Modul Analisis Regresi PDF
Modul Analisis Regresi PDF
Modul Analisis Regresi PDF
1
Hubungan antara variabel independent dengan variabel dependent
dikatakan linear jika dapat dinyatakan dalam model :
Y =
X1 + X2 +…+pXp +
Dalam catatan matriks, model regresi linear dapat ditulis dalam :
Y =X
atau
Y1
1 X 11 ... X p1 0 1
1 X 21 ... X 2 p
1 2
Y2
...
... ... ... ... ...
Yn 1 X n1 X np
p n
ˆ
ˆ
0
n
x 1 ... x p
y
ˆ
2
( X ' X )
x1 x 2
1 ... x x
1 p
( X 'Y ) x1 y
... ... ...
ˆ
p x p[
x x1 p x 2p
x p y
Pengujian terhadap
dapat dilakukan dengan dua cara yaitu pengujian
secara serentak dan pengujian secara individu.
Pengujian secera serentak
Hipotesis :
H0 :
H1 :
2
Statistik Uji
Sumber df Sum of MS F
Variasi Squares
Regresi p (YˆY ) 2
(YˆY ) 2
/p MS . Re gresi
MS . Re sidual
Residual n-p-1 (Y Yˆ) 2
(Y Yˆ) /(n p 1)
2
ˆ
t i
s ˆ
i
Kegiatan Praktikum
Tentukan model yang menggambarkan hubungan antara harapan hidup
perempuan (Y) dengan pendapatan per-kapita dan kepadatan penduduk yang
dinyatakan dalam :
Y =
ln(gdp_cap) +
ln(density) +
Penyelesaian :
a. Melakukan transformasi ln(gdp_cap) dan ln(density) dengan cara : [klik
transform+ compute]
3
4
b. Melakukan analisis regresi ;[klik+analyze+regression+linear]
Model Summary
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regression 8519.080 2 4259.540 127.141 .000a
Residual 3551.268 106 33.503
Total 12070.349 108
a. Predictors: (Constant), ln_gdp, ln_dens
b. Dependent Variable: Average female life expectancy
5
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 17.981 3.501 5.136 .000
ln_dens .904 .388 .123 2.332 .022
ln_gdp 6.150 .390 .831 15.766 .000
a. Dependent Variable: Average female life expectancy
6
PEMILIHAN MODEL TERBAIK
3 R2 (YˆY ) 2
100%
Maksimum
(Y Y ) 2
7
Untuk memperoleh model terbaik, ada beberapa metode yang biasa
digunakan yaitu :
Metode Penjelasan
Backward Mulai dengan model lengkap, kemudian variabel independent
yang ada dievaluasi, jika ada yang tidak significant dikeluarkan
yang paling tidak significant, dilakukan terus menerus sampai
tidak ada lagi variabel independent yang tidak significant
Forward Variabel independent yang pertama kali masuk ke dalam model
adalah variabel yang mempunyai korelasi tertinggi dan
significant dengan variabel dependent, variabel yang masuk
kedua adalah variabel yang korelasinya dengan variabel
dependent adalah tertinggi kedua dan masih significant,
dilakukan terus menerus sampai tidak ada lagi variabel
independent yang significant
StepSwise Gabungan antara metode forward dan backward, variabel yang
pertama kali masuk adalah variabel yang korelasinya tertinggi
dan significant dengan variabel dependent, variabel yang masuk
kedua adalah variabel yang korelasi parsialnya tertinggi dan
masih significant, setelah variabel tertentu masuk ke dalam
model maka variabel lain yang ada di dalam model dievaluasi,
jika ada variabel yang tidak significant maka variabel tersebut
dikeluarkan
Best subset Metode ini tersedia di dalam program paket MINITAB. Metode
regression ini menyajikan k buah model terbaik untuk model dengan
1,
2,…,
pvar
iabelindependent.
8
Kegiatan Praktikum
Tentukan model terbaik yang menggambarkan hubungan antara harapan
hidup perempuan (lifeexpf) dengan pendapatan perkapita (gdp_cap),
persenta-se penduduk yang tinggal dikota (urban), persentase penduduk yang
dapat membaca (literacy), banyaknya kematian per 1000 penduduk (death_rt).
rata-rata banyaknya anak (fertility), konsumsi makanan per-hari (calories)
dengan menggunakan metode stepwise dan best subset regression.
