PEMBAHASAN
Untuk selanjutnya, dalam buku ini akan dipergunakan (5.2) untuk populasi (regresi
sebenarnya) dan (5.4) untuk sampel (regresi perkiraan). Baik (5.2) maupun (5.4) masing-masing
terdiri dari 1 variabel tidak bebas Y dan (k – 1) variabel bebas X,l yaitu : X2,X3,..., Xk. Jadi,
semuanya ada 1 + (k – 1) = k variable. Untuk model dengan 3 variabel, berarti k = 3, satu variabel
tidak bebas Y dan dua variabel bebas X2 dan X3.
Y = B1 + B2X2 + B3X3 + (5.5)
Sedangkan untuk sampel ditulis sebagai berikut.
Yi = b1 + b2X2i +b3X3i + ei (5.6)
𝑌̂i = b1 b2X2i+ b3X3i, I = 1, 2, …,n
ei = Yi – 𝑌̂i = perkiraan kesalahan pengganggu.
1
Selanjutnya, untuk menjelaskan pengertian masing-masing koefisien regresi parsial
(partial coefficient of regression), regresi (5.2) dan (5.4) ditulis sebagai berikut.
Populasi : Yi = B1.23 + B12.3X2i+ B13.2X3i + I (5.7)
Sampel : Yi = b1.23+ b12.3X12.3+ b13.2X3i + ei (5.8)
: 𝑌̂i = b1.23+ b12.3X2i + b13.2X3i
Angka-angka yang tercantum pada setiap koefisien disebut indeks atau subscript, angka
satu menunjukan variabel Yi atau X ii (bisa juga Yi ditulis Xii, sebagai variabel pertama), angka dua
dan tiga menunjukan variabel X2 dan X3.
Koefesien b1.23 pemeriksa B1.23 disebut intercept, yaitu titik potong antara garis regresi dengan
sumbu tegak Y. Arti sesungguhnya sebetulnya merupakan rata-rata pengaruh (mean or average
effect) dari berbagai variabel atau faktor yang mempengaruhi Y, tetapi tidak dimasukan dalam
persamaan regresi. Interpretasiyang paling mudah ialah bahwa b1.23 merupakan nilai perkiraan
rata-rata Y kalau X2 = X3 = 0, sebab 𝑌̂i = b1.23 + b12.3X2 + b13.2X3, Yi = b1.23. jadi, b1.23 merupakan
nilai perkiraan/ramalanY kalau X2 = X3 = 0 (b1.23 dibaca satu, titik, dua tiga).
b12.3dan b13.2 pemeriksa B12.3 dan B13.2 disebut koefisien regresi parsial (partial coefficient
of regression). b12.3 dan b13.2 dibaca b satu dua, titik, tiga dan b satu tiga, titik, dua. Di dalam analisis
ekonomi, sering kali kita membuat asumsi/anggapan bahwa suatu faktor variabel tetap, misalnya
kita akan melihat pengaruh biaya advertensi (X3) terhadap hasil penjualan (Y2) kalau pendapatan
(X3) tetap, atau pengaruh harga terhadap jumlah permintaan kalau pendapatan masyarakat
konstan/tetap tidak berubah.
b12.3 menunjukan besarnya pengaruh X2 terhadap Y kalau X3 tetap.
b13.2 menunjukan besarnya pengaruh X3 terhadap Y kalau X2 tetap.
Untuk 4 variabel, notasinya menjadi sebagai berikut:
𝑌̂i =b1.234 + b12.34X2 + b13.24X3 + b14.23X4
Misalnya :
𝑌̂ = hasil penjualan (perkiraan atau ramalan)
X2 = biaya advertasi
X3 = pendapatan
X4 = harga, atau
𝑌̂ = produksi padi (perkiraan atau ramalan)
X2 = pupuk
2
X1 = bibit
X2 = luas sawah
Variable tercantum dua indeks, yaitu Y1i, X2i, X3i, dibaca Y satu i, X dua i, X tiga i. indeks
pertama menunjukkan jenis variabel (hasil penjualan, konsumsi, pendapatan nasional, produksi
padi, dan lainnya) sedangkan indeks yang kedua menunjukkan nilai observasi yang ke berapa dari
suatu variabel tertentu. Indeks i menunjukkan nilai observasi ke i, yaitu data hasil
pencatatan/penelitian dari suatu jenis variabel tertentu.
Indeks utama yang pertama selalu menunjukan variabel tidak bebas Y, sedangkan yang
kedua menunjukan variabel bebas untuk koefisien regresi terkait, sedangkan indeks sekunder
menunjukan variabel-variabel bebas mana yang tercakup dalam model.
Untuk model regresi linear 3 variabel atau lebih, kita pergunakan asumsi-asumsi sebagai
berikut.
Artinya, kovarin (i,j) nol. Dengan perkataan lain, tidak ada korelasi antara kesalahan
pengganggu yang satu dengan yang lainnya.
3
(3). Var(i) = 𝜎 2 setiap i, i = 1, 2,…, n (5.11)
Artinya, kovarian setiap kesalahan pengganggu dengan setiap variabel bebas nol. Dengan
perkataan lain, tidak ada korelasi antara kesalahan pengganggu dengan setiap variabel
bebas yang tercakup dalam persamaan regresi linear berganda.
(5). Tidak ada multicollinearity, yang berarti tidak ada hubungan linear yang ekstra antara
variabel-variabel bebas. Dalam hal 3 variabel, tidak ada korelasi antara X2 dan X3.
Dengan menggunakan bahasa matriks, tidak ada multicollinearity, berarti berlaku
hubungan berikut.
Dimana k1 = k2= 0. Dalam hal ini X2i dan X3i dikatakan linearly independent13) kalau hubungan
(5.13) berlaku, maka X2i dan X3i merupakan vector yang mencakup seluruh observasi.
5.2 Interpretasi Persamaan Regresi Berganda, Arti, dan Cara Estimasi Koefisien Regresi
Parsial serta Variannya.
Persamaan (5.14) merupakan rata-rata atau nilai harapan bersyarat Y dengan X2 dan X3
yang nilainya diketahui (given). Jadi, analisis regrasi menghasilkan nilai rata-rata atau nilai
harapan bersyarat Y kalau X2 dan X3 nilainya diketahui. Nilai Y ini sangat tergantung kepada nilai
X2 dan X3 dan disebut rata-rata bersyarat oleh karena nilainya akan berbeda, tergantung syaratnya.
4
Kalau nilai X2 dan X3 berubah, nilai Y dengan sendirinya akan bertambah. Bandingkan dengan
hubungan dua variabel dalam bab 4, E(Y0/X0) = A + Bx0, nilai E(Y0/X0) sangat tergantung kepada
nilai X = X0.
Arti koefisien regresi parsial adalah sebagai berikut: B mengukur perubahan rata-rata atau
nilai harapan Y, yaitu E(Y/X2,X3), kalau X2 berubah sebesar satu satuan (unit), dimana X2 berubah
satu satuan, diman X3 konstan. Secara singkat mengukur besarnya perubahan Y kalau X2 berubah
satu satuan, di mana X3 konstan.
