131733155-Bahan-Ajar

MANAJEMEN DATA SPSS

Statistika Statistika dapat didefinisikan didefinisikan sebagai sebagai ilmu yang dipakai untuk mengambil kepu keputu tusa san n dala dalam m kond kondis isii tida tidak k past pasti, i, pija pijaka kan n utam utama a untu untuk k meng mengam ambi bill keputusan adalah data. Dalam modul ini akan dibahas berbagai macam cara untuk mengelola data dengan bantuan SPSS. Sete Setela lah h

memp mempel elaj ajar arii

modu modull

ini, ini,

maha mahasi sis swa

diha dihara rapk pkan an

mamp mampu u

melakuka melakukan n manajem manajemen en data data dengan dengan bantuan bantuan SPSS, SPSS, manajem manajemen en data data ini meliputi : a. Pend Pendef efini inisi sian an var variab iabel el b. Pemb Pember ersi siha han n dat data a c. export/import data d. Peng Pengga gabu bung ngan an dat data a e. Pemi Pemili liha han n data data f. Pemeca ecahan data g. Penyusu usunan nan syntax

a.

Pendefinisian Va Variabel

Sebelum melakukan pemasukan data, biasanya dilakukan pendefinisian vari variab abel el yang yang meli melipu puti ti nama nama vari variab abel el,, jeni jenisn snya ya (num (numer erik ik atau atau buka bukan) n),, pembe pemberia rian n labe label, l, dan dan missing missing value value.

seba sebaga gaii conto contoh h disaji disajika kan n conto contoh h

peragaan pendefinisian variabel jenis kelamin responden : klik data+define variable

1

Titles you can't find anywhere else

Try Scribd FREE for 30 days to access over 125 million titles without ads or interruptions! Start Free Trial Cancel Anytime.































vari variab abel el jeni jenis s kela kelami min n responden diberi nama : sex, setelah nama variabel sudah ditentukan maka ditentukan jenis variabel dengan meng klik Type

Variabel Variabel sex ini jenisnya adalah adalah numeric numeric dengan dengan lebar 1 angka gka, angka gka yang yang diis diisik ikan an nant nantin inya ya adalah adalah 1 untuk untuk laki-lak laki-laki, i, dan 2 untuk perempuan. Untu Untuk k memb membee-ri ri lab label seperti ini dilakukan perintah dengan mengklik Labels Variabel sex diberi label Jenis Kelamin Responden Responden dan bernilai 1 untu untuk k laki laki-l -lak akii dan dan 2 untuk untuk perempu perempu-an -an,, jika ada ada resp espond onden yang tida tidak k meng engisi isi perta rtanyaan nyaan ini, ini, maka maka hal hal ini ini disebut missing missing values. values. untuk untuk memfasil memfasilitas itasii hal ini dapat dilakukan dengan mengklik Missing Values di define variable window































Jika Jika ada ada respo respond nden en yang yang tidak tidak mengisi pertanyaan jenis kelamin, maka ditandai dengan -1, pemilihan lambing bilangan untuk biasanya a diberi diberi missin missing g values values biasany seba sebaga gaii suat suatu u nila nilaii yang yang tida tidak k mung mungki kin n sean seanda dain inya ya vari variab abel el tersebut terisi

b. Pemb Pembers ersih ihan an Data Data

Data Data yang yang suda sudah h dima dimasu sukk kkan an deng dengan an bant bantua uan n komp komput uter er,, masi masih h dimung dimungki kinka nkan n untuk untuk salah salah dimas dimasukk ukkan an akiba akibatt kelal kelalaia aian n manus manusia ia.. Untuk Untuk memer memeriks iksa a adan adanya ya kesa kesalah lahan an semac semacam am ini dapa dapatt digun digunak akan an distr distribu ibusi si frekuens frekuensii untuk untuk data yang bersklal bersklala a diskrit diskrit ataupun ataupun nilai nilai statisti statistik k deskrip deskriptif tif untuk data yang berskala kontinyu. Jenis Kelamin Responden

Valid

Frequen Frequency cy 47

Perce Percent nt 47 . 0

Vali Valid d Perce Percent nt 4 8. 5

Cumulative Percent 4 8. 5

47

47 . 0

4 8. 5

9 6. 9

3

2

2. 0

2 .1

9 9. 0

4

1

1. 0

1 .0

1 00 .0

97

97 . 0

1 00 .0

3

3. 0

10 0

1 00 .0

Laki-laki Perempuan

Total Missing Total

-1

Dari contoh distribusi frekuensi di atas, terlihat ada jenis kelamin yang bernilai 3 dan 4 , sehingga masih ada kesalahan yang perlu untuk diperbaiki dengan melihat kembali data yang tercatat sebelum dimasukkan ke komputer.































Descriptive Statistics N

M inim um

NIlai makan siang kemarin

98

Valid N (listwise)

98

M axim um

8 .00

M ean

1 48 0 0.0 0 7 904 .16 3 3

Std. Devia tion 3 60 9.4 54 89

Rata-rata komsumsi responden untuk sekali makan siang adalah adalah 7904 7904 rupia rupiah h deng dengan an nilai nilai minimu minimum m 8 rupia rupiah, h, nilai nilai minimu minimum m 8 rupia rupiah h jelas jelas merupak merupakan an data data yang yang salah salah menging mengingat at tidak tidak mungkin mungkin sekali sekali makan makan siang siang menghab menghabiska iskan n 8 rupiah. rupiah. Sehingg Sehingga a perlu perlu diadak diadakan an perbaik perbaikan an data data dengan dengan memeriksa kembali catatan data sebelum dimasukkan ke komputer. Pemriksaan kesalahan data dapat juga dengan melibatkan dua variabel seperti contoh berikut : Banyaknya anak * status perkawinan Crosstabulation Crosstabulation Count status perkawinan

Banyaknya anak

Menikah 0

Belum Menikah 46

Total 46

1.00

13

2

15

2.00

11

0

11

3.00

17

0

17

4.00

8

0

8

49

48

97

.00

Total

Ada responden responden yang belum belum menikah menikah yang sudah sudah mempunyai mempunyai anak, anak, hal ini perlu dilakukan pemeriksaan, apakah memang benar seperti ini atau terjadi kesalahan. c.

