Professional Documents
Culture Documents
METODE REGRESI
OBJEKTIF BAB
Selepas mempelajari bab ini, anda seharusnya boleh:
1. Menghuraikan konsep dan metode analisis regresi sebagai satu
daripada metode analisis data.
2. Menerangkan model regresi garisan lurus.
3. Menjelaskan perbezaan antara metode dan model regresi mudah
dengan metode korelasi mudah.
4. Membuat aplikasi penggunan metode regresi dalam penyelidikan.
8.1
PENGENALAN
METODE REGRESI
Metode regresi boleh digunakan untuk menguji sejauh mana markat sesuatu
pemboleh ubah dapat diramal dan dianggar dengan menggunakan markat
suatu pemboleh ubah lain. Pemboleh ubah yang diramal dikatakan sebagai
pemboleh ubah terikat, manakala pemboleh ubah yang dijadikan peramal
dinamakan sebagai pemboleh ubah bebas. Hubungan yang digunakan dalam
metode regresi sama seperti metode korelasi iaitu hubungan secara garisan
lurus atau linear.
8.3
Jadual 8.1
Taburan Markat Nilai Kerja dan Prestasi Kerja
Subjek
1
2
3
4
5
6
7
8
9
10
Nilai Kerja
X
4
5
6
7
8
9
10
11
12
13
Prestasi Kerja
Y
6.0
7.5
9.0
10.5
12.0
13.5
15.0
16.5
18.0
19.5
Data dalam Jadual 8.1 menunjukkan pertambahan satu unit makat nilai kerja
daripada 4 hingga 5 akan menunjukkan bertambahnya 1.5 markat prestasi
kerja daripada 6.0 kepada 7.5. Begitu juga keadaannya pada pertambahan
markat-markat yang lain. Pertambahan 1.5 unit pada pemboleh ubah
prestasi kerja (Y) dikatakan berlaku secara malar.
Rajah 8.1
Plot Hubungan Positif Pemboleh Ubah Nilai Kerja (X) dengan Prestasi Kerja (Y)
iaitu
Y' =
a =
b =
X =
8.4
Pemboleh Ubah Y
Pemboleh Ubah Y
Rajah 8.2
Contoh Hubungan Garisan Lurus antara Pemboleh Ubah X dan Pemboleh Ubah Y
Pemboleh Ubah X
Pemboleh Ubah Y
Pemboleh Ubah Y
Pemboleh Ubah X
Pemboleh Ubah X
Pemboleh Ubah X
95
Motivasi (X)
1
2
3
4
5
6
7
8
9
10
N = 10
20
17
20
21
14
13
15
16
14
10
X =160
X2=2672
S.Px = 3.53
Orientasi
Pencapaian (Y)
25
22
25
26
19
18
12
20
11
2
Y=180
Y2= 3764
S.Py =7.63
XY
500
374
500
546
266
234
180
320
154
20
XY=3094
10(3094) (160)(180
[10(2672) (160)2][10(3764 (180)2]
(30940 28800
(26720 25600)(37640 32400)
2140
(1120)(5240)
2160 / 2422.561
0.89
96
Untuk melukis dengan tepat garisan regresi, kita perlu mengetahui terlebih
dahulu cerun b dan pintasan a pada pemboleh ubah Y bagi mengganggar Y.
Garisan regresi akan melalui setiap Y' pada setiap perubahan pada X.
Formula untuk mengira cerun b ialah
b
Min Y (b)(Min X)
Cerun b yang sebelum ini dikenali sebagai cerun regresi juga amat dikenali
dengan nama pekali regresi. Fungsinya bolehlah ditakrif sebagai sama
dengan pekali korelasi. Statistik a juga begitu dikenali dengan nama malar
regresi.
Pengiraan pekali regresi b dan malar regresi markat motivasi dan orientasi
pencapaian dalam Jadual 8.2 ialah seperti berikut:
b
10(3094) (160)(180)
10(2672) (160)2
30940 28800
26720 25600
1.91
Pekali regresi b atau kecerunan garisan regresi adalah positif 1.91, manakala
pekali korelasi antara motivasi dengan orientasi pencapaian yang dikira
sebelum ini juga positif iaitu 0.89.
Nilai malar pintasan a pada paksi Y ialah 12.56.
a
180 305.60
10
125.6 / 10
12.56
Dengan itu, persamaan regresi taburan markat motivasi (X) dan orientasi
pencapaian (Y) ialah Y = 12.56 + 1.91X.
Apakah perbezaan utama antara pekali regresi dengan pekali
korelasi.
97
8.6
HUBUNGAN NEGATIF
Cuba kita lihat pula keadaan taburan apabila dua pemboleh ubah
mempunyai hubungan yang negatif. Dalam hal ini, kita gunakan markat
penghargaan kendiri X dan agregat SPM yang ditunjukkan dalam Jadual 8.3.
