }


1 1
} { }
<
{
i i i i
Y E c Y c E E
Selanjutnya E{Yi} ' 0 + 1=i menurut #$.1.2% sehingga syarat di atas menjadi "
21

+ +
1 1 0 1 0 1
% # }
<
{
i i i i i
X c c X c E
&gar syarat ketakbiasan berlaku ci harus memenuhi kendala "

0
i
c

1
i i
X c
Sekarang, ragam bagi
1
<
adalah "
{ } { }


2 2 2 2
1
2
<
i i i
c Y c
!arilah kita definisikan ci ' ki + di dengan sebagai ki adalah konstanta kuadrat terke9il
di dalam #$.2.2% dan sebagai di adalah sembarang konstanta. !aka dapat kita tuliskan "
{ } ( )

+ + +
i i i i i i i
d k d k d k c 2 % #
<
2 2 2 2 2 2 2
1
2

,arena kita tahu dari bukti kita di atas bah(a { }
1
2 2 2
b k
i
. >ebih lanjut, kidi ' 0
yang disebabkan oleh adanya kendala terhadap ki dan ci di atas "


2
% #
i i i i i i i i
k k c k c k d k
2 2
% #
1
% # X X X X
X X
c
i i
i
i

1
]
1

( )
5
% #
1
2 2

X X
X X
c X X c
i
i
i i i
3leh karenanya kita peroleh "
{ } { }
2 2
1
2
1
2
<
i
d b +
*erhatikan bah(a nilai terke9il bagi
2
i
d adalah nol. Dengan demikian, ragam bagi 1
men9apai minimum bila
2
i
d ' 0. 8amun ini hanya mungkin terjadi bila semua di '
0, yang berimplikasi ci ki. .adi, penduga kuadrat terke9il b1 mempunyai ragam
minimum diantara semua penduga linear takbias.
Sebaran Penarikan Sampel bagi #b1 $ 1%&s'b1(
,arena b1 menyebar normal, kita tahu bah(a statistik terbakunya #b1 - 1%?s{b1} adalah
suatu peubah a9ak normal baku. :iasanya kita duga {b1}. 3leh karenanya kita ingin
tahu sebaran statistik terbakunya #b1 - 1%?s{b1}. Sebuah teorema penting di dalam
statistika mengatakan "
{ }
1
1 1
b s
b
#$.2.10%
menyebar sebagai sebaran t dengan derajat bebas #n @ 2% untuk model regresi #$.2.1%
22
Se9ara intuitif, hasil ini tidak mengherankan. ,ita tahu bah(a jika semua
amatan Yi berasal dari populasi normal yang sama, maka ( ) { } Y s Y ? mengikuti
sebaran t dengan n @ 1 derajad bebas. *enduga b1 seperti Y , berbedanya derajad bebas
disebabkan kedua parameter #0 dan 1% harus diduga di dalam model regresi ini, oleh
karenanya dua derajat hilang di sini.
"atatan
Dapat kita tunjukkan bah(a #b1 - 1%?s{b1} mengikuti sebaran t dengan n @ 1 derajad
bebas dengan menyandarkan pada teorema berikut "
0ntuk model regresi #$.2.1%, .umlah ,uadrat )alat #.,)% dibagi dengan ragam
2
yang
dapat kita tulis"
!KG?
2
#$.2.11%
mengikuti sebaran
2
dengan n @ 2 derajad bebas, dan bebas terhadap b0 dan b1.
*ertama-tama kita tulis kembali #b1 - 1%?s{b1} sebagai berikut "
{ }
{ }
{ }
1
1
1
1 1
b
b s
b
b

*embilang di atas adalah peubah a9ak normal baku A. Sifat penyebutnya dapat dilihat
dengan memperhatikan bah(a "
{ }
{ } 2
% 2 #
% 2 #
2
% #
% #
2 2 2
2
2
2
1
2
1
2

n
n
n
!KG
n
!KG
KTG
X X
X X
KTG
b
b s
i
i


dalam hal ini lambang berarti Bmenyebar sebagaiC. >angkah terakhir di atas
merupakan akibat dari #$.2.11%. 3leh karenanya kita peroleh "
{ }
1
1 1
b s
b

