Word Macro Virus.... it just fun - Statistika Terapan | Teori ... · Web viewPenentuan teknik...

Analisis Korelasi Dan Regresi Linier

BAB X

ANALISIS KORELASI DAN REGRESI LINIER

TEORI DASAR ANALISIS KORELASI DAN REGRESI LINIER

A. Pengantar

Penentuan teknik analisis yang akan digunakan dalam suatu analisis -- biasanya dibahas

dalam metodologi penelitian -- sangat tergantung dari kerangka konseptual yang menjadi dasar

analisis dan tujuan dari pelaksanaan analisis. Agar hasil analisis dapat ditafsirkan secara tepat,

maka harus dihindari penggunaan teknik analisis yang tidak sesuai dengan skala pengukuran dari

variabel yang digunakan dalam analisis. Dalam mengkaji hubungan antara dua variabel atau

lebih, penting dipahami skala pengukuran dari setiap variabel tersebut, sehingga teknik analisis

yang akan digunakan untuk menjelaskan hubungan atau kaitan antara variabel tersebut dapat

dipilih yang paling sesuai. Apabila hal ini diabaikan, maka dapat menghasilkan interpretasi hasil

yang kurang tepat (misleading). Sebagai contoh, analisis regresi mensyaratkan bahwa variabel

yang digunakan paling tidak diukur secara interval, sehingga kalau ada salah satu variabel yang

diukur secara nominal atau ordinal maka hasil yang diperoleh tidak dapat ditafsirkan secara tepat,

oleh karena asumsi dalam penggunaan teknik ini yang tidak dapat dilanggar adalah bahwa

variabel yang digunakan mengikuti distribusi normal.

Pada bab ini teknik yang dibahas merupakan teknik analisis statistik inferensial, yaitu

teknik yang mendasarkan pada pemanfaatan data yang diperoleh dari suatu sampel acak, sehingga

hasilnya merupakan gambaran keadaan populasi dari mana sampel acak tersebut diambil. Teknik

statistik semacam ini memberikan jaminan bahwa kesimpulan dan penafsiran dibuat dengan

tingkat kesalahan yang rendah,5 biasanya dipakai 0,05 (5 %).

5 Tingkat kesalahan tersebut dalam teori probabilita dan uji hipotesis merupakan besarnya probabilita menolak hipotesis benar, atau disebut kesalahan tipe-1. Istilah umum yang dipakai adalah tetapi istilah lain yang juga sering dipakai adalah p-value, significancy of statistic (T, Z, 2, atau F), atau Pr>T, Pr>Z, Pr > 2, Pr > F tergantung statistik uji yang digunakan.

BPS-UNFPA 96


Teknik analisis statistik yang dibahas dalam bab ini bersumber pada SPSS yang difokuskan

hanya pada teknik yang dapat menjelaskan hubungan atau kaitan antara beberapa variabel, baik

hubungan antara dua variabel (bivariate) maupun banyak variabel (multivariate). Pembahasan

diutamakan pada cara membaca dan menafsirkan arti dari parameter yang diperoleh dari hasil

pengolahan data yang terdapat pada output SPSS. Teknik analisis6 statistik yang dibahas meliputi

Analisis Regresi, Analisis Path, Multiple Classification Analysis (MCA), Tabel Kontingensi,

Model Logit, Model Log-Linear, Analisis Diskriminan, dan Analisis Faktor.

B. Analisis Regresi Linier

Analisis regresi merupakan alat yang dapat memberikan penjelasan hubungan antara dua

jenis variabel yaitu hubungan antara variabel dependen atau variabel kriteria dengan variabel

independen atau variabel prediktor7. Analisis hubungan antara dua variabel disebut sebagai

analisis regresi sederhana jika hanya melibatkan satu variabel independen. Analisis disebut

sebagai analisis regresi berganda jika melibatkan lebih dari satu variabel independen.

Hubungan antara variabel dependen (Y) dengan variabel independen (X) dituliskan dalam

model linier umum

di mana , i = 1,2,........p adalah koefisien regresi yang berarti besarnya perubahan pada , jika

Xi bertambah satu satuan dan variabel yang lain konstan, adalah intercept. Residual e mengikuti distribusi normal dengan rata-rata 0 dan varians konstan sebesar 2.

6 Para pembaca dianggap sudah memahami prinsip dasar dari Analysis of Variance (ANOVA), karena semua uji statistik pada umumnya didasarkan pada dekomposisi dari total variance atas berbagai faktor penyebab perbedaan.

7 Analisis regresi dapat dipandang sebagai alat yang menjelaskan hubungan linear dari satu variabel ke variabel lainnya didekomposisikan dan diuraikan (descriptive tool), dan sebagai alat untuk menginduksikan (to infer) hubungan antar variabel pada populasi. Namun demikian keduanya dipandang dari segi teknik statistik sangat erat kaitannya, tetapi keduanya dapat dipandang terpisah paling tidak pada tingkat konseptual. Lebih jelasnya lihat Kim, J. and F.J. Kohout dalam Nie et. al Statistical Package for Social Sciences. Second edition. pp 321-322. New York: McGraw Hill Book Company 1975.

BPS-UNFPA 97


Asumsi dasar dalam analisis regresi adalah (i) setiap Y yang merupakan kombinasi linier

atas X dan mengikuti distribusi normal, (ii) e tersebar secara acak dan tidak berpola mengikuti

besarnya nilai X, (iii) tidak terdapat hubungan (korelasi) yang tinggi antar variabel X.

C. Analisis Regresi Sederhana

Analisis regresi sederhana hanya melibatkan satu variabel independen X, sehingga dalam

persamaan (3.1) p=1, sehingga model liniernya adalah

Dengan model seperti pada persamaan (3.2) maka hipotesis yang diajukan untuk diuji adalah H 0:

1 = 0 terhadap H1: 1 0. Untuk menolak H0 harus dapat dibuktikan secara empirik bahwa 1

0 atau 1 bermakna (significant) atau dengan kata lain ada hubungan linier regresi antara Y dan X

seperti pada persamaan (3.2).

Dalam output SPSS 9.0 for Windows untuk subprogram REGRESION, yang pertama perlu

diketahui adalah apakah regresi Y pada X bermakna. Hal ini dapat dilihat pada output ANOVA

sebagai berikut:

ANOVASum ofSquares Df Mean

Squares F Sig. Uji hipotesis untuk mengetahui apakah regresi Y pada X ada, Tabel ANOVA dengan =0,00 menunjukkan bahwa H0 ditolak regresi Y pada X bermakna.

Model 1 Regresion Residual Total

6475.18 3185.81 9660.99

1 83 84

6475.18 38.38

168.698 .000

Selanjutnya adalah untuk mengetahui besarnya estimate koefisien regresi ( ) serta standard

error-nya, ini dapat dilihat pada output COEFFICIENTS sebagai berikut:

BPS-UNFPA 98


COEFFICIENTS Unstandardized

Coefficients Standardized Coefficients

t Sig.

= 47,17 (intercept)

= 0,307 (koeffisien regresi)

Y akan berubah sebesar 0,31 unit untuk setiap perubahan satu unit dari X.

B Std. Error Beta

Model 1 (Constant)X

47.170 .307

1.726 .024 .819

27.337 12.988

.000

.000

Dapat dilihat bahwa karena regresi linier sederhana, maka pada dua tabel di atas t2= F.

Beta=0,819 yang merupakan koef. regresi baku sebenarnya adalah sama dengan r = koefisien

korelasi antara Y dan X, karena beta dihitung berdasarkan vaiabel baku Z yang dihitung dengan

cara

Koefisien determinasi r2 = 0,670 (yaitu nilai Beta dikuadratkan atau (0.819)2) berarti bahwa

variasi Y yang dapat dijelaskan oleh model sebesar 67 persen. Beberapa statistik dan estimasi dari

parameter dapat pula diperoleh seperti rata-rata dan standard deviasi serta korelasi dari Y dan X.

Para pembaca lebih lanjut dianjurkan untuk membaca SPSS Base 9.0 Application Guide.

