448 BAB 11 REGRESI LINIER SEDERHANA DAN KORELASI

LATIHAN MEMPERLUAS PIKIRAN

11-97. Misalkan kita memiliki n pasang pengamatan dari Y tergantung pada tingkat x; itu adalah,
(xi, yi) sedemikian rupa sehingga koefisien korelasi
sampel r adalah satu (kurang-lebih). Sekarang misalkan
0 σ2
2
z = y2 dan pertimbangkan Saya Saya
V1kamuSaya xi2 = Saya = 1, 2, p , n
σSaya = w
koefisien korelasi sampel untuk n-pasangan data (xi, S
a
zi). Apakah koefisien korelasi sampel ini akan y
mendekati kesatuan? Jelaskan mengapa atau mengapa a

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

kesalahan tidak βˆ 0 wi xi + βˆ 1 wxA

2
= wi xi yi
berkorelasi.
(a) Shodengan E(σˆ 2) = E(MSE) = 2. Saya=1 Saya=1 Saya=1

(b) Tunjukkan bahwa E(MSR) =12 xx+ 2S .
11-100. Misalkan kita telah mengasumsikan model
regresi garis lurus
kamu = 0 + 1x1 +ϵ
tetapi responsnya dipengaruhi oleh variabel kedua x2
sehingga fungsi regresi yang sebenarnya adalah
E1kamu 2 = β0 + β1x1 + β2x2
Apakah penduga kemiringan dalam model regresi
linier sederhana tidak bias?
11-101. Misalkan kita memasang sebuah garis dan
kita ingin membuat varians dari koefisien regresi ˆ 1
sekecil mungkin. Di mana seharusnya pengamatan?
xi, i = 1, 2, p , n, diambil untuk meminimalkan V(βˆ 1)?
Diskusikan implikasi praktis dari alokasi ini
xi.
11-102. Kuadrat Terkecil Tertimbang. Misalkan
kita memasang garis Y = 0 + 1x + , tetapi varians
Temukan solusi untuk persamaan normal ini.
Solusinyaadalah penduga kuadrat terkecil berbobot 0
dan 1.
11-103. Pertimbangkan situasi di mana baik Y dan X
adalah variabel acak. Misalkan sx dan sy masing-
masing adalah sampel deviasi standar dari x dan y yang
diamati. Tunjukkan bahwa ekspresi alternatif untuk
sederhana pas
model regresi linier yˆ = βˆ 0 + βˆ 1x adalah
S
kamuˆ = kamu
ka + rs 1x — x 2
x
11-104. Misalkan kita tertarik untuk memasang model
regresi linier sederhana Y = 0 + 1x + , di mana
intersep, 0, diketahui.
(a) Temukan penduga kuadrat terkecil dari 1.
(b) Berapakah varians dari penduga kemiringan pada
bagian (a)?
(c) Temukan ekspresi untuk kepercayaan 100(1 — )%
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.

SYARAT DAN KONSEP PENTING

Analisis uji varians dalam regresi Confidence interval pada mean response
Korelasi
Interval kepercayaan Pemeriksaan kecukupan Diagram pencar
koefisien
pada parameter model model Rasio peluang Signifikansi regresi
Model empiris
Model linier intrinsik Interval prediksi pada Regresi linier
Estimasi kuadrat pengamatan di masa sederhana
terkecil dari model depan kesalahan standar model
regresi Analisis regresi Tes statistik pada
parameter Plot sisa Residual parameter
Regresi logistik model
Transformasi
1 Regresi Linier Berganda
© David Lewis/
iStockphoto

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.

GARIS BESAR BAB

12-1 MODEL REGRESI LINIER GANDA

12-1.3 Pendekatan Matriks untuk
12-1.1 Pendahuluan Kelipatan Regresi linier
12-1.2 Estimasi Kuadrat Terkecil dari 12-1.4 Sifat Kuadrat Terkecil Penaksir
Parameter

449
450 BAB 12 REGRESI LINIER GANDA

12.2 UJI HIPOTESIS PADA REGRESI

12.4 PREDIKSI
LINIER BERGANDA
OBSERVASI BARU
12-2.1 Uji Signifikansi
12.5 PEMERIKSAAN KECUKUPAN MODEL
Regresi
12-5.1 Analisis Residu
12-2.2 Pengujian Koefisien Regresi
Individual dan Subset dari 12-5.2 Pengamatan yang
Koefisien Berpengaruh 12-6 ASPEK GANDA
12.3 INTERVAL PERCAYA PEMODELAN REGRESI
DIRI DALAM REGRESI 12-6.1 Model Regresi Polinomial 12-
LINIER GANDA
6.2 Regresor Kategoris dan
12-3.1 Interval Keyakinan Variabel Indikator
pada Regresi Individu
Koefisien 12-6.3 Pemilihan Variabel dan
Bangunan Model
12-3.2 Interval Keyakinan
pada Respon Rata- 12-6.4 Multikolinearitas
Rata

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

12-1GANDA MODEL REGRESI LINEAR

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

kamu = 0 + 1x1 + 2x2 +

(12-1)

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

E1kamu 2 = 50 + 10x1 + 7x2

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

kamu = β0 + β1x1 + β 2x2 + P + β k x k +

˛ ˛

(12-2)
ε

disebut model regresi linier berganda dengan k variabel regresi. Parameter j, j = 0, 1, p , k,

disebut koefisien regresi. Model ini menggambarkan hyperplane dalam ruang k-dimensi dari
variabel regressor {xj}. Parameter j mewakili perubahan yang diharapkan dalam respons Y
per unit perubahan xj ketika semua regresi xi (iGj) yang tersisa dipertahankan konstan.
Model regresi linier berganda sering digunakan sebagai fungsi aproksimasi. Artinya,
hubungan fungsional yang sebenarnya antara Y dan x1, x2, p , xk tidak diketahui, tetapi
pada rentang tertentu dari variabel independen model regresi linier merupakan pendekatan
yang memadai.
Model yang strukturnya lebih kompleks daripada Persamaan 12-2 mungkin masih
sering dianalisis dengan teknik regresi linier berganda. Misalnya, pertimbangkan model
polinomial kubik dalam satu variabel regresi.

kamu = 0 + 1x + 2x2 + 3x3 +

(12-3)
Jika x1 = x, x2 = x2, x3 = x3, Persamaan 12-3 dapat ditulis sebagai

kamu = 0 + 1x1 + 2x2 + 3x3 +

(12-4)
yang merupakan model regresi linier berganda dengan tiga variabel
regresi.
 Model yang mencakup efek interaksi juga dapat dianalisis dengan metode regresi linier
berganda. Interaksi antara dua variabel dapat diwakili oleh istilah lintas produk dalam
model, seperti:

kamu = 0 + 1x1 + 2x2 + 12x1x2 (12-5)

+

Jika kita membiarkan x3 = x1x2 dan 3 = 12, Persamaan 12-5

dapat ditulis sebagai

kamu = 0 + 1x1 + 2x2 + 3x3 +

yang merupakan model regresi linier.

Gambar 12-2(a) dan (b) menunjukkan plot tiga dimensi dari model regresi

kamu = 50 + 10x1 + 7x2 + 5x1x2

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

kamu = 0 + 1x1 + 2 x2 + x2 + 2 + 12 x1x2 +

11 1 22 x 2 (12-6)

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

E1kamu 2 = 800 + 10x1 + 7x2 — 8.5x2

1 — 5x2
2 + 4x1x2 ˛

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.

12-1.2 Estimasi Kuadrat Terkecil dari Parameter

NS metode kuadrat terkecil dapat digunakan untuk memperkirakan koefisien regresi
dalam model regresi berganda, Persamaan 12-2. Misalkan n > k observasi tersedia, dan
misalkan
 12-1 MODEL REGRESI LINIER GANDA 453

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

1xi 1, xi 2, p , xi, yi2,

˛ ˛ Saya = 1, 2, hal, n dan n > k ˛

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

kamu Saya = β0 + β1xi1 + β2 xi 2 + P + βk xik + ε Saya

˛

(12-7)
k
= 0 + A βJ xij + ε Saya Saya = 1, 2, hal, n ˛ ˛

J=1

Tabel 12-1 Data untuk Regresi Linier Berganda

kamu x1 x2 ... xk
kamu x11 x12 ... x1k
1
kamu2 x21 x22 ... x2k
oooo
kamun xn1 xn2 ... xnk
 Fungsi kuadrat terkecil adalah

L= nn ε=
˛

Akamu — — xb (12-8)
2 2
˛

A A j ij
ii=1 0
˛
A
J=1

Saya
Saya=1

Kami ingin meminimalkan L terhadap 0, 1, p , k. Estimasi kuadrat terkecil dari 0, 1, p ,

k harus memenuhi
L ˆˆ
` n

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

= —2 A ayi —ˆ 0 — A jxijb xij = 0

ˆ
βJ 0,β1,
ˆˆ k J = 1, 2, p , (12-9b)
P, k Saya=1 J=1
Menyederhanakan Persamaan 12-9, kita memperoleh persamaan normal kuadrat terkecil
nnnn

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
˛

Sayak A k Axi xikk

A
˛

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.

CONTOH 12-1 Kekuatan Ikatan Kawat

Dalam Bab 1, kami menggunakan data tentang kekuatan 25
tarik ikatan kawat dalam proses manufaktur semikonduktor, n = 25, a yi = 725,82
˛

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 ˛

yang sama, diulang untuk kenyamanan dalam Tabel 12-2,

dan
1
menunjukkan rincian memperkirakan parameter model. Plot Saya= Saya=1
1
sebar tiga dimensi dari data disajikan pada Gambar. 1-15. 25 25
Gambar 12-4 menunjukkan matriks plot pencar dua dimensi 25
2
˛ = 2,396, A x2
dari data. Tampilan ini dapat membantu dalam A Sa Saya=1

memvisualisasikan hubungan antar variabel dalam kumpulan y 25

a
data multivariabel. Untuk 1
Saya=
 = 3.531.848
contoh, plot menunjukkan bahwa ada linier yang kuat
A xi1xi2 = 77.177, Saya=1
Say
˛ xi1 yi = 8.008.47,
˛

hubungan antara kekuatan dan panjang kawat.

a=1
Secara khusus, kami akan menyesuaikan dengan regresi
linier berganda 25
model
A xi2 yi = 274.816,71
Saya=1
kamu = 0 + 1x1 + 2x2
+
dimana Y = kuat tarik, x1 = panjang kawat, dan x2 = mati
tinggi. Dari data pada Tabel 12-2 kami menghitung
Tabel 12-2 Data Ikatan Kawat untuk Contoh 12-1
Pengamatan Kekuatan Panjang Tinggi Nomor Kekuatan Panjang Tinggi
Nomor Tarik kabel Mati Pengamat Tarik kabel Mati
kamu x1 x2 an kamu x1 x2
1 9.95 2 50 14 11.66 2 360
2 24.45 8 110 15 21.65 4 205
3 31.75 11 120 16 17.89 4 400
4 35.00 10 550 17 69.00 20 600
5 25.02 8 295 18 10.30 1 585
6 16.86 4 200 19 34.93 10 540
7 14.38 2 375 20 46.59 15 250
8 9.60 2 52 21 44.88 15 290
9 24.35 9 100 22 54.12 16 510
10 27.50 8 300 23 56.63 17 590
11 17.08 4 412 24 22.13 6 100
12 37.00 11 400 25 21.15 5 400
13 41.95 12 500

Untuk model Y = 0 + 1 x1 + 2 x2 + , persamaan normal

Memasukkan penjumlahan yang dihitung ke dalam persamaan
12-10 adalah
normal, kita peroleh
nβˆ 0 + β ˆ 1 A xSaya1 + βˆ 2 A xi 2
nnn
= A yi 25β0 + 206β1 + 8294β2 = 725,82
ˆˆˆ
˛ ˛

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
˛

Sa Sa Saya=1 Saya=1 8294β0 + 77.177β1 + 3.531.848β2 = 274.816,71

ya ya
=1 =1 ˆ n 2 n
n
βˆ ˆ n
A xi 2 + β1 A xi1xi 2 + β 2 A xSaya 2 = A xSaya 2 kamuSaya
0 ˛ ˛ ˛ ˛

