REGRESI LINIER SEDERHANA (SIMPLE LINEAR REGRESSION)

Slides:



Advertisements
Presentasi serupa
Chapter 12 Simple Linear Regression
Advertisements

Kelompok 1 Flendy Yusak Manganguwi Agata Dionesia Endi
Bahan Kuliah Statistika Terapan
ANALISIS REGRESI (REGRESSION ANALYSIS)
ANALISIS REGRESI DAN KORELASI LINIER
ANALISIS REGRESI DAN KORELASI
REGRESI LINIER SEDERHANA
BAB XI REGRESI LINEAR Regresi Linear.
Erni Tri Astuti Sekolah Tinggi Ilmu Statistik
Regresi linier sederhana
Regresi linier sederhana
KORELASI DAN REGRESI LINEAR SEDERHANA
KORELASI & REGRESI LINIER
Materi 06 Financial Forecasting
BAB 15 ANALISIS REGRESI DAN KORELASI LINIER
Abdul Rohman Fakultas Farmasi UGM
Simple Regression ©. Null Hypothesis The analysis of business and economic processes makes extensive use of relationships between variables.
REGRESI LINIER SEDERHANA (SIMPLE LINEAR REGRESSION)
ANALYSIS OF VARIANCE (ANOVA) Matakuliah: KodeJ0204/Statistik Ekonomi Tahun: Tahun 2007 Versi: Revisi.
Analisis Regresi. ANALISIS REGRESI Melihat ‘pengaruh’ variable bebas/independet variabel/ thd variable terikat/dependent variabel. Berdasarkan jumlah.
Korelasi/Regresi Linier
Regresi Linear Dua Variabel
BAB 15 ANALISIS REGRESI DAN KORELASI LINIER
Richard Matias A.muh.Awal Ridha s Alfiani Nur Islami
REGRESI LINIER BERGANDA (MULTIPLE LINEAR REGRESSION)
REGRESI LINIER SEDERHANA
ANALISIS VARIANSI (ANOVA)
Dosen pengasuh: Moraida hasanah, S.Si.,M.Si
Korelasi/Regresi Linier
Dosen pengasuh: Moraida hasanah, S.Si.,M.Si
REGRESI DAN KORELASI.
Analisis Korelasi dan Regresi linier
REGRESI LINIER SEDERHANA (SIMPLE LINEAR REGRESSION)
Bab 4 Estimasi Permintaan
(MENGGUNAKAN MINITAB)
MENENTUKAN GARIS LURUS TERBAIK
Pertemuan ke 14.
STATISTIKA INDUSTRI I ANALISIS REGRESI DAN KORELASI LINIER (1)
ANALISIS REGRESI BERGANDA
Pertemuan ke 14.
Regresi Linier (Linear Regression)
Regresi Linier Sederhana
Mengukur Kualitas ‘the straight line Fit’ dan Estimasi s2, serta interpretasi slope dan intercept Tujuan Menjelaskan teknik pengukuran kualitas ‘the straight.
Operations Management
Regresi linier satu variable Independent
Ekonomi Manajerial dalam Perekonomian Global
Regresi Linier Sederhana dan Korelasi
STATISTIKA INDUSTRI I ANALISIS REGRESI DAN KORELASI LINIER (1)
PERTEMUAN KE-14 STATISTIK DESKRIPTIF
ANALISA REGRESI LINEAR DAN BERGANDA
Regresi Linear Sederhana
MUHAMMAD HAJARUL ASWAD
Regresi Ganda Pertemuan 21
ANALISIS REGRESI DAN KORELASI
REGRESI LINIER BERGANDA (MULTIPLE LINEAR REGRESSION)
Analisis Regresi.
Disampaikan Pada Kuliah : Ekonometrika Terapan Jurusan Ekonomi Syariah
KORELASI.
Bab 4 : Estimasi Permintaan
Uji Korelasi dan Regresi
ANALISIS REGRESI & KORELASI
Pertemuan 21 dan 22 Analisis Regresi dan Korelasi Sederhana
Mengukur Kualitas ‘the straight line Fit’ dan Estimasi s2, serta interpretasi slope dan intercept Tujuan Menjelaskan teknik pengukuran kualitas ‘the straight.
KORELASI & REGRESI LINIER
Pasca Sarjana Unikom Model Regresi Pasca Sarjana Unikom
Pasca Sarjana Unikom Model Regresi Pasca Sarjana Unikom
Ekonomi Manajerial dalam Perekonomian Global
ANALISIS REGRESI LINIER
REGRESI LINIER SEDERHANA (SIMPLE LINEAR REGRESSION)
ANALISIS REGRESI DAN KORELASI
Transcript presentasi:

