1
MAKALAH
MODEL-MODEL LEBIH RUMIT
DISUSUN OLEH : SRI SISKA WIRDANIYATI โ 12611125
JURUSAN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS ISLAM INDONESIA 2014
2
BAB I PENDAHULUAN
1.1 Latar Belakang Sejauh ini telah membahas secara rinci model linear ordo-pertama dengan satu peubah peramal. Selain dari itu juga sudah membahas tentang gagasan model yang memadai, uji ketidakpasan model, dan analisis matematis. Analisis matematis diucapkan dalam notasi matriks sehingga perluasan dari model-model ordo-pertama dengan satu peubah peramal ke model umum yang linear dalam parameter dan mengandung beberapa peubah peramal, dapat dilakukan secara efisien. Beberapa kriteria untuk pemeriksaan persamaan regresi berganda juga telah dibahas, dan rumus untuk selang kepercayaan bagi ๐ฝ dan nilai ramalan bagi ๐ telah ditunjukkan. Dalam makalah ini akan membahas berbagai ilustrasi model-model yang rumit. Sebagian model itu mengharuskan transformasi terhadap satu atau lebih peubahnya dan adapula yang menggunakan peubah boneka (dummy variable). 1.2 Rumusan Masalah 1.
Apakah kegunaan polinom ortogonal?
2.
Bagaimanakah persamaan regresi polinom ortogonal?
1.3 Tujuan 1.
Menjelaskan model polinom ortogonal untuk berbagai ordo
2.
Memberikan informasi mengenai kegunaan polinom ortogonal
3.
Menjelaskan pentransformasian matriks X untuk memperoleh kolomkolom ortogonal
4.
Menjelaskan persamaan regresi polinom ortogonal
3
BAB II LANDASAN TEORI
2.1 Model Polinom Berbagai Ordo Model linear yang paling umum dalam peubah-peubah ๐1 , ๐2 , โฆ , ๐๐ dapat dituliskan dalam bentuk: ๐ = ๐ฝ0 ๐0 + ๐ฝ1 ๐1 + ๐ฝ2 ๐2 + โฏ + ๐ฝ๐ ๐๐ + ๐
(2.1.1)
๐0 = 1 merupakan dummy variable yang selalu bernilai satu dan biasanya tidak dituliskan. Model-model polinom dapat terdiri dari ordo yang lebih dari dua. Berikut ini model polinom untuk berbagai ordo: 1. Model ordo-pertama Jika p = k dan ๐๐ = ๐๐ฝ , diperoleh model ordo-pertama dengan k peubah peramal : ๐ = ๐ฝ0 ๐0 + ๐ฝ1 ๐1 + ๐ฝ2 ๐2 + โฏ + ๐ฝ๐ ๐๐ + ๐
(2.1.2)
2. Model ordo-kedua Jika diketahui p = 5, ๐1 = ๐1 , ๐2 = ๐2 , ๐3 = ๐12 , ๐4 = ๐22 , ๐5 = ๐1 ๐2 , ๐ฝ3 = ๐ฝ11 , ๐ฝ4 = ๐ฝ22 , dan ๐ฝ5 = ๐ฝ12 diperoleh model ordo kedua dengan peubah peramal: ๐ = ๐ฝ0 ๐0 + ๐ฝ1 ๐1 + ๐ฝ2 ๐2 + ๐ฝ11 ๐1 + ๐ฝ22 ๐2 + ๐ฝ12 ๐๐ + ๐
(2.1.3)
3. Model ordo-ketiga Jika p = 9 dan identifikasi yang tepat dilakukan terhadap dan diperoleh model ordo-ordo ketiga dengan peubah peramal: ๐ = ๐ฝ0 ๐0 + ๐ฝ1 ๐1 + ๐ฝ2 ๐2 + ๐ฝ11 ๐12 + ๐ฝ12 ๐1 ๐2 + ๐ฝ22 ๐22 + ๐ฝ111 ๐ 3 + ๐ฝ112 ๐12 ๐2 + ๐ฝ122 ๐1 ๐22 + ๐ฝ222 ๐23 + ๐
(2.1.4)
Jika model ordo-kedua tidak memadai, model ordo-ketiga dicoba. Namun sebaiknya membiasakan menambahkan suku-suku berordo lebih tinggi. 2.2 Model yang Diperoleh Melalui Transformasi Tentang ๐ฟ๐ Saja
4
Model polinom yang terdapat pasal 2.1 melibatkan pangkat dan hasil kali pangkat pada peubah peramal ๐1 , ๐2 , โฆ , ๐๐ berikut akan dikemukakan beberapa jenis transformasi lain yang berguna di dalam pembentukan model. 1.
