Dimana
Y adalah variabel yang dipengaruhi (variabel terikat)
X1, X2, X3 , X4, ...., Xn adalah variabel pengaruh (variabel bebas)
b1, b2, b3, b4, ...., bN adalah parameter variabel pengaruh yang menunjukkan
besar pengaruh variabel bebas terhadap variabel terikat
e adalah nilai kesalahan (residu) yang timbul karena perbedaan antara nilai
aktual observasi dengan nilai taksiran persamaan regresi.
a adalah koefisien konstanta, menunjukkan berapa jumlah variabel terikat bila
tidak ada pengaruh dari variabel bebas.
b. Persamaan Regresi Sederhana
Persamaan regresi sederhana (simple linear regression) menunjukkan
hubungan antara satu saja variabel bebas X 1 dengan variabel terikat Y.
Regresi sederhana ini dapat digunakan hanya jika pengaruh variabel bebas
lainnya diasumsikan tidak terlalu signifikan.
Bila Y = f (X1)
Maka X1 Y
Notasi umum persamaan regresi adalah sebagai berikut:
Dimana
Ŷ adalah variabel yang dipengaruhi (variabel terikat)
X adalah variabel pengaruh (variabel bebas)
a adalah konstanta
b adalah besar koefisien parameter variabel bebas.
e adalah residu (kesalahan hitung)
3. Penaksiran Parameter Regresi Sederhana
untuk mencari nilai parameter a dan b dalam persamaan regresi, digunakan
metode kuadrat terkecil (least square method), yakni metode yang
meminimalkan jarak dari nilai yang dihasilkan oleh persamaan regresi (nilai
Y) dengan nilai empiris (Y1).
Metode kuadrat terkecil adalah proses matematis yang menentukan intercept
dan slope garis yang paling tepat yang menghasilkan jumlah kuadrat deviasi
(atau simpangan) yang paling minimum.
Nilai a (konstanta) diperoleh dari rumus:
Gambar Variasi yang Diterangkan dan yang tidak Diterangkan dari Variabel
Dependen dalam suatu Model Regresi
Koefisien Korelasi Pearson (R)
adalah ukuran kekuatan hubungan linear antara 2 variabel dalam sampel.
R = vR2 = akar kuadrat dari koefisien determinasi
Dimana bila: Harga mutlak dari koefisien korelasi = |R|=
Dengan menganggap bahwa deviasi terdistribusi normal di sekitar garis yang tepat:
68% probabilitas bahwa observasi aktual variabel terikat akan berada pada kisaran + 1
kesalahan baku penaksiran.
95% probabilitas bahwa observasi aktual variabel terikat akan berada pada kisaran + 2
kesalahan baku penaksiran.
99% probabilitas bahwa observasi aktual variabel terikat akan berada pada kisaran + 3
kesalahan baku penaksiran.
Dengan menggunakan rumus Se, kita juga bisa mengetahui batas atas dan batas
bawah interval keyakinan.
Batas atas interval keyakinan 68% adalah Y + Se
Batas bawah interval keyakinan 68% adalah Y – Se
Batas atas interval keyakinan 95% adalah Y + 2 Se
Batas bawah interval keyakinan 95% adalah Y – 2 Se
Batas atas interval keyakinan 99% adalah Y + 3 Se
Batas bawah interval keyakinan 99% adalah Y – 3 Se