3/13/17

PENGANTAR
–
™ Regresi dan korelasi digunakan untuk
mempelajari pola dan mengukur hubungan
statistik antara dua atau lebih variabel
™ Jika hanya digunakan dua variabel disebut
regresi dan korelasi sederhana
™ Jika digunakan lebih dari dua variabel
disebut regresi dan korelasi berganda.

1
 3/13/17

PENGANTAR
–
™ Analisis Regresi - analisis statistika yang
memanfaatkan hubungan antara dua
atau lebih peubah kuantitatif sehingga
salah satu peubah dapat diprediksi
apakah dipengaruhi oleh peubah lainnya
™ Korelasi mengukur (menaksir) keeratan
hub antara dua variabel

PENGANTAR
–
™  Variabel yang akan diduga disebut variabel terikat
(tidak bebas) atau dependent variable, biasa
dinyatakan dg variabel Y.
™  Variabel yang menerangkan perubahan variabel
terikat disebut variabel bebas atau independent
variable, biasa dinyatakan dengan variabel X
™  Persamaan regresi (penduga / perkiraan / peramalan)
dibentuk untuk menerangkan pola hubungan
variabel-variabel.
™  Analisis korelasi digunakan untuk mengukur keeratan
hubungan antara variabel-variabel.

2
 3/13/17

JENIS DATA
–
™ Nominal
™ Ordinal
™ Interval
™ Rasio

LATAR BELAKANG
Sering kali ada lebih dari 1 variabel independen (Xk) yang
menentukan variabel dependen (Y). Sehingga model Regresi

–
Jamak (Multiple Regression Model) diperlukan. Jikalau hubungan
antara Y dan Xk linear maka model disebut Model Regresi Linear
Jamak (Multiple Linear Regression Model).

Untuk populasi model tsb, berarti nilai rata-rata Y akan diberikan

oleh

Y = β0 + β1X1 + β2X2 + ….+ βkXk

yˆ = b0 + b1 x1 + b2 x 2 ++ bk x k

3
€
 3/13/17

ANALISIS REGRESI SEDERHANA

–
™ Persamaan garis regresi linier sederhana untuk
sampel ày = a + bx

™ Bila diberikan data sampel {(xi, yi); i = 1, 2, …, n}

maka nilai dugaan bagi parameter dalam garis
regresi à y = a + bx

4
 3/13/17

ASUMSI KLASIK
™ Hasil regresi harus memenuhi asumsi regresi
sehingga nilai estimasi yang diperoleh akan bersifat
BLUE
™ Best, Linear, Unbiased, Estimator
™ Asumsi dikembangkan oleh Gauss & Markov, dan
kemudian terkenal sbg Gauss-Markov Theorem

BEST
™ Hasil regresi dikatakan Best (terbaik) apabila garis
regresi yang dihasilkan guna melakukan estimasi
atau peramalan dari sebaran data, menghasilkan
error yang terkecil.

5
 3/13/17

LINEAR
™ Linear dalam model artinya model yang digunakan
dalam analisis regresi telah sesuai dengan kaidah
model OLS - variabel-variabel penduganya hanya
berpangkat satu.
™ Linear dalam parameter menjelaskan bahwa
parameter yang dihasilkan merupakan fungsi linear
dari sampel

UNBIASED
™ Unbiased atau tidak bias, Suatu estimator dikatakan
unbiased jika nilai harapan dari estimator b sama
dengan nilai yang benar dari b.
™ Artinya, nilai rata-rata b = b. Bila rata-rata b tidak
sama dengan b, maka selisihnya itu disebut
dengan bias.

6
 3/13/17

10 asumsi yang menjadi syarat penerapan

OLS (Ordinary Least Square)

™ Menurut Gujarati (1995):

™ Asumsi 1: Linear regression Model.
™ Model regresi merupakan hubungan linear dalam
parameter.
™ Y = a + bX +e

™ Model regresi Y = a + bX + cX2 + e

™ Walaupun variabel X dikuadratkan, ini tetap

merupakan regresi yang linear dalam parameter
sehingga OLS masih dapat diterapkan.

