Selasa, 10 April 2018

ANALISIS REGRESI HAL 85-88

ANALISIS REGRESI 
HALAMAN 85-88
Lia Efriyanurika 20170302064


Latihan
1. Pelajari data dibawah ini, tentukan dependen dan independen variable serta

  • Hitung Sum of Square for Regression (X)
  • Hitung Sum of Square for Residual
  • Hitung Means Sum of Square for Regression (X)
  • Hitung Means Sum of Square for Residual
  • Hitung nilai F dan buat kesimpulan

         Ket :
         UM     = Umur
         CHOL = Cholesterol
         TRIG   = Trigliserida





  Sum of Square Total :
 



  Sum of Square Residual :
  



    Sum of Square Regression :
    SSY-SSE = 28646.444 - 27990.819 = 655.625

   Mean Sum of Square Regression :
   SSRegr / df = 655.625/ 1 = 655.625
   Mean Sum of Square Residual :
   SSResd / df = 27990.819 / 43 = 650.949

   F= MS-Regr / MS-Resd = 655.625/ 650.949= 1.007

    Keputusan statistik : Nilai F hitung  = 1.007 < F tabel = 4.07 → Hipotesa nol diterima
    Kesimpulan : Umur tidak mempengaruhi kolesterol




  Sum of Square Total :

   



  Sum of Square Residual :
 



  Sum of Square Regression :
  SSY-SSE = 73835.911- 67148.000 = 6687.911

  Mean Sum of Square Regression :
  SSRegr / df = 6687.911/ 1 = 6687.911

  Mean Sum of Square Residual :
  SSResd / df = 67148.000 / 43 = 1561.581

  F= MS-Regr / MS-Resd = 6687.911/ 1561,581= 4,283

    Keputusan statistik : Nilai F hitung  = 4,283 > F tabel = 4.07 → Hipotesa nol ditolak
    Kesimpulan : Umur mempengaruhi trigliserida


2. Pelajari data dibawah ini, tentukan dependen dan independen variable serta
  • Hitung Sum of Square for Regression (X)
  • Hitung Sum of Square for Residual
  • Hitung Means Sum of Square for Regression (X)
  • Hitung Means Sum of Square for Residual
  • Hitung nilai F dan buat kesimpulan





      Sum of Square Total :
     
      Sum of Square Residual :
       



      Sum of Square Regression :
      SSY-SSE = 576519.810 – 237885.934= 338633.876

      Mean Sum of Square Regression :
      SSRegr / df = 338633.876 / 1 = 338633.876

      Mean Sum of Square Residual :
      SSResd / df = 237885.934 / 19 = 12520.312
          
       F= MS-Regr / MS-Resd = 338633.876 /  12520.312 = 27.047

         Keputusan statistik : Nilai F hitung  = 27.047 > F tabel = 4.38 → Hipotesa nol ditolak
        Kesimpulan : Mg Serum mempengaruhi Mg Tulang

3.      Pelajari data di bawah ini, tentukan dependen dan independent variable serta
·        Hitung Sum of Square for Regression (X)
·        Hitung Sum of Square for Residual
·        Hitung Means Sum of Square for Regression (X)
·        Hitung Means Sum of Square for Residual
·        Hitung nilai F dan buat kesimpulan


       Data berat badan dan kadar glukosa darah orang dewasa sebagai berikut (data fiktif)




     Sum of Square Total :
      



     Sum of Square Residual :
     



     Sum of Square Regression :
     SSY-SSE = 1573.437 – 1204.639 = 368.798

     Mean Sum of Square Regression :
     SSRegr / df = 368.798/ 1 = 368.798

     Mean Sum of Square Residual :
     SSResd / df = 1204.639 / 14 = 86.046
          
    F= MS-Regr / MS-Resd = 368.798 /  86.046 = 4.286

      Keputusan statistik : Nilai F hitung  = 4.286 < F tabel = 4.60 → Hipotesa nol diterima
      Kesimpulan : BB tidak mempengaruhi Glukosa

