P. 1
Regresi Linear Ganda

Regresi Linear Ganda

|Views: 561|Likes:

More info:

Published by: Kenzhin Ruroini Jihans on Jun 06, 2012
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

12/21/2013

pdf

text

original

A.

REGRESI LINEAR GANDA (MULTIPEL) Bertujuan untuk mencari bentuk hubungan (relasi) linear antara satu variabel terikat Y dan k variabel bebas . Pembicaraan untuk X dan Y yang berskala interval. 1. Model Model hubungan antara variabel Y dan k variabel pada populasi adalah sebagai berikut. = + Untuk setiap pasangan ( ) dengan: = nilai ke-i variabel Y; = suku tetap; = koefisien regresi pada ; j = 1,2,....,k; dengan k ≥ 2; = galat random pada model regresi untuk populasi. Estimator untuk suku tetap disajikan dengan ,estimator untuk koefisien regresi disajikan dengan , dan estimator untuk disajikan dengan . Model regresi pada sampel adalah = + ; untuk k ≥ 2. Dengan pemikiran yang sama dengan pembicaraan pada regresi linear, maka persamaan regresi Y pada adalah: ̂ = ; untuk k ≥ 2. 2. Persyaratan Analisis Analisis regresi linear ganda agar persamaan regresinya dapat digunakan untuk prediksi diperlukan beberapa persyaratan. Kecuali persyaratan X dan Y harus berskala interval, persyaratan-persyaratan lain yang harus dipenuhi adalah: a. Hubungan antara dan Y linear dan berarti; b. Antara variabel-variabel bebas saling independen; c. Tidak ada variabel bebas yang relevan yang dikeluarkan; d. Tidak ada variabel bebas yang irelevan yang dimasukkan; e. Residu-residu berdistribusi normal dengan rerata 0 dan variasi ; f. Tidak ada korelasi antara variabel bebas dan residu; g. Tidak ada korelasi antara suku-suku sisa(residu-residu). Diantara ketujuh persyaratan tersebut, biasanya hanya dua persyaratan pertama yang harus diuji, sedangkan persyaratan lainnya cukup diasumsikan. 3. Hubungan antara dan Y linear dan berarti Hubungan antara dan Y harus linear, untuk setiap . Pengujian linearitas dengan Y perlu dilakukan, terlebih-lebih lagi kalau peneliti juga ingin menguji koefisien korelasi antara masing-masing variabel bebas dengan variabel terikat secara sendiri-sendiri. Ada dua keberartian yang diuji, adalah keberartian regresi dan keberartian koefisien regresi. Keberartian koefisien regresi ditunjukkan oleh berartinya setiap koefisien regresi (yaitu ). 4. Variabel-variabel Bebas Saling Independen Antara variabel-variabel bebas saling independen dalam arti bahwa antara masingmasing variabel bebas tidak saling berkorelasi cukup tinggi. Oleh karena itu, persyaratan ini

untuk i j. k Untuk k = 2. 2.. MENCARI PERSAMAAN REGRESI LINEAR GANDA DENGAN MENGGUNAKAN KOEFISIEN KORELASI Mencari persamaan regresi linear ganda adalah dengan menggunakan koefisien korelasi sederhana antara masing-masing variabel bebas dengan variabel terikatnya. = matriks kolom berdimensi k x 1 yang memuat koefisien regresi baku untuk j = 1. seperti pada analisis regresi linear sederhana. dengan menggunakan invers matriks. sebagai berikut: ̃ ̃* = ̃ Dengan ̃ adalah matriks persegi (bujur sangkar) berdimensi k x k. koefisien regresi baku dapat diperoleh dengan menyelesaikan sistem persamaan linear dalam . persamaan regresi normal bakunya adalah: [ ][ ]= [ ] dan dicari dengan rumus: Dari persamaan itu (untuk k=2).. beberapa literatur mengatakan bahwa suatu variabel bebas saling independen dengan variabel bebas yang lain jika koefisien korelasina kurang 0.disebut juga persyaratan otokorelasi untuk variabel bebas. Tidak ada patokan yang disepakati seberapa tinggi suatu korelasi disebut cukup tinggi. 3. dan dicari dengan menggunakan determinan orde tiga. dicari persamaan normal regresi bakunya... k. atau dengan menggunakan transformasi baris elemeter. . Persamaan normal regresi baku (PNRB) Y pada untuk j = 1. untuk i=j. untuk j = 1.. . 2. . 3. ̃ = matriks kolom berdimensi k x 1 yang memuat koefisien korelasi antara dengan Y. nilai . yaitu: ̃ ̃* 1. 3. B.. . nilai = = Untuk k = 3.. k. Persyaratan ini juga disebut persyaratan tidak adanya multikorelasi pada variabel bebas. persamaan regresi normal bakunya adalah: [ ][ ]=[ ] Selanjutnya. Pada kasus ini... yaitu untuk j = 1. = [ ] dengan = .8... 2. k adalah persamaan: = dengan = (yang disebut koefisien regresi baku untuk ) = deviasi baku untuk = deviasi baku untuk Y Dengan menggunakan metode kuadrat terkecil. Untuk itu. . . . 2.

570 + 0.402. = 1.686 +0. ̅ ̅ ̅ = 5.215.Perhatikanlah bahwa metriks simetris. yang berarti bahwa matriks ̃ adalah Contoh 1: Diketahui data berikut: 5 4 7 6 4 6 7 5 6 8 6 4 5 5 8 6 5 5 5 4 7 7 5 7 Y 6 5 8 6 5 6 6 5 7 8 6 5 Carilah persamaan regresi Y pada dan .385 ̂ = 0. maka regresinya adalah bidang regresi. = 6.570 + 0.686 + 0. C.686 + 0. = 0. CARA LAIN MENENTUKAN PERSAMAAN REGRESI LINEAR GANDA Ada cara lain untuk menentukan bidang persamaan regresi linear ganda dengan dua variabel bebas dan adalah sebagai berikut: ̂ = + + Dengan metode kuadrat terkecil.639 + 0.431 Dengan mensubstitusikan skor baru ke persamaan regresi normal baku diperoleh persamaan regresi Y pada dan sebagai berikut: ̂ ̅ ][ ]= [ ][ ] ]= [ ] = 0. . = 5. = 1. + + = .431 } ̂ = 6.084 sehingga persamaan normal regresi bakunya adalah: [ [ Diperoleh: = = = = = 0. dan dapat dicari dari 3 persamaan dengan 3 variabel berikut.707. koefisien .431 Persamaan regresi normal bakunya ialah: = + = 0. sehingga jika terdapat dua buah X.667. = untuk setiap i dan j.750. Solusi: Dengan menggunakan formula momen produk Karl Pearson akan diperoleh: = 0.083.639 + 0.868 ̂ = 0.385 bukanlah persamaan sebuah garis.083 + (1.084){0.859. namun persamaan sebuah bidang. = 0.686 = ̅ + ̅ ̂ = 0. = 1.303.

= 404. nilai dan disubstitsikan ke persamaan (4) diperoleh = 0... + + + 68 + 402 + 398 (3) – (2) 12 x (4) (1) + + + : -6 : 12 ...... dan dapat dicari dengan metode substitusi dan eliminasi... Tabel Kerja Untuk Mencari Persamaan Regresi ̂ = + + Y 5 5 6 25 30 30 25 25 36 4 5 5 20 20 25 16 25 25 7 8 8 56 56 64 49 64 64 6 6 6 36 36 36 36 36 36 4 5 5 20 20 25 16 25 25 6 5 6 30 36 30 36 25 36 7 5 6 35 42 30 49 25 36 5 4 5 20 25 20 25 16 25 6 7 7 42 42 49 36 49 49 8 7 8 56 64 56 64 49 64 6 5 6 30 36 30 36 25 36 4 7 5 28 20 35 16 47 25 68 69 73 398 427 430 404 413 457 = 68... = 427 . dan variabel ..... Oleh karena itu. Contoh 2 : Tentukan persamaan regresi linear data berikut.... Ada cara lain yang tampaknya lebuh mudah. atau dengan cara lain... = 427....... (5) 17 x (1) = 1241 3 x (2) = 1281 – = 40 ..72 : 12 + 68 -140 : + 1156 : + 1212 = 73 ..........385. + + + + + + + + + (1) (2) (3) = 3 ...... = 430 .. = 69.....5 x (6) : = 100 – = 63 .+ = + = Konstanta ..639 + + Biasanya menyelesaikan sistem persamaan linear dengan tiga peubah tidak cukup mudah. (4) = 36 .. = 398. Deviasi-deviasi itu adalah: ̅..639........... Nilai disubstitusikan ke persamaan (6) diperoleh = 0..... = 413...... yaitu dengan melibatkan deviasi dari ̅ ̅ ... sehingga persamaan regresi linearnya adalah: ̂ = 0.......570..... = 430. .... dengan invers matriks............ (6) (5) : -140 = -37 2.. .. dan Y. = 73 – = -37 .. = 73........ Solusi: Tabel 1... Akhirnya.... diperoleh persamaan: = 457.. ... (7) Dari persamaan (7) diperoleh = 0.

