Statistika, Kita Jaya!

Gudangnya Info Statistika

Minggu, 19 Desember 2010

Konsep Dasar Mengolah Susenas dengan SPSS

Survei Sosial Ekonomi Nasional atau Susenas sering saya ulas di blog ini, baik dari sisi kekurangan dan
kelebihan maupun informasi terbaru tentang Susenas. Kali ini saya coba share pengalaman dalam
mengolah Susenas dengan SPSS yaitu software statistika yang sering digunakan oleh pengolah data di
Indonesia. Sebelumnya saya ingatkan bahwa apa yang saya tulis disini sekadar satu dari banyak cara
yang bisa dilakukan dengan software SPSS, jadi bukan suatu langkah-langkah baku dalam pengolahan
data Susenas atau data lainnya. Bisa saja dianggap sebagai Trik!
Pemboboton Data
Susenas adalah sebuah survey artinya hanya responden yang terambil acak berdasarkan metode
sampling tertentu, bukan pendataan seluruh penduduk seperti Sensus! Jadi hasil dari sampel acak ini
supaya bisa menggambarkan kondisi Indonesia, maka setiap responden rumahtangga diboboti dengan
nilai tertentu. Bahasa mudahnya setiap responden terpilih memakili sekian banyak penduduk, jumlah
keterwakilannya disebut pembobot. Pembobot di Susenas ada 2 yaitu pembobot rumah tangga untuk
data rumah tangga dan pembobot individu untuk data individu.

Jadi dalam mengolah data Susenas dengan SPSS, langkah wajib yang harus dilakukan sebelum
melakukan pengolahan lebih lanjut adalah melakukan pembobotan data. Umumnya variable pembobot
dalam data Susenas diberikan pada variable terakhir di dalam data mentah Susenas, kadang dinamakan
“weind” atau “wert” atau nama lain, yang jelas besarannya lebih dari 10. Langkah di SPSS bisa dilihat
dalam gambar, disini Anda tinggal masukan varibel pembobot ke dalam box “Frequency Variabel” yang
aktif setelah option “Weight cases by” dipilih. Anda tinggal scroll-down variable yang ada disamping,
setelah ditemukan klik variable pembobot tersebut dan klik tombol panah kecil dan otomatis didalam
box frequency variable muncul nama variable pembobotnya.

Filtering Data
Filtering data ini istilah saya saja, maksudnya adalah langkah yang sering dilakukan untuk mendapatkan
hasil pengolahan data sesuai kriteria yang kita inginkan. Misalnya kita ingin membuat tabulasi
penduduk dengan kriteria umur balita maka kita melakukan filter data khusus penduduk yang
mempunyai umur kurang dari 5. Bisa saja filtering melibatkan banyak variable, misalnya anak yang
sedang sekolah di SD sederajat, maka kriteria pertama adalah penduduk yang saat ini sedang sekolah
dan kriteria kedua adalah anak yang pernah/sedang sekolah di SD atau Madrasah Ibtidaiyah (MI).

Walaupun terkesan mudah, tetapi ternyata banyak orang yang sering salah menyusun sebuah kriteria
dalam filtering data ini. Salah satunya adalah penggunaan operator DAN (and) dan ATAU (or). Misalnya
kita ingin filter penduduk tidak produktif yang didefinisikan penduduk dengan umur kurang dari 15
tahun (umur<15) dan umur lebih dari 64 tahun (umur>64). Mana yang benar dalam penulisan kreteria
filter: umur<15 DAN umur>64 dibandingkan dengan umur<15 ATAU umur>64 mana yang benar? Konsep
yang sederhana tetapi masih banyak salah, jawaban yang benar adalah ATAU, walaupun didefinisi
sebelumnya disebut dengan ‘dan’. Kita ingat kembali konsep himpunan dengan diagram ven untuk bisa
paham kapan kita gunakan operator DAN – ATAU. Konsep ini sangat penting untuk dipahami karena
hampir semua filtering menerapkan konsep DAN – ATAU ini.
Untuk penerapan di SPSS, langkahnya sangat mudah seperti ditunjukan gambar di atas. Hanya klik
menu Data+Select Cases. Setelah itu klik tombol “IF” dengan mengaktifkan dahulu opsi “If Condition is
Satisfied”. Tinggal Anda ketikan filter yang Anda inginkan, atau juga bisa memanfaatkan list variable
yang ada disamping jendela tersebut. Penulisan operator DAN bisa dituliskan AND atau simbol “&”,
sedankan ATAU bisa dituliskan OR atau tanda “ I “. Perlu diingat bahwa operator AND akan diproses
terlebih dahulu dibandingkan operator OR. Jadi jika ada banyak operator, sebaiknya untuk operator OR
bisa di awali dengan kurung buka diakhirnya kurung tutup, misalnya: jk=2 AND (umur<=14 OR
umur>=65). Disini filter umur diproses dahulu, kemudian proses selanjutnya menjalankan operator AND.
Mungkin itu dulu 2 konsep dasar pengolahan data Susenas di SPSS, saya ingatkan kembali bahwa
langkah ini bukan langkah baru, mungkin saja ada cara baru di SPSS yang berbeda, maka penulis ingin
bisa sharing dengan Anda. Semoga tip sederhana ini makin bisa mengenalkan Susenas untuk masyarakat
umum. Dan kita harus berdoa bersama supaya Pemerintah mau menggratiskan data, minimum gratis
untuk akademika perguruan tinggi, supaya penelitian di perguruan tinggi makin maju saja

Category Archives: Pengolahan Data

Menghitung Ukuran Ketimpangan Pendapatan Kriteria
Bank Dunia dengan Menggunakan SPSS
MAR 16
Posted by fahar

Salah satu indikator yang biasa digunakan untuk mengukur tingkat pemerataan pendapatan adalah
indikator yang dikeluarkan oleh Bank Dunia. Indikator ini mengukur tingkat pemerataan
pendapatan dengan memperhatikan persentase pendapatan yang diterima oleh 40 persen
penduduk berpendapatan rendah. Tingkat ketimpangan pendapatan penduduk menurut kriteria
Bank Dunia terpusat pada 40 persen penduduk berpendapatan terendah. Tingkat ketimpangan
pendapatan penduduk ini digambarkan oleh porsi pendapatan dari kelompok pendapatan ini
terhadap seluruh pendapatan penduduk, yang di golongkan sebagai berikut:
a. Memperoleh 17 persen,maka tingkat ketimpangan pendapatan di anggap rendah.

Menghitung ukuran ketimpangan pendapatan kriteria Bank Dunia harus menggunakan data
individu. Dalam hal ini diperlukan data rata-rata pendapatan/pengeluaran per kapita setiap
rumahtanga. Data pengeluaran rumahtangga per kapita tersedia pada Survei Sosial Ekonomi
Nasional (Susenas). Pada kesempatan ini saya akan menunjukkan tata cara menghitung ukuran
ketimpangan kriterian Bank Dunia tersebut menggunakan data Susenas Panel 2010 dengan
software SPSS versi 20.

Pertama-tama tentu saja menyiapkan data mentah Susenas yang di dalamnya sudah terdapat
variabel rata-rata pengeluaran rumahtangga per kapita sebulan. Pada contoh ini telah ada variabel
tersebut dengan nama kapita. Variabel kapita diperoleh dengan membagi besarnya pengeluaran
rumahtangga sebulan dengan jumlah anggota rumahtangga. Selanjutnya pastikan variabel
penimbang (faktor pengali) telah diaktifkan, biasanya dalam data Susenas digunakan variabel
weind.
Kriteria Bank Dunia untuk ukuran ketimpangan pendapatan pada dasarnya adalah ukuran kuantil
yaitu kuantil ke-40. Karena itu kita selanjutnya harus membentuk variabel baru yang menunjukkan
posisi rumahtangga dalam ukuran kuantil rata-rata pengeluaran rumahtangga per kapita. Dalam
SPSS, dapat menggunakan beberapa cara, meskipun yang termudah adalah dengan menggunakan:
Transform — Rank Cases, sebagai berikut:
Masukkan variabel kapita, kemudian klik Rank Types dan beri tanda cek pada Ntiles dan isikan
angka 5. Artinya kita akan membagi data kita menjadi 5 bagian, sehingga akan dipeoleh kuantil
q1, q2, q3, q4 dan q5. Dalam kriteria bank dunia, yang ditampilkan adalah 40% persen
rumahtangga dengan pengeluaran terendah (q1 dan q2), 40% rumahtangga dengan pengeluaran
menengah (q3 dan q4) serta 20% rumahtangga dengan pengeluaran tertinggi. Dengan perintah ini
akan terbentuk variabel baru dengan nama Nkapita. Jika ingin dibedakan misalnya antara
perkotaan dan pedesaan, dapat dimasukkan variabel klasifikasi daerah ke kotak dialog BY.
Variabel Nkapita ini merupakan variabel kategorik dengan 1 untuk q1, 2 untuk q2 dan seterusnya.

