“REGRESI LINIER”
Disusun oleh:
1
KATA PENGANTAR
Puji syukur atas kehadirat Allah SWT, atas berkat rahmat serta karunia-Nya, Makalah
Statistika Tahun Ajaran 2020/2021 yang berjudul “Regraasi Linier” ini dapat diselesaikan tepat pada
waktunya. Makalah ini didalamnya berisi tentang: kata pengantar, pendahuluan, pembahasan, serta
penutup. Penyusunan Makalah Statistika ini pun tidak luput dari bantuan maupun kerja sama dengan
pihak lain. Oleh karena itu, penyusun ingin menyampaikan ucapan terima kasih kepada yang
terhormat:
1. Ir. Azhar, M.T. selaku Dosen Pengampu Mata Kuliah Statistika Jurusan Teknik Kimia
Fakultas Teknik Universitas Lampung. .
2. Seluruh pihak yang secara langsung maupun tidak langsung, yang tidak dapat kami
sebutkan satu persatu di sini. Atas bantuan dan perhatiannya selama penyusunan
makalah ini kami ucapkan terima kasih.
Akhir kata, semoga bantuan serta dukungan yang telah diberikan oleh semua pihak di atas dapat
menjadi amalan yang bermanfaat dan mendapat balasan dari Allah SWT. Penyusun berharap bahwa
makalah Statistika ini dapat menambah informasi serta wawasan yang bermanfaat bagi pembaca
ataupun pihak lain yang membutuhkan. Tak ada gading yang tak retak, kritik dan saran sangat
dibutuhkan untuk penyusunan laporan di masa yang akan datang.
2
DAFTAR ISI
KATA PENGHANTAR .................................................................................................... 2
3
BAB I
PENDAHULUAN
2.1 LATAR BELAKANG
Analisis regresi merupakan alat statistik yang banyak digunakan dalam berbagai bidang.
Analisis tersebut bertujuan untuk mengetahui hubungan antara variabel dependen dan variabel
independen. Ada tiga macam tipe dari analisis regresi. Tipe yang pertama adalah regresi linier
sederhana yang berfungsi untuk mengetahui hubungan linier antara dua variabel, satu variabel
dependen dan satu variabel independen.Tipe kedua adalah regresi linier berganda yang
merupakan model regresi linier dengan satu variabel dependen dan lebih dari satu variabel
independen. Tipe ketiga adalah regresi non linier yang berasumsi bahwa hubungan antara
variabel dependen dan variabel independen tidak linier pada parameter regresinya.
Dalam regresi linier sederhana, metode yang biasa digunakan dalam mengestimasi
parameter regresi adalah metode kuadrat terkecil atau Ordinary Least Squares (OLS). Konsep
metode ini adalah untuk mengestimasi parameter dengan memilih garis regresi yang terdekat
dengan garis dari semua data. Secara matematika penentuan parameter regresi ini dengan cara
meminimumkan jumlah kuadrat dari residualnya. Sebelum menarik sampel dari suatu
populasi terkadang diperoleh informasi mengenai parameter yang akan diestimasi.Jika
informasi tersebut ingin dimasukkan dalam analisis data, maka estimasi parameter regresi
dengan metode kuadrat terkecil tidak memungkinkan untuk memasukkan informasi tersebut.
Oleh karena itu,diperlukan metode bayesian untuk menyelesaikan permasalahan tersebut.
Bayes memperkenalkan suatu metode yang diperlukan untuk mengetahui bentuk distribusi
awal (prior) dari populasi yang dikenal dengan metode bayesian. Informasi ini kemudian
digabungkan dengan informasi dari sampel untuk digunakan dalam mengestimasi parameter
populasi.Pada metode bayesian,seorang peneliti harus menentukan distribusi prior dari
parameter yang ditaksir.Distribusi prior ini dapat berasal dari data penelitian sebelumnya atau
berdasarkan intuisi seorang peneliti. Dugaan penentuan distribusi parameter sangatlah
subyektif.
Semakin berpengalaman seseorang, maka semakin mudah dalam menentukan distribusi
priornya. Sudah tentu penentuan distribusi prior ini harus berdasarkan alur berpikir yang
logis. Setelah informasi dari data yang didapat dari pengambilan sampel digabungkan dengan
informasi prior dari parameter, akan didapat distribusi posterior dari parameter. Rataan dari
distribusi posterior ini yang akan menjadi parameter regresi dengan metode bayesian.
2.3 TUJUAN
3 Mengetahui defini analisis regresi
4 Mengetahui defini regresi linier
5 Mengetahui model regresi umum
6 Mengetahui model regresi linier sederhana
7 Mengetahui langkah-langkah dalam membangun model regresi yang baik
8 Mengetahui asumsi asumsi regresi linier
9 Mengetahui diagnostik regresi
10 Mengetahui regresi dengan variabel “ Depanden Terbatas “
5
BAB II
PEMBAHASAN
6
menentukan garis yang paling sesuai melaluisebar data, sehingga jumlah residu kuadrat
diminimalkan ;secara ekuivalen, ini meminimalkan varian kesalahan. Kecocokannya adalah
"terbaik" dalam arti itu: jumlah kesalahan kuadrat sekecil mungkin. Itulah mengapa ini juga
disebut regresi"Kuadrat Terkecil Biasa".
