DATA NON LINEAR DAN REGRESI LINEAR Gangga Anuraga, M.Si

Slides:



Advertisements
Presentasi serupa
Evaluasi Model Regresi
Advertisements

Distribusi Beta, t dan F.
Kelompok 2 (3 SE3) Anindita Ardha Pradibtia ( ) Elmafatriza Elisha Ekatama ( ) Muh. Mustakim Hasma ( )
Analisis Regresi Berganda & Pengujian Asumsi OLS
Latihan Regresi Logistik
ANALISIS REGRESI.
BAB VII ANALISIS KORELASI DAN REGRESI LINIER SEDERHANA
BAB XI REGRESI LINEAR Regresi Linear.

Wahyu Widhiarso Fakultas Psikologi UGM
UJI ASUMSI KLASIK.
Oleh: raharjo UJI LINIERITAS Oleh: raharjo
Analisis Data: Memeriksa Perbedaan
UJI ASUMSI KLASIK.
Uji Asumsi Klasik Pada Regresi Dengan Metode Kuadrat Terkecil (OLS)
KORELASI DAN REGRESI LINEAR SEDERHANA
DIAGNOSTICS AND REMEDIAL MEASURES
BAB VI REGRESI SEDERHANA.
ANALISIS EKSPLORASI DATA
REGRESI.
11 Pebruari 2008 hadi paramu ekonometrika dan analisis multivariat 1 Asumsi Dalam Metode OLS Kuliah III.
Probabilitas dan Statistika
LOGISTIC REGRESSION Logistic regression adalah regressi dengan binary untuk variabel dependen. Variabel dependen bersifat dikotomi dengan mengambil nilai.
Regresi Linear Dua Variabel
MODUL 11 METODE PENELITIAN ANALISIS DATA (ANALISIS REGRESI)
PENGUJIAN DATA.
STATISTIK INFERENSIAL
BAB VII ANALISIS KORELASI DAN REGRESI LINIER SEDERHANA
Analisis Korelasi dan Regresi linier
REGRESI NON LINIER Gangga Anuraga, M.Si.
Pertemuan ke 14.
Pengantar Model Liner (C) (Wajib 3 SKS) Pertemuan ke-1/14
Pertemuan Ke-7 REGRESI LINIER BERGANDA
MENDETEKSI PENGARUH NAMA : NURYADI.
PENANGANAN ASUMSI RESIDUAL DALAM ANALISIS REGRESI
Uji Persyaratan Analisis Data
Pertemuan ke 14.
DUMMY VARIABEL PADA VARIABEL BEBAS MODEL REGRESI
Regresi Linier (Linear Regression)
EKONOMETRIKA Pertemuan 10: Pengujian Asumsi-asumsi Klasik (Bagian 1)
Analisis REGRESI.
Uji Asumsi Klasik Multikolinearitas Normalitas
MODUL 10 ANALISIS REGRESI
REGRESI LOGISTIK BINER
Regresi Sederhana : Estimasi
EKONOMETRIKA Pertemuan 9: Pengujian Asumsi-asumsi Klasik (Bagian 1)
EKONOMETRIKA Pertemuan 9: Pengujian Asumsi-asumsi Klasik (Bagian 1)
Praktikum Metode Regresi MODUL 1
Analisis regresi (principle component regression)
Regresi Cara Eksplorasi
Analisis Regresi dan Korelasi
SELEKSI VARIABEL DAN PEMILIHAN MODEL TERBAIK
REGRESI LOGISTIK MULTINOMIAL
REGRESI LOGISTIK BINER (DICHOTOMOUS INDEPENDENT VARIABLE)
Generalized Linear Models
REGRESI LOGISTIK ORDINAL
Eksperimen Desain (week 3)
REGRESI LINIER BERGANDA (MULTIPLE REGRESSION)
BAB 7 persamaan regresi dan koefisien korelasi
REGRESI POISSON Gangga Anuraga, M.Si.
ANALISIS REGRESI Sri Mulyati.
ANALISIS REGRESI & KORELASI
Pasca Sarjana Unikom Model Regresi Pasca Sarjana Unikom
UJI ASUMSI KLASIK.
Pasca Sarjana Unikom Model Regresi Pasca Sarjana Unikom
Analisis Regresi Berganda & Pengujian Asumsi OLS
EKONOMETRIKA Pertemuan 11: Pengujian Asumsi-asumsi Klasik (Bagian 1)
Analisis Perilaku Biaya
STATISTIK II Pertemuan 10-11: Analisis Regresi dan Korelasi
ANALISIS REGRESI DAN KORELASI
Transcript presentasi:

DATA NON LINEAR DAN REGRESI LINEAR Gangga Anuraga, M.Si

Data Non Linear Asumsi linearitas pada diagram pencar antara variabel x dan y tidak selalu terpenuhi Beberapa hal yang dapat dilakukan untuk meregresikan data non linear : Regresi Linear (dengan mentransformasi data) Regresi Non Linear (berpola tapi tidak linear) Regresi Nonparametrik (tidak berpola) Regresi Semiparametrik

MODEL NON LINEAR

Transformasi/Linearisasi Data Terdapat metode transformasi data, beberapa diantaranya sebagai berikut: Sumber : Stat Trek. (2012). http://stattrek.com/regression/linear-transformation. aspx?tutorial=ap

Regresi Linear untuk Data Transformasi Estimasi Parameter Regresi Linear Regresi Linear untuk Data Transformasi

Regresi Linear untuk Data Transformasi Estimasi Parameter Regresi Linear untuk Data Transformasi

Langkah Transformasi Melihat pola diagram pencar (scatterplot) antara variabel dependen dan independen Lakukan analisis regresi linear dan dapatkan nilai R-sq serta residual plotnya Lakukan transformasi pada variabel dependen, independen atau keduanya Lakukan analisis regresi dengan variabel hasil transformasi Dapatkan nilai R-sq, jika lebih besar maka model hasil transformasi lebih baik daripada model regresi linear

Case Study Chip Tahun X = Sandi Tahun Y = Transistor Per Chip 8080 1975 4500 8086 1978 3 29000 80286 1982 7 90000 80386 1985 10 229000 80486 1989 14 1200000 Pentium 1993 18 3100000 Pentium Pro 1995 20 5500000