Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Regresi Linier Berganda

Presentasi serupa


Presentasi berjudul: "Regresi Linier Berganda"— Transcript presentasi:

1 Regresi Linier Berganda

2 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.

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

4 Asumsi Analisis Regresi Linier

5 Asumsi Analisis Regresi Linier

6 Regresi Linier Berganda
Model regresi linier berganda melibatkan lebih dari satu variabel bebas. Modelnya : 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

7 Regresi Linier Berganda
Misalkan model regresi dengan kasus 2 peubah bebas X1 dan X2 maka modelnya : Sehingga setiap pengamatan Akan memenuhi persamaan

8 Menaksir Koefisien Regresi Dengan Menggunakan Matriks
Dari hasil Metode Kuadrat Terkecil didapatkan persamaan normal : …..

9 Menaksir Koefisien Regresi Dengan Menggunakan Matriks
Tahapan perhitungan dengan matriks : Membentuk matriks A, b dan g

10 Menaksir Koefisien Regresi Dengan Menggunakan Matriks

11 Menaksir Koefisien Regresi Dengan Menggunakan Matriks
Membentuk persamaan normal dalam bentuk matriks A b = g Perhitungan matriks koefisien b b = A-1 g

12 Metode Pendugaan Parameter Regresi
Dengan Metode Kuadrat Terkecil, misalkan model terdiri dari 2 variabel bebas Tahapan pendugaannya : 1. Dilakukan turunan pertama terhadap b0 , b1 dan b2

13 Metode Pendugaan Parameter Regresi
2. Ketiga persamaan hasil penurunan disamakan dengan nol

14 Metode Pendugaan Parameter Regresi
3. Nilai b1 dan b2 dapat diperoleh dengan memakai aturan-aturan dalam matriks

15 Uji Kecocokan Model Dengan Koefisien Determinasi
R2 menunjukkan proporsi variasi total dalam respon Y yang dapat diterangkan oleh model r merupakan koefisien korelasi antara Y dengan kelompok X1 , X2 , X3 , … , Xk

16 Uji Kecocokan Model Dengan Pendekatan Analisis Ragam Tahapan Ujinya :
Hipotesis = H0 :   0 H1 :   0 dimana  = matriks [ 0, 1, 2, … , k ]

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

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

19 Uji Parsial Koefisien Regresi
Tahapan Ujinya : Hipotesis = H0 : j  0 H1 : j  0 dimana j merupakan koefisien yang akan diuji

20 Uji Parsial Koefisien Regresi
2. Statistik uji : Dimana : bj = nilai koefisien bj s = cjj = nilai matriks A-1 ke-jj

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

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

23 Pemilihan Model Terbaik
Contoh : Akan dianalisis model regresi yang terdiri dari 4 variabel bebas Pembagian kelompoknya Kelompok A terdiri dari koefisien intersep Kelompok B terdiri dari 1 variabel bebas Kelompok C terdiri dari 2 variabel bebas Kelompok D terdiri dari 3 variabel bebas Kelompok E terdiri dari 4 variabel bebas

24 Pemilihan Model Terbaik
Persamaan regresi yang menduduki posisi utama dalam setiap kelompok adalah Persamaan terbaiknya adalah Y = f(X1 , X4) Kelompok Model Regresi R2 B Y = f(X4) 67,5% C Y = f(X1 , X2) 97,9% Y = f(X1 , X4) 97,2% D Y = f(X1 , X2 , X4) 98,234% E Y = f(X1 , X2 , X3, X4) 98,237%

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

26 Pemilihan Model Terbaik
Contoh : Akan dianalisis model regresi yang terdiri dari 4 variabel bebas Model regresi yang mengandung semua variabel bebas Model terbaiknya Y = f(X1,X2) Persamaan Regersi t parsial F Y = f(X1,X2,X3,X4) 157,266* X1 4,337* X2 0,497* X3 0,018 X4 0,041* Y = f(X1,X2,X4) 166,83* 154,008* 5,026* 1,863 Y = f(X1,X2) 229,5*

27 Pemilihan Model Terbaik
Stepwise Regression Procedur Tahap pemilihannya : 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) Hitung korelasi parsial setiap variabel bebas tanpa menyertakan variabel bebas yang telah mauk model. Masukkan variabel bebas dengan korelasi parsial tertinggi ke dalam model Hitung nilai t parsial variabel yang telah masuk model, jika tidak berpengaruh nyata keluarkan dari model Kembali ke langkah ii

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

29 Model terbaik Y = f(X1 , X2) Model Variabel Korelasi t parsial F riy
0,731 r2y 0,816 r3y -0,535 r4y -0,821 Y = f(X4) 22,798* r1y.4 0,915 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* X4 = 1,863 r3y.124 0,002 Y = f(X1, X2) 229,504* Model terbaik Y = f(X1 , X2)


Download ppt "Regresi Linier Berganda"

Presentasi serupa


Iklan oleh Google