Reg Stats LD

Versi Cetak:
Judul: Analisis Regresi dengan R FMIPA-UNEJ
Tahun terbit: 2009 Daftar Isi
Penerbit: Jember University Press Judul

ISBN 979-8176-65-0
JJ J I II
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
Analisis Regresi dengan R Cari Halaman
(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
1 DASAR-DASAR PEMODELAN STOKASTIK 23 Cari Halaman
1.1 Prinsip Pemodelan . . . . . . . . . . . . . . . . . . . . 27

1.2 Langkah-langkah Penting Dalam Pemodelan . . . . . . . 37 Kembali
1.2.1 Langkah penting dalam Pemodelan secara Umum 37

1.2.2 Langkah Penting dalam Pemodelan Statistika . . . 39 Layar Penuh
1.3 Metode Mengestimasi Parameter . . . . . . . . . . . . 45
Tutup
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
2.3.3 Determinan dan Invers Matriks . . . . . . . . . . 115

2.4 Kebergantungan Linier dan Rank Matriks . . . . . . . . . 118 Judul
2.5 Bentuk Kuadrat dan Diferensial Matriks . . . . . . . . . 123

2.6 Aplikasi R untuk Operasi Matriks . . . . . . . . . . . . . 134 JJ J I II
2.6.1 Mendefinisikan matriks . . . . . . . . . . . . . . . 135
2.6.2 Operasi Matriks dengan R . . . . . . . . . . . . . 139
7 dari 490
2.7 Bacaan Lebih Lanjut . . . . . . . . . . . . . . . . . . . 144
2.8 Ringkasan . . . . . . . . . . . . . . . . . . . . . . . . . 145
Cari Halaman
2.9 Latihan Soal-soal . . . . . . . . . . . . . . . . . . . . . 147
3 MODEL LINIER KLASIK 151 Kembali
3.1 Bentuk dan Asumsi . . . . . . . . . . . . . . . . . . . . 154

3.2 Estimasi Parameter . . . . . . . . . . . . . . . . . . . . 156 Layar Penuh
3.2.1 Estimasi dengan Metode Kuadrat Terkecil . . . . 156
Tutup
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
3.4 Penggunaan Matriks untuk Regresi Peubah Ganda . . . . 180

Judul
3.4.1 Perluasan hasil untuk Regresi Peubah Ganda . . . 180
3.4.2 Pendekatan Matriks Metode Kuadrat Terkecil . . 183
3.4.3 Pendekatan Matriks untuk Metode Kemungkinan JJ J I II
Maksimum . . . . . . . . . . . . . . . . . . . . . 186
3.5 Interval Keyakinan µ dan Prediksi Y . . . . . . . . . . . 191 8 dari 490
3.6 Melaporkan Nilai Probabilitas p . . . . . . . . . . . . . . 194

3.7 Model Linier dengan Variabel Kualitatif . . . . . . . . . . 196 Cari Halaman
3.7.1 Variabel Boneka dengan Model Berkonstanta . . . 197

3.7.2 Variabel Boneka dengan Konstanta tidak Eksplisit 202 Kembali
3.8 Ilustrasi Model Linier Normal dengan R . . . . . . . . . . 206

3.8.1 Simulasi dengan R . . . . . . . . . . . . . . . . . 206 Layar Penuh
3.8.2 Menggunakan Fungsi lm() . . . . . . . . . . . . 213
Tutup
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
4 DIAGNOSTIK DAN TRANSFORMASI 239

4.1 Asumsi Analisis Regresi Klasik . . . . . . . . . . . . . . . 242 Judul
4.2 Memeriksa Sebaran Data melalui Grafik . . . . . . . . . . 243

4.3 Pemeriksaan Hubungan Peubah melalui Grafik . . . . . . 248 JJ J I II
4.3.1 Diagram pencar data . . . . . . . . . . . . . . . 248
4.3.2 Diagram Pencar Sisa . . . . . . . . . . . . . . . 252 9 dari 490
4.3.3 Memeriksa Model Melalui Diagram . . . . . . . . 253

4.4 Uji Statistika Terkait Asumsi . . . . . . . . . . . . . . . 260 Cari Halaman
4.5 Memeriksa Model melalui AIC . . . . . . . . . . . . . . . 261

4.6 Transformasi Data . . . . . . . . . . . . . . . . . . . . . 265 Kembali
4.7 Ringkasan . . . . . . . . . . . . . . . . . . . . . . . . . 270
4.9 Latihan Soal-soal . . . . . . . . . . . . . . . . . . . . . . 273
Tutup
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
5.4 Inferensi pada Model Linier Tergeneralisir . . . . . . . . 312

5.4.1 Distribusi dari Penduga Likelihood Maksimum . . 314 Cari Halaman
5.4.2 Kecocokan Model . . . . . . . . . . . . . . . . . 317

5.5 Model Logit, Probit dan Log-linier . . . . . . . . . . . . . 322 Kembali
5.6 dispersi berlebih . . . . . . . . . . . . . . . . . . . . . . 325

5.7 Ilustrasi GLM dengan R . . . . . . . . . . . . . . . . . . 326 Layar Penuh
5.7.1 Data dengan Sebaran Binomial . . . . . . . . . . 330
Tutup
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
6 MODEL UNTUK RESPON TIDAK SALING BEBAS 349 Daftar Isi

6.1 Model Marjinal . . . . . . . . . . . . . . . . . . . . . . . 355
6.2 Quasi-Likelihood dan Generalized Estimating Equations Judul
(GEE) . . . . . . . . . . . . . . . . . . . . . . . . . . . 360
6.3 Generalisasi dan Bentuk GEE . . . . . . . . . . . . . . . 363
JJ J I II
6.4 Ilustrasi GEE dengan R . . . . . . . . . . . . . . . . . . 368
6.5 Gamma-HGLM dan Model Lainnya . . . . . . . . . . . . 374
11 dari 490
6.5.1 Gamma-HGLMs . . . . . . . . . . . . . . . . . . 375
6.5.2 Likelihood Bersama: Model JGIG . . . . . . . . . 378
6.5.3 Estimasi Parameter β dan v . . . . . . . . . . . . 380 Cari Halaman
6.5.4 Pendugaan parameter dispersi ν dan α . . . . . . 388

6.5.4.1 Prosedur Pendugaan . . . . . . . . . . . 390 Kembali
6.5.5 Analisis HGLM dengan R . . . . . . . . . . . . . 391

6.7 Ringkasan . . . . . . . . . . . . . . . . . . . . . . . . . 397
Tutup
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
B DATA UNTUK ILUSTRASI 431

B.1 Data dari Paket actuar . . . . . . . . . . . . . . . . . . . 432 Layar Penuh
B.2 Data dari Paket ade4 . . . . . . . . . . . . . . . . . . . 433
Tutup
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
B.9 Data dari Paket faraway . . . . . . . . . . . . . . . . . . 459

B.10 Data dari Paket gam . . . . . . . . . . . . . . . . . . . . 466 Judul
B.11 Data dari Paket ISwR . . . . . . . . . . . . . . . . . . . 467
B.12 Data dari Paket lmtest . . . . . . . . . . . . . . . . . . . 470 JJ J I II
B.13 Data dari Paket MASS . . . . . . . . . . . . . . . . . . . 471
B.14 Data dari Paket UsingR . . . . . . . . . . . . . . . . . . 476
13 dari 490
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
1.1 Diagram Menunjukkan Langkah-langkah dalam Pemo-

delan Statistika . . . . . . . . . . . . . . . . . . . . . . 42 Cari Halaman
1.2 Pembagian dan Perkembangan Model Linear . . . . . . 66

1.3 Ilustrasi Regresi . . . . . . . . . . . . . . . . . . . . . 69 Kembali
1.4 Contoh Histogram dengan Kurva Densitas . . . . . . . 83

1.5 Contoh Diagram Pencar dengan rug dan boxplot . . . . 84 Layar Penuh
1.6 Contoh Gabungan Grafik Besar dengan Grafik Mini . . 85
Tutup
Keluar
1.7 Contoh Gabungan Grafik dengan Pembagian Layar . . 86
1.8 Contoh Gabungan Grafik dengan pembagian layar . . . 87
3.1 Ilustrasi Garis regresi dan sabuk keyakinan . . . . . . . 193 FMIPA-UNEJ
3.2 Sebaran data dengan variabel kualitatif . . . . . . . . . 198

3.3 Garis Regresi sejajar dengan selisih konstanta β2 dan Daftar Isi
gradien sama (β1 ) . . . . . . . . . . . . . . . . . . . . . 201
3.4 Garis Regresi berbeda dengan selisih konstanta β2 dan
Judul
selisih gradien β3 . . . . . . . . . . . . . . . . . . . . . 203
3.5 Grafik Penduga βˆ1 = α̂ dari penarikan sampel 100 kali
JJ J I II
masing-masing berukuran 60. Nilai parameter sebe-
narnya adalah α = 3. . . . . . . . . . . . . . . . . . . . 211
3.6 Grafik Penduga βˆ1 = α̂ dari beberapa penarikan sampel 16 dari 490
dengan ukuran mulai 10 sampai dengan 1000. Nilai

parameter sebenarnya adalah α = 3. . . . . . . . . . . 212 Cari Halaman
3.7 Contoh Histogram dengan Kurva Densitas Data Cars . 216

3.8 Diagram Pencar X dengan Y yang mengandung kelom- Kembali
pok yang dapat digabung . . . . . . . . . . . . . . . . . 221

3.9 Diagram Pencar X dengan Y mengandung kelompok Layar Penuh
yang perlu dipisah . . . . . . . . . . . . . . . . . . . . 227
Tutup
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
gam Relatif Konstan . . . . . . . . . . . . . . . . . . . 249

4.5 Grafik Pencar Data dengan hubungan Linear tetapi Ra- JJ J I II
gam Relatif tidak Konstan . . . . . . . . . . . . . . . . 250
17 dari 490
4.6 Grafik Pencar Data dengan hubungan lebih cenderung
nonlinear . . . . . . . . . . . . . . . . . . . . . . . . . . 251
Cari Halaman
4.7 Grafik Pencar Data dengan Hubungan Eksponensial . . 252
4.8 Grafik Pencar Sisa Data yang memenuhi syarat ho- Kembali
moskedastisitas. . . . . . . . . . . . . . . . . . . . . . . 254
4.9 Grafik Pencar Sisa Data yang tidak memenuhi syarat Layar Penuh
homoskedastisitas. . . . . . . . . . . . . . . . . . . . . 255
Tutup
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
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
berhasilan Berbagai Kelompok . . . . . . . . . . . . . . 335

Judul
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
2.1 Fungsi R terkait matriks . . . . . . . . . . . . . . . . . 134

Layar Penuh
3.1 Alternatif Penulisan Model dalam Formula R . . . . . . 225
Tutup
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
5.6 Format Data R Jumlah Kelulusan dan Kegagalan . . . 332

Judul
6.1 Respon Pengukuran berulang . . . . . . . . . . . . . . 358
JJ J I II
22 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
BAB 1 Daftar Isi
Judul
DASAR-DASAR PEMODELAN STOKASTIK

JJ J I II
23 dari 490
Cari Halaman
Analisis regresi sering disebut model statistika (statistical model, yaitu

barkaitan dengan mempelajari hubungan fungsional (bukan sekedar Kembali
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
1. dapat menyebutkan hakekat dari pemodelan matematika, khusus-

Judul
nya pemodelan statistika;
2. dapat menjelaskan langkah-langkah penyusunan model statistika; JJ J I II
3. dapat menjelaskan langkah-langkah mengestimasi parameter da-

lam model statistika; 25 dari 490
4. dapat menjelaskan perkembangan model statistika penting.

Cari Halaman
5. dapat menentukan dan mengeksplorasi paket statistika R terkait

dengan analisis regresi Kembali
Layar Penuh
Tutup
Keluar
Materi
1. Prinsip Pemodelan
FMIPA-UNEJ
2. Langkah-langkah PemodelanStatistika
3. Estimasi Parameter dalam Model Statistika Daftar Isi
4. Perkembangan Model Statistika

Judul
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
dianalisis. Asumsi-asumsi itu dapat meliputi hubungan antara pe-

ubah, maupun sebaran dari galat (error). Namun, mungkin tidak Daftar Isi
semua kita menyadari bahwa saat itu sebenarnya sedang diterapkan

suatu pemodelan (dalam hal ini pemodelan statistik) dalam meme- Judul
cahkan persoalan, maupun membuat suatu kesimpulan tentang ma-
salah yang dihadapi. Ketika membicarakan model atau pemodelan
JJ J I II
dalam bidang matematika atau statistika, mungkin pikiran kita mem-
bayangkan materi matematika tingkat lanjut (advanced mathematics)
27 dari 490
yang membutuhkan pemahaman kalkulus lanjut maupun persamaan
diferensial. Pemodelan, baik disadari atau tidak, implisit atau ek-
splisit, sebenarnya selalu dilakukan pada saat kita menggunakan ma- Cari Halaman
tematika (atau khususnya statistika) dalam memecahkan masalah ke-

hidupanm riil. Bahkan, sejak di SLTP/SMU penyelesaian soal-soal Kembali
bentuk cerita (words problem), sebenarnya merupakan aplikasi pemo-

delan matematika. Demikian juga aplikasi sistim persamaan linier da- Layar Penuh
lam kehidupan sehari-hari, sebagian besar merupakan bentuk aplikasi
Tutup
Keluar
pemodelan matematika.
Definisi 1.1 (Prinsip Pemodelan). Model matematika dari suatu ma-

salah adalah rumusan masalah dalam bentuk persamaan matematika FMIPA-UNEJ
Definisi 1.2. Pemodelan matematika adalah proses menerjemahkan Daftar Isi
masalah dalam bahasa umum(sehari-hari) ke dalam bahasa atau per-

samaan matematika Judul
Sebagai ilustrasi, berikut disampaikan contoh soal penerapan

JJ J I II
sistim persamaan linier dan langkah- langkah penyelesaian yang di-
anjurkan.
28 dari 490
Contoh 1.1. Seorang ibu membeli 3 kilogram salak dan 2 kilogram

anggur. Ibu tersebut harus membayar sebesar Rp 17 000,- Sedangkan Cari Halaman
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
2. Kita menyelesaikan persamaan matematika di atas dengan teori

Cari Halaman
matematika yang kita miliki. Dengan metode eleminasi dan sub-
stitusi balik kita memperoleh a = 3000 dan b = 4000.
Kembali
3. Mensubsitusikan secara serempak nilai a dan b yang diperoleh ke

sistim persamaan yang dimiliki untuk memeriksa apakah hasil Layar Penuh
yang kita peroleh benar atau tidak.
Tutup
Keluar
4. Menyimpulkan bahwa harga satu kilogram salak adalah Rp 3000
dan harga satu kilogram anggur adalah Rp 4000.
Jadi harga x kg salak dan y kg anggur adalah FMIPA-UNEJ
H = 3000x + 4000y
Daftar Isi
Jadi dapat dipahami bahwa pemodelan atau menerjemahkan

masalah sehari-hari ke persamaan matematika merupakan bagian yang Judul
sangat penting dalam menggunakan matematika untuk menyelesaikan
persoalan sehari- hari. Pentingnya pemodelan dalam matematika juga
JJ J I II
dinyatakan oleh Prof. J. Neyman, yang dikutip dari Meyer, sebagai
berikut:
30 dari 490
Whenever we use mathematics in order to study some obser-
vational phenomena we must essentially begin by building a
mathematical model (deterministic or probabilistic) for these Cari Halaman
phenomena. Of necessity, the model must simplify matters
and certain details must be ignored. The success of the model
depends on whether or not the details ignored are really unim-
Kembali
portant in the development of the phenomena studied. The
solution of mathematical problems may be correct and yet be
in considerable disagreement with the observed data simply
because the underlying assumptions made are not warranted. Layar Penuh
It is usually quite difficult to state with certainty, whether or
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
banyak informasi yang diabaikan. Karenanya penyelesaian persoalan

secara matematis ini, mungkin benar tapi tidak bermanfaat dan tidak Judul
bermakna, karena model yang dibangun tidak sesuai dengan data
yang diamati, akibat adanya asumsi penting yang dibuat untuk men- JJ J I II
dasarinya diabaikan. Itulah sebabnya dalam penyelesaian persoalan
secara matematika (atau statistika khususnya), biasanya dimulai dari
32 dari 490
model yang sederhana kemudian dikembangkan secara berangsur-angsur
ke model yang lebih kompleks yang semakin sesuai dengan kondidi
Cari Halaman
riil di lapangan. Pada Contoh 1.1, sebenarnya setelah diperoleh kes-
impulan akhir tentang harga barang. Hasil tersebut perlu diperiksa
atau dicocokkan dengan keadaan riil dilapangan dengan mengambil Kembali
beberapa informasi yang lain, apakah temuan tersebut berlaku, meny-

impang sedikit atau banyak. Sehingga kita bisa mengambil langkah Layar Penuh
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
ditas (anggur dan salak).

Judul
Persoalan akan menjadi lebih kompleks apabila dalam kenyataan
di lapangan pedagang mengenakan harga yang berbeda-beda kepada
pembeli dan sangat boleh jadi kenyataan inilah yang banyak terjadi di JJ J I II
lapangan, terutama di pasar-pasar tradisional. Dalam kondisi ini ada
kemungkinan dari beberapa pembeli diperoleh informasi (data) yang 33 dari 490
berbeda- beda misalnya dari 10 pembeli diperoleh informasi seperti

pada Tabel 1.1 yang berupa data fiktif. Cari Halaman
Kedua sifat alami dari gejala ini menuntut pemodelan yang ber-
beda. Pemodelan yang pertama yang tidak memperhitungkan ada- Kembali
nya sebaran harga disebut pemodelan deterministik (matematika).

Dalam pemodelan ini peubah yang diamati dianggap tetap (fixed) Layar Penuh
dan tidak memiliki sebaran sehingga hubungan yang diperoleh meru-
Tutup
Keluar
Tabel 1.1: Tabel jumlah (kg) salak dan anggur dan harga yang dibayar FMIPA-UNEJ
Nomor Jumlah Kg Jumlah Kg Jumlah

Daftar Isi
Pembeli Salak (X1 ) Anggur (X2 ) Harga dalam
Rupiah (H)
Judul
1 2 4 20 500
2 6 3 29 000
3 3 2 17 000 JJ J I II
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
tribusi dengan sebaran tertentu. Jadi hubungan yang diperoleh men-

jadi y = f (x, α, β) + e, dengan e adalah peubah acak/ random yang Judul
berdistribusi normal, misalnya. Fungsi f dan sebaran e biasanya
bergantung kepada suatu konstanta yang belum diketahui yang dise- JJ J I II
but parameter. Parameter inilah yang biasanya menjadi fokus ke-
pentingan dalam pemodelan statistika. Dalam contoh di atas X1 , X2
35 dari 490
dan Y disebut variabel/ peubah yang diketahui dari data sedang-
kan α dan β adalah parameter (yang akan dicari nilainya). Dengan
Cari Halaman
demikian, persamaan matematika yang sekarang harus diselesaikan
adalah
Kembali
h = β1 x1 + β2 x2 + .
Selanjutnya dengan mengenakan beberapa pembatasan atau asumsi Layar Penuh

pada , akan diperoleh berbagai variasi model. Asumsi yang paling
Tutup
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
salak dan 3968,40 disebut βˆ2 yaitu dugaan harga 1 kg anggur.

JJ J I II
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.
1. Penentuan model. Langkah ini meliputi: Judul
(a) menentukan/ mengidentifikasi peubah beserta batas semes- JJ J I II

tanya;
(b) menentukan jenis dan derajat fungsi yang dibentuk; 37 dari 490
Penentuan jenis dan derajat fungsi disesuaikan dengan kondisi,

Cari Halaman
tujuan dan sifat permasalahan yang dihadapi.
2. Menyelesaikan model. Langkah ini meliputi menghitung nilai Kembali
peubah atau konstanta yang ada pada model dengan menggu-

nakan kaidah- kaidah matematika baik secara analitik maupun Layar Penuh
numerik.
Tutup
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
konsep matematika yang digunakan dalam menyelesaikan model.

Judul
4. Menarik kesimpulan. Selanjutnya hasil yang diperoleh diin-
terpretasikan sesuai dengan persoalan riil yang menjadi dasar
JJ J I II
pemilihan model.
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
rang mendapat gambaran apakah model yang dipilih sesuai atau

perlu menggunakan meningkatkan kompleksitas modelnya de- Layar Penuh
ngan menambah variabel maupun konstanta dalam model atau
Tutup
Keluar
mencoba hubungan fungsi yang lebih kompleks.
1.2.2. Langkah Penting dalam Pemodelan Statistika FMIPA-UNEJ
Sebenarnya langkah- langkah dalam pemodelan stokastik sudah ter-

gambar langkah- langkah yang penting dalam pemodelan secara umum. Daftar Isi
Namun ada beberapa langkah yang sifatnya khas yang tidak dilakukan
dalam pemodelan umum. Sifat khas ini disebabkan karena dalam Judul
pemodelan statistika ada parameter yang menjadi kepentingan dan

ada komponen galat yang bersifat acak dan memiliki sebaran ter- JJ J I II
tentu. Langkah-langkah penting yang harus ditempuh dalam pemo-
delan stokastik dapat diuraikan seperti berikut ini.
39 dari 490
1. Penentuan model yang meliputi:

Cari Halaman
(a) menentukan/ mengidentifikasi peubah;

(b) menentukan parameter yang menjadi kepentingan; Kembali
(c) menentukan hubungan antara parameter dan peubah serta

Layar Penuh
(d) menentukan distribusi komponen acak.
Tutup
Keluar
Penentuan hubungan serta distribusi ini disesuaikan dengan kon-
disi dan sifat permasalahan yang dihadapi.
2. Mengestimasi parameter yang menjadi kepentingan. Lang- FMIPA-UNEJ
kah ini identik dengan Penyelesaian persamaan matematika yang

diperoleh sebagai model matematika dari permasalahan yang di- Daftar Isi
hadapi. Langkah ini meliputi menghitung nilai estimasi titik
yang ada pada model dengan menggunakan kaidah- kaidah sta- Judul
tistika baik secara analitik maupun numerik.
JJ J I II
3. Menarik kesimpulan/ melakukan uji inferensi. Dalam pe-
modelan stokastik, karena peubah yang dihadapi adalah peubah
yang bersifat random/ acak maka nilai estimasi titik yang yang 40 dari 490
diperoleh masih harus dilanjutkan dengan perhitugan estimasi

interval/selang keyakinan atau dilanjutkan dengan uji signifi- Cari Halaman
kansi secara statistika:

Kembali
(a) bagaimana besaran kesalahan dari dugaan yang diperoleh,
(b) bagaimana sebaran atau rentangan atau interval dari hasil Layar Penuh
yang diperoleh?
Tutup
Keluar
(c) apakah hasil yang diperoleh secara statistika signifikan atau
tidak.
4. Melakukan uji kecocokan (goodness of fit) atau mengadakan FMIPA-UNEJ
diagnostik model. Hasil yang diperoleh selain diuji signifikansinya,

mestinya juga diuji kecocokannya dengan kondisi riil dilapangan. Daftar Isi
Melalui langkah diagnostik diperiksa

Judul
(a) apakah ada kecocokan atau tidak antara asumsi yang di-
lakukan dengan kondisi riil data; JJ J I II
(b) apakah perlu melalukan remidi (mentransformasi data se-
hingga kondisi yang disyaratkan oleh model terpenuhi) atau 41 dari 490
(c) apakah perlu mencari alternatif model yang lebih cocok.

Cari Halaman
Uji kecocokan ini biasanya dilakukan pada sisa/residu dari peng-

gunaan model. Itu sebabnya langkah ini kebanyakan dilakukan Kembali
sesudah model dipilih. Diagram langkah-langkah pemodelan,

khususnya untuk model stokastik/ model statistika, dapat dili- Layar Penuh
hat pada Gambar 1.1
Tutup
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
lah juga membangun berbagai model alternatif, untuk berbagai kon-

disi di lapangan. Kemudian, secara deduktif (matematis) menurunkan Judul
sifat- sifat dari model tersebut, cara mengestimasi parameter, cara
mendiagnosis model serta mengaplikasikan model-model yang ditu- JJ J I II
runkan kedalam suatu paket komputer yang ramah (gampang dipakai
dan dipahami) sehingga bisa dipakai oleh para praktisi di lapangan.
43 dari 490
Lebih tegasnya menurut Mendenhall (1979) dikatakan:
The statisticians study various inferential procedures, look- Cari Halaman
ing for the best predictor or decicion-making process for a

given situation. Even more important, the statistician pro- Kembali
vides information concerning the goodness of an inferential

procedures. [Para statistisi mempelajari berbagai prose- Layar Penuh
dur penarikan kesimpulan, mencari penduga terbaik- atau
Tutup
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
ada dua kelompok parameter yang menjadi kepentingan yaitu yang

paling penting adalah parameter efek tetap atau parameter regresi βj Daftar Isi
(j = 0, 1, 2, ..., k) tergantung pada dimensinya) dan biasanya diper-
lukan juga mengestimasi parameter dispersi (misalnya, σ, tergantung
Judul
pada model yang dihadapi). Kadang- kadang parameter dispersi ini
diasumsikan diketahui. Ada dua metode yang banyak dipakai dalam
JJ J I II
mengestimasi parameter efek tetap dalam model linier yaitu:
1. metode kuadrat terkecil (least square method) dan 45 dari 490
2. metode likelihood maksimum (maximum likelihood method).

