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.

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.

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

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

Pintasan
Pemboleh ubah
bersandar

Koefisien/
kecerunan

Terma
Ralat

Yi a bX i i
Komponen linear

Statistik Untuk Sains Sosial

Pemboleh ubah
bebas

Komponen
ralat
rawak
11

REGRESI GARISAN LURUS

Y

Ralat
rawak nilai Xi

i
Y

Yi a bX i i

Kecerunan = b

Pintasan = a

Xi
Statistik Untuk Sains Sosial

X
12

JENIS HUBUNGAN
Hubungan linear

Hubungan Tidak linear

X
Y

Hubungan Positif

X
Hubungan Negatif
Statistik Untuk Sains Sosial

X
Y

X
13

JENIS HUBUNGAN
Hubungan kuat

Hubungan lemah

X
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

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

1400

312

1600

279

1700

308

1875

199

1100

219

1550

405

2350

324

2450

319

1425

255

1700

Statistik Untuk Sains Sosial

20

Contoh Plot Serakan

Model Harga Rumah

Statistik Untuk Sains Sosial

21

Contoh Pengiraan
Harga Rumah
(RM000)
(Y)

Keluasan
(m2)
(X)

(X2)

XY

(X X )

(Y Y )

245

1400

1960000

343000

-315

-41.5

312

1600

2560000

499200

-115

25.5

279

1700

2890000

474300

-15

-7.5

308

1875

3515625

577500

160

21.5

199

1100

1210000

218900

-615

-87.5

219

1550

2402500

339450

-165

-67.5

405

2350

5522500

951750

645

118.5

324

2450

6002500

793800

735

37.5

319

1425

2030625

454575

-290

32.5

255

1700

2890000

433500

-15

-31.5

Y 2865
i 1

2865
286.5
10

Statistik Untuk Sains Sosial

X 17150
i 1

X 2 30983750 XY 508597

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

a Y bX
286.5 0.11(1715)
286.5 188.65
97.85

Persamaan regresi yang dianggarkan ialah

Yi 97.85 0.11 X i

Statistik Untuk Sains Sosial

23

Contoh Output
Pemboleh
Ubah

Koefisien

Ralat
Piawai

Statistik-t Nilai-p

Intersep

97.85

58.03

1.69

0.13

Keluasan
Rumah

0.11

0.033

3.33

0.01

Statistik Untuk Sains Sosial

24

Garisan Regresi
Model Harga Rumah: Plot Serakan dan Garis Anggaran

Kecerunan
= 0.11

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:
2
2

Min Min Y Y

Statistik Untuk Sains Sosial

27

RALAT PIAWAI ANGGARAN

Sisihan piawai kepada ralat dikenali

sebagai ralat piawai anggaran, iaitu
Sy,x.
S y2,x
S y2,x

S y ,x
Statistik Untuk Sains Sosial

2
e

N 2

Y Y

N 2

2
e

N 2
28

RALAT PIAWAI ANGGARAN

Statistik Regresi
Multiple R

0.76

R Square

0.58

Adjusted R Square

0.53

Standard Error

41.33

Observations

ANOVA

SYX 41.33

10

df

SS

MS

Regression

18934.93

18934.93

Residual

13665.57

1708.19

Total

32600.50

Coefficients
Intercept
Square Feet

Statistik Untuk Sains Sosial

Standard Error

t Stat

11.08

P-value

Significance F
0.010

Lower 95%

Upper 95%

97.83

58.03

1.69

0.13

-35.58

232.07

0.11

0.033

3.33

0.01

0.03

0.19

29

Membandingkan Ralat Piawai

SYX adalah ukuran variasi nilai Y yang diperhatikan
daripada garis regresi
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

Statistik Untuk Sains Sosial

SPy (1 r )

N 1

N 2
r pekali korelasi

31