Obs X1 Y Fit SE Fit Residual St Resid 23 2479 52,900 56,165 1,174 -3,265 -2,09R
R denotes an observation with a large standardized residual.
Durbin-Watson statistic = 1,06503
1. Linearitas 2400 1600 800 2 1 0 -1 -2 75 60 45 150 100 50 200 150 100 X1 S R E S 1 X2 X3 X4 Matrix Plot of SRES1 vs X1; X2; X3; X4
Dari grafik diatas tampak bahwa titik-titik berpencar secara acak, sehingga asumsi linearitas dalam model regresi terpenuhi. 2. Heteroskedastisitas 60 55 50 45 40 35 30 2 1 0 -1 -2 Fitted Value S t a n d a r d i z e d
R e s i d u a l Versus Fits (response is Y)
Berdasarkan grafik diatas, karena tidak terdapat pola tertentu, maka tidak terjadi Heteroskedastisitas. Sehingga asumsi model regresi terpenuhi. 3. Normalitas
3 2 1 0 -1 -2 -3 99 95 90 80 70 60 50 40 30 20 10 5 1 Standardized Residual P e r c e n t Normal Probability Plot (response is Y)
Berdasarkan grafik diatas, karena titik-titik sisaan tidak mengikuti arah garis diagonal maka model regresi tidak memenuhi asumsi normalitas.
Berdasarkan data diatas VIF>10, maka terjadi multikolinearitas, sehingga model regresi tidak terpenuhi.
5. Autokorelasi
Durbin-Watson statistic = 1,06503
Diketahui: n=23, k=5-1=4 dL=0,986 dU=1,785 Karena 4-ddu, maka tidak ada autokolerasi negatif.
Karena data tersebut mengalami pelanggaran Multikolinearitas, maka dilakukan transformasi dengan mamangkatkan Y dan semua variabel X dengan 5 dan menghilangkan variabel X1. Diperoleh hasil sebagai berikut:
Regression Analysis: y^5 versus x2^5; x3^5; x4^5
The regression equation is y^5 = 45911207 + 0,168 x2^5 - 0,00136 x3^5 + 0,000392 x4^5
Predictor Coef SE Coef T P VIF Constant 45911207 11189174 4,10 0,001 x2^5 0,16804 0,05008 3,36 0,003 9,950 x3^5 -0,0013601 0,0007565 -1,80 0,088 9,836 x4^5 0,00039243 0,00007726 5,08 0,000 4,432
S = 34496650 R-Sq = 92,6% R-Sq(adj) = 91,4%
Analysis of Variance
Source DF SS MS F P Regression 3 2,82800E+17 9,42667E+16 79,21 0,000 Residual Error 19 2,26104E+16 1,19002E+15 Total 22 3,05410E+17
Obs x2^5 y^5 Fit SE Fit Residual St Resid 23 1729271945 414265112 420577351 33454949 -6312239 -0,75 X
X denotes an observation whose X value gives it large leverage.
Durbin-Watson statistic = 0,886672
1. Linearitas
1 6 0 0 0 0 0 0 0 0 8 0 0 0 0 0 0 0 0 0 2 1 0 -1 -2 1 , 0 0 0 0 E + 1 1 5 , 0 0 0 0 E + 1 0 0 5 , 0 0 0 0 E + 1 1 2 , 5 0 0 0 E + 1 1 0 x2^5 S R E S 2 x3^5 x4^5 Matrix Plot of SRES2 vs x2^5; x3^5; x4^5
Dari grafik diatas tampak bahwa titik-titik berpencar secara acak, sehingga asumsi linearitas dalam model regresi terpenuhi.
2. Heteroskedastisitas
450000000 400000000 350000000 300000000 250000000 200000000 150000000 100000000 50000000 2 1 0 -1 -2 Fitted Value S t a n d a r d i z e d
R e s i d u a l Versus Fits (response is y^5)
Berdasarkan grafik diatas, karena tidak terdapat pola tertentu, maka tidak terjadi Heteroskedastisitas. Sehingga asumsi model regresi terpenuhi.
3. Normalitas
2 1 0 -1 -2 -3 99 95 90 80 70 60 50 40 30 20 10 5 1 Standardized Residual P e r c e n t Normal Probability Plot (response is y^5)
Setelah melakukan transformasi terhadap variabel Y, diperoleh plot data yang mengikuti arah garis diagonal. Sehingga galat memiliki distribusi normal.
4. Multikolinearitas
Predictor Coef SE Coef T P VIF Constant 45911207 11189174 4,10 0,001 x2^5 0,16804 0,05008 3,36 0,003 9,950 x3^5 -0,0013601 0,0007565 -1,80 0,088 9,836 x4^5 0,00039243 0,00007726 5,08 0,000 4,432
Berdasarkan data diatas VIF<10, maka tidak terjadi multikolinearitas, sehingga model regresi terpenuhi.
5. Autokorelasi
Durbin-Watson statistic = 0,886672
Diketahui: n=23, k=p-1=4-1=3 dL=1,078 dU=1,660 Karena 4-d>du, maka tidak ada autokorelasi negatif.
Mencari model regresi terbaik: Best Subsets Regression: y^5 versus x2^5; x3^5; x4^5
Response is y^5
x x x 2 3 4 Mallows ^ ^ ^ Vars R-Sq R-Sq(adj) Cp S 5 5 5 1 87,6 87,0 12,8 42427981 X 1 82,5 81,7 25,9 50449140 X 2 91,3 90,5 5,2 36370663 X X 2 88,2 87,0 13,3 42431853 X X 3 92,6 91,4 4,0 34496650 X X X Model terbaik adalah
, karena memiliki nilai
=91,4 terbesar,
=92,6 terbesar, Cp Mallows=4,0 ( dan S=34496650 terkecil.
=92,6 terbesar, Cp Mallows=4,0 ( dan S=34496650 terkecil.
Stepwise Regression: y^5 versus x2^5; x3^5; x4^5
Backward elimination. Alpha-to-Remove: 0,15
Response is y^5 on 3 predictors, with N = 23
Step 1 Constant 45911207
x2^5 0,168 T-Value 3,36 P-Value 0,003
x3^5 -0,00136 T-Value -1,80 P-Value 0,088
x4^5 0,00039 T-Value 5,08 P-Value 0,000
S 34496650 R-Sq 92,60 R-Sq(adj) 91,43 Mallows Cp 4,0
Model terbaik adalah
, karena memiliki nilai
=91,43 terbesar,
=92,6 terbesar, Cp Mallows=4,0 ( dan S=34496650 terkecil.
Kesimpulan: Setelah melakukan transformasi terhadap variabel-variabelnya, dengan dipangkatkan 5 dan menghilangkan variabel bebas X1, asumsi-asumsi pada model regresi linear ganda terpenuhi. Dengan model terbaiknya adalah