B13.2 mengukur besarnya perubahan Y kalau X3 berubah sebesar satu satuan, diman X2
konstan. Dengan menggunakan bahasa kalkulus B12.3 dan B13.2 merupakan turunan parsial
E(Y/X2,X3) terhadap X2 dan X3.
Misalnya, Y = output, X2 = tenaga kerja (labour), X3 = modal (capital). Kita anggap bahwa X2 dan
X3 sangat diperlukan untuk menghasilkan output Y dan proporsinya yang masing-masing
dipergunakan untuk maksud tersebut dapat berubah-ubah (berbeda).
Contoh mengontrol pengaruh linear modal (X3) didalam mengukur pengaruh (X2) terhadap Y
kalau X2 berubah (naik) satu satuan. Caranya sebagai berikut.
5
Dan
Dimana 𝑌̂i dan 𝑋̂2i merupakan nilai perkiraan / ramalan dari regresi (5.15 & 5.16)
Nilai Wi mewakili nilai Yi setelah dibebaskan dari pengaruh linier dari X3i’ artinya Wi
adalah nilai Yi yang sudah bebas dari pengaruh X3i .demikian pula dengan Vi’ yang merupakan
nilai X2i yang sudah bebas dari pengaruh X3i . Kemudian kita terus lanjutkan ke tahap 3 sebagai
berikut.
Wi = a0 + a1 vi + zi (5.17)
Untuk menghitung pengaruh X2, masing-masing harus dibebaskan dari pengaruh rumus
yang dipergunakan untuk menghitung koefisien regresi persial sudah memperhitungkan semua
pertimbangan diatas tersebut.
Ada dua cara untuk memperkirakan koefisien regresi parsial, yaitu dengan metode kuadrat
terkecil biasa (ordinary least squere=OSL) dan maximum likelihood method (ML). Perhatikan
persamaan berikut.
6
Y = b1.23+ b12.3X2 + b13.2X3 + ei (5.18)
Metode kuadrat terkecil biasa terdiri dari pemilihan nilai parameter yang tidak diketahui,
sedemikian rupa sehingga jumlah kuadrat kesalahan pengganggu minimum (terkecil). Atau
dikemnkakanb secara sederhana cara menghitung b1.23’ b12.3’ dan b13.2 sebagai perkiraan parameter
B1.23’ B12.3’ dan B13.2 sedemikian rupa sehingga ∑ 𝑒𝑖2 = minimum.
Caranya ialah dengan jalan menurunkan parsial dari ∑ 𝑒𝑖2 berturut-turut terhadap b1.23’
b12.3’ dan b13.2’ kemudian menyamakan dengan nol sebagai berikut.
𝜕 ∑ 𝑒𝑖2
= 2 ∑(𝑌𝑖 − 𝑏1.23 − 𝑏12.3 𝑋2𝑖 − 𝑏13.2 𝑋3𝑖 )(−1) = 0
𝜕𝑏1.23
𝜕 ∑ 𝑒𝑖2
= 2 ∑(𝑌𝑖 − 𝑏1.23 − 𝑏12.3 𝑋2𝑖 − 𝑏13.2 𝑋3𝑖 )(−𝑋2𝑖 ) = 0
𝜕𝑏12.3
𝜕 ∑ 𝑒𝑖2
= 2 ∑(𝑌𝑖 − 𝑏1.23 − 𝑏12.3 𝑋2𝑖 − 𝑏13.2 𝑋3𝑖 )(−𝑋3𝑖 ) = 0
𝜕𝑏13.2
2
𝑏1.23 ∑ 𝑋2𝑖 + 𝑏12.3 ∑ 𝑋2𝑖 + 𝑏13.2 ∑ 𝑋2𝑖 𝑋3𝑖 = ∑ 𝑋2𝑖 𝑌𝑖 (5.20)
2
𝑏1.23 ∑ 𝑋3𝑖 + 𝑏12.3 ∑ 𝑋3𝑖 𝑋2𝑖 + 𝑏13.2 ∑ 𝑋3𝑖 = ∑ 𝑋3𝑖 𝑌𝑖 (5.21)
Dari (5.19), kalau kita bagi n, kita peroleh rumus b1.23 sebagai berikut.
2
(∑ 𝑥2𝑖 𝑦𝑖 )(∑ 𝑥3𝑖 )−(∑ 𝑥3𝑖 𝑦𝑖 )(∑ 𝑥2𝑖 𝑥3𝑖 )
𝑏12.3 = 2 )(∑ 𝑥 2 )−(∑ 𝑥 𝑥 )2 (5.23)
(∑ 𝑥2𝑖 3𝑖 2𝑖 3𝑖
7
2
(∑ 𝑥3𝑖 𝑦𝑖 )(∑ 𝑥2𝑖 )−(∑ 𝑥2𝑖 𝑦𝑖 )(∑ 𝑥2𝑖 𝑥3𝑖 )
𝑏13.2 = 2 )(∑ 𝑥 2 )−(∑ 𝑥 𝑥 )2 (5.24)
(∑ 𝑥2𝑖 3𝑖 2𝑖 3𝑖
2
2 2
(∑ 𝑋2𝑖 ) ∑ 𝑋2𝑖 ∑ 𝑌𝑖
∑𝑥 = ∑𝑋 − ∑ 𝑥 𝑦𝑖 = ∑ 𝑋 𝑌𝑖 −
2𝑖 2𝑖 𝑛 2𝑖 2𝑖 𝑛
2
2 2 (∑ 𝑋3𝑖 ) ∑ 𝑋3𝑖 ∑ 𝑌𝑖
∑ 𝑋3𝑖 = ∑ 𝑋2𝑖 − , ∑ 𝑥3𝑖 𝑦𝑖 = ∑ 𝑋3𝑖 𝑌𝑖 −
𝑛 𝑛
2
2
(∑ 𝑌𝑖 ) 2 ∑ 𝑋2𝑖
∑𝑦 = ∑𝑌 − ∑ 𝑥 𝑥3𝑖 = ∑ 𝑋 𝑋3𝑖 −
𝑖 𝑖 𝑛 2𝑖 2𝑖 𝑛
̅ )(𝑉𝑖 − 𝑉̅ )
∑(𝑊𝑖 − 𝑊
𝑎1 =
∑(𝑉𝑖 − 𝑉̅ )2
∑ W1 V1
= ̅ =V
, sebab ∑ W1 = ∑ V1 = 0, jadi W ̅=0
∑ V1
8
Pembilang
= penyebut
Ingat
∑ x2i x3i
b23 = ⁄∑ x 2
3i
∑ x3i yi
b13 = ⁄∑ x 2 , sekarang perhatikan!
3i
∑ x3i yi
b13 ∑ x2i x3i = ∑ x23i
∑ x2i x3i
9
∑ 𝑥2
𝑣𝑎𝑟(𝑏12.3 ) = 𝜎 2 (∑ 𝑥 2 )(∑ 𝑥 2 )−(∑
3𝑖
2
(5.25)
2𝑖 3𝑖 𝑥 2𝑖 𝑥3𝑖 )
Pada umumnya, kalau persamaan garis regresi memuat 3 variabel (terrnasuk variabel tidak
bebas Y), maka:
∑ 𝑒𝑖2
𝑆𝑒2 = (5.30)
𝑛−𝑘
Untuk selanjutnya, lebih baik kalau ∑ 𝑒𝑖2 dihitung berdasarkan rumus berikut.
