Variance=
∑ ( x−x ' )2
n−1
σ (std .dev )=√ Variance
r = Koefisien korelasi
x-x’ = Setiap data populasi kelompok 1 – rata” kelompok 2
y-y’ = Setiap data populasi kelompok 2 – rata” kelompok 2
n (df) = jumlah populasi
Sx = Standar dev. Populasi kelompok 1
Sy = Standar dev. Populasi kelompok 2
APABILA NILAI KOEFISIEN KORELASI KURANG SIGNIFIKAN (di bawah 0,5) = umum di
akalin variablenya entah di LOG, PANGKAT, AKAR, dst… => tujuannya biar korelasinya
kuat
Standard Error Of Estimates => Melihat sebaran titik-titik di sepanjang garis lurus regresi
semakin MENCAR di garis regresi maka nilai standar error makin besar =>
dampaknya persamaan garis lurus regresi tidak bisa dipakai
semakin RAPAT di garis regresi maka nilai standar error makin kecil =>
dampaknya persamaan garis lurus regresi sangat mencerminkan (bisa dipakai)
Nilai korelasi dengan Standard Error Of Estimates BERBANDING TERBALIK
o Semakin mendekati 1, maka korelasi semakin kuat dimana Standar error
semakin kecil atau mendekati nol
Analisis regresi yang di ANOVA-kan (Analysis Of Variance) => ANOVA Sum square
* Varians-nya dihitung dihitung beda tipis (Sum Square) tapi ditambah partial
differentiation
* Biasanya merujuk langsung ke table hasil analisis ANOVA-nya
*Seberapa besar (dalam persen) Variabel Independen (X) menyumbang anasir ke dalam
variable Dependen (Y) SEHINGGA bisa merubah nilai Y Head (di persamaan regresi)
*Seberapa KUAT (dalam persen) Variabel Independen (X) berhubungan dengan variable
Dependen (Y)
Sifat-sifat F-stat sama dengan hypothesis testing “T-Stat” untuk two tailed
dan “Z Score” untuk one tailed, yang bedakan :
Simple linear;
Meng-uji signifikansi gradien
persamaan regresi => biasa dipake
kalau hasilnya < 0,5 => dipake
untuk mengukur masih relevan
kah? persamaan regresi ini
Hypothesis testing
Multiple linear;
Menguji validitas pilihan Variabel
Independen => harus dipastikan
variabel independent (Y)
MENGUBAH (entah nambah atau
ngurang) nilai Variabel Dependen
Nilai critical value bisa dilihat sesuai banyaknya degree of freedom (df) di
sebaran tabel-t (t-distribution)
t (Nilai ciritical)
Bi / Coeff : Koefisien di tabel analisis regresi
Sbi / SE Coeff : Standar deviasi koefisien di di tabel analisis regresi
*Contoh VIF :
Berikut matriks korelasi (table nilai koefisien korlasi antar variabel
{Dependen dan Independen});
*1,32 kurang dari 10, sehingga tidak ada masalah variabel “temp”
dijadikan variabel independent => berikutnya tinggal diulangin buat
insul danage
KESIMPULAN:
Langkah-langkah untuk memulai multiple linier regression;
I. Tentukan matriks korelasi antar variable independent
a. Tes multikolinieritas
II. Analisis output analisis regresi dan ANOVA
a. Kembangkan persamaan regresi
b. Lihat korelasi koefisien (Multiple R)
i. Positif atau negatif
c. Lihat koefisien determinasi (R-square)
i. Seberapa persen (%) variable-variabel independent
menyumbang nilai variable dependen (Y head)
d. Lihat koefisien determinasi yang di-adjust (R-Square adj)
i. Seberapa kuat hubungan variable independent dengan
variable dependent (Y Head)
III. Tes global untuk cek komponen persamaan regresi dan tes
koefisien individu;
Urgensi tes global
a. Menghindari nilai “+0 atau – 0” di persamaan regresi karena
tidak mempengaruhi nilai variable dependen (Y Head)
b. Melihat signifikansi variable independent apa diperlukan atau
tidak
Urgensi tes koefisien individu
a. Mengetahui besaran koefisien (baik nambah atau ngurang)
IV. Tes-tes asumsi regresi linier
a. Plot linier (persamaan linier)
b. Homokedastisitas
c. Multikolinieritas
d. Autokorelasi
Pengantar Ekonometrik
*Metode untuk menyusun persamaan regresi berganda (multiple linier) tanpa output
hasil mesin di table analisis ANOVA (Melihat koefisien)