Saat memeriksa tata letak sisa secara visual, kami biasanya mencari dua hal untuk menentukan apakah tata letak tersebut “baik” atau “buruk”:<\/span><\/p>\n 1. Apakah residu menunjukkan tren yang jelas?<\/strong><\/span><\/p>\n 2. Apakah variansnya bertambah atau berkurang secara sistematis?<\/strong><\/span><\/p>\n Jika plot sisa dinilai “baik”, artinya kita dapat mempercayai hasil model regresi dan interpretasi koefisien model dapat dilakukan dengan aman.<\/span><\/p>\n Namun, jika plot sisa dinilai “buruk”, artinya hasil model tidak dapat diandalkan dan kita perlu menyesuaikan model regresi yang berbeda dengan data.<\/span><\/p>\n Contoh berikut menjelaskan cara menafsirkan plot sisa yang \u201cbaik\u201d dan \u201cburuk\u201d dalam praktiknya.<\/span><\/p>\n Misalkan kita memasang model regresi dan memperoleh plot sisa berikut:<\/span> <\/p>\n Kita dapat menjawab dua pertanyaan berikut untuk menentukan apakah ini merupakan plot sisa yang “baik”:<\/span><\/p>\n 1. Apakah residu menunjukkan tren yang jelas?<\/strong><\/span><\/p>\n Tidak.<\/strong> Sisanya tersebar secara acak di sekitar nol, tanpa pola yang jelas.<\/span><\/p>\n 2. Apakah variansnya bertambah atau berkurang secara sistematis?<\/strong><\/span><\/p>\n Tidak.<\/strong> Residual mempunyai varians yang cukup konstan (yaitu jarak antara residu dan nilai nol) pada setiap tingkat nilai yang dipasang.<\/span><\/p>\n Karena kami menjawab “Tidak” untuk kedua pertanyaan ini, kami menganggap ini sebagai plot sisa yang “baik”.<\/span><\/p>\n Oleh karena itu, kita dapat mempercayai hasil model regresi dan menginterpretasikan koefisien model dengan aman.<\/span><\/p>\n Misalkan kita memasang model regresi dan memperoleh plot sisa berikut:<\/span> <\/p>\n Kita dapat menjawab dua pertanyaan berikut untuk menentukan apakah ini merupakan plot sisa yang “baik”:<\/span><\/p>\n 1. Apakah residu menunjukkan tren yang jelas?<\/strong><\/span><\/p>\n Iya<\/strong> . Residunya menunjukkan pola melengkung.<\/span><\/p>\n 2. Apakah variansnya bertambah atau berkurang secara sistematis?<\/strong><\/span><\/p>\n Iya<\/strong> . Residu memiliki tingkat varian yang berbeda pada tingkat nilai yang berbeda.<\/span><\/p>\n Karena kami menjawab “Ya” untuk setidaknya satu dari pertanyaan-pertanyaan ini, kami akan menganggap ini sebagai plot sisa yang “buruk”.<\/span><\/p>\n Artinya model regresi tidak memberikan kecocokan yang baik terhadap data.<\/span><\/p>\n Secara khusus, pola melengkung<\/a> pada plot residu menunjukkan bahwa model regresi linier gagal menyesuaikan data dan model regresi kuadratik kemungkinan akan berfungsi lebih baik.<\/span><\/p>\n Misalkan kita memasang model regresi dan memperoleh plot sisa berikut:<\/span> <\/p>\n Kita dapat menjawab dua pertanyaan berikut untuk menentukan apakah ini merupakan plot sisa yang “baik”:<\/span><\/p>\n 1. Apakah residu menunjukkan tren yang jelas?<\/strong><\/span><\/p>\n Tidak.<\/strong> Tidak ada tren yang jelas pada residunya.<\/span><\/p>\n 2. Apakah variansnya bertambah atau berkurang secara sistematis?<\/strong><\/span><\/p>\n Iya<\/strong> . Varians dari residu meningkat seiring dengan meningkatnya nilai yang dipasang.<\/span><\/p>\n Karena kami menjawab “Ya” untuk setidaknya satu dari pertanyaan-pertanyaan ini, kami akan menganggap ini sebagai plot sisa yang “buruk”.<\/span><\/p>\n Dalam contoh khusus ini, residu mengalami heteroskedastisitas<\/strong> , yang mengacu pada varians yang tidak sama dari residu pada tingkat nilai yang berbeda.<\/span><\/p>\n Artinya, hasil model regresi mungkin tidak dapat diandalkan.<\/span><\/p>\n Lihat artikel ini<\/a> untuk mempelajari berbagai cara menyelesaikan masalah heteroskedastisitas dalam model regresi.<\/span><\/p>\n Tutorial berikut menjelaskan cara membuat plot sisa menggunakan perangkat lunak statistik yang berbeda:<\/span><\/p>\n Cara membuat plot sisa di R<\/a> Dalam analisis regresi, plot residu adalah jenis plot yang menampilkan nilai-nilai yang dipasang dari model regresi pada sumbu x dan residu model di sepanjang sumbu y. Saat memeriksa tata letak sisa secara visual, kami biasanya mencari dua hal untuk menentukan apakah tata letak tersebut “baik” atau “buruk”: 1. Apakah residu menunjukkan tren yang jelas? Dalam […]<\/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
\n
Contoh 1: jejak sisa yang \u201cbaik\u201d.<\/strong><\/span><\/h2>\n
![\"contoh](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/bonresid1.jpg\")
<\/p>\n Contoh 2: plot sisa yang \u201cburuk\u201d dengan model yang jelas<\/strong><\/span><\/h2>\n
![\"contoh](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/resid3.jpg\")
<\/p>\n Contoh 3: plot sisa yang \u201cburuk\u201d dengan varians yang semakin meningkat<\/strong><\/span><\/h2>\n
![\"contoh](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/bonresid2.jpg\")
<\/p>\n Sumber daya tambahan<\/strong><\/span><\/h2>\n
Cara Membuat Plot Sisa dengan Python<\/a>
Cara Membuat Plot Sisa di Excel<\/a>
Cara Membuat Plot Sisa di SAS<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"