Jadual 8.3
Taburan Markat Penghargaan Kendiri dan Agregat SPM
Subjek
1
2
3
4
5
6
7
8
9
10
N = 10
Penghargaan
Kendiri (X)
2
10
14
20
15
17
18
15
16
6
X =141
X2=2195
S.Px = 4.08
Agregat SPM
(Y)
8
12
14
6
9
8
7
10
8
17
Y=99
Y2= 1087
S.Py =3.45
XY
96
120
196
120
135
136
126
150
128
102
XY=1309
Pekali korelasi antara penghargaan kendiri dengan agregat SPM ialah r 0.84. Pekali regresi b ialah - 0. 71. Kedua-duanya, r dan b, ialah negatif.
b
10(1309) (143)(99)
10(2195) (143)2
13090) 14157
21950 20449
- 1067
1501
- 0.71
=
=
=
9.9 (- 0.71)(14.3)
9.9 ( -10.15)
20.05
98
1.
Motivasi
12
13
9
18
7
16
11
13
9
12
Sebagaimana yang telah dibincangkan sebelum ini markat yang diramal atau
markat anggaran Y' merupakan markat yang mewakili setiap titik di garisan
regresi pada setiap markat X dan boleh dikira berdasarkan persamaan
regresi. Perbezaan antara markat yang diperoleh Y dengan markat yang
dianggar atau diramal Y' dikatakan sebagai ralat ramalan yang biasanya
dinyatakan dengan simbol e. Secara formula, ralat ramalan e dikira seperti
berikut:
e = Y - Y
99
2
X
20
17
20
21
14
13
15
16
14
10
160
3
Y
25
22
25
26
19
18
12
20
11
2
180
4
Y
25.64
19.91
25.64
27.55
14.18
12.27
16.09
18.00
14.18
6.54
5
e = Y Y
-0.64
2.09
-0.64
-1.55
4.82
5.73
-4.09
2.00
-3.18
-4.54
e = 0.00
6
e2
0.41
4.37
0.41
2.40
23.23
32.83
16.73
4.00
10.11
20.61
e2 = 115.1
Garisan regresi yang dibina dikatakan sebagai garisan lurus yang paling baik
dan sesuai untuk menggambarkan hubungan pemboleh ubah. Ia dikatakan
baik kerana garisan tersebut telah berjaya mengurangkan jumlah kuasa dua
ralat (Y-Y') = e2 ke peringkat yang paling minimum. Tatacara untuk
menghasilkan garisan regresi selalu dipanggil sebagai metode kuasa dua
terkecil (method of least squares) dan cuba meminimumkan jumlah kuasa dua
sisihan antara markat yang diramal dengan markat yang diperoleh. Garisan
lurus regresi menghasilkan jumlah kuasa dua ralat e2 yang paling minimum
iaitu 115.1 yang ditunjukkan dalam lajur 6.
Ralat ramalan e = (Y-Y') terkenal juga dengan istilah residual. Dalam
kebanyakan buku statistik yang lebih kompleks dan pakej komputer, jumlah
kuasa dua ralat e2 dikenali sebagai jumlah kuasa dua residual. Dalam modul
ini JKDRalat akan digunakan.
Varians kepada markat ramalan tidak boleh melebihi varians markat Y yang
diperoleh. Dalam kes tertentu, apabila pekali korelasi antara X dan Y amat
tepat (r = 1.0), varians markat anggaran yang diramal dengan varians markat
yang diperoleh Y menjadi sama. Nilai pekali korelasi markat ramalan dengan
markat yang diperoleh sama dengan korelasi antara X dan Y (Marasuilo dan
Levin, 1985).
8.8
Konsep sisihan daripada min dalam metode regresi merujuk kepada ralat
atau sisihan antara markat yang diperoleh dengan markat anggaran (Y - Y').
Sisihan piawai kepada ralat dinamakan sebagai ralat piawai anggaran. la
100
menggunakan simbol Sy.x, iaitu Y ialah pemboleh ubah terikat dan X sebagai
pemboleh ubah bebas. Formula kepada ralat varians anggaran ialah
S2y.x
=
=
=
e2 / N -2
( Y Y)2 / N -2
JKDRalat / N - 2
Ralat piawai anggaran ialah hasil punca kuasa dua varians anggaran.
Sy.x
(e2 / N 2)
Cuba kita kira ralat piawai anggaran taburan markat di atas yang mempunyai
e2 = 115.1 dan pekali korelasinya 0.88.
