HO2- Analisis Regresi Linier Berganda & Logistik MMR UMY-EQ
description
Transcript of HO2- Analisis Regresi Linier Berganda & Logistik MMR UMY-EQ
Topik 2. Analisis Regresi Linier Berganda & Analisis Regresi Logistik
Oleh: Ki HariyadiKuliah FK-UMY, 2012
Analisis Regresi 1
Sub Pokok Bahasan
1. Pengantar2. Asumsi Regresi3. Kasus Regresi Berganda4. Regresi Berganda Variabel Dummy5. Regresi Berganda Variabel Dummy
lebih dari dua kriteria.6. Regresi Berganda Binary (Logistik)
Analisis Regresi 2
1. Pengantar Analisis regresi bertujuan menemukan
“kurva yang paling sesuai” berdasar data, sehingga merupakan “aproksimasi” terdekat dari relasi antara X1, X2 ... Xn dan Y.
Hasil akhir adalah untuk menduga/ mengestimasi nilai variabel Y, untuk suatu nilai tertentu dari beberapa variabel bebas (=prediktor), X1, X2 ... Xn.
Analisis Regresi 3
Model Regresi Linier Berganda
Model Statistik (2 Variabel Independen) Y = + 1X1 + 2X2 + ε
KeteranganY = variabel terikatX1 , X2 = variabel bebas (=prediktor)
ε = Error / kesalahan atau residual mencerminkan semua sumber variasi di luar variabel bebas yang tidak bisa dikendalikan
1 , 2 = koefisien regresi (intersep)
Analisis Regresi 4
2. Asumsi Regresi Berganda
1. Normalitas2. Heteroskedastisitas3. Multikolinieritas4. Autokorelasi
Analisis Regresi 5
Tidak Mengandung
6
ei ~ N(0, σ2), Distribusi probabilitas dari error memiliki: (1) rata-rata sama dengan nol, (2) tidak berkorelasi dan (3) memiliki variansi konstan (σ2).
2.1. Normalitas
Analisis Regresi
7
Error memiliki variansi yang tidak konstan, Y
X
a. Konstan
Observasi nilai Y untuk X tertentu Terletak pada jarak yang konstanDengan garis regresi. Variansi tidak tergantung dengan nilai X
Y
X
b. Heteroskedastik
Varians dipengaruhi nilai XJika nilai X meningkat variansi meningkat. Jika persamaan di gunakan meramal, interval konfidensikurang dapat memuat nilai Y sebenarnya untuk nilai X yang besar
2.2. Heteroskedastisitas
OKσe
2=tidak konstan
Analisis Regresi
8
Kolinieritas keadaan di mana variabel-variabel independen dalam persamaan regresi memiliki hubungan yang sangat kuat satu sama lainnya
Korelasi Pearson (r) alat deteksi hubungan 2 variabel
2.3. Multikolinier
Analisis Regresi
9
Masalah ini sering terjadi pada data runtut waktu (Times Series).
Observasi yang berurutan sepanjang waktu berkaitan satu sama lain.
Yt dipengaruhi Yt-1
2.4. Autokorelasi
Analisis Regresi
Mendeteksi & Mengatasi Pelanggaran Asumsi Regresi
Ki Hariyadi
Analisis Regresi 10
11
2.1. Normalitas
• Cara mendeteksi Normal Probability Plot.
• Pengambilan Keputusan: Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis Normal
Jika melanggar diatasi dengan Transformasi dan membuang data ekstrim.
Analisis Regresi
12
2.2. Heteroskedastisitas
• Scatter Plot
Jika terbentuk pola tertentu dan teratur, ada indikasi masalah
Y
XZPRED
ZRESID
Y
X
Y
X
Y
Xa
Y* = √Yb
Log Y
c1/Y
Solusi Heteroskedastisitasdengan cara transformasi YMisal: LN (Y), LOG10 (Y), 1/Y, dll.