2
% 2 #
2

n
n
8amun menurut teorema #$.2.11%, A dan
2
saling bebas, karena A adalah fungsi b1 tidak
bergantung pada !KG"
2

2
. Dengan demikian, berdasarkan definisi, kita peroleh"
{ }
1
1 1
b s
b
i#n @ 2%
Dasil ini memungkinkan kita melakukan inferensi terhadap 1.
Selang Keper)a*aan bagi 1
,arena #b1 - 1%?s{b1} mengikuti sebaran t, maka kita bisa membuat pernyataan peluang
berikut "
#{t#?2E n $ 2% F #b1 - 1%?s{b1} F t#1 - ?2En @ 2%} ' 1 - #$.2.12%
Dalam hal ini t#?2E n $ 2% menyatakan persentil #?2%100 dari sebaran dengan n @ 2
derajad bebas. ,arena sebaran t setangkup #simetrik% terhadap 0, maka "
t#?2E n @ 2% ' -t#1 - ?2E n @ 2% #$.2.11%
24
Setelah menata kembali dua ketidaksamaan di dalam #$.2.12% dan dengan menggunakan
#$.2.11%, maka kita memperoleh "
#{b1-t#1 - ?2E n @ 2%s{b1} F 1 F b1 + t #1 - ?2En @ 2%s{b1}} ' 1 - #$.2.12%
,arena #$.2.12% berlaku untuk semua kemungkinan nilai 1, maka batas-batas
keper9ayaan 1 - bagi 1 adalah "
b1 + t#1 - ?2E n @ 2%s{b1} #$.2.14%
+AB,L 9.2.1 Dasil-hasil perhitungan untuk Gontoh $.1.4 tentang *erhatian 3rang
ua yang diperoleh dalam kegiatan belajar 1.
n ' 10
b0 ' 14.4$2
Y
<
' 14.4$2 + 1.0$2 =
2
i
X ' 27200
X ' 40
b1 ' 1.0$2
!KG ' 101.$72
KTG ' 12.$$7

1 . 2162 % #
% #
1620 % %# #
1200 % #
% #
2
2
2
2
2
1 2

Y Y
n
Y
Y
Y Y X X
n
Y X
Y X
X X
n
X
X
i
i
i
i i
i i
i i
i i
"onto- 9.2.1. !arilah kita kembali ke 9ontoh tentang skore *erhatian 3rang ua dalam
kegiatan belajar 1. !isalkan kita ingin menduga 1 dengan koefisien keper9ayaan $4
persen. ,ita 9antumkan dalam abel $.2.1 hasil-hasil perhitungan yang diperlukan yang
telah diperoleh sebelumnya. *ertama-tama kita harus menghitung s{b1} "
{ } 001721 . 0
1200
$$7 . 12
% #
2
1
2

X X
KTG
b s
i
sehingga "
{ } 05171 . 0
1
b s
0ntuk koefisien keper9ayaan $4H, kita memerlukan t#0.$64E 7%. Dari abel &.2 dalam
>ampiran &, kita memperoleh t#0.$64E 7% ' 2.105. Dengan demikian, selang
keper9ayaan $4H menurut #$.2.14%, ialah "
1.0$2 @ 2.105#0.05171% F 1F 1.0$2 + 2.105 #0.05171%
atau
0.$41 F 1 F 1.216
.adi, dengan tingkat keper9ayaan $4H, kita juga duga bah(a rataan prestasi belajar
sis(a naik sekitar antara 0.$41 sampai 1.216 untuk setiap kenaikan satu unit skore
*erhatian 3rang ua.
"atatan
25
Dalam kegitan belajar 1 telah kita lihat bah(a 9akupan suatu model regresi biasanya
terbatas pada suatu selang nilai-nilai peubah bebas. Dal ini penting untuk diingat ketika
kita menafsirkan dan menggunakan nilai dugaan bagi 1. Dalam 9ontoh $.2.1 di atas,
model regresi linear tampaknya 9o9ok untuk kisaran skore *3 antara 20 sampai 70,
yang merupakan kisaran peubah bebas pada masa lalu yang terdekat. :isa jadi
menggunakan nilai dugaan kemiringan untuk menyimpulkan tentang pengaruh *3
terhadap prestasi belajar sis(a jauh di luar kisaran ini tidak bisa dibenarkan sebab
kemungkinan hubungan regresinya tidak linear lagi pada kisaran itu.
./i Mengenai 1
,arena #b1 - 1%?s{b1} mengikuti sebaran t dengan n @ 2 derajad bebas, maka uji
mengenai 1 dapat dilakukan seperti biasa dengan menggunakan sebaran t.
"onto- 9.2.20 ./i !a Ara-. &nalisis dalam 9ontoh *3 ingin menguji apakah ada
asosiasi linear atau tidak antara prestasi belajar sis(a dengan skor *3, berdasarkan
model regresi #$.2.1%. Dengan demikian, hipotesis yang diuji adalah "
H0 " 1 ' 0 Ha " 1 0 #$.2.15%
.ika analisis tersebut ingin mengendalikan resiko galat jenis - pada 0.04, kita dapat
langsung menerima Ha karena selang keper9ayaan $4H bagi 1 yang dibuat sebelumnya
tidak men9akup 0.
Se9ara eksplisit, uji terhadap hipotesis #$.2.15% didasarkan pada statistik uji "
{ }
1
1
b s
b
t
#$.2.16%
,aidah keputusan dalam kaitan dengan statistik uji ini taraf nyata ditetapkan sebesar
adalah "
.ika It&IF 2.105, terima H0 .ika It&IJ2.105, terima Ha #$.2.16a%
0ntuk Gontoh *3, dengan ' 0.04, b1 ' 1.0$2, s{b1} ' 0.05171, kita memperoleh
t#0.$64% ' 2.105. oleh karenanya, kaidah keputusan untuk menguji hipotesis #$.2.15%
adalah "
.ika ItKIF2.105, diterima H0 .ika It&I J2.105, terima Ha
,arena It&I'I#1.0$2%?#0.05171%I'16.5$2J2.105, kita terima Ha dan kita simpulkan bah(a
1 0, dengan kata lain ada asosiasi linear antara prestasi belajar sis(a dengan *3.
8ilai @# bagi hasil ini ditentukan dari peluang #{t#7%JtK ' 16.5$2}. Dari tabel
&.2 kita lihat bah(a peluang ini lebih ke9il dari 0.0004. Dapat diperhatikan bah(a
sesungguhnya peluang ini hampir 0, yang dilambangkan sebagai 0+. .adi nilai @# dua
arah ialah 2#0+% ' 0+. ,arena nilai @# dua arah ini masih lebih ke9il daripada taraf
nyata ' 0.04 yang ditetapkan, oleh karena itu kita terima Ha.
"onto- 9.2.1 0 ./i Sat! Ara-. .ika analisis di atas ingin menguji apakah 1 positif atau
tidak, dengan mengendalikan taraf nyata pada ' 0.04, maka hipotesisnya adalah "
26
H0 " 1 F 0 Ha " 1 J 0
Dan kaidah keputusan yang didasarkan pada statistik uji #$.2.16% menjadi "
.ika tKF t#1 - E n @ 2%, diterima H0 .ika tKF t#1 - E n @ 2%, diterima Ha
0ntuk ' 0.04, kita peroleh t#0.$4E7% ' 1.750. ,arena t ' 16.5$2 J 1.750, maka kita
terima Ha yang berarti bah(a 1 positif.
,esimpulan yang sama bisa diperoleh se9ara langsung dari nilai-# satu arah,
yang telah diperoleh pada Gontoh $.2.2, yaitu 0+. ,arena nilai-# satu arah lebih ke9il
dari 0.04, maka kita terima Ha.
Komentar
1. :anyak paket program komputer dan publikasi ilmiah men9antumkan nilai-#
bersama-sama dengan statistik ujinya. Dengan 9ara ini, kita dapat melakukan uji
pada taraf nyata berapapun yang diinginkan, yaitu dengan membandingkan nilai-#
dengan taraf nyata yang ditetapkan. *engguna paket program komputer perlu
mengetahui apakah nilai-# yang diberikan satu arah atau dua arah.
2. &dakalanya kita ingin menguji apakah 1 sama dengan nilai tertentu 10 yang tidak
sama dengan nol, yang mungkin saja merupakan ketentuan masa lalu, nilai suatu
proses yang sebanding, atau spesifikasi teknis. 0ntuk uji demikian, statistik ujinya
adalah "
{ }
1
10 1
b s
b
t

