BAB II

PEMBAHASAN

5.1 Arti Regresi Linear Berganda dan Model Tiga Variabel

Hubungan atau korelasi antara dua variabel melalui regresi sederhana untuk meramalkan
nilai Y dengan X yang sudah diketahui nilainya tidak cukup, sebab selain X, masih ada variabel
lainnya. Misalnya, kalau Y = konsumsi, variabel yang mempengaruhi, selain pupuk, juga
bibit/benih, luas sawah yang ditanami, curah hujan, petani padi, hama dan lain sebagainya. Kalau
Y = hasil penjualan, variabel yang mempengaruhi, selain biaya advertensi, juga tingkat pendapatan
masyarakat, tingkat harga, selera, dan lain sebagainya.
Apabila dalam persamaan garis regresi tercakup lebih dari dua variabel (termasuk variabel
tidak bebas Y), maka regresi ini disebut garis regresi linear berganda (multiple linear regression).
Dalam regresi linear berganda, variabel tidak bebas Y tergantung dua atau lebih variabel.
Ada beberapa cara untuk menuliskan persamaan regresi linear berganda yang mencakup
dua atau lebih variabel, yaitu sebagai berikut.
Populasi :Yi= A + B1X1i + B2X2i + ... + BkXki + i (5.1)
Atau : Yi= B1+ B2X2i + B3X3i + ... + BkXki + i (5.2)
Sampel : Yi= a + b1X1i + b2X2i + ... + bkXki + ei (5.3)
atau : Yi= b1 + b2X2i + b3X3i + ... +bkXki + ei (5.4)

Untuk selanjutnya, dalam buku ini akan dipergunakan (5.2) untuk populasi (regresi
sebenarnya) dan (5.4) untuk sampel (regresi perkiraan). Baik (5.2) maupun (5.4) masing-masing
terdiri dari 1 variabel tidak bebas Y dan (k – 1) variabel bebas X,l yaitu : X2,X3,..., Xk. Jadi,
semuanya ada 1 + (k – 1) = k variable. Untuk model dengan 3 variabel, berarti k = 3, satu variabel
tidak bebas Y dan dua variabel bebas X2 dan X3.
Y = B1 + B2X2 + B3X3 +  (5.5)
Sedangkan untuk sampel ditulis sebagai berikut.
Yi = b1 + b2X2i +b3X3i + ei (5.6)
𝑌̂i = b1 b2X2i+ b3X3i, I = 1, 2, …,n
ei = Yi – 𝑌̂i = perkiraan kesalahan pengganggu.

1
 Selanjutnya, untuk menjelaskan pengertian masing-masing koefisien regresi parsial
(partial coefficient of regression), regresi (5.2) dan (5.4) ditulis sebagai berikut.
Populasi : Yi = B1.23 + B12.3X2i+ B13.2X3i + I (5.7)
Sampel : Yi = b1.23+ b12.3X12.3+ b13.2X3i + ei (5.8)
: 𝑌̂i = b1.23+ b12.3X2i + b13.2X3i
Angka-angka yang tercantum pada setiap koefisien disebut indeks atau subscript, angka
satu menunjukan variabel Yi atau X ii (bisa juga Yi ditulis Xii, sebagai variabel pertama), angka dua
dan tiga menunjukan variabel X2 dan X3.
Koefesien b1.23 pemeriksa B1.23 disebut intercept, yaitu titik potong antara garis regresi dengan
sumbu tegak Y. Arti sesungguhnya sebetulnya merupakan rata-rata pengaruh (mean or average
effect) dari berbagai variabel atau faktor yang mempengaruhi Y, tetapi tidak dimasukan dalam
persamaan regresi. Interpretasiyang paling mudah ialah bahwa b1.23 merupakan nilai perkiraan
rata-rata Y kalau X2 = X3 = 0, sebab 𝑌̂i = b1.23 + b12.3X2 + b13.2X3, Yi = b1.23. jadi, b1.23 merupakan
nilai perkiraan/ramalanY kalau X2 = X3 = 0 (b1.23 dibaca satu, titik, dua tiga).
b12.3dan b13.2 pemeriksa B12.3 dan B13.2 disebut koefisien regresi parsial (partial coefficient
of regression). b12.3 dan b13.2 dibaca b satu dua, titik, tiga dan b satu tiga, titik, dua. Di dalam analisis
ekonomi, sering kali kita membuat asumsi/anggapan bahwa suatu faktor variabel tetap, misalnya
kita akan melihat pengaruh biaya advertensi (X3) terhadap hasil penjualan (Y2) kalau pendapatan
(X3) tetap, atau pengaruh harga terhadap jumlah permintaan kalau pendapatan masyarakat
konstan/tetap tidak berubah.
b12.3 menunjukan besarnya pengaruh X2 terhadap Y kalau X3 tetap.
b13.2 menunjukan besarnya pengaruh X3 terhadap Y kalau X2 tetap.
Untuk 4 variabel, notasinya menjadi sebagai berikut:
𝑌̂i =b1.234 + b12.34X2 + b13.24X3 + b14.23X4
Misalnya :
𝑌̂ = hasil penjualan (perkiraan atau ramalan)
X2 = biaya advertasi
X3 = pendapatan
X4 = harga, atau
𝑌̂ = produksi padi (perkiraan atau ramalan)
X2 = pupuk

2
X1 = bibit
X2 = luas sawah

Variable tercantum dua indeks, yaitu Y1i, X2i, X3i, dibaca Y satu i, X dua i, X tiga i. indeks
pertama menunjukkan jenis variabel (hasil penjualan, konsumsi, pendapatan nasional, produksi
padi, dan lainnya) sedangkan indeks yang kedua menunjukkan nilai observasi yang ke berapa dari
suatu variabel tertentu. Indeks i menunjukkan nilai observasi ke i, yaitu data hasil
pencatatan/penelitian dari suatu jenis variabel tertentu.

Indeks utama yang pertama selalu menunjukan variabel tidak bebas Y, sedangkan yang
kedua menunjukan variabel bebas untuk koefisien regresi terkait, sedangkan indeks sekunder
menunjukan variabel-variabel bebas mana yang tercakup dalam model.

Contoh: b12.3 = besarnya pengaruh X2 terhadap Y kalau X3 tetap

b13.2 = besarnya pengaruh X3 terhadap Y kalau X2 tetap

b12.345 = besarnya pengaruh X2 terhadap Y kalau X3, X4, dan X5 tetap

b14.235 = besarnya pengaruh X4 terhadap Y,kalau X2,X3, dan X5 tetap

b15.234 = besar pengaruhnya X5 terhadap Y,kalau X2,X3, dan X4 tetap

5.1.1 Asumsi dalam Model Regresi Berganda

Untuk model regresi linear 3 variabel atau lebih, kita pergunakan asumsi-asumsi sebagai
berikut.

(1). E(i) = untuk setiap I, I = 1, 2,…,n. (5.9)

Artinya, rata-rata kesalahan pengganggu nol.

(2). Kov(i,j) = 0, I  j (5.10)

Artinya, kovarin (i,j) nol. Dengan perkataan lain, tidak ada korelasi antara kesalahan
pengganggu yang satu dengan yang lainnya.

3
 (3). Var(i) = 𝜎 2 setiap i, i = 1, 2,…, n (5.11)

Artinya, setiap kesalahan pengganggu mempunyai varian yang sama.

(4). kov(i, X2i) = kov(i, X3i) = 0 (5.12)

Artinya, kovarian setiap kesalahan pengganggu dengan setiap variabel bebas nol. Dengan
perkataan lain, tidak ada korelasi antara kesalahan pengganggu dengan setiap variabel
bebas yang tercakup dalam persamaan regresi linear berganda.

(5). Tidak ada multicollinearity, yang berarti tidak ada hubungan linear yang ekstra antara
variabel-variabel bebas. Dalam hal 3 variabel, tidak ada korelasi antara X2 dan X3.
Dengan menggunakan bahasa matriks, tidak ada multicollinearity, berarti berlaku
hubungan berikut.

K1X2i + k2X3i = 0 (5.13)

Dimana k1 = k2= 0. Dalam hal ini X2i dan X3i dikatakan linearly independent13) kalau hubungan
(5.13) berlaku, maka X2i dan X3i merupakan vector yang mencakup seluruh observasi.

5.2 Interpretasi Persamaan Regresi Berganda, Arti, dan Cara Estimasi Koefisien Regresi
Parsial serta Variannya.

Perhatikan persamaan (5.7) berikut.

Yi = B1.23 + B12.3X2i + B13.2X3i + i

Apabila kita mengambil nilai harapan bersyarat (conaitional expectation) terhadap Y,

maka oleh karena E(i) = 0, kita peroleh hasil berikut.
E(Yi/X2,X3) = B1.23 + B12.3X2 + B13.2X3 (5.14)

Persamaan (5.14) merupakan rata-rata atau nilai harapan bersyarat Y dengan X2 dan X3
yang nilainya diketahui (given). Jadi, analisis regrasi menghasilkan nilai rata-rata atau nilai
harapan bersyarat Y kalau X2 dan X3 nilainya diketahui. Nilai Y ini sangat tergantung kepada nilai
X2 dan X3 dan disebut rata-rata bersyarat oleh karena nilainya akan berbeda, tergantung syaratnya.
4
Kalau nilai X2 dan X3 berubah, nilai Y dengan sendirinya akan bertambah. Bandingkan dengan
hubungan dua variabel dalam bab 4, E(Y0/X0) = A + Bx0, nilai E(Y0/X0) sangat tergantung kepada
nilai X = X0.

5.2.1 Arti Koefisien Regresi Parsial

Arti koefisien regresi parsial adalah sebagai berikut: B mengukur perubahan rata-rata atau
nilai harapan Y, yaitu E(Y/X2,X3), kalau X2 berubah sebesar satu satuan (unit), dimana X2 berubah
satu satuan, diman X3 konstan. Secara singkat mengukur besarnya perubahan Y kalau X2 berubah
satu satuan, di mana X3 konstan.

B13.2 mengukur besarnya perubahan Y kalau X3 berubah sebesar satu satuan, diman X2
konstan. Dengan menggunakan bahasa kalkulus B12.3 dan B13.2 merupakan turunan parsial
E(Y/X2,X3) terhadap X2 dan X3.

Misalnya, Y = output, X2 = tenaga kerja (labour), X3 = modal (capital). Kita anggap bahwa X2 dan
X3 sangat diperlukan untuk menghasilkan output Y dan proporsinya yang masing-masing
dipergunakan untuk maksud tersebut dapat berubah-ubah (berbeda).

Contoh mengontrol pengaruh linear modal (X3) didalam mengukur pengaruh (X2) terhadap Y
kalau X2 berubah (naik) satu satuan. Caranya sebagai berikut.

Tahap 1 : Buat regresi Y terhadap X3 saja, sebagai berikut.

Yi = b1.3 + b13X3i + wi (5.15)

Persamaan (5.15) regresi linear sederhana, wi= kesalahan pengganggu.

Tahap 2 : Buat regresi X2 terhadap X3 saja, sebagai berikut.

X2i = b2.3 – b23X3i + vi (5.16)

Dimana vi = kesalahan pengganggu.

Sekarang wi= Yi – b1.3 – b13X3i

wi= Yi – 𝑌̂I’ 𝑌̂i = b1.3 + b13X3i

5
Dan

V1 = X2i- b2.3 – b23 X3i

V1= X2i- 𝑋̂2i’ 𝑋̂2i = b2.3 + b23 X3i

Dimana 𝑌̂i dan 𝑋̂2i merupakan nilai perkiraan / ramalan dari regresi (5.15 & 5.16)

Nilai Wi mewakili nilai Yi setelah dibebaskan dari pengaruh linier dari X3i’ artinya Wi
adalah nilai Yi yang sudah bebas dari pengaruh X3i .demikian pula dengan Vi’ yang merupakan
nilai X2i yang sudah bebas dari pengaruh X3i . Kemudian kita terus lanjutkan ke tahap 3 sebagai
berikut.

