Professional Documents
Culture Documents
Kaedah Regresi
PENGENALAN
Dalam kehidupan realiti, sering terdapat pertalian antara satu pemboleh ubah dengan pemboleh ubah yang lain. Contoh:
Pencapaian pelajar : gred & masa belajar Kelajuan pelari: laju & umur Hasil pertanian: hasil padi & baja
KONSEP REGRESI
Regresi ialah satu sukatan pertalian antara dua/lebih pemboleh ubah dalam bentuk unitunit sukatan data itu sendiri. Kaedah regresi ialah kaedah empirik yang digunakan untuk menyukat pertalian tersebut. Contoh:
Tiap-tiap kenaikan RM1 harga daging lembu membawa kepada kejatuhan 0.5 kg daging lembu yang dibeli oleh pengguna.
3
OBJEKTIF REGRESI
Menganggar min pemboleh ubah bersandar apabila nilai pemboleh ubah bebas diberikan. Menguji hipotesis tentang sifat-sifat pemboleh ubah bersandar. Mengunjur nilai min pemboleh ubah bersandar apabila min pemboleh ubah bebas diberikan.
4
OBJEKTIF REGRESI
Kombinasi satu/lebih objektif-objektif di atas. Mengkaji pola pertalian yang diberikan oleh regresi, iaitu signifikan/tidak signifikan. Mengkaji kekuatan perhubungan antara dua pemboleh ubah.
PEMBOLEH UBAH
Pemboleh ubah bersandar/terikat ialah pemboleh ubah yang cuba dijangka atau diterangkan. Pemboleh ubah bebas ialah pemboleh ubah yang digunakan untuk menerangkan pemboleh ubah bersandar. Contoh: Gred statistik pelajar PLK semakin baik jika jam belajar meningkat.
2 jenis iaitu:
Model Regresi Mudah Model Regresi Berbilang
Model yang menggambarkan hubungan antara pemboleh ubah bersandar (Y) dan satu pemboleh ubah bebas (X1). e.g.
Y f ( X1 ) Y a bX 1
di mana Y = hasil jualan dan X1 = perbelanjaan pengiklanan.
Model yang menggambarkan hubungan antara pemboleh ubah bersandar (Y) dan lebih daripada satu pemboleh ubah bebas (X1 & X2). e.g.
Y f ( X1,X2 ) Y a bX 1 cX 2
di mana Y = hasil jualan, X1 = perbelanjaan pengiklanan dan X2 = harga barang.
Hubungan antara pemboleh ubah bersandar (Y) dan pemboleh ubah bebas (X) diterangkan oleh satu fungsi linear.
Perubahan Y diandaikan mempunyai hubungan dengan perubahan X.
10
Terma Ralat
Yi a bX i i
Komponen linear
11
Yi a bX i i
Y
i
Y
Pintasan = a
Kecerunan = b
Xi
Statistik Untuk Sains Sosial
X
12
JENIS HUBUNGAN
Hubungan linear Y Y Hubungan Tidak linear
X Hubungan Positif Y Y
X Hubungan Negatif
Statistik Untuk Sains Sosial
X
13
JENIS HUBUNGAN
Hubungan kuat Y Y Hubungan lemah
X Y Y
X
Statistik Untuk Sains Sosial
X
14
JENIS HUBUNGAN
Tiada hubungan Y
X Y
X
Statistik Untuk Sains Sosial 15
Min
Min
Y Y
a bX di mana Y
Statistik Untuk Sains Sosial 16
N XY X Y N X X
2 2
a Y bX
17
18
Contoh Pengiraan
Contoh: Katakan kita ingin melihat hubungan antara harga jualan rumah dengan saiz rumah (diukur dalam meter2)
Satu sampel rawak 10 rumah telah dipilih Pemboleh ubah bersandar (Y) = harga rumah dalam ribu (RM1,000) Pemboleh ubah bebas(X) = keluasan rumah (meter2)
19
Contoh Data
Harga Rumah (RM000) (Y) Keluasan Rumah (meter2) (X)
308
199 219 405
1875
1100 1550 2350
324
319 255
Statistik Untuk Sains Sosial
2450
1425 1700
20
21
Contoh Pengiraan
Harga Rumah (RM000) (Y) 245 312 279 308 199 219 405 324 319 255 Keluasan (m2) (X) 1400 1600 1700 1875 1100 1550 2350 2450 1425 1700 (X2) 1960000 2560000 2890000 3515625 1210000 2402500 5522500 6002500 2030625 2890000 XY 343000 499200 474300 577500 218900 339450 951750 793800 454575 433500
(X X )
-315 -115 -15 160 -615 -165 645 735 -290 -15
(Y Y )
-41.5 25.5 -7.5 21.5 -87.5 -67.5 118.5 37.5 32.5 -31.5
Y 2865
i 1
X 17150
i 1
X 2 30983750 XY 508597
2865 286.5 10
17150 1715 10
22
Contoh Pengiraan
b N XY X Y N X 2 ( X )2 10( 5085975 ) ( 17150 )( 2865 ) 10( 30983750 ) 294122500 50859750 49134750 309837500 294122500 1725000 15715000 0.11
23
Contoh Output
Pemboleh Ubah Koefisien Ralat Piawai 97.85 0.11 58.03 0.033 Statistik-t Nilai-p 1.69 3.33 0.13 0.01
24
Garisan Regresi
Model Harga Rumah: Plot Serakan dan Garis Anggaran
450 400 350 300 250 200 150 100 50 0
0
Kecerunan = 0.11
1000 2000 Meter Persegi 3000
Pintasan = 97.85
a adalah nilai purata dianggarkan bagi Y bila nilai X = kosong. Oleh kerana sebuah rumah tidak boleh mempunyai kaki persegi 0, a tidak mempunyai apa-apa aplikasi praktikal. b menganggarkan perubahan dalam nilai purata Y akibat daripada perubahan seunit X.
Jika b = 0.11, nilai min rumah meningkat sebanyak 0.10977(1000) = $109.77, secara purata, bagi setiap kaki persegi tambahan dalam saiz rumah.
26
RALAT RAMALAN
Ralat ialah perbezaan antara Y sebenar dengan Y yang dianggarkan, iaitu: Y Y Dikenali juga residual. Kaedah regresi menggunakan pendekatan meminimumkan kuasa dua residual, iaitu:
Min
2
Min
Y Y
27
Sisihan piawai kepada ralat dikenali sebagai ralat piawai anggaran, iaitu Sy,x.
2 Sy ,x 2 e
N 2
2 Sy ,x
Y Y
2 e
N 2
S y ,x
Statistik Untuk Sains Sosial
N 2
28
R Square
Adjusted R Square Standard Error
0.58
0.53 41.33
SYX 41.33
Observations
10
ANOVA
df Regression Residual Total 1 8 9 SS 18934.93 13665.57 32600.50 MS 18934.93 1708.19 F 11.08 Significance F 0.010
29
SYX kecil
SYX besar
Magnitud SYX sentiasa patut dinilai secara relatif kepada nilai Y dalam sampel i.e., SYX = $41.33K adalah agak kecil secara relatif terhadap harga rumah dalam julat $200K - $400K
Statistik Untuk Sains Sosial 30
S y,x
SPy (1 r )
N 1
N 2 r pekali korelasi
31