Pengujian Pada Regresi Ganda (13-14)

Analisis Regresi 1
Pokok Bahasan
Pengujian pada Regresi
Ganda
Model Regresi Linier Berganda

Model Regresi Linier Berganda,
dengan k peubah penjelas :
Y 0 1X1 2 X 2 k Xk
Parameter regresi sebanyak k+1 diduga
melalui data. Untuk regresi berganda,
perhitungannya menjadi lebih mudah jika
dilakukan dengan matriks dan dibantu dengan
menggunakan komputer
Itasia & Y Angraini, Dep. Statistika FMIPA-IPB
Model Regresi Linier Berganda

Dugaan Persamaan Regresi Linier
Berganda, dengan k peubah penjelas :
y i b0 b1x1i b 2 x 2i bk x ki
ASUMSI : Hubungan setiap peubah
penjelas dengan peubah
responnya LINIER (pangkat X1
sampai Xk adalah satu)
Ringkasan Regresi Linier

Berganda
Model Regresi Berganda dengan k peubah

penjelas :
Y 0 1X1 2 X 2 k Xk
Model umum Regresi Berganda dengan k

peubah penjelas dan n amatan dalam notasi
matriksn :y1 n X k 1 k 1 1 n 1
1
b
(
X
'
X
)
y
( k 1) (k 1) X'n
(
k
1
)
1
(
k
1
)
Dugaan bagi parameter Regresi Berganda:
n 1
Ringkasan Regresi Linier

Berganda
lanjutan
Nilai ramalan
y Xb H y
H X( X' X) 1 X'
Matriks dugaan ragam peragam bagi b :

V (b0 )
cov(b0 , b1 ) ....... cov(b0 , bk )
....... cov(b1 , bk )
cov(b1 , b0 ) V (b1 )
1 2
V (b)
X
'
X
s
...
...
...
cov(b , b ) cov(b , b ) ............V (b )

k
0
k
1
k
Dugaan simpangan baku

c (j1)(j1)
b j c( j 1)( j 1) s
dengan :
s2 = KT sisaan
unsur ke j 1 diagonal matriks ( X' X) 1
PENGUJIAN
MODEL
Uji t
Uji F
Uji Parameter
Regresi Linier Berganda : uji-t
Uji-t dimaksudkan untuk menguji pengaruh setiap

peu-bah penjelas secara satu per satu terhadap
peubah responnya
Model Regresi Berganda dg k peubah penjelas :
Y 0 1X1 2 X 2 k Xk
H0 : j 0
Peubah penjelas Xj tidak berhubungan linier dg Y
H1 : j 0
Peubah penjelas Xj berhubungan linier dg Y
atau j 0
atau j 0
Peubah penjelas Xj berhubungan linier positif dg Y

Peubah penjelas Xj berhubungan linier negatif dg Y
Uji Parameter
lanjutan
Model Regresi-nya: Y 0 1X1 2 X 2 k Xk

Hipotesis :
Statistik uji-nya :
1.
H 0 : 1 0
bj j
H 1 : 1 0
t hit
, sb j c( j 1)( j 1) s
atau 1 0
sb j
atau 1 0
k.
H0 : k 0
H1 : k 0
atau k 0
atau k 0
Derajat bebasnya = n k - 1
Unsur ke (j+1) diagonal (XX)-1
Akar dari KT sisaan
k = banyaknya peubah penjelas
Uji Parameter
lanjutan
Kaidah Keputusan : untuk i = 1, 2, ., k

H0: i 0
H1: i < 0
H0: i 0
H1: i > 0
H0: i = 0
H1: i 0
-t
tolak H0 jika t < -tn-2,
t
Tolak H0 jika t > tn-2,
/2
-t/2
/2
t/2
Tolak H0 jika t < -tn-2,