D. Analisis Regresi Berganda

Kalau satu variabel dependen Y perlu dijelaskan oleh lebih dari satu variabel independen

X, maka kita perlu membuat model yang sesuai dengan tujuan studi. Model tersebut adalah

regresi linier ganda (Multivariate Linear Regression) yang secara umum modelnya seperti pada

persamaan (3.1). Selain berguna untuk dapat menjelaskan hubungan p variabel X secara bersama

terhadap variabel Y, dengan analisis regresi ganda juga dapat diperoleh suatu penjelasan tentang

peranan atau kontribusi relatif setiap variabel X terhadap variabel Y. Secara empirik walaupun

misalnya model (3.1) signifikan, yang berarti bahwa secara bersama p variabel X dapat

menjelaskan variabel Y, tidak berarti bahwa setiap variabel mempunyai pengaruh yang signifikan

BPS-UNFPA 99


pada variabel Y. Suatu kajian tersendiri perlu dilakukan untuk kemudian dapat memilah variabel

X yang berpengaruh secara parsial pada variabel Y.

Dengan model pada persamaan (3.1) maka uji hipotesis-nya adalah:

H0: 1 = 2 = .........= p = 0 dengan H1: salah satu i 0, (i = 1,2,.....,p) yang dari ouput SPSS

dapat dilihat pada output ANOVA dengan p=2 sebagai berikut

ANOVASum ofSquares

dfMean

SquaresF Sig.

Dengan =0,00 mengindikasi-kan bahwa regresi Y pada X1

dan X2 signifikan.

Model 1 Regression Residual Total

11101.959 843.031

11944.991

2 104 106

5550.980 8.106

684.793 .000

Secara umum model regresi dengan Y pada X1 dan X2 dapat digunakan lebih lanjut, namun

demikian untuk mengetahui apakah X1 dan X2 secara parsial berpengaruh terhadap Y dapat diuji

dengan melihat output COEFFICIENT sebagai berikut:

COEFFICIENTS Unstandardized

Coefficients Standardized Coefficients

t Sig.

X1 dan X2 secara parsial ber-pengaruh nyata pada Y tingkat signifikansi (p-value) masing-masing 0,013 dan 0,000.

B Std. Error Beta

Model 1 (Constant)X1

X2

82.677 -.662 -.240

.626

.263

.013 -.119 -.863

132.176 -2.518

-18.326

.000

.013

.000

Seberapa besar variasi dari variabel Y yang dapat dijelaskan oleh model dapat dilihat dari

koefisien determinasi pada output MODEL SUMMARY berikut:

MODEL SUMMARY

ModelVariables

R R SquareAdjusted R Square

Std. Error of the

EstimateEntered Removed

1 X1, X2 .964 .929 .928 2.85

BPS-UNFPA 100


Estimasi R2 cenderung terlalu tinggi (overestimate), adjusted R2 (R2a) dirancang untuk

mengurangi bias tersebut yang dihitung dengan cara

dengan p adalah banyaknya variabel independen X pada persamaan (3.1).

Secara matematis R2 dan R2a dapat dirumuskan dengan

R2 = 1 Residual sum of squaresTotal sum of squares

R2a = 1 Residual sum of squares/(N-p-1)

Total sum of squares/(N-1)

Dengan menggunakan R2a = 0,928 maka variasi dari Y yang dapat dijelaskan oleh model adalah

sebesar 93 persen.

1. Pemilihan Variabel Utama

Walaupun model regresi linier ganda signifikan, mungkin tidak semua variabel

independen X mempunyai pengaruh nyata pada variabel dependen Y, lebih daripada itu lebih

banyak variabel independen sebagai prediktor tidak membuat lebih mudah dalam melakukan

analisis. Dalam hal ini cara yang paling banyak digunakan untuk memilih variabel yang

signifikan tersebut adalah dengan cara bertatar (stepwise)8. Secara singkat metode stepwise

ini dimulai tahap-1 dengan memasukkan variabel independen X yang mempunyai simpel

korelasi (r) tertinggi dengan variabel dependen Y. Pada tahap-2 (dan seterusnya) variabel X

yang mempunyai korelasi parsial tertinggi dengan variabel Y dimasukkan dalam model, akan

tetapi pada tahap ini variabel X yang sudah masuk pada tahap-1 (atau sebelumnya) dapat

dikeluarkan (removed) dari model jika tidak memenuhi kriteria pemilihan variabel yang

dipilih (Wilks , Mahalanobis Distance, atau lainnya). Demikian seterusnya tahap berikutnya

dilakukan seperti pada tahap-2 sehingga diperoleh variabel terbaik.

8 Terdapat dua cara lain, yaitu forward selection dan backward elimination, tetapi stepwise selection merupakan metode pemilihan yang paling tepat. Lebih lanjut tentang hal ini lihat SPSS Base 9.0 Application Guide pp. 216.

BPS-UNFPA 101


2. Kontribusi Setiap Prediktor Terhadap Y

Dalam analisis adalah penting untuk mengetahui peranan setiap variabel X (prediktor)

terhadap variabel Y yang kemudian dapat dibandingkan besarnya peranan setiap prediktor

tersebut dalam menjelaskan variasi pada Y. Ukuran yang digunakan untuk tujuan tersebut

adalah dengan melihat adjusted R2 dari setiap prediktor yang dapat dilihat dari output

MODEL SUMMARY ketika melakukan pemilihan variabel dengan cara stepwise seperti

berikut.

MODEL SUMMARY

Model (variables in the model)

R R Square

Adjusted R Square

Adjusted R Square Change

Isian kolom Adjusted R Square Change merupakan selisih dari Adjusted R Square pada suatu baris terhadap baris sebelumnya di mana suatu variabel belum termasuk dalam model.

X1

X1, X2

X1, X2, X3

.418

.480

.489

.175

.231

.239

.173

.229

.239

.173

.056

.010

X1 menjelaskan 17 persen variasi Variabel Y



Interpretasi

3. Diagnostik Model

Perlu dipastikan apakah model yang secara empirik adalah signifikan atau [Pr>F]<0,05

merupakan model yang tepat (fit). Dalam hal ini uji kecocokan model (Gooodness of Fit test)

yang secara umum ditunjukkan oleh besarnya R2 masih harus dilanjutkan dengan beberapa

langkah lain untuk melihat apakah asumsi dasar pembentukan model dipenuhi atau tidak.

Asumsi yang perlu diuji adalah (1) residual (e) tersebar secara acak dan tidak mempunyai

pola tertentu mengikuti X serta mempunyai varians konstan, dan (2) tidak adanya

multikolinieritas antara variabel X.

KORELASI DAN REGRESI LINIER DALAM SPSS 9.0 FOR WINDOWS

A. Menyiapkan Data Dalam SPSS 9.0 for Windows

BPS-UNFPA 102


Sebagai contoh analisis korelasi dan regresi linier pada bab ini adalah mendapatkan

persamaan regresi linier antara variabel fertilitas (jumlah anak kandung yang dilahirkan hidup)

dengan umur saat perkawinan pertama, jumlah tahun dalam ikatan perkawinan, jumlah anak yang

telah meninggal dan pemakaian alat KB, bagi wanita pernah kawin dan berusia 10 – 49 tahun.

Untuk menyiapkan data analisis ini diperlukan data k99p17i.sav dengan manipulasi data sebagai

berikut:

a. Pastikan Anda bekerja dengan data Susenas individu (k99p17i.sav).

b. Lakukan proses Select Cases untuk case jenis kelamin wanita, usia 10 – 49 tahun dan pernah

kawin. Case yang tidak sesuai dengan kondisi, akan difilter.

c. Lakukan Recode variabel k7r35 menjadi variabel KB dengan kondisi jika variabel k7r35

berisi 1 maka variabel KB berisi kode 1, jika variabel k7r35 berisi selain kode 1 maka

variabel KB berisi kode 2, sedangkan jika variabel k7r35 berupa missing value (responden

tersebut tidak termasuk target fertilitas) maka pada variabel KB berisi kode 0.

d. Simpan data tersebut dengan nama Multiple Regresi.sav.

B. Menggunakan Prosedur Regresi Dalam SPSS 9.0 for Windows

Untuk menggunakan menu regresi pada SPSS 9.0 for Windows, maka Anda harus

melakukan beberapa langkah sebagai berikut:

a. Pastikan Anda telah bekerja dengan data Multiple Regresi.sav pada Window Data Editor.

b. Jika diperlukan, Anda dapat menguji beberapa asumsi yang diperlukan oleh analisis regresi

linier, misalnya asumsi kenormalan. Lakukan analisis eksplorasi data melalui menu:

Analyze

Descriptive Statistics…

Explore.

