REVIEW MATERI

PERTEMUAN 7: REGRESI LINIER BERGANDA (lanjutan)

Mata Kuliah Perancangan Eksperimen Statistik
Dosen Pengampu: Edi Supriyadi. ST., MT
REGRESI LINIER BERGANDA (lanjutan)
1. Regresi Linier Berganda
Regresi Linear Berganda adalah regresi yang mempunyai hubungan antara
satu peubah tidak bebas Y dengan beberapa peubah lain yang bebas X1, X2,... ,Xk.
Asumsi-asumsi regresi dan korelasi berganda
1. Residu term () memiliki sebaran Normal.

Sehingga Y dan distribusi sampling

koefisien regresi juga memiliki distribusi Normal.

2. Rata-rata atau Expected Value dari residu term untuk setiap nilai X sama dengan
nol. (i|Xi) = 0.
3. Varians residu term adalah konstan pada setiap periode dan untuk semua nilai X i.
Var(i|Xi) = 2. Asumsi ini sering disebut dengan homoscedasticiy. Karena asumsi
ini maka varisi Y adalah sama untuk setiap nilai X. Asumsi ini menjamin setiap
observasi dapat dipercaya, sehingga penduga koefisien regresi adalah efisien dan
pengujian hipotesis tentang koefisien regresi populasi tidak bias.
Ketiga asumsi pertama tentang residu term dapat dituliskan menjadi 2.
4. Residu term pada suatu observasi tidak berhubungan dengan residu term pada
observasi yang lain.
5. Variabel bebas mempunyai nilai yang tetap dalam sampel yang berulang atau
variabel bebas merupakan variabel non stokastik sehingga variabel bebas tidak
berhubungan dengan residu term. Cov (I,Xi) = [XI - (Xi)] [I - (i)] = 0.
6. Nilai observasi variabel dependen tidak berkorelasi. Pelanggaran terhadap asumsi
ini disebut autokrelasi. Kasus autokorelasi sering terjadi pada yang bersifat timeseries.
Jika asumsi diatas terpenuhi maka penduga least square memiliki ciri-ciri :
1. Tidak bias
2. Variasi minimum
3. Konsisten
4. Intercept dan koefisien regresi menyebar normal, a A a2 dan b B b2

Sebaliknya

Jika

tidak

terpenuhi

asumsi-asumsi

yang

dimaksud

bisa

mengakibatkan hasil yang diperoleh menjadi bias.

Contoh
Secara teoritis permintaan terhadap suatu komoditas sangat dipengaruhi oleh harga.
Namun dalam teori marketing pengaruh promosi akan dapat menaikkan penjualan
suatu komoditas tersebut. Untuk itu kita akan melakukan analisis pengaruh harga dan
biaya iklan terhadap penjualan susu. Data penjualan, harga dan biaya promosi
disajikan dalam tabel berikut:
Observasi
(n)
1
2
3
4
5
6
7
8
9
10
Total
Mean

Penjualan Susu

Harga/box

Biaya Iklan

(ribuan box)
10
6
5
12
10
15
5
12
17
20
112
11.2

(ribuan)
13
20
17
15
16
12
16
14
10
11
144
14.4

(jutaan)
9
7
5
14
15
12
6
10
15
21
114
11.4

Bagaimana mengestimasi hasil penjualan berdasarkan hasil regresi ?

3.3 Fungsi Regresi :
Y = b0 + b1 X1 + b2 X2
dimana,
X1 dan X2 adalah dua variabel independen
b0

adalah intercept

b1

perubahan di dalam Y untuk setiap perubahan unit di dalam X1, sementara

X2 konstan, disebut koefisien regresi parsial.

b2

jika X1 konstan disebut koefisien regresi parsial.

Untuk mengestimasi b0, b1, dan b2 kita menggunakan metode least squares

(OLS) dan dengan meminimumkan sum square dari deviasi vertikal dari regression
plane (bukan regression line sebagaimana pada regresi sederhana). Koefisien b 0, b1,
b2 dapat diperoleh dari persamaan (dengan cara eliminasi), serti dibawah ini :

= nb0 + b1 X1 + b2 X2

X1Y

= b0 X1+ b1 X1 + b2 X1X2

X2Y

= b0 X2+ b1 X1X2 + b2 X2

Dengan tiga persamaan tersebut bisa mendapatkan tiga parameter yang dibutuhkan.
Y

