LAPORAN PRAKTIKUM KE–2 “REGRESI RIDGE”
Oleh :
Aisah (135!5"1111#$
Asis%e& : 1' Diah Diah Aali)a ali)a Ila)a& Ila)a&%i %i 2' Dh*&a A)+s P+s,i%asa-i
(125! (125!5 51 11 113"$ 13"$ (125!5"11131$
LA.ORATORIUM STATISTIKA PROGRAM STUDI STATISTIKA STATISTIKA /URUSAN MATEMATIKA 0AKULTAS MATEMATIKA DAN ILMU PENGETAUAN ALAM UNIERSITAS .RAI/A4A MALANG 21#
.A. I METODE
Adapun langkah-langkah Regresi Ridge menggunakan software minitab adalah sebagai berikut. 1.Input data ke worksheet minitab
2. Uji Asumsi Non Multikolinieritas Stat – Regression – Regression •
•
•
kemudian akan mun!ul kotak dialog kemudian masukkan "ariabel respon dan "ariabel predi!tor seperti beikut.
#ada option, klik $I% seperti berikut.
&lik '& (. )tandarisasi "ariabel prediktor *"ariabel +, Calc – Standadize •
•
•
• •
&emudian masukkan "ariabel + ang akan distandarisasi
&lik '& ambahkan /0 pada worksheet.
. uat Matriks / Data – Copy – Column to Matrix
Masukkan kolom /0-/1 pada Copy from Columns: beri nama matriks M/ pada In current workseet,in matrix:
3. Untuk menampilkan matriks klik Data – Display Data, kemudian pilih matriks ang akan ditampilkan '&
4. ranspose matriks / Calc – Matrices – transpose kemudian masukkan matriks / *M1 5op, pada !ranspose from: beri nama M/ pada Store result in
6. ampilkan data transpose matriks / *M/, seperti langkah nomor 3.
7. Masukkan M)8 pada worksheet minitab 9. Masukkan penduga parameter : hasil dari analisis regresi pada worksheet 10. uat matriks beta dengan langkah sama seperti nomor . &emudian beri nama matriks M '&
11. ranspose matriks dengan langkah sama seperti langkah nomor 4 beri nama M
12. ampilkan data matriks M langkah seperti langkah nomor 3. 1(. ;itung < Calc – Matrices – "ritmetic, pilih Multiple kalikan Matiks M dengan M '&.
1. Men!ari nilai k Calc – Calculator masukkan rumus perhitungan untuk men!ari k=
3∗ MSE
BTB
13. ;itung 6 Calc – Matrices – "ritmetic, pilih Multiple kalikan Matiks M/ dengan M/ '&.
14. ampilkan data matriks M3 *M/>M/, langkah seperti langkah nomor 3 '&
16. uat Matiks &I uat matriks &I pada ?orksheet kemudian jadikan dalam bentuk matriks seperti langkah nomor .
17. ampilkan data matriks &I langkah seperti langkah nomor 3
'&
19. uat matriks @ dengan langkah sama seperti nomor . &emudian beri nama matriks M@ '&
20. ;itung nilai :R *k, rumus :R *k, = */ &I, -1/<@ ;itung */ &I,-1terlebih dahuluB Calc – Matrices – "ritmetic, pilih "dd jumlahkan Matiks M3*/, dan 5opC2 *&I, '&. &emudian hitung In"ers Matriks M4*/ &I,B Calc – Matrices – In#ert, pilih matriks M4 '&.
;itung /<@ B Calc – Matrices – "ritmetic, pilih Multiple kalikan Matiks M/ dengan M@*5opC(, '&.
;itung :R *k, dengan kalikan matriks M6 dan M9B Calc – Matrices – "ritmetic, pilih Multiple kalikan Matiks M6 dengan M9 '&.
21. ampilkan data matriks M10*:R *k, , langkah seperti langkah nomor 3 '& 22. Masukkan hasil :R *k, pada worksheet minitab.
