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:

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

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

Model 1 Method Enter Menunjukkan bahwa semua variabel bebas masuk ke dalam model a All requested variables entered. ANOVA(b) Model 1 Regression Residual Total Sum of Squares 199.3 % Durbin Watson test digunakan untuk menguji asumsi non otokorelasi. X2. X1(a) Variables Removed . X2. Error of the Estimate .05).653 df 2 19 21 Mean Square 99.961(a) .Variables Entered/Removed(b) Variables Entered X2. X1 b Dependent Variable: Y Dengan tingkat signifikansi 95 % dapat disimpulkan bahwa secara simultan variabel bebas berpengaruh terhadap variabel tak bebas (sig < 0.000(a) 215. b Dependent Variable: Y Model Summary(b) Adjusted R Square .636 .925 a Predictors: (Constant). Untuk menentukan ada/tidaknya otokorelasi nilai tersebut dibandingkan dengan nilai dU dan dL yang terdapat dalam tabel Durbin Watson. 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 .923 a Predictors: (Constant).915 Std. . Coefficients(a) .93619 DurbinWatson 1.680 Sig.876 F 113.272 16.

98 Nilai VIF > 10 menunjukkan adanya multikolinieritas.08045 . Predicted Value Std.000 .89050 1.037 .380 .02 .00 .000 .005 .804 1 (Constant) X1 X2 -9.01 . Deviation 3.05).000 8.663 Standardized Coefficients Beta .000 .867 2.203 . Error .Model Unstandardized Coefficients B -8.456 7.4965 2.0000 .006 1.04 X1 .00 .0452 -2. Residual a Dependent Variable: Y contoh plot yang dihasilkan: • Normal Probability Plot .747 3.1950 . secara parsial variabel bebas yang berpengaruh terhadap variabel tak bebas adalah X1 (sig < 0.95 .293 Maximum 10.961 .056 a Dependent Variable: Y Koefisien regresi Berdasarkan output dengan tingkat signifikansi 95 %.056 .599 Mean 4.708 .013 Std.909 43.01 .99 X2 . Collinearity Diagnostics(a) Condition Index 1.000 Std.173 Variance Proportions (Constant) .002 a Dependent Variable: Y Residuals Statistics(a) Minimum .1466 -1.738 1.3733 1. Collinearity Statistics Tolerance VIF 17.804 17.951 N 22 22 22 22 Predicted Value Residual Std.861 .347 -2.102 t Sig.416 2. Model 1 Dimension 1 2 3 Eigenvalue 2.

25 0. .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 .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.25 .00 .75 1.5 2.00 .50 .5 1. dengan demikian maka asumsi homoskedastisitas telah terpenuhi.5 0. • Plot antara *ZPRED dan *ZRESID Scatterplot Dependent Variable: Y 2 Regression Standardized Residual 1 0 -1 -2 -3 -1.75 Expected Cum Prob .50 .0 -.Normal P-P Plot of Regression Standardized Residu Dependent Variable: Y 1.0 2.0 1.00 0.