�1 −
𝛽𝛽 �1 +
< 𝛽𝛽0 < 𝛽𝛽
• Regresi = suatu model yang menunjukkan sebab akibat antara 𝑆𝑆𝑥𝑥 �(𝑛𝑛 − 1) 𝑆𝑆𝑥𝑥 �(𝑛𝑛 − 1)
peubah terikat Y dengan peubah bebas.
• Regresi linier sederhana adalah regresi antara satu peubah terika (2,306)(7,01) (2,306)(7,01)
Y dengan satu peubah X. 10,4181 − < 𝛽𝛽0 < 10,4181 +
Rumus: 3,027�(10 − 1) 3,027�(10 − 1)
Y= β0 + β1X + ε
𝟖𝟖, 𝟔𝟔𝟔𝟔 < 𝜷𝜷𝟏𝟏 < 𝟏𝟏𝟏𝟏, 𝟏𝟏𝟏𝟏
Keterangan:
d. Rumuskan hipotesis
β0 = parameter intercept
β1= parameter koefisien regresi
X= peubah bebas, bukan peubah acak, nilainya dianggap fix atau
tetap.
ε = galat, peubah acak yang tidak dapat diamati
1 1 60 1 60 3600 20.25
e. Koefisien diterminasi
Persamaan regresi Y= 10,41x + 50
2
c. Pendugaan selang 95 % untuk intercept dan slope. Rumus: No X Y 𝑌𝑌� �𝑌𝑌 − 𝑌𝑌�� (𝑦𝑦 − 𝑦𝑦�)2
�0 = 𝑦𝑦� − 𝛽𝛽�𝚤𝚤 𝑥𝑥̅
𝛽𝛽 1 1 60 60.41 0.1681 2237.29
= 107,3 −10,41 (5,5)
= 107,3 – 57,255 2 2 75 70.82 17.4724 1043.29
=50,045 ≈ 50 (Intercept)
3 3 81 81.23 0.0529 691.69
𝑛𝑛(∑ 𝑥𝑥𝑖𝑖 𝑦𝑦𝑖𝑖 ) − (∑ 𝑥𝑥𝑖𝑖 )(∑ 𝑦𝑦𝑖𝑖 ) 4 4 97 91.64 28.7296 106.09
𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 =
𝑛𝑛 ∑ 𝑥𝑥𝑖𝑖2 − (∑ 𝑥𝑥𝑖𝑖 )2
(10)(6761)−(55)(1073) 5 5 96 102.05 36.6025 127.69
= (10)(385)−(55)2 6 6 117 112.46 20.6116 94.09
= 8595 = 10,418
825 7 7 112 122.87 118.1569 22.09
Dari table xi = 55, xi2 = 385, yi=1073, yi2 = 124481 8 8 126 133.28 52.9984 349.69
9 9 144 143.69 0.0961 1346.89
10(385) − 552
𝑆𝑆𝑥𝑥2 = = 9,16 10 10 165 154.1 118.81 3329.29
10(10 − 1)
Jumlah 55 1073 393.6985 9348.1
10(124481) − 10732
𝑆𝑆𝑦𝑦2 = = 1038,67 Rataan 5.5 107.3
10(10 − 1)
�2 𝑆𝑆 2 �
𝐽𝐽𝐽𝐽𝐽𝐽 = (𝑛𝑛 − 1)�𝑆𝑆𝑦𝑦2 − 𝛽𝛽 Koefisien determinan ini
1 𝑥𝑥
= (10 − 1)�1038,7 − (10,418)(9,2)� = 8485,68 menunjukkan bahwa
393,6985 95.8% tekanan darah
(𝑛𝑛 − 1) 2 �2 2 =1− dapat dijelaskan oleh
9348,1
𝑆𝑆𝑒𝑒2 = �𝑆𝑆 − 𝛽𝛽1 𝑆𝑆𝑥𝑥 � = 1 − 0,0421 konsumsi garam.
