(AKKC 156)
Dosen Pembimbing:
Drs. H. Karim, M.Si
Indah Budiarti, M.Pd
Oleh:
Agung Handoko (A1C111037)
DAFTAR ISI........................................................................................................... i
A. Latar Belakang...................................................................................................... 1
B. Regresi linier berganda ........................................................................................ 2
C. Asumsi-asumsi model regresi linier berganda ................................................... 2
D. Pelanggaran-pelanggaran terhadap asumsi regresi linier berganda ............... 3
BAB II KAJIAN TEORI .......................................................................................7
A. Latar Belakang
Analisis regresi merupakan salah satu teknik analisis data dalam statistika
yang seringkali digunakan untuk mengkaji hubungan antara beberapa variabel dan
meramal suatu variabel (Kutner, Nachtsheim dan Neter, 2004).
Istilah “regresi” pertama kali dikemukakan oleh Sir Francis Galton (1822-
1911), seorang antropolog dan ahli meteorologi terkenal dari Inggris. Dalam
makalahnya yang berjudul “Regression towards mediocrity in hereditary stature”,
yang dimuat dalam Journal of the Anthropological Institute, volume 15, hal. 246-
263, tahun 1885. Galton menjelaskan bahwa biji keturunan tidak cenderung
menyerupai biji induknya dalam hal besarnya, namun lebih medioker (lebih
mendekati rata-rata) lebih kecil daripada induknya kalau induknya besar dan lebih
besar daripada induknya kalau induknya sangat kecil (Draper dan Smith, 1992).
Dalam mengkaji hubungan antara beberapa variabel menggunakan analisis
regresi, terlebih dahulu peneliti menentukan satu variabel yang disebut dengan
variabel tidak bebas dan satu atau lebih variabel bebas. Jika ingin dikaji hubungan
atau pengaruh satu variabel bebas terhadap variabel tidak bebas, maka model regresi
yang digunakan adalah model regresi linier sederhana. Kemudian Jika ingin dikaji
hubungan atau pengaruh dua atau lebih variabel bebas terhadap variabel tidak bebas,
maka model regresi yang digunakan adalah model regresi linier berganda (multiple
linear regression model).
Kemudian untuk mendapatkan model regresi linier sederhana maupun
model regresi linier berganda dapat diperoleh dengan melakukan estimasi terhadap
parameter-parameternya menggunakan metode tertentu. Adapun metode yang dapat
digunakan untuk mengestimasi parameter model regresi linier sederhana maupun
model regresi linier berganda adalah dengan metode kuadrat terkecil
�
𝑖 = �0+ �1�
𝑖1 + �2�
𝑖2 +⋯+ �
��−1 �
𝑖��−1 + ��𝑖
dengan:
�
𝑖 adalah variabel tidak bebas untuk pengamatan ke-i, untuk i = 1, 2, …, n.
�
0, �1, �2, … , �
��−1 adalah Parameter
�
𝑖 1, �
𝑖 2, … , �
𝑖 ��−1 adalah Variabel Bebas
��𝑖 adalah sisa (error) untuk pengamatan ke-i yang diasumsikan berdistribusi normal
yang saling bebas dan identik dengan rata-rata 0 (nol) dan variansi 𝜎 2 .
2. Heteroskedastisitas
Heteroskedastisitas adalah variansi dari error model regresi tidak konstan atau
variansi antar error yang satu dengan error yang lain berbeda (Widarjono, 2007).
Dampak adanya heteroskedastisitas dalam model regresi adalah walaupun estimator
OLS masih linier dan tidak bias, tetapi tidak lagi mempunyai variansi yang
minimum dan menyebabkan perhitungan standard error metode OLS tidak
3. Autokorelasi
Autokorelasi adalah terjadinya korelasi antara satu variabel error dengan
variabel error yang lain. Autokorelasi seringkali terjadi pada data time series dan
dapat juga terjadi pada data cross section tetapi jarang (Widarjono, 2007). Adapun
dampak dari adanya autokorelasi dalam model regresi adalah sama dengan dampak
dari heteroskedastisitas yang telah diuraikan di atas, yaitu walaupun estimator OLS
masih linier dan tidak bias, tetapi tidak lagi mempunyai variansi yang minimum dan
menyebabkan perhitungan standard error metode OLS tidak bisa dipercaya
kebenarannya. Selain itu interval estimasi maupun pengujian hipotesis yang
didasarkan pada distribusi t maupun F tidak bisa lagi dipercaya untuk evaluasi hasil
regresi. Akibat dari dampak adanya autokorelasi dalam model regresi menyebabkan
estimator OLS tidak menghasilkan estimator yang BLUE dan hanya menghasilkan
estimator OLS yang LUE (Widarjono, 2007). Selanjutnya untuk mendeteksi adanya
autokorelasi dalam model regresi linier berganda dapat digunakan metode Durbin-
Watson. Durbin-Watson telah berhasil mengembangkan suatu metode yang
Kemudian Durbin-Watson berhasil menurunkan nilai kritis batas bawah (dL) dan
batas atas (dU) sehingga jika nilai d hitung dari persamaan (6.1) terletak di luar nilai
kritis ini, maka ada atau tidaknya autokorelasi baik positif atau negatif dapat
diketahui. Deteksi autokorelasi pada model regresi linier berganda dengan metode
Durbin-Watson adalah seperti pada
Tabel berikut.
Nilai Statistik Durbin-Watson Hasil
0 < �< �
𝐿 Menolak hipotesis nol; ada
autokorelasi positif
�
𝐿 ≤ �≤ �
𝑈 Daerah keragu-raguan; tidak ada
keputusan
�
𝑈 ≤ �≤ 4 − �
𝑈 Menerima hipotesis nol; tidak ada
autokorelasi positif/negatif
4−�
𝑈 ≤ �≤ 4 − �
𝐿 Daerah keragu-raguan; tidak ada
keputusan
4−�
𝐿 ≤ �≤ 4 Menolak hipotesis nol; ada
autokorelasi positif
4. Keputusan ada atau tidaknya autokorelasi dalam model regresi didasarkan pada
Tabel 6.1.
Selain Kriteria uji seperti pada Tabel 6.1, dapat juga digunakan kriteria lain untuk
mendeteksi adanya autokorelasi dalam model regresi linier berganda adalah sebagai
berikut
(Santoso, 2000):
1. Jika nilai d < −2, maka ada autokorelasi positif.
2. Jika −2 ≤ d ≤ 2, maka tidak ada autokorelasi.
3. Jika nilai d > 2, maka ada autokorelasi negatif.
Kasus:
Seorang Manajer Pemasaran deterjen Hotel Castaneda ingin mengetahui apakah Promosi
dan
Hipotesis:
DATA KASUS
Harga Jumlah Keputusan Konsumen
Promosi
(dalam Ratus (banyak konsumen
Ribu Rp) (X2) dalam seminggu)
(X1) (Y)
8 4 20
3 5 15
4 6 16
7 6 14
9 3 15
8 5 23
2 5 18
8 3 15
6 4 19
7 3 16
9 6 26
10 5 30
4 7 24
8 4 20
5 8 18
2 4 15
5 7 20
7 2 15
9 5 22
126 99 376
Tabel 1
Variables Entered/Removedb
Model Variables Entered Variables Removed Method
1 Promosi, Hargaa . Enter
Tabel 2
Model Summary
Model Change Statistics
Dari tabel yang didapat, kedua variabel signifikan karena bernilai < 0,05. Oleh karena
model analisi yang didapat adalah :
a. Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel
pengganggu atau residual memiliki distribusi normal atau tidak. Model regresi yang
baik adalah yang memiliki distribusi normal. Uji statistik yang dapat dilakukan
dalam uji normalitas adalah uji Kolmogorov-Smirnov. Secara multivarians,
pengujian normalitas data dilakukan terhadap nilai residualnya. Data yang
berdistribusi normal ditunjukkan dengan nilai signifikansi di atas 0,05.
Uji normalitas bisa dilakukan dengan dua cara. Yaitu “Normal P-P Plot” dan
“Tabel Kolmogrov Smirnov”.
a. Jika data menyebar di sekitar garis diagonal dan mengikuti arah garis
diagonal atau grafik histogramnya menunjukkan pola distribusi normal, maka
model regresi memenuhi asumsi normalitas.
b. Jika data menyebar jauh garis diagonal dan/atau tidak mengikuti arah garis
diagonal atau grafik histogram tidak menunjukkan pola distribusi normal,
maka model regresi tidak memenuhi asumsi normalitas.
Dari analisis kurva dapat dilihat bahwa titik-titik yang menyebar disekitar garis diagonal
dan penyebarannya mengikuti arah garis diagonal sehingga dapat disimpulkan bahwa data
yang diolah merupakan data yang berdistribusi normal sehingga uji normalitas terpenuhi.
Atau bisa juga dengan melihat Histogram berikut.
N 20
Normal Parametersa,b Mean .0000000
Std. Deviation 3.46814252
Most Extreme Differences Absolute .080
Positive .080
Negative -.073
Kolmogorov-Smirnov Z .360
Asymp. Sig. (2-tailed) .999
Coefficientsa
Model Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
Toleranc
B Std. Error Beta t Sig. e VIF
1 (Constant 6.154 4.183 1.471 .159
)
Berdasarkan tabel diatas, diketahui bahwa model regresi tersebut bebas dari
kasus multikolinearitas. Hal ini ditunjukkan dari nilai Tolerance < 1 yaitu 0,898
dan VIF < 10 yaitu 1,114.
c. Uji Autokorelasi
Uji autokorelasi bertujuan untuk menguji apakah model regresi linier ada
korelasi antara kesalahan pengganggu pada periode t dengan kesalahan periode t-1
(sebelumnya). Model regresi yang baik adalah yang bebas dari autokorelasi.
Ada autokorelasi
< 1,10
Tanpa kesimpulan
1,10 – 1,54
Tidak ada autokorelasi
1,55 – 2,46
Tanpa kesimpulan
2,47 – 2,90
Model Summaryb
Model Adjusted R Std. Error of the
R R Square Square Estimate Durbin-Watson
1 .609a .371 .297 3.66648 1.705
Berdasarkan tabel di atas, diperoleh nilai Durbin Watson (DW) = 1,705. Nilai
tersebut terletak pada selang 1,55 – 2,46. Hal ini menunjukkan bahwa pada model
regresi tersebut tidak terjadi autokorelasi.
Dari grafik scatterplot di atas terlihat titik-titik menyebar secara acak serta
tersebar baik di atas maupun di bawah angka 0 pada sumbu Y. Dengan demikian
dapat disimpulkan bahwa tidak terjadi heteroskedastisitas pada model ini.
http://digilib.usm.ac.id/files/disk1/4/gdl-usm--dyahnirmal-160-1-statisti-n.pdf
(diakses 12 Desember 2013, 10:00)
http://aliefworkshop.wordpress.com/2013/08/19/uji-multikolinearitas-dengan-
spss/ (diakses 15 Desember 2013, 08:00)
http://statistikian.blogspot.com/2013/01/uji-heteroskedastisitas.html (diakses 15
Desember 2013, 09:10 )