Evaluation Report of Irrigation Improvement Project (S 08 - W 13-14)
Bab 13 dan bab 14
-
Upload
independent -
Category
Documents
-
view
1 -
download
0
Transcript of Bab 13 dan bab 14
PENDAHULUAN
APA ITU REGRESI ?
BAGAIMANA BENTUK MODELNYA DALAM MATRIKS
BAGAIMANA CARA PENDUGAAN MENGGUNAKAN MATRIKS
Model dan Penduga Kuadrat Terkecil
MODEL REGRESI LINIER SEDEHANA dengan SATU PEUBAH X
iii XY 10
Y adalah variabel tidak bebasXi adalah variabel bebas, dengan i = 1, 2, 3, ... , n; β0 dan β1 adalah parameter – parameter yang tidak diketahui; εi adalah error (kesalahan penggangu).
Model dan Penduga Kuadrat TerkecilεXβY
nY
YY
2
1
nX
XX
1
11
2
1
1
0
n
2
1
Y adalah vektor kolom berukuran n x 1 (n baris dan 1 kolom)X adalah matriks berukuran n x 2 (n baris 2 kolom) β adalah vektor kolom berukuran 2 x 1 (2 baris dan 1 kolom) ε adalah vektor kolom berukuran n x 1
Model dan Penduga Kuadrat Terkecil
εXβY
10
2
1
Pendugaan parameter tersebut dilakukan dengan menggunakan Metode Kuadrat Terkecil error (Ordinary Least Square), sehingga diperoleh penduga parameter dalam bentuk matrik berikut,
Contoh pada data Leghron Putih yang telah dibahas pada bab 10 pada table 10.1
4.94
1.931.87
1.51
1.516.41
1
0
YXXXb TT 1)(
Contoh pada Tabel 10.1 matrik X’X berukuran 2x2, sedangkan X’Y matrik berukuran 2x1. Untuk data table 10.1,
2'
ii
i
XXXnXX
ii
i
YXYYX '
nXXX
XXn i
ii
ii
2
221'
)(1)( XX Bersifat non singular
65104167.02421875.32421875.324609375.16
108.498.4954.249
04.24804.24951)( 1'XX
Sehingga diperoleh nilai duga parameter untuk data Leghron Putih sebagi berikut:
69.726.55
10.46716.935
65104167.02421875.32421875.324609375.16)( '1' XXXX
Nilai duga itu ternyata sama dengan yang diperoleh pada bab 10. sehingga model regresi dapat dituliskan,
iXY 169.726.55Interpretasi model :setiap kenaikan 1 satuan variabel bobot badan maka akan meningkatkan besarnya konsumsi pangan sebesar 7.69 satuan.
Analisis Ragam regresi linier sederhana
Analisis ragam dalam regresi disajikan dengan menggunakan uji F dengan hipotesis uji sebagai berikut :
H0 : βi = 0 dan H1 : βi ≠ 0
Simpangan Baku, Selang Kepercayaan dan Uji Hipotesis bagi Koefisien
RegresiDengan pendekatan matrik, matrik ragam peragam bagi adalah
Dimana nilai diduga dengan simpangan baku
Simpangan Baku, Selang Kepercayaan dan Uji Hipotesis bagi Koefisien
RegresiUntuk menguji tiap – tiap koefisien pada model regresi maka digunakan uji t. Dengan melakukan pengujian terhadap hipotesis nol (H0) yang menyatakan bahwa
H0 : βi = 0 dan hipotesis alternative H1 = βi ≠ 0
)( i
iihitung V
bt
Simpangan Baku, Selang Kepercayaan dan Uji Hipotesis bagi Koefisien
RegresiUji Parsial pada kasus Leghron putih,
H0 : β1 = 0 dan hipotesis alternative H1 = β1 ≠ 0
Karena t hitung > t tabel (2.262) maka Ho ditolak.Jadi dapat disimpulkan bahwa bobot badan (X) berpengaruh nyata terhadap konsumsi pangan (Y) pada data Leghron Putih .
