ASUMSI KENORMALAN MODEL REGRESI LINEAR KLASSIK

1. Distribusi Probabilitas Gangguan

● Dalam perkiraan tunggal (point estimation) asumsi mengenai distribusi probabilitas gangguan tidak
begitu penting. Namun dalam perkiraan interval (interval estimation) dan pengujian hipotesis, asumsi
distribusi kesalahan pengganggu ui sangat diperlukan.
● Regresi linear klasik mengasumsikan bahwa setiap kesalahan pengganggu ui didistribusikan secara
normal dengan rata-rata kesalahan pengganggu nol, varians konstan, dan kovarians nol atau secara
matematis dapat ditulis:
Rata-rata : E ( ui ) =0

: E ( u i ) =σ
2 2
Varians

Covarians : E ( ui u j ) =0
Asumsi ini secara singkat dapat dinyatakan:

ui N ( 0 , σ ),
2
berarti “didistribusikan sebagai” dan N berarti “distribusi normal”,
sedangkan unsur yang ada dalam tanda kurung menyatakan dua parameter distribusi normal yaitu rata-
rata dan varians. Sehingga dapat dibaca: ui didistribusikan secara normal dimana rata-ratanya nol dan
variansnya konstan σ 2. Dua parameter yang mengikuti distribusi normal ini, kovariansnya nol atau
korelasi ui dan u j nol, hal ini dapat dimaknai bahwa selain tidak berkorelasi juga didistribusikan secara
independen.
● Ada 4 alasan yang melatarbelakangi mengapa asumsi Klasik memerlukan asumsi
kenormalan ui, antara lain :
1. Faktor gangguan ui adalah pengganti dari semua variabel yang dihilangkan dari model atau
tidak dimasukkan dalam model, tetapi secara bersama-sama mempengaruhi Y. Dengan
kata lain ui menyatakan pengaruh gabungan dari semua variabel bebas yang tidak
dimunculkan seacar eksplisit dalam model regresi linear. Oleh karena itu kita berharap
bahwa pengaruh dari variabel-variabel yang diabaikan atau dihilangkan akan mempunyai
pengaruh yang kecil dan dalam keadaan acak yang lebih baik. (best random). Dengan
central limit theorem (CLT) dari statistik dapat ditunjukkan bahwa jika sebagian besar
variabel random didistribusikan secara indepnden (bebas) dan identik maka dengan
beberapa pengecualian, distribusi dari jumlahnya cenderung berdistribusi normal bila
 jumlah variabel random tersebut meningkat secara tak terbatas. CLT ini yang memberikan
pembenaran (justifikasi) teoritis untuk asumsi kenormalan dari ui .
2. Dalil CLT menyatakan bahwa apabila jumlah variabel tidak terlalu besar dan juga tidak
secara penuh bebas satu sama lain atau tidak bebas secara penuh, jumlahnya masih bisa
didistribusikan secara normal, dengan kata lain jumlahnya masih mengikuti fungsi normal.
3. Dengan asumsi kenormalan, probability distribution dari OLS estimators akan mudah
diperoleh karena merupakan sifat distribusi normal bahwa setiap fungsi linear dari
variabel-variabel yang mempunyai distribusi normal dengan sendirinya juga mengikuti
distribusi normal. Ini berarti karena β i merupakan fungsi dari ui , dan oleh karena ui
mengikuti distribusi normal maka β i juga mengikuti distribusi normal.
4. Distribusi normal adalah suatu distribusi yang relatif sederhana yang hanya melibatkan dua
parameter yaitu rata-rata dan varian, dengan demikian bila rata-ratanya nol dan variansnya
konstan maka syarat normalitas sudah terpenuhi. Distribusi ini sangat dikenal dan sifar-
sifat teoritisnya telah dipakai dalam statistik matematika.
● Sifat-sifat penaksir OLS menurut asumsi kenormalan:
1. Penaksir tak bias (unbiased estimators):
E ( β 0 )= ^β0 ; E ( β 1 )= β^ 1; E ( S2e ) =σ 2
2. Penaksir bervarians minimum (terkecil). Penaksir yang tidak bias dan bervarians minimum
merupakan penaksir yang efisien (efficient estimators).
3. Konsisten yaitu dengan meningkatnya ukuran sampel secara tak terbatas, penaksir converge
atau mengarah ke nilai populasi yang sebenarnya. Atau dapat dinyatakan : Apabila n → ∞,
maka: ^β 0 → β 0; ^β 1 → β 1; Se →σ atau σ^ 2 → σ 2
2 2

