pertemuan 08.2 regresi polinomial
DESCRIPTION
presentasiTRANSCRIPT
Outline
1. Model Regresi Polinomial2. Contoh 1 – Satu Variabel Independen3. Contoh 2 – Dua Variabel Independen4. Metodologi Permukaan Respon
Pengantar
• Model regresi polinomial merupakan satubentuk model dengan respon curvelinear yang penting.
• Model ini merupakan model responcurvelinear yang paling sering digunakansecara praktis, karena kemudahannya untukditangani sebagai kasus khusus dari model regresi linier umum
Pengantar
Model regresi polinomial bisa mengandung satu, dua, atau lebih dari dua variabel independen.Lebih jauh, variabel independennya bisa dibuatdengan beberapa variasi power (pangkat).Berikut adalah diantaranya.
Pengantar
• Ordo ke‐satu (First Order) hubungannyalinier• Satu peubah penjelas
• Dua peubah penjelas
• K peubah penjelas
εXββY 10
εXβXββY 22110
εXβ....XβXββY kk22110
Pengantar
• Ordo ke‐dua• Satu variabel independen
• Dua variabel independen
• Banyaknya parameter ordo ke‐2 dengan k peubah = ½( k2+3k) + 1
εXβXββY 21110
εXXβXβXβXβXββY 21122
22221112210
Model Regresi
Model second order dengan satu variabelindependen (satu x tapi muncul dengan pangkatsatu dan dua):
Di mana
20 1 11i i i iY x x
i ix X X
0
1
11
: mean respon ketika 0 atau ketika : linear effect coefficient: quadratic effect coefficient
Y x X X
Model Regresi
• Catat bahwa variabel independen pada regresipolinomial dinyatakan sebagai deviasi di sekitar rata‐rata , dan bahwa deviasiobservasi ke‐i ditunjukkan dengan xi.
• Alasan menggunakan deviasi di sekitar rata‐rata adalah bahwa X, X2 dan X dengan pangkatyang lebih tinggi akan mempunyai korelasiyang tinggi.
X
Model Regresi
• Ini juga akan mengakibatkan kesulitanpenghitungan dalam mendapatkan inverse dari XTX.
• Jadi, dengan menyatakan variabel independensebagai deviasi dari rata‐ratanya akanmereduksi multikolinieritas dan akanmemudahkan dalam kalkulasi matematis.
[email protected] ‐ 10
Model Regresi
• Fungsi responnya adalah:
• Merupakan bentuk parabola dan seringdisebut dengan fungsi respon kuadratik
20 1 11E Y x x
[email protected] ‐ 11
Model Regresi
• Satu variabel independen – third order
• Dimana:
• Fungsi respon:
2 30 1 11 111i i i i iY x x x
i ix X X
2 30 1 11 111E Y x x x
[email protected] ‐ 13
Contoh
• Seorang analis ingin mengetahui hubunganantara jumlah dispenser kopi pada kafetariadan penjualan kopi. Empat belas kafetariayang mempunyai karakteristik sama dipilih. Sejumlah dispenser ditempatkan secararandom dari nol sampai enam untuk tiap‐tiapkafetaria. Datanya adalah sebagai berikut:
[email protected] ‐ 16
Contoh
X = jumlahdispender
Y = penjualankopi
1 0 508.1 ‐3 92 0 498.4 ‐3 93 1 568.2 ‐2 44 1 577.3 ‐2 45 2 651.7 ‐1 16 2 657 ‐1 17 3 713.4 0 08 3 697.5 0 09 4 755.3 1 110 4 758.9 1 111 5 787.6 2 412 5 792.1 2 413 6 841.4 3 914 6 831.8 3 9
i ix X X
3X
2ixiYiXi
[email protected] ‐ 17
Contoh
Kenapa pake deviasi di sekitar mean:• Korelasi antara X dan X^2 adalah 0.961• Korelasi antara xi‐Xbar dan xi^2 adalah 0.
