BAB III

MODEL REGRESI DENGAN DUA VARIABEL

1. Rangkuman

Model regresi yang menggunakan satu variabel dependen dan satu variabel independen
umumnya dituliskan dengan simbol berbeda berdasarkan sumber data yang digunakan, meskipun
tetap dituliskan dalam persamaan fungsi regresi. Fungsi regresi yang menggunakan data populasi
(FRP) umumnya menuliskan simbol konstanta dan koefisien regresi dalam huruf besar,
sebagai berikut:
Y = A + BX + .. (pers.3.1)
Fungsi regresi yang menggunakan data sampel (FRS) menuliskan simbol konstanta dan koefien
regresi dengan huruf kecil, contoh sebagai berikut:
Y = a + bX + e .. (pers.3.2)
Dimana:
A atau a; adalah konstanta atau intercept
B atau b; adalah koefisien regresi, yang juga menggambarkan tingkat elastisitas variabel
independen
Y; adalah variabel dependen
X; adalah variabel independen

Notasi a dan b merupakan perkiraan dari A dan B. Huruf a, b, disebut sebagai estimator atau
statistik, sedangkan nilainya disebut sebagai estimate atau nilai perkiraan
(supranto,j.,ekonometrika buku satu). Meskipun penulisan simbol konstanta dan koefisien
regresinya agak berbeda, namun penghitungannya menggunakan metode yang sama, yaitu dapat
dilakukan dengan metode kuadrat terkecil biasa (ordinary least square), atau menggunakan
metode Maximum Likelihood.

Metode Kuadrat Terkecil Biasa (Ordinary Least Square) (OLS)

Penghitungan konstanta (a) dan koefisien regresi (b) dalam suatu fungsi regresi linier
sederhana dengan metode OLS dapat menggunakan rumus-rumus sebagai berikut:
Rumus pertama
Mencari nilai b:
Mencari nilai a:

Rumus kedua(II)
Mencari nilai b: mencari nilai a:

Meskipun nilai a dan b dapat dicari dengan menggunakan rumus tersebut, namun nilai a dan b
baru dapat dikatakan valid apabila telah memenuhi beberapa asumsi, yang terkenal dengan
sebutan asumsi klasik. ada 3 asumsi yang harus dipenuhi dalam OLS , yaitu:
1. Asumsi nilai harapan bersyarat (conditional expected value) dari ei, dengan syarat X
sebesar Xi, mempunyai nilai nol.
2. Kovarian ei dan ej mempunyai nilai nol. Nilai nol dalam asumsi ini menjelaskan bahwa
antara ei dan ej tidak ada korelasi serial atau tida berkorelasi (autocorrelation).
3. Varian ei dan ej sama dengan simpangan baku (standar deviasi).

Asumsi diatas ringkasnya sebagai berikut:

Asums Dinyatakan dalam E
i
1 E(ei/Xi) = 0
2 Kov (ei , ej) = 0, ij
3 Var (ei/Xi) = 2
Donyatakan dalam Y Digunakan untuk membahas
E(Yi/Xi) = A + Bxi Multikolinearitas
Kov (Yi, Yj) = 0, ij Autokorelasi
Var(Yi/Xi) = 2 Heteroskedastisitas

Prinsip-prinsip Metode OLS

Dalam metode OLS terdapat prinsip-prinsip antara lain:
1. Analisis dilakukan dengan regresi, yaitu analisis untuk menentukan ubungan pengaruh
antara variabel bebas terhadap variabel terikat. Regresi sendiri akan menghitung nilai a,
b, dan e (error), oleh karena itu dilakukan dengan cara matematis.
2. Hasil regresi akan menghasilkan garis regresi. Garis regresi ini merupakan representasi
dari bentuk arah data yang diteliti. Garis regresi disimbolkan dengan Y (baca: Y topi,
atau Y cap), yang berfungsi sebagai Y perkiraan. Sedangkan data disimbolkan dengan Y
saja.

Nilai a dalam garis regresi digunakan untuk menentukan letak titik potong garis pada sumbu
Y. Jika nilai a > 0 maka letak titik potong garis regresi pada sumbu Y akan berada di atas origin
(0), apabila nilai a < 0 maka titik potongnya akan berada di bawah origin (0). Nilai b atau disebut
koefisien regresi berfungsi untuk menentukan tingkat kemiringan garis regresi. Semakin rendah
nilai b, maka derajat kemiringan garis regresi terhadap sumbu X semakin rendah pula.
sebaliknya, semakin tinggi nilai b, maka derajat kemiringan garis regresi terhadap sumbu X
semakin tinggi. Berikut gambaran uraian di atas.

