Korelasi/Regresi Linier

Slides:



Advertisements
Presentasi serupa
Analisis Regresi Berganda & Pengujian Asumsi OLS
Advertisements

ANALISIS REGRESI.
Korelasi dan Regresi Linier
Regresi dan Korelasi Linier
BETYARNINGTYAS CYNTHIA LA SARIMA MUH Tabrani Nuri NURWAHIDA VIEVIEN
Uji Korelasi dan Regresi

KORELASI DAN REGRESI LINEAR SEDERHANA
UJI KORELASI DAN REGRESI LINIER
KORELASI & REGRESI LINIER
BAB 15 ANALISIS REGRESI DAN KORELASI LINIER
Abdul Rohman Fakultas Farmasi UGM
Regresi Linier Berganda
Probabilitas dan Statistika
REGRESI LINEAR SEDERHANA
Korelasi/Regresi Linier
Regresi Linear Dua Variabel
BAB 15 ANALISIS REGRESI DAN KORELASI LINIER
ANALISIS REGRESI & KORELASI
Regresi & Korelasi Linier Sederhana
ANALISA REGRESI & KORELASI SEDERHANA
Dosen pengasuh: Moraida hasanah, S.Si.,M.Si
ANALISIS REGRESI SEDERHANA
Dosen pengasuh: Moraida hasanah, S.Si.,M.Si
REGRESI DAN KORELASI.
Analisis Korelasi dan Regresi linier
Analisis Korelasi & Regresi
Analisis Korelasi & Regresi
Regresi dan Korelasi Linier
REGRESI LINEAR DALAM ANALISIS KUANTITATIF
STATISTIK II Pertemuan 14: Analisis Regresi dan Korelasi
STATISTIKA Pertemuan 10: Analisis Regresi dan Korelasi
STATISTIKA ANALISIS REGRESI DAN KORELASI
Pertemuan ke 14.
ANALISIS REGRESI.
EKONOMETRIKA Pertemuan 7: Analisis Regresi Berganda Dosen Pengampu MK:
STATISTIKA INDUSTRI I ANALISIS REGRESI DAN KORELASI LINIER (1)
KOEFFISIEN KORELASI DAN ANALISA REGRESI GARIS LURUS
KORELASI DAN REGRESI IRFAN.
ANALISIS REGRESI BERGANDA
STATISTIK II Pertemuan 14: Analisis Regresi dan Korelasi
Pertemuan ke 14.
Regresi Linier (Linear Regression)
ANALISIS REGRESI & KORELASI
PERAMALAN DENGAN GARIS REGRESI
REGRESI LINIER DAN KORELASI
Regresi Sederhana : Estimasi
NUR LAILATUL RAHMAH, S.Si., M.Si
STATISTIKA INDUSTRI I ANALISIS REGRESI DAN KORELASI LINIER (1)
KOEFFISIEN KORELASI DAN ANALISA REGRESI GARIS LURUS
ANALISIS KORELASI.
Analisis Korelasi & Regresi
Regresi Linear Sederhana
MUHAMMAD HAJARUL ASWAD
REGRESI LINIER BERGANDA (MULTIPLE REGRESSION)
REGRESI LINIER SEDERHANA (SIMPLE LINEAR REGRESSION)
Disampaikan Pada Kuliah : Ekonometrika Terapan Jurusan Ekonomi Syariah
Analisis Regresi Asumsi dalam Analisis Regresi Membuat persamaan regresi Dosen: Febriyanto, SE, MM. www. Febriyanto79.wordpress.com U.
BAB 7 persamaan regresi dan koefisien korelasi
STATISTIK II Pertemuan 12: Analisis Regresi dan Korelasi
ANALISIS REGRESI & KORELASI
ANALISIS HUBUNGAN NUMERIK DENGAN NUMERIK (UJI KORELASI)
REGRESI LINEAR SEDERHANA
KORELASI & REGRESI LINIER
Analisis Regresi Berganda & Pengujian Asumsi OLS
Uji Asosiasi Korelasi Spearman.
FIKES – UNIVERSITAS ESA UNGGUL
REGRESI LINIER SEDERHANA (SIMPLE LINEAR REGRESSION)
Lektion ACHT(#8) – analisis regresi
ANALISIS REGRESI DAN KORELASI
Transcript presentasi:

Korelasi/Regresi Linier Luknis Sabri

Korelasi Menilai Hubungan antara 2 variabel numerik, Contoh: Apakah ada hubungan antara umur dan tekanan darah Hubungan TPA dengan IPK mahasiswa Hubungan antara tinggi badan dan FEV1(Force Expiratory Volume 1 dalam menit)

Cara sederhana Memakai Diagram Tebar ( Scatter Diagram) Y x V. Dependen x x x + x x + x X V. Independen

Contoh diagram tebar antara TB FEV1

Ukuran Hubungan 2 Var Pearson’s Correlation Coefficient ( r ) Kekuatan hubungan Berkisar antara 0 dan 1 0= tidak ada hubungan linier antara Var x dg VarY 1= hubungan kedua variabel linier sempurna Yang sering berada antara 0 dan 1