Penyelesaian :
Dengan bantuan SPSS permasalahan di atas dapat diselesaikan
dengan cara : [klik analyze+regression+linear]
9
ANOVA
Sum of
Model Squares df Mean Square F Sig.
1 Regression 7229.894 1 7229.894 222.690 .000
Residual 2337.565 72 32.466
Total 9567.459 73
2 Regression 8206.309 2 4103.154 214.028 .000
Residual 1361.150 71 19.171
Total 9567.459 73
3 Regression 8906.744 3 2968.915 314.544 .000
Residual 660.716 70 9.439
Total 9567.459 73
4 Regression 9017.788 4 2254.447 282.999 .000
Residual 549.672 69 7.966
Total 9567.459 73
Model Summary
10
Coefficients a
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 36.226 2.275 15.924 .000
People who read (%) .430 .029 .869 14.923 .000
2 (Constant) 53.279 2.961 17.995 .000
People who read (%) .330 .026 .667 12.606 .000
Death rate per 1000
-.966 .135 -.378 -7.137 .000
people
3 (Constant) 62.740 2.350 26.699 .000
People who read (%) .192 .024 .389 7.890 .000
Death rate per 1000
-1.211 .099 -.474 -12.214 .000
people
Gross domestic
.001 .000 .363 8.614 .000
product / capita
4 (Constant) 54.214 3.143 17.252 .000
People who read (%) .172 .023 .347 7.456 .000
Death rate per 1000
-1.136 .093 -.444 -12.178 .000
people
Gross domestic
.000 .000 .252 5.170 .000
product / capita
Daily calorie intake .004 .001 .186 3.734 .000
a. Dependent Variable: Average female life expectancy
11
diperoleh hasil :
Response is LIFEEXPF
L C D
I G A E
T D L A
U E P O T
R R _ R H
B A C I _
A C A E R
Vars R-Sq R-Sq(adj) C-p S N Y P S T
12
DUMMY VARIABLE
13
Secara umum banyaknya dummy variable yang dibutuhkan adalah
banyaknya region-1.
Kegiatan Praktikum :
Tentukan model yang menggambarkan hubungan antara harapan hidup
perempuan dan pendapatan perkapita di region Asia, Afrika dan Amerika Latin
Penyelesaian :
Pembangkitan nilai D1 dan D2 :[klik transform+compute]
14
Lakukan dengan cara yang sama untuk membangkitkan variabel D2(
bernilai 0 untuk region Asia, Amerika Latin dan bernilai 1 untuk region Afrika).
Pembangkitan nilai D1*ln(gdp_cap) dan D2*ln(gdp_cap)
15
Analisis regresi :[klik analyze+regression+linear]
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 27.034 6.116 4.420 .000
ln_gdp 5.643 .834 .720 6.767 .000
D1 22.860 14.130 .975 1.618 .112
d2 -4.190 10.402 -.184 -.403 .689
d1_lngdp -2.986 1.761 -1.049 -1.696 .097
d2_lngdp -.720 1.547 -.205 -.465 .644
a. Dependent Variable: Average female life expectancy
16
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 27.034 6.116 4.420 .000
ln_gdp 5.643 .834 .720 6.767 .000
D1 22.860 14.130 .975 1.618 .112
d2 -4.190 10.402 -.184 -.403 .689
d1_lngdp -2.986 1.761 -1.049 -1.696 .097
d2_lngdp -.720 1.547 -.205 -.465 .644
2 (Constant) 25.585 4.904 5.217 .000
ln_gdp 5.836 .677 .745 8.619 .000
D1 24.308 13.545 1.037 1.795 .079
d1_lngdp -3.179 1.680 -1.117 -1.892 .065
d2_lngdp -1.333 .284 -.379 -4.695 .000
3 (Constant) 28.771 4.674 6.156 .000
ln_gdp 5.412 .649 .691 8.341 .000
d1_lngdp -.197 .255 -.069 -.773 .443
d2_lngdp -1.397 .288 -.398 -4.851 .000
4 (Constant) 29.562 4.542 6.508 .000
ln_gdp 5.202 .587 .664 8.860 .000
d2_lngdp -1.308 .263 -.373 -4.972 .000
a. Dependent Variable: Average female life expectancy
17
INFLUENTIAL OBSERVATIONS
18
Untuk mendeteksi adanya influential observation dapat dipergunakan
