1 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
RSS Feed
Home
Ilmu Politik
Ilmu Budaya
Metode Penelitian
Dunia Komputer
6,574,848
M E T O D E P E N E L IT IA N
Share
76
Organisasi Manajemen
Statistik
O LEH : S ETA BA S RI
Share:
Buku Saya
Suka
76
Tweet
Uji regresi berganda banyak sekali dipakai dalam penelitian. Pemakaian baik untuk keperluan
Telah Terbit
skripsi ataupun penelitian sehari-hari. Kelebihan uji regresi adalah kemampuannya melakukan
prediksi. Bagi kalangan guru sekolah atau dosen, uji regresi bisa dipakai untuk memprediksi
perilaku siswa, baik dalam hal nilai atau perilaku-perilaku lainnya.
Regresi Berganda Simultan atau Standar adalah kembangan lebih lanjut dari Penelitian
Korelasional. Lewat Uji Regresi hendak dilihat bagaimana suatu variabel mempengaruhi variabel
lain. Regresi Berganda Simultan atau Standar juga kerap disebut Standard Multiple Regression
atau Simultaneous Multiple Regression).
Dalam uji regresi berganda simultan, seluruh variabel prediktor (bebas) dimasukkan ke dalam
perhitungan regresi secara serentak. Jadi, peneliti bisa menciptakan persamaan regresi guna
memprediksi variabel terikat dengan memasukkan, secara serentak, serangkaian variabel bebas.
Persamaan regresi kemudian menghasilkan konstanta dan koefisien regresi bagi masing-masing
variabel bebas.
Selain Regresi Berganda Simultan atau Standar, ada pula Regresi Berganda Stepwise dan Regresi
Berganda Hirarki. Tulisan ini hanya hendak mendalami Regresi Berganda Simultan atau Standar
saja.
Label
biografi politik (2)
humaniora (3)
komputer (26)
politika (10)
7. Pada bagian Residual, ceklis Casewise diagnostics dan Outliers outside 3 standard
deviations.
8. Klik Continue.
9. Klik tombol Options. Pada bagian Missing Values ceklis Exclude cases pairwise.
10. Klik tombol Plots, lakukan :
11. Klik *ZRESID dan tombol panah untuk memindahkannya ke kotak y-axis.
12. Klik *ZPRED dan tombol panah untuk memindahkannya ke kotak x-axis.
14. Klik *SRESID dan tombol panah untuk memindahkannya ke kotak y-axis (untuk
melihat homoskedastisitas)
15. Klik *ZPRED dan tombol panah untuk memindahkannya ke kotak x-axis (untuk melihat
homoskedastisitas)
16. Pada bagian Standardized Residual Plots, ceklis pilihan Normal probability plot.
21. Pada bagian Distances, ceklis Mahalanobis, Cooks, dan Leverage values.
22. Pada bagian Influence Statistics, ceklis Standardized dfBeta(s) dan Standardized DiFit
23. Klik Continue.
09/05/2014 13:48
2 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
POPULAR
LABEL
bebas) dibutuhkan untuk mengisi persamaan uji regresi. Tabachnick and Fidell (1996, p.132)
memberi rumus guna menghitung sampel yang dibutuhkan uji Regresi, berkaitan dengan jumlah
variabel bebas yang digunakan:
n > 50 + 8m
Dimana :
n = Jumlah Sampel
Jika peneliti menggunakan 5 variabel bebas, maka jumlah sampel yang dibutuhkan adalah 90
orang, dalam mana 50 ditambah ( 5 x 8) = 50 + 40 = 90.
2. Outlier
Regresi Berganda sangat sensitif terhadap Outlier (skor terlalu tinggi atau terlalu rendah).
Pengecekan terhadap skor-skor ekstrim seharusnya dilakukan sebelum melakukan Regresi
Berganda. Pengecekan ini dilakukan baik terhadap variabel bebas maupun terikat. Outlier bisa
dihapus dari data atau diberikan skor untuk variabel tersebut yang tinggi, tetapi tidak terlampau
beda dengan kelompok skor lainnya. Prosedur tambahan guna mendeteksi outlier juga terdapat
pada program SPSS file mah_1. Outlier pada variabel terikat dapat diidentifikasi dari Standardised
Residual plot yang dapat disetting. Tabachnick and Fidell (1996, p. 139) menentukan outlier adalah
nilai-nilai Standardised Residual di atas 3,3 (atau < - 3,3).
Followers
Join this site
with Google Friend Connect
Outlier juga bisa dicek menggunakan jarak Mahalanobis yang tidak diproduksi oleh program
Regresi Berganda SPSS ini. Ia tidak terdapat dalam output SPSS. Untuk mengidentifikasi sampel
mana yang merupakan Outlier, anda perlu menentukan nilai kritis Chi Square, dengan
menggunakan jumlah variabel bebas yang digunakan dalam penelitian sebagai degree of
freedom-nya atau derajat kebebasan. Pallant menggunakan Alpha 0,001 agar lebih meyakinkan,
yang rinciannya sebagai berikut:
Sponsors
Untuk menggunakan tabel kritis Chi Square, lakukan langkah berikut:
1. Tentukan variabel bebas yang digunakan dalam analisis;
2. Temukan nilai di atas pada salah satu kolom berbayang; dan
Tes Kecepatan Blog
Direktori Indonesia
3. Normalitas Residu
Normalitas adalah residu yang seharusnya terdistribusi normal seputar skor-skor variabel terikat.
Residu adalah sisa atau perbedaan hasil antara nilai data pengamatan variabel terikat terhadap
nilai variabel terikat hasil prediksi. Untuk melihat apakah residu normal atau tidak, dapat
dilakukan dengan cara berikut:
1. Melihat grafik Normal P-P Plot, dan
Translate
Diberdayakan oleh
Terjemahan
2. Uji Kolmogorov-Smirnov
Pada grafik Normal P-P Plot, residu yang normal adalah data memencar mengikuti fungsi distribusi
normal yaitu menyebar seiring garis z diagonal. Residu normal dari uji Kolmogorov-Smirnov
adalah diperolehnya nilai p > 0,05.
Linieritas adalah residual yang seharusnya punya hubungan dalam bentuk straight-line dengan
skor variabel terikat yang diprediksi. Homoskedastisitas adalah varians residual seputar skor-skor
variabel terikat yang diprediksi seharusnya sama bagi skor-skor yang diprediksi secara
keseluruhan.
09/05/2014 13:48
3 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
4. Multikolinieritas
Uji Regresi mengasumsikan variabel-variabel bebas tidak memiliki hubungan linier satu sama lain.
Sebab, jika terjadi hubungan linier antarvariabel bebas akan membuat prediksi atas variabel
terikat menjadi bias karena terjadi masalah hubungan di antara para variabel bebasnya.
Dalam Regresi Berganda dengan SPSS, masalah Multikolinieritas ini ditunjukkan lewat tabel
Coefficient, yaitu pada kolom Tolerance dan kolom VIF (Variance Inflated Factors). Tolerance
adalah indikator seberapa banyak variabilitas sebuah variabel bebas tidak bisa dijelaskan oleh
variabel bebas lainnya. Tolerance dihitung dengan rumus 1 R2 untuk setiap variabel bebas. Jika
nilai Tolerance sangat kecil (< 0,10), maka itu menandakan korelasi berganda satu variabel bebas
sangat tinggi dengan variabel bebas lainnya dan mengindikasikan Multikolinieritas. Nilai VIF
merupakan invers dari nilai Tolerance (1 dibagi Tolerance). Jika nilai VIF > 10, maka itu
mengindikasikan terjadinya Multikolinieritas.
Hipotesis untuk Multikolinieritas ini adalah:
5. Autokorelasi
Autokorelasi juga disebut Independent Errors. Regresi Berganda mengasumsikan residu observasi
seharusnya tidak berkorelasi (atau bebas). Asumsi ini bisa diuji dengan teknik statistik DurbinWatson, yang menyelidiki korelasi berlanjut antar error (kesalahan). Durbin-Watson menguji
apakah residual yang berdekatan saling berkorelasi. Statistik pengujian bervariasi antara 0 hingga
4 dengan nilai 2 mengindikasikan residu tidak berkorelasi. Nilai > 2 mengindikasikan korelasi
negatif antar residu, di mana nilai < 2 mengindikasikan korelasi positif. >
Cara melakukan uji Durbin-Watson adalah, nilai Durbin-Watson hitung harus lebih besar dari batas
atas Durbin-Watson tabel. Syarat untuk mencari Durbin-Watson tabel adalah Tabel Durbin-Watson.
Untuk mencari nilai Durbin-Watson tabel:
1. tentukan besar n (sampel) dan k (banyaknya variabel bebas).
2. Tentukan taraf signifikansi penelitian yaitu 0,05.
Durbin-Watson hitung dapat dicari dengan SPSS. Nilai Durbin-Watson hitung terdapat dalam output
SPSS, khususnya pada tabel Model Summary. Hipotesis untuk Autokorelasi ini adalah:
Terima H0 jika Durbin-Watson hitung lebih besar dari ..... dan Durbin-Watson hitung
lebih kecil dari 4 - .....; Artinya tidak ada Autokorelasi.
Tolak H0 jika Durbin-Watson hitung lebih kecil dari ..... atau 4 - ..... lebih kecil dari
.....; Artinya ada Autokorelasi.
09/05/2014 13:48
4 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
6. Homoskedastisitas
Uji Regresi bisa dilakukan jika data bersifat Homoskedastisitas bukan Heteroskedastisitas.
Homoskedastisitas adalah kondisi dalam mana varians dari data adalah sama pada seluruh
pengamatan. Terdapat sejumlah uji guna mendeteksi gejala heteroskedastisitas misalnya uji
Goldfeld-Quandt dan Park. Namun, Wang and Jain beranggapan bahwa Uji Park dapat lebih teliti
dalam memantau gejala heteroskedastisitas ini. Dengan demikian, penelitian ini
menggunakan Uji Park guna menentukan gejala heteroskedastisitas variabel-variabelnya.
akan
Uji Park dilakukan dengan meregresikan nilai residual (Lne2) dengan masing-masing variabel
independent. The Park test suggests that if heteroscedasticity is present, the heteroscedastic
varianc e_i^2 may be systematically related to one or more of the explanatory variables. Rumus
uji Park sebagai berikut:
09/05/2014 13:48
5 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
Jika uji Park dianggap terlampau rumit, maka pengujian alternatif dapat ditempuh guna melihat
apakah terjadi Homoskedastisitas atau Heteroskedastisitas.
Caranya dengan melihat grafik persilangan SRESID dengan ZPRED pada output hasil SPSS.
Caranya sebagai berikut:
1. Klik Analyze --> Regression --> Linear
2. Klik Plot.
3. Isikan SRESID pada y-axis dan ZPRED pada x-axis.
4. Klik Continue. Perhatikan grafik scatterplot. Ingat, Homoskedastisitas terjadi jika
varians dari residual satu pengamatan ke pengamatan lain tetap atau sama.
Heteroskedastisitas terjadi jika varians dari residual satu pengamatan ke pengamatan
lain tidak sama atau tidak tetap.
Homoskedastisitas terjadi jika tidak terdapat pola tertentu yang jelas, serta titik-titik menyebar di
atas dan di bawah angka 0 pada sumbu Y. Heteroskedastisitas terjadi jika terdapat titik-titik
memili pola tertentu yang teratur seperti bergelombang, melebar kemudian menyempit.
Interpretasi Hasil Uji Regresi Berganda
Setelah uji Regresi Berganda selesai dilakukan, peneliti harus melakukan interpretasi. Rumus
Regresi Berganda (standar) adalah sebagai berikut:
Setelah pengujian Regresi Berganda dengan SPSS selesai, hal-hal penting untuk interpretasi
adalah apa yang tercantum pada tabel-tabel pada output SPSS.
Tabel Descriptives
Pada tabel Descriptive dapat dilihat nilai Standar Deviasi. Nilai ini terdapat pada kolom Std.
Deviation. Nilai ini nanti akan diperbandingkan dengan nilai Std. Error of the Estimate.
Tabel Model Summary
Tabel ini memberi informasi seberapa baik model analisis kita secara keseluruhan, yaitu
bagaimana 4 variabel bebas mampu memprediksikan 1 variabel terikat, dengan rincian sebagai
berikut ini:
Kolom Model. Menunjukkan berapa buah model analisis yang kita bentuk.
Kolom R. Menunjukkan seberapa baik variabel-variabel bebas memprediksikan hasil (multiple
correlation coefficient). Kisaran nilai R adalah 0 hingga 1. Semakin nilai R mendekati angka 1,
maka semakin kuat variabel-variabel bebas memprediksikan variabel terikat. Namun, ketepatan
nilai R ini lebih disempurnakan oleh kolom Adjusted R Square yang merupakan koreksi atas nilai
R.
Kolom Adjusted R Square. Fungsinya menjelaskan apakah sampel penelitian mampu mencari
jawaban yang dibutuhkan dari populasinya. Kisaran nilai Adjusted R Square adalah 0 hingga 1.
Pedoman interpretasi atas nilai Adjusted R Square adalah sebagai berikut:
Kalikan Adjusted R2 dengan 100% maka akan diperoleh berapa % varians tiap sampel pada
variabel terikat bisa diprediksi oleh variabel-variabel bebas secara bersama-sama (simultan).
Std. Error of the Estimate. Kolom ini menjelaskan seberapa kuat variabel-variabel bebas bisa
memprediksi variabel terikat. Nilai Std. Error of the Estimate diperbandingkan dengan nilai Std.
Deviation (bisa dilihat pada tabel Descriptives). Jika Std. Error of the Estimate < Std. Deviation,
maka Std. Error of the Estimate baik untuk dijadikan prediktor dalam menentukan variabel terikat.
09/05/2014 13:48
6 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
Jika Std. Error of the Estimate > Std. Deviation, maka Std. Error of the Estimate tidak baik untuk
dijadikan prediktor dalam mementukan variabel terikat.
Durbin-Watson. Kolom ini digunakan untuk mengecek uji asumsi Autokorelasi. Bagaimana variabel
bebas yang satu berkorelasi dengan variabel bebas lainnya. Durbin-Watson ini digunakan dalam uji
asumsi Regresi sebelumnya.
Tabel Coefficients
Pada tabel Coefficient, mohon perhatikan lalu jelaskan nilai-nilai yang tertera pada kolom-kolom
berikut ini:
Model. Kolom ini menjelaskan berapa banyak model analisis yang dibuat peneliti. Pada kolom ini
juga terdapat nama-nama variabel bebas yang digunakan dalam penelitian. Variabel-variabel
tersebut diberi label Constant yaitu nilai konstanta yang digunakan dalam persamaan uji Regresi
Berganda (a).
Unstandardized Coefficient. Kolom ini terdiri atas b dan Std. Error. Kolom b menunjukkan Koefisien
b, yaitu nilai yang menjelaskan bahwa Y (variabel terikat) akan berubah jika X (variabel bebas)
diubah 1 unit.
Standardized Coefficients. Pada kolom ini terdapat Beta. Penjelasan sebelumnya mengenai nilai b
punya masalah karena variabel-variabel kerap diukur menggunakan skala-skala pengukuran yang
berbeda. Akibatnya, kita tidak bisa menggunakan nilai b guna melihat variabel-variabel bebas
mana yang punya pengaruh lebih kuat atas variabel terikat. Misalnya, jika variabel yang diteliti
adalah jenis kelamin yang punya skala minimal 1 dan maksimal 2 dan pengaruhnya terhadap sikap
yang skalanya minimal 1 dan maksimal 6, nilai b diragukan efektivitas prediksinya. Ini akibat nilai
yang diperolehnya rendah atas pengaruh perbedaan skala pengukuran. Untuk memastikan
pengaruh inilah maka nilai Beta dijadikan patokan. Nilai Beta punya kisaran 0 hingga 1, di mana
semakin mendekati 1 maka semakin berdampak besar signifikansinya.
Sig. Kolom ini menjelaskan tentang signifikansi hubungan antar variabel bebas dengan variabel
terikat. Nilai Sig. ini sebaiknya adalah di bawah 0,05 (signifikansi penelitian).
Tolerance. Kolom ini menjelaskan banyaknya varians pada suatu variabel yang tidak bisa
dijelaskan oleh variabel prediktor lainnya. Kisarannya 0 hingga 1, di mana semakin mendekati 1
maka semakin mengindikasikan prediktor-prediktor lain tidak bisa menjelaskan varians di variabel
termaksud. Nilai yang semakin mendekati 0 artinya hampir semua varians di dalam variabel bisa
dijelaskan oleh variabel prediktor lain. Nilai Torelance sebaiknya ada di antara 0,10 hingga 1.
Tabel ANOVA
Sig. Tabel ANOVA menunjukkan besarnya angka probabilitas atau signifikansi pada perhitungan
ANOVA. Nilai yang tertera digunakan untuk uji kelayanan Model Analisis [dimana sejumlah variabel
x mempengaruhi variabel y] dengan ketentuan angka probabilitas yang baik untuk digunakan
sebagai model regresi harus < 0,05. Nilai ini bisa dilihat pada kolom Sig. Jika Sig. < 0,05, maka
Model Analisis dianggap layak. Jika Sig. > 0,05, maka Model Analisis dianggap tidak layak.
Pengambilan Keputusan dengan Tabel ANOVA
Dalam Regresi Berganda, hal utama yang hendak dilihat adalah apakah serangkaian variabel
bebas secara serentak mempengaruhi variabel terikat. Dalam output SPSS ini bisa ditentukan
lewat tabel ANOVA.
Pada tabel ANOVA terdapat kolom F. Nilai yang tertera pada kolom F tersebut disebut sebagai F
hitung. F hitung ini diperbandingkan dengan F tabel. Peraturannya:
09/05/2014 13:48
7 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
Koefisien Determinasi
Dalam uji Regresi Berganda, Koefisien Determinasi digunakan untuk mengetahui persentase
sumbangan pengaruh serentak variabel-variabel bebas terhadap variabel terikat. Untuk itu,
digunakan angka-angka yang ada pada Tabel Model Summary.
Cara menentukan Koefisien Determinasi sangatlah mudah. Peneliti tinggal melihat nilai pada kolom
R2 dikalikan 100%. Misalnya nilai R2 adalah 0,7777. Dengan demikian Koefisien Determinasinya =
0,7777 x 100% = 77,77%. Jadi, secara serentak variabel-variabel bebas mempengaruhi variabel
terikat sebesar 77,77%. Sisanya, yaitu 100 77,77% = 22,23% ditentukan oleh variabel-variabel
lain yang tidak disertakan di dalam penelitian.
Koefisien Regresi Parsial
Koefisien Regresi Parsial menunjukkan apakah variabel-variabel bebas punya pengaruh secara
parsial (terpisah atau sendiri-sendiri) terhadap variabel terikat?
Pada Tabel Coefficient, pengujian Hipotesis akan dilakukan. Uji hipotesis dilakukan dengan
menggunakan Uji t. Pernyataan Hipotesis yang hendak diuji sebagai berikut:
Nilai t hitung bisa dilihat pada kolom t bagi masing-masing variabel bebas.
Nilai t tabel bisa dicari dengan cara berikut ini:
1. = 0,05; untuk uji 2 sisi = 0,025
2. Degree of Freedom (df) = jumlah sampel jumlah variabel bebas 1 (angka 1 adalah
konstanta) = 48 4 1 = 43.
