Contoh Soalan dan Perbincangan Regresi Linear
Regresi linear ialah kaedah statistik yang digunakan untuk menentukan hubungan antara dua atau lebih pembolehubah. Kaedah ini digunakan secara meluas dalam pelbagai bidang, termasuk ekonomi, perniagaan, sains sosial dan sains semula jadi. Dalam artikel ini, kita akan membincangkan regresi linear, cara mengiranya dan memberikan beberapa contoh masalah berserta penjelasan untuk membantu pembaca memahami konsep ini secara mendalam.
Memahami Regresi Linear
Regresi linear ialah kaedah analitikal yang digunakan untuk memodelkan hubungan antara satu atau lebih pembolehubah bebas (peramal) dan pembolehubah bersandar (respons). Regresi linear mudah melibatkan satu pembolehubah bebas dan satu pembolehubah bersandar, manakala regresi linear berganda melibatkan lebih daripada satu pembolehubah bebas.
Persamaan garis regresi linear mudah ialah:
\[ Y = a + bX \]
Di mana:
– \( Y \) ialah pembolehubah bersandar.
– \( X \) ialah pembolehubah bebas.
– \( a \) ialah pintasan, iaitu nilai Y apabila X = 0.
– \( b \) ialah pekali regresi, iaitu berapa banyak Y berubah jika X berubah sebanyak satu unit.
Langkah-langkah Regresi Linear
1. Kumpul Data: Pertama, kumpulkan data yang akan dianalisis.
2. Plot Data: Cipta plot serakan untuk melihat sama ada terdapat hubungan linear antara pembolehubah.
3. Kira Pekali Regresi: Gunakan kaedah kuasa dua terkecil untuk menentukan garis terbaik.
4. Menguji Model: Uji kepentingan pekali regresi dengan ujian-t dan tentukan nilai R-kuadrat untuk melihat sejauh mana model tersebut sepadan dengan data.
Contoh Soalan dan Perbincangan
Contoh Soalan 1: Regresi Linear Mudah
Soalan:
Seorang penyelidik ingin mengetahui hubungan antara bilangan jam belajar (X) dan skor peperiksaan pelajar (Y). Data yang diperoleh adalah seperti berikut:
| Waktu Belajar (X) | Markah Peperiksaan (Y) |
|—————–|—————–|
| 2 | 70 |
| 3 | 75 |
| 5 | 80 |
| 7 | 85 |
| 8 | 90 |
Buat persamaan regresi linear daripada data ini!
Perbincangan:
1. Mengira Purata:
\[
\bar{X} = \frac{2 + 3 + 5 + 7 + 8}{5} = 5
\]
\[
\bar{Y} = \frac{70 + 75 + 80 + 85 + 90}{5} = 80
\]
2. Mengira Pekali Regresi \( b \):
\[
b = \frac{\jumlah (X_i – \bar{X})(Y_i – \bar{Y})}{\jumlah (X_i – \bar{X})^2}
\]
\[
Jumlah (Xi – X)(Yi – Y) = (2 – 5)(70 – 80) + (3 – 5)(75 – 80) + (5 – 5)(80 – 80) + (7 – 5)(85 – 80) + (8 – 5)(90 – 80)
\]
\[
= (-3)(-10) + (-2)(-5) + (0)(0) + (2)(5) + (3)(10) = 30 + 10 + 0 + 10 + 30 = 80
\]
\[
\jumlah (X_i – \bar{X})^2 = (2 – 5)^2 + (3 – 5)^2 + (5 – 5)^2 + (7 – 5)^2 + (8 – 5)^2
\]
\[
= 9 + 4 + 0 + 4 + 9 = 26
\]
\[
b = \frac{80}{26} \approx 3.08
\]
3. Mengira Pintasan \( a \):
\[
a = \bar{Y} – b\bar{X}
\]
\[
a = 80 – 3.08 \ kali 5 = 80 – 15.4 = 64.6
\]
4. Persamaan Regresi:
\[
Y = 64.6 + 3.08X
\]
Jadi, persamaan regresi linear untuk data tersebut ialah \( Y = 64.6 + 3.08X \). Ini bermakna setiap jam pembelajaran tambahan dijangka akan meningkatkan skor ujian sebanyak 3.08 mata.
Contoh Soalan 2: Ujian dan Tafsiran Model
Soalan:
Dengan meneruskan data yang sama, hitung nilai R-kuadrat (R²) untuk mengukur sejauh mana model tersebut sesuai dengan data. Uji juga kepentingan pekali regresi \( b \).
Perbincangan:
1. Kira Jumlah Hasil Tambah Kuasa Dua (SST), Regresi Hasil Tambah Kuasa Dua (SSR) dan Ralat Hasil Tambah Kuasa Dua (SSE):
\[
SST = \jumlah (Y_i – \bar{Y})^2
\]
\[
SST = (70 – 80)^2 + (75 – 80)^2 + (80 – 80)^2 + (85 – 80)^2 + (90 – 80)^2 = 100 + 25 + 0 + 25 + 100 = 250
\]
\[
SSR = \jumlah (\hat{Y}_i – \bar{Y})^2
\]
Di mana \( \hat{Y}_i \) ialah nilai ramalan bagi persamaan regresi:
\[
\hat{Y}_i = 64.6 + 3.08X_i
\]
\[
\hat{Y} = [67.76, 70.84, 76.0, 82.16, 85.24]
\]
\[
\bar{Y} = 80
\]
\[
SSR = (67.76 – 80)^2 + (70.84 – 80)^2 + (76.0 – 80)^2 + (82.16 – 80)^2 + (85.24 – 80)^2
\]
\[
SSR = (-12.24)^2 + (-9.16)^2 + (-4.0)^2 + 2.16^2 + 5.24^2 = 149.8
\]
2. Mengira SSE:
\[
SSE = SST – SSR = 250 – 149.8 = 100.2
\]
3. Mengira R-kuadrat:
\[
R^2 = \frac{SSR}{SST} = \frac{149.8}{250} \approx 0.6
\]
Nilai R-kuadrat 0.6 menunjukkan bahawa model ini menerangkan kira-kira 60% variasi dalam data. Ini menunjukkan bahawa garis regresi sepadan dengan data dengan agak baik.
4. Ujian-t untuk Kepentingan Pekali \( b \):
\[
t = \frac{b}{SE(b)}
\]
\[
SE(b) = \sqrt{\frac{SSE}{n-2}} / \sqrt{\jumlah (X_i – \bar{X})^2}
\]
\[
SE(b) = \sqrt{\frac{100.2}{5-2}} / \sqrt{26}
\]
\[
SE(b) = \sqrt{33.4} / \sqrt{26} \approx 1.13
\]
\[
t = \frac{3.08}{1.13} \approx 2.73
\]
Dengan \( statistik-t \lebih kurang 2.73 \), jika kita menggunakan ambang lazim untuk keertian (α = 0.05), kita bandingkannya dengan jadual-t. Contohnya, untuk \( df = 3 \), nilai kritikal \( t \) adalah lebih kurang 2.353. Kemudian \( t-cerap > t-kritikal \), menunjukkan bahawa pekali adalah signifikan.
Kesimpulannya
Dalam artikel ini, kita telah membincangkan asas-asas regresi linear, cara mengira pekali regresi dan pintasan, dan cara mentafsir keputusan menggunakan contoh masalah. Latihan yang kerap dengan pelbagai set data adalah penting untuk menjadi mahir dalam menggunakan kaedah ini. Regresi linear ialah alat yang berharga dalam analisis data dan boleh memberikan pandangan mendalam tentang hubungan antara pembolehubah.
