TUGAS KELOMPOK 7

REGRESI LANJUTAN
PENGANTAR LINEAR

Disusun oleh:

Eno Dwi Putri 21337005

Nurul Mawaddah 21337015
Nurviqotun Khasanah 21337051
Widiyanti 21337022

Dosen Pengampu:
Dodi Vionanda, M.Si,
Ph.D

PROGRAM STUDI STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU
PENGETAHUAN ALAM UNIVERSITAS NEGERI
PADANG
2023
 1.Penyusunan Model Regresi Linear Berganda
Analisis regresi merupakan salah satu metode dalam ilmu statistik yang digunakan untuk
melakukan prediksi ataupun melihat hubungan antara satu peubah terikat/respon dengan satu
atau lebih peubah bebas/penjelas.
Dalam kasus ini akan ditampilkan model regresi linear berganda untuk melihat hubungan antara
suatu peubah respon yaitu lemak tubuh (Yi BodyFat) dengan tiga peubah penjelas yaitu ketebalan
lipatan kulit trisep (Xi1 Triceps), lingkar paha (Xi2 Thigh) dan lingkar tengah lengan (Xi3 MidArm).
Bentuk umum model regresi linear berganda adalah:
Y i=β 0 + β 1 X 1 i+ β 2 X 2 i + β 3 X 3 i + ε i i=1,2 , .... ,n

Dimana:

Y i=lemak tubuhresponden ke−i

X 1 i=ketebalan lipatan kulit trisep responden ke−i
A. X 2 i=lingkaran paha responden ke Ketaklinearan

1. Akibat adanya Heteroskedastisitas

Asumsi Linier menganggap bahwa Error secara rata-rata bernilai 0. Ini

menyiratkan bahwa adanya ketergantungan nilai rata-rata bersyarat Y
terhadap Xs. Sebaliknya, jika asumsi linieritas dilanggar, artinya model
gagal menangkap pola hubungan yang sistematis antara respon dan
variabel penjelas.
Dalam hal ini, istilah nonlinier kita gunakan dalam artian luas. Sehingga,
jika asumsi linieritas terpenuhi maka kita juga menganggap hubungan
parsial antar dua variabel juga linier, meskipun dalam kenyataanya tidak
linier.
2. Memeriksa Gejala Nonlinieritas

Plot linier sederhana dapat kita gunakan untuk mendeteksi gejalan

nonlinieritas. Namun, plot linieritas sederhana tidak dapat membedakan
nonlinieritas monoton dan nonmonoton.
Untuk itu, Plot variabel tambahan bias dapat kita gunakan untuk
mendeteksi gejala nonlinieritas sekaligus melihat apakah suatu hubungan
bersifat monoton atau tidak. Namun, plot ii tidak cocok untuk mendeteksi
leverage dan data berpengaruh.
Plot variabel tambahan bias dapat digunakan jika:
 Pahami terlebih dahulu keadaan, apakah plot akan memberikan
kita informasi yang berguna atau tidak.
 Pahami apakah plot dapat memberikan kita tampilan yang efektif.

Plot variabel tambahan bias dapat mencerminkan nonlinier ketika tidak

ada hubungan yang kuat antara variabel penjelas dalam regresi.
3. Mengatasi Nonlinieritas

Kita dapat melakukan tranformasi variabel ataupun mengubah bentuk

model (misalnya, memasukkan suku kuadrat dalam variabel penjelas).
 KOLINEARITAS
Kolinearitas mengimplikasikan dua variabel merupakan kombinasi linier yang
hampir sempurna satu sama lain. Multikolinearitas melibatkan lebih dari dua
variabel. Dalam multikolinearitas, estimasi regresi tidak stabil dan memiliki
standar error yang tinggi.

Pemdeteksian Kolinearitas: VIF

Faktor inflasi varians mengukur inflasi dalam varian estimasi parameter karena
kolinearitas yang ada di antara para prediktor. Ini adalah ukuran seberapa besar
varians estimasi koefisien regresi βk “inflated” dengan adanya korelasi antar
variabel prediktor dalam model. VIF 1 berarti bahwa tidak ada korelasi antara
prediktor ke-k dan variabel prediktor yang tersisa, dan karenanya varian dari βk
tidak inflasi sama sekali. Aturan umumnya adalah bahwa VIF yang melebihi 4
memerlukan penyelidikan lebih lanjut, sedangkan VIF yang melebihi 10 adalah
tanda multikolinearitas serius yang memerlukan koreksi.

Langkah-langkah menghitung VIF:

- Regresi prediktor k pada sisa prediktor dalam model.

- Hitung 𝑅
𝑘
2

Toleransi

Persentase varian dalam prediktor yang tidak dapat

dipertanggungjawabkan oleh prediktor lain.

Langkah-langkah menghitung toleransi:

- Regresi prediktor k pada sisa prediktor dalam model.

- Hitung 𝑅𝑘2
 Indeks Kondisi

Sebagian besar pendekatan statistik multivariat melibatkan penguraian

matriks korelasi menjadi kombinasi linear variabel. Kombinasi linier dipilih
sehingga kombinasi pertama memiliki kemungkinan varians terbesar (tunduk
pada beberapa batasan yang tidak akan kita diskusikan), kombinasi kedua
memiliki varians terbesar berikutnya, asalkan tidak berkorelasi dengan yang
pertama, kombinasi ketiga memiliki kemungkinan terbesar varians, tunduk pada
yang tidak berkorelasi dengan yang pertama dan kedua, dan seterusnya. Varians
dari masing- masing kombinasi linier ini disebut nilai eigen. Kolinearitas
terlihat dengan menemukan 2 atau lebih variabel yang memiliki proporsi varian
yang besar (0,50 atau lebih) yang sesuai dengan indeks kondisi yang besar.
Aturan praktisnya adalah memberi label sebesar indeks kondisi tersebut dalam
kisaran 30 atau lebih besar.