βˆ 0 = kamu— β ˆ (11-41)
dan 1x
A kamuSaya 1Xi—
n
x2
Saya=1 XY (11-42)
βˆ 1 = n =
SXX
A1Xi— x2
2
Sa
ya
=1
Kami mencatat bahwa penduga intersep dan kemiringan dalam Persamaan 11-41 dan
11-42 identik dengan yang diberikan oleh metode kuadrat terkecil dalam kasus di mana X
diasumsikan sebagai variabel matematis. Artinya, model regresi dengan Y dan X yang
secara bersama-sama terdistribusi normal adalah ekuivalen dengan model dengan X yang
dianggap sebagai variabel matematis. Ini mengikuti karena variabel acak Y yang diberikan
X = x secara independen dan terdistribusi normal dengan
mean 0 + 1x dan varians konstan 2 0 . Hasil
Y x ini juga akan berlaku untuk setiap distribusi bersama.
tion dari Y dan X sedemikian rupa sehingga distribusi bersyarat dari Y yang diberikan X adalah normal.
Hal ini dimungkinkan untuk menarik kesimpulan tentang koefisien korelasi p dalam
model ini. Penaksir p adalah koefisien korelasi sampel
n
A kamuSaya 1xSaya — x2 S
Saya= XY
R= n 1 n 1/2= SXX 2
(11-43)
1
CA A 1kamuSaya
Sa 1Xi— x22 Sa
SST1/2
ya
=1
ya
=1
— kamu2 2D
Perhatikan bahwa
SST 1/2
1ˆ = se B R (11-44)
XX
ba
So lerengˆ 1 hanyalah koefisien korelasi sampel R dikalikan dengan faktor skala yang
merupakan akar kuadrat dari "penyebaran" nilai Y dibagi dengan "penyebaran" nilai X.
Jadi,ˆ 1 dan R terkait erat, meskipun mereka memberikan informasi yang agak berbeda.
Koefisien korelasi sampel R mengukur hubungan linier antara Y dan X, sedangkan ˆ 1
mengukur perubahan yang diprediksi dalam rata-rata Y untuk perubahan satuan di X. Dalam
2 BAB 11 REGRESI LINIER SEDERHANA DAN KORELASI
kasus matematika
variabel matematis x, R tidak memiliki arti karena besarnya R tergantung pada pilihan jarak
dari x. Kami juga dapat menulis, dari Persamaan 11-44,
Sx x
R2 = β ˆ 2 = ˆ
1 β SSR
SST =
1Sx ka SS T
mu
SST
yang hanya merupakan koefisien determinasi. Artinya, koefisien determinasi R2 hanyalah
kuadrat dari koefisien korelasi antara Y dan X.
Hal ini sering berguna untuk menguji hipotesis
H0: p= 0
H1: pG 0 (11-45)
Statistik uji yang tepat untuk hipotesis ini adalah
Statistik Uji
untuk
Korelasi T=R1n— 2
0 (11-46)
Nol 21— R2
yang memiliki distribusi t dengan n — 2 derajat kebebasan jika H0: p= 0 benar. Oleh karena
itu, kita akan menolak hipotesis nol jika |t0| > tα/2,n—2. Pengujian ini ekuivalen dengan
pengujian hipotesis H0: 1 = 0 yang diberikan pada Bagian 11-5.1. Kesetaraan ini mengikuti
langsung dari Persamaan 11-46.
Prosedur pengujian hipotesis
H0: p= p0
H1: pG p0 (11-47)
di mana p0 0 agak lebih rumit. Untuk sampel yang cukup besar (katakanlah, n 25), statistik
Z= arctanh R = 1 ln 1 + R
(11-48)
2 1-R
= arctanh p= 1ln 1 + p 1
dan 2=
Z
2 1 -P Z
n—3
masing-masing. Oleh karena itu, untuk menguji hipotesis H0: p= p0, kita dapat menggunakan statistik
uji
dan tolak H0: p= p0 jika nilai statistik uji pada Persamaan 11-49 sedemikian rupa sehingga |z0| > zα/2.
