Sehingga

15 −15
2 4
45 −15
45 27 −27 −33 24 8 −945 −2745
3 15
𝜀̂ ′ 𝑌̂ = [12 24 2 24 12 ] 0 = [ 288 96 ]
3 7 1 −3 6 −765 −225
−1
4 8 8 4 75 15 96 32
24 8
45 15
[ 12 4 ]
Maka
5 −3
3 −1
′̂ 5 3 42 1 55 −15
𝜀̂ 𝑌 = [ ] 4 −1 = [ ]
−3 −1 1 2 3 −15 24
2 2
[1 3 ]
Perkiraan Kuadrat Terkecil

Untuk perkiraan kuadrat terkecil determinan 𝛽̂ = [𝛽̂(1) ⋮ 𝛽̂(2) ⋮ ⋯ ⋮ 𝛽̂(𝑚) ] menurut model
regresi berganda multivariat dengan full rank (𝑍) = 𝑟 + 1 < 𝑛, adalah

𝐸(𝛽̂(𝑖) ) = 𝛽̂(𝑖) atau 𝐸(𝛽̂ ) = 𝛽

Dan 𝐶𝑜𝑣 (𝛽̂(𝑖) , 𝛽̂(𝑘) ) = 𝜎𝑖𝑘 (Z′Z)−1 𝑖, 𝑘 = 1,2, … , 𝑟 + 1

Residual 𝜀̂ = [𝜀̂(1) ⋮ 𝜀̂(2) ⋮ ⋯ ⋮ 𝜀̂(𝑚) ] = 𝑌 − 𝑍 𝛽̂ memenuhi

𝐸(𝜀̂(𝑖) ) = 0 dan 𝐸(𝜀̂′(𝑖) 𝜀̂(𝑘) ) = (𝑛 − 𝑟 − 1) 𝜎𝑖𝑘 jadi

𝜀̂ ′𝜀̂
𝐸(𝜀̂) = 0 dan 𝐸 (𝑛−𝑟−1) = ∑

Maka, 𝜀̂ dan 𝛽̂ tidak berkorelasi.

Perkiraan Maximum Likelihood
Misal model regresi berganda multivariate
𝑌(𝑛𝑥𝑚) = 𝑍(𝑛𝑥(𝑟+1)) 𝛽((𝑟+1)𝑥𝑚) + 𝜀(𝑛𝑥𝑚)

Dengan full rank (𝑍) = 𝑟 + 1, 𝑛 ≥ (𝑟 + 1) + 𝑚 dan misal error 𝜀 berdistribusi normal. Maka

𝛽̂ = (Z′Z)−1 𝑍′𝑌 adalah perkiraan maksimum likelihood dari 𝛽 dan 𝛽̂ yang berdistribusi
normal dengan

𝐸(𝛽̂ ) = 𝛽 dan 𝐶𝑜𝑣 (𝛽̂(𝑖) , 𝛽̂(𝑘) ) = 𝜎𝑖𝑘 (Z′Z)−1 . 𝛽̂ independent dari perkiraan maksimum
likelihood dan definit positif ∑ diberikan oleh
̂ ̂
̂ = 𝜀̂′𝜀̂ = (𝑌−𝑍𝛽)′(𝑌−𝑍𝛽) dan 𝑛∑
∑ ̂ adalah distribusi 𝑊𝑛−𝑟−1 (. ∑)
𝑛 𝑛

Tes rasio likehood untuk parameter regresi

Tes ini merupakan rasio likehood untuk banyak respon, dengan hipotesis bahwa respon tidak
bergantung pada 𝑍𝑞+1 , 𝑍𝑞+2 , ..., 𝑍𝑟 sehingga
𝛽(1)
𝐻0 : 𝛽(2) = 0 dimana 𝛽 = [((𝑞 + 1)𝑥𝑚)]
((𝑟 − 𝑞)𝑥𝑚)
𝑍1 𝑍2
Dengan 𝑍 = [ ] secara umum model dpat ditulis :
(𝑛𝑥(𝑞 + 1) (𝑛𝑥(𝑟 − 𝑞)
𝛽(1)
𝐸(𝑌) = 𝑍𝛽 = [𝑍1 ⋮ 𝑍2 ] [ ] = 𝑍1 𝛽(1) + 𝑍2 𝛽(2)
𝛽(2)
Dengan 𝐻0 : 𝛽(2) = 0, 𝑌 = 𝑍1 𝛽(1) + 𝜀 dan tes rasio likehood dari 𝐻0 berdasarkan pada
jumlah yang terkait dalam jumlah kuadrat ekstra dan coss-products
′
= (𝑌 − 𝑍1 𝛽̂ ̂ ̂ ̂
(1) ) (𝑌 − 𝑍1 𝛽(1) ) − (𝑌 − 𝑍𝛽 )′(𝑌 − 𝑍𝛽 )

