Regresi Terbobotiteoririnci

Regresi Terboboti (Weighted Regression / Weighted Least Square)
http://oc.its.ac.id/jurusan.php?fid=1&jid=3
Wiwiek Setya Winahju
wiwiek@statistika.its.ac.id
Penggunaan metode analisis regresi untuk membentuk model regresi didasari oleh asumsi error atau
residual yang bersifat identik, independen, dan berdistribusi normal, dengan mean bernilai nol dan va-
riansi bernilai tertentu, yaitu 2; dinotasikan i ~ iidn(0, 2). Secara visual kondisi i ~ iidn(0, 2) dide-
teksi menggunakan empat macam plot, yaitu : residual terhadap fit, residual terhadap urutan pelaksana-
an eksperimen, histogram residual, dan kenormalan residual. Pada mulanya untuk penaksiran parameter
koefisien regresi digunakan metode kuadrat terkecil biasa (Ordinary Least Square, disingkat OLS). A-
F:\Ibu\materiregresi\RegresiTerboboti,teori,rinci 1
pabila plot residual terhadap fit membentuk titik-titik yang tidak random, tetapi membentuk pola, misal
berbentuk corong atau bando lengkung, ini menunjukkan asumsi identik tidak terpenuhi. Kondisi ini
dinamai juga heteroskedastisitas (lawannya adalah homoskedastisitas). Metode penaksiran parameter
yang sesuai adalah kuadrat terkecil terboboti (Weighted Least Square, disingkat WLS). Berikut ini akan
diuraikan secara singkat lebih dulu tentang OLS sebagai review, baru kemudian WLS.
Review O L S
Model regresi linier umum dalam matrik ialah : Y = X  + . Apabila untuk membangun model re-
gresi ini digunakan n eksperimen, maka model untuk setiap eksperimen ialah :
Yi = Xi  + i atau Yi = 0 + 1 X1i + 2 X2i + L + k Xki + i , i = 1, 2, ... , n.
Bila asumsi i ~ iidn(0, 2) terpenuhi, artinya :
- i identik, dinotasikan var(i) = 2 untuk setiap i, dapat pula diartikan cov(i,j) = 2 bila i = j,
atau cov(i,i) = 2 ,
- i independen, dinotasikan cov(i,j) = 0 untuk i  j, akibatnya E(ij) = E(i) E(j),
- i ~ n(0, 2), E(i ) = 0 untuk setiap i dan var(i ) = 2 untuk setiap i;
karena i juga bersifat independen, maka berakibat E(ij) = E(i) E(j) = 0,
maka menjadikan matrik varian kovarian vektor , dinotasikan var(), adalah sebagai berikut :
 var(1 ) cov(1 ,  2 ) L cov(1 ,  n )   2 0 L 0
 cov( ,  )  
var( 2 ) L cov( 2 ,  n )   0 2 L 0
var() = 
2 1
= = I 2
 M M O M   M M O M
   
cov( n , 1 ) cov( n ,  2 ) L var( n )   0 0 L  2 
Penaksir parameter koefisien regresi dan variansinya didapatkan dengan rumus berikut :
 b0   var(b 0 ) cov(b 0 , b1 ) L cov(b 0 , b k ) 
b   cov(b , b ) var(b1 ) L cov(b1 , b k ) 
b =   = (XTX)-1 XTY dan var(b) = 
1 1 0
= (XTX)-12
 M  M M O M 
   
 b k  cov(b k , b 0 ) cov(b k , b1 ) L var(b k ) 
Penaksir nilai respon, yaitu Ŷ0 , pada nilai prediktor ditentukan X0, beserta variansinya adalah sebagai
berikut :
Ŷ0 = XT0 b T T T T
var( Ŷ0 ) = var( X0 b) = X0 var(b) X0 = X0 (XTX)-12 X0 = X0 (XTX)-1X0 2,
 1 
X 
1  10 
dengan : X0 =   atau X 0   X 20 
X0   
 M
 X k0 
Regresi WL S
Residual tidak identik mengakibatkan var(i) tidak sama untuk setiap i, dinotasikan var(i) =  i (Pada
2
OLS var(i) = 2). Agar i memenuhi asumsi identik maka dilakukan transformasi, dengan cara menga-
0,5
likan i dengan wi , atau vektor  dengan matrik P-1 dari sisi kiri. P adalah matrik diagonal dengan ele-
0 , 5
men wi , dan wi komponen kolom W. Matrik diagonal yang elemennya terdiri dari komponen vektor
W dinamai Matrik Pembobot, misal dinotasikan Wp (Proses mendapatkan Pembobot banyak didiskusi-
di buku-buku teks tentang Ekonometrika). Sekarang, vektor residual menjadi f ,
f = P-1 .
Matrik P ditentukan sedemikian rupa sehingga memenuhi : PTP = PP = P2 = V.
Residual baru ini, yaitu fi , sudah memenuhi segala asumsi, dinotasikan fi ~ iidn(0, 2). Persamaan
regresi baru :
P-1 Y = P-1 X  + P-1 ,
dengan notasi baru :
Yw = Q  w + f atau Ywi = w0 Q0i + w1 Q1i + fi (khusus regresi dengan satu prediktor).
Ini merupakan persamaan regresi OLS, dengan:

- variabel respon Yw = P-1 Y,
- variabel prediktor Q0 dan Q1, yang terhimpun di dalam matrik Q = P-1 X ,
- parameter : w0 dan w1 (khusus regresi dengan satu prediktor).
- residual f.
Regresi ini, kolom pertama matrik Q, yaitu Q0, elemennya tidak bernilai 1, tidak seperti kolom pertama
matrik X pada regresi OLS, yang setiap elemen kolom pertamanya bernilai 1. Berikut ini ditampilkan
kolom-kolom matrik X dan Q, dengan Q = P-1 X :
1 x1  1 x11 L xk1   q01 q11   q01 q11 L qk 1 

1 x2  1 x12 L xk 2  q q12  q L qk 2 
X=  atau X =  Q=  02
atau Q =  02 q12
M M M M O M  M M  M M O M
       
1 xn  1 x1n L xkn   q0 n q1n   q0 n q1n L qkn 
X untuk satu prediktor X untuk k prediktor Q untuk satu prediktor Q untuk k prediktor
Varian residual atau error sebelum dilakukan transformasi ialah :

 var(1 ) cov(1 ,  2 ) L cov(1 ,  n )   12 0 L 0 
 cov( ,  )  
var( 2 ) L cov( 2 ,  n )   0  22 L 0 
var() = 
2 1
=  = V2
 M M O M 
 M M O M 
 
cov( n , 1 ) cov( n ,  2 ) L var( n )  0 0 L  n2 

Matrik V bukan matrik identitas, tetapi seperti ketentuan di atas, yaitu : V = PTP = PP = P2 . Sebelum
ditransformasi, elemen diagonal utama matrik varian-kovarian, yaitu var(), tidak sama; kondisi ini
dinamai tidak identik atau heteroskedastisitas. Agar identik, variansi error yang dinotasikan  i , i = 1,
2
2, ... , n, dikalikan dengan pembobot seperti yang telah diuraikan di halaman 2. Pembobot ini dihim-
pun di dalam matrik P-1, kalau dikaitkan dengan matrik V, maka yang dimaksud dengan matrik pembo-
0,5
bot ialah V-1 yang berelemenkan w, bukan wi .
Setelah dilakukan transformasi f = P-1 , maka error menjadi f, dengan sifat seperti error pada regresi
OLS, yaitu var(f) = I2 . Penjabaran var(f) secara rinci adalah sebagai berikut :
var(f) = E(f – E(f))(f – E(f))T = E(f – 0)(f – 0)T = E(f fT )
= E(P-1  (P-1 )T) = E(P-1   T P-1) = P-1 E(  T) P-1 = P-1 V2 P-1 = P-1 P P 2 P-1
= P-1 P P P-1 2 = I 2
Penentuan Pembobot
Penentuan pembobot ini tidak sederhana, harus disesuaikan kasus per kasus, tidak dapat ditentukan
formula untuk semua kasus. Secara rinci penentuan pembobot ditelaah pada metode Ekonometrika. Pa-
da materi ini hanya akan dibahas satu macam kasus, yang akan dipaparkan dalam contoh.
Penaksiran Parameter Koefisien Regresi WL S Dan Variannya

Dengan menggunakan/mengadopsi regresi OLS dalam notasi matrik; bila variabel bebas dihimpun di
dalam matrik Q, variabel respon Yw, maka penaksir parameter koefisien regresi dan variansinya dida-
patkan dengan rumus berikut :
 b 0w 
b 
bw = 
1w 
= (QTQ)-1 QTYw = ((P-1 X)T P-1X)-1 (X P-1)T (P-1 Y)
 M
 
 b kw 
= (XT P-1 P-1X)-1 XT P-1 P-1 Y = (XT V-1X)-1 XT V-1 Y
 var(b 0w ) cov(b 0w , b1w ) L cov(b 0w , b kw ) 
 cov(b , b ) var(b1w ) L cov(b1w , bkw ) 
var(bw) = 
1w 0w
 M M O M 
 
cov(b kw , b 0w ) cov(b kw , b1w ) L var(bkw ) 
= (QTQ)-12 = (XT V-1 X)-1 2
bw = (XT V-1X)-1 XT V-1 Y dan var(bw) = (XT V-1 X)-1 2
Selang Kepercayaan
Selang Kepercayaan 100(1) untuk parameter  w secara bersama :
( YwT Yw  b Tw Q T YW )
(bw  w) Q Q (bw  w) = p
T T
Fp,n-p,1- ,
np
dengan bw = (bw0 , bw1)T atau bw = (bw0 , bw1, ... , bwk)T, dan  w = (w0 , w1)Tatau  w = (w0 , w1, ... , wk)T.
( YwT Yw  b Tw Q T YW )
Bentuk merupakan Kuadrat Tengan Error atau Mean Square Error (MSE) yang
np
tercantum pada tabel ANOVA regresi WLS.
Selang Kepercayaan 100(1) untuk parameter  wi secara partial :

Bila pemodelan regresi menggunakan k prediktor, maka terdapat k+1 koefisien regresi, sehingga i = 0,
1, ... , k. Formula selang kepercayaan menjadi sebagai berikut :
bwi  t n  k 1,1 2 penaksir simpangan baku (bwi)
Tabel ANOVA
Terdapat berbagai macam formula tabel ANOVA; masing-masing dinyatakan sebagai berikut :
Formula 1 Formula 2
Derajat Kuadrat Derajat Kuadrat
Sumber Bebas Jumlah Kuadrat Sumber Bebas Jumlah Kuadrat
Tengah Tengah
Regresi k+1 bwTQTYw Regresi k 2
bwTQTYw  nYw
Sisa/Re- JKSisa Sisa/Re- JKSisa
sidual nk1 YwTYw  bwTQTYw sidual nk1 YwTYw  bwTQTYw
n2 n2
Total,
Total n YwT Yw terkoreksi
n 1 YwT Yw  nYw2
Formula 3 Formula 4
Derajat Kuadrat Derajat Kuadrat
Sumber Bebas
Jumlah Kuadrat
Tengah
Sumber Bebas
Jumlah Kuadrat
Tengah
b0 1 nYw2 Regresi|b0 k bwT QTYw  nYw
2
k bwTQTYw  nY 2 n-k-1- YwTYwbwTQTYw 

Regresi|b0 Lack of fit
nPE KTLoF
JKPE
n-k-1- YwTYwbwTQTYw s 2PE
Lack of fit
nPE KTLoF Pure Error nPE JKPE
JKPE
s 2PE Total, ter- YwT Yw  nYw2
Pure Error nPE JKPE koreksi
n-1
Total n YwT Yw
Pengujian Hipotesis Untuk Kemaknaan