4. ^β 0 didistribusikan secara normal dengan:

Rata-rata : E ( β^ 0 ) =β 0

Var ( β^ 0 ) : σ β =
2 ∑ X 2i σ 2
0
N ∑ x 2i

Atau secara ringkas dapat dinyatakan

^β N ( β , σ 2 )
0 0 β 0

5. ^β 1 didistribusikan secara normal dengan:

 Rata-rata : E ( β^ 1 ) =β1

2
σ
Var ( β^ 1 ) : σ β =
2
1
∑ x 2i
Atau secara ringkas dapat dinyatakan

^β N ( β , σ 2 )
1 1 β 1

( N −2 ) σ^ 2
6. 2
memiliki distribusi kai kuadrat ( χ 2 ) dengan derajat kebebasan (df) N-2.
σ
7. ^β 0 dan ^β 1 didistribusikan secara bebas dari σ^ 2

8. ^β 0 dan ^β 1 memiliki varians minimum diantara seluruh kelas penaksir tak bias, baik linear maupun
bukan linear. Hasil ini ditemukan olh Rao, sangat kuat (powerful) karena tidak seperti teorema
Gauss-Markov, sifat ini tidak terbatas hanya untuk kelas penaksir yang linear.

2. Metode Kemungkinan Terbesar (Maximum Likedlihood Methods)

2.1. Penaksiran Metode Kemungkinan Terbesar Rata-rata μ dan Varians σ 2x
Metode kemungkinan maximum (metode ML) adalah suatu cara penaksiran
yang bertitik tolak pada gagasan yang relatif sederhana, yaitu bahwa populasi yang
berlainan menghasilkan sampel yang belainan pula (tetapi sampel yang berlainan
belum tentu datang dari populasi yang berlainan), sehingga suatu sampel tertentu
lebih mungkin datang dari sesuatu populasi tertentu dibandingkan dengan populasi
yang lainnya.
Walaupun dasar gagasannya relatif sederhana, tetapi cara penaksirannya
sendiri lebih rumit daripada cara kuadrat terkecil. Contoh gagasan itu adalah
sebagai berikut. Andaikan diambil sebuah sampel sebesar n dari populasi normal,
setelah dihitung nilai rata-rata hitung sampel itu ternyata = 10, dari populasi
normal mana kemungkinan besar sampel itu berasal?. Andaikan pula varian
populasi-populasi itu sama sehingga populasi-populasi itu hanya berbeda nilai rata-
rata populasinya, dari populasi normal mana pula kemungkinan besar sampel itu
berasal?. Jawaban pertanyaan ini dapat didekati dengan memperhatikan asumsi
bahwa “sebuah populasi normal sepenuhnya dapat ditentukan bila diketahui nilai
rata-rata dan variannya”. Atas dasar asumsi itu jelaslah bahwa sampel yang
mempunyai nilai rata-rata sampel = 10 kemungkinan paling besar datang dari
populasi yang mempunyai nilai rata-rata 10 pula, dibandingkan dengan populasi-
popualsi lain yang nilai rata-ratanya tidak sama dengan 10.

