Hubungan antar variabel diukur lalu dimodelkan. Section ini bergerak dari kovarians dan korelasi menuju regresi linear sederhana dan berganda, memperluasnya ke regresi logistik untuk respons biner, memeriksa asumsi model termasuk autokorelasi residual pada regresi deret waktu, dan mengevaluasi kecocokannya — sambil menegaskan batas antara korelasi dan kausalitas.

# Kovarians

Ukur arah hubungan linear dua variabel dengan kovarians: rumus sampel dan populasi, hitungan manual tabel kerja pada data enam siswa, makna tanda positif dan negatif, serta dua kelemahan besar yang melahirkan korelasi.

Buka → # Korelasi

Normalisasi kovarians menghasilkan koefisien korelasi Pearson yang bebas satuan pada rentang -1 sampai +1: pelajari rumusnya, hitungan manual pada data enam siswa, pedoman besaran, kebalannya terhadap transformasi linear, uji signifikansi r, dan kapan Spearman lebih tepat.

Buka → # Correlation vs Causation

Korelasi kuat bukan bukti sebab-akibat: pahami tiga penjelasan alternatif — kebetulan, variabel pengacau, dan arah terbalik — lihat demonstrasi confounder pada data sintetis, kenali syarat klaim kausalitas lewat eksperimen terkontrol, dan latih daftar pertanyaan skeptis.

Buka → # Simple Linear Regression

Modelkan hubungan dua variabel dengan garis ŷ = b0 + b1·x: pahami metode least squares, hitung koefisien manual pada data enam siswa, baca arti slope dan intercept, prediksi nilai baru, dan kenali bahaya ekstrapolasi.

Buka → # Multiple Linear Regression

Perluas model linear ke banyak prediktor: pahami arti koefisien saat variabel lain ditahan konstan, hitung model dua prediktor dengan numpy, kenali jebakan multikolinearitas, dan singgung adjusted R².

Buka → # Regression Assumptions

Empat asumsi OLS — linearitas, independensi, normalitas, homoskedastisitas — beserta cara memeriksa dan dampak pelanggarannya, lalu demonstrasi numerik bagaimana satu outlier dan leverage point membalikkan slope garis regresi.

Buka → # Evaluasi Model Regresi

Ukur kecocokan model regresi: dekomposisi SST = SSR + SSE, makna R² dan adjusted R², galat tipikal lewat RMSE, RSE, dan MAE, uji signifikansi F, serta konsep evaluasi out-of-sample dengan train/test split.

Buka → # Regresi Logistik

Modelkan respons biner dengan kurva berbentuk S: pahami mengapa OLS gagal pada data 0/1, kerjakan transformasi logit dan odds ratio, lalu fit model pada data 20 siswa program remedial dan ukur akurasi klasifikasinya.

Buka → # Uji Autokorelasi Residual (Durbin-Watson)

Uji asumsi independensi residual pada data berurutan: turunkan statistik Durbin-Watson, kerjakan contoh hitung tangan enam minggu penjualan, terapkan pada residual regresi tren harga beras, lalu petakan penanganan dan batas ujinya.

Buka →