regresi linear berganda dan regresi trend nonlinear
Download
Skip this Video
Download Presentation
REGRESI LINEAR BERGANDA DAN REGRESI (TREND) NONLINEAR

Loading in 2 Seconds...

play fullscreen
1 / 34

REGRESI LINEAR BERGANDA DAN REGRESI (TREND) NONLINEAR - PowerPoint PPT Presentation


  • 598 Views
  • Uploaded on

REGRESI LINEAR BERGANDA DAN REGRESI (TREND) NONLINEAR. HUBUNGAN LIBIH DARI DUA VARIABEL REGRESI LINEAR BERGANDA. Apabila terdapat lebih dari dua variabel, maka hubungan linear dapat dinyatakan dalam persamaan regresi linear berganda sebagai berikut :

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' REGRESI LINEAR BERGANDA DAN REGRESI (TREND) NONLINEAR' - levia


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
hubungan libih dari dua variabel regresi linear berganda
HUBUNGAN LIBIH DARI DUA VARIABEL REGRESI LINEAR BERGANDA

Apabila terdapat lebih dari dua variabel, maka hubungan linear dapat dinyatakan dalam persamaan regresi linear berganda sebagai berikut :

Y’= b0 + b1X1 + b2X2 + . . . + bkXk

Disini ada satu variabel tidak bebas, yaitu Y’ dan ada k varibel bebas, yaitu X1, . . . , Xk

slide3
Untuk menghitung b0, b1, b2, . . . , bk kita gunakan metode kuadrat terkecil yang menghasilkan persamaan normal sebagai berikut :

b0 n + b1X1 + b2 X2 + . . . + bk Xk = Y

b0 X1 + b1X1 X1 + b2  X1X2 + . . . + bk  X1Xk = X1Y

b0 X2 + b1X1 X2 + b2  X2X2 + . . . + bk  X2Xk = X2Y

. . . . .

. . . . .

. . . . .

b0 Xk + b1X1 Xk + b2  X2Xk + . . . + bk  XkXk = XkY

slide4
Kalau persamaan ini dipecahkan, kita akan memperoleh nilai b0, b1, b2, . . . , bk. Kemudian dapat dibentuk persamaan regresi linear berganda. Apabila persamaan regresi itu telah diperoleh, barulah kita dapat meramalkan nilai Y dengan syarat kalau nilai X1, X2, . . . ., Xk sebagai variabel bebas sudah diketahui.

Misalkan: k =2, maka Y’ = b0 + b1X1 + b2X2, satu variabel tak bebas(Y), dan dua variabel bebas (X1 dan X2), maka b0, b1, dan b2 dihitung dari persamaan normal berikut :

slide5
b0 n + b1X1 + b2 X2 = Y

b0 X1 + b1X1 X1 + b2  X1X2 = X1Y

b0 X2 + b1X1 X2 + b2  X2X2 = X2Y

Persamaan diatas dapat dinyatakan dalam persamaan matriks berikut :

slide7
det(A) = (n) (X1X1) (X2X2) + (X1) (X1X2) (X2) +

(X2) (X1) (X1X2) – (X2) (X1X1) (X2) –

(X1X2) (X1X2) (n) – (X2X2) (X1) (X1)

det(A0) = (Y) (X1X1) (X2X2) + (X1) (X1X2) (X2Y) +

(X2) (X1Y) (X1X2) – (X2Y) (X1X1) (X2) –

(X1X2) (X1X2) (Y) – (X2X2) (X1Y) (X1)

slide8
det(A1) = (n) (X1Y) (X2X2) + (Y) (X1X2) (X2) +

(X2) (X1) (X2Y) – (X2) (X1Y) (X2) –

(X2Y) (X1X2) (n) – (X2X2) (X1) (Y)

slide9
det(A2) = (n) (X1X1) (X2Y) + (X1) (X1Y) (X2) +

(Y) (X1) (X1X2) – (X2) (X1X1) (Y) –

(X1X2) (X1Y) (n) – (X2Y) (X1) (X1)

korelasi berganda
Korelasi Berganda :

Apabila kita mempunyai tiga variabel Y, X1, X2, maka korelasi X1 dan Y digambarkan dengan rumus berikut :

slide13
Kalau kita ingin mengetahui kuatnya hubungan antara variabel Y dengan beberapa variabel X lainnya (misalnya antara Y dengan X1 dan X2), maka kita harus menggunakan suatu koefisien korelasi yang disebut koefisien korelasi linear berganda (KKLB) yang rumusnya adalah sebagai berikut :
slide14
Apabila KKLB dikuadratkan, maka akan diperoleh koefisien penentuan (KP), yaitu suatu nilai untuk mengukur besarnya sumbangan dari beberapa variabel X terhadap variasi (naik-turunnya) Y. Kalau Y’ = b0 + b1X1 + b2X2, KP mengukur besarnya sumbangan X1 dan X2 terhadap variasi, atau naik turunnya Y.

