1
6. Berapa ramalan hasil penjualan kalau sudah diketahui biaya promosi, harga dan
daya beli?
2
Contoh
Misalnya Y = jumlah penjualan permainan anak-anak (ribuan unit)
X1 = banyaknya pengecer (ribuan orang)
X2 = ada tidaknya agen penjualan (ada = 1, tidak = 0)
X3 = jumlah murid sekolah dasar (1000 orang)
Setelah diolah dengan komputer, bisa dibuat persamaan berikut.
Y = 102,18 + 0,387 X1 + 115,20 + 56,73 X3
Kalau X1 naik satu unit (1000), Y naik (1000) yaitu naik 387 buah. Adanya 1 agen,
bisa terjual 115,20 unit (kalau X2 = 1) dan kalau X3 naik 1 unit, penjualan naik 6,73
unit yaitu 6730 buah.
b1, b2, b3, , bj, , bk sebagai perkiraan B1, B2, B3, , Bj, , Bk diperoleh dengan
menggunakan metode kuadrat terkecil (least square method) yaitu perkiraan yang
membuat jumlah kuadrat error = e12 = (Yi 1)2 = minimum. Proses perkiraatn
ini juga membut korelasi antara Y dan maksimum.
Semua istilah (terminilogi) dalam regresi linear sederhana juga berlaku dalam
regresi linear berganda. R = R2 = koefisien korelasi berganda, mengukur kuatnya
hubungan beberapa variabel bebas X dan Y.
Error n (k + 1) ei2
Jumlah n1 yi2
3
(Yi - Y )2
Jadi yi2 = b1 x1y + b2 x2y + ei2
/( 1)
R =1
/( 1)
2
=R yang sudah disesuaikan dengan degrees of freedom
R2 yang bisa dipergunakan untuk membandingkan dua regresi berganda
dengan Y yang sama akan tetapi banyaknya variabel bebas tidak sama. Kalau ada dua
persamaan regresi linear berganda 1 dan 2, di mana persamaan yang satu dengan
n = 15, variabel bebas = 5 sedangkan persamaan kedua dengan n = 10 dan variabel
bebas = 3, persamaan yang tepat untuk meramalkan Y ialah persamaan dengan R 2
(R2 adjusted) yang lebih besar, sebab R2 (koefisien determinasi berganda)
dipergunakan sebagai uji ketepatan fungsi (goodness of fit test), makin nilainya
(mendekati 1) makin bagus untuk meramalkan.
4
sederhana, sedangkan b1 = koefisien regresi parsial. Di dalam persamaan regresi
berganda, pada umumnya X1 dan X2 berkorelasi. Di dalam persamaan regresi
sederhana X2 tidak diperhitungkan, jadi variasi dari Y yang sebenarnya disumbang
oleh variasi X1 dan X2, hanya variasi dari X1 yang diperhitungkan. Di dalam regresi
berganda sumbangan variasi dari X2 juga harus dipertimbangkan.
Misalnya kita ingin mehilangkan pengaruh X2 dari X1, kita bisa membuat
regresi sederhana dari X1 terhadap X2, dengan perkataan lain dibuat persamaan X1 = a
+ bX2 di mana X1 sebagain variabel tak bebas, sedangkan X2 sebagai variabel bebas,
kita hitung selisinya, misalnya X2 = X1 1, maka nilai b1 sebagai koefisien rgresi
sederhana, dari persamaan = a + bX1, setelah X1 sudah bebas dari pengaruh X2.
Perluasan untuk kasus dengan variabel bebas X sebanyak K sama saja, yaitu
dengan menghilangkan pengaruh dari beberapa variabel lainnya.Koefisien regresi
5
parsial, b1 mengukur perubahan Y yangdiharapkan ketika X1 berubah 1 unut dan X2
sampai dengan X2 tetap (tidak berubah). Kalau dutulis menjadi sebagai berikut.
B1 = b1 (Sx1/Sy)
.
.
.
B2 = b2 (Sx2/Sy)
.
.
.
Bj = bj (Sk1/Sy)
.
.
.