Dimungkinkan juga untuk membuat perkiraan interval kepercayaan 100(1 — )% untuk p,
menggunakan
transformasi dalam Persamaan 11-48. Perkiraan interval kepercayaan 100(1 — )% adalah
Interval
Keyakinan
untuk dimana tanh u = (eu — e—u )/(eu + e—u ).
Koefisien
Korelasi
70
60
50
Kekuatan 40
30
20
Gambar 11-13Menyebarkan10
plot ikatan kawat
00
kekuatan versus kawat
5 10 15 20
panjang, Contoh 11-8.
Panjang kabel
Statistik ini juga dilaporkan dalam keluaran Minitab sebagai 122 122
uji H0: 1 = 0. Karena t0.025,23 = 2.069, kami menolak H0 yang
dan menyimpulkan bahwa koefisien korelasi p G 0. mengurangi
menjadi 0,9585 p 0,9921
Kami kadang-kadang menemukan bahwa model regresi garis lurus Y = 0 + 1x + tidak tepat
karena fungsi regresi yang sebenarnya adalah nonlinier. Terkadang nonlinier secara visual
ditentukan dari diagram pencar, dan terkadang, karena pengalaman sebelumnya atau teori
yang mendasari, kita tahu sebelumnya bahwa modelnya nonlinier. Kadang-kadang, diagram
pencar akan menunjukkan hubungan nonlinier yang jelas antara Y dan x. Dalam beberapa
situasi ini, fungsi nonlinier dapat dinyatakan sebagai garis lurus dengan menggunakan
transformasi yang sesuai. Model nonlinier seperti itu disebut linier intrinsik.
Sebagai contoh model nonlinier yang linear secara intrinsik, perhatikan fungsi
eksponensial
kamu= 0eβ1xε
Fungsi ini secara intrinsik linier, karena dapat diubah menjadi garis lurus dengan
logaritmatransformasi
ln Y = ln 0 + 1 x + ln
Transformasi ini mensyaratkan bahwa istilah kesalahan yang ditransformasi ln terdistribusi
secara normal dan independen dengan rata-rata 0 dan varians 2.
Fungsi linear intrinsik lainnya adalah
kamu= +a 1 b+
0 1 x
3.0
0.4
2.0 0.2
keluaran DC,kamu
0,0
1.0 eSaya
–0.2
0,0
0 2 –0.4
4 6 8 10
Kecepatan angin,x
Gambar 11-14Plot keluaran DC y versus kecepatan –0.6
angin x
untuk data kincir angin. 0.4 0.8 1.2 1.6 2.0 2.4
kamu
Plot dari residual versus yˆi ditunjukkan pada Gambar Gambar 11-16 adalah diagram pencar denganvariabel yang
11-15. Plot residual ini menunjukkan ketidakcukupan model ditransformasi x¿ = 1/x. Plot ini tampak linier, menunjukkan
bahwa transformasi timbal balik sesuai. Model regresi pas
dan menyiratkan bahwa hubungan linier belum menangkap
adalah
semua informasi dalam variabel kecepatan angin. Perhatikan
bahwa kelengkungan yang tampak pada diagram pencar pada kamuˆ = 2.9789 — 6.9345 x¿
Gambar 11-14 sangat diperkuat dalam plot residual. Jelas
Ringkasan statistik untuk model ini adalah R2 = 0,9800,
beberapa bentuk model lain harus dipertimbangkan.
MSE= σˆ 2 = 0,0089, dan F0 = 1128,43 (nilai P adalah
Kami awalnya mungkin mempertimbangkan untuk
menggunakan model kuadrat seperti: <0,0001).
