regresi linier sederhana1
Regresi Linier Sederhana
Diah Indriani
Bagian Biostatistika dan Kependudukan
Fakultas Kesehatan Masyarakat
Universitas Airlangga
1
Definisi Pengaruh
Jika terdapat 2 variabel, misalkan X dan Y
yang data-datanya diplot seperti gambar
dibawah
Y
Y
2
X
X
Y
Y
X
X
Y
X
3
Definisi Pengaruh
Maka plot data yang membentuk suatu pola
tertentu menunjukkan bahwa variabel X dan Y
membentuk suatu hubungan
X
Y
hubungan
X
Y
pengaruh
4
Definisi Pengaruh
Jika sudah jelas arah hubungannya
Mana variabel yang mempengaruhi ?
Mana variabel yang dipengaruhi ?
Maka disebut Pengaruh
Jika belum jelas variabel yang dipengaruhi /
mempengaruhi (belum jelas arah hubungannya),
maka disebut Hubungan
5
Regresi Linier Y Terhadap X
Jika pola yang membentuk hubungan X dan Y
membentuk suatu garis lurus, maka disebut
Pengaruh Linier
Dimana :
variabel X
variabel bebas (independent)
variabel Y
variabel terikat (dependent)
Nilai-nilai Y ditentukan oleh nilai-nilai X
Variabel Y dipengaruhi oleh variabel X
Variabel X mempengaruhi variabel Y
6
Regresi Linier Y Terhadap X
Plot antara X dan Y
Y
Garis lurus tersebut
membentuk persamaan :
Y = a + bX
a disebut intersep
b disebut slope
X
7
Intersep
Bila X = 0 maka Y = a
Bila a = 0 maka garis akan
melalui titik (0,0)
Y
a
Y
.
X
8
X
Slope
Slope = kemiringan
Y = a + bX
Perubahan 1 satuan pada X mengakibatkan
perubahan b satuan pada Y, sehingga Y
mengukur kemiringan/slope garis tersebut.
9
Slope
Y
b satuan
α
1 satuan
X
10
Slope
Bila b positif
Bertambahnya nilai X mengakibatkan
bertambahnya nilai Y
Bila b negatif
Bertambahnya nilai X mengakibatkan
berkurangnya nilai Y
11
Regresi Linier Sederhana
Model regresi linier yang hanya melibatkan
satu variabel bebas (X). Model regresinya
sbb:
Y = α + βX
Dimana :
Y
= variabel terikat
X
= variable bebas
α, β = parameter regresi
12
Regresi Linier Sederhana
Sehingga setiap pasangan pengamatan (Xi, Yi)
dalam sampel akan memenuhi persamaan
Yi = α + β X i + ε i
Dimana :
εi
= sisaan / galat / eror
Atau dalam persamaan dugaannya
Yi = a + bX i + ei
13
Sisaan / Galat / Eror
Adalah penyimpangan model regresi dari nilai yang sebenarnya
Y
. . .
e10
e8
.
.e .
e
1
e3
. . .
