Regresi Kuadrat Terkecil

Slides:



Advertisements
Presentasi serupa
REGRESI NON LINIER (TREND)
Advertisements

BAB II ANALISA DATA.
REGRESI DAN KORELASI Pada bab ini akan membahas dua bagian yang saling berhubungan, khususnya dua kejadian yang dapat diukur secara matematis. Dalam hal.
PENDUGA REGRESI (REGRESSION ESTIMATOR)
REGRESI LINEAR BERGANDA DAN REGRESI (TREND) NONLINEAR
Regrasi Polinomial Fata Nidaul Khasanah L
Hubungan Antar Sifat.
Interpolasi Newton dan Lagrange
Pertemuan 14 Regresi non linier
REGRESI (TREND) NONLINEAR
REGRESI LINEAR BERGANDA DAN REGRESI (TREND) NONLINEAR
PERAMALAN /FORE CASTING
Beberapa Problem Optimasi:
INTERPOLASI.
Regresi Non-Linier Metode Numerik
Chapter 18 Interpolasi.
Interpolasi.
Regresi Linier Metode Numerik Oleh: Ir. Kutut Suryopratomo, MT., MSc.
III. PENCOCOKAN KURVA III. PENCOCOKAN KURVA 3.1 PENDAHULUAN
Interpolasi Newton Oleh: Davi Apriandi
REGRESI DAN KORELASI.
Analisis Korelasi dan Regresi linier
INTERPOLASI Edy Mulyanto.
6. Pencocokan Kurva Regresi & Interpolasi.
Interpolasi Polinomial Metode Numerik
HAMPIRAN NUMERIK FUNGSI
ANALISIS DATA ESKPERIMENTAL FISIKA
MENENTUKAN GARIS LURUS TERBAIK
BAB IX ANALISIS DATA BERKALA (Menentukan Trend) (Pertemuan ke-17)
STATISTIKA ANALISIS REGRESI DAN KORELASI
REGRESI LINEAR SEDERHANA
Hampiran Fungsi.
Materi elearning Penganggaran bisnis 21B kamis, 17 maret 2016 momo
REGRESI LINEAR SEDERHANA
Materi Pokok 26 KORELASI DUA PEUBAH ACAK
Analisis Time Series.
Operations Management
REGRESI LINEAR BERGANDA DAN REGRESI (TREND) NONLINEAR
Ekonomi Manajerial dalam Perekonomian Global
Interpolasi dengan Metode Lagrange
REGRESI LINEAR BERGANDA DAN REGRESI (TREND) NONLINEAR
REGRESI LINEAR BERGANDA
SOLUSI PERSAMAAN NON LINEAR
REGRESI DAN KORELASI What are regression & correlation analysis?
MENENTUKAN PENDEKATAN SUATU FUNGSI DENGAN MENGGUNAKAN DERET TAYLOR
Regresi Linear Sederhana
METODE NUMERIK INTERPOLASI.
MUHAMMAD HAJARUL ASWAD
Disampaikan Pada Kuliah : Ekonometrika Terapan Jurusan Ekonomi Syariah
BAB 6 analisis runtut waktu
BAB 7 persamaan regresi dan koefisien korelasi
REGRESI LINEAR oleh: Asep, Iyos, Wati
Pencocokan Kurva / Curve Fitting
METODE NUMERIK INTERPOLASI.
Metode Numerik Prodi Teknik Sipil
REGRESI 1 1.OBSERVASI 2.PENGAMATAN 3.PENGUKURAN (Xi, Yi)
INTERPOLASI DAN PENGHAMPIRAN
Bab 9 Regresi Polinomial
DERET BERKALA DAN PERAMALAN
B. Titik Stasioner dan Kecekungan Kurva
Regresi Nana Ramadijanti.
METODE NUMERIK (3 SKS) STMIK CILEGON.
D. Kecekungan dan Titik Belok Suatu Fungsi
Gunawan.ST.,MT - STMIK-BPN
C. Persamaan Garis Singgung Kurva
Persamaan non Linier Indriati., ST., MKom.
Transformasi Z Transformasi Z (satu sisi) didefinisikan sbb
Lektion ACHT(#8) – analisis regresi
Transformasi Z Transformasi Z (satu sisi) didefinisikan sbb
C. Persamaan Garis Singgung Kurva
Transcript presentasi:

Regresi Kuadrat Terkecil Bab 11 Regresi Kuadrat Terkecil

Pendahuluan Tujuh titik data dengan variabilitas yang signifikan Kurva interpolasi polinomial orde-6 menunjukkan adanya osilasi hebat Garis pencocokan(fitting) kuadrat terkecil yang menunjukkan perbaikan trend

Regresi Linear minimize Diketahui: n titik(x1, y1), (x2, y2), …, (xn, yn) Ditanya : Garis y = a0 + a1x yang paling sesuai dengan n titik diatas. minimize minimize minimize minimize

Pencocokan Kuadrat Terkecil sebuah Garis Untuk meminimize Sr: dengan dan

Contoh Pencocokan Kuadrat Terkecil sebuah Garis

Error Kuantifikasi Pada Regresi Linear S kecilr (coefficient of determination) Keduanya dapat di-dekati dengan baik S besarr (Koefisien korelasi)

Contoh Aplikasi Regresi Linear (b) Seberapa baik perkiraannya Calculated v by Eq. (a) Calculated v by Eq. (b) Measured v Eq. (a) vmodel = -0.859 + 1.032vmeasure Eq. (b) Pencocokkan yang baik akan punya lereng 1,intercept 0 dan r2 = 1. vmodel = 5.776 + 0.752vmeasure

Linearisasi Persamaan Nonlinear Regresi Nonlinear Data yang tidak cocok dengan bentuk linear Transformasi Linear (jika mungkin)

Regresi linear pada (log x, log y) Contoh Linearisasi x y log x log y 0.5 0 -0.301 1.7 0.301 0. 226 3.4 0.477 0.534 5.7 0.602 0.753 8.4 0.699 0.922 Regresi linear pada (log x, log y) log y = 1.75 log x – 0.300 log a2 = – 0.300 a2 = 10-0.3 = 0.5 b2 = 1.75 y = 0.5x1.75

Regresi Polinomial Diketahui : n titik (x1, y1), (x2, y2), …, (xn, yn) Ditanya : Suatu polinomial y = a0 + a1x + a2x2 + … amxm yang meminimizes Standard error: Contoh: polynomial 2nd-order y = a0 + a1x + a2x2

Contoh regresi Polinomial 2nd-order m = 2 ∑xi = 15 ∑xi4 = 979 n = 2 ∑yi = 152.6 ∑xiyi = 585.6 ∑xi2= 55 ∑xi2yi = 2488.9 ∑xi3= 225 y = 2.47857 + 2.35929x + 1.86071x2

Regresi Linear Jamak Diketahui : n titik 3D (y1, x11, x12) (y2, x12, x22), …, (yn, x1n, x2n) Ditanya : suatu bidang y = a0 + a1x1 + a2x2 yg meminimizes Pembuatan sampai ke dimensi ke-m : hyper plane y = a0 + a1x1 + a2x2 + … + amxm

Kuadrat Terkecil Linear secara Umum Kuadrat Terkecil Linear: y = a0 + a1x1 Kuadrat Terkecil Multi linear: y = a0 + a1x1 + a2x2 + … + amxm Kuadrat Terkecil polinomial: y = a0 + a1x + a2x2 + … amxm y = a0z0 + a1z1 + a2z2 + … + amzm {Y} = [Z] {A} + {E} [C] {A} = {D} ([C] simetris, misal. linear dan polynomial)

Regresi Non Linear Misal Kita tahu bahwa data {(x1, y1), (x2,y2), …, (xn, yn)} mirip dengan fungsi f(x) = a0(1 – e-a1x); bagaimana cara mencari a0 dan a1yang paling tepat ? Ekspansi deret Taylor + regresi linear+ iterasi Ekspansi taylor pada titik data xi and state sakarang j {D} = [Zj] {∆A} + {E} Least squares a0,j+1 = a0,j + ∆a0 and a1,j+1 = a1,j + ∆a1