NAMA : SINTA ASANAH

NPM : 10060119052
KELAS :B

Tugas 11 ANREG 2 Prosedur Hildert Lu dan pembedaan pertama

Perhatikan data di bawah ini :

No Xt Yt
1 1.77 55.265
2 2.08 64.36
3 1.94 61.042
4 1.73 56.315
5 1.99 62.234
6 1.65 52.825
7 1.78 55.966
8 2.05 62.363
9 2.47 72.724
10 1.66 51.327
11 2.09 61.871
12 1.53 46.69
13 2.26 64.964
14 2.17 63.263
15 1.7 49.881
16 2.46 69.09
17 1.87 53.418

Perhitungan gunakan SPSS dan Excel

Prosedur Hidert Lu

1. Buat model Regresi, hitung DW nya

Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 11.677 3.631 3.216 .006
Xt 24.250 1.841 .959 13.169 .000
a. Dependent Variable: Yt
 Diperoleh model regresi yaitu : Yt = b0 + b1 Xt

Yt = 11.677 + 24.250 Xt

Model Summaryb
Adjusted R Std. Error of Durbin-
Model R R Square Square the Estimate Watson
a
1 .959 .920 .915 2.060532 .264
a. Predictors: (Constant), Xt
b. Dependent Variable: Yt

Hipotesis

H0 : ρ = 0 ; Tidak terdapat autokorelasi

H1 : ρ ≠ 0 ; Terdapat autokorelasi

Taraf arti : α = 5%

Statistik uji

Nilai Durbin Watson = 0.264

Kriteria uji

Tolak H0 jika dU < DW < 4-dL

dU(α=0.05, k=1, n=17) = 1.1330

dL(α=0.05, k=1, n=17) = 1.3812  4-dL = 4 – 1.3812 = 2.6188

Kesimpulan

Karena 1.1330 > 0.264 < 2.6188 maka H0 ditolak yang artinya terdapat autokorelasi.

2. Hitung 𝜌̂= 1 – (DW/2)

Diketahui : nilai DW = 0.264

𝜌̂ = 1 – (DW/2)

𝜌̂ = 1 – (0.264/2)
 𝜌̂ = 0.868

Akan dicoba beberapa nilai ρ, yaitu ρ = 0.75, 0.80, 0.85, 0.90, dan 0.95.

3. Buat Model regresi dengan menggunakan nilai diseputaran 𝜌̂ , hitung MSE nya, pilih

yang terkecil itulah 𝜌̂ yang terpilih.

 Untuk ρ = 0.75

ANOVAa
Sum of Mean
Model Squares df Square F Sig.
1 Regression 1787.451 1 1787.451 2335.735 .000b
Residual 10.714 14 .765
Total 1798.165 15
a. Dependent Variable: Yt1
b. Predictors: (Constant), Xt1

Diperoleh nilai Means Square Residual (MSE) sebesar 0.765

 Untuk ρ = 0.80

ANOVAa
Sum of Mean
Model Squares df Square F Sig.
1 Regression 1887.184 1 1887.184 2874.455 .000b
Residual 9.192 14 .657
Total 1896.375 15
a. Dependent Variable: Yt2
b. Predictors: (Constant), Xt2

Diperoleh nilai Means Square Residual (MSE) sebesar 0.657

 Untuk ρ = 0.85

ANOVAa
Sum of Mean
Model Squares df Square F Sig.
1 Regression 1990.476 1 1990.476 3509.036 .000b
Residual 7.941 14 .567
Total 1998.417 15
a. Dependent Variable: Yt3
b. Predictors: (Constant), Xt3
 Diperoleh nilai Means Square Residual (MSE) sebesar 0.567

 Untuk ρ = 0.90

ANOVAa
Sum of Mean
Model Squares df Square F Sig.
1 Regression 2097.328 1 2097.328 4216.442 .000b
Residual 6.964 14 .497
Total 2104.292 15
a. Dependent Variable: Yt4
b. Predictors: (Constant), Xt4

Diperoleh nilai Means Square Residual (MSE) sebesar 0.497

 Untuk ρ = 0.95

ANOVAa
Sum of Mean
Model Squares df Square F Sig.
1 Regression 2207.741 1 2207.741 4938.293 .000b
Residual 6.259 14 .447
Total 2213.999 15
a. Dependent Variable: Yt5
b. Predictors: (Constant), Xt5

Diperoleh nilai Means Square Residual (MSE) sebesar 0.447 yang merupakan nilai

MSE terkecil di antara ρ sebelumnya.

Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) .152 .172 .884 .392
Xt5 25.944 .369 .999 70.273 .000
a. Dependent Variable: Yt5

Sehingga model regresi dengan menggunakan nilai diseputaran 𝜌̂ dan memiliki MSE

terkceil yaitu ρ = 0.95.

 Yt = 0.152 + 25.955 Xt

4. kembalikan ke model awal.

Diketahui bahwa nilai α = 0.152 dan Sα = 0.172, maka diperoleh :

b = 0.152 / [1-0.95] = 3.04

Sα = 0.172 / [1-0.95] = 3.44

Model awal :

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 3.04 3.44 .884 .392
Xt5 25.944 .369 .999 70.273 .000

Model regresi awal :

Yt = 3.04 + 25.944 Xt

5. Uji keberartian koefisien regresinya

 Uji keberartian koefisien regresi untuk constant (b0)

Hipotesis

H0 : ρ = 0 ; Koefisien regresi tidak berarti

H1 : ρ ≠ 0 ; Koefisien regresi berarti

Taraf arti : α = 5%

Statistik uji

P-value = 0.392

Kriteria uji

Tolak H0 jika pvalue < α

 Kesimpulan

Karena 0.392 > 0.05 maka H0 diterima yang artinya koefisien regresi tidak

berarti

 Uji keberartian koefisien regresi untuk constant (b1)

Hipotesis

H0 : ρ = 0 ; Koefisien regresi tidak berarti

H1 : ρ ≠ 0 ; Koefisien regresi berarti

Taraf arti : α = 5%

Statistik uji

P-value = 0.000

Kriteria uji

Tolak H0 jika pvalue < α

Kesimpulan

Karena 0.000 < 0.05 maka H0 ditolak yang artinya koefisien regresi berarti

Metode Pembedaan Pertama

1. Buat model Regresi Y atas X

Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 11.677 3.631 3.216 .006
Xt 24.250 1.841 .959 13.169 .000
a. Dependent Variable: Yt
 Diperoleh model regresi yaitu : Yt = b0 + b1 Xt

Yt = 11.677 + 24.250 Xt

2. Buat Transformasi Y* dan X* dengan menggunakan 𝜌̂ = 1

Coefficientsa
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -.278 .161 -1.721 .107
Xt_1 25.939 .347 .999 74.690 .000
a. Dependent Variable: Yt_1

Diperoleh model regresi yaitu : Yt* = b0 + b1 Xt*

Yt* = -0.278 + 25.939 Xt*

3. Buat modelnya, tanpa b0 (noconstan)

Coefficientsa,b
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 Xt_1 25.931 .369 .998 70.224 .000
a. Dependent Variable: Yt_1
b. Linear Regression through the Origin

Diperoleh model regresi yaitu : Yt* = b1 Xt*

Yt* = 25.931 Xt*

4. Hitung b0 nya, kembalikan ke model awal.

Diketahui :

33.2
𝑋̅ = = 1.95
17

1003.598
𝑌̅ = = 59.04
17

Maka diperoleh :
 𝑏0 = 𝑌̅ − [𝑏1 𝑋̅] = 59.04 − [25.931 × 1.95] = 8.40

Sehingga,, model aslinya adalah :

Yt = 8.40 + 25.931 Xt

5. Uji keberartian koefisien regresinya

 Uji keberartian koefisien regresi untuk constant (b1)

Hipotesis

H0 : ρ = 0 ; Koefisien regresi tidak berarti

H1 : ρ ≠ 0 ; Koefisien regresi berarti

Taraf arti : α = 5%

Statistik uji

P-value = 0.000

Kriteria uji

Tolak H0 jika pvalue < α

Kesimpulan

Karena 0.000 < 0.05 maka H0 ditolak yang artinya koefisien regresi berarti