7
 3/13/17

™  Asumsi 2: Nilai X adalah tetap dalam sampling

yang diulang-ulang (X fixed in repeated sampling).
™  Tepatnya bahwa nilai X adalah nonstochastic (tidak
random).
™ Asumsi 3: Variabel pengganggu e memiliki rata-rata
nol (zero mean of disturbance).

™ Asumsi 4: Homoskedastisitas, atau variabel

pengganggu e memiliki variance yang sama
sepanjang observasi dari berbagai nilai X.
™ Artinya data Y pada setiap X memiliki rentangan
yang sama.
™ Jika rentangannya tidak sama, maka model tsb
mengalami gangguan yg disebut heteroskedastisitas

8
 3/13/17

™ Asumsi 5: Tidak ada autokorelasi antara variabel e

pada setiap nilai xi dan ji (No autocorrelation between
the disturbance).
™ Asumsi 6: Variabel X dan disturbance e tidak
berkorelasi.

™  Asumsi 7: Jumlah observasi atau besar sampel (n) harus

lebih besar dari jumlah parameter yang
diestimasi.
™  Asumsi 8: Variabel X harus memiliki variabilitas.
™  Jika nilai X selalu sama sepanjang observasi maka tidak
bisa dilakukan regresi.
™  Asumsi 9: Model regresi secara benar telah terspesifikasi.
™  Artinya, tidak ada spesifikasi yang bias, karena semuanya
telah terekomendasi atau sesuai dengan teori

9
 3/13/17

™ Asumsi 10. Tidak ada multikolinearitas antara

variabel penjelas
™ Artinya kolinear antara variabel penjelas tidak boleh
sempurna atau tinggi.

™ meskipun nilai t sudah memberikan gambaran

tingkat signifikansi, tapi seringkali informasi yang
diberikan belum cukup atau belum menggambarkan
kondisi yang sesungguhnya.
™ Untuk memenuhi asumsi-asumsi di atas, maka
estimasi regresi hendaknya dilengkapi dengan uji-
uji yang diperlukan, seperti:
™ uji normalitas, autokorelasi, heteroskedastisitas,
atupun multikolinearitas.

10
 3/13/17

™ Secara teoretis model OLS akan menghasilkan

estimasi nilai parameter model penduga yang sahih
bila dipenuhi asumsinya yaitu:
™ Tidak ada Autokorelasi, Tidak Ada Multikolinearitas,
dan Tidak ada Heteroskedastisitas.

UJI ASUMSI KLASIK

–
1.  Uji Normalitas
2.  Uji Non-Multikolinieritas
3.  Uji Non-Heteroskedastisitas
4.  Uji Linieritas
5.  Uji Non-Otokorelasi

11
 3/13/17

KURVA NORMAL

–
™ Distribusi normal merupakan suatu
kurve berbentuk lonceng.
™ Penyebab data tidak normal, karena
terdapat nilai ekstrim dalam data seri
yang diambil.
™ Nilai ektrim adalah nilai yang terlalu
rendah atau terlalu tinggi.

23

PENYEBAB NILAI EKSTRIM

–
1.  Kesalahan dalam pengambilan unit sampel.
Solusi: Mengganti unit sampel.
2.  Kesalahan dalam menginput data.
Solusi: Memperbaiki input data yang salah.
3.  Data memang aneh dibanding lainnya.
Solusi: Menambah jumlah sampel atau
membuang data yang aneh.

24

12
 3/13/17

DATA NORMAL

–
Ekstrim Rendah Ektrim Tinggi

-2,58 0 2,58

Pada α=0,01

Ekstrim Rendah Ektrim Tinggi

-1,96 0 1,96

Pada α=0,05
25

DATA EKSTRIM

Ekstrim Ektrim
Rendah Tinggi
-2,58 0 2,58

xi − x 50.000 − 63.333
Z= = = −0439
δ 31.734

26

13
 3/13/17

UJI NORMALITAS
™ U j i n o r m a l i t a s d i g u n a k a n u n t u k
mengetahui apakah residual
terstandarisasi yang diteliti berdistribusi
normal atau tidak.

