Materi xii analisis korelasi dan regresi
Upcoming SlideShare
Loading in...5
×
 

Materi xii analisis korelasi dan regresi

on

  • 1,651 views

Metode Statistika

Metode Statistika

Statistics

Views

Total Views
1,651
Views on SlideShare
1,405
Embed Views
246

Actions

Likes
0
Downloads
28
Comments
0

5 Embeds 246

http://fsetiyawan.wordpress.com 129
http://kantinspirasi.blogspot.com 77
http://www.febrikasetiyawan.com 37
http://www.fsetiyawan.net 2
http://www.slashdocs.com 1

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Materi xii analisis korelasi dan regresi Materi xii analisis korelasi dan regresi Presentation Transcript

  • Metode StatistikaPertemuan XII Analisis Korelasi dan Regresi
  • Pengantar• Apa itu analisis regresi?• Apa bedanya dengan korelasi?Analisis Regresi  Analisis statistika yangmemanfaatkan hubungan antara dua atau lebihpeubah kuantitatif sehingga salah satu peubahdapat diramalkan dari peubah lainnya.
  • Korelasi View slide
  • Korelasi View slide
  • Korelasi
  • Koefisien Korelasi Pearson (r) S xy rxy = SxS y S xy = ∑ ( x − x )( y i i − y) n −1 Sx = ∑ ( xi − x ) 2 dan S y = ∑ ( yi − y ) 2 n −1 n −1
  • Korelasi !!!
  • ANALISIS REGRESI• Hubungan Antar Peubah: • Fungsional (deterministik)  Y=f(X) ; misalnya: Y=10X • Statistik (stokastik)  amatan tidak jatuh pas pada kurva Mis: IQ vs Prestasi, Berat vs Tinggi, Dosis Pupuk vs Produksi• Model regresi linier sederhana: Yi = β 0 + β1 X i + ε i ; i = 1,2,..., n
  • Regresi Makna β0 & β1 ?
  • Regresi
  • Analisis Regresi• Pendugaan terhadap koefisien regresi:  b0 penduga bagi β0 dan b1 penduga bagi β1 ( ∑ x )( ∑ y ) ∑ xy − n b1 = Metode (∑ x )2 ∑x2 − n Kuadrat Terkecil b0 = y − b1 xBagaimana Pengujian terhadap model regresi ?? • parsial (per koefisien)  uji-t • bersama  uji-F (Anova)Bagaimana menilai kesesuaian model ?? R2 (Koef. Determinasi: % keragaman Y yang mampu dijelaskan oleh X)
  • Contoh Data Percobaan dalam bidang lingkungan Jarak Emisi Apakah semakin tua mobil semakin 31 553 besar juga emisi HC yang 38 590 dihasilkan? 48 608 Diambil contoh 10 mobil secara 52 682 acak, kemudian dicatat jarak tempuh 63 752 yang sudah dijalani mobil (dalam 67 725 ribu kilometer) dan diukur Emisi HC- 75 834 nya (dalam ppm) 84 752 89 845 99 960 Emisi = 382 + 5.39 Jarak
  • Analisis Regresi Plot antara Emisi Hc (ppm) dg Jarak Tempuh Mobil (ribu kilometer) 950 850 Emisi 750 650 550 30 40 50 60 70 80 90 100 Jarak
  • Analisis RegresiContoh output regresi dengan Minitab (1) Regression Analysis (Emisi Hc vs Jarak Tempuh Mobil) The regression equation is Emisi = 382 + 5.39 Jarak Predictor Coef StDev T P Constant 381.95 42.40 9.01 0.000 Jarak 5.3893 0.6233 8.65 0.000 S = 42.01 R-Sq = 90.3% R-Sq(adj) = 89.1% Analysis of Variance Source DF SS MS F P Regression 1 131932 131932 74.76 0.000 Error 8 14118 1765 Total 9 146051 Unusual Observations Obs Jarak Emisi Fit StDev Fit Residual St Resid 8 84.0 752.0 834.7 18.0 -82.7 -2.18R R denotes an observation with a large standardized residual
  • Analisis RegresiBagaimana Pengujian terhadap model regresi ?? • parsial (per koefisien)  uji-t • bersama  uji-F (Anova)Bagaimana menilai kesesuaian model ?? R2  Koef. Determinasi (% keragaman Y yang mampu dijelaskan oleh X)
  • Uji Hipotesis H0 : β1=0 vs H1: β1≠0 ANOVA (Analysis of Variance)  Uji F n n n ∑ ( y i − y ) = ∑ ( yi − y ) + ∑ ( yi − yi ) 2 i =1 2 ˆ i =1 2 ˆ i =1 JK total = JK regresi + JK error Keragaman total = keragaman yang dapat dijelaskan oleh model + keragaman yang tidak dapat dijelaskan oleh model Anova Sumber db JK KT F Regresi 1 JKR KTR KTR/KTE Error n-2 JKE KTE   F ~ F (1,n-2) Total n-1 JKT    
  • Uji Hipotesis H0 : β1≤0 vs H1: β1>0 Uji Parsial b1 Statistik uji: T= Sb 1 s Sb1 = ∑ ( xi − x ) 2 s= ∑ ( yi − yi ) 2 ˆ n−2
  • ‘All models are wrong,but some are useful’(G. E. P. Box)