tidak.
di mana wi adalah konstanta, sering disebut bobot.
11-98. Pertimbangkan model regresi linier sederhana
Tunjukkan bahwa untuk fungsi tujuan di mana setiap
Y = 0 + 1x + , dengan E(ϵ) = 0, V(ϵ) = 2, dan galat
tidak berkorelasi. sisa kuadrat dikalikan dengan kebalikan dari varians
(a) Shodengan cov1 ituˆ 0,ˆ 1 2 = —x2/Sx x. dari pengamatan yang sesuai, persamaan normal
kuadrat terkecil tertimbang yang dihasilkan adalah
(b) Shodengan cov1Y itu,ˆ 1 2 ˆˆ nnn
=0.
11-99. Perhatikan model regresi linier sederhana
0 A wi + 1 A wi xi = A wi yi
kamu = 0 + 1x + , dengan E(ϵ) = 0, V(ϵ) = 2, Sa Saya=1 Saya=1
dan ya
=1
n n
A
n iiA
(b) Tunjukkan bahwa E(MSR) =12 xx+ 2S . Temukan solusi untuk persamaan normal ini.
11-100. Misalkan kita telah mengasumsikan model Solusinyaadalah penduga kuadrat terkecil berbobot 0
regresi garis lurus dan 1.
11-103. Pertimbangkan situasi di mana baik Y dan X
kamu = 0 + 1x1 +ϵ adalah variabel acak. Misalkan sx dan sy masing-
masing adalah sampel deviasi standar dari x dan y yang
tetapi responsnya dipengaruhi oleh variabel kedua x2 diamati. Tunjukkan bahwa ekspresi alternatif untuk
sehingga fungsi regresi yang sebenarnya adalah sederhana pas
model regresi linier yˆ = βˆ 0 + βˆ 1x adalah
E1kamu 2 = β0 + β1x1 + β2x2
S
Apakah penduga kemiringan dalam model regresi kamuˆ = kamu
ka + rs 1x — x 2
x
linier sederhana tidak bias?
11-101. Misalkan kita memasang sebuah garis dan 11-104. Misalkan kita tertarik untuk memasang model
kita ingin membuat varians dari koefisien regresi ˆ 1 regresi linier sederhana Y = 0 + 1x + , di mana
sekecil mungkin. Di mana seharusnya pengamatan? intersep, 0, diketahui.
xi, i = 1, 2, p , n, diambil untuk meminimalkan V(βˆ 1)? (a) Temukan penduga kuadrat terkecil dari 1.
Diskusikan implikasi praktis dari alokasi ini (b) Berapakah varians dari penduga kemiringan pada
xi. bagian (a)?
11-102. Kuadrat Terkecil Tertimbang. Misalkan (c) Temukan ekspresi untuk kepercayaan 100(1 — )%
kita memasang garis Y = 0 + 1x + , tetapi varians di- terval untuk kemiringan 1. Apakah interval ini
lebih panjang dari interval yang sesuai untuk kasus
di mana kedua perpotongan dan kemiringan tidak
diketahui? Justifikasi jawaban Anda.
Bab ini menggeneralisasi regresi linier sederhana ke situasi di mana ada lebih dari satu
variabel prediktor atau regresor. Situasi ini sering terjadi dalam sains dan teknik;
misalnya, dalam Bab 1 kami menyediakan data tentang kekuatan tarik ikatan kawat
pada paket semikonduktor dan menggambarkan hubungannya dengan panjang kawat
dan tinggi cetakan. Memahami hubungan antara kekuatan dan dua variabel lainnya
2
dapat memberikan wawasan penting kepada insinyur ketika paket dirancang, atau
kepada personel manufaktur yang merakit cetakan ke dalam paket. Kami menggunakan
model regresi linier berganda untuk menghubungkan kekuatan dengan panjang kawat
dan tinggi die. Ada banyak contoh hubungan seperti itu: Umur pahat terkait dengan
kecepatan potong dan sudut pahat; kepuasan pasien di rumah sakit berkaitan dengan
usia pasien, jenis prosedur yang dilakukan, dan lama rawat; dan penghematan bahan
bakar kendaraan terkait dengan jenis kendaraan (mobil versus truk), perpindahan mesin,
tenaga kuda, jenis transmisi, dan berat kendaraan. Model regresi berganda memberikan
wawasan tentang hubungan antara variabel-variabel ini yang dapat memiliki implikasi
praktis yang penting.