Plot residual dari model yang ditransformasikan versus
kamu= 0 + 1 x + 2 x2 + yˆ ditunjukkan pada Gambar 11-17. Plot ini tidak
mengungkapkan masalah serius dengan ketidaksetaraan
untuk memperhitungkan kelengkungan yang tampak.
varians. Plot probabilitas normal, ditunjukkan pada Gambar
Namun, diagram pencar pada Gambar 11-14 menunjukkan
11-18, memberikan indikasi ringan bahwa kesalahan berasal
bahwa saat kecepatan angin meningkat, keluaran DC
dari distribusi dengan ekor yang lebih berat dari normal
mendekati batas atas sekitar 2,5. Hal ini juga sesuai dengan
(perhatikan kurva sedikit ke atas dan ke bawah di ekstrem).
teori operasi kincir angin. Karena model kuadrat pada
Plot probabilitas normal ini memiliki nilai z-score yang
akhirnya akan menekuk ke bawah saat kecepatan angin
diplot pada sumbu horizontal. Karena tidak ada sinyal kuat
meningkat, model ini tidak sesuai untuk data ini. Model yang
dari ketidakcukupan model, kami menyimpulkan bahwa
lebih masuk akal untuk data kincir angin yang
model yang ditransformasikan memuaskan.
menggabungkan asimtot atas adalah
kamu= +a 1 b+
0 1 x
0.4
3.0
0.2
2.0
0
keluaran DC,kamu
eSaya
–0.2
1.0
–0.4
–0.6
0,0 1 2 3
0,10 0,20 0,30 0,40 0,50 0
1 kamuSaya
x' =x data kincir angin.
gambare 11-16 Plot keluaran DC versus x¿ = 1/ xFOr
Gambar 11-17 Plot residu
versus nilai pas yˆi untuk model
transformasi untuk data kincir
angin.
11-9 REGRESI PADA VARIABEL YANG DITRANSFORMASI 439
0.4
Nomor Kecepatan Keluaran
Pengamata angin(mph) DC,
0.2 n, i , xi yi
4 2.70 0,500
0 5 10.00 2.236
eSaya 6 9.70 2.386
–0.2 7 9.55 2.294
8 3.05 0,558
–0.4 9 8.15 2.166
10 6.20 1,866
–0.6 11 2.90 0,653
– 12 6.35 1.930
2 -1 0 1 2
zSaya 13 4.60 1.562
Gambar 11-18 Plot probabilitas normal 14 5.80 1.737
dari residu untuk model yang 15 7.40 2.088
ditransformasikan untuk data kincir angin. 16 3.60 1.137
Meja11-5Nilai yang Diamatikamudan Variabel Regresorx 17 7.85 2.179
Saya Saya
Misalnya11-9 18 8.80 2.112
19 7,00 1.800
Pengamatan Kecepatan Keluaran
Nomor, angin(mph) DC, 20 5,45 1.501
saya , xi yi 21 9.10 2.303
1 5.00 1,582 22 10.20 2.310
2 6.00 1,822 23 4.10 1.194
3 3.40 1.057 24 3.95 1.144
25 2.45 0,123
lanjutan
Regresi linier sering kali bekerja dengan sangat baik ketika variabel responnya
adalahkuantitatif.Kami sekarang mempertimbangkan situasi di mana variabel respons
hanya mengambil dua nilai yang mungkin, 0 dan
1. Ini bisa menjadi tugas sewenang-wenang yang dihasilkan dari mengamati
akualitatiftanggapan. Misalnya, respons dapat berupa hasil uji kelistrikan fungsional pada
perangkat semi konduktor yang hasilnya "berhasil", yang berarti perangkat berfungsi dengan
baik, atau "kegagalan", yang dapat disebabkan oleh pendek, terbuka, atau masalah
fungsional lainnya.
