penjelsan tentang cara menginterpretasikan output RSM
Degrees of freedom (DF) Derajat kebebasan (DF).
Jumlah informasi yang disediakan data Anda yang dapat Anda "habiskan" untuk memperkirakan
nilai parameter populasi yang tidak diketahui, dan menghitung variabilitas dari taksiran ini. Derajat
kebebasan dipengaruhi oleh ukuran sampel dan jumlah parameter dalam model Anda.
Meningkatkan ukuran sampel Anda memberikan lebih banyak informasi tentang populasi, dan
akibatnya meningkatkan derajat kebebasan yang ada dalam data Anda. Menambahkan parameter
ke model Anda (dengan meningkatkan jumlah istilah dalam persamaan regresi, misalnya)
"menghabiskan" informasi dari data Anda, dan menurunkan derajat kebebasan yang tersedia untuk
memperkirakan variabilitas perkiraan parameter.
The amount of information your data provide that you can "spend" to estimate the values of
unknown population parameters, and calculate the variability of these estimates. Degrees of
freedom are affected by the sample size and the number of parameters in your model. Increasing
your sample size provides more information about the population, and consequently increases the
degrees of freedom present in your data. Adding parameters to your model (by increasing the
number of terms in a regression equation, for example) "spends" information from your data, and
lowers the degrees of freedom available to estimate the variability of the parameter estimates.
Mean squares (Adj MS) Kotak tengah (Adj MS)
Merupakan perkiraan varians populasi. Ini dihitung dengan membagi jumlah kuadrat sesuai
dengan derajat kebebasan.
Sum of squares (Adj SS) Jumlah kuadrat (Adj SS)
Merupakan ukuran variasi atau penyimpangan dari mean. Ini dihitung sebagai penjumlahan dari
kuadrat dari perbedaan dari mean. Perhitungan total jumlah kuadrat menganggap baik jumlah
kuadrat dari faktor dan dari kemungkinan atau kesalahan
Represents a measure of variation or deviation from the mean. It is calculated as a summation of
the squares of the differences from the mean. The calculation of the total sum of squares considers
both the sum of squares from the factors and from random chance or error.
P-value
Menentukan kelayakan menolak hipotesis nol dalam uji hipotesis. Nilai P berkisar dari 0 hingga
1. Nilai p adalah probabilitas untuk mendapatkan statistik uji yang setidaknya sama ekstremnya
dengan nilai yang dihitung jika hipotesis nol benar. Sebelum melakukan analisis, tentukan level
alfa () Anda. Nilai yang umum digunakan adalah 0,05. Jika p-nilai statistik uji kurang dari alpha
Anda, Anda menolak hipotesis nol.
Determines the appropriateness of rejecting the null hypothesis in a hypothesis test. P-values range
from 0 to 1. The p-value is the probability of obtaining a test statistic that is at least as extreme as
the calculated value if the null hypothesis is true. Before conducting any analyses, determine your
alpha (a) level. A commonly used value is 0.05. If the p-value of a test statistic is less than your
alpha, you reject the null hypothesis.
R2 (R-squared)
Persentase variasi variabel respons yang dijelaskan oleh hubungannya dengan satu atau lebih
variabel prediktor. Secara umum, semakin tinggi R2, semakin baik model sesuai data Anda. R2
selalu antara 0 dan 100%. Ia juga dikenal sebagai koefisien determinasi atau penentuan berganda
(dalam regresi berganda). Memetakan nilai yang diamati dengan nilai yang sesuai secara grafis
menggambarkan nilai R2 untuk model regresi.
Percentage of response variable variation that is explained by its relationship with one or more
predictor variables. In general, the higher the R2 , the better the model fits your data. R2 is always
between 0 and 100%. It is also known as the coefficient of determination or multiple determination
(in multiple regression). Plotting observed values by fitted values graphically illustrates R2 values
for regression models.
Adjusted R2 (R-sq adj)
Persentase variasi variabel respons yang dijelaskan oleh hubungannya dengan satu atau lebih
variabel prediktor, disesuaikan dengan jumlah prediktor dalam model. Penyesuaian ini penting
karena R2 untuk model apa pun akan selalu meningkat ketika istilah baru ditambahkan. Sebuah
model dengan lebih banyak istilah mungkin tampak lebih cocok karena memiliki lebih banyak
istilah. Namun, beberapa peningkatan R2 mungkin karena kebetulan saja. R2 yang disesuaikan
adalah alat yang berguna untuk membandingkan daya penjelas model dengan jumlah prediktor
yang berbeda. R2 yang disesuaikan akan meningkat hanya jika istilah baru meningkatkan model
lebih dari yang diharapkan secara kebetulan. Ini akan menurun ketika prediktor meningkatkan
model kurang dari yang diharapkan secara kebetulan.
