Dasar Analisa Variance pada Bahasa R

Paket stats pada R berisi berbagia fungsi dasar analisa statistik seperti tes klasik, modle linear, distribusi, summary statistik, analisa time series dan analisa multivariate. Sebagai contoh, kita gunakan data set dari R bernama InsectSprays serta 6 insektisida yang ada pada R, dan digunakan untuk melihat response insects dan digunaan untuk analisa variance menggunakan fungis aov.

>   data(InsectSprays)

>      aov.spray <- aov(sqrt(count) ~ spray, data = InsectSprays)

>   aov.spray

Call:

aov(formula   =    sqrt(count)    ~    spray,    data    = InsectSprays)

 

Terms:

spray Residuals

Sum of Squares 88.43787 26.05798

Deg. of Freedom         5        66

 

Residual standard error: 0.6283453 Estimated effects may be unbalanced

 

>  summary(aov.spray)

 

Df Sum Sq Mean Sq F value Pr(>F) spray          5 88.44 17.688  44.8 <2e-16 ***

Residuals 66 26.06        0.395

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

 

Lalu kita dapat membuat grafik dengan mempartisi menjadi 4 sebagai berikut:

>  opar <- par()

>  par(mfcol = c(2, 2))

>  plot(aov.spray)

>  par(opar)

>termplot(aov.spray, se=TRUE, partial.resid=TRUE, rug=TRUE)

 

 

Hasil program di atas berupa plot grafik ditampilkan pada gambar 5.1:

Gambar 5.1 hasil penerapan fungsi aov dengan plot.

 

 

5.3 Analisa Regresi Linear

 

Bentuk matematis dari model regresi linier sederhana dapat dinyatakan sebagai berikut (Draper dan Smith, 1981)

 

atau

 

dengan

Y = nilai pengamatan dari peubah atau variabel tak bebas (response)

X = nilai pengamatan dari peubah atau variabel bebas (prediktor)

= nilai ramalan atau prediksi dari peubah atau

 

variabel tak bebas (respon)

ε = nilai kesalahan ramalan  = intersep atau konstanta

= slope atau koefisien kemiringan model regresi.

 

Sebagai contoh, gunakan data berikut:

 

>  age=18:29

 

>height=c(76.1,77,78.1,78.2,78.8,79.7,79.9,81.1,81.2,81. 8,82.8,83.5)

Lalu, gunakan fungsi lm untuk menghitung linear model berikut :

 

>  res=lm(height~age)

 

>  res

 

Call:

 

lm(formula = height ~ age) Coefficients:

(Intercept)                             age 64.928  0.635

Lalu digunakan fungsi abline untuk menghasilkan garis “Line of best fit”

>  abline(res)

 

Figure 2. fungsi abline yang membuat "Line of Best Fit" pada scaterplot.

Share :