Tugas Anreg Temu 8
1. Lakukan prediksi CHOL dengan variabel independen TRIG, UMUR dan UMUR2
1. Lakukan prediksi CHOL dengan variabel independen TRIG, UMUR dan UMUR2
Model 1 : CHOL = β₀ + β₁TRIG
Coefficient
|
Standar Error
|
Partial F
|
β₀
= 203.123
|
1.850
|
|
β₁
= 0.127
|
.093
|
Estimasi model 1 : CHOL = 203.123 +
0.127 TRIG
ANOVA
TABEL
Sumber
|
df
|
SS
|
MS
|
F
|
r2
|
Regresi
|
1
|
1181.676
|
1181.676
|
1.850
|
.041
|
Residual
|
43
|
27464.768
|
638.716
|
||
Total
|
44
|
28646.444
|
Model 2 : CHOL = β₀ + β₂UM+E
Coefficient
|
Standar Error
|
Partial F
|
β₀
= 204.048
|
1.007
|
|
β₁
= 0.445
|
.0444
|
Estimasi model : CHOL = 204.048 +
0.445 UM
ANOVA
TABEL
Sumber
|
df
|
SS
|
MS
|
F
|
r2
|
Regresi
|
1
|
655.625
|
655.625
|
1.007
|
.023
|
Residual
|
43
|
27990.819
|
650.949
|
||
Total
|
44
|
28646.444
|
Model 3: CHOL = β₀ + β₃(UM)²+E
Coefficient
|
Standar Error
|
Partial F
|
β₀
= 217.420
|
0.603
|
|
β₁
= .003
|
.004
|
Estimasi model : CHOL = 217.420+ .003
(UM)²
ANOVA
TABEL
Sumber
|
df
|
SS
|
MS
|
F
|
r2
|
Regresi
|
1
|
396.227
|
396.277
|
0.603
|
.014
|
Residual
|
43
|
28250.217
|
656.982
|
||
Total
|
44
|
28646.444
|
Model 4: CHOL = β₀ + β₁ TRIG + β₂UM+E
Coefficient
|
Standar Error
|
Partial F
|
β₀
= 192.155
|
1.110
|
|
β₁
= 0.108
|
.098
|
|
β₂
= 0.292
|
.464
|
Estimasi model : CHOL = 192.155+ 0.108+0.292UM
ANOVA
TABEL
Sumber
|
df
|
SS
|
MS
|
F
|
r2
|
Regresi
|
1
|
1437.719
|
718.860
|
1.110
|
.050
|
Residual
|
43
|
27208.725
|
647.827
|
||
Total
|
44
|
28646.444
|
Model 5: CHOL = β₀ + β₁TRIG+β₃(UM)²+E
Coefficient
|
Standar Error
|
Partial F
|
β₀
= 200.525
|
.992
|
|
β₁
= .115
|
.098
|
|
β₃
= .002
|
.005
|
Estimasi model : CHOL = 200.525+.115+.002
(UM)²
ANOVA
TABEL
Sumber
|
df
|
SS
|
MS
|
F
|
r2
|
Regresi
|
2
|
1292.618
|
644.309
|
.992
|
.045
|
Residual
|
42
|
27353.826
|
651.282
|
||
Total
|
44
|
28646.444
|
Model 6: CHOL = β₀ + β₁TRIG+β₂
UM+β₃(UM)²+E
Coefficient
|
Standar Error
|
Partial F
|
β₀
= -21.969
|
2.274
|
|
β₁
= .079
|
.095
|
|
β₂
= 9.220
|
4.269
|
|
β₃
= -.088
|
.042
|
Estimasi model : CHOL = -21.969+.079+9.220
- .088 (UM)²
ANOVA
TABEL
Sumber
|
df
|
SS
|
MS
|
F
|
r2
|
Regresi
|
3
|
4086.344
|
1362.115
|
2.274
|
.143
|
Residual
|
41
|
24560.100
|
599.027
|
||
Total
|
44
|
28646.444
|
Kita
lakukan uji parsial F
ANOVA
tabel untuk CHOL dengan TRIG, UM, UMSQ
Sumber
|
df
|
SS
|
MS
|
F
|
r²
|
X1
Regresi
X2|X3
X3|X1,X2
|
1
1
1
|
1181.676
256.043
2648.625
|
1181.676
256.043
2648.625
|
1.972
0.427
4.421*
|
0.142
|
Residual
|
41
|
24560.100
|
599.027
|
||
Total
|
44
|
28646.444
|
*P<0,05
Berikut
ringkasan tabel analisis yang dapat membantu kita dalam pemilihan model estimasi
yang terbaik.
No
|
Model Estimasi
|
F
|
r²
|
1
|
Y = 203.123 + 0.127 TRIG
(.093)
|
1.850
|
.041
|
2
|
Y = 204.048 + 0.445 UM
(.0444)
|
1.007
|
.023
|
3
|
Y = 217.420+ .003 (UM)²
(.004)*
|
.603
|
.014
|
4
|
Y = 192.155+ 0.108+0.292UM
(.098) (.464)
|
1.110
|
.050
|
5
|
Y = 200.525+.115+.002 (UM)²
(.098) (.005)
|
.992
|
.045
|
6
|
Y = -21.969+.079+9.220 - .088 (UM)²
(.095) (4.269)* (.042)*
|
2.274
|
.143
|
*bermakna
p<0,05
Uji F=
(1181.676/1)/ (256,043+2648,625+24560.100/41)= 1,764
(F tabel =
4,08) Hasil data p>0,05=tidak signifikan
Dari ke enam model estimasi terlihat bahwa variable trigliserida secara
konsisten tidak berpengaruh terhadap cholesterol (p<0,05). pada model
estimasi 1 tampak nilai r² sebesar 0,041 dan bila dibandingkan dengan model
estimasi 4,5 yang nilai naik atau turunnya tidak signifikan dengan jumlah yang
tidak berarti. namun kenaikan cukup signifikan bisa dilihat di model ke 6 dari
0,041 di model 1 naik sampai 2,274 di model ke-6.
Dengan demikian kita bisa berkesimpulan variable trigliserida tidak
memiliki pengaruh berarti pada peningkatan kadar cholesterol, namun pada model
ke enam dimana penambahan variable um dan umsq mampu menjelaskan variasi
cholesterol dan perlu ditambahkan ke dalam model. model akhir yaitu :
Y=-21,969 + 0,079 TRIG + 9,220 UM + -0,088 UMSQ
.
2.
Lakukan prediksi
BB dengan variabel independen TB, BTL, dan AK
Model 1 : BB= β₀ + β₁TB
Coefficient
|
Standar Error
|
Partial F
|
β₀
= -2.492
|
2.327
|
|
β₁
= .441
|
.289
|
Estimasi model 1 : BB = -2.492 + .441
TB
ANOVA
TABEL
Sumber
|
df
|
SS
|
MS
|
F
|
r2
|
Regresi
|
1
|
326.204
|
326.204
|
2.327
|
.143
|
Residual
|
14
|
1962.751
|
140.196
|
||
Total
|
15
|
2288.954
|
Model 2 : BB = β₀ + β₂BTL+E
Coefficient
|
Standar Error
|
Partial F
|
β₀
= -4.303
|
117.411
|
|
β₁
= 1.554
|
.143
|
Estimasi model : BB= -4.303+ 1.554 BTL
ANOVA
TABEL
Sumber
|
df
|
SS
|
MS
|
F
|
r2
|
Regresi
|
1
|
2045.099
|
2045.099
|
117.411
|
.893
|
Residual
|
14
|
243.855
|
17.418
|
||
Total
|
15
|
2288.954
|
Model 3: BB= β₀ + β₃AK+E
Coefficient
|
Standar Error
|
Partial F
|
β₀
= 52.517
|
8.620
|
|
β₁
= .013
|
.004
|
Estimasi model : BB = 52.517 + .013
AKL
ANOVA
TABEL
Sumber
|
df
|
SS
|
MS
|
F
|
r2
|
Regresi
|
1
|
872.301
|
872.301
|
8.620
|
.381
|
Residual
|
14
|
1216.653
|
101.190
|
||
Total
|
15
|
2288.954
|
Model 4: BB= β₀ + β₁ TB + β₂BTL+E
Coefficient
|
Standar Error
|
Partial F
|
β₀
= -27.527
|
165.499
|
|
β₁
= .155
|
.101
|
|
β₂
= 1.496
|
.142
|
Estimasi model : BB= -27.527+
.155+.1496BTL
ANOVA
TABEL
Sumber
|
df
|
SS
|
MS