Bab ini menunjukkan bagaimana menyesuaikan model regresi linier berganda,
melakukan uji statistik dan prosedur kepercayaan yang analog dengan regresi linier
sederhana, dan memeriksa kecukupan model. Kami juga menunjukkan bagaimana
model yang memiliki suku polinomial dalam variabel regresi hanyalah model regresi
linier berganda. Kami juga membahas beberapa aspek membangun model regresi yang
baik dari kumpulan kandidat regressor.
449
450 BAB 12 REGRESI LINIER GANDA
TUJUAN PEMBELAJARAN
Setelah mempelajari bab ini dengan cermat, Anda seharusnya dapat melakukan hal berikut:
1. Gunakan teknik regresi berganda untuk membangun model empiris untuk rekayasa dan data
ilmiah
2. Pahami bagaimana metode kuadrat terkecil diperluas untuk menyesuaikan model regresi berganda
3. Menilai model regresi kecukupan
4. Uji hipotesis dan bangun interval kepercayaan pada koefisien regresi
5. Gunakan model regresi untuk memperkirakan respons rata-rata dan untuk membuat prediksi
dan untuk membangun interval kepercayaan dan interval prediksi
6. Bangun regresi model dengan suku polinomial
7. Gunakan variabel indikator untuk model regresi kategoris
8. Menggunakan regresi bertahap dan teknik pembuatan model lainnya untuk memilih set variabel
yang sesuai. kemampuan untuk model regresi
12-1.1Pengantar
Banyak aplikasi analisis regresi melibatkan situasi di mana terdapat lebih dari satu variabel
regressor atau prediktor. Model regresi yang memuat lebih dari satu variabel regresi disebut
model regresi berganda.
Sebagai contoh, misalkan umur efektif pahat tergantung pada kecepatan potong dan sudut
pahat. Model regresi berganda yang mungkin menggambarkan hubungan ini adalah
di mana Y mewakili umur pahat, x1 mewakili kecepatan potong, x2 mewakili sudut pahat,
dan adalah istilah kesalahan acak. Ini adalah model regresi linier berganda dengan dua
regresi. Istilah linier digunakan karena Persamaan 12-1 merupakan fungsi linier dari
parameter yang tidak diketahui 0, 1, dan 2.
E(Y) 200 120 40
160 80 0
240
12-1 MODEL REGRESI LINIER GANDA 451
1 2 169
0 22
6784 x2 0 152
8
20
3
6
4 18
6
1
0 8
6101 118 135
0 4 x2 0
2 4 6 2 0246810 x1
x1 8 10 0
(A)
(B)
Gambar 12-1 (a) Bidang regresi untuk model E(Y ) = 50 + 10x1 + 7x2. (b) Plot kontur.
Model regresi pada Persamaan 12-1 menggambarkan sebuah bidang dalam ruang tiga
dimensi dari Y, x1, dan x2. Gambar 12-1(a) menunjukkan bidang ini untuk model regresi
di mana kita memiliki diasumsikan bahwa nilai yang diharapkan dari istilah kesalahan adalah
nol; yaitu E(ϵ) = 0. Parameter 0 adalah intersep bidang. Kita kadang-kadang menyebut 1 dan 2
koefisien regresi parsial, karena 1 mengukur perubahan yang diharapkan dalam Y per unit
perubahan x1 ketika x2 dipertahankan konstan, dan 2 mengukur perubahan yang diharapkan
dalam Y per unit perubahan x2 ketika x1 dipertahankan konstan. Gambar 12-1(b) menunjukkan
apetak kontur dari model regresi—yaitu, garis konstanta E(Y) sebagai fungsi dari x1 dan x2.
Perhatikan bahwa garis kontur pada plot ini adalah garis lurus.
Secara umum, variabel tak bebas atau tanggapan kamu mungkin terkait dengan k Mandiri
atau
variabel regresi. Model
(12-2)
ε
dan plot kontur dua dimensi yang sesuai. Perhatikan bahwa, meskipun model ini adalah
model regresi linier, bentuk permukaan yang dihasilkan oleh model tidak linier. Secara
umum, model regresi apa pun yang parameternya linier () adalah model regresi linier,
terlepas dari bentuk permukaan yang dihasilkannya.
Gambar 12-2 memberikan interpretasi grafis yang bagus dari sebuah interaksi. Umumnya,
interaksimenyiratkan bahwa efek yang dihasilkan dengan mengubah satu variabel (x1,
katakanlah) tergantung pada tingkat variabel lainnya (x2). Sebagai contoh, Gambar 12-2
menunjukkan bahwa perubahan x1 dari 2 ke 8 menghasilkan perubahan yang jauh lebih
kecil dalam E(Y) ketika x2 = 2 daripada ketika x2 = 10. Efek interaksi sering terjadi dalam
studi dan analisis sistem dunia nyata , dan metode regresi adalah salah satu teknik yang
dapat kita gunakan untuk menggambarkannya.
Sebagai contoh terakhir, pertimbangkan model orde kedua dengan interaksi
Jika kita
= x2,
2 5
= xx1 2, 3 = , 11 4 = , dan
22 5
= , Persamaan
12
12-6 dapat
misalkan x3 = 1 4 x menjadi
x2, x
dituliskan sebagai model regresi linier berganda sebagai berikut:
kamu = 0 + 1x1 + 2 x2 + 3 x3 + 4 x4 + 5 x5 +
Gambar 12-3(a) dan (b) menunjukkan plot tiga dimensi dan plot kontur yang sesuai untuk
Plot-plot ini menunjukkan bahwa perubahan yang diharapkan dalam Y ketika x1 diubah
oleh satu unit (katakanlah) adalah fungsi dari x1 dan x2. Suku kuadrat dan interaksi dalam
model ini menghasilkan fungsi berbentuk gundukan. Tergantung pada nilai koefisien
regresi, model orde kedua dengan interaksi mampu mengasumsikan berbagai bentuk;
dengan demikian, ini adalah model regresi yang sangat fleksibel.
800
600
1000
E(Y) 400
800
200 600
10
8
6 400
0
0 4 x2
2 4 E(Y) 200 10
6 2 8
8 0
x1 10 0 6
(A) 0 2
4 2 4 x2
6 8
x2 x1 10 0
(A)
10 720 x2
10 25
653
8
586 8
100
6 519
6
452
175
4 385 4 325250
400
318 475
700 625 550
2 251 2 800 750
117 184
0 0
0246810 x1 0246810 x1
(B) (B)
Gambar 12-2 (a) Tiga-dimensi plot model regresi Gambar 12-3 (a) Plot tiga dimensi dari regresi
E(Y ) = 50 + 10x1 + + 5xx . (b) Plot kontur. model E(Y ) = 800 + 10x1 + 7x2 — 8.5x2 — 5x2 +
7x 4x1x2.
21 2 12
(b) Plot kontur.
xij menunjukkan pengamatan ke-i atau tingkat variabel xj. pengamatan adalah
Merupakan kebiasaan untuk menyajikan data untuk regresi berganda dalam tabel
seperti Tabel 12-1.
Setiap pengamatan (xi1, xi2, p , xik, yi), memenuhi model pada Persamaan 12-2,
atau
(12-7)
k
= 0 + A βJ xij + ε Saya Saya = 1, 2, hal, n ˛ ˛
J=1
L= nn ε=
˛
Akamu — — xb (12-8)
2 2
˛
A A j ij
ii=1 0
˛
A
J=1
Saya
Saya=1
β ˆˆ =
ˆ 0
—2 A ayi — 0 — A j xijb = (12-9a)
0 0,β1, p , k Saya=1 J=1
dan
L n k
` ˆ
nβˆ 0 + βˆ 1 ˆ P ˆ
Saya=1
A xi1 + β 2SaA xi 2 + + β kSa
˛ ˛
A xik = A yi
˛
Saya=1
˛ ˛
n ya ya
ˆ ˆ n 2
=1 =1
n
β0 A xSaya1 + β1 ˆ n P ˆ n
˛ A ˛xSaya1 + β2 A xSaya1 xSaya2 + + βk A
xSaya1xik = A xSaya1 kamuSaya
Sa Sa Sa Sa Saya=1
ya ya ya ya
=1 =1 =1 =1 Hai
n
Hai Hai Hai oo
ˆ n ˆ n ˆ n n
β0 A xik + β 1 Ax xik xi2 + p +ˆ
2
= (12-10)
Saya=1
˛
Sa Sa k
ya xSaya1 + ya Saya= Sa
am
=1 =1
β2 1 ya
=1 uSay
a
Perhatikan bahwa ada p = k + 1 persamaan normal, satu untuk setiap koefisien regresi yang
tidak diketahui. Solusi persamaan normal adalahpenaksir kuadrat terkecil dari koefisien
regresi, 0, 1, p , k. Persamaan normal dapat diselesaikan dengan metode apa pun
tepat untuk menyelesaikan sistem persamaan linear.
Saya=1
panjang kawat, dan tinggi die untuk menggambarkan
2525
pembuatan model empiris. Kami akan menggunakan data
A xi1 = 206, a xi 2 = 8.294 ˛
Sa Sa Sa
n ya= y y 206βˆ 0 + 2396ˆ 1 + 77.177βˆ 2 = 8.008.47
βˆ
1n 2 a a
ˆ
= =
1 1
ˆ n n
0A xi1 + β1 A xi1 + 2 a xSaya1xSaya2 = A
˛ ˛ ˛ ˛
ˆˆˆ
xi1 kamuSaya
˛
54.15
24.45
Kekuatan
15.25
5,75
Panjang
462.5
187,5
Tinggi
24.4554.155.7515.25187.5462.5
Gambar 12-4 Matriks plot sebar (dari Minitab) untuk data kekuatan tarik
ikatan kawat pada Tabel 12-2.
Solusi untuk himpunan persamaan ini praktis Interpretasi: Persamaan ini dapat digunakan untuk
Dalam menyesuaikan model regresi berganda, akan lebih mudah untuk mengekspresikan
operasi matematis menggunakan notasi matriks. Misalkan ada k variabel regresi dan n
pengamatan, (xi1, xi2, p , xik, yi), i = 1, 2, p , n dan model yang menghubungkan regresi
dengan responsnya adalah
Model ini adalah sistem persamaan n yang dapat dinyatakan dalam notasi matriks sebagai
kamu = X+ e (12-11)
di mana
ka 1 x11 x12 P 1
0
mu
k x1k 1 2
1
a
1 x21 x22 P = ≥ ¥ dan e = ≥ ¥
x = ≥x Haik Hain
kamu = ≥ ¥ 2k
Haiyn oooo
1 xn1 xn2 P
xnk
ya
=1
L = 0
β
Kami tidak akan memberikan rincian pengambilan derivatif di atas; namun, persamaan yang
dihasilkan yang harus diselesaikan adalah
Persam
x'xβ = x'kamu (12-12)
aan
Normal
Persamaan 12-12 adalah persamaan normal kuadrat terkecil dalam bentuk matriks. Mereka
identik dengan bentuk skalar dari persamaan normal yang diberikan sebelumnya dalam
Persamaan 12-10. Untuk menyelesaikan persamaan normal, kalikan kedua ruas Persamaan
12-12 dengan invers dari X¿X. Oleh karena itu, paling tidak
taksiran kuadrat dari adalah
Paling
sedikit β = (X'X)-1 X'kamu (12-13)
Taksiran
Kuadrat dari
n
nnn P
kapakSaya1
n kapakSaya2 kapakik ˆ
nn
Saya=1
Sa Saya=1 aySaya
ya= Saya=1
1n β0
Pn
A xSaya1xSaya2 A xSaya1xnik βˆ
2
A xi1 A xS xy
Saya=1
Saya=1 a Saya=1 Saya=1 1 A Saya1 aku
H XHX = H Saya=1 x
ooo Hai Hai
Hai
nnnn P
kapakik kapak
2 ik xSaya1n kapakik xSaya2
kapak ˆ β
Saya=1 ik
Saya=1 Saya=1 Saya=1
A xik kamuSaya
˛
Saya=1
k
Jika perkalian matriks yang ditunjukkan dilakukan, bentuk skalar dari persamaan normal
(yaitu, Persamaan 12-10) akan dihasilkan. Dalam bentuk ini mudah untuk melihat bahwa
X'X adalah matriks simetris ( p × p) dan X'y adalah vektor kolom ( p × 1). Perhatikan
struktur khusus dari matriks X'X. Unsur-unsur diagonal X'X adalah jumlah kuadrat dari
elemen-elemen dalam kolom X, dan elemen-elemen di luar diagonal adalah jumlah dari
perkalian silang elemen-elemen dalam kolom X. Selanjutnya, perhatikan bahwa elemen-
elemen dari X'X X'y adalah jumlah perkalian
5 6 silang kolom-kolom X dan pengamatan yi .
