Pokok Bahasan pengolahan dan analisis
ANALISIS REGRESI 1
Pokok Bahasan :
REGRESI LINIER
SEDERHANA
Deskripsi Model
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Macam-macam Model Regresi
Model Regresi
1 peubah penjelas
> 1 peubah penjelas
Berganda
Sederhana
Linier
Polinom
Non Linier
Multiplikatif
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Non Linier
Linier
Reciprocal
Log
Eksponensial
Contoh :
Macam-macam Model Regresi
Sederhana
Linier
Hubungannya linier
Non Linier
Polinom
Multiplikatif
Eksponensial
Reciprocal
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Y = β 0 + β1x + ε
Y = β0 + β1x 2 + ε
Y = β0 x
β1
+ε
Y = β 0 e β 1 x .ε
1
β 0 + β1x + ε
Y = β0 e
β1
x
ε
Model Regresi Linier Sederhana
(yang hubungannya linier
ordo x=1 )
Linier dalam parameter
Sederhana = banyaknya peubah bebas/penjelas hanya satu
Hubungan antara X dan Y dinyatakan dalam fungsi linier/ordo 1
Perubahan Y diasumsikan karena adanya perubahan X
Model populasi regresi linier sederhana yang hubungannya linier
(selanjutnya cukup sebut “regresi linier sederhana”) :
Y = β 0 + β1x + ε
Dengan :
β0 dan β1 adalah parameter regresi
ε
adalah sisaan/galat/eror (peubah acak)
Y
adalah peubah tak bebas (peubah acak)
X
adalah peubah bebas yang nilainya diketahui
dan presisinya sangat tinggi (bukan peubah acak)
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Dugaan dan Interpretasi
Parameter Model
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Asumsi Model Regresi Linier
Bentuk hubungannya linear (Y merupakan fungsi linier
dari X, plus sisaan yang acak)
Sisaan εi adalah peubah acak yang bebas thdp nilai x
Sisaan merupakan peubah acak yang menyebar Normal
dengan rataan 0 dan memiliki ragam konstan, σ2
(sifat ragam yang konstan/homogen ini disebut homoscedasticity)
E[ε i ] = 0 dan
E[ε i ] = σ 2
2
untuk (i = 1, K , n)
Sisaan εi, tidak berkorelasi satu dengan yang lainnya,
sehingga E[ε ε ] = 0 , i ≠ j atau cov[ε , ε ] = 0 , i ≠ j
i
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
j
i
j
Interpretasi Parameter Model
Regresi Linier Sederhana
Model Regresi Linier Sederhana (populasi) :
Peubah tak
bebas/
Peubah respon
Intersep Y
populasi
Koefisien Peubah bebas/
kemiringan Peubah penjelas
populasi
Y = β 0 + β 1X + ε
Komponen linier (fix)
Sisaan/
galat
Komponen acak
Y : peubah tak bebas/respon merupakan peubah acak dengan pusat/
nilai harapan di β 0 + β1X dan ragam σ 2
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Interpretasi Parameter Model
Regresi Linier Sederhana
Y
Nilai
pengamatan Y
untuk Xi
Y = β 0 + β1X + ε
(lanjutan)
yi
εi
Nilai
E[Y | xi ]
harapan/rataan
Y untuk xi
Sisaan/galat
untuk xi
yi = β 0 + β1xi + εi
E[Y | x i ] = β 0 + β1 xi
Intersep = β0
xi
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Slope = β1
yi = E[Y | xi ] + εi
X
Dugaan Persamaan Garis
Regresi Linier Sederhana
Dugaan persamaan garis regresi linier sederhana
Nilai dugaan
y pada
pengamatan
ke - i
Dugaan bagi
intersep β0
Dugaan bagi
kemiringan garis
regresi β1
yˆ i = b 0 + b1x i
Nilai x pada
pengamatan
ke - i
Galat individu ei mempunyai rataan sebesar nol
ei = ( y i - yˆ i ) = y i - (b0 + b1x i )
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Interpretasi koefisien kemiringan
dan intersep
b0 adalah nilai dugaan rataan y
ketika x bernilai nol (jika x = 0 dalam
selang pengamatan)
b1 adalah nilai dugaan perubahan
rataan y (nilai harapan Y) jika x
berubah satu satuan
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Pendugaan
Parameter Regresi
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Menduga Persamaan Regresi
Menduga persamaan regresi linier sederhana
= menduga parameter-parameter regresi β0
dan β1 :
Penduga parameter yang dihasilkan harus
merupakan penduga yang baik
Software statistik, seperti Minitab, SAS, SPSS, dll.
banyak digunakan
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Menduga Persamaan Regresi
(lanjutan)
Metode Kuadrat Terkecil
b0 dan b1 adalah dugaan bagi parameter regresi β0
dan β1 yang didapat salah satunya dengan cara
meminimumkan jumlah kuadrat galat (JKG).
ˆ Æ Metode
Galat/sisaan = selisih antara y dan y
Kuadrat Terkecil (MKT) :
min JKG = min
= min
= min
∑e
∑ (y
∑ [y
2
i
i
i
− yˆ i ) 2
− (b 0 + b 1 x i )] 2
Teknik kalkulus digunakan untuk mendapatkan nilai bo dan b1
sedemikian hingga meminimumkan JKG
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Menduga Persamaan Regresi
(lanjutan)
Metode Kuadrat Terkecil
Penduga bagi koefisien kemiringan garis β1 ialah:
∑ (x
SXY
n
b1 =
i =1
Koefisien
Korelasi
Pearson
− x)(yi − y)
2
(x
−
x
)
∑ i
i
n
i =1
sY
S XY
=
= rxy
sX
S XX
SXX
Penduga bagi intersep β0 ialah:
b0 = y − b1x
Garis regresi selalu melalui titik x, y
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Menduga Persamaan Regresi
(lanjutan)
Asumsi Metode Kuadrat Terkecil (MKT)
Kondisi Gauss - Markov
Agar penduga bagi parameter regresi yang
didapatkan dengan menggunakan MKT merupakan
penduga yang baik maka sisaan/galat harus
memenuhi kondisi Gauss-Markov berikut ini :
1. E[ε i ] = 0
2. E[ε i ] = σ 2
2
3. E[ε iε j ] = 0, i ≠ j
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
nilai - harapan/rataan sisaan = nol
ragam sisaan homogen untuk setiap nilai x
( homoscedasticity )
ε i dan ε j saling bebas
Contoh
Regresi Linier Sederhana
Sebuah agen real-estate ingin mengetahui
hubungan antara harga jual sebuah rumah
dengan luas lantainya (diukur dalam m2)
10 buah rumah diambil secara acak sebagai contoh
Peubah tak bebas (Y) = harga rumah (juta rupiah)
Peubah bebas (X)
= luas lantai (m2)
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Contoh Regresi Linier Sederhana
(lanjutan)
Data contoh Harga Rumah
Harga Rumah (Rp.juta) (Y)
Luas Lantai (m2) (X)
245
1400
312
1600
279
1700
308
1875
199
1100
219
1550
405
2350
324
2450
319
1425
255
1700
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Contoh Regresi Linier Sederhana
(lanjutan)
Tebaran Harga Rumah vs Luas Lantai
Y = β 0 + β1 x + ε
Model Regresi-nya
Scatterplot of Harga Rumah vs Luas Lantai
800
700
Harga Rumah
600
Persamaan Garis
Regresi-nya
500
Y = β 0 + β1 x
400
300
200
100
0
1000
Diduga dengan :
1200
1400
1600
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
1800
2000
Luas Lantai
2200
2400
2600
Yˆ = b0 + b1 x
Contoh Regresi Linier Sederhana
(lanjutan)
Data contoh Harga Rumah
Harga Rumah
(Rp.juta) (Y)
Luas Lantai
(m2) (X)
245
1400
312
1600
279
1700
308
1875
199
1100
219
1550
405
2350
324
2450
319
1425
255
1700
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
FILM :
MEMBUAT TEBARAN
“HARGA RUMAH” vs ”LUAS LANTAI”
MENGGUNAKAN MINITAB
Klik di sini
Contoh Regresi Linier Sederhana
(lanjutan)
MENDUGA PARAMETER REGRESI : OUTPUT MINITAB
Regression Analysis: Harga Rumah versus Luas Lantai
Dugaan
Persamaan
Garis Regresinya
The regression equation is
Harga Rumah = 98,2 + 0,110 Luas Lantai
b
Predictor 0 Coef
SE Coef
T
Constant
98,25
58,03
1,69
Luas Lantai 0,10977
0,03297 3,33
P
0,129
0,010
b
S = 41,3303 R-Sq1 = 58,1% R-Sq(adj) = 52,8%
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Contoh Regresi Linier Sederhana
(lanjutan)
Data contoh Harga Rumah
Harga Rumah
(Rp.juta) (Y)
Luas Lantai
(m2) (X)
245
1400
312
1600
279
1700
308
1875
199
1100
219
1550
405
2350
324
2450
319
1425
255
1700
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
FILM :
MENDUGA GARIS REGRESI
MENGGUNAKAN MINITAB
Klik di sini
Contoh Regresi Linier Sederhana
(lanjutan)
Tampilan Grafik
Intersep
= 98.248
Harga Jual Rumah (Rp.juta)
Model Harga Rumah: scatter plot dan
garis regresi
450
400
350
300
250
200
150
100
50
0
Kemiringan
= 0.10977
0
500
1000
1500
2000
Luas Lantai (m2)
2500
3000
harga rumah = 98.24833 + 0.10977 (luas lantai)
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Contoh Regresi Linier Sederhana
(lanjutan)
Data contoh Harga Rumah
Harga
Rumah
(Rp.juta) (Y)
Luas Lantai
(m2) (X)
245
1400
312
1600
279
1700
308
1875
199
1100
219
1550
405
2350
324
2450
319
1425
255
1700
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
FILM :
MEMBUAT TEBARAN ANTARA
“HARGA RUMAH”
dengan
“LUAS LANTAI”
& GARIS REGRESI-nya
MENGGUNAKAN MINITAB
Klik di sini
Contoh Regresi Linier Sederhana
(lanjutan)
Interpretasi Intersep b0
harga rumah = 98.24833 + 0.10977 (luas lantai)
b0 adalah nilai dugaan bagi nilai rataan
Y ketika X bernilai nol (jika X = 0 di
dalam selang pengamatan)
Dalam hal ini tidak ada rumah yang memiliki luas lantai=0,
jadi b0 = 98.24833 hanya mengindikasikan bahwa : untuk
luas lantai yang berada dalam selang pengamatan, Rp
98.248.330,- adalah bagian harga rumah yang tidak
diterangkan oleh luas lantai
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Contoh Regresi Linier Sederhana
(lanjutan)
Interpretasi koefisien kemiringan, b1
harga rumah= 98.24833+ 0.10977 (luaslantai)
b1 mengukur dugaan perubahan rataan
nilai Y jika X berubah satu satuan
Dalam hal ini b1 = .10977 menggambarkan
bahwa setiap penambahan satu m2 luas lantai
rataan harga rumah akan naik sebesar 0,10977
juta rupiah
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Apakah b0 dan b1 yang didapat
merupakan penduga yang baik ?
Pertanyaan di atas = pertanyaan bahwa: “apakah
sisaan yang dihasilkan oleh dugaan persamaan
garis regresi nya menghasilkan sisaan yang
memenuhi kondisi Gauss-Markov?”