Export/Import Da Data

Setiap program paket Statistika diharapkan diharapkan mampu berkomunikasi berkomunikasi dengan program paket Statistika yang lain dengan cara mampu untuk berbagi data,































1. Buka Buka data data world world95. 95.sav sav deng dengan an SPSS SPSS klik File+Open+Data

2. Simp Simpan an dat data a deng dengan an type dbf ke c:\My Documents\world95.dbf Klik File+Save As…































3. Buka Buka world95. world95.dbf dbf denga dengan n bantuan bantuan MINITA MINITAB B Klik File+Open Worksheet

dan data world95 siap diolah dengan bantuan MINITAB

































d. Peng Pengga gabu bung ngan an Data Data

Program Program paket paket SPSS SPSS mempuny mempunyai ai kemampu kemampuan an untuk untuk menggab menggabung ung file kesamping atau ke bawah : Contoh penggabungan kesamping : Ada dua file : File Biodata : NRP, Nama, Tempat Lahir, Tgl Lahir, Jenis Kelamin File NIlai

: NRP, PMS, MAT1, MAT2, ED, AR

Dua file ini dapat digabung jika ada variabel yang bersifat unik (nilainya berbeda untuk mahasiswa yang berbeda), variabel ini disebut juga sebagai key variable. Dalam hal ini variabel tersebut adalah NRP. Dengan bantuan

SPSS penggabungan tersebut dapat dilakukan dengan tahapan : 1. Buka file file pertam pertama a dengan dengan cara cara File+Ope File+Open+da n+data ta 2. Gabun Gabung g deng dengan an file file kedu kedua a deng dengan an cara cara klik klik Data+ Data+Mer Merge ge Files+ Files+Ad Add d Variables kemudian isikan key-variablenya Contoh penggabungan kebawah : Ada dua file File NIlai 1


File NIlai 2


Dengan bantuan SPSS penggabungan tersebut dapat dilakukan dengan tahapan : 1. Buka file pertama dengan cara File+Open+data































Tampilkan scatter-plot dari harapan hidup perempuan dan pendapatan perkapita untuk Negara-negara di Asia/Pasifik. 1.

klik if

Pemilihan Ne Negara-negara Asia, klik Data+Select Cases































Negara-negara yang tidak terpilih akan tercoret.































2.

Scatter-plot, Klik Graph+Scatter+Simple

klik options































f. Pemecahan ahan Data

Di dalam program paket SPSS juga tersedia vasilitas pengelompokan data berdasarkan nilai variabel tertentu. Setetlah pengelompokan dilakukan maka analisis yang dilakukan, hasilnya akan disajikan pada setiap kelompok variabel tersebut. Contoh peragaan dari pemecahan data adalah : Tampilkan scatter-plot antara harapan hidup perempuan dan pendapatan perkapita pada setiap region(Asia, Afrika,…). 1. Pemecahan Data : Klik Data+Split File

3.

2, Scatter-Plot, Klik Graph+Scatter+Simple

































h. Peny Penyus usun unan an Syntax

Program paket SPSS dapat dioperasikan dengan dua macam cara. Cara pertam pertama a melal melalui ui klik klik pada pada menu menu yang yang ada ada dan cara cara kedua kedua denga dengan n cara cara menuliskan syntax. Contoh penulisan syntax adalaghsebagai berikut : Klik File+New+Syntax Kemudian tuliskan perintah-perintah yang dibutuhkan :































PEMERIKSAAN DATA

Statisti Statistika ka dapat dapat didefini didefinisika sikan n sebagai sebagai ilmu yang yang dipergun dipergunaka akan n untuk untuk menyimpulkan kondisi populasi berdasarkan kondisi sampel, untuk melakukan hal ini biasanya dilakukan dilakukan tahapan yang disebut pengujian pengujian hipotesis, hasil dari pengujian hipotesis ini dapat dikatakan valid jika beberapa syarat terpenuhi, syar syarat at-s -sya yara ratt

itu itu

dian dianta tara rany nya, a, keno kenorm rmal alan an,,

keho kehomo moge gena nan n

vari varian ans s

dan dan

kelinearan. kelinearan. Diharapkan setelah mempelajari mempelajari modul ini mahasiswa mahasiswa mempunyai mempunyai kompetensi : a. Melakuk Melakukan an pemeriks pemeriksaan aan dan penguj pengujian ian kenorma kenormalan lan b. Melakukan pemeriksaan pemeriksaan dan dan pengujian pengujian kehomogenan kehomogenan varians

Kenormalan

Asumsi tentang tentang distribusi distribusi seringkali dibutuhkan dibutuhkan kalau kalau kita menggunakan menggunakan Statisti Statistika ka paramet parametrik, rik, asumsi asumsi terutama terutama dibutuhk dibutuhkan an jika diadaka diadakan n penguji pengujian an