Model regresi pas adalah
k
kamuˆSaya = β ˆ 0 + A βˆ J xij Saya = (12-14)
1, 2, hal, n
˛ ˛
˛ ˛
J=1
Dalam notasi matriks, model yang
dipasang adalah
kamuˆ = xβˆ
11 P 9.95
kamu
ε = β 0 + 1 x1 + β 2 x2 +
˛
24.45 725,82
1
P
xy = £ 28 5≥ =£ 8.008.47 kan
P
di mana y adalah kekuatan tarik yang diamati untuk ikatan 50110 400 274.816,71
21.1
kawat, x1 adalah panjang kawat, dan x2 adalah tinggi mati.
5
25 pengamatan ada di
Tabel 12-2. Kami sekarang akan menggunakan pendekatan Estimasi kuadrat terkecil ditemukan dari Persamaan 12-13 sebagai
matriks untuk menyesuaikan model regresi di atas dengan
data ini. Model matriks X dan vektor y untuk model ini β=
adalah (X'X)1x'kamu
atau
1 2 50 9.95
1 8 110 24.45
βˆ 0 252068,294 —1
725,82
1 11 120 31.75
1 10 550 35.00 £ βˆ 1 kan = £206 2,396 77.177 kan £ 8,008,37
1 8 295 25.02 βˆ 2 8.294 77.177 3.531.848 274.811,31
1 4 200 16.86
0.214653 —0,007491 —0,000340
1 2 375 14.38 725,82
= £ —0.0074910.001671 —0,000019
1 2 52 9.60 £ 8.008.47
1 9 100 24.35 —0,000340 —0,000019 +0,0000015 274.811,31
1 8 300 27.50
2.26379143
1 4 412 17.08
= £ 2.74426964
1 11 400 37.00
0,01252781
x= 1 12 500 ka 41.95
mu Oleh karena itu, model regresi pas dengan koefisien regresi
= yang dibulatkan menjadi lima tempat desimal adalah
1 2 360 11.66
1 4 205 21.65 kamu = 2.26379 + 2.74427x1 + 0.01253x2
1 4 400 17.89
Ini identik dengan hasil yang diperoleh pada Contoh 12-1.
1 20 600 69.00
Model regresi ini dapat digunakan untuk memprediksi
1 1 585 10.30 nilai kekuatan tarik untuk berbagai nilai panjang kawat (x1)
1 10 540 34.93 dan tinggi die (x2). Kami juga dapat memperoleh nilai yang
1 15 250 46.59 dipasangkamuˆ Saya By menggantikan setiap pengamatan (xi1,
1 15 290 44.88 xi2), i = 1, 2, . . . , n, ke dalam persamaan. Misalnya,
1 16 510 54.12 pengamatan pertama memiliki x11 = 2 dan x12 = 50, dan
nilai pasnya adalah
1 17 590 56.63
1 6 100 22.13 kamu1 = 2.26379 + 2.74427x11 + 0.01253x12
= 2.26379 + 2.74427122 + 0.012531502
Matriks X¿X adalah = 8.38
Komputer hampir selalu digunakan dalam menyesuaikan model regresi berganda. Tabel
12-4 menyajikan beberapa keluaran beranotasi dari Minitab untuk model regresi kuadrat
terkecil untuk data kekuatan tarik ikatan kawat. Bagian atas tabel berisi perkiraan numerik
dari koefisien regresi. Komputer juga menghitung beberapa besaran lain yang
mencerminkan informasi penting tentang model regresi. Pada bagian selanjutnya, kami akan
mendefinisikan dan menjelaskan besaran dalam keluaran ini.
