REGRESI BERGANDA

PENDAHULUAN
Apakah Konsumsi hanya dipengaruhi oleh
Pendapatan saja?
Ada beberapa variabel lain yang berpengaruh,
seperti jumlah anggota keluarga, umur anggota
keluarga, selera pribadi, dan sebagainya.
Bila dianggap variabel lain perlu diakomodasikan
dalam menganalisis konsumsi, maka Regresi
Sederhana dikembangkan menjadi Regresi
Berganda.
MODEL

Y
i
= |
0
+ |
1
X
1i
+ |
2
X
2i
+ |
3
X
3i
+ ........+ |
k
X
ki
+ u
i

i = 1,2,3,......., N (banyaknya observasi)

Contoh Aplikasi:
Y
i
= |
0
+ |
1
X
1
+ |
2
X
2
+ |
3
X
3
+ u
i

Y : Konsumsi
X
1
: Pendapatan
X
2
: Umur
X
3
: Jumlah tanggungan
ESTIMASI
Teknik Estimasi: Ordinary Least Square
Estimator:
b = (X
T
X)
-1
X
T
Y

Bentuk tersebut merupakan persamaan matriks,
dimana:
X adalah matriks data variabel bebas
X
T
adalah bentuk transpose matriks X
(X
T
X)
-1
adalah inverse perkalian matriks X
T
dan X
Y merupakan vektor data variabel terikat
Pemeriksaan Persamaan Regresi
Standard Error Koefisien
Interval Kepercayaan
Koefisien Determinasi
Nilai-nilai ekstrim
Uji Hipotesis:
Uji t
Uji F

Uji Hipotesis
Uji-F
Diperuntukkan guna melakukan uji hipotesis koefisien (slop)
regresi secara bersamaan.
H
0
: |
1
= |
2
= |
3
= |
4
=............= |
k
= 0
H
1
: Tidak demikian (paling tidak ada satu slop yang = 0)
Dimana: k adalah banyaknya variabel bebas.

Regresi sederhana:
H
0
: |
1
= 0
H
1
: |
1
= 0

Pengujian: Tabel ANOVA (Analysis of Variance).

Uji-F
Observasi: Y
i
= |
0
+ |
1
X
i
+ e
i
Regresi:
i
= b
0
+ b
1
X
i
(catatan:
i
merupakan estimasi dari Yi).

Bila kedua sisi dikurangi maka:


Selanjutnya kedua sisi dikomulatifkan:




SST SSR SSE
SST : Sum of Squared Total
SSR : Sum of Squared Regression
SSE : Sum of Squared Error/Residual

Y Y Y Y e
i i
= +

( ) (

) Y Y Y Y e
i i i
= +

2 2
( ) (

) Y Y Y Y e
i i i
= +

2 2 2
Y
Uji F
Tabel ANOVA
Sumber Sum of Square df Mean Squares F Hitung
Regresi SSR k MSR = SSR/k F = MSR
Error SSE n-k-1 MSE= SSE/(n-k-1) MSE
Total SST n-1

Dimana df adalah degree of freedom, k adalah jumlah variabel
bebas (koefisien slop), dan n jumlah observasi (sampel).
Bandingkan F
Hit
dengan F
(k,n-k-1)

Asumsi-asumsi yang mendasari OLS
Pendugaan OLS akan bersifat BLUE (Best
Linier Unbiased Estimate) jika memenuhi 3
asumsi utama, yaitu:
Tidak ada multikolinieritas
Tidak mengandung Heteroskedastisitas
Bebas dari otokorelasi

Multikolinieritas
Multikolinieritas: adanya hubungan linier
antara regressor.
Misalkan terdapat dua buah regressor, X
1

dan X
2
. Jika X
1
dapat dinyatakan sebagai
fungsi linier dari X
2
, misal : X
1
= X
2
, maka
ada kolinieritas antara X
1
dan X
2
. Akan
tetapi, bila hubungan antara X
1
dan X
2
tidak
linier, misalnya X
1
= X2
2
atau X
1
= log X
2
,
maka X
1
dan X
2
tidak kolinier.
Ilustrasi
Y
i
= |
0
+ |
1
X
1
+ |
2
X
2
+ |
3
X
3
+ u
i

Y : Konsumsi
X
1
: Total Pendapatan
X
2
: Pendapatan dari upah
X
3
: Pendapatan bukan dari upah

Secara substansi: total pendapatan (X
1
) = pendapatan dari
upah (X
2
) + pendapatan bukan dari upah (X
3
). Bila model ini
ditaksir menggunakan Ordinary Least Square (OLS), maka |
i

tidak dapat diperoleh, karena terjadi perfect multicollinearity.
Tidak dapatnya | diperoleh karena ( XT X )-1, tidak bisa dicari.

Data Perfect Multikolinieritas
X
1
X
2
X
3

12 48 51
16 64 65
19 76 82
23 92 96
29 116 118
Nilai-nilai yang tertera dalam tabel menunjukan bahwa Antara X1 dan X2
mempunyai hubungan: X2 = 4X1. Hubungan seperti inilah yang disebut
dengan perfect multicollinearity.
Akibat Multikolinieritas
Varians besar (dari taksiran OLS)
Interval kepercayaan lebar (variansi besar
Standar Error besar Interval kepercayaan lebar)
R
2
tinggi tetapi tidak banyak variabel yang
signifikan dari uji t.
Terkadang taksiran koefisien yang didapat akan
mempunyai nilai yang tidak sesuai dengan
substansi, sehingga dapat menyesatkan
interpretasi.

Kesalahan Interpretasi
Interpretasi dari persamaan regresi ganda
secara implisit bergantung pada asumsi
bahwa variabel-variabel bebas dalam
persamaan tersebut tidak saling berkorelasi.
Koefisien-koefisien regresi biasanya
diinterpretasikan sebagai ukuran perubahan
variabel terikat jika salah satu variabel
bebasnya naik sebesar satu unit dan seluruh
variabel bebas lainnya dianggap tetap.
Namun, interpretasi ini menjadi tidak benar
apabila terdapat hubungan linier antara
variabel bebas
(Chatterjee and Price, 1977).
Ilustrasi
Konsumsi (Y) Pendapatan (X
1
) Kekayaan (X
2
)
40 50 500
50 65 659
65 80 856
90 110 1136
85 100 1023
100 120 1234
110 140 1456
135 190 1954
140 210 2129
160 220 2267
Ilustrasi
Model:
Y = 12,8 1,414X
1
+ 0,202 X
2

SE (4,696) (1,199) (0,117)
t (2,726) (-1,179) (1,721)
R
2
= 0,982

R
2
relatif tinggi, yaitu 98,2%. Artinya?
Uji t tidak signifikan. Artinya?
Koefisien X1 bertanda negatif. Artinya?
Ilustrasi: Model dipecah
Dampak Pendapatan pada Konsumsi
Y = 14,148 + 0,649X
1
SE (5,166) (0,037)
t (2,739) (17,659)
R
2
= 0,975
R
2
tinggi, Uji t signifikan, dan tanda X
1
positif.

Dampak Kekayaan pada Konsumsi
Y = 13,587 + 0,0635X
2
SE (4,760) (0,003)
t (2,854) (19,280)
R
2
= 0,979
R
2
tinggi, Uji t signifikan, dan tanda X
2
positif.

X
1
dan X
2
menerangkan variasi yang sama. Bila 1 variabel saja
cukup, kenapa harus dua?
Mendeteksi Multikolinieritas dengan Uji
Formal
1. Eigenvalues dan Conditional Index
Aturan yang digunakan adalah: Multikolinieritas ditengarai
ada didalam persamaan regresi bila nilai Eigenvalues
mendekati 0.
Hubungan antara Eigenvalues dan Conditional Index (CI)
adalah sebagai berikut:
s eigenvalue
s eigenvalue
CI
min
max
=
Jika CI berada antara nilai 10 sampai 30:
kolinieritas moderat.
Bila CI mempunyai nilai diatas 30: kolinieritas
yang kuat.
2. VIF dan Tolerance
) 1 (
1
VIF
2
j
j
R
=
; j = 1,2,,k
k adalah banyaknya variabel bebas

