Regresi Linier Sederhana Tke

ANALISIS REGRESI 1
Pokok Bahasan :
REGRESI LINIER
SEDERHANA
Model Regresi Linier Sederhana
(yang hubungannya linier ordo x=1 )
Linier dalam parameter

Sederhana = banyaknya peubah bebas/penjelas hanya satu
Hubungan antara X dan Y dinyatakan dalam fungsi linier/ordo 1
Perubahan Y diasumsikan karena adanya perubahan X
Model populasi regresi linier sederhana yang hubungannya linier
(selanjutnya cukup sebut regresi linier sederhana) :
Y 0 1x
Dengan :
0 dan 1 adalah parameter regresi
adalah sisaan/galat (peubah acak)
Y adalah peubah tak bebas (peubah acak)
X adalah peubah bebas yang nilainya diketahui
dan presisinya sangat tinggi (bukan peubah acak)
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Interpretasi dan Asumsi
Parameter Model

Asumsi Model Regresi Linier
Bentuk hubungannya linear (Y merupakan fungsi linier

dari X, plus sisaan yang acak)
Sisaan i adalah peubah acak yang bebas thdp nilai x
Sisaan merupakan peubah acak yang menyebar Normal
dengan rataan 0 dan memiliki ragam konstan, 2
(sifat ragam yang konstan/homogen ini disebut homoscedasticity)
E[ i ] 0 dan E[ i ] 2 untuk (i 1, , n)
2
Sisaan i, tidak berkorelasi satu dengan yang lainnya,

sehingga E[ ] 0 , i j atau cov[ , ] 0 , i j
i j i j

Interpretasi Parameter Model
Regresi Linier Sederhana
Model Regresi Linier Sederhana (populasi) :

Peubah tak Intersep Y Koefisien Peubah bebas/ Sisaan/
bebas/ kemiringan Peubah penjelas galat
populasi
populasi
Peubah respon
Y 0 1X
Komponen linier (fix) Komponen acak
Y : peubah tak bebas/respon merupakan peubah acak dengan pusat/

nilai harapan di 0 1X dan ragam 2

Interpretasi Parameter Model
Regresi Linier Sederhana
(lanjutan)
Y Y 0 1X
Nilai
pengamatan Y yi
untuk Xi
i Slope = 1
Nilai Sisaan/galat
E[Y | xi ]
harapan/rataan untuk xi
Y untuk xi
yi 0 1xi i
Intersep = 0 yi E[Y | xi ] i
E[Y | x i ] 0 1 xi
xi X
Model Regresi Linier
Sederhana (contoh)
Dugaan bagi persamaan garis regresi :
Y ^
Nilai
Y b 0 b1x
pengamatan Y yi
untuk Xi
ei Slope = b1
Nilai dugaan
Sisaan/galat
E [Y | xi ]
bagi nilai untuk xi
harapan Y
untuk xi yi b0 b1 xi ei

Intersep = b0 ei y i yi
y i b
0 b1 xi
xi X
Persamaan Garis Regresi
Linier Sederhana
Persamaan garis regresi linier sederhana merupakan
dugaan bagi garis regresi linier sederhana populasi
Nilai dugaan Dugaan bagi
Dugaan bagi
y pada kemiringan garis
intersep 0
pengamatan regresi 1
ke - i
Nilai x pada
yi b0 b1x i pengamatan
ke - i
Galat individu ei mempunyai rataan sebesar nol
ei (yi - y i ) yi - (b0 b1xi )

Metode Kuadrat Terkecil
b0 dan b1 adalah dugaan bagi parameter regresi 0
dan 1 yang didapat salah satunya dengan cara
meminimumkan jumlah kuadrat galat (JKG).
Galat/sisaan = selisih antara y dan y Metode
Kuadrat Terkecil (MKT) :
min JKG min i

e 2
min i i
(y y ) 2
min i 0 1 i
[y (b b x )] 2
Teknik kalkulus digunakan untuk mendapatkan nilai bo

dan b1 sedemikian hingga meminimumkan JKG
Metode Kuadrat Terkecil
(lanjutan)
Penduga bagi koefisien kemiringan garis 1 ialah:

Koefisien
SXY Korelasi
n Pearson
(x i x)(y i y)
S XY sY
b1 i 1
n
rxy
i
S XX sX
(x x) 2
i 1
SXX
Penduga bagi intersep 0 ialah:
b0 y b1x
Garis regresi selalu melalui titik x, y

Asumsi
Metode Kuadrat Terkecil (MKT)
Kondisi Gauss - Markov
Agar penduga bagi parameter regresi yang

didapatkan dengan menggunakan MKT merupakan
penduga yang baik maka sisaan/galat harus
memenuhi kondisi Gauss-Markov berikut ini :
1. E[ i ] 0 nilai - harapan/ra taan sisaan nol
2. E[ i ] 2
2
ragam sisaan homogen untuk setiap nilai x
( homoscedas ticity )
3. E[ i j ] 0, i j i dan j saling bebas

Mengukur Keragaman
Total Keragaman disebabkan oleh dua bagian ini :
JKT JKR JKG

Jumlah Jumlah Kuadrat Jumlah Kuadrat
Kuadrat Total = Regresi + Galat/Sisaan
JKT (yi y) 2 JKR (yi y)2 JKG (yi yi ) 2
dengan:
y = nilai rata-rata peubah tak bebas Y
yi = nilai pengamatan ke-i peubah tak bebas Y
yi = nilai dugaan y untuk suatu nilai xi
Ukuran Keragaman
(lanjutan)
JKT = Jumlah Kuadrat Total

Mengukur keragaman nilai yi di sekitar nilai
rataannya y
JKR = Jumlah Kuadrat Regresi
Menjelaskan keragaman karena adanya hubungan
linier antara x dan y
JKS = jumlah Kuadrat Sisa
Menjelaskan keragaman yang disebabkan oleh
faktor-faktor selain faktor hubungan linier x dan y

Ukuran Keragaman
(lanjutan)
Y
yi
2 y
JKG = (yi - yi )
_
JKT = (yi - y)2

yi _ 2
_ JKR = (yi y ) _
y y
xi X
Derajat Bebas Jumlah Kuadrat
Ukuran keragaman adalah ragam

Jumlah Kuadrat (JK)
Ragam
derajat bebas (db)
Derajat bebas bagi JK Sisaan n - 2
Derajat bebas bagi JK Regresi 1

Tabel Sidik Ragam
Sumber Derajat Jumlah Kuadrat
Keragaman Bebas Kuadrat Tengah
(db) (JK) (KT)
y y
n
2 JK Regresi
Regresi 1 i
1
i 1
n
yi yi JK sisaan S2,
2
Sisaan n-2 n 2 jika
i 1
model
y y
n nya
Total 2
n-1 i pas
(terkoreksi) i 1
Pada analisis regresi ini tentunya diharapkan JK regresi lebih besar

dari JK sisaan sehingga dapat dikatakan bahwa keragaman nilai y
disebabkan oleh perubahan nilai x.

Penduga bagi Ragam Sisaan/galat
Penduga bagi ragam eror/sisaan dari model populasi

adalah : n
Dengan asumsi
bahwa
i
e 2
JKS i 1
modelnya s KTsisaan
2 2

n2 n2
pas/cocok e
Dibagi dengan n 2 bukan dengan n 1 karena model

regresi linier sederhana menggunakan 2 penduga
parameter yaitu, b0 dan b1, bukan satu.
s e s e2 adalah penduga simpangan baku

Excel Output
Regression Statistics
Multiple R 0.76211 se 41.33032
R Square 0.58082
Adjusted R Square 0.52842
Standard Error 41.33032
Observations 10
ANOVA
df SS MS F Significance F
Regression 1 18934.9348 18934.9348 11.0848 0.01039
Residual 8 13665.5652 1708.1957
Total 9 32600.5000
Coefficients Standard Error t Stat P-value Lower 95% Upper 95%

Intercept 98.24833 58.03348 1.69296 0.12892 -35.57720 232.07386
Luas Lantai 0.10977 0.03297 3.32938 0.01039 0.03374 0.18580

