RANGKUMAN
Populasi:
Y = A + B1X1 + B2X2 + B3X3 + + BnXn + e
Atau
Y = B0 + B1X1 + B2X2 + B3X3 + + BnXn + e
Sampel :
Y = a + b1X1 + b2X2 + b3X3 + + bnXn + e
Atau
Jadikan nilai-nilai turunan parsial di atas menjadi sama dengan 0 (nol), dengan
cara membagi dengan angka 2, hingga menjadi:
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. Dalam single linier kemungkinan perubahan variabel
lain tidak terjadi, tetapi dalam multiple linier hal itu terjadi. Misalnya, Jika terjadi
perubahan pada X1, meskipun X2 konstan, akan mampu merubah nilai harapan
dari Y. Begitu pula, perubahan pada X2, meskipun X1 konstan, akan mampu
merubah nilai harapan dari Y. Perubahan yang terjadi pada X1 atau X2 tentu
mengakibatkan perubahan nilai harapan Y atau E(Y/X1,X2) yang berbeda. Oleh
karena itu pencarian nilai b mengalami perubahan.
Guna mengetahui seberapa besar kontribusi X1 terhadap perubahan Y, tentu perlu
untuk melakukan kontrol pengaruh dari X2. Begitu pula, untuk mengetahui
kontribusi X2, maka perlu juga melakukan kontrol terhadap X1. Misalnya kita
hendak mengontrol pengaruh linier X2 ketika melakukan pengukuran dampak dari
perubahan X1 terhadap Y, maka dapat melakukan langkah-langkah sebagai
berikut:
Besarnya a1 pada tahap ketiga inilah yang merupakan nilai pasti atau net effect
dari perubahan satu unit X1 terhadap Y, atau menunjukkan kemiringan (slope)
garis Y atas variabel X1. Logika dari teori tersebut yang mendasari rumus yang
dapat digunakan untuk menentukan koefisien regresi parsial (partial regression
coefficients).
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:
dimana:
b = nilai parameter
Sb = standar error dari b. Jika b sama dengan 0 (b=0) atau Sb bernilai sangat besar,
maka nilai t akan sama dengan atau mendekati 0 (nol).
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:
Rumus-rumus di atas, dapat kita masuki dengan angka-angka yang tertera pada
tabel, hanya saja belum semuanya dapat terisi. Kita masih memerlukan lagi angka
untuk mengisi rumus e2 . Untuk dapat mengisi rumus tersebut, perlu terlebih
dulu mencari nilai e. Nilai e adalah standar error yang terdapat dalam persamaan
regresi.
Perhatikan persamaan regresi:
Y = b0 + b1X1 + b2 X2 + e
Secara matematis, dari persamaan regresi di atas nilai e dapat diperoleh, dengan
cara mengubah posisi tanda persamaan hingga menjadi:
eY- (b0 + b1X1 + b2 X2)
Setelah diketahui semua nilai standar error (Sb0, Sb1, Sb2) melalui penggunaan
rumus-rumus di atas, maka nilai t untuk masing-masing parameter dapat
diperoleh, karena nilai t merupakan hasil bagi antara b dengan Sb.
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.
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:
Y cap diperoleh dengan cara menghitung hasil regresi dengan memasukkan nilai
parameter dan data variabel. Penghitungan nilai Y cap menjadi penting untuk
dilakukan agar mempermudah kita dalam menggunakan rumus R2 yang telah
ditentukan di atas.
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.
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 F;k-1; (n-k).
Arti dari tulisan tersebut adalah:
Simbol menjelaskan tingkat signifikansi (level of significance) (apakah pada
0,05 atau 0,01 ataukah 0,10, dan seterusnya).
Simbol (k-1) menunjukkan degrees of freedom for numerator.
Simbol (n-k) menunjukkan degrees of freedom for denominator.
KESIMPULAN
Dalam penulisan model regresi linear berganda sangat beragam. 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.
Penulisan model dengan simbol Y untuk variabel dependen, dan untuk variabel
independen.
Penggunaan metode OLS dalam regresi linier berganda dimaksudkan
untuk mendapatkan aturan dalam mengestimasi parameter yang tidak diketahui.
Prinsip yang terkandung dalam OLS sendiri adalah untuk meminimalisasi
perbedaan jumlah kuadrat kesalahan (sum of square) antara nilai observasi Y
dengan Y.
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. Dalam single linier kemungkinan perubahan variabel
lain tidak terjadi, tetapi dalam multiple linier hal itu terjadi. Misalnya, Jika terjadi
perubahan pada X1, meskipun X2 konstan, akan mampu merubah nilai harapan
dari Y. Begitu pula, perubahan pada X2, meskipun X1 konstan, akan mampu
merubah nilai harapan dari Y. Perubahan yang terjadi pada X1 atau X2 tentu
mengakibatkan perubahan nilai harapan Y atau E(Y/X1,X2) yang berbeda. Oleh
karena itu pencarian nilai b mengalami perubahan.
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.
MENJAWAB PERTANYAAN-PERTANYAAN
a. Coba jelaskan apa yang dimaksud dengan regresi linier berganda!
Regresi Linear Berganda atau multiple linier regression adalah model regresi
yang terdiri dari satu variabel Y dan lebih dari satu variabel X. Artinya,
Variabel X bisa berjumlah 2, 3, atau lebih.
b. Coba tuliskan model regresi linier berganda!
Populasi:
Y = A + B1X1 + B2X2 + B3X3 + + BnXn + e
Atau
Y = B0 + B1X1 + B2X2 + B3X3 + + BnXn + e
Sampel :
Y = a + b1X1 + b2X2 + b3X3 + + bnXn + e
Atau
c. Coba uraikan arti dari notasi atas model yang telah anda tuliskan!
Y = Variabel Terikat
b0= konstanta
e= error term
g. Jelaskan mengapa rumus untuk mencari nilai b pada model regresi linier
berganda berbeda dengan model regresi linier sederhana!
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. Dalam single linier
kemungkinan perubahan variabel lain tidak terjadi, tetapi dalam multiple linier hal
itu terjadi. Misalnya, Jika terjadi perubahan pada X1, meskipun X2 konstan, akan
mampu merubah nilai harapan dari Y. Begitu pula, perubahan pada X2, meskipun
X1 konstan, akan mampu merubah nilai harapan dari Y. Perubahan yang terjadi
pada X1 atau X2 tentu mengakibatkan perubahan nilai harapan Y atau E(Y/X1,X2)
yang berbeda. Oleh karena itu pencarian nilai b mengalami perubahan.
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.