PENYEBAB TIDAK NORMAL

™ Disebabkan karena terdapat nilai ektrim
dalam data yang diambil.

27

Uji Normalitas
–
CARA MENDITEKSI:
1. Dengan gambar:
Jika kurva regression residual
terstandarisasi membentuk gambar
lonceng.
2. Dengan angka:
– Uji Liliefors
– Chi Kuadrat (X2)
– Uji dengan kertas peluang normal
– Uji dengan Kolmogornov Smirnov
28

14
 3/13/17

Uji Normalitas
–
™ Uji normalitas dapat dilakukan secara:
– Univariate
Dilakukan dengan menguji normalitas pada
semua variabel yang akan dianalisis.
– Multivariate
Dilakukan dengan menguji normalitas pada nilai
residual yang telah distandarisasi.

29

Contoh Kasus
™ Data time series sbb.

™ Berdasarkan data tersebut ujilah apakah data

tersebut Normal secara Multivariate.

30

15
 3/13/17

Manual Liliefors
™ Buat persamaan regresinya
™ Mencari nilai Prediksinya
™ Cari nilai residualnya
–
™ Stadarisasi nilai residualnya
™ Urutkan nilai residual terstandarisasi dari yang
terkecil sampai yang terbesar.
™ Mencari nila Zr relatif komulatif.
™ Mencari nila Zt teoritis berdasarkan tabel Z
™ Mengihitung selisih nilai Zr dengan Zt atau (Zr-
Zt-1) dan diberi simbol Li hitung
™ Bandingkan nilai Li hitung dengan tabel Liliefors.
™ Jika Lihitung > L tabel maka data berdistribusi
normal demikian juga sebaliknya. 31

Pengujian Manual

Y =2,553-1,092X1+1,961X2
Ypred =2,553-1,092(2) +1,961(3) = 6,252
Resid = 5-6,252
Zresid = (-1,252—0,002)/1,042 = -1,200
Zr = (1/10) = 0,1, (2/10) = 0,2, dts
Tabel Z cum = 1,20 ditabel Z = 0,885
Luas Z = Karena < 0,5 maka Luas Z = 1-0,858 =0,142
Li = Zt-Zr(t-1) = 0,142-0,10=0,042
32

16
 3/13/17

Pengujian Normalitas Dengan SPSS

–
Memunculkan Nilai Residual Terstandarisasi
™  Buka file : Data_Regresi_1
™  Analyze → Regression → Linear...
™  Masukan variabel Y → pada kotak Dependent
X1, X2, → pada kotak Independent
™  Save…: ⇒ pada kotak Residual : klik Standardized → Continue
(bertujuan untuk membuat variabel / kolom baru pada data yaitu Zre_1 )
™  Abaikan pilihan yang lain → OK
Uji Kolmogornov Smirnov
™  Buka file : Data Regresi_1
™  Analyze → Non Parametrics Test → 1 Sample K-S...
™  Masukan variabel Standardized Residual pada kotak Test Variable List
™  Abaikan pilihan yang lain (biarkan pada posisi defaultnya) → OK

33

Memunculkan Nilai Residual Uji Komogornov Smirnov

Terstandarisasi

34

17
 3/13/17

Output Kolmogornov
Smirnov
One-Sample Kolmogorov-Smirnov Test
–
Standardized
Residual
™ Karena Nilai Sig. > 0,05
N
Normal Parameters a,b Mean 5.960465E-09
10
maka tidak signifikan.
Std. Deviation .8819171
Most Extreme
Differences
Absolute
Positive
.297 ™ Tidak siginifikan berarti
.257

Kolmogorov-Smirnov Z
Negative -.297
.940
data relatif sama dengan
Asymp. Sig. (2-tailed)
a. Test distribution is Normal.
.340 rata-rata sehingga disebut
b. Calculated from data. normal.