Karena kita harus membentuk kelompok 40, 40, 20, maka kita harus melakukan penggabungan
kategori 1 dan 2 serta kategori 3 dan 4. Cara ini dapat dilakukan dengan modifikasi variabel
menggunakan Transform kemuadian Record Into The Same Variable atau Record Into Different
Variable. Cara ini tidak akan saya bahas, dan pada contoh ini saya menggunakan record into
different variable untuk menghasilkan variabel KriteriaWB. Hasilnya Sebagai berikut:
Selanjutnya jalankan tabulasi dengan Menu Analyse — Tables — Custom Table. Masukkan variabel
KriteriaWB ke row dan variabel Kapita ke column. Ganti Summary Statistics dari Count menjadi
Sum. Setelah itu jangan lupa tambahkan Total.
Hasilnya sebagai berikut:

Selanjutnya dengan menggunakan Excel akan diperoleh berapa persen pendapatan yang dikuasai
oleh 40 penduduk termiskin.

Selamat mencoba.

Advertisements

KEMISKINAN DAN KETENAGAKERJAAN DI KEPULAUAN

RIAU 2014: IMPLIKASI KEBIJAKAN
FEB 10
Posted by fahar

Ketenagakerjaan merupakan aspek yang sangat fundamental dalam strategi penanggulangan

kemiskinan. Untuk mengatasi permasalahan kemiskinan yang dialami penduduk, intervensi di
bidang ketenagakerjaan merupakan salah satu langkah yang tepat untuk mengurangi angka
kemiskinan. Dalam kaitannya dengan pengentasan kemiskinan, Provinsi Kepulauan Riau masih
mengalami beberapa permasalahan ketenagakerjaan yang perlu penanganan serius yaitu masih
rendahnya kualitas tenaga kerja, upah/pendapatan tenaga kerja yang rendah serta masih adanya
ketimpangan sektoral tenaga kerja.

Peningkatan kualitas tenaga kerja menjadi prioritas dalam rangka meningkatkan daya saing,
produktivitas serta upah/pendapatan tenaga kerja. Kualitas tenaga kerja ditentukan oleh tiga hal
yaitu pendidikan tenaga kerja, keterampilan yang dimiliki dan pengalaman kerja. Dua poin yang
menjadi wilayah intervensi pemerintah adalah bagaimana meningkatkan pendidikan maupun
keterampilan tenaga kerja. Data pendidikan tenaga kerja yang diungkapkan di atas sudah cukup
sebagai bukti rendahnya tingkat pendidikan formal yang dimiliki tenaga kerja di Provinsi
Kepulauan Riau. Untuk itu, perlu langkah-langkah strategis pemerintah untuk meningkatkan
partisipasi sekolah dengan memberikan subsidi pendidikan bagi masyarakat kurang mampu,
memberikan beasiswa bagi peserta didik yang berprestasi ke jenjang perguruan tinggi, serta
mendorong didirikannya lembaga-lembaga pendidikan formal setingkat perguruan tinggi yang
bermutu yang memiliki keterkaitan yang erat dengan dunia kerja.

Poin berikutnya terkait dengan kualitas tenaga kerja adalah masih rendahnya keterampilan yang
dimiliki oleh tenaga kerja. Untuk itu, perlu perhatian yang lebih serius dari pemerintah terhadap
pelatihan tenaga kerja melalui Balai Latihan Kerja (BLK). Perlu pembenahan yang serius terhadap
BLK yang dimiliki melalui peningkatan kapasitas BLK baik kelembagaan, sarana dan prasarana
maupun kurikulum yang dimiliki BLK sehingga BLK mampu memberikan keterampilan bagi tenaga
kerja sebelum terjun ke dunia kerja. Selain orientasi pada kualitas pelatihan yang diberikan, BLK
juga harus mampu meningkatkan frekuensi serta memberikan variasi pelatihan yang lebih banyak
sesuai dengan tuntutan variasi pekerjaan yang semakin banyak.

Permasalahan kedua yang dihadapi di bidang ketenagakerjaan adalah rendahnya upah/pendapatan

yang dimiliki tenaga kerja khususnya bagi penduduk miskin. Di samping upah/pendapatan
berhubungan erat dengan kualitas dan produktivitas tenaga kerja, sebagaimana disebutkan di
atas, perlu pengawasan yang ketat terhadap implementasi kebijakan upah minimum. Ketentuan
dan mekanisme penetapan upah minimum yang diatur dalam UU No. 13 tahun 2003 tentang
Ketenagakerjaan dan Permenakertrans No. 7 tahun 2013 sudah berjalan cukup baik sehingga yang
perlu ditingkatkan adalah pengawasan terhadap implementasi pelaksanaan upah minimum di
lapangan. Kebijakan upah minimum ini sangat tepat dalam kerangka pengentasan kemiskinan
untuk memberikan perlindungan bagi pekerja, meskipun kenyataannya seperti ditunjukkan di atas,
masih banyak pekerja yang mendapatkan upah di bawah upah minimum tersebut.

Terkait permasalahan ketiga yaitu masih tingginya ketimpangan sektoral tenaga kerja, perlu
perubahan mendasar terhadap arah kebijakan pembangunan ekonomi di Kepulauan Riau. Sektor
industri saat ini menjadi sektor primadona di Kepulauan Riau dengan kontribusi yang sangat tinggi
terhadap PDRB Kepulauan Riau yang mencapai hampir separuh dari total PDRB Kepulauan Riau
dengan daya serap tenaga kerja yang cukup tinggi di mana lebih dari seperempat tenaga kerja
terserap di sektor ini. Namun realitas bahwa 92 persen wilayah Kepulauan Riau merupakan lautan,
jelas menunjukkan potensi yang besar dari sektor maritim untuk dikembangkan dalam rangka
mendukung perekonomian Kepulauan Riau. Untuk perlu mendorong tumbuhnya ekonomi di bidang
maritim dengan mendorong adanya investasi yang besar di bidang maritim.

Di samping itu, untuk mendukung pengentasan kemiskinan, perlu dukungan kuat terhadap usaha-
usaha mikro dan kecil melalui kemudahan akses permodalan maupun pembinaan usaha. Usaha
mikro dan kecil memiliki keterkaitan yang erat dengan kemiskinan karena dilakukan dengan modal
yang kecil dan dikelola dengan pengetahuan dan keterampilan yang minim. Seperti disebutkan di
atas, ada keterkaitan antara persentase penduduk yang bekerja di sektor informal (yang banyak
diantaranya adalah pengusaha kecil) dengan tingkat kemiskinan di Kepulauan Riau. Apa yang
dilakukan pemerintah Provinsi Kepulauan Riau melalui program pembinaan usaha penduduk
miskin/desa tertinggal termasuk usaha tani dan nelayan perlu dilanjutkan dan ditingkatkan
volumenya. Namun pelaksanaan program ini perlu diawasi secara ketat agar bermanfaat secara
nyata untuk perbaikan usaha penduduk miskin.

Ekonomi dan Bisnis

CARA MUDAH MENENTUKAN

VARIABEL PALING DOMINAN
Diposkan pada 1 Mei 2017 by R. Mardani

Salah satu dari sekian banyak tujuan penelitian adalah menentukan variabel mana
yang paling dominan (berpengaruh). Penentuan variabel paling dominan hanya
dapat dilakukan jika variabel independen (bebas / X) lebih dari 1 (satu). Apabila
penelitian yang sobat lakukan hanya terdiri dari 1 variabel independen, maka tidak
perlu mencari variabel mana yang paling dominan. Lalu bagaimana cara mudah
menentukan Variabel paling dominan ? Selengkapnya, mari simak ulasan berikut:

KONSEP VARIABEL PALING DOMINAN

Variabel paling dominan merupakan variabel yang paling mempengaruhi dalam
suatu model. Sebagai contoh kami menggunakan model regresi linear berganda
yang terdiri 4 variabel independen dan 1 variabel dependen. Penelitian ini bertujuan
mencari pengaruh CAR (X1), NPL(X2), BOPO (X3), dan CR (X4) terhadap ROA (Y).
Dengan demikian dapat kita susun persamaan regresi linear pada contoh ini
sebagai berikut:

Y = α + β1 X1 + β2 X2 + β3 X3 + β4 X4 + еt

Dimana:
Y = ROA
α = Intercept
β1 = Coefficient Regresi (besaran pengaruh) variabel X1 terhadap Y
β2 = Coefficient Regresi (besaran pengaruh) variabel X2 terhadap Y
β3 = Coefficient Regresi (besaran pengaruh) variabel X3 terhadap Y
β4 = Coefficient Regresi (besaran pengaruh) variabel X4 terhadap Y
X1 = CAR
X2 = NPL
X3 = BOPO
X4 = CR
еt = Error Term
Jika digambarkan, kerangka pemikiran model regresi linear di atas sebagai berikut:

Baca Juga:

 jenis data penelitian

 asumsi klasik regresi linear berganda

Perhatikan gambar di atas, setiap variabel independen (X) memiliki anak panah
tunggal (satu arah) menuju variabel dependen (Y). Maksud anak panah ini
adalah “Besaran Pengaruh”. Jadi setiap variabel independen di asumsikan
mempengaruhi variabel dependen. Besaran pengaruh variabel independen
terhadap variabel dependen dilambangkan dengan Beta (β). β dapat bernilai negatif
maupun positif. Nilai β inilah yang menunjukkan variabel mana yang paling
dominan. Selain itu, signifikan atau tidak signifikan juga mempengaruhi pemilihan
variabel mana yang paling dominan. Sebagai contoh, kami asumsikan Beta (β)
setiap variabel sebesar berikut ini:

Variabel Beta (β) P-Value

X1 0.4523 0.08234
 X2 0.6350 0.05672

X3 0.5332 0.02346

X4 0.4051 0.01997

Pada alpha (α) sebesar 5% (0.05), tentukanlah variabel mana yang paling dominan !

Jika sobat menjawab variabel X2 yang paling dominan, maka jawaban sobat
SALAH. Variabel yang paling dominan adalah variabel X3. Kenapa demikian ?
Memang benar variabel X2 memiliki β paling besar. Akan tetapi memilih variabel
X2 sebagai variabel paling dominan sangat tidak tepat, karena variabel X2 tidak
berpengaruh nyata pada α sebesar 5%. Coba perhatikan kolom P-Value X2 sebesar
0.05672 > 5%. Sedangkan P-Value variabel X3 sebesar 0.02346 < 5%. Dengan
demikian, meskipun β variabel X3 < X2, memilih variabel X3 sebagai variabel paling
dominan merupakan pilihan yang tepat, karena X3 memiliki P-Value < α.

Kenapa kita tidak memilih X4 sebagai variabel paling dominan, sedangkan

X4 memiliki P-Value < α ?. Memang benar X4 memiliki P-Value < α, akan tetapi, β
X4 lebih mendekati 0 (nol) dibandingkan dengan β X3. Jadi pilihan variabel paling
dominan yang tepat adalah X3.

Lalu bagaimana jika β bernilai negatif ?. Pertanyaan yang bagus, untuk

menjawab pertanyaan tersebut perhatikan contoh berikut. Kami asumsikan Beta (β)
setiap variabel sebesar berikut ini:

Variabel Beta (β) P-Value

X1 -0.051285 0.361154

X2 -0.425467 0.003354

X3 -0.051560 0.000072
 X4 0.017906 0.003382

Pada alpha (α) sebesar 5% (0.05), tentukanlah variabel mana yang paling dominan !

Jika sobat menjawab variabel X4 sebagai variabel paling dominan, maka jawaban
sobat SALAH. Loh, kenapa demikian ? padahal X4 memiliki β paling besar dan P-
Value < α. Memang benar, akan tetapi, pada contoh ini kita menemukan β bernilai
negatif. Seperti yang telah kita bahas di awal, β dapat bernilai negatif maupun
positif. Makna nya adalah β tersebut merupakan uji dua arah. Artinya,
apabila Beta (β) bernilai negatif, maka variabel tersebut berpengaruh
negatif terhadap variabel dependen. Dan sebaliknya apabila Beta (β) bernilai positif,
maka variabel tersebut berpengaruh positif terhadap variabel dependen.

Baca Juga:

 Judul Skripsi Manajemen Keuangan

 portofolio optimal menggunakan excel,
 teori capital asset pricing model

Dalam kondisi ini, untuk menentukan variabel mana yang paling dominan adalah
sebagai berikut:

1. Apakah variabel tersebut berpengaruh signifikan atau tidak. Caranya

bandingkan P-Valuedengan α. Pada contoh ini, X2, X3, dan X4 berpengaruh
signifikan karena P-Value ketiganya < α.
2. Bandingkan nilai β. Semakin β menjauhi nol (0), maka variabel tersebut
semakin berpengaruh (dominan). Pada contoh ini, β variabel X2 semakin
menjauhi nol (0). Dengan demikian, variabel yang paling dominan
adalah variabel X2.

“ S E H I N G G A D A P A T D I S I M P U L K A N B A H W A V A R I A B E L Y A N G P A L I NG
DOMINAN MERUPAKAN VARIABEL YANG BERPENGARUH SIG NIFIKAN
DENGAN BETA SEMAKIN MENJAUHI NOL (0).”

Sebagai tambahan, kami berikan satu soal latihan. Beta dan P-Value setiap variabel
ditunjukkan pada tabel berikut:

Variabel Beta (β) P-Value

 X1 -0.501285 0.011154

X2 -0.515467 0.033354

X3 0.513260 0.043972

X4 0.502906 0.013382

Pada α sebesar 5%, tentukan variabel mana yang paling dominan !

Jika sobat telah menemukan jawabannya, silahkan ketik pada kolom komentar di
bawah ya… Good Luck yaa !

VARIABEL PALING DOMINAN PADA EXCEL

Bagaimana cara menentukan variabel paling dominan pada output regresi linear
dari Ms. Excel ? Selengkapnya, silahkan simak step by step berikut ini:

Pada alpha (α) sebesar 5% (0.05), tentukanlah variabel mana yang paling dominan !
 1. Tentukan variabel mana yang berpengaruh signifikan. Pada gambar di atas,
terlihat bahwa variabel X2 dan X3 berpengaruh signifikan karena P-Value <
5%. Sehingga eliminasi variabel X1 dan X4 dalam pemilihan variabel yang
paling dominan.
2. Nilai β pada Excel ditunjukkan pada kolom Coefficients. Pada tahap ini,
tentukan β (Coefficients) mana yang paling menjauhi nol (0). Dalam contoh ini
adalah variabel X2. Dengan demikian, variabel yang paling dominan adalah
variabel X2 (NPL).

VARIABEL PALING DOMINAN PADA EVIEWS

Pada EViews, output regresi linear cukup berbeda. Untuk dapat mentukan variabel
mana yang paling dominan, silahkan simak step by step berikut ini:

Baca Juga:

 uji asumsi klasik menggunakan eviews

 uji stasioneritas data menggunakan eviews

Pastikan sobat telah mengestimasi persamaan regresi linear pada EViews. Jika
sobat belum tahu bagaimana caranya, silahkan simak tutorial kami (klik disini). Jika
sudah, mari kita lanjut bagaimana cara menentukan variabel paling dominan.
 1. Pertama-tama, buka output estimasi model regresi.
2. Muncul jendela equation, perhatikan nilai Nilai ini dapat dikatakan sebagai P-
Value. Jika kita lihat, hanya variabel NPL dan BOPO yang berpengaruh
signifikan terhadap ROA. Oleh karena itu, variabel NPL dan BOPO lolos
dalam tahap pertama seleksi variabel paling dominan.
3. Perhatikan nilai β. Pada EViews, nilai β disajikan pada kolom Coefficient.
Sehubungan CAR dan CR telah tereliminasi, maka fokus saja pada variabel
NPL dan BOPO. Kesimpulannya, variabel yang paling dominan adalah
variabel NPL karena memiliki β paling menjauhi nol (0).

VARIABEL PALING DOMINAN PADA SPSS

SPSS juga menyediakan analisis regresi linear. Jika sobat ingin tahu bagaimana
cara analisis regresi linear menggunakan SPSS, silahkan simak tulisan kami
sebelumnya (klik disini). Untuk menentukan variabel mana yang paling dominan,
silahkan perhatikan step by step berikut ini:

Baca Juga:

 uji asumsi klasik regresi linear berganda menggunakan spss

 hubungan risk and return

1. Output SPSS menyediakan berbagai macam tabel, klik tabel Coefficients.

2. Eliminasi variabel yang berpengaruh tidak signifikan dengan membandingkan
pada SPSS dengan α. Dari gambar di atas, maka Variabel yang berpengaru
signifikan adalah NPL dan BOPO.
3. Sehubungan variabel NPL dan BOPO lolos tahap seleksi pertama, maka
dilanjutkan dengan menentukan variabel yang memiliki β semakin menjauhi
nol (0). Pada contoh ini, NPL memiliki β paling menjauhi nol (0). Dengan
demikian, variabel yang paling dominan adalah Variabel NPL.