Setiap rerata kondisional E(Y|Xi) adalah sebuah fungsi linear dari Xi, merupakan nilai X
yang telah ditentukan secara simbolis.
E ( Y | Xi ) = F( Xi )
Dimana F (Xi) melambangkan beberapa fungsi dari penjelas X. dalam contoh yang kita
berikan E( Y | Xi ), adalah sebuah fungsi linear dari X i Persamaan (2.2.1) dikenal sebagai
fungsi espektasi kondisonal (conditional expectation function—CEF) atau lebih pendek
lagi dikenal sebagai FRP (fungsi regresi populasi—population regretion function). Fungsi
ini kurang lebih menyatakan bahwa nilai ekspektasi dari distrubusi Y dari Xi yang telah
ditetapkan, adalah fungsi yang berhubungan dengan Xi. Dalam terminology yang lebih
singkat lagi, fungsi tersebut menjelaskan bagaiman rerata atau rata-rata respons Y yang
bervariasi mengikuti X.
Pendekatan awal atau hipotesisnya adalah kita dapat mengasumsikan bahwa FRP E(Y|Xi)
adalah sebuah funsi linear Xi missal, dari tipe
E(Y|Xi) = β1+β2Xi
Dimana β1 dan β2 tidak diketahui, namun merupakan parameter yang telah ditetapkan
atau dikenal sebagai koefisien regresi β1 dan β2 juga dikenal sebagai intercept dan
koefisien kemiringan. Persamaan (2.2.1) sendiri dikenal sebagai fungsi regresi populasi
linear. Beberapa ungkapan alternative yang digunakan dalam literatur-literatur adalah
model regresi populasi linear atau hanya menyebutkan regresi populasi linear.
Berdasarkan urutan, istilah regresi, persamaan regresi memiliki arti yang sama ketika
digunakan.
Oleh karena buku ini membahas lebih banyak mengenai model-model linear,seperti
Persamaan (2.2.2),maka sangatlah penting untuk mengetahui arti sebenarnya dari
terminologi linear sebab dapat diartikan dalam dua cara yang berbeda.
1. Linear dalam Variabel
Arti paling pertama dan mungkin yang paling “alamiah” dari linearitas adalah
ekspektasi kondisional Y adalah sebuah fungsi linear Xi,sebagai
contoh,Persamaan (2.2.2).6 Secara geometris,kurva regresi dalam kasus ini adalah
sebuah garis lurus.Dalam interprestasinya,sebuah fungsi regresi seperti E(Y│Xi )
= β1+β2Xi2,bukan merupakan fungsi linear karena variabel X muncul dengan
sebuah pangkat atau indeks 2.
Figur 2.4
Di mana Ŷ dibaca sebagai “Y-topi” atau “Y-cap”
Ŷ = merupakan pengestimasi dari E(Y│Xi)
β1 = merupakan pengestimasi dari β1.
β2 = merupakan pengestimasi dari β2.
Kini,seperti bagaimana kita mengekspresikan FRP dalam bentuk yang
mirip.Persamaan (2.2.2) dan (2.4.2), kita dapat mengekspresikan FRS pada Persamaan
(2.6.1) dalam bentuk stokasinya sebagai berikut:
Ŷi = β1 + β2Xi +ûi