Soal Statistik-Regresi Linier

Dalam analisis regresi linier sederhana, salah satu asumsi yang harus dipenuhi adalah normalitas residual.

Apa yang dimaksud dengan asumsi normalitas residual?

• Nilai residual harus tersebar merata di sekitar garis regresi

• Nilai residual harus memiliki distribusi normal dengan rata-rata nol.

• Residual harus memiliki hubungan linear dengan variabel independen.

• Residual harus independen terhadap variabel dependen.

Seorang peneliti menguji hubungan antara waktu belajar (X) dan nilai ujian (Y). Setelah melakukan analisis, peneliti membuat plot residual dan menemukan bahwa residual tidak tersebar merata di sekitar sumbu horizontal.

Apa yang dapat disimpulkan dari hasil tersebut?

• Asumsi homoskedastisitas tidak terpenuhi.

• Asumsi normalitas residual tidak terpenuhi.

• Asumsi independensi residual tidak terpenuhi.

• Asumsi linearitas tidak terpenuhi.

Dalam regresi linier sederhana, peneliti mendapatkan hasil R² = 0.75.

Apa interpretasi nilai R² tersebut?

• 75% dari nilai Y dipengaruhi oleh variabel X.

• 75% dari total variansi Y dapat dijelaskan oleh variabel X.

• 75% hubungan antara X dan Y bersifat linear.

• 75% nilai residual bersifat independen.

Seorang mahasiswa menemukan bahwa asumsi normalitas residual dalam model regresi linier sederhana tidak terpenuhi. Namun, model tersebut sangat relevan untuk menyelesaikan masalah penelitian.

Apa langkah terbaik yang seharusnya dilakukan mahasiswa?

• Mengabaikan asumsi normalitas karena relevansi teoritis lebih penting

• Menggunakan transformasi data untuk memperbaiki distribusi residual.

• Mengganti model regresi linier sederhana dengan metode lain tanpa memeriksa asumsi.

• Meninggalkan model tersebut karena asumsi statistik tidak terpenuhi.

Peneliti melakukan analisis regresi linier sederhana dengan variabel bebas (X) adalah jumlah jam belajar dan variabel terikat (Y) adalah nilai ujian. Peneliti menemukan pola residual yang berbentuk kurva parabola pada plot residual.

Pertanyaan:
Langkah terbaik yang dapat dilakukan untuk mengatasi masalah tersebut adalah:

• Menambah variabel independen ke dalam model.

• Menggunakan transformasi logaritma atau polinomial pada X.

• Membuat model regresi baru dengan data yang berbeda.

• Mengabaikan pola tersebut karena hasil R² sudah tinggi.

Seorang guru ingin memprediksi hubungan antara waktu belajar siswa (dalam jam) dan nilai ujian matematika yang diperoleh. Berdasarkan data:
Waktu Belajar (X): 1, 2, 3, 4, 5
Nilai Ujian (Y): 50, 60, 65, 70, 80
Diperoleh persamaan regresi: Y = 48 + 6X.

Jika seorang siswa belajar selama 7 jam, nilai ujian yang diprediksi adalah:

• 85

• 90

• 92

• 95

Diketahui persamaan regresi antara tinggi badan (X, dalam cm) dan berat badan (Y, dalam kg): Y = 25 + 0.5X. Sebuah kelompok siswa mengajukan data tambahan dengan nilai X = 160, tetapi nilai Y yang sebenarnya adalah 105 kg.

• • - 20

• 15

• 25

• • - 10

Tabel berikut adalah data eksperimen di sekolah:

Diperoleh persamaan regresi Y = 35 + 5X.

Berdasarkan model tersebut, interpretasi dari koefisien 5 adalah:

• Skor siswa bertambah 5 poin setiap 1 jam tambahan pelajaran.

• Skor siswa awal adalah 35.

• Skor siswa berkurang 5 poin setiap 1 jam tambahan pelajaran.

• Nilai prediksi tidak dapat dihitung.

Berikut ini adalah pernyataan tentang regresi linier sederhana yang harus digunakan dengan hati-hati;

1. 1. Hubungan antara dua variabel harus linear.

2. 2. Model regresi hanya cocok digunakan untuk interpolasi dalam rentang data.

3. 3. Koefisien regresi menunjukkan hubungan sebab-akibat.

Dari pernyataan diatas, manakah pernyataan yang tidak sesuai dengan prinsip regresi linier sederhana?

• 1

• 3

• 1 dan 3

• semua benar

Seorang guru ingin memprediksi nilai siswa berdasarkan data regresi Y = 50 + 2X, di mana X adalah jumlah jam belajar dan Y adalah nilai ujian. Siswa yang belajar 8 jam diprediksi mendapatkan nilai 66, tetapi nilai aktualnya adalah 75.

Berdasarkan hasil ini, apa yang sebaiknya dilakukan guru?

• Meningkatkan jam belajar siswa untuk menyesuaikan model regresi.

• Mengevaluasi model regresi untuk memastikan asumsi linearitas terpenuhi.

• Menggunakan data siswa lain untuk membuat model baru.

• Menyesuaikan prediksi dengan nilai aktual secara manual.