#$.2.17%
,aidah keputusan untuk menguji hipotesis "
H0 " 1 ' 10 Ha " 1 10
masih #$.2.16a%, namun kali ini didasarkan pada t yang didefinisikan dalam #$.2.17%
*erhatikan bah(a statistik uji #$.2.17% tersederhanakan menjadi statistik uji
#$.2.16% bila didalam uji ini hipotesisnya adalah Ho " 1 0 ' 0.
9.2.2 Inferensi Mengenai 2
Sebagaimana dikemukakan kegiatan belajar 1, hanya kadangkala saja kita ingin
melakukan inferensi mengenai 0 intersep garis regresi. -ni terjadi bila 9akupan model
men9akup X ' 0.
Sebaran Penarikan Sampel bagi b2
*enduga titik b0 telah diberikan dalam #$.1.10b%, yaitu "
X b Y b
1 0

#$.2.1$%
Sebaran penarikan sampel bagi b0 menga9u pada nilai-nilai b0 yang berbeda yang akan
diperoleh bila penarikan sampel pada taraf-taraf yang sama peubah bebas X diulang-
ulang.
27
0ntuk model regresi #$.2.1%, sebaran penarikan sampel b0 adalah
sebaran normal dengan rataan dan ragam berturut-turut.
E{b0} ' 0 #$.2.20a%
1
]
1

2
2
2
2
2
2
0
2
% #
1
% #
} {
X X
X
n X X n
X
b
i i
i

#$.2.20b%
,enormalan sebaran penarikan sampel bagi b0 seperti juga b1 adalah suatu
kombinasi linear amatan-amatan Yi. /ataan dan ragam sebaran penarikan sampel bagi b0
dapat diperoleh dengan 9ara serupa seperti untuk b1.
*enduga bagi
2
{b0} diperoleh 9ukup dengan mengganti
2
dengan penduga
titiknya KTG.
1
]
1

2 2
2
0
2
% #
1
% #
} {
X X
X
n
KTG
X X n
X
KTG b s
i i
i
#$.2.21%
&kar kuadratnya, yaitu s{b0}, merupakan penduga bagi {b0}.
Sebaran Penarikan Sampel Bagi #b2 $ 2%&s'b2(
&nalog terhadap teorema #$.2.10% bagi b1, ada teorema serupa untuk b0 yang
mengatakan #$.2.22%"
} {
0
0 0
b s
b
mengikuti sebaran t#n @ 2% untuk model regresi #$.2.1%
3leh karenanya, selang keper9ayaan bagi 0 dan uji-uji mengenai 1 dapat
dilakukan se9ara biasa dengan menggunakan sebaran t.
Selang Keper)a*aan bagi 2
:atas-batas keper9ayaan 1 - bagi 0 diperoleh dengan 9ara yang sama seperti untuk 1
yang telah diuraikan sebelumnya, yaitu "
b0 + t#1 - ?2En @ 2%s{b0} #$.2.21%
"onto- 9.2.30 Sebagaimana telah dikemukakan sebelumnya, 9akupan model bagi
Gontoh mengenai *3 tidak men9akup skor *3 X ' 0. 3leh karenanya, parameter
regresi 0 mungkin saja tidak memiliki makna di sini. &kan tetapi, seandainya saja
selang keper9ayaan $0H bagi 0 diinginkan, maka itu bisa kita lakukan. !ula-mula kita
9ari t#0.$4E 7% dan s{b0}. Dari tabel &.2 kita peroleh t#0.$4E 7% ' 1.750. Dengan
memanfaatkan angka-angka dalam abel $.2.1, kita peroleh Lmenurut #$.2.1M "
25261 . 5
% 1200 # 10
27200
4 . 6
% #
} {
2
2
0
2

1
]
1

X X n
X
KTG b s
i
i
atau
s{b0} ' 2.402$2
.adi, selang keper9ayaan $0H bagi 0 ialah "
10.0 @ 1.750#2.402$2% F 0 F 10.0 + 1.750#2.402$2%
4.12 F 0 F 12.55
2$
*erlu diingatkan lagi bah(a selang keper9ayaan ini tidak selalu memberikan
informasi yang bermanfaat. !isalnya dalam hal ini, selang tersebut belum tentu
memberi informasi tentang biaya BpersiapanC #biaya yang diperlukan untuk
menyiapkan proses produksi, berapapun ukuran lotnya%, karena kita belum yakin
apakah model regresi linear masih tetap berlaku bila 9akupan modelnya diperluas
sehingga men9akup X ' 0.
9.2.1 Beberapa Pertimbangan Ketika Melak!kan Inferensi +entang 2 4an 1
Akibat Pen*impangan ter-a4ap As!msi Kenormalan
.ika sebaran peluang Y tidak persis normal namun tidak menyimpang terlalu serius,
maka sebaran penarikan sampel bagi b0 dan b1 adan menghampiri normal, sehingga
penggunaan sebaran t akan menghasilkan taraf keper9ayaan ataupun taraf nyata yang
ditetapkan. :ahkan meskipun Y sangat tidak normal, penduga b0 dan b1 memiliki sifat
k'normalan asimtotik-artinya di ba(ah kondisi yang sangat umum sebarannya
menghampiri normal jika ukuran sampel semakin besar. .adi dengan ukuran sampel
yang 9ukup besar, selang keper9ayaan dan kaidah keputusan yang telah diberikan
sebelumnya masih tetap berlaku meskipun sebaran peluang Y menyimpang jaug dari
normal. 0ntuk ukuran sampel besar, nilai t tentu saja bisa diganti oleh nilai A untuk
normal baku.
Penafsiran Koefisien Keper)a*aan 4an Resiko Galat
,arena model regresi #$.2.1% mengasumsikan bah(a Xi adalah konstanta yang
diketahui, maka koefisien keper9ayaan dan resiko galat ditafsirkan seolah-olah
penarikan sampelnya diulang-ulang pada nilai-nilai = yang sama seperti yang teramati
di dalam sampel. !isalnya di dalam 9ontoh *3 kita telah menyusun selang
keper9ayaan bagi 1 dengan koefisien keper9ayaan 0.$4. ,oefisien ini ditafsirkan bah(a
seandainya dilakukan penarikan sampel berulang-ulang pada nilai-nilai = #skor *3%
seperti data dalam 9ontoh tersebut dan untuk setiap sampel disusun selang keper9ayaan
$4H, maka $4H dari selang-selang tersebut akan men9akup nilai sebenarnya 1.
Menent!kan 5arak Antara +araf$+araf Pe!ba- Bebas 6
.ika rumus #$.2.1b% dan #$.2.20b% bagi ragam, berturut-turut, b0 dan b1 disimak se9ara
teliti, maka akan tampak bah(a untuk n dan
2
tertentu, ragam-ragam itu dipengaruhi
oleh jarak antara nilai-nilai X di dalam data. !isalnya semakin besar pan9aran nilai-
nilai X, semakin besar pula
2
% # X X
i
sehingga ragam bagi b1 semakin ke9il.
K!asa ./i
:esarnya kuasa uji-uji terhadap 0 dan 1 dapat diperoleh dari abel &.4 di dalam
>ampiran &, yang berisi grafik-grafik fungsi uji t. *erhatikan, misalnya, masalah
pengambilan keputusan "
H0 " 1 ' 10 Ha " 1 10 #$.2.22%
yang didasarkan pada statistik uji #$.2.17%
10
} {
1
10 1
b s
b
t

