Anda di halaman 1dari 10

ANALISIS REGRESI CARA KONFIRMASI

A. URUTAN DAN CONTOH

Model linear sederhana = + +


Persamaan regresi = +
Dengan cara konfirmasi, untuk mencari nilai a dan b digunkan metode kuadrat terkecil, yaitu
metode mencari a dan b yang meminimumkan jumlah kuadrat kesalahan.

=
2 ( )2
=
Contoh : Diketahui X dan Y dalam tabel 7.7.
TABEL 7.7
=
2 2
+ 1,831 45,98
19,0 15,0 285,00 361,00 225,00 3,809
16,4 13,6 223,04 268,96 184,96 -2,352
15,8 17,6 278,08 249,64 309,76 0,550
15,2 14,7 223,44 231,04 216,09 -3,449
14,2 19,4 275,48 201,64 376,36 -0,580
14,0 18,6 266,40 196,00 345,96 -1,746
13,8 35,1 484,38 190,44 1232,01 14,388
15,0 15,8 205,40 169,09 249,64 -6,337
12,7 21,6 274,32 161,29 466,56 -1,126
12,0 12,1 145,20 144,00 146,41 -11,908
11,3 22,1 249,73 127,69 488,41 -3,190
10,9 31,2 340,08 118,81 973,44 5,178
9,6 38,9 373,44 92,16 1513,21 10,498
8,8 23,1 203,28 77,44 533,61 -6,767
7,2 35,8 257,76 51,84 1281,64 3,003

2 2 = 0,069

= 193,9 = 334,6 = 4079,03 = 2640,03 = 8543,06 () 2 = 628,36

Perhatikan bahwa untuk memudahkan perhitungan a dan b, kolom dalam Tabel 7.7 ditambah
guna menghitung hal-hal yang dibutuhkan seperti XY,

2 , 2 , .
= 15
= 193,9

= 334,6

2 = 8543,06

2 = 2640,03
= 4079,03


=
2 ( )2
15(4079,03) (193,9)(334,6)
= = 1,831
15(2640,95) 37597,27
334,6 193,9
= = (1,813) ( ) = 45,98
15 15
Persamaan regresi estimasi = 45,98 1,831. Sisa . Dapat dilihat dari Tabel 7.7.
Dengan menggunakan cara pemeriksaan sisa dalam regresi eksplorasi di dapat dq sisa = 7,3,
sedang dq Y = 16,2.
Jadi :

= 0,45

Dalam regresi konfirmasi diperiksa :
()
=
()
() 44,88
Dalam contoh ini = = 0,58
() 77,09
()
Seperti halnya , regresi estimasi yang baik memberikan yang kecil (mendekati
()
nol)
()
()
yang (mendekati nol)
()
= Proporsi Y yang tidak diteraangkan oleh garis regresi estimasi
()

Variansi Y dapat dibagi menjadi 2 bagian yaitu yang dapat diterangkan oleh garis regresi estimasi
dan yang tidak dapat diterangkan oleh garis regresi.


()

=1
()
()
=1 = 1 2


1 2 paralel dengan
dalam eksplorasi 2 lebih dikenal dengan caara konfirmasi,
khususnya = (1) 2 yang disebut dengan koefisien korelasi antara X dan Y. Tanda dari r
sama dengan tanda dari b. 0 1.
2 = 0 berarti persamaan regresi estimasi tidak menerangkan Y sama sekali
2
=1 berarti persamaan regresi estimasi menerangkan Y dengan sempurna
= 1 berarti hubungan sempurna negatif
=0 berarti tidak ada hubungan linear
=1 berarti hubungan sempurna positif
Dalam soal di atas 2 = 1 0,58 = 0,42 = 42%. Untuk data ilmu soisal 2 = 42% merupakan
presentase yang cukup besar. Demikian pula halnya dengan data biologi.
Karena korelasi sering diperlukan maka harganya dapat dihitung tanpa menghitung persamaan
regresi estimasi, yaitu dengan rumus

=
( ( )2 )( 2 ( )2 )
2

( 2 ( )2 )( 2 ( )2 )
=
2 ( )2 ( 2 ( )2 )( 2 ( )2 )
( 2 ( )2 )
=
( 2 ( )2 )
1
( 2 ( )2 )
1
=
1
( 2 ( )2 )
1
()
=
()
INGAT : SD (X) = Standar Deviasi dari X.

B. Mengevaluasi r2
Untuk menjawab apakah ada hubungan linear dalam populasi. Hal ini dapat disamakan dengan
menanyakan apakah berbeda dengan nol secara signifikan atau 2 = (koefisien korelasi
populasi)2, berbeda dengan nol secara signifikan. Dalam kegiatan belajar ini dibicarakan hal yang
terakhir.

