5.2.3 Results and interpretation fo

5.2.3 Results and interpretation for Model 3 of G3. The
partial-regression plots were also very convenient in identifying
influential points in Model 3. In Fig. 4 the linear relationship
appears to be positive between SA and all predictor variables.
Although before the regression diagnostic was performed the
scatterplots had shown to have some outliers and influential
observations, after removing them the linear relationship
between SA and AVRSEMT improved considerably as compared
to others. Ostensibly, the two predictor variables AVRPT and
AVRATT might not be significant in predicting the SA marks of
the students.
Remember that theory is the summation of AVRSEMT and
AVRATT. After the use of three predictor variables in the dataset
of G3 and performing the regression diagnostics (which left the
dataset of G3 with 1316 observations) the model contained only
one significant variables (AVRSEMT) with a multiple R of 0.771.
This part of the analysis also used the stepwise procedure in the
MLR analysis technique; hence the R2 of 0.594, suggesting that
the accuracy of predicting scores for the students’ SA marks will
be approximately 59.4% if the prediction is based on scores for
AVRSEMT only. The coefficient of 1.797 for AVRSEMT mark
means that for every additional one mark on the AVRSEMT
mark, the SA mark will increase by 1.797 when the AVRATT
mark is held constant. It was also observed that the coefficient
of the AVRATT and AVRPT are not significantly different from
zero at 95% confidence level, implying that the two variables
should be removed from the model. The final model (prediction
function) that can be used to predict the SA at approximately
59.4% accuracy is eqn (3), where AVRSEMT cannot exceed 45%
(Tables 9 and 10):

Hasil (Bahasa Indonesia) 1:

5.2.3 hasil dan interpretasi untuk Model 3 G3. ThePlot parsial-regresi yang juga sangat nyaman dalam mengidentifikasipoin yang berpengaruh di Model 3. Dalam gambar 4 hubungan lineartampaknya menjadi positif antara SA dan semua variabel peramal.Meskipun sebelum regresi diagnostik dilakukanscatterplots telah terbukti memiliki beberapa outliers dan berpengaruhpengamatan, setelah menghapus mereka hubungan linearantara SA dan AVRSEMT meningkat jauh dibandingkankepada orang lain. Pura-Pura, dua peramal variabel AVRPT danAVRATT mungkin tidak signifikan dalam memprediksi tanda SAPara siswa.Ingat bahwa teori penjumlahan AVRSEMT danAVRATT. Setelah penggunaan tiga prediktor variabel dalam datasetG3 dan melakukan diagnostik regresi (yang meninggalkandataset G3 dengan pengamatan 1316) model terkandung hanyasatu signifikan variabel (AVRSEMT) dengan R beberapa dari 0.771.Ini bagian dari analisis juga digunakan prosedur bertahapMLR analisis teknik; maka R2 0.594, menunjukkan bahwakeakuratan memprediksi Partitur untuk mahasiswa SA tanda akanmenjadi sekitar 59.4% jika prediksi didasarkan pada Partitur untukAVRSEMT hanya. Koefisien 1.797 untuk AVRSEMT markberarti bahwa untuk setiap satu tambahan menandai pada AVRSEMTMarkus, Markus SA akan meningkat 1.797 ketika AVRATTMark diadakan konstan. Juga diamati bahwa KoefisienAVRATT dan AVRPT tidak secara signifikan berbeda darinol pada tingkat kepercayaan 95 persen, yang menyiratkan bahwa dua variabelharus dihapus dari model. Model akhir (prediksifungsi) yang dapat digunakan untuk memprediksi SA di sekitar59.4 akurasi % adalah eqn (3), di mana AVRSEMT tidak boleh melebihi 45%(Tabel 9 dan 10):

Hasil (Bahasa Indonesia) 2:

5.2.3 Hasil dan interpretasi untuk Model 3 dari G3. The
plot parsial regresi yang juga sangat nyaman dalam mengidentifikasi
poin berpengaruh dalam Model 3. Pada Gambar. 4 hubungan linear
tampaknya positif antara SA dan semua variabel prediktor.
Meskipun sebelum regresi diagnostik dilakukan dengan
scatterplots telah terbukti memiliki beberapa outlier dan berpengaruh
pengamatan, setelah menghapus mereka hubungan linear
antara SA dan AVRSEMT membaik dibandingkan
dengan orang lain . Pura-pura, dua variabel prediktor AVRPT dan
AVRATT mungkin tidak signifikan dalam memprediksi SA tanda
mahasiswa.
Ingat teori bahwa adalah penjumlahan dari AVRSEMT dan
AVRATT. Setelah penggunaan tiga variabel prediktor dalam dataset
dari G3 dan melakukan diagnostik regresi (yang meninggalkan
dataset dari G3 dengan 1.316 pengamatan) model hanya berisi
satu variabel signifikan (AVRSEMT) dengan R kelipatan 0,771.
Ini bagian dari analisis juga menggunakan prosedur stepwise dalam
teknik analisis MLR; maka R2 dari 0,594, menunjukkan bahwa
akurasi prediksi skor untuk tanda SA siswa akan
menjadi sekitar 59,4% jika prediksi ini didasarkan pada skor untuk
AVRSEMT saja. Koefisien 1,797 untuk AVRSEMT tanda
berarti bahwa untuk setiap tambahan satu tanda pada AVRSEMT
tanda, SA tanda akan meningkat 1,797 ketika AVRATT
tanda tetap konstan. Hal itu juga mengamati bahwa koefisien
dari AVRATT dan AVRPT tidak signifikan berbeda dari
nol pada tingkat kepercayaan 95%, menyiratkan bahwa dua variabel
harus dihapus dari model. Model akhir (prediksi
fungsi) yang dapat digunakan untuk memprediksi SA di sekitar
akurasi 59,4% adalah eqn (3), di mana AVRSEMT bisa tidak melebihi 45%
(Tabel 9 dan 10):