6-ANALISIS REGRESI
Transcript of 6-ANALISIS REGRESI
-
8/17/2019 6-ANALISIS REGRESI
1/12
Agung Priyo Utomo (STIS Jakarta) 1
ANALISIS REGRESI
(REGRESSION ANALYSIS)
Oleh:
Agung Priyo Utomo, S.Si., MT.([email protected])Sekolah Tinggi Ilmu Statistik (STIS)
-
8/17/2019 6-ANALISIS REGRESI
2/12
Agung Priyo Utomo (STIS Jakarta) 2
MODEL REGRESI LINIER BERGANDA
Model Regresi Linier Berganda (First order MultipleLinear Regression Model):
yi = 0 + 1xi1 + 2xi2 + … + pxip + i
Fungsi Regresi untuk model diatas:E(yi) = 0 + 1xi1 + 2xi2 + … + pxip
Estimasi Persamaan Regresi Linier Berganda
yi = b0 + b1xi1 + b2xi2 + … + bpxip
dimanayi = variabel tak bebas (response/dependent variable)xi = variabel bebas (predictor/independent variable) ke-ii = suku sisaan (error/residual)i = koefisien regresi dari variabel bebas ke-i
^
-
8/17/2019 6-ANALISIS REGRESI
3/12
Agung Priyo Utomo (STIS Jakarta) 3
METODE KUADRAT TERKECIL
Kriteria Kuadrat Terkecil
Prinsip: Meminimalkan jumlah kuadrat error
Pencarian estimasi koefisien regresi dapat diperolehmelalui aljabar matriks, namun dalam kuliah ini akanmenggunakan hasil penghitungan menggunakan
komputer bi menyatakan estimasi perubahan y yang disebabkan
oleh berubahnya nilai xi sebesar satu satuan, denganasumsi variabel bebas yang lain konstan
2
ii )ŷy(min
-
8/17/2019 6-ANALISIS REGRESI
4/12
Agung Priyo Utomo (STIS Jakarta) 4
SURVEI GAJI PROGRAMER
Perusahaan perangkat lunak mengumpulkan data denganjumlah sampel 20 programer komputer. Suatu anggapandibuat bahwa analisis regresi dapat digunakan untukmenghitung/mengetahui apakah gaji dipengaruhi olehpengalaman kerja (tahun) dan skor kecerdasan paraprogramer.
Pengalaman, skor kecerdasan, dan gaji ($1000s) dari 20sampel programer komputer terdapat pada slide
berikutnya.
-
8/17/2019 6-ANALISIS REGRESI
5/12
Agung Priyo Utomo (STIS Jakarta) 5
Pengalaman Skor Gaji Pengalaman Skor Gaji
4 78 24 9 88 38
7 100 43 2 73 26.6
1 86 23.7 10 75 36.25 82 34.3 5 81 31.6
8 86 35.8 6 74 29
10 84 38 8 87 34
0 75 22.2 4 79 30.11 80 23.1 6 94 33.9
6 83 30 3 70 28.2
6 91 33 3 89 30
SURVEI GAJI PROGRAMER
-
8/17/2019 6-ANALISIS REGRESI
6/12
Agung Priyo Utomo (STIS Jakarta) 6
SPSS Computer Output
Persamaan regresinya adalah
Gaji = 3,17 + 1,40 pengalaman + 0,251 skor
Var. Bebas Coef Stdev t-ratio p
Konstanta 3,174 6,156 0,52 0,613
Pengalaman 1,4039 0,1986 7,07 0,000
Skor 0,25089 0,07735 3,24 0,005
s = 2,419 R-sq = 83,4% R-sq(adj) = 81,5%
SURVEI GAJI PROGRAMER
-
8/17/2019 6-ANALISIS REGRESI
7/12
Agung Priyo Utomo (STIS Jakarta) 7
SPSS Computer Output
Analysis of Variance
SOURCE DF SS MS F P
Regression 2 500,33 250,16 42,76 0,000
Error 17 99,46 5,85
Total 19 599,79
SURVEI GAJI PROGRAMER
-
8/17/2019 6-ANALISIS REGRESI
8/12
Agung Priyo Utomo (STIS Jakarta) 8
PEMERIKSAAN ASUMSI:
Linieritas,
Plot antara nilai-nilairesidual (ei) dengan nilai-nilai Xi , Jika pencaran
titik yang terbentuktersebar secara acak disekitar nol, maka asumsilinieritas terpenuhi.
Umur Mobil (tahun)
87654321
30
20
10
0
-10
-20
-
8/17/2019 6-ANALISIS REGRESI
9/12
Agung Priyo Utomo (STIS Jakarta) 9
PEMERIKSAAN ASUMSI:
Normalitas,
Plot antara residualyang diurutkan e(i) dengan nilai harapannya
E(e(i)) (NormalProbability Plot)
Jika pencaran titik-titiknya membentuk ataumendekati suatu garis
linier maka asumsikenormalan terpenuhi.
Dependent Variable: Harga Jual Mobil ($00s)
Observed Cum Prob
1.00.75.50.250.00
1.00
.75
.50
.25
0.00
-
8/17/2019 6-ANALISIS REGRESI
10/12
Agung Priyo Utomo (STIS Jakarta) 10
PEMERIKSAAN ASUMSI:
Homoskedastisitas,
Sama halnya seperti padalinieritas jika plot antara ei dengan X
imenunjukkan
pola yang acak, atau plotantara ei dengan Yimenunjukkan pola acak,maka asumsi kesamaanvarians (homoskedastisitas)
terpenuhi
Unstandardized Predicted Value
160140120100806040
30
20
10
0
-10
-20
^
-
8/17/2019 6-ANALISIS REGRESI
11/12
Agung Priyo Utomo (STIS Jakarta) 11
PEMERIKSAAN ASUMSI:
Independensi/Autokorelasi,
sering terjadi terutama jika data yang digunakanuntuk analisis regresi merupakan data time series.
Autokorelasi dapat menimbulkan masalah seriusterutama pada nilai penduga dari varians sample(MSE).
Pemeriksaan dengan membuat plot antara et(residual pada waktu ke t) dengan waktu (t), atau
dengan statistik Durbin Watson
-
8/17/2019 6-ANALISIS REGRESI
12/12
Agung Priyo Utomo (STIS Jakarta) 12
PEMERIKSAAN ASUMSI:
Multikollinieritas,
adalah korelasi antar variabel bebas pada model regresiberganda
Pemeriksaan awal dengan mencari nilai korelasi antar peubahbebas atau dengan melihat nilai VIF (Variance Inflaction Factor).Nilai VIF yang besar (>10) mengindikasikan adanyamultikollinieritas (Neter & Wasserman).
Jika variabel bebas berkorelasi kuat (misal, |r| > 0,7), makatidak dapat diketahui efek variabel bebas tertentu terhadapvariabel tak bebas secara terpisah.
Jika estimasi persamaan regresi digunakan hanya untukkeperluan prediksi, maka multikolinearitas umumnya bukanmasalah serius.