4..      Jawablah pertanyaan berikut :

a.       Jelaskan "Total sum of squares"
      Jawaban :
      ‘Total sum of square’ yaitu jumlah kuadrat deviasi setiap observasi terhadap nilai rerata semua observasi dimana terdapat 2 komponen yaitu ‘jumlah kuadrat deviasi dalam kelompok’ dan ‘jumlah kuadrat deviasi antar kelompok’.

b.      Jelaskan "Explained sum of square"
      Jawaban :
      Besaran yang digunakan untuk menggambarkan seberapa baik model, sering model regresi, merupakan data yang dimodelkan. Secara khusus, ini menjelaskan langkah-langkah berapa banyak variasi yang ada dalam nilai-nilai yang dimodelkan dan ini dibandingkan dengan total jumlah kuadrat, yang mengukur berapa banyak variasi yang ada dalam data yang diamati, dan untuk jumlah residual kuadrat, yang mengukur variasi dalam kesalahan pemodelan.

c.       Jelaskan "Unexplained sum of square"
      Jawaban :
      Ukuran dari perbedaan antara data dan model estimasi yang digunakan sebagai kriteria optimalitas dalam pemilihan parameter dan pemilihan model.

d.       Jelaskan "The coefficient of determination"
      Jawaban :
      R2 (Koefisien Determinasi) adalah perbandingan antara variasi Y yang dijelaskan oleh x1 dan x2 secara bersama-sama dibandingkan dengan variasi total Y. Jika selain x1  dan x2 semua variabel di luar model yang diwadahi dalam E dimasukkan ke dalam model, maka nilai R2 akan  bernilai 1. Ini berarti seluruh variasi Y dapat dijelaskan oleh variabel penjelas yang dimasukkan ke dalam model. Tidak ada ukuran yang pasti berapa besarnya  R2 untuk mengatakan bahwa suatu pilihan variabel sudah tepat. Jika R2 semakin besar atau mendekati 1, maka model makin tepat.

e.       Jelaskan fungsi Analisis variasi dalam analisis regresi
      Jawaban :
     Untuk membuktikan apakah variabel X mempengaruhi variabel Y

 f.    Uraikan tiga cara untuk menguji nol hipotesa : β = 0
         Jawaban :
      Tiga cara menguji hipotesa nol yaitu
   
        

g.       Jelaskan dua tujuan kita menggunakan analisis regresi
      Jawaban :
      -  Membuat estimasi rata-rata dan nilai variabel tergantung dengan didasarkan pada nilai variabel        bebas.
      -  Menguji hipotesis karakteristik dependensi.
      -  Untuk meramalkan nilai rata-rata variabel bebas dengan didasarkan pada nilai variabel bebas     
          diluar jangkaun sample.

























Diposting oleh di Tidak ada komentar:

Selasa, 03 April 2018

Analisis Regresi Pertemuan Keempat

ANALISIS REGRESI KEEMPAT
Lia Efriyanurika 20170302064
Halaman 57
Latihan
Buat persamaan garis lurus dari data berikut (gunakan rumus-rumus yang sudah diberikan) dan memudahkan perhitungan gunkana Microsoft Excel
1.       Data Indeks Masaa Tubuh (IMT) dan Glukosa Post Prandial (GPP)



               Rerata                   = Y = 21.6037, X = 142.037
               SD                        = Y = 3.9633  , X = 27.2544
               Nilai β1                        = 0.0913
               Nilai β0                        = 8.6318

Maka persamaan regresi garis lurus adalah
= 8.6318 + 0.0913X    

2.       Data Indeks Massa Tubuh (IMT) dan Trigliserida
               

         Rerata                   = Y = 21.6037, X = 173.5185
        SD                           = Y = 3.9633  , X = 27.23879
        Nilai β1                          = 0.095364
        Nilai β0                          = 5.05623
   = 5.0562 + 0.0953X

Halaman 70
Latihan 1
Lakukan uji kualitas garis lurus dan hipotesa slope dan intersep (gunakan rumus-rumus yang sudah diberikan dan kerjakan di laboratorium komputer)
 
