Analisis Regresi Linier Berganda Analisis regresi adalah studi mengenai ketergantungan suatu variabel (variabel tak bebas

) pada satu atau lebih variabel lain (variabel bebas) yang digunakan untuk memprediksi dan atau meramalkan nilai rata-rata hitung ( mean) atau rata-rata populasi variabel tak bebas (Gujarati,1995). Asumsi yang digunakan dalam analisis regresi linear berganda antara lain: a. εi ∼ N (0, σ 2 ) artinya setiap sisaan/error mengikuti sebaran normal dengan rata-rata 0 dan varians σ2. 2 2 b. var ( ε i X i ) = E [ ε i − E ( ε i ) ] = σ artinya setiap kesalahan/error mempunyai varians yang sama atau mempunyai sebaran yang sama (Homoskedastisitas). c. cov(ε i , ε j ) = 0; i ≠ j artinya kovarian sisaan/error sama dengan nol dengan kata lain tidak ada korelasi antara kesalahan pengganggu (Non Otokorelasi). d. Tidak terdapat multikolinearitas, artinya tidak terdapat hubungan linier yang sempurna diantara variabel-variabel bebas. Berikut pengolahan analisis linier berganda dalam program SPSS: 1. Klik menu Analyze kemudian pilih Regression - Linier

2. Setelah kotak dialog Linier Regression muncul, kelompokkan variabel yang akan dianalisis dalam kotak Dependent atau Independent(s). Pada kotak Method pilihlah penyeleksian variabel yang akan menghasilkan model terbaik. 3. Untuk mengatur output yang dihasilkan klik kotak Statistics dan pilih statistik yang akan digunakan kemudian klik Continue. Pada kotak dialog tersebut tersedia statistik sebagai berikut:

Collinearity diagnostics. nilai t untuk b. koefisien beta yang distandardisasi. Part and partial correlations. bagian. • Covariance matrix menamplikan suatu matriks variance-covariance dari koefisien regresi dengan elemen di luar diagonal sebagai kovarians dan elemen diagonal sebagai varians. • Estimates menampilkan Koefisien regresi (b). dan tingkat signifikansi dua arah dari t. Menampilkan zero-order. Menyediakan banyaknya kasus yang valid. Residuals. and tabel analysis-of-variance (ANOVA). perubahan F. dan korelasi parsial. Menampilkan Durbin-Watson test untuk korelasi residual antar waktu dan casewise diagnostics untuk kasus dan outliers di atas n simpangan baku. Selain itu menampilkan suatu matriks korelasi dengan tingkat signifikansi satu arah dan banyaknya kasusu untuk masing-masing korelasi. Menampilkan Eigen value dari cross-products matriks yang berskala dan tidak terpusat. . standar error dari b (se(b)). variance inflation factors (VIF) dan toleransi untuk variabel individu. rata-rata. Suatu matriks korelasi juga ditampilkan. • Confidence intervals menampilkan interval kepercayaan 95% untuk masingmasing koefisien regresi. dan perubahan signifikansi dari F.Regression Coefficients. Descriptives. atau suatu matriks kovarians. Menampilkan variabel yang masuk dan yang dilkeluarkan dari model serta goodness-of-fit statistics seperti R. Menampilkan perubahan R2. R2 and adjusted R2. indeks kondisi. dan proporsi variancedecomposition. standard error estimasi. R squared change. dan simpangan baku untuk masing-masing variabel. Model fit.

deleted residuals. Berikut plot yang tersedia adalah: Scatterplots.4. Collinearity diagnostics dan Durbin Watson. Klik OK untuk menampilkan output. Kita dapat memplotkan dua variabel berikut: variabel dependen. Plot antara standardized residuals dengan standardized predicted values dapat digunakan untuk melihat kemungkinan linearitas dan kesamaan varians (homoskedastisitas). klik Continue. atau Studentized deleted residuals. linearitas dan kesamaan varians (homoskedastisitas). Sedikitnya dua variabel bebas harus terdapat dalam persamaan plot parsial yang dihasilkan. Jika ingin menampilkan plots dalam output maka klik kotak Plots. adjusted predicted values. standardized residual (*ZRESID). Plot dapat menunjukkan validasi dari asumsi kenormalan. pengamatan tidak biasa. serta Normal Probability Plot dan Plot antara *ZPRED dan *ZRESID): . nilai perkiraan standardized (*ZPRED). dan kasus berpengaruh. Contoh output yang dihasilkan ( dengan memilih statistik Estimates. Menampilkan scatterplots residual dari tiap variabel bebas dan residual variabel tak bebas ketika kedua variabel diregresikan secara terpisah pada variabel bebas tersebut. Studentized residuals. Produce all partial plots. Model Fit. Standardized Residual Plots. Kita dapat memperoleh histogram dari standardized residual dan normal probability plot yang membandingkan distribusi dari standardized residual dengan distribusi normal. Setelah memilih plot yang akan ditampilkan. Selain itu plot bermanfaat untuk pendeteksian outliers. 5.