adalah koefisien determinasi antara variabel bebas ke-j dengan
variabel bebas lainnya.
2
j
R
2
j
R
2
j
R
Jika
= 0 atau antar variabel bebas tidak berkorelasi, maka nilai VIF = 1.
0 atau ada korelasi antar variabel bebas, maka nilai VIF > 1. Jika
Oleh karena itu, dapat disimpulkan bahwa kolinieritas tidak ada
jika nilai VIF mendekati angka 1
Tolerance
VIF ini mempunyai hubungan dengan
Tolerance (TOL), dimana hubungannya
adalah sebagai berikut:
( )
2
j
1
1
TOL
j
R
VIF
= =
Variabel bebas dinyatakan tidak multikolinieritas jika
TOL mendekati 1
Mengatasi kolinieritas
Melihat informasi sejenis yang ada
Tidak mengikutsertakan salah satu variabel yang
kolinier
Banyak dilakukan.
Hati-hati, karena dapat menimbulkan specification bias
yaitu salah spesifikasi kalau variabel yang dibuang
merupakan variabel yang sangat penting.
Mentransformasikan variabel
Mencari data tambahan
Heteroskedastisitas (Heteroscedasticity)
Variasi Error tidak konstan. Umumnya terjadi pada data cross
section. Misal data konsumsi dan pendapatan, atau data
keuntungan dan asset perusahaan
0
20
40
60
80
100
120
0 20 40 60
Pola Data Heteroskedastis
Data Heteroskedastisitas
Fakta:
hubungan positif antara X dan Y, dimana nilai Y
meningkat searah dengan nilai X.
semakin besar nilai variabel bebas (X) dan
variabel bebas (Y), semakin jauh koordinat (x,y)
dari garis regresi (Error makin membesar)
besarnya variasi seiring dengan membesarnya
nilai X dan Y. Atau dengan kata lain, variasi data
yang digunakan untuk membuat model tidak
konstan.

Pemeriksaan Heteroskedastisitas
1. Metode Grafik
Prinsip: memeriksa pola residual (u
i
2
)
terhadap taksiran Y
i
.
Langkah-langkah:
Run suatu model regresi
Dari persamaan regresi, hitung u
i
2

Buat plot antara u
i
2
dan taksiran Y
i


Pola Grafik
u
i
2

.
i
Y
Pengamatan:
1.Tidak adanya pola yang sistematis.
2.Berapapun nilai Y prediksi, residual kuadratnya relatif sama.
3.Variansi konstan, dan data homoskedastis.

.
i
Y
,
Pola Adanya Heteroskedastisitas
Pola sistematis
u
i
2

u
i
2

.
i
Y
.
i
Y
Uji Park
Prinsip: memanfaatkan bentuk regresi untuk
melihat adanya heteroskedastisitas.
Langkah-langkah yang dikenalkan Park:
1. Run regresi Y
i
= o
0
+ |
0
X
i
+ u
i
2. Hitung ln u
i
2
3. Run regresi ln u
i
2
= o + | ln X
i
+ v
i

4. Lakukan uji-t. Bila | signifikan, maka ada
heteroskedastisitas dalam data.
Ilustrasi
Sales
man
X Y
Sales
man
X Y
Sales
man
X Y
1 2 10 11 15 80 21 32 180
2 3 15 12 17 90 22 33 185
3 4 20 13 18 95 23 34 190
4 5 25 14 19 100 24 37 205
5 7 35 15 20 105 25 39 215
6 8 40 16 22 120 26 40 220
7 10 50 17 23 125 27 42 230
8 11 60 18 25 135 28 43 235
9 12 65 19 27 145 29 44 240
10 13 70 20 30 160 30 45 245
Y = rata-rata bonus (dalam ribuan rupiah)
X = rata-rata sepatu terjual (dalam unit)
Ilustrasi
Y = -3,1470 + 5,5653 X
SE (0,0305) R
2
= 0,9992
slope signifikan: Bila sepatu terjual naik 1 unit, maka bonus
akan naik Rp.5.563.
Apakah ada heteroskedastisitas ?

Run regresi, didapat:
ln u
i
2
= 6,0393 2,1116 ln X
i
SE (0,0090) R
2
= 0,9995

Menurut uji t, | signifikan sehingga dalam model penjualan
sepatu vs bonus di atas ada heteroskedastisitas.
Uji Goldfeld Quandt
Metode Goldfeld Quandt sangat populer untuk digunakan, namun
agak merepotkan, terutama untuk data yang besar.
Langkah-langkah pada metode ini:
Urutkan nilai X dari kecil ke besar
Abaikan beberapa pengamatan sekitar median, katakanlah sebanyak c
pengamatan. Sisanya, masih ada (N c) pengamatan
Lakukan regresi pada pengamatan 1, dan hitung SSE 1
Lakukan regresi pada pengamatan 2 dan hitung SSE 2.
Hitung df = jumlah pengamatan dikurangi jumlah parameter
Lakukan uji F sbb.
1 1
2 2
df / RSS
df / RSS
=
Bila > F tabel, kita tolak hipotesis yang mengatakan data mempunyai variansi
yang homoskedastis
Ilustrasi
Ada 30 pengamatan penjualan sepatu dan bonus. Sebanyak 4
pengamatan yang di tengah diabaikan sehingga tinggal 13
pengamatan pertama (Kelompok I) dan 13 pengamatan kedua
(Kelompok II).

Regresi berdasarkan pengamatan pada kelompok I:
Y = -1,7298 + 5,4199 X R
2
= 0,9979
RSS1 = 28192,66 df1 = 11

Regresi berdasarkan pengamatan pada kelompok II:
Y = -0,8233 + 5,5110 X R
2
= 0,9941
RSS2 = 354397,6 df2 = 11

Ilustrasi
1 1
2 2
df / RSS
df / RSS
=
= 354397,6/11
28192,66/11
= 12,5706
Dari tabel F, didapat F = 2,82 sehingga > F
Kesimpukan: ada heteroskedastisitas dalam data
Mengatasi heteroskedastisitas
1. Transformasi dengan Logaritma
Transformasi ini ditujukan untuk memperkecil
skala antar variabel bebas. Dengan semakin
sempitnya range nilai observasi, diharapkan
variasi error juga tidak akan berbeda besar
antar kelompok observasi.
Adapun model yang digunakan adalah:
Ln Y
j
=
0
+
1
Ln X
j
+ u
j
2. Metode Generalized Least Squares
(GLS)
Perhatikan model berikut :
Y
j
= |
1
+ |
2
X
j
+ u
j
dengan Var (u
j
) = o
j
2

Masing-masing dikalikan
1
o
j
Y X u
j
j j
j
j
j
j
o
|
o
|
o o
=
|
\

|
.
|
|
+
|
\

|
.
|
|
+
|
\

|
.
|
|
1 2
1
Maka diperoleh transformed model sebagai berikut :
Y
i
* = |
1
* + |
2
X
i
* + u
i
*
GLS
Kita periksa dulu apakah ui* homoskedastis ?
1 ) (
1
) u ( E
1
u
E
2
i
2
i
2
i
2
i
2
i
2
i
= o
o
=
o
=
|
|
.
|

\
|
o
E(u
i
*
2
) =
konstan
Transformasi
Oleh karena mencari o
j
2
hampir tidak pernah diketahui, maka
biasanya digunakan asumsi untuk mendapat nilai o
j
2
. Asumsi
ini dapat dilakukan dengan mentransformasikan variabel. Ada
beberapa jenis, yaitu:
j
X
1
1. Transformasi dengan
Asumsi: o
j
2
= ( )
2
j
2 2
j
X u E o =
Akibat transformasi, model menjadi:
|
|
.
|

\
|
+ +
|
|
.
|

\
|
=
j
j
j j
j
u Y
X X
1
X
1 0
| |
atau dapat ditulis dengan: Y
i
* = |
0
X* + |
1
+ v
i
Transformasi
Apakah sudah homoskedastis? Perhatikan bukti berikut:
2
2
2
2
2
2 2
2
) X (
X
1
) (
X
1
X
o o = = =
|
|
.
|