Tahap 3: Buat regresi wi terhadap vi sebagai berikut.

Wi = a0 + a1 vi + zi (5.17)

Dimana zi = kesalahan pengganggu.

Di sini a1 merupakan perkiraan besarnya pengaruh X2 terhadap Y (the net marginal

product of labor ) atau koefisien regresi ( koefesien arah ) dari Y terhadap X2’ yaitu
merupakan perkiraan dari B12.3.

Untuk menghitung pengaruh X2, masing-masing harus dibebaskan dari pengaruh rumus
yang dipergunakan untuk menghitung koefisien regresi persial sudah memperhitungkan semua
pertimbangan diatas tersebut.

5.2.2. Cara Estimasi Koefisien Regresi Parsial

Ada dua cara untuk memperkirakan koefisien regresi parsial, yaitu dengan metode kuadrat
terkecil biasa (ordinary least squere=OSL) dan maximum likelihood method (ML). Perhatikan
persamaan berikut.

6
Y = b1.23+ b12.3X2 + b13.2X3 + ei (5.18)

Metode kuadrat terkecil biasa terdiri dari pemilihan nilai parameter yang tidak diketahui,
sedemikian rupa sehingga jumlah kuadrat kesalahan pengganggu minimum (terkecil). Atau
dikemnkakanb secara sederhana cara menghitung b1.23’ b12.3’ dan b13.2 sebagai perkiraan parameter
B1.23’ B12.3’ dan B13.2 sedemikian rupa sehingga ∑ 𝑒𝑖2 = minimum.

Caranya ialah dengan jalan menurunkan parsial dari ∑ 𝑒𝑖2 berturut-turut terhadap b1.23’
b12.3’ dan b13.2’ kemudian menyamakan dengan nol sebagai berikut.

𝜕 ∑ 𝑒𝑖2
= 2 ∑(𝑌𝑖 − 𝑏1.23 − 𝑏12.3 𝑋2𝑖 − 𝑏13.2 𝑋3𝑖 )(−1) = 0
𝜕𝑏1.23

𝜕 ∑ 𝑒𝑖2
= 2 ∑(𝑌𝑖 − 𝑏1.23 − 𝑏12.3 𝑋2𝑖 − 𝑏13.2 𝑋3𝑖 )(−𝑋2𝑖 ) = 0
𝜕𝑏12.3

𝜕 ∑ 𝑒𝑖2
= 2 ∑(𝑌𝑖 − 𝑏1.23 − 𝑏12.3 𝑋2𝑖 − 𝑏13.2 𝑋3𝑖 )(−𝑋3𝑖 ) = 0
𝜕𝑏13.2

Setelah disederhanakan, dapat diperoleh persamaan normal sebagai berikut.

𝑛𝑏1.23 + 𝑏12.3 ∑ 𝑋2𝑖 + 𝑏13.2 ∑ 𝑋3𝑖 = ∑ 𝑌𝑖 (5.19)

2
𝑏1.23 ∑ 𝑋2𝑖 + 𝑏12.3 ∑ 𝑋2𝑖 + 𝑏13.2 ∑ 𝑋2𝑖 𝑋3𝑖 = ∑ 𝑋2𝑖 𝑌𝑖 (5.20)

2
𝑏1.23 ∑ 𝑋3𝑖 + 𝑏12.3 ∑ 𝑋3𝑖 𝑋2𝑖 + 𝑏13.2 ∑ 𝑋3𝑖 = ∑ 𝑋3𝑖 𝑌𝑖 (5.21)

Dari (5.19), kalau kita bagi n, kita peroleh rumus b1.23 sebagai berikut.

𝑏1.23 + 𝑏12.3 𝑋̅2 + 𝑏13.2 𝑋̅3 = 𝑌̅

𝑏1.23 = 𝑌̅ − 𝑏12.3 𝑋̅2 − 𝑏13.2 𝑋̅3 (5.22)

b12.3dan b13.2 dapat dihitung berdasarkan rumus berikut14).

2
(∑ 𝑥2𝑖 𝑦𝑖 )(∑ 𝑥3𝑖 )−(∑ 𝑥3𝑖 𝑦𝑖 )(∑ 𝑥2𝑖 𝑥3𝑖 )
𝑏12.3 = 2 )(∑ 𝑥 2 )−(∑ 𝑥 𝑥 )2 (5.23)
(∑ 𝑥2𝑖 3𝑖 2𝑖 3𝑖

7
 2
(∑ 𝑥3𝑖 𝑦𝑖 )(∑ 𝑥2𝑖 )−(∑ 𝑥2𝑖 𝑦𝑖 )(∑ 𝑥2𝑖 𝑥3𝑖 )
𝑏13.2 = 2 )(∑ 𝑥 2 )−(∑ 𝑥 𝑥 )2 (5.24)
(∑ 𝑥2𝑖 3𝑖 2𝑖 3𝑖

Di mana x2i = X2i - 𝑋̅2 , 𝑋3𝑖 = 𝑋3𝑖 − 𝑋̅3 , 𝑦𝑖 = 𝑌𝑖 − 𝑌̅

2
2 2
(∑ 𝑋2𝑖 ) ∑ 𝑋2𝑖 ∑ 𝑌𝑖
∑𝑥 = ∑𝑋 − ∑ 𝑥 𝑦𝑖 = ∑ 𝑋 𝑌𝑖 −
2𝑖 2𝑖 𝑛 2𝑖 2𝑖 𝑛

2
2 2 (∑ 𝑋3𝑖 ) ∑ 𝑋3𝑖 ∑ 𝑌𝑖
∑ 𝑋3𝑖 = ∑ 𝑋2𝑖 − , ∑ 𝑥3𝑖 𝑦𝑖 = ∑ 𝑋3𝑖 𝑌𝑖 −
𝑛 𝑛

2
2
(∑ 𝑌𝑖 ) 2 ∑ 𝑋2𝑖
∑𝑦 = ∑𝑌 − ∑ 𝑥 𝑥3𝑖 = ∑ 𝑋 𝑋3𝑖 −
𝑖 𝑖 𝑛 2𝑖 2𝑖 𝑛

Uraian lebih lanjut mengapa a1 = b12.3

̅ )(𝑉𝑖 − 𝑉̅ )
∑(𝑊𝑖 − 𝑊
𝑎1 =
∑(𝑉𝑖 − 𝑉̅ )2

∑ W1 V1
= ̅ =V
, sebab ∑ W1 = ∑ V1 = 0, jadi W ̅=0
∑ V1

Perhatikan persamaan (5,15) dan (5,16)!

̅ =V
Karena W ̅ = 0, maka
y1 = b13 X3i + Wi dan X2i = b23 X3i + Vi
̅ x2i = X2i + ̅
Dimana yi = Yi + Y, X2i , dan x3i = X3i + ̅
X3
wi = yi − b13 x3i dan Vi = x2i − b23 x3i ,
Dimasukan dalam a1
∑(yi −b13 x3i )(x2i −b23 x3i )
a1 = ∑(x2i −b23 x3i )2

∑ x2i yi −b23 ∑ x3i yi −b13 ∑ x2i + b13 b23 ∑ x23i

= ∑ x23i + b223 ∑ x23i − 2b23 ∑ x2i x3i

8
 Pembilang
= penyebut

Ingat
∑ x2i x3i
b23 = ⁄∑ x 2
3i

∑ x3i yi
b13 = ⁄∑ x 2 , sekarang perhatikan!
3i
∑ x3i yi
b13 ∑ x2i x3i = ∑ x23i
∑ x2i x3i

2 ∑ x3i yi ∑ x2i x3i 2

b13 b23 ∑ x3i = ∑ x23i ∑ x23i
∑ x3i

Bagian pembilang dari a1

∑ x2i x3i ∑ x3i yi ∑ x3i yi ∑ x2i x3i ∑ x3i yi ∑ x2i x3i
∑ x2i yi − 2 − 2 + 2
∑ x3i ∑ x3i ∑ x3i
(∑ x2i yi ) (∑ x23i ) –(∑ x3i yi ) (∑ x2i x3i )
= ∑ x23i

Bagian penyebut dari a1

2
2
(∑ x2i x3i ) 2
∑ x2i x3i
∑ x2i + 2 ∑ x3i − 2 ∑ x2i x3i
∑ x3i ∑ x3i
2
(∑ x22i )(∑ x23i ) − (∑ x2i x3i)
= ∑ x23i

Pembilang (∑ x2i yi )(∑ x23i )− (∑ x3i yi )(∑ x2i x3i )

a1 = = (∑ x22i )(∑ x23i )− (∑ x2i x3i )2
penyebut

Jadi, memang benar a1 = b1.23

5.2.3 Varian dan Standard Error Koefisien Regresi Persial

Begitu varian koefisien regresi parsial dihitung, standard error-nya segera dapat diketahui.
yaitu dengan jalan mengambil akamya. Standard errorini sangat penting, karena dapat
dipergunakan untuk menguji hipotesis dan membuat perkiraan interval koefisien regresi
parsial. Rumus tentang varian dan standard error lebih mudah diterangkan dengan
menggunakan marriks, yang akan dijelaskan dalam bab terakhir dalam buku jilid I ini. Untuk
sementara, pernbaca dianjurkan untuk menggunakan rumus berikut. I

9
 ∑ 𝑥2
𝑣𝑎𝑟(𝑏12.3 ) = 𝜎 2 (∑ 𝑥 2 )(∑ 𝑥 2 )−(∑
3𝑖
2
(5.25)
2𝑖 3𝑖 𝑥 2𝑖 𝑥3𝑖 )

𝜎𝑏12.3 = √𝑣𝑎𝑟(𝑏12.3 )= standar error 𝑏12.3 (5.26)

∑ 𝑥2
𝑣𝑎𝑟 (𝑏13.2 ) = 𝜎 2 (∑ 𝑥 2 )(∑ 𝑥 2 )−(∑
2𝑖
2
(5.27)
2𝑖 3𝑖 𝑥 2𝑖 𝑥3𝑖 )

𝜎𝑏13.2 = √𝑣𝑎𝑟(𝑏13.2 )= standar error 𝑏13.2 (5.28)

Karena 𝜎 2 = varian kesalahan pengganggu, dan dalarn praktiknya tidak pernah diketahui, maka
diperkirakan dengan 𝑆𝑒2 sebagai berikut.
∑ 𝑒𝑖2
𝑆𝑒2 = (5.29)
𝑛−3

Pada umumnya, kalau persamaan garis regresi memuat 3 variabel (terrnasuk variabel tidak
bebas Y), maka:
∑ 𝑒𝑖2
𝑆𝑒2 = (5.30)
𝑛−𝑘

Untuk selanjutnya, lebih baik kalau ∑ 𝑒𝑖2 dihitung berdasarkan rumus berikut.
∑ 𝑒𝑖2 = ∑ 𝑦𝑖2 − b12.3 ∑ x2i yi − b13.2 ∑ x3i yi (5.30)

Uraian lebih lanjut tentanpersamaan (5.31): \

𝑌𝑖 = 𝑏1.23 + 𝑏12.3𝑋2𝑖 + 𝑏13.2 𝑋3.𝑖 + 𝑒 𝑖

𝑒𝑖 = 𝑌𝑖 − b1.23 − b12.3 X2i + b13.2 X3i atau

𝑒𝑖 = 𝑌𝑖 − (𝑌̅ − b12.3 ̅
X 2i − b13.2 ̅
X3i ) − b12.3 X2i − b13.2 X3i
=(𝑌𝑖 − 𝑌̅) − b12.3 (X 2i − X
̅ 2 ) − b13.2 (X3i − X
̅3)
𝑒𝑖 = 𝑌𝑖 − b12.3 X2i − b13.2 X3i
∑ 𝑒𝑖2 = ∑ 𝑒𝑖 . 𝑒𝑖

=∑ 𝑒𝑖 (𝑦𝑖 − b12.3 X 2i − b13.2 X3i )

=∑ 𝑒𝑖 𝑦𝑖 − b12.3 ∑ e iX2i − b13.2 ∑ e iX3i
=∑ 𝑒𝑖 𝑌𝑖 , 𝑠𝑒𝑏𝑎𝑏 ∑ e iX2i = ∑ e iX3i = 0

10
Sekarang,∑ 𝑒𝑖 𝑌𝑖 = ∑ 𝑦𝑖 𝑒𝑖 = ∑ 𝑦𝑖 (𝑦𝑖 − b12.3 X2i − b13.2 X3i )
Jadi,∑ 𝑒𝑖2 = ∑ 𝑦𝑖2 − b12.3 ∑ x2i yi − b13.2 ∑ x3i yi (terbukti)

Sifat-Sifat yang Dimiliki Pemerkira Berdasarkan Kuadrat Terkecil.

1. Seperti halnya dengan garis regresi linear sederhana yang melalui koordinat (𝑋̅, 𝑌̅) berdasarkan
persamaan 𝑌̅ = 𝑎 + 𝑏𝑋̅ dalam dua dimensi, maka garis regresi linear berganda juga melalui
titik koordinat dalam tiga dimensi (𝑋̅2 , 𝑋̅3 , 𝑌̅)berdasarkan persamaan𝑌̅ = b1.23 + b12.3 ̅
X2 −
̅3
b13.2 X
2. Rata-rata perkiraan Y, yaitu 𝑌̅̂ sarna dengan rata-rata Y, yaitu 𝑌̅, maksudnya 𝑌̅̂ = 𝑌̅.
Coba perhatikan hal berikut!
𝑌̂ = b1.23 + b12.3 X2i − b13.2 X3i
= (𝑌̅ − b12.3 ̅
X2 − −b13.2 ̅
X3 ) + b12.3 X2i − b13.2 X3i
= 𝑌̅ + b12.3 (X2i − X
̅ 2 ) + b13.2 (X3i − X
̅3)

𝑌̂ = 𝑌̅ + b12.3 ̅
X2i + b13.2 ̅
X3i , jumlahkan
∑ 𝑌̂𝑖 = 𝑛𝑌̅ + b12.3 X2i − b13.2 X3i, bagi n

𝑌̅̂ = 𝑌̅, sebab ∑ X2i = ∑ X3i = 0 , jadi 𝑌̅̂ = 𝑌̅

𝑦̂𝑖 = 𝑌̅ + b12.3 ̅
X2i + b13.2 ̅
X3i, 𝑦̂𝑖 = 𝑌̂𝑖 − 𝑌̅

Dalam bentuk deviasi terhadap rata-rata, 𝑌𝑖 dapat ditulis:

𝑦𝑖 = 𝑦̂𝑖 + 𝑒𝑖 = 𝑏12.3 𝑥2𝑖 + 𝑏13.2 𝑥3𝑖 + 𝑒𝑖

1
3. ∑ 𝑒𝑖 = 0, jadi𝑒̅ = ∑ 𝑒𝑖 = 0
𝑛

∑ 𝑒𝑖 = ∑(𝑌𝑖 − 𝑌̂𝑖 ) = ∑(𝑌𝑖 − 𝑏1.23 − 𝑏12.3 𝑋2𝑖 − 𝑏13.2 𝑋3𝑖 )

= ∑(𝑌𝑖 − 𝑌̅ + 𝑏12.3 𝑋̅2 − 𝑏13.2 𝑋̅3 − 𝑏12.3 𝑋2𝑖 − 𝑏13.2 𝑋3𝑖 )

= ∑ 𝑦𝑖 + 𝑏12.3 ∑ 𝑋2𝑖 + 𝑏13.2 𝑋3𝑖
∑ 𝑒𝑖 = 0,

11
4. Kesalahan pengganggu 𝑒𝑖 tidak berkorelasi dengan perkiraan 𝑌𝑖 yaitu 𝑌̂𝑖 , artinya : ∑ 𝑒𝑖 𝑌̂𝑖 = 0
5. Kesalahan pengganggu 𝑒𝑖 tidak berkorelasi dengan variabel bebas 𝑋2𝑖 dan 𝑋3𝑖 , yaitu∑ 𝑒𝑖 𝑋2𝑖 =
∑ 𝑒𝑖 𝑋3𝑖 = 0
6. Seperti halnya dalam bab 4, untuk keperluan pengujian hipotesis, kita membuat asumsi bahwa
𝜀𝑖 mengikuti distribusi normal dengan rata-rata nol dan varian 𝜎 2 . Dengan asumsi ini maka
pemerkira 𝑏12.3 ,𝑏13.2, 𝑏1.23 juga mengikuti distribusi normal dengan rata-rata 𝐵12.3 ,𝐵13.2 ,
𝐵1.23 , dan varian masing-masing.
Coba perhatikan 𝑏12.3 = 𝑌̅ − 𝑏12.3 𝑋̅ − 𝑏13.2 𝑋̅3 sebagai fungsi Y, padahal Y fungsi 𝑒𝑖 . Oleh
karena 𝑒𝑖 mengikuti distribusi normal, maka dengan sendirinya 𝑏1.23 juga mengikuti
distribusi normal.
Baik 𝑏12.3 dan𝑏13.2 juga fungsi Y yang mengikuti dsitribusi normal, maka dengan sendirinya
juga normal, karena setiap fungsi linear distribusi normal akan normal juga. Hal ini sangat
berguna untuk pengujian hipotesis.
7. Mengikuti logika dalam bab 4, dengan menggunakan asumsi normal, bisa ditunjukkan bahwa
(n-3) 𝑆𝑒2 /𝜎 2 akan mengikuti distribusi khai-kuadrat dengan derajat kebebasan (n-3). . Hal ini
sangat berguna untuk pengujian hipotesis.
8. Baik dengan menggunakan metode kuadrat terkecil maupun maximum likelihood method, kita
akan mendapat pemerkira koefisien regresi yang sama, berapa pun jumlah variabel yang
dicakupnya. Akan tetapi, tidak akan berlaku bagi pemerkira 𝑆𝑒2 = ∑ 𝑒12 / n, tanpa
memperhatikan banyaknya variabel yang dicakup dalam garis regresi. Sedangkan dengan
metode kuadrat terkecil, hal ini diperhitungkan, misalnya untuk hubungan 2 variabel, 3
variabel, dan k variabel, pemerkira𝜎 2 masing-masing menjadi ∑ 𝑒12 /(n-2), ∑ 𝑒12 / (n-3),
∑ 𝑒12 /(n-k). Metode kuadrat terkecil memperhatikan derajat kebebasan (degrees of freedom),
sedangkan metode ML tidak.

5.3 Koefisien Determinasi dan Korelasi Berganda

Dalam hal dua variabel, Y dan X, koefisien (𝑟 2 ) mengukur tingkat ketepatan/kecocokan
(goodness of fit) dari regresi linear sederhana, yaitu merupakan proporsi/ presentase sumbangan X
variasi (terhadap naik turunnya) Y. Pengertian tentang koefisien determinasi (𝑟 2 ) dapat diperluas

12
untuk regresi linear berganda yang mencakup lebih dari dua variabel. Jadi, dalam hubungan 3
variabel, regresi Y terhadap 𝑋2 dan𝑋3, ingin diketahui berapa besarnya proporsi (persentase)
sumbangan 𝑋2 dan𝑋3terhadap variasi (terhadap naik turunnya) Y secara bersama-sama. Besarnya
proporsi persentase sumbangan ini disebut koefisien determinasi berganda, dengan simbol 𝑅 2 .
Uraian tentang 𝑅 2 sama saja seperti uraian 𝑟 2 . Perhatikan persamaan berikut!
Y1 = b1.23 + b12.3X21 + b13.2X3i + ei
= Yi + ei (5.32)

Dimana Yi = b1.23 + b12.3X2i + b13.2X3i merupakan perkiraan yang dihitung dari regresi linear
berganda dan juga merupakan pemerkira rata-rata Y, dengan syarat X2, dan X3, yaitu E(Y/X2,X3).
Selanjutnya, perhatikan perubahan yang terjadi kalau masing-masing variabel dinyatakan dalam
̅,
deviasi (diukur dari rata-ratanya, dengan simbol huruf latin kecil yi,x2i, dan x3i, dimana yi = Yi - Y
x2i = X2i – ̅
X2, x3i = X3i - ̅
X3).
(1) Yi = b1.23 + b12.3 X2i+ b13.2X3i + e, jumlahkan
∑Yi = nb1.23 = b12.3∑X2i + b13.2∑X3i + ∑ei, bagi n
̅
(2) Y = b1.23 + b12.3̅ ̅3 + e̅, (1) – (2)
X2 + b13.2X
Yi - ̅
Y = b12.3 (X2i - ̅
X2) + b13.2 (X3i - ̅
X3) + ei - e̅
yi = b12,3x2i + b13.2x3i + ei
Jadi, yi = ŷI + ei (5.33)

di mana ŷ b12.3x2i+ b13.2 x3i

sekarang persamaan (5.33) dkuadratkan kemudian dijumlahkan :
∑yi2 = ∑(ŷi + ei)2
= ∑(ŷi2 + 2ŷiei + e2i )
∑ŷi2 = ∑ŷi2 + ∑e2i , sebab 2ŷiei = 0 (5.34)
Dengan perkataan lain, persamaan (5.34) berarti bahwa total jumlah kuadrat (TSS) sama
dengan jumlah kuadrat dari regresi (ESS) ditambah dengan jumlah kuadrat kesalahan pengganggu
(RSS). Dengan jalan mengganti ∑e2i seperti dalam persamaan (5.31), maka kita peroleh persamaan
berikut.
∑yi2 = ∑ŷi2 + ∑yi2 - b12.3 ∑X2iyi – b13.2 ∑x3iyi
setelah diadakan pengaturan kembali, ∑yi2 akan hilang, maka diperoleh persamaan berikut.

