Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Tugas regresi sas

738 views

Published on

Regresi menggunakan program SAS beserta penjelasan setiap langkah.

Published in: Data & Analytics
  • Be the first to comment

  • Be the first to like this

Tugas regresi sas

  1. 1. Indah Nurina Fitri Hapsari / 10110094/ MA ITB 2010 12.48 FORWARD SELECTION STEP 1: Model R-square: 𝑅2 = 𝑆𝑆𝑅 𝑆𝑆𝑇 F value: 𝑓 = 𝑆𝑆𝑅/1 𝑆𝑆𝐸/(𝑛 βˆ’ 2) Type II SS correspond to the R notation in which each effect is adjusted for all other appropriate effects. Kita Pilih variabel yang memberikan 𝑅2 terbesar atau 𝑓 terbesar. Maka kita pilih π‘₯1 untuk dimasukkan dalam model. Cek signifiikansi melalui nilai p-value. Karena nilai p-value lebih kecil dari tingkat signifikansi (𝛼=0.05) maka kita masukkan π‘₯1 ke dalam model. Sehingga diperoleh model untuk step 𝑦 = βˆ’6.33592 + 0.33738 π‘₯1 STEP 2 Pilih variabel yang memberikan kenaikan 𝑅2 terbesar apabila variabel tersebut dimasukkan ke dalam model yang diperoleh pada step 1. Maka kita pilih π‘₯2 untuk dimasukkan dalam model. Cek melalui nilai p-value untuk π‘₯2 , dengan:
  2. 2. Indah Nurina Fitri Hapsari / 10110094/ MA ITB 2010 𝑓 = 𝑅(𝛽2|𝛽1) 𝑠2 Karena nilai p-value lebih besar dari nilai signifikansi yang kita inginkan (𝛼 = 0.05) maka π‘₯2 tidak dimasukkan dalam model. Maka diperoleh model akhir: 𝑦 = βˆ’6.33592 + 0.33738 π‘₯1 Summary BACKWARD ELIMINATION STEP 0: Full model dengan semua variabel dimasukkan ke dalam model. Persamaan regresi yang diperoleh 𝑦 = 3.32046 + 0.42105π‘₯1 βˆ’ 0.29578 π‘₯2 βˆ’ 0.01638 π‘₯3 + 0.12465 π‘₯4 STEP 1 Dari tabel pada step 0, pilih variabel yang memiliki Type II SS (Restricted SSR) terkecil sebagai kandidat yang akan dikeluarkan dari model (yaitu π‘₯3 ). Karena π‘₯3 memiliki p-value yang terbesar dan diatas tingkat signifikansi yang telah ditentukan (𝛼 = 0.05) dengan: 𝑓 = 𝑅(𝛽3|𝛽1 𝛽2 𝛽4) 𝑆𝑆𝐸 12 βˆ’ 5
  3. 3. Indah Nurina Fitri Hapsari / 10110094/ MA ITB 2010 Maka π‘₯3 dikeluarkan dari model. Sehingga model menjadi 𝑦 = 3.63778 + 0.42258 π‘₯1 βˆ’ 0.29747 π‘₯2 + 0.13248 π‘₯4 STEP2 Dari tabel terakhir di step 1, kita pilih lagi variabel yang memberikan TypeII SS terkecil (selain intercept), yaitu π‘₯4 sebagai kandidat yang akan dikeluarkan dari model. Karena π‘₯4 memiliki p-value yang terbesar dan diatas tingkat signifikansi yang telah ditentukan (𝛼 = 0.05) dengan: 𝑓 = 𝑅(𝛽4|𝛽1 𝛽2) 𝑆𝑆𝐸 12 βˆ’ 4 Maka π‘₯4 dikeluarkan dari model. Sehingga model menjadi: 𝑦 = 1.42449 + 0.4206 π‘₯1 βˆ’ 0.21436 π‘₯2 STEP 3 Dari tabel terakhir di step 2, kita pilih lagi variabel yang memberikan TypeII SS terkecil (selain intercept), yaitu π‘₯2 sebagai kandidat yang akan dikeluarkan dari model. Karena π‘₯2 memiliki p-value yang terbesar dan diatas tingkat signifikansi yang telah ditentukan (𝛼 = 0.05) dengan: 𝑓 = 𝑅(𝛽2|𝛽1 ) 𝑆𝑆𝐸 12 βˆ’ 3 Maka π‘₯2 dikeluarkan dari model.
  4. 4. Indah Nurina Fitri Hapsari / 10110094/ MA ITB 2010 Sehingga model menjadi: 𝑦 = βˆ’6.33592 + 0.33738 π‘₯1 Step 4 Dari tabel terakhir di step 3, kita pilih lagi variabel yang memberikan TypeII SS terkecil (selain intercept), yaitu π‘₯1 sebagai kandidat yang akan dikeluarkan dari model. Karena π‘₯1 memiliki p-value dibawah tingkat signifikansi yang telah ditentukan (𝛼 = 0.05), maka step berakhir. Summary 𝑦 = βˆ’6.33592 + 0.33738 π‘₯1 STEPWISE REGRESSION STEP1 Seperti pada forward selection, kita pilih variabel yang memberikan 𝑅2 terbesar atau 𝑓 terbesar. Maka kita pilih π‘₯1 untuk dimasukkan dalam model. Cek signifiikansi melalui nilai p-value. Karena nilai p-value lebih kecil dari tingkat signifikansi (𝛼=0.05) maka kita masukkan π‘₯1 ke dalam model. Sehingga diperoleh model untuk step 1: 𝑦 = βˆ’6.33592 + 0.33738 π‘₯1
  5. 5. Indah Nurina Fitri Hapsari / 10110094/ MA ITB 2010 STEP2 Kita pilih variabel yang memberikan 𝑅2 terbesar atau 𝑓 terbesar. Maka kita pilih π‘₯2 untuk dimasukkan dalam model. Namun karena p-value untuk 𝑓 = 𝑅(𝛽2|𝛽1 ) 𝑆𝑆𝐸 12 βˆ’ 3 Melebihi 𝛼=0.05, maka π‘₯2 tidak dimasukkan dalam model. Summary 𝑦 = βˆ’6.33592 + 0.33738 π‘₯1 UJI DIAGNOSTIK UNTUK MODEL DENGAN NILAI Cp TERKECIL 𝑦 = βˆ’6.33592 + 0.33738 π‘₯1
  6. 6. Indah Nurina Fitri Hapsari / 10110094/ MA ITB 2010 Lampiran SAS: DATA Tugas; Input y x1 x2 x3 x4; Datalines; 11.2 56.5 71.0 38.5 43 14.5 59.5 72.5 38.2 44.8 17.2 69.2 76 42.5 49 17.8 74.5 79.5 43.4 56.3 19.3 81.2 84.0 47.5 60.2 24.5 88.0 86.2 47.4 62 21.2 78.2 80.5 44.5 58.1 16.9 69.0 72 41.8 48.1 14.8 58.1 68 42.1 46
  7. 7. Indah Nurina Fitri Hapsari / 10110094/ MA ITB 2010 20 80.5 85 48.1 60.3 13.2 58.3 71 37.5 47.1 22.5 84 87.2 51 65.2 ; PROC PRINT Data=Tugas; Title 'Nomer 12.48'; run; proc reg data=Tugas; model y= x1 x2 x3 x4 / selection=forward slentry=0.05 details; run; proc reg data=Tugas; model y= x1 x2 x3 x4 / selection=backward slstay=0.05 details; run; proc reg data=Tugas; model y= x1 x2 x3 x4 / selection=stepwise slentry=0.05 slstay=0.05 details; run;

Γ—