<\/p>\n
Tutorial ini menjelaskan cara mengidentifikasi statistik F dalam keluaran tabel regresi serta cara menafsirkan statistik ini dan nilai p yang terkait.<\/span><\/p>\n Uji F untuk signifikansi keseluruhan<\/strong> dalam regresi adalah pengujian untuk menentukan apakah model regresi linier Anda lebih cocok dengan kumpulan data dibandingkan model tanpa variabel prediktor.<\/span><\/p>\n Uji F signifikansi keseluruhan didasarkan pada dua asumsi berikut:<\/span><\/p>\n Hipotesis nol ( H0<\/sub> ):<\/strong> Model tanpa variabel prediktor (juga disebut model intersep saja<\/em> ) cocok dengan data dan juga model regresi Anda.<\/span><\/p>\n Hipotesis alternatif ( HA<\/sub> ):<\/strong> Model regresi Anda lebih cocok dengan data dibandingkan model intersep saja.<\/span><\/p>\n Saat Anda menyesuaikan model regresi ke kumpulan data, Anda akan menerima tabel regresi sebagai keluaran, yang akan memberi tahu Anda statistik F beserta nilai p yang sesuai untuk statistik F tersebut.<\/span><\/p>\n Jika nilai p lebih kecil dari tingkat signifikansi yang Anda pilih ( pilihan umum adalah 0,01, 0,05, dan 0,10<\/em> ), maka Anda memiliki cukup bukti untuk menyimpulkan bahwa model regresi Anda hanya cocok dengan data seperti model aslinya. model.<\/span><\/p>\n Misalkan kita memiliki kumpulan data berikut yang menunjukkan jumlah jam belajar, jumlah ujian persiapan yang diambil, dan nilai ujian akhir untuk 12 siswa berbeda:<\/span><\/p>\n Untuk menganalisis hubungan antara jam belajar dan persiapan ujian dengan nilai ujian akhir yang diperoleh siswa, kami melakukan regresi linier berganda dengan menggunakan jam belajar<\/em> dan ujian persiapan<\/em> sebagai<\/em> variabel prediktor dan nilai akhir ujian<\/em> sebagai variabel respon.<\/span><\/p>\n Kami menerima hasil berikut:<\/span><\/p>\n Dari hasil ini, kita akan fokus pada statistik F yang diberikan dalam tabel ANOVA serta nilai p dari statistik F ini, yang diberi label sebagai Signifikansi F<\/em> dalam tabel. Kami akan memilih 0,05 sebagai tingkat signifikansi.<\/span><\/p>\n F-statistik:<\/strong> 5.090515<\/span><\/p>\n Nilai P:<\/strong> 0,0332<\/span><\/p>\n Catatan teknis:<\/strong> Statistik F dihitung sebagai regresi MS dibagi dengan sisa MS. Dalam hal ini regresi MS \/ sisa MS = 273.2665 \/ 53.68151 = 5.090515<\/strong> .<\/em><\/span><\/p>\n<\/blockquote>\n Karena nilai p berada di bawah tingkat signifikansi, kita dapat menyimpulkan bahwa model regresi kita lebih cocok dengan data dibandingkan model intersep saja.<\/span><\/p>\n Dalam konteks masalah khusus ini, ini berarti bahwa menggunakan variabel prediktor Jam Belajar<\/em> dan Ujian Persiapan<\/em> dalam model memungkinkan kita menyesuaikan data dengan lebih baik dibandingkan jika kita mengabaikannya dan hanya menggunakan model intersep secara unik.<\/span><\/p>\n Secara umum, jika tidak ada variabel prediktor yang signifikan secara statistik, uji F secara keseluruhan juga tidak akan signifikan secara statistik.<\/span><\/p>\n Namun, hal ini mungkin tidak terjadi pada beberapa kasus, karena uji F untuk signifikansi keseluruhan menguji apakah semua variabel prediktor signifikan secara bersama-sama<\/em> , sedangkan uji T untuk signifikansi setiap variabel prediktor hanya menguji apakah setiap variabel prediktif signifikan. signifikan secara individual<\/em> .<\/span><\/p>\n Dengan demikian, uji F menentukan apakah seluruh<\/em> variabel prediktor signifikan secara bersama-sama atau tidak.<\/span><\/p>\n Ada kemungkinan bahwa masing-masing variabel prediktor tidak signifikan, namun uji F menunjukkan bahwa gabungan semua variabel prediktor signifikan secara bersama-sama.<\/span><\/p>\n Catatan teknis:<\/strong> Secara umum, semakin banyak variabel prediktor yang Anda miliki dalam model, semakin tinggi kemungkinan bahwa statistik F dan nilai p yang sesuai akan signifikan secara statistik.<\/em><\/span><\/p>\n<\/blockquote>\n Metrik lain yang mungkin Anda lihat dalam keluaran regresi adalah R-squared , yang mengukur kekuatan hubungan linier antara variabel prediktor dan variabel respons lainnya.<\/span><\/p>\n Meskipun R-squared dapat memberi Anda gambaran sejauh mana variabel prediktor terkait kuat dengan variabel respons, namun R-squared tidak memberikan uji statistik formal untuk hubungan tersebut.<\/span><\/p>\n Inilah sebabnya mengapa Uji-F berguna karena merupakan uji statistik formal. Selain itu, jika uji F secara keseluruhan signifikan, Anda dapat menyimpulkan bahwa R-kuadrat tidak nol dan korelasi antara variabel prediktor dan variabel respons signifikan secara statistik.<\/span><\/p>\n Tutorial berikut menjelaskan cara menafsirkan nilai umum lainnya dalam model regresi:<\/span><\/p>\n Cara Membaca dan Menafsirkan Tabel Regresi Tutorial ini menjelaskan cara mengidentifikasi statistik F dalam keluaran tabel regresi serta cara menafsirkan statistik ini dan nilai p yang terkait. Memahami Uji F Signifikansi Keseluruhan Uji F untuk signifikansi keseluruhan dalam regresi adalah pengujian untuk menentukan apakah model regresi linier Anda lebih cocok dengan kumpulan data dibandingkan model tanpa variabel prediktor. Uji F signifikansi […]<\/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 Memahami Uji F Signifikansi Keseluruhan<\/strong><\/span><\/h2>\n
Contoh : Uji F secara regresi<\/strong><\/span><\/h2>\n
\n
Catatan tentang Menafsirkan Uji F Signifikansi Keseluruhan<\/strong><\/span><\/h2>\n
\n
Sumber daya tambahan<\/strong><\/span><\/h2>\n
Memahami Kesalahan Standar Regresi
Berapa nilai R-kuadrat yang bagus?<\/p>\n","protected":false},"excerpt":{"rendered":"