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:

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

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

Variables Entered/Removed(b) Variables Entered X2.876 F 113. X2.636 .653 df 2 19 21 Mean Square 99.884 R R Square . Model 1 Method Enter Menunjukkan bahwa semua variabel bebas masuk ke dalam model a All requested variables entered.680 Sig.3 % Durbin Watson test digunakan untuk menguji asumsi non otokorelasi. . X1 b Dependent Variable: Y Model 1 Nilai R2 menunjukkan proporsi keragaman variabel tak bebas yang dapat dijelaskan oleh variabel bebas sebesar 92. ANOVA(b) Model 1 Regression Residual Total Sum of Squares 199. b Dependent Variable: Y Model Summary(b) Adjusted R Square .925 a Predictors: (Constant). Untuk menentukan ada/tidaknya otokorelasi nilai tersebut dibandingkan dengan nilai dU dan dL yang terdapat dalam tabel Durbin Watson. Error of the Estimate . X2.915 Std.05). Coefficients(a) .961(a) .93619 DurbinWatson 1.272 16.000(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. X1(a) Variables Removed .923 a Predictors: (Constant).

861 .867 2.708 . Deviation 3.000 .00 .951 N 22 22 22 22 Predicted Value Residual Std.99 X2 .3733 1. Residual a Dependent Variable: Y contoh plot yang dihasilkan: • Normal Probability Plot .1950 .747 3.056 a Dependent Variable: Y Koefisien regresi Berdasarkan output dengan tingkat signifikansi 95 %. Error .173 Variance Proportions (Constant) . secara parsial variabel bebas yang berpengaruh terhadap variabel tak bebas adalah X1 (sig < 0.00 .0000 .1466 -1. Model 1 Dimension 1 2 3 Eigenvalue 2.01 .0452 -2.804 1 (Constant) X1 X2 -9. Collinearity Statistics Tolerance VIF 17.Model Unstandardized Coefficients B -8.002 a Dependent Variable: Y Residuals Statistics(a) Minimum .000 .95 .98 Nilai VIF > 10 menunjukkan adanya multikolinieritas.01 .599 Mean 4.804 17.056 . Collinearity Diagnostics(a) Condition Index 1.380 .000 8.961 .037 .909 43.005 .000 Std. Predicted Value Std.04 X1 .05).416 2.013 Std.456 7.08045 .4965 2.02 .203 .663 Standardized Coefficients Beta .738 1.000 .006 1.89050 1.347 -2.102 t Sig.293 Maximum 10.

.00 .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.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. dengan demikian maka asumsi homoskedastisitas telah terpenuhi.75 1.75 Expected Cum Prob .0 -.00 .5 0.25 0.00 0.50 .50 .25 .5 -1.0 1.5 1.Normal P-P Plot of Regression Standardized Residu Dependent Variable: Y 1.5 2. • Plot antara *ZPRED dan *ZRESID Scatterplot Dependent Variable: Y 2 Regression Standardized Residual 1 0 -1 -2 -3 -1.

Sign up to vote on this title
UsefulNot useful