Uji Asumsi Regresi Berganda Normalitas
Uji Asumsi Regresi Berganda Normalitas
- Normalitas
Langkah-langkahnya :
Analyze → Regresi → Linier
Pindahkan variabel terikat ( dependen) (Y) ke Dependent
Pindahkan variabel bebas ( independen) (X) ke Independent
Method → pilih Enter
Tekan tombol Plot
Aktipkan Normal probability plot
Abaikan (kosongkan) bagian lain dan tekan tombol Continue
Tekan Oke
Deteksi Normalitas
Jika data menyebar disekitar garis diagonal (dependen) dan mengikuti arah garis
diagonal, maka model regresi memenuhi asumsi Normalitas.
Jika data menyebar jauh dari garis diagonal dan tidak mengikuti arah garis diagonal,
maka model regresi tidak memenuhi asumsi normalitas.
- Heteroskedastisitas
Persamaan Regresi Berganda yang baik adalah tidak terjadi atau terbebas dari masalah
Heteroskedastisitas. Atau harus homoskedastisitas.
Langkah-langkahnya :
Analyze → Regresi → Linier
Pindahkan variabel terikat ( dependen) (Y) ke Dependent
Pindahkan variabel bebas ( independen) (X) ke Independent
Method → pilih Enter
Tekan tombol Plot
Masukkan variable SRESID pada sumbu (pilihan) Y
Masukkan variable ZPRED pada sumbu (pilihan) X
Abaikan (kosongkan) bagian lain dan tekan tombol Continue
Tekan OK
Analisis
Berdasarkan grafik diatas memperlihatkan titik-titiknya menyebar secara acak, tidak
membentuk sebuah pola tertentu yang jelas, serta tersebar baik diatas maupun dibawah angka
nol pada sumbu Y . Hal ini artinya tidak terjadi adanya heteroskedastisitas pada persamaan
regresi, sehingga model regresi layak dipergunakan untuk dasar prediksi.
Langkah-langkahnya :
Analyze → Regresi → Linier
Pindahkan variabel terikat ( dependen) (Y) ke Dependent
Pindahkan variabel bebas ( independen) (X) ke Independent
Method → pilih Enter
Tekan tombol Statistics ….
Aktipkan Durbin-Watson pada bagian Residuals
Abaikan (kosongkan) bagian lain dan tekan tombol Continue
Tekan Ok
Deteksi Autokorelasi
Variables Entered/Removed
Variables Variables
Model Entered Removed Method
1 Assurance, . Enter
Responsive,
Tangible,
Emphaty,
Reabilitya
ANOVAb
Total 1005.247 84
Patokan DURBIN-WATSON
Perhatikan hasil nilai (besaran) DURBIN WATSON (D.W)
Angka D.W di bawah – 2 berarti ada Autokorelasi positif.
Angka D.W diantara – 2 sampai + 2 , berarti tidak ada Autokorelasi.
Angka D.W di atas + 2 berarti ada Autokorelasi negatif.
Analisis
Dari tabel Model Summary nilai Durbin Watson adalah 1,531, hal ini berarti model regresi diatas tidak
terdapat atau terbebas dari masalah Autokorelasi
Jika terdapat masalah Autokorelasi, maka model regresi menjadi tidak layak untuk dipakai dasar prediksi.
Autokorelasi bisa diatasi dengan cara sebagai berikut antara lain :
Melakukan transformasi data.
Menambahkan data observasi
- Multikolinieritas
Model regresi yang baik adalah tidak terjadinya multikolinieritas.
Multikolinieritas adalah adanya korelasi diantara variabel independent.
Langkah-langkahnya :
Analyze → Regresi → Linier
Pindahkan variabel terikat ( dependen) (Y) ke Dependent
Pindahkan variabel bebas ( independen) (X) ke Independent
Method → pilih Enter
Tekan tombol Statistics ….
Nonaktifkan pilihan Estimates dan model Fit
Aktifkan pilihan covariance matrix dan colinierity diagnotics
Abaikan (kosongkan) bagian lain dan tekan tombol Continue
Tekan Ok
Deteksi
Variables Entered/Removed
Coefficientsa
Collinearity Statistics
Collinearity Diagnosticsa
Variance Proportions
Dimensi
Model on Eigenvalue Condition Index (Constant) Tangible Emphaty Reability Responsive Assurance
Analisis
Dari hasil analisis tabel coefficient memperlihatkan nilai VIF dari kelima variabel bebas tidak
disekitar satu yaitu nilainya 3,474 : 3,787 ; 4,812 ; 3,502 ; 2,369 dan nilai Tolerance tidak
mendekati satu yaitu : 0,288 ; 0,264 ; 0,208 ; 0,286 ; 0,422 , dengan demikian dapat disimpulkan
model regresi tersebut terdapat multikolinieritas.
Pada bagian Coefficient Corelation terlihat korelasi diantara masing-masing variabel bebas
berkorelasi tinggi, untuk membuat terbebas dari masalah multikolinieritas hurus
menghilangkan variabel yang berkorelasi tinggi