Reg Stats LD
Reg Stats LD
0 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
1 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
2 dari 490
(ANRER) Kembali
Layar Penuh
Tutup
Keluar
I. M. Tirta, (Prof. Drs. M.Sc., Ph.D.)
itirta.fmipa@unej.ac.id; tirtaimade@gmail.com
FMIPA-UNEJ
December 3, 2011
Daftar Isi
Judul
JJ J I II
3 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
4 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
DAFTAR ISI
Judul
JJ J I II
5 dari 490
Keluar
1.3.1 Metode Kuadrat Terkecil . . . . . . . . . . . . . 45
1.3.2 Metode Likelihood Maksimum . . . . . . . . . . 47
1.3.3 Mencari Maksimum dengan Metode Numerik . . 48
FMIPA-UNEJ
1.4 Model Linier dan Perkembangannya . . . . . . . . . . . 52
1.4.1 Model linier klasik . . . . . . . . . . . . . . . . 53
Daftar Isi
1.4.2 Model Linier Tercampur . . . . . . . . . . . . . 56
1.4.3 Model Linier Tergeneralisir . . . . . . . . . . . . 60
Judul
1.4.4 Model untuk Data Tidak Normal dan Tidak Saling
Bebas . . . . . . . . . . . . . . . . . . . . . . . 64
JJ J I II
1.4.5 Pengembangan Lain Model Linier . . . . . . . . 67
1.5 Model-model Nonlinier . . . . . . . . . . . . . . . . . . . 70
6 dari 490
1.6 Tinjauan singkat Program Statistika R . . . . . . . . . . 71
1.6.1 Aplikasi R untuk Manipulasi Grafik . . . . . . . . 77
Cari Halaman
1.6.2 Aplikasi R untuk Model Statistika/ Analisis Regresi 88
1.6.3 RCommnder RGUI untuk analisis dasar . . . . . . 91 Kembali
1.7 Ringkasan . . . . . . . . . . . . . . . . . . . . . . . . 92
1.8 Bacaan Lebih Lanjut . . . . . . . . . . . . . . . . . . . . 94 Layar Penuh
1.9 Latihan . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
Tutup
Keluar
2 ALJABAR MATRIKS UNTUK STATISTIKA 97
2.1 Materi . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
2.2 Defenisi dan Jenis Matriks . . . . . . . . . . . . . . . . . 100
FMIPA-UNEJ
2.3 Operasi Matriks dan Sifat-sifatnya . . . . . . . . . . . . 105
2.3.1 Operasi uner . . . . . . . . . . . . . . . . . . . 105
2.3.2 Operasi biner . . . . . . . . . . . . . . . . . . . 106 Daftar Isi
Keluar
3.2.2 Estimasi dengan Metode Likelihood Maksimum . 161
3.3 Uji Inferensial dari βˆj . . . . . . . . . . . . . . . . . . . 165
3.3.1 Distribusi βˆj . . . . . . . . . . . . . . . . . . . . 165
FMIPA-UNEJ
3.3.2 Estimasi selang dari βj . . . . . . . . . . . . . . . 169
3.3.3 Uji Hipotesis . . . . . . . . . . . . . . . . . . . 170
3.3.4 Koefisien Determinasi R2 . . . . . . . . . . . . . 172 Daftar Isi
Keluar
3.8.3 Model dengan Variabel Kualitatif . . . . . . . . . 218
3.8.4 Analisis dengan Subset . . . . . . . . . . . . . . . 231
3.9 Ringkasan . . . . . . . . . . . . . . . . . . . . . . . . . 233
FMIPA-UNEJ
3.10 Bacaan Lebih Lanjut . . . . . . . . . . . . . . . . . . . . 235
3.11 Latihan Soal- Soal . . . . . . . . . . . . . . . . . . . . . 236
Daftar Isi
Keluar
5 MODEL LINIER TERGENERALISIR 275
5.1 Distribusi Keluarga Eksponensial . . . . . . . . . . . . . . 277
5.1.1 Bentuk umum . . . . . . . . . . . . . . . . . . . 277
FMIPA-UNEJ
5.1.2 Nilai-tengah dan Ragam dari a(Y ) . . . . . . . . 278
5.1.3 Beberapa Bentuk Khusus . . . . . . . . . . . . . 283
Daftar Isi
5.2 Konsep Dasar Model Linier Tergeneralisir . . . . . . . . 292
5.2.1 Sisi lain Model Linier Normal . . . . . . . . . . . 292
Judul
5.2.2 Generalisasi Model Linier Klasik ke Model Linier
Tergeneralisir . . . . . . . . . . . . . . . . . . . . 293
5.3 Estimasi pada Model Linier Tergeneralisir . . . . . . . . 298 JJ J I II
5.3.1 Metode Penduga Kuadrat Terkecil . . . . . . . . 301
5.3.2 Metode Penduga Likelihood Maksimum . . . . . 303 10 dari 490
Keluar
5.7.2 Prediksi pada GLM . . . . . . . . . . . . . . . . 343
5.8 Ringkasan . . . . . . . . . . . . . . . . . . . . . . . . . 345
5.9 Bacaan Lebih Lanjut . . . . . . . . . . . . . . . . . . . . 347
FMIPA-UNEJ
5.10 Latihan Soal-soal . . . . . . . . . . . . . . . . . . . . . . 348
Keluar
6.8 Latihan Soal-soal . . . . . . . . . . . . . . . . . . . . . 398
GLOSARIUM 399
FMIPA-UNEJ
A BEBERAPA FUNGSI TERKAIT REGRESI 417
A.1 Fungsi dari Paket stats . . . . . . . . . . . . . . . . . . . 418 Daftar Isi
A.2 Fungsi dari Paket cars . . . . . . . . . . . . . . . . . . . 419
A.3 Fungsi dari Paket gam . . . . . . . . . . . . . . . . . . . 420
Judul
A.4 Fungsi dari Paket graphics . . . . . . . . . . . . . . . . . 421
A.5 Fungsi dari Paket gee . . . . . . . . . . . . . . . . . . . 422
JJ J I II
A.6 Fungsi dari Paket lme4 . . . . . . . . . . . . . . . . . . . 423
A.7 Fungsi dari Paket hglm . . . . . . . . . . . . . . . . . . 424
12 dari 490
A.8 Fungsi dari Paket glmmML . . . . . . . . . . . . . . . . 425
A.9 Skrip Manipulasi Grafik . . . . . . . . . . . . . . . . . . 426
Cari Halaman
A.10 Skrip Membangkitkan Data Regresi dengan Peubah Kelom-
pok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 428
Kembali
Keluar
B.3 Data dari Paket agricolae . . . . . . . . . . . . . . . . . 439
B.4 Data dari Paket asuR . . . . . . . . . . . . . . . . . . . 441
B.5 Data dari Paket car . . . . . . . . . . . . . . . . . . . . 443
FMIPA-UNEJ
B.6 Data dari Paket DAAG . . . . . . . . . . . . . . . . . . . 446
B.7 Data dari Paket dataset . . . . . . . . . . . . . . . . . . 452
B.8 Data dari Paket demogR . . . . . . . . . . . . . . . . . . 458 Daftar Isi
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
14 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
DAFTAR GAMBAR
Judul
JJ J I II
15 dari 490
Keluar
1.7 Contoh Gabungan Grafik dengan Pembagian Layar . . 86
1.8 Contoh Gabungan Grafik dengan pembagian layar . . . 87
Keluar
4.1 Grafik Quantile dari Data Berdistribusi Normal (kiri)
dan Data Cenderung Tidak Berdistribusi Normal (Kanan)244
4.2 Grafik Sebaran Peluang dari Data Berdistribusi Normal
FMIPA-UNEJ
(lebih simetris, warna biru) dan Data Tidak Berdis-
tribusi Normal (tidak siumetris, warna merah) . . . . . 245
Daftar Isi
4.3 Boxplot respon dengan kelompok . . . . . . . . . . . . 247
4.4 Grafik Pencar Data dengan Hubungan Linear dan Ra- Judul
Keluar
4.10 Grafik Diagnostik dari Objek yang Dihasilkan oleh Fungsi
lm(). Grafik menunjukkan data relatif memenuhi asumsi
Model Linier Normal . . . . . . . . . . . . . . . . . . . 258
FMIPA-UNEJ
4.11 Grafik Diagnostik dari Objek yang Dihasilkan oleh Fungsi
lm(). Grafik menunjukkan data tidak memenuhi asumsi
Daftar Isi
Model Linier Normal, yang ditandai dengan adanya hu-
bungan tidak linier dan pencilan . . . . . . . . . . . . . 259
Judul
4.12 Sebaran data asli (naik dan membuka ke atas) dan trans-
formasi yang bisa dilakukan. Beberapa transformasi meng-
JJ J I II
hasilkan sebaran yang mengikuti garis lurus tetapi ragam
tidak konstan . . . . . . . . . . . . . . . . . . . . . . . . 266
18 dari 490
4.13 Sebaran data asli (naik dan terbuka ke bawah) dan trans-
formasi yang bisa dilakukan. Beberapa transformasi meng- Cari Halaman
hasilkan sebaran yang mengikuti garis lurus tetapi ragam
tidak konstan . . . . . . . . . . . . . . . . . . . . . . . . 268
Kembali
4.14 Sebaran data asli (dengan ragam tidak stabil) dan trans-
formasi yang bisa dilakukan. Beberapa transformasi hanya Layar Penuh
menghasilkan ragam yang sedikit lebih stabil . . . . . . . 269
Tutup
Keluar
5.1 Plot Densitas dari sampel dengan berbagai nilai-tengah
dengan ukuran sampel 100 . . . . . . . . . . . . . . . . 289
5.2 Sebaran Data dengan ukuran sampel 100 dengan dis-
FMIPA-UNEJ
tribusi Normal (b) dan Gamma (r) . . . . . . . . . . . 290
5.3 Respon dengan Fungsi Hubungan Logit dan Probit . . 296
5.4 Diagram Pencar Prediksi dan Data Asli Peluang Ke- Daftar Isi
JJ J I II
19 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
20 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
DAFTAR TABEL
Judul
JJ J I II
21 dari 490
1.1 Tabel jumlah (kg) salak dan anggur dan harga yang
Cari Halaman
dibayar . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
1.2 Fungsi dan paket untuk menggambar grafik R . . . . . 79
Kembali
Keluar
5.1 Rangkuman Distribusi Anggota Keluarga Eksponensial 288
5.2 Ciri-ciri khas Distribusi Keluarga Eksponensial . . . . . 291
5.3 Jumlah Sukses(S) dan Gagal dalam Berbagai Kelom-
FMIPA-UNEJ
pok Faktor . . . . . . . . . . . . . . . . . . . . . . . . . 324
5.4 Distribusi dan Link pada R . . . . . . . . . . . . . . . 329
5.5 Jumlah Kelulusan dalam Berbagai Kelompok Perlakuan 331 Daftar Isi
JJ J I II
22 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Judul
23 dari 490
Cari Halaman
hubungan asosiasi) dua peubah atau lebih. Dalam analisis ini satu
peubah atau lebih (disebut peubah respon) diuji hubungan fungsion- Layar Penuh
alnya dengan beberapa peubah lain (disebut peubah penjelas). Bentuk
Tutup
Keluar
fungsi yang dihasilkan sering disebut sebagai model matematika atau
secara lebih khusus model statistika. Pada bab ini akan dibahas prin-
sip dasar pemodelan matematika, khususnya pemodelan statistika.
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
24 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
Kompetensi
Pembaca diharapkan memahami hakekat pemodelan dalam bidang
statistika serta mempunyai gambaran tentang kedudukan dan perkem- FMIPA-UNEJ
bangan regresi atau model linier dalam uji statistika. Secara lebih
khusus diharapkan: Daftar Isi
Layar Penuh
Tutup
Keluar
Materi
1. Prinsip Pemodelan
FMIPA-UNEJ
2. Langkah-langkah PemodelanStatistika
5. Tinjauan singkat R
JJ J I II
26 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
1.1. Prinsip Pemodelan
Ketika kita menganalisis data dengan menggunakan metode statistika,
hampir selalu menekankan asumsi yang dikenakan terhadap data yang FMIPA-UNEJ
Keluar
pemodelan matematika.
ibu lain yang membeli 3 kilogram salak dan 5 kilogram anggur harus
membayar Rp 29.000,-. Jika pedagang memberlakukan harga tetap Kembali
terhadap kedua ibu- ibu tadi, berapa harga perkilogram salak dan
harga perkilogram anggur? Selanjutnya berapa harga harus dibayar Layar Penuh
jika seseorang membeli x kg salak dan y kg anggur?
Tutup
Keluar
Untuk menjawab persoalan di atas dianjurkan untuk menem-
puh langkah- langkah berikut. Hal ini dimungkinkan hanya dilakukan
secara implisit.
FMIPA-UNEJ
1. Kita misalkan bilangan yang ingin dicari (dalam hal ini harga
satu kilogram salak dan harga satu kilogram anggur) masing- Daftar Isi
masing sebagai a dan b. Kita membuat persamaan matema-
tika dari persoalan dalam bentuk cerita tadi. Dalam hal ini
Judul
sebenarnya kita sedang membuat model matematika suatu per-
soalan. Untuk soal di atas model matematika yang diperoleh
JJ J I II
adalah
3a + 2b = 1700
(1.1)
3a + 5b = 29000 29 dari 490
Keluar
4. Menyimpulkan bahwa harga satu kilogram salak adalah Rp 3000
dan harga satu kilogram anggur adalah Rp 4000.
H = 3000x + 4000y
Daftar Isi
Tutup
Keluar
not a given mathematical model is adequate before some ob-
servational data are obtained. In order to check the validity of
the model, we must deduce a number of consequences of our
model and then compare these predicted results with observa-
tions. [Kapan saja kita menggunakan metematika untuk mem- FMIPA-UNEJ
pelajari fenomena yang teramati, kita mesti perlu memulai de-
ngan membangun suatu model matematika (deterministik atau
probabilistik) untuk fenomena tersebut. Sangat penting, mo- Daftar Isi
del yang dibuat harus menyederhanakan persoalan dan bebe-
rapa rincian mesti diabaikan. Keberhasilan model bergantung
pada apakah rincian yang diabaikan benar- benar tidak pen- Judul
ting dalam pengembangan fenomena yang dipelajari. Biasanya
sangat sulit untuk menyatakan dengan pasti, apakah suatu mo-
del matematika adalah tepat atau tidak sebelum diperoleh data
JJ J I II
pengamatan. Dalam rangka memeriksa validitas model, kita
harus menurunkan sejumlah konsekuensi (dalil) dari model kita
dan membandingkan hasil dugaan teoritis dengan pengamatan]
31 dari 490
(Meyer [28]).
Pembuatan model dari suatu persoalan adalah ibarat pembu- Cari Halaman
atan peta suatu wilayah. Dalam proses pembuatan peta, harus ada
penyederhanaan, yaitu mengabaikan rincian hal-hal yang tidak men- Kembali
jadi kepentingan. Sangat jelaslah bahwa peta yang baik adalah peta
yang sederhana namun memuat secara akurat informasi yang diper- Layar Penuh
lukan. Peta yang terlalu rinci, dalam hal tertentu menjasdi tidak ko-
Tutup
Keluar
munikatif, karena terlalu banyak terdapat informasi yang tidak diper-
lukan. Sementara, di lain pihak, peta yang terlalu sederhana yang
mengabaikan informasi yang penting, dapat menjerumuskan pemba-
FMIPA-UNEJ
canya kepada sasaran yang keliru. Demikian juga, dalam menye-
lesaikan persoalan dengan menggunakan matematika, biasanya kita
selalu memulai dengan model yang paling sederhana yang berarti Daftar Isi
Tutup
Keluar
apakah model yang kita pakai perlu diperbaiki atau tidak. Pada Con-
toh 1.1, ada asumsi yang dikenakan dalam persoalan tersebut yaitu
pedagang diasumsikan mengenakan harga yang tetap kepada semua
FMIPA-UNEJ
pembeli. Ini berarti peubah harga dianggap merupakan peubah tetap
yang tidak bersifat acak. Dengan demikian mengambil dua pembeli
sudah cukup untuk mementukan atau menghitung harga dua komu- Daftar Isi
Kedua sifat alami dari gejala ini menuntut pemodelan yang ber-
beda. Pemodelan yang pertama yang tidak memperhitungkan ada- Kembali
Keluar
Tabel 1.1: Tabel jumlah (kg) salak dan anggur dan harga yang dibayar FMIPA-UNEJ
4 4 5 31 500
5 5 6 40 000 34 dari 490
6 6 3 30 500
7 3 5 29 000 Cari Halaman
8 2 2 14 500
9 5 6 39 500 Kembali
10 6 6 41 000
Layar Penuh
Tutup
Keluar
pakan hubungan matematika yang bersifat fungsional murni (misal-
nya, y = f (x)). Pemodelan yang kedua, menganggap peubah harga
berubah-ubah dengan sebaran tertentu (misalnya, normal). Pemo-
FMIPA-UNEJ
delan yang kedua ini disebut pemodelan stokastik (statistika). Hu-
bungan yang diperoleh selain mengandung komponen fungsional, juga
mengandung adanya galat yang merupakan peubah acak yang berdis- Daftar Isi
Keluar
sederhana yang juga menghasilkan model yang paling sederhana ada-
lah bahwa i berdistribusi identik dan independen mengikuti sebaran
normal. Model-Statistika Linier membahas berbagai alternatif model
FMIPA-UNEJ
serta penyelesaiannya. Dengan prosedur penyelesaian model stokastik,
dihasilkan persamaan berupa dugaan harga (ĥ)
Daftar Isi
ĥ = 3001, 73x1 + 3968, 40x2
dengan 3001,732 disebut penduga β1 atau βˆ1 yaitu dugaan harga 1 kg Judul
36 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
1.2. Langkah-langkah Penting Dalam Pemodelan
1.2.1. Langkah penting dalam Pemodelan secara Umum
FMIPA-UNEJ
Dari uraian pada Contoh 1.1 sebenarnya sudah tergambar langkah-
langkah yang penting dalam pemodelan secara umum. Langkah- lang-
Daftar Isi
kah tersebut dapat diuraikan secara lebih eksplisit seperti berikut ini.
Keluar
3. Melakukan verifikasi. Hasil yang diperoleh dari penyelesa-
ian model sebelum disimpulkan atau diinterpretasikan ke da-
lam persoalan nnyata semestinya diverifikasi apakah sudah se-
FMIPA-UNEJ
suai dengan model yang digunakan. Langkah ini penting untuk
meyakinkan tidak adanya kesalahan perhitungan, kesalahan pe-
mrograman (kalau menggunakan komputer), maupun kesalahan Daftar Isi
38 dari 490
5. Melakukan uji kecocokan. Karena pada umumnya pemo-
delan dimulai dari model yang sederhana dengan mengabaikan
hal-halyang kompleks, atau menggunakan asumsi- asumsi secara Cari Halaman
ketat, maka tidak mustahil hasil yang diperoleh tidak terlalu co-
cok dengan kondisi riil di lapangan. Melalui langkah ini seseo- Kembali
Keluar
mencoba hubungan fungsi yang lebih kompleks.
Namun ada beberapa langkah yang sifatnya khas yang tidak dilakukan
dalam pemodelan umum. Sifat khas ini disebabkan karena dalam Judul
Keluar
Penentuan hubungan serta distribusi ini disesuaikan dengan kon-
disi dan sifat permasalahan yang dihadapi.
Keluar
(c) apakah hasil yang diperoleh secara statistika signifikan atau
tidak.
Keluar
Menyelesaikan Model/ FMIPA-UNEJ
Problem Riil Model Matematika menyelesaikan
identifikasi, Persamaan
simplifikasi
Daftar Isi
(Komputasi) Judul
PEMODELAN MATEMATIKA
JJ J I II
Verifikasi
42 dari 490
interpretasi,
generalisasi
Solusi Riil (Kesimpulan) (Uji Model)
Cari Halaman
Kembali
Gambar 1.1: Diagram Menunjukkan Langkah-langkah dalam Pemo-
delan Statistika
Layar Penuh
Tutup
Keluar
Dalam hal pengembangan model statistika, para Teorisi sta-
tistika, atau statistisi, menurunkan metode umum/ prosedur dalam
mengestimasi parameter, menguji dan mendiagnosis, serta meremidi
FMIPA-UNEJ
model yang dibuat. Para praktisi berkewajiban menerapkan metode
sesuai dengan persyaratan yang ditentukan atau yang dihasilkan oleh
para statistisi. Selain itu, tugas para teorisi statistika (statistisi) ada- Daftar Isi
Keluar
proses pengambilan keputusan untuk kondisi tertentu. Bah-
kan lebih jauh mereka menyediakan informasi berkaitan
dengan kecocokan dari suatu prosedur pengambilan kepu-
FMIPA-UNEJ
tusan] (Mendenhall [26]).
Bagi para analis (praktisi) statistika, tugas pokoknya adalah Daftar Isi
mempelajari model- model yang ditawarkan beserta persyaratan dan
prosedur yang harus ditempuh dalam menerapkan model tersebut.
Judul
Hal ini sejalan dengan fungsi dan tujuan ilmu statistika itu sendiri se-
bagaimana digambarkan Wackery et al. [49] bahwa tujuan statistika
adalah membuat kesimpulan tentang populasi berdasarkan informasi JJ J I II
yang diperoleh pada suatu sampel dan untuk memberikan ukuran de-
rajat kecocokan dari kesimpulan itu. 44 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
1.3. Metode Mengestimasi Parameter
Salah satu langkah pokok dalam pemodelan statistika adalah menges-
timasi parameter yang menjadi kepentingan. Dalam analisis regresi, FMIPA-UNEJ
Keluar
terkecil (least square), menggunakan pendekatan geometris. Secara
geometris, garis yang paling mewakili sebaran sampel adalah garis
yang mempunyai simpangan minimum, atau error/galat terkecil dari
FMIPA-UNEJ
pencaran data. Untuk memudahkan perhitungan, jarak yang aslinya
berupa harga mutlak dari error, |i | diganti dengan kuadrat galat terse-
but, yaitu 2i . Daftar Isi
Keluar
maksimum/ minimum, bukan nilai maksimum/ atau minimum fungsi
tersebut. Dalam hal ini yang menjadi kepentingan adalah nilai β,
bukan nilai Q.
FMIPA-UNEJ
Keluar
2. Tentukan maksimum dari L atau log −L terhadap parameter θ.
Keluar
likelihood adalah Metode Newton-Raphson yang merupakan metode
iteratif. Langkah- langkah pokok dari metode Newton-Raphson ini
dapat diuraikan sebagai berikut:
FMIPA-UNEJ
1. menentukan nilai awal b0
gensi terpenuhi)
Judul
F 0 (b0 )
b1 = b0 − 00 (1.2)
F (b0 ) JJ J I II
atau
f (b0 )
b1 = b0 − (1.3)
f 0 (b0 ) 49 dari 490
dengan f = F 0 .
Cari Halaman
Apabila peubah atau parameternya berdimensi tinggi, maka fungsi
turunan pertamanya berupa vektor (D) sedang turunan keduanya
Kembali
akan berupa matriks yang disebut matriks Hessian (H). Bentuk mul-
tivariat dari Newton- Raphson ini adalah
Layar Penuh
b1 = b0 − D(b0 ) H−1
(b0 ) . (1.4)
Tutup
Keluar
Lebih khusus lagi, dalam statistika matriks Hessian ini kadang
kadang lebih sederhana jika diganti dengan negatif dari nilai hara-
pannya yang disebut matriks informasi dan dinotasikan I = −E[H].
FMIPA-UNEJ
Persamaan iterasi yang menggunakan matriks informasi dikenal de-
ngan metode skoring dari Fisher (Fisher’s scoring) yang ditunjukkan
oleh persamaan berikut. Daftar Isi
b1 = b0 + D(b0 ) I −1
(b0 ) (1.5) Judul
Keluar
eteryang diestimasi sebagai sebuah vektor penduga. Cara ini
disebut pendekatan algoritma penuh. Cara ini cocok apabila
setiap unsur dari vektor parameter mempunyai sifat-sifat (kon-
FMIPA-UNEJ
vergensi) yang relatif sama.
Keluar
1.4. Model Linier dan Perkembangannya
Perkembangan pemodelan stokastik, terutama model linier, dapat di-
katakan dimulai pada abad ke 19 yang didasari oleh teori matematika FMIPA-UNEJ
setelah itu. Teori regresi ini yang menjadi dasar perkembangan teori
model linier. Perkembangan model linier tidak bisa dilepaskan dengan Kembali
Keluar
perkembngan model linier lebih dititik beratkan dari dua asumsi dasar
yaitu distribusi dan independensi galat.
Sebagaimana diuraikan sebelumnya, bahwa pemodelan dimulai
FMIPA-UNEJ
dari yang sederhana, yang secara matematis mudah diselesaikan, ke-
mudian berkembang ke arah yang lebih realistik. Hal ini dapat di-
lakukan, salah satunya dengan menerapkan berbagai asumsi yang ber- Daftar Isi
p
X
yi = xij βj + i (1.6) Layar Penuh
j=0
Tutup
Keluar
Untuk i = 1, 2, . . . , n dan j = 1, 2, . . . , p, atau dalam bentuk matriks
Y = Xβ + (1.7)
Dalam hal ini (i) merupakan galat atau error yang diasumsikan FMIPA-UNEJ
acak dan (iii) β adalah parameter yang menentukan koefisien dari pe-
ubah peubah tetap tadi. Dalam ilustrasi pada Contoh 1.1. misalnya, Judul
dianggap bahwa sebenarnya ada hubungan yang bersifat tetap yang
menentukan harga barang di pasar. Namun, selain itu masih ada lagi
JJ J I II
faktor lain yang bersifat acak yang menyebabkan harga barang tadi
dalam kenyataannya dari pembeli ke pembeli mungkin menyimpang
54 dari 490
dari fungsi hubungan tadi. Dalam pemodelan statistika/ stokastik, ke-
dua komponen ini dipisahkan yaitu yang bersifat tetap dan fungsional
dinotasikan dengan f (x, β), yang bisa disebut sebagai komponen tetap Cari Halaman
Keluar
adalah model linier. Sedangkan dari segi komponen acaknya, yang pal-
ing sederhana adalah asumsi bahwa galatnya berdistribusi normal dan
saling independen antara satu respon dengan respon lainnya. Asumsi
FMIPA-UNEJ
ini menghasilkan model linier normal sederhana atau normal linear
models (NLM). Dari kedua hal tersebut lahirlah yang disebut model
normal sederhana atau model linier klasik yang secara formal dapat Daftar Isi
Y = Xβ +
Kembali
Asumsi: xi bukan peubah acak dan diukur tanpa galat dan i in-
dependen dengan 0i untuk setiap i 6= i0 dan masing- masing Layar Penuh
berdistribusi N (0, σ 2 ).
Tutup
Keluar
Berdasarkan asumsi di atas diperoleh bahwa secara keseluruhan
dapat dianggap berdistribusi multivariat normal (MVN) dengan koe-
fisen variasi konstan, yang dinotasikan dengan ∼ M V N (0, σ 2 I).
Model mensyaratkan bahwa respon ke i dan ke i0 adalah saling bebas FMIPA-UNEJ
Tentu saja respon seperti ini dapat ditangani dengan metode multi-
variat. Namun ada kekhasan dari pengamatan seperti ini, yaitu kore- Layar Penuh
lasi/ hubungan antara respon satu dengan lainnya biasanya berpola,
Tutup
Keluar
sehingga dianggap kurang pas kalau ditangani dengan metode mul-
tivariat biasa. Untuk menangani respon-respon semacam ini model
linier klasik di atas lalu dikembangkan menjadi model linier tercam-
FMIPA-UNEJ
pur atau linear mixed models (LMM). Dalam model ini hubungan
antara respon yang satu dengan lainnya dianggap berasal dari pen-
garuh suatu peubah yang tidak kentara atau laten (subjek, misalnya). Daftar Isi
Model:
Y = Xβ + Zu + (1.9) Kembali
Asumsi: u ∼ M V N (0, σ12 I) dan ∼ M V N (0, σ22 I). u independen Layar Penuh
dengan .
Tutup
Keluar
Sebenarnya ragam u dapat bervariasi sehingga membentuk ma-
triks ragam-koragam dari (Y) yang bervariasi juga. Struktur ma-
triks ragam-koragam ini dapat dibentuk sesuai kondisi respon yang
FMIPA-UNEJ
dihadapi. Bentuk yang paling sederhana di atas menghasilkan matriks
ragam-koragam yang disebut matriks uniform atau compound symme-
try atau seragam. Dengan menggunakan jumlah peubah acak yang Daftar Isi
Keluar
Model ini mengasumsikan bahwa korelasi antara pengamatan
satu dan lainnya bersifat konstan (uniform). Struktur lain yang juga
banyak diterapkan adalah Auto Regresive 1 (AR1) atau disebut ragam-
FMIPA-UNEJ
koragam dengan korelasi serial yaitu:
1 ρ ρ2 · · · ρk
Daftar Isi
. .
ρ . . . .. . . . ..
2
V = φ ρ ··· 1 ··· ρ (1.11)
Judul
.. . . .. . .
. . . ρ
.
k 2
ρ ··· ρ ρ 1 JJ J I II
Model ini mengasumsikan bahwa seiring dengan jarak yang makin
jauh, maka korelasi/ hubungan antara respon tersebut semakin kecil. 59 dari 490
Keluar
1. Ada efek acak ui yang berhubungan dengan strata atau subjek ke
i, untuk i = 1, ...n dimana antara satu efek acak dengan lainnya
saling independen dan berdistribusi normal dengan nilai-tengah
FMIPA-UNEJ
0;
Kembali
1.4.3. Model Linier Tergeneralisir
Kondisi lain yang banyak ditemukan di lapangan yang tidak dapat Layar Penuh
ditangani langsung oleh model linier klasik adalah adanya kenyataan
Tutup
Keluar
bahwa, distribusi respon tidak mesti Normal. Sejauh ini, kondisi se-
perti ini biasanya ditangani dengan melakukan transpormasi pada re-
spon. Transpormasi yang banyak dipakai adalah transpormasi log-
FMIPA-UNEJ
aritma. Namun, ada beberapa permasalahan yang mungkin timbul
sebagai efek dari transpormasi ini misalnya seperti berikut ini. Re-
spon yang sudah ditranspormasi mungkin mendekati distribusi nor- Daftar Isi
Tutup
Keluar
tribusi yang sifatnya lebih umum, dimana distribusi- distribusi yang
banyak kita kenal (Normal, Gamma, Poisson) termasuk di dalamnya
dan merupakan bentuk- bentuk khusus dari distribusi Keluarga Eks-
FMIPA-UNEJ
ponensial. Definisi distribusi Keluarga Eksponensial ini akan dibahas
pada bab selanjutnya. Kalau kita simak model linier klasik, kita men-
emukan beberapa hal yang sifatnya khas dan istimewa yaitu: Daftar Isi
Definisi 1.6 (Asumsi Model Linier Tergeneralisir). Model linier ter- Kembali
Tutup
Keluar
2. respon yi berdistribusi secara independen dalam keluarga eks-
ponensial;
del linier tergeneralisir ini adalah generalized linear models oleh Mc-
Cullagh dan Nelder [24], sedangkan sebagai pemula dapat digunakan Layar Penuh
pengantar yang ditulis oleh Dobson [11].
Tutup
Keluar
1.4.4. Model untuk Data Tidak Normal dan Tidak Saling
Bebas
Seiring dengan semakin luasnya penggunaan metode statistika dalam FMIPA-UNEJ
Keluar
del linier ini termasuk model linier yang relatif baru dan masih
sedang dikembangkan (lihat misalnya Lee dan Nelder [20] dan
Tirta ([37], [39],[38].
FMIPA-UNEJ
GEE Pendekatan yang relatif lebih praktis, Liang & Zeger [21] dan
Zeger & Liang [52] memperkenalkan metode yang disebut dise- Daftar Isi
but Generalized Estimating Equations (untuk selanjutnya dis-
ingkat GEE) yang merupakan sebuah analogi atau generalisasi
Judul
multivariat dari quasi-likelihood. Manakala tidak ada fungsi like-
lihood yang pasti untuk dijadikan acuan, cukup beralasan untuk
JJ J I II
menduga/ mengestimasi dengan menyelesaikan sebuah analogi
multivariat dari metode quasi-score yang diperkenalkan Wed-
65 dari 490
derburn [51] dimana kita hanya perlu menentukan bentuk mean
atau nilai-tengah(sebagai momen pertama) dan matriks ragam-
koragam (sebagai momen kedua), tanpa perlu mengetahui ben- Cari Halaman
Tutup
Keluar
Y = Xβ + ε
Univariat? Tidak
Multivariat? Normal? Normal?
Daftar Isi
Independen? Dependen
(Multi kolinieritas)? Tidak Independen?
Independen?
Judul
LMM/MLC
Seleksi Variabel RKU NLM/MLK
GLM/MLC JJ J I II
GLMM/MLCT
GEE
R. BERTATAR
STEPWISE 66 dari 490
SEM
Kembali
Tutup
Keluar
1.4.5. Pengembangan Lain Model Linier
Selain berkembang akibat variasi asumsi distribusi dari galat, model
linier juga berkembang ke arah variasi kondisi peubah bebas atau pe- FMIPA-UNEJ
Keluar
nya merupakan sekumpulan dari berapa kelompok data atau sampel
sesungguhnya terdiri atas beberapa subsampel. Persoalan yang di-
hadapi adalah apakah model (garis regresi) masing- masing kelompok
FMIPA-UNEJ
harus berbeda atau dapat digabung dalam satu model yang sama.
Dalam hal ini sebagian peubah penjelas Xj akan merupakan peubah
kualitatif, atau merupakan indikator kelompok atau grup dari kelom- Daftar Isi
pok yang ada pada data, sampel maupun populasi. Analisis model
linier yang menangani data semacam ini menggunakan peuban boneka Judul
dummy variable dan dapat dilihat pada Neter et al[31].
JJ J I II
68 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
●
● FMIPA-UNEJ
90
●
●
● ●
●
● ● Daftar Isi
80
●
●
● ●
●●
● Judul
● ●
●
NFis
70
● ● ●
●
●
●
JJ J I II
●
● ●
●
●
60
●
●
69 dari 490
● ●
●
● ● ● L
P
Cari Halaman
50
●
●
Kembali
50 60 70 80 90
NMat
Layar Penuh
Gambar 1.3: Ilustrasi Data dengan pencilan dan kelompok. Data ini Tutup
[46]).
Kembali
Layar Penuh
Tutup
Keluar
1.6. Tinjauan singkat Program Statistika R
Penggunaan piranti lunak komputer dalam analisis regresi hampir
tidak bisa ditunda lagi. Selain untuk mempercepat proses perhitun- FMIPA-UNEJ
Keluar
gresi mulai dari yang paling sederhana (regresi klasik) sampai
yang sangat kompleks (respon nonnormal dan tidak saling be-
bas, hubungan nonlinier).
FMIPA-UNEJ
72 dari 490
1. Menulis perintah langsung pada Rconsole. Untuk pertintah-
perintah singkat yang jarang diulang, biasanya langsung ditulis
pada layar Rconsole. Cari Halaman
2. Menulis skrip secara terpisah. Untuk perintah yang agak pan- Kembali
Keluar
keseluruhan sesuai kebutuhan. Untuk mengaktifkan editor skrip
pada R dapat dilakukan langkah berikut:
(a) Pada menu File pilih New Script atau Open Script FMIPA-UNEJ
Hampir semua paket atau Pustaka R yang terkait dengan ana- Judul
Keluar
yang dikemas dalam bentuk paket. Paket yang dimiliki R belum
bisa dimanfaatkan sampai paket itu diaktifkan. Ada dua cara
mengaktifkan suatu paket yaitu.
library(nama_paket) FMIPA-UNEJ
require(nama_paket)
Daftar Isi
library(gee) JJ J I II
require(gee)
74 dari 490
Keluar
cara memanggil dokumentasi paket, dengan contoh khusus paket
gee.
FMIPA-UNEJ
help(nama_paket)
?nama_paket
help(gee) Daftar Isi
?gee
Judul
Keluar
example(nama_fungsi)
example(gee)
(b) Dengan menyalin teks pada contoh; dengan cara ini teks
FMIPA-UNEJ
contoh yang ada pada dokumentasi, disalin (copy) lalu ditem-
pelkan (paste) pada Rconsole.
Daftar Isi
Tutup
Keluar
Selanjutnya untuk mencetak sebagian komponen dari objek ber-
sangkutan dilakukan dengan perintah
FMIPA-UNEJ
newline print(objek$komponen)).
Berikut adalah perintah dan hasil keluaran yang dilakukan pada Daftar Isi
>print(lm1$call)
77 dari 490
lm(formula = y ~ x)
Cari Halaman
1.6.1. Aplikasi R untuk Manipulasi Grafik
Selain analisis statistik secara numerik, analisis regresi juga perlu Kembali
Keluar
diagram pencar sisa), juga bermanfaat dalam memberikan visualisasi
model (diagram pencar data yang dilengkapi garis regresi, khususnya
untuk dua dimensi). Tabel 1.2 memuat beberapa paket dan fungsi
FMIPA-UNEJ
yang terkait dengan penyajian grafik dalam analisis regresi.
Visualisai tentang sebaran data baik terkait sebaran univariat,
maupun pencaran bivariat dapat disajikan dalam berbagai cara (lay- Daftar Isi
out), misalnya menyisipkan grafik kecil dalam grafik besar, atau mem-
bagi lay out layar. Informasi lebih lengkap dapat dilihat pada Tirta Judul
[42] atau Burns [4]. Berikut adalah beberapa contoh penyajian grafik
terkait regresi. JJ J I II
hist(x,freq=FALSE,ylim=c(0,0.45), Kembali
Keluar
Tabel 1.2: Fungsi dan paket untuk menggambar grafik R
par(mar=c(5,1,1,2))
Cari Halaman
boxplot(x, horizontal=T, axes=F)
Tutup
Keluar
dalam diagram pencar (lihat Gambar 1.6) atau dengan mengatur
lay out tampilan grafik seperti Gambar 1.7dan Gambar 1.8. Berikut
adalah skrip untuk Layout c(1,2)-c(2,1), untuk Gambar 1.7, yaitu
pertama layar dibagi atas 1 baris dan 2 kolom, selanjutnya layar FMIPA-UNEJ
qq.plot(x,main="QQ.norm X")
Kembali
Tutup
Keluar
split.screen(c(2,1))
split.screen(c(1,2), screen = 2)
screen(1)
plot(x,y,main="Diagram Pencar (X,Y)") FMIPA-UNEJ
abline(lm(y~x))
screen(3)
Daftar Isi
hist(y, probability=T,
main="Histogram Y")
lines(density(y), col="red", lwd=2) Judul
screen(4)
qq.plot(x,main="QQ.norm X") JJ J I II
82 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
HISTOGRAM DENGAN KURVA DENSITAS
FMIPA-UNEJ
0.4
Daftar Isi
0.3
Density
Judul
0.2
JJ J I II
0.1
83 dari 490
0.0
−3 −2 −1 0 1 2
Cari Halaman
x
Kembali
Gambar 1.4: Contoh Histogram dengan Kurva Densitas.Kurva lang-
sung adalah densitas teoritis, kurva putus-putus adalah
densitas emperik data Layar Penuh
Tutup
Keluar
DIAGRAM PENCAR DENGAN RUG & BOXPLOT
●
FMIPA-UNEJ
180
●
● ●
●
●
●
●
170
● ●
● ●
●
●
● Daftar Isi
●
● ● ●
●
●
160
● ●
● ●
● ● ●
● ●
●
●
● ●
● ●
● ●
● ● ●
●
Judul
Y
150
●
● ●
● ● ●
● ●
●
● ● ●
● ● ●
● ● ●
● ●
140
● ●
● ●
●
● ●
●
●
●
●
●
●
●
● JJ J I II
●
130
●
●
●
● ●
●
● ●
●
120
●
● 84 dari 490
40 45 50 55 60
X
Cari Halaman
Kembali
Gambar 1.5: Contoh Diagram Pencar dengan rug dan boxplot(densitas
data) Layar Penuh
Tutup
Keluar
DIAGRAM BESAR DENGAN GRAFIK MINI
●
FMIPA-UNEJ
180
●
● ●
●
●
●
●
170
● ●
● ● Daftar Isi
● ●
● ●
● ● ●
●
●
160
● ●
HistY ●
●
● ●
●
● ●
●
●
● ●
●
●
●
Judul
150 ● ●
● ●
y
●
● ●
● ● ●
● ●
●
● ● ●
● ● ●
● ● ●
● ●
JJ J I II
140
● ●
●
● ●
●
● QQNorm
● ●
●
● ● ●
●
60
● ● ●
●● ●
130
●
●
●
●●
●●
●●●●●
● ● ●●
●
●
●
●●
●
●●
●
●
●●
●●
●
●●
●
● ●
●●
●
●
●●
●
●
● 85 dari 490
50
● ● ●
●●
●
●●
●
x
●
●
●
●●
●
●
●●
●
●
●
●
●
●●
●
●●
●
●
●
● ●
●
●●
120
●
●●
●●
●
●●
●●
●
●
● ●●●
●
40
● ● ●●●●
−2 −1 0 1 2 Cari Halaman
40 45 50 55 60
norm quantiles
x
Kembali
Gambar 1.6: Contoh Gabungan Grafik Besar (Diagram Pencar) de-
ngan Grafik Mini(Histogram dan QQPlot) Layar Penuh
Tutup
Keluar
Diagram Pencar (X,Y) Histogram Y
0.020
FMIPA-UNEJ
20
Frequency
180
Density
●
●●
0 5 0.010
●
●
10
●
●
170
●●
● Daftar Isi
0.000
●
● ●
● ●
●●●
●
●
160
●
●●
● 120 140 160 180
●
●● ●
●
●
●●
●●●●
y Judul
●● ●
●●
150
y
●
●●
●●
● ●
●
●● ●
● ●
● ●●●
●●
QQ.norm X
JJ J I II
140
●●
● ●●
40 45 50 55 60
● ● ●
●
●●● ●●
●●● ●●●
●
● ●●
●
● ●
●●
130
●
● ●
●
● ●●
●
●●
●
●●
●● ●
●
●
●●
●
●
●●
●
●●
●
●●
●
●
●●
●
●●
●● 86 dari 490
x
● ●●
●
●●
●
●●
●
●
●
●●
●
● ●●
●
●
●●
●
●
120
●
●●
●
●●
●
●
●●
●
●
● ●●
●
● ●
●●●●
●
40 45 50 55 60 −2 −1 0 1 2 Cari Halaman
x norm quantiles
Kembali
Gambar 1.7: Contoh Gabungan Grafik dengan pembagian layar
(1,2)dan (2,1) Layar Penuh
Tutup
Keluar
Diagram Pencar (X,Y)
y
● ●
● ●
●
● ● ●
● ●
●
●
● ●
● ●
● ● ● ●
● ●
● ●
●
● ● ●
●
●
●
● ●
● Daftar Isi
●
● ●
40 45 50 55 60
x Judul
Histogram Y QQ.norm X
JJ J I II
40 45 50 55 60
●
●
0.000 0.010 0.020
●●
●●●
●●
●
●
●●
●
●
●●
●
●●
●
●●
Density
●
●
●
●●
●
●
●●
●
●●
●
●●
●
●
●●
●
●●
87 dari 490
x
●●
●
●●
●
●●
●
●
●
●●
●
●●
●
●
●●
●
●
●
●●
●
●●
●
●
●●
●
●
●●
●
●
●●●●
●
y norm quantiles
Kembali
Gambar 1.8: Contoh Gabungan Grafik dengan pembagian layar
(2,1)dan (1,2) Layar Penuh
Tutup
Keluar
1.6.2. Aplikasi R untuk Model Statistika/ Analisis Regresi
Analisis regresi menggunakan R tersebar dalam banyak paket, di-
antaranya ada yang telah terintegrasi dengan paket minimal R ada FMIPA-UNEJ
pula yang harus diinstal dan dipanggil secara khusus. Berikut ada-
lah fungsi-fungsi yang dipakai menganalisis model linier beserta paket
Daftar Isi
yang memuatnya.
Kembali
Layar Penuh
Tutup
Keluar
glm() stats regresi/model linier dengan respon
berdistribusi Keluarga Eksponensial
termasuk distribusi Normal denganre-
spon masih saling bebas. Paket ini FMIPA-UNEJ
RCommander
lme() lme4 *) regresi/ model liner tercampur baik un- Judul
tuk respon berdistribusi keluarga eks-
ponensial (termasuk distribusi Normal)
JJ J I II
... lmm *) Berbagai fungsi untuk menangani data
dengan respon berdistribusi normal
89 dari 490
tetapi tidak saling bebas dengan pen-
dekatan Bayesian dan Markov Chained
Cari Halaman
Monte Carlo
Kembali
Layar Penuh
Tutup
Keluar
glmmML
glmmML() regresi dengan respon berdistribusi
*) Keluarga Eksponensial denganpen-
dekatan Likelihood Maksimum
lrm() Design *) Khusus untuk data dengan respon FMIPA-UNEJ
Keluar
*) menunjukkan bahwa paket harus diinstal secara khusus
1. regresi linier klasik sederhana (satu peubah bebas dan satu pe-
Judul
ubah penjelas);
Tutup
Keluar
1.7. Ringkasan
Hal-hal penting yang perlu dipahami dalam bab ini adalah seperti
berikut. FMIPA-UNEJ
simum.
Kembali
Keluar
5. Untuk komponen acak yang bersebaran normal dan saling bebas,
analisisnya biasa disebut model linier normal.
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
1.8. Bacaan Lebih Lanjut
Pada dasarnya semua referensi yang dapat dibaca untuk pengemban-
gan materi pemodelan statistika telah diuraikan pada sesi perkemban- FMIPA-UNEJ
gan model statistika. Berikut adalah kata kunci yang dapat dipakai
untuk melacak (searching) materi pengembangan baik diperpustakaan Daftar Isi
maupun di internet. Bahan bahan ini biasanya dikemas dalam salah
satu topik berikut:statistical model, linear model, regression. Untuk
Judul
model linear tergeneralisir/terampat dapat juga dilacak dengan kata
kunci berikut: logit, probit, log-linear.
JJ J I II
94 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
1.9. Latihan
1. Jelaskan apa perbedaan penting antara pemodelan matematika
secara umum dan pemodelan statistika. FMIPA-UNEJ
5. Carilah referensi yang terkait dengan pemodelan statistika linier 95 dari 490
(a) buat grafik X-Y (plot(x,y,...) dengan memberi judul Layar Penuh
utama, label pada sumbu X dan sumbu Y;
Tutup
Keluar
(b) buat tampilan jendela grafik dengan berbagai outline.
(c) buat histogram dengan dilengkapi judul dan kurva sebaran;
(d) buat diagram pencar yang dilengkapi dengan marjin box- FMIPA-UNEJ
plot;
(e) bagaimana menggunakan fungsi lm()}; Daftar Isi
mander;.
(c) aktifkan plugin terkait demo/animasi statistika; Kembali
Tutup
Keluar
FMIPA-UNEJ
Judul
ALJABAR MATRIKS UNTUK STATISTIKA
JJ J I II
97 dari 490
Cari Halaman
Analisis data, khususnya estimasi parameter dalam regresi multivariat,
banyak melibatkan operasi matriks. Dalam bab ini akan dibahas teori
matriks yang banyak terkait dengan statistika. Kembali
Layar Penuh
Tutup
Keluar
Kompetensi
Setelah membaca bab ini, pembaca diharapkan memahami aljabar ma-
triks, turunan yang berkaitan dengan matriks serta menggunakannya FMIPA-UNEJ
Judul
JJ J I II
98 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
2.1. Materi
1. Definisi dan jenis matriks
FMIPA-UNEJ
2. Operasi matriks
99 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
2.2. Defenisi dan Jenis Matriks
Definisi 2.1. Matriks adalah kumpulan unsur yang disusun dalam
baris dan kolom yang berbentuk persegi panjang. FMIPA-UNEJ
cil. Banyaknya baris dan kolom matriks disebut ordo matriks matriks.
Matriks yang memiliki n baris dan m kolom,dikatakan berordo n × m Judul
dan dinotasikan dengan An×m = [aij ]. Dalam hal ini, aij adalah unsur
yang berada pada baris ke i dan kolom ke j dengan i = 1, 2, · · · , n JJ J I II
dan j = 1, 2, 3, · · · , m.
Contoh 2.1. Matriks A berikut adalah matriks yang berordo 4 ×3; 100 dari 490
3 4 5 Cari Halaman
1 3 6
A=
7 10 20
Kembali
5 7 2
Beberapa matriks khusus yang banyak digunakan dalam sta- Layar Penuh
tistika diantaranya adalah matriks bujur sangkar, matriks diagonal,
Tutup
Keluar
matriks skalar dan matriks simetrik. Definisi formal masing- masing
jenis matriks tersebut dapat dilihat pada buku-buku teks standar yang
membahas matriks.
FMIPA-UNEJ
Definisi 2.2. Matriks bujur sangkar (square matrix), adalah matriks
dengan banyak barisnya sama dengan banyak kolomnya, yaitu n = m.
Daftar Isi
Pada matriks bujur sangkar, unsur unsur yang berada pada
baris dan kolom dengan nomor sama disebut diagonal utama (yaitu:
Judul
aii , i = 1, 2, · · · , n.)
Contoh 2.2. JJ J I II
3 14 5
B = 11 3 6
7 10 20 101 dari 490
untuk setiap i 6= j.
Kembali
Contoh 2.3.
3 0 0
D= 0 0 0 Layar Penuh
0 0 2
Tutup
Keluar
Definisi 2.4. Matriks skalar adalah matriks diagonal yang semua un-
surnya sama, tetapi tidak sama dengan 0.
Definisi 2.5. Matriks identitas I adalah matriks skalar yang semua Judul
unsurnya 1
JJ J I II
Contoh 2.5.
1 0 0
I= 0 1 0 102 dari 490
0 0 1
Cari Halaman
Definisi 2.6. Matriks nol (0) adalah matriks yang semua unsurnya
adalah 0.
Kembali
Definisi 2.7. Matriks simetris adalah matriks yang unsur-unsurnya
simetris terhadap diagonal utama, yaitu aij = aji untuk setiap i dan Layar Penuh
j.
Tutup
Keluar
Contoh 2.6.
3 1 5 FMIPA-UNEJ
A= 1 2 0
5 0 4 Daftar Isi
Contoh 2.7.
Judul
Keluar
umumnya model yang dipergunakan selalu mengandung konstanta se-
hingga kolom pertama matriks X biasanya beranggotakan 1.
1 x11 x12 · · · x1p FMIPA-UNEJ
1 x21 x22 · · · x2p
X = . .
. . . . ..
. . . . Daftar Isi
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
2.3. Operasi Matriks dan Sifat-sifatnya
Operasi matriks yang penting yang banyak dipergunakan dalam sta-
tistika diantaranya adalah operasi uner yaitu: invers dan transpos dan FMIPA-UNEJ
Kembali
−3 −1 −5
3 1 5
Jika A = 1 −2 0 , maka −A = −1 2 0 .
Layar Penuh
5 0 −4 −5 0 4
Tutup
Keluar
Definisi 2.9. Transpos matriks A (berordo m × n) ditulis AT adalah
matriks berordo n × m yang diperoleh dengan menukar baris matriks
A menjadi kolom dan sebaliknya, yaitu jika B = AT , maka bij = aji .
FMIPA-UNEJ
Contoh 2.9.
Daftar Isi
4 5
T 4 1 2
Jika A = 1 7 maka A =
5 7 4 Judul
2 4
Keluar
Definisi 2.11.
n
X
f (xi ) = f (x1 ) + f (x2 ) + · · · + f (xi ) + · · · + f (xn ).
FMIPA-UNEJ
i=1
n
X n
X n
X
f (xi ) = x2i + k1 +nk2 . Layar Penuh
i=1 i=1 i=1
Tutup
Keluar
Bukti:
Pn
1 i=1 k {z· · · + k}
= |k + k +
n FMIPA-UNEJ
= nk.
Pn
2 i=1 kf (xi ) = kf (x1 ) + kf (x2 ) + · · · + kf (xn ) Daftar Isi
= x21 + · · · + x2n + k1 x1 + · · · + k1 xn + k2 + · · · + k2
| {z } Cari Halaman
n
n
X n
X
= x2i + k1 xi + nk2 Kembali
i=1 i=1
Xn n
X
= x2i + k1 xi + nk2 . Layar Penuh
i=1 i=1
Tutup
Keluar
Untuk lebih meringkas notasi, kadang-kadang jumlah untuk selu-
ruh rentangan indeks hanya dinotasikan dengan tanda titik (.) untuk
indeks tersebut, misalnya
FMIPA-UNEJ
n
X
xi. = xij
j=1 Daftar Isi
Xm
x.j = xij .
Judul
i=1
P
Jika operator merupakan penjumlahan yang berulang, maka JJ J I II
Q
operator untuk perkalian berulang disebut operator yang didefinisi-
kan seperti berikut ini.
109 dari 490
Definisi 2.12.
n Cari Halaman
Y
f (xi ) = f (x1 ) × f (x2 ) × · · · × f (xi ) × · · · × f (xn ).
i=1 Kembali
Q
Sedangkan sifat-sifat operator dinyatakan dalam hasil berikut.
Layar Penuh
Q
Hasil 2.3. Sifat- sifat operator adalah:
Tutup
Keluar
n
Y
jika k adalah suatu konstanta, maka k = kn;
i=1
maka n n
Y Y
kf (xi ) = k n f (xi ); Daftar Isi
i=1 i=1
jika k1 , k2 adalah konstanta dan f (xi ) = (x2i )(k1 xi )(k2 ), maka Judul
n
Y n
Y n
Y
f (xi ) = x2i × k1n xi × k2n . JJ J I II
i=1 i=1 i=1
Penjumlahan Matriks
Kembali
Keluar
dilakukan dengan menjumlahkan unsur unsur yang seletak, yaitu un-
sur unsur yang terletak pada baris dan kolom yang sama atau yang
mempunyai indeks yang sama.
FMIPA-UNEJ
Jika JJ J I II
3 5 6 8
A = 8 4 dan B = 2 4 ,
111 dari 490
6 10 3 10
maka Cari Halaman
3+6 5+8 9 13
A + B = 8 + 2 4 + 4 = 10 8 .
6 + 3 10 + 10 9 20 Kembali
Tutup
Keluar
Hasil 2.4. Sifat- sifat penting dari penjumlahan matriks adalah
A+B=B+A komutatif
A+0=0+A identitas
FMIPA-UNEJ
A + (−A) = 0 invers
A + (B + C) = (A + B) + C assosatif
(A + B)T = AT + BT distribusi transpus Daftar Isi
Judul
Perkalian matriks
JJ J I II
Perkalian matriks bisa dilakukan apabila banyaknya kolom matriks
terkali sama dengan banyaknya baris matriks pengali. Matriks-matriks
112 dari 490
yang dapat dikalikan disebut matriks-matriks yang conformable ter-
hadap perkalian. Selain perkalian dengan sesama matriks, matriks
Cari Halaman
juga dapat dikalikan dengan skalar.
Kembali
Definisi 2.15. Hasil kali suatu matriks dengan suatu skalar adalah
matriks yang unsur- unsurnya adalah hasil kali setiap unsur matriks
Layar Penuh
dengan skalar tersebut, yaitu kA = (kaij ) .
Tutup
Keluar
Contoh 2.11.
3 −2 −6 9 −6 −18
3 1 2 0 = 3 6 0 .
FMIPA-UNEJ
−5 0 4 −15 0 12
Definisi 2.16. Hasil kali dua matriks adalah matriks yang berordo
Daftar Isi
sedemikian sehingga barisnya sama dengan baris matriks yang dika-
likan dan kolomnya sama dengan kolom matriks pengali. Unsur unsur
Judul
dari matriks pengali merupakan kombinasi linier dari baris matriks
terkali dengan kolom dari matriks pengali. Jadi jika Am×n Bn×p , maka
Cm×p = AB dengan JJ J I II
Contoh 2.12.
Kembali
Jika
3 −2 −6 3 −1 2
Keluar
maka AB adalah
(3)(3) + (−2)(5) + (−6)(0) (3)(−1) + (−2)(2) + (−6)(2)
= (1)(3) + (2)(5) + (0)(0) (1)(−1) + (2)(2) + (0)(2)
FMIPA-UNEJ
(−5)(3) + (0)(5) + (4)(0) (−5)(−1) + (0)(2) + (4)(2)
(3)(2) + (−2)(0) + (−6)(4) Daftar Isi
(1)(2) + (2)(0) + (0)(4)
(−5)(2) + (0)(0) + (4)(4)
Judul
−1 −19 −18
= 13 3 2 .
JJ J I II
−15 13 6
Hasil 2.5. Sifat-sifat operasi perkalian yang penting di antaranya ada- 114 dari 490
lah:
Tutup
Keluar
4. distributif transpos terhadap perkalian, yaitu (AB)T = BT AT .
kan sedemikian rupa sehingga merupakan jumlah hasil kali unsur- un-
sur yang sejajar diagonal utama dikurangi jumlah unsur-unsur yang Judul
sejajar diagonal lain. Dalam bentuk notasi
n
Y n
Y n−1
Y n
Y JJ J I II
|A| = aii + ai,i+1 + · · · + a1n ai+1,i − an+1−i,i − · · ·
i=1 i=1 i=1 i=1
115 dari 490
n−1
Y
− a11 an+2−i,i .
i=2 Cari Halaman
Keluar
3 4 1
Jika A = 5 7 6 , maka det A adalah
3 2 5
FMIPA-UNEJ
|A| = (3)(7)(5) + (4)(6)(3) + (1)(5)(2)
− (3)(7)(1) − (5)(4)(5) − (3)(2)(6) Daftar Isi
= 105 + 72 + 10 − 21 − 100 − 36
= 187 − 157 = 30 Judul
Dari
−1 −19 −18
Cari Halaman
A = 13 3 2 ,
−15 13 6 Kembali
maka tr(A) = −1 + 3 + 6 = 8.
Untuk matriks bujur sangkar beordo 2, cara mencari invers ada- Layar Penuh
lah sebagai berikut.
Tutup
Keluar
a c
Hasil 2.6. Jika A = , maka
b d
| A |= ac − bd FMIPA-UNEJ
d −c
A = |A|
−1 1
−b a Daftar Isi
Kembali
Layar Penuh
Tutup
Keluar
2.4. Kebergantungan Linier dan Rank Matriks
Dalam statistika pada umumnya kolom-kolom matriks mewakili peu-
bah - peubah acak yang bisa saling bebas atau tidak saling bebas satu FMIPA-UNEJ
sama lain. Kondisi ini akan mempengaruhi apakah matriks yang akan
dihasilkan mempunyai rank penuh atau tidak, apakah matriks yang Daftar Isi
dihasilkan akan mempunyai invers atau tidak.
Judul
Definisi 2.20. Suatu kolom dari matriks A dikatakan bergantung
linier dengan kolom-kolom lainnya jika dia dapat dinyatakan sebagai
kombinasi linier dari kolom-kolom lainnya tersebut. JJ J I II
Definisi 2.21. Rank suatu matriks adalah bilangan yang menun- 118 dari 490
jukkan banyaknya maksimum kolom yang saling bebas linier.
Cari Halaman
Definisi 2.22. Suatu matriks dikatakan mempunyai rank penuh jika
ranknya sama dengan banyaknya kolom
Kembali
Hasil 2.7. Suatu matriks bujur sangkar akan nonsingular jika mem-
punyai rank penuh, sebaliknya akan singular jika tidak mempuyai rank Layar Penuh
penuh.
