1 / 10

William J. Stevenson

Operations Management. REGRESI BERGANDA. William J. Stevenson . 8 th edition. Rosihan A smara http :// rosihan.lecture.ub.ac.id http:// rosihan. web.id. MODEL REGRESSI LINIER BERGANDA.

yardan
Download Presentation

William J. Stevenson

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. Operations Management REGRESI BERGANDA William J. Stevenson 8th edition Rosihan Asmara http://rosihan.lecture.ub.ac.idhttp://rosihan.web.id http://rosihan.web.id

  2. MODEL REGRESSI LINIER BERGANDA Model yg memperlihatkan hubungan antara satu variable terikat (dependent variable) dgn beberapa variabel bebas (independent variables). Yi = 0 + 1 X1i + 2 X2i + … + k Xki + i dimana: i = 1, 2, 3, …. N (banyaknya pengamatan) 0, 1, 2, …, k adalah parameter yang nilainya diduga melalui model: Yi = b0 + b1 X1i + b2 X2i + … + bk Xki http://rosihan.web.id

  3. REGRESI LINEAR BERGANDA Y = ß0 + ß1 X + ß2 X + …. + ßn Xn Dalam konsep dasarnya pengujian statistik SECARA PARSIAL mendasarkan pada hipotesis : Uji Konstanta Intersep H0 : ß0 = 0 H1 : ß0 ≠ 0 Uji Koeff. Xi H0 : ßi = 0 H1 : ßi ≠ 0 http://rosihan.web.id

  4. Contoh : Tujuanuntuk mengetahui pengaruh (kontribusi) proses/ mekanisme yang disusun dalam praktikum terhadap pencapaian nilai ujian akhir praktikum, yaitu melalui penilaian atas latihan di kelas dan penilaian atas laporan praktikum. Dengan demikian dapat dibuat spesifikasi modelnya sebagai berikut : Y = ß0 + ß1X1 + ß2X2 --------------------- (model 1) Dimana : Y : Nilai ujian akhir X1 : Nilai pretest X2 : Nilai Laporan http://rosihan.web.id

  5. Interpretasi Hasil : Dari hasil di atas selanjutnya dapat disusun persamaan berikut : N_Akhir = -25.450 + 0.542 Latihan + 0.771 Laporan R2 = 0.702 SE (9.351)(0.089) (0.132) T-Hit. 2.722 6.067 5.828 F-hit = 73,02 Df = 62 Pengujian statistik baik uji keseluruhan (Uji-F) dan uji koefisien variabel dalam model (Uji-t) memiliki kesamaan dengan analisis regresi linear sederhana. Hipotesis uji-F adalah : H0 : ß0 = ß1 = ß2 = 0 H1 : ß0, ß1, ß2 ≠ 0 Sedangkan uji koefisien atau pengujian secara parsial memiliki hipotesis sebagai berikut : Pengujian untuk intersep : H0 : ß0 = 0 H1 : ß0 ≠ 0 Pengujian untuk ß1 :H0 : ß1 = 0 H1 : ß1 ≠ 0 Pengujian untuk ß2 :H0 : ß2 = 0 H1 : ß2 ≠ 0 http://rosihan.web.id

  6. Hasil analisis di atas menunjukkan bahwa model secara statistik adalah memang dapat digunakan, terbukti dari nilai F-hit sebesar 73.02 yang signifikan pada tingkat alpha 5% atau 0.05 Artinya bahwa ß0, ß1, ß2 mempengaruhi secara nyata terhadap N_Akhir (nilai Akhir). Kekuatan pengaruh dari kedua variabel dalam menjelaskan variabel N_Akhir sebesar 70.2 % sedangkan sisanya yaitu sekitar 29.8% merupakan pengaruh dari variabel lain yang tidak dipertimbangkan dalam model. http://rosihan.web.id

  7. Koefisien latihan 0.542 dapat diartikan jika Nilai Laporan tetap maka kenaikan 1 satuan nilai latihan akan cenderung menaikkan nilai ujian sebesar 0.542. Demikian juga untuk pengaruh nilai Laporan. Jika nilai laporan naik 1 satuan maka akan cenderung meningkatkan nilai ujian Akhir sebesar 0.771. Hal yang lebih menarik sebenarnya adalah faktor apa yang tersembunyi di balik angka-angka tersebut. Hal ini memerlukan informasi yang bersifat kualitatif untuk mengungkap : http://rosihan.web.id

  8. ESTIMASI MODEL REGRESSI LINIER BERGANDA Model: Yi = 0 + 1 X1i + 2 X2i + i Model penduga: Ŷi = b0 + b1 X1i + b2 X2i b0,b1 dan b2 nilai penduga untuk 0, 1 dan 2. (yi x1i) (x22i ) – (yi x2i) (x1i x2i) b1 = (x21i ) (x22i ) – (x1i x2i)2 (yi x2i) (x21i ) – (yi x1i) (x1i x2i) b2 = (x21i ) (x22i ) – (x1i x2i)2 b0 = Yi – b1X1i – b2 X2i http://rosihan.web.id

  9. ESTIMASI MODEL REGRESSI LINIER BERGANDA 1 X21x22i – X22x21i – 2 X1 X2x1i x2i var(b0)= + 2 n (x21i ) (x22i ) – (x1i x2i)2 x21i var(b1)= (x21i )(x22i ) – (x1i x2i)2 se(bi) = var(bi) Utk i = 0, 1, 2. 2 x21i var(b1)= (x21i )(x22i ) – (x1i x2i)2 2 i2 2 = n – 3 i2 = y2i– b1 yi x1i – b2 yi x2i http://rosihan.web.id

  10. Asumsi-asumsi Model Regresi Linier Berganda (Agar hasil estimasi dapat diinterpretasikan dengan baik - BLUE) • Nilai rata-rata disturbance term adalah nol, E(i) = 0. • Tidak tdpt serial korelasi (otokorelasi) antar i Cov(i,j) = 0 untuk i  j. • Sifat homoskedastisitas: Var(i) = 2 sama utk setiap i • Covariance antara i dan setiap var bebas adalah nol. Cov(i,Xi) = 0 • Tidak tdpt multikollinieritas antar variebel bebas. • Model dispesifikasi dengan baik http://rosihan.web.id

More Related