Click here to load reader
Upload
pandu-nugraha
View
116
Download
5
Embed Size (px)
DESCRIPTION
Multiple Regression
Citation preview
1
REGRESIREGRESI
2
Agenda Agenda pembahasanpembahasan
1. Pendahuluan1. Pemakaian software Mathcad2. Animasi gambar 3D
2. REGRESI:A. Arti modelB. Macam-macam jenis model:
1. Model matematik2. Model statistik
C. Sifat hubungan antar variabelD. Prediksi X Y
3
E. Dua bentuk persamaan Regresi: raw score vsstandardized score
F. Makna beberapa indikator: 1. Koef regresi parsial2. R2 persamaan (model fitness)3. Koef Korelasi semi parsial4. Koef korelasi parsial
G. Asumsi analisis regresi: 1. multikolenieritas, 2. heterogenitas, 3. linieritas, 4. Normaltias
H. Uji hipotesisI. Topik tk Lanjutan: Regresi 2 tahap, adanya variabel
moderating dan intervening, variabel kendali, variabel dumy
4
ARTI MODELARTI MODEL
• Penyederhanaan realita• Tiruan hal yg nyata
5
DuaDua macammacam model model dlmdlm risetriset
• Matematis:X = b1.A + b2.C (tanpa error term – sebuahkepastian)V = P x L x T
• Statistik:X = b1.A + b2.C + e (mengapa ada error term ?)
6
Model Model MenurutMenurut JumlahJumlah VariabelVariabelIndependenIndependen
• Model regresi sederhana (ordinary)• Model regresi berganda (multiple
regression)
7
SifatSifat HubunganHubungan AntarAntar VariabelVariabel
• Dari sisi arah hubunganSimetrisAsimetris
• Dari sisi keaslianAsli (sesungguhnya)Spurious/semu
8
PrediksiPrediksi
• Pelajari dulu polanya dari gambar scatter plot latihan dg Minitab
• Garis prediksi yg digunakan adalah garisyg memiliki error terendah
9
ADA MACAMADA MACAM--MACAM MACAM KEMUNGKINAN GARIS PREDIKSIKEMUNGKINAN GARIS PREDIKSI
Garis a
Garis b
10
A
B
ARTI “ERROR”
11
MetodeMetode Least SquareLeast Square
• Mencoba meminimalkan error ataumeminimalkan error yg tlh dikuadradkan (= SSE)
• Cara meminimalkan? Dg derivasi turunan= 0 dan derivasi turunan kedua < 0
• Tulis formula …
12
DuaDua bentukbentuk persamaanpersamaan regresiregresi
• Regresi dengan data asli (semula) Raw score regression equation– Y = a + b1.X1 + b2.X2
• Regresi dengan data distandarisasi(standardized score regression equation– Y = c1.x1 + c2.x2
Sudah tidak ada intersep
13
ElemenElemen GarisGaris RegresiRegresi1. Koefisien regresi (parsial)2. R2 persamaan (model fitness)3. Koef korelasi semi parsial4. Koef korelasi parsial
Coefficientsa
2.973 3.085 .964 .363.467 1.012 .226 .462 .657.730 .479 .745 1.525 .166
(Constant)X1X2
Model1
B Std. Error
UnstandardizedCoefficients
Beta
Standardized
Coefficients
t Sig.
Dependent Variable: Ya.
14
Coefficientsa
2.973 3.085 .964 .363.467 1.012 .226 .462 .657 .959 .161 .041.730 .479 .745 1.525 .166 .967 .475 .135
(ConstanX1X2
Mode1
B Std. Error
UnstandardizedCoefficients
Beta
Standardized
Coefficients
t Sig. Zero-orde Partial PartCorrelations
Dependent Variable: Ya.
15
Model Summary
.968a .937 .922 1.0189Model1
R R SquareAdjustedR Square
Std. Errorof the
Estimate
Predictors: (Constant), X2, X1a.
16
ASUMSI ANALISIS REGRESIASUMSI ANALISIS REGRESI
• Tdk Ada Multikolenieritas antara X1 & X2• Heterogenitas error term (variance error
hrs konstan)• Linieritas hubungan X dan Y• Normalitas error term• Error term random/tdk ada otokorelasi
17
UjiUji residualresiduallinieritaslinieritas dandan heterogenitasheterogenitas
Unstandardized Predicted Value
70000600005000040000300002000010000
Uns
tand
ardi
zed
Res
idua
l80000
60000
40000
20000
0
-20000
-40000
18
UjiUji MultikolenieritasMultikolenieritas
Coefficientsa
-20978.33087.258 -6.795 .0004020.343 210.650 .679 19.085 .000 .936 1.068
12.071 5.810 .074 2.078 .038 .936 1.068
(Constant)Educational Level (yPrevious Experience(months)
Model1
B Std. Error
UnstandardizedCoefficients
Beta
Standardized
Coefficients
t Sig. Tolerance VIFCollinearity Statistics
Dependent Variable: Current Salarya.
19
PekerjaanPekerjaan RumahRumah: : pelajaripelajari ujiujiotokorelasiotokorelasi dg Durbindg Durbin--Watson TestWatson Test
20
UjiUji NormalitasNormalitas
Normal P-P Plot of Regression Standardized Residual
Dependent Variable: Current Salary
Observed Cum Prob
1.00.75.50.250.00
Exp
ecte
d C
um P
rob
1.00
.75
.50
.25
0.00