Saya=1 Saya=1 Saya=1 Saya=1

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

βˆ 0 memprediksi kekuatan tarik untuk pasangan nilai variabel

= 2.26379,ˆ 1 = 2.74427,ˆ 2 = regressor panjang kawat (x1) dan tinggi mati (x2). Ini pada
0,01253
dasarnya
Oleh karena itu, persamaan regresi pas adalah model regresi yang sama diberikan dalam Bagian 1-3.
Gambar 1-16 menunjukkan plot tiga dimensi dari bidang
kamuˆ = 2.26379 + 2.74427x1 + nilai prediksi yˆ menghasilkand dari persamaan ini.
0,01253x2

12-1.3 Pendekatan Matriks untuk Regresi Linier Berganda

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

yi = 0 + 1xi1 + 2 xi 2 + P + k xik + i Saya = 1, 2, p , n

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

Secara umum, y adalah (n × 1) vektor pengamatan, X adalah matriks (n × p) dari tingkat

variabel independen (dengan asumsi bahwa intersep selalu dikalikan dengan nilai konstanta
—kesatuan), adalah a ( p × 1) vektor koefisien regresi, dan e adalah (n × 1) vektor kesalahan
acak. Matriks X sering disebut matriks model.
We ingin menemukan vektor penduga kuadrat terkecil, , yang meminimalkan

L = A ε2S = εkanε = 1y — Xβ2 kan 1kamu — xβ2

Sa a
˛

ya
=1

Penaksir kuadrat terkecil adalah solusi untuk dalam persamaan

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

Perhatikan bahwa ada p = k + 1 persamaan normal dalam p = k + 1 yang tidak diketahui

(nilai 0, 1, p ,2 k . Selanjutnya, matriks X'X selalu nonsingular, seperti yang diasumsikan di
atas, sehingga metode yang dijelaskan dalam buku teks tentang determinan dan matriks
untuk membalikkan matriks ini dapat digunakan untuk menemukan X¿X -1. Dalam
prakteknya, perhitungan regresi1 berganda hampir selalu dilakukan dengan menggunakan
komputer.
Sangat mudah untuk melihat bahwa bentuk matriks dari persamaan normal identik dengan
bentuk skalar.
Menuliskan Persamaan 12-12 secara rinci, kita peroleh

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

Perbedaan antara pengamatan yi dan nilai pas adalah sisa,

k
ei = kamu Saya — kamu Saya. Vektor (n × 1) residu dilambangkan mengatakan,
a
dengan m
e = kamu — kamu ˆ u
ˆ (12-15)
S
a
y
a
CONTOH 12-2 Kekuatan Ikatan Kawat dengan Notasi Matriks
Dalam Contoh 12-1, kami mengilustrasikan pemasangan dan vektor X¿y adalah
model regresi berganda

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

P 1 250 Nilai observasi yang sesuai adalah y1 = 9,95. Sisanya

sesuai dengan pengamatan pertama adalah
11 1
P e1 = y1 — y1
xX = £ 28
5 kan≥ 1 8 110
50 110 hal 400 ˛ oo = 9,95 — 8,38
1 5 400 = 1,57
Hai
 252068,294
= £ 2062.39677.177 Tmampu 12-3 menampilkan semua 25 nilai pas y ˆSaya dan
kan residu yang sesuai. Nilai yang dipasang dan residu dihitung
dengan akurasi yang sama dengan data asli.
8.294 77.177 3.531.848
Tabel 12-3 Pengamatan, Nilai yang Dipasang, dan Residual untuk Contoh 12-2
Pengamatan Pengamatan
Nomor yi kamu e = yi kamuSa Nomor yi kamu e = yi- ka
Saya i — ya Saya i m
uS
aya
1 9.95 8.38 1.57 14 11.66 12.26 —0,60
2 24.45 25.60 —1.15 15 21.65 15.81 5.84
3 31.75 33.95 —2.20 16 17.89 18.25 —0,36
4 35.00 36.60 -1.60 17 69.00 64.67 4.33
5 25.02 27.91 —2,89 18 10.30 12.34 —2.04
6 16.86 15.75 1.11 19 34.93 36.47 —1.54
7 14.38 12.45 1.93 20 46.59 46.56 0,03
8 9.60 8.40 1.20 21 44.88 47.06 —2.18
9 24.35 28.21 —3.86 22 54.12 52.56 1.56
10 27.50 27.98 —0,48 23 56.63 56,31 0.32
11 17.08 18.40 —1.32 24 22.13 19.98 2.15
12 37.00 37.46 —0.46 25 21.15 21.00 0,15
13 41.95 41.46 0,49