∑ 𝑒𝑖2 = ∑ 𝑦𝑖2 − b12.3 ∑ x2i yi − b13.2 ∑ x3i yi (5.30)
𝑒𝑖 = 𝑌𝑖 − (𝑌̅ − b12.3 ̅
X 2i − b13.2 ̅
X3i ) − b12.3 X2i − b13.2 X3i
=(𝑌𝑖 − 𝑌̅) − b12.3 (X 2i − X
̅ 2 ) − b13.2 (X3i − X
̅3)
𝑒𝑖 = 𝑌𝑖 − b12.3 X2i − b13.2 X3i
∑ 𝑒𝑖2 = ∑ 𝑒𝑖 . 𝑒𝑖
10
Sekarang,∑ 𝑒𝑖 𝑌𝑖 = ∑ 𝑦𝑖 𝑒𝑖 = ∑ 𝑦𝑖 (𝑦𝑖 − b12.3 X2i − b13.2 X3i )
Jadi,∑ 𝑒𝑖2 = ∑ 𝑦𝑖2 − b12.3 ∑ x2i yi − b13.2 ∑ x3i yi (terbukti)
𝑌̂ = 𝑌̅ + b12.3 ̅
X2i + b13.2 ̅
X3i , jumlahkan
∑ 𝑌̂𝑖 = 𝑛𝑌̅ + b12.3 X2i − b13.2 X3i, bagi n
1
3. ∑ 𝑒𝑖 = 0, jadi𝑒̅ = ∑ 𝑒𝑖 = 0
𝑛
11
4. Kesalahan pengganggu 𝑒𝑖 tidak berkorelasi dengan perkiraan 𝑌𝑖 yaitu 𝑌̂𝑖 , artinya : ∑ 𝑒𝑖 𝑌̂𝑖 = 0
5. Kesalahan pengganggu 𝑒𝑖 tidak berkorelasi dengan variabel bebas 𝑋2𝑖 dan 𝑋3𝑖 , yaitu∑ 𝑒𝑖 𝑋2𝑖 =
∑ 𝑒𝑖 𝑋3𝑖 = 0
6. Seperti halnya dalam bab 4, untuk keperluan pengujian hipotesis, kita membuat asumsi bahwa
𝜀𝑖 mengikuti distribusi normal dengan rata-rata nol dan varian 𝜎 2 . Dengan asumsi ini maka
pemerkira 𝑏12.3 ,𝑏13.2, 𝑏1.23 juga mengikuti distribusi normal dengan rata-rata 𝐵12.3 ,𝐵13.2 ,
𝐵1.23 , dan varian masing-masing.
Coba perhatikan 𝑏12.3 = 𝑌̅ − 𝑏12.3 𝑋̅ − 𝑏13.2 𝑋̅3 sebagai fungsi Y, padahal Y fungsi 𝑒𝑖 . Oleh
karena 𝑒𝑖 mengikuti distribusi normal, maka dengan sendirinya 𝑏1.23 juga mengikuti
distribusi normal.
Baik 𝑏12.3 dan𝑏13.2 juga fungsi Y yang mengikuti dsitribusi normal, maka dengan sendirinya
juga normal, karena setiap fungsi linear distribusi normal akan normal juga. Hal ini sangat
berguna untuk pengujian hipotesis.
7. Mengikuti logika dalam bab 4, dengan menggunakan asumsi normal, bisa ditunjukkan bahwa
(n-3) 𝑆𝑒2 /𝜎 2 akan mengikuti distribusi khai-kuadrat dengan derajat kebebasan (n-3). . Hal ini
sangat berguna untuk pengujian hipotesis.
8. Baik dengan menggunakan metode kuadrat terkecil maupun maximum likelihood method, kita
akan mendapat pemerkira koefisien regresi yang sama, berapa pun jumlah variabel yang
dicakupnya. Akan tetapi, tidak akan berlaku bagi pemerkira 𝑆𝑒2 = ∑ 𝑒12 / n, tanpa
memperhatikan banyaknya variabel yang dicakup dalam garis regresi. Sedangkan dengan
metode kuadrat terkecil, hal ini diperhitungkan, misalnya untuk hubungan 2 variabel, 3
variabel, dan k variabel, pemerkira𝜎 2 masing-masing menjadi ∑ 𝑒12 /(n-2), ∑ 𝑒12 / (n-3),
∑ 𝑒12 /(n-k). Metode kuadrat terkecil memperhatikan derajat kebebasan (degrees of freedom),
sedangkan metode ML tidak.
12
untuk regresi linear berganda yang mencakup lebih dari dua variabel. Jadi, dalam hubungan 3
variabel, regresi Y terhadap 𝑋2 dan𝑋3, ingin diketahui berapa besarnya proporsi (persentase)
sumbangan 𝑋2 dan𝑋3terhadap variasi (terhadap naik turunnya) Y secara bersama-sama. Besarnya
proporsi persentase sumbangan ini disebut koefisien determinasi berganda, dengan simbol 𝑅 2 .
Uraian tentang 𝑅 2 sama saja seperti uraian 𝑟 2 . Perhatikan persamaan berikut!
Y1 = b1.23 + b12.3X21 + b13.2X3i + ei
= Yi + ei (5.32)
Dimana Yi = b1.23 + b12.3X2i + b13.2X3i merupakan perkiraan yang dihitung dari regresi linear
berganda dan juga merupakan pemerkira rata-rata Y, dengan syarat X2, dan X3, yaitu E(Y/X2,X3).
Selanjutnya, perhatikan perubahan yang terjadi kalau masing-masing variabel dinyatakan dalam
̅,
deviasi (diukur dari rata-ratanya, dengan simbol huruf latin kecil yi,x2i, dan x3i, dimana yi = Yi - Y
x2i = X2i – ̅
X2, x3i = X3i - ̅
X3).
(1) Yi = b1.23 + b12.3 X2i+ b13.2X3i + e, jumlahkan
∑Yi = nb1.23 = b12.3∑X2i + b13.2∑X3i + ∑ei, bagi n
̅
(2) Y = b1.23 + b12.3̅ ̅3 + e̅, (1) – (2)
X2 + b13.2X
Yi - ̅
Y = b12.3 (X2i - ̅
X2) + b13.2 (X3i - ̅
X3) + ei - e̅
yi = b12,3x2i + b13.2x3i + ei
Jadi, yi = ŷI + ei (5.33)
13
ESS = ∑ŷi2 = b12.3∑x2iyi + b13.2∑x3iyi (5.35)
14
Hal-hal yang sukar diukur atau dapat diukur tetapi datanya tidak tersedia, biasanya
dimasukkan dalam kesalahan pengganggu, sehingga bisa mengganggu ramalan, yang
menyebabkan ramalan tidak tepat.