Uji hipotesis yang digunakan


0 : 2 = 0
1 : 2 > 0
Daerah penolakan > ,1,2
Statatistik yang digunakan
2 ( 2)
=
1 2
Variansi yang diterangkan ( 2)
=
Variansi yang tak dapat diterangkan
Variansi yang diterangkan 1
= =
Variansi yang tak dapat diterangkan ( 2)

JK antara / db antara
Mirip dengan JK dalam /db dalam
Bila variansi yang diterangkan besar (jauh lebih besar dari pada variansi yang tidak dapat
diterangkan) maka besar. Jadi masuk akal bahwa 0 ditolak (regresi menerangkan sebagaian
besar variansi dalam ) bila > ,1,2 .

Contoh :
Untuk data dalamTabel 7.7.
2 = 0,42 = 15
2 (
2) 0,42 . 13
= = = 9,4
1 2 0,58
= 22% ,1,13 = 6,41
= 9,4 > ,1,13

Yang berarti 2 signifikan berbeda dengan .

Catatan Tentang Korelasi


Korelasi menyatakan besarnya variansi yang diterangkan oleh garis linear terhadap atau
dengan kata lain korelasi merupakan ukuran keeratan hubungan linear antara dan
Beberapa hal yang mungkin menyesatkan adalah :
1. Korelasi antara dan nol sedang hubungan sempurna, tidak merupakan garis lurus tetapi garis
lengkung seperti tampak pada gambar 7.6a.
2. Keterangan korelasi kecil.
Gambar 7.6 b menunjukkan16 titik yang korelasinya nol atau tidak ada hubungan linear sama
sekali antara dan .
Dengan menambahkan satu titik yaitu (9,7), yang jauh dari titik-titik yang lain Anda mestinya
menduga bahwa hubungan tetap tidak ada da nada sesuatu yang aneh terhadap observasi
tambahan tersebut. Bila anda menghitung koevisien korelasi dari 17 pasang dan tersebut
akan anda dapatkan 2 = 0,46. Cukup besar bukan. Maslah ini biasa disebut korelasi satu titik.
Dari 1 dan 2 supaya anda tidak mendaptkan korelasi yang menyesatkan gambarlah selalu titik-
titik yang ada
a. Contoh korelasi yang menyesatkan

b. Hubungan melengkung sempuna, tapi 2 = 0.46

Tak ada hubungan (hanya satu titik nyasar) tapi 2 = 0.46


Meluruskan
Transformasi dapat menghilangkan masalah korelasi titik. Bila atau atau keduanya
mempunyai observasi luar (outlier), meskipun sedikit, observasi luar tersebut mempengaruhi persamaan
regresi estimasi dan 2 . Transformasi dapat menarik observasi luar lrtersebut (apabila memang tidak
terdapat kesalahan padanya )ke bagian utama data.
Seperti telah anda pelajari dalam regresi eksplorasi transformasi dapat digunakan untuk
meluruskan hubungan antara dan yang melengkung. Transformasi yang sesuai dicari dengan cara
coba-coba. Tabel 5 dapat juga digunakan. Setelah dilakukan transformasi persamaan regresi estimasi yang
dicari adalah untuk variable yang sudah ditransformasi.

Untuk contoh, diambil data dalam table 7.6didapat 2 = 0,48, suatu proporsi yang cukup lumayan tetapi
bila dilihat scatter diagramnya dalam gambar 7.7 tampak bahwa hubungan antara dan lebih mendekati
garis lengkung daripada lurus.

Ternyata setelah dilakukan transformasi = log = log(pendapatan per jiwa), 2 nik menjadi 0,65;
kenaikan yang cukup besar. Sacatter diagramnya dapat dilihat dari gambar 7.8. tampak bahwa garis lurus
sesuai atau titik-titik tersebar dekat dengan persamaan regresi estimasi. Jadi pesamaan regresi estimasi
= 77,4 + 56,4 log lebih sesuai dibanding dengan = 38,2 + 0,0464 .

Latihan
= variabel pengganti tahun sebagai variabel bebas
= banyaknya unit terjual dalam ribuan

Tahun 1970 1971 1972 1973 1974

1 2 3 4 5
13 24 39 65 106

1. Cari persamaan regresi estimasi cara eksplorasi = + !


2. Cari sisa !
var (sisa)
3. Hitung var ()
!

Petunjuk mengerjakan latihan


1. Cari dan degan rumus yang tersedia dalam kegitan belajar 3 !
2. Cari sisa =
3. Hitung var(sisa) dan var()

Rangkuman

1. Setelah membuat scatter diagram dapat dibuat persamaan regresi estimasi =


var(sisa)
2. 2 = 1 var()
Merupakan proporsi yang dapat diterangkan oleh garis regresi.
Rumus lain untuk 2

