MODEL REGRESI DENGAN VARIABEL

INDEPENDEN KUALITATIF
Harga, produksi, deviden, profit, penjualan, inflasi,
GNP adalah beberapa contoh variabel yang
datanya bersifat kuantitatif.
Jenis kelamin, warna kulit, tingkat pendidikan,
status perkawinan, kepemilikan mobil dalam data
cross section berarti kita membahas variabel
kualitatif. Variabel kualitatif mempengaruhi pelaku
ekonomi.

Begitu juga dalam data time series, data kualitatif

seperti krisis ekonomi berpengaruh terhadap
perilaku agen-agen ekonomi.
1
Variabel kualitatif dalam model regresi
Misalnya kita ingin menguji benarkah ada isu gender
dalam hal pekerjaan, yaitu apakah memang terjadi
perbedaan gaji antara karyawan pria dan wanita.
Model persamaan regresinya dapat ditulis:
Y = 0 + 1D + U i Y = gaji karyawan tahunan
D = 1, jika karyawan pria
D = Dummy 0, jika karyawan wanita
Misalkan selain jenis kelamin kita memasukkan variabel
independen masa kerja karyawan yang mempengaruhi
gaji seorang karyawan. Persamaannya menjadi:

Y = 0 + 1D + 2X+ Ui X = masa kerja (tahun)

2
Hipotesis nul pada persamaan (6.1) adalah tidak ada
diskriminasi jenis kelamin (gender) dalam soal gaji
karyawan (Ho: 1 =0). Karena residualnya memenuhi
asumsi OLS kita dapat mengestimasi persamaan (6.1)
dengan metode OLS. Setelah diestimasi, kemudian kita
dapat menentukan apakah estimator 1 secara statistik
signifikan melalui uji t. Jika parameter estimasi dalam
regresi yakni 1 signifikan secara statistik, maka terjadi
perbedaan gaji antara karyawan wanita dan karyawan
pria. Dari persamaan tersebut maka nilai rata-rata
(expected value) dari masing-masing karyawan pria dan
wanita sebagai berikut:
Karyawan pria: E(Y| D = 1) = 0 + 1 (6.2)

Karyawan wanita: E(Y| D = 0) = 0 (6.3)

3
Regresi dengan satu Variabel Kualitatif
N Y X D N Y X D
1 590 600 1 11 640 650 1
2 660 675 1 12 500 530 0
3 500 550 0 13 590 625 0
4 550 600 1 14 630 675 0
5 725 750 1 15 725 750 1
6 600 650 0 16 500 550 0
7 560 650 0 17 675 700 1
8 470 525 0 18 750 850 1
9 700 740 1 19 575 625 0
10 630 650 1 20 560 600 0

D = jenis kelamin dimana 0 untuk pria dan 1 untuk wanita

4
Model regresi sebagai berikut:

Y = 0 + 1 D + 2 X + e 1 > 0; 2 > 0

Berdasarkan hasil output dari SPSS di atas hasil

regresinya sebagai berikut:

= 57,095 + 35,058 D + 0,822 X

s (40,760) (10,886) (0,067)
t 1,401 3,220 12,194

R2 = 0,9510 F = 164,711

5
Hasil regresi di atas menunjukkan bahwa semua variabel
independen signifikan secara statistik dengan uji t (satu
ujung) = 0,05 df 17 = 1,740. Jika kita gunakan output
komputer pada kolom Sig untuk semua variabel independen
hasilnya 0,00 lebih kecil dari 0,05 yang berarti signifikan. Uji
variabel secara keseluruhan (simultan) melalui uji F diperoleh
Sig 0,000 juga sigfikan. Artinya jenis kelamin berpengaruh
terhadap pengeluaran mahasiswa dimana wanita lebih besar
35,058 ribu Rp. Perbedaan pengeluaran keduanya dapat
ditulis dalam persamaan sebagai berikut:

Mahasiswa pria = 57,095 + 0,822 X

Mahasiswa wanita = 92,153 + 0,822 X

6
 PENGUJIAN ASUMSI OLS
1. MULTIKOLINERITAS
(MULTICOLLINEARITY)
2. HETEROSKEDASTISITAS
3. AUTOKORELASI

7
 PENGUJIAN ASUMSI KLASIK /OLS

1. MULTIKOLINERITAS (MULTICOLLINEARITY)
MULTICOLLINEARITY adalah situasi adanya
korelasi variabel- variabel diantara satu dengan
lainnya. Dalam hal ini kita sebut variabel-
variabel bebas ini tidak ortogonal.
Variabel-variabel bebas yang bersifat ortogonal
adalah variabel bebas yang nilai korelasi
diantara sesamanya sama dengan nol

8
 MULTIKOLINERITAS

Multikolinearitas atau kolinearitas ganda merupakan

suatu keadaan di mana hubungan linier yang
sempurna antara variabel-variabel penjelas atau
variabel bebas. Uji multikolinearitas adalah untuk
melihat ada atau tidaknya korelasi yang tinggi
antara variabel-variabel bebas dalam suatu model
regresi linear berganda.
Model regresi dikatakan terkena multikolinearitas
bila terjadi hubungan linier yang sempurna (perfect)
dan pasti (exact) di antara beberapa atau semua
variabel bebas dari model regresi.
9
 MULTIKOLINERITAS
Model regresi linear berganda dapat disebut sebagai
model yang baik jika model tersebut memenuhi kriteria
BLUE (Best Linear Unbiased Estimator). Blue dapat
dicapai bila memenuhi Asumsi Klasik. Asumsi klasik
adalah persyaratan statistik yang harus dipenuhi analisis
regresi linear berganda yang berbasis ordinary least
square (OLS).

Uji multikolinearitas bertujuan untuk mengetahui apakah

masing-masing variabel bebas saling berhubungan
secara linier dalam model persamaan regresi yang
digunakan. Apabila terjadi multikolinearitas, akibatnya
variabel penaksiran menjadi cenderung terlalu besar, R2
tinggi , namun tidak efisien (model tidak baik).

10
 Y Y

X1 X2 X1 X2

1) No Collinearity
2) Low Collinearity

Y Y
Y
X1 X2
X2 X2 X3
X1

3) Moderate 4) High 5) Very High

Collinearity Collinearity Collinearity 11
Sifat dan Konsekuensi dari Multikolinearitas
Dalam praktek sering dijumpai adanya variabel
hubungan yang erat antara variabel indpenden
pada model regresi.
Misalnya menganalisis tabungan masyarakat, dalam
teori konsumsi dijelaskan selain pendapatan
keluarga kita bisa memasukkan variabel kekayaan
keluarga yang mempengaruhi konsumsi.

Masalah multikolinier ini kita ambil contoh teori

tabungan.
Y 0 1 X 1 2 X 2 e
Y tabungan
X1 = pendapatan
X2 = kekayaan 12
Mendeteksi Multikolinieritas
1. Nilai R2 tinggi tetapi hanya sedikit variabel
independen yang signifikan
Contoh dari Gujarati hal 334
Y 24,775 0,942X1 0,024 X 2
s (6,752) 0,823 0,081 2 = 0,964
t 3,669 1,144 - 0,526
R
t (df= 7) = 2,365 Fhitung = 92,402
0,025

2. Korelasi parsial antar variabel independen

Jika koefisien korelasi antara variabel independen
tinggi (0,80) maka diduga terjadi multikolinieritas.
Masalah ini timbul terutama pada data time series,
dimana korelasi antar variabel independen cukup
13
tinggi.
3. Menggunakan Variance Inflation
Factor (VIF)
Melalui output komputer
multikolinieritas dapat dilihat dari nilai
tolerance dan lawannya variance
inflation factor (VIF). Jika nilai toleran
lebih kecil dari nilai VIF tidak terjadi
multikolinieritas. Cara ini paling lemah
karena deteksi ini sering tidak terjadi
multikolinier, padahal dengan korelasi
parsial tinggi (terjadi multikolinier).

14
Perbaikan dengan adanya Multikolinieritas
1. Menghilangkan variabel independen
Metode yang sederhana, adalah menghilangkan
salah satu variabel independen yang mempunyai
hubungan linear kuat. Misalnya dalam kasus
hubungan antara konsumsi, pendapatan dan
kekayaan.
2. Transformasi Variabel
Transformasi variabel, kita tulis kembali persamaan
Y 0 1 X 1t 2 X 2 et (2.1)
Persamaan ini merupakan pelaku konsumsi periode t
Sedangkan pelaku konsumsi sebelumnya t -1
Yt 1 0 1 X 1t 1 2 X 2t 1 et 1 (2.2)
15
Jika kita kurangkan persamaan (2.1) dengan (2.2)
Yt Yt 1 (1 X 1t 1 X 1t 1 ) ( 2 X 2t 2 X 2t 1 ) (et et 1 )
3. Penambahan Data

16
 HETEROSKEDASTISITAS
Heteroskedastisitas adalah apabila kesalahan atau
residual yang diamati tidak memiliki varians yang
konstan. Residual adalah faktor-faktor lain yang
terlibat akan tetapi tidak termuat dalam model karena
residual ini merupakan variabel yang tidak diketahui,
maka diasumsikan bahwa nilai residual bersifat acak.
Metode OLS baik regresi sederhana maupun
berganda mengasumsikan bahwa residual (ei)
mempunyai rata-rata nol atau E(ei) = 0, mempunyai
varians yang konstan atau Var(ei) = 2 dan residu
tidak saling berhubungan antara satu observasi
dengan observasi lainnya atau Cov (ei, ej) = 0,
sehingga menghasilkan OLS yang BLUE. 17
 HETEROSKEDASTISITAS
Masalah heteroskedastisitas sering muncul dalam data cross
section. Data cross section menunjukkan obyek yang berbeda
dan waktu yang berbeda pula. Obyek satu dengan yang
lainnya tidak ada saling keterkaitan, begitu pula dalam hal
waktu. Sedangkan data time series, antara observasi satu
dengan yang lainnya saling mempunyai kaitan.
Untuk menghilangkan heteroskedastis dalam model regresi
yaitu melakukan transformasi dalam bentuk regresi dengan
dengan cara membagi model regresi dengan salah satu
variabel bebas yang digunakan dalam model tersebut serta
dengan melakukan transformasi log. Uji ini dapat dilakukan
dengan melihat scaterplot antara nilai prediksi variabel terikat
dengan residualnya. Jika ada titik yang jelas serta titik-titik
menyebar di atas dan di bawah angka 0 pada sumbu Y maka
terjadi heteroskedastis.
18
 HETEROSKEDASTISITAS
Konsekuensi Heteroskedastisitas
1. Estimator metode kuadrat terkecil (OLS) masih linear
dan konsisten.
2. Estimator metode kuadrat terkecil masih tidak bias
(unbiased).
3. Tetapi, estimator metode kuadrat terkecil tidak
mempunyai varian yang minimum lagi (no longer
best).

Dalam banyak literatur dikemukakan bahwa dengan adanya

heteroskedastisitas maka estimator OLS tidak menghasilkan
estimator yang Best Liniar Unbiased Estimator (BLUE) hanya
mungkin baru sampai Linear Unbiased Estimator (LUE)

19
 CARA MENDETEKSI HETEROSKEDASTISITAS

1. Metode Grafik
Dengan cara melihat grafik scatterplot antara standardized
predicted value (ZPRED) dengan studentized residual
(SRESID). Ada tidaknya pola tertentu pada grafik
scatterplot antara SRESID dan ZPRED dimana sumbu Y
adalah Y yang telah diprediksi dan sumbu X adalah
residual (Y prediksi - Y sesungguhnya). Dasar pengambilan
keputusan:
a. Jika ada pola tertentu, seperti titik-titik yang ada
membentuk suatu pola tertentu yang teratur
(bergelombang, melebar kemudian menyempit), maka
terjadi heteroskedastisitas.
b. Jika tidak ada pola yang jelas, seperti titik-titik menyebar
di atas dan di bawah angka 0 pada sumbu Y, maka tidak
20
terjadi heteroskedastisitas.
 HETEROSKEDASTISITAS
7.50