Diagram di atas menggambarkan 3 populasi normal A, B, dan C. andaikan

sebuah sampel terdiri atas 9 pengamatan, X1, X2,.......,.......X9, maka tentu saja
sampel itu dapat saja berasal dari A, B, atau C karena populasi normal berarea dari
- ~ sampai + ~. Tetapi dari diagram itu juga dapat dilihat bahwa kemungkinan
paling besar sampel itu berasal dari populasi B, sebab probabilitas sampel datang
dari populasi A atau C tentunya sangat kecil. Kesimpulan seperti ini dapat pula
diambil mengenai nilai rata-rata atau varian manapun juga. Sampel dengan varian
besar kemungkinan besar diperoleh pula dari populasi dengan varian besar dan
sebagainya. Yang perlu diingat adalah adanya kombinasi tertentu antara nilai rata-
rata dan varian dalam populasi yang berhubungan dengan kombinasi tertentu pula
antara nilai rata-rata dan varian dalam sampel. Jadi penaksir-penaksir
Kemungkinan Maksimum dapat diberi batasan sebagai berikut:
Apabila sebuah variabel rambang X mempunyai distribusi probabilitas
f(X) dengan ciri-ciri parameter θ 1, θ 2, .......... θ k dan apabila sebuah sampel
 X1, X2,................Xn diamati, maka penaksir-penaksir kemungkinan maksimum
θ 1, θ 2, .......... θ k adalah nilai-nilai parameter itu yang dapat menghasilkan

sampel yang diamati tersebut paling kerap (Soelistiyo, 1982: 40).

Jadi penaksir-penaksir kemungkinan maksimum θ 1, θ 2, .......... θ k adalah
nilai-nilai yang mengakibatkan fungsi densitas nilai-nilai sampel tertentu pada
keadaan maksimum, sehingga untuk menemukan penaksir-penaksir tersebut harus
dicari lebih dahulu nilai-nilai yang memaksimumkan f(X1, X2,................Xn). fungsi
itu disebut fungsi kemungkinan (Likelihood function) yang secara umum ditulis
LF(X1, X2,................Xn; θ 1, θ 2, .......... θ k), dimana θ 1, θ 2, .......... θ k adalah
parameter yang harus ditaksir dan LF adalah distribusi probabilitas bersama
sampel itu. Pada kasus variabel rambang X yang berdistribusi normal, fungsi
σ
kemungkinan dalam bentuk umumnya adalah : LF(X1, X2,............Xn; μ .........., x2 )
Kalau sebuah sampel rambang dengan besar n diambil dari populasinya yang
σ
berdistribusi normal [X~N( μ , x2 )], fungsi kemungkinan yang diperoleh adalah
distribusi probabilitas bersama (joint probability distribution) sampel itu, yakni:
σ
f(X1, X2,................Xn) = LF(X1, X2,................Xn; μ , x2 )
Apabila pengamatan sampel tidak bergantung satu sama lainnya, maka
f(X1, X2,................Xn) = f(X1), f(X2),................f(Xn). Dalam hal ini perlu diingat
bahwa pada fungsi kemungkinan, nilai parameter-parameternya dapat berubah-
ubah, sedangkan nilai pengamatan sampelnya adalah tetap. Penaksir-penaksir
kemungkinan maximum diperoleh dengan memaksimumkan fungsi
kemungkinan (Likelihood function) terhadap parameter-parameternya. Penaksir
parameter yang memaksimumkan fungsi Likelihood-nya disebut sebagai penaksir
maksimum Likelihood (maximum Likelihood estimator) Fungsi densitas normal
2
dari Likelihood function adalah f(X) = (2л σ x )-1/2 e-(1/2) [(X- μ )/ σ ]2.
karena
persamaannya berbentuk pangkat, maka sebaiknya ditransformasikan ke dalam
X−μ
2
bentuk persamaan logaritma: ln f (X) = -½ln(2л σx ) – ½[ σ ]2. ln e. Sehubungan
dengan hal ini maka dalam prakteknya sering digunakan bentuk logaritma fungsi
Likelihood “ln LF = ln f(Xi)”, bukan fungsi Likelihood itu sendiri “LF =
f(Xi)”. Hal ini diperbolehkan karena fungsi logaritma adalah fungsi yang menoton
menaik (monotonic increasing function), sehinga nilai parameter taksiran yang
memaksimumkan “logaritma fungsi Likelihood”, juga merupakan nilai yang
memaksimumkan “fungsi Likelihood”.
2
Berdasarkan gagasan-gagasan dan kaidah-kaidah di atas, maka μ dan σ
dapat ditaksir dengan cara melakukan manipulasi terhadap fungsi Likelihood atau
sering ditulis: LF = f(X1) f(X2)..................f(Xn), atau dalam bentuk logaritma:
n
∑
ln LF = i=1 ln f (Xi). Dengan demikian logaritma fungsi densitas normal dari
n
X i−μ
∑ 2
Likelihood function adalah ln LF = i=1 [-½ln(2 πσ ) – ½( σ )2]
n
n 1
2 2 ∑
= - 2 ln(2 πσ ) - 2 σ i=1 (Xi- μ )2
n
n n 1
2 2 ∑
= - 2 ln(2 π )- 2 ln σ - 2 σ i=1 (Xi- μ )2
2
karena ada 2 parameter yang akan ditaksir, yaitu μ dan σ , maka harus ditentukan
turunan pertama dari kedua parameter itu, sebagai berikut:
n
∂ln LF 1
∂ μ = - 2 σ^ 2
∑ 2 ( X i− μ^ )
i−1 (-1) = 0.................... (pers. 1)
n
∂ln LF n 1
2
1
∑ ( X i− μ^ )2
= - 2 ( σ^ ) + 2 σ^
2 4
∂σ i =1 = 0 ..............(pers. 2)
Catatan:
 n 1 n 1 1
2 2
1. Turunan - 2 ( σ^ ) = 2 ( σ^ ) mengikuti kaidah dY/dX dari Y = ln X adalah X
n n
1
∑ 1
∑ ( X i− μ^ )2
2. Turunan - 2 σ^
2
i=1 (Xi- μ )2 = 2 σ^ 4 i =1 mengikuti kaidah dY/dX dari Y =

