Dosen Pengampu
Dr. Pepi Novianti, S.Si.,
M.Si.
Novi Puspita, S.Mat., M.Si.
Riwi Dyah Pangesti, S.Si.,
M.Stat.
Susi Wijuamurti, S.Si., M.Stat.
Asisten Praktikum
Salsadilla Azizi Firda
(F1F022019) · Rezkyan Marta (F1F022033)
Anggi Cahaya Kristanti
(F1F023032) · M. Agil Ramadhan (F1F023041)
LABORATORIUM MATEMATIKA
FAKULTAS
MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS
BENGKULU
2026
Puji syukur penulis panjatkan kehadirat Allah SWT atas rahmat, taufik, dan hidayah-Nya sehingga penulis dapat menyelesaikan laporan praktikum Komputasi Statistika Pertemuan IX yang berjudul “Analisis Regresi Linier Berganda dengan R Markdown” tepat pada waktunya. Penulis mengucapkan terima kasih kepada para dosen pengampu dan asisten praktikum yang telah membimbing selama praktikum berlangsung, serta kepada orang tua dan teman-teman yang selalu memberikan dukungan.
Penulis menyadari bahwa laporan ini masih memiliki kekurangan. Oleh karena itu, kritik dan saran yang membangun sangat penulis harapkan. Semoga laporan ini bermanfaat bagi pembaca.
Bengkulu, 15 November 2026
Muhammad Akhtar
Zaydan
Analisis regresi linier berganda digunakan untuk memodelkan hubungan antara satu variabel dependen dengan dua atau lebih variabel independen. Model yang diperoleh hanya dapat diandalkan untuk interpretasi dan prediksi apabila parameternya signifikan secara statistik, asumsi-asumsi klasik terpenuhi, dan tidak ada pengamatan menyimpang yang memengaruhi hasil estimasi secara berlebihan. Karena itu, analisis regresi yang baik tidak berhenti pada estimasi koefisien, tetapi juga mencakup pengujian hipotesis (Uji F dan Uji t), pengujian asumsi klasik, serta evaluasi model melalui deteksi outlier (Montgomery dkk., 2021; Kutner dkk., 2005).
Seluruh tahapan tersebut dapat dikerjakan dan didokumentasikan secara terpadu menggunakan R Markdown. R Markdown menggabungkan teks, kode, dan hasil analisis dalam satu dokumen yang dapat direproduksi dan dirender ke berbagai format keluaran seperti HTML, PDF, dan Word (Xie dkk., 2018). Dengan demikian, setiap angka dan grafik dalam laporan dihasilkan langsung dari kode, sehingga proses analisis menjadi transparan dan mudah diperiksa ulang.
Laporan disusun dalam format R Markdown mengikuti sistematika laporan praktikum (Bab I sampai Bab V dan Daftar Pustaka). Analisis mencakup: pengumpulan dan pemilihan data sekunder, eksplorasi data, statistik deskriptif, pembentukan dan estimasi model regresi, pengujian asumsi klasik, pengujian hipotesis melalui Uji F dan Uji t, serta evaluasi model melalui identifikasi dan pengujian outlier menggunakan Influence Plot dan Uji Bonferroni. Data yang digunakan berjumlah 40 observasi dengan tiga variabel independen.
| Bab | Isi |
|---|---|
| Bab I Pendahuluan | Latar belakang, rumusan masalah, tujuan, manfaat, batasan masalah, dan sistematika penulisan |
| Bab II Tinjauan Pustaka | Teori regresi linier berganda, pengujian hipotesis, asumsi klasik, outlier, dan R Markdown |
| Bab III Metode Penelitian | Jenis dan sumber data, variabel penelitian, langkah analisis, dan diagram alir |
| Bab IV Hasil dan Pembahasan | Eksplorasi data, statistik deskriptif, model, Uji F dan Uji t, asumsi klasik, dan outlier |
| Bab V Kesimpulan dan Saran | Kesimpulan dan saran |
Model regresi linier berganda dengan \(k\) variabel independen dituliskan sebagai
\[Y_i = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + \dots + \beta_k X_{ki} + \varepsilon_i, \quad i = 1, \dots, n,\]
dengan \(\varepsilon_i\) galat acak. Dalam bentuk matriks, \(\mathbf{y} = \mathbf{X}\boldsymbol{\beta} + \boldsymbol{\varepsilon}\), dan penduga ordinary least squares (OLS) diberikan oleh \(\hat{\boldsymbol{\beta}} = (\mathbf{X}^\top\mathbf{X})^{-1}\mathbf{X}^\top\mathbf{y}\). Koefisien determinasi \(R^2 = JKR/JKT\) mengukur proporsi keragaman \(Y\) yang dijelaskan model, sedangkan \(R^2_{adj}\) mengoreksinya terhadap banyaknya variabel (Montgomery dkk., 2021).
