About these ads

Memahami Output Regresi dari Excel


Tulisan ini menyambung tulisan sebelumnya mengenai Analisis Regresi dengan Excel. Kali ini kita akan membahas dan menginterpretasikan hasil-hasil tersebut. Oleh karenanya, untuk bisa memahami tulisan ini, sebaiknya terlebih dahulu membaca tulisan yang disebutkan diatas.

Tampilan pertama dari output regresi Excel sebagai berikut:

Tabel 1. Summary Output

SUMMARY OUTPUT
   
Regression Statistics
Multiple R

0.9714

R Square

0.9436

Adjusted R Square

0.9275

Standard Error

81.0698

Observations

10

Tabel Summary output ini melaporkan kekuatan hubungan antara model (variabel bebas) dengan variabel terikat.

Multiple R (R majemuk) adalah suatu ukuran untuk mengukur tingkat (keeratan) hubungan linear antara variabel terikat dengan seluruh variabel bebas secara bersama-sama. Pada kasus dua variabel (satu variabel terikat dan satu variabel bebas), besaran r (biasa dituliskan dengan huruf kecil untuk dua variabel) dapat bernilai positif maupun negatif (antara -1 – 1), tetapi untuk lebih dari dua variabel, besaran R selalu bernilai positif (antara 0 – 1). Nilai R yang lebih besar (+ atau -) menunjukkan hubungan yang lebih kuat.

R Square (R2) sering disebut dengan koefisien determinasi, adalah mengukur kebaikan suai (goodness of fit) dari persamaan regresi; yaitu memberikan proporsi atau persentase variasi total dalam variabel terikat yang dijelaskan oleh variabel bebas. Nilai R2 terletak antara 0 – 1, dan kecocokan model dikatakan lebih baik kalau R2 semakin mendekati 1. (uraian lebih lanjut mengenai R2 lihat pembahasan di bawah)

Adjusted R Square. Suatu sifat penting R2 adalah nilainya merupakan fungsi yang tidak pernah menurun dari banyaknya variabel bebas yang ada dalam model. Oleh karenanya, untuk membandingkan dua R2 dari dua model, orang harus memperhitungkan banyaknya variabel bebas yang ada dalam model. Ini dapat dilakukan dengan menggunakan “adjusted R square”. Istilah penyesuaian berarti nilai R2 sudah disesuaikan dengan banyaknya variabel (derajat bebas) dalam model. Memang, R2 yang disesuaikan ini juga akan meningkat bersamaan meningkatnya jumlah variabel, tetapi peningkatannya relatif kecil.

Seringkali juga disarankan, jika variabel bebas lebih dari dua, sebaiknya menggunakan adjusted R square.

Standard Error. Merupakan standar error dari estimasi variabel terikat(dalam kasus kita adalah permintaan). Angka ini dibandingkan dengan standar deviasi dari permintaan. Semakin kecil angka standar error ini dibandingkan angka standar deviasi dari permintaan maka model regresi semakin tepat dalam memprediksi permintaan

Tabel 2. ANOVA

ANOVA

         

  

df

SS

MS

F

Significance F

Regression

2

769993.78

384996.89

58.58

0.00

Residual

7

46006.22

6572.32

   

Total

9

816000.00

  

  

  

Tabel ANOVA (Analysis of Variance) menguji penerimaan (acceptability) model dari perspektif statistik dalam bentuk analisis sumber keragaman. ANOVA ini sering juga diterjemahkan sebagai analisis ragam.

Dari tabel ANOVA tersebut diungkapkan bahwa keragaman data aktual variabel terikat (permintaan) bersumber dari model regresi dan dari residual. Dalam pengertian sederhana untuk kasus kita adalah variasi (turun-naiknya atau besar kecilnya) permintaan disebabkan oleh variasi dari harga dan pendapatan (model regresi) serta dari faktor-faktor lainnya yang mempengaruhi permintaan yang tidak kita masukkan dalam model regresi (residual).

