P. 1
Analisis Regresi Linier Berganda

Analisis Regresi Linier Berganda

|Views: 43|Likes:
Dipublikasikan oleh Sri Rosmardiyah Azma
metodologi RLB
metodologi RLB

More info:

Categories:Types, Research
Published by: Sri Rosmardiyah Azma on Jun 21, 2013
Hak Cipta:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

02/27/2014

pdf

text

original

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:

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

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

Variables Entered/Removed(b) Variables Entered X2.915 Std. Untuk menentukan ada/tidaknya otokorelasi nilai tersebut dibandingkan dengan nilai dU dan dL yang terdapat dalam tabel Durbin Watson.000(a) 215.3 % Durbin Watson test digunakan untuk menguji asumsi non otokorelasi. .884 R R Square . ANOVA(b) Model 1 Regression Residual Total Sum of Squares 199. X2.636 .876 F 113. Model 1 Method Enter Menunjukkan bahwa semua variabel bebas masuk ke dalam model a All requested variables entered. 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 .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. X1(a) Variables Removed .925 a Predictors: (Constant).923 a Predictors: (Constant).653 df 2 19 21 Mean Square 99.961(a) . Coefficients(a) . X2.93619 DurbinWatson 1.272 16. b Dependent Variable: Y Model Summary(b) Adjusted R Square .05).

203 .005 . secara parsial variabel bebas yang berpengaruh terhadap variabel tak bebas adalah X1 (sig < 0.380 .456 7.056 a Dependent Variable: Y Koefisien regresi Berdasarkan output dengan tingkat signifikansi 95 %.861 .961 .0452 -2.804 17.89050 1.000 .1950 . Deviation 3.663 Standardized Coefficients Beta .01 .909 43. Collinearity Diagnostics(a) Condition Index 1.599 Mean 4. Collinearity Statistics Tolerance VIF 17.00 .0000 .747 3.867 2. Residual a Dependent Variable: Y contoh plot yang dihasilkan: • Normal Probability Plot .951 N 22 22 22 22 Predicted Value Residual Std.000 .037 .08045 .4965 2.738 1.02 .056 .98 Nilai VIF > 10 menunjukkan adanya multikolinieritas.804 1 (Constant) X1 X2 -9.Model Unstandardized Coefficients B -8.00 .293 Maximum 10.347 -2.416 2.1466 -1.99 X2 .013 Std.95 .708 .000 .000 8. Predicted Value Std. Model 1 Dimension 1 2 3 Eigenvalue 2.102 t Sig.002 a Dependent Variable: Y Residuals Statistics(a) Minimum .006 1. Error .04 X1 .01 .173 Variance Proportions (Constant) .000 Std.05).3733 1.

• Plot antara *ZPRED dan *ZRESID Scatterplot Dependent Variable: Y 2 Regression Standardized Residual 1 0 -1 -2 -3 -1. .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.0 1.0 -.5 2.25 .00 .5 -1.50 .Normal P-P Plot of Regression Standardized Residu Dependent Variable: Y 1. dengan demikian maka asumsi homoskedastisitas telah terpenuhi.00 0.25 0.5 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.50 .5 1.0 .5 0.0 2.00 .75 1.

You're Reading a Free Preview

Mengunduh
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->