Perbandingan Galat Baku
se mengukur keragaman penyimpangan nilai
pengamatan y terhadap garis regresi
Y Y
s e kecil X s e besar X
The magnitude of se should always be judged relative to the size

of the y values in the sample data

0 1
0 Pengujian Hipotesis
Terhadap
Slope dan Intersep
Diperlukan asumsi bahwa i menyebar Normal
i ~ N ( 0,2 )

Ragam Koefisien Kemiringan Garis
Regresi (b1)
Ragam dari koefisien kemiringan garis regresi

(b1) diduga sbb :
2 2
s s
s b1
2 e
e
(x i x) (n 1)s x
2 2
dengan:
s b1 = dugaan simpangan baku kemiringan garis regresi
SSE
se = akar KTG = akar Kuadrat Tengah Galat = dugaan
n2 simpangan baku sisaan
Membandingkan Simpangan Baku
Koefisien Kemiringan Garis Regresi (b1)
Sb1 mengukur keragaman koefisien kemiringan garis

regresi dari berbagai contoh (set data) yang mungkin.
Y Y
X X
Sb1 kecil Sb1 besar

Excel Output
Multiple R 0.76211
R Square 0.58082
Adjusted R Square 0.52842
Standard Error
Observations
41.33032
10
sb1 0.03297
ANOVA
Regression 1 18934.9348 18934.9348 11.0848 0.01039
Residual 8 13665.5652 1708.1957
Total 9 32600.5000

Intercept 98.24833 58.03348 1.69296 0.12892 -35.57720 232.07386
Luas Lantai 0.10977 0.03297 3.32938 0.01039 0.03374 0.18580

Inferensia Koefisien Kemiringan Garis
Regresi (b1): t Test
Pada model regresi linier sederhana :
Uji t untuk koefisien kemiringan garis regresi populasi (1)
Apakah ada hubungan linier antara X dan Y?
Hipotesis Nol dan hipotesis tandingan
H0: 1 = 0 (tidak ada hubungan linier antara X dan Y)
H1: 1 0 (ada hubungan linier antara X dan Y)
dengan:
b1 1
Uji Statistik t b1 = koefisien kemiringan regresi
sb1
1 = kemiringan yg dihipotesiskan
d.b. n 2 sb1 = simpangan baku kemiringan

Contoh Inferensia
Koefisien Kemiringan Garis (b1): t Test
(lanjutan)
Harga Rumah Luas Lantai

(Rp.juta) (m2)
Dugaan persamaan garis regresi:
(y) (x)
245 1400 harga rumah 98.25 0.1098 (luas lantai)
312 1600
279 1700
308 1875 Koefisien kemiringan garis pada
199 1100 model ini adalah 0.1098
219 1550
405 2350 Apakah luas lantai mempengaruhi
324 2450 harga jual?
319 1425
255 1700

Contoh Inferensia
Koefisien Kemiringan Garis (b1): uji t
b1 s b1
H0: 1 = 0 Output dari Excel
H1: 1 0 Coefficients Standard Error t Stat P-value
Intercept 98.24833 58.03348 1.69296 0.12892
Luas lantai 0.10977 0.03297 3.32938 0.01039
b1 1 0.10977 0
t t 3.32938
sb1 0.03297

Contoh Inferensia
(lanjutan)
Statistik Uji-nya : t = 3.329
b1 s b1 t
H0: 1 = 0 output dari Excel :
Intercept 98.24833 58.03348 1.69296 0.12892
d.b. = 10-2 = 8 Luas lantai 0.10977 0.03297 3.32938 0.01039
t8,.025 = 2.3060
Keputusan : Tolak H0
a/2=.025 a/2=.025
Kesimpulan :
Cukup bukti untuk mengatakan
Tolak H0 Terima H0 Tolak H0
-tn-2,/2 0 tn-2,/2 bahwa luas lantai
-2.3060 2.3060 3.329 mempengaruhi harga jual
Contoh Inferensia
(lanjutan)
Nilai peluang P = 0.01039
H0: 1 = 0 Excel output:
Intercept 98.24833 58.03348 1.69296 0.12892
Luas Lantai 0.10977 0.03297 3.32938 0.01039
Ini adalah uji dua arah, Keputusan: P-value < jadi

jadi p-valuenya adalah Tolak H0
P(t > 3.329)+P(t < -3.329) Kesimpulan:
= 0.01039 Cukup bukti untuk mengatakan
bahwa luas lantai
(db. 8)
mempengaruhi harga rumah
Ragam Intersep Garis Regresi (b0)
Ragam dari intersep garis regresi (b0) diduga

sbb :
x
2 2
s
s 2 e i
n (x i x)
b0 2
Keterangan:
s b 0 = dugaan simpangan baku intersep garis regresi
SSE
se = akar KTG = akar Kuadrat Tengah Galat = dugaan
n2 simpangan baku sisaan
Inferensia Intersep Garis Regresi (b0):
t Test
Pada model regresi linier sederhana :
Uji t untuk intersep garis regresi populasi (0)
Apakah ada nilai Y yang tidak dapat dijelaskan oleh x?
Hipotesis Nol dan hipotesis tandingan
H0: 0 = 0 (semua nilai Y dapat dijelaskan oleh x)
H1: 0 0 (ada nilai Y yg tidak dapat dijelaskan oleh x)
dengan:
b0 0
Statistik uji t b0 = intersep garis regresi
s b0
0 = intersep yg dihipotesiskan
d.b. 1 sb0 = dugaan simp. baku intersep

Contoh Inferensia
Intersep Garis Regresi (b0): t Test
(lanjutan)
Harga Rumah Luas Lantai Dugaan persamaan garis regresi:

(Rp. Juta) (m2)
(y) (x)
harga rumah 98.25 0.1098 (luas lantai)
245 1400
312 1600
279 1700
308 1875 Intersep garis pada model ini adalah 98.25
199 1100 Apakah ada harga rumah yang tidak dapat
219 1550 dijelaskan oleh luas lantai?
405 2350
324 2450
Apakah ada harga rumah yang tidak
dipengaruhi oleh luas lantai?
319 1425
255 1700

Contoh Inferensia
Intersep Garis Regresi (b0): uji-t
b0 s b0
Intercept 98.24833 58.03348 1.69296 0.12892
Luas Lantai 0.10977 0.03297 3.32938 0.01039
b 0 0 98.24833 0
t t 1.69296
s b0 58.03348

Contoh Inferensia
Intersep Garis Regresi (b0): uji-t
(lanjutan)
Statistik uji: t = 1.69296
b0 s b0 t
Intercept 98.24833 58.03348 1.69296 0.12892
d.b. = 1 Luas lantai 0.10977 0.03297 3.32938 0.01039
t1, .025 = 12,706

Keputusan: Terima H0
a/2=.025 a/2=.025
Kesimpulan :
Tidak cukup bukti untuk
Tolak H0 Terima H0 Tolak H0
-t1,/2 t1,/2 mengatakan bahwa : ada harga
0
-12.706 12.706 1.69296
rumah yang tidak dapat dijelaskan
Itasia & Y Angraini, Dep Statistika FMIPA - IPB oleh luas lantai
Uji F bagi parameter regresi :
Tabel Sidik Ragam
Sumber Derajat Jumlah Kuadrat Statistik uji-
Keragaman Bebas Kuadrat Tengah nya :
(db) (JK) (KT) KTRe gresi
Fhit
y
n
Regresi 2 JK Regresi
1 i y KTSisaan
(b1| b0) i 1 1
n

i i
y
y 2 JK sisaan Ragam Reg
Sisaan n-2
i 1 n 2 Ragam Sisaan
y
n
Total y
2 S2, jika
n-1 i 1
i
model-
(terkoreksi) nya pas
Statistik uji F tersebut memiliki derajat bebas db1=1 dan db2=n-2
Jika Fhit <1 KTRegresi < KTSisaan Ragam Regresi < Ragam Sisaan
pengaruh regresi tdk nyata pengaruh x tdk nyata b1 = 0 (tdk perlu
tabel)
Uji F bagi parameter regresi :
Tabel Sidik Ragam
(lanjutan)
Jika model yang kita pilih di awal ternyata tidak pas

