|
Dimana <math>w</math> juga merupakan nilai yang akan dicari sedemikian sehingga nilai <math>w</math> menjadi optimal dan <math>x</math> merupakan variable bebas atau input. Proses pencarian nilai <math>w</math> juga masih dapat dilakukan dengan menggunakan cara yang sama dengan regresi linear ''univariate'', yaitu dengan menggunakan pendekatan ''least square'', ''maximum likehood'', atau algoritme ''gradient descent''. Pada dasarnya, pencarian nilai <math>w</math> dilakukan hingga nilai error yang didapatkan dari fungsi error merupakan nilai yang paling minimal <ref name="russelBook"/>. Fungsi error yang digunakan masih sama dengan regresi linear ''univariate''.
=== Regresi Linear dengan menggunakan RStudio ===
<syntaxhighlight lang="r">
#REGRESI LINEAR
#Input
data = read.table("nama file.txt", header = TRUE)
x #variabel bebas
y #vaiabel terikat
#Scatterplot untuk x dan y
plot(x,y)
#Korelasi dan Kovariansi
cor(x,y)
cov(x,y)
#Koefisien Model
model = lm(y ~ x)
summary(model) #Informasi yang didapat adalah koefisien model, p-value, r-squared
#Plot model
abline(model)
#Residual
model.res = resid(model)
plot(x, model.res, ylab="y", xlab="x", main="Plot Residual")
#Kenormalan Residual
model.stdres = rstandard(model)
#Plot Kenormalan Residual
qqnorm(model.stdres, ylab="Standarized Residuals", xlab="Normal Scores", main="Plot Kenormalan Residual")
</syntaxhighlight>
==== Pengujian apakah X berpengaruh terhadap Y ====
<math display="inline">H_0 : \beta_0 = 0 \ \ dan \ \ \beta_1 = 0
</math>
<math>H_1 : \beta_0 \neq 0 \ \ dan \ \ \beta_1 \neq 0</math>
Jika <math>F</math><sub>Hitung</sub> <math>< F</math><sub>Tabel</sub> atau p-value <math>> \alpha</math> maka <math>H_0</math>tidak ditolak
Jika <math>F</math><sub>Hitung</sub> <math>> F</math><sub>Tabel</sub> atau p-value <math>< \alpha</math> maka <math>H_0</math> ditolak
=== Referensi ===
| 