Correlation & Simple

Linear Regression
Tim A sS is In e n a ‘23
 Table of contents

01 Pearson 02 | Spearman 03 | Point-Biserial

05 | Linear
04 | Biserial
Regression
 Correlation
Kor i Gamb n Kar ri k
Meru an n ta t an
di u kan u t en u r a Kor i b a y gamb k n en Simb d a k as :
mengg r a hu g a t sat l , deng n i b (ho n a ) (+) po f → va el n
va el dan (ve k ) be u h e ar n am
Con : Jik ningk ,
Sif ri b yang d ak n: ma j a n ngka
na l a t di pu (-) ne f → va el n
be u h e ar ra n
St e g (ke u an) at Sca r P Con : Jik ningk ,
Con t n y (kon s si) ma m nu un
hubu g n or i:
+/- 1.00 ad ko si g
se r , 0 ar y ti m i k
ko si
Scatter Plot
 Korelasi: Important Points

❏ Apab ni or i t ngg (men k i 1.00), ma la ga k

deng n is
❏ Men h a , mengur ngkan, meng l a se ni X at Y id
ak n u h po ta k e s n a (ap b a n i s i )
❏ Men kan u m n ba n uru la gan l i (+) ti
mengub ol el . Tet ik al /dib g kan n ni (-),
ma ha ka r ik (mi r) dan n ah ar re men d
be w a
 Why Correlation?

1. Pre t o : Apab 2 va el b h bu g n, bi av a l ud
me r si ab n a nn .
2. Val y: Dap n a la u t el va ta b a s/pen ti n
3. Rel i t : Ket el bi t ebu es g , ko si n r e s usn k a
dan s i
4. The V rifi on: Mem fika or tang hub gan t 2 va el
 Interpretation

❏ Kor i m n ju n hu g an 2 va el, BU hubu g n eb b

ak b
❏ Nil o l i p ip ng ru eh t ng s o
❏ Out s → ef sa
❏ Kor i bu p o r . Un u m at ra ur ru r si → r^2
 Pearson Correlation
Men u r e j an da bung n e r n ar 2 va el g n ka
in v /ra
 Pearson

Jik se ,
ma = 1.00
 Pearson
Sum P du s D i t on (S )

Pe r Cor ti n
 Uji Hipotesis Pearson
Step 1 Step 2
Two ed Deg of F om:
H0: p = 0 → ti da la da la Df = n-2
H1: p =/= 0 → ad el ad ul Cri l Re → tab p a n re on
(Gra t l 601)
One ed
Ho: p ≤ 0 → ti da la si p a p a
H1: p > 0 → ad el os pa pu Step 3
Hitung k e s (r)
 Uji Hipotesis Pearson
Step 4
In e p si:
r at c/ob = … >/< c i c = … → ma si gn fi an/ti s ifik n,
h0 di k/ga d o k

Kes lan:
Pen i n ni g n en u (.....), ha m nu ju n ba w ak /ad
hubu g n an gn fi an n ra ab X n , deng n od hi u g n
ko si P on (r= +- …, p >/< a, t o l/on i , r^2= …)
Spearman Correlation
Men u r u un an x a y g n ka din
 Spearman

1. Dat g u gb sa r al in
Ska O d na
2. Dat on s e j ka din
 Ranking
1 2 3
Uru n r a Ti d re → hi u g
Tet n e n t
te c e t sa me n si
un u s i p i
(te s i d pe g dan
da d a
so ) te k n il e
seb g i p g a
ti k
 Spearman
Hitung S
Jad Ran (ap b a b )

Hitung S

Hitung K re
 Spearman Apab ti da so s

Jad Ran (ap b a b ) Car

Hitung S Hitung k e s
Point-Biserial Correlation
Kor i n a v a l n er (in v /ra ) dan r ab d o m a
bin na
 Point-Biserial

In e v (0 ti m ak) Rat (0 mu k)
Num al → ex. Nil u P
→ ex. Suhu b an

Han ra t a t o
—> ex. Jen la (pe p an n i-la ) Dik us/Bin a
 Uji Hipotesis Point-Biserial
Hitung S
Step 1
H0; p = 0 (ju h gas k be hub gan n du ti u )
H1 : p ≠,0 (ju h gas b h bu g n n a du i t )
Hitung S
Step 2
Deg of F om: d = n-2
Cri l Re → tab p a n re on (Gra t l 601)

Step 3 Hitung K re
Hitung r
 Uji Hipotesis Point-Biserial
Step 4
In e p si:
Ob a v u > c i c eg n → hi si l ol
Ob a v u ≤ c i c eg n → hi si l gal la

Kes lan:
Pen i n ni g n en u (.....), ha m nu ju n ba w ak /ad
hubug n a g gn fi a n a(....), deng n od hi u g n or i P n
Bis a , (r = ...., n =...., p >/<.05, on /t o l, r^2 =....(bi gnifi n)).
 Biserial Correlation
Kor i n a v a l b ben uk tinu (in v ) dan t i t u
kon n
 Biserial

Perb an n i 1 dan 0 yang m me ki n i k n nu

Dik us K n nu
da n . Con : San p a , pu , se t u , ti p a

Jar ta tu deng n a y ng l in n pun bob

yang s an k e l i l i ul 0 Kon m/In e v
Biserial

❏ Rb: Ko fis en r a b e l
❏ Xp: Me n (ta )
❏ Xq: Me n (bo )
❏ Sx: Stan r D i
❏ Pp: Pro s P
❏ Pq: Pro s
❏ Y: Tin g k o n ur
 Uji Hipotesis Biserial
Hitung S

Step 1
H0: Pb = 0
H1: Pb ≠,0
Hitung S
Step 2
Deg of F om: d = n-2
Cri l Re → tab p a n
co l i (Gra t l 601) Hitung K re

Step 3
Hitung rb
 Linear Regression
Kegun a :
Mel re an IV dan er ne u n be t-fit i g s a g l e
(un u m n es p an u n a n a du a be ) pa ta
 Persamaan Regresi Linear

a →Y - in c (ni Y a t X = 0, ni on n
b → s o (ke n a g , seb pa b y ar be Y b ah X di b ,
ni on n )
Y → ni an p ik (va el ne )
X → ni ar be v a l n ep n n
Regression Equation
For Prediction
Per an gr i p igun an un k e p k i
ni X an
Hal g lu r a k n:
- Nil a l di t a s rna (ke u i r=+1.00
at =-1.00
- Per an gr i d ap gun n un uk
men r ni di u rang d i t o g na
Standard
Error of
Estimate
Men u r a k na n a n i Y-p e c pa g ri g i d n la Y g e n ya (da )
 Hubungan Antara Standard Error
dan Korelasi

Jik el = +1.00 (at = -1.00), ma la im tan r or l.

Digun an fi i n er si (r^2) yang m n ju n er si

va il Y yang d di le r a d ngan X. Con :
r = 0.80 → r^2 = 0.64
64%, p o r ar bi t ar r Y i r si hubu g n en s X
36% (1 - r^2), p o r an d ip k i (re al)
 Analysis of Regression

Hip is
H0: β = 0 (pe m an g i t me r si an d
va el Y ra gn fi a / va s a v i l Y i k
be tan n pe u han l i g ja da ab X)

H1: β ≠ 0 (pe m an g im r is iv a s ab
Y se si fik n)
 Analysis of Regression
Cri l Va
- d eg s on = 1
- d es a = n-2
- Lo / al l e

F di r b i n le
(Gra t , 2021 →
Ap e d B)
 Analysis of Regression.
Me n a Sum S ar F-ob

Reg s on &
Cor ti n
 Analysis of Regression

Kep an K si l
F ob > F c i c → H0 di k
F ob < F c i c → H0 ga d o k

“Ana s egr enun k a b [IV] da /ti d a m r i s

[D ] se si fik n, F (d eg s on, d es a )= …, p </> a, r^2= …,
deng n sa Y= …”
Thank you!
Do y a n u s o s?