TUGAS PERTEMUAN 6 ANALISIS REGRESI

Tugas Halaman 86-87

Nama : Fitria Ananda
NIM : 20160302054


Download

Tugas Analisis Regresi Pertemuan 5

Nama : Fitria Ananda
NIM  : 20160302054

Download

UJI KUALITAS GARIS LURUS DAN HIPOTESA SLOPE DAN INTERSEP

TUGAS PERTEMUAN 4

Latihan 1

Lakukan uji kualitas garis lurus dan hipotesis slope dan intersep (gunakan rumus-rumus yang sudah diberikan dan kerjakan di laboratorium computer mu)

Kasus	IMT (Y)	GPP (X)	Kasus	IMT (Y)	GPP (X)	Kasus	IMT (Y)	GPP (X)
1	18.6	150	10	18.2	120	19	27	140
2	28.1	150	11	17.9	130	20	18.9	100
3	25.1	120	12	21.8	140	21	16.7	100
4	21.6	150	13	16.1	100	22	18.5	170
5	28.4	190	14	21.5	150	23	19.4	150
6	20.8	110	15	24.5	130	24	24	160
7	23.2	150	16	23.7	180	25	26.8	200
8	15.9	130	17	21.9	140	26	28.7	190
9	16.4	130	18	18.6	135	27	21	120

Jawab :

 

 

Latihan 2

Sata berat badan dan kadar glukosa darah orang dewasa sebagai berikut

Subjek	Berat badan (kg)	Glukosa (mg/100ml)	Subjek	Berat badan (kg)	Glukosa (mg/100ml)
1	64	108	9	82.1	101
2	75.3	109	10	78.9	85
3	73	104	11	76.7	99
4	82.1	102	12	82.1	100
5	76.2	105	13	83.9	108
6	95.7	121	14	73	104
7	59.4	79	15	64.4	102
8	93.4	107	16	77.6	87

Jawab :

 

 

Latihan 3

a.         Jelaskan asumsi-asumsi tentang analisis regresi sederhana bila kita ingin membuat inferensi tentang populasi dari data yang kita punyai

b.        Mengapa persamaan regresi disebut “the least square equation”?

c.         Jelaskan tentang β₀ pada persamaan regresi.

d.        Jelaskan tentang β₁ pada persamaan regresi.

Jawab :

a.         Dalam analisa regresi beberapa asumsi yang harus terpenuhi untuk mendapatkan model garis lurus adalah :

·      Eksistensi, untuk setiao nilai variable X dan Y adalah random wariabel yang mempunyai nilai rata-rata dan varians tertentu. Notasi µ_YǀX dan σ²_YǀX untuk populasi. Notasi Y|X adalah rata-rata dan varians dari random variable Y tergantung pada nilai X

·         Nilai-nilai Y adalah independen satu sama lain, artinya suatu nilai Y tidak dipengaruhi oleh nilai Y lain

·          Linearity berarti nilai rata-rata Y, µ_YǀX adalah fungsi garis lurus X, dengan demikian µ_YǀX = β₀ + β₁X

·          Homoscedasticity artinya varians Y adalah sama untuk setiap nilai X (Homo artinya sama, scedastic artinya ‘menyebar’=scattered)

·           Distribusi normal artinya untuk setiap nilai X, nilai Y berdistribusi normal

b.        Persamaan regresi disebut “the least square equation” karena dalam menentukan garis lurus yang terbaik umumnya digunakan teknik ‘jumlah kuadrat error terkecil (the least square). Jumlah kuadrat error terkecil (the least square) adalah pemilihan nilai-nilai β₀ dan β₁ didasarkan atas jumlah kuadrat error minimum (yang terkecil) karena semakin kecil penyimpangan satu observasi terhadap garis lurus (atau semakin kecil kuadrat simpangan) semakin dekat garis lurus yang terbaik yang diperoleh dari data yang dimiliki   

c.         β₀ pada persamaan regresi adalah bilangan konstan untuk suatu garis lurus yang disebut intersep. Nilai intersep β₀ adalah nilai Y bila X = 0

d.        β₁ pada persamaan regresi adalah bilangan konstan untuk suatu garis lurus yang disebut slop. Misal : Y = 3 + 5X maka intersep = 3 dan slop = 5.