Normal P-P Plot of U

70 1.00

60

50

.75

40

b o r P

30

.50

m u C d .25 e t c e p x E 0.00

20

10

0

0.00

100.0

120.0 110.0

140.0 130.0

160.0 150.0

180.0 170.0

.25

.50

200.0 190.0

Observed Cum Prob

U

300

Normal P-P Plot of E 1.00

200

100

.75

b o r P

.50

.75

1.00































Vari Variab abel el

hara harapa pan n

hidu hidup p

pere peremp mpua uan n

untu untuk k

Nega Negara ra-n -neg egar ara a

Asia Asia

cenderung cenderung berdistribusi berdistribusi normal, Karena normal probability plot- nya cenderung memb memben entu tuk k

gari garis s

luru lurus, s,

seda sedang ngka kan n

pend pendap apat atan an

perk perkap apit ita a

cend cender erun ung g

berdistribusi berdistribusi eksponen-sial, eksponen-sial, karena normal -nya membentu membentuk k normal probab probabili ility ty plot plot -nya huruf U. Normal P-P Plot Plot of Average female l if 1.00

b o r P m u C d e t c e p

.75 .75

.50 .50

.25 .25































Selain dengan menggunakan normal probability probability plot, kenormalan data dapat juga diuji dengan menggunakan beberapa statistik uji berikut : a. Good Goodne ness ss of fit fit χ χ 2

b. Kolm Kolmog ogor orov ov Smir Smirno nov v c. Ande Anders rson on Darl Darlin ing g d. Shap Shapir iro o Wilk Wilk

a. Goodness of fit χ χ 2 Statistik uji ini mengukur jumlah kuadrat perbedaan frekuensi sesungguhnya dengan frekuensi yang diharapkan kalau data berdistribusi normal. Secara rinci statistik uji ini dapat dinyatakan dalam formula berikut : χ = 2

k

(oi − ei ) 2

i =1

ei

∑

Tolak H0 (Data berdistribusi normal) jika nilai χ 2 > χ 2 α, k-2

































kenormal kenormalan an untuk untuk data harapan harapan hidup hidup perempu perempuan an untuk untuk NegaraNegara-neg negara ara di Asia adalah adalah sebagai sebagai berikut berikut : [klik statistics+nonparamterics test+1 sample KS]

































Stati Statist stik ik uji uji ini tidak tidak terse tersedia dia di SPSS SPSS tetap tetapii di MINIT MINITAB AB ada. ada. Hasil Hasil penguji pengujian an kenormal kenormalan an dengan dengan statist statistik ik uji Anderso Anderson n Darling Darling adalah adalah : [klik stat+basic statistics+normality test]

































































Shapiro-Wilk Stat Statis isti tik k uji uji Shap Shapir iroo-Wi Wilk lk dihi dihitu tung ng berd berdas asar arka kan n urut urutan an data data yang yang dinyatakan dalam : n

( W =

∑ a x i

i =1 n

∑ ( x

i

(i )

)2

− x ) 2

i =1

Statistik Shapiro-Wilk telah dibandingkan dengan statistik uji kenormalan yang lain melalui simulasi dan hasilnya lebih baik terutama untuk sampel kecil.

































Kehomogenan varians

Kehomogenan varian untuk beberapa kelompok data dapat diperiksa melalui box-plot. Box-plot dari harapan hidup perempuan dan pendapatan perkapita untuk beberapa region Afrika, Timur Tengah dan Amerika Latin adalah sebagai berikut : [klik graphs+box-plot+defines]



































kare karena na besa besarr kota kotak k hara harapa pan n hidu hidup p pere peremp mpua uan n cend cender erun ung g sama sama besa besar r daripada besar kotak pendapatan per-kapita.





































































TRANSFORMASI



































Transformasi untuk menormalkan

Transformasi Box-Cox untuk menormalkan data dilakukan melalui algoritma



































macro box1 x mconstant i n l l_opt r_max temp









































































































































































































































































































































































































































































































































































































































































































































































































































































































































































































Statistik Uji Sumber

df

Variasi Regresi

Sum

F

of MS

Squares

p

∑(Y ˆ −Y )

2

∑(Y ˆ −Y )

2

n-p-1 n-1

∑(Y −Y ˆ ) 2 ∑(Y −Y )

∑(Y −Y ˆ )

2

/ p

MS . Re gresi gresi MS . Re sidual sidual

Residual

Total

2

/(n − p −1)

Tolak Ho jika F>F α,p,n-p-1 Pengujian secara individu

Hipotesis H0 : βI = 0 H1 : βI ≠ 0 Statistik uji t =

ˆ β i s β ˆ

i

Tolak H0 jika |t|>t α/2,n-p-1

Kegiatan Praktikum

Tentukan model yang menggambarkan hubungan antara harapan hidup perempuan (Y) dengan pendapatan per-kapita dan kepadatan penduduk yang dinyatakan dalam : Y = β0 + β1 ln(gdp_cap) + β2 ln(density) + ε Penyelesaian : a. Melakukan transformasi ln(gdp_cap) dan ln(density) dengan cara : [klik transform+ compute]





























































b. Melakukan analisis regresi ; [klik+analyze+regression+linear]

dan hasilnya adalah : Model Summary Summary

Model 1

R R Sq ua r e a .840 .7 0 6

Adjusted R Square . 7 00

Std. Error of the Estimate 5.788

a. Predictors: (Constant), ln_gdp, ln_dens

ANOVAb

Model 1

Regression

Sum of Sq ua r es 85 1 9 .0 80

Residual Total

df 2

M ean Squ ar e 4 25 9. 54 0

35 5 1 .2 68

1 06

33 .5 03

1 20 7 0 .3 49

1 08

a. Predictors: (Constant), ln_gdp, ln_dens

F 1 27 .1 4 1

Sig. . 0 0 0a































Coefficientsa Unstandardized Coefficients Model 1

(Constant) ln_dens ln_gdp

B 1 7. 98 1

St d. Er ror 3. 501

Standardized Coefficients Beta

t 5 .1 36

Sig. .0 00

. 90 4

. 388

.1 23

2 .3 32

.0 22

6. 150

. 390

.8 31

15 .7 66

.0 00

a. Dependent Variable: Average female life expectancy

Seluruh nilai sig.<5% sehingga harapan hidup perempuan dipengaruhi (Y) oleh kepadatan penduduk dan pendapatan per-kapita yang dinyatakan dalam model : Y= 17.981 +0.904 ln(density) +6.150 ln(gdp_cap)































PEMILIHAN MODEL TERBAIK Salah satu tujuan di dalam analisis regresi adalah untuk mendapatkan model model terba terbaik ik yang yang menjel menjelas aska kan n hubu hubung ngan an antar antara a varia variabe bell independent dengan dengan variabe variabell dependent, mode modell terb terbai aik k adal adalah ah mode modell yang yang selu seluru ruh h koefisien regresinya berarti ( significant ) dan mempunyai kriteria model terbaik optimum. Beberapa kriteria model terbaik adalah :

Nomor Kriteria 1 SSE

2 ∑(Y −Y ˆ )

Formula

2

MSE

∑(Y −Y ˆ )

3

R2

∑(Y ˆ − Y ) ∑(Y − Y )

4

Adjusted

5

R2 Cp Mallow

2

SSE

AIC SBC

/( n − p −1)

2

100% 2

1 −[1 − R ]

MSE

6 7

2

(n −1)

Optimum Minimum

Minimum Maksimum Maksimum

(n − p)

− (n − 2 p )

ln(SSE/n) +2p/n ln(SSE/n)+p/n ln(n)

Minimum Minimum Minimum

































Untuk Untuk mempero memperoleh leh model model terbaik, terbaik, ada bebera beberapa pa metode metode yang biasa digunakan yaitu :

Metode Backward

Penjelasan Mulai dengan model lengkap, kemudian variabel independent

yang ada dievaluasi, jika ada yang tidak significant dikeluarkan yang paling tidak significant , dilakukan terus menerus sampai Forward

tidak ada lagi variabel independent yang tidak significant Variabel independent yang pertama kali masuk ke dalam model ada adalah lah

varia ariabe bell

yang yang

memp mempun unya yaii

kore korela lasi si

tert tertin ingg ggii

dan dan

variabel dependent , varia variabe bell yang yang masuk masuk significant dengan variabel kedu kedua a adal adalah ah vari variab abel el yang yang kore korela lasi siny nya a deng dengan an vari variab abel el adalah lah tert tertin ingg ggii kedu kedua a dan dan masi masih h dependent ada

significant ,

dila dilaku kuka kan n teru terus s mene meneru rus s samp sampai ai tida tidak k ada ada lagi lagi vari variab abel el StepSwise

independent yang significant Gabungan antara metode forward dan backward , variabel yang

pertama kali masuk adalah variabel yang korelasinya tertinggi dan significant dengan variabel dependent , variabel yang masuk kedua kedua adalah adalah variabe variabell yang korelas korelasii parsialn parsialnya ya tertingg tertinggii dan masih significant,

setelah setelah variabe variabell tertentu tertentu masuk masuk ke dalam dalam

model maka variabel lain yang ada di dalam model dievaluasi, jika ada variabel yang tidak significant maka variabel tersebut































Kegiatan Praktikum

Tentukan model terbaik yang menggambarkan hubungan antara harapan hidup hidup perem perempu puan an (life (lifeex expf) pf) deng dengan an

pend pendap apata atan n perk perkapi apita ta (gdp (gdp_c _cap) ap),,

persenta-se penduduk yang tinggal dikota (urban), persentase penduduk yang dapat membaca (literacy), banyaknya kematian per 1000 penduduk (death_rt). rata-rat rata-rata a banyak banyaknya nya anak anak (fertilit (fertility), y), konsumsi konsumsi makanan makanan per-har per-harii (calorie (calories) s) dengan menggunakan metode stepwise dan best subset regression. Penyelesaian : Denga Dengan n bantu bantuan an SPSS SPSS perma permasal salaha ahan n di atas atas dapa dapatt disel diselesa esaik ikan an dengan cara : [klik analyze+regression+linear]































ANOVA

Model 1

2

3

Regression

Sum of Sq u a r e s 7 2 2 9 .8 9 4

Residual

1

M e a n Sq u a re 7 2 2 9 .8 9 4

2 3 3 7 .5 6 5

72

3 2 .4 6 6

Total

9 5 6 7 .4 5 9

73

Regression

8 2 0 6 .3 0 9

2

4 1 0 3 .1 5 4

Residual

1 3 6 1 .1 5 0

71

1 9 .1 7 1

Total

9 5 6 7 .4 5 9

73

Regression

8 9 0 6 .7 4 4

3

2 9 6 8 .9 1 5

6 6 0 .7 1 6

70

9.4 3 9

Total

9 5 6 7 .4 5 9

73

Regression

9 0 1 7 .7 8 8

4

2 2 5 4 .4 4 7

5 4 9 .6 7 2

69

7.9 6 6

9 5 6 7 .4 5 9

73

Residual 4

Residual Total

df

Model Summary Summary

Model 1

R R Sq u a re a .869 .7 5 6

Adjus ted R Square .75 2

Std. Error of the Estimate 5 .6 9 8

2

.926 b

.8 5 8

.85 4

4 .3 7 8

3

.965

c

.9 3 1

.92 8

3 .0 7 2

.971

d

.9 4 3

.93 9

2 .8 2 2

4

a. Predictors: (Constant), People who read ( %) b. Predictors: (Constant), People who read ( %), Death rate per 1000 people c. Predictors: (Constant), People who read (%), Death rate per 1000 pe ople, Gross domestic product / capita d. Predictors: (Constant), People who read ( %), Death rate per 1000 p eople, Gross domestic product / capita,

F 2 22 .69 0

Sig . .0 00

2 14 .02 8

.0 00

3 14 .54 4

.0 00

2 82 .99 9

.0 00































Coefficientsa

Model 1 2

3

4

(Constant) People who read (%) (Constant) People who read (%) Death rate per 1000 people (Constant) People who read (%) Death rate per 1000 people Gross domestic product / capita (Constant) People who read (%) Death rate per 1000 people Gross domestic product / capita Daily calorie intake

Unstandardized Coefficients B St d . Er r o r 3 6 .2 2 6 2 .275 .4 3 0 .0 2 9 5 3 .2 7 9 2 .961 .3 3 0 .0 2 6