Pengujian Hipotesis Satu Prediktor Secara Parsial
Pada bagian ini akan diuraikan pengujian hipo-
tesis secara lengkap, untuk mendeteksi kemak- Ini berarti, model menggunakan k prediktor,
naan pengaruh prediktor, baik secara parsial kemudian dideteksi pengaruh prediktor ke i
maupun bersama. terhadap respon; ini disebut pengaruh secara
parsial.
- Perumusan Hipotesis Nilai penaksir simbangan baku(b i ) adalah
H0 : i = 0, artinya pengaruh prediktor ke i akar elemen diagonal utama ke i matrik var(bw),
pada respon tidak bermakna. dengan var(bw) = (XT V-1 X)-1 2.
H1 : i  0, artinya pengaruh respon bermakna.
Bila H0 benar T~ t n  k 1,
-  = 0,05 - Titik Kritis : t n  k 1,  dan t n  k 1,1 
2 2
- Statistik Uji : - Kesimpulan :

T
bi H0 diterima bila t n  k 1, 2  T  t n  k 1,1 2 ,
penaksir simbangan baku(bi )
H0 ditolak bila T < t n  k 1, 2 atau T > prediktor ke i sampai ke k secara
bersama-sama tidak bermakna.
t n  k 1,1  .
2
- Interpretasi : ... H1 : Paling tidak terdapat satu i yang penga-

ruhnya terhadap respon bermakna.
Pengujian Hipotesis Untuk Kemaknaan -  = 0,05

k Prediktor Secara Bersama
- Statistik Uji :
Tipe 1
Menggunakan ANOVA formula 2,
- Perumusan Hipotesis
H0 : i = 0, i = 1, 2, ... , k, artinya pengaruh
( b Tw QT Yw  nYw2 ) / k Tipe 2
F= - Perumusan Hipotesis
(YwT Yw  b Tw QT Yw ) /( n  k  1)
H0 : i = 0, i = 0, 1, 2, ... , k, artinya perbedaan
Bila H0 benar, F ~ Fk,n-k-1 setiap i dengan 0 tidak bermakna.
- Titik Kritis : Fk,n-k-1,1-  H1 : Paling tidak terdapat satu i yang perbe-

daannya dengan nol bermakna.
- Kesimpulan :
H0 diterima bila nilai F  Fk,n-k-1,1-  -  = 0,05
H0 ditolak bila F > Fk,n-k-1,1- .
- Statistik Uji :
Menggunakan ANOVA formula 1, H0 ditolak bila F > Fk+1,n-k-1,1- .
(b Tw Q T Yw ) /(k  1) - Interpretasi : ...

F=
(YwT Yw  b Tw QT Yw ) /( n  k  1)
Contoh 1
Bila H0 benar, F ~ Fk+1,n-k-1 X1 X2 Y Varian W = var
1
60 50 87,5 1,88989 0,5291

- Titik Kritis : Fk+1,n-k-1,1-  60 50 88,1 0,5291
60 50 89,5 0,5291
- Kesimpulan : 60 50 86,2 0,5291
60 50 90 0,5291
H0 diterima bila nilai F  Fk+1,n-k-1,1- 
60 50 88,2 0,5291 60 70 81,7 0,0184
60 50 87,3 0,5291 60 70 60,3 0,0184
60 50 89,2 0,5291 120 50 82,5 0,3997
60 50 85,9 0,5291 120 50 81,6 0,3997
60 50 87 0,5291 120 50 77,4 0,3997
60 70 77,4 54,3204 0,0184 120 50 81,5 0,3997
60 70 70,7 0,0184 120 50 79,7 0,3997
60 70 67 0,0184 120 50 81,3 0,3997
60 70 71,7 0,0184 120 50 80,7 0,3997
60 70 79,2 0,0184 120 50 79,3 0,3997
60 70 68,1 0,0184 120 50 82 0,3997
60 70 65,3 0,0184 120 50 79,2 2,50178 0,3997
60 70 61 0,0184 120 70 61,2 60,6933 0,0165
120 70 67,2 0,0165 Regression Analysis: Y versus X1; X2
120 70 55,9 0,0165
120 70 52 0,0165 The regression equation is
Y = 143 - 0,138 X1 - 0,927 X2
120 70 63,5 0,0165
120 70 50,7 0,0165 Predictor Coef SE Coef T P
120 70 52,3 0,0165 Constant 142,925 5,800 24,64 0,000
X1 -0,13758 0,02851 -4,83 0,000
120 70 68,6 0,0165 X2 -0,92675 0,08552 -10,84 0,000
120 70 69,5 0,0165
S = 5,40890 R-Sq = 79,2% R-Sq(adj) = 78,1%
120 70 70,1 0,0165
Sumber : Classical And Modern Regression with Ap-
plications, oleh Raymond H. Myers, halaman Analysis of Variance
281.
Source DF SS MS F P
Regression 2 4116,9 2058,5 70,36 0,000 Residual Plots for Y
Residual Error 37 1082,5 29,3 Normal Probability Plot of t he Residuals Residuals Versus the Fitted Values
Lack of Fit 1 7,8 7,8 0,26 0,612 99
Standardized Residual
2
Pure Error 36 1074,6 29,9 90
1
Total 39 5199,4
Percent
50 0
Residual Plots for Y 10

-1
-2
1
-2 -1 0 1 2 60 70 80 90
Standardized Residual Fitted Value
Histogram of the Residuals Residuals Versus the Order of the Data
Standardized Residual
12 2
Frequency
9
0
6
-1
3
-2
0
-2 -1 0 1 2 1 5 10 15 20 25 30 35 40
Standardized Residual Observation Order
Plot Residual terhadap Fitted Value menunjukkan Penentuan Pembobot :
pola corong, yaitu makin tinggi Fitted Value, makin Tujuan pembobotan ialah mendapatkan variansi er-
kecil nilai residual; ini berarti asumsi eror identik ti- ror identik, yaitu var() = I2 . Karena variansi er-
dak terpenuhi, atau terjadi kondisi heteroskedastisi- ror tidak diketahui, dan secara teori variansi error
tas. Disimpulkan, model ini kurang baik, meskipun sama dengan variansi respon, maka yang direkayasa
semua prediktor berpengaruh bermakna ditunjukkan ialah variansi respon, yaitu var(Y).
oleh nilai P = 0, koefisien determinasi, R 2 cukup
tinggi, yaitu sebesar 78,1%; serta lack of fit tidak Agar lebih mudah mengevaluasi var(Y), organisasi
bermakna, ditunjukkan oleh nilai P = 0,612. Untuk data di atas diubah kebentuk berikut :
menanggulangi kondisi tersebut dilakukan pembo-
botan. X2
50 70
87,5 88,2 77,4 68,1
88,1 87,3 70,7 65,3
89,5 89,2 67 61 X1 X2 Varian Pembobot, Jumlah Derajat
86,2 85,9 71,7 81,7 W Kuadrat Bebas
60 90 87 79,2 60,3
82,5 81,3 61,2 50,7 60 50 1,88989 0,5291 17,009 9
X1 81,6 80,7 67,2 52,3 60 70 54,3204 0,0184 488,884 9
77,4 79,3 55,9 68,6 120 50 2,50178 0,3997 22,516 9
120 81,5 82 52 69,5
79,7 79,2 63,5 70,1 120 70 60,6933 0,0165 546,24 9
1074,65 36
Tampak terdapat empat kondisi, masing-masing ter-
diri dari 10 eksperimen. Kalau diamati, nilai-nilai Perbedaan var(Y) cukup tinggi; agar nilai variansi
respon setiap kondisi hampir homogen, tetapi pada identik, maka setiap variansi dikalikan suatu bila-
kondisi yang berbeda tampak heterogen. Empat ngan yang nilainya tergantung nilai var(Y). Makin
kondisi tersebut adalah : kecil nilai var(Y), makin tinggi bilangan pengali-
nya. Bilangan pengali tersebut disebut pembobot.
Dalam kasus ini penbobot dinotasikan W sebesar  w1 0  0 
1/var(Y), dicantumkan pada kolom sesudah kolom 0 w2  0 
yang memuat varian. Adapun kolom selanjutnya, V = 
1
yaitu yang memuat jumlah kuadrat dan derajat be-     

 
bas, digunakan untuk pengujian kemaknaan Lack of 0 0  wn 
fit.
- Matrik P1 juga matrik diagonal, elemennya meru-
Lebih lanjut, dapat dinyatakan matrik yang berka- 0, 5
itan dengan pembobot sebagai berikut : pakan akar elemen V1, yaitu w i .
- Matrik V1 berupa matrik diagonal yang berele-
menkan nilai-nilai pembobot, yaitu wi; matrik ini
disebut Matrik Pembobot.
 w10,5 0  0  Kembali ke Contoh 1, lakukan proses pemodelan
  regresi terboboti atau regresi WLS dengan mengi-
0 w 02,5  0 
P = 
1 kuti langkah berikut :
     
