Interpretasi Analisis Regresi Linear Sederhana menggunakan R

Ok gengs selanjutnya pada artikel kali ini kita akan membahas mengenai interpretasi dari hasil analisis regresi sederhana yang telah kita lakukan sebelumnya. Baik langsung saja disimak dibawahn ini

Perhatikan gambar diatas, pada Adjusted R square yaitu 0,09771 yang artinya sebanyak 9.77% keragaman jumlah penduduk miskin  mampu dijelaskan oleh jumlah pengangguran dan sisanya dijelaskan oleh faktor lainnya. Disini alfa yang kita gunakan yaitu 0.05(5%). Terdapat 2 koefisien yaitu b0(intercept) dan b1(pengangguran), untuk nilainyadapat dilihat pada kolom estimate.

Berdasarkan output diatas didapatkan model regresi y= 1.175e+02 + 1.526e-03x

Berdasarkan output diatas dapat dilakukan uji overall.Berikut langkah uji overall.

a.       Uji Hipotesis 

H₀ = βi = 0 (i=0,1) Model regresi tidak layak digunakan

H₁ = ada minimal satu i dimana βi ≠ 0 (i=0,1) Model regresi layak

b.      Tingkat signifikansi 5 %

c.       Statistic Uji yang digunakan adalah jika p-value < α maka tolak H₀ dan sebaliknya jika p-value > α maka gagal tolak H_0.

d.      Keputusan p-value < α yaitu 0,03153 < 0,05 maka tolak H_{0. ­}

e.       Kesimpulannya adalah berdasarkan keputusan yang diperoleh yaitu tolak H₀ maka dapat dikatakan model regresi yang digunakan layak dan ada βi ≠ 0 maka dilanjutkan dengan uji parsial.

Uji Parsial

a.       Hipotesis Uji Parsial

H₀ = βi = 0 (i=0,1) Koefisien βi tidak signifikan dalam model
H₁ = ada minimal satu i dimana βi ≠ 0 (i=0,1) Koefisien βi signifikan dalam model 

b.      Tingkat signifikansi 5 %

c.       Statistic Uji yang digunakan adalah jika p-value < α maka tolak H₀ dan sebaliknya jika p-value > α maka gagal tolak H_0.

d.      Keputusan untuk model pertama p-value β₁ < α yaitu 0,0351 < 0,05 maka tolak H_0. 

e.       Kesimpulannya adalah berdasarkan keputusan yang diperoleh yaitu tolak H₀ berati koefisien β_i signifikan dalam model, maka dapat dikatakan koefisien βi berpengaruh terhadap jumlah penduduk miskin.

Kesimpulan

1.      Didapat model ŷ= 1.175e+02+ 1.526e-03x 

2.      Koefisien determinasi atau Adjusted R square yaitu 0,09771 

3.      Hasil dari uji  overall adalah tolak H₀ (model layak digunakan)

4.      Hasil dari uji parsial adalah tolak H₀ (Koefisien βi signifikan dalam model)

oke gengs mungkin sekian dulu post kali ini 

good night -_-