Dalam regresi linier, spesifikasi modelnya adalah variabel dependen, parameter ( tetapi
tidak perlu linier di Variabel independen). Misalnya, dalam regresi linier sederhana untuk
memodelkan titik data, terdapat satu variabel independen: , dan dua parameter, garis lurus: (
Dalam regresi linier berganda, ada beberapa variabel independen atau fungsi variabel
independen ).
dimana x aku j adalah saya th observasi di j th variabel independen, dan di mana variabel
independen pertama mengambil nilai 1 untuk semua saya ( begitu adalah intersepsi
regresi). Estimasi parameter kuadrat terkecil diperoleh dari p persamaan normal. dapat
ditulis sebagai :
7
2.4 Model Regresi Linier Sederhana
Model regresi melibatkan variabel berikut:
1. Itu parameter tidak diketahui, dilambangkan sebagai β, yang mungkin mewakili skalar
atau vektor.
2. Itu variabel independen, X.
3. Itu variabel tak bebas, Y. Dalam berbagai bidang aplikasi, terminologi yang berbeda
digunakan untuk menggantikan variabel dependen dan variabel independen. Model regresi
berhubungan Y ke fungsi X dan β. Perkiraan biasanya diformalkan sebagai E (Y | X) = f ( X,
β ). Untuk melakukan analisis regresi berupa fungsinya f harus ditentukan. Terkadang
bentuk fungsi ini didasarkan pada pengetahuan tentang hubungan antar Y dan X yang tidak
bergantung pada data. Jika pengetahuan seperti itu tidak tersedia, bentuk yang fleksibel atau
nyaman untuk f terpilih. Asumsikan sekarang bahwa vektor parameter yang tidak diketahui β
panjangnya k. Untuk melakukan analisis regresi, pengguna harus memberikan informasi
tentang variabel dependen Y:
4. Jika N poin data dari formulir ( Y, X ) diamati, di mana N k titik data diamati. Dalam
kasus ini, terdapat cukup informasi dalam data untuk memperkirakan nilai uniknya β yang
paling sesuai dengan data dalam beberapa hal, dan model regresi bila diterapkan ke data
dapat dipandang sebagai sistem yang ditentukan secara berlebihan di β. Dalam kasus
terakhir, analisis regresi menyediakan alat untuk:a. Menemukan solusi untuk parameter yang
tidak diketahui β yang akan, misalnya, meminimalkan jarak antara yang diukur dan nilai
prediksi dari variabel dependen Y ( juga dikenal sebagai metode kuadrat terkecil ).
Y = β0 + β1x + ε
8
E(ε) = 0 dan Var (ε) = σ2.
.
2.5 Langkah-Langkah Dalam Membangun Model Regresi Yang Baik
Langkah-langkah dalam membangun model regresi yang baik seperti:
9
2.7 Diangnostik regresi
Setelah model regresi dibuat, mungkin penting untuk memastikan kesesuaian model dan
signifikansi statistik dari parameter yang diperkirakan. Pemeriksaan kesesuaian yang umum
digunakan meliputi R-kuadrat, analisis pola residual, dan pengujian hipotesis. Signifikansi
statistik dapat diperiksa dengan uji-F untuk kesesuaian keseluruhan, diikuti dengan uji-t
parameter individu. Interpretasi dari uji diagnostik ini sangat bergantung pada asumsi model.
Meskipun pemeriksaan residual dapat digunakan untuk membuat model menjadi tidak
valid, hasil uji-t atau uji-F terkadang lebih sulit diinterpretasikan jika asumsi model dilanggar.
Misalnya, jika istilah kesalahan tidak memiliki distribusi normal, dalam sampel kecil,
parameter yang diperkirakan tidak akan mengikuti distribusi normal dan memperumit
kesimpulan. Dengan sampel yang relatif besar, bagaimanapun, teorema batas pusat dapat
digunakan sehingga pengujian hipotesis dapat dilanjutkan dengan menggunakan pendekatan
asimtotik.
10
Prosedur tersebut berbeda dalam asumsi yang dibuat tentang distribusi variabel dalam
populasi. Jika variabel positif dengan nilai rendah dan mewakili pengulangan terjadinya
suatu peristiwa, maka model hitung seperti regresi Poisson atau model binomial negatif
dapat digunakan sebagai gantinya.
Prosedur tersebut berbeda dalam asumsi yang dibuat tentang distribusi variabel dalam
populasi. Jika variabel positif dengan nilai rendah dan mewakili pengulangan terjadinya
suatu peristiwa, maka model hitung seperti regresi Poisson atau model binomial negatif
dapat digunakan sebagai gantinya.
11
BAB III
PENUTUP
3.1 Kesimpulan
Analisis regresi merupakan alat statistik yang banyak digunakan dalam berbagai bidang.
Analisis tersebut bertujuan untuk mengetahui hubungan antara variabel dependen dan variabel
independen. Ada tiga macam tipe dari analisis regresi. Tipe yang pertama adalah regresi linier
sederhana yang berfungsi untuk mengetahui hubungan linier antara dua variabel, satu variabel
dependen dan satu variabel independen.Tipe kedua adalah regresi linier berganda yang
merupakan model regresi linier dengan satu variabel dependen dan lebih dari satu variabel
independen. Tipe ketiga adalah regresi non linier yang berasumsi bahwa hubungan antara
variabel dependen dan variabel independen tidak linier pada parameter regresinya. Dalam
regresi linier, spesifikasi modelnya adalah variabel dependen, parameter ( tetapi tidak perlu
linier di Variabel independen). Misalnya, dalam regresi linier sederhana untuk memodelkan
titik data, terdapat satu variabel independen: , dan dua parameter, garis lurus
12
DAFTAR PUSTAKA
Fisher, RA (1922). "Kebaikan kesesuaian rumus regresi, dan distribusi koefisien regresi". J.
Royal Statist. Soc. (Penerbitan Blackwell) 85 ( 4 ): 597 - 612. doi: 10.2307 /
2341124.
JSTOR 2341124.
R. Dennis Cook; Sanford Weisberg Kritik dan Analisis Pengaruh dalam Regresi
13