You are on page 1of 24

Analisis Regresi Berbilang

1

Objektif Pembelajaran
 

 

Membentuk model regresi berbilang. Memahami dan menggunakan teknik yang boleh digunakan untuk menentukan bagaimana baiknya model regresi padan dengan data. Menganalisis dan mentafsir angkubah tidak linear dan bagaimana menggunakannya didalam analisis regresi berbilang. Mempelajari bagaimana membentuk dan menilai model regresi berbilang. Peranan masalah ANOVA satu-hala oleh teknik regresi dan mentafsir outputnya.
2

Model Regresi Berbilang Model Regresi berbilang Berkebarangkalian Y = 0 + 1X1 + 2X2 + 3X3 + . + kXk+  Y = nilai angkubah sandar 0 = pemalar regresi 1 = koefisien separa regresi bagi angkubah bebas 1 2 = koefisien separa regresi bagi angkubah bebas 2 k = koefisien separa regresi bagi angkubah bebas k k = bilangan angkubah bebas  = ralat peramalan 3 . . .

Model Regresi yang Dianggarkan ˆ   Y b0 b1 X1  b2 X2  b3 X3    bk Xk dimana : ˆ  nilai Y yang diramalkan Y b0  pemalar regresi yang dianggarkan b1  koefisien regresi1 yang dianggarkan b2  koefisien regresi 2 yang dianggarkan b3  koefisien regresi3 yang dianggarkan bk  koefisien regresi 4 yang dianggarkan k = bilangan angkubah bebas 4 .

Persamaan Kuasadua Terkecil untuk k = 2 b n  b X  b X  Y 0 1 1 2 2 b X  b X  b X X  X Y 2 0 1 1 1 2 1 2 2 2 1 b X  b X X  b X  X Y 0 2 1 1 2 2 2 5 .

Syarikat Data Pasaran Saham 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Kadar harga/pendap atan (P/E) (Y) 22.7 13.9 7.6 22.4 18.0 14.8 Pertumbuhan Jualan (X2) 10.6 9.3 13.7 21.8 13.8 22.9 18.3 5.7 5.7 34.7 25.3 28.1 15.6 18.1 21.0 26.4 18.1 11.7 11.3 22.9 8.6 8.3 26.7 Margin Keuntungan Kasar (X1) 23.4 9.9 15.6 11.2 18.4 12.3 17.6 16.4 23.0 25.7 .2 25.5 9.1 23.1 12.3 17.3 16.7 6 28.3 18.5 25.

5383 0.0997 16 Standard tCoefficients Error Stat Intercept 2.7337 0.Output Excel Regressi Bursa Saham Kuala Lumpur Regression Statistics Multiple R R Square Adjusted R Square Standard Error Observations 0.4673 5.7175 0.2003 3.4073 0.4401 X1 0.0430 Pvalue 0.0973 0.2434 5.1994 2.0619 7 .0033 0.6671 0.5826 X2 0.

0949 7.5786 0.0066 Residual 13 338.4 .0069 Total 15 732.28 ˆ  2.19 197.738X Y 1 2 8 .2434  0.ANOVA Significance df SS MS F F Regression 2 394.09 26.7175X  0.

7175X  0.4553 9 .4 . X1 = 10 dan X2 = 5. menggantikan nilai ini kedalam model regressi akan menghasilkan: ˆ  2.7175(10)  0.738X Y 1 2  2. Bagi syarikat yang mempunyai margin keuntungan kasar 10% dan 5% pertumbuhan jualan .2434  0.2434  0.40738(5)  11.Meramal Kadar P/E Model regressi boleh digunakan untuk meramalkan kadar P/E syarikat.

Menilai Model Regressi Berbilang 10 .

ujian F statistik.Menguji Keseluruhan Model Untuk regressi berbilang. 11 . kita boleh menyatakan model regressi tidak signifikan untuk meramalkan angkubah sandar. adalah digunakan untuk menguji hipotesis berikut: Ho: 1 = 2 = 3 = … = k = 0 Ha: Sekurang-kurangnya satu keoffisien regressi  0 Jika kita gagal untuk menolak hipotesis nul.

19 197. nilai F adalah signifikan pada  = 0.Ujian F untuk signifikan keseluruhan ini biasanya ditunjukkan sebagai sebahagian dari output pakej perisian komputer yang biasa.01.09 26. Output yang ditunjukkan adalah sebagai jadual analisis varian (ANOVA) sebagaimana berikut: df Regression Residual Total 2 13 15 Significance SS MS F F 394.0949 7.5786 0. dan terdapat sekurang-kurangnya satu peramal adalah signifikan bagi kadar P/E syarikat didalam analisis ini.0066 338.28 Nilai F ialah 7. 12 .0069 732. Hipotesis nul adalah ditolak. disebabkan p = 0.578553.006581.

Nilai F adalah dikira dengan menggunakan formula berikut: SS reg F MSreg MSerr df reg  SS err df err SSR k  SSE N .k -1 Dimana: MS = min kuasadua SS = jumlah kuasadua df = darjah kebebasan k = bilangan angkubah bebas N = bilangan pemerhatian 13 .

