LOGO
ANALISIS REGRESI LINIER
BERGANDA
BERGANDA
Hazmira
Hazmira YozzaYozza Jur
KOMPETENSI
mengidentifikasikan model regresi linier berganda (dalam notasi aljabar biasa maupun notasi matriks) dan asumsinya
1
mendapatkan model regresi linier berganda dengan menggunakan metode kuadrat terkecil
2
menjelaskan sifat-sifat penduga kuadrat terkecil
3
membentuk tabel analisis ragam, menghitung nilai R² dan dugaan σ² dari suatu model regresi linier berganda
4
melakukan pengujian hipotesis mengenai satu para meter regresi, semua parameter regresi dan beberapa parameter regresi pada analisis regresi linier berganda
5
DATA
Y
X
1X
2…
X
ky
1x
11x
21…
x
k1y
2x
12x
22…
x
k2D A T A
D A T A
y
3x
13x
23…
x
k3:
:
:
:
:
y
nx
1nx
2n…
x
kn HazmiraMODEL LINIER
y
i
=
β
+
β
x
i
+
...
+
β
k
x
ki
+
ε
i
1
1
0
ASUMSI
1. X1, , Xp bukanlan peubah
acak
acak
2.
.
ε
i
~
N
(
0
,
σ
2
)
INTERPRETASI β
Besarnya perubahan respons yang diharapkan bila
peubah X
iberubah sebesar 1 unit dengan asumsi
peubah-peubah lain konstan
.
MODEL LINIER
y
i
=
β
+
β
x
i
+
...
+
β
p
x
pi
+
ε
i
1
1
0
:
n kn k n k k k kx
x
y
n
i
x
x
y
i
x
x
y
i
ε
β
β
β
ε
β
β
β
ε
β
β
β
+
+
+
+
=
=
+
+
+
+
=
=
+
+
+
+
=
=
...
:
:
...
2
...
1
1 1 0 2 2 2 12 1 0 2 1 1 11 1 0 1
+
=
n p pn n p p nx
x
x
x
x
x
y
y
y
ε
ε
ε
β
β
β
:
:
...
1
:
...
:
:
...
1
...
1
:
2 1 1 0 1 2 12 1 11 2 1ε
+
=
Y
X
β
HazmiraMODEL LINIER
ε
+
β
= X
Y
V.respon
V.Galat
Matriks
Rancangan
V.Koefisien
ASUMSI
ε ~ MVN (0,Iσ
2)
Metode Kuadrat Terkecil
Model Dugaan
Y
=
Xb
+
e
Xb
Y
e
=
−
(
) (
)
Xb
X
b
Xb
Y
Y
Y
Xb
X
b
Y
X
b
Xb
Y
Y
Y
Xb
Y
Xb
Y
e
e
JKS
t t t t t t t t t t t t+
−
=
+
−
−
=
−
−
=
=
2
Dengan MKT, b diperoleh dengan meminimumkan JKS
( )
)
(
)
(
0
2
2
2
)
(
2
0
1X
Y
X
X
b
Y
X
Xb
X
Xb
X
Y
X
Xb
X
X
Y
db
e
e
d
t t t t t t t t t t −=
=
=
+
−
=
+
−
=
Dengan MKT, b diperoleh dengan meminimumkan JKS
Persamaan Normal
dalam Analisis Regresi
Linier Berganda
Hazmira
)
'
(
)
'
(
X
X
1X
Y
b
−=
=
=
∑
∑
∑
∑
∑
∑
∑
∑
2 1 2 1 2 1 2 1 1 2 12 1 11 2 1 1 12 111
1
1
1
1
1
'
pi i i i i pi i i pn n p p pn p p nx
x
x
x
x
x
x
x
x
x
x
n
x
x
x
x
x
x
x
x
x
x
x
x
X
X
L
L
L
L
M
O
M
M
L
L
L
M
O
M
M
L
L
Penduga
Penduga MKT
MKT
=
∑
∑
∑
2 2 2 2 pi pi i ix
x
x
x
M
O
L
=
=
∑
∑
∑
i pi i i i n pn p p ny
x
y
x
y
y
y
y
x
x
x
x
x
x
Y
X
:
1
1
1
'
2 1 1 2 1 1 12 11M
L
M
O
M
M
L
L
simetris
Penyekatan Keragaman
JKT = JKR + JKS
(
)
(
)
(
)
∑
y
i−
y
2=
∑
y
ˆ
i−
y
2+
∑
y
i−
y
ˆ
i 2(
Y
'
Y
−
n
Y
2) (
=
b
'
X
'
Y
−
n
Y
2)
+
(
Y
'
Y
−
b
'
X
'
Y
)
KOEFISIEN DETERMINASI
(
)
(
'
)
100
%
'
'
%
100
2 2 2Y
n
Y
Y
Y
n
Y
X
b
JKT
JKR
R
−
−
=
=
HazmiraASUMSI ε ~ MVM (0,Iσ
2)
Diduga dari :
(
) (
)
1
1
ˆ
2 2−
−
−
−
=
−
−
=
=
p
n
Xb
Y
Xb
Y
p
n
JKS
s
tσ
Pengujian Hipotesis Keberartian Model Regresi
Hipotesis
H
0: β1=β2=…= βp=0
(Semua Peubah tidak berpengaruh terhadap Y)
H
1: Ada β
i≠ 0
(Ada peubah yang berpengaruh terhadap Y)
Sumber
Der. bebas
(db)
Jumlah Kuadrat
(JK)
Kuadrat Tengah
(KT)
F
hitungRegresi
dbr = p
JKR=
KTR = JKR/dbr
KTR / KTS
Sisaan
dbs = n-p-1
JKS =
KTS = JKS/dbs
Total
dbt = n-1
JKT =
(
2)
'
'
X
Y
n
Y
b
−
(
Y
' −
Y
b
'
X
'
Y
)
(
2)
'
Y
n
Y
Y
−
F
hitung> F
,p,n-p-1→ Tolak H0 →
Ada peubah yang berpengaruh terhadap Y
Ada peubah yang berpengaruh terhadap Y
Hazmira
Fhitung > F,p,n-p-1
Ada βi≠0
Tolak
H0 :
β1=β2=…= βp=0
βi yang mana???
Lakukan pengujian
masing-masing peubah (masing-masing-masing-masing
parameter regresi)
Sifat-sifat penduga Kuadrat Terkecil
ASUMSI
ε ~ MVM (0,Iσ
2)
2)
(
0
)
(
σ
ε
ε
I
Var
E
=
=
β
ε
β
ε
β
E
X
E
X
X
E
Y
E
(
)
=
(
+
)
=
(
)
+
(
)
=
ε
β +
= X
Y
2)
(
)
(
)
(
Y
Var
X
β
ε
Var
ε
I
σ
Var
=
+
=
=
β
β =
=
=
=
E
X
X
−X
Y
X
X
−X
E
Y
X
X
−X
X
b
E
(
)
((
t)
1(
t))
(
t)
1 t(
)
(
t)
1 t)
(
)
(
X
X
1X
Y
b
t − t=
β
X
Y
E
(
)
=
ε
β +
= X
Y
2)
(
Y
I
σ
Var
=
β
β =
=
=
=
E
X
X
−X
Y
X
X
−X
E
Y
X
X
−X
X
b
E
(
)
((
t)
1(
t))
(
t)
1 t(
)
(
t)
1 t 2 1 2 1 1 1 2 1 1 1 1)
)
(
)
)
(
)
(
)
)
(
(
)
)
(
)
)
)(
(
)
)
(
))
(
)
((
)
(
σ
σ
σ
− − − − − − − −=
=
=
=
=
X
X
X
X
X
X
X
X
X
X
X
I
X
X
X
X
X
X
Y
Var
X
X
X
Y
X
X
X
Var
b
Var
t t t t t t t t t t t t t tβ
=
=
((
)
−(
))
)
(
b
E
X
X
1X
Y
E
t t)
(
)
(
X
X
1X
Y
b
t − t=
2
1
)
)
(
)
(
b
=
X
X
−
σ
Var
t
c
00c
01c
02...
c
0k
=
− kk k k k k k k tc
c
c
c
c
c
c
c
c
c
c
c
c
c
c
c
X
X
...
:
:
:
:
...
...
...