Cari Halaman
1.3.1. Metode Kuadrat Terkecil

Kembali
Pada dasarnya parameter yang diestimasi adalah parameter dari garis

regresi dari model yang mewakili populasi. Hal ini diperoleh berda- Layar Penuh
sarkan informasi atau sebaran sampel yang dimiliki. Metode kuadrat
Tutup
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
Langkah langkah dalam mengestimasi parameter dari sampel se-

banyak n dengan metode kuadrat terkecil adalah: Judul
1. mengubah persamaan model

JJ J I II
yi = xi β + i menjadi i = xi β − yi ;
46 dari 490
2. mencari bentuk kuadrat dan jumlah kuadrat dari galat, yaitu
Q = ni=1 2i ;
P
Cari Halaman
3. menghitung penduga parameter dengan mencari minimum dari
Q terhadap βj .
Kembali
Dalam statistika, kalau kita membahas maksimum/ minimum

suatu fungsi, pada umumnya yang menjadi kepentingan adalah ni- Layar Penuh
lai peubah atau paremeter yang menyebabkan fungsi itu mencapai
Tutup
Keluar
maksimum/ minimum, bukan nilai maksimum/ atau minimum fungsi
tersebut. Dalam hal ini yang menjadi kepentingan adalah nilai β,
bukan nilai Q.
FMIPA-UNEJ
1.3.2. Metode Likelihood Maksimum

Daftar Isi
Kalau metode kuadrat terkecil menggunakan pendekatan geometris,
maka metode likelihood maksimum menggunakan pendekatan distribusi.
Judul
Dari data yang dimiliki serta asumsi distribusi yang diberlakukan pada
data tersebut kita memperoleh fungsi likelihood dari data tersebut.
JJ J I II
Jelasnya langkah tersebut dapat diuraikan sebagai berikut.
1. Tentukan likelihood dari data Y1 , Y2 , · · · , Yn , yang saling bebas
47 dari 490
dan mempunyai fungsi kepadatan peluang masing- masing, mi-
salnya ψi (θ). Likelihood keseluruhan ini adalah
Cari Halaman
n
Y
L(θ) = ψi (θ)
i=1 Kembali
Fungsi likelihood tidak lain adalah fungsi kepadatan probabilitas

darai Y , hanya saja nilai y dianggap diketahui (dari data), tetapi Layar Penuh
parameternya (θ) yang tidak diketahui.
Tutup
Keluar
2. Tentukan maksimum dari L atau log −L terhadap parameter θ.
Dalam kenyataannya, orang lebih seringmencari maksimum dari

fungsi log-likelihood, log (L) dari pada L. Hal ini bisa dilakukan FMIPA-UNEJ
karena yang dicari adalah penyelesaian (nilai variabel y yang meye-
babkan terjadinya nilai L maksimum) bukan nilai maksimum L. Fungsi
Daftar Isi
log adalah fungsi monoton yang tidak mengubah nilai y yangmenye-
babkan L maksimum. Selain itu transformasi logaritma juga mem-
Judul
berikan beberapa keuntunan dalam perhitungan yaitu menghilangkan
exponen dan menyederhanakan produk menjadi jumlah.
JJ J I II
n
X
`(θ) = log (ψ(θ))
i=1 48 dari 490
1.3.3. Mencari Maksimum dengan Metode Numerik Cari Halaman
Pada umumnya maksimum suatu fungsi tidak bisa diperoleh secara

analitik, oleh karenanya diperlukan pendekatan yang disebut metode Kembali
numerik. Mencari maksimum/ minimum suatu fungsi F pada dasarnya

sama dengan mencari nilai nol atau penyelesaian fungsi f (θ) = F 0 (θ) = Layar Penuh
dF/dθ. Metode numerik yang biasa dipakai dalam mencari maksimum
Tutup
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
2. melakukan iterasi sampai konvergen (sampai kriteria konver- Daftar Isi
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
Ada tiga hal penting yang harus diperhatikan dalam mengap-

likasikan metode numerik (Newton-Raphson maupun skoring dari Fisher) JJ J I II
yaitu: (i) algoritma yang dipakai (lengkap atau terpartisi), (ii) nilai
awal dan (iii) kriteria konvergensi. 50 dari 490
Nilai awal untuk b0 ditentukan sedemikian sehingga pada saat
itu xb0 = y, sedangkan kriteria konvergensi bisa menggunakan max Cari Halaman
(|b1 − b0 | < δ,) untuk δ bilangan positif sangat kecil, misalnya 10−3 .
Jika parameter yng diestimasi terdiri atas beberapa unsur, maka ada
Kembali
beberapa cara yang ditempuh dalam mengestimasi dengan menggu-
nakan metode Newton-Raphson yaitu seperti berikut ini.
Layar Penuh
1. Mengestimasi secara serempak dengan memperlakukan param-
Tutup
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.
2. Mengelompokkan unsur-unsur parameter yang sejenis. Unsur-

Daftar Isi
unsur sejenis lalu diberlakukan sebagai suatu vektor. Dengan
demikian akan diperoleh lebih dari satu vektor parameter. Ma-
Judul
sing - masing vektor parameter yang diestimasi dengan cara
multivariate, tetapi pendugaan vektor satu dengan lainnya di-
lakukan secara selang-seling. Selang seling dapat dilakukan pada JJ J I II
setiap iterasi (nested), atau setelah masing- masing konvergen
pada kondisi tertentu(zig-zag). Algoritma seperti ini disebut al- 51 dari 490
goritma terpartisi (partitioned algorithm). Pengelompokan bi-

asanya dilakukan berdasarkan parameter regresi (β) dan param- Cari Halaman
eter dispersi (φ) yang biasanya kedua jenis parameter ini mem-
punyai sifat-sifat yang berbeda terutama dilihat dari kecepatan Kembali
konvergensinya.
Pembahasan kedua algoritma di atas (penuh dan terpartisi) dapat Layar Penuh
dilihat pada Smyth [33] dan Smyth [34].
Tutup
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
yang diletakkan diantaranya oleh Gauss, Boole, Cayley dan Sylvester

yang terkait dengan teori invarian dalam aljabar. Teori invarian al- Daftar Isi
jabar mempelajari bentuk-bentuk kuantitas yang tidak berubah ter-
hadap suatu transformasi linier. Teori invarian ini yang mendasari Judul
perkembangan teori nilai eigen, vektor eigen, matriks determinan,
metode dekomposisi dan masih banyak lagi yang lainnya. Salah satu
JJ J I II
contoh dalam statistika kita tahu bahwa korelasi dua peubah acak
tidak berubah walaupun peubah- peubah tersebut mengalami trans-
52 dari 490
formasi.
Perkembangan model linier dimulai dengan perkembangan ana-
lisis regresi pada abad 19 oleh Pearson perkembangan korelasi segera Cari Halaman
setelah itu. Teori regresi ini yang menjadi dasar perkembangan teori
model linier. Perkembangan model linier tidak bisa dilepaskan dengan Kembali
perkembangan teori matriks atau aljabar linier. Melalui teori matriks

(determinan, invers, perkalian matriks) pembahasan model linier da- Layar Penuh
pat didekati secara umum (Lihat Statsoft [35]). Dalam subbab ini
Tutup
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
beda terhadap distribusi galat dalam model yang digunakan. Prin-

sip seperti ini telah berkembang dari model yang paling sederhana Judul
(klasik), ke model hirarkis tergeneralisir yang saat ini merupakan pe-

modelan yang paling terkini. Dalam sub-bab ini diuraikan secara JJ J I II
ringkas perkembangan model linier ditinjau dari segi distribusi dan
independensi galatnya.
53 dari 490
1.4.1. Model linier klasik Cari Halaman
Pemodelan linier memiliki bentuk umum Kembali
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
merupakan peubah acak yang memenuhi distribusi tertentu, misal-

nya normal; (ii) peubah x adalah peubah tetap yang tidak bersifat Daftar Isi
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
(fixed), sedangkan komponen lainnya, , yang bersifat acak disebut se-

bagai komponen acak (random component) atau dalam hal ini secara Kembali
khusus disebut komponen galat (error component). Dari segi fungsi

hubungan f , bentuk yang paling sederhana adalah hubungan linier, Layar Penuh
sehingga dari aspek ini model yang paling sederhana yang kita miliki
Tutup
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
diuraikan sebagai berikut.

Judul
Definisi 1.3 (Bentuk dan Asumsi Model Linier Klasik).
Model: JJ J I II
k
X
yi = xij βi + i (1.8)
j=0 55 dari 490
atau untuk keseluruhan respon dapat dituliskan dalam bentuk
matriks seperti persamaan (1.7), Cari Halaman
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
(independen), yang berarti tidak ada korelasi diantaranya. Beberapa

referensi yang membahas model linier normal ini diantaranya adalah Daftar Isi
Neter et al. [31], Bowerman et al.[3].

Judul
1.4.2. Model Linier Tercampur

JJ J I II
Berdasarkan kenyataan di lapangan banyak ditemukan pengamatan
yang menghasilkan respon yang tidak saling independen. Misalnya,
56 dari 490
apabila pada suatu subjek dilakukan pengamatan yang berulang- ulang
maka respon yang diperoleh antara satu dengan sebelumnya, atau satu
dengan berikutnya, dapat dipastikan akan saling berkorelasi. Dengan Cari Halaman
demikian, pengamatan yang diperoleh bukan lagi merupakan hasil

pengamatan atau respon tunggal, tetapi merupakan vektor respon. Kembali
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
Untuk itu komponen tetap (f (x)) diuraikan lagi menjadi komponen

tetap dan komponen efek acak (random effects). Dengan demikian Judul
model ini memiliki dua komponen acak yaitu komponen error () dan
komponen efek acak yang biasanya dinotasikan dengan u. Model ini JJ J I II
biasa disebut model linier tercampur (linear mixed model) yang dapat
didefinisikan sebagai berikut.
57 dari 490
Definisi 1.4 (Bentuk dan Asumsi Model Linier Tercampur).

Cari Halaman
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
berdistribusai normal dan saling independen bisa diperoleh bahwa

bentuk ragam-koragam Y , yang identik dengan jenis korelasi uniform, Judul
adalah  2
σ1 + σ22 · · · σ12 σ12

···
JJ J I II
 σ12 · · · σ12 + σ22 · · · σ12 
V=
 
.. . . .. . . .. 
 . . . . . 
58 dari 490
σ12 ··· σ12 · · · σ12 + σ22
atau secara umum
  Cari Halaman
1 ··· ρ ···ρ
 .. . . .. . .
.. 
 . . . .
.  Kembali
 
V = φ ρ ···
 1 ···ρ   (1.10)
 .. . . .. . .
.. 
 . . . .
.  Layar Penuh
ρ ··· ρ ··· 1
Tutup
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
Dalam beberapa paket komputer, yang dimodelkan adalah struktur

korelasinya, bukan matriks ragam-koragamnya. Cari Halaman
Model linier tercampur sering juga disebut dengan istilah mo-
del linier bertingkat (hierarchical linear model). Istilah bertingkat di-
Kembali
gunakan karena model ini biasa juga didefinisikan secara bertingkat
seperti berikut ini.
Layar Penuh
Definisi 1.5. Asumsi Model Linier Tercampur/ Bertingkat
Tutup
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;
2. Kondisional terhadap efek acak ke i , respon-respon di dalam Daftar Isi

strata ini juga saling independen dan berdistribusi normal de-
ngan nilai-tengah dan ragam konstan.
Judul
Model linier Campuran banyak diaplikasikan untuk data yang

berasal dari pengukuran berulang yang dikenal dengan data longitu- JJ J I II
dinal atau repeated meassurement. Referensi yang bisa dijadikan acuan
untuk mempelajari model linier bertingkat ini diantaranya adalah Bab
60 dari 490
4 dari Davidian dan Giltinan [9], Diggle et al. [10], Laird dan Ware
[19]. Sedangkan untuk model yang lebih umum yaitu termasuk model-
Cari Halaman
model non-linier dapat dilihat pada Davidian dan Giltinan [9]
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
mal, tetapi akibat transpormasi ada kemungkinan syarat yang lain

(syarat ketidak-bergantungan) menjadi tidak terpenuhi. Adanya ker- Judul
ancuan dalam menafsirkan hasil penelitian oleh karena efek yang di-
uji adalah dalam skala logaritma, bukan dalam sekala aslinya. Hal JJ J I II
ini menyebabkan kesimpulan terasa janggal misalnya, ”ada hubungan
positif antara log-konsentrasi pemupukan dengan log-panen”. Untuk
61 dari 490
menangani kondisi dimana respon yang ada tidak berdistribusi Nor-
mal, tetapi masih saling bebas, maka para statistisi yang dipelopori
Cari Halaman
oleh Nelder dan Wedderburn [30] telah mengembangkan model linier
yang dikenal dengan generalized linear model (GLM). Model ini di In-
donesai dikenal dengan model linier terampatatau tergeneralisir. Mo- Kembali
del linier ini menggunakan asumsi bahwa repon memiliki distribusi

keluarga ekponensial. Distribusi keluarga eksponensial adalah dis- Layar Penuh
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
1. ada komponen tetap yang disebut prediktor linier ; Judul
2. respon yi berdistribusi normal dan saling independen dan

JJ J I II
Pk
3. nilai-tengah yi adalah µi = j=0 xij βj .
62 dari 490
Pada model linier tergeneralisir/terampat, hubungan di atas men-
galami perubahan atau generalisasi, sebagaimana dalam definisi ber-
Cari Halaman
ikut:
Definisi 1.6 (Asumsi Model Linier Tergeneralisir). Model linier ter- Kembali
generalisir adalah model yang mengandung tiga hal yaitu:

Layar Penuh
Pk
1. komponen tetap yang disebut prediktor linier ηi = j=0 xij βj ;
Tutup
Keluar
2. respon yi berdistribusi secara independen dalam keluarga eks-
ponensial;
3. hubungan antara nilai-tengah dengan prediktor linier ditunjukkan FMIPA-UNEJ

fungsi g(.) yang disebut fungsi ’link’ sedemikian sedingga g(µi ) =
ηi . Fungsi g() disebut fungsi hubungan (link-function).
Daftar Isi
Ada fungsi hubungan khusus yang disebut fungsi hubungan kanonik

atau natural yang berkaitan erat dengan distribusi y. Misalnya, jika Judul
distribusinya normal maka g() adalah identitas. Dari hal di atas di-
katakan bahwa komponen penting dalam model linier tergeneralisir JJ J I II
ada tiga yaitu:
(i) adanya prediktor linier, 63 dari 490
(ii) adanya distribusi keluarga eksponensial dan

Cari Halaman
(iii) adanya fungsi-hubungan.
Referensi yang umum dijadikan acuan utama mempelajari mo- Kembali
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
menganalisis data, maka data yang dihadapi ada kemungkinan tidak

saja tidak berdistribusi Normal tetapi juga tidak saling bebas. Untuk Daftar Isi
menganalisis data semacam ini ada tiga kelompok metode yang banyak
dipakai untuk menyelesaikan model linier tercampur tergeneralisir.
Judul
GLMM . Model ini merupakan kombinasi antara LMM dan GLM.

Pada model ini, walau komponen galat tidak harus berdistribusi JJ J I II
Normal, tetapi komponen acaknya masih diasumsikan berdis-
tribusi Normal dan menggunakan bentuk aditif seperti pada mo- 64 dari 490
del linier tercampur normal. Model linier ini biasa disebut seba-
gai Model linier tercampur tergeneralisir (GLMM = Generalized
Cari Halaman
Linear Mixed Model)
HGLM Model ini menggunakan bentuk multiplikatif dan komponen Kembali
acaknya tidak dibatasi dengan distribusi Normal. Model linier

ini sering juga disebut Model linier hirarkis/ bertingkat terger- Layar Penuh
eralisasir (HGLM=Hierarchical Generalized Linear Model). Mo-
Tutup
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
tuk pasti likelihoodnya. Pembahasan yang lebih detil dapat

dibaca pada Diggle et al. [10] (Lihat juga Yasi et al. Perkem- Kembali
bangan dan pembagian model linear dapat diliustrasikan dalam
bentuk bagan seperti pada Gambar 1.2. Layar Penuh
Tutup
Keluar
Y = Xβ + ε
Komponen Komponen Pencilan/Outlier?

Tetap Acak FMIPA-UNEJ
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
Var.Laten? REGRESI REGRESI

GULUD (RIDGE) ROBUST
Cari Halaman
SEM
Kembali
Faktor emua ANOVA/MANOVA

Layar Penuh
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
ubah penjelas X, seperti ditujukkan oleh Gambar 1.2. Asumsi dasar

dari peubah X adalah bukan peubah acak (tidak memiliki distribusi) Daftar Isi
dan merupakan besaran kuantitatif.
Dalam perkembangannya, ada kalanya Xj , j = 0, 1, 2, 3, . . . , p − Judul
1 merupakan peubah acak sedangkan Xj dan Xj0 tidak saling bebas
untuk suatu j 6= j 0 , dalam kondisi seperti ini, dikatakan terjadi multi-
JJ J I II
kolinieritas antara peubah bebas X. Tingginya multikolinieritas dapat
menyebabkan adanya estimasi parameter tidak teliti. Secara matema-
tis Xj dan Xj0 yang tidak saling bebas, menunjukkan bahwa salah satu 67 dari 490
kolom matriks X merupakan kombinasi linier linier dari kolom-kolom

lainnya yang menyebabkan X tidak dalam rank penuh, sehingga invers Cari Halaman
matriks XT X menjadi tidak terdefinisikan. Ada beberapa prosedur

atau tehnik untuk menangani masalah multikolinieritas, diantaranya Kembali
adalah regresi Ridge dan Regresi dengan Komponen Utama (RKU)

(lihat Neter et al[31]). Layar Penuh
Tidak jarang juga kumpulan data yang kita miliki, sesungguh-
Tutup
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
memerlukan pemisahan model dari subsampel

Keluar
1.5. Model-model Nonlinier
Pada model-model yang telah dibicarakan sebelumnya, ada ciri khas
hubungan antara parameter dan peubah prediktornya, yaitu adanya FMIPA-UNEJ
kombinasi linier antara peubah prediktor dengan parameter regresinya

(yaitu ηi = pi=1 xij βj . Sementara itu hubungan antara µi dengan ηi
P
Daftar Isi
tidak selalu linier (misalnya log, resiprokal dan lain-lain). Ciri-ciri
tersebut menyebabkan model yang telah dibicarakan masih termasuk
Judul
kelompok model linier.
Perkembangan lain dari model statistika tidak mewajibkan ada-
JJ J I II
nya kombinasi linier (ηi ), tetapi mengadopsi bentuk yang lebih luas
yaitu polinomial atau bentuk aditif, η(x) = α + pj=1 fj (xj ). Ter-
P
70 dari 490
masuk dalam model ini adalah GAM (generalized additive models)
(Hastie dalam Chamber & Hastie [5], Hastie & Tibsirani [14]), regresi
lokal (Cleveland et al., dalam Chamber & Hastie [5], Venables& Ripley Cari Halaman
[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
gan, penggunaan piranti lunak memungkinkan peneliti atau analis

data dapat melakukan dengan cepat (i) berbagai alternatif model Daftar Isi
(baik dilihat dari jenis sebaran, jenis hubungan serta jumlah peu-
bah yang dimuat) serta memilih model yang terbaik; (ii) melengkapi Judul
hasil analissi data secara numerik dengan visualisasi grafik yang dapat
membantu pemahaman dalam menginterpretasi model. Dalam sub-
JJ J I II
bab ini akan dibahas secara singkat beberapa kemampuan R terkait
pemodelan statistika atau analisis regresi, diantaranya:
71 dari 490
1. kemampuan umum terkait cara mengaktifkan paket, melihat-

dokumentasi paket termasuk contoh penggunaannya; Cari Halaman
2. kemampuan manipulasi grafik terkait pemeriksaan asumsi mo-

Kembali
del yang dipergunakan dan visualisasi untuk melengkapi hasil
analisis secara numerik;
Layar Penuh
3. paket-paket R yang terkait dengan berbagai bentuk analisis re-
Tutup
Keluar
gresi mulai dari yang paling sederhana (regresi klasik) sampai
yang sangat kompleks (respon nonnormal dan tidak saling be-
bas, hubungan nonlinier).
FMIPA-UNEJ
R adalah piranti lunak utuk analisis data dan penyajian grafik

yang berbasis Open Sources. Sebagian besar kemampuan R hanya Daftar Isi
bisa dimanfaatkan melalio pendekatan CLI (command line interface),

yaitu dengan mengirim perintah dalam bentuk kumpulan perintah Judul
baris atau skrip. Hanya sebagian kecil kemampuan R yang dapat
dimafaatkan melaui menu grafis GUI(graphical user interface) Ada JJ J I II
dua cara memanfaatkan R melalui CLI.
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
jang dan sering diulang (misalnya dalam simulasi), perintah-

perintah R ditulis secara tersendiri pada editor skrip. Kumpulan Layar Penuh
perintah ini selanjutnya dapat dijalankan sebagian atau secara
Tutup
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
(b) setelah perintah ditulis pada layar editor eksekusinya dapat

dilakukan dengan mengaktifkan menu Edit pada Editor, Daftar Isi
selanjutnya bisa pilih run lines atau run all
Hampir semua paket atau Pustaka R yang terkait dengan ana- Judul
lisis data tingkat lanjut (advanced statistical analyses), termasuk re-

gresi hanya bisa dimanfaatkan melalui pendekatan perintah baris atau JJ J I II
skrip. Hanya sebagian kecil dan yang masih bersifat mendasar yang
dapat dimanfaatkan melalui pendekatan menu, misalnya RComman- 73 dari 490
der (lihat Tirta [43]. Untuk itu, pembaca perlu memahami cara me-
manfaatkan R melalui skrip (Untuk dokumentasi lebih detail dapat Cari Halaman
dilihat pada Tirta [42]). Secara umum ada beberapa perintah pen-
ting yang perlu dikuasai untuk dapat memanfaatkan R dengan baik
Kembali
yaitu:(i) cara mengaktifkan paket, (ii) melihat dokumentasi paket, (iii)
menjalankan contoh pada paket.
Layar Penuh
1. Mengaktifkan paket. Kemampuan R tersusun atas fungsi-fungsi
Tutup
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
Misalnya untuk mengaktifkan paket gee, kita dapat memanggil

Judul
dengan salah satu cara berikut.
library(gee) JJ J I II
require(gee)
74 dari 490
Jika dilakukan akan muncul pesan

Cari Halaman
Loading require package: gee

Kembali
2. Membaca dokumentasi pada paket.Setelah paket diaktifkan, se- Layar Penuh

lenjutnya dokukmentasinya dapat dipanggil. Berikut adalah
Tutup
Keluar
cara memanggil dokumentasi paket, dengan contoh khusus paket
gee.
FMIPA-UNEJ
help(nama_paket)
?nama_paket
help(gee) Daftar Isi
?gee
Judul
Setelah perintah tersebut dijalankan, maka akan muncul doku- JJ J I II

mentasi tentang paket gee, diantaranya berisi (i) cara meman-
faatkan paket gee,(ii) jenis dan interpretasi keluaran gee, (iii) 75 dari 490
referensi terkait gee, serta (iv) contoh penggunaan gee.
Cari Halaman
3. Menjalankan contoh-contoh pada paket. Satu paket R dapat
terdiri atas beberapafungsi analisis. untuk menjalankan contoh-
contoh fungsi pada paket dapat ditempuh dua cara. (Paket gee Kembali
secara kebetulanjuga memuat fungsi analissi yang disebut gee).

Layar Penuh
(a) Dengan melakukan perintah langsung.
Tutup
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
4. Menyimpan objek dan memeriksa komponen objek. Hasil perhi-

tungan dengan R biasanya disimpan dalam bentuk objek. Kom- Judul
ponen objek dapat dilihat dengan menggunakan perintah names(nama_objek).
nama_objek<-fungsi JJ J I II
names(nama_objek)
76 dari 490
Sebagai contoh komponen objek yang dihasilkan oleh analisis
model linier dapat ditujnukkan pada tampilan berikut.
Cari Halaman
lm1<-lm(y~x)
names(lm1)
Kembali
"coefficients" "residuals" "effects" "rank"
"fitted.values" "assign" "qr" "df.residual"
"xlevels" "call" "terms" "model" Layar Penuh
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
objek lm1 di atas.

> print(lm1$coeff) Judul
(Intercept) x
-3.317963 3.111967
JJ J I II
>print(lm1$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
dilengkapi dengan visualisasi data melalui grafik. Visualisasi grafik

selain bermanfaat untuk mendapatkan gambaran tentang kondisi data Layar Penuh
terkait dengan asumsi-asumsi sebaran (histogram, QQPlot, Boxplot,
Tutup
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
1. Histogram dilengkapi dengan kurva densitas (baik teoritis mau-

78 dari 490
pun emperik). Grafik ini memberikan gambaran secara intuitif
kesesuaian sebaran data dengan sebaran teoritis yang menjadi
asumsi (skrip berikut hasilnya terlihat pada Gambar 1.4). Cari Halaman
hist(x,freq=FALSE,ylim=c(0,0.45), Kembali
main="HISTOGRAM DENGAN KURVA DENSITAS")

lines(density(x),lty=4) #densitas emperik Layar Penuh
lines(sort(x),dnorm(sort(x)))#densitas teoritik
Tutup
Keluar
Tabel 1.2: Fungsi dan paket untuk menggambar grafik R
Fungsi Paket Penggunaan

FMIPA-UNEJ
barplot() graphics menggambar grafik batang
hist() graphics menggambar histogram
Daftar Isi
boxplot() graphics menggambar boxplot
plot() graphics menggambar grafik X-Y
Judul
pairs() graphics menggambar Matriks Dia-
gram Pencar
abline() graphics menggambar garis lurus JJ J I II
yang diketahui konstanta
dan gradiennya 79 dari 490
contour() graphics menggambar kontur

persp() graphics menggambar boxplot Cari Halaman
rug() graphics menggambar sebaran data
pada sumbu
Kembali
qq.plot() car menggambar plot per-
bandingan kuantil
Layar Penuh
reg.line() car menggambar garis regresi
scatterplot(), car menggambar diagram pen-
sp() car data Tutup
spm(), car diagram pencar beberapa

scatterplot.matrix(), pasang peubah Keluar
2. Diagram pencar dilengkapi dengan rugplot dan boxplot marjinal
(untuk peubah penjelas dan peubah respon). Grafik ini mem-
berikan gambaran secara intuitif kesesuaian sebaran data secara
FMIPA-UNEJ
univariate (skrip berikut hasilnya terlihat pada Gambar 1.5)
plot(x,y,xlab="X", ylab="Y",col="red", Daftar Isi

main="DIAGRAM PENCAR DENGAN RUG & BOXPLOT")
abline(lm(y~x),col="blue")
Judul
rug(side=1, jitter(x, 5),col="green" )
rug(side=2, jitter(y, 20),col="green" )
JJ J I II
par(mar=c(1,2,5,1))
boxplot(y, axes=F) 80 dari 490
par(mar=c(5,1,1,2))
Cari Halaman
boxplot(x, horizontal=T, axes=F)
3. Diagram pencar dilengkapi dengan histogram dan qqplot marjinal Kembali
(untuk peubah penjelas dan peubah respon). Grafik ini memberikan

gambaran secara intuitif kesesuaian sebaran data secara univariate. Layar Penuh
Grafk dapat disajikan dengan menyisipkan histogram dan qqplot di
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
kolom kedua dibagi menjadi 2 baris 1 kolom.

Daftar Isi
split.screen(c(1,2))
split.screen(c(2,1), screen = 2)
Judul
screen(1)
plot(x,y,main="Diagram Pencar (X,Y)")
abline(lm(y~x)) JJ J I II
screen(3)
hist(y, probability=T,
81 dari 490
main="Histogram Y")
lines(density(y), col="red", lwd=2)
screen(4) Cari Halaman
qq.plot(x,main="QQ.norm X")
Kembali
Skrip berikut adalah untuk Layout c(2,1)-c(1,2), untuk Gambar 1.8,

yaitu pertama layar dibagi atas 2 baris dan 1 kolom, selanjutnya Layar Penuh
layar baris kedua dibagi menjadi 1 baris 2 kolom.
Tutup
Keluar
split.screen(c(2,1))
screen(1)
plot(x,y,main="Diagram Pencar (X,Y)") FMIPA-UNEJ
abline(lm(y~x))
screen(3)
Daftar Isi
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)
120 140 160 180

● ● ●
●
● ●
●
● ● FMIPA-UNEJ
●
● ● ●
● ●
● ● ●
● ● ●
● ●
● ● ●
● ●
● ●
●
● ● ●
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
●●
●
●●
●
●●
●
●
●
●●
●
●●
●
●
●●
●
●
●
●●
●
●●
●
●
●●
●
●
●●
●
●
●●●●
●
120 140 160 180 −2 −1 0 1 2 Cari Halaman
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.
Fungsi dan paket untuk model statistika dalam R Judul
Fungsi Paket Penggunaan

lm() stats regresi/model linier dengan respon JJ J I II
berdistribusi Normal. Paket ini telah
terintegrasi dengan R dan sudah da- 88 dari 490
pat dimanfaatkan melalui menu RCom-

mander Cari Halaman
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
telah terintegrasi dengan R dan su-

dah dapat dimanfaatkan melalui menu Daftar Isi
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
berdistribusi Binomial dan fungsi hu-

bungan logit Daftar Isi
gee() gee *) regresi dengan dengan respon berdis-

tribusi Keluarga Eksponensial dan Judul
tidak saling bebas
geese() geepack regresi linier dengan dengan respon JJ J I II
*) berdistribusi Keluarga Eksponensial
dan tidak saling bebas. Hampir sama
90 dari 490
dengan gee(), tetapi memiliki alter-
natif pemodelan yang lebih luwes ter-
Cari Halaman
masuk pemodelan koragamnya
gam() gam, regresi atau model statistika dengan
mgcv hubungan yang lebih luas termasuk Kembali
noonlinier dan semiparamerik

nls() stats estimasi model nonlinier dengan meng- Layar Penuh
gunakan kuadrat terkecil nonlinier ter-

bobot Tutup
Keluar
*) menunjukkan bahwa paket harus diinstal secara khusus
1.6.3. RCommnder RGUI untuk analisis dasar

FMIPA-UNEJ
Ada RGUI yang disebut RCommander yang telah menyediakan bebe-

rapa analisis regresi mendasar melalui menu grafis, diantaranya: Daftar Isi
1. regresi linier klasik sederhana (satu peubah bebas dan satu pe-
Judul
ubah penjelas);
2. model linier klasik dengan beberapa peubah poenjelas termasuk JJ J I II

peubah kualitatif;
3. GLM (model linier terampat/ tergeneralisir). 91 dari 490
Selain kemampuan analisis regresi tersebut di atas, manfaat peng-

Cari Halaman
gunaan RComander adalah memudahkan pengguna mengimpor data
dari berbagaiformat termasuk format excel yang banyak dipakai kalan-
Kembali
gan peneliti di Indonesia. Penjelasan rinci RCommander dapat dilihat
pada Tirta [42] dan [43] .
Layar Penuh
Tutup
Keluar
1.7. Ringkasan
Hal-hal penting yang perlu dipahami dalam bab ini adalah seperti
berikut. FMIPA-UNEJ
1. Pemodelan stokastik mengandung komponen tetap yang meru- Daftar Isi
pakan komponen regresi dan komponen kesalahan yang bersifat

acak yang memiliki sebaran tertentu; Judul
2. Kepentingan utama dalam analisis model stokastik (analisis re-

JJ J I II
gresi) adalah mengestimasi koefisien komponen tetap (parameter
regresi).
92 dari 490
3. Metode yang biasa dipakai untuk mengestimasi koefisien regresi

adalah metode kuadrat terkecil dan metode kecenderungan mak- Cari Halaman
simum.
Kembali
4. Analisis model linier (regresi linier) telah berkembang untuk

menanganiberbagai kondisi dari komponen acak (bersebaran nor- Layar Penuh
mal atau tidak, saling bebas atau tidak).
Tutup
Keluar
5. Untuk komponen acak yang bersebaran normal dan saling bebas,
analisisnya biasa disebut model linier normal.
6. Untuk komponen acak yang tidak bersebaran normal, tetapi FMIPA-UNEJ

masih dalam sebaran keluarga eksponensial dan masih saling
bebas, analisisnya biasa disebut model linier tergeneralisir (ter- Daftar Isi
ampat).
7. Berbagai pendekatan telah dikembangkan untuk komponen acak Judul
yang masih bersebaran keluarga eksponensial tetapi tidak saling

bebas, diantaranya adalah GEE, GLMM, dan HGLM. JJ J I II
8. Hampir semua analisis di atas telah tersedia pada paket sta-

93 dari 490
tistika berbasis open source R yang dapat diperoleh secara gratis.
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
2. Sebutkan langkah-langkah penting pemodelan statistika.