Tutup
Keluar
Contoh 2.16.
3 4 1
Matriks A = 5 7 6 adalah matriks nonsingular dengan rank FMIPA-UNEJ
3 2 5
3 4 1
Daftar Isi
penuh 3. Tetapi B = 18 7 6 tidak mempunyai rank penuh
15 2 5
Judul
karena kolom pertama merupakan 3× kolom ketiga dan karenanya
B adalah matriks singular dan tidak memiliki invers. Penyelesaian
konkrit dari kegergantungan ini dapat dihitung dengan membentuk JJ J I II
sistim persamaan homogen antara kolom-kolom matriks dan mencari
apakah sistem persamaan homogen tersebut mempunyai atau tidak 119 dari 490
Keluar
3 4 1 1
Matriks A = 5 7 6 1 mempunyai banyak kolom yang lebih be-
3 2 5 1
sar dari banyaknya baris, karena itu pasti salah satu dari kolom yang FMIPA-UNEJ
ada dapat dinyatakan sebagai kombinasi linier dari yang lainnya. Se-
cara aljabar hal ini mengandung pengertian bahwa sistim persamaan Daftar Isi
Kembali
2b + −4c = 0 (4)
2a + 5b + c = 0 (5)
Layar Penuh
Tutup
Keluar
Persamaan (4) menghasilkan hubungan b = 2c yang dapat disubsti-
tusikan ke (5)
2a + 10c + c7 = 0 FMIPA-UNEJ
2a + 11c = 0
11
a=− c (7) Daftar Isi
2
Judul
Keluar
sampel selalu diusahakan jauh lebih banyak dari banyaknya peubah
penjelas yang menjadi perhatian.
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
2.5. Bentuk Kuadrat dan Diferensial Matriks
Definisi 2.23. Misalkan
FMIPA-UNEJ
x1
a11 a12 · · · an1
x
2 a21 a22 · · · an2 Daftar Isi
x = x3 dan A = ,
.. .. . . . ..
···
. . .
xn an1 an2 · · · ann Judul
n
" n # !
X X JJ J I II
maka Q = xT Ax = xj aij xi ; merupakan matriks 1 ×1
i=1 j=1
(skalar) yang disebut matriks bentuk kuadrat. 123 dari 490
Tutup
Keluar
Definisi 2.25. Matriks bentuk kuadrat Q disebut semi definit positif
apabila Q ≥ 0 untuk setiap x 6= 0 dan Q = 0 paling tidak untuk
satu x 6= 0. Selanjutnya matriks A dariQ disebut matriks positif semi
FMIPA-UNEJ
definit.
Daftar Isi
sering diperlukan turunan suatu matriks terhadap sekelompok
peubah dalam satu vektor. Pada dasarnya turunan satu peubah ter-
Judul
hadap suatu vektor adalah adalah suatu vektor atau matriks yang
unsur-unsurnya adalah turunan peubah pertama terhadap peubah
unsur-unsur vektor penurun sedemikain sehingga posisi unsurnya se- JJ J I II
suai dengan posisi unsur yang diturukan dan unsur penurun.
124 dari 490
x=
x3 dan g = g(x)
..
. Layar Penuh
xn
Tutup
Keluar
maka
∂g
∂x1
∂g
∂x2
∂g ∂g FMIPA-UNEJ
= ∂x3
∂x
..
.
∂g Daftar Isi
∂xn
dan
∂g
Judul
∂x1
∂g
T ∂x2
∂g ∂g
∂g
JJ J I II
= =
∂xT ∂x ∂x3
···
∂g
125 dari 490
∂xn
Contoh 2.18.
Cari Halaman
x1
Jika g = (2x1 + 5x2 ), dan x = , maka
x2 Kembali
∂g 2
= Layar Penuh
∂x 5
Tutup
Keluar
Contoh 2.19.
Jika
g1 x1 FMIPA-UNEJ
g2
x2
g=
g3 , dan x =
x3 ,
Daftar Isi
.. ..
. .
gn xp Judul
∂g
maka yang dapat dilakukan adalah yang menghasilkan matriks
∂xT JJ J I II
T
∂g
n × p atau yang menghasilkan matriks p × n.
∂x 126 dari 490
Keluar
x1 1 2
Misalkan x = dan A = maka
x2 2 1
FMIPA-UNEJ
Daftar Isi
x1 + 2x2
1. Ax = ;
2x1 + x2
Judul
JJ J I II
Cari Halaman
Kembali
∂(x1 + 2x2 ) ∂(x1 + 2x2 )
∂Ax ∂x1 ∂x2 1 2
3. = = = A;
∂xT ∂(2x1 + x2 ) ∂(2x1 + x2 ) 2 1 Layar Penuh
∂x1 ∂x2
Tutup
Keluar
4. Turunan xT Ax terhadap x adalah
FMIPA-UNEJ
Kembali
Layar Penuh
5. Karena xT Ax pada dasarnya adalah suatu skalar, maka dapat
Tutup
Keluar
juga diturunkan terhadap xT .
∂xT Ax
∂(x21 + 4x1 x2 + x22 ) ∂(x21 + 4x1 x2 + x22 )
=
∂xT ∂x1 ∂x2 FMIPA-UNEJ
= 2x1 + 4x2 4x1 + 2x2
1 2 Daftar Isi
= 2 x1 x2
2 1
= 2xT A; Judul
Hasil 2.9. Misalkan A adalah matriks simetrik berordo n × n dan x Cari Halaman
adalah vektor baris berordo n, maka
∂xT A ∂Ax Kembali
1. = =A
∂x ∂xT
∂xT Ax Layar Penuh
2. = 2Ax
∂x
Tutup
Keluar
∂ 2 xT Ax
3. = 2A
∂xT ∂x
Contoh 2.21. FMIPA-UNEJ
2 1 x1
Misalkan A = , x = , sedangkan x1 = 2t1 + 3t2
1 3 x2 Daftar Isi
2 3
dan x2 = 3t1 + t2 , jika t = , maka:
3 1 Judul
∂x
1. x = Bt dan = B; JJ J I II
∂tT
2x1 + x2 2(2t1 + 3t2 ) + 3t1 + t2 ∂Ax 130 dari 490
2. Ax = = , sehingga =
x1 + 3x2 2t1 + 3t2 + 3(3t1 + t2) ∂xT
A dan Cari Halaman
∂Ax 7 7 2 1 2 3 ∂Ax ∂x
3. = = = AB = .
∂tT 11 6 1 3 3 1 ∂xT ∂tT Kembali
Hasil di atas dapat diperluas pada hasil berikut. Bukti umum Layar Penuh
dari hasil berikut tidak dibahas dalam buku ini.
Tutup
Keluar
Hasil 2.10. Misalkan y adalah vektor peubah yang merupakan fungsi
dari x, yaitu merupakan hasil perkalian antara x dengan suatu matriks
simetrik dan F adalah matriks peubah yang merupakan fungsi dari y,
FMIPA-UNEJ
yaitu hasil kali y dengan suatu matriks simetrik, maka berlaku sifat
turunan rantai sebagai berikut:
∂F ∂F ∂y ∂F ∂F ∂yT Daftar Isi
= atau =
∂x ∂yT ∂x ∂x ∂y ∂x
Contoh 2.22. Misalkan X, Y dan β adalah matriks-matriks sedemi- Judul
kian sehingga
Q = (Y − Xβ)T (Y − Xβ) JJ J I II
adalah suatu bentuk kuadrat (matriks 1 × 1). Tentukan
131 dari 490
1. ∂Q/∂β
Jawab:
Q = (Y − Xβ)T (Y − Xβ) Kembali
= YT − β T XT (Y − Xβ)
T Layar Penuh
= Y T Y − β T XT Y − β T XT Y + β T XT Xβ
Tutup
Keluar
mengingat β T XT Y adalah matriks 1×1, maka identik dengan traspos-
nya dan persamaan di atas menjadi
Q = YT Y − 2β T XT Y + β T XT Xβ. FMIPA-UNEJ
∂Q
= 0 − 2XT Y + 2XT Xβ
∂β Judul
= 2 XT Xβ − XT Y
= −2 XT Y − XT Xβ
JJ J I II
Keluar
Tunjukkan bahwa
∂Q
= −2XT V−1 (Y − Xβ) , dan
∂β FMIPA-UNEJ
∂ 2Q
T
= 2XT V−1 X.
∂β ∂β Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
Tabel 2.1: Fungsi R terkait matriks
No perintah R Keterangan
1 matrix(c,b,k) menyusun matriks berordo b × k
FMIPA-UNEJ
2 diag(M) menyusun matriks diagonal, atau
mengambildiagonal dari matriks bu-
Daftar Isi
jur sangkar
3 t(M) transpos matriks M
4 A*B perkalian unsur-unsur pada baris Judul
Keluar
2.6.1. Mendefinisikan matriks
Matriks dapat didefinisikan dengan beberapa cara yaitu:
FMIPA-UNEJ
1. memberikan data elemen matriks (c(a11, a21, a31, ..., a21,
a22, ...) yang selanjutnya disusun dalam bentuk baris dan
Daftar Isi
kolom. Ingat bahwa R akan melengkapi seluruh baris kolom 1
baru melengkapi kolom 2 dan seterusnya.
Judul
>x<-seq(1,10,1)
JJ J I II
>xmat<-matrix(x,2,5)
>ymat<-matrix(x,5,2)
135 dari 490
>xmat
[,1] [,2] [,3] [,4] [,5]
[1,] 1 3 5 7 9 Cari Halaman
[2,] 2 4 6 8 10
> ymat Kembali
[,1] [,2]
[1,] 1 6 Layar Penuh
[2,] 2 7
Tutup
Keluar
[3,] 3 8
[4,] 4 9
[5,] 5 10
FMIPA-UNEJ
Daftar Isi
2. menjadikan matriks data yang sudah tersusun dalam bentuk
baris dan kolom dengan perintah as.matrix(). Untuk matriks
Judul
berukuran besar, mungkin tidak praktis mencetak seluruh el-
emennya, tetapi kita bisa memeriksa dimensi/ordonya dengan
dim(). Pada contoh berikut data kecepatan dan jarak tempuh JJ J I II
mobil yang berupa tabel dengan 50 baris dan 2 kolom didefinisi-
kan menjadi matriks berordo 50 ×2. 136 dari 490
>x<-as.matrix(cars)
>dim(x) Kembali
[1] 50 2
>amat<-x%*%t(x) Layar Penuh
>bmat<-t(x)%*%x
Tutup
Keluar
>dim(amat)
[1] 50 50
>dim(bmat)
FMIPA-UNEJ
[1] 2 2
Daftar Isi
3. beberapa matriks didefinisikan secara khusus diantaranya adalah
(a) matriks dengan elemen yang sama, misalnya k dengan ordo Judul
m × n.
JJ J I II
>matrix(0,2,3)
[,1] [,2] [,3]
137 dari 490
[1,] 0 0 0
[2,] 0 0 0
Cari Halaman
>matrix(1,2,3)
[,1] [,2] [,3] Kembali
[1,] 1 1 1
[2,] 1 1 1 Layar Penuh
Tutup
Keluar
>matrix(5,2,3)
[,1] [,2] [,3]
[1,] 5 5 5
[2,] 5 5 5 FMIPA-UNEJ
Daftar Isi
[2,] 0 2 0
[3,] 0 0 2 Layar Penuh
>diag(c(1,2,3,4,5))
Tutup
Keluar
[,1] [,2] [,3] [,4] [,5]
[1,] 1 0 0 0 0
[2,] 0 2 0 0 0
[3,] 0 0 3 0 0 FMIPA-UNEJ
[4,] 0 0 0 4 0
[5,] 0 0 0 0 5 Daftar Isi
> diag(bmat) JJ J I II
speed dist
13228 124903 139 dari 490
Keluar
[,1] [,2]
[1,] 95 220
[2,] 110 260
FMIPA-UNEJ
> ymat%*%xmat
[,1] [,2] [,3] [,4] [,5] Daftar Isi
[1,] 13 27 41 55 69
[2,] 16 34 52 70 88
Judul
[3,] 19 41 63 85 107
[4,] 22 48 74 100 126
JJ J I II
[5,] 25 55 85 115 145
> solve(xmat%*%ymat)
[,1] [,2] Kembali
[1,] 0.52 -0.44
[2,] -0.22 0.19 Layar Penuh
Tutup
Keluar
> det(ymat%*%xmat)
[1] 0
FMIPA-UNEJ
> solve(ymat%*%xmat) #tes walau kita tahu det=0.
Error in ... system is exactly singular
Daftar Isi
[2,] 3 1
> B.mat Kembali
[,1] [,2]
[1,] 1 2 Layar Penuh
[2,] 3 5
Tutup
Keluar
> A.mat*B.mat
[,1] [,2]
[1,] 2 8 FMIPA-UNEJ
[2,] 9 5
Daftar Isi
> B.mat*A.mat
[,1] [,2]
Judul
[1,] 2 8
[2,] 9 5
JJ J I II
[,1] [,2]
[1,] 8 6 Layar Penuh
[2,] 21 17
Tutup
Keluar
> A.mat%*%B.mat
[,1] [,2]
[1,] 14 24 FMIPA-UNEJ
[2,] 6 11
Daftar Isi
Berikut adalah matriks pada Contoh 2.15 yang dihitung dengan
R.
Judul
> A<-matrix(c(1,-1,2,2),2,2)
JJ J I II
> print(A)
[,1] [,2]
143 dari 490
[1,] 1 2
[2,] -1 2
Cari Halaman
> solve(A)
[,1] [,2] Kembali
Tutup
Keluar
2.7. Bacaan Lebih Lanjut
Referensi umum mengenai matriks dapat dijumpai pada buku-buku
teks tentang matriks atau aljabar linier. Namun tidak banyak refer- FMIPA-UNEJ
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
2.8. Ringkasan
Beberapa halpenting terkait matriks perlu dipahamidenganbaik di-
antaraya seperti berikut ini. FMIPA-UNEJ
1. Matriks adalah kumpulan unsur yang disusun dalam baris dan Daftar Isi
Keluar
6. Suatu kolom dari matriks A dikatakan bergantung linier dengan
kolom-kolom lainnya jika dia dapat dinyatakan sebagai kombi-
nasi linier dari kolom-kolom lainnya tersebut.
FMIPA-UNEJ
7. suatu matriks bujur sangkar dikatakan memiliki rank penuh jika
semua kolomnya bebas(tidak bergantung) linier dengan kolom Daftar Isi
lainnya.
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
2.9. Latihan Soal-soal
Kerjakan soal-soal berikut secara sendiri atau berkelompok.
FMIPA-UNEJ
1. Sebutkan definisi matriks berikut dan beri masing- masing satu
(1) contoh.
Daftar Isi
(a) Matriks diagonal
(b) Matriks skalar Judul
2. Buatlah dua buah matriks (A, B), masing- masing berordo 2 × 2 147 dari 490
, selanjutnya hitung
(b) BA
Kembali
(c) A−1
Keluar
1 2 4
3 3 6
(a) A = 2 4 1
5 5 3 FMIPA-UNEJ
6 2 −1
Daftar Isi
1 2 4 1
5 5 3 0
(b) B = 2 4 1 2 Judul
2 −1 −4
6
3 3 6 0 JJ J I II
3 3 6 3 3 −1
1 2 4 1 1 1 148 dari 490
(c) C = 5 5 3 0 0 1
2 −1 4
6 3 5 Cari Halaman
2 4 1 2 5 10
Kembali
4. Diketahui
1 2 4
A = 2 3 6 Layar Penuh
4 6 1
Tutup
Keluar
dan
x
x = y
z FMIPA-UNEJ
Tentukan
Daftar Isi
(a) Q = XT AX
∂Q
(b) Judul
∂x
∂ 2Q
(c) JJ J I II
∂xT ∂x
baik dengan cara menurunkan unsur-unsurnya maupun dengan
149 dari 490
cara keseluruhan dengan cara matriks.
Keluar
(b) AT A
(c) AAT
−1
(d) AAT FMIPA-UNEJ
−1
(e) AT A
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Judul
MODEL LINIER KLASIK
JJ J I II
Cari Halaman
Regresi linier dengan respon bersifat kontinu merupakan bentuk pe-
modelan statistika yang paling sederhana dan model ini telah dipergu-
nakan selama beberapa dekade. Pada bab ini akan dibahas pemodelan Kembali
Tutup
Keluar
Kompetensi
Pembaca diharapkan memahami prinsip model linier normal atau mo-
del linier klasik, merumuskan model, mengestimasi parameter dan me- FMIPA-UNEJ
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
Materi
1. Bentuk dan Asumsi
FMIPA-UNEJ
2. Estimasi parameter
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
3.1. Bentuk dan Asumsi
Misalkan hubungan antara peubah respon (Yi ) dengan peubah tetap
(Xi ) untuk subjek i = 1, 2, ...n, ditentukan oleh FMIPA-UNEJ
Y1 = β0 + β1 X1 + 1
.. .. ..
Daftar Isi
. . .
Yi = β0 + β1 Xi + i (3.1)
.. .. ..
Judul
. . .
Yn = β0 + β1 Xn + n
JJ J I II
dengan:
1. Xi adalah peubah tetap yang tidak bersifat acak (lebih lanjut 154 dari 490
3. kesalahan individu satu dengan lainnya saling bebas, yaitu untuk Layar Penuh
i 6= i0 , maka i ||i0 atau korelasi i dengan i0 adalah 0.
Tutup
Keluar
Dari asumsi dapat ditentukan bahwa ekspektasi dari setiap respon
adalah
E [Yi ] = β0 + β1 Xi (3.2)
FMIPA-UNEJ
yang merupakan sebuah garis lurus yang kita sebut garis regresi Po-
pulasi. Sedangkan sebaran setiap pasangan (Xi , Yi ) akan berada pada
Daftar Isi
atau sekitar garis tersebut sesuai dengan besarnya i .
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
3.2. Estimasi Parameter
Dalam kenyataan, kita hanya memiliki pasangan-pasangan data (Xi , Yi )
untuk i = 1, 2, · · · , n. Dari data yang kita miliki kita ingin menges- FMIPA-UNEJ
Keluar
rameter dengan menggunakan metode kuadrat terkecil maka ditem-
pun langkah-langkah berikut ini.
1. Karena yang akan diminimumkan adalah kuadrat galat, maka
FMIPA-UNEJ
langkah pertama yang harus dilakukan adalah mengubah model
linier menjadi eksplisit terhadap galat. Dari bentuk model pada
Daftar Isi
persamaan (3.1), diperoleh rumusan galat
i = Yi − (β0 + β1 Xi ) (3.3) Judul
Keluar
Minimum dari Q terhadap diperoleh dengan mencari turunan
pertama maupun ke dua
FMIPA-UNEJ
n
∂Q X
= −2 [Yi − (β0 + β1 Xi )]
∂β0 i=1 Daftar Isi
n
∂Q X
= −2 [Yi − (β0 + β1 Xi )] Xi
∂β1 i=1 Judul
JJ J I II
4. Menyusun persamaan normal yang diperoleh dari sistem per-
samaan ∂Q/∂βj = 0. Dari hasil sebelumnya diperoleh per- 158 dari 490
samaan normal
Cari Halaman
Pn
i=1 [Yi − (β0 + β1 Xi )] =0
Pn . (3.5)
i=1 [Yi − (β0 + β1 Xi )] Xi = 0 Kembali
Layar Penuh
Persamaan normal di atas selanjutnya dapat disederhanakan
Tutup
Keluar
menjadi
n n
X X FMIPA-UNEJ
Yi − nβ0 − β1 Xi = 0 (3.6a)
i=1 i=1
n
X n
X Xn Daftar Isi
Xi Yi − β0 Xi − β1 Xi2 =0 (3.6b)
i=1 i=1 i=1
Judul
JJ J I II
n n
1X 1X
βˆ0 = Yi − β1 Xi (3.7a) Cari Halaman
n i=1 n i=1
= Ȳ − β1 X̄ (3.7b) Kembali
Layar Penuh
Hasil persamaan (3.7) ini selanjutnya disubstitusikan pada per-
Tutup
Keluar
samaan normal (3.6b) sehingga diperoleh:
P P
P Xi Yi
X Y
i i −
βˆ1 = P P
n
2 (3.8a)
Xi2 − ( nXi ) FMIPA-UNEJ
2
Xi2 − X̄ 2 = Xi2 −
P P P P
Mengingat bahwa Xi − X̄ = JJ J I II
nX̄ 2 , maka
P 160 dari 490
Yi (Xi − X̄)
βˆ1 = P 2 (3.8d)
Xi − X̄
Cari Halaman
Keluar
rata-rata kuadrat deviasi data terhadap garis regresi yang diperoleh
dari βˆj . Dalam hal ini derajat kebebasan yang dimiliki oleh deviasi
ini adalah n − k dengan k adalah banyaknya penduga βj . Jadi untuk
FMIPA-UNEJ
model dengan dua parameter β0 dan β1 , maka
n
1 Xh i2
σb2 = s2e = Yi − (βˆ0 + βˆ1 Xi ) (3.9) Daftar Isi
n − 2 i=1
Judul
Tutup
Keluar
2. Likelihood dari Y = (Y1 , Y2 , · · · , Yi , · · · , Yn )T yang komponen-
nya saling bebas adalah
FMIPA-UNEJ
n
Y
L= Li
Daftar Isi
i=1
n " n 2 #
1 1X Yi − β0 − β1 Xi
= √ exp − . Judul
σ 2π 2 i=1 σ
JJ J I II
Cari Halaman
√ 1 n 2
X Yi − β0 − β1 Xi
l = −n log σ 2π −
2 i=1
σ Kembali
n
n 1 X
= − log 2πσ 2 − 2 (Yi − β0 − β1 Xi )2 .
Layar Penuh
2 2σ i=1
Tutup
Keluar
Selanjutnya turunan l terhadap β0 , β1 dan σ 2 diperoleh sebagai
berikut
n
∂l 1 X
= − 2 (2)(−1) (Yi − β0 − β1 Xi ) FMIPA-UNEJ
∂β0 2σ i=1
n
1 X Daftar Isi
= 2 (Yi − β0 − β1 Xi )
σ i=1
n
∂l 1 X Judul
= − 2 (2)(−1) (Yi − β0 − β1 Xi ) Xi
∂β1 2σ i=1
n JJ J I II
∂l 1 X
= 2 (Yi − β0 − β1 Xi ) Xi
∂β1 σ i=1
n 163 dari 490
∂l n 1 X
2
=− 2 + 4 (Yi − β0 − β1 Xi )2 .
∂σ 2σ 2σ i=1
Cari Halaman
diperoleh
Xn
2
−nσ + (Yi − β0 − β1 Xi )2 = 0 Layar Penuh
i=1
Tutup
Keluar
sehingga penduga kemungkinan maksimum untuk σ 2 adalah
n
1X
σb2 = (Yi − β0 − β1 Xi )2 .
n i=1 FMIPA-UNEJ
n
1 X 2
σb2 = Yi − βˆ0 − βˆ1 Xi (3.10) Cari Halaman
n − 2 i=1
Kembali
Layar Penuh
Tutup
Keluar
3.3. Uji Inferensial dari βˆj
Sebagaimana dijelaskan dalam langkah-langkah pemodelan stokastik,
FMIPA-UNEJ
bahwa besaran yang diperoleh dari penyelesaian model, yang berupa
penduga, harus diuji secara statistik. Untuk keperluan ini, perlu dike-
Daftar Isi
tahui distribusi dari penduga yang diperoleh.
Judul
h i h i
E βˆ0 = β0 dan E βˆ1 = β1 . Kembali
Sedangkan untuk ragam βj diperoleh hasil yang berbeda untuk kasus Layar Penuh
σ 2 diketahui dan σ 2 tidak diketahui.
Tutup
Keluar
Distribusi βˆj bila σ 2 diketahui
P
2. Bahwa Yi dan Yi0 adalah saling bebas karenanya Var[ Yi ]] =
P Judul
[Var(Yi )] ;
JJ J I II
3. Var(Yi ) = σ 2 , sedang komponen yang lain berfungsi sebagai pe-
ubah tidak acak sehingga tidak memiliki ragam dan dalam kon-
166 dari 490
teks ini dapat diaggap sebagai konstanta c.
Dari bentuk penduga βˆ0 , seperti pada persamaan (3.7) dan βˆ1 pada Cari Halaman
Keluar
masing masing adalah:
X̄ 2
ˆ 1
Var(β0 ) = +P σ2 (3.11)
n (Xi − X̄)2 FMIPA-UNEJ
σ2
Var(βˆ1 ) = P (3.12)
(Xi − X̄)2 Daftar Isi
Judul
Kita lihat bahwa sesungguhnya penduga βˆj merupakan kombi-
nasi linier dari Yi yang berdistribusi normal. Oleh karena itu jika
JJ J I II
σ 2 diketahui maka masing-masing penduga βj berdistribusi normal
dengan ragam seperti pada Hasil 3.1. Dengan demikian bisa kita sim-
167 dari 490
pulkan hasil-hasil berikut
Hasil 3.2. Jika σ 2 diketahui dan var (βˆj ) dihitung seperti pada Hasil Cari Halaman
3.1, maka
β̂ − βj
qj ∼ N (0, 1) (3.13) Kembali
var(βˆj )
Layar Penuh
dengan N (0, 1) adalah distribusi Normal Baku.
Tutup
Keluar
Distribusi βˆj bila σ 2 tidak diketahui
Dalam kenyataannya, σ 2 lebih sering tidak diketahui dan harus dies-
timasi dari data yang ada seperti yang telah dilakukan sebelumnya FMIPA-UNEJ
yaitu
n
1 X 2
2 2
se = σ =
b Yi − βˆ0 − βˆ1 Xi Daftar Isi
n − 2 i=1
Hasil 3.3. Apabila σ 2 tidak lagi diketahui tetapi diganti dengan σˆ2 = Judul
Tutup
Keluar
Hasil 3.4. Apabila σ 2 tidak lagi diketahui tetapi diganti dengan σˆ2 =
s2e , dan var(βˆj ) diganti dengan s2 (βˆj ); j = 0, 1, terutatama jika ukuran
sampel tidak cukup besar, maka
FMIPA-UNEJ
β̂ − βj β̂j − βj
qj = ∼ tn−2 , (3.16)
s2 (βˆj ) s(βˆj ) Daftar Isi
Hasil 3.5. Penduga selang βj untuk tarap kepercayaan (1 − α) × 100% Layar Penuh
atau tarap signifikansi α×100%, jika σ diketahui atau n cukup besar
Tutup
Keluar
adalah q q
βˆj − zα/2 var(βj ) ≤ βj ≤ βj + zα/2 var(βˆj )
ˆ ˆ (3.17)
HA : βj 6= 0; yaitu βj signifikan
Adapun kriteria penerimaan atau penolakan H0 dapat dilakukan Layar Penuh
dengan beberapa cara yaitu
Tutup
Keluar
1. melihat I.K (1 − α) × 100% dari βj yaitu
0 ∈ I.K. : H0 diterima
0 6∈ I.K. : H0 ditolak
FMIPA-UNEJ
definisikan sebagai
Cari Halaman
p = 2P (T > th ); dengan catatan T ∼ tn−k
Keluar
Jika βj tidak signifikan atau dapat dianggap 0, berarti tidak ada
hubungan atau pengaruh signifikan Xj terhadap Y . Dengan kata lain,
tidak ada kontribusi signifikan dari peubah Xj terhadap model yang
FMIPA-UNEJ
diperiksa.
Selain dengan melihat signifikan tidaknya koefisien regresi, baik ti- Judul
daknya model dapat juga dilihat dari koefisien determinasi, R2 , yang
didefinisikan dengan
JJ J I II
N
X N
X
(yi − ȳ)2 − (yi − ŷ)2
172 dari 490
i=1 i=1
R2 = N
.
X
(yi − ȳ)2 Cari Halaman
i=1
Keluar
menunjukkan bahwa simpangan nilai observasi dengan nilai estimasi
sama dengan 0 dan model menjadi sempurna yaitu tidak ada data
yang menyimpang dari (berada di luar) garis regresi. Dengan kata
lain semakin besar R2 , semakin kecil selisih nilai observasi dengan FMIPA-UNEJ
nilai rata-rata regresi yang berarti semakin besar manfaat garis regresi
dalam menjelaskan hubungan antara prediktor dan respon. Daftar Isi
8 11 20
9 12 22 Layar Penuh
10 10 15
Tutup
Keluar
Dari data di atas kita akan melakukan hal-hal sebagai berikut:
3. menguji hipotesis
JJ J I II
Untuk persoalan ini, karena hanya ada satu macam peubah penjelas
Cari Halaman
X, maka model yang akan kita pakai adalah
Y = β0 + β1 X + Kembali
Untuk menghitung bj = βˆj secara manual, maka kita perlu melengkapi Layar Penuh
tabel di atas sebagai berikut:
Tutup
Keluar
No X Y X2 XY Y − βˆ0 + βˆ1 X
1 10 15 100 150 0,8100
FMIPA-UNEJ
2 12 18 144 216 3,2400
3 10 20 100 200 16,8100
4 15 25 225 375 0,4225 Daftar Isi
Cari Halaman
Kembali
Kolom terakhir sesungguhnya baru diisi setelah kita memperoleh βˆ0 Layar Penuh
dan βˆ1 . Isianini diperlukan guna menghitung σˆ2 .
Tutup
Keluar
Dengan demikian
Pn Pn Pn
n X i Y i − ( X i ) ( i=1 Yi )
βˆ1 = i=1
P 2 i=1 P 2
n Xi − ( Xi ) FMIPA-UNEJ
10 × 2305 − 117 × 192
=
10 × 1399 − 1172
Daftar Isi
= 1, 95.
n n
1X 1X
βˆ0 = Yi − β1 Xi JJ J I II
n i=1 n i=1
= 192/10 − 1, 95 × 117/10 = 3, 60. 176 dari 490
Karena rumus akhir yang diperoleh dengan metode likelihood mak- Kembali
Keluar
Selanjutnya kita bisa menghitung standar kesalahan dari penduga-
penduga di atas.
