1. ANALISIS REGRESI LINIER SEDERHANA
PADA DATA HASIL PRODUKSI, BANYAK
PEKERJA, DAN BAHAN BAKU PRODUK DARI
PERUSAHAAN INDUSTRI BESAR DAN
SEDANG PROVINSI JAWA TIMUR 2007
Arning Susilawati, Marlisa W Setyorini
1
Program Studi DIII, Jurusan Statistika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Teknologi Sepuluh Nopember, Surabaya
ABSTRAK
Pada setiap permasalahan, merasa perlu untuk mengetahui faktor-faktor yang
menyebabkan masalah tersebut. Faktor-faktor tersebut merupakan prediktor,
sedangkan permasalahannya merupakan respon. Dalam permasalahan data hasil
produksi, banyak pekerja, dan bahan baku produk dari perusahaan industri besar dan
sedang provinsi Jawa Timur tahun 2007 yang menjadi prediktor adalah banyak
pekerja (X1) dan bahan baku (X2), sedang hasil produksi merupakan respon (Y).
Untuk mengetahui bagaimana pengaruh dari semua prediktor terhadap respon maka
dilakukan analisis korelasi dan analisis regresi linier sederhana yakni pengujian
serentak dan parsial, ANOVA, pemeriksaan asumsi IIDN(0,
), ukuran kebaikan
dan ketepatan model. Hasilnya adalah pada ANOVA, semua variabel prediktor
mempengaruhi respon, data berdistribusi normal, tidak independen, tidak identik
pada variabel X2 dan Y, identik pada variabel X1 dan Y.
Kata Kunci : ANOVA, IIDN Korelasi, Uji Serentak, Uji Parsial, Analisis Regresi,
Residual.
1.
Pendahuluan
Negara-negara tertentu di Asia, seperti Bangladesh, India, Kamboja, Sri
Lanka dan Vietnam sering menjadi sasaran penanaman modal bagi negara-negara
maju seperti Jepang, Taiwan, dan Korea, karena memiliki sumberdaya yang
jumlahnya melimpah dan harganya rendah. Rendahnya harga atau biaya
pengadaaan dan penggunaan tentu saja memungkinkan perusahaan untuk dapat
membuat barang dan jasa dengan biaya rendah dan mengakibatkan perusahaan
mampu bersaing terutama perusahaan-perusahaan antar bangsa. Sumber daya
yang dibutuhkan adalah bahan baku, mesin-mesin dan peralatan, tenaga kerja
manusia, dan teknologi (Pardede, 2005).
Demikian pula dalam produksi dalam negeri, khususnya perusahaan besar
dan sedang provinsi Jawa Timur tahun 2007 dimana untuk mendapatkan biaya
minimum dari sebuah produksi harus dapat menentukan sumber daya mana yang
akan dilakukan perbaikan, yang lebih khusunya membahas tentang tenaga kerja
dan bahan baku. Untuk mempermudah produsen, maka dilakukan analisis
mengenai hubungan antara tenaga kerja dan bahan baku dan melihat bagaimana
pengaruh antara keduanya.
Dalam mengalisis, yang akan digunakan adalah analisis korelasi dan analisis
regresi linier sederhana yakni pengujian serentak dan parsial, ANOVA,
1

2. pemeriksaan asumsi IIDN(0,
), ukuran kebaikan dan ketepatan model. Sehingga
perusahaan dapat menimbang, apa yang akan diambil keputusan agar produksi
tetap optimum menghasilkan keuntungan.
2.
Landasan Teori
2.1
Regresi Linier Sederhana
Analisis regresi digunakan secara luas dan seringkali disalahgunakan
ketelitian diperlukan dalam memilih variabel-variabel yang digunakan dalam
bentuk fungsi pendekatan. Hal ini tepat untuk mengembangkan hubungan secara
statistik diantara variabel-variabel yang secara lengkap tidak berhubungan dalam
sebuah pengertian yang praktis (Hines,1989).
a.
Persamaan Regresi
Persamaan regresi adalah persamaan matematik yang mungkin meramalkan
nilai-nilai suatu variabel terikat dengan nilai-nilai satu atau lebih variabel bebas.
Untuk regresi sederhana, digunakan model regresi linear, yakni dalam bentuk:
y = β0 + β1 x
(1)
Untuk menentukan nilai β0 dan β berdasarkan data sampel yang
1
diketahui, digunakan suatu metode yang dinamakan metode kuadrat kecil. Metode
ini memilih suatu garis regresi yang membuat jumlah kuadrat jarak vertical dari
titik-titik pengamatan ke garis regresi tersebut sekecil mungkin. Jarak ini
dinamakan residual dan lambangnya dengan e1 .