|
F
|
r2
|
Regresi
|
2
|
2082.309
|
1041.154
|
165.499
|
.910
|
Residual
|
13
|
206.645
|
15.896
|
||
Total
|
15
|
2288.954
|
Model 5: BB = β₀ + β₁TB+β₃AK+E
Coefficient
|
Standar Error
|
Partial F
|
β₀
= -31.333
|
8.185
|
|
β₁
= .492
|
.216
|
|
β₃
= .014
|
.004
|
Estimasi model : BB =
-31.333+.492+.014 AK
ANOVA
TABEL
Sumber
|
df
|
SS
|
MS
|
F
|
r2
|
Regresi
|
2
|
1275.821
|
637.911
|
8.185
|
.557
|
Residual
|
13
|
1013.133
|
77.933
|
||
Total
|
15
|
2288.954
|
Model 6: BB= β₀ + β₁TB+β₂ BTL+β₃AK+E
Coefficient
|
Standar Error
|
Partial F
|
β₀
= -33.412
|
61.141
|
|
β₁
= .210
|
.090
|
|
β₂
= 1.291
|
.150
|
|
β₃
= .004
|
.002
|
Estimasi model : BB =
-33.412+.210+1.291 + .004
ANOVA
TABEL
Sumber
|
df
|
SS
|
MS
|
F
|
r2
|
Regresi
|
3
|
2148.400
|
716.133
|
61.141
|
.939
|
Residual
|
12
|
140.554
|
11.713
|
||
Total
|
15
|
2288.954
|
Kita
lakukan uji parsial F
ANOVA
tabel untuk CHOL dengan TRIG, UM, UMSQ
Sumber
|
df
|
SS
|
MS
|
F
|
r²
|
X1
Regresi
X2|X3
X3|X1,X2
|
1
1
1
|
326.204
1756.105
66.091
|
326.204
1756.105
66.091
|
29.195
157.17
5.915
|
0.142
|
Residual
|
41
|
140.554
|
11.173
|
||
Total
|
44
|
2288.954
|
*P<0.05
Ringkasan Table analisis
yang bisa memantu memilih model estimasi terbaik :
No.
|
Model Estimasi
|
F
|
r²
|
1
|
Y= -2,492 + 0,441 TB
(.289)
|
2.327
|
0,014
|
2
|
Y= -4,303 + 1,554 BTL
(.143)
|
117.411
|
0,893
|
3
|
Y=52,217 + 0,013 AK
(.004)*
|
8.620
|
0,381
|
4
|
Y=-27,527 + 0,155 TB + 1,496 BTL
(.101) (.142)
|
65.499
|
0,909
|
5
|
Y= -31,333 + 0,492 TB + 0,014 AK
(.216) (.004)
|
8.185
|
0,557
|
6
|
Y= -33,412 + 0,210 TB + 1,291 BTL + 0,004 AK
(.090) (.150) (.002)
|
61.141
|
0,938
|
*bermakna p<0,05
Uji F=
(326,204/1)/ (1756,105+66,091+140,554/14)= 2,326
(F tabel =
4,60) Hasil data p>0,05=tidak signifikan
Dari keenam model estimasi terlihat bahwa variable tinggi badan secara
konsisten tidak berpengaruh terhadap berat badan (p<0,05). pada model estimasi
1 tampak nilai r² sebesar 0,014 dan bila dibandingkan dengan model estimasi
lainnya (2,3,4,5,6) mengalami kenailam yang signifikan dengan jumlah yang cukup
berarti, Hingga di model ke 6 mencapai 0,938 dari 0,014 di model 1.
dengan demikian kita bisa berkesimpulan variable tinggi badan tidak
memiliki pengaruh berarti pada peningkatan berat badan, namun pada model ke
enam dimana penambahan variable berat tanpa lemak dan asupan kalori mampu
menjelaskan variasi berat badan dan perlu ditambahkan ke dalam model. model
akhir yaitu :
Y= -33,412 + 0,210 TB + 1,291 BTL + 0,004AK
Tidak ada komentar:
Posting Komentar