" #
P 2
1 (1/n X i )
s2 (βˆ0 ) = +P 2 s2e FMIPA-UNEJ
n Xi − 1/n ( Xi )2
P
(1/10‘ × 117)2
Daftar Isi
= 1/10 + × 6, 44
1399 − 1/10 × 1172
136, 89
= 1/10 + × 6, 44 = 29, 30 Judul
1399 − 1368, 9
s(βˆ0 ) = 5, 41. JJ J I II
s2e
s2 (βˆ1 ) = P
Xi2 − 1/n ( Xi )2
P
177 dari 490
6, 44
= = 0, 2140
1399 − 1368, 9
Cari Halaman
s(βˆ1 ) = 0, 46.
Kembali
Penduga selang dari β̂
Setelah mendapat standar kesalahan masing-masing penduga, maka Layar Penuh
selanjutnya kita dapat menghitung penduga selang dari masing-masing
Tutup
Keluar
penduga tersebut untuk selang kepercayaan yang ditentukan, misal-
nya 95% atau taraf signifikansi (α) 5%. Karena ukuran sampel, 10,
tidak cukup besar dan σ 2 tidak diketahui maka kita menggunakan
FMIPA-UNEJ
distribusi t8 sebagai distribusi penduga yang kita dapat. Untuk se-
lang simetrik, secara manual kita peroleh nilai t95%/2,8 adalah 2,31.
Selang kepercayaan 95% masing-masing penduga kita peroleh sebagai Daftar Isi
berikut.
βˆj − t5%/2,8 × s βˆj ≤ βj ≤ βˆj + t5%/2,8 × s βˆj Judul
2. Untuk j = 1 Kembali
Tutup
Keluar
Uji hipotesis dari β̂
Untuk uji hipotesis kita menggunakan statistik
FMIPA-UNEJ
βbj − 0
t0βj = √
s/ n
3, 61 − 0 Daftar Isi
= = 0, 665 untuk βb0 dan
5, 41
1, 95 − 0 Judul
= = 4, 239 untuk βb1
0, 46
Niilai p untuk masing-masing penduga adalah: p = 0, 26 untuk JJ J I II
βb0 dan p = 0, 001 untuk βˆ1 oleh karena itu koefisien regresi signifikan
(sangat signifikan) tetapi konstanta tidak signifikan. Hal tersebut se- 179 dari 490
Layar Penuh
Tutup
Keluar
3.4. Penggunaan Matriks untuk Regresi Peubah
Ganda
FMIPA-UNEJ
3.4.1. Perluasan hasil untuk Regresi Peubah Ganda
Daftar Isi
Apabila pada model linier ada lebih dari dua koefisien regresi, mi-
salnya βj , j = 0, 1, 2, . . . , p dengan k = (p + 1) > 2, maka model li-
nier (regresi) tersebut disebut regresi berganda. Hasil-hasil yang telah Judul
n k−1
!2 Cari Halaman
ˆ 1 X X
2 2
se = σ = Yi − βˆj Xij
n − k i=1 j=0
Kembali
√
2. Kesalahan penduga adalah s(βˆj ) = vjj dengan v ∈ V dan V = Layar Penuh
s2e (XT X)−1
Tutup
Keluar
3. Distribusi penduga βˆj adalah
β̂j − βj
∼ tn−k ,
s(βˆj ) FMIPA-UNEJ
Keluar
Sistim persamaan (3.1) selanjutnya dapat dinyatakan dalam bentuk
matriks seperti berikut:
Y = Xβ + (3.19) FMIPA-UNEJ
Keluar
kemungkinan maksimum.
σ12 0
··· 0
FMIPA-UNEJ
0 σ2 ··· 0
2
V=. (3.21)
.. .. ..
.. . . . Daftar Isi
0 0 · · · σn2
Judul
Keluar
2. membentuk matriks bentuk kuadrat
Q = T
= (Y − Xβ)T (Y − Xβ) FMIPA-UNEJ
T T T T T
= Y Y − 2β X Y + β X Xβ (3.22)
Daftar Isi
3. mencari turunan pertama dan kedua Q terhadap β (lihat Con-
toh 2.22 halaman 131).
Judul
∂Q
= −2XT Y + 2XT Xβ
∂β
JJ J I II
= −2 XT Y − XT Xβ
(3.23)
∂ 2Q
= 2XT X. (3.24) 184 dari 490
∂β T ∂β
4. menentukan persamaan iterasi Newton-Raphson atau skoring Cari Halaman
Fisher untuk β, dengan mengambil nilai awal untuk β̂ = b0
yaitu Kembali
−1 T
b1 = b0 − XT X X Xβ̂ − XT Y
−1 T Layar Penuh
b1 = b0 + XT X X (Y − Xb0 ) (3.25)
Tutup
Keluar
Apabila datanya bersifat heteroskedastik, maka bentuk kuadrat harus
dibobot dengan invers matriks ragam-koragam. Metode kuadrat terke-
cil yang telah dibobot disebut Weighted Least Square-WLS atau Gen-
FMIPA-UNEJ
eralized Least Square-GLS. Dengan menggunakan hasil pada Contoh
2.23 halaman 132, maka kita memperoleh persamaan berikut.
Daftar Isi
Q = (Y − Xβ)T V−1 (Y − Xβ) (3.26)
−1 T −1
b1 = b0 + XT V−1 X X V (Y − Xb0 ) (3.27) Judul
yang menghasilkan
−1
β̂ = XT X XT Y (3.28) Cari Halaman
Keluar
penurunan iterasi diberikan sebagai pendekatan yang berlaku umum.
Tanpa iterasi rumus yang diperoleh adalah
Judul
3.4.3. Pendekatan Matriks untuk Metode Kemungkinan Mak-
simum JJ J I II
Hasil yang diperoleh pada sub di atas dapat, khususnya turunan like-
lihood terhadap β, dapat juga dilakukan secara serempak dengan 186 dari 490
Keluar
Untuk menerapkan metode kemungkinan maksimum dengan pen-
dekatan matriks maka dapat ditempuh langkah-langkah berikut:
∂l(β) 1 ∂Q
=− Kembali
∂β 2 ∂β
∂ 2 l(β) 1 ∂Q
= − Layar Penuh
∂β T ∂β 2 ∂β T ∂β
Tutup
Keluar
4. Sekali pun bentuk turunan pertama dan keduanya sedikit ber-
beda dengan hasil dari metode kuadrat terkecil, karena perka-
lian dengan konstanta − 21 , namun bentuk akhir dari persamaan
FMIPA-UNEJ
iterasi Newton-Raphsonnya adalah identik, karena invers atau
kebalikannya akan saling meniadakan, yaitu
−1 Daftar Isi
1 ∂Q 1 ∂Q
b1 = b0 − − −
2 ∂β T ∂β 2 ∂β
−1 Judul
∂Q ∂Q
= b0 − T
.
∂β ∂β ∂β
JJ J I II
Dengan demikian persamaan di atas akan menghasilkan bentuk
iterasi Newton-Raphson yang identik dengan metode kuadrat
188 dari 490
terkecil, yaitu
−1 T −1
b1 = b0 + XT V−1 X X V (Y − Xb0 ) Cari Halaman
Tutup
Keluar
Dari bentuk estimasi di sebelumnya dapat dilihat bahwa β̂ meru-
pakan hasil transformasi dari peubah acak Y, dalam hal ini dapat
dianggap bahwa
−1 T −1 FMIPA-UNEJ
β̂ = XT V−1 X X V (Y) + B.
h
T −1
−1 T −1 i h T −1 −1 T −1 iT
Var(β̂) = X V X X V V X V X X V Judul
h −1 T −1 i h −1 i
= XT V−1 X X V V V−1 X XT V−1 X
−1 −1 JJ J I II
= XT V−1 X = σ 2 XT X .
Hasil 3.8. Jika σ 2 tidak diketahui, maka diganti dengan 189 dari 490
1 h T i
σˆ2 = s2e = Y Y − β̂XT Y (3.34)
n−k Cari Halaman
Bukti:
1 h i Kembali
s2e = (Y − Xβ̂)T (Y − Xβ̂)
n−k
1 h T T
i
= YT Y − β̂ XT Y − YT Xβ̂ + β̂ XT Xβ̂ Layar Penuh
n−k
Tutup
Keluar
−1
Dengan menggunakan hasil bahwa β̂ = XT X XT Y dan kenya-
T
taan bahwa β̂ XT Y = YT Xβ̂, maka diperoleh
1 h T i FMIPA-UNEJ
s2e = T
Y Y − β̂X Y .
n−k
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
3.5. Interval Keyakinan µ dan Prediksi Y
Ada dua macam prediksi yang bisa dibuat yaitu estimasi nilai-tengah
µ̂ dan prediksi untuk nilai tunggal ŷ pada suatu kombinasi nilai predik- FMIPA-UNEJ
dua macam ragam yaitu ragam untuk estimasi µ̂ dan ragam untuk
prediksi ŷ yang besarnya dapat ditentukan sebagai berikut: JJ J I II
1. Ragam µ̂ pada titik x = x0 adalah
191 dari 490
Vµ̂ = σˆ2 x0 T (XT X)−1 x0
Cari Halaman
2. Ragam ŷi pada titik x = x0 adalah
h i
−1
Vŷ = σˆ2 1 + x0 T XT X x0 Kembali
Selanjutnya interval keyakinan (1−α)×100% pada suatu nilai predik- Layar Penuh
tor x = x0 masing-masing adalah
Tutup
Keluar
p
µ = x0 T β̂ ± tn−k,α/2 Vµi
untuk prediksi µ dan FMIPA-UNEJ
p
y = x0 T β̂ ± tn−k,α/2 V yi
Daftar Isi
untuk prediksi nilai y.
Dengan demikian interval prediksi y selalu lebih lebar dari in- Judul
terval keyakinan nilai-tengah pada setiap kombinasi nilai prediktor.
Untuk regresi linier sederhana dengan satu prediktor X, untuk suatu
JJ J I II
nilai prediktor x0 < x < x1 , interval-interval ini akan membentuk
sabuk keyakinan (confident belt) seperti pada Gambar 3.1.
192 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
Sabuk Keyakinan 95% Prediksi Y dan Mu
200
●
FMIPA-UNEJ
● ●
●
●
●
●
195 ● ●
Daftar Isi
●
● ●
●
●
● ● ● Judul
● ●
Y=a+bX
y
● ● ●
● ● ●
●
190
● ● JJ J I II
● ● ●
●
● ●
● ● 193 dari 490
● ●
●
185
Cari Halaman
●
Layar Penuh
Gambar 3.1: Ilustrasi Garis regresi dan sabuk keyakinan nilai-tengah
µ̂ dan sabuk prediksi ŷ
Tutup
Keluar
3.6. Melaporkan Nilai Probabilitas p
Selain menghitung estimasi interval maupun melakukan uji hipotesis
dengan distribusi t maupun z, paket- paket statistik biasa melaporkan FMIPA-UNEJ
nilai probabilitas yang disebut nilai p yaitu luas daerah yang berada
dibagian ujung yang dibatasi oleh statistik t∗ . Dengan kata lain p Daftar Isi
adalah peluang bahwa kesimpulan yang kita peroleh keliru. Untuk
hipotesis β = 0, nilai p dapat dihitug dengan
Judul
β̂ − β
p = P (tn−1 ≥ |t∗ |) dengan t∗ = .
S(β̂) JJ J I II
Keluar
Hasil 3.9. Penolakan Hipotesis nol (Ho) dengan menggunakan p ada-
lah sebagai berikut: Ho ditolak pada taraf signifikansi alpha(α)(α ×
100%) jika dan hanya jika p ≤ (α × 100%)
FMIPA-UNEJ
Secara individu, uji signifikansi koefisien βˆj dengan menggu-
nakan nilai p dapat dilakukan sebagai berikut: Daftar Isi
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
3.7. Model Linier dengan Variabel Kualitatif
Misalkan beberapa peubah penjelas dalam model linier merupakan
peubah kualitatif (kelompok) dengan dua tingkat (misalnya L=Laki- FMIPA-UNEJ
1. kedua kelompok menyebar sama sehingga tidak perlu dibedakan 196 dari 490
Keluar
liki kemiringan yang berbeda tetapi konstanta sama sehingga
membentuk dua berkas garis;
Judul
3.7.1. Variabel Boneka dengan Model Berkonstanta
Untuk menangani data dengan variabel kualitatif, kita dapat menan- JJ J I II
ganinya dengan memperkenalkan varibel boneka (dummy variable).
Misalkan g adalah variabel kualitatif dengan gi = L atau gi = P .
197 dari 490
Kita dapat mendefinisikan vektor D dengan
1 jika gi = L Cari Halaman
Di = (3.35)
0 untuk yang lain
Kembali
Dengan demikian bentuk model antara Yi dengan variabel-variabel
lainnya dapat dituliskan sebagai
Layar Penuh
Yi = β0 + β1 X1 + β2 Di + i (3.36)
Tutup
Keluar
data (x,y) data (x,y)
**
*
70
*
70
o
o o o
o* **
o o
60
o*
o* o **
o *
* FMIPA-UNEJ
50
* * **
50
o
o* ** o o o
40 o
o * o* o
o *
Y
Y
o * * * * o
o o
30
o o*
o *
30
o*** *
o o Daftar Isi
o o
o * o* o
* * * o
20
* *
o* o*
10
o
o
o* * o
o o
10
o o
0
Judul
0* 5 10 15 0 2 4 6 8 10 12 14
X X
JJ J I II
60
o o o
o o
10 20 30 40 50 60 70
o o
o o o
o o
o
50
o o
o
o *
* ** o o o * **
* * **
40
o
o *
o * *o * * * Cari Halaman
o o
o * * 30 o* *
o * o* o*
Y
* *
o * ** * ** o*
20
o
* * * * * o
o
o o** * o Kembali
*
10
o o o
o
o * o
* ** **
o o
0
0 5 10 15 0 5 10 15 Layar Penuh
X X
Tutup
Gambar 3.2: Sebaran data dilihat dari adanya kelompok atau peubah
kualitatif. Pada gambar terlihat empat model penye- Keluar
baran data untuk satu variabel kualitatif dengan dua kat-
egori (L,P).
Jika diteliti lebih jauh, maka model untuk kelompok L dan kelompok
P , masing masing adalah:
FMIPA-UNEJ
L : Yi = β0 + β1 Xi + β2 + i
= (β0 + β2 ) + β1 X1 (3.37) Daftar Isi
P : Yi = β0 + β1 X1 + i (3.38)
Judul
Dengan demikian pengenalan variabel boneka D di atas menunjukkan:
1. model yang diperiksa adalah model linier paralel yaitu model
JJ J I II
dengan konstanta berbeda (β0 dan β0 + β2 ) tetapi gradien sama
(β1 );
199 dari 490
Keluar
Secara geometris model yang dihasilkan jika β2 signifikan dapat diilus-
trasikan dengan Gambar 3.3.
Apabila kita ingin memeriksa apakah selain konstantanya gradi-
FMIPA-UNEJ
ennya juga berbeda, kita perlu memperkenalkan peubah boneka lain
yang mewakili adanya interaksi antara peubah X dengan g. Misalkan
kita definisikan vektor Dx dengan Daftar Isi
Jika diteliti lebih jauh, maka sekarang model untuk kelompok L dan Cari Halaman
kelompok P , masing masing adalah:
Kembali
L : Yi = β0 + β1 Xi + β2 + β3 Xi + i
= (β0 + β2 ) + (β1 + β3 )X1 (3.41)
Layar Penuh
P : Yi = β0 + β1 X1 + i (3.42)
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
β1
Judul
β1
β2
JJ J I II
Cari Halaman
Gambar 3.3: Garis Regresi sejajar dengan selisih konstanta β2 dan gra- Kembali
dien sama (β1 )
Layar Penuh
Tutup
Keluar
Jadi signifikan tidaknya β2 menentukan perlu tidaknya model de-
ngan konstanta berbeda, sedangkan signifikan tidaknya β3 menen-
tukan perlu tidaknya model dengan gradien berbeda untuk kedua
FMIPA-UNEJ
kelompok yang ada.
Secara geometris model yang dihasilkan jika β2 signifikan dapat
diilustrasikan dengan Gambar 3.4. Daftar Isi
1 jika gi = L Judul
Di = (3.43)
0 untuk yang lain
JJ J I II
3.7.2. Variabel Boneka dengan Konstanta tidak Eksplisit
202 dari 490
Dalam hal tertentu, kita merlukan model dengan konstanta implisit.
Paling tidak ada dua kondisi kenapa model ini bermanfaat yaitu:
Cari Halaman
1. secara teoritik pada saat nilai peubah penjelas nol, nilai respon
juga nol; Kembali
2. untuk model dengan peubah kualitatif (kelompok), model ini Layar Penuh
memudahkan interpretasi konstanta masing- masing kelompok.
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
β1+β3
Judul
β2
β1 JJ J I II
Cari Halaman
Gambar 3.4: Garis Regresi berbeda dengan selisih konstanta β2 dan Kembali
selisih gradien β3
Layar Penuh
Tutup
Keluar
Untuk model dengan variebel kualitatif dengan konstanta implisit,
definisi peubah boneka harus dibuat secara terpisah untuk masing-
masing kelompok seperti berikut:
FMIPA-UNEJ
1. diperlukan k variabel boneka untuk satu peubah kualitatif de-
ngan tingkat kelompok sebanyak k;
Daftar Isi
2. untuk peubah kualitatif g dengan dua tingkat P, L, maka perlu
didefinisikan dua peubah boneka misalnya DL dan DP dengan
Judul
1 jika gi = L
DLi =
0 untuk yang lain JJ J I II
1 jika gi = P
DP i =
0 untuk yang lain 204 dari 490
L : Yi = β2 + β1 Xi + i
Layar Penuh
P : Yi = β3 + β1 X1 + i
Tutup
Keluar
Jadi konstanta untuk kelompok L adalah β2 dan konstanta un-
tuk kelompok P adalah β3 .
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
3.8. Ilustrasi Model Linier Normal dengan R
3.8.1. Simulasi dengan R
FMIPA-UNEJ
Untuk lebih memahami konsep-konsep statistika, ilustrasi program
komputer dengan meggunakan data simulasi sangat bermanfaat. Un-
Daftar Isi
tuk keperluan memeriksa sifat-sifat prosedur analisis data yang telah
dibicarakan, maka ada beberapa hal yang harus diimplementasikan
Judul
dalam komputer diantaranya:
4. mengimplementasikan program yang dibuat untuk data riil. Im- Layar Penuh
plementasi data riil dalam buku ini selanjutnya dilakukan de-
Tutup
Keluar
ngan menggunakan library dan dataset yang sudah ada yaitu
lm().
Contoh 3.2. Misalkan kita akan mensimulasi data sederhana dengan FMIPA-UNEJ
Yi = 3 + 5xi + i i = 1, . . . , 60
JJ J I II
Untuk membangkitkan data Y, ada dua cara yang bisa ditem-
puh. 207 dari 490
mendefisikan Y = µ +
Kembali
n<-60
x<-rnorm(60,50,5) Layar Penuh
sgm<-4
Tutup
Keluar
x<- rnorm(n,0,sgm)
eps<-rnorm(0,sgm)
mu<-3+5*x
ydat<-mu+eps FMIPA-UNEJ
ydat<-rnorm(n,mu,sgm)
Judul
Selanjutnya dari data yang ada (ydat), kita dapat mengestimasi
balik β̂. Untuk model dengan distribusi normal kita dapat menghi-
JJ J I II
tungnya dengan dua cara yaitu dengan cara langsung melalui
−1 T
β̂ = XT X X Y 208 dari 490
atau secara umum (yang berlaku untuk semua distribusi) dengan it-
erasi Newton-Raphson Cari Halaman
−1
b1 = b0 + XT X (Y − Xb0 )
Kembali
Keluar
Jika σ tidak diketahui, dapat diganti dengan penduganya yaitu:
s
(Y − Xβ̂)T (Y − Xβ̂)
σ̂ = FMIPA-UNEJ
N −k
Daftar Isi
x.mat<-as.matrix(cbin(1,x))
b.hat<-solve(t(x.mat)%*%xmat)%*%t(x.mat)%*%ydat Judul
print(b.hat)
JJ J I II
Keluaran yang diperoleh dari program diatas adalah
x 4.760870
print(sgm^2*solve(t(x.mat)%*%x.mat)) Kembali
x
0.269456174 0.008044395 Layar Penuh
x 0.008044395 0.023198465
Tutup
Keluar
Proses di atas dapat dilakukan berulang-ulang, misalnya 100
kali, selanjutnya dihitung nilai-tengah dan ragam estimator. Hasilya
sangat dekat dengan ragam yang diperoleh melalui pendugaan di atas.
FMIPA-UNEJ
Dalam contoh berikut hasil estimasi dari 100 kali pendugaan disimpan
dalam matriks mh.
>var(mh) # varian dari 100 kali pendugaan Daftar Isi
[,1] [,2]
[1,] 0.301722464 0.006733643 Judul
Jika diperlukan kita juga dapat membuat grafik penduga dari Cari Halaman
ukuran sampel pada setiap simulasi. Simulasi ini sangat baik un-
tuk mengilustrasikan hunbungan antara ukuran sampel dan ketelitian Layar Penuh
pendugaan. Gambaran grafik yang diperoleh apabila dalam setiap
Tutup
Keluar
pengambilan sampel dilakukan penambahan jumlah sampel seperti
pada Gambar 3.6. Pada gambar tersebut terlihat bahwa semakin be-
sar ukuran sampel pendugaan semakin teliti, karena ragam pendugaan
FMIPA-UNEJ
semakin mengecil.
Daftar Isi
Judul
JJ J I II
Cari Halaman
Gambar 3.5: Grafik Penduga βˆ1 = α̂ dari penarikan sampel 100 kali
Kembali
masing-masing berukuran 60. Nilai parameter sebe-
narnya adalah α = 3.
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
Layar Penuh
Tutup
Keluar
3.8.2. Menggunakan Fungsi lm()
lm() adalah fungsi yang ada pada R untuk menganalisis data dengan
model linier normal. Format perintahnya adalah: FMIPA-UNEJ
lm(formula, data,...)
Komponen parameter fungsi lm() dapat djelaskan sebagai ber- Daftar Isi
ikut ini.
1. formula adalah peubah respon dan peubah- peubah penjelas Judul
2. data adalah nama data yang akan dianalisis, yaitu yang memuat Cari Halaman
Keluar
2. deviance(objek) untuk mengekstrak jumlah kuadrat sisa.
Contoh 3.3. Misalkan kita ingin mencari persamaan regresi (model Layar Penuh
linier) dari peubah kecepatan/speed dan jarak tempuh distance kenda-
Tutup
Keluar
raan pada data cars.Perintah dan hasil keluaran untuk mengetahui
ringkasan data adalah:
> summary(cars)
speed dist Daftar Isi
Min. : 4.0 Min. : 2.00
1st Qu.:12.0 1st Qu.: 26.00
Judul
Median :15.0 Median : 36.00
Mean :15.4 Mean : 42.98
JJ J I II
3rd Qu.:19.0 3rd Qu.: 56.00
Max. :25.0 Max. :120.00
215 dari 490
Setelah diketahui nama peubah- peubahnya, selanjutnya kita da-
pat menggambar diagram pencar (Gambar 3.7) serta menulis perintah
Cari Halaman
model linier seperti berikut:
>contoh.lm<-lm(dist~speed,data=cars)
Kembali
>print(summary(contoh.lm))
Call: lm(formula = dist ~ speed, data = cars)
Layar Penuh
Residuals:
Tutup
Keluar
DIAGRAM PENCAR SPEED VS. DISTANCE
120
● ●
FMIPA-UNEJ
100
●
●
Daftar Isi
●
●
80
●
●
●
●
●
Judul
dist
60 ●
● ●
● ●
●
●
●
● ●
●
40
● ●
● ●
● ● JJ J I II
● ● ●
● ●
● ● ● ●
●
●
20
● ●
●
●
●
●
5 10 15 20 25
Kembali
Gambar 3.7: Histogram dengan Kurva Densitas untuk peubah Speed
dan Distance pada Data Cars
Layar Penuh
Tutup
Keluar
Min 1Q Median 3Q Max
-29.069 -9.525 -2.272 9.215 43.201
Coefficients: FMIPA-UNEJ
Keluar
dangkan untuk memanggil salah satu komponen objek dilakukan de-
ngan NamaObjek$komponen.
>names(contoh.lm)
FMIPA-UNEJ
[1] "coefficients" "residuals" "effects" "rank"
[5] "fitted.values" "assign" "qr" "df.residual"
[9] "xlevels" "call" "terms" "model" Daftar Isi
>contoh.lm$coeff Judul
(Intercept) speed
-17.579095 3.932409
JJ J I II
Keluar
regresi perlu dipisah atau dapat digabung.
Ada beberapa cara (yang biasa disebut formula) untuk memasukkan Judul
variabel kualitatif (misalnya grup) pada R seperti diuraikan berikut
ini.
JJ J I II
3. Y ∼ G/X. Formula ini adalah untuk memeriksa signifikansi mo- Layar Penuh
del masing-masing kelompok dengan memaksa model dengan
Tutup
Keluar
gradien berbeda. Berbeda dengan pendekatan pertama yang
lebih melihat perlu tidaknya model dipisah, dengan formula ter-
akhir ini, kita memaksa untuk menggunakan model terpisah dan
FMIPA-UNEJ
selanjutnya melihat signifikansi masing, masing model. Model
dari ketiga kelompok bisa sama-sama signifikan, tetapi mungkin
saja ketiganya dapat digabung menjadi satu. Daftar Isi
Tutup
Keluar
g
● L DIAGRAM PENCAR
P
220
● FMIPA-UNEJ
●
●
●
200
●
●
●
Daftar Isi
180
●
●
●
● ●
●
Judul
●
Y
160 ●
● ●
●
● ●
●
●
●
●
● JJ J I II
●
140
●
● 221 dari 490
120
35 40 45 50 55 60 65 70 Cari Halaman
X
Kembali
Tutup
Keluar
(Intercept) 6.10606 0.79364 7.694 2.47e-10 ***
g[T.P] -0.34794 1.12238 -0.310 0.758
x 3.88663 0.08370 46.433 < 2e-16 ***
g[T.P]:x 0.01706 0.11837 0.144 0.886 FMIPA-UNEJ
---
Signif.codes: 0'***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 '' 1 Daftar Isi
Jadi untuk data ini tidak perlu dipisahkan model atau garis regresi
dari masing-masing kelompok. Kembali
Call:
lm(formula = y ~ g + x, data = sim.data.reg) Layar Penuh
Tutup
Keluar
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 6.03583 0.62101 9.719 1.06e-13 ***
g[T.P] -0.20747 0.55184 -0.376 0.708 FMIPA-UNEJ
Call:
lm(formula = y ~ g/x, data = sim.data.reg) Cari Halaman
Coefficients:
Kembali
Estimate Std. Error t value Pr(>|t|)
(Intercept) 6.1061 0.7936 7.694 2.47e-10 ***
g[T.P] -0.3479 1.1224 -0.310 0.758 Layar Penuh
gL:x 3.8866 0.0837 46.433 < 2e-16 ***
Tutup
Keluar
gP:x 3.9037 0.0837 46.637 < 2e-16 ***
---
Signif.codes:0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 '' 1
FMIPA-UNEJ
Dengan formula ini (Y ∼ G/X) kita memaksa memeriksa model Daftar Isi
atau regressi terpisah untuk masing-masing kelompok. Hasil menun-
jukkan bahwa regresi masing-masing kelompok sama-sama signifikan, Judul
tetapi tidak ada informasi apakah kedua model atau garis regresi itu
dapat digabung atau tidak. Karena model menggunakan model de-
JJ J I II
ngan konstanta, kita masih bisa melihat bahwa selisih konstanta dari
kelompok L dan kelompok P tidak signifikan.
224 dari 490
Secara keseluruhan bentuk model yang dapat dimasukan dalam
formula R dapat dirangkum dalam Tabel 3.1 (lihat juga Kuhnert &
Venables [18]). Pada notasi tersebut x menunjukkan variabel kuanti- Cari Halaman
Keluar
beda, sejajar atau bergabung (satu).
No Bentuk Arti
1 y~x regresi sederhana Daftar Isi
Cari Halaman
Contoh 3.5.
Keluar
cenderungan yang berbeda. Kita akan melakukan eksplorasi model
dan memilih model yang terbaik dengan mencoba (i) mengabaikan
adanya kelompok, (ii) mencoba model paralel, dan (ii) mencoba mo-
FMIPA-UNEJ
del terpisah..
1. Analisis dengan mengabaikan kelompok. Jika analisis regresi di-
Daftar Isi
lakukan dengan mengabaikan kelompok, (Y ∼ X), maka gabun-
gan kedua kelompok akan saling meniadakan kecenderungan masing-
Judul
masing sehingga menghasilkan hubungan yang tidak signifikan.
Call:
JJ J I II
lm(formula = y ~ x, data = DataSimReg)
Coefficients:
Kembali
Estimate Std. Error t value Pr(>|t|)
(Intercept) -8.73271 3.53350 -2.471 0.0164 *
x 0.07325 0.06855 1.068 0.2897 Layar Penuh
---
Tutup
Keluar
g
● L DIAGRAM PENCARDENGAN KELOMPOK
P
●
● FMIPA-UNEJ
5
Daftar Isi
●
●
0
●
●
● ●
●
●
●
●
Judul
●
Y
● ● ●
−5
●
● ● ●
●
● ●
●
JJ J I II
● ●
−10
●
●
●
35 40 45 50 55 60 65 70 Cari Halaman
X
Kembali
Tutup
Keluar
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 '' 1
Call:
Cari Halaman
lm(formula = y ~ x + g, data = DataSimReg)
Residuals: Kembali
Tutup
Keluar
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -9.21175 3.56600 -2.583 0.0124 *
x 0.07079 0.06860 1.032 0.3065 FMIPA-UNEJ
g[T.P] 1.20796 1.20967 0.999 0.3222
---
Signif. codes:0'***'0.001'**'0.01'*'0.05 '.'0.1 ''1
Daftar Isi
Dari hasil terlihat bahwa gradien masih tetap tidak signifikan, demikian 229 dari 490
juga selisih konstanta (g[T.P]) tidak signifikan, dan koefisien deter-
minasi hanya membaik sedikit menjadi 0,04.