Untuk sementara ini kita yakini saja dulu bahwa
sisaan yang dihasilkan memenuhi kondisi tersebut
Penjelasan bagaimana cara memeriksanya akan
dijelaskan pada pokok bahasan “Diagnosa model
melalui pemeriksaan sisaan”
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
PENGURAIAN
KERAGAMAN TOTAL
JKReg
JKsisa
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Sumber Keragaman Regresi
Nilai pengamatan yi yang dihasilkan beragam.
Keragaman ini disebabkan oleh ?
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Sumber Keragaman Regresi
Y
yi
∧
yi
Nilai pengamatan yi yang dihasilkan beragam. Keragaman
ini disebabkan oleh ?
∧ 2
JKG = ∑(yi - yi )
JKT = ∑(yi - y)2
∧
y
_
∧ _ 2
JKR = ∑(yi – y )
_
y
xi
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
_
y
X
Sumber Keragaman Regresi
(lanjutan)
Untuk suatu nilai xi keragaman nilai pengamatan yi
disebabkan oleh :
Menyimpangnya
yi terhadap dugaan nilai
) nilai amatan
)
)
harapannya E [Y | x i ] → E [Y | x i ] = yi = b 0 + b1x i
)
yi − yi = ei → karena eror/galat/sisaan
b 0 dan b1 beragam Æ menghasilkan dugaan garis
regresi yang beragam Æ memiliki rataan Y
Menyimpangnya suatu dugaan garis regresi terhadap
rataannya menyebabkan beragamnya data.
yˆ i − y = b0 + b1 xi − yˆ i
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
,y = yˆ i → karena model regresi
Mengukur Keragaman
Total Keragaman disebabkan oleh dua bagian ini :
JKT =
Jumlah
Kuadrat Total
JKT = ∑ (y i − y) 2
=
JKR +
Jumlah Kuadrat
Regresi
JKR = ∑ (yˆ i − y) 2
JKG
+
Jumlah Kuadrat
Galat/Sisaan
JKG = ∑ (y i − yˆ i ) 2
dengan:
y
= nilai rata-rata peubah tak bebas Y
yi = nilai pengamatan ke-i peubah tak bebas Y
yˆ i = nilai dugaan y untuk suatu nilai xi
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Ukuran Keragaman
(lanjutan)
JKT = Jumlah Kuadrat Total
Mengukur keragaman nilai yi di sekitar nilai
rataannya y
JKR = Jumlah Kuadrat Regresi
Menjelaskan keragaman karena adanya hubungan
linier antara x dan y
JKS = jumlah Kuadrat Sisa
Menjelaskan keragaman yang disebabkan oleh
faktor-faktor selain faktor hubungan linier x dan y
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Derajat Bebas Jumlah Kuadrat
Ukuran keragaman adalah ragam
Ragam =
Jumlah Kuadrat (JK)
derajat bebas (db)
Derajat bebas bagi
JK Sisaan = n - 2
Derajat bebas bagi
JK Regresi
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
|b 0
=1
Tabel Sidik Ragam
Sumber
Keragaman
Derajat
Bebas
(db)
∑ (yˆ − y )
n
Regresi
Sisaan
Total
(terkoreksi)
1
n-2
i =1
n
2
i
2
ˆ
(
)
−
y
y
∑ i i
∑ (y − y )
i =1
n
n-1
Kuadrat
Tengah
(KT)
Jumlah
Kuadrat
(JK)
i =1
JK Regresi
1
JK sisaan
(n − 2 )
2
i
Pada analisis regresi ini tentunya diharapkan JK regresi lebih besar
dari JK sisaan Æ sehingga dapat dikatakan bahwa keragaman nilai y
disebabkan oleh perubahan nilai x.
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
S2,
jika
model
nya
pas
Tabel Sidik Ragam
(lanjutan)
OUTPUT MINITAB
Regression Analysis: Harga Rumah versus Luas Lantai
The regression equation is
Harga Rumah = 98,2 + 0,110 Luas Lantai
Predictor
Coef
SE Coef
Constant
98,25
58,03
Luas Lantai 0,10977
0,03297
T
1,69
3,33
P
0,129
0,010
S = 41,3303 R-Sq = 58,1% R-Sq(adj) = 52,8%
Analysis of Variance db
Source
DF SS
Regression
1 18935
Residual Error 8 13666
Total
9 32600
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
JK
KT
MS
18935
1708
F
11,08
P
0,010
TABEL SIDIK
RAGAM
Penduga bagi Ragam Sisaan/galat
Penduga bagi ragam eror/sisaan dari model populasi
adalah :
n
Dengan asumsi
bahwa
modelnya
pas/cocok
σˆ = s = KTsisaan
2
2
e
2
e
∑i
JKS i =1
=
=
n−2 n−2
Dibagi dengan n – 2 bukan dengan n – 1 karena model
regresi linier sederhana menggunakan 2 penduga
parameter yaitu, b0 dan b1, bukan satu.
s e = s e2
adalah penduga simpangan baku
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Penduga bagi Ragam Sisaan/galat
(lanjutan)
OUTPUT MINITAB
Regression Analysis: Harga Rumah versus Luas Lantai
The regression equation is
Harga Rumah = 98,2 + 0,110 Luas Lantai
Predictor
Coef
SE Coef
Constant
98,25
58,03
Luas Lantai 0,10977
0,03297
se
T
1,69
3,33
P
0,129
0,010
S = 41,3303 R-Sq = 58,1% R-Sq(adj) = 52,8%
Analysis of Variance
Source
DF SS
Regression
1 18935
Residual Error 8 13666
Total
9 32600
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
MS
18935
1708
F
11,08
P
0,010
Dugaan Ragam Sisaan = s2
(JIKA MODELNYA PAS)
Perbandingan Simpangan Baku
se mengukur keragaman penyimpangan nilai
pengamatan yi terhadap garis regresi
Y
Y
s e kecil
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
X
s e besar
X
β 0 β1
β0
Pengujian Hipotesis
Terhadap
Slope dan Intersep
Diperlukan asumsi bahwa εi menyebar Normal
εi ~ N ( 0,σ2 )
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Ragam Koefisien Kemiringan Garis
Regresi (b1)
Ragam dari koefisien kemiringan garis regresi
(b1) diduga sbb :
dengan:
2
2
s
s
e
e
=
s 2b1 =
2
2
−
−
(x
x
)
(n
1)s
∑ i
x
sb1
= dugaan simpangan baku kemiringan garis regresi
s 2x
= dugaan ragam x
JK sisa
se =
= akar KTG = akar Kuadrat Tengah Galat = dugaan
n−2
simpangan baku sisaan
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Membandingkan Simpangan Baku
Koefisien Kemiringan Garis Regresi (b1)
Sb1 mengukur keragaman koefisien kemiringan garis
regresi dari berbagai contoh (set data) yang mungkin.
Y
Y
X
Sb1 kecil
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
X
Sb1 besar
Contoh Regresi Linier Sederhana
(lanjutan)
SIMPANGAN BAKU b1 : OUTPUT MINITAB
Regression Analysis: Harga Rumah versus Luas Lantai
The regression equation is
Harga Rumah = 98,2 + 0,110 Luas Lantai
Predictor
Coef
SE Coef
T
Constant
98,25
58,03
1,69
Luas Lantai 0,10977
0,03297 3,33
P
0,129
0,010
Simpangan
Baku b1 = sb1
S = 41,3303 R-Sq = 58,1% R-Sq(adj) = 52,8%
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Inferensia Koefisien Kemiringan Garis
Regresi (b1): Uji t
Pada model regresi linier sederhana :
Uji t untuk koefisien kemiringan garis regresi populasi (β1)
Apakah ada hubungan linier antara X dan Y?
Hipotesis Nol dan hipotesis tandingan
H0: β1 = 0
H1: β1 ≠ 0
(tidak ada hubungan linier antara X dan Y)
(ada hubungan linier antara X dan Y)
Uji Statistik t =
b1 − β1
sb1
d.b. = n − 2
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
dengan:
b1 = koefisien kemiringan regresi
β1 = kemiringan yg dihipotesiskan
sb1 = simpangan baku kemiringan
Contoh Inferensia
Koefisien Kemiringan Garis (b1): Uji t
Harga Rumah
(Rp.juta)
(y)
Luas Lantai
(m2)
(x)
245
1400
312
1600
279
1700
308
1875
199
1100
219
1550
405
2350
324
2450
319
1425
255
1700
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Dugaan persamaan garis regresi:
harga rumah = 98.25 + 0.1098 (luas lantai)
Koefisien kemiringan garis pada
model ini adalah 0.1098
Meskipun demikian, “apakah luas
lantai mempengaruhi harga jual?”
Contoh Inferensia
Koefisien Kemiringan Garis (b1): uji t
(lanjutan)
H0: β1 = 0
H1: β1 ≠ 0
Apakah luas
lantai mempengaruhi harga
jual (secara
linier)?
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
OUTPUT MINITAB
b1
sb1
Predictor
Coef
SE Coef
T
Constant
98,25
58,03
1,69
Luas Lantai 0,10977
0,03297 3,33
P
0,129
0,010
b1 − β1 0.10977 − 0
t=
= 3.32938
=
s b1
0.03297
Contoh Inferensia
Koefisien Kemiringan Garis (b1): uji t
(lanjutan)
Statistik Uji-nya : t = 3.329
H0: β1 = 0
H1: β1 ≠ 0
output MINITAB :
b1
sb1
Predictor
Coef
SE Coef
T
Constant
98,25
58,03
1,69
Luas Lantai 0,10977
0,03297 3,33
d.b. = 10-2 = 8
t
P
0,129
0,010
t8,.025 = 2.3060
α/2=.025
Tolak H0
α/2=.025
Terima H0
-tn-2,α/2
-2.3060
0
Tolak H0
tn-2,α/2
2.3060 3.329
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Keputusan : Tolak H0
Kesimpulan :
Cukup bukti untuk mengatakan
bahwa luas lantai
mempengaruhi harga jual
Contoh Inferensia
Koefisien Kemiringan Garis (b1): uji t
(lanjutan)
Nilai peluang P = 0.01039
H0: β1 = 0
H1: β1 ≠ 0
thit = 3.329
output MINITAB :
Predictor
Coef
SE Coef
T
Constant
98,25
58,03
1,69
Luas Lantai 0,10977
0,03297 3,33
P
0,129
0,010
Ini adalah uji dua arah,
jadi p-valuenya adalah
Keputusan: P-value < α jadi
P(t > 3.329)+P(t < -3.329)
= 0.01039
(db. 8)
Kesimpulan:
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Tolak H0
Cukup bukti untuk mengatakan
bahwa luas lantai
mempengaruhi harga rumah
Ragam Intersep Garis Regresi (b0)
Ragam dari intersep garis regresi (b0) diduga
sbb :
s =
2
b0
∑x
n∑ (x i − x)
s
2
e
2
i
2
Keterangan:
s b 0 = dugaan simpangan baku intersep garis regresi
SSE
= akar KTG = akar Kuadrat Tengah Galat = dugaan
se =
n−2
simpangan baku sisaan
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Inferensia Intersep Garis Regresi (b0): uji
t
Pada model regresi linier sederhana :
Uji t untuk intersep garis regresi populasi (β0)
Apakah ada nilai Y yang tidak dapat dijelaskan oleh x?
Hipotesis Nol dan hipotesis tandingan
H0: β0 = 0 (semua nilai Y dapat dijelaskan oleh x)
H1: β0 ≠ 0 (ada nilai Y yg tidak dapat dijelaskan oleh x)
b0 − β0
Statistik uji t = s
b0
d.b. = 1
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
dengan:
b0 = intersep garis regresi
β0 = intersep yg dihipotesiskan
sb0 = dugaan simp. baku intersep
Contoh Inferensia
Intersep Garis Regresi (b0): uji t
Harga Rumah
(Rp. Juta)
(y)
Luas Lantai
(m2)
(x)
245
1400
312
1600
279
1700
308
1875
199
1100
219
1550
405
2350
324
2450
319
1425
255
1700
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Dugaan persamaan garis regresi:
harga rumah = 98.25 + 0.1098 (luas lantai)
Intersep garis pada model ini adalah 98.25
Apakah ada bagian harga rumah yang
tidak dapat dijelaskan oleh luas lantai?