[email protected] ‐ 18
Contoh
• Matriks X dan Y: 508,1 1 3 9498,4 1 3 9568,2 1 2 4577,3 1 2 4651,7 1 1 1657,0 1 1 1713,4 1 0 0
; 697,5 1 0 0755,3 1 1 1758,9 1 1 1787,6 1 2 4792,1 1 2 4841,4 1 3 9831,8 1 3 9
Y X
[email protected] ‐ 19
ix 2ix
Contoh
(Running seperti regresi berganda)• Koefisien Regresi
CoefficientsStandard Error t‐hitung
Intercept 705.47 3.21 219.91
Variable x 54.89 1.05 52.28
Variable x^2 ‐4.25 0.61 ‐7.01
[email protected] ‐ 20
Contoh
• Anova y dengan x
df SS MS F
Regression 1 168740.64 168740.64 545.49
Residual 12 3712.02 309.34
Total 13 172452.66
[email protected] ‐ 21
Contoh
• Anova y dan x serta x2
df SS MS F
Regression 2 171773.44 85886.72 1390.94
x 1 168740.64 168740.64
x^2 | x 1 3032.80 3032.80
Residual 11 679.22 61.75
Total 13 172452.66
[email protected] ‐ 22
Contoh
• (XTX)‐1 :
• MSE = 61.75• Matriks s2(b) :
12
10, 29 0 1, 470 1,10 0
1,47 0 0,37
Ts MSE X X
b
[email protected] ‐ 23
10,17 0 0,02
0 0,02 00,02 0 0,01
TX X
Contoh
• Fungsi regresi fit‐nya adalah
• Regresi fit masih dalam bentuk x
2ˆ 705,47 54,89 4,25Y x x
[email protected] ‐ 24
Contoh
• Ingat persamaan normal least square:
1 2 02
1 1 1 2 1 12
2 2 1 2 2 2
T T
i i i
i i i i i i
i i i i i i
n X X b YX X X X b X YX X X X b X Y
X X b X Y
0 1 1 2 2
21 0 1 1 1 2 1 2
22 0 2 1 1 2 2 2
i i i
i i i i i i
i i i i i i
Y nb b X b X
X Y b X b X b X X
X Y b X b X X b X
[email protected] ‐ 26
Contoh
• Dengan mengganti Xi1 dengan xi dan Xi2dengan xi2, maka persamaan normal model regresi polinomial second order bisadidapatkan.
• Karena Ʃxi=0, persamaan normal menjadi:2
0 11
2 31 11
2 2 3 40 1 2
i i
i i i i
i i i i i
Y nb b x
xY b x b x
x Y b x b x b x
[email protected] ‐ 27
Analisis Ketepatan Model
• Uji fungsi respon kuadratik
• SSPE = (508,1‐503,25)2+(498,4‐503,25)2+(568,2‐572,75)2+…+(831,8‐836,6)2
= 291,58
xi Yi Ybar‐3 508.1‐3 498.4 503.25‐2 568.2‐2 577.3 572.75‐1 651.7‐1 657 654.350 713.40 697.5 705.451 755.31 758.9 757.12 787.62 792.1 789.853 841.43 831.8 836.6
[email protected] ‐ 29
Df : c = 7 n ‐ c = 14 – 7 = 7
Analisis Ketepatan Model
• MSPE = SSPE / df = 291,58 / 7 = 41,65• SSLF = SSE – SSPE = 679,22 – 291,58 = 387,64• Df SSLF adalah c – p = 7 – 3 = 4 (ada 3 parameter)
• MSLF = SSLF / df = 387,64 / 4 = 96,91• F* = MSLF / MSPE = 96,91 / 41,65 = 2,33• F(0,95;4,7) = 4,12 ≥ 2,33 gagal tolak H0
[email protected] ‐ 30
Uji β11 – Uji t
• Hipotesis:
• H0 menyatakan tidak ada pengaruh kuadratikpada fungsi respon.
• T‐hitung:
• T(0,975;11) = 2,201• |t*|= 7,012 > 2,201 tolak H0 adapengaruh kuadratik
* 11
11
4, 249 7,0120,606
bts b
[email protected] ‐ 31
Uji β11 – Uji F Parsial
Menggunakan ekstra sum of squares• SSR(x) = 168740,64 • SSR(x2|x) = 3032,80• MSR(x2|x) = 3032,80 / 1 = 3032,80• MSE = 61,75• F*=MSR(x2|x)/MSE = 3032,80 / 61,75 = 49,12• F(0,95;1,11) = 4,84 < 49,12 tolak H0
[email protected] ‐ 32
Estimasi Koefisien Regresi
• Akan dicari batas kepercayaan untuk duakoefisien regresi β1 dan β11 dengan koefisienkepercayaan 0,90 menggunakan metodeBonferroni (Bonferroni joint confidence).
