Tugas Pertemuan 4



LAELI FADLANI
20160302244
ANALISIS REGRESI 10

Latihan 1
Kasus
IMT
GPP
1
18,6
150
2
28,1
150
3
25,1
120
4
21,6
150
5
28,4
190
6
20,8
110
7
23,2
150
8
15,9
130
9
16,4
130
10
18,2
120
11
17,9
130
12
21,8
140
13
16,1
100
14
21,5
150
15
24,5
130
16
23,7
180
17
21,9
140
18
18,6
135
19
27
140
20
18,9
100
21
16,7
100
22
18,5
170
23
19,4
150
24
24
160
25
26,8
200
26
28,7
190
27
21
120

Hasil :
Regression

Variables Entered/Removeda
Model
Variables Entered
Variables Removed
Method
1
Indeks Massa Tubuhb
.
Enter
a. Dependent Variable: Glucose Post Pandial
b. All requested variables entered.


Model Summary
Model
R
R Square
Adjusted R Square
Std. Error of the Estimate
1
,628a
,394
,370
21,629
a. Predictors: (Constant), Indeks Massa Tubuh


ANOVAa
Model
Sum of Squares
df
Mean Square
F
Sig.
1
Regression
7617,297
1
7617,297
16,282
,000b
Residual
11695,666
25
467,827


Total
19312,963
26



a. Dependent Variable: Glucose Post Pandial
b. Predictors: (Constant), Indeks Massa Tubuh


Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
t
Sig.
B
Std. Error
Beta
1
(Constant)
48,737
23,494

2,074
,048
Indeks Massa Tubuh
4,319
1,070
,628
4,035
,000
a. Dependent Variable: Glucose Post Pandial

Persamaan garis :
GPP = 48,737+4,319 IMT

Hipotesa :

Uji Statistik :
= 1,070
t = =  = 4,0364
Keputusan statistik :
Nilai = 4,0364 > =  2,060
Kita menolak Hipotesa nol

Kesimpulan : Slop garis regresi tidak sama dengan 0 maka garis regresi antara IMT dan GPP adalah linier.

Latihan 2
Subjek
Berat Badan (Kg)
Glukosa (mg/100ml)
1
64,0
108
2
75,3
109
3
73,0
104
4
82,1
102
5
76,2
105
6
95,7
121
7
59,4
79
8
93,4
107
9
82,1
101
10
78,9
85
11
76,7
99
12
82,1
100
13
83,9
108
14
73,0
104
15
64,4
102
16
77,6
87

Hasil :
Regression

Variables Entered/Removeda
Model
Variables Entered
Variables Removed
Method
1
Berat Badan (Kg)b
.
Enter
a. Dependent Variable: Glukosa (mg/100ml)
b. All requested variables entered.


Model Summary
Model
R
R Square
Adjusted R Square
Std. Error of the Estimate
1
,484a
,234
,180
9,276
a. Predictors: (Constant), Berat Badan (Kg)


ANOVAa
Model
Sum of Squares
df
Mean Square
F
Sig.
1
Regression
368,798
1
368,798
4,286
,057b
Residual
1204,639
14
86,046


Total
1573,437
15



a. Dependent Variable: Glukosa (mg/100ml)
b. Predictors: (Constant), Berat Badan (Kg)


Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
t
Sig.
B
Std. Error
Beta
1
(Constant)
61,877
19,189

3,225
,006
Berat Badan (Kg)
,510
,246
,484
2,070
,057
a. Dependent Variable: Glukosa (mg/100ml)

Persamaan garis :
Glukosa = 61,877+ 0,510 BB

Hipotesa :

Uji Statistik :
= 0,246
t = =  = 2,0731
Keputusan statistik :
Nilai = 2,0731< = 2,145
Kita menerima Hipotesa nol

Kesimpulan : Slop garis regresi sama dengan 0 maka garis regresi antara BB dan Glukosa adalah tidak linier.






Latihan 3

a.   Jelaskanasumsi-asumsitentanganalisaregresisederhanabilakitaingin​  ​ membuatinferensi​ tentangpopulasi​  ​ dari​  ​ data​  ​ yang​  ​ kita​  ​ punyai.
Jawaban​  ​ :
Eksistensiuntuksetiap variable X, dan Y adalah random variable yang mempunyainilai rata-rata danvariasitertentu.Notasi :dan . Untukpopulasi (Notasiadalah rata-rata variansdalam random variable y tergantung​  ​ pada​  ​ x).
Nilai rata-rata y adalahindependensatusamalain, artinyasuatunilai y tidakdipengaruhi​  ​ nilai​  ​ y​  ​ lainnya.
Lineartyartinyanilai rata rata y, adalahfungsigarislurus x dengandemikianpersamaangarislurusitudapatditulisdimana E adalah error dengan random variabeldengan rata-rata​  ​ 0​  ​ untuk​  ​ setiap​  ​ nilai​  ​ x​  ​ ( ​  ​ untuk​  ​ setiap​  ​ nilai​  ​ x)
Homoscedasticity​  ​ artinya​  ​ varians​  ​ y​  ​ adalah​  ​ sama​  ​ untuk​  ​ setiap​  ​ nilai​  ​ x.
Distribusi​  ​ normal​  ​ artinya​  ​ untuk​  ​ setiap​  ​ nilai​  ​ x,​  ​ nilai​  ​ y​  ​ bersidtribusi​  ​ normal.

b.   Mengapa​  ​ persamaan​  ​ regresi​  ​ diesbut​  ​ “the​  ​ least​  ​ square​  ​ equation”​  ​ ?
Jawaban​  ​ : 
“The least square equation” merupakanteknikdalammenentukangarislurus yang terbaik.Teknikinimenggunakan “penentuangarisdengan error yang minimal”,  berdasarkantitikobservasidalam diagram sebar. Karenasemakinkecilpenyimpangansuatutitikobservasiterhadapgarislurus (semakinkecilkuadratsimpangan) semakindekat​  ​ garis​  ​ lurus​  ​ yang​  ​ terbaik​  ​ yang​  ​ diperoleh​  ​ dari​  ​ data​  ​ yang​  ​ dimiliki.

c.   Jelaskan​  ​ tentang​  ​ ßo​  ​ pada​  ​ persamaan​  ​ regresi.
Jawaban​  ​ : 
Intersep​  ​ (ßo)​  ​ adalah​  ​ nilai​  ​ Y​  ​ bila​  ​ nilai​  ​ X=0

d.   Jelaskan​  ​ tentang​  ​ ß​ 1​ ​  ​ pada​  ​ persamaan​  ​ regresi.
Jawaban:
Slop (ß​ 1​ ) berartisetiapkenaikan 1 unit nilai X makanilai Y akanbertambah(meningkat) sebesar ß​ 1​ . Sebaliknya, bila ß​ 1negatif (-ß​ 1​ ) makakenaikan 1 unit nilai X maka​  ​ nilai​  ​ Y​  ​ akan​  ​ menurun​  ​ sebesar​  ​ ß​ 1​ .


Komentar

Postingan Populer