)
(
2 1 0 2 22 21 20 1 12 11 10 0 02 01 00 1O
maka
maka
(
)
=
σ
2(
)
=
σ
2 ii i ib
c
b
Var
2
2
(
b
)
c
s
s
ii
i
=
Jika
Jika
Pengujian Hipotesis Satu Parameter Regresi
Hipotesis
H
0: β
i= 0
(Peubah ke i tidak berpengaruh terhadap Y)
H
1: β
i≠ 0
(Peubah ke i berpengaruh terhadap Y)
Statistik Uji
Bila dinyatakan :
p pc
c
c
c
c
c
c
c
L
L
1 12 11 10 0 02 01 00Bila dinyatakan :
dan
Maka statistik uji adalah :
ii i i i hit
c
s
b
b
r
a
V
b
t
=
=
)
(
ˆ
1 2(
'
)
)
(
−=
X
X
b
Var
σ
=
− pp p p p p pc
c
c
c
c
c
c
c
c
c
c
c
X
X
L
M
O
M
M
M
L
L
2 1 0 2 22 21 20 1 12 11 10 1)
'
(
(
)
)
1
(
'
'
'
2−
−
−
=
=
=
p
n
Y
X
b
Y
Y
dbs
JKS
KTS
s
Pengujian Beberapa Parameter Regresi
Misal ingin diuji, apakah secara bersama-sama
menambahkan peubah X3 dan X4 berpengaruh dalam
menerangkan keragaman Y
Analog dengan menguji hipotesis
H
0: β
3= β
4= 0
(X3 dan X4 berpengaruh terhadap Y)
H
1: Ada β
i≠ 0
(Paling tidak salah satu dari X3 dan X4
(i=3,4)
berpengaruh terhadap Y)
JUMLAH KUADRAT REGRESI SEKUENSIAL
JUMLAH KUADRAT REGRESI SEKUENSIAL
Hazmira
Penyekatan Keragaman
JUMLAH KUADRAT
TOTAL (JKT)
(
2)
'
Y
n
Y
Y
−
(
Y
' −
Y
b
'
X
'
Y
)
JUMLAH KUADRAT
JUMLAH KUADRAT
SISAAN (JKS)
SISAAN (JKS)
JUMLAH KUADRAT
JUMLAH KUADRAT
REGRESI (JKR)
REGRESI (JKR)
(
2)
'
'
X
Y
n
Y
b
−
JKR akan selalu bertambah jika
JKR akan selalu bertambah jika
suatu peubah ditambahkan
suatu peubah ditambahkan
lagi
lagi
ke
ke
dalam sebuah model, paling tidak,
dalam sebuah model, paling tidak,
tidak berkurang
Penyekatan Keragaman
X1 masuk model
X1 masuk model
X2 ditambahkan.
X2 ditambahkan.
Dalam model
Dalam model
terdapat X1 dan
terdapat X1 dan
X2
X2
JKR
JKR
JKR
JKR
JKR(X1)
JKR(X1)
JKR(X1,X2)
JKR(X1,X2)
≤
≤
JKR(X1,X2)
JKR(X1,X2)--JKR(X1)
JKR(X1)
JKR(X2|X1)=
JKR(X2|X1)=
JKR(X1,X2)
JKR(X1,X2)--JKR(X1)
JKR(X1)
JK SEKUENSIAL
JK SEKUENSIAL
X2
X2
X3 ditambahkan.
X3 ditambahkan.
Dalam model
Dalam model
terdapat X1, X2
terdapat X1, X2
dan X3
dan X3
JKR(X1,X2,X3)
JKR(X1,X2,X3)
≤
≤
JKR(X3|X1,X2)=
JKR(X3|X1,X2)=
JKR(X1,X2,X3)
JKR(X1,X2,X3)--JKR(X1,X2)
JKR(X1,X2,X3)
JKR(X1,X2,X3)--JKR(X1,X2)
JKR(X1,X2)
JKR(X1,X2)
JUMLAH KUADRAT TAMBAHAN AKIBAT MASUKNYA X2 JUMLAH KUADRAT TAMBAHAN AKIBAT MASUKNYA X2 KE DALAM MODEL YANG TELAH MENGANDUNG X1 KE DALAM MODEL YANG TELAH MENGANDUNG X1
JUMLAH KUADRAT TAMBAHAN AKIBAT MASUKNYA X3 KE JUMLAH KUADRAT TAMBAHAN AKIBAT MASUKNYA X3 KE DALAM MODEL YANG TELAH MENGANDUNG X1&X2
DALAM MODEL YANG TELAH MENGANDUNG X1&X2
Hazmira
Penyekatan Keragaman
X1 masuk model
X1 masuk model
X2 ditambahkan.
X2 ditambahkan.