Daftar Isi
3. Sebutkan beberapa macam pemodelan statistika linier yang anda

kenal dilihat dari asumsi distribusi dan kebergantungannya. Judul
4. Sebutkan beberapa macam pemodelan statistika nonlinier yang

JJ J I II
anda kenal.
5. Carilah referensi yang terkait dengan pemodelan statistika linier 95 dari 490
baik di perpustakaan maupun di internet. Sebutkan masing- ma-

sing lima referensi yang belum terdaftar dalam Daftar Pustaka Cari Halaman
dari buku ini.
Kembali
6. Lakukan eksplorasi pada R
(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
(f) sebutkan komponen objek yang dihasilkan dari fungsi lm();

(g) jalankan contoh analisis regresi dengan glm; Judul
(h) periksa komponen-komponen objek yang dihasilkan oleh

fungsi glm. JJ J I II
7. Lakukan eksplorasi pada RCommander:

96 dari 490
(a) panggil salah satu data dari pustaka yang ada;

(b) sebutkan grafik yang dapat dibuat melalui menu RCom- Cari Halaman
mander;.
(c) aktifkan plugin terkait demo/animasi statistika; Kembali
(d) analisis salahsatu data dengan analisi regresi sederhana, se-

lanjutnya buat grafik diagnostiknya. Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
BAB 2 Daftar Isi
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
dalam statistika, khususnya dalam analisis regresi.

Daftar Isi
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
3. Kebergantungan linier Daftar Isi
4. Bentuk kuadrat dan turunannya

Judul
5. Aplikasi R untuk matriks

JJ J I II
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
Matriks biasanya dinotasikan dengan huruf besar tebal, misalnya

A, B, sedangkan unsur-unsurnya bisa berupa bilangan atau huruf ke- Daftar Isi
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
Definisi 2.3. Matriks diagonal adalah matriks yang semua unsurnya,

selain unsur-unsur pada diagonal utamanya, adalah nol, yaitu aij = 0 Cari Halaman
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.
Contoh 2.4.   FMIPA-UNEJ

3 0 0
C= 0 3 0 
Daftar Isi
0 0 3
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
Dalam statistika, matriks simetris yang banyak ditemukan adalah ma-

triks korelasi (R) dan matriks varians-kovarians atau matriks ragam- JJ J I II
koragam(V).
103 dari 490
σ12 σ12
   
1 r12 · · · r1n · · · σ1n
 r21 1 · · · r2n   σ21 σ22 · · · σ2n 
R= dan V =
   
.. .. .. .. .. .. .. .
. .. Cari Halaman
  
 . . . .   . . 
rn1 r2n ··· 1 σn1 σ2n · · · σn2
Kembali
Selain matriks-matriks umum di atas, dalam statistika ada yang

disebut matriks desain X. Matriks ini merupakan matriks yang meng- Layar Penuh
hubungkan parameter β dengan peubah- peubah penjelas Xj . Pada
Tutup
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
1 xn1 xn2 · · · xnp

Judul
JJ J I II
104 dari 490
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
operasi biner yaitu penjumlahan dan perkalian.

Daftar Isi
2.3.1. Operasi uner

Judul
Untuk melakukan operasi uner diperlukan cukup satu matriks. Ope-
rasi yang termasuk uner adalah operasi invers baik untuk penjumlahan
maupun perkalian dan operasi transpos. JJ J I II
Definisi 2.8. Invers penjumlahan suatu matriks A ditulis −A, adalah

105 dari 490
matriks yang unsur-unsurnya adalah negatif dari unsur-unsur matriks
A
Cari Halaman
Contoh 2.8.
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
Hasil 2.1. Jika A adalah matriks simetris, maka A = AT JJ J I II
Definisi 2.10. Invers perkalian suatu matriks A ditulis A−1 , adalah

106 dari 490
matriks yang jika dikalikan dengan A menghasilkan matriks identitas
yaitu A.A−1 = A−1 .A = I.
Cari Halaman
2.3.2. Operasi biner

Kembali
Dalam operasi matriks secara simbolik kita akan banyak menggunakan

P Q
notasi . dan . Untuk itu dalam subbab ini akan dibahas secara Layar Penuh
sepintas kedua notasi tersebut.
Tutup
Keluar
Definisi 2.11.
n
X
f (xi ) = f (x1 ) + f (x2 ) + · · · + f (xi ) + · · · + f (xn ).
FMIPA-UNEJ
i=1
Sifat-sifat operator Sigma diberikan dalam hasil berikut ini.

Daftar Isi
Hasil 2.2. Sifat- sifat operator Sigma adalah

Judul
n
X
1. Jika k adalah suatu konstanta, maka k = nk.
i=1 JJ J I II
2. Jika k adalah suatu konstanta, dan f adalah fungsi dalam xi

107 dari 490
maka
Xn n
X
kf (xi ) = k f (xi ).
Cari Halaman
i=1 i=1
3. Jika k1 , k2 adalah konstanta dan f (xi ) = x2i + k1 xi + k2 , maka Kembali
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
= k(f (x1 ) + f (x2 ) + · · · + f (xn ))

X n Judul
=k f (xi ).
i=1
n
X JJ J I II
Pn
x2i

3 i=1 f (xi ) = + k1 xi + k2
i=1
108 dari 490
= x21 + k1 x1 + k2 + · · · + x2n + k1 xn + k2

= 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
jika k adalah suatu konstanta, dan f adalah fungsi dalam xi FMIPA-UNEJ
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
Q 110 dari 490

Pembuktian hasil di atas analog dengan pembuktian sifat-
P
sifat operator .
Cari Halaman
Penjumlahan Matriks
Kembali
Matriks yang bisa dijumlahkan (ditambah dan dikurangi) adalah ma-

triks yang berdordo sama. Matriks yang berordo sama disebut Kon- Layar Penuh
formabel (conformable) terhadap penjumlahan. Penjumlahan matriks
Tutup
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
Definisi 2.13. Jika A = (aij ) dan B = (bij ) i = 1, 2, · · · , m; j =

1, 2, · · · , n maka A + B adalah matriks C yang berordo m × n dengan Daftar Isi
unsur unsurnya adalah cij = aij + bij .
Judul
Contoh 2.10.
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
Definisi 2.14. Selisih dua matriks didefinisikan sebagai jumlah de-

Layar Penuh
ngan negatif matriks pengurang, yaitu A − B = A + (−B).
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
cik = ai1 b1k + ai2 b2k + · · · + ain bnk

113 dari 490
Xn
= aij bjk .
j=1 Cari Halaman
Contoh 2.12.
Kembali
Jika
3 −2 −6 3 −1 2
   
A= 1 2 0  dan B =  5 2 0 , Layar Penuh

−5 0 4 0 2 4
Tutup
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:
1. nonkomutatif, yaitu secara umum AB 6= BA; Cari Halaman
2. assosiatif, yaitu (AB)C = A(BC);

Kembali
3. distributif perkalian terhadap penjumlahan, yaitu

Layar Penuh
A(B + C) = AB + AC.
Tutup
Keluar
4. distributif transpos terhadap perkalian, yaitu (AB)T = BT AT .
2.3.3. Determinan dan Invers Matriks FMIPA-UNEJ
Definisi 2.17. Determinan dari suatu matriks bujur sangkar A, dino-

tasikan dengan |A| atau det(A), adalah fungsi skalar yang didefinisi- Daftar Isi
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
Definisi 2.18. Matriks yang determinannya tidak nol disebut ma-

Kembali
triks nonsinguler, sedangkan matriks yang determinannya 0 disebut
matriks singuler.
Layar Penuh
Contoh 2.13.
Tutup
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
Definisi 2.19. Teras(trace) suatu matriks bujur sangkar adalah jum-

JJ J I II
lah unsur diagonal utama dari matriks tersebut, yaitu tr(A) = ni=1 aii .
P
Contoh 2.14. 116 dari 490
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
Contoh 2.15. Bertikut adalahcontoh matriks bujur sangkar berordo

Judul
2 × 2 dan inversnya
1 2
A= , JJ J I II
−1 2
maka
−1 1 2 −2 1/2 −1/2 117 dari 490
A = =
4 1 1 1/4 1/4
Cari Halaman
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
penyelesaian tidak nol.

Cari Halaman
Hasil 2.8. Jika matriks Anp bukan matriks bujur sangkar (n < p),
paling tidak ada (p − n) kolom yang dapat dinyatakan sebagai kombi-
Kembali
nasi linier dari kolom lainnya. Dengan demikian maka A tidak akan
mempunyai rank penuh.
Layar Penuh
Contoh 2.17.
Tutup
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
ak1 + b + k2 + ck3 + dk 4 = 0, dengan kj adalah kolom ke j, mempun-

yai penyelesaian dimana sekalar a, b, c, d tidak semuanya sama dengan Judul
nol.
JJ J I II
3a + 4b + c + d = 0 (1)
5a + 7b + 6c + d = 0 (2)
120 dari 490
3a + 2b + 5c + d = 0 (3)
Cari Halaman
Selanjutnya (1)-(3) dan (2)-(3) akan menghasilkan
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
Selanjutnya jika (7) disubstitusikan ke persamaan (1) akan meng-

hasilkan JJ J I II
−33
c + 8c + c + d = 0
2
121 dari 490
33 15
d = c − 9c = c
2 2
Jadi sistim persamaan ini mempunyai penyelesaian yang bersifat pa- Cari Halaman
rametrik, salah satu diantaranya adalah untuk c = 2, maka diperoleh

b = 4, a = −11, d = 15. Kembali
Dalam statistika, jika X adalah matriks desain yang kolomnya

menunjukkan peubah-peubah penjelas dan barisnya merupakan sam- Layar Penuh
pel, untuk menjamin agar X mempunyai rank penuh, maka banyaknya
Tutup
Keluar
sampel selalu diusahakan jauh lebih banyak dari banyaknya peubah
penjelas yang menjadi perhatian.
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
122 dari 490
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
Matriks A pada umumnya merupakan matriks simetrik, misal-

Cari Halaman
nya matriks korelasi ataupun matriks ragam - koragamnya. Dalam
statistika
Kembali
Definisi 2.24. Matriks bentuk kuadrat Q disebut definit positif apa-
bila Q > 0 untuk setiap x 6= 0 dan Q = 0 jika dan hanya jika x = 0. Layar Penuh
Selanjutnya matriks A dari Q disebut matriks positif definit.
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
Definisi 2.26. Misalkan

Cari Halaman
 
x1

 x2 
 Kembali
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
dg1 /dx1 dg1 /dx2 · · · dg1 /dxp

 
 dg2 /dx1 dg2 /dx2 · · · dg2 /dxp  Cari Halaman
∂g  
=  dg3 /dx1 dg3 /dx2 · · · dg3 /dxp
 
∂x T

 .. .. .. .. 
 . . . .  Kembali
dgn /dx1 dgn /dx2 · · · dgn /dxp

Layar Penuh
Contoh 2.20.
Tutup
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
2. xT Ax = x1 (x1 + 2x2 ) + x2 (2x1 + x2 ) = x21 + 4x1 x2 + x22 yang

127 dari 490
merupakan bentuk kuadrat;
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
∂(x21 + 4x1 x2 + x22 )

 
T
∂x Ax  ∂x1 Daftar Isi
=

2 2 
∂x ∂(x 1 + 4x x
1 2 + x 2 )
∂x2
Judul
2x1 + 4x2
=
4x1 + 2x2
JJ J I II
1 2 x1
=2
2 1 x2
128 dari 490
= 2Ax;
Cari Halaman
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
6. berdasarkan hasil butir 3 dan 4 di atas maka, maka diperoleh JJ J I II

∂ 2 xT Ax ∂ 2 xT Ax
= = 2A. 129 dari 490
∂xT ∂x ∂x∂xT
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
2. ∂ 2 Q/ (∂β T ∂β) Cari Halaman
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
Maka Daftar Isi
∂Q
= 0 − 2XT Y + 2XT Xβ
∂β Judul
= 2 XT Xβ − XT Y

= −2 XT Y − XT Xβ

JJ J I II
= −2XT (Y − Xβ) , dan

∂ 2Q 132 dari 490
= 2XT X.
∂β T ∂β
Cari Halaman
Contoh 2.23. Misalkan X, Y dan β adalah matriks-matriks sedemi-
kian sehingga
Kembali
Q = (Y − Xβ)T V−1 (Y − Xβ)
adalah suatu bentuk kuadrat (matriks 1×1), dengan V adalah matriks Layar Penuh
simetrik.
Tutup
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
133 dari 490
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
dan kolom yang bersesuaian

5 A%*%B perkalian dua matriks yang kon- JJ J I II
formabel
6 solve(M) menghitung inverse matriks M 134 dari 490
2.6. Aplikasi R untuk Operasi Matriks Cari Halaman
Untuk aplikasi R tentang matriks dan operasinya, selain menggunakan Kembali
beberapa fungsi yang telah didefinisikan secara internal, pembaca da-

pat juga mencari paket/library yang berkaitan dengan matriks. Be- Layar Penuh
berapafungsi R terkait matriks diberikan pada Tabel 2.1
Tutup
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
>data(cars) Cari Halaman
>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
(b) matriks diagonal atau matriks identitas.

Judul
> diag(1,3)
[,1] [,2] [,3]
JJ J I II
[1,] 1 0 0
[2,] 0 1 0
138 dari 490
[3,] 0 0 1
> diag(2,3) Cari Halaman
[,1] [,2] [,3]

[1,] 2 0 0 Kembali
[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
Sebaliknya jika diag() dilakukan pada matrik bujur sangkar,

maka fungsi ini akan mengekstrak diagonal matriks tersebut. Judul
> diag(bmat) JJ J I II
speed dist
13228 124903 139 dari 490
2.6.2. Operasi Matriks dengan R Cari Halaman
Beberapa operasi matriks yang dapat dilakukan yang terkait dengan

kebutuhan statistika diantaranya adalah perkalian matriks, determi- Kembali
nan ((det()) invers dan transpose matriks.

Layar Penuh
xmat%*%ymat
Tutup
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
140 dari 490

>det(xmat%*%ymat)
[1] 500
Cari Halaman
> 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
Untukmatriks yang berordo sama, ada kalanya diperlukan hasil

perkalian dari unsur-unsur seletak. Pada R perkalian ini dinotasikan Judul
dengan A*B. Berikut adalah contoh perkalian tersebut.
JJ J I II
> A.mat<-matrix(c(2,3,4,1),2,2)
> B.mat<-matrix(c(1,3,2,5),2,2)
141 dari 490
> A.mat
[,1] [,2]
[1,] 2 4 Cari Halaman
[2,] 3 1
> B.mat Kembali
[,1] [,2]
[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
Jadi perkalian tersebut di atas bersifat komutatif (A* B=B*A).

Akan tetapi, tidak demikian halnya dengan perkalian umum matriks, 142 dari 490
seperti pada contoh berikut, yang pada umumnya A%*% B 6= B%*% A

Cari Halaman
> B.mat%*%A.mat Kembali
[,1] [,2]
[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
[1,] 0.50 -0.50

[2,] 0.25 0.25 Layar Penuh
Tutup
Keluar
Referensi umum mengenai matriks dapat dijumpai pada buku-buku
teks tentang matriks atau aljabar linier. Namun tidak banyak refer- FMIPA-UNEJ
ensi yang membahas turunan matriks/ vektor terutama yang terkait

dengan statistika. Pembahasan dalam bab ini, terutama mengenai ap- Daftar Isi
likasi matriks dalam statistika, dapat dijumpai pada Timm [36, Bab
1], Searle [32], Harville [13], dan Neter et al. [31].
Judul
JJ J I II
144 dari 490
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
kolum sehingga membentuk persegi panjang.

Judul
2. Operasi matriks ada yang bersifat uner (negatif dan transpos)
dan bersifat biner(penjumlahan dan perkalian).
JJ J I II
3. Matriks yang dapat dilakukan operasi tertentu dikatakan kon-

145 dari 490
formabel untuk operasi tersebut.
4. Operasi penjumlahan bersifat asosiatif, memiliki identitas 0, Cari Halaman
memiliki invers, dan komutatif.

Kembali
5. Operasi perkalian secara umum memehuhi sifat asosiatif, ma-

triks bujur sangkar memiliki identitas, beberapa diantaranya Layar Penuh
memiliki invers.
Tutup
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.
8. Matriks bujursangkar yang memiliki invers disebut matriks non- Judul
singuler, matriks ini memiliki rank penuh dan determinan tidak

nol. JJ J I II
9. Bentuk yT Ay dengan y matriks peubah, dan A matriks kon-

146 dari 490
stanta, disebut matriks bentuk kuadrat.
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
(c) Matriks simetrik

(d) Matriks nonsinguler. JJ J I II
2. Buatlah dua buah matriks (A, B), masing- masing berordo 2 × 2 147 dari 490
, selanjutnya hitung
(a) AB Cari Halaman
(b) BA
Kembali
(c) A−1
3. Selidiki apakah matriks-matriks berikut mempunyai rank kolom Layar Penuh

lengkap atau tidak.
Tutup
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.
5. Diketahui   Cari Halaman

3 2 4
A = 2 3 5 .
4 6 1 Kembali
Definisikan A pada R, selanjutnya tentukan:

Layar Penuh
(a) AT
Tutup
Keluar
(b) AT A
(c) AAT
−1
(d) AAT FMIPA-UNEJ
−1
(e) AT A
Daftar Isi
Judul
JJ J I II
150 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
BAB 3 Daftar Isi
Judul
MODEL LINIER KLASIK
JJ J I II
151 dari 490
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
statistika dengan respon kontinu berdistribusi normal.

Layar Penuh
Tutup
Keluar
Kompetensi
Pembaca diharapkan memahami prinsip model linier normal atau mo-
del linier klasik, merumuskan model, mengestimasi parameter dan me- FMIPA-UNEJ
lakukan uji inferensi, terutama dengan menggunakan paket Statistika

R. Daftar Isi
Judul
JJ J I II
152 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
Materi
1. Bentuk dan Asumsi
FMIPA-UNEJ
2. Estimasi parameter
3. Uji inferensial Daftar Isi
4. Pendekatan matriks untuk model linier peubah ganda

Judul
5. Model linier dengan peubah kualitatif

JJ J I II
6. Ilustrasi dengan R
153 dari 490
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
diasumsikan Xi diukur tanpa kesalahan);

Cari Halaman
2. i , yaitu komponen kesalahannya, adalah berdistribusi identik
dan independen normal dengan nilai-tengah 0 dan varian kon-
Kembali
stan (misalnya σ 2 );
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
155 dari 490
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
timasi regesi populasi maupun simpangan sebaran datanya. Maka

parameter yang menjadi kepentingan utama dalam regresi
sederhana Daftar Isi
β0
di atas adalah komponen dari koefisien regresi β = . Parameter
β1
Judul
lain yang juga perlu diestimasi adalah komponen ragam σ 2 . Seba-
gaimana telah disebutkan sebelumnya ada dua metode yang akan di-
JJ J I II
gunakan dalam mengestimasi parameter yaitu metode kuadrat terkecil
dan metode kecenderungan (likelihood) maksimum.
156 dari 490
3.2.1. Estimasi dengan Metode Kuadrat Terkecil Cari Halaman
Seperti telah diuraikan pada Bab 1, bahwa dengan metode kuadrat

terkecil, secara geometris kita mencari garis sedemikian sehingga ke- Kembali
salahan (selisih ordinat titik terhadap garis) menjadi minimum. Untuk

mengakomodasi tanda positif dan negatif, maka yang diminimumkan Layar Penuh
adalah jumlah kuadrat selisih ordinat tadi. Untuk mengestimasi pa-
Tutup
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
2. Mengkuadratkan kesalahan yang diperoleh serta menjumlahkan-

nya untuk seluruh pasangan data. Dari bentuk tersebut diper- JJ J I II
oleh bentuk jumlah kuadrat kesalahan sebagai berikut
n n n
" 1
#2 157 dari 490
X X X X
Q= 2i = [Yi − (β0 + β1 Xi )]2 = Yi − βj Xij
i=1 i]1 i=1 j=0 Cari Halaman
(3.4)
Dalam hal ini Xi0 = 1 dan Xi1 = Xi .
Kembali
3. Menurunkan bentuk kuadrat yang diperoleh terhadap parame-

ter yang menjadi kepentingan. Estimasi dengan metode kua- Layar Penuh
drat terkecil diproses dengan mencari minimum Q terhadap βj .
Tutup
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
5. Dari persamaan normal (3.6a) di atas diperoleh

159 dari 490
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
n ni=1 Xi Yi − ( ni=1 Xi ) ( ni=1 Yi )

P P P
= (3.8b)
n Xi2 − ( Xi )2
P P Daftar Isi
P P
Xi Yi − X̄ Yi
= P 2 . (3.8c)
Xi2 − n X̄ Judul
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
Sebagaimana telah disampaikan bahwa metode kuadrat terke- Kembali
cil belum memanfaatkan informasi distribusi dari i . Oleh karena itu

apabila σ 2 tidak diketahui, tidak ada cara khusus dengan metode kua- Layar Penuh
drat terkecil untuk mengestimasi σ 2 . Namun, σ 2 biasa diestimasi dari
Tutup
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
3.2.2. Estimasi dengan Metode Likelihood Maksimum

JJ J I II
Sesuai dengan prinsip model linier normal, maka setiap peubah respon
Yi merupakan sampel dari peubah acak yang berdistribusi normal dan
161 dari 490
saling independen dengan nilai-tengah E(Yi ) = β0 + β1 Xi dan ragam
σ 2 , yaitu Yi ∼ N (E(Yi ), σ 2 ). Dengan demikian kita peroleh seperti
berikut ini. Cari Halaman
1. Likelihood Yi adalah Kembali

" 2 #
1 1 Yi − β0 − β1 Xi
Li = √ exp − . Layar Penuh
σ 2π 2 σ
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
Log-likelihood l = e log L = ln L, selanjutnya dalam banyak

162 dari 490
buku teks statistika hanya ditulis log L, adalah
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
Dari persamaan di atas diperoleh persamaan normal untuk β0 dan β1

identik dengan persamaan normal (3.5). Selanjutnya dari ∂l/∂σ 2 = 0 Kembali
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
Sebenarnya estimasi σ 2 di atas berlaku untuk kondisi β0 , β1 atau µ

Daftar Isi
yang diketahui. Jika tidak diketahui, maka penduga di atas akan
menjadi bias. Untuk menghilangkan bias maka pembaginya (dera-
Judul
jat kebebasannya) harus dikurangi sebesar banyaknya parameter yang
harus diestimasi sebelumnya. Dalam kasus model sederhana yang kita
bahas, banyaknya parameter ada 2 yaitu (β0 , β1 ). Dengan demikian JJ J I II
derajat kebebasannya menjadi n − 2 dan bentuk penduga σ untuk
penduga llikelihood seteleh disesuaikan manjadi 164 dari 490
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
3.3.1. Distribusi βˆj

JJ J I II
Setelah memperoleh estimasi dari parameter βj , maka selanjutya kita
perlu memperoleh sifat sebaran dari penduga- penduga tersebut. Da- 165 dari 490
pat ditunjukkan (dianjurkan untuk membuktikan sendiri) bahwa penduga-
penduga yang diperoleh adalah penduga tak bias dalam arti Cari Halaman
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
Ragam dari penduga-penduga βˆj dapat diturunkan dengan menggu-

nakan prinsip bahwa: FMIPA-UNEJ
1. untuk suatu konstanta c, maka Var(cY ) = c2 Var (Y ); Daftar Isi
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
persamaan (3.8), dapat lihat bahwa βˆj merupakan kombinasi linier

dari Yi yang mempunyai ragam σ 2 . Dari kenyataan ini dapat dihitung Kembali
ragam βˆj seperti berikut ini.

Layar Penuh
Hasil 3.1. Jika σ 2 diketahui, maka ragam dari penduga βˆ0 dan βˆ1
Tutup
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
s2e , maka var(βˆj ) dinotasikan dengan s2 (βˆj ); j = 0, 1 menjadi

X̄ 2 JJ J I II

2 ˆ 1
s (β0 ) = +P s2 (3.14a)
n (Xi − X̄)2 e
" #
(1/n Xi )2
P 168 dari 490
1 2
= +P 2 2 se , (3.14b)
n
P
Xi − 1/n ( Xi )
Cari Halaman
dan
s2e
s2 (βˆ1 ) = P (3.15a) Kembali
(Xi − X̄)2
s2e
=P 2 . (3.15b) Layar Penuh
Xi − 1/n ( Xi )2
P
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 di atas dapat diperluas untuk banyaknya parameter lebih

Judul
dari dua misalnya k. Jika ukuran sampel cukup besar, maka sesuai
sifat distribusi t, distribusi t akan mendekati N(0,1). Dengan demikian
distribusinya identik dengan sebelumnya, ketika σ 2 diketahui. JJ J I II
169 dari 490

3.3.2. Estimasi selang dari βj
Sesuai dengan distribusi dari βˆj , maka estimasi selang diperoleh de- Cari Halaman
ngan melihat nilai t atau z yang membatasi prosentase atau luas
daerah dari kurva fungsi kepadatannya. Pada umumnya kita menghi-
Kembali
tung estimasi selang yang simetrik.
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)
Hasil 3.6. Penduga selang βj untuk tarap kepercayaan (1−α)×100%) FMIPA-UNEJ

atau tarap signifikansi α × 100%, dinotasikan I.K (1 − α) × 100% jika
σ tidak diketahui dan n kecil adalah Daftar Isi
βˆj − tα/2,n−2 s(βˆj ) ≤ βj ≤ βˆj + tα/2,n−2 s(βˆj ) (3.18)

Judul
3.3.3. Uji Hipotesis

JJ J I II
Selain menghitung penduga interval (estimasi interval/selang keyaki-
nan) dari parameter regresi βj , sering juga dilakukan uji hipotesis un-
170 dari 490
tuk mengetahui apakah koefisien regresi populasi dianggap signifikan
atau tidak. Dalam statistika dua macam hipotesis yang biasanya diuji,
Cari Halaman
yaitu hipotesis nul (H0 ) dan hipotesis alternatif (HA ), untuk parame-
ter βj , dengan j = 0, 1, 2, · · · , p.
H0 : βj = 0; yaitu βj tidak signifikan Kembali
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
2. dengan membandingkan nilai statistik yang diperoleh, yaitu
βˆj Daftar Isi

th = dengan tα/2,n−k
s(βˆj )
Judul
dan dengan kriteria
th < tα/2,n−k : H0 diterima JJ J I II
th ≥ tα/2,n−k : H0 ditolak
3. Dengan menghitung nilai probabilitas p, atau Nilai p yang di- 171 dari 490
definisikan sebagai
Cari Halaman
p = 2P (T > th ); dengan catatan T ∼ tn−k
Selanjutnya kriteria penerimaan hipotesis adalah Kembali
p > 5% : H0 diterima atau βj tidak signifikan

1% < p ≤ 5% : H0 ditolak dengan βj signifikan Layar Penuh
p ≤ 1% : H0 ditolak dengan βj sangat signifikan
Tutup
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.
3.3.4. Koefisien Determinasi R2 Daftar Isi
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
(Lihat Mendenhall [27]). Jadi R2 ekuivalen dengan rasio penurunan Kembali
jumlah kuadrat dari model yang digunakan terhadap jumlah kuadrat

deviasi terhadap rata-rata ŷ. Semakin besar R2 berarti semakin kecil Layar Penuh
simpangan data terhadap garis regresi model. Secara ekstrim R2 = 1
Tutup
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
Contoh 3.1. Misalkan data untuk 10 pasangan (X, Y ) ditunjukkan

Judul
oleh tabel berikut.
No X Y
JJ J I II
1 10 15
2 12 18
173 dari 490
3 10 20
4 15 25
Cari Halaman
5 13 20
6 10 12
7 14 25 Kembali
8 11 20
9 12 22 Layar Penuh
10 10 15
Tutup
Keluar
Dari data di atas kita akan melakukan hal-hal sebagai berikut:
1. menghitung koefisien regresi, beserta standar kesalahannya, an-

tara X dan Y dengan menggunakan metode kuadrat terkecil FMIPA-UNEJ
atau maksimum laikelihood;

Daftar Isi
2. menentukan penduga selang dari koefisien regresi yang diper-

oleh; Judul
3. menguji hipotesis
JJ J I II
Estimasi parameter regresi β̂ 174 dari 490
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
5 13 20 169 260 3,0625

6 10 12 100 120 15,2100 Judul
7 14 25 196 350 1,6900

8 11 20 121 220 4,6225 JJ J I II
9 12 22 144 264 4,8400
10 10 15 100 150 0,8100
175 dari 490
Total 117 192 1399 2305 51,5175
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.
Nilai βˆ1 selanjutnya digunakan untuk menghitung a, yaitu Judul
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
Untuk penduga ragam diperoleh

Cari Halaman
σˆ2 = 51, 5175/8 = 6, 44 atau σ̂ = 2, 54.
Karena rumus akhir yang diperoleh dengan metode likelihood mak- Kembali
simum dan de-ngan metode kuadrat terkecil adalah ekuivalen, maka

apabila perhitungan dikerjakan dengan metode likelihood maksimum, Layar Penuh
akan diperoleh penduga yang sama.
Tutup
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
Setelah memasukkan angka-angka yang didapat sebelumnya maka diper- JJ J I II

oleh
1. untuk j = 0 178 dari 490
(3, 60 − 2, 31 × 5, 41) ≤ β0 ≤ (3, 60 + 2, 31 × 5, 41)

Cari Halaman
−8, 90 ≤ β0 ≤ 16, 10
2. Untuk j = 1 Kembali
(1, 95 − 2, 31 × 0, 46) ≤ β1 ≤ (3, 60 + 1, 95 × 0, 46)

Layar Penuh
0.89 ≤ β1 ≤ 3, 01
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
suai juga dengan kenyataan bahwa 0 ∈ IKβˆ0 tetapi 0 6∈ IKβˆ1 . Analisis

dengan R menghasilkan keluaran sebagai berikut (perbedaan pada Cari Halaman
beberapa desimal disebabkan adanya pembulatan pada perhitungan
manual). Kembali
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
diperoleh sebelumnya dapat digeneralisir dengan mudah untuk kasus

berganda(dengan peubah ganda), diantaranya adalah seperti berikut JJ J I II
ini.
180 dari 490
1. Penduga σ 2 adalah
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
4. Selang kepercayaan (1 − α) × 100% untuk βj adalah

Daftar Isi
βˆj − tα/2,n−k s(βˆj ) ≤ βj ≤ βˆj + tα/2,n−k s(βˆj )

Judul
Secara umum, terutama jika parameternya lebih dari 2, maka estimasi

parameter lebih praktis dilakukan dengan menggunakan pendekatan JJ J I II
matriks. Hubungan peubah pada persamaan (3.1) dapat juga dit-
uliskan dalam bentuk matriks dengan mendefinisikan matriks- matriks
181 dari 490
berikut
     
Y1 β0 1 Cari Halaman
 Y2     β1   2 
  1 x12 · · · x1p    
 ..   ..   .. 
. 1 x · · · x .
 ; =  . 
 22

2p      Kembali
Y=  ; X = . . ; β =

. .
 Yi   .. .. .. ..   βj   i 

     
 ..   ..   .. 
. 1 xn2 · · · xnp . . Layar Penuh
Yn βp n
Tutup
Keluar
Sistim persamaan (3.1) selanjutnya dapat dinyatakan dalam bentuk
matriks seperti berikut:
Y = Xβ + (3.19) FMIPA-UNEJ
dengan dapat dianggap berdistribusi multivariat normal,

Daftar Isi
M V N (Xβ, V).
Ketidak saling bergantungan antara komponen dalam vektor kesa- Judul
lahan digambarkan oleh bentuk matriks ragam-koragamnya yang berben-
tuk matriks skalar seperti pada persamaan (3.20)
JJ J I II
 2 
σ 0 ··· 0
 0 σ2 · · · 0 
2 182 dari 490
V=σ I=. (3.20)
 
. .. . . .. 
. . . .
0 0 · · · σ2 Cari Halaman
Apabila data yang dianalisis memiliki ragam seperti di atas, maka

datanya disebut berfifat homoskedastik, sebaliknya jika tidak, maka Kembali
disebut heteroskedastik. Bentuk matriks ragam yang bersifat het-

eroskedastisitsa dapat dilihat pada persamaan (3.21). Estimasi ben- Layar Penuh
tuk matriks juga dapat dilakukan dengan metode kuadrat terkecil dan
Tutup
Keluar
kemungkinan maksimum.
σ12 0
 
··· 0
FMIPA-UNEJ
 0 σ2 ··· 0
2
V=. (3.21)
 
.. .. .. 
 .. . . . Daftar Isi
0 0 · · · σn2
Judul
3.4.2. Pendekatan Matriks Metode Kuadrat Terkecil JJ J I II
Penggunaan matriks dalam menganalisis model linier dapat dilakukan

183 dari 490
dengan melihat bentuk umum matriks, selanjutnya menurunkan ben-
tuk matriks yang diperoleh dengan menggunakan prinsip-prinsip difer-
Cari Halaman
ensial matriks. Langkah-langkah yang ditempuh dalam menurunkan
penduga β̂ dengan kuadrat terkecil adalah seperti berikut ini.
Kembali
1. mengubah model menjadi eksplisit terhadap matriks kesalahan, Layar Penuh

yaitu = Y − Xβ
Tutup
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
Untuk distribusi normal sesungguhnya solusi langsung tanpa menggu-

nakan iterasi Newton-Raphson dapat diperoleh dengan mencari solusi JJ J I II
−2 XT Y − XT Xβ = 0 atau − 2 XT V−1 Y − XT V−1 Xβ = 0

185 dari 490
yang menghasilkan
−1
β̂ = XT X XT Y (3.28) Cari Halaman
untuk kondisi homoskedastik dan

−1 Kembali
β̂ = XT V−1 X XT V−1 Y (3.29)
untuk kondisi heteroskedastik. Sebenarnya penyelesaian untuk ka- Layar Penuh

sus distribusi normal dapat dilakukan langsung tanpa iterasi. Namun
Tutup
Keluar
penurunan iterasi diberikan sebagai pendekatan yang berlaku umum.
Tanpa iterasi rumus yang diperoleh adalah
β̂ = (XT X)−1 XT Yuntuk kasus homoskedastik atau (3.30) FMIPA-UNEJ

T −1 −1 T −1
= (X V TX) X V Y (3.31)
Daftar Isi
untuk kasus heteroskedastik.
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
mengggunakan pendekatan ’multivariat’, dalam arti semua data re-

spon dapat dianggap merupakan satu kesatuan vektor respon dengan Cari Halaman
multivariat normal dengan nilai-tengah µ = Xβ dan matriks ragam-
koragam V = σ 2 I. Fungsi kepadatan probabilitas dari Y yang berdis-
Kembali
tribusi multivariat normal (MVN) adalah

1 1 T −1 Layar Penuh
f (Y, µ) = p exp − (Y − µ) V (Y − µ) (3.32)
(2π)n |V| 2
Tutup
Keluar
Untuk menerapkan metode kemungkinan maksimum dengan pen-
dekatan matriks maka dapat ditempuh langkah-langkah berikut:
1. menganggap Y berdistribusi MVN (Xβ, V) sehingga mempun- FMIPA-UNEJ
yai bentuk likelihood

Daftar Isi
1 1 T −1
L= p exp − (Y − Xβ) V (Y − Xβ)
(2π)n |V| 2
Judul
2. menentukan fungsi log-likelihood inti l(β), yaitu

JJ J I II
1 1
l(β) = − (Y − Xβ)T V−1 (Y − Xβ) = − Q
2 2 187 dari 490
3. menentukan turunan pertama dan kedua likelihood inti terhadap

Cari Halaman
β, yaitu
∂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
Hasil 3.7. Untuk model linier sederhana dengan V = σ 2 I, jika σ dike-

tahui, maka var(β̂) = σ 2 (XT X)−1 . Jadi secara umum dapat dikatakan Kembali
bahwa jika σ 2 diketahui, maka

−1
β̂ ∼ M V N β, σ 2 XT X
Layar Penuh
(3.33)
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.
Dengan menggunakan hasil bahwa var(AY + B) = AVAT , maka Daftar Isi
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
190 dari 490
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
tor misalnya xo = (1, x1 , x2 , · · · , xp )T . Perhatikan bahwa

Daftar Isi
y =µ+
dengan µ̂i = x0 T β̂ dan var() = σ 2 . Dengan demikian kita memiliki Judul
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
●
38.0 38.5 39.0 39.5 40.0

Kembali
x
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
Untuk hipotesis β = 0 dan uji dua arah yang simetris maka

194 dari 490
p = 1 − P (−t∗ ≤ tn−1 ≤ t∗ )
= 2P (tn−1 < −|t∗ |) Cari Halaman
Dengan demikian semakin kecil nilai p akan semakin signifikan hasil-

nya dan semakin kuat penolakan H0. Dalam bahasa R perhitungan p Kembali
dapat dilakukan dengan

p<-2*(1-pt(abs(t),df)) atau Layar Penuh
p<-2*(pt(-abs(t),df))
Tutup
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
1. βˆj sangat signifikan jika p ≤ 1%;

Judul
2. βˆj signifikan jika 1% < p ≤ 5%;
JJ J I II
3. βˆj tidak signifikan jika p > 5%;
195 dari 490
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
laki dan P=perempuan). Pertanyaan mendasar dari data seperti ini

adalah, apakah penyebaran data antara kelompok yang satu (L) ber- Daftar Isi
beda dengan kelompok yang lain (P). Apakah garis regresi penduga
data cukup diwakili satu garis atau dua garis yang berbeda. Empat Judul
kemungkinan sebaran data jika dipisahkan berdasarkan kelompok di-
ilustrasikan dengan Gambar 3.2. Pada gambar diilustrasikan ada 4
JJ J I II
kemungkinan penyebaran datanya yaitu:
1. kedua kelompok menyebar sama sehingga tidak perlu dibedakan 196 dari 490
antara kelompok satu dengan yang lain sehingga cenderung mem-

bentuk satu garis lurus; Cari Halaman
2. kedua kelompok menyebar berbeda dengan kecenderungan memi-

Kembali
liki kemiringan yang sama tetapi konstanta berbeda sehingga
membentuk dua garis lurus sejajar;
Layar Penuh
3. kedua kelompok menyebar berbeda dengan kecenderungan memi-
Tutup
Keluar
liki kemiringan yang berbeda tetapi konstanta sama sehingga
membentuk dua berkas garis;
4. kedua kelompok menyebar berbeda dengan kecenderungan memi- FMIPA-UNEJ

liki kemiringan maupun konstanta yang berbeda sehingga mem-
bentuk dua garis lurus berbeda; Daftar Isi
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
data (x,y) data (x,y)

198 dari 490
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
2. β2 adalah parameter yang menentukan apakah model untuk ke-

dua kelompok perlu dibedakan konstantanya Cari Halaman
Secara formal uji hipotesis β2 adalah

Kembali
H0 : β2 =0 (menunjukkan model untuk kedua kelompok sama)
HA : β2 6= 0 (menunjukkan model untuk kedua kelompok ber- Layar Penuh

beda)
Tutup
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
Dxi = Di ∗ Xi (3.39) Judul
Dengan demikian bentuk model antara Yi dengan variabel-variabel

JJ J I II
lainnya dapat dituliskan sebagai
Yi = β0 + β1 X1 + β2 Di + β3 Dxi + i (3.40) 200 dari 490
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
201 dari 490
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
203 dari 490
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
Sedangkan bentuk modelnya akan menjadi

Yi = β1 X1 + β2 DLi + +β2 DP i + i (3.44) Cari Halaman
Jika diteliti lebih jauh, maka model untuk kelompok L dan

kelompok P , masing- masing adalah: Kembali
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
205 dari 490
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:
1. mensimulasi data yang memenuhi asumsi sebagaimana dihara- JJ J I II

pkan, misalnya Y ∼ N (Xβ, σ 2 ). Ini berarti untuk mensimulasi
data kita harus menetapkan X dan β;
206 dari 490
2. mengestimasi balik β̂ dari data Y baik dengan cara langsung

mapun dengan melalui iterasi numerik Newton-Raphson; Cari Halaman
3. mengulang-ulang proses 1. dan 2. untuk melihat sifat-sifat pen-

Kembali
duga β̂ secara umum;
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
ukuran n = 60 dan X ∼ N (50, 25) (ingat bahwa berbeda dengan Y ,

tidak ada keharusan X untuk mengikuti distribusi tertentu). Misalkan Daftar Isi
pula β = (3, 5)T dan varian kesalahan σ 2 adalah 16, artinya Y ∼
N (µ, σ 2 ) dan µ = Xβ dan kita akan memeriksa model
Judul
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
1. Sesuai dengan sifat bahwa, jika X ∼ (0, σ 2 ), maka X + C ∼

N (C, σ 2 ). Jadi kita perlu membangkitkan ∼ N (0, σ 2 ) lalu Cari Halaman
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
2. membangkitkan langsung Y ∼ N (µ, σ 2 )

Daftar Isi
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
Ragam estimator/penduga, untuk kasus σ yang diketahui, dapat di-

hitung dengan Layar Penuh
−1
V ar(β̂) = σ 2 XT X
Tutup
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
209 dari 490

>print(b.hat)
[,1]
2.831853 Cari Halaman
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
[2,] 0.006733643 0.019071798

>mean(mh[,1]) JJ J I II
[1] 2.963071
>mean(mh[,2]) 210 dari 490
[1] 4.985726
Jika diperlukan kita juga dapat membuat grafik penduga dari Cari Halaman
100 ulangan simulasi yang masing-masing mengambil sampel beruku-

ran 60 (Gambar 3.5). Pengulangan juga dapat divariasi dengan meningkatkan Kembali
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
211 dari 490
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
212 dari 490
Gambar 3.6: Grafik Penduga βˆ1 = α̂ dari beberapa penarikan sam-

Cari Halaman
pel dengan ukuran mulai 10 sampai dengan 1000. Nilai
parameter sebenarnya adalah α = 3.
Kembali
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
yang dinyatakan dalam bentuk y~x1+x2+. . .. Jika ingin meng-

gunakan persamaan regresi tanpa konstanta maka pada formula JJ J I II
ditulis y~x1+x2-1 atau y~0+x1+x2. Pada bagian ini juga dapat
dimasukkan data yang telah ditansformasi misalnya log(y)~x1+x2 213 dari 490
dan sejenisnya.
2. data adalah nama data yang akan dianalisis, yaitu yang memuat Cari Halaman
nama-mana peubah yang dimasukkan pada formula

Kembali
Dari hasil analisis menggunakan fungsi lm(), ada beberapa in-
formasi yang dapat diekstrak dari objek yang dihasilkan diantaranya:
Layar Penuh
1. coef(objek) untuk mengekstrak koefisien regresi β̂.
Tutup
Keluar
2. deviance(objek) untuk mengekstrak jumlah kuadrat sisa.
3. formula(objek) untuk mengekstrak rumusan model yang diper-

gunakan FMIPA-UNEJ
4. plot(objek) untuk menghasilkan grafik yaitu seperti grafik sisa,

Daftar Isi
grafik fitted value dan beberapa disgnostik.
5. print(objek) untuk mencetak hasil singkat analisis. Judul
6. step(objek) untuk memeriksa model yang paling cocok dengan

JJ J I II
cara melihat angka (Akaike’s Information Criterion) yang paling
kecil(lihat sesi 4.5.
214 dari 490
7. summary(objek)untuk mencetak lengkap hasil analisis.

Cari Halaman
Untuk mengetahui lebih jauh komponen-komponen yang tersedia dari
suatu objek dapat dilakukan dengan
Kembali
>names(objek)
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:
> data(cars) FMIPA-UNEJ
> 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
● ●
●
●
●
●
● ● 216 dari 490

●
●
0
5 10 15 20 25
speed Cari Halaman
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
Estimate Std. Error t value Pr(>|t|)

(Intercept) -17.5791 6.7584 -2.601 0.0123* Daftar Isi
speed 3.9324 0.4155 9.464 1.49e-12 ***
---
Signif.codes:0`***'0.001`**'0.01`*'0.05 `.' 0.1` ' 1
Judul
Residual standard error: 15.38 on 48 degrees of freedom JJ J I II

Multiple R-Squared: 0.6511,
Adjusted R-squared: 0.6438 217 dari 490
F-statistic: 89.57 on 1 and 48 DF,
p-value:1.490e-12
Cari Halaman
Dari hasil yang diperoleh dapat disimpulkan bahwa konstanta

α = β0 adalah signifikan (1% < p < 5%) dan koefisien speed adalah Kembali
sangat signifikan (p < 1%).

Untuk mengetahui komponen-komponen yang dapat diekstrak Layar Penuh
dari objek contoh.lm dapat dilakukan dengan perintah berikut. Se-
Tutup
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
3.8.3. Model dengan Variabel Kualitatif

218 dari 490
Andaikan selain variabel penjelas X data juga mengandung variabel

kualitatif G, maka variabel kualitatif ini pun perlu diperiksa apakah Cari Halaman
berpengaruh pada hubungan variabel X dan Y . Untuk menghadapi
data yang mengandung peubah kualitatif, secara umum dapat di-
Kembali
lakukan lengkah-langkah berikut ini.
1. Lakukan eksplorasi secara grafis dengan menggambar Diagram Layar Penuh
Pencar (Scattergram) data, untuk melihat secara intuitif apakah
Tutup
Keluar
regresi perlu dipisah atau dapat digabung.
2. Analisis data dengan memasukkan peubah kualitatif sesuai de-

ngan indikasi yang ditunjukkan oleh diagram pencar. FMIPA-UNEJ
3. Lakukan uji signifikansi baik untuk peubah kualitatif maupun

Daftar Isi
kuantitatif
Ada beberapa cara (yang biasa disebut formula) untuk memasukkan Judul
variabel kualitatif (misalnya grup) pada R seperti diuraikan berikut
ini.
JJ J I II
1. Y ∼ X ∗ G. Dengan formula ini kita mencoba model paling

lengkap yaitu memeriksa kemungkinan bahwa setiap kelompok 219 dari 490
memiliki model yang berbeda.

Cari Halaman
2. Y ∼ X + G. Formula ini adalah untuk memeriksa kemungkinan
model regresi sejajar (dengan gradien sama tetapi kemungkinan
Kembali
konstanta berbeda).
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
Berikut adalah beberapa contoh dengan berbagai kondisi peubah

Judul
kualitatif
Contoh 3.4.
JJ J I II
Suatu data yang mengandung peubah kuantitatif X, Y dan peu-
bah kualitatif g sebarannya ditunjukkan oleh Gambar 3.8. Pada Gam- 220 dari 490
bar terlihat bahwa data mengandung variabel kualitatif g tetapi kedua
subkelompok data terlihat cukup membaur dan tidak perlu dibedakan
Cari Halaman
antara kedua sub kelompok datatersebut.
Call:
Kembali
lm(formula = y ~ g * x, data = sim.data.reg)
Coefficients: Layar Penuh

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
Gambar 3.8: Diagram Pencar X dengan Y yang mengandung kelompok

yang dapat digabung Layar Penuh
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
Dengan formula di atas (Y ∼ G ∗ X) kita ingin mendapat gam-

baran perlu tidaknya memisahkan konstanta dan gradien garis regresi Judul
masing-masing kelompok. Dari hasil di atas diperoleh:

JJ J I II
1. koefisien g[T.P] tidak signifikan, berarti selisih konstanta dua
kelompok tidak signifikan;
222 dari 490
2. koefisien g[T.P]:x tidak signifikan, berarti selisih gradien dua

kelompok tidak signifikan. Cari Halaman
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:
(Intercept) 6.03583 0.62101 9.719 1.06e-13 ***
g[T.P] -0.20747 0.55184 -0.376 0.708 FMIPA-UNEJ
x 3.89516 0.05868 66.383 < 2e-16 ***

--- Daftar Isi
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Dengan formula ini (Y ∼ G + X) kita memaksa untuk menggu- Judul

nakan gradien yang sama (regresi sejajar), tetapi hanya melihat kemu-
ngkinan perlu tidaknya memisahkan konstantanya. Hasil di atas me- JJ J I II
nunjukkan kita tidak perlu memisahkan konstanta dari masing-masing
kelompok.
223 dari 490
Call:
lm(formula = y ~ g/x, data = sim.data.reg) Cari Halaman
Coefficients:
Kembali
(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
tatif sedangkan G menunjukan variabel kualitatif (faktor), sedangkan

y dapat berupa kualitatif atau faktor (pada regresi logistik yang akan Kembali
dibahas kemudian). Pada model G/(x1+x2) kelompok yang ada di-

paksa memiliki regresi yang berbeda, sedangkan pada y~G*(x1+x2) Layar Penuh
kelompok dilihat semua kemungkinannya apakah perlu regresi ber-
Tutup
Keluar
beda, sejajar atau bergabung (satu).
Tabel 3.1: Alternatif Penulisan Model dalam Formula R

FMIPA-UNEJ
No Bentuk Arti
1 y~x regresi sederhana Daftar Isi
2 y~x-1 regresi tanpa konstanta

3 log(y)~x regresi dengan transformasi pada Y Judul
4 y~log(x) regresi dengan transformasi pada X
5 y~x1+x2+... regresi multivariat
JJ J I II
6 y~G+x1+x2 regresi paralel
7 y~G/(x1+x2) regresi berbeda
225 dari 490
8 y~G*(x1+x2) regresi dengan interaksi
Cari Halaman
Contoh 3.5.
Data berikut mengandung peubah kuantitatif X, Y dan peu- Kembali
bah kualitatif G dengan kategori (L, P ), sebarannya ditunjukkan oleh

Gambar 3.9. Pada Gambar terlihat bahwa data mengandung vari- Layar Penuh
abel kualitatif g dan kedua subkelompok data terlihat memiliki ke-
Tutup
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)
Residuals: 226 dari 490

-11.2012 -2.1944 0.1407 2.9430 11.2207 Cari Halaman
Coefficients:
Kembali
(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
●
●
●
227 dari 490

●
−15
35 40 45 50 55 60 65 70 Cari Halaman
X
Kembali
Gambar 3.9: Diagram Pencar X dengan Y mengandung kelompok yang

perlu dipisah Layar Penuh
Tutup
Keluar
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 '' 1
Residual standard error: 4.682 on 58 degrees of freedom

Multiple R-squared: 0.0193,Adjusted R-squared: 0.002394 FMIPA-UNEJ
F-statistic: 1.142 on 1 and 58 DF, p-value: 0.2897

Daftar Isi
Terlihat bahwa gradien atau koefisien regresi(koefisien X)tidak sig-

nifikan dan koefisien determinasinya juga sangat kecil (0,02). Judul
2. Model paralel. Model berikutnya yang banyak umum dicoba orang

adalah model regresi paralel, (Y ∼ X + G), dengan model ini kita JJ J I II
memberi ruang perbedaan konstanta tetapi tidak pada gradien re-
gresi. 228 dari 490
Call:
Cari Halaman
lm(formula = y ~ x + g, data = DataSimReg)
Residuals: Kembali

-10.55982 -2.81816 -0.09043 2.73765 10.66159 Layar Penuh
Tutup
Keluar
Coefficients:
(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
Residual standard error: 4.682 on 57 degrees of freedom Judul
Multiple R-squared: 0.03616,Adjusted R-squared: 0.002345

F-statistic: 1.069 on 2 and 57 DF, p-value: 0.35 JJ J I II
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
3. Model terpisah. Diagram pencar mengindikasikan kelompok memi-

liki kecenderungan berbeda, karena itu sebenarnya yang paling ma- Kembali
suk akal adalah mencoba regresi berbeda dan sekaligus memisahkan
konstanta secara eksplisit, Y ∼ X/G − 1.
Layar Penuh
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:
gL 15.39683 2.07712 7.413 7.20e-10 *** Judul
gP -31.43454 2.04057 -15.405 < 2e-16 ***

gL:x -0.41683 0.04056 -10.276 1.69e-14 *** JJ J I II
gP:x 0.52931 0.03933 13.457 < 2e-16 ***
---
230 dari 490
Signif.codes:0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1''1
Residual standard error: 1.927 on 56 degrees of freedom Cari Halaman

F-statistic: 174.7 on 4 and 56 DF, p-value: < 2.2e-16 Kembali
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.
Ilustrasi di atas menunjukkan bahwa jika data mengandung peubah FMIPA-UNEJ

kualitatif, sangat perlu dilakukan eksplorasi data (dengan menggam-
bar grafik diagram pencarnya), selanjutnya memilih model yang ter-
Daftar Isi
baik melibatkan peubah kualitatif tadi. Jika tidak, akan diperoleh
hasil yang tidak sesuai dengan kondisi sebenarnya.
Judul
3.8.4. Analisis dengan Subset

JJ J I II
Untuk data yang terdiri atas beberapa kelompok (mengandung peu-
bah kualitatif), analisis dapat dilakukan pada seluruh atau sebagian 231 dari 490
data tersebut melalui pemanfaatan parameter subset, dengan
subset=nama.var.kualitatif=="simbol.sub.kelompok" Cari Halaman
Pada Contoh 3.5, kita dapat juga menganalisis secara terpisah

data untuk masing-masing kelompok L dan P . Kembali
lm(formula = y ~ x, data = DataSimReg, subset = g == "P")

Layar Penuh
Residuals:
Tutup
Keluar
-4.91870 -1.19517 -0.04871 0.97073 4.12724
Coefficients: FMIPA-UNEJ

(Intercept) -31.43454 2.04449 -15.38 3.51e-15 *** Daftar Isi
x 0.52931 0.03941 13.43 9.99e-14 ***
---
Signif.codes:0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ''1
Judul
Residual standard error: 1.931 on 28 degrees of freedom JJ J I II

F-statistic: 180.4 on 1 and 28 DF, p-value: 9.99e-14 232 dari 490
Ternyata hasilnya identik dengan hasil sebelumnya yaitu:

Cari Halaman
1. Intersept (konstanta) = koefisien gP = - 31,43;
2. Koefisien X = koefisien gP:x= 0,53

Kembali
Dengan cara yang sama kita dapatmelakukan analisis untuk subkelompok L

dengan membuat subset = g == "L". Hasilnya identik dengan konstanta Layar Penuh
dan koefisien untuk g.L.
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
2. Peubah penjelas Xj , dapat berupa peubah kualitatif maupun kuan-

titatif bersifat tetap,diukur tanpa sebaran. Daftar Isi
3. Estimasi parameter regresi dapat dilakukan dengan metode kuadtar

terkecil dan metode likelihood maksimum, dan untuk regresi klasik, Judul
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).
6. R dapat menganalisis sebagian data dengan memanfaatkan parame-

Kembali
ter subset sesuai kebutuhan.
7. Dalam mengeksplorasi model-model regresi, selain memeriksa sig- Layar Penuh

nifikan tidaknya koefisien regresi,perlu diperhatikan nilai koefisien
Tutup
Keluar
determinasinya.
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
234 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
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
235 dari 490
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
ring Fisher untuk mengestimasi parameter regresi pada model linier

sederhana dengan metode likelihood maksimum Judul
3. Jelaskan distribusi penduga likelihood, baik untuk sampel besar ma-

upun untuk sampel kecil. JJ J I II
4. Eksplorasi beberapa data pada R, lakukan beberapa alternatif ana-

lisis regresi, selanjutnya tentukan model terbaik menurut anda. de- 236 dari 490
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
yang dianjurkan? Jelaskan jawaban anda.
Coefficients: Layar Penuh

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
Residual standard error: 1.986 on 56 degrees of freedom

Judul
F-statistic: 3575 on 3 and 56 DF, p-value: < 2.2e-16
JJ J I II
6. Diketahui keluaran hasil analsis regresi dengan dua peubah kuanti-
tatif X, Y dan satu peubah faktor g = (L, P ) sebagai berikut. Selidiki
237 dari 490
apakah masih mungkin dilakukan perbaikan model dan model mana
yang dianjurkan? Jelaskan jawaban anda.
Cari Halaman
Coefficients:
Kembali
(Intercept) 52.84661 2.33328 22.649 <2e-16 ***
x 2.94982 0.04557 64.737 <2e-16 ***
g[T.P] -67.23481 3.27086 -20.556 <2e-16 *** Layar Penuh
x:g[T.P] 0.03452 0.06347 0.544 0.589
Tutup
Keluar
---
Signif.codes:0 '***' 0.001 '**' 0.01 '*' 0.05 '.'0.1 ''1
Residual standard error: 2.165 on 56 degrees of freedom FMIPA-UNEJ

F-statistic: 7233 on 3 and 56 DF, p-value: < 2.2e-16 Daftar Isi
Judul
JJ J I II
238 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
BAB 4 Daftar Isi
Judul
DIAGNOSTIK DAN TRANSFORMASI
JJ J I II
239 dari 490
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
240 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
Materi
1. Asumsi analisis regresi klasik
FMIPA-UNEJ
2. Memeriksa sebaran data melalui grafik
3. Memeriksa hubungan peubah melalui grafik Daftar Isi
4. Beberapa uji terkait asumsi

Judul
5. Memeriksa model melalui AIC
6. Transformasi data JJ J I II
241 dari 490
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
(ii) nilai-tengah dari kesalahan i yaitu E(i ) adalah 0

Judul
(iii) ragam kesalahan adalah konstan, yaitu σ 2 dan
(iv) distribusi kesalahan adalah normal. JJ J I II

Pemeriksaan terhadap asumsi di atas dapat dilakukan baik melalui uji sta-
tistika maupun secara intuitif menggunakan grafik. Dalam buku ini hanya 242 dari 490
dibahas pemeriksaan asumsi secara intuitif menggunakan grafik/ diagram.
Pada prinsipnya kegiatan ini hampir sama dengan eksplorasi data. Be-
Cari Halaman
danya adalah eksplorasi data dilakukan sebeum melakukan analisis, sedang-
kan diagnostik dilakukan setelah melakukan analisis. Dengan demikian,
jika sebelum melakukan analisis telah dilakukan eksplorasi data pekerjaan Kembali
mendiagnostik model menjadi lebih sederhana. Berikut adalah beberapa

tampilan grafik yang dapat dimanfaatkan untuk memeriksa asumsi yang Layar Penuh
diperlukan dan memperoleh gambaran kasar secera intuitif.
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
Grafik Boxplot dapat digunakan untuk memperoleh gambaran se-

baran data terutama kesimetrisannya.Selain itu dengan boxlot dapat juga Layar Penuh
dilacak adanya pencilan (outlier). Deskripsi komponen grafik boxplot
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
244 dari 490
Cari Halaman
Gambar 4.1: Grafik Quantile dari Data Berdistribusi Normal

(kiri) dan Data Cenderung Tidak Berdistribusi Normal Kembali
(Kanan)
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
245 dari 490
Cari Halaman
Gambar 4.2: Grafik Sebaran Peluang dari Data Berdistribusi Normal

(lebih simetris, warna biru) dan Data Tidak Berdistribusi Kembali
Normal (tidak siumetris, warna merah)

Layar Penuh
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
246 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
BOXPLOT Y
250
FMIPA-UNEJ
Daftar Isi
200
Judul
150
Y
JJ J I II
100
247 dari 490
Cari Halaman
50
●
Kembali
L P
g Layar Penuh
Gambar 4.3: Boxplot respon dengan kelompok. Terindikasi salah satu Tutup
kelompok (P) mengandung pencilan

Keluar
4.3. Pemeriksaan Hubungan Peubah melalui Gra-
fik
FMIPA-UNEJ
4.3.1. Diagram pencar data
Pemeriksaan terhadap asumsi kelineran dalam fungsi f dapat dilakukan Daftar Isi
secara kasar dengan menggambar diagram percar dari data maupun

residu/ sisa. Dari pencaran data akan dapat diperoleh gambaran se- Judul
cara kasar apakah hubungan antara X dan Y mengikuti hubungan

linear atau hubungan kuadratik atau yang lainnya. JJ J I II
Diagram pencar data, khususnya untuk satu peubah penjelas,
dengan berbagai jenis fungsi dan distribusi dapat dilihat pada berba-
248 dari 490
gai gambar berikut:
1. Gambar 4.4 dan Gambar 4.5 adalah grafik dari data dengan hu- Cari Halaman
bungan Y = f (X, β) = β0 + β1 X yang berupa fungsi linier. Dari

gambar-gamber tersebut terlihat bahwa pencaran data terletak Kembali
pada suatu garis lurus. Dekat tidaknya pencaran data dengan

suatu garis sangat bergantung pada besarnya ragam semakin be- Layar Penuh
sar ragamnya semakin jauh datanya dari garis sehingga semakin
Tutup
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
249 dari 490
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
250 dari 490
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
251 dari 490
Cari Halaman
Gambar 4.6: Grafik Pencar Data dengan hubungan lebih cenderung

nonlinear Kembali
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
252 dari 490
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
jika ragam tidak konstan disebut bersifat heteroskedastik.