Cari Halaman
Tutup
Keluar
lm(formula = y ~ g/x - 1, data = DataSimReg)
Residuals:
Min 1Q Median 3Q Max FMIPA-UNEJ
-4.91870 -1.46909 -0.06663 1.31627 4.12724
Daftar Isi
Coefficients:
Estimate Std. Error t value Pr(>|t|)
gL 15.39683 2.07712 7.413 7.20e-10 *** Judul
Hasil menunjukkan bahwa baik konstanta maupun gradien untuk Layar Penuh
masing-masing kelompok semuanya signifikan. Sementara itu koe-
Tutup
Keluar
fisien determinasi yang dihasilkan jauh lebih baik dari sebelumnya
yaitu 0,93.
Tutup
Keluar
Min 1Q Median 3Q Max
-4.91870 -1.19517 -0.04871 0.97073 4.12724
Coefficients: FMIPA-UNEJ
Tutup
Keluar
3.9. Ringkasan
1. Untuk analisis regresi klasik, respon atau galat harus berdistribusi
normal dengan ragam konstan dan satu sama lain saling bebas. FMIPA-UNEJ
keduanya identik.
JJ J I II
4. sebelum melakukan analisis sebaiknya dilakukan eksplorasi data se-
cara grafis, terutama jika mengandung peubah kualitatif/faktor.
233 dari 490
5. Untuk mengakomodasi peubah kualitatif, R memiliki beberapa al-
ternatif formula sesuai kondisi data (misalnya apakah regresi paralel
Cari Halaman
ataukah regresi terpisah).
Tutup
Keluar
determinasinya.
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
3.10. Bacaan Lebih Lanjut
Pembahasan mengenai Model Linier Normal dapat dilihat pada Bowerman
et al.[3] dan Neter et al. [31]. Aplikasi R untuk Regresi yang cukup intensif FMIPA-UNEJ
dapat dilihat pada Faraway [12]. Pembaca dapat juga membaca buku teks
untuk S-Plus oleh Crawley [8] dan Venables & Ripley [47].
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
3.11. Latihan Soal- Soal
1. Tuliskan bentuk akhir (dalam bentuk vektor), persamaan iterasi Sko-
ring Fisher untuk mengestimasi parameter regresi pada model linier FMIPA-UNEJ
sederhana dengan metode kuadrat terkecil
2. Tuliskan bentuk akhir (dalam bentuk vektor), persamaan iterasi Sko- Daftar Isi
ngan
Cari Halaman
5. Diketahui keluaran hasil analsis regresi dengan dua peubah kuanti-
tatif X, Y dan satu peubah faktor g = (L, P ) sebagai berikut. Selidiki
apakah masih mungkin dilakukan perbaikan model dan model mana Kembali
Tutup
Keluar
(Intercept) 13.14713 2.14083 6.141 8.95e-08 ***
x1 3.03882 0.04181 72.686 < 2e-16 ***
g[T.P] -1.85228 3.00107 -0.617 0.540
x1:g[T.P] -0.05652 0.05824 -0.971 0.336 FMIPA-UNEJ
---
Signif.codes:0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ''1 Daftar Isi
Tutup
Keluar
---
Signif.codes:0 '***' 0.001 '**' 0.01 '*' 0.05 '.'0.1 ''1
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Judul
DIAGNOSTIK DAN TRANSFORMASI
JJ J I II
Dalam analisis regresi, sebagaimana telah dibahas padaawal buku ini, se- Cari Halaman
lain perlu mengestimasi dan menguji koefisien regresi, perlu juga dilakukan
uji kecocokan model serta prosedur untuk memilih model yang lebih baik. Kembali
Dalam bab ini akan dibahas beberapa hal dan prosedur terkait dengan
pemeriksaan dan pemilihan model.
Layar Penuh
Tutup
Keluar
Kompetensi
Diharapkan agar pembaca memahami teknik dan prosedur untuk memeriksa
kecocokan model serta dapat melakukan penanganan jika model yang telah FMIPA-UNEJ
dipilih kurang sesuai sehingga menghasilkanmodel yang lebih baik.
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
Materi
1. Asumsi analisis regresi klasik
FMIPA-UNEJ
2. Memeriksa sebaran data melalui grafik
6. Transformasi data JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
4.1. Asumsi Analisis Regresi Klasik
Sebagaimana telah disebutkan pada bab sebelumnya bahwa bentuk model
linear dapat dituliskan dengan dengan Y = f (X, β) + . Ada beberapa FMIPA-UNEJ
asumsi mendasar dari model linier ini diantaranya:
(i) fungsi f adalah fungsi linier; Daftar Isi
Tutup
Keluar
4.2. Memeriksa Sebaran Data melalui Grafik
Untuk memeriksa distribusi data, secara grafis dapat dilakukan dengan
membuat beberapa grafik dianrananya: grafik QQNorm, grafik densitas FMIPA-UNEJ
dan Grafik Boxplot. QQNorm pada dasarnya adalah grafik yang menya-
jikan sebaran quantil normal teoritis, dengan quantil data. Apabila datanya
Daftar Isi
berdistribusi normal maka sebarannya akan mendekati garis lurus. Peny-
impangan yang sangat mencolok pada ujung-ujung grafik menunjukkan
datanya menyimpang dari distribusi normal. Pada Gambar 4.1 diberikan Judul
grafik QQNorm dari data yang berdistribusi normal dan yang tidak berdis-
tribusi normal. Pada grafik untuk data ke dua, selain terlihat menyimpang JJ J I II
dari garis lurus di bagian ujung atas, yang berarti datanya cenderung tidak
simetris ke kanan. Penafsiran yang lebih rinci dari bentuk-bentuk grafik
243 dari 490
QQ-Norm dapat dilihat pada Tirta [43].
Simetris tidaknya sebaran data juga dapat dilihat melalui plot densi-
Cari Halaman
tas. Gambar 4.2 menunjukkan grafik sebaran peluang dari masing-masing
data yang sebelumnya digambar dengan QQNorm. Dari grafik ini juga
terlihat data ke dua cenderung lebih tidak simetris. Kembali
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
Cari Halaman
(Kanan)
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
Cari Halaman
Tutup
Keluar
dapat dilihat pada Faraway [12]dan Tirta [43]. Jika data mengandung
peubah kualitatif/ kelompok, boxplot dapat juga dibuat perkelompok,
seperti pada Gambar 4.3.
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
BOXPLOT Y
250
FMIPA-UNEJ
Daftar Isi
200
Judul
150
Y
JJ J I II
100
Cari Halaman
50
●
Kembali
L P
g Layar Penuh
Gambar 4.3: Boxplot respon dengan kelompok. Terindikasi salah satu Tutup
1. Gambar 4.4 dan Gambar 4.5 adalah grafik dari data dengan hu- Cari Halaman
Keluar
tidak kelihatan kalau data tersebut membentuk suatu garis lu-
rus. Namun kedua grafk tersebut mempunyai perbedaan dari
kekonstanan ragam yang terkait dengan jenis distribusi datanya.
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
Cari Halaman
Gambar 4.4: Grafik Pencar Data dengan Hubungan Linear dan Ragam Kembali
Relatif Konstan
Layar Penuh
2. Gambar 4.6 adalah grafik dari data dengan hubungan Y =
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
Cari Halaman
Gambar 4.5: Grafik Pencar Data dengan hubungan Linear tetapi Ra-
gam Relatif tidak Konstan Kembali
Layar Penuh
Tutup
Keluar
f (X, β) = β0 + β1 X 2 . dari Gambar terlihat bahwa pecaran da-
datnya berbetuk parabola yang mengindikasikan bahwa hubun-
gannya adalah hubungan kuadratik.
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
Cari Halaman
3. Gambar 4.7 adalah grafik dari data dengan hubungan Y = Layar Penuh
f (X, β) = β0 e(β1 X) . Dari diagram pencar terlihat sebaran data
Tutup
Keluar
mengikuti grafik eksponensial.
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
Gambar 4.7: Grafik Pencar Data dengan Hubungan Eksponensial Cari Halaman
Kembali
4.3.2. Diagram Pencar Sisa
Sisa atau residu adalah selisih antara nilai observasi (observed value) Layar Penuh
dengan nilai yang diperoleh melalui pengepasan garis regresi (fitted
Tutup
Keluar
value). Residu ini merupakan penduga dari kesalahan atau error.
Syarat kekonstanan ragam ditunjukkan oleh adanya sebaran merata
sehingga lebar sebaran dari kiri ke kanan relatif konstant (Gambar
FMIPA-UNEJ
4.8). Adanya ketidak konstanan ragam ditandai dengan lebar sebaran
yang tidak konstan dari kiri ke kanan (Gambar 4.9). Data yang mem-
punyai ragam konstan disebut bersifat homoskedastik sebaliknya Daftar Isi
Keluar
FMIPA-UNEJ
Daftar Isi
● ●
5
● ●
●
●
●
● ● ●
● ●
● ● ● ●●
●
●
●
● ● ●●●●●
●
Judul
● ●●
Sisa
● ● ●●
● ●
0
● ● ●● ●
●● ●
●
● ●● ●
● ● ●
● ●
● ●
● ●
●●
●
● ●
● ●
●
● ●
● ●
● ● ● JJ J I II
● ●
−5
●
●
●
254 dari 490
100 150 200 250 300
Nilai Pengepasan
Cari Halaman
Gambar 4.8: Grafik Pencar Sisa Data yang memenuhi syarat ho-
moskedastisitas. Kembali
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
●
●
4
●
Daftar Isi
● ●
●
● ●
●
2
● ●
●
● ●
●
●
● ●
● ●
●
●
Judul
● ● ●
● ●
Sisa
● ● ● ●
● ● ● ●
● ● ● ● ● ●
● ● ● ● ● ● ●●
●
0
● ● ●
● ● ● ● ●
●● ● ● ●
● ●
●
●
●
●
●
●
● ●
JJ J I II
●● ●
−2
●
●
●
●
255 dari 490
100 150 200 250 300
Nilai Pengepasan
Cari Halaman
Gambar 4.9: Grafik Pencar Sisa Data yang tidak memenuhi syarat ho-
moskedastisitas. Kembali
Layar Penuh
Tutup
Keluar
1. sebaran mengikuti pola garis lurus;
2. grafik sisa untuk melihat kelinieran dan juga kekonstannan ra- Layar Penuh
gam;
Tutup
Keluar
3. grafik residual baku dan nilai ekspektasi;
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Gambar 4.11: Grafik Diagnostik dari Objek yang Dihasilkan oleh
Fungsi lm(). Grafik menunjukkan data tidak memenuhi
Layar Penuh
asumsi Model Linier Normal, yang ditandai dengan ada-
nya hubungan tidak linier dan pencilan
Tutup
Keluar
4.4. Uji Statistika Terkait Asumsi
Pemeriksaan melalui grafik cukup memberikan gambaran secara in-
tuitif apakah data yang dimiliki memenuhi asumsi atau tidak. Pe- FMIPA-UNEJ
meriksaan yang lebih teliti (lebih eksak) dapat dilakukan melalui uji
statistika di antaranya adalah: Daftar Isi
Dari Gambar 3.7 terlihat bahwa sebaran data tidak memiliki var- JJ J I II
iansi konstan, yang mengindikasikan tidak adanya homoskedastisitas
atau data tidak menyebar secara normal. Ternyata hasil uji statistika 260 dari 490
data: cars$dist
W = 0.9514, p-value = 0.0391 Layar Penuh
Tutup
Keluar
4.5. Memeriksa Model melalui AIC
Pemeriksaan dapat juga dilakukan dengan menggunakan kriteria in-
formasi Akaike (AIC, Akaike’s Information Criterion) yang menghi- FMIPA-UNEJ
Keluar
diperoleh hanya satu koefisien yang signifikan. Kita dapat saja lang-
sung memilih model hanya menyertakan satu variabel penjelas ini.
Melalui perintah step() dapat diketahui kombinasi yang terbaik di-
FMIPA-UNEJ
antara tiga variabel tadi.
lm(formula = y ~ x1 + x2 + x3 + x4)
Daftar Isi
Coefficients:
Estimate Std. Error t value Pr(>|t|)
Judul
(Intercept) 1.98333 9.91166 0.200 0.8434
x1 1.97890 0.09044 21.881 1.93e-15 ***
x2 0.02657 0.08598 0.309 0.7605 JJ J I II
x3 2.97230 0.07208 41.236 < 2e-16 ***
x4 0.13376 0.07710 1.735 0.0981 .
--- 262 dari 490
Signif.codes:0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Nilai AIC dari model lengkap ini dapat diperoleh dengan per-
intah AIC(model). Untuk model ini diperoleh AIC=114,42. Lang- Layar Penuh
kah selanjutnya adalah menelusuri model terbaik atau yang lebih baik
Tutup
Keluar
melalui perintah step(lm1).
Start: AIC= 41.47
y ~ x1 + x2 + x3 + x4
FMIPA-UNEJ
Df Sum of Sq RSS AIC
- x2 1 0.4 88.5 39.6
<none> 88.0 41.5
Daftar Isi
- x4 1 13.2 101.3 43.0
- x1 1 2107.4 2195.5 119.9
- x3 1 7484.7 7572.7 150.8 Judul
Call:
lm(formula = y ~ x1 + x3 + x4) Kembali
Keluar
yang dianggap sudah cukup baik dengan nilai AIC = 39,59.
Selain menyediakan fasilitas pemeriksaan AIC, R melalui menu
RCommander juga menyediakan beberapa uji untuk mendiagnostik
FMIPA-UNEJ
model diantaranya: diantaranya FIV (Faktor Inflansi Variansi/Ragam)
untuk memeriksa adanya multi kolinieritas, Uji heteroskedastisitas
Brues Pagan, Uji autokorelasi Durbin-Watson, Uji Pencilan Berfer- Daftar Isi
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
4.6. Transformasi Data
Untuk data yang distribusinya, atau distribusi residunya menunjukkan
adanya penyimpangan dari syarat yang harus dipenuhi bagi penggu- FMIPA-UNEJ
naan regresi linier klasik, maka harus dilakukan remidi sehingga per-
syaratan tersebut menjadi relatif terpenuhi. Remidi yang dilakukan Daftar Isi
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Gambar 4.12: Sebaran data asli (naik dan membuka ke atas) dan trans- Layar Penuh
Keluar
3. Kurva menurun dan terbuka keatas maka transformasi dapat
dilakukan pada X atau Y dengan salah satu transformasi se-
belumnya.
FMIPA-UNEJ
Untuk menstabilkan ragam
√ dapat dicoba beberapa transformasi
diantaranya Y1 = log(Y ), Y1 Y atau Y1 = 1/Y . Pada Gambar 4.14 Daftar Isi
terlihat bahwa transformasi tidak selalu dapat menstabilkan ragam.
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Gambar 4.13: Sebaran data asli (naik dan terbuka ke bawah) dan trans-
formasi yang bisa dilakukan. Beberapa transformasi meng- Layar Penuh
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Gambar 4.14: Sebaran data asli (dengan ragam tidak stabil) dan trans-
formasi yang bisa dilakukan. Beberapa transformasi hanya
Layar Penuh
menghasilkan ragam yang sedikit lebih stabil
Tutup
Keluar
4.7. Ringkasan
1. Sebelum dan sesudah melakukan analisis regresi sangat perlu di-
adakan pemeriksaan terkait sebaran data dan sisa untuk mem- FMIPA-UNEJ
3. pemeriksaan sebaran dapat juga dilakukanj melalui uji statistika 270 dari 490
(uji normalitas, atau uji homogenitas);
Cari Halaman
4. untuk data yang mengandung peubah kualitatif/faktor selain
grafik secara keseluruhan, perlu juga diperiksa grafik perkelom-
pok; Kembali
5. jika tidak terpenuhi asumsi yang diperlukan, dapat dicoba trans- Layar Penuh
formasi yang sesuai sehingga asumsi yang diperlukan terpenuhi;
Tutup
Keluar
6. pemilihan modeldapat dilakukan dengan melihat nilai AIC atau
nilai koefisien determinasi. Makin kecil nilai AICnya, model
makin baik, sementara itu semakin besar nilai koefisien deter-
FMIPA-UNEJ
minasinya, model semakin baik.
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
4.8. Bacaan Lebih Lanjut
Pembahasan mengenai Analisis Sisa pada Model Linier Normal dapat
dilihat pada Bowerman et al. [3] dan Neter et al. [31]. Referensi FMIPA-UNEJ
terkait R dapat dilihat pada Crawley [8] dan Kuhnert & Venables
[18]. Khusus eksplorasi grafik dari R dapat dilihat pada Maindonald Daftar Isi
[23], Vezalini [48], Zoonekyn [55], dan Murrel [29].
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
4.9. Latihan Soal-soal
1. Jelaskan penggunaan (qqplot() dan plot(density())) untuk
memeriksa distribusi data FMIPA-UNEJ
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Judul
Cari Halaman
Keluar
torinya). Model linier ini selanjutnya mengalami perkembangan de-
ngan memberikan asumsi yang lebih longgar baik pada distribusinya
maupun pada hubungan antara nilai-tengah dengan komponen sis-
FMIPA-UNEJ
timetiknya. Distribusi data tidak lagi terbatas pada distribusi nor-
mal tetapi merupakan anggota dari distribusi Keluarga Eksponensial.
Pada bab ini akan dibicarakan distribusi keluarga eksponensial dengan Daftar Isi
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
5.1. Distribusi Keluarga Eksponensial
5.1.1. Bentuk umum
FMIPA-UNEJ
Kita mulai dengan definisi formal dari distribusi keluarga eksponen-
sial. Ada beberapa variasi mendefinisikan distribusi keluarga ekspoen-
Daftar Isi
sial dan dalam buku ini dipilih yag paling sederhana.
Definisi 5.1. Suatu peubah acak Y dengan fungsi kepadatan proba- Judul
Tutup
Keluar
Dalam keadaan khusus a(y) = y, maka(5.1) menjadi:
Keluar
Dengan demikian
Z FMIPA-UNEJ
1 d f (y)
E[U ] = f (y) dy,
f (y) d θ
Z Daftar Isi
d f (y)
= dy,
dθ
Z Judul
d
= f (y) dy,
dθ
d1 JJ J I II
= ,
dθ
= 0. (5.5) 279 dari 490
Cari Halaman
Keluar
Selanjutnya kita perlu menunjukkan bahwa E[U 0 ] + E[U 2 ] = 0.
0 dU
E[U ] = E ,
dθ
FMIPA-UNEJ
d
= E[U ], (5.7)
dθ
d0 Daftar Isi
= ,
dθ
= 0. (5.8) Judul
Tetapi dari (5.6), ruas kanan dari (5.7) menjadi ddθ d dl(y)
R
θ
f (y) dy.
Jadi, bersama dengan (5.6), menghasilkan: JJ J I II
Z
d d l(y)
0 = f (y) dy, 280 dari 490
dθ dθ
Z 2 Z
d l(y) d l(y) d f (y)
= 2
f (y) dy + dy,
dθ dθ dθ Cari Halaman
Z 2 Z 2
d l(y) d l(y)
= f (y) dy + f (y) dy,
d θ2 dθ Kembali
Z Z
0
= U f (y) dy + U 2 f (y) dy
Layar Penuh
= E[U 0 ] + E[U 2 ].
Tutup
Keluar
Jadi,
E[−U 0 ] = E[U 2 ],
dan FMIPA-UNEJ
0
Var[U ] = E[−U ]. (5.9)
Untuk persamaan(5.1), U dan U 0 terhadap θ adalah: Daftar Isi
d
U = [a(y)b(θ) + c(θ) + d(y)], Judul
dθ
= a(y)b0 (θ) + c0 (θ), (5.10)
JJ J I II
dan
U 0 = a(y)b00 (θ) + c00 (θ). (5.11) 281 dari 490
Keluar
b00 (θ)c0 (θ) − c00 (θ)b0 (θ)
Var[a(Y )] = . (5.13)
[b0 (θ)]3
c0 (θ)
= − 0 b00 (θ) − c00 (θ). (5.14)
b (θ) Kembali
Keluar
Akibatnya, persamaan (5.14) dan persamaan (5.15) menghasilkan
FMIPA-UNEJ
JJ J I II
Cari Halaman
5.1.3. Beberapa Bentuk Khusus
Kembali
Berikut ini adalah beberapa distribusi yang menjadi anggota keluarga Layar Penuh
eksponensial.
Tutup
Keluar
Distribusi Binomial dengan Parameter n, p
Dengan
p Cari Halaman
logit p = log
1−p
Jadi b(θ) = logit p; c(θ) = n log(1 − p). Dengan mencari turunan Kembali
Keluar
Dalam prakteknya distribusi Binomial (n, p) sering dimodifikasi men-
jadi distribusi Binomial (1, µ) dengan mentransformasi x = y/n; x =
0, . . . , 1 sehingga mempunyai nilai-tengah µX = µ dan ragam Var(X) =
2
σX = µ(1 − µ). FMIPA-UNEJ
Daftar Isi
θy e−θ
f (y) = , y = 0, 1, 2, 3, · · · Cari Halaman
y!
= exp[y log θ − θ − log y!]. (5.16)
Kembali
Pada persamaan (5.16) b(θ) = log θ, c(θ) = −θ, d(y) = − log y. De- Layar Penuh
ngan demikian E[Y ] = θ dan Var[Y ] = θ.
Tutup
Keluar
Distribusi Normal dengan Parameter θ dan σ
Bentuk fungsi kepadatan probabilitas dari peubah acak Y yang berdis-
tribusi Normal adalah FMIPA-UNEJ
2 !
1 1 y−θ
f (y) = √ exp − , −∞ < y < ∞,
2πσ 2 σ Daftar Isi
y2 θ2
yθ 1 2
= exp − 2 + 2 − 2 − log(2πσ ) . (5.17)
2σ σ 2σ 2 Judul
θ(yθ)φ−1 e−yθ
f (y) = , y > 0,
Γ(φ) Layar Penuh
= exp[−yθ + (φ − 1) log y + φ log θ − log Γ(φ)]. (5.18)
Tutup
Keluar
Padapersamaan (5.18) b(θ) = −θ, a(y) = y, c(θ) = φ log θ−log Γ(φ), d(y) =
(φ − 1) log y. Maka, E[Y ] = φ/θ, Var[Y ] = φ/θ2 . Di sini φ adalah pa-
rameter nuisan.
FMIPA-UNEJ
Distribusi lainnya
Daftar Isi
Beberapa distribusi lainnya yang termasuk keluarga eksponensial ada-
lah:
Judul
Distribusi Pareto
Distribusi Eksponensial JJ J I II
Distribusi Invers Gauss [24, page 22] dan [11, page 34]
Rangkuman beberapa distribusi khusus diberikan pada Tabel Cari Halaman
Keluar
Tabel 5.1: Rangkuman Distribusi Anggota Keluarga Eksponensial
Binomial Normal Poisson Gamma
FMIPA-UNEJ
Notasi Bin(1, µ) N (µ, σ 2 ) P (µ) G(µ, ν)
φ 1 σ2 1 ν −1
b(θ) logit µ θ2 /2 exp(θ) − log(−θ) Daftar Isi
Gamma seiring dengan kenaikan nilai-tengah, ragam ikut meningkat, 288 dari 490
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Gambar 5.1: Plot Densitas dari sampel dengan berbagai nilai-tengah
dengan ukuran sampel 100
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Gambar 5.2: Sebaran Data dengan ukuran sampel 100 dengan dis-
tribusi Normal (b) dan Gamma (r)
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Kembali
Layar Penuh
Tutup
Keluar
5.2. Konsep Dasar Model Linier Tergeneralisir
5.2.1. Sisi lain Model Linier Normal
FMIPA-UNEJ
Selama bertahun- tahun, model linier berikut telah digunakan secara
luas dalam analisis statistika terutama untuk data kontinu:
Daftar Isi
Y = Xβ + e (5.19)
Judul
T T
dengan Y = (Y1 , · · · , Yi , · · · , Yn ) , e = (e1 , · · · , en ) , X = suatu
N × p matriks peubah eksplanatori atau sering disebut matriks desain JJ J I II
dan β = (β1 , · · · , βp )T . Lihat Dobson [11, subbab 3.1] dan McCullagh
& Nelder [24, hal. 7]. 292 dari 490
Asumsi yang mendasari model ini adalah: ei ∼ NID(0,σ 2 ), dan
karenanya Y ∼ N(E[Xβ], Iσ 2 ). Asumsi-asumsi ini dapat diuraikan
Cari Halaman
secara lebih terinci seperti berikut ini.
(i) Yi berdistribusi normal dan saling bebas dengan ragam kon- Kembali
Keluar
(ii) Ada suatu fungsi (misalkan η) dari peubah eksplanatori yang
disebut prediktor linier dari peubah respon Y . Pada kasus di
atas fungsi ini adalah ηi = xT
i β.
FMIPA-UNEJ
(iii) Ada hubungan antara prediktor (ηi ) dan komponen acak (µi ).
Dalam kasus di atas ηi = µi (yaitu hubungan identitas). Daftar Isi
JJ J I II
5.2.2. Generalisasi Model Linier Klasik ke Model Linier Ter-
generalisir 293 dari 490
Keluar
(ii) Pada asumsi (iii) hubungan antara komponen prediktor (η) dan
komponen acak (µ) tidak mesti identitas, tetapi diperluas untuk
suatu fungsi monoton dan diferensiabel, g, yaitu ηi = g(µi ).
FMIPA-UNEJ
Fungsi g disebut fungsi link. atau link function.
Jadi dalam model linier tergeneralisir ada tiga komponen yang penting
Daftar Isi
yaitu:
sial;
JJ J I II
2. komponen prediktor linier, yaitu η = xT β;
3. fungsi link yaitu fungsi monoton dan diferensiabel g sehingga 294 dari 490
g(µ) = η. Adanya fungsi link memungkinkan prediktor linier
memiliki daerah rentang seluruh bilangan riil (−∞ < x < ∞)
Cari Halaman
tetapi respon y memiliki rentang tertentu (misalnya 0 < y < 1
untuk binomial; dan bilangan cacah untuk respon hasil pencac-
Kembali
ahan (count data).
Diantara fungsi- fungsi link yang dapat digunakan, ada yang Layar Penuh
disebut fungsi link kanonik yaitu fungsi hubungan yang terjadi pada
Tutup
Keluar
saat b(θ) = η = pj=0 βj xj . Untuk distribusi binomial, misalnya
P
(i) fungsi logit, yang nerupakan fungsi link kanonik yaitu FMIPA-UNEJ
µ
η = log ; Daftar Isi
1−µ
Judul
(ii) fungsi probit, yaitu
η = Φ−1 (µ);
JJ J I II
dimana Φ adalah fungsi kumulatif dari distribusi Normal, yaitu
295 dari 490
Z x
1 1 2
Φ(x) = √ exp − z dz;
−∞ 2π 2
Cari Halaman
dan
Kembali
Tutup
Keluar
Logit/Probit
1.0
FMIPA-UNEJ
0.8
Daftar Isi
0.6
Judul
Peluang
0.4
JJ J I II
0.2
−6 −4 −2 0 2 4 6
Cari Halaman
prediktor
Kembali
Gambar 5.3: Respon dengan Fungsi Hubungan Logit (kurva langsung)
dan Probit (kurva putus-putus). Layar Penuh
Tutup
Keluar
Grafik respon mengunakan fungsi hubungan probit dan logit dapat
dilihat pada Gambar 5.3. Dalam prakteknya fungsi hubungan logit
lebih banyak dipilih dibanding dengan fungsi probit maupun komple-
FMIPA-UNEJ
menter. Penelusuran penurunan rumus fungsi logit jauh lebih mudah
dibanding fungsi probit.
Untuk distribusi Normal dan Poisson masing- masing mempun- Daftar Isi
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
5.3. Estimasi pada Model Linier Tergeneralisir
Ada dua metode yang biasa digunakan untuk mengestimasi parameter
pada model linier. Metode tersebut adalah dan metode kuadrat FMIPA-UNEJ
e = y − Xβ.
Layar Penuh
(b) Bentuk kuadrat dari kuadrat kesalahan didefinisikan seba-
Tutup
Keluar
gai
n
X
Q= e2i = eT e = (y − Xβ)T (y − Xβ).
i=1
FMIPA-UNEJ
Dalam bentuk ini informasi tentang distribusi ei sama sekali
belum diperhitungkan dalam perhitungan estimasi param-
Daftar Isi
eter.
(c) Biasanya Q dibobot dengan invers dari matriks ragam - kor-
Judul
agam (misalkan V ). Penduga kuadrat terkecil terbobot
b dari β selanjutnya diperoleh dengan meminimalkan
JJ J I II
Qw = (y − Xβ)T V−1 (y − Xβ)
terhadap parameter β, yaitu, menyelesaikan persamaan (un- 299 dari 490
tuk model linier klasik)
∂Qw
= −2XT V−1 (y − Xβ) = O, (5.20) Cari Halaman
∂β
atau ekuivalen dengan menyelesaikan Persamaan Nor- Kembali
mal
XT V−1 Xb = XT V−1 y.
Layar Penuh
(Lihat juga [32, subbab 12.8]).
Tutup
Keluar
Dengan metode kuadrat terkecil terbobot, maka sebagian infor-
masi tentang distribusi ei , yaitu ragamnya, telah diperhitungkan
dalam menghitung penduga parameter.