Dalam model
Dalam model
terdapat X1 dan
terdapat X1 dan
X2
X2
JKR
JKR
JKR
JKR
JKR(X1)
JKR(X1)
JKR(X1,X2)
JKR(X1,X2)
JKR(X1,X2,X3)
JKR(X1,X2,X3)--JKR(X1)
JKR(X1)
JKR(X2,X3|X1)=
JKR(X2,X3|X1)=
JKR(X1,X2,X3)
JKR(X1,X2,X3)--JKR(X1)
JKR(X1)
X2
X2
X3 ditambahkan.
X3 ditambahkan.
Dalam model
Dalam model
terdapat X1, X2
terdapat X1, X2
dan X3
dan X3
JKR(X1,X2,X3)
JKR(X1,X2,X3)
JUMLAH KUADRAT TAMBAHAN AKIBAT MASUKNYA X2 JUMLAH KUADRAT TAMBAHAN AKIBAT MASUKNYA X2 DAN X3 KE DALAM MODEL YANG TELAH
DAN X3 KE DALAM MODEL YANG TELAH MENGANDUNG X1
Contoh
Peubah dlm model JKR X1 79.35 X2 22.31 X3 632.73 X4 102.33 X1,X2 128.73 X1,X3 650.51 X1,X4 211.31JKR(X3|X1)
JKR(X3|X1) = JKR(X1,X3)
= JKR(X1,X3)--JKR(X1)
JKR(X1)
= 650.51
= 650.51--79.35=571.16
79.35=571.16
JKR(X4|X1,X2)
JKR(X4|X1,X2) = JKR(X1,X2,X4)
= JKR(X1,X2,X4)--JKR(X1,X2)
JKR(X1,X2)
= 262.39
= 262.39--128.73=133.66
128.73=133.66
X1,X4 211.31 X2,X3 634.43 X2,X4 122.77 X3,X4 632.73 X1,X2,X3 656.57 X1,X2,X4 262.39 X1,X3,X4 652.31 X2,X3,X4 634.43 X1,X2,X3,X4 658.37JK TAMBAHAN AKIBAT MASUKNYA X3 KE JK TAMBAHAN AKIBAT MASUKNYA X3 KE DALAM MODEL YANG TELAH
DALAM MODEL YANG TELAH MENGANDUNG X1
MENGANDUNG X1
JK TAMBAHAN AKIBAT MASUKNYA X4 KE JK TAMBAHAN AKIBAT MASUKNYA X4 KE DALAM MODEL YANG TELAH
DALAM MODEL YANG TELAH MENGANDUNG X1 DAN X2 MENGANDUNG X1 DAN X2
Hazmira
Pengujian Beberapa Parameter Regresi
Misal ingin diuji, apakah secara bersama-sama menambahkan
peubah X3 dan X4 berpengaruh dalam menerangkan
keragaman Y
Hipotesis
H
0: β
3= β
4= 0
(X3 dan X4 berpengaruh terhadap Y)
H
1: Ada β
i≠ 0
(Paling tidak salah satu dari X3 dan X4
H
1: Ada β
i≠ 0
(Paling tidak salah satu dari X3 dan X4
(i=3,4)
berpengaruh terhadap Y)
Statistik Uji
(
)
KTS
db
X
X
JKR
X
X
X
X
JKR
KTS
db
X
X
X
X
JKR
F
=
(
3
,
4
|
1
,
2
)
/
=
(
1
,
2
,
3
,
4
)
−
(
1
,
2
)
/
db : derajat bebas dari JKR sekuensial db : derajat bebas dari JKR sekuensial
KTS : KTS dari model yang mengandung peubah X1,X2,X3,X4 (model penuh) KTS : KTS dari model yang mengandung peubah X1,X2,X3,X4 (model penuh)
Pengujian Beberapa Parameter Regresi
Statistik Uji
(
)
KTS
db
X
X
JKR
X
X
X
X
JKR
F
=
(
1
,
2
,
3
,
4
)
−
(
1
,
2
)
/
(
)
35
.
67
423
.
7
2
/
73
.
128
37
.
658
=
−
=
Peubah JKR X1 79.35 X2 22.31 X3 632.73 X4 102.33 X1,X2 128.73 X1,X3 650.51 www.themegallery.comwww.themegallery.com Company LogoCompany Logo
423
.
