1.

Rangkuman

BAB IV
REGRESI LINIER BERGANDA

a. Model Regresi linier berganda

Penulisan model regresi linier berganda merupakan pengembangan dari model regresi linier
tunggal. Perbedaanya hanya terdapat pada jumlah variabel X saja. Dalam regresi linier tunggal
hanya satu X, tetapi dalam regresi linier berganda variabel X lebih dari satu.
Model regresi linier pada umumnya sebagai berikut :

penulisan model sangat beragam. Hal ini dapat dimengerti karena penulisan model sendiri hanya
bertujuan sebagai teknik anotasi untuk memudahkan interpretasi. Penulisan cara di atas adalah
bentuk model yang sering dijumpai dalam beberapa literatur. Notasi model seperti itu tentu
berbeda dengan notasi model Yale. Apabila kita ingin menganalisis pengaruh Budep dan Kurs
terhadap Inflasi dengan mengacu model Yale, maka notasi model menjadi seperti berikut:

Notasi model Yale ini mempunyai spesifikasi dalam menandai variabel terikat yang selalu dengan
angka 1. Untuk variabel bebas notasinya dimulai dari angka 2, 3, 4, dan seterusnya. Notasi b1.23
berarti nilai perkiraan Y kalau X2 dan X3 masing-masing sama dengan 0 (nol).
Notasi b12.3 berarti besarnya pengaruh X2 terhadap Y jika X3 tetap.
Notasi b13.2 berarti besarnya pengaruh X3 terhadap Y jika X2 tetap.

b. Penghitungan Nilai Parameter

Penggunaan metode OLS dalam regresi linier berganda dimaksudkan untuk mendapatkan aturan
dalam mengestimasi parameter yang tidak diketahui. Prinsip yang terkandung dalam OLS sendiri
ialah untuk meminimalisasi perbedaan jumlah kuadrat kesalahan (sum of square) antara nilai
observasi Y dengan Y . Secara matematis, fungsi minimalisasi sum of square ditunjukkan dalam
rumus:

Untuk mendapatkan estimasi least square b0, b1,b2 minimum, dapat dilakukan melalui cara turunan
parsial (partially differentiate) dari formula di atas, sebagai berikut:
 Jadikan nilai-nilai turunan parsial di atas menjadi sama dengan 0 (nol), dengan cara membagi
dengan angka 2, hingga menjadi:

Telah dikemukaan di atas bahwa pencarian nilai b pada single linier berbeda dengan multiple
linier. Perbedaan ini muncul karena jumlah variabel penjelasnya bertambah. Semakin banyaknya variabel
X ini maka kemungkinan-kemungkinan yang menjelaskan model juga mengalami pertambahan.

Nilai dari parameter b1 dan b2 merupakan nilai dari suatu sampel. Nilai b1 dan b2 tergantung pada
jumlah sampel yang ditarik. Penambahan atau pengurangan akan mengakibatkan perubahan rentangan
nilai b. Perubahan rentang nilai b1 dan b2 diukur dengan standar error. Semakin besar standar error
mencerminkan nilai b sebagai penduga populasi semakin kurang representatif. Sebaliknya, semakin kecil
standar error maka keakuratan daya penduga nilai b terhadap populasi semakin tinggi. Perbandingan
antara nilai b dan standar error ini memunculkan nilai t, yang dapat dirumuskan sebagai berikut:
 Untuk dapat melakukan uji t, perlu menghitung besarnya standar error masing-masing parameter (
baik b0, b1, b2), seperti diformulakan Gujarati (1995:198-199) sebagai berikut:

Untuk dapat mengisi rumus tersebut, perlu terlebih dulu mencari nilai e. Nilai e adalah standar
error yang terdapat dalam persamaan regresi. Perhatikan persamaan regresi:

Pencarian masing-masing nilai t dapat dirumuskan sebagai berikut:

dengan diketahuinya nilai t hitung masing-masing parameter, maka dapat digunakan untuk
mengetahui signifikan tidaknya variabel penjelas dalam mempengaruhi variabel terikat. Untuk dapat
mengetahui apakah signifikan atau tidak nilai t hitung tersebut, maka perlu membandingkan dengan nilai t
tabel. Apabila nilai t hitung lebih besar dibandingkan dengan nilai t tabel, maka variabel penjelas tersebut
signifikan. Sebaliknya, jika nilai t hitung lebih kecil darit tabel, maka variabel penjelas tersebut tidak
signifikan.

c. Koefisien Determinasi (R2)

 Disamping menguji signifikansi dari masingmasing variabel, kita dapat pula menguji determinasi
seluruh variabel penjelas yang ada dalam model regresi. Pengujian ini biasanya disimbolkan dengan
koefisien regresi yang biasa disimbolkan dengan R2. Uraian tentang koefisien determinasi sedikit banyak
telah disinggung pada single linier regression. Pada sub bahasan ini hanya menambah penjelasan-
penjelasan agar menjadi lebih lengkap saja.

Koefisien determinasi pada dasarnya digunakan untuk mengkur goodness of fit dari persamaan
regresi, melalui hasil pengukuran dalam bentuk prosentase yang menjelaskan determinasi variabel
penjelas (X) terhadap variabel yang dijelaskan (Y). Koefisien determinasi dapat dicari melalui hasil bagi
dari total sum of square (TSS) atau total variasi Y terhadap explained sum of square (ESS) atau variasi
yang dijelaskan Y. Dengan demikian kita dapat mendefinisikan lagi R2 dengan arti rasio antara variasi
yang dijelaskan Y dengan total variasi Y. Rumus tersebut adalah sebagai berikut:

Total variasi Y (TSS) dapat diukur menggunakan derajat deviasi dari masing-masing observasi
nilai Y dari rata-ratanya. Hasil pengukuran ini kemudian dijumlahkan hingga mencakup seluruh observasi.
Jelasnya:

Nilai explained sum of square (ESS) atau variasi yang dijelaskan Y didapat dengan menggunakan
rumus sebagai berikut:

Jadi, rumus di atas dapat pula dituliskan menjadi sebagai berikut:

d. Uji F

Seperti telah dikemukakan di atas, bahwa dalam regresi linier berganda variabel penjelasnya selalu
berjumlah lebih dari satu. Untuk itu, maka pengujian tingkat signifikansi variabel tidak hanya dilakukan
secara individual saja, seperti dilakukan dengan uji t, tetapi dapat pula dilakukan pengujian signifikansi
semua variabel penjelas secara serentak atau bersama-sama. Pengujian secara serentak tersebut dilakukan
dengan teknik analisis of variance (ANOVA) melalui pengujian nilai F hitung yang dibandingkan dengan
nilai F tabel. Oleh karena itu disebut pula dengan uji F. Pada prinsipnya, teknik ANOVA digunakan untuk
menguji distribusi atau variansi means dalam variabel penjelas apakah secara proporsional telah signifikan
menjelaskan variasi dari variabel yang dijelaskan.

Untuk memastikan jawabannya, maka perlu dihitung rasio antara variansi means (variance
between means) yang dibandingkan dengan variansi di dalam kelompok variabel (variance between
group). Hasil pembandingan keduanya itu (rasio antara variance between means terhadap variance
between group) menghasilkan nilai F hitung, yang kemudian dibandingkan dengan nilai F tabel. Jika nilai
F hitung lebih besar dibanding nilai F tabel, maka secara serentak seluruh variabel penjelas yang ada
dalam model signifikan mempengaruhi variabel terikat Y. Sebaliknya, jika nilai F hitung lebih kecil
dibandingkan dengan nilai F tabel, maka tidak secara serentak seluruh variabel penjelas yang ada dalam
model signifikan mempengaruhi variabel terikat Y. Atau secara ringkas dapat dituliskan sebagai berikut:

H0 diterima atau ditolak, adalah merupakan suatu keputusan jawaban terhadap hipotesis yang
terkait dengan uji F, yang biasanya dituliskan dalam kalimat sebagai berikut:

Karena uji F adalah membandingkan antara nilai F hitung dengan nilai F tabel, maka penting untuk
mengetahui bagaimana mencari nilai F hitung ataupun nilai F tabel. Nilai F hitung dapat dicari dengan
menggunakan rumus sebagai berikut:

Sedangkan nilai F tabel telah ditentukan dalam tabel. Yang penting untuk diketahui adalah
bagaimana cara membaca tabelnya. Seperti yang telah dituliskan pada pembandingan antara nilai F hitung
dan nilai F tabel di atas, diketahui bahwa F tabel dituliskan

2. Simpulan dari uraian ini

PENGERTIAN

MODEL REGRESI LINIER BERGANDA

REGRESI LINIER
BERGANDA PENGHITUNGAN NILAI PARAMETER

KOEFISIEN NILAI DETERMINASI ( R2 )

UJI F
3. Penjelasan
a. Regresi linier berganda ialah suatu metode yang digunakan untuk menilai hubungan
perhitungan atau tingkat signifikansi suatu variabel terhadap variabel lain dimana variabel
yang digunakan (varibel penjelas) berjumlah lebih dari satu.
b. Pada umumnya model Regresi linier berganda :
Populasi : Y = A + B1X1 + B2X2 + B3X3 . + BnXn + e
Sampel : y = a + b1x1 + b2x2 + b3x3 + . + bnxn + e
c. Uraian dan arti model Regresi Linier Berganda
Y = Variabel dependen / terikat / endogin / dipengaruhi.
A = Konstanta / intercept, menjelaskan nilai variabel Y ( dependen ) ketika masing-masing
variabel independennya bernilai 0.
B = Parameter, menunjukan ketergantungan variabel Y terhadap variabel X.
X = Variabel independen / bebas / eksogin / dipengaruhi.
d. Informasi dari konstanta merupakan angka yang nilainya tetap. Sebenarnya itu juga bisa
digunakan untuk indikator letak titik potong garis regresi terhadap sumbu y. Jika nilainya
positif, maka letak titik potongnya diatas titik origin (o). Jika nilainya dibawah maka letak
titik potongnya dibawah titik origin.
e. Informasi dari koefisien regresi menunjukan arah atau tingkat kemiringan atau slope garis
regresi menilai elastisitas nilai variabel X. Jika (+) maka elastisitas yang ada menunjukan
perubahan yang searah, dimana jika ada penambahan nilai X maka Y juga bertambah. Jika
(-) maka perubahannya berkebalikan, jika ada penambahan nilai X maka nilai Y turun.
Besar nilai pada koefisien regresi ini mempengaruhi tingkat elastisitas, jika nilainya
dibawah maka elastis. Artinya X berubah maka Y berubah lebih besar. Jika b=1 maka
perubahan pada X sama dengan perubahan pada Y. Jika nilainya b < 1, maka perubahan
pada X akan mengakibatkan perubahan pada Y namun pada skala yang lebih real.
f. Perbedaan model regresi linier sederhana dengan model regresi linier berganda :
Regresi linier sederhana hanya melibatkan dua variabel saja, yaitu 1 (satu) variabel
dependen atau variabel tergantung dan 1 (satu) variabel independen atau variabel bebas.
Kalau regresi linier berganda melibatkan lebih dari dua variabel yaitu 1 (satu) variabel
dependen atau variabel tergantung dan lebih dari 1 (satu) variabel independen atau bebas.
g. Rumus untuk mencari nilai b antara regresi linier berganda berbeda dengan rumus regresi
linier sederhana karena jumlah variabel penjelas dari regresi linier berganda bertambah,
semakin banyaknya variabel x maka semakin banyak pula kemungkinan-kemungkinan
yang menjelaskan model. Dalam single linier, kemungkinan perubahan variabel lain tidak
tejadi sedangkan pada multilinier kemungkinan tersebut terjadi.
h. Pencarian nilai t memiliki kesamaan dengan model regresi linier sederhana, hanya saja
pencarian nilai Sb nya yang berbeda. Karena Sb setiap variabel harus dicari nilainya (
bo,b1,b2.bn )
i. Menentukan nilai t yang siginifikan dapat diketahui jika nilai t yang diperoleh dari
perhitungan ( t hitung ) lebih besar dari pada nilai t yang ada di tabel.
j. Kegunaan nilai F :
Nilai F sebagai rasio hasil perbandingan antara variance between means terhadap variance
between groups. Ketika nilai F kurang dari F tabel maka variabel yang ada secara serempak
tidak signifikan mempengaruhi variabel Y begitupun sebaliknya.
k. Menentukan nilai F yang siginifikan dapat diketahui jika nilai F yang diperoleh dari
perhitungan ( F hitung ) lebih besar dari pada nilai F yang ada di tabel.
l. Rumus yang digunakan untuk mencari koefisien determinasi antara model regresi linier
berganda berbeda dengan model regresi linier sederhana, namun konsepnya sama yaitu
membandingkan antara jumlah sumbangsih pengaruh variabel bebas terhadap total variabel
yang dipengaruhi. Terdapat perbedaan rumus karena memang regresi linier berganda lebih
 kompleks dengan bertambahnya jumlah variabel bebas, sehingga pengembangan data
untuk mencari Sbnya juga lebih kompleks.
m. Variabel penjelas dapat dianggap sebagai prediktor terbaik jika koefisien pada rumus
regresinya bernilai positif dan lebih dari 1 ( elastis ), serta nilai tersebut lebih tinggi dari
koefisien variabel yang lain.