Percentage of response variable variation that is explained by its relationship with one or more
predictor variables, adjusted for the number of predictors in the model. This adjustment is
important because the R2 for any model will always increase when a new term is added. A model
with more terms may appear to have a better fit simply because it has more terms. However, some
increases in R2 may be due to chance alone. The adjusted R2 is a useful tool for comparing the
explanatory power of models with different numbers of predictors. The adjusted R2 will increase
only if the new term improves the model more than would be expected by chance. It will decrease
when a predictor improves the model less than expected by chance.
(R-sq) Prediksi R2
Digunakan dalam analisis regresi untuk menunjukkan seberapa baik model memprediksi respons
untuk observasi baru, sedangkan R2 menunjukkan seberapa baik model tersebut sesuai dengan data
Anda. Prediksi R2 dapat mencegah overfitting model dan dapat lebih berguna daripada adjusted
R2 untuk membandingkan model karena dihitung menggunakan observasi yang tidak termasuk
dalam estimasi model. Overfitting mengacu pada model yang muncul untuk menjelaskan
hubungan antara variabel prediktor dan tanggapan untuk kumpulan data yang digunakan untuk
perhitungan model tetapi gagal untuk memberikan prediksi yang valid untuk pengamatan baru.
Prediksi R2 dihitung dengan secara sistematis menghapus setiap pengamatan dari kumpulan data,
memperkirakan persamaan regresi, dan menentukan seberapa baik model memprediksi
pengamatan yang dihapus. Prediksi R2 berkisar antara 0 dan 100% dan dihitung dari statistik
PRESS. Nilai yang lebih besar dari prediksi R2 menyarankan model kemampuan prediktif yang
lebih besar. Misalnya, Anda bekerja di perusahaan konsultan keuangan dan sedang
mengembangkan model untuk memprediksi kondisi pasar di masa depan. Model yang Anda kuasai
terlihat menjanjikan karena memiliki R2 sebesar 87%. Namun, ketika Anda menghitung prediksi
R2, Anda melihat bahwa itu turun menjadi 52%. Ini mungkin menunjukkan model yang terlalu
banyak digunakan dan menunjukkan bahwa model Anda tidak akan memprediksi pengamatan baru
hampir serta sesuai dengan data Anda yang ada.
Used in regression analysis to indicate how well the model predicts responses for new
observations, whereas R2 indicates how well the model fits your data. Predicted R2 can prevent
overfitting the model and can be more useful than adjusted R2 for comparing models because it is
calculated using observations not included in model estimation. Overfitting refers to models that
appear to explain the relationship between the predictor and response variables for the data set
used for model calculation but fail to provide valid predictions for new observations. Predicted R2
is calculated by systematically removing each observation from the data set, estimating the
regression equation, and determining how well the model predicts the removed observation.
Predicted R2 ranges between 0 and 100% and is calculated from the PRESS statistic. Larger values
of predicted R2 suggest models of greater predictive ability.
For example, you work for a financial consulting firm and are developing a model to predict future
market conditions. The model you settle on looks promising because it has an R2 of 87%. However,
when you calculate the predicted R2 you see that it drops to 52%. This may indicate an overfitted
model and suggests that your model will not predict new observations nearly as well as it fits your
existing data.
Model order (Linear)
Jenis model yang digunakan untuk mencerminkan tren dalam data. Urutan model merupakan
faktor penting dalam seberapa akurat model menggambarkan data dan memprediksi respons.
Misalnya, model linier dapat menunjukkan tingkat kenaikan atau penurunan data yang stabil.
Model kuadrat (sering secara kasar dalam bentuk U atau U terbalik) dapat menjelaskan
kelengkungan dalam data. Model kubik dapat menggambarkan pola "puncak-dan-lembah" dalam
data.
The type of model used to reflect a trend in the data. The model order is an important factor in
how accurately the model describes the data and predicts a response. For example, a linear model
can show a steady rate of increase or decrease in the data. A quadratic model (often roughly in the
shape of a U or an inverted U) can account for curvature in the data. A cubic model may describe
a "peak-and-valley" pattern in the data.
