MODELING PROCEDURE The regression a

MODELING PROCEDURE The regression analysis is used in this study to enable the researcher find the best linear prediction equation for travel demand in the study area. Conceptually, travel demand is a function of a set of independent variables.
Y
This relationship can be made operational using a multiple regression equation (see equation 1).
Y = a + b1x1 + b2x2 + ………………+ bnxn+e……. equation I
Where Y = represents trip which is dependent on some variables A = represents the intercept of the regression plane b1 ……. bn represents the weight determined by empirical evidence (partial regression coefficients) x1……. xn represents the explanatory variables (predictors) which are independent.
Correlation matrix of the dependent and independent variables were carried out using stepwise multiple regressions. This is a search procedure with a prime focus on identifying the independent variable(s) that actually posses strong relationship with the dependent variables. The stepwise multiple regressions involves among other procedure adding one variable at a time to the regression equation. The outline of the steps in stepwise procedure as reported in Ogunsanya (1984) is as shown below;
Step1: Complete the simple correlation coefficient between the dependent and independent variables and select the variables with the highest coefficient, say X4 for the regression equation.
Step 2: Compute the partial correlation coefficients and select the variables with the highest partial coefficient as the next variables, say x1.
Step 3: compute regression equation Z = (x4, x1) and using criteria f1 to exclude and f2 to include, decision is made whether to retain x4 in the light of including x1. The partial correlation coefficients for the remaining variables are computed and the next variable x2, is selected as in step 2.
Step 4: The regression equation z + f (x4, x1, x2) is then computed and x4 and x2 are examined as to whether they should be retained before an additional variable to be included is determined as in step 3. This continues until all the variables are exhausted and the final best equation selected. Consequently, in this model, it can be explained that trip generation is a function of a set of independent variables, as stated below;

Results (Indonesian) 1:

PEMODELAN PROSEDUR analisis regresi digunakan dalam studi ini untuk memungkinkan peneliti menemukan persamaan terbaik linier prediksi untuk permintaan perjalanan di daerah studi. Secara konseptual, perjalanan permintaan adalah fungsi dari serangkaian variabel independen. YHubungan ini dapat dibuat menggunakan persamaan regresi beberapa operasional (Lihat persamaan 1). Y = b1x1 + b2x2 +... + bnxn + e. quation saya Mana Y = mewakili perjalanan yang tergantung pada beberapa variabel mewakili = intersepsi dari regresi pesawat b1... bn mewakili berat ditentukan oleh bukti-bukti empiris (parsial regresi koefisien) x 1... xn yang dikonversi mewakili variabel penjelasan (peramal) yang independen. Korelasi matriks tergantung dan variabel independen dilakukan dengan menggunakan stepwise regresi berganda menggunakan. Ini adalah prosedur Cari dengan fokus utama pada identifikasi independent variable(s) yang benar-benar memiliki hubungan kuat dengan variabel dependen. Bertahap regresi berganda menggunakan melibatkan antara lain prosedur menambahkan satu variabel pada waktu untuk persamaan regresi. Garis dari langkah-langkah dalam prosedur bertahap seperti yang dilaporkan di nilasari (1984) adalah seperti yang ditunjukkan di bawah ini; Step1: Menyelesaikan sederhana koefisien korelasi antara variabel-variabel kepelangganan dan independen dan pilih variabel dengan koefisien tertinggi, mengatakan X4 untuk persamaan regresi. Langkah 2: Menghitung koefisien korelasi parsial dan pilih variabel dengan koefisien parsial tertinggi sebagai variabel berikutnya, mengatakan x1. Langkah 3: menghitung persamaan regresi Z = (x4, x 1) dan menggunakan kriteria f1 untuk mengecualikan dan f2 untuk menyertakan, keputusan dibuat apakah akan mempertahankan x4 dalam terang termasuk x1. Koefisien korelasi parsial untuk variabel yang tersisa dihitung dan variabel berikutnya x2, dipilih dalam langkah 2. Langkah 4: Z persamaan regresi + f (x4, x1, x2) kemudian dihitung dan x4 dan x2 diperiksa untuk apakah mereka harus dipertahankan sebelum variabel tambahan termasuk ditentukan dalam langkah 3. Ini berlanjut hingga semua variabel kelelahan dan persamaan akhir terbaik dipilih. Akibatnya, dalam model ini, dapat dijelaskan bahwa bangkitan perjalanan adalah fungsi dari serangkaian variabel yang independen, sebagaimana tercantum di bawah ini;

Results (Indonesian) 2:

PEMODELAN PROSEDUR analisis regresi yang digunakan dalam penelitian ini untuk memungkinkan peneliti menemukan persamaan prediksi yang terbaik linear untuk permintaan perjalanan di daerah penelitian. Secara konseptual, permintaan perjalanan adalah fungsi dari satu set variabel independen.
Y
Hubungan ini dapat dibuat operasional menggunakan persamaan regresi berganda (lihat persamaan 1).
Y = a + b1x1 + b2x2 + .................. + bnxn + e ....... persamaan Saya
Dimana Y = merupakan perjalanan yang tergantung pada beberapa variabel A = merupakan intercept dari regresi pesawat b1 ....... bn mewakili berat ditentukan oleh bukti empiris (regresi parsial koefisien) x1 ....... xn merupakan variabel penjelas (prediktor) yang independen.
Korelasi matriks variabel dependen dan independen dilakukan dengan menggunakan regresi bertahap. Ini adalah prosedur pencarian dengan fokus utama pada identifikasi variabel independen (s) yang benar-benar dimiliki hubungan yang kuat dengan variabel dependen. The regresi bertahap melibatkan antara prosedur lainnya menambahkan satu variabel pada suatu waktu untuk persamaan regresi. Garis besar langkah-langkah dalam prosedur bertahap seperti yang dilaporkan dalam Ogunsanya (1984) seperti yang ditunjukkan di bawah ini;
Langkah 1: Lengkapi koefisien korelasi sederhana antara variabel dependen dan independen dan pilih variabel dengan koefisien tertinggi, mengatakan X4 untuk persamaan regresi.
Langkah 2: Hitunglah koefisien korelasi parsial dan pilih variabel dengan koefisien parsial tertinggi sebagai variabel berikutnya, mengatakan x1.
Langkah 3: menghitung persamaan regresi Z = (x4, x1) dan menggunakan kriteria f1 untuk mengecualikan dan f2 untuk memasukkan, keputusan dibuat apakah untuk mempertahankan x4 dalam terang termasuk x1. Koefisien korelasi parsial untuk variabel yang tersisa dihitung dan variabel x2 berikutnya, dipilih seperti pada langkah 2.
Langkah 4: Persamaan regresi z + f (x4, x1, x2) kemudian dihitung dan x4 dan x2 diperiksa untuk apakah mereka harus dipertahankan sebelum variabel tambahan untuk dimasukkan ditentukan seperti pada langkah 3. ini terus berlanjut sampai semua variabel habis dan akhir persamaan terbaik yang dipilih. Akibatnya, dalam model ini, dapat dijelaskan bahwa perjalanan generasi adalah fungsi dari seperangkat variabel independen, seperti yang dinyatakan di bawah ini;