Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta

REGRESI BERGANDA DAN PEGUJIAN ASUMSI KLASIK

Dalam statistik, regresi linier adalah pendekatan linier untuk memodelkan hubungan
antara respons skalar dengan satu atau lebih variabel penjelas. Kasus satu variabel
penjelas disebut regresi linier sederhana. Untuk lebih dari satu variabel penjelas
disebut regresi linier berganda.
Regresi linier berganda adalah bentuk paling umum dari analisis regresi linier. Sebagai
analisis prediktif, regresi linier berganda digunakan untuk menjelaskan hubungan
antara satu variabel dependen kontinu dan dua atau lebih variabel independen.
Variabel independen dapat kontinu atau kategori (dummy diberi kode yang sesuai).

Asumsi:
1. Residu regresi harus didistribusikan secara normal.
2. Hubungan linear diasumsikan antara variabel dependen dan variabel
independen.
3. Residualnya adalah homoscedastik dan kira-kira berbentuk persegi panjang.
4. Tidak adanya multikolinieritas diasumsikan dalam model, yang berarti bahwa
variabel independen tidak terlalu berkorelasi tinggi.

Manfaat Regresi

Ada 3 kegunaan utama untuk analisis regresi linier berganda.

Pertama, ini dapat digunakan untuk mengidentifikasi kekuatan efek yang dimiliki
variabel independen terhadap variabel dependen.
Kedua, dapat digunakan untuk memperkirakan efek atau dampak perubahan. Yaitu,
analisis regresi linier berganda membantu kita untuk memahami seberapa besar
variabel dependen akan berubah ketika kita mengubah variabel independen.
Ketiga, analisis regresi linier berganda memprediksi tren dan nilai-nilai masa depan.
Analisis regresi linier berganda dapat digunakan untuk mendapatkan estimasi titik.

Ketika memilih model untuk analisis regresi linier berganda, pertimbangan penting
lainnya adalah model yang sesuai. Menambahkan variabel independen ke model

Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.

Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta

regresi linier berganda akan selalu meningkatkan jumlah varians yang dijelaskan dalam
variabel dependen (biasanya dinyatakan sebagai R²). Oleh karena itu, menambahkan
terlalu banyak variabel independen tanpa justifikasi teoretis dapat menghasilkan model
yang terlalu sesuai.

Contoh :

Berikut ini persamaan regresi berganda :

GDP = β0 + β1 GFCF + β2 TR + β3 TRADE + β4 AK+ β5 IVA + ε

atau

LOG(GDP) = β + β1LOG(GFCF) + β2LOG(TR) + β3LOG(TRADE) +

β4LOG(AK) + β5LOG(IVA) + ε
Dimana

GDP Gross Domestic Product

GFCF Gross fixed capital formation
TR Penerimaan Pajak
TRADE Nilai Perdagangan
AK Angkatan Kerja
IVA Nilai Tambah Industri

Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.

Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta

Studi Kepustakaan
(Teori dan Studi Terdahulu)

Identifikasi Variabel Penelitian dan

Pembentukan Model

Revisi Pembuatan Hipotesis

Tidak Proses Pengumpulan Data

Pengolahan Data
Memenuhi Uji Spesifikasi Model dan Uji Asumsi
Klasik

Ya
Estimasi Model dan
Pengujian Hipotesis

Kesimpulan dan Rekomendasi

Gambar 1

Langkah-Langkah Penelitian

Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.

 Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta

Data Makro Negara ABCDEFG

Tahun GDP Kurs GFCF TR Trade IVA

1986 2,047,292,604,338,300 1,283 525,767,839,086,000 14,993,000,000,000 819,472,884,152,016 798,544,781,014,800
1987 2,155,799,176,654,500 1,644 554,680,733,051,900 18,827,000,000,000 998,818,533,420,652 848,962,545,204,100
1988 2,292,814,846,746,000 1,686 618,517,644,265,400 21,435,000,000,000 1,083,459,633,537,290 907,301,991,769,700
1989 2,501,110,525,830,700 1,770 710,782,070,626,400 26,678,000,000,000 1,227,592,114,499,590 1,053,730,190,492,900
1990 2,726,249,821,167,800 1,843 825,058,186,077,300 37,431,600,000,000 1,441,964,271,955,940 1,161,956,026,945,300
1991 2,969,643,847,614,300 1,950 931,494,177,183,200 39,098,000,000,000 1,628,539,758,976,440 1,277,017,158,693,800
1992 3,184,067,029,251,900 2,030 964,890,833,384,600 44,499,900,000,000 1,828,527,952,182,690 1,503,686,756,495,200
1993 3,415,041,652,725,900 2,087 1,028,569,876,323,000 47,344,000,000,000 1,725,393,071,594,540 1,482,119,880,662,300
1994 3,672,538,070,470,900 2,161 1,170,056,947,025,800 60,958,000,000,000 1,905,206,289,918,400 1,647,643,312,108,300
1995 3,980,897,516,197,100 2,249 1,333,804,863,859,200 68,017,000,000,000 2,148,036,149,401,290 1,819,329,402,675,000
1996 4,285,149,005,555,500 2,342 1,527,398,594,230,900 75,810,000,000,000 2,239,622,144,209,320 2,013,806,086,902,600
1997 4,486,545,547,065,900 2,909 1,658,266,039,607,700 100,505,700,000,000 2,512,191,662,450,940 2,117,949,036,253,500
1998 3,897,609,098,897,500 10,014 1,110,903,117,229,100 143,626,700,000,000 3,748,961,858,536,470 1,822,466,026,611,800
1999 3,928,444,247,354,300 7,855 908,769,274,450,800 179,430,400,000,000 2,472,716,527,537,000 1,858,334,024,795,000
2000 4,121,726,241,993,900 8,422 1,060,872,288,362,200 99,643,790,476,190 2,944,432,464,112,750 1,967,791,836,600,200
2001 4,271,899,954,667,000 10,261 1,129,749,087,480,800 190,614,200,000,000 2,981,495,922,803,340 2,021,590,172,211,700
2002 4,464,113,041,849,300 9,311 1,182,784,395,845,000 215,467,500,000,000 2,637,374,038,628,250 2,107,764,749,213,200
2003 4,677,514,123,258,600 8,577 1,189,884,726,120,600 249,404,313,253,852 2,507,919,080,077,860 2,186,913,010,032,200
2004 4,912,833,962,560,100 8,939 1,364,599,072,554,300 283,093,000,000,000 2,935,973,057,506,130 2,273,100,844,234,100
2005 5,192,500,538,917,800 9,705 1,513,164,999,669,000 312,488,056,626,926 3,322,573,914,833,110 2,380,026,639,458,400
2006 5,478,137,490,010,100 9,159 1,552,460,084,009,500 343,625,377,952,311 3,103,755,304,808,870 2,486,855,317,982,500
2007 5,825,726,531,358,900 9,141 1,697,209,598,268,500 374,762,699,277,696 3,194,202,162,925,520 2,604,234,878,138,900
2008 6,176,068,457,506,700 9,699 1,898,942,099,974,500 658,701,000,000,000 3,616,792,130,902,920 2,701,585,275,030,700
2009 6,461,950,710,551,600 10,390 1,961,482,072,067,500 619,922,000,000,000 2,940,970,850,172,160 2,798,525,931,939,900
2010 6,864,133,100,000,000 9,090 2,127,840,682,000,000 723,307,000,000,000 3,205,637,598,235,500 2,936,192,400,000,000
2011 7,287,635,300,000,000 8,770 2,316,359,104,097,800 873,874,000,000,000 3,656,936,354,349,880 3,122,633,400,000,000

Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.

 Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta

Tahun GDP Kurs GFCF TR Trade IVA

2012 7,727,083,400,000,000
2013 8,156,497,800,000,000
2014 8,566,271,200,000,000
2015 8,976,931,500,000,000
2016 8,164,934,610,302,790
2017 8,380,512,700,553,410
2018 8,596,090,790,804,030
Sumber : Data Hipotesis
9,387 2,527,728,790,484,400 980,518,000,000,000 3,831,311,903,721,210 3,288,298,000,000,000
10,461 2,654,375,036,700,900 1,077,310,000,000,000 3,967,106,232,237,770 3,431,080,900,000,000
11,865 2,775,733,579,064,600 1,145,282,928,434,310 4,116,716,178,297,760 3,577,694,800,000,000
13,389 2,916,601,630,562,700 1,164,554,577,386,610 3,764,719,516,265,140 3,672,595,500,000,000
12,935 2,542,077,573,709,210 935,748,526,661,157 4,201,921,841,339,830 3,547,268,352,813,750
13,343 2,612,020,756,005,150 974,202,791,298,637 4,304,178,262,152,610 3,638,770,115,628,690
13,751 2,681,963,938,301,090 1,012,657,055,936,110 4,406,434,682,965,400 3,730,271,878,443,630

Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.

Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta

Ketik data tersebut dalam Excell dan beri nama file tersebut dengan nama data
hipotesis ABCDFEG, kemudian tutup file tersebut.

Buka Eviews

Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.

Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta

Muncul di layar

Isi Date specification dengan

Start date : 1986

Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.

Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta

End date : 2018

Kemudian data yang telah kita buat di excel, kita pindahkan ke eviews

Klik file  import  Import from file …

maka akan muncul di layar

Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.

Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta

Cari file yang akan diimport dan klik  open

Klik  Next

Klik  Next

Klik  Finish

Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.

Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta

Maka di layar akan muncul

Cara Melakukan Regresi

Klik  Quick  Estimate Equation …

Lalu muncul

Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.

Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta

Klik  OK
Koefisien ada
yang sangat besar
dan ada yang kecil

Kemudian semua data kita log (Logaritma), sehingga persamaannya

LS LOG(GDP) C LOG(GFCF) LOG(TR) LOG(TRADE) LOG(AK) LOG(IVA)

Klik  Estimate

Klik  OK

Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.

Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta

Koefisien
menunjukan
angka elastisitas

Uji Asumsi Klasik

Uji asumsi klasik yang digunakan dalam regresi linier dengan pendekatan Ordinary
Least Squared (OLS) meliputi uji Linieritas, uji Normalitas. Uji Autokorelasi, uji
Heteroskedastisitas, dan uji Multikolinieritas Walaupun demikian, tidak semua uji
asumsi klasik harus dilakukan pada setiap model regresi linier dengan pendekatan
OLS.

1. Uji linieritas hampir tidak dilakukan pada setiap model regresi linier. Karena
sudah diasumsikan bahwa model bersifat linier. Kalaupun harus dilakukan
semata-mata untuk melihat sejauh mana tingkat linieritasnya.
2. Uji normalitas pada dasarnya tidak merupakan syarat BLUE (Best Linier Unbias
Estimator) dan beberapa pendapat tidak mengharuskan syarat ini sebagai
sesuatu yang wajib dipenuhi.

Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.

Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta

3. Autokorelasi hanya terjadi pada data time series. Pengujian autokorelasi pada
data yang tidak bersifat time series (cross section atau panel) akan sia-sia semata
atau tidaklah berarti.
4. Multikolinieritas perlu dilakukan pada saat regresi linier menggunakan lebih
dari satu variabel bebas. Jika variabel bebas hanya satu, maka tidak mungkin
terjadi multikolinieritas.
5. Heteroskedastisitas biasanya terjadi pada data cross section, dimana data panel
lebih dekat ke ciri data cross section dibandingkan time series.

Uji Normalitas

Klik  View  Residual Diagnostics  Histogram – Normality Test

Hasil uji nya sebagai berikut

Nilai Probability > 0.05, maka model tersebut datanya terdistribusi normal

Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.

Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta

Uji Linearitas

Klik  View  Stability Diagnostics  Ramsey RESET Test …

Muncul di layar

Klik  OK

Karena nilai probability F-statistic < 0.05 berarti model persamaan regresinya tidak
linear

Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.

Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta

Uji Autokorelasi

Klik  View  Residual Diagnostocs  Serial Correlation LM Test …

Muncul

Klik  OK

Karena nilai probability Obs*Rsquared < 0.05 berarti model persamaan regresinya
mengandung autokorelasi

Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.

Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta

Uji Heteroskedastisitas

Klik  View  Residual Diagnostocs  Heteroskedastisitas Tests …

Selanjutnya klik  White

Karena nilai probability Obs*Rsquared > 0.05 berarti model persamaan regresinya
tidak mengandung heteroskedastisitas (homoskedastisitas)

Uji Multikolinearitas
Uji multikolinearitas digunakan untuk menilai adakah korelasi atau interkorelasi antar
variabel bebas dalam model regresi atau juga biasa digunakan untuk mengetahui ada
atau tidaknya penyimpangan asumsi klasik multikolinearitas yaitu adanya hubungan
linear antar variabel independen dalam model regresi. Pada Pengujian ada tidaknya
gejala multikolinearitas dilakukan dengan melihat nilai VIF (Variance Inflation Factor)
dan Tolerance.

Hipotesis :

H0 : Terdapat masalah multikolinearitas

H1 : Tidak terdapat masalah multikolinearitas

Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.

Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta

Probabilitas < 10, H0 ditolak, H1 diterima

Probabilitas > 10, H1 ditolak, H0 diterima

Berikut ini langkah uji VIF dan TOL

Klik  View  Coefficient Diagnostics  Variance Inflation Factors

Dan hasilnya

Nilai Centered VIF diatas 10, berarti model mengandung multikolinearitas.

Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.

Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta

Cara Lain pengujian multikolinearitas

Blok semua variabel seperti di bawah ini

Kemudian klik kanan  copy

Kemudian klik  Quick  Group Statistics  Correlations

Klik  OK

Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.

Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta

Hampir semua variabel memiliki nilai correlation di atas 0,85, berarti model
mengandung multikolinearitas.

Atau dengan dengan membandingkan R2

a. LS LOG(GDP) C LOG(GFCF) LOG(TR) LOG(TRADE) LOG(AK)
LOG(IVA) hitung R21
b. LOG(GFCF) C LOG(TR) LOG(TRADE) LOG(AK) LOG(IVA) hitung R22
c. LOG(TR) C LOG(GFCF) LOG(TRADE) LOG(AK) LOG(IVA) hitung R23
d. LOG(TRADE) C LOG(GFCF) LOG(TR) LOG(AK) LOG(IVA) hitung R24
e. LOG(AK) C LOG(GFCF) LOG(TR) LOG(TRADE) LOG(IVA) hitung R25
f. LOG(IVA) C LOG(GFCF) LOG(TR) LOG(TRADE) LOG(AK) hitung R26
Model tersebut tidak mengandung Multikolinearitas jika :

R21 > R22 , R23, R24, R25, R26,

Nilai R21 = 0,9987

Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.

Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta

Nilai R22 = 0,9691

Nilai R22 = 0,9781

Nilai R22 = 0,9457

Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.

Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta

Nilai R22 = 0,9870

Nilai R22 = 0,9928

Karena nilai R21 > R22 , R23, R24, R25, dan R26
0,9987 > 0,9691, 0,9781, 0,9457, 0,9870 dan 0,9928

Maka model tersebut tidak mengandung Multikolinearitas

Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.

Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta

Hasil Persamaan regresi diatas

Estimation Command:
=========================
LS LOG(GDP) C LOG(GFCF) LOG(TR) LOG(TRADE) LOG(AK) LOG(IVA)

Estimation Equation:
=========================
LOG(GDP) = C(1) + C(2)*LOG(GFCF) + C(3)*LOG(TR) + C(4)*LOG(TRADE) +
C(5)*LOG(AK) + C(6)*LOG(IVA)

Substituted Coefficients:
=========================
LOG(GDP) = 4.6489 + 0.3739 LOG(GFCF) + 0.0498 LOG(TR) - 0.0688 LOG(TRADE) +
0.7019 LOG(AK) + 0.1781 LOG(IVA)

Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.

Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta

DAFTAR PUSTAKA

Gujarati, D. N. (2009). Basic econometrics. Tata McGraw-Hill Education.

Basuki, A. T., & Prawoto, N. (2016). ANALISIS REGRESI DALAM PENELITIAN

EKONOMI & BISIS (DILENGKAPI APLIKASI SPSS & EVIEWS).

Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.