Anda di halaman 1dari 21

UAP

METODE STATISTIKA II

Lakukan Analisis Regresi Linier Berganda pada data dibawah ini:


Y X1 X2 X3 X4
71,9 83,26 809,76 6,2 0,06
71,74 77,67 1260,5 5,41 0,18
72,39 83,63 343,09 5,33 0,1
73 77,29 483,92 5,97 0,1
71,26 71,97 273,37 4,19 0,23
70,02 70,29 1067,2 4,48 0,2
71,21 79,39 298 3,39 0,17
69,57 71,05 1041,5 4,03 0,12
71,3 67,79 67,37 3,62 0,6
75,48 84,04 127,76 6,91 0,12
80,76 72,01 362,3 6,22 0,05
72,03 67,29 3375,9 7,99 0,21
71,73 69,65 3679,4 4,49 0,26
79,99 88,97 440,89 3,14 0,05
71,5 72,74 4056 3,92 0,93
72,44 68,72 641,42 8,11 0,12
75,38 82,83 156,91 1,52 0,17
68,14 77,51 705,68 3,42 2,46
65,23 75,36 1129,5 3,35 2,51
67,65 68,37 370,47 4,45 1,46
70,91 66,95 131,24 4,1 0,11
70,72 69,19 190,29 4,31 0,15
76,61 81,81 220,91 6,09 0,18
71,15 76,06 48,61 4,4 0,75
72,99 74,04 188,6 6,25 0,08
69,5 75,73 404,03 3,15 0,71
71,66 70,85 759,58 4,97 1,72
71,2 74,03 299,97 3,59 0,94
68,49 71,44 184,71 4,06 0,31
65,73 69,31 151,87 3,18 2,31
69,45 79,65 319,51 7,08 0,55
68,7 76,41 87,18 4,97 0,27
64,7 81,49 207,59 6,24 1,53
60,84 63,5 900,95 3,65 20,21

Sumber : Badan Pusat Statistika


Keterangan:
X1: Angka partisipasi sekolah
X2: Jumlah penduduk miskin
X3: Tingkat pengangguran terbuka
X4: Penduduk buta huruf
Y : IPM(indeks pembangunan manusia)

Penyelesaian:

library(stats)
library(car)
library(lmtest)
library(zoo)
#MODEL AWAL, ESTIMASI PARAMETER, PENGUJIAN SIGNIFIKANSI PARAMETER
Data=read.table(file.choose(),header=TRUE)
Data
summary(Data)
reg=lm(formula=Y~X1+X2+X3+X4,data=Data)
summary(reg)

#PEMILIHAN MODEL TERBAIK


library(Rcmdr)

#(forward)data-importdata-fromtextfile-...-statistics-fitmodels-
linearesgression-blok variabel y di response variable-blok semua

variabel x di explanatory-ok

# models-stepwise model selection-direction pilih forward-


criterion pilih AIC

#(backward)idem models-stepwise model selection-direction pilih


backward-criterion pilih AIC

#ESTIMASI MODEL TERBAIK, PENGUJIAN SIGNIFIKANSI MODEL TERBAIK


(Saat
Sudah diperoleh model terbaik)
Reg=lm(formula=Y~X1+x4,data=Data)
summary(Reg)

#UJI ASUMSI KLASIK MODEL TERBAIK


vif(Reg)
bptest(Y~X1+x4,varformula=~fitted.values(reg),studentize=FALSE,d
ata=Data)
dwtest(Reg,alternative='two.sided')
residual=resid(Reg)
shapiro.test(residual)

1. Model Awal

Yi=β 0+ β1 X 1 i + β 2 X 2i + β 3 X 3 i+ β 4 X 4 i + ε i

Keterangan :
Yi : variabel IPM
β 0 : Rataan Umum (intercept)
X 1 i : variabel angka partisipasi sekolah ke-i
β 1 : Parameter variabel independent X1
X 2 i : variabel jumlah penduduk miskin ke-i
β 2 : Parameter variabel independent X2
X 3 i : variabel tingkat pengangguran terbuka ke-i
β 3 : Parameter variabel independent X3
X 4 i : variabel penduduk buta huruf ke-i
β 4 : Parameter variabel independent X4
ε i : Error ke-i

