<\/p>\n
Koefisien korelasi<\/a> antara dua variabel dapat dicari dengan mengambil akar kuadrat dari nilai R kuadrat (R 2<\/sup> ) model regresi linier sederhana.<\/span><\/p>\n Koefisien korelasi = \u221a R 2<\/sup> model regresi linier sederhana<\/span><\/span><\/p>\n Tanda koefisien kemiringan pada model regresi menunjukkan apakah koefisien korelasinya positif atau negatif.<\/span><\/p>\n Contoh berikut menunjukkan cara mencari koefisien korelasi dari nilai R kuadrat model regresi dalam praktiknya.<\/span><\/p>\n Catatan<\/strong> : Nilai R-kuadrat suatu model regresi disebut juga koefisien determinasi.<\/span><\/p>\n Misalkan kita memasang model regresi linier sederhana dengan menggunakan jam belajar<\/strong> sebagai variabel prediktor dan nilai ujian<\/strong> sebagai variabel respon.<\/span><\/p>\n Misalkan kita menerima keluaran berikut dari model:<\/span><\/p>\n Persamaan regresi yang disesuaikan<\/strong> : nilai ujian = 65,55 + 2,78 (jam belajar)<\/span><\/p>\n R-squared (R 2<\/sup> ) model regresi<\/strong> : 0,7845<\/span><\/p>\n Nilai R-kuadrat model memberi tahu kita berapa persentase variasi nilai ujian yang dapat dijelaskan berdasarkan jam belajar.<\/span><\/p>\n Dalam contoh ini, kita dapat melihat bahwa jam belajar mampu menjelaskan 78,45% variasi nilai ujian.<\/span><\/p>\n Untuk mencari koefisien korelasi antara jam belajar dan hasil ujian, kita dapat mengambil akar kuadrat dari R 2<\/sup> :<\/span><\/p>\n Koefisien korelasi = \u221a R 2<\/sup><\/span> = \u221a 0,7845<\/span> = 0,8857<\/strong><\/span><\/p>\n Tandanya positif untuk jam-jam yang diteliti dalam persamaan regresi, koefisien korelasinya positif.<\/span><\/p>\n Jadi, koefisien korelasi antara jam belajar dan nilai ujian adalah 0,8857<\/strong> .<\/span><\/p>\n Misalkan kita memasang model regresi linier sederhana dengan menggunakan usia<\/strong> (dalam tahun) sebagai variabel prediktor dan bench press maksimum<\/strong> (dalam pound) sebagai variabel respon.<\/span><\/p>\n Misalkan kita menerima keluaran berikut dari model:<\/span><\/p>\n Persamaan regresi yang disesuaikan<\/strong> : bench press maksimum = 240.11 \u2013 1.24 (usia)<\/span><\/p>\n R kuadrat (R 2<\/sup> ) model regresi<\/strong> : 0,4773<\/span><\/p>\n Nilai R-kuadrat dari model memberi tahu kita berapa persentase variasi beban bench press puncak yang dapat dijelaskan berdasarkan usia.<\/span><\/p>\n Pada contoh ini terlihat bahwa usia mampu menjelaskan 47,73% variasi jumlah maksimum bench press.<\/span><\/p>\n Untuk mencari koefisien korelasi antara usia dan max bench press, kita dapat mengambil akar kuadrat dari R 2<\/sup> :<\/span><\/p>\n Koefisien korelasi = \u221a R 2<\/sup><\/span> = \u221a 0,4773<\/span> = 0,6909<\/strong><\/span><\/p>\n Karena tanda usia dalam persamaan regresi adalah negatif, maka koefisien korelasinya juga negatif.<\/span><\/p>\n Dengan demikian koefisien korelasi antara umur dengan bench press maksimal adalah -0.6909<\/strong> .<\/span><\/p>\n Tutorial berikut memberikan informasi tambahan tentang koefisien korelasi:<\/span><\/p>\n Apa yang dianggap sebagai korelasi \u201ckuat\u201d?<\/a> Koefisien korelasi antara dua variabel dapat dicari dengan mengambil akar kuadrat dari nilai R kuadrat (R 2 ) model regresi linier sederhana. Koefisien korelasi = \u221a R 2 model regresi linier sederhana Tanda koefisien kemiringan pada model regresi menunjukkan apakah koefisien korelasinya positif atau negatif. Contoh berikut menunjukkan cara mencari koefisien korelasi dari nilai R […]<\/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 1: Mencari koefisien korelasi dari R 2<\/sup> (bila kemiringannya positif)<\/strong><\/span><\/h2>\n
Contoh 2: Mencari koefisien korelasi dari R 2<\/sup> (bila kemiringannya negatif)<\/strong><\/span><\/h2>\n
Sumber daya tambahan<\/strong><\/span><\/h2>\n
Kapan sebaiknya Anda menggunakan korelasi?<\/a>
Cara melakukan uji-t korelasi<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"