Anda di halaman 1dari 6
REGRESI LINIER BERGANDA 4. PENDAHULUAN Analisis regresi merupakan salah satu teknik analisis data dalam statistika yang seringkali digunakan untuk mengkaji hubungan antara beberapa variabel dan meramal suatu variabel (Kutner, Nachtsheim dan Neter, 2004). Isiah “regres pertama kali dikemukakan oleh Sir Francis Galton (1822-1911), seorang antropolog dan ahli meteorologi terkenal dari Inggris. Dalam makalahnya yang berjudul “Regression towards mediocrity in hereditary stature’, yang dimuat dalam Joumal of the Anthropological Institute, volume 15, hal. 246-263, tahun 1885. Galton menjelaskan bahwa bij keturunan tidak cenderung menyerupai bij induknya dalam hal besarnya, namun lebin medioker (lebih mendekati rata-rata) lebih kecil daripada induknya kalau induknya besar dan lebih besar daripada induknya kalau induknya sangat kecil (Draper dan Smith, 1992). Dalam mengkaji hubungan antara beberapa variabel menggunakan analisis regresi, terlebin dahulu peneliti menentukan satu variabel yang isebut dengan variabel tidak bebas dan satu atau lebin variabel bebas. Jika ingin dikaji hubungan atau pengaruh satu variabel bebas terhadap variabel tidak bebas, maka model regresi yang digunakan adalah model regresilinier sederhana. Kemudian Jka ingin dikaji hubungan atau pengaruh dua atau lebih variabel bebas terhadap variabel tidak bebas, maka model regresi yang digunakan adalah model regresilinier berganda (multiple linear regression model). Kemucian untuk mendapatkan model regresi lnier sederhana maupun model regresi liner berganda dapat diperoleh dengan melakukan estimasi terhadap parameter-parametemya menggunakan metode tertentu. Adapun metode yang dapat digunakan untuk mengestimasi parameter model regresi linier sederhana maupun model regresi linier berganda adalah dengan metode kuadrat terkecil (ordinary least square/OLS) dan metode kemungkinan maksimum (maximum likelihood estimation/MLE) (Kutner etal, 2004) Pada pelathan ini dikaji analisis regres lier berganda atau sering juga disebut dengan regresi Klasik (Gujarat, 2003). Kajian meliputi kajian teori dan aplikasinya pada studi kasus disertai dengan teknik analisis dan pengolahan datanya dengan bantuan software SPSS under windows versi 15.0 2. REGRESI LINIER BERGANDA Bentuk umum model regresi linier berganda dengan p variabel bebas adalah seperti pada persamaan (2.1) berikut (Kutner, Nachtsheim dan Neter, 2004). Yi = Bro + BX + BoX; + By Kip 4% (24) dengan: Y; adalah variabel tidak bebas untuk pengamatan ke-i, untuk i= 1, 2, ... Bo, Br Bos, By — adalah parameter. X; 1X) a+; » adalah variabel bebas. £; adalah sisa (error) untuk pengamatan ke-i yang diasumsikan berdistribusi normal yang saling bebas dan identi dengan rata-rata 0 (nol) dan variansi 2. Dalam notasi matriks persamaan (2.1) dapat dtulis menjadi persamaan (2.2) berkut. Y=Xpre (22) dengan: , 1 Xi Mas y=) y 41% a Yu Xa Kio Xi pe \ ) ¥ adalah vektor variabel tidak bebas berukuran 1x 1 X adalah matriks variabel bebas berukuran nx (p~ 1). {i adalah vektor parameter berukuran p x 1 € adalah vektor error berukuran nx 4 3. ASUMSL-ASUMSI MODEL REGRES! LINIER BERGANDA Menurut Gujarati (2003) asumsi-asumsi pada model regresi linier berganda adalah sebagai berikut: Model regresinya adalah linier dalam parameter. Nila rata-rata dari error adalah nol Variansi dari error adalah konstan (homoskedastk) Tidak terjadi autokorelasi pada erro. Tidak terjadi multkolinieitas pada variabel bebas. Error berdistribusi normal. |. ESTIMASI PARAMETER MODEL REGRESI LINIER BERGANDA Estimasi parameter ini bertyjuan untuk mendapatkan model regresi linier berganda yang akan digunakan dalam analisis. Pada materi pelatihan ini, metode yang digunakan untuk mengestimasi parameter model regresi linier berganda adalah metode kuadrat terkecil atau sering juga disebut dengan metode ordinary least square (OLS). Metode OLS ini bertujuan meminimumkan jumlah kuadrat error. Berdasarkan persamaan (2.2) dapat diperoleh penaksir (estimator) OLS untuk f adalah sebagai berikut (Kutner, et.al, 2004): Bax y KY (2.3) Penaksir OLS pada persamaan (2.3) merupakan penaksir yang tidak bias, linier dan terbaik (best linear unbiased estimator/BLUE) (Sembiring, 2003; Gujarati, 2003; Greene, 2003 dan Widarjono, 2007). 5. PENGUJIAN PARAMETER MODEL REGRESI LINIER BERGANDA Pengujian parameter ini bertujuan untuk mengetahui ada atau tidaknya pengaruh variabel bebas terhadap variabel tidak bebas, baik secara serentak maupun secara parsial 5A 52 Pengujian Parameter Secara Serentak (Simultan) Prosedur pengujian parameter secara simultan adalah sebagai berikut 1, Membuat hipotesis. Ho: Bh = fe =~ = fy = 0 Hy : Tidak semua jj, sama dengan nol, untuk k= 1,2, ... P+ (Kutner, et a, 2004) atau: Ho: Variabel Xi, X2, .... Xe secara simultan tidak berpengaruh terhadap variabel tidak bebas Hy: Variabel Xi, X2, .... Xe secara simultan berpengaruh terhadap variabel tidak bebas 2, Menentukan tingkat signfikansi (c) Tingkat signifikansi () yang seringkali digunakan dalam penelitian adalah 5%. 3, Menentukan statistik uj Statistik uj yang digunakan adalah: _RKR “REE dengan: RER adelah rata-rata kuadrat regresi (dapat diperoleh dari Tabel Analisis Varian) RKE adalah rata-rata kuadrat error (dapat diperoleh dari Tabel Analisis Variansi) 4, Menentukan daerah krik (penolakan Hb). Daerah kritik yang digunakan adalah Hy ditolak bila F > Dengan Fi,» — 1». -igebut dengan F tabel. Selain dari daerah kritk di atas, dapat juga digunakan daerah kritik yang lain yaitu jika rilai peluang (Sig) < tingkat signifikansi (c), maka Ho ditolak 5, Menarik kesimpulan, Pengujian Parameter Secara Individu (Parsial) Prosedur pengujian parameter secara parsial adalah sebagai berikut: 1, Membuat hipotesis. Ho: By = 0 He: By # 0, untuk k= 4,2, .., pet (Kutner, et a, 2004) atau: Ho: Variabel bebas ke-k tidak berpengaruh terhadap variabel tidak bebas H;-: Variabel bebas ke-k berpengaruh terhadap variabel tidak bebas untuk k= 4, 2, Pet 2, Menentukan tingkat signifikansi (c). Tingkat signifikansi (cr) yang seringkali digunakan dalam penelitian adalah 5%. 3. Menentukan statistik uj Statistik uj yang digunakan adalah: be ® dengan: ‘by, adalah rilai taksiran parameter fi, (yang diperoleh dari metode OLS). s () adalah standar deviasi nilai taksiran parameter (3). 4, Menentukan daerah krtik (penolakan Hb). Daerah kritk yang digunakan adalah: Apditolakbilat > pr, atau t <—fe,,_ y dengan ta, _ disebut dengan t tabel Selain dari daerah kritk di atas, dapat juga digunakan daerah kritk yang lain yaitujka nilai peluang (Sig,) 2maka ada autokorelasi negati DAFTAR PUSTAKA Draper, N. dan Smith, H. 1992. Analisis Regresi Terapan. Edisi Kedua. Terjemahan Oleh Bambang Sumantri, Jakarta: Gramedia Pustaka Utama. Gujarati, N.D. 2003. Basic Econometrics. 4" ed. New York: McGraw-Hill Companies, Inc. Kutner, M.H., C.J. Nachtsheim., dan J. Neter. 2004. Applied Linear Regression Models. 4" ed. New York: McGraw-Hill Companies, Inc. Santoso, S. 2000. Buku Latihan SPSS Statistik Parametrik. Jakarta: Elex Media Komputindo. ‘Sembiring, R.K. 2003. Analisis Regresi. Edisi Kedua. Bandung: Institut Teknologi Bandung, Widarjono, A. 2007. Ekonometrika: Teori dan Aplikasi untuk Ekonomi dan Bisnis. Edisi Kedua. Yogyakarta: Ekonisia Fakultas Ekonomi Universitas Islam Indonesia.