Judul
4.3.3. Memeriksa Model Melalui Diagram JJ J I II
Pada dasarnya model statistika dikembangkan untuk mengakomodasi

253 dari 490
jenis data dengan kondisi tertentu, misalnya adanya hubungan linier,
saling independen dan bersifat random. Cara yang paling sederhana
untuk memeriksa kondisi linieritas, dan kekonstanan koefisien variasi Cari Halaman
adalah dengan menggunakan pendekatan intuitif melalui pemeriksaan

pencaran residu (sisa). Kembali
Dari sifat residu sebagai penduga dari kesalahan, maka dapat

disimpulkan bahwa secara geometris pencaran residu harus memenuhi Layar Penuh
beberapa sifat yaitu:
Tutup
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. menyebar secara acak dan seimbang di sekitar 0;

FMIPA-UNEJ
3. lebar sebaran dari kiri ke kanan relatif konstan.
Daftar Isi
Sebaran data dapat diperiksa dengan menggunakan grafik QQNorm
dengan ciri-ciri:
Judul
1. sebaran titik mengikuti garis lurus,
JJ J I II
2. penyimpangan kentara terhadap garis lurus menunjukkan data
menyimpang dari sebaran normal dan salah satunya ditunjukkan
adanya ketidak simetrisan sebaran. 256 dari 490
Paket/library lm() secara automatis menyediakan 4 macam gra- Cari Halaman

fik yang dapat dipergunakan untuk mendiagnostik model diantaranya:
Kembali
1. grafik QQNorm untuk memeriksa sebaran data;
2. grafik sisa untuk melihat kelinieran dan juga kekonstannan ra- Layar Penuh
gam;
Tutup
Keluar
3. grafik residual baku dan nilai ekspektasi;
4. grafik Jarak Cook (Cook’s Distance) untuk memeriksa adanya

pencilan (Outlier/pencilan). Lihat Faraway [12, Bab 7] untuk FMIPA-UNEJ
pembahasan dan diagnostik berhubungan dengan pencilan.
Daftar Isi
Berikut adalah contoh keluaran grafik yang digabung menjadi satu
tampilan yang dapat dibuat dengan perintah plot(NamaObjek).
Judul
JJ J I II
257 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
258 dari 490
Cari Halaman
Kembali
Gambar 4.10: Grafik Diagnostik dari Objek yang Dihasilkan oleh

Fungsi lm(). Grafik menunjukkan data relatif Layar Penuh
memenuhi asumsi Model Linier Normal
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
259 dari 490
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
1. uji kenormalan shapiro-wilk;

Judul
2. uji homogenitas ragam Bartlett dan Levenge.
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
(dengan Shapiro-Wilk)juga menunjukan bahwa data menyebar tidak

mengikuti sebaran normal, ditunjukkan oleh nilai p < 5%. Cari Halaman
Shapiro-Wilk normality test

Kembali
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
tung perimbangan antara besarnya likelihood dengan banyaknya vari-

abel dalam model. Besarnya AIC dihitung melalui rumus berikut Daftar Isi
AIC = −2l(θ̂) + 2q, (4.1)

Judul
dengan l(θ̂) adalah nilai likelihood dari model yang dihadapi dan q
adalah banyaknya parameter dalam model. Secara umum, semakin ke-
cil nilai AIC model yang dipakai semakin cocok. Model yang dianggap JJ J I II
terbaik adalah model dengan nilai AIC minimum. Namun demikian,
dengan pertimbangan aspek lain, perbedaan AIC yang tidak terlalu 261 dari 490
besar mungkin dapat diabaikan. Untuk pembahasan lebih mendalam

tentang AIC dapat dilihat pada Akaike [1], Chamber & Hastie [5] dan Cari Halaman
Venables & Ripley [47] serta Hjorth [15].
Pada R, model terbaik menggunakan AIC diperoleh dengan mem-
Kembali
berikan perintah step(objel.lm). Pada contoh berikut ditunjukkan
bahwa pada regresi
Layar Penuh
Y = β0 + β1 X1 + β2 X2 + β3 X3 + β4 X4
Tutup
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:
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
Residual standard error: 2.098 on 20 degrees of freedom Cari Halaman

Multiple R-Squared: 0.9919, Adjusted R-squared: 0.9903
F-statistic: 613.9 on 4 and 20 DF, p-value: < 2.2e-16
Kembali
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
Step: AIC= 39.59

y ~ x1 + x3 + x4 JJ J I II
Df Sum of Sq RSS AIC
<none> 88.5 39.6 263 dari 490
- x4 1 13.2 101.6 41.1
- x1 1 2205.1 2293.5 119.0
- x3 1 7494.7 7583.2 148.9 Cari Halaman
Call:
lm(formula = y ~ x1 + x3 + x4) Kembali
Model yang disarankan adalah

Layar Penuh
Y = β0 + β1 X1 + β3 X3 + β4 X4
Tutup
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
roni. Namun konsep yang mendasari masih diluar lingkup pemba-

hasan buku ini. Judul
JJ J I II
264 dari 490
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
biasanya adalah dengan mentransformasikan data dengan suatu fungsi

yang sesuai. Selanjutnya data hasil transformasi ini yang dianalisis Judul
dengan regresi klasik.
Bentuk grafik dan transformasi yang mungkin dilakukan untuk
JJ J I II
mengatasi ketidak linieran diantaranya adalah seperti berikut ini.
265 dari 490

1. Kurva naik dengan terbuka ke atas maka transformasi dilakukan
pada Y dan
√ tranformasi yang bisa dicoba adalah Y1 = log(Y )
atau Y1 = Y atau Y1 = 1/Y seperti terlihat pada Gambar 4.12 Cari Halaman
2. Kurva naik dan terbuka kebawah maka transformasi dilakukan Kembali
pada X dan√trandformasi yang bisa dicoba adalah X1 = log(X)

atau X1 = X atau X1 = 1/X seperti terlihat pada Gambar Layar Penuh
4.13
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
266 dari 490
Cari Halaman
Kembali
Gambar 4.12: Sebaran data asli (naik dan membuka ke atas) dan trans- Layar Penuh
formasi yang bisa dilakukan. Beberapa transformasi meng-

hasilkan sebaran yang mengikuti garis lurus tetapi ragam Tutup
tidak konstan
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
267 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
268 dari 490
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

tidak konstan Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
269 dari 490
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
peroleh gambaran terpenuhi tidaknya asumsi yang diperlukan;

pemeriksaan sebaran sisa sering disebut sebagai langkah mendi- Daftar Isi
agnostik model;
Judul
2. diagnostik model dapat dilakukan secara intuitif melalui grafik
(misalnya untuk melihat sebaran dapat digunakan Normal-Plot,
Boxplot, atau plot densitas); JJ J I II
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
271 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
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
272 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
1. Jelaskan penggunaan (qqplot() dan plot(density())) untuk
memeriksa distribusi data FMIPA-UNEJ
2. Jelaskan ciri-ciri ideal sebaran sisa/residu yang memenuhi asumsi

Daftar Isi
model linier normal
3. sebutkan uji statistika yang dapatdigunakan untuk menguji nor- Judul

malitas data.
4. Sebutkan transformasi yang dapat dilakukan berdasarkan ciri- JJ J I II
ciri sebarab sisa maupun data

273 dari 490
5. Sebutkan kriteria pemilihan model dengan menggunakan AIC
6. Suatu data mengandung peubah kualitatif/faktor dengan dua Cari Halaman
kategori. Dari pemeriksaan grafik respon secara keseluruhan

diperoleh gambaran bahwa data memiliki dua puncak (bimodal). Kembali
Apakah ini berarti data tidak memenuhi sebaran normal, lang-

kah apa yang perlu dilakukan? Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
274 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
BAB 5 Daftar Isi
Judul
MODEL LINIER TERGENERALISIR

JJ J I II
275 dari 490
Cari Halaman
Model Linier telah digunakan selama bertahun-tahun dalam analisis

statistika, khususnya untuk menganalisis data kontinu (data dengan Kembali
distribusi kontinu). Tehnik ini berdasarkan pada asuumsi pada dis-

tribusi normal pada komponen acaknya dan adanya hubungan linier Layar Penuh
antara nilai-tengah dengan komponen sistematik (peubah eksplana-
Tutup
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
sifat-sifatnya serta beberapa distribusi penting, baik distribusi diskrit

maupun distribusi kontinu, yang termasuk dalam kelompok keluarga Judul
eksponensial. Selanjutnya akan dibahas perluasan model (regresi) li-
nier berdasarkan distribusi keluarga eksponensial, yang dikenal de- JJ J I II
ngan sebutan Generalized Linear Model (GLM).
276 dari 490
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
bilitas (f.k.p.) f dan parameter θ dikatakan menjadi anggota distribusi

keluarga eksponensial, jika f dapat dinyatakan sebagai: JJ J I II
f (y; θ) = exp[a(y)b(θ) + c(θ) + d(y)]. (5.1)

277 dari 490
Pada (5.1) s(y) = exp(d(y)); t(θ) = exp(c(θ)). Dalam beberapa

kasus fungsi a, b, c dan d mungkin mengandung parameter lain yang Cari Halaman
disebut parameter nuisan/ gangguan Dobson [11, pages 22-23] yang

pada tidak menjadi perhatian utama dan sering dianggap sebagai pa- Kembali
rameter yang telah diketahui (tidak perlu diestimasi). 1
1
McCullagh dan Nelder dalam [24] mendefinisikan distribusi keluarga ekspo- Layar Penuh
nensial dengan parameter gangguan yang eksplisit, φ.
Tutup
Keluar
Dalam keadaan khusus a(y) = y, maka(5.1) menjadi:
f (y) = exp[yb(θ) + c(θ) + d(y)] (5.2)

FMIPA-UNEJ
dan (5.2) disebut bentuk kanonik dari distribusi keluarga eksponensial

dan b(θ) disebut parameter natural dari distribusinya. Daftar Isi
5.1.2. Nilai-tengah dan Ragam dari a(Y ) Judul
Fungsi Skor [U] E[U ] danVar[U ]

JJ J I II
Dobson [11, halaman 23-24] mendefinisikan fungsi skor dari f (y) ter-
hadap θ sebagai U = dl(y)/dθ, dengan l(y) = log f (y) = ln f (y). 278 dari 490
Perhitungan E[U ] dan Var[U ] dibutuhkan untuk menurunkan nilai-

tengah dan ragam Y atau dalam bentuk yang lebih umum, E[a(Y )] Cari Halaman
dan Var[a(Y )].
Kembali
d l(y)
U = , (5.3)
dθ
1 d f (y) Layar Penuh
= . (5.4)
f (y) d θ
Tutup
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
Persamaan (5.3) dan (5.4) juga menghasilkan:

Kembali
d f (y) d l(y) Layar Penuh

= f (y) . (5.6)
dθ dθ
Tutup
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
Nilai-tengah dan ragam distribusi keluarga eksponensial diberi-

kan dalam hasil berikut ini. Cari Halaman
Hasil 5.1. Nilai-tengah dan ragam a(Y ) yang didefinisikan seperti

Kembali
pada Definisi 5.1 mempunyai nilai-tengah dan ragam, masing-masing
c0 (θ) Layar Penuh

E[a(Y )] = − . (5.12)
b0 (θ)
Tutup
Keluar
b00 (θ)c0 (θ) − c00 (θ)b0 (θ)
Var[a(Y )] = . (5.13)
[b0 (θ)]3
Nilai-tengah dan ragam dari a(Y ) diturunkan seperti berikut

FMIPA-UNEJ
ini. Dari persamaan (5.5) dan persamaan (5.10), diperoleh bahwa
E[a(Y ))b0 (θ) + c0 (θ)] = 0, karenanya
Daftar Isi
0
c (θ)
E[a(Y )] = − .
b0 (θ) Judul
Dari persamaan (5.9) dan persamaan (5.11), dan menerapkan per-

samaan (5.12), diperoleh bahwa JJ J I II
Var[U ] = E[−U 0 ], 282 dari 490

00 00
= E [−a(Y )b (θ) − c (θ)] ,
= −E[a(Y )]b00 (θ) − c00 (θ), Cari Halaman
c0 (θ)
= − 0 b00 (θ) − c00 (θ). (5.14)
b (θ) Kembali
Tetapi dengan persamaan (5.10),

Layar Penuh
Var[U ] = [b0 (θ)]2 Var[a(Y )]. (5.15)
Tutup
Keluar
Akibatnya, persamaan (5.14) dan persamaan (5.15) menghasilkan
FMIPA-UNEJ
b00 (θ)c0 (θ) − c00 (θ)b0 (θ) Daftar Isi

Var[a(Y )] = .
[b0 (θ)]3
Judul
JJ J I II
283 dari 490
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
Distribusi Binomial juga termasuk anggota keluarga eksponensial. Dis-

tribusi Binomial dengan parameter n, p mempunyai fungsi kepadatan FMIPA-UNEJ

n y
f (y) = p (1 − p)n−y ; y = 0, 1, 2, . . . , n
y Daftar Isi

n
= exp y log p + (n − y) log(1 − p) + log
y Judul

p n
= exp y log + n log(1 − p) + log
1−p y JJ J I II

n
= exp ylogit p + n log(1 − p) + log
y 284 dari 490
Dengan
p Cari Halaman
logit p = log
1−p
Jadi b(θ) = logit p; c(θ) = n log(1 − p). Dengan mencari turunan Kembali
pertama dan kedua masing-masing b(θ) dan c(θ) diperoleh

Layar Penuh
E(Y ) = np dan V ar(Y ) = np(1 − p)
Tutup
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
Distribusi Poisson dengan Parameter θ. Judul
Peubah acak Y yang berdistribusi Poisson mempunyai fungsi kepa- JJ J I II

datan probabilitas
285 dari 490
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
Pada persamaan (5.17) b(θ) = θ/σ 2 , d(y) = y 2 /(2σ 2 ) dan c(θ) =

JJ J I II
−θ2 /(2σ 2 ) − 21 log(2πσ 2 ). Di sini σ adalah parameter nuisan. Jadi,
E[Y ] = θ dan Var[Y ] = σ 2 .
286 dari 490
Distribusi Gamma dengan parameters θ dan skala φ.

Cari Halaman
Peubah acak Y yang berdistribusi Gamma mempunyai fungsi kepa-
datan probabilitas
Kembali
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 Binomial Negatif

287 dari 490
Distribusi Invers Gauss [24, page 22] dan [11, page 34]
Rangkuman beberapa distribusi khusus diberikan pada Tabel Cari Halaman
5.1. Karakteristik lain masing-masing distribusi anggota keluarga eks-

ponensial yang penting dapat diragkum pada Tabel 5.2. Kembali
Sebagai ilustrasi pada Gambar 5.1 ditunjukkan densitas data de-

ngan distribusi Normal Standar dan Gamma Standar dengan berba- Layar Penuh
gai nilai-tengah/mean. Gambar menunjukkan bahwa untuk distribusi
Tutup
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
µ(θ) = E(Y ; θ) θ exp(θ) −1/θ

link kanonik logit identitas log resiprokal Judul
θ = η = logit µ θ=η=µ θ = η = log µ θ = η = 1/µ

JJ J I II
Gamma seiring dengan kenaikan nilai-tengah, ragam ikut meningkat, 288 dari 490
sedangkan untuk distribusi normal, ragamnya konstan. Pada Gambar

5.2 ditunjukkan sebaran data dengan hubungan antara X dan Y yang Cari Halaman
sama tetapi yang satu berdistribusi Normal yang satu berdistribusi
Gamma. Terlihat untuk sebaran data Gamma, selain sebarannya lebih
Kembali
lebar dari sebaran normal, semakin ke kanan semakin lebar sebaran
data.
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
289 dari 490
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
290 dari 490
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
Tabel 5.2: Ciri-ciri khas Distribusi Keluarga Eksponensial Daftar Isi

No Nama Jenis Ruang Hubungan lain-
Rentang Ragam lain
Judul
dan Nilai-
tengah
1 Binomial diskrit 0, 1, 2, · · · , n linier simetrik JJ J I II
2 Poisson diskrit 0, 1, 2, · · · linier tidak
simetrk 291 dari 490
3 Gamma kontinue 0 < x < ∞ kuadratik tidak
simetrik
Cari Halaman
4 Normal kontinue −∞ < x < ∞ bebas simetrik
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
stan, yaitu Yi ∼ NID ( xi T β, σ 2 ), dengan xi T adalah peubah

eksplanatori untuk Yi dan sama dengan baris ke-i dari matriks Layar Penuh
X.
Tutup
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
Model linier persamaan (5.19) dengan asumsi di atas sering disebut

Judul
Model Linier Klasik. Model ini telah dibahas pada bab sebelumnya.
JJ J I II
5.2.2. Generalisasi Model Linier Klasik ke Model Linier Ter-
generalisir 293 dari 490
Dalam Model Linier Tergeneralisir (MLT) atau Generalized Lin-

Cari Halaman
ear Models (GLM), asumsi model lebih longgar dan digeneralisasikan
dengan cara berikut:
Kembali
(i) Asumsi (i) diperluas untuk memungkinkan Yi mempunyai dis-

tribusi yang sama dan saling bebas dari distribusi keluarga Layar Penuh
eksponensial.
Tutup
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:
1. komponen distribusi, yaitu y berdistribusi keluarga eksponen- Judul
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
fungsi yang bisa dipakai adalah:
(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
(iii) komplementari ln-ln, yaitu

Layar Penuh
η = log[− log(1 − µ)].
Tutup
Keluar
Logit/Probit
1.0
FMIPA-UNEJ
0.8
Daftar Isi
0.6
Judul
Peluang
0.4
JJ J I II
0.2
296 dari 490

0.0
−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
yai link kanonik identitas dan log. Rangkuman distribusi keluarga

eksponensial termasuk fungsi link kanonik untuk tiap-tiap distribusi Judul
dapat dilihat pada Tabel 5.1 pada buku ini (Lihat juga McCullagh &
Nelder [24, hal. 23]). Rangkuman distribusi dan fungsi link kanonik JJ J I II
dan link lain yang dapat dipergunakan, pada program R akan dibahas
pada seksi 5.7 pada halaman 326.
297 dari 490
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
terkecil dan metode likelihood maksimum.

Daftar Isi
1. Metode kuadrat terkecil dalam mengestimasi parameter berkai-

tan dengan mencari nilai yang sedekat mungkin dengan nilai Judul
harapannya[2, section 4.9]. Hal ini biasanya dilakukan dengan
meminimalkan jumlah kuadrat kesalahan (galat). Metode ini JJ J I II
sering disebut metode kuadrat terkecil. Sebagai contoh, mi-
salkan mencari penduga dari parameter β dari model persamaan
298 dari 490
(5.19), dari Model Linier Normal. Langkah-langkah yang bisa
ditempuh, secara umum adalah
Cari Halaman
(a) Mula-mula model persamaan (5.19) disusun seperti

Kembali
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
2. Metode likelihood maksimum likelihood digunakan khususnya

jika distribusi peubah acaknya diasumsian diketahui [6, Subbab Daftar Isi
9.2]. Penduga likelihood maksimum (p.l.m.) dari suatu param-

eter θ biasanya dinotasikan dengan θ̂ dan didefinisikan sebagai Judul
nilai dari ruang rentang parameter (misalnya Ω) yang memaksi-
mumkan fungsi likelihood L(y, θ), yaitu: JJ J I II
θ̂ ∈ Ω adalah p.l.m jika dan hanya jika L(θ̂) ≥ L(θ), ∀ θ ∈ Ω.

300 dari 490
Penghitungan θ̂ dapat dilakukan dalam beberapa langkah ber-

ikut: Cari Halaman
(i) Langkah pertama adalah menentukan fungsi dari data y. Kembali
Ini merupakan fungsi kepadatan bersama dari y, hanya saja

dalam hal ini yang menjadi peubah yang tidak diketahui Layar Penuh
adalah parameter θ, sedangkan y adalah data yang dike-
Tutup
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
Dengan demikian bentuk lengkap iterasi Newton Raphson dengan

Metode Kuadrat Terkecil Terbobot Weighted Least Square adalah Judul
"
T #−1 " T #
∂µ ∂µ ∂µ
b1 = b0 + XT V−1 X XT V−1 (y − µ) , JJ J I II
∂η ∂η ∂η
(5.21)
dengan g(µ) = Xβ. 303 dari 490
5.3.2. Metode Penduga Likelihood Maksimum Cari Halaman
Penduga likelihood maksimum untuk model linier tergeneralisir dapat

Kembali
diturunkan sebagai berikut (lihat [11, Lampiran 1]):
n
X n
X n
X n
X
Layar Penuh
l(y) = yi b(θi ) + c(θi ) + c(θi ) + d(yi ), (5.22)
i=1 i=1 i=1 i=1
Tutup
Keluar
dengan
c0 (θi )
E[Yi ] = µi = − berdasarkan persamaan (5.12), (5.23)
b0 (θi ) FMIPA-UNEJ
and Daftar Isi

p
X
g(µi ) = xT
i β = xij βj = ηi . (5.24)
j=1 Judul
Untuk memperoleh β̂, kita gunakan persamaan:

JJ J I II
n
X ∂li
Uj = , 304 dari 490
i=1
∂βj
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
Dari persamaan (5.23), kita peroleh

00 Judul
c (θi )b0 (θi ) − b00 (θi )c0 (θi )

∂µi
= ,
∂θi [b0 (θi )]2
JJ J I II
= b0 (θi )Var[Yi ] berdasar persamaan (5.13).
Oleh karena itu, 305 dari 490
∂θi 1
= 0 . (5.27)
∂µi b (θi ) Var[Yi ]
Cari Halaman
Sekarang
∂µi ∂µi ∂ηi
= ,
∂βj ∂ηi ∂βj Kembali
dan dari persamaan (5.24) kita peroleh

∂ηi Layar Penuh
= xij ,
∂βj
Tutup
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
adalah matriks turunan kedua dari fungsi likelihood l yang dinilai

pada β = b(m−1) . Pada prakteknya digunakan metode alternatif dise- Judul
but metode skoring. Dalam metode skoring ini matriks persamaan

(5.32) diganti dengan suatu matriks nilai harapan JJ J I II
∂ 2l

E .
∂βj ∂βk 307 dari 490
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
b(m) = b(m−1) + [I (m−1) ]−1 U(m−1) . FMIPA-UNEJ
Dengan mengalikan (perkalian kiri) kedua ruas dengan I (m−1) akan

menghasilkan Daftar Isi
I (m−1) b(m) = I (m−1) b(m−1) + U(m−1) . (5.34)

Judul
Dari persamaan (5.30) dan persamaan (5.33) dan mengetahui bahwa

E[Yi − µi ]2 = Var[Yi ], dapat dilihat bahwa unsur (j, k) dari I adalah JJ J I II
n 2
X xij xik ∂µi
Ijk = . (5.35)
i=1
Var[Yi ] ∂ηi 308 dari 490
Persamaan persamaan (5.35) menunjukkan bahwa I dapat dinyatakan

Cari Halaman
sebagai
I = XT W,
Kembali
dengan W adalah matriks diagonal N × N dengan unsur-unsur:
2
1 ∂µi Layar Penuh
wii = . (5.36)
Var[Yi ] ∂ηi
Tutup
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
dapat diunjukkan bahwa ruas kanan dari persamaan persamaan (5.34)

adalah suatu vektor dengan unsur-unsur berbentuk: Judul
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
yang sama dengan 310 dari 490

p
n X n −1
X (m−1)
X ∂µi
xij wii xik bk + xij wii (yi − µi ) .
i=1 k=1 i=1
∂ηi Cari Halaman
Ini berarti bahwa id dapat dinyatakan sebagai XT Wz dengan unsur-

Kembali
unsur vektor z adalah berbentuk:
p −1
X (m−1) ∂µi
zi = xik bk + (yi − µi ) , Layar Penuh
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
311 dari 490
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.
(i) Untuk N besar, berdasar Teorema limit pusat: Judul
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
– invers dari matriks ragam - koragam V jika V adalah non- FMIPA-UNEJ

singular.
Daftar Isi
Untuk MLT dengan p parameter dan skore terhadap βj = U ,
maka kita memiliki: Judul
∂l
Uj = j = 1, 2, 3, · · · , p, JJ J I II
∂βj
313 dari 490

E[Uj ] = 0 [lihat persamaan (5.5)],
dengan matriks ragam - koragam I=E[UUT ]. Jadi analog dengan Cari Halaman
persamaan (5.40) setidaknya secara asimtotik:

Kembali
U ∼ N (0, I) or UT I −1 U ∼ χ2p , (5.41)
Layar Penuh
dengan asumsi I adalah nonsingular Dobson [11].
Tutup
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:
U(β) ≈ U (b) − I(β − b). (5.43) FMIPA-UNEJ
Tetapi, b adalah maksimum dari l, akibatnya U (b)=0. Oleh

Daftar Isi
karena itu persamaan (5.43) menjadi
U(β) ≈ −I(β − b) Judul
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
lalu menerapkan bahwa E[U]=0, dapat disimpilkan bahwa E[b] = β.

