1 / 27

Statistika terapan

Bahan Kuliah Statistika Terapan. Statistika terapan. Bagian 1. Analisis Regresi Linier. Hubungan variabel. i . 1 iNTRODUCTION. Upaya untuk menjelaskan sebuah variabel melalui beberapa variabel sekaligus . . Contoh.

yaron
Download Presentation

Statistika terapan

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. BahanKuliahStatistikaTerapan Statistikaterapan

  2. Bagian 1 AnalisisRegresi Linier

  3. Hubunganvariabel i. 1 iNTRODUCTION

  4. Upayauntukmenjelaskansebuahvariabelmelaluibeberapavariabelsekaligus. Contoh Pertumbuhanudang; sepertiberat (Y), berkaitandengankeadaantemperatur (X1) dansalinitas (X2) air tempatpemeliharaan.

  5. Tampilangrafishubungan X1 Harga X2 Y Quality Vol. Penjualan X3 Iklan • Dependen • Response • Independen • Explanatory

  6. Model Hubungan • Simetris • A simetris • Regresi X1 Y X1 • Korelasi Y

  7. Representasi model Hubungan • Matematis • Y Fix • X Fix • Deterministik • Statistis • Y Random • X Fix atau random • Probabilistik

  8. Model hubunganmatematis y slope 2 intercept 1 0 x Δ = 1

  9. Model hubunganstatistis y Titiktidaktptpadagaris Garismerupakanringkasanpola (sistematik) sebarantitik Untukx yang sama, ybisaberbeda (error) 0 x

  10. Analisis Regresi dan Korelasi • Y Random • X Fix atau random Sistematis Error • Bagaimanabentuknya ? • Apasajavariabelnya ?

  11. Model Regresi • Linear • Y =  0 + 1 X1 + …+p Xp +  • p = 1, Regresi linier sederhana • p  2, Regresi linier multipel • Nonlinear • Y =  /(1 + e X ) + 

  12. Contoh plot fungsinonlinierdalamβ (koefisienregresi Derivatifjugatidakkonstan (fungsidari x). Tetapitransformasidari x menghasilkansebuahfungsi linier.

  13. p = 1, Regresi linier sederhana (populasi) y 0 x

  14. Assumsi • Y =  0 + 1 X +  1. Xi nonrandom 2.  i normal dengan rata - rata 0 dan varians konstan 2 • E (Y |X =xi) =  0 + 1 xi

  15. SAMPEL i. 2 Regresi linier sederhana

  16. PenaksiranKoefisienRegresi Data • 0 = ?, 1 = ? Least squares estimates yi y ei x xi

  17. Prinsip Least Squares KoefisienregresisampelditetapkandenganMeminimumkanjumlahkuadratresidu (JKE) terhadapgarisregresisampel.

  18. Persamaanpenaksiran Tabelperhitungan

  19. Solusi software (statistica) Statistics Multiple Regression Ikuti tab selanjutnya

  20. Latihan 1 In a study conducted to examine the quality of fish after 7 days in ice storage, ten raw fish of the same kind and approximately the same size were caught and prepared for ice storage. Two of the fish were placed in storage immediately after being caught, two were placed in storage 3 hours after being caught, and two each were placed in storage at 6, 9, and 12 hours after being caught. Let y denote a measurement of fish quality (on a 10-point scale) after the 7 days of storage, and let x denote the time after being caught That the fish were placed in ice packing. The sample data appear here: a. Plot the sample data in a scatter diagram. b. Use the method of least squares to obtain estimates of the parameters in the model y 0 1x . c. Interpret the value of ˆ 1 in the context of this problem.

  21. Pengujian Koeffisien Regresi Masalah : 1. Apakah X; variabel regresi, menjelaskan Y; variabel respons ? 2. Bagaimana kesesuaian data terhadap model, memadai ? 3. Apakah prediksi melalui model memadai ? Masalah No. 1 H0 :  1 = 0 vs. H0 :  1  0 Statistik uji t atau F Keputusan : tolak H0jika |t|  t/2

  22. Latarbelakangpengujian Jika H0 benar, model regresibentuknya: Jika H1 benar, model regresibentuknya: y error total regresi x

  23. Jikapenambahanvariabel X kedalam model dapatmenjelaskan Y, maka “total” error dalam Y besarnyaberkurangolehbagian yang dapatdijelaskanoleh X; yaitu =bagian “regresi”, sisanya yang masihadamerupakanbagian yang tidakdapatdijelaskan; yaitu “error”. Total = Regresi + Error Table 1 ANOVA

  24. Contoh: Untuk menyusun kebutuhan tenaga, ditelaah hubungan antara jumlah pekerjaan yang terselesaikan dengan jam kerja/bln. yang dibutuhkannya. Dari pengamatan di sejumlah kantor cabang diperoleh data berikut. Periksa apakah pengetahuan mengenai jumlah pekerjaan terselesaikan ada hubungnannya dengan jam kerja/bln.

  25. Masalah No. 2 (kualitas Fit) • Sebuah indeks yang mencerminkan baik tidaknya model mendeskripsi data adalah Koeffisien Determinasi R2 Masalah No. 3 (Kualitas Prediksi)

  26. Analisis Residu 1 • Mendeteksi assumsi - assumsi mengenai error I • Rata - rata 0 • Varians konstan Plot residu dengan Kondisi ideal ei 0 x

  27. e x Model misspect Non constant variance 0 0 Normal error e • Ukuran sampel • Non constant variance • Model misspecification • Outliers x

More Related