Sy.x
8.9
=
=
=
(115.1) / 10 2)
(115.1) / 8)
3.79
S.Py (1 r 2) (N 1)/ (N 2)
Daripada data yang sama, kita ambil ringkasan statistiknya untuk mengira
ralat piawai.
rxy = 0.88
S.Px = 3.53
Sy.x
=
=
=
=
=
N = 10
S.PY = 7.63
S.Py (1 r 2)
101
2.
8.10
HUBUNGAN
KORELASI
PEKALI
REGRESI
DENGAN
PEKALI
r (S.Py / S.Px).
=
=
=
iaitu
r
S.Px
S.Py
(iii)
102
8.11
KESIMPULAN
Bab ini telah membincangkan satu metode analisis data yang seakan-akan
sama dengan metode analisis korelasi yang dibincangkan sebelumnya.
Memang terdapat saling hubungan antara dua metode analisis mudah ini.
Kedua-dua metode dapat menerangkan hubungan antara dua pemboleh
ubah. Dalam metode analisis regresi, pemboleh ubah bebas ditentukan
dahulu dan berperanan sebagai peramal manakala pemboleh ubah terikat
sebagai pemboleh ubah yang diramal atau menerima kesan dan pengaruh.
Dalam metode regresi, kita juga boleh mempastikan ketepatan ramalan
secara garisan lurus dan dapat mengetahui sebanyak mana ralat ramalan
model analisis yang kita gunakan. Metode analisis regresi mempunyai
kelebihan berbanding dengan metode korelasi.
103
3.
Subjek
1
2
3
4
5
6
7
8
9
10
(b)
(c)
(d)
(e)
(f)
Suasana Keagamaan
Keluarga
13
12
11
13
9
11
8
8
12
13
Kesejahteraan
Hidup
17
15
15
16
10
16
7
7
15
18
1.
Pekali regresi
Markat anggaran
Ralat ramalan
2.
3.
(a)
(b)
(c)
4.
Nilai Kerja
77
75
71
79
75
88
85
86
80
70
Prestasi Kerja
76
82
78
83
72
88
78
81
75
65
105
Amalan Keagamaan
15
10
7
18
5
10
7
17
15
9
8
15
11
17
8
(a)
(b)
(c)
(d)
Personaliti Murni
12
13
9
18
7
9
14
16
10
7
13
14
19
10
10
6.
Lemah
Sederhana
Kuat
Sukar ditentukan
2.70
3.30
3.40
3.80
106
7.
Lemah
Sederhana
Kuat
Sukar ditentukan
Semak jawapan anda di akhir modul kursus ini.
JAWAPAN SOALAN DALAM TEKS
1.
Subjek
1
2
3
4
5
6
7
8
9
10
Jumlah
Penghargaan
Kendiri
(X)
15
10
7
18
5
17
15
11
9
14
X = 121
Motivasi
(Y)
12.00
13.00
9.00
18.00
7.00
16.00
11.00
13.00
9.00
12.00
Y =120
XY
180.00
130.00
63.00
324.00
35.00
272.00
165.00
143.00
81.00
168.00
XY = 1561
X2
225.00
100.00
49.00
324.00
25.00
289.00
225.00
121.00
81.00
196.00
X2 =1635
Y2
144.00
169.00
81.00
324.00
49.00
256.00
121.00
169.00
81.00
144.00
Y2 = 1538
(a)
(b)
=
=
=
=
=
NXY (X)( Y)
NX2 (X)2
10(1561) (121)(120)
10(1635) - (121)2
15610 -14520
16350 14641
1090
1709
0. 638
107
Pekali regresi positif 0.638, manakala pekali korelasi yang telah dikira
juga positif iaitu 0.842.
(c)
2.
=
=
=
=
Min Y b (Min X)
12.0 (0.638)(12.1)
12.0 7.7198
4.2802
(d)
(a)
(b)
Apabila X = 9, Y
= 4.2802 + (0.638 * 9)
= 4.2802 + 5.742
= 10.0222
Apabila X = 11, Y
Apabila X = 15, Y
(c)
Motivasi
(Y)
12
13
9
Y
13.8502
11.2982
10.0222
e = Y-Y
- 1.8502
1.7018
- 1.0222
=
=
=
=
108
(3.30)(1 - 0.8422)
3.30 ( 0.291)
3.30 (0.5394)
1.780
3.
(b)
(c)
NXY (X)( Y)
NX2 (X)2
10(1566) (110)(136)
10(1246) - (110)2
15660 -14960
2460 12100
700
360
1.94
=
=
=
=
Min Y b (Min X)
13.6 (1.94)(11.0)
13.6 21.34
- 7.74
=
=
=
Malar regresi a
Apabila X = 12, Y
(e)
(f)
Suasana
Keagamaan
(X)
13
11
Kesejahteraan
Hidup
(Y)
16
16
Y
17.48
13.60
e = Y-Y
- 1.48
2.40
=
=
=
=
=
110