Analisis Regresi
Prosedur Grafik
• Hitung Sisa (e) dan nilai prediksi• Prosedure grafik
– Buat grafik scatter antara Y dan Residu – Buat grafik scatter antara Y dan Prediksi
Chek grafik• Apabila scatter plot memiliki pola sistimatis
maka model dihasilkan belum baik.
)ˆ(Y
)ˆ(Y
13Analisis Regresi
Perhitungan Z standar
nsd
yyz
y
y/
nsd
eez
e
e/
14Analisis Regresi
15
2.3. Multikolinier
Metode Deteksi• Jika R2 dan FHitung tinggi, namun banyak t hitung
yang tidak bermakna (tidak signifikan)• Nilai korelasi antar 2 variabel independen
melebihi 0,8 (rekomendasi)• Mengamati VIF dan Tolerance. JIka VIF>10 &
TOLERANCE<0,1.Solusi : (1). Memilih satu dari sepasang variabel Independen yang memiliki korelasi yang tinggi tersebut. (2). Membuat Variabel independen baru yang merupakan kombinasi dari sepasang variabel independen tersebut
Analisis Regresi
16
2.4. Autokorelasi
Statistik Durbin Watson (DW)
Dasar Keputusan – DW < -2 , Positif– -2 ≤ DW ≤ 2 , Tidak ada – DW > 2 , Negatif
• Solusi dengan transformasi Y dan X
Analisis Regresi
3. Kasus Regresi Berganda
Kasus Simulasi bersumber RK. Sembiring
Ingin diketahui model persamaan linier antara y dengan X1, X2, X3, X4 dan X5?
Asumsi Model linier Berganda adalah
Y=b0+b1X1+b2X2+b3X3+b4X4+b5X5
Analisis Regresi 17
Buka file : Kasus Regresi Berganda-Kasus 2011.doc
Prosedur Pengolahan
Lakukan Uji Bivariate (Korelasi Pearson)
Lakukan Uji Multivariate (regresi linier berganda)
Interpretasi hasil dari Uji F test Regresi Uji t untuk kemaknaan Variabel
18Analisis Regresi
4. Regresi Linier Berganda Variabel Dummy
Hal ini terjadi apabila dijumpai pada kasus variabel terikat (Y) berskala kontinu dan terdapat salah satu variabel bebas (X) yang memiliki skala kategorikal.
Dummy artinya boneka/ variabel buatan karena sifat data yang memiliki skala kategorik.
Analisis Regresi 19
Contoh Kasus
Bulan 1 Bulan 2
no Y X no Y X
1 79.3 5.5 1 237 9.5
2 200 8.0 2 200 7.6
3 146 7.3 3 150 7.4
4 177 7.6 4 210 8.1
5 100 6.2
20
Y=Nilai Penjualan (Rp. Juta)X1=Biaya Promosi (Rp, Juta)X2=Bulan Promosi Analisis Regresi
Penyelesaian Model
Dapat dilakukan dengan model Regresi berganda Dummy Dependen : Penjualan Independen : Biaya Promosi dan
Bulan Promosi. di sini ada 2 kategorik Bulan
Promosi maka akan ada 1 variabel Dummy.
Analisis Regresi 21
Model yg ada adalah
Y=b0+b1X1+b2i X2; i=1,2, dengan base adalah bulan I
Model Bulan I Y=b0+b1X1
Model Bulan II (Bulan 2 dibanding 1)Y=b0+b1X1+b2 X2;
Analisis Regresi 22
5. Regresi Linier Berganda Variabel Dummy (> 2)
Hal ini terjadi apabila dijumpai pada kasus variabel terikat (Y) berskala kontinu dan terdapat salah satu variabel bebas (X) yang memiliki skala kategorikal lebih dari 2.