Degree of Freedom (df) atau derajat bebas dari total adalah n-1, dimana n adalah banyaknya observasi. Karena observasi kita ada 10, maka derajat bebas total adalah 9. Derajat bebas dari model regresi adalah 2, karena ada dua variabel bebas dalam model kita (harga dan pendapatan). Derajat bebas untuk residual adalah sisanya yaitu derajat bebas total – derajat bebas regresi = 9 – 2 = 7.

Kolom SS (Sum of Square) atau jumlah kuadrat untuk regression diperoleh dari penjumlahan kuadrat dari prediksi variabel terikat (permintaan) dikurangi dengan nilai rata-rata permintaan dari data sebenarnya. Jadi secara manual kita cari dulu rata-rata permintaan dari data asli kita. Kemudian masing-masing prediksi permintaan (lihat tabel residual output di bawah) dikurangi dengan rata-rata tersebut kemudian dikuadratkan. Selanjutnya, seluruh hasil perhitungan tersebut dijumlahkan. Contohnya, rata-rata permintaan dari data kita = 820. Berdasarkan tabel residual output dibawah, untuk observasi pertama prediksi permintaan = 498.2362193. Selanjutnya kita hitung (498.24 – 820 )2 = 103531.93. Untuk observasi kedua dihitung (262.98 – 820)2 = 310271.8. Demikian seterusnya sampai data terakhir. Selanjutnya, hasil-hasil perhitungan tersebut dijumlahkan dan hasilnya = 769993.78.

Kolom SS untuk residual diperoleh dari jumlah pengkuadratan dari residual. Lihat cara menghitung residual pada tabel residual output dibawah. Nilai-nilai residual tersebut dikuadratkan, kemudian hasilnya dijumlahkan dan hasilnya adalah 46006.22.

Kolom SS untuk total adalah penjumlahan dari SS untuk regresi dengan dengan SS untuk residual. Sebenarnya SS total ini adalah variasi (besar-kecil,naik-turun) dari permintaan. Ini diukur dengan mengurangi nilai masing-masing permintaan aktual dengan rata-ratanya, kemudian dikuadratkan. Hasil perhitungan tersebut kemudian dijumlahkan.

Lalu, apa artinya dari angka-angka tersebut ? Sekarang perhatikan ketiga hasil kita, SS regresi, SS residual dan SS total.

SS total kita adalah 816000. Artinya, variasi dari pemintaan yang dikuadratkan adalah sebesar nilai tersebut. Lalu apa yang menyebabkan permintaan tersebut bervariasi ? Sebagian berasal dari variabel bebas (harga dan pendapatan) yaitu sebesar 769993.78 (regresi). Lalu sisanya, yang sebesar 46006.22 disebabkan oleh variabel lain yang juga mempengaruhi pendapatan, tetapi tidak dimasukkan dalam model (residual).

Kalau kita bandingkan (bagi) antara SS regresi dengan SS total, maka akan kita dapatkan proporsi dari total variasi permintaan yang disebabkan oleh variasi harga dan pendapatan. Coba kita bagi: 769993.78 / 816000 = 0.9436. Anda ingat ini angka apa ? ……….. Ya, benar. Ini adalah R2 atau koefisien determinasi yang telah kita bahas diatas.

Selanjutnya kolom berikutnya dari ANOVA adalah kolom MS (Mean of Square) atau rata-rata jumlah kuadrat. Ini adalah hasil bagi antara kolom SS dengan kolom df. Dari perhitungan MS ini, selanjutnya dengan membagi antara MS Regresi dengan MS Residual didapatkan nilai F. Nilai F ini yang dikenal dengan F hitung dalam pengujian hipotesa dibandingkan dengan nilai F tabel. Jika F hitung > F tabel, maka dapat dinyatakan bahwa secara simultan (bersama-sama) harga dan pendapatan berpengaruh signifikan terhadap permintaan. Selain itu, kita juga bisa membandingkan antara taraf nyata dengan p-value (dalam istilah Excel adalah Significance F). Jika taraf nyata > dari p-value maka kesimpulannya sama dengan di atas. Misalnya kita menetapkan taraf nyata 5%. Karena p-value (Significance F) = 0.000, maka dapat disimpulkan bahwa harga dan pendapatan secara bersama-bersama berpengaruh signifikan terhadap permintaan.