 
Persamaan garis :

Kasus = 48.737 + 4.319 IMT
Langkah pembuktian hipotesa:
a.       Asumsi : Bahwa model persamaan garis lurus beserta asumsinya berlaku
b.      Hipotesa :
Ho : β1 = 0
Ha : β1 ≠ 0
c.       Uji statistic :    
         
d.      Distribusi statistic : bila asumsi terpenuhi dan H0 diterima makan uji t digunakan dengan derajat kebebasan n-2
e.      Pengambilan keputusan : Ho ditolak bila nilai thitung lebih besar dari ttabel; α = 0.05 = 2.059
f.        Perhitungan statistic dari computer out put diperoleh besaran nilai β1 = 4.319 dan S β1 = 1.070
t = 4.319 = 4.036
      1.070
g.    Keputusan statistic :
        nilai thitung = 4.036  > dari ttabel; α = 0.05 =2.059 à Kita menolak hipotesis nol

Kesimpulan : Slop garis regresi tidak sama dengan 0 maka garis regresi antara IMT dan glukosa post pradial (GPP) adalah linier

    Latihan 2
   
1. Data berat badan dan kadar glukosa darah orang dewasa sebagai berikut
   Tentukan persamaan garis lurus dan lakukan uji = 0 dan = 0



Persamaan garis :

Kasus = 61.877 + 0.510 IMT
Langkah pembuktian hipotesa:
a.       Asumsi : Bahwa model persamaan garis lurus beserta asumsinya berlaku
b.      Hipotesa :
Ho : β1 = 0
Ha : β1 ≠ 0
c.       Uji statistic : 
       
d.      Distribusi statistic : bila asumsi terpenuhi dan H0 diterima makan uji t digunakan dengan derajat kebebasan n-2
e.      Pengambilan keputusan : Ho ditolak bila nilai thitung lebih besar dari ttabel; α = 0.05 = 2.144
f.        Perhitungan statistic dari computer out put diperoleh besaran nilai β1 = 0.510 dan S β1 = 0.246
t = 0.510 = 2.073
      0.246
g.    Keputusan statistic :
        nilai thitung = 2.073 < dari ttabel; α = 0.05 =2.144 à Kita menerima hipotesis nol
Kesimpulan : Berartigulosa tidak dipengaruhi oleh berat badan

Latihan 3
a.       Jelaskan asumsi-asumsi tentang analisis regresi sederhana bila kita ingin membuat inferensi tentang populasi dari data yang kita punya :
1.       Eksistensi : untuk setiap nilai dari variable X, dan Y adalahrandom variable yang mempunyai naili rata-rata dan variasi tertentu
2.       Nilai Y adalah independen satu sama lain, artinya suatu nilai Y tidak dipengaruhi oleh nilai Y lain
3.       Linearity berarti nilai rata-rata Y, µYIX adalah fungsi garis lurus X, dengan demikian
4.       Homoscedasticity artinya varians Y adalah sama untuk setiap nilai X (Homo artinya sama; scedastic artinya menyebar = scattered)

b.      Mengapa persamaan regresi disebut “the least square equation”?
 Jawaban :
The least square equation merupakan teknik dalam menentukan garis lurus yang terbaik. Teknik ini menggunakan “penentuan garis dengan error yang minimalkan” berdasarkan titik observasi dalam diagram sebar. Karena semakin kecil penyimpangan satu observasi terhadap garis lurus (semakin kecil kuadrat simpangan) semakin dekat garis lurus yang terbaik yang diperoleh dari data yang dimiliki.

c.       Jelaskan tentang   pada persamaan regresi
Jawaban :
Intersep  adalah nilai Y bila nilai X = 0
d.      Jelaskan tentang uji  pada persamaan regresi
Jawaban :

Slop berarti setiap kenaikan 1 unit nilai X maka nilai Y akan bertambah (meningkat) sebesar , sebaliknya bila negatif maka kenaikan 1 unit nilai X maka nilai Y akan menurun sebesar
Diposting oleh di Tidak ada komentar:
Langganan: Postingan (Atom)