13
 ESS = ∑ŷi2 = b12.3∑x2iyi + b13.2∑x3iyi (5.35)

Sekarang rumus R2 diperoleh dengan menggunakan definisi :

R2 = ESS/ TS = ∑ŷi2 / ∑yi2
b12.3 ∑x2i yi + b13.2 ∑x3iy
R2 = i
(3.36)
∑y2i

Seperti halnya r2, R2 nilainya antara nol dan satu :

0 ≤ R2 ≤ 1
Kalau R2 berarti proporsi / persentase sumbanan X2 dan X3 terhadap variasi atau naik
turunnya Y sebesar 100%. Jadi, variasi yang terjadi seluruhnya disebabkan oleh X2, dan X3, tidak
ada faktor / variabel lain yang mempengaruhi Y. Sebagai contoh, kita ingin meramalkan hasil
penjualan suatu jenis barang tertentu (Y), kita masukkan variabel lain yang mempengaruhi hasil
penjualan, misalnya biaya advertensi (X3), harga (X3), pendapatan masyarakat (X4), selera
masyarakat (sulit diukur), adanya barang substitusi /Imitasi (sulit diukur), banyaknya suami istri
yang bercekcok dalam memutuskan jadi membeli barang atau tidak (mula-mula suami tidak mau
membelikan, tetapi setelah terjadi percekcokan/perselisihan, suami mengalah, diputuskan untuk
membeli barang dipersilakan), juga susah diukur, karena cuaca (pasangan suami/istri lebih senang
tinggal di rumah daripada pergi berbelanja), karena demonstrasi, dan faktor-faktor lainnya lagi
yang susah diukur, biasanya dimasukkan dalam kesalahan pengganggu (disturbance’s error).
Kesalahan pengganggu ini, yang sumbangannya terhadap variasi Y diukur dengan ∑e2i ,
sebagai penyebab nilai R2 tidak dapat mencapai nilai satu. Inilah sebabnya ramalan suatu nilai
variabel jarang tepat, karena walaupun secara teoretis kita bisa memasukkan semua nilai variabel
yang mempengaruhi Y, di dalam praktiknya sukar diukur atau data tidak tersedia.
Contoh lainnya, kita ingin meramalkan produksi padi (Y) dengan mema- sukkan variabel-
variabel yang mempengaruhi, misalnya jumlah bibit yang tersedia untuk ditanam (X), jumlah
pupuk (X3), luas sawah yang ditanami padi (X4), curah hujan (X5) jumlah petani panenan padi
(X6), harga padi/beras (X), dan banyaknya hama (tikus, wereng, walang sangit), Yang terakhir ini
susah diukur, sampai sekarang tidak ada statistik yang menunjukkan jumlah tikus, wereng, dan
walang sangit.

14
 Hal-hal yang sukar diukur atau dapat diukur tetapi datanya tidak tersedia, biasanya
dimasukkan dalam kesalahan pengganggu, sehingga bisa mengganggu ramalan, yang
menyebabkan ramalan tidak tepat.
Contoh untuk meramalkan produksi padi ini kalau dituliskan persamaan regresinya menjadi:
Y = B1 + B2 + B3X3 + B4X4 + B5X5 + B6X6 + B7X7 + ε
atau perkiraannya berdasarkan data sampel:
Y = bi +b2X2 + b3X3 + b4X4 + b5X5 + b6X6 + b7X7 + e
atau pada umumnya:
Y = B1 + B2X2 + B3X3 + ... + B1X1 + ... + BkXk + ε
atau perkiraannya berdasarkan data sampel:
Y = b1 + b2X2 + b3X3 + ... + b1X1 + ... + bkXk + e

Kembali lagi ke nilai R2, nilainya paling besar 1 dan paling kecil nol. Kalau R2= 0, garis
regresi tidak dapat dipergunakan untuk membuat ramalan Y, sebab variabel-variabel bebas yang
dimasukkan dalam persamaan regresi tidak mempunyai pengaruh terhadap Y,
sumbangan/kontribusinya terhadap variasi Y nol. Makin dekat R2 dengan satu, makin tepat /cocok
garis regresi untuk meramalkan Y, itulah sebabnya, baik r2 maupun R2 dipergunakan sebagai suatu
kriteria untuk rnengukur cocok tidaknya suatu garis regresi untuk rnernperkirakan/rneramalkan
variabel tidak bebas Y (goodness of fit criteria).
Kalau r disebut koefisien korelasi dalam-hubungan dua variabel X dan Y yang rnengukur
kuatnya hubungan antara X dan Y, maka R disebut koefisien korelasi berganda untuk mengukur
kuatnya hubungan antara X2, X3, ... , Xk secara bersama-sama dan Y. Dalam praktiknya, R2 lebih
penting daripada R, sebab langsung dapat mengetahui besarnya proporsi/persentasi sumbangan
dari X2, X3, … , Xk secara bersama-sama terhadap variasi atau naik turunnya Y. Dihitung dahulu
r2 (R2), kemudian untuk memperoleh r (R), tinggal mengambil akar dari masing-masing.
Berikut ini contoh penggunaan fungsi produksi cobb-douglas.
B B
Y – B1.23 X2i 12.3 X 2i 13.2
setelah diambil lognya dengan bilangan pokok e,
In Yi = B0 + B12.3 In X2i+ B13.2 In X3i
dimana:
B0 = In B1.23

15
Contoh Soal 5.1

X2 = tenaga kerja (jutaan tenaga kerja)

X3 = modal (jutaan satuan mata uang)
Y = output (jutaan satuan mata uang)
In 𝑌𝑖 = 𝑏0 +𝑏12.3In𝑋2𝑖 +𝑏13.2In𝑋3𝑖 (dilengkapi dengan standard error, R 2 , S e ).

Pergunakan rumus (5.23) dan (5.24)!

∗ ∗
Y* = 𝑏0 +𝑏12.3 𝑋2𝑖 +𝑏13.2 𝑋3𝑖

Dimana:
Y* = In 𝑌𝑖
∗
𝑋2𝑖 = In 𝑋2𝑖
∗
𝑋3𝑖 = In 𝑋3𝑖
Rumus:
∗ ∗ ∗2 ∗ ∗ ∗ ∗
(𝑥2𝑖 𝑦𝑖 ) (𝑥3𝑖 ) – (𝑥3𝑖 𝑦𝑖 ) (𝑥2𝑖 𝑥3𝑖 )
𝑏12.3 = ∗2 ∗2 ∗ ∗
(𝑥2𝑖 ) (𝑥3𝑖 ) − (𝑥2𝑖 𝑥3𝑖 )2

∗ ∗ ∗2 ∗ ∗ ∗ ∗
(𝑥3𝑖 𝑦𝑖 ) (𝑥2𝑖 ) − (𝑥2𝑖 𝑦𝑖 ) (𝑥2𝑖 𝑥3𝑖 )
𝑏13.2 = *2 ∗2 ) − (𝑥 ∗ 𝑥 ∗ )2
(x 2i ) (𝑥3𝑖 2𝑖 3𝑖

b0 = Y * - 𝑏12.3 X 2* - 𝑏13.2 X 3*

∗2
2 𝑥3𝑖
S2b12.3 = Se ∗2 ∗2 ∗ ∗
(𝑥2𝑖 ) (𝑥3𝑖 ) − (𝑥2𝑖 𝑥3𝑖 )2

Sb12.3 = √ S2 𝑏12.3= standard error (𝑏12.3)

16
 ∗2
𝑥2𝑖
S𝑏213.2 =Se 2
∗2 ) (𝑥 ∗2 ) − (𝑥 ∗ 𝑥 ∗ )2
(𝑥2𝑖 3𝑖 2𝑖 3𝑖

ei2 = 𝑦𝑖∗ 2- 𝑏12.3 𝑋2𝑖

∗
yi - 𝑏13.2 𝑥3𝑖
∗
yi
Se2 = ei2 / n - 3

𝑿𝟐∗ 𝑿𝟑∗ Y* 𝒙∗𝟐 𝒙∗𝟑 y*

In 𝑿𝟐 In 𝑿𝟑 In Y (𝑿𝟐∗ – 𝑿∗𝟐 ) (𝑿𝟑∗ − 𝑿∗𝟑 ) (Y* - Y*)
302,798 10,79 72,01 -8,7632 3,3590 -2,07
315,394 7,01 73,45 3,8328 -0,422 -0,63
299,799 5,04 74,59 -11,7622 -2,392 0,51
311,951 6,02 74,94 0,3898 -1,412 0,86
327,864 8,30 75,41 16,3028 0,868 1,33
1.557,806 37,16 370,4

𝑿∗𝟐 = 1.557,806 𝑋3∗ = 37,16 Y* = 370,4

X∗2 = 311,5612 X*3 = 7,432 Y* = 74,08

𝒙∗𝟐 𝒙∗𝟑 y* 𝒙∗𝟐

𝟐 𝒙∗𝟑
𝟑 𝒙∗𝟐 𝒙∗𝟑 𝒙∗𝟐 y* 𝒙∗𝟑 y*

-8,7632 3,3590 -2,07 76,793 11,282 -29,435 18,140 -6,953

3,8328 -0,422 -0,63 14,690 0,178 -1,617 -2,414 0,265
-11,7622 -2,392 0,51 138,349 5,721 28,135 -5,998 -1,219

17
 0,3898 -1,412 0,86 0,152 1,993 -0,55 0,335 -1,214
16,3028 0,868 1,33 265,781 0,753 14,150 21,682 1.154
 x*2 2  x*2 3 x*2x*3 x*2 y* x*3 y*
495,613 19,927 10,683 31,745 -7,967

∗ ∗ ∗2 ∗ ∗ ∗ ∗
(𝑥2𝑖 𝑦𝑖 ) (𝑥3𝑖 ) – (𝑥3𝑖 𝑦𝑖 ) (𝑥2𝑖 𝑥3𝑖 )
𝑏12.3 = ∗2 ∗2 ∗ ∗
(𝑥2𝑖 ) (𝑥3𝑖 ) − (𝑥2𝑖 𝑥3𝑖 )2

∗ ∗ ∗2 ∗ ∗ ∗ ∗
(∑𝑥2𝑖 𝑦𝑖 ) (∑𝑥3𝑖 ) – (∑𝑥3𝑖 𝑦𝑖 ) (∑𝑥2𝑖 𝑥3𝑖 )
𝑏12.3 = ∗2 ∗2 ∗ ∗ 2
(∑𝑥2𝑖 ) (∑𝑥3𝑖 ) − (∑𝑥2𝑖 𝑥3𝑖 )

2
∗ ∗2 ∗ ∗ ∗ ∗
Pembilang = (∑𝑥2𝑖 y*3i ) (∑𝑥3𝑖 ) – (∑𝑥3𝑖 𝑦𝑖 ) (∑𝑥2𝑖 𝑥3𝑖 )
= (31,745) (19,927) – (-7,967) (10,683)
= 547,471154

2
∗2 ∗2 ∗ ∗
Penyebut = (𝑥2𝑖 ) (𝑥3𝑖 ) - (𝑥2𝑖 𝑥3𝑖 )
2
= (495,613) (19,927) – (10,683)
= 9762,83351

𝑏12.3 = 547,471154
9762,83351
= 0,05607708

∗ ∗ ∗2 ∗ ∗ ∗ ∗
(𝑥3𝑖 𝑦𝑖 ) (𝑥2𝑖 ) − (𝑥2𝑖 𝑦𝑖 ) (𝑥2𝑖 𝑥3𝑖 )
𝑏13.2 = ∗2 ) (𝑥 ∗2 ) − (𝑥 ∗ 𝑥 ∗ )2
(𝑥2𝑖 3𝑖 2𝑖 3𝑖

18
Pembilang = (-7,967) (495,613) - (31,745) (10,683)
= -3948,54-339,13
= -4287,6806

Penyebut sama dengan diatas = 9762,83351

−4287,6806
𝑏13.2 = 9762,83351

= -0,439184

b0 = Y* - b12.3 X*2 - b13.2 X*3

= 74,08 – 0,056 (311,5612) – 0,439 (7,432)
= 74,08 - 17,4474272 - 3,262648
= 53,3699248
y*2i = (-2,07)2 + (-0,63)2 + … + (1,33)2
= 7,4504

e2i = y*2i - b12.3𝑥2𝑖

∗
y*i – 𝑏13.2x*3i 𝑦𝑖∗

= 7,4504 – (0,05607708) (31,745) – (0,439184) (7,967)