Tabel 3. Koefisien Regresi

  

Coefficients

Standard Error

t Stat

P-value

Lower 95%

Upper 95%

Intercept

607.53

274.67

2.21

0.06

-41.97

1257.03

Harga

-13.31

4.59

-2.90

0.02

-24.17

-2.44

Pendapatan

0.36

0.09

3.78

0.01

0.13

0.58

Tabel berikutnya dari output Excel menampilkan nilai-nilai koefisien, standard error, tsat, P-value dan selang kepercayaan.

Dalam pengujian hipotesis regresi, tahap berikutnya setelah pengujian secara simultan (uji F seperti yang telah kita sampaikan sebelumnya) adalah pengujian koefisien regresi secara parsial. Pengertian pengujian secara parsial ini dalam kasus kita adalah untuk menjawab pertanyaan “dengan asumsi faktor-faktor lain tetap/tidak berubah, apakah harga atau pendapatan berpengaruh terhadap permintaan ?”.

Dalam uji parsial, kita menggunakan uji t, yaitu membandingkan antara t-hitung (t Stat) dengan t tabel. Jika t hitung > t tabel pada taraf nyata tertentu, maka dapat disimpulkan variabel tersebut berpengaruh secara signifikan.

t hitung ditampilkan pada kolom 4, yang merupakan hasil bagi antara kolom 2 (coefficients) dengan kolom 3 (Standard Error). Catatan: perhitungan ini dalam kasus yang umum digunakan dimana Hipotesis nol (H0) = 0. Untuk kasus dimana kita merumuskan H0 lebih besar/kecil dari 0, maka perlu dilakukan perhitungan manual.

Selain membandingkan dengan nilai t-tabel, kita juga bisa menarik kesimpulan signifikansinya dengan membandingkan taraf nyata dengan p-value (kolom 5). Jika misalkan kita menggunakan taraf nyata 5 %, maka variabel dengan p-value sama atau lebih kecil dari 5 %, dapat dinyatakan sebagai variabel yang secara parsial berpengaruh signifikan.

Berdasarkan hal tersebut, terlihat bahwa harga maupun pendapatan secara parsial berpengaruh terhadap permintaan.

Selanjutnya, kolom 6 dan 7 memberikan selang kepercayaan untuk koefisien. Di judulnya tertulis Lower 95% dan Upper 95%. Angka 95% adalah penetapan kita pada waktu pengolahan dengan Excel dan bisa dirubah sesuai keinginan.

Apa artinya selang kepercayaan tersebut ? Nilai koefisien yang diberikan pada output regresi merupakan dugaan titik (point estimate) dari parameter koefisien regresi (ingat, pengertian parameter koefisien regresi adalah koefisien regresi yang dihasilkan dari pengolahan data populasi. Karena umumnya kita hanya mengolah data sampel, maka koefisien regresi yang diberikan sifatnya adalah dugaan/taksiran kita terhadap keadaan/koefisien populasi (parameter) yang sebenarnya). Namun, jika informasinya hanya dari dugaan titik, kita tidak tahu seberapa besar kesalahan atau tingkat kepercayaan dari dugaan parameter tersebut. Oleh karenanya, dalam statistika juga diberikan dugaan selang (confidence interval), dimana nilai paramater sebenarnya diharapkan berada dalam selang tersebut dengan tingkat kepercayaan tertentu.

