Analisis Regresi
Sama seperti halnya dalam model regresi sederhana, kita juga dapat menyatakan model regresi linear berganda dalam bentuk matriks.
Oleh Tju Ji Long · Statistisi
Sama seperti halnya dalam model regresi sederhana, kita juga dapat menyatakan model regresi linear berganda dalam bentuk matriks. Anda mungkin masih ingat bahwa model regresi yang mengandung k peubah bebas dapat dituliskan sebagai berikut:
di mana:
\( i = 1,2,3,...N \) (banyak observasi populasi)
\( β_0, β_1, \dots, β_k \) = koefisien parameter regresi
\(X\) = variabel bebas atau independen
\( ε_i \) = kesalahan acak (error term)
Jika diambil n sampel pengamatan, maka terbentuklah sistem persamaan berikut:
Jika dituliskan dalam lambang matriks, maka sistem persamaan tersebut akan menjadi:
Sekarang, jika dimisalkan
maka sistem persamaan dalam bentuk matriks di atas dapat dituliskan kembali menjadi:
Persamaan terakhir ini merupakan bentuk umum persamaan regresi berganda dalam lambang matriks. Dalam bentuk ini, \(Y\) merupakan vektor peubah tak bebas berukuran n x 1 , \(X\) menyatakan matriks peubah bebas ukuran n x (k+1) , \(β\) vektor parameter ukuran (k+1) x 1 dan \(ε\) vektor galat ukuran n x 1. Ada sebanyak \(k + 1\) parameter yang harus ditaksir dari data, termasuk \(β_0\).
Seperti pada regresi linear sederhana, taksirannya akan ditulis dalam bentuk umum persamaan sebagai berikut:
dengan \(\hat{β}\) merupakan taksiran dari \(β\) dan dapat diperoleh dengan rumus
di mana: