Simple Regression & Correlations
Simple Regression & Correlations
DISUSUN OLEH :
: 041614153015
: 041614153016
RISKA AGUSTIN
: 041614153020
1. ANALISIS REGRESI
Analisis regresi bertujuan untuk membuat estimasi dan atau membuat perkiraan nilai rata-rata
dari variabel dependen atas dasar nilai dari variabel independen yang telah diketahui atau telah
ditetapkan. Terdapat 2 macam regresi, yaitu:
1. Simple Regression
Merupakan regresi yang melibatkan variabel dependen dan 1 variabel independen.
Model regresi sederhana dapat dirumuskan sebagai: Y = b0 + b1 X1 + e
Y adalah sebagai variabel dependen; b0 adalah intercept; b1 adalah koefisien regresi yang
mengukur besarnya pengaruh variabel X1 terhadap Y; X1 adalah variabel independen; dan e
adalah error (residual/sisa).
2. Multiple Regression
Merupakan regresi yang melibatkan variabel dependen dan 2 atau lebih variabel independen.
Model regresi berganda dapat dirumuskan sebagai: Y = b0 + b1 X1 + b2 X2 + . + bn Xn + e
Y adalah sebagai variabel dependen; b0 adalah intercept; b1 adalah koefisien regresi yang
mengukur besarnya pengaruh variabel X1 terhadap Y; X1 adalah variabel independen pertama;
dan seterusnya sama untuk variabel independen kedua sampai ke-n; dan e adalah error
(residual/sisa).
2. TIPE-TIPE YANG DIGUNAKAN DALAM ANALISIS REGRESI
Terdapat tiga data yang tersedia untuk sebuah analisis empiris, yaitu:
1. Data Time Series
` Merupakan kumpulan observasi terhadap nilai-nilai sebuah variabel dari beberapa waktu yang
berbeda.
2. Data Cross Section
Merupakan data yang terdiri atas satu atau lebih variabel yang dikumpulkan dalam satu
periode yang sama.
3. Data Panel
Merupakan gabungan atau kombinasi dari data time series dan cross section.
3. LINEARITAS DALAM PARAMETER
Terdapat dua model, yaitu:
1. Model Regresi Linear
Y = b0 + b1 X1 + e atau Y = b0 + b1 X12 + e
2. Model Regresi Non-linear
Y = b0 + b12 X1 + e atau Y = b0 + b12 X12 + e
Terminologi regresi linear akan selalu berarti sebuah regresi yang linear dalam parameterparameternya; b-nya (yaitu parameternya) berpangkat satu saja. Parameter untuk variabel
independennya, atau X-nya, bisa saja linear atau tidak linear.
4. LANGKAH-LANGKAH REGRESI
-
c.
a.
b.
c.
d.
2. Uji Autokorelasi
Uji autokorelasi digunakan untuk mengetahui apakah terdapat korelasi antara variabel
pengganggu pada periode tertentu dengan variabel pengganggu pada periode sebelumnya.
Pendeteksian ada atau tidaknya autokorelasi dilakukan dengan melihat nilai Durbin-Watson.
Hasil regresi dikatakan tidak memiliki autokorelasi jika du < dw < 4-du.
3. Uji Heteroskedastisitas
Uji heteroskedastisitas dilakukan untuk mengetahui ada tidaknya hubungan antara variabel
pengganggu dengan variabel bebasnya. uji gejala heteroskedastisitas dapat diketahui dengan
melihat scatterplot. Plot data yang berpencar tidak secara acak dan membentuk suatu pola
tertentu menimbulkan dugaan terjadi masalah heteroskedastisitas, dan sebaliknya jika
pencaran data bersifat acak dan tidak membentuk suatu pola tertentu maka tidak terjadi
masalah heteroskedastisitas. Caranya dengan melihat grafik persilangan SRESID dengan
ZPRED pada output hasil SPSS, dengan langkah-langkah sebagai berikut:
a. Klik Analyze Regression Linear
b. Masukkan variabel y ke Dependent.
c. Masukkan variabel V1 ke Independent
d. Klik Plot.
e. Isikan SRESID pada y-axis dan ZPRED pada x-axis.
f. Klik Continue.
g. Amati hasilnya pada Output SPSS.
