UJI HIPOTESIS
UJI HIPOTESIS
REGRESI BERGANDA
REGRESI BERGANDA
TUJUAN
TUJUAN
Menjelaskan teknik uji hipotesis dalam
Menjelaskan teknik uji hipotesis dalam
regresi berganda (full model dan
regresi berganda (full model dan
Dalam regresi berganda muncul per(?)an tentang kontribusi bbrp IV untuk memprediksi nilai Y. Tiga per(?)an:
a. An overall test: apakah semua IV (the fitted model) berkontribusi bermakna utk memprediksi Y?;
b. Uji utk adisi satu var.: apakah pe(+) satu IV me(+) secara bermakna utk memprediksi Y lebih besar di-banding tanpa pe(+)an var. baru dlm model?;
c. Uji utk adisi sekelompok var.: apakah pe(+)an atau adisi sekelompok IV akan me(+) secara bermakna utk memprediksi nilai Y dibanding tanpa pe(+)an kelompok var. tsb yg sudah ada di model?
Ke 3 per(?) dijawab dgn uji hipotesis stat. dr masing2
1. Uji F dlm analisa regresi adalah rasio dari dua
mengestimasi varians. Jika HO salah (not true)
maka estimasi
ˆ
2 2
Nilai F mendekati 1 jika HO benar (true),
dan >1 bila HO salah (not true). Makin besar nilai F makin besar kemungkinan HO salah (not true)
2. Masing2 uji (test) dpt di interpretasikan sbg
perban-dingan 2 model. Model pertama disebut ‘full model’ atau ‘complete model’ dan model berikutnya adl ‘reduced
model’ (full model dikurangi satu atau lebih IV) Contoh:
Y = 0 + 1X1 + 2X2 + E full model
Y = 0 + 1X1 + E reduced model
Dengan HO: 2=0 ‘the full model’ dikurangi satu
atau lebih IV menjadi ‘reduced model’.
Pengujian HO: 2=0 berarti menguji mana yang lebih baik ‘fit model’ antara kedua model tersebut
2 2
ˆ
Contoh itu menjelaskan bahwa ‘reduced model’ (X1) mrpk bagian dr IV atau ‘full model’ (X1 & X2)
Di ‘full model’ kita H0: 1=2, di ‘reduced model’: Y=0+1X1+E dgn =1=2 & X=X1+X2
Uji Kemaknaan Regresi Berganda
Kita punya suatu model dengan k-IV: Y=0+1X1+2X2+…….+kXk+E
Maka Null Hypothesis dpt ditulis: Tidak perbedaan bermakna dalam ‘overall regression’ atau
Merupakan Total Sum of Square dan Error
Sum of Square. F-hitung dibandingkan dgn F
-tabel
=F
k,n-k-1sesuai dgn
= 0.05.
H
0ditolak bila F
-hitung>= F
-tabelF
-hitungdiperoleh dgn cara lain yaitu
Dengan sample 12 anak, kita mempunyai k=3
MS-Regr=231.02, MS-Resid=24.40 & r
2=0.782
maka kita memperoleh:
umumnya ditulis F
3,8,0.95= 4.07 (p<0.05)
Hasil ini disimpulkan vars HGT, AGE dan AGE
2secara bersama dpt memprediksi WGT (dgn
Pelajari tabel-tabel ANOVA berikut Model 1: WGT = 0 + 1HGT + E
Coefficient Standard Error Partial F
