LINIER
Normalitas
a. Asumsi Eksistensi
Variabel Dependen Y merupakan variabel random pada setiap nilai variabel independen X. Sampel diambil
random, asumsi ini terpenuhi bila residual menunjukan nilai : mean menghasilkan nilai 0
b. Asumsi Independensi
Masing-masing variabel Y bebas satu sama lain, tidak boleh diukur dua kali. Asumsi terpenuhi: angka
Durbin Watson antara -2 s/d 2
c. Asumsi Linieritas
Nilai mean dari variabel Y untuk suatu kombinasi X1, X2, dst terletak pada garis linier yang dibentuk
persamaan regresi
Asumsi terpenuhi: hasil Uji Anova regresi hasilnya signifikan (p < 0,05)
d. Asumsi Homoscedasticity
Varian nilai variabel Y sama untuk semua nilai variabel X
Homoscedasticity : Plot residual membentuk tebaran merata diatas dan dibawah garis tengah nol
Heteroscedasticity: tebaran residual mengelompok dibawah/diatas garis tengah nol
e. Asumsi Normalitas
Variabel Y berdistrubusi normal untuk setiap pengamatan variabel X. Asumsi terpenuhi bila Grafik
Normal P-P plot residual, titik tebarannya menyebar sekitar garis diagonal. Sebaliknya bila tebaran
data menjauhi garis diagonal maka asumsi tidak terpenuhi
Kegunaan Tujuan analisis regresi linier ganda adalah untuk
menemukan model regresi yang paling sesuai
Analisis Regresi menggambarkan faktor-faktor yang berhubungan dengan
Ganda variabel dependen.
01 Prediksi Estimasi
02
memperkirakan var. dependen dengan menggunakan menguantifikasi hubungan var. independen dengan var.
informasi yang ada pada variabel independen. ex: dependen. yaitu untuk mengetahui var. indenpenden apa
saja yang berhubungan dengan var. dependen. dan
analisis var. independen umur, BB, dan sex
seberapa besar hubungan masing2 var. independen
dihubungkan dg var. dependen tekanan darah. dari
terhadap var. independen lainnya.
hasil regresi, seseorang dapat diperkirakan tekanan
darahnya pada umur, BB, dan jenis kelamin tertentu
Pemodelan Multiple
Linier Regression
Melakukan
analisis bivariat
Melakukan
untuk
Lakukan analisis diagnostik regresi Melakukan
menentukan
secara bersamaan linier analisis interaksi
variabel yang
multivariabel
menjadi kandidat
model.
1. Melakukan
analisis bivariat
sudah masuk dalam analisis multivariat, maka variabel yang masuk dalam model multivariat adalah
variabel ang mempunyai p value ≤0,05. Untuk variabel yang p valuenya >0,05 dilakukan pengeluaran dari
model satu per satu, dimulai dari variabel yang p valuenya paling besar. Bila variabel tersebut setelah
dikeluarkan dari model mengakibatkan koefisien dari variabel yang masih dalam model berubah besar
(mengubah koefisien lebih dari 10%) maka variabel tersebut tidak jadi dikeluarkan, tapi dimasukkan
Seleksi bivariat masing-masing variabel independen dengan variabel dependen. Bila hasil uji bivariat
mempunyai nilai p < 0,25, maka variabel tersebut masuk dalam model multivariat. Untuk variabel yang p
valuenya > 0,25 namun secara substansi penting, maka variabel tersebut dapat masuk ke multivariat. Uji
yang digunakan pada analisis bivariat tergantung dari variabel yang digunakan, bila variabel
independennya numerik uji korelasi, bila independennya kategorik uji t atau uji anova.
Bivariat uji korelasi
Dari hasil uji collinearity didapatkan nilai VIF tidak ada yg lebih dari 10, dengan
demikian tidak ada Multicollinearity antara sesama variabel indepeden.
Model Akhir
Dari hasil uji asumsi dan
uji kolinearitas ternyata
semua asumsi terpenuhi
sehingga model dapat
digunakan untuk
memprediksi berat badan
bayi.
Berat bayi = 2449,1 + 5,035 bb -236,42 merokok -582,56 hipertensi – 145,41 prematur
Interpretasi
Berat bayi = 2449,1 + 5,035 bb -236,42 merokok -582,56 hipertensi – 145,41 prematur