7
X1,X4 211.31 X2,X3 634.43 X2,X4 122.77 X3,X4 632.73 X1,X2,X3 656.57 X1,X2,X4 262.39 X1,X3,X4 652.31 X2,X3,X4 634.43 X1,X2,X3,X4 658.37db = 2
db = 2
JKT = 851.38 n = 31 JKT = 851.38 n = 31JKS = JKT
JKS = JKT –
– JKR = 851.38
JKR = 851.38 –
– 658.37 = 193.01
658.37 = 193.01
KTS = JKS/(n
KTS = JKS/(n--p
p--1) = 193.01/(31
1) = 193.01/(31--4
4--1)
1)
= 193.01/26 = 7.423
= 193.01/26 = 7.423
Pengujian Beberapa Parameter Regresi
Statistik Uji
(
)
67
.
35
/
)
2
,
1
(
)
4
,
3
,
2
,
1
(
=
−
=
KTS
db
X
X
JKR
X
X
X
X
JKR
F
Titik Kritis :
F
,db,dbsF
0.05, 2, 26= 3.37
F
hit=35.67 > 3.37
→tolak Ho
→ paling tidak salah satu dari X3 atau
X4 berpengaruh terhadap Y
ANREG BIASA
ANREG BIASA →
→ PEUBAH BEBAS DAN TAK
PEUBAH BEBAS DAN TAK
BEBAS : PEUBAH
BEBAS : PEUBAH
SELANG
SELANG
ATAU
ATAU
RASIO
RASIO
+ + ββ22 Y Y = = ββ0 + 0 + ββ11 X1X1 X2X2 + …+ + …+ ββkk XkXk??
PEUBAH BEBAS
PEUBAH BEBAS
atau
atau
TAK BEBAS
TAK BEBAS
bukan
bukan
PEUBAH SELANG ATAU
PEUBAH SELANG ATAU
RASIO
RASIO
tapi
tapi
PEUBAH KATEGORIK
PEUBAH KATEGORIK
??
PEUBAH TAK BEBAS KATEGORIK KATEGORIK
PEUBAH TAK BEBAS KATEGORIK KATEGORIK
:
:
ANALISIS REGRESI LOGISTIK
ANALISIS REGRESI LOGISTIK
Hazmira
PEUBAH BEBAS KATEGORIK
PEUBAH BEBAS KATEGORIK
Y :
Y : denyut
denyut nadi
nadi setelah
setelah lari
lari
X1 : lama
X1 : lama lari
lari, X2 :
, X2 : usia
usia
..
X3 :
X3 : jenis
jenis kelamin
kelamin
ANALISIS REGRESI
ANALISIS REGRESI dengan
dengan PEUBAH
PEUBAH KATEGORIK
KATEGORIK
ANALISIS REGRESI dengan PEUBAH KATEGORIK
ANALISIS REGRESI dengan PEUBAH KATEGORIK
•
•Sama dengan analisis regresi biasa
Sama dengan analisis regresi biasa
•
•Peubah Kategori ditransformasi menjadi Peubah
Peubah Kategori ditransformasi menjadi Peubah
Boneka (Dummy Variable)
Boneka (Dummy Variable)
Satu peubah Kategorik dengan Dua Kategori
(tanpa interaksi)
•
• Misal
Misal ingin
ingin dimodelkan
dimodelkan hubungan
hubungan antara
antara Y
Y dengan
dengan X1
X1 dan
dan X2;
X2;
X2
X2 merupakan
merupakan peubah
peubah kategorik
kategorik dengan
dengan dua
dua kategori
kategori ((seperti
seperti
Jenis
Jenis Kelamin
Kelamin : L/P)
: L/P)
•
• Pada
Pada prinsipnya
prinsipnya,
, analisis
analisis yang
yang dilakukan
dilakukan sama
sama dengan
dengan analisis
analisis
regresi
regresi biasa
biasa
•
• Peubah
Peubah yang
yang bukan
bukan selang
selang atau
atau rasio
rasio ditransformasi
ditransformasi menjadi
menjadi
•
• Peubah
Peubah yang
yang bukan
bukan selang
selang atau
atau rasio
rasio ditransformasi
ditransformasi menjadi
menjadi
peubah
peubah boneka
boneka (dummy variables)
(dummy variables)
z = 0
z = 0 untuk
untuk kategori
kategori 1
1
z = 1
z = 1 untuk
untuk kategori
kategori 2
2
•
• Selanjutnya
Selanjutnya lakukan
lakukan analisis
analisis regresi
regresi linier
linier biasa
biasa
•
• Model
Model
i i i ix
z
y
=
β
0+
β
1+
β
2+
ε
HazmiraSatu peubah Kategorik dengan Dua Kategori
=
1
0
:
:
:
0
1
0
1
0
1
1 13 12 11 1 nx
x
x
x
X
pertama
Kategori
=
+1
1
:
:
:
1
:
:
1
1
1 ) 1 ( 1 1 1 1 n n nx
x
X
kedua
Kategori
Y
X1
X2
Z
1
2
A
3
-1
A
2
2
B
−
1
2
1
0
1
1
0
2
1
DATA
DATA
MATRIKS
MATRIKS
RANCANGAN
RANCANGAN
0
0
0
0
1
1
2
2
B
-1
-3
A
0
0
B
2
2
B
1
3
B
−
=
1
3
1
1
2
1
1
0
1
0
3
1
1
2
1
X
0
0
1
1
1
1
1
1
1
1
HazmiraSatu peubah Kategorik dengan Dua Kategori
=
∑
∑
∑
∑
=
2
2
1
1
'
x
x
x
n
x
n
X
X
n
n
n
n
i
i
=
∑
∑
∑
∑
+
=
+
=
=
=
2
1
1
2
1
1
1
2
1
1
1
'
1 1n
x
n
x
x
x
X
X
n
n
i
i
n
i
i
i
i
i
i
Satu peubah Kategorik dengan Dua Kategori
=
∑
∑
=
n
n
i
i
y
x
y
Y
X
1
'
=
∑
∑
+
=
=
n
n
i
i
i
i
i
y
y
x
Y
X
1
1
1
'
1 HazmiraInterpretasi
i i ix
z
y
ˆ
=
β
0+
β
1+
β
2 i i ix
x
y
1 2 0 2 1 0)
(
ˆ
β
β
β
β
β
β
+
+
=
+
+
=
i ix
y
ˆ
=
β +
0β
1 Kategori 2 (z = 1) Kategori 2 (z = 1) Kategori Kategori 1 (z = 0)1 (z = 0) Z = 0 Z = 0 i ix
y
ˆ
=
β +
0β
1 Z = 1 Z = 1 i ix
y
ˆ
=
(
β
0+
β
2)
+
β
1 2 0β
β +
β
2 0β
β +
0β
Jadi
Jadi β
β2
2 adalah
adalah perbedaan
perbedaan respons
respons Y
Y dari
dari dua
dua pengamatan
pengamatan yang
yang
berbeda
berbeda kategori
kategori namun
namun memiliki
memiliki nilai
nilai X1 yang
X1 yang sama
sama
2β
x0 x0
2β
Satu peubah Kategorik dengan Lebih dari dua Kategori
•
• Y = f(X1,X2) ; X2
Y = f(X1,X2) ; X2 peubah
peubah kategorik
kategorik dengan
dengan > 2
> 2 kategori
kategori
((Contoh
Contoh tingkat
tingkat pendidikan
pendidikan : TS, SD, SMP, SMA, PT)
: TS, SD, SMP, SMA, PT)
•
• Analisis
Analisis sama
sama dengan
dengan analisis
analisis regresi
regresi biasa
biasa
•
• X2
X2 dengan
dengan m
m kategori
kategori)
) ditransformasi
ditransformasi menjadi
menjadi (m
(m--1)
1) peubah
peubah
boneka
boneka, Z1, Z2, …, Zm
, Z1, Z2, …, Zm--1
1
Kategori
Z1
Z2
Z3
A
0
0
0
B
1
0
0
C
0
1
0
D
0
0
1
Kategori
Z1
Z2
Z3
A
0
1
0
B
0
0
0
C
1
0
0
D
0
0
1
Selanjutnya analisis seperti biasa
Selanjutnya analisis seperti biasa
Model :
Kat Z1 Z2 Z3 Y = β0 + β1 X1 + β2 Z1 + β3 Z2 + β4 Z3 A 0 0 0 Y = β0 + β1 X1 B 1 0 0 Y = β0 + β1 X1 + β2 = (β0 + β2) + β1 X1 C 0 1 0 Y = β0 + β1 X1 + β3 = (β0 + β3) + β1 X1 D 0 0 1 Y = β0 + β1 X1 + β4 = (β0 + β4) + β1 X1