Analisis
memodelkan
regresi
adalah
hubungan
analisis
antara
statistika
variabel
yang
independent
bertujuan
dengan
untuk
variabel
X1 + X2 ++pXp +
atau
1 X 11 ... X p1
0
Y1
1
1 X 21 ... X 2 p
1 2
Y2
... ...
... ...
...
...
1 X n1
X np
p
Yn
n
2
x1
( X ' X )
...
...
x p[
p
x
x
...
1
2
1
x x
1
...
x
x x
x1 y
1 p
( X 'Y )
...
x 2p
x p y
Pengujian terhadap
dapat dilakukan dengan dua cara yaitu pengujian
secara serentak dan pengujian secara individu.
Pengujian secera serentak
Hipotesis :
H0 :
H1 :
Statistik Uji
df
Sumber
Sum
of MS
Squares
Variasi
Regresi
(YY )
Residual
n-p-1
(Y Y)
Total
n-1
(Y Y )
(YY )
/p
MS . Re gresi
MS . Re sidual
(Y Y) /(n p 1)
t i
s
i
ln(gdp_cap) +
ln(density) +
Penyelesaian :
a. Melakukan transformasi ln(gdp_cap) dan ln(density) dengan cara : [klik
transform+ compute]
R
.840a
R Square
.706
Adjusted
R Square
.700
Std. Error of
the Estimate
5.788
ANOVAb
Model
1
Regression
Residual
Total
Sum of
Squares
8519.080
3551.268
12070.349
df
2
106
108
Mean Square
4259.540
33.503
F
127.141
Sig.
.000a
Coefficientsa
Model
1
(Constant)
ln_dens
ln_gdp
Unstandardized
Coefficients
B
Std. Error
17.981
3.501
.904
.388
6.150
.390
Standardized
Coefficients
Beta
.123
.831
t
5.136
2.332
15.766
Sig.
.000
.022
.000
Nomor
Kriteria
Formula
Optimum
SSE
(Y Y)
Minimum
MSE
(Y Y) /(n p 1)
Minimum
R2
(YY )
(Y Y )
Maksimum
Adjusted
R2
1 [1 R 2 ]
100%
2
(n 1)
(n p )
Maksimum
Cp Mallow
SSE
(n 2 p )
MSE
Minimum
AIC
ln(SSE/n) +2p/n
Minimum
SBC
ln(SSE/n)+p/n ln(n)
Minimum
Metode
Backward
Penjelasan
Mulai dengan model lengkap, kemudian variabel independent
yang ada dievaluasi, jika ada yang tidak significant dikeluarkan
yang paling tidak significant, dilakukan terus menerus sampai
tidak ada lagi variabel independent yang tidak significant
Forward
variabel
yang
mempunyai
korelasi
tertinggi
dan
Kegiatan Praktikum
Tentukan model terbaik yang menggambarkan hubungan antara harapan
hidup perempuan (lifeexpf) dengan
ANOVA
Model
1
Regression
Residual
Total
Regression
Residual
Total
Regression
Residual
Total
Regression
Residual
Total
Sum of
Squares
7229.894
2337.565
9567.459
8206.309
1361.150
9567.459
8906.744
660.716
9567.459
9017.788
549.672
9567.459
df
1
72
73
2
71
73
3
70
73
4
69
73
Mean Square
7229.894
32.466
F
222.690
Sig.
.000
4103.154
19.171
214.028
.000
2968.915
9.439
314.544
.000
2254.447
7.966
282.999
.000
Model Summary
Model
1
2
3
4
R
.869a
.926b
.965c
.971d
R Square
.756
.858
.931
.943
Adjusted
R Square
.752
.854
.928
.939
Std. Error of
the Estimate
5.698
4.378
3.072
2.822
10
Coefficients a
Model
1
2
(Constant)
People who read (%)
(Constant)
People who read (%)
Death rate per 1000
people
(Constant)
People who read (%)
Death rate per 1000
people
Gross domestic
product / capita
(Constant)
People who read (%)
Death rate per 1000
people
Gross domestic
product / capita
Daily calorie intake
Unstandardized
Coefficients
B
Std. Error
36.226
2.275
.430
.029
53.279
2.961
.330
.026
Standardized
Coefficients
Beta
.667
t
15.924
14.923
17.995
12.606
Sig.
.000
.000
.000
.000
.869
-.966
.135
-.378
-7.137
.000
62.740
.192
2.350
.024
.389
26.699
7.890
.000
.000
-1.211
.099
-.474
-12.214
.000
.001
.000
.363
8.614
.000
54.214
.172
3.143
.023
.347
17.252
7.456
.000
.000
-1.136
.093
-.444
-12.178
.000
.000
.000
.252
5.170
.000
.004
.001
.186
3.734
.000
11
diperoleh hasil :
Response is LIFEEXPF
Vars
R-Sq
R-Sq(adj)
C-p
1
1
1
2
2
2
3
3
3
4
4
4
5
75.6
60.2
59.8
86.9
85.8
83.7
93.1
92.1
89.6
94.3
93.5
92.5
94.4
75.2
59.6
59.3
86.6
85.4
83.3
92.8
91.7
89.2
93.9
93.1
92.1
94.0
225.8
412.2
416.2
90.3
103.5
128.9
17.5
30.1
59.8
5.5
15.1
26.2
6.0
5.6979
7.2752
7.3055
4.1981
4.3686
4.6816
3.0711
3.2935
3.7688
2.8207
3.0095
3.2150
2.8112
U
R
B
A
N
L
I
T
E
R
A
C
Y
G
D
P
_
C
A
P
C
A
L
O
R
I
E
S
D
E
A
T
H
_
R
T
X
X
X
X
X
X
X X
X
X
X X
X X X
X X X
X X
X
X X X X
X
X
X
X
X
X
X
X
X
X
12
DUMMY VARIABLE
ln(gdp_cap) +
untuk region Asia
lifeexpf =
ln(gdp_cap) +
untuk region Afrika
ln(gdp_cap) + D +
D*ln(gdp_cap) +
D1 D2 Persamaan regresi
Asia
ln(gdp_cap)+
Afrika
+
ln(gdp_cap)+
Amerika Latin
+
ln(gdp_cap)+
13
14
15
Model
1
(Constant)
ln_gdp
D1
d2
d1_lngdp
d2_lngdp
Unstandardized
Coefficients
B
Std. Error
27.034
6.116
5.643
.834
22.860
14.130
-4.190
10.402
-2.986
1.761
-.720
1.547
Standardized
Coefficients
Beta
.720
.975
-.184
-1.049
-.205
t
4.420
6.767
1.618
-.403
-1.696
-.465
Sig.
.000
.000
.112
.689
.097
.644
16
Coefficientsa
Model
1
Unstandardized
Coefficients
B
Std. Error
27.034
6.116
5.643
.834
22.860
14.130
-4.190
10.402
-2.986
1.761
-.720
1.547
25.585
4.904
5.836
.677
24.308
13.545
-3.179
1.680
-1.333
.284
28.771
4.674
5.412
.649
-.197
.255
-1.397
.288
29.562
4.542
5.202
.587
-1.308
.263
(Constant)
ln_gdp
D1
d2
d1_lngdp
d2_lngdp
(Constant)
ln_gdp
D1
d1_lngdp
d2_lngdp
(Constant)
ln_gdp
d1_lngdp
d2_lngdp
(Constant)
ln_gdp
d2_lngdp
Standardized
Coefficients
Beta
.720
.975
-.184
-1.049
-.205
.745
1.037
-1.117
-.379
.691
-.069
-.398
.664
-.373
t
4.420
6.767
1.618
-.403
-1.696
-.465
5.217
8.619
1.795
-1.892
-4.695
6.156
8.341
-.773
-4.851
6.508
8.860
-4.972
Sig.
.000
.000
.112
.689
.097
.644
.000
.000
.079
.065
.000
.000
.000
.443
.000
.000
.000
.000
D1 D2 Persamaan regresi
Asia
Afrika
Amerika Latin
17
INFLUENTIAL OBSERVATIONS
R2 = 66.6%
18
No
1
Statistik
Formula
influential
DFFIT
Penjelasan
Difference fit
Y
Y
i
(i )
stdev(Y)
p
n
Perbedaan nilai Y
taksiran
dengan
DFBETAS
Difference Betas
b j b j ( i )
stdev(b j )
Perbedaan
koefisien
nilai
regresi
Cook
sDi
st
ance
Perbedaan vector
F0.50, p.n p
koefisien
regresi
COVRATIO
cov( )
Covariance ratio
cov( (i )
Nisbah dterminan
matriks covariance
koefisien
regresi
19
Kegiatan Praktikum :
Tentukan Negara di Asia yang keberadaanya mempengaruhi hubungan
antara harapan hidup perempuan dengan pedapatan per-kapita dengan
menggunakan kriteria DFFIT
Penyelesaian
Memilih Negara di region Asia : [klik Data+Select Cases]
klik save
20
Model
1
(Constant)
ln_gdp
Unstandardized
Coefficients
B
Std. Error
27.034
6.350
5.643
.866
Standardized
Coefficients
Beta
.860
Model Summaryb
Model
1
R
.860a
R Square
.739
Adjusted
R Square
.722
Std. Error of
the Estimate
5.744
21
t
4.257
6.517
Sig.
.001
.000
DFFIT 2
p
n
atau
22
linear
yang
menggambarkan
hubungan
antara
variabel
X1 + X2 ++pXp +
Asumsi yang diperlukan untuk model ini adalah :
a.
~N(0. 2 )
2
b. var(
i)= untuk semua i
c. cov(
j
I,
j) = 0 untuk i
d. antar X saling independent
Asumsi-asumsi di atas kadang-kadang tidak dipenuhi, untuk mendeteksi
dan mengatasi adanya masalah pelanggaran asumsi di atas dapat dilakukan :
No.
Masalah
Residual
Deteksi
Solusi
berdistribusi
Tranformasi variabel
Uj
i
k
enor
mal
an:KS,
Regresi bootstrap
normal
2
Transformasi variabel
2
var(
i)
Autocorrelation
Plot e dengan y
cov(
0
I,
j)
memasukkan trend
untuk ij
ACF plot
Multicollinearity
X ' X 0
stepwise
Principal component reg.
23
Ridge regression
REGRESI BOOTSTRAPP
Asumsi yang utama di dalam analisi regresi adalah asumsi kenormalan
residual. Asumsi ini dibutuhkan terkait dengan penggunaan statistik uji F dan t.
Jika asumsi kenormalan ini tidak dipenuhi maka kesimpulan dari hasil
pengujian dengan statistik uji F dan t menjadi tidak valid
asumsi
kenormalan
ini
dapat
dipergunakan
uji
Untuk menguji
Kolmogorov-Smirnov,
24
Kegiatan Praktikum :
Tentukan model yang menggambarkan hubungan antara harapan hidup
perempuan dengan pendapatan perkapita serta ujilah asumsi kenormalan
residual dengan uji Kolmogorov-Smirnov.
Penyelesaian :
Dengan bantuan MINITAB permaslahan ini dapat diselesaikan dengan
cara
Tranformasi variabel
MTB > let c27=loge(lifeexpf)
MTB>namec27=
l
n_gdp
Regresi [klk stat+regression+regression]
klik storage
25
26
P
0.000
Dengan
menggunakan
metode
kuadrat
terkecil
diperoleh
hasil
l
n_gdp
dan hasilnya adalah :
27
b0
low_b0
up_b0
b1
14.7859
27.6859
low_b1
up_b1
b0_boot
21.5513
5.40552
6.96901
b1_boot
6.16731
28
HETEROSCEDASTICITY
Heteroscedasticity adalah sifat residual yang mempunyai varians yang
tidak homogen, atau :
var(i ) i2 2i
kuadrad
atau
harga
mutlak
residual
dengan
variabel
29
x
x
x
y
1
0 1 1 2 2 3 3 ... atau
x1
x1
x1
x1
x1
y * 1 0 x1* 2 x 2* 3 x3* ...
Kemudian
model
ini
dikembalikan
ke
variabel
asal
dengan
diagonal adalah i
Selain dengan menggunakan uji Glejser, uji adanya heteroscedasticity
dapat diuji dengan koefisien korelasi Spearman antara residual dengan
variabel independent, jika korelasi ini significant maka cenderung terjadi kasus
hetroscedasticity.
Koefisien korelasi Spearman dihitung dengan cara :
6D 2
r 1 2
dan D adalah selisih rank antar dua variabel.
n(n 1)
30
Kegiatan Praktikum :
Dengan
menggunakan
uji
Glejser,
31
periksalah
adanya
kasus
Penyelesaian :
Dengan bantuan MINITAB permasalahan di atas, dapat diselesaikan
dengan cara :
MTB > regr 'saving' 1 'income';
SUBC> fits c11;
SUBC> resid c12.
dan hasilnya adalah :
The regression equation is
saving = - 648 + 0.0847 income
Predictor
Constant
income
Coef
-648.1
0.084665
S = 247.6
SE Coef
118.2
0.004882
R-Sq = 91.2%
T
-5.49
17.34
P
0.000
0.000
R-Sq(adj) = 90.9%
Coef
-7.69
0.009346
S = 100.0
SE Coef
47.73
0.001972
R-Sq = 43.6%
T
-0.16
4.74
P
0.873
0.000
R-Sq(adj) = 41.7%
Dari hasil uji Glejser ini, diperoleh informasi adanya hubungan antara
variabel harga mutlak residual dengan variabel income sehingga terjadi kasus
heteroscedasticity. Karena nilai harga mutlak residual sebanding dengan nilai
income maka selanjutnya dilakukan analisis regresi untuk model :
saving/income =
income)+
32
MTB >
MTB >
MTB >
MTB >
SUBC>
let c4=saving/income
let c5=1/income
name c4='y*' c5='x*'
regr 'y*' 1 'x*';
resid c21.
Coef
0.088139
-722.50
SE Coef
0.004372
72.36
R-Sq = 77.5%
T
20.16
-9.98
P
0.000
0.000
R-Sq(adj) = 76.7%
33
34
MULTICOLLINEARITY
Multicollinearity
Adanya hubungan linear antar variabel independent
Multicollinearity dapat dideteksi dengan :
a. Variance Inflation Factor (VIF) yang tinggi, biasanya>10
b. korelasi antar variabel independent yang tinggi
c.
X ' X 0
x x
Melakukan pembakuan data : z
s
ix, nilai a
I adalah eigen-vector dari eigen-value ke-i dari
matriks korelasi antar variabel independent
35
Kegiatan Praktikum
1. Periksa adanya kasus multicollinearity pada pemodelan harapan hidup
perempuan dengan pendapatan perkapita, persentase penduduk yang
tinggal di kota, persentase perempuan yang dapat membaca, persentase
laki-laki yang dapat membaca di region Amerika Latin (region=6).
2. JIka ada kasus multicollinearity, atasi dengan beberapa metode untuk
mengatasi multicollinearity.
Penyelesaian
a. Memilih data dari region Amerika Latin klik data+select cases+if
36
Correlations
Gross
domestic
product /
capita
Average
female life
expectancy
Average female life
expectancy
Gross domestic product /
capita
People living in cities (%)
Females who read (%)
Males who read (%)
1
.550**
.500*
.833**
.756**
People
living in
cities
(%)
Males
who
read
(%)
Females
who read
(%)
.550**
.500*
.833**
.756**
1
.285
.617**
.581**
.285
1
.578**
.542*
.617**
.578**
1
.956**
.581**
.542*
.956**
1
multicollinearity
klik statistics
37
dengan
VIF:klik
Coefficientsa
(Constant)
Gross domestic product
/ capita
People living in cities
(%)
Males who read (%)
Females who read (%)
Unstandardized
Coefficients
B
Std. Error
45.921
8.483
t
5.413
Sig.
.000
Collinearity
Statistics
VIF
.000
.001
.320
.753
1.640
.011
.068
.159
.875
1.525
-.273
.594
.274
.238
-.997
2.498
.334
.024
11.573
13.289
Ada variabel independent yang nilai VIF>10 dan tanda koefisien regresi
untuk males who read negatif sedangkan koefisien korelasinya positif
sehingga memang ada kasus multicollinearity.
d. Mengatasi multicollinearity dengan metode stepwise : klik analyze +
regression + linear + method stepwise
Coefficientsa
Model
1
(Constant)
Females who read (%)
Unstandardized
Coefficients
B
Std. Error
39.013
5.077
.406
.062
38
t
7.684
6.557
Sig.
.000
.000
Collinearity
Statistics
VIF
1.000
39
40
2.
Eigenvalue
Proportion
Cumulative
2.8278
0.707
0.707
0.7163
0.179
0.886
0.4141
0.104
0.990
0.0419
0.010
1.000
Variable
GDP_CAP
URBAN
LIT_MALE
LIT_FEMA
PC1
-0.435
-0.414
-0.560
-0.571
PC2
0.655
-0.755
0.028
0.022
PC3
-0.616
-0.506
0.478
0.368
PC4
0.049
0.046
0.676
-0.734
Meregresikan y dengan w
Hanya w1 yang eigen-value-nya >1 sehingga regresinya hanya
dengan w1
MTB > regr 'lifeexpf' 1 'w1'
The regression equation is
LIFEEXPF = 71.8 - 3.51 w1
Predictor
Constant
w1
3.
Coef
71.7619
-3.5140
SE Coef
0.9930
0.6051
T
72.26
-5.81
P
0.000
0.000
41
AUTOCORRELATION
Autocorrelation
Adanya hubungan antar residual atau residual bersifat tidak saling
independent, kasus ini sering dijumpai pada data time series.
(e
d i 2
ei 1 ) 2
e
i
1
2
i
2
n
maka residual
r j2
Q n(n 2)
tolak Ho : residual saling independent jika Q>k
n
j
j
1
yt
x
0 1 t t
y t 1
xt 1
c. yt . y t 1 0 1 ( xt .xt 1 ) t
42
Kegiatan Praktikum
tahun
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
export
102
105
105
105
104
104
106
106
105
106
106
106
106
106
108
108
109
110
113
113
112
114
113
112
114
113
117
117
117
117
gdp
255
261
261
260
257
257
261
260
257
259
259
258
257
257
261
261
262
264
271
271
268
271
269
266
270
267
276
276
276
275
43
Penyelesaian
a. Penentuan model regresi dan pemeriksaan asumsi independent
residual
MTB>r
egr
gdp1
ex
por
t
;
SUBC > resid c5.
The regression equation is
gdp = 110 + 1.41 export
Predictor
Constant
export
S = 1.549
Coef
110.354
1.40664
SE Coef
6.839
0.06251
R-Sq = 94.8%
T
16.14
22.50
P
0.000
0.000
R-Sq(adj) = 94.6%
Nilai autokorelasi residual keluar dari batas pada lag ke-1 sehingga
residual tidak saling independent.
44
Coef
-0.48789
2.27658
SE Coef
0.09875
0.06924
R-Sq = 97.6%
T
-4.94
32.88
R-Sq(adj) = 97.5%
45
P
0.000
0.000
Coef
0.05627
0.94186
SE Coef
0.02957
0.02942
R-Sq = 97.4%
T
1.90
32.01
R-Sq(adj) = 97.3%
gdp t
exp ort t
0.0563 0.942
gdp t 1
exp ort t 1
46
P
0.068
0.000
ROBUST REGRESSION
Metode pendugaan parameter yang paling sering dipergunakan di dalam
analisis regresi adalah metode kuadrat terkecil (least squares), metode ini
mempunyai kelemahan jika diterapkan pada data yang mengandung
pengamatan berpengaruh (inflentual observation), persamaan regresi yang
dihasilkan oleh metode kuadrat terkecil cenderung mudah berubah-ubah
dengan adanya pengamatan berpengaruh.
b.
47
e
i
1
b.
Least
Trimmed
Squares,
metode
ini
bekerja
dengan
cara
meminimumkan
e
i
1
c.
2
i
, besarnya q n / 2
d.
f (e ) , jika
i
1
f (ei ) ei2 maka metode ini sama dengan OLS dan jika
f (e )
i
1
i
1
i
1
f ( ei )
ei2
untuk metode
LAD :min
ei
i
1
dengan wi
wi 1
w e
i
1
2
i i
1
, penentuan wi dapat juga ditentukan dengan cara :
ei
untuk ei median( ei ) dan
median( ei )
wi
untuk ei median( ei )
ei
48
49
Kegiatan Praktikum
Dari data Anscombe berikut, tentukan model regresi robust dengan
metode LAD dan bandingkan hasilnya dengan metode OLS setelah
pengamatan berpengaruhnya dikeluarkan.
Nomor X
Y
1
10
7.46
2
8
6.77
3
13
12.74
4
9
7.11
5
11
7.81
6
14
8.84
7
6
6.08
8
4
5.39
9
12
8.15
10
7
6.42
11
5
5.73
Penyelesaian
Dengan menggunakan MINITAB diperoleh hasil sebagai berikut :
MTB >%lad.txt c2 c1
The regression equation is
Y = 4.01 + 0.345 X
Predictor
Coef
SE Coef
T
P
Constant
4.00533
0.03445
116.26
0.000
X
0.345467
0.003783
91.31
0.000
S = 0.03554
R-Sq = 99.9%
R-Sq(adj) = 99.9%
Analysis of Variance
Source
DF
Regression
1
Residual Error
9
Total
10
Unusual Observations
Obs
X
Y
3
13.0
12.7400
SS
10.533
0.011
10.545
Fit
8.4964
50
MS
10.533
0.001
SE Fit
0.0207
F
8338.16
Residual
4.2436
P
0.000
St Resid
2.99R
51
NONLINEAR REGRESSION
Berdasarkan kelinearan antar parameter di dalam model regresi, maka
model regresi dapat diklasifikasikan menjadi dua macam yaitu linear dan nonlinear. Model regresi dikatakan linear jika dapat dinyatakan dalam model :
y 0 1 x 1 2 x 2 3 x 3 ... k x k
JIka model regresi tidak dapat dinyatakan ke dalam model di atas maka
model yang diperoleh adalah model regresi non-linear, secara umum model
regresi non-linear dapat dinyatakan dalam persamaan :
y f ( x , )
NIlai
dapat diduga dengan dengan cara meminimukan jumlah kuadrat
residual, jumlah kuadrat ini dapat diminimukan jika turunan pertama terhadap
SSE
y i f ( x i , )
i 1
n
f ( x , )
SSE
y i f ( xi , ) i
0
i 1
SSE
sampai suku kedua. Nilai dugaan
( ' ) 1 ' e
i 1
i
i i
i
i
52
dan
f ( x1 , )
0
f ( x 2 , )
0
...
f ( x n , )
f ( x1 , )
1
f ( x 2 , )
1
f ( x n , )
1
f ( x1 , )
k
f ( x 2 , )
...
k
f ( x n , )
...
k
...
0.0000
atau
i 1
i
i 1
i
Levenberg-Marquardt menyempurnakan metode Gauss-Newton dengan
memasukkan konstanta (nilai awal
yang besarnya berubah-ubah
mengikuti perubahan SSE. Nilai
akan diperkecil sepersepuluh kali dan iterasi
diteruskan
nilai
akan meningkat sepuluh kali dan
( ' diag ' ) 1 ' e
i 1
i
i i
i
i
i
i
53
Kegiatan Praktikum
Tahun Penduduk
1980
100
1981
105
1982
110
1983
115
1984
124
1985
130
1986
135
1987
142
1988
149
1989
155
1990
165
1991
172
1992
182
1993
194
1994
203
1995
212
1996
223
1997
234
1998
246
1999
258
2000
271
eksponensial
yang
dapat
dinyatakan
dalam model :
y 0 e 1t
Tentukan nilai dugaan untuk
dan
Penyelesaian
Model
model
y 0 e 1t e e
( ' ) 1 ' e
i 1
i
i i
i
i
54
f
0
dan
1t
f
e
0
f
e 1t
0
f
0 te1t
1
sehingga matriks menjadi :
e 1t1
1t 2
e
...
1t n
e
0 t.e 1t1
0t.e 1t 2
...
0t.e 1t n
dan matriks
adalah :
n 21ti
e
' n i 1
t e2iti
0i
i
1
0tie
i
1
n
2 2 2i ti
0 ti e
i
1
55
2i ti
yaitu :
56
MTB >
DATA>
DATA>
MTB >
DATA>
DATA>
DATA>
DATA>
MTB >
b0
b1
set c1
0:20
end
set c2
100
105
110
115
165
172
182
194
271
end
%nonlin.txt c2 c1 100 0.05
100.150
0.0499193
124
203
130
212
135
223
142
234
149
246
155
258
klik parameters
57
Iteration
1
1.1
2
2.1
3
3.1
Residual SS
22.83350008
22.58470063
22.58470063
22.58469961
22.58469961
22.58469961
B0
100.000000
100.149827
100.149827
100.149728
100.149728
100.149729
B1
.050000000
.049919149
.049919149
.049919293
.049919293
.049919293
Nilai koefisien regresi dan SSE sudah tidak berubah lagi sehingga iterasi
berhenti.
Nonlinear Regression Summary Statistics
Dependent Variable Y
Source
DF Sum of Squares Mean Square
Regression
2
681946.41530
340973.20765
Residual
19
22.58470
1.18867
Uncorrected Total
21
681969.00000
(Corrected Total)
20
56224.95238
R squared = 1 - Residual SS / Corrected SS =
.99960
Asymptotic 95 %
Asymptotic
Confidence Interval
Parameter
Estimate
Std. Error
Lower
Upper
B0
100.14972863
.350807378 99.415480345 100.88397691
B1
.049919293
.000241815
.049413169
.050425416
Confidence interval untuk koefisien regresi tidak ada yang melalui titik nol
sehingga dapat dikatakan koefisien regresi yang diperoleh significant pada
Latihan
1. Rasio elektrifikasi
64.57
71.09
76.85
81.76
85.81
89.09
91.68
93.70
95.26
96.44
97.34
98.02
98.52
98.90
99.18
99.39
99.55
99.67
99.75
antara
rasio
Tentukan
model
yang
menggambarkan
hubungan
58
Penyelesaian
Persentase penduduk yang berlangganan PLN tidak mungkin lebih dari
100 %, dan akan mendekati 100 % untuk t yang sangat besar, salah satu
model yang memenuhi sifat-sifat ini adalah :
yt
100
1 0 e t
.740850358
.299981460
.000067112
.000027927
59
.740709362
.299922787
.740991355
.300040132
Pemodelan y 0 x1
dilakukan dengan cara :
60
DF
Sum of Squares
Mean Square
182724.68022
3.57509
Regression
Residual
Uncorrected Total
3
106
109
548174.04067
378.95933
548553.00000
(Corrected Total)
108
12070.34862
Parameter
B0
B2
B3
Estimate
1.208565153
.953133843
.010483637
Asymptotic
Std. Error
.138090655
.031327433
.002967936
61
.96860
Asymptotic 95 %
Confidence Interval
Lower
Upper
.934786998
.891024160
.004599416
1.482343308
1.015243525
.016367859