−1m
( )
m
1 −1 m
( a−b )m 1
n
− n (a−b )m ( a−b ) n m ∑
= ( cX )
n
cX adalah cX dengan demikian - 2 σ^
2
i=1

2 n

(Xi- μ )2 =
( ) ∑ ( X −μ)
−1
2 σ^ 2 i=1
i
2

n
(−1 )2
22
∑ ( X i−μ )2
= ( 2 σ^ ) i=1

n
1
4 ∑( i
X −μ ) 2
= 2 ^
σ i=1

n
1
∑
(Xi- μ )2 = −2 σ ( ∑ X i −nμ )
2 ^ −2 2
Atau - 2 σ^ i=1

= −2 σ^
−2
{(∑ X ) − ( nμ ) }i
2 2

2
(−2 σ^ −2 ) (∑ X i ) −( nμ ) (−2 σ^ −2 )
2
=
2
( ^ −2 )
= −2 σ ∑ ( X i−μ )2
= 2 σ ∑ ( X i−μ )
−4 2

1
∑ ( X i−μ ) 2
= 2 σ^
4

Apabila kedua persamaan ini diselesaikan, maka:

1. Dari persamaan (1) diperoleh:
n
1
∑ ( X i− μ^ )
σ^ 2 i=1 = 0, apabila persamaan ini dikali dengan σ2 diperoleh:

{ }
u
1
σ^ 2 2 ∑ ( X i− μ^ )=0
σ^ i=1
 n
∑ ( X i− μ^ )=0
i =1
n
∑ X i−n μ^ =0
i =1
n
∑ X i=n μ^
i=1
n
1
μ^ = ∑X
n i=1 i
n
1
∑ Xi
μ^ adalah penaksir kemungkinan maksimum (ML) μ . Tetapi n i=1 adalah nilai
rata-rata sampel, sehingga ML nilai rata-rata sebuah populasi normal adalah nilai