Metode kuadrat terkecil menghasilkan rumus untuk menghitung β0 dan β
1
sehingga jumlah kuadrat semua residual tersebut minium. Dari metode ini
didapatkan rumus untuk menentukan nilai β dan β .
0
1
 n  n 
n∑ x i y i −  ∑ x i  ∑ y i 
i =1
 i =1   i =1 
β1 =
n
 n 
n∑ x i2 −  ∑ x i 
i =1
 i =1 
(2)
β0 = y − β1 x
(3)
n
sedangkan nilai β dapat dihitung dengan rumus di bawah ini:
0
(Salamah dan Susilaningrum,2010).
b.
Uji Parsial
Uji parsial digunakan untuk menguji apakah korelasi regresi mempunyai
pengaruh yang signifikan. Rumusan hipotesisnya:
H0 : βj =0
H 0 : β j ≠ 0, j = 0,1
Statistik uji yang digunakan adalah
b
t= i
Sbi
(4)
S y. x
Sb =
∑X
2
2
−
(∑ X )
n
2
(5)

3. S y. x =
(Y −Yˆ )
SSE
=
n −1 − k
2
(6)
n −1 − k
Dimana bi = nilai dugaan β
i
t hitung dibandingkan dengan nilai table distribusi t dengan derajat bebas
Kemudian
(n-2) dan tingkat signifikan α (Salamah dan Susilaningrum, 2010).
c.
Uji Serentak
Untuk mengetahui apakah koefisien yang ada dalam model secara serentak
nyata atau tidak, digunakan uji F, dengan hipotesisnya sebagai berikut:
H 0 : β0 ≠ β1 = 0
H1 : H 0
Statistik uji yang digunakan adalah:
F =
SSR / k
SSE /( n −1 − k )
(7)
Dimana nilai
yang dapat dihitung dibandingkan dengan Fα(V 1,V 2 ) dengan
derajat bebas V1=k, V2=n-k-1 dan tingkat signifikan α. Apabila Fhitung >
Fα( k , n −k − ) maka H0 ditolak, yang berarti paling sedikit ada satu β j yang tidak
1
dapat sama dengan nol (Salamah dan Susilaningrum, 2010).
d.
Tabel Analisis Varians (ANOVA) pada Regresi Linier Sederhana
Berikut ini adalah tabel ANOVA dalam regresi linier sederhana:
Fhitung
Tabel ANOVA
Sumber Derajat
Varians bebas
Regresi
k-1
Sum Square
n
ˆ
∑ ( y − y)
2
Mean
Square
F
SSR
MSE/MSR
i =1
Error
n-2
SST-SSR
n
Total
n-1
∑( y − y)
SSE/(n-2)
2
i =1
Koefisien Determinan (R2)
Koefisien determinasi didapat dari analisis regresi dengan menggunakan
minitab. Apabila R2 bernilai di atas 75% dapat dijelaskan bahwa nilai variabel Y
yang berada di atas 75% tersebut dapat dijelaskan oleh variabel-variabel bebas
yang ada dalam model. Sedangkan sisanya yang berada di bawah 75% dijelaskan
oleh oleh variabel-variabel bebas yang tidak ada dalam model. Tingginya nilai R2
ini menandakan baiknya model yang telah didapatkan, artinya model telah sesuai
dan antar variabel pada model terrsebut mempunyai korelasi yang sama (Salamah
dan Susilaningrum, 2010).
2.2 Korelasi
Analisis korelasi adalah metode statistika yang digunakan untuk
menentukan kuat tidaknya (derajat) hubungan linier antara 2 variabel atau lebih.
Jika kenaikan di dalam suatu variabel diikuti dengan kenaikan variabel yang lain,
maka dapat dikatakan bahwa kedua variabel tersebut mempunya korelasi positif.
Namun jika kenaikan di dalam suatu variabel diikuti penurunan variabel yang lain
e.
3

4. maka kedua variabel tersebut mempunyai korelasi negatif, dan jika tidak ada
perubahan pada suatu variabel meskipun variabel yang lain mengalami perubahan,
maka kedua variabel tersebut tidak mempunyai hubungan (Setiawan, 2012).
