1
Asumsi Analisis Regresi Linier
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
7
Menaksir Koefisien Regresi
Dengan Menggunakan Matriks
nb0 b1 X 1i b2 X 2i ... bk X ki Yi
…..
8
Menaksir Koefisien Regresi
Dengan Menggunakan Matriks
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
11
Metode Pendugaan Parameter
Regresi
Dengan Metode Kuadrat Terkecil, misalkan model terdiri dari 2
variabel bebas
n n
ei Yi b0 b1 X 1i 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 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
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 X 1 b2 X 2
14
Uji Kecocokan Model
R2 r
r merupakan koefisien korelasi antara Y dengan
kelompok X1 , X2 , X3 , … , Xk
15
Uji Kecocokan Model
H0 : 0
H1 : 0
dimana
= matriks [ 0, 1, 2, … , k ]
16
Uji Kecocokan Model
17
Uji Kecocokan Model
3. Pengambilan Keputusan
18
Uji Parsial Koefisien Regresi
Tahapan Ujinya :
1. Hipotesis =
H 0 : j 0
H 1 : j 0
dimana j merupakan koefisien yang akan
diuji
19
Uji Parsial Koefisien Regresi
2. Statistik uji :
bj j
t
s c jj
Dimana :
bj = nilai koefisien bj
s = JKG / n k 1
cjj = nilai matriks A-1 ke-jj
20
Uji Parsial Koefisien Regresi
3. Pengambilan keputusan
21
Pemilihan Model Terbaik
Y 0 i X i Kelompok
j X j D kterdiri
X k dari 3 variabel bebas
Y 0 1 X 1 Kelompok
2 X 2 Eterdiri 4 X4 4variabel bebas
3 X 3 dari
23
Pemilihan Model Terbaik
Persamaan regresi yang menduduki posisi utama
dalam setiap kelompok adalah
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
Y = f(X1,X2) X1 4,337*
X2 0,497*
X3 0,018
X4 0,041*
Y = f(X1,X2,X4) 166,83*
X1 154,008*
X2 5,026*
26 X4 1,863
Y = f(X1,X2) 229,5*
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
Y = f(X1 , X2) r2y.4 0,017
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*
29 X4 = 1,863