Apa itu Regresi Linier?
Regresi linier pada dasarnya adalah teknik pemodelan statistik yang digunakan untuk menunjukkan hubungan antara satu variabel dependen dan satu atau lebih variabel independen. Ini adalah salah satu jenis analisis prediktif yang paling umum. Jenis distribusi ini terbentuk dalam satu garis sehingga ini disebut regresi linier. Pada artikel ini, kita akan mengambil contoh Analisis Regresi Linier di Excel.
Untuk melakukan analisis regresi linier terlebih dahulu, kita perlu menambahkan add-in excel dengan mengikuti langkah-langkah berikut.
Klik File - Options (Ini akan membuka Excel Options Pop up untuk Anda).
Klik Add-in - Pilih Add-in Excel dari Kelola Drop Down di excel, lalu Klik Buka.
Ini akan membuka Add-in Pop up. Pilih Analysis ToolPak lalu klik Ok.
Add-in Analisis Data akan muncul di bawah Tab Sisipkan.
Mari kita pahami dengan Contoh analisis regresi linier di bawah ini di excel.
Contoh Analisis Regresi Linier
Contoh 1
Misalkan kita memiliki penjualan bulanan dan dibelanjakan untuk pemasaran tahun lalu, dan sekarang kita perlu memprediksi penjualan di masa depan berdasarkan penjualan tahun lalu dan pengeluaran pemasaran.
| Bulan | Periklanan | Penjualan |
| Jan | 40937 | 502729 |
| Feb | 42376 | 507553 |
| Merusak | 43355 | 516885 |
| Apr | 44126 | 528347 |
| Mungkin | 45060 | 537298 |
| Jun | 49546 | 544066 |
| Jul | 56105 | 553664 |
| Agustus | 59322 | 563201 |
| Sep | 59877 | 568657 |
| Okt | 60481 | 569384 |
| Nov | 62356 | 573764 |
| Des | 63246 | 582746 |
Klik Analisis Data di bawah Tab Data, dan ini akan membuka Pop-up Analisis Data untuk Anda.
Sekarang pilih Regresi dari daftar dan klik Ok.
Pop up regresi akan terbuka.
Pilih Rentang Penjualan $ C $ 1: $ C $ 13 di kotak sumbu Y karena ini adalah variabel terikat dan $ B $ 1: $ B $ 14 di sumbu X karena iklan yang dikeluarkan adalah variabel bebas.
Beri tanda centang pada kotak Label jika Anda telah memilih header di data lain itu akan memberi Anda kesalahan.
Pilih Output range jika Anda ingin mendapatkan nilai pada range tertentu pada worksheet yang lain pilih New Worksheet Ply: dan ini akan menambahkan worksheet baru dan memberikan hasilnya.
Kemudian centang pada kotak Residuals dan klik Ok.
Ini akan menambah lembar kerja dan memberi Anda hasil sebagai berikut.
Mari kita pahami hasilnya.
Output Ringkasan
Multiple R: Ini mewakili koefisien korelasi. Nilai 1 menunjukkan hubungan positif, dan nilai 0 menunjukkan tidak ada hubungan.
R Square: R Square mewakili koefisien determinasi. Ini memberi tahu Anda persentase poin yang jatuh pada garis regresi. 0,49 berarti 49% nilai sesuai dengan model
Persegi R yang disesuaikan : Ini adalah persegi R yang disesuaikan, yang mengharuskan Anda memiliki lebih dari satu variabel X.
Kesalahan Standar: Ini mewakili perkiraan deviasi standar kesalahan. Ini adalah ketepatan pengukuran koefisien regresi.
Pengamatan: Ini adalah jumlah pengamatan yang telah Anda ambil dalam sampel.
ANOVA - Df: Derajat kebebasan
SS: Jumlah Kotak.
MS: Kami punya dua MS
- Regresi MS adalah Regresi SS / Regresi Df.
- Residual MS adalah mean squared error (Residual SS / Residual Df).
F: Uji F untuk hipotesis nol.
Signifikansi F: Nilai-P yang terkait dengan Signifikansi
Koefisien: Koefisien memberi Anda perkiraan kuadrat terkecil.
Statistik T: Statistik T untuk hipotesis nol vs hipotesis alternatif.
Nilai-P: Ini adalah nilai-p untuk uji hipotesis.
