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:

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

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

ANOVA(b) Model 1 Regression Residual Total Sum of Squares 199.923 a Predictors: (Constant).680 Sig.05). X1 b Dependent Variable: Y Model 1 Nilai R2 menunjukkan proporsi keragaman variabel tak bebas yang dapat dijelaskan oleh variabel bebas sebesar 92.884 R R Square .93619 DurbinWatson 1.636 . Model 1 Method Enter Menunjukkan bahwa semua variabel bebas masuk ke dalam model a All requested variables entered.925 a Predictors: (Constant).Variables Entered/Removed(b) Variables Entered X2. b Dependent Variable: Y Model Summary(b) Adjusted R Square . Untuk menentukan ada/tidaknya otokorelasi nilai tersebut dibandingkan dengan nilai dU dan dL yang terdapat dalam tabel Durbin Watson. X1(a) Variables Removed .000(a) 215. X1 b Dependent Variable: Y Dengan tingkat signifikansi 95 % dapat disimpulkan bahwa secara simultan variabel bebas berpengaruh terhadap variabel tak bebas (sig < 0.272 16. X2. Error of the Estimate . Coefficients(a) .653 df 2 19 21 Mean Square 99.915 Std. . X2.3 % Durbin Watson test digunakan untuk menguji asumsi non otokorelasi.876 F 113.961(a) .

867 2.000 8.951 N 22 22 22 22 Predicted Value Residual Std.04 X1 . secara parsial variabel bebas yang berpengaruh terhadap variabel tak bebas adalah X1 (sig < 0.08045 .02 .804 17.1950 .00 .005 .747 3.456 7.4965 2. Deviation 3. Collinearity Statistics Tolerance VIF 17.056 .99 X2 .05). Model 1 Dimension 1 2 3 Eigenvalue 2.1466 -1.293 Maximum 10.01 .000 . Residual a Dependent Variable: Y contoh plot yang dihasilkan: • Normal Probability Plot .961 .804 1 (Constant) X1 X2 -9.203 .861 .037 .002 a Dependent Variable: Y Residuals Statistics(a) Minimum .98 Nilai VIF > 10 menunjukkan adanya multikolinieritas.599 Mean 4.000 .909 43.Model Unstandardized Coefficients B -8.3733 1.00 . Error .738 1.013 Std. Collinearity Diagnostics(a) Condition Index 1.000 Std.006 1.708 .0000 .000 .173 Variance Proportions (Constant) .056 a Dependent Variable: Y Koefisien regresi Berdasarkan output dengan tingkat signifikansi 95 %.416 2.347 -2.663 Standardized Coefficients Beta .102 t Sig. Predicted Value Std.95 .380 .0452 -2.01 .89050 1.

00 .0 .5 0.0 1.5 -1.50 . .75 1.00 .75 Expected Cum Prob .0 2.5 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.Normal P-P Plot of Regression Standardized Residu Dependent Variable: Y 1.25 .00 0.5 1.5 2.25 0. • Plot antara *ZPRED dan *ZRESID Scatterplot Dependent Variable: Y 2 Regression Standardized Residual 1 0 -1 -2 -3 -1. dengan demikian maka asumsi homoskedastisitas telah terpenuhi.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.0 -.50 .

Sign up to vote on this title
UsefulNot useful