Kalkulator Regresi Berganda

Hitung persamaan regresi berganda dengan dua atau lebih prediktor. Temukan model terbaik untuk data Anda menggunakan alat analisis statistik online gratis...

Hitung Sekarang
Multiple Regression Visualization

Kalkulator Regresi Berganda

Hitung persamaan regresi berganda dengan dua atau lebih prediktor. Temukan model terbaik untuk data Anda menggunakan alat analisis statistik online gratis...

Masukkan poin data Anda

Cara Menggunakan Ini Kalkulator Regresi Berganda

Complex Modeling

Analyze how multiple factors simultaneously influence your dependent variable.

Output Statistik

Calculate partial coefficients, standard errors, and adjusted R-squared values.

Diagnostics

Built-in checks for multicollinearity and model significance.

Multiple regression helps isolate the effect of one variable while controlling for others.

Cara Menghitung Regresi Berganda

📐 Regresi berganda memperluas regresi linier sederhana ke dua atau lebih variabel prediktor, menghasilkan persamaan y = b₀ + b₁x₁ + b₂x₂ + … + bₚxₚ, dengan masing-masing koefisien bᵢ mewakili pengaruh prediktor xᵢ pada y sementara semua prediktor lainnya tetap konstan.

❌ Ini Properti "memegang konstan" inilah yang membuat regresi berganda begitu ampuh — properti ini memungkinkan Anda mengisolasi kontribusi unik dari masing-masing prediktor, mengendalikan perancu yang dapat mendistorsi hasil Anda. Misalnya, jika Anda ingin mempelajari pengaruh pendidikan terhadap pendapatan, regresi pendapatan terhadap pendidikan akan menyamakan pengaruh pendidikan dengan pengaruh pengalaman, karena orang yang berpendidikan lebih tinggi juga cenderung memiliki lebih banyak pengalaman.

📐 Regresi berganda memecahkan masalah ini dengan memasukkan pendidikan dan pengalaman sebagai prediktor, sehingga setiap koefisien mencerminkan pengaruh sebenarnya dari variabel tersebut. Regresi berganda adalah teknik regresi yang paling banyak digunakan dalam penelitian, analisis bisnis, ilmu sosial, kedokteran, dan pembelajaran mesin karena hasil di dunia nyata hampir selalu bergantung pada beberapa faktor secara bersamaan.

📊 Model prediksi tunggal jarang mampu menangkap cukup banyak variasi agar berguna — menambahkan prediktor yang relevan hampir selalu meningkatkan kekuatan penjelasan dan meningkatkan akurasi prediksi. Statistik utama yang dilaporkan mencakup R² (proporsi varians yang dijelaskan oleh semua prediktor secara bersamaan), R² yang disesuaikan (yang memberikan penalti jika menambahkan prediktor yang tidak benar-benar menyempurnakan model), F-statistik (yang menguji apakah keseluruhan model signifikan secara statistik), dan kesalahan standar estimasi (yang mengukur jarak rata-rata titik data dari hyperplane regresi).

📊 Memahami metrik ini sangat penting untuk membangun model yang andal dan menghindarinya. overfitting, yang terjadi jika terlalu banyak prediktor yang dimasukkan dibandingkan dengan ukuran sampel.

How Multiple Regression Works

Asumsi Regresi Berganda

1. Linearitas: Setiap prediktor harus memiliki hubungan linier dengan Y ketika prediktor lainnya dianggap konstan. Periksa dengan plot regresi parsial (juga disebut plot variabel tambahan) dan plot sisa. Pola melengkung menunjukkan perlunya suku polinomial atau transformasi variabel.
2. Kemandirian: Residu harus independen — tidak ada autokorelasi. Periksa dengan uji Durbin-Watson (d ≈ 2 berarti tidak ada autokorelasi). Data deret waktu sering kali melanggar asumsi ini; pertimbangkan untuk menambahkan istilah lag atau menggunakan model ARIMA jika autokorelasi terdeteksi.
3. Homoskedastisitas: Varians sisa harus konstan di seluruh nilai prediksi. Periksa dengan plot sisa (sebarannya kira-kira sama) atau uji Breusch-Pagan. Bentuk corong menunjukkan heteroskedastisitas, yang dapat diatasi dengan kuadrat terkecil tertimbang atau kesalahan standar yang kuat.
4. Normalitas: Residu harus terdistribusi secara normal. Periksa dengan histogram, plot QQ, atau uji Jarque-Bera. Sampel besar (n> 30) lebih tahan terhadap pelanggaran karena teorema limit pusat.
5. Tidak ada multikolinearitas: Prediktor tidak boleh terlalu berkorelasi satu sama lain. Periksa dengan faktor varians inflasi (VIF> 5 menunjukkan adanya masalah) atau matriks korelasi antar prediktor. Solusinya termasuk menghilangkan satu prediktor yang berkorelasi, menggabungkan prediktor melalui PCA, atau menggunakan regresi ridge.
6. Pengambilan sampel yang representatif: Data harus merupakan sampel yang mewakili populasi yang diteliti. Sampel praktis, rentang terpotong, atau variabel yang dihilangkan dapat menghasilkan hasil regresi yang menyesatkan dan tidak dapat digeneralisasi.