Model yang Diperoleh Melalui Transformasi Selain Pangkat Bulat a.
Transformasi resiprokal, dengan mengambi p = 2, ๐1 = 1/๐1 , ๐2 = 1/๐2 , maka diperoleh model: Y ๏ฝ ๏ข0 ๏ซ ๏ข1 (1 / X 1 ) ๏ซ ๏ข 2 (1 / X 2 ) ๏ซ ๏ฅ
b.
(2.2.1)
Transformasi logaritma, dengan mengambil p = 2, ๐1 = ๐๐ ๐1 , ๐2 = ๐๐ ๐2 , maka diperoleh model:
c.
Y ๏ฝ ๏ข0 ๏ซ ๏ข1 ln X 1 ๏ซ ๏ข 2 ln X 2 ๏ซ ๏ฅ Transformasi akar
(2.2.2)
Misalnya Y ๏ฝ ๏ข 0 ๏ซ ๏ข1 X 11/ 2 ๏ซ ๏ข 2 X 21/ 2. ๏ซ ๏ฅ
(2.2.3)
Tujuan transformasi semacam ini adalah agar dapat menggunakan model regresi yang bentuknya sederhana dalam peubah yang ditransformasikan, bukan model yang jauh lebih rumit dalam peubah asalnya. 2.
Model Nonlinear yang Secara Intrinsik Linear Jika suatu model adalah linear intrinsik, maka model ini dapat dinyatakan melalui transformasi yang tepat terhadap peubahnya ke dalam model linear baku. a.
Model Eksponensial ๐ = ๐ ๐ฝ0 +๐ฝ1 ๐1 +๐ฝ2 ๐2 . ๐
dengan
melogaritmakan
kedua
ruas
persamaan, maka diperoleh: ln Y ๏ฝ ๏ข 0 ๏ซ ๏ข1 X 1 ๏ซ ๏ข 2 X 2 ๏ซ ln ๏ฅ
b.
Model Resiprokal ๐=๐ฝ 1 ๐
c.
(2.2.4)
1 0 +๐ฝ 1 ๐1 +๐ฝ2 ๐2 +๐
dengan membalik persamaan, maka diperoleh:
= ๐ฝ0 + ๐ฝ1 ๐1 + ๐ฝ2 ๐2 + ๐
Model Eksponensial yang lebih rumit
(2.2.5)
5
1
๐ = 1+๐ ๐ฝ 0 +๐ฝ 1 ๐ 1 +๐ฝ 2 ๐ 2 +๐ dengan membalik dan mengurangi 1 dan kemudian melogaritmakan (dengan basis e) kedua ruas itu, maka diperoleh: ๏ฆ1 ๏ถ ln ๏ง ๏ญ 1๏ท ๏ฝ ๏ข 0 ๏ซ ๏ข1 X 1 ๏ซ ๏ข 2 X 2 ๏ซ ๏ฅ ๏จY ๏ธ
(2.2.6)
Tujuan transformasi teriterasi terhadap peubah tidak bebas untuk mengubah model nonlinear yang rumit menjadi model linear. Harus diingat bahwa analisis kuadrat terkecil diterapkan pada model yang telah ditransformasikan, sehingga keofisien regresinya merupakan โnilai kuadrat terkecilโ hanya dalam kaitan dengan model yang telah ditransformasi. 2.3 Famili Transformasi 1.
Transformasi pada Peubah Respons Suatu famili transformasi pada peubah respon Y (positif) diberikan oleh transformasi kuasa (power transformation) ๐=
๐ ๐ โ 1/๐, ๐ข๐๐ก๐ข๐ ๐ โ 0 ln ๐, ๐ข๐๐ก๐ข๐ ๐ = 0
(2.3.1)
Famili transformasi yang kontinu bergantung pada satu parameter, untuk menduga parameter ini maupun vektor paramater, model yang digunakan adalah sebagai berikut: (2.3.2)
๐ = ๐๐ฝ + ๐
Ada 2 cara menduga ๐, salah satunya dengan metode kemungkinan maksimum dengan asumsi ๐~๐(0, ๐ผ๐ 2 ). 2.