1. Bolehkah kita menggunakan KT sisaan sebagai
penduga bagi ragam sisaan ?
2. Masih relevankah kita melakukan uji F ?
Agar uji F pada tabel Sidik Ragam dapat digunakan, maka
model yang dipilih harus pas. uji lack of fit atau periksa
pola sisaannya akan dibahas pada sub pokok bahasan
Kualitas Fitted Model Untuk sementara anggaplah model
yang kita pilih pas.

Contoh Uji F : data harga rumah
Excel Output
Multiple R 0.76211
KTR 18934.9348
R Square 0.58082 F 11.0848
Adjusted R Square 0.52842 KTG 1708.1957
Standard Error 41.33032
Observations 10 Db 1,8 P-value
untuk uji-F
ANOVA
Regression 1 18934.9348 18934.9348 11.0848 0.01039
Residual 8 13665.5652 1708.1957
Total 9 32600.5000

Intercept 98.24833 58.03348 1.69296 0.12892 -35.57720 232.07386
Luas Lantai 0.10977 0.03297 3.32938 0.01039 0.03374 0.18580

Contoh Uji F : data harga rumah
(lanjutan)
H0: 1 = 0 Statistik Uji:

H1: 1 0 KTR
F 11.08
a = .05 KTG
df1= 1 df2 = 8
Keputusan:
Nilai kritis: Tolak H0 dg a = 0.05
Fa = 5.32
a = .05 Kesimpulan:
Cukup bukti bahwa luas lantai
0 F mempengaruhi harga rumah
terima Tolak H0
H0 F.05 = 5.32
Perbandingan Tabel Sidik Ragam
Terkoreksi dan Tidak Terkoreksi
Keragaman Bebas (db) Kuadrat (JK) Tengah (KT)
y y H 0 : 1 0
n
2
Regresi JK Regresi
1 i
(b1| b0) i 1 1
n
H1 : 1 0
JK sisaan
y y i
2
Sisaan n-2
i 1
i
n 2 Sudah diku-
rangi dg fak-
y y
n tor koreksi ny
Total 2
n-1 i
(terkoreksi) i 1
H 0 : 0 1 0
Regresi 2 b1 xi yi b0 yi
H1 : min ada j 0,
n j 0,1
yi yi
2
Sisaan n-2
i 1
2
s Tidak bisa mem-
berikan jawaban
y
2
Total n i
apkh x berpe-
ngaruh/tidak
Kualitas Fitted Model
Apakah model regresi sudah cukup pas mewakili data?

Apakah model regresi cukup baik untuk model peramalan?

Tebaran titik amatan / scatter plot
Mana di antara
y gambargam- y
a.
bar ini yang mo- b.
delnya cukup
pas/sesuai ?
x x
Perlu diuji
y apakah model- y
c. nya sudah pas d.
atau belum
uji lack of fit
atau secara
eksploratif plot
x sisaan x

Tebaran titik amatan / scatter plot
y y
a. b.
Mana di antara
gambargambar ini
yang modelnya
x cukup baik untuk x
peramalan?
y y
c. d.
Perlu suatu besaran
yang dapat mengukur
jauh/dekatnya titik pe-
ngamatan thdp garis
regresi
x
x

Koefisien Determinasi, R2
Koefisien determinasi mengukur proporsi keragaman atau variasi

total di sekitar nilai tengah (Y) yang dapat dijelaskan oleh garis
regresi
secara grafis mengukur jauh/dekatnya titik pengamatan
thdp garis regresi
Koefisien determinasi juga disebut R-kuadrat dan dinotasikan
sebagai R2
R 2
JK Reg

( y y )
i
2
atau R 1
2 JK Sisa
JK Tot ( y y)
i
2
JK Total
CATATAN: 0 R2 1
Analisis Korelasi
Analisis korelasi digunakan untuk mengukur

kekuatan hubungan (hubungan linier) antara
dua peubah
Korelasi hanya khusus untuk kekuatan hubungan
Mengukur arah hubungan
Tidak berdampak pada sebab akibat

Analisis Korelasi
Koefisien korelasi populasi dinotasikan dengan

(huruf Greek rho)
Koefisien korelasi contoh adalah :
r
s xy
, s xy
(x x)(y
i i y)
sxsy n 1
Koefisien Pada Model Regresi Linier Sederhana
korelasi yg hub.nya linier :
Pearson R2 = r2 r = (tanda b1)

Uji Hipotesis untuk Korelasi
Untuk melakukan tes bahwa tidak ada

hubungan linier, Hipotesis nol nya :
H0 : 0
Statistik ujinya mengikuti sebaran t Student

dengan derajat bebas (n 2 )
r (n 2)
t
(1 r )2

Kaidah Keputusan
Uji Hipotesis untuk Korelasi
H0: 0 H0: 0 H0: = 0

H1: < 0 H1: > 0 H1: 0
a a/2 a/2
a
-ta ta -ta/2 ta/2
tolak H0 jika t < -tn-2, a Tolak H0 jika t > tn-2, a Tolak H0 jika t < -tn-2, a/2
atau t > tn-2, a/2
r (n 2)
dengan t , d.b n - 2
(1 r )
2
Interpretasi beberapa nilai r2
Y
r2 = 1 dapat diinterpretasikan
sbb. :
Adanya hubungan linier
yang tepat antara X dan Y:
X
r2 = 1 100% keragaman Y
Y dijelaskan oleh keragaman X
X
r2 =1
Y
0 < r2 < 1 dapat diinterpretasi-
kan sbb. :
Adanya hubungan linier yang

X lemah antara X dan Y:
Y Sebagian (tidak semuanya)

keragaman Y dijelaskan oleh
keragaman X
X
r2 = 0 dapat diinterpretasikan
Y sbb. :
Tidak ada hubungan linier
antara X dan Y:
Nilai Y tidak bergantung pada

X nilai X. (Tidak ada keragaman
r2 = 0
Y yang dapat diterangkan
oleh keragaman X)

Uji ketidakpasan model :
Tabel Sidik Ragam
Keragaman Bebas Kuadrat Tengah
(db) (JK) (KT)
y y
n
Regresi 2 JK Regresi
1 i
1
(b1| b0) i 1
n

i i
y
y 2 JK sisaan Statistik uji-
Sisaan n-2
i 1 n 2 nya :
Ketidakpasan db -db JK KM KTKM
model sisa GM
JKsisa JKGM KTKM
db KM
Fhit
KTGM
m m nj
nj m ( y ju y j ) 2
JK GM
Galat murni KTGM
j 1 j 1 u 1 db GM
y y
n
2
Total n-1 i
(terkoreksi) i 1

Langkah-langkah
Pemilihan Model yang Pas
1. Tentukan model, dapatkan dugaan persamaan garis regresinya,

susun tabel Sidik Ragam, jangan dulu melakukan uji F untuk
regresi keseluruhan
2. Lakukan uji ketidakpasan model.
Jika tidak ada ulangan, cek secara eksploratif : plot sisaan-nya
(akan dijelaskan pada pokok bahasan: Diagnosa Model).
Jika nyata : lanjut ke langkah 3
Jika tidak nyata : gunakan KT sisaan s2 sebagai dugaan bagi
Rag(Y) = 2 , lakukan uji F secara keseluruhan, hitung R2, perik-
sa asumsi untuk MKT melalui plot sisaan (Diagnosa Model)
3. Hentikan analisis, perbaiki modelnya (lihat pola plot sisaannya).