Uji F (simultan) menguji \(H_0: \beta_1 = \beta_2 = \dots = \beta_k = 0\) melawan \(H_1\): minimal ada satu \(\beta_j \neq 0\), dengan statistik uji \[F = \frac{KTR}{KTG} \sim F_{(k,\; n-k-1)}.\] Uji t (parsial) menguji \(H_0: \beta_j = 0\) melawan \(H_1: \beta_j \neq 0\) dengan statistik uji \[t_j = \frac{\hat{\beta}_j}{SE(\hat{\beta}_j)} \sim t_{(n-k-1)}.\] \(H_0\) ditolak apabila \(p\text{-value} < \alpha\) atau statistik uji melampaui nilai kritisnya (Kutner dkk., 2005).
R Markdown adalah paket R yang memungkinkan penggabungan kode, teks,
dan visualisasi dalam satu dokumen yang dapat direproduksi, dan dapat
dirender ke HTML, PDF, maupun Word melalui fungsi knit (Xie
dkk., 2018). Opsi chunk seperti echo,
eval, include, warning, dan
message mengatur tampilan kode dan keluarannya pada dokumen
akhir.
Data yang digunakan adalah data kuantitatif berjenis sekunder, yaitu data kinerja 40 jenis mobil yang telah digunakan pada praktikum Pengantar Analisis Regresi pertemuan sebelumnya.
| Simbol | Variabel | Peran |
|---|---|---|
| \(Y\) | Konsumsi bahan bakar (miles per gallon, mpg) | Dependen |
| \(X_1\) | Tenaga mesin (horsepower, hp) | Independen |
| \(X_2\) | Berat kendaraan (weight, wt) | Independen |
| \(X_3\) | Volume mesin (displacement, disp) | Independen |
[ Mulai ]
|
[ Input & pemilihan data sekunder ]
|
[ Eksplorasi data & statistik deskriptif ]
|
[ Estimasi model regresi linier berganda ]
|
[ Uji F (simultan) & Uji t (parsial) ]
|
[ Uji asumsi klasik: VIF, Breusch-Pagan, Durbin-Watson, Shapiro-Wilk ]
|
[ Deteksi outlier: Influence Plot & Uji Bonferroni ]
|
[ Interpretasi & kesimpulan ]
|
[ Selesai ]
Gambar 3.1 Diagram alir penelitian
Data dimasukkan ke dalam objek dat. Seluruh data lengkap
tersaji pada Lampiran 1.