Berdasarkan hal tersebut, dari output Excel terlihat bahwa dengan tingkat kepercayaan 95%, maka koefisien regresi untuk pendapatan yang sebesar 0.36, dalam faktanya di tingkat populasi akan berkisar antara 0.13 – 0.58

Selanjutnya dari informasi kolom 1 – 5 (tabel 3) ditambah informasi dari tabel 1 dan tabel 2, kita dapat meringkas persamaan regresi menjadi sebagai berikut (banyak cara untuk menampilkan hasil regresi, menurut saya ini yang cukup sederhana dan informatif):

Permintaan = 607.53 – 13.31 Harga + 0.36 Pendapatan        R2 = 0.9436

         Se         (274.67)      (4.57 )               (0.09)            F = 58.58**

         t           ( 2.21)         (-2.90)*             (3.78)**

Pada baris pertama, adalah persamaan regresi dengan koefisiennya. Baris kedua adalah standar error untuk masing-masing koefisien dan baris ketiga adalah nilai t hitungnya. Disampingnya nilai R2 dan F hitung. Perhatikan pada nilai t dan F ada bintang 1 dan bintang 2. Seringkali orang menandai dengan bintang 1 yang menunjukkan uji tersebut signifikan pada taraf nyata 5 % dan bintang 2 sebagai signifikan pada taraf nyata 1 %.

Sekarang kita baca hasilnya. Dari persamaan regresi menunjukkan koefisien harga bernilai negatif yang berarti ada pengaruh negatif (berlawanan arah) antara harga dan permintaan. Besaran koefisiennya berarti bahwa dengan asumsi pendapatan tidak berubah, maka setiap kenaikan harga 1000 rupiah (karena dalam kasus kita satuannya adalah ribu rupiah), maka permintaan barang akan turun/berkurang sebanyak 13.31 unit (karena dalam kasus kita satuannya adalah unit).

Begitu juga untuk interpretasi koefisien pendapatan. Dengan asumsi harga tidak berubah, maka setiap kenaikan pendapatan sebesar 1000 rupiah akan meningkatkan permintaan sebanyak 0.36 unit (ingat, karena koefisien regresinya positif, berarti pengaruhnya searah).

Konstanta yang sebesar 607.53 secara matematis berarti bahwa ketika variabel bebas nilainya 0, maka variabel terikat nilainya adalah sebesar konstanta tersebut. Tapi hati-hati dalam membaca konstanta dalam kasus kita ini. Selain karena nilainya tidak signifikan, juga secara logika kita tidak akan pernah berhadapan dengan harga dan pendapatan yang nilai 0. Harga barang dengan nilai 0 bukan barang ekonomi (yang tidak masuk dalam analisis kita). Demikian juga, tidak mungkin orang yang tidak punya pendapatan bisa membeli barang yang ada harganya.

Tabel 4. Residual dan Probability Output

RESIDUAL OUTPUT      

PROBABILITY OUTPUT

             
Observation

Predicted Permintaan

Residuals

Standard Residuals

 

Percentile

Permintaan

1

498.2362193

1.763780707

0.024669343

 

5

300

2

262.9793289

37.02067106

0.517794321

 

15

500

3

738.2489515

-38.24895147

-0.534973821

 

25

600

4

743.0047933

56.99520671

0.797170703

 

35

700

5

747.7606351

-147.7606351

-2.066672903

 

45

800

6

880.8343319

19.16566806

0.268063052

 

55

900

7

921.2365189

78.76348113

1.10163544

 

65

1000

8

1089.956561

-89.95656081

-1.258188871

 

75

1000

9

1054.310216

45.6897843

0.639045975

 

85

1100

10

1263.432445

36.56755542

0.511456762

 