Munculnya garis Yi a bX I seperti dalam gambar di atas, didapatkan dari memasukkan angka
Xi ke dalam persamaan Yi = a + bXi +e.
 Jenis Koefisien Sifat Elastisitas
Elastisitas Elastisitas
Elastik E>1 Perubahan yang terjadi pada variabel
Ingat bebas diikuti dengan perubahan yang
lebih besar pada variabel terikat

Elastik E=1 Perubahan yang terjadi pada variabel

Unitary bebas diikuti dengan perubahan yang
sama besar pada variabel terikat

Inelastik E<1 Perubahan yang terjadi pada variabel

bebas diikuti dengan perubahan yang
lebih kecil pada variabel terikat

Elastisitas
Tanda (+) pada koefisien regresi menunjukkan hubungan yang searah. Artinya, jika variabel
bebas meningkat, maka variabel terikat juga meningkat. Demikian pula sebaliknya. Tanda (-)
pada koefisien regresi menunjukkan hubungan yang berlawanan. Artinya, jika variabel bebas
meningkat, maka variabel terikat akan menurun. Demikian pula sebaliknya.

Menguji Signifikansi Parameter Penduga

Persamaan fungsi regresi OLS variabelnya terbagi menjadi dua, yaitu: variabel yang
disimbolkan dengan Y (yang terletak di sebelah kiri tanda persamaan) disebut dengan variabel
terikat (dependent variable). Variabel yang disimbolkan dengan X (disebelah kanan tanda
persamaan) disebut dengan variabel bebas (independent variable). Utamanya metode OLS
ditujukan tidak hanya menghitung berapa besarnya a atau b saja, tetapi juga digunakan pula
untuk menguji tingkat signifikansi dari variabel X dalam mempengaruhi Y. Pengujian
signifikansi variabel X dalam mempengaruhi Y dapat dibedakan menjadi dua, yaitu: 1) pengaruh
secara individual, dan 2) pengaruh secara bersama-sama.
Hal mendasar yang membedakan antara penggunaan uji t dan uji F terletak pada jumlah
variabel bebas yang diuji signifikansinya dalam mempengaruhi Y. Jika hanya menguji
signifikansi satu variabel bebas saja, maka yang digunakan adalah uji t. sedangkan jika lebih dari
satu variabel bebas nya menggunakan uji F.
Uji t
Untuk menguji hipotesis bahwa b secara statistic signifikan, perlu terlebih dulu
menghitung standar error atau standar deviasi dari b. Berbagai software computer telah banyak
yang melakukan penghitungan secara otomatis, tergantung permintaan dari user. Namun perlu
bagi kita untuk mengetahui formula dari standar error dari b, yang ternyata telah dirumuskan
sebagai berikut:

Atau dapat pula dengan rumus sebagai berikut:

Dimana: Yt dan Xt ialah data variabel dependen dan independen pada periode t
adalah nilai variabel dependen pada periode t yang didapat dari perkiraan garis
regresi
X merupakan nilai tengah (mean) dari variabel independen
e atau Yt - t merupakan error term
n adalah jumlah data observasi
k adalah jumlah perkiraan koefisien regresi yang meliputi a dan b
(n-k) disebut juga dengan degrees of freedom (df).
Guna menghitung standar deviasi dari data yang tersedia berdasar rumus di atas, maka
diperlukan menghitung nilai t terlebih dulu, untuk mempermudah penghitungan e atau Yt - t..
 Bantuan dengan SPSS
1. Uji t dapat dilihat dalam output hasil regresi dengan SPSS pada tabel Coefficient.
2. Uji F dapat dilihat dalam output hasil regresi dengan SPSS pada tabel ANOVA.
3. Kolom Sig. baik pada tabel Coefficient maupun ANOVA menunjukkan tingkat
signifikansi pada derajat kesalahan () tertentu. Misal, kolom Sig. menunjukkan angka
0,04 itu berarti bahwa tingkat kesalahannya mencapai 4%. Angka sebesar itu dapat
dikatakan signifikan jika derajat kesalahan () telah ditentukan sebesar 0,05. Tetapi
jika ditentukan 0,01 maka angka tersebut tidak signifikan.

