LATAR BELAKANG
ANALISIS REGRESI DAN KORELASI SEDERHANA
z Analisis regresi dan korelasi Æ mengkaji dan mengukur keterkaitan secara statistik antara dua atau lebih variabel. z Keterkaitan antara dua variabel Æ regresi dan korelasi sederhana. z Keterkaitan tiga atau lebih variabel Æ regresi dan korelasi multipel. z Variabel yang mempengaruhi perubahan Æ variabel bebas sumbu-X. z Variabel yang akan ditaksir Æ variabel tak bebas Æ sumbu-Y.
ANALISIS REGRESI DIAGRAM PENCAR
ANALISIS REGRESI DIAGRAM PENCAR
zKegunaan diagram pencar: Æ melihat kaitan antar variabel secara visual Æ membantu untuk menentukan jenis persamaan regresi yang akan digunakan
z Gambaran kaitan yang cukup kuat antara variabel X dan variabel Y Æ hubungan yang bersifat langsung Æ bila variabel X meningkat, maka variabel Y juga meningkat Æ hubungan linier positif.
1
ANALISIS REGRESI DIAGRAM PENCAR
ANALISIS REGRESI DIAGRAM PENCAR
z Hubungan linier positif dengan pencarn yang lebih besar Æ korelasi mengecil.
z Hubungan linier negatif (berlawanan)
ANALISIS REGRESI DIAGRAM PENCAR
ANALISIS REGRESI DIAGRAM PENCAR
z Keterkaitan dua variabel yang bersifat tidak linier dan mempunyai pola hubungan kurvilinier positif
z Hubungan kurvilinier negatif
2
ANALISIS REGRESI DIAGRAM PENCAR
ANALISIS REGRESI DIAGRAM PENCAR
z Hubungan kurvilinier
z Secara visual tidak terdapat hubungan
ANALISIS REGRESI PERSAMAAN REGRESI LINIER
ANALISIS REGRESI PERSAMAAN REGRESI LINIER
z Persamaan umum regresi untuk populasi:
z Model regresi yang paling sederhana:
Y = f (X1, X2,...,Xk θ1,θ2,...,θk ) θ : parameter yang terdapat dalam regresi dan perlu ditaksir untuk mendapatkan persamaan regresi dari sampel
Y = α + βX
α dan β ditaksir dengan a dan b Æ regresi berdasarkan sampel acak:
Yc = a + bX
a = intersepsi Yc bila X = 0 b = slope garis regresi X = nilai variabel bebas Yc = nilai variabel tak bebas yang dihitung dari persamaan regresi
3
ANALISIS REGRESI PERSAMAAN REGRESI LINIER
ANALISIS REGRESI PERSAMAAN REGRESI LINIER
z Metoda pencarian persamaan regresi yang paling sering digunakan Æ metode kuadrat terkecil (least square). z Garis regresi least square:
∑ (Y − Y ) = 0 ∑ (Y − Y ) = minimum c
2
c
Æ mengupayakan agar simpangan positif dari titik sebaran diatas garis, dihilangkan oleh simpangan negatif di bawah garis Æ jumlah = 0
ANALISIS REGRESI PERSAMAAN REGRESI LINIER
ANALISIS REGRESI GALAT BAKU DARI PENDUGA
z Nilai a dan b sebagai penaksir α dan β dihitung dengan:
z Asumsi yang diambil: (1) Model regresi mengalami koreksi Æ terdapat galat (ε) Æ model regresi:
b =
[n (∑ XY ) − (∑ X )(∑ Y )] [n (∑ X ) − (∑ X ) ] 2
2
a = Y m − bX
m
[(∑ Y )(∑ X ) − (∑ X )(∑ (n ∑ X ) − (∑ X ) 2
a =
2
Ym = X
n
∑Y
=
∑
2
XY
)]
Y = α + βX + ε
n X
m n = jumlah pasangan observasi
Kekeliruan Æ berbentuk variabel acak yang mengikuti distribusi normal dengan varian σx2
4
ANALISIS REGRESI GALAT BAKU DARI PENDUGA
ANALISIS REGRESI GALAT BAKU DARI PENDUGA
ANALISIS REGRESI GALAT BAKU DARI PENDUGA
ANALISIS REGRESI GALAT BAKU DARI PENDUGA
(2) Untuk setiap harga X yang diberikan Æ variabel tak-bebas Y adalah bebas dan terdistribusi normal dengan: rerata = α + βX varian = σy.x2 Æ varian-galat-baku Varian-galat-baku sama untuk setiap harga X Æ σε2 (varian-galat-taksiran) Æ ditaksir rerata-kuadrat-residu (sε2)
z Akar dari kuadrat residu Æ galat-baku-taksiran:
∑ (Y − Y )
2
s y . x = sε =
c
n−2
∑ (Y )
2
=
− a (∑ Y ) − b(∑ XY ) n−2
5
ANALISIS REGRESI REGRESI NONLINIER (KURVILINIER)
ANALISIS REGRESI REGRESI NONLINIER (KURVILINIER)
z Beberapa persamaan regresi nonlinier: (1) Persamaan parabola kuadratik:
(2) Persamaan kubik:
Yc = a + bX + cX
2
dengan metode kuadrat terkecil Æ a,b dan c dapat dihitung dengan substitusi:
∑Y = na+ b∑X + c∑X ∑XY = a∑X + b∑X + c∑X ∑X Y = a∑X + b∑X + c∑ X 2
2
2
2
2
2
3
4
ANALISIS REGRESI REGRESI NONLINIER (KURVILINIER) (3) Persamaan eksponensial: Y c = ab
∑Y = na + b∑ X + c∑ X + d ∑ X ∑ XY =a∑ X + b∑ X + c∑ X + d∑ X ∑ X Y =a∑ X + b∑ X + c∑ X + d∑ X ∑ X Y = a∑ X + b∑ X + c∑ X + d∑ X 2
3
3
Yc = a + bX + cX2 + dX3 untuk menentukan a,b dan c:
x
log Y c = log a + (log b )X
dengan menganggap: Y ' c = log Y c a ' = log a b ' = log b maka
2
3
3
3
3
4
4
4
5
5 6
ANALISIS REGRESI REGRESI NONLINIER (KURVILINIER) Model eksponensial Æ model pertumbuhan Æ diubah menjadi:
Y c = ae bx ln Y c = ln a + bX
Y'c = a'+b' X
6
ANALISIS REGRESI REGRESI NONLINIER (KURVILINIER) (4) Persamaan geometris:
Yc = aX
b
PENGUJIAN MODEL REGRESI z Bisa terdapat hubungan dengan slope = 0 Æ tidak ada korelasi
log Yc = log a + b log X (5) Persamaan hiperbola: Yc =
1
(a + bX )
atau 1 = a + bX Yc
PENGUJIAN MODEL REGRESI z Dapat pula terjadi pasangan data yang memberikan garis regresi yang baik Æ analisis regresi menggambarkan keterkaitan antar variabel bebas dan tak-bebasnya.