3. Cari persilangan antara df = 43 dan 0,025.
4. Pencarian nilai t tabel dengan Excel mudah sekali. Ketik rumus =tinv(0,05;43).
----------------------------------------Daftar Pustaka
Andi Field, Discovering Statistics using SPSS: And Sex Drug and Alcohol, Second Edition
(London: SAGE Publication, 2005)
Daniel Muijs, Doing Quantitative Research in Education with SPSS (London: SAGE
Publication Ltd., 2004)
George C.S. Wang and Chaman L. Jain, Regression Analysis: Modelling and Forecasting
(New York: Graceway Publishing Company, 2003)
Jonathan Sarwono, Statistik Itu Mudah: Panduan Lengkap untuk Melakukan Komputasi
Statistik Menggunakan SPSS 16 (Yogyakarta: Penerbit ANDI, 2009)
Julie Pallant, SPSS Survival Manual: A Step by Step Guide to Data Analysis using SPSS
for Windows, Third Edition (Berkshire: McGraw-Hill and Open University Press, 2007)
Nancy L. Leech, Karen C. Barrett, George A. Morgan, SPSS for Intermediate Statistics:
Use and Interpretation, Second Edition (New Jersey: Lewrence Erlbaum Associates,
Publishers, 2005)
Sarah Boslaugh and Paul Andrew Watter, Statistics in a Nutshell: A Desktop Quick
Reference (Sebastopol: OReilly Media, Inc., 2008)
Simon Washington, Matthew G. Karlaftis and Fred L. Mannering, Statistical and
Econometric Methods for Transportation Data Analysis, (Boca Raton : Chapman &
09/05/2014 13:48
8 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
Hall/CRC, 2003)
Tony Wijaya, Analisis Data Penelitian Menggunakan SPSS (Yogyakarta: Penerbit
Universitas Atma Jaya Yogyakarta, 2009)
tags:
cara uji regresi berganda dengan spss menafsirkan output hasil spss arti tabel summary koefisien
determinasi regresi parsial mengolah hasil spss
392 komentar:
yuanita Kamis, 28 April, 2011
Terima kasih, tulisan saudara membantu saya lebih memahami statistik..terus menulis ya! ^*
Balas
Balasan
seta basri
seta basri
Balasan
seta basri
Balasan
seta basri
09/05/2014 13:48
9 of 38
seta basri
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
seta basri
Kelihatannya tidak masalah. Asalkan variabel x (dalam item kuesioner) punya pilihan jawaban
1 s/d 5 dan variabel y juga 1 s/d 5. Nilai Standardized Coefficient (kolom Beta dalam SPSS)
memang digunakan untuk mengukur kekuatan pengaruh. Sumber : Robert Ho, Handbook of
Univariate and Multivariate Dana Analysis and Interpretation with SPSS(Boca Raton: Chapman
& Hall, 2006) pp. 200-1.
Balas
seta basri
seta basri
seta basri
Ada ym saya dengan nama yang serupa. Namun, di ruang ini juga tidak mengapa Pak.
Sekalian jadi saya juga sekalian belajar. Silakan.
Balas
09/05/2014 13:48
10 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
berpengaruh terhadap 1 variabel terikat. ada 4 hipotesis. yang ingin saya tanyakan apakah
boleh menguji normalitas, heterokedastisitas, multikolinier dan autokorelasi dengan
menggabungkan data ke-4 variabel bebas tersebut menjadi 1? atau harus diuji satu-satu ya
pak? terima kasih
Balas
seta basri
Empat variabel bebas tidak boleh dikompresi menjadi satu variabel. Masing-masing variabel
berdiri sendiri.
Jika menggunakan SPSS, contohnya dalam uji asumsi autokorelasi, maka masukkan variabel
x1, x2, x3, dan x4 ke independent(s) dan variabel y ke dependent. Demikian untuk uji-uji
asumsi lainnya.
Balas
seta basri
seta basri
@ Bayu: Hierarchical Multiple Regression adalah uji regresi guna mengetahui pengaruh
sejumlah variabel bebas atas variabel terikat, di mana peneliti menganggap pengaruh satu
atau sejumlah variabel bebas lebih mempengaruhi variabel terikat ketimbang variabel bebas
lain yang diikutsertakan dalam penelitian. Misalnya, dalam meneliti Stabilitas Politik (VT)
peneliti (berdasarkan teori) menggunakan Pembangunan Ekonomi (VB1) dan Pelembagaan
Politik (VB2). Namun, berdasarkan teori peneliti memperoleh informasi bahwa Pembangunan
Ekonomi (VB1) lebih berpengaruh atas Stabilitas Politik (VT) ketimbang Pelembagaan Politik
(VB2). Sebab itu, dalam menghitung Regresi, peneliti menggunakan Hierarchical Multiple
Regression: Peneliti melakukan dua kali pengujian. Pertama menguji pengaruh VB1 atas VT
(disebut Model 1). Kedua menguji pengaruh VB2 atas VT (disebut Model 2). Setelah itu
peneliti melihat R-squarenya dikali 100%. Semakin mendekati 100% artinya VB tersebut lebih
berpengaruh atas VT.
@ anonim: Dengan demikian berarti VB dalam menjelaskan 100% varians VT. Kalau rangkaian
uji validitas, uji reliabilitas, dan uji-uji asumsi regresi sudah dilaksanakan hasil tersebut sahih.
Balas
seta basri
@ Bayu: Maaf ada perbaikan. VB2 (yang dianggap kurang berpengaruh) dihitung terlebih
dahulu disebut Model 1. Setelah itu baru VB1 (yang dianggap lebih berpengaruh) disebut
Model 2. Lalu perbandingkan nilai R Square Changed. Apakah nilai Model 2 lebih tinggi dari
Model 1? Jika nilai lebih tinggi dari Model 1 (otomatis juga nilai R Square-nya) maka pengaruh
VB1 atas VT lebih besar ketimbang VB2 atas VT.
Rumusnya tentu berbeda. Dalam HMR dilihat nilai perubahan kuadrat R, apakah lebih tinggi
atau lebih rendah dari masing-masing Model.
Balas
09/05/2014 13:48
11 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
Kira-kira buku apa yang mempunyai penjelasan lengkap tentang regresi berganda hirarki plus
pengujiannya dengan SPSS atau alat lain, Pak ?
Terima kasih benyak sebelumnya..
Balas
seta basri
Kalau keduanya berasal dari kelompok sampel yang berbeda bisa gunakan uji Mann-Whitney
atau Kolmogorov-Smirnov.
Balas
seta basri
Data
Analysis
and
Balas
seta basri
seta basri
Untuk SE silakan lihat di link http://setabasri01.blogspot.com/2011/04/analisis-deskriptifdengan-importance.html khususnya sub D.4. SE intinya seberapa baik sampel mewakili
populasi.
Balas
seta basri
Kalau R dan Adjusted R Sq = 1 artinya sampel penelitian "tinggi ketepatannya" dalam mencari
jawaban yang dibutuhkan dari populasinya. Lihat pula nilai Sig. hasil perhitungan SPSS. Jika
(umumnya) < 0,05 maka nilai "1" hasil perhitungan signifikan. Jika >= 0,05 maka nilai "1"
tidak signifikan.
Untuk pengambilan keputusan dalam uji hipotesis, lihat sub E. Pengambilan Keputusan: Tabel
ANOVA. Lalu juga perhatikan nilai koefisien determinasinya, dimana nilai ini menentukan
pengaruh x terhadap y sebesar "sekian" persen. Jangan lupa kaitkan dengan teori-teori yang
telah dimuat dalam landasan teori sebelumnya.
Balas
09/05/2014 13:48
12 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
purposive sampling dimana dari populasi sebanyak 133 perusahaan, hanya terdapat 33
perusahaan yg memenuhi kriteria penelitian saya.. pada penelitian ini, saya akan menguji
pengaruh 4 variable independen terhadap 1 variable dependen,. dalam penelitian saya, akan
dipakai 3 tahun (2008, 2009 dan 2010) untuk kepentingan penelitian..
saya akan menggunakan analisa regresi berganda, apakah jumlah sampel sebanyak 33 sampel
sudah cukup untuk dapat menjalankan alat statistik (analisa regresi berganda SPSS)..??
apakah bisa dibenarkan bahwa jumlah sampel saya sebanyak 99 sampel yang didapat dari 33
perusahaan x 3 tahun? apa alasannya pak?
mohon bimbingan dan informasinya pak...
terima kasih pak..
Balas
seta basri
Wah, anda yang sepatutnya membimbing saya. Saya bahkan sama sekali belum pernah
melakukan penelitian atas banyak perusahaan seperti yang Bapak lakukan. Mohon anggap
jawaban saya sebagai lontaran pendapat yang patut dikoreksi lebih lanjut ya. Setahu saya,
dalam regresi umumnya dicari nilai R sebagai wujud dari pengaruh X terhadap Y. Taksiran nilai
R ini rentan dan sangat bergantung pada jumlah prediktor (VB) dan ukuran sampel. Mohon
tidak dianggap nilai R yang dijelaskan kemudian ini dimaksud sebagai "nilai R" hasil Uji
Regresi. Bukan demikian, melainkan untuk menaksir jumlah sampel "terbaik" yang harus dicari
akibat adanya sejumlah Prediktor. Dalam menaksir jumlah sampel, asumsi paling ideal R=0
dan paling kurang ideal R=1. Rumus "fleksibel" dalam menaksir "nilai R jenis ini" adalah
R=k/(N-1) di mana k=jumlah VB, N=jumlah sampel. Angka ideal untuk rumus tersebut adalah
0 sebagai yang paling ideal dan 1 sebagai yang paling kurang ideal. Misalnya, kita punya 6 VB
dan sampel 21 maka R=k/(N-1)=6/(21-1)=6/20=0,3. Bandingkan dengan kita punya 6 VB
dan sampel 100 maka R=k/(N-1)=6/(100-1)=6/99=0,06. Dapat dilihat 0,06 lebih ideal karena
lebih dekat ke 0 ketimbang 0,3. Juga dapat disebut 100 sampel lebih mendekati ideal
ketimbang 21 sampel.
Kalau pendapat saya, apakah dengan prediktor 4 variabel dan sampel 33 uji regresi bisa
dilaksanakan, maka jawabannya bisa. Dan itu bergantung pada pilihan peneliti. Umumnya,
dalam mengharapkan "nilai R hasil hitung SPSS, ada 3 harapan para peneliti sehubungan uji
regresi, yaitu: (1) Mengharapkan efek yang besar; (2) Mengharapkan efek sedang; dan (3)
Mengharapkan efek kecil. Jika (1) yang diharapkan, maka dengan 4 prediktor k.l. 40 sampel
mencukupi. Jika (2) yang diharapkan, maka dengan 4 prediktor 85 sampel mencukupi. Jika (3)
yang diharapkan, maka dengan 4 prediktor > 500 sampel baru mencukupi. Jika ditanyakan
manakah yang paling ideal, maka jawabannya adalah yang nomor (3). Namun, hal tersebut
bergantung pada problem peneliti di lapangan. Misalnya, seperti kasus Bapak, dari 133
perusahaan hanya 33 yang memenuhi kriteria seperti dipersyaratkan desain penelitian yang
sudah susah-payah disusun sebelumnya. Hal tersebut belum lagi ditambah keterbatasan
waktu, dana, dan kelindan birokrasi di masing-masing perusahaan. Jika Bapak yakin dengan
33 perusahaan tersebut, dilanjutkan saja karena "keterbatasan" penelitian toh dapat kita
sematkan di dalam "catatan penting penelitian." Dan, tetapkan saja 33 sampel karena
sesungguhnya beda tahun masing-masingnya dikhawatirkan ada "unknown variable" yang
tidak terprediksi dalam desain penelitian. Saran saya --mohon dikoreksi, ya--- kalau multiple
regression, lihat saja deskripsi nilai R antar tahun tersebut lalu dijelaskan keunikan masingmasing tahun. Semoga sukses penelitiannya.
Balas
Balasan
mariana Selasa, 19 Juni, 2012
ASSALAMULAIKUM...PAK SERTA BASRI....dalm menggunakn regresi berganda kn
dapat kita ketahui dgn statistik menggunakn asumsi klasik dalam mengambil
keputusan......sy agk bingun dalam menggunakn asumsi klasik malah...sy gk thu
skali tentang ...asumsi klasik itu sndiri....bs bantu sy dalam penjelasn statistik dalm
menggunakan regresi berganda untuk mengetahui pengaruh terhdap 4 variabel
bebas dan satu terikat....sy sdh mengethaui nilai signifikan ...tp sy bingun dalam
menguji statistik dgn asumusi klasikx....bs di jelaskn sedikit tentang cara menguji
statistik asumsi klasikx.....ats bantuanx...sy ucpakn teriman. kasih...wassalam.
seta basri
Wa 'alaikumus salam.
Uji asumsi klasik diadakan sebelum dilakukan Uji Regresi. Tentu saja, tidak semua
proses bimbingan di perguruan tinggi melakukan uji asumsi ini. Ada sejumlah
dosen yang menghendaki mahasiswanya melakukan uji asumsi tersebut, tetapi
banyak pula yang tidak. Bagi yang tidak berkehendak mungkin berpendapat
pengadaan uji-uji tersebut "terlalu rumit" sehingga dikhawatirkan malah
membingungkan mahasiswa. Namun, kemungkinan juga ada sementara dosen yang
tidak memahami makna mengapa uji asumsi terlebih dahulu harus diadakan
sebelum uji statistik dilangsungkan. Jadi, uji asumsi bukanlah uji regresi. Uji asumsi
adalah persyaratan yang harus dipenuhi terlebih dahulu sebelum uji regresi layak
dilakukan. Pengambilan keputusan atas hipotesis tidak dilakukan berdasarkan uji
asumsi melainkan uji regresi.
Adapun cara melakukan uji asumsi untuk regresi sudah saya muat pada tulisan di
atas. Jika langkah Regresi Berganda dengan SPSS mulai 1 s/d 24 dilakukan, maka
otomatis uji asumsi pun telah dikalkulasi. Nama-nama uji asumsi untuk regresi
berganda (misalnya 4 VB dan 1 VT) juga ada pada tulisan di atas berikut bagaimana
cara menafsirkannya. Selamat mempelajari dan semoga bermanfaat.
Balas
09/05/2014 13:48
13 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
seta basri
1. Untuk Uji Normalitas dengan Kolmogorov-Smirnov, maka data yang normal adalah Asym.
Sig. Kolmogorov-Smirnov hitung > Sig. Penelitian (umumnya 0,05). Cara melakukan uji
normalitas dengan SPSS adalah :
a) Klik Analyze --> Nonparametric Tests --> 1-Sample K-S.
b) Pada jendela One-Sample Kolmogorov-Smirnov Test, masukkan variabel-variabel bebas dan
terikatnya (misalnya x1, x2, x3, x4, dan y ke kotak Test Variable List.
c) Pastikan sudah terceklis Normal pada Test Distribution.
d) Klik OK.
Dari hasil SPSS perbandingkan nilai Asymp. Sig. (2-tailed) atau P-Value dengan Signifikansi
Penelitian (misalnya 0,05). Jika P-Value > Signifikansi Penelitian maka data distribusi normal.
Jika < maka tidak normal.
2. Jika Uji Regresi melibatkan lebih dari 1 variabel bebas sebaiknya uji autokorelasi diadakan
untuk memastikan tidak ada hubungan berlebihan antar variabel bebas. Jika menggunakan 1
variabel bebas saja, autokorelasi menjadi tidak perlu. Data antar tahun kiranya berbeda satu
sama lain. Untuk cara menentukan, menghitung, dan membandingkan Durbin-Watson ada di
content tulisan saya di atas atas, sub C.4.
Balas
seta basri
Berdasarkan nilai Sig. 0,913. Mohon perbandingkan F-Hitung SPSS di tabel Anova dengan
F-Tabel. Apakah F-Hitung tersebut lebih besar ataukah kecil? Jika lebih besar, maka
simpulannya: "Tiga VB mempengaruhi Satu VT tidak secara signifikan." Jika lebih kecil, maka
simpulannya: "Tiga VB tidak mempengaruhi Satu VT tidak secara signifikan."
Mohon pula dilihat tabel Model Summary. Lihat kolom R-Square. Apakah hasilnya positif
ataukah negatif.
Jika negatif maka ada kemungkinan Regresor berlebihan. Artinya Variabel Bebas satu dengan
lainnya saling tumpang tindih mengukur konsep yang sama. Juga, indikator-indikator variabel
bebas terlampau banyak. Jika memang nilai R-Square nya negatif, maka disarankan untuk
menyederhanakan jumlah variabel atau jumlah indikator di dalam masing-masing variabel.
Jika positif maka mohon dicek apakah uji-uji vadilitas, reliabilitas sudah dilakukan. Juga
apakah setelah itu juga sudah dilakukan rangkaian uji asumsi klasik regresi berganda seperti
Ukuran Sampel, Normalitas Residu, Multikolinieritas, Autokorelasi, Heterokedastisitas. Jika
seluruh rangkaian ini sudah dilakukan dan lolos, maka nilai Sig. 0,913 tersebut berlaku.
Balas
09/05/2014 13:48
14 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
seta basri
to: show up
Pendapat saya begini saja (mohon dicek di sumber lain, ya ...), asumsikan bahwa seluruh
proses desain dan perhitungan statistik telah memenuhi kaidah. Tiba saat melakukan
pengujian hipotesis. Hipotesis yang diuji dalam analisis regresi umumnya begini:
H0 : Tidak ada pengaruh X terhadap Y.
H1 : Ada pengaruh X terhadap Y.
Taraf keyakinan penelitian adalah 95% yang berarti peneliti yakin bahwa kemungkinan Mean
Populasi akan berada dalam interval keyakinan sebesar 0,95 dan hanya 0,05 yang berada di
luar itu. (Ingat kurva normal).
Setelah dihitung ternyata nilai Sig. pada tabel Anova = 0.913. Lalu, apa yang bisa diputuskan?
Kira-kira kalimatnya begini:
"Dalam Taraf Keyakinan 95% dan Interval Keyakinan 0,05 maka H0 tidak ditolak dan pengaruh
tidak signifikan secara statistik." Dengan demikian patut dinyatakan bahwa Tidak Ada
Pengaruh X terhadap Y dan Pengaruh X terhadap Y sebesar 0,078 (dari R Square) tidak
signifikan secara statistik. Dengan dapat disimpulkan bahwa tidak ada pengaruh variabel .....
terhadap variabel ....
Namun, umumnya pembimbing 'berkeras' bahwa H0 harus ditolak dan H1 harus diterima. Nah,
kalau data penelitian sudah menyatakan H0 tidak dapat ditolak lantas bagaimana? Apakah
kuesionernya harus diubah, direkayasa? Nah, kesamaan pemahaman dengan para pembimbing
patut dibangun antara peneliti dan pembimbingnya. Penelitian yang baik adalah
menginterpretasikan data dan hasil pengujian secara apa adanya. Sekali lagi ini pendapat
saya, silakan dikroscek dengan pembimbing skripsi karena dia adalah 'pembela' di sidang
skripsi yang sesungguhnya.
Balas
Balasan
seta basri
Tambahan:
Ketika nilai sig. test > sig. penelitian (> .05) maka kita umumnya menolak hipotesis
penelitian (H1). Namun, perlu diingat bahwa itu bukan berarti H0 sebagai "benar."
H0 hanyalah sebuah proposisi yang menyatakan bahwa tidak ada efek variabel atas
populasi. Sehingga tidak dapat secara sederhana begitu saja dikatakan bahwa hasil
uji hipotesis yang tidak signifikan secara statistik (> .05) lantas diartikan bahwa
variabel dalam pengujian adalah juga "0" (secara absolut sebagai tidak ada efek).
Sebagai kembangan, juga jangan secara mudah menyatakan bahwa diterimanya H0
sebagai murni "tidak ada pengaruh" atau murni "tidak ada hubungan" antar
variabel. Intinya, nilai sig. penelitian tidak menyatakan bahwa H0 adalah benar
secara absolut. Nah, di sinilah argumentasi dari seorang peneliti dikembangkan.
Lihat nilai-nilai uji non sig. penelitian (misalnya nilai R, R Square). Terlebih di dalam
penelitian ilmu sosial di mana yang diteliti adalah persepsi manusia.
seta basri
Secara statistik pengertiannya pun demikian. Hal yang patut diingat adalah, dalam
penelitian (umumnya) digunakan sampel. Sementara itu, setiap hipotesis (H0
maupun H1) ditujukan kepada "populasi." Sampel diasumsikan "representatif"
mewakili populasi. Ketika H1 ditolak dan H0 berlaku tentu saja nilainya tidak
absolut, karena "sampel" seberapapun representatifnya bukanlah "populasi" yang
sesungguhnya. Hal ini di antaranya dapat dilihat dari (misalnya) nilai r (uji korelasi)
ataupun R (uji regresi). Besar kecilnya kedua nilai tersebut, kendati tidak signifikan
secara statistik mencerminkan H0 yang tiada absolut tadi. Tetap ada
dampak/pengaruh/hubungan, kendati tidak signifikan.
Balas
09/05/2014 13:48
15 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
seta basri
seta basri
to: rescyana
Transformasi x dan y juga. Tidak bisa uji regresi x masih decimal 10 y log natural. Interpretasi
ya hasil ln tersebut.
Balas
seta basri
1. Dari menur bar klik Analyze > Regression > Linear ... [Muncul jendela Linear Regression]
2. Klik variabel Y > Masukkan ke Dependent.
3. Tentukan BLOK#1. Klik variabel-variabel X > Masukkan ke Independent(s).
4. Pada sel Method pilih Enter > Klik Next
5. Tentukan BLOK#2. Masukkan variabel-variabel X ke Independent(s).
6. Pada sel Method pilih Enter.
7. Klik Statistics > Pada jendela Linear Regression: Statistics ceklis Estimates, Confidence
intervals, Model fit, R squared change, dan Collinearity diagnostics (sesuaikan dengan
kebutuhan penelitian).
8. Klik Continue
9. Pada jendela Linear Regression > Klik Options....
10. Pada jendela Linear Regression: Options > Pastikan Use probability of F dan Include
constant in equation sudah terceklis. Juga pada Missing Values, ceklis Exclude cases listwise >
Klik Continue.
11. Pada jendela Linear Regression > Klik OK.
12. SPSS menghitung dan hasilnya sila lihat di Output.
Balas
seta basri
Sepengetahuan saya, kecenderungan data umumnya dilihat dari modus, median, atau yang
paling populer "mean." Mean data ini, entah primer ataupun sekunder lalu diperbandingkan
dengan Standar Deviasi. Jika tidak demikian lalu kecenderungan data sekunder bagaimana
melihatnya?
Balas
Balasan
Anonim Minggu, 15 April, 2012
09/05/2014 13:48
16 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
maksud saya dari pengambilan keputusan : ANOVA sampai koef regresi parsial
terimakasih sebelumnya
seta basri
Untuk yang E (Pengambilan Keputusan dengan Tabel ANOVA) dilihat dari Tabel
ANOVA hasil output SPSS. Untuk F (Koefisien Determinasi) dilihat dari Tabel Model
Summary hasil output SPSS, yang kendati pada contoh saya digunakan nilai pada
kolom R Square, tetapi ada sejumlah pendapat yang menyatakan sebaiknya yang
digunakan adalah nilai Adjusted R Square. Untuk yang G (Koefisien Regresi Parsial)
dilihat dari Tabel Coefficient >> Kolom t. Sama-sama. Semoga mencerahkan.
seta basri
model
melalui
(-26.885)artinya
apa y pak?
mohon
Coefficients(a)
Unstandardized Coefficients Standardized Coefficients
B Std. Error Beta t Sig.
(Constant)-26.885 7.877 -3.413 .001
ktrmpln .952 .196 .418 4.859 .000
modul .767 .154 .430 4.992 .000
a. Dependent Variable: hasil
Balas
Balasan
seta basri
09/05/2014 13:48
17 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
Bagian mana yang paling penting dari 7 item yang saya sebutkan diatas?
Artikel diatas ada kalimat
"Kolom Adjusted R Square. Fungsinya menjelaskan apakah sampel penelitian mampu mencari
jawaban yang dibutuhkan dari populasinya. Kisaran nilai Adjusted R Square adalah 0 hingga 1.
Pedoman interpretasi atas nilai Adjusted R Square adalah sebagai berikut..."
Maksudnya gimana itu yah???
Balas
Balasan
seta basri
Khusus untuk linear berganda di SPSS? Saya coba ya. Yang lain boleh kok
mengoreksi atau menambahi.
1. Uji t. Nilai ini tampak di tabel Coefficients kolom Standardized Coefficients. Nilai t
(juga Beta) menunjukkan kuatnya hubungan pengaruh dari variabel bebasnya. Jika
nilai t (juga Beta) positif, maka hubungan VB-VT positif. Atau sebaliknya.
2. Uji F. Nilai ini tampak di tabel ANOVA. Uji F digunakan untuk menguji hipotesis
yang menyatakan tidak ada hubungan antara VB-VT (biasanya H0). Jika probability
(sig.nya) < sig. penelitian, H0 ditolak. Nilai F juga menunjukkan seberapa baik
model regresi yang kita gunakan. Dalam pengujian, nilai F hitung ini dibandingkan
biasanya dengan F tabel.
3. Koefisien regresi, lihat 4.
4. R. Nilai ini juga disebut 'multiple R.' R adalah korelasi antara nilai Y (persamaan)
yang diamati dengan nilai Y (persamaan) yang diprediksi oleh model regresi
berganda. Sebab itu, besarnya nilai R mencerminkan besarnya korelasi antara
antaara nilai-nilai prediksi dengan nilai-nilai yang diamati sebagai hasilnya. Nilai 1
(sempurna) mencerminkan kondisi dimana model regresi akan secara sempurna
memprediksi data yang diamati.
5. R Square. Juga disebut 'Koefisien Determinasi.'Nilai ini diperoleh dari
penguadratan nilai R. Dalam model regresi, nilai R Square menunjukkan proporsi
variabilitas VT yang mampu dihitung oleh VB. Dalam melakukan penjelasan, nilai R
Square umumnya dikalikan 100%. Misalnya 0,50 x 100% = 50% dan dengan
demikian VB mampu menghitung 50% variabilitas dari VT.
6. Adjusted R Square. Nilai adalah 'penyusutan.' Nilai berusaha menunjukkan
kebaikan model regresi dalam melakukan penyimpulan. Harapannya ia serupa (atau
mendekati) R Square. Misalnya nilai R Square 0,65 sementara nilai Adjusted R
Square 0,60. Maka terjadi 'penyusutan' sebesar 0,65 - 0,60 = 0,05 (5%).
Maknanya, jika model regresi kita terapkan atas populasi langsung (bukan sampel)
maka akan terjadi 'penyusutan' sebesar 5% dari varians VT yang mampu diprediksi
oleh VB (berkurang). Ya, sampel bukanlah populasi yang sesungguhnya. Kondisi
yang diharapkan (ideal) adalah nilai Adjusted R Square idealnya serupa dengan R
Square ini, tetapi secara realistik adalah sulit: Tidak ada sampel yang secara total
serupa dengan populasi. Interpretasi kesesuaian ini ada di tabel dalam artikel di
atas.
Semuanya penting, dan derajat 'penting' ini tentu tidak terlepas dari tujuan spesifik
dari suatu penelitian. Semoga bermanfaat.
Balas
Balasan
seta basri
09/05/2014 13:48
18 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
Balasan
seta basri
seta basri
Nilai R Square digunakan saja untuk mencari Koefisien Determinasi yaitu 0,987465
x 100% = .... Hasilnya menyatakan VB mempengaruhi VT sebesar .... % . Sisanya
100% - ......% ditentukan variabel-variabel lain yang tidak disertakan dalam
penelitian.
R Square - Adjusted R Square = 0,987465 - 0,98377 = 0,003695. Dengan demikian
penyusutan yang terjadi manakala model regresi anda diterapkan pada populasi
dipediksi hanya akan mengalami penyusutan sebesar 0,003695% dari kemampuan
VB-nya memprediksi varians VT-nya.
Semoga bermanfaat.
Balas
Balasan
seta basri
09/05/2014 13:48
19 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
Balas
Balasan
seta basri
seta basri
Linieritas dalam regresi (dengan SPSS) bisa dilihat dengan menyilangkan ZRESID
(masukkan ke Y-axix) dengan ZPRED (masukkan ke X-axis). Saat menyeting uji
regresi klik tombol Plot. Masukkan keduanya.
Dari Graph yang muncul hasil output SPSS perhatikan pola plot data yang dibentuk
sumbu X (Regression Standardized Predicted Value) dengan sumbu Y (Regression
Standardized Residual). Asumsi Linieritas terpenuhi apabila plot-plot data bercorak
acak, menyebar, tidak membentuk pola jelas tertentu. Asumsi Linieritas "violated"
apabila plot-plot data membentuk pola kurva, gelombang, mengumpul di sebelah
kiri atau di sebelah kanan.
Sama-sama. Semoga bermanfaat.
Balas
Balasan
seta basri
09/05/2014 13:48
20 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
Balasan
seta basri
Mungkin bisa dimulai dari uji validitas item, keluarkan yang tidak valid. Teruskan
hingga seluruhnya valid. Setelah itu uji reliabilitasnya dilihat. Baru dilanjutkan
dengan uji-uji asumsi seperti jumlah sampel minimal, outlier dan sebagainya.
Mungkin ada outlier di sana. Mohon diperiksa kembali. Setelah itu lakukan uji
normalitas pra transform, lihat hasilnya. Bandingkan dengan uji normalitas pasca
transform, lihat hasilnya. Keluarkan variabel yang tidak normal (setelah yakin), lalu
kembali lakukan uji normalitas. Kalau pertanyaannya bolehkan ditransform dahulu
sebelum uji normalitas, ya silakan saja. Namun, data Anda ada di skala rasio, dan
skala tersebut adalah "tertinggi" menyerupai nilai sebenarnya.
Sama-sama. Semoga bermanfaat.
Balas
Balasan
seta basri
Tabel Coefficient intinya menceritakan VB (atau VB-VB) mana dari model regresi
kita yang punya kontribusi dalam memprediksi VT. Untuk regresi berganda
misalnya, nilai Beta pada kolom Standardized Coefficients di tabel ini gunanya untuk
memperbandingkan aneka VB, karena nilainya sudah "distandardisasikan".
09/05/2014 13:48
21 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
Balasan
seta basri
Balasan
seta basri
Untuk menentukan koefisien determinasi dapat dilihat nilai R Square pada tabel
Model Summary, di mana nilai ini biasa dirujuk sebagai deskripsi kuat-lemah
pengaruh prediktor. Untuk menentukan perhitungan rumus model regresi lihat tabel
Coefficients, juga jangan dilupa nilai sig. hitungnya.
Balas
Balasan
seta basri
Nilai t hitung berguna dalam mengukur apakah prediktor (VB) membuat kontribusi
yang signifikan atas model regresi kita. Jika t hitung yang berhubungan dengan
nilai beta signifikan (yaitu jika nilai pada kolom Sig. hitung < 0,05) maka prediktor
dinyatakan membuat kontribusi signifikan atas model. Semakin kecil nilai Sig.
hitung (dan semakin besar nilai t), maka semakin besar pula kontribusi prediktor
tersebut atas model. Nilai t tabel bergantung pada signifikansi penelitan kita, arah
prediksi hubungan (1-tailed atau 2-tailed), jumlah sampel, dan jumlah prediktor.
Penentuannya menggunakan degree of freedom yang dicari dengan rumus N - p - 1,
dimana N = jumlah sampel, p = jumlah prediktor. Semakin besar jumlah sampel
dan semakin sedikit prediktor, maka semakin kecil df, semakin kecil pula nilai t
09/05/2014 13:48
22 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
tabel. Demikian jika jumlah sampel kecil, semakin banyak prediktor, maka semakin
besar df, semakin besar pula t tabel. Jika memang kondisi anda sungguh terjadi
(cukup jarang, memang) yaitu dimana nilai t hitung < t tabel, namun signifikan,
maka dapat dinyatakan bahwa prediktor memiliki kontribusi yang signifikan untuk
tidak memberikan pengaruh atas model regresi.
Balas
Balasan
seta basri
Harus diwaspadai, nilai konstanta hasil uji regresi SPSS ada dua macam. Pertama
Konstanta 0 (Bo) yang ada di kolom model (Constant) Unstandarized Coefficients
(B). Kedua nilai Beta yang ada di di Standardized Coefficients. Untuk yang pertama,
positif atau negatifnya no problem, dihitung saja. Untuk yang kedua, positif atau
negatifnya menunjukkan arah hubungan dan yang diharapkan adalah tidak sama
dengan 0. Jika nilainya (-) maka arah pengaruh negatif. Jika nilainya (+) maka arah
pengaruh positif.
Misalnya dalam contoh anda: Terlebih dahulu anda harus sematkan nilai Konstanta
model (Constant) dahulu, yang mana nilainya ada dalam pengertian yang PERTAMA.
Selanjutnya baru dimasukkan nilai-nilai lainnya (sudah anda tulis yaitu
-0.755X1+0.365X2-0.463X3-0.042X4+0.032X5-0.364X6+e). Untuk perhitungan
anda rumusnya adalah: Y = Bo+(-0,755.x1)+(0,365.x2)+(-0,463.x3)+(-0,042.x4)+
(0,032.x5)+(-0,364.x6).
Semoga bermanfaat. Nilai x1 s/d x6 dari mana? Ya diambil dari sampel. Misalnya,
sampel nomor 1 nilai x1=60, x2=70, x3= 80, x4=90, x5=10, dan x6=30, maka
persamaan
anda menjadi
Y =
Bo+(-0,755.60)+(0,365.70)+(-0,463.80)+
(-0,042.90)+(0,032.10)+(-0,364.30). Demikian pula untuk sampel nomor 2 dan
seterusnya.
Salam kembali. Semoga bermanfaat.
Balas
Balasan
seta basri
09/05/2014 13:48
23 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
Balasan
seta basri
Dari judul (mungkin) ada dua variabel penelitian: Persepsi Konsumen (VB) dan
Keputusan Pembelian (VT). Persepsi Konsumen diukur lewat sejumlah indikator
(misalnya ya ... Image, Iklan, Harga). Keputusan Pembelian diukur lewat sejumlah
indikator (misalnya ya ... Cash, Kredit, Indent).
Setiap indikator dituangkan (diukur) dengan instrumen penelitian: Kuesioner.
Setiap indikator bisa diukur lewat 2 atau lebih pernyataan. Jika masing-masing dua,
maka VB diukur oleh 6 pernyataa. Demikian pula VT karena variabel tersebut terdiri
atas 3 indikator.
Setiap pernyataan dalam kuesioner diberi skala (umumnya) ordinal bertipe Likert,
misalnya SS = 1, S = 2, RR = 3, TS = 4, dan STS = 5. Sampel penelitian misalnya
60 responden. Misalnya pakai Excel, kolom 1 berisi responden (baris 1 s/d 60)
kolom 2 item VB indikator 1.1, kolom 3 item VB indikator 1.2, kolom 4 item VB
indikator 2.1. dan seterusnya.
Jawabannya, data dari kuesioner berupa angka-angka itu.
Balas
Balasan
seta basri
Balasan
seta basri
Konstanta yang Unstandardized .... (Bo) belum menunjukkan arah. Kalau yang di
Standardized .... itulah yang menunjukkan arah. Bo negatif ataupun positif tidak
menunjukkan kesalahan kok. Perhitungan persamaan regresi belum selesai, karena
masih ada B1, B2 dan seterusnya.
Semoga bermanfaat.
seta basri
09/05/2014 13:48
24 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
untuk penelitian yang menggunakan populasi.. apakah harus menggunakan uji asumsi klasik
atau tidak?
Bila tidak, langkah seperti apa yang harus saya lakukan dalam menentukan pengaruh dengan
menggunakan metode regresi linear berganda?
terima kasih
Balas
Balasan
seta basri
Wa 'alaikumus salam.
Dalam salah satunya, uji asumsi memeriksa apakah terdapat hubungan antar
sesama variabel bebas. Uji asumsi klasik sebaiknya tetap digunakan untuk
kesahihan hasil analisis/penelitian.
Balas
Balasan
seta basri
Wah. Kalau penelitiannya 5 variabel terikat, terus terang saya juga belum pernah
mempelajarinya. Paling banter anda korelasi kanonikal dua variabel terikat. Itupun
di SPSS harus mengetik rumus-rumus tambahan. Kalau 5 ...?
Namun, Anda pasti telah memahaminya sehingga dari 5 variabel terikat di kompresi
menjadi 1 (satu). Dari nama-namanya kelihatannya bidangnya akuntansi sekali ya?
Saya tidak menguasai bidang tersebut. Namun, bisa disarankan Anda memang buat
saja 1 (satu) variabel terikat (misal namanya Neraca ... he ... he ...). Kelima variabel
"terikat" tadi kamu jadikan saja Indikator. Nah, variabel bebasnya sendiri apa?
Dari satuan-satuannya (persen, kali) kelihatannya tidak masalah. Kamu ada di
dalam Skala Rasio. Justru skala tersebut paling baik. Jangan dirata-ratakan, karena
mereka adalah indikator-indikator suatu variabel (neraca ...). Sikapi mereka secara
otonom karena skala rasio mendeskripsikan kondisi yang sesungguhnya dan bernilai
fix. Tidak seperti skala nominal dan ordinal.
Sama-sama. Semoga bermanfaat.
seta basri
Residual ini berkait dengan garis regresi. Garis ini amat dipengaruhi ada-tidaknya
outlier (data yang melenceng jauh dari kebiasaan data lain). Nah, apa yang
sesungguhnya hendak dikisahkan oleh residual adalah, perbedaan antara nilai-nilai
yang nantinya diperoleh lewat model regresi (persamaan regresi) dengan nilai-nilai
yang dihasilkan lewat sampel itu sendiri. Diskrepansi antara kedua nilai inilah yang
disebut sebagai residual. Residual sekaligus pula mengisahkan error yang
menggejala pada model. Jika sebuah model regresi "fit" dengan data sampel maka
residual-residual akanlah kecil. Bahkan, jika suatu model "fit" secara sempurna
dengan data sampel, maka seluruh residual akan bernilai 0. Sebaliknya, jika sebuah
09/05/2014 13:48
25 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
model regresi "poor fit" dengan data sampel maka residual-residualnya akanlah
besar. Nah, semakin besar residual inilah yang mengindikasikan adanya outlier tadi.
Unstandardized Residuals merupakan salah satu jenis dari residual yang tengah
dibicarakan. Namun, ia sulit untuk untuk diinterpretasi bagi aneka model regresi
yang berbeda, karena unstandardized residuals adalah "residu" suatu model yang
diekspresikan menurut hitungan unit asli dari aneka variabel yang kita uji. Sebab
itu, sebaiknya digunakan yang standar yaitu Unstandardized Residuals. Residu ini
sudah disinkronkan dengan standar deviasi sehingga dapat ditafsirkan. Cara
membacanya dengan mengomparasi nilai z-score hitung dengan z-score tabel.
Sebelumnya, berapa Taraf Keyakinan penelitian Anda? Baiklah, ambil contoh 95%
(kalau rasio sebenarnya bisa saja 99%, he .. he ...).
Jika 95%, maka z-score hitung harus ada di antara -1,96 dan +1,96. (Kalau
tarafnya 99% antara -2,58 dan +2,58; Kalau tarafnya 99,9% antara -3,29 dan
+3,29). Cara menafsirkannya berdasar z-score hitung sebagai berikut:
- Jika Standardized Residuals (SR) > 3,29 maka model kita patut dipertanyakan.
- Jika SR > 2,58 (<3,29) maka tingkat error model tidak bisa diterima karena model
buruk "fit" nya dengan data sampel.
- Jika SR > 1,96 maka model kita bisa diterima tetapi buruk dalam
merepresentasikan data sampel aktual.
Nah, bagaimana kalau 0 ? Tentu saja SPSS "gagap" karena prediksi model sempurna
sesuai dengan data sampel. Silakan dipelajari.
Demikan, semoga bermanfaat.
seta basri
seta basri
Mohon periksa jumlah sampel. Kamu menggunakan 2 VB, dan jika jumlah sampel
minim kemungkinan besar mempengaruhi hasil pengujian. Jika demikian, ada
baiknya ditambah jumlah sampel. Namun, ada baiknya pula dipertimbangkan
kenyataan "data berbicara." Demikianlah hasil penelitian yaitu sig. F > 0,05.
Persoalan mengapa nilai sig. bisa > 0,05 ini terutama berkait jumlah sampel: Makin
besar sampel, makin tinggi kemungkinan sig. < 0,05. Lalu bagaimana modelnya?
Model tentu saja masih dapat diterima kendati tidak signifikan secara statistik (lihat
nilai R Square-nya).
Balas
Balasan
seta basri
09/05/2014 13:48
26 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
Terima kasih. Usulannya bagus, dan memang agar lebih jelas harus menggunakan
screenshot. Jika ada kesempatan hal tersebut patut dibuat.
Balas
Balasan
seta basri
Ada berbagai macam sebab. Paling utama kiranya jumlah sampel. Regresi
mempersyaratkan jumlah sampel > 50 + 8m (m = jumlah variabel bebas). Namun,
penggunaan sampel juga dapat ditolerir jika peneliti menetapkan dampak (besar,
sedang, atau kecil, lihat di bagian komentar-komentar atas.
Sebab lain (kemungkinan) terjadinya autokorelasi antar sesama variabel bebas.
Apakah uji-uji asumsi klasik regresi berganda sudah dilakukan sebelumnya? Juga,
ada kemungkinan terjadi keberlebihan Variabel Bebas. Hal ini bisa terjadi
manakalan jumlah sampel kecil sementara jumlah VB cukup banyak. Silakan
dipelajari aneka asumsi di tulisan-tulisan bagian atas.
Pastikan kembali, method regresinya apakah Enter, Hierarchical, ataukah Stepwise.
Kemungkinan Anda melakukan yang bermetode Enter. Silakan dicoba yang metode
Hierarchical ataupun Stepwise. Untuk coba-coba saja dan melihat apakah hasilnya
serupa?
Singkatnya,
VB
yang
"keluar"
tersebut
ada
masalah.
SPSS
masih
"mempertimbangkan" apakah akan memasukkan ataukah tidak VB tersebut.
Selamat mencoba.
seta basri
Maaf baru saya bahas sekarang. Hipotesis penelitian yang Anda ajukan apa ya?
Apakah seperti ini: "Independensi Komite Audit (IKA) dan Efektivitas Komite Audit
(EKA) mempengaruhi Manajemen Laba (ML)" ? Jadi terdapat 2 VB dan 1 VT.
Asumsikan saja seperti itu. IKA diukur secara kategorik (1=Ya, 2=Tidak). EKA
diukur secara kategorik pula (1=Ya, 2=3). Sementara VB (yaitu ML) diukur dalam
skala apa? Andaikata VB bersifat kategorik (baik nominal ataupun ordinal) maka uji
Regresi yang lebih tepat digunakan adalah Regresi Logistik. Soal bagaimana
melakukan pengujian Regresi Logistik, cukup berlimpah buku dan artikel
internetnya, kok. Ada kemungkinan variabel terus-menerus exclude akibat
ketidaktepatan metode Uji Regresi yang dipakai. Semoga bermanfaat dan selamat
mempelajari.
Balas
09/05/2014 13:48
27 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
Balasan
seta basri
Wa 'alaikumus salam.
Fitri, jika taraf keyakinan penelitian kamu 95% maka kedua variabel bebas tadilah
yang dimasukkan ke dalam persamaan regresi. Ada baiknya pula jika kamu
membuat model regresi (saat mengujinya dengan spss) dimana kedua VB tadi yang
dijadikan prediktor.
Demikian. Semoga bermanfaat.
seta basri
Yang exclude intinya belum masuk ke dalam model sehingga nilai prediksinya
belumlah lagi terkuantifikasi.
Balas
Balasan
seta basri
Salam juga. Maksudnya B yang di kolom Unstandardized Coefficients (UC) dan Beta
yang di Standardized Coefficients (SC). Sebenarnya keduanya hampir mirip
fungsinya. B yang di UC mengisahkan 'kuantitas yang belum diketahui.' Misalnya
nilai B dalam regresi dua VB adalah 0,08 dan 3,37 dan konstanta (Constant) -26,61.
VT disimbolkan Y. Maka persamaan regresinya Y = -26,61 + (0,08.VB1)+
(3,37.VB2). Maknanya', jika VB1 bertambah sebanyak satu unit maka Y pun
meningkat sebanyak 0,08 unit, dimana tafiran ini benar sepanjang VB2 bernilai
konstan. Juga, jika VB2 bertambah sebesar satu unit maka Y meningkat sebanyak
3,37 unit sepanjang VB1 bernilai konstan. Juga, positif negatif B mengisahkan pula
arah hubungan, yang dalam contoh keduanya bersifat positif terhadap Y, dimana
jika VB1 atau VB2 meningkat maka Y meningkat.
Demikian pula yang di SC. Kelebihannya nilai Beta yang ada di sini mampu
menginterpretasi secara lebih terstandar karena menggunakan standar deviasi atau
SD. Nilai SD ini ada di tabel Descriptives Statistics. Oarena menggunaka SD maka
interpretasi kita dalam persamaan regresi bebas dari pengaruh perbedaan skala
pengukuran data tiap variabel. Misalnya, SD Y = 10,15, SDp VB1 = 80,69 dn SD
VB2 = 12,27. Misal pula, Beta VB1 = 0,511 dan Beta VB2 = 0,512. Maka pediksinya
jika VB1 meningkat sebesar satu SD (yaitu 80,69) maka Y meningkat sebesar satu
SD nya (yaitu 0,511) sehingga dianggap jika ada setiap 80,69 yang meningkat dari
VB1 maka akan ada perubahan Y sebesar 80,69 x 0,511 = ...... selama VB2 bernilai
konstan. Demikian pula untuk Y dan VB2. Disarankan menggunakan SC ketimbang
US.
Untuk kekuatan hubungan sebaiknya gunakan R Square, bukan Adjusted R Square
(alasannya lihat di komentar-komentar bagian atas). Jika hendak mengetahui
persentase masing-masing prediktor maka dapat ditentukan pada saat
memasukkan VB-VB dalam kotak Linear Regression tentukan di sana
independent(s) satu per satu atau gabungannya dengan metode Enter dan pilihan
Next. Lihat dan tafsirkan hasil uji yang ada di tabel Model Summary.
Balas
09/05/2014 13:48
28 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
bermanfaat
Balas
Balasan
seta basri
Balasan
seta basri
Untuk regresi berganda, nilai t hitung ini ada di tabel Coefficients. Cukup mudah
dalam menafsirkannya. Nilai t adalah ukuran dalam mengira seberapa besar
kontribusi yang disumbangkan prediktor atas model regresi kita. Apabila nilai t pada
tabel adalah signifikan (misalnya < 0,05) maka ia signifikan atas model. Demikian
pula, semakin besar nilai t tersebut, dan semakin kecil sig. nya, maka semakin
besar kontribusi prediktor tersebut atas model kita.
--Andi Field, Discovering Statistics Using SPSS (London: Sage Publications, 2009)
p.239.
Balas
Balasan
seta basri
Mohon konfirmasi ulang bahwa ke-24 langkah dalam artikel di atas telah dilakukan.
Nilai Sig. pada tabel Coefficients ada di kolom Sig. (lokasinya tepat di sebelah kanan
kolom t). Demikian pula untuk nilai Sig. dan Collinearity Statistics (keduanya saling
menyebelah di tabel Coefficients.
Demikian. Semoga bermanfaat.
Balas
Balasan
seta basri
Salah satu asumsi untuk kelayakan uji regresi berganda adalah Homoskedastisitas.
Salah satu alat hitung untuk itu adalah Uji Park, di mana setiap variabel dikonversi
ke dalam Logaritma Natural. Ini sudah kamu lakukan, ya? Lalu masalah muncul
ternyata data penelitian kamu mengalami Heteroskedastisitas (residual). Baiklah,
sesungguhnya terdapat cara lain dalam melihat kondisi Homoskedastisitas ini.
Saat melakukan klik-klik Linear Regression pada SPSS, coba klik Plots > Masukkan
*ZPRED ke X > Masukkan *ZRESID ke Y > Ceklis Histogram dan Normal probability
plot > Klik Continue.
Nanti di Output perhatikan hasilnya (Hasil ini per Variabel Bebas): Lihat titik 0, lalu
positif 100 dan negatif 100. Tarik garis imajiner (SPSS output tidak menyediakan
ini) mulai dari - 100 tarik secara diagonal ke kanan melintasi 0 hingga + 100. (Nilai
100 ini mungkin bervariasi di hasil output Kamu). Data menyebar di atas dan di
bawah garis diagonal imajiner tersebut mengasumsikan Homoskedastisitas. Juga,
outlier-outlier tidak nyata terjadi (menumpuk di kiri atas, kanan bawah, dan
sejenisnya). Demikian pula, lihat hasil untuk variabel-variabel lainnya. Selamat
09/05/2014 13:48
29 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
Balasan
seta basri
Balasan
seta basri
Balasan
seta basri
Balasan
seta basri
09/05/2014 13:48
30 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
Balas
Balasan
seta basri
Berapa variabel bebas yang Anda gunakan? Jika 125 - 5 = 120 sudah memenuhi
persyaratan n > 50 + 8m maka sebaiknya outlier tersebut dieliminasi saja. Ternyata
Anda telah membuang outlier dari 5 responden dan sebaran data menjadi normal,
bukan? Terlebih, ketika Anda konversi menjadi log natural justru data outlier
tersebut masih bertahan.
Demikian, semoga bermanfaat. Sukses untuk penelitian Anda.
Balas
Balasan
Anonim Senin, 01 Oktober, 2012
o iya pak sama mau tanya 1 lg.
skripsi saya masi masuk landasan teori di bab 2
dan saya blom pernah menggunakan spss.
saya baca dr bbrp sumber,
byk yg memberikan rumus dr analisa regresia dan kemuadian lgsg keluar hasilnya.
apakah penggunaan spss dalam analisa regresi untuk mencari koefisien dan
konstanta dapat dicari secara otomatis jika kita memiliki data variabel bebas dan
terikat yang lengkap?
seta basri
Selamat pagi. Menurut hemat saya, tahapan dalam analisa regresi adalah
menentukan taraf keyakinan penelitian, uji validitas item, uji reliabilitas item, uji
asumsi klasik (ragamnya ada di artikel di atas), barulah kita uji regresi
(menggunakan persamaan R) yang diantaranya adalah mencari koefisien regresi.
Setelahnya, lakukan pengujian hipotesis (sesuai taraf keyakinan penelitian),
goodness of fit test, dan (jika ingin) koefisien regresi parsial kalau ingin lebih jauh
mengenai pengaruh masing-masing variabel bebas terhadap variabel terikat.
Demikian. Semoga bermanfaat.
------------------------------------------------------------Sebenarnya, dalam melakukan uji regresi tidak wajib seseorang menggunakan
SPSS. SPSS adalah sekadar alat bantu statistik. Banyak orang yang lebih nyaman
menghitung manual (beberapa cukup dengan excel) untuk melakukan uji regresi.
SPSS digunakan apabila peneliti memiliki sejumlah keterbatasan, baik karena
pengetahuan statistik, waktu, deadline, dan akurasi. Memang, dengan SPSS hal
yang paling menyita waktu adalah ketika kita menginput data (coding) dari
kuesioner ke dalam data view SPSS. Namun, sekali kita selesai menginput, hampir
seluruh perhitungan regresi seperti konstanta, koefisien, dan lain-lain data otomatis
dapat kita peroleh relatif lengkap. Jika Anda lebih nyaman menghitung dengan
manual ataupun excel, maka sesungguhnya hal tersebut baik-baik saja.
Demikian. Semoga bermanfaat.
Balas
09/05/2014 13:48
31 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
Balas
Balasan
seta basri
Balasan
seta basri
Wa 'alaikumus salam.
Jika regresi yang dilakukan terdiri atas 1 VB dan 1 VT, maka digunakan uji regresi
sederhana.
Sama-sama. Semoga bermanfaat.
seta basri
Tentu saja. Namun, tidak seluruh dari yang berlaku untuk regresi berganda berlaku
bagi regresi sederhana. Cukup linieritas, normalitas residu, homoskedastisitas. Juga
perlu pula dipertimbangkan jumlah sampel dan keberadaan outlier.
Demikian. Semoga bermanfaat.
Balas
Balasan
seta basri
Fungsi dari F-test adalah rasio variabilitas rata-rata data yang dapat dijelaskan oleh
model regresi dengan variabilitas rata-rata data yang tidak bisa dijelaskan oleh
model. F-test juga menunjukkan kesesuaian (secara menyeluruh) suatu model
regresi. Di sisi lain, T-statistics dalam regresi digunakan guna menguji apakah
koefisien b sungguh-sunggu berbeda dari 0. Nilai F-test pada output SPSS ada di
tabel ANOVA, sementara T-statistics ada di tabel Coefficients.
Dari ke-6 model Anda, 2 tidak signifikan nilai F-nya, sementara 4 signifikan. Sesuai
dengan penjelasan di atas, sebaiknya Anda melangkah ke analisis berikutnya
menggunakan ke-4 model yang signifikan.
Demikian. Semoga bermanfaat.
09/05/2014 13:48
32 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
signifikan saja pak pada uji F nya? dan 2 model itu saya hapus dari penelitian saya?
terimakasih pak sebelumnya :)
seta basri
Ya. Lebih baik Anda fokus pada model-model yang nilai F-nya signifikan.
Balas
Balasan
seta basri
seta basri
Pertama, tentu saja, periksa sejumlah asumsi yang harus dipenuhi dalam uji regresi
(silakan lihat artikel di atas). Kedua, lakukan perhitungan ulang pasca uji asumsi.
Ketiga, perlakukan hasil penelitian apa adanya (berikan catatan-catatan mengenai
nilai dan makna seperti koefisien determinasi, SEE, signifikansi penelitian). Saya
kira, penelitian yang memperlihatkan hasil apa adanya adalah penelitian yang
terbaik.
Sama-sama. Semoga bermanfaat.
Balas
Balasan
seta basri
Balasan
seta basri
Beberapa informasi yang Anda terima kiranya tepat. Karena ada di antara VB Anda
yang sifatnya kategorik (nominal), maka sebaiknya digunakan Multinomial Logistic
Regression (MLR). Ini berdasarkan kehendak bahwa VT Anda berskala Ordinal (lebih
dari dua kategori). Rangkaian uji asumsi regresi juga berlaku, diantaranya
multikolinieritas, linieritas, normalitas, otokorelasi, dan sebagainya.
Demikian. Semoga bermanfaat.
Balas
09/05/2014 13:48
33 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
Balasan
seta basri
Jika jumlah variabel Y adalah 2 atau lebih, sifat data Y kontinus, jumlah prediktor
(X) adalah 2 atau lebih, sifat data prediktor kategorik, dan asumsi parametrik
terpenuhi, maka digunakan Factorial MANOVA.
Jika jumlah variabel Y adalah 2 atau lebih, sifat data Y kontinus, jumlah prediktor
(X) adalah 2 atau lebih, sifat data prediktor kategorik dan kontinus, dan asumsi
parametrik terpenuhi, maka digunakan MANCOVA.
Demikian. Semoga bermanfaat.
Balas
Balasan
seta basri
Excluded Variables (EV) pada SPSS bermakna ikhtisar setiap variabel yang belum
dimasukkan ke dalam model regresi yang hendak dibangun. Jika regresi Anda
menggunakan model hirarkis, maka tabel EV menunjukkan rincian aneka variabel
yang nantinya akan dimasukkan ke dalam langkah-langkah uji regresi berikutnya.
Jika regresi Anda menggunakan model stepwise, maka tabel EV berisi ringkasan
aneka variabel yang dipertimbangkan untuk dimasukkan ke dalam model.
Saat Anda memmilih model hirarkis, tabel EV memperlihatkan taksiran nilai beta
jika VB tertentu dimasukkan ke dalam persamaan dan mengkalkulasi nilai t. Saat
Anda memilih model stepwise, SPSS hanya akan memasukkan prediktor dengan
nilai t tertinggi dan terus melakukan pemasukan tersebut hingga tiada lagi nilai t
statistik tinggi dengan sig. < 0,05.
Apakah Anda tengah melakukan studi eksplorasi? (VB Anda cukup banyak, yaitu
20). Jika memang ini yang tengah Anda lakukan, maka telitilah nilai-nilai di atas.
Kemungkinan, dari 20 VB ada yang tidak cocok untuk dibangunkan persamaan
regresinya.
Demikian. Semoga bermanfaat.
Balas
Balasan
seta basri
Maaf terlambat sekali saya menjawab. Saya coba, ya. Regresi polinomial digunakan
dengan asumsi hubungan VB dan VT tidak linier (garis lurus). Yang khas dari regresi
jenis ini adalah, plot-plot data berupa kurva. Ada kurva berbentuk "bukit" tetapi ada
pula yang "lembah." Nah, yang mengetahui perbedaannya tentu peneliti itu sendiri.
Deskripsi penjelasannya, misalnya, seorang guru meneliti hubungan LamaBelajar
(X) dengan Nilai (Y) siswa. Setelah dilakukan regresi kurvanya berbentuk "lembah."
Cara membacanya (bayangkan sumbu X dan sumbu Y) buatlah garis lurus dari
mean Y plot data. Ternyata ada 3 kelompok. Kelompok 1 (paling kiri) adalah siswa
dengan waktu belajar pendek, tetapi nilainya tinggi. Kelompok 2 (tengah) adalah
siswa dengan waktu belajar sedang, juga dengan nilai sedang. Kelompok 3 (paling
kanan) adalah siswa dengan waktu belajar panjang, tetapi nilainya rendah.
Deskripsi ini dapat Anda sesuaikan jika kurvanya "bukit". Berdasarkan ini dapat
Anda
interpretasi
bagaimana
pengaruh
SumberPencemar
terhadap
KonsentrasiSumberPencemar.
Dalam regresi (termasuk polinomial) peneliti membangun model. Interpretasi ini
mirip dengan regresi linier. Maknanya, jika R2 bernilai 0,875 maka dapat
diinterpretasi bahwa model layak digunakan. Mengenai interpretasi nilai R ini dapat
Anda lihat lebih jauh pada komentar-komentar di atas.
Terima kasih kembali. Semoga bermanfaat.
09/05/2014 13:48
34 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
Balas
Balasan
seta basri
Bisa. Namun, tampaknya multikolinieritas tidak perlu. Karena VB nya cuma satu.
Terima kasih kembali. Semoga bermanfaat.
seta basri
--------Untuk masalah nilai koefisien b yang bertanda (-). Harus diwaspadai, nilai
konstanta hasil uji regresi SPSS ada dua macam. Pertama Konstanta 0 (Bo) yang
ada di kolom model (Constant) Unstandarized Coefficients (B). Kedua nilai Beta
yang ada di di Standardized Coefficients. Untuk yang pertama, positif atau
negatifnya no problem, dihitung saja. Untuk yang kedua, positif atau negatifnya
menunjukkan arah hubungan dan yang diharapkan adalah tidak sama dengan 0.
Jika nilainya (-) maka arah pengaruh negatif. Jika nilainya (+) maka arah pengaruh
positif. Dengan demikian, nilai beta (-) dan (+) ini kurang berkaitan dengan jumlah
sampel.
--------Biasanya,
histogram
menggambarkan
normalitas
residu.
Hal
ini
berhubungan dengan normal p-p plot juga. Secara imajiner, balok-balok paling kiri
dan paling kanan melandai, sementara yang 'papan tengah' menjadi bukit. Jika
demikian maka dianggap normal.
--------Sama dengan histogram, pada grafik Normal P-P Plot, residu yang normal
adalah data memencar mengikuti fungsi distribusi normal yaitu menyebar seiring
garis z diagonal. Residu normal dari uji Kolmogorov-Smirnov adalah diperolehnya
nilai p > 0,05.
--------Demikian. Semoga bermanfaat.
seta basri
Untuk Pearson bernilai negatif tentu saja mempengaruhi, tetapi bukanlah sesuatu
yang abnormal. Wajar saja. Umumnya, hasil negatif ini konsisten dengan nilai beta
negatif Anda sebelumnya. Hitung saja seperti biasa.
Nilai Mean (yang di tabel Descriptives Statistics) tentu saja penting dan juga nilai
Standard Deviasi-nya (SD). Makin kecil SD artinya makin dekat ke Mean, makin
baik. Namun, ia kurang mempengaruhi dalam menginterpretasi model regresi kita.
Sama-sama. Semoga bermanfaat.
09/05/2014 13:48
35 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
Balasan
seta basri
Wa 'alaikumus salam.
Secara prinsip, apabila aneka uji validitas, reliabilitas, dan aneka uji asumsi sudah
dilakukan, hasil tersebut dapat diterima sebagai adanya. Namun, dapat dicari
sejumlah "catatan" mengapa hasil tersebut terungkap.
Dalam regresi, n > 50 + 8m. Dimana n = Jumlah Sampel; m = Jumlah Variabel
Bebas. Jadi, dengan 3 VB sebaiknya jumlah sampel 50 + 28 = 78. Hal ini dapat
menjadi kemungkinan pertama. Selain itu, uji regresi cukup sensitif terhadap
"redundantly", keberlimpahan indikator. Jika satu variabel terdiri atas indikator yang
cukup banyak (berarti juga makin banyak item pertanyaan), redundantly terjadi.
Bersama masalah redundantly ini juga mengiring masalah kurang akurasinya
validitas muka (face validity), yang artinya item-item kuesioner ditanggapi secara
obvious oleh responden, sehingga jawaban mereka monoton.
Demikian. Semoga bermanfaat.
Balas
Balasan
seta basri
Balasan
seta basri
seta basri
09/05/2014 13:48
36 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
seta basri
Balasan
seta basri
Balasan
seta basri
09/05/2014 13:48
37 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
Balas
Balas
Balasan
seta basri
Balasan
seta basri
Balasan
seta basri
Sebelumnya, apakah Anda telah melakukan serangkaian uji asumsi regresi? Salah
satunya, regresi sensitif terhadap outlier. Mungkin dapat Anda periksa outlier-outlier
dari data penelitian. Juga, parameter penelitian terlampau banyak, sementara
sampel kurang mencukupi sehingga varians data menjadi monoton. Ada baiknya
Anda "mengurangi" prediktor (jika memang berlebih) tentu tanpa mencederai
kerangka teori dan konsultasikan dengan pembimbing penelitian. Sebagai
tambahan, dapat pula dibaca hal-hal mengenai df di artikel ini.
Sama-sama. Semoga bermanfaat.
Balas
Publikasikan
09/05/2014 13:48
38 of 38
http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html
Ketik komentar anda. Pada Beri komentar sebagai pilih Name/URL jika anda tak memiliki
Google Account. Lalu klik Publikasikan.
Uji Korelasi Pearson
09/05/2014 13:48