2. Estimasi Parameter Model Awal

Ŷ =56.4321829+ 0.1830269 X 1+ 0.0002040 X 2+ 0.2902209 X 3+−0.5107984 X 4

Berdasarkan model di atas dapat diketahui bahwa konstanta sebesar 6.951 menyatakan
bahwa tanpa dipengaruhi oleh variabel angka partisipasi sekolah, jumlah penduduk
miskin, tingkat pengangguran terbuka dan variabel penduduk buta huruf maka nilai IPM
sebesar 56.4321829. Koefisien sebesar 0.1830269 menyatakan bahwa setiap penambahan
1 peringkat angka partisipasi sekolah akan meningkatkan nilai IPM sebesar 0.1830269.
Koefisien sebesar 0.0002040 menyatakan bahwa setiap penambahan 1 peringkat
penduduk miskin akan meningkatkan nilai IPM sebesar 0.0002040. Koefisien sebesar
0.2902209 menyatakan bahwa setiap penambahan 1 peringkat angka tingkat penganguran
terbuka akan meningkatkan nilai IPM sebesar 0.2902209. Koefisien sebesar 0.5107894
menyatakan bahwa setiap penambahan 1 peringkat penduduk miskin akan meningkatkan
nilai IPM sebesar 0.5107894.

3. Koefisien Determinasi

Tabel Uji Determinasi


Multiple R-squared 0.3995

Koefisien determinasi sebesar 0,3995 menyatakan bahwa sebesar 39,95% variasi yang
terjadi pada nilai IPM disebabkan oleh variabel angka partisipasi sekolah, jumlah
penduduk miskin, tingkat pengangguran terbuka dan variabel penduduk buta huruf. Hal
ini menandakan bahwa ada sekitar 60,05% variabel lain yang belum diketahui yang
mempengaruhi Indeks Pembangunan Manusia.

4. Pengujian Signifikansi Parameter


a) Uji Simultan

Tabel Uji Simultan


P-value 0.004171

Hipotesis
H0 : (Secara Simultan tidak terdapat pengaruh variabel angka partisipasi sekolah,
jumlah penduduk miskin, tingkat pengangguran terbuka dan variabel
penduduk buta huruf terhadap variabel nilai IPM)
H1 : (Secara Simultan terdapat pengaruh variabel angka partisipasi sekolah,
jumlah penduduk miskin, tingkat pengangguran terbuka dan variabel
penduduk buta huruf terhadap variabel nilai IPM)

Taraf Signifikansi
α = 0,05
Daerah Kritis
H0 ditolak jika P-value < α
Keputusan
Karena P-value = 0.004171 < α = 0,05 maka diputuskan tolak H0
Kesimpulan
Secara Simultan terdapat pengaruh variabel angka partisipasi sekolah, jumlah
penduduk miskin, tingkat pengangguran terbuka dan variabel penduduk buta
huruf terhadap variabel nilai IPM
b) Uji Parsial
1) Variabel X1(angka partisipasi sekolah)

Tabel Uji Parsial


Uji Parsial
P-value 0.08604

Hipotesis:
H0 : Tidak terdapat pengaruh variabel angka partisipasi sekolah terhadap
variabel nilai IPM
H1 : Terdapat pengaruh variabel angka partisipasi sekolah terhadap
variabel nilai IPM
Taraf Signifikansi
α = 0,05
Daerah Kritis
H0 ditolak jika P-value < α
Keputusan
Karena P-value = 0.08604 > α = 0,05 maka diputuskan gagal tolak H0
Kesimpulan
Tidak terdapat pengaruh variabel angka partisipasi sekolah terhadap
variabel nilai IPM
2) Variabel X2(jumlah penduduk miskin)

Tabel Uji Parsial


Uji Parsial
P-value 0.73159

Hipotesis:
H0 : Tidak terdapat pengaruh variabel jumlah penduduk miskin terhadap
variabel nilai IPM
H1 : Terdapat pengaruh variabel jumlah penduduk miskin terhadap
variabel nilai IPM
Taraf Signifikansi
α = 0,05
Daerah Kritis
H0 ditolak jika P-value < α
Keputusan
Karena P-value = 0.73159 > α = 0,05 maka diputuskan gagal tolak H0
Kesimpulan
Tidak terdapat pengaruh variabel angka melek huruf terhadap variabel
nilai IPM

3) Variabel X3(tingkat pengangguran terbuka)

Tabel Uji Parsial


Uji Parsial
P-value 0.45485

Hipotesis:
H0 : Tidak terdapat pengaruh variabel tingkat pengangguran terbuka
terhadap variabel nilai IPM
H1 : Terdapat pengaruh variabel tingkat pengangguran terbuka terhadap
variabel nilai IPM
Taraf Signifikansi
α = 0,05
Daerah Kritis
H0 ditolak jika P-value < α
Keputusan
Karena P-value = 0,45485> α = 0,05 maka diputuskan gagal tolak H0
Kesimpulan
Tidak terdapat pengaruh variabel tingkat pengangguran terbuka terhadap
variabel nilai IPM

