Kelompok 9 (IKM C)
I. Syarat Uji
Uji F regresi linear sederhana
Untuk menguji H0 : β = 0 vs. H1 : β ≠ 0, menggunakan prosedur berikut :
(1) Hitung statistic uji F
F = Reg MS / Res MS = (L2xy / Lxx) / [(Lyy – L2xy / Lxx) / (n - 2)]
Yang mengikuti distribusi F1,n-2 di bawah H0.
(2) Untuk uji dua sisi dengan tingkat signifikansi α, jika
F > F1, n-2, 1-α, lalu tolak H0; jika
F ≤ F1, n-2, 1-α, lalu terima H0.
(3) Nilai P yang diberikan oleh Pr(F1, n-2 > F).
F = Reg MS / Res MS
0 F
Nilai
tn-2 Distribusi
frekuen
si
P/2
t 0
Nilai
(a) jika t < 0, maka p = 2 x (area di sebelah kiri t di bawah tn-2 distribusi)
tn-2 distribusi
frekuen
si
P/2
0 t
Nilai
(b) jika t = 0, p = 2 x (area di sebelah kanan t di bawah tn-2 distribusi)
ei = Yi – (b0 + b1 Xi)
Yi adalah nilai variabel respon pada level ith dari variabel independen;
Parameter b0 dan b1 adalah koefisien regresi yang tidak diketahui yang nilainya
akan dihitung;
Xi adalah konstanta yang diketahui, yang merupakan nilai dari variabel bebas pada
tingkat ke-I; dan E,
Mewakili istilah kesalahan yang merupakan variabel acak, diasumsikan
terdistribusi normal dengan rata-rata 0 dan varian σ2, yaitu εi ~ N(0,σ2).
Metode kuadrat terkecil menghasilkan perkiraan b0 dan b1 dari parameter regresi yang
meminimalkan jumlah jarak kuadrat dari titik data dari garis regresi yang diberikan oleh,
n n
Q=∑ ei =∑ Yi – (b0 +b 1 X i)
2
i=1 i=1
Metode memperkirakan koefisien regresi b0 dan b1 ini memilih garis lurus yang datang sedekat
mungkin dengan semua titik data di scatter plot. Dapat ditunjukkan bahwa perkiraan diperoleh
oleh,
∑ ( X i −X )(Y i−Y )
b 1= i=1 n
∑ (X i−X )2
i=1
n n
n ( ∑ X i)( ∑ Y i )
∑ X i Y i− i=1
n
i=1
i=1
¿ n
∑ X 2i −¿ ¿ ¿ ¿ ¿
i=1
( )
n n
1
b 0=
n
∑ Y i−b 1 ∑ X i =Y −b 1 X
i=1 i=1
Daerah
penerimaan
t > tn-2, 1-α/2
≤ t ≤ tn-2, 1-α/2 tn-2 Distribusi
t = b / (S2y.x / Lxx)1/2
t < tn-2, 1-α/2
Daerah
penolakan t > tn-2, 1-α/2
Daerah penolakan
Nilai
IV. Cara Membaca Tabel
V. Contoh Soal
Berapa peneliti memeriksa fungsi neuromuskular, indeks oklusal, dan perbedaan oklusi yang
berpusat pada hubungan sentris dari pasien yang dirawat secara ortodontik, Kowalczyk [6]
mengumpulkan peningkatan masseter isometrik berikut Nilai sEMG (elektromiografi
permukaan) kanan anterior temporalis (R-AT) dan temporal anterior kiri (L-AT) dari 23 pasien.
Memperkirakan regresi berfungsi untuk memprediksi temporal anterior kiri yang diberikan nilai
temporal anterior kanan
3.8
3.6 ei
Pre-clinic score
3.4
3.2
3.0
2.8
12 14 16 18 20 22 24 26 28
PAT score
Menunjukkan bahwa garis lurus akan cocok. Temporalis anterior kiri adalah variabel respon Yi
dan temporalis anterior kanan adalah variabel independen Xi. Menggunakan metode kuadrat
terkecil untuk memperkirakan koefisien regresi b0 dan bi, dari data yang disajikan dalam tabel,
kita dapat menghitung
n n
n ( ∑ X i)( ∑ Y i )
b1
∑ X i Y i− i=1
n
i=1
i=1
¿ n
∑ X 2i −¿ ¿ ¿ ¿ ¿
i=1
( 2,782 ) ( 2,662 )
384 , 857−
23
¿ 2
=0,8589
(2,782)
409 ,704−
23
(∑ )
n n
1
b 0= Y i−b 1 ∑ X i =Y −b 1 X
n i=1 i=1
1
¿
23
[ 2,662−( 0,8589 )( 2,782 ) ]=11.850
Dengan subtitusi kita mendapatkan regresi yang pas Yi = 11.850 + 0.8589 Xi.
Jika kita tarik pada rata-rata L-AT (atau nilai prediksi) ketika R-AT adalah X =125, estimasi Yi
kita 11,850+0,8589(125)+119,21. Nilai dari L-TA untuk setiap pasien individu yang R-AT-nya
125 tidak mungkin tepat 119,21 tetapi lebih rendah atau lebih tinggi karena variabilitas inheren
dalam variabel respon Yi Sebagaimana diwakili oleh istilah ei. Namun perlu diingat bahwa nilai
eskpetasi Yi untuk nilai tertentu Xi = 125 adalah 119,21. Kami menyatat bahwa garis regresi pas
n n
yang di ilustrasikan pada gambar 11.2.7 memiliki Q=∑ ei =∑ Yi – (b0 +b 1 X i) daripada garis
2
i=1 i=1