Oleh:
Febbi Meidawati
G14130017
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2016
Daftar Isi
PENDAHULUAN
Latar Belakang
Tujuan
TINJAUAN PUSTAKA
Pengujian Asumsi10
Pemilihan Model Regresi Terbaik
13
SIMPULAN 16
DAFTAR PUSTAKA
16
LAMPIRAN 16
PENDAHULUAN
Latar Belakang
Analisis regresi merupakan alat statistika yang memanfaatkan
hubungan antara dua atau lebih peubah kuantitatif sehingga salah
satu peubah dapat diramalkan dari peubah lainnya. Analisis tersebut
bertujuan untuk mengetahui hubungan antara variabel penjelas dan
variabel terikat. Dalam analisis regresi, variabel yang mempengaruhi
disebut Independent Variable (variabel bebas) dan variabel yang
dipengaruhi disebut Dependent Variable (variabel terikat). Jika dalam
persamaan regresi hanya terdapat satu variabel bebas dan satu
variabel terikat, maka selanjutnya disebut regresi linear sederhana,
sedangkan jika variabel bebasnya lebih dari satu, maka selanjutnya
disebut sebagai regresi linear beganda.
Umumnya, satu variabel terikat tidak hanya dipengaruhi oleh
satu peubah penjelas/bebas. Maka dari itu, regresi linear berganda
seringkali dimodelkan untuk menyelesaikan kasus ini. Pada penulisan
makalah ini, akan dibahas bagaimana penerapan analisis regresi
berganda pada studi kasus faktor-faktor yang mempengaruhi Price
Earning Ratio saham-saham perusahaan yang terdaftar di bursa efek
Jakarta.
Tujuan
Tujuan dari penulisan makalah ini adalah untuk mengetahui
penerapan analisis regresi berganda dan menentukan model terbaik
pada kasus faktor-faktor yang mempengaruhi Price Earning Ratio
saham-saham perusahaan yang terdaftar di bursa efek Jakarta. Selain
itu, penulisan makalah ini disusun untuk memenuhi tugas akhir mata
kuliah Analisis Regresi (STK331).
TINJAUN PUSTAKA
Regresi Linear Berganda dan Korelasi
Regresi linear berganda adalah regresi di mana variabel
terikatnya (Y) dihubungkan atau dijelaskan lebih dari satu variabel,
mungkin dua, tiga dan seterusnya variabel bebas (X1 , X2 , X3 , , Xn)
namun masih menunjukkan diagram hubungan yang linier.
Penambahan variabel bebas ini diharapkan dapat lebih menjelaskan
karakteristik hubungan yang ada walaupun masih saja ada variabel
yang terabaikan. Jika sebuah variabel terikat dihubungkan dengan n
1
variabel
bebas
maka
bergandanyadituliskan :
dugaan
persamaan
regresi
linier
^y = 0 + 1 X 1+ 2 X 2 ++ n X n
Korelasi berganda merupakan alat ukur mengenai hubungan
yang tejadi antaara variabel terikat (Y) dengan dua atau lebih variabel
bebas (X1, X2, X3, , Xn). Dengan analisis korelasi berganda, keeratan
atau kuat tidaknya hubungan (kuat, lemah atau tidak ada hubungan
sama sekali) antara variabel-variabel tersebut dapat diketahui.
Keeratan hubungan ini dinyatakan dengan istilah koefisien
korelasi.Koefisien korelasi berganda merupakan indeks atau angka
yang digunakan untuk mengukur keeratan hubungan antara tiga
variabel atau lebih.
Uji Asumsi Klasik
1. Uji Asumsi Multikolinearitas
Uji asumsi multikolinearitas bertujuan untuk menguji
apakah dalam model regresi ditemukan kolinearitas yang tinggi
antar peubah bebas. Multikolinearitas dapat dideteksi melalui
nilai toleransi dan Variance Inflation Factor (VIF). Apabila nilai
toleransi mendekati 1 dan VIF berada disekitar angka 1, maka
regresi bebas dari multikolinearitas (Santoso, 2000).
2. Uji Asumsi Homoskedastisitas
Uji asumsi homoskedastisitas bertujuan untuk menguji
apakah dalam model regresi linear terjadi ketidaksamaan ragam
dari residual satu pengamatan ke residual pengamatan yang
lainnya. Dara pengambilan keputusan ada atau tidaknya
heteroskedastisitas, sebagai berikut :
a Jika ada pola tertentu seperti titik titik yang ada
membentuk suatu pola literatur (bergelombang,
melebar,
kemudian
menyempit),
maka
terjadi
heteroskedastisitas
b Jika tidak ada pola tertentu yang jelas serta titik-titik
menyebar di atas dan di bawah angka 0 pada sumbu Y,
maka tidak terjadi heteroskedastisitas.
c Dengan menggunakan uji formal, melalu uji Bartlett
dapat juga diperiksa kehomogenan ragamnya
3. Uji Asumsi Autokorelasi
Uji asusmi autokorelasi bertujuan untuk menguji apakah
dalam suatu model regresi linear terdapat korelasi antar anggota
sampel yang diurutkan berdasarkan waktu. Untuk mendiagnosis
adanya autokorelasi dalam suatu model regresi, maka dilakukan
2
kuadrat terkecil (MKT) atau dikenal juga dengan metode ordinary least
square (OLS). Agar penduga bagi parameter regresi yang didapatkan
dengan menggunakan MKT merupakan penduga yang baik maka
sisaan atau galat harus memenuhi asumsi Gauss-Markov berikut ini:
E [ i ]=0
1
(nilai harapan/rataan sisaan = 0)
2
E [ i2 ] = 2
peubah penjelas)
E [ i j ]=0, i j
(sisaan saling bebas satu sama lain)
dengan meminimumkan
i2
i=1
Coef
15,304
0,09433
-0,08339
0,07821
-0,7403
0,006203
0,071310
S = 7,03494
SE Coef
3,404
0,03695
0,01264
0,01142
0,2467
0,008682
0,006270
R-Sq = 65,4%
T
4,50
2,55
-6,60
6,85
-3,00
0,71
11,37
P
0,000
0,012
0,000
0,000
0,003
0,477
0,000
R-Sq(adj) = 63,4%
Analysis of Variance
Source
Regression
Residual Error
Total
Source
g Salesn
g ROEn
DPRn
SBIn
g DERn
g ROIn
DF
1
1
1
1
1
1
DF
6
101
107
SS
9462,2
4998,5
14460,8
MS
1577,0
49,5
F
31,87
P
0,000
Seq SS
121,7
30,4
2783,4
124,1
0,1
6402,6
Unusual Observations
Obs
1
11
30
36
37
58
59
68
78
88
101
102
g Salesn
24,2
-9,3
-12,0
13,0
17,2
33,3
-16,4
6,8
18,1
38,5
31,7
21,7
PER in
22,590
2,930
25,390
29,070
28,500
96,610
31,180
46,820
27,170
32,280
28,490
9,890
Fit
7,179
9,955
10,589
11,198
10,066
93,622
9,840
43,307
8,738
8,155
11,788
6,121
SE Fit
1,044
6,706
1,557
1,438
1,072
6,934
1,441
5,056
1,346
2,791
1,262
3,350
Residual
15,411
-7,025
14,801
17,872
18,434
2,988
21,340
3,513
18,432
24,125
16,702
3,769
St Resid
2,22R
-3,31RX
2,16R
2,60R
2,65R
2,51RX
3,10R
0,72 X
2,67R
3,74R
2,41R
0,61 X
Model Regresi
PER 0 + 1 g Salesn 2 0,0834 g ROEn+ 3 DPRn 4 SBIn+ 5 g DERn+ 6 g ROIn+
Keterangan:
5
= Standar error
Persamaan Regresi
Interpretasi:
15,3 = Besarnya Price Earning Ratio saat pertumbuhan penjualan,
pertumbuhan Return on Equity, Dividend Payout Ratio, tingkat suku
bunga Sertifikat Bank Indonesia, pertumbuhan Debt to Equity Ratio,
dan pertumbuhan Return On Investment sama dengan nol adalah
sebesar 1530,4%.
0,0943 = Jika pertumbuhan penjualan naik 100% maka besarnya ratarata Price Earning Ratio akan naik sebesar 9,43% dengan asumsi
pertumbuhan Return on Equity, Dividend Payout Ratio, tingkat suku
bunga Sertifikat Bank Indonesia, pertumbuhan Debt to Equity Ratio,
dan pertumbuhan Return On Investment konstan.
-0,0834 = Jika pertumbuhan Return on Equity naik 100% maka
besarnya rata-rata Price Earning Ratio akan turun sebesar 8,34%
dengan asumsi pertumbuhan penjualan, Dividend Payout Ratio, tingkat
6
Return On Investment
Earning Ratio)
secara
keseluruhan terhadap
Price
DF
6
101
107
SS
9462,2
4998,5
14460,8
MS
1577,0
49,5
F
31,87
P
0,000
R-Sq = 65,4%
R-Sq(adj) = 63,4%
Coef
15,304
0,09433
-0,08339
0,07821
-0,7403
0,006203
0,071310
SE Coef
3,404
0,03695
0,01264
0,01142
0,2467
0,008682
0,006270
T
4,50
2,55
-6,60
6,85
-3,00
0,71
11,37
P
0,000
0,012
0,000
0,000
0,003
0,477
0,000
Kesimpulannya,
1. Faktor pertumbuhan penjualan
Cukup bukti untuk menyatakan bahwa ada pengaruh yang
signifikan antara pertumbuhan penjualan terhadap Price Earning
Ratio pada taraf nyata 5 %.
2. Faktor pertumbuhan Return on Equity
Cukup bukti untuk menyatakan bahwa ada pengaruh yang
signifikan antara pertumbuhan Return on Equity terhadap Price
Earning Ratio pada taraf nyata 5 %.
3. Faktor Dividend Payout Ratio
Cukup bukti untuk menyatakan bahwa ada pengaruh yang
signifikan antara Dividend Payout Ratio terhadap Price Earning
Ratio pada taraf nyata 5 %.
4. Faktor tingkat suku bunga Sertifikat Bank Indonesia
Cukup bukti untuk menyatakan bahwa ada pengaruh yang
signifikan antara tingkat suku bunga Sertifikat Bank Indonesia
terhadap Price Earning Ratio pada taraf nyata 5 %.
5. Faktor pertumbuhan Debt to Equity Ratio
Cukup bukti untuk menyatakan bahwa ada pengaruh yang
signifikan antara pertumbuhan Debt to Equity Ratio terhadap
Price Earning Ratio pada taraf nyata 5 %.
6. Faktor pertumbuhan Return On Investment
10
DF
1
1
1
1
1
1
Seq SS
121,7
30,4
2783,4
124,1
0,1
6402,6
11
Versus Fits
99,9
99
20
Residual
Percent
90
50
10
1
0,1
10
0
-10
-20
-10
0
Residual
10
20
20
Histogram
40
60
Fitted Value
80
Versus Order
20
Residual
Frequency
20
15
10
5
0
10
0
-10
-10
-5
5
10
Residual
15
20
25
1 10 20 30 40 50 60 70 80 90 100
Observation Order
DF
6
101
107
SS
49,47
2200,06
2249,52
MS
8,24
21,78
F
0,38
P
0,891
12
Dari tabel sidik ragam di atas, terlihat bahwa nilai-p yang dihasilkan yaitu
0.891. Nilai-P yang dihasilkan > (0.05), maka keputusannya tak tolak H0.
Kesimpulannya, cukup bukti untuk menyatakan bahwa ragam sisaan homogen
pada taraf nyata 5%.
Pemeriksaan Kenormalan Sisaan
Pemeriksaan kenormalan sisaan dapat dilihat pada gambar normal
probability plot of the residuals. Sisaan dikatakan menyebar normal bila tebaran
data menghampiri garis lurus mengikuti garis diagonal. Untuk lebih meyakinkan
dapat digunakan uji Formal yaitu salah satunya uji Kolmogorov-Smirnov.
Hipotesis yang digunakan adalah :
H0 : Sisaan menyebar normal
H1 : Sisaan tidak menyebar normal
Berikut output yang dihasilkan oleh software Minitab :
Probability Plot of RESI1
Normal
99,9
Mean
StDev
N
KS
P-Value
99
95
90
Percent
5,045
4,585
108
0,143
<0,010
80
70
60
50
40
30
20
10
5
1
0,1
-10
-5
10
RESI1
15
20
25
Pada gambar di atas, terlihat nilai-p yang dihasilkan yaitu 0.010. Nilai-p
ini < (0.05) sehingga keputusannya tolak H 0. Kesimpulannya, tidak cukup bukti
untuk menyatakan bahwa sisaan menyebar normal pada taraf nyata 5%.
Gunakan transformasi Box-Cox untuk mengatasinya:
13
20
Upper CL
Lambda
(using 95,0% confidence)
StDev
15
Estimate
0,28
Lower CL
Upper CL
0,11
0,45
Rounded Value
0,28
10
5
Limit
-1
1
Lambda
Pemeriksaan Autokorelasi
Uji asumsi ini bisa dilihat pada gambar versus order. Tebaran data pada
gambar tersebut tidak berpola atau acak sehingga bisa disimpulkan bahwa antar
sisaan saling bebas. Untuk mengecek autokorelasi, dapat juga dilakukan dengan
Runs Test, dengan hipotesis sebagai berikut:
H0 : Tidak ada autokorelasi
H1 : Ada autokorelasi
Berikut output minitabnya :
Runs Test: RESI1
Runs test for RESI1
Runs above and below K = 5,04517
The observed number of runs = 53
The expected number of runs = 51,8704
41 observations above K; 67 below
P-value = 0,817
Terlihat bahwa nilai-p yang dihasilkan yaitu 0.817 > (0.05) sehingga
keputusannya tak tolak H0. Kesimpulannya, cukup bukti untuk menyatakan bahwa
tidak ada autokorelasi pada taraf nyata 5%
Multikolinearitas
14
Coef
15,304
0,09433
-0,08339
0,07821
-0,7403
0,006203
0,071310
SE Coef
3,404
0,03695
0,01264
0,01142
0,2467
0,008682
0,006270
T
4,50
2,55
-6,60
6,85
-3,00
0,71
11,37
P
0,000
0,012
0,000
0,000
0,003
0,477
0,000
VIF
1,067
1,559
1,029
1,069
1,007
1,557
Terlihat dari output di atas, nilai VIF yang dihasilnya tidak ada yang
melebihi 5 atau semua nilai VIF kurang dari 5, sehingga dapat disimpulkan bahwa
tidak ada multikolinearitas.
Pemilihan Model Regresi Terbaik
1
Forward selection
Metode ini bekerja dengan menyeleksi satu persatu peubah yang dimasukan ke
dalam model secara bertahap. Berikut output yang dihasilkan software Minitab:
Stepwise Regression: PER in versus g Salesn; g ROEn; ...
Forward selection.
Alpha-to-Enter: 0,05
1
10,169
2
6,569
3
6,572
4
14,928
5
15,378
g ROIn
T-Value
P-Value
0,0453
6,39
0,000
0,0461
7,57
0,000
0,0690
10,60
0,000
0,0711
11,09
0,000
0,0710
11,38
0,000
0,085
6,22
0,000
0,075
6,29
0,000
0,075
6,48
0,000
0,078
6,87
0,000
-0,079
-6,00
0,000
-0,081
-6,29
0,000
-0,083
-6,61
0,000
-0,61
-2,48
0,015
-0,75
-3,03
0,003
DPRn
T-Value
P-Value
g ROEn
T-Value
P-Value
SBIn
T-Value
P-Value
g Salesn
T-Value
0,094
2,56
15
P-Value
S
R-Sq
R-Sq(adj)
Mallows Cp
0,012
9,92
27,82
27,14
106,9
8,52
47,24
46,24
52,2
7,38
60,82
59,69
14,5
7,20
63,03
61,59
10,0
7,02
65,26
63,56
5,5
Backward Elimination
Lain halnya dengan metode sebelumnya, backward elimination bekerja dengan
cara menyisihkan peubah yang dianggap tidak layak untuk dimasukan ke dalam
model atau tidak signifikan terhadap taraf nyata pengujian. Berikut output yang
dihasilkan dari software Minitab:
Stepwise Regression: PER in versus g Salesn; g ROEn; ...
Backward elimination.
Alpha-to-Remove: 0,05
1
15,30
2
15,38
g Salesn
T-Value
P-Value
0,094
2,55
0,012
0,094
2,56
0,012
g ROEn
T-Value
P-Value
-0,083
-6,60
0,000
-0,083
-6,61
0,000
DPRn
T-Value
P-Value
0,078
6,85
0,000
0,078
6,87
0,000
SBIn
T-Value
P-Value
-0,74
-3,00
0,003
-0,75
-3,03
0,003
g DERn
T-Value
P-Value
0,0062
0,71
0,477
g ROIn
T-Value
P-Value
0,0713
11,37
0,000
0,0710
11,38
0,000
16
S
R-Sq
R-Sq(adj)
Mallows Cp
7,03
65,43
63,38
7,0
7,02
65,26
63,56
5,5
Stepwise Method
Metode ini menggabungkan dua metode sebelumnya yaitu stepwise selection dan
backward elimination. Berikut output dari software Minitab :
Stepwise Regression: PER in versus g Salesn; g ROEn; ...
Alpha-to-Enter: 0,05
Alpha-to-Remove: 0,05
1
10,169
2
6,569
3
6,572
4
14,928
5
15,378
g ROIn
T-Value
P-Value
0,0453
6,39
0,000
0,0461
7,57
0,000
0,0690
10,60
0,000
0,0711
11,09
0,000
0,0710
11,38
0,000
0,085
6,22
0,000
0,075
6,29
0,000
0,075
6,48
0,000
0,078
6,87
0,000
-0,079
-6,00
0,000
-0,081
-6,29
0,000
-0,083
-6,61
0,000
-0,61
-2,48
0,015
-0,75
-3,03
0,003
DPRn
T-Value
P-Value
g ROEn
T-Value
P-Value
SBIn
T-Value
P-Value
g Salesn
T-Value
P-Value
S
R-Sq
R-Sq(adj)
Mallows Cp
0,094
2,56
0,012
9,92
27,82
27,14
106,9
8,52
47,24
46,24
52,2
7,38
60,82
59,69
14,5
7,20
63,03
61,59
10,0
7,02
65,26
63,56
5,5
Output yang dihasilkan metode ini pun sama dengan dua metode sebelumnya
sehingga dapat disimpulkan bahwa model regresi yang terbaik didapat dengan 5
peubah yaitu Y = 15.378 + 0.0710gROIn + 0.078DPRn 0.083gROEn -0.75SBIn
+ 0.094gSalesn.
17
SIMPULAN
Setelah dilakukan berbagai analisis untuk mencari model regresi yang terbaik,
maka dapat disimpulkan bahwa dengan menggunakan metode stepwise (regresi bertatar)
kita telah mendapatkan model regresi yang terbaik. Model terbaik yang didapatkan yaitu
Y = 15.378 + 0.0710gROIn + 0.078DPRn 0.083gROEn -0.75SBIn + 0.094gSalesn.
Model terbaik ini dipilih berdasarkan kriteria-kriteria tertentu, diantaranya memiliki nilai
S yang rendah, R-Sq (adj) yang tinggi, serta nilai CP-Mallows yang mendekati
banyaknya parameter.
DAFTAR PUSTAKA
Draper NR, Smith H. 1992. Analisis Regresi Terapan. Edisi ke-2. Sumantri B,
penerjemah. Jakarta: Gramedia Pustaka.
Khalid, Abdul. 2006. Analisis faktor-faktor yang mempengaruhi price earning ratio
saham-saham perusahaan yang terdaftar di Bursa Efek Jakarta [skripsi]. Yogyakarta
(ID): Universitas Islam Indonesia.
Santoso, S. 2000. SPSS Mengolah Data Statistik Secara Profesional. PT. Elex Media
Komputindo. jakarta.
LAMPIRAN
Case
1
g
Sales
n
24,2
2
3
43,32
25,19
4
5
6
7
8
9
10
-29,87
-1,69
-21,66
44,15
28,76
5,41
18,15
g
ROEn
-10,37
198,6
4
5,47
171,3
8
-80,75
0,48
-6,31
2,85
-23,47
9,58
11
12
13
14
15
16
-9,29
9,01
40,5
20,43
11,19
15,29
-12,54
-23,22
-20,9
10,56
-20,56
-0,33
DPRn
24,42
SBIn
16,62
g
DERn
10,17
39,93
49,49
14,8
9,9
-23,08
-12
17,46
21,93
20,91
17,13
17,12
16,96
14,36
16,62
14,8
9,9
16,62
14,8
9,9
16,62
14,29
14,69
18,96
18,96
19,68
30,67
14,8
9,9
16,62
14,8
9,9
16,62
-66,25
-11,11
-33,33
19,89
-32,23
-34,97
-55,13
757,1
4
-92,67
-18,4
-22,55
-12,66
-14,84
g
ROIn
-13,22
243,3
6
12,29
284,7
2
-80,26
7,4
-17,11
31,76
-3,73
44,61
PER
in
22,59
-5,28
-21,41
-11,94
0,73
4,19
11,65
2,93
3,65
13,35
10,67
11,38
7,67
10,31
9,48
1,35
6,69
7,22
9,59
7,47
10,14
2,73
18
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
12,44
8,53
12,13
-4,83
3,77
20,09
16,52
10,5
40,25
7,55
-3
19,11
4,22
-11,96
10,65
0,93
-0,78
26,65
7,13
13
17,24
4,53
-32,72
-10,49
-22,92
11,88
-30,65
-15,59
-22,01
-13,46
39,94
-24,09
-9,67
-25,76
-63,94
-12,01
-27,6
-30,04
67,24
-60,99
-61,02
-41,92
38
39
40
41
42
43
44
45
46
47
48
-18,05
37,54
-2,07
-6,09
8,52
26,77
-15,36
73,31
13,1
24,99
5,34
49
50
51
36,2
-8,35
7,06
-10,47
-27,39
-7,49
0,08
-32,19
-3,18
-77,36
54,19
-6,62
-8,11
-3,42
121,1
2
-10,61
-64,48
52
53
54
55
25,15
43
17,06
40,5
56
-16,2
67,12
-16,56
20,15
-97,21
256,1
3
32,74
43,81
82,61
76,72
78,05
27,65
27,66
31,39
11,78
13,46
38,38
21,22
7,14
32,98
30,72
30,91
21,71
24,69
20,05
20,4
58,39
128,2
4
29,95
67,35
53,69
10,3
28,58
34,02
42,13
26,61
30,66
37,3
14,8
9,9
16,62
14,8
9,9
16,62
14,8
9,9
16,62
14,8
9,9
16,62
14,8
9,9
16,62
14,8
9,9
16,62
14,8
9,9
16,62
19,7
-13,29
-24,51
-11,69
17,65
-16,88
-7,81
-1,69
4,07
-30,47
-13,48
3,92
-42,14
-42,39
-14,93
-28,07
14,63
-5,88
32,29
63,78
-12,06
-8,52
-25,1
1,76
-18,6
4,36
-24,99
-12,95
-21,54
-15,14
68,68
-18,92
-11,82
0,44
-54,8
-6,56
-19,14
-32,8
73,05
-66,36
-71,3
-35,75
7,02
12,52
3,89
6,81
7,47
7,97
7,65
14,23
15,07
9,96
14,31
4,03
9,52
25,39
2,87
4,03
5,1
3,82
7,22
29,07
28,5
14,8
9,9
16,62
14,8
9,9
16,62
14,8
9,9
16,62
14,8
9,9
-22,29
23,53
-15,15
-28,57
10
-30,43
12,5
-5,56
-32
-11,76
6,67
6,45
18,34
3,37
3,58
9,78
2,31
9,35
6,32
2,66
3,28
3,52
9,47
8,72
23,07
16,62
14,8
9,9
-1,99
-28,55
-9,46
0,26
0,3
0,35
45,75
16,62
14,8
9,9
16,62
-26,03
-48,5
-21,67
29,36
16,76
14,8
-49,65
4,32
-36,09
-4,12
6,99
-33,33
3,18
-77,57
54,58
0
-6,4
-4,56
125,1
8
18,21
-61,35
108,6
6
26,35
36,45
-97,59
403,2
1
3,79
1,57
5,08
4,38
6,04
12,97
15,25
3,44
19
57
19,12
-75,74
47,44
9,9
63,38
13,89
-18,75
23,08
-80,77
1150,
55
-26,36
58
59
33,33
-16,4
20,47
-24,01
16,62
14,8
60
61
62
63
64
65
66
67
11,13
-0,18
-1,62
4,27
15,01
-5,02
4,53
12,38
16,41
63,55
-20,27
-29,7
-69,43
24,94
-5,12
-18,6
68
69
70
71
72
73
74
75
76
6,77
5,67
13,94
4
10,45
43,58
39,52
11,81
-7,09
-30
16,02
-34,68
-20,19
-0,06
3,28
14,51
-5,16
-54,85
77
78
79
80
81
82
83
84
85
86
87
9,16
18,05
21,91
-1,41
34,13
22,98
9,76
8,41
23,44
16,67
15,8
88
89
90
91
92
93
94
95
38,5
4,03
5,96
31,05
-8,36
-2,63
26,5
-4,35
-63,17
8,8
-13,2
-43,35
26,54
-24,47
-10,91
-6,75
-10,03
-5,63
27,77
253,5
6
2,3
29,24
-67,22
-41,53
-5,69
-34,88
-88,33
92,75
86,6
143,4
9
0,19
0,25
0,18
41,96
40,46
41,32
42,78
484,3
1
94,9
19,32
30,36
20,38
30,26
19,17
7,11
0,6
300,0
7
0,39
31,77
0,06
62
56,8
56,91
11,85
30,11
39
47,07
9,9
16,62
14,8
9,9
16,62
14,8
9,9
16,62
25
-46,95
-33,63
-14,67
-17,74
-15,69
-6,98
-13,41
13,01
140,2
-2,84
-24,91
-67,18
31,23
-2,78
-13,46
27,55
3,59
4,08
5,67
17,13
11,73
10,33
8,56
14,8
9,9
16,62
14,8
9,9
16,62
14,8
9,9
16,62
-4,23
13,24
13,11
-20,77
31,71
-9
-24,18
-20,29
-18,99
-28,53
9,87
-39,88
-7,15
-16,62
9,84
35,84
7,73
-50,88
46,82
7,18
3,95
5,41
5,09
6,96
3,83
8,71
11,99
14,8
9,9
16,62
14,8
9,9
16,62
14,8
9,9
16,62
14,8
9,9
-17,19
52,83
-17,65
-46,43
73,33
-13,89
-9,68
-10,71
-5,17
-3,64
18,87
29,02
27,17
4,17
5,98
7,09
4,61
5,87
8,23
14,07
14,2
21,33
16,62
14,8
9,9
16,62
14,8
9,9
16,62
14,8
-15
-21,57
11,25
-37,5
-31,01
-26,89
-20
25
-60,58
-7,92
-8,96
-37,33
16,25
-21,77
-8,61
-4,6
-8,34
-4,32
19,97
294,2
5
19,83
20,44
-52
-22,79
16,35
-34,37
-88,46
22,73
24,27
20,8
21,39
29,47
9,15
29,51
264,0
96,61
31,18
32,28
9,42
13,87
1,44
2,62
3,58
1,79
18,48
20
96
97
98
99
100
101
-24,22
21,87
-8,72
-4,25
71,72
31,7
102
21,7
103
104
105
106
107
108
73,5
27,75
30,35
21,78
13,35
8,92
151,9
1
-29
3,37
-46,8
-72,33
-76,57
305,9
9
148,5
2
26,08
-36,1
1,64
-17,81
-11,39
1
105,0
4
23,84
24,23
37,9
40
44,96
9,9
16,62
14,8
9,9
16,62
14,8
-20
-11,9
-10,14
0
-8,47
0
9,56
9,9
5,56
155,4
2
-23,29
10,31
-46,72
-71,05
-76,46
292,1
6
52,23
41,52
54,84
44
47
56
16,62
14,8
9,9
16,62
14,8
9,9
98,4
-18,15
-6,4
8,43
-21,11
-8,45
66,84
44,85
-33,28
-2,18
-8,79
-7,95
12,82
5,47
4,62
13,64
6,74
28,49
9,89
7,93
4,85
11,18
11,7
11,8
20,13
Histogram
(response is PER in)
20
Frequency
15
10
-10
-5
5
10
Residual
15
20
25
21
Percent
95
90
80
70
60
50
40
30
20
10
5
1
0,1
-20
-10
0
Residual
10
20
30
Versus Fits
(response is PER in)
25
20
Residual
15
10
5
0
-5
-10
0
10
20
30
40
50
60
Fitted Value
70
80
90
22
Versus Order
(response is PER in)
25
20
Residual
15
10
5
0
-5
-10
1
10
20
30
40
50
60
70
Observation Order
80
90
100
23