Bk = bk (Skk/Sy) di mana YN = ( Y Y )/Sy
XjN = (Xji X )
S = baku atau standar
Sy = standar deviasi Y, Sxj = standar X1
J = 1, 2, , k (sebab ada variabel X)
6
sempurna,dengan koefisien korelasi sebesar 1 (satu). Kalau terjadi multicollinearitiy
yang sempurna, perkiraan juga tak bisaa diperoleh.
Bisa disusun table analisis varian, seperti di bawah ini (berdasarkan print out
computer).
7
R 2 = 0,93276 df = Degrees of Freedom
Se = 0,85974
Dari table analisis varian di atas disusun persmaan regresi linear berganda, dengan
perkiraan koefisien regresi parsial, nilainya bisa dilihat di bawah kolom koefisien
(b).
to (8,160) (3,353)
8
Catatan (1)
Sign. t = p = Prob [t to]
/2 = prob [t ta/2
Catatan (2)
Kalau Ho diterima, Xj dikeluarkan dari persaman sebab Xj tak mempengaruhi
Y (Xj bisa X2 untuk j = 1 atau 2)
Pengujian Menyeluruh
Catatan:
Kalau Ho diterima, persamaan regresi berganda = bo + b1X1 + b2X2 tidak boleh
untuk meramalkan, kalau X1 dan X2 sudah diketahui nilainya.
Di dalam contoh soal di atas, oleh karena Ho ditolak maka persamaan boleh untuk
meremalkan Y.
Misalnya kalau X1 = 10 dan X2 = 10
= 0,33732 + 0,48108 X2 + 0,28865X2
= 0,33732 + 4,8108 + 2,8865
= 8,0346 = 8
Catatan : Sign. F = p = Prob [F Fo], Prob = probability
= Prob [F Fa]
Perhatian:
Oleh karena di dalam print out computer nilai signifikan t dan F sudah dihitung, kita
tidak perlu melihat nilai tabel t dan F, cukup membandingkan nilai p Kalaau p
, Ho ditolak tetapi kalau p > , Ho diterima.
9
b1 = 0,48108 kalau X1, naik 1 unit diharapkan y naik
0,48108 kalau X2, tetap
b2 = 0,28865 kalau X2, naik 1 unit diharapkan Y naik
0,28865 kalau X1, tetap
SS = SSreg + SSe
(Total) (regresi) (error)
di mana
n
SS = (Yi Y )2
i=1
SSreg = (i Y )2
i=1
n
SSe = (Yi 1)2
I=1
1. R2 tak bisa lebi kecil dari koefisien determinasi r2 terbesar dari setiap individu
variabel bebas X dangan variabel tak bebas Y.
2. R2 akan menjadi lebih besar kalaau korelasi antar-variabel memang rendah.
3. Kalau semua variabel bebas saling independen, tidak berkorelasi satu sama lain,
maka R2 sama dengan penjumlahan r2 (koefisien determinasi sederhana) dari
setiap individu variabel bebas X dengan variabel tak bebas Y (R2 = r2yx1 + r2yx2 +
+ r2yxk)
4. R2 tak akan menurun walaupun makin banyak cariabal bebas X ditambahkan
kedalam persamaan regresi linear berganda.
R2 disesuaikan dengan n = besarnya sampel dan k banyaknya variabel bebas X,
dengan rumus:
10
k (1 R 2)
R 2 = R2 disesuaikan = R2
n 1 k
114,2643
R2 = SSreg/SSy =
(114,2643 6,6524
= 0,9450
2(1 - 0,9450)
R = 0,9450
12 - 2 - 1
R dekat dengan R2 dan lebib besar daripada r2yx1 atau r2yx2, artinya penambahan
satu variabel bebas ke dalam regresi linear sederhana akan menaikan sumbangan
terhadap variabel tak bebas Y.
Uji Signifikansi
SSreg / k 114,26425 / 2
F = MSreg/MSe = = (lihat tabel Analisis Varian)
SSe / n k 1 6,665241
Hasilnya sama dengan hasilk pengujian sebelumnya yaitu karena p = sign.F = 0,000
< = 0,05 maka Ho pada = 0,05 bahkan Ho juga ditolak pada = 0,01 (1%).
Kalau Ho ditolak, persamaan = 0,33732 + 0,48108 + 0,28865X2 + boleh untuk
meramalkan Y.
11
Kolinearlitas Ganda (Multy Collynearlity)
Apabila terjadi kolinearlitas ganda dalam persamaan regresi berganda,maka
akibatnya:
1. Perkiraan koofisien regresi parsial sangat rendah tingkat ketelitianya,perkiraan
interval menjadi panjang karena standard error koofisien regresi parsial
membesr.
2. Pengujian hipotesis menjadi kurang kuat(less powerfull),artinya yang
seharusnya Ho di tolak diterima ataw sebaliknya.
3. Menjadi susah untuk mengakses kepentingan relatif dari fariabel bebas di
dalam menjelaskan variasi di dalam variabel takk bebas Y.
4. Besarnya (magnitude)maupun tanda dari koofisien regresi parsial mungkin
berubah dari sampel ke sampel.
12
1. Signifikan statistik (statiscal significance)
Kalau koofisien regresi parsial tidak signifikan,sebagai penerapan uki t atau F2
maka di simpulkan variabel yangbersangkutan di anggap tidak penting
katakan XHo:Bj=O,Ha:Bj O,Hodi terima berarti X tak mempengaruhi Y.
Suatu kekecualian trjadi,kalau menurut teoti X memang penting,setiap di
masukan dalam persamaan,untuk menghindari kesalahan spesifikasi
(spesification error).
2. Kuadratkan koofisien korelasi sederhana =r2 sebagai koofisien determinasi =r2
merupakan sambungan dari X terhadap variasi (naik turunya)Y,kalau di lihat dari
hubungan dua fariabel saja (bivariate regression) yaitu Y=a + bX (seolah-olah
tidak ada X lainya).
3. Kuadratkan koofisien parsial.
Misalnya koofisien korelasi Xj dengan Y, kalau fariabel lainya tetap yaitu
R2yxz x1 x2....xk =besarnya sumbangan xjterhadap variasi (naik turunya Y)
kalau fariabel lainya tidak berubah (tetap)
4. Kuadratkan bagian ovisien korelasi (skuare of the part colleration coeficcient)
Koofisien ini mewakili suatu kenaikan dalam R2 ketika suatu fariabel di
masukan dalam suatu persamaan regresi yang telah memuat variabel lainya
(ada penambahan variabel baru).
5. Ukuran berdasarkan pada koofisien yang dibakukan (standardized) ataw (beta
weight)
Ukuran yang paling banyak di pergunakan ialah nilai mutlak dari beta weight
11 atau nilai kuadrrat darinya = 2i oleh karena koofisien-koofisien ini
parsial,beta weight telah memperhitungkan pengaruh dari fariabel
lainya.ukuran ini menjadi tidak bisa di percaya lagi,kalau terjadi
multicollinearity di antara variabel bebas.
6. Regresi bertahap (stepwise regresion) urutan di mana prediktor masuk dalam
persamaan ataw dikeluarkan ataw dipergunakan untuk menyimpulkan
kepentingan relatifnya (their relative importance).
13
Jenis kelamin : dua kategor satu D yaitu D = 0m perempuan.
= 1 laki-laki.
3.3 RINGKASAN
Y = b0 + b1X1 + b2X2.....+ b3X3 + bk Xk
14
= persamaan regresi linear berganda dengan variabel tak bebas Y dan variabel
bebas X sebanyak K.
Ha : Bj 0 (Xj mempengaruhu Y)
Kalau Ho di terima,Xj di keluarkan dari persamaan.
Keempat pengujian menyeluruh
H0 : B1= B2= B3= B4 = 0 ( X1 sampai dengan X4 tak mempengaruhi Y)
15
Koofisien beta ()= untuk membandingkan besarnya pengaruh X terhadap Y,kalau
Xj naik satu unit dan variabel lainya tetap,dengan unit (satuan) yang semula
beda,akan tetapi sudah di bakukan ataw di buat standar.makin besar nilai beta,makin
besar pengaruh dari X terhadap Y.walaupun satuanya beda,karena sudah di buat baku
(standar) maka beta bebas satuan (unit free).nilai kofisien regresi bisa di pengaruhi
unit atau satuan ysng di pergunakan misalnya satuan ton dan kg,miliar Rp,dan jutaan
Rp.
