<\/p>\n
Setiap kali Anda melakukan regresi linier di R, keluaran model regresi Anda akan ditampilkan dalam format berikut:<\/span><\/p>\n Kolom Pr(>|t|)<\/strong> mewakili nilai p yang terkait dengan nilai pada kolom nilai t<\/strong> .<\/span><\/p>\n Jika p-value berada di bawah tingkat signifikansi tertentu (misalnya \u03b1 = 0,05), maka variabel prediktor dianggap mempunyai hubungan yang signifikan secara statistik dengan variabel respon dalam model.<\/span><\/p>\n Contoh berikut menunjukkan cara menafsirkan nilai di kolom Pr(>|t|) untuk model regresi tertentu.<\/span><\/p>\n Misalkan kita ingin menyesuaikan model regresi linier berganda<\/a> menggunakan variabel prediktor x1<\/strong> dan x2<\/strong> serta variabel respons tunggal y<\/strong> .<\/span><\/p>\n Kode berikut menunjukkan cara membuat bingkai data dan menyesuaikan model regresi dengan data:<\/span><\/p>\n Berikut cara menginterpretasikan nilai pada kolom Pr(>|t|):<\/span><\/p>\n Kode signifikansi<\/a> di bawah tabel koefisien menunjukkan bahwa satu tanda bintang (*) di sebelah nilai p sebesar 0,0325 berarti nilai p signifikan secara statistik pada \u03b1 = 0,05.<\/span><\/p>\n Berikut adalah cara sebenarnya menghitung nilai Pr(>|t|):<\/span><\/p>\n Langkah 1: Hitung nilai t<\/strong><\/span><\/p>\n Pertama, kita hitung nilai t<\/strong> menggunakan rumus berikut:<\/span><\/p>\n Sebagai contoh, berikut cara menghitung nilai t untuk variabel prediktor x1:<\/span><\/p>\n Langkah 2: Hitung nilai p<\/strong><\/span><\/p>\n Selanjutnya, kita menghitung nilai p. Hal ini menunjukkan kemungkinan nilai absolut dari distribusi t lebih besar dari 2,935.<\/span><\/p>\n Kita dapat menggunakan rumus berikut di R untuk menghitung nilai ini:<\/span><\/p>\n Sebagai contoh, berikut cara menghitung nilai p untuk nilai t 2,935 dengan 5 derajat kebebasan sisa:<\/span><\/p>\n Perhatikan bahwa nilai p ini cocok dengan nilai p pada keluaran regresi di atas.<\/span><\/p>\n Catatan:<\/strong> Nilai derajat kebebasan sisa berada di bagian bawah keluaran regresi. Dalam contoh kita, hasilnya adalah 5:<\/span><\/p>\n Cara melakukan regresi linier sederhana di R<\/a> Setiap kali Anda melakukan regresi linier di R, keluaran model regresi Anda akan ditampilkan dalam format berikut: Coefficients: Estimate Std. Error t value Pr(>|t|) (Intercept) 10.0035 5.9091 1.693 0.1513 x1 1.4758 0.5029 2.935 0.0325 * x2 -0.7834 0.8014 -0.978 0.3732 Kolom Pr(>|t|) mewakili nilai p yang terkait dengan nilai pada kolom nilai t . Jika […]<\/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 Coefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 10.0035 5.9091 1.693 0.1513 \nx1 1.4758 0.5029 2.935 0.0325 *\nx2 -0.7834 0.8014 -0.978 0.3732<\/span> \n<\/span><\/strong><\/pre>\n Contoh: Cara menginterpretasikan nilai Pr(>|t|).<\/strong><\/span><\/h3>\n
#create data frame\n<\/span>df <- data. frame<\/span> (x1=c(1, 3, 3, 4, 4, 5, 6, 6),\n x2=c(7, 7, 5, 6, 5, 4, 5, 6),\n y=c(8, 8, 9, 9, 13, 14, 17, 14))\n\n#fit multiple linear regression model\n<\/span>model <- lm(y ~ x1 + x2, data=df)\n\n#view model summary\n<\/span>summary(model)\n\nCall:\nlm(formula = y ~ x1 + x2, data = df)\n\nResiduals:\n 1 2 3 4 5 6 7 8 \n 2.0046 -0.9470 -1.5138 -2.2062 1.0104 -0.2488 2.0588 -0.1578 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 10.0035 5.9091 1.693 0.1513 \nx1 1.4758 0.5029 2.935 0.0325 *\nx2 -0.7834 0.8014 -0.978 0.3732 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 1.867 on 5 degrees of freedom\nMultiple R-squared: 0.7876, Adjusted R-squared: 0.7026 \nF-statistic: 9.268 on 2 and 5 DF, p-value: 0.0208<\/strong><\/span><\/pre>\n\n
Bagaimana sebenarnya Pr(>|t|) dihitung?<\/strong><\/span><\/h3>\n
\n
#calculate t-value<\/span>\n1.4758 \/ .5029\n\n[1] 2.934579\n<\/strong><\/pre>\n\n
#calculate p-value<\/span>\n2 * pt( abs<\/span> (2.935), 5, lower. tail<\/span> = FALSE<\/span> )\n\n[1] 0.0324441\n<\/strong><\/span><\/pre>\n Residual standard error: 1.867 on 5<\/span> degrees of freedom\n<\/strong><\/span><\/pre>\n Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara melakukan regresi linier berganda di R<\/a>
Cara memplot hasil regresi linier berganda di R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"