Bab 2 Model Regresi Linear Sederhana 1 PDF
Bab 2 Model Regresi Linear Sederhana 1 PDF
Oleh
Bambang Juanda
Pengertian Model & Tujuan Pemodelan
Perumusan masalah Model
Model: Abstraksi realitas dlm pers matematika
Model ekonometrika: model statistik yg mencakup error
Peubah
Respons
Yi 0 1 X i i Peubah
Penjelas
(dependent) (Independent)
penyebab; mudah
akibat; sulit atau mahal diukur
atau murah diukur
ei = Error Acak
m b 0 b1 X i Dugaan
Y/X i
X
Nilai Pengamatan
Persamaan Regresi Linear Sederhana
(Teladan)
Annual
Store Square Sales
Feet ($000)
1 1,726 3,681
Ingin mengkaji hubungan
2 1,542 3,395
antara luas lantai toko (hasil
pertanian) dengan total 3 2,816 6,653
penjualan tahunannya. Data 4 5,555 9,543
contoh utk 7 toko telah 5 1,292 3,318
diperoleh. Tentukan 6 2,208 5,563
persamaan garis lurus yg
7 1,313 3,760
paling cocok dgn data tsb
Diagram Pencar (Scatter
(Scatter Diagram)
Diagram)
12000
Penjualan ($000) 10000
8000
6000
4000
2000
0
0 1000 2000 3000 4000 5000 6000
ˆ 2
ei ˆi Yi Yi , dan minimumkan q = ei shg
i =1
n n n n
X i X Yi Y n X iYi X i Yi
i 1 i 1 i 1 i 1
b n
2
2 n n
X i X n X i 2
Xi
i 1 i 1 i 1
a Y bX
Persamaan Garis Lurus “Terbaik”
Y i b 0 b1 X i
1636 . 415 1 . 487 X i
Predictor Coef SE Coef T P
Constant 1636.4 451.5 3.62 0.015
X 1.4866 0.1650 9.01 0.000
Analysis of Variance
Source DF SS MS F P
Regression 1 30380456 30380456 81.18 0.000
Residual Error 5 1871200 374240
Total 6 32251656
Grafik Garis Lurus
Terbaik
12000
Penjualan ($000)
10000
8000
6000
4000
2000
0
0 1000 2000 3000 4000 5000 6000
Y
X2
X1
X Garis Regresi
Dugaan Galat baku (Standard
(Standard Error)
Error)
n
ˆ 2
JKS (Yi Yi ) Simpangan Baku
ˆ S y / x i 1 pengamatan-pengamatan
n2
n2 disekitar garis regresi
bi ~ N(i;2 )
Jika asumsi tentang peubah acak I bi
dipenuhi maka masing-masing dugaan
koefisien akan menyebar normal dgn
E(b0)=b0 dan E(b1)=b1 serta dugaan ragam: i bi
SY / X
2
1 X 2 2 Sb n
b n 1
2
0
n X i X 2 ( Xi X )
i 1 i 1
Teladan: Toko Hasil Pertanian
Model Regresi yg
diperoleh:
Data utk 7 Toko:
Annual Yi = 1636.415 +1.487Xi
Toko Square Sales
Feet ($000) Slope model ini adalah
1.487.
1 1,726 3,681
2 1,542 3,395 •Apakah ada hubungan linear
3 2,816 6,653 antara ukuran luas toko dgn
total penjualan tahunannya?
4 5,555 9,543
5 1,292 3,318 •Apakah total penjualan dpt
diprediksi dari ukuran luas
6 2,208 5,563
lantai tokonya?
7 1,313 3,760
Inferensia mengenai Slope: Uji-
Uji-t
Yi 0 1 X i i
• Uji-t utk Slope Populasi
Ada Hubungan Linear antara X dgn Y ?
• Hipotesis Nol dan Alternatif
H0: b1 = 0 (X tidak dpt menjelaskan Y)
H1: b1 0 (X dapat menjelaskan Y)
b1 1 SY / X
• Statistik Uji: t dimana Sb
S b1 1 n
2
(Xi X )
i 1
dan db = n - 2
Inferensia ttg Slope: Contoh Uji-
Uji-t
.025 .025
Kesimpulan:
Terbukti ada hubungan. Makin
t luas ukuran Toko, makin tinggi
-2.5706 0 2.5706 penjualannya
Selang Kepercayaan Slope
b1 ± tn-2 Sb1
Output Excel masalah Produce Stores
L o w er 95% Up p er 95%
In te rce p t 475.810926 2797.01853
X V a ria b le 11.06249037 1.91077694
^
Dugaan Rata2 Y utk μ Y/X i ~ N(0+1Xi;2 )
Xi tertentu menyebar μ
Yi
Normal ^
μ Y/X i
0 + 1X i
Dugaan Individu Y utk Xi
ttt sama dgn dugaan
^
rata2nya, juga Y/Xi ~ N(0+1Xi;2 )
menyebar Normal, dgn Yi
^
ragam lebih besar Y/X1
Dugaan Selang Nilai-
Nilai-Nilai Ramalan
2
1 ( Xi X )
Ŷi t n 2 Syx 1 n
n ( X X )2
i
i 1
Dugaan Selang utk Nilai-nilai X yang
Berbeda
_ X
X Xi tertentu
Data for 7 Toko: Dugalah penjualan tahunan
Annual utk suatu toko berukuran
Toko Square Sales 2000 square feet.