Standardized Coefficients Beta

.6 6 7

t 1 5 .9 2 4 1 4 .9 2 3 1 7 .9 9 5 1 2 .6 0 6

S ig . .0 0 0 .0 0 0 .0 0 0 .0 0 0

.8 6 9

-.966

.1 3 5

- .3 7 8

- 7.13 7

.0 0 0

6 2 .7 4 0 .1 9 2

2 .350 .0 2 4

.3 8 9

2 6 .6 9 9 7.8 90

.0 0 0 .0 0 0

- 1 .2 1 1

.0 9 9

- .4 7 4

-1 2 .2 1 4

.0 0 0

.0 0 1

.0 0 0

.3 6 3

8.6 14

.0 0 0

5 4 .2 1 4 .1 7 2

3 .143 .0 2 3

.3 4 7

1 7 .2 5 2 7.4 56

.0 0 0 .0 0 0

- 1 .1 3 6

.0 9 3

- .4 4 4

-1 2 .1 7 8

.0 0 0

.0 0 0

.0 0 0

.2 5 2

5.1 70

.0 0 0

.0 0 4

.0 0 1

.1 8 6

3.7 34

.0 0 0

a. Dependent Variable: Average fema le life life expectancy

Sehingga model terbaiknya adalah : lifeexp lifeexpff = 54.214 +0.172 +0.172 literacy literacy – 1.136 1.136 death_rt death_rt + 0.000 gdp_cap gdp_cap +0.004 +0.004 calori dengan R 2= 0.943 Dengan menggunakan menggunakan best subset subset regress regression ion :[klik stat+regressi stat+regression+best on+best subset]































diperoleh hasil :

Response is LIFEEXPF

Vars

R-Sq

R-Sq(adj)

C-p

S

1 1 1 2 2 2 3 3 3 4 4 4 5

75.6 60.2 59.8 86.9 85.8 83.7 93.1 92.1 89.6 94.3 93.5 92.5 94.4

75.2 59.6 59.3 86.6 85.4 83.3 92.8 91.7 89.2 93.9 93.1 92.1 94.0

225.8 412.2 416.2 90.3 103.5 128.9 17.5 30.1 59.8 5.5 15.1 26.2 6.0

5.6979 7.2752 7.3055 4.1981 4.3686 4.6816 3.0711 3.2935 3.7688 2.8207 3.0095 3.2150 2.8112

U R B A N

L I T E R A C Y

G D P _ C A P

C A L O R I E S

D E A T H _ R T

X X X X X X X X X X X X X X X X X X X X X X X X X

X X X X X X X X X X

Dengan Dengan menggun menggunaka akan n criteria criteria Cp-Mallo Cp-Mallows ws dan MSE terkecil terkecil diperole diperoleh h model model terbaik terbaik yang yang mengand mengandung ung variabel variabel literacy, literacy, gdp_cap, gdp_cap, calories calories dan death_rt, hasil ini sama dengan metode stepwise

































DUMMY VARIABLE

Dalam beberapa kasus tertentu, penggunaan analisis regresi melibatkan adanya variabel independent yang berskala nominal ataupun ordinal. Untuk mengatasi mengatasi hal ini dipergunakan dipergunakan dummy variable . Sebagai contoh penggunaan adalah ah penen penentua tuan n model model terba terbaik ik yang yang mengg menggamb ambark arkan an dummy dummy variab variable le adal hubungan antara harapan hidup perempuan dengan pendapan perkapita dan region (Asia dan Afrika).

Model Model yang yang menggam menggambar barkan kan hubung hubungan an antar antar variabe variabell tersebu tersebutt dapat dapat dinyatakan dalam persamaan regresi : lifeexpf = α0 + α1 ln(gdp_cap) + ε1

untuk region Asia

lifeexpf = δ0 + δ1 ln(gdp_cap) + ε2

untuk region Afrika

Dua persamaan regresi di atas dapat dijadikan satu persamaan regresi dengan cara menyisipkan sebuah dummy variable variable (D) yang bernilai 0 untuk































Secar Secara a umum umum banya banyakn knya ya dummy dibutuhkan an adalah adalah dummy variabl variable e yang dibutuhk banyaknya region-1. Kegiatan Praktikum :

Tentukan model yang menggambarkan hubungan antara harapan hidup perempuan dan pendapatan perkapita di region Asia, Afrika Afrika dan Amerika Latin Penyelesaian : Pembangkitan nilai D1 dan D2 : [klik transform+compute]































Laku Lakuka kan n deng dengan an cara cara yang yang sama sama untu untuk k memb memban angk gkit itka kan n vari variab abel el D2( bernilai 0 untuk region Asia, Amerika Latin dan bernilai 1 untuk region Afrika). Pembangkitan nilai D1*ln(gdp_cap) dan D2*ln(gdp_cap)































Analisis regresi : [klik analyze+regression+linear]































Coefficientsa Unstandardized Coefficients Model 1

(Constant) ln_gdp

2

4

Std. Er r o r 6. 11 6

Beta

t 4. 42 0

Sig. . 000

5 .64 3

.8 34

. 72 0

6. 76 7

. 000

D1

2 2. 86 0

14 .1 3 0

. 97 5

1. 61 8

. 112

d2

- 4. 19 0

10 .4 0 2

- .1 84

- .4 03

. 689

d1_lngdp

- 2. 98 6

1. 76 1

- 1 . 04 9

- 1 .6 96

. 097

d2_lngdp

- .7 2 0

1. 54 7

- .2 05

- .4 65

. 644

2 5. 58 5

4. 90 4

5. 21 7

. 000

5 .83 6

.6 77

. 74 5

8. 61 9

. 000

D1

2 4. 30 8

13 .5 4 5

1 .0 37

1. 79 5

. 079

d1_lngdp

- 3. 17 9

1. 68 0

- 1 . 11 7

- 1 .8 92

. 065

d2_lngdp

- 1. 33 3

.2 84

- .3 79

- 4 .6 95

. 000

(Constant)