FMIPA-UNEJ
Keluar
tahui. Jika datanya saling bebas maka
N
Y
L(y, θ) = f (yi , θ)
FMIPA-UNEJ
i=1
(ii) Langkah berikutnya adalah mencari maksimum dari l(y, θ) = Daftar Isi
log L(y, θ) terhadap θ. Ini merupakan maksimum lokal dari
fungsi l terhadap θ. Maka θ̂ adalah: Judul
2 2
a. nilai θ sedemikian sehinga dl/dθ = 0 dan d l/dθ < 0;
atau JJ J I II
b. Nilai batas dari ruang parameter jika Ω terbatas.
301 dari 490
Persamaan dl/dθ = 0, umumnya tidak dapat diselesaikan secara
aljabar ata analitik, oleh karenanya metode iterasi, seperti metode
Cari Halaman
Newton-Raphson, sering diaplikasikan.
Kembali
5.3.1. Metode Penduga Kuadrat Terkecil
Sebagaimana pada model linier klasik, metode kuadrat terkecil men- Layar Penuh
cari penduga yang menyebban terjadinya kesalahan minimum. Untuk
Tutup
Keluar
itu persamaan (5.19) perlu diubah sehingga bentuk e menjadi eksplisit
selanjutnya diturunkan minimum dari eT e, seperti pada persamaan
(5.20). Tambahan komplikasi terjadi karena dalam MLT hubungan
FMIPA-UNEJ
antara prediktor linier dan komponen acak tidak mesti beupa identi-
tas, tetapi melalui suatu fungsi yang disebut fungsi link, g(). Dengan
demikian Daftar Isi
T Judul
∂Qw ∂µ ∂Qw
=
∂β ∂η ∂µ
T JJ J I II
∂µ
= −2 XT V−1 (y − µ),
∂η
302 dari 490
= 0,
Cari Halaman
∂µ
dimana adalah matrik diagonal berordo N dengan unsur di- Kembali
∂η
∂µi
agonal ke-i adalah yang nilainya bergantung pada fungsi link
∂ηi Layar Penuh
yang digunakan. Untuk mengaplikasikan metode iterasi Newton-Raphson,
Tutup
Keluar
diperluka bentuk turuann kedua yang dapat dinyatakan dengan
∂ 2 Qw
∂µ ∂Qw
T
=
∂β ∂β ∂η ∂µ
T FMIPA-UNEJ
∂µ T −1 ∂µ
=2 X V X .
∂η ∂η
Daftar Isi
Tutup
Keluar
dengan
c0 (θi )
E[Yi ] = µi = − berdasarkan persamaan (5.12), (5.23)
b0 (θi ) FMIPA-UNEJ
Cari Halaman
dengan
li = yi b(θi ) + c(θi ) + d(yi ) (5.25)
Kembali
dan
∂li ∂li ∂θi ∂µi Layar Penuh
= .
∂βj ∂θi ∂µi ∂βj
Tutup
Keluar
Dari persamaan (5.25) kita peroleh
∂li
= yi b0 (θi ) + c0 (θi ),
∂θi
FMIPA-UNEJ
c0 (θi )
0
= b (θi ) yi + 0
b (θi )
0
= b (θi )(yi − µi ) by persamaan (5.12). (5.26) Daftar Isi
Keluar
dan
∂µi ∂µi
= xij . (5.28)
∂βj ∂ηi
Oleh karena itu FMIPA-UNEJ
b0 (θi )(yi − µi )
∂li ∂µi
= xij berdasar (5.26),(5.27),(5.28),
∂βj b0 (θi ) Var[Yi ] ∂ηi Daftar Isi
(yi − µi )xij ∂µi
= , (5.29)
Var(Yi ) ∂ηi Judul
dan n n
X ∂li X (yi − µi )xij ∂µi JJ J I II
Uj = = (5.30)
i=1
∂βj i=1
Var(Yi ) ∂ηi
306 dari 490
for j = 1, 2, 3, · · · , p. Umumnya, metode iterasi seperti metode Newton-
Raphson , digunakan untuk menyelesaikan sistim persamaan U = O.
Pendekatan iterasi ke- m-th dari f (x) = 0 dengan Newton-Raphson Cari Halaman
adalah:
f (x(m−1) )
(m) (m−1)
x =x − , Kembali
f 0 (x(m−1) )
dengan x(m−1) adalah nilai pendekatan dari x setelah iterasi ke-(m−1). Layar Penuh
Dengan cara yang sama untuk persamaan U = O, rumus iterasinya
Tutup
Keluar
adalah: h i−1
(m−1)
b(m) = b(m−1) − U0 U(m−1) (5.31)
dengan U(m−1) adalah vektor U yang dinilai pada β = b(m−1) dan FMIPA-UNEJ
(m−1)
∂ 2l
0 (m−1)
U = (5.32)
∂βj ∂βk Daftar Isi
Matriks di atas sama dengan negatif dari mariks ragam - koragam atau
matriks informasidari Uj ’s, I = E[UUT ] dengan unsur ke − (j, k) Cari Halaman
adalah
∂l ∂l Kembali
Ijk = E ,
∂βj ∂βk
∂ 2l
Layar Penuh
= −E (5.33)
∂βj ∂βk
Tutup
Keluar
untuk j, k = 1, 2, 3, · · · , p (lihat [11, Lampiran A] dan [32, hal.341]).
Oleh karena itu persamaan (5.31) menjadi
Keluar
Dengan menggunakan “bobot” yang sama, matriks W, per-
samaan (5.30) dapat dinyatakan dalam bentuk matriks seperti
∂l T ∂η
=X W (y − µ) (5.37) FMIPA-UNEJ
∂β ∂µ
∂η Daftar Isi
dengan is suatu matriks diagonal N ×N dengan unsur diagonal
∂µ
∂ηi Judul
ke-i adalah .
∂µi
Oleh karena itu bentuk umum dari persamaan penduga dengan
JJ J I II
menggunakan iterasi Newton Raphson adalah
(m) (m−1) T −1 T ∂η
b =b + X WX X W (5.38a) 309 dari 490
∂µ
atau dalam bentuknya yang asli Cari Halaman
T !−1
(m) (m−1) T ∂µ 1 ∂µ
b =b + X X Kembali
∂ηvar(Y) ∂η
T 1 ∂µ
X (Y − µ) (5.38b) Layar Penuh
var(Y) ∂η
Tutup
Keluar
Dapat ditunjukkan bahwa persamaan (5.38) identik dengan (5.21)
sehingga dikatakan penduga maksimum likelihood untuk GLM identik
dengan metode kuadrat terkecil terbobot.
FMIPA-UNEJ
Ada bentuk lain yang juga biasa dipakai dalam merumuskan
bentuk iterasi Newton-Raphson untuk GLM yang dapat diturunkan
seperti berikut ini. Berdasar persamaan (5.30) dan persamaan (5.35) Daftar Isi
p n 2 n
X X xij xik ∂µi (m−1)
X (yi − µi )xij ∂µi
bk + . JJ J I II
k=1 i=1
Var[Y i ] ∂η i i=1
Var[Y i ] ∂η i
k=1
∂η i
Tutup
Keluar
dimana i = 1, 2, 3, · · · , N , dan, µi dan ∂µi / ∂ηi dinilsi pada β = b(m−1) .
Persamaan persamaan (5.34) menjadi
(m)
XT WXb = XT Wz. (5.39) FMIPA-UNEJ
Selanjutnya β̂ diambil sama dengan b(m) untuk m yang terakhir. Per- Daftar Isi
samaan (5.39) menunjukkan bahwa penduga likelihood maksimum
ekuivalen dengan penduga kuadrat terkecil terbobot [11, hal. 41].
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
5.4. Inferensi pada Model Linier Tergeneralisir
Jika penduga θ̂ konsisten, maka dia juga secara asimptotik tak
bias, yaitu FMIPA-UNEJ
lim E[θ̂] = θ.
N →∞
Daftar Isi
Hal- hal berikut merupakan konsekuensi.
θ̂ − θ
q ≈ N (0, 1). JJ J I II
Var[θ̂]
312 dari 490
(ii) Sama dengan(i),
(θ̂ − θ)2
≈ χ21 . Cari Halaman
Var[θ̂]
Dalam bentuk matriks dapat dinyatakan sebagai
Kembali
T −
(θ̂ − θ) V (θ̂ − θ) ≈ χ2q . (5.40)
Layar Penuh
Dengan q adalah rank matriks V, dan V− adalah:
Tutup
Keluar
– invers tergeneralisir dari matriks ragam - koragam V
jika V singular, atau
∂l
Uj = j = 1, 2, 3, · · · , p, JJ J I II
∂βj
dengan matriks ragam - koragam I=E[UUT ]. Jadi analog dengan Cari Halaman
Keluar
5.4.1. Distribusi dari Penduga Likelihood Maksimum
Pendekatan Taylor tingkat ke-n untuk fungsi f pada x = a adalah:
1 1
f (x) = f (a) + f 0 (a)(x − a) + f 00 (a)(x − a)2 + · · · + f n (a)(x − a)n . FMIPA-UNEJ
2 n!
Dengan mengambil pendekatan Taylor tingkat pertama pada fungsi Daftar Isi
skor U(β) pada β = b (sebagai penduga), kita peroleh:
U(β) ≈ U (b) + H(b)(β − b), (5.42) Judul
dengan
∂l JJ J I II
U1 ∂β1
∂l
U2
∂β2
U(b) = = .. ,
..
314 dari 490
. .
∂l
Up ∂βp βj =bj
Cari Halaman
and
∂2l ∂2l ∂2l
∂β12 ∂β1 ∂β2
··· ∂β1 ∂βp
∂2l ∂2l ∂2l Kembali
···
∂β2 ∂β1 ∂β22 ∂β2 ∂βp
H(b) = .. .. .. ..
.
. . . .
Layar Penuh
∂2l ∂2l ∂2l
∂βp ∂β1 ∂βp ∂β2
··· ∂βp2 βj =bj
Tutup
Keluar
Secara asimptotik H = E[H]. Berdasar persamaan (5.33) maka −I=E[H](Dobson
[11]. Oleh karena itu persamaan (5.42) menjadi:
dan JJ J I II
−1
b−β ≈I U(β). (5.44)
Dengan mengambil nilai harapan dari kedua ruas persamaan (5.44), 315 dari 490
Tutup
Keluar
Karena I adalah konstan dan simetrik, maka
Keluar
dalam prakteknya, jika N kecil digunakan pendekatan distribusi
t, yaitu
√
bj ± tN −p,α/2 vjj ;
FMIPA-UNEJ
dengan p menunjukkann banyaknya parameter βj yang akan
diduga.
Daftar Isi
(ii) model menggunakan fungsi link yang sama dengan model yang Layar Penuh
diajukan; dan
Tutup
Keluar
(iii) model yang mempunyai jumlah parameter sama dengan banyak-
nya pengamatan. Dengan kata lain “ia menyediakan informasi
lengkap dari data” (Lihat Dobson [11, hal. 56]).
FMIPA-UNEJ
1 Layar Penuh
l(b; y) − l(β; y) = (b − β)T I(b − β). (5.49)
2
Tutup
Keluar
Ini berarti
2[l(b; y) − l(β; y)] ≈ χ2p , (5.50)
dengan syarat I matriks dengan rank penuh atau matriks nonsingular.
FMIPA-UNEJ
notasi χ2p menunjukkan sebaran chi-kuadrat dengan derajat kebebasan
p.
Daftar Isi
Keluar
Bagian ketiga, (5.52c) mendekati 0 jika model yang ditentukan dengan
jumlah parameter p sama baiknya dengan model maksimal. Bagian
kedua, berdistribusi χ2p . Oleh karena itu jika bagian pertama saling
bebas dengan bagian kedua, D mendekati berdistribusi χ2N −p (lihat FMIPA-UNEJ
juga [16, page 154]). Statistik persamaan (5.51) dapat juga diper-
gunakan untuk menguji apakah suatu model sama baiknya dengan Daftar Isi
model yang lainnya (yang memiliki parameter berbeda, lihat [11, hal.
60-64]). Misalnya, untuk menentukan apakah model dengan jumlah Judul
parameter p secara signifikan lebih baik dari model dengan jumlah
parameter q (dengan q < p), kita menggunakan statistik berikut: JJ J I II
4D = Dq − Dp (5.53a)
320 dari 490
= 2[l(bmax ; y) − l(bq ; y)] (5.53b)
− 2[l(bmax ; y) − l(bp ; y)] (5.53c)
Cari Halaman
= 2[l(bp ; y) − l(bq ; y)]. (5.53d)
adalah ∼ χ2N −q dan bagian kedua, (5.53c) adalah ∼ χ2N −p . Oleh karena
itu sepanjang kedua bagian ini saling bebas, maka persamaan (5.53d) Layar Penuh
adalah ∼ χ2p−q .
Tutup
Keluar
Cara lain untuk memeriksa kecocokan model dan assumsinya
adalah dengan menggunakan kriteria AIC (seperti pada persamaan
(4.1)) dan analisis grafik dari sisa/residu. Penggunaan dari kedua
FMIPA-UNEJ
teknik ini telah diilustrasikan pada bab sebelumnya. Uraian detil da-
pat dilihat pada Dobson [11, Bab 5] dan Neter et al. [31, Bab 2 ].
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
5.5. Model Logit, Probit dan Log-linier
Secara matematis, GLM menggabungkan analisis untuk beberapa je-
nis distribusi (diantaranya Normal, Binomial dan Poisson). Model FMIPA-UNEJ
atau p
X Kembali
−1
P robit(Yi = S) = Φ (Yi = S) = βj Xij
j=0
p Layar Penuh
Odd =
1−p
Tutup
Keluar
Ada dua jenis data utama yang dapat dianalissi dengan model
logit yaitu data yang berasal dari tabel kontingensi dan dari data
yang langsung memiliki respon biner. Karena pada dasarya model
FMIPA-UNEJ
logit menggunakan data dalam bentuk persen, maka harus diketahui
dengan jelas jumlah sukses dan gagal pada tiap-tiap kelompok, ter-
utama jika jumlah subjek tiap-tiap kelompok tidak sama. (Lihat mo- Daftar Isi
Cari Halaman
Kembali
2
Banyaknya Total maupun G tidak perlu ditulis eksplisit dalam tabel jika total Layar Penuh
masing-masing kelompok sama
Tutup
Keluar
FMIPA-UNEJ
Tabel 5.3: Jumlah Sukses(S) dan Gagal dalam Berbagai Kelompok Daftar Isi
Faktor
Perlakuan Judul
Faktor Kategori (Biner) P1 ... Pk
F1 S n11 ... n1p JJ J I II
Total N11 ... N1p
F2 S n21 ... n2p
324 dari 490
Total N21 ... N2p
F3 S n31 ... n3p
Cari Halaman
Total N31 ... N3p
Kembali
Layar Penuh
Tutup
Keluar
5.6. dispersi berlebih
Sebagaimana telah dibahas sebelumnya bahwa sebaran anggota kelu-
arga eksponensial memiliki fungsi variansi yang menggambarkan ke- FMIPA-UNEJ
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
5.7. Ilustrasi GLM dengan R
Analisis GLM pada R dapat dimanfaatkan melalui dua cara yaitu lang-
sung memanggil fungsi glm() atau melalui menu dengan memanggil FMIPA-UNEJ
Keluar
2. family. Pilihan family yang tersedia adalah dengan link kanon-
iknya.
binomial(link = "logit")
gaussian(link ="identity") FMIPA-UNEJ
Gamma(link = "inverse")
inverse.gaussian(link = "1/mu^2") Daftar Isi
poisson(link = "log")
quasi(link = "identity", variance = "constant") Judul
quasibinomial(link = "logit")
quasipoisson(link = "log")
JJ J I II
Keluar
(e) print(objek) untuk mencetak hasil singkat analisis.
(f) step(objek) untuk memeriksa model yang paling cocok
dengan cara melihat angka (Akaike’s Information Crite- FMIPA-UNEJ
rion) yang paling besar.
(g) summary(objek)untuk mencetak lengkap hasil analisis. Daftar Isi
Selain itu, objek glm memuat beberapa komponen penting diantara- Judul
nya:
JJ J I II
[1] "coefficients" "residuals" "fitted.values"
[4] "effects" "R" "rank"
328 dari 490
[7] "qr" "family" "linear.predictors"
[10] "deviance" "aic" "null.deviance"
[13] "iter" "weights" "prior.weights" Cari Halaman
Keluar
Rangkuman distribusi (family) dan link yang dapat dipilih di-
berikan pada Tabel 5.4. Tanda K menunjukkan link kanonik yang
sekaligus merupakan default link dari glm() pada R.
FMIPA-UNEJ
probit X × × ×
cloglog X × × × JJ J I II
identity × X K X
log × K X X 329 dari 490
inverse × X X K
Cari Halaman
Regresi logistik, selain dapat diakses melalui fungsi glm() de- Layar Penuh
ngan pilihan distribusi dan link yang sesuai, pada R juga dapat diak-
Tutup
Keluar
ses secara khusus melalui fungsi multinom() dan polr() pada paket
MASS (Lihat Venable & Ripley [47]). Ketiga metode cara mengakses
regresi logistik ini telah juga diakomodasi dalam menu RCommander
FMIPA-UNEJ
untuk R versi 2.1 ke atas.
Daftar Isi
5.7.1. Data dengan Sebaran Binomial
Analisis model linier tergereralisir dengan sebaran Binomial dapat di- Judul
lakukan dengan dua macam pendekatan, yaitu
Contoh 5.1. Berikut adalah contoh data fiktif yang dimodifikasi dari
Venables & Ripley [47]. Ada tujuh perlakuan yang dibedakan un- Kembali
tuk jenis kelamin laki-laki dan perempuan. Tiap tiap kelompok ada
30 subjek. Jumlah yang dicatat adalah jumlah subjek yang dinya- Layar Penuh
takan lulus dari masing-masing kelompok. Data asli diberikan pada
Tutup
Keluar
Tabel 5.5, sedangkan format data yang akan dianalisis dengan R di-
berikan dalam Tabel 5.6. Walaupun data yang tercatat merupakan
hasil pencacahan jumlah yang sukses, tetapi hasil pencacahan ini lebih
FMIPA-UNEJ
menggambarkan relatif terhadap jumlah individu dalam kelompok
yang berhingga dan diketahui. Oleh karena itu secara tidak langsung
data ini menggambarkan persentase keberhasilan dalam tiap kelom- Daftar Isi
pok.
Judul
Tutup
Keluar
FMIPA-UNEJ
P P2 2 8
... ... ... ... Cari Halaman
P P8 20 10
Kembali
Layar Penuh
Tutup
Keluar
logit1<-glm(resp~J.Kelamin*Perlakuan, family=binomial)
summary(logit1)
Coefficients:
Estimate Std. Error z value Pr(>|z|) FMIPA-UNEJ
Significant code `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1 JJ J I II
Sepintas tidak begitu nampak signifikan adanya pengaruh je- Layar Penuh
nis kelamin, tetapi ada baiknya jika grafik diagram pencar dipisahkan
Tutup
Keluar
antara L dan P. Grafik diagram pencar prediksi dengan data asli dibe-
rikan pada Gambar 5.4. Dari diagram pencar masih dapat dibedakan
antara respon untuk kelompok L dan P pada berbagai kelompok per-
FMIPA-UNEJ
lakuan. Dari grafik tersebut dapat diperkirakan prosentase keberhasi-
lan pada perlakuan P5 adalah sekitar 36% untuk kelompok P dan
sekitar 56% untuk kelompok L. Pada analisis ini tidak ada indikasi Daftar Isi
library(gam)
data(kyphosis) Layar Penuh
print(summary(kyphosis))
Tutup
Keluar
Prediksi dengan Logit
L
FMIPA-UNEJ
0.8
L
Daftar Isi
L P
Judul
0.6
L P
P
Prob
JJ J I II
L
0.4
P
335 dari 490
P
L
Cari Halaman
0.2
L
Kembali
P
L
P
1 2 3 4 5 6 7 8
Layar Penuh
Perlakuan
Tutup
Gambar 5.4: Diagram Pencar Prediksi dan Data Asli Peluang Keber-
hasilan Berbagai Kelompok Keluar
Ringkasan data tersebut menunjukkan ada empat peubah satu
diantaranya merupakan kategori biner. Kita dapat memeriksa apakah
muncul tidaknya penyakit kyphosis ada hubungannya dengan peubah
FMIPA-UNEJ
yang lainnya (Age, Number dan Start).Hal ini dapat dilakukan melalui
GLM dengan memilih sebaran Binomial.
Daftar Isi
Kyphosis Age Number Start
absent :64 Min. : 1.00 Min. : 2.000 Min. : 1.00
present:17 1st Qu.: 26.00 1st Qu.: 3.000 1st Qu.: 9.00 Judul
Cari Halaman
call:
glm(formula = Kyphosis ~ Age + Number + Start, family = binomial(logit),
Kembali
data = kyphosis)
Keluar
-2.3124 -0.5484 -0.3632 -0.1659 2.1613
Coefficients:
FMIPA-UNEJ
Estimate Std. Error z value Pr(>|z|)
(Intercept) -2.036934 1.449575 -1.405 0.15996
Age 0.010930 0.006446 1.696 0.08996 . Daftar Isi
Tutup
Keluar
Data dengan sebaran Poisson
Contoh 5.2. Contoh berikut diambil dari data warpbreaks pada
database R. Data ini adalah tentang banyaknya kerusakan yang ter- FMIPA-UNEJ
jadi pada dua jenis wool (A dan B) yang diberi tiga macam tekanan
(rendah menengah dan tinggi). Karena data merupakan hasil pen-
Daftar Isi
cacahan maka distribusi yang paling cocok adalah Poisson dengan pi-
lihan alternatif fungsi hubungan log atau identitas (linier). Kita akan
Judul
mencoba kedua model dan memeriksa mana yang lebih baik dengan
menggunakan kriteria AIC.
JJ J I II
Dengan model ini semua koefisien regresi signifikan yang berarti
ada beda signifikan dari jumlah kerusakan dilihat baik dari jenis wool 338 dari 490
Deviance Residuals:
Min 1Q Median 3Q Max Layar Penuh
-3.8266 -1.5822 -0.4776 1.1656 4.5603
Tutup
Keluar
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 38.440 1.600 24.025 < 2e-16 *** FMIPA-UNEJ
woolB -4.877 1.413 -3.452 0.000557 ***
tensionM -9.173 1.863 -4.925 8.44e-07 ***
Daftar Isi
tensionH -14.385 1.783 -8.070 7.03e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Judul
Keluar
hubungan log sedikit lebih baik dari pada model dengan hubungan
identitas.
Coefficients: JJ J I II
Estimate Std. Error z value Pr(>|z|)
(Intercept) 3.69196 0.04541 81.302 < 2e-16 *** 340 dari 490
woolB -0.20599 0.05157 -3.994 6.49e-05 ***
tensionM -0.32132 0.06027 -5.332 9.73e-08 ***
Cari Halaman
tensionH -0.51849 0.06396 -8.107 5.21e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Kembali
Tutup
Keluar
Null deviance: 297.37 on 53 degrees of freedom
Residual deviance: 210.39 on 50 degrees of freedom
AIC: 493.06
FMIPA-UNEJ
Contoh 5.3. Data berikut diambil dari data kyphosis dari data base
R pada paket gam tentang hasil operasi anak terkait dengan muncul Daftar Isi
tidaknya penyakit paska operasi yang disebut khyposis. Data ini
merekam muncul tidaknya penyakit yang tersebut, dihubungkan de-
Judul
ngan usia anak (Age) dalam bulan, tingkat operasi mulai (Start) Lihat
Chamber & Hastie[5].
JJ J I II
Respon muncul tidaknya Khyposis merupakan data biner yang
berdistribusi binomial. Kita dapat menggunakan Khyposis sebagai 341 dari 490
Tutup
Keluar
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -2.036934 1.449575 -1.405 0.15996
Age 0.010930 0.006446 1.696 0.08996 . FMIPA-UNEJ
Number 0.410601 0.224861 1.826 0.06785 .
Start -0.206510 0.067699 -3.050 0.00229 **
Daftar Isi
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Judul
Model ini memiliki AIC 69,38 tetapi dari koefisien regresinya Cari Halaman
terlihat hanya ada satu koefisienyang signifikan. Untuk itu kita akan
lakukan penelusuran alternatif model dengan menggunakan perintah Kembali
step(). Ternyata dari segi nilai AIC, alternatif model- model yang
lain tidak menyebabkan adanya oenurunan AIC yang berarti dan di- Layar Penuh
anggap model lengkap ini sudah cukup baik.
Tutup
Keluar
5.7.2. Prediksi pada GLM
Setelah model yang dianggap baik diperoleh, selanjutnya model terse-
but dapat dipakai untuk mempredikasi baik nilai link (kombinasi li- FMIPA-UNEJ
nier) maupun responnya.
Daftar Isi
predict(object, newdata = NULL,
type = c("link", "response", "terms"),
se.fit = FALSE, dispersion = NULL, terms = NULL, Judul
Keluar
> predict(glm2,data.frame(Age=70,Number=3,Start=10),
type="link")
[1] -2.105097
> predict(glm2,data.frame(Age=70,Number=3,Start=10), FMIPA-UNEJ
type="response")
[1] 0.1086024 Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
5.8. Ringkasan
1. Distribusi/ Sebaran keluarga eksponensial menggabungkan dis-
tribusi - distribusi yang telah banyak dikenal (misalnya Binom- FMIPA-UNEJ
Keluar
spon bersebaran Poisson).
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
5.9. Bacaan Lebih Lanjut
Referensi yang biasa dijadikan acuan utama mempelajari model linier
tergeneralisir ini adalah McCullagh dan Nelder [24], sedangkan seba- FMIPA-UNEJ
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
5.10. Latihan Soal-soal
1. Tuliskan bentuk umum sebaran keluarga eksponensial. Jelaskan
kaitannya dengan beberapa bentuk khusus seperti Binomial, Pois- FMIPA-UNEJ
βˆ0 , βˆ1 dan βˆ2 . Tuliskan bentuk model (persamaan regresi) yang
diperoleh. Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Judul
Cari Halaman
Pada Bab 5 telah didiskusikan perluasan model linier untuk data Kembali
Keluar
berdistribusi Normal. Dalam eksperimen yang melibatkan penguku-
ran berulang (repeated measurement) atau pengamatan waktu pan-
jang (longitudinal) umumnya respon yang dihasilkan adalah berupa
FMIPA-UNEJ
vektor data yang kemungkinan besar tidak saling bebas. Ada bebe-
rapa kondisi eksperimen yang menghasilkan data yang tidak saling
bebas diantaranya seperti berikut ini. Daftar Isi
Keluar
tilpun, banyaknya kejadian pada tempat dan interval waktu tertentu)
atau (iii) berupa respon biner (misalnya banyaknya prosentase sukses
pada setiap interval waktu tertentu).
FMIPA-UNEJ
Ada dua pendekatan yang dipergunakan untuk menganalisis data
sejenis ini. Kedua pendekatan ini relatif baru yang diperkenalkan
Daftar Isi
satu-dua dekade lalu. Pendekatan pertama adalah model marjinal
yang diperkenalkan oleh Liang & Zeger tahun 1986, yang lebih dike-
Judul
nal dengan pendekatan GEE (Generalized Estimating Equation). Pen-
dekatan ini tidak didasarkan atas bentuk likelihood lengkap dari re-
spon, tetapi hanya berdasarkan hubungan antara nilai-tengah (momen JJ J I II
pertama) dan ragamnya (momen kedua) serta bentuk matriks kore-
lasinya. Pendekatan kedua adalah pendekatan Model Linier Tergen- 351 dari 490
eralisir Hirarkis yang dipelopori oleh Lee & Nelder tahun 1996. Model
ini selain menggunakan likelihood lengkap, juga menggabungkan pen- Cari Halaman
dekatan multiplikatif dan pendekatan aditif.
Walau sudah diperkenalkan dua dekade lalu, pendekatan GEE Kembali
Keluar
mentasikan GEE pada R yaitu gee dan geePackages. Namun kedua
paket fungsi ini belum bisa diakses melalui menu. Dalam bab ini akan
dibahas perluasan model (regresi) linier untuk data yang mungkin se-
FMIPA-UNEJ
lain tidak berdistribusi Normal juga tidak saling bebas.
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
Kompetensi
Setelah menyimak materi pada bab ini, pembaca diharapkan:
FMIPA-UNEJ
1. dapat membedakan data dengan respon saling bebas dan data
dengan respon tidak saling bebas;
Daftar Isi
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
Materi
1. Model marjinal
FMIPA-UNEJ
2. Quasi-likelihood dan GEE
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
6.1. Model Marjinal
Perhatikan bahwa model linier mempunyai bentuk umum yang telah
diuraikan pada bab sebelumnnya yaitu: FMIPA-UNEJ
Y = Xβ + (6.1)
Daftar Isi
Dalam perkembangannya di lapangan, ada kemungkinan baik mau-
pun Y tidak lagi berdistribusi normal. Apabila data yang tidak berdis-
Judul
tribusi normal ini masih saling bebas, maka model linier yang mem-
pelajari hubungan peubah untuk jenis data ini disebut model linier
tergeneralisir (Generalized Linear Models, untuk selanjutnya disingkat JJ J I II
GLM). Pembahasan tentang GLM telah dibahas pada Bab 5.1 dan
Bab 5. Referensi yang membahas secara komprehensif tentang GLM 355 dari 490
Keluar
2. sedangkan ragamnya menjadi
V ar(Y ) = ψv(µ),
FMIPA-UNEJ
dengan ψ adalah parameter skala yang bukan menjadi perhatian
utama sehingga sering diasumsikan diketahui. Fungsi v() dise-
Daftar Isi
but fungsi ragam yang bentuk khususnya bergantung pada jenis
distribusinya, misalnya untuk distribusi Poisson, secara umum
berlaku v(µ) = ψµ, yaitu berlaku hubungan linier antara nilai- Judul
Keluar
ubah eksplanatori yang sama. Model marjinal secara khusus memiliki
asumsi berikut.
