Anda di halaman 1dari 29

Regresi Linier Berganda

1
Asumsi Analisis Regresi Linier

1. Data Y berskala minimal interval


Data X berskala minimal nominal
(jika data X berskala nominal / ordinal
harus menggunakan bantuan variabel
dummy)
2. Existensi untuk setiap nilai dari variabel x
yang tetap, y adalah variabel random
dengan distribusi probabilitas tertentu
yang mempunyai mean dan varians.
2
Asumsi Analisis Regresi Linier

3. Nilai y secara statistik saling bebas


4. Linieritas, nilai rata-rata y adalah sebuah
fungsi garis lurus dari x
5. Homoscedasticity. Varians dari y adalah
sama pada beberapa x
6. Distribusi normal pada beberapa nilai
tertentu x, y mempunyai distribusi normal

3
Asumsi Analisis Regresi Linier

4
Asumsi Analisis Regresi Linier

5
Regresi Linier Berganda
Model regresi linier berganda melibatkan lebih dari satu variabel
bebas. Modelnya :
Y 0 1 X 1 2 X 2 ... k X k
Dimana
Y = variabel terikat
Xi = variabel bebas ( i = 1, 2, 3, , k)
0 = intersep
i = koefisien regresi ( i = 1, 2, 3, , k)
Model penduganya adalah

Y b0 b1 X 1 b2 X 2 ... bk X k

6
Regresi Linier Berganda

Misalkan model regresi dengan kasus 2 peubah


bebas X1 dan X2 maka modelnya :
Y 0 1 X 1 2 X 2
Sehingga setiap pengamatan X 1i , X 2i ; Yi ; i 1, 2 ,...,n
Akan memenuhi persamaan
Y 0 1 X 1 2 X 2 i

7
Menaksir Koefisien Regresi
Dengan Menggunakan Matriks

Dari hasil Metode Kuadrat Terkecil didapatkan


persamaan normal :

nb0 b1 X1i b2 X 2i ... bk X ki Yi

b0 X1i b1 X1i b2 X1i X 2i ... bk X1i X ki X1iYi


2

..

b0 X ki b1 X ki X1i b2 X ki X 2i ... bk X ki X kiYi


2

8
Menaksir Koefisien Regresi
Dengan Menggunakan Matriks

Tahapan perhitungan dengan matriks :


1. Membentuk matriks A, b dan g

n X1i X 2i ... X ki

X1i X1i X 2i X1i X ki
2
X 1i ...
A
... ... ... ... ...

X ki X ki X1i X ki X 2i X ki
2
...

9
Menaksir Koefisien Regresi
Dengan Menggunakan Matriks

b0 g 0 Yi
b
b 1
g g 1 X 1iYi
... ...

bk g k X kiYi

10
Menaksir Koefisien Regresi
Dengan Menggunakan Matriks

2. Membentuk persamaan normal dalam


bentuk matriks
Ab=g

3. Perhitungan matriks koefisien b


b = A-1 g

11
Metode Pendugaan Parameter
Regresi
Dengan Metode Kuadrat Terkecil, misalkan model terdiri dari 2
variabel bebas
n n
ei Yi b0 b1 X1i b2 X 2i
2 2

i 1 i 1
Tahapan pendugaannya :
1. Dilakukan turunan pertama terhadap b0 , b1 dan b2

ei
2

2Yi b0 b1 X 1i b2 X 2i
b0

ei
2

2Yi b0 b1 X 1i b2 X 2i X 1i
b1

ei
2

2Yi b0 b1 X 1i b2 X 2i X 2i
12 b2
Metode Pendugaan
Parameter Regresi
2. Ketiga persamaan hasil penurunan disamakan
dengan nol
nb0 b1 X i1 b2 X i 2 Yi
b0 X1i b1 X i1 b2 X1i X i 2 X1iYi
2

b0 X 2i b1 X i1 X 2i b2 X i 2 X 2iYi
2

13
Metode Pendugaan
Parameter Regresi
3. Nilai b1 dan b2 dapat diperoleh dengan memakai
aturan-aturan dalam matriks
n 2
n
n n
X 2 X 1Y X 1 X 2 X 2Y
b1 i 1 i 1 i 1 i 1
2

n 2 n n

X 1 X 2 X 1 X 2
2

i 1 i 1 i 1
n 2 n n n
X 1 X 2Y X 1 X 2 X 1Y
b2 i 1 i 1 i 1 i 1
2

n 2 n n

X 1 X 2 X 1 X 2
2

i 1 i 1 i 1
b0 Y b1 X1 b2 X 2
14
Uji Kecocokan Model

1. Dengan Koefisien Determinasi


JKR
R
2
JKT
R2 menunjukkan proporsi variasi total dalam respon Y
yang dapat diterangkan oleh model

R2 r
r merupakan koefisien korelasi antara Y dengan
kelompok X1 , X2 , X3 , , Xk
15
Uji Kecocokan Model

2. Dengan Pendekatan Analisis Ragam


Tahapan Ujinya :
1. Hipotesis =
H0 : 0
H1 : 0
dimana
= matriks [ 0, 1, 2, , k ]

16
Uji Kecocokan Model

2. Tabel Analisis Ragam


Komponen SS db MS Fhitung
Regresi
Regresi JKR k JKR / k JKR /k
s2
Galat JKG n k 1 s2 = JKG / n-k-1
Total JKT n1

17
Uji Kecocokan Model

3. Pengambilan Keputusan

H0 ditolak jika Fhitung > Ftabel(1 , n-k-1)


pada taraf kepercayaan

18
Uji Parsial Koefisien Regresi

Tahapan Ujinya :
1. Hipotesis =
H0 : j 0
H1 : j 0
dimana j merupakan koefisien yang akan
diuji

19
Uji Parsial Koefisien Regresi

2. Statistik uji :
bj j
t
s c jj
Dimana :
bj = nilai koefisien bj
s = JKG / n k 1
cjj = nilai matriks A-1 ke-jj
20
Uji Parsial Koefisien Regresi

3. Pengambilan keputusan

H0 ditolak jika thitung > t /2(db= n-k-1)


pada taraf kepercayaan

21
Pemilihan Model Terbaik

1. All Possible Regression


Tahapan pemilihan :
i. Tuliskan semua kemungkinan model regresi dan
kelompokkan menurut banyaknya variabel
bebas
ii. Urutkan model regresi menurut besarnya R2
iii. Periksalah untuk setiap kelompok apakah
terdapat suatu pola variabel yang konsisten
iv. Lakukan analisa terhadap kenaikan R2 pada tiap
kelompok
22
Pemilihan Model Terbaik
Contoh :
Akan dianalisis model regresi yang terdiri dari 4 variabel bebas
Pembagian kelompoknya
Y 0 Kelompok A terdiri dari koefisien intersep
Y 0 i X i Kelompok B terdiri dari 1 variabel bebas
Y 0 i X i j X j
Kelompok C terdiri dari 2 variabel bebas
Y 0 i X i j X j k X k
Kelompok D terdiri dari 3 variabel bebas
Y 0 1 X 1 2 X 2 3 X 3 4 X 4
Kelompok E terdiri dari 4 variabel bebas

23
Pemilihan Model Terbaik
Persamaan regresi yang menduduki posisi utama
dalam setiap kelompok adalah

Kelompok Model Regresi R2


B Y = f(X4) 67,5%
C Y = f(X1 , X2) 97,9%
Y = f(X1 , X4) 97,2%
D Y = f(X1 , X2 , X4) 98,234%
E Y = f(X1 , X2 , X3, X4) 98,237%
Persamaan terbaiknya adalah Y = f(X1 , X4)
24
Pemilihan Model Terbaik

2. Backward Elimination Procedur


Tahap pemilihannya :
i. Tuliskan persamaan regresi yang mengandung
semua variabel
ii. Hitung nilai t parsialnya
iii. Banding nilai t parsialnya
a. Jika tL < tO maka buang variabel L yang menghasilkan
tL, kemudian hitung kembali persamaan regresi tanpa
menyertakan variabel L
b. Jika tL > tO maka ambil persamaan regresi tersebut

25
Pemilihan Model Terbaik
Contoh :
Akan dianalisis model regresi yang terdiri dari 4 variabel bebas
Model regresi yang mengandung semua variabel bebas
Y 0 1 X 1 2 X 2 3 X 3 4 X 4
Persamaan Regersi t parsial F
Y = f(X1,X2,X3,X4) 157,266*
Model terbaiknya
X1 4,337*
Y = f(X1,X2)
X2 0,497*
X3 0,018
X4 0,041*
Y = f(X1,X2,X4) 166,83*
X1 154,008*
X2 5,026*
X4 1,863
26 Y = f(X1,X2) 229,5*
Pemilihan Model Terbaik
3. Stepwise Regression Procedur
Tahap pemilihannya :
i. Hitung korelasi setiap variabel bebas terhadap variabel Y.
Variabel bebas dengan nilai korelasi tertinggi masukkan dalam
model regresi (syarat uji F menunjukkan variabel ini
berpengaruh nyata)
ii. Hitung korelasi parsial setiap variabel bebas tanpa
menyertakan variabel bebas yang telah mauk model.
Masukkan variabel bebas dengan korelasi parsial tertinggi ke
dalam model
iii. Hitung nilai t parsial variabel yang telah masuk model, jika
tidak berpengaruh nyata keluarkan dari model
iv. Kembali ke langkah ii
27
Pemilihan Model Terbaik

Contoh :
Akan dianalisis model regresi yang terdiri dari 4 variabel
bebas

28
Model Variabel Korelasi t parsial F
riy 0,731
r2y 0,816
r3y -0,535
r4y -0,821
Y = f(X4) 22,798*
Model terbaik r1y.4 0,915
r2y.4 0,017
Y = f(X1 , X2)
r3y.4 0,801
Y = f(X1,X4) 176,627*
r2y.14 0,358 X1 = 108,223*
r3y.14 0,320 X4 = 159,295*
Y = f(X1, X2,X4) 166,832*
X1 = 154,008*
X2 = 5,026*
X4 = 1,863
r3y.124 0,002
29
Y = f(X1, X2) 229,504*