= 7,4504 – 1,7801669046 – 3,498978928

= 2,1712541674

S2e = e2i / n – 3

= 2,1712541674 / 2

= 1,0856270837

19
R2 = Ŷ*2i / y*2i

b12.3x∗2i y∗i + 𝑏13.2 x∗3i y∗i

=
y∗2i

= 1,7801669046 + 3,498978928
7,4504
= 0,7085721347

∗2
2 2 𝑥3𝑖
S b12.3 = s e ∗ 𝑥 ∗ )2
(x∗2 2i) (𝑥) − (𝑥2𝑖 3𝑖

19,927
=1,0856270837 9762,83351
21,633290897
= 9762,83351

= 0,0022158823

S𝑏12.3 = √ S2 b

=√0,0022158823
= 0,0470731590

∗2
2 2 𝑥2𝑖
S 𝑏13.2 =S e ∗2 ) (𝑥 ∗2 ) − (𝑥 ∗ 𝑥 ∗ )2
(𝑥2𝑖 3𝑖 2𝑖 3𝑖

495,613
= 1,0856270837
9762,83351
538,05089583
=
9762,83351

= 0,0551121654

20
S 𝑏13.2 = √ S2 b13.2

= √0,0551121654

= 0,2347598036

Persamaan regresi linear berganda:

Ŷ = 53,3699248 + 0,05607708𝑋 ∗ 2 − 0,439184𝑋 ∗ 3

2
R = 0,7085721347
Standard error : (0,0470731590) (0,2347398036)
2
S = 1,0419343
e

Perhatian!
Apabila dihitung dengan komputer, hasilnya pasti akan lain (berbeda), oleh karena adanya
kesalahan pembulatan (rounding error). Tentu saja perhitungan dengan komputer memberikan
hasil yang lebih teliti. Standard error untuk b0 = log b1.23 , yang disebut intercept, tidak dihitung.
Dalam praktik, biasanya hanya standard error dari koefisien regresi yang dihitung.
b1.23 = 0,056, artinya kalau X2 naik satu satuan (1 unit), Y* diharapkan naik 1,5 kali, kalau X3
tetap.
b13.2 = 0,439, artinya kalau X3 naik satu satuan (1 unit), Y* diharapkan naik 0,49 kali, kalau X2
tetap.
X2 = X2 , X3 = log X3 , Y* = log Y, Ŷ* = perkiraan/ramalan Y*, merupakan nilai regresi.
R2 = 0,708, artinya besarnya sumbangan (andil) X2 dan X3 terhadap variasi (naik turunnya) Y*
sebesar 89%, sedangkan sisanya sebanyak 11%, merupakan sumbangan faktor lainnya dengan
persamaan regresi Y* = 53,38 + 0,056X2 + 0,439X3 sudah diketahui lainnya.

21
Contoh Soal 5.2
X2 = Indeks Pendapatan Domestik Regional Broto
X3 = Indeks Harga Impor Bahan baku untuk industri (olahan)
Y = Indeks Impor Bahan baku untuk industri (olahan)

Tahun X2 X3 Y X22 X32 Y2 X2Y X3Y X2X3

2006 100 100 100 10000 10000 10000 10000 10000 10000
2007 113.753 93.321 93.972 12939.75 8708.809 8830.737 10689.6 8769.561 10615.54
2008 131.979 134.615 139.935 17418.46 18121.2 19581.8 18468.48 18837.35 17766.35
2009 148.426 104.181 817.462 22030.28 10853.68 668244.1 121332.6 85164.01 15463.17
2010 196.81 126.923 872.029 38734.18 16109.45 760434.6 171624 110680.5 24979.72

∑ 690.968 559.04 2023.398 101122.7 63793.14 1467091 332114.7 233451.5 78824.78

Belanja statistic
∑ 𝑥22 = 5.635,344596 ∑ 𝑥2 𝑥3 = 1.569,029856
∑ 𝑥32 = 1.287,99568 ∑ 𝑥2 𝑦 = 52.494,04615
∑ 𝑦 2 = 648.263,1067 ∑ 𝑥3 𝑦 = 7.219,416416

Menghitung b12.3:
Pembilang : = (∑x2iyi) (∑x23i)- (∑x3iyi) (∑x2ix3i)
= (52.494,04615) (1.287,99568) – (7.219,416416) (1.569,029856)
= 56.284.624,77
Penyebut : = (∑x22i) (∑x23i) – (∑x2ix3i)2
= (5.635,344596) (1.287,99568) – (1.569,029856)2
= 4.796.444,806

56.284.624,77
b12.3 =
4.796.444,806
= 11,73465495

22
 = 11,7347

Menghitung b13.2 :
Pembilang :
(∑x3iyi) (∑x22i) – (∑x2iyi) (∑x2ix3i)
= (7.219,416416)(5.635,344596) – (52.494,04615)(1.569,029856)
= -41.680.826,38

Penyebut : sama
−41.680.826,38
b13.2 =
4.796.444,806
= -0,008689941
= -0,0087
b1.23 = Y – b12.3 X 2 – b13.2 X 3

= 404.679,6 – ( 11,7347) (138.193,6) – (-0,0087) (11180,8)

= 404.679,6 – 1.621.660,438 – ( -97,27296)
= -1.216.883,565

∑e2i = ∑y2i – b12.3 ∑x2iyi – b13.2 ∑x3iyi

= 648.263,1067 – 616.001,8834 – (- 62,8089)
= 32.324,0322

32.324,0322
S2e =
2
S2e = 16.162,0161
Se = 127,1299182
= 127,1299

R2 = ∑y2 = b12.3∑x2iyi + b13.2∑x3iyi

∑y2i ∑y2i

23
 616.001,8834−62,8089
=
648.263,1067
= 0,950137479
= 0,9501

S2b12.3 = S2e ∑x23i

(∑x22i) (∑x23i) – (∑x2ix3i)2

1.287,99568
= 16.162,0161
4.796.444,806
= 4,340007601

Sb12.3 = 2,08326849
= 2,0833

S2b13.2 = S2e ∑x22i

(∑x22i) (∑x23i) – (∑x2ix3i)2

5.635,344596
= 16.162,0161
4.796.444,806
= 18,98875809

Sb13.2 = 4,357609217
= 4,3576

Persamaan garis regresi linear berganda :

Ŷ = b1.23 + b12.3 + b13.2X3
Ŷ = -1.216.883,565 + 11,7347X2 + (-0,0087X3 R2 = 0,9501
Standard error : (2,0833) (4,3576) Se = 127,1299

24
b12.3 = 11,7. Artinya, kalau X2 naik satu satuan ( 1 unit ), diharapkan Ŷ akan naik 0\11,7 kali,
kalau X3 tetap.
b13.2 = -0,0087. Artinya, kalau X3 naik satu satuan ( 1 unit ), diharapkan Ŷ akan naik 0,0087 kali,
kalau X2 tetap.

5.3.1 Perbandingan Dua R2 atau lebih dan R2 yang disesuaikan

Sifat-sifat atau ciri-ciri dari R2 ialah bahwa R2 merupakan fungsi yang selalu menarik
(nondecreasing function) dan variabel-variabel bebas yang tercakup dalam persamaan regresi
linear berganda. Makin banyak variabel yang tercakup dalam suatu model garis regresi, makin
menaik fungsi tersebut, artinya makin besar nilai R2 tersebut. Dengan perkataan lain, setiap
pertambahan variabel bebsa dalam model regresi selalu akan memperbesar nilai R2.
Ingat definisi tentang R2, sebagai berikut.
jumlah kuadrat regresi ESS
R2 = =
total jumlah kuadrat TSS
ESS−RSS RSS
= = 1 - TSS , RSS = jumlah kuadrat kesalahan pengganggu
TSS

(residual sum of squares)

∑𝑒 2𝑖
R2 = 1 - ∑ 𝑦𝑖2
(5.37)

Untuk membandingkan dua nilai R2, harus memperhitungkan banyaknya variabel bebas di dalam
model regresi. Hal ini bisa dilakukan kalau mendefinisikan suatu alternative dari koefisien
determinasi.
∑ 𝑦𝑒 2 (𝑛−𝑘)
R2 = 1 - 𝑖
∑ 𝑦𝑖2 (𝑛−𝑘)
(5.38)

∑ 𝑒𝑒 2 = ∑ 𝑦i – b1.23 – b12.3X2 – b13.2X3)2

𝑖

∑ 𝑦𝑒 2 = ∑ (Yi - 𝑌̅ )2
𝑖

Rumus (5.38) juga dapat ditulis

𝑆𝑒2
R2 = 1 - (5.39)
𝑆𝑦2

25
 (𝑛−𝑘)
R2 = 1- (1-R2) (𝑛−𝑘) (5.40)

In Y = B0 + B12.3X2i + B12.3 +X3i (5.41)

Y = A0 + A123 X12.3X2i + A13.2X3i (5.42)

5.4 Koefisien Korelasi Parsial dan Hubungan Berbagai Koefisien Korelasi dan Regresi.
Dalam bab 4 telah dibahas mengenai koefisien korelasi antara dua variabel X dan Y , yang
dimaksudkan untuk mengukur kuat tidaknya hubungan antara dua variabel tersebut. Makin besar
r, makin kuat hubungan dan makin kecil r, berarti makin lemah hubungan. Untuk hubungan tiga
variabel 𝑋2,𝑋3, dan Y, dapatdihitung tiga koefisien korelasi, yaitu:
𝑟12 = koefisien korelasi antara Y dan 𝑋2 (antara 𝑋2 dan Y)
𝑟13 = koefisien korelasi antara Y dan 𝑋3 (antara 𝑋3 dan Y)
𝑟23 = koefisien korelasi antara 𝑋2 dan 𝑋3( antara 𝑋3 dan 𝑋2)
Koefisien korelasi tersebut, masing-masing dinamakan koefisien korelasi sederhana
(simple coefficient of correlation) atau koefisien korelasi order nol (correlation coefficient of zero
order), hitung berdasarkan rumus berikut.
∑ x i yi
Antara X dan Y, 𝑟=
√∑ x2i √∑ y2i

∑ x2i yi
Antara 𝑋2 dan Y, 𝑟=
√∑ x22i √∑ y2i

∑ x3i yi
Antara 𝑋3 dan Y, 𝑟=
√∑ x23i √∑ y2i

∑ x2i y3i
Antara 𝑋2 dan 𝑋3 , 𝑟=
√∑ x22i √∑ y23i

26
 Apakah kenyataannya 𝑟12 mengykur kuat tidaknya hubungan antara Y dan 𝑋2 (antara 𝑋2 dan
Y) , apabila variabel ketiga (𝑋3) mungkin berhubungan / berkorelasi dengan 𝑋2 dan Y (kedua-
duanya)?
Apakah koefisien regresi 𝐵12 mengukur 𝑋2 terhadap Y kalau 𝑋3 juga tercakup dalam model
regresi? Sekarang jelaskan kalau 𝑋2 berada dalam model regresi, 𝑟12tidak mengukur kuat tidaknya
hubungan antara 𝑋2dan Y. Maka dari itu, kita memerlukan suatu koefisien korelasi yang bebas
dari pengaruh 𝑋3, kalau ada, baik terhadap 𝑋2 maupun terhadap Y. Yang kita cari adalah koefisien
korelasi antara 𝑋2 dan Y yang bersih atau bebas dari pengaruh 𝑋3. Koefisien korelasi yang
demikian itu disebut koefisien korelasi parsial (parsial correlation coefficient). Secara, konseptual,
sama pengertiannya dengan koefisien regresi parsial (partial regression coefficient).

