Cara Analisis Regresi Linear Berganda dengan Jamovi

00:12:50
https://www.youtube.com/watch?v=4RIHnbpY9dc

概要

TLDRVideo ini membahas analisis regresi berganda menggunakan Jamovi, dengan fokus pada pengaruh Icu, motivasi, dan religiusitas terhadap prestasi. Tiga model regresi dibangun untuk membandingkan kontribusi masing-masing variabel. Hasil menunjukkan bahwa motivasi berpengaruh signifikan, sedangkan religiusitas tidak memberikan kontribusi yang berarti. Video juga menjelaskan asumsi-asumsi yang harus dipenuhi dalam analisis regresi, seperti normalitas dan homoskedastisitas.

収穫

  • 📊 Analisis regresi berganda menggunakan Jamovi.
  • 🔍 Tiga model regresi dibangun untuk analisis.
  • 💡 Motivasi berpengaruh signifikan terhadap prestasi.
  • 🚫 Religiositas tidak berkontribusi signifikan.
  • 📈 Hasil analisis menunjukkan variasi yang dijelaskan.
  • 📉 Asumsi normalitas dan homoskedastisitas harus dipenuhi.
  • ⚠️ Periksa multikolinearitas antar variabel.
  • 📉 Identifikasi dan analisis outlier dalam data.
  • 🧮 Koefisien regresi menunjukkan pengaruh variabel.
  • 📊 Model regresi membantu memahami hubungan variabel.

タイムライン

  • 00:00:00 - 00:05:00

    Video ini membahas analisis regresi berganda menggunakan software Jamovi, di mana penjelasan dimulai dengan pengenalan data fiktif yang melibatkan variabel Icu, motivasi, dan religiusitas sebagai prediktor prestasi. Proses analisis dimulai dengan memasukkan prestasi sebagai variabel dependen dan Icu, motivasi, serta religiusitas sebagai kovariat. Hasil awal menunjukkan bahwa Icu sebagai prediktor signifikan, dan analisis dilanjutkan dengan membandingkan model-model regresi yang berbeda untuk melihat pengaruh motivasi dan religiusitas terhadap prestasi.

  • 00:05:00 - 00:12:50

    Hasil analisis menunjukkan bahwa model dengan Icu dan motivasi mampu menjelaskan variasi prestasi lebih baik dibandingkan model yang hanya menggunakan Icu. Penambahan religiusitas tidak memberikan kontribusi signifikan terhadap model. Persamaan regresi akhir menunjukkan bahwa motivasi memiliki pengaruh terbesar terhadap prestasi. Selain itu, uji normalitas dan asumsi lainnya juga dilakukan untuk memastikan validitas model regresi. Kesimpulannya, motivasi adalah prediktor paling kuat dalam menjelaskan prestasi.

マインドマップ

ビデオQ&A

  • Apa itu regresi berganda?

    Regresi berganda adalah analisis statistik yang digunakan untuk memahami hubungan antara satu variabel dependen dan dua atau lebih variabel independen.

  • Apa software yang digunakan dalam video ini?

    Software yang digunakan adalah Jamovi.

  • Apa saja variabel yang dianalisis dalam video?

    Variabel yang dianalisis adalah Icu, motivasi, dan religiusitas sebagai prediktor prestasi.

  • Apa hasil dari analisis regresi berganda?

    Hasil menunjukkan bahwa motivasi berpengaruh signifikan terhadap prestasi, sedangkan religiusitas tidak.

  • Apa itu asumsi homoskedastisitas?

    Homoskedastisitas adalah asumsi bahwa varians dari residual adalah konstan di seluruh rentang nilai prediktor.

  • Bagaimana cara memeriksa normalitas data?

    Normalitas data dapat diperiksa menggunakan uji Shapiro-Wilk atau Kolmogorov-Smirnov.

  • Apa itu multikolinearitas?