95

1300

RESIDUAL OUTPUT

Kolom pertama dari residual output adalah nomor urutan data kita, sesuai dengan urutan data yang kita input. Kolom kedua (predicted permintaan) adalah kolom yang memuat perkiraan/prediksi variabel terikat (dalam kasus kita adalah permintaan) untuk nilai-nilai dari variabel bebas dari data asli kita. Prediksi ini didasarkan dari output persamaan regresi sebelumnya. Misalnya untuk observasi pertama, harga = 35 dan pendapatan = 1000, maka prediksi permintaan adalah:

Persamaan regresi : Permintaan = 607.53 – 13.31 Harga + 0,36 Pendapatan

Prediksi : Permintaan = 607.53 – 13.31 (35) + 0,36 (1000) = 498.2362193

Kolom ketiga (residuals) adalah selisih antara prediksi variabel terikat (dalam hal ini permintaan) dengan nilai sebenarnya. Misalnya untuk observasi pertama, nilai sebenarnya untuk permintaan adalah 500. Sehingga selisihnya (residual) = 500 – 498.2362193 = 1.763780707

Kolom keempat (Standard Residuals) adalah residual yang distandarisasikan, yang juga dikenal sebagai residual Pearson. Rata-rata dari standar residual = 0 dan standar deviasinya =1. (Anda bisa membuktikan dengan mencari rata-rata dan standar deviasi dari nilai-nilai kolom keempat ini).

Standar residual dihitung dengan cara membagi residual (kolom 3) dengan standar deviasi residual tersebut. Jadi, untuk mencari standar residual, kita cari dulu standar deviasi kolom 3, kemudian masing-masing nilai pada kolom ketiga, dibagi dengan standar deviasi. Sebagai contoh, standar deviasi dari kolom ketiga setelah dihitung adalah 71.49686574. Nah, pada observasi pertama, maka standar residualnya adalah 1.763780707/71.49686574 =0.024669343. Demikian seterusnya.

PROBABILITY OUTPUT

Disamping residual output terdapat tabel probability output. Inti dari tabel ini adalah menggambarkan persentile dan nilai-nilai dari variabel terikat (yaitu permintaan).

GRAFIK-GRAFIK

Terdapat beberapa grafik yang ditampilkan dalam output regresi Excel, yaitu:

1. Grafik yang menghubungkan antara variabel bebas (harga dan pendapatan) dengan residual

2. Grafik plot yang menghubungkan antara variabel bebas (harga dan pendapatan) dengan variabel terikat (permintaan) baik permintaan atas dasar data aktual maupun prediksi.

3. Grafik normal probability atas dasar persentil untuk variabel terikat (permintaan).

Dalam kasus kita, grafik-grafik tersebut dapat Anda lihat pada tulisan Analisis Regresi dengan Excel sebelumnya.

About these ads

32 Tanggapan

  1. Pak, saya mau tanya… jika dlm hasil SPSS nilai residualnya 0,…. apa mungkin? sehingga hasil F hitungnya tinggi sekali, diatas 100. Apakah model data tersebut normal2 saja atau ada yg salah dari data2 saya. Tks.

  2. pak saya lagi ngerjain skripsi jg, pembimbing saya tidak mau dengan hasil excel beliau mau nya yang manual, mencari R2 dengan manual bagaimana ya pak?, mohon bantuan nya..

  3. Uji F oke tapi uji t semua variabel tidak signifikan? model tersebut tidak bisa dipergunakan? mohon pencerahanya

  4. Pak, saya mau tanya mengenai residual output yang disebutkan sebagai hasil prediksi ouput dengan memasukkan koefisien yang didapat dengan data-data aktual variabel bebas. Tapi kenapa ketika saya mencoba menghitung secara manual misalnya pada prediksi nmr 3 secara manual saya mendapat residual output sebesar
    742.78. Yang diperoleh dari :

    Permintaan : 607.53 – 13.31(25) + 0.36 (1300) = 742.78
    Akan tetapi pada hasil excell : 738.25.

    Kenapa ya?