ERROR Kesalahan
Kesalahan dirujuk di banyak area di seluruh Minitab, dan umumnya mengacu pada sejauh mana
fungsi, rumus, dan statistik gagal untuk sepenuhnya menjelaskan atau memodelkan nilai yang
benar atau teoritis. Dengan kata lain, ini adalah perbedaan antara nilai aktual dan yang diprediksi.
Sementara beberapa tingkat kesalahan atau ketidakpastian mungkin ada dalam analisis statistik,
mengidentifikasi dan mengukurnya setidaknya dapat membantu kami menjelaskan
keberadaannya. Pertimbangkan seorang kontraktor yang disewa untuk mengganti atap di sebuah
rumah. Kontraktor dapat menghitung perkiraan harga untuk pekerjaan berdasarkan sejumlah
variabel seperti dimensi atap, lapangan, dan bahkan jenis atap. Namun, variabilitas dalam hal ini
dan faktor lainnya dapat mengakibatkan biaya akhir yang berbeda. Kontraktor dan pemilik rumah
akan peduli dengan tidak hanya perkiraan biaya, tetapi kesalahan yang terkait dengan rumus yang
digunakan untuk menghitungnya.
Error is referenced in many areas across Minitab, and generally refers to the extent that functions,
formulas, and statistics fail to fully explain or model a true or theoretical value. In other words, it
is the difference between an actual and predicted value. While some degree of error or uncertainty
may exist in statistical analyses, identifying and quantifying it can at least help us account for its
presence. Consider a contractor hired to replace the roof on a house. The contractor may calculate
an estimated price for the job based on a number of variables like the dimensions of the roof, the
pitch, and even type of roof. However, variability in these and other factors may result in a
different final cost. Both contractor and homeowner will be concerned with not only the estimated
cost, but the error associated with the formula used to calculate it
Lack-of-fit tests Tes kurang cocok
Digunakan dalam regresi dan DOE, tes yang kurang cocok menilai kecocokan model Anda.
Minitab secara otomatis melakukan uji kekurangan-fit murni ketika data Anda mengandung
replikasi (beberapa pengamatan dengan nilai x identik). Jika p-value lebih kecil dari level selected
yang Anda pilih, ada bukti bahwa model Anda tidak secara akurat sesuai dengan data.
Replikat merepresentasikan "kesalahan murni" karena hanya variasi acak yang dapat
menyebabkan perbedaan antara nilai respons yang diamati.
Used in regression and DOE, lack-of-fit tests assess the fit of your model. Minitab automatically
performs the pure error lack-of-fit test when your data contain replicates (multiple observations
with identical x-values). If the p-value is less than your selected a-level, evidence exists that your
model does not accurately fit the data. Replicates represent "pure error" because only random
variation can cause differences between the observed response values.
T-value
Uji statistik untuk keluarga uji-t, mengukur perbedaan antara statistik yang diamati dan parameter
populasi yang dihipotesiskan dalam satuan kesalahan standar. Sebuah t-test membandingkan tnilai teramati ini dengan nilai kritis pada distribusi-t dengan (n-1) derajat kebebasan untuk
menentukan apakah perbedaan antara nilai estimasi dan hipotesis dari parameter populasi
signifikan secara statistik.
Test statistic for the t-test family, it measures the difference between an observed statistic and its
hypothesized population parameter in units of standard error. A t-test compares this observed tvalue to a critical value on the t-distribution with (n-1) degrees of freedom to determine whether
the difference between the estimated and hypothesized values of the population parameter is
statistically significant.
Standar kesalahan koefisien (SE coef)
Simpangan baku dari estimasi koefisien regresi. Ini mengukur seberapa tepat data Anda dapat
memperkirakan nilai koefisien yang tidak diketahui. Nilainya selalu positif, dan nilai yang lebih
kecil menunjukkan perkiraan yang lebih tepat.
The standard deviation of the estimate of a regression coefficient. It measures how precisely your
data can estimate the coefficient's unknown value. Its value is always positive, and smaller values
indicate a more precise estimate.
Variance inflation factor (VIF)
Menunjukkan sejauh mana multikolinearitas (korelasi di antara prediktor) hadir dalam analisis
regresi. Multikolinieritas bermasalah karena dapat meningkatkan varians dari koefisien regresi,
membuat mereka tidak stabil dan sulit diinterpretasikan.
Indicates the extent to which multicollinearity (correlation among predictors) is present in a
regression analysis. Multicollinearity is problematic because it can increase the variance of the
regression coefficients, making them unstable and difficult to interpret.