atau t > tn-2,
Uji Parameter
lanjutan
Interpretasi hasil keputusan : i = 1, 2,

., k
H0:
H1:
TOLAK
H 0:
TERIMA
H 0:
i 0
i < 0
Peubah penjelas Xi
berpengaruh
nyata thdp peubah
respon Y secara
linier dan
hubungannya
Peubah
negatif penjelas Xi
tidak berpengaruh
negatif thdp
peubah respon Y
secara linier
H0:
H1:
i 0
i > 0
Peubah penjelas Xi
berpengaruh
nyata thdp peubah
respon Y secara
linier dan
hubungannya
Peubah
positif penjelas Xi
tidak berpengaruh
positif thdp
peubah respon Y
secara linier
H0:
H1:
i = 0
i 0
Peubah penjelas Xi
berpengaruh nyata
thdp peubah
respon Y secara
linier
Peubah penjelas Xi
tidak berpengaruh
nyata thdp peubah
respon Y secara
linier
berpengaruh = memiliki hubungan
Uji Parameter
lanjutan
CONTOH : DATA TEKANAN DARAH
Orang Tekanan Ukuran
Mero
Umur
ke
Darah Tubuh
kok
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
135
122
130
148
146
129
162
160
144
180
166
138
152
138
140
134
2,876
3,251
3,1
3,768
2,979
2,79
3,668
3,612
2,368
4,637
3,877
4,032
4,116
3,673
3,562
2,998
45
41
49
42
54
47
60
48
44
64
59
51
64
56
54
50
Orang Tekanan Ukuran

Mero
Umur
ke
Darah Tubuh
kok
0
0
0
0
1
1
1
1
1
1
1
1
0
0
1
1
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
145
142
135
142
150
144
137
132
149
132
120
126
161
170
152
162
3,36
3,024
3,171
3,401
3,628
3,751
3,296
3,21
3,301
3,017
2,789
2,956
3,8
4,132
3,962
4,01
49
46
57
56
56
58
53
50
54
48
43
43
63
63
62
65
1
1
0
0
1
0
0
0
1
1
0
1
0
1
0
0
Data di samping adalah

data yg diambil secara
acak dari 32 orang usia
di atas 40 tahun di
Bogor. Ukuran tubuh
adalah besaran quatelet
index=100 (bobot
badan / tinggi badan2).
Merokok adalah p
Ingin
diketahui peubah
boneka.
apa saja dari peubahpeubah tsb yg
mempengaruhi tekanan
darah secara linier
Uji Parameter
lanjutan
PLOT MASING-MASING PEUBAH PENJELAS VS TEKANAN DARAH
Matrix Plot of Tekanan Darah vs Ukuran Tubuh; Umur; Merokok
40
50
60
180
Tekanan Darah
170
160
150
140
130
120
2,4
3,2
4,0
Ukuran Tubuh
0,0
Umur
0,5
Merokok
1,0
Plot di samping
menunjukkan
bahwa :
1. Ukuran tubuh memiliki hub linier
positif dg tek darah
2. Umur memiliki hub
linier pos dg
tekanan darah
3. Stat merokok memiliki hub lin positif dg tek darah
Uji Parameter
lanjutan
OUT PUT MINITAB : DATA TEKANAN

DARAH
Regression Analysis: Tekanan Darah versus Ukuran

Tubuh; Umur; Merokok
The regression equation is

Tekanan Darah = 50,5 + 12,8 Ukuran Tubuh + 0,848
Umur + 9,11 Merokok
Predictor
Constant
Ukuran Tubuh
Umur
Merokok
Coef
50,54
12,841
0,8481
9,113
SE Coef
11,19
4,256
0,2928
2,805
T
4,52
3,02
2,90
3,25
t tabel : t
0,683
P
0,000
0,005
0,007
0,003
28; 0,025
KEPUTUSAN:
Ke-3 p.penjelas nyata tolak H0. = 5%
KESIMPULAN:
KESIMPULAN:
Ukuran tubuh,
umur, dan status
merokok :
Memiliki hub linier
dengan tek. darah
Uji Parameter
(lanjutan)
Untuk j=1 t hit = 3.02 tolak H0

/2=.025
/2=.025
KESIMPULAN :
-tn-4,/2
Tolak H0
tn-4,/2
Terima H0
-0,683
d.b. = 32 3-1 = 28
Tolak H0
0,683
t28,.025 = 0,683
1. Cukup bukti untuk mengatakan

