Analisis Korelasi
1
Objektif Pembelajaran
Mengira persamaan garisan regressi mudah dari data
sampel, dan mentafsir kecerunan dan pintasan
persamaan tersebut.
Memahami kegunaan analisis residual didalam
menguji andaian disebalik analisis regressi dan
didalam menguji kepadanan garisan regressi terhadap
data.
Mengira ralat piawai penganggar dan mentafsir
maknanya.
Mengira pangkali keofisien dan tafsirannya.
Ujian hipotesis berkaitan kecerunan model regressi
dan mentafsir keputusannya.
Menganggar nilai Y mnggunakan model regressi.
Mengira keofisien korelasi dan mentafsirkannya.
2
Korelasi dan Regressi
3
Analisis Regressi Mudah
250
Bilangan Pekerja
200
150
100
50
0
0 20 40 60 80 100
Bilangan Katil
6
Model Regressi
Model Regressi Berketentuan (Deterministic)
Y = 0 + 1X
Y b0 b1 X
dimana :
b0 = pintasan sampel
b1 = kecerunan sampel
Y = nilai ramalan bagi Y
8
Analisis Kuasadua Terkecil
X Y
X X Y Y XY nXY XY n
b1
X X X n X
2 2 2 2
X X
2
Y X
b Yb X n b n
0 1 1
9
Analisis Kuasadua Terkecil
X Y
SSXY X X Y Y XY n
X X
2
X
X
2
SSXX
2
n
SSXY
b1 SSXX
Y X
b Y b X n b n
0 1 1
10
Bilangan Bilangan 2
X XY
Katil (X) Pekerja (Y)
23 69 529 1587
29 95 841 2755
29 102 841 2958
35 118 1225 4130
42 126 1764 5292
46 125 2116 5750
50 138 2500 6900
54 178 2916 9612
64 156 4096 9984
66 184 4356 12144
76 176 5776 13376
78 225 6084 17550
X= 592 Y= 1692 X = 3304 XY= 92038
2
11
X Y (592)(1692 )
SSXY XY - 92038 - 8566.00
n 12
X 2 (592) 2
SS XX X2 - 33044 - 3838.67
n 12
SS XY 8566.00
b1 2.232
SS XX 3838.67
b0
Y - b X 1692 - (2.232) 592 30.888
1 12
n n 12
Y 30.888 2.232X
12
Graf Garisan Regressi
Y 30.888 2.232X
30.888
13
Analisis Residual
14
Analisis Residual
Bilangan Bilangan Nilai Ramalan Residuals
Katil (X) Pekerja (Y) ( Y ) (Y Y)
23 69 82.24 -13.24
29 95 95.63 -0.63
29 102 95.63 6.37
35 118 109.02 8.98
42 126 124.64 1.36
46 125 133.56 -8.56
50 138 142.49 -4.49
54 178 151.41 26.59
64 156 173.73 -17.73
66 184 178.19 5.81
76 176 200.51 -24.51
78 225 204.97 20.03
15
(Y Y) 0.00
Geraf Excel Residual Contoh
Kakitangan Hospital
30
20
Residuals
10
0
-10 0 20 40 60 80 100
-20
-30
Bilangan Katil (X) 16
Plot Residual Tidak Linear
0 X
17
Ralat Varian Tidak Konstant
0 X
0 X
18
Ralat Tidak Bebas
0 X 0 X
19
Plot Residual yang Baik
0 X
20
Ralat Piawai Penganggaran
21
Ralat Piawai Penganggaran
Jumlah Kuasadua
Ralat 2
SSE Y Y
Y b0 Y b1 XY
2
SSE
Se n2
Ralat Piawai
Penganggaran
22
Menentukan SSE
Bilangan Bilangan Residual
(Y Y)
(Y Y ) 2
Katil (X) Pekerja (Y)
23 69 -13.24 175.22
29 95 -0.63 0.39
29 102 6.37 40.63
35 118 8.98 80.73
42 126 1.36 1.86
46 125 -8.56 73.30
50 138 -4.49 20.14
54 178 26.59 706.83
64 156 -17.73 314.31
66 184 5.81 33.74
76 176 -24.51 600.58
78 225 20.03 401.21
Jumlah Ralat Kuasadua SSE (Y Y) 2 2448.94 23
Jumlah Ralat Kuasadua Ralat Piawai Penganggar
YY
SSE
SSE
2
Se n 2
2448.94 2448.94
10
15.694
24
Pengkali Penentuan
25
Pengkali Penentuan
Y
2
SSYY Y Y Y
2
2
n
SSYY exp lained var iation un exp lained var iation
SSYY SSR SSE
SSR SSE
1
SSYY SSYY
2 SSR
r SSYY
SSE
1
SSYY
SSE
1
0 r 1
2
2
Y
Y n
2
26
SSE = 2448.6
Y 2
1692 2
SS YY Y 2 - 260136 - 25164
n 12
27
Ujian Hipotesis untuk Kecerunan
Model Regressi
28
Ujian Hipotesis untuk Kecerunan
Model Regressi
H 0: 1 0 t
b 1 1
S
H 1: 1 0
b
dimana : S S
b
e
SS XX
H 0: 1 0
SSE
S e
n2
H 1: 1 0 X
2
SSXX X
2
H 0: 1 0
n
1 kecerunan yang dihipotesi skan
df n 2
H 1: 1 0
29
Contoh
Ho: 1 = 0 b
t
1 1
Ha: 1 0 S b
dimana : S S
b
e
SS XX
SSE
Se n2
Langkah 2: Nilai
SSXX X
2 X
2
n
1 kecerunan yang dihipotesi skan
= 0.01 df n 2
30
Langkah 4: Peraturan Keputusan
31
Langkah 5: Data
Y 30.888 2.232X
Kecerunan sampel ialah b1 = 2.232
Se = 15.65
X = 592
X2 = 33044
n = 12.
32
Langkah 5: Nilai Ujian Statistik
X
2
SSXX X 2
-
n2
33044 -
592 3838.667 Langkah 6: Kesimpulan
12
SSE 2448.86
Se 15.65
n-2 10 Nilai t yang dikira dari kecerunan
sampel adalah lebih besar dari tc =
2.228, maka hipotesis nul dimana
Se 15.65 kecerunan populasi sifar adalah
Sb 0.2526
SS XX 3838.667 ditolak. Model regressi linear ini
menambah signifikan lebih
maklumat ramalan kepada model
b1 - 1 2.232 - 0
t 8.8361 Y (bukan regressi).
Sb 0.2526
33
Ujian Hipotesis untuk
Menguji Keseluruhan Model
34
Keoffisien regressi adalah kecerunan garisan regressi, ujian
F bagi signifikan keseluruhan adalah menguji perkara yang
sama sebagaimana ujian t di dalam regressi mudah.
SSreg dimana
dfreg = k
reg MSreg
df
F dferr = n k 1, dan
SSerr MSerr k = bilangan angkubah bebas
df
err
35
Contoh
Ho: 1 = 0
Ha: 1 0
SSreg
df reg MS reg
F
SSerr MSerr
Langkah 2: Nilai df
err
= 0.05
36
Langkah 4: Peraturan Keputusan
F0.025,1,10 6.94
1
F0.975,10,1
F0.025,1,10
0.025
2
1
6.94
0.144
F0.975,9,1 0.144 F0.025,1,9 = 6.94
ANOVA
df SS MS F Significance F
Regression 1 19115.06 19115.06 78.05 0.00
38
Langkah 5: Nilai Ujian Statistik
SSreg
df reg MS reg 19115.06
F 78.05
SSerr MSerr 244.89
df
err
Langkah 6: Kesimpulan
39
Penganggaran
40
Penganggaran Titik
Anggaran peramalan titik boleh dibuat dengan mengambil nilai X yang
tertentu, menggantikan nilai X ke dalam persamaan regressi, dan
menyelesaikan untuk X. Sebagai contoh, jika bilangan katil yang
adalah ialah 100 unit, apakah bilangan kakitangan yang diperlukan?
Persamaan regressi bagi contoh ini ialah,
Y 30.888 2.232X
untuk X 100, maka
1 X 0 - X
2
Y t /2,n -2 Se
n SS XX
dimana :
X o nilai X tertentu
SSXX
X - X X -
2 2
X 2
n
42
Untuk X0 = 100, maka nilai ialah Y = 254.088. Selang
keyakinan yang dikira untuk nilai purata Y, E(Y100), ialah
1 (100 49.33) 2
254.088 (2.228)(15 .65) 254.088 30.240
12 3838.667
223.85 E(Y100 ) 284.33
Y t ,n 2 Se
1
1
X0X 2
2 n SSXX
dimana : X0 nilai X tertentu
SSXX = X
2
X
2
n
44
Contoh
Selang keyakinan 95% boleh dikira untuk menganggar nilai tunggal
Y untuk X = 100.
X 49.33 Se 15.65
1 X 0 - X
2
Y t /2,n -2 Se 1
n SS XX
1 (100 49.33) 2
254.088 (2.228)(15.65) 1 254.088 46.154
12 3838.667
207.934 Y 300.242
45
Ukuran Persatuan
46
Pengkali Korelasi
SSXY
r
SSX SSY
X X Y Y
X X Y Y
2 2
XY
X Y 1 r 1
n
2
X
2
Y 2
Y
2
X n n
47
Lima Darjah Korelasi
Korelasi negatif yang kuat Korelasi negatif yang Korelasi positif yang
(r=-0.933) sederhana (r=-0.674) sederhana (r=0.518)
48
Contoh Pengiraan r
Futures
Interest Index
Day X Y X2 Y2 XY
1 7.43 221 55.205 48,841 1,642.03
2 7.48 222 55.950 49,284 1,660.56
3 8.00 226 64.000 51,076 1,808.00
4 7.75 225 60.063 50,625 1,743.75
5 7.60 224 57.760 50,176 1,702.40
6 7.63 223 58.217 49,729 1,701.49
7 7.68 223 58.982 49,729 1,712.64
8 7.67 226 58.829 51,076 1,733.42
9 7.59 226 57.608 51,076 1,715.34
10 8.07 235 65.125 55,225 1,896.45
11 8.03 233 64.481 54,289 1,870.99
12 8.00 241 64.000 58,081 1,928.00
Summations 92.93 2,725 720.220 619,207 21,115.07
49
Formula Pengiraan r
X Y
XY
n
r
X
2
Y
2
X n Y n
2 2
92.93 2725
21,115.07
12
720.22
92 .93 2
619,207 2725
2
12 12
.815
50
Plot Scatter dan Matrik Korelasi
245
240
Futures Index
235
230
225
220
7.40 7.60 7.80 8.00 8.20
Interest
51
Kovarian
X Y
2
X Y
XY
N
X Y
XY
N
N
SSXY
N
52
Matrik Kovarian dan Statistik
Perihalan
Interest Futures Index
Interest 0.050408
Futures Index 1.11053 36.81060606