  5. mohon bimbingannya, saya punya persamaan regresi y=6,08+0,911x ….. x=modal sendiri dan y=SHU, mohon interpretasinya buat yg konstanta, karena jika saya masukkan variabel x=0,kata dosen saya tidak bisa,karena modal tidak mungkin nol,jadi mohon interpretasinya dengan pemisalan variabel X nya, sukron..

    Benar, intepretasi dengan memisalkan X = 0 tentunya secara logika tidak benar. Tidak mungkin dengan modal 0 akan menghasilkan SHU.
    Terdapat beberapa pendapat terkait dengan interpretasi konstanta semacam ini.
    1. Konstanta tidak diinterpretasikan (jika tidak mungkin memberikan nilai 0 pada variabel bebasnya). Dalam kasus ini, konstanta hanya merupakan dasar penarik garis regresi.
    2. Nilai X bisa dimisalkan dengan nilai variabel bebas yang terendah (kemungkinan paling rendah).

    • Pa, numpang tanya..sy lg buat skripsi ttg alat spektrometri. Pada saat pengujianya dibuat kurva deret standar 0-50 ppm (fungsi x), dan hasil intensitas (0,22; 13,99 ; 27,60 ; 41,23; 54,33; dan 67,45) sbg fungsi y dan Hasilnya dlm bentuk pers. kubik, y = ax3 + bx2 + cx + d dgn 4 koefisien (a,b,c,d). Yang ingin sy tanyakan bagaimana cara menghitung manual dengan excel?
      Makasih..

      • sambungan dr atas.. bagaimana untuk menghitung nilai x dari nilai y yang diketahui(mis: y=33,30, niali x-nya brp??

  6. thank’s pak,, atas sgala komen di blogx,,,

  7. Makasih banyak pak, sungguh memberikan pencerahan..izin di share di blog saya ya pak…
    mau tanya sedikit, kalo di regresi ini, untuk melihat nilai alfa nya yang mana ya pak?tuk melihat coefisientnya signifikan atau tidak..terimakash

    lihat nilai P-valuenya.

  8. it help me so much.. tahnk you..

  9. salam knal pak,,
    mw tany ni, bgaimana jika nilai persamaanny negatif (y=32,78-7,2X), bgaiman cara interpretasiny??

    thx b4

  10. pak,,saya mau bertanya…
    1.p-value yang = sig. F (tabel2) apa bedanya dengan p value untuk masing2 variabel(tabel 3)???
    2.tingkat nyata itu sudah ditetapkan para ahli katanya,,aturannya gmn pak???kpan kita pakai 1%, 5%, dll
    trimakasih

  11. saya menggunakan kokm dengan program windows 7. bagaimana penerapannya di excel untuk memunculkan regression utput dan anova?

  12. pak, saya mau tanya. kebetulan saya lg skripsi dan dalam perhitungannya dibutuhkn pembuatan grafik regresi linier, yang saya bingungkan itu bgmna caranya kita ngeplotin 4 grafik menjadi 1 garis saja dengan X yg berbeda. thanx pak…

  13. Pak, makasih banyak ya. saya jadi bisa membaca hasil penelitian saya.

  14. hmm, jika x-nya lebih dari satu gimana pak caranya.. terima kasih

  15. Terima kasih informasinya Pak. Pertanyaan saya: Apakah mungkin jika konstanta negatif? Jika mungkin, apakah artinya?

  16. Dear Pak Junaidi…
    kbutulan saya sedang membuat project Skripsi di prusahaan dengan menggunakan Metode Weibull Analysis. dengan tujuan untuk memprediksi realiabilty dari Component pada waktu yang ingin di tentukan dengan menggunakan Excel Regression, saya melihat penggunaan tersebut dari internet dKarenakan lebih simpel dari pd saya menggunakan SoftWere khusus weibull…

    Bisa tlong bantu membacanya…
    tlong krim email kSaya nanti saya berikan contoh data + Tabel + Grafik..

