Indah Nurina Fitri Hapsari / 10110094/ MA ITB 2010
12.48
FORWARD SELECTION
STEP 1:
Model R-square:
π 2 =πππ
πππ
F value:
π =πππ /1
πππΈ/(π β 2)
Type II SS correspond to the R notation in which each effect is adjusted for all other appropriate effects. Kita Pilih variabel yang memberikan π 2 terbesar atau π terbesar. Maka kita pilih π₯1 untuk dimasukkan dalam model. Cek signifiikansi melalui nilai p-value. Karena nilai p-value lebih kecil dari tingkat signifikansi (πΌ=0.05) maka kita masukkan π₯1 ke dalam model. Sehingga diperoleh model untuk step π¦ = β6.33592 + 0.33738 π₯1
STEP 2
Pilih variabel yang memberikan kenaikan π 2 terbesar apabila variabel tersebut dimasukkan ke dalam model yang diperoleh pada step 1. Maka kita pilih π₯2 untuk dimasukkan dalam model. Cek melalui nilai p-value untuk π₯2 , dengan:
Indah Nurina Fitri Hapsari / 10110094/ MA ITB 2010
π =π (π½2|π½1)
π 2
Karena nilai p-value lebih besar dari nilai signifikansi yang kita inginkan (πΌ = 0.05) maka π₯2 tidak dimasukkan dalam model. Maka diperoleh model akhir:
π¦ = β6.33592 + 0.33738 π₯1
Summary
BACKWARD ELIMINATION
STEP 0:
Full model dengan semua variabel dimasukkan ke dalam model. Persamaan regresi yang diperoleh π¦ = 3.32046 + 0.42105π₯1 β 0.29578 π₯2
β 0.01638 π₯3
+ 0.12465 π₯4
STEP 1
Dari tabel pada step 0, pilih variabel yang memiliki Type II SS (Restricted SSR) terkecil sebagai kandidat yang akan dikeluarkan dari model (yaitu π₯3 ). Karena π₯3 memiliki p-value yang terbesar dan diatas tingkat signifikansi yang telah ditentukan (πΌ = 0.05) dengan:
π =π (π½3|π½1 π½2π½4)
πππΈ12 β 5
Indah Nurina Fitri Hapsari / 10110094/ MA ITB 2010
Maka π₯3 dikeluarkan dari model. Sehingga model menjadi π¦ = 3.63778 +0.42258 π₯1 β 0.29747 π₯2 + 0.13248 π₯4
STEP2
Dari tabel terakhir di step 1, kita pilih lagi variabel yang memberikan TypeII SS terkecil (selain intercept), yaitu π₯4 sebagai kandidat yang akan dikeluarkan dari model. Karena π₯4 memiliki p-value yang terbesar dan diatas tingkat signifikansi yang telah ditentukan (πΌ = 0.05) dengan:
π =π (π½4|π½1 π½2)
πππΈ12 β 4
Maka π₯4 dikeluarkan dari model. Sehingga model menjadi: π¦ = 1.42449 + 0.4206 π₯1 β 0.21436 π₯2
STEP 3
Dari tabel terakhir di step 2, kita pilih lagi variabel yang memberikan TypeII SS terkecil (selain intercept), yaitu π₯2 sebagai kandidat yang akan dikeluarkan dari model. Karena π₯2 memiliki p-value yang terbesar dan diatas tingkat signifikansi yang telah ditentukan (πΌ = 0.05) dengan:
π =π (π½2|π½1 )
πππΈ12 β 3
Maka π₯2 dikeluarkan dari model.
Indah Nurina Fitri Hapsari / 10110094/ MA ITB 2010
Sehingga model menjadi: π¦ = β6.33592 + 0.33738 π₯1
Step 4 Dari tabel terakhir di step 3, kita pilih lagi variabel yang memberikan TypeII SS terkecil (selain intercept), yaitu π₯1 sebagai kandidat yang akan dikeluarkan dari model. Karena π₯1 memiliki p-value dibawah tingkat signifikansi yang telah ditentukan (πΌ = 0.05), maka step berakhir.
Summary π¦ = β6.33592 + 0.33738 π₯1
STEPWISE REGRESSION
STEP1
Seperti pada forward selection, kita pilih variabel yang memberikan π 2 terbesar atau π terbesar. Maka kita pilih π₯1 untuk dimasukkan dalam model. Cek signifiikansi melalui nilai p-value. Karena nilai p-value lebih kecil dari tingkat signifikansi (πΌ=0.05) maka kita masukkan π₯1 ke dalam model. Sehingga diperoleh model untuk step 1:
π¦ = β6.33592 + 0.33738 π₯1
Indah Nurina Fitri Hapsari / 10110094/ MA ITB 2010
STEP2
Kita pilih variabel yang memberikan π 2 terbesar atau π terbesar. Maka kita pilih π₯2 untuk dimasukkan dalam model. Namun karena p-value untuk
π =π (π½2|π½1 )
πππΈ12 β 3
Melebihi πΌ=0.05, maka π₯2 tidak dimasukkan dalam model.
Summary π¦ = β6.33592 + 0.33738 π₯1
UJI DIAGNOSTIK UNTUK MODEL DENGAN NILAI Cp TERKECIL
π¦ = β6.33592 + 0.33738 π₯1
Indah Nurina Fitri Hapsari / 10110094/ MA ITB 2010
Lampiran SAS:
DATA Tugas;
Input y x1 x2 x3 x4;
Datalines;
11.2 56.5 71.0 38.5 43
14.5 59.5 72.5 38.2 44.8
17.2 69.2 76 42.5 49
17.8 74.5 79.5 43.4 56.3
19.3 81.2 84.0 47.5 60.2
24.5 88.0 86.2 47.4 62
21.2 78.2 80.5 44.5 58.1
16.9 69.0 72 41.8 48.1
14.8 58.1 68 42.1 46
Indah Nurina Fitri Hapsari / 10110094/ MA ITB 2010
20 80.5 85 48.1 60.3
13.2 58.3 71 37.5 47.1
22.5 84 87.2 51 65.2
;
PROC PRINT Data=Tugas;
Title 'Nomer 12.48';
run;
proc reg data=Tugas;
model y= x1 x2 x3 x4
/ selection=forward slentry=0.05
details;
run;
proc reg data=Tugas;
model y= x1 x2 x3 x4
/ selection=backward slstay=0.05
details;
run;
proc reg data=Tugas;
model y= x1 x2 x3 x4
/ selection=stepwise slentry=0.05 slstay=0.05
details;
run;
Top Related