A.

REGRESI LINEAR GANDA (MULTIPEL) Bertujuan untuk mencari bentuk hubungan (relasi) linear antara satu variabel terikat Y dan k variabel bebas . Pembicaraan untuk X dan Y yang berskala interval. 1. Model Model hubungan antara variabel Y dan k variabel pada populasi adalah sebagai berikut. = + Untuk setiap pasangan ( ) dengan: = nilai ke-i variabel Y; = suku tetap; = koefisien regresi pada ; j = 1,2,....,k; dengan k ≥ 2; = galat random pada model regresi untuk populasi. Estimator untuk suku tetap disajikan dengan ,estimator untuk koefisien regresi disajikan dengan , dan estimator untuk disajikan dengan . Model regresi pada sampel adalah = + ; untuk k ≥ 2. Dengan pemikiran yang sama dengan pembicaraan pada regresi linear, maka persamaan regresi Y pada adalah: ̂ = ; untuk k ≥ 2. 2. Persyaratan Analisis Analisis regresi linear ganda agar persamaan regresinya dapat digunakan untuk prediksi diperlukan beberapa persyaratan. Kecuali persyaratan X dan Y harus berskala interval, persyaratan-persyaratan lain yang harus dipenuhi adalah: a. Hubungan antara dan Y linear dan berarti; b. Antara variabel-variabel bebas saling independen; c. Tidak ada variabel bebas yang relevan yang dikeluarkan; d. Tidak ada variabel bebas yang irelevan yang dimasukkan; e. Residu-residu berdistribusi normal dengan rerata 0 dan variasi ; f. Tidak ada korelasi antara variabel bebas dan residu; g. Tidak ada korelasi antara suku-suku sisa(residu-residu). Diantara ketujuh persyaratan tersebut, biasanya hanya dua persyaratan pertama yang harus diuji, sedangkan persyaratan lainnya cukup diasumsikan. 3. Hubungan antara dan Y linear dan berarti Hubungan antara dan Y harus linear, untuk setiap . Pengujian linearitas dengan Y perlu dilakukan, terlebih-lebih lagi kalau peneliti juga ingin menguji koefisien korelasi antara masing-masing variabel bebas dengan variabel terikat secara sendiri-sendiri. Ada dua keberartian yang diuji, adalah keberartian regresi dan keberartian koefisien regresi. Keberartian koefisien regresi ditunjukkan oleh berartinya setiap koefisien regresi (yaitu ). 4. Variabel-variabel Bebas Saling Independen Antara variabel-variabel bebas saling independen dalam arti bahwa antara masingmasing variabel bebas tidak saling berkorelasi cukup tinggi. Oleh karena itu, persyaratan ini

. .8. = matriks kolom berdimensi k x 1 yang memuat koefisien regresi baku untuk j = 1. Persamaan normal regresi baku (PNRB) Y pada untuk j = 1. 2. Untuk itu.. koefisien regresi baku dapat diperoleh dengan menyelesaikan sistem persamaan linear dalam .disebut juga persyaratan otokorelasi untuk variabel bebas. 3. Persyaratan ini juga disebut persyaratan tidak adanya multikorelasi pada variabel bebas. ... k. . yaitu: ̃ ̃* 1. = [ ] dengan = . 2.. beberapa literatur mengatakan bahwa suatu variabel bebas saling independen dengan variabel bebas yang lain jika koefisien korelasina kurang 0. k Untuk k = 2... B.. persamaan regresi normal bakunya adalah: [ ][ ]= [ ] dan dicari dengan rumus: Dari persamaan itu (untuk k=2). nilai . 3. . Pada kasus ini. ̃ = matriks kolom berdimensi k x 1 yang memuat koefisien korelasi antara dengan Y. .. 2. dengan menggunakan invers matriks. 2. 3. seperti pada analisis regresi linear sederhana. Tidak ada patokan yang disepakati seberapa tinggi suatu korelasi disebut cukup tinggi. untuk i=j. untuk i j. nilai = = Untuk k = 3. untuk j = 1. dan dicari dengan menggunakan determinan orde tiga. k.. atau dengan menggunakan transformasi baris elemeter. persamaan regresi normal bakunya adalah: [ ][ ]=[ ] Selanjutnya. sebagai berikut: ̃ ̃* = ̃ Dengan ̃ adalah matriks persegi (bujur sangkar) berdimensi k x k. k adalah persamaan: = dengan = (yang disebut koefisien regresi baku untuk ) = deviasi baku untuk = deviasi baku untuk Y Dengan menggunakan metode kuadrat terkecil. MENCARI PERSAMAAN REGRESI LINEAR GANDA DENGAN MENGGUNAKAN KOEFISIEN KORELASI Mencari persamaan regresi linear ganda adalah dengan menggunakan koefisien korelasi sederhana antara masing-masing variabel bebas dengan variabel terikatnya. yaitu untuk j = 1. dicari persamaan normal regresi bakunya.. ..