+ Seperti pada analisis regresi linear sederhana.750 = 398 – 391 = 427 – 413.. persamaan regresinya adalah ̂ = 0.639 + + D. = 427.750) = 0.Seperti halnya pada regresi linear sederhana. Solusi: Dari tabel Contoh 2 diperoleh: = 68.667) . MENENTUKAN PERSAMAAN REGRESI LINEAR GANDA SECARA UMUM Misal persamaan regresi adalah: ̂ = + + + + . = 5.083 – (0.083 = 404 = 413 = 398 = 427 = 430 = = = 404 – 385.385)(5.250 =7 = 13. = 73.̅ . Dari besaran-besaran itu.667. = 457.385 = 6. = 6.750 = 18.639 Jadi.333 = 10.(0. = 430. regresi linear ganda juga melalui sentroidnya. = 413.250 = = = 0. jumlah kuadrat residu dirumuskan sebagai berikut: D = = .570)(5.̅ Nilai dan dapat dicari dari: = Nilai jumlah kuadrat deviasi untuk masing-masing besaran dihitung dengan formula: = = – Contoh 3: Tentukan persamaan regresi linear data pada Contoh 2 dengan menggunakan masingmasing deviasi.667 = 430 – 419. diperoleh: ̅ ̅ ̅ = 5. sehingga dipenuhi: ̅ = + ̅ + ̅ Dari persamaan itu dicari dari: =̅. = 398.333 = 413 – 396. = 69.. = 404.750.667 = 16.570 = 0.

didefinisikan sebagai berikut: JKG = JKT – JKR Dapat diketahui bahwa jumlah kuadrat total dan jumlah kuadrat regresi berbentuk sebagai berikut: JKT = JKR = + + + ... dan jumlah kuadrat galat (residu). + = + + + ........... + + + .. Dengan sifat-sifat kalkulus kalkulus tertentu. . + = ... + = + + + .. = 0.05.. disajikan dengan JKT. jumlah kuadrat regresi.... : Hubungan linear ganda antara dan dengan Y berarti... : Hubungan linear ganda antara dan dengan Y tidak berarti....... diperoleh: = 73 dan = 457 Sehingga: JKT = = 457 = 12. Pada dasarnya uji keberartian regresi linear ganda adalah perluasan dari uji keberartian regresi linear sederhana...05.. ..917 Dari Contoh 2............. jumlah kuadrat regresi. = 10......546 ..... disajikan dengan JKR. n + + + ..250) = 11...570)(13. harus diuji keberartiannya dulu.385 Sehingga: JKR = + = (0... disajikan dengan JKG. jika D minimum..333....... = 0.. diperoleh: = 13.... .... + = Nilai .... UJI KEBERARTIAN REGRESI LINEAR GANDA Sebelum persamaan regresi linear digunakan untuk suatu keperluan.... jumlah kuadrat total..... maka akan diperoleh sistem persamaan berikut... Untuk itu didefinisikan jumlah kuadrat total. n – k – 1) Contoh 4: Ujilah keberartian regresi linear ganda yang diperoleh dari data pada Tabel 1 dengan = 0.. sehingga statistik uji untuk keberartian regresi adalah: F = = F(k. + Dari JKR dengan derajat kebebasan k dibentuk rerata kuadrat regresi (RKR). Komputasi: Dari Tabel 1..333) + (0....... Solusi: 1....250.. didefinisikan sebagai berikut: JKR = ̂ ̅ Jumlah kuadrat ganda... didefinisikan sebagai berikut: ̅ JKT = Untuk regresi linear ganda..385)(10..570......... Untuk regresi linear ganda.. 3...... dari JKG dengan derajat kebebasan n – k – 1 dibentuk rerata kuadrat galat (RKG)... dicari dari sistem persamaan di atas dengan berbagai cara penyelesaian persamaan linear.. = 0.. 2.Regresi linear ganda akan diperoleh jika D mencapai minimum.. E......

773 37.. . . sebagai variabel bebas. Kesimpulan : Hubungan linear ganda antara dan dengan Y berarti. Untuk .371. .. F.26 p < 0. didefinisikan: =√ dengan adalah koefisien determinasi dari korelasi linear ganda dengan sebagai variabel tergantung dan .917 11 4. KESALAHAN BAKU TAKSIRAN PADA REGRESI LINEAR GANDA Seperti halnya pada regresi linear sederhana. dan JKT tersebut dapat disusun rangkuman analisis variansinya seperti pada tabel berikut. =√ dengan adalah koefisien determinasi dari korelasi linear ganda dengan sebagai variabel tergantung . . untuk mengukur tingkat variabilitas si sekitar regresi didefinisikan kesalahan baku taksiran. . didefinisikan sebagai berikut. sehingga: =√ G. .JKG = JKT – JKR = 12. Solusi: Dari Contoh 4. =√ ̅ ̂ =√ Contoh 5: Carilah kesalahan baku regresi linear yang diperoleh dari Contoh 1. . Definisi 1: Kesalahan baku taksiran untuk regresi linear ganda. sebagai . disajikan dengan . didefinikan sebagai berikut.371 Dari JKR.98 4.917 – 11.. Kesalahan baku koefisien linear ganda pada regresi linear ganda.546 = 1. didefinisikan: =√ dengan adalah koefisien dari korelasi linear ganda dengan variabel tergantung dan . c. . Keputusan Uji: ditolak. Rangkuman Analisis Variansi Pada Uji Keberartian Sumber JK dk RK p Regresi Linear 11..546 2 5. 5. sebagaivariabel bebas.. . . b. . Untuk . disajikan dengan .. diperoleh JKG = 1. dengan 1 < m < k. JKG.390 KESALAHAN BAKU KOEFISIEN REGRESI PADA REGRESI LINEAR GANDA Definisi 2: a. Tabel 2.05 Galat 1.371 9 0.152 Total 12. =√ = 0.. sebagai variabel bebas.

. diperoleh: = = = = 5. diperoleh: = 0. . Solusi: a. .250 Dari Contoh 1.Khusus untuk kesalahan baku koefisien regresi linear ganda pada regresi dengan dua variabel bebas dan disajikan dengan . adalah sebagai berikut: =√ dengan adalah koefisien korelasi antara dan . maka hasil hipotesis nol ditolak.262}. Solusi: Dari Contoh 5.758 Karena DK = {t | t < atau t > } = {t| t < -2. Contoh 6: Carilah kesalahan baku untuk koefisien regresi yang diperoleh dari Contoh 1. uji hipotesisnya adalah uji hipotesis dua ekor. yang berarti bahwa berarti. diperoleh: = 18.402.632 Karena DK = {t | t < atau t > } = {t| t < -2. koefisien-koefisien regresinya (yaitu . sehingga = 0.570 Berdasarkan hasil perhitungan pada Contoh 6. . yang berarti bahwa berarti. maka hasil hipotesis nol ditolak.262}. Untuk = 0. . Untuk = 0.385 Berdasarkan hasil perhitungan pada Contoh 6 diperoleh: = = = = 3.390. Untuk menguji keberartian koefisien regresi digunakan statistik uji t = yaitu variabel random berdistribusi t dengan derajat kebebasan n – k – 1. Oleh karena itu: =√ =√ H.106 UJI KEBERARTIAN KOEFISIEN REGRESI LINEAR GANDA Agar regresi yang diperoleh bisa digunakan untuk melakukan prediksi secara cermat. diperoleh: = 0.. b. Contoh 7: Ujilah keberartian dari koefisien regresi yang diperoleh dari Contoh 1. = 0. ) perlu diuji keberartiannya.152 Dari Contoh 3.262 atau t > 2.009 = 0.667 dan = 16..262 atau t > 2. Untuk uji keberartian koefisien regresi ini yang diuji adalah pasangan hipotesis berikut: : = 0(koefisien tidak berarti) : 0(koefisien berarti) Jadi.