beberapa statistik berikut :
Yˆ
i Yˆ p Perbedaan nilai Y
(i )
2
stdev(Yˆ) i
n taksiran dengan
atau tanpa peng-
amatan ke-i
2 DFBETAS Difference Betas
b j b j ( i ) 2 Perbedaan nilai
stdev(b j ) n koefisien regresi
dengan atau tanpa
pengamatan ke-i
3 Cook’
sDi
stance Perbedaan vector
(bi b)' ( X ' X )(b( i ) b) F0.50, p.n p koefisien regresi
pMSE dengan atau tanpa
pengamatan ke-i
4 COVRATIO cov( ) Covariance ratio
cov( (i ) Nisbah dterminan
matriks covariance
koefisien regresi
dengan atau tanpa
pengamatan ke-i
19
Kegiatan Praktikum :
Tentukan Negara di Asia yang keberadaanya mempengaruhi hubungan
antara harapan hidup perempuan dengan pedapatan per-kapita dengan
menggunakan kriteria DFFIT
Penyelesaian
Memilih Negara di region Asia : [klik Data+Select Cases]
klik save
20
dan hasilnya adalah :
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 27.034 6.350 4.257 .001
ln_gdp 5.643 .866 .860 6.517 .000
a. Dependent Variable: Average female life expectancy
Model Summaryb
21
Negara yang merupakan influential observation adalah Negara yang nilai
p
DFFIT 2 atau DFFIT 0.69 , Negara tersebut adalah Negara
n
Afganistan, Cina, Kamboja dan Vietnam
22
ASUMSI DALAM ANALISIS REGRESI
c. cov(
I,
j) = 0 untuk ij
d. antar X saling independent
Asumsi-asumsi di atas kadang-kadang tidak dipenuhi, untuk mendeteksi
dan mengatasi adanya masalah pelanggaran asumsi di atas dapat dilakukan :
No. Masalah Deteksi Solusi
1 Residual tak normal probability plot Tranformasi variabel
berdistribusi Uj
ikenor
mal
an:KS,
… Regresi bootstrap
normal
2 Hetroscedastivity Plot e dengan yˆ Transformasi variabel
23
REGRESI BOOTSTRAPP
9. Menduga besarnya ̂j pada resampling ke-i yaitu j ,i dari dan data Yi
dengan Xji dengan metode kuadrat terkecil
10.Jika i<B pergi ke 6
11. Tentukan nilai taksiran koefisien regresi dari metode bootstrapp
sebagai rata-rata nilai koefisien regresi hasil resampling sebanyak B
kali
12. Tentukan confidence interval koefisien regresi melalui nilai persentil
13. Selesai
24
Kegiatan Praktikum :
Tentukan model yang menggambarkan hubungan antara harapan hidup
perempuan dengan pendapatan perkapita serta ujilah asumsi kenormalan
residual dengan uji Kolmogorov-Smirnov.
Penyelesaian :
Dengan bantuan MINITAB permaslahan ini dapat diselesaikan dengan
cara
Tranformasi variabel
MTB > let c27=loge(lifeexpf)
MTB>namec27=’
l
n_gdp’
Regresi [klk stat+regression+regression]
klik storage
25
dan hasilnya adalah :
The regression equation is
LIFEEXPF = 21.7 + 6.15 ln_gdp
Predictor Coef SE Coef T P
Constant 21.670 3.187 6.80 0.000
ln_gdp 6.1538 0.3981 15.46 0.000
S = 5.907 R-Sq = 69.1% R-Sq(adj) = 68.8%
Analysis of Variance
Source DF SS MS F P
Regression 1 8336.9 8336.9 238.93 0.000
Residual Error 107 3733.4 34.9
Total 108 12070.3
Pengujian asumsi kenormalan [klik stat+basic statistics+normality test]
26
Dengan menggunakan metode kuadrat terkecil diperoleh hasil
kenormalan residual tidak terpenuhi, sehiingga sebagai alternatif digunakan
metode regresi bootstrapp yang dinyatakan dalam macro MINITAB :
macro
regb y x
mconstant n i b low_b0 up_b0 low_b1 up_b1
mcolumn x y yy yhat e ee b0 b1 beta b0_boot b1_boot
let n=count(y)
let b=1000
regr y 1 x;
resid e;
fits yhat.