Memperkirakan a2
Sama seperti dalam regresi linier sederhana, penting untuk memperkirakan 2, varians dari
istilah kesalahan , dalam model regresi berganda. Ingatlah bahwa dalam regresi linier
sederhana, estimasi 2 diperoleh dengan membagi jumlah residual kuadrat dengan n — 2.
Sekarang ada dua parameter dalam model regresi linier sederhana, jadi dalam regresi linier
berganda dengan parameter p merupakan penduga logis untuk 2 adalah
Penaksir
Varians n
A Saya
e2
˛
σˆ 2 = Saya=1 = SS
E (12-16)
n — pn - P
Ini adalah estimator tak bias dari 2. Sama seperti dalam regresi linier sederhana, estimasi 2
biasanya diperoleh darianalisis varian untuk model regresi. Pembilang persamaan 12-16
disebutkesalahan atau jumlah sisa kuadrat, dan penyebut n — p disebut kesalahan atau
derajat kebebasan sisa.
Kita dapat menemukan rumus komputasi untuk SSE sebagai berikut:
n n
2 = e¿e
SSE = A1 yi — Ae
Sa kamu ˆ Saya 2 Sa
ya ya
=1 2 =1
= S
a
Penggantige = y — yˆ = kamu — xβˆ ke dalam di atas, kami SSE =
memperoleh βˆ kanx
= 27,178,5316 — 27,063,3581 =
115,174
(12-17)
Tabel 12-4 Minitab Multiple Regression Output untuk Data Kekuatan Tarik Ikatan Kawat
Analisis Regresi: Kekuatan versus Panjang, Tinggi
Persamaan regresinya adalah
Kekuatan = 2,26 + 2,74 Panjang + 0,0125 Tinggi
PredictorCoefSE CoefTP
VIF KonstanT β0 2.2641.0602.14 0,044
Total246105.9
SumberDF Seq SS
Panjang1 5885.9
Tinggi1104.9
Baru ObsPanjangTinggi
18.00275
Tabel 12-4 menunjukkan bahwa estimasi 2 untuk model regresi kekuatan tarik ikatan
kawat adalah 2 = 115,2/22 = 5,2364. Keluaran Minitab membulatkan perkiraan menjadi 2 =
5.2.
Sifat statistik dari penduga kuadrat terkecil 0, 1, p , k dapat dengan mudah ditemukan,
dengan asumsi tertentu pada istilah kesalahan 1, 2, p , n, dalam model regresi. Sejalan
dengan asumsi yang dibuat dalam Bab 11, kami berasumsi bahwa kesalahan i secara statistik
independen
dengan mean nol dan varians 2. Berdasarkan asumsi ini, penduga kuadrat terkecil 0, 1,
p ,˛ k adalah tidak memihakd penduga Haif koefisien regresi 0, 1, p , k. Properti ini dapat
ditampilkan sebagai berikut:
GJ
Sayan secara umum, matriks kovarians dari adalah matriks simetris ( p × p) yang elemen kejjnya
adalah varians dari j dan elemen ke-i, ke-j adalah kovarians antara i dan j, yaitu,
cov1βˆ 2 = 21xkanx2 —1 = σ2 C
Estimasi varians dari koefisien regresi ini diperoleh dengan mengganti 2 dengan
estimasi. Ketika 2 diganti dengan estimasinya 2, akar kuadrat dari estimasi varians dari
koefisien regresi ke-j disebut galat standar estimasi j atau se 1βˆ j2 = 2σˆ 2Cjj. Kesalahan
standar ini adalah ukuran yang berguna dari ketepatan estimasi untuk koefisien regresi;
kesalahan standar kecil menyiratkan presisi yang baik.