946 J. .707) =√ = 0. Jadi. didefinisikan sebagai berikut: = Dapat dibuktikan bahwa: = + Untuk k = 2. + dengan derajat kebebasan k dan n – k – 1. .. + + ..895 =√ = 0. Solusi: Untuk menjawab soal ini. Dalam formula tersebut... .894 = 0. disajikan dengan . . yang dimaksud . n – k – 1) adalah . ....686)(0.946 .. .I. . Cara I: = = =√ Cara II: = + = (0.431)(0. digunakan hasil perhitungan pada Contoh 1 dan Contoh 4. 0 1 dan 0 1 Contoh 8: Carilah koefisien korelasi dari Contoh 1.894 = 0. = 0. . disajikan dengan Definisi 3: Koefisien determinasi ganda Y pada . disajikan dengan .859) + (0. . .946 Cara III: = = = = = 0. dapat dibuktikan bahwa: = Definisi 4: Koefisien determinasi ganda Y pada didefinisikan sebagai berikut: =√ Dapat ditunjukkan bahwa baik nilai koefisien determinasi ganda maupun koefisien korelasi ganda mempunyai nilai minimum 0 dan nilai maksimum 1. .. . KOEFISIEN DETERMINASI DAN KOEFISIEN KORELASI LINEAR GANDA Koefisien determinasi ganda Y pada . UJI SIGNIFIKASI KOEFISIEN KORELASI LINEAR GANDA Uji signifikasi koefisien korelasi ganda dilakukan dengan menggunakan uji statistik F yang dirumuskan oleh: F = ~ F(k...

dan jumlah kuadrat galat (JKG) pada koefisien korelasi linear ganda didefinisikan sebagai berikut: JKT = ∑ JKR = ( )JKT JKG = (1 .)JKT Dalam formula di atas. Kesimpulan: Terdapat korelasi ganda antara dan dengan Y signifikan). . derajat kebebasan untuk JKR adalah k dan derajat kebebasan untuk JKG adalah n – k – 1. Komputasi: = 5.01. Statistik uji yang digunakan: F 4. DK = = = 37. ditolak 7. Definisi 5: Jumlah kuadrat total (JKT). perlu didefinisikan jumlah kuadrat regresi. Dalam kasus analisis korelasi linear ganda ini. = 0.25 = ~ F(k.Contoh 9: Ujilah signifikasi dari koefisien korelasi ganda yang diperoleh pada Contoh 1 jika digunakan = 0. dan jumlah kuadrat total. Daerah kritis: = 6. . sehingga rerata kuadrat masing-masing adalah: RKR = RKG = Statistik uji yang digunakan untuk menguji signifikasi korelasi linear ganda adalah: F = yang berdistribusi F dengan derajat kebebasan k dan n – k – 1. Keputusan Uji. : = 0 (tidak terdapat korelasi ganda antara dan dengan Y) : > 0 (terdapat korelasi ganda antara dan dengan Y) 2. n – k – 1) dan dengan Y (atau korelasi ganda antara Uji Signifikasi Menggunakan Analisis Variansi Jika uji signifikasi koefisien korelasi linear ganda dilakukan dengan menggunakan analisis variansi. jumlah kuadrat galat (residu).01. Contoh 10: Ujilah signifikasi dari koefisien korelasi ganda yang diperoleh pada Contoh 1 dengan menggunakan analisis variansi jika = 0. jumlah kuadrat regresi (JKR). yang dimaksud adalah . Solusi: 1.01 3.

894)(12. : = 0 (tidak terdapat korelasi ganda antara dan dengan Y) : > 0 (terdapat korelasi ganda antara dan dengan Y) 2.152 = 37.351 X1 0. Statistik uji yang digunakan: F = ~ F (k.000 X2 0. Kesimpulan: terdapat korelasi ganda antara dan dengan Y.083 = ( )JKT = (0. Daerah Kritis: = 8.917 11 6. n – k – 1) 4.98 = 5.09862 5. MTB > REGRESS Y ON 2 X1 X2 The regression equation is Y = 0.05 Galat 1.3853 0.917) =k =2 =n–k–1 = 12 – 2 – 1 = 9 = = 5. walaupun susunan hipotesisnya adalah tipe C.774 37.152 Total 12.774 = 0.385 X2 Predictor Coef Stdev t-ratio P Constant 0.78 0.98 0.3901 R-sq = 89.369 9 0.005 s = 0.917) = 11.59979 0. Kalau diperhatikan benar-benar.6491 0.548 2 5.369 RKG = .570 X1 + 0.4% R-sq(adj) = 87.02. Perhatikanlah bahwa pada hipotesis dituliskan = 0.98 8.917 = 1.01 3. Rangkuman Analisis Variansi Pada Uji Signifikasi Koefisien Korelasi Sumber JK dk RK p Regresi Linear 11. = 0.639 + 0.1057 3. dan = 38.65 0.894)(12. berikut ini ditampilkan keluaran (Print Out) dari paket program statistik MINITAB. Hal ini diperbolehkan karena sudah diketahui bahwa tidak mungkin negatif. beberapa hasil perhitungan pada contoh-contoh soal di muka tidak sama persis dengan hasil perhitungan komputer.02}. Keputusan Uji: ditolak 7. Sebagai tambahan gambaran mengenai uji regresi dan korelasi ganda ini. Komputasi: JKT JKR JKG dkR dkG RKR =∑ = 457 = 457 – 444.0 % ∑ = 12. Hal ini disebabkan karena adanya pembulatanpembulatan pada perhitungan manual. DK = {F| F>8.12 DK Tabel 4.548 =( )JKT = (1 – 0.Solusi: 1.02 p < 0.6389 0.

