Regresi Linier Berganda

1

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

y mempunyai distribusi normal 3 . Varians dari y adalah sama pada beberapa x 6. Nilai y secara statistik saling bebas 4.Asumsi Analisis Regresi Linier 3. Linieritas. Distribusi normal pada beberapa nilai tertentu x. nilai rata-rata y adalah sebuah fungsi garis lurus dari x 5. Homoscedasticity.

Asumsi Analisis Regresi Linier 4 .

Asumsi Analisis Regresi Linier 5 .

3. 2.. Modelnya : Y ! F 0  F1 X 1  F 2 X 2  . «....  F k X k Dimana Y = variabel terikat Xi = variabel bebas ( i = 1. «. 3.Regresi Linier Berganda Model regresi linier berganda melibatkan lebih dari satu variabel bebas. k) Model penduganya adalah Y ! b0  b1 X 1  b2 X 2  . k) F0 = intersep Fi = koefisien regresi ( i = 1.  bk X k 6 . 2.

. 2 .Regresi Linier Berganda Misalkan model regresi dengan kasus 2 peubah bebas X1 dan X2 maka modelnya : Y ! F 0  F1 X 1  F 2 X 2 Sehingga setiap pengamatan _ X 1i . i ! 1. na ... X 2i .. Yi .

Akan memenuhi persamaan Y ! F 0  F1 X 1  F 2 X 2  I i 7 .

 bk § X ki ! § Yi b0 § X 1i  b1 § X 1i b2 § X 1i X 2i ...Menaksir Koefisien Regresi Dengan Menggunakan Matriks Dari hasil Metode Kuadrat Terkecil didapatkan persamaan normal : nb0  b1 § X 1i 2  b2 § X 2i .  bk § X 1i X ki ! § X 1iYi «.  bk § X ki ! § X kiYi 2 8 . b0 § X ki  b1 § X ki X 1i b2 § X ki X 2i ......

.Menaksir Koefisien Regresi Dengan Menggunakan Matriks Tahapan perhitungan dengan matriks : 1. ..... b dan g « n ¬ ¬ X 1i A! ¬ . .... Membentuk matriks A. ¬ ¬ X ki ­ X 1i X 1i .... X ki X 2i .. 2 ¼ X ki ¼ ½ 9 .. X ki X 1i 2 X 2i X 1i X 2i ... X ki » ¼ X 1i X ki ¼ ¼ ...

.. ¼ ¬ ¼ ­bk ½ 10 « g 0 ! Yi » ¼ ¬ g1 ! X 1iYi ¼ g!¬ ¼ ¬ ...Menaksir Koefisien Regresi Dengan Menggunakan Matriks «b0 » ¬b ¼ ¬ 1¼ b! ¬ . ¼ ¬ ¬ g k ! X kiYi ¼ ½ ­ .

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 .

misalkan model terdiri dari 2 variabel bebas § ei ! § .Metode Pendugaan Parameter Regresi Dengan Metode Kuadrat Terkecil.

Dilakukan turunan pertama terhadap b0 . b1 dan b2 x § ei ! 2.Yi  b0  b1 X 1i  b2 X 2i 2 i !1 i !1 n n 2 Tahapan pendugaannya : 1.

Yi  b0  b1 X 1i  b2 X 2i xb0 2 .

x § ei ! 2.

Yi  b0  b1 X 1i  b2 X 2i X 1i xb1 2 .

12 x § ei xb2 .

2 ! 2.

Y  b  b X i 0 1 1i  b2 X 2i X 2i .

Ketiga persamaan hasil penurunan disamakan dengan nol nb0  b1 § X i1  b2 § X i 2 ! § Yi b0 § X 1i  b1 § X i1  b2 § X 1i X i 2 ! § X 1iYi 2 b0 § X 2i  b1 § X i1 X 2i  b2 § X i 2 ! § X 2iYi 2 13 .Metode Pendugaan Parameter Regresi 2.

Nilai b1 dan b2 dapat diperoleh dengan memakai aturan-aturan dalam matriks n ¨ n ¸ ¨ n ¸¨ n ¸ 2 ¸¨ © § X 2 ¹© § X 1Y ¹  © § X 1 X 2 ¹© § X 2Y ¹ © ¹© ¹ © ¹© ¹ ª i !1 ºª i !1 º ª i !1 ºª i !1 º b1 ! 2 n n n ¨ ¸ 2 ¸¨ 2¸ ¨ © § X 1 ¹© § X 2 ¹  © § X 1 X 2 ¹ © ¹© ¹ © ¹ ª i !1 ºª i !1 º ª i !1 º n ¨ n ¸ ¨ n ¸¨ n ¸ 2 ¸¨ © § X 1 ¹© § X 2Y ¹  © § X 1 X 2 ¹© § X 1Y ¹ © ¹© ¹ © ¹© ¹ ºª i !1 º ª i !1 ºª i !1 º b2 ! ª i !1 2 ¸ ¸ ¨ n ¸¨ n ¨ n 2 2 © § X 1 ¹© § X 2 ¹  © § X 1 X 2 ¹ ¹ ¹ © ¹© © º º ª i !1 ºª i !1 ª i !1 b0 ! Y  b1 X 1  b2 X 2 14 .Metode Pendugaan Parameter Regresi 3.

X2 . Dengan Koefisien Determinasi JKR R ! JKT 2 R2 menunjukkan proporsi variasi total dalam respon Y yang dapat diterangkan oleh model R2 ! r r merupakan koefisien korelasi antara Y dengan kelompok X1 . « . Xk 15 .Uji Kecocokan Model 1. X3 .

Uji Kecocokan Model 2. « . Fk ] 16 . Dengan Pendekatan Analisis Ragam Tahapan Ujinya : 1. F2. Hipotesis = H0 : F ! 0 H1 : F { 0 dimana F = matriks [ F0. F1.

Uji Kecocokan Model 2. Tabel Analisis Ragam Komponen Regresi SS db MS Fhitung Regresi Galat Total JKR k JKR / k JKR /k s2 JKG n ± k ± 1 s2 = JKG / n-k-1 JKT n±1 17 .

n-k-1) pada taraf kepercayaan E 18 .Uji Kecocokan Model 3. Pengambilan Keputusan H0 ditolak jika Fhitung > Ftabel(1 .

Uji Parsial Koefisien Regresi Tahapan Ujinya : 1. Hipotesis = H0 : Fj ! 0 H1 : Fj { 0 dimana Fj merupakan koefisien yang akan diuji 19 .

Uji Parsial Koefisien Regresi 2. Statistik uji : t! bj  F j s c jj Dimana : bj = nilai koefisien bj s = J G / n  k 1 cjj = nilai matriks A-1 ke-jj 20 .

Pengambilan keputusan H0 ditolak jika thitung > t E/2(db= n-k-1) pada taraf kepercayaan E 21 .Uji Parsial Koefisien Regresi 3.

Tuliskan semua kemungkinan model regresi dan kelompokkan menurut banyaknya variabel bebas ii. All Possible Regression Tahapan pemilihan : i. Periksalah untuk setiap kelompok apakah terdapat suatu pola variabel yang konsisten iv.Pemilihan Model Terbaik 1. Lakukan analisa terhadap kenaikan R2 pada tiap kelompok 22 . Urutkan model regresi menurut besarnya R2 iii.

Pemilihan Model Terbaik Contoh : Akan dianalisis model regresi yang terdiri dari 4 variabel bebas Pembagian kelompoknya Kelompok A terdiri dari koefisien intersep Y ! F0 Y ! F 0  F i X i Kelompok B terdiri dari 1 variabel bebas Y ! F 0  Fi X i  F j X j Kelompok C terdiri dari 2 variabel bebas Y ! F0  Fi X i  F j X j  F k X k Kelompok D terdiri dari 3 variabel bebas Y ! F 0  F1 X 1  F 2 X 2  F 3 X 3  F 4 X 4 Kelompok E terdiri dari 4 variabel bebas 23 .

2% 98.9% 97.234% 98. X4) 24 . X2 .237% Persamaan terbaiknya adalah Y = f(X1 . X4) R2 67. X3.Pemilihan Model Terbaik Persamaan regresi yang menduduki posisi utama dalam setiap kelompok adalah Kelompok Model Regresi B Y = f(X4) C Y = f(X1 . X4) E Y = f(X1 .5% 97. X2) Y = f(X1 . X4) D Y = f(X1 . X2 .

Pemilihan Model Terbaik 2. kemudian hitung kembali persamaan regresi tanpa menyertakan variabel L Jika tL > tO maka ambil persamaan regresi tersebut b. Tuliskan persamaan regresi yang mengandung semua variabel ii. 25 . Hitung nilai t parsialnya iii. Jika tL < tO maka buang variabel L yang menghasilkan tL. Banding nilai t parsialnya a. Backward Elimination Procedur Tahap pemilihannya : i.

X4) X1 X2 X3 X4 Y = f(X1.863 Y = f(X1.X3.X4) 154.497* 0.008* 5.026* 1.337* 0.X2.266* Model terbaiknya Y = f(X1.5* .X2.X2) 229.Pemilihan Model Terbaik Contoh : Akan dianalisis model regresi yang terdiri dari 4 variabel bebas Model regresi yang mengandung semua variabel bebas Y ! F 0  F1 X 1  F 2 X 2  F3 X 3  F 4 X 4 Persamaan Regersi t parsial 4.018 0.X2) Y = f(X1.041* 166.83* X1 X2 X4 26 F 157.

Masukkan variabel bebas dengan korelasi parsial tertinggi ke dalam model iii. Stepwise Regression Procedur Tahap pemilihannya : i. Hitung nilai t parsial variabel yang telah masuk model. Hitung korelasi setiap variabel bebas terhadap variabel Y. Kembali ke langkah ii 27 . Hitung korelasi parsial setiap variabel bebas tanpa menyertakan variabel bebas yang telah mauk model. jika tidak berpengaruh nyata keluarkan dari model iv.Pemilihan Model Terbaik 3. Variabel bebas dengan nilai korelasi tertinggi masukkan dalam model regresi (syarat uji F menunjukkan variabel ini berpengaruh nyata) ii.

Pemilihan Model Terbaik Contoh : Akan dianalisis model regresi yang terdiri dari 4 variabel bebas 28 .

798* r1y.627* r2y.223* X4 = 159.4 r3y.295* 166.801 176.14 0.017 0.124 0.4 0.026* X4 = 1.14 r3y.535 -0.358 0.X4) 29 Y = f(X1.816 -0. X2) . X2) Y = f(X1.320 X1 = 108.832* X1 = 154.915 0.504* Model terbaik Y = f(X1 .X4) Y = f(X1.863 r3y.821 t parsial F Y = f(X4) 22. X2.Model Variabel riy r2y r3y r4y Korelasi 0.4 r2y.002 229.008* X2 = 5.731 0.

Sign up to vote on this title
UsefulNot useful