(𝑛𝑛 − 2) 𝑦𝑦
(10−1)
= (10−2) �1038,7 − (108,5 × 9,2)� = 49,21 = 0,9579 ≈ 0,958
𝟑𝟑𝟑𝟑, 𝟗𝟗𝟗𝟗 < 𝜷𝜷𝟏𝟏 < 𝟔𝟔𝟔𝟔, 𝟎𝟎𝟎𝟎 Penduga titik bagi y jika x = 5 adalah 𝑦𝑦� = 50 + 10,4181(5) = 102,09
1 (5 − 5,5)2 1 (5 − 5,5)2
102,09 − 𝑡𝑡0,025 (7,01)� + < 𝜇𝜇𝑌𝑌𝑌𝑌5 < 102,09 + 𝑡𝑡0,025 (7,01)� +
10 (10 − 1)9,16 10 (10 − 1)9,16
1 (5 − 5,5)2 1 (5 − 5,5)2
102,09 − 2,306(7,01)� + < 𝜇𝜇𝑌𝑌𝑌𝑌5 < 102,09 + 2,306(7,01)� +
10 (10 − 1)9,16 10 (10 − 1)9,16
96,89 < 𝜇𝜇𝑌𝑌𝑌𝑌5 < 107,28
1 (5 − 5,5)2 1 (5 − 5,5)2
102,09 − 𝑡𝑡0,025 (7,01)�1 + + < 𝜇𝜇𝑌𝑌𝑌𝑌5 < 102,09 + 𝑡𝑡0,025 (7,01)�1 + +
10 (10 − 1)9,16 10 (10 − 1)9,16 Interpretasi:
1 (5 − 5,5)2 1 (5 − 5,5)2 Saat ibu lebih banyak mengonsumsi sayur dibandingkan daging
102,09 − 2,306(7,01)�1 + + < 𝜇𝜇𝑌𝑌𝑌𝑌5 < 102,09 + 2,306(7,01)�1 + +
10 (10 − 1)9,16 10 (10 − 1)9,16 diperkirakan peluang memperoleh anak dengan jenis kelamin
𝟖𝟖𝟖𝟖, 𝟏𝟏𝟏𝟏 < 𝝁𝝁𝒀𝒀𝒀𝒀𝒀𝒀 < 𝟏𝟏𝟏𝟏𝟏𝟏, 𝟎𝟎𝟎𝟎 perempuan 96,15431% (dibulatkan menjadi 96,2%) atau ibu yang
lebih banyak mengonsumsi sayur, 96,15431% memperoleh anak
perempuan.
• Regresi linier berganda adalah model regresi antara satu peubah
Y dengan dua atau lebih peubah X.
Interpretasi scatter plot:
Penduga dari E(Y|X).
Nilai dari E(Y|X) atau mean bersyarat dari Y pada X akan paling
kecil 0 dan paling besar 1 (0
Selanjutnya didefinisikan: .
g(x) = ln = +
𝜮𝜮𝒅𝒅 = 𝒅𝒅(𝒙𝒙, 𝒚𝒚) = �(𝒙𝒙 − 𝒚𝒚)𝟏𝟏 (𝒙𝒙 − 𝒚𝒚) Untuk memperoleh dan yang memaksimumkan L , kita
dan =0.29463
Regresi logistik dengan dua peubah bebas atau lebih disebut regresi
logistik berganda. Untuk p peubah bebas modelnya:
)=
Interpretasi
dan fungsi logitnya g(x)=
Penduga koefisien diperoleh 𝛽𝛽0= 1,114, 𝛽𝛽1=2,739, dan 𝛽𝛽2= -1,030,
namun karena hanya konsumsi makan ibu yang berpengaruh nyata,
maka regresi logistik harus diulang hanya dengan memasukan Tabel t untuk regresi linier, intercept
konsumsi ibu. Tabel f untuk anova
Tabel z untuk probabilitas