Kita definisikan sebagai berikut:

𝑟12.3 = koefisien korelasi antara 𝑋2 dan Y, kalau 𝑋3 konstan
𝑟13.2 = koefisien korelasi antara 𝑋3 dan Y, kalau 𝑋2 konstan
𝑟23.1 = koefisien korelasi antara 𝑋2 dan 𝑋3, kalau Y konstan
Cara menghitung koefisien korelasi parsial diatas sama seperti menghitung koefisien regresi
parsial yang sudah diterangkan dalam bab 5 ini, juga mengikuti 3 fase, dimana fase yang ketiga
kita buat regresi 𝑤1 terhadap 𝑣1 , dimana 𝑌𝑖 dan 𝑋2𝑖 sudah dibebaskan dari pengaruh linear 𝑋3.
Kalau kita menghitung koefisien korelasi antara 𝑤𝑖 dan 𝑣𝑖 , sama halnya kita menghitung 𝑟12.3 ,
sebab 𝑋3 sekarang konstan.

Secara simbol:
𝑟𝑤𝑣 = 𝑟12.3
∑(wi − w
̅ )(vi − v̅)
= 2
̅ )2 ∑(vi −v̅)
√∑( wi − w
∑ w i vi
𝑟𝑤𝑣 = (5.43)
√∑ w2i ∑ v2i

Sebab 𝑤
̅ = 𝑣̅ = 0
𝑌𝑖 = 𝑏1.3+ 𝑏13𝑋3𝑖+ 𝑤 𝑤𝑖 = 𝑌𝑖 - 𝑏13 -𝑏13 𝑋3𝑖
𝑖

= 𝑦𝑖 - 𝑏13 𝑥3𝑖 (deviasi)

𝑋2𝑖 = 𝑏1.3+ 𝑏23 𝑋3𝑖+ 𝑣 = 𝑋2𝑖 - 𝑏2.3 -𝑏23 𝑋3𝑖
𝑖

27
 = 𝑥 - 𝑏23 𝑥3𝑖 (deviasi)

Ingat! Untuk hubungan dua variabel X danY, huruf kecil menunjukan deviasi.
∑ 𝑦𝑖2 = ∑ 𝑦̂2 2 2
𝑖 + ∑ 𝑒𝑖 bagi dengan ∑ 𝑦𝑖

1 =∑ 𝑦̂2 2 2 2 ̂2 2
𝑖 / ∑ 𝑦𝑖 - ∑ 𝑒𝑖 / ∑ 𝑦𝑖 padahal ∑ 𝑦𝑖 / ∑ 𝑦𝑖 = 𝑟
2

Jadi, 1 = 𝑟 2 + ∑ 𝑒𝑖2 / ∑ 𝑦𝑖2 , ∑ 𝑒𝑖2 = ∑ 𝑦𝑖2 (1 - 𝑟 2 )

Dengan alasan yang sama,

∑ 𝑤𝑖2 = ∑ 𝑦𝑖2 (1 - ∑ 𝑟13

2
)

∑ 𝑣𝑖2 = ∑ 𝑥21
2 2
(1 - ∑ 𝑟13 )

Perhatikan hal-hal berikut! Y= bx + e

𝑆𝑦 =√∑ 𝑦𝑖2 /𝑛

𝑆𝑥 = √∑ 𝑥𝑖2 /𝑛

∑ 𝑥𝑖 𝑦 𝑖
b = ∑ 𝑥𝑖2
`

2
∑ 𝑥𝑖 𝑦𝑖 √∑ 𝑦𝑖 √𝑛
= ∑ 𝑥𝑖2
√∑ 𝑦𝑖2 √𝑛

∑ 𝑥𝑖 𝑦 𝑖
=
√∑ 𝑦𝑖2 √∑ 𝑦𝑖2

√∑ 𝑦𝑖2 /𝑛
=
√∑ 𝑦𝑖2 /𝑛

𝑆𝑦 𝑆 𝑆
b = r 𝑆 . dengan jalan yang sama, 𝑏13 = 𝑟13 𝑆1 , 𝑏23 = 𝑟23 𝑆2
𝑥 3 3

dimana𝑆1 = √∑ 𝑦𝑖2 /𝑛 2
𝑆2 = √∑ 𝑦2𝑖 2
/𝑛 𝑆3 = √∑ 𝑦3𝑖 /𝑛

28
 ∑ 𝑥3𝑖 𝑦𝑖 ∑ 𝑥2𝑖 𝑦𝑖 ∑ 𝑥2𝑖 𝑦3𝑖
𝑟13= = 𝑟12 = 𝑟23 =
2 ∑ 𝑦2
√∑ 𝑦3𝑖 1
2 ∑ 𝑦2
√∑ 𝑦2𝑖 1 √∑ 𝑦22𝑖 ∑ 𝑦31
2

Dari (5.43);

1. Pembilang : ∑ wi vi =∑(𝑦𝑖−𝑏13𝑥3𝑖 ) (𝑥2𝑖−𝑏23𝑥3𝑖 )

2
= ∑ xi yi - 𝑏13 ∑ x2i x3i - 𝑏23 ∑ x3i yi + 𝑏13 b23 ∑ x3i
𝑆 𝑆 𝑆1 𝑆2 2
= ∑ x2i yi - 𝑟13 𝑆1 ∑ x2i x3i - 𝑟23 𝑆2 ∑ x3i yi + 𝑟13 𝑟23 ∑ 𝑥3𝑖
3 3 𝑆32

2 √∑ 2 𝑆
2 √∑ 2 2 √∑ 2 𝑆 𝑆1 𝑆2 2
= 𝑟12 √∑ 𝑥2𝑖 𝑦𝑖 - 𝑟13 𝑆1 𝑟23 √∑ 𝑥2𝑖 𝑥3𝑖 - 𝑟23 𝑆2 𝑟13 √∑ 𝑥3𝑖 𝑦𝑖 + 𝑟13 𝑟23 ∑ 𝑥3𝑖
3 3 𝑆32

𝑆 𝑆
= 𝑟12n 𝑆1 𝑆2 - 𝑟13 𝑆1 𝑟23n 𝑆2 𝑆3 - 𝑟23 𝑆2 𝑟13n 𝑆1 𝑆3 + 𝑟13 𝑟23 n𝑆1 𝑆2
3 3

= n 𝑆1 𝑆2 𝑟12 - 𝑟13 𝑆1 𝑟23 𝑛𝑆2 - 𝑟23 𝑆2 𝑟13 𝑛𝑆1 + 𝑟13 𝑟23 𝑛𝑆1 𝑆2
= n 𝑆1 𝑆2 (𝑟12- 𝑟13 𝑟23)

2. Penyebut : √∑ 𝑤𝑖2 ∑ 𝑣𝑖2 = √∑ 𝑦𝑖2 (1 − 𝑟13

2 √∑ 2
) 2
𝑥2𝑖 (1 − 𝑟23 )

= √∑ 𝑦𝑖2 √∑ 𝑥2𝑖
2 2
√(1 − 𝑟13 2
)√(1 − 𝑟23 )

2 2
= n 𝑆1 𝑆2 √(1 − 𝑟13 )√(1 − 𝑟23 )
𝑟12 −𝑟13 𝑟23
Jadi, 𝑟12.3 = (5.44)
2 √(1−𝑟 2
√(1−𝑟13 23

Dengan jalan yang sama:

𝑟13 −𝑟12 𝑟23
𝑟13.2 = (5.45)
2 √(1−𝑟 2
√(1−𝑟12 23

𝑟23 −𝑟12 𝑟13

𝑟23.2 = (5.46)
2 √(1−𝑟 2
√(1−𝑟12 13

Koefisien parsial dari (5.44(. (5.45), dan (5.46) disebut koefisien korelasi satu (first order
correlation coefficient). Kata order disini dimaksudkan banyaknya angka indeks
dibelakang titik.
𝑟13 = order nol, tidak ada angka dibelakang titik

29
 𝑟13.24 = order dua, ada dua angka dibelakang titik
𝑟13.245 = order tiga, ada tiga angka dibelakang titik
𝑟13.24 = koefisien korelasi antara 𝑋3 dan Y kalau 𝑋2 dan 𝑋4 tetap
𝑟13.245 = koefisien korelasi antara 𝑋3 dan Y kalau 𝑋2 , 𝑋4 , dan 𝑋5 tetap

5.4.1 Interpretasi Koefisien Korelasi Sederhanadan Parsial

Dalam hal hubungan dua variabel X dan Y, koefisien korelasi r mempunyai arti mengukur
kuatnya hubungan linear antara variabel tidak bebas Y dan variabel bebas X.
Kalau hubungan sudah mencakup lebih dari dua variabel, maka interprestasinya tidak semudah
itu. Sekarang perhatikan hal-hal berikut.
1. Dari (5.44) walaupun 𝑟12= 0, 𝑟12.3 belum tentu akan n ol, kecuali kalau 𝑟13 atau 𝑟23
mempunyai nilai nol, atau kedua-duanya nol.
2. Kalau 𝑟12= 0.𝑟13= 0, 𝑟23 = 0 dan mempunyai tanda yang sama, 𝑟12.3 akan negative, padahal
kalau tandanya berlawanan (yang satu plus dan yang satu minus), akan menjadi positif.
Sebagai contoh:
a. Y= produksi padi, 𝑋2 = curah hujan, 𝑋3 = suhu/ temperature. Kita anggap 𝑟12= 0 ,
yaitu tidak ada hubungan antara produksi padi dan curah hujan. Selanjutnya, kita
anggap bahwa 𝑟13 positif dan 𝑟23 negatif. Kemudian menurut (5.44), 𝑟12.3akan
positif, yaitu dengan menganggap 𝑋3 konstan (temperature tidak berubah), aka nada
hubungan yang positif antara produksi padi dan curah hujan.
b. Hal ini kelihatannya suatu hal yang bertentangan, tetapi sebetulnya tidak
mengherankan. Sebabnya ialah temperature (𝑋3 ) mempengaruhi kedua-duanya,
yaitu mempengaruhi produksi padi (Y) dan curah hujan (𝑋2 ), sehingga untuk
mencari hubungan yang bersih (net relationship) antara produksi padi (Y) dan curah
hujan (𝑋2 ), kita harus menghilangkan pengaruh temperature (𝑋3 )terhadap
keduanya. Contoh ini dimasukkan untuk menunjukan bahwa seseorang bias tersesat
didalam menginterprestasikan kosfisien korelasi sederhana r tanpa
memperhitungkan pengaruh variabel lainnya.

30
 3. 𝑟12.3 dan 𝑟12 tidak perlu mempunyai tanda yang sama.
4. Dalam hubungan dua variabel, kita telah melihat bahwa nilai 𝑟 2 terletak antara 0 dan 1.
Setiap kosfisien korelasi parsial kalau dikuadratkan juga mempunyai nilai antara 0 dan 1.
Bisa ditunjukan bahwa dari (5.44) dapat diperoleh hubungan berikut.
2 2 2
a. 0 ≤ 𝑟12 + 𝑟13 + 𝑟23 - 2𝑟12 𝑟13 𝑟23 ≤ 1
(5.47)
5. Misalkan, 𝑟13= 𝑟23 = 0. Apakah ini berarti bahwa 𝑟12 juga nol? Jawabannya bias dilihat
dari (5.47). kenyataannya ialah bahwa walaupun Y dan 𝑋3 serta 𝑋2 dan 𝑋3 tidak
berkolerasi, tidak berarti bahwa Y dan 𝑋2 tidak berkolerasi.

2
Selanjutnya, 𝑟12.3 disebut kosfisien determinasi parsial dan dapat diartikan sebagai
proporsi/ persentase sumbangan 𝑋2 terhadap variasi Y kalau 𝑋3 tetap. (𝑋3 tidak memberikan
sumbangan terhadap variasi Y).