Akibatnya secara asimtotik b adalah takbias. Lebih lanjut, matriks Cari Halaman
ragam - koragam dari b − β (sebut saja, V ) dapat dihitung sebagai

berikut: Kembali
E[(b − β)(b − β)T ] = E[I −1 U(I −1 U)T ],

Layar Penuh
= E[I −1 UUT I −1 ],
Tutup
Keluar
Karena I adalah konstan dan simetrik, maka
E[(b − β)(b − β)T ] = I −1 E[UUT ]I −1

FMIPA-UNEJ
= I −1 II −1 = I −1 . (5.45)
Oleh karena itu Daftar Isi
(b − β)T I(b − β) ≈ χ2p . (5.46)

Judul
Statistik persamaan (5.46) disebut statistik Wald. Statistik ini ekuiv-

alen dengan (b − β) ∼ N (0, I −1 ), yang membawa konsekuensi bahwa, JJ J I II
secara asimtotik, untuk N besar:
316 dari 490
(i) standar kesalahan (s.k.) dari penduga masing-masing bj adalah
√
s.k.(bj ) = vjj , Cari Halaman
dengan vjj adalah unsur ke-(j, j) dari I −1 ;

Kembali
(ii) interval keyakinan dua sisi (1 − α) × 100% untuk βj adalah

Layar Penuh
√
bj ± zα/2 vjj ,
Tutup
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
(iii) korelasi antara penduga adalah:

vjk Judul
corr(bj bk ) = √ √ .
vjj vkk
JJ J I II
5.4.2. Kecocokan Model
Kecocokan model ditentukan dengan membandingkan model yang di- 317 dari 490
ajukan dengan model lengkap atau model maksimal maximal model/

saturated model. Model maksimal didefinisikan sebagai: Cari Halaman
(i) GLM/LMT yang mempunyai distribusi yang sama dengan mo-

Kembali
del yang diajukan;
(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
Untuk menguji kecocokan model, dipergunakan statistik perbandin-

gan likelihood: Daftar Isi
L(bmax ; y)
λ= ,
L(b; y)
Judul
atau
log λ = l(bmax ; y) − l(b; y). (5.47)
JJ J I II
Distribusi dari persamaan (5.47) dapat diturunkan dengan menggu-
nakan pendekatan Taylor ordo dua dari likelihood l ada titik penduga
318 dari 490
β̂ = b.
l(β; y) = l(b; y) + (β − b)U(b) + 21 (β − b)T H(b)(β − b). (5.48) Cari Halaman
Dengan argumen analog dengan persamaan (5.43), persamaan Kembali

(5.48) dapat disederhanakan menjadi:
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
Devian dan Distribusinya

Judul
Statistik pada persamaan (5.47) dapat dimodifikasi dengan cara ber-
ikut sehingga pendekatan distribusinya dapat dikenali.
JJ J I II
D = 2 log λ = 2[l(bmax ; y) − l(b; y)]. (5.51)
D disebut devian (the deviance). Persamaan persamaan (5.51) dapat 319 dari 490
disusun lagi menjadi:

Cari Halaman
D = 2[l(bmax ; y) − l(βmax ; y) (5.52a)
−(l(b; y) − l(β; y)) (5.52b)
Kembali
+(l(βmax ; y) − l(β; y))]. (5.52c)
Berdasar persamaan (5.50), bagian pertama dari ruas kanan, Layar Penuh
persamaan, (5.52a) berdistribusi χ2n karena memiliki N parameter.
Tutup
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)
Berdasar persamaan (5.51) bagian pertama dari persamaan (5.53b) Kembali
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
321 dari 490
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
Linier dengan distribusi Binomial dan fungsi fungsi hubungan probit

dan logit biasa disebut regresi logistik atau lebih spesifik regresi pro- Daftar Isi
bit dan logit. Yang termasuk dalam regresi ini adalah regresi biner
(dengan respon Y hanya dua kategori, misalnya 0-1, lulus-tidak lulus,
Judul
sukses(S)-gagal(G) dan sebagainya; atau respon dengan k kategori).
Untuk respon biner yang diukur adalah rasio peluang sukses dan tidak
JJ J I II
sukses, yang biasa disebut odd. Log odd ini dianggap bergantung se-
cara linier pada beberapa veriabel penjelas.
322 dari 490
p
P (Yi = S) X
logit(Yi = S) = log = βj Xij
P (Yi = G) j=0 Cari Halaman
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
del Tabel 5.32 ).

Apabila respon bukan merupakan respon biner, tetapi meru- Judul
pakan respon hasil pencacahan (count data), dengan jumlah maksi-
mum yang tidak bisa ditentukan, maka distribusi yang paling cocok JJ J I II
dengan respon ini adalah distribusi Poisson dengan fungsi hubungan
log. Model ini lebih dikenal dengan model atau regresi Log-linier.
323 dari 490
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
wajaran hubungan antara rerata dengan variansinya. Sebagai contoh

(i) untuk sebaran Poisson, secara umum besarnya rerata dan vari- Daftar Isi
ansi dari sebaran Poisson adalah sama, sedangkan (ii) untuk sebaran
Binomial, besarnya variansi dinyatakan dengan np(1 − p). Sering ter-
Judul
jadi kita menghadapi data dengan besarnya dispersi jauh melebihi
besarnya rerata. Kondisi ini disebut dispersi berlebih overdispersion.
JJ J I II
Salah satu indikasi adanya dispersi berlebih ini adalah besarnya sisaan
deviansi jauh melebihi besarnya derajat kebebasannya [8].
325 dari 490
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
paket RCommander. Pemeriksaan asumsi dapat dilihat dari grafik

diagnostik mendasar sedangkan pemilihan model terbaik dapat di- Daftar Isi
lakukan dengan memeriksa nilai AIC dari model yang dicoba.
Pengaktifan menu glm pada RCommander dilakukan dengan Judul
statistics => models => Generalized Linear Model

JJ J I II
Sedangkan dengan menggunakan skrip, fungsi glm() dapat di-
pangil dengan mengunakan format berikut: 326 dari 490
glm(formula, family = (link=), data, x = FALSE,

y = TRUE, contrasts =, ...) Cari Halaman
1. formula. Seperti umumnya pada model linier, formula berben- Kembali
tuk y x1+x2 ....Pada dasarnya penulisan yang berlaku pada

fungsi lm(), misalnya penulisan formula untuk peubah faktor Layar Penuh
(kualitatif), juga berlaku pada fungsi glm ().
Tutup
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
3. Objek glm. ADa beberapainformasi yang dapat diekstrak terkait

dengan objek yang dihasilkan melalui analisis glm, di antaranya: 327 dari 490
(a) coef(objek) untuk mengekstrak koefisien regresi β̂.

Cari Halaman
(b) deviance(objek) untuk mengekstrak jumlah kuadrat sisa.
(c) formula(objek) untuk mengekstrak rumusan model yang Kembali
dipergunakan
(d) plot(objek) untuk menghasilkan grafik yaitu seperti gra- Layar Penuh
fik sisa, grafik fitted value dan beberapa disgnostik.
Tutup
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
[16] "df.residual" "df.null" "y"

[19] "converged" "boundary" "model" Kembali
[22] "call" "formula" "terms"

[25] "data" "offset" "control" Layar Penuh
[28] "method" "contrasts" "xlevels"
Tutup
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
Tabel 5.4: Distribusi dan Link pada R

Daftar Isi
family(link) binomial Poisson normal Gamma

logit K × × × Judul
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
Keterangan K: fungsi hubungan kanonik; X: fungsi yang dimungkinkan; ×

fungsi yang tidak bisa dilakukan. Kembali
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
1. Data dalam bentuk tabel kontingensi yang menunjukkan ba- JJ J I II

nyaknya subjek dalam Sukses dan Gagal.
330 dari 490
2. Data dengan respon yang langsung terkategori Sukses atau Ga-
gal.
Cari Halaman
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
Tabel 5.5: Jumlah Kelulusan dalam Berbagai Kelompok Perlakuan

JJ J I II
Perlakuan
J. Kelamin P1 P2 P3 P4 P5 P6 P7 P8
331 dari 490
L 1 4 9 13 18 20 24 27
P 0 2 6 10 12 16 18 20
Cari Halaman
Jumlah peserta masing-masing kelompok adalah 30.
Selanjutnya data kelulusan dan kegagalan dikelompokkan men- Kembali
jadi 1 matriks respon berordo 16× 2 (cbind(Lulus, Gagal). Analisis

data selanjutnya dilakukan dengan Layar Penuh
resp<-cbind(Lulus, Gagal)
Tutup
Keluar
FMIPA-UNEJ
Tabel 5.6: Format Data R Jumlah Kelulusan dan Kegagalan

Daftar Isi
J. Kelamin Perlakuan Lulus Gagal
L P1 1 29
Judul
L P2 4 26
L P3 9 21
JJ J I II
... ... ... ...
L P8 27 3
P P1 0 30 332 dari 490
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
(Intercept) -3.07944 0.41892 -7.351 1.97e-13 ***

J.Kelamin[T.P] -0.13465 0.60694 -0.222 0.824 Daftar Isi
Perlakuan 0.66177 0.08431 7.850 4.17e-15 ***
J.Kelamin[T.P]:Perl -0.13109 0.11526 -1.137 0.255
Judul
---
Significant code `***' 0.001 `**' 0.01 `*' 0.05 `.' 0.1 ` ' 1 JJ J I II
(Dispersion parameter for binomial family taken to be 1) 333 dari 490
Null deviance: 170.5715 on 15 degrees of freedom

Cari Halaman
Residual deviance: 9.3193 on 12 degrees of freedom
AIC: 68.881
Kembali
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
dispersi berlebih karena besarnya Residual devians= 9,13 lebih ke-

cil dari derajat kebebasdannya (12). Judul
Ada kalanya kita dihadapkan pada data yang setiap subjeknya
sudah dikategorikan sebagai kondisi Sukses atau Gagal. Misalnya JJ J I II
muncul tidaknya gejala suatu penyakit pada individu. Dalam jenis
data ini respon sudah dalam kategori biner, misalnya Sukses atau Ga-
334 dari 490
gal, ada atau tidak tidak ada gejala. Berikut adalah Contoh dari
data klasik yang ada pada R yaitu kyphosis. Data ini berisi tentang
Cari Halaman
muncul tidaknya penyakit kyphosis pada anak yang pernah mengalami
operasi. Untuk mengaktifkan data tersebut dapat dilakukan perintah
berikut: Kembali
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
Median : 87.00 Median : 4.000 Median :13.00

Mean : 83.65 Mean : 4.049 Mean :11.49 JJ J I II
3rd Qu.:130.00 3rd Qu.: 5.000 3rd Qu.:16.00
Max. :206.00 Max. :10.000 Max. :18.00 336 dari 490
Cari Halaman
call:
glm(formula = Kyphosis ~ Age + Number + Start, family = binomial(logit),
Kembali
data = kyphosis)
Deviance Residuals: Layar Penuh

Tutup
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
Number 0.410601 0.224861 1.826 0.06785 .

Start -0.206510 0.067699 -3.050 0.00229 ** Judul
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1 JJ J I II
(Dispersion parameter for binomial family taken to be 1)

337 dari 490

Cari Halaman
AIC: 69.38
Kembali
Number of Fisher Scoring iterations: 5

Layar Penuh
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
maupun tingkat tekanan. Model ini mempunyai nilai AIC 497,36

Cari Halaman
glm(formula = breaks ~ wool + tension,
family = poisson(link = identity), data = warpbreaks)
Kembali
Deviance Residuals:
Min 1Q Median 3Q Max Layar Penuh
-3.8266 -1.5822 -0.4776 1.1656 4.5603
Tutup
Keluar
Coefficients:
(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
(Dispersion parameter for poisson family taken to be 1) JJ J I II

339 dari 490
AIC: 497.36
Cari Halaman
Distribusi Poisson dengan hubungan log

Kembali
Model ini juga menunjukkan beda signifikan antara jumlah kerusakan

dilihat dari jenis wool dan tingkattekanan, tetapi model ini memi- Layar Penuh
liki AIC yang sedikit lebih rendah 493,06. Ini berarti model dengan
Tutup
Keluar
hubungan log sedikit lebih baik dari pada model dengan hubungan
identitas.
glm(formula = breaks ~ wool + tension, FMIPA-UNEJ
family = poisson(link = log), data = warpbreaks)

Daftar Isi
Deviance Residuals:
Judul
-3.6871 -1.6503 -0.4269 1.1902 4.2616
Coefficients: JJ J I II
(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
(Dispersion parameter for poisson family taken to be 1) Layar Penuh
Tutup
Keluar
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
respon dan variabel lainnya sebagai veriabel penjelas dengan menggu-

nakan fungsi hubungan logit. Kita dapat mulai dengan model yang Cari Halaman
agak lengkap dan selanjutnya memerintahkan R untuk menghitung
model terbaik dengan kriteria AIC.
Kembali
glm(formula = Kyphosis ~ Age + Number + Start,

family = binomial(link = logit), data = kyphosis) Layar Penuh
Tutup
Keluar
Coefficients:
(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
(Dispersion parameter for binomial family taken to be 1)

JJ J I II
342 dari 490
AIC: 69.38
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
na.action = na.pass, ...)

JJ J I II
Tipe yang merupakan default adalah ”link”, yaitu R menghi-
xij βˆj . Pada contoh di atas diperoleh
P
tung hasil kombinasi linier 343 dari 490
βˆj masing-masing adalah (-2,036934, 0,010930; 0.410601;-0,206510),
sehingga untuk x1 = 70, x2 = 3, x3 = 10 diperoleh η = −2, 105097.
Cari Halaman
Untuk prediksi respon yang ditafsirkan sebagai peluang munculnya
kyphosis ketika Age=70, Number=3, Start=10, diperoleh dengan memilih
Kembali
type=”response” yang menghasilkan 0,1086024.
> predict(glm2,data.frame(Age=70,Number=3,Start=10) Layar Penuh

[1] -2.105097
Tutup
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
344 dari 490
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
ial, Poisson, Normal, Gamma) menjadi satu kesatuan distribusi.

Daftar Isi
2. Masing-masing sebaran anggota keluarga eksponensial memiliki
ciri khas dilihat dari ruang rentang (diskrit kontinu, terbatas tak
Judul
terbatas), dan hubungan nilai-tengah dengan ragamnya (bebas,
linier atau kuadratik).
JJ J I II
3. Ada tida komponen penting model linier tergeneralisir yaitu: (i)
komponen respon dengan sebaranpada anggota keluarga ekspo- 345 dari 490
nensial, (ii) ada komponen kombinasi linier antara peubah pen-
jelas dengan parameter regresi, dan (iii) ada fungsi (kontinu dan
Cari Halaman
diferensiabel) yang menghubungkan antara nilai tengah dengan
kombinasi linier tadi.
Kembali
4. Beberapa bentuk khusus regresi yang termasuk model linierter-

generalisir diantaranya adalah regresi logistik (logit, probit de- Layar Penuh
ngan respon bersebaran Binomial), regresi log-linier (dengan re-
Tutup
Keluar
spon bersebaran Poisson).
5. Pemilihan model terbaik dapat dilakukan dengan melihat nilai

AIC. FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
346 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
Referensi yang biasa dijadikan acuan utama mempelajari model linier
tergeneralisir ini adalah McCullagh dan Nelder [24], sedangkan seba- FMIPA-UNEJ
gai pemula dapat menggunakan pengantar yang ditulis oleh Dobson

[11]. Khusus hubungannya dengan paket Splus atau R dapat dibaca Daftar Isi
referensi Chamber & Hastie [5], Ripley & Venables [47]
Judul
JJ J I II
347 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
1. Tuliskan bentuk umum sebaran keluarga eksponensial. Jelaskan
kaitannya dengan beberapa bentuk khusus seperti Binomial, Pois- FMIPA-UNEJ
son, Normal dan Gamma.

Daftar Isi
2. Sebutkan ciri-ciri khas dari sebaran Binomial,Poisson, Normal
dan Gamma dilihat dari ruang rentang, fungsi ragam dan link
kanonik. Judul
3. Jelaskan manfaatdan fungsi dari fungsi link pada model linier

JJ J I II
tergeneralisir (kaitkan dengan skala peubah penjelas dan peubah
respon).
348 dari 490
4. Jelaskan apa yang dimaksud dengan regresi logistik dan log-

linier. Cari Halaman
5. Suatu data dianalisis dengan model linier tergeneralisir dengan

sebaran Poisson dan fungsi link log. Dari hasil analisi diperoleh Kembali
βˆ0 , βˆ1 dan βˆ2 . Tuliskan bentuk model (persamaan regresi) yang
diperoleh. Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
BAB 6 Daftar Isi
Judul
MODEL UNTUK RESPON TIDAK SALING

JJ J I II
BEBAS
349 dari 490
Cari Halaman
Pada Bab 5 telah didiskusikan perluasan model linier untuk data Kembali
yang berdistribusi Keluarga Eksponensial dimana distribusi Normal

merupakan salah satu bentuk khususnya. Dalam perluasan tersebut Layar Penuh
distribusi galat (error) masih saling bebas, hanya saja tidak harus
Tutup
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
1. subjek penelitian mendapat beberapa perlakuan yang berbeda

Judul
atau memiliki beberapa respon yang berbeda, misalnya: (i) sub-
jek (sekelompok siswa) diberi beberapa tes (ujian) yang berbeda
dan skor untuk semua ujian dipeljari secara simultan; (ii) je- JJ J I II
nis benih tertentu diberi berbagai tingkat pemupukan atau per-

lakuan lainnya. 350 dari 490
2. subjek diberi satu perlakuan tetapi respon diamati pada inter-

Cari Halaman
val waktu berbeda, misalnya respon terhadap suatu perlakuan
diamati setiap 6 jam selama 24 jam;
Kembali
Respon yang dihasilkan dapat berupa: (i) hasil pengukuran yang

biasanya bersekala interval seperti skor tes, produksi pertanian; (ii) Layar Penuh
hasil pencacahan (misalnya banyaknya salah sambung pada hubungan
Tutup
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
belum banyak diimplemantasikan pada paket komputer. R sebagai

open source termasuk salah satu diantara sedikit paket yang telah Layar Penuh
mengimplementasikannya. Ada dua paket fungsi yang mengimple-
Tutup
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
352 dari 490
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
2. dapat menjelaskan beda dan generalisasi dari model linier klasik,

tergeneralisir (GLM), dan GEE; Judul
3. dapat menganaisis dan menginterpretasikan hasil menggunakan

GEE JJ J I II
353 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
Materi
1. Model marjinal
FMIPA-UNEJ
2. Quasi-likelihood dan GEE
3. Generalisasi dan bentuk GEE Daftar Isi
Judul
JJ J I II
354 dari 490
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
diberikan oleh McCullagh & Nelder [24]. Jika Yi tidak berdistribusi

normal, maka pada persamaan di atas terjadi perubahan asumsi yaitu: Cari Halaman
1. hubungan yang ada antara ekspektasi/rataan dan prediktor li-

nier adalah Kembali
g(µ) = η
dengan g(.) adalah fungsi monoton dan diferensiabel yang dise- Layar Penuh
but fungsi link;
Tutup
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
tengah dan ragam pada distribusi Poisson.

JJ J I II
Apabila data yang tidak berdistribusi normal tersebut juga tidak
saling bebas, dengan kata lain Yi bukanlah respon tunggal tetapi meru-
356 dari 490
pakan vektor respon, yi = (Yi1 , Yi2 , Yij Yit )T . Diggle et al. [10] men-
guraikan beberapa metode analisis utuk jenis respon ini, salah satu
diantaranya, yang banyak digunakan adalah model marjinal. Dalam Cari Halaman
sebuah model marjinal, regresi dari respon terhadap peubah eksplana-

tori dimodelkan secara terpisah dengan korelasi dalam unit/subjeknya. Kembali
Dalam regresi tersebut, ekspektasi marjinal E(Yij ) dimodel sebagai

fungsi dari peubah bebas atau peubah eksplanatori (X). Ekspektasi Layar Penuh
marjinal adalah rata- rata respon dari subpopulasi yang memiliki pe-
Tutup
Keluar
ubah eksplanatori yang sama. Model marjinal secara khusus memiliki
asumsi berikut.
1. Ekspektasi marjinal, E(Yij ) = µij , bergantung pada vektor pe- FMIPA-UNEJ
ubah eksplanatori xij dengan hubungan g(µij ) = xij β, dengan

g(.) adalah fungsi link yang diketahui seperti misalnya logit un- Daftar Isi
tuk respon binomial, dan β adalah vektor parameter yang akan
diduga;
Judul
2. Ragam marjinal tergantung pada rataan atau ekspektasi marji-

nal menurut hubungan V ar(Yij ) = φv(µij ), dengan v(.) adalah JJ J I II
fungsi ragam yang diketahui dan φ adalah parameter skala yang
mungkin perlu diduga juga 357 dari 490
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
358 dari 490
dibandingkan dengan menganalis rata-rata respon. Dengan kata lain

menganalisis profil lebih tepat dari pada menganalisis rata-rata. Sub- Cari Halaman
jek mungkin memiliki rata-rata saa tetapi profilnya berbeda. Secara

keseluruhan respon Y bukanlah sekedar vektor data tetapi matriks Kembali
data. Pada matriks data tersebut yj menunjukkan vektor data untuk

pengamatan ke-j. Sedangkan yij menunjukkan respon untuk subjek Layar Penuh
ke-i pada pengamatan ke-jMasing-masing subjek penelitian memiliki
Tutup
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
359 dari 490
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
dievaluasi dan dimaksimumkan. Metode yang menganalisis data yang

tidak berdistribusi normal tetapi masih saling bebas disebut GLM. Judul
Untuk data yang tidak saling bebas, dengan model marjinal, kita
hanya menentukan bentuk nilai-tengah (sebagai momen pertama) dan
JJ J I II
matriks ragam - koragam (sebagai momen kedua). Untuk distribusi
normal, kedua momen ini telah cukup menentukan fungsi likelihood-
360 dari 490
nya, namun tidak demikian halnya dengan distribusi lainnya seperti
distribusi binomial, poisson dan gamma, misalnya. Untuk mengetahui
keseluruhan likelihood diperlukan asumsi-asumsi lainnya. Meskipun Cari Halaman
dengan asumsi-asumsi tambahan, likelihood seringkali tetap sulit di-

tentukan dan melibatkan banyak paremeter gangguan (nuisance) se- Kembali
lain parameter regresi (β) dan parameter korelasi (misalnya,α) yang

harus diduga. Untuk alasan ini, pendekatan yang relatif mudah di- Layar Penuh
pahami dan masuk akal dalam mengatasi kesulitan ini adalah dengan
Tutup
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
tuk dijadikan acuan, cukup beralasan untuk menduga/ mengestimasi

dengan menyelesaikan sebuah analogi multivariat dari metode quasi- Judul
score yang diperkenalkan Wedderburn [51], yaitu:
n T
X ∂µi JJ J I II
S(β) = V ar (Yi )−1 (Yi − µi ) = 0 (6.2)
i=1
∂β
361 dari 490
Karena secara umum berlaku g(µij ) = xi β , maka melalui fungsi
hungungan (link function) akan langsung dapat dicari turunan g(.)
Cari Halaman
terhadap η dan karenanya persamaan (6.2) dapat dimodifikasi menjadi
n T
X ∂µi
S(β) = Xi T
V ar (Yi )−1 (Yi − µi ) = 0 (6.3) Kembali
i=1
∂η i
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
362 dari 490
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
1. Dalam NLM dan GLM respon Yi , ekspektasi E(Yi ) = µi meru-

Judul
pakan variabel univariat, sedangkan dalam GEE mereka berupa
vektor yang berhubungan dengan subjek ke-i, sebagai konseku-
JJ J I II
ensinya maka model (3.1) harus digeneralisasi dengan memper-
timbangkan jumlah untuk seluruh individu/subjek Y;
363 dari 490

∂µi
2. Dalam NLM, nilai adalah 1, pada GLM nilainya be-
∂ηi Cari Halaman
rantung pada fungsi link g(.); sedangkan dalam GEE, karena
ekspektasi dan prediktor linier dua-duanya merupakan vektor
Kembali
berukuran t, maka merupakan ia matrik
diagonal
berukuran t×t
∂µij
dengan unsur diagonalnya adalah yang nilainya riilnya
∂ηij Layar Penuh
juga masih bergantung pada fungsi link g(.) yang digunakan;
Tutup
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
364 dari 490
dengan R(α) adalah matriks korelasi yang diasumsikan, mi-

salnya struktur korelasi seragam yang biasa disebut exchage- Cari Halaman
able/uniform, model rangkaian waktu AR-1, dan lain- lain (Ken-

ward & Smith [17]). Dengan demikian secara keseluruhan V ar(Y) Kembali
untuk NLM adalah σ 2 I, untuk GLM adalah matriks diagonal de-

ngan unsur diagonal V ar(Yi ), sedangan pada GEE dia adalah Layar Penuh
matriks diagonal blok dengan blok ke-i adalah Vi . Untuk struk-
Tutup
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
korelasi serial adalah:

JJ J I II
α2 · · · αp−1
 
1 α
 α 1 α · · · αp−2 
R= ..  . 365 dari 490
 
.. .. .. ..
 . . . . . 
αp−1 αp−2 αp−3 ··· 1
Cari Halaman
Dengan mencari turunan, terhadap β, dari ruas kiri pada per- Kembali
samaan (6.3), maka diperoleh persamaan dalam bentuk iterasi

Fisher Scoring, untuk penduga β dapat dinyatakan dengan per- Layar Penuh
samaan berikut
Tutup
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
Dalam bentuk iterasi seperti persamaan (6.4), maka ragam ”bi-

Judul
asa” b, yang biasa disebut ragam naive dapat ditentukan dengan
" n #−1
X ∂µ i ∂µ i JJ J I II
Vn = Xi T [var(Yi )]−1 Xi (6.5)
i=1
∂ηi ∂ηi
366 dari 490

sedangkan ragam yang lebih tegar, biasa disebut sandwich/ ro-
bust variance diperoleh dengan menerapkan hukum bahwa untuk
matriks konstanta A, maka var(AY ) = AT var(Y )A dengan Cari Halaman
" n #−1
X
T ∂µi −1 ∂µi
A= Xi [var(Yi )] Xi Kembali
∂ηi ∂ηi
i=1
" n #
∂µi
[var(Yi )]−1
X
T
Xi Layar Penuh
∂ηi
i=1
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
367 dari 490
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
gee(formula, id, Daftar Isi

data, subset, na.action,
R = NA, b = NA, Judul
tol = 0.001, maxiter = 25,
family = gaussian, corstr = "independence",
JJ J I II
Mv = 1, silent = TRUE, contrasts = NULL,
scale.fix = FALSE, scale.value = 1, v4.4compat = FALSE)
368 dari 490
id adalah variabel yang menunjukkan terjadinya pengukuran

Cari Halaman
berulang. Selain alternatif family dan link seperti pada glm(), de-
ngan gee() juga tersedia beberapa alternatif model korelasi di an-
taranya adalah: Kembali
1. "independence" yang berarti kita mengasumsikan respon saling Layar Penuh

bebas. Jadi model ini identik dengan model glm()
Tutup
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
4. "unstructured" untuk model korelasi tanpa struktur. Model

ini juga disebut model multivariate penuh. Judul
Contoh 6.1. Pada data warpbreaks apabila dianggap bahwa fak-

tor wool yang sama mendapat tiga macam perlakuan tekanan, atau JJ J I II
faktor wool dianggap sebagai faktor acak, maka data tersebut dapat
dianalisis melalui gee() dengan wool sebagai id. Berikut adalah hasil 369 dari 490
yang diperoleh dengan menggunakan model korelasi seragam dan deret

waktu AR-1 dengan distribusi Poisson Cari Halaman
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
Coefficients: Daftar Isi

Estimate Naive S.E. Naive z Robust S.E. Robust z
(Intercept)3.5942635 0.09055356 39.692126 0.15869419 22.648992
Judul
tensionM -0.3213204 0.12808197 -2.508709 0.22270597 -1.442801
tensionH -0.5184885 0.13619100 -3.807069 0.06441329 -8.049403
JJ J I II
Estimated Scale Parameter: 4.601903
Number of Iterations: 1 370 dari 490
Koefisien korelasi model di atas adalah r = 0, 02088982. Untuk ko- Cari Halaman
relasi dengan asumsi AR-1 diperileh hasil berikut:

Model: Kembali
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
-22.415091 -8.095630 -2.695504 6.304496 33.584909
Judul
Coefficients: JJ J I II
(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

Number of Iterations: 2 Kembali
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
-55.95909 -3.67571 10.05171 24.64189 69.23206 FMIPA-UNEJ
Daftar Isi
Coefficients:
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
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
Gamma-HGLM yang menggunakan asumsi distribusi Gamma. Pada bab

ini juga diuraikan hasil-hasil matematika yang dapat diturunkan berkai- Daftar Isi
tan dengan estimasi parameter untuk model sekawan (Gamma-Inverse-
Gamma) melalui pendekatan likelihood bersama (joint likelihood) yang bi-
Judul
asa juga disebut dengan pendekatan khusus subjek (Subject Specific Model).
Secara khusus model likelihood bersama untuk model sekawan, dalam buku
ini disebut JGIG. JJ J I II
Model yang dibahas termasuk model bertingkat/hierarkis, yaitu Hi-
erarchical Generalized Linear Models dengan distribusi Gamma, yang se- 374 dari 490
lanjutnya disebut JGIG. Model ini termasuk perkembangan model terbaru
dari model linier yang mulai diperkenalkan oleh Lee & Nelder [20] (kurang
Cari Halaman
lebih satu dekade setelah diperkenalkannya GEE). Sampai saat ini, mo-
del ini belum terimplementasi ke dalam paket komputer yang banyak ber-
edar (termasuk R). Program terbatas telah ditulis dan tersedia bagi yang Kembali
berminat. Gamma-HGLM yang dibahas baru terbatas pada pendekatan

likelihood bersama yang merupakan akumulasi riset penulis sejak tahun Layar Penuh
1999.
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
Dalam HGLM, nilai-tengah bersyarat yij |Ui didefinisikan sebagai fungsi

dari efek tetap µi atau β, dan efek acak Ui , yaitu E(yi |Ui ) = ψ(µi , Ui ). Un- JJ J I II
tuk meminimalkan bias, nilai-tengah efek acak U disyaratkan sedemikian
sehingga nilai-tengah tak bersyarat E(yij ) sama dengan µij . Jadi, jika 375 dari 490
menggunakan model aditif (misalnya pada GLMM) syaratnya E(yi |Ui ) =
µi + Zi Ui = µi ,yaitu syaratnya E(Ui )=0. Jika menggunakan model multi-
Cari Halaman
plicatif syaratnya E(yi |Ui ) = µi Ui = µi , yaitu E(Ui )=1.
Pada model Gamma-HGLM yi |Ui diasumsikan berdistribusi Gamma
sedangkan Ui berdistribusi Inverse-Gamma, untuk model sekawan (lihat Kembali
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
yi = [yi1 , · · · , yij , · · · , yini ]T

FMIPA-UNEJ
merupakan vektor data berukuran ni untuk individu atau strata ke i dengan

i = 1, . . . , m. Definisi Gamma Inverse Gamma Model (GIGM), mengikuti Daftar Isi
HGLMs (Lee & Nelder [20]), seperti berikut.
1. Untuk i = 1, . . . , m, ada efek acak γi , berkaitan dengan individu atau Judul
strata ke i yang saling bebas dan berdistribusi inverse gamma dengan

likelihood JJ J I II
(α − 1)α −(α+1)

α−1
f2 (γi , α) = γ exp − , (6.6)
Γ(α) γi
376 dari 490
dan
1
E(γi ) = µγ = 1, var(γi ) = σγ2 = , dengan α > 2. (6.7) Cari Halaman
α−2
Selanjutnya ini dinotasikan γi ∼ IG(1, α).
Kembali
2. Bersyarat dengan efek acak γi , respon yij , untuk i = 1, . . . , m and j =

1, . . . , ni , mengikuti GLMs dengan distribusi gamma dan memiliki Layar Penuh
nilai-tengah µ0ij = µij γi dan parameter bentuk ν, yang berarti:
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
yang memiliki nilai-tengah bersyarat Daftar Isi
E(yij |γi ) = µ0ij = µij γi , (6.9a)

Judul
dan bersyarat
µ0ij2 µ2ij γi2 JJ J I II

var(yij |γi ) = = ; (6.9b)
ν ν
377 dari 490
(b) untuk matriks desain xij dan parameter regresi yang diketahui
β hubungan berikut berlaku
Cari Halaman
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:
yi = g −1 (Xi β + Zi vi ) + i , (6.11) FMIPA-UNEJ
dengan g(x) = ln(x) and vi = ln(γi ).

Daftar Isi
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
log(U) = v, dengan y = g −1 (Xβ + Zv) + , dengan g(x), adalah fungsi

hubungan. Matriks y adalah matriks data dan X matrix desain. Matriks Layar Penuh
ZT = [ZT T T T
1 Z2 . . . Zi . . . Zm ], dengan Zi adalah matriks ni × m dengan
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
ngan cara bergantian (alternate algorithm) dan secara simultan (simulta-

neous/multivariate algorithm) Cari Halaman
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
1. bersyarat terhadap random effect v, respon yij adalah saling inde-

penden dengan nilai-tengah µ0ij = µij ui . Ui adalah random efek/efek Daftar Isi
acak dan bila berdistribusi inverse gama biasa dinotasikann dengan

γi ; Judul
2. distribusi yij adalah gamma dengan rataan µ0ij .

JJ J I II
3. β hanya ada pada bagian likelihood bersyarat, jadi estimasi β|v atau
β|u dapat mengikuti atau prosedur GLM yang dapat dirumuskan
381 dari 490
secara umum
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
V (.) adalah fungsi ragam yang bergantung pada jenis distribusi

2 382 dari 490
yang dipakai. Untuk distribusi gamma V (µ0ij = µ0ij sehingga
menghasilkan Wi = In . Untuk distribusi
lain misalnya Poisson

dengan link-log, maka V (µ0ij = µ0ij sehingga Wi =diag µ0ij Cari Halaman
(lihat pada Dobson [11] dan McCullagh & Nelder [24]).

Kembali
Dengan demikian hasil yang diperoleh untuk Gamma-HGLM dapat diper-

luas untuk distribusi lainnya dengan sedikit melakukan modifikasi pada Layar Penuh
fungsi link dan fungsi ragamnya.
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
∂h(y, µ, v) ∂l1 (y, µ|v) ∂l2 (v, α)

di = = + . Judul
∂vi ∂vi ∂vi
Untuk i 6= i0 , vi dan vi0 adalah saling independen, maka

JJ J I II
∂h(y, µ, v) ∂l1 (y, µ|vi ) ∂l2 (vi , α)

= +
∂vi ∂vi ∂vi 383 dari 490
n 0
X ∂l1 (yij , µij |vi ) ∂l2 (vi , α)
i
= + .
∂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
µîj FMIPA-UNEJ
vî = ln(γî ) = 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
2. ulangi langkahberikut sampai konvergen

JJ J I II
(a) hitung nilai β̂ dengan prpsedur GLM;
(b) perbarui nilai v̂ dengan persamaan (6.18).
384 dari 490
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
Pada persamaan di atas Wi = diag(wij ) = = Si Vi−1 Si

yaitu ∆−1 −1 −1
i Vi ∆i
−1
Wi ∆i = Si Vi , dengan Vi matriks diagonal yang unsurnya adalah fungsi Cari Halaman
.
Turunan pertama dari likelihood bersama terhadap v, diturunkan
Kembali
dari (6.13) yang menghasilkan bentuk matriks
(m )
∂h(µ, v) −1
X
T 0 Layar Penuh
=φ Zi Wi ∆i (yi −µi ) + d , (6.22)
∂v
i=1
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
Matriks informasi bersama antara β dan v

Daftar Isi
Nilai harapan turunan kedua dari fungsi likelihood bersama terhadap v

adalah Judul
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
Jadi, matriks informasi bersama terhadap β dan v adalah I = φ−1 H

, dengan Judul
" P #
XT
P T
i W X
i i X W Z
i i
H= P T P Ti . JJ J I II
Zi W i X i Zi Wi Zi + U
Persamaan Skor untuk pendugaan β dan v 387 dari 490
Langkah ke s dari persamaan skor untuk pendugaan β dan v pada suatu

nilai ν dan α, adalah Cari Halaman
" # " # " P #

b b −1 XT
i Wi ∆i (yi − µ0 )
= +H , (6.24)

Kembali
Zi Wi ∆i (yi − µ0 ) + d
P T
v v
s s−1 s−1
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
Pendugaan parameter dispersi menggunakan likelihood yang disesuaikan

FMIPA-UNEJ
seperti disarankan oleh Cox & Reid [7], McCullagh & Tibshirani [25] dan
Lee & Nelder [20]. Penyesuaian menghasilkan h-log-likelihood yang disesu-
1
aikan untuk pendugaan ν and α pada HGLMs hA = h − ln |2πφH| = Daftar Isi
2
1 −1

h + ln 2πφH , dengan h adalah log-likelihood bersama (6.13) dan
2 Judul
−1
φH adalah matriks informasi untuk (β, v)T .
Pendugaan parameter dispersi dilakukan menggunakan metode it- JJ J I II
erasi Newton-Raphson, yaitu θ̂ s = θ̂ s−1 − H−1
θθ Dθ |s−1 , dengan θ = (ν, α)
T
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
1. Tentukan nilai awal β0 , v0 , α0 , ν0 .

Cari Halaman
2. Kondisional terhadap α0 , ν0 lakukan pendugaan β dan v.

Kembali
3. Kondisional terhadap nilai baru β dan v lakukan pendugaan ter-
hadap (α, ν).
Layar Penuh
4. Ulangi prosedur di atas sampai konvergensi global terpenuhi.
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
hglm(formula, distribusi = Gamma(link=log),

Judul
data, cluster, subset=NULL, na.action, offset,
start.coef = NULL, start.sigma = NULL,
control = glm.control(epsilon = 1e-08, maxit = JJ J I II
100, trace = FALSE), n.points = 16)
391 dari 490
formula : deskripsi simbolik dari model yang dicoba
(dinyatakan dalam bentuk y~x1+x2...)
Cari Halaman
distribusi : jenis distribusi dan fungsi link yang diasumsikan
untuk respon. Untuk sementara distribusi yang
berlaku hanya distribusi Gamma dengan fungsi Kembali
link=Log. Distribusi dan link ini sekaligus

menjadi nilai default. Layar Penuh
data : data frame yang memuat variabel yang dipanggil
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)
Hasil yang diperoleh adalah sebagai berikut. Layar Penuh

Estimator dan SE parameter tetap dengan memperhitungkan
Tutup
Keluar
efek acak
Komponen Penduga Kesalahan Nilai_t Nilai_P

baku FMIPA-UNEJ
(Intercept) 3.542547344 8.607523e-02 41.15641 0.000000e+00

age 0.001174635 8.262093e-05 14.21716 1.232348e-14 Daftar Isi
Besarnya Parameter Dispersi Respon = 0.05615005

Judul
Besarnya Parameter Dispersi Efek Acak = 2.082785

JJ J I II
Banyaknya klaster sebagai efek acak 5
dengan frekwensi dari 7 sampai 7 393 dari 490
Penduga efek acak dengan asumsi inverse gamma

Cari Halaman
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.8187 0.8764 0.9243 0.9845 1.1440 1.1590
Kembali
Sebagai perbandingan, jika analisis menggunakan gee() dengan struk-
tur korelasi seragam, diperoleh hasil yang hampir sama, yaitu:
Model: Layar Penuh
Link: Logarithm
Tutup
Keluar
Variance to Mean Relation: Gamma
Correlation Structure: Exchangeable
Call: FMIPA-UNEJ
gee(formula = circumference ~ age, id = Tree, data = Orange,

family = Gamma(link = log), corstr = "exchangeable") Daftar Isi
Judul
-81.517777 -10.244679 -3.616427 12.901823 55.383573
JJ J I II
Coefficients: 394 dari 490

(Intercept)3.5244517 9.203927e-02 38.29291 4.409318e-02 79.93190
Cari Halaman
age 0.0011859 7.020315e-05 16.89202 4.072747e-05 29.11728
Estimated Scale Parameter: 0.05615 Kembali
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;
3. dengan gee() model yang diperoleh adalah model rata-rata populasi

Judul
(marjinal), tetapi dengan JGIG model yang diperoleh adalah mo-
del individu (efek acak diestimasi secara eksplisit, sehingga prediksi
individu lebih akurat). JJ J I II
395 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
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
396 dari 490
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
2. GEE tidak menggunakan metodelekelihood lengkap, tetapi menggu-

nakan pendekatan marjinal dengan menetapkan bentuk momen per- Judul
tama (nilai tengah) dan momen keduanya (ragam-koragam).
3. Paket GEE pada R menyediakan berbagai alernatif bentuk distribusi JJ J I II

seperti halnyapada GLM dan berbagai bentuk korelasi (seperti ser-
agam, AR-M, saling bebas).
397 dari 490
4. HGLM menggunakan pendekatan likelihood murni dengan model

bertingkat sehingga menghasilkan bentuk likelihood marjinal yang Cari Halaman
dapat dilacak, atau menggunakan pendekatan lain (misalnya Lap-
place dan Markov Chained Monte Carlo). Dalam buku ini hanya
Kembali
dibatasi pada bentuk sekawan yaitu Gamma-Inverse-Gamma dan
Poisson-Gamma. Model ini menghasilkan bentuk korelasi seragam.
Layar Penuh
Tutup
Keluar
1. Berikan tiga contoh pengamatan yang menghasilkan data dengan re-
spon multivariat. FMIPA-UNEJ
2. Secara teoritis, jelaskan bilamana penggunaan model korelasi ex-

changeable sesuai. Daftar Isi
3. Secara teoritis, jelaskan bilamana penggunaan model korelasi se-

Judul
rial/auto regressive-1 sesuai.
4. Dalam menggunakan paket gee,apa yang sesungguhnya dilakukan

JJ J I II
apabila kita memilih alternatif berikut:
(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
ingkan struktur dan hasilnya dengan paket gee.

Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
GLOSARIUM
Judul
JJ J I II
399 dari 490
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
distribusi diskrit sebaran yang memiliki fungsi kepadatan dengan daerah

Daftar Isi
asal (domain) berupa himpunan titik-titik yang tercacah (mi-
salnya sebagian himpunan bilangan cacah, sebagian himpunan
Judul
bilangan asli).
distribusi kontinu sebaran yang memiliki fungsi kepadatan dengan daerah JJ J I II

asal (domain) berupa himpunan interval (misalnya seluruh bi-
langan real, bilangan real nonnegatif, a < x < b.).
401 dari 490
distribusi Normal Baku Distribusi Normal dengan nilai-tengah 0 dan ra-

gam 1. Cari Halaman
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
GUI Graphical User Interface adalah program yang menjembatani

komunikasi antara komputer dengan pengguna dengan meng- Kembali
gunakan tampilan grafis seperti menu atau ikon, yang biasanya

siap diklik dengan mouse. Program GUI untuk R biasa disebut Layar Penuh
RGUI.
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
prosedur statistika, yang menyatakan kenetralan (tidak ada

beda signifikan, tidak ada hubungan signifikan dan sebagainya).
Judul
histogram Grafik yang menggunakan segiempat sebagai representasi frekuensi

atau peluang dari observasi pada setiap interval. JJ J I II
J 403 dari 490
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
anya dapat dilakukan operasi matriks biner. Untuk operasi

penjumlahan disebut konformabel terhadap penjumlahan. Ma- Judul
triks yang komformabel terhadap penjumlahan berordo sama.
Untuk operasi perkalian disebut konformabel terhadap per-
JJ J I II
kalian. Matriks yang konformabel terhadap perkalian adalah
sedemikain hingga banyaknya kolom matriks terkali sama de-
ngan banyaknya baris matriks pengali. 404 dari 490
M Cari Halaman
matriks bentuk kuadrat quadratic form adalah matrika yang berbentuk

Kembali
y T Ay dengan vektor peubah, dan A matriks simetrik. Pada
dasarnya matriks ini berordo 1 × 1.
Layar Penuh
Matriks Diagram Pencar Matriks Diagram Pencar (Scatter Plot Matrix)
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
manya merupakan ragam dari peubah-peubah, sedangkan un-

sur di luar diagonal utama merupakan koragam dari peubah Judul
yang bersesuaian, misalnya mii = σi2 , mij = σij .
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
Nilai p Termasuk peluang kesalahan tipe I, yaitu peluang yang menun-

jukkan bahwa hasil yang dicapai merupakan hal yang kebetulan Layar Penuh
jika ternyata Ho benar.
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
Populasi Populasi adalah kumpulan seluruh data yang menjadi perha-

tian dalam penelitian. Jadi populasi adalah seluruh subjek Kembali
penelitian beserta karakteristiknya yang menjadi kepentingan.
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
sampel Sampel adalah sebagian dari populasi yang secara representatif

407 dari 490
mewakili populasi.
sisa/residu Selisih antara nilai observasi Y dengan nilai prediksinya ( Ŷ ).

Cari Halaman
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
408 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
DAFTAR PUSTAKA
Judul
JJ J I II
409 dari 490
[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.
[4] P.J. Burns. S Poetry. http://www.r-project.org, 1998.

FMIPA-UNEJ
[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
[7] D.R. Cox and N. Reid. Parameter orthogonality and approximate

conditional inference. J. R. Statist. Soc., 49:1–39, 1987. JJ J I II
[8] Crawley. Statistical Computing: An Introduction to Data Analysis

410 dari 490
using S-Plus. Wiley, England, 2004.
[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.
[13] D.A. Harville. Matrix Algebra From a Statistician’s Perspective. FMIPA-UNEJ

Springer, New York, 1997.
[14] T.J. Hastie & R.J. Tibshirani. Generalized Additive Models. Chapman Daftar Isi
& Hall, London, 5th edition, 1990.

Judul
[15] J.S.U. Hjortn. Computer Intensive Statistical Methods: Validation,
Model Selection and Bootstap. Chapman & Hall, London, 1994.
JJ J I II
[16] R.V. Hogg and A.T. Craig. Introduction to Mathematical Statistics.
Prentice-Hall, Englewood Cliffs, 5th edition, 1995.
411 dari 490
[17] M.G. Kenward and D.M. Smith. Computing the generalized estimating
equation for repeated measurements. Genstat Newsletter, 32:50–62, Cari Halaman
1995.
[18] P. Kuhnert and B. Venables. An Introduction to R: Software Kembali
for Statistical Modelling & Computing. CSIRO, http://cran.r-

project.org/doc/contrib/Kuhnert+Venables-R Course Notes.zip, Layar Penuh
2005. [17 April 2006].
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
ized linear models. Biometrika, 73:13–22, 1986.

Judul
[22] Liang,K-Y, S.L. Zeger and B. Qaqish. Multivariate regression analyses
for categorical data (with discussion). J.R. Statist. Soc., 54:3–40, 1992.
JJ J I II
[23] J.H. Maindonald. Using R for Data Analysis and Graphics An Intro-
duction. ANU-Australia, June 2001.
412 dari 490
[24] P. McCullagh and J.A. Nelder. Generalized Linear Models. Chapman

and Hall, London, 2nd edition, 1989. Cari Halaman
[25] P. McCullagh and R. Tibshirani. A simple method for the adjustment

Kembali
of profile likelihoods. J. R. Statist. Soc., 52:325–344, 1990.
[26] W. Mendenhall. Introduction to Probability and Statistics. Duxbury, Layar Penuh

Belmont USA, 5th edition, 1979.
Tutup
Keluar
[27] W. Mendenhall. Beginning Statistics A to Z. Duxbury, Belmont USA,
1993.
[28] P.L. Meyer. Introductory Probability and Statistical Applications.

FMIPA-UNEJ
Addison-Wisley Pub. Co., Massachusets, 2nd edition, 1970.
[29] P Murrell. R Graphics. Chapman& Hall/CRC, 2006. Daftar Isi
[30] J.A. Nelder and R.W.M. Wedderburn. Generalized linear models.

J.R.Statist.Soc., 57:359–407, 1972. Judul
[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.
[35] StatSoft. Electronic Statistics Textbook. http://www.statsoftinc.com/ Layar Penuh

textbook/ stathome.html, 2006.
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.
[39] I M. Tirta. Marginal likelihood appraoch in Gamma-Inverse-Gamma JJ J I II

model. Proceeding of The SEAMS (South East Asian Mathematical
Society)-GMU(Gadjah Mada University, 26-29 July 1999, pages 454–
414 dari 490
462, 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
[41] I M. Tirta. A nonconjugate model for Gamma data with random

effects. Jurnal Ilmu Dasar (Journal of Basic Sciences), 1(1):46–58, Layar Penuh
2000.
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.
[48] J. Vezalini. Using R for Introductory Statistics. http://www.r- Layar Penuh

project.org, 2002.
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.
[51] R.W.M. Wedderburn. Quasi-likelihood functions, generalized linear Daftar Isi

models, and the Gauss-Newton method. Biometrika, 61:439–447, 1974.
[52] S.L. Zeger and K-Y. Liang. Longitudinal data analysis for discrete and Judul
continuous outcomes. Biometrics, 42:121–130, 1986.

JJ J I II
[53] S.L. Zeger and K-Y. Liang. An overview of methods for the analysis
of longitudinal data. Statistics in Medicine, 11:1825–1839, 1992.
416 dari 490
[54] S.L. Zeger, K-Y. Liang and P.S. Albert. Models for longitudinal data:
A generalized estimating equation approach. Biometrics, 44:1049–
Cari Halaman
1060, 1988.
[55] V. Zoonekyn. Statistics with R. http://zoonek2.free.fr/

Kembali
UNIX/48 R/all.html, 2005.
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
LAMPIRAN A Daftar Isi
Judul
BEBERAPA FUNGSI TERKAIT REGRESI
JJ J I II
417 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
A.1. Fungsi dari Paket stats
AIC(object, ..., k = 2)
FMIPA-UNEJ
glm(formula, family = gaussian, data, weights, subset,

na.action, start = NULL, etastart, mustart, Daftar Isi
offset, control = glm.control(...), model = TRUE,

method = "glm.fit", x = FALSE, y = TRUE, contrasts = NULL, ...) Judul
lm(formula, data, subset, weights, na.action,

JJ J I II
method = "qr", model = TRUE, x = FALSE, y = FALSE,
qr = TRUE, singular.ok = TRUE, contrasts = NULL,
offset, ...) 418 dari 490
nlm(f, p, ..., hessian = FALSE, typsize = rep(1, length(p)), Cari Halaman

fscale = 1, print.level = 0, ndigit = 12, gradtol = 1e-6,
stepmax = max(1000 * sqrt(sum((p/typsize)^2)), 1000),
Kembali
steptol = 1e-6, iterlim = 100, check.analyticals = TRUE)
predict (object, ...)
Layar Penuh
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
419 dari 490
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
420 dari 490
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
abline(coef=, untf = FALSE, ...)

abline(reg=, untf = FALSE, ...) Judul
hist(x, ...)
persp(x, ...)
JJ J I II
plot(x, y, ...)
segments(x0, y0, x1, y1,
col = par("fg"), lty = par("lty"), lwd = par("lwd"), ...) 421 dari 490
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
Mv = 1, silent = TRUE, contrasts = NULL,

scale.fix = FALSE, scale.value = 1, v4.4compat = FALSE) Judul
JJ J I II
422 dari 490
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, ...)
nlmer(formula, data, control, start, verbose, Daftar Isi
subset, weights, na.action, contrasts,

model, ...) Judul
JJ J I II
423 dari 490
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
424 dari 490
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
method = c("Laplace", "ghq"), n.points = 8, boot = 0)

Judul
glmmboot(formula, family = binomial, data, cluster, weights, subset,
na.action, offset, start.coef = NULL,
JJ J I II
control = list(epsilon = 1e-08, maxit = 200, trace = FALSE), boot = 0)
425 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
A.9. Skrip Manipulasi Grafik
plot(x,y, main="DIAGRAM BESAR DENGAN GRAFIK MINI") FMIPA-UNEJ
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
op1 <- par(fig=c(.46,.98,.02,.45), new=TRUE) 426 dari 490

qq.plot(x, main="QQNorm", dist="norm")
box()
Cari Halaman
par(op)
par(op1)
Kembali
split.screen(c(1,2)) Layar Penuh

Tutup
Keluar
screen(1)
plot(x,y,main="Diagram Pencar (X,Y)")
abline(lm(y~x))
screen(3) FMIPA-UNEJ
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
427 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
A.10. Skrip Membangkitkan Data Regresi dengan
Peubah Kelompok
FMIPA-UNEJ
#simulasi data regresi dengan kelompok

require Daftar Isi
n<-60 #genap
ns<-.5*n
Judul
sd<-20
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
429 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
430 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
FMIPA-UNEJ
LAMPIRAN B Daftar Isi
Judul
DATA UNTUK ILUSTRASI
JJ J I II
431 dari 490
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
432 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
B.2. Data dari Paket ade4
abouheif.eg Phylogenies and quantitative traits from
Abouheif FMIPA-UNEJ
acacia Spatial pattern analysis in plant communities

aminoacyl Codon usage Daftar Isi
apis108 Allelic frequencies in ten honeybees
populations at eight microsatellites loci
Judul
ardeche Fauna Table with double (row and column)
partitioning
arrival Arrivals at an intensive care unit JJ J I II
atlas Small Ecological Dataset
atya Genetic variability of Cacadors 433 dari 490
avijons Bird species distribution
avimedi Fauna Table for Constrained Ordinations
Cari Halaman
aviurba Ecological Tables Triplet
bacteria Genomes of 43 Bacteria
banque Table of Factors Kembali
baran95 African Estuary Fishes

bf88 Cubic Ecological Data Layar Penuh
bordeaux Wine Tasting
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
chatcat Qualitative Weighted Variables

chats Pair of Variables JJ J I II
chazeb Charolais-Zebus
chevaine Enzymatic polymorphism in Leuciscus cephalus
434 dari 490
clementines Fruit Production
cnc2003 Frequenting movie theaters in France in 2003
coleo Table of Fuzzy Biological Traits Cari Halaman
corvus Corvus morphology

deug Exam marks for some students Kembali
doubs Pair of Ecological Tables
dunedata Dune Meadow Data
Layar Penuh
ecg Electrocardiogram data
Tutup
Keluar
ecomor Ecomorphological Convergence
elec88 Electoral Data
escopage K-tables of wine-tasting
euro123 Triangular Data FMIPA-UNEJ
fission Fission pattern and heritable morphological

traits Daftar Isi
friday87 Faunistic K-tables
fruits Pair of Tables
Judul
ggtortoises Microsatellites of Galapagos tortoises
populations
granulo Granulometric Curves JJ J I II
hdpg Genetic Variation In Human Populations
housetasks Contingency Table 435 dari 490
humDNAm human mitochondrial DNA restriction data
ichtyo Point sampling of fish community
irishdata Geary's Irish Data Cari Halaman
julliot Seed dispersal

jv73 K-tables Multi-Regions Kembali
kcponds Ponds in a nature reserve

lascaux Genetic/Environment and types of variables Layar Penuh
lizards Phylogeny and quantitative traits of lizards
Tutup
Keluar
macaca Landmarks
macon Wine Tasting
mafragh Phyto-Ecological Survey
maples Phylogeny and quantitative traits of flowers FMIPA-UNEJ
mariages Correspondence Analysis Table

meau Ecological Data : sites-variables, Daftar Isi
sites-species, where and when
meaudret Ecological Data : sites-variables,
Judul
sites-species, where and when
microsatt Genetic Relationships between cattle breeds
with microsatellites JJ J I II
mjrochet Phylogeny and quantitative traits of teleos
fishes 436 dari 490
mollusc Faunistic Communities and Sampling Experiment
monde84 Global State of the World in 1984
morphosport Athletes' Morphology Cari Halaman
newick.eg Phylogenetic trees in Newick format

njplot Phylogeny and trait of bacteria Kembali
olympic Olympic Decathlon

oribatid Oribatid mite Layar Penuh
ours A table of Qualitative Variables
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
t3012 Average temperatures of 30 French cities

tarentaise Mountain Avifauna Layar Penuh
taxo.eg Examples of taxonomy
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
trichometeo Pair of Ecological Data

ungulates Phylogeny and quantitative traits of ungulates. Daftar Isi
vegtf Vegetation in Trois-Fontaines
veuvage Example for Centring in PCA
Judul
westafrica Freshwater fish zoogeography in west Africa
worksurv French Worker Survey (1970)
yanomama Distance Matrices JJ J I II
zealand Road distances in New-Zealand
438 dari 490
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
Glycoalkaloids Data Glycoalkaloids

LxT Data Line by tester Daftar Isi
RioChillon Data and analysis Mother and baby trials
carolina1 Data Carolina I
Judul
carolina2 Data Carolina II
carolina3 Data Carolina III
clay Data of Ralstonia population in clay soil JJ J I II
corn Data of corn
cotton Data of cotton 439 dari 490
disease Data evaluation of the disease overtime
genxenv Data of potato yield in a different environment
Cari Halaman
grass Data for Friedman test
growth Data growth of trees
haynes Data of yield for nonparametrical stability Kembali
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
ralstonia Data of population bacterial Wilt: AUDPC

rice Data of Grain yield of rice variety IR8 JJ J I II
sinRepAmmi Data for AMMI without repetition
soil Data of soil analysis for 13 localities
440 dari 490
sweetpotato Data of sweetpotato yield
trees Data of species trees. Pucallpa
wilt Data of Bacterial Wilt (AUDPC) and soil Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
B.4. Data dari Paket asuR
BtheB Beat the Blues Data
BtheBlong Beat the Blues Data FMIPA-UNEJ
budworm budworm data

cathedral Medieval cathedrals in England Daftar Isi
flowers Flower
gala Species diversity on the Galapagos Islands
Judul
growth Weight Gain of two Species at different
Nitrogen Concentrations
houseflies Housfly Development JJ J I II
mytrees Simulated tree data
oring O-ring data 441 dari 490
pea Pea data
plants Plant height
Cari Halaman
schoolclass Schools and Classes
unemployment data on long / short term unemployment
weight Weight Gain Kembali
wellplate wellplate
wellplate2 wellplate Layar Penuh
wellplate3 wellplate
Tutup
Keluar
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
442 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
B.5. Data dari Paket car
Adler Experimenter Expectations
Angell Moral Integration of American Cities FMIPA-UNEJ
Anscombe U. S. State Public-School Expenditures

Baumann Methods of Teaching Reading Comprehension Daftar Isi
Bfox Canadian Women's Labour-Force Participation
Blackmoor Exercise Histories of Eating-Disordered and
Judul
Control Subjects
Burt Fraudulent Data on IQs of Twins Raised Apart
Can.pop Canadian Population Data JJ J I II
Chile Voting Intentions in the 1988 Chilean
Plebiscite 443 dari 490
Chirot The 1907 Romanian Peasant Rebellion
Cowles Cowles and Davis's Data on Volunteering
Cari Halaman
Davis Self-Reports of Height and Weight
DavisThin Davis's Data on Drive for Thinness
Duncan Duncan's Occupational Prestige Data Kembali
Ericksen The 1980 U.S. Census Undercount

Florida Florida County Voting Layar Penuh
Freedman Crowding and Crime in U. S. Metropolitan Areas
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
Mroz U.S. Women's Labor-Force Participation

OBrienKaiser O'Brien and Kaiser's Repeated-Measures Data JJ J I II
Ornstein Interlocking Directorates Among Major Canadian
Firms
444 dari 490
Pottery Chemical Composition of Pottery
Prestige Prestige of Canadian Occupations
Quartet Four Regression Datasets Cari Halaman
Robey Fertility and Contraception