rata-rata sampelnya sendiri ( μ^ = X̄ ) atau

n
1
X̄ = ∑ X i
n i=1

2. Dari persamaan (2) diperoleh:

( )
n
n 1 1
σ^ 2
∑ ( X i− μ^ )2 =0
+ 2 σ^
4
-2 i =1

( 2nσ^ ) = 21σ^
2 4
∑ ( X i− μ^ )2

{( ) }
n
n 1
2 σ^ 4
= 4 ∑ ( X i− μ^ ) 2
2 σ^ 2
2 σ^ i=1

Dari persamaan ini diperoleh :

n n
1 1
2 ∑ ( X i− μ^ )2 ∑ ( X i− X̄ )2
σ^ = n i =1 =n i=1

σ^ 2 adalah penaksir kemungkinan maksimum (ML) σ 2 .Sehingga ML varian

sebuah populasi normal adalah varian sampel-nya sendiri atau sering ditulis:
n
1
∑ ( X i− X̄ )2
S =n
2 i=1
 Λ
2 2
Perlu dicatat disini bahwa σ adalah penaksir bias σ (lihat ; 2.2.1.1.)
2
Dengan diketahui fungsi kemungkinannya dapat pula dicari, kecuali μ dan σ ,
2
juga batas bawah Carmer–Rao bagi varian-varian penaksir tidak bias μ dan σ .
Batas bawah ini diperoleh malalui matrix informasi berikut :

[ ][ ][ ]
−1
∂2 ln LF ∂2 ln LF n
−1
−E − E
0 σ2
∂μ
2
∂ μ ∂(σ )
2 0
σ2 n
∂2 ln LF ∂2 ln LF n 2σ4
−E − E 0 0
∂ μ ∂(σ 2 ) ∂( σ 2 )2 2σ4 n
= =
Jadi batas bawah Cramer-Rao bagi varian penaksir tidak bias nilai rata-rata
2
σ
populasi normal adalah n
Tugas:

[ ] [ ]
−1
n σ2
0 0
σ2 n
n 2σ4
0 0
Buktikan bahwa 2σ4 = n

2.2. Penaksiran Kemungkinan Terbesar Model Regresi (Maksimum

Likelihood Estimation Regression Model)
Apabila kita asumsikan bahwa dalam model regresi dua varibel, yakni Y i =
A+BXi + ui, dimana variabel Yi didistribusikan secara normal dan independen
dengan rata-rata = A + BXi dan varians σ2, maka fungsi densitas probabilitas
gabungan/bersama dari hasil pengamatan Y1,Y2,.......,Yn dengan syarat rata-rata dan
varians seperti yang telah disebutkan di atas, dapat dituliskan sebagai
f(Y1,Y2,....,Yn|A+ BXi, σ2). Oleh karena: Pertama, variabel Yi didistribusikan
secara independen, maka fungsi densitas probabilitas gabungan tersebut dapat pula
ditulis sebagai perkalian fungsi densitas probabilitas individual dari Y i sampai Yn,
sebagai berikut:
f(Y1,Y2,...,Yn|A+ BXi, σ2)= f( Y1|A+ BXi, σ2).f(Y2|A+ BXi, σ2)...f(Yn|A+ BXi, σ2).
Kedua, variabel Yi dideskripsikan secara normal, maka fungsi densitas normal Yi

( )
2
1 Y i− A −BX i
−
1 2 σ
f (Y i )= e
adalah: √ 2 πσ 2
apabila f (Y i ) di subtitusi ke f(Y1,Y2,....,Yn|A+ BXi, σ2), maka akan diperoleh suatu
fungsi kemungkinan (Likelihood function) yang dapat digunakan untuk menaksir
A,B,dan σ2 apabila Y1,Y2,.......,Yn diketahui:

( ) ( )
Y i− A −BX i 2 Y i− A −BX i 2
−1/2 −1/2
1 σ 1 σ
e e
f(Y1,Y2,...,Yn|A+BXi,σ2)= √2 πσ + √2 πσ
2 2
+...

