download

Matakuliah
Tahun
Versi
: I0174/Analisis regresi
: 2005
:1
Pertemuan 25
Pemilihan regresi terbaik
1
Learning Outcomes
Pada akhir pertemuan ini, diharapkan mahasiswa
akan mampu :
• Memilih regresi terbaik dengan prosedur
stepwise dan langkah mundur (backward
ellimination)
2
Outline Materi
• Prosedur backward ellimination
• Porosedur stepwise
3
Eliminasi langkah mundur
(backward elimination)
• Dimulai dengan memasukkan seluruh
peubah bebas kedalam model kemudian
sisihkan satu demi satu
• Setiap penyisihan variabel uji parameter
regresinya
4
• Misalkan ada 3 variabel X1, X2 dan X3
• Dibuat model lengkap
• Y = b0 + b1 X1 + b2 X2 + b3 X3
•
•
•
•
Lalu dihilangkan satu variabel
Y = b0 + b1 X1 + b2 X2
Y = b0 + b1 X1 + b3 X3
Y = bo + b2 X2 + b3 X3
5
• Dasar pengambilan/penyisihan variabel
berdasarkan paling kecil pengaruhnya
(nilai R2 paling kecil atau korelasi parsial
paling kecil)
• Uji apakah pengaruh variabel tersebut
nyata atau tidak
• Bila tidak nyata variabel dapat dikeluarkan
dari model
6
• Tahap selanjutnya mengulangi proses
pada tahap sebelumnya
• Kelebihan prosedur ini kita dapat melihat
seluruh variabel bebas dalam model
7
Regresi bertatar (step-wise
regression)
• Prosedur ini dimulai dengan memasukan
satu demi satu variabel menurut urutan
besar pengaruh terhadap model regresi
• Dimulai dengan memeriksa matrk korelasi
• Tahap awal plih variabel yang memiliki
korelasi tertinggi dengan variabel tak
bebas
8
• Lalu uji parameter regesinya, bila ternyata
tidak nyata maka semua variabel tidak
berpengaruh
• Bila nyata berpengaruh, lalu masukkan
satu variabel baru ke dalam model
• Pemilihan variabel dengan berdasarkan
korelasi parsialnya
9
• Uji apakah tambahan variabel tersebut
nyata atau tidak
• Bila nyata, variabel dapat masuk kedalam
model
• Bila tidak nyata, model sebelumnya tidak
perlu ditambah variabel lagi
10
• Misalkan ada 3 variabel bebas X1, X2 dan
X3
• Berdasarkan korelasinya X1 yang paling
tinggi, maka model
• Y = b0 + b1 X1
• Lalu diperiksa korelasi parsial rxi,y|x1
11
• Bilai korelasi parsial paling tinggi adalah
• rx3,y|x1 maka model menjadi
• Y = bo + b1 X1 + b3 X3
bila berdasarkan uji F ternyata tidak nyata
maka model tetap menjadi
Y = bo + b1 X1
• Bila nyata model menjadi
Y = bo + b1 X1 + b3 X3
12
• Periksa korelasi parsial terhadap variable
sisa setelah model telah dipilih
• Pilih korelasi parsial terbesar
• Masukkan variabel baru kedalam model
13
• Bila model nyata, lalu tambahkan variabel
X2 sehingga model menjadi
Y = bo + b1 X1 + b2 X2 + b3 X3
Lakukan uji F
bila nyata model tersebut dapat dipilih
bila tidak nyata model menjadi Y + b0 B1
X1 + b3 X3
14
• Setiap pemasukan variabel baru, sama
saja dengan memrikasa tambahan jumlah
kuadrat regresi yang diakibatkan oleh
pemasukan suatu variabel bebas
15
• Pemilihan regresi terbaik dapat dimulai
dari:
• Semua berpengaruh lalu di eliminasi
• Pengaruh satu variabel kemudian
ditambah variabel lain
16