2 8. 77 1

4. 67 4

6. 15 6

. 000

ln_gdp

5 .41 2

.6 49

. 69 1

8. 34 1

. 000

d1_lngdp

- .1 9 7

.2 55

- .0 69

- .7 73

. 443

d2_lngdp

- 1. 39 7

.2 88

- .3 98

- 4 .8 51

. 000

(Constant)

2 9. 56 2

4. 54 2

6. 50 8

. 000

ln_gdp

5 .20 2

.5 87

. 66 4

8. 86 0

. 000

d2_lngdp

1 30 8

2 63

3 73

4 9 72

000

(Constant) ln_gdp

3

B 2 7. 03 4

Standardized Coefficients

































INFLUENTIAL OBSERVATIONS

































Untuk Untuk mendete mendeteksi ksi adanya adanya influentia dipergunakan influentiall observation observation dapat dipergunakan beberapa statistik berikut :

No 1

Statistik DFFIT

Formula ˆ −Y ˆ Y i (i ) ˆ) stdev(Y i

influential

>2

Penjelasan Difference fit

p

Perbeda Perbedaan an nilai nilai Y

n

taks taksir iran an

denga engan n

atau atau tanp tanpa a peng peng-amatan ke-i

































Kegiatan Praktikum :

Tentukan Negara di Asia yang keberadaanya mempengaruhi hubungan antara antara harap harapan an hidup hidup perem perempua puan n deng dengan an peda pedapa patan tan per-k per-kapi apita ta deng dengan an menggunakan kriteria DFFIT Penyelesaian Memilih Negara di region Asia : [klik Data+Select Cases]

































































Negara Negara yang yang merupaka merupakan n influentia adalah Negara Negara yang yang nilai nilai influentiall observation observation adalah DFFIT DFFIT > 2

p n

atau

DFFIT

>0.69

Afganistan, Afganistan, Cina, Cina, Kamboja Kamboja dan Vietnam Vietnam

, Nega Negara ra ters terseb ebut ut adal adalah ah Nega Negara ra



































ASUMSI DALAM ANALISIS REGRESI



































REGRESI BOOTSTRAPP



































Kegiatan Praktikum :

Tentukan model yang menngambarkan hubungan antara harapan hidup den

dapatan dapatan perkapit perkapit

sert

ujilah ujilah

msi kenormal kenormal



































dan hasilnya adalah : The regression equation is LIFEEXPF = 21.7 + 6.15 ln_gdp



































Deng Dengan an

meng mengg gunak unakan an

meto metod de

kuad kuadrrat

terk terkec ecil il

dip diperol eroleh eh

has hasil

kenormalan residual tidak terpenuhi, sehiingga sehiingga sebagai alternatif digunakan metode regresi bootstrapp yang dinyatakan dalam

MINITAB :









































































































































































































































































































































































































































































































































































































































































































































































































































































































































































































Klasifikasi

Rancangan Lingkungan ( Environmental design) a. Ranc Rancan anga gan n Acak Acak Leng Lengka kap p ( Comple Completel tely y Random Random Design Design), ), dipakai pada kasus satuan percobaan bersifat homogen b. Ranc Rancan anga gan n Acak Acak Kelo Kelomp mpok ok ( Block Random Design), dipakai pada Design), dipakai kasus kasus satuan satuan percoba percobaan an bersifat bersifat heterog heterogen, en, kemudian kemudian dilakuk dilakukan an peng pengelo elompo mpoka kan n sedem sedemiki ikian an hingga hingga satua satuan n perco percoba baan an di dalam dalam kelompok yang sama masih bersifat homogen. Rancangan Perlakuan ( Treatment design) a. Dilihat Dilihat dari penent penentuan uan perlaku perlakuan an : fixed dan random, dikatakan random jika penentuan penentuan perlakuan dipilih secara secara acak dan kesimpulannya kesimpulannya nanti berlaku untuk populasi perlakuan. b. Dili Diliha hatt dari dari maca macam m perl perlak akua uan n : tung tungga gall dan dan fakt faktor oria ial, l, dika dikata taka kan n faktorial, jika perlakuan terdiri dari beberapa factor dan antar fakor dimungkinkan terjadi interaksi































Rancangan Acak Lengkap :

Contoh 1 : Untuk meneliti efektifitas obat penurun tekanan darah tinggi, dilakukan percobaan pemberian obat yang terdiri dari tiga macam obat yaitu obat A: placebo, obat B, dan obat C, setiap obat dicobakan pada 10 orang, dan pada

setiap orang diukur tekanan darah systolic sebellum minum obat (y1) dan 30 menit setelah minum obat (y2). Respon yang diamati adalah nilai y1-y2. Pelaksanaan Percobaan Untuk melakukan percobaan ini dibutuhkan 30 orang yang mempunyai kondi kondisi si keseh kesehat atan an yang yang sama sama dan dan dari dari kelom kelompo pok k umur umur yang yang sama sama serta serta berjeni berjenis s kelamin kelamin sama sama misalkan misalkan perempu perempuan. an. Kemudia Kemudian n untuk untuk menentu menentukan kan perlaku perlakuan an ke setiap orang orang dibutukan dibutukan pengacak pengacakan an yang dapat dapat

dilakuk dilakukan an

dengan cara berikut. Ambil 30 buah kartu yang ditandai a1,a2,…,a10, a1,a2,…,a10, b1,…,b10, b1,…,b10, c1,…,c10 kemud kemudian ian diko dikoco cok k kemud kemudian ian berik berikan an pada pada setia setiap p orang orang satu satu kartu, kartu, beri beri perlakuan yang sesuai dengan kartu yang diperoleh setiap orang. Nilai variabel respon yang diamati adalah Obat A B C