859.385 bukanlah persamaan sebuah garis.639 + 0. namun persamaan sebuah bidang.868 ̂ = 0.686 + 0. koefisien . ̅ ̅ ̅ = 5. .431 Dengan mensubstitusikan skor baru ke persamaan regresi normal baku diperoleh persamaan regresi Y pada dan sebagai berikut: ̂ ̅ ][ ]= [ ][ ] ]= [ ] = 0.385 ̂ = 0.686 + 0. C.750. = 1.084 sehingga persamaan normal regresi bakunya adalah: [ [ Diperoleh: = = = = = 0.303. yang berarti bahwa matriks ̃ adalah Contoh 1: Diketahui data berikut: 5 4 7 6 4 6 7 5 6 8 6 4 5 5 8 6 5 5 5 4 7 7 5 7 Y 6 5 8 6 5 6 6 5 7 8 6 5 Carilah persamaan regresi Y pada dan . = 0.707.083.Perhatikanlah bahwa metriks simetris.215. = 1. = 1.570 + 0. dan dapat dicari dari 3 persamaan dengan 3 variabel berikut.083 + (1.431 Persamaan regresi normal bakunya ialah: = + = 0. CARA LAIN MENENTUKAN PERSAMAAN REGRESI LINEAR GANDA Ada cara lain untuk menentukan bidang persamaan regresi linear ganda dengan dua variabel bebas dan adalah sebagai berikut: ̂ = + + Dengan metode kuadrat terkecil. sehingga jika terdapat dua buah X. maka regresinya adalah bidang regresi.667. = 0.402.084){0.639 + 0.431 } ̂ = 6. Solusi: Dengan menggunakan formula momen produk Karl Pearson akan diperoleh: = 0.570 + 0.686 +0. = untuk setiap i dan j. = 6.686 = ̅ + ̅ ̂ = 0. + + = . = 5.

. atau dengan cara lain... sehingga persamaan regresi linearnya adalah: ̂ = 0..... yaitu dengan melibatkan deviasi dari ̅ ̅ .. dan variabel . = 430 . Deviasi-deviasi itu adalah: ̅.. Solusi: Tabel 1.. .. (7) Dari persamaan (7) diperoleh = 0.... Contoh 2 : Tentukan persamaan regresi linear data berikut.. Nilai disubstitusikan ke persamaan (6) diperoleh = 0... + + + + + + + + + (1) (2) (3) = 3 . nilai dan disubstitsikan ke persamaan (4) diperoleh = 0.... dan dapat dicari dengan metode substitusi dan eliminasi. diperoleh persamaan: = 457.5 x (6) : = 100 – = 63 ..... + + + 68 + 402 + 398 (3) – (2) 12 x (4) (1) + + + : -6 : 12 ... (6) (5) : -140 = -37 2.639 + + Biasanya menyelesaikan sistem persamaan linear dengan tiga peubah tidak cukup mudah. dengan invers matriks... .72 : 12 + 68 -140 : + 1156 : + 1212 = 73 .............. = 427 . (4) = 36 . Tabel Kerja Untuk Mencari Persamaan Regresi ̂ = + + Y 5 5 6 25 30 30 25 25 36 4 5 5 20 20 25 16 25 25 7 8 8 56 56 64 49 64 64 6 6 6 36 36 36 36 36 36 4 5 5 20 20 25 16 25 25 6 5 6 30 36 30 36 25 36 7 5 6 35 42 30 49 25 36 5 4 5 20 25 20 25 16 25 6 7 7 42 42 49 36 49 49 8 7 8 56 64 56 64 49 64 6 5 6 30 36 30 36 25 36 4 7 5 28 20 35 16 47 25 68 69 73 398 427 430 404 413 457 = 68..570.... = 430........ Akhirnya.......... = 413.... = 427. = 69............639.. dan Y. (5) 17 x (1) = 1241 3 x (2) = 1281 – = 40 .... Oleh karena itu.. = 73 – = -37 ..............+ = + = Konstanta ..... = 73........ = 404. = 398.. Ada cara lain yang tampaknya lebuh mudah... ..385.....

= 413.̅ Nilai dan dapat dicari dari: = Nilai jumlah kuadrat deviasi untuk masing-masing besaran dihitung dengan formula: = = – Contoh 3: Tentukan persamaan regresi linear data pada Contoh 2 dengan menggunakan masingmasing deviasi. = 457.639 Jadi. = 6.667 = 16. = 404.250 = = = 0. Dari besaran-besaran itu.750.333 = 10.750 = 18. Solusi: Dari tabel Contoh 2 diperoleh: = 68.083 = 404 = 413 = 398 = 427 = 430 = = = 404 – 385. jumlah kuadrat residu dirumuskan sebagai berikut: D = = .. = 427.385 = 6.(0. persamaan regresinya adalah ̂ = 0.750 = 398 – 391 = 427 – 413.250 =7 = 13. diperoleh: ̅ ̅ ̅ = 5. = 5. sehingga dipenuhi: ̅ = + ̅ + ̅ Dari persamaan itu dicari dari: =̅.570)(5. MENENTUKAN PERSAMAAN REGRESI LINEAR GANDA SECARA UMUM Misal persamaan regresi adalah: ̂ = + + + + .667. = 398. = 73.Seperti halnya pada regresi linear sederhana.̅ .570 = 0.333 = 413 – 396.639 + + D.083 – (0..385)(5. regresi linear ganda juga melalui sentroidnya.667) . = 69.750) = 0. + Seperti pada analisis regresi linear sederhana.667 = 430 – 419. = 430.

....... ...250.. jumlah kuadrat total..... Untuk regresi linear ganda...... Dengan sifat-sifat kalkulus kalkulus tertentu..... dicari dari sistem persamaan di atas dengan berbagai cara penyelesaian persamaan linear.....333. E.. : Hubungan linear ganda antara dan dengan Y berarti.. : Hubungan linear ganda antara dan dengan Y tidak berarti...570)(13. . disajikan dengan JKT... sehingga statistik uji untuk keberartian regresi adalah: F = = F(k...... maka akan diperoleh sistem persamaan berikut.... = 0.. = 0. didefinisikan sebagai berikut: JKR = ̂ ̅ Jumlah kuadrat ganda. n – k – 1) Contoh 4: Ujilah keberartian regresi linear ganda yang diperoleh dari data pada Tabel 1 dengan = 0. = 10... .... 2... 3.. diperoleh: = 13.. disajikan dengan JKG.. Pada dasarnya uji keberartian regresi linear ganda adalah perluasan dari uji keberartian regresi linear sederhana.917 Dari Contoh 2... jika D minimum... + = .570......... didefinisikan sebagai berikut: JKG = JKT – JKR Dapat diketahui bahwa jumlah kuadrat total dan jumlah kuadrat regresi berbentuk sebagai berikut: JKT = JKR = + + + ..385 Sehingga: JKR = + = (0.... Untuk itu didefinisikan jumlah kuadrat total. + = + + + ..........546 .385)(10. Komputasi: Dari Tabel 1. + Dari JKR dengan derajat kebebasan k dibentuk rerata kuadrat regresi (RKR).... + + + ....... jumlah kuadrat regresi. jumlah kuadrat regresi..05. harus diuji keberartiannya dulu....333) + (0. diperoleh: = 73 dan = 457 Sehingga: JKT = = 457 = 12.........Regresi linear ganda akan diperoleh jika D mencapai minimum.... UJI KEBERARTIAN REGRESI LINEAR GANDA Sebelum persamaan regresi linear digunakan untuk suatu keperluan... + = + + + . dari JKG dengan derajat kebebasan n – k – 1 dibentuk rerata kuadrat galat (RKG)..... didefinisikan sebagai berikut: ̅ JKT = Untuk regresi linear ganda.... disajikan dengan JKR. Solusi: 1... + = Nilai .05....250) = 11.. n + + + .... dan jumlah kuadrat galat (residu).. = 0.....