Contoh untuk meramalkan produksi padi ini kalau dituliskan persamaan regresinya menjadi:
Y = B1 + B2 + B3X3 + B4X4 + B5X5 + B6X6 + B7X7 + ε
atau perkiraannya berdasarkan data sampel:
Y = bi +b2X2 + b3X3 + b4X4 + b5X5 + b6X6 + b7X7 + e
atau pada umumnya:
Y = B1 + B2X2 + B3X3 + ... + B1X1 + ... + BkXk + ε
atau perkiraannya berdasarkan data sampel:
Y = b1 + b2X2 + b3X3 + ... + b1X1 + ... + bkXk + e
Kembali lagi ke nilai R2, nilainya paling besar 1 dan paling kecil nol. Kalau R2= 0, garis
regresi tidak dapat dipergunakan untuk membuat ramalan Y, sebab variabel-variabel bebas yang
dimasukkan dalam persamaan regresi tidak mempunyai pengaruh terhadap Y,
sumbangan/kontribusinya terhadap variasi Y nol. Makin dekat R2 dengan satu, makin tepat /cocok
garis regresi untuk meramalkan Y, itulah sebabnya, baik r2 maupun R2 dipergunakan sebagai suatu
kriteria untuk rnengukur cocok tidaknya suatu garis regresi untuk rnernperkirakan/rneramalkan
variabel tidak bebas Y (goodness of fit criteria).
Kalau r disebut koefisien korelasi dalam-hubungan dua variabel X dan Y yang rnengukur
kuatnya hubungan antara X dan Y, maka R disebut koefisien korelasi berganda untuk mengukur
kuatnya hubungan antara X2, X3, ... , Xk secara bersama-sama dan Y. Dalam praktiknya, R2 lebih
penting daripada R, sebab langsung dapat mengetahui besarnya proporsi/persentasi sumbangan
dari X2, X3, … , Xk secara bersama-sama terhadap variasi atau naik turunnya Y. Dihitung dahulu
r2 (R2), kemudian untuk memperoleh r (R), tinggal mengambil akar dari masing-masing.
Berikut ini contoh penggunaan fungsi produksi cobb-douglas.
B B
Y – B1.23 X2i 12.3 X 2i 13.2
setelah diambil lognya dengan bilangan pokok e,
In Yi = B0 + B12.3 In X2i+ B13.2 In X3i
dimana:
B0 = In B1.23
15
Contoh Soal 5.1
Dimana:
Y* = In 𝑌𝑖
∗
𝑋2𝑖 = In 𝑋2𝑖
∗
𝑋3𝑖 = In 𝑋3𝑖
Rumus:
∗ ∗ ∗2 ∗ ∗ ∗ ∗
(𝑥2𝑖 𝑦𝑖 ) (𝑥3𝑖 ) – (𝑥3𝑖 𝑦𝑖 ) (𝑥2𝑖 𝑥3𝑖 )
𝑏12.3 = ∗2 ∗2 ∗ ∗
(𝑥2𝑖 ) (𝑥3𝑖 ) − (𝑥2𝑖 𝑥3𝑖 )2
∗ ∗ ∗2 ∗ ∗ ∗ ∗
(𝑥3𝑖 𝑦𝑖 ) (𝑥2𝑖 ) − (𝑥2𝑖 𝑦𝑖 ) (𝑥2𝑖 𝑥3𝑖 )
𝑏13.2 = *2 ∗2 ) − (𝑥 ∗ 𝑥 ∗ )2
(x 2i ) (𝑥3𝑖 2𝑖 3𝑖
b0 = Y * - 𝑏12.3 X 2* - 𝑏13.2 X 3*
∗2
2 𝑥3𝑖
S2b12.3 = Se ∗2 ∗2 ∗ ∗
(𝑥2𝑖 ) (𝑥3𝑖 ) − (𝑥2𝑖 𝑥3𝑖 )2
16
∗2
𝑥2𝑖
S𝑏213.2 =Se 2
∗2 ) (𝑥 ∗2 ) − (𝑥 ∗ 𝑥 ∗ )2
(𝑥2𝑖 3𝑖 2𝑖 3𝑖
17
0,3898 -1,412 0,86 0,152 1,993 -0,55 0,335 -1,214
16,3028 0,868 1,33 265,781 0,753 14,150 21,682 1.154
x*2 2 x*2 3 x*2x*3 x*2 y* x*3 y*
495,613 19,927 10,683 31,745 -7,967
∗ ∗ ∗2 ∗ ∗ ∗ ∗
(𝑥2𝑖 𝑦𝑖 ) (𝑥3𝑖 ) – (𝑥3𝑖 𝑦𝑖 ) (𝑥2𝑖 𝑥3𝑖 )
𝑏12.3 = ∗2 ∗2 ∗ ∗
(𝑥2𝑖 ) (𝑥3𝑖 ) − (𝑥2𝑖 𝑥3𝑖 )2
∗ ∗ ∗2 ∗ ∗ ∗ ∗
(∑𝑥2𝑖 𝑦𝑖 ) (∑𝑥3𝑖 ) – (∑𝑥3𝑖 𝑦𝑖 ) (∑𝑥2𝑖 𝑥3𝑖 )
𝑏12.3 = ∗2 ∗2 ∗ ∗ 2
(∑𝑥2𝑖 ) (∑𝑥3𝑖 ) − (∑𝑥2𝑖 𝑥3𝑖 )
2
∗ ∗2 ∗ ∗ ∗ ∗
Pembilang = (∑𝑥2𝑖 y*3i ) (∑𝑥3𝑖 ) – (∑𝑥3𝑖 𝑦𝑖 ) (∑𝑥2𝑖 𝑥3𝑖 )
= (31,745) (19,927) – (-7,967) (10,683)
= 547,471154
2
∗2 ∗2 ∗ ∗
Penyebut = (𝑥2𝑖 ) (𝑥3𝑖 ) - (𝑥2𝑖 𝑥3𝑖 )
2
= (495,613) (19,927) – (10,683)
= 9762,83351
𝑏12.3 = 547,471154
9762,83351
= 0,05607708
∗ ∗ ∗2 ∗ ∗ ∗ ∗
(𝑥3𝑖 𝑦𝑖 ) (𝑥2𝑖 ) − (𝑥2𝑖 𝑦𝑖 ) (𝑥2𝑖 𝑥3𝑖 )
𝑏13.2 = ∗2 ) (𝑥 ∗2 ) − (𝑥 ∗ 𝑥 ∗ )2
(𝑥2𝑖 3𝑖 2𝑖 3𝑖
18
Pembilang = (-7,967) (495,613) - (31,745) (10,683)
= -3948,54-339,13
= -4287,6806
= -0,439184
= 2,1712541674
S2e = e2i / n – 3
= 2,1712541674 / 2
= 1,0856270837
19
R2 = Ŷ*2i / y*2i
= 1,7801669046 + 3,498978928
7,4504
= 0,7085721347
∗2
2 2 𝑥3𝑖
S b12.3 = s e ∗ 𝑥 ∗ )2
(x∗2 2i) (𝑥) − (𝑥2𝑖 3𝑖
19,927
=1,0856270837 9762,83351
21,633290897
= 9762,83351
= 0,0022158823
S𝑏12.3 = √ S2 b
=√0,0022158823
= 0,0470731590
∗2
2 2 𝑥2𝑖
S 𝑏13.2 =S e ∗2 ) (𝑥 ∗2 ) − (𝑥 ∗ 𝑥 ∗ )2
(𝑥2𝑖 3𝑖 2𝑖 3𝑖
495,613
= 1,0856270837
9762,83351
538,05089583
=
9762,83351
= 0,0551121654
20
S 𝑏13.2 = √ S2 b13.2
= √0,0551121654
= 0,2347598036
Perhatian!