dat <- data.frame(
Nama_Mobil = c("Toyota Corolla", "Honda Civic", "Ford Mustang", "Volkswagen Golf", "Mazda 323", "Nissan Sentra", "Chevrolet Camaro", "Toyota Camry", "Honda Accord", "BMW 320i", "Suzuki Swift", "Mitsubishi Lancer", "Chevrolet Malibu", "Mercedes-Benz 280", "Mazda 626", "Peugeot 504", "Volvo 240", "Ford Granada", "Toyota Celica", "Honda Fit", "Nissan Bluebird", "Daihatsu Charade", "Toyota Starlet", "Ford Escort", "Honda Prelude", "Chevrolet Impala", "Mazda Familia", "Toyota Corona", "Pontiac Firebird", "Volkswagen Passat", "Nissan Sunny", "Ford Torino", "Toyota Supra", "Honda City", "Mazda RX-7", "Mitsubishi Galant", "Subaru Leone", "Chevrolet Caprice", "Ford Maverick", "Opel Kadett"),
Y = c(35.38, 32.55, 23.38, 34.37, 37.36, 36.52, 31.29, 28.12, 25.29, 29.67, 34.95, 33.59, 26.39, 28.29, 33.52, 28.55, 28.54, 26.97, 33.58, 35.4, 29.57, 39.82, 35.58, 30.16, 36.16, 22.43, 35.82, 29.96, 28.75, 30.36, 29.64, 23.25, 34.13, 36.2, 34.75, 26.21, 33.82, 21.42, 28.06, 29.16),
X1 = c(54, 58, 120, 74, 52, 148, 186, 197, 177, 220, 56, 153, 60, 191, 152, 69, 177, 203, 189, 51, 140, 58, 93, 75, 91, 217, 120, 79, 211, 188, 74, 204, 194, 96, 102, 102, 91, 217, 216, 115),
X2 = c(2321, 3007, 4418, 2660, 2100, 1913, 1811, 2334, 2899, 1931, 2730, 1887, 4471, 3521, 2004, 3868, 2227, 2443, 2114, 2902, 3169, 2452, 2850, 3688, 2140, 3850, 1940, 4121, 3299, 2247, 4297, 3135, 1868, 2000, 2706, 4369, 2683, 4466, 2608, 3499),
X3 = c(397.7, 419, 342.9, 272.7, 294.5, 120.8, 400.9, 351.4, 338.5, 195.1, 249.3, 256.9, 122.4, 86.9, 181.3, 241.8, 369.5, 260.8, 105.8, 73.3, 132, 126.1, 99.2, 206.5, 357.1, 260.2, 381.7, 348.6, 72.3, 297, 93.6, 417.3, 125.5, 133.4, 190.2, 81.6, 289.9, 178.2, 157.5, 246.7)
)## Jumlah observasi : 40
## Jumlah variabel : 5
## Data hilang (NA) : 0
## 'data.frame': 40 obs. of 5 variables:
## $ Nama_Mobil: chr "Toyota Corolla" "Honda Civic" "Ford Mustang" "Volkswagen Golf" ...
## $ Y : num 35.4 32.5 23.4 34.4 37.4 ...
## $ X1 : num 54 58 120 74 52 148 186 197 177 220 ...
## $ X2 : num 2321 3007 4418 2660 2100 ...
## $ X3 : num 398 419 343 273 294 ...
| Nama_Mobil | Y | X1 | X2 | X3 |
|---|---|---|---|---|
| Toyota Corolla | 35.38 | 54 | 2321 | 397.7 |
| Honda Civic | 32.55 | 58 | 3007 | 419.0 |
| Ford Mustang | 23.38 | 120 | 4418 | 342.9 |
| Volkswagen Golf | 34.37 | 74 | 2660 | 272.7 |
| Mazda 323 | 37.36 | 52 | 2100 | 294.5 |
| Nissan Sentra | 36.52 | 148 | 1913 | 120.8 |
| Chevrolet Camaro | 31.29 | 186 | 1811 | 400.9 |
| Toyota Camry | 28.12 | 197 | 2334 | 351.4 |
| Honda Accord | 25.29 | 177 | 2899 | 338.5 |
| BMW 320i | 29.67 | 220 | 1931 | 195.1 |
Data terdiri atas 40 observasi dan tiga variabel independen sehingga memenuhi ketentuan minimal 35 observasi dan 3 variabel independen. Tidak ditemukan data hilang (0 nilai NA).
vars <- dat[, c("Y", "X1", "X2", "X3")]
kable(round(cor(vars), 3), caption = "Tabel 4.2 Matriks korelasi Pearson")| Y | X1 | X2 | X3 | |
|---|---|---|---|---|
| Y | 1.000 | -0.529 | -0.649 | -0.107 |
| X1 | -0.529 | 1.000 | -0.179 | -0.013 |
| X2 | -0.649 | -0.179 | 1.000 | -0.195 |
| X3 | -0.107 | -0.013 | -0.195 | 1.000 |
pairs(vars, panel = panel.smooth, pch = 19, col = "steelblue",
main = "Gambar 4.1 Scatterplot matrix")Matriks korelasi menunjukkan bahwa \(Y\) berkorelasi negatif dengan ketiga variabel independen: sedang terhadap \(X_2\) (\(r =\) -0,649) dan \(X_1\) (\(r =\) -0,529), serta lemah terhadap \(X_3\) (\(r =\) -0,107). Korelasi antarvariabel independen tergolong rendah (nilai mutlak terbesar 0,195), sehingga dugaan awal multikolinearitas kecil. Boxplot tidak memperlihatkan titik pencilan yang mencolok pada keempat variabel.