6. ANALISIS REGRESI
Setelah mengetahui asumsi klasik diatas telah dinyatakan lolos, maka selanjutnya kita dapat
melanjutkan analisis regresi. Kita dapat melakukan interpretasi pada beberapa nilai di bawah ini:
a. Regression Coefficient
Koefisien regresi adalah estimasi perubahan pada variabel dependen untuk setiap perubahan
di dalam variabel independen. Jika koefisien regresi ditemukan signifikan secara statistik,
nilai koefisien regresi akan menunjukkan seberapa besar perubahan variabel independen
mempengaruhi variabel dependen.
b. Intercept
Intercept atau konstanta adalah nilai yang jika variabel independen di dalam model dianggap
konstan, maka nilai variabel dependen adalah sebesar nilai intercept atau konstanta tersebut.
c. Koefisien Determinasi
Koefisien determinasi (R2) pada intinya mengukur seberapa jauh kemampuan model dalam
menerangkan variansi variabel dependen. Nilai koefisien determinasi adalah antara nol dan
satu. Nilai R2 yang kecil berarti kemampuan variabel independen dalam menjelaskan variansi
variabel dependen amat terbatas, dan sebaliknya.
d. Standard Error of Estimate (SEE)
Ukuran lain untuk keakuratan prediksi adalah variasi yang diharapkan dalam nilai-nilai yang
diprediksi, yang disebut sebagai standard error of estimate (SE E). Makin kecil nilai SEE ini
akan membuat model regresi semakin tepat dalam memprediksi variabel dependen.
7. KORELASI
Analisis korelasi bertujuan untuk mengukur kekuatan asosiasi (hubungan) linear antara dua
variabel dan arah hubungannya. Hal ini mengukur kekuatannya apakah termasuk kategori kuat
atau lemah dan apakah arah hubungannya searah (positif) atau berlawanan arah (negatif).
Korelasi tidak menunjukkan hubungan fungsional atau dengan kata lain analisis korelasi tidak
membedakan antara variabel dependen dengan variabel independen.
a. Kekuatan Korelasi
b. Arah Korelasi
Std.
Deviation
Y
7.00
1.773
V1
4.25
1.581
8
Correlations
Y
Pearson Correlation
V1
1.000
.866
V1
.866
1.000
.003
.003
V1
Sig. (1-tailed)
V1
Variables Entered/Removeda
Mod
Variables
Variables
el
Entered
Removed
V1
Method
Enter
a. Dependent Variable: Y
b. All requested variables entered.
Model Summaryb
Mod
el
1
Adjusted R
Std. Error of
Square
Square
the Estimate
.866a
.751
.709
Durbin-Watson
.956
2.511
a. Predictors: (Constant), V1
b. Dependent Variable: Y
ANOVAa
Model
Sum of
df
Mean
Squares
Regression
1
Residual
Total
a. Dependent Variable: Y
b. Predictors: (Constant), V1
Sig.
Square
16.514
16.514
5.486
.914
22.000
18.063
.005b
Coefficientsa
Model
Unstandardized
Standardized
Coefficients
Coefficients
B
1
(Constant)
V1
Std. Error
2.871
1.029
.971
.229
Sig.
Collinearity Statistics
Beta
Tolerance
.866
2.792
.032
4.250
.005
1.000
a. Dependent Variable: Y
Casewise Diagnostics
Case
FAMILY_I
Std.
Residual
Number
Simple
regression
Predictio
n error
Predicted
Residual
Value
-.852
4.81
-.814
1.240
4.81
1.186
-.792
6.76
-.757
.254
6.76
.243
.284
7.73
.271
-.762
7.73
-.729
-.732
8.70
-.700
1.360
10
8.70
1.300
a. Dependent Variable: Y
Residuals Statisticsa
Minimum
Maximum
Mean
Std.
Deviation
Predicted Value
4.81
8.70
7.00
1.536
-1.423
1.107
.000
1.000
.343
.615
.465
.118
3.98
9.00
6.96
1.618
Residual
-.814
1.300
.000
.885
Std. Residual
-.852
1.360
.000
.926
Stud. Residual
-1.113
1.625
.020
1.124
Deleted Residual
-1.390
2.024
.045
1.317
-1.140
1.982
.108
1.267
Mahal. Distance
.025
2.025
.875
.860
Cook's Distance
.005
.928
.278
.335
.004
.289
.125
.123
a. Dependent Variable: Y
VIF
1.000
Charts
Descriptive Statistics
N
Minimum
Maximum
Mean
Std. Deviation
Statistic
Statistic
Statistic
Statistic
Statistic
.0000000
.88525334
Unstandardized
-.81429
1.30000
Residual
Valid N (listwise)
8
Mean
Std. Deviation
.0000000
.88525334
Absolute
.285
Positive
.285
Negative
-.179
Kolmogorov-Smirnov Z
.807
.532
Skewness
Kurtosis
Statistic
Std. Error
Statistic
.603
.752
-1.477
Std. Error
1.481
9. INTERPRETASI
A. UJI NORMALITAS
Terdapat beberapa cara menguji normalitas. Berdasarkan tabel Descriptive Statistics Skewness
dan Kurtosis, kita dapat melihat bahwa besarnya nilai skewness adalah 0,603 dan kurtosis adalah
-1,477. Kemudian kita bisa menghitung:
Z-skewness = 0,603 / (6/8) = 0,696
Z-kurtosis = -1,477 / (24/8) = -0,853
Selanjutnya, kita harus membandingkan nilai Z hitung diatas dengan Z tabel.