Interpretasi Hasil regresi

Setelah tahapan analisis regresi dilakukan sesuai dengan teori-teori yang relevan, langkah
terpenting berikutnya adalah menginterpretasi hasil regresi. Interpretasi yang dimaksudkan disini
adalah mengetahui informasi-informasi yang terkandung dalam hasil regresi melalui pengartian
dari angka-angka parameternya.
Koefisien Determinasi (R2)
Pembahasan hasil regresi di atas menunjukkan seberapa besar nilai a, b, dan t. Nilai a
menjelaskan tentang seberapa besar faktor-faktor yang bersifat tetap mempengaruhi inflasi,
sedangkan nilai b mencerminkan tingkat elastisitas variabel X. Nilai t sendiri mempertegas
signifikan tidaknya variabel X dalam mempengaruhi Y. Koefisien determinasi (R2) pada intinya
mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel terikat.
Besarnya nilai koefisien determinasi adalah di antara nol dan satu (0<R 2<1). Nilai R2 yang
mendekati 0 (nol) menunjukkan kemampuan variabel-variabel independen dalam menjelaskan
variasi variabel dependen amat terbatas. Nilai yang mendekati angka 1 (satu) menunjukkan
variabel-variabel independen memuat hampir semua informasi yang dibutuhkan untuk
memprediksi variasi variabel dependen. Dengan kalimat lain dapat dijelaskan bahwa koefisien
determinasi (R2) adalah angka yang menunjukkan proporsi variabel dependen yang dijelaskan
oleh variasi variabel independen. Juga, dapat digunakan sebagai ukuran ketepatan dalam
menentukan prediktor. Artinya, R2 menunjukkan seberapa besar sumbangan X terhadap Y. Untuk
menentukan koefisien determinasi (R2) pada regresi linier sederhana, dapat dihitung dengan
rumus sebagai berikut:

Bantuan dengan SPSS

1. R2 (baca: R square) atau koefisien determinasi dapat dilihat
dalam output hasil regresi dengan SPSS pada tabel model
summary.
2. Misalkan angka R2 menunjukkan angka 0.734
menunjukkan arti bahwa determinasi dari variabel bebas
terhadap variabel terikat adalah sebesar 73,4%.
3. Ibarat air dalam gelas, variabel terikat (Y) adalah gelasnya
dan air adalah variabel bebasnya (X). Terkait dengan angka
0,734 maka air dalam gelas adalah sebanyak 73,4% dari
gelas tersebut.

Analisis regresi pada dasarnya adalah menjelaskan berapa besar pengaruh tingkat
signifikansi variabel independen dalam mempengaruhi variabel dependen. Meskipun hasil
regresi seperti tertera pada persamaan di atas telah dapat diinterpretasi, dan dapat menunjukkan
inti tujuan analisis regresi, namun bukan berarti bahwa tahapan analisis telah selesai hingga di
sini. Hasil regresi di atas masih perlu dipastikan apakah besarnya nilai thit ataupun angka-angka
parameter telah valid ataukah masih bias. Jika nilai-nilai tersebut sudah dapat dipastikan valid
atau tidak bias, memang analisis regresi dapat berhenti di sini saja. Tetapi, jika nilai-nilai belum
dapat dipastikan valid, maka perlu dilakukan langkah-langkah analisis lanjutan untuk
menjadikan parameter-parameter tersebut menjadi valid.

2.Simpulan
Model regresi dengan dua variabel (yaitu satu variabel dependen dan satu variabel independen)
umumnya dituliskan dengan simbol berbeda berdasarkan sumber data yang digunakan, meskipun
tetap dituliskan dalam persamaan fungsi regresi. Bentuk persamaannya adalah sebagai berikut:

Y = a + bX + e

Dimana:
A atau a; merupakan konstanta atau intercept
B atau b; merupakan koefisien regresi, yang juga menggambarkan tingkat elastisitas variabel
independen
Y; merupakan variabel dependen
X; merupakan variabel independen
e; merupakan error atau kesalahan
Penghitungan konstanta (a) dan koefisien regresi (b) dalam suatu fungsi regresi linier sederhana
dengan metode OLS dapat dilakukan dengan rumus I dan rumus II sebagai berikut:
 Meskipun nilai a dan b dapat dicari dengan menggunakan rumus tersebut, namun nilai a
dan b baru dapat dikatakan valid (tidak bias) apabila telah memenuhi beberapa asumsi, yang
terkenal dengan sebutan asumsi klasik. Asumsi-asumsi yang harus dipenuhi dalam OLS ada 3
asumsi, yaitu:
1. Asumsi nilai harapan bersyarat (conditional expected value) dari ei, dengan syarat X sebesar
Xi, mempunyai nilai nol.
2. Kovarian ei dan ej mempunyai nilai nol. Nilai nol dalam asumsi ini menjelaskan bahwa
antara ei dan ej tidak ada korelasi serial atau tida berkorelasi (autocorrelation).
3. Varian ei dan ej sama dengan simpangan baku (standar deviasi).

Pengujian signifikansi variabel X dalam mempengaruhi Y dapat dibedakan menjadi dua, yaitu:
1. Pengaruh secara individual
Pengujian signifikansi secara individual pertama kali dikembangkan oleh R.A. Fisher,
dengan alat ujinya menggunakan pembandingan nilai statistik t dengan nilai t tabel.
Apabila nilai statistik t lebih besar dibandingkan dengan nilai t tabel, maka variabel X
dinyatakan signifikan mempengaruhi Y. Sebaliknya, jika nilai statistik t lebih kecil
dibanding dengan nilai t tabel, maka variabel X dinyatakan tidak signifikan
mempengaruhi Y.

2. Pengaruh secara bersama-sama.

Metode dengan membandingkan antara nilai statistik (nilai hitung) dengan nilai tabel
seperti pada pengujian secara individu seperti yang telah di jelaskan diatas ,digunakan
pula pada pengujian signifikansi secara serentak atau secara bersama-sama. Hanya
saja untuk pengujian secara bersama-sama menggunakan alat uji pembandingan nilai
F. Hal Pengujian ini dikembangkan oleh Neyman dan Pearson.

Yang membedakan antara penggunaan uji t dan uji F terletak pada jumlah variabel bebas
yang diuji signifikansinya dalam mempengaruhi Y. Jika hanya menguji signifikansi satu variabel
bebas saja, yang digunakan adalah uji t. maka disebut sebagai uji signifikansi secara individual.
Sedangkan pengujian signifikansi yang menggunakan lebih dari satu variabel bebas yang diuji
secara bersama-sama dalam mempengaruhi Y, maka alat ujinya adalah menggunakan uji F.
 Setelah tahapan analisis regresi dilakukan sesuai dengan teori-teori yang relevan, langkah
terpenting berikutnya adalah menginterpretasi hasil regresi. Interpretasi yang dimaksudkan disini
adalah mengetahui informasi-informasi yang terkandung dalam hasil regresi melalui pengartian
dari angka-angka parameternya. Pembahasan hasil regresi menunjukkan seberapa besar nilai a,
b, dan t. Nilai a menjelaskan tentang seberapa besar faktor-faktor yang bersifat tetap
mempengaruhi inflasi, sedangkan nilai b mencerminkan tingkat elastisitas variabel X. Nilai t
sendiri mempertegas signifikan tidaknya variabel X dalam mempengaruhi Y.
Analisis regresi pada dasarnya adalah menjelaskan berapa besar pengaruh tingkat
signifikansi variabel independen dalam mempengaruhi variabel dependen. Meskipun hasil
regresi seperti tertera pada persamaan di atas telah dapat diinterpretasi, dan dapat menunjukkan
inti tujuan analisis regresi, namun bukan berarti bahwa tahapan analisis telah selesai hingga di
sini. Hasil regresi di atas masih perlu dipastikan apakah besarnya nilai thit ataupun angka-angka
parameter telah valid ataukah masih bias.
Jika nilai-nilai tersebut sudah dapat dipastikan valid atau tidak bias, memang analisis
regresi dapat berhenti di sini saja. Tetapi, jika nilai-nilai belum dapat dipastikan valid, maka
perlu dilakukan langkah-langkah analisis lanjutan untuk menjadikan parameter-parameter
tersebut menjadi valid. Validitas (ketidakbiasan) informasi dari nilai-nilai hasil regresi dapat
diketahui dari terpenuhinya asumsi-asumsi klasik, yaitu jika data variabel telah terbebas dari
masalah Autokorelasi, tidak ada indikasi adanya heteroskedastisitas, maupun tidak terjadi
multikolinearitas atau saling berkolinear antar variabel.

3. JAWABAN PERTANYAAN

a. Coba jelaskan apa yang dimaksud dengan regresi linier sederhana!

Model regresi linier sederhana hanya terdapat 2 variabel yaitu satu variabel dependen dan satu
variabel independen yang umumnya dituliskan dengan simbol berbeda berdasarkan sumber data
yang digunakan, meskipun tetap dituliskan dalam persamaan fungsi regresi. Fungsi regresi yang
menggunakan data populasi (FRP) umumnya menuliskan simbol konstanta dan koefisien regresi
dalam huruf besar, sedangkan fungsi regresi yang menggunakan data sampel (FRS) umumnya
menuliskan simbol konstanta dan koefien regresi dengan huruf kecil

b) Coba tuliskan model regresi linier sederhana!

model regresi linier sederhana Y= A+BX+ atau Y= a+Bx+e

c) Coba uraikan arti dari notasi atas model yang telah anda tuliskan!
A atau a; merupakan konstanta atau intercept
B atau b; merupakan koefisien regresi, yang juga menggambarkan tingkat elastisitas variabel
independen
Y; merupakan variabel dependen
X; merupakan variabel independen
E; merupakan error( kesalahan)

d) Jelaskan informasi apa yang dapat diungkap pada konstanta!

konstanta atau nilai a menjelaskan tentang seberapa besar faktor faktor yang bersifat tetap
mempengaruhi Y, nilai a dalam garis regresi digunakan untuk menentukan letak titik potong garis
pada sumbu Y.

e) Jelaskan informasi apa yang dapat diungkap pada koefisien regresi!

nilai b mencerminkan tingkat elastisitas variabel X, nilai b berfungsi untuk menentukan tingkat
kemiringan garis regresi.

f) Jelaskan kegunaan standar error Sb!

error merupakan data yang tidak berada tepat pada garis regresi

g) Jelaskan kegunaan nilai t!

untuk menguji signifikansi satu variabel bebas saja.

h) . Coba uraikan bagaimana menentukan nilai t yang signifikan!

Apabila nilai statistik t lebih besar dibandingkan dengan nilai t tabel, maka variabel X
dinyatakan signifikan mempengaruhi Y. Sebaliknya, jika nilai statistik t lebih kecil dibanding
dengan nilai t tabel, maka variabel X dinyatakan tidak signifikan mempengaruhi Y. Besarnya
angka t hitung ini yang menentukan signifikan tidaknya variabel X dalam mempengaruhi
variabel Y. Cara menentukan signifikan tidaknya nilai t tersebut adalah melalui pembandingan
antara nilai t hitung dengan nilai t tabel. Nilai t tabel sebenarnya telah ditentukan pada tabel t
student yang telah ditetapkan oleh para penemunya. Karena untuk menentukan signifikan
tidaknya nilai t hitung adalah melalui upaya membandingkan dengan nilai t tabel, maka dapat
diketahui bahwa, jika nilai t hitung > t tabel, maka signifikan. Jika nilai t hitung < t tabel, maka
tidak signifikan.

i. Jelaskan Apa yang dimaksud dengan koefisien determinasi!

Penghitungan koefisien determinasi biasa disimbolkan dengan R 2 (baca: R square). Koefisien
determinasi (R2) pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan
variasi variabel terikat. Besarnya nilai koefisien determinasi adalah di antara nol dan satu
(0<R2<1). Nilai R2 yang mendekati 0 (nol) menunjukkan kemampuan variabel-variabel
independen dalam menjelaskan variasi variabel dependen amat terbatas. Nilai yang mendekati
angka 1 (satu) menunjukkan variabel-variabel independen memuat hampir semua informasi yang
dibutuhkan untuk memprediksi variasi variabel dependen. Dengan kalimat lain dapat dijelaskan
bahwa koefisien determinasi (R2) adalah angka yang menunjukkan proporsi variabel dependen
yang dijelaskan oleh variasi variabel independen. Juga, dapat digunakan sebagai ukuran
ketepatan dalam menentukan prediktor. Artinya, R2 menunjukkan seberapa besar sumbangan X
terhadap Y.