  1. Tulislah matrik X dan matrik Q.
 0 0  w 0n,5  2. Hitunglah : bw dan penaksir Yw , yaitu Ŷw .
3. Hitunglah f , fTf , dan penaksir var(bw).
Setelah didapatkan matrik pembobot, dilakukan 4. Gambarlah Plot Ŷwi terhadap fi . Bandingkan
proses pemodelan regresi terboboti, dengan meng-
gunakan berbagai rumus atau formula yang sudah dengan plot sejenis sebelun dilakukan pembo-
diuraikan pada halaman sebelum ini. botan.
5. Dapatkan selang kepercayaan 95% untuk i
secara parsial, dan  secara bersama.
6. Lakukan pengujian hipotesis untuk mendeteksi
pengaruh variabel prediktor secara parsial dan
bersama. Uji pula kemaknaan lack of Fit.
Contoh 2
Berikut ini adalah data hasil eksperimen,
Proses penggunaan WLS pada MINITAB dilakukan Pengamatan
dengan mengisikan kolom yang memuat pembobot, ke X Y W
yaitu W, pada Weights, yang muncul pada window 1 1.15 0,99 1.2403
setelah menekan Option. Jawablah pertanyaan soal
2 1.9 0,98 2.1824
no 2 sampai 6. Pada output muncul peringatan; tu-
lislah peringatan tsb, dan artikan. Adanya peringa- 3 3 2,60 7.8493
tan menunjukkan bahwa menjalankan WLS tidak 4 3 2,67 7.8493
cukup hanya mengandalkan MINITAB. 5 3 2,66 7.8493
6 3 2,78 7.8493
7 3 2,80 7.8493 18 7.91 9,81 0.7959
8 5.34 5,92 7.4365 19 7.94 8,50 0.78342
9 5.38 5,35 6.9931 20 9.03 9,47 0.47385
10 5.4 4,33 6.7857 21 9.07 11,45 0.46621
11 5.4 4,89 6.7857 22 9.11 12,14 0.45875
12 5.45 5,21 6.3051 23 9.14 11,50 0.45327
13 7.7 7,68 0.892 24 9.16 10,65 0.44968
14 7.8 9,81 0.8442 25 9.37 10.64 0.41435
15 7.81 6,52 0.8396 26 10.17 9,78 0.31182
16 7.85 9,71 0.8217 27 10.18 12,39 0.31079
17 7.87 9,82 0.813 28 10.22 11,03 0.30672
29 10.22 8 0.30672 Aktifkan Enable Command. Setiap jawaban yang memer-
lukan perhitungan agar dilengkapi dengan : rumus dan
30 10.2211,90 0.30672
rangkaian command.
31 10.18 8,68 0.31079
32 10.5 7,25 0.28033 1. Dapatkan model regresi Y fungsi X . Uraikan inter-
33 10.2313,46 0.30571 pretasi model yang saudara dapatkan (interpretasi meli-
puti Sign dan Size). Apakah model cukup baik?
34 10.0310,19 0.3268
35 10.23 9,93 0.30571 2. Berapakah b = (b0, b1)T dan penaksir var(b)?
Sumber : Applied Regression Analysis, Second Edition
oleh Norman Draper dan Harry Smith, hala- 3. Lakukan prediksi Y0 bila biaya promosi X0 sebesar
man 113. 10,5. Dapatkan pula selang kepercayaan 95% untuk Y 0
(confidence interval atau prediction interval ?) Mana
yang tepat ? Jelaskan.
4. Turunkan rumus penaksir var(b0), dan penaksir 6. Karena 2 tidak diketahui, 2 ditaksir dengan s2, maka
var(Y0) bila X0 titik prediktor yang digunakan untuk masing-masing hasil transformasi pada soal no 5 di atas
membentuk model (bukan dalam notasi matrik). menjadi berdistribusi apa ? Tuliskan setiap hasil trans-
formasi beserta distribusinya.
5. Dengan asumsi residual iidn(0,2) terpenuhi, maka da-
lam bentuk rumus : Tuliskan selang kepercayaan 95% untuk setiap hasil tran-
b0 ~ N( … , … ) formasi, selanjutnya dapatkan pula selang kepercayaan
b1 ~ N( … , … ) 95% untuk masing-masing 0, 1, dan Y0 pada prediktor
Y0 ~ N( … , … ). bernilai X0.
Tuliskan transformasi terhadap : b0 , b1, dan Y0, agar ma-
sing-masing atau setiap hasil transformasi menjadi ber- 7. Tulislah rumus statistik uji untuk pengujian hipotesis
distribusi normal standar. masing-masing 0, 1, dan Y0 pada prediktor bernilai X0.
Lakukan uji hipotesis, apakah perbedaan antara 0 dengan
-1 bermakna ? Perbedaan antara 1 dengan 1,5 bermak-
na ? Perbedaan antara Y0 pada X0 = 10,5 dengan 9,5 ber- Penerapan WLS pada MINITAB dilakukan dengan me-
makna ? ngisikan kolom yang memuat pembobot, yaitu W, pada
Weights, yang muncul pada window setelah menekan
8. Gambarlah plot Residual terhadap YFIT. Artikan plot Option. Jawablah terapan pertanyaan soal no 1, 2, 3, dan
tersebut. Lengkapilah analisis, apakah model baik ? 7, pada kondisi melibatkan pembobot (namailah dengan
jawaban no 9 sampai dengan 12). Bandingkan kedua
Serangkaian perhitungan yang telah anda lakukan adalah model yang terbentuk (13). Pada output muncul peringa-
berdasarkan metode Ordinary Least Square (OLS). tan; tulislah peringatan tsb, dan artikan. Adanya peringa-
tan menunjukkan bahwa menjalankan WLS tidak cukup
Pada plot Residual terhadap YFIT tampak bahwa titik-titik hanya dengan menggunakan MINITAB.
tidak random, tetapi membentuk corong. Ini menunjuk-
kan model belum baik, sehingga model perlu diperbaiki
dengan meggunakan Weighted Least Square (WLS).