35

Cara Mengatasi Data yang Tidak

Normal
™ Menambah jumlah data.
™ Melakukan transformasi data menjadi Log atau LN
–
atu bentuk lainnya.
™ Menghilangkan data yang dianggap sebagai
penyebab data tidak normal.
™ Dibiarkan saja tetapi kita harus menggunakan alat
analisis yang lain.

36

18
 3/13/17

UJI MULTIKOLINIERITAS
PENGERTIAN
™ Uji multikolinieritas berarti terjadi korelasi
yang kuat (hampir sempurna) antar
variabel bebas.
™ Tepatnya multikolinieritas berkenaan
dengan terdapatnya lebih dari satu
hubungan linier pasti, dan istilah
kolinieritas berkenaan dengan
terdapatnya satu hubungan linier.

37

Uji
Multikolinieritas
–
PENYEBAB
™ Karena sifat-sifat yang terkandung dalam
kebanyakan variabel ekonomi berubah bersama-
sama sepanjang waktu.
™ Besaran-besaran ekonomi dipengaruhi oleh faktor-
faktor yang sama.

38

19
 3/13/17

Uji Non-Multikolinieritas
™ Cara menditeksi:
–
1. Dengan melihat koefesien korelasi antar
variabel bebas:
Jika koefesien korelasi antar variabel bebas
≥ 0,7 maka terjadi multikolinier.
2. Dengan melihat nilai VIF (Varian Infloating
Factor):
Jika nilai VIF ≤ 10 maka tidak terjadi
multikolinier.

39

Contoh KasusMultikolinieritas
™ Berikut ini adalah data time series,

–
™ Berdasarkan data tersebut ujilah apakah data
tersebut terjadi gejala Multikolikolinier ?.

40

20
 3/13/17

Pengujian Manual VIF

–
™ Hitung nilai korelasi antar varibel bebas (r)
™ Kuadratkan nilai korelasi antar variabel
bebas (r2).
™  Hitung nilai tolenrance (Tol) dengan rumus
(1-r2).
™ Hitung nilai VIF dengan rumus 1/TOL
™ Jika VIF < 10, maka tidak terjadi
multikolinier.

41

Pengujian Manual VIF

42

21
 3/13/17

Pengujian Multikolinier Dengan SPSS

™ Buka file : Data_Regresi_1

™ Analyze → Regression → Linear...
–
™ Masukan variabel Y → pada kotak
Dependent
X1, X2, → pada kotak
Independent
™ Statistics…: ⇒ klik Colinier Diagnosis→
Continue

43

–
Output:

Karena nilai VIF < 10 maka tidak terjadi otokorelasi

44

22
 3/13/17

CARA MENGATASI MULTIKOLINIER

™ Memperbesar ukuran sampel

–
™ Memasukan persamaan tambahan ke
dalam model.
™ Menghubungkan data cross section dan
data time series.
™ Mengeluarkan suatu variabel dan bias
spesifikasi.
™ Transformasi variabel.

45

UJI NON-HETEROSKEDASTISITAS
PENGERTIAN
™ Uji heteroskedastisitas berarti adanya varian dalam
model yang tidak sama (konstan).

PENYEBAB
™ Variabel yang digunakan untuk memprediksi
memiliki nilai yang sangat beragam, sehingga
menghasilkan nilai residu yang tidak konstan.

46

23
 3/13/17

Uji Heteroskedastisitas
CARA MENDITEKSI:
1. Dengan Uji Park –
Yaitu dengan meregresikan variabel bebas
terhadap nilai log-linier kuadrat.
2. Dengan Uji Glejser
Yaitu dengan meregresikan variabel bebas
terhadap nilai residual mutlaknya.
3. Dengan Uji Korelasi Rank Spearman
Mengkorelasikan nilai residual dengan variabel
bebas dengan menggunakan Rank-spearman.

47

Contoh Kasus Heteroskedastisitas

™ Berikut ini adalah data time series,

–
™ Berdasarkan data tersebut ujilah apakah data
tersebut apakah terjadi gejala Heteroskedastisitas ?

48

24
 3/13/17

Langkah-Langkah Metode Glejser

™ Regresikan variabel bebas (X) terhadap

variabel tergantung (Y).
™ Hitung nilai prediksinya
–
™ Hitung nilai residualnya
™ Multakan nilai residualnya
™ Regresikan variabel bebas terhadap nilai
mutlak residualnya.
™ Jika signifikan berarti terjadi gejala
heteroskedastisitas dan sebaliknya jika tidak
signifikan berarti tidak terjadi gejala
heteroskedastisitas.

49

50

25
 3/13/17

Hasil Nilai Regresi Variabel Bebas

terhadap Nilai Mutlak Residualnya

• X1 tidak signifikan karena p-value > 0,05 sehingga X1 tidak

terjadi gejala heteroskedastisitas.
• X2 signifikan karena p-value < 0,05 sehingga X2 terjadi
gejala heteroskedastisitas. 51

Pengujian Heteroskedastisitas
Dengan SPSS

–
Memunculkan Nilai Residual
™  Buka file : Data_Regresi_1
™  Analyze → Regression → Linear...
™  Masukan variabel Y → pada kotak Dependent
X1, X2, → pada kotak Independent
™  Save…: ⇒ pada kotak Residual : klik unstandardized → Continue
(bertujuan untuk membuat variabel / kolom baru pada data yaitu res_1 )
™  Abaikan pilihan yang lain → OK
Mutlakan Nilai Residualnya
™  Buka file : Data Regresi_1
™  Tranform → Compute
™  Pada Target Variabel diisi dengan ABRES
™  Pada Numeric Expresion diisi dengan ABS(RES_1)
™  Abaikan pilihan yang lain → OK
Meregresikan variabel bebas terhadap Nilai Mutlak Residual
™  Buka file : Data_Regresi_1
™  Analyze → Regression → Linear...
™  Masukan variabel ABRES → pada kotak Dependent
X1, X2, → pada kotak Independent
™  Abaikan pilihan yang lain → OK
52

26
 3/13/17

Prose Memunculkan Nilai Residual dan

Memutlakannya

Memunculkan Nilai Residual Memutlakan Nilai Residual

53

Meregresikan variabel bebas terhadap

Nilai Mutlak Residual

• X1 tidak signifikan karena p-value > 0,05 sehingga X1 tidak terjadi gejala
heteroskedastisitas.
• X2 signifikan karena p-value < 0,05 sehingga X2 terjadi gejala
heteroskedastisitas.
54

27
 3/13/17

Cara Mengatasi Heteroskedastisitas

–
™ Tambah jumlah pengamatan.
™ Tranformasikan data ke bentuk LN atau Log atau
bentuk laiannya.

55

UJI NON-AUTOKORELASI

PENGERTIAN
™ Uji ini dilakukan untuk mengetahui apakah ada
korelasi antara anggota serangkaian data
observasi yang diuraikan menurut waktu (time
series) atau ruang (cross section).

56

28
 3/13/17

Uji Otokorelasi
–
PENYEBAB:
™ Adanya kelembaman waktu
™ Adanya bias spesifikasi model
™ Manipulasi data

57

Uji Otokorelasi
–
™ Uji Durbin Watson
™ Uji Lagrange Multiplier
™ Uji Breusch-Godfrey

58

29
 3/13/17

Contoh Kasus Otokorelasi

™ Berikut ini adalah data time series,

–
™ Berdasarkan data tersebut ujilah apakah data
tersebut apakah terjadi gejala otokorelasi ?