Analisis Regresi 23
Contoh Kasus
Bulan 1 Bulan 2 Bulan 3
no Y X no Y X no Y X
1 79.3 5.5 1 237 9.5 1 237 9.5
2 200 8.0 2 200 7.6 2 200 9.4
3 146 7.3 3 150 7.4 3 150 9.2
4 177 7.6 4 210 8.1 4 210 9.3
5 100 6.2 5 190 9.1
24
Y=Nilai Penjualan (Rp. Juta)X1=Biaya Promosi (Rp, Juta)X2=Bulan Promosi
Analisis Regresi
Penyelesaian Model
Dapat dilakukan dengan model Regresi berganda Dummy Dependen : Penjualan Independen : Biaya Promosi dan
Bulan Promosi. di sini ada 3 kategorik Bulan
Promosi maka akan ada 2 variabel Dummy.
Analisis Regresi 25
Model yg ada adalah
Y=b0+b1X1+b2i X2; i=1,2, dengan base adalah bulan I
Model Bulan I
Y=b0+b1X1
Model Bulan II (Bulan 2 dibanding 1)Y=b0+b1X1+b21 X2;
Model Bulan III (Bulan 3 dibanding 1)Y=b0+b1X1+b22 X2;
Analisis Regresi 26
6. Logistic Regression
Analisis Regresi 27
Tujuan
Setelah menyelesaikan kegiatan ini mahasiswa dapat:
a) Melakukan perhitungan Model Regresi Logistik.
b) Memahami proses estimasi dan inferensi untuk regresi logistik
c) Terampil dalam membaca output program komputasi dan output riset dari publikasi
28Analisis Regresi
Aktivitas yang dikerjakan
a. Penyajian Bahan Kuliah
b. Diskusi: Korelasi & Regresi logistik
c. Proses :1) Melakukan proses Estimasi koefisien
korelasi dan koefisien regresi logistik
2) Inferensi untuk regresi logistik
29Analisis Regresi
Diskusi
Diskusikan pengertian dari:1) Koefisien Korelasi
Regresi Logistik2) Membaca koefisien regresi logistik3) Beberapa asumsi yang harus dipenuhi dalam model regresi
30Analisis Regresi
Pola Data dan Skala
Korelasi Regresi Linier Sederhana
Regresi LinierBerganda
Regresi Logistik
X1 X2 X11 X21X12 X22. .. .. .X1n X2n
Y XY1 X1Y2 X2. .. .. .Yn Xn
Y X1 X2 . . . XkY1 X11 X21... Xk1Y2 X12 X22... Xk2. . . ... .. . . ... .. . . ... .Yn X1n X2n ... Xkn
Y X1 X2 . . . XkY1 X11 X21... Xk1Y2 X12 X22... Xk2. . . ... .. . . ... .. . . ... .Yn X1n X2n ... Xkn
Berpasangan/Tidak BerpasanganX1 & X2 sama-sama Kontinu (r Pearson) atau sama-sama kategorikal (r spearman)
BerpasanganY Dependen (kontinu), X1 Indepeden (Kontinu)
BerpasanganY Dependen (kontinu), X1, X2,...Xk, Indepeden (Kontinu atau Kategorik)
BerpasanganY Dependen (Kategorik), X1, X2,...Xk, Indepeden (Kontinu atau Kategorik).
31Analisis Regresi
Scatter Korelasi & Regresi
32
a b c
?y=a+bx
y=a-bx
y=a
Analisis Regresi
Regresi Berganda Binary (Logistic) Dilakukan pendekatan ini apabila
dijumpai hasil akhir dari variabel dependen (tergantung/Y) memiliki skala akhir Kategorikal (Nominal/Binary atau Ordinal)
Sebagai contoh : Sukses dan Gagal, Sakit dan Tidak Sakit, Lahir Prematur dan Tidak Prematur, dll
Analisis Regresi 33
Data Awal
Analisis Regresi 34
Kasus Logistic 2 Variabel
Analisis Regresi 35
Lung CancerChemotherapy
- Sequential therapy- Alternating therapy
Kategori Outcome1. Progressive Disease2. No change3. Partial Remission4. Complete mission
Terapi tidak berhasil Kode 0 (Gagal)Terapi berhasil Kode 1 (Sukses)
Kode Kemoterapi0 Sequential1 Alternating
Ingin diketahui hubungan antara 2 Metode Kemoterapi dengan kesembuhan penyakit Kanker Paru.
