Statistik Lanjut

ANALISIS REGRESI SEDERHANA

& GANDA
Program Studi Psikologi
Fakultas Kedokteran
Desember 2014
Makassar

Tugas Pokok Anareg (Hadi,

2001)
Mencari korelasi antara kriterium dan
prediktor.
Menguji apakah korelasi itu signifikan
ataukah tidak.
Mencari persamaan garis regresinya.
Menemukan sumbangan relatif
antara sesama prediktor, jika
prediktornya lebih dari satu.

Sekilas Anareg
Analisis regresi hanya dapat dilakukan apabila
telah diketahui bahwa ada hubungan yang
signifikan antar variabel yang bersangkutan.
Apabila tidak ada hubungan antar variabel,
maka variabel tsb tdk dpt digunakan utk
memprediksi keadaan variabel yg lain.
Jadi kita berusaha mengetahui keadaan suatu
variabel (misal var Y), lewat variabel lain
(misal var X) atau sebaliknya.
Korelasi sempurna, jika r = 1.00 atau r = -1.00.

 Variabel X = VI = variabel prediktor

Variabel Y = VD = variabel kriterium
Hubungan antara variabel prediktor
dengan variabel kriterium biasanya
dilukiskan dalam sebuah garis yg
disebut garis regresi.
Garis regresi ada yg berbentuk linear
(lurus), dan ada yg berbentuk
melengkung (kurve)
Dalam penghitungan regresi biasanya
diasumsikan garis regresinya linear.

 Oleh karena itu perlu dilakukan uji

linearitas.
Apabila garis regresi yg diperoleh
tidak linear, maka tidak dapat
dikenai rumus yg sama, yaitu harus
dihitung dengan rumus garis regresi
non linear (misal: regresi
eksponensial)

Rumus Anareg Sederhana

Rumus persamaan garis regresi dg satu
prediktor
Y = a+bX (Santoso, 2010).
Y = variabel kriterium
X = variabel prediktor
b = koefisien prediktor (slope), merupakan
tingkat kemiringan garis regresi, yang juga
berarti berapa banyaknya peningkatan Y jika
X meningkat sebanyak 1 poin.
a = bilangan konstan (intercept), merupakan
nilai dari prediksi Y jika nilai dari X adalah nol.

Rumus Anareg Sederhana

Rumus persamaan garis regresi
dengan satu prediktor (Hadi, 2001)
Y = aX + K
Y = kriterium
X = prediktor
a = koefisien prediktor
K = bilangan konstan

Langkah dalam anareg sederhana

Menghitung korelasi antara kedua variabel
Jika koefisien korelasi (r) yg diperoleh
signifikan, buat persamaan garis regresinya.
Garis regresi yang ingin didapatkan harus
memiliki kriteria khusus yakni memiliki
kesalahan prediksi paling kecil dibandingkan
semua garis regresi yang mungkin di buat
(Santoso, 2010). Tujuan peneliti adalah
ingin mendapatkan dasar ramalan yang
menghasilkan kesalahan-kesalahan yang
sekecil-kecilnya (Hadi, 2001).

 Tujuan tersebut di atas dapat

tercapai, jika dari serangkaian
ramalan, jumlah kesalahankesalahan ramalan tersebut sama
dengan nol. Kesalahan ramalan ini di
sebut residu (Hadi, 2001).
Untuk mengisi persamaan garis
regresi (Y = aX + K) itu harga
koefisien prediktor (a) dan harga
bilangan konstan (K) harus
ditemukan terlebih dahulu. Hargaharga a dan K dapat ditemukan

 Rumus metode skor kasar

 Rumus metode skor deviasi

y = ax

 Setelah garis regresi diketahui, maka

perlu dilakukan analisis varians
terhadap garis regresi, dengan
maksud menguji signifikansi garis
regresi yang bersangkutan, hal ini
terutama dilakukan jika dalam
prediksi digunakan beberapa
prediktor. Jika hanya satu prediktor
maka setelah garis regresi diketahui,
maka tugas yang kita kerjakan boleh
dikatakan selesai (Hadi, 2001).

Anareg dlm SPSS (Santoso,

2006)

1. Analyze Regression Linear

2. Pengisian kotak dialog (dependen,
independen)
3. Pilih Statistics Estimates Model Fit
Descriptives Casewise
diagnostics all cases Continue
4. Pilih Plots SDRESID pada Y ZPRED
pada X Next ZPRED pada Y
DEPENDNT pada X Next Normal
Probability Plot Continue Ok

Hasil
1. Statistik deskriptif
2. Tingkat signifikansi korelasi dan
besarnya korelasi.
3. Variables Entered/Removed
4. Model Summary
R = koefisien korelasi

R square = pengkuadratan dari

koefisien korelasi = koefisien
determinasi = semakin kecil angka R
square, semakin lemah hubungan
kedua variabel = berkisar 0-1 =
sekian % dari variabel dependen
dapat dijelaskan oleh variabel
independen, sisanya oleh variabel
lain yg tidak di teliti.

5. Anova Lihat Sig. jika < 0,05 maka

model regresi bisa digunakan untuk
memprediksi variabel dependen.
6. Coefficients
Menunjukkan persamaan garis regresi Y=
B(constan)+ B X
Uji t menguji signifikansi konstanta dan
variabel dependen apakah benar
variabel independen dapat memprediksi
variabel dependen Sig < 0,025 maka
koef regresi signifikan uji dilakukan dua
sisi sehingga probabilitas = 0,05/2 =
0,025

7. Casewise diagnostics membahas

ttg residu semakin kecil residu
atau standardized residual
(residu/SEE) akan semakin baik bagi
persamaan regresi dalam
memprediksi data.
8. Residuals statistics ringkasan
deskiriptif dari nilai residu.
9. Gambar Normal P-P Plot of
Regression Standardized Residual
jika residual berasal dari distribusi
normal, maka sebaran data akan

10. Scatterplot 1 Menggambarkan

hubungan antara nilai yg diprediksi dengan
Studentized Delete Residual-nya Jika
model regresi layak dipakai untuk prediksi
(fit), maka data akan berpencar di sekitar
angka nol (0 pada sumbu Y) dan tidak
membentuk suatu pola atau tren tertentu.
11. Scatterplot 2 Menggambarkan
hubungan antara varibel dependen dengan
nilai prediksinya Jika model memenuhi
syarat, maka sebaran data akan berada
mulai dari kiri bawah lurus ke arah kanan
atas.

Anareg ganda
Memiliki lebih dari 1 prediktor.
Untuk anareg ganda dengan 2
prediktor, berarti terdapat 1 variabel
kriterium dan 2 variabel prediktor,
dst.
Prinsip-prinsip untuk memprediksikan
kriterium dari satu prediktor berlaku
juga untuk memprediksikan kriterium
dari dua prediktor atau lebih (Hadi,
2001).
Persamaan garis regresi (Hadi, 2001)

 Langkah SPSSdalam anareg ganda

tergolong sama dengan anareg
sederhana, begitu pula dg cara
pembacaan hasilnya.
Harus diingat untuk melakukan uji
asumsi sebelum uji hipotesis, baik
pada anareg sederhana maupun
ganda.

Daftar Pustaka
Hadi, S. 2001. Analisis Regresi.
Yogyakarta: Andi.
Santoso, A. 2010. Statistik untuk
Psikologi dari Blog menjadi Buku.
Yogyakarta: Universitas Sanata
Darma.
Santoso, S. 2006. Menguasai Statistik
di Era Reformasi Informasi dengan
SPSS 14. Jakarta: Elex Media
Komputindo