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:

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

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

93619 DurbinWatson 1. X2.000(a) 215. b Dependent Variable: Y Model Summary(b) Adjusted R Square .3 % Durbin Watson test digunakan untuk menguji asumsi non otokorelasi.272 16.05).884 R R Square . Model 1 Method Enter Menunjukkan bahwa semua variabel bebas masuk ke dalam model a All requested variables entered. X2.653 df 2 19 21 Mean Square 99.925 a Predictors: (Constant).636 .876 F 113.680 Sig. 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. ANOVA(b) Model 1 Regression Residual Total Sum of Squares 199. . Error of the Estimate .915 Std.961(a) .Variables Entered/Removed(b) Variables Entered X2. Coefficients(a) .923 a Predictors: (Constant). X1(a) Variables Removed . Untuk menentukan ada/tidaknya otokorelasi nilai tersebut dibandingkan dengan nilai dU dan dL yang terdapat dalam tabel Durbin Watson.

01 . Collinearity Statistics Tolerance VIF 17.456 7.347 -2.000 8.95 .00 .01 .861 .02 . Error .00 .909 43.0000 .89050 1. Predicted Value Std. Deviation 3.961 .000 .804 1 (Constant) X1 X2 -9.293 Maximum 10.738 1.000 .98 Nilai VIF > 10 menunjukkan adanya multikolinieritas.4965 2.380 .867 2.663 Standardized Coefficients Beta .1466 -1. Model 1 Dimension 1 2 3 Eigenvalue 2.599 Mean 4.006 1.04 X1 .3733 1.08045 .0452 -2.203 .056 a Dependent Variable: Y Koefisien regresi Berdasarkan output dengan tingkat signifikansi 95 %.99 X2 .747 3.416 2. secara parsial variabel bebas yang berpengaruh terhadap variabel tak bebas adalah X1 (sig < 0.951 N 22 22 22 22 Predicted Value Residual Std.002 a Dependent Variable: Y Residuals Statistics(a) Minimum . Collinearity Diagnostics(a) Condition Index 1. Residual a Dependent Variable: Y contoh plot yang dihasilkan: • Normal Probability Plot .013 Std.000 .05).056 .005 .708 .1950 .037 .102 t Sig.000 Std.Model Unstandardized Coefficients B -8.173 Variance Proportions (Constant) .804 17.

0 .75 1.00 .25 0.50 .0 2. • Plot antara *ZPRED dan *ZRESID Scatterplot Dependent Variable: Y 2 Regression Standardized Residual 1 0 -1 -2 -3 -1.5 2.5 0. .0 -.Normal P-P Plot of Regression Standardized Residu Dependent Variable: Y 1.5 -1.00 .00 0.5 1. dengan demikian maka asumsi homoskedastisitas telah terpenuhi.25 .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 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.50 .0 1.75 Expected Cum Prob .