̂ (1) -∑
= 𝑛(∑ ̂)
̂ ̂
̂ (1) = (𝑌−𝑍1 𝛽(1))(𝑌−𝑍1 𝛽(1))
Dimana 𝛽̂(1) (Z′Z)−1 𝑍′𝑌 dan ∑ 𝑛

Dari rasio likehood (Λ) dapat memperlihatkan hubungan umum varian, jadi :
𝑚𝑎𝑥𝐿(𝛽(1) ∙ ∑) 𝑛
𝛽(1) ∙ ∑ 𝐿(𝛽̂(1) , ∑
̂ (1) ̂| 2
|∑
Λ= = =( )
max 𝐿(𝛽, ∑ ∑) 𝐿(𝛽̂ , ∑̂ |∑̂ 1|
𝛽∙∑
Equivalent dengan statistic Wilks Lambda :
2 ̂|
|∑
Λ𝑛 =
|∑̂ 1|

Dapat dipergunakan.
Hasil 7.11
Misal model regresi berganda multivariate
𝑌(𝑛𝑥𝑚) = 𝑍(𝑛𝑥(𝑟+1)) 𝛽((𝑟+1)𝑥𝑚) + 𝜀(𝑛𝑥𝑚)

Dengan full rank (𝑍) = 𝑟 + 1, 𝑛 ≥ (𝑟 + 1) + 𝑚 dan misal error 𝜀 berdistribusi normal.

̂ adalah distribusi 𝑊𝑛−𝑟−1 (∑) secara bebas adalah 𝑛(∑
Dengan 𝐻0 : 𝛽2 = 0, 𝑛∑ ̂1 − ∑
̂ ) dimana
distribusinya 𝑊𝑟−𝑞 (∑). Tes rasio likehood dari 𝐻0 umtuk besar nilai dari :

|∑̂ | ̂|
𝑛|∑
−2𝐿𝑛Λ = −𝑛𝐿𝑛 ( ) = −𝑛𝐿𝑛
|∑̂ 1 | ̂ + 𝑛(∑
|𝑛∑ ̂ 1 )|

Untuk besar nialinya n buah maka statistiknya :

1 ̂|
|∑
− [𝑛 − 𝑟 − 1 − (𝑚 − 𝑟 + 𝑞 + 1)] 𝐿𝑛( )
2 |∑̂ 1|

Menggunakan pendekatan chi kuadrat dengan derajat bebasnya m(r-q).

Contoh 7.9
Contoh ini merupakan lanjutan yang diberikan pada contoh sebelumnya yaitu pada contoh
7.5. Dengan menggunakan program computer, sehingga diperoleh :
residual sum of squares ̂ = [2977,39 1021,72]
( ) = 𝑛∑
dan cross products 1021,72 2050,95
 ekstrar sum of squares ̂ ) = [441,76 246,16]
̂1 − ∑
( ) = 𝑛(∑
dan cross products 246,16 366,12
Misal 𝛽(2) adalah matriks untuk interaksi parameter dua respon. Diketahui pada contoh
sebelumnya bahwa nilai n = 18 yang dapat dikategorikan tidak terlalu besar, sehingga
diperoleh hipotesis :
𝐻0 : 𝛽2 = 0
𝐻0 : 𝛽2 ≠ 0
Dengan nilai alfa sebesar 0,05 dapat diuji :

1 ̂|
|𝑛∑
− [𝑛 − 𝑟1 − 1 − (𝑚 − 𝑟1 + 𝑞1 + 1)] ln( )
2 ̂ + 𝑛(∑
|𝑛∑ ̂1 − ∑
̂ )|

1
= − [18 − 5 − 1 − (2 − 5 + 3 + 1)] ln(7605)
2
= 3,28
Dengan menggunakan pendekatan chi-kuadrat, diperoleh nilai pada tabel chi kuadrat dengan
derajat bebas sebesar m (r1 – q1) = 2 (2) = 4 adalah 9,49.
Sehingga nilai hitung akan lebih kecil daripada nilai pada tabel yaitu 3,28 < 𝑥 2 4 (0,05) =
9,49. Untuk kriteria hitungnya maka H0 ditolak pada nilai alfa sebesar 5%, sehingga nilai
𝛽(2) ≠ 0, artinya nilai koefisien untuk 𝛽(2) berarti hubungan interaksi tidak dibutuhkan.