MATERI FORECASTING

METODE KAUSAL

ANALISIS REGRESI LINEAR

BERGANDA
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  X1i , 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

 2Yi  b0  b1 X 1i  b2 X 2i 
b0

  ei
2

 2Yi  b0  b1 X 1i  b2 X 2i  X 1i
b1

  ei
2

 2Yi  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
X 1 , X 2 , X3 , … , X k

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 n–1

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
Dimana : s c jj
bj = nilai koefisien bj
s =
cjj = nilai matriks A-1 ke-jj
JKG / n  k  1

20
Uji Parsial Koefisien Regresi

3. Pengambilan keputusan

H0 ditolak jika
t 
pada taraf kepercayaan hitung > t /2(db= n-k-1)

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
Kelompok A terdiri dari koefisien intersep
Y  0
Y   0  i X i Kelompok B terdiri dari 1 variabel bebas

Y  0  i X iKelompok
  j X j C terdiri dari 2 variabel bebas

Y  0  i XKelompok
i  jX j D k X k dari 3 variabel bebas
 terdiri

Y  0  1 XKelompok
1  2 X 2 E 3 X 3dari
terdiri  44 X
variabel
4 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
Y = f(X1,X2) 229,5*
26
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= f(X , X )
Y 229,504*
1 2