Jumlah informasi yang disediakan data Anda yang dapat Anda "habiskan" untuk memperkirakan
nilai parameter populasi yang tidak diketahui, dan menghitung variabilitas dari taksiran ini. Derajat
kebebasan dipengaruhi oleh ukuran sampel dan jumlah parameter dalam model Anda.
Meningkatkan ukuran sampel Anda memberikan lebih banyak informasi tentang populasi, dan
akibatnya meningkatkan derajat kebebasan yang ada dalam data Anda. Menambahkan parameter
ke model Anda (dengan meningkatkan jumlah istilah dalam persamaan regresi, misalnya)
"menghabiskan" informasi dari data Anda, dan menurunkan derajat kebebasan yang tersedia untuk
memperkirakan variabilitas perkiraan parameter.
The amount of information your data provide that you can "spend" to estimate the values of
unknown population parameters, and calculate the variability of these estimates. Degrees of
freedom are affected by the sample size and the number of parameters in your model. Increasing
your sample size provides more information about the population, and consequently increases the
degrees of freedom present in your data. Adding parameters to your model (by increasing the
number of terms in a regression equation, for example) "spends" information from your data, and
lowers the degrees of freedom available to estimate the variability of the parameter estimates.
Mean squares (Adj MS) Kotak tengah (Adj MS)
Merupakan perkiraan varians populasi. Ini dihitung dengan membagi jumlah kuadrat sesuai
dengan derajat kebebasan.
Sum of squares (Adj SS) Jumlah kuadrat (Adj SS)
Merupakan ukuran variasi atau penyimpangan dari mean. Ini dihitung sebagai penjumlahan dari
kuadrat dari perbedaan dari mean. Perhitungan total jumlah kuadrat menganggap baik jumlah
kuadrat dari faktor dan dari kemungkinan atau kesalahan
Represents a measure of variation or deviation from the mean. It is calculated as a summation of
the squares of the differences from the mean. The calculation of the total sum of squares considers
both the sum of squares from the factors and from random chance or error.
P-value
Menentukan kelayakan menolak hipotesis nol dalam uji hipotesis. Nilai P berkisar dari 0 hingga
1. Nilai p adalah probabilitas untuk mendapatkan statistik uji yang setidaknya sama ekstremnya
dengan nilai yang dihitung jika hipotesis nol benar. Sebelum melakukan analisis, tentukan level
alfa () Anda. Nilai yang umum digunakan adalah 0,05. Jika p-nilai statistik uji kurang dari alpha
Anda, Anda menolak hipotesis nol.
Determines the appropriateness of rejecting the null hypothesis in a hypothesis test. P-values range
from 0 to 1. The p-value is the probability of obtaining a test statistic that is at least as extreme as
the calculated value if the null hypothesis is true. Before conducting any analyses, determine your
alpha (a) level. A commonly used value is 0.05. If the p-value of a test statistic is less than your
alpha, you reject the null hypothesis.
R2 (R-squared)
Persentase variasi variabel respons yang dijelaskan oleh hubungannya dengan satu atau lebih
variabel prediktor. Secara umum, semakin tinggi R2, semakin baik model sesuai data Anda. R2
selalu antara 0 dan 100%. Ia juga dikenal sebagai koefisien determinasi atau penentuan berganda
(dalam regresi berganda). Memetakan nilai yang diamati dengan nilai yang sesuai secara grafis
menggambarkan nilai R2 untuk model regresi.
Percentage of response variable variation that is explained by its relationship with one or more
predictor variables. In general, the higher the R2 , the better the model fits your data. R2 is always
between 0 and 100%. It is also known as the coefficient of determination or multiple determination
(in multiple regression). Plotting observed values by fitted values graphically illustrates R2 values
for regression models.
Adjusted R2 (R-sq adj)
Persentase variasi variabel respons yang dijelaskan oleh hubungannya dengan satu atau lebih
variabel prediktor, disesuaikan dengan jumlah prediktor dalam model. Penyesuaian ini penting
karena R2 untuk model apa pun akan selalu meningkat ketika istilah baru ditambahkan. Sebuah
model dengan lebih banyak istilah mungkin tampak lebih cocok karena memiliki lebih banyak
istilah. Namun, beberapa peningkatan R2 mungkin karena kebetulan saja. R2 yang disesuaikan
adalah alat yang berguna untuk membandingkan daya penjelas model dengan jumlah prediktor
yang berbeda. R2 yang disesuaikan akan meningkat hanya jika istilah baru meningkatkan model
lebih dari yang diharapkan secara kebetulan. Ini akan menurun ketika prediktor meningkatkan
model kurang dari yang diharapkan secara kebetulan.