Program komputer regresi berganda biasanya menampilkan kesalahan standar ini.
Misalnya, keluaran Minitab pada Tabel 12-4 melaporkan 121 se 0 = 1,060, se 1 = 0,09352, dan
2
se1βˆ 22 = 0,002798. Estimasi intersep kira-kira dua kali besar kesalahan standarnya, dan 1
dan 2 jauh lebih besar dari se 1βˆ 12 dan se 1βˆ 22. Ini menyiratkan ketepatan estimasi yang
wajar, meskipun parameter 1 dan 2 jauh lebih tepat diestimasi daripada intersep (ini tidak
biasa dalam regresi berganda).
Penga Kepua
mat- Usia Kerasny Obat- Kecema san
libura a Operasi san
n
1 55 50 0 2.1 68
2462412.877
3304613.396
4354814,580
5595802.043
6616005.144
7746515.526
8384213.288
9274203.175
Variabel regresi adalah usia pasien, indeks keparahan
penyakit (nilai yang lebih besar menunjukkan tingkat
keparahan yang lebih besar), variabel indikator yang
menunjukkan apakah pasien adalah pasien medis (0)
atau pasien bedah (1), dan indeks kecemasan (lebih
besar). nilai menunjukkan kecemasan yang lebih besar).
(a) Sesuaikan model regresi linier berganda dengan
respons kepuasan menggunakan usia, tingkat
keparahan penyakit, dan indeks kecemasan sebagai
regresi.
(b) Perkirakan 2.
(c) Temukan kesalahan standar dari koefisien regresi.
(d) Apakah semua parameter model diestimasi dengan
presisi yang hampir sama? Mengapa atau mengapa
tidak?
12-6. Daya listrik yang dikonsumsi setiap bulan oleh
pabrik kimia diperkirakan berhubungan dengan suhu
lingkungan rata-rata (x1), jumlah hari dalam sebulan
(x2), kemurnian produk rata-rata (x3), dan ton produk.
dihasilkan (x4). Data historis tahun lalu tersedia dan
disajikan dalam tabel berikut:
kamu x1 x2 x3 x4
240 25 24 91 100
23631219095
270452488110
27460258788
30165259194
31672269499
30080258797
29684258696
267752488110
276602591105
288502590100
26138238998
mfr carline mobil/tru asa rhp trns drv od etw cmp gand t/v a/c hc bers co2 mpg
k m ar ama
20 300C/SRT-8 C 215 253 L5 4 2 4500 9.9 3.07 30.9 kam 0,011 0,09 288 30.8
u
20 CARAVAN 2WD T 201 180 L4 F 2 4500 9.3 2.49 32.3 kam 0,014 0.11 274 32.5
u
20 CROSSFIRE ROADSTER C 196 168 L5 R 2 3375 10 3.27 37.1 kam 0,001 0,02 250 35.4
u
20 DAKOTA PICKUP 2WD T 226 210 L4 R 2 4500 9.2 3.55 29.6 kam 0,012 0,04 316 28.1
u
20 DAKOTA PICKUP 4WD T 226 210 L4 4 2 5000 9.2 3.55 29.6 kam 0,011 0,05 365 24.4
u
20 DURANGO 2WD T 348 345 L5 R 2 5250 8.6 3.55 27.2 kam 0,023 0,15 367 24.1
u
20 GRAND CHEROKEE 2WD T 226 210 L4 R 2 4500 9.2 3.07 30.4 kam 0,006 0,09 312 28.5
u
20 GRAND CHEROKEE 4WD T 348 230 L5 4 2 5000 9 3.07 24.7 kam 0,008 0.11 369 24.2
u
20 LIBERTY/CHEROKEE 2WD T 148 150 M6 R 2 4000 9.5 4.1 41 kam 0,004 0,41 270 32.8
u
20 LIBERTY/CHEROKEE 4WD T 226 210 L4 4 2 4250 9.2 3.73 31.2 kam 0,003 0,04 317 28
u
20 NEON/SRT-4/SX 2.0 C 122 132 L4 F 2 3000 9.8 2.69 39.2 kam 0,003 0.16 214 41.3
u
