PIKA SILVIANTI, M.SI
No. Materi Pokok (Materi Ajar) Alokasi Waktu (menit) 1 Pengenalan analisis regresi 2 x 50 2: Bab 1 2 Model regresi linier sederhana 2 x 50 Bahan / Sumber Belajar 2: Bab 2 3: Bab 1 3 Model regresi linier sederhana 2 x 50 2: Bab 2 3: Bab 1 4 Model regresi linier sederhana 2 x 50 2: Bab 2 3: Bab 1 5 Diagnosa model melalui pemeriksaan sisaan dan identifikasi pengamatan berpengaruh 2 x 50 2: Bab 5 Bab 6 6 Diagnosa model melalui pemeriksaan sisaan dan identifikasi pengamatan berpengaruh 2 x 50 2: Bab 5 Bab 6 7 Pendekatan matriks terhadap regresi linier 2 x 50 1: Bab 2 3: Bab 3
Pustaka: Draper, N. & Smith, H. 1981. Applied Regression Analysis, Second Edition. John Wiley & Sons. Myers, R.H. 1998. Classical and Modern Regression with Application. 2nd ed. PWS-KENT. Boston. Ryan, TP. 1997. Modern Regression Methods. John Wiley & Sons. New York. Aunuddin. 1989. Analisis Data. PAU Ilmu Hayat IPB. Bogor Catatan Kuliah bisa di download: http://stat.ipb.ac.id/en/
Analisis Hubungan Jenis/tipe hubungan Ukuran Keterkaitan Skala pengukuran peubah Pemodelan Keterkaitan
Relationship vs Causal Relationship Tidak semua hubungan (relationship) berupa hubungan sebab-akibat Penentuan suatu hubungan bersifat sebab-akibat memerlukan wellargued position dari bidang ilmu terkait
Korelasi
Alat Analisis Keterkaitan Ditentukan oleh: 1. Skala pengukuran data/peubah 2. Jenis hubungan antar peubah Relationship Numerik Kategorik Numerik Korelasi Pearson, Spearman Tabel Ringkasan Korelasi Biserial Kategorik Tabel Ringkasan Spearman (ordinal), Korelasi BIserial Chi Square Korelasi Tetrachoric Causal relationship Y X Numerik Kategorik Numerik Regresi Linier ANOVA Kategorik Regresi Logistik, Diskriminan, Classification and Regression Tree, Neural Network Regresi Logistik Classification and Regression Tree Neural Network
Apa itu Analisis Regresi? Analisis regresi merupakan alat statistika untuk mengevaluasi hubungan antara satu atau lebih peubah bebas X 1,X 2,,X k dengan peubah tak bebas (Y).
Kapan Analisis Regresi digunakan? Untuk mendapatkan model hubungan antar peubah Menduga nilai suatu peubah berdasarkan nilai peubah lainnya Menganalisis hubungan/pengaruh antara satu atau lebih peubah numerik terhadap sebuah peubah numerik lain
Koefisien Korelasi
Korelasi
Koefisien Korelasi tidak menggambarkan hubungan sebab akibat nilainya berkisar antara -1 dan 1 tanda (+) / (-) arah hubungan (+) searah; (-) beralawanan arah Nilai absolut dari analisis korelasi menunjukkan seberapa erat hubungan antara dua peubah, dimana 1 menunjukkan hubungan linier sempurna dan 0 menunjukkan bahwa tidak ada hubungan linier antara dua peubah. Pearson s Coef of Correlation linear relationship Spearman n Coef of Correlation (rank correlation) trend relationship
Koefisien Korelasi 20 16 12 8 4 0 0 5 10 15 Hubungan antara Variabel X1 dan X2 positif (searah) 50 40 30 20 10 0 0 5 10 15 Hubungan antara Variabel X1 dan X2 negatif (berlawanan arah)
Ilustrasi : Misal ingin diketahui hubungan antara lama bekerja dengan besarnya pendapatan rumah tangga untuk nasabah yang usianya lebih dari 40 Perhatikan scatter plot (1) berikut:
Lanjutan ilustrasi Correlations Besarnya Koefisien Korelasi Years with current employer Household income in thousands Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Years with Household current income in employer thousands 1.598**.000 216 216.598** 1.000 **. Correlation is significant at the 0.01 level (2-tailed). 216 216 Karena Nilai Sig. < = 5% Ada Keterkaitan antara lama bekerja dengan pendapatan rumah tangga
Lanjutan Ilustrasi Perhatikan bahwa pada scatter plot antara lama bekerja dengan pendapatan rumah tangga terlihat hubunganyang searah Namun pada hasil korelasi nilainya hanya sebesar 0.598 Hal ini disebabkan karena beberapa nilai yang relatif jauh dari kumpulannya (lingkaran biru pada Scatter plot (1)) Jika nilai tersebut dihilangkan maka hasilnya terdapat pada scatter plot (2)
Ilustrasi : Scatter Plot (2)
Lanjutan ilustrasi Correlations Besarnya Koefisien Korelasi Years with current employer Household income in thousands Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Years with Household current income in employer thousands 1.675**.000 207 207.675** 1.000 **. Correlation is significant at the 0.01 level (2-tailed). 207 207 Nilai korelasi meningkat menjadi 0.675 Penting : Perhatikan karakteristik dari data
Ilustrasi (2) Ingin melihat hubungan antara lama bekerja dengan lama tinggal di tempat yang sekarang
Lanjutan Ilustrasi (2) Correlations Besarnya Koefisien Korelasi Years with current employer Years at current address Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Years with Years at current current employer address 1.073.287 216 216.073 1.287 216 216 Karena Nilai Sig. > = 5% TIDAK ada Keterkaitan lama bekerja dengan lama tinggal di alamat sekarang Hal ini terlihat dari scatter plot yang menunjukkan tidak ada ploa hubungan antara keduanya Penting : Perhatikan pola hubungan antara peubah