STATISTIK II
1. Sebutkan dan jelaskan asumsi-asumsi pada model regresi linier berganda ?
Jawaban :
Asumsi-Asumsi Model Regresi Linier Berganda Menurut Gujarati (2003) asumsi-asumsi
pada model regresi linier berganda adalah sebagai berikut:
a. Model regresinya adalah linier dalam parameter.
b. Nilai rata-rata dari error adalah nol.
c. Variansi dari error adalah konstan (homoskedastik).
d. Tidak terjadi autokorelasi pada error.
e. Tidak terjadi multikolinieritas pada variabel bebas.
f. Error berdistribusi normal
g.
2. Pengujian parameter apa saja yang dilakukan pada saat melakukan analisis regresi linier
berganda dan jelaskan tujuan dari masing-masing pengujian tersebut.
Jawaban :
Pengujian Parameter Model Regresi Linier Berganda Pengujian parameter ini bertujuan
untuk mengetahui ada atau tidaknya pengaruh variabel bebas terhadap variabel tidak bebas,
baik secara serentak maupun secara parsial.
Uji Normalitas adalah sebuah uji yang dilakukan dengan tujuan untuk menilai sebaran data
pada sebuah kelompok data atau variabel, apakah sebaran data tersebut bersifat normal
atau tidak. Uji normalitas berguna untuk menetukan data yang telah dikumpulkan
berdistribusi normal atau diambil dari populasi normal. Untuk menguji normalitas data
menggunakan beberapa metode diantaranya Chi-Square, Kolmogorov Smirnov, Liliefors,
Shapiro Wilk dan Jarque Bera.
Uji Autokorelasi adalah sebuah uji yang dilakukan untuk mengetahui adanya korelasi variabel
yang ada dalam model regresi dengan perubahan waktu. Artinya tiap variabel tidak
berkolerasi dengan dirinya sendiri baik pada nilai variabel sebelumnya maupun nilai periode
sesudahnya. Uji autokorelasi harus dilakukan apabila data merupakan time series atau runtut
waktu. Untuk menguji adanya autokorelasi menggunakan beberapa metode diantaranya :
Durbin Watson, Breucsh Godfrey, Engle’s ARCH Test.
Uji Multikolinearitas adalah sebuah uji yang dilakukan untuk mengetahui adanya korelasi
atau hubungan antara dua variabel bebas atau lebih dalam sebuah model regresi linear
berganda. Model regresi yang baik seharusnya tidak terjadi korelasi diantara variabel
bebasnya. Untuk menguji adanya multikolinearitas dapat dilakukan dnegan beberapa cara
antara lain melihat kekuatan korelasi antara variabel bebas, melhat nilai standar eror
koefisien regresi parsial, melihat rentang confidence interval, melihat nilai Condition Index
dan eigenvalue, dan melihat nilai Tolerance dan Variance Inflating Factor (VIF).
Uji Heteroskedastisitas adalah uji yang menilai apakah ada ketidaksamaan varian dari
residual untuk semua pengamatan pada model regresi linear. Uji ini harus dilakukan pada
analisis regresi linear, jika asumsi heteroskedastisitas tidak terpenuhi, maka model regresi
dinyatakan tidak valid sebagai alat peramalan.Untuk menguji asumsi heteroskedastisitas
dapat menggunakan beberapa cara antara lain uji Glejser, uji Park, uji Spearman dan melihat
data grafik.
3. Jawablah pertanyaan berikut dengan menggunakan alat analisis SPSS dengan petunjuk pada
link yang ada di dashboard atau sumber lain yang anda ketahui. Cantumkan hasil analisisnya
beserta bahasan jawaban pertanyaannya !
Berikut adalah data tentang tingkat kehadiran di kelas dan skor IQ mahasiswa yang diperkirakan
mempengaruhi nilai akhir yang diperoleh!
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients Correlations
Zero-
Model B Std. Error Beta t Sig. order Partial Part
b1 = 0,737
b2 = 0,034
Artinya setiap kenaikan skor IQ sebanyak 1 satuan, maka rata – rata nilai akhir akan
turun sebesar 0,034 dengan variabel kehadiran dikelas dianggap konstan.
Model Summary
N Nilai_akhir 10 10 10
Kehadiran 10 10 10
Correlations
N Nilai_akhir 10 10 10
Kehadiran 10 10 10
Skor_IQ 10 10 10
2. Variabel apa yang memberikan pengaruh lebih besar terhadap nilai akhir mahasiswa!
Jelaskan mengapa?
Hipotesis :
t stat = 6,752
t tabel = 2,3646
df = n – k – 1 = 10 – 2 – 1 = 7
α = 0,05
Kriteria uji :
i. Uji tabel t
Kesimpulan :
Pada tingkat signifikansi 5%, variabel kehadiran di kelas secara parsial berpengaruh signifikan
terhadap variabel nilai akhir mahasiswa.
K2 = 1 - R2 = 1 – 0,835 = 0,165
ry1.2 = 0,934
Artinya hubungan antara variabel kehadiran di kelas secara parsial terhadap variabel nilai akhir
mahasiswa adalah searah dan sifatnya sangat erat dengan nilai sebesar 0,934, dengan menganggap
variabel skor IQ konstan.
ry2.1 = 0,194
Artinya hubungan antara variabel skor IQ secara parsial terhadap variabel nilai akhir mahasiswa adalah
searah dan sifatnya kurang erat dengan nilai sebesar 0,194, dengan menganggap variabel kehadiran di
kelas konstan.
r12.y = 0,229
Artinya hubungan antara variabel kehadiran di kelas dan variabel skor IQ secara parsial adalah searah
dan sifatnya lemah dengan nilai sebesar 0,2