STATISTIK (ESA 310) PERTEMUAN 10 <TEAM DOSEN>
VISI DAN MISI UNIVERSITAS ESA
UNGGUL
Materi Sebelum UTS
02. Probabilitas
03. Distribusi Probabilitas: Peubah acak diskrit 04. Distribusi Probabilitas: Peubah acak kontinu 05. Distribusi Sampling
06. Estimasi
Materi Setelah UTS
09. Regressi dan Korelasi Sederhana
14. Statistik uji komparatif dan asosiatif dengan SPSS 10. Regressi dan Korelasi Ganda
11. Distribusi Chi-Square dan analisis frekuensi
12. Statistik non-Parametrik
10. REGRESSI DAN KORELASI
GANDA
Asumsi Analisis Regresi Linier
Data Y berskala minimal interval
Data X berskala minimal nominal (jika data X berskala nominal / ordinal harus
menggunakan bantuan variabel dummy)
Existensi untuk setiap nilai dari variabel x
yang tetap, y adalah variabel random dengan distribusi probabilitas tertentu yang
mempunyai mean dan varians.
Nilai y secara statistik saling bebas
Linieritas, nilai rata-rata y adalah sebuah
fungsi garis lurus dari x
Homoscedasticity. Varians dari y adalah sama
Asumsi Analisis Regresi Linier
Distribusi normal pada beberapa nilai tertentu
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 = koefsien regresi ( i = 1, 2, 3, …, k
)
Model penduganya adalah
k k X
X X
Y 0 1 1 2 2 ...
k kX
b X
b X
b b
Misalkan model regresi dengan kasus 2
peubah bebas X
1dan X
2maka modelnya :
Sehingga setiap pengamatan
Akan memenuhi persamaan
2 2 1
1
0 X X
Y
X1i, X2i ;Yi ;i 1,2,...,n
i X
X
Menaksir Koefsien Regresi
Dengan Menggunakan
Matriks
Dari hasil Metode Kuadrat Terkecil didapatkan
persamaan normal :
…..
b
X
ib
X
ib
kX
kiY
inb
0 1 1 2 2...
X
i
b
X
i
b
X
iX
i
b
kX
iX
ki
X
iY
ib
0 1 1 1 2 2 1 2...
1 1
X
ki
b
X
kiX
i
b
X
kiX
i
b
kX
ki
X
kiY
iMenaksir Koefsien Regresi
Dengan Menggunakan
Matriks
Tahapan perhitungan dengan matriks :
1.
Membentuk matriks
A
,
b
dan
g
Menaksir Koefsien Regresi
Dengan Menggunakan Matriks
Menaksir Koefsien Regresi
Dengan Menggunakan Matriks
2.
Membentuk persamaan normal
dalam bentuk matriks
A b
=
g
3.
Perhitungan matriks koefsien
b
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
n i n i i i ii
Y
b
b
X
b
X
e
1 1 2 2 2 1 1 0 2
i i ii Y b b X b X
b e 2 2 1 1 0 0 2
2
i i i ii Y b b X b X X
b e 1 2 2 1 1 0 1 2
2
i i i ii Y b b X b X X
b e 2 2 2 1 1 0 2 2
2
Metode Pendugaan
Parameter Regresi
2. Ketiga persamaan hasil penurunan
disamakan dengan nol
b Xi b Xi Yi
nb0 1 1 2 2
X i b Xi b X iXi X iYib0 1 1 12 2 1 2 1
X i b Xi X i b Xi X iYiMetode Pendugaan
Parameter Regresi
3. Nilai
b
1dan
b
2dapat diperoleh dengan
memakai aturan-aturan dalam matriks
2 2 1
1
0 Y b X b X
b
2 1 2 1 1 2 2 1 2 1 1 2 1 2 1 1 1 1 2 2 1
n i n i n i n i n i n i n i X X X X Y X X X Y X X b 21 1 2 1 2 2 1 2 1 1 1 1 1 2
Uji Kecocokan Model
1.
Dengan Koefsien DeterminasiR2 menunjukkan proporsi variasi total dalam respon
Y yang dapat diterangkan oleh model
r merupakan koefsien korelasi antara Y dengan kelompok X1 , X2 , X3 , … , Xk
JKT
JKR
R
2
Korelasi Berganda :
Apabila kita mempunyai tiga variabel
Y, X
1, X
2, maka korelasi X
1dan Y
digambarkan dengan rumus berikut :
2 2
1 1
i i
1
i i
1 y
y x
y
x
y
x
Korelasi X
2dan Y digambarkan dengan
rumus berikut :
Korelasi X1 dan X2 digambarkan dengan rumus berikut :
2 2 2 1 2 1 12 2 1 i i i x xx
x
x
i
x
r
r
2 2Untuk mengetahui kuatnya hubungan
antara variabel Y dengan beberapa
variabel X lainnya (misalnya antara Y
dengan X
1dan X
2)
Koefisien Korelasi Linear Berganda (KKLB)
12 2
1 2
2 2
1 12
.
2
r
r
r
r
r
R
Koefsien Penentuan (KP):
suatu nilai untuk mengukur besarnya sumbangan dari beberapa variabel X terhadap variasi (naik-turunnya) Y. Jika Y’ = b0 + b1X1 + b2X2,
KP mengukur besarnya sumbangan X1 dan X2 terhadap variasi, atau naik turunnya Y.