Sumber variasi df SS MS F
Regresi (X1, X2, X3,X4) ? SSx ? ?
Residual (error) ? Sse ?
Jumlah ? SSy
Lengkapi tabel di atas, isikan pada tempat/ruang dengan tanda tanya kalau n =
15
4. = 0,5 + 1,25X1 + 1,75X2 + 0,75X3
to = (4,73) (5,75) (3,75)
Kalau n = 15 dan 2 = 0,05 (%), k = 3
Dengan menggunakan nilai tabel t.
16
Uji Ho : B1 = 0 (X1 tak mempengaruhi Y)
Ha : B1 = 0 (X1 mempengaruhi Y)
Ho : B2 = 0 (X2 tak mempengaruhi Y )
Ha : B2 = 0 (X2 mempengaruhi Y)
Ho : B3 = 0 (X3 tak mempengaruhi Y )
Ha : B3 = 0 (X3 mempengaruhi Y)
Mana yang harus dipertahankan dalam persamaan dan mana yang harus
dikeluarkan?
5. Mengunakan soala nomor 4 di atas.
Dengan = 5% dan = 1%
Uji Ho : B1 = B2 = B3 (X1, X2, X3 tak mempengaruhi Y) dan Ha : Bj = 0
(paling
sedikit ada stu, katakan X1 atau X2 atau X3 yang mempengaruhi Y)
7. Ada 14 toko obat ( apotik) di kota K pilih secara acak (randomly selected)
kemudian di teliti dan di tanya mengenai 3 hal ( variabel ) yaitu :
Y = nilai preferensi terhadap apotik ( tingkat perasaan menyenangi toko (11 =
sangat
senang dan 1 = sangat tidak senang )
17
X1 = mutu barang-barang yang di jual di apotik yang bersangkutan.
( 11 = sangat bagus dan 1 = sangat tidak bagus )
X2 = harga ( 11 = sangat murah dan 1 = sangat tidak murah )
18
/
F = */** = /(1)
(i) Ho : Bo = 0
Ha : B1 0 Kreteria uji t
(ii) Ho : Bo = 0
Ha : B1 0 Kreteria uji t
(iii) Ho : Bo = 0
Ha : B1 0 Kreteria uji
8. Regresi berganda dengan menggunakan Dummy Vriabel
Y = banyaknya kertu kerdit yang di miliki responden.
X1 = penilayan terhadap kartu kredit di kaitkan dengan gaya hidup ( 7=sangat
penting, 1= sangat tidak penting )
X2 =tempat tinggal, sebagai Dummy Variabel
X2 = D = kota kecil
0 = kota basear
Di peroleh data.
X1 1 2 3 4 5 6 1 2 3 4 5 6
X2 1 1 1 0 0 0 1 1 1 0 0 0
X3 2 4 6 4 5 6 2 3 4 5 6 8
19
(i) buat persamaan = b0 + b1 X1 + b2X2
dengan a = 0,01 dan 0,05 uji H0 : Bj = 0
H0 : Bj 0
9. dengan menggunakan data soal nomor 8 akan tetapi di tambah dengan tingkat pendidikan
sebagai dummy variable dengan 3 kategori : BS (bukan sarjjana) SM (sarjana muda) dan S (
sarjana penuh)
X3 = D1 = 1 kalau SM
= 0 Kalau lainya
X4 = D2 = 1 kalau S
= 0 kalau lainya.
X1 1 2 3 4 5 6 1 2 3 4 5 6
X2 1 1 1 0 0 0 1 1 1 0 0 0
X3 0 1 0 1 1 0 0 0 1 1 0 0
X4 0 0 1 0 0 1 0 0 0 0 1 1
Y 2 4 6 4 5 6 2 3 4 5 6 8
20