sebagai .26 p < 0. sebagai variabel bebas. Definisi 1: Kesalahan baku taksiran untuk regresi linear ganda.98 4. . F.371 Dari JKR. sebagai variabel bebas. dengan 1 < m < k. didefinisikan sebagai berikut. didefinikan sebagai berikut. disajikan dengan .917 11 4. dan JKT tersebut dapat disusun rangkuman analisis variansinya seperti pada tabel berikut. .JKG = JKT – JKR = 12. =√ dengan adalah koefisien determinasi dari korelasi linear ganda dengan sebagai variabel tergantung . Keputusan Uji: ditolak.546 2 5. . . disajikan dengan .917 – 11. .371. . JKG.152 Total 12. =√ = 0. Untuk . . sebagaivariabel bebas. sehingga: =√ G. KESALAHAN BAKU TAKSIRAN PADA REGRESI LINEAR GANDA Seperti halnya pada regresi linear sederhana. Kesimpulan : Hubungan linear ganda antara dan dengan Y berarti. ... 5. .. untuk mengukur tingkat variabilitas si sekitar regresi didefinisikan kesalahan baku taksiran. didefinisikan: =√ dengan adalah koefisien determinasi dari korelasi linear ganda dengan sebagai variabel tergantung dan . Tabel 2..390 KESALAHAN BAKU KOEFISIEN REGRESI PADA REGRESI LINEAR GANDA Definisi 2: a. =√ ̅ ̂ =√ Contoh 5: Carilah kesalahan baku regresi linear yang diperoleh dari Contoh 1.546 = 1.05 Galat 1. c. Kesalahan baku koefisien linear ganda pada regresi linear ganda. . .371 9 0.. Rangkuman Analisis Variansi Pada Uji Keberartian Sumber JK dk RK p Regresi Linear 11. b. diperoleh JKG = 1.773 37. didefinisikan: =√ dengan adalah koefisien dari korelasi linear ganda dengan variabel tergantung dan .. Untuk .. Solusi: Dari Contoh 4.

) perlu diuji keberartiannya. Contoh 7: Ujilah keberartian dari koefisien regresi yang diperoleh dari Contoh 1.758 Karena DK = {t | t < atau t > } = {t| t < -2.. yang berarti bahwa berarti.402.632 Karena DK = {t | t < atau t > } = {t| t < -2.667 dan = 16. .Khusus untuk kesalahan baku koefisien regresi linear ganda pada regresi dengan dua variabel bebas dan disajikan dengan . Untuk uji keberartian koefisien regresi ini yang diuji adalah pasangan hipotesis berikut: : = 0(koefisien tidak berarti) : 0(koefisien berarti) Jadi. diperoleh: = = = = 5. maka hasil hipotesis nol ditolak. Oleh karena itu: =√ =√ H. uji hipotesisnya adalah uji hipotesis dua ekor. . sehingga = 0. diperoleh: = 0. diperoleh: = 18. Contoh 6: Carilah kesalahan baku untuk koefisien regresi yang diperoleh dari Contoh 1. = 0.262}. koefisien-koefisien regresinya (yaitu . .106 UJI KEBERARTIAN KOEFISIEN REGRESI LINEAR GANDA Agar regresi yang diperoleh bisa digunakan untuk melakukan prediksi secara cermat.390.152 Dari Contoh 3.. Untuk = 0. .262 atau t > 2. maka hasil hipotesis nol ditolak. adalah sebagai berikut: =√ dengan adalah koefisien korelasi antara dan . Solusi: a.262 atau t > 2. Untuk menguji keberartian koefisien regresi digunakan statistik uji t = yaitu variabel random berdistribusi t dengan derajat kebebasan n – k – 1. Solusi: Dari Contoh 5. diperoleh: = 0.250 Dari Contoh 1. yang berarti bahwa berarti.385 Berdasarkan hasil perhitungan pada Contoh 6 diperoleh: = = = = 3.009 = 0.262}.570 Berdasarkan hasil perhitungan pada Contoh 6. Untuk = 0. . b.