desk <- t(sapply(vars, function(x) c(
N = length(x), Min = min(x), Q1 = unname(quantile(x, 0.25)),
Median = median(x), Mean = mean(x), Q3 = unname(quantile(x, 0.75)),
Max = max(x), SD = sd(x))))
kable(round(desk, 2), caption = "Tabel 4.3 Statistik deskriptif")| N | Min | Q1 | Median | Mean | Q3 | Max | SD | |
|---|---|---|---|---|---|---|---|---|
| Y | 40 | 21.42 | 28.25 | 30.26 | 30.97 | 34.8 | 39.82 | 4.52 |
| X1 | 40 | 51.00 | 74.75 | 120.00 | 131.75 | 189.5 | 220.00 | 59.49 |
| X2 | 40 | 1811.00 | 2133.50 | 2694.50 | 2873.70 | 3504.5 | 4471.00 | 848.29 |
| X3 | 40 | 72.30 | 125.95 | 244.25 | 231.90 | 339.6 | 419.00 | 110.74 |
Variabel \(Y\) (mpg) berkisar dari 21,42 hingga 39,82 dengan rata-rata 30,97, median 30,26, dan simpangan baku 4,52, sehingga sebarannya relatif simetris. Variabel \(X_1\) (hp) memiliki rata-rata 131,75 yang lebih besar daripada median 120,00, yang menandakan kemiringan ringan ke kanan. Variabel \(X_2\) (wt) memiliki rata-rata 2874 di atas median 2694, juga miring ke kanan akibat adanya mobil berbobot berat. Variabel \(X_3\) (disp) memiliki rata-rata 231,90 sedikit di bawah median 244,25, sehingga sedikit miring ke kiri. Selisih rata-rata dan median pada semua variabel tergolong kecil sehingga data layak dianalisis dengan regresi linier berganda.
##
## Call:
## lm(formula = Y ~ X1 + X2 + X3, data = dat)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.5078 -0.8004 -0.1134 0.8311 3.0557
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 53.0044468 1.1206384 47.298 < 2e-16 ***
## X1 -0.0516056 0.0035349 -14.599 < 2e-16 ***
## X2 -0.0043907 0.0002528 -17.371 < 2e-16 ***
## X3 -0.0112719 0.0019051 -5.917 8.98e-07 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.291 on 36 degrees of freedom
## Multiple R-squared: 0.9246, Adjusted R-squared: 0.9183
## F-statistic: 147.1 on 3 and 36 DF, p-value: < 2.2e-16
| Estimate | Std. Error | t value | Pr(>|t|) | |
|---|---|---|---|---|
| (Intercept) | 53.0044468 | 1.1206384 | 47.298440 | 0e+00 |
| X1 | -0.0516056 | 0.0035349 | -14.598959 | 0e+00 |
| X2 | -0.0043907 | 0.0002528 | -17.371268 | 0e+00 |
| X3 | -0.0112719 | 0.0019051 | -5.916645 | 9e-07 |
Model regresi linier berganda yang terbentuk adalah
\[\hat{Y}_i = 53{,}0044 -0{,}0516\,X_{1i} -0{,}0044\,X_{2i} -0{,}0113\,X_{3i}\]
Interpretasi koefisien (dengan variabel lain dianggap konstan): setiap kenaikan 1 hp (\(X_1\)) menurunkan konsumsi bahan bakar rata-rata sebesar 0,0516 mpg; setiap kenaikan 1 satuan berat (\(X_2\)) menurunkannya 0,0044 mpg; dan setiap kenaikan 1 satuan volume mesin (\(X_3\)) menurunkannya 0,0113 mpg. Intersep 53,0044 adalah nilai dugaan \(Y\) ketika ketiga variabel independen bernilai nol dan tidak memiliki makna praktis karena nilai nol berada di luar rentang data. Nilai \(R^2\) sebesar 0,9246 dan \(R^2_{adj}\) sebesar 0,9183 berarti ketiga variabel independen menjelaskan sekitar 91,83% keragaman \(Y\), sedangkan sisanya dijelaskan faktor lain di luar model.