    terima Kasih
    best Regads

  17. Dear Pak Junaidi…
    kbutulan saya sedang membuat project Skripsi di prusahaan dengan menggunakan Metode Weibull Analysis. dengan tujuan untuk memprediksi realiabilty dari Component pada waktu yang ingin di tentukan dengan menggunakan Excel Regression, saya melihat penggunaan tersebut dari internet dKarenakan lebih simpel dari pd saya menggunakan SoftWere khusus weibull…

    Bisa tlong bantu membacanya…
    tlong krim email kSaya nanti saya berikan contoh data + Tabel + Grafik..

    d Tunggu emailnya.
    terima Kasih
    best Regads

  18. Bapak….minta tolong…berkaitan dengan adjusted r square dari penelitian saya negatif,,,,apakah mungkin???kira2 salah dimana ya pak….mohon penjelasannya….

    Adjusted R-Square mungkin saja bernilai negatif meskipun R-Square bernilai positif. Ini disebabkan karena nilai R-squared nya terlalu kecil sedangkan rasio antara jumlah observasi dengan variabel regresi terlalu kecil (artinya datanya terlalu sedikit atau variabelnya yang terlalu banyak).
    Apa artinya ?
    Artinya:
    1. Model tidak bagus (sehingga R-squared nya kecil)
    2. Variabel terlalu banyak
    3. Data/observasi terlalu sedikit
    Cara memperbaikinya:
    1. Perbaiki model
    2. Kurangi variabel
    3. Tambah data/observasi
    lihat penjelasan lengkapnya pada tulisan ini

  19. waduhhh pakk, terima kasih sekali blognya. saya sedang kebingungan buat presentasi besok pagi. terima kasih banyak !

    Ya, sama-sama. Saya senang jika tulisan di blog ini bisa membantu

  20. wahhhh alhamdulillah banget nih baca blog ini, kebetulan sedang mumet dengan skripsi.

    hasil analisis data sudah ada dari hasil program SPSS yg saya pakai. cuma saya tidak bisa menerangkannya. karena cuma mengikuti prosedur di buku tentang program SPSS saja. apalagi data yang dipakai data kualitatis, yang berbentuk ordinal dan kemudian dirubah ke interval. sedangkan variabelnya ada 3 (X1, X2 dan Y)

    saya masih kesulitan menerangkan regresi secara parsial dan simltannya. pengaruh X1 terhadap Y dan pengaruh X2 terhadap Y, juga pengaruh X1 + X2 terhadap Y

    padahal sudah ada tabel anova, coefisien, model sumary dan corelasi,

    hanya tabel korelasi (hubungan) yang saya faham, yang menerangkan hubungan antara X1 dan X2, X1 dan Y, X2 dan Y.

    sisanya bingung pak.

    mana skripsinya harus dikumpulkan akhir minggu ini juga.

    kalo boleh, saya mau chat untuk bisa bertanya langsung dan meminta saran mas. (ID YM = paskident@yahoo.com)

    terima kasih mas

    Coba kirimkan saja ke email saya hasil perhitungannya berikut penjelasan mengenai variabelnya. Mudah-mudahan saya bisa coba pandu cara membacanya

  21. apakah bisa disimpulkan ho ditolak jika salah satu koefisien regresi gandanya negatif? dan uji t tidak signifikan

    Kalau uji t tidak signifikan, berarti benar ho ditolak. Tapi kalau masalah tanda negatif atau positif, tergantung dari perumusan hipotesa. Tanda negatif, kalau uji t nya tidak signifikan, ya berarti terima ho

  22. GREAT!!!!!!

  23. keren deh… tp kalo bisa buat tulisannya dalam pdf jd bs d download gk harus ngopy..
    tapi….mkasih banget y……
    saya lagi skripsi nih ttg model regresi spline, ad yg tau gk sapa tau bs sharing/nanya2

    • aq juga lagi skripsi ne….juga soal regresi juga…tapi liat blog ini jadi ada gambaran mengenai pembacaan tabel…pet pusing juga di tanya arti multiple R dll tapi besok sanggup maju bimbingan lagi saia…thx berat!!!!!!!!!