.894 = 0.. KOEFISIEN DETERMINASI DAN KOEFISIEN KORELASI LINEAR GANDA Koefisien determinasi ganda Y pada .I.946 .. n – k – 1) adalah . .895 =√ = 0. + + . didefinisikan sebagai berikut: = Dapat dibuktikan bahwa: = + Untuk k = 2. . .686)(0.431)(0...894 = 0. 0 1 dan 0 1 Contoh 8: Carilah koefisien korelasi dari Contoh 1. .859) + (0. . UJI SIGNIFIKASI KOEFISIEN KORELASI LINEAR GANDA Uji signifikasi koefisien korelasi ganda dilakukan dengan menggunakan uji statistik F yang dirumuskan oleh: F = ~ F(k.. Dalam formula tersebut. = 0.. Cara I: = = =√ Cara II: = + = (0.. dapat dibuktikan bahwa: = Definisi 4: Koefisien determinasi ganda Y pada didefinisikan sebagai berikut: =√ Dapat ditunjukkan bahwa baik nilai koefisien determinasi ganda maupun koefisien korelasi ganda mempunyai nilai minimum 0 dan nilai maksimum 1. ..707) =√ = 0... . + dengan derajat kebebasan k dan n – k – 1. Jadi. disajikan dengan Definisi 3: Koefisien determinasi ganda Y pada . . . Solusi: Untuk menjawab soal ini. disajikan dengan . digunakan hasil perhitungan pada Contoh 1 dan Contoh 4. .946 J.946 Cara III: = = = = = 0. . disajikan dengan . yang dimaksud ..

DK = = = 37.01. sehingga rerata kuadrat masing-masing adalah: RKR = RKG = Statistik uji yang digunakan untuk menguji signifikasi korelasi linear ganda adalah: F = yang berdistribusi F dengan derajat kebebasan k dan n – k – 1. Keputusan Uji. Komputasi: = 5.25 = ~ F(k. dan jumlah kuadrat total. Daerah kritis: = 6. Dalam kasus analisis korelasi linear ganda ini. jumlah kuadrat regresi (JKR). perlu didefinisikan jumlah kuadrat regresi.Contoh 9: Ujilah signifikasi dari koefisien korelasi ganda yang diperoleh pada Contoh 1 jika digunakan = 0.)JKT Dalam formula di atas. ditolak 7.01. Statistik uji yang digunakan: F 4. Kesimpulan: Terdapat korelasi ganda antara dan dengan Y signifikan). : = 0 (tidak terdapat korelasi ganda antara dan dengan Y) : > 0 (terdapat korelasi ganda antara dan dengan Y) 2. Contoh 10: Ujilah signifikasi dari koefisien korelasi ganda yang diperoleh pada Contoh 1 dengan menggunakan analisis variansi jika = 0. . n – k – 1) dan dengan Y (atau korelasi ganda antara Uji Signifikasi Menggunakan Analisis Variansi Jika uji signifikasi koefisien korelasi linear ganda dilakukan dengan menggunakan analisis variansi. derajat kebebasan untuk JKR adalah k dan derajat kebebasan untuk JKG adalah n – k – 1. = 0. dan jumlah kuadrat galat (JKG) pada koefisien korelasi linear ganda didefinisikan sebagai berikut: JKT = ∑ JKR = ( )JKT JKG = (1 . Solusi: 1. jumlah kuadrat galat (residu). yang dimaksud adalah . Definisi 5: Jumlah kuadrat total (JKT). .01 3.

917) = 11.12 DK Tabel 4.152 Total 12.385 X2 Predictor Coef Stdev t-ratio P Constant 0. MTB > REGRESS Y ON 2 X1 X2 The regression equation is Y = 0.917) =k =2 =n–k–1 = 12 – 2 – 1 = 9 = = 5.01 3.570 X1 + 0.6491 0. DK = {F| F>8.Solusi: 1. berikut ini ditampilkan keluaran (Print Out) dari paket program statistik MINITAB. walaupun susunan hipotesisnya adalah tipe C.0 % ∑ = 12.02 p < 0. Perhatikanlah bahwa pada hipotesis dituliskan = 0.894)(12. Kesimpulan: terdapat korelasi ganda antara dan dengan Y.548 2 5.152 = 37.000 X2 0.639 + 0.1057 3.774 37.3901 R-sq = 89.02. dan = 38.3853 0. Komputasi: JKT JKR JKG dkR dkG RKR =∑ = 457 = 457 – 444. Rangkuman Analisis Variansi Pada Uji Signifikasi Koefisien Korelasi Sumber JK dk RK p Regresi Linear 11.894)(12.98 = 5.6389 0.351 X1 0.65 0. Statistik uji yang digunakan: F = ~ F (k.369 9 0.369 RKG = . = 0. Keputusan Uji: ditolak 7.005 s = 0.98 0. n – k – 1) 4.59979 0.09862 5. Daerah Kritis: = 8.917 11 6.083 = ( )JKT = (0.4% R-sq(adj) = 87.548 =( )JKT = (1 – 0.02}. : = 0 (tidak terdapat korelasi ganda antara dan dengan Y) : > 0 (terdapat korelasi ganda antara dan dengan Y) 2.917 = 1.774 = 0. Kalau diperhatikan benar-benar. beberapa hasil perhitungan pada contoh-contoh soal di muka tidak sama persis dengan hasil perhitungan komputer.78 0. Hal ini diperbolehkan karena sudah diketahui bahwa tidak mungkin negatif.05 Galat 1. Sebagai tambahan gambaran mengenai uji regresi dan korelasi ganda ini.98 8. Hal ini disebabkan karena adanya pembulatanpembulatan pada perhitungan manual.

