Tutorial ini menjelaskan cara menafsirkan setiap nilai dalam keluaran model regresi linier berganda di Excel.<\/span><\/p>\n Misalkan kita ingin mengetahui apakah jumlah jam yang dihabiskan untuk belajar dan jumlah ujian persiapan yang diambil mempengaruhi nilai yang diperoleh siswa pada ujian masuk perguruan tinggi tertentu.<\/span><\/p>\n Untuk mengeksplorasi hubungan ini, kita dapat melakukan regresi linier berganda dengan menggunakan jam belajar<\/strong> dan ujian persiapan<\/strong> sebagai variabel prediktor dan nilai ujian<\/strong> sebagai variabel respon.<\/span><\/p>\n Tangkapan layar berikut memperlihatkan keluaran regresi model ini di Excel:<\/span> <\/p>\n Berikut cara menginterpretasikan nilai terbesar pada output:<\/span><\/p>\n Kelipatan R : 0,857<\/strong> . Ini mewakili korelasi ganda antara variabel respon dan dua variabel prediktor.<\/span><\/p>\n R Persegi:<\/strong> 0,734<\/strong> . Ini disebut koefisien determinasi. Merupakan proporsi varians variabel respon yang dapat dijelaskan oleh variabel penjelas. Dalam contoh ini, 73,4% variasi nilai ujian dijelaskan oleh jumlah jam belajar dan jumlah persiapan ujian yang diambil.<\/span><\/p>\n R persegi yang disesuaikan: 0,703<\/strong> . Ini mewakili nilai R Square yang disesuaikan dengan jumlah variabel prediktor dalam model<\/em> . Nilai ini juga akan lebih rendah dari nilai R Square dan akan memberikan sanksi pada model yang menggunakan terlalu banyak variabel prediktor dalam modelnya.<\/span><\/p>\n Kesalahan standar:<\/strong> 5.366<\/strong> . Ini adalah jarak rata-rata antara nilai yang diamati dan garis regresi. Dalam contoh ini, nilai yang diamati rata-rata menyimpang sebesar 5.366 unit dari garis regresi.<\/span><\/p>\n Komentar: 20<\/strong> . Total ukuran sampel dari kumpulan data yang digunakan untuk menghasilkan model regresi.<\/span><\/p>\n F: 23:46<\/strong> Ini adalah statistik F keseluruhan untuk model regresi, dihitung sebagai MS regresi\/MS sisa.<\/span><\/p>\n Arti F: 0,0000<\/strong> . Ini adalah nilai p yang terkait dengan statistik F keseluruhan. Hal ini memberitahu kita apakah model regresi secara keseluruhan signifikan secara statistik atau tidak.<\/span><\/p>\n Dalam hal ini, nilai p kurang dari 0,05, menunjukkan bahwa variabel penjelas , jumlah jam belajar<\/strong> , dan persiapan ujian yang diambil<\/strong> digabungkan, memiliki hubungan yang signifikan secara statistik dengan hasil ujian<\/strong> .<\/span><\/p>\n Koefisien:<\/strong> Koefisien masing-masing variabel penjelas menunjukkan kepada kita perubahan rata-rata yang diharapkan dalam variabel respons, dengan asumsi variabel penjelas lainnya tetap konstan.<\/span><\/p>\n Misalnya, untuk setiap tambahan jam yang dihabiskan untuk belajar, nilai ujian rata-rata diperkirakan akan meningkat sebesar 5,56<\/strong> , dengan asumsi bahwa ujian praktik yang diambil<\/strong> tetap konstan.<\/span><\/p>\n Kami menafsirkan koefisien intersep yang berarti bahwa nilai ujian yang diharapkan untuk siswa yang belajar tanpa jam kerja dan tidak mengikuti ujian persiapan adalah 67,67<\/strong> .<\/span><\/p>\n Nilai-P.<\/strong> Nilai p individual memberi tahu kita apakah setiap variabel penjelas signifikan secara statistik atau tidak. Kita dapat melihat bahwa jam belajar<\/strong> signifikan secara statistik (p = 0,00) sedangkan ujian persiapan yang diambil<\/strong> (p = 0,52) tidak signifikan secara statistik pada \u03b1 = 0,05.<\/span><\/p>\n Kita dapat menggunakan koefisien dari keluaran model untuk membuat estimasi persamaan regresi berikut:<\/span><\/p>\n Nilai ujian = 67,67 + 5,56*(jam) \u2013 0,60*(ujian persiapan)<\/strong><\/span><\/p>\n Kita dapat menggunakan persamaan regresi perkiraan ini untuk menghitung nilai ujian yang diharapkan seorang siswa, berdasarkan jumlah jam belajar dan jumlah ujian praktik yang mereka ambil.<\/span><\/p>\n Misalnya, seorang siswa yang belajar selama tiga jam dan mengikuti ujian persiapan harus mendapat nilai 83,75<\/strong> :<\/span><\/p>\n Nilai ujian = 67,67 + 5,56*(3) \u2013 0,60*(1) = 83,75<\/span><\/p>\n Perlu diingat bahwa karena ujian persiapan sebelumnya<\/strong> tidak signifikan secara statistik (p=0,52), kami mungkin memutuskan untuk menghapusnya karena tidak memberikan peningkatan apa pun pada model secara keseluruhan.<\/span><\/p>\n Dalam hal ini, kita dapat melakukan regresi linier sederhana dengan hanya menggunakan jam belajar<\/strong> sebagai variabel penjelas.<\/span><\/p>\n Pengantar Regresi Linier Sederhana<\/a> Regresi linier berganda adalah salah satu teknik yang paling umum digunakan dalam semua statistik. Tutorial ini menjelaskan cara menafsirkan setiap nilai dalam keluaran model regresi linier berganda di Excel. Contoh: Menafsirkan Output Regresi di Excel Misalkan kita ingin mengetahui apakah jumlah jam yang dihabiskan untuk belajar dan jumlah ujian persiapan yang diambil mempengaruhi nilai yang […]<\/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: Menafsirkan Output Regresi di Excel<\/strong><\/span><\/h3>\n
![\"Output](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/multipleregexcel4.png\")
<\/p>\n Cara menulis persamaan regresi estimasi<\/strong><\/span><\/h3>\n
Sumber daya tambahan<\/strong><\/span><\/h3>\n
Pengantar Regresi Linier Berganda<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"