Metode Kemungkinan Maksimum untuk Penduga ๐ 1.
Pilih dari kisaran yang ditetapkan, biasanya berkisar (-2,2) atau (1,1) dan kemudian memperlebar kisaran bila diperlukan.
2.
Untuk ๐ yang terpilih, hitunglah dengan rumus sebagai berikut: 1
๐ฟ๐๐๐๐ ๐ = โ 2 ๐ ln ๐ 2 ๐ + ln ๐ฝ(๐, ๐) 3.
(2.3.4)
Untuk menggunakan ๐ dalam perhitungan dengan menggunakan salah satu nilai dalam barisan yang telah ditentukan pada metode I
6
yansg paling dekat dengan kemungkinan maksimum dengan memeriksa nilai yang ada dalam kisaran tersebut. 3.
Selang Kepercayaan Hampiran bagi ๐ Suatu ๐ selang kepercayaan hampiran bagi ๐ terdiri atas nilai-nilai yang memenuhi pertidaksamaan: 1
๐ฟ๐๐๐๐ ๐ โ ๐ฟ๐๐ ๐๐ ๐ โค 2 โค ๐12 (1 โ ๐ผ) Dimana
1 2
(2.3.5)
โค ๐12 (1 โ ๐ผ) adalah titik persentase sebaran khi-kuadrat
dengan satu derajat bebas yang luas wilayah di sebelah kanan sebesar ๐ผ. 4.
Pentingnya Pemeriksaan Sisaan Transformasi terhadap peubah respons mempengaruhi galat. Asumsi bahwa setelah transformasi, galat pada respons yang telah ditransformasi mengikuti sebaran ๐(0, ๐ผ๐ 2 ), maka sangat penting memeriksa sisaan model yang digunakan terkahir untuk melihat apakah ada gejala asumsi-asumsi yang dilanggar.
2.4 Penggunaan Peubah โBonekaโ dalam Regresi Berganda Peubah boneka (dummy variable) adalah variabel yang digunakan untuk mengkuantitatifkan variabel yang bersifat kualitatif yang bersifat kategonal yang diduga mempunyai pengaruh terhadap variabel yang bersifat kontinu. Untuk ilustrasi khusus dengan mempunyai dua gagasan data peubah repsons Y dan satu perubah peramal X dengan menggunakan model yang sama ๐ = ๐ฝ0 + ๐ฝ1 ๐ + ๐ฝ11 ๐ 2 + ๐. Dengan menentukan koefisien-koefisien salah satunya dengan cara menerapkan pada kedua gugus data, seperti model berikut: ๐ = ๐ฝ0 + ๐ฝ1 ๐ + ๐ฝ11 ๐ 2 + ๐ผ0 ๐ + ๐ผ1 ๐๐ + ๐ผ11 ๐ 2 ๐ + ๐
(2.4.1)
Dimana Z adalah peubah boneka dengan taraf 0 untuk gugus data yang satu dan 1 untuk gugus data yang lain. Uji kuadrat ekstra dengan memeriksa berbagai kemungkinan dengan cara sebagai berikut:
7
1.
๐ป0 : ๐ผ0 = ๐ผ1 = ๐ผ11 = 0 lawan ๐ป1 , setidaknya ada satu ๐ผ tidak sama dengan nol. Jika ๐ป0 ditolak maka model kedua gugus data tidak sama, jika ditolak anggap model untuk keduanya sama.
2.
Jika ๐ป0 ditolak (1) dengan menguji ๐ป0 : ๐ผ0 = ๐ผ1 = ๐ผ11 = 0 lawan ๐ป1 , setidaknya ada satu ๐ผ tidak sama dengan nol. Disimpulkan bahwa kedua gugus data hanya menunjukkan perbedaan taraf respons, namun mempunyai kemiringan yang sama.
3.
Jika ๐ป0 ditolak (2) dengan menguji ๐ป0 : ๐ผ11 = 0 lawan ๐ป1 : ๐ผ11 โ 0 dengan mengindikasikan tidak ditolaknya ๐ป0 pada suku-suku ordo kenol dan pertama.