Percentage of response variable variation that is explained by its relationship with one or more
predictor variables, adjusted for the number of predictors in the model. This adjustment is
important because the R2 for any model will always increase when a new term is added. A model
with more terms may appear to have a better fit simply because it has more terms. However, some
increases in R2 may be due to chance alone. The adjusted R2 is a useful tool for comparing the
explanatory power of models with different numbers of predictors. The adjusted R2 will increase
only if the new term improves the model more than would be expected by chance. It will decrease
when a predictor improves the model less than expected by chance.
(R-sq) Prediksi R2
Digunakan dalam analisis regresi untuk menunjukkan seberapa baik model memprediksi respons
untuk observasi baru, sedangkan R2 menunjukkan seberapa baik model tersebut sesuai dengan data
Anda. Prediksi R2 dapat mencegah overfitting model dan dapat lebih berguna daripada adjusted
R2 untuk membandingkan model karena dihitung menggunakan observasi yang tidak termasuk
dalam estimasi model. Overfitting mengacu pada model yang muncul untuk menjelaskan
hubungan antara variabel prediktor dan tanggapan untuk kumpulan data yang digunakan untuk
perhitungan model tetapi gagal untuk memberikan prediksi yang valid untuk pengamatan baru.
Prediksi R2 dihitung dengan secara sistematis menghapus setiap pengamatan dari kumpulan data,
memperkirakan persamaan regresi, dan menentukan seberapa baik model memprediksi
pengamatan yang dihapus. Prediksi R2 berkisar antara 0 dan 100% dan dihitung dari statistik
PRESS. Nilai yang lebih besar dari prediksi R2 menyarankan model kemampuan prediktif yang
lebih besar. Misalnya, Anda bekerja di perusahaan konsultan keuangan dan sedang
mengembangkan model untuk memprediksi kondisi pasar di masa depan. Model yang Anda kuasai
terlihat menjanjikan karena memiliki R2 sebesar 87%. Namun, ketika Anda menghitung prediksi
R2, Anda melihat bahwa itu turun menjadi 52%. Ini mungkin menunjukkan model yang terlalu
banyak digunakan dan menunjukkan bahwa model Anda tidak akan memprediksi pengamatan baru
hampir serta sesuai dengan data Anda yang ada.
Used in regression analysis to indicate how well the model predicts responses for new
observations, whereas R2 indicates how well the model fits your data. Predicted R2 can prevent
overfitting the model and can be more useful than adjusted R2 for comparing models because it is
calculated using observations not included in model estimation. Overfitting refers to models that
appear to explain the relationship between the predictor and response variables for the data set
used for model calculation but fail to provide valid predictions for new observations. Predicted R2
is calculated by systematically removing each observation from the data set, estimating the
regression equation, and determining how well the model predicts the removed observation.
Predicted R2 ranges between 0 and 100% and is calculated from the PRESS statistic. Larger values
of predicted R2 suggest models of greater predictive ability.
For example, you work for a financial consulting firm and are developing a model to predict future
market conditions. The model you settle on looks promising because it has an R2 of 87%. However,
when you calculate the predicted R2 you see that it drops to 52%. This may indicate an overfitted
model and suggests that your model will not predict new observations nearly as well as it fits your
existing data.
Model order (Linear)
Jenis model yang digunakan untuk mencerminkan tren dalam data. Urutan model merupakan
faktor penting dalam seberapa akurat model menggambarkan data dan memprediksi respons.
Misalnya, model linier dapat menunjukkan tingkat kenaikan atau penurunan data yang stabil.
Model kuadrat (sering secara kasar dalam bentuk U atau U terbalik) dapat menjelaskan
kelengkungan dalam data. Model kubik dapat menggambarkan pola "puncak-dan-lembah" dalam
data.
The type of model used to reflect a trend in the data. The model order is an important factor in
how accurately the model describes the data and predicts a response. For example, a linear model
can show a steady rate of increase or decrease in the data. A quadratic model (often roughly in the
shape of a U or an inverted U) can account for curvature in the data. A cubic model may describe
a "peak-and-valley" pattern in the data.
ERROR Kesalahan
Kesalahan dirujuk di banyak area di seluruh Minitab, dan umumnya mengacu pada sejauh mana
fungsi, rumus, dan statistik gagal untuk sepenuhnya menjelaskan atau memodelkan nilai yang
benar atau teoritis. Dengan kata lain, ini adalah perbedaan antara nilai aktual dan yang diprediksi.
Sementara beberapa tingkat kesalahan atau ketidakpastian mungkin ada dalam analisis statistik,
mengidentifikasi dan mengukurnya setidaknya dapat membantu kami menjelaskan
keberadaannya. Pertimbangkan seorang kontraktor yang disewa untuk mengganti atap di sebuah
rumah. Kontraktor dapat menghitung perkiraan harga untuk pekerjaan berdasarkan sejumlah
variabel seperti dimensi atap, lapangan, dan bahkan jenis atap. Namun, variabilitas dalam hal ini
dan faktor lainnya dapat mengakibatkan biaya akhir yang berbeda. Kontraktor dan pemilik rumah
akan peduli dengan tidak hanya perkiraan biaya, tetapi kesalahan yang terkait dengan rumus yang
digunakan untuk menghitungnya.
Error is referenced in many areas across Minitab, and generally refers to the extent that functions,
formulas, and statistics fail to fully explain or model a true or theoretical value. In other words, it
is the difference between an actual and predicted value. While some degree of error or uncertainty
may exist in statistical analyses, identifying and quantifying it can at least help us account for its
presence. Consider a contractor hired to replace the roof on a house. The contractor may calculate
an estimated price for the job based on a number of variables like the dimensions of the roof, the
pitch, and even type of roof. However, variability in these and other factors may result in a
different final cost. Both contractor and homeowner will be concerned with not only the estimated
cost, but the error associated with the formula used to calculate it
Lack-of-fit tests Tes kurang cocok
Digunakan dalam regresi dan DOE, tes yang kurang cocok menilai kecocokan model Anda.
Minitab secara otomatis melakukan uji kekurangan-fit murni ketika data Anda mengandung
replikasi (beberapa pengamatan dengan nilai x identik). Jika p-value lebih kecil dari level selected
yang Anda pilih, ada bukti bahwa model Anda tidak secara akurat sesuai dengan data.
Replikat merepresentasikan "kesalahan murni" karena hanya variasi acak yang dapat
menyebabkan perbedaan antara nilai respons yang diamati.
Used in regression and DOE, lack-of-fit tests assess the fit of your model. Minitab automatically
performs the pure error lack-of-fit test when your data contain replicates (multiple observations
with identical x-values). If the p-value is less than your selected a-level, evidence exists that your
model does not accurately fit the data. Replicates represent "pure error" because only random
variation can cause differences between the observed response values.
T-value
Uji statistik untuk keluarga uji-t, mengukur perbedaan antara statistik yang diamati dan parameter
populasi yang dihipotesiskan dalam satuan kesalahan standar. Sebuah t-test membandingkan tnilai teramati ini dengan nilai kritis pada distribusi-t dengan (n-1) derajat kebebasan untuk
menentukan apakah perbedaan antara nilai estimasi dan hipotesis dari parameter populasi
signifikan secara statistik.
Test statistic for the t-test family, it measures the difference between an observed statistic and its
hypothesized population parameter in units of standard error. A t-test compares this observed tvalue to a critical value on the t-distribution with (n-1) degrees of freedom to determine whether
the difference between the estimated and hypothesized values of the population parameter is
statistically significant.
Standar kesalahan koefisien (SE coef)
Simpangan baku dari estimasi koefisien regresi. Ini mengukur seberapa tepat data Anda dapat
memperkirakan nilai koefisien yang tidak diketahui. Nilainya selalu positif, dan nilai yang lebih
kecil menunjukkan perkiraan yang lebih tepat.
The standard deviation of the estimate of a regression coefficient. It measures how precisely your
data can estimate the coefficient's unknown value. Its value is always positive, and smaller values
indicate a more precise estimate.
Variance inflation factor (VIF)
Menunjukkan sejauh mana multikolinearitas (korelasi di antara prediktor) hadir dalam analisis
regresi. Multikolinieritas bermasalah karena dapat meningkatkan varians dari koefisien regresi,
membuat mereka tidak stabil dan sulit diinterpretasikan.
Indicates the extent to which multicollinearity (correlation among predictors) is present in a
regression analysis. Multicollinearity is problematic because it can increase the variance of the
regression coefficients, making them unstable and difficult to interpret.