<\/p>\n
Salah satu asumsi utama regresi linier<\/a> adalah tidak ada korelasi antar residu, yaitu residu bersifat independen.<\/span><\/p>\n Untuk menguji autokorelasi orde pertama, kita dapat melakukan uji Durbin-Watson<\/a> . Namun, jika kita ingin menguji autokorelasi pada orde yang lebih tinggi, kita perlu melakukan uji Breusch-Godfrey<\/strong> .<\/span><\/p>\n Pengujian ini menggunakan asumsi<\/a> sebagai berikut :<\/span><\/p>\n H 0<\/sub> (hipotesis nol):<\/strong> Tidak ada autokorelasi dengan orde yang kurang dari atau sama dengan p<\/em> .<\/span><\/p>\n H A<\/sub> (hipotesis alternatif):<\/strong> Terdapat autokorelasi dengan orde tertentu yang kurang dari atau sama dengan p<\/em> .<\/span><\/p>\n Statistik uji mengikuti distribusi Chi-kuadrat dengan derajat kebebasan p<\/em> .<\/span><\/p>\n Jika nilai p<\/a> yang sesuai dengan statistik pengujian ini berada di bawah tingkat signifikansi tertentu (misalnya 0,05), maka kita dapat menolak hipotesis nol dan menyimpulkan bahwa terdapat autokorelasi antara residu pada tingkat tertentu yang lebih rendah atau sama dengan p<\/em> .<\/span><\/p>\n Untuk melakukan pengujian Breusch-Godfrey di R, kita dapat menggunakan fungsi bgtest(y ~ x, order = p)<\/strong> dari pustaka lmtest<\/strong> .<\/span><\/p>\n Tutorial ini memberikan contoh penggunaan sintaks ini di R.<\/span><\/p>\n Pertama, buat kumpulan data palsu yang berisi dua variabel prediktor (x1 dan x2) dan variabel respons (y).<\/span><\/p>\n Selanjutnya, kita dapat melakukan pengujian Breusch-Godfrey menggunakan fungsi bgtest()<\/strong> dari paket lmtest<\/strong> .<\/span><\/p>\n Untuk contoh ini, kita akan menguji autokorelasi antara residu pada orde p = 3:<\/span><\/p>\n Dari hasil tersebut terlihat bahwa statistik ujinya adalah X2<\/sup> = 8,7031<\/strong> dengan 3 derajat kebebasan. Nilai p yang sesuai adalah 0,03351<\/strong> .<\/span><\/p>\n Karena nilai p ini kurang dari 0,05, kita dapat menolak hipotesis nol dan menyimpulkan bahwa terdapat autokorelasi antara residu berorde kurang dari atau sama dengan 3.<\/span><\/p>\n Jika Anda menolak hipotesis nol dan menyimpulkan bahwa terdapat autokorelasi dalam residu, maka Anda memiliki beberapa opsi untuk memperbaiki masalah ini jika Anda menganggapnya cukup serius:<\/span><\/p>\n Cara melakukan regresi linier sederhana di R<\/a> Salah satu asumsi utama regresi linier adalah tidak ada korelasi antar residu, yaitu residu bersifat independen. Untuk menguji autokorelasi orde pertama, kita dapat melakukan uji Durbin-Watson . Namun, jika kita ingin menguji autokorelasi pada orde yang lebih tinggi, kita perlu melakukan uji Breusch-Godfrey . Pengujian ini menggunakan asumsi sebagai berikut : H 0 (hipotesis nol): […]<\/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 Contoh: Tes Breusch-Godfrey di R<\/strong><\/span><\/h3>\n
#create dataset\n<\/span>df <- data. frame<\/span> (x1=c(3, 4, 4, 5, 8, 9, 11, 13, 14, 16, 17, 20),\n x2=c(7, 7, 8, 8, 12, 4, 5, 15, 9, 17, 19, 19),\n y=c(24, 25, 25, 27, 29, 31, 34, 34, 39, 30, 40, 49))\n\n#view first six rows of dataset\n<\/span>head(df)\n\n x1 x2 y\n1 3 7 24\n2 4 7 25\n3 4 8 25\n4 5 8 27\n5 8 12 29\n6 9 4 31<\/strong><\/pre>\n #load lmtest package\n<\/span>library<\/span> (lmtest)\n\n#perform Breusch-Godfrey test\n<\/span>bgtest(y ~ x1 + x2, order= 3<\/span> , data=df)\n\n\tBreusch-Godfrey test for serial correlation of order up to 3\n\ndata: y ~ x1 + x2\nLM test = 8.7031, df = 3, p-value = 0.03351\n<\/strong><\/pre>\n Cara mengatasi autokorelasi<\/strong><\/span><\/h3>\n
\n
Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara melakukan regresi linier berganda di R<\/a>
Cara melakukan tes Durbin-Watson di R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"