SLID Survey of Labour and Income Dynamics Kembali
Sahlins Agricultural Production in Mazulu Village
Soils Soil Compositions of Physical and Chemical
Layar Penuh
Characteristics
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
Vocab Vocabulary and Education

Womenlf Canadian Women's Labour-Force Participation Daftar Isi
Judul
JJ J I II
445 dari 490
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
DAAGxdb List, each of whose elements hold rows

of a file, in character format Daftar Isi
Lottario Ontario Lottery Data
Manitoba.lakes The Nine Largest Lakes in Manitoba
Judul
SP500W90 Closing Numbers for S and P 500 Index - First
100 Days of 1990
SP500close Closing Numbers for S and P 500 Index JJ J I II
ais Australian athletes data set
allbacks Measurements on a Selection of Books 446 dari 490
anesthetic Anesthetic Effectiveness
ant111b Averages by block of corn yields, for treatment
Cari Halaman
111 only
antigua Averages by block of yields for the Antigua
Corn data Kembali
appletaste Tasting experiment that compared four apple

varieties Layar Penuh
austpop Population figures for Australian States and
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
codling Dose-mortality data, for fumigation of codling

moth with methyl bromide JJ J I II
cottonworkers Occupation and wage profiles of British cotton
workers
447 dari 490
cuckoohosts Comparison of cuckoo eggs with host eggs
cuckoos Cuckoo Eggs Data
dengue Dengue prevalence, by administrative region Cari Halaman
dewpoint Dewpoint Data

droughts Periods Between Rain Events Kembali
elastic1 Elastic Band Data Replicated
elastic2 Elastic Band Data Replicated Again
Layar Penuh
elasticband Elastic Band Data
Tutup
Keluar
fossilfuel Fossil Fuel Data
fossum Female Possum Measurements
frogs Frogs Data
frostedflakes Frosted Flakes data FMIPA-UNEJ
fruitohms Electrical Resistance of Kiwi Fruit

geophones Seismic Timing Data Daftar Isi
head.injury Minor Head Injury (Simulated) Data
headInjury Minor Head Injury (Simulated) Data
Judul
hills Scottish Hill Races Data
hills2000 Scottish Hill Races Data - 2000
houseprices Aranda House Prices JJ J I II
humanpower1 Oxygen uptake versus mechanical power, for
humans 448 dari 490
humanpower2 Oxygen uptake versus mechanical power, for
humans
Cari Halaman
ironslag Iron Content Measurements
jobs Canadian Labour Force Summary Data (1995-96)
kiwishade Kiwi Shading Data Kembali
leafshape Full Leaf Shape Data Set

leafshape17 Subset of Leaf Shape Data Set Layar Penuh
leaftemp Leaf and Air Temperature Data
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
medExpenses Family Medical Expenses

mifem Mortality Outcomes for Females Suffering Daftar Isi
Myocardial Infarction
mignonette Darwin's Wild Mignonette Data
Judul
milk Milk Sweetness Study
modelcars Model Car Data
monica WHO Monica Data JJ J I II
moths Moths Data
nsw74demo Labour Training Evaluation Data 449 dari 490
nsw74psid1 Labour Training Evaluation Data
nsw74psid3 Labour Training Evaluation Data
Cari Halaman
nsw74psidA A Subset of the nsw74psid1 Data Set
oddbooks Measurements on 12 books
orings Challenger O-rings Data Kembali
ozone Ozone Data

pair65 Heated Elastic Bands Layar Penuh
possum Possum Measurements
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
races2000 Scottish Hill Races Data - 2000

rainforest Rainforest Data Daftar Isi
rareplants Rare and Endangered Plant Species
rice Genetically Modified and Wild Type Rice Data
Judul
roller Lawn Roller Data
science School Science Survey Data
seedrates Barley Seeding Rate Data JJ J I II
socsupport Social Support Data
softbacks Measurements on a Selection of Paperback Books 450 dari 490
sorption sorption data set
spam7 Spam E-mail Data
Cari Halaman
stVincent Averages by block of yields for the St. Vincent
Corn data
sugar Sugar Data Kembali
tinting Car Window Tinting Experiment Data

toycars Toy Cars Data Layar Penuh
two65 Unpaired Heated Elastic Bands
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
451 dari 490
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
JohnsonJohnson Quarterly Earnings per Johnson & Johnson Share

LakeHuron Level of Lake Huron 1875-1972 Layar Penuh
LifeCycleSavings Intercountry Life-Cycle Savings Data
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
ToothGrowth The Effect of Vitamin C on Tooth Growth in

Guinea Pigs JJ J I II
UCBAdmissions Student Admissions at UC Berkeley
UKDriverDeaths Road Casualties in Great Britain 1969-84
453 dari 490
UKgas UK Quarterly Gas Consumption
USAccDeaths Accidental Deaths in the US 1973-1978
USArrests Violent Crime Rates by US State Cari Halaman
USJudgeRatings Lawyers' Ratings of State Judges in the US

Superior Court Kembali
USPersonalExpenditure Personal Expenditure Data
VADeaths Death Rates in Virginia (1940)
Layar Penuh
WWWusage Internet Usage per Minute
Tutup
Keluar
WorldPhones The World's Telephones
ability.cov Ability and Intelligence Tests
airmiles Passenger Miles on Commercial US Airlines,
1937-1960 FMIPA-UNEJ
airquality New York Air Quality Measurements

anscombe Anscombe's Quartet of "Identical" Simple Linear Daftar Isi
Regressions
attenu The Joyner-Boore Attenuation Data
Judul
attitude The Chatterjee-Price Attitude Data
austres Quarterly Time Series of the Number of
Australian Residents JJ J I II
beaver1 (beavers) Body Temperature Series of Two Beavers
beaver2 (beavers) Body Temperature Series of Two Beavers 454 dari 490
cars Speed and Stopping Distances of Cars
chickwts Chicken Weights by Feed Type
Cari Halaman
co2 Mauna Loa Atmospheric CO2 Concentration
crimtab Student's 3000 Criminals Data
discoveries Yearly Numbers of Important Discoveries Kembali
esoph Smoking, Alcohol and (O)esophageal Cancer

euro Conversion Rates of Euro Currencies Layar Penuh
euro.cross (euro) Conversion Rates of Euro Currencies
Tutup
Keluar
eurodist Distances Between European Cities
faithful Old Faithful Geyser Data
fdeaths (UKLungDeaths)
Monthly Deaths from Lung Diseases in the UK FMIPA-UNEJ
freeny Freeny's Revenue Data

freeny.x (freeny) Freeny's Revenue Data Daftar Isi
freeny.y (freeny) Freeny's Revenue Data
infert Infertility after Spontaneous and Induced
Judul
Abortion
iris Edgar Anderson's Iris Data
iris3 Edgar Anderson's Iris Data JJ J I II
islands Areas of the World's Major Landmasses
ldeaths (UKLungDeaths) 455 dari 490
Monthly Deaths from Lung Diseases in the UK
lh Luteinizing Hormone in Blood Samples
longley Longley's Economic Regression Data Cari Halaman
lynx Annual Canadian Lynx trappings 1821-1934

mdeaths (UKLungDeaths) Kembali
Monthly Deaths from Lung Diseases in the UK

morley Michaelson-Morley Speed of Light Data Layar Penuh
mtcars Motor Trend Car Road Tests
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
presidents Quarterly Approval Ratings of US Presidents

pressure Vapor Pressure of Mercury as a Function of Daftar Isi
Temperature
quakes Locations of Earthquakes off Fiji
Judul
randu Random Numbers from Congruential Generator
RANDU
rivers Lengths of Major North American Rivers JJ J I II
rock Measurements on Petroleum Rock Samples
sleep Student's Sleep Data 456 dari 490
stack.loss (stackloss)
Brownlee's Stack Loss Plant Data
stack.x (stackloss) Brownlee's Stack Loss Plant Data Cari Halaman
stackloss Brownlee's Stack Loss Plant Data

state.abb (state) US State Facts and Figures Kembali
state.area (state) US State Facts and Figures

state.center (state) US State Facts and Figures Layar Penuh
state.division (state)
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
sunspot.month Monthly Sunspot Data, 1749-1997

sunspot.year Yearly Sunspot Data, 1700-1988 Daftar Isi
sunspots Monthly Sunspot Numbers, 1749-1983
swiss Swiss Fertility and Socioeconomic Indicators
Judul
(1888) Data
treering Yearly Treering Data, -6000-1979
trees Girth, Height and Volume for Black Cherry Trees JJ J I II
uspop Populations Recorded by the US Census
volcano Topographic Information on Auckland's Maunga 457 dari 490
Whau Volcano
warpbreaks The Number of Breaks in Yarn during Weaving
Cari Halaman
women Average Heights and Weights for American Women
Kembali
Layar Penuh
Tutup
Keluar
B.8. Data dari Paket demogR
Data sets in package demogR:
FMIPA-UNEJ
goodman Demographic data from Venezuela, Madagascar and

the United States in the late 1960s Daftar Isi
Judul
JJ J I II
458 dari 490
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
cathedral Cathedral nave heights and lengths in England

chicago Chicago insurance redlining Layar Penuh
chiczip Chicago zip codes north-south
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
composite Strength of a thermoplastic composite

depending on two factors JJ J I II
cornnit Corn yields from nitrogen application
corrosion Corrosion loss in Cu-Ni alloys
460 dari 490
cpd Projected and actual sales of 20 consumer
products
ctsib Effects of surface and vision on balance Cari Halaman
death Death penalty in Florida 1977

debt psychology of debt Kembali
diabetes Diabetes and obesity, cardiovascular risk
factors
Layar Penuh
dicentric Radiation dose effects on chromosomal
Tutup
Keluar
abnormality
divusa Divorce in the USA 1920-1996
drugpsy Choice of drug treatment for psychiatry
patients FMIPA-UNEJ
dvisits Doctor visits in Australia

eco Ecological regression example Daftar Isi
eggprod Treatment and block effects on egg production
eggs Laboratory testing of dried egg fat content
Judul
epilepsy Seizure rates of epileptics under treatment
esdcomp Complaints about emergency room doctors
exa Non parametric regression test data A JJ J I II
exb Non parametric regression test data B
eyegrade grading of eye pairs for distance vision 461 dari 490
fat Percentage of Body Fat and Body Measurements
femsmoke Mortality due to smoking according age group in
Cari Halaman
women
fpe 1981 French Presidential Election
fruitfly Longevity of fruiflies depending on sexual Kembali
activity and thorax length

gala Species diversity on the Galapagos Islands Layar Penuh
gavote Undercounted votes in Georgia in 2000
Tutup
Keluar
presidential election
haireye Hair and eye color
happy love, work and happiness
hormone Hormones and Sexual Orientation FMIPA-UNEJ
hprice Housing prices in US cities 86-94

hsb Career choice of high school students Daftar Isi
infmort Infant mortality according to income and region
irrigation Agricultural experiment with irrigation
Judul
jsp Junior Schools Project
kanga Historic Kangaroos
lawn Cut-off times of lawnmowers JJ J I II
leafblotch Leaf blotch on barley
mammalsleep Sleep in Mammals: Ecological and Constitutional 462 dari 490
Correlates
meatspec Meat spectrometry to determine fat content
Cari Halaman
melanoma Melanoma by type and location
motorins Third party motor insurance claims in Sweden in
1977 Kembali
neighbor Questionnaire study of neighborly help

nels88 Subset of National Education Longitudinal Study Layar Penuh
1988
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
ohio Ohio Children Wheeze Status

orings Spache Shuttle Challenger O-rings Daftar Isi
ozone Ozone readings in LA
parstum Marijuana and parent alcohol and drug use
Judul
peanut Carbon dioxide effects on peanut oil extraction
penicillin Penicillin yields by block and treatment
pima Diabetes survey on Pima Indians JJ J I II
pipeline NIST data on ultrasonic measurements of defects
in the Alaska pipeline 463 dari 490
pneumo Pneumonoconiosis in coal miners
potuse Marijuana usage by youth
Cari Halaman
prostate Prostate cancer surgery
psid Panel Study of Income Dynamics subset
pulp Brightness of paper pulp depending on shift Kembali
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
salmonella Salmonella reverse mutagenicity assay

sat School expenditure and test scores from USA in Daftar Isi
1994-95
savings Savings rates in 50 countries
Judul
seatpos Car seat position depending driver size
semicond Semiconductor split-plot experiment
sexab Post traumatic stress disorder in abused adult JJ J I II
females
sexfun Marital sex ratings 464 dari 490
solder Solder skips in circuit board manufacture
sono Sonoluminescence
Cari Halaman
soybean Germination failures for soybean seeds
spector Teaching methods in Economics
speedo Speedometer cable shrinkage Kembali
star Star light intensities and temperatures

stat500 Scores for students in Stat500 class Layar Penuh
strongx Strong interaction experiment data
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
gam.data Simulated dataset for gam FMIPA-UNEJ
gam.newdata Simulated dataset for gam

kyphosis A classic example dataset for GAMs Daftar Isi
Judul
JJ J I II
466 dari 490
Cari Halaman
Kembali
Layar Penuh
Tutup
Keluar
B.11. Data dari Paket ISwR
IgM Immunoglobulin G FMIPA-UNEJ
alkfos Alkaline phosphatase data

ashina Ashina's crossover trial Daftar Isi
bcmort Breast cancer mortality
bp.obese Obesity and blood pressure
Judul
caesar.shoe (caesarean)
Caesarean section and maternal shoe size
coking Coking data JJ J I II
cystfibr Cystic fibrosis lung function data
eba1977 Lung cancer incidence in four Danish cities 467 dari 490
1968-1971
energy Energy expenditure
Cari Halaman
ewrates Rates of lung and nasal cancer mortality, and
total mortality.
fake.trypsin Trypsin by age groups Kembali
graft.vs.host Graft versus host disease

heart.rate Heart rates after enalaprilat Layar Penuh
hellung Growth of Tetrahymena cells
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
philion Dose response data

react Tuberculin reactions JJ J I II
red.cell.folate Red cell folate data
rmr Resting metabolic rate
468 dari 490
secher Birth weight and ultrasonography
secretin Secretin-induced blood glucose changes
stroke Estonian stroke data Cari Halaman
tb.dilute Tuberculin dilution assay

thuesen Ventricular shortening velocity Kembali
tlc Total lung capacity
vitcap Vital capacity
Layar Penuh
vitcap2 Vital capacity, full data set
Tutup
Keluar
wright Comparison of Wright peak-flow meters
zelazo Age at walking
FMIPA-UNEJ
Daftar Isi
Judul
JJ J I II
469 dari 490
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
gmdc U.S. Macroeconomic Time Series

growthofmoney Growth of Money Supply JJ J I II
ip U.S. Macroeconomic Time Series
jocci U.S. Macroeconomic Time Series
470 dari 490
lhur U.S. Macroeconomic Time Series
moneydemand Money Demand
pw561 U.S. Macroeconomic Time Series Cari Halaman
unemployment Unemployment Data

valueofstocks Value of Stocks Kembali
wages Wages
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
Boston Housing Values in Suburbs of Boston

Cars93 Data from 93 Cars on Sale in the USA in 1993 Daftar Isi
Cushings Diagnostic Tests on Patients with Cushing's
Syndrome
Judul
DDT DDT in Kale
GAGurine Level of GAG in Urine of Children
Insurance Numbers of Car Insurance claims JJ J I II
Melanoma Survival from Malignant Melanoma
OME Tests of Auditory Perception in Children with 471 dari 490
OME
Pima.te Diabetes in Pima Indian Women
Cari Halaman
Pima.tr Diabetes in Pima Indian Women
Pima.tr2 Diabetes in Pima Indian Women
Rabbit Blood Pressure in Rabbits Kembali
Rubber Accelerated Testing of Tyre Rubber

SP500 Returns of the Standard and Poors 500 Layar Penuh
Sitka Growth Curves for Sitka Spruce Trees in 1988
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
anorexia Anorexia Data on Weight Change

bacteria Presence of Bacteria after Drug Treatments JJ J I II
beav1 Body Temperature Series of Beaver 1
beav2 Body Temperature Series of Beaver 2
472 dari 490
biopsy Biopsy Data on Breast Cancer Patients
birthwt Risk Factors Associated with Low Infant Birth
Weight Cari Halaman
cabbages Data from a cabbage field trial

caith Colours of Eyes and Hair of People in Caithness Kembali
cats Anatomical Data from Domestic Cats
cement Heat Evolved by Setting Cements
Layar Penuh
chem Copper in Wholemeal Flour
Tutup
Keluar
coop Co-operative Trial in Analytical Chemistry
cpus Performance of Computer CPUs
crabs Morphological Measurements on Leptograpsus
Crabs FMIPA-UNEJ
deaths Monthly Deaths from Lung Diseases in the UK

drivers Deaths of Car Drivers in Great Britain 1969-84 Daftar Isi
eagles Foraging Ecology of Bald Eagles
epil Seizure Counts for Epileptics
Judul
farms Ecological Factors in Farm Management
fgl Measurements of Forensic Glass Fragments
forbes Forbes' Data on Boiling Points in the Alps JJ J I II
galaxies Velocities for 82 Galaxies
gehan Remission Times of Leukaemia Patients 473 dari 490
genotype Rat Genotype Data
geyser Old Faithful Geyser Data
Cari Halaman
gilgais Line Transect of Soil in Gilgai Territory
hills Record Times in Scottish Hill Races
housing Frequency Table from a Copenhagen Housing Kembali
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
menarche Age of Menarche data

michelson Michelson's Speed of Light Data Daftar Isi
minn38 Minnesota High School Graduates of 1938
motors Accelerated Life Testing of Motorettes
Judul
muscle Effect of Calcium Chloride on Muscle
Contraction in Rat Hearts
newcomb Newcomb's Measurements of the Passage Time of JJ J I II
Light
nlschools Eighth-Grade Pupils in the Netherlands 474 dari 490
npk Classical N, P, K Factorial Experiment
npr1 US Naval Petroleum Reserve No. 1 data
Cari Halaman
oats Data from an Oats Field Trial
painters The Painter's Data of de Piles
petrol N. L. Prater's Petrol Refinery Data Kembali
phones Belgium Phone Calls 1950-1973

quine Absenteeism from School in Rural New South Layar Penuh
Wales
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
shrimp Percentage of Shrimp in Shrimp Cocktail

shuttle Space Shuttle Autolander Problem Daftar Isi
snails Snail Mortality Data
steam The Saturated Steam Pressure Data
Judul
stormer The Stormer Viscometer Data
survey Student Survey Data
synth.te Synthetic Classification Problem JJ J I II
synth.tr Synthetic Classification Problem
topo Spatial Topographic Data 475 dari 490
waders Counts of Waders at 15 Sites in South Africa
whiteside House Insulation: Whiteside's Data
Cari Halaman
wtloss Weight Loss Data from an Obese Patient
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
KSI Data set on automobile deaths and injuries in

Great Britain Daftar Isi
MLBattend Major league baseball attendance data
OBP On base percentage for 2002 major league
Judul
baseball season
age.universe Best estimate of the age of the universe
aid monthly payment for federal program JJ J I II
alaska.pipeline Comparison of in-field and laboratory
measurement of defects 476 dari 490
alltime.movies Top movies of all time
aosat Artic Oscillation data based on SAT data
Cari Halaman
arctic.oscillations Measurement of sea-level pressure at
the arctic
babies Mothers and their babies data Kembali
babyboom Babyboom: data for 44 babies born in one

24-hour period. Layar Penuh
batting Batting statistics for 2002 baseball season
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
bycatch Number of Albatrosses accidentaly caught during

a fishing haul JJ J I II
cabinet Estimated tax savings for US President Bush's
cabinet
477 dari 490
camp Mount Campito Yearly Treering Data, -3435-1969.
cancer cancer survival times
carbon Carbon Monoxide levels at different sites Cari Halaman
carsafety Fatality information in U.S. for several

popular cars Kembali
central.park Weather in Central Park NY in May 2003
central.park.cloud Type of day in Central Park, NY May 2003
Layar Penuh
cfb Bootstrap sample from the Survey of Consumer
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
emissions CO2 emissions data and gross domestic product

for 26 countries Layar Penuh
ewr Taxi in and taxi out times at EWR (Newark)
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
google Google stock values during 2005-02-07 to

2005-07-07 Layar Penuh
grades Current and previous grades
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
heartrate Simulated data of age vs. max heart rate

home Maplewood NJ homedata Daftar Isi
homedata Maplewood NJ assessed values for years 1970 and
2000
Judul
homeprice Sale price of homes in New Jersey in the year
2001
homework Homework averages for Private and Public JJ J I II
schools
iq IQ scores 480 dari 490
kid.weights Weight and height measurement for a sample of
U.S. children
Cari Halaman
last.tie Last tie in 100 coin tosses
lawsuits Law suit settlements
malpract malpractice settlements Kembali
mandms Proportions of colors in various M and M's

varieties Layar Penuh
math Standardized math scores
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
puerto Incomes for Puerto Rican immigrants to Miami

rat Survival times of 20 rats exposed to radiation Layar Penuh
reaction.time Reaction time with cell phone usage
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
samhda Substance Abuse and Mental Health Data for

teens Daftar Isi
scatter.with.hist Scatterplot with histograms
scrabble Distribution of Scrabble pieces
Judul
simple.sim Simplify the process of simulation
skateranks Judges scores for disputed ice skating
competition JJ J I II
slc Sodium-Lithium countertransport
smokyph Water pH levels at 75 water samples in the 482 dari 490
Great Smoky Mountains
south Murder rates for 30 Southern US cities
Cari Halaman
southernosc Southern Oscillations
sp500.excess Excess returns of S&P 500
squareplot Create a squareplot alternative to a segmented Kembali
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
Akaike, 261 Diggle, 356, 357 484 dari 490
Dobson, 63, 277, 313, 315, 347

Bowerman, 56, 235, 272
Cari Halaman
Burns, 78 Faraway, 235, 257
Chamber, 70, 261, 341, 347 Giltinan, 60

Kembali
Cleveland, 70
Harville, 144
Crawley, 235, 272, 325
Hastie, 70, 261 Layar Penuh
Davidian, 60 Hjorth, 261
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
Maindonald, 272 Ware, 60

McCullagh, 277, 355 Wasserman, 272 Judul
Mendenhall, 44 Wedderburn, 361
Meyer, 31
Zeger, 361 JJ J I II
Murrel, 272
Zoonekyn, 272
Nelder, 277, 347, 355 485 dari 490
Neter, 56, 144, 235, 272
Ripley, 235, 261, 347 Cari Halaman
Searle, 144
Kembali
Smith, 364
Smyth, 51
Layar Penuh
Tibshirani, 70
Tutup
Keluar
FMIPA-UNEJ
INDEKS SUBJEK
Daftar Isi
Judul
JJ J I II
seragam, 364 CLI, 72 486 dari 490
algoritma distribusi
Cari Halaman
lengkap, 50 Binomial, 284
penuh, 51 Binomial Negatif, 287
terpartisi, 50, 51 eksponensial, 287 Kembali
AR-1, 364 Gamma, 286

Inverse Gauss, 287 Layar Penuh
boneka, 197 Normal, 286
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
Gamma-HGLM, 374 matriks

GEE, 351, 363, 364 determinan, 115 JJ J I II
GLM, 363 ordo, 113
GLS, 185 positif definit, 123 487 dari 490
GUI, 72 positif semi definit, 124
heteroskedastik, 182, 185 singuler, 115
Cari Halaman
homoskedastik, 182, 185 teras, 116
model linier
invariant, 52 bertingkat, 59 Kembali
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
Newton-Raphson, 50, 184

JJ J I II
pemodelan, 30
deterministik, 33
stokastik, 35 488 dari 490
probit, 297, 322

Cari Halaman
regresi
Ridge, 67
repeated Kembali
measurement, 60
measurements, 350 Layar Penuh
measures, 350
Tutup
Keluar
FMIPA-UNEJ
INDEKS FUNGSI R
Daftar Isi
Judul
JJ J I II
?NamaPaket, 75 gee(), 90, 368, 369 489 dari 490
glm(), 89, 326, 368

abline(), 79 glmML(), 90 Cari Halaman
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
pairs(), 79 Daftar Isi
persp(), 79
plot(), 79, 257 Judul
qq.plot(), 79
JJ J I II
reg.line(), 79
require(), 74
490 dari 490
rug(), 79
scatterplot(), 79 Cari Halaman

scatterplot.matrix(), 79
sp(), 79
Kembali
split.screen(), 81
spm(), 79
Layar Penuh
Tutup
Keluar

Reg Stats LD

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Reg Stats LD

Diunggah oleh

Hak Cipta:

Format Tersedia

Versi Cetak:

Judul: Analisis Regresi dengan R FMIPA-UNEJ

Tahun terbit: 2009 Daftar Isi

Penerbit: Jember University Press Judul

Analisis Regresi dengan R Cari Halaman

1 DASAR-DASAR PEMODELAN STOKASTIK 23 Cari Halaman

1.1 Prinsip Pemodelan . . . . . . . . . . . . . . . . . . . . 27

1.2.1 Langkah penting dalam Pemodelan secara Umum 37

2.3.3 Determinan dan Invers Matriks . . . . . . . . . . 115

2.5 Bentuk Kuadrat dan Diferensial Matriks . . . . . . . . . 123

3 MODEL LINIER KLASIK 151 Kembali

3.1 Bentuk dan Asumsi . . . . . . . . . . . . . . . . . . . . 154

3.4 Penggunaan Matriks untuk Regresi Peubah Ganda . . . . 180

3.6 Melaporkan Nilai Probabilitas p . . . . . . . . . . . . . . 194

3.7.1 Variabel Boneka dengan Model Berkonstanta . . . 197

3.8 Ilustrasi Model Linier Normal dengan R . . . . . . . . . . 206

4 DIAGNOSTIK DAN TRANSFORMASI 239

4.2 Memeriksa Sebaran Data melalui Grafik . . . . . . . . . . 243

4.3.3 Memeriksa Model Melalui Diagram . . . . . . . . 253

4.5 Memeriksa Model melalui AIC . . . . . . . . . . . . . . . 261

5.4 Inferensi pada Model Linier Tergeneralisir . . . . . . . . 312

5.4.2 Kecocokan Model . . . . . . . . . . . . . . . . . 317

5.6 dispersi berlebih . . . . . . . . . . . . . . . . . . . . . . 325

6 MODEL UNTUK RESPON TIDAK SALING BEBAS 349 Daftar Isi

6.5.4 Pendugaan parameter dispersi ν dan α . . . . . . 388

6.5.5 Analisis HGLM dengan R . . . . . . . . . . . . . 391

B DATA UNTUK ILUSTRASI 431

B.9 Data dari Paket faraway . . . . . . . . . . . . . . . . . . 459

1.1 Diagram Menunjukkan Langkah-langkah dalam Pemo-

1.2 Pembagian dan Perkembangan Model Linear . . . . . . 66

1.4 Contoh Histogram dengan Kurva Densitas . . . . . . . 83

3.1 Ilustrasi Garis regresi dan sabuk keyakinan . . . . . . . 193 FMIPA-UNEJ

3.2 Sebaran data dengan variabel kualitatif . . . . . . . . . 198

dengan ukuran mulai 10 sampai dengan 1000. Nilai

3.7 Contoh Histogram dengan Kurva Densitas Data Cars . 216

pok yang dapat digabung . . . . . . . . . . . . . . . . . 221

gam Relatif Konstan . . . . . . . . . . . . . . . . . . . 249

berhasilan Berbagai Kelompok . . . . . . . . . . . . . . 335

2.1 Fungsi R terkait matriks . . . . . . . . . . . . . . . . . 134

5.6 Format Data R Jumlah Kelulusan dan Kegagalan . . . 332

BAB 1 Daftar Isi

DASAR-DASAR PEMODELAN STOKASTIK

Analisis regresi sering disebut model statistika (statistical model, yaitu

1. dapat menyebutkan hakekat dari pemodelan matematika, khusus-

2. dapat menjelaskan langkah-langkah penyusunan model statistika; JJ J I II

3. dapat menjelaskan langkah-langkah mengestimasi parameter da-

4. dapat menjelaskan perkembangan model statistika penting.

5. dapat menentukan dan mengeksplorasi paket statistika R terkait

3. Estimasi Parameter dalam Model Statistika Daftar Isi

4. Perkembangan Model Statistika

dianalisis. Asumsi-asumsi itu dapat meliputi hubungan antara pe-

semua kita menyadari bahwa saat itu sebenarnya sedang diterapkan

tematika (atau khususnya statistika) dalam memecahkan masalah ke-

bentuk cerita (words problem), sebenarnya merupakan aplikasi pemo-

Definisi 1.1 (Prinsip Pemodelan). Model matematika dari suatu ma-

Definisi 1.2. Pemodelan matematika adalah proses menerjemahkan Daftar Isi

masalah dalam bahasa umum(sehari-hari) ke dalam bahasa atau per-

Sebagai ilustrasi, berikut disampaikan contoh soal penerapan

Contoh 1.1. Seorang ibu membeli 3 kilogram salak dan 2 kilogram

2. Kita menyelesaikan persamaan matematika di atas dengan teori

3. Mensubsitusikan secara serempak nilai a dan b yang diperoleh ke

Jadi harga x kg salak dan y kg anggur adalah FMIPA-UNEJ

(fixed), sedangkan komponen lainnya, , yang bersifat acak disebut se-