anova_tab <- anova(model)
kable(anova_tab, digits = 4, caption = "Tabel 4.5 Tabel ANOVA (sekuensial)")| Df | Sum Sq | Mean Sq | F value | Pr(>F) | |
|---|---|---|---|---|---|
| X1 | 1 | 222.3063 | 222.3063 | 133.4724 | 0 |
| X2 | 1 | 454.5385 | 454.5385 | 272.9042 | 0 |
| X3 | 1 | 58.3058 | 58.3058 | 35.0067 | 0 |
| Residuals | 36 | 59.9602 | 1.6656 | NA | NA |
Fhit <- sm$fstatistic[1]
df1 <- sm$fstatistic[2]; df2 <- sm$fstatistic[3]
Ftab <- qf(0.95, df1, df2)
p_F <- pf(Fhit, df1, df2, lower.tail = FALSE)
c(F_hitung = unname(Fhit), F_tabel = Ftab, p_value = p_F)## F_hitung F_tabel p_value.value
## 1.471277e+02 2.866266e+00 2.928972e-20
ttab <- qt(0.975, df2)
uji_t <- data.frame(
Variabel = rownames(sm$coefficients),
Estimasi = sm$coefficients[, 1],
SE = sm$coefficients[, 2],
t_hitung = sm$coefficients[, 3],
p_value = sm$coefficients[, 4],
Keputusan = ifelse(sm$coefficients[, 4] < 0.05, "Tolak H0", "Gagal tolak H0"),
row.names = NULL)
kable(uji_t, digits = 5, caption = "Tabel 4.6 Hasil Uji t")| Variabel | Estimasi | SE | t_hitung | p_value | Keputusan |
|---|---|---|---|---|---|
| (Intercept) | 53.00445 | 1.12064 | 47.29844 | 0 | Tolak H0 |
| X1 | -0.05161 | 0.00353 | -14.59896 | 0 | Tolak H0 |
| X2 | -0.00439 | 0.00025 | -17.37127 | 0 | Tolak H0 |
| X3 | -0.01127 | 0.00191 | -5.91665 | 0 | Tolak H0 |
## [1] 2.028094
Catatan: \(X_3\) hanya berkorelasi lemah dengan \(Y\) secara marginal (Tabel 4.2), tetapi tetap signifikan setelah pengaruh \(X_1\) dan \(X_2\) dikendalikan.
vif_val <- vif(model)
kable(data.frame(Variabel = names(vif_val), VIF = round(vif_val, 4)),
caption = "Tabel 4.7 Nilai VIF")| Variabel | VIF | |
|---|---|---|
| X1 | X1 | 1.0356 |
| X2 | X2 | 1.0764 |
| X3 | X3 | 1.0422 |
Nilai VIF untuk \(X_1\), \(X_2\), dan \(X_3\) berturut-turut 1,0356, 1,0764, dan 1,0422. Seluruhnya \(< 10\) (bahkan mendekati 1), sehingga tidak terdapat masalah multikolinearitas.
##
## studentized Breusch-Pagan test
##
## data: model
## BP = 2.971, df = 3, p-value = 0.3961
##
## Durbin-Watson test
##
## data: model
## DW = 1.662, p-value = 0.1265
## alternative hypothesis: true autocorrelation is greater than 0
Catatan: data ini bersifat cross-section (antarmobil) sehingga urutan observasi tidak memiliki makna waktu; uji Durbin–Watson dilakukan sebagai bagian dari rangkaian asumsi klasik yang diminta.
##
## Shapiro-Wilk normality test
##
## data: residuals(model)
## W = 0.99064, p-value = 0.9818
## [1] 13 28
hist(residuals(model), breaks = 10, col = "lightblue",
main = "Histogram Residual", xlab = "Residual")Ringkasan asumsi klasik: keempat asumsi (tidak ada multikolinearitas, homoskedastisitas, tidak ada autokorelasi, dan galat normal) terpenuhi, sehingga model layak diinterpretasikan.
inf <- influencePlot(model, main = "Gambar 4.2 Influence Plot",
sub = "Luas lingkaran sebanding dengan Cook's Distance")## Batas leverage (2p/n): 0.2
## Maks |StudRes| : 2.775138
## Maks Hat : 0.1982313
## Maks Cook's D : 0.2567561
Influence Plot menandai 4 observasi (nomor 3, 13, 28, 38). Berdasarkan nilai studentized residual, observasi yang memiliki \(|StudRes| > 2\) adalah nomor 13 dan 28, sehingga keduanya berpotensi outlier pada arah \(Y\); yang terbesar adalah observasi ke-28 (\(StudRes =\) 2,7751). Berdasarkan leverage, batas \(2p/n = 2(4)/40 =\) 0,20, dan nilai \(Hat\) tertinggi adalah 0,1982 (observasi ke-38), masih di bawah batas sehingga tidak ada outlier pada arah \(X\). Berdasarkan Cook’s Distance, nilai terbesar 0,2568 jauh di bawah 1, sehingga tidak ada observasi yang berpengaruh besar terhadap model.
## No Studentized residuals with Bonferroni p < 0.05
## Largest |rstudent|:
## rstudent unadjusted p-value Bonferroni p
## 28 2.775138 0.0087957 0.35183
## [1] 3.511036
Observasi dengan studentized deleted residual terbesar adalah observasi ke-28. Pengujian dilakukan sebagai berikut.
Breusch, T. S., & Pagan, A. R. (1979). A simple test for heteroscedasticity and random coefficient variation. Econometrica, 47(5), 1287–1294.
Cook, R. D. (1977). Detection of influential observation in linear regression. Technometrics, 19(1), 15–18.
Durbin, J., & Watson, G. S. (1951). Testing for serial correlation in least squares regression II. Biometrika, 38(1–2), 159–178.
Fox, J., & Weisberg, S. (2019). An R Companion to Applied Regression (3rd ed.). Thousand Oaks, CA: Sage.
Kutner, M. H., Nachtsheim, C. J., Neter, J., & Li, W. (2005). Applied Linear Statistical Models (5th ed.). New York: McGraw-Hill/Irwin.
Montgomery, D. C., Peck, E. A., & Vining, G. G. (2021). Introduction to Linear Regression Analysis (6th ed.). Hoboken, NJ: Wiley.
Novianti, P. (2025). Modul Praktikum Komputasi Statistika. Bengkulu: Laboratorium FMIPA Universitas Bengkulu.
Rini, D. S. (2026). Modul Praktikum Analisis Regresi dan Korelasi. Bengkulu: Laboratorium Matematika FMIPA Universitas Bengkulu.
Shapiro, S. S., & Wilk, M. B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52(3–4), 591–611.
Xie, Y., Allaire, J. J., & Grolemund, G. (2018). R Markdown: The Definitive Guide. Boca Raton, FL: Chapman & Hall/CRC.