95% Bawah dan Atas 95%: Ini adalah batas bawah dan batas atas untuk interval kepercayaan
Output Residual .: Kami memiliki 12 observasi berdasarkan data. 2 nd kolom mewakili penjualan Diprediksi dan 3 rd Residual kolom. Sisa pada dasarnya adalah perbedaan dalam penjualan yang diprediksi dari yang sebenarnya.
Contoh # 2
Pilih kolom prediksi penjualan dan pemasaran
Masuk ke grup bagan di bawah tab sisipkan. Pilih ikon bagan sebar
Ini akan memasukkan plot pencar di excel. Lihat gambar di bawah
Klik kanan di sembarang titik lalu pilih Add Trendline di excel. Ini akan menambahkan garis tren ke grafik Anda.
- Anda dapat memformat garis tren dengan melakukan klik kanan di mana saja pada garis tren lalu pilih format garis tren.
- Anda dapat membuat lebih banyak perbaikan pada grafik. misalnya, memformat garis tren, mewarnai dan mengubah judul, dll
- Anda juga dapat menampilkan rumus pada grafik dengan memeriksa rumus Tampilan pada grafik, dan menampilkan nilai R kuadrat pada grafik.
Beberapa Contoh Analisis Regresi Linear:
- Prediksi Penjualan Payung Berdasarkan Hujan yang Terjadi di Area.
- Prediksi AC terjual berdasarkan Temperatur di Musim Panas.
- Selama musim ujian, penjualan Alat Tulis pada dasarnya, penjualan panduan Ujian meningkat.
- Prediksi penjualan saat Periklanan telah dilakukan berdasarkan serial TRP Tinggi di mana iklan dilakukan, Popularitas Brand Ambassador, dan Footfalls di tempat diadakannya iklan.
- Penjualan rumah berdasarkan Lokalitas, Luas, dan harga.
Contoh # 3
Misalkan kita memiliki sembilan siswa dengan tingkat IQ mereka dan angka yang mereka peroleh pada Tes.
| Siswa | Skor Tes | IQ |
| Ram | 100 | 145 |
| Shyam | 97 | 140 |
| Kul | 93 | 130 |
| Kappu | 91 | 125 |
| Raju | 89 | 115 |
| Vishal | 86 | 110 |
| Vivek | 82 | 100 |
| Vinay | 78 | 95 |
| Kumar | 75 | 90 |
Langkah 1: Pertama, cari tahu variabel dependen dan independen. Di sini skor tes adalah variabel dependen, dan IQ adalah variabel independen karena skor tes bervariasi seiring dengan perubahan IQ.
Langkah 2: Buka Tab Data - Klik Analisis Data - Pilih regresi - klik Ok.
Ini akan membuka jendela Regresi untuk Anda.
Langkah 3. Masukkan kisaran Skor Tes dalam Kotak Rentang Input Y dan IQ dalam Kotak Rentang Input X. (Periksa Label jika Anda memiliki tajuk dalam rentang data Anda. Pilih opsi keluaran, lalu periksa Sisa yang diinginkan. Klik Ok.
Anda akan mendapatkan hasil ringkasan yang ditunjukkan pada Gambar di bawah ini.
Langkah 4: Menganalisis Regresi dengan Ringkasan Output
Output Ringkasan
Multiple R: Disini koefisien korelasinya 0,99 yang sangat mendekati 1 yang berarti hubungan Linear sangat positif.
R Square: Nilai R Square adalah 0,983 yang berarti 98,3% nilai sesuai dengan model.
Nilai-P: Di sini, Nilai-P adalah 1,86881E-07, yang sangat kurang dari 0,1, yang berarti IQ memiliki nilai prediksi yang signifikan.
Lihat grafik di bawah ini.
Anda dapat melihat bahwa hampir semua titik berada dalam garis sejajar atau garis tren terdekat.
Contoh # 4
Kami perlu memprediksi penjualan AC berdasarkan penjualan & suhu untuk bulan yang berbeda.
| Bulan | Temp | Penjualan |
| Jan | 25 | 38893 |
| Feb | 28 | 42254 |
| Merusak | 31 | 42845 |
| Apr | 33 | 47917 |
| Mungkin | 37 | 51243 |
| Jun | 40 | 69588 |
| Jul | 38 | 56570 |
| Agustus | 37 | 50000 |
Ikuti langkah-langkah di bawah ini untuk mendapatkan hasil regresi.
Langkah 1: Pertama, cari tahu variabel dependen dan independen. Di sini Penjualan adalah variabel dependen, dan Suhu adalah variabel independen karena Penjualan bervariasi saat Suhu berubah.
