TUJUAN
Menjelaskan tentang regresi
polinomial didasarkan sebaran
data dan uji hipotesis
Kita sudah diskusikan ‘Straight Line Model
(SLM)’ harus perhatikan sebaran IV dan
DV utk melihat kemungkinan SLM kurang
‘ROBUST’. Bila sebaran mirip parabola
lakukan polimonial regresion artinya
me(+) satu IV yg berasal dr IV yg sudah
ada. Tehnik ini dikenal dgn ‘second order
polynomial’ yaitu me(+) term X2 setelah ada
X. Bila memungkinkan (lihat sebaran) bisa
me(+) satu lagi X3 ’high order-term’
Model dasar: Y = b0 + b1X + E
dgn me(+) ‘second order polynomial’ didapat
Y = b0 + b1X + b2X2 + E
disederhanakan
Y = b0 + b1X1 + b2X2 + E X2 = X12
Least Squares Estimates dr parameter b0, b1, dan b2 di
model parabolik dipilih agar diperoleh SS of Deviation
yg minimal dr masing2 titik dr grs parabolik
Y bˆ
n 2 n 2
ˆ
Y 113.41 0.088 X 0.1X 2
Yˆ 97.08 0.95 X
Ada perbedaan estimasi pada b0 & b1 antara kedua
model, ini menunjukkan estimasi b2 mempengaruhi
estimasi b0 & b1
ANOVA Tabel data SBP tabel
Source df SS MS F
28 8579.54
Dari tabel tersebut muncul pertanyaan
1.Apakah koefisien regresi model
keseluruhan (full model) bermakna secara
statistik, apakah second order model
menjelaskan keragaman (variation);
2.Apakah second order model memberikan
prediksi yg lebih kuat/baik dibanding
hanya model garis lurus
3.Apakah kita harus me(+) higher order term
(X3 atau X4 dst)
Uji hipotesis
Untuk menentukan tingkat kemaknaan
Null Hipothesis ‘tidak ada kemaknaan
seluruh koefisien regresi (b1 = b2 = 0),
prosedur pengujian hipotesis adalah
menggunakan uji F yaitu:
MS .regression
F
MS .residual
Untuk mendapatkan ukuran kuantitatif
besaran ‘second order model’ untuk
memprediksi DV, kita menggunakan
SSY
Uji penambahan X2 dalam model
Untuk menjawab pertanyaan itu, kita harus
melakukan terlebih dahulu uji parsial F untuk
H0: penambahan variabel X2 pada persamaan
garis lurus tidak bermakna utk meningkatkan
prediksi DV (b2 = 0), ujinya
2 SSpenambahanX 2 1
F X X
MSresidual SecondOrde rModel
ANOVA Table memperlihatkan bahwa
SS X2lX = 163.30,
Maka uji F = 163.3 / 88.69 = 1.84
Karena Uji F1, 29, 0.9 = 2.91 kita gagal
menolak H0 pada tingkat (level) a = 0.1 dan
disimpulkan bahwa pe(+) term X2 dalam
model garis lurus tidak meningkatkan
prediksi DV (Y), meskipun ada kenaikan r2
dari 0.712 menjadi 0.731
Andaikan kita mempelajari pengaruh dosis obat (X)
terhadap kenaikan berat badan tikus (Y), datanya:
Dosis (X) 1 2 3 4 5 6 7 8
Source df SS MS F
Residual 5 0.20
Total 7 57.07
Scatter plot Pertambahan Berat Badan dan Dosis
Dari data yang ada dan ANOVA tabel diperoleh:
Y = 1.13 – 0.41X + 0.17X2 dan nilai r2 = 0.997
Perhatikan bila dalam model hanya ada X saja.
Source df SS MS F
Total 7 57.07