Regresi
Analisis regresi linier merupakan analisis
yang digunakan untuk mengetahui dan mempelajari suatu model hubungan
fungsional linier antara peubah respon (Y) dengan peubah penjelas (X)
Peubah respon : peubah yang
nilainya ditentukan berdasarkan
nilai-nilai dari satu atau lebih peubah penjelas
Peubah penjelas : peubah yang
Model Umum
Secara umum model regresi linier sederhana didefinisikan sebagai
dengan i = 1, 2, 3, …, n
Pendugaan Parameter
Model duga regresi sebagai berikut
b0 dan b1 secara berurutan adalah nilai duga untuk β0 dan β1.
Nilai b0 dan b1 didapatkan dengan menggunakan metode kuadrat
terkecil (MKT) yakni metode pendugaan dengan
meminimumkan jumlah kuadrat galat (JKgalat/S):
S akan mempunyai nilai minimum jika turunan parsial pertama
terhadap β0 dan β1 adalah nol
dengan mensubstitusikan (b0, b1) untuk (β0, β1) dan dengan
penyederhanaan dua persamaan turunan parsial tersebut diperoleh
Persamaan ini disebut dengan
persamaan-persamaan normal yang darinya didapatkan penyelesaian
berikut:
Jika
SXY = =
SXX = =
SYY = =
Maka b1 = SXY / SXX
Contoh
;
SXX = =
SXY =
=
b1 = SXY / SXX = -1,3536 / 866,93 = -0,00156
= 0,978
Jadi persamaan regresinya adalah
Sumber
Model 1 0,002114 0,002114
Galat 18 0,020461 0,001137
Asumsi yang melandasi model regresi , dengan i = 1, 2, …, n, adalah
Uji Hipotesis Keberartian Kemiringan
(Slope) b1
H0: β1 = β1-0 lawan
H1: β1 ≠ β1-0
Dengan statistik uji:
thitung =
S(b1) = 0,00114521 S2= KTG
thitung =
karena |thitung| kurang dari t 0,025
18, maka diputuskan untuk menerima H0 dan menyimpulkan bahwa tidak ada hubungan linier dengan resiko kesalahan sebesar 5%.
Uji Hipotesis Keberartian
Intersep
b
0H0: β0 = β0-0
lawan
H1: β0 ≠ β0-0
Dengan statistik uji:
thitung = S(b0) =
Uji F untuk Keberartian Persamaan Regresi
Untuk menguji apakah suatu
persamaan regresi “berarti” sebagai model prediksi, secara keseluruhan dapat diuji dengan uji-F yakni
F = KTM/S2 = KTmodel/Ktgalat
yang mengikuti sebaran F dengan derajat bebas db = (1, n – 2) pada
taraf nyata α. Adapun hipotesis pada uji-F tersebut adalah H0 : 0 = β1 = 0
Pada contoh, diperoleh nilai F = 1,8593 dan F 0.05
(1, 18) = 4,41387. Dikarenakan nilai F < F 0.05
(1, 18) maka H0 diterima dan
menyimpulkan model tersebut
Koefisien Determinasi R2, Suatu Ukuran
“Kebaikan-Suai” (Goodness of Fit)
Didefinisikan,
R2 = b
1SXY / SYY
yang mengukur proporsi
keragaman atau variasi total di sekitar nilai tengah yang dapat dijelaskan oleh model regresi
tersebut
Pada contoh model, didapatkan nilai
R2 ,
R2 = 0,002114 / 0,022575 = 0,09364
Artinya, persamaan regresi yang diperoleh , hanya mampu
menjelaskan sebesar 9,364% dari keragaman total dalam data.
R2 dapat mencapai nilai 1 atau 100%
jika model yang dihasilkan sangat presisif.