    Multikolinearitas terjadi ketika dua atau lebih variabel independen memiliki korelasi yang tinggi.

  • Apa yang dimaksud dengan koefisien regresi?

    Koefisien regresi menunjukkan seberapa besar pengaruh variabel independen terhadap variabel dependen.

  • Apa yang dilakukan jika ada outlier dalam data?

    Outlier dapat diidentifikasi dan dianalisis lebih lanjut untuk menentukan apakah akan dihapus atau tidak.

  • Apa itu model regresi?

    Model regresi adalah representasi matematis dari hubungan antara variabel dependen dan independen.

ビデオをもっと見る

AIを活用したYouTubeの無料動画要約に即アクセス！
字幕
id
オートスクロール:
  • 00:00:00
    Hai selama alaikum warahmatullahi
  • 00:00:09
    wabarakatuh di video kali ini saya akan
  • 00:00:11
    menjelaskan cara melakukan analisis
  • 00:00:14
    multiple regression atau regresi
  • 00:00:17
    berganda dengan menggunakan software
  • 00:00:19
    jamovi nah jika di video sebelumnya kita
  • 00:00:23
    sudah belajar regresi Tunggal dengan
  • 00:00:25
    hanya satu variabel prediktor nah kali
  • 00:00:29
    ini kita akan melakukan analisis regresi
  • 00:00:31
    berganda dengan variabel prediktor lebih
  • 00:00:35
    dari satu nah sekarang kita menuju ke
  • 00:00:38
    datanya disini Saya punya data fiktif
  • 00:00:41
    mengenai Icu motivasi prestasi dan
  • 00:00:45
    religiusitas nah saya akan melakukan
  • 00:00:48
    analisis untuk menguji apakah Icu
  • 00:00:51
    motivasi dan religiusitas itu mampu
  • 00:00:55
    menjadi prediktor dari prestasi atau
  • 00:00:57
    dengan kata lain apakah Haikyuu motif
  • 00:01:00
    di dan Regita berperan terhadap prestasi
  • 00:01:03
    Nah kita lakukan analisisnya klik disini
  • 00:01:07
    regression kemudian dunia regression
  • 00:01:12
    di bagian kita masukkan prestasi sebagai
  • 00:01:15
    dependent variable bagian Icu motivasi
  • 00:01:19
    dan religiusitas di kovariat nah ini
  • 00:01:22
    karena prediktor nya semuanya adalah
  • 00:01:25
    skala apa skill atau data kontinum jadi
  • 00:01:29
    masuknya ke kovarian nah ini output-nya
  • 00:01:32
    sudah keluar Ini adalah output minimalis
  • 00:01:34
    dari software j-movie ini sangat
  • 00:01:39
    minimalis Nah kita bisa sesuaikan dengan
  • 00:01:42
    kebutuhan cita-cita butuhnya apa Nah
  • 00:01:45
    kalau di video Sebelumnya saya sudah
  • 00:01:47
    menguji apakah aikyu itu berperan
  • 00:01:51
    terhadap prestasi Nah dari video yang
  • 00:01:54
    pertama kita tahu bahwa itu memang
  • 00:01:56
    menjadi prediktor yang signifikan
  • 00:01:58
    terhadap prestasi nah di video kali ini
  • 00:02:01
    kita bisa atur eh bloknya ini jadi by
  • 00:02:06
    default memang j-movie akan menganalisis
  • 00:02:09
    tiga prediktor ini secara bersamaan
  • 00:02:12
    kita bisa lakukan step-by-step jadi
  • 00:02:15
    misalkan kita membuat blog Baru Blok 2
  • 00:02:20
    nah ini saya keluarkan religiusitas dan
  • 00:02:25
    motivasi dari Blok 1 nah di blog2 saya
  • 00:02:29
    masukkan motivasi kemudian di blok 3
