Diagnosa Model Pemeriksaan Sisaan

Analisis Regresi 1
Pokok Bahasan :
Diagnosa Model Melalui Pemeriksaan

Sisaan dan Identifikasi Pengamatan
Berpengaruh
Itasia & Y Angraini Dep. Statistika FMIPA-IPB
Sisaan
Sisaan adalah menyimpangnya nilai amatan yi
terhadap dugaan nilai harapannya
)
)
)
E [Y | x i ] E [Y | x i ] = yi = b 0 + b1x i
Sisaan untuk suatu amatan ke-i:

Sisaan baku ri
(
yi y i ) ei
=
=
Kurang tepat sebab

ragam (ei) = s2 (1-hii)
s( yi y i )
)
ei = yi yi
Bisa digunakan untuk

memeriksa kebenaran
i
menyebar N(0,1)
1 + ( xi x )2
ei
, hii = nn
ri =
2
s (1 hii )
(
)
x
x
k
k =1
Contoh: menghitung sisaan

Berikut adalah 1 set (25 pengamatan) data berpasangan x1i dan yi
yang didapat dari sebuah percobaan. Dari data ini ingin diketahui
model matematika hubungan antara x1 dan Y.
i
10
11
12
13
10.98
11.13
12.51
8.4
9.27
8.73
6.36
8.5
7.82
9.14
8.24
12.19
11.88
X1
20
20
23
20
21
22
11
23
21
20
20
21
21
14
15
16
17
18
19
20
21
22
23
24
25
9.57
10.94
9.58
10
8.11
6.83
8.88
7.7
8.47
8.86
10.4
11.08
19
23
20
22
22
11
23
20
21
20
20
22
Y
X1

(lanjutan)
Dari tebaran x1 terhadap Y digunakan
persamaan garis regresi linier sederhana
ordo satu :
Y = + x +
Scatterplot of Y vs X1
13
12
11
10
Y
Dengan Minitab didapatkan dugaan

persamaannya : Y = 3.56 + 0.290 X1
9
8
7
6
10
12
14
16
18
X1
20
22
24
Untuk setiap amatan dihitung nilai

dugaannya, kemudian hitung sisaannya

(lanjutan)
Y duga = 3.56 + 0.290 X1
sisaan ke i = amatan ke-i dugaan pd titik x ke-i
10
11
12
13
10.98
11.13
12.51
8.40
9.27
8.73
6.36
8.50
7.82
9.14
8.24
12.19
11.88
y_duga
9.35
9.35
10.22
9.35
9.64
9.93
6.75
10.22
9.64
9.35
9.35
9.64
9.64
sisaan
1.63
1.78
2.29
-0.95
-0.37
-1.20
-0.39
-1.72
-1.82
-0.21
-1.11
2.55
2.24
14
15
16
17
18
19
20
21
22
23
24
25
9.57
10.94
9.58
10.09
8.11
6.83
8.88
7.68
8.47
8.86
10.36
11.08
y_duga
9.06
10.22
9.35
9.93
9.93
6.75
10.22
9.35
9.64
9.35
9.35
9.93
sisaan
0.51
0.72
0.23
0.16
-1.82
0.08
-1.34
-1.67
-1.17
-0.49
1.01
1.15
Informasi-informasi yang Didapat

Melalui Sisaan
Bisa melihat pola sebaran peubah acak Y

Melalui sisaan, kita dapat mengetahui apakah asumsi-asumsi
yang disyaratkan pada pendugaan dengan MKT dipenuhi atau
tidak
Melalui sisaan, kita juga dapat menguji parameter regresi,
sehingga kita perlu mengetahui sebaran sisaan
Melalui sisaan, kita juga bisa melihat apakah model yang kita pilih
pas atau tidak
Melalui sisaan, kita juga bisa melihat apakah sebuah pengamatan
merupakan pencilan atau bukan
Melalui sisaan, kita juga bisa melihat apakah sebuah pengamatan
merupakan pengamatan berpengaruh atau bukan
Pemeriksaan Pola Sebaran

Peubah Respon Y
MODEL REGRESI
Acaknya Y disebabkan
karena acaknya eror
Y = 0 + 1x +
E [ Y | xi ]
Acak
Bentuk sebaran Y =
bentuk sebaran eror
Memeriksa bentuk
sebaran Y = memeriksa
bentuk sebaran eror
Fix
Acak
Plot Sisaan untuk:

Pemeriksaan Bentuk Sebaran
Tebaran sisaan
dan histogram
di samping
untuk melihat :
BENTUK
SEBARAN
SISAAN, simetri
atau tidak
H is to g r a m S is a a n
Norm al
4
Frekuensi
-3
-2
-1
0
S is a a n
HASIL
DIAGNOSA :
Sebaran
sisaan agak
menjulur ke
kanan
Plot Sisaan untuk:

Pemeriksaan Sebaran Normal
Plot sisaan terhadap peluang
Normal untuk :
Probability Plot of Sisaan

Normal - 95% CI
99
Mencocokkan apakah sebaran

sisaan merupakan sebaran
Normal atau tidak. Ya jika pola
tebaran membentuk garis lurus
95
Peluang normal
90
80
70
60
50
40
30
Hasil Diagnosa :
bisa dianggap lurus
menyebar Normal
20
10
5
-4
-3
-2
-1
0
1
Sisaan
Plot Sisaan untuk:

Melihat Ketidakpasan Model
Plot SISAAN vs Y duga
Plot sisaan vs y_duga
40
30
20
sisaan
10
0
-10
-20
-30
-40
0
50
100
y_duga
150
200
Plot sisaan terhadap

y_duga masih berpola
(kuadratik)
Sisaan masih
mengandung
komponen kuadratik
Model belum pas
model harus ditambah
dg komponen kuadratik
Plot Sisaan untuk :

Pemeriksaan Asumsi MKT
Plot SISAAN vs Y duga
Pada tebaran sisaan terhadap nilai
dugaan Y dapat dilihat :
- Sisaan di sekitar nilai nol / tidak
nilai harapan
- Lebar pita sisaan sama atau tidak
untuk semua nilai dugaan
kehomogenan ragam
- Tebaran berpola atau tidak
ketidakpasan model
sisaan bebas atau tidak
Plot Sisaan vs y_duga

3
sisaan
-1
-2
7.0
7.5
8.0
8.5
y_duga
9.0
9.5
Kondisi Gauss-Markov
10.0
10.5
1. E[ i ] = 0
terpenuhi
2. E[ i ] = 2 tidak ter penuhi

2
3. E[ i j ] = 0, i j terpenuhi
Pola Tebaran Sisaan
terhadap Y
i
Pola tebaran sisaan memenuhi asumsi MKT:
berpusat di NOL, lebar pita sama, tidak berpola
Pola tebaran sisaan yang tidak memenuhi asumsi MKT:
Ragam tidak homogen (perlu analisis kuadrat terkecil terboboti; atau transformasi
thdp Y)
Penyimpangan terhadap persamaan
regresi bersifat sistematis; atau karena
tdk disertakannya 0 kedalam model
Model tidak pas (perlu suku-suku lain
dalam model atau transformasi thdp Y)
Transformasi untuk :
Menghomogenkan Ragam
Transformasi terhadap peubah respon Y
Anggap : 2 = a b
1
Y
1
b = 3 Y* =
Y
b = 2 Y* = ln Y
jika b = 4 Y* =
b = 1 Y* = Y
Setelah respon Y ditransformasi,

lakukan analisis regresi seperti biasa,
sisaan harus diperiksa lagi, jika masih
belum memenuhi asumsi, model
diubah, kemungkinan ada suku
nonlinier yg belum masuk model,
atau lakukan pendugaan dg MKT
terboboti.
Contoh Transformasi untuk

Menghomogenkan Ragam
Plot Sisaan vs Y duga data asli
Plot Sisaan vs
Y data transformasi Y*=
Residuals Versus theFittedValues
Residuals Versus the FittedValues
(response is Y)
(response is akar Y)
1,0
10
0,5
Residual
Residual
0,0
-0,5
-5
-1,0
-10
-1,5
5
10
15
FittedValue
20
25
2,5
3,0
3,5
4,0
Fitted Value
4,5
5,0
Plot Sisaan untuk:

Pemeriksaan Kebebasan Sisaan
Plot sisaan terhadap urutan
untuk :
Scatterplot of RESI1 vs urutan

2
Memeriksa apakah sisaan

bebas satu dengan lainnya
atau tidak. Bebas jika tdk
membentuk pola.
RESI1
-1
-2
0
6
urutan
10
12
Hasil Diagnosa :
Tebaran tidak membentuk
pola
Sisaan saling bebas
Pola Tebaran Sisaan

terhadap Urutan Waktu
Pengaruh waktu jangka panjang tidak
mempengaruhi data.
Pola tebaran sisaan yang menginformasikan bahwa pengaruh

waktu belum diperhitungkan
Ragam tidak homogen (perlu analisis kuadrat
terkecil terboboti)
Suatu suku linier dalam waktu harus
ditambahkan ke dalam model
Suku linier dan kuadratik dalam waktu perlu
ditambahkan ke dalam model
Plot Sisaan untuk:

Pemeriksaan Pengaruh Waktu
Plot sisaan terhadap urutan
waktu yg jaraknya sama.
Scatterplot of RESI1 vs urutan

2
Perhatikan :
lebar pita sama/tidak
berpola/tidak
RESI1
Hasil Diagnosa :
-1
-2
0
6
urutan
10
12
Lebar pita sama homogen

Tebaran tidak membentuk pola
tidak perlu ditambahkan pengaruh waktu ke dalam model
Sisaan Terstandardkan
(Sisaan Terbakukan)
SISAAN TERBAKUKAN : ri
(
yi y i ) ei
=
=
s( yi y i )
Bisa digunakan untuk

memeriksa kebenaran
i menyebar N(0,1)
Sisaan akan memiliki

ragam yg relatif besar
jika xi di sekitar x
Pd sebaran Normal Baku peluang nilai ri

terletak antara -1,96 s.d 1,96 adalah
95%. | ri|>2 patut dicurigai
ragam(ei)= s2, kurang tepat

ragam(ei) = s2 (1- hii)
1 + ( x i x )2
ei
, hii = n
ri =
2
(
)
x
x
s (1 hii )
k
ei = sisaan amatan ke-i
n = banyaknya pengamatan
s2 = dugaan bagi ragam Yi KTsisaan
hii = unsur diagonal ke-i matriks H = X(XX)-1X
Sisaan Terstandarkan (Sisaan Baku)

(lanjutan)
Plot Sisaan ei vs Dugaan Y
Plot Sisaan Baku ri vs Dugaan Y
Residuals Versus the Fitted Values
Scatterplot of SRES1 vs FITS1
(response is ln(y))
2
1,0
1
0,5
SRES1
Residual
0
0,0
-1
-2
-0,5
-3
-1,0
-4
1,0
1,2
1,4
1,6
1,8
2,0
Fitted Value
2,2
2,4
2,6
2,8
1,0
1,2
1,4
1,6
1,8
2,0
FITS1
2,2
2,4
Pola tebaran plot sisaan ei dan ri tidak berbeda.
2,6
pemeriksaan sisaan thdp pola tebaran, keduanya dapat digunakan

2,8
Nilai PRESS
PRESS = Prediction Sum of Squares, adalah prosedur
yang merupakan kombinasi dari: semua kemungkinan regresi, analisis sisaan, dan teknik validasi.
Digunakan untuk mengukur validitas model.
PRESS = ( yi y i , i )
= (ei,-i )
yi
ei R2PRED=1 PRESS
=
2
1 h
( yi y)
i =1
ii
n
: nilai respon pada x=xi (data lengkap)

y i , i : nilai ramalan y pd x=xi yg diramal
melalui dugaan persamaan regresi
dari data tanpa amatan ke-i
Model valid jika memiliki PRESS yg kecil
R2pred adalah statistik lainnya yg berhub dg PRESS.

Model valid jika R2pred besar.
Nilai PRESS
PROSEDUR PRESS
(lanjutan)
Mis. k adalah banyaknya peubah dalam suatu persamaan regresi,

n adalah banyaknya amatan
Langkah-langkahnya:
1. Sisihkan amatan ke-1, amatan ke-1 tidak digunakan, data tinggal n-1.
2. Dugalah semua kemungkinan model regresi thdp n-1 data tersebut. (jika
k=1 banyaknya kemungkinan model hanya 1)
3. Ramal y1 dengan model yang didapat pd no.2. (lakukan untuk semua
kemungkinan model hanya 1 jika k=1)
4. Hitung perbedaan y1 yg disisihkan tadi dengan hasil no.3. y1 y1k

5. Ulangi langkah 1-4 dengan menyisihkan amatan ke-2, ke-3,...., ke-n.
Didapat
y 2 y 2 k , y3 y 3k , ..., y n y nk
n
6. Untuk setiap model regresi yang mungkin hitung : PRESS= ( yi yik )

i =1
7. Pilih model yang relatif memiliki nilai PRESS terkecil, dan melibatkan
peubah penjelas sedikit.
Nilai PRESS (lanjutan)

Contoh Proses PRESS, untuk n=11 dan k=1
Dugaan Garis Regresi dg Data
tanpa amatan ke-i
ramalan Yi
tnp amatan
ke-i
ei,-i
i,-i
7,46
10
Y tnp 1 = 3,01 + 0,505 X tnp 1
8,06
-0,6
0,36
6,77
Y tnp 2 = 3,05 + 0,497 X tnp 2
7,026
-0,256
0,06553
12,74
13
Y tnp 3 = 4,01 + 0,345 X tnp 3
8,495
4,245
18,02003
7,11
Y tnp 4 = 3,04 + 0,500 X tnp 4
7,54
-0,43
0,18490
7,81
11
Y tnp 5 = 2,95 + 0,514 X tnp 5
8,604
-0,794
0,63043
8,84
14
Y tnp 6 = 2,46 + 0,577 X tnp 6
10,538
-1,698
2,88320
6,08
Y tnp 7 = 2,97 + 0,502 X tnp 7
5,982
0,098
0,00960
5,39
Y tnp 8 = 2,72 + 0,526 X tnp 8
4,824
0,566
0,32035
8,15
12
Y tnp 9 = 2,84 + 0,528 X tnp 9
9,176
-1,026
1,05267
6,42
Y tnp 10 = 3,03 + 0,498 X tnp10
6,516
-0,096
0,00921
5,73
Y tnp 11 = 2,88 + 0,511 X tnp11
5,435
0,295
0,08703
kuadrat
Total = PRESS =
23,6229
Nilai PRESS
(lanjutan)
Output Minitab untuk data contoh tsb Hasil PRESS melalui proses
The regression equation is
Y = 3,00 + 0,500 X
Predictor
Constant
X
Coef
SE Coef
3,002
1,124
0,4997 0,1179
T
2,67
4,24
P
0,026
0,002
S = 1,23631 R-Sq = 66,6% R-Sq(adj) = 62,9%

PRESS = 23,6210 R-Sq(pred) = 42,70%
Analysis of Variance
Source
DF
SS
Regression
1 27,470
Residual Error 9 13,756
Total
10 41,226
MS
F
P
27,470 17,97 0,002
1,528
= hasil Minitab
Untuk k=1 hanya ada 1 model
Amatan ke-3 memberikan
simpangan ramalan terbesar
Amatan ke-3 dapat dipandang
sebagai amatan berpengaruh
Dugaan parameter regresi
tanpa amatan ke-3 sangat
berbeda dg lainnya dugaan
yg ini relatif yg benar/baik
Keluarkan amatan ke-3 dari analisis.

Cek nilai PRESS-nya. Cek nilai R2nya
Nilai PRESS
Output Minitab data lengkap
Y = 3,00 + 0,500 X
Predictor
Constant
X
(lanjutan)
Output Minitab data tanpa amatan ke-3

Y tnp 3 = 4,01 + 0,345 X tnp 3
Coef
SE Coef
3,002 1,124
0,4997 0,1179
T
P
2,67 0,026
4,24 0,002
Predictor
Coef
SE Coef
T
Constant 4,00619 0,00221 1811,78
X tnp 3
0,345334 0,000237 1454,74
P
0,000
0,000
S = 1,23631 R-Sq = 66,6%
S = 0,00308655 R-Sq = 100,0
PRESS = 23,6210 R-Sq(pred) = 42,70%
PRESS = 0,000174853 R-Sq(pred) = 100,00%
Source
DF
SS
Regression
1 27,470
Total
10 41,226
Source
DF
SS
MS
F
P
Regression
1 20,161 20,161 2116264,34 0,000
Residual Error 15
0,000 0,000
Total
16 20,161
MS
F
P
27,470 17,97 0,002
1,528
Menyisihkan amatan ke-3 mempengaruhi dugaan parameter, menurunkan nilai PRESS

Dari sisi model, persamaan tanpa amatan ke-3 yg terbaik.
R-Sq(pred)=100,00% model sangat valid PELUANG salah memprediksi = 0
Nilai PRESS
(lanjutan)
Dugaan garis regresi dg data lengkap Dugaan garis regresi tanpa amatan ke-3
PRESS = 23,6210
R-Sq(pred) = 42,70%
PRESS = 0,000174853
R-Sq(pred) = 100,0%
Fitted Line Plot
Fitted Line Plot
Y = 3,002 +0,4997 X
Y tnp 3 = 4,006 + 0,3453 X tnp 3
13
12
11
Y tnp 3
10
Y
9
8
6
5
4
5
5,0
7,5
10,0
X
12,5
15,0
5,0
7,5
10,0
X tnp 3
12,5
Semakin kecil nilai PRESS-nya model semakin valid semakin baik untuk
memprediksi. Setiap 1 model regresi thdp 1 set data memiliki 1 nilai PRESS
15,0
Pencilan
Pencilan adalah pengamatan yang nilai mutlak sisaannya jauh lebih besar daripada sisaan-sisaan lainnya
Bisa jadi terletak pada tiga atau empat simpangan

baku atau lebih jauh lagi dari rata-rata sisaannya.
Keberadaan pencilan harus diperiksa dengan

seksama, apakah pencilan itu merupakan kesalahan
dalam pencatatan amatan atau pencilan tersebut
muncul dari kombinasi keadaan yang tidak biasa
yang mungkin saja sangat penting dan perlu
diselidiki lebih jauh.
Pencilan
(lanjutan)
Plot antara Sisaan ei vs dugaan Yi
Plot antara Sisaan ri vs dugaan Yi
Scatterplot of Sisaan baku-2 vs dugaan-Y2
Scatterplot of sisaan2 vs dugaan-Y2
2
sisaan2
Sisaan baku-2
-1
-1
5
8
dugaan-Y2
10
8
dugaan-Y2
Dugaan persamaan regresi Y = 3.00 + 0.500 X dgn R-Sq = 66.6%

Pola tebaran sisaan thdp ei dan ri sama
Ada sisaan yang nilainya sangat besar potensi sebagai pencilan
10
Pencilan
(lanjutan)
MENDETEKSI PENCILAN
Hitung nilai
dengan
ei
ri =
s (1 hii )
hii =
1
n
( x i x )2
n
(xk x )
i =1
Jika nilai |ri|>2, amatan tsb

dapat dikatakan sebagai
pencilan
Yi
Xi
ri
7.46
10 -0.46018
6.77
8 -0.19633
12.74
13
2.99999
7.11
9 -0.33085
7.81
11 -0.59695
8.84
14 -1.13497
6.08
0.07042
5.39
0.3807
8.15
12 -0.75518
6.42
7 -0.06974
5.73
0.21188
Pencilan (lanjutan)
DATA LENGKAP
DATA TANPA PENCILAN

Scatterplot of Y tnp pclan vs X tnp pclan
13
12
12
11
11
10
10
Y tnp pclan
Y-3
Scatterplot of Y-3 vs X-3

13
9
8
9
8
6
5
5
5,0
7,5
10,0
12,5
15,0
5,0
7,5
X-3
Coef
3.002
0.4997
S = 1.23631
SE Coef
1.124
0.1179
12,5
Y = 4.01 + 0.345 X
Y = 3.00 + 0.500 X
Predictor
Constant
X
10,0
X tnp pclan
T
P
2.67 0.026
4.24 0.002
R-Sq = 66.6%
Predictor
Constant
X
Coef
4.00565
0.345390
S = 0.00308168
SE Coef
0.00292
0.000321
P
0.000
0.000
R-Sq = 100.0%
15,0
Pencilan (lanjutan)
Plot sisaan baku (ri) vs dugaan Y
Data Lengkap
Data Tanpa Pencilan
Scatterplot of sisaan2 vs dugaan-Y2
Scatterplot of s baku tnp pcl vs dugaan tnppcl

2.0
3
1.5
1.0
s baku tnp pcl
sisaan2
0.5
0.0
-0.5
-1.0
-1
-1.5
5
dugaan-Y2
Tebaran berpola, karena (1) ada

pencilan, atau (2) model tidak pas
10
7
dugaan tnppcl
Tebaran tidak berpola, menyebar di sekitar nilai nol, lebar pita relatif sama
Mengeluarkan data pencilan dari analisis:

mampu memperbaiki pola tebaran sisaan yang tadinya berpola (garis lurus)
harus dilakukan dengan kehati-hatian yang tinggi.
Amatan Berpengaruh
AMATAN BERPENGARUH :
berkaitan dengan besarnya perubahan yang terjadi pada
dugaan parameter regresi jika pengamatan tersebut disisihkan
X1
1,2 1,2 1,2 1,3 1,3 1,3 1,4 1,4 1,4 1,5 1,5 1,5 1,6 1,6 1,6
4,0
Y1 2,11 1,39 0,78 2,02 2,46 3,67 2,56 1,74 1,88 5,15 2,41 2,00 3,56 3,09 0,78 4,29 3,33 3,10 15,00
Unusual Observations
Scatterplot of Y1 vs X1
16
14
Obs X1
Y1
Fit
10 1,40 5,147 2,895
15 1,50 0,776 3,345
19 4,00 15,000 14,576
12
Y1
10
8
6
SE Fit
0,244
0,243
1,009
Residual
2,252
-2,569
0,424
St Resid
2,19 R
-2,50 R
1,34 X
4
2
0
1,0
1,5
2,0
2,5
X1
3,0
3,5
4,0
R denotes an observation with a large standardized residual.

X denotes an observation whose X value gives it large
influence.
Amatan Berpengaruh
(lanjutan)
OUTPUT MINITAB
Y1 = - 3,39 + 4,49 X1
S = 1,05749 R-Sq = 88,8% R-Sq(adj) = 88,1%
Source
DF
SS
Regression
1
150,10
Residual Error 17
19,01
Total
18 169,11
Obs X1
Y1
Fit
10
1,40 5,147 2,895
15
1,50 0,776 3,345
19
4,00 15,000 14,576
MS
150,10
1,12
SE Fit
0,244
0,243
1,009
F
P
134,22 0,000
Residual
2,252
-2,569
0,424
St Resid
2,19 R
-2,50 R
1,34 X
R denotes an observation with a large standardized residual.

X denotes an observation whose X value gives it large influence.
Hasil analisis regresi dari

data tersebut menunjukkan
bahwa ada 3 amatan yg
aneh, yaitu amatan ke
10,15, dan 19. Amatan 10
dan 15 berpotensi sebagai
pencilan. Amatan 19
berpotensi sebagai amatan
berpengaruh
Bandingkan dg data tanpa
amatan 19. Apakah
perubahan dugaan parameter regresi cukup nyata?
Amatan Berpengaruh
(lanjutan)
Penyisihan pengamatan berpengaruh mengubah

secara berarti dugaan persamaan regresi
Analisis Regresi thdp Data Lengkap
An Regresi thdp Data Tanpa Amatan 19
Y1 = - 3,39 + 4,49 X1
Y1 = - 1,26 + 2,88 X1
S = 1,05749 R-Sq = 88,8% R-Sq(adj) = 88,1%
S = 1,03065 R-Sq = 25,4% R-Sq(adj) = 20,8%
Source
DF
SS
Regression
1 150,10
Total
18 169,11
Source
DF
SS
Regression
1
5,797
Total
17 22,793
MS
150,10
1,12
F
P
134,22 0,000
Obs X1
Y1
Fit
SE Fit Resid St Resid
10 1,40 5,147 2,895 0,244 2,252 2,19 R
15 1,50 0,776 3,345 0,243 -2,569 -2,50 R
19 4,00 15,000 14,576 1,009 0,424 1,34 X
MS
F
P
5,797 5,46 0,033
1,062
Obs
X1
Y1
Fit SE Fit Resid St Resid
10 1,40 5,147 2,764 0,256 2,383
2,39 R
15 1,50 0,776 3,052 0,318 -2,276 -2,32 R
Amatan Berpengaruh
(lanjutan)
Dugaan Garis Regresi Data Lengkap
Dugaan Grs Regresi Data Tnp Amatan 19
Fitted Line Plot
Fitted Line Plot
Y1 = - 3,394 + 4,493 X1
Y1 tnp amatan 19 = - 1,265 + 2,878 X1 tnp amatan 19

16
14
14
12
12
Y1 tnp amatan 19
16
Y1
10
8
6
4
10
8
6
4
0
1,0
1,5
2,0
2,5
X1
3,0
3,5
4,0
1,0
1,5
2,0
2,5
X1 tnp amatan 19
3,0
3,5
Penyisihan AMATAN BERPENGARUH menyebabkan perubahan dugaan kemiringan

garis. BERBAHAYA, apabila pemanfaatan hasil analisis regresi bertumpu pada
pemaknaan parameter
4,0
Amatan Berpengaruh
(lanjutan)
Statistik Uji untuk Mendeteksi Amatan Berpengaruh

Pengaruh titik data ke-i diukur dengan jarak :
ei
Di =
1
2
(
)
1
s
h
ii
hii 1
1 hii p
Keterangan:
s2 = dugaan bagi ragam Yi = KTsisaan
hii = unsur diagonal ke-i matriks H = X(XX)-1X
Nilai Di dibandingkan dengan F (p,n-p; 1-). Dengan n = banyaknya
pengamatan dan p = banyaknya parameter
Di > F (p,n-p;1-). menandakan bahwa amatan ke-i berpengaruh.
X (i)
Y (i)
e (i)
r (i)
D (i)
2,11
1,01
1,00
0,30
1,39
0,30
0,29
0,09
0,78
-0,32
-0,32
-0,09
1,2
2,02
0,02
0,02
0,01
1,2
2,46
0,46
0,45
0,11
1,2
3,67
1,68
1,64
0,45
1,3
2,56
0,11
0,11
0,03
1,3
1,74
-0,71
-0,69
-0,17
1,3
1,88
-0,56
-0,55
-0,13
1,4
5,15
2,25
2,19
0,59
1,4
2,41
-0,49
-0,47
-0,11
1,4
2,00
-0,90
-0,87
-0,21
1,5
3,56
0,21
0,21
0,05
1,5
3,09
-0,26
-0,25
-0,06
1,5
0,78
-2,57
-2,50
-0,72
1,6
4,29
0,50
0,49
0,11
1,6
3,33
-0,47
-0,45
-0,11
1,6
3,10
-0,70
-0,68
-0,16
15,00
0,42
1,34
4,40
Amatan Berpengaruh
CONTOH PENGGUNAAN Di
(lanjutan)
Dugaan persamaan regresi DATA LENGKAP

: Y1 = - 3,39 + 4,49 X1
Banyaknya parameter = 2 p = 2
Banyaknya pengamatan = 19 n = 19
Pengamatan ke -19 memiliki nilai D19 = 4,40
Dengan = 5%
Nilai tabel F(p,n-p; 1-) = F (2,17; 0,95) = 3,59
D19 > F (2,17; 0,95)
Dengan = 5%, amatan ke 19 (terakhir)
merupakan amatan berpengaruh.
Amatan Berpengaruh
(lanjutan)

Diagnosa Model Pemeriksaan Sisaan

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Diagnosa Model Pemeriksaan Sisaan

Diunggah oleh

Hak Cipta:

Format Tersedia

Analisis Regresi 1

Diagnosa Model Melalui Pemeriksaan

Sisaan untuk suatu amatan ke-i:

Kurang tepat sebab

Bisa digunakan untuk

Contoh: menghitung sisaan

Itasia & Y Angraini Dep. Statistika FMIPA-IPB

Contoh: menghitung sisaan

Dengan Minitab didapatkan dugaan

Itasia & Y Angraini Dep. Statistika FMIPA-IPB

Untuk setiap amatan dihitung nilai

Contoh: menghitung sisaan

sisaan ke i = amatan ke-i dugaan pd titik x ke-i

Itasia & Y Angraini Dep. Statistika FMIPA-IPB

Informasi-informasi yang Didapat

Bisa melihat pola sebaran peubah acak Y

Itasia & Y Angraini Dep. Statistika FMIPA-IPB

Pemeriksaan Pola Sebaran

Plot Sisaan untuk:

Itasia & Y Angraini Dep. Statistika FMIPA-IPB

Plot Sisaan untuk:

Probability Plot of Sisaan

Mencocokkan apakah sebaran

Itasia & Y Angraini Dep. Statistika FMIPA-IPB

Plot Sisaan untuk:

Itasia & Y Angraini Dep. Statistika FMIPA-IPB

Plot sisaan terhadap

Plot Sisaan untuk :

Plot Sisaan vs y_duga

2. E[ i ] = 2 tidak ter penuhi

Itasia & Y Angraini Dep. Statistika FMIPA-IPB

Pola Tebaran Sisaan

Itasia & Y Angraini Dep. Statistika FMIPA-IPB

Setelah respon Y ditransformasi,

Contoh Transformasi untuk

Y data transformasi Y*=

Residuals Versus theFittedValues

Residuals Versus the FittedValues

Itasia & Y Angraini Dep. Statistika FMIPA-IPB

Plot Sisaan untuk:

Scatterplot of RESI1 vs urutan

Memeriksa apakah sisaan

Itasia & Y Angraini Dep. Statistika FMIPA-IPB

Pola Tebaran Sisaan

Pola tebaran sisaan yang menginformasikan bahwa pengaruh

Itasia & Y Angraini Dep. Statistika FMIPA-IPB

Plot Sisaan untuk:

Scatterplot of RESI1 vs urutan

Itasia & Y Angraini Dep. Statistika FMIPA-IPB

Lebar pita sama homogen

Bisa digunakan untuk

Sisaan akan memiliki

Pd sebaran Normal Baku peluang nilai ri

ragam(ei)= s2, kurang tepat

Itasia & Y Angraini Dep. Statistika FMIPA-IPB

Sisaan Terstandarkan (Sisaan Baku)

Plot Sisaan Baku ri vs Dugaan Y

Residuals Versus the Fitted Values

Scatterplot of SRES1 vs FITS1

Pola tebaran plot sisaan ei dan ri tidak berbeda.

pemeriksaan sisaan thdp pola tebaran, keduanya dapat digunakan

: nilai respon pada x=xi (data lengkap)

R2pred adalah statistik lainnya yg berhub dg PRESS.