Pengertian Regresi Linear
1. Regresi Linier
Ini adalah teknik klasik dalam statistik untuk mempelajari hubungan antara variabel dan variabel Meramal. Meskipun tidak seakurat teknik yang lebih modern, keuntungannya Regresi linier mudah dipahami dan tidak memerlukan data dalam bentuk menegaskan. Sebagai latihan, pada artikel ini saya akan menggunakan data bengkel mobil Mencoba mencari efek antara jumlah pekerjaan OR+ (ganti oli) dan CS (layanan) L/R (Penggantian Suku Cadang). Logikanya, bukankah motor yang rutin diservis? Apakah akan bertahan lebih lama (dengan sedikit perubahan pada suku cadang)? Tapi ada juga rumor bahwa Jika motor sering diservis, apakah motor lebih "kurang awet"? apakah ini rumor? benar? Saya akan mencoba menunjukkannya dengan memerintahkan R
2. Korelasi
Secara sederhana, korelasi dapat diartikan sebagai hubungan. Tapi ketika berkembang lebih Sejauh ini, korelasi tidak dapat dipahami dalam pengertian ini saja. Korelasi salah Teknik analisis dalam statistik yang digunakan untuk menemukan hubungan antara dua variabel Kuantitatif. Hubungan antara dua variabel dapat terjadi karena adanya hubungan antara dua variabel sebab-akibat, atau bisa saja terjadi secara kebetulan. Kedua variabel tersebut dikatakan berkorelasi Jika perubahan dalam satu variabel diikuti oleh perubahan variabel lain Ke arah yang sama (korelasi positif) atau sebaliknya (korelasi negatif).
Dalam matematika, korelasi adalah ukuran bagaimana dua variabel hubungan satu sama lain. Misalnya, kita dapat menggunakan tinggi dan usia siswa sekolah dasar sebagai variabel berkorelasi positif. Semakin tua murid, semakin tinggi tinggi lebih tinggi dan lebih tinggi. Hubungan ini disebut korelasi positif karena kedua variabel mengalami Perubahan ke arah yang sama, yaitu, tinggi badan berubah seiring bertambahnya usia Meningkat. Pada saat yang sama, kita dapat menggunakan contoh nilai siswa dan ketidakhadiran berkorelasi negatif. Semakin tinggi tingkat ketidakhadiran, semakin tinggi nilainya diperoleh seringkali lebih rendah. Hubungan ini disebut korelasi negatif karena keduanya Perubahan variabel dalam arah yang berlawanan, yaitu saat level meningkat Absen, nilai siswa justru turun. Dua variabel yang dibandingkan satu sama lain dalam korelasi dapat dibedakan sebagai :
- variabel bebas dan terikat. Seperti namanya, variabel independen adalah Variabel yang perubahannya sering di luar kendali manusia. Variabel terikat simultan adalah variabel yang dapat berubah sewaktu-waktu variabel bebasnya berubah. Hubungan ini dapat dicontohkan dengan ilustrasi pertumbuhan tanaman versus variabel cahaya Cahaya matahari dan tinggi tanaman. Sinar matahari merupakan variabel bebas karena intensitasnya cahaya yang dihasilkan oleh matahari Itu di luar kendali manusia. tinggi tanaman adalah variabel terikat, karena perubahan tinggi tanaman secara langsung dipengaruhi oleh Intensitas sinar matahari sebagai variabel bebas.
- Jenis terkait Korelasi sebagai suatu analisis memiliki berbagai jenis sesuai dengan tingkatannya. beberapa Derajat korelasi yang dikenal saat ini meliputi korelasi sederhana, korelasi Korelasi parsial dan korelasi ganda. Di bawah ini adalah penjelasan dari masing-masing korelasi dan Bagaimana menghitung hubungan untuk masing-masing dependensi ini.
A. Korelasi sederhana
Korelasi sederhana adalah teknik statistik yang digunakan untuk mengukur kekuatan hubungan antara dua variabel, dan mampu mengetahui bentuk hubungan Keduanya memiliki hasil kuantitatif. Kekuatan hubungan antara dua variabel Artinya apakah hubungan itu dekat, lemah atau tidak. Meskipun bentuknya Apakah hubungan tersebut terkait dalam bentuk linier Linearitas positif atau negatif. Di antara banyak teknik pengukuran korelasi, dua teknik korelasi adalah:
Sangat populer sejauh ini yaitu Korelasi Momen Produk Pearson dan Korelasi Peringkat Pendekar tombak. Jadi apa perbedaan antara keduanya?
Korelasi Momen Produk Pearson adalah untuk data berkelanjutan dan korelasi data tersebar. Korelasi Pearson cocok untuk statistik parametrik. kapan datanya Besar dan memiliki ukuran parameter seperti mean populasi dan simpangan baku. Korelasi Pearson menggunakan variasi data untuk menghitung korelasi. keragaman data Korelasi dapat ditampilkan. Korelasi ini dihitung pada data apa adanya, tanpa Data rank digunakan dalam korelasi Rank Spearman. ketika kita
Memiliki data numerik seperti nilai tukar Rupiah, data rasio keuangan, tingkat pertumbuhan, dll. Contoh ekonomi, data berat dan data numerik lainnya, korelasi produk Pearson Selalu cocok untuk digunakan.