( )
2
Y i− A −BX i
−1/2
1 σ
e
√2 πσ 2
, atau secara singkat dapat ditulis:

{ ( )
}
Y i −A −BX i 2
N −1/2
1
∑ e
σ

f(Y1,Y2,...,Yn|A+BXi,σ2) = i=1 √2 πσ 2
Jadi fungsi kemungkinan (Likelihood Function) untuk menaksir A, B, dan O2
adalah:

{√ ( )
}
Y i −A −BX i 2
N −1/2
1
∑ 2
e
σ

LF(A, B, σ2)= i=1 2 πσ

Untuk memperoleh penaksir A dan B sehingga fungsi kemungkinan (LF) menjadi

maksimum, maka fungsi tersebut diubah kedalam fungsi logaritma. Untuk
mempermudah penentuan fungsi logaritmanya maka fungsi LF disederhanakan
menjadi:

{√ ( )
}
Y i −A −BX i 2
N −1/2
1
∑ 2
e
σ

LF= i=1 2 πσ
 { ( )}
Y i− A− BXi 2
N −1/2
∑ ( 2 πσ 2 )
−1/2 σ
e
= i=1

{ Y i −A−BX i 2
( ) }
N
1 ( 1
∑ − ln 2 πσ ) .−
2
2
2 σ
. ln e
ln LF= i=1

∑{ ( )}
N 2
1 1 Y i −A−BX i
− ln ( 2 πσ 2 ) .−
= i=1 2 2 σ

( )
N 2
N N 2 1 Y −A−BX i
− ln ( 2 π ) − ln σ − ∑ i
= 2 2 2 i=1 σ

( )
N 2
N N 1 Y − A−BX i
− ln ( 2 π ) − ln σ − 2 ∑ i
2
2 2 2 σ i=1 σ

Dengan menderivasi (menghitung diferensial) fungsi kemungkinan terbesar (ln LF)

tersebut akan dapat diperoleh nilai A,B, dan σ2. Derivasi yang dimaksud adalah:
N
∂ ln LF 1
=− 2 . 2 ∑ ( Y i− A−BX i )2−1 (−1 )=O
(1). ∂ A 2 σ^ i=1

N
1
=− . ∑ (Y −A−BX i )=O
σ^ 2 i=1 i
N
∂ln LF 1
=− 2 . 2 ∑ (Y i− A−BXi )2−1 (− X i )=O
(2). ∂ B 2 σ^ i=1

N
1
= 2 . ∑ (Y i −A−Bx i ) X i =O
σ^ i=1

( ) ( )∑
N
∂ln LF N 1 1 1
=− . 2 − 2 (Y i− A−BX i )2 =O
2 σ^
(3). ∂ σ^
2
2 σ^ − σ^ 2 i=1

N
N 1
=− 2
. 4 ∑ (Y i− A−BX i )2 =O
2 σ^ 2 σ^ i=1

dari persamaan diferensial di atas dapat di ketahui bahwa untuk penentuan nilai
koefisien A dan B dapat digunakan persamaan 1 dan 2, sebagai bersikut:
 N
1
= 2 . ∑ (Y i −A−BX i )=O
(1). σ^ i=1
N
1
= 2 . ∑ (Y i −A−BX i ) X i =O
(2). σ^ i=1
Untuk menentukan nilai taksiran A dan B, kedua persamaan tersebut perlu dikali
dengan σ2 pada kedua sisinya, sebagai berikut:

{ }
N
1
σ^ 2 2 ∑ ( Y i −A−BX i ) =0
(1) σ^ i=1
n
∑ (Y i− A−BX i )=O
i =1

∑ Y i −NA−B ∑ X i =O
NA−B ∑ X i =∑ Y i ......................(1*)