Apabila dihitung dengan komputer, hasilnya pasti akan lain (berbeda), oleh karena adanya
kesalahan pembulatan (rounding error). Tentu saja perhitungan dengan komputer memberikan
hasil yang lebih teliti. Standard error untuk b0 = log b1.23 , yang disebut intercept, tidak dihitung.
Dalam praktik, biasanya hanya standard error dari koefisien regresi yang dihitung.
b1.23 = 0,056, artinya kalau X2 naik satu satuan (1 unit), Y* diharapkan naik 1,5 kali, kalau X3
tetap.
b13.2 = 0,439, artinya kalau X3 naik satu satuan (1 unit), Y* diharapkan naik 0,49 kali, kalau X2
tetap.
X2 = X2 , X3 = log X3 , Y* = log Y, Ŷ* = perkiraan/ramalan Y*, merupakan nilai regresi.
R2 = 0,708, artinya besarnya sumbangan (andil) X2 dan X3 terhadap variasi (naik turunnya) Y*
sebesar 89%, sedangkan sisanya sebanyak 11%, merupakan sumbangan faktor lainnya dengan
persamaan regresi Y* = 53,38 + 0,056X2 + 0,439X3 sudah diketahui lainnya.
21
Contoh Soal 5.2
X2 = Indeks Pendapatan Domestik Regional Broto
X3 = Indeks Harga Impor Bahan baku untuk industri (olahan)
Y = Indeks Impor Bahan baku untuk industri (olahan)
Belanja statistic
∑ 𝑥22 = 5.635,344596 ∑ 𝑥2 𝑥3 = 1.569,029856
∑ 𝑥32 = 1.287,99568 ∑ 𝑥2 𝑦 = 52.494,04615
∑ 𝑦 2 = 648.263,1067 ∑ 𝑥3 𝑦 = 7.219,416416
Menghitung b12.3:
Pembilang : = (∑x2iyi) (∑x23i)- (∑x3iyi) (∑x2ix3i)
= (52.494,04615) (1.287,99568) – (7.219,416416) (1.569,029856)
= 56.284.624,77
Penyebut : = (∑x22i) (∑x23i) – (∑x2ix3i)2
= (5.635,344596) (1.287,99568) – (1.569,029856)2
= 4.796.444,806
56.284.624,77
b12.3 =
4.796.444,806
= 11,73465495
22
= 11,7347
Menghitung b13.2 :
Pembilang :
(∑x3iyi) (∑x22i) – (∑x2iyi) (∑x2ix3i)
= (7.219,416416)(5.635,344596) – (52.494,04615)(1.569,029856)
= -41.680.826,38
Penyebut : sama
−41.680.826,38
b13.2 =
4.796.444,806
= -0,008689941
= -0,0087
b1.23 = Y – b12.3 X 2 – b13.2 X 3
32.324,0322
S2e =
2
S2e = 16.162,0161
Se = 127,1299182
= 127,1299
∑y2i ∑y2i
23
616.001,8834−62,8089
=
648.263,1067
= 0,950137479
= 0,9501
1.287,99568
= 16.162,0161
4.796.444,806
= 4,340007601
Sb12.3 = 2,08326849
= 2,0833
5.635,344596
= 16.162,0161
4.796.444,806
= 18,98875809
Sb13.2 = 4,357609217
= 4,3576
24
b12.3 = 11,7. Artinya, kalau X2 naik satu satuan ( 1 unit ), diharapkan Ŷ akan naik 0\11,7 kali,
kalau X3 tetap.
b13.2 = -0,0087. Artinya, kalau X3 naik satu satuan ( 1 unit ), diharapkan Ŷ akan naik 0,0087 kali,
kalau X2 tetap.
∑𝑒 2𝑖
R2 = 1 - ∑ 𝑦𝑖2
(5.37)
Untuk membandingkan dua nilai R2, harus memperhitungkan banyaknya variabel bebas di dalam
model regresi. Hal ini bisa dilakukan kalau mendefinisikan suatu alternative dari koefisien
determinasi.
∑ 𝑦𝑒 2 (𝑛−𝑘)
R2 = 1 - 𝑖
∑ 𝑦𝑖2 (𝑛−𝑘)
(5.38)
∑ 𝑦𝑒 2 = ∑ (Yi - 𝑌̅ )2
𝑖
25
(𝑛−𝑘)
R2 = 1- (1-R2) (𝑛−𝑘) (5.40)
5.4 Koefisien Korelasi Parsial dan Hubungan Berbagai Koefisien Korelasi dan Regresi.
Dalam bab 4 telah dibahas mengenai koefisien korelasi antara dua variabel X dan Y , yang
dimaksudkan untuk mengukur kuat tidaknya hubungan antara dua variabel tersebut. Makin besar
r, makin kuat hubungan dan makin kecil r, berarti makin lemah hubungan. Untuk hubungan tiga
variabel 𝑋2,𝑋3, dan Y, dapatdihitung tiga koefisien korelasi, yaitu:
𝑟12 = koefisien korelasi antara Y dan 𝑋2 (antara 𝑋2 dan Y)
𝑟13 = koefisien korelasi antara Y dan 𝑋3 (antara 𝑋3 dan Y)
𝑟23 = koefisien korelasi antara 𝑋2 dan 𝑋3( antara 𝑋3 dan 𝑋2)
Koefisien korelasi tersebut, masing-masing dinamakan koefisien korelasi sederhana
(simple coefficient of correlation) atau koefisien korelasi order nol (correlation coefficient of zero
order), hitung berdasarkan rumus berikut.
∑ x i yi
Antara X dan Y, 𝑟=
√∑ x2i √∑ y2i
∑ x2i yi
Antara 𝑋2 dan Y, 𝑟=
√∑ x22i √∑ y2i
∑ x3i yi
Antara 𝑋3 dan Y, 𝑟=
√∑ x23i √∑ y2i
∑ x2i y3i
Antara 𝑋2 dan 𝑋3 , 𝑟=
√∑ x22i √∑ y23i
26
Apakah kenyataannya 𝑟12 mengykur kuat tidaknya hubungan antara Y dan 𝑋2 (antara 𝑋2 dan
Y) , apabila variabel ketiga (𝑋3) mungkin berhubungan / berkorelasi dengan 𝑋2 dan Y (kedua-
duanya)?
Apakah koefisien regresi 𝐵12 mengukur 𝑋2 terhadap Y kalau 𝑋3 juga tercakup dalam model
regresi? Sekarang jelaskan kalau 𝑋2 berada dalam model regresi, 𝑟12tidak mengukur kuat tidaknya
hubungan antara 𝑋2dan Y. Maka dari itu, kita memerlukan suatu koefisien korelasi yang bebas
dari pengaruh 𝑋3, kalau ada, baik terhadap 𝑋2 maupun terhadap Y. Yang kita cari adalah koefisien
korelasi antara 𝑋2 dan Y yang bersih atau bebas dari pengaruh 𝑋3. Koefisien korelasi yang
demikian itu disebut koefisien korelasi parsial (parsial correlation coefficient). Secara, konseptual,
sama pengertiannya dengan koefisien regresi parsial (partial regression coefficient).