Diketahui = 0,05, dimana sisanya berarti 0,95. Angka 0,95 dibagi menjadi 2 untuk masingmasing sisi sehingga satu sisi menghasilkan angka 0,475.
Hasil tersebut kemudian dapat dilihat pada tabel Z dibawah ini dan menunjukkan bahwa posisi
0,475 berada pada z-value 1,96.
Kesimpulannya adalah data residual terdistribusi normal karena baik hasil perhitungan Zskewness (0,696) maupun Z-kurtosis (-0,853) < Z tabel (1,96).
Cara lainnya yaitu berdasarkan tabel kolmogorov smirnov test, kita dapat melihat bahwa nilai
kolmogorov smirnov adalah 0,807 dan signifikan pada 0,532. Hal ini berarti data residual
terdistribusi normal karena Sig. Kolmogorov-Smirnov (0,532) > Sig. Penelitian (0,05). Hasil ini
konsisten dengan uji normalitas sebelumnya yang menggunakan analisis skewness dan kurtosis.
B. UJI AUTOKORELASI
Kita bisa melihat pada tabel Model Summary yang menunjukkan angka durbin watson sebesar
2,511. Hasil regresi dikatakan tidak memiliki autokorelasi jika du < dw < 4-du. Nilai du disini
dapat dilhat pada tabel berikut:
Dimana pada kasus ini, kita memiliki k (variabel independen) = 1 dan n (jumlah sampel) = 8,
sehingga didapat angka du sebesar 1,3324. Maka dari itu, dapat disimpulkan bahwa regresi tidak
memiliki autokorelasi karena du (1,3324) < dw (2,511) < 4-du (2,6676).
C. UJI HETEROSKEDASTISITAS
Kita bisa melihat pada scatterplot yang menunjukkan bahwa pencaran data bersifat acak dan
tidak membentuk suatu pola tertentu sehingga dapat disimpulkan tidak terjadi masalah
heteroskedastisitas.
D. KOEFISIEN REGRESI
Kita bisa melihat pada tabel Coefficients yang menunjukkan bahwa koefisien regresi untuk V1
terhadap Y adalah sebesar 0,971 (unstandardized). Dan dapat diketahui juga bahwa V1 memiliki
pengaruh positif signifikan terhadap Y, karena sig. (0,005) < (0,05).
E. INTERCEPT
Kita bisa melihat pada tabel Coefficients yang menunjukkan bahwa intercept untuk V1 terhadap
Y adalah sebesar 2,871 (pada baris constant).
Berdasarkan angka koefisien regresi dan intercept, maka dapat kita rumuskan model
prediction equation untuk regresi sederhana ini sebagai berikut:
atau
Y= 2,87 + 0,97V1
F. KOEFISIEN DETERMINASI
Kita bisa melihat pada tabel Model Summary yang menunjukkan angka R 2 sebesar 0,751 yang
berarti variabel independen V1 mampu menjelaskan pengaruh terhadap variabel dependen Y
sebesar 75,1%.
G. STANDARD ERROR OF ESTIMATE
Kita bisa melihat pada tabel Model Summary yang menunjukkan angka SE E sebesar 0,956, yang
berarti memberikan 95,6% confidence interval pada nilai 2,34, yang didapat dengan mengalikan
SEE dengan t-value yaitu sebesar 2,447. T-value ini didapat dari melihat tabel berikut:
Dimana df (residual) = 6 dan untuk two-tails = 0,05 yang menghasilkan t-value sebesar 2,447.
Semakin kecil nilai SEE akan membuat model regresi semakin tepat dalam memprediksi variabel
dependen.
H. KORELASI
Kita bisa melihat pada tabel Correlations yang menunjukkan angka sig. (2 tailed) sebesar 0,003
yang berarti ada korelasi yang signifikan karena p-value (0,003) < (0,05). Selain itu,
berdasarkan pada tabel Model Summary, dapat diketahui juga koefisien korelasi (R) yaitu
sebesar 0,866 yang berarti korelasi/hubungan antara variabel V1 dan Y ini berada pada kategori
rentang kuat-sangat kuat dan arah korelasinya positif karena R > 0.