SSQL1113 Statistik Untuk Sains Sosial Bab 8

Kaedah Regresi

Statistik Untuk Sains Sosial

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

Statistik Untuk Sains Sosial

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

Statistik Untuk Sains Sosial

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

Statistik Untuk Sains Sosial

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.

Statistik Untuk Sains Sosial

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.

P/U bersandar : Gred pelajar P/U bebas : Jam belajar

6

Statistik Untuk Sains Sosial

JENIS MODEL REGRESI

2 jenis iaitu:
Model Regresi Mudah Model Regresi Berbilang

Statistik Untuk Sains Sosial

Model Regresi Mudah

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.

Statistik Untuk Sains Sosial

Model Regresi Berbilang

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.

Statistik Untuk Sains Sosial

REGRESI GARISAN LURUS

Hubungan antara pemboleh ubah bersandar (Y) dan pemboleh ubah bebas (X) diterangkan oleh satu fungsi linear.
Perubahan Y diandaikan mempunyai hubungan dengan perubahan X.

Statistik Untuk Sains Sosial

10

REGRESI GARISAN LURUS

Koefisien/ kecerunan Pemboleh ubah bebas

Pintasan Pemboleh ubah bersandar

Terma Ralat

Yi a bX i i
Komponen linear

Komponen ralat rawak

Statistik Untuk Sains Sosial

11

REGRESI GARISAN LURUS

Y
Ralat rawak nilai Xi

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

OPERASI KAEDAH REGRESI

Menggunakan Kaedah Kuasadua Terkecil (Least Square Method). Kaedah ini meminimumkan jumlah kuasadua ralat.

Min

Min

Y Y

a bX di mana Y
Statistik Untuk Sains Sosial 16

OPERASI KAEDAH REGRESI

Nilai a dan b diperolehi dengan formula

N XY X Y N X X
2 2

a Y bX

Statistik Untuk Sains Sosial

17

Interpretasi Kecerunan dan Pintasan

a adalah nilai purata dianggarkan bagi Y bila nilai X = kosong.

b adalah perubahan yang dianggarkan dalam nilai purata Y akibat daripada perubahan seunit X.

Statistik Untuk Sains Sosial

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)

Statistik Untuk Sains Sosial

19

Contoh Data
Harga Rumah (RM000) (Y) Keluasan Rumah (meter2) (X)

245 312 279

1400 1600 1700

308
199 219 405

1875
1100 1550 2350

324
319 255
Statistik Untuk Sains Sosial

2450
1425 1700
20

Contoh Plot Serakan

Model Harga Rumah
Harga rumah (RM1000)
450 400 350 300 250 200 150 100 50 0
0 1000 2000 Meter Persegi 3000

Statistik Untuk Sains Sosial

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

Statistik Untuk Sains Sosial

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

a Y bX 286.5 0.11(1715) 286.5 188.65 97.85

Persamaan regresi yang dianggarkan ialah

97.85 0.11X Y i i

Statistik Untuk Sains Sosial

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

Intersep Keluasan Rumah

Statistik Untuk Sains Sosial

24

Garisan Regresi
Model Harga Rumah: Plot Serakan dan Garis Anggaran
450 400 350 300 250 200 150 100 50 0
0

Harga Rumah (RM1000)

Kecerunan = 0.11
1000 2000 Meter Persegi 3000

Pintasan = 97.85

Harga rumah 97.85 0.11(Keluasan)

Statistik Untuk Sains Sosial 25

Interpretasi Keputusan Regresi

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.

Statistik Untuk Sains Sosial

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

Statistik Untuk Sains Sosial

27

RALAT PIAWAI ANGGARAN

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

RALAT PIAWAI ANGGARAN

Statistik Regresi Multiple R 0.76

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

Coefficients Intercept Square Feet 97.83 0.11

Standard Error 58.03 0.033

t Stat 1.69 3.33

P-value 0.13 0.01

Lower 95% -35.58 0.03

Upper 95% 232.07 0.19

Statistik Untuk Sains Sosial

29

Membandingkan Ralat Piawai

SYX adalah ukuran variasi nilai Y yang diperhatikan daripada garis regresi Y Y

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

Ralat Piawai Anggaran

Dari modul (ms 101)

S y,x

SPy (1 r )

N 1

N 2 r pekali korelasi

Statistik Untuk Sains Sosial

31