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

Panjang β 1 2.744270.0935229.340.000 1.2

tinggiT β 2 0.0125280.0027984.480.000 1.2
S = 2.288R-Sq = 98,1%R-Sq (adj) = 97,9%
TEKAN = 156.163R-Sq (sebelumnya) = 97,44%
Analisis Varians
SumberDFSSMSF P
Regresi25990.82995.4572.17
0,000
Sisa Kesalahan22115.25.2 σˆ 2

Total246105.9

SumberDF Seq SS
Panjang1 5885.9
Tinggi1104.9

Nilai yang Diprediksi untuk Pengamatan Baru

Obs Baru Bugar SE Fit 95,0% CI 95,0% PI
1 27,663 0,482 (26,663, 28,663) (22.814, 32.512)

Nilai Prediktor untuk Pengamatan Baru

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.

12-1.4 Sifat-sifat Penaksir Kuadrat Terkecil

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:

E1βˆ 2 = E 3 1 xkanx2 —1xkankamu 4

= E 3 1 xkanx2 —1xkan 1xβ + e2 4
= E 3 1 xkanx2 —1xkanxβ + 1xkanx2 —1xkane 4
=β
sejake E(e) = 0 dan (X'X)—1X'X = I, matriks identitas. Jadi, adalah estimator tak bias dari .
 Varians dari 's dinyatakan dalam elemen-elemen invers matriks X¿X. Kebalikan dari
X¿X kali konstanta 2 mewakilimatriks kovarians dari kemundurann koefisien . Elemen
diagonal dari 2 X¿X -1 adalah varians dari 0, 1, p , k, dan elemen off-diagonal dari matriks
ini adalah kovarians. Misalnya, jika kita memiliki k = 21 regresi, seperti dalam masalah
kekuatan tarik,
C00 C01 C02
—1
C = 1xkanx2 = £ C10 C11 C12
C20 C21 C22
yang simetris (C10 = C01, C20 = C02, dan C21 = C12) karena (X'X)—1 simetris, dan kita
memiliki

V 1βˆ J 2 = σ2C jj,

˛ ˛ J = 0, 1,
2 cov1βˆ Saya,ˆ J 2 = σ2C aku j, Saya
˛

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).

LATIHAN UNTUK BAGIAN 12-1

12-1. Sebuah penelitian dilakukan untuk menyelidiki jumlah bauksit. Kami ingin menyesuaikan model Y = 0 +
kekuatan geser tanah ( y) yang berkaitan dengan kedalaman 1x1 + 2x2 + . Beberapa jumlah yang diperlukan adalah:
kaki (x1) dan % kadar air (x2). Sepuluh pengamatan
dikumpulkan, dan jumlah ringkasan berikut diperoleh: n = 1.17991 —7.30982 L-37.3006 E-4
10, gxi1 = 223,
gxi2 = 553, gii = 1.916, gx2 = 5.200,9, gx2 = 1x'x2 —1 = £—7.30982 E-37.9799 E-5 —1.23713 E-
31.729, 4§,
gxi1xi2 = Saya1 S
—1.23713 E-44.6576 E-4
gxi1 yi = ay 7.3006 E-4
12.352, 43.550,8,
a2
gxi2 yi =
104.736,8,
dan gy2S = 371.595.6. yang dapat diekstraksi dan x2 =
(a) Siapkan
a persamaan normal kuadrat terkecil untuk model
kamu = 0 + 1x1 + 2x2 + .
(b) Perkirakan parameter dalam model pada bagian (a).
(c) Berapakah kekuatan yang diprediksi ketika x1 = 18 kaki
dan
x2 = 43%?
12-2. Sebuah model regresi akan dikembangkan untuk
memprediksi kemampuan tanah untuk menyerap kontaminan
kimia. Sepuluh pengamatan telah dilakukan pada indeks
penyerapan tanah ( y) dan dua regresi: x1 = jumlah bijih besi
 220
x'y = £ 36.768
9.965
(a) Perkirakan koefisien regresi dalam model yang
ditentukan di atas.
(b) Berapa nilai prediksi indeks penyerapan y
ketika x1 = 200 dan x2 = 50?
12-3. Seorang insinyur kimia sedang menyelidiki
bagaimana jumlah konversi suatu produk dari bahan baku
(y) bergantung pada:
suhu reaksi (x1) dan waktu reaksi (x2). Dia telah mengembangkan 17 58 61 1 4.6 52
model regresi berikut:
18 60 71 1 5.3 43
1. kamu = 100 + 2 x1 + 4 x2
19 62 62 0 7.2 46
2. kamu = 95 + 1,5x1 + 3x2 + 2x1x2 10515012.457
20 68 38 0 7.8 56
Kedua model telah dibangun pada rentang 0,5 x2 10. 11533812.256
21 70 41 1 7.0 59
(a) Berapa nilai konversi yang diprediksi ketika x2 = 2? 12413002.188
Ulangi perhitungan ini untuk x2 = 8. Gambarkan grafik 22 79 66 1 6.2 26
13373101.988
nilai prediksi untuk kedua model konversi. 23 63 31 1 4.1 52
14243403.1102
Mengomentari pengaruh istilah interaksi dalam model 2. 24 39 42 0 3.5 83
(b) Temukan perubahan yang diharapkan dalam konversi 15423003.088
25 49 40 1 2.1 75
rata-rata untuk perubahan satuan suhu x1 untuk model 1 16504814.270
ketika x2 = 5. Apakah besaran ini bergantung pada nilai
spesifik waktu reaksi yang dipilih? Mengapa?
(c) Temukan perubahan yang diharapkan dalam konversi
rata-rata untuk perubahan satuan suhu x1 untuk model 2
ketika x2 = 5. Ulangi perhitungan ini untuk x2 = 2 dan
x2 = 8. Apakah hasilnya bergantung pada nilai yang
dipilih untuk x2? Mengapa?
12-4. Anda telah cocok dengan model regresi linier
berganda dan matriks (X'X)-1 adalah:

0.893758 —0,0282448 —0.0175641

1x'x2 —1 = £—0,0282450.00133290.0001547 kan
—0.0175640.00015470.0009108

(a) Berapa banyak variabel regressor dalam model ini?

(b) Jika jumlah kesalahan kuadrat adalah 307 dan terdapat
15 pengamatan, berapakah taksiran dari 2?
(c) Apat adalah kesalahan standar dari koefisien regresi ˆ 1?
12-5. Data hasil survei kepuasan pasien di sebuah rumah
sakit dapat dilihat pada tabel berikut ini:

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

(a) Pasangkan model regresi linier berganda untuk data ini.

(b) Perkirakan 2.
Tabel 12-5 Ekonomi Bahan Bakar DaimlerChrysler dan Emisi

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
jalan raya untuk kendaraan model tahun 2005 dari
DaimlerChrysler. Tabel data lengkap (tersedia di situs Web
buku) berisi data yang sama untuk model 2005 dari lebih dari
250 kendaraan dari banyak pabrikan (sumber: Situs Web
Badan Perlindungan Lingkunganwww.epa.gov/
otaq/cert/mpg/testcars/database).
(a) Pasangkan model regresi linier berganda pada data ini
untuk memperkirakan jarak tempuh bensin yang
menggunakan regresi berikut: cid, rhp, etw, cmp, axle,
n/v.
(b) Perkirakan 2 dan kesalahan standar dari koefisien
regresi.
(c) Prediksi jarak tempuh bensin untuk kendaraan pertama
di tabel.
12-8. Kekuatan tarik dari ikatan kawat merupakan
karakteristik penting. Tabel berikut memberikan informasi
tentang kekuatan tarik ( y), tinggi die (x1), tinggi tiang (x2),
tinggi loop (x3), panjang kawat (x4), lebar ikatan pada
cetakan (x5), dan lebar ikatan pada pos (x6).
(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?