| Nama_Mobil | Y | X1 | X2 | X3 |
|---|---|---|---|---|
| Toyota Corolla | 35.38 | 54 | 2321 | 397.7 |
| Honda Civic | 32.55 | 58 | 3007 | 419.0 |
| Ford Mustang | 23.38 | 120 | 4418 | 342.9 |
| Volkswagen Golf | 34.37 | 74 | 2660 | 272.7 |
| Mazda 323 | 37.36 | 52 | 2100 | 294.5 |
| Nissan Sentra | 36.52 | 148 | 1913 | 120.8 |
| Chevrolet Camaro | 31.29 | 186 | 1811 | 400.9 |
| Toyota Camry | 28.12 | 197 | 2334 | 351.4 |
| Honda Accord | 25.29 | 177 | 2899 | 338.5 |
| BMW 320i | 29.67 | 220 | 1931 | 195.1 |
| Suzuki Swift | 34.95 | 56 | 2730 | 249.3 |
| Mitsubishi Lancer | 33.59 | 153 | 1887 | 256.9 |
| Chevrolet Malibu | 26.39 | 60 | 4471 | 122.4 |
| Mercedes-Benz 280 | 28.29 | 191 | 3521 | 86.9 |
| Mazda 626 | 33.52 | 152 | 2004 | 181.3 |
| Peugeot 504 | 28.55 | 69 | 3868 | 241.8 |
| Volvo 240 | 28.54 | 177 | 2227 | 369.5 |
| Ford Granada | 26.97 | 203 | 2443 | 260.8 |
| Toyota Celica | 33.58 | 189 | 2114 | 105.8 |
| Honda Fit | 35.40 | 51 | 2902 | 73.3 |
| Nissan Bluebird | 29.57 | 140 | 3169 | 132.0 |
| Daihatsu Charade | 39.82 | 58 | 2452 | 126.1 |
| Toyota Starlet | 35.58 | 93 | 2850 | 99.2 |
| Ford Escort | 30.16 | 75 | 3688 | 206.5 |
| Honda Prelude | 36.16 | 91 | 2140 | 357.1 |
| Chevrolet Impala | 22.43 | 217 | 3850 | 260.2 |
| Mazda Familia | 35.82 | 120 | 1940 | 381.7 |
| Toyota Corona | 29.96 | 79 | 4121 | 348.6 |
| Pontiac Firebird | 28.75 | 211 | 3299 | 72.3 |
| Volkswagen Passat | 30.36 | 188 | 2247 | 297.0 |
| Nissan Sunny | 29.64 | 74 | 4297 | 93.6 |
| Ford Torino | 23.25 | 204 | 3135 | 417.3 |
| Toyota Supra | 34.13 | 194 | 1868 | 125.5 |
| Honda City | 36.20 | 96 | 2000 | 133.4 |
| Mazda RX-7 | 34.75 | 102 | 2706 | 190.2 |
| Mitsubishi Galant | 26.21 | 102 | 4369 | 81.6 |
| Subaru Leone | 33.82 | 91 | 2683 | 289.9 |
| Chevrolet Caprice | 21.42 | 217 | 4466 | 178.2 |
| Ford Maverick | 28.06 | 216 | 2608 | 157.5 |
| Opel Kadett | 29.16 | 115 | 3499 | 246.7 |
## R version 4.5.3 (2026-03-11 ucrt)
## Platform: x86_64-w64-mingw32/x64
## Running under: Windows 11 x64 (build 26200)
##
## Matrix products: default
## LAPACK version 3.12.1
##
## locale:
## [1] LC_COLLATE=English_United States.utf8
## [2] LC_CTYPE=English_United States.utf8
## [3] LC_MONETARY=English_United States.utf8
## [4] LC_NUMERIC=C
## [5] LC_TIME=English_United States.utf8
##
## time zone: Asia/Bangkok
## tzcode source: internal
##
## attached base packages:
## [1] stats graphics grDevices utils datasets methods base
##
## other attached packages:
## [1] knitr_1.51 lmtest_0.9-40 zoo_1.8-15 car_3.1-5 carData_3.0-6
##
## loaded via a namespace (and not attached):
## [1] vctrs_0.7.2 cli_3.6.5 rlang_1.1.7 xfun_0.57
## [5] Formula_1.2-6 otel_0.2.0 jsonlite_2.0.0 glue_1.8.0
## [9] htmltools_0.5.9 sass_0.4.10 scales_1.4.0 rmarkdown_2.31
## [13] grid_4.5.3 evaluate_1.0.5 jquerylib_0.1.4 abind_1.4-8
## [17] MASS_7.3-65 fastmap_1.2.0 yaml_2.3.12 lifecycle_1.0.5
## [21] compiler_4.5.3 RColorBrewer_1.1-3 rstudioapi_0.19.0 farver_2.1.2
## [25] lattice_0.22-9 digest_0.6.39 R6_2.6.1 bslib_0.10.0
## [29] tools_4.5.3 cachem_1.1.0