Contoh Soal 5.3

Berdasarkan data dari BPS sebagai berikut:

Y : Rata-rata Hasil Padi

X2 : Rata-rata Curah Hujan

X3 : Rata-rata Jumlah Hari Hujan

Tahun 2010 2011 2012 2013 2014

Y 138,75 144,1666667 144,1666667 142,5 151

X2 297,4 277,9 189,35 267 168

X3 18 13 14 17 9

31
 Hitung :

a) S1,S2,S3

b) r12,r13,r23

c) r12.3,r13.2 dan r212.3,r213.2, apa artinya ?

Yi X2i X3i Yi2 X2i2 X3i2 X2iYi X3iYi X2iX3i

138,75 297,4 18 19.251,5625 88.446,76 324 41.264,25 2.497,5 5.353,2

144,1666667 277,9 13 20.784,02779 77.228,41 169 40.063,9166 1.874,1666 3.612,7

8 67
144,1666667 189,35 14 20.784,02779 35.853,4225 196 27.297,9583 2.018,3333 2.650,9
4 34
142,5 267 17 20.306,25 71.289 289 38.047,5 2.422,5 4.539

151 168 9 22.801 28.224 81 25368 1.359 1.512

∑ 𝐘𝐢 = ∑ 𝐗 𝟐𝐢 = ∑ 𝐗 𝟑𝐢 = ∑ 𝐘𝐢𝟐 = ∑ 𝐗 𝟐𝟐𝐢 = ∑ 𝐗 𝟐𝟑𝐢 = ∑ 𝐗 𝟐𝐢 𝐘𝐢 = ∑ 𝐗 𝟑𝐢 𝐘𝐢 = ∑ 𝐗 𝟐𝐢 𝐗 𝟑𝐢 =

720,5833334 1.199,65 71 103.926,8681 301.041,5925 1.059 172.041,625 10.171,5 17.667,8

̅
Yi = 144,1166666

̅
X2 = 239,93

̅ 3 = 14,2
X

n=5

2 2
∑ 𝑥2𝑖 = ∑ 𝑋2𝑖 − (∑ 𝑋2𝑖 )2 /𝑛

= 301.041,5925– (1.199,65)2 / 5

= 301.041,5925– 287.832,0245

= 13.209,568

32
 2 2
∑ 𝑥3𝑖 = ∑ 𝑋3𝑖 − (∑ 𝑋3𝑖 )2 /𝑛

= 1.059 – (71)2 / 5

= 1.059 – 1.008,2

= 50,8

∑ 𝑦𝑖2 = ∑ 𝑌𝑖2 − (∑ 𝑌𝑖 )2 /𝑛

= 103.926,8681– (720,5833334)2 / 5
=103.926,8681 – 103.848,06807
= 78,80003

∑ 𝑥2𝑖 𝑥3𝑖 = ∑ 𝑋2𝑖 𝑋3𝑖 − ∑ 𝑋2𝑖 ∑ 𝑋3𝑖 /𝑛

(𝟏.𝟏𝟗𝟗,𝟔𝟓)(71)
= 17.667,8- 5

= 17.667,8 – 17.035,03

= 632,77

∑ 𝑥2𝑖 𝑦𝑖 = ∑ 𝑋2𝑖 𝑌𝑖 − ∑ 𝑋2𝑖 ∑ 𝑌𝑖 /𝑛

(1.199,65).(720,5833334)
= 172.041,625-
5
= 172.041,625 – 172.889,55918
= -847,93418

∑ 𝑥3𝑖 𝑦𝑖 = ∑ 𝑋3𝑖 𝑌𝑖 − ∑ 𝑋3𝑖 ∑ 𝑌𝑖 /𝑛

(71)(720,5833334)
= 10.171,5 -
5

= 10.171,5 – 10.232,28333

= -60,783333

33
Pemecahan

∑x2i2 = 13.209,568 ∑x3i2 = 50,8 ∑yi2 = 78,80003

∑x2ix3i= 632,77 ∑x2iyi= -847,93418 ∑x3iyi= -60,783333

∑ 𝑦2𝑖
a). S1 = √ 𝑛

78,80003
=√ 5

= 3,9698874

∑ 𝑥22 𝑖
S2 =√ 𝑛

13.209,568
=√ 5

= 51,3995486

∑ 𝑥32 𝑖
S3 =√ 𝑛

50,8
=√ 5

= 3,1874754

∑ 𝑥2𝑖 𝑦𝑖
b). r12 =
2 √∑ 𝑦 2
√∑ 𝑥2𝑖 𝑖

−847,93418
=
√13.209,568√78,80003

−847,93418
=
(114,9328848)(8,8769380)

−847,93418
= 1.020,2521038

= -0,8311026

34
 ∑ 𝑥3𝑖 𝑦𝑖
r13 =
2 √∑ 𝑦 2
√∑ 𝑥3𝑖 𝑖

−60,783333
=
√50,8√78,80003

−60,783333
= (7,1274118)(8,8769380)

−60,783333
= 63,2695926

= -0,9607037

∑ 𝑥2𝑖 𝑥3𝑖
r23 =
2 √∑ 𝑥 2
√∑ 𝑥2𝑖 3𝑖

632,77
=
√13.209,568√50,8

632,77
= (114,9328848)(7,1274118)

632,77
= 819,1739993

= 0,77244883

𝑟12 −𝑟13 𝑟23

c). r12.3 =
2 )√(1−𝑟 2 )
√(1−𝑟13 23

−0,8311026−(−0,9607037)(0,77244883)
=
√1−(−0,9607037)2 √1−(0,77244883)2

−0,8311026−(−0,7420944)
=
√1−0,9229515√1−0,5966771

0,089008
=
√0,0770485√0,4033229

0,089008
= (0,2775761)(0,6350770)

0,089008
= 0,1762821

= -0,5049191
35
r212.3 = (0,5049191)2 = 0,2549432 . Artinya, kalau X3 konstan (tetap), maka sumbangan X2
terhadap variasi (naik turunnya) Y sebesar 25,4932%,

𝑟13 −𝑟12 𝑟23

r13.2 =
2 )√(1−𝑟 2 )
√(1−𝑟12 23

−0,9607037−(−0,8311026)(0,77244883)
=
√1−(−0,8311026)2 √1−(0,77244883)2

−0,9607037−(−0,6419842)
=
√1−0,6907315√1−0,5966771

−0,3187195
=
√0,3092268√0,4033229

−0,3187195
= (0,5560816)(0,6350770)

−0,3187195
= 0,3531546

= -0,9024928

r213.2 = (-0,9024928)2 = 0,8144932541 = 0,81 Artinya, kalau X2 konstan (tetap), maka

sumbangan X3 terhadap variasi Y sebesar 81%. Sedangkan sisanya disumbangkan oleh faktor
lain.

5.5 Hubungan Berbagai Koefisien Korelasidan Regresi, yang Sederhana, Parsial, dan
Berganda.
Dalam subbab 5.5 ini akan ditunjukan berbagai hubungan antara koefisien regresi dan
sederhana , antara koefisien regresi parsial dengan koefisien korelasi parsial, antara koefisien
determinasi berganda, sederhan, dan parsial.
Berbagai hubungan ini bias dibuktikan berdasarkan definisi dasrnya, dalam subbab 5.5 ini tidak
semua akan dibuktikan, namun sebagian akan dibuat latihan soal dalam akhir bab 5 ini untuk
dipecahkan oleh pembaca.

36
5.5.1 Hubungan Antara Koefisien Regresi Parsial, Sederhana, dan Koefisien Korelasi
Sederhana.
𝑏12 −𝑏23 𝑏32 𝑟12 −𝑟13 𝑟23 𝑆1
𝑏12.3 = = 2
1− 𝑏23 𝑏32 1−𝑟23 𝑆2
𝑏13 −𝑏12 𝑏23 𝑟13 −𝑟12 𝑟23 𝑆1
𝑏13.2 = = 2
1− 𝑏32 𝑏23 1−𝑟23 𝑆3

∑ 𝑥2𝑖 𝑦𝑖
Dimana 𝑏12 = koefisien regresi Y terhadap 𝑋2, 𝑏12 = 2
∑ 𝑥2𝑖
(5.48)
∑ 𝑥3𝑖 𝑦𝑖
𝑏13 = koefisien regresi Y terhadap 𝑋3, 𝑏13 = 2
∑ 𝑥3𝑖
(5.49)

∑ 𝑥3𝑖 𝑥2𝑖
b32 = koefisien regresi X3 terhadap 𝑋2′b32 = 2
∑ 𝑥2𝑖

∑ 𝑥2𝑖 𝑥3𝑖
b23 = koefisien regresi X2 terhadap 𝑋3′b23 = 2
∑ 𝑥3𝑖

S1= √∑ 𝑦𝑖2 /𝑛, S2 = √∑ 𝑦2𝑖

2 2
/𝑛, S3 = √∑ 𝑦3𝑖 /𝑛

Bukti :

2
(∑ 𝑥2𝑖 𝑦𝑖 )(∑ 𝑥3𝑖 )−(∑ 𝑥3𝑖 𝑦𝑖 )(∑ 𝑥2𝑖 𝑥3𝑖 ) (∑ 𝑥 2 )(∑ 𝑥 2 )
b12.3 = 2 )(∑ 𝑥 2 )−(∑ 𝑥 𝑥 )2 x (∑ 𝑥2𝑖 3𝑖
2 )(∑ 𝑥 2 )
(∑ 𝑥2𝑖 3𝑖 2𝑖 3𝑖 2𝑖 3𝑖

(∑ 𝑥2𝑖 𝑦𝑖 )(∑ 𝑥23𝑖 ) (∑ 𝑥3𝑖 𝑦𝑖 )(∑ 𝑥2𝑖 𝑥3𝑖 )

(∑ 𝑥2 )(∑ 𝑥 2 ) − (∑ 𝑥2 )(∑ 𝑥2 )
2𝑖 3𝑖 2𝑖 3𝑖
= (∑ 𝑥2𝑖 𝑥3𝑖 )(∑ 𝑥3𝑖 𝑥2𝑖)
1−
(∑ 𝑥2 2𝑖 ) (∑ 𝑥23𝑖 )

2
(∑ 𝑥2𝑖 𝑦𝑖 )/ ∑ 𝑥2𝑖 2
)−(∑ 𝑥3𝑖 𝑦𝑖 / ∑ 𝑥3𝑖 )(∑ 𝑥3𝑖 𝑥2𝑖 / ∑ 𝑦22𝑖 )
= 2 ) (∑ 𝑥 𝑥 /(∑ 𝑥 2 )
1− (∑ 𝑥2𝑖 𝑥3𝑖 /(∑ 𝑥3𝑖 3𝑖 3𝑖 2𝑖

𝑏12 −𝑏13 𝑏32

Jadi, b12.3 = terbukti!
1−𝑏23 𝑏32
𝑆 𝑆 𝑆 𝑆
b12 = r12𝑆1 , b13 = r13𝑆1 , b23 = r23𝑆2 , b32 = r13𝑆3
2 3 3 2

𝑏12 −𝑏13 𝑏32

b12.3 = 1−𝑏23 𝑏32
𝑟12 (𝑆1 /𝑆2 ) − 𝑟13 (𝑆1 /𝑆3 ) 𝑟32 (𝑆3 /𝑆2 )
= 1−𝑟23 (𝑆2 /𝑆3 ) 𝑟32 (𝑆3 /𝑆2 )

37
 𝑟12 (𝑆1 /𝑆2 ) − 𝑟13 (𝑆1 /𝑆3 ) 𝑟32 (𝑆3 /𝑆2 )
= 1−𝑟23 𝑟32
𝑟12 − 𝑟13 𝑟32 𝑆1
= , sebab r23 = r32
1−𝑟23 𝑟32 𝑆2

Jadi, terbukti bahwa :

𝑏12 −𝑏13 𝑏32 𝑟12 − 𝑟13 𝑟32 𝑆1
b12.3 = =
1−𝑏23 𝑏32 1−𝑟23 𝑟32 𝑆2

Dengan jalan yang sama, (5.49) dapat dibuktikan.