Langkah 2: Buka Tab Data - Klik Analisis Data - Pilih regresi - klik Ok.
Ini akan membuka jendela Regresi untuk Anda.
Langkah 3. Masukkan Penjualan dalam Kotak Rentang Input Y dan Suhu dalam Kotak Rentang Input X. (Periksa Label jika Anda memiliki tajuk dalam rentang data Anda. Pilih opsi keluaran, lalu periksa Sisa yang diinginkan. Klik Ok.
Ini akan memberi Anda hasil ringkasan seperti di bawah ini.
Langkah 4: Analisis hasilnya.
Multiple R: Disini koefisien korelasinya adalah 0.877 yang mendekati 1 yang artinya hubungan Linear bertanda positif.
R Square: Nilai R Square adalah 0,770 yang berarti 77% nilai sesuai dengan model
P-Value: Di sini, P-value adalah 1.86881E-07, yang sangat kurang dari .1, yang berarti IQ memiliki nilai prediksi yang signifikan.
Contoh # 5
Sekarang mari kita lakukan Analisis Regresi untuk Beberapa variabel independen:
Anda perlu memprediksi penjualan Ponsel yang akan diluncurkan tahun depan. Anda mengetahui harga dan Populasi negara yang memengaruhi penjualan ponsel.
| Versi Seluler | Penjualan | Kuantitas | Populasi |
| KAMI | 63860 | 858 | 823 |
| UK | 61841 | 877 | 660 |
| KZ | 60876 | 873 | 631 |
| CH | 58188 | 726 | 842 |
| HN | 52728 | 864 | 573 |
| AU | 52388 | 680 | 809 |
| NZ | 51075 | 728 | 661 |
| RU | 49019 | 689 | 778 |
Ikuti langkah-langkah di bawah ini untuk mendapatkan hasil regresi.
Langkah 1. Pertama, cari tahu variabel dependen dan independen. Di sini Penjualan adalah variabel dependen dan kuantitas dan populasi. Keduanya adalah variabel independen karena Penjualan bervariasi dengan kuantitas dan populasi negara.
Langkah 2. Buka Tab Data - Klik Analisis Data - Pilih regresi - klik Ok.
Ini akan membuka jendela Regresi untuk Anda.
Langkah 3. Masukkan Penjualan dalam Kotak Rentang Input Y dan pilih jumlah dan populasi dalam Kotak Rentang Input X. (Periksa Label jika Anda memiliki tajuk dalam rentang data Anda. Pilih opsi keluaran, lalu periksa Sisa yang diinginkan. Klik Ok.
Sekarang Jalankan regresi menggunakan analisis data di bawah Tab Data. Ini akan memberi Anda hasil di bawah ini.
Output Ringkasan
Multiple R: Di sini koefisien korelasinya adalah 0,93 yang sangat dekat dengan 1, yang berarti hubungan Linear sangat positif.
R Square: Nilai R Square adalah 0.866 yang berarti 86.7% dari nilai-nilai tersebut sesuai dengan model.
Signifikansi F: Signifikansi F lebih kecil dari 0,1 yang berarti persamaan regresi memiliki nilai prediksi yang signifikan.
Nilai P : Jika Anda melihat nilai P untuk Kuantitas dan Populasi, Anda dapat melihat bahwa nilainya kurang dari .1, yang berarti kuantitas dan populasi memiliki nilai prediksi yang signifikan. Semakin sedikit nilai P berarti suatu variabel memiliki nilai prediksi yang lebih signifikan.
Namun, baik kuantitas maupun populasi memiliki nilai prediksi yang signifikan, tetapi jika Anda melihat nilai P untuk kuantitas dan populasi, Anda dapat melihat bahwa kuantitas memiliki nilai P yang lebih rendah di excel daripada Populasi. Artinya, kuantitas memiliki nilai prediksi yang lebih signifikan daripada Populasi.
Hal-hal untuk diingat
- Selalu periksa variabel Dependen dan Independen setiap kali Anda memilih data apa pun.
- Analisis regresi linier mempertimbangkan hubungan antara Mean dari variabel.
- Ini hanya memodelkan hubungan antar variabel yang bersifat linier
- Terkadang itu bukan yang terbaik untuk masalah dunia nyata. Misalnya: (Usia dan upah). Sebagian besar waktu, Upah meningkat seiring bertambahnya Usia. Namun, setelah pensiun, usia bertambah tetapi upah menurun.