bahwa ada hub linier antara ukuran
tubuh dan tekanan darah
bahwa ada hub linier antara umur
dan tekanan darah
bahwa ada hub linier antara status
merokok dan tekanan darah
Uji Parameter
Regresi Linier Berganda : uji-F
Dengan uji F ini kita dapat mengetahui :
peubah-peubah penjelas yang ada dalam model
berpengaruh secara serempak terhadap respon
atau tidak.
Penambahan satu peubah penjelas ke dalam model
setelah peubah penjelas lainnya ada dalam model
berpengaruh nyata atau tidak terhadap respon
Penambahan sekelompok peubah penjelas ke
dalam model setelah peubah penjelas lainnya ada
dalam model berpengaruh nyata atau tidak
terhadap respon
Uji Parameter Regresi Linier Berganda :

uji-F untuk model keseluruhan
H 0 : 1 2 ... k 0
H1 : min ada satu j 0,
Sumber
Keragaman
b1, b2,..,bk|
b0
Sisaan
Total
(terkoreksi)
Derajat
Bebas
(db)
n-k-1
n-1
H0 : peubah respon tidak

memp hub linier dg
j 1,2,....., k
peubah penjelas ke-1 s.d
ke-k
Jumlah Kuadrat
Kuadra
H1 :
t
(JK)
Tengah peubah respon
memp hub linier
JK(KT)
Regresi
dg min 1 peubah
k
bXY
penjelas ke-1 s.d
Y11Y/n
JK sisaan
ke-k
YY bXY
YY Y11Y/n
KRITERIA PENOLAKAN Tolak

:
n k - 1
Fhit
H 0 jika F Fk,n k 1,
KTregresi
KTsisaan
Uji Parameter Regresi Linier Berganda :

lanjutan
OUT PUT MINITAB : DATA TEKANAN

DARAH
The regression equation is

Tekanan Darah = 50,5 + 12,8 Ukuran Tubuh + 0,848
Umur + 9,11 Merokok
S = 7,88677 R-Sq = 72,6% R-Sq(adj) = 69,6%
Analysis of Variance
Source
DF
SS
Regression
3
4610,3
Residual Error 28 1741,6
Total
31 6352,0
MS
1536,8
62,2
F
P
24,71 0,000
F tabel : F
(3,28), 5%
=2,95
H 0 : 1 2 ... k 0
H1 : min ada 1 j 0, j 1,2,.., k
KEPUTUSAN:
tolak H0.
= 5%
KESIMPULA
N:
Tekanan darah
memiliki
hubungan linier
dg min satu
peubah penjelas
Uji Parameter Regresi Linier

Berganda :
lanjutan
Statistik uji-nya:
H1 : min ada satu j 0, j 1,2,3 Fhit KTregresi 24,71
KTsisaan
H 0 : 1 2 3 0
F tabel : F
=2,95
Keputusan:
(3,28), 5%
Tolak H0
Kesimpulan:
= .05
Terima H0
F.05 = 2,95
Tolak H0
Cukup bukti untuk mengatakan

bahwa minimum ada satu peubah
penjelas yg berhubungan linier dg Y
Uji-F Parsial dan uji-F Sekuensial

PADA ANALISIS REGRESI LINIER BERGANDA :
Terhadap semua peubah penjelas yang tersedia :
Diuji peubah penjelas apa yg berpengaruh nyata thd respon.
Dari yang ada dalam model, usahakan yang dipakai hanya
peubah penjelas yang keberadaannya dalam model menyumbangkan keragaman kepada garis regresi cukup besar
Jika suatu peubah penjelas keberadaannya dalam model
sudah dapat diwakili oleh yg lainnya, maka peubah penjelas
tsb tidak perlu lagi digunakan dlm model
Lebih disenangi model yang memiliki banyaknya peubah
penjelas yang lebih sedikit.

lanjutan
Uji-F Parsial dapat dilakukan terhadap

semua koefisien regresi seolah-olah
peubah bersangkutan masuk ke
dalam persamaan paling akhir
Bila peubah dimasukkan satu per satu
secara bertahap kedalam suatu
persamaan regresi, maka dapat
dikatakan sebagai Uji-F sekuensial

