Metode Statistika Pertemuan XIV

Slides:



Advertisements
Presentasi serupa
Korelasi & Regresi Oleh: Bambang Widjanarko Otok.
Advertisements

ANALISIS REGRESI DAN KORELASI
Metode Statistika Pertemuan XII
ANALISIS REGRESI DAN KORELASI
REGRESI LINIER SEDERHANA
ANALISIS REGRESI.
Kesetaraan Uji Koefisien Regresi dan Koefisien Korelasi
ANALISIS REGRESI DAN KORELASI
Erni Tri Astuti Sekolah Tinggi Ilmu Statistik
BAB III ANALISIS REGRESI.
Regresi linier sederhana
BAB XIII REGRESI BERGANDA.
Diunduh dari: SMNO FPUB….. 19/10/2012
Analisis Deret Waktu: Materi minggu ketiga
BAB 15 ANALISIS REGRESI DAN KORELASI LINIER
Statistik Inferensial Diskriptif Assalamu’alaikum Parametrik
Analisis Regresi. ANALISIS REGRESI Melihat ‘pengaruh’ variable bebas/independet variabel/ thd variable terikat/dependent variabel. Berdasarkan jumlah.
MODUL STATISTIKA BISNIS DAN INDUSTRI
ANALISIS REGRESI SEDERHANA
ANALISIS REGRESI DAN KORELASI
Anas Tamsuri UJI STATISTIK UJI STATISTIK.
TEKNIK ANALISIS REGRESI
BAB 15 ANALISIS REGRESI DAN KORELASI LINIER
Analisis Data Kuantitatif
REGRESI LINIER BERGANDA (MULTIPLE LINEAR REGRESSION)
Metode Statistika Pertemuan XII
Metode Statistika Pertemuan XIV
Regresi Berganda Statistika Ekonomi II Pertemuan Ke 10
KORELASI & REGRESI.
ANALISIS REGRESI DAN KORELASI LINIER
Analisis Korelasi dan Regresi linier
Regresi dan Korelasi Linier
REGRESI NON LINIER Gangga Anuraga, M.Si.
ANALISIS REGRESI DAN KORELASI
PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER
Regresi Linier Berganda
Analisis Korelasi dan Regresi
Pertemuan ke 14.
EKONOMETRIKA Pertemuan 4,5 Estimasi Parameter Model Regresi
Program Studi Statistika, semester Ganjil 2012/2013
Ekonomi Manajerial Bab 5 : Penaksiran Fungsi Permintaan
Pertemuan ke 14.
Regresi Linier Berganda
Program Studi Statistika, semester Ganjil 2012/2013
Analisis REGRESI.
Regresi Linier Sederhana
Metode Statistika Pertemuan XII
EKONOMETRIKA Pertemuan 9: Pengujian Asumsi-asumsi Klasik (Bagian 1)
Praktikum Metode Regresi MODUL 1
STATISTIKA INDUSTRI I ANALISIS REGRESI DAN KORELASI LINIER (1)
Analisis Regresi Pengujian Asumsi Residual
REGRESI LINIER BERGANDA (MULTIPLE LINEAR REGRESSION)
Analisis Regresi.
Ekonomi Manajerial Bab 5 : Penaksiran Fungsi Permintaan
BAB 7 persamaan regresi dan koefisien korelasi
Koefisien Baku dan Elastisitas
REGRESI 1 1.OBSERVASI 2.PENGAMATAN 3.PENGUKURAN (Xi, Yi)
Regresi Linier Berganda
REGRESI LINIER BERGANDA
Metode Statistika Pertemuan XII
Pokok Bahasan : Review Regresi Linier Sederhana dan Berganda
HYPOTHESIS TESTING Beberapa Pengertian Dasar : Hipotesis Statistik
ANALISIS REGRESI & KORELASI
Pasca Sarjana Unikom Model Regresi Pasca Sarjana Unikom
Metode Statistika Pertemuan XII
Pasca Sarjana Unikom Model Regresi Pasca Sarjana Unikom
Metode Statistika Pertemuan XII
ANALISIS REGRESI DAN KORELASI
Analisis Regresi Regresi Linear Sederhana
Metode Statistika Pertemuan XII
Transcript presentasi:

Metode Statistika Pertemuan XIV Analisis Korelasi dan Regresi

Analisis Hubungan Jenis/tipe hubungan Ukuran Keterkaitan Pemodelan Keterkaitan Skala pengukuran variabel