#$.2.22a%
dan kaidah keputusan, pada taraf nyata ,
.ika tKF t#1 - E n @ 2%, diterima H0 .ika tKF t#1 - E n @ 2%, diterima Ha #$.2.22b%
,uasa uji ini adalah peluang kaidah itu menghasilkan keputusan terima Ha dan
sebenarnya memang Ha yang benar. egasnya, kuasa uji diberikan oleh rumus "
,uasa ' #{ItKIJt#1 - ?2E n @ 2%I} #$.2.24%
Dalam hal ini adalah suatu ukuran k'taks'ntralan @ artinya sejauh mana nilai 1
sebenarnya berbeda dari 10 "
} {
1
10 1
b

#$.2.25%
abel &.4 men9antumkan kuasa uji t dua arah #dalam persen% untuk ' 0.01
dan ' 0.04 untuk berbagai derajad bebas db. 0ntuk mengilustrasikan kegunaan tabel
ini, kita akan kembali ke 9ontoh *3. ,etika itu kita menguji "
H0 " 1 ' 10 ' 0 Ha " 1 10 ' 0
!isalkan kita ingin tahu besarnya kuasa uji bila 1 ' 0.24. 0ntuk ini kita perlu tahu
besarnya
2
, ragam suku-suku galat. &ndaikan bah(a
2
' 10.0 sehingga
2
{b1} untuk
teladan kita ini ialah "
002$21 . 0
1200
0 . 10
% #
} {
2
2
1
2

X X
b
i

atau {b1} ' 0.04221. Dengan demikian ' I0.24 @ 0I 0.04221 ' 2.5. Selanjutnya dari
grafik untuk ' 0.04 #taraf nyata yang digunakan di dalam uji tersebut%, kita hampiri
se9ara ;isual kur;a untuk delapan derajad bebas. *emba9aan ordinat pada ' 2.5
menghasilkan kira-kira $6H. .adi, jika 1 ' 0.24, peluang sekitar 0.$6 bah(a kita akan
menerima Ha #1 0%. Dengan kata lain, jika 1 ' 0.24, kita hampir pasti akan berhasil
menyimpulkan bah(a ada suatu hubungan linear antara jam-orang dengan ukuran lot.
,uasa uji terhadap 0 dapat diperoleh dari abel &.4 dengan 9ara serupa. 0ntuk
uji satu arah. abel &.4 harus diba9a sedemikian rupa sehingga separuh taraf nyata yang
ditunjukkan adalah taraf nyata uji satu arah tersebut.
9.2.3 Pen4!gaan Selang bagi E'Yh(
11
Di dalam analisis regresi, salah satu sasaran utama biasanya adalah untuk menduga
rataan satu atau lebih sebaran peluang bagi Y. *erhatikan, misalnya suatu studi
mengenai hubungan antara tingkat *erhatian 3rang ua #=% dengan prestasi belajar
sis(a #N%. /ataan prestasi belajar sis(a pada tingkatan tinggi dan sedang mungkin saja
menarik dalam kaitan dengan masalah prestasi yang diperoleh oleh sekolah yang bisa
diperoleh sekolah akibat meningkatkan perhatian orang tua terhadap anaknya yang
skolah pada sekolah tersebut. Skor *3 X ' 20, X ' 44, dan X ' 60 dalam rangka untuk
menerapkan 9ara pembelajaran yang tepat pada ketiga golongan sis(a tersebut yang
paling tepat untuk kepentingan menaikkan prestasi belajar sis(a.
!isalkan Xi adalah suatu taraf peubah X dan kita ingin menduga respons #Y%
untuk X pada taraf ini. Xi mungkin suatu nilai yang ada di dalam sampel atau mungkin
ia mendapatkan nilai lain peubah bebas namun yang masih di dalam 9akupan model.
/ataan respons untuk X Xi, akan dilambangkan sebagai E{Y(}. /umus #$.1.12%
memberikan penduga titik Y( bagi E{Y(}.
( (
X b b Y
1 0
<
+ #$.2.26%
Sekarang kita simak sebaran penarikan sampel bagi
(
Y
<
.
Sebaran Penarikan Sampel bagi
(
Y
<
Sebaran penarikan sampel bagi
(
Y
<
seperti juga sebaran-sebaran penarikan sampel
yang telah dibahas sebelumnya, menga9u pada nilai-nilai
(
Y
<
yang berbeda yang akan
diperoleh bila penarikan sampel itu diulang-ulang, dengan taraf-taraf peubah bebas =
tetap sama dari sampel satu ke sampel lainnya, dan untuk setiap sampel dihitung
(
Y
<
.
0ntuk model regresi #$.2.1%, sebaran penarikan sampel bagi
(
Y
<
adalah
normal"
E{ (
Y
} '
( (
X b b Y
1 0
<
+ #$.2.27%
dan ragam"
( )
( ) ( )
2
2
2
2
1
1
} {
1
1
]
1

X X n
X X
n
Y
i
(
(
'
( )
( ) ( )
KTG
X X n
X X
n
i
(
1
1
]
1

2
2
1
1
#$.2.2$%
Selanjutnya besaran"
( )
( ) ( )

,
_

2
2
1
1
% #
<
X X n
X X
n
KTG
Y E Y
t
i
(
( (
(itung
#$.2.10%
menyebar t dengan derajat bebas #n-2%.
12
Selang keper9ayaan #1-%100H bagi E)Y(% dapat dibuat berdasarkan sebaran t yang
diberikan oleh"
( )
( ) ( )

,
_

+ t

2
2
2 ?
1
1
<
X X n
X X
n
KTG t Y
i
(
(
#$.2.11%
Lati-an 2
1. >ihatlah lagi soal 1 dalam soal-soal latihan pada kegiatan belajar 1"
a. entukan s#b1% dan s#b0%.
b. entukan selang keper9ayaan $4H bagi
1
.
9. entukan selang keper9ayaan $4H bagi 0

.
d. >akukanlah uji mengenai D0"
1
'0 ;s Da"
1
0 dengan taraf nyata

' 4H.
e. Ditunglah selang keper9ayaan $4H bagi Y( untuk X('40.
2. >ihatlah lagi soal 2 dalam soal-soal latihan pada kegiatan belajar 1"
a. entukan s#b1% dan s#b0%.
b. entukan selang keper9ayaan $4H bagi
1
.
9. entukan selang keper9ayaan $4H bagi 0

.
d. >akukanlah uji mengenai D0"
1
'0 la(an Da"
1
0 dengan taraf nyata

' 4H.
e. Ditunglah selang keper9ayaan $4H bagi Y( untuk X('5,5.
Rangk!man
Sampai sejauh ini kita telah mempelajari inferensi dalam analisis regresi sederhana. Dalam
inferensi ini, khususnya bila ukuran sampel kita 9ukup ke9il #nF10%, kita perlu membuat
anggapan bah(a suku galat menyebar normal dengan rataan nol dan ragam sama dengan

2
. Dari anggapan inilah dapat kita turunkan sebaran bagi Y* b0* b1*
(
Y
<
dan seterusnya.
-nferensi untuk
1
dapat kita lakukan dengan menghitung selang keper9ayaan #1-%100H
atau dengan uji hipotesis D0"
1
'0 la(an Da"
1
0. -nferensi ini didasarkan pada
transformasi yang dinyatakan dalam besaran"
% #
1
10 1
b s
b
t
(itung

yang menyebar t dengan derajat bebas #n-2%.

-nfernsi untuk
0

dapat dilakukan dengan menghitung selang keper9ayaan #1-%100H

yang dinyatakan oleh"
b0 + t#1 - ?2En @ 2%s{b0}
11
8amun perlu diketahui bah(a inferensi mengenai
0

, layak dilakukan bila model regresi

men9akup X'0.
-nferensi untuk E)Y(% yaitu rerata semua Y( yang berkaitan dengan X( tertentu, dapat
dilakukan dengan menghitung selang keper9ayaan #1-%100H yang diberikan oleh"
( )
( ) ( )