Misalkan model memiliki bentuk
Yi= 0+ 1 xi + i (11-51)
dan variabel respon Yi mengambil nilai 0 atau1. Kita asumsikan variabel respon Yi adalah
variabel acak Bernoulli dengan distribusi probabilitas sebagai berikut:
Yi Kemungkinan
1P1kamuSaya = 12 = πSaya
0 P 1 kamuSaya = 0 2 = 1 — i
Tidakw karena E 1ϵi2 = 0, nilai yang diharapkan dari variabel respon adalah
E1Yi2 = 1 1πi2 + 0 11 — i2
=i
Ini menyiratkan
bahwa
E1Yi2 = β0 + β1xi= i
Ini berarti bahwa respon yang diharapkan yang diberikan oleh fungsi respon E(Yi) = 0 + 1xi
hanyalah probabilitas bahwa variabel respon mengambil nilai 1.
Ada beberapa masalah substantif dengan model regresi pada Persamaan 11-51. Pertama,
perhatikan bahwa jika responsnya biner, suku kesalahan i hanya dapat mengambil dua nilai,
yaitu,
Akibatnya, kesalahan dalam model ini tidak mungkin normal. Kedua, varians kesalahan
tidak konstan, karena
2
2Y= E5Y —
S E1Y 26
S
i a a
= 11 — i22i + 10 — i22 11 — i2
= i11 — i2
0 E 1Yi2 = i 1
Pembatasan ini dapat menyebabkan masalah serius dengan pilihan fungsi respons linier,
seperti yang telah kita asumsikan pada Persamaan 11-51. Akan dimungkinkan untuk
menyesuaikan model dengan data yang nilai prediksi dari responsnya berada di luar interval
0, 1.
Umumnya, ketika variabel respon adalah biner, ada banyak bukti empiris yang
menunjukkan bahwa bentuk fungsi respon harus nonlinier. Fungsi berbentuk S yang naik
(atau menurun) secara monoton (atau bentuk S terbalik), seperti yang ditunjukkan pada
Gambar 11-19, biasanya digunakan. Fungsi ini disebutfungsi respons logit,dan memiliki
bentuk
exp 1β + x2
0
E1 1 + exp 1β0 + 1 x2 (11-52)
1
kamu2=
1.2 1.2
1 1
0.8
0.8
E(kamu)
0,6 E(kamu) 0,6
0.4 0.4
0.2
0.2
0
0 2 4 6 8 10 12 0
14 0 2 4 6 8 10 12 14
x x
(A) (B)
gambare 11-19 Contoh fungsi respons logistik. (a) E1Y 2 = 1/ 11 + e—6.0—1.0x2, (b) E1Y 2 = 1/ 11 + e—6.0+1.0x2.
atau setara,
1 1 + exp 3
E1kam (11-53)
—1β0 + 1x24
u2 =
Di dalamregresi logistikkita asumsikan bahwa E(Y ) berhubungan dengan x dengan
logitfungsi. Sangat mudah untuk menunjukkan bahwa
1 kamu
1E— 2 2= exp1β0 + 1x2
E1Y (11-54)
Besaran exp( 0 + 1x) pada ruas kanan Persamaan 11-54 disebutrasio peluang.Ini memiliki
interpretasi langsung: Jika rasio odds adalah 2 untuk nilai x tertentu, itu berarti bahwa
keberhasilan dua kali lebih mungkin daripada kegagalan pada nilai regressor x tersebut.
Perhatikan bahwa logaritma natural dari odds ratio adalah fungsi linier dari variabel
regressor. Oleh karena itu kemiringan 1 adalah perubahan dalam log odds yang dihasilkan
dari peningkatan satu unit di x. Ini berarti bahwa odds ratio berubah sebesar eβ1 ketika x
bertambah satu unit.
Parameter dalam model regresi logistik ini biasanya diestimasi dengan metode
kemungkinan maksimum. Untuk detail prosedur, lihat Montgomery, Peck, dan Vining
(2006). Minitab akan sesuai dengan model regresi logistik dan memberikan informasi yang
berguna tentang kualitas kecocokan.
