b0 = intersep y
b1 = slope
∈ = error term
Contoh garis regresi yang mungkin terjadi
Jika dalam penelitian digunakan data sampel maka akan
didapatkan persamaan regresi yang diestimasi (estimated
regression equation)
Persamaan
b0 = intersep y
Regresi yang b1 = slope
Diestimasi 𝑦" = estimator titik dari E (y)
𝑦" dibaca “y hat”
PROSES ESTIMASI REGRESI LINEAR SEDERHANA
Rumus untuk Perhitungan Intersep dan Slope untuk
Persamaan Regresi Estimasi
atau
𝑥𝑖
= nilai variabel independen untuk observasi ke-i
𝑦𝑖 = nilai variabel dependen untuk observasi ke-i
𝑥̅ = rata-rata nilai variabel independen
𝑦" = rata-rata nilai variabel dependen
𝑛 = jumlah observasi
Tidak ada multikolinieritas: korelasi antar variabel
independent.
Untuk kasus ini variabel independen hanya satu jadi
tidak perlu dilakukan
Pengujian
Tidak boleh ada autokorelasi: terjadinya korelasi antara
asumsi regresi satu data dengan data lain dalam satu variabel.
Pelnggaran ini terjadi pada data time series
Tidak boleh terjadi heteroskedastisitas yaitu varian
error tidak konstan
Contoh
Berikut adalah data jumlah mahasiswa dan penjualan
kuartalan (tiap 3 bulan) di 10 sampel restoran Pizza Armand
yang berlokasi di dekat kampus
error
error
B. Hitunglah prediksi penjualan kuartalan jika
sebuah kampus memiliki 16000 mahasiswa?
Intrepertasi:
90,27% dari variabilitas dalam penjualan dapat dijelaskan
oleh hubungan linear antara ukuran populasi siswa dan
penjualan
Menggunakan Uji t
standard error Model regresi linier sederhana adalah:
dari estimasi
untuk menguji
hubungan yang Jika x dan y memiliki hubungan linier, kita memiliki β1≠ 0
signifikan antara Tujuan dari uji ini adalah untuk melihat apakah kita dapat
x dan y. menyimpulkan bahwa β1≠ 0
Kita akan menggunakan data sampel untuk menguji
hipotesis berikut untuk parameter β1
Standar Deviasi
Bentuk distribusi
Nilai harapan dari b1 adalah sama dengan β1,
sehingga b1 adalah estimator yang tidak bias untuk
β1.
Karena kita tidak mengetahui nilai σ, kita
mengembangkan perkiraan untuk σb1 dilambangkan
dengan sb1, dengan memperkirakan/mengestimasi σ
dengan s b1 dalam persamaan:
Statistik Uji
Jika hipotesis nol benar, maka β1 = 0, dengan demikian
ATURAN PENOLAKAN
Pendekatan nilai probabilitas (p-value):
Tolak H0 jika nilai probabilitas (p-value) ≤ α
Maka
Statistik Uji:
Interval
Kepercayaan = estimasi titik (point estimation)
untuk β1 = marjin error
Contoh: kita ingin membuat 99% estimasi interval
kepercayaan β1 untuk Armand Pizza Parlors
Jika:
; α = 1 – 0,99 = 0,01
Derajat kebebasan = n – 2 = 10 – 2 = 8
α/2 = 0,01/2 = 0,005
t 0,005 = 3,355
5 ± 3,355 (0,5803)
5 ± 1,95
3,05 sampai 6,95
Pada α = 0,01 tingkat signifikansi, kita bisa menggunakan
selang kepercayaan 99% sebagai alternatif untuk
menggambar hipotesis pengujian kesimpulan untuk data
Armand Pizza Parlors.
Karena 0, tidak termasuk dalam interval kepercayaan (3,05-
6,95), kita dapat menolak H0 (β1 = 0) dan menyimpulkan
bahwa ada hubungan statistik yang signifikan antara
ukuran jumlah siswa dan penjualan kuartalan.
Interval kepercayaan dapat digunakan untuk menguji setiap
hipotesis dua sisi untuk β1.
Jika nilai hipotesis β1 terkandung dalam interval kepercayaan
maka kita tidak dapat menolak H0.
Jika nilai hipotesis β1 tidak terkandung dalam interval
kepercayaan maka kita dapat menolak H0.
Uji F
Distribusi probabilitas F juga dapat digunakan untuk menguji
signifikansi dalam regresi.
Dengan hanya satu variabel independen, uji F akan
memberikan kesimpulan yang sama dengan uji t
Jika uji t menunjukkan β1 ≠ 0 dan karenanya menunjukkan
hubungan yang signifikan, uji F juga akan menunjukkan
hubungan yang signifikan.
Jika terdapat lebih dari satu variabel independen, hanya uji F
dapat digunakan untuk menguji hubungan yang signifikan
secara keseluruhan.
Hipotesis
Statistik Uji
Ringkasan uji F
untuk signifikansi
dalam regresi linier Aturan penolakan
sederhana Pendekatan nilai prob:
Tolak H0 jika nilai probabilitas ≤ α
Pendekatan nilai kritis:
Tolak H0 jika nilai F hitung ≥ Fα
14.200
Contoh: Armand Pizza Parlors 𝑀𝑆𝑅 =
1
𝑀𝑆𝑅 = 14.200
Jika hipotesis nol (H0: β1= 0) benar, MSR dan MSE adalah dua
perkiraan independen untuk σ2 dan distribusi sampling dari
MSR / MSE mengikuti distribusi F dengan pembilang
(numerator) derajat kebebasan sama dengan satu dan
penyebut derajat kebebasan sama dengan n - 2.
Oleh karena itu, ketika β1= 0, nilai MSR / MSE harus mendekati
satu.
Namun, jika hipotesis nol (H0: β1≠ 0) adalah salah, MSR akan
meningkatkan nilai σ2 dan nilai MSR / MSE akan meningkat;
Dengan demikian, nilai-nilai besar MSR / MSE menyebabkan
penolakan H0 dan kesimpulannya adalah hubungan antara x
dan y signifikan secara statistik.
Contoh: uji F untuk Armand Pizza Parlors. Statistik ujinya adalah
Latihan