3. Korelasi antara Yij dan Yik adalah sebuah fungsi dari rataan
Cari Halaman
marjinal dan mungkin juga parameter - parameter tambahan ,
yaitu Corr(Yij , Yik ) = ψ(µij ; µik ; α) dimana ψ(.) adalah sebuah
Kembali
fungsi yang disumsikan diketahui (Diggle et al. [10]).
Dalam kedua kasus di atas, menganalisis data asli (dalam ben- Layar Penuh
tuk multivariat) dianggap lebih memberikan gambaran yang benar
Tutup
Keluar
Tabel 6.1: Respon Pengukuran berulang
Pengulangan Variabel Penjelas
No. Subjek T1 T2 ... Tt X ...
FMIPA-UNEJ
1 S1 y11 y12 ... y1t x1
2 S2 y21 y22 ... y2t x2
Daftar Isi
... ... ... ... ... ... ...
n Sn yn1 yn2 ... ynt xn
Judul
JJ J I II
Keluar
respon multivariate berupa vektor dengan panjang p.
y1 T Y11 Y12 · · · Y1t
T Y21 Y22 · · · Y2t
y FMIPA-UNEJ
Y= 2 = .
· · · . .. . . ..
. . . .
yN P Yn1 Yn2 · · · Ynt Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
6.2. Quasi-Likelihood dan Generalized Estimat-
ing Equations (GEE)
FMIPA-UNEJ
Dalam model linier yang peubah responnya masih saling bebas, mes-
kipun tidak berdistribusi normal, fungsi likelihoodnya relatif mudah Daftar Isi
Keluar
menggunakan Generalized Estimating Equations (untuk selanjutnya
disingkat GEE) yang pertama diperkenalkan oleh Liang dan Zeger
(yaitu Liang & Zeger [21], Zeger & Liang [52],[53], Liang et al. [22],
FMIPA-UNEJ
Zeger et al. [54]). GEE merupakan sebuah analogi atau generalisasi
multivariat dari quasi-likelihood untuk respon saling bebas(Diggle,
et al. [10]). Manakala tidak ada fungsi likelihood yang pasti un- Daftar Isi
dimana, Yi, µi dan ηi adalah vektor dan V ar(Yi ) merupakan Layar Penuh
matrik simetris. Dalam kasus multivariat, ada tambahan komplikasi
Tutup
Keluar
seperti Sβ yang sesungguhnya juga tergantung pada parameter β ma-
upun α, karena V ar(Yi ) = φV ar(Yi ; β; α). Pada bab ini akan diba-
has analisis model linier untuk respon yang tidak saja berdistribusi
FMIPA-UNEJ
tidak normal tetapi juga respon tersebut tidak saling bebas. Respon
seperti ini dihasilkan oleh pengamatan berulang (repeated meassure-
ment/longitudinal data), misalnya pengamatan yang dilakukan pada Daftar Isi
tiap interval waktu tertentu. Tentu saja akan lebih baik jika data yang
dihasilkan oleh beberapa pengamatan ini diuji secara serempak, tidak Judul
satu-persatu maupun diwakili oleh rata-ratanya.
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
6.3. Generalisasi dan Bentuk GEE
Dibandingkan dengan persamaan untuk memperoleh penduga pada
model linier normal (NLM) seperti pada persamaan (3.1) pada hala- FMIPA-UNEJ
man 154 dan pada model linier tergenaralisasi (GLM), GEE ini men-
galami generalisasi atau perbedaan dalam beberapa hal yaitu: Daftar Isi
Keluar
3. Dalam NLM ragam dari respon, var(Yi ) = φv(µi ) adalah kon-
stan yaitu σ 2 , dalam GLM dia adalah tidak konstan tetapi berupa
matriks diagonal, sedangkan dalam GEE dia berupa matriks ra-
FMIPA-UNEJ
gam - koragam yang bersifat umum (simetris) yang tidak saja
bergantung pada µ atau β tetapi juga pada φ dan α, yang dapat
dinyatakan dalam bentuk Daftar Isi
Judul
p p
vi = φ v(µi R(α) v(µi
JJ J I II
Keluar
tur korelasi seragam bentuknya matriks korelasinya adalah
1 α ··· α
α 1 · · · α FMIPA-UNEJ
R = . . . .. .
.
. .. . . .
Daftar Isi
α α ··· 1
Sedangkan model korelasi AR-1 yang biasa juga disebut model Judul
Dengan mencari turunan, terhadap β, dari ruas kiri pada per- Kembali
Keluar
" n
#−1
X ∂µ i ∂µ i
b(1) =b(0) + Xi T [var(Yi )]−1 Xi
∂η i ∂ηi
" i=1
FMIPA-UNEJ
n #
X ∂µ i
Xi T [var(Yi )]−1 (Yi − µi ) (6.4)
i=1
∂η i Daftar Isi
Tutup
Keluar
Jika perkalian dengan invers dinotasikan dengan ’pecahan’ se-
perti notasi art:KenwardSmith95, maka A dapat dinotasikan de-
ngan:
FMIPA-UNEJ
" n #
X ∂µi
Xi T
[var(Yi )]−1 Daftar Isi
i=1
∂η i
A= " n #
X ∂µi −1 ∂µ i
Xi T [var(Yi )] Xi Judul
i=1
∂ηi ∂ηi
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
6.4. Ilustrasi GEE dengan R
Fasilitas GEE hanya dapat dimanfaatkan melalui skrip dengan men-
gaktifkan paket gee. Format fungsi gee() adalah: FMIPA-UNEJ
Keluar
2. "exchangeable" yang berarti kita mengasumsikan adanya ko-
relasi seragam atau yang lebih dikenal dengan compound sym-
metry,
FMIPA-UNEJ
3. "AR-M" jika kita mengasumsikan model deret waktu Auto Re-
gressive orde M,
Daftar Isi
faktor wool dianggap sebagai faktor acak, maka data tersebut dapat
dianalisis melalui gee() dengan wool sebagai id. Berikut adalah hasil 369 dari 490
Model:
Kembali
Link: Logarithm
Variance to Mean Relation: Poisson
Correlation Structure: Exchangeable Layar Penuh
Tutup
Keluar
Call:
gee(formula = breaks ~ tension, id = wool, data = warpbreaks,
family = poisson(link = log), corstr = "exchangeable")
FMIPA-UNEJ
Koefisien korelasi model di atas adalah r = 0, 02088982. Untuk ko- Cari Halaman
Link: Logarithm
Variance to Mean Relation: Poisson Layar Penuh
Correlation Structure: AR-M , M = 1
Tutup
Keluar
Call:
gee(formula = breaks ~ tension, id = wool, data = warpbreaks,
family = poisson(link = log), corstr = "AR-M", Mv = 1) FMIPA-UNEJ
Summary of Residuals:
Daftar Isi
Min 1Q Median 3Q Max
-22.415091 -8.095630 -2.695504 6.304496 33.584909
Judul
Coefficients: JJ J I II
Estimate Naive S.E. Naive z Robust S.E. Robust z
(Intercept)3.5949833 0.08689454 41.371797 0.15918021 22.584360
371 dari 490
tensionM -0.3245601 0.13381637 -2.425414 0.22496947 -1.442685
tensionH -0.5178782 0.14221001 -3.641644 0.06567149 -7.885892
Cari Halaman
Working Correlation
Layar Penuh
[,1] [,2] [,3] [,4]
Tutup
Keluar
[1,] 1.000000e+00 4.125981e-02 1.702372e-03 7.023956e-05
[2,] 4.125981e-02 1.000000e+
FMIPA-UNEJ
Contoh 6.2.
Data Orange merupakan data tentang usia dan keliling batang pohon Daftar Isi
jeruk untuk berbagai jenis pohon jeruk. Dapat dianggap bahwa satu jenis
pohon jeruk diamati secara berulang untuk tingkat umur yang berbeda.
Judul
Dalam konteks model marjinal, jenis pohon menjadi pertimbangan dalam
estimasi hubungan antara usia dan keliling pohon, tetapi tidak secara ek-
splisit masuk kedalam model. Karena pengamatan berulangnya berdasar- JJ J I II
kan waktu, maka model korelasi yang dianggap lebih cocok adalah model
AR-1, bukan seragam. 372 dari 490
Model:
Link: Logarithm Cari Halaman
Variance to Mean Relation: Gamma
Correlation Structure: AR-M , M = 1
Kembali
Call:
gee(formula = circumference ~ age, id = Tree, data = Orange, Layar Penuh
family = Gamma(link = log), corstr = "AR-M", Mv = 1)
Tutup
Keluar
Summary of Residuals:
Min 1Q Median 3Q Max
-55.95909 -3.67571 10.05171 24.64189 69.23206 FMIPA-UNEJ
Daftar Isi
Coefficients:
Estimate Naive S.E. Naive z Robust S.E. Robust z
Judul
(Intercept)3.374827865 0.14418605 23.40606 2.215775e-02 152.3092
age 0.001202957 0.00010245 11.74185 3.813379e-05 31.5457
JJ J I II
Estimated Scale Parameter: 0.095224
Correlation parameter = 0.8461830 373 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
6.5. Gamma-HGLM dan Model Lainnya
Pada bagian ini diuraikan secara ringkas bentuk Model Linier Tergeneral-
isir Bertingkat (HGLM=Hierarchical Generalized Linear Model), khususnya FMIPA-UNEJ
Tutup
Keluar
6.5.1. Gamma-HGLMs
Model yang dibahas termasuk bagian dari HGLM. Bersama dengan fungsi
hubungan yang dipilih, HGLM, mempersatukan pendekatan model aditif FMIPA-UNEJ
dan multiplikatif yang sekaligus juga memperluas distribusi efek acak yang
dimungkinkan memiliki distribusi tidak normal. Model ini dapat diang-
Daftar Isi
gap sebagai pengembangan dari model GLMM (Generalized Linear Mixed
Models, yaitu Model Linier Tergeneralisasi Campuran yang mensyaratkan
efek acak harus berdistribusi normal. Judul
Tirta [40]) atau Lognormal, untuk model taksekawan lihat Tirta [41]) de-
ngan nilai-tengah satu. Model Gamma-Inverse-Gamma dapat dirangkum Layar Penuh
sebagai berikut ini. Misalkan bahwa, untuk individu atau strata kei dari
Tutup
Keluar
jumlah m, sebanyak ni respon teramati,sedemikain sehingga secara keselu-
ruhan ada respon sebanyak N = m
P
i=1 ni . Misalkan
Tutup
Keluar
(a) untuk j = 1, . . . , ni , yij |γi , berdistribusi gamma dan saling be-
bas, G(µij γi , ν), dengan densitas
νyij ν −1
1 νyij
f1 (yij , µij , ν|γi ) = yij exp − , (6.8) FMIPA-UNEJ
Γ(ν) µij γi µij γi
dan bersyarat
g(µ0ij ) =η 0
Kembali
dengan g adalah fungsi-link. Secara khusus, untuk hubungan-
log (log-link)
Layar Penuh
log(µ0ij ) = η 0 = xij T β + ln(γi ), (6.10)
Tutup
Keluar
dan hubungan antara matriks desain, efek tetap dan efek acak
dapat dinyatakan dalam bentuk matriks seperti:
Dapat ditunjukkan (Tirta [40]) dan Tirta [41]) bahwa model HGLM
yang diajukan mempunyai korelasi berbentuk seragam. Jadi dengan model Judul
GIG yang diajukan, tidak ada kebebasan memilih bentuk korelasi.
JJ J I II
6.5.2. Likelihood Bersama: Model JGIG
Model sekawan Gamma-Inverse Gamma Model (selanjutnya disingkat Mo- 378 dari 490
del GIG) telah didefinisikan pada Tirta [38]. Distribusi bersama merupakan
hasil kali distribusi bersyarat y|γ dengan distribusi efek acak γ. Sedangkan
Cari Halaman
log-likelihood bersama merupakan jumlah log-likelihood bersyarat dengan
log-likelihood dari efek acak.
Data dimodel dalam bentuk efek tetap (β) dan log dari efek acak Kembali
Tutup
Keluar
unsur 0 dan 1 mengindikasikan setiap efek acak yang diaplikasikan. Unsur
zij,k , (yaitu baris ke j dan kolom ke k dari matriks Zi) untuk i, k = 1, . . . , m
dan j = 1, . . . , ni , dengan z(ij,k) = 1 untuk i = k, dan 0 untuk i 6= k.
Likelihood bersama antara y dan efek acak γ adalah: FMIPA-UNEJ
)
m ni ν−1 ni
( ) ν ! ( !
Y Y yij
ν −ni ν
X yit Daftar Isi
f (y, γ) = γi exp − ν γi−1
Γ(ν) µij µ
i=1 j=1 t=1 it
(α − 1)α −(α+1)
α−1 Judul
× γi exp − . (6.12)
Γ(α) γi
JJ J I II
Sedangkan log-Likelihood inti dari y dan v = log(γ) untuk y ∼ GIG(µ, ν, α),
adalah:
379 dari 490
X ni
m X m
X
h(µ,v, ν, α) = l1 (yij , µij , ν|vi ) + l2 (vi , α) (6.13)
i=1 j=1 i=1 Cari Halaman
Dalam persamaan di atas, l1 (yij , µij , ν|vi ) adalah log-likelihood untuk y|γ
Kembali
yaitu
νyij
l1 (yij , µij , ν|γi ) = − ln Γ(ν) + ν{ln(νyij ) − ln(µ0ij )} − ln(yij ) − 0 ,
Layar Penuh
µij
Tutup
Keluar
dengan µ0ij = µij exp(vi ). Sedangkan l2 (vi , α) adalah log-likelihood dari log
effect acak, v = ln(γ), yaitu
α−1 FMIPA-UNEJ
l2 (vi , α) = α ln(α − 1) − ln Γ(α) − vi α + . (6.14)
exp(vi )
Daftar Isi
Bentuk likelihood bersama ini selanjutnya dijadikan dasar untuk mengesti-
masi parameter (β, v, ν dan α) dengan menggunakan pendekatan likelihood
maksimum. Judul
JJ J I II
6.5.3. Estimasi Parameter β dan v
Estimasi Parameter β dan v dapat dilakukan dengan dua cara yaitu de- 380 dari 490
Kembali
Estimasi Bergantian β dan v
Dengan cara ini, β dan v diestimasi secara bergantian sampai syarat kon- Layar Penuh
vergensi secara keseluruhan terpenuhi.
Tutup
Keluar
Turunan dan Persamaan score β
Turunan fungsi log-likelihood bersama seperti persamaan (6.13), terhadap
β dan v, dicari dengan memperhatikan bahwa:
FMIPA-UNEJ
m
!−1 ( m )
X X Cari Halaman
0
XT XT
bs = bs−1 + i Wi Xi i Wi ∆i (yi −µi ) .
i=1 i=1
s−1
(6.15) Kembali
dengan
∂η0 Layar Penuh
ij
(a) ∆i =adalah matriks diagonal dengan µ0ij
yang bergantung
Tutup
Keluar
pada fungsi hubungan/link yang dipakai. Untuk link-log,
∆i =
FMIPA-UNEJ
diag µ10
ij
Daftar Isi
(b) Wi adalah matriks diagonal dengan unsur diberikan oleh:
!2 Judul
∂µ0ij 1
wij = 0 . (6.16)
∂ηij V (µ0ij )
JJ J I II
Tutup
Keluar
Turunan log-likelihood terhadap v
Turunan pertama h(y, µ, v) terhadap v bersyarat β adalah
∂h(y, µ, v) FMIPA-UNEJ
Dv = ,
∂v
Dv adalah vektor dengan ukuran m dengan unsur ke i, di , Daftar Isi
= + .
∂vi ∂vi Cari Halaman
j=1
ni
!
∂h(y, µ, v) X νyij α−1
φ = 0 −ν −α+
∂vi µij exp(vi ) Kembali
j=1
ni
X yij α−1
=ν − ni ν − α + . (6.17) Layar Penuh
µij exp(vi ) exp(vi )
j=1
Tutup
Keluar
Persamaan di atas kebetulan memiliki penyelesaian analitik sehingga unsur
ke-i dari v̂, vi , dapat dihitung langsung tanpa iterasi dengan
Pn yij
i
ν j=1 +α−1
µˆij FMIPA-UNEJ
vˆi = ln(γˆi ) = ln . (6.18)
ni ν + α
Daftar Isi
Algorithma estimasi bergantian dari β dan v adalah:
1. tentukan nilai awal untuk |beta, v dan parameter dispersinya; Judul
Mengingat kita bisa memanfaatkan pustaka GLM yang talah ada, imple-
mentasi algoritma ini ke program komputer sangat sederhana (strightfor- Cari Halaman
ward).
Kembali
Estimasi Simultan β dan v
Pendugaan β and v dilakukan dengan metode Newton-Raphson. Untuk Layar Penuh
itu dibutuhkan turunan fungsi log-likelihood terhadap β dan v yang dapat
Tutup
Keluar
dirangkum seperti berikut ini.
m
∂ηi0
∂l(µ|v) X
=φ−1 Si Vi−1 (yi − µi 0 ), (6.19)
∂β ∂β
i=1 FMIPA-UNEJ
atau
Daftar Isi
m
∂ηi0
∂l(µ|v) X
=φ−1 Wi ∆i (yi − µi ), 0
(6.20)
∂β ∂β
i=1
Judul
dengan
0
! JJ J I II
−1 ∂ηi0 ∂ηij
Si =∆i = = diag . (6.21)
∂µi 0 ∂µ0ij
385 dari 490
Tutup
Keluar
dengan d = ∂l(v, α)/∂v adalah vektor dengan panjang m dan unsur ke i
∂l(v, α)
adalah di = φ , i = 1, 2, . . . , m.
∂vi
FMIPA-UNEJ
m
!
∂ 2 h(µ, v) JJ J I II
X ∂d
E = −φ−1 ZT
i Wi Zi − .
∂v ∂vT ∂vT
i=1
386 dari 490
Jadi
m
!
X Cari Halaman
−1
Iv = φ ZT
i Wi Zi +U (6.23)
i=1
Kembali
∂ 2 l(α, v)
α−1 Layar Penuh
untuk U = diag −φ = diag ; i ∈ {1, 2, . . . , m}.
∂vi2 ν exp(vi )
Tutup
Keluar
Turunan silang
2 m
∂ h(µ, v) −1
X
−E =φ XTi Wi Zi , dan
∂β ∂vT
i=1 FMIPA-UNEJ
2 m
∂ h(µ, v) −1
X
−E =φ ZT
i Wi Xi .
∂v ∂β T i=1 Daftar Isi
dengan subskrip (s − 1) berarti rumus tersebut dinilai menggunakan hasil Layar Penuh
pada langkah ke(s − 1).
Tutup
Keluar
6.5.4. Pendugaan parameter dispersi ν dan α
dan
388 dari 490
∂hA ∂ 2 hA ∂ 2 hA
∂ν ∂ν 2 ∂α∂ν Cari Halaman
Dθ = ; H = .
T
θθ
∂h 2 2
∂ hA ∂ hA
A
∂α ∂ν∂α ∂α2 Kembali
Layar Penuh
Unsur-unsur matriks adalah sebagai berikut ini.
Tutup
Keluar
m ni
( )
∂ha X X νyij yij
= digamma(nu) + ln 0 − 0 + 1 + FMIPA-UNEJ
∂ν µij µij
i=1 j=1
1 m + rank(X)
− + trace KU̇ν . (6.25) Daftar Isi
2 ν
m !
∂hA X ∂ ln Γ(α) α 1
= − + + ln(α − 1) − vi −
∂α ∂α α−1 exp(vi ) Judul
i=1
1
− trace KU̇α . (6.26)
2 JJ J I II
∞
∂ 2 hA
X 1 N 1 m + rank(X)
2
= −N 2
+ +
∂ν (ν + r − 1) ν 2 ν2
r=1 389 dari 490
−trace K(Üν,ν ) + trace (KU̇ν )(KU̇ν ) . (6.27)
m ∞
( ) Cari Halaman
∂ 2 hA X X 1 α 2
= − − +
∂α2 (α + r − 1)2 (α − 1)2 α − 1
i=1 r=1
Kembali
1
+ trace (KU̇α )(KU̇α ) . (6.28)
2
∂ 2 hA 1n o
Layar Penuh
= − trace(KÜν,α ) − trace(KU̇ν )(KU̇α ) (6.29)
∂ν ∂α 2
Tutup
Keluar
6.5.4.1. Prosedur Pendugaan
Model yang diperoleh memiliki banyak parameter. Beberapa diantaranya
lebih mudah diduga dibanding yang lainnya. Jadi pendugaan secara serem-
FMIPA-UNEJ
pak menggunakan model multivariat penuh akan tidak efisien. Smyth ([33]
dan [34]) menyarankan untuk mengelompokkan parameter sesuai dengan
kemudahan pendugaannya dan selanjutnya memanfaatkan algoritma par- Daftar Isi
tissi. Salah satu algoritma yang diajukan disebut prosedur coupled. Prose-
dur ini terdiri atas dua kelompok putaran yaitu putaran dalam dan putaran Judul
luar. Pada putaran dalam beberapa parameter yang sejenis diestimasi de-
ngan metode Newton-Raphson atau metode Skor Fisher. Kriteria konver-
JJ J I II
gensi secara keseluruhan dilakukan secara global yaitu apabila kriteria pada
masing-masing putaran dalam telah tepenuhi.
Secara ringkas prosedur tersebut dapat dirumuskan sebagai berikut. 390 dari 490
Tutup
Keluar
6.5.5. Analisis HGLM dengan R
Sebagaimana disebutkan sebelumnya, secara umum metode HGLM belum
terimplemantasikan ke paket komputer yang banyak beredar. Namun, FMIPA-UNEJ
khusus untuk metode JGIG, paket analisis telah dirintis. Penggunaannya
adalah sebagai berikut
Daftar Isi
Tutup
Keluar
dalam formula.
klaster : variabel yang berfungsi sebagai klaster yang
diperlakukan sebagai efek acak
offset : dapat dipergunakan untuk menentukan nilai komponen FMIPA-UNEJ
yang telah diketahui yang mau diikutsertakan dalam
prediktor. Komponen ini dimodelkan dengan
Daftar Isi
koefisien1 (opsional)
Pada contoh berikut data adalah data tentang pohon jeruk (Orange) Judul
yang berisi umur phon (age), lingkaran pohon (circumference) untuk berba-
gai jenis pohon (Tree). Dalam konteks HGLM dapat dianggap bahwa pen-
JJ J I II
gukuran dihasilkan dari beberapa jenis pohon (Tree) yang dimati untuk
beberapa tingkat usia dan diukur besar lingkaran bantangnya. Dalam hal
ini Tree dapat diperlakukan sebagai peubah yang menunjukkan adanya 392 dari 490
pengukuran berulang.
data(Orange) Cari Halaman
attach(Orange)
hglm(circumference~age, distribusi=Gamma(link=log), Kembali
klaster=Tree,data=Orange)
Tutup
Keluar
efek acak
Tutup
Keluar
Variance to Mean Relation: Gamma
Correlation Structure: Exchangeable
Call: FMIPA-UNEJ
Summary of Residuals:
Judul
Min 1Q Median 3Q Max
-81.517777 -10.244679 -3.616427 12.901823 55.383573
JJ J I II
Number of Iterations: 1
Layar Penuh
Perbedaan antara gee() dengan JGIG yang diajukan di atas adalah:
Tutup
Keluar
1. gee() hanya didasarkan hubungan bentuk momen, Gamma-HGLM,
khususnya JGIG, menggunakan likelihood penuh, untuk JGIG diper-
gunakan likelihood bersama (joint likelihood);
FMIPA-UNEJ
2. dengan gee() kita dapat memilih alternatif struktur korelasi, tetapi
dengan Gamma-HGLM hanya menggunakan struktur korelasi ser-
Daftar Isi
agam;
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
6.6. Bacaan Lebih Lanjut
Referensi model linier dengan pendekatan GEE dalam bentuk buku teks
masih sangat jarang, diantaranya adalah Diggle et al. [10]. Sedangkan FMIPA-UNEJ
dalam bentuk jurnal cukup banyak diantarnya adalah yang ditulis langsung
oleh Liang dengan kawan-kawannya seperti: Liang & Zeger [21], Zeger &
Daftar Isi
Liang [52], Waclawiw & Liang [50], Liang et al. [22], Zeger & Liang [53], dan
Zeger et al. [54]. Model linier dengan pendekatann HGLM termasuk model
linier yang relatif baru dan masih sedang dikembangkan (lihat misalnya Lee Judul
dan Nelder [20] dan Tirta [37]). Publikasi HGLM terkait dengan aplikasi
program R dapat dibaca pada Tirta et.al [45] dan Tirta et.al [44]. JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
6.7. Ringkasan
1. Analisis regresi dengan data yang mengandung respon multivariat,
misalnya data yang dikukur secara berulang baik diukur dengan ku- FMIPA-UNEJ
run waktu berbeda maupun dengan perlakuan berbeda, dapat di-
lakukan dengan beberapa alternatif seperti GEE, GLMM, dan HGLM.
Daftar Isi
Tutup
Keluar
6.8. Latihan Soal-soal
1. Berikan tiga contoh pengamatan yang menghasilkan data dengan re-
spon multivariat. FMIPA-UNEJ
(a) bentuk korelasi="independence", dengan berbagai bentuk dis- 398 dari 490
tribusi/ family dan link.
(b) bentuk korelasi="independence", dengan bentuk bentuk dis- Cari Halaman
tribusi/ family=="gaussian" dan link="identity".
5. Lakukan eksplorasi pada fungsi geese pada paket geepack. Band- Kembali
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
GLOSARIUM
Judul
JJ J I II
A
Cari Halaman
AIC Akaike’s Information Criterion adalah salah satu kriteria yang
dijadikan patokan memilih model yang baik dengan menghi-
Kembali
tung perimbangan besarnya maksimum likelihood dan banyak-
nya variabel yang dipergunakan dalam model.
Layar Penuh
alpha(α) Taraf signifikansi = peluang kesalahan tipe I, peluang secara
Tutup
Keluar
keliru menolak hipotesis null yang benar.
B FMIPA-UNEJ
Boxplot tampilah grafis dari kuantil data yang dinyatakan dalam bentuk
kotak. Pada Boxplot digambarkan posisi median (Q2), kuantil Daftar Isi
1(Q1) dan kuantil 3(Q3). Boxplot juga memberi gambaran ada
tidaknya pencilan (outlier).
Judul
C JJ J I II
CLI Command Line Interface adalah program yang menjembatani
komunikasi antara komputer dengan pengguna dengan meng- 400 dari 490
gunakan perintah-perintah yang ditulis dalam baris perintah,
tidak menggunakan grafis ataupun maouse. CLI merupakan
Cari Halaman
interface utama dari R.
Kembali
D
derajat kebebasan Angka yang menunjukkan banyaknya informasi yang Layar Penuh
saling bebas setelah mengestimasi beberapa parameter.
Tutup
Keluar
Diagram Pencar (Scattergram) Diagram pencar adalah representasi gra-
fik dari distribusi dua peubah acak yang disajikan dalam ben-
tuk titik-titik dengan koordinat ditentukan oleh nilai observasi
pasangan peubah acak tadi. FMIPA-UNEJ
Kembali
E
estimasi interval/selang keyakinan Interval/Selang Keyakinan adalah se- Layar Penuh
lang yang diyakini memuat nilai parameter populasi dengan
Tutup
Keluar
tingkat peluang tertentu. Tingkat peluang yang banyak di-
pakai adalah 95% dan 99%.
estimasi titik Nilai tertentu yang merupakan penduga suatu parameter. FMIPA-UNEJ
Daftar Isi
G
Judul
GLM GLM Generalized Linear Models atau Model Linear Tergeneral-
isir/ Terampat adalah analisis regresi untuk respon-respon yang
tidak harus berdistribusi normal, tetapi masih dalam distribusi JJ J I II
keluarga eksponensial (misalnya Poisson, Binomial, Gamma).
Dalam GLM hubungan antara mean/ nilai-tengah respon dan 402 dari 490
peubah penjelas bisa berupa fungsi log, resiprokal atau fungsi
lainnya.
Cari Halaman
Tutup
Keluar
H
hipotesis alternatif Disebut juga hipotesis kerja yaitu hipotesis yang diru-
muskan sesuai dengan hasil kajjian teori yang melandasi peneli-
FMIPA-UNEJ
tian.
hipotesis nul Disebut juga hipotesis nihil, yaitu hipotesis yang diuji pada Daftar Isi
Jarak Cook Suatu ukuran yang menunjukkan pengaruh suatu nilai penga-
Cari Halaman
matan pada regresi berganda.
Kembali
K
Keluarga Eksponensial Keluarga Eksponensial adalah distribusi yang meru- Layar Penuh
pakan kesatuan (unifikasi) distribusi-distribusi penting yang
Tutup
Keluar
banyak dipakai seperti antara lain Normal, Gamma, Binom-
ial, Poisson dalam satu bentuk distribusi.
kolinieritas Kondisi yang ditunjukkan oleh adanya peubah penjelas saling FMIPA-UNEJ
berkorelasi satu sama lain.
Konformabel Dua matrik dikatakan komformabel apabila kepada kedu- Daftar Isi
M Cari Halaman
Tutup
Keluar
adalah matriks yang menggambarkan diagram pencar lebih dari
dua variabel. Pada diagonal biasanya disajikan densitas, his-
togram atau diagram kuantil, sedangkan pada off diagonal dis-
ajikan diagram pencar masing-masing pasangan variabel. FMIPA-UNEJ
matriks ragam-koragam adalah matriks simetris yang unsur diagonaluta- Daftar Isi
JJ J I II
model Istilah lain untuk regresi peubah ganda, terdiri atas model li-
nier, model linier terampat/tegreneralisir, model nonlinier, mo-
405 dari 490
del linier campuran dan lain-lain.
Cari Halaman
N
Kembali
Tutup
Keluar
O
Open Sources Open Source adalah program komputer yang dikembangkan
dengan kode (source code) terbuka yang dapat diakses dan di-
FMIPA-UNEJ
modifikasi orang lain.
ordo matriks adalah bilangan yang menunjukkan banyaknya baris dan Daftar Isi
banyaknya kolom suatu matriks Am×n menunjukkan matriks
terdiri atas m baris n kolom.
Judul
Outlier/pencilan Pencilan adalah data yang besarnya menyimpang dari
kelompoknya melebihi batas kewajaran distribusi data.
JJ J I II
P
406 dari 490
Parameter Parameter (statistika) adalah ukuran deskriptif numerik dari
populasi.
Cari Halaman
Pustaka Pustaka (library), khususnya dalam program S-Plus dan R, Layar Penuh
adalah kumpulan paket- paket program yang dibuat khusus
Tutup
Keluar
untuk keperluan tertentu yang merupakan pengayaan dari pro-
gram utama/inti R atau SPlus.
FMIPA-UNEJ
Q
QQPlot QQplot atau Plot Kuantil adalah diagram yang menggambarkan
Daftar Isi
hubungan antara quantil teoritis suatu distribusi dengan kuan-
til riil suatu data. Khusus untuk distribusi normal grafiknya
disebut QQnorm. Judul
S JJ J I II
skrip Skrip adalah naskah yang berisi berbagai perintah yang harus
dilaksanakan oleh komputer melalui suatu bahasa atau pro- Kembali
gram tertentu.
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
DAFTAR PUSTAKA
Judul
JJ J I II
[1] H. Akaike. Information theory and extension of maximum likelihood Cari Halaman
theory. In B.N. Petrov and F. Csahi, editors, 2nd Symposium on
Information Theory, pages 267–281. Buddapest, 1972.
Kembali
[2] G.P. Beaumont. Intermediate Mathematical Statistics. Chapman and Layar Penuh
Hall, London, 1st edition, 1980.
Tutup
Keluar
[3] Bowerman,B.L. R.T. Cornell and D.A. Dickey. Linear Statistical Mod-
els, an Appplied Approach. Duxbury Press, Boston, 1986.
[5] J.M. Chamber and T.J. Hastie. Statistical Model in S. Chapman and
Hall, London, 1992. Daftar Isi
[6] D.R. Cox and D.V. Hinkley. Theoretical Statistics. Chapman and Hall,
London, 1st edition, 1974. Judul
[9] M. Davidian and D.M. Giltinan. Nonlinear Models for Repeated Mea-
Cari Halaman
surement Data. Chapman and Hall, London, 1995.
[10] Diggle P.J., K-Y. Liang and S.L. Zeger. Analysis of Longitudinal Data.
Kembali
Oxford Science Publications, London, 1st edition, 1994.
[11] A.J. Dobson. An Introduction to Generalized Linear Models. Chapman Layar Penuh
and Hall, London, 1990.
Tutup
Keluar
[12] J.J. Faraway. Practical Regression and Anova Using R.
http://www.stat. Isa.umic.edu/∼faraway/book/, 2002.
[14] T.J. Hastie & R.J. Tibshirani. Generalized Additive Models. Chapman Daftar Isi
[17] M.G. Kenward and D.M. Smith. Computing the generalized estimating
equation for repeated measurements. Genstat Newsletter, 32:50–62, Cari Halaman
1995.
Tutup
Keluar
[19] N.M. Laird and J.H. Ware. Random effects models for longitudinal
data. Biometrics, 38:963–974, 1982.
[20] Y. Lee and J.A. Nelder. Hierarchical generalized linear models. J.R. FMIPA-UNEJ
Statist. Soc., 58:619–678, 1996.
[21] K-Y Liang and S.L. Zeger. Longitudinal data analysis using general- Daftar Isi
Tutup
Keluar
[27] W. Mendenhall. Beginning Statistics A to Z. Duxbury, Belmont USA,
1993.
[31] Neter J., W. Wasserman and M.H. Kutner. Applied Linear Statistical
Models. Irwin, Illinois, 2nd edition, 1985. JJ J I II
[32] S.R. Searle. Matrix Algebra Useful for Statistics. John Wiley and Sons,
413 dari 490
New York, 1st edition, 1982.
[33] G.K. Smyth. Generalized linear models with varying dispersion. J.R.
Cari Halaman
Statist. Soc, 51:47–60, 1989.
[34] G.K. Smyth. Partitioned algorithms for maximum likelihood and other
Kembali
nonlinear estimation. Statistics and Computing, 6:201–216, 1996.
Tutup
Keluar
[36] N.H. Timm. Multivariate Analysis with Applications in Education and
Psychology. Brooks/Cole, California, 1975.
[37] I M. Tirta. Analysis of Gamma Data with Random Effects. PhD thesis, FMIPA-UNEJ
Department of Mathematics Statistics and Computing Sciences, The
University of New England, Armidale, NSW Australia, 1999.
Daftar Isi
[38] I M. Tirta. The conjugate model for gamma data with random effects.
A paper submitted for MIHMI (Majalah Ilmiah Himpunan Matema-
Judul
tika Indonesia), 1999.
[40] I M. Tirta. The conjugate model in Gamma data with random ef- Cari Halaman
fetcs. MIHMI (Journal of Indonesian Mathematical Society), 6(1):57–
78, 2000.
Kembali
Tutup
Keluar
[42] I M. Tirta. Buku Panduan Program Statistika R. Penerbit Universitas
Jember, Jember, 2005. ISBN 979-8176-37-5.
[43] I M. Tirta. Analisis Data dengan Aplikasi R. Andi Offset, Yogya, FMIPA-UNEJ
2008. Naskah Buku Teks disetujui DIKTI dan sedang diajukan ke
Percetakan Andi Offset.
Daftar Isi
[44] Tirta I M. Lestari B. & Dewi Y. S. Estimasi efek tetap dan acak pada
model multiplikatif dengan likelihood bersama. Jurnal Ilmu Dasar, Judul
7(1), 2006.
[45] Tirta I M. Lestari B. & Dewi Y. S. Estimasi efek tetap dan efek acak JJ J I II
pada model multiplikatif dengan aplikasi open source software (oss)-r.
Jurnal Teknologi. ACADEMIA ISTA, 11(2):195–202, 2007. 415 dari 490
[46] W.N. Venables and B.D. Ripley. Modern Applied Statistics with S-plus.
Springer, New York, 1994. Cari Halaman
[47] W.N. Venables and B.D. Ripley. Modern Applied Statistics with S-plus.
Kembali
Springer, New York, 3rd edition, 1996.
Tutup
Keluar
[49] Wackerly D.D., Mendenhall W. &Scheafer R. L. . Mathematical Statis-
tics with Application. Duxbury, Belmont USA, 5th edition, 1996.
[50] M.A. Waclawiw and K-Y Liang. Prediction of random effects in the FMIPA-UNEJ
generalized linear model. J. Amer. Statist. Assoc., 88:171–178, 1993.
[52] S.L. Zeger and K-Y. Liang. Longitudinal data analysis for discrete and Judul
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Judul
BEBERAPA FUNGSI TERKAIT REGRESI
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
A.1. Fungsi dari Paket stats
AIC(object, ..., k = 2)
FMIPA-UNEJ
Tutup
Keluar
A.2. Fungsi dari Paket cars
qq.plot(x, ...)
scatterplot(x, ...)
FMIPA-UNEJ
scatterplot.matrix(x, ...)
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
A.3. Fungsi dari Paket gam
gam(formula, family = gaussian, data, weights, subset,
na.action, start, etastart, mustart, control =
FMIPA-UNEJ
gam.control(...),model=FALSE, method, x=FALSE, y=TRUE, ...)
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
A.4. Fungsi dari Paket graphics
boxplot(x, ...)
contour(x, ...)
FMIPA-UNEJ
abline(a, b, untf = FALSE, ...)
abline(h=, untf = FALSE, ...)
abline(v=, untf = FALSE, ...) Daftar Isi
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
A.5. Fungsi dari Paket gee
gee(formula, id,
data, subset, na.action,
FMIPA-UNEJ
R = NULL, b = NULL,
tol = 0.001, maxiter = 25,
family = gaussian, corstr = "independence", Daftar Isi
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
A.6. Fungsi dari Paket lme4
lmer(formula, data, family, method, control, start,
subset, weights, na.action, offset, contrasts,
FMIPA-UNEJ
model, ...)
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
A.7. Fungsi dari Paket hglm
hglm(formula, distribusi = Gamma(link=log), data, klaster,
subset=NULL, na.action, offset, start.coef = NULL,
FMIPA-UNEJ
start.sigma = NULL, control = glm.control(epsilon
= 1e-08, maxit = 100, trace = FALSE), n.points = 16,
gee=FALSE, plot=FALSE) Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
A.8. Fungsi dari Paket glmmML
glmmML(formula, family = binomial, data, cluster, weights,
cluster.weights, subset, na.action,
FMIPA-UNEJ
offset, prior = c("gaussian", "logistic", "cauchy"),
start.coef = NULL, start.sigma = NULL, fix.sigma = FALSE,
control = list(epsilon = 1e-08, maxit = 200, trace = FALSE), Daftar Isi
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
A.9. Skrip Manipulasi Grafik
abline(lm(y~x), col="blue")
Daftar Isi
op <- par(fig=c(.02,.5,.55,.98), new=TRUE)
hist(x, probability=T,
Judul
col="light blue", xlab="HistY", ylab="", main="", axes=F)
lines(density(x), col="red", lwd=2)
box() JJ J I II
Tutup
Keluar
screen(1)
plot(x,y,main="Diagram Pencar (X,Y)")
abline(lm(y~x))
screen(3) FMIPA-UNEJ
hist(y, probability=T,
main="Histogram Y")
Daftar Isi
lines(density(y), col="red", lwd=2)
screen(4)
qq.plot(x,main="QQ.norm X") Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
A.10. Skrip Membangkitkan Data Regresi dengan
Peubah Kelompok
FMIPA-UNEJ
g<-rep(c("L","P"),each=ns) JJ J I II
x1<-round(rnorm(n,50,8))
x2<-round(rnorm(n,50,8)) 428 dari 490
y1a<-10+x1[1:ns]*3.1+4*x2[1:ns]+rnorm(ns,0,sd)
y1b<-10+x1[(ns+1):n]*3+4*x2[(ns+1):n]+rnorm(ns,0,sd)
Cari Halaman
y1<-c(y1a,y1b)
y2a<-50+x1[1:ns]*3+4*x2[1:ns]+rnorm(ns,0,sd) Kembali
y2b<--50+x1[(ns+1):n]*3+4*x2[(ns+1):n]+rnorm(ns,0,sd)
y2<-c(y2a,y2b) Layar Penuh
Tutup
Keluar
y3a<-60-.5*x1[1:ns]-.5*x2[1:ns]+rnorm(ns,0,sd)
y3b<--70+.5*x1[(ns+1):n]+x2[(ns+1):n]+rnorm(ns,0,sd)
y3<-c(y3a,y3b)
FMIPA-UNEJ
DataSimReg<-data.frame(y1,y2,y3,g,x1,x2)
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Judul
DATA UNTUK ILUSTRASI
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
B.1. Data dari Paket actuar
dental Individual dental claims data set
gdental Grouped dental claims data set
hachemeister Hachemeister data set FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
B.2. Data dari Paket ade4
abouheif.eg Phylogenies and quantitative traits from
Abouheif FMIPA-UNEJ
Tutup
Keluar
bsetal97 Ecological and Biological Traits
buech Buech basin
butterfly Genetics-Ecology-Environment Triple
capitales Road Distances FMIPA-UNEJ
carni19 Phylogeny and quantative trait of carnivora
carni70 Phylogeny and quantitative traits of carnivora
Daftar Isi
carniherbi49 Taxonomy, phylogenies and quantitative traits
of carnivora and herbivora
casitas Enzymatic polymorphism in Mus musculus Judul
Tutup
Keluar
ecomor Ecomorphological Convergence
elec88 Electoral Data
escopage K-tables of wine-tasting
euro123 Triangular Data FMIPA-UNEJ
Tutup
Keluar
macaca Landmarks
macon Wine Tasting
mafragh Phyto-Ecological Survey
maples Phylogeny and quantitative traits of flowers FMIPA-UNEJ
Tutup
Keluar
palm Phylogenetic and quantitative traits of
amazonian palm trees
pap Taxonomy and quantitative traits of carnivora
perthi02 Contingency Table with a partition in Molecular FMIPA-UNEJ
Biology
presid2002 Results of the French presidential elections of Daftar Isi
2002
procella Phylogeny and quantitative traits of birds
Judul
rankrock Ordination Table
rhone Physico-Chemistry Data
rpjdl Avifauna and Vegetation JJ J I II
santacatalina Indirect Ordination
sarcelles Array of Recapture of Rings 437 dari 490
seconde Students and Subjects
skulls Morphometric Evolution
Cari Halaman
steppe Transect in the Vegetation
syndicats Two Questions asked on a Sample of 1000
Respondents Kembali
Tutup
Keluar
tintoodiel Tinto and Odiel estuary geochemistry
tithonia Phylogeny and quantitative traits of flowers
tortues Morphological Study of the Painted Turtle
toxicity Homogeneous Table FMIPA-UNEJ
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
B.3. Data dari Paket agricolae
CIC Data for AMMI Analysis
ComasOxapampa Data AUDPC Comas - Oxapampa FMIPA-UNEJ
analysis
homog1 Data of frijol Layar Penuh
huasahuasi Data of yield in Huasahuasi
Tutup
Keluar
ltrv Data clones from the LTVR population
markers Data of molecular markers
melon Data of yield of melon in a Latin square
experiment FMIPA-UNEJ
natives Data of native potato
pamCIP Data Potato Wild
Daftar Isi
paracsho Data of Paracsho biodiversity
plots Data for an analysis in split-plot
potato Data of cutting Judul
Kembali
Layar Penuh
Tutup
Keluar
B.4. Data dari Paket asuR
BtheB Beat the Blues Data
BtheBlong Beat the Blues Data FMIPA-UNEJ
wellplate wellplate
wellplate2 wellplate Layar Penuh
wellplate3 wellplate
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
B.5. Data dari Paket car
Adler Experimenter Expectations
Angell Moral Integration of American Cities FMIPA-UNEJ
Tutup
Keluar
Friendly Format Effects on Recall
Ginzberg Data on Depression
Greene Refugee Appeals
Guyer Anonymity and Cooperation FMIPA-UNEJ
Hartnagel Canadian Crime-Rates Time Series
Leinhardt Data on Infant-Mortality
Daftar Isi
Mandel Contrived Collinear Data
Migration Canadian Interprovincial Migration Data
Moore Status, Authoritarianism, and Conformity Judul
Tutup
Keluar
States Education and Related Statistics for the U.S.
States
UN GDP and Infant Mortality
US.pop Population of the United States FMIPA-UNEJ
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
B.6. Data dari Paket DAAG
ACF1 Aberrant Crypt Foci in Rat Colons
Cars93.summary A Summary of the Cars93 Data set FMIPA-UNEJ
Tutup
Keluar
Territories
biomass Biomass Data
bomsoi Southern Oscillation Index Data
bomsoi2001 Southern Oscillation Index Data FMIPA-UNEJ
bostonc Boston Housing Data -- Corrected
carprice US Car Price Data
Daftar Isi
cerealsugar Percentage of Sugar in Breakfast Cereal
cfseal Cape Fur Seal Data
cities Populations of Major Canadian Cities (1992-96) Judul
Tutup
Keluar
fossilfuel Fossil Fuel Data
fossum Female Possum Measurements
frogs Frogs Data
frostedflakes Frosted Flakes data FMIPA-UNEJ
Tutup
Keluar
leaftemp.all Full Leaf and Air Temperature Data Set
litters Mouse Litters
lung Cape Fur Seal Lung Measurements
measles Deaths in London from measles FMIPA-UNEJ
Tutup
Keluar
possumsites Possum Sites
poxetc Deaths from various causes, in London from
1629 till 1881, with gaps
primates Primate Body and Brain Weights FMIPA-UNEJ
Tutup
Keluar
vince111b Averages by block of corn yields, for treatment
111 only
vlt Video Lottery Terminal Data
wages1833 Wages of Lancashire Cotton Factory Workers in FMIPA-UNEJ
1833
whoops Deaths from whooping cough, in London Daftar Isi
zzDAAGxdb List, each of whose elements hold rows of a
file, in character format
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
B.7. Data dari Paket dataset
AirPassengers Monthly Airline Passenger Numbers 1949-1960
BJsales Sales Data with Leading Indicator FMIPA-UNEJ
BJsales.lead (BJsales)
Sales Data with Leading Indicator Daftar Isi
BOD Biochemical Oxygen Demand
CO2 Carbon Dioxide uptake in grass plants
Judul
ChickWeight Weight versus age of chicks on different diets
DNase Elisa assay of DNase
EuStockMarkets Daily Closing Prices of Major European Stock JJ J I II
Indices, 1991-1998
Formaldehyde Determination of Formaldehyde 452 dari 490
HairEyeColor Hair and Eye Color of Statistics Students
Harman23.cor Harman Example 2.3
Cari Halaman
Harman74.cor Harman Example 7.4
Indometh Pharmacokinetics of Indomethicin
InsectSprays Effectiveness of Insect Sprays Kembali
Tutup
Keluar
Loblolly Growth of Loblolly pine trees
Nile Flow of the River Nile
Orange Growth of Orange Trees
OrchardSprays Potency of Orchard Sprays FMIPA-UNEJ
PlantGrowth Results from an Experiment on Plant Growth
Puromycin Reaction velocity of an enzymatic reaction
Daftar Isi
Seatbelts Road Casualties in Great Britain 1969-84
Theoph Pharmacokinetics of theophylline
Titanic Survival of passengers on the Titanic Judul
Tutup
Keluar
WorldPhones The World's Telephones
ability.cov Ability and Intelligence Tests
airmiles Passenger Miles on Commercial US Airlines,
1937-1960 FMIPA-UNEJ
Tutup
Keluar
eurodist Distances Between European Cities
faithful Old Faithful Geyser Data
fdeaths (UKLungDeaths)
Monthly Deaths from Lung Diseases in the UK FMIPA-UNEJ
Tutup
Keluar
nhtemp Average Yearly Temperatures in New Haven
nottem Average Monthly Temperatures at Nottingham,
1920-1939
precip Annual Precipitation in US Cities FMIPA-UNEJ
Tutup
Keluar
US State Facts and Figures
state.name (state) US State Facts and Figures
state.region (state) US State Facts and Figures
state.x77 (state) US State Facts and Figures FMIPA-UNEJ
Kembali
Layar Penuh
Tutup
Keluar
B.8. Data dari Paket demogR
Data sets in package demogR:
FMIPA-UNEJ
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
B.9. Data dari Paket faraway
aatemp Annual mean temperatures in Ann Arbor, Michigan
abrasion Wear on materials according to type, run and FMIPA-UNEJ
position
aflatoxin aflatoxin dosage and liver cancer in lab Daftar Isi
animals
africa miltary coups and politics in sub-Saharan
Judul
Africa
alfalfa Effects of seed inoculum, irrigation and shade
on alfalfa yield JJ J I II
amlxray Match pair study for AML and Xray link
babyfood Respiratory disease rates of babies fed in 459 dari 490
different ways
beetle Beetles exposed to fumigant
Cari Halaman
bliss Bliss insecticide data
breaking Breaking strength of materials
broccoli Broccoli weight variation Kembali
Tutup
Keluar
chmiss Chicago insurance redlining
choccake Chocolate cake experiment with split plot
design
chredlin Chicago insurance redlining FMIPA-UNEJ
clot Blood clotting times
cmob Social class mobility from 1971 to 1981 in the
Daftar Isi
UK
cns Malformations of the central nervous system
coagulation Blood coagulation times by diet Judul
Tutup
Keluar
abnormality
divusa Divorce in the USA 1920-1996
drugpsy Choice of drug treatment for psychiatry
patients FMIPA-UNEJ
Tutup
Keluar
presidential election
haireye Hair and eye color
happy love, work and happiness
hormone Hormones and Sexual Orientation FMIPA-UNEJ
Tutup
Keluar
nepali Nepali child heath study
nes96 US 1996 national election study
oatvar Yields of oat varieties planted in blocks
odor Odor of chemical by production settings FMIPA-UNEJ
operator
pvc Production of PVC by operator and resin railcar Layar Penuh
rabbit Rabbit weight gain by diet and litter
Tutup
Keluar
ratdrink Rat growth weights affected by additives
rats Effect of toxic agents on rats
resceram Shape and plate effects on current noise in
resistors FMIPA-UNEJ
Tutup
Keluar
suicide Suicide method data from the UK
teengamb Study of teenage gambling in Britain
toenail Toenail infection treatment study
troutegg Survival of trout eggs depending on time and FMIPA-UNEJ
location
truck Truck leaf spring experiment Daftar Isi
turtle Incubation temperature and the sex of turtles
twins Twin IQs from Burt
Judul
uncviet UNC student opinions about the Vietnam War
uswages Weekly wages of US male workers in 1988
vision Vision acuity tests JJ J I II
wafer resitivity of wafer in semiconductor experiment
wavesolder Defects in a wave soldering process 465 dari 490
wbca Wisconsin breast cancer database
weldstrength welding strength DOE
Cari Halaman
wheat Insect damage to wheat varieties
Kembali
Layar Penuh
Tutup
Keluar
B.10. Data dari Paket gam
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
B.11. Data dari Paket ISwR
Tutup
Keluar
intake Energy intake
juul Juul's IGF data
juul2 Juul's IGF data, extended version
kfm Breast-feeding data FMIPA-UNEJ
lung Methods for determining lung volume
malaria Malaria antibody data
Daftar Isi
melanom Survival after malignant melanoma
nickel Nickel smelters in South Wales
nickel.expand Nickel smelters in South Wales, expanded Judul
Tutup
Keluar
wright Comparison of Wright peak-flow meters
zelazo Age at walking
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
B.12. Data dari Paket lmtest
ChickEgg Chickens, Eggs, and Causality
Mandible Mandible Data FMIPA-UNEJ
USDistLag US Macroecnomic Data
bondyield Bond Yield
Daftar Isi
currencysubstitution Currency Substitution
ftemp Femal Temperature Data
fyff U.S. Macroeconomic Time Series Judul
Layar Penuh
Tutup
Keluar
B.13. Data dari Paket MASS
Aids2 Australian AIDS Survival Data
Animals Brain and Body Weights for 28 Species FMIPA-UNEJ
Tutup
Keluar
Sitka89 Growth Curves for Sitka Spruce Trees in 1989
Skye AFM Compositions of Aphyric Skye Lavas
Traffic Effect of Swedish Speed Limits on Accidents
UScereal Nutritional and Marketing Information on US FMIPA-UNEJ
Cereals
UScrime The Effect of Punishment Regimes on Crime Rates
Daftar Isi
VA Veteran's Administration Lung Cancer Trial
abbey Determinations of Nickel Content
accdeaths Accidental Deaths in the US 1973-1978 Judul
Tutup
Keluar
coop Co-operative Trial in Analytical Chemistry
cpus Performance of Computer CPUs
crabs Morphological Measurements on Leptograpsus
Crabs FMIPA-UNEJ
Conditions Survey
immer Yields from a Barley Field Trial Layar Penuh
leuk Survival Times and White Blood Counts for
Tutup
Keluar
Leukaemia Patients
mammals Brain and Body Weights for 62 Species of Land
Mammals
mcycle Data from a Simulated Motorcycle Accident FMIPA-UNEJ
Tutup
Keluar
road Road Accident Deaths in US States
rotifer Numbers of Rotifers by Fluid Density
ships Ships Damage Data
shoes Shoe wear data of Box, Hunter and Hunter FMIPA-UNEJ
Kembali
Layar Penuh
Tutup
Keluar
B.14. Data dari Paket UsingR
BushApproval U.S. President George Bush approval ratings
HUMMER Deliveries of new HUMMER vehicles FMIPA-UNEJ
Tutup
Keluar
baycheck Population estimate of type of Bay Checkerspot
butterfly
best.times Best track and field times by age and distance
blood blood pressure readings FMIPA-UNEJ
breakdown Time of insulating fluid to breakdown
bright.stars List of bright stars with Hipparcos catalog
Daftar Isi
number
brightness Brightness of 966 stars
bumpers Bumper repair costs for various automobiles Judul
Tutup
Keluar
Finances
chicken weight gain of chickens fed 3 different rations
chips Measurements of chip wafers
co2emiss Carbon Dioxide Emissions from the U.S.A. from FMIPA-UNEJ
fossil fuel
coins The coins in my change bin Daftar Isi
coldvermont Daily minimum temperature in Woodstock Vermont
corn Comparison of corn for new and standard variety
Judul
crime violent crime rates in 50 states of US
deflection Deflection under load
diamond Price by size for diamond rings JJ J I II
divorce Time until divorce for divorced women (by age)
do ~~function to do ... ~~ 478 dari 490
dottodot Dot-to-dot puzzle
dowdata The Dow Jones average from Jan 1999 to October
Cari Halaman
2000
dvdsales Monthly DVD player sales since introduction to
May 2004 Kembali
Tutup
Keluar
airport for 1999-2001
exec.pay Direct compensation for 199 United States CEOs
in the year 2000
fat Body measurements to predict percentage of body FMIPA-UNEJ
fat in males
father.son Pearson's data set on heights of fathers and Daftar Isi
their sons
female.inc Income distribution for females in 2001
Judul
firstchi Age of mother at birth of first child
five.yr.temperature Five years of weather in New York City
florida County-by-county results of year 2000 US JJ J I II
presidential election in Florida
galileo Galileo data on falling bodies 479 dari 490
galton Galton's height data for parents and children
gap Sales data for the Gap
Cari Halaman
gasprices Monthly average gasoline prices in the United
States
goalspergame Goals per game in NHL Kembali
Tutup
Keluar
grip Effects of cross-country ski-pole grip
hall.fame Data frame containing baseball statistics
including Hall of Fame membership
healthy Healthy or not? FMIPA-UNEJ
Tutup
Keluar
maydow Dow Jones industrial average and May maximum
temperature
midsize Price of new and used of three mid-sized cars
mw.ages Age distribution in year 2000 in Maplewood New FMIPA-UNEJ
Jersey
nba.draft NBA draft lottery odds for 2002 Daftar Isi
normtemp Body temperature and heart rate of 130 health
individuals
Judul
npdb National Practioner Data Bank
nym.2002 Random sample of 2002 New York City Marathon
finishers JJ J I II
oral.lesion Oral lesion location by town
ozonemonthly Monthly mean ozone values at Halley Bay 481 dari 490
Antartica
paradise Annual snowfall at Paradise Ranger Station,
Cari Halaman
Mount Ranier
pi2000 first 2000 digits of pi
primes Primes numbers less than 2003 Kembali
Tutup
Keluar
reddrum Growth of red drum
salmon.rate Simulated Data on Rate of Recruitment for
Salmon
salmonharvest Salmon harvest in Alaska from 1980 to 1998 FMIPA-UNEJ
barplot
stud.recs Student records Layar Penuh
student.expenses Some simulated data on student expenses
Tutup
Keluar
superbarplot super segmented barplot
tastesgreat Does new goo taste great?
tcm1y One-year treasury security values
tempsalinity Temperature/Salinity measurements along a FMIPA-UNEJ
moving Eddy
too.young What age is too young for a male to data a Daftar Isi
female?
twins Burt's IQ data for twins
Judul
u2 Song and lengths for U2 albums
urchin.growth Data on growth of sea urchins
vacation vacation days JJ J I II
watertemp Temperature measurement of water at 85m depth
yellowfin Yellow fin tuna catch rate in Tropical Indian 483 dari 490
Ocean
/ Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
INDEKS PENULIS
Daftar Isi
Judul
JJ J I II
Tutup
Keluar
Kenward, 364 Timm, 144
Kuhnert, 272 Tirta, 65, 73, 78, 91, 243, 246, 396
Kutner, 272
Venables, 70, 235, 261, 272 FMIPA-UNEJ
Laird, 60 Vezalini, 272
Liang, 361
Wackery, 44 Daftar Isi
Searle, 144
Kembali
Smith, 364
Smyth, 51
Layar Penuh
Tibshirani, 70
Tutup
Keluar
FMIPA-UNEJ
INDEKS SUBJEK
Daftar Isi
Judul
JJ J I II
algoritma distribusi
Cari Halaman
lengkap, 50 Binomial, 284
penuh, 51 Binomial Negatif, 287
terpartisi, 50, 51 eksponensial, 287 Kembali
Tutup
Keluar
Pareto, 287 keluarga eksponensial, 62, 276, 277
Poisson, 285 korelasi
serial, 59
eksplanatori, 275
uniform, 58 FMIPA-UNEJ
eleminsi, 29
log komplementer, 297
fungsi hubungan Daftar Isi
logistik, 322
kanonik, 63
logit, 90, 297, 322
natural, 63
longitudinal, 60, 350 Judul
GEE, 65
JGIG, 374, 394
GLM, 61 Layar Penuh
kanonik, 278 GLMM, 64
Tutup
Keluar
HGLM, 64 sampel, 44, 45
hirarkis tergeneralisir, 64 sekawan, 374, 375
klasik, 53 sistematis, 275
LMM, 57 skoring FMIPA-UNEJ
NLM, 55 Fisher, 50
normal, 53 skoring Fisher, 184 Daftar Isi
tergeneralisir, 62 skrip, 72
multikolinieritas, 67
WLS, 185 Judul
measurement, 60
measurements, 350 Layar Penuh
measures, 350
Tutup
Keluar
FMIPA-UNEJ
INDEKS FUNGSI R
Daftar Isi
Judul
JJ J I II
barplot(), 79
help(), 75
boxplot(), 79 Kembali
hist(), 79
contour(), 79
library(), 74 Layar Penuh
example(), 75 lm(), 88, 213
Tutup
Keluar
lmer(), 89
lmm(), 89
lrm(), 90
FMIPA-UNEJ
nls(), 90
persp(), 79
plot(), 79, 257 Judul
qq.plot(), 79
JJ J I II
reg.line(), 79
require(), 74
490 dari 490
rug(), 79
Tutup
Keluar