1 2 11 17

2 6 9 18

3 7 11 16

4 3 11 18

5 0 11 23

6 1 10 25

7 4 15 20

8 5 8 22

9 10 9 17

10 4 9 16































Model yang sesuai untuk kasus ini adalah : =

, i=1,…,t dan j=1,..,r

Y : Nilai penurunn tekanan darah setelah diberi obat ke-i untuk orang ke-j

: Rata-rata penurunan tekanan darah : Pengaruh pemberian obat ke-i : Galat Percobaan ( Experimental Error ) Asumsi : ε ij beristribusi normal dengan rata-rata=0 dan varians konstan Hipotesis : H0 : Tidak ada pengaruh pemberian obat terhadap penurunan tekanan darah H1 : Ada pengaruh pemberian obat terhadap penurunaan tekanan darah atau H0 : H1 : Statistik uji : Sumbe umberr Var Varia ias si Perlakuan

atau

H0 : H1 :

dera deraja jatt

Jumlah Kuadrat

Kuadrat Tengah

bebas

(Sum of Squares)

(Mean of squares)

t

t

r

2

t

∑∑(Y îj −Y )

2

r

MS .Treatment

∑∑(Y îj − Y )

i −1 j =1

MS . Re sidual sidual

i −1 j =1

t

Sisa (residual )

rt-t-1

t

2

r

∑∑(Y ij −Y îj ) i −1 j =1

t

r

∑∑(Y ij −Y îj ) i −1 j =1

rt − t −1

Total

rt-1 t

r

∑∑(Y ij −Y ) i −1 j =1

Tolak Ho jika F-hitung> f α ,t

1. rt − 1 t − −

2

F-hitung

2































Dengan bantuan SPSS, pengujian pengaruh pemberian obat terhadap penurunan tekanan darah dapat dilakukan dengan cara : a. Pema Pemasu suka kan n Data Data

b. Analysis Analysis of varianc variance e klik analyze+comp analyze+compare are means+one means+oneway way ANOVA ANOVA































c. Peng Penguji ujian an kesam kesamaa aan n varia varians ns klk options

d. Pemba Pembandi ndinga ngan n berg bergan anda da ( multiple comparison ) klik post-hoc

dan hasilnya adalah : Test of Homogeneity Homogeneity of Variances Variances Levene Sta tistic Penurunan Tekanan Darah

1 .6 86

df1

d f2 2

Sig. 27

.2 04

Nilai sig. lebih besar dari 5%, sehingga H0 diterima yang berarti varians penurunan tekanan darah untuk ketiga macam perlakuan pemberian obat

































ANOVA Sum of Squa r es Penurunan Tekanan Darah

Between Groups Within Groups Total

Mean Squ a r e

df

11 3 6.2 6 7

2

5 68. 1 33

20 3 .60 0

27

7. 5 41

13 3 9.8 6 7

29

F 75.3 42

Sig . .00 0

Nilai sig.<5% sehingga dapat disimpulkan ada pengaruh pemberian obat terhada terhadap p penurun penurunan an tekanan tekanan darah darah atau atau rata-rat rata-rata a penurun penurunan an tekanan tekanan darah dari perlakuan tiga macam obat tidak bisa dikatakan sama, untuk menguji pasangan rata-rata yang berbeda dari perlakuan pemberian tiga maca macam m

obat obat

dapa dapatt

dila dilaku kuka kan n

pemb pemban andi ding ngan an

berga ergand nda a

deng dengan an

menggunakan statistik uji Least Significance Difference sebagai berikut : Multiple Comparisons Comparisons Dependent Variable: Penurunan Tekanan Darah LSD (I) Jenis obat tekanan darah A B C

(J) Jenis obat tekanan darah B

Mean Difference ( I - J) Std. Err or - 6 .2 0 00 * 1 .228

95% Confidence Interval Sig. . 00 0

Lower Bound - 8 .7 1 9 8

Upper Bound - 3 .6 8 0 2

C

- 15 .0 00 0 *

1 .228

. 00 0

- 17.5 19 8

- 12 .4 8 02

A

6 .2 00 0 *

1 .228

. 00 0

3 .6 802

8 .7 1 98

C

- 8 .8 0 00 *

1 .228

. 00 0

- 11.3 19 8

- 6 .2 8 0 2

A

15 00 0 0*

1 228

00 0

12 4 80 2

17 5 1 98































Rancangan Acak Lengkap : analysis of covariance

Contoh 2 : Untuk meneliti efektifitas obat penurun tekanan darah tinggi, dilakukan percobaan pemberian obat yang terdiri dari tiga macam obat yaitu obat A: placebo, obat B, dan obat C, setiap obat dicobakan pada 10 orang, dan pada

setiap orang diukur tekanan darah systolic sebellum minum obat (y1) dan 30 menit setelah minum obat (y2). Respon yang diamati adalah y2, sedangkan y1 adalah covariate. Model yang sesuai untuk kasus ini adalah : Y ij = µ +τ i + β ( X ij − X .. ) +ε ij

Y ij

: Nilai tekanan darah setelah minum obat ke-I untuk orang ke-j

µ : Nilai rata-rata tekanan darah setelah minum obat τ i

: Pengaruh obat ke-i

X ij :

NIlai tekanan darah sebelum minum obat ke-I untuk orang ke-k

Hipotesis 1: H0 : Tidak ada pengaruh pemberian obat ke-I terhadap tekanan darah H1 : Ada pengaruh pemberian obat ke-I terhadap tekanan darah atau H0 : τ i = 0∀i dan H1 : ∃τ i

≠0

Hipotesis 2 : H0 : Tidak ada hubungan antara tekanan darah sebelum dan sesudah minum obat































Data : Sesudah Sebelum Sesudah Sebelum Sesudah Sebelum

Tekanan darah sebelum dan sesudah minum obat A 142 143 145 150 144 145 148 142 146 144 149 152 153 144 146 152 147 156 Tekanan darah sebelum dan sesudah minum obat B 143 141 149 145 147 144 145 146 149 154 150 160 156 158 154 160 154 158 Tekanan darah sebelum dan sesudah minum obat C 143 150 143 150 146 146 146 147 142 160 168 159 168 169 171 166 169 159

Dengan bantuan SPSS hal ini dapat diselesaikan dengan cara : a. Pema Pemasu suka kan n Data Data

142 146 143 152 150 166































b. Analisis Covariance : klik Analyze + General linear model + factorial

dan hasilnya adalah : ANOVAa,b Unique Method Sum of Sq ua r es Tekanan darah sesudah minum obat

Covariates

Main Effects

Model

Mean Squ ar e

df

F

Sig.

Tekanan darah sebelum minum obat

11 3 .07 2

1

1 13. 07 2

30 .39 3

.0 00

obat penurun tekanan darah

56. 2 24

2

28 .1 12

7 .5 56

.0 03

12 6 .47 2

3

42 .1 57

11 .33 2

.0 00































Rancangan LIngkungan : Rancangan Rancangan Acak Lengkap Ranc Rancan anga gan n Perl erlakua akuan n

: Fakto aktori rial al

You as a biologist are studying how zooplankton live in two lakes. You set up twelve tanks in your laboratory, six each with water from a different lake. You add one of three nutrient supplements to each tank and after 30 days you count the zooplankton in a unit volume of water.

Data untuk kasus ini diperoleh dari MINITAB (EXH_AOV.MTW), model yang sesuai untuk kasus ini adalah : Y ijk

= µ + τ i + δ j + (τδ ) ij + ε ijk dan i=1,2,3 j=1,2 k=1,2

Y ijk :

Banyaknya zooplankton pada air danau ke j yang diberi supplement

ke- i dan ulangan ( replication) ke-k

µ : Rata-rata banyaknya zooplankton τ i

: Pengaruh supplement ke-i terhadap banyaknya zooplankton

δ j :

Peng Pengaru aruh h peng penggu guna naan an air dari dari dana danau u ke-j ke-j terhad terhadap ap banya banyakn knya ya zooplankton

Dengan bantuan MINITAB kasus ini dapat diselesaikan dengan cara : klik stat + anova+two-way :

































dan hasilnya adalah : Analysis of Variance for Zooplank Source DF SS MS Suppleme 2 1919 959 Lake 1 21 21 Interaction 2 561 281 Error 6 622 104 Total 11 3123 Suppleme 1 2 3

Mean 43.5 68.3 39.8

F 9.25 0.21 2.71

P 0.015 0.666 0.145

Individual 95% CI --+---------+---------+---------+----------+---------+---------+--------+--------(-------*-------) (--------*-------) (--------*-------) --+---------+---------+---------+--------30.0 45.0 60.0 75.0

Dilihat dari p-value dapat disimpulkan bahwa ada pengaruh supplement tidak tidak ada ada peng pengaru aruh h pengg pengguna unaan an air dari dari dana danau u yang yang berbe berbeda, da, tidak tidak ada ada pengar pengaruh uh intera interaks ksii antar antara a penggu pengguna naan an air yang yang berb berbed eda a dengan dengan jenis jenis banyaknya zooplankton. Supplement terbaik terbaik adalah adalah supplement terhadap banyaknya supplement yang kedua, yang memberikan rata-rata banyaknya zooplankton































Rancangan Lingkungan : Rancangan Rancangan Acak Kelompok Ranc Rancan anga gan n Per Perla laku kuan an

: Per Perla laku kuan an Tung Tungga gall

/* Getting Started Example 2: Randomized Complete Block Design */ title 'Randomized Complete Block' ; data RCB; input Block Treatment $ Yield Worth @@; datalines; datalines ; 1 A 32.6 112 1 B 36.4 130 1 C 29.5 106 2 A 42.7 139 2 B 47.1 143 2 C 32.9 112 3 A 35.3 124 3 B 40.1 134 3 C 33.6 116 ; proc anova; class Block Treatment; model Yield Worth=Block Treatment; means Treatment; run; Dependent Variable: Yield Source Model Error Corrected Total

Sum of DF Squares Mean Square F Value Pr > F 4 225.2777778 56.3194444 8.94 0.0283 4 25.1911111 6.2977778 8 250.4688889

R-Square 0.899424

Coeff Var 6.840047

Root MSE Yield Mean 2.509537 36.68889































title 'Randomized Complete Block With Two Factors' ; data PainRelief; input PainLevel Codeine Acupuncture Relief @@; datalines; datalines ; 1 1 1 0.0 1 2 1 0.5 1 1 2 0.6 1 2 2 1.2 2 1 1 0.3 2 2 1 0.6 2 1 2 0.7 2 2 2 1.3 3 1 1 0.4 3 2 1 0.8 3 1 2 0.8 3 2 2 1.6 4 1 1 0.4 4 2 1 0.7 4 1 2 0.9 4 2 2 1.5 5 1 1 0.6 5 2 1 1.0 5 1 2 1.5 5 2 2 1.9 6 1 1 0.9 6 2 1 1.4 6 1 2 1.6 6 2 2 2.3 7 1 1 1.0 7 2 1 1.8 7 1 2 1.7 7 2 2 2.1 8 1 1 1.2 8 2 1 1.7 8 1 2 1.6 8 2 2 2.4 ; proc anova; class PainLevel Codeine Acupuncture; model Relief = PainLevel Codeine|Acupuncture; run; The ANOVA Procedure Dependent Variable: Relief

Source Model Error Corrected Total

DF 10 21

Sum of Squares Mean Square F Value Pr > F 11.33500000 11.3350000 0 1.13350000 78.37 <.0001 0.30375000 0.01446429 31 11.63875000































142 141 112 111 121 122 132 131 221 222 212 211 241 242 231 232 ;

40.0 39.5 37.9 35.4 36.7 38.2 36.4 34.8 42.7 41.6 40.3 41.6 44.5 47.6 43.6 42.8 proc anova; class Block A B; model Response = Block A Block*A B A*B; test h=A e=Block*A; run;

Source Model Error Corrected Total

DF 11 4

Sum of Squares Mean Square F Value Pr > F 182.0200000 182.020000 0 16.5472727 7.85 0.0306 8.4300000 2.1075000 15 190.4500000

131733155-Bahan-Ajar

Recommend Documents