Interpretasi Analisis Regresi

dibuat untuk memenuhi tugas kelompok mata kuliah Simulasi Aktuaria

Oleh :

Virgin Vinenzia 08011381320002

Dosen Pengajar : Yulia Resti, S.Si., M.Si., Ph.D.

NIP. 197307191997022001

UNIVERSITAS SRIWIJAYA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

2016/2017
 A. Data
Data yang di tampilkan pada sugas Simulasi Aktuaria ini merupakan data keuangan. Yang
mana Y sebagai nilai uang dan variabel X1, x2, X3, X4, . . . , X14 merupakan faktor-faktor yang
mempengaruhi nilai uang pada data tersebut. Maka dapat kita ketahui, data tersebut merupakan
Model Regresi Linear Berganda karna memiliki variabel yang mempengaruhi Y lebih dari satu.
Pada data tersebut, akan dilakukukan beberapa uji asumsi pada Model Regresi Linear Berganda,
yakni:
1. Uji Normalitas
2. Uji Autokorelitas
3. Uji Multikolinieritas
4. Uji Heteroskedasitas
5. Uji Linearitas

B. Uji Normalitas
Dalam tugas ini, akan dilakukan uji normalitas dengan melihat rasio skewness dan rasio
kurtosis melalui aplikasi SPSS. Dengan pedoman suatu data akan dikatakan berdistribusi normal
jika rasio skewness dan rasio kurtosis nya berada diantara -2 sampai 2. Pada data model Regresi
linear berganda yang dibahas ini dapat dilihat :

Descriptive Statistics

N Skewness Kurtosis

Statistic Statistic Std. Error Statistic Std. Error

Unstandardized
401 -.111 .122 -1.269
Residual
Valid N (listwise) 401

Rasio Skewness = -0.111/0.122 = -0.9098

Rasio Kurtosis = -1.269/0.243 = 5.2229
Dilihat dari pernyataan diatas , rasio kurtosis tidak berada diantara -2 sampai 2 maka Model
Regresi Linear Berganda ini bukan data yang berdistribusi normal.

C. Uji Autokorelitas
 Dalam tugas ini untuk melakukan uji autokorelasi akan digunakan uji Durbin-Watson dengan
SPSS. Pada Model Regresi Linear Berganda ini dapat diketahui:
dL = 1.769516
dU = 1.903261
dL dan dU dilihat dari tabel durbin watso yang memiliki n=401 , derajat kepercayaan 5% , dan
variabel penjelas sebanyak 14. DW dapat dilihat pada SPSS dengan Uji Durbin Watson seperti
pada lampiran.

Model Summaryb

Model R R Square Adjusted R Std. Error of the Durbin-Watson

Square Estimate

1 .305a .093 .060 273301.648 .510

a. Predictors: (Constant), X14, X12, X2, X1, X9, X10, X7, X5, X11, X13, X3, X8, X6, X4
b. Dependent Variable: Y

DW = 0.510
Karena, DW < dL, maka koefisien autokorelasi > nol, artinya ada autokorelasi positif.

D. Uji Multikolinieritas
Uji Multikolinieritas dapat dilakukan dengan banyak cara, tetapi dalam tugas ini hanya akan
digunakan Uji VIF dan Uji Partial Correlation.

Uji VIF
Suatu Model Regresi akan memiliki gejala multikolinieritas jika VIF > 10. Dari Uji VIF
yang dilakukan pada SPSS dengan model regresi pada tugas ini, dapat diketahui:

Coefficientsa

Model Unstandardized Coefficients Standardized t Sig. Collinearity Statistics

Coefficients

B Std. Error Beta Tolerance VIF

1 (Const
148703.429 155972.615 .953 .341
ant)

X1 70.831 15.142 .238 4.678 .000 .911 1.098

X2 -10.648 21.332 -.036 -.499 .618 .456 2.192

 X3 -21.821 24.917 -.061 -.876 .382 .489 2.045

X4 10.860 24.753 .032 .439 .661 .450 2.224

X5 53.611 16.128 .177 3.324 .001 .826 1.211

X6 47.807 21.043 .160 2.272 .024 .476 2.103

X7 -29.463 17.617 -.093 -1.672 .095 .752 1.329

X8 -3.891 17.829 -.013 -.218 .827 .644 1.554

X9 21.540 16.292 .066 1.322 .187 .943 1.061

X10 24.058 22.303 .056 1.079 .281 .885 1.130

X11 -21.194 17.276 -.064 -1.227 .221 .865 1.156

X12 6.680 18.083 .020 .369 .712 .788 1.270

X13 -27.301 20.402 -.070 -1.338 .182 .848 1.179

X14 -27.288 19.944 -.068 -1.368 .172 .947 1.056

Dapat dilihat VIF < 10 , maka Model Regresi pada tugas ini tidak memiliki gejala
Multikolinieritas.

Uji Partial Correlation

Uji partial correlation dilakukan dengan melihat keeratan hubungan antara dua
variabel penjelas atau lebih yang dikenal dengan istilah korelasi
Dari Uji partial correlation yang dilakukan pada model regresi pada tugas dapat dilihat:

Correlations

X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13

1.000 -.002 -.067 -.004 -.112 -.077 -.012 .015 -.145 -.172 .020 -.019 .030
. .969 .183 .937 .026 .126 .809 .765 .004 .001 .689 .698 .553
0 398 398 398 398 398 398 398 398 398 398 398 398
-.002 1.000 .338 .440 -.241 .672 .320 .440 -.036 .037 .003 .005 -.023
.969 . .000 .000 .000 .000 .000 .000 .474 .463 .951 .926 .643
398 0 398 398 398 398 398 398 398 398 398 398 398
1.00
-.067 .338 .689 .060 .264 .261 .128 -.044 -.042 -.059 -.049 -.018
0
.183 .000 . .000 .228 .000 .000 .010 .379 .397 .240 .326 .724
398 398 0 398 398 398 398 398 398 398 398 398 398
-.004 .440 .689 1.000 .008 .313 .274 .295 -.029 -.079 -.030 -.090 -.003
.937 .000 .000 . .870 .000 .000 .000 .558 .115 .546 .071 .959
398 398 398 0 398 398 398 398 398 398 398 398 398
-.112 -.241 .060 .008 1.000 -.257 -.020 -.011 -.016 -.190 .011 -.071 -.102
 .026 .000 .228 .870 . .000 .693 .827 .754 .000 .833 .157 .041
398 398 398 398 0 398 398 398 398 398 398 398 398
-.077 .672 .264 .313 -.257 1.000 .379 .455 .004 .027 -.006 -.009 .044
.126 .000 .000 .000 .000 . .000 .000 .943 .588 .898 .857 .379
398 398 398 398 398 0 398 398 398 398 398 398 398
-.012 .320 .261 .274 -.020 .379 1.000 .413 -.031 -.005 -.049 -.033 .035
.809 .000 .000 .000 .693 .000 . .000 .537 .913 .324 .507 .479
398 398 398 398 398 398 0 398 398 398 398 398 398
.015 .440 .128 .295 -.011 .455 .413 1.000 -.024 .033 .088 -.002 .068
.765 .000 .010 .000 .827 .000 .000 . .633 .506 .080 .973 .178
398 398 398 398 398 398 398 0 398 398 398 398 398
-.145 -.036 -.044 -.029 -.016 .004 -.031 -.024 1.000 .135 .139 .095 -.006
.004 .474 .379 .558 .754 .943 .537 .633 . .007 .005 .057 .912
398 398 398 398 398 398 398 398 0 398 398 398 398
-.172 .037 -.042 -.079 -.190 .027 -.005 .033 .135 1.000 .079 .137 .066
.001 .463 .397 .115 .000 .588 .913 .506 .007 . .117 .006 .185
398 398 398 398 398 398 398 398 398 0 398 398 398
1.00
.020 .003 -.059 -.030 .011 -.006 -.049 .088 .139 .079 .283 .089
0
.689 .951 .240 .546 .833 .898 .324 .080 .005 .117 . .000 .075
398 398 398 398 398 398 398 398 398 398 0 398 398
-.019 .005 -.049 -.090 -.071 -.009 -.033 -.002 .095 .137 .283 1.000 .351
.698 .926 .326 .071 .157 .857 .507 .973 .057 .006 .000 . .000
398 398 398 398 398 398 398 398 398 398 398 0 398
.030 -.023 -.018 -.003 -.102 .044 .035 .068 -.006 .066 .089 .351 1.000
.553 .643 .724 .959 .041 .379 .479 .178 .912 .185 .075 .000 .
398 398 398 398 398 398 398 398 398 398 398 398 0
.099 .022 -.041 -.012 -.032 .062 .010 .044 .033 .081 .164 .008 -.030
.047 .656 .412 .810 .521 .213 .848 .377 .509 .107 .001 .868 .554
398 398 398 398 398 398 398 398 398 398 398 398 398

Tabel diatas memperlihatkan significance (2-tailed), untuk memenuhi Uji Multikolinieritas

dengan Uji Partial Correlation dengan melihan nilai significance (2-tailed) < 0.05 dengan 0.05
sebagai derajat kepercayaan 5% maka diindikasi memilki gejala Multikolinieritas.
Karena dilihat dari tabel diatas tidak semua nilai significance (2-tailed) < 0.05 , maka
Model Regresi pada tugas ini, tidak memiliki gejala Multikolinieritas.

E. Uji Heteroskedastisitas
Akan dilakukan Uji Heteroskedastisitas dengan Uji Glejser. Uji Glejser dinotasikan :
 b1 +b 2 x 2+ v
|e| =

Dimana: |e| = nilai absolute dari residual yang dihasilkan dari model regresi
x2
= Variabel penjelas

Bila variabel penjelas secara statistic signifikan mempengaruhi residual maka dapat dipastikan
model ini memiliki masalah heteroskedastisitas.
Dapat dilihat Uji Glejser pada model regresi tugas ini :

Coefficients a

Model Unstandardized Coefficients Standardized t Sig.

Coefficients

B Std. Error Beta

(Constant) 148703.429 155972.615 .953 .341

X1 70.831 15.142 .238 4.678 .000

X2 -10.648 21.332 -.036 -.499 .618

X3 -21.821 24.917 -.061 -.876 .382

X4 10.860 24.753 .032 .439 .661

X5 53.611 16.128 .177 3.324 .001

X6 47.807 21.043 .160 2.272 .024

1 X7 -29.463 17.617 -.093 -1.672 .095

X8 -3.891 17.829 -.013 -.218 .827

X9 21.540 16.292 .066 1.322 .187

X10 24.058 22.303 .056 1.079 .281

X11 -21.194 17.276 -.064 -1.227 .221

X12 6.680 18.083 .020 .369 .712

X13 -27.301 20.402 -.070 -1.338 .182

X14 -27.288 19.944 -.068 -1.368 .172

Karena nilai t-statistic dari seluruh variabel penjelas tidak ada yang signifikan secara statistic
maka dapat disimpulkan bahwa model regresi pada tugas ini tidak mengalami masalah
heteroskedastisitas

F. Kesimpulan
 Setelah melakukan uji-uji asumsi diatas dapat kita lihat ada beberapa uji yang tidak terpenuhi
untuk model regresi pada tugas ini, sehingga dapat dinyatakan model regresi ini bukan model
yang baik.