lanjutan
MODEL LENGKAP dengan k+r PEUBAH PENJELAS

Model terdiri dari k peubah penjelas X dan r peubah penjelas Z
Y 0 1x1 k x k 1z1 r z r
Untuk melihat pengaruh r peubah penjelas tambahan
tsb dpt dilakukan sebagai berikut :
1. Model lengkap dengan k+r peubah penjelas,
dikeluarkan r peubah penjelas, dicek perubahan
pengaruhnya
2. Model belum lengkap (baru k peubah penjelas),
ditambah r peubah penjelas lainnya, dicek
perubahannya.
lanjutan
CARA PEUBAH BERADA DALAM MODEL
Y 0 1x1 2 x 2 3 x3 Y 0
Y 0
2 x 2 3 x 3 Y 0 1x1
Y 0 1x1
3 x 3 Y 0 1x1 1Z1
Y 0 1x1 2 x 2
Y 0 1x1 2 x 2 2 Z 2
Uji-F PARSIAL
Model dibangun dengan
mengeluar-kan satu peubah
penjelas yg akan diuji
pengaruhnya dari model lengkap.
Diuji pengaruhnya.
Uji-F SEKUENSIAL
Model dibangun dengan
menambah-kan satu persatu
peubah penjelas baru ke dalam
model.
Diuji pengaruhnya
Uji-F Parsial
Model lengkap : k+r peubah penjelas
Y 0 1x1 k x k 1z1 r z r
Model tidak lengkap : k peubah penjelas
TUJUAN: membandingkan JK sisa model lengkap

dengan JK sisa model tidak lengkap
H 0 : 1 2 r 0
H1 : minimal ada satu j 0 (j 1,..., r)
Tolak H 0 jika F
( JKs (r) - JKs ) / r

s e2
Fr, n k r 1, , s e2 KTsisa
Uji-F Parsial
lanjutan
LANGKAH-LANGKAH UJI-F PARSIAL

Lakukan analisis regresi thdp model lengkap dan hitung
JK sisa nya (JKs)
Lakukan analisis regresi thdp model tidak lengkap (data
tanpa peubah z, dengan banyaknya peubah yg dikeluarkan
sebanyak r), kemudian hitung JK sisa-nya (JKs (r))
Hitung nilai statistik F nya dan tentukan keputusannya

berdasarkan .
F
( JKs (r) - JKs ) / r

s e2
Uji-F Parsial
lanjutan
BANYAKNYA PEUBAH PENJELAS YG DIKELUARKAN =

1
MODEL LENGKAP
MODEL TDK
LENGKAP
YG KELUAR
Y 0 1X1 2 X 2 3X 3 Y 0 1X1 2 X 2
X3
Y 0 1X1 3X 3
X2
Y 0 2 X 2 3X 3
X1
k=2, r=1
JK sisa (JKs(r) )
JK sisa (JKs)
( JKs (r) - JKs ) / r

F3
s e2
KT sisa (se2)
Fr, n -k -r -1;
F3 untuk menguji pengaruh peubah penjelas X3 thdp Y

Uji-F Sekuensial
Penambahan satu peubah baru (r=1) ke model secara bertahap
Model
Lengkap
Y 0 1x1 k x k jz j , j 1,2,...
Y 0 1x1
k=1 ,
r=1
k=2 ,
r=1
k=3 ,
r=1
Y 0 1x1 1z1
H 0 : 1 0
H1 : 1 0
Y 0 1x1 2 x 2 2 z 2
H0 : 2 0
H1 : 2 0
Y 0 1x1 2 x 2 3 x 3 3 z 3
H 0 : 3 0
H1 : 3 0
JK(a | b1 , b 2 ,.., b k )
Tolak H 0 jika F
F1,n k 11,1-
KTsisa (b1 , b 2 ,.., b k , a )
Uji-F Sekuensial
lanjutan
F hitung dan KAIDAH KEPUTUSAN
JK( a1 | b1 )
F
KTsisa (b1 , a1 )
F tabel F(1,n 3), 1-
k=1 ,
r=1
H 0 : 1 0
H1 : 1 0
JK regresi EKSTRA
Y 0 1x1
Y 0 1x1 1z1
k=2 ,
r=1
JK(a2 | b1 , b 2 )
F
KTsisa ( b1 , b 2 , a2 ) H 0 : 2 0
Y 0 1x1 2 x 2
F tabel F(1,n 4 ), 1-
Y 0 1x1 2 x 2 2 z 2
Tolak H0 jika F
hit
H1 : 2 0
>F
tabel
Itasia
& Y Angraini, Dep. Statistika FMIPA-IPB
Uji-F Sekuensial
lanjutan
MENGHITUNG JK regresi EKSTRA

