Upload presentasi
Presentasi sedang didownload. Silahkan tunggu
Diterbitkan olehLeony Shinta Pranoto Telah diubah "6 tahun yang lalu
1
Pertemuan 25 Pemilihan regresi terbaik
Matakuliah : I0174/Analisis regresi Tahun : 2005 Versi : 1 Pertemuan 25 Pemilihan regresi terbaik
2
Learning Outcomes Pada akhir pertemuan ini, diharapkan mahasiswa akan mampu : Memilih regresi terbaik dengan prosedur stepwise dan langkah mundur (backward ellimination)
3
Prosedur backward ellimination Porosedur stepwise
Outline Materi Prosedur backward ellimination Porosedur stepwise
4
Eliminasi langkah mundur (backward elimination)
Dimulai dengan memasukkan seluruh peubah bebas kedalam model kemudian sisihkan satu demi satu Setiap penyisihan variabel uji parameter regresinya
5
Misalkan ada 3 variabel X1, X2 dan X3
Dibuat model lengkap Y = b0 + b1 X1 + b2 X2 + b3 X3 Lalu dihilangkan satu variabel Y = b0 + b1 X1 + b2 X2 Y = b0 + b1 X1 + b3 X3 Y = bo + b2 X2 + b3 X3
6
Dasar pengambilan/penyisihan variabel berdasarkan paling kecil pengaruhnya (nilai R2 paling kecil atau korelasi parsial paling kecil) Uji apakah pengaruh variabel tersebut nyata atau tidak Bila tidak nyata variabel dapat dikeluarkan dari model
7
Tahap selanjutnya mengulangi proses pada tahap sebelumnya
Kelebihan prosedur ini kita dapat melihat seluruh variabel bebas dalam model
8
Regresi bertatar (step-wise regression)
Prosedur ini dimulai dengan memasukan satu demi satu variabel menurut urutan besar pengaruh terhadap model regresi Dimulai dengan memeriksa matrk korelasi Tahap awal plih variabel yang memiliki korelasi tertinggi dengan variabel tak bebas
9
Lalu uji parameter regesinya, bila ternyata tidak nyata maka semua variabel tidak berpengaruh
Bila nyata berpengaruh, lalu masukkan satu variabel baru ke dalam model Pemilihan variabel dengan berdasarkan korelasi parsialnya
10
Uji apakah tambahan variabel tersebut nyata atau tidak
Bila nyata, variabel dapat masuk kedalam model Bila tidak nyata, model sebelumnya tidak perlu ditambah variabel lagi
11
Misalkan ada 3 variabel bebas X1, X2 dan X3
Berdasarkan korelasinya X1 yang paling tinggi, maka model Y = b0 + b1 X1 Lalu diperiksa korelasi parsial rxi,y|x1
12
Bilai korelasi parsial paling tinggi adalah
rx3,y|x1 maka model menjadi Y = bo + b1 X1 + b3 X3 bila berdasarkan uji F ternyata tidak nyata maka model tetap menjadi Y = bo + b1 X1 Bila nyata model menjadi
13
Periksa korelasi parsial terhadap variable sisa setelah model telah dipilih
Pilih korelasi parsial terbesar Masukkan variabel baru kedalam model
14
Bila model nyata, lalu tambahkan variabel X2 sehingga model menjadi
Y = bo + b1 X1 + b2 X2 + b3 X3 Lakukan uji F bila nyata model tersebut dapat dipilih bila tidak nyata model menjadi Y + b0 B1 X1 + b3 X3
15
Setiap pemasukan variabel baru, sama saja dengan memrikasa tambahan jumlah kuadrat regresi yang diakibatkan oleh pemasukan suatu variabel bebas
16
Pemilihan regresi terbaik dapat dimulai dari:
Semua berpengaruh lalu di eliminasi Pengaruh satu variabel kemudian ditambah variabel lain
Presentasi serupa
© 2024 SlidePlayer.info Inc.
All rights reserved.