Secara simbol:
𝑟𝑤𝑣 = 𝑟12.3
∑(wi − w
̅ )(vi − v̅)
= 2
̅ )2 ∑(vi −v̅)
√∑( wi − w
∑ w i vi
𝑟𝑤𝑣 = (5.43)
√∑ w2i ∑ v2i
Sebab 𝑤
̅ = 𝑣̅ = 0
𝑌𝑖 = 𝑏1.3+ 𝑏13𝑋3𝑖+ 𝑤 𝑤𝑖 = 𝑌𝑖 - 𝑏13 -𝑏13 𝑋3𝑖
𝑖
27
= 𝑥 - 𝑏23 𝑥3𝑖 (deviasi)
Ingat! Untuk hubungan dua variabel X danY, huruf kecil menunjukan deviasi.
∑ 𝑦𝑖2 = ∑ 𝑦̂2 2 2
𝑖 + ∑ 𝑒𝑖 bagi dengan ∑ 𝑦𝑖
1 =∑ 𝑦̂2 2 2 2 ̂2 2
𝑖 / ∑ 𝑦𝑖 - ∑ 𝑒𝑖 / ∑ 𝑦𝑖 padahal ∑ 𝑦𝑖 / ∑ 𝑦𝑖 = 𝑟
2
∑ 𝑣𝑖2 = ∑ 𝑥21
2 2
(1 - ∑ 𝑟13 )
𝑆𝑦 =√∑ 𝑦𝑖2 /𝑛
𝑆𝑥 = √∑ 𝑥𝑖2 /𝑛
∑ 𝑥𝑖 𝑦 𝑖
b = ∑ 𝑥𝑖2
`
2
∑ 𝑥𝑖 𝑦𝑖 √∑ 𝑦𝑖 √𝑛
= ∑ 𝑥𝑖2
√∑ 𝑦𝑖2 √𝑛
∑ 𝑥𝑖 𝑦 𝑖
=
√∑ 𝑦𝑖2 √∑ 𝑦𝑖2
√∑ 𝑦𝑖2 /𝑛
=
√∑ 𝑦𝑖2 /𝑛
𝑆𝑦 𝑆 𝑆
b = r 𝑆 . dengan jalan yang sama, 𝑏13 = 𝑟13 𝑆1 , 𝑏23 = 𝑟23 𝑆2
𝑥 3 3
dimana𝑆1 = √∑ 𝑦𝑖2 /𝑛 2
𝑆2 = √∑ 𝑦2𝑖 2
/𝑛 𝑆3 = √∑ 𝑦3𝑖 /𝑛
28
∑ 𝑥3𝑖 𝑦𝑖 ∑ 𝑥2𝑖 𝑦𝑖 ∑ 𝑥2𝑖 𝑦3𝑖
𝑟13= = 𝑟12 = 𝑟23 =
2 ∑ 𝑦2
√∑ 𝑦3𝑖 1
2 ∑ 𝑦2
√∑ 𝑦2𝑖 1 √∑ 𝑦22𝑖 ∑ 𝑦31
2
Dari (5.43);
2 √∑ 2 𝑆
2 √∑ 2 2 √∑ 2 𝑆 𝑆1 𝑆2 2
= 𝑟12 √∑ 𝑥2𝑖 𝑦𝑖 - 𝑟13 𝑆1 𝑟23 √∑ 𝑥2𝑖 𝑥3𝑖 - 𝑟23 𝑆2 𝑟13 √∑ 𝑥3𝑖 𝑦𝑖 + 𝑟13 𝑟23 ∑ 𝑥3𝑖
3 3 𝑆32
𝑆 𝑆
= 𝑟12n 𝑆1 𝑆2 - 𝑟13 𝑆1 𝑟23n 𝑆2 𝑆3 - 𝑟23 𝑆2 𝑟13n 𝑆1 𝑆3 + 𝑟13 𝑟23 n𝑆1 𝑆2
3 3
= n 𝑆1 𝑆2 𝑟12 - 𝑟13 𝑆1 𝑟23 𝑛𝑆2 - 𝑟23 𝑆2 𝑟13 𝑛𝑆1 + 𝑟13 𝑟23 𝑛𝑆1 𝑆2
= n 𝑆1 𝑆2 (𝑟12- 𝑟13 𝑟23)
= √∑ 𝑦𝑖2 √∑ 𝑥2𝑖
2 2
√(1 − 𝑟13 2
)√(1 − 𝑟23 )
2 2
= n 𝑆1 𝑆2 √(1 − 𝑟13 )√(1 − 𝑟23 )
𝑟12 −𝑟13 𝑟23
Jadi, 𝑟12.3 = (5.44)
2 √(1−𝑟 2
√(1−𝑟13 23
Koefisien parsial dari (5.44(. (5.45), dan (5.46) disebut koefisien korelasi satu (first order
correlation coefficient). Kata order disini dimaksudkan banyaknya angka indeks
dibelakang titik.
𝑟13 = order nol, tidak ada angka dibelakang titik
29
𝑟13.24 = order dua, ada dua angka dibelakang titik
𝑟13.245 = order tiga, ada tiga angka dibelakang titik
𝑟13.24 = koefisien korelasi antara 𝑋3 dan Y kalau 𝑋2 dan 𝑋4 tetap
𝑟13.245 = koefisien korelasi antara 𝑋3 dan Y kalau 𝑋2 , 𝑋4 , dan 𝑋5 tetap
30
3. 𝑟12.3 dan 𝑟12 tidak perlu mempunyai tanda yang sama.
4. Dalam hubungan dua variabel, kita telah melihat bahwa nilai 𝑟 2 terletak antara 0 dan 1.
Setiap kosfisien korelasi parsial kalau dikuadratkan juga mempunyai nilai antara 0 dan 1.
Bisa ditunjukan bahwa dari (5.44) dapat diperoleh hubungan berikut.
2 2 2
a. 0 ≤ 𝑟12 + 𝑟13 + 𝑟23 - 2𝑟12 𝑟13 𝑟23 ≤ 1
(5.47)
5. Misalkan, 𝑟13= 𝑟23 = 0. Apakah ini berarti bahwa 𝑟12 juga nol? Jawabannya bias dilihat
dari (5.47). kenyataannya ialah bahwa walaupun Y dan 𝑋3 serta 𝑋2 dan 𝑋3 tidak
berkolerasi, tidak berarti bahwa Y dan 𝑋2 tidak berkolerasi.
2
Selanjutnya, 𝑟12.3 disebut kosfisien determinasi parsial dan dapat diartikan sebagai
proporsi/ persentase sumbangan 𝑋2 terhadap variasi Y kalau 𝑋3 tetap. (𝑋3 tidak memberikan
sumbangan terhadap variasi Y).
