Tugas Pendahuluan 7

PRAKTIKUM
ANALISIS REGRESI

OLEH :
NAMA : MUH. HASDAL HUSEIN D.
NIM : F1A2 20 088
KELOMPOK : I (SATU)

PROGRAM STUDI S1 STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS HALU OLEO
KENDAR
I 2021
Soal:
1. Jelaskan mengapa pada hasil akhir pendugaan model regresi linear berganda
nilai epsilon tidak dituliskan!
2. Buatlah ringkasan materi Ordinary Least Square (OLS) atau Metode Kuadrat
Terkecil (MKT) termasuk rumus dan prinsip pengerjaannya!
3. Mengapa dalam analisis regresi linear variabel x dan y harus bersifat kontinu?
Jelaskan!
4. Buatlah program pada windows session untuk analisis regresi linier berganda,
lalu bandingkan hasil model yang dibuat dengan tabel koefisiennya!
Jawab:
1. Pada hasil akhir dari pendugaan model regresi linear berganda nilai epsilon
tidak dituliskan karena diketahui bahwa variabel X merupakan peubah yang
tidak acak atau diasumsikan bahwa X diukur tanpa kesalahan. Sementara
nilai epsilon merupakan komponen kesalahan, sehingga berdasarkan asumsi
sebelumnya nilai epsilon tidak dituliskan.
Ini dibuktikan juga dengan teori dari Gauss-Markov yang menyatakan
bahwa ada asumsi yang harus dipenuhi saat membuat model regresi Dimana
satu dari salah satu asumsi dari gauss-markov juga menyebutkan bahwa
nilai harapan (expected value)atau rata rata sisaan adalah nol.

Oleh karena itu epsilon yang telah diasumsikan bernilai 0 disimpulkan

tidak dapat mempengaruhi nilai Y maka dari itu nilai epsilon tidak perlu lagi
ditulis pada hasil akhir pendugaan model regresi.
2. Ringkasan materi metode Ordinary Least Square (OLS) atau MKT:
metode OLS adalah metode yang digunakan untuk mengestimasi suatu garis
regresi dengan cara mencari nilai minimal untuk jumlah kuadrat kesalahan
antara nilai prediksi dengan nilai kenyataannya. Oleh karena itu, metode
iniLeast Square.
dimana jumlah error keseluruhan adalah sebagai berikut

Apabila persamaan linear-nya sebagai berikut,

Maka, persamaan jumlah kuadrat error keseluruhannya adalah sebagai berikut,

Notasi matriks untuk jumlah kuadrat error (∑𝜀𝑖2) adalah sebagai berikut,

Seperti yang kita ketahui bahwa didalam analisis regresi, terdapat beberapa
kali pengamatan, sehingga terdapat beberapa (n) persamaan liner, yang
bergantung dari jumlah pengamatan yang dilakukan,

Persamaan diatas, dapat ditulisakan dalam bentuk matriks-nya sebagai berikut,

atau secara sederhana dapat ditulis 𝒀 = 𝑿𝜷 + 𝜺

Dari persamaan matriks yang ada, maka kita akan mendapatkan persamaan
error adalah sebagai berikut,
𝜺 = 𝒀 – 𝑿𝜷
Kembali kepada notasi matriks untuk jumlah kuadrat error, dengan
menggunakan persamaan diatas, maka persamaan 𝜺i’𝜺i dapat ditulis sebagai
berikut,

Agar dapat mendapatkan nilai minimum dari 𝜀𝑖′𝜀𝑖, maka persamaan 𝜀𝑖′𝜀𝑖
diturunkan terhadap 𝛽, didapatkan :

Persamaan diatas, apabila dirubah menjadi bentuk matriks, dapat dituliskan

sebagai berikut,

Atau secara sederhana, ditulis sebagai berikut,

 Sehingga, persamaan akhir dari nilai estimator dengan menggunakan metode
OLS adalah

3. Dalam analisis regresi linear variabel X dan Y harus bersifat kontinu, karena
di dalam analisis regresi linear yang kita analisis adalah fungsi regresi sampel
sebagai perkiraan fungsi regresi populasi.
Fungsi regresi inilah yang sering digunakan untuk meramalkan Y jika
variabel bebas diketahui. Maka, variabel x dan y haruslah bersifat kontinu
karena variabel kontinu merupakan variabel yang datanya bisa dioperasikan
secara matematika dan variabel kontinu juga merupakan peubah acak yang
mengandung titik sampel yang tidak terhingga banyaknya. Contoh dari
variabel kontinu yaitu seperti tinggi badan yang hasil pengukurannya 175.5
cm, berat badan 56 kg, jarak 24.5 km, volume 35.2 L, dan lain-lain.
4. Data tersebut terdiri dari tiga variabel bebas dan satu variabel terikat. Variabel-
variabel tersebut tentang Kinerja (Y) yang dipengaruhi oleh Profesionalisme (X1),
Motivasi (X2) dan Optimis (X3).
Data:
X1 X2 X3 Y
86 71 54 71
88 83 55 88
81 75 63 77
63 68 86 70
79 63 69 73
63 62 40 67
77 80 56 80
80 72 88 80
85 72 83 88
77 77 68 79
75 69 23 75
63 74 55 77
83 79 60 80
80 72 88 80

(https://www.scribd.com/doc/249219376/Contoh-Soal-Regresi-Linier-Berganda)
Program:
MTB > set C1
DATA> 86 88 81 63 79 63 77
DATA> 85 77 75 63 83 80 80
DATA> end
MTB > set C2
DATA> 71 83 75 68 63 62 80
DATA> 72 72 77 69 74 79 72
DATA> end
MTB > set C3
DATA> 54 55 63 86 69 40 56
DATA> 83 68 23 55 60 88 88
DATA> end
MTB > set C4
DATA> 71 88 77 70 73 67 80
DATA> 80 88 79 75 77 80 80
DATA> 3.33 3 3 3 3
DATA> end
MTB > NAME C1 'X1' C2 'X2' C3 'X3' C4 'Y'
MTB > #ANALISIS REGRESI LINEAR BERGANDA
MTB > REGRESS;
SUBC> RESPONSE 'Y';
SUBC> NODEFAULT;
SUBC> CONTINUOUS 'X1','X2','X3';
SUBC> TERMS X1 X2 X3;
SUBC> CONSTANT;
SUBC> UNSTANDARDIZED;
SUBC> TMETHOD;
SUBC> TCOEFFICIENTS;
SUBC> TEQUATION;
SUBC> TDIAGNOSTICS 0.

Output:
Regression Analysis: Y versus X1, X2, X3

Coefficients

Term Coef SE Coef T-Value P-Value VIF

Constant 22.6 13.6 1.66 0.128
X1 0.226 0.149 1.51 0.161 1.17
X2 0.490 0.161 3.04 0.012 1.14
X3 0.0379 0.0632 0.60 0.562 1.04

Regression Equation

Y = 22.6 + 0.226 X1 + 0.490 X2 + 0.0379 X3

Fits and Diagnostics for Unusual Observations

Obs Y Fit Resid Std Resid

1 71.00 78.79 -7.79 -2.09 R

R Large residual

Interpretasi:
Dari persamaan diatas maka didapat / diperoleh persamaan Regresi Linear

berganda adalah: Yˆ  0   1 X 1  2 X 2  3 X 3  

Yˆ = 22. 6 + 0. 226 X1 + 0. 490 X2 + 0. 0379 X3

 0  22.6

Menyatakan bahwa secara rata-rata nilai variabel Yˆ = 0.977 jika variabel

X1, X2, dan X3 bernilai konstan.
1  22.6
Koefisien Regresi
1  0.253 menunjukkan bahwa jika variabel
X1 naik sebesar 1 satuan maka secara rata-rata akan meningkatkan

variabel Yˆ sebesar 0.253. Tanda (+) menunjukkan bahwa jika variabel

X1 meningkat maka variabel Yˆ juga akan meningkat.

 2  0.490
Koefisien Regresi
 2  0.490 menunjukkan bahwa jika variabel X1
naik sebesar 1 satuan maka secara rata-rata akan meningkatkan variabel

Yˆ sebesar 0.490. Tanda (+) menunjukkan bahwa jika variabel X2

meningkat maka variabel Yˆ juga akan meningkat.

3  0.0379
Koefisien Regresi
3  0.0379 menunjukkan bahwa jika variabel
X1 naik sebesar 1 satuan maka secara rata-rata akan meningkatkan

variabel Yˆ sebesar 0.0379. Tanda (+) menunjukkan bahwa jika variabel

X3 meningkat maka variabel Yˆ juga akan meningkat.

Apabila hasil yang diperoleh dari windows session dibandingkan
dengan hasil yang ada pada tabel coefficients dengan mengunakan data
yang sama maka dapat kita simpulkan bahwa hasil yang diperoleh tidak
berubah atau hasilnya tetap sama karena pada dasarnya data yang
digunakan pada saat membuat model regresi itu merupakan data yang
sama.
C
o
n
s
t
Interpretasi:
Dari persamaan diatas maka didapat / diperoleh persamaan Regresi Linear

berganda adalah: Yˆ  0   1 X 1  2 X 2  3 X 3  

Yˆ = 22. 6 + 0. 226 X1 + 0. 490 X2 + 0. 0379 X3

 0  22.6

Menyatakan bahwa secara rata-rata nilai variabel Yˆ = 0.977 jika variabel

X1, X2, dan X3 bernilai konstan.
1  22.6
Koefisien Regresi
1  0.253 menunjukkan bahwa jika variabel
X1 naik sebesar 1 satuan maka secara rata-rata akan meningkatkan

variabel Yˆ sebesar 0.253. Tanda (+) menunjukkan bahwa jika variabel

X1 meningkat maka variabel Yˆ juga akan meningkat.

 2  0.490
Koefisien Regresi
 2  0.490 menunjukkan bahwa jika variabel X1
naik sebesar 1 satuan maka secara rata-rata akan meningkatkan variabel

Yˆ sebesar 0.490. Tanda (+) menunjukkan bahwa jika variabel X2

meningkat maka variabel Yˆ juga akan meningkat.

3  0.0379
Koefisien Regresi
3  0.0379 menunjukkan bahwa jika variabel
X1 naik sebesar 1 satuan maka secara rata-rata akan meningkatkan

variabel Yˆ sebesar 0.0379. Tanda (+) menunjukkan bahwa jika variabel

X3 meningkat maka variabel Yˆ juga akan meningkat.

Apabila hasil yang diperoleh dari windows session dibandingkan dengan
hasil yang ada pada tabel coefficients dengan mengunakan data yang
sama maka dapat kita simpulkan bahwa hasil yang diperoleh tidak
berubah atau hasilnya tetap sama karena pada dasarnya data yang
digunakan pada saat membuat model regresi itu merupakan data yang
sama.