4) Variabel X4(penduduk buta huruf)

Tabel Uji Parsial


Uji Parsial
P-value 0.00759

Hipotesis:
H0 : Tidak terdapat pengaruh variabel penduduk buta huruf terhadap
variabel nilai IPM
H1 : Terdapat pengaruh variabel penduduk buta huruf terhadap variabel
nilai IPM
Taraf Signifikansi
α = 0,05
Daerah Kritis
H0 ditolak jika P-value < α
Keputusan
Karena P-value = 0,00759 < α = 0,05 maka diputuskan tolak H0
Kesimpulan
Terdapat pengaruh variabel penduduk buta huruf terhadap variabel nilai
IPM

5. Pemilihan Model Terbaik


a) Metode Stepwise Forward Selection
Dengan menggunakan metode stepwise forward selection diperoleh nilai AIC sebagai
berikut:

Tabel Metode Stepwise Forward Selection


Model dengan Forward Nilai AIC
Y ~ 1 93.76
Y ~ X4 82.54
Y ~ X4 + X1 81.31

Berdasarkan Pemilihan Model Terbaik dengan metode forward diperoleh nilai AIC
untuk masing-masing model terlampir pada tabel di atas. Pada ke-tiga model tersebut
dapat dilihat bahwa model dengan nilai AIC terkecil yaitu sebesar 81.31 terletak pada
model Y ~ X4 + X1

b) Metode Stepwise Backward Selection


Dengan menggunakan metode stepwise backward selection diperoleh nilai AIC
sebagai berikut:

Tabel Metode Stepwise Backward Selection


Model dengan backward Nilai AIC
Y ~ X1 + X2 + X3 + X4 84.42
Y ~ X1 + X3 + X4 82.56
Y ~ X4 + X1 81.31
Berdasarkan Pemilihan Model Terbaik dengan metode backward diperoleh nilai AIC
untuk masing-masing model terlampir pada tabel di atas. Pada ke-enam model
tersebut dapat dilihat bahwa model dengan nilai AIC terkecil yaitu sebesar 81.31
terletak pada model Y ~ X1 + X4
Pada kedua metode pemilihan model terbaik menggunakan backward dan forward
Selection diperoleh nilai AIC terkecil pada model Y ~ X1 + X4. Sehingga model
terbaik yang digunakan adalah model Y ~ X1 + X4

6. Estimasi Parameter Model Terbaik

Ŷ =58.9036+ 0.1709 X 1 +−0.5410 X 4

Berdasarkan model di atas dapat diketahui bahwa konstanta sebesar 58.9036 menyatakan
bahwa tanpa dipengaruhi oleh variabel angka partisipasi sekolah dan penduduk buta
huruf, maka nilai IPM sebesar 58.9036. Koefisien sebesar 0.1709 menyatakan bahwa
setiap penambahan 1 peringkat angka partisipasi sekolah akan meningkatkan nilai IPM
sebesar 0.1709. koefisien sebesar 0.5410 menyatakan bahwa setiap penambahan 1
peringkat penduduk buta huruf akan meningkatkan nilai IPM sebesar 0.5410

7. Koefisien Determinasi Model Terbaik

Tabel Uji Determinasi


Multiple R-squared 0.3837

Koefisien determinasi sebesar 0,3837 menyatakan bahwa sebesar 38,37% variasi yang
terjadi pada nilai IPM disebabkan oleh variable angka partisipasi sekolah dan jumlah
penduduk buta huruf. Hal ini menandakan bahwa ada sekitar 61,53 % variabel lain yang
belum diketahui yang mempengaruhi Indeks Pembangunan Manusia.