X3 18 13 14 17 9
31
Hitung :
a) S1,S2,S3
b) r12,r13,r23
̅
Yi = 144,1166666
̅
X2 = 239,93
̅ 3 = 14,2
X
n=5
2 2
∑ 𝑥2𝑖 = ∑ 𝑋2𝑖 − (∑ 𝑋2𝑖 )2 /𝑛
= 301.041,5925– (1.199,65)2 / 5
= 301.041,5925– 287.832,0245
= 13.209,568
32
2 2
∑ 𝑥3𝑖 = ∑ 𝑋3𝑖 − (∑ 𝑋3𝑖 )2 /𝑛
= 1.059 – (71)2 / 5
= 1.059 – 1.008,2
= 50,8
∑ 𝑦𝑖2 = ∑ 𝑌𝑖2 − (∑ 𝑌𝑖 )2 /𝑛
= 103.926,8681– (720,5833334)2 / 5
=103.926,8681 – 103.848,06807
= 78,80003
= 17.667,8 – 17.035,03
= 632,77
(1.199,65).(720,5833334)
= 172.041,625-
5
= 172.041,625 – 172.889,55918
= -847,93418
(71)(720,5833334)
= 10.171,5 -
5
= 10.171,5 – 10.232,28333
= -60,783333
33
Pemecahan
∑ 𝑦2𝑖
a). S1 = √ 𝑛
78,80003
=√ 5
= 3,9698874
∑ 𝑥22 𝑖
S2 =√ 𝑛
13.209,568
=√ 5
= 51,3995486
∑ 𝑥32 𝑖
S3 =√ 𝑛
50,8
=√ 5
= 3,1874754
∑ 𝑥2𝑖 𝑦𝑖
b). r12 =
2 √∑ 𝑦 2
√∑ 𝑥2𝑖 𝑖
−847,93418
=
√13.209,568√78,80003
−847,93418
=
(114,9328848)(8,8769380)
−847,93418
= 1.020,2521038
= -0,8311026
34
∑ 𝑥3𝑖 𝑦𝑖
r13 =
2 √∑ 𝑦 2
√∑ 𝑥3𝑖 𝑖
−60,783333
=
√50,8√78,80003
−60,783333
= (7,1274118)(8,8769380)
−60,783333
= 63,2695926
= -0,9607037
∑ 𝑥2𝑖 𝑥3𝑖
r23 =
2 √∑ 𝑥 2
√∑ 𝑥2𝑖 3𝑖
632,77
=
√13.209,568√50,8
632,77
= (114,9328848)(7,1274118)
632,77
= 819,1739993
= 0,77244883
−0,8311026−(−0,9607037)(0,77244883)
=
√1−(−0,9607037)2 √1−(0,77244883)2
−0,8311026−(−0,7420944)
=
√1−0,9229515√1−0,5966771
0,089008
=
√0,0770485√0,4033229
0,089008
= (0,2775761)(0,6350770)
0,089008
= 0,1762821
= -0,5049191
35
r212.3 = (0,5049191)2 = 0,2549432 . Artinya, kalau X3 konstan (tetap), maka sumbangan X2
terhadap variasi (naik turunnya) Y sebesar 25,4932%,
−0,9607037−(−0,8311026)(0,77244883)
=
√1−(−0,8311026)2 √1−(0,77244883)2
−0,9607037−(−0,6419842)
=
√1−0,6907315√1−0,5966771
−0,3187195
=
√0,3092268√0,4033229
−0,3187195
= (0,5560816)(0,6350770)
−0,3187195
= 0,3531546
= -0,9024928
5.5 Hubungan Berbagai Koefisien Korelasidan Regresi, yang Sederhana, Parsial, dan
Berganda.
Dalam subbab 5.5 ini akan ditunjukan berbagai hubungan antara koefisien regresi dan
sederhana , antara koefisien regresi parsial dengan koefisien korelasi parsial, antara koefisien
determinasi berganda, sederhan, dan parsial.
Berbagai hubungan ini bias dibuktikan berdasarkan definisi dasrnya, dalam subbab 5.5 ini tidak
semua akan dibuktikan, namun sebagian akan dibuat latihan soal dalam akhir bab 5 ini untuk
dipecahkan oleh pembaca.
36
5.5.1 Hubungan Antara Koefisien Regresi Parsial, Sederhana, dan Koefisien Korelasi
Sederhana.
𝑏12 −𝑏23 𝑏32 𝑟12 −𝑟13 𝑟23 𝑆1
𝑏12.3 = = 2
1− 𝑏23 𝑏32 1−𝑟23 𝑆2
𝑏13 −𝑏12 𝑏23 𝑟13 −𝑟12 𝑟23 𝑆1
𝑏13.2 = = 2
1− 𝑏32 𝑏23 1−𝑟23 𝑆3
∑ 𝑥2𝑖 𝑦𝑖
Dimana 𝑏12 = koefisien regresi Y terhadap 𝑋2, 𝑏12 = 2
∑ 𝑥2𝑖
(5.48)
∑ 𝑥3𝑖 𝑦𝑖
𝑏13 = koefisien regresi Y terhadap 𝑋3, 𝑏13 = 2
∑ 𝑥3𝑖
(5.49)
∑ 𝑥3𝑖 𝑥2𝑖
b32 = koefisien regresi X3 terhadap 𝑋2′b32 = 2
∑ 𝑥2𝑖
∑ 𝑥2𝑖 𝑥3𝑖
b23 = koefisien regresi X2 terhadap 𝑋3′b23 = 2
∑ 𝑥3𝑖
Bukti :
2
(∑ 𝑥2𝑖 𝑦𝑖 )(∑ 𝑥3𝑖 )−(∑ 𝑥3𝑖 𝑦𝑖 )(∑ 𝑥2𝑖 𝑥3𝑖 ) (∑ 𝑥 2 )(∑ 𝑥 2 )
b12.3 = 2 )(∑ 𝑥 2 )−(∑ 𝑥 𝑥 )2 x (∑ 𝑥2𝑖 3𝑖
2 )(∑ 𝑥 2 )
(∑ 𝑥2𝑖 3𝑖 2𝑖 3𝑖 2𝑖 3𝑖
2
(∑ 𝑥2𝑖 𝑦𝑖 )/ ∑ 𝑥2𝑖 2
)−(∑ 𝑥3𝑖 𝑦𝑖 / ∑ 𝑥3𝑖 )(∑ 𝑥3𝑖 𝑥2𝑖 / ∑ 𝑦22𝑖 )
= 2 ) (∑ 𝑥 𝑥 /(∑ 𝑥 2 )
1− (∑ 𝑥2𝑖 𝑥3𝑖 /(∑ 𝑥3𝑖 3𝑖 3𝑖 2𝑖
37
𝑟12 (𝑆1 /𝑆2 ) − 𝑟13 (𝑆1 /𝑆3 ) 𝑟32 (𝑆3 /𝑆2 )
= 1−𝑟23 𝑟32