20 PASIFIKA 2WD T 215 249 L4 F 2 4750 9.9 2.95 35.3 kam 0,022 0,01 295 30
u
20 PASIFIKA AWD T 215 249 L4 4 2 5000 9.9 2.95 35.3 kam 0,024 0,05 314 28.2
u
20 PT CRUISER T 148 220 L4 F 2 3625 9.5 2.69 37.3 kam 0,002 0,03 260 34.1
u
20 RAM 1500 PICKUP 2WD T 500 500 M6 R 2 5250 9.6 4.1 22.3 kam 0,01 0.1 474 18.7
u
20 RAM 1500 PICKUP 4WD T 348 345 L5 4 2 6000 8.6 3.92 29 kam 0 0 0 20.3
u
20 SEBRING 4-DR C 165 200 L4 F 2 3625 9.7 2.69 36.8 kam 0,011 0.12 252 35.1
u
20 STRATUS 4-DR C 148 167 L4 F 2 3500 9.5 2.69 36.8 kam 0,002 0,06 233 37.9
u
20 KOTA & NEGARA 2WD T 148 150 L4 F 2 4250 9.4 2.69 34.9 kam 0 0,09 262 33.8
u
20 KONVERSI VIPER C 500 501 M6 R 2 3750 9.6 3.07 19.4 kam 0,007 0,05 342 25.9
u
20 WRANGLER/TJ 4WD T 148 150 M6 4 2 3625 9.5 3.73 40.1 kam 0,004 0,43 337 26.4
u
kode mfr-mfr
cmp-kompresi rasio
carline-car line name (nama model kendaraan uji)
poros-poros rasio
mobil/truk-'C' untuk kendaraan penumpang dan 'T'
rasio n/vn/v (kecepatan mesin versus kecepatan kendaraan
untuk truk cid-cubic inch perpindahan kendaraan
pada 50 mph) a/c-menunjukkan simulasi pendingin
uji
udara
rhp-rated horsepower
hc-HC(emisi hidrokarbon) Komposit tingkat uji hasil
trns-kode transmisi
co-CO (emisi karbon monoksida) Hasil komposit tingkat
kode sistem drv-drive
pengujian co2-CO2(emisi karbon dioksida) Hasil komposit
kode od-overdrive
tingkat pengujian mpg-mpg(ekonomi bahan bakar, mil per
bobot uji setara etw
galon)
(c) Hitung kesalahan standar dari koefisien regresi. Apakah (d) Memprediksi konsumsi daya selama satu bulan di mana
semua parameter model diestimasi dengan presisi yang x1 = 75 °F, x2 = 24 hari, x3 = 90%, dan x4 = 98 ton.
sama? Mengapa atau mengapa tidak?
12-7. Tabel 12-5 memberikan hasil tes jarak tempuh bensin
(b) Perkirakan 2 dan kesalahan standar dari koefisien
jalan raya untuk kendaraan model tahun 2005 dari
DaimlerChrysler. Tabel data lengkap (tersedia di situs Web regresi.
buku) berisi data yang sama untuk model 2005 dari lebih dari (c) Prediksi jarak tempuh bensin untuk kendaraan pertama
250 kendaraan dari banyak pabrikan (sumber: Situs Web di tabel.
Badan Perlindungan Lingkunganwww.epa.gov/ 12-8. Kekuatan tarik dari ikatan kawat merupakan
otaq/cert/mpg/testcars/database). karakteristik penting. Tabel berikut memberikan informasi
(a) Pasangkan model regresi linier berganda pada data ini tentang kekuatan tarik ( y), tinggi die (x1), tinggi tiang (x2),
untuk memperkirakan jarak tempuh bensin yang tinggi loop (x3), panjang kawat (x4), lebar ikatan pada
menggunakan regresi berikut: cid, rhp, etw, cmp, axle, cetakan (x5), dan lebar ikatan pada pos (x6).
n/v. (a) Fit model regresi linier berganda menggunakan x2, x3, x4, dan
x5 sebagai regressor.
(b) Perkirakan 2.
(c) Fdi dalam se(ˆ J). Seberapa tepat estimasi koefisien
regresi menurut Anda?