Apakah ada bagian harga rumah yang
tidak dipengaruhi oleh luas lantai?
Contoh Inferensia
Intersep Garis Regresi (b0): uji-t
H0: β0 = 0
H1: β0 ≠ 0
Apakah ada harga rumah yg tdk
dpt dijelaskan (tdk
dipengaruhi) oleh
luas lantai
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
(lanjutan)
output MINITAB :
b0
s b0
Predictor
Coef
SE Coef
T
Constant
98,25
58,03
1,69
Luas Lantai 0,10977
0,03297 3,33
P
0,129
0,010
b 0 − β 0 98.24833 − 0
t=
=
= 1.69296
s b0
58.03348
Contoh Inferensia
Intersep Garis Regresi (b0): uji-t
(lanjutan)
Statistik uji: thit = 1.69296
H0: β0 = 0
H1: β0 ≠ 0
d.b. = 1
output MINITAB :
b0
s b0
Predictor
Coef
SE Coef
T
Constant
98,25
58,03
1,69
Luas Lantai 0,10977
0,03297 3,33
t
P
0,129
0,010
t1, .025 = 12,706
α/2=.025
α/2=.025
Keputusan: Terima H0
Kesimpulan :
Tolak H0
Terima H0
-t1,α/2
-12.706
0
t1,α/2
12.706
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Tolak H0
1.69296
Tidak cukup bukti untuk
mengatakan bahwa : ada harga
rumah yang tidak dapat dijelaskan
oleh luas lantai
Uji F bagi parameter regresi :
Tabel Sidik Ragam
Derajat
Sumber
Keragaman Bebas
(db)
Regresi
(b1| b0)
Jumlah
Kuadrat
(JK)
∑ (yˆ − y )
n
1
i =1
2
i
2
ˆ
(
)
−
y
y
∑ i i
n
Sisaan
n-2
∑ (y
i =1
n
Total
(terkoreksi)
n-1
i =1
i
−y
)
2
Kuadrat
Tengah
(KT)
JK Regresi
1
JK sisaan
(n − 2 )
H 0 : β1 = 0
H 1 : β1 ≠ 0
Statistik uji-nya :
Fhit =
KTRe gresi
KTSisaan
=
Ragam Reg
Ragam Sisaan
S2, jika modelnya pas
Statistik uji F tersebut memiliki derajat bebas db1=1 dan db2=n-2
Jika Fhit 0
H0: ρ = 0
H1: ρ ≠ 0
α
α
-tα
tα
tolak H0 jika t < -tn-2, α
Tolak H0 jika t > tn-2, α
dengan t =
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
r (n − 2)
(1 − r )
2
, d.b = n - 2
α/2
-tα/2
α/2
tα/2
Tolak H0 jika t < -tn-2, α/2
atau t > tn-2, α/2
Uji Hipotesis untuk Korelasi
OUTPUT MINITAB
Correlations: Harga Rumah; Luas Lantai
Pearson correlation of Harga Rumah and Luas
Lantai = 0,762
P-Value = 0,010
P-value < 0,025 Æ Tolak H0 Æ ρ ≠ 0
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
(lanjutan)
APLIKASI DENGAN MINITAB
DUGAAN BAGI KOEFISIEN KORELASI
Data contoh Harga Rumah
OUTPUT MINITAB
Harga
Rumah
(Rp.juta) (Y)
Luas Lantai
(m2) (X)
245
1400
312
1600
279
1700
308
1875
199
1100
219
1550
405
2350
324
2450
319
1425
255
1700
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Correlations: Harga Rumah; Luas Lantai
Pearson correlation of Harga Rumah and Luas
Lantai = 0,762
P-Value = 0,010
rXY
FILM :
MENDUGA
KOEFISIEN KORELASI PEARSON
dengan
MENGGUNAKAN MINITAB
Klik di sini
Interpretasi beberapa nilai r2
Y
r2 = 1 dapat diinterpretasikan
sbb. :
Adanya hubungan linier
yang tepat antara X dan Y:
r2 = 1
X
100% keragaman Y
dijelaskan oleh keragaman X
Y
r2
=1
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
X
Interpretasi beberapa nilai r2
Y
0 < r2 < 1 dapat diinterpretasikan sbb. :
X
Sebagian (tidak semuanya)
keragaman Y dijelaskan oleh
keragaman X
Y
X
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Adanya hubungan linier yang
lemah antara X dan Y:
Interpretasi beberapa nilai r2
r2 = 0 dapat diinterpretasikan
sbb. :
Y
Tidak ada hubungan linier
antara X dan Y:
r2 = 0
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
X
Nilai Y tidak bergantung pada
nilai X. (Tidak ada keragaman
Y yang dapat diterangkan
oleh keragaman X)
Korelasi dan Koefisien
Determinasi R2
Koefisien determinasi, R2, untuk regresi linier sederhana
yang hubungannya linier (ordo X = 1) sama dengan
koefisien korelasi kuadrat
R
2
=r
rxy = R = (tanda b1 )(R )
2
xy
2 1/ 2
Korelasi antara amatan Yi dengan nilai dugaannya Yi untuk
sembarang regresi linier dengan berapapun banyaknya
peubah bebas
^
r
^
Y Y
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
= R
Berbagai Kondisi yg Menggambarkan
Perbedaan antara R2 dan rXY
Fitted Line
Plot
Scatterplot
of Y2
vs C1
Scatterplot of Y1 vs C1
35
100
100
30
R2 = 1
r=1
R2 = 1
r=0
80
Y2
Y2
Y1
25
20
60
40
15
b1 = 3
10
b1 = 0
20
5
0
0
2
4
6
8
10
C1
-10
-5
0
X2
C1
5
10
rXY
Correlations: X1; Y1
Pearson correlation of X1 and Y1
= 1,000
P-Value = *
R2
The regression equation is
Y1 = 2,00 + 3,00 X1
The regression equation is
Y2 = 4,000 + 0,00 X2 + 1,000 X2**2
S = 0 R-Sq = 100,0%
R-Sq(adj) = 100,0%
S = 0 R-Sq = 100,0%
R-Sq(adj) = 100,0%
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Correlations: X2; Y2
Pearson correlation of X2 and Y2
= 0,000
P-Value = 1,000
Berbagai Kondisi yg Menggambarkan
Perbedaan antara R2 dan rXY (lanjutan)
Scatterplot of Y3 vs X1
Scatterplot of Y4 vs X1
35
35
30
30
R2 = 97,7%
r = 0,988
25
R2 = 88,7%
r = 0,942
25
20
Y4
Y3
20
15
15
10
10
b1 = 3,1
5
b1 = 3,01
5
0
0
0
2
4
6
8
10
X1
0
2
4
6
8
10
X1
Correlations: Y3; X1
Pearson correlation of Y3 and X1 = 0,988
Correlations: Y4; X1
Pearson correlation of Y4 and X1 = 0,942
The regression equation is
Y3 = 1,27 + 3,10 X1
The regression equation is
Y4 = 2,07 + 3,01 X1
S = 1,53396 R-Sq = 97,7%
R-Sq(adj) = 97,4%
S = 3,44414 R-Sq = 88,7%
R-Sq(adj) = 87,3%
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Berbagai Kondisi yg Menggambarkan
Perbedaan antara b1 dan rXY
Scatterplot of Y6 vs X1
Scatterplot of C7 vs X1
10
40
R2 = 76,0%
r = -0,872
30
R2 = 64,8%
r = 0,805
8
Y6
C7
6
20
4
10
2
b1 = 0,116
b1 = -3,38
0
0
0
2
4
6
8
10
X1
0
2
4
6
8
10
X1
Correlations: C7; X1
Pearson correlation of C7 and X1 = -0,872
Correlations: Y6; X1
Pearson correlation of Y6 and X1 = 0,805
The regression equation is
C7 = 37,7 - 3,38 X1
The regression equation is
Y6 = 3,50 + 0,116 X1
S = 6,09048 R-Sq = 76,0%
R-Sq(adj) = 73,0%
S = 0,275434 R-Sq = 64,8%
R-Sq(adj) = 60,4%
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Berbagai Kondisi yg Menggambarkan
Perbedaan antara b1 dan rXY
(lanjutan)
Scatterplot of Y vs X
Scatterplot of Y1 vs X1
17,5
10
R2 = 93,5%
r = 0,967
8
R2 = 53,3%
r = 0,730
15,0
12,5
Y1
Y
6
10,0
4
7,5
2
b1 = 0,00914
0
0
2
4
6
8
10
X1
Pearson correlation of X1 and Y1 = 0,967
The regression equation is Y1 = 3,99 + 0,00914 X1
S = 0,0077338 R-Sq = 93,5% R-Sq(adj) = 92,7%
Analysis of Variance
Source
DF
SS
MS
F
P
Regression 1 0,0068911 0,00689 115,21 0,000
Resd Error 8 0,0004785 0,00005
Total
9 0,0073696
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
b1 = 4,67
5,0
0
1
2
3
4
5
X
Pearson correlation of X and Y = 0,730
The regression equation is
S = 2,06491 R-Sq = 53,3%
Analysis of Variance
Source
DF
SS
Regression
1 184,94
Residual Error 38 162,03
Total
39 346,97
Y = 1,06 + 4,67 X
R-Sq(adj) = 52,1%
MS
F
P
184,94 43,37 0,000
4,26
Uji Ketidakpasan Model
Harus ada ulangan pengamatan yi pada nilai xi
yang sama. Mis. :
x
y
x1
y11
y12
x2
y21
y22
y23
y24
x3
y31
y32
y33
x4
y41
y42
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Untuk data contoh di samping dapat
dinotasikan :
m = 4, n1=2, n2=4, n3=3, n4=2
n =
∑
m
j =1
n j = 2 + 4 + 3 + 2 = 11
Uji ketidakpasan model :
Tabel Sidik Ragam
Derajat
Sumber
Keragaman Bebas
(db)
Regresi
1
(b1| b0)
Jumlah
Kuadrat
(JK)
Kuadrat
Tengah
(KT)
n
JK Regresi
∑ (yˆ − y )
2
i =1
i
2
ˆ
(
)
−
y
y
∑ i i
n
Sisaan
n-2
Ketidakpasan db -db
sisa
GM
model (KM)
Galat murni
(GM)
∑ nj − m
m
j =1
i =1
JKsisa – JKGM
∑∑ ( y ju − y j )2
m
nj
∑ (y − y )
j =1 u =1
n
Total
(terkoreksi)
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
n-1
i =1
2
i
1
JK sisaan
(n − 2 )
KTKM =
KTGM =
JKKM
dbKM
JKGM
dbGM
H0: model pas
H1: model tdk pas
Statistik ujinya :
Fhit =
KT KM
KT GM
F tabel :
db1=dbKM
db2=dbGM
Contoh : Uji ketidakpasan model
Tabel Sidik Ragam
X
Y
X
Y
1
5,135
6
67,586
1
30,846
6
47,441
1
32,977
6
32,919
2
14,142
7
78,804
2
20,785
7
78,202
2
-1,499
7
73,846
3
13,463
8
154,158
3
30,391
8
114,145
3
-21,254
8
110,077
4
31,095
9
139,573
4
6,542
9
154,735
4
35,466
9
151,428
5
-5,419
10
163,649
5
59,32
10
189,114
5
73,178
10
214,504
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Untuk data contoh di samping dapat
dinotasikan :
m = 10, n1 = n2 =…..= n10 = 3
n = 30
db sisaan
= n – 2 = 28
∑n
m
db galat murni =
j =1
j
−m
= 30 – 10 = 20
db ketidakpasan model = 28 – 20
= 8
Contoh : Uji ketidakpasan model
Tabel Sidik Ragam
OUTPUT MINITAB
(lanjutan)
The regression equation is y = - 37,3 + 19,5 x
Predictor Coef
SE Coef
Constant -37,31 11,70
x
19,483 1,885
T
-3,19
10,33
P
0,003
0,000
H0: model pas
H1: model tdk pas
S = 29,6616 R-Sq = 79,2% R-Sq(adj) = 78,5%
Analysis of Variance
Source
DF
SS
MS
Regression
1
93945
93945
28
24635
880
8
20
15272
9363
1909
468
29
118580
Residual Error
Lack of Fit
Pure Error
Total
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
F
P
106,78
0,000
4,08
0,005
Phit < 0,05
KEPUTUSAN :
Tolak H0
KESIMPULAN:
Model tidak pas
Pada contoh tersebut meskipun P-value untuk
pengaruh linier x dan regresi sangat kecil (0,000…)
namun kita tidak memperhatikan hal ini terlebih dahulu.
Kita perhatikan uji ketidakpasan modelnya dulu,
Ædisimpulkan bahwa model tidak pas.
Selanjutnya kita periksa pola tebaran datanya.
Scatterplot of y vsx
Pada tebaran data-nya terlihat adanya pola kuadratik
Æ model yang digunakan
diubah menjadi :
200
y
150
100
Y = β0 + β1x + β11x 2 + ε
50
0
0
2
4
6
x
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
8
10
Contoh : Uji ketidakpasan model
(lanjutan) Tabel Sidik Ragam
OUTPUT MINITAB
FittedLineofPlot
Scatterplot
y vsx
200
200
The regression equation is
y = 28,32 - 13,33 x + 2,983 x**2
y
y
150
150
100
100
S = 19,7555 R-Sq = 91,1% R-Sq(adj) = 90,5%
50
50
Analysis of Variance
Source
DF SS
MS
F
P
Regression 2 108043 54021,3 138,42 0,00
Error
27 10538 390,3
Total
29 118580
00
00
22
44
66
88
10
10
xx
• Dengan mengubah model
regresi dari linier ke kuadratik, R2
meningkat dari 79,2% menjadi
91,1%
• Dari tabel Sidik Ragam didapat
bhw pengaruh X kuadrat nyata
dg α = 0,05
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Sequential Analysis of Variance
Source DF
SS
F
P
Linear
1 93945,5 106,78 0,000
Quadratic 1 14097,2 36,12 0,000
MODEL YG DIGUNAKAN :
Y duga = 28,32 - 13,33 x + 2,983 x**2
Contoh : Uji ketidakpasan model
Tabel Sidik Ragam
X
Y
X
Y
1
5,135
6
67,586
1
30,846
6
47,441
1
32,977
6
32,919
2
14,142
7
78,804
2
20,785
7
78,202
2
-1,499
7
73,846
3
13,463
8
154,158
3
30,391
8
114,145
3
-21,254
8
110,077
4
31,095
9
139,573
4
6,542
9
154,735
4
35,466
9
151,428
5
-5,419
10
163,649
5
59,32
10
189,114
5
73,178
10
214,504
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
FILM :
MENGUJI
KETIDAKPASAN MODEL
dengan
MENGGUNAKAN MINITAB
Klik di sini
Langkah-langkah
Pemilihan Model yang Pas
1. Tentukan model, dapatkan dugaan persamaan garis regresinya,
susun tabel Sidik Ragam, jangan dulu melakukan uji F untuk
regresi keseluruhan
2. Lakukan uji ketidakpasan model.
Jika tidak ada ulangan, cek secara eksploratif : plot sisaan-nya
(akan dijelaskan pada pokok bahasan: Diagnosa Model).
Jika nyata : lanjut ke langkah 3
Jika tidak nyata : gunakan KT sisaan s2 sebagai dugaan bagi
Rag(Y) = σ2 , lakukan uji F secara keseluruhan, hitung R2, periksa asumsi untuk MKT melalui plot sisaan (Diagnosa Model)
3. Hentikan analisis, perbaiki modelnya (lihat pola plot sisaannya).
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Selang Kepercayaan
bagi koefisien kemiringan b1
Selang kepercayaan bagi koefisien
kemiringan adalah :
b1 − t n−2,α/2 sb1 < β1 < b1 + t n−2,α/2 sb1
Output Excel untuk contoh kasus harga rumah:
Intercept
Luas Lantai
Coefficients
Standard Error
98.24833
0.10977
d.b. = n - 2
t Stat
P-value
Lower 95%
Upper 95%
58.03348
1.69296
0.12892
-35.57720
232.07386
0.03297
3.32938
0.01039
0.03374
0.18580
Pada tingkat kepercayaan 95%, selang kepercayaan
bagi koefisien kemiringan garis adalah (0.0337, 0.1858)
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Selang Kepercayaan
bagi koefisien kemiringan b1
(lanjutan)
Intercept
Luas Lantai
Coefficients
Standard Error
t Stat
P-value
98.24833
0.10977
Lower 95%
Upper 95%
58.03348
1.69296
0.12892
-35.57720
232.07386
0.03297
3.32938
0.01039
0.03374
0.18580
Selama satuan peubah tak bebas (harga rumah) dalam juta rupiah, kita
percaya 95% bahwa rata-rata pengaruh penambahan harga rumah
berada antara Rp. 0,03374 juta sampai dengan Rp.0,18580 juta setiap
penambahan satu m2 luas lantai
Selang kepercayaan 95% ini tidak memuat angka 0.
Kesimpulan : Ada hubungan linier yang nyata antara harga rumah
dengan luas lantai dengan tingkat nyata sebesar 95%
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Peramalan
Dugaan persamaan garis regresi dapat
digunakan untuk memprediksi/meramal nilai
Y jika x diketahui (hati-hati hanya untuk x
yang berada dalam selang pengamatan)
Untuk suatu nilai, xn+1 , nilai prediksi bagi Y
adalah
yˆ n+1 = b0 + b1x n+1
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Memprediksi dengan menggunakan
persamaan garis regresi
Berapa kira-kira harga rumah yang luas lantainya
2000 m2 ! (2000 bukan titik pengamatan, namun
masih dalam selang pengamatan).Æ interpolasi
harga rumah = 98.25 + 0.1098 (luas lantai)
= 98.25 + 0.1098(200 0)
= 317.85
Prediksi harga rumah dengan luas lantai
2000 m2 adalah Rp 317,85 juta
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Selang data yang relevan
Ketika menggunakan garis regresi sebagai alat
untuk memprediksi, x yang boleh digunakan adalah
x yang nilainya dalam selang pengamatan
Harga Rumah (juta Rp)
Selang yang relevan
450
400
350
300
250
200
150
100
50
0
Sangat riskan
untuk melakukan
ekstrapolasi X di
luar selang
pengamatan
0
500
1000
1500
2000
Itasia & Y Angraini, Dep Statistika
FMIPA
- IPB(m2)
Luas
Lantai
2500
3000
Selang kepercayaan rataan
respon dan dugaan individu
Selang
kepercayaan
bagi rataan Y,
untuk xi
∧
y
Y
yi = b0 + b1 xi
Selang kepercayaan bagi nilai pengamatan y, untuk xi
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
xi
X
Selang Kepercayaan bagi nilai harapan
Y, untuk suatu X
Selang kepercayaan bagi
dugaan nilai harapan/rataan y jika diketahui xn+1
Selang kepercayaan bagi E(Yn +1 | X n +1 ) :
yˆ n +1 ± t n − 2,α/2s e
⎡ 1 (x n +1 − x) 2 ⎤
⎢ +
2⎥
⎢⎣ n ∑ (x i − x) ⎥⎦
Perhatikan bahwa rumus tersebut mengandung (x n+1 − x)2
Jadi beragamnya lebar selang bergantung pada jarak
antara xn+1 terhadap nilai rataan, x
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Selang Kepercayaan bagi
individu Y, untuk suatu nilai x
Selang kepercayaan individu y untuk suatu
nilai xn+1
Selang kepercayaa n bagi yˆ n +1 :
yˆ n +1 ± t n − 2, α/2 s e
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
⎡ 1 (x n +1 − x ) 2 ⎤
⎢1 + +
2 ⎥
⎢⎣ n ∑ (x i − x ) ⎥⎦
Dugaan bagi Nilai Tengah/Rataan:
Contoh harga rumah
Selang kepercayaan bagi E(Yn+1|Xn+1)
Dapatkan selang kepercayaan 95% bagi rataan
harga rumah dengan luas lantai 2.000 m2
∧
harga rumah yi = 317,85 (Rp. juta)
yˆ n +1 ± t n -2,α/2s e
1 (x n +1 − x) 2
+
= 317.85 ± 37.12
2
n ∑ (x i − x)
Selang kepercayaan 95% bagi rataan harga rumah
adalah dari Rp 280.660.000,- sampai Rp. 354.900.000,Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Dugaan bagi Nilai Tengah/Rataan:
Contoh harga rumah
(lanjutan)
OUTPUT MINITAB
Predicted Values for New Observations
Dugaan Nilai Tengah untuk x = 2000
New
Obs
1
Fit
SE Fit
317,8 16,1
95% CI
(280,7; 354,9)
95% PI
(215,5; 420,1)
Values of Predictors for New Observations
New
Obs
1
Luas
Lantai
2000
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Selang Kepercayaan 95% bagi
dugaan nilai tengah/Rataan
untuk suatu nilai x tertentu yg
tidak ada pada pengamatan,
namun masih dalam selang
pengamatanÆ x = 2000
Dugaan bagi individu/respon:
contoh harga rumah
∧
Selang kepercayaan bagi individu yn+1
Dapatkan selang kepercayaan 95% bagi respon individu
harga rumah untuk rumah dengan luas lantai 2.000 m2
∧
yi = 317,85 (Rp. juta)
yˆ n +1 ± t n -1,α/2s e
1 (X n +1 − X ) 2
= 317.85 ± 102.28
1+ +
2
n ∑ (X i − X )
Selang kepercayaan 95% bagi harga rumah dengan luas lantai
2000m2 ialah dari Rp 215.500.000,- sampai Rp 420.070.000,-.
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Dugaan bagi individu/respon:
contoh harga rumah
(lanjutan)
OUTPUT MINITAB
Predicted Values for New Observations
New
Obs
1
Fit
SE Fit
317,8 16,1
95% CI
(280,7; 354,9)
95% PI
(215,5; 420,1)
Values of Predictors for New Observations
New
Obs
1
Luas
Lantai
2000
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Selang Kepercayaan 95% bagi
dugaan individu/respon untuk
suatu nilai x tertentu yg tidak
ada pada pengamatan, namun
masih dalam selang
pengamatanÆ x = 2000
Data contoh Harga Rumah
Harga
Rumah
(Rp.juta) (Y)
Luas Lantai
(m2) (X)
245
1400
312
1600
279
1700
308
1875
199
1100
219
1550
405
2350
324
2450
319
1425
255
1700
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
FILM :
MENGHITUNG
SELANG KEPERCAYAAN BAGI
RAMALAN NILAI TENGAH
&
RAMALAN NILAI INDIVIDU
dengan
MENGGUNAKAN MINITAB
Klik di sini
Pokok Bahasan :
REGRESI LINIER
SEDERHANA
Deskripsi Model
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Macam-macam Model Regresi
Model Regresi
1 peubah penjelas
> 1 peubah penjelas
Berganda
Sederhana
Linier
Polinom
Non Linier
Multiplikatif
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Non Linier
Linier
Reciprocal
Log
Eksponensial
Contoh :
Macam-macam Model Regresi
Sederhana
Linier
Hubungannya linier
Non Linier
Polinom
Multiplikatif
Eksponensial
Reciprocal
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Y = β 0 + β1x + ε
Y = β0 + β1x 2 + ε
Y = β0 x
β1
+ε
Y = β 0 e β 1 x .ε
1
β 0 + β1x + ε
Y = β0 e
β1
x
ε
Model Regresi Linier Sederhana
(yang hubungannya linier
ordo x=1 )
Linier dalam parameter
Sederhana = banyaknya peubah bebas/penjelas hanya satu
Hubungan antara X dan Y dinyatakan dalam fungsi linier/ordo 1
Perubahan Y diasumsikan karena adanya perubahan X
Model populasi regresi linier sederhana yang hubungannya linier
(selanjutnya cukup sebut “regresi linier sederhana”) :
Y = β 0 + β1x + ε
Dengan :
β0 dan β1 adalah parameter regresi
ε
adalah sisaan/galat/eror (peubah acak)
Y
adalah peubah tak bebas (peubah acak)
X
adalah peubah bebas yang nilainya diketahui
dan presisinya sangat tinggi (bukan peubah acak)
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Dugaan dan Interpretasi
Parameter Model
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Asumsi Model Regresi Linier
Bentuk hubungannya linear (Y merupakan fungsi linier
dari X, plus sisaan yang acak)
Sisaan εi adalah peubah acak yang bebas thdp nilai x
Sisaan merupakan peubah acak yang menyebar Normal
dengan rataan 0 dan memiliki ragam konstan, σ2
(sifat ragam yang konstan/homogen ini disebut homoscedasticity)
E[ε i ] = 0 dan
E[ε i ] = σ 2
2
untuk (i = 1, K , n)
Sisaan εi, tidak berkorelasi satu dengan yang lainnya,
sehingga E[ε ε ] = 0 , i ≠ j atau cov[ε , ε ] = 0 , i ≠ j
i
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
j
i
j
Interpretasi Parameter Model
Regresi Linier Sederhana
Model Regresi Linier Sederhana (populasi) :
Peubah tak
bebas/
Peubah respon
Intersep Y
populasi
Koefisien Peubah bebas/
kemiringan Peubah penjelas
populasi
Y = β 0 + β 1X + ε
Komponen linier (fix)
Sisaan/
galat
Komponen acak
Y : peubah tak bebas/respon merupakan peubah acak dengan pusat/
nilai harapan di β 0 + β1X dan ragam σ 2
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Interpretasi Parameter Model
Regresi Linier Sederhana
Y
Nilai
pengamatan Y
untuk Xi
Y = β 0 + β1X + ε
(lanjutan)
yi
εi
Nilai
E[Y | xi ]
harapan/rataan
Y untuk xi
Sisaan/galat
untuk xi
yi = β 0 + β1xi + εi
E[Y | x i ] = β 0 + β1 xi
Intersep = β0
xi
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Slope = β1
yi = E[Y | xi ] + εi
X
Dugaan Persamaan Garis
Regresi Linier Sederhana
Dugaan persamaan garis regresi linier sederhana
Nilai dugaan
y pada
pengamatan
ke - i
Dugaan bagi
intersep β0
Dugaan bagi
kemiringan garis
regresi β1
yˆ i = b 0 + b1x i
Nilai x pada
pengamatan
ke - i
Galat individu ei mempunyai rataan sebesar nol
ei = ( y i - yˆ i ) = y i - (b0 + b1x i )
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Interpretasi koefisien kemiringan
dan intersep
b0 adalah nilai dugaan rataan y
ketika x bernilai nol (jika x = 0 dalam
selang pengamatan)
b1 adalah nilai dugaan perubahan
rataan y (nilai harapan Y) jika x
berubah satu satuan
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Pendugaan
Parameter Regresi
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Menduga Persamaan Regresi
Menduga persamaan regresi linier sederhana
= menduga parameter-parameter regresi β0
dan β1 :
Penduga parameter yang dihasilkan harus
merupakan penduga yang baik
Software statistik, seperti Minitab, SAS, SPSS, dll.
banyak digunakan
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Menduga Persamaan Regresi
(lanjutan)
Metode Kuadrat Terkecil
b0 dan b1 adalah dugaan bagi parameter regresi β0
dan β1 yang didapat salah satunya dengan cara
meminimumkan jumlah kuadrat galat (JKG).
ˆ Æ Metode
Galat/sisaan = selisih antara y dan y
Kuadrat Terkecil (MKT) :
min JKG = min
= min
= min
∑e
∑ (y
∑ [y
2
i
i
i
− yˆ i ) 2
− (b 0 + b 1 x i )] 2
Teknik kalkulus digunakan untuk mendapatkan nilai bo dan b1
sedemikian hingga meminimumkan JKG
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Menduga Persamaan Regresi
(lanjutan)
Metode Kuadrat Terkecil
Penduga bagi koefisien kemiringan garis β1 ialah:
∑ (x
SXY
n
b1 =
i =1
Koefisien
Korelasi
Pearson
− x)(yi − y)
2
(x
−
x
)
∑ i
i
n
i =1
sY
S XY
=
= rxy
sX
S XX
SXX
Penduga bagi intersep β0 ialah:
b0 = y − b1x
Garis regresi selalu melalui titik x, y
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Menduga Persamaan Regresi
(lanjutan)
Asumsi Metode Kuadrat Terkecil (MKT)
Kondisi Gauss - Markov
Agar penduga bagi parameter regresi yang
didapatkan dengan menggunakan MKT merupakan
penduga yang baik maka sisaan/galat harus
memenuhi kondisi Gauss-Markov berikut ini :
1. E[ε i ] = 0
2. E[ε i ] = σ 2
2
3. E[ε iε j ] = 0, i ≠ j
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
nilai - harapan/rataan sisaan = nol
ragam sisaan homogen untuk setiap nilai x
( homoscedasticity )
ε i dan ε j saling bebas
Contoh
Regresi Linier Sederhana
Sebuah agen real-estate ingin mengetahui
hubungan antara harga jual sebuah rumah
dengan luas lantainya (diukur dalam m2)
10 buah rumah diambil secara acak sebagai contoh
Peubah tak bebas (Y) = harga rumah (juta rupiah)
Peubah bebas (X)
= luas lantai (m2)
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Contoh Regresi Linier Sederhana
(lanjutan)
Data contoh Harga Rumah
Harga Rumah (Rp.juta) (Y)
Luas Lantai (m2) (X)
245
1400
312
1600
279
1700
308
1875
199
1100
219
1550
405
2350
324
2450
319
1425
255
1700
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Contoh Regresi Linier Sederhana
(lanjutan)
Tebaran Harga Rumah vs Luas Lantai
Y = β 0 + β1 x + ε
Model Regresi-nya
Scatterplot of Harga Rumah vs Luas Lantai
800
700
Harga Rumah
600
Persamaan Garis
Regresi-nya
500
Y = β 0 + β1 x
400
300
200
100
0
1000
Diduga dengan :
1200
1400
1600
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
1800
2000
Luas Lantai
2200
2400
2600
Yˆ = b0 + b1 x
Contoh Regresi Linier Sederhana
(lanjutan)
Data contoh Harga Rumah
Harga Rumah
(Rp.juta) (Y)
Luas Lantai
(m2) (X)
245
1400
312
1600
279
1700
308
1875
199
1100
219
1550
405
2350
324
2450
319
1425
255
1700
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
FILM :
MEMBUAT TEBARAN
“HARGA RUMAH” vs ”LUAS LANTAI”
MENGGUNAKAN MINITAB
Klik di sini
Contoh Regresi Linier Sederhana
(lanjutan)
MENDUGA PARAMETER REGRESI : OUTPUT MINITAB
Regression Analysis: Harga Rumah versus Luas Lantai
Dugaan
Persamaan
Garis Regresinya
The regression equation is
Harga Rumah = 98,2 + 0,110 Luas Lantai
b
Predictor 0 Coef
SE Coef
T
Constant
98,25
58,03
1,69
Luas Lantai 0,10977
0,03297 3,33
P
0,129
0,010
b
S = 41,3303 R-Sq1 = 58,1% R-Sq(adj) = 52,8%
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Contoh Regresi Linier Sederhana
(lanjutan)
Data contoh Harga Rumah
Harga Rumah
(Rp.juta) (Y)
Luas Lantai
(m2) (X)
245
1400
312
1600
279
1700
308
1875
199
1100
219
1550
405
2350
324
2450
319
1425
255
1700
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
FILM :
MENDUGA GARIS REGRESI
MENGGUNAKAN MINITAB
Klik di sini
Contoh Regresi Linier Sederhana
(lanjutan)
Tampilan Grafik
Intersep
= 98.248
Harga Jual Rumah (Rp.juta)
Model Harga Rumah: scatter plot dan
garis regresi
450
400
350
300
250
200
150
100
50
0
Kemiringan
= 0.10977
0
500
1000
1500
2000
Luas Lantai (m2)
2500
3000
harga rumah = 98.24833 + 0.10977 (luas lantai)
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Contoh Regresi Linier Sederhana
(lanjutan)
Data contoh Harga Rumah
Harga
Rumah
(Rp.juta) (Y)
Luas Lantai
(m2) (X)
245
1400
312
1600
279
1700
308
1875
199
1100
219
1550
405
2350
324
2450
319
1425
255
1700
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
FILM :
MEMBUAT TEBARAN ANTARA
“HARGA RUMAH”
dengan
“LUAS LANTAI”
& GARIS REGRESI-nya
MENGGUNAKAN MINITAB
Klik di sini
Contoh Regresi Linier Sederhana
(lanjutan)
Interpretasi Intersep b0
harga rumah = 98.24833 + 0.10977 (luas lantai)
b0 adalah nilai dugaan bagi nilai rataan
Y ketika X bernilai nol (jika X = 0 di
dalam selang pengamatan)
Dalam hal ini tidak ada rumah yang memiliki luas lantai=0,
jadi b0 = 98.24833 hanya mengindikasikan bahwa : untuk
luas lantai yang berada dalam selang pengamatan, Rp
98.248.330,- adalah bagian harga rumah yang tidak
diterangkan oleh luas lantai
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Contoh Regresi Linier Sederhana
(lanjutan)
Interpretasi koefisien kemiringan, b1
harga rumah= 98.24833+ 0.10977 (luaslantai)
b1 mengukur dugaan perubahan rataan
nilai Y jika X berubah satu satuan
Dalam hal ini b1 = .10977 menggambarkan
bahwa setiap penambahan satu m2 luas lantai
rataan harga rumah akan naik sebesar 0,10977
juta rupiah
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Apakah b0 dan b1 yang didapat
merupakan penduga yang baik ?
Pertanyaan di atas = pertanyaan bahwa: “apakah
sisaan yang dihasilkan oleh dugaan persamaan
garis regresi nya menghasilkan sisaan yang
memenuhi kondisi Gauss-Markov?”
Untuk sementara ini kita yakini saja dulu bahwa
sisaan yang dihasilkan memenuhi kondisi tersebut
Penjelasan bagaimana cara memeriksanya akan
dijelaskan pada pokok bahasan “Diagnosa model
melalui pemeriksaan sisaan”
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
PENGURAIAN
KERAGAMAN TOTAL
JKReg
JKsisa
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Sumber Keragaman Regresi
Nilai pengamatan yi yang dihasilkan beragam.
Keragaman ini disebabkan oleh ?
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Sumber Keragaman Regresi
Y
yi
∧
yi
Nilai pengamatan yi yang dihasilkan beragam. Keragaman
ini disebabkan oleh ?
∧ 2
JKG = ∑(yi - yi )
JKT = ∑(yi - y)2
∧
y
_
∧ _ 2
JKR = ∑(yi – y )
_
y
xi
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
_
y
X
Sumber Keragaman Regresi
(lanjutan)
Untuk suatu nilai xi keragaman nilai pengamatan yi
disebabkan oleh :
Menyimpangnya
yi terhadap dugaan nilai
) nilai amatan
)
)
harapannya E [Y | x i ] → E [Y | x i ] = yi = b 0 + b1x i
)
yi − yi = ei → karena eror/galat/sisaan
b 0 dan b1 beragam Æ menghasilkan dugaan garis
regresi yang beragam Æ memiliki rataan Y
Menyimpangnya suatu dugaan garis regresi terhadap
rataannya menyebabkan beragamnya data.
yˆ i − y = b0 + b1 xi − yˆ i
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
,y = yˆ i → karena model regresi
Mengukur Keragaman
Total Keragaman disebabkan oleh dua bagian ini :
JKT =
Jumlah
Kuadrat Total
JKT = ∑ (y i − y) 2
=
JKR +
Jumlah Kuadrat
Regresi
JKR = ∑ (yˆ i − y) 2
JKG
+
Jumlah Kuadrat
Galat/Sisaan
JKG = ∑ (y i − yˆ i ) 2
dengan:
y
= nilai rata-rata peubah tak bebas Y
yi = nilai pengamatan ke-i peubah tak bebas Y
yˆ i = nilai dugaan y untuk suatu nilai xi
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Ukuran Keragaman
(lanjutan)
JKT = Jumlah Kuadrat Total
Mengukur keragaman nilai yi di sekitar nilai
rataannya y
JKR = Jumlah Kuadrat Regresi
Menjelaskan keragaman karena adanya hubungan
linier antara x dan y
JKS = jumlah Kuadrat Sisa
Menjelaskan keragaman yang disebabkan oleh
faktor-faktor selain faktor hubungan linier x dan y
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Derajat Bebas Jumlah Kuadrat
Ukuran keragaman adalah ragam
Ragam =
Jumlah Kuadrat (JK)
derajat bebas (db)
Derajat bebas bagi
JK Sisaan = n - 2
Derajat bebas bagi
JK Regresi
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
|b 0
=1
Tabel Sidik Ragam
Sumber
Keragaman
Derajat
Bebas
(db)
∑ (yˆ − y )
n
Regresi
Sisaan
Total
(terkoreksi)
1
n-2
i =1
n
2
i
2
ˆ
(
)
−
y
y
∑ i i
∑ (y − y )
i =1
n
n-1
Kuadrat
Tengah
(KT)
Jumlah
Kuadrat
(JK)
i =1
JK Regresi
1
JK sisaan
(n − 2 )
2
i
Pada analisis regresi ini tentunya diharapkan JK regresi lebih besar
dari JK sisaan Æ sehingga dapat dikatakan bahwa keragaman nilai y
disebabkan oleh perubahan nilai x.
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
S2,
jika
model
nya
pas
Tabel Sidik Ragam
(lanjutan)
OUTPUT MINITAB
Regression Analysis: Harga Rumah versus Luas Lantai
The regression equation is
Harga Rumah = 98,2 + 0,110 Luas Lantai
Predictor
Coef
SE Coef
Constant
98,25
58,03
Luas Lantai 0,10977
0,03297
T
1,69
3,33
P
0,129
0,010
S = 41,3303 R-Sq = 58,1% R-Sq(adj) = 52,8%
Analysis of Variance db
Source
DF SS
Regression
1 18935
Residual Error 8 13666
Total
9 32600
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
JK
KT
MS
18935
1708
F
11,08
P
0,010
TABEL SIDIK
RAGAM
Penduga bagi Ragam Sisaan/galat
Penduga bagi ragam eror/sisaan dari model populasi
adalah :
n
Dengan asumsi
bahwa
modelnya
pas/cocok
σˆ = s = KTsisaan
2
2
e
2
e
∑i
JKS i =1
=
=
n−2 n−2
Dibagi dengan n – 2 bukan dengan n – 1 karena model
regresi linier sederhana menggunakan 2 penduga
parameter yaitu, b0 dan b1, bukan satu.
s e = s e2
adalah penduga simpangan baku
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Penduga bagi Ragam Sisaan/galat
(lanjutan)
OUTPUT MINITAB
Regression Analysis: Harga Rumah versus Luas Lantai
The regression equation is
Harga Rumah = 98,2 + 0,110 Luas Lantai
Predictor
Coef
SE Coef
Constant
98,25
58,03
Luas Lantai 0,10977
0,03297
se
T
1,69
3,33
P
0,129
0,010
S = 41,3303 R-Sq = 58,1% R-Sq(adj) = 52,8%
Analysis of Variance
Source
DF SS
Regression
1 18935
Residual Error 8 13666
Total
9 32600
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
MS
18935
1708
F
11,08
P
0,010
Dugaan Ragam Sisaan = s2
(JIKA MODELNYA PAS)
Perbandingan Simpangan Baku
se mengukur keragaman penyimpangan nilai
pengamatan yi terhadap garis regresi
Y
Y
s e kecil
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
X
s e besar
X
β 0 β1
β0
Pengujian Hipotesis
Terhadap
Slope dan Intersep
Diperlukan asumsi bahwa εi menyebar Normal
εi ~ N ( 0,σ2 )
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Ragam Koefisien Kemiringan Garis
Regresi (b1)
Ragam dari koefisien kemiringan garis regresi
(b1) diduga sbb :
dengan:
2
2
s
s
e
e
=
s 2b1 =
2
2
−
−
(x
x
)
(n
1)s
∑ i
x
sb1
= dugaan simpangan baku kemiringan garis regresi
s 2x
= dugaan ragam x
JK sisa
se =
= akar KTG = akar Kuadrat Tengah Galat = dugaan
n−2
simpangan baku sisaan
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Membandingkan Simpangan Baku
Koefisien Kemiringan Garis Regresi (b1)
Sb1 mengukur keragaman koefisien kemiringan garis
regresi dari berbagai contoh (set data) yang mungkin.
Y
Y
X
Sb1 kecil
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
X
Sb1 besar
Contoh Regresi Linier Sederhana
(lanjutan)
SIMPANGAN BAKU b1 : OUTPUT MINITAB
Regression Analysis: Harga Rumah versus Luas Lantai
The regression equation is
Harga Rumah = 98,2 + 0,110 Luas Lantai
Predictor
Coef
SE Coef
T
Constant
98,25
58,03
1,69
Luas Lantai 0,10977
0,03297 3,33
P
0,129
0,010
Simpangan
Baku b1 = sb1
S = 41,3303 R-Sq = 58,1% R-Sq(adj) = 52,8%
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Inferensia Koefisien Kemiringan Garis
Regresi (b1): Uji t
Pada model regresi linier sederhana :
Uji t untuk koefisien kemiringan garis regresi populasi (β1)
Apakah ada hubungan linier antara X dan Y?
Hipotesis Nol dan hipotesis tandingan
H0: β1 = 0
H1: β1 ≠ 0
(tidak ada hubungan linier antara X dan Y)
(ada hubungan linier antara X dan Y)
Uji Statistik t =
b1 − β1
sb1
d.b. = n − 2
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
dengan:
b1 = koefisien kemiringan regresi
β1 = kemiringan yg dihipotesiskan
sb1 = simpangan baku kemiringan
Contoh Inferensia
Koefisien Kemiringan Garis (b1): Uji t
Harga Rumah
(Rp.juta)
(y)
Luas Lantai
(m2)
(x)
245
1400
312
1600
279
1700
308
1875
199
1100
219
1550
405
2350
324
2450
319
1425
255
1700
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Dugaan persamaan garis regresi:
harga rumah = 98.25 + 0.1098 (luas lantai)
Koefisien kemiringan garis pada
model ini adalah 0.1098
Meskipun demikian, “apakah luas
lantai mempengaruhi harga jual?”
Contoh Inferensia
Koefisien Kemiringan Garis (b1): uji t
(lanjutan)
H0: β1 = 0
H1: β1 ≠ 0
Apakah luas
lantai mempengaruhi harga
jual (secara
linier)?
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
OUTPUT MINITAB
b1
sb1
Predictor
Coef
SE Coef
T
Constant
98,25
58,03
1,69
Luas Lantai 0,10977
0,03297 3,33
P
0,129
0,010
b1 − β1 0.10977 − 0
t=
= 3.32938
=
s b1
0.03297
Contoh Inferensia
Koefisien Kemiringan Garis (b1): uji t
(lanjutan)
Statistik Uji-nya : t = 3.329
H0: β1 = 0
H1: β1 ≠ 0
output MINITAB :
b1
sb1
Predictor
Coef
SE Coef
T
Constant
98,25
58,03
1,69
Luas Lantai 0,10977
0,03297 3,33
d.b. = 10-2 = 8
t
P
0,129
0,010
t8,.025 = 2.3060
α/2=.025
Tolak H0
α/2=.025
Terima H0
-tn-2,α/2
-2.3060
0
Tolak H0
tn-2,α/2
2.3060 3.329
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Keputusan : Tolak H0
Kesimpulan :
Cukup bukti untuk mengatakan
bahwa luas lantai
mempengaruhi harga jual
Contoh Inferensia
Koefisien Kemiringan Garis (b1): uji t
(lanjutan)
Nilai peluang P = 0.01039
H0: β1 = 0
H1: β1 ≠ 0
thit = 3.329
output MINITAB :
Predictor
Coef
SE Coef
T
Constant
98,25
58,03
1,69
Luas Lantai 0,10977
0,03297 3,33
P
0,129
0,010
Ini adalah uji dua arah,
jadi p-valuenya adalah
Keputusan: P-value < α jadi
P(t > 3.329)+P(t < -3.329)
= 0.01039
(db. 8)
Kesimpulan:
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Tolak H0
Cukup bukti untuk mengatakan
bahwa luas lantai
mempengaruhi harga rumah
Ragam Intersep Garis Regresi (b0)
Ragam dari intersep garis regresi (b0) diduga
sbb :
s =
2
b0
∑x
n∑ (x i − x)
s
2
e
2
i
2
Keterangan:
s b 0 = dugaan simpangan baku intersep garis regresi
SSE
= akar KTG = akar Kuadrat Tengah Galat = dugaan
se =
n−2
simpangan baku sisaan
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Inferensia Intersep Garis Regresi (b0): uji
t
Pada model regresi linier sederhana :
Uji t untuk intersep garis regresi populasi (β0)
Apakah ada nilai Y yang tidak dapat dijelaskan oleh x?
Hipotesis Nol dan hipotesis tandingan
H0: β0 = 0 (semua nilai Y dapat dijelaskan oleh x)
H1: β0 ≠ 0 (ada nilai Y yg tidak dapat dijelaskan oleh x)
b0 − β0
Statistik uji t = s
b0
d.b. = 1
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
dengan:
b0 = intersep garis regresi
β0 = intersep yg dihipotesiskan
sb0 = dugaan simp. baku intersep
Contoh Inferensia
Intersep Garis Regresi (b0): uji t
Harga Rumah
(Rp. Juta)
(y)
Luas Lantai
(m2)
(x)
245
1400
312
1600
279
1700
308
1875
199
1100
219
1550
405
2350
324
2450
319
1425
255
1700
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Dugaan persamaan garis regresi:
harga rumah = 98.25 + 0.1098 (luas lantai)
Intersep garis pada model ini adalah 98.25
Apakah ada bagian harga rumah yang
tidak dapat dijelaskan oleh luas lantai?
Apakah ada bagian harga rumah yang
tidak dipengaruhi oleh luas lantai?
Contoh Inferensia
Intersep Garis Regresi (b0): uji-t
H0: β0 = 0
H1: β0 ≠ 0
Apakah ada harga rumah yg tdk
dpt dijelaskan (tdk
dipengaruhi) oleh
luas lantai
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
(lanjutan)
output MINITAB :
b0
s b0
Predictor
Coef
SE Coef
T
Constant
98,25
58,03
1,69
Luas Lantai 0,10977
0,03297 3,33
P
0,129
0,010
b 0 − β 0 98.24833 − 0
t=
=
= 1.69296
s b0
58.03348
Contoh Inferensia
Intersep Garis Regresi (b0): uji-t
(lanjutan)
Statistik uji: thit = 1.69296
H0: β0 = 0
H1: β0 ≠ 0
d.b. = 1
output MINITAB :
b0
s b0
Predictor
Coef
SE Coef
T
Constant
98,25
58,03
1,69
Luas Lantai 0,10977
0,03297 3,33
t
P
0,129
0,010
t1, .025 = 12,706
α/2=.025
α/2=.025
Keputusan: Terima H0
Kesimpulan :
Tolak H0
Terima H0
-t1,α/2
-12.706
0
t1,α/2
12.706
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Tolak H0
1.69296
Tidak cukup bukti untuk
mengatakan bahwa : ada harga
rumah yang tidak dapat dijelaskan
oleh luas lantai
Uji F bagi parameter regresi :
Tabel Sidik Ragam
Derajat
Sumber
Keragaman Bebas
(db)
Regresi
(b1| b0)
Jumlah
Kuadrat
(JK)
∑ (yˆ − y )
n
1
i =1
2
i
2
ˆ
(
)
−
y
y
∑ i i
n
Sisaan
n-2
∑ (y
i =1
n
Total
(terkoreksi)
n-1
i =1
i
−y
)
2
Kuadrat
Tengah
(KT)
JK Regresi
1
JK sisaan
(n − 2 )
H 0 : β1 = 0
H 1 : β1 ≠ 0
Statistik uji-nya :
Fhit =
KTRe gresi
KTSisaan
=
Ragam Reg
Ragam Sisaan
S2, jika modelnya pas
Statistik uji F tersebut memiliki derajat bebas db1=1 dan db2=n-2
Jika Fhit 0
H0: ρ = 0
H1: ρ ≠ 0
α
α
-tα
tα
tolak H0 jika t < -tn-2, α
Tolak H0 jika t > tn-2, α
dengan t =
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
r (n − 2)
(1 − r )
2
, d.b = n - 2
α/2
-tα/2
α/2
tα/2
Tolak H0 jika t < -tn-2, α/2
atau t > tn-2, α/2
Uji Hipotesis untuk Korelasi
OUTPUT MINITAB
Correlations: Harga Rumah; Luas Lantai
Pearson correlation of Harga Rumah and Luas
Lantai = 0,762
P-Value = 0,010
P-value < 0,025 Æ Tolak H0 Æ ρ ≠ 0
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
(lanjutan)
APLIKASI DENGAN MINITAB
DUGAAN BAGI KOEFISIEN KORELASI
Data contoh Harga Rumah
OUTPUT MINITAB
Harga
Rumah
(Rp.juta) (Y)
Luas Lantai
(m2) (X)
245
1400
312
1600
279
1700
308
1875
199
1100
219
1550
405
2350
324
2450
319
1425
255
1700
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Correlations: Harga Rumah; Luas Lantai
Pearson correlation of Harga Rumah and Luas
Lantai = 0,762
P-Value = 0,010
rXY
FILM :
MENDUGA
KOEFISIEN KORELASI PEARSON
dengan
MENGGUNAKAN MINITAB
Klik di sini
Interpretasi beberapa nilai r2
Y
r2 = 1 dapat diinterpretasikan
sbb. :
Adanya hubungan linier
yang tepat antara X dan Y:
r2 = 1
X
100% keragaman Y
dijelaskan oleh keragaman X
Y
r2
=1
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
X
Interpretasi beberapa nilai r2
Y
0 < r2 < 1 dapat diinterpretasikan sbb. :
X
Sebagian (tidak semuanya)
keragaman Y dijelaskan oleh
keragaman X
Y
X
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Adanya hubungan linier yang
lemah antara X dan Y:
Interpretasi beberapa nilai r2
r2 = 0 dapat diinterpretasikan
sbb. :
Y
Tidak ada hubungan linier
antara X dan Y:
r2 = 0
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
X
Nilai Y tidak bergantung pada
nilai X. (Tidak ada keragaman
Y yang dapat diterangkan
oleh keragaman X)
Korelasi dan Koefisien
Determinasi R2
Koefisien determinasi, R2, untuk regresi linier sederhana
yang hubungannya linier (ordo X = 1) sama dengan
koefisien korelasi kuadrat
R
2
=r
rxy = R = (tanda b1 )(R )
2
xy
2 1/ 2
Korelasi antara amatan Yi dengan nilai dugaannya Yi untuk
sembarang regresi linier dengan berapapun banyaknya
peubah bebas
^
r
^
Y Y
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
= R
Berbagai Kondisi yg Menggambarkan
Perbedaan antara R2 dan rXY
Fitted Line
Plot
Scatterplot
of Y2
vs C1
Scatterplot of Y1 vs C1
35
100
100
30
R2 = 1
r=1
R2 = 1
r=0
80
Y2
Y2
Y1
25
20
60
40
15
b1 = 3
10
b1 = 0
20
5
0
0
2
4
6
8
10
C1
-10
-5
0
X2
C1
5
10
rXY
Correlations: X1; Y1
Pearson correlation of X1 and Y1
= 1,000
P-Value = *
R2
The regression equation is
Y1 = 2,00 + 3,00 X1
The regression equation is
Y2 = 4,000 + 0,00 X2 + 1,000 X2**2
S = 0 R-Sq = 100,0%
R-Sq(adj) = 100,0%
S = 0 R-Sq = 100,0%
R-Sq(adj) = 100,0%
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Correlations: X2; Y2
Pearson correlation of X2 and Y2
= 0,000
P-Value = 1,000
Berbagai Kondisi yg Menggambarkan
Perbedaan antara R2 dan rXY (lanjutan)
Scatterplot of Y3 vs X1
Scatterplot of Y4 vs X1
35
35
30
30
R2 = 97,7%
r = 0,988
25
R2 = 88,7%
r = 0,942
25
20
Y4
Y3
20
15
15
10
10
b1 = 3,1
5
b1 = 3,01
5
0
0
0
2
4
6
8
10
X1
0
2
4
6
8
10
X1
Correlations: Y3; X1
Pearson correlation of Y3 and X1 = 0,988
Correlations: Y4; X1
Pearson correlation of Y4 and X1 = 0,942
The regression equation is
Y3 = 1,27 + 3,10 X1
The regression equation is
Y4 = 2,07 + 3,01 X1
S = 1,53396 R-Sq = 97,7%
R-Sq(adj) = 97,4%
S = 3,44414 R-Sq = 88,7%
R-Sq(adj) = 87,3%
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Berbagai Kondisi yg Menggambarkan
Perbedaan antara b1 dan rXY
Scatterplot of Y6 vs X1
Scatterplot of C7 vs X1
10
40
R2 = 76,0%
r = -0,872
30
R2 = 64,8%
r = 0,805
8
Y6
C7
6
20
4
10
2
b1 = 0,116
b1 = -3,38
0
0
0
2
4
6
8
10
X1
0
2
4
6
8
10
X1
Correlations: C7; X1
Pearson correlation of C7 and X1 = -0,872
Correlations: Y6; X1
Pearson correlation of Y6 and X1 = 0,805
The regression equation is
C7 = 37,7 - 3,38 X1
The regression equation is
Y6 = 3,50 + 0,116 X1
S = 6,09048 R-Sq = 76,0%
R-Sq(adj) = 73,0%
S = 0,275434 R-Sq = 64,8%
R-Sq(adj) = 60,4%
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Berbagai Kondisi yg Menggambarkan
Perbedaan antara b1 dan rXY
(lanjutan)
Scatterplot of Y vs X
Scatterplot of Y1 vs X1
17,5
10
R2 = 93,5%
r = 0,967
8
R2 = 53,3%
r = 0,730
15,0
12,5
Y1
Y
6
10,0
4
7,5
2
b1 = 0,00914
0
0
2
4
6
8
10
X1
Pearson correlation of X1 and Y1 = 0,967
The regression equation is Y1 = 3,99 + 0,00914 X1
S = 0,0077338 R-Sq = 93,5% R-Sq(adj) = 92,7%
Analysis of Variance
Source
DF
SS
MS
F
P
Regression 1 0,0068911 0,00689 115,21 0,000
Resd Error 8 0,0004785 0,00005
Total
9 0,0073696
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
b1 = 4,67
5,0
0
1
2
3
4
5
X
Pearson correlation of X and Y = 0,730
The regression equation is
S = 2,06491 R-Sq = 53,3%
Analysis of Variance
Source
DF
SS
Regression
1 184,94
Residual Error 38 162,03
Total
39 346,97
Y = 1,06 + 4,67 X
R-Sq(adj) = 52,1%
MS
F
P
184,94 43,37 0,000
4,26
Uji Ketidakpasan Model
Harus ada ulangan pengamatan yi pada nilai xi
yang sama. Mis. :
x
y
x1
y11
y12
x2
y21
y22
y23
y24
x3
y31
y32
y33
x4
y41
y42
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Untuk data contoh di samping dapat
dinotasikan :
m = 4, n1=2, n2=4, n3=3, n4=2
n =
∑
m
j =1
n j = 2 + 4 + 3 + 2 = 11
Uji ketidakpasan model :
Tabel Sidik Ragam
Derajat
Sumber
Keragaman Bebas
(db)
Regresi
1
(b1| b0)
Jumlah
Kuadrat
(JK)
Kuadrat
Tengah
(KT)
n
JK Regresi
∑ (yˆ − y )
2
i =1
i
2
ˆ
(
)
−
y
y
∑ i i
n
Sisaan
n-2
Ketidakpasan db -db
sisa
GM
model (KM)
Galat murni
(GM)
∑ nj − m
m
j =1
i =1
JKsisa – JKGM
∑∑ ( y ju − y j )2
m
nj
∑ (y − y )
j =1 u =1
n
Total
(terkoreksi)
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
n-1
i =1
2
i
1
JK sisaan
(n − 2 )
KTKM =
KTGM =
JKKM
dbKM
JKGM
dbGM
H0: model pas
H1: model tdk pas
Statistik ujinya :
Fhit =
KT KM
KT GM
F tabel :
db1=dbKM
db2=dbGM
Contoh : Uji ketidakpasan model
Tabel Sidik Ragam
X
Y
X
Y
1
5,135
6
67,586
1
30,846
6
47,441
1
32,977
6
32,919
2
14,142
7
78,804
2
20,785
7
78,202
2
-1,499
7
73,846
3
13,463
8
154,158
3
30,391
8
114,145
3
-21,254
8
110,077
4
31,095
9
139,573
4
6,542
9
154,735
4
35,466
9
151,428
5
-5,419
10
163,649
5
59,32
10
189,114
5
73,178
10
214,504
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Untuk data contoh di samping dapat
dinotasikan :
m = 10, n1 = n2 =…..= n10 = 3
n = 30
db sisaan
= n – 2 = 28
∑n
m
db galat murni =
j =1
j
−m
= 30 – 10 = 20
db ketidakpasan model = 28 – 20
= 8
Contoh : Uji ketidakpasan model
Tabel Sidik Ragam
OUTPUT MINITAB
(lanjutan)
The regression equation is y = - 37,3 + 19,5 x
Predictor Coef
SE Coef
Constant -37,31 11,70
x
19,483 1,885
T
-3,19
10,33
P
0,003
0,000
H0: model pas
H1: model tdk pas
S = 29,6616 R-Sq = 79,2% R-Sq(adj) = 78,5%
Analysis of Variance
Source
DF
SS
MS
Regression
1
93945
93945
28
24635
880
8
20
15272
9363
1909
468
29
118580
Residual Error
Lack of Fit
Pure Error
Total
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
F
P
106,78
0,000
4,08
0,005
Phit < 0,05
KEPUTUSAN :
Tolak H0
KESIMPULAN:
Model tidak pas
Pada contoh tersebut meskipun P-value untuk
pengaruh linier x dan regresi sangat kecil (0,000…)
namun kita tidak memperhatikan hal ini terlebih dahulu.
Kita perhatikan uji ketidakpasan modelnya dulu,
Ædisimpulkan bahwa model tidak pas.
Selanjutnya kita periksa pola tebaran datanya.
Scatterplot of y vsx
Pada tebaran data-nya terlihat adanya pola kuadratik
Æ model yang digunakan
diubah menjadi :
200
y
150
100
Y = β0 + β1x + β11x 2 + ε
50
0
0
2
4
6
x
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
8
10
Contoh : Uji ketidakpasan model
(lanjutan) Tabel Sidik Ragam
OUTPUT MINITAB
FittedLineofPlot
Scatterplot
y vsx
200
200
The regression equation is
y = 28,32 - 13,33 x + 2,983 x**2
y
y
150
150
100
100
S = 19,7555 R-Sq = 91,1% R-Sq(adj) = 90,5%
50
50
Analysis of Variance
Source
DF SS
MS
F
P
Regression 2 108043 54021,3 138,42 0,00
Error
27 10538 390,3
Total
29 118580
00
00
22
44
66
88
10
10
xx
• Dengan mengubah model
regresi dari linier ke kuadratik, R2
meningkat dari 79,2% menjadi
91,1%
• Dari tabel Sidik Ragam didapat
bhw pengaruh X kuadrat nyata
dg α = 0,05
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Sequential Analysis of Variance
Source DF
SS
F
P
Linear
1 93945,5 106,78 0,000
Quadratic 1 14097,2 36,12 0,000
MODEL YG DIGUNAKAN :
Y duga = 28,32 - 13,33 x + 2,983 x**2
Contoh : Uji ketidakpasan model
Tabel Sidik Ragam
X
Y
X
Y
1
5,135
6
67,586
1
30,846
6
47,441
1
32,977
6
32,919
2
14,142
7
78,804
2
20,785
7
78,202
2
-1,499
7
73,846
3
13,463
8
154,158
3
30,391
8
114,145
3
-21,254
8
110,077
4
31,095
9
139,573
4
6,542
9
154,735
4
35,466
9
151,428
5
-5,419
10
163,649
5
59,32
10
189,114
5
73,178
10
214,504
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
FILM :
MENGUJI
KETIDAKPASAN MODEL
dengan
MENGGUNAKAN MINITAB
Klik di sini
Langkah-langkah
Pemilihan Model yang Pas
1. Tentukan model, dapatkan dugaan persamaan garis regresinya,
susun tabel Sidik Ragam, jangan dulu melakukan uji F untuk
regresi keseluruhan
2. Lakukan uji ketidakpasan model.
Jika tidak ada ulangan, cek secara eksploratif : plot sisaan-nya
(akan dijelaskan pada pokok bahasan: Diagnosa Model).
Jika nyata : lanjut ke langkah 3
Jika tidak nyata : gunakan KT sisaan s2 sebagai dugaan bagi
Rag(Y) = σ2 , lakukan uji F secara keseluruhan, hitung R2, periksa asumsi untuk MKT melalui plot sisaan (Diagnosa Model)
3. Hentikan analisis, perbaiki modelnya (lihat pola plot sisaannya).
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Selang Kepercayaan
bagi koefisien kemiringan b1
Selang kepercayaan bagi koefisien
kemiringan adalah :
b1 − t n−2,α/2 sb1 < β1 < b1 + t n−2,α/2 sb1
Output Excel untuk contoh kasus harga rumah:
Intercept
Luas Lantai
Coefficients
Standard Error
98.24833
0.10977
d.b. = n - 2
t Stat
P-value
Lower 95%
Upper 95%
58.03348
1.69296
0.12892
-35.57720
232.07386
0.03297
3.32938
0.01039
0.03374
0.18580
Pada tingkat kepercayaan 95%, selang kepercayaan
bagi koefisien kemiringan garis adalah (0.0337, 0.1858)
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Selang Kepercayaan
bagi koefisien kemiringan b1
(lanjutan)
Intercept
Luas Lantai
Coefficients
Standard Error
t Stat
P-value
98.24833
0.10977
Lower 95%
Upper 95%
58.03348
1.69296
0.12892
-35.57720
232.07386
0.03297
3.32938
0.01039
0.03374
0.18580
Selama satuan peubah tak bebas (harga rumah) dalam juta rupiah, kita
percaya 95% bahwa rata-rata pengaruh penambahan harga rumah
berada antara Rp. 0,03374 juta sampai dengan Rp.0,18580 juta setiap
penambahan satu m2 luas lantai
Selang kepercayaan 95% ini tidak memuat angka 0.
Kesimpulan : Ada hubungan linier yang nyata antara harga rumah
dengan luas lantai dengan tingkat nyata sebesar 95%
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Peramalan
Dugaan persamaan garis regresi dapat
digunakan untuk memprediksi/meramal nilai
Y jika x diketahui (hati-hati hanya untuk x
yang berada dalam selang pengamatan)
Untuk suatu nilai, xn+1 , nilai prediksi bagi Y
adalah
yˆ n+1 = b0 + b1x n+1
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Memprediksi dengan menggunakan
persamaan garis regresi
Berapa kira-kira harga rumah yang luas lantainya
2000 m2 ! (2000 bukan titik pengamatan, namun
masih dalam selang pengamatan).Æ interpolasi
harga rumah = 98.25 + 0.1098 (luas lantai)
= 98.25 + 0.1098(200 0)
= 317.85
Prediksi harga rumah dengan luas lantai
2000 m2 adalah Rp 317,85 juta
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Selang data yang relevan
Ketika menggunakan garis regresi sebagai alat
untuk memprediksi, x yang boleh digunakan adalah
x yang nilainya dalam selang pengamatan
Harga Rumah (juta Rp)
Selang yang relevan
450
400
350
300
250
200
150
100
50
0
Sangat riskan
untuk melakukan
ekstrapolasi X di
luar selang
pengamatan
0
500
1000
1500
2000
Itasia & Y Angraini, Dep Statistika
FMIPA
- IPB(m2)
Luas
Lantai
2500
3000
Selang kepercayaan rataan
respon dan dugaan individu
Selang
kepercayaan
bagi rataan Y,
untuk xi
∧
y
Y
yi = b0 + b1 xi
Selang kepercayaan bagi nilai pengamatan y, untuk xi
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
xi
X
Selang Kepercayaan bagi nilai harapan
Y, untuk suatu X
Selang kepercayaan bagi
dugaan nilai harapan/rataan y jika diketahui xn+1
Selang kepercayaan bagi E(Yn +1 | X n +1 ) :
yˆ n +1 ± t n − 2,α/2s e
⎡ 1 (x n +1 − x) 2 ⎤
⎢ +
2⎥
⎢⎣ n ∑ (x i − x) ⎥⎦
Perhatikan bahwa rumus tersebut mengandung (x n+1 − x)2
Jadi beragamnya lebar selang bergantung pada jarak
antara xn+1 terhadap nilai rataan, x
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Selang Kepercayaan bagi
individu Y, untuk suatu nilai x
Selang kepercayaan individu y untuk suatu
nilai xn+1
Selang kepercayaa n bagi yˆ n +1 :
yˆ n +1 ± t n − 2, α/2 s e
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
⎡ 1 (x n +1 − x ) 2 ⎤
⎢1 + +
2 ⎥
⎢⎣ n ∑ (x i − x ) ⎥⎦
Dugaan bagi Nilai Tengah/Rataan:
Contoh harga rumah
Selang kepercayaan bagi E(Yn+1|Xn+1)
Dapatkan selang kepercayaan 95% bagi rataan
harga rumah dengan luas lantai 2.000 m2
∧
harga rumah yi = 317,85 (Rp. juta)
yˆ n +1 ± t n -2,α/2s e
1 (x n +1 − x) 2
+
= 317.85 ± 37.12
2
n ∑ (x i − x)
Selang kepercayaan 95% bagi rataan harga rumah
adalah dari Rp 280.660.000,- sampai Rp. 354.900.000,Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Dugaan bagi Nilai Tengah/Rataan:
Contoh harga rumah
(lanjutan)
OUTPUT MINITAB
Predicted Values for New Observations
Dugaan Nilai Tengah untuk x = 2000
New
Obs
1
Fit
SE Fit
317,8 16,1
95% CI
(280,7; 354,9)
95% PI
(215,5; 420,1)
Values of Predictors for New Observations
New
Obs
1
Luas
Lantai
2000
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Selang Kepercayaan 95% bagi
dugaan nilai tengah/Rataan
untuk suatu nilai x tertentu yg
tidak ada pada pengamatan,
namun masih dalam selang
pengamatanÆ x = 2000
Dugaan bagi individu/respon:
contoh harga rumah
∧
Selang kepercayaan bagi individu yn+1
Dapatkan selang kepercayaan 95% bagi respon individu
harga rumah untuk rumah dengan luas lantai 2.000 m2
∧
yi = 317,85 (Rp. juta)
yˆ n +1 ± t n -1,α/2s e
1 (X n +1 − X ) 2
= 317.85 ± 102.28
1+ +
2
n ∑ (X i − X )
Selang kepercayaan 95% bagi harga rumah dengan luas lantai
2000m2 ialah dari Rp 215.500.000,- sampai Rp 420.070.000,-.
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Dugaan bagi individu/respon:
contoh harga rumah
(lanjutan)
OUTPUT MINITAB
Predicted Values for New Observations
New
Obs
1
Fit
SE Fit
317,8 16,1
95% CI
(280,7; 354,9)
95% PI
(215,5; 420,1)
Values of Predictors for New Observations
New
Obs
1
Luas
Lantai
2000
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Selang Kepercayaan 95% bagi
dugaan individu/respon untuk
suatu nilai x tertentu yg tidak
ada pada pengamatan, namun
masih dalam selang
pengamatanÆ x = 2000
Data contoh Harga Rumah
Harga
Rumah
(Rp.juta) (Y)
Luas Lantai
(m2) (X)
245
1400
312
1600
279
1700
308
1875
199
1100
219
1550
405
2350
324
2450
319
1425
255
1700
Itasia & Y Angraini, Dep Statistika FMIPA - IPB
FILM :
MENGHITUNG
SELANG KEPERCAYAAN BAGI
RAMALAN NILAI TENGAH
&
RAMALAN NILAI INDIVIDU
dengan
MENGGUNAKAN MINITAB
Klik di sini