Relationship vs Causal Relationship Tidak semua hubungan (relationship) berupa hubungan sebab-akibat Penentuan suatu hubungan bersifat sebab-akibat memerlukan well-argued position dari bidang ilmu terkait

Alat Analisis Keterkaitan Ditentukan oleh: Skala pengukuran data/variabel Jenis hubungan antar variabel Relationship Numerik Kategorik Korelasi Pearson, Spearman Tabel Ringkasan Spearman (ordinal), Chi Square Causal relationship X Y Numerik Kategorik Regresi Linier ANOVA Regresi Logistik

Regresi Melihat pengaruh variabel independen terhadap variabel dependen Hubungan linear dan non linear Sederhana atau berganda Linear : linear dalam parameter Sederhana : hanya satu peubah penjelas Berganda : lebih dari satu peubah penjelas © T R Black 1998

Contoh Model Regresi

Regresi Secara umum analisis regresi bertujuan untuk: 1. Menduga/meramal dependent variable contoh: Menduga bobot badan, dengan variabel lain yang mudah diukur. Variabel penjelas apa saja yang digunakan, model apa yang digunakan, dan seberapa besar kontribusi masing-masing variabel penjelas menjadi tidak penting untuk tujuan ini. Yang penting adalah mendapatkan perkiraan bobot badan yang mendekati nilai sesungguhnya berdasar variabel penjelas. 2. Pemilihan variabel contoh: Mencari faktor-faktor yang mempengaruhi pendapatan per kapita. Untuk tujuan ini berapa pendapatan per kapita tidak menjadi tumpuan perhatian, yang penting variabel apa saja yang dominan mempengaruhi pendaptan per kapita. © T R Black 1998

3. Spesifikasi model contoh: Menentukan bentuk hubungan antara harga ban mobil dengan harga karet mentah. Apakah harga karet mentah mempengaruhi harga ban mobil secara linear, kuadratik, eksponensial, atau bentuk yang lain. Dalam hal ini pemahaman teori tentang masalah yang dikaji sangat membantu. 4. Pendugaan parameter contoh: Membandingkan seberapa besar sumbangan masing-masing faktor input dalam menentukan produksi hasil pertanian. Dalam hal ini yang terpenting adalah untuk menentukan besarnya koefisien regresi dari masing-masing independent variabel. © T R Black 1998

Simple Linear Regression Peubah penjelas satu Multiple Linear Regression Hubungan parameter linear non linear Regresi non linear Regresi Linear

ANALISIS REGRESI Hubungan Antar Peubah: Fungsional (deterministik)  Y=f(X) ; misalnya: Y=10X Statistik (stokastik)  amatan tidak jatuh pas pada kurva Mis: IQ vs Prestasi, Berat vs Tinggi, Dosis Pupuk vs Produksi Model regresi linear sederhana:

Regresi Makna 0 & 1 ? 0 adalah nilai Y ketika X = 0, sedangkan 1 adalah perubahan nilai Y untuk setiap perubahan 1 satuan X.

Regresi

Analisis Regresi Pendugaan terhadap koefisien regresi: b0 penduga bagi 0 dan b1 penduga bagi 1 Metode Kuadrat Terkecil Bagaimana Pengujian terhadap model regresi ?? parsial (per koefisien)  uji-t bersama  uji-F (Anova) Bagaimana menilai kesesuaian model ?? R2 (Koef. Determinasi: % keragaman Y yang mampu dijelaskan oleh X)

Metoda Kuadrat Terkecil Pendugaan parameter pada regresi didapat dengan meminimumkan jumlah kuadrat galat.

Keragaman yang dapat dijelaskan dan yang tidak dapat dijelaskan

𝑌 𝑖 − 𝑌 𝑖 = 𝑌 𝑖 − 𝑏 0 − 𝑏 1 𝑋 𝑖 = 𝑒 𝑖 𝑄=Σ 𝑒 𝑖 2 =Σ 𝑌 𝑖 − 𝑏 0 − 𝑏 1 𝑋 𝑖 2 Minimumkan Q 𝜕𝑄 𝜕 𝑏 0 =2Σ 𝑌 𝑖 − 𝑏 0 − 𝑏 1 𝑋 𝑖 −1 =0 𝜕𝑄 𝜕 𝑏 1 =2Σ 𝑌 𝑖 − 𝑏 0 − 𝑏 1 𝑋 𝑖 − X i =0