2(. ;itung rata-rata ang standar de"iasi "ariabel predi!tor *+, Stat – $asic Statistics – Display Descripti#e Statistic%%
2. Masukkan rata-rata dan standar de"iasi ang telah ditampilkan pada output ke worksheet minitab.
23. ransformasi balik untuk menghitung parameter :B Calc – Calculator%% Menghitung :0 = br0 D sum**bri>mean,Esd, Menghitung :i = briEsd dimana i=12(
24. Fiperoleh persamaan regresi ridge aituB
y = 23.6301 0.0069347+10.0096746+20.0(94710+( ^
.A. II PEM.AASAN 2'1' Da%a
Fata &onsumsi Aam #er kapita *@, #endapatan Real #er kapita *+1, ;arga Ikan 8!eran Real #er Unit *+2, dan ;arga )api 8!eran Real #er Unit *+(, adalah sebagai berikut. No. @ +1 +2 +( 1 26.7 (96.3 30.6 67.( 2 29.9 1(.( 32 69.2 ( 29.7 (9.2 3 69.2 (0.7 39.6 33.( 69.2 3 (1.2 92.9 3.6 66. 4 ((.( 327.4 4(.6 70.2 6 (3.4 340.( 49.7 70. 7 (4. 42.4 43.9 7(.9 9 (4.6 444. 4.3 73.3 10 (7. 616.7 60 9(.6 11 0. 647.2 6(.2 104.1 12 0.( 7(.( 46.7 10.7 1( 1.7 911.4 69.1 11 1 0. 9(1.1 93. 12.1 13 0.6 1021.3 9.2 126.4 14 0.1 1143.9 12(.3 12.9 16 2.6 1(9.4 129.9 1(.4 17 .1 19. 116.4 1(9.2 19 4.6 1363.3 1(0.9 143.3 20 30.4 1639.1 129.7 20(.( 21 30.1 199.2 127 219.4 22 31.6 2237.1 11 221.4 2( 32.9 267.6 147.2 2(2.4 2 3(.2 2127.2 12( 211.9 23 3(.1 20(3. 12 221.6 24 32.4 2003.9 1((.2 2(1.7 26 3(.7 2112.7 13.6 219.4 27 32.9 2007.4 1(.9 220.6
29 (0
3.( 3.6
212(.1 2(3.9
134.7 13.7
2((.9 23.7
2'2' U7i As+si N*&M+l%i8*li&ie-i%as )etelah diregresikan antara "ariabel predi!tor dan predi!tor respon didapatkan output sebagai berikut. Predictor Constant X1 X2 X3
Coef 25.884 0.008176 0.00834 0.03811
SE Coef 2.277 0.004332 0.04051 0.04255
T 11.37 1.8 0.21 0.0
P 0.000 0.070 0.838 0.37
VIF 54.241 13.858 41.03
erdasarkan 'utput tersebut dapat diketahui bahwa nilai $I% semua "ariabel predi!tor *+1 +2 +(, G 10 sehingga dapat diketahui bahwa data pendapatan Real #er kapita *+ 1, ;arga Ikan 8!eran Real #er Unit *+2, dan ;arga )api 8!eran Real #er Unit *+ (, terdapat multikolinieritas. 2'3' S%a&9a-isasi Nilai Pe+ah P-e9i8%*Ma%-i; 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
!1.24878 !1.22656 !1.1014 !1.16132 !1.11463 !1.06443 !1.0185 !0.243 !0.87065 !0.7837 !0.72750 !0.6218 !0.52585 !0.4843 !0.37131 !0.16825 0.0007 0.23041 0.40774 0.6652 0.652 1.36762 1.67783 1.1845 1.05445 1.0127
!1.35071 !1.3168 !1.26486 !1.23104 !1.24664 !1.01251 !0.85382 !0.5528 !0.170 !0.84861 !0.76536 !0.0585 !0.61188 !0.18783 !0.2105 0.54320 0.706 0.3871 0.73571 0.7070 0.66026 0.846 1.70607 0.5301 1.02448 0.7554
!1.11062 !1.0633 !1.0633 !1.0633 !1.1241 !1.08045 !1.07727 !1.02170 !0.62 !0.86608 !0.661 !0.6883 !0.54374 !0.38337 !0.3277 !0.08485 !0.07373 !0.14360 0.27402 0.87423 1.13306 1.16482 1.3348 1.0107 1.16640 1.32678
1 1 1 1
1.1632 1.01677 1.17778 1.4108
1.12073 1.0730 1.4050 1.35747
1.13306 1.15053 1.36013 1.5408
Ma%-i8s 6 "atri# "5 30 0 !0 0
0.0000 2.0000 27.340 28.6445
!0.0000 27.340 2.0000 27.5823
0.0000 28.6445 27.5823 2.0000
2'<' Me&e&%+8a& &ilai 8
k=
3∗ MSE
BTB
= 00226021
erdasarkan output ang dihasilkan dapat diketahui bahwa nilai k sebesar 00226021 2'5' Me&=hi%+&= >R (8$ :R *k, = */ &I, -1/<@
[ ] 42.8676
:R *k, =
5.6573 0.3762 2.4999
pendugaan parameter :R *k, dapat diketahui bahwa sehingga model sementara ang terbentuk adalah sebagai berikut. = 42.8676 5.6573 /1 0.3762 6/2 2.4999 y 0/( ^
2'#' T-a&s?*-asi .ali8 Pe&9+=aa& Pa-ae%e-
Fengan transformasi balik didapatkan pendugaan parameter sebagai berikut. :0 = 236301 :1 = 00069347 :2 = 00096746
:( = 00(94710
2'"' M*9el Te-ai8 )a&= Te-e&%+8 )etelah dilakukan standarisasi pada "ariabel predi!tor diperlukan pengembalia ke bentuk awal agar ditemukan model terbaik. Model terbaik ang terbentuk berdasarkan perhitungan menggunakan software minita& aituB y = 23.6301 0.0069347+10.0096746+20.0(94710+( InterpretasiB • )etiap kenaikkan 1 unit pendapatan real per kapita maka akan meningkatkan konsumsi aam per kapita sebesar 0.0069347unit )etiap kenaikkan 1 unit harga ikan e!eran per unit maka akan • meningkatkan konsumsi aam per kapita sebesar 0.009674 unit )etiap kenaikkan 1 unit harga sapi e!eran real per unit maka akan • meningkatkan konsumsi aam per kapita sebesar 0.0(94710 unit ^
.A. III PENUTUP 3'1' Kesi,+la& Model regresi ridge ang terbentuk sebelum ditransformasi balik • aituB y = 42.8676 5.6573 /1 0.3762 6/2 2.4999 0/( Model terbaik ang terbentuk aituB y = 23.6301 0.0069347+10.0096746+20.0(94710+( InterpretasiB )etiap kenaikkan 1 unit pendapatan real per kapita maka akan meningkatkan konsumsi aam per kapita sebesar 0.0069347unit )etiap kenaikkan 1 unit harga ikan e!eran per unit maka akan meningkatkan konsumsi aam per kapita sebesar 0.009674 unit )etiap kenaikkan 1 unit harga sapi e!eran real per unit maka akan meningkatkan konsumsi aam per kapita sebesar 0.0(94710 unit ^
^
3'2' Sa-a& Regresi Ridge sangat bermanfaat dalam pembentukkan model regresi linier berganda jika terdapat multikolinieritas pada "ariabel predi!tor. Falam melakukan regresi ridge hal terpenting adalah memeriksa "ariabel predi!tor apakah terdapat multikolinieritas apa nonmultikolinieritas dan ketelitian dalam pembentukan serta operasi matriks.
LAMPIRAN $e%co&e to "inita'( )ress F1 for *e%).