**03.46433.369.7
hitungt
Peubah Indikator atau BinerPerhatikan dua contoh bebas dengan ragam homogeny dan hopotesis nol bahwa nilai tengah keduanya sama. Lihat data pada table 5.2, persamaan bagi model dengan menggunakan analisis ragam yang di dekati dengan analisis regresi dalam matrik adalah,
Dituliskan dalam bentuk matrik,
Peubah Indikator atau Biner
Kolom matrik X adalah indicator atau dummy variable sehingga bersifat singular. Untuk menduga parameter yaitu dengan mengeliminasi kolom X dan membuat parameter baru, dapat dituliskan,
Peubah Indikator atau Biner
Contoh kasus pada Bab 5, tabel 5.2, dapat di definisikan dalam matrik regresi berikut,
2.59
2.642.53
8.57
Y
01
0111
11
X
77
713'XX
)6(7676/16/16/1
)( 1'XX
04.525.61)(ˆ
ˆˆ '1'
1
0 YXXX
PENDAHULUANAnalisa regresi dan korelasi sederhana membahas tentang keterkaitan antara sebuah variabel (variabel terikat/dependen) dengan (sebuah) variabel lain (variabel bebas/independen).
Regresi untuk menentukan bentuk persamaan yang akan digunakan untuk meramal (predict) rerata Y melalui X.
Korelasi: pengukuran mengenai derajat keeratan antara dua variabelnya yang bergantung pada pola variasi atau interrelasi yang dapat bersifat simultan.
Dalam bab ini akan dibahas Korelasi atau asosiasi (hubungan antara variabelvariabel) yang diminati pada analisis regresi berganda.
Persamaan Linier dan Interpretasinya dalam Lebih dari Dua Dimensi
Persamaan 14.1 berupa sebuah bidang dalam ruang berdimensi tiga, dapat ditulis persamaannya sebagai berikut,
Y = b0 + b1X1 + b2X2
Berikut titik yang diplotkan memiliki koordinat sebagai berikut,
Titik X1 X2 Y
1 10 2 11
2 10 4 7
3 10 6 3
4 20 2 14
5 20 4 10
6 20 6 6
7 30 2 17
8 30 4 13
9 30 6 9
Diperoleh persamaan regresi Y = 12 + 0.3X1 - 2X2 . kedua titik X1 dan X2 akan membentuk kemiringan yang sama terhadap Y, namun kemiringan tersebut tidak harus sama. Kedua sifat tersebut berhubungan dengan koefisien regresi parsial.
Regresi Linier Berganda, Parsial dan Simultan
persamaan regresi dituliskan sebagai berikut:
Dimana adalah nilai harapan populai Yuntuk gugus X tertentu.
Bilamana analisis regresi diperoleh dari sampel populasi, maka Model untuk regresi linier berganda diberikan sebagai berikut:
Persamaan tersebut dapat dituliskan ,
Regresi Linier Berganda, Parsial dan Simultan
di mana Y adalah variabel tak bebas (dependen), X adalah variabel bebas (independen), dan adalah residual, sedangkan indeks k pada variabel bebas adalah untuk mengidentifikasi variabel yang bersangkutan. Jumlah dari variabel penjelas adalah k.sedangkan adalah koefisien regresi parsial.
Contoh Persamaan Regresi Linier Berganda
Persamaan regresi bergandadalam notasi matriks bisa dituliskan ,εXβY
1
2
1
11
1
0
11
212
111
1
2
1
,,
1
11
,
TTkkkTkTT
k
k
TT XX
XXXX
Y
YY
εβXY
Prinsip dasar dari metode kuadrat terkecil adalah meminimumkan jumlah kuadrat residual, sehingga diperoleh nilai duga parameter,
Contoh Persamaan Regresi Linier Berganda
Agar dapat dicari penduga parameter, maka matrik X’X harus non singular.
kiikiikiki
kiiiiii
kiii
XXXXXX
XXXXXXXXXn
221
12112
1
21
XX'
iki
ii
i
YX
YXY
1'YX
Regresi Linier Berganda, Dua Variabel Independen
Misalnya jika terdapat data dengan variable bebas, X1 presentasi nitrogen, X2 klor dan X3 kalium dengan variable respon Y adalah log lamanya daun terbakar dalam detik yang berasala dari 30 sampel tembakau yang diambil langsung dari petani. . Langkah perhitungannya1.Hitung jumlah, jumlah kuadrat, dan jumlah hasil kali data tersebut.2.Susun matrik X, X’X, X’Y dan persamaan normal nya
28996.052855.0)(ˆ
ˆˆ '1'
2
1 YXXX
Regresi Linier Berganda, Dua Variabel Independen
3. Menghitung JK model, JK regresi dan JK sisa yang diringkas pada tabel ANOVA regresi berikut,
UJI SIGNIFIKANSI: Uji tHipotesisH0: i = 0Ha: i 0
Statistik Uji
Aturan PenolakanTolak H0 jika t < -t/2 atau t > t /2
dimana t/2 didasarkan pada distribusi t dengan derajat bebas n – p – 1.
ib
isbt
Uji Parsial
H0 : β1 = 0 dan hipotesis alternative H1 = β1 ≠ 0
Uji hipotesis tiap koefisien
**45.5009401717.052855.0
1
1
sbbthitung
H0 : β2 = 0 dan hipotesis alternative H1 = β2 ≠ 0
**11.3008715337.028996.0
2
2
sbbthitung
Korelasi Parsial dan GandaUntuk menghitung koefisien korelasi parsial, pertama definisikan R sebagai matrik korelasi sederhana antara k peubah X1,…,Xk,
1..................
