Regresi linier sederhana (SLR) adalah alat statistik yang digunakan untuk memeriksa
menghasilkan persamaan regresi yang dapat digunakan dalam prediksi. Sebuah tipikal
variabel independen (X) mungkin telah diperbaiki pada berbagai nilai yang menarik
kemudian digunakan untuk membuat persamaan yang bisa digunakan untuk memprediksi dependen
• Seberapa Baik Tes Medis Baru? Tes medis baru (lebih murah) adalah
persamaan regresi dikembangkan untuk menentukan seberapa baik tes baru (independen
variabel).
• Tekanan Darah Sistolik dan Merokok. Seorang peneliti medis ingin mengerti
tekanan darah (variabel dependen) pada pria yang lebih tua dari 40 tahun yang
tekanan membaca dapat diprediksi dari berat badan untuk laki-laki lebih tua dari usia 40
• Haruskah Saya Menghabiskan Lebih Banyak untuk Iklan? Pemilik situs web ingin tahu
tahap pengumpulan, biaya iklan diperbolehkan bervariasi dari minggu ke minggu. Persamaan regresi
diperoleh dari sampel pelatihan ini untuk menentukan caranya jumlah kunjungan ke situs dapat
diprediksi dari biaya iklan.
Pertimbangan Desain untuk Regresi Linier Sederhana Ada Garis Regresi Teoritis Garis regresi yang
dihitung dari data adalah versi berbasis sampel garis teoritis yang menggambarkan hubungan antara
variabel independen (X) dan variabel dependen (Y). Garis teoretis memiliki bentuk
Y=α +βX+ε
di mana α adalah intersep-y, β adalah kemiringan, dan ε adalah istilah kesalahan dengan nol varians
rata-rata dan konstan. Perhatikan bahwa β = 0 menunjukkan bahwa tidak ada linier hubungan antara
X dan Y.
Garis regresi yang diperoleh untuk memprediksi variabel dependen (Y) dari variabel independen (X)
diberikan oleh
Y= a + bX)
dan itu adalah garis dari mana jumlah dari perbedaan vertikal kuadrat dari titik-titik di sebar X-Y ke
garis minimum. Dalam praktiknya, Y ^ adalah prediksi variabel dependen mengingat variabel
independen mengambil nilai X. Kami mengatakan bahwa nilai a dan b adalah kuadrat terkecil
estimasi masing-masing α dan β. Artinya, estimasi kuadrat terkecil adalah mereka yang perbedaan
jumlah kuadrat antara Y yang diamati nilai-nilai dan nilai-nilai Y yang diprediksi diminimalkan. Untuk
lebih spesifik, the estimasi kuadrat terkecil a dan b adalah nilai-nilai a dan b yang jumlahnya dari
jumlah (Yi - a - bXi) 2, i = 1,. . . , N diminimalkan.
Hipotesis untuk Analisis Regresi Linier Sederhana Untuk mengevaluasi seberapa baik satu set data
cocok dengan model regresi linier sederhana, a uji statistik dilakukan mengenai kemiringan (β) dari
regresi teoritis baris. Hipotesisnya adalah sebagai berikut:
H0: β = 0 (kemiringan adalah nol; tidak ada hubungan linear antara variabel). Ha: β ≠ 0 (kemiringan
tidak nol; ada hubungan linier antara variabel). Hipotesis nol menunjukkan bahwa tidak ada
hubungan linear antara dua variabel. Tes satu sisi (menentukan bahwa kemiringan positif atau
negatif) juga dapat dilakukan. Nilai p rendah untuk tes ini (kurang dari 0,05) akan mengarahkan Anda
untuk menyimpulkan bahwa ada hubungan linear antara keduanya variabel dan pengetahuan X akan
berguna dalam prediksi Y.
variabel kuantitatif atau indikator (0, 1). Tujuan umum dari multiple
1. Layar variabel independen untuk menentukan mana yang merupakan prediktor yang baik dan
dengan demikian menemukan model prediksi yang paling efektif (dan efisien). 2. Dapatkan estimasi
koefisien individu dalam model untuk memahami peran prediktif dari variabel independen individu
yang digunakan.
Pertimbangan Desain untuk Regresi Linier Berganda Persamaan Regresi Berganda Teoritis Ada Yang
Menjelaskan Hubungan Antara Variabel Dependen dan Variabel Independen Seperti dalam kasus
regresi linier sederhana, persamaan regresi berganda dihitung dari data adalah versi berbasis sampel
dari persamaan teoritis menggambarkan hubungan antara variabel independen k dan variabel
dependen Y. Persamaan teoretis berbentuk
di mana α adalah istilah intersep dan βi adalah koefisien regresi yang sesuai
ke variabel independen engan. Juga, seperti dalam regresi linier sederhana, ε adalah
istilah kesalahan dengan varians nol rata-rata dan konstan. Perhatikan bahwa jika βi = 0, maka
dalam pengaturan ini, variabel independen ke-i tidak berguna dalam memprediksi
Persamaan regresi berganda yang diperoleh dari data untuk prediksi variabel dependen dari variabel
independen k diberikan oleh
Seperti dalam kasus regresi linier sederhana, koefisien a, b1, b2,. . . , dan bk adalah estimasi kuadrat
terkecil dari koefisien yang sesuai dalam teori model. Artinya, seperti dalam kasus regresi linier
sederhana, paling sedikit estimasi kotak dan b1,. . . , bk adalah nilai yang dijumlahkan perbedaan
antara nilai-nilai y yang diamati dan nilai-nilai y yang diprediksi diminimalkan.
Hipotesis untuk Regresi Linier Berganda Dalam analisis regresi berganda, prosedur yang biasa
digunakan untuk menentukan apakah variabel independen h berkontribusi pada prediksi variabel
dependen adalah untuk menguji hipotesis berikut: H0: βi = 0 Ha: βi ≠ 0 untuk i = 1,. . . , k. Masing-
masing tes ini dilakukan dengan menggunakan uji-t. Akan ada k dari tes ini (satu untuk setiap
variabel independen), dan sebagian besar statistik paket melaporkan t-statistik dan nilai-p yang
sesuai.
Perhatikan bahwa jika tidak ada hubungan linear apa pun antara variabel dependen
program juga melaporkan uji-F dalam analisis varians output yang menyediakan
Ha: Setidaknya satu dari βi adalah bukan nol (ada hubungan linier antara
variabel dependen (yang diukur dengan jumlah total kuadrat) oleh yang mana
kuadrat) dan apa yang tidak bisa dijelaskan oleh regresi (kesalahan
jumlah kuadrat). Merupakan praktik yang baik untuk memeriksa nilai-p yang terkait dengan ini
keseluruhan uji-F sebagai langkah pertama dalam prosedur pengujian. Lalu, apakah ini p-value
kurang dari 0,05, Anda akan menolak hipotesis nol tidak ada hubungan linier
p-value untuk F-test lebih besar dari 0,05, maka Anda tidak memiliki bukti apa pun
variabel, jadi Anda tidak harus memeriksa uji-t individu. Temuan dari