Pengukuran untuk mengetahui korelasi antar variabel yakni sebagai berikut:
n
rxy =
∑x y
i =1
n
∑x
i =1
2
i
i
− nx
2
i
− nx y
n
∑y
i =1
;
2
i
− ny
−1 ≤ rxy ≤1
(8)
2
r merupakan koefisien korelasi untuk mengetahui hubungan antar variabel. Jika
r=-1 maka hubungannya negatif dan erat sekali. Jika r=1 maka hubungannya
positif dan erat sekali, sedangkan r=0 maka tidak ada hubungan sama sekali.
Selanjutnya menguji tingkat korelasi, yakni :
Hipotesis :
H 0 : ρ = 0 (Tidak ada korelasi antar variabel)
H 1 : ρ ≠ 0 (Ada korelasi antar variabel)
Statistik Uji:
t hitung =
r n −2
1−r 2
(9)
t tabel = t (α / 2,df )
; dengan α=5%, df=n-2
Keputusan:
Tolak H0 jika |thitung|>ttabel atau P-Value < α (Gesaf, 2008).
2.3 Tenaga Kerja, Bahan Baku, Hasil Produksi
Dalam sebuah perusahaan yang memproduksi suatu produk, di dalamnya
ada sebuah istem. Pada sistem meliputi input, proses, dan output. Input disini
berupa modal, tenaga kerja, bahan baku, informasi dan sebagainya sehingga
nantinya dari input akan diproses menjadi input.
Tenaga kerja dibutuhkan dalam kegiatan operasi dan produksi yang
pelaksanaannya bisa tanpa bantuan mesin. Pada berbagai kegiatan lain, dimana
pekerjaan yang dilaksanakan membutuhkan tenaga kerja yang besar, kecepatan
dan ketepatan yang tinggi, atau mengandung resiko yang tinggi, tenaga kerja
manusia dibantu oleh mesin dan peralatan. Bahan baku dapat berupa bahan
mentah atau bahan setengah jadi yang merupakan bahan dasar dalam pembuatan
suatu produk. Bahan-bahan tersebut nantinya akan diolah dan dalam pemilihan
bahan seringkali ditemui bahwa membeli bahan baku dengan harga yang seminum
mungkin sehingga menghasilkan laba yang semaksimal mungkin (Pardede, 2005).
3.Metode Penelitian
Data penelitian ini merupakan data sekunder dari tugas akhir program S2
yang bernama Rahmat Basuki dengan judul “Imputasi Berganda Menggunakan
Metode Regresi dan Metode Predictive Mean Matching untuk Menangani
Missing Data” tahun 2009, yakni mengenai data hasil produksi, banyak pekerja,
dan bahan baku produk dari perusahaan industri besar dan sedang provinsi Jawa
Timur tahun 2007. Variabel-variabel pengukuran yang digunakan adalah hasil
produksi merupakan respon (Y), banyak pekerja merupakan prediktor pertama
(X1), dan bahan baku produk merupakan prediktor kedua (X 2) Berikut langkah
analisis yang digunakan dalam penelitian ini :
4

5. 1. Mencari data yang memiliki satu variabel respon, dengan dua variabel
prediktor.
2. Menginputkan data hasil produksi, banyak pekerja, dan bahan baku produk dari
perusahaan industri besar dan sedang provinsi Jawa Timur tahun 2007.
3. Melakukan analisis regresi linear sederhana terhadap data hasil produksi,
banyak pekerja, dan bahan baku produk dari perusahaan industri besar dan
sedang provinsi Jawa Timur tahun 2007.
4. Mengambil setiap hasil scatterplot, korelasi, uji serentak, uji parsial, analisis
regresi dan residual.
5. Menganalisis setiap hasil scatterplot, korelasi, uji serentak, uji parsial, analisis
regresi dan residual.
6. Mengambil kesimpulan dan saran.
7. Membuat makalah.
4.
Analisis Korelasi Linier dan Regresi Linier Sederhana
4.1
Tanda Koefisien Korelasi dan Tanda Koefisien Variabel Independen
1.
Pasangan data I variabel X1 (banyaknya pekerja) dan variabel Y (hasil
produksi)
a.
Koefisien korelasi dari banyaknya pekerja dan hasil produksi adalah 0.297,
artinya tanda koefisien korelasi dan tanda variabel independen berdanding lurus.
b.
Estimasi model regresi linier sederhana
y = 331047 + 17459 X1
Artinya jika nilai dari variabel X1 (banyaknya pekerja) naik 1 satuan maka
nilai variabel Y (hasil produksi) akan naik sebesar 17459.
