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

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

X1 b Dependent Variable: Y Model 1 Nilai R2 menunjukkan proporsi keragaman variabel tak bebas yang dapat dijelaskan oleh variabel bebas sebesar 92. X1 b Dependent Variable: Y Dengan tingkat signifikansi 95 % dapat disimpulkan bahwa secara simultan variabel bebas berpengaruh terhadap variabel tak bebas (sig < 0. X1(a) Variables Removed .923 a Predictors: (Constant). X2.Variables Entered/Removed(b) Variables Entered X2. X2.915 Std. b Dependent Variable: Y Model Summary(b) Adjusted R Square . Model 1 Method Enter Menunjukkan bahwa semua variabel bebas masuk ke dalam model a All requested variables entered.05). Untuk menentukan ada/tidaknya otokorelasi nilai tersebut dibandingkan dengan nilai dU dan dL yang terdapat dalam tabel Durbin Watson.93619 DurbinWatson 1.653 df 2 19 21 Mean Square 99. Error of the Estimate . Coefficients(a) .961(a) . ANOVA(b) Model 1 Regression Residual Total Sum of Squares 199. .680 Sig.636 .876 F 113.925 a Predictors: (Constant).000(a) 215.884 R R Square .3 % Durbin Watson test digunakan untuk menguji asumsi non otokorelasi.272 16.

4965 2.867 2.861 .05).01 .599 Mean 4.1466 -1.416 2. secara parsial variabel bebas yang berpengaruh terhadap variabel tak bebas adalah X1 (sig < 0. Deviation 3.663 Standardized Coefficients Beta .013 Std.909 43.347 -2.380 . Model 1 Dimension 1 2 3 Eigenvalue 2.89050 1.002 a Dependent Variable: Y Residuals Statistics(a) Minimum .037 .08045 .173 Variance Proportions (Constant) .000 .961 .98 Nilai VIF > 10 menunjukkan adanya multikolinieritas. Collinearity Diagnostics(a) Condition Index 1.0000 .000 .056 a Dependent Variable: Y Koefisien regresi Berdasarkan output dengan tingkat signifikansi 95 %.102 t Sig.708 .02 .Model Unstandardized Coefficients B -8.1950 .000 8.951 N 22 22 22 22 Predicted Value Residual Std.738 1.99 X2 .005 . Residual a Dependent Variable: Y contoh plot yang dihasilkan: • Normal Probability Plot .456 7.293 Maximum 10.000 .804 1 (Constant) X1 X2 -9.203 .3733 1.056 .04 X1 .01 .95 .006 1. Collinearity Statistics Tolerance VIF 17.00 .0452 -2.804 17.00 . Predicted Value Std.000 Std.747 3. Error .

5 -1. .0 2.00 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.75 1.25 0.5 0.50 .5 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.00 .75 Expected Cum Prob .25 .5 1.00 .50 . • Plot antara *ZPRED dan *ZRESID Scatterplot Dependent Variable: Y 2 Regression Standardized Residual 1 0 -1 -2 -3 -1.00 0.0 . dengan demikian maka asumsi homoskedastisitas telah terpenuhi.0 1.0 -.Normal P-P Plot of Regression Standardized Residu Dependent Variable: Y 1.

Sign up to vote on this title
UsefulNot useful