Anda di halaman 1dari 7

REGRESI

MULTIVARIABEL
METODE : STEP WISE DAN
TRIAL AND ERROR
PUJI SUKMANINGSIH
D1091171012
Regresi Stepwise
Regresi Stepwise adalah salah satu metode untuk mendapatkan model
terbaik dari sebuah analisis regresi. Secara definisi adalah gabungan
antara metode forward dan backward, variabel yang pertama kali
masuk adalah variabel yang korelasinya tertinggi dan significant
dengan variabel dependent, variabel yang masuk kedua adalah
variabel yang korelasi parsialnya tertinggi dan masih significant, setelah
variabel tertentu masuk ke dalam model maka variabel lain yang ada di
dalam model dievaluasi, jika ada variabel yang tidak significant maka
variabel tersebut dikeluarkan.
Pendekatan
analisis
mengikuti
tahapan
regresi
multivariant
Regresi Stepwise Dengan Langkah Algoritma

Variabel selanjutnya Saat variabel tambahan


Penentuan Variabel Interpretasi
yang masuk ke masuk ke dalam persamaan,
matriks korelasi bebas yang model
persamaan kontribusi individu untuk
antara variabel mempunyai yang
adalah salah satu jumlah kuadrat regresi
dependen koefisien korelasi diperoleh
variabel lain dari variabel lainnya yang
Y (hasil, t/ha) dengan variabel mempunyai kontribusi sudah masuk dalam
terhadap dependen adalah signifikan persamaan dihitung
variabel bebas variabel pertama pada jumlah kuadrat signifikansinya
(X1-X14) yang masuk ke signifikan dari variabel menggunakan F
persamaan regresi yang masuk pada test. Jika statistik F kurang
persamaan regresi dari nilai yang disebut F
yang ditentukan oleh to remove, maka variabel
F test tersebut dihilangkan dari
persamaan regresi
1. Buka aplikasi SPSS dan buat nama
variabel sesuai dengan studi kasus
2. Klik menu Analyze-Regression-
Linear ANALISIS
3. Masukkan Variabel Dependent STEPWISE
4. Pilih Metode Enter DENGAN
5. Klik button Statistic MENGGUNA-
6. Klik Continue dan OK KAN SPSS
7. Hasil akan keluar
METODE
TRIAL AND ERROR
Metode perhitungan coba-
coba, dapat dilakukan
dengan mengubah angka
beberapa variabel tetapi
membutuhkan waktu yang
banyak.
Thank you

Anda mungkin juga menyukai