Tujuan utama Multiple Regression Analysis (MRA) adalah…

• Menentukan distribusi probabilitas variabel dependen

• Memprediksi nilai variabel dependen berdasarkan beberapa variabel independen

• Menghitung frekuensi kategori variabel nominal

• Menyederhanakan jumlah observasi dalam dataset

Dalam persamaan regresi Y = β0 + β1X1 + β2X2 + ε, β0 disebut…

• Koefisien parsial

• Intersep (konstanta)

• Varians residual

• Skewness

Nilai R-squared (R²) memberikan informasi tentang…

• Seberapa baik model regresi linear cocok dengan data pelatihan

• Jumlah error pada data uji

• Proporsi variabel independen yang tidak signifikan

• Nilai rata-rata residual dari model

Jika R² = 0,90 pada model regresi, interpretasi yang tepat adalah…

• Model regresi linear sangat baik karena dapat menjelaskan 90% variasi data pelatihan

• Model memiliki error besar

• 90% variabel independen tidak berpengaruh

• Model tidak memenuhi asumsi linearitas

Residual dalam regresi didefinisikan sebagai…

• Prediksi model dikurangi rata-rata Y

• Nilai aktual dikurangi nilai prediksi

• Nilai prediksi dikalikan koefisien

• Varians dari variabel independen

Salah satu asumsi regresi linear adalah mean of residuals harus…

• Positif besar

• Mendekati nol

• Sama dengan R²

• Bernilai negatif selalu

Homoskedastisitas berarti…

• Residual berdistribusi normal sempurna

• Varians residual konstan untuk semua tingkat nilai prediksi

• Semua koefisien regresi signifikan

• Tidak ada autokorelasi

Pola residual vs predicted yang berbentuk “corong” (cone) umumnya mengindikasikan…

• Normalitas residual terpenuhi

• Heteroskedastisitas

• Multikolinearitas kuat

• Intercept tidak signifikan

Uji Goldfeld-Quandt atau Bartlett sering digunakan untuk menguji …

• Normalitas residual

• Homoskedastisitas (heteroskedastisitas)

• Multikolinearitas

• Validitas eksternal

Jika hasil uji heteroskedastisitas memberi p-value = 0.33 (> 0.05), keputusan yang tepat adalah…

• Tolak H0 → ada heteroskedastisitas

• Gagal tolak H0 → tidak ada bukti heteroskedastisitas

• Model tidak memenuhi asumsi linearitas

• Harus menghapus semua variabel independen