59

Langkah-Langkah Uji Durbin-Watson

1.  Regresikan variabel bebas (X) terhadap

variabel tergantung (Y). –
2.  Hitung nilai prediksinya.
3.  Hitung nilai residualnya.
4.  Kuadratkan nilai residualnya.
5.  Lag-kan satu nilai residualnya.
6.  Kurangkan nilai residual dengan Lag-kan
satu nilai residualnya.
7.  Masuk hasil perhitungan diatas masukan
kedalam rumus Durbin-Watson

60

30
 3/13/17

Perhitungan Manual Durbin Matson

e = Y-Ypred = 5-6,252=-1,252
e2 = = -1,2522= 1,568
et-1 = e mundur 1peiode
e-et-1 = 0,879-(-1,252) = 2,131
∑ (e − e t −1 )2 33,104
2
(e-et-1) = 2,131 = 4,541 DW = 2
= = 3,386
∑e t
9,777
61

Kriteria Pengujian

1,641
– Tabel Durbin Watson
Tanpa
dk =k,n
Tanpa
Kesimpulan
Kesimpulan
K=2 dan n=10
Otokorelas
i+
Tidak ada
Otokorelas dL = 0,697
Otokorelas i–
dL dU 2 4 – dU 4 – dL
0,697 1,641
i
2,359 3,303 dU = 1,641
3,386
4-dU = 2,359
4-dL = 3,303

62

31
 3/13/17

Pengujian Otokorleasi Dengan SPSS

Memunculkan Nilai Residual

–
™  Buka file : Data_Regresi_1
™  Analyze → Regression → Linear...
™  Masukan variabel Y → pada kotak Dependent
X1, X2, → pada kotak Independent
™  Klik Statistics…:
™  Pada Residual pilih Durbin Watson
™  Klik Continue
™  Abaikan pilihan yang lain → OK

63

Proses Analisi Surbin Watson dengan

SPSS
–

64

32
 3/13/17

Output Uji Durbin Watson

65

–
™ Jika diketahui Junmlah Variabel bebas 3,
pengamatan 20, dan diperoleh nilai durbin watson
sebesar 2,354.
™ Ujilah apakah terjadi gejala outokorelasi ?
™ Gunakan gambar untuk menguji !

66

33
 3/13/17

UJI LINIERITAS

™  Uji ini dilakukan untuk mengetahui model yang digunakan

apakah menggunakan model linier atau tidak.
™  Cara menditeksi:
1. Dengan kurva:
Model dikatakan linier jika plot antara nilai residual
terstandarisasi dengan nilai prediksi terstandarisasi
tidak membentuk pola tertentu (acak).
2. Dengan uji MWD
Cara mengetahui linieritas dengan menggunakan
gambar dianggap masing kurang obyektif sehingga masih
dibutuhkan alat analisis Mac Kinnon White Davidson
(MWD)

67

Langkah Analsis MWD

™ Regresikan variabel bebas terhadap variabel
tergantung dengan regresi linier dan tentukan
Ypred1 –
™ Tranformasikan semua variabel ke dalam bentuk
Ln, dan kemudian regresikan Ln variabel bebas
terhadap Ln variabel tergantung dan tentukan
Ypred2.
™ Tentukan Z1= (Ln Ypred1 - Ypred2.).
™ Regresikan variabel bebas dan Z1 terhadap Y,
jika Z1 sigifikan maka tidak linier.
™ Tentukan Z2 = (antilogPred2-YPred1)
™ Regresikan variabel bebas dan Z2 terhadap Y,
jika Z2 sigifikan maka linier.

68

34
 3/13/17

Pengujian Linieritas Dengan SPSS

Memunculkan Nilai Residual

–
• Buka file : Data Regresi_1
• Analyze → Regression → Linear...
• Reset..
• Masukan variabel Y → pada kotak Dependent
X1, X2, → pada kotak Independent(s)
• Plots… : ⇒ pada Y : → diisi : ZRESID
X : → diisi : ZPRED → Continue.
• OK

69

Proses Uji Linieritas dengan SPSS

Scatterplot

– 1,0
Dependent Variable: Y
Regression Standardized Residual

,5

0,0

-,5

-1,0

-1,5
-3 -2 -1 0 1 2

Regression Standardized Predicted V alue

Karena plot regresi standardiz residual dengan regresi

standardiz prediksi membentuk pola yang acak maka
menggunakan persamaan regresi Linier.

70

35
 3/13/17

Bagiamana Kalau tidak Linier ?

–
™ Jika hasil tidak linier tinggal ganti dengan persamaan
non linier.

71

36