do i=1:b
sample n e ee;
replacement.
let yy=yhat+ee
regr yy 1 x;
coef beta.
let b0(i)=beta(1)
let b1(i)=beta(2)
enddo
histo b0
histo b1
let b0_boot=mean(b0)
let b1_boot=mean(b1)
sort b1 b1
sort b0 b0
let low_b0=b0(25)
let up_b0=b0(975)
let low_b1=b1(25)
let up_b1=b1(975)
print b0_boot low_b0 up_b0
print b1_boot low_b1 up_b1
endmacro
27
b0 b1
b0_boot b1_boot
21.5513 6.16731
28
HETEROSCEDASTICITY
29
Jika e k .x1 . maka dilakukan transformasi sebagai berikut :
y 1 x x x
0 1 1 2 2 3 3 ... atau
x1 x1 x1 x1 x1
30
Kegiatan Praktikum :
Dengan menggunakan uji Glejser, periksalah adanya kasus
heteroscedasticity untuk data berikut :
Year Saving Income
1 264 8777
2 105 9210
3 90 9954
4 131 10508
5 122 10979
6 107 11912
7 406 12747
8 503 13499
9 431 14269
10 588 15522
11 898 16730
12 950 17663
13 779 18575
14 819 19635
15 1222 21163
16 1702 22880
17 1578 24127
18 1654 25604
19 1400 26500
20 1829 27670
21 2200 28300
22 2017 27430
23 2105 29560
24 1600 28150
25 2250 32100
26 2420 32500
27 2570 35250
28 1720 33500
29 1900 36000
30 2100 36200
31 2300 38200
31
Penyelesaian :
Dengan bantuan MINITAB permasalahan di atas, dapat diselesaikan
dengan cara :
MTB > regr 'saving' 1 'income';
SUBC> fits c11;
SUBC> resid c12.
Dari hasil uji Glejser ini, diperoleh informasi adanya hubungan antara
variabel harga mutlak residual dengan variabel income sehingga terjadi kasus
heteroscedasticity. Karena nilai harga mutlak residual sebanding dengan nilai
income maka selanjutnya dilakukan analisis regresi untuk model :
saving/income =
income)+
Dengan bantuan MINITAB analisis regresi untuk model di atas dapat
dilakukan dengan cara :
32
MTB > let c4=saving/income
MTB > let c5=1/income
MTB > name c4='y*' c5='x*'
MTB > regr 'y*' 1 'x*';
SUBC> resid c21.
NIlai p untuk variabel income >5% sehingga tidak ada hubungan antara
harga mutlak residual dengan income atau varians residual cenderung sudah
homogen.
Sedangkan asumsi kenormalan residual dapat diuji dengan cara :
MTB > %NormPlot C21;
SUBC> Kstest.
33
Dari hasil pengujian Komogorov Smirnov, diperoleh hasil p-value>5%
sehingga dapat diputuskan residual sudah berdistribusi normal
Model yang menggambarkan hubungan antara saving dengan income
setelah dilakukan transfromasi adalah :
y* = 0.0881 - 723 x* atau :
setelah ruas kiri dan kanan digandakan dengan income maka diperoleh :
34
MULTICOLLINEARITY
Multicollinearity
Adanya hubungan linear antar variabel independent
Multicollinearity dapat dideteksi dengan :
a. Variance Inflation Factor (VIF) yang tinggi, biasanya>10
b. korelasi antar variabel independent yang tinggi
c. X ' X 0
35
Kegiatan Praktikum
1. Periksa adanya kasus multicollinearity pada pemodelan harapan hidup
perempuan dengan pendapatan perkapita, persentase penduduk yang
tinggal di kota, persentase perempuan yang dapat membaca, persentase
laki-laki yang dapat membaca di region Amerika Latin (region=6).
2. JIka ada kasus multicollinearity, atasi dengan beberapa metode untuk
mengatasi multicollinearity.