Σ 𝑌 𝑖 −𝑛 𝑏 0 − 𝑏 1 Σ 𝑋 𝑖 =0 𝑏 0 = 𝑌 − 𝑏 1 𝑋 Σ 𝑋 𝑖 𝑌 𝑖 − 𝑏 0 Σ 𝑋 𝑖 − 𝑏 1 Σ 𝑋 𝑖 2 =0 Σ 𝑋 𝑖 𝑌 𝑖 −𝑏 1 Σ 𝑋 𝑖 2 − Σ 𝑌 𝑖 Σ 𝑋 𝑖 𝑛 + 𝑏 1 Σ 𝑋 𝑖 Σ 𝑋 𝑖 𝑛 =0 𝑏 1 = (Σ 𝑋 𝑖 𝑌 𝑖 − Σ 𝑌 𝑖 Σ 𝑋 𝑖 𝑛 )/(Σ 𝑋 𝑖 2 − Σ 𝑋 𝑖 Σ 𝑋 𝑖 𝑛 )

Contoh Data Percobaan dalam bidang lingkungan Apakah semakin tua mobil semakin besar juga emisi HC yang dihasilkan? Diambil contoh 10 mobil secara acak, kemudian dicatat jarak tempuh yang sudah dijalani mobil (dalam ribu kilometer) dan diukur Emisi HC-nya (dalam ppm) Jarak Emisi 31 553 38 590 48 608 52 682 63 752 67 725 75 834 84 752 89 845 99 960 Emisi = 382 + 5.39 Jarak

Analisis Regresi Plot antara Emisi Hc (ppm) dg Jarak Tempuh Mobil (ribu kilometer)

Pendugaan Koefisien Regresi Emisi (Y) Jarak (X) Y2 X2 XY 553 31 305809 961 17143 590 38 348100 1444 22420 608 48 369664 2304 29184 682 52 465124 2704 35464 752 63 565504 3969 47376 725 67 525625 4489 48575 834 75 695556 5625 62550 84 7056 63168 845 89 714025 7921 75205 960 99 921600 9801 95040 Total 7301 646 5476511 46274 496125

Pendugaan koefisien regresi Emisi = 382 + 5.39 Jarak

Diskusi (1) Berapa emisi HC yang dihasilkan jika jarak tempuh sekitar 70 ribu km? Berapa emisi HC yang dihasilkan jika jarak tempuh sekitar 110 ribu km? apakah hasil dugaan ini valid? Kenapa?

Analisis Regresi Contoh output regresi Regression Analysis (Emisi Hc vs Jarak Tempuh Mobil) The regression equation is Emisi = 382 + 5.39 Jarak Predictor Coef StDev T P Constant 381.95 42.40 9.01 0.000 Jarak 5.3893 0.6233 8.65 0.000 S = 42.01 R-Sq = 90.3% R-Sq(adj) = 89.1% Analysis of Variance Source DF SS MS F P Regression 1 131932 131932 74.76 0.000 Error 8 14118 1765 Total 9 146051 Unusual Observations Obs Jarak Emisi Fit StDev Fit Residual St Resid 8 84.0 752.0 834.7 18.0 -82.7 -2.18R R denotes an observation with a large standardized residual

Analisis Regresi Bagaimana Pengujian terhadap model regresi ?? parsial (per koefisien)  uji-t bersama  uji-F (Anova) Bagaimana menilai kesesuaian model ?? R2  Koef. Determinasi (% keragaman Y yang mampu dijelaskan oleh X)

Uji Hipotesis H0 : 1=0 vs H1: 10 ANOVA (Analysis of Variance)  Uji F JK total = JK regresi + JK error Keragaman total = keragaman yang dapat dijelaskan oleh model + keragaman yang tidak dapat dijelaskan oleh model Anova Sumber db JK KT F Regresi 1 JKR KTR KTR/KTE Error n - 2 JKE KTE   Total n - 1 JKT F ~ F (1,n-2)

Uji Hipotesis H0 : 1≤0 vs H1: 1>0 Uji Parsial Statistik uji:

Var( 𝑏 0 )= 𝜎 2 ( 1 𝑛 + 𝑥 2 ∑ 𝑥− 𝑥 2 ) Var( 𝑦 0 )= 𝜎 2 1 𝑛 + 𝑥 0 − 𝑥 2 ∑ 𝑥− 𝑥 2 Var( 𝑦 0 −𝑦 0 )= 𝜎 2 1+ 1 𝑛 + 𝑥 0 − 𝑥 2 ∑ 𝑥− 𝑥 2 𝑅 2 = 𝐽𝐾𝑅 𝐽𝐾𝑇 =1− 𝐽𝐾𝐸 𝐽𝐾𝑇 𝑅 𝑎 2 =1− 𝑛−𝑝 𝑛−𝑝−1 (1− 𝑅 2 )

Diskusi (2) Berapa emisi HC yang dihasilkan jika jarak tempuh sekitar 70 ribu km? Tentukan selang kepercayaan 95% bagi emisi HC jika waktu tempuhnya sekitar 70 ribu km?  prediction interval Tentukan selang kepercayaan 95% bagi rata-rata emisi HC jika waktu tempuhnya sekitar 70 ribu km?  confidence interval Lebih lebar mana selang interval antara prediction interval dengan confidence interval? Kenapa?

Diskusi (3) Tentukan formula untuk prediction interval dan confidence interval!

Keterbatasan Korelasi dan Regresi Linear Korelasi dan Regresi Linear hanya menggambarkan hubungan yang linear Korelasi dan metode kuadrat terkecil pada regresi linear tidak resisten terhadap pencilan Prediksi di luar selang nilai X tidak diperkenankan karena kurang akurat Hubungan antara dua variabel bisa dipengaruhi oleh variabel lain di luar model

‘All models are wrong, but some are useful’ (G. E. P. Box)

Korelasi

Korelasi r = 1 r = 0 r = 0 r = 0

Korelasi

Koefisien Korelasi tidak menggambarkan hubungan sebab akibat nilainya berkisar antara -1 dan 1 tanda (+) / (-)  arah hubungan (+) searah; (-) beralawanan arah Pearson’s Coef of Correlation  linear relationship Spearman’n Coef of Correlation (rank correlation)  trend relationship

KEKAR TERHADAP OUTLIER PARAMETRIK NON PARAMETRIK LINEAR RELATIONSHIP TREND RELATIONSHIP  RANK CORRELATION PEARSON CORRELATION SPEARMAN CORRELATION KEKAR TERHADAP OUTLIER

Pearson correlation Spearman correlation R = peringkat dari X S = peringkat dari Y = rataan peringkat X = rataan peringkat Y

Korelasi !!!

Contoh Data Percobaan dalam bidang lingkungan Apakah semakin tua mobil semakin besar juga emisi HC yang dihasilkan? Diambil contoh 10 mobil secara acak, kemudian dicatat jarak tempuh yang sudah dijalani mobil (dalam ribu kilometer) dan diukur Emisi HC-nya (dalam ppm) Jarak Emisi 31 553 38 590 48 608 52 682 63 752 67 725 75 834 84 752 89 845 99 960

Plot antara Emisi Hc (ppm) dg Jarak Tempuh Mobil (ribu kilometer)

Pendugaan Koefisien Korelasi Pearson Emisi (Y) Jarak (X) Y2 X2 XY 553 31 305809 961 17143 590 38 348100 1444 22420 608 48 369664 2304 29184 682 52 465124 2704 35464 752 63 565504 3969 47376 725 67 525625 4489 48575 834 75 695556 5625 62550 84 7056 63168 845 89 714025 7921 75205 960 99 921600 9801 95040 Total 7301 646 5476511 46274 496125

Pendugaan koefisien korelasi Pearson

Pengujian Korelasi Ho : tidak ada Korelasi ( = 0) H1 : Ada korelasi ( = 0) Statistik uji : db = n-2 Hipotesis nol lebih general (Ho : =p)

KORELASI SPEARMAN Misalkan pengamatan ke-10 menjadi jarak yang ditempuh = 63, namun buangan gas emisi-nya sebesar 1010 Emisi (Y) Jarak (X) 553 31 590 38 608 48 682 52 752 63 725 67 834 75 84 845 89 1010 Total 7351 610 Korelasi Pearson 0.693

Emisi (Y) Jarak (X) R S R2 S2 RS 553 31 1 590 38 2 4 608 48 3 9 682 52 16 752 63 6 5 36 25 30 725 67 7 49 35 834 75 8 64 84 81 54 845 89 10 100 90 1010 50 Total 7351 610 372 374 353