REGRESIBERGANDAII

ExtraSumofSquares

Uji FParsial dan Sekuensial

Pada analisis regresi linierberganda,terhadap
semua peubah penjelas yangtersedia :
Diuji peubah penjelas apa yangberpengaruh
nyata terhadap respon.
Dariyangada dalam model,usahakan yang
dipakai hanya peubah penjelas yang
keberadaannya dalam modelmenyum
bangkan keragaman kepada garis regresi
cukup besar.
rudisalam@stis.ac.id 2

Uji FParsial dan Sekuensial

Terhadap semua peubah penjelas yangtersedia
(lanjutan):
Jika suatu peubah penjelas keberadaannya
dalam modelsudah dapat diwakili oleh yang
lainnya,maka peubah penjelas tersebut tidak
perlu lagi digunakan dalam model.
Lebih disenangi modelyangmemiliki
banyaknya peubah penjelas yanglebih sedikit.
rudisalam@stis.ac.id 3

Uji FParsial dan Sekuensial

UjiFParsial dapat dilakukan terhadap semua
koefisien regresi,dengan menganggap semua
peubah penjelas masuk dalam modelkecuali
peubah yangingin diuji pengaruhnya.
Bila peubah dimasukkan satu persatu secara
bertahap ke dalam suatu persamaan regresi,
maka dapat dikatakan sebagai UjiF
sekuensial.
rudisalam@stis.ac.id 4

Uji FParsial dan Sekuensial

Uji F parsial:
Model dibangun dengan mengeluarkan satu
peubah penjelas yang akan diuji pengaruhnya
dari model lengkap.
Uji Fsekuensial:
Modeldibangun dengan menambahkan satu
persatu peubah penjelas baru ke dalam
model.
rudisalam@stis.ac.id 5

Uji FParsial dan Sekuensial

Jika R()=SSRegresi modelpenuh
Uji Fparsial
R R 0 | 1 , 2 ,..., k R 1 | 0 , 2 , 3 ,..., k
R 2 | 0 , 1 , 3 ,..., k ... R k | 0 , 1 , 2 ,..., k 1
Uji Fsekuensial
R R 0 R 1 | 0 R 2 | 0 , 1 R 3 | 0 , 1 , 2
... R k | 0 , 1 ,..., k 1

rudisalam@stis.ac.id 6

ExtraSumofSquares
Databodyfat
i
X1
X2

1
19.5
43.1

2
24.7
49.8

3
30.7
51.9

4
29.8
54.3

5
19.1
42.2

6
25.6
53.9

7
31.4
58.5

8
27.9
52.1

9
22.1
49.9

10
25.5
53.5

X3
Y

29.1
11.9

28.2
22.8

37
18.7

31.1
20.1

30.9
12.9

23.7
21.7

27.6
27.1

30.6
25.4

23.2
21.3

24.8
19.3

i
X1
X2
X3
Y

11
31.1
56.6
30
25.4

12
30.4
56.7
28.3
27.2

13
18.7
46.5
23
11.7

14
19.7
44.2
28.6
17.8

15
14.6
42.7
21.3
12.8

16
29.5
54.4
30.1
23.9

17
27.7
55.3
25.7
22.6

18
30.2
58.6
24.6
25.4

19
22.7
48.2
27.1
14.8

20
25.2
51
27.5
21.1

rudisalam@stis.ac.id 7

Contoh
Matriks korelasi antar variabel X(cek
multikolinieritas)
X1
X2
X1
X2
X3

1
0.9238
0.4578

1
0.0847

X3

Anova antara Ydan X1

Regression
Residual

df
1
18

SS
352.27
143.12

Total

19

495.39

MS
352.27
7.95

F
44.30

Pvalue
0.00

rudisalam@stis.ac.id 8

Contoh
Anova antara Ydan X2
df

SS

MS

Pvalue

Regression

381.97

381.97

60.62

0.00

Residual

18

113.42

6.30

Total

19

495.39

F
29.80

Pvalue
0.00

Anova antara Ydan X1,X2

Regression
Residual

df
2
17

SS
385.44
109.95

Total

19

495.39

MS
192.72
6.47

rudisalam@stis.ac.id 9

Contoh
SSR(X1)=352.27;SSE(X1)=143.12
SSR(X1,X2)=385.44;SSE(X1,X2)=109.95
SSE(X1,X2)<SSE(X1)
Selisih diantara keduanya dinamakan extra
sumofsquares
SSR(X2|X1)=SSE(X1) SSE(X1,X2)
=143.12 109.95=33.17

rudisalam@stis.ac.id 10

Contoh
Berkurangnya nilai SSEadalah karena
masuknya X2kedalam modelketika X1sudah
ada dalam model.
Jadi,extrasumofsquaredmengukur efek
marjinal penambahan X2ke dalam model
regresi ketika X1sudah ada dalam model.
Extrasumofsquaresberarti jugamengukur
penambahan marjinal pada SSR.
rudisalam@stis.ac.id 11

Contoh
SSR(X2|X1)=SSR(X1,X2) SSR(X1)
=385.44 352.77=33.17
Extrasumofsquaresmasuknya X3ke model
ketika X1dan X2sudah ada dalam model
SSR(X3|X1,X2)=SSE(X1,X2) SSE(X1,X2,X3)
=109.95 98.41=11.54
Ekivalen dengan:
SSR(X3|X1,X2)=SSR(X1,X2,X3) SSR(X1,X2)
=396.98 385.44=11.54
rudisalam@stis.ac.id 12

Contoh
Skema extrasumofsquares contoh bodyfat

rudisalam@stis.ac.id 13

Tabel Anova
Tabel anova dekomposisi SSRdengan tiga
variabel independen

rudisalam@stis.ac.id 14

Uji kParsial
Misal menguji apakah 3=0
Hipotesis: H 0 : 3 0 vs H1 : 3 0
SSEmodelpenuh =SSE(X1,X2,X3)=SSE(F)
dengan df =n 4.
Jika H0benar,maka SSEnya adalah SSE(X1,X2)
=SSE(R)dengan df =n 3.
Fhitung:
SSE R SSE F SSE F
F

df R df F
df F
*

rudisalam@stis.ac.id 15

Uji kParsial
Fhitung menjadi:

SSE X 1 , X 2 SSE X 1 , X 2 , X 3 SSE X 1 , X 2 , X 3

F

n 3 n 4
n 4
*

SSE(X1,X2) SSE(X1,X2,X3)=SSR(X3|X1,X2)
Fhitung menjadi:
SSR X 3 | X 1 , X 2 SSE X 1 , X 2 , X 3
F

1
n 4
*

MSR X 3 | X 1 , X 2

MSE X 1 , X 2 , X 3
rudisalam@stis.ac.id 16

Uji kParsial
Apakah 3bisa didrop dari model?
SSR X 3 | X 1 , X 2 SSE X 1 , X 2 , X 3
F

1
n 4
*

11.54 98.41

1.88
1
16

Jika =0.01,maka F(0.99;1,16)=8.53

F*=1.88Ftabel =8.53 gagal tolak H0
X3bisa didrop dari modelyangsudah memuat X1
dan X2
rudisalam@stis.ac.id 17

Uji kParsial
Hasil ini ekivalen dengan uji parsial dengan uji t
Coefficients

StandardError

tStat

Pvalue

117.08

99.78

1.17

0.26

X1

4.33

3.02

1.44

0.17

X2

2.86

2.58

1.11

0.28

X3

2.19

1.60

1.37

0.19

Intercept

Nilai thitung:

t*

b3
2.86

1.37
s b3 1.60

t^2=(1.37)^2=1.88=F*
rudisalam@stis.ac.id 18

Uji kParsial
Statistik uji
SSR X 3 | X 1 , X 2 SSE X 1 , X 2 , X 3
F

1
n 4
*

merupakan statistik uji untuk uji Fparsial

Statistik uji ini berbeda uji Fpada uji overall.

rudisalam@stis.ac.id 19

Uji Beberapa k=0

Hipotesis
H 0 : 2 3 0 vs H1 : 2 dan3 0
SSE(R)=SSE(X1)dengan df =n2.
Statistik uji
SSE R SSE F SSE F
F

df R df F
df F
*

SSE X 1 SSE X 1 , X 2 , X 3 SSE X 1 , X 2 , X 3

n 2 n 4
n 4
rudisalam@stis.ac.id 20

Uji Beberapa k=0

SSE(X1) SSE(X1,X2,X3)=SSR(X2,X3|X1)
dengan df =2.
Statistik uji menjadi:
SSR X 2 , X 3 | X 1 SSE X 1 , X 2 , X 3
F

2
n 4
*

MSR X 2 , X 3 | X 1

MSE X 1 , X 2 , X 3

rudisalam@stis.ac.id 21

Uji Beberapa k=0

Contoh databodyfat
SSR(X2,X3|X1)=SSR(X2|X1)+SSR(X3|X1,X2)
=33.17+11.54=44.71
Statistik uji:
SSR X 2 , X 3 | X 1
F
MSE X 1 , X 2 , X 3
2
44.71

6.15 3.63
2
*

rudisalam@stis.ac.id 22

Uji Beberapa k=0

Untuk =0.01,maka F(0.99;2,16)=6.23.
Karena F*=3.636.23maka gagal tolak H0.
X2dan X3dapat didrop dari modelregresi
yangsudah memuat X1.

rudisalam@stis.ac.id 23