Contoh 6.3 Diberikan data berikut (lihat tabel 6.6).

Rajah data mentah disajikan di gambar

6.10 yang menunjukkan bahwa y bukan fungsi linear dari x.

Regresi y terhadap x memberikan R2=61,2% dan pemeriksaan sisa menunjukkan adanya pola
yang tidak acak.

Ambil α =1 dan pandang z=x ln x . Regresikan y terhadap x dan kemudian terhadap x dan z:

^y =7,478 8−0,570254 x

Dan

Tabel 6.6 Data Contoh 6.3

No X Y
1. 2,3 5,05
2. 1,4 7,06
3. 10,3 2,40
4. 6,7 3,36
5. 8,4 3,49
6. 9,2 3,63
7. 5,3 4,46
8. 4,7 3,84
9. 7,1 3,34
10. 3,8 3,44
11. 5,6 3,97
12. 6,2 3,15
13. 4,9 3,94
14. 3,5 3,75
15. 2,4 4,74
16. 9,4 3,17
17. 6,9 2,89
18. 7,6 2,99
19. 0,8 9,72
20. 1,2 6,30
21. 0,7 10,55

^y =11,90−3,64 x +1,21699 z .

Usahakan mempertahankan sebanyak mungkin angka di belakang koma, khususnya untuk

koefisien x pada persamaan pertama dan koefisien z karena merupakan dasar untuk
perhitungan berikutnya. Diperoleh

1,21699
α 1= +1=−1,13413.
−0,570254
 0,94039 0,94039
Selanjutnya pandang x ' ={ x−1,13413 } =( x ' ) dan z ’ ’=x ’ ’ ln x ’ ’ , dsb. Hasil perhitungan
disajikan di tabel 6.7. Terlihat bahwa pada iterasi keempat kekonvergenan sudah terlihat dan
kita dapat mengambil α =−1,06414 . Persamaan regresi yang diperoleh
¿
^y =2,66+5,41 x

Tabel 6.7 Menentukan nilai α

c
Nilai α +1 JK sisa
b
1,000000 -1,13413 36,424
-1,13413 0,940359 3,791
-1,06648 0,997898 3,758
-1,064248 0,999902 3,758
-1,06414

dengan x ¿= x−1,06414. Tabel 6.8 (MINITAB) memberikan statistik yang lebih lengkap; dk = 18,
telah berkurang 1 karena penaksiran α . Koefisien z ( c ) pada suatu tahap dapat dipakai untuk
melihat apakah transformasi masih perlu atau tidak. Bila c ~ 0 transformasi tidak lagi
diperlukan. Korelasi sisa dengan taksiran harapannya 0,994.

Tabel 6.8 Beberapa statistika yang diperlukan

Simpangan
Prediktor Koefisien Nisbah-t P
Baku
Tetapan 2,6567 0,1383 19,21 0,000
X 5,4134 0,2675 20,24
S=0,4569 R-sq = 96,0 % R-sq (adj) = 95,8%
Korelasi sisa dengan taksiran harapan 0,994.

Contoh 6.4 diketahui data berikut : Rajah data mentah, gambar 6.14, menunjukkan bahwa
pemencarannya mirip gambar 6.12, yaitu y berdistribusi Poisson. Penggunaan transformasi
√ y + √ y+ 1 menghasilkan persamaan regresi seperti tabel 6.10 (MINTAB) dengan rajah sisa
di gambar 6.15. Korelasi sisa dengan taksiran harapannya 0,994 dan rajah peluang normal
cukup lurus.

Perlu dikemukakan bahwa transformasi diperlukan agar anggapan dalam model yang
digunakan dipenuhi tapi tafsiran hendaknya dikerjakan dalam peubah yang semula karena
peubah semula itu yang kita hadapi dalam kenyataannya.

Data untuk Contoh 6.4

No. X Y No. X Y
1 1,97 1 21 3,30 21
2 2,02 2 22 2,84 22
3 3,04 3 23 3,20 23
4 2,12 4 24 2,54 24
 5 2,77 5 25 3,27 25
6 2,21 6 26 3,72 26
7 2,46 7 27 3,61 27
8 2,70 8 28 4,39 28
9 2,54 9 29 3,24 29
10 2,94 10 30 3,27 30
11 2,98 11 31 3,98 31
12 2,84 12 32 4,01 32
13 3,20 13 33 3,91 33
14 2,91 14 34 4,41 34
15 3,11 15 35 3,56 35
16 3,59 16 36 3,86 36
17 3,47 17 37 3,75 37
18 3,78 18 38 3,36 38
19 3,08 19 39 3,53 39
20 3,70 20 40 3,70 40

Sering pula var ( y ) merupakan fungsi dari peubah bebas x, misalnya var ( y ) =k x 2 , k suatu
tetapan.

¿ y ¿
Dalam hal var ( y ) =k x 2, transformasi y = akan membuat var ( y ) stabil, karena
x

var ( xy )= x1 var ( y )=k.

2

m
Dengan jalan yang sama, bila var ( y ) =k x m , k dan m tetapan, transformasi y ¿ = y / x 2 akan
¿
menstabilkan var ( y ).