Korelas dan Regresi

Korelasi pada gambar ini menunjukkan hubungan yang

• Kuat, negatif

• Kuat, Positif

• Lemah, Positif

• Tidak ada korelasi

Koefisien korelasi dari hubungan kedua variable dalam gambar ini kira-kira adalah

• 1

• 0.89

• 0

• -0.89

Ketika X meningkat, Y turun. Hubungan ini menunjukkan ...

• Korelasi Positif

• Koefisien Korelasi yang kuat

• Hubungan kebab akibat

• Korelasi negatif

Sebuah analisa regresi linear menunjukkan hubungan jam kerja dengan pendapatan sebagai berikut:

Income (dalam USD) = -242.3 +31.45 jam

Interpretasi yang TIDAK BENAR dari persamaan diatas adalah

• Jika jam kerja meningkat 31.45 jam, income akan bertambah 242.3 (USD)

• Jika jam kerja meningkat 1 jam, income akan bertambah 31.45 USD

• Jika orang tidak bekerja sama sekali dalam sehari, pendapatan mereka akan berkurang 242.3 USD

• Jika orang bekerja sehari 10 jam, maka pendapatan mereka adalah 72,2 USD

Metode Least Square digunakan untuk menentukan Best Fitting Line untuk regresi linear, dengan cara menentukan garis yang

• Memberikan sum of square (Error) paling besar dari deviasi data points dengan garis regresi

• Memberikan sum of square (Error) paling kecil dari deviasi data points dengan garis regresi

• Garis yang paling banyak menyentuh data points

• Garis yang paling sedikit menyentuh data points

Koefisien determination menunjukkan

• Berapa perubahan dari Y ketika X meningkat satu point

• Berapa perubahan dari X ketika Y menjadi 0

• Arah hubungan Variabel X dan Y

• Proporsi varian Y yang diterangkan oleh variable X

Dalam Multiple Linear Regression adalah, asumsi yang dicek dengan Melahat histogram dari Residual adalah

• Linearity

• Homoscedascity

• Normality

• Multicollinearity

Dalam Regresi Logistik, OR dihitung dari

• Eksponen Beta dari setiap variabel

• Likelihood Ratio

• Wald Statistics

• Negelkerke R square

Regresi Logistik tipe variable dependen (DV) dan variable independent (IV) adalah ...

• DV : numerik; IV: numerik

• DV: kategorik; IV kategorik

• DV: Numerik; IV: kategorik dan numerik

• DV: Kategorik; IV: Kategorik dan numerik

Berikut yang BUKAN merupakan tujuan uji regresi ganda (baik Logistik maupun linear) adalah

• Membuat Prediksi

• Kontrol Confounding variabel

• Menentukan penyebab utama

• Mengidentifikasi faktor determinan