Hypothesis Testing on

the Slope and Intercept

Dinda Anindita Salsabilla

S021902013
 Model error εᵢ terdistribusi normal

Asumsi

Error adalah normal dan independen didistribusikan

dengan mean 0 dan varians σ², disingkat NID (0, σ²)
 Uji Parameter
Misalkan kita ingin menguji hipotesis Kesalahan adalah
bahwa kemiringan sama dengan pengamatan Yi
konstanta, Hipotesisnya:
• Sekarang adalah kombinasi linear dari pengamatan, terdistribusi
normal dengan rata-rata dan varians
• Uji statistiknya jika diketahui

• Secara umum, tidak diketahui. adalah penaksir yang tidak bias

dari
• ditunjukkan bahwa mengikuti distribusi dan
bahwa dan bersifat independen. Uji statistiknya :
H0 ditolak jika :

• Penyebut statistik uji ini, t, sering disebut estimasi kesalahan standar atau
hanya, kesalahan standar slope T, ditulis sebagai
Prosedur yang sama untuk menguji hipotesis
pada intercept

Uji statistiknya

Dimana Standar eror intercept

H0 ditolak
jika,
Uji Signifikansi Regresi
Gagal menolak H0 : β1
mengimplikasikan bahwa tidak ada
hubungan linier X dan Y. atau
menyiratkan salah satu dari :
1. X bernilai kecil dalam menjelaskan
variasi dalam Y dan merupakan estimasi
terbaik untuk Y dari X adalah
2. Hubungan yang benar antara X dan Y
tidak linear. Karena itu, gagal ditolak
H0:ß1= 0 sama dengan mengatakan
bahwa tidak ada hubungan linear antara X
dan Y.
Atau jika H0:ß1=0 ditolak, berarti X bernilai
dalam menjelaskan variabilitas dalam Y.
Namun, menolak H0:ß1=0 dapat berarti salah
satu mengikuti dari :
1. Bahwa model garis lurus memadai
2. Hasil yang lebih baik dapat diperoleh
dengan penambahan polinomial orde
tinggi istilah dalam X
Uji statistik tes prosedur untuk H0:ß1=0
adalah
Hipotesis signifikansi regresi akan diabaikan:
Analisis of variance untuk menguji signifikansi regresi

• Analisis varians didasarkan pada partisi variabilitas total dalam variabel

respon Y.

• Identitas varian untuk model regresi df

• Kita dapat menggunakan analisis uji varians F biasa untuk menguji hipotesis
H0 :ß1=0 dengan prosedur pengujian
H0 ditolak jika :
F> Fα,1,(n-2)
• Uji statistik Statistik t sebagaimana didefinisikan sebelumnya adalah

• dapat digunakan untuk menguji signifikansi regresi. Namun, mengkuadratkan

kedua sisi, kita dapatkan

• Dengan demikian, T2 identik dengan F dari pendekatan analisis varians untuk

kasus khusus di mana kuadrat dari variabel T dengan derajat kebebasan (n - 2)
setara dengan variabel F dengan derajat kebebasan 1 dan (n - 2). Untuk
menguji hipotesis nol H0: β1 = 0 dalam masalah regresi sederhana, uji-t
memiliki keunggulan karena alternatif satu sisi seperti H0: β1< 0atau H0: β1>
0juga dapat dilakukan dengan menggunakan uji-t
 Estimasi Interval dalam Regresi Linier Sederhana

• Dengan asumsi εᵢ ~NID (0, σ²) dapat ditunjukkan :

i. βo memiliki distribusi normal dengan rata-rata βo dan varians
ii. β1 memiliki distribusi normal dengan rata-rata β1 dan varian
iii. Dv
iv. dfvs

v. Jika kita mensubtitusi diberikan (i) dan (ii), varian

diperkirakan
dan

Dimana sisa kuadrat rata-rata yang dilambangkan dengan

yang merupakan penaksir tidak bias dari ,
Uji statistiknya :

Karena itu CI 100 (1-α)% pada slope diberikan

Karena itu CI 100 (1-α)% pada intercept β0 diberikan

Jika kesalahan terdistribusi secara normal dan independen maka distribusi

sampling dari

Jadi,
 Estimasi Interval dari Respon Rata-Rata
• Estimasi respon rata-rata, E(Y), untuk nilai yang diberikan dari variabel independen, X.
• ex: biarkan X0 menjadi nilai yang diberikan X yang ingin kami perkirakan respon rata-rata,
katakanlah E(Y|X0). Asumsikan X0 adalah nilai apa pun dalam kisaran data sampel pada
variabel independen, X. Nilai yang diharapkan, E(Y|X0) adalah

• Untuk mendapatkan interval kepercayaan 100(1- α)% dari E(Y|X 0), distribusi sampel dari
:
E(Y|X0) = B0+B1X0 dan varian dari

•Dapat ditunjukkan bahwa

CI , 100 (1 – α) % pada respon Distribusi sampling t

rata-rata pada titik X = X0 = (n-2)
 Estimasi Interval Prediksi
• Persamaan regresi digunakan untuk memprediksi Y untuk
nilai X yang diberikan.
• Biarkan XF menjadi nilai X di masa mendatang. Lalu, perkirakan nilai Y
yang sesuai dengan persamaan
• Nilai sebenarnya dari YF adalah Kesalahan prediksi
• dan
• Variannya :

• Estimasi varian
• Interval prediksi 100(1-α)% pada pengamatan di masa depan titik X = X F
Interval prediksi melebar dg peningkatan
adalah
jarak antara XF dan dan X minimum
pada X = XF