2. Pasangan data II variabel X2 (bahan baku) dan variabel Y (hasil peoduksi)
c.
Koefisien korelasi dari bahan baku dan hasil produksi adalah 0.776, artinya
tanda koefisien korelasi dan tanda variabel independen berdanding lurus.
d.
Estimasi model regresi linier sederhana
y = 8269 + 0.580 X2
Artinya jika nilai dari variabel X2 (bahan baku) naik 1 satuan maka nilai
variabel Y (hasil produksi) akan naik sebesar 0.580.
4.2 Signifikansi Koefisien Korelasi
1.
Pasangan data I variabel X1 (banyaknya pekerja) dan variabel Y (hasil
produksi) dilakukan uji signifikasi dengan hipotesis.
P-value korelasi antara variabel X1 (banyaknya produksi) dan variabel Y
(barang yang dihasilkan) sebesar 0,036 ˂ α, maka keputusan yang diambil adalah
tolak H0. Sehingga korelasi antara kedua variabel signifikan. Ada hubungan linier
yang cukup erat antara variabel X1 (banyaknya pekerja) dan variabel Y (hasil
produksi).
5

6. 2.
Pasangan data II variabel X2 (bahan baku) dan variabel Y (hasil produksi)
dilakukan uji signifikasi dengan hipotesis.
P-value korelasi antara variabel X2 (bahan baku) dan variabel Y (barang
yang dihasilkan) sebesar 0,000 ˂ α, maka keputusan yang diambil adalah tolak H 0.
Sehingga korelasi antara kedua variabel signifikan. Ada hubungan linier yang
cukup erat antara X2 (bahan baku) dan variabel Y (hasil produksi).
4.3 Analisis Regresi Linier Sederhana
4.3.1 Signifikansi Parameter Model Regresi
Estimasi Model Regresi Linier Secara Keseluruhan
Uji Masing-masing Parameter Model
Untuk melihat parameter mana yang signifikan terhadap model dilakukan
uji parsial parameter βo dan β1 dengan hipotesis.
Tabel 4. 1 Pengujian Banyak Pekerja dan Hasil Produksi
Parameter
Coef
SE Coef
T-hitung T0,05( 48)
Constant
331047
276593
1,20
2,01
Banyak Pekerja
17459
8108
2,15
Dari Tabel 4. dapat dilihat bahwa nilai T-hitung b0 ˂ T0,05(48) keputusannya
gagal tolak H0 artinya nilai intersep tidak signifikan terhadap model. T-hitung
(banyak pekerja) ˃ dari T0,05( 48) keputusannya tolak H0 artinya banyak pekerja
mempengaruhi hasil produksi.
Tabel 4. 2 Pengujian Bahan Baku dan Hasil Produksi
Parameter
Coef
SE Coef
T-hitung
T0,05( 48)
Constant
8269
125706
0,07
2,01
Bahan Baku
0,58043
0,06807
8,53
Dari Tabel 4. 2 dapat dilihat bahwa nilai T-hitung b0 ˂ T0,05(48) keputusannya
gagal tolak H0 artinya nilai intersep tidak signifikan terhadap model. T-hitung
(bahan baku) ˃ dari T0,05( 48) keputusannya tolak H0 artinya bahan baku
mempengaruhi hasil produksi.
4.3.2 Pemeriksaan Asumsi IIDN(0, )
Berikut merupakan pemeriksaan asumsi IIDN(0,
1.
).
Banyak Pekerja dan Hasil Produksi
Pemeriksaan asumsi IIDN(0,
) dari banyaknya pekerja dan hasil produksi
adalah sebagai berikut.
6

7. Resi du al Pl ot s f or y
No rmal Pro b ab ilit y Plo t
Versu s Fit s
99
2000000
Residual
Per cent
90
50
1000000
0
10
1
-2000000
-1000000
-1000000
0
1000000
Residual
2000000
500000
750000
Hist o g ram
Versu s Ord er
16
2000000
Residual
Fr equency
12
8
1000000
0
4
0
1000000 1250000 1500000
Fit t ed Value
-1000000
-800000
0
800000
Residual
1600000
1
5
10 15 20 25 30 35 40 45 50
Obser v at ion Or der
Gambar 4.1 Residual Plots untuk Banyak Pekerja dan Hasil Produksi
Dari Gambar 4.1 data banyaknya pekerja dan hasil produksi dapat diketahui
berdistribusi normal dimana plotnya berada di sekitar garis. Gambar versus fits
menunjukkan identik karena plot tidak membentuk suatu pola tertentu. Sedangkan
versus order menunjukkan tidak independen karena data membentuk pola.
2.
Bahan Baku dan Hasil Produksi
Pemeriksaan asumsi IIDN(0, ) dari bahan baku dan hasil produksi adalah
sebagai berikut.
Resi du al Pl ot s f or y ver su s x2
No rmal Prob abilit y Plo t
Versu s Fit s
1000000
Residual
2000000
90
Per cent
99
50
10
1
-2000000
0
-1000000
-2000000
-1000000
0
Residual
1000000
2000000
0
1000000
2000000
Fit t ed Value
Hist o gram
Versu s Ord er
2000000
1000000
18
Residual
Fr equency
24
12
6
0
3000000
0
-1000000
-2000000
-2000000 -1000000
0
Residual
1000000
1
2000000
5
10 15 20 25 30 35 40 45 50
Obser vat ion Or der
Gambar 4.2 Residual Plot untuk Bahan Baku dan Hasil Produksi
Gambar 4.2 data bahan baku dan hasil produksi merupakan berdistribusi
normal dimana plotnya berada di sekitar garis. Namun, residual data ini tidak
identik karena plotnya membentuk pola tertentu. Gambar versus order data ini
tidak independen karena tidak membentuk pola tertentu.
4.3.3 Ukuran Kebaikan dan Ketepatan Model
Ukuran kebaikan dan ketepatan model regresi linier sederhana dapat dilihat
dari besar MSE dan Koefisien determinasi.
Tabel 4. 1 Hubungan Antara MSE dan Koefisien Determinasi
Respon
Prediktor
MSE
7
Koef.
Determinasi

8. Hasil
Banyak pekerja
6,2512
8,8%
produksi Bahan baku
2,7258
60,2 %
Dari Tabel 4. 1 dapat dilihat bahwa koefisien determinasi variabel hasil
produksi dengan banyaknya pekerja sebesar 8,8%. Jadi variabel banyaknya
pekerja menjelaskan 8,8% variabel hasil produksi, sedangkan sisanya dijelaskan
oleh variabel lain dengan MSE sebesar 6,2512. Koefisien determinasi variabel
hasil produksi dan bahan baku sebesar 60,2% yang berarti variabel bahan baku
menjelaskan 60,2% variabel hasil produksi dan sisanya dijelaskan oleh variabel
lain dengan MSE sebesar 2,7258. Semakin kecil MSE maka model regresi linier
sederhana semakin baik.
5.
Kesimpulan
1.
Pasangan data I variabel X1 (banyaknya pekerja) dan variabel Y (hasil
produksi) dan pasangan data II variabel X 2 (bahan baku) dan variabel Y (hasil
produksi) memiliki tanda koefisien korelasi dan tanda variabel independen yang
berdanding lurus. Estimasi model pasangan data I yakni Y = 331047 + 17459 X1,
artinya jika nilai dari variabel X1 (banyaknya pekerja) naik 1 satuan maka nilai
variabel Y (hasil produksi) akan naik sebesar 17459. Estimasi model Y = 8269 +
0.580 X2, artinya jika nilai dari variabel X2 (bahan baku) naik 1 satuan maka nilai
variabel Y (hasil produksi) akan naik sebesar 0.580.
2.
Hasil ANOVA pasangan data I dan pasangan data II adalah minimal ada
satu nilai parameter yang signifikan terhadap model regresi linier sederhana
variabel X1 (banyak pekerja) dan variabel Y (hasil produksi) pada pasangan data I
dan variabel X2 (bahan baku) dan variabel Y (hasil produksi) pada pasangan data
II.
3.
Uji masing-masing parameter yakni pasangan data I dan pasangan data II
keputusannya gagal tolak H0 artinya nilai intersep tidak signifikan terhadap model.
Untuk variabel X pada tiap pasangan data I dan II mempengaruhi variabel Y (hasil
produksi).
4.
Pemeriksaan asumsi pasangan data I dan pasangan data II dihasilkan
berdistribusi normal dimana plotnya berada di sekitar garis, tidak independen
karena data membentuk pola. Pada pasangan data I menghasilkan identik karena
plot tidak membentuk suatu pola tertentu sedangkan pasangan data II tidak identik
karena plotnya membentuk pola tertentu.
5.
Koefisien determinasi pasangan data I sebesar 8,8% dengan MSE sebesar
6,2512. Sedangkan koefisien determinasi pasangan data II sebesar 60,2% dengan
MSE sebesar 2,7258. Semakin kecil MSE maka model regresi linier sederhana
semakin baik.
6.
1.
2.
Daftar Pustaka
Basuki, R. (2009). Imputasi Berganda Menggunakan Metode Regresi dan Metode
Predictive Mean Matching untuk Menangani Missing Data. Surabaya: Jurusan Statistika
ITS.
Gesaf. (2008, November). Regresi dan Korelasi Sederhana. Retrieved September 28, 2013,
from gesaf.files.wordpress.com: http://gesaf.files.wordpress.com/2008/11/regresi-dankorelasi.pdf.
8

9. 3.
4.
5.
6.
Hines, William W dan Douglas C.Montgomery. 1989. Probabiliti dan Statistik Edisi Kedua
dalam Ilmu Rekayasa dan Manajemen. Jakarta: Penerbit Universitas Indonesia.
Pardede, Pontas M. 2005. Manajemen Operasi dan Produksi. Yogyakarta: Andi.
Salamah, M dan Distri Susilaningrum. 2010. Modul Praktikum PenghantarMetode
Statistika. Surabaya: Jurusan Statistika ITS.
Setiawan, Y. (2012, Desember 09). Analisis Regresi Linier Sederhana dan Analisis
Korelasi. Retrieved September 28, 2013, from yudhasetiawanst.blogspot.com:
http://yudhasetiawanst.blogspot.com/2012/12/analisis-regresi-korelasi-linier.html
6. Lampiran
Lampiran 1: Data Awal
x1
x2
No
15
100375
1
0
16
390000
2
17
635000
3
17
894000
4
17
142325
5
4
18
101377
6
5
19
177408
7
20
575000
8
20
691200
9
20
720000
10
20
823680
11
20
126000
12
0
21
115000
13
0
21
142057
14
1
21
163800
15
0
21
195000
16
0
22
244288
17
22
337025
18
0
19
23
661375
y
664490
x2
115951
5
125153
3
367038
0
297475
0
441000
Y
408237
282150
0
257600
0
120960
0
481000
127740
0
315000
0
848680
2153883
120000
0
280000
0
812577
386000
41
42
720000
55748
45
No
x1
28
185400
0
176400
0
466235
1310222
26
98270
28
27
393280
28
28
475560
29
29
534740
30
835150
2493960
2157345
324000
30
534740
30
31
514296
31
32
33552
32
33
34
285000
394376
34
35
35
347916
35
36
473549
36
1440661
810275
189447
343904
1336150
558678
37
452175
40
38
559244
40
39
106545
0
699134
2697419
536048
40
41
109330
0
31821
42
48
43
44
233827
9
49
870090
3374725

10. 23
115000
0
101210
0
111286
5
184200
0
195000
0
607426
20
25
21
25
22
25
23
25
24
27
7
295500
50
0
674200
303542
52
552000
164124
55
192680
0
169988
0
130500
0
518154
7
850371
45
604940
46
941721
47
104096
8
142350
0
425388
25
62
48
70
49
70
50
Lampiran 2: Output Minitab
Correlations: y; x1; x2
x1
x2
y
0.297
0.036
x1
0.776
0.0
0.375
0.007
Lampiran 4: Regression Analysis: y versus x2
Lampiran 3: Regression Analysis: y versus x1
The regression equation is
The regression equation is
y = 8269 + 0.580 x2
y = 331047 + 17459 x1
Predictor
Coef SE Coef
T
P
Predictor
Coef SE125706 0.07 0.948
Coef
T
P
Constant
8269
Constant
331047
x2
0.58043 276593 1.20 0.237
0.06807 8.53 0.000
x1
17459
8108 2.15 0.036
S = 522100
R-Sq = 60.2%
R-Sq(adj) = 59.4%
S = 790650
R-Sq = 8.8%
R-Sq(adj) = 6.9%
Analysis of Variance
Analysis of Variance
Source
DF
SS
MS
F
P
Source
DF 1.98202E+13 1.98202E+13 72.71 0.000
SS
MS
F
P
Regression
1
Regression
1 1.30842E+13 2.72588E+11
Residual Error 48 2.89834E+12 2.89834E+12 4.64 0.036
Residual Error 48 3.00061E+13 6.25127E+11
Total
49 3.29044E+13
10
Total
49 3.29044E+13
389700
771695
3306484