<\/p>\n
Kami melakukan regresi linier sederhana<\/a> , kami mendapatkan perkiraan persamaan regresi berikut:<\/span><\/p>\n \u0177 = b 0<\/sub> + b 1<\/sub> x<\/span><\/strong><\/p>\n Umumnya kita ingin mengetahui apakah koefisien kemiringan, b 1<\/sub> , signifikan secara statistik.<\/span><\/p>\n Untuk menentukan apakah b 1<\/sub> signifikan secara statistik, kita dapat melakukan uji-t dengan statistik uji sebagai berikut:<\/span><\/p>\n t = b 1<\/sub> \/ se(b 1<\/sub> )<\/span><\/strong><\/p>\n Emas:<\/span><\/p>\n Kami kemudian dapat menghitung nilai p<\/a> yang sesuai dengan statistik pengujian ini dengan n-2 derajat kebebasan.<\/span><\/p>\n Jika p-value kurang dari ambang batas tertentu (misalnya \u03b1 = 0,05), maka kita dapat menyimpulkan bahwa koefisien kemiringannya bukan nol.<\/span><\/p>\n Dengan kata lain, terdapat hubungan yang signifikan secara statistik antara variabel prediktor dan variabel respon<\/a> dalam model.<\/span><\/p>\n Contoh berikut menunjukkan cara melakukan uji-t untuk kemiringan garis regresi di R.<\/span><\/p>\n Misalkan kita memiliki kerangka data berikut di R yang berisi informasi tentang jam belajar dan nilai ujian akhir yang dicapai oleh 12 siswa dalam satu kelas:<\/span><\/p>\n Katakanlah kita ingin menyesuaikan model regresi linier sederhana untuk menentukan apakah ada hubungan yang signifikan secara statistik antara jam belajar dan nilai ujian.<\/span><\/p>\n Kita dapat menggunakan fungsi lm()<\/a> di R agar sesuai dengan model regresi ini:<\/span><\/p>\n Dari hasil model terlihat bahwa persamaan regresi yang diestimasi adalah:<\/span><\/p>\n Nilai ujian = 67.7685 + 2.7037 (jam)<\/span><\/p>\n Untuk menguji apakah koefisien kemiringan signifikan secara statistik, kita dapat menghitung statistik uji-t sebagai berikut:<\/span><\/p>\n Nilai p yang sesuai dengan statistik uji-t ini ditampilkan di kolom bernama Pr(> |t|)<\/strong> pada output.<\/span><\/p>\n Nilai pnya ternyata 0,00464<\/strong> .<\/span><\/p>\n Karena nilai p ini kurang dari 0,05, kami menyimpulkan bahwa koefisien kemiringan signifikan secara statistik.<\/span><\/p>\n Dengan kata lain, terdapat hubungan yang signifikan secara statistik antara jumlah jam belajar dan nilai akhir yang diterima siswa dalam ujian.<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya di R:<\/span><\/p>\n Cara melakukan regresi linier sederhana di R<\/a> Kami melakukan regresi linier sederhana , kami mendapatkan perkiraan persamaan regresi berikut: \u0177 = b 0 + b 1 x Umumnya kita ingin mengetahui apakah koefisien kemiringan, b 1 , signifikan secara statistik. Untuk menentukan apakah b 1 signifikan secara statistik, kita dapat melakukan uji-t dengan statistik uji sebagai berikut: t = b 1 \/ […]<\/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: Menjalankan uji-t untuk kemiringan garis regresi di R<\/strong><\/span><\/h2>\n
#create data frame\n<\/span>df <- data. frame<\/span> (hours=c(1, 1, 2, 2, 3, 4, 5, 5, 5, 6, 6, 8),\n score=c(65, 67, 78, 75, 73, 84, 80, 76, 89, 91, 83, 82))\n\n#view data frame\n<\/span>df\n\n hours score\n1 1 65\n2 1 67\n3 2 78\n4 2 75\n5 3 73\n6 4 84\n7 5 80\n8 5 76\n9 5 89\n10 6 91\n11 6 83\n12 8 82<\/strong><\/pre>\n #fit simple linear regression model\n<\/span>fit <- lm(score ~ hours, data=df)\n\n#view model summary\n<\/span>summary(fit)\n\nCall:\nlm(formula = score ~ hours, data = df)\n\nResiduals:\n Min 1Q Median 3Q Max \n-7,398 -3,926 -1,139 4,972 7,713 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 67.7685 3.3757 20.075 2.07e-09 ***\nhours 2.7037 0.7456 3.626 0.00464 ** \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 5.479 on 10 degrees of freedom\nMultiple R-squared: 0.568, Adjusted R-squared: 0.5248 \nF-statistic: 13.15 on 1 and 10 DF, p-value: 0.004641\n<\/strong><\/pre>\n\n
Sumber daya tambahan<\/strong><\/span><\/h2>\n
Cara melakukan regresi linier berganda di R<\/a>
Bagaimana menafsirkan keluaran regresi di R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"