8. Pengujian Signifikansi Parameter Model Terbaik


a) Uji Simultan

Tabel Uji Simultan


P- 0.000552
value 4
Hipotesis:
H0 : (Secara Simultan tidak terdapat pengaruh variabel angka partisipasi
sekolah dan jumlah penduduk buta huruf terhadap variabel nilai IPM)
H1 : (Secara Simultan terdapat pengaruh variabel angka partisipasi sekolah
dan jumlah penduduk buta huruf terhadap variabel nilai IPM)
Taraf Signifikansi
α = 0,05
Daerah Kritis
H0 ditolak jika P-value < α
Keputusan
Karena P-value = 0,0005524< α = 0,05 maka diputuskan tolak H0
Kesimpulan
(Secara Simultan terdapat pengaruh variabel angka partisipasi sekolah dan
jumlah penduduk buta huruf terhadap variabel nilai IPM)

b) Uji Parsial
1) Variabel X1(angka partisipasi sekolah)

Tabel Uji Parsial


Uji Parsial
P-value 0.08851

Hipotesis:
H0 : Tidak terdapat pengaruh variabel angka partisipasi sekolah terhadap
variabel nilai IPM
H1 : Terdapat pengaruh variabel angka partisipasi sekolah terhadap
variabel nilai IPM
Taraf Signifikansi
α = 0,05
Daerah Kritis
H0 ditolak jika P-value < α
Keputusan
Karena P-value = 0,08851> α = 0,05 maka diputuskan gagal tolak H0
Kesimpulan
Tidak terdapat pengaruh variabel angka partisipasi sekolah terhadap
variabel nilai IPM

2) Variabel X4(penduduk buta huruf)

Tabel Uji Parsial


Uji Parsial
P-value 0.00348

Hipotesis:
H0 : Tidak terdapat pengaruh variabel penduduk buta huruf terhadap
variabel nilai IPM
H1 : Terdapat pengaruh variabel prnduduk buta huruf terhadap variabel
nilai IPM
Taraf Signifikansi
α = 0,05
Daerah Kritis
H0 ditolak jika P-value < α
Keputusan
Karena P-value = 0,00348< α = 0,05 maka diputuskan tolak H0
Kesimpulan
Terdapat pengaruh variabel penduduk buta huruf terhadap variabel nilai
IPM

9.
10.
11.
12. Asumsi Klasik
a) Non Multikolinieritas

Tabel Uji Non Multikolinieritas


Variabel Nilai VIF
X1 1.137308
X4 1.137308

Berdasarkan Tabel dapat diketahui bahwa ke-dua variabel bebas memiliki nilai VIF
yang lebih kecil dari 10 sehingga dapat disimpulkan bahwa tidak terjadi
multikolinieritas pada model regresi.

b) Non Heteroskedastisitas

Tabel Uji Heteroskedastisitas


Breusch-Pagan Test
P-value 0.3695

Hipotesis:
H0 : Tidak terjadi heteroskedastisitas pada model regresi
H1 : Terjadi heteroskedastisitas pada model regresi
Taraf Signifikansi
α = 0,05
Daerah Kritis
H0 ditolak jika P-value < α
Keputusan
Karena P-value = 0,3695 > α = 0,05 maka diputuskan gagal tolak H0
Kesimpulan
Tidak terjadi heteroskedastisitas pada model regresi
c) Non Autokorelasi

Tabel Uji Non Autokorelasi


Durbin-Watson Test
P-value 0.02785

Hipotesis:
H0 : Tidak terjadi autokorelasi pada model regresi
H1 : Terjadi autokorelasi pada model regresi
Taraf Signifikansi
α = 0,05
Daerah Kritis
H0 ditolak jika P-value < α
Keputusan
Karena P-value = 0,02785< α = 0,05 maka diputuskan tolak H0
Kesimpulan
Terjadi autokorelasi pada model regresi

d) Normalitas Data Residual

Tabel Uji Normalitas Data Residual


Shapiro-Wilk normality test
P-value 0.1618

Hipotesis:
H0 : Data residual berasal dari populasi yang berdistribusi normal
H1 : Data residual tidak berasal dari populasi yang berdistribusi normal
Taraf Signifikansi
α = 0,05
Daerah Kritis
H0 ditolak jika P-value < α
Keputusan
Karena P-value = 0,1618 > α = 0,05 maka diputuskan gagal tolak H0
Kesimpulan
Data residual berasal dari populasi yang berdistribusi normal
LAMPIRAN

> library(stats)
> library(car)
Loading required package: carData
Warning message:
package ‘car’ was built under R version 3.6.3
> library(lmtest)
Loading required package: zoo

Attaching package: ‘zoo’