5.00

2.50
residual

0.00

-2.50

-5.00

-7.50

0.00 5.00 10.00 15.00 20.00 25.00 30.00

Consumer Pr
21
 HETEROSKEDASTISITAS
e2

40.00 Observed
Linear

30.00

20.00

10.00

0.00

2.00 3.00 4.00 5.00 6.00 7.00 8.00 9.00

Consumer Pr

22
Deteksi Heteroskedastisitas

23
 2. Uji Park

Metode uji Park yaitu dengan meregresikan nilai residual

(Lnei2) dengan masing-masing variabel dependen (LnX1 dan
LnX2). Kriteria pengujian adalah sebagai berikut:
Ho : tidak ada gejala heteroskedastisitas
Ha : ada gejala heteroskedastisitas
Ho diterima bila t tabel < t hitung < t tabel, berarti tidak
terdapat heteroskedastisitas dan Ho ditolak bila t hitung > t
tabel atau - t hitung < -t tabel yang berarti terdapat
heteroskedastisitas.
Bentuk fungsional yang disarankan adalah atau
.

24
3. Uji Glesjer

Uji Glejser dilakukan dengan cara meregresikan antara

variabel independen dengan nilai absolut residualnya. Jika
nilai signifikansi antara variabel independen dengan absolut
residual lebih dari 0,05 maka tidak terjadi masalah
heteroskedastisitas.
4. Uji Spearmans Rank Correlation

Metode uji heteroskedastisitas dengan korelasi Spearmans

rho yaitu mengkorelasikan variabel independen dengan nilai
unstandardized residual. Jika korelasi antara variabel
independen dengan residual tingkat signifikansi lebih besar
dari 0,05 maka dapat dikatakan bahwa tidak terjadi masalah
heteroskedastisitas pada model regresi. 25
5. Uji White
Menurut White uji ini dapat dilakukan dengan cara
meregresikan residual kuadrat (e2) dengan variabel
independen. Jika nilai e2 hitung < e2 tabel, maka tidak terjadi
masalah heteroskedastisitas.

6. Uji Goldfied-Quant
1. Urutkan pasangan data X dan Y berdasarkan nilai X
2. Ambil k buah dara yang ada dtengah sehingga data
terbagi menjadi dua kelompok yaitu kelompok data
pertama sebanyak (n-k)/2 data dan kelompok kedua (n-
k)/2 data .
3. Masing-masing kelompok diregresi Y terhadap X sehingga
terdapat residu, Hiting rasio kedua residu
4. Hasilnya bandingkan dengan F tabel, jika nilai h hitung < F
tabel, maka tidak terjadi masalah heteroskedastisitas. 26
 AUTOKORELASI
Asumsi klasik yang ketiga adalah tidak adanya
korelasi antar residual satu observasi dengan
observasi yang lain yang disebut autokorelasi.
Untuk mengetahui adanya autokorelasi dalam
model regresi dilakukan melalui pengujian terhadap
nilai uji Durbin-Watson dengan berbagai kriteria.
Uji autokorelasi digunakan untuk melihat apakah
ada hubungan linier antara error serangkaian
observasi yang diurutkan menurut waktu (data time
series). Uji autokorelasi perlu dilakukan apabila
data yang dianalisis merupakan data time series
(Gujarati, 2012).
27
CARA MENDETEKSI
1. Metode Grafik
Metode grafik merupakan metode yang paling sederhana
untuk mendeteksi autokorelasi. Sekaligus merupakan
langkah awal untuk mendeteksi autokorelasi. Sesuai dengan
definisinya, metode ini membandingkan antara residual
dengan variabel X. Selain itu, dengan membandingkan
antara rasidual ke-t dengan residual ke-(t-1).

Suatu grafik mengindikasikan adanya autokorelasi dapat

dilihat dari polanya. Suatu grafik dikatakan mengandung
autokorelasi ketika terdapat pola antara residual dengan
waktu atau antara residual ke-t sampai ke-(t-1). Pada bagian
(a) terlihat bahwa grafiknya membentuk pola siklus sehingga
diindikasikan terdapat autokorelasi positif. sedangkan
autokorelasi negatif pada gambar bagian (b).
28
29
 1. Uji Durbin Watson
Metode grafik memiliki permasalahan. Pada metode ini,
adanya autokorelasi agak sulit untuk ditentukan karena
hanya melalui subjektifitas peneliti. Sehingga, kemungkinan
tiap peniliti memiliki pandangan yang berbeda-beda. Oleh
karena itu, perlu dilakukan pengujian formal yang dapat
dipercaya secara ilmiah. Salah satu cara untuk mengetahui
adanya autokorelasi adalah uji durbin-watson

Durbin Watson berhasil menurunkan nilai kritis

batas bawah (dL) dan batas atas (dU) sehingga jika
nilai d hitung terletak di luar nilai kritis maka ada
tidaknya autokorelasi baik positif maupun
autokorelasi negatif dapat diketahui. Penentuan
ada tidaknya autokorelasi dapat dilihat dengan jelas
pada tabel berikut:
30
 Uji Statistik Durbin-Watson d
Nilai Statistik d Hasil/Keputusan

0 < d < dL atau Menolak hipotesisi nul, ada autokorelasi

DW < 1,54 positif
dL d dU atau
1,54 < DW < Daerah keragu-raguan, tidak ada keputusan
1,66
dU < d < 4 dU
Menerima hipotesisi nul, tidak ada utokorelasi
atau
positif/negatif
1,66 < DW < 2,34
4 d U < d < 4 dL
atau Daerah keragu-raguan, tidak ada keputusan
2,34 < DW < 2,46
4 dU < d < 4
Menolak hipotesisi nul, ada autokorelasi
atau
negatif
2,46 < DW
31
Jawab Latihan Soal Regresi Berganda
ANOVAb
Sum of Mean
Model Squares df Square F Sig.
1 Regression
1372.960 2 686.480 368.509 .000a
Residual 13.040 7 1.863
Total 1386.000 9
a. Predictors: (Constant), X2, X1

b. Dependent Variable: Y
Model Summaryb

Adjusted R Std. Error of Durbin-

Model R R Square Square the Estimate Watson
1 .995a .991 .988 1.36487 1.741
a. Predictors: (Constant), X2, X1

b. Dependent Variable: Y 32
 Coefficientsa
Standard
ized
Unstandardized Coefficie
Coefficients nts Correlations

Std. Zero-
Model B Error Beta t Sig. order Partial Part
1 (Cons
tant) -20.560 2.682 -7.667 .000
X1
1.400 .863 .238 1.622 .149 .977 .523 .059
X2
2.320 .446 .763 5.205 .001 .994 .891 .191
a. Dependent
Variable: Y

33
 Correlations
X1 X2
X1 Pearson 1.000 .968**
Correlation
Sig. (2-tailed) .000
N 10.000 10
X2 Pearson .968** 1.000
Correlation
Sig. (2-tailed) .000
N 10 10.000

**. Correlation is significant at the 0.01 level (2-tailed).

34
 Jawab No. 2

Coefficientsa
Standardiz
ed
Unstandardized Coefficient
Coefficients s Correlations

Zero-
Model B Std. Error Beta t Sig. order Partial Part
1 (Const
ant) 23.113 2.511 9.206 .000
PEND
APT .548 .146 .607 3.766 .004 .991 .782 .131
IKLAN
1.224 .501 .394 2.444 .037 .986 .632 .085
a. Dependent Variable: HASIL PENJ

35
 Model Summary

Adjusted R Std. Error of

Model R R Square Square the Estimate
1
.995a .989 .987 1.97660

a. Predictors: (Constant), IKLAN, PENDAPT

36
 TUGAS 3
TUGAS KELOMPOK
SATU KELOMPOK TERDIRI 2 ORANG
2 KELOMPOK MULTIKOLINIER
2 KELOMPOK HETEROSKEDASTISITAS
2 KELOMPOK OTOKORELASI
Tugas diketik minimal 9 halaman, dengan huruf Times New
Roman font 12 spasi 1,5. Dikumpulkan tanggal 30 Mei
2017 via email rusdarti @gmail.com paling lambat jam
18.00.

37
 SISTEMATIKA
A. PENDAHULUAN
B. PENGERTIAN
C. CARA MENDETEKSI
D. SOLUSI (PERBAIKAN.. DENGAN
BERBAGAI CARA/TEORI. )
E. PEMBAHASAN
F. SIMPULAN
PUSTAKA/RUJUKAN wajib dicantumkan.
38