TUGAS STATISTIKA

ASUMSI-ASUMSI DALAM ANALISIS REGRESI LINEAR

GANDA DAN SELEKSI MODEL













Nama Anggota Kelompok:
Ratnasari Dwi Ambarwati (10305141004)
Ikhfan Mida Nurcahya (10305141024)
Nisa Fadhilah (10305141041)


Berikut ini adalah data permintaan ayam di AS selama periode 1960-1982. Akan
diperkirakan konsumsi ayam per kapita (Y) dengan variabel bebas pendapatan riil per kapita
(X1), harga ayam eceran riil per unit (X2), harga babi eceran riil per unit (X3), harga sapi
eceran per unit (X4).
Y X1 X2 X3 X4
27,8 397,5 42,2 50,7 78,3
29,9 413,3 38,1 52 79,2
29,8 439,2 40,3 54 79,2
30,8 459,7 39,5 55,3 79,2
31,2 492,9 37,3 54,7 77,4
33,3 528,6 38,1 63,7 80,2
35,6 560,3 39,3 69,8 80,4
36,4 624,6 37,8 65,9 83,9
36,7 666,4 38,4 64,5 85,5
38,4 717,8 40,1 70 93,7
40,4 768,2 38,6 73,2 106,1
40,3 843,3 39,8 67,8 104,8
41,8 911,6 39,7 79,1 114
40,4 931,1 52,1 95,4 124,1
40,7 1021,5 48,9 94,2 127,6
40,1 1165,9 58,3 123,5 142,9
42,7 1349,6 57,9 129,9 143,6
44,1 1449,4 56,5 117,6 139,2
46,7 1575,5 63,7 130,9 165,5
50,6 1759,1 61,6 129,8 203,3
50,1 1994,2 58,9 128 219,6
51,7 2258,1 66,4 141 221,6
52,9 2478,7 70,4 168,2 232,6
Sumber: Gujarati (1995:228)
Hasil dari Minitab:
Regression Analysis: Y versus X1; X2; X3; X4

The regression equation is
Y = 37,2 + 0,00501 X1 - 0,611 X2 + 0,198 X3 + 0,0695 X4


Predictor Coef SE Coef T P VIF
Constant 37,232 3,718 10,01 0,000
X1 0,005011 0,004893 1,02 0,319 52,701
X2 -0,6112 0,1628 -3,75 0,001 18,901
X3 0,19841 0,06372 3,11 0,006 29,051
X4 0,06950 0,05099 1,36 0,190 39,761


S = 1,95320 R-Sq = 94,3% R-Sq(adj) = 93,0%


Analysis of Variance

Source DF SS MS F P
Regression 4 1127,26 281,81 73,87 0,000
Residual Error 18 68,67 3,81
Total 22 1195,93


Source DF Seq SS
X1 1 1072,91
X2 1 16,37
X3 1 30,89
X4 1 7,09


Unusual Observations

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.

4. Multikolinearitas

Predictor Coef SE Coef T P VIF
Constant 37,232 3,718 10,01 0,000
X1 0,005011 0,004893 1,02 0,319 52,701
X2 -0,6112 0,1628 -3,75 0,001 18,901
X3 0,19841 0,06372 3,11 0,006 29,051
X4 0,06950 0,05099 1,36 0,190 39,761

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


Source DF Seq SS
x2^5 1 2,51963E+17
x3^5 1 1,37154E+14
x4^5 1 3,06999E+16


Unusual Observations

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.

Stepwise Regression: y^5 versus x2^5; x3^5; x4^5

Alpha-to-Enter: 0,15 Alpha-to-Remove: 0,15


Response is y^5 on 3 predictors, with N = 23


Step 1 2 3
Constant 72813336 53967337 45911207

x4^5 0,00055 0,00035 0,00039
T-Value 12,19 4,52 5,08
P-Value 0,000 0,000 0,000

x2^5 0,099 0,168
T-Value 2,93 3,36
P-Value 0,008 0,003

x3^5 -0,00136
T-Value -1,80
P-Value 0,088

S 42427981 36370663 34496650
R-Sq 87,62 91,34 92,60
R-Sq(adj) 87,03 90,47 91,43
Mallows Cp 12,8 5,2 4,0
Model terbaik adalah

, karena memiliki nilai

=91,43 terbesar,

=92,6 terbesar, Cp Mallows=4,0 ( dan S=34496650 terkecil.

Stepwise Regression: y^5 versus x2^5; x3^5; x4^5

Forward selection. Alpha-to-Enter: 0,15


Response is y^5 on 3 predictors, with N = 23


Step 1 2 3
Constant 72813336 53967337 45911207

x4^5 0,00055 0,00035 0,00039
T-Value 12,19 4,52 5,08
P-Value 0,000 0,000 0,000

x2^5 0,099 0,168
T-Value 2,93 3,36
P-Value 0,008 0,003

x3^5 -0,00136
T-Value -1,80
P-Value 0,088

S 42427981 36370663 34496650
R-Sq 87,62 91,34 92,60
R-Sq(adj) 87,03 90,47 91,43
Mallows Cp 12,8 5,2 4,0

Model terbaik adalah

, karena memiliki nilai

=91,43 terbesar,

=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