The following objects are masked from ‘package:base’:

as.Date, as.Date.numeric

Warning messages:
1: package ‘lmtest’ was built under R version 3.6.3
2: package ‘zoo’ was built under R version 3.6.3
> library(zoo)
> #MODEL AWAL ESTIMASI PARAMETER, PENGUJIAN SIGNIFIKANSI
PARAMETER
> Data=read.table(file.choose(),header=TRUE)
> Data
Y X1 X2 X3 X4
1 71.90 83.26 809.76 6.20 0.06
2 71.74 77.67 1260.50 5.41 0.18
3 72.39 83.63 343.09 5.33 0.10
4 73.00 77.29 483.92 5.97 0.10
5 71.26 71.97 273.37 4.19 0.23
6 70.02 70.29 1067.16 4.48 0.20
7 71.21 79.39 298.00 3.39 0.17
8 69.57 71.05 1041.48 4.03 0.12
9 71.30 67.79 67.37 3.62 0.60
10 75.48 84.04 127.76 6.91 0.12
11 80.76 72.01 362.30 6.22 0.05
12 72.03 67.29 3375.89 7.99 0.21
13 71.73 69.65 3679.40 4.49 0.26
14 79.99 88.97 440.89 3.14 0.05
15 71.50 72.74 4056.00 3.92 0.93
16 72.44 68.72 641.42 8.11 0.12
17 75.38 82.83 156.91 1.52 0.17
18 68.14 77.51 705.68 3.42 2.46
19 65.23 75.36 1129.46 3.35 2.51
20 67.65 68.37 370.47 4.45 1.46
21 70.91 66.95 131.24 4.10 0.11
22 70.72 69.19 190.29 4.31 0.15
23 76.61 81.81 220.91 6.09 0.18
24 71.15 76.06 48.61 4.40 0.75
25 72.99 74.04 188.60 6.25 0.08
26 69.50 75.73 404.03 3.15 0.71
27 71.66 70.85 759.58 4.97 1.72
28 71.20 74.03 299.97 3.59 0.94
29 68.49 71.44 184.71 4.06 0.31
30 65.73 69.31 151.87 3.18 2.31
31 69.45 79.65 319.51 7.08 0.55
32 68.70 76.41 87.80 4.97 0.27
33 64.70 81.49 207.59 6.24 1.53
34 60.84 63.50 900.95 3.65 20.21
> summary(Data)
Y X1 X2 X3
Min. :60.84 Min. :63.50 Min. : 48.61 Min. :1.520
1st Qu.:69.46 1st Qu.:69.81 1st Qu.: 189.02 1st Qu.:3.627
Median :71.23 Median :74.03 Median : 352.69 Median :4.425
Mean :71.04 Mean :74.71 Mean : 729.01 Mean :4.770
3rd Qu.:72.30 3rd Qu.:78.96 3rd Qu.: 797.22 3rd Qu.:6.060
Max. :80.76 Max. :88.97 Max. :4056.00 Max. :8.110
X4
Min. : 0.050
1st Qu.: 0.120
Median : 0.220
Mean : 1.174
3rd Qu.: 0.885
Max. :20.210
> reg=lm(formula=Y~X1+X2+X3+X4,data=Data)
> summary(reg)

Call:
lm(formula = Y ~ X1 + X2 + X3 + X4, data = Data)

Residuals:
Min 1Q Median 3Q Max
-7.7189 -1.6354 0.3229 1.1622 9.2945

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 56.4321829 8.1183581 6.951 1.22e-07 ***
X1 0.1830269 0.1029900 1.777 0.08604 .
X2 0.0002040 0.0005891 0.346 0.73159
X3 0.2902209 0.3831194 0.758 0.45485
X4 -0.5107984 0.1780016 -2.870 0.00759 **
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 3.235 on 29 degrees of freedom
Multiple R-squared: 0.3995, Adjusted R-squared: 0.3167
F-statistic: 4.824 on 4 and 29 DF, p-value: 0.004171

> #PEMILIHAN MODEL TERBAIK


> library(Rcmdr)
Loading required package: splines
Loading required package: RcmdrMisc
Loading required package: sandwich
Loading required package: effects
Registered S3 methods overwritten by 'lme4':
method from
cooks.distance.influence.merMod car
influence.merMod car
dfbeta.influence.merMod car
dfbetas.influence.merMod car
lattice theme set by effectsTheme()
See ?effectsTheme for details.

Versi Rcmdr 2.7-1

Attaching package: 'Rcmdr'

The following object is masked from 'package:base':

errorCondition

Warning messages:
1: package ‘RcmdrMisc’ was built under R version 3.6.3
2: package ‘sandwich’ was built under R version 3.6.3
3: package ‘effects’ was built under R version 3.6.3
> Dataset <- read.table("C:/Users/hp/Downloads/Y.txt",
header=TRUE,
+ stringsAsFactors=TRUE, sep="", na.strings="NA", dec=".",
strip.white=TRUE)
> RegModel.1 <- lm(Y~X1+X2+X3+X4, data=Dataset)
> summary(RegModel.1)

Call:
lm(formula = Y ~ X1 + X2 + X3 + X4, data = Dataset)

Residuals:
Min 1Q Median 3Q Max
-7.7189 -1.6354 0.3229 1.1622 9.2945

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 56.4321829 8.1183581 6.951 0.000000122 ***
X1 0.1830269 0.1029900 1.777 0.08604 .
X2 0.0002040 0.0005891 0.346 0.73159
X3 0.2902209 0.3831194 0.758 0.45485
X4 -0.5107984 0.1780016 -2.870 0.00759 **
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 3.235 on 29 degrees of freedom


Multiple R-squared: 0.3995, Adjusted R-squared: 0.3167
F-statistic: 4.824 on 4 and 29 DF, p-value: 0.004171

> library(MASS, pos=18)


> stepwise(RegModel.1, direction='forward', criterion='AIC')

Direction: forward
Criterion: AIC

Start: AIC=93.76
Y ~ 1

Df Sum of Sq RSS AIC


+ X4 1 162.803 342.53 82.540
+ X1 1 93.324 412.01 88.819
<none> 505.33 93.761
+ X3 1 23.484 481.85 94.143
+ X2 1 0.289 505.05 95.742

Step: AIC=82.54
Y ~ X4

Df Sum of Sq RSS AIC


+ X1 1 31.0727 311.46 81.307
<none> 342.53 82.540
+ X3 1 5.8566 336.67 83.954
+ X2 1 0.0177 342.51 84.538

Step: AIC=81.31
Y ~ X4 + X1

Df Sum of Sq RSS AIC


<none> 311.46 81.307
+ X3 1 6.7604 304.70 82.561
+ X2 1 2.0111 309.45 83.087

Call:
lm(formula = Y ~ X4 + X1, data = Dataset)

Coefficients:
(Intercept) X4 X1
58.9036 -0.5410 0.1709

> stepwise(RegModel.1, direction='backward', criterion='AIC')

Direction: backward
Criterion: AIC

Start: AIC=84.42
Y ~ X1 + X2 + X3 + X4

Df Sum of Sq RSS AIC


- X2 1 1.255 304.70 82.561
- X3 1 6.004 309.45 83.087
<none> 303.44 84.420
- X1 1 33.046 336.49 85.935
- X4 1 86.165 389.61 90.919

Step: AIC=82.56
Y ~ X1 + X3 + X4

Df Sum of Sq RSS AIC


- X3 1 6.760 311.46 81.307
<none> 304.70 82.561
- X1 1 31.976 336.67 83.954
- X4 1 87.208 391.91 89.118

Step: AIC=81.31
Y ~ X1 + X4

Df Sum of Sq RSS AIC


<none> 311.46 81.307
- X1 1 31.073 342.53 82.540
- X4 1 100.553 412.01 88.819

Call:
lm(formula = Y ~ X1 + X4, data = Dataset)

Coefficients:
(Intercept) X1 X4
58.9036 0.1709 -0.5410

> Reg=lm(formula=Y~X1+X4,data=Data)
> summary(Reg)
Call:
lm(formula = Y ~ X1 + X4, data = Data)

Residuals:
Min 1Q Median 3Q Max
-7.306 -1.827 0.110 1.550 9.574

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 58.9036 7.3548 8.009 0.00000000483 ***
X1 0.1709 0.0972 1.759 0.08851 .
X4 -0.5410 0.1710 -3.164 0.00348 **
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 3.17 on 31 degrees of freedom


Multiple R-squared: 0.3837, Adjusted R-squared: 0.3439
F-statistic: 9.648 on 2 and 31 DF, p-value: 0.0005524

> #UJI ASUMSI KLASIK MODEL TERBAIK


> vif(Reg)
X1 X4
1.137308 1.137308
>
bptest(Y~X1+X4,varformula=~fitted.values(reg),studentize=FALSE,da
ta=Data)

Breusch-Pagan test

data: Y ~ X1 + X4
BP = 0.80541, df = 1, p-value = 0.3695

> dwtest(Reg,alternative='two.sided')

Durbin-Watson test

data: Reg
DW = 1.3029, p-value = 0.02785
alternative hypothesis: true autocorrelation is not 0

> residual=resid(Reg)
> shapiro.test(residual)

Shapiro-Wilk normality test

data: residual
W = 0.95401, p-value = 0.1618

Anda mungkin juga menyukai