PENGUJIAN MODEL REGRESI zAsumsi yang digunakan: (1) nilai a dan b dalam persamaan adalah berasal dari sampel yang merupakan estimasi dari α dan β (2) untuk setiap nilai X Æ ada distribusi nilai-nilai Y dalam populasi Æ nilai-nilai tsb terpencar secara vertikal dari garis regresinya dan berdistribusi normal.
7
PENGUJIAN MODEL REGRESI
PENGUJIAN MODEL REGRESI (3) Setiap distribusi-distribusi nilai-nilai Y tsb. mempunyai simpangan baku yang sama. (4) Setiap nilai-nilai dalam distrubusidistribusi tersebut adalah bebas satu sama lain.
PENGUJIAN MODEL REGRESI
PENGUJIAN MODEL REGRESI
z Uji terdapatnya hubungan yang sebenarnya antara variabel X dan variabel Y Æ uji slope : H0: β = 0 H1: β ≠ 0 Rasio kritis : b − β H0 RK = sb
zSimpangan baku Æ ukuran penyebaran dari rerata. zGalat-baku-taksiran Æ ukuran penyebaran terhadap garis regresinya. zPada sampel yang banyak serta nilai-nilai Y berdistribusi normal Æ didapat garisgaris batas rentang Æ ± 1 sy.x, ± 2 sy.x, dan ± 3 sy.x.
(
sb =
)
s y. x
(∑ X )− (∑ X ) 2
2
n
8
PENGUJIAN MODEL REGRESI
PENGUJIAN MODEL REGRESI z Jumlah sampel cukup besar untuk sebuah harga X Æ rentang taksiran (n > 30): Y c ± Z (s y . x ) z Jumlah sampel kecil Æ rentang rata-rata output: Yc ± t α 2 s y . x
z Rentang output:
(a + bX) ± tα 2sy.x
( )
( )
(X
⎞ ⎟ ⎟ 2 ⎟ X) ⎟ n ⎠
− Xm)
2
g
⎜ ∑ ( X )2 − ⎝
(∑
ANALISIS KORELASI KOEFISIEN DETERMINASI (r2)
PENGUJIAN MODEL REGRESI
⎛ 2 ⎜ ( Xg − Xm ) 1 ⎜ 1+ + 2 n ⎜ ( X) 2 ∑ ⎜∑ X − n ⎝
⎛ ⎜
(1 n )+ ⎜⎜
⎞ ⎟ ⎟ ⎟ ⎟ ⎠
z Bila garis regresi digunakan sebagai dasar estimasi: * *
(Y −Y ) =(Y −Y ) +(Y −Y ) m
c
m
c
z Secara umum:
(Y −Ym) = (Yc −Ym) +(Y −Yc )
Æ total simpangan = simpangan dapat dijelaskan + simpangan tak terjelaskan
9
ANALISIS KORELASI KOEFISIEN DETERMINASI (r2)
ANALISIS KORELASI KOEFISIEN DETERMINASI (r2)
z Bila seluruh titik sebaran yang diperhatikan:
z Koefisien r2 Æ koefisien determinasi Æ ukuran banyaknya “total variasi” variabel Y yang dapat dijelaskan secara regresi, yang berpasangan dengan variabel X:
∑(Y −Y ) = ∑(Y −Y ) + ∑(Y −Y ) 2
m
2
c
m
2
c
Æ total variasi = variasi dapat dijelaskan + variasi tak terjelaskan SST = SSR + SSE
r 2 = SSR r
2
SST 2 c − Ym )
(Y =∑
∑ (Y − Y ) [a( X )+ b(∑ XY ) − n(Y ) ] = ∑ 2
m
2
r2
m
[∑ (Y )− n(Y ) ] 2
2
m
ANALISIS KORELASI KOEFISIEN KORELASI (r)
ANALISIS KORELASI KOEFISIEN KORELASI (r)
zKoefisien korelasi Æ akar dari koefisien determinasi Æ menyatakan skala kedekatan hubungan antara X dan Y. zBila r = 0 Æ tidak ada hubungan. zBila r = +1 atau r = -1 Æ terdapat hubungan yang sempurna.
10
KOEFISIEN DETERMINASI DAN KORELASI
KOEFISIEN DETERMINASI DAN KORELASI
KOEFISIEN DETERMINASI DAN KORELASI
KOEFISIEN DETERMINASI DAN KORELASI
11
KOEFISIEN DETERMINASI DAN KORELASI
REKAPITULASI
12