TUGAS PERTEMUAN KE-6

PRAKTIKUM METODE STATISTIKA

NAMA : YUSFIL KHOIR PULUNGAN

NIM : 11.6973
KELAS : I-A

SEKOLAH TINGGI ILMU STATISTIK

JAKARTA
2012
 Analisis Regresi

Istilah regresi dikemukakan untuk pertama kali oleh seorang antropolog dan
ahli meteorology Francis Galton dalam artikelnya “Family Likeness in Stature” pada
tahun 1886. Ada juga sumber lain yang menyatakan istilah regresi pertama kali mucul
dalam pidato Francis Galton didepan Section H of The British Association di Aberdeen,
1855, yang dimuat di majalah Nature September 1855 dan dalam sebuah makalah
“Regression towards mediocrity in hereditary stature”, yang dimuat dalam Journal of
The Antrhopological Institute (Draper and Smith, 1992).

Studinya ini menghasilkan apa yang dikenal dengan hukum regresi universal
tentang tingginya anggota suatu masyarakat. Hukum tersebut menyatakan bahwa
distribusi tinggi suatu masyarakat tidak mengalami perubahan yang besar sekali antar
generasi. Hal ini dijelaskan Galton berdasarkan fakta yang memperlihatkan adanya
kecenderungan mundurnya (regress) tinggi rata-rata anak dari orang tua dengan tinggi
tertentu menuju tinggi rata-rata seluruh anggota masyarakat. Ini berarti terjadi
penyusutan ke arah keadaan sekarang. Tetapi sekarang istilah regresi telah diberikan
makna yang jauh berbeda dari yang dimaksudkan oleh Galton. Secara luas analisis
regresi diartikan sebagai suatu analisis tentang ketergantungan suatu variabel kepada
variabel lain yaitu variabel bebas dalam rangka membuat estimasi atau prediksi dari
nilai rata-rata variabel tergantung dengan diketahuinya nilai variabel bebas.

Pada regresi linier sederhana berlaku persamaan :

𝑌𝑖 = 𝛽𝑜 + 𝛽1 𝑋𝑖 +∈𝑖
𝑌𝑖 : Dependent
𝛽𝑜 + 𝛽1 𝑋𝑖 : Konstan
∈𝑖 : Random Variabel/Independent
Persamaan diatas Simpel, Linier dalam parameter dan linier dalam variabel

Adapun parameternya, yaitu mean dan variansi da-pat diturunkan sebagai berikut :

Mean (Yi )
𝑌𝑖 = 𝛽𝑜 + 𝛽1 𝑋𝑖 +∈𝑖
𝘌(𝑌𝑖 ) = 𝘌(𝛽𝑜 ) + 𝘌(𝛽1 𝑋𝑖 ) + 𝘌(∈𝑖 )
𝘌(𝑦) = 𝛽𝑜 + 𝛽1 𝑋𝑖
 var(Yi )

var(Yi )= var(0 + 1 Xi + i )

var(Yi )= var(0)+ var(1 Xi) + var(i )

var(Yi )= 0 + 0 + var(i ) = 2

Dengan menggunakan metode kuadrat terkecil atau least square telah

didapatkan penaksir 0 , dinotasi-kan b0 dan penaksir 1 , dinotasikan b1 , sebagai
berikut :

1 n n

𝑏0 =   Yi  b1  X i   Y  b1 X
n  i 1 i 1 

∑𝑛𝑖=1 𝑋𝑖 ∑𝑛𝑖=1 𝑌𝑖
∑𝑛𝑖=1 𝑋𝑖 𝑌𝑖 −
𝑏1 = 𝑛
𝑛 2
𝑛 2 (∑𝑖=0 𝑋𝑖 )
∑𝑖=0 𝑋𝑖 −
𝑛

Perhitungan nilai penaksir respon ke i dilakukan dengan menggunakan penaksir

model regresi yang terbentuk, yaitu :

Yˆi  b0  b1 X i .
𝑒𝑖 = 𝑌𝑖 − 𝑌𝑖
Kedua persamaan ini berbeda
𝜀𝑖 = 𝑌𝑖 − 𝐸 { Yˆi } b0  b1 X i .
𝑛

∑ ei = 0
𝑖=1

Yˆi adalah
 b0  b1Estimasi
Xi. harga y jika X disubstitusikan ke dalam persamaan regresi.
Bagaimana kalau di STATA !!!

Regresi (dalam statistik) yaitu

HUBUNGAN 2 VARIABEL, meliputi :

 Hubungan fungsional
Y = f(x)
contoh :
y = 2x dengan mengetikkan gen y=2*High MPG maka akan dihasilkan
seperti grafik dibawah ini :
100
y80
60
40

20 30 40 50
HighMPG

Sudah terlihat dalam bentuk garis lurus karena persamaan y=2x dimana
setiap pertambahan 1 nilai x maka y bertambah sebanyak 2 nilai x.
 Hubungan statistik

𝑌𝑖 = 𝛽𝑜 + 𝛽1 𝑋𝑖 +∈𝑖

𝑌𝑖 : Dependent Variable

𝛽𝑜 + 𝛽1 : Parameter

𝑋𝑖 : Independent Variable

𝛽𝑜 + 𝛽1 𝑋𝑖 : Konstan

∈𝑖 : Random Eror (Random Error hanya ada pada populasi)

Persamaan diatas Simpel, Linier dalam parameter dan linier dalam variabel
 Estimate
Yi = β0 + β1 X i + ε i
Y i = ( β 0 + β 1 Xi )
𝑛
𝑄 = ∑𝑖=1(Yi − β0 − β1Xi )2 , kita turunkan untuk mencari maksimum.
∑ 𝑋𝑖 ∑ 𝑌𝑖
∑ 𝑋𝑖𝑌𝑖 −
𝑏1 = 𝑛
(∑ 𝑋𝑖)2
∑ 𝑋𝑖 2 −
𝑛

𝑏𝑜 = 𝑌 − 𝑏𝑖 𝑋
50
40
30
20

1500 2000 2500 3000 3500 4000

Weight

HighMPG Fitted values

 Residual

Yˆi  b0  b1 X i .
𝑒𝑖 = 𝑌𝑖 − 𝑌𝑖
Kedua persamaan ini berbeda
𝜀𝑖 = 𝑌𝑖 − 𝐸 { Yˆi } b0  b1 X i .
𝑛

∑ ei = 0
𝑖=1

Yˆi adalah
 b0  b1Estimasi
Xi. harga y jika X disubstitusikan ke dalam persamaan regresi.

Isian pada COMMAND STATA :

 reg HighMPG Weight

Source SS df MS Number of obs = 93

F( 1, 91) = 174.43
Model 1718.69528 1 1718.69528 Prob > F = 0.0000
Residual 896.616546 91 9.85292907 R-squared = 0.6572
Adj R-squared = 0.6534
Total 2615.31183 92 28.4273025 Root MSE = 3.1389

HighMPG Coef. Std. Err. t P>|t| [95% Conf. Interval]

Weight -.0073271 .0005548 -13.21 0.000 -.008429 -.0062251

_cons 51.60137 1.73555 29.73 0.000 48.15391 55.04882

dari data diatas dapat diketahui :

Jumlah populasi = 93
b0 = 51.60137
b1 = -.0073271
Sum Square (SS = ∑𝑛𝑖=1( 𝑌𝑖 − 𝑌 )2 )