Format Tabel 2 X 2 (Hasil)
Kesembuhan “Lung Cancer”
Therapy Sukses (sembuh)
Gagal Total
Alternatif (solusi)
44 104 148
Biasa 62 89 151
Total 106 193 299
Analisis Regresi 36
Untuk mengetahui hubungan dan kelebihan dari terapi alternatifdibandingkan yg biasa untuk kesembuhan pasien kanker paru dapatdibuktikan dengan regresi logistik.
Format Tabel 3 ArahKesembuhan “Lung
Cancer”
TherapyJenis Kelamin
Sukses (sembuh)
Gagal Total
Alternatif (solusi)
Laki-laki 40 85 125Perempuan 4 19 23
Biasa Laki-laki 55 73 128Perempuan 7 16 23
Total 106 193 299
Analisis Regresi 37
Untuk mengetahui hubungan dan keberhasilan terapi alternatifdibandingkan yg biasa untuk kesembuhan pasien kanker paru dapatdibuktikan dengan regresi logistik antar jenis kelamin.
Regresi Logistik
Analisis Regresi 38
Regresi Logistik
Analisis Regresi 39
Model Persamaan Regresi Logistik
10 ;1
1
1
1
1
1ln)(logit
pee
ep
ep
p
bxap
pLn
p
pp
bxay
bxabxa
bxa
bxa
40
Regresi Logistik
Analisis Regresi 41
Membahas Kasus
Buka Data “tumor.sav” Perhatikan variabel dependen dan
independennya. dependen : Improve, independen:
Theraphy Cek ringkasan datanya!
42
Pengolahan 2 Variabel
AnalyzeDescriptive
Statistics○ Frequencies
Masukkan 2 Variabel ke kolom Variable(s)
OK
43
Pengolahan 2 Variabel (Chi-Square) Analyze
Descriptive Statistics○ Crosstabs
Masukkan Variabel ke kolom Row(s) & Columm(s)
OK
44
AnalyzeRegression
○ Binary Logistic
Masukkan Variabel ke kolom Dependent & Covariates
OK
45
Pengolahan Logistik
Menu Categorical
46
Hasil Dengan SPSS ?
Baca Hasil Pengujian Anda!
Analisis Regresi 47
Hasil OR Tabel 2 X 2 Stata
Improve
Therapy Sukses (sembuh)
Gagal Total
Alternatif 44 104 148
Biasa 62 89 151
Total 106 193 299
Analisis Regresi 48
OR=ad/bc = (44*89)/(104*62) = 0,6073
Kejadian sembuh kanker paru dengan terapi alternatif sebesar 0,607 kali dibandingkan dengan terapi biasa
Hasil Regresi Logistik (Stata)
Kejadian sembuh kasus kanker paru dengan terapi alternatif sebesar 0,607 kali dibandingkan dengan terapi Sequential
Analisis Regresi 49
Kasus II
Lung Cancer
Chemotherapy- Sequential therapy
- - Alternating therapy
Kategori Outcome1. Progressive Disease2. No change3. Partial Remission4. Complete mission
Jenis Kelamin
Apakah Jenis Kelamin sebagai Confounding Factor ??
? ?
50Analisis Regresi
Pemahaman Praktis
• Apabila dilakukan pengujian regresi logistik untuk masing-masing kelompok data berdasar umur maka akan menyebabkan hasil pengujian yang berbeda terhadap kesimpulan akhir maka dapat di sebut bahwa jenis kelamin adalah confounding faktor
• Sebaliknya apabila dilakukan pengujian secara sendiri-2 dan hasilnya tidak ada beda kesimpulan maka jenis kelamin bukan sebagai confounding faktor
51Analisis Regresi
AnalyzeRegression
○ Binary Logistic
Masukkan Variabel ke kolom Dependent & Covariates
OK 52
Pengolahan Logistik 2 Variabel Independen
Menu Categorical
53
Diskusi Hasil SPSS
Interpretasi Hasil! Lakukan untuk 2 kelompok Jenis
Kelamin yang berbeda!
54
Hasil Regresi Logistik (Stata)
Interpretasi
• Faktor Therapy terbukti sebagai faktor yang bermakna terhadap kejadian penyembuhan kanker paru.
• Faktor Jenis kelamin tidak terbukti sebagai faktor yang mempengaruhi.
55Analisis Regresi
Hasil masing-masing pengujian kriteria Jenis Kelamin
Tidak ada perbedaan hasil antar 2 pengujian tersebut56Analisis Regresi
Pembahasan Nilai lainnya
57Analisis Regresi
Kasus Latihan
Pindah kasus ke spss tanpa data asli58
Prosedur
1. Buka Data Baru di SPSS
2. Buat 4 variabel Utama dan 1 Variabel Frekuensi :
3. Buat “Labelling Value” untuk masing-masing variabel sbb BBLR 1. BBLR 2. Tidak BBLR Perokok 1. Perokok 2. Bukan Perokok Hipertensi 1. Hipertensi 2. Tidak Hipertensi
59
Tampilan Value Label
60
Hasilnya
Sudah siap, untuk input data Tambahkan 1 Variabel Frekuensi
(variabel ke 5)
61
Entry Data Entry Frekuensi sesuai urutan (kolom 1, lanjut
ke bawah sampai selesai, lanjut kolom 2 dst) Koding sesuai dengan matrik data sampai
selesai.
62
Proses Pengolahan data
Bobotkan data simulasi dengan variabel “frekuensi”
Menu “Data”Weight Cases
63
Kasus dengan Logistik
64
Semua sama dengan langkah sebelumnya
Hasil SPSS (Koef dan ODD)
Mari dinarasikan secara bersama!
65
REGRESI LOGISTIK DAN PENERAPAN DALAM BIDANG KESEHATAN MASYARAKAT(Studi Kasus Kelahiran Prematur di RSKIA PKU Muhammadiyah)
Faktor Dependen (Y) Kelahiran Prematur (Skala Binary) 0 Tidak Prematur dan 1 Prematur
Faktor yang mempengaruhi (X) Riwayat sebelumnya pernah prematur (x1) Riwayat Lahir Kembar (x2) Perdarahan (x3) Hipertensi Ibu (x4) Diabetes (x5)
Analisis Regresi 66
67
Kepustakaan
• Nursalam (2008). Konsep dan Penerapan Metodologi Penelitian Ilmu Keperawatan (Edisi 2). Jakarta: Salemba Medika.
• Morgan, GA., et. al., (2004). SPSS For Introductory Statistics: Use and Interpretation 2-ed. London: LEA Publisher.
• Budiarto, E. (2001). Biostatistika untuk Kedokteran dan Kesehatan Masyarakat; Jakarta: EGC.
Analisis Regresi
TAMBAHAN PEMILIHAN UJI
Analisis Regresi 68
69
Model Regresi berdasar Skala Data
Variabel Dependen (Y)
Inde-penden
(X)
Numerik /Kontinu
Kategorik
Numerik/ Kontinu
Regresi Linier- Sederhana- Berganda
Logistik
Kategorikal(Nominal dan Ordinal)
Regresi Linier Logistik
Analisis Regresi
Pemilihan Uji StatistikUntuk pertanyaan “Perbedaan”
Skala Dependen
Compare(Perbedaan)
1 Faktor atau variabel Independen dengan 2 level/ kategori/kelompok/sampel
1 variabel independen dgn3 atau lebih level /kelompok
Sampel /kelompok
saling Independen(Between)
Sampel Berpasangan
atau perulangan
(Within)
Sampel /kelompok
saling Independen(Between)
Sampel Berpasangan
atau perulangan
(Within)Normal(Rasio/Interval)
Rata-rata Independent samples t-testOne-way Anova
Paired Samples t-test
One Way Anova
GLM RepeatedMeuseres Anova
Ordinal Rata-rata Ranks
Mann Whitney Rank Wilcoxon Kruskall Wallis Friedman
Nominal /Dikotomi
Jumlah (Count)
Chi-Square MC Nemar Chi-Square Cochran Q Test
70Sumber: Morgan, et. al., (2004) Analisis Regresi
Pemilihan Uji StatistikUntuk pertanyaan “Hubungan”
Skala dari 2 variabel yg ada
Related(Hubungan)
Statistik Uji
2 Variabel adalah Normal(Rasio/Interval)
Nilai (Scores)
Pearson (r)Regression
2 Variabel adalah Ordinal Peringkat(Ranks)
Kendall TauSpearman Rho
1 Variabel Normal/ Kontinu dan 1 Nominal
ETA
Nominal /Dikotomi Jumlah (Count)
PhiCramer’s V
71Sumber: Morgan, et. al., (2004) Analisis Regresi
Pemilihan Uji StatistikPertanyaan “Perbedaan” > 2 Independen
Skala Dependen
2 atau lebih Variabel Independen
Antar Sampel /kelompok saling
Independen( All Between)
Antar Sampel Berpasangan
atau perulangan(All Within)
MIXED(Between & Within)
Normal(Rasio/Interval)
GLM, FactorialAnovaAnacova
GLM RepeatedMeuseres on All Factors
GLM RepeatedMeuseres on Some Factors
Ordinal N.a N.a N.a
Nominal /Dikotomi
Log Linier N.a n.a
72Sumber: Morgan, et. al., (2004)
Analisis Regresi
Pemilihan Uji StatistikPertanyaan “Hubungan” beberapa Independen
1 Variabel Dependen atau 1 Outcome
Beberapa Variabel Independen
Normal/Kontinu Beberapa Normalbeberapa kategorik
(2 kategorik)
All Dikotomi
Normal /Kontinu(Rasio/Interval)
Regresi Berganda (Multiple Regression)
Regresi Berganda (Multiple Regression)
Regresi Berganda (Multiple Regression)
Nominal /Dikotomi
Diskriminan Analisis
Regresi Logistik Regresi Logistik
73Sumber: Morgan, et. al., (2004) Analisis Regresi
74
UJI KORELASIBacaan Materi Tambahan
Analisis Regresi
75
Contoh : Analisis Korelasi
Menyelidiki hubungan dua variabel atau lebih dengan tidak mempertimbangkan hubungan sebab akibat antar variabel /peubahnya.
Mengukur tingginya derajat hubungan yang terjadi.
Analisis Regresi
Korelasi
• Nilai Normatif Korelasi -1 ≤ r ≤ 1 , derajat hubungan linier 2 variabel.
• Nilai 1 atau -1, hubungan Linear Kuat, Nilai 0 hubungan lemah atau tidak ada hubungan antar variabel.
76
a b c
Analisis Regresi
77
Contoh Pola Korelasi
a. Korelasi Positifb. Korelasi Negatifc. Tidak BerkorelasiSBP= Tekanan Darah Sistolik
Analisis Regresi
78
Dasar Pembacaan Korelasi (r)rXY didefinisikan hubungan antara peubah
acak x dan peubah acak yr memiliki nilai antara -1 s/d 1Pengertian
r = -1 artinya berkorelasi negatif secara sempurna
r = 1 artinya berkorelasi positif secara sempurna
r = 0 berkorelasi nol artinya tidak terdapat hubungan.
Analisis Regresi
79
Rumus Koefisien Korelasi Koefisien korelasi di notasikan dengan ρ
(rho)
YX
XY
YX
YXCov
..