Bilangan s yang ditulis di bawah hasil uji keberartian itu adalah kesalahan buku taksiran. 3. Kemudian ditampilkan hasil uji keberartian koefisien regresi. Terdapat korelasi ganda antara .3699 0. 5. Terdapat korelasi ganda antara dan dengan Y. maka dapat dihitung berapa sumbangan (kontribusi) masing-masing variabel bebas tersebut terhadap terbentunya regresi linear. Namun. terdapat 2 variabel bebas dan dan satu variabel bebas Y. . Peneliti dapat memilih sebagian di antaranya sesuai dengan urgensi penelitiannya. 7.9167 P 0.1522 12. Terdapat korelasi positif (atau negatif) dengan Y. Pada penelitian dengan 2 variabel bebas tersebutm peneliti dapat mempunyai 3 hipotesis alternatif.Analysis of Variance SOURCE Regression Error Total DF 2 9 11 SS MS F 11. Terdapat korelasi positif (atau negatif) dengan Y. Definisi 6: Sumbangan efektif. yaitu: 1. sedangkan jumlah sumbangan relatif untuk semua variabel bebasnya sama dengan satu (100%). Terdapat korelasi positif (atau negatif) dengan Y. Terdapat korelasi ganda antara dan dengan Y. terhadap terjadinya regresi linear pada regresi linear ganda dengan dua variabel bebas didefinisikan sebagai berikut: . R-sq adalah koefisiien determinasi. . yaitu: 1. yaitu sumbangan efektif dan sumbangan relatis.000 Yang pertama ditampilkan oleh komputer adalah persamaan regresinya. dan sumbangan relatif. Terdapat korelasi ganda antara dan dengan Y. peneliti tidak harus mempunyai 7 buah hipotesis tersebut. Pada contoh itu. Terdapat korelasi positif (atau negatif) dengan Y. Terdapat korelasi positif (atau negatif) dengan Y. Terdapat korelasi ganda antara dan dengan Y. maka peran tersebut hanya dilakukan oleh satu variabel bebas tersebut.7734 3793 1. jika terdapat beberapa variabel bebas (prediktor). dan dengan Y. SUMBANGAN PREDIKTOR Di muka telah dibicarakan bahwa koefisien determinasi menjelaskan seberapa besar peran variabel-variabel bebas terhadap variabel berikut. Rangkuman Penelitian Pada Regresi dan Korelasi Linear Ganda Perhatikan kembali Contoh 1. 4. dan satu variabel terikat Y. peneliti dapat mempunyai 7 buah hipotesis alternatif. Ada dua jenis sumbangan. Jika hanya ada variabel bebas. disajikan dengan SE. 2. Jika peneliti mempunyai 3 variabel bebas .5467 5. 3. 2. Namun demikian. 6. disajikan dengan SR. adalah analisis variansi untuk uji keberartian regresi dan sekaligus uji signifikasi koefisien korelasi. dan R-sq (adj) adalah koefisien determinasi yang dirumuskan: R-sq(adj) =1- Rangkuman analisis variansi yang ditampilkan di atas. Jumlah sumbangan efektif untuk semua variabel sama dengan koefisien determinasi. K.

. k dan = . . 3.SE(j) = SE(j) = dengan j = 1.. 2..

Sign up to vote on this title
UsefulNot useful

Master Your Semester with Scribd & The New York Times

Special offer: Get 4 months of Scribd and The New York Times for just $1.87 per week!

Master Your Semester with a Special Offer from Scribd & The New York Times