P. 1
ANALISIS REGRESI (PRESENTASI)

ANALISIS REGRESI (PRESENTASI)

|Views: 134|Likes:

More info:

Published by: RiSky SukMa W. MangaHolic on Aug 11, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

12/04/2013

pdf

text

original

Statistika Matematika II 1 Analisis Regresi

ANALISIS REGRESI
A. PENDAHULUAN Istilah “regresi” pertama kali diperkenalkan oleh Sir Francis Galton pada tahun 1886. Galton menemukan bahwa ada kecenderungan bagi orang tua yang tinggi akan mempunyai anak yang tinggi dan sebaliknya. Meskipun demikian, ia mengamati bahwa tinggi anak bergerak menuju rata-rata tinggi anak secara keseluruhan. Dengan kata lain ketinggian anak yang amat tinggi atau orang tua yang amat pendek cenderung bergerak ke arah rata-rata tinggi populasi. Inilah yang disebut hokum Galton mengenai regresi universal. Secara umum analisis regresi adalah studi mengenai ketergantungan variabel dependen (respon) dengan satu atau lebih variabel independen (penjelas/ bebas). Dalam analisis regresi linier, jika jumlah variabel prediktor X satu maka disebut regresi linier sederhana, sedangkan jika lebih dari satu misalnya k peubah prediktor maka disebut regresi berganda. Pendugaan parameter regresi untuk model regresi berganda pada hakekatnya hanyalah perluasan konsep regresi sederhana (Sugiarto, 1992). Hasil analisis regresi adalah berupa koefisisen untuk masing-masing veriabel independen. Koefisien ini diperoleh dengan cara memprediksi nilai variabel respon dengan suatu persamaan.

B.

Pengujian Asumsi Klasik Regresi Sehubungan digunakannya alat-alat statistik dalam analisis data, agar analisis tersebut memperoleh hasil yang lebih akurat dan maka persyaratan atau asumsi yang melandasi penggunaan alat analisis harus dipenuhi. Di dalam persamaan model regresi linear berganda, dikenal beberapa asumsi yang mendasari persamaan model yang menyangkut; Linieritas, normalitas residual data (normality error term),

multikolinearitas, homoskedastisitas, dan autokorelasi, di mana perlu dilakukan pengujian dengan maksud untuk mengetahui apakah persamaan model regresi yang ditentukan tersebut merupakan model yang dapat menghasilkan estimasi yang tidak

khususnya untuk jumlah sampel yang kecil. homoskedastisitas. Namun demikian. a. dan autokorelasi meskipun dalam penjelasannya lebih lanjut beberapa asumsi dapat dianggap tidak kritis dalam analisis. Distribusi normal akan membentuk satu garis lurus diagonal dan poting data residual / galat akan dibandingkan dengan garis diagonal. linieritas. hanya dengan melihat histogram dapat menyesatkan. maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. dilengkapi dengan uji statistik. Analisis Grafik Salah satu cara termudah untuk melihat normalitas galat adalah dengan melihat grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal. Normalitas Galat Model Uji normalitas galat bertujuan untuk menguji apakah dalam model regresi. yaitu dengan analisis grafik dan uji statistik. Oleh karena itu. yaitu outlier–normalitas. pengujian dapat dilakukan dengan Uji Kolmogorov–Smirnov (K-S). uji K-S dilakukan dengan membuat hipotesis: H0 = galat berdistribusi normal H1 = galat tidak berdistribusi normal . Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil. Jika distribusi data galat normal. variabel galat memiliki distribusi normal. b. Analisis Statistik Uji normalitas dengan grafik dapat menyesatkan kalau tidak hati-hati secara visual kelihatan normal. Dalam hal ini. Ada dua cara untuk mendeteksi apakah galat berdistribusi normal atau tidak. 1. Hair (1998) juga menyatakan bahwa terdapat tiga asumsi klasik dalam regresi linear yang harus diuji.Statistika Matematika II 2 Analisis Regresi bias. Seperti diketahui bahwa uji t dan F mengasumsikan bahwa nilai galat mengikuti distribusi normal. Metode yang lebih handal adalah dengan melihat Normal Probability Plot yang membandingkan distribusi kumulatif dari distribusi normal. pdahal secara statistik bisa sebaliknya. dianjurkan disamping uji grafik.

Normalitas Tentukan H0 dan H1 H0 = sampel berasal dari populasi yang menyebar normal H1 = sampel tidak berasal dari populasi yang menyebar normal - Hitung nilai mean - Hitung simpangan baku √ √ ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) . Data hasil penelitian atas ke-8 petani cuplikan tersebut tampat dibawah ini. Seorang peneliti ingin mengetahui pengaruh dari pendapatan keluarga (X) terhhadap pengeluaran konsumsi (Y) dari 8 keluarga petani cuplikan yang ditarik secara acak dari sebuah desa. Petani Cuplikan A B C D E F G H Jumlah Pengeluaran konsumsi (Y) 15 13 10 17 9 8 10 14 96 Pendapatan keluarga (X) 20 18 14 16 12 10 14 16 120 1.Statistika Matematika II 3 Analisis Regresi Contoh: 1.

56 F(Z) 0.9406 F =ln F(Z) -2.3783 0.09375+0.3783 0.12891 - Membanding kan AD dan CV AD hit = 0.0612 N+1-i 8 7 6 5 4 3 2 1 F(n+1-i) 0.93 1.3071+0.9406 0.9721 -0.3783 0.1762 0.6299+0.0594 1-F(n+1-i) 0.6217 0.4753 -0.0694+1.0612 -5.3783 0.8235 -1.4753 -0.Statistika Matematika II 4 Analisis Regresi Diurutkan 10 12 14 14 16 16 18 20 Table AD i 1 2 3 4 5 6 7 8 Zi -1.9506 -0.12891 maka keputusan terima H0 .03516 = 1.56 -0.9506 -0.9406 F2i-ln(1F(n+1-i)) -2.7059+1.4753 -0.3783 0.1938 -0.31 0.6217 0.3021+1.6217 0.4753 -0.1602 ˂ CV=1.0594 0.7361 -0.8235 -1.3783 0.3876 -0.8238 0.1602 - ( ) = 1+0.9721 -0.9442 -1.4722 -1.93 -0.9721 -0.1762 0.8238 0.1938 -0.31 0.1602-8 = 0.31 0.1224 F1i+F2i - AD hitung AD hit ={ ( ( ( ) ) ) ( ( ( ) )} ) ( ( ) ) = (0.2295)-8 = 8.7361 -0.7012+1.6217 0.1762 0.8238 0.9442 -0.2151+1.0594 0.6217 0.31 -0.9721 -0.647 -3.6217 0.

2. n Kaidah keputusan dalam Uji Durbin-Watson adalah: 1. maka keputusannya adalah tolak H0 yang berarti terdapat autokorelasi 3. Hipotesis yang melandasi pengujian adalah: H0 : Tidak terdapat autokorelasi antar sisaan H1 : Terdapat autokorelasi antar sisaan Statistik uji yang digunakan adalah: d  (e t 2 n t n  et 1 ) 2 2 t e t 1 ˆt di mana: et = penduga sisaan ke-t.Statistika Matematika II 5 Analisis Regresi - Kesimpulan Sampel berasal dari populasi yang menyebar normal. et  yt  y et 1 = penduga sisaan ke-(t-1) t = 1. Jika dl ≤ d ≤ du atau 4 – du ≤ d ≤ 4 – dl . Jika tebaran sisaan terhadap urutan waktu tidak membentuk suatu pola tertentu atau bersifat acak maka dapat disimpulkan tidak ada autokorelasi antar sisaan (Draper dan Smith. Pengujian secara empiris dilakukan dengan menggunakan statistik uji Durbin-Watson. …. maka keputusannya adalah terima H0 yang berarti tidak terdapat autokorelasi 2. Jika d < dl atau d > 4 – du. 1992). 2003). Jika du < d < 4–du. Adanya kebebasan antar sisaan dapat dideteksi secara grafis dengan melihat pola tebaran sisaan terhadap urutan waktu. maka tidak dapat diputuskan apakah H0 diterima atau ditolak sehingga tidak dapat disimpulkan ada tidaknya autokorelasi antar sisaan (Gujarati. . Uji Non-Autokorelasi Asumsi ini menghendaki bahwa tidak ada autokorelasi antara serangkaian pengamatan yang diurutkan menurut waktu. 2.

