Dengan perkataan lain, suatu pemerkira disebut BLUE kalau linear (fungsi linear
dari variabel Y dalam metode regresi) dan efisien (tanpa bias dan terbaik).
Teori Gauss-Markov: berdasarkan seluruh asumsi dari model regresi linear klasik
(the classical linear regresion model), pemerkira hasil metode kuadrat terkecil,
dalam kelas pemerkira linear tak bias, mempunyai varian terkecil (minimum),
disingkat BLUE (best linear unbiased estimators).
Koefisien Determinasi, Suatu Ukuran
Ketepatan/Kecocokan
ketepatan/kecocokan garis regresi terhadap suatu
himpunan data hasil observasi/pencatatan.
Koefisien determinasi merupakan kuadrat koefisien
korelasi r 2
σ xi yi
Rumus Koefisien Korelasi: r = , di mana
nSx Sy
σ x2i σ y2i
Sx = dan Sy =
n n
rumus tersebut dapat disederhanakan menjadi:
σ xi yi
(1) r = atau (3.24)
σ x2i σ y2i
n σ xi yi −σ xi σ yi
2 r= (3.25)
n σ x2i − σ xi 2 n σ y2i − σ yi 2
Ada hubungan yang menarik antara koefisien regresi b dengan koefisien regresi r. Persamaan regresi Y=
a + bX, kalau kita terapkan pada data hasil observasi (Xi,Yi) akan diperoleh hubungan sebagai berikut.
σ x i yi σ x i yi σ y2i /n σ x i yi σ y2i /n
b= σ x2i
= σ x2i
.σ = .
y2i /n
σ x2i σ x2i σ y2i /n
σ x i yi σ y2i /n Sy
= . =r
Sx
σ x2i σ x2i σ x2i /n
Sy
Jadi, b = r
Sx
yi = bxi + εi → yi = yො i + ei , sebab yො i = bxi
σ yi2 = σ yො i + ei 2 = σ yො i2 + 2 σ yො i ei + σ e2i
padahal σ yො i ei = σ bxi ei = b σ xi ei
σ xi yi
= b σ xi yi − bxi , b = σ x2i
→ b σ xi2 = σ xi yi
= b σ xi yi − b2 σ xi2
= b σ xi yi − b σ xi2 = 0
Jadi, σ yi2 = σ yො i2 + σ e2i
jumlah variasi variabel Y terhadap rata-ratanya ഥ Y dapat dipecah menjadi dua komponen. Komponen pertama
2
σ yො i adalah variasi Y terhadap rata-ratanya (Y). Komponen pertama ini sering disebut jumlah kuadrat yang
berasal dari pengaruh linear X terhadap Y.
Komponen kedua σ e2i disebut residual atau variasi Y terhadap garis regresi linear yang dihitung
berdasarkan metode kuadrat terkecil.
σ yො i2 dan σ e2i sering disebut explained dan unexplained variation.
y2i
σෝ σ bxi 2 b2 σ x2i σ xi yi σ xi yi σ x2i
σ y2i
= σ y2i
= σ y2i
= σ x2i σ x2i σ y2i
σ x i yi σ x i yi
= σ x2i σ y2i
= r2
y2i
σෝ
Jadi, σ = r2
y2i
σ yi2 = σ yො i2 + σ e2i dibagi σ yi2
σ y2i y2i
σෝ σ e2i
σ y2i
=σ 2 +σ
yi y2i
σ e2i
1 = r2 + σ
y2i
2 σ e2i
r =1−σ
y2i