Lakukan analisis tersebut dengan lengkap, kemudian lakukan analisis regresi linier dengan

langkah-langkah berikut ini:

c. Dari menu, Anda klik

Analyze

BPS-UNFPA 103


Regression

Linear

d. Ketika muncul kotak dialog Linear Regression, maka lakukan beberapa hal antara lain.

Isikan variabel k7r34a

sebagai Dependent

Variabel k7r32, k7r33,

k7r34c dan KB ke dalam

kotak Independent(s).

Untuk memilih metode

regresi ini, Anda dapat

memilihnya pada drop

down list pada Method.

Sebagai contoh Anda pilih

Stepwise.

Jika Anda menginginkan

untuk menghitung regresi hanya pada daerah kota saja (daerah = 1).

e. Klik Statistics… sehingga muncul

kotak dialog Linear Regression:

Statistics, kemudian lakukan beberapa

hal antara lain:

pilih beberapa pilihan dalam

Regression Coefficients.

Pilih pilihan Durbin-Watson

dalam Residuals.

Pilih beberapa pilihan yang lain.

Klik Continue.

BPS-UNFPA 104


f. Klik Plots.. sehingga muncul kotak dialog Linear Regression: Plots, kemudian lakukan

beberapa hal antara lain:

Pilhlah pilihan pada Standardized

Residual Plots.

Masukkan variabel DEPENDENT

ke dalam kotak X, sedangkan

variabel *ZRESID pada kotak Y.

Klik Continue.

g. Klik Save… jika Anda ingin menyimpan hasil penghitungan regresi ini menjadi variabel

dalam data Anda. Ketika muncul kotak dialog Linear Regression: Save, pilihlah variabel

yang akan disimpan ke dalam data Anda. Lanjutkan dengan klik Continue.

h. Klik Options… untuk mengatur:

Kriteria uji signifikasi uji F yang akan digunakan oleh SPSS 9.0 for Windows dalam

setiap tahapan proses sesuai dengan metode yang digunakan.

Memasukkan atau tidak memasukkan konstanta dalam output regresi.

Menangani missing value.

Klik Continue.

i. Klik OK.

OUTPUT KORELASI DAN REGRESI LINIER

BPS-UNFPA 105


Output yang dihasilkan oleh prosedur regresi linier pada SPSS 9.0 for Windows yang telah

Anda lakukan tersebut antara lain sebagai berikut.

Descriptive Statistics

2,90 1,98 1991

19,10 3,22 1991

13,38 8,11 1991

,25 ,71 19911,16 ,48 1991

A.K lahir hidupUmur perkawinanpertamaJml thn dlm ikatanperkawinanA.K sudah meninggalPernah KB Atau Tidak

Mean Std. Deviation N

BPS-UNFPA 106


Correlations

1,000 -,273 ,757 ,529 -,160

-,273 1,000 -,306 -,147 ,096

,757 -,306 1,000 ,295 -,150

,529 -,147 ,295 1,000 ,024-,160 ,096 -,150 ,024 1,000

, ,000 ,000 ,000 ,000

,000 , ,000 ,000 ,000

,000 ,000 , ,000 ,000

,000 ,000 ,000 , ,139,000 ,000 ,000 ,139 ,1991 1991 1991 1991 1991

1991 1991 1991 1991 1991

1991 1991 1991 1991 1991

1991 1991 1991 1991 19911991 1991 1991 1991 1991

A.K lahir hidupUmur perkawinanpertamaJml thn dlm ikatanperkawinanA.K sudah meninggalPernah KB Atau TidakA.K lahir hidupUmur perkawinanpertamaJml thn dlm ikatanperkawinanA.K sudah meninggalPernah KB Atau TidakA.K lahir hidupUmur perkawinanpertamaJml thn dlm ikatanperkawinanA.K sudah meninggalPernah KB Atau Tidak

Pearson Correlation

Sig. (1-tailed)

N

A.K lahirhidup

Umurperkawinan

pertama

Jml thn dlmikatan

perkawinanA.K sudahmeninggal

Pernah KBAtau Tidak

BPS-UNFPA 107


Variables Entered/Removeda

Jml thndlm ikatanperkawinan

,

Stepwise(Criteria:Probability-of-F-to-enter <=,050,Probability-of-F-to-remove >=,100).

A.K sudahmeninggal ,


Pernah KBAtau Tidak ,


Model1

2

3

VariablesEntered

VariablesRemoved Method

Dependent Variable: A.K lahir hidupa.

BPS-UNFPA 108


Model Summaryd

,757a ,574 ,573 1,29 ,574 2674,772 1 1989 ,000,822b ,676 ,676 1,13 ,103 630,596 1 1988 ,000,825c ,681 ,681 1,12 ,005 30,542 1 1987 ,000 1,951

Model123

R R SquareAdjustedR Square

Std. Error ofthe Estimate

R SquareChange F Change df1 df2 Sig. F Change

Change StatisticsDurbin-W

atson

Predictors: (Constant), Jml thn dlm ikatan perkawinana.

Predictors: (Constant), Jml thn dlm ikatan perkawinan, A.K sudah meninggalb.

Predictors: (Constant), Jml thn dlm ikatan perkawinan, A.K sudah meninggal, Pernah KB Atau Tidakc.

Dependent Variable: A.K lahir hidupd.

ANOVAd

4469,949 1 4469,949 2674,772 ,000a

3323,920 1989 1,6717793,868 19905270,397 2 2635,198 2076,019 ,000b

2523,471 1988 1,2697793,868 19905308,598 3 1769,533 1414,760 ,000c

2485,271 1987 1,2517793,868 1990

RegressionResidualTotalRegressionResidualTotalRegressionResidualTotal

Model1

2

3

Sum ofSquares df Mean Square F Sig.

Predictors: (Constant), Jml thn dlm ikatan perkawinana.

Predictors: (Constant), Jml thn dlm ikatan perkawinan, A.K sudah meninggalb.

Predictors: (Constant), Jml thn dlm ikatan perkawinan, A.K sudah meninggal,Pernah KB Atau Tidak

c.


BPS-UNFPA 109


Coefficientsa

,430 ,056 7,696 ,000 ,321 ,540

,185 ,004 ,757 51,718 ,000 ,178 ,192

,516 ,049 10,554 ,000 ,420 ,612

,161 ,003 ,658 49,306 ,000 ,154 ,167

,937 ,037 ,335 25,112 ,000 ,864 1,010,893 ,084 10,665 ,000 ,728 1,057

,158 ,003 ,646 48,086 ,000 ,151 ,164

,952 ,037 ,341 25,632 ,000 ,879 1,024-,295 ,053 -,071 -5,526 ,000 -,400 -,190

(Constant)Jml thn dlm ikatanperkawinan(Constant)Jml thn dlm ikatanperkawinanA.K sudah meninggal(Constant)Jml thn dlm ikatanperkawinanA.K sudah meninggalPernah KB Atau Tidak

Model1

2

3

B Std. Error

UnstandardizedCoefficients

Beta

Standardized

Coefficients

t Sig. Lower Bound Upper Bound95% Confidence Interval for B


BPS-UNFPA 110


Coefficientsa

,540

,192 ,757 ,757 ,757 1,000 1,000

,612

,167 ,757 ,742 ,629 ,913 1,095

1,010 ,529 ,491 ,320 ,913 1,0951,057

,164 ,757 ,733 ,609 ,888 1,126

1,024 ,529 ,498 ,325 ,908 1,101-,190 -,160 -,123 -,070 ,972 1,028

Upper Bound95% Confidence Interval for B

Zero-order Partial PartCorrelations

Tolerance VIFCollinearity Statistics


BPS-UNFPA 111


Excluded Variablesd

-,045a

-2,955 ,003 -,066 ,906 1,103 ,906

,335a 25,112 ,000 ,491 ,913 1,095 ,913-,047a -3,188 ,001 -,071 ,978 1,023 ,978

-,024b

-1,814 ,070 -,041 ,903 1,108 ,843

-,071b -5,526 ,000 -,123 ,972 1,028 ,888

-,020c

-1,510 ,131 -,034 ,900 1,111 ,825

Umur perkawinanpertamaA.K sudah meninggalPernah KB Atau TidakUmur perkawinanpertamaPernah KB Atau TidakUmur perkawinanpertama

Model1

2

3

Beta In t Sig.Partial

Correlation Tolerance VIFMinimumTolerance

Collinearity Statistics

Predictors in the Model: (Constant), Jml thn dlm ikatan perkawinana.