MODEL AWAL
MODEL SETELAH
PENAMBAHAN
Y 0 1x1 Y 0 1x1 1z1
JK ( b1 )
JK ( b1,a1 )
JK (a1 | b1 ) JK (b1 , a1 ) JK (b1 )

JK(a1 | b1 )
F
KTsisa (b1 , a1 )
F tabel F(1,n 3), 1-
KTsisa (b1,a1)
Contoh : Uji-F Sekuensial
Karena 8.1498 lebih besar daripada

F(1,12,0.95)=4.75, berarti penambahan
advertising ada manfaatnya
Uji F ini, biasanya disebut uji-F sekuensial

lanjutan
Jika kita memasukkan peubah advertising lebih

dulu, berapakah sumbangannya terhadap
model ?
Jika advertising sudah ada dalam persamaan,
berapa sumbangan peubah price jika
kemudian peubah ini dimasukkan ke dalam
persamaan regresi ?

lanjutan
Contoh lain: uji-F sekuensial

lanjutan
Suhu plat pembungkus dan jarak plat pembungkus dalam
mesin pembungkus sabun mempengaruhi persentase
sabun terbungkus yang lolos inspeksi.
Hipotesis Linier Umum

Hipotesis linier biasanya muncul dari pengetahuan
pene-liti dan dugaannya tentang model-model
yang mungkin
Model regresi yg ingin
digunakan
Peneliti curiga modelnya :
Y 0 1X1 2 X 2 Y 0 (X1 - X 2 )
Y 0 X1 X 2
1 2 H 0 : 1 2 H 0 : 1 2 0
HIPOTESIS LINIER
H1 : 1 2 0
Hipotesis Linier Umum

lanjutan
Model:
kXk
E[Y] = 0 + 1X1 + 2X2 + +
Bentuk Umum Hipotesis Linier

H0 : c10 0 + c11 1 + c12 2 + + c1k k =
0,
c20 0 + c21 1 + c22 2 + + c2k k =
0,
Dalam Notasi
Matriks
H0 : C 0
H1 : C 0
cm0 0 hipotesis
+ cm1 1+ cm2ini
2 ada
+ +m
cmkfungsi
k =
Dalam
linier yang
0.
tersusun atas 0, 1, 2, ,k yang belum tentu
semuanya bebas
Pengujian Hipotesis Linier Umum
Misalkan C adalah matriks berukuran mp, dan rank(C) =

r
Full model: Y = X +
JK sisa ( FM ) Y ' Y ' X ' Y ,
(db n - p)
Reduced model: y = Z + , Z adalah matriks n(p-r) dan

adalah vektor berukuran (p-r) 1
( Z ' Z ) 1 Z ' y
JK sisa ( RM ) Y ' Y ' Z ' Y ,
(db n - p r )
Pengujian Hipotesis Linier Umum

lanjutan
JKH = JKRes(RM) JKRes(FM) dengan d.b sebesar r.
JKH adalah jumlah kuadrat yang berasal dari

hipotesis
H0: C = 0
Statistik
' C '[C ( X ' X ) 1 C ' ]1 C / r
JK H Uji
/r :
F
~ Fr ,n p atau F
JK Re s ( FM ) /( n p )
JK sisa ( FM ) /(n p )
1
d) / r
H0: C
(C=
dd)'[v.s.
C ( XH
' X1:) C
C ' ]1 (d
Cmaka
F
~ Fr ,n p
JK sisa ( FM ) /( n p)
Regresi pada kasus terjadi

multikolinier
MULTIKOLINIERITAS
Masalah multikolinieritas terjadi pada regresi

berganda jika peubah-peubah X saling berkorelasi.
Hal ini akan mempengaruhi ragam dari dugaan

koefisien regresi
Peubah X yang dianggap penting kemungkinan akan

tidak signifikan
Pendugaan dari koefisien regresi menjadi tidak

benar, misalnya koefisien memiliki tanda negatif
padahal dalam hubungan X dan Y sebenarnya
adalah positif

lanjutan
multikolinier
Bagaimana cara mendeteksi

multikolinieritas?
Periksa korelasi antar peubah penjelas X
Hitunglah nilai Variance Inflation Factor (VIF)

dimana : VIF = (1-Rj2)-1.
Rj2 adalah R-kuadrat dari regresi dimana
Xj merupakan peubah respon dan peubah
X lainnya menjadi predictor.
Jika VIF lebih besar dari 10 biasanya ada masalah

multikolinieritas.