Regresi Terbobotiteoririnci

Diunggah oleh

Informasi Dokumen

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

Regresi Terbobotiteoririnci

Diunggah oleh

Hak Cipta:

Format Tersedia

Regresi Terboboti (Weighted Regression / Weighted Least Square)

Ini merupakan persamaan regresi OLS, dengan:

1 x1  1 x11 L xk1   q01 q11   q01 q11 L qk 1 

Varian residual atau error sebelum dilakukan transformasi ialah :

Penaksiran Parameter Koefisien Regresi WL S Dan Variannya

bw = (XT V-1X)-1 XT V-1 Y dan var(bw) = (XT V-1 X)-1 2

Selang Kepercayaan 100(1) untuk parameter  wi secara partial :

bwi  t n  k 1,1 2 penaksir simpangan baku (bwi)

k bwTQTYw  nY 2 n-k-1- YwTYwbwTQTYw 

Pengujian Hipotesis Untuk Kemaknaan

- Statistik Uji : - Kesimpulan :

- Interpretasi : ... H1 : Paling tidak terdapat satu i yang penga-

Pengujian Hipotesis Untuk Kemaknaan -  = 0,05

- Titik Kritis : Fk,n-k-1,1-  H1 : Paling tidak terdapat satu i yang perbe-

(b Tw Q T Yw ) /(k  1) - Interpretasi : ...

60 50 87,5 1,88989 0,5291

Residual Plots for Y 10

Histogram of the Residuals Residuals Versus the Order of the Data

yaitu yang memuat jumlah kuadrat dan derajat be-     

Anda mungkin juga menyukai