REGRESI LINIER SEDERHANA (SIMPLE LINEAR REGRESSION)

REGRESI LINIER SEDERHANA CAKUPAN MATERI: Model Regresi Linier Sederhana Metode Kuadrat Terkecil (Least Squares Method) Koefisien Determinasi Asumsi Model Uji Keberartian (Testing for Significance) Estimasi dengan Persamaan Regresi Analisis Residual: Pemeriksaan Asumsi Model

REGRESI LINIER SEDERHANA Model Regresi Linier Sederhana y = 0 + 1x +  Persamaan Regresi Linier Sederhana E(y) = 0 + 1x Estimasi Persamaan Regresi Linier Sederhana ^y= b0 + b1x dimana y = variabel tak bebas (response/dependent variable) x = variabel bebas (predictor/independent variable)  = suku sisaan (error/residual) 0 = intercept (titik potong garis regresi dengan sumbu y) 1 = slope/kemiringan garis regresi

METODE KUADRAT TERKECIL Kriteria Kuadrat Terkecil Prinsip: Meminimalkan jumlah kuadrat jarak/selisih antara nilai variabel tak bebas sebenarnya dengan nilai estimasi variabel tak bebas (error) dimana: yi = nilai observasi ke-i dari variabel tak bebas = nilai estimasi ke-i dari variabel tak bebas

METODE KUADRAT TERKECIL Kemiringan (Slope) Persamaan Regresi Estimasi Intercept Persamaan Regresi Estimasi dimana: xi = nilai variabel bebas untuk observasi ke-i yi = nilai variabel tak bebas untuk observasi ke-i x = rata-rata nilai variabel bebas y = rata-rata nilai variabel tak bebas n = total observasi

CONTOH: REED AUTO SALES Sebagai bagian dari kampanyenya, Reed Auto menggunakan media televisi untuk iklan selama akhir pekan yang lalu. Berikut adalah data dari 5 sampel penjualan. Banyaknya iklan TV Jumlah Mobil Terjual 1 14 3 24 2 18 1 17 3 27

CONTOH: REED AUTO SALES Kemiringan Persamaan Regresi Estimasi b1 = 220 - (10)(100)/5 = 5 24 - (10)2/5 Intercept Persamaan Regresi Estimasi b0 = 20 - 5(2) = 10 Estimasi Persamaan Regresi y = 10 + 5x Interpretasi: Jika banyaknya iklan bertambah 1 kali, maka dapat meningkatkan banyak penjualan mobil sebanyak 5. ^

CONTOH: REED AUTO SALES Scatter Diagram 30 25 20 y = 5x + 10 15 Jumlah Mobil Terjual 10 5 1 2 3 4 Banyaknya Iklan TV

KOEFISIEN DETERMINASI Hubungan antara SST, SSR, SSE SST = SSR + SSE Koefisien Determinasi (Coefficient of Determination) r2 = SSR/SST dimana: SST = total sum of squares SSR = regression sum of squares SSE = error sum of squares

KOEFISIEN KORELASI SAMPEL dimana: b1 = slope persamaan regresi estimasi

CONTOH: REED AUTO SALES KOEFISIEN DETERMINASI r2 = SSR/SST = 100/114 = 0,8772 Artinya: Hubungan regresi sangat kuat karena 88% variasi mobil yang terjual dapat dijelaskan oleh banyaknya iklan TV. KOEFISIEN KORELASI

ASUMSI MODEL Asumsi tentang suku sisaan (error),  Error  merupakan suatu random variabel dengan rata-rata nol (E()=0). Varian error , dinotasikan dengan 2, adalah sama untuk semua nilai variabel bebas (homoscedastic). Nilai  saling bebas (non autocorrelation). Sisaan  terdistribusi normal.

UJI SIGNIFIKANSI dimana: Untuk menguji keberartian hubungan regresi, maka harus dilakukan uji hipotesis apakah b1 sama dg nol. Dua pengujian yang umum digunakan adalah Uji t dan Uji F Kedua pengujian di atas memerlukan estimasi varian dari  dalam model regresi, s2. Mean square error (MSE) menghasilkan estimasi untuk varian . s2 = MSE = SSE/(n-2) dimana:

UJI SIGNIFIKANSI: Uji t Hipotesis H0: 1 = 0 Ha: 1  0 Statistik Uji dimana Aturan Penolakan Tolak H0 jika t < -t/2 atau t > t /2 dimana t/2 didasarkan pada distribusi t dengan derajat bebas n - 2.

CONTOH: REED AUTO SALES Uji t Hipotesis H0: 1 = 0 Ha: 1  0 Aturan Penolakan Untuk  = 0,05 dan derajat bebas = 3, t0,025 = 3,182 Tolak H0 jika t > 3,182 Statistik Uji t = 5/1,08 = 4,63 Kesimpulan Tolak H0, banyaknya iklan melalui TV signifikan mempengaruhi jumlah mobil yang terjual (pada =0,05).

CONFIDENCE INTERVAL UNTUK 1 Kita dapat menggunakan interval keyakinan/ confidence interval (1-)100% 1 untuk menguji hipotesis seperti halnya yang digunakan pada uji t. H0 ditolak jika nilai hipotesis 1 tidak masuk dalam confidence interval untuk 1. Confidence interval untuk 1 adalah: dimana b1 = estimasi titik dari 1 = batas kesalahan t/2 = nilai t tabel (didasarkan pada distribusi t dengan derajat bebas n-2)

CONTOH: REED AUTO SALES Aturan Penolakan Tolak H0 jika 0 tidak masuk dalam confidence interval untuk 1. Confidence Interval 95% untuk 1 = 5  3,182(1,08) = 5  3,44 atau 1,56 sampai 8,44 Kesimpulan Tolak H0, banyaknya iklan melalui TV signifikan mempengaruhi jumlah mobil yang terjual (pada =0,05).

UJI SIGNIFIKANSI: Uji F Hipotesis H0: 1 = 0 Ha: 1 = 0 Statistik Uji F = MSR/MSE Aturan Penolakan Tolak H0 jika F > F dimana F didasarkan pada distribusi F dengan derajat bebas 1 dan n - 2.

CONTOH: REED AUTO SALES Uji F Hipotesis H0: 1 = 0 Ha: 1 = 0 Aturan Penolakan Untuk  = 0,05 & derajat bebas = 1, 3: F0,05 = 10,13 Tolak H0 jika F > 10,13 Statistik Uji F = MSR/MSE = 100/4,667 = 21,43 Kesimpulan H0 ditolak.

EXERCISE A medical laboratory at Duke University estimates the amount of protein in liver samples using regression analysis. A spectrometer emitting light shines through a substance containing the sample, and the amount of light absorbed is used to estimate the amount of protein in the sample. A new estimated regression equation is developed daily because of differing amounts of dye in the solution. On one day, six samples with known protein concentrations gave the absorbence readings shown below. Use these data to develop an estimated regression equation relating the light absorbence reading to milligrams of protein present in the sample. Compute r2. Would you feel comfortable using this estimated regression equation to estimate the amount of protein in a sample? In a sample just received, the light absorbence reading was .941. Estimate the amount of protein in the sample.