X2.272 16.93619 DurbinWatson 1.Variables Entered/Removed(b) Variables Entered X2.961(a) . X1 b Dependent Variable: Y Model 1 Nilai R2 menunjukkan proporsi keragaman variabel tak bebas yang dapat dijelaskan oleh variabel bebas sebesar 92. Error of the Estimate .923 a Predictors: (Constant). b Dependent Variable: Y Model Summary(b) Adjusted R Square . ANOVA(b) Model 1 Regression Residual Total Sum of Squares 199.000(a) 215. X2.925 a Predictors: (Constant). X1(a) Variables Removed .876 F 113.653 df 2 19 21 Mean Square 99. Model 1 Method Enter Menunjukkan bahwa semua variabel bebas masuk ke dalam model a All requested variables entered.680 Sig. X1 b Dependent Variable: Y Dengan tingkat signifikansi 95 % dapat disimpulkan bahwa secara simultan variabel bebas berpengaruh terhadap variabel tak bebas (sig < 0. Coefficients(a) .884 R R Square .05).636 . Untuk menentukan ada/tidaknya otokorelasi nilai tersebut dibandingkan dengan nilai dU dan dL yang terdapat dalam tabel Durbin Watson.3 % Durbin Watson test digunakan untuk menguji asumsi non otokorelasi. .915 Std.

000 Std.347 -2.00 .0000 .861 .599 Mean 4.3733 1.02 .804 17.663 Standardized Coefficients Beta .951 N 22 22 22 22 Predicted Value Residual Std.037 .1950 .006 1.98 Nilai VIF > 10 menunjukkan adanya multikolinieritas.05). Model 1 Dimension 1 2 3 Eigenvalue 2.738 1.00 . Deviation 3.456 7.416 2.4965 2.08045 .804 1 (Constant) X1 X2 -9.000 8.000 . secara parsial variabel bebas yang berpengaruh terhadap variabel tak bebas adalah X1 (sig < 0.0452 -2.Model Unstandardized Coefficients B -8. Residual a Dependent Variable: Y contoh plot yang dihasilkan: • Normal Probability Plot .747 3.203 .005 . Error . Predicted Value Std.01 .000 .04 X1 .102 t Sig.95 .01 . Collinearity Diagnostics(a) Condition Index 1.380 .013 Std.867 2.89050 1.909 43.708 .293 Maximum 10.1466 -1.000 .961 .173 Variance Proportions (Constant) .056 a Dependent Variable: Y Koefisien regresi Berdasarkan output dengan tingkat signifikansi 95 %.99 X2 .056 .002 a Dependent Variable: Y Residuals Statistics(a) Minimum . Collinearity Statistics Tolerance VIF 17.

• Plot antara *ZPRED dan *ZRESID Scatterplot Dependent Variable: Y 2 Regression Standardized Residual 1 0 -1 -2 -3 -1.5 2.5 -1.5 0.00 .25 0.0 1.00 .25 . dengan demikian maka asumsi homoskedastisitas telah terpenuhi.0 2. .5 1.5 Regression Standardized Predicted Value Berdasarkan Gambar diatas dapat dilihat bahwa nilai-nilai residual pada plot untuk model tersebar secara acak dan terletak di sekitar titik nol.0 .0 -.00 0.Normal P-P Plot of Regression Standardized Residu Dependent Variable: Y 1.50 .75 Expected Cum Prob .00 Observed Cum Prob Gambar diatas menunjukkan bahwa plot residualnya menyebar di sekitar garis lurus maka residual mengikuti sebaran normal sehingga dapat disimpulkan bahwa asumsi kenormalan terpenuhi.50 .75 1.

Sign up to vote on this title
UsefulNot useful