Data contoh Harga Rumah
Harga
Luas Lantai
Rumah
(m2) (X)
(Rp.juta) (Y)
245 1400
FILM :
312 1600
279 1700
MENGUJI
308 1875 KETIDAKPASAN MODEL
199 1100 dengan
219 1550 MENGGUNAKAN MINITAB
405 2350
324 2450
319 1425 Klik di sini
255 1700
Data contoh Harga Rumah
Harga Setelah diuji ketidakpasan modelnya,
Luas Lantai
Rumah ternyata model yang pas adalah Model
(m2) (X)
(Rp.juta) (Y) Regresi Linier Ordo 1. Selanjutnya kita
245 1400 lakukan pendugaan untuk model linier
312 1600 tsb. Sekaligus mendapatkan dugaan
garis regresinya
279 1700
308 1875
FILM :
199 1100
219 1550
Menduga Persamaan
405 2350 Regresi (Linier)
324 2450
319 1425
255 1700 Klik di sini
Selang Kepercayaan
bagi koefisien kemiringan b1
Selang kepercayaan bagi koefisien
kemiringan adalah :
b1 t n2,/2sb1 1 b1 t n2,/2sb1
d.b. = n - 2
Output Excel untuk contoh kasus harga rumah:
Intercept 98.24833 58.03348 1.69296 0.12892 -35.57720 232.07386
Luas Lantai 0.10977 0.03297 3.32938 0.01039 0.03374 0.18580
Pada tingkat kepercayaan 95%, selang kepercayaan

bagi koefisien kemiringan garis adalah (0.0337, 0.1858)
Selang Kepercayaan
bagi koefisien kemiringan b1
(lanjutan)
Intercept 98.24833 58.03348 1.69296 0.12892 -35.57720 232.07386
Luas Lantai 0.10977 0.03297 3.32938 0.01039 0.03374 0.18580
Selama satuan peubah tak bebas (harga rumah) dalam juta rupiah, kita
percaya 95% bahwa rata-rata pengaruh penambahan harga rumah
berada antara Rp. 0,03374 juta sampai dengan Rp.0,18580 juta setiap
penambahan satu m2 luas lantai
Selang kepercayaan 95% ini tidak memuat angka 0.

Kesimpulan : Ada hubungan linier yang nyata antara harga rumah
dengan luas lantai dengan tingkat nyata sebesar 95%

Peramalan
Dugaan persamaan garis regresi dapat

digunakan untuk memprediksi/meramal nilai
Y jika x diketahui (hati-hati hanya untuk x
yang berada dalam selang pengamatan)
Untuk suatu nilai, xn+1 , nilai prediksi bagi Y

adalah
y n1 b0 b1xn1

Memprediksi dengan menggunakan
persamaan garis regresi
Berapa kira-kira harga rumah yang luas lantainya
2000 m2 ! (2000 bukan titik pengamatan, namun
masih dalam selang pengamatan). interpolasi
harga rumah 98.25 0.1098 (luas lantai)

98.25 0.1098(2000)
317.85
Prediksi harga rumah dengan luas lantai

2000 m2 adalah Rp 317,85 juta
Selang data yang relevan
Ketika menggunakan garis regresi sebagai alat
untuk memprediksi, x yang boleh digunakan adalah
x yang nilainya dalam selang pengamatan
Selang yang relevan
450
Harga Rumah (juta Rp)
400
350
300
250
Sangat riskan
200 untuk melakukan
150 ekstrapolasi X di
100
luar selang
50
0
pengamatan
0 500 1000 1500 2000 2500 3000
Luas
Itasia & Y Angraini, Dep Statistika Lantai
FMIPA - IPB(m2)
Selang kepercayaan rataan
respon dan dugaan individu
Selang
kepercayaan
bagi rataan Y,
Y
y
untuk xi
y = b0 + b1 xi
Selang kepercaya-
an bagi nilai peng-
amatan y, untuk xi
Itasia & Y Angraini, Dep Statistika FMIPA - IPB xi X

Selang Kepercayaan bagi nilai harapan
Y, untuk suatu X
Selang kepercayaan bagi
dugaan nilai harapan/rataan y jika diketahui xi
Selang kepercayaan bagi E(Yn 1 | X n 1 ) :