X1

X2

Y*X1

Y*X2

X12

X22

X1*X2

e=Y-Y

Y-Y

Y-Y

Y-Y

10
6
5
12
10
15
5
12
17
20

13
20
17
15
16
12
16
14
10
11

9
7
5
14
15
12
6
10
15
21

130
120
85
180
160
180
80
168
170
220

90
42
25
168
150
180
30
120
255
420

169
400
289
225
256
144
256
196
100
121

81
49
25
196
225
144
36
100
225
441

117
140
85
210
240
144
96
140
150
231

11.0
4.0
5.3
12.2
12.0
13.5
6.7
10.7
16.9
19.6

-1.0
2.0
-0.3
-0.2
-2.0
1.5
-1.7
1.3
0.1
0.4

1.4
27.0
38.4
0.6
1.4
14.4
38.4
0.6
33.6
77.4

0.1
51.7
34.7
1.1
0.6
5.4
20.1
0.2
32.9
70.9

0.9
4.0
0.1
0.1
3.9
2.2
3.0
1.7
0.0
0.1

112 144 114

1493

1480

2156

1522

1553

112

233.6

217.6

15.90

9851

15

112 = 10 b0 + 144 b1 + 114 b2

1493 = 144 b0 + 2156 b1 + 1553 b2
1480 = 114 b0 + 1553 b1 + 1522 b2

112
1493
1480

b0
10
144
114

b1
144
2156
1553

b2
114
1553
1522

170464
168720
227234
6
229844
0

b1=-0.825
b0=16.406
b2=0.585
3.5 Standard Error (Se)

(Y Y )

Output Regresi dengan menggunakan

Excel
n (v
1) :
Regression Statistics
Multiple R
R Square
Adj. R Square
Standard Error

0.9654
0.9319
0.9125
1.5072

15220
12996
21916
8
17704
2

219168
177042
328143
2
241180
9

173508
173508
2363666
2363666

Observations

10

ANOVA
df
Regression
Residual
Total

Intercept
X1
X2

2
7
9
Coef.
16.406
-0.825
0.585

SS
217.70
15.90
233.60

MS
108.85
2.27

F
47.92

Sig. F
8.23E-05

SE
4.343
0.220
0.134

t Stat
3.778
-3.756
4.377

P-value
0.007
0.007
0.003

L 95%
6.138
-1.344
0.269

U 95%
26.675
-0.305
0.901

5. Dummy variable
Variabel dummi di dalam regresi hanya dua kemungkinan hasilnya. Untuk
analisis, satu hasil dinyatakan dengan kode=1 dan yang lainnya dengan kode=0.
No. Konsu Penda Sex Umur
m si
1
2
3
4

pt

(Y)
(X1)
508.1 878.3
498.4 785.9
568.2 950.8
577.3 975.2

Y*X1

Y*X2

X1*X1

X2*X2

X1*X2

(X2)
0
0
0
0
0

32

446,264.

16,259.

771,410.

1,024.

28,105.

29

23
391,692.

2
14,453.

89
617,638.

0
841.

6
22,791.

32

56
540,244.

6
18,182.

81
904,020.

0
1,024.

1
30,425.

30

56
562,982.

4
17,319.

64
951,015.

0
900.

6
29,256.

33

96
705,986.

0
21,506.

04
1,173,538.

0
1,089.

0
35,748.

34

61
658,314.

1
22,338.

89
1,004,004.

0
1,156.

9
34,068.

0
24,969.

00
1,097,884.

0
1,225.

0
36,673.

651.7 1083.

3
657.0 1002.

0
713.4 1047.

35

00
747,500.

8
697.5 1083.

35

52
756,020.

0
24,412.

84
1,174,839.

0
1,225.

0
37,936.

9
755.3 1235.

36

25
933,248.

5
27,190.

21
1,526,707.

0
1,296.

5
44,481.

10

6
758.9 1122.7

36

68
852,017.

8
27,320.

36
1,260,455.

0
1,296.

6
40,417.

11

787.6 1205.

35

03
949,451.

4
27,566.

29
1,453,230.

0
1,225.

2
42,192.

12

5
792.1 1189.2

34

80
941,965.

0
26,931.

25
1,414,196.

0
1,156.

5
40,432.

13

841.4 1250.

36

32
1,051,834.1

4
30,290.

64
1,562,750.

0
1,296.

8
45,003.

14

1
831.8 1156.8

35

4
962,226.

4
29,113.

01
1,338,186.

0
1,225.

6
40,488.

15

933.5 1206.

37

24
1,126,174.4

0
34,539.

24
1,455,400.

0
1,369.

0
44,636.

16

4
789.2 1139.5

36

0
899,293.

5
28,411.

96
1,298,460.

0
1,296.

8
41,022.

17

478.9 789.6

30

40
378,139.

2
14,367.

25
623,468.

0
900.

0
23,688.

18

879.5 1254.

37

44
1,103,420.7

0
32,541.

16
1,574,021.

0
1,369.

0
46,420.

19

6
998.1 1235.

37

0
1,232,753.3

5
36,929.

16
1,525,472.

0
1,369.

2
45,698.

1
20 1001.9 1195.4

38

1
1,197,671.2

7
38,072.

01
1,428,981.

0
1,444.

7
45,425.

6
687 16,437,201.4

2
512,712.

16
24,155,681.

0
23,725.

2
754,911.

81

14720 21788

Maka Hasil regresinya adalah :

Regression Statistics
Multiple R
0.9257
R Square
0.8568
Adjusted R
0.8400
Square
Standard Error
Observations

63.0476
20

ANOVA
df
Regression
Residual
Total

SS

MS

404421.98

17
19

67575.06
471997.03

202210.9

F
50.87

Significance
F
0.0000

9
3975.00

8
Coefficient
Intercept

s
-201.379

Standard
Error
116.030

t Stat

P-

-1.736

value
0.101

Lower 95%
-446.182

Upper
95%
43.424

Pendapt (X1)
Sex

0.826
74.455

0.112
32.608

7.348
2.283

0.000
0.036

0.589
5.658

1.064
143.253

Maka hasil regresi adalah sebagai berikut:

Y= - 201.38 + 0,83 X1 + 74,46 X2,
Jika X1=1000, maka untuk
X2 =0 nilai Y= 628,62
X2 =1 nilai Y= 703,08
Perbedaan antara hasil estimasi adalah 74,46. Ini berarti bahwa dengan adanya X2=1,
maka 74,46 lebih tinggi dibandingkan X2=0.
6. Persamaan regresi linear berganda
Bentuk umum dari persamaan linear berganda dapat ditulis sebagai berikut:
a. Bentuk stokastik
b. Bentuk non stokastik
Contoh 5:
Berikut adalah data Volume Penjualan (juta unit) mobil dihubungkan dengan variabel
biaya promosi (X1 dalam juta rupiah/tahun) dan variabel biaya penambahan asesoris
(X2 dalam ratusan ribu rupiah/unit).
x1

x2

x1 x2

x1y

x2y

x1

x2

2
3
5
6
7
8

3
4
6
8
9
10

4
5
8
10
11
12

6
12
30
48
63
80

8
15
40
60
77
96

12
20
48
80
99
120

4
9
25
36
49
64

9
16
36
64
81
100

16
25
64
100
121
144

x x

=
31

=
40

50

1 2

=
296

239

y
=

379

Tetapkan Persamaan Regresi Linier Berganda = a + b1 X1 + b2 X2

n=6

= 31

= 40

= 50

2
1

=
187

2
2

=
306

y
470

x x

1 2

= 239

= 296

2
1

= 379

2
2

=187

=306

= 470

Masukkan notasi-notasi ini dalam ketiga persamaan normal,

n

i 1

i 1

i 1

n a + b1 x1i b 2 x2i yi
(i)
n

i 1

i 1

i 1

i 1

i 1

i 1

i 1

i 1

a x1i + b1 x1i 2 b 2 x2i x1i x1i yi

(ii)

a x2i + b1 x2i x1i b 2 x2i 2 x2i yi

(iii)
Sehingga didapatkan tiga persamaan berikut:
(i)

6a

31 b1

40 b2

= 50

(ii)

31 a

187 b1 +

239 b2 = 296

(iii)

40 a

239 b1 +

306 b2 = 379

Lakukan Eliminasi, untuk menghilangkan (a)

6

(ii)

31 a

187 b1

239 b2 = 296

(i)

6a

31 b1

40 b2

= 50

31

(ii)

189 a +

1122 b1

1434 b2

= 1776

(i)

189 a +

961 b1

1240 b2

= 1550

161b1

194 b2 = 226

(iv)
Kemudian

(iii)

40 a

239 b1

306 b2 = 379

(i)

6a

31 b1

40 b2

= 50

(iii)

240 a +

1434 b1

1836 b2

= 2274

(i)

240 a +

1240 b1

1600 b2

= 2000

40

(v)

194 b1

236 b2

= 274

Selanjutnya, eliminasi (b1) dan dapatkan nilai (b2)

(v)

194 b1

236 b2

= 274

161

(iv)

161 b1

194 b2

= 226

194

(v)

31234 b1

37996 b2

= 44114

(iv)

31234 b1

37636 b2

= 43844

360 b2

270

b2

0,75

Dapatkan Nilai (b1) dan nilai (a) dengan melakukan substitusi, sehingga:
(v)

194 b1

236 b2

= 274

194 b1

236 (0,75)

= 274

194 b1

177

= 274

Perhatikan b2 = 0.75

194 b1 =

97

b1 = 0,50

(i)

6a

31 b1

40 b2

= 50

Perhatikan b1 = 0,50 dan b2 = 0,75

6a

31(0,50)

40 (0,75)

= 50

6a

15,5

30

= 50
6a

= 4,5

= 0,75

Sehingga Persamaan Regresi Berganda

a + b1 X1 + b2 X2

dapat ditulis sebagai 0,75 + 0,50 X1 + 0,75 X2