H0:  k = 0 Ha:  k  0 14 .Ujian Signifikan untuk Keoffisien Regressi H0:  1 = 0 Ha:  1  0 H0 :  2 = 0 Ha:  2  0 . . .

2003 3.2434 5.4073 0.05.5826 0.1994 2.0973 0.05 Ho ditolak untuk angkubah X1 (margin keuntungan kasar) disebabkan kebarangkalian (nilai-p) yang berpadanan dengan angkubah ini adalah lebih kecil daripada 0.0430 0.7175 0.0619 Pada  = 0.05. Pada paras keyakinan  = 0.4401 0.0033 X2 0. 15 .05. Ho gagal ditolak bagi angkubah X2 (pertumbuhan jualan) disebabkan nilai-p adalah lebih besar daripada 0.H0 :  1 = 0 Ha :  1  0 H0 :  2 = 0 Ha:  2  0 Standard tPCoefficients Error Stat value Intercept 2.6671 X1 0.

888 16.239 1.728 17.734 -4.3 17.3 18.3 26.6 16.452 -2.704 ˆ) (Y .000 ˆ )2 (Y .204 4.743 23.429 0.426 25.449 52.756 26.090 Syarikat 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Y 22.321 27.834 1.856 25.972 -4.803 0.134 26.983 338.879 0.Jumlah Kuasadua Ralat dan Ralat Piawai Penganggar SSE  2 ˆ (Y Y )   338.Y -1.551 0.7 34.3 22.093 5.274 9.466 22.061 16.3 5.057 3.7 13.087 -0.9 18.2 18.193 18.156 0.134 0.177 0.090 16 .996 0.043 25.109 7.024 0.309 11.021 -5.6 22.134 17.911 83.158 18.251 15.4 12.3 28.002 94.743 0.687 16.1 23.123 16.7 ˆ Y 23.Y 1.049 -9.367 3.848 28.7 25.

28 .19 197.0949 7.Jadual Anova df Regression Residual Total SSE 17 2 13 15 Significance SS MS F F 394.09 26.0069 732.0066 338.5786 0.

hampir 67% residual sepatutnya disekitar 1Se dan 95% sepatutnya disekitar 2 Se.SSE mempunyai penggunaan yang terhad sebagai pengukuran ralat. Melalui peraturan empiris. Ini membuatkan ralat piawai penganggaran amat berguna didalam menganggarkan bagaimana tepatnya model regressi padan dengan data. ia adalah alat yang digunakan mengira ralat piawai penganggaran. Se. Andaian disebalik analisis regressi ialah sebutan ralat hampir bertaburan normal dengan min sifar. iaitu sisihan piawai residual untuk model regressi. Walau bagaimanapun. 18 .

k -1 dimana: n = bilangan pemerhatian k = bilangan angkubah bebas 19 .Ralat piawai penganggar adalah dikira dengan membahagikan SSE dengan darjah kebebasan ralat bagi model dan kemudian melakukan punca kuasadua Se  SSE n .

2 .0997 n -k.1 16 .0997) = 5.5383 0.1 Regression Statistics Multiple R R Square Adjusted R Square Standard Error Observations 0.Se  SSE 338 .0997) = 10. Menurut peraturan empiris residual sepatutnya disekitar 2Se atau 2(5.1994.7337 0. 20 .0901   5. Ini menunjukkan 12/16. Pengujian selanjutnya menunjukkan semua residual atau 100% berada didalam jeda ini.0997. atau lebih kurang 75% daripada residual didalam lengkungan angka ini.4673 5. hampir 68% residual sepatutnya disekitar 1Se = 1(5.0997 16 Melalui peraturan empiris.

Keoffisien Pengkali Penentu (R2) R2  SSR SSE 1SS y y SS y y SSR SSE SSyy df Regression Residual Total 2 13 15 Significance SS MS F F 394.5384 SS y y 732.09 26.0066 338.0949 7.0901  1 0.28 R 2  1- .1899   0.19 197.28 SSE 338.28 21 R2  SSR 394.0069 732.5786 0.5384 SS y y 732.

0997 16 R2 22 .4673 5.7337 0.5383 0.Output Komputer Regression Statistics Multiple R R Square Adjusted R Square Standard Error Observations 0.

k .5786 0.R 2  1 .0069 732.R 2  1 .28 15 n -1 23 .09 26.19 197.R2 Diselaraskan SSE adj .0066 338.0901 SSE 13 adj .n .1 SSy y n -1 df Regression Residual Total 2 13 15 Significance SS MS F F 394.4673 SSy y 732.n .k .1  1  0.28 338.0949 7.

1  1  0.Output Komputer Regression Statistics Multiple R R Square Adjusted R Square Standard Error Observations 0.7337 0.4673 5.0901 SSE 13 adj .28 15 n -1 24 .5383 0.R 2  1 .n .4673 SSy y 732.k .0997 16 338.