...1
...1
321
122321
11312
kkk
k
rrr
rrrrrr
R
kkkkk
k
k
CCCC
CCCCCCCC
CR
..................
...
...
321
2232221
1131211
1
Sehingga koefisien korelasi parsial antara Xi dan Yj , jjii
ijij CC
Cr
Korelasi matrik X1,X2, dan Y pada table 14.2 diberikan padamatrik berikut,
Dengan demikian diperoleh,
Untuk menguji koefisien korelasi tersebut digunakan statistic uji t dengan rumus,
1499638.0717729.0499638.01209400.0717729.0209400.01
R
956151.0349346.0613105.0349346.0484865.0149205.0613105.0149205.0750361.0
1 CR
723829.0)956151.0(750361.0
613105.02.1
Yr 513076.0
)956151.0(484865.0349346.0
1.2
Yr
21 rknrthitung
**11.3
513076.0(127513076.0
hitungt
Koefisien korelasi ganda, RY.1,…,k, mengukur keeratan hubungan antara dua atau lebih variable bebas secara bersama-sama dengan suatu variable terikat. Koefisien korelasi ganda didefinikan dengan rumus,
Untuk data tembakau dengan anggapan hanya ada X1 dan X2 saja,
)()(
,...,1. totalJKregresiJKR kY
8017.068952.629985.4
)()(
12. totalJK
regresiJKRY
Regresi Linier Berganda, Contoh Lebih LanjutDengan mempertimbangkan adanya interaksi antar peubah X
untuk data tembakau 14.1, disini Y akan dihubungkan dengan X1 nitrogen, X2 Klor, dan X3 potasium, dan pengaruh dari nitrogen-klor X1X2 yang disebut sifat interaksi, maka model
Peningatan satu unit X2 akan berpengaruh meningkatnya dalam memprediksi Y. Adanya interaksi antara X1 dan X2 menyebabkan X2 tidak bebas pada level X1.
Pendugaan parameter dilakukan dengan menggunakan SAS PROC REG, diperoleh tabel General Linier Model Procedure pada output 14.1 halaman 340.
Regresi Linier Berganda, Contoh Lebih Lanjut
Pada output tersebut diperoleh tabel ANOVA penduga regresi, kolom PARTIAL SS diperoleh jumlah kuadrat masing-masing X dan JK secara simultan. Dengan statistik uji F disimpulkan bahwa semua X penting bagi regresi ini. Jadi tidak perlu mempertimbangkan adanya X yang harus dibuang.
Lain-lain
Prosedur pada bab ini dapat dikembangkan dalam model polynomial yang linier dalam parameter tetapi tidak linier dalam peubahnya. Persamaan polynom tersebut digambarkan,
gugus menjadi kemungkinan bahwa perubahan linier dalam Y yang diakibatkan oleh perubahan satu satuan dalam X1 yang bergantung pada nilai X2. Gagalnya perubahan linier itu tetap menunjukkan interaksi. Pernyataan diatas bersifat setangkup dalam X1 dan X2.
Koefisien Regresi Parsial Baku
Koefisien regresi parsial baku adalah koefisien regresi yang diperoleh dengan lebih dulu membakukan setiap peubah, jadi setiap peubah diukur dari rata-ratanya dalam satuan simpangan baku. Koefisien regresi parsial baku dilambangkan dengan .
Atau
Kedua persamaan tersebut menghasilkan persamaan yang menghubungkan b dengan b’.
Koefisien Regresi Parsial Baku
Karena tidak memiliki satuan maka perbandingan antara sembarang dua koefisien tersebut memberikan ukuran terhadappentingnya secara relatif dari dua peubah bebas X yang terlibat. Jika besarnya dua kali dari , maka kira-kira X1 dua kali lebih penting daripada X2 dalam menduga atau meramalakan nilai Y.
Contoh Koefisien Regresi Parsial Baku
Untuk contoh pada 14.5, diperoleh
Dari ilustrasi tersebut X1 memiliki pengaruh dua kali lebih penting daripada X2 dalam peramalan Y.