Multiple R:<\/strong> koefisien korelasi berganda antara tiga variabel atau lebih.<\/span><\/p>\n R-Square:<\/strong> Ini dihitung sebagai (Multiple R) 2<\/sup> dan mewakili proporsi varians variabel respon<\/a> model regresi yang dapat dijelaskan oleh variabel prediktor. Nilai ini bervariasi dari 0 hingga 1.<\/span><\/p>\n Dalam praktiknya, kita sering kali tertarik pada nilai R-kuadrat karena nilai tersebut menunjukkan seberapa berguna variabel prediktor dalam memprediksi nilai variabel respons.<\/span><\/p>\n Namun, setiap kali kita menambahkan variabel prediktor baru ke dalam model, R-squared dijamin akan meningkat meskipun variabel prediktor tidak berguna.<\/span><\/p>\n R-squared yang disesuaikan<\/strong> adalah versi modifikasi dari R-squared yang menyesuaikan jumlah prediktor dalam model regresi. Ini dihitung sebagai berikut:<\/span><\/p>\n Disesuaikan R 2<\/sup> = 1 \u2013 [(1-R 2<\/sup> )*(n-1)\/(nk-1)]<\/strong><\/span><\/p>\n Emas:<\/span><\/p>\n Karena R-kuadrat selalu meningkat seiring Anda menambahkan lebih banyak prediktor ke model, R-kuadrat yang disesuaikan dapat berfungsi sebagai metrik yang memberi tahu Anda seberapa berguna suatu model, disesuaikan berdasarkan jumlah prediktor dalam suatu model<\/em> .<\/span><\/p>\n Untuk lebih memahami masing-masing istilah tersebut, perhatikan contoh berikut.<\/span><\/p>\n Misalkan kita memiliki kumpulan data berikut yang berisi tiga variabel berikut untuk 12 siswa berbeda:<\/span> <\/p>\n Misalkan kita memasang model regresi linier berganda dengan menggunakan jam belajar<\/em> dan nilai saat ini<\/em> sebagai variabel prediktor dan nilai ujian<\/em> sebagai variabel respon dan memperoleh hasil sebagai berikut:<\/span> <\/p>\n Kita dapat mengamati nilai dari tiga metrik berikut:<\/span><\/p>\n Kelipatan R : 0,978<\/strong> . Ini mewakili korelasi ganda antara variabel respon dan dua variabel prediktor.<\/span><\/p>\n R Persegi: 0,956<\/strong> . Ini dihitung sebagai (Kelipatan R) 2<\/sup> = (0,978) 2<\/sup> = 0,956. Hal ini menunjukkan bahwa 95,6% variasi nilai ujian dapat dijelaskan oleh jumlah jam yang dihabiskan siswa untuk belajar dan nilai mereka saat ini dalam mata pelajaran tersebut.<\/span><\/p>\n R-kuadrat yang disesuaikan: 0,946<\/strong> . Ini dihitung sebagai berikut:<\/span><\/p>\n Disesuaikan R 2<\/sup><\/strong> = 1 \u2013 [(1-R 2<\/sup> )*(n-1)\/(nk-1)] = 1 \u2013 [(1-.956)*(12-1)\/(12-2-1) ] = 0,946.<\/span><\/p>\n Ini mewakili nilai R-kuadrat yang disesuaikan dengan jumlah variabel prediktor dalam model<\/em> .<\/span><\/p>\n Ukuran ini akan berguna jika, misalnya, kita menyesuaikan model regresi lain dengan 10 prediktor dan menemukan bahwa R-kuadrat yang disesuaikan dari model tersebut adalah 0,88<\/strong> . Hal ini menunjukkan bahwa model regresi dengan dua prediktor saja lebih baik karena memiliki nilai R square yang disesuaikan lebih tinggi.<\/span><\/p>\n Pengantar Regresi Linier Berganda<\/a> Saat Anda menyesuaikan model regresi menggunakan sebagian besar perangkat lunak statistik, Anda akan sering melihat dua nilai berikut pada hasilnya: Multiple R: koefisien korelasi berganda antara tiga variabel atau lebih. R-Square: Ini dihitung sebagai (Multiple R) 2 dan mewakili proporsi varians variabel respon model regresi yang dapat dijelaskan oleh variabel prediktor. Nilai ini bervariasi dari […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
Contoh: Kelipatan R, R-kuadrat, dan R-kuadrat yang disesuaikan<\/strong><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/multipler_vs_rsquared1.png\")
<\/p>\n![\"Beberapa](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/multipler_vs_rsquared2.png\")
<\/p>\n Sumber daya tambahan<\/strong><\/span><\/h3>\n
Berapa nilai R-kuadrat yang bagus?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"