About

Jumat, 26 Desember 2014

~"CONTOH UJI HETEROSKEDASTISITAS"~

Sebelumnya kita sudah paparkan mengenai uji Heteroskedastisitas, berikut akan kita terapkan pada data yang kita gunakan untuk uji Multikolinearitas




































Berikut langkah-langkah uji Heteroskedastisitas :

Menentukan nilai residual dari regresi Y' = a + b1X1 + b2X2 + b3X3 :
1. Klik Analyze ->> Regression ->> Linear


































2. Pindahkan variabel Y (karbon monoksida) ke kolom Dependence dan variabel X1 (kandungan tar), X2 (kandungan nikotin) dan X3 (berat rokok) ke kolom Independence.


























3. Klik pada kotak Save ->> centang pada Unstandardized ->> Continue ->> OK.



































4. Abaikan output dan perhatikan Data View pada kolom RES_1






















Melakukan pengujian ada atau tidaknya Heteroskedastisitas dengan analisis Spearman's Rho :
1. Klik Analyze ->> Correlate ->> Bivariate.



































2. Pindahkan variabel Unstandardized Residual serta variabel X1, X2 dan X3 ke kolom Variables.
Pada Correlation Coeeficients hilangkan tanda centang pada Pearson centang Spearman ->>OK






















4. Diperoleh output sebagai berikut :




Dari output korelasi di atas antara kandungan tar dengan Unstandardized Residual menghasilkan signifikansi 0.393,  antara kandungan nikotin dengan Unstandardized Residual menghasilkan nilai signifikansi 0.371 serta antara berat rokok dengn Unstandardized Residual menghasilkan nilai signifikansi 0.881. Karena nilai signifikansi korelasi lebih besar dari 0.05, sehingga dapat disimpulkan bahwa model regresi tidak terdapat heteroskedastisitas.

Note : 
Hipotesis ujinya adalah :
Ho : Terdapatnya Heteroskedastisitas pada model regresi
Ha : Tidak terdapat Heteroskedastisitas pada model regresi

by MEYF



Sabtu, 20 Desember 2014

~"FISHER EXACT PROBABILITY TEST"~

Salah satu pengujian non parametrik dengan hipotesis komparatif adalah uji Fisher (Fisher Exact Probability Test). Pengujian ini memiliki hipotesis komparatif dua sampel kecil independen dan datanya berbentuk nominal, sedangkan untuk sampel yang besar dapat digunakan dengan uji Chi-Square. Untuk memudahkan perhitungan dalam pengujian hipotesis maka data hasil pengamatan disusun dalam bentuk tabel kontingensi 2x2.

Hipotesis dalam pengujian ini adalah membandingkan dua keadaan yang saling bebas dalam kondisi tertentu. Sebagai contoh data berikut ini :

Disinyalir adanya kecenderungan para birokrat lebih menyukai mobil berwarna gelap, dan para akademisi lebih menyukai mobil berwarna terang. Untuk membuktikan hal tersebut telah dilakukan pengumpulan data dengan menggunakan sampel yang diambil secara acak. Dari 8 orang birokrat yang diamati, 5 orang bermobil warna gelap dan 3 orang bermobil warna terang. Selanjutnya, dari 7 orang Akademisi yang diamati, 5 orang menggunakan mobil warna terang dan 2 orang warna gelap.

Dari kasus kita akan diguji apakah ada perbedaan antara akademisi dan birokrat dalam memilih warna mobil. Sampel birokrat ada 8 orang dan akademisi ada 7 orang. 

Berikut datanya :


Dari data di atas, terdiri atas dua variabel yaitu 
Warna mobil, yang terdiri dari 1. gelap dan 2. terang
Kelompok yang terdiri dari 1. birokrat dan 2. akademisi

Dengan SPSS 21.00 akan kita temukan hasil ujinya :
1. Klik Start -> IBM SPSS 21.00
2. Pada variabel view isikan data sebagai berikut





3. Pada Values untuk variabel warna, isikan data berikut :

4. Pada Values untuk variabel kelompok, isikan data berikut :

5. Pada Data view, input data sebagai berikut :














6. Selanjutnya, klik Data ->>Weight Cases




7. Pilih Weight Cases by dan isikan data Jumlah ->> Continue


Klik Analyze ->> Descriptive Statistic ->> Crosstab






















8. Selanjutnya pada tabel Crosstab, isikan variabel warna pada rows dan variabel kelompok pada Coloumn




















9. Tandai kotak Chi-Square ->> Continue ->> OK




















10. Output diperoleh pada dua kolom terakhir, untuk Exact Sig. (2-sided) adalah nilai signifikansi untuk uji dua arah dan Exact Sig. (1-sided) adalah nilai signifikansi untuk uji satu arah, Dalam contoh ini adalah pengujian dua arah.











Hipotesis Uji :
Ho : Tidak terdapat perbedaan antara birokrat dan akademisi dalam memilih warna mobil
Ha : Terdapat perbedaan antara birokrat dan akademisi dalam memilih warna mobil.

Statistik uji :
pilih nilai alpha 5% dan akan dibandingkan dengan nilai Exact Sig (2-sided) = 0,315.

Keputusan :
Menerima Ho dan menolak Ha

Kesimpulan :
Tidak terdapat perbedaan yang siginifikan antara birokrat dan akademisi dalam memilih warna mobil.



Referensi :
Statistik Nonparametris Untuk Penelitian



Kamis, 18 Desember 2014

~"STATISTIKA - MODUL ANGKA INDEKS"~

Kamis, 11 Desember 2014

ORDINARY LEAST SQUARE (OLS)

Dalam model regresi linear sederhana untuk mengetahui hubungan antara dua variabel yang salah satu variabel menjadi variabel dependent (tak bebas) dan variabel lainnya independent (variabel bebas). Dalam analisis regresi linear, hasil akhir yang diperoleh adalah fungsi regresi populasi yang didapat dari fungsi regresi sampel yang nantinya dapat digunakan untuk estimasi.

Ada beberapa metode yang dapat digunakan untuk mengestimasi fungsi regresi, salah satunya adalah OLS (Ordinary Linear Square). OLS merupakan metode estimasi fungsi regresi yang paling sering digunakan. Kriteria OLS adalah "Line of Best Fit" atau dengan kata lain jumlah kuadrat dari deviasi antara titik-titik observasi dengan garis regresi adalah minimum. 
Dalam model regresi linear memiliki beberapa asumsi dasar yang harus dipenuhi untuk menghasilkan estimasi yang BLUE, yaitu : Homoscedastic, no-multicollinearity dan no-autocorrelation.

Adapun estimator yang BLUE, adalah

  1. Best, hasil model regresi adalah terbaik dan menghasilkan error yang kecil.
  2. Linear, model yang digunakan dalam regresi sesuai kaidah model OLS yaitu linear dan pangkat variabel-variabelnya paling tinggi adalah satu
  3. Unbiased, nilai yang diharapkan (hasil estimasi menggunakan model regresi) sama dengan nilai yang benar
  4. Estimator, model regresi yang terbentuk memiliki varians yang minimal dari estimator lainnya.

Asumsi-asumsi yang BLUE :

  1. Model regresi adalah linear dalam parameter
  2. Error term berdistribusi normal, implikasinya Y dan distribusi sampling koefisien regresi memiliki distribusi normal. Sehingga nilai harapan dan rata-rata kesalahan (error) adalah nol.
  3. Varians tetap (homoscedastic)
  4. Tidak ada hubungan variabel bebas dengan error term
  5. Tidak ada autocorrelation antara error term
  6. Pada regresi linear berganda hubungan antarvariabel bebas (multicolinearity) tidak terjadi.

Hasil estimasi yang bersifat BLUE, sebagai berikut :

  1. Efisien, hasil nilai estimasi memiliki varians yang minimum dan tidak bias
  2. Tidak bias (unbiased), hasil estimasi sesuai dengan parameter
  3. Konsisten, jika ukuran sampel ditambah tanpa batas, maka hasil nilai estimasi akan mendekati parameter populasi sebenarnya. (jika memenuhi asumsi normal, dimana error term berdistribusi normal standar dengan mena nol dan standar deviasi satu)
  4. Intercept nilai dependent saat nilai independent nol memiliki distribusi normal
  5. Koefisien regresi akan memiliki distribusi normal


Referensi:
  • Mendenhall, Sincinch. 1996. A Second Course In Statistics. Regression Analysis. Fifth Edition. Prentice Hall Internatiomal Edition.
  • Priyatno, Duwi. 2010. Paham Analisa Statistik Data dengan SPSS. Mediakom. Yogyakarta.
  • Shochrul dkk. Cara Cerdas Menguasai Eviews. Salemba Empat. 2011. Jakarta.

Rabu, 22 Oktober 2014

SPSS - ~"MODUL EXPLORATORY DATA ANALYSIS"~

SPSS - ~"MODUL ANALISIS DESKRIPTIF"~

KALKULUS - ~"MODUL SISTEM BILANGAN RIIL"~