2.5 Pemusatan dan Penyekalaan: Regresi dalam Bentuk Korelasi Bila dalam suatu model regresi hanya ada satu atau dua peubah peramal,
perhitungan
langsung
๐ = (๐ โฒ ๐)โ1 ๐โฒ๐,
biasanya
tidak
menimbulkan kesulitan asalkan angka-angka di belakang titik desimalnya tidak banyak yang dipotong selama proses perhitungannya. Ada dua penyebab kesalahan pembulatan sebagai berikut: 1.
Bilangan-bilangan yang terkait dalam proses perhitungan regresi sangat besar bedanya.
2.
Bila determinan suatu matriks kecil dibandingkan dengan bilanganbilangan lain dalam perhitungan itu, dikatakan berkondisi buruk (iil or badly conditioned). Bila diantara kolom-kolom matriks X terdapat ketidakbebasan, artinya
bila satu (atau lebih) kolom dapat diucapkan sebagai kombinasi linear kolomkolom lainnya, maka det ๐ โฒ ๐ = 0. Bila kebergantungan atau ketidakbebasan itu tidak berlaku sepenuhnya, pengkondisian buruk terjadi pada ๐ โฒ ๐ dan kedua pilihan di atas harus tetap diambil atau diterapkan teknik regresi gulud. Maka untuk memperbaiki bentuk perhitungan tersebut harus dilakukan suatu langkah-langkah yang bisa diambil. Langkah-langkah yang dimaksud adalah pemusatan data dan penggunaan matrisk korelasi alih-alih matriks ๐ โฒ ๐.
8
1.
Pemusatan Misalkan mempunyai matriks data berbentuk di bawah ini, berikut dengan nilai tengah kolomnya: ๐0
๐1
๐2
โฆ
๐๐
๐
1
๐11
๐21
โฆ
๐๐1
๐1
1
๐12
๐22
โฆ
๐๐1
๐2
โฆ
โฆ
โฆ
โฆ
โฆ
โฆ
1
๐1๐
๐2๐
โฆ
๐๐๐
๐๐
Jumlah Kolom
๐1๐
Nilai Tengah
๐1
๐2๐
โฆ โฆ
๐2
๐๐๐
๐๐
๐๐
๐
Sehingga model diperoleh sebagai berikut: (2.5.1)
๐ = ๐ฝ0 + ๐ฝ1 ๐1 + ๐ฝ2 ๐2 + โฏ + ๐ฝ๐ ๐๐ + ๐ Selanjutnya model ini dituliskan dalam bentuk lain: ๐ = ๐ฝ0 + ๐ฝ1 ๐1 + ๐ฝ2 ๐2 + โฏ + ๐ฝ๐ ๐๐ + ๐ + ๐ฝ1 ๐1 โ ๐1 +
(2.5.2)
๐ฝ2 ๐2 โ ๐2 + โฏ + ๐ฝ๐ ๐๐ โ ๐๐ + ๐
Dimana ๐1 , ๐2 , โฆ , ๐๐ adalah nilai tengah yang dihitung dari data. Karena ini selalu benar dan karena
๐๐๐ โ ๐๐ ๐๐ =
๐๐๐ โ ๐๐ ๐๐ โ ๐
suku ekstranya menjadi ๐๐ง๐ = 0, dapat menduga model: (2.5.3)
๐ โ ๐ = ๐ฝ1 ๐1 โ ๐1 + ๐ฝ2 ๐2 โ ๐2 + โฏ + ๐ฝ๐ ๐๐ โ ๐๐ + ๐โฒ 2.
Matriks Korelasi Korelasi ๐ ๐๐ฆ =
๐ ๐ =1
antara
๐๐๐ โ ๐๐
๐1
dan
๐2
adalah ๐๐๐ฆ =
๐12
1
dengan
๐๐๐ ๐๐ฆ๐ฆ 2
๐๐ โ ๐ sebagai korelasi ๐๐ dengan ๐, maka
persamaan baru model ini menjadi: ๐1๐ฆ 1 ๐12 ๐1 = ๐2๐ฆ ๐21 1 ๐2
(2.5.4)