1 (x n 1 x) 2
y n 1 t n 2,/2s e 2
n (x i x)
Perhatikan bahwa rumus tersebut mengandung (x n1 x)2
Jadi beragamnya lebar selang bergantung pada jarak

antara xn+1 terhadap nilai rataan, x
Selang Kepercayaan bagi
individu Y, untuk suatu nilai x
Selang kepercayaan individu y untuk suatu

nilai xi
Selang kepercayaan bagi y n 1 :

1 (x n 1 x) 2
y n 1 t n 2,/2s e 1 2
n (x i x)

Dugaan bagi Nilai Tengah/Rataan:
Contoh harga rumah
Selang kepercayaan bagi E(Yn+1|Xn+1)
Dapatkan selang kepercayaan 95% bagi rataan

harga rumah dengan luas lantai 2.000 m2

harga rumah yi = 317,85 (Rp. juta)
1 (x i x)2
y n1 t n-2,/2 se 317.85 37.12
n (x i x) 2
Selang kepercayaan 95% bagi rataan harga rumah

adalah dari Rp 280.660.000,- sampai Rp. 354.900.000,-

Dugaan bagi individu/respon:
contoh harga rumah

Selang kepercayaan bagi individu yn+1
Dapatkan selang kepercayaan 95% bagi respon individu

harga rumah untuk rumah dengan luas lantai 2.000 m2

yi = 317,85 (Rp. juta)
1 (Xi X)2
y n1 t n-1,/2se 1 317.85 102.28
n (Xi X) 2
Selang kepercayaan 95% bagi harga rumah dengan luas lantai

2000m2 ialah dari Rp 215.500.000,- sampai Rp 420.070.000,-.

Regresi Linier Sederhana Tke

Diunggah oleh

Informasi Dokumen

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

Regresi Linier Sederhana Tke

Diunggah oleh

Hak Cipta:

Format Tersedia

ANALISIS REGRESI 1

Linier dalam parameter

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Bentuk hubungannya linear (Y merupakan fungsi linier

Sisaan i, tidak berkorelasi satu dengan yang lainnya,

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Model Regresi Linier Sederhana (populasi) :

Y : peubah tak bebas/respon merupakan peubah acak dengan pusat/

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Galat individu ei mempunyai rataan sebesar nol

ei (yi - y i ) yi - (b0 b1xi )

min JKG min i

Teknik kalkulus digunakan untuk mendapatkan nilai bo

Penduga bagi koefisien kemiringan garis 1 ialah:

Garis regresi selalu melalui titik x, y

Agar penduga bagi parameter regresi yang

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Total Keragaman disebabkan oleh dua bagian ini :

JKT JKR JKG

JKT (yi y) 2 JKR (yi y)2 JKG (yi yi ) 2

JKT = Jumlah Kuadrat Total

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Ukuran keragaman adalah ragam

Derajat bebas bagi JK Sisaan n - 2

Derajat bebas bagi JK Regresi 1

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Pada analisis regresi ini tentunya diharapkan JK regresi lebih besar

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Penduga bagi ragam eror/sisaan dari model populasi

Dibagi dengan n 2 bukan dengan n 1 karena model

s e s e2 adalah penduga simpangan baku

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Coefficients Standard Error t Stat P-value Lower 95% Upper 95%

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

The magnitude of se should always be judged relative to the size

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Ragam dari koefisien kemiringan garis regresi

Sb1 mengukur keragaman koefisien kemiringan garis

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Coefficients Standard Error t Stat P-value Lower 95% Upper 95%

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Harga Rumah Luas Lantai

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Ini adalah uji dua arah, Keputusan: P-value < jadi

Ragam dari intersep garis regresi (b0) diduga

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Harga Rumah Luas Lantai Dugaan persamaan garis regresi:

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

t1, .025 = 12,706

Jika model yang kita pilih di awal ternyata tidak pas

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Coefficients Standard Error t Stat P-value Lower 95% Upper 95%

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

H0: 1 = 0 Statistik Uji:

Apakah model regresi sudah cukup pas mewakili data?

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Itasia & Y Angraini, Dep Statistika FMIPA - IPB

Koefisien determinasi mengukur proporsi keragaman atau variasi

Analisis korelasi digunakan untuk mengukur