TIKUS WISTAR SEBAGAI HEWAN UJI

  • Mengolah data pada bidang medis, kadangkala bertemu dengan data dari eksperimen dan menggunakan tikus sebagai hewan uji. Tikus ini dikondisikan agar mengalami keadaan tertentu dan kemudian diberikan beberapa perlakuan. Masa pemulihan akan menjadi salah satu hal yang menarik dan akan diproyeksikan ke usia manusia. Berikut ini adalah potongan informasi yang berkaitan dengan tikus wistar.

    Peneliti biomedis menggunakan tikus sebagai model eksperimen sering menghadapi berbagai pertanyaan seperti “apa hubungan antara usia tikus dan manusia?”, “kapan hewan-hewan ini dianggap dewasa atau tua?” Atau “berapa umur tikus pada tahun manusia?”. Hanya beberapa hasil penelitian yang telah berusaha untuk menjawab pertanyaan-pertanyaan ini.

    Pertanyaan-pertanyaan ini bisa dijawab dengan berbagai cara. Sebagian besar peneliti biasanya menghubungkan usia manusia dan tikus hanya dengan menghubungkan masa hidup mereka, akan tetapi ada yang tidak dapat diterima, karena untuk pekerjaan penelitian yang spesifik, kadang menggunakan fase perkembangan tertentu dari tahapan kehidupan tikus.Dengan demikian, orang harus mempertimbangkan fase yang berbeda dari kehidupan mereka untuk memiliki hubungan yang akurat.

    Tikus laboratorium hidup sekitar 2 hingga 3,5 tahun (rata-rata 3 tahun), sedangkan harapan hidup di seluruh dunia manusia adalah 80 tahun, dengan variasi di negara-negara sesuai dengan kondisi sosial ekonomi mereka.Oleh karena itu, mengambil masa hidup mereka bersama-sama, dapat dihitung sebagai berikut :

    (80 × 365) ÷ (3 × 365) = 26,7 hari manusia = 1 hari tikus; dan
    365 ÷ 26,7 = 13,8 hari tikus = 1 tahun manusia.
    Dengan demikian, satu tahun manusia hampir sama dengan dua minggu tikus (13,8 hari tikus) saat dihubungkan dengan masa hidupnya.

    Namun, sementara mempertimbangkan berbagai fase kehidupan tikus, termasuk fase usia penyapihan, bisa dengan mudah melihat bahwa tikus memiliki masa kanak-kanak yang singkat dan lebih cepat jika dibandingkan dengan manusia. Tikus berkembang dengan cepat selama masa bayi dan menjadi dewasa secara seksual sekitar usia 6 minggu. Manusia, di sisi lain, berkembang secara perlahan dan baru mencapai pubertas sampai sekitar usia 11-12 tahun.

    Dengan demikian,hal ini menunjukkan bahwa meskipun tikus merupakan elemen yang sangat diperlukan penelitian biomedis, mereka bukan bentuk miniatur manusia. Perbedaan dalam anatomi, fisiologi, pengembangan dan fenomena biologis harus dipertimbangkan ketika menganalisis hasil dari setiap penelitian pada tikus ketika usia merupakan faktor penting.

    Perhatian khusus harus diambil jika bermaksud untuk menghasilkan korelasi dengan kehidupan manusia. Hal ini penting bagi peneliti untuk memahami bahwa usia relatif berbeda tergantung pada tahap kehidupan. Oleh karena itu, kita harus menentukan umur yang relevan dalam penyelidikan dan faktor-faktor apa yang sedang dianalisis. Untuk ini, perhatian khusus diperlukan untuk memverifikasi fase dalam beberapa hari dari hewan dan korelasinya dengan berapa tahun usia di manusia.

    Berikut hubungan usia tikus dengan usia manusia menurut Sengupta (2013):
    6 bulan = 18 tahun
    12 bulan = 30 tahun
    18 bulan = 45 tahun
    24 bulan = 60 tahun
    30 bulan = 75 tahun
    36 bulan = 90 tahun
    42 bulan = 105 tahun
    45 bulan = 113 tahun
    48 bulan = 120 tahun

    Semoga bermanfaat.

    Malang, Sabtu 6 Pebruari 2016

    Sumber :
    Sengupta P. The Laboratory Rat: Relating Its Age With Human’s. International Journal of Preventive Medicine. 2013;4(6):624-30.

    ================================================
    Informasi training dan ebook:
    Hubungi bapak Khasanudin di nomor 0817-0487-726 (HP/WA)

    Kantor, Jl. Soekarno Hatta Kav. 1F Malang
    Satu atap dengan ruko Toko Buku Islam Khalifa (STC di lantai 2).
    Buka setiap hari jam 08.00-17.00.
    Facebook STC :
    https://www.facebook.com/stc.malang.7

    Foto Statistical Training Centre Malang.
Posted in Uncategorized | Leave a comment

KOEFISIEN DETERMINASI PADA REGRESI LOGISTIK

Koefisien determinasi disimbolkan dengan R kuadrat (R^2) adalah besarnya kontribusi model dalam menjelaskan keragaman (variasi) nilai pada variabel dependen. Koefisien deteminasi yang semakin tinggi akan menjadi potret bahwa nilai residu pada model semakin kecil.

Dalam setiap pemodelan, akan selalu ada koefisien determinasi termasuk dalam analisis regresi logistik yang bernama Cox & Snell R Square (disimbolkan R^2CS) dan Nagelkerke R Square (disimbolkan R^2N). Bagaimana kedua nilai ini dihitung? Perhatikan beberapa bagian output hasil perhitungan analisis regresi logistik dari SPSS pada Gambar 1. Dalam postingan kali ini tidak disertakan data praktikum karena isi materi bisa berlaku pada data apapun. Pada contoh perhitungan, data yang dianalisis berjumlah 50 sampel (n=50).

  1. LOGLIKELIHOOD

Untuk menghitung kedua koefisien determinasi ini, mari mengenal terlebih dahulu bagian yang disebut dengan -2LLnew (juga disebut -2LL1) dan -2LLbaseline (juga disebut -2LLo).

Pada Gambar 1A adalah output yang disebut dengan block 0 (beginning block) atau hasil pada kondisi baseline yaitu perhitungan loglikehood model sebelum menambahkan konstribusi variabel bebas ke dalam model. Diperoleh nilai -2LLbaseline = 68.994 atau nilai LLbaseline = 68.994/(-2) = -34,497.

Kemudian di Gambar 1B adalah output yang disebut dengan block 1 (method = enter) atau hasil pada kondisi new yaitu perhitungan loglikehood model sesudah menambahkan konstribusi variabel bebas ke dalam model. Diperoleh nilai -2LLnew = 31.593 atau nilai LLnew = 31.593/(-2) = -15,7965.

  1. Koefisien Determinasi Cox & Snell

Rumus untuk menghitung Cox & Snell R Square ditampilkan pada Gambar 2A, yaitu 1 – exp(-2/n(LLnew – LLbaseline)).

Hasil -2/n(LLnew – LLbaseline) = -(2/50)( -15,7965 – (-34,497)) = -0.748. Selanjutnya R^2CS = 1 – e^(-0,748) = 0,527 di-interpretasikan bahwa kontribusi model dalam menjelaskan variasi nilai variabel dependen sebesar 52,7%.

Ekspresi e^(-0,748) bisa dilakukan pada Excel dengan ketik “=exp(-0.748)” enter, maka akan dihasilkan nilai 0,473.

  1. Koefisien Determinasi Nagelkerke

Rumus untuk menghitung Nagelkerke R Square ditampilkan pada Gambar 2B, yaitu R^2CS/(1 – exp((2LLbaseline)/n).

Harga 2LLbaseline/n = -68,994/50 = -1,380, maka R2N didapatkan dari 0,527/(1 – e^-1,380) = 0,704, diinterpretasikan bahwa kontribusi model dalam menjelaskan variasi nilai variabel dependen sebesar 70,4%.