2 Dimana ๐1 = (๐1๐ฆ -๐12 ๐2๐ฆ) /๐ท, ๐2 = (๐2๐ฆ -๐12 ๐1๐ฆ) /๐ท, dan ๐ท = 1 โ ๐12 .
2.6 Polinom Ortogonal
9
Polinom ortogonal digunakan untuk menduga model polinom ordo berapa pun di dalam satu peubah. Gagasan yang mendasarinya adalah sebagai berikut. Misalkan mempunyai n
amatan (๐๐ , ๐๐ ), ๐ = 1,2, โฆ , ๐, dengan X
sebagai peubah peramal dan Y sebagai peubah respons. Misalkan pula kita menduga model ๐ = ๐ฝ0 + ๐ฝ1 ๐ + ๐ฝ2 ๐ 2 + โฏ + ๐ฝ๐ ๐ ๐ + ๐
(2.6.1)
Besar kemungkinan kolom-kolom matriks-X yang dihasilkan tidak ortogonal. Jika kemudian menambahkan suku ๐ฝ๐+1 ๐ ๐+1 ke dalam model semula, nilai-nilai dugaan bagi koefisien regresi lainnya juga akan berubah. Akan tetapi jika membentuk polinom-polinom yang berbentuk ๐0 ๐๐ = 1
polinom ordo-kenol
๐1 ๐๐ = ๐1 ๐๐ + ๐1
polinom ordo-pertama
๐2 ๐๐ = ๐2 ๐๐2 + ๐2 ๐๐ + ๐
2
polinom ordo-kedua
. . . ๐๐ ๐๐ = ๐๐ ๐๐๐ + ๐๐ ๐๐๐โ1 + โฏ + ๐๐
polinom ordo ke-r
Dengan sifat bahwa polinom-polinom itu ortogonal, artinya ๐ ๐=1 ๐๐
(2.6.2)
๐๐ ๐๐ ๐๐ = 0 ๐ โ ๐ ,
Untuk semua ๐, ๐ < ๐ โ 1, maka dapat menuliskan model semula menjadi ๐ = ๐ผ0 ๐0 ๐ + ๐ผ1 ๐1 ๐ + โฏ + ๐ผ๐ ๐๐ ๐ + ๐.
(2.6.3)
Dengan demikian matriks-X nya adalah 1 ๐= 1 โฎ 1
๐2 ๐1
๐1 ๐1 ๐1 ๐2
๐2 ๐2
๐1 ๐๐
๐2 ๐๐
โฆ ๐๐ ๐1 โฆ ๐๐ ๐2 โฆ โฆ ๐๐ ๐๐
(2.6.4)
Sehingga ๐ด00
0 ๐ด11
๐โฒ ๐ =
(2.6.5)
๐ด22 โฑ 0
๐ด๐๐
10
Dimana ๐ด๐๐ =
๐ ๐ =1
๐๐ ๐๐
2
karena semua suku di luar diagonal
menurut persamaan (2.6.2) karena matriks kebalikan (๐ โฒ ๐)โ1 juga diagonal dan diperoleh dengan cara membalik setiap unsur diagonal matriks (๐ โฒ ๐), maka melalu metode kuadrat terkecil diperoleh nilai dugaan bagi ๐ผ๐ , yaitu ๐ผ๐ = =
๐ ๐=1 ๐ ๐ ๐ ๐ ๐ ๐ 2 ๐ ๐=1 ๐ ๐ ๐ ๐
, ๐ = 0,1, 2, โฆ , ๐
๐ด๐๐
(2.6.6)
๐ด๐๐
Dengan notasi yang maksudnya jelas. Karena ๐ ๐ = (๐ โฒ ๐)โ1 ๐ 2 untuk model regresi secara umum maka jelaslah bahwa ragam bagi ๐๐ adalah ๐ ๐๐ =
๐2
(2.6.7)
๐ด๐๐
Dan seperti biasanya ๐ 2 diduga dari tabel analisis ragamnya. Jumlah kuadrat untuk ๐๐ dihitung menurut rumus ๐ฝ๐พ ๐๐ =
๐ด2๐๐
(2.6.8)
๐ด๐๐
Sehingga disusun tabel analisis ragam sebagai berikut: Tabel 2.1 Analisis Ragam Sumber
Db
JK
KT
๐0 (nilai tengah)
1
๐ฝ๐พ๐0
-
๐1
1
๐ฝ๐พ๐1
๐ฝ๐พ๐1
๐2
1
๐ฝ๐พ๐2
๐ฝ๐พ๐2
โฎ
โฎ
โฎ
โฎ
๐๐
1
๐ฝ๐พ๐๐
๐ฝ๐พ๐๐
Sisa
n-p-1
Melalui pengurangan
๐ 2
Total
N
๐ 2 ๐=1 ๐๐
Sumber: Analisis Regresi Terapan Norman Draper Harry Smith
11
2.7 Pentransformasian
Matriks
X
untuk
Memperoleh
Kolom-kolom
Ortogonal Matriks X dalam masalah regresi haruslah memiliki kolom-kolom yang tidak saling berkombinasi, begitu juga dengan barisnya. Banyaknya baris yang tidak saling tergantung sama banyaknya dengan parameter yang harus diduga. Untuk mendeteksi keterkaitan pada masalah regresi sering kali sulit. Jika terdapat ketergantungan maka matriks XโX-nya akan singular sehingga tidak dapat balik. Bila kolom-kolom matriks X hampir saling tergantung, matriks XโX-nya akan hampir singular sehingga kesalahan dalam pembalikan dan pembulatannya akan menjadi sulit juga. Salah satu prosedur yang dapat diprogramkan dan digunakan sebagai pengecakan rutin terhadap matriks X (apakah untuk semua kasus atau kasus yang dicurigai saja) adalah berupa pentransformasian berturut-turut kolomkolomnya sehingga setiap kolom yang baru ortogonal terhadap semua kolom sebelumnya yang telah ditransformasi, sehingga dapat diketahui bahwa: 1.