{ }
N
1
σ^ 2 2 ∑ ( Y i −A−BX i ) X i =0
(2). σ^ i=1
N
∑ (Y i− A−BX i ) X i=O
i=1

N N N
∑ Y i − A ∑ X i −B ∑ X 2i =O
i=1 i=1 i=1

N N N
A ∑ Xi B∑ X 2 ∑ X iY i
i=1 + i=1 i
= i=1 ...............(2*)
penyeleyaian secara simultan persamaan (1*) dan (2*) akan menghasilkan nilai
taksiran A dan B.
(1*) NA + B ∑Xi = ∑Yi

∑ X 2i
(2*) A∑Xi + B = ∑XiYi
Penyelesaian simultan dengan cara eliminasi:
 Penyelesaian simultan dengan cara eliminasi, mula-mula dicari salah satu
nilai parameter, dengan cara mengeliminasi parameter yag lain. Andaikan mula-
mula akan dihitung taksiran parameter “A”, maka kedua persamaan tersebut harus
dimanipulasi/disederhanakan sedemikian rupa sehingga parameter “B” keluar dari
hasil perhitungan. Hal ini hanya bisa dilaksanakan apabila persamaan (1*) dikali

∑ X 2i
dengan dan persamaan (2*) dikali dengan ∑Xi, sebagai berikut:

∑ X 2i
Persamaan (1 ) dikali dengan
*
adalah:
{NA + B∑Xi = ∑Yi}∑Xi2, sehingga diperoleh:

∑ X 2i ∑ X 2i ∑ X 2i
NA + B∑Xi = ∑Yi ...............(1.1)
Persamaan (2*) dikali dengan ∑Xi adalah:

∑ X 2i
{A∑Xi + B = ∑XiYi } ∑Xi sehingga diperoleh:

∑ X 2i
A(∑Xi) + B∑Xi
2
= ∑Xi∑XiYi .................(2.1)
Dengan menggabungkan persamaan (1.1) dan persamaan (2.1) akan diperoleh
persamaan yang akan menghasilkan taksiran parameter A. Gabungan kedua
persamaan tersebut atau Persamaan (1.1) = persamaan (2.1) adalah :

∑ X 2i ∑ X 2i ∑ X 2i ∑ X 2i
NA +B∑Xi - ∑Yi=A(∑Xi) +B∑Xi
2
-∑Xi∑XiYi

∑ X 2i ∑ X 2i
NA - ∑Yi =A(∑Xi)2 –∑Xi∑XiYi

∑ X 2i ∑ X 2i
NA -A(∑Xi) = 2
∑Yi–∑Xi∑XiYi
 ∑ X 2i ∑ X 2i
N -(∑Xi) }A =
2
∑Yi–∑Xi (∑XiYi)
( ∑ X 2i ) (∑ Y i )−(∑ X i )(∑ X i Y i )
2
N ∑ X 2i −( ∑ X i )
A=
Sedangkan untuk mendapatkan taksiran parameter B, maka kedua
persamaan tersebut harus dimanipulasi/disederhanakan sedemikian rupa sehingga
parameter “B” keluar dari hasil perhitungan. Hal ini hanya bisa dilaksanakan
apabila persamaan (1*) dikali dengan ∑Xi dan persamaan (2*) dikali dengan N.
Persamaan (1*) dikali dengan ∑Xi adalah:
{NA + B∑Xi = ∑Yi}∑Xi , sehingga diperoleh:
2
NA ∑ X i + B (∑ X i ) =(∑ X i )( ∑ Y i )
...........(1.2)
Persamaan (2*) dikali dengan N adalah:

∑ X 2i
{A∑Xi + B = ∑XiYi }N sehingga diperoleh:
NA ∑ X i +NB ∑ X i =N ∑ X i Y i
2

...............(2.2)
Gabungan persamaan (1.2) dan (2.2) atau persamaan(1.2) = persamaan (2.2) akan
menghasilkan taksiran parameter B, sebagai berikut:
2
NA ∑ X i + B (∑ X i ) −( ∑ X i )( ∑ Y i )=NA ∑ X i + NB ∑ X 2i −N ∑ X i Y i
2
B ( ∑ X i ) −NB ∑ X i2 =(∑ X i )( ∑ Y i ) −N ∑ X i Y i

{(∑ X ) −N ∑ X } B=(∑ X )(∑ Y )−N ∑ X Y

i
2 2
i i i i i

(∑ X i )(∑ Y i )−N ∑ X i Y i
B=
(∑ X i ) −N ∑ X 2i
2

N
N 1
2
+ 4 ∑ ( Y i −A−BX i )2 =O
Dari persamaan (3) yaitu = 2 σ^ 2 σ^ i=1 dapat dihitung taksiran
2
varians σ^ , sebagai berikut:
 { }
N
N 1
2 σ^ 4 = 4 ∑ ( Y i −A−BX i )2
2 σ^ 2
2 σ^ i=1
N
N . 2 σ^ 4 2 σ^ 4
2
= 4 ∑ (Y i − A−BX i )2
2 σ^ 2 σ^ i =1
N
N σ^ =∑ ( Y i − A−BX i )2
2

i=1
N
1
σ^ = ∑ (Y i− A−BX i )2
2
N i =1

Penaksiran parameter A dan B dapat dilakukan dengan pendekatan subtitusi (tidak

dibahas). Sedangkan penaksiran parameter A dan B dengan pendekatan matriks
adalah sebagai beriku:
Apabila persamaan (1*) dan (2*):
(1*) NA + B ∑Xi = ∑Yi

∑ X 2i
(2*) A∑Xi + B = ∑XiYi
Ditulis dalam bentukmatriks, maka akan diperoleh persamaan matriks sebagai
berikut:

[∑ N
Xi
∑ Xi
∑ X i2 ][] [ ]
A ∑Yi
B = ∑ Xi Y i
Persamaan matriks tersebut dapat diselesaikan dengan dua metode yaitu:

a. Metode Invers:

[ ] [∑ ] [ ]
−1
A N ∑ Xi ∑Yi
B = Xi ∑ X i2 ∑ Xi Y i

b. Metode Cramer:
 A=
[ ∑ Y i ∑ Xi
∑ Xi Y i ∑ Xi2 ]
[ N ∑ Xi
∑ X i ∑ X i2 ]
B=
[∑ N
Xi
∑Yi
∑ X i Y i2 ]
[∑ N
Xi
∑ Xi
∑ X i2 ]
N
N 1
=− 2 . 4 ∑ (Y i− A−BX i )2 =O
dari persamaan (3) yaitu 2 σ^ 2 σ^ i=1 dapat dihitung taksiran
2
varians σ^ , sebagai berikut:

{ }
N
N 1
2 σ^ 4
2 σ^ 2
= ∑
2 σ^ i=1
4
( Y i −A−BX i )2

N
N . 2 σ^ 4 2σ 4
2
= 4 ∑ (Y i − A−BX i )2
2σ 2σ i=1
N
N σ^ 2 =∑ (Y i − A−BX i )2
i=1
N
1
σ^ 2 = ∑ (Y i− A−BX i )2
N i =1
Tugas Pertama:

Jika kita memliki data hipotetis mengenai pupuk (X) dalam satuan kwintal dan produksi padi
sawah (Y) dalam satuan ton, sebagai berikut:

Tahun Xi Yi
2001 5 8
2002 6 12
2003 8 16
2004 9 19
2005 11 21
2006 12 23
2007 13 26
 2008 14 29
2009 16 30
2010 17 33
2011 19 35
2012 22 38
2013 23 43
2014 25 47
2015 27 49
2016 29 51
Jumlah 256 480

Maka hitunglah:
1. Persamaan regresinya
2. Varians regresinya
3. Simpangan baku koefisien ^β 1
4. Penaksiran interval koefisien ^β 1 pada tingkat keyakinan 95 persen

5. Penaksiran interval varians regresi pada tingkat keyakinan 95 persen

6. Penaksiran interval simpangan baku regresi pada tingkat keyakinan 95 persen