e5
e6
e9
e7
.e
4
2
X
14
Metode Pendugaan Parameter
Regresi
α, β
parameter regresi yang akan diduga dari
data sampel
a, b
penduga parameter regresi
Metode
Metode Kuadrat Terkecil (MKT)
(suatu metode pendugaan parameter dengan
n
meminimumkan ∑ ei 2 / Jumlah Kuadrat Eror / SSE )
i =1
15
Metode Pendugaan Parameter
Regresi
Yi = a + bX i + ei
n
n
SSE
ei = Yi − a − bX i
∑ ei = ∑ (Yi − a − bX i )2
2
i =1
i =1
Nilai dugaan a dan b diperoleh dari proses sbb :
1. Dilakukan turunan pertama terhadap a dan b
n
∂ (∑ ei )
= −2∑ (Yi − a − bX i )
∂a
i =1
2
n
∂ (∑ ei )
= −2∑ (Yi − a − bX i )X i
∂b
i =1
2
16
Metode Pendugaan Parameter
Regresi
2. Kedua persamaan hasil penurunan disamkan
dengan nol
n
n
na + b∑ X i = ∑ Yi
n
i =1
n
i =1
n
a ∑ X i + b∑ X i = ∑ X iYi
2
i =1
i =1
i =1
n
n
n
n∑ X iYi − ∑ X i ∑ Yi
i =1 i =1
b = i =1 n
n
2
n∑ X i − ∑ X i
i =1
i =1
a = Y − bX
17
Metode Pendugaan Parameter
Regresi
Penduga Parameter Regresi α, β
n
n
n
n∑ X iYi − ∑ X i ∑ Yi
i =1 i =1
b = i =1
2
n
n
2
n∑ X i − ∑ X i
i =1
i =1
Dimana :
X = rata-rata Xi
18
Y
a = Y − bX
= rata-rata Yi
Uji Model Regresi
Dilakukan dengan pendekatan analisis variansi dengan
menguraikan komponen-komponen total keragaman
dari variabel terikat
SST = SSR + SSE
SST = Sum of Square Total / Jumlah Kuadrat Total
SSR = Sum of Square Regression / Jumlah Kuadrat Regresi
SSE = Sum of Square Eror / Jumlah Kuadrat Eror
19
Uji Model Regresi
SST = Jyy
SSR = b Jxy
SSE = SST – SSR = Jyy– b Jxy
Jyy
n
∑ Yi
n
2
i =1
= ∑ Yi − n
i =1
20
2
n
n
∑ X i ∑ Yi
n
i =1 i =1
Jxy = ∑ X iYi −
n
i =1
Uji Model Regresi
Tahapan uji keberartian model regresi sbb:
1. Hipotesis =
H0 : β = 0
H1 : β ≠ 0
dimana
β = matriks [ β0, β1]
21
Uji Model Regresi
2. Tabel Analisis Ragam
Komponen
Regresi
SS
db
Regresi
SSR
1
Eror
SSE
n – 2 s2 = SSE / n-2
Total
SST
n–1
22
MS
Fhitung
MSR = SSR/1 MSR / s2
Uji Model Regresi
3. Pengambilan Keputusan
H0 ditolak jika Fhitung > Ftabel(1 , n-2)
pada taraf kepercayaan α
23
Uji Parsial Parameter Regresi
Uji parsial untuk menguji apakah parameter β
berarti pada model secara parsial
Tahapan Ujinya :
1. Hipotesis =
H0 : β = 0
H1 : β ≠ 0
24
Uji Parsial Parameter Regresi
2. Statistik Uji =
t=
Dimana
b − β0
s / J xx
n
X
∑
i
n
2
J xx = ∑ X i − i =1
n
i =1
2
s=
SSE
n−2
25
Uji Parsial Parameter Regresi
3. Pengambilan Keputusan =
H0 ditolak jika thitung > t α/2(db= n-2)
pada taraf kepercayaan α
26
Uji Intersep Model Regresi
Uji parsial untuk menguji apakah parameter α
berarti pada model secara parsial
Tahapan Ujinya :
1. Hipotesis =
H0 : α = 0
H1 : α ≠ 0
27
Uji Intersep Model Regresi
2. Statistik Uji =
t=
a −α
n
s ∑ X i / n J xx
2
i =1
Dimana
n
X
∑
i
n
2
i =1
J xx = ∑ X i −
n
i =1
28
2
s=
SSE
n−2
Uji Intersep Model Regresi
3. Pengambilan Keputusan =
thitung > t
H0 ditolak jika
pada taraf kepercayaan α
α/2(db= n-2)
29
Selang Kepercayaan Untuk β
Selang kepercayaan untuk parameter β
dalam persamaan regresi Y = α + βX
t s
t s
P b − α / 2 < β < b + α / 2 = (1 − α )100%
J xx
J xx
30
Selang Kepercayaan Untuk α
Selang kepercayaan untuk parameter α
dalam persamaan regresi Y = α + βX
n
n
2
t
s
t
s
X
∑ i
∑ Xi2
α /2
α /2
i =1
i =1
= (1 − α )100%
P a −
Diah Indriani
Bagian Biostatistika dan Kependudukan
Fakultas Kesehatan Masyarakat
Universitas Airlangga
1
Definisi Pengaruh
Jika terdapat 2 variabel, misalkan X dan Y
yang data-datanya diplot seperti gambar
dibawah
Y
Y
2
X
X
Y
Y
X
X
Y
X
3
Definisi Pengaruh
Maka plot data yang membentuk suatu pola
tertentu menunjukkan bahwa variabel X dan Y
membentuk suatu hubungan
X
Y
hubungan
X
Y
pengaruh
4
Definisi Pengaruh
Jika sudah jelas arah hubungannya
Mana variabel yang mempengaruhi ?
Mana variabel yang dipengaruhi ?
Maka disebut Pengaruh
Jika belum jelas variabel yang dipengaruhi /
mempengaruhi (belum jelas arah hubungannya),
maka disebut Hubungan
5
Regresi Linier Y Terhadap X
Jika pola yang membentuk hubungan X dan Y
membentuk suatu garis lurus, maka disebut
Pengaruh Linier
Dimana :
variabel X
variabel bebas (independent)
variabel Y
variabel terikat (dependent)
Nilai-nilai Y ditentukan oleh nilai-nilai X
Variabel Y dipengaruhi oleh variabel X
Variabel X mempengaruhi variabel Y
6
Regresi Linier Y Terhadap X
Plot antara X dan Y
Y
Garis lurus tersebut
membentuk persamaan :
Y = a + bX
a disebut intersep
b disebut slope
X
7
Intersep
Bila X = 0 maka Y = a
Bila a = 0 maka garis akan
melalui titik (0,0)
Y
a
Y
.
X
8
X
Slope
Slope = kemiringan
Y = a + bX
Perubahan 1 satuan pada X mengakibatkan
perubahan b satuan pada Y, sehingga Y
mengukur kemiringan/slope garis tersebut.
9
Slope
Y
b satuan
α
1 satuan
X
10
Slope
Bila b positif
Bertambahnya nilai X mengakibatkan
bertambahnya nilai Y
Bila b negatif
Bertambahnya nilai X mengakibatkan
berkurangnya nilai Y
11
Regresi Linier Sederhana
Model regresi linier yang hanya melibatkan
satu variabel bebas (X). Model regresinya
sbb:
Y = α + βX
Dimana :
Y
= variabel terikat
X
= variable bebas
α, β = parameter regresi
12
Regresi Linier Sederhana
Sehingga setiap pasangan pengamatan (Xi, Yi)
dalam sampel akan memenuhi persamaan
Yi = α + β X i + ε i
Dimana :
εi
= sisaan / galat / eror
Atau dalam persamaan dugaannya
Yi = a + bX i + ei
13
Sisaan / Galat / Eror
Adalah penyimpangan model regresi dari nilai yang sebenarnya
Y
. . .
e10
e8
.
.e .
e
1
e3
. . .