Kalau ada ketergantungan kolom, maka nilai kolom tersebut adalah 0.
2.
Kalau kolom hampir tergantung, maka akan diperoleh kolom yang unsurnya sangat kecil atau bahkan ada beberapa 0.
Transformasi kolom berlangsung sebagai berikut: ๐๐๐ = ๐๐ โ ๐ ๐ โฒ ๐
โ1
โ ๐โฒ๐๐
(2.7.1)
Dimana: ๐
= matriks vektor kolom yang telah ditransformasikan
๐๐
= vektor kolom yang akan ditransformasikan berikutnya
๐๐๐ = vektor yang telah ditransformasi yang ortogonal terhadap vektorvektor yang sudah ada dalam ๐
12
Untuk mengilustrasikan proses ini menggunakan kasus khusus yang akan membawa memperoleh polinom ortogonal untuk ๐ = 5. Misalkan nilainilai ๐ dicatat pada ๐ =1,2,3, dan 5 dan model yang dipostulatkan adalah ๐ = ๐ฝ0 + ๐ฝ1 ๐ + ๐ฝ2 ๐ 2 + ๐ฝ3 ๐ 3 + ๐
(2.7.2)
Matriks ๐ asalnya adalah 1 1 ๐= 1 1 1
1 1 2 4 3 9 4 16 5 25
1 8 27 64 125
(2.7.3)
Kemudian pada tahap pertama ambil satu vektor kolom untuk memprosesnya, sehingga
1.
2.
3.
1 1 ๐1๐ = 1 = ๐ 1 1 1 2 ๐2 = 3 4 5
(2.7.4)
(2.7.5)
Maka menurut persamaan (2.7.1), maka ๐2๐
3 1 โ2 2 3 โ1 3 โ 3 = 0 4 3 1 5 3 2
Sehingga diperoleh ๐ = ๐1๐ , ๐2๐
1 1 2 1 = 3 โ 1 4 1 5 1
(5)โ1 โ(15)
=
(2.7.6)
1 โ2 1 โ1 0 = 1 1 1 1 2
(2.7.7)
13
Cara perhitungan untuk kolom ke-3 dan 4 juga sama, hingga diperoleh hasil akhir 1 โ2 1 โ1 1 0 1 1 1 2
2 โ1 โ2 โ1 2
โ1.2 2.4 0 โ2.4 1.2
(2.7.8)
Dari proses tersebut dapat diketahui bahwa: 1.
Tiga kolom pertama adalah ๐0 , ๐1 , ๐2 yakni polinom ortogonal ordo kenol, pertama, dan kedua untuk ๐ = 5. Kolom keempat adalah 1.2 kali ๐3 , polinom ortogonal ordo ketiga untuk ๐ = 5.
2.
Proses ini berlaku umum. Ketergantungan kolom juga dapat dideteksi dengan memperhatikan determinasi matriks ๐โฒ๐-nya (matriks korelasinya) adalah 0.
3.
Kelebihan prosedur ini adalah bisa menunjukkan pada kolom-kolom yang bersifat tergantung.