• Jika ada g parameter diestimasi secaragabungan di mana g<p, batas kepercayaannyaadalah
• Di mana B = t( 1 – α / 2g;n – p )
k kb B s b
[email protected] ‐ 33
Estimasi Koefisien Regresi
• g = 2 B = t[1 ‐ 0,10 / 2(2); 11]= t (0,975;11) = 2,201
• b1 = 54,893 ; s(b1) = 1,050• b11 = ‐4,249 ; s(b11) = 0,606• Batas kepercayaan Bonferroni adalah54,893 ± 2,201(1,050) dan‐4,249 ± 2,201(0,606)
[email protected] ‐ 34
Estimasi Koefisien Regresi
• Interval kepercayaan:52,58 ≤ β1 ≤ 57,20‐5,58 ≤ β11 ≤ ‐2,92
• Interval cukup dekat
[email protected] ‐ 35
Koefisien Determinasi Berganda
• Ukuran deskripsi derajat hubungan antarapenjualan kopi dan jumlah dispenser digunakan koefisien determinasi berganda:
• Hasil ini menunjukkan bahwa variasi padapenjualan kopi berkurang 99,6 persen ketikahubungan kuadratik dengan jumlah dispenser digunakan.
2 171773 0,996172453
SSRRSSTO
[email protected] ‐ 36
Koefisien Determinasi Berganda
• Walaupun model regresi hanya mengandungsatu variabel independen, ukuran yang digunakan tetap R2, bukan r2.
• Pada regresi curvelinear, R2 disebut denganindeks korelasi.
[email protected] ‐ 37
Estimasi Mean Respon
• Mean respon untuk Xh=3 dengan koefisienkepercayaan 98%:
2
3 3 01 1
00
h h
h h
h
x X X
xx
X
705, 474
ˆ 1 0 0 54,893 705,4744, 249
Th hY
X b
[email protected] ‐ 38
Estimasi Mean Respon
• Nilai S2{b} sudah diketahui, maka
• T(0,99;11) = 2,718• Batas kepercayaan: 705,474 ± 2,718(3,208)• CI : 696,8 ≤ E{Yh} ≤ 714,2
2 2ˆ
10, 2912 0 1, 4702 1 1 0 0 0 1,1026 0 0 10, 2912
1, 4702 0 0,3675 0ˆ 3, 208
Th h h
h
s Y s
s Y
X b X
[email protected] ‐ 39
Fungsi Regresi dalam Bentuk X
• Fungsi regresi fit ingin dibuat dalam bentuk X bukan lagi bentuk deviasi x = X‐Xbar.
• Fungsi regresi fit yang ekivalen dalam variabelX adalah
• Nilai koefisiennya:
* * * 20 1 11Y b b X b X
* 20 0 1 11*1 1 11*11 11
2
b b b X b X
b b b X
b b
[email protected] ‐ 40
Fungsi Regresi dalam Bentuk X
[email protected] ‐ 41
Model Regresi
Model second order dengan dua variabelindependen
Di mana:
Fungsi respon:
1 43
2 20 1 1 2 2 11 1 22 2 12 1 2i i i i i i i iY x x x x x x
[email protected] ‐ 43
1 1 1
2 2 2
i i
i i
x X Xx X X
2 20 1 1 2 2 11 1 22 2 12 1 2E Y x x x x x x
Merupakan bentuk conicΒ12 adalah koefisien efek interaksi
Contoh
• Data i Yi Xi1 Xi2 xi1 xi2 xi1^2 xi2^2 xi1*xi21 150 0.6 10 ‐1 ‐1 1 1 12 86 1.0 10 0 ‐1 0 1 03 49 1.4 10 1 ‐1 1 1 ‐14 288 0.6 20 ‐1 0 1 0 05 157 1.0 20 0 0 0 0 06 131 1.0 20 0 0 0 0 07 184 1.0 20 0 0 0 0 08 109 1.4 20 1 0 1 0 09 279 0.6 30 ‐1 1 1 1 ‐110 235 1.0 30 0 1 0 1 011 224 1.4 30 1 1 1 1 1
mean 1.0 20
[email protected] ‐ 44