2 =
( ( )2 )( 2 ( )2 )
2

3. Uji hiptesis untuk koefisien korelasi populasi menggunakan statistik


2 (2)
= dengan daerah penolakan > ,1,2
1 2

Tes Formatif
Petunjuk : beri tanda silang (X) pada huruf di muka jawaban yang anda anggap paling tepat !
= variabel pengganti tahun
=jumlah pasien Rumah Sakit Umum (ratusan)

Tahun 1973 1974 1975 1976 1977 1978

1 2 3 4 5 6

398 436 458 513 569 631

1. Buat scatter diagram, manakah yang salah ?


a. Model regresi linear sederhana baik untuk dicoba
b. Tidak ada observasi luar (outlier)
c. Dari tahun ke tahun jumlah pasien naik
d. Hubungan antara dan melengkung.
2. =
a. , 62
b. 100,51
c. 0,81
d. 338,90
3. =
a. 120,36
b. 46,25
c. 127,40
d. 125,211
4. =
13 13 13 13
10 12 5 5
20 20 10 20
a. 11 b. 11 c. 11 d. 11
1 1 1 1
( 15 ) ( 15 ) ( 5 ) ( 15 )
5. Var( ) =
a. 201,066
b. 188,166
c. 197,333
d. 180,166
6. Var() =
a. 201,066
b. 2188,166
c. 7670,166
d. 8710,333
7. Proporsi variansi yang tidak bisa diterangkan oleh persamaan regresi estimasi adalah ...
a. 0,0245
b. 0,0769
c. 0,0210
d. 0,0687
8. 2 =
a. 0,975
b. 0,923
c. 0,979
d. 0,931
9. Dalam pengujian hipotesis untuk koefisien korelasi populasi didapat =
a. 149,21
b. 159,18
c. 171,41
d. 121,16
10. Dalam tahun 1979 jumlah pasien diduga ...
a. 63100
b. 63123
c. 65041
d. 66248
PENYELESAIAN

X Y XY X2 Y2

1 398 398 1 158404

2 436 872 4 190096

3 458 1374 9 209764

4 513 2052 16 263169

5 569 2845 25 323761

6 631 3786 36 398161

= = 3005 = 11327 2 = 91 2 = 1543355

1. Hasil acatter diagram menggunakan aplikasi minitab.

Scatterplot of C2 vs C1
650

600

550
C2

500

450

400

1 2 3 4 5 6
C1
2. Cara mencari nilai a

=
3005 21
= (46.25)
6 6
= 338.90

3. Cara mencari nilai b

n Xi Yi Xi Yi
=
n Xi 2 ( Xi )2
6(11327) (21 3005)
=
6(91) (21)2
= 46.25

4. Mencari nilai dapat dilakukan dengan membuat kolom sebagai berikut :

X Y = +

1 398 385.15 12.85


2 436 431.4 4.6

3 458 477.65 -19.65

4 513 523.9 -10.9


5 569 570.15 -1.15

6 631 616.4 14.6

Maka nilai dapat kila lihat pada table dengan nilainya di bulatkan menjadi :
(13 5 -20 -11 -1 15)

5. Mencari var ( ) dengan menggunakan rumus sebagai berikut :


1 2
= {()2 ( ) }
1
13 2
13 = (13)2 ( ) = 169 4.69 = 164.31
6
2
5
5 = (5)2 ( ) = 25 0.69 = 24.31
6
2
20 2
20 = (20) ( ) = 400 11.11 = 388.89
6

11 2
11 = (11)2 ( ) = 121 3.36 = 117.64
6
1 2
1 = (1)2 ( ) = 1 0.02 = 0.98
6

2
15 2
15 = (15) ( ) = 225 6.25 = 218.75
6
Sehingga , 164.31 + 24.31 + 388.89 + 117.64 + 0.98 + 218.75 = 914.88
1
= 5
(914.88) = 182.976

6. Menghitung var (Y)


1 2
Rumus yang digunakan adalah () = 1
{( )2 ( ) }

398 = 158404 4400.11 = 154003.89


436 = 190096 5280.44 = 184815.56
458 = 209764 5826.77 = 203937.23
513 = 263169 7310.25 = 255858.75
569 = 323761 8993.36 = 3147676.64
631 = 398161 11060.02 = 387100.97

Sehingga, 154003.89 + 184815.56 + 203937.23 + 255858.75 + 3147676.64 +


387100.97 = 4333393.04

1
Maka () = (4333393.04) = 866678.608
5
7. Proporsi variansi Y yang tidak bias diterangkan oleh persamaan ergresi estimasi adalah
()
1 2 =
()
182.976
1 2 =
866678.608
1 2 = 0.021
()
8. 2 = 1 ()
2 = 1 0.021
2 = 0.979
2 (2)
9. = 1 2
(0.979)(4)
=
0.021
= 186.47
10. Jumlah pasien diduga pada tahun 1979 adalah
= + diketahui X = 7
= 338.93 + 46.25(7)
= 662.68