Sebaliknya, koefisien korelasi peringkat Spearman digunakan untuk data diskrit dan kontinu, tetapi untuk statistik nonparametrik. Koefisien korelasi Rank Spearman lebih cocok digunakan Tentang statistik nonparametrik. Statistik nonparametrik adalah statistik yang digunakan ketika data Tidak ada informasi parametrik, data tidak terdistribusi normal atau ukuran data Format peringkat. Tidak seperti korelasi Pearson, korelasi ini tidak memerlukan asumsi normalitas, korelasi Spearman Rank juga berlaku untuk data sampel kecil.
Korelasi Rank Spearman menghitung korelasi dengan terlebih dahulu menghitung peringkat data. Artinya korelasi dihitung berdasarkan urutan data. Ketika peneliti memproses data Klasifikasi, seperti kategori pekerjaan, tingkat pendidikan, kelompok umur, dan data sampel Untuk kategori lain, korelasi peringkat Spearman sesuai. Korelasi peringkat spearman Juga berlaku untuk peneliti yang dihadapkan dengan data digital (Rupee, rasio keuangan, pertumbuhan ekonomi), tetapi peneliti tidak memiliki cukup data (data kurang dari 30).
B. Korelasi parsial
Korelasi parsial merupakan ukuran seberapa erat hubungan (korelasi) antar variabel Variabel bebas dan terikat untuk melihat korelasinya dengan mengontrol salah satu variabel bebas Secara alami antara variabel yang tidak terkontrol. Analisis korelasi parsial (korelasi parsial) Ada dua variabel yang terlibat. Variabel yang dianggap berpengaruh akan dikendalikan atau tetap (sebagai variabel kontrol). Sebagai contoh, kita akan menguji hubungan antara variabel X2 dan variabel bebas Y, X1 dikendalikan (sebagian relevan). Kecualikan variabel terkontrol (X1) di sini atau konstan. sehingga X2' = X2 - (b2X1 + a2 ) dan Y' = Y - (b1 X1 +a1 ), tetapi a dan b diperoleh dengan menggunakan regresi linier. Setelah mendapatkan hasilnya, cari Regresi X2' dan Y' di mana: Y' = b3X2' + a3.
Korelasi yang diperoleh dan sesuai dengan Model di atas disebut korelasi parsial X2 dan Y, sedangkan X1 tetap sama. Nilai korelasi berkisar dari 1 hingga -1, dengan nilai yang semakin mendekati 1 atau -1 menunjukkan suatu hubungan Hubungan antara kedua variabel tersebut semakin lama semakin kuat. Sebaliknya, jika nilainya mendekati 0, menunjukkan adanya hubungan antara keduanya Variabel semakin lemah. Nilai positif menunjukkan hubungan satu arah (X naik, lalu Y naik) Sedangkan nilai negatif menunjukkan hubungan terbalik (X naik, lalu Y turun). Data yang ingin digunakan untuk korelasi parsial memiliki skala interval/rasio. Pengikut adalah panduan untuk interpretasi dan analisis koefisien korelasi, menurut
Sugiyono:
0.00 - 0,199 = sangat rendah
0,20 - 0,3999 = rendah
0,40 - 0,5999 = sedang
0,60 - 0,799 = kuat
0,80 - 1,000 = sangat kuat
C. Beberapa Korelasi
Korelasi berganda adalah bentuk korelasi yang digunakan untuk melihat hubungan antara tiga atau lebih Lebih banyak variabel (dua atau lebih variabel bebas dan satu variabel terikat. Korelasi berganda Keterkaitan yang melibatkan variabel bebas dan korelasinya dengan variabel terikat.Korelasi berganda adalah nilai yang menghasilkan pengaruh atau hubungan yang kuat antara dua atau beberapa variabel bersama dengan variabel lainnya. korelasi ganda adalah Korelasi yang terdiri dari dua atau lebih variabel bebas (X1, X2,…..Xn) dan satu variabel terikat (Y).
Jika rumusan masalah terdiri dari tiga pertanyaan, maka hubungan antara setiap pertanyaan Setiap variabel dilakukan dengan perhitungan korelasi sederhana. Korelasi berganda memiliki koefisien korelasi, yaitu besarnya hubungan antara dua variabel diwakili oleh angka. Koefisien korelasi dilambangkan dengan huruf R. Koefisien korelasi antara -1; 0; dan +1. Besarnya korelasi -1 sepenuhnya negatif, yaitu ada hubungan antara kedua variabel atau lebih tetapi dalam arah yang berlawanan, +1 adalah korelasi positif sempurna (sangat kuat), yaitu. ada satu Hubungan antara dua variabel atau lebih, sedangkan koefisien korelasi 0 dianggap tidak memiliki hubungan antara dua atau lebih variabel yang diuji, sehingga dapat Katakan itu tidak penting sama sekali.
sekian dulu materi dari regresi linear dan korelasi, semoga dpt dipahami dan membantu..