e5
e6
e9
e7
.e
4
2
X
14
Metode Pendugaan Parameter
Regresi
α, β
parameter regresi yang akan diduga dari
data sampel
a, b
penduga parameter regresi
Metode
Metode Kuadrat Terkecil (MKT)
(suatu metode pendugaan parameter dengan
n
meminimumkan ∑ ei 2 / Jumlah Kuadrat Eror / SSE )
i =1
15
Metode Pendugaan Parameter
Regresi
Yi = a + bX i + ei
n
n
SSE
ei = Yi − a − bX i
∑ ei = ∑ (Yi − a − bX i )2
2
i =1
i =1
Nilai dugaan a dan b diperoleh dari proses sbb :
1. Dilakukan turunan pertama terhadap a dan b
n
∂ (∑ ei )
= −2∑ (Yi − a − bX i )
∂a
i =1
2
n
∂ (∑ ei )
= −2∑ (Yi − a − bX i )X i
∂b
i =1
2
16
Metode Pendugaan Parameter
Regresi
2. Kedua persamaan hasil penurunan disamkan
dengan nol
n
n
na + b∑ X i = ∑ Yi
n
i =1
n
i =1
n
a ∑ X i + b∑ X i = ∑ X iYi
2
i =1
i =1
i =1
n
n
n
n∑ X iYi − ∑ X i ∑ Yi
i =1 i =1
b = i =1 n
n
2
n∑ X i − ∑ X i
i =1
i =1
a = Y − bX
17
Metode Pendugaan Parameter
Regresi
Penduga Parameter Regresi α, β
n
n
n
n∑ X iYi − ∑ X i ∑ Yi
i =1 i =1
b = i =1
2
n
n
2
n∑ X i − ∑ X i
i =1
i =1
Dimana :
X = rata-rata Xi
18
Y
a = Y − bX
= rata-rata Yi
Uji Model Regresi
Dilakukan dengan pendekatan analisis variansi dengan
menguraikan komponen-komponen total keragaman
dari variabel terikat
SST = SSR + SSE
SST = Sum of Square Total / Jumlah Kuadrat Total
SSR = Sum of Square Regression / Jumlah Kuadrat Regresi
SSE = Sum of Square Eror / Jumlah Kuadrat Eror
19
Uji Model Regresi
SST = Jyy
SSR = b Jxy
SSE = SST – SSR = Jyy– b Jxy
Jyy
n
∑ Yi
n
2
i =1
= ∑ Yi − n
i =1
20
2
n
n
∑ X i ∑ Yi
n
i =1 i =1
Jxy = ∑ X iYi −
n
i =1
Uji Model Regresi
Tahapan uji keberartian model regresi sbb:
1. Hipotesis =
H0 : β = 0
H1 : β ≠ 0
dimana
β = matriks [ β0, β1]
21
Uji Model Regresi
2. Tabel Analisis Ragam
Komponen
Regresi
SS
db
Regresi
SSR
1
Eror
SSE
n – 2 s2 = SSE / n-2
Total
SST
n–1
22
MS
Fhitung
MSR = SSR/1 MSR / s2
Uji Model Regresi
3. Pengambilan Keputusan
H0 ditolak jika Fhitung > Ftabel(1 , n-2)
pada taraf kepercayaan α
23
Uji Parsial Parameter Regresi
Uji parsial untuk menguji apakah parameter β
berarti pada model secara parsial
Tahapan Ujinya :
1. Hipotesis =
H0 : β = 0
H1 : β ≠ 0
24
Uji Parsial Parameter Regresi
2. Statistik Uji =
t=
Dimana
b − β0
s / J xx
n
X
∑
i
n
2
J xx = ∑ X i − i =1
n
i =1
2
s=
SSE
n−2
25
Uji Parsial Parameter Regresi
3. Pengambilan Keputusan =
H0 ditolak jika thitung > t α/2(db= n-2)
pada taraf kepercayaan α
26
Uji Intersep Model Regresi
Uji parsial untuk menguji apakah parameter α
berarti pada model secara parsial
Tahapan Ujinya :
1. Hipotesis =
H0 : α = 0
H1 : α ≠ 0
27
Uji Intersep Model Regresi
2. Statistik Uji =
t=
a −α
n
s ∑ X i / n J xx
2
i =1
Dimana
n
X
∑
i
n
2
i =1
J xx = ∑ X i −
n
i =1
28
2
s=
SSE
n−2
Uji Intersep Model Regresi
3. Pengambilan Keputusan =
thitung > t
H0 ditolak jika
pada taraf kepercayaan α
α/2(db= n-2)
29
Selang Kepercayaan Untuk β
Selang kepercayaan untuk parameter β
dalam persamaan regresi Y = α + βX
t s
t s
P b − α / 2 < β < b + α / 2 = (1 − α )100%
J xx
J xx
30
Selang Kepercayaan Untuk α
Selang kepercayaan untuk parameter α
dalam persamaan regresi Y = α + βX
n
n
2
t
s
t
s
X
∑ i
∑ Xi2
α /2
α /2
i =1
i =1
= (1 − α )100%
P a −