\
|
j
j
j
j j
j
u E
u
E
E(v
i
2
) = konstan
2. Transformasi dengan
i
X
1
Asumsi: o
j
2
=
( )
j
2 2
j
X u E o =
3. Transformasi dengan E(Yi)
( )
2
j
2 2
j
)] [E(Y u E o = Asumsi: o
j
2
=
Otokorelasi
Otokorelasi: korelasi antara variabel itu
sendiri, pada pengamatan yang berbeda
waktu atau individu. Umumnya kasus
otokorelasi banyak terjadi pada data time
series Kondisi sekarang dipengaruhi waktu
lalu. Misal: Tinggi badan, upah, dsbnya.
Salah satu alat deteksi: melihat pola
hubungan antara residual (ui) dan variabel
bebas atau waktu (X).
Mendeteksi Otokorelasi
Pola Autokorelasi

ui ui
*
* **
* * * * * *
* * * **
* * * Waktu/X * ** Waktu/X
* * * *
***
*

Gambar nomor (1) menunjukan adanya siklus, sedang nomor (2)
menunjukan garis linier. Kedua pola ini menunjukan adanya
otokorelasi.
Uji Durbin-Watson ( Uji d)
d
u u
u
t t
t
N
t
t
N
=


=
=

(

)

1
2
2
2
1
Statistik Uji
Dalam Paket Program SPSS/EViews Sudah dihitungkan
Aturan main menggunakan uji Durbin-
Watson :
Bandingkan nilai d yang dihitung dengan nilai d
L

dan d
U
dari tabel dengan aturan berikut :
Bila d < d
L
tolak H
0
; Berarti ada korelasi yang positif
atau kecenderungannya = 1
Bila d
L
s d s d
U
kita tidak dapat mengambil kesimpulan
apa-apa
Bila d
U
< d < 4 d
U
jangan tolak H
0
; Artinya tidak ada
korelasi positif maupun negatif
Bila 4 d
U
s d s 4 d
L
kita tidak dapat mengambil
kesimpulan apa-apa
Bila d > 4 d
L
tolak H
0
; Berarti ada korelasi negatif
Gambar aturan main menggunakan uji
Durbin-Watson
Tidak tahu Tidak tahu
Korelasi positif Tidak ada korelasi Korelasi negatif
0 dL dU 4-dU 4-dL 4
Mengatasi Otokorelasi: Metode Pembedaan
Umum (Generalized Differences)
Yt =
0
+
1
X
t
+ u
t
dan u
t
= u
t-1
+ v
t


Untuk waktu ke- t-1: Y
t-1
=
0
+
1
X
t-1
+ u
t-1


Bila kedua sisi persamaan dikali dengan , maka:
Y
t-1
=
0
+
1
X
t-1
+ u
t-1


Sekarang kita kurangkan dengan persamaan Model
Y
t
- Y
t-1
= (
0
-
0
) +
1
(X
t
- X
t-1
) + (u
t
- u
t-1
)

Persamaan tersebut dapat dituliskan sebagai:
Y
t
* =
0
(1 - ) +
1
X
t
* + v
t



Dimana: Y
t
* = Y
t
- Y
t-1
dan X
t
* = X
t
- X
t-1

Idealnya kita
harus dapat
mencari nilai .
Tapi dalam
banyak kasus,
diasumsikan
= 1,
sehingga:
Yt* = Yt - Yt-1
Xt* = Xt - Xt-1
Pemilihan Model
1. R
2
Adjusted
Perhatikan Model:
(i) LABA = 5053,712 + 0,049 KREDIT; R
2
= 80,6%
(ii) LABA = 45748,484 + 0,0106 ASET + 0,0081 KREDIT; R
2
= 87,4%.
Model manakah yang lebih baik ditinjau dari koefisien
determinasi-nya?.
Sekarang kita perhatikan kembali formula untuk menghitung R
2

( )

= = =
2
2
2
1 1
SST
SSR
R
Y Y
u
SST
SSE
i
i
R
2
Adjusted
SST sama sekali tidak dipengaruhi oleh jumlah variabel bebas,
karena formulasinya hanya memperhitungkan variabel terikat
SSE dipengaruhi oleh variabel bebas, dimana semakin banyak
variabel bebas, maka nilai SSE cenderung semakin kecil, atau
paling tidak tetap. SSE kecil, maka nilai SSR akan besar.
Akibat kedua hal tersebut, maka semakin banyak variabel
bebas yang dimasukkan dalam model, maka nilai R
2
akan
semakin besar.

=
) 1 /( ) (
) /(
1
2
2
n Y Y
k n u
R
i
i
Pemilihan Model
2. Akaike Information Criterion (AIC)
n
SSE
e
n
u
e AIC
2k/n
2
i
2k/n
= =

|
.
|

\
|
+
|
.
|

\
|
=
n
RSS
ln
n
2k
AIC ln
Bila kita membandingkan dua buah regresi atau lebih, maka model yang
mempunyai nilai AIC terkecil merupakan model yang lebih baik.
Ilustrasi
LABA = 5053,712 + 0,049 KREDIT; SSE = 3,28E+12
LABA = 58260,461 + 0,013 ASET; SSE = 2,1E+12
LABA = 45748,484 + 0,0106 ASET + 0,0081 KREDIT; SSE =
2,17E+12
9868 , 24
50
12 3,28E
ln
50
2x2
n
RSS
ln
n
2k
AIC ln
(i)
=
|
.
|

\
|
+
+
|
.
|

\
|
=
|
.
|

\
|
+
|
.
|

\
|
=
5409 , 24
50
12 2,1E
ln
50
2x2
n
RSS
ln
n
2k
AIC ln
(ii)
=
|
.
|

\
|
+
+
|
.
|

\
|
=
|
.
|

\
|
+
|
.
|

\
|
=
6137 , 24
50
12 2,17E
ln
50
2x3
n
RSS
ln
n
2k
AIC ln
(iii)
=
|
.
|

\
|
+
+
|
.
|

\
|
=
|
.
|

\
|
+
|
.
|

\
|
=
Pemilihan Model
3. Schwarz Information Criterion (SIC)
n
SSE
n
n
u
n SIC
k/n
2
i
k/n
= =

|
.
|

\
|
+
|
.
|

\
|
=
n
RSS
ln ln
n
k
SIC ln n
Sama dengan AIC, model yang mempunyai nilai SIC terkecil merupakan
model yang lebih baik.
Ilustrasi
06 , 25
50
12 28 , 3
ln 50 ln
50
2
n
RSS
ln ln
n
k
SIC ln
(i)
=
|
.
|

\
|
+
+
|
.
|

\
|
=
|
.
|

\
|
+
|
.
|

\
|
=
E
n
62 , 24
50
12 1 , 2
ln 50 ln
50
2
n
RSS
ln ln
n
k
SIC ln
(ii)
=
|
.
|

\
|
+
+
|
.
|

\
|
=
|
.
|

\
|
+
|
.
|

\
|
=
E
n
73 , 24
50
12 17 , 2
ln 50 ln
50
3
n
RSS
ln ln
n
k
SIC ln
(iii)
=
|
.
|

\
|
+
+
|
.
|

\
|
=
|
.
|

\
|
+
|
.
|

\
|
=
E
n
Standarisasi Variabel
Kegunaan untuk perbandingan kontribusi antar variabel bebas
untuk menerangkan variabel terikat
Y
i *
i
S
Y Y
Y

=
X
i *
i
S
X X
X

=
Akibat standarisasi:
Y
i *
i
S
Y Y
Y

= 0
S n
0
S n
Y Y
Y
Y Y
i
*
i = =

(nilai tengah = 0)
=
( )
( )
1
) 1 /( 1
) 1 /(
2
2
2
2
2
*
=

=

=

Y
Y
Y
i
Y
S
n S n
S
n Y Y
S
(varian = 1)
Standarisasi Variabel
Model regresi yang menggunakan variabel
yang telah distandarisasi tidak akan
mempunyai intersep
Notasi yang diberikan untuk koefisien
tersebut adalah BETA.
Standarisasi variabel lebih berguna untuk
analisis pada model regresi berganda.