KELOMPOK 5 :
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2019
PENDAHULUAN
Analisis regresi linier merupakan suatu metode yang sering digunakan untuk
mengetahui hubungan atau pengaruh dari peubah penjelas terhadap peubah respon.
Peubah penjelas merupakan peubah yang nilainya tidak tergantung dari peubah lain
sehingga dapat dipilih secara bebas olen peneliti. Sedangkan peubah respon nilainya
bergantung dari satu atau lebih peubah lainnya. Dalam regresi berganda, salah satu asumsi
yang digunakan dalam metode OLS (Ordinary Least Squares) adalah tidak adanya
hubungan linier atar peubah penjelas. Adanya hubungan linier antar peubah penjelas
dalam regresi dinamakan dengan multikolinieritas. Dalam tugas ini akan dilakukan
pendeteksian multikolinieritas dalam regresi linier berganda dengan data yang
dibangkitkan menggunakan sebaran normal. Kemudian dilakukan pendeteksian
menggunakan nilai VIF.
TINJAUAN PUSTAKA
Pembangkitan Data Menggunakan Sebaran Normal
Pada tugas ini pembangkitan data yang dilakukan hanya membangkitkan dua peubah
penjelas dan satu peubah respon. Sehingga model regresinya menjadi :
𝑌𝑖 = 𝛽0 + 𝛽1 𝑋1𝑖 + 𝛽2 𝑋2𝑖 + 𝑒𝑖
dengan Y adalah peubah respon, 𝑋1 , 𝑋2 adalah peubah penjelas, dan 𝑒𝑖 adalah error.
Indeks 𝑖 menujukkan observasi untuk data cross section, 𝛽0 disebut intersep, 𝛽1 dan 𝛽2
dalam regresi berganda disebut koefisien regresi parsial (Pakinde H dan Setiawan A
2009).
Terdapat beberapa asumsi yang harus dipenuhi dalam melakukan analisis regresi linier,
diantaranya :
1. Adanya hubungan linier antara peubah penjelas X dengan peubah respon Y.
2. Sisaan menyebar normal
3. Nilai harapan sisaan sama dengan nol
4. Ragam dari sisaan homogen
5. Antar sisaan saling bebas
6. Tidak terdapat multikolinieritas (hubungan linier antar peubah penjelas)
asumsi-asumsi tersebut digunakan untuk mendapatkan penduga yang tak bias dan terbaik.
Multikolinieritas
PROSEDUR SIMULASI
Simulasi data yang dilakukan untuk memperoleh data dengan masalah
multikolinieritas. Pembangkitan data tersebut menggunakan ukuran contoh sebesar 100
dan 50, serta ragam sebesasar 5, 15, dan 100. Pembangkita data tersebut menggunakan
bantuan software R. Adapun tahapan yang dilakukan adalah sebagai berikut:
PEMBAHASAN
ragam 5 15 100
n=50 0.89087 0.91563 0.92859
n=100 0.88705 0.89836 0.90129
Berdasarkan Tabel 2, nilai X1 dan X2 memiliki nilai korelasi yang semakin meningkat
ketika ragam diperbesar. Nilai korelasi tertinggi didapat dengan membangkitkan ukuran
contoh sebesar 50 dan ragam 100 yang mencapai nilai korelasi 0.92859. Hal ini
membuktikan bahwa model regresi tersebut mengandung multikolinieritas.
KESIMPULAN
DAFTAR PUSTAKA
LAMPIRAN
Kodingan: