Ukuran Variasi dalam Model Regresi – Setelah analisis regresi dilakukan pada satu set data, ada tiga ukuran variasi model persamaan regresi yang menentukan berapa banyak variasi dalam variabel dependen (Y) yang dapat dijelaskan oleh variasi variabel independen (X). Ukuran-ukuran variasi tersebut dijelaskan sebagai berikut.
Regression Sum of Squares (SSR)
Regression Sum of Squares (SSR) merupakan variasi yang disebabkan oleh hubungan antara X dan Y. Dimana SSR sama dengan jumlah perbedaan kuadrat antara nilai-nilai Y estimasi dan nilai rata-rata Y. Bila dituliskan sebagai berikut:
Dari tabel 1. di atas diketahui nilai SSR adalah 0,625. Hasil ini sama dengan hasil perhitungan komputer di bawah ini.
Error Sum of Squares (SSE)
Error Sum of Squares (SSE) merupakan variasi yang disebabkan oleh faktor selain hubungan antara X dan Y. Atau variasi yang disebabkan oleh variabel selain X.
Jumlah kesalahan kuadrat (SSE) sama dengan jumlah perbedaan kuadrat antara setiap nilai Y yang diamati dan nilai Y yang prediksi. Bila dituliskan sebagai berikut:
Dari tabel 2. di atas diketahui nilai SSE adalah 0,075. Hasil ini sama dengan hasil perhitungan komputer.
Total Sum of Squares (SST)
Total Sum of Squares (SST) merupakan ukuran variasi nilai Y dari rata-rata Y itu sendiri. Jumlah total kuadrat (SST) sama dengan jumlah perbedaan kuadrat antara setiap nilai Y yang diamati dan nilai rata-rata Y. Bila dituliskan secara singkat menjadi seperti ini:
Jumlah total kuadrat (SST) juga sama dengan jumlah dari jumlah regresi kuadrat (SSR) dan jumlah kesalahan kuadrat (SSE).
SST = SSR + SSE
Penghitungan di atas menghasilkan nilai SST sebesar 0,7. Nilai SST bisa juga diperoleh dari penambahan SSR dan SSE, yaitu 0,625 + 0,075 = 0,7.
Demikianlah uraian singkat saya tentang tiga ukuran variasi dalam model regresi. Ketiga ukuran ini akan berguna dalam analisis regresi selanjutnya terutama untuk menghitung koefisien determinasi. Terima kasih telah berkunjung ke maglearning.id Sampai jumpa lagi ya Gaes…..
3 comments