Feet ($000)
1 1,726 3,681 Model Regresi yg diperoleh:
2 1,542 3,395
Yi = 1636.415 +1.487Xi
3 2,816 6,653
4 5,555 9,543
Yi = 1636.415 +1.487 (2000)
5 1,292 3,318
Dugaan Penjualan = 4610.45 ($000)
6 2,208 5,563
Seberapa besar kemungkinan
7 1,313 3,760
kesalahan dari dugaan ini??
1 ( X i X )2
Ŷi t n 2 Syx n = 4610.45 ± 980.97
n ( X X )2
i
i 1 SK bagi rataan Y
Dugaan Selang Ramalan Individu Y
1 ( X i X )2
Ŷi t n 2 Syx 1 n = 4610.45 ± 1853.45
n ( X X )2
i SK bagi individu Y
i 1
ANOVA: Analisis Ragam
Apakah Keragaman Y dapat dijelaskan oleh
(peubah X dlm) Model ?
Yi = b0 + b1 Xi + ei
Yi = (Y - b1 X) + b1 Xi + ei
(Yi – Y) = b1 (Xi – X) + ei
(Yi – Y)2 = { b1 (Xi – X) + ei }2
(Yi – Y)2 = { b1 (Xi – X) + ei }2
(Yi – Y)2 = b12 (Xi – X)2 + ei2
JKT = JKR + JKS
Ukuran Keragaman: Jumlah Kuadrat
Y
JKS =(Yi - Yi )2
_
JKT = (Yi - Y)2
_
JKR = (Yi - Y)2
_
Y
X
Xi
JKT = Jumlah Kuadrat Total
•mengukur keragaman nilai-nilai Yi sekitar rataan Y
Tabel db JK
ANOVA Regresi 1 30380456.12
Sisa 5 1871199.595
Total 6 32251655.71
JKR JKS JKT
_
JKR = (Yi - Y)2
Tabel Analisis Ragam (ANOVA)
JKS =(Yi - Yi )2
Untuk Regresi Linier Sederhana _
JKT = (Yi - Y)2
( n 1)( S y2 b 2 S x2 )
Analysis of Variance
Source DF SS MS F P
Regression 1 30380456 30380456 81.18 0.000
Residual Error 5 1871200 374240
Total 6 32251656
(r2)
Koefisien Determinasi (r
dan Korelasi (r
( r)
Y r2 = 1, r = +1 Y r2 = 1, r = -1
^=b +b X
Yi 0 1 i
^=b +b X
Yi 0 1 i
X X
^=b +b X
Y ^=b +b X
Y
i 0 1 i i 0 1 i
X X
Inferensia mengenai Model: Uji- Uji-F
Apakah Model dpt men-
Yi 0 1 X i i jelaskan keragaman Y?
• Hipotesis Statistik
H0: b1 = 0 (model tdk dpt menjelaskan keragaman Y)
H1: b1 0 (model dapat menjelaskan keragaman Y)
• Statistik Uji: a = 0.05
F = KTR/KTS ~ F(p, n-1-p)
p: Jumlah peubah bebas 0 6.61 F(1,5)
Analysis of Variance
Source DF SS MS F P
Regression 1 30380456 30380456 81.18 0.000
Residual Error 5 1871200 374240
Total 6 32251656
Analisis Sisaan (Residual
(Residual))
Tujuan
– Mengkaji Linearitas
– Evaluasi pelanggaran asumsi
Analisis Sisaan dgn Grafik
– Plot sisaan Vs. nilai-
nilai-nilai Xi atau Yi
(ei,Xi) atau (ei2 ,Xi) atau (ei /se ,Xi)
– Studentized residuals:
residuals: = ei/se
Memungkinkan mempertimbangkan besaran
sisaan (sisaan-
(sisaan-baku spt Normal baku)
Analisis Sisaan utk Linearitas
Not Linear
Linear
e e
X X
Analisis Sisaan utk
Homoskedastisitas
Heteroskedastisitas
SR
Homoscedasticity
SR
X X
Tidak Bebas
Bebas
SR SR
X X
Analisis Sisaan: Output Komputer
Residual Plots for Y
Normal Probability Plot of the Residuals Residuals Versus the Fitted Values
99
Standardized Residual
1
90
Percent
0
50
-1
10
1 -2
-3.0 -1.5 0.0 1.5 3.0 4000 6000 8000 10000
Standardized Residual Fitted Value
Standardized Residual
1
1.5
Frequency
0
1.0
0.5 -1
0.0 -2
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 1 2 3 4 5 6 7
Standardized Residual Observation Order
Statistik Durbin-
Durbin-Watson
•Digunakan utk data time series guna mendeteksi
autokorelasi (Sisaan dlm suatu periode
berhubungan dgn sisaan dlm periode lain)
•Mengukur Pelanggaran asumsi kebebasan e
n
2
( ei ei 1 ) Seharusnya mendekati 2.
i 2
D n Jika tidak, kaji model utk
2
ie autokorelasi.
i 1
Tipe Model Regresi
Hubungan Linear Positif Hubungan Tidak Linear