Predictors in the Model: (Constant), Jml thn dlm ikatan perkawinan, A.K sudah meninggalb.

Predictors in the Model: (Constant), Jml thn dlm ikatan perkawinan, A.K sudah meninggal, Pernah KB Atau Tidakc.


BPS-UNFPA 112


Coefficient Correlationsa

1,000

1,278E-05

1,000 -,295

-,295 1,000

1,063E-05 -3,585E-05

-3,585E-05 1,392E-03

1,000 -,302 ,164

-,302 1,000 -,073,164 -,073 1,000

1,077E-05 -3,677E-05 2,879E-05

-3,677E-05 1,378E-03 -1,437E-042,879E-05 -1,437E-04 2,847E-03

Jml thn dlm ikatanperkawinanJml thn dlm ikatanperkawinanJml thn dlm ikatanperkawinanA.K sudah meninggalJml thn dlm ikatanperkawinanA.K sudah meninggalJml thn dlm ikatanperkawinanA.K sudah meninggalPernah KB Atau TidakJml thn dlm ikatanperkawinanA.K sudah meninggalPernah KB Atau Tidak

Correlations

Covariances

Correlations

Covariances

Correlations

Covariances

Model1

2

3

Jml thn dlmikatan


Pernah KBAtau Tidak


BPS-UNFPA 113


Collinearity Diagnosticsa

1,855 1,000 ,07 ,07,145 3,582 ,93 ,93

2,120 1,000 ,05 ,05 ,07,742 1,690 ,05 ,02 ,87,138 3,918 ,90 ,93 ,05

2,903 1,000 ,01 ,02 ,03 ,01,808 1,895 ,01 ,00 ,87 ,01,232 3,534 ,01 ,64 ,08 ,20

5,623E-02 7,185 ,98 ,33 ,02 ,77

Dimension121231234

Model1

2

3

EigenvalueCondition

Index (Constant)

Jml thn dlmikatan


Pernah KBAtau Tidak

Variance Proportions


BPS-UNFPA 114


Casewise Diagnosticsa

5,492 113,323 10

-3,243 23,139 93,430 133,562 9

-4,221 03,233 83,931 11

-3,384 26,104 12

-3,093 03,532 123,233 83,403 93,421 93,257 9

-3,450 13,253 93,119 6

-3,093 03,920 83,374 83,210 8

-3,327 13,210 8

-3,375 03,233 8

Case Number494549105511631421177223393219418642954361486049635605570958956431719376157678772378557904869794869750983710217

Std. ResidualA.K lahir

hidup


BPS-UNFPA 115


Residuals Statisticsa

,30 11,20 2,90 1,63 1991-4,72 6,83 1,88E-16 1,12 1991

-1,593 5,078 ,000 1,000 1991-4,221 6,104 ,000 ,999 1991

Predicted ValueResidualStd. Predicted ValueStd. Residual

Minimum Maximum Mean Std. Deviation N


Regression Standardized Residual

Histogram

Dependent Variable: A.K lahir hidup

Fre

quen

cy

600

500

400

300

200

100

0

Std. Dev = 1,00

Mean = 0,00

N = 1991,00

Normal P-P Plot of Regression Standardized Residual


Observed Cum Prob

1,00,75,50,250,00

Exp

ecte

d C

um P

rob

1,00

,75

,50

,25

0,00

BPS-UNFPA 116


Scatterplot


A.K lahir hidup

14121086420-2

Reg

ress

ion

Sta

ndar

dize

d R

esid

ual

8

6

4

2

0

-2

-4

-6

BPS-UNFPA 117

Word Macro Virus.... it just fun - Statistika Terapan | Teori ... · Web viewPenentuan teknik...

Documents

Transcript of Word Macro Virus.... it just fun - Statistika Terapan | Teori ... · Web viewPenentuan teknik...