𝑟12 − 𝑟13 𝑟32 𝑆1
= , sebab r23 = r32
1−𝑟23 𝑟32 𝑆2
5.5.2 Hubungan Antara Koefisien Regresi Parsial dan Koefisien Korelasi Parsial
2 1/2
∑ 𝑒1.3𝑖
b12.3 = r12.3(∑ 𝑒 2 ) (5.50)
2.3𝑖
1/2
∑ 𝑒2
b12.3 = r13.2(∑ 𝑒1.2𝑖
2 ) (5.51)
3.2𝑖
dimana
2
∑ 𝑒1.3𝑖 = jumlah kuadrat kesalahan pengganggu dalam regresi Y terhadap x3’
2
∑ 𝑒1.2𝑖 = jumlah kuadrat kesalahan pengganggu dalam regresi Y terhadap x2’
2
∑ 𝑒2.3𝑖 = jumlah kuadrat kesalahan pengganggu dalam regresi X2 terhadap x3’
2
∑ 𝑒3.2𝑖 = jumlah kuadrat kesalahan pengganggu dalam regresi X3 terhadap x2’
Telah ditunjukkan sebelumnya, bahwa untuk hubungan dua variabel X dan Y1∑ 𝑒𝑖2
Jadi, dalam hal ini :
2
∑ 𝑒1.2𝑖 = ∑ 𝑦12(1-𝑟12
2
)
2
∑ 𝑒1.3𝑖 = ∑ 𝑦12(1-𝑟13
2
)
2 2 2
∑ 𝑒2.3𝑖 = ∑ 𝑥2𝑖 (1-𝑟23 )
2 2 2
∑ 𝑒3.2𝑖 = ∑ 𝑥3𝑖 (1-𝑟32 )
𝑟12 −𝑟13 𝑟23
r12.3= , r23 = r32
2 √1−𝑟 2
√1−𝑟13 23
Bukti :
𝑟12 − 𝑟13 𝑟23 𝑆1
b12.3 = 2
1−𝑟23 𝑆2
38
1/2
(√∑ 𝑦𝑖2 /𝑛) 2
√1−𝑟13
𝑟12 − 𝑟13 𝑟23
= 2 1/2
1−𝑟23
2 /𝑛)
(√∑ 𝑥2𝑖 2
√1−𝑟13
1/2
(√∑ 𝑦𝑖2 /𝑛) 2
√1−𝑟13
𝑟12 −𝑟13 𝑟23
= 1/2
2 √1−𝑟 2 √1−𝑟 2
√1−𝑟23 2 /𝑛)
23 13 (√∑ 𝑥2𝑖
1/2
𝑟12 −𝑟13 𝑟23 {∑ 𝑦𝑖2 (1−𝑟13
2 )}
= 2 2 1/2
2 √1−𝑟 2 {∑ 𝑥 (1−𝑟23 )}
√1−𝑟13 23 2𝑖
∑ 𝑒2
Jadi, b12.3 = r12.3 (∑ 𝑒1.3𝑖
2 ) terbukti,
2.3𝑖
𝑟12 − 𝑟13 𝑟23 ∑ 𝑥2𝑖 𝑦𝑖 √∑ 𝑦𝑖2 𝑟13 − 𝑟12 𝑟23 ∑ 𝑥3𝑖 𝑦𝑖 √∑ 𝑦𝑖2
= 2 + 2
1−𝑟23 1−𝑟23
√∑ 𝑦𝑖2 √∑ 𝑦𝑖2 √∑ 𝑥2𝑖
2 √∑ 𝑦𝑖2 √∑ 𝑦𝑖2 √∑ 𝑥3𝑖
2
39
Perhatikan! Pangkat 1/2 berarti akar pangkat 2 ()
Bukti (5.54) :
2 2 2
R2 = 𝑟13 + (1 − 𝑟13 )𝑟12.3
2 (𝑟 − 𝑟 𝑟 ) 2
12 13 23
𝑟12.3 = (1−𝑟 2 )(1−𝑟 2 )
23 23
2 2𝑟 𝑟 𝑟 +𝑟 2 𝑟 2
𝑟12 12 13 23 13 23
= 2 )(1−𝑟 2 )
(1−𝑟13 23
2 +𝑟 2 −2𝑟 𝑟 𝑟
𝑟12 13 12 13 23
R2 = 2 , sudah dibuktikan.
1−𝑟23
2 +𝑟 2 −2𝑟 𝑟 𝑟
𝑟12 13 12 13 23
R2 = 2
1−𝑟23
2 −𝑟 2 𝑟 2 +𝑟 2 𝑟 2 +𝑟 2 −2𝑟 𝑟 𝑟
𝑟13 13 23 13 23 12 12 13 23
= 2
1−𝑟23
2 −𝑟 2 𝑟 2 +𝑟 2 −2𝑟 𝑟 𝑟
𝑟13 2 2
13 23 12 12 13 23+ 𝑟13 𝑟23
= 2
1−𝑟23
2 (1−𝑟 2 )−(𝑟 2 −2𝑟 𝑟 𝑟
𝑟13 2 2
13 12 12 13 23+ 𝑟13 𝑟23 )
= 2
1−𝑟23
2 (1−𝑟 2 ) (𝑟12
2 −2𝑟 𝑟 𝑟 2 2
12 13 23+ 𝑟13 𝑟23 )
= 𝑟13 + (1−𝑟13
2 ) 2 )
(1−𝑟13
13
2 −2𝑟 𝑟 𝑟
(𝑟12 2 2
2 (1 2) 12 13 23+ 𝑟13 𝑟23 )
= 𝑟13+ − 𝑟13 2 )
(1−𝑟13
2 2 2
Jadi, R2 = 𝑟13 + (1 − 𝑟13 )𝑟12.3 , terbukti.
1) Hitunglah
b12 −b12 b32
b12.3 = 1− b23 b32
r12 −r13 r23 S1
b12.3 = 1−r223 S2
40
Pemecahan
∑x2i2 = 13.209,568 ∑x3i2 = 50,8 ∑yi2 = 78,80003
∑ x2i yi
b12 =
∑x22i
−847,93418
=
13.209,568
= -0,0641909
∑ x3i yi
b13 =
∑x23i
−60,783333
=
50,8
= -1,1965223
∑ x2i x3i
b23 =
∑x23i
632,77
=
13.209,568
= 0,0479023
∑ x3i x2i
b32 =
∑x22i
632,77
=
50,8
= 12,4561023
41
b12 −b13 b32
b12.3 =
1− b23 b32
−0,0641909−(−0,0573161)
=
1−0,6106355
−0,0068784
=
0,3893645
= -0,0176564
∑ x2i yi
r12 =
√∑ x22i ∑ y2i
−847,93418
=
√(13.209,568)( 78,80003)
−847,93418
= (114,9328847)(8,8769380)
−847.93418
=
1.286,560,2316
= -0,0065956
∑ x3i yi
r13 =
√∑ x23i ∑ y2i
−60,783333
=
√(50,8)(78,80003)
−60,783333
= (7,1274118)(8,8769380)
−60,783333
=
63,2695926
= -0,9607037
42
Σx2i x3i
r23 =
√∑ x22i ∑ x23i
−632,77
=
√(13.209,568) ( 50,8)
632,77
= (114,9328847)(7,1274118)
632,77
=
819,1739986
= 0,7724488
S1= 3,9698874
S2= 51,3995484
S3= 3,1874754
−1,1965223– (−0,0641909)(0,479023)
=
1−(12,4561023)(0,0479023)
43
−1,1965223−(−0,3074891)
=
1−0,5966759
−0,8890331
=
0,4033241
= -2,2042647
44
Daftar Pustaka
45