092X1 Residu = Y.184 -7.919 -10.103 906.735 -14.735 177.184 -5.184 6.919 836. Masuk hasil perhitungan diatas masukan kedalam rumus Durbin-Watson Tabel Durbin-Watson No 1 2 3 4 5 6 7 8 Jumlah X 20 18 14 16 12 10 14 16 120 Y 15 13 10 17 9 8 10 14 96 Ypred -19.735 516.Ypred .368 -3. 3. 6.551 16.697 -4.551 -8. 5.801 Ypred = 2.367 22.345856 152.505856 54.287 1175. Lag-kan satu nilai residualnya.368 6.616 5620.919 19. Kuadratkan nilai residualnya.103 -12.553-1.368 17.735 31.103 22.919 34. Hitung nilai prediksinya.919 19.3086 206.037696 30.8787 22.367 267.735 -14.184 -12. 4.598 30.137856 40. 7.Statistika Matematika II 6 Analisis Regresi  Uji Otokorelasi a) Uji Durbin Watson b) Uji Lagrange Multiplier c) Uji Breusch-Godfrey Langkah-Langkah Uji Durbin-Watson 1.241856 398.8802 28. Regresikan variabel bebas (X) terhadap variabel tergantung (Y).287 30.1906 22.551424 38.367 22.287 -17.287424 84.735 31.287 34.919 -110. Kurangkan nilai residual dengan Lag-kan satu nilai residualnya.368 9.823 19. 2.367 -12. Hitung nilai residualnya.735 516.2416 16.919 1018.551 16.735 28.551 382.616 e(residu) e2 et-1 e-(et-1) (e-(et-1))2 |residu| 34.967424 10.8802 31.103 22.

Nilai VIF akan semakin besar jika terdapat korelasi yang semakin besar diantara peubah .237 4-dL 2.237 4-dL =2.332 4-dU =3. (1998) menyatakan bahwa permasalahan multikolinearitas ditunjukkan oleh nilai dari VIF (variance inflation factor).763 dU 1.763 =1. Multikolinearitas Hair et al. VIF didefinisikan sebagai VIF j  1 1  R2 j di mana: j p = 1. ….668 Tanpa kesimpulan Tanpa kesimpulan Tidak ada otokorelasi dL 0.668 otokorelasi 3..332 2 4-dU 3. 2.Statistika Matematika II 7 Analisis Regresi Rumus Durbin-Watson ( ( () )) Dk K dL dU =k.070815 o. p = banyaknya peubah penjelas R2 j = koefisien determinasi R2 j diperoleh dengan meregresikan peubah prediktor Xj dengan semua peubah prediktor lain.n =1 dan n=8 =0.

( ) ) ( )( )( ) ) ) ( )( )( ) ) . Tabel uji multikolineasi No 1 2 3 4 5 6 7 8 Jumlah X 20 18 14 16 12 10 14 16 120 Y 15 13 10 17 9 8 10 14 96 XY 300 234 140 272 108 80 140 224 11520 X2 400 324 196 256 144 100 196 256 14400 Y2 225 169 100 289 81 64 100 196 9216 1. Hitung nilai tolenrance (Tol) dengan rumus (1-r2). ( √( ) ( ) )( )( ) ( ) ) ( √( ( √( √ 2. maka tidak terjadi multikolinier. Jika nilai VIF lebih dari 10. 3. Hitung nilai VIF dengan rumus 1/TOL Jika VIF < 10. 1990). Hitung nilai korelasi antar varibel bebas (r) Kuadratkan nilai korelasi antar variabel bebas (r2). 4. 2. multikolinieritas memberikan pengaruh yang serius pada pendugaan metode kuadrat terkecil (Bowerman and O`Connel. 5. Pengujian Manual VIF 1.Statistika Matematika II 8 Analisis Regresi prediktor.

Statistika Matematika II 9 Analisis Regresi 3.6561 = 0. Karena VIF ˂10 maka tidak terjadi multikolinier 5.3439 4. Tolerance = 1-0. .

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->