0 = 6.190
1 = 1.073 S1=0.242 19.66
Estimated model: WGT=6.190+1.073HGT ANOVA Table
Source
Source dfdf SSSS MSMS FF rr22
Regression
Regression 11 588.92588.92 588.92588.92 19.6719.67 .6630.6630
Residual
Residual 1010 299.33299.33 29.9329.93
Total
Model 2: WGT = 0 + 2AGE + E
Coefficient Standard Error Partial F
0 = 30.571
1 = 3.643 S2 = 0.955 14.55
Estimated model: WGT = 30.571 + 3.643AGE ANOVA Table
Source
Source dfdf SSSS MSMS FF rr22
Regression
Regression 11 526.39526.39 526.39526.39 14.5514.55 .5926.5926
Residual
Residual 1010 361.86361.86 36.1936.19
Total
Model 3: WGT = 0 + 3(AGE)2 +E
Coefficient Standard Error Partial F
0 = 45.998
1 = 0.206 S1=0.055 14.03
Estimated model: WGT=45.998 + 0.206 (AGE)2
ANOVA Table
Source
Source dfdf SSSS MSMS FF rr22
Regression
Regression 11 521.93521.93 521.93521.93 14.2514.25 .5876.5876
Residual
Residual 1010 366.32366.32 36.6336.63
Total
Model 4. WGT = 0 + 1HGT + 2AGE + E
Coefficient Standard Error Partial F
0 = 6.553
1 = 0.722 S1 = 0.261 7.65
2 = 2.050 S2 = 0.937 4.79
Esti’d model: WGT= 6.553 + 0.722HGT+ 2.050AGE ANOVA Table
Source
Source dfdf SSSS MSMS FF rr22
Regression
Regression 22 692.82692.82 346.41346.41 15.9515.95 .78.78
Residual
Residual 99 195.43195.43 21.7121.71
Total
Model 5. WGT = 0 + 1HGT + 3(AGE)2 + E
Coefficient Standard Error Partial F
0 = 15.118
1 = 0.726 S1 = 0.263 7.62
3 = 0.115 S3 = 0.054 4.54
Esti’d model: WGT = 15.118 + .726HGT + .115(AGE)2
ANOVA Table
Source
Source dfdf SSSS MSMS FF rr22
Regression
Regression 22 689.65689.65 344.82344.82 15.6315.63 .7764.7764
Residual
Residual 88 198.60198.60 22.0722.07 Total
Model 6: WGT = 0 + 1HGT + 2AGE + 3(AGE)2 + E
Coefficient Standard Error Partial F
0 = 3.438
1 = 0.724 S1 = .277 6.83
2 = 2.777 S2 = 7.427 0.14
3 = -0.042 S3 = 0.422 0.01
E.M. WGT = 3.438 + .724HGT + 2.777AGE - .042(AGE)2
ANOVA Table
Source
Source dfdf SSSS MSMS FF rr22
Regression
Regression 33 693.06693.06 231.02231.02 9.479.47 .7802.7802 Residual
Residual 88 195.19195.19 24.424.4 Total
Kita sudah mengetahui jawaban dr pertanyaan no.1
perhatikan EM 6.
Menggunakan X1=HGT sbg IV, nilai 588.92 adalah SS Regresi utk model garis lurus; nilai SSE utk model ini adl hanya menambahkan 195.19, 103.90 dan 0.24 secara bersama adl 299.33 dgn dk=10 (8+1+1)
F-stat utk menguji kemaknaan persamaan garis lurus dgn hanya memasuk HGT adl
F=(588.92/1)/(299.33/10)= 19.67 p<0.05
Utk menjawab per(?)an 2 & 3gunakan partial F test.