Kami akan menggambarkan logistikregresi menggunakan data suhu peluncuran dan
kegagalan cincin-O untuk 24 peluncuran pesawat ulang-alik sebelum bencana Challenger
pada Januari 1986. Ada enam cincin-O yang digunakan untuk menyegel sambungan medan
pada rakitan motor roket. Tabel di bawah ini menyajikan suhu peluncuran. Angka 1 di
kolom “Kegagalan Cincin-O” menunjukkan bahwa setidaknya satu kegagalan cincin-O
telah terjadi pada peluncuran tersebut.
Gambar 11-20 adalah diagram pencar dari data. Perhatikan bahwa kegagalan cenderung
terjadi pada suhu yang lebih rendah. Model regresi logistik yang sesuai dengan data dari
Minitab ini ditunjukkan pada tampilan kotak berikut.
Model regresi logistik yang cocok adalah
1
kam
1 + exp 3 —110.875 — 0.17132 x24
Logistik Biner Regresi: Kegagalan O-Ring versus Suhu
Fungsi Tautan:
LogitInformasi Tanggapan
Variabel Nilai Menghitung
O-Ring F 1 7 (Peristiwa)
0 17
Total 24
Tabel Regresi Logistik
Kemu 95% CI
ngkin
an
Prediktor koefisien Koef SE Z P Perba Lebih Atas
nding rendah
an
Konstan 10.875 5.703 1.91 0,057
sedang —0.17132 0,08344 —2,05 0,040 0,84 0.72 0,99
Log-Kemungkinan = —11.515
Uji bahwa semua kemiringan adalah nol: G = 5,944, DF = 1, P-Value = 0,015
NSe kesalahan standar kemiringan 1 adalah se(βˆ1) = 0,08344. Untuk sampel yang besar, 1
memiliki perkiraan distribusi normal, sehingga 1/se(βˆ1) dapat dibandingkan dengan
distribusi normal standar untuk menguji H0: 1 = 0. Minitab melakukan pengujian ini. Nilai
P adalah 0,04, menunjukkan bahwa
suhu memiliki pengaruh yang signifikan terhadap kemungkinan cincin-Okegagalan. Rasio
odds adalah 0,84, jadi setiap kenaikan satu derajat suhu mengurangi kemungkinan
kegagalan sebesar 0,84. Gambar 11-21 menunjukkan model regresi logistik yang sesuai.
Peningkatan tajam dalam kemungkinan kegagalan cincin-O sangat jelas terlihat pada grafik
ini. Suhu sebenarnya pada peluncuran Challenger adalah 31°F. Ini jauh di luar kisaran suhu
peluncuran lainnya, jadi model regresi logistik kami kemungkinan tidak akan memberikan
prediksi yang sangat akurat pada suhu tersebut, tetapi jelas bahwa peluncuran pada suhu
31°F hampir pasti akan mengakibatkan kegagalan cincin-O .
Sangat menarik untuk dicatat bahwa semua data ini tersedia sebelum diluncurkan.
Namun, para insinyur tidak dapat menganalisis data secara efektif dan menggunakannya
untuk memberikan argumen yang meyakinkan terhadap peluncuran Challenger kepada
manajer NASA. Namun analisis regresi sederhana
1.0
1.0
Kegagalan cincin-O
P(Kegagalan cincin-O)
0,5
0,5
0,0 6 S hu
50 0 u
70 80 0 hu
0,0 S
50 6 u 70 80
Gambar 11-20Plot sebaran kegagalan Gambar 11-21 Probabilitas kegagalan O-ring versus
cincin-O versus suhu peluncuran untuk 24 suhu peluncuran (berdasarkan model regresi logistik).
penerbangan pesawat ulang-alik.
data akan memberikan dasar kuantitatif yang kuat untuk argumen ini. Ini adalah salah satu
contoh dramatis yang menunjukkan mengapa insinyur dan ilmuwan membutuhkan latar
belakang yang kuat dalam teknik statistik dasar.
x 10 15 18 12 9 8 11 6
Tahun kamu x Tahun kam x (a) Buatlah diagram pencar dari data tersebut.
u (b) Pasang model represi linier sederhana.
1924 8 1.350 1931 16 4.620 (c) Uji signifikansi regresi. Hitung R2 untuk model tersebut.
1925 8 1.960 1932 18 5.497 (d) Analisis residu dan komentari kecukupan model.11-
1926 9 2.270 1933 19 6.260 92.Dua metode berbeda dapat digunakan untuk mengukur
suhu larutan dalam sel Hall yang digunakan dalam
1927 10 2.483 1934 20 7.012
aluminium
1928 11 2,730 1935 21 7.618
peleburan, termokopel ditanamkan dalam sel dan tidak langsung
1929 11 3.091 1936 22 8.131 pengukuran yang dihasilkan dari perangkat IR. Metode tidak
1930 12 3.674 1937 23 8.593 langsung lebih disukai karena termokopel akhirnya
dihancurkan oleh larutan. Perhatikan 10 pengukuran berikut:
11-89.Pertimbangkan data berat badan dan tekanan darah Termokopel 921 935 916 920 940
pada Latihan 11-72. Pasangkan model tanpa-intersep pada
data, dan bandingkan dengan model yang diperoleh pada IR 918 934 924 921 945
Latihan 11-70. Model mana yang lebih unggul? Termokopel 936 925 940 933 927
11-90.Sebuah artikel di Air and Waste ["Update on Ozone
Trends in California's South Coast Air Basin" (Vol. 43, IR 930 919 943 932 935
1993)] mempelajari tingkat ozon di cekungan udara South
Coast California selama tahun 1976-1991. Penulis percaya (a) Buatlah diagram pencar untuk data ini, misalkan x =
bahwa jumlah hari di mana tingkat ozon melebihi 0,20 pengukuran termokopel dan y = pengukuran IR.
bagian per juta tergantung pada indeks meteorologi musiman (b) Sesuaikan model regresi linier sederhana.
(suhu musiman rata-rata 850 milibar). Berikut datanya: (c) Uji signifikansi suatu regresi dan hitung R2. Kesimpulan
apa yang dapat Anda tarik?
(d) Apakah ada bukti untuk mendukung klaim bahwa kedua
Tahun hari Indeks Tahu hari Indeks perangkat menghasilkan pengukuran suhu yang setara?
n Merumuskan dan menguji hipotesis yang tepat untuk
1976 91 16.7 1984 81 18.0 mendukung klaim ini.
1977 105 17.1 1985 65 17.2 (e) Analisis residu dan komentari kecukupan model.11-
1978 106 18.2 1986 61 16.9 93.gram zat padat yang dikeluarkan dari suatu bahan (y) adalah
1979 108 18.1 1987 48 17.1 diduga berhubungan dengan waktu pengeringan. Sepuluh
1980 88 17.2 1988 61 18.2 pengamatan
diperoleh dari studi eksperimental berikut:
1981 91 18.2 1989 43 17.3
1982 58 16.0 1990 33 17.5
kamu 4.3 1.5 1.8 4.9 4.2 4.8 5.8 6.2 7.0 7.9
1983 82 17.2 1991 36 16.6
x 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5 7.0
(a) Buatlah diagram pencar dari data tersebut. (a) Buatlah diagram pencar untuk data ini.
(b) Sesuaikan model regresi linier sederhana dengan data. (b) Sesuaikan model regresi linier sederhana.
Uji signifikansi regresi. (c) Uji signifikansi regresi.
(c) Temukan 95% CI pada lereng 1. (d) Berdasarkan data ini, berapa perkiraan Anda tentang rata-
(d) Analisis residu dan komentari kecukupan model.11- rata gram padatan yang dihilangkan pada 4,25 jam?