lanjutan
multikolinier
Bagaimana cara mengatasi

multikolinieritas?
Jika kita ingin memilih variabel X dimana hanya X

yang signifikan akan memasuki model
Gunakan prosedur penyeleksian variabel,
seperti forward, backward, stepwise
Jika kita ingin mempertahankan konfigurasi

variabel X yang akan memasuki model
Gunakan metode estimasi diluar metode

kuadrat terkecil, seperti Ridge Regression,
Principal Component Regression, Partial Least
Square

Pengujian Pada Regresi Ganda (13-14)

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Pengujian Pada Regresi Ganda (13-14)

Diunggah oleh

Hak Cipta:

Format Tersedia

Analisis Regresi 1

Model Regresi Linier Berganda

Model Regresi Linier Berganda

Ringkasan Regresi Linier

Model Regresi Berganda dengan k peubah

Model umum Regresi Berganda dengan k

Itasia & Y Angraini, Dep. Statistika FMIPA-IPB

Ringkasan Regresi Linier

Matriks dugaan ragam peragam bagi b :

cov(b , b ) cov(b , b ) ............V (b )

Dugaan simpangan baku

Itasia & Y Angraini, Dep. Statistika FMIPA-IPB

Uji-t dimaksudkan untuk menguji pengaruh setiap

Peubah penjelas Xj tidak berhubungan linier dg Y

Peubah penjelas Xj berhubungan linier dg Y

Itasia & Y Angraini, Dep. Statistika FMIPA-IPB

Peubah penjelas Xj berhubungan linier positif dg Y

Model Regresi-nya: Y 0 1X1 2 X 2 k Xk

Itasia & Y Angraini, Dep. Statistika FMIPA-IPB

Kaidah Keputusan : untuk i = 1, 2, ., k

Itasia & Y Angraini, Dep. Statistika FMIPA-IPB

Tolak H0 jika t < -tn-2,

Interpretasi hasil keputusan : i = 1, 2,

Itasia & Y Angraini, Dep. Statistika FMIPA-IPB

berpengaruh = memiliki hubungan

Orang Tekanan Ukuran

Itasia & Y Angraini, Dep. Statistika FMIPA-IPB

Data di samping adalah

Itasia & Y Angraini, Dep. Statistika FMIPA-IPB

OUT PUT MINITAB : DATA TEKANAN

Regression Analysis: Tekanan Darah versus Ukuran

The regression equation is

Itasia & Y Angraini, Dep. Statistika FMIPA-IPB

Untuk j=1 t hit = 3.02 tolak H0

Untuk j=3 t hit = 3.25 tolak H0

1. Cukup bukti untuk mengatakan

Itasia & Y Angraini, Dep. Statistika FMIPA-IPB

Uji Parameter Regresi Linier Berganda :

H0 : peubah respon tidak

KRITERIA PENOLAKAN Tolak

Uji Parameter Regresi Linier Berganda :

OUT PUT MINITAB : DATA TEKANAN

The regression equation is

Itasia & Y Angraini, Dep. Statistika FMIPA-IPB

Uji Parameter Regresi Linier

Itasia & Y Angraini, Dep. Statistika FMIPA-IPB

Cukup bukti untuk mengatakan

Uji-F Parsial dan uji-F Sekuensial

Uji-F Parsial dan uji-F Sekuensial

Uji-F Parsial dapat dilakukan terhadap

Itasia & Y Angraini, Dep. Statistika FMIPA-IPB

Uji-F Parsial dan uji-F Sekuensial

MODEL LENGKAP dengan k+r PEUBAH PENJELAS

Uji-F Parsial dan uji-F Sekuensial

CARA PEUBAH BERADA DALAM MODEL

TUJUAN: membandingkan JK sisa model lengkap

( JKs (r) - JKs ) / r

LANGKAH-LANGKAH UJI-F PARSIAL

Hitung nilai statistik F nya dan tentukan keputusannya

( JKs (r) - JKs ) / r

BANYAKNYA PEUBAH PENJELAS YG DIKELUARKAN =

( JKs (r) - JKs ) / r

F3 untuk menguji pengaruh peubah penjelas X3 thdp Y