2.8 Analisis Regresi untuk Data Ringkasan Misalkan
mempunyai
gugus
๐
amatan
berulang
๐๐๐ข , ๐ข = 1,2, โฆ , ๐๐ , ๐ = 1,2, โฆ , ๐, namun karena datanya telah diringkaskan, amatan aslinya tidak lagi diketahui melainkan ๐ rata-rata ๐๐ dan ๐ ragam contoh (yang merupakan dugaan bagi ๐ 2 adalah ๐ ๐2 =
๐๐ ๐ข
๐๐๐ข โ ๐๐ 2 /(๐๐ โ 1)
(2.8.1)
Untuk tujuan memperoleh koefisien regresi, maka lanjutkan seolah-olah ๐๐๐ข = ๐๐ . Misalkan jika ๐๐ adalah rataan antara seluruhnya, maka sumbangan pada ๐๐
2
jumlah kuadrat
terkoreksi (yang
salah)
= ๐๐ ๐๐ โ ๐ 2 , padahal sesungguhnya adalah Akan
๐๐ ๐ข =1{
tetapi
dapat
ditunjukkan
๐๐๐ข โ ๐๐ + ๐๐๐ข โ ๐๐ } =
๐๐ ๐ข =1
๐๐๐ข โ ๐๐
๐๐ ๐ข =1
menjadi 2
๐๐ ๐ข =1
menjadi
๐๐๐ข โ
๐๐๐ข โ ๐๐ 2 . ๐๐ ๐ข =1
๐๐๐ข โ ๐๐
2
=
= ๐๐ ๐๐ โ ๐ 2 .
Karena suku hasil kali saling menghilangkan dalam proses penjumlahan itu. Untuk memperoleh sumbangan yang benar maka harus menambahkan ๐๐ ๐๐ โ ๐
2
besaran
๐๐ ๐ข =1
๐๐๐ข โ ๐๐
2
= (๐๐ โ 1)/ ๐ ๐2 .
14
BAB III PEMBAHASAN
3.1 Soal Studi Kasus Diketahui data tahunan suatu perusahaan sebagai berikut: Tabel 3.1 Data Tahunan x (tahun)
1980
1981
1982
1983
1984
1985
y (hasil)
10,0
11,2
13,5
15,4
16,3
16,8
Sumber: Analisis Regresi RK Sembiring Dengan menggunakan polinom ortogonal, tentukan persamaan polinom ordo-ketiga dan tariklah kesimpulan yang memadai atau tidaknya model tersebut? 3.2 Penyelesaian Studi Kasus Tabel 3.2 Koefisien Polinom Ortogonal n=5
๐
{๐1 (๐๐ )2
n=6
๐๐
๐1
๐2
๐3
๐4
๐1
๐2
๐3
๐4
๐5
๐1
๐2
๐3
๐4
๐5
1
-2
2
-1
1
-5
5
-5
1
-1
-3
5
-1
3
-1
1
2
-1
-1
2
-4
-3
-1
7
-3
5
-2
0
1
-7
4
-6
3
0
-2
0
6
-1
-4
4
2
-10
-1
-3
1
1
-5
15
4
1
-1
-2
-4
1
-4
-4
2
10
0
-4
0
6
0
-20
5
2
2
1
1
3
-1
-7
-3
-5
1
-3
-1
1
5
15
5
5
5
1
1
2
0
-1
-7
-4
-6
3
5
1
3
1
1
6
๐ =1
n=7
7
๐
๐6
10
14
10
70
70
84
180
28
252
28
84
6
154
84
924
1
1
5 6
36 12
2
3 2
5 3
7 12
21 10
1
1
1 6
7 12
7 20
77 60
Sumber: Analisis regresi terapan Norman Draper Harry Smith Pada tabel 3.2 untuk ๐ = 6, dapat dibaca nilai polinom ๐1 , ๐2 , ๐3 , ๐4 , dan
๐5
pada
masing-masing
ditransformasikan), nilai
๐ฅ1 , โฆ , ๐ฅ6
๐ 2 ๐ =1 ๐๐ (๐ฅ๐ ),
(setelah
peubah
bebas
๐ฅ
dan nilai koefisien ๐1 , ๐2 , ๐3 , ๐4 , dan
๐5 . Berikut diberikan kelima polinom ortogonal bila ๐ฅ menyatakan ratarata ๐ฅ yang semula dan ๐ jarak antara pengamatan ๐ฅ๐ , ๐ = 1,2, โฆ , ๐.
