Processing math: 100%

www.jagostat.com

www.jagostat.com

Website Belajar Matematika & Statistika

Website Belajar Matematika & Statistika

Analisis Regresi   »   Regresi Polinomial   ›  Persamaan Model Polinomial
Analisis Regresi

Persamaan Model Polinomial

Model regresi polinomial bisa mengandung satu, dua atau lebih dari dua variabel bebas. Jika hanya terdapat satu variabel bebas, maka disebut model regresi polinomial sederhana dan jika terdapat lebih dari satu variabel bebas maka disebut model regresi polinomial berganda.


Pada artikel ini kita akan membahas model regresi polinomial yakni model regresi dengan model respons yang melengkung. Pertama, kita akan membahas beberapa model regresi polinomial yang umum digunakan. Kemudian dilanjutkan dengan dua kasus untuk mengilustrasikan beberapa masalah utama yang dihadapi dalam regresi polinomial.

Model regresi polinomial bisa mengandung satu, dua atau lebih dari dua variabel bebas. Jika hanya terdapat satu variabel bebas, maka disebut model regresi polinomial sederhana dan jika terdapat lebih dari satu variabel bebas maka disebut model regresi polinomial berganda.

Masing-masing dari variabel bebas dalam regresi polinomial bisa disajikan dalam berbagai bentuk pangkat. Kita mengilustrasikan beberapa dari kemungkinan model yang ada berikut ini.

Satu variabel bebas – Order Kedua

Model regresi polinomialnya berbentuk

Yi=β0+β1xi+β2x2i+εi

di mana: xi=Xi¯X

Persamaan di atas disebut model regresi polinomial orde kedua (second-order model) dengan satu variabel bebas karena variabel bebas tunggal muncul dalam bentuk pangkat pertama dan kedua. Perhatikan bahwa variabel bebas diekspresikan sebagai simpangan terhadap rata-rata yang dinyatakan dengan xi.

Alasan penggunaan simpangan terhadap rata-rata dalam model regresi polinomial adalah bahwa X,X2, dan bentuk pangkat yang lebih tinggi lainnya sering kali akan sangat berkorelasi. Hal ini, seperti yang telah kita jelaskan sebelumnya, bisa menyebabkan masalah penghitungan yang serius saat matriks XX diinverskan untuk mengestimasi koefisien regresi.

Selain itu, mengekspresikan variabel bebas sebagai simpangan dari rata-rata dapat mengurangi multikolinieritas secara substansial dan cenderung menghindari masalah penghitungan yang menyulitkan.

Koefisien dalam model regresi polinomial sering kali ditulis dalam bentuk yang sedikit berbeda, untuk merefleksikan pola dari pangkatnya. Perhatikan penulisan lain dari model regresi polinomial orde dua berikut.

Yi=β0+β1xi+β11x2i+εi

Koefisien regresi β0 menyatakan rata-rata respons Y saat x=0, misalnya saat X=¯X. Koefisien regresi β1 sering disebut koefisien efek linier dan β11 sering disebut koefisien efek kuadratik.

Fungsi respon dari model regresi di atas adalah

E(Y)=β0+β1xi+β11x2i

yang merupakan sebuah parabola dan sering disebut sebagai fungsi respon kuadratik.

Satu variabel bebas – Orde Ketiga (Third Order)

Model regresi polinomial untuk orde ketiga atau model dalam bentuk kubik yaitu

Yi=β0+β1xi+β11x2i+β111x3i+εi

di mana: xi=Xi¯X

Fungsi respon untuk model regresi tersebut adalah

E(Y)=β0+β1xi+β11x2i+β111x3i

Satu variabel bebas – Orde yang lebih tinggi

Model polinomial dengan satu variabel bebas dalam bentuk orde yang lebih tinggi jarang digunakan. Hal ini terutama karena interpretasi koefisien yang rumit untuk model tersebut.

Dua Variabel Bebas – Orde Kedua

Model regresi polinomial orde kedua untuk dua variabel bebas diberikan oleh

Yi=β0+β1xi1+β2xi2+β11x2i1+β22x2i2+β12xi1xi2+εi

di mana: xi1=Xi1¯X1 dan xi2=Xi2¯X2

Fungsi responnya adalah

E(Y)=β0+β1xi1+β2xi2+β11x2i1+β22x2i2+β12xi1xi2

Koefisien β12 menyatakan efek interaksi antara x1 dan x2 yang sering disebut koefisien efek interaksi.

Tiga Variabel Bebas – Orde Kedua

Model regresi polinomial orde kedua dengan tiga variabel bebas adalah

Yi=β0+β1xi1+β2xi2+β3xi3+β11x2i1+β22x2i2+β33x2i3+β12xi1xi2+β13xi1xi3+β23xi2xi3+εi

Koefisien β12,β13, dan β23 merupakan koefisien efek interaksi untuk interaksi antara pasangan variabel bebas.

Artikel Terkait

Choose a job you love and you will never have to work a day of your life.