      Selamat berjuang pada ujian skripsinya

  24. Terima kasih pak atas analisanya, saya bisa jd lbh memahami analisa regresi di excel. penjelasan tentang masig2 grafik itu ada ngga pak? soalnya waktu lihat grafiknya saya ngga ngerti maksudnya apa terima kasih

  25. Pak atau siapa aja yang bisa bantu utk menjelaskan output
    anova single faktor yang ada di data anlisis excel

    tolong bagi yang siapa aja yang membaca utk menjelaskan sblumnya terima kasih

  26. Untuk I made sudarsana. Salam dan terimakasih sudah mengunjungi blog ini. Pengertian linear dalam regresi adalah linear dalam paramater (koefisien). Variabelnya boleh saja tidak linear (misalnya kuadrat,kubik dstnya). Jadi persamaan kuadrat bisa diselesaikan dengan regresi linear (metode OLS seperti yang digunakan Excel dan umumnya sofware statistik lainnya)
    Sebelum membuat persamaan regresi, sebaiknya kita memplot (membuat grafik) terlebih dahulu untuk menggambarkan pola hubungan antara variabel bebas dan variabel terikat. Jika grafiknya memperlihatkan adanya pola hubungan kuadrat (seperti U atau U terbalik atau separuh U), maka persamaan regresinya dibangun dalam bentuk persamaan kuadrat. Bentuk umum persamaan kuadrat tersebut adalah: Y = a + bX + bX^2.
    Jadi, walaupun kita hanya akan meregresikan X dan Y misalnya, maka kita harus tambah satu variabel lagi yaitu X^2 (X kuadrat). Coba lihat contoh angka di bawah ini. Kalau kita buat kurva X dan Y, maka dia akan membentuk kurva separuh U (coba buktikan dengan membuat grafik garis dengan Excel, nilai X nya jadikan axis label). Karenanya, untuk membuat regresi kita tambah satu variabel lagi yaitu X^2.
    Y 5 38 171 524 1265 2610 4823 8216 13149 20030
    X 1 2 3 4 5 6 7 8 9 10
    X^2 1 4 9 16 25 36 49 64 81 100
    Untuk buku Excel yang mengulas perhitungan statistik, cukup banyak yang beredar. Saya pernah membaca salah satu buku yang menurut saya cukup lengkap. Judulnya kalau tidak salah Aplikasi Exel dalam Statistik, pengarangnya saya lupa. Buku tersebut terbitan Elexmedia.

    • setelah didapat data Y X dan X^2 kmudian data mana yang dimasukkan dalam input x dan y kalo ke3 kan gk mungkin inpun nya cuma ada 2
      trus persamaan regresinya akan berbentuk persamaan Y = a + bX + bX^2. apa gk yah makasih sblmny tolong dijawab

  27. kalo boleh tau buku excel yangmengulas secara lengkap perhitungan statistik terutama regresi apaya?

  28. ternyata excel dapat menyelesaikan persamaan regresi saya saya baru tau setelah membaca web anda.
    tapi sya bingung nih. regresi itu kan menghasilkan persamaan linier atau kuadratik dapat membedakanya dari mana? garik yang mendukungya spt apa. mohon penjelasaanya, terimakasih.

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Logout / Ubah )

Twitter picture

You are commenting using your Twitter account. Logout / Ubah )

Facebook photo

You are commenting using your Facebook account. Logout / Ubah )

Google+ photo

You are commenting using your Google+ account. Logout / Ubah )

Connecting to %s

Ikuti

Get every new post delivered to your Inbox.

Bergabunglah dengan 295 pengikut lainnya.

%d bloggers like this: