STAGE 3: ASUMSI-ASUMSI ANALISA REGRESI BERGANDA

Pada bagian berikut kita akan membahas pengujian asumsi dan mengambil tindakan
korektif jika pelanggaran terjadi.

Masalah dasar dalam pengujian asumsi dan tindakan korektif adalah

1. apakah dalam perjalanan menghitung koefisien regresi dan memprediksi
variabel, asumsi analisis regresi terpenuhi.
2. Apakah kesalahan dalam prediksi akibat tidak adanya tindakan yang
sebenarnya dari sebuah hubungan antara variabel.
3. Atau apakah mereka disebabkan oleh beberapa karakteristik dari data yang
tidak diakomodasi oleh model regresi?

Asumsi untuk diperiksa berada di empat wilayah:

1. Linearitas dari fenomena yang diukur
2. Konstan varians dari syarat-syarat kesalahan
3. Kemerdekaan syarat-syarat kesalahan
4. Normalitas distribusi syarat-syarat kesalahan.

Menilai variabel individu versus memvariasikan

Sebelum membahas asumsi individu, pertama-tama kita harus memahami bahwa

asumsi yang mendasari analisis regresi berganda berlaku baik untuk variabel individu
(terikat dan bebas) dan hubungan secara keseluruhan.

Dalam regresi berganda, sekali memvariasikan diturunkan, ia bertindak secara kolektif

dalam memprediksi variabel terikat, yang memerlukan menilai dengan asumsi tidak
hanya variabel individu tetapi juga memvariasikan sendiri.

Pertanyaan umum yang diajukan oleh banyak peneliti: Mengapa menguji variabel
individu ketika kita hanya bisa memeriksa memvariasikan dan menghindari waktu dan
usaha yang dikeluarkan dalam menilai variabel individu? Hasil jawaban dalam
pemahaman yang mendalam yang diperoleh dalam memeriksa variabel individu dalam
dua bidang:
1. Memiliki asumsi pelanggaran untuk variabel individu yang menyebabkan
hubungan mereka menjadi salah mengartikan?.
2. Apa sumber-sumber dan upaya hukum dari setiap pelanggaran asumsi untuk
memvariasikan?

Metode Diaknosa

Ukuran terpenting dari kesalahan prediksi untuk varian adalah residu/sisa (perbedaan
antara nilai observasi dan nilai prediksi untuk variable terikat.

Menentukan residu dibandingkan dengan variabel bebas atau variable prediktif adalah
sebuah metode dasar mengidentifikasi pelanggaran assumsi untuk hubungan
keseluruhan.
Kegunaan peletakan residu, bagaimanapun tergantung pada beberapa variabel kunci:
1. Peletakan residu yang paling biasa melibatkan melibatkan residu disbanding
nilai depependent terprediksi.
2. Pelanggaran masing-masing asumsi dapat diidentifikasi oleh pola – pola khusus
residu.

Linearitas dari fenomena

Linieritas hubungan antara variabel terikat dan bebas merupakan derajat yang mana
perubahan dalam variabel terikat dikaitkan dengan variabel bebas. Koefisien regresi
konstan di kisaran nilai untuk variabel bebas. Konsep hubungan didasarkan pada
hubungan linier, sehingga membuatnya menjadi isu penting dalam analisis regresi.
Linieritas hubungan bivariat mudah diperiksa melalui plot residu.

Setiap pola lengkung konsisten dalam sisa menunjukkan bahwa tindakan perbaikan
akan meningkatkan baik akurasi prediksi model dan validitas koefisien estimasi.

Tindakan korektif dapat mengambil salah satu dari tiga bentuk:

1. Mengubah nilai data (misalnya logaritma, akar kuadrat, dll) dari satu atau lebih
variabel independen untuk mencapai linearitas.
2. Langsung termasuk hubungan nonlinier dalam model regresi, seperti melalui
penciptaan istilah polinomial.
3. Menggunakan metode khusus seperti regresi nonlinear yang dirancang khusus
untuk mengakomodasi efek lengkung dari variabel independen atau hubungan
nonlinier lebih kompleks.

Mengidentifikasi variabel independen untuk tindakan/aksi:

Bagaimana menentukan variabel bebas untuk memilih tindakan korektif?

Dalam regresi berganda dengan lebih dari satu variabel bebas, pemeriksaan residu
hanya menunjukkan efek gabungan dari semua variabel bebas, tapi kami tidak dapat
memeriksa setiap variabel bebas secara terpisah dalam plot residu. Untuk
melakukannya, kita menggunakan apa yang disebut plot regresi parsial, yang
menunjukkan hubungan dari variabel bebas tunggal pada variabel terikat, dengan
mengendalikan dampak dari semua variabel bebas yang lain.

Konstan varians dari istilah error

Adanya varians tidak sama (heteroskedastisitas) di salah satu pelanggaran asumsi

umum. Diagnosa dibuat dengan plot sisa atau uji statistik sederhana. Merencanakan
residu (studentized) Terhadap nilai prediksi dependen dan membandingkan mereka
dengan null plot menunjukkan pola yang konsisten jika varians tidak konstan.

Independen Persyaratan Error

Kami mengasumsikan dalam regresi bahwa setiap nilai prediksi adalah independen,
yang berarti bahwa nilai prediksi tidak berhubungan dengan apapun prediksi lainnya,
yaitu, mereka tidak diurutkan oleh variabel manapun. Kita bisa mengidentifikasi
kejadian seperti dengan memetakan terhadap residu setiap variabel sesekuen
mungkin. Jika residu yang independen, maka pola akan muncul acak dan mirip dengan
null plot residu. Pelanggaran akan diidentifikasi oleh pola konsisten dalam residu.