5.5.2 Hubungan Antara Koefisien Regresi Parsial dan Koefisien Korelasi Parsial
2 1/2
∑ 𝑒1.3𝑖
b12.3 = r12.3(∑ 𝑒 2 ) (5.50)
2.3𝑖

1/2
∑ 𝑒2
b12.3 = r13.2(∑ 𝑒1.2𝑖
2 ) (5.51)
3.2𝑖

dimana
2
∑ 𝑒1.3𝑖 = jumlah kuadrat kesalahan pengganggu dalam regresi Y terhadap x3’
2
∑ 𝑒1.2𝑖 = jumlah kuadrat kesalahan pengganggu dalam regresi Y terhadap x2’
2
∑ 𝑒2.3𝑖 = jumlah kuadrat kesalahan pengganggu dalam regresi X2 terhadap x3’
2
∑ 𝑒3.2𝑖 = jumlah kuadrat kesalahan pengganggu dalam regresi X3 terhadap x2’
Telah ditunjukkan sebelumnya, bahwa untuk hubungan dua variabel X dan Y1∑ 𝑒𝑖2
Jadi, dalam hal ini :
2
∑ 𝑒1.2𝑖 = ∑ 𝑦12(1-𝑟12
2
)
2
∑ 𝑒1.3𝑖 = ∑ 𝑦12(1-𝑟13
2
)
2 2 2
∑ 𝑒2.3𝑖 = ∑ 𝑥2𝑖 (1-𝑟23 )
2 2 2
∑ 𝑒3.2𝑖 = ∑ 𝑥3𝑖 (1-𝑟32 )
𝑟12 −𝑟13 𝑟23
r12.3= , r23 = r32
2 √1−𝑟 2
√1−𝑟13 23

Bukti :
𝑟12 − 𝑟13 𝑟23 𝑆1
b12.3 = 2
1−𝑟23 𝑆2

38
 1/2
(√∑ 𝑦𝑖2 /𝑛) 2
√1−𝑟13
𝑟12 − 𝑟13 𝑟23
= 2 1/2
1−𝑟23
2 /𝑛)
(√∑ 𝑥2𝑖 2
√1−𝑟13

1/2
(√∑ 𝑦𝑖2 /𝑛) 2
√1−𝑟13
𝑟12 −𝑟13 𝑟23
= 1/2
2 √1−𝑟 2 √1−𝑟 2
√1−𝑟23 2 /𝑛)
23 13 (√∑ 𝑥2𝑖

1/2
𝑟12 −𝑟13 𝑟23 {∑ 𝑦𝑖2 (1−𝑟13
2 )}
= 2 2 1/2
2 √1−𝑟 2 {∑ 𝑥 (1−𝑟23 )}
√1−𝑟13 23 2𝑖

∑ 𝑒2
Jadi, b12.3 = r12.3 (∑ 𝑒1.3𝑖
2 ) terbukti,
2.3𝑖

5.5.3 Hubungan Antara R2 dengan Koefisien Korelasi Sederhana dan Parsial

2 +𝑟 2 −2𝑟 𝑟 𝑟
𝑟12 13 12 13 23
R2 = 2 (5.52)
1−𝑟23
2 2 2
R2 = 𝑟12 + (1 − 𝑟12 )𝑟13.2 (5.53)
2 2 2
R2 = 𝑟13 + (1 − 𝑟13 )𝑟12.3 (5.54)
Bukti (5.52) :
2 𝑏12.3 ∑ 𝑥2𝑖 𝑦𝑖 +𝑏13.2 ∑ 𝑥3𝑖 𝑦𝑖
R2 = 𝑅1.23 = ∑ 𝑦𝑖2

Telah ditunjukkan bahwa :

𝑟12 − 𝑟13 𝑟23 𝑆1
b12.3 = 1−𝑟32 𝑆2
𝑟13 − 𝑟12 𝑟23 𝑆1
b13.2 = 2
1−𝑟23 𝑆3
1/2 1/2
(√∑ 𝑦𝑖2 /𝑛) (√∑ 𝑦𝑖2 /𝑛)
2 𝑟13 − 𝑟12 𝑟23 ∑ 𝑥2𝑖 𝑦𝑖 𝑟13 − 𝑟12 𝑟23 ∑ 𝑥3𝑖 𝑦𝑖
𝑅1.23 = 2 ∑ 𝑦𝑖2 1/2 + 2 ∑ 𝑦𝑖2 1/2
1−𝑟23 1−𝑟23
2 /𝑛)
(√∑ 𝑥2𝑖 2 /𝑛)
(√∑ 𝑥3𝑖

𝑟12 − 𝑟13 𝑟23 ∑ 𝑥2𝑖 𝑦𝑖 √∑ 𝑦𝑖2 𝑟13 − 𝑟12 𝑟23 ∑ 𝑥3𝑖 𝑦𝑖 √∑ 𝑦𝑖2
= 2 + 2
1−𝑟23 1−𝑟23
√∑ 𝑦𝑖2 √∑ 𝑦𝑖2 √∑ 𝑥2𝑖
2 √∑ 𝑦𝑖2 √∑ 𝑦𝑖2 √∑ 𝑥3𝑖
2

(𝑟12 − 𝑟13 𝑟23 )𝑟12 + (𝑟13 − 𝑟12 𝑟23 )𝑟13

= 2
1−𝑟23
2 −𝑟 𝑟 𝑟 +𝑟 2 −𝑟 𝑟 𝑟
𝑟12 12 13 23 13 12 13 23
= 2
1−𝑟23
2 +𝑟 2 −2𝑟 𝑟 𝑟
𝑟12 13 12 13 23
Jadi, R2= 2 , terbukti
1−𝑟23

39
 Perhatikan! Pangkat 1/2 berarti akar pangkat 2 ()

Bukti (5.54) :
2 2 2
R2 = 𝑟13 + (1 − 𝑟13 )𝑟12.3
2 (𝑟 − 𝑟 𝑟 ) 2
12 13 23
𝑟12.3 = (1−𝑟 2 )(1−𝑟 2 )
23 23
2 2𝑟 𝑟 𝑟 +𝑟 2 𝑟 2
𝑟12 12 13 23 13 23
= 2 )(1−𝑟 2 )
(1−𝑟13 23
2 +𝑟 2 −2𝑟 𝑟 𝑟
𝑟12 13 12 13 23
R2 = 2 , sudah dibuktikan.
1−𝑟23

2 +𝑟 2 −2𝑟 𝑟 𝑟
𝑟12 13 12 13 23
R2 = 2
1−𝑟23
2 −𝑟 2 𝑟 2 +𝑟 2 𝑟 2 +𝑟 2 −2𝑟 𝑟 𝑟
𝑟13 13 23 13 23 12 12 13 23
= 2
1−𝑟23
2 −𝑟 2 𝑟 2 +𝑟 2 −2𝑟 𝑟 𝑟
𝑟13 2 2
13 23 12 12 13 23+ 𝑟13 𝑟23
= 2
1−𝑟23
2 (1−𝑟 2 )−(𝑟 2 −2𝑟 𝑟 𝑟
𝑟13 2 2
13 12 12 13 23+ 𝑟13 𝑟23 )
= 2
1−𝑟23

2 (1−𝑟 2 ) (𝑟12
2 −2𝑟 𝑟 𝑟 2 2
12 13 23+ 𝑟13 𝑟23 )
= 𝑟13 + (1−𝑟13
2 ) 2 )
(1−𝑟13
13
2 −2𝑟 𝑟 𝑟
(𝑟12 2 2
2 (1 2) 12 13 23+ 𝑟13 𝑟23 )
= 𝑟13+ − 𝑟13 2 )
(1−𝑟13
2 2 2
Jadi, R2 = 𝑟13 + (1 − 𝑟13 )𝑟12.3 , terbukti.

Contoh Soal 5.4

Berdasarkan data contoh soal 5.3

1) Hitunglah
b12 −b12 b32
b12.3 = 1− b23 b32
r12 −r13 r23 S1
b12.3 = 1−r223 S2

b13 −b12 b23

2) b13.2 = 1− b32 b23
r13 −r12 r23 S1
b13.2 = 1−r223 S3

40
Pemecahan
∑x2i2 = 13.209,568 ∑x3i2 = 50,8 ∑yi2 = 78,80003

∑x2ix3i= 632,77 ∑x2iyi= -847,93418 ∑x3iyi= -60,783333

∑ x2i yi
b12 =
∑x22i

−847,93418
=
13.209,568

= -0,0641909

∑ x3i yi
b13 =
∑x23i

−60,783333
=
50,8

= -1,1965223

∑ x2i x3i
b23 =
∑x23i

632,77
=
13.209,568

= 0,0479023

∑ x3i x2i
b32 =
∑x22i

632,77
=
50,8

= 12,4561023

41
 b12 −b13 b32
b12.3 =
1− b23 b32

−0,0641909– (−1,1965223) (0,0479023)

=
1−(12,4561023)( 0,0479023)

−0,0641909−(−0,0573161)
=
1−0,6106355

−0,0068784
=
0,3893645

= -0,0176564

∑ x2i yi
r12 =
√∑ x22i ∑ y2i

−847,93418
=
√(13.209,568)( 78,80003)

−847,93418
= (114,9328847)(8,8769380)

−847.93418
=
1.286,560,2316

= -0,0065956

∑ x3i yi
r13 =
√∑ x23i ∑ y2i

−60,783333
=
√(50,8)(78,80003)

−60,783333
= (7,1274118)(8,8769380)

−60,783333
=
63,2695926

= -0,9607037

42
 Σx2i x3i
r23 =
√∑ x22i ∑ x23i

−632,77
=
√(13.209,568) ( 50,8)

632,77
= (114,9328847)(7,1274118)

632,77
=
819,1739986

= 0,7724488

S1= 3,9698874

S2= 51,3995484

S3= 3,1874754

r12 −r13 r23 S1

b12.3 =
1−r223 S2
−0,0065956−(−1,1965223)(0,7724488 ) 3,9698874
=
1−(0,7724488)2 51,3995
−0,0065956−(−0,7420944)
= (0,0772358)
1−0,5966771
0,7354988 (−0,0772358)
=
0,4033229
−0,05680683
=
0,4033229
= -0,1408470

b13 −b12 b23

b13.2 =
1− b32 b23

−1,1965223– (−0,0641909)(0,479023)
=
1−(12,4561023)(0,0479023)

43
 −1,1965223−(−0,3074891)
=
1−0,5966759

−0,8890331
=
0,4033241

= -2,2042647

r13 −r12 r23 S1

b13.2 =
1−r223 S3
−0,9607037−(−0,0641909)(0,7724488 ) 3,9698874
=
1−(0,7724488)2 3,1874754
−0,9607037−(−0,0495841)
= (1,2454644)
1−0,5966771
−0,9111196 (1,2454644)
=
0,4033229
−1,1347670
=
0,4033229
= -2,8135446

44
 Daftar Pustaka

Badan Pusat Statistik

Supranto, J. 2005. Ekonometri. Bogor : Ghalia Indonesia

45