P. 1
Regresi Berganda New

Regresi Berganda New

|Views: 1,449|Likes:
Dipublikasikan oleh achmadchairi

More info:

Categories:Types, Research
Published by: achmadchairi on Jan 18, 2010
Hak Cipta:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PPT, PDF, TXT or read online from Scribd
See more
See less

12/16/2012

pdf

text

original

ANALISIS REGRESI

Sri Wahyu Lelly Hana Setyanti, SE, MSi Jurusan Manajemen Universitas Jember

ANALISIS REGRESI
PENGERTIAN • Jenis uji statistika yang dipakai untuk melihat daya prediksi variabel independen (prediktor) terhadap variabel dependen (kriterium) JENIS ANALISIS REGRESI • Regresi Linier. Memprediksi peranan prediktor dalam persamaan linier • Regresi Non Linier. Memprediksi peranan prediktor dalam persamaan non-linier yang dibuat oleh peneliti sendiri PRASYARAT ANALISIS REGRESI • Variabel dependen terdistribusi normal • Korelasi antar prediktor yang rendah (tidak ada multikolinieritas) • Hubungan antara prediktor dan kriterium adalah linier • Homokedastisitas • Jika data prediktor bersifat kualitatif (jender, agama, dsb) maka perlu ditransformasi menjadi variabel dummy

Tujuan Regresi
1. Mengestimasi nilai rata-rata variabel tak bebas dan nilai rata-rata variabel bebas 2. Menguji hipotesis mengenai sifat alamiah ketergantungan (sesuai teori ekonomi) 3. Memprediksi atau meramalkan nilai rata-rata variabel tak bebas dan nilai rata-rata variabel bebas tertentu

Analisis Regresi
• Analisis regresi pada dasarnya merupakan kajian yang bertujuan untuk menemukan sampai seberapa besar pengaruh perubahan variabel independen terhadap variabel dependen. • Analisis regresi linier sederhana berkiatan dengan kajian untuk mengetahui pengaruh satu variabel independen terhadap satu variabel independen • Besarnya pengaruh variabel independen terhadap variabel dependen dapat dilihat melalui koefisien regresinya

Perbedaan dengan korelasi
Perbedaan dengan korelasi Korelasi : mengukur kekuatan atau tingkat hubungan antara dua variabel (simple correlation) dan tiga variabel (multiple correlation) Dalam analisis regresi, ada asimetris antara variabel tak bebas dan variabel bebas. variabel tak bebas bersifat acak atau stokastik dimana variabel bebas diasumsikan mempunyai nilai yang tetap dalam pengambilan sampel berulang Dalam Korelasi, ada simetris variabel tak bebas dan variabel bebas.

Jika terdapat 2 variabel, misalkan X dan Y yang datadatanya diplot seperti gambar dibawah
Y

X

Y

Y

Y

X

X

X

Definisi Pengaruh
Maka plot data yang membentuk suatu pola tertentu menunjukkan bahwa variabel X dan Y membentuk suatu hubungan X X Y Y hubungan pengaruh

Regresi Linier Y Terhadap X
Jika pola yang membentuk hubungan X dan Y membentuk suatu garis lurus, maka disebut Pengaruh Linier Dimana :
variabel X  variabel bebas (independent) variabel Y  variabel terikat (dependent) Nilai-nilai Y ditentukan oleh nilai-nilai X Variabel Y dipengaruhi oleh variabel X Variabel X mempengaruhi variabel Y

Perbedaan dengan korelasi
Korelasi : mengukur kekuatan atau tingkat hubungan antara dua variabel (simple correlation) dan tiga variabel (multiple correlation) Dalam analisis regresi, ada asimetris antara variabel tak bebas dan variabel bebas. variabel tak bebas bersifat acak atau stokastik dimana variabel bebas diasumsikan mempunyai nilai yang tetap dalam pengambilan sampel berulang Dalam Korelasi, ada simetris variabel tak bebas dan variabel bebas.

Regresi Linier Y Terhadap X
• Plot antara X dan Y
Y

Garis lurus tersebut membentuk persamaan : Y = a + bX a disebut intersep b disebut slope
X

Intersep
Bila X = 0 maka Y = a
Y Y

Bila a = 0 maka garis akan melalui titik (0,0)

a

.
X X

Slope
Slope = kemiringan Y = a + bX Perubahan 1 satuan pada X mengakibatkan perubahan b satuan pada Y, sehingga Y mengukur kemiringan/slope garis tersebut.
Y

α 1 satuan

b satuan

X

Slope
Bila b positif Bertambahnya nilai X mengakibatkan bertambahnya nilai Y Bila b negatif Bertambahnya nilai X mengakibatkan berkurangnya nilai Y

Regresi Linier Sederhana
Model regresi linier yang hanya melibatkan satu variabel bebas (X). Model regresinya sbb:

Y = α + βX
Dimana : Y = variabel terikat X = variable bebas α , β = parameter regresi

Model Regresi Sederhana
• Variabel Y disebut dengan variabel dependen. Variabel ini disebut pula dengan beberapa nama yang serupa seperti variabel terikat, variabel regressand, dan variabel endogen. Perilaku atau variasi dari variabel Y akan dijelaskan oleh model/fungsi regresi sederhana. • notasi X mewakili variabel independen. Nama yang ekuivalen untuk X adalah variabel bebas, variabel regressor, dan variabel eksogen. Secara keseluruhan, variabel X akan menjelaskan variasi dalam variabel Y • Notasi a dan b keduanya disebut dengan parameter model. Secara lebih spesifik, a adalah konstanta dan b adalah koefisien regresi.

Metode Pendugaan Parameter Regresi
• Nilai dugaan a dan b diperoleh dari proses sbb : 1. Dilakukan turunan pertama terhadap a dan b
n ∂ (∑ ei ) = −2∑ ( Yi − a − bX i ) ∂a i =1 2
n ∂ (∑ ei ) = −2∑ ( Yi − a − bX i ) X i ∂b i =1 2

2. Kedua persamaan hasil penurunan disamakan dengan nol

na + b∑ X i = ∑ Yi

n

n

a ∑ X i + b∑ X i = ∑ X iYi
2 i =1 i =1 i =1

n

i =1

n

i =1

n

 n  n  n∑ X iYi −  ∑ X i  ∑ Yi     i =1  i =1  i =1  b= n  n  2 n∑ X i −  ∑ X i    i =1  i =1 
n

a = Y − bX

Persamaan Regresi Sederhana
• Manajemen musik ingin mengetahui hubungan fungsional antara nilai penjualan album (Y) dengan biaya promosi (X) yang diyakini bahwa biaya biaya promosi dapat mempengaruhi nilai penjualan. Buatlah persamaan regresi linear yang menunjukkan hubungan antara nilai penjualan album (Y) dengan biaya promosi (X) menggunakan data berikut dengan metode kuadrat terkecil

Data nilai penjualan dan biaya promosi
Nilai penjualan (Y) 64 61 84 70 88 92 72 77 Biaya promosi (X) 20 16 34 23 27 32 18 22

Penyelesaiannya
Y
64 61 84 70 88 92 72 77 608

X
20 16 34 23 27 32 18 22 192

XY
1280 976 2856 1610 2376 2944 1296 1694 15032

X2
400 256 1156 529 729 1024 324 4843 4902

Mencari nilai a dan b
a = −X Y b Y 68 ∑=0 Y = = 7 6 n 8 X 12 ∑ =9 X = = 2 4 n 8 a = 7 − 5( 2 ) = 6 1 , 4 4 0

b= =

n∑ XY − ∑ X ∑ Y n∑ X 2 − ( ∑ X )
2

8(15.032) − (192)(608) 8(4.902) − (192) 2 3520 = 2352 = 1,4965 = 1,5

ˆ Y = 40 + 1,5 X

Output SPSS
M odel S m um ary M odel 1 R .824 RS quare .679 A djusted RS quare .655 S E td. rror of the E stim ate 2857.39756

a

a. P redictors: (C onstant), H R E J A IK R

Kolom “Model” Kolom ini menunjukkan jumlah model dalam cetak hasil (print out). Angka “1” memberikan informasi bahwa hanya terdapat satu model dalam print out. Jika kita menggunakan metode lainnya, seperti metode forward atau backward, maka kita akan mendapatkan lebih dari satu model. Kolom “R” Kolom ini berisikan angka koefisien korelasi. Angka ini menunjukkan tingkat keeratan hubungan secara simultan antara variabel independen dan variabel dependen.

• •

• •

• •

Kolom “R Square” Kolom ini berisikan angka koefisien determinasi. Angka ini menunjukkan proporsi variasi variabel dependen yang bisa dijelaskan oleh variabel independen yang ada dalam model. Kolom “Adjusted R Square” Kolom ini berisikan angka koefisien determinasi yang disesuaikan. Pada prinsipnya angka ini bermakna seperti angka koefisien determinasi. Namun, angka koefisien ini telah disesuaikan dengan banyaknya data (n) dan banyaknya variabel dalam model (k). Kolom “ Standard Error of the Estimate” Kolom ini berisikan angka kesalahan standar dari model yang diestimasikan. Kita bisa menilai keakurasian model dengan menggunakan angka ini.

Anova
b ANOVA

Model 1

Regression Residual Total

Sum of Squares 2.25E+08 1.06E+08 3.31E+08

df 1 13 14

Mean Square 224884849.5 8164720.833

F 27.543

Sig. .000 a

a. Predictors: (Constant), HARIKERJ b. Dependent Variable: OUTPUT

Kolom “Model”. Kolom ini menunjukkan jumlah model dalam cetak hasil (print out). Berdasarkan tabel Anova ini, kita mengetahui bahwa hanya ada satu model saja dalam prinout. Kolom “Sum of Square” Kolom ini berisikan tiga angka, yaitu Regression Sum of Square, Residual Sum of Square, dan Total Sum of Square. Regression Sum of Square menunjukkan variasi dari nilai estimasi variabel dependen dari nilai meannya yang dapat dijelaskan oleh variabel regressor. Residual Sum of Square menunjukkan nilai kuadrat dari variasi nilai estimasi variabel dependen terhadap nilai aktualnya. Sedangkan Total Sum of Square merupakan jumlah dari Regression Sum of Square dan Residual Sum of Square.

• Kolom “df” • Kolom ini mengindikasikan degree of freedom (derajat kebebasan). Degree of freedom dari Regression Sum of Square adalah ditentukan oleh formula k – 1. Degree of freedom dari Residual Sum of Square adalah ditentukan oleh formula n – k. Dan degree of freedom dari Total Sum of Square adalah ditentukan oleh formula n – 1. • Kolom “Mean Square • Kolom ini berisikan dua angka, yaitu Regression Mean of Square dan Residual Mean of Square. Regression Mean of Square merupakan Regression Sum of Square dibagi degree of freedomnya. Residual Mean of Square merupakan Residual Sum of Square dibagi degree of freedomnya. • Kolom “ F” • Kolom ini berisi nilai F hitung dari model yang kita miliki. Angka ini merupakan Regression Mean of Square dibagi Residual Mean of Square. Pebandingan nilai F pada kolom ini dengan nilai F pada tabel akan memberikan indikasi apakah secara simultan variabel independen pada model berpengaruh secara signifikan terhadap variabel dependen.

• Kolom “Sig.” • Kolom ini adalah kolom siginifikansi (probabilitas) dari terjadinya nilai F. Angka ini dapat digunakan untuk menguji apakah secara simultan variabel independen pada model berpengaruh secara signifikan terhadap variabel dependen dengan cara membandingkannya dengan tingkat signifikansi yang kita tetapkan (α).

Coefficientsa Unstandardized Coefficients B Std. Error -53064.7 14838.710 270.690 51.578 Standardized Coefficients Beta .824

Model 1

(Constant) HARIKERJ

t -3.576 5.248

Sig. .003 .000

a. Dependent Variable: OUTPUT

Kolom “Unstandardized Coefficients” Ada dua angka dalam kolom ini, yaitu Beta dan Standard Error. Beta menunjukkan parameter regresi. Dari tabel tersebut dapat diketahui bahwa konstanta dari model tersebut adalah – 53064,7 dan koefisien regresi HARIKERJ adalah 270,69. Angka standard error menunjukkan tingkat keakurasian dari konstanta dan koefisien regresi yang ada.

• Kolom “Standardized Coefficients” • Kolom ini berisikan angka koefisien yang sudah distandardkan. Seringkali data yang kita masukkan dalam data editor file memiliki unit pengukuran yang berbeda sehingga pengaruh variabel-variabel yang ada tidak bisa diperbandingkan langsung. Untuk bisa melakukan perbandingan pengaruh ini kita bisa menggunakan angka ini. • Kolom “t” • Kolom ini berisi nilai t hitung. Secara matematis, angka ini merupakan pembagian antara Beta dan Standard Error. Berdasarkan angka t hitung ini kita bisa memberikan jawaban apakah secara parsial variabel independen berpengaruh signifikan terhadap variabel dependen. • Kolom “Sig.” • Kolom ini berisi probabilitas terjadinya t hitung. Berdasarkan angka probabilitas ini kita bisa memberikan jawaban apakah secara parsial variabel independen berpengaruh signifikan terhadap variabel dependen. Jika nilai probabilitas lebih besar dari tingkat signifikansi yang kita tetapkan (α), secara parsial variabel independen berpengaruh tidak signifikan terhadap variabel dependen, dan sebaliknya.

CONTOH ANALISIS
VARIABEL PENELITIAN y = Kesetiaan Konsumen x1= Kualitas Produk x2= Sikap terhadap Iklan HIPOTESIS • Mayor : Kualitas Produk dan Sikap terhadap Iklan mendukung peningkatan Kesetiaan Konsumen • Minor (A) : Kualitas Produk mendukung peningkatan Kesetiaan Konsumen • Minor (B) Sikap terhadap Iklan mendukung peningkatan Kesetiaan Konsumen

Proses Regresi
Regresi adalah proses memasukkan Variabel Independen ke dalam model untuk memprediksi Variabel Dependen, proses tersebut dapat dilakukan secara simultan maupun satu persatu Kesetiaan Konsumen (Y)

a b c

Kualitas Produk (X1)

Sikap terhadap Iklan (X2)

R = a+b+c | b1 = a+b | b2= c

Model Summary Model 1 R R Square a .986 .971 Adjusted R Square .962 Std. Error of the Estimate .74238

a. Predictors: (Constant), Sikap terhadap Iklan, Kualitas Produk b ANOVA
Model 1 Sum of Squares 112.693 3.307 116.000 df 2 6 8 Mean Square 56.347 .551 F 102.240 Sig. .000a

Regression Residual Total

F=102,240 ; p<0,01 Hipotesis Mayor Diterima

a. Predictors: (Constant), Sikap terhadap Iklan, Kualitas Produk b. Dependent Variable: Kesetiaan terhadap Produk
a Coefficients

Model 1

(Constant) Kualitas Produk Sikap terhadap Iklan

Unstandardized Coefficients B Std. Error -4.084 1.727 .782 .116 .330 .055

Standardized Coefficients Beta .581 .520

t -2.365 6.732 6.032

Sig. .056 .001 .001

a. Dependent Variable: Kesetiaan terhadap Produk

• b=0,782 ; p<0,01 Hipotesis Minor (A) Diterima • b=0,330 ; p<0,01 Hipotesis Minor (B) Diterima

PRINSIP REGRESI
SIAPA YANG YANG MASUK DULU DAPAT RUANG LEBIH BANYAK Kesetiaan Konsumen (Y)

a b c

Kualitas Produk (X1) Sikap terhadap Iklan (X2)

R = a+b+c | b1 = a+b | b2= c

PRINSIP REGRESI
SIAPA YANG YANG MASUK DULU DAPAT RUANG LEBIH BANYAK Keterampilan Sosial (Y)

a b c
Self Esteem (X1) Self Confidence (X2)

R = a+b+c | b1 = a+b | b2= c

Correlations Keterampilan Sosial Keterampilan Sosial Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N Pearson Correlation Sig. (2-tailed) N 1 9 .958** .000 9 .817** .007 9 Self Esteem .958** .000 9 1 9 .893** .001 9 9
b ANOVA

Self Confidence .817** .007 9 .893** .001 9 1

Self Esteem

M o d e l S u m m a ry M odel 1 A d ju s te d S td . Erro r o f R R S q u a re R Sq u a re th e E s tim a te a .9 6 2 .9 2 6 .9 0 1 1 .1 9 8 5 1

Self Confidence

a . Pre d ic to rs : (C o n sta n t), S e lf C o n fid e n c e , S e lf E s te e m

**. Correlation is significant at the 0.01 level (2-tailed).

Korelasi antar prediktor terlalu besar (multikolinieritas)

Model 1

Regression Residual Total

Sum of Squares 107.381 8.619 116.000

df 2 6 8

Mean Square 53.691 1.436

F 37.38

Sig. .000a

a. Predictors: (Constant), Self Confidence, Self Esteem b. Dependent Variable: Keterampilan Sosial

Coefficients a Unstandardized Coefficients B Std. Error -5.009 3.415 1.490 .327 -.292 .384 Std. Coefficients Beta 1.126 -.188

Menyebabkan analisis regresi menjadi anomali

Model 1

(Constant) Self Esteem Self Confidence

t -1.467 4.559 -.761

Sig. .193 .004 .476

a. Dependent Variable: Keterampilan Sosial

Contoh Analisis
Ingin dicari model regresi dari sales revenue (Y), dengan variabel bebas berupa ads expenditure (X1) dan pengeluaran untuk quality control (X2)
Tahun X1 X2 Y 1 10 3 44 2 9 4 40 3 11 3 42 4 12 3 46 5 11 4 48 6 12 5 52 7 13 6 54 8 13 7 58 9 14 7 56 10 15 8 60

SIAPA YANG MASUK LEBIH DAHULU ?
• Peneliti yang menentukan sendiri
– Berdasarkan pertimbangan teori, relevansi dengan sampel, kepentingan penelitian

• Program yang menentukan
– ENTER. Semua prediktor dimasukkan dalam satu waktu – REMOVE. Semua prediktor dimasukkan lalu semua prediktor dikeluarkan secara simultan – STEPWISE. Prediktor yang memiliki daya prediksi yang besar dimasukkan terlebih dahulu – FORWARD. Prediktor yang memiliki daya prediksi yang besar dimasukkan terlebih dahulu – BACKWARD. Semua prediktor dimasukkan lalu prediktor yang memiliki daya prediksi yang rendah dikeluarkan satu per satu berdasarkan yang

MENU SPSS
1. 2. MASUK KE MENU | ANALYZE  REGRESSION  LINEAR OPTION | Masukkan variabel di dalam kotak

TUGAS
1. Ada 10 rumah tangga yang merupakan sampel random di teliti. Ditanyakan banyaknya konsumsi suatu komoditi tertentu (dalam satuan), harga komoditi (dalam satuan) dan pendapatan (dalam satuan). Kita ketahui bahwa permintaan terhadap komoditi tersebut untuk keperluan konsumsi (Y) akan dipengaruhi oleh harga (X1) dan pendapatan (X2). Hasil penelitian adalah sebagai berikut : X1 2 3 5 4 6 2 3 4 5 6 X2 3 4 6 5 7 6 4 5 4 3 Y 5 8 8 9 9 13 6 9 4 3 Cari persamaan regresi linier berganda Y = a + b1X1+b2X2

You're Reading a Free Preview

Mengunduh
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->