Sumber :

Field, Andy. 2009. Discovering Statistics Using SPSS. Sage Publication. New Delhi. (ebook tersedia). Hal. 269.

Semoga bermanfaat

Informasi training dan ebook:
Hubungi bapak Khasanudin di nomor 0817-0487-726 (HP/WA)

Kantor, Jl. Soekarno Hatta Kav. 1F Malang
Satu atap dengan ruko Toko Buku Islam Khalifa (STC di lantai 2).
Buka setiap hari jam 08.00-17.00.
Facebook STC :
https://www.facebook.com/stc.malang.7

Foto Statistical Training Centre Malang.
Foto Statistical Training Centre Malang.
Posted in Uncategorized | Leave a comment

TRAINING DI PEBRUARI 2016

Rabu, 17 Pebruari 2016, Belajar Mudah Aplikasi Analisis Regresi Logistik Binomial dan Multinomial menggunakan SPSS.
Tempat : Kantor STC Malang.

Aplikasi regresi pada variabel dependen yang bersifat nominal akan menitikberatkan pada prediksi probabilitas di masing-masing kategori. Model dengan variabel dependen yang mengandung dua kategori akan menggunakan analisis regresi logistik binomial sedangkan jika lebih dari dua kategori akan menggunakan analisis regresi multinomial. Mengenal secara mudah konsep odd rasio, reference category, outcome category, Hosmer and Lemeshow test akan dibahas tuntas dalam pelatihan ini.

Informasi training dan ebook:
Hubungi bapak Khasanudin di nomor 0817-0487-726 (HP/WA)

Kantor, Jl. Soekarno Hatta Kav. 1F Malang
Satu atap dengan ruko Toko Buku Islam Khalifa (STC di lantai 2).
Buka setiap hari jam 08.00-17.00.
Facebook STC :
https://www.facebook.com/stc.malang.7

Foto Belajar Statistik Dari Nol.
Posted in Uncategorized | Leave a comment

TRAINING DI PEBRUARI 2016

Pelatihan Pemodelan SEM Tingkat Dasar menggunakan software AMOS.
Sabtu, 13 Pebruari 2016,

Tempat : Kantor STC Malang.

SEM (Structural Equation Modeling) merupakan model analisa sebab akibat yang dapat menampilkan model secara komprehensip bersamaan dengan kemampuan untuk mengkonfirmasi dimensi atau faktor dari sebuah konsep yang diujikan melalui indikator-indikator empiris. AnalisaSEM merupakan kombinasi dari analisa faktor (Confirmatory Factor Analysis), analisa jalur (Path Analysis) dan analisa regresi. Kemampuannya yang dapat menganalisa model yang rumit menjadikan SEM banyak digunakan diberbagai bidang aplikasi. Umumnya analisa SEM digunakan untuk menguji sebuah konsep teoritis/melakukan confirmasi terhadap sebuah konsep teoritis.

Informasi training dan ebook:
Hubungi bapak Khasanudin di nomor 0817-0487-726 (HP/WA)

Kantor, Jl. Soekarno Hatta Kav. 1F Malang
Satu atap dengan ruko Toko Buku Islam Khalifa (STC di lantai 2).
Buka setiap hari jam 08.00-17.00.

Facebook STC :

https://www.facebook.com/stc.malang.7

Foto Belajar Statistik Dari Nol.

 

Posted in Uncategorized | Leave a comment

MENGHITUNG PELUANG KEJUJURAN

Ada empat orang mahasiswa satu kos-kosan yang kebetulan telat ikut ujian semester karena bangun kesiangan. Kemudian mereka menyusun strategi untuk kompak memberi alasan yang sama agar si dosen berbaik hati memberi ujian susulan.Mhs A : Pak, maaf kami telat ikut ujian semester.

Mhs B : Iya Pak. Kami berempat naik angkot yang sama dan ban angkotnya meletus.

Mhs C : Iya kami kasihan sama supirnya. Jadinya kami bantu dia pasang ban baru.

Mhs D : Oleh karena itu kami mohon kebaikan hati bapak agar kami dapat mengikuti ujian susulan.

Sang dosen berpikir sejenak dan akhirnya memperbolehkan mereka ikut ujian susulan.

Keesokan hari ujian susulan dilaksanakan, tapi keempat mahasiswa diminta mengerjakan ujian di empat ruangan yang berbeda.

“Ah, mungkin biar tidak menyontek,” pikir para mahasiswa. Ternyata ujiannya cuma ada 2 soal. Dengan ketentuan mereka baru diperbolehkan melihat dan mengerjakan soal kedua setelah selesai mengerjakan soal pertama.

Soal 1 sangat mudah dgn bobot nilai 10. Keempat mahasiswa mengerjakan dengan senyum-senyum.

Giliran membaca soal kedua dengan bobot nilai 90. Keringat dingin pun mulai bercucuran.

Di soal kedua tertulis:
“Kemarin, ban angkot sebelah mana yang meletus..??”

*Catatan : kalo ada yang beda, semua tidak lulus.

Catatan tambahan :

Yang seperti ini pasti bermanfaat, minimal sebagai obat anti ngantuk …..!

Foto Statistical Training Centre Malang.
Posted in Uncategorized | Leave a comment

KONSTANTA DALAM PERSAMAAN

Apa sebenarnya fungsi atau peran konstanta dalam sebuah persamaan? Agar mudah, mari kita kenali lewat model linier sederhana antara X dan Y yang dinyatakan dengan persamaan :

Y = β0 + β1X + ε1

Data praktikum yang digunakan adalah sebagai berikut :

X Y
1; 7;
2; 10;
2; 13;
3; 12;
4; 14;
4; 12;
5; 17;
6; 21;
6; 15;
7; 24;
7; 27;
8; 25;
9; 29;
9; 32;
10; 36;

A. GARIS LURUS

Perhatikan scatterplot yang ada dalam Gambar 1, yang memberikan gambaran hubungan X dan Y. Kemudian diminta membuat sebuah garis lurus dimulai dari titik (0,0) dan paling dekat dengan seluruh titik dalam gambar, maka salah satu garis yang mungkin akan dibuat akan seperti pada Gambar 2. Persamaan regresi yang sesuai dengan garis tersebut adalah

Y = β1X + ε2

Lalu bagaimana jika garis lurus yang dibuat tidak harus dimulai (melewati) titik (0,0) akan tetapi tetap harus dekat dengan seluruh titik yang ada? Maka akan ada banyak pilihan garis, dan satu diantaranya akan memiliki kedekatan yang paling tinggi. Dalam materi analisis regresi kedekatan ini akan dihitung melalui nilai residual. Bentuk garis-garis tersebut dua diantaranya tampil dalam Gambar 3. Tampak bahwa kedekatan garis ke seluruh titik pada Gambar 3 adalah lebih baik dibandingkan dengan Gambar 2.

Pada penjelasan sederhana ini, dapat dimengerti bahwa keberadaan konstanta dalam sebuah persamaan adalah untuk meningkatkan ketepatan garis.

B. ANALISIS REGRESI

Akan dilakukan analisis regresi sederhana menggunakan SPSS pada kondisi ada dan tidak ada dengan konstanta. Default proses dalam SPSS adalah ada konstanta, sehingga jika konstanta tidak ada dalam persamaan, dalam menu analisis regresi harus me-nonaktif-kan adanya konstanta pada opsi “include constant in equation”. Persamaan regresi dengan konstanta adalah sebagai berikut :

Y = 3,099 + 2,982 X

Sedangkan hasil running tanpa konstanta

Y = 3.433 X

Pada kedua analisis regresi disimpan nilai residual, dan dihitung nilai kuadrat residualnya. Berikut ini adalah nilai residual dan kuadrat residual dari persamaan dengan dan tanpa konstanta.

X Y e1 e2 e1^2 e2^2
1; 7; 0.919; 3.567; 0.844; 12.727
2; 10; 0.937; 3.135; 0.878; 9.827
2; 13; 3.937; 6.135; 15.498; 37.636
3; 12; -0.045; 1.702; 0.002; 2.898
4; 14; -1.028; 0.270; 1.056; 0.073
4; 12; -3.028; -1.730; 9.165; 2.994
5; 17; -1;955; -0.163; 1.010; 0.027
6; 21; 0;835; 0.405; 0.000; 0.164
6; 15; -5.992; -5.596; 35.900; 31.309
7; 24; 0.026; -0.028; 0.001; 0.001
7; 27; 3.026; 2.972; 9.158; 8.833
8; 25; -1.956; -2.461; 3.825; 6.055
9; 29; -0.938; -1.893; 0.880; 3.584
9; 32; 2.062; 1.107; 4.252; 1.225
10; 36; 3.080; 1.674; 9.486; 2.803

Penjumlahan kuadrat residual hasil analisis regresi dengan konstanta adalah 91,96 (jumlah e1^2), sedangkan pada hasil tanpa konstanta adalah 120,15 (jumlah e2^2). Jumlah kuadrat residual dari persamaan dengan konstanta lebih kecil dibandingkan dengan tanpa konstanta. Sekarang menjadi bertambah jelas bahwa keberadaan konstanta dalam sebuah persamaan menjadi penting.

Kemudian interpretasi apa yang tepat untuk konstanta ini, karena hasil taksiran nilai konstanta bisa positif atau negatif. Secara matematis, konstanta diinterpretasikan sebagai nilai Y pada kondisi X bernilai nol. Permasalahannya adalah aplikasi regresi tidak selalu bertemu kondisi yang di salah satu kemungkinan pengamatannta mengandung nilai X yang bernilai nol. Jika dipaksakan menjadi sebuah interpretasi yang tidak logis.

C. KASUS DAN INTERPRETASI KONSTANTA

Kasus pertama, model regresi antara jumlah jam kerja lembur (X) dengan upah harian yang diterima like emotikon. Andaikan persamaan regresi yang diperoleh adalah sebagai berikut :

Y = 50.000 + 10.000 X

Konstanta sebesar 50.000 diinterpretasikan sebagai jumlah upah yang akan diterima jika pada hari itu karyawan tidak bekerja lembur (X=0). Interpretasi terhadap konstanta pada kasus semacam ini adalah logis, karena kondisi X=0 terjadi.

Kasus kedua, model regresi antara jumlah karyawan (X) dengan jumlah unit barang yang diproduksi like emotikon. Andaikan persamaan regresi yang diperoleh adalah sebagai berikut :

Y = 10 + 5 X

Konstanta sebesar 10 jika diinterpretasikan seperti pada kasus pertama yaitu jumlah unit barang yang dihasilkan adalah 10 jika pada tempat usaha tersebut tidak memiliki karyawan (X=0). Tentu saja interpretasi ini menjadi tidak logis. Bagaimana bisa memproduksi barang jika tidak ada satupun karyawan yang bekerja. Jadi, dalam kasus variabel X tidak mungkin untuk bernilai nol, maka interpretasi terhadap konstanta tidak diperlukan. Keberadaan konstanta dalam persamaan regresi adalah untuk meningkatkan ketepatan persamaan regresi.

Semoga bermanfaat
Malang, Kamis 21 Januari 2016

==================================================
Informasi training dan ebook:
Hubungi bapak Khasanudin di nomor 0817-0487-726 (HP/WA)

Kantor, Jl. Soekarno Hatta Kav. 1F Malang
Satu atap dengan ruko Toko Buku Islam Khalifa (STC di lantai 2).
Buka setiap hari jam 08.00-17.00.

Posted in Uncategorized | Leave a comment

FAKTOR PENENTU DOMINAN DALAM ANALISIS REGRESI

Bagi beberapa pengguna analisis regresi berganda dengan regressor signifikan berjumlah lebih dari satu, pasti menginginkan untuk mengetahui variabel penentu yang pengaruhnya paling dominan. Keputusan terhadap tujuan ini didasarkan pada perbandingan koefisien regresi yang sudah dibakukan (standardized coefficient) atau dalam output di SPSS disebut dengan koefisien beta. Variabel dengan koefisien beta paling besar akan mendapatkan “status” sebagai variabel yang dominan dalam menjelaskan keragaman variabel terikat.

Adakah cara inferensial untuk tujuan ini? Ada, yaitu uji perbandingan koefisien. Berikut ini adalah data praktikum sebanyak 30 sampel untuk belajar mengenal teknik uji ini :

Y; X1; X2; X3
18; 20; 18; 19
19; 21; 21; 21
20; 19; 17; 21
20; 21; 18; 21
21; 21; 16; 24
21; 21; 18; 21
21; 22; 17; 26
21; 25; 19; 24
21; 24; 23; 26
21; 26; 20; 21
21; 27; 23; 21
22; 21; 23; 24
22; 26; 23; 28
23; 26; 18; 28
24; 21; 20; 23
24; 28; 18; 21
25; 22; 24; 21
25; 28; 17; 26
25; 28; 19; 28
26; 26; 23; 26
26; 26; 24; 26
26; 27; 24; 26
26; 28; 25; 26
27; 28; 24; 28
28; 25; 23; 28
28; 27; 23; 28
28; 27; 24; 28
28; 28; 23; 28
28; 28; 23; 28
28; 28; 24; 24

A. STATISTIK DESKRIPTIF

Hasil statistik deskriptif pada keempat variabel adalah sebagai berikut

Mean Std. Deviation
Y 23.767 3.148
X1 24.670 2.975
X2 21.067 2.840
X3 24.833 3.041

B. HASIL ANALISIS REGRESI BERGANDA

Selanjtunya, lakukan analisis regresi linier berganda pada hubungan X1, X2 dan X3 terhadap Y. Hasil running dari SPSS adalah sebagai berikut:

Y = -1,737 + 0,369 X1 + 0,347 X2 + 0,367 X3
SE (3,390) (0,149) (0,139) (0,151)
T (-0,513) (2,479) (2,485) (2,420)
p 0,613 0,020 0,020 0,023

Seluruh hasil uji pada koefisien regresi adalah signifikan (p<0,05). Persamaan menggunakan koefisien regresi yang dibakukan (standardized coefficient) atau beta adalah sebagai berikut :

ZY = 0,349 ZX1 + 0,313 ZX2 + 0,354 ZX3

Berdasarkan harga koefisien beta, nilai tertinggi ada pada variabel X3, yaitu 0,354, disusul oleh X1 sebesar 0,349 dan X2 sebessar 0,313. Jika hanya mempertimbangkan koefisien saja, maka faktor penentu dominan untuk Y berasal dari X3. Akan tetapi jika dilakukan uji secara inferensial, benarkah koefisien dari X3 adalah yang tertinggi dan berbeda dengan koefisien lainnya?

Perlu diingat bahwa taksiran koefisien regresi ada pada hasil koefisien B bukan beta. Standard error yang terhitung, juga untuk koefisien B yang disingkat dengan SE(B). Koefisien beta adalah transformasi nilai yang melibatkan harga koefisien B, standard deviasi dari X dan standard deviasi dari Y. Untuk mendapatkan koefisien beta pada X1 sebesar 0,349 berasal dari :

B(X1)*Std.Dev(X1)/Std.Dev(Y)
=> 0,369 * (2,975 /3,148) = 0,349
(dengan cara yang sama bisa dicoba untuk X2 dan X3)

C. UJI PERBANDINGAN KOEFISIEN REGRESI

Perbandingan koefisien regresi B (bukan beta) antara B1 dengan B2 akan mempunyai hipotesis sebagai berikut :

H0 : β1 = β2, melawan
H1 : β1 ≠ β2

Nilai standard error untuk selesih kedua koefisien regresi (SE(β1-β2)) adalah sebagai berikut :

SE(β1-β2) = sqrt(var(β1) + var(β2) – 2 cov (β1, β2))

Kemudian akan dihitung statistik t :

t = (β1-β2) / SE(β1-β2) dengan derajat bebas (n-4)

Lalu bagaimana cara meghitung var(β1), var(β2) dan cov (β1, β2)? Berikut ini adalah cara mengolah data untuk mendapatkan varian dan covarian dari koefisien regresi.

Menu utama Analyze | Regression | Linier
Masukkan Y ke kotak dependent, masukkan X1, X2, X3 ke kotak independent
Lanjutkan ke submenu Statistics, aktifkan pilihan covariance matrix
Klik Continue, klik OK.

Pada bagian hasil outpu di SPSS akan ditampilkan matriks variance covariance untuk koefisien regresi.

X3 X2 X1
X3 .023 -.007 -.012
X2 -.007 .019 -.003
X1 -.012 -.003 .022

Pada bagian diagonal adalah nilai variance dari koefisien, sedangkan diluar diagonal adalah nilai covariance. Sebagai contoh Var(β1) = 0,022, Var(β2) = 0,019 dan cov(β1, β2) = -0,003. Maka dari output ini, harga standard error selisi koefisien regresi B1 dan B2 adalah :

SE(β1-β2) = sqrt(0,022 + 0,019 – 2(-0,003) = 0,217

Selanjutnya, harga statistik t pada derajat bebas (30-4) = 26 adalah :

t = (0,369 – 0,347) / 0,217 = 0,102

Untuk menghitung harga p value dapat dilakukan di excel dengan memanfaatkan fungsi : TDIST(absolut(nilai t), derajat bebas, arah uji). Nilai arah uji diisi 1 jika bersifat satu arah, dan bernilai 2 jika dua arah. Pada contoh ini karena bersifat dua arah, maka nilai arah uji =2.

Pada excel, ketik “=TDIST(0.102, 26, 2)” enter akan menghasilkan nilai 0,920. Nilai p lebih besar dari 0,05 memberikan keputusan untuk menerima H0, yakni secara statistik besaran taksiran koefisien regresi pada B1 dan B2 adalah tidak berbeda signifikan.

D. HASIL PERBANDINGAN SELURUH KOEFISIEN REGRESI

Koefisien regresi yang ditaksir berjumlah 3, maka perbandingan yang dilakukan akan berjumlah 3. Berikut adalah hasil ringkasan uji perbandingan koefisien.

Perbandingan Selisih SE t p

β1dan β2 0,022 0,217 0,102 0,920
β1dan β3 0,002 0,263 0,008 0,994
β2dan β3 -0,020 0,237 -0,085 0,933

Hasil akhir dari perbandingan ketiga koefisien regresi, ketiganya berbeda tidak signifikan (p>0,05). Sehingga hasil uji ini memberikan kesimpulan bahwa ketiga variabel bebas berpengaruh signifikan pada Y akan tetapi tidak dijumpai salah satu diantara variabel bebas yang berpengaruh dominan pada Y.

Sumber :
Gujarati, Damodar. 2003. Basic Econometrics. Fourth Edition. McGraw Hill. Hal. 264-266.

Semoga bermanfaat.
Informasi training dan ebook:
Hubungi bapak Khasanudin di nomor 0817-0487-726 (HP/WA)

Kantor, Jl. Soekarno Hatta Kav. 1F Malang
Satu atap dengan ruko Toko Buku Islam Khalifa (STC di lantai 2).
Buka setiap hari jam 08.00-17.00.

Fb STC :
https://www.facebook.com/stc.malang.7

Foto Statistical Training Centre Malang.
Foto Statistical Training Centre Malang.
Posted in Uncategorized | Leave a comment