dan satu variabel terikat Y.000 Yang pertama ditampilkan oleh komputer adalah persamaan regresinya. yaitu: 1. Namun. Definisi 6: Sumbangan efektif. yaitu sumbangan efektif dan sumbangan relatis.5467 5.Analysis of Variance SOURCE Regression Error Total DF 2 9 11 SS MS F 11. Jika peneliti mempunyai 3 variabel bebas . .7734 3793 1.9167 P 0. peneliti dapat mempunyai 7 buah hipotesis alternatif.1522 12. Terdapat korelasi ganda antara dan dengan Y. disajikan dengan SR. Terdapat korelasi positif (atau negatif) dengan Y. maka peran tersebut hanya dilakukan oleh satu variabel bebas tersebut. dan sumbangan relatif. 4. Namun demikian. 2. Ada dua jenis sumbangan. 2. Kemudian ditampilkan hasil uji keberartian koefisien regresi. 7. Terdapat korelasi positif (atau negatif) dengan Y. Pada contoh itu. Terdapat korelasi positif (atau negatif) dengan Y. Bilangan s yang ditulis di bawah hasil uji keberartian itu adalah kesalahan buku taksiran. Terdapat korelasi ganda antara dan dengan Y. 5. jika terdapat beberapa variabel bebas (prediktor). disajikan dengan SE. Peneliti dapat memilih sebagian di antaranya sesuai dengan urgensi penelitiannya. Terdapat korelasi ganda antara dan dengan Y. yaitu: 1. maka dapat dihitung berapa sumbangan (kontribusi) masing-masing variabel bebas tersebut terhadap terbentunya regresi linear. Rangkuman Penelitian Pada Regresi dan Korelasi Linear Ganda Perhatikan kembali Contoh 1. dan R-sq (adj) adalah koefisien determinasi yang dirumuskan: R-sq(adj) =1- Rangkuman analisis variansi yang ditampilkan di atas. Terdapat korelasi ganda antara dan dengan Y. SUMBANGAN PREDIKTOR Di muka telah dibicarakan bahwa koefisien determinasi menjelaskan seberapa besar peran variabel-variabel bebas terhadap variabel berikut. R-sq adalah koefisiien determinasi. Jumlah sumbangan efektif untuk semua variabel sama dengan koefisien determinasi. adalah analisis variansi untuk uji keberartian regresi dan sekaligus uji signifikasi koefisien korelasi. K. Jika hanya ada variabel bebas. Terdapat korelasi positif (atau negatif) dengan Y. Pada penelitian dengan 2 variabel bebas tersebutm peneliti dapat mempunyai 3 hipotesis alternatif. dan dengan Y. 6. 3. terhadap terjadinya regresi linear pada regresi linear ganda dengan dua variabel bebas didefinisikan sebagai berikut: . Terdapat korelasi positif (atau negatif) dengan Y.3699 0. sedangkan jumlah sumbangan relatif untuk semua variabel bebasnya sama dengan satu (100%). . Terdapat korelasi ganda antara . terdapat 2 variabel bebas dan dan satu variabel bebas Y. peneliti tidak harus mempunyai 7 buah hipotesis tersebut. 3.

..SE(j) = SE(j) = dengan j = 1. 3. k dan = ... 2.

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)//-->