Penyelesaian
a. Memilih data dari region Amerika Latin klik data+select cases+if
36
Correlations
klik statistics
37
Coefficientsa
Unstandardized Collinearity
Coefficients Statistics
B Std. Error t Sig. VIF
(Constant) 45.921 8.483 5.413 .000
Gross domestic product
.000 .001 .320 .753 1.640
/ capita
People living in cities
.011 .068 .159 .875 1.525
(%)
Males who read (%) -.273 .274 -.997 .334 11.573
Females who read (%) .594 .238 2.498 .024 13.289
a. Dependent Variable: Average female life expectancy
Ada variabel independent yang nilai VIF>10 dan tanda koefisien regresi
untuk males who read negatif sedangkan koefisien korelasinya positif
sehingga memang ada kasus multicollinearity.
Unstandardized Collinearity
Coefficients Statistics
Model B Std. Error t Sig. VIF
1 (Constant) 39.013 5.077 7.684 .000
Females who read (%) .406 .062 6.557 .000 1.000
a. Dependent Variable: Average female life expectancy
38
e. Mengatasi multicollinearity dengan ridge regression : klik file + new +
syntax
39
kriteria ini adalah k=0.35, pemilihan k ini juga dapat ditentukan
berdasarkan gambar berikut :
40
f. Mengatasi multicollinearity dengan principal component regression
2. Meregresikan y dengan w
y = 71.8 -3.51 w1
y = 71.8 –3.51(-0.435 z1 -0.414 z2 -0.560 z3 -0.571 z4
y = 71.8 + 1.53 z1 + 1.45 z2 + 1.97 z3 + 2.00 z4
x x1 x x 2 x x3 x x 4
y 71.8 1.53 1 1.45 2 1.97 3 2 4
s x1 s x2 s x3 s x4
41
AUTOCORRELATION
Autocorrelation
Adanya hubungan antar residual atau residual bersifat tidak saling
independent, kasus ini sering dijumpai pada data time series.
(e i ei 1 ) 2
d i 2 n
e
i
1
2
i
2
b. ACF plot, ada nilai r(et,et-k) melampaui batas 0 maka residual
n
tidak saling independent
c. Statistik uji Ljung-Box
k r j2
Q n(n 2) tolak Ho : residual saling independent jika Q>k
j
1 n j
b. Regresi Nisbah
yt x
0 1 t t
y t 1 xt 1
42
Kegiatan Praktikum
tahun export gdp
1970 102 255
1971 105 261
1972 105 261
1973 105 260
1974 104 257
1975 104 257
1976 106 261
1977 106 260
1978 105 257
1979 106 259
1980 106 259
1981 106 258
1982 106 257
1983 106 257
1984 108 261
1985 108 261
1986 109 262
1987 110 264
1988 113 271
1989 113 271
1990 112 268
1991 114 271
1992 113 269
1993 112 266
1994 114 270
1995 113 267
1996 117 276
1997 117 276
1998 117 276
1999 117 275
43
Penyelesaian
a. Penentuan model regresi dan pemeriksaan asumsi independent
residual
MTB>r
egr‘
gdp’1‘
expor
t’
;
SUBC > resid c5.
The regression equation is
gdp = 110 + 1.41 export
Nilai autokorelasi residual keluar dari batas pada lag ke-1 sehingga
residual tidak saling independent.
44
b. Mengatasi autocorrelation dengan regresi beda
MTB > diff 'export' c7
MTB > diff 'gdp' c8
MTB > name c7 'dif_xprt' c8 'diff_gdp'
MTB > regr c8 1 c7;
SUBC> resid c9.
The regression equation is
diff_gdp = - 0.488 + 2.28 dif_xprt
45
Mengatasi autocorrelation dengan regresi nisbah
46
ROBUST REGRESSION
47
Metode pendugaan parameter di dalam analisis regresi robust
a. Least Absolute Deviation (LAD), metode ini bekerja dengan
n
meminimukan harga mutlak residual atau meminimumkan e
i
1
i
f (e ) , jika
i
1
i f (ei ) ei2 maka metode ini sama dengan OLS dan jika
f (ei ) ei maka metode ini sama dengan LAD. Peminimuman dari
n
f (e )
i
1
i biasanya dilakukan dengan cara iteratively reweighted least
1
dengan wi , penentuan wi dapat juga ditentukan dengan cara :
ei
median( ei )
wi untuk ei median( ei )
ei
48
Implementasi metode LAD dapat dinyatakan dalam macro berikut :
macro
lad y x
mconstant i n s iterasi delta
mcolumn y x w error b_old b_new
let n=count(y)
let iterasi=0
let delta=10
regr y 1 x;
resid error;
coef b_old.