Kekuatan hubungan Dapat dilihat dari scatter plot Y Y x x x x x x x x

Arah hubungan Ditandai oleh + dan – + = Hubungan direct: korelasi positif yang berarti semakin besar nilai X semakin besar juga nilai Y - = Hubungan terbalik ( inverse): korelasi negatif berarti kenaikan variabel X diikuti penurunan var Y atau sebaliknya

Arah hubungan Scatter Y Y x x x x x x x x x x X X Hubungan positif (+) Hubungan negatif (-)

Hubungan Non linier Scatter Y Y x x x x x x x x x x x x x x x x x x x -Parabolik -Bisa juga hub Exponensial Tidak jelas polanya (Tidak ada hub linier)

Interpretasi Koef Korelasi Kekuatan hub (subjektif) r<0,4 : Hub lemah 0,4 < r < 0,8 : Sedang r > 0,8 : Kuat Korelasi tidak selalu berarti nhubungan sebab akibat( Causality) Korelasi yang lemah atau mendekati 0 berarti tidak ada hub linier, mungkin hub parabol atau exponensial

Korelasi: Data Lay-out dan perhitungan r Subjek X X2 Y Y2 X.Y 1 X1 X12 Y1 Y12 XY1 . X. X. 2 Y. Y. 2 XY. n Xn Xn2 Yn Yn2 XYn (X) = … (X2) … (Y)… (Y2)… (XY) = …

CONTOH KORELASI 100 180 125 245 320 Subjek (X) Usia (Y) Lama hari rawat X.Y 1 20 5 100 2 30 6 180 3 25 125 4 35 7 245 40 8 320 (X) = 150 (Y) = 31 (XY) = 970 (X2) = 4750 (Y2) = 199

Koefisien Determinasi(r2) Koefisien determinasi mengukur proporsi varians Yyang dapat diterangkan oleh Y Nilai r2 berkisar antara 0 ( tidak ada varians Y yang dijelaskan) sampai 1 ( seluruh varians Y dapat dijelaskan) Dari contoh didapat r=0,97…..r2=0,94…artinya 94 % lamahari rawat dijelakan umur

Regresi Linier Mencari garis terbaik Adabeberapa cara mencari garis regresi antara lain: Free Hand Metode Ordinary Least Square Metode OLS persamaan garis yang dibuat sedemikian rupa sehingga kuadrat selisih nilai observasi ke nilai di garis regresi adalah minimum Persamaan y’=a + bx+e

Y’= a + bX +e Y’= nilai Y yang di prediksi a = intercept…nilai y pada saat x=0…titik potong garis regresi dengan sumbu Y b= slope kemiringan garis…perubahan variabel y pada saat var x berubah satu unit e = Error dari model dalam memprediksi nilai Y

Garis regresi y’=a+bx Y + Y’=a+bX + + b + + a X a= intercept b= slope Koef Reg

Fungsi Pers Regresi Untuk memprediksi nilai y kalau x diketahui Contoh: Berapa tek sistolik jika umur 50 tahun Berapa IPK mahasiswa kalau TPA nya 500 Berapa lama hari rawat kalau pasien berumur 40 tahun Berapa level FEV1 pada orang dengan tinggi badan 170 cm

Asumsi pada Regresi Linier Nilai mean dari Y adalah fungsi garis lurus (Linierity) X……….. Y’= a+ bX+e Nilai Y terdistribusi normal untuk setiapnilai X (normality) Varian Y adalah sama untuk setiap nilai X (homoscedasticity) Nilai X dan Y tidak saling berkaitan (independency)

Persamaan Regresi Y’=α+β X Y= rata-rata Y X=rata-rata X

100 180 125 245 320 Subjek (X) Usia (Y) Lama hari rawat X.Y 1 20 5 2 30 6 180 3 25 125 4 35 7 245 40 8 320 (X) = 150 (Y) = 31 (XY) = 970 (X2) = 4750 S2Y=62.5 (Y2) = 199 S2X=1.7

Persamaan garis regresi linier: Lama hari rawat (Y) = a + b1Xi Y’ = 1.4 + 0.16 (Usia)

INFERENSI KOEF KORELASI Estimasi r Dari contoh r=0,97pada CI 95% Batas bawah r Batas atas r

Uji hipotesis r Ho Γ=0 Ha Γ≠0 α=0,05 Uji stat Uji t t=6,91df n-2….pv ,0,005 Ho ditolak

Inferens Koef Reg β Lama hari rawat (Y) = a + b1Xi Yi = 1.4 + 0.16 (Usia) CI =95 95% CI

UJi hipotesis β Ho β=0 Ha: β≠0 a=0,05 Uji Hipotesis: t=18,54 df=n-2 pv < 0,005 Keputusan uji Ho ditolak Kesimpulan koef β tidak sama dengan 0

SEKIAN