,
_

+ t

2
2
2 ?
1
1
<
X X n
X X
n
KTG t Y
i
(
(
.
+es 7ormatif 2
,erjakanlah semua soal di ba(ah ini, dengan 9ara menemukan satu pilihan ja(aban yang
paling tepatO
&. )unakan data soal & dalam es Pormatif 1 pada ,egiatan :elajar 1. Selanjutnya kita
lakukan inferensi sebagai berikut"
1. Selang keper9ayaan $4H bagi
1
adalah"
a. 0,012
1
1,045
b. 0,120
1
1,045
9. -0,012
1
1,405
d. 0,210
1
1,405
e. 0,201
1
1,045
2. .ika kita uji hipotesis D0"
1
'0 ;s Da"
1
0, dan kita hitung statistik uji t, maka nilai t
hitung adalah"
a. 0,701
b. 1,4$2
9. 2,24$
d. 2,42$
e. 4,2$0
1. 0ntuk uji hipotesis pada soal 2 di atas, jika kita gunakan taraf nyata

' 4H, maka

keputusan uji hipotesis ialah"
a. D0 tidak ditolak juga Da tidak ditolak
b. D0 tidak ditolak dan Da ditolak
9. D0 diterima dan Da ditolak.
d. D0 ditolak dan Da diterima.
e. D0 diterima dan Da tidak ditolak.
12
2. 0ntuk X('100 maka selang keper9ayaan bagi E)Y(% yaitu rerata semua
(
Y
<
yang
berkaitan dengan X('100 tersebut, adalah"
a. 64,721
% #
(
Y E
71,464
b. 51,217
% #
(
Y E
64,571
9. 70,$06
% #
(
Y E
76,112
d. 5$,661
% #
(
Y E
6$,516
e. 55,$06
% #
(
Y E
65,61$
:. )unakan data soal : dalam es Pormatif 1 pada ,egiatan :elajar 1. Selanjutnya kita
lakukan inferensi sebagai berikut"
4. Selang keper9ayaan $4H bagi
1
adalah"
a. 0,716
1
1,05$
b. -1,05$
1
-0,716
9. 2,557
1
1,561
d. 4,210
1
6,405
e. 0,201
1
1,045
5. .ika kita uji hipotesis D0"
1
'0 la(an Da"
1
0, dan kita hitung statistik uji t, maka
nilai t hitung adalah"
a. 10,701
b. 12,4$0
9. 14,620
d. 16,42$
e. 16,5$0
6. 0ntuk uji hipotesis pada soal 2 di atas, jika kita gunakan taraf nyata

' 4H, maka

keputusan uji hipotesis ialah"
a. D0 tidak ditolak juga Da tidak ditolak
b. D0 tidak ditolak dan Da ditolak
9. D0 diterima dan Da ditolak.
d. D0 ditolak dan Da diterima.
e. D0 diterima dan Da tidak ditolak.
7. 0ntuk X('70 maka selang keper9ayaan $4H bagi E)Y(% yaitu rerata semua
(
Y
<
yang
berkaitan dengan X('70 tersebut, adalah"
a. 64,721
% #
(
Y E
71,464
b. 51,217
% #
(
Y E
64,571
9. 70,121
% #
(
Y E
76,112
d. 5$,661
% #
(
Y E
6$,516
e. 56,617
% #
(
Y E
64,167
14
Balikan 4an +in4ak Lan/!t
Go9okkanlah ja(aban &nda dengan ,un9i .a(aban es Pormatif 2 yang terdapat di
bagian akhir !odul ini. Ditunglah ja(aban &nda yang benar. ,emudian gunakan rumus di
ba(ah ini untuk mengetahui tingkat penguasaan &nda terhadap materi ,egiatan :elajar 2.
/umus"
H 100
7

b'nar yang +nda ,a-aban !umla(
#'nguasaan Tingkat
ingkat penguasaan '
&rti tingkat penguasaan yang &nda dapat"
$0H - 100H ' baik sekali
70H - 7$H ' baik
60H - 6$H ' 9ukup
F 60H ' kurang
:ila &nda men9apai tingkat penguasan 70H atau lebih, &nda dapat meneruskan
dengan ,egiatan :elajar selanjutnya. Bag!s8 etapi bila tingkat penguasaan &nda masih di
ba(ah 70H, &nda harus mengulangi ,egiatan :elajar 2, terutama bagian yang belum &nda
kuasai.
15