NAMA : MARSHA GINTAN

NIM : 21053080
PRODI : PENDIDIKAN EKONOMI
MATKUL : STATISTIKA PENDIDIKAN
TUGAS : RESUME (Hal 172-189)

Uji Linier Regresi Sederhana

Pengujian signifikansi koefisien regresi dapat disimpulkan bahwa koefisien regresi adalah
signifikan dan linier . Lebih telitinya analisis, masih perlu dilakukan terpisah tentang apakah persamaan
regresi yang diperoleh itu linier atau tidak . Jika ternyata persamaan regresi linier barulah bisa
digunakan untuk melakukan prediksi dengan bentuk linier sebaliknya jika persamaan regresi yang
diperoleh tidak linier.
Pengujian linieritas dengan “least squares”. Jika jumlah data tidak banyak, least square memang
bisa membantu peneliti untuk melihat bentuk persamaan. Tetapi, jika jumlah sampel yang dihadapi
banyak, maka pengamatan melalui least squares bisa menyesatkan.
Pengujian ini berkaitan dengan sum of squares sisa, dimana sum of squares sisa dipisah menjadi
dua bagian yaitu sum of squares ketidaksamaan dan sum of squares error, sedangkan sum of squares
error merupakan selisih sum of squares sisa dengan sum of squares ketidaksamaan.
Persamaan sum of squares error :

Keterangan :

Untuk liniearitas kita menggunakan F tes, sedangkan hipotesisnya yaitu :

Rumus F hitung yaitu :

Regresi Sederhana Nonlinier

1. Model Parabola
Rumus persamaan Regresi Sederhana Parabola :
 Bentuk model ini berbeda dengan model linier, dimana garis persamaannya merupakan garis
lengkung (cembung). Dalam persamaan Regresi Parabola kita akan menghadapi tiga macam koefisien
regresi.
Perhitungan koefisien regresi dapat menggunakan tiga buah persamaan yang masing-masing
mengandung tiga macam factor yang tidak diketahui, yaitu :

Setelah persamaan regresi parabola langkah selanjutnya adalah menguji signifikansi koefisien regresi
dengan jalan yang tidak berbeda dengan yang telah dibahas pada sub bab pengujian signifikansi
persamaan regresi linier di muka. Dalam Model ini perhitungan koefisien korelasi diganti dengan istilah
indeks korelasi, yang rumusnya sama dengan perhitungan koefisien korelasi. Perbedaannya terletak
pada hasil perhitungannya dimana koefisien korelasi masih memperhitungkan tanda positif dan negatif,
maupun negatif ( hanya diambil nilai positifnya).
2. Model Hiperbola
Persamaan regresi hiperbola ada dua model yaitu :

Model ini jarang terpakai pada penelitian karena nilai-nilai nya bersifat positif. Sedangkan perhitungan
koefisien regresi tidak berbeda dengan regresi sederhana linier.
3. Model Fungsi Pangkat Tiga
Model ini jarang terpakai Karena jenis koefisien regresinya banyak ( a,b,c,d). Untuk menghitung nilai
(a,b,c,d) menggunakan empat buah persamaan :

Dengan menggunakan keempat persamaan diatas dan langkah penyelesaian seperti padapembahasan
model parabola, maka nilai-nilai koefisien regresi akan diperoleh.
4. Model Eksponensial
Model ini digunakan dalam prediksi jumlah penduduk dimasa yang akan datang,karena bentuk
pertumbuhan penduduk nya cenderung mengikuti pola garis eksponensial. Persamaan regresi linier itu
di log maka persamaan nya akan berubah menjadi :
Log Y = log a (log b) X
Persamaan diatas kalau dihilangkan log nya akan berubah menjadi :
Y=axbx
5. Model Geometri
Model ini hamper sama dengan model eksponensial ,karena dapat dikembalikan pada model linier
ddengan jalan melakukanpengambilan logaritma pada persamaannya.
Persamaan garis geometrinya :

Jika diambil logaritmanya maka bentuk persamaannya menjadi :

Seluruh pembahsan di atas bisa digunakan jika data kita berskala interval atau ratio. Jika data
yang dihadapi berskala rendah (nominal atau oridonal) maka kita harus menggunakan koding. Ada tiga
macam koding yang dapat digunakan : dummy coding,effect coding dan orthogonal coding.Jika kedua
data yang diperoleh berskala nominal atau ordinal,maka analisis non parametric yang lebih cocok untuk
digunakan sebagai alat analisis. Jika Y decoding maka yang digunakan adalah Logistic Regression.