),(
Y
Y
X
X YXE
11-dan dengan XY YX YXE
Analisis Regresi
80
Pendekatan perhitungan untuk ρ
22
))((
YYXX
YYXXr
ii
ii
Analisis Regresi
81
Pendekatan Rumus lebih praktis:
2222 YYnXXn
YXXYnr
Analisis Regresi
82
Uji Kemaknaan Korelasi (ρ)Hipotesis Ho : ρ = 0 (tidak berkorelasi) Ha : ρ ≠ 0 (terjadi korelasi)
Statistik Uji
2-n bebasderajat dengan ,1
22r
nrt
Daerah Penolakan
Ho ditolak jika thitung ≥ ttabel atau prop (Ho) ≤ 0,05
Analisis Regresi
83
Contoh membaca hasil Korelasi
Dari data-data yang di peroleh mengenai bobot bayi dan lebar dada bayi pada saat lahir dihasilkan nilai perhitungan korelasi sebesar 0,9677.
Koefisien r=0,9677 artinya terdapat korelasi positif atau hubungan linier yang sangat baik antara bobot bayi dan lebar dada pada saat lahir.
Analisis Regresi
Analisis Regresi 84
Analisis Regresi Linier Sederhana
Materi Bacaan Tambahan
Analisis Regresi 85
Regresi linier
Dalam regresi linier satu variabel (X) dipakai untuk memprediksi variabel lainnya (Y)
X independen, variabel prediktorY dependen, variabel responKita berasumsi mengumpulkan sampel
berpasangan sebagai observasi, (Xi, Yi) untuk i=1,2,3,..,n.
Analisis Regresi 86
Hubungan antara X dan Y secara khusus terdiri dari 2 komponen:
Komponen Systematic & Komponen Random
E(Yi | Xi) = + Xi + εi
Analisis Regresi 87
E(Yi | Xi) = + Xi +εi
= intercept
= slope /kemiringan
X
Y
Model
Analisis Regresi 88
Asumsi Regresi Linier
yi ~ populasi N(µi,σ2) ei ~ var random (Tidak berpola) ei ~ N(0,σ2) (berdistribusi normal)
E(ei)=0 dan E(ei2)= σ2 (harga harapan
residu adalah 0, dan variansi residu adalah σ2)
Analisis Regresi 89
METODE KUADRAT TERKECIL
yi=a+bxi
22 )())((
xxnyxxyn
b
XbYa
Analisis Regresi 90
Uji Kemaknaan Estimasi α (bo)
Hipotesis : Ho : α=0 H1 : α≠0
Daerah kritis Ho ditolak jika prop < 0,05
Analisis Regresi 91
Uji Kemaknaan Estimasi β
Hipotesis: H0 : β=0H1 : β≠0
Daerah kritis Ho ditolak jika
nilai prop<0,05
2 , ndbdgnsb
tb
XX
XYYY
b SnSbS
S)2/().(
bntbVar
bt );2(~
)(
0
Analisis Regresi 92
T-4 -2 0 2 4
0
.1
.2
.3
.4
Distribusi Student’s t – Uji dua arah
H0 : = 0
HA : 0
(dua arah karena > 0 atau < 0 )
Analisis Regresi 93
Persentil atas dari distribusi t
0
Area = a
t ,a n
df151015
0.103.0781.4761.3721.341
0.056.31382.01501.81251.7530
0.0131.8213.3652.7642.602
Ini untuk tes one-tailed yaitu:
H0 : = 0 dan H1 : > 0
Analisis Regresi 94
Testing untuk sifat Robust
Jika sudah diuji dengan 3 test di bawah ini:1. Autokorelasi
2. Multikolinieritas
3. Heteroskesdatisitas
Regresi Multivariabel (berdasar Y)
Analisis Regresi 95
Kontak Dosen
• Ki Hariyadi (EQ)– email : [email protected]– 0818 267 286 (XL)– 0813 270 47574 (Simpati)
• Lembaga saat ini di PMPK FK-UGM
Analisis Regresi 96