1 / 30

Bab 8 Kaedah Regresi

SSQL1113 Statistik Untuk Sains Sosial. Bab 8 Kaedah Regresi. PENGENALAN. Dalam kehidupan realiti, sering terdapat pertalian antara satu pemboleh ubah dengan pemboleh ubah yang lain. Contoh: Pencapaian pelajar : gred & masa belajar Kelajuan pelari: laju & umur

latif
Download Presentation

Bab 8 Kaedah Regresi

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. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. SSQL1113 Statistik Untuk Sains Sosial Bab 8 Kaedah Regresi

  2. PENGENALAN • Dalam kehidupan realiti, sering terdapat pertalian antara satu pemboleh ubah dengan pemboleh ubah yang lain. • Contoh: • Pencapaian pelajar : gred & masa belajar • Kelajuan pelari: laju & umur • Hasil pertanian: hasil padi & baja

  3. KONSEP REGRESI • Regresi ialah satu sukatan pertalian antara dua/lebih pemboleh ubah dalam bentuk unit-unit sukatan data itu sendiri. • Kaedah regresi ialah kaedah empirik yang digunakan untuk menyukat pertalian tersebut. • Contoh: • Tiap-tiap kenaikan RM1 harga daging lembu membawa kepada kejatuhan 0.5 kg daging lembu yang dibeli oleh pengguna.

  4. OBJEKTIF REGRESI • Menganggar min pemboleh ubah bersandar apabila nilai pemboleh ubah bebas diberikan. • Menguji hipotesis tentang sifat-sifat pemboleh ubah bersandar. • Mengunjur nilai min pemboleh ubah bersandar apabila min pemboleh ubah bebas diberikan.

  5. OBJEKTIF REGRESI • Kombinasi satu/lebih objektif-objektif di atas. • Mengkaji pola pertalian yang diberikan oleh regresi, iaitu signifikan/tidak signifikan. • Mengkaji kekuatan perhubungan antara dua pemboleh ubah.

  6. PEMBOLEH UBAH • Pemboleh ubah bersandar/terikat ialah pemboleh ubah yang cuba dijangka atau diterangkan. • Pemboleh ubah bebas ialah pemboleh ubah yang digunakan untuk menerangkan pemboleh ubah bersandar. • Contoh: Gred statistik pelajar PLK semakin baik jika jam belajar meningkat. • P/U bersandar : Gred pelajar • P/U bebas : Jam belajar

  7. JENIS MODEL REGRESI • 2 jenis iaitu: • Model Regresi Mudah • Model Regresi Berbilang

  8. Model Regresi Mudah • Model yang menggambarkan hubungan antara pemboleh ubah bersandar (Y) dan satu pemboleh ubah bebas (X1). • e.g. di mana Y = hasil jualan dan X1 = perbelanjaan pengiklanan.

  9. Model Regresi Berbilang • Model yang menggambarkan hubungan antara pemboleh ubah bersandar (Y) dan lebih daripada satu pemboleh ubah bebas (X1 & X2). • e.g. di mana Y = hasil jualan, X1 = perbelanjaan pengiklanan dan X2 = harga barang. 9

  10. REGRESI GARISAN LURUS • Hubungan antara pemboleh ubah bersandar (Y) dan pemboleh ubah bebas (X) diterangkan oleh satu fungsi linear. • Perubahan Y diandaikan mempunyai hubungan dengan perubahan X.

  11. REGRESI GARISAN LURUS Koefisien/ kecerunan Pemboleh ubah bebas Pintasan Terma Ralat Pemboleh ubah bersandar Komponen linear Komponen ralat rawak

  12. REGRESI GARISAN LURUS Y Ralat rawak nilai Xi εi Kecerunan = b Pintasan = a X Xi

  13. JENIS HUBUNGAN Hubungan linear Hubungan Tidak linear Y Y X X Hubungan Positif Y Y X X Hubungan Negatif

  14. JENIS HUBUNGAN Hubungan kuat Hubungan lemah Y Y X X Y Y X X

  15. JENIS HUBUNGAN Tiada hubungan Y X Y X

  16. OPERASI KAEDAH REGRESI • Menggunakan Kaedah Kuasadua Terkecil (Least Square Method). • Kaedah ini meminimumkan jumlah kuasadua ralat. di mana

  17. OPERASI KAEDAH REGRESI • Nilai a dan b diperolehi dengan formula

  18. Interpretasi Kecerunan dan Pintasan • a adalah nilai purata dianggarkan bagi Y bila nilai X = kosong. • b adalah perubahan yang dianggarkan dalam nilai purata Y akibat daripada perubahan seunit X.

  19. Contoh Pengiraan Contoh: Katakankitainginmelihathubunganantarahargajualanrumahdengansaizrumah (diukurdalam meter2) • Satusampelrawak 10 rumahtelahdipilih • Pembolehubahbersandar (Y) = hargarumahdalamribu (RM1,000) • Pembolehubahbebas(X) = keluasanrumah (meter2)

  20. Contoh Data

  21. Contoh Plot Serakan Model Harga Rumah

  22. Contoh Pengiraan

  23. Contoh Pengiraan • Persamaan regresi yang dianggarkan ialah

  24. Contoh Output

  25. Garisan Regresi Model Harga Rumah: Plot Serakan dan Garis Anggaran Kecerunan = 0.11 Pintasan = 97.85

  26. Interpretasi Keputusan Regresi • a adalah nilai purata dianggarkan bagi Y bila nilai X = kosong. Oleh kerana sebuah rumah tidak boleh mempunyai kaki persegi 0, a tidak mempunyai apa-apa aplikasi praktikal. • b menganggarkan perubahan dalam nilai purata Y akibat daripada perubahan seunit X. • Jika b = 0.11, nilai min rumah meningkat sebanyak 0.10977(1000) = $109.77, secara purata, bagi setiap kaki persegi tambahan dalam saiz rumah.

  27. RALAT RAMALAN • Ralat ialah perbezaan antara Y sebenar dengan Y yang dianggarkan, iaitu: • Dikenali juga residual. • Kaedah regresi menggunakan pendekatan meminimumkan kuasa dua residual, iaitu:

  28. RALAT PIAWAI ANGGARAN • Sisihan piawai kepada ralat dikenali sebagai ralat piawai anggaran, iaitu Sy,x.

  29. Membandingkan Ralat Piawai SYX adalah ukuran variasi nilai Y yang diperhatikan daripada garis regresi Y Y X X Magnitud SYX sentiasa patut dinilai secara relatif kepada nilai Y dalam sampel i.e., SYX = $41.33K adalah agak kecil secara relatif terhadap harga rumah dalam julat $200K - $400K

  30. Ralat Piawai Anggaran • Dari modul (ms 101)

More Related