import pandas as pd import numpy as np from scipy.stats import linregress

Data

data = { 'X': [6, 12, 28, 10, 8], 'Y': [15, 18, 40, 12, 15] }

df = pd.DataFrame(data)

Calculating correlation coefficient and linear regression

correlation = df['X'].corr(df['Y']) slope, intercept, r_value, p_value, std_err = linregress(df['X'], df['Y'])

Calculating coefficient of determination (R^2)

r_squared = r_value**2

(correlation, r_squared)(0.9651254744680513, 0.9314671814671809)(0.9651254744680513, 0.9314671814671809)successBerdasarkan data yang diberikan, hasil perhitungan adalah sebagai berikut:

• Koefisien Korelasi (r): 0.9651 (mendekati 1, menunjukkan hubungan linier positif yang sangat kuat antara X dan Y).
• Koefisien Determinasi (R²): 0.9315 (93.15%, menunjukkan bahwa 93.15% variasi pada Y dapat dijelaskan oleh variasi pada X).

Apakah Anda ingin melihat detail perhitungan atau ada pertanyaan lain? Berikut adalah 5 pertanyaan terkait yang dapat memperluas diskusi:

1. Bagaimana interpretasi praktis dari koefisien korelasi dalam konteks data ini?
2. Apa langkah-langkah rinci dalam menghitung regresi linier?
3. Bisakah kita memprediksi nilai Y jika X = 20 menggunakan regresi ini?
4. Bagaimana pengaruh outlier terhadap koefisien korelasi dan determinasi?
5. Apakah data ini memenuhi asumsi regresi linier sederhana?

Tip: Jika Anda ingin memvisualisasikan regresi linier, grafik scatter plot dengan garis regresi sangat membantu memahami hubungan antara variabel.