Big data

Memahami Perpotongan Regresi Linier dalam Bahasa Biasa – DATAVERSITY

Stempel Waktu: 26 April 2024 3: 35 AM
Node Sumber: 2736844

Diterbitkan Ulang Oleh Plato

Saya sering ditanya tentang peran intersep dalam model regresi linier – terutama intersep negatif. Berikut adalah posting blog saya tentang topik itu dengan kata-kata sederhana dengan istilah statistik minimal.

Model regresi digunakan untuk membuat prediksi. Itu koefisien dalam persamaan mendefinisikan hubungan antara masing-masing variabel independen dan variabel dependen. Intersep atau konstanta dalam model regresi mewakili nilai rata-rata variabel respon ketika semua variabel prediktor dalam model sama dengan nol. Dalam regresi linier, intersepnya adalah nilai variabel terikat, yaitu Y ketika semua nilai merupakan variabel bebas, dan Xs bernilai nol. Jika X kadang-kadang sama dengan 0, intersep hanyalah nilai yang diharapkan dari Y pada nilai tersebut. Secara matematis dan gambar, model regresi linier sederhana (SLR) ditunjukkan di bawah ini.

Tapi apa interpretasi bisnis dari intersep dalam model regresi? Dalam istilah bisnis, intersep mewakili garis dasar atau titik awal untuk variabel terikat, jika variabel bebas disetel ke nol. Intersep berfungsi sebagai titik awal untuk mengevaluasi pengaruh variabel independen terhadap variabel dependen. Hal ini mencerminkan porsi variabel terikat yang tidak dipengaruhi oleh variabel bebas yang dimasukkan dalam model. Ini membantu mengukur dampak perubahan variabel independen dari nilai dasar ini. Misalnya, dalam model prediksi penjualan, intersep mungkin mewakili penjualan yang diharapkan ketika semua upaya pemasaran, yaitu prediktor berada pada nol. Di bidang keuangan, intersep dapat mewakili biaya tetap atau overhead yang terjadi terlepas dari tingkat aktivitas atau faktor lainnya.

Secara teknis, intersep dalam model regresi linier bisa bernilai positif, negatif, atau bahkan nol.

Intersepsi Positif: Jika intersep dalam model regresi bernilai positif, berarti nilai prediksi variabel terikat (Y) pada saat variabel bebas (X) bernilai nol adalah positif. Artinya garis regresi melintasi sumbu y di atas nilai nol.
Intersepsi Negatif: Sebaliknya jika intersep dalam model regresi linier bernilai negatif, berarti nilai prediksi Y pada saat X nol adalah negatif. Dalam hal ini, garis regresi melintasi sumbu y di bawah nilai nol.
Intersepsi Nol: Jika titik potong suatu model regresi adalah nol, berarti garis regresi melewati titik asal (0,0) pada grafik. Artinya nilai prediksi variabel terikat adalah nol padahal semua variabel bebas juga bernilai nol. Dengan kata lain, tidak ada tambahan suku konstanta dalam persamaan regresi. Situasi ini sangat cepat dan sangat teoretis.

Pada dasarnya, Anda menangani intersep negatif atau positif, dan ketika Anda menemukan intersep negatif, Anda menangani intersep negatif dengan cara yang sama seperti Anda menangani intersep positif. Namun dalam praktiknya, intersep negatif mungkin masuk akal atau tidak, tergantung pada konteks data yang dianalisis. Misalnya, jika Anda menganalisis suhu hari itu (X) dan penjualan es krim (Y), intersep negatif tidak akan berarti karena tidak mungkin terjadi penjualan negatif. Namun, dalam bidang lain seperti analisis keuangan, intersepsi negatif mungkin masuk akal.

Berikut adalah beberapa pendekatan yang dapat Anda pertimbangkan ketika Anda memiliki intersep negatif:

Periksa kesalahan dan asumsi data: Sebelum melakukan penyesuaian apa pun, pastikan asumsi regresi terpenuhi. Ini termasuk linearitas, independensi, homoskedastisitas (berkaitan dengan residu), normalitas variabel data dan residu, outlier, dan banyak lagi. Jika asumsi tersebut dilanggar, maka perlu diatasi terlebih dahulu.
Terapkan ketajaman bisnis dan akal sehat dan periksa apakah penafsiran intersepsi negatif masuk akal secara praktis. Intersep negatif mungkin masuk akal tergantung pada apa yang diwakili oleh intersep tersebut. Misalnya, dalam data keuangan, intersep negatif dapat mengindikasikan titik awal di bawah nol, dan hal ini mungkin masuk akal. Namun jika Anda menganalisis data mengenai suhu dan penjualan es krim, intersep negatif tidak akan berarti karena tidak mungkin terjadi penjualan negatif.
Pusatkan variabel. Model regresi hanya valid untuk rentang nilai data tertentu. Namun terkadang, nilai variabel independen dan dependen bisa berada di luar rentang yang ditentukan. Dalam hal ini, pemusatan melibatkan pengurangan nilai konstan atau rata-rata aritmatika suatu variabel (independen) dari masing-masing nilainya. Hal ini dapat mempermudah penafsiran, terutama jika variabel independen (Xs) bernilai nol. Pada dasarnya, dengan memusatkan variabel di sekitar meannya, intersep mewakili nilai prediksi variabel dependen ketika variabel independen berada pada nilai meannya. Selain itu, dalam beberapa kasus, nilai ekstrim atau outlier pada data dapat menyebabkan ketidakstabilan numerik dalam model regresi. Pemusatan variabel dapat mengurangi masalah ini dengan mengurangi skala variabel dan membuat model regresi lebih stabil.
Pastikan bahwa variabel perancu ada dalam model regresi. Menambahkan variabel penjelas tambahan atau variabel perancu ke dalam model regresi dapat membantu menjelaskan intersep negatif.

Secara keseluruhan, penting untuk diperhatikan bahwa model regresi linier didasarkan pada asumsi. Pertama, mereka mengasumsikan hubungan linier antar variabel, yang mungkin tidak selalu berlaku dalam skenario dunia nyata. Selain itu, regresi linier bergantung pada data yang terdistribusi normal dan sangat sensitif terhadap outlier. Yang terakhir, regresi linier mungkin tidak berfungsi baik dengan hubungan nonlinier, dan dalam kasus seperti ini, model yang lebih kompleks seperti regresi polinomial atau regresi nonlinier mungkin lebih tepat.

Referensi