let error=abs(error)
let s=median(error)
while delta>0.000001 and iterasi<100
let iterasi=iterasi+1
do i=1:n
if error(i)<s
let w(i)=1
else
let w(i)=s/error(i)
endif
enddo
regr y 1 x;
weight w;
resid error;
coef b_new.
let delta=sum(abs(b_old-b_new))
let error=abs(error)
let s=median(error)
let b_old=b_new
endwhile
endmacro
49
Kegiatan Praktikum
Dari data Anscombe berikut, tentukan model regresi robust dengan
metode LAD dan bandingkan hasilnya dengan metode OLS setelah
pengamatan berpengaruhnya dikeluarkan.
Nomor X Y
1 10 7.46
2 8 6.77
3 13 12.74
4 9 7.11
5 11 7.81
6 14 8.84
7 6 6.08
8 4 5.39
9 12 8.15
10 7 6.42
11 5 5.73
Penyelesaian
Dengan menggunakan MINITAB diperoleh hasil sebagai berikut :
MTB >%lad.txt c2 c1
The regression equation is
Y = 4.01 + 0.345 X
Predictor Coef SE Coef T P
Constant 4.00533 0.03445 116.26 0.000
X 0.345467 0.003783 91.31 0.000
S = 0.03554 R-Sq = 99.9% R-Sq(adj) = 99.9%
Analysis of Variance
Source DF SS MS F P
Regression 1 10.533 10.533 8338.16 0.000
Residual Error 9 0.011 0.001
Total 10 10.545
Unusual Observations
Obs X Y Fit SE Fit Residual St Resid
3 13.0 12.7400 8.4964 0.0207 4.2436 2.99R
50
Setelah kasus ke-3 dihilangkan, diperoleh persamaan regresi berikut :
MTB>l
etc2(
3)=’
*’
MTB > regr c2 1 c1
MTB > regr y 1 x
Setelah kasus ke-3 dihilangkan ternyata persamaan regresi dari OLS dan
LAD adalah hampir sama
51
NONLINEAR REGRESSION
y f ( x , )
NIlai
dapat diduga dengan dengan cara meminimukan jumlah kuadrat
residual, jumlah kuadrat ini dapat diminimukan jika turunan pertama terhadap
sama dengan nol atau :
n 2
SSE
y i f ( x i , )
i 1
SSE n
f ( x , )
y i f ( xi , ) i 0
i 1
Hasil turunan pertama terhadap
sama dengan nol membentuk suatu
sistem persamaan non-linear yang tidak dapat diselesaikan secara langsung
tetapi dapat didekati secara iteratif dengan menggunakan metode numerik,
salah satu metode numerik yang dapat menyelesaikan hal ini adalah metode
Gauss-Newton. Metode Gauss-Newton ini bekerja dengan menggunakan
SSE
pendekatan deret Taylor dari fungsi sampai suku kedua. Nilai dugaan
pada iterasi ke i+1 adalah :
ˆ
ˆ( ' ) 1 ' e
i 1 i i i i i
52
dan
f ( x1 , ) f ( x1 , ) f ( x1 , )
...
0 1 k
f ( x 2 , ) f ( x 2 , ) f ( x 2 , )
...
0 1 k
...
f ( x n , ) f ( x n , ) f ( x n , )
...
0 1 k
Iterasi ini dihentikan jika nilai
ˆ
ˆ atau
ˆ ˆ 0.0000
i 1 i i 1 i
ˆ
ˆ( ' diag ' ) 1 ' e
i 1 i i i i i i i
53
Kegiatan Praktikum
Tahun Penduduk Banyaknya penduduk pada interval tahun 1980
1980 100 sampai dengan tahun 2000 diduga mempunyai pola
1981 105
pertumbuhan eksponensial yang dapat dinyatakan
1982 110
1983 115 dalam model :
1984 124
1985 130 y 0 e 1t
1986 135
Tentukan nilai dugaan untuk
dan
1987 142
1988 149
1989 155
1990 165
1991 172
1992 182
1993 194
1994 203
1995 212
1996 223
1997 234
1998 246
1999 258
2000 271
Penyelesaian
ˆ
ˆ( ' ) 1 ' e
i 1 i i i i i
54
ˆ 100 (Nilai y pada tahun dasar) dan untuk
Dengan nilai awal untuk 0
ˆ0.05 (nilai pertumbuhan relatif dari dua nilai y awal :100 ke 105).
1
f f
Sedangkan nilai matriks
dapat ditentukan dari dan
0
1 yaitu :
f
0e 1t
f
e 1t
0
f
0 te1t
1
sehingga matriks menjadi :
n 21ti n
e 2i ti
0tie
' n i 1 i
n
1
t e2iti 2 2 2i ti
i
1
0i
i1
0 ti e
55
Untuk menyelesaikan kaus ini dengan metode Gauss-Newton, dapat
dilakukan dengan bantuan Macro MINITAB berikut :
macro
nonlin yy xx b0 b1
mconstant b0 b1 bb0 bb1 iterasi delta
mcolumn yy xx x1 x2 b yhat error
mmatrix x xt xtx xtxinv xte e yyhat h b_old b_new
#
# nilai awal
#
let b(1)=b0
let b(2)=b1
copy b b_old
let yhat=b0*expo(b1*xx)
let error=yy-yhat
copy error e
let x1=expo(b1*xx)
let x2=b0*xx*expo(b1*xx)
copy x1 x2 x
let delta=10
let iterasi=0
#
# iterasi gauss-newton
#
while delta>0.000001 and iterasi<100
let iterasi=iterasi+1
transpose x xt
multiply xt x xtx
invert xtx xtxinv
multiply xt e xte
multiply xtxinv xte h
add b_old h b_new
copy b_new b
let bb0=b(1)
let bb1=b(2)
let delta=abs(b0-bb0)+abs(b1-bb1)
let b0=bb0
let b1=bb1
copy b_new b_old
let yhat=b0*expo(b1*xx)
let error=yy-yhat
copy error e
let x1=expo(b1*xx)
let x2=b0*xx*expo(b1*xx)
copy x1 x2 x
endwhile
print b0 b1
endmacro
Untuk menjalankan macro MINITAB di atas dapat dilakukan dengan
perintah :
56
MTB > set c1
DATA> 0:20
DATA> end
MTB > set c2
DATA> 100 105 110 115 124 130 135 142 149 155
DATA> 165 172 182 194 203 212 223 234 246 258
DATA> 271
DATA> end
MTB > %nonlin.txt c2 c1 100 0.05
b0 100.150
b1 0.0499193
klik parameters
57
Iteration Residual SS B0 B1
1 22.83350008 100.000000 .050000000
1.1 22.58470063 100.149827 .049919149
2 22.58470063 100.149827 .049919149
2.1 22.58469961 100.149728 .049919293
3 22.58469961 100.149728 .049919293
3.1 22.58469961 100.149729 .049919293
Nilai koefisien regresi dan SSE sudah tidak berubah lagi sehingga iterasi
berhenti.
Nonlinear Regression Summary Statistics Dependent Variable Y
Source DF Sum of Squares Mean Square
Confidence interval untuk koefisien regresi tidak ada yang melalui titik nol
sehingga dapat dikatakan koefisien regresi yang diperoleh significant pada
Latihan
1. Rasio elektrifikasi (Persentase rumah tangga yang berlangganan PLN)
selama 20 tahun di suatu daerah adalah sebagai berikut :
57.44 64.57 71.09 76.85 81.76 85.81 89.09 91.68 93.70
95.26 96.44 97.34 98.02 98.52 98.90 99.18 99.39 99.55
99.67 99.75
58
Penyelesaian
Persentase penduduk yang berlangganan PLN tidak mungkin lebih dari
100 %, dan akan mendekati 100 % untuk t yang sangat besar, salah satu
model yang memenuhi sifat-sifat ini adalah :
100
yt
1 0 e t
Dengan bantuan SPSS
59
Pemodelan y 0 x1
1
x22 x33 dengan bantuan SPSS dapat
dilakukan dengan cara :
60
Nonlinear Regression Summary Statistics
Dependent Variable LIFEEXPF
Asymptotic 95 %
Asymptotic Confidence Interval
Parameter Estimate Std. Error Lower Upper
61