Apabila dikalikan dengan 100% akan diperoleh persentase sumbangan X1 dan X2 terhadap naik-turunnya Y.

koefisien korelasi parsial
Koefisien Korelasi Parsial :

Kalau variabel Y berkorelasi dengan X1 dan X2, maka koefisien korelasi antara Y dan X1 (X2 konstan), antara Y dan X2 (X1 konstan), dan antara X1 dan X2 (Y konstan) disebut Koefisien Korelasi Parsial (KKP)

slide16
Koefisien korelasi parsial X1 dan Y, kalau X2 konstan

Koefisien korelasi parsial X2 dan Y, kalau X1 konstan

trend parabola
TREND PARABOLA

Garis trend pada dasarnya adalah garis regresi di mana variabel bebas X merupakan variabel waktu. Baik garis regresi maupun trend dapat berupa garis lurus maupun tidak lurus. Persamaan garis trend parabola adalah sebagai berikut :

Y’ = a + bX + cX2

slide19
Perhatikan bahwa bentuk persamaa seperti persamaan garis regresi linear berganda adalah Y’ = b0 + b1X1 + b2X2, di mana b0 = a, b1 = b, b2 = c, X1 = X, dan X2 = X2. Dengan demikian cara menghitung koefisien a, b, dan c sama seperti menghitung b0, b1, dan b2, yaitu menggunakan persamaan normal sebagai berikut :
slide20
a n + b X + c X2 = Y

a X + b X2 + c X3 = XY

a X2 + b X3 + c X4 = X2Y

trend eksponensial logaritma
TREND EKSPONENSIAL (LOGARITMA)

Ada beberapa jenis trend yang tidak linear tetapi dapat dibuat linear dengan jalan melakukan transformasi (perubahan bentuk). Misalnya, trend eksponensial : Y’ = abx dapat diubah menjadi trend semi log:

log Y’ = log a + (log b)X;

log Y’ = Y’0; log a = a0 dan log b = b0.

Dengan demikian, Y’0 = a0 + b0X, dimana koefisien

a0 dan b0 dapat dicari berdasarkan persamaan normal.

trend eksponensial yang diubah
TREND EKSPONENSIAL YANG DIUBAH

Bentuk Y’ = abx dapat dikonversi dengan jalan menambahkan bilangan konstan k. Dengan demikian, persamaan menjadi:

Y’ = k + abx

Tergantung pada nilai a dan b, maka bentuk kurva

Y’ = K + abx dapat berubah-ubah.

slide23
Oleh karena bentuk trend (regresi) eksponensial yang diubah tidak dapat dijadikan bentuk linear dengan jalan transformasi, maka untuk memperkirakan atau menghitung nilai koefisien a dan b tidak dapat digunakan metode kuadrat terkecil. Jadi disini harus dipergunakan cara lain, yaitu dengan memilih beberapa titik.

Caranya adalah sebagai berikut :

slide24
Y

k

X

0 2 4

slide25
Kita peroleh tiga titik, yaitu :

X = 0, X = 2, X = 4

Y1 = k + ab0 = k + a

Y2 = k + ab2

Y3 = k + ab4

Dalam 3 persamaan diatas terdapat 3 bilangan konstan yang tidak diketahui, yaitu k, a, dan b. Dengan melakukan pemecahan terhadap persamaan diatas, kita peroleh:

slide27
Apabila banyaknya tahun antara Y1, Y2, dan Y3 bukan 2 tahun, akan tetapi t tahun, maka rumus untuk menghitung k, a, dan b adalah sebagai berikut:
trend logistik
TREND LOGISTIK

Trend logistik biasanya dipergunakan untuk mewakili data yang menggambarkan perkembangan/pertumbuhan yang mula-mula cepat sekali, tetapi lambat laun agak lambat, dimana kecepatan pertumbuhannya makin berkurang sampai mencapai suatu titik jenuh.

slide29
Bentuk trend logistik misalnya sebagai berikut :

Bilangan konstan k, a, dan b dapat dicari dengan cara seperti trend eksponensial yang diubah, yaitu memilih beberapa titik.

slide30
Kita pilih 3 titik T1, T2, T3 denngan nilai (X = 0;Y0), (X = 2; Y2), dan (X = 4; Y4).

Setelah nilai X dimasukkan ke persamaan trend logistik, kita dapat mencari persamaan untuk T sebagai berikut.

slide31
Dari 3 persamaan tersebut diatas, dapat kita peroleh pemecahan yang memberikan nilai b, a, dan k, sebagai berikut :
trend gompertz
TREND GOMPERTZ

Trend Gompertz biasanya dipergunakan untuk meramalkan jumlah penduduk pada usia tertentu. Trend Gompertz, bentuknya sebagai berikut :

Di mana k, a, dan b konstan.

slide34
Kalau diambil lognya, log Y’ = log k + (log a)(bx). Selanjutnya kalau log Y’ = Y0; log k = k0 dan log a = a0, maka bentuknya menjadi Y’0 = k0 + a0bx, sama seperti trend eksponensial yang diubah.
ad