  • 00:02:36
    saya masukkan religiusitas nantinya kita
  • 00:02:42
    disini membangun tiga model Nah model
  • 00:02:47
    disini kalau kita lihat model spesifik
  • 00:02:50
    Rizal ini ada tiga model satu itu adalah
  • 00:02:54
    model dengan Icu saja sebagai prediktor
  • 00:02:57
    model2 adalah model dengan Icu dan
  • 00:03:00
    motivasi sebagai prediktor Odel tiga
  • 00:03:03
    adalah model dengan Icu motivasi dan
  • 00:03:06
    religiusitas sebagai prediktor lain kita
  • 00:03:09
    bisa Kita sesuaikan tadi ya
  • 00:03:12
    Hai Nah kita mau bandingkan Apakah
  • 00:03:15
    dengan menambah motivasi dan resitasi
  • 00:03:18
    itu akan menapak akan berpengaruh
  • 00:03:22
    signifikan terhadap model kita nah hujan
  • 00:03:26
    referensi tak tidak perlukan Samson
  • 00:03:29
    autocorrelation kita tidak perlu karena
  • 00:03:31
    ini bukan data time-series tak perlu
  • 00:03:34
    collinearity rumah Little gflops
  • 00:03:37
    residual dan kita jika mungkin butuh
  • 00:03:40
    kopstand sini siapa tahu nanti ada data
  • 00:03:43
    outlier kemudian model.fit saya butuh
  • 00:03:48
    mengeluarkan
  • 00:03:50
    Hai FPS nya dan juga mungkin ini juga
  • 00:03:54
    kita perlukan ini biasanya tidak
  • 00:03:57
    dibutuhkan tapi kalau kita mau
  • 00:03:59
    membandingkan model icmi bisa kita
  • 00:04:03
    bandingkan ujian model kbc saya perlu
  • 00:04:09
    keluarga unstandardize estimate dan saya
  • 00:04:13
    juga mau menyimpan aqux distention untuk
  • 00:04:18
    mengidentifikasi of players Oke kalau
  • 00:04:22
    sudah tangan
  • 00:04:31
    the scene ini sudah ada groups distancia
  • 00:04:34
    karena tadi kita apa memilih save ya
  • 00:04:39
    save abstention tapi mungkin kita kita
  • 00:04:43
    perlukan nanti tapi untuk jaga-jaga saja
  • 00:04:45
    kita lihat dulu kita lihat hasilnya
  • 00:04:48
    disini ini ada tiga model ya Model satu
  • 00:04:52
    itu aikyu saja sebagai prediktor nah
  • 00:04:55
    ketika itu saja sebagai prediktor Icu
  • 00:04:58
    mampu menjelaskan 33 pomade 333333 koma
  • 00:05:04
    sembilan persen variasi dari prestasi
  • 00:05:08
    dan kita lihat di sini signifikansinya
  • 00:05:11
    dia signifikan Rio sendiri signifikan
  • 00:05:16
    kemudian model2 Heiho dan motivasi Ice
  • 00:05:20
    dan motivasi mampu menjelaskan lima
  • 00:05:24
    sembilan koma dua jadi ada penambahan
  • 00:05:28
    variasi yang dijelaskan atau variasi
  • 00:05:31
    Neng setelah memasukkan motivasi dan
  • 00:05:34
    modelnya juga signifikan model 3 dengan
  • 00:05:38
    menambahkan religiusitas mampu
  • 00:05:41
    menjelaskan 60 koma sembilan persen
  • 00:05:45
    variasi dari prestasi dan model 3 juga
  • 00:05:48
    signifikan nah modern kita lihat model
  • 00:05:52
    comparison ini membandingkan antar
  • 00:05:54
    model-model satu dibandingkan model2
  • 00:05:57
    Delta ekspornya atau perubahan eh
  • 00:06:02
    varians explain ya perubahan variasi
  • 00:06:06
    yang dapat dijelaskan atau kalau di kita
  • 00:06:09
    sering disebut para sumbangan efektif
  • 00:06:12
    perubahan fonetisnya 25% dengan f48 koma
  • 00:06:18
    enam satu dan dia signifikan jadi dengan
  • 00:06:21
    menambahkan motivasi dalam model itu
  • 00:06:26
    penambahannya cukup signifikan
  • 00:06:29
    menjelaskan variasi dari
  • 00:06:31
    prestasi cukup signifikan model2
  • 00:06:34
    dibanding model 3 penambahan er supernya
  • 00:06:38
    hanya satu persennya 1,6 persen dan
  • 00:06:42
    c-nya lebih dari 0,05 derajat tidak
  • 00:06:45
    signifikan jadi dengan menambahkan
  • 00:06:49
    religiusitas ternyata tidak menambah
  • 00:06:52
    variasi experience explain nya tuh
  • 00:06:56
    sumbangan efektifnya dan kemudian kita
  • 00:06:59
    lihat di sini model satu ini hanya Ice
  • 00:07:06
    sebagai prediktor model2 Ice dan
  • 00:07:09
    motivasi kita lihat model 3 saja Nah
  • 00:07:12
    kita lihat model 3 disini Haikyuu ia
  • 00:07:18
    bedanya ini adalah koefisien regresinya
  • 00:07:21
    0,23 Icu ya signifikan
  • 00:07:26
    Hai punya motivasi juga signifikan
  • 00:07:28
    sementara lazy tas dia HPnya di atas
  • 00:07:31
    0,05 jadi tidak signifikan jadi
  • 00:07:34
    religiusitas penambahan densitas dalam
  • 00:07:38
    model ternyata tidak menambah tidak
  • 00:07:42
    membuat model menjadi lebih baik daya
  • 00:07:44
    dalam menjelaskan prestasi atau dengan
  • 00:07:47
    dalam hal ini relativitas tidak berperan
  • 00:07:49
    terhadap prestasi kalau kita mau tulis
  • 00:07:54
    persamaan regresinya akan diri = bxx1
  • 00:07:59
    brush vx12 bx3 saya berarti + C Sorry ya
  • 00:08:10
    13c
  • 00:08:12
    kyanya adalah prestasi = B yaitu adalah
  • 00:08:18
    ini ya estimate sini Nurma 231 dikali eh
  • 00:08:25
    satunya adalah eight ditambah 0,2 86
  • 00:08:32
    dikali memotivasi
  • 00:08:39
    Hai tambah 0,13 7 dikali rally gizitas
  • 00:08:50
    ditambah intercept.dat 2,1 nah ini
  • 00:08:54
    adalah persamaan regresinya Nyi
  • 00:08:59
    persamaan regresinya nah standar Dash
  • 00:09:01
    diet ini bisa kita gunakan untuk melihat
  • 00:09:06
    prediktor mana yang paling kuat
  • 00:09:09
    berpengaruh terhadap prestasi jadi kalau
  • 00:09:13
    kita lihat Disini yang paling besar
  • 00:09:15
    adalah motivasi Tri motivasi itu
  • 00:09:18
    berpengaruh paling besar terhadap
  • 00:09:20
    prestasi dibandingkan Hyo dan
  • 00:09:22
    religiusitas
  • 00:09:25
    Hai nah kemudian ini ada data sampai
  • 00:09:28
    richfister ini untuk melihat apakah ada
  • 00:09:30
    out layer Biasanya kalau Eh rangenya ini
  • 00:09:35
    pada maksimum lebih dari satu grup
  • 00:09:39
    stetsa lebih dari satu dan itu bisa jadi
  • 00:09:41
    teridentifikasi sebagai outlier tapi di
  • 00:09:44
    sini paling tinggi hanya 0,34 berarti
  • 00:09:48
    tidak ada masalah kemudian asam senjata
  • 00:09:51
    ada uji normalitas NaOH uji normalitas
  • 00:09:54
    di sini ada Savira welcome grosir rok
  • 00:09:57
    dan anda share darling Nah kalau
  • 00:09:59
    default-nya jamovi dia hanya
  • 00:10:00
    mengeluarkan Shafira with tapi disini
  • 00:10:03
    saya bisa mengeluarkan
  • 00:10:04
    kolmogorov-smirnov juga karena saya
  • 00:10:07
    sudah menginstal modul namanya mortes
  • 00:10:11
    ini jadi kalau teman-teman mau
  • 00:10:14
    mengeluarkan homographs Mira bisa
  • 00:10:16
    diinstall modul disini kita cari namanya
  • 00:10:21
    more tes tes
  • 00:10:24
    Hai nah ini more test ni untuk
  • 00:10:26
    mengeluarkan editional normality test
  • 00:10:28
    demokrasi rodaan anderson-darling ya
  • 00:10:32
    kalau dari sini dari guru-guru smirnov
  • 00:10:35
    tanya di atas 0,05 artinya data kita
  • 00:10:38
    terdistribusi normal kemudian
  • 00:10:41
    heteroskedasticity juga semuanya di atas
  • 00:10:44
    0,05 artinya asumsi homoscedasticity
  • 00:10:51
    terpenuhi kemudian collinearity
  • 00:10:54
    statistics ini untuk melihat apakah ada
  • 00:10:56
    multikolinieritas multikolinearitas itu
  • 00:10:59
    Kalau antar prediktor memiliki korelasi
  • 00:11:01
    yang tinggi nah disini virusnya cukup
  • 00:11:06
    rendah hanya FIF di atas lima itu
  • 00:11:09
    teridentifikasi multikolinearitas tapi
  • 00:11:11
    di sini semuanya di luar lima jadi aman
  • 00:11:15
    pengajian Kyai Oplosan ini juga untuk
  • 00:11:17
    melihat normalitas Hah Jadi normalitas
  • 00:11:20
    diregresi itu adalah normalitas residu
  • 00:11:22
    Bongkar normalitas
  • 00:11:24
    data mentah Nah kita lihat di sini data
  • 00:11:28
    yang normal itu kalau titik-titiknya ini
  • 00:11:30
    mendekati garis ini Nah kalau kita lihat
  • 00:11:33
    disini titik-titiknya hampir sebagian
  • 00:11:36
    besar mendekati garis nah Biasanya kalau
  • 00:11:39
    datanya banyak itu lebih disarankan
  • 00:11:42
    melihat yogs dibandingkan melihat hasil
  • 00:11:45
    uji statistiknya disini nah kalau data
  • 00:11:48
    banyak besar diatas 200 misalkan itu
  • 00:11:51
    kecenderungannya akan selalu di bodi di
  • 00:11:54
    bawah 0,05 oke nah Rachel platten ini
  • 00:11:59
    juga salah satu cara untuk melihat
  • 00:12:01
    apakah asumsi homoskedastisitas dapat
  • 00:12:05
    lounge nah RSUD repot yang kita harapkan
  • 00:12:08
    adalah titik-titik ini tersebar secara
  • 00:12:11
    acak ini tidak mengelompok ataupun tidak
  • 00:12:13
    membentuk kolam efek pola itu lurus ke
  • 00:12:18
    atas atau di bawah enak kalau kita lihat
  • 00:12:20
    disini titik-titiknya semuanya tersebar
  • 00:12:23
    secara
  • 00:12:24
    aja nih subsidi juga terpenuhi Nah itu
  • 00:12:30
    saja yang bisa saya sampaikan Semoga
  • 00:12:33
    bisa dipahami dengan baik selama alaikum
  • 00:12:36
    warahmatullahi wabarakatuh
  • 00:12:38
    [Musik]
タグ
  • regresi berganda
  • Jamovi
  • Icu
  • motivasi
  • religiusitas
  • prestasi
  • analisis statistik
  • normalitas
  • homoskedastisitas
  • multikolinearitas