ANALISIS REGRESI & KORELASI

Presentasi berjudul: "ANALISIS REGRESI & KORELASI"— Transcript presentasi:

1 ANALISIS REGRESI & KORELASI

2 PENDAHULUAN Analisis regresi dan korelasi menyatakan hubungan antara dua variabel atau lebih. Analisis regresi : menunjukkan bentuk hubungan antara dua variabel atau lebih persamaan regresi Analisis korelasi : menunjukkan kekuatan hubungan antara dua variabel atau lebih  koefisien korelasi

3 Dalam suatu persamaan regresi terdapat 2 macam variabel, yaitu :
Variabel dependen (variabel tak bebas) adalah variabel yang nilainya bergantung dari variabel lain. Biasanya dinyatakan dengan Y. Variabel independen (variabel bebas) adalah variabel yang nilainya tidak bergantung dari variabel lain. Biasanya dinyatakan dengan X.

4 ANALISIS REGRESI Regresi dikelompokkan menjadi 2 : 1. Regresi linier
Regresi linier terdiri dari : a. Regresi linier sederhana : * 1 variabel tak bebas (dependent) dan 1 variabel bebas (independent). b. Regresi linier berganda * 1 variabel tak bebas dan lebih dari 1 variabel bebas 2. Regresi tak linier

5 Contoh penggunaan analisis regresi
Analisis Regresi antara tinggi orang tua terhadap tinggi anaknya (Gultom). Analisis Regresi antara pendapatan terhadap konsumsi rumah tangga. Analisis Regresi antara harga terhadap penjualan barang. Analisis Regresi antara tingkat upah terhadap tingkat pengangguran. Analisis Regresi antara tingkat suku bunga bank terhadap harga saham Analisis regresi antara biaya periklanan terhadap volume penjualan perusahaan.

6 Langkah pertama dalam menganalisa relasi antar variabel adalah dengan membuat diagram pencar (scatter diagram) yang menggambarkan titik-titik plot dari data yang diperoleh. Diagram pencar ini berguna untuk : membantu dalam melihat apakah ada relasi yang berguna antar variabel, membantu dalam menentukan jenis persamaan yang akan digunakan untuk menentukan hubungan tersebut.

7 Linier positif Linier negatif

8 Curvelinier positif Curvelinier negatif

9 Analisis Regresi Linier Sederhana
Suatu persamaan garis lurus yang menyatakan hubungan antara sebuah variabel bebas X dan sebuah variabel tidak bebas Y, dan digunakan untuk memperkirakan nilai Y berdasarkan nilai X disebut sebagai persamaan regresi

10 Metode kuadrat terkecil
Adalah suatu metode yang digunakan untuk menentukan persamaan linier estimasi Kriteria ini dikenal dengan prinsip kuadrat terkecil (principle of least square). Prinsip pemilihan garis regresi ini adalah “pilih garis yang mempunyai jumlah kuadrat deviasi nilai observasi Y terhadap nilai Y prediksinya yang minimum sebagai garis regresi yang paling baik”

11 b adalah kemiringan garis,
Persamaan regresi estimasi yang baik secara umum dimana adalah nilai estimasi Y berdasarkan X yang dipilih. a adalah titik potong Y. b adalah kemiringan garis, X adalah sembarang nilai variabel bebas yang dipilih

12 Nilai a dan b adalah :

13

14

15

16 Uji Koefisien regresi

17 Contoh

18

19 Regresi Linier Berganda
Model regresi linier berganda melibatkan lebih dari satu variabel bebas. Modelnya : Dimana Y = variabel terikat Xi = variabel bebas ( i = 1, 2, 3, …, k) 0 = intersep i = koefisien regresi ( i = 1, 2, 3, …, k) Model penduganya adalah

20 Regresi Linier Berganda
Misalkan model regresi dengan kasus 2 peubah bebas X1 dan X2 maka modelnya : Sehingga setiap pengamatan Akan memenuhi persamaan

21 Menaksir Koefisien Regresi Dengan Menggunakan Matriks
Dari hasil Metode Kuadrat Terkecil didapatkan persamaan normal : …..

22 Menaksir Koefisien Regresi Dengan Menggunakan Matriks
Tahapan perhitungan dengan matriks : Membentuk matriks A, b dan g

23 Menaksir Koefisien Regresi Dengan Menggunakan Matriks

24 Menaksir Koefisien Regresi Dengan Menggunakan Matriks
Membentuk persamaan normal dalam bentuk matriks A b = g Perhitungan matriks koefisien b b = A-1 g

25 Metode Pendugaan Parameter Regresi
Dengan Metode Kuadrat Terkecil, misalkan model terdiri dari 2 variabel bebas Tahapan pendugaannya : 1. Dilakukan turunan pertama terhadap b0 , b1 dan b2

26 Metode Pendugaan Parameter Regresi
2. Ketiga persamaan hasil penurunan disamakan dengan nol

27 Metode Pendugaan Parameter Regresi
3. Nilai b1 dan b2 dapat diperoleh dengan memakai aturan-aturan dalam matriks

28 Uji Kecocokan Model Dengan Koefisien Determinasi
R2 menunjukkan proporsi variasi total dalam respon Y yang dapat diterangkan oleh model r merupakan koefisien korelasi antara Y dengan kelompok X1 , X2 , X3 , … , Xk

29 Uji Kecocokan Model Dengan Pendekatan Analisis Ragam Tahapan Ujinya :
Hipotesis = H0 :   0 H1 :   0 dimana  = matriks [ 0, 1, 2, … , k ]

30 Uji Kecocokan Model Tabel Analisis Ragam Regresi JKR k JKR / k JKR /k
Komponen Regresi SS db MS Fhitung Regresi JKR k JKR / k JKR /k s2 Galat JKG n – k – 1 s2 = JKG / n-k-1 Total JKT n – 1

31 Fhitung > Ftabel(1 , n-k-1)
Uji Kecocokan Model Pengambilan Keputusan H0 ditolak jika pada taraf kepercayaan  Fhitung > Ftabel(1 , n-k-1)

32 Uji Parsial Koefisien Regresi
Tahapan Ujinya : Hipotesis = H0 : j  0 H1 : j  0 dimana j merupakan koefisien yang akan diuji

33 Uji Parsial Koefisien Regresi
2. Statistik uji : Dimana : bj = nilai koefisien bj s = cjj = nilai matriks A-1 ke-jj

34 Uji Parsial Koefisien Regresi
3. Pengambilan keputusan H0 ditolak jika pada taraf kepercayaan  thitung > t /2(db= n-k-1)

35 Pemilihan Model Terbaik
All Possible Regression Tahapan pemilihan : Tuliskan semua kemungkinan model regresi dan kelompokkan menurut banyaknya variabel bebas Urutkan model regresi menurut besarnya R2 Periksalah untuk setiap kelompok apakah terdapat suatu pola variabel yang konsisten Lakukan analisa terhadap kenaikan R2 pada tiap kelompok

36 Pemilihan Model Terbaik
Contoh : Akan dianalisis model regresi yang terdiri dari 4 variabel bebas Pembagian kelompoknya Kelompok A terdiri dari koefisien intersep Kelompok B terdiri dari 1 variabel bebas Kelompok C terdiri dari 2 variabel bebas Kelompok D terdiri dari 3 variabel bebas Kelompok E terdiri dari 4 variabel bebas

37 Pemilihan Model Terbaik
Persamaan regresi yang menduduki posisi utama dalam setiap kelompok adalah Persamaan terbaiknya adalah Y = f(X1 , X4) Kelompok Model Regresi R2 B Y = f(X4) 67,5% C Y = f(X1 , X2) 97,9% Y = f(X1 , X4) 97,2% D Y = f(X1 , X2 , X4) 98,234% E Y = f(X1 , X2 , X3, X4) 98,237%

38 Pemilihan Model Terbaik
Backward Elimination Procedur Tahap pemilihannya : Tuliskan persamaan regresi yang mengandung semua variabel Hitung nilai t parsialnya Banding nilai t parsialnya Jika tL < tO maka buang variabel L yang menghasilkan tL, kemudian hitung kembali persamaan regresi tanpa menyertakan variabel L Jika tL > tO maka ambil persamaan regresi tersebut

39 Pemilihan Model Terbaik
Contoh : Akan dianalisis model regresi yang terdiri dari 4 variabel bebas Model regresi yang mengandung semua variabel bebas Model terbaiknya Y = f(X1,X2) Persamaan Regersi t parsial F Y = f(X1,X2,X3,X4) 157,266* X1 4,337* X2 0,497* X3 0,018 X4 0,041* Y = f(X1,X2,X4) 166,83* 154,008* 5,026* 1,863 Y = f(X1,X2) 229,5*

40 Pemilihan Model Terbaik
Stepwise Regression Procedur Tahap pemilihannya : Hitung korelasi setiap variabel bebas terhadap variabel Y. Variabel bebas dengan nilai korelasi tertinggi masukkan dalam model regresi (syarat uji F menunjukkan variabel ini berpengaruh nyata) Hitung korelasi parsial setiap variabel bebas tanpa menyertakan variabel bebas yang telah mauk model. Masukkan variabel bebas dengan korelasi parsial tertinggi ke dalam model Hitung nilai t parsial variabel yang telah masuk model, jika tidak berpengaruh nyata keluarkan dari model Kembali ke langkah ii

41 Pemilihan Model Terbaik
Contoh : Akan dianalisis model regresi yang terdiri dari 4 variabel bebas

42 Model terbaik Y = f(X1 , X2) Model Variabel Korelasi t parsial F riy
0,731 r2y 0,816 r3y -0,535 r4y -0,821 Y = f(X4) 22,798* r1y.4 0,915 r2y.4 0,017 r3y.4 0,801 Y = f(X1,X4) 176,627* r2y.14 0,358 X1 = 108,223* r3y.14 0,320 X4 = 159,295* Y = f(X1, X2,X4) 166,832* X1 = 154,008* X2 = 5,026* X4 = 1,863 r3y.124 0,002 Y = f(X1, X2) 229,504* Model terbaik Y = f(X1 , X2)

43 Regresi Linear Non Linear

44 Analisis Korelasi

45 Koefisien Korelasi Arti besar nilai r
Jika r = 1 atau mendekati 1 maka hubungan antara 2 variabel sangat kuat secara positif yaitu hubungan yang terjadi searah yaitu apabila nilai X meningkat maka Y juga akan semakin meningkat dan sebaliknya. Jika r = -1 atau mendekati -1 maka hubungan antara 2 variabel sangat kuat secara negatif yaitu hubungan yang terjadi berbalik arah yaitu apabila nilai X meningkat maka akan diikuti dengan penurunan Y atau sebaliknya. Jika r = 0 atau mendekati 0 maka hubungan antara 2 variabel tidak ada atau lemah maka dapat dikatakan tidak terdapat hubungan antara X dan Y.

46 Berdasarkan nilai derajat korelasinya baik positif maupun negatif adalah :
0,7 – 1 : Kuat/erat 0,4 – 0,7 : Sedang 0,2 – 0,4 : Rendah < 0, : Lemah atau diabaikan dan dianggap tidak adanya hubungan antar 2 variabel

47 Koefisien Korelasi Y X r = 0 Y X r = -1

48 Uji Korelasi

49 Contoh