Regression Analysis: Y versus X1, X2, X3 T*e re+ression e,-ation is / 25. 0.00818 X1 0.0083 X2 0.0381 X3
Predictor Constant X1 X2 X3
Coef 25.884 0.008176 0.00834 0.03811
S / 2.25246
SE Coef 2.277 0.004332 0.04051 0.04255
!S, / 4.1
T 11.37 1.8 0.21 0.0
P 0.000 0.070 0.838 0.37
VIF 54.241 13.858 41.03
!S,ad / 3.4
na%sis of Variance So-rce e+ression esid-a% Error Tota%
So-rce X1 X2 X3
F 1 1 1
F 3 26 2
SS 206.27 131.1 2228.18
"S 68.76 5.07
F 137.72
P 0.000
Se, SS 202.00 0.20 4.07
9n-s-a% :'ser;ations :'s 1
X1 38
27.800
Fit 32.541
SE Fit 0.776
esid-a% !4.741
St esid !2.24
denotes an o'ser;ation
-r'in!$atson statistic / 0.473832 > ?:TE > V?"ES s-'co&&and ca-sed e#istin+ o-t)-t ;aria'%e na&es to 'e o;er
Data Display
"atri# Co) 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
!1.24878 !1.22656 !1.1014 !1.16132 !1.11463 !1.06443 !1.0185 !0.243 !0.87065 !0.7837 !0.72750 !0.6218 !0.52585 !0.4843 !0.37131 !0.16825 0.0007 0.23041 0.40774 0.6652 0.652 1.36762 1.67783 1.1845 1.05445 1.0127 1.1632 1.01677 1.17778 1.4108
!1.35071 !1.3168 !1.26486 !1.23104 !1.24664 !1.01251 !0.85382 !0.5528 !0.170 !0.84861 !0.76536 !0.0585 !0.61188 !0.18783 !0.2105 0.54320 0.706 0.3871 0.73571 0.7070 0.66026 0.846 1.70607 0.5301 1.02448 0.7554 1.12073 1.0730 1.4050 1.35747
!1.11062 !1.0633 !1.0633 !1.0633 !1.1241 !1.08045 !1.07727 !1.02170 !0.62 !0.86608 !0.661 !0.6883 !0.54374 !0.38337 !0.3277 !0.08485 !0.07373 !0.14360 0.27402 0.87423 1.13306 1.16482 1.3348 1.0107 1.16640 1.32678 1.13306 1.15053 1.36013 1.5408
Data Display "atri# "@T 1.00000 1.00000 !1.24878 !1.0185 !1.35071 !0.85382 !1.11062 !1.07727
1.00000 1.00000 !1.22656 !0.243 !1.3168 !0.5528 !1.0633 !1.02170
1.00000 1.00000 !0.87065 !0.37131
1.00000 1.00000 !0.7837 !0.16825
1.00000
1.00000
1.00000
1.00000
!1.1014
!1.16132
!1.11463
!1.06443
!1.26486
!1.23104
!1.24664
!1.01251
!1.0633
!1.0633
!1.1241
!1.08045
1.00000
1.00000
1.00000
1.00000
!0.72750
!0.6218
!0.52585
!0.4843
!0.170 !0.2105 !0.62 !0.3277
!0.84861 0.54320 !0.86608 !0.08485
1.00000 1.00000 0.0007 1.67783 0.706 1.70607 !0.07373 1.3348
1.00000 1.00000 0.23041 1.1845 0.3871 0.5301 !0.14360 1.0107
1.00000 1.05445 1.02448 1.16640
1.00000 1.0127 0.7554 1.32678
!0.76536
!0.0585
!0.61188
!0.18783
!0.661
!0.6883
!0.54374
!0.38337
1.00000
1.00000
1.00000
1.00000
0.40774
0.6652
0.652
1.36762
0.73571
0.7070
0.66026
0.846
0.27402
0.87423
1.13306
1.16482
1.00000 1.1632 1.12073 1.13306
1.00000 1.01677 1.0730 1.15053
1.00000 1.17778 1.4050 1.36013
1.00000 1.4108 1.35747 1.5408
————— 4/30/2016 2:05:31 ! ————————————————————
Data Display "atri# Co)A1 25.8840 0.0082 0.0083 0.0381
ns
Data Display "atri# "5 30 0 !0 0
0.0000 2.0000 27.340 28.6445
!0.0000 27.340 2.0000 27.5823
0.0000 28.6445 27.5823 2.0000
> ?:TE > V?"ES s-'co&&and ca-sed e#istin+ o-t)-t ;aria'%e na&es to 'e o;er
Data Display "atri# Co)A2 0.0227021 0.0000000 0.0000000 0.0000000
0.0000000 0.0227021 0.0000000 0.0000000
0.0000000 0.0000000 0.0227021 0.0000000
0.0000000 0.0000000 0.0000000 0.0227021
> ?:TE > V?"ES s-'co&&and ca-sed e#istin+ o-t)-t ;aria'%e na&es to 'e o;er
Data Display "atri# "7 0.0333081 0.0000000 0.0000000 !0.0000000
0.00000 1.7476 !0.4423 !1.30601
0.000000 !0.44228 0.468084 !0.00767
Data Display "atri# " 1287.00 246.31 237.0 244.8
Data Display "atri# "10 42.8676 5.6573 0.3762 2.4
Des"riptive #tatisti"s: X1, X2, X3 Varia'%e X1
"ean 1286
Ste; 711
!0.00000 !1.30601 !0.00770 1.33076
X2 X3
102.62 148.2
38.44 63.0