15
๐0 ๐ฅ๐ = 1 ๐ฅ ๐ โ๐ฅ
๐1 ๐ฅ๐ = ๐1
๐ ๐ฅ ๐ โ๐ฅ 2
๐2 ๐ฅ๐ = ๐2
๐ ๐ฅ ๐ โ๐ฅ 3
๐3 ๐ฅ๐ = ๐3
๐ ๐ฅ ๐ โ๐ฅ 4
๐4 ๐ฅ๐ = ๐4
๐
โ โ โ
๐ 2 โ1 12 ๐ฅ ๐ โ๐ฅ
3๐ 2 โ7
๐
20
๐ฅ ๐ โ๐ฅ 2
3๐ 2 โ13
๐
14
+
3(๐ 2 โ1)(๐ 2 โ9) 560
Misalkan dicobakan model: ๐ฆ๐ = ๐0 + ๐1 ๐1 ๐ฅ๐ + ๐2 ๐2 ๐ฅ๐ + ๐3 ๐2 ๐ฅ๐ ๐ 2 ๐ =1 ๐๐ (๐ฅ๐ )
Dari tabel 3.1 untuk untuk ๐ = 6, dapat dibaca
dan ๐๐
untuk ๐ = 1,2,3,4,5. Jadi (lihat persamaan (2.6.5)) 6 ๐โฒ ๐ = 0 0 0 ๐โฒ ๐ =
0 0 0 70 0 0 0 84 0 0 0 180 ๐0 (๐ฅ๐ )๐ฆ๐ 83,2 ๐1 (๐ฅ๐ )๐ฆ๐ 51,2 = โ9,1 ๐2 (๐ฅ๐ )๐ฆ๐ โ9,3 ๐3 (๐ฅ๐ )๐ฆ๐
Sehingga diperoleh 1 6
๐ = ๐โฒ ๐
โ1
๐โฒ ๐ =
0
0 1 70
0
0
0
0
0 0 0
0
1
0
84
0
1
83,2 51,2 โ9,1 โ9,3
=
13,87 0,73 โ0,11 โ0,05
180
Jadi diperoleh persamaan ๐ฆ๐ = 13,87 + 0,73๐1 ๐ฅ๐ โ 0,11๐2 ๐ฅ๐ โ 0,05๐2 ๐ฅ๐ Tabel 3.3 Tabel Analisis Variansi Sumber Regresi Sisa Total
JK 38,915 0,158 39,073
dk 3 2 5
KT 12,972 0,079
F 164,35
๐ 0,06
16
Tabel analisis variansi diberikan di tabel 3.3 kecocokan model polinom derajat 3 terlihat sangat baik dengan data, tetapi dari segi kesederhanaan model barangkali lebih baik menggunakan model polinom berderajat 2, atau mungkin sebaiknya derajat satu saja. Hal ini mengingat ukurannya hanya ๐ = 6. Mengambil model derajat 3 berarti memberi kepercayaan yang nisbi tinggi pada data yang dipinggir.
17
BAB IV KESIMPULAN
Polinom ortogonal digunakan dalam menghampiri suatu kurva, artinya suatu kurva selalu dapat dihampiri oleh suatu deret polinom. Melalui polinom ordokedua dapat dibuat suatu garis lurus, melalui polinom ordo-ketiga dapat dibuat suatu parabol, dan seterusnya atau melalui n titik dapat dibuat suatu polinom derajat n-1. Persamaan regresi polinom ortogonal menginginkan derajat serendah mungkin tapi dengan kecocokan yang cukup tinggi. Kesederhanaan model akan selalu merupakan pegangan umum dalam pembentukan suatu model, maka makin sederhana suatu model makin baik model tersebut. Model polinom ortogonal dituliskan ๐ = ๐ผ0 ๐0 ๐ + ๐ผ1 ๐1 ๐ + โฏ + ๐ผ๐ ๐๐ ๐ + ๐.
18
DAFTAR PUSTAKA
Drapher, Norman and Smith, Harry. 1992. Analisis Regresi Terapan Edisi Kedua. PT Gramedia Pustaka Utama: Jakarta Sembiring, R. K. 1995. Analisis Regresi Edisi Kedua. Penerbit ITB: Bandung