Pada postingan kali ini, saya akan membahas beberapa hal terkait regresi berganda yaitu :
- Hubungan linear lebih dari dua variabel
- Taksiran atau pendugaan tentang koefisien regresi parsial
- Pengujian hipotesis koefisien regresi parsial
- Hubungan antara koefisen regresi parsial dan koefisen korelasi parsial
- Analisis Varians dalam regresi linear dan peramalan dengan menggunakan regresi linear berganda
- Pendugaan atau ramalan dengan menggunakan regresi linear berganda
Semuanya telah kami bahas baik dalam bentuk spss, C++, dan matlab
yang disajikan dalam bentuk video tutorial yang interaktif.
Kelompok 20 Fauzan pramulia jilid 2
Pada postingan kali ini, saya akan membahas beberapa hal terkait regresi berganda yaitu :
- Hubungan linear lebih dari dua variabel
- Taksiran atau pendugaan tentang koefisien regresi parsial
- Pengujian hipotesis koefisien regresi parsial
- Hubungan antara koefisen regresi parsial dan koefisen korelasi parsial
- Analisis Varians dalam regresi linear dan peramalan dengan menggunakan regresi linear berganda
- Pendugaan atau ramalan dengan menggunakan regresi linear berganda
Semuanya telah kami bahas baik dalam bentuk spss, C++, dan matlab
yang disajikan dalam bentuk video tutorial yang interaktif.
REGRESI BERGANDA
Hubungan linear lebih dari dua
variabel
Untuk
memperkirakan atau meramalkan nialai variabel Y, akan
lebih baik apabila kita ikut memperhitungkan variabel variabel lain yang ikut mempengaruhi Y.
Dengan demikian kita mempunyai hubungan antara satu variabel tidak bebas (dependent
variabel) Y dengan
beberapa variabel lain yang bebas (independent variabel) X_(1, )
X_2,
.....,
X_k
Misalnya
Y=
hasil penjualan, akan dipengaruhi oleh daya beli (X_1),
harga (X_2),
dan lain sebagainya; Y = produksi padi, akan dipengaruhi
oleh X_1
= bibit, X_2
= pupuk, X_3
= curah hujan, X_4
= luas sawah dan lain sebagainya.
Koefisien Determinasi Berganda dan
Koefisien Korelasi Parsial
Didalam subbab ini, hanya akan
dibahas hubungan berganda antara 3 variabel, yaitu Y (variabel tidak bebas) dan
dua variabel bebas X_1
dan X_2.
Bentuk persamaan regresi perkiraan adalah Y = b_0
+ b_1
X_1 + b_2
X_2.
Misalnya, Y = produksi padi, maka X_1
= pupuk yang digunakan dan X_2
= luas sawah, Y = hasil penjualan, maka X_1
= biaya iklan, X_2
= pendapatan. Untuk memperoleh nilai b_0,
b_1
dan b_2 Sebagai
penduga dari B_0,
B_1
dan B_2,
diperlukan data sampel. Misalnya ada hasil n
hasil observasi sebagai berikut :
Koefisien
Korelasi Parsial
MASALAH
REGRASI LAINNYA
di dalam model regresi yang sudah
dibicarakan sebelumnya, dianggap bahwa kesalahan penggangu
merupakan variabel acak yang bebas.
banyak
kesukaran akan dialami pada analisis ekonomi, apabila asumsi tersebut tidak
berlaku. Hal-hal dimana kelahan observasi tersebut berkolerasi satu sama lain,
atau terjadi otokorelasi
Semuanya telah kami bahas baik dalam bentuk spss, C++, dan matlab
yang disajikan dalam bentuk video tutorial yang interaktif.
Berikut Kami Berikan File Program yang bisa dipelajari dan di Download
1. File Program C++
-
Download Latihan6.7
-
Download Latihan6.8
-
Download Latihan6.9
-
Download Latihan3
-
DownloadUjiF dan UjiT
2. File Excel
-
Download Latihan6.1
-
Download Latihan6.2
-
Download Latihan6.3
-
Download Latihan6.4
-
Download Latihan6.6
3. File HTML Kelompok 20 Jilid 2
-
Download HTML Kelompok 20 Jilid 2
4. File Matlab
-
Download Matlab Figure
-
Download Matlab Script
5. File Slide HTML
-
Download Slide HTML
6. File SPSS
-
Download Latihan6.7
-
Download Latihan6.8
-
Download Latihan6.9
-
Download Latihan3
-
Download Latihan6.1
-
Download Latihan6.2
-
Download Latihan6.6
7. File Video
-
Download Latihan6.1 Matlab
-
Download Latihan6.1 SPSS
-
Download Latihan6.2 Matlab
-
Download Latihan6.2 Matlab
-
Download Latihan6.3 Excel
-
Download Latihan6.4 Excel
-
Download Latihan6.6 Excel
-
Download Latihan6.6 Matlab
-
Download Latihan6.6 SPSS
-
Download Latihan6.7 C++
-
Download Latihan6.7 SPSS
-
Download Latihan6.8 C++
-
Download Latihan6.8 SPSS
-
Download Latihan6.9 C++
-
Download Latihan6.9 SPSS
-
Download Latihan3 C++
-
Download Latihan3 SPSS
-
Download Latihan4