Regresi Linear Sederhana ADJ R2: ..menunjukkan koreksi 4.

Statistic Press (press ↓)

Tujuan : untuk mengetahui hubungan
antara variable respon/dependen (y)
dengan variable predictor (x)
Asumsi
1. Normalitas
Analyze  Descriptive Statistics 
Explore
Plot :  bormality test with plots
n>50 : Kolmogorov
n≤50 : Shapiro-Wilk
2. Linearitas
Graph  Legacy Dialogs  Scatter
Dot Simple Scatter
Linear : Simple Scatter
Ganda : Matrix Scatter
Langkah Analsis
Analyze  Regression  Linear
Statistics :
 estimates
 model fit
Plot : SD.RESID = y
ZPRED = x
Option :  include constant in equation
Save :
 standardized predicted value
 standardized residual
Format Penulisan
1. Model Summary
R: menunjukkan derajat hubungan
antara variable predictor (independent)
dan variable respon (dependen) yaitu
sebesar .. nilai ini menunjukkan bahwa
terdapat hubungan era tantara variable
predictor dengan variable respon
R2 : menunjukkan bahwa .. % dari
variable dependen dapat dijelaskan
oleh variable independent. Sedangkan
sisanya dijelaskan oleh sebab-sebab
lain.
terhadap R2 sebesar ..%
Std. Error of the Estimate :
..menunjukan besarnya model regresi
sebesar …
2. Uji Overall
H0: β0 = 0 (model tidak layak
digunakan)
H1: Tidak semua βi =0 (model layak
dgunakan)
3. Uji Parsial
Untuk Konstanta
H0: β0 = 0 (konstanta tidak signifikan)
H1: β0 ≠ 0 (konstanta signifikan)
Untuk Koefisien
H0: βi = 0 (koefisien xi tidak signifikan)
H1: βi ≠ 0 (koefisien xi signifikan)
4. Model Regresi
Ỹ = β0 + β1X
Interpretasi
Setiap penambahan /pