University of Indonesia

Tugas Kokurikuler V Mata Kuliah ‘Analisis Regresi Linear’

Dosen Pengajar : Pandu Riono, MD, MPH, PhD

Transformasi dan
Uji Diagnostik
Oleh :
Iswandi
0806470421
iswandi_2k@yahoo.com

Program Pascasarjana
Departemen Biostatistik dan Kependudukan
Fakultas Kesehatan Masyarakat
Universitas Indonesia

Depok, 09 Mei 2009

Public Health - University of Indonesia Kampus UI, Depok 16424 Indonesia http://www.fkm. ui. ac.id/
 Iswandi
1 Analisis Regresi Linear - Transformasi & Uji Asumsi Regresi NPM : 0806470421 09/05/2009

Permasalahan :
Dengan menggunakan data studi ‘framingham.dta’, lakukanlah uji diagnostik terhadap model
garis-lurus regresi hubungan antara bmi (IV), scl (IV), age (IV) dengan sbp (DV) untuk melihat
apakah asumsi regresi linear terpenuhi atau tidak. Selanjutnya lakukanlah transformasi data yang
sesuai dan lakukan pengujian kembali untuk membandingkan hasil yang diperoleh tersebut
sebelum dilakukan transformasi.

Penyelesaian :
Langkah 1 : membuat model persamaan (tanpa transformasi)
. reg sbp bmi scl age

Source | SS df MS Number of obs = 4658

-------------+------------------------------ F( 3, 4654) = 466.53
Model | 559523.535 3 186507.845 Prob > F = 0.0000
Residual | 1860541.97 4654 399.772662 R-squared = 0.2312
-------------+------------------------------ Adj R-squared = 0.2307
Total | 2420065.5 4657 519.661908 Root MSE = 19.994

------------------------------------------------------------------------------
sbp | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
bmi | 1.430483 .0733931 19.49 0.000 1.286598 1.574368
scl | .0456311 .0068878 6.62 0.000 .0321277 .0591344
age | .8691387 .0363358 23.92 0.000 .7979032 .9403741
_cons | 45.68798 2.448022 18.66 0.000 40.8887 50.48726
------------------------------------------------------------------------------
Persamaan regresi hubungan antara indeks mass tubuh (bmi), serum kolesterol (scl), umur (age)
terhadap tekanan darah sistolic (sbp) sebagai berikut :
sbp = 45.687+ 1.430 (bmi) + 0.045 (scl) + 0.869 (age)
Langkah 2 : Melakukan uji diagnostik
1. Uji Normalitas
. predict r, resid
(41 missing values generated)

. kdensity r, normal
 Iswandi
2 Analisis Regresi Linear - Transformasi & Uji Asumsi Regresi NPM : 0806470421 09/05/2009

Kernel density estimate

.025
.02
.015
Density

.01
.005

-50 0 50 100 150

Residuals

Kernel density estimate

Normal density
kernel = epanechnikov, bandwidth = 2.8503

Setelah melakukan predict terhadap residual dan menampilkannya dengan bentuk kernel density
plot seperti di atas. Nampak bahwa garis estimasi kernel tersebut tidak berhimpit dengan garis
fungsi normal, sehingga dapat diduga bahwa residual tidak terdistribusi normal.

. pnorm r

. qnorm r
1.00

150
100
0.75
Normal F[(r-m)/s]

Residuals

50
0.50

0
0.25

-50
0.00

0.00 0.25 0.50 0.75 1.00 -100 -50 0 50 100

Empirical P[i] = i/(N+1) Inverse Normal

Dari perintah pnorm diperoleh grafik P-P plot (standardized normal probability) sementara qnorm
memperlihatkan grafik invers-nya. Nampak dari kedua grafik tersebut bahwa residual terdistribusi di
sekitar garis normal, akan tetapi juga terlihat banyak titik yang menyimpang jauh dari garis tersebut
sehingga diduga kuat residual, terdistribusi tidak normal.
 Iswandi
3 Analisis Regresi Linear - Transformasi & Uji Asumsi Regresi NPM : 0806470421 09/05/2009

. swilk r

Shapiro-Wilk W test for normal data

Variable | Obs W V z Prob>z

-------------+--------------------------------------------------
r | 4658 0.94500 139.895 12.936 0.00000

Cara lain untuk melihat normalitas dengan menggunakan uji Shapiro wilk, apabila nilai p > 0.05
maka data terdistribusi normal. Nampak pada output di atas nilai p sangat kecil (0.00001) dengan
demikian kita menolak nilai r terdistrusi normal atau dengan kata lain nilai residual tidak
terdistribusi normal.
2. Uji Homoskedastisitas
. rvfplot, yline(0)
150
100
Residuals

50
0
-50

100 120 140 160 180

Fitted values

Salah satu cara untuk mendeteksi adanya heteroskedastisitas adalah metode grafik yaitu dengan
memplot residual dengan nilai yang diharapkan. Dari grafik rvfplot di atas nampak bahwa data
terdistribusi tidak seimbang dari titik 0 dan cenderung meruncing kesebelah kiri, hal ini
mengindikasikan adanya heterokedastisitas.

. hettest

Breusch-Pagan / Cook-Weisberg test for heteroskedasticity

Ho: Constant variance
Variables: fitted values of sbp

chi2(1) = 365.53
Prob > chi2 = 0.0000
 Iswandi
4 Analisis Regresi Linear - Transformasi & Uji Asumsi Regresi NPM : 0806470421 09/05/2009

Dari uji di atas, apabila nilai p lebih kecil dari 0.05 maka Ho ditolak yang berarti Hipotesis
alternatif diterima yaitu varians tidak homogen.
Dari hasil output di atas p(0.00001) maka dapat disimpulkan data menunjukkan
heteroskedastisitas.
3. Uji Multikolienaritas
. vif

Variable | VIF 1/VIF

-------------+----------------------
age | 1.11 0.901448
scl | 1.10 0.911595
bmi | 1.04 0.957317
-------------+----------------------
Mean VIF | 1.08

Dari output vif (variance inflation factor) di atas nampak bahwa seluruh nilai vif-nya lebih kecil dari
10, demikian juga nilai toleransi vif (1/vif) yang mendekati nilai 1, hal ini mengindikasikan tidak
adanya kolinearitas.
Dengan demikian dapat disimpulkan bahwa tidak ada hubungan antara masing-masing variabel
independen di atas.
4. Uji Linearitas
. reg sbp bmi scl age

. acprplot bmi, lowess lsopts(bwidth(1))

150
Augmented component plus residual

100
50
0
-50

20 30 40 50 60
Body Mass Index

. acprplot scl, lowess lsopts(bwidth(1))

 Iswandi
5 Analisis Regresi Linear - Transformasi & Uji Asumsi Regresi NPM : 0806470421 09/05/2009

150
Augmented component plus residual

100
50
0
-50

100 200 300 400 500 600

Serum Cholesterol

. acprplot age, lowess lsopts(bwidth(1))

150
Augmented component plus residual

100
50
0
-50

30 40 50 60 70
Age in Years

Secara umum, baik pada plot pertama, kedua dan ketiga di atas nampak garis sangat dekat
berdekatan dengan garis pola regresi. Walaupun nampak juga pada plot pertama, kedua dan
ketiga ada sedikit masalah yang mungkin disebabkan oleh beberapa titik observasi yang jauh dari
mean. Akan tetapi secara umum, nampak grafik tidak terlalu buruk sehingga dapat diduga
hubungan antar variabel bmi, scl dan age tetap memperlihatkan hubungan yang linear.
. nlcheck bmi scl age

Nonlinearity test:

F( 9, 4645) = 0.94
Prob > F = 0.4881
 Iswandi
6 Analisis Regresi Linear - Transformasi & Uji Asumsi Regresi NPM : 0806470421 09/05/2009

Dengan perintah tambahan nlcheck.ado di atas, dapat dilakukan uji non linearitas. Dari perintah
tersebut diperoleh nilai p 0.4881 dengan demikian asumsi linear tidak dapat ditolak atau dengan
kata lain hubungan antar variabel bmi, scl dan age memperlihatkan hubungan yang linear.
Tabel 1 : Kesimpulan uji diagnostik model regresi (tanpa transformasi)
Komponen Asumsi Metode Hasil Pengujian Kesimpulan

Residu Normality (residu

kdensity Tidak berhimpit (berbeda) Tidak terpenuhi
terdistribusi pnorm Di sekitar diagonal tapi ada outlier
normal) qnorm Di sekitar diagonal tapi ada outlier
swilk p < 0.05
Residu Homoskedastisitas rvfplot Tidak simetris pada titik 0, Tidak terpenuhi
(varian residu cenderung ke kiri
homogeny) hettest p < 0.05
Var. Tidak ada vif p < 10 Terpenuhi
independen Multikolinearitas toleransi Mendekati 1 dan > 0.1
(tidak ada korelasi
antar var.
independen)
Var. dependen Linearitas Acprplot Mengikuti pola regresi tapi tidak Terpenuhi
dan (Hubungan var. simetris pada garis diagonal
independen dependen dan nlcheck p > 0.05
independen
linear)

Langkah 3 : Melakukan transformasi data

Untuk pemilihan jenis transformasi yang tepat digunakan perintah ladder dan gladder
1. Variabel bmi
. ladder bmi
. gladder bmi

Transformation formula chi2(2) P(chi2)

------------------------------------------------------------------
cubic bmi^3 . .
square bmi^2 . .
identity bmi . 0.000
square root sqrt(bmi) . 0.000
log log(bmi) . 0.000
1/(square root) 1/sqrt(bmi) 9.42 0.009
inverse 1/bmi 32.87 0.000
1/square 1/(bmi^2) . 0.000
1/cubic 1/(bmi^3) . 0.000
 Iswandi
7 Analisis Regresi Linear - Transformasi & Uji Asumsi Regresi NPM : 0806470421 09/05/2009

cubic square identity

6.0e-05

5.0e-04.0015 .0025

.1
.001 .002
4.0e-05

.02.04.06.08
2.0e-05

0
0 50000 100000150000200000 0 1000 2000 3000 4000 20 30 40 50 60

sqrt log 1/sqrt

30
2.5
1
Density

2
.2 .4 .6 .8

20
1.5
1

10
.5
0

0
4 5 6 7 8 2.5 3 3.5 4 -.25 -.2 -.15 -.1

inverse 1/square 1/cubic

2.0e+04
20 40 60 80

200400600800

1.5e+04
1.0e+04
5000
0

0
-.06 -.05 -.04 -.03 -.02 -.004 -.003 -.002 -.001 0 -.00025-.0002
-.00015-.0001
-.00005 0

Body Mass Index

Histograms by transformation

Berdasarkan output ladder di atas, maka untuk variabel bmi nampak bahwa yang memiliki nilai
chi-square terkecil adalah model 1/sqrt(bmi). Juga pada output gladder, nampak bahwa model
1/sqrt(bmi) akan membantu bmi terdistribusi normal.
Selanjutnya dilakukan proses transformasi
. gen bmi1sqrt = 1/sqrt(bmi)
(9 missing values generated)

. kdensity bmi1sqrt, normal

. kdensity bmi, normal

Sebelum transformasi Setelah transformasi

Kernel density estimate Kernel density estimate

25
.1

20
.08

15
Density
.06
Density

10
.04
.02

5
0
0

10 20 30 40 50 60 .1 .15 .2 .25
Body Mass Index bmi1sqrt

Kernel density estimate Kernel density estimate

Normal density Normal density
kernel = epanechnikov, bandwidth = 0.6397 kernel = epanechnikov, bandwidth = 0.0025
 Iswandi
8 Analisis Regresi Linear - Transformasi & Uji Asumsi Regresi NPM : 0806470421 09/05/2009

2. Variabel scl

. ladder scl

Transformation formula chi2(2) P(chi2)

------------------------------------------------------------------
cubic scl^3 . .
square scl^2 . .
identity scl . 0.000
square root sqrt(scl) . 0.000
log log(scl) 15.46 0.000
1/(square root) 1/sqrt(scl) 44.19 0.000
inverse 1/scl . 0.000
1/square 1/(scl^2) . 0.000
1/cubic 1/(scl^3) . .

. gladder scl

cubic square identity

8.0e-08

2.5e-05
2.0e-05

.01
6.0e-08

.008
1.5e-05
4.0e-08

.006
1.0e-05

.004
2.0e-08

5.0e-06

.002
0

0
0 5.00e+07
1.00e+08
1.50e+08
2.00e+08 0 100000 200000 300000 100 200 300 400 500 600

sqrt log 20 40 60 80 1/sqrt

.3

2
Density

1.5
.2

1
.1

.5
0

10 15 20 25 4.5 5 5.5 6 6.5 -.09 -.08 -.07 -.06 -.05 -.04

inverse 1/square 1/cubic

6.0e+04

8.0e+06
100200300400500

6.0e+06
4.0e+04

4.0e+06
2.0e+04

2.0e+06
0

-.008 -.006 -.004 -.002 -.00008-.00006-.00004-.00002 0 -6.00e-07-4.00e-07-2.00e-07 0

Serum Cholesterol
Histograms by transformation

Dilakukan transformasi data

. gen logscl = log(scl)
(33 missing values generated)
 Iswandi
9 Analisis Regresi Linear - Transformasi & Uji Asumsi Regresi NPM : 0806470421 09/05/2009

Kernel density estimate (sblm transformasi) Kernel density estimate (setelah transformasi)
.01

2
.008

1.5
.006

Density
Density

1
.004

.5
.002

0
0

100 200 300 400 500 600 4.5 5 5.5 6 6.5

Serum Cholesterol logscl
Kernel density estimate Kernel density estimate
Normal density Normal density
kernel = epanechnikov, bandwidth = 7.1428 kernel = epanechnikov, bandwidth = 0.0317

Model terbaik untuk normalisasi variabel scl digunakan log transformation.

3. Variabel age
. ladder age

Transformation formula chi2(2) P(chi2)

------------------------------------------------------------------
cubic age^3 . 0.000
square age^2 . 0.000
identity age . .
square root sqrt(age) . .
log log(age) . .
1/(square root) 1/sqrt(age) . .
inverse 1/age . 0.000
1/square 1/(age^2) . 0.000
1/cubic 1/(age^3) . 0.000

. gladder age

cubic square identity

8.0e-04
1.0e-05

.01.02.03.04.05
6.0e-04
4.0e-04
5.0e-06

2.0e-04
0

0 100000 200000 300000 1000 2000 3000 4000 5000 30 40 50 60 70

sqrt log 1/sqrt

10 20 30 40
.2 .4 .6 .8

3
Density

2
1
0

5 6 7 8 3.4 3.6 3.8 4 4.2 -.18 -.16 -.14 -.12

inverse 1/square 1/cubic

1.0e+05
100020003000
100 150

8.0e+04
6.0e+04
4.0e+04
2.0e+04
50
0

-.035 -.03 -.025 -.02 -.015 -.0012-.001 -.0008-.0006-.0004-.0002 -.00004-.00003-.00002-.00001 0

Age in Years
Histograms by transformation
 Iswandi
10 Analisis Regresi Linear - Transformasi & Uji Asumsi Regresi NPM : 0806470421 09/05/2009

Berdasarkan hasil di atas, proses transformasi kurang membantu normalisasi sehingga variabel
age tidak dilakukan transformasi.
4. Variabel sbp
. ladder sbp

Transformation formula chi2(2) P(chi2)

------------------------------------------------------------------
cubic sbp^3 . .
square sbp^2 . .
identity sbp . 0.000
square root sqrt(sbp) . 0.000
log log(sbp) . 0.000
1/(square root) 1/sqrt(sbp) . 0.000
inverse 1/sbp 17.39 0.000
1/square 1/(sbp^2) . 0.000
1/cubic 1/(sbp^3) . 0.000

. gladder sbp

cubic square identity

5.0e-07

1.0e-04

.005 .015 .025

4.0e-07

8.0e-05

.01 .02
3.0e-07

6.0e-05
2.0e-07

4.0e-05
1.0e-07

2.0e-05
0

0 5000000
1.00e+07
1.50e+07
2.00e+07 0 20000 40000 60000 80000 100 150 200 250 300

sqrt log 1/sqrt

.6

20 40 60 80
3
Density

.4

2
.2

1
0

8 10 12 14 16 4.5 5 5.5 -.11 -.1 -.09 -.08 -.07 -.06

inverse 1/square 1/cubic

3.0e+04

2.0e+06
100200300400

1.5e+06
2.0e+04

1.0e+06
1.0e+04

5.0e+05
0

-.012 -.01 -.008 -.006 -.004 -.00015 -.0001 -.00005 0 -2.00e-06

-1.50e-06
-1.00e-06
-5.00e-07 0

Systolic Blood Pressure

Histograms by transformation

Dilakukan inverse transformation

gen invsbp = 1/sbp
 Iswandi
11 Analisis Regresi Linear - Transformasi & Uji Asumsi Regresi NPM : 0806470421 09/05/2009

Kernel density estimate (sebelum transformasi) Kernel density estimate (setelah transformasi)

400
.02

300
.015

Density
Density

200
.01

100
.005

0
0

50 100 150 200 250 300 .004 .006 .008 .01 .012
Systolic Blood Pressure invsbp

Kernel density estimate Kernel density estimate

Normal density Normal density
kernel = epanechnikov, bandwidth = 3.4434 kernel = epanechnikov, bandwidth = 0.0002

Nampak bahwa variabel sbp dapat lebih dinormalisasi dengan inverse transformation.

Tabel 2 : kesimpulan transformasi yang dipilih

Nama variabel Jenis transformasi yang dipilih

bmi (body mass index) 1/(square root)

scl (serum kolesterol) Log
age (umur) Angka sebenarnya
sbp (tekanan darah sistolik) inverse

Langkah 4 : Melakukan uji diagnostik kembali (dengan data tertransformasi)

. reg invsbp bmi1sqrt logscl age

Source | SS df MS Number of obs = 4658

-------------+------------------------------ F( 3, 4654) = 490.90
Model | .001590522 3 .000530174 Prob > F = 0.0000
Residual | .005026355 4654 1.0800e-06 R-squared = 0.2404
-------------+------------------------------ Adj R-squared = 0.2399
Total | .006616877 4657 1.4208e-06 Root MSE = .00104

------------------------------------------------------------------------------
invsbp | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
bmi1sqrt | .021298 .0010273 20.73 0.000 .0192839 .023312
logscl | -.0006378 .0000839 -7.60 0.000 -.0008023 -.0004734
age | -.0000437 1.89e-06 -23.07 0.000 -.0000474 -.00004
_cons | .0089486 .0005122 17.47 0.000 .0079445 .0099528
------------------------------------------------------------------------------
 Iswandi
12 Analisis Regresi Linear - Transformasi & Uji Asumsi Regresi NPM : 0806470421 09/05/2009

1. Uji Normalitas
. predict r2, resid
(41 missing values generated)
. kdensity r2, normal

Kernel density estimate

400
300
Density

200
100
0

-.004 -.002 0 .002 .004

Residuals

Kernel density estimate

Normal density
kernel = epanechnikov, bandwidth = 0.0002

Setelah dilakukan transformasi, nampak bahwa garis residual lebih berhimpit dengan garis fungsi
normal sehingga dapat diduga kuat bahwa residual terdistribusi secara normal.

. pnorm r2

. qnorm r2
1.00

.004
0.75

.002
Normal F[(r2-m)/s]

Residuals
0.50

0
-.002
0.25

-.004
0.00

0.00 0.25 0.50 0.75 1.00 -.004 -.002 0 .002 .004

Empirical P[i] = i/(N+1) Inverse Normal
 Iswandi
13 Analisis Regresi Linear - Transformasi & Uji Asumsi Regresi NPM : 0806470421 09/05/2009

Setelah dilakukan transformasi, baik grafik P-P plot maupun grafik inversnya memperlihatkan
garis yang lebih baik dibandingkan sebelumnya dimana nampak bahwa garis residual tersebut di
sekitar garis diagonal sehingga diduga kuat residual terdistribusi normal.

. swilk r2

Shapiro-Wilk W test for normal data

Variable | Obs W V z Prob>z

-------------+--------------------------------------------------
r2 | 4658 0.99876 3.144 2.999 0.00135

Setelah dilakukan transformasi, uji Shapiro wilk memperlihatkan nilai p yang lebih baik (0.00135)
dibandingkan sebelum transformasi, namun angka tersebut tetaplah signifikan pada 0.05,
sehingga disimpulkan residual tetap tidak terdistribusi normal.
Dalam kasus di atas, ternyata metode grafik dan metode analitis dengan Shapiro wilk
memperlihatkan hasil yang tidak sama. Pada kondisi kasus yang demikian maka peneliti dapat
saja memilih salah satu metode untuk interpretasinya. Dalam latihan ini, penulis memilih
menggunakan metode grafik karena alasan graphic need somewhat of an art.
Dengan demikian disimpulkan bahwa residual terdistribusi secara normal.

2. Uji Homoskedastisitas
. rvfplot, yline(0)
.004
.002
Residuals

0
-.002
-.004

.006 .007 .008 .009 .01

Fitted values
 Iswandi
14 Analisis Regresi Linear - Transformasi & Uji Asumsi Regresi NPM : 0806470421 09/05/2009

Setelah dilakukan transformasi, maka dari grafik rvfplot nampak data terdistribusi lebih menyebar
simetris tanpa pola tertentu berada di sekitar nilai 0, hal ini mengindikasikan kecenderungan
homoskedastisitas.

. hettest

Breusch-Pagan / Cook-Weisberg test for heteroskedasticity

Ho: Constant variance
Variables: fitted values of invsbp

chi2(1) = 16.24
Prob > chi2 = 0.0001

Dengan uji Breusch-Pagan / Cook-Weisberg di atas, terlihat nilai p yang lebih baik dibandingkan
hasil sebelum dilakukan transformasi pada data. Namun hasil tersebut tetaplah signifikan pada
0.05 sehingga varians disimpulkan tetap tidak homogen.
Akan tetapi sesuai dengan kesepakatan sebelumnya yaitu bahwa pada latihan ini lebih
menekankan penggunaan metode grafik dalam pengambilan keputusan, maka dapat disimpulkan
data menunjukkan homokedastisitas.
3. Uji Multikolienaritas
. vif

Variable | VIF 1/VIF

-------------+----------------------
age | 1.12 0.896172
logscl | 1.11 0.902136
bmi1sqrt | 1.05 0.951301
-------------+----------------------
Mean VIF | 1.09

Setelah dilakukan transformasi, dari output vif (variance inflation factor) di atas nampak bahwa
seluruh nilai vif-nya lebih kecil dari 10, demikian juga nilai toleransi vif (1/vif) yang mendekati nilai 1,
hal ini mengindikasikan tidak adanya kolinearitas.
Dengan demikian dapat disimpulkan bahwa tidak ada hubungan antarvariabel independen.
. reg invsbp bmi1sqrt logscl age
. acprplot bmi1sqrt, lowess lsopts(bwidth(1))
 Iswandi
15 Analisis Regresi Linear - Transformasi & Uji Asumsi Regresi NPM : 0806470421 09/05/2009

.014
Augmented component plus residual

.012
.01
.008
.006
.004

.1 .15 .2 .25
bmi1sqrt

. acprplot logscl, lowess lsopts(bwidth(1))

.002
Augmented component plus residual

0
-.002
-.004
-.006
-.008

4.5 5 5.5 6 6.5

logscl

. acprplot age, lowess lsopts(bwidth(1))

.002
Augmented component plus residual

0
-.002
-.004
-.006

30 40 50 60 70
Age in Years
 Iswandi
16 Analisis Regresi Linear - Transformasi & Uji Asumsi Regresi NPM : 0806470421 09/05/2009

Setelah dilakukan transformasi, baik pada plot pertama, kedua dan ketiga di atas nampak garis
sangat dekat berdekatan dengan garis pola regresi. Walaupun nampak juga pada plot pertama,
kedua dan ketiga ada sedikit masalah yang mungkin disebabkan oleh beberapa titik observasi
yang jauh dari mean. Akan tetapi secara umum, nampak grafik tidak terlalu buruk sehingga dapat
diduga hubungan antar variabel bmi, scl dan age tetap memperlihatkan hubungan yang linear.
Nonlinearity test:

F( 9, 4645) = 1.43
Prob > F = 0.1687

Setelah proses transformasi, Dari perintah nlcheck di atas diperoleh hasil nilai p 0.1687 dengan
demikian asumsi linear tidak dapat ditolak atau dengan kata lain hubungan antar variabel bmi, scl
dan age memperlihatkan hubungan yang linear.

Tabel 3 : Kesimpulan uji diagnostik model regresi (setelah transformasi)

Komponen Asumsi Metode Hasil Pengujian Kesimpulan

Residu Normality (residu

kdensity Berhimpit (nyaris sama) Terpenuhi
terdistribusi pnorm Berada di diagonal tdk ada outlier
normal) qnorm Berada di sekitar garis diagonal
swilk p < 0.05
Residu Homoskedastisitas rvfplot Cenderung simetris pada titik 0, Terpenuhi
(varian residu tanpa pola tertentu
homogeny) hettest p < 0.05
Var. Tidak ada vif p < 10 Terpenuhi
independen Multikolinearitas toleransi Mendekati 1 dan > 0.1
(tidak ada korelasi
antar var.
independen)
Var. dependen Linearitas Acprplot Mengikuti pola regresi cenderung Terpenuhi
dan (Hubungan var. lebih simetris pada garis diagonal
independen dependen dan nlcheck p > 0.05
independen
linear)