Analisis Regresi Berganda

Dr. Hendro Widjanarko, SE., MM Jurusan Manajemen Fakultas Ekonomi UPN Veteran Yogyakarta

10/27/2013

Contoh Regresi sederhana

Daerah Jakarta Tangerang Bekasi Bogor Bandung Semarang Solo Yogya Surabaya Purwokerto Madiun Tuban Malang Kudus Pekalongan Sales (jt) Promosi (jt) outlet (m2) 205 26 159 206 28 164 254 35 198 246 31 184 201 21 150 291 49 208 234 30 184 209 30 154 204 24 149 216 31 175 245 32 192 286 47 201 312 54 248 265 40 166 322 42 287

10/27/2013

Descriptiv e Statistics Mean 246.40 34.67 187.93 Std. Deviation 41.11 9.68 38.09 N 15 15 15

SALES PROMOSI OUTLET

Correlations SALES 1.000 .916 .901 . .000 .000 15 15 15 PROMOSI .916 1.000 .735 .000 . .001 15 15 15 OUTLET .901 .735 1.000 .000 .001 . 15 15 15

Pearson Correlation

Sig. (1-tailed)

SALES PROMOSI OUTLET SALES PROMOSI OUTLET SALES PROMOSI OUTLET

10/27/2013

Analisis

Rata-rata sales (dgn jml data 15) adl Rp. 246,4 jt dgn st dev Rp. 41,11 jt Rata-rata bi promosi (jml data 15) adl Rp. 34,67 jt dgn st dev Rp. 9,68 jt Luas outlet rata-rata (jm data 15) adl 187,93 m2 dgn st dev 38,09 m2 Besar hub antar var sales dgn promosi yg dihit dgn koef kor adl 0,916. Hal ini menunjukkan hub yg sangat erat (mendekati 1) di antara sales dgn bi promosi. Sedangkan var sales dgn outlet adl 0,901.Scr teoritis, krn korelasi antara sales dan promosi lebih besar, maka variabel promosi lebih berpengaruh thd sales dibanding var outlet. Terjadi korelasi yg cukup kuat antara var promosi dgn outlet, yaitu 0,735. Hal ini menandakan adanya multikolinieritas, atau korelasi di antara variabel bebas.

10/27/2013

Tk sig koef kor satu sisi dr output (diukur dr probabilitas) menghasilkan angka 0.000 atau praktis 0. Oleh karena probabilitas jauh di bawah 0,05, maka korelasi antara sales dgn promosi dan outlet sangat nyata.

10/27/2013

b Variables Entered/Remov ed

Model 1

Variables Entered OUTLET,a PROMOSI

Variables Removed .

Method Enter

a. All requested variables entered. b. Dependent Variable: SALES

b Model Summary

Model 1

R R Square .976 a .952

Adjusted R Square .944

Std. Error of the Estimate 9.76

a. Predictors: (Constant), OUTLET, PROMOSI b. Dependent Variable: SALES

10/27/2013

Analisis
Tabel VARIABEL ENTERED mennjukkan bahwa tdk ada var yg dikeluarkan (removed), atau dgn kata lain kedua ver bebas dimasukkan dlm perhitungan regresi. Angk R square adl 0,952 (adl pengkuadratan dr koef kor). Hal ini berarti 95,2% sales perusahan dpt dijelaskan oleh var biaya promosi dan outlet yg disewa. Sedangkan sisanya (100%-95,2% = 4,8%) dijelaskan oleh sebab-sebab yg lain. R square berkisar pd angka 0 smp 1, dgn catatan semakin kecil angka R square, semakin lemah hub antar variabel. Std error f Estimate adl 9,76 atau Rp. 9,76 jt (satuan yg dipakai adl var dependen, dlm hal ini adalah sales). Artinya bahwa std deviasi sales adl Rp. 41,11 jt, yg jauh lebih besar dr std error of estimate yg hanya Rp. 9,76 jt. Oleh karena lebih kecil dr std dev sales, maka model regresi lebih bagus dlm bertindak sbg prediktor sales dr pd rata-rata sales itu sendiri.

10/27/2013

ANOVAb Sum of Squares 22521.299 1142.301 23663.600

Model 1

df 2 12 14

Regression Residual Total

Mean Square 11260.649 95.192

F 118.294

Sig. .000 a

a. Predictors: (Constant), OUTLET, PROMOSI b. Dependent Variable: SALES

Coefficientsa Standardi zed Coefficien ts Beta .551 .496

Model 1

(Constant) PROMOSI OUTLET

Unstandardized Coefficients B Std. Error 64.639 13.112 2.342 .398 .535 .101

t 4.930 5.892 5.297

Sig. .000 .000 .000

a. Dependent Variable: SALES

10/27/2013

Bagaimana Anda meyakinkan bahwa spesifikasi model ekonometri yang Anda gunakan tepat dalam kasus regresi 2 variabel? Jika dalam data Anda ada beberapa angka negatif namun Anda menginginkan koefisien regresi diukur dengan elastisitas, apa yang akan Anda lakukan? Jelaskan mengapa model regresi dengan intersep lebih disarankan daripada regresi tanpa intersep.

10/27/2013

Analsis
Dari uji ANOVA atau F test, didapat F hitung adl 118,294 dg tk sig 0,0000. Oleh karena prob (0,000) jauh lebih kecil dr 0,05 maka model regresi dpt dipakai unt memprediksi sales. Atau dpt dikatakan, promosi dan luas outlet yg disewa secara bersama-sama berpengaruh thd sales. Tabel selanjutnya mengambakan pers regresi: Y = 64,639 + 2,342 X1 +0,535 X2 Dimana : Y = sales X1 = bi promosi X2 = luas out let Konstanta sebesar 64,639 menyatakan bahwa jk tdk ada bi promosi dan outlet yg disewa perusahaan, maka sales adl sebesar Rp. 64,639 jt. Koef reg X1 sebesar 2,343 menyatakan bahwa setiap penambahan (krn tanda +) Rp. 1,- maka bi promosi akan meningkatkan sales sebesar Rp. 2,343,-. Koef reg X2 sebesar 0,535 menyatakan bahwa setiap penambahan (krn tanda +) 1m2 luas outlet yg disewa akan meningkatkan sales sebesar Rp. 0,535 ,-. Uji t unt menguji sig konstanta dan var dependen (promosi).

10/27/2013

Terlihat bahwa pada kolom sig/significance adalah 0,000 atau probabilitas jauh di bawah 0,05. Maka Ho di tolak, atau koefisien reg signifikan, atau promosi benar-benar berpengaruh scr sig thd sales. Terlihat bahwa pada kolom sig/significance adalah 0,000 atau probabilitas jauh di bawah 0,05. Maka Ho di tolak, atau koefisien reg signifikan, atau outlet benar-benar berpengaruh scr sig thd sales.

10/27/2013

a Casewise Diagnostics

Case Number 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

DAERAH Jakarta Tangeran g Bekasi Bogor Bandung Semaran g Solo Yogya Surabaya Purwokert o Madiun Tuban Malang Kudus Pekalong an

Std. Residual -.448 -.844 .368 .810 .454 -.652 .336 -1.124 -.053 -.942 .524 -.490 -.562 -.126 2.748

SALES 205 206 254 246 201 291 234 209 204 216 245 286 312 265 322

Predicted Value 212.68 220.46 247.70 232.13 193.23 302.17 228.24 228.24 204.90 232.13 236.02 294.39 321.62 267.15 274.93

Residual -7.68 -14.46 6.30 13.87 7.77 -11.17 5.76 -19.24 -.90 -16.13 8.98 -8.39 -9.62 -2.15 47.07

a. Dependent Variable: SALES

10/27/2013

Casewise diagnostic memperlihatkan hasil prediksi dr persamaan regresi. Misal pd baris pertama unt reg daerah jakarta: Pers regresi adl: Y = 111,523 + 3,891 X Unt bi promosi jakarta, dr data awal kasus adl Rp. 26 jt, maka: Y = 111,523 + (3,891 x 26) atau 212, 689 Terlihat pd kolom predicted value atau nilai yg diprediksi adl 212,68 (dibulatkan) Kolom residual adalah selisih antara sales yg sesungguhnya dgn sales hail prediksi; 205-212,68 = -7,68 atau Rp. 7,68 jt. Kolom std residual atau standardized residual/residual yg distandardisasikan adl hasil perhitungan;

10/27/2013

 Kolom std residual atau standardized residual/residual yg distandardisasikan adl hasil perhitungan; Residual/std error of estimate untk jakarta: -7,68/17,13 = -0,448 Angka 17,13 dr out put bagian empat (Model Summary), dan berlaku untuk semua daerah (15 data). Semakin kecil Residual akan semakin baik bagi persamaan regresi dalam memprediksi data.

10/27/2013

a Residuals Statistics

Predicted Value Std. Predicted Value Standard Error of Predicted Value Adjusted Predicted Value Residual Std. Residual Stud. Residual Deleted Residual Stud. Deleted Residual Mahal. Distance Cook's Distance Centered Leverage Value

Minimum 193.23 -1.412 4.42 191.17 -19.24 -1.124 -1.174 -20.99 -1.192 .001 .000 .000

Maximum 321.62 1.998 10.16 326.84 47.07 2.748 2.909 52.75 4.732 3.991 .511 .285

Mean 246.40 .000 6.05 246.79 -2.27E-14 .000 -.010 -.39 .111 .933 .067 .067

Std. Deviation 37.65 1.000 1.65 38.69 16.50 .964 1.025 18.71 1.423 1.108 .128 .079

N 15 15 15 15 15 15 15 15 15 15 15 15

a. Dependent Variable: SALES

10/27/2013

Bagian ini (residual statistics) adl unt membuat ringkasan yang meliputi nilai minimum dan maksimum, mean dan std deviasi dari predicted value (nilai yg diprediksi) dan statistik residu.

10/27/2013

Bagian gambar/chart
Partial Regression Plot Dependent Variable: SALES
50 Kudus 40 30 20 10 0 -10 Malang Bogor Bekas i Surabay Madiun a Y ogy a Bandung Solo Jakarta Tangerang Purwok erto Pekalongan Tuban Semarang

SALES

-20 -30 -20

-10

10

20

PROMOSI

10/27/2013

a. Hub SALES dgn PROMOSI

Terlihat bahwa sebaran data membentuk arah ke kanan atas, dan jika ditarik garis lurus akan didapat slope yg positif. Hal ini sesuai dgn koefisien regresi (nilai slope) promosi yg positif.

10/27/2013

Partial Regression Plot Dependent Variable: SALES

50 40 30 20 10 0Kudus Pekalongan

Bogor Madiun Bandung Bekasi Solo Surabaya Tuban Semarang Yogya -20 0 20 40 60 80 Jakarta Malang Tangerang Purw okerto

SALES

-10 -20 -40

OUTLET

10/27/2013

b. Hub SALES dgn OUTLET

terlihat bahwa sebaran data membentuk arah ke kanan atas, dan jika ditarik garis lurus akan didapat slope yg positif. Hal ini sesuai dgn koefisien regresi (nilai slope) outlet yg positif.

10/27/2013

Uji regresi berganda (2)

PT Sukses dalam beberapa bulan gencar mempromosikan sejumlah peralatan elektronik dengan membuka outlet-outlet di berbagai daerah. Berikut adalah data mengenai penjualan biaya promosi dan jumlah outlet yang dikeluarkan di 15 daerah di Indonesia.
Daerah Jakarta Tangerang Bekasi Bogor Bandung Semarang Solo Yogya Surabaya Purwokerto Madiun Tuban Malang Kudus Pekalongan
10/27/2013

Sales (jt) Promosi (jt) outlet (m2) 205 26 159 206 28 164 254 35 198 246 31 184 201 21 150 291 49 208 234 30 184 209 30 154 204 24 149 216 31 175 245 32 192 286 47 201 312 54 248 265 40 166 322 42 287

Tambahan kinerja variabel yang baru adalah: Laju penduduk suatu daerah, dengan satuan % tiap tahun. Jumlah kmpetitor (pesaing), dengan satuan kompetitor. Pendapatan rata-rata penduduk suatu daerah, dgn satuan juta rupiah per tahun.

10/27/2013

Analisis
.
SALES INCOME LAJU_PEN OUTLET PESAING PROMOSI

Descriptiv e Statistics Mean 246.40 3.33 1.98 187.93 16.20 34.67 Std. Deviation 41.11 .92 .51 38.09 3.88 9.68 N 15 15 15 15 15 15

Correlations SALES 1.000 -.287 -.143 .901 .744 .916 . .150 .305 .000 .001 .000 15 15 15 15 15 15 INCOME -.287 1.000 -.111 -.252 -.073 -.339 .150 . .347 .183 .397 .108 15 15 15 15 15 15 LAJU_PEN -.143 -.111 1.000 -.199 -.495 -.062 .305 .347 . .238 .030 .413 15 15 15 15 15 15 OUTLET .901 -.252 -.199 1.000 .574 .735 .000 .183 .238 . .013 .001 15 15 15 15 15 15 PESAING .744 -.073 -.495 .574 1.000 .796 .001 .397 .030 .013 . .000 15 15 15 15 15 15 PROMOSI .916 -.339 -.062 .735 .796 1.000 .000 .108 .413 .001 .000 . 15 15 15 15 15 15

Pearson Correlation

Sig. (1-tailed)

SALES INCOME LAJU_PEN OUTLET PESAING PROMOSI SALES INCOME LAJU_PEN OUTLET PESAING PROMOSI SALES INCOME LAJU_PEN OUTLET PESAING PROMOSI

10/27/2013

Analisis

Rata-rata sales (jml data 15) adl Rp. 246,4 jt dgn st dev Rp. 41,11 jt. Rata-rata income (jml data 15) adl Rp. 3,328 jt dgn st dev Rp. 922.100 jt. Rata-rata laju penduduk (jml data 15) adl Rp. 1,9833 % dgn st dev 0,507 %. Luas outlet Rata-rata (jml data 15) adl 187,93 m2 dgn st dev 38,09 m2. Rata-rata biaya promosi (jml data 15) adl Rp. 34,67 jt dgn st dev Rp. 9,68 jt. Pesaing Rata-rata (jml data 15) adl 16,2 pesaing (dibulatkan 16 kompetitor) dgn st dev 3,88.

10/27/2013

Korelasi
Pada kolom satu; Besar hub antar var sales dgn var bebas, dgn diurutkan dari terbesar ke terkecil: Promosi = 0,916 Outlet = 0,901 Pesaing = 0,744 Income = 0,287 (tanda hanya menunjukkan arah hub yg berlawanan) Laju penduduk = 0,143 (Hal ini menunjukkan var pesaing dan laju penduduk mempunyai korelasi yg lemah krn dibawah 0,5) Terjadi korelasi yg cukup kuat antara var promosi dgn outlet dan pesaing (diatas 0,5). Hal ini menandakan adanya multikolinieritas, atau korelasi antara ketiga var tersebut. Tingkat sig koef kor satu sisi dr output (diukur dr probabilitas) menghasilkan angka yg bervariasi, dgn catatan var laju penduduk dan income tdk berkorelasi scr sig (mempunyai nilai sig di atas 0,05) dgn var lainnya.

10/27/2013

b Variables Entered/Remov ed

Model 1

Variables Entered PROMOSI, LAJU_PE N, INCOME, OUTLET, a PESAING

Variables Removed

Method

Enter

INCOME

LAJU_PEN

PESAING

Backward (criterion: Probabilit y of F-to-remo ve >= .100). Backward (criterion: Probabilit y of F-to-remo ve >= .100). Backward (criterion: Probabilit y of F-to-remo ve >= .100).

a. All requested variables entered. b. Dependent Variable: SALES

10/27/2013

Metode backward dimulai dgn memasukkan semua var (pd model 1 yg mempunyai ket ENTER). Kemudian dilakukan analisis dan variabel yg tdk layak masuk dlm regresi dikluarkan satu per satu. Model 2 menyatakan var yg dikeluarkan (removed) adl var income. Kemdian pada model 3, var laju_pen yg dikeluarkan. Pada model ke 4 var pesaing yg dikeluarkan. Dengan demikian setelah melewati 4 tahapan, var bebas yg layak dimasukkan dlm model regresi adl var promosi dan outlet.

10/27/2013

e Model Summary

Model 1 2 3 4

R R Square .976 a .954 .976 b .953 .976 c .953 .976 d .952

Adjusted R Square .928 .935 .940 .944

Std. Error of the Estimate 11.05 10.50 10.07 9.76

a. Predictors: (Constant), PROMOSI, LAJU_PEN, INCOME, OUTLET, PESAING b. Predictors: (Constant), PROMOSI, LAJU_PEN, OUTLET, PESAING c. Predictors: (Constant), PROMOSI, OUTLET, PESAING d. Predictors: (Constant), PROMOSI, OUTLET e. Dependent Variable: SALES

10/27/2013

Adjusted R square

Standard error of estimate

10/27/2013

ANOVAe Sum of Squares 22564.432 1099.168 23663.600 22561.748 1101.852 23663.600 22548.747 1114.853 23663.600 22521.299 1142.301 23663.600

Model 1

df 5 9 14 4 10 14 3 11 14 2 12 14

Regression Residual Total Regression Residual Total Regression Residual Total Regression Residual Total

Mean Square 4512.886 122.130 5640.437 110.185 7516.249 101.350 11260.649 95.192

F 36.952

Sig. .000 a

51.191

.000 b

74.161

.000 c

118.294

.000 d

a. Predictors: (Constant), PROMOSI, LAJU_PEN, INCOME, OUTLET, PESAING b. Predictors: (Constant), PROMOSI, LAJU_PEN, OUTLET, PESAING c. Predictors: (Constant), PROMOSI, OUTLET, PESAING d. Predictors: (Constant), PROMOSI, OUTLET e. Dependent Variable: SALES

10/27/2013

Analisis

Dari uji ANOVA atau F test, didapat F hitung unt model 4 atau model yg dipakai adl 118,294 dgn tk sig 0,0000. Oleh karena prob (0,000) jauh lebih kecil dr 0,05, maka model regresi dpt dipakai unt memprediksi sales. Dapat dikatakan Promosi dan luas outlet yg disewa secara bersamasama berpengaruh thd sales.

10/27/2013

Coefficientsa Standardi zed Coefficien ts Beta .012 .034 .509 .091 .475 .037 .511 .102 .461 .497 .056 .506 .496 .551

Model 1

(Constant) INCOME LAJU_PEN OUTLET PESAING PROMOSI (Constant) LAJU_PEN OUTLET PESAING PROMOSI (Constant) OUTLET PESAING PROMOSI (Constant) OUTLET PROMOSI

Unstandardized Coefficients B Std. Error 50.126 36.000 .548 3.698 2.760 9.485 .550 .123 .970 2.099 2.017 .924 51.275 33.393 3.035 8.835 .551 .117 1.084 1.855 1.960 .797 61.435 14.864 .537 .104 .597 1.147 2.148 .555 64.639 13.112 .535 .101 2.342 .398

t 1.392 .148 .291 4.455 .462 2.183 1.536 .343 4.717 .584 2.459 4.133 5.146 .520 3.870 4.930 5.297 5.892

Sig. .197 .885 .778 .002 .655 .057 .156 .738 .001 .572 .034 .002 .000 .613 .003 .000 .000 .000

Collinearity Statistics Tolerance VIF .750 .377 .395 .132 .109 .392 .397 .152 .132 .459 .366 .251 .459 .459 1.333 2.651 2.534 7.592 9.162 2.549 2.518 6.573 7.556 2.179 2.729 3.985 2.177 2.177

a. Dependent Variable: SALES

10/27/2013

Analisis

Collinearity statistic: Pada kolom TOLERANCE Besar toleransi 0,750, hal ini berarti R2 adl 1-0,750 atau 0,250. Berarti hanya 25% variabilitas income dpt dijelaskan oleh prediktor (var bebas) yg lain. Default SPSS bagi angka tolerance adl 0,0001. Semua var yg akan dimasukkan dlm perhitungan model regresi hrs mempunyai tolerance di atas 0,0001. (semua var telah memenuhi persyaratan ambang toleransi)

10/27/2013

KOLOM VIF VIF (variance Inflation Factor) mempunyai persamaan: VIF = 1/Tolerance Misal; pada model 1 unt var Income, didapat besar tolerance 0,750. Maka besar VIF adl 1/0,75 = 1,333 Jika VIF lebih besar dr 5, maka var tsb terjadi multikolienirita dgn var bebas yg lainnya.

10/27/2013

Mengambarkan persamaan regresi Pada model 4, pada kolom Unstandadized Coefficient, didapat persamaan: Y = 64,639 + 2,342 X1 + 0,535 X2

10/27/2013

a Collinearity Diagnostics

Model 1

Dimension 1 2 3 4 5 6 1 2 3 4 5 1 2 3 4 1 2 3

Eigenvalue 5.774 .120 7.567E-02 1.701E-02 1.108E-02 2.452E-03 4.857 .101 2.342E-02 1.648E-02 2.552E-03 3.937 3.723E-02 1.751E-02 8.330E-03 2.954 3.462E-02 1.124E-02

Condition Index 1.000 6.944 8.735 18.423 22.827 48.526 1.000 6.942 14.400 17.169 43.623 1.000 10.284 14.994 21.740 1.000 9.237 16.210

(Constant) .00 .00 .00 .01 .28 .71 .00 .00 .12 .00 .88 .00 .48 .08 .44 .00 .58 .42

INCOME .00 .13 .26 .02 .54 .05

Variance Proportions LAJU_PEN OUTLET .00 .00 .04 .01 .15 .00 .05 .55 .01 .07 .75 .37 .00 .00 .14 .00 .09 .00 .02 .62 .75 .37 .00 .00 .46 .53 .00 .00 1.00

PESAING .00 .01 .01 .06 .08 .84 .00 .02 .02 .13 .84 .00 .04 .47 .48

PROMOSI .00 .01 .00 .05 .13 .81 .00 .01 .17 .01 .81 .00 .14 .03 .82 .00 .41 .59

a. Dependent Variable: SALES

10/27/2013

Analisis

10/27/2013

d Excluded Variables

Model 2 3 4

INCOME INCOME LAJU_PEN INCOME LAJU_PEN PESAING

Beta In .012 a .017 b .037 b .027 c -.011 c .056 c

t .148 .219 .343 .393 -.165 .520

Sig. .885 .831 .738 .702 .872 .613

Partial Correlation .049 .069 .108 .118 -.050 .155

Collinearity Statistics Minimum Tolerance VIF Tolerance .750 1.333 .109 .780 1.282 .211 .392 2.549 .132 .885 1.130 .434 .945 1.058 .436 .366 2.729 .251

a. Predictors in the Model: (Constant), PROMOSI, LAJU_PEN, OUTLET, PESAING b. Predictors in the Model: (Constant), PROMOSI, OUTLET, PESAING c. Predictors in the Model: (Constant), PROMOSI, OUTLET d. Dependent Variable: SALES

10/27/2013

Analisis

10/27/2013

Analisis

10/27/2013

a Residuals Statistics

Minimum Predicted Value 194.09 Residual -14.89 Std. Predicted Value -1.304 Std. Residual -1.526 a. Dependent Variable: SALES

Maximum 323.83 17.84 1.930 1.829

Mean 246.40 1.89E-15 .000 .000

Std. Deviation 40.11 9.03 1.000 .926

N 15 15 15 15

10/27/2013

Terimakasih
Malang, 22 Juli 2008

10/27/2013