Nilai tersebut mewakili proporsi varians variabel respon<\/a> yang dapat dijelaskan oleh variabel prediktor.<\/span><\/p>\n Nilai r 2<\/sup> dapat berkisar dari 0 hingga 1:<\/span><\/p>\n Terkait:<\/strong> Berapa nilai R-kuadrat yang bagus?<\/a><\/span><\/p>\n Contoh langkah demi langkah berikut menunjukkan cara menghitung nilai R-kuadrat untuk model regresi linier sederhana di SAS.<\/span><\/p>\n Untuk contoh ini, kita akan membuat dataset yang berisi jumlah jam belajar dan nilai ujian akhir 15 siswa.<\/span><\/p>\n Kami akan menyesuaikan model regresi linier sederhana dengan menggunakan jam<\/em> sebagai variabel prediktor dan skor<\/em> sebagai variabel respon.<\/span><\/p>\n Kode berikut menunjukkan cara membuat kumpulan data ini di SAS:<\/span> <\/p>\n Selanjutnya, kita akan menggunakan proc reg<\/strong> agar sesuai dengan model regresi linier sederhana:<\/span> <\/p>\n Perhatikan bahwa nilai R-kuadrat pada output adalah 0,8310.<\/span><\/p>\n Artinya 83,1%<\/strong> variasi nilai ujian dapat dijelaskan oleh jumlah jam belajar.<\/span><\/p>\n Jika Anda hanya ingin menampilkan nilai R-kuadrat dari model ini dan tidak ada hasil keluaran lainnya, Anda dapat menggunakan kode berikut:<\/span> <\/p>\n Perhatikan bahwa hanya nilai R-kuadrat sebesar 0,83098<\/strong> yang ditampilkan di output.<\/span><\/p>\n Catatan<\/strong> : Argumen noprint<\/strong> di proc reg<\/strong> memberitahu SAS untuk tidak mencetak seluruh output hasil regresi seperti yang dilakukan pada langkah sebelumnya.<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan tugas umum lainnya di SAS:<\/span><\/p>\n Cara melakukan regresi linier sederhana di SAS<\/a> R-squared , sering ditulis r2 , adalah ukuran seberapa cocok model regresi linier dengan sekumpulan data. Nilai tersebut mewakili proporsi varians variabel respon yang dapat dijelaskan oleh variabel prediktor. Nilai r 2 dapat berkisar dari 0 hingga 1: Nilai 0 menunjukkan bahwa variabel respon sama sekali tidak dapat dijelaskan oleh variabel prediktor. Nilai 1 menunjukkan […]<\/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
Langkah 1: Buat datanya<\/b><\/span><\/h2>\n
\/*create dataset*\/\n<\/span>data<\/span> exam_data;\n input<\/span> hours score;\n datalines<\/span> ;\n1 64\n2 66\n4 76\n5 73\n5 74\n6 81\n6 83\n7 82\n8 80\n10 88\n11 84\n11 82\n12 91\n12 93\n14 89\n;\nrun<\/span> ;\n\n\/*view dataset*\/\n<\/span>proc print<\/span> data<\/span> =exam_data;\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/simplesas1.jpg\")
<\/p>\n Langkah 2: Sesuaikan model regresi linier sederhana<\/b><\/span><\/h2>\n
\/*fit simple linear regression model*\/\n<\/span>proc reg<\/span> data<\/span> =exam_data;\n model<\/span> score = hours;\nrun<\/span> ;<\/strong> <\/pre>\n![\"keluaran](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/simplesas2.jpg\")
<\/p>\n Langkah 3: Ekstrak nilai R-kuadrat dari model regresi<\/strong><\/span><\/h2>\n
\/*fit simple linear regression model*\/<\/span>\nproc reg<\/span> data<\/span> =exam_data outest<\/span> =outest noprint<\/span> ;\n model<\/span> score = hours \/ rsquare<\/span> ;\nrun<\/span> ;\nquit<\/span> ;\n\n\/*print R-squared value of model*\/\n<\/span>proc print<\/span> data<\/span> =outest;\n var<\/span> _RSQ_;\nrun<\/span> ;<\/span><\/strong> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/rsq1.png\")
<\/p>\n Sumber daya tambahan<\/strong><\/span><\/h2>\n
Cara melakukan regresi linier berganda di SAS<\/a>
Cara melakukan regresi polinomial di SAS<\/a>
Cara melakukan regresi logistik di SAS<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"