Apabila dikalikan dengan 100% akan diperoleh persentase sumbangan X1 dan X2 terhadap naik-turunnya Y.
2
12 .
y
R
Koefsien Korelasi Parsial :
Variabel Y berkorelasi dengan X
1dan X
2,
maka koefsien korelasi antara Y dan X
1(X
2konstan), antara Y dan X
2(X
1Koefsien korelasi parsial X
1dan Y, kalau X
2konstan
Koefsien korelasi parsial X
2dan Y, kalau X
1konstan
2 12 2 2 12 2 1 2 . 11
1
r
r
r
r
r
r
y y y y
2 12 2 1 12 1 2 1 . 21
1
r
r
Koefsien korelasi parsial X
2dan Y,
kalau X
1konstan
2 2 2
1
2 1
12 .
12
1
1
y yy y
y
r
r
r
r
r
r
Uji Kecocokan Model
2. Dengan Pendekatan Analisis Ragam Tahapan Ujinya :
3. Hipotesis = H0 : 0
Ha : 0
dimana
Uji Kecocokan Model
2.
Tabel Analisis Ragam
Komponen
Regresi SS db MS Fhitung
Regresi
JKR
k
JKR / k
JKR /k
s
2Galat
JKG n – k – 1
s
2= JKG / n-k-1
Uji Kecocokan Model
3.
Pengambilan Keputusan
H
0ditolak jika
pada taraf kepercayaan
Uji Parsial Koefsien Regresi
Tahapan Ujinya :
1.
Hipotesis =
H
0:
j
0
H
a:
j
0
dimana
jmerupakan koefsien
Uji Parsial Koefsien
Regresi
2. Statistik uji :
Dimana :
b
j= nilai koefsien b
js =
c
jj= nilai matriks A
-1ke-jj
jj j j
c
s
b
t
Uji Parsial Koefsien Regresi
3. Pengambilan keputusan
H
0ditolak jika
pada taraf kepercayaan
Pemilihan Model Terbaik
1.
All Possible Regression
Tahapan pemilihan :
i.
Tuliskan semua kemungkinan model
regresi dan kelompokkan menurut
banyaknya variabel bebas
ii.
Urutkan model regresi menurut besarnya
R
2iii.
Periksalah untuk setiap kelompok apakah
terdapat suatu pola variabel yang
konsisten
iv.
Lakukan analisa terhadap kenaikan R
2Pemilihan Model Terbaik
Contoh :
Akan dianalisis model regresi yang terdiri dari 4 variabel bebas
Pembagian kelompoknya
Kelompok A terdiri dari koefsien intersep
Kelompok B terdiri dari 1 variabel bebas
Kelompok C terdiri dari 2 variabel bebas
Kelompok D terdiri dari 3
Kelompok E terdiri dari 4 variabel bebas 0 Y i i X
Y 0
j j i
iX X
Y 0
k k j
j i
iX X X
Y 0
4 4 3 3 2 2 1 1
0 X X X X
Pemilihan Model Terbaik
Persamaan regresi yang menduduki posisi utama dalam setiap kelompok adalah
Persamaan terbaiknya adalah Y = f(X1 , X4)
Kelompok
Model Regresi
R
2B
Y
=
f
(
X
4)
67,5%
C
Y
=
f
(
X
1, X
2)
97,9%
Pemilihan Model Terbaik
2. Backward Elimination Procedur Tahap pemilihannya :
i. Tuliskan persamaan regresi yang mengandung semua variabel
ii. Hitung nilai t parsialnya
iii. Banding nilai t parsialnya
a. Jika tL < tO maka buang variabel L yang menghasilkan tL, kemudian hitung
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* X1 154,008*
X2 5,026* X4 1,863
Y = f(XStatistics UEU 2017,X ) 229,5*
4 4 3
3 2
2 1
1
0 X X X X
Pemilihan Model Terbaik
3.
Stepwise Regression Procedur
Tahap pemilihannya :
i. 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)
ii. Hitung korelasi parsial setiap variabel bebas tanpa menyertakan variabel bebas yang telah mauk model. Masukkan variabel bebas dengan korelasi parsial
tertinggi ke dalam model
Pemilihan Model Terbaik
Contoh :
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* X = 5,026*
Kesimpulan:
1. Regressi Linier berganda bisa digunakan untuk menganalisis hubungan linier lebih dari dua
variabel.
2. Kriteria Persamaan linier yang diperoleh
KEMAMPUAN AKHIR YANG DIHARAPKAN
Daftar Pustaka
1. Ronald E. Walpole, Raymond H. Myers, Sharon L. Myers and Keying Ye, 2007, Probabilitiy and
Statistics for Engineers and Scientists, 8th edition, Pearson Prentice Hall.
2. Sharma, Subhash, 1996, Applied Multivariate Techniques, John Willey & Son, Inc., USA.
3. Johson & Wichern, 2007, Applied multivariate statistical analysis, Upper Saddle River: Pearson Prentice Hall.
4. J. Supranto, M.A. ,2001, Statistika Teori dan Aplikasi, Erlangga, Jakarta.
5. Douglas C. Montgomery, George C. Runger, 2003, Applied Statistic and Probability for Engineer, third edition, John Wiley and Son Inc.