Null Hipothesis
Bila kita ingin menguji apakah pe(+)an satu var. X* akan secara bermakna meningkatkan prediksi Y ketika bbrp var. X1, X2,……,Xp sdh dlm model? Maka hipotesanya:
H0: ‘X* tdk me(+) secara bermakna utk
memprediksi Y setelah ada X1, X2,....,Xp dlm model’ d.p.l
H0: * = 0 utk model Y=0+1X1+2X2+…., +pXp+*X*
Ini mrpk prosedur utk membandingkan antara ‘full model’ X1, X2,…….,Xp dan X* sbg IV dgn
‘reduced model’ X1,X2,……,Xp (tanpa X*) karena H0: * = 0 Tujuan analisis ini adl menentukan
ANOVA Tabel utk WGT dgn HGT, AGE, (AGE)2
Source
Source dfdf SSSS MSMS FF r2r2
X
X11 11 588.92588.92 588.92588.92 19.6719.67 .7802.7802
Regresi X
Regresi X22llXX33 11 103.90103.90 103.90103.90 4.78 4.78
(.05<p<.1)
(.05<p<.1)
X
X33llXX11, X, X22 11 0.240.24 0.240.24 Residual
Residual 88 195.19195.19 24.4024.40
Total
Uji Partial F Null Hypothesis
Andaikan kita uji apakah pe(+)an X* secara bermakna meningkatkan prediksi Y setelah X1, X2, ….., Xp sudah ada di model. Maka Ho: X* tidak meningkatkan secara bermakna prediksi Y setelah X1, X2, …., Xp ada di model atau Ho: *=0 didalam model y = 0 + 1X1 + 2X2+ …..+ pXp +*X* + E
Dengan perkataan lain kita membandingkan 2 model: Full model X1, X2, ……, Xp dan X* sebagai IV dan
Reduced model X1, X2, ….., Xp Ini
berarti kita menguji model regresi yang paling tepat, apakah pe(+) variabel X* meningkatkan secara
Prosedur
Uji parsial F utk mengetahui peran X* setelah ada var. X1, X2, ……, Xp didalam model, kita hrs hitung Sum of Square full model X1, X2, ….., Xp, X* dan
Sum of Square reduced model X1, X2, ……, Xp di
ANOVA table:
Regression X*lX1, X2, ……, Xp dan Sum of Square
dihitung: SS dr pe(+) X* setelah ada X1, X2, …, Xp = Regr SS full model: X1, X2,….., Xp, X* - Regr SS
reduced model: X1, X2, …., Xp
Jadi utk model Y = 0 + 1X + 2X2 dengan H0:2 = 0
SS(X2lX1) = Regr SS (X1,X2) – Regr SS (X1) =
692.82 - 588.92 = 103.90 Utk model Y = 0 + 1X1 + 2X2 + 3X3
SS (X3lX1, X2) = Regr SS(X1,X2,X3) – Regr SS (X1,X2) = 693.06 – 692.82 = 0.24
Simpulan uji hipotesa: ‘penambahan var. X* kedalam model yang sudah ada X1, X2, ….., Xp tidak meningkat-kan secara bermakna utk memprediksi Y atau
F(X*lX1,X2,.,Xp) = pe(+) SS setelah ada X1,X2,., Xp/ MS Resid model dgn var X1,X2,….., Xp, X*
F(X2lX1) = SS(X2lX1) / MS Residual (X1,X2) = (103.90)/(195.19+0.24)/9 =4.78 dan
F(X3lX1, X2) = SS(X3lX1, X2) / MS Resid (X1, X2, X3) = 0.24 / 24.4 = 0.01
Dari tabel F kita lihat bahwa untuk F1,9,0.90 = 3.36 dan F1,9,0.95 = 5.12 maka hasil uji statistik untuk F(X2lX1) = 4.78 artinya nilai p: 0.05<p<0.1, artinya kita
menolak H0 pada = 0.1 disimpulkan bahwa
pe(+)an var. AGE me(+) nilai utk memprediksi Y pada = 0.1 tidak pada = 0.05
Uji F(X3lX1,X2) = 0.01 p>0.1 kita menerima H0,
Uji t sebagai alternatif
Cara yang sama sperti uji F parsial adl menggunakan uji t dgn dk = n-k-1. Uji t fokus uji null hipotesa H0: * = 0 * adl nilai koefisien dr X* di model
regresi: Y = 0 + 1X1 + 2X2, ….,+ pXp +*X* untuk menguji H0: 0 = 0 digunakan uji
*
ˆ *
ˆ
S
t
Dalam uji ini kita menolak H0: * = 0 jika
ltl > tn-p-2, 1-a/2 uji dua arah; Ha: * # 0
T > tn-p-2, 1-a uji satu arah; Ha: *>0
Uji t dua arah memberikan hasil yang sama dengan uji F parsial
Contoh: uji H0: 3 = 0 dalam model Y =0 + 1X1 + 2X2 + 3X3 + E
dari ANOVA table 6 kita akan memperoleh