91.Sebuah artikel di Journal of Applied Polymer Science (Vol. Temukan kepercayaan 95% di-terval pada rata-rata.
56, hlm. 471–476, 1995) mempelajari efek mol (e) Analisis residu dan komentari kecukupan model.
11-94.Atom cesium yang didinginkan oleh sinar laser dapat
digunakan untuk membuat jam atom yang murah. Dalam Karat Harga Karat Harga
sebuah studi di IEEE Transactions on Instrumentation and 0.31 1126 0.35 1593
Measurement (2001, Vol. 50, pp. 1224-1228), jumlah atom 0.32 1468 0.35 1447
yang didinginkan oleh laser dari berbagai kekuatan dihitung. 0.32 1202 0.35 1255
0.36 1635 0,45 1572
0.36 1485 0,46 2942
Jumlah Daya 0.37 1420 0,48 2532
(mW) atom (×10E9) 0.37 1420 0,5 3501
11 0 0.4 1911 0,5 3501
12 0,02 0.4 1525 0,5 3501
18 0,08 0,41 1956 0,5 3293
21 0.13 0,43 1747 0,5 3016
22 0,15
24 0.18
28 0.31
32 0.4 (a) Grafik datanya. Apa hubungan antara karat dan harga?
37 0,49 Apakah ada outlier?
39 0,57 (b) Apa yang akan Anda katakan kepada orang yang
41 0,64 membeli berlian yang merupakan outlier?
46 0,71 (c) Pasangkan dua model regresi, satu dengan semua data
48 0,79 dan yang lainnya dengan data yang tidak biasa
50 0.82 dihilangkan. Perkirakan koefisien kemiringan dengan
interval kepercayaan 95% dalam kedua kasus. Komentari
51 0.83
perbedaan apa pun.
11-96.Tabel berikut menunjukkan populasi dan jumlah rata-
rata bangau kayu yang terlihat per periode sampel untuk
(a) Buat grafik data dan sesuaikan dengan regresigaris untuk Carolina Selatan dari tahun 1991 hingga 2004. Sesuaikan
memprediksi jumlah atom dari tenaga laser. garis regresi dengan populasi sebagai respons dan jumlah
Mengomentari kecukupan model linier. bangau kayu sebagai prediktor. Analisis semacam itu dapat
(b) Apakah ada regresi yang signifikan?pada = 0,05? digunakan untuk mengevaluasi hubungan antara bangau dan
Apakah yang bayi. Apakah regresi signifikan pada = 0,05? Apa yang Anda
P-nilai? simpulkan tentang peran analisis regresi untuk membangun
(c) Perkirakan koefisien korelasi. hubungan sebab-akibat?
(d) Uji hipotesis bahwa p = 0 terhadap alternatif
p G 0 dengan = 0,05. Berapa nilai P?
(e) Hitung interval kepercayaan 95% untuk koefisien
kemiringan.11-95.Berikut data terkait karat berlian dengan Tahu Populasi Hitungan
harga beli. Itu muncul di Business Times Singapura, n Bangau
18 Februari 2000. 1991 3.559.470 0,342
1992 3.600.576 0,291
1993 3.634.507 0,291
Karat Harga Karat Harga 1994 3.666.456 0,291
0,3 1302 0.33 1327 1995 3.699.943 0,291
0,3 1510 0.33 1098 1996 3.738.974 0,509
0,3 1510 0.34 1693 1997 3.790.066 0,294
0,3 1260 0.34 1551 1998 3.839.578 0,799
0.31 1641 0.34 1410 1999 3.885.736 0,542
0.31 1555 0.34 1269 2000 4.012.012 0,495
0.31 1427 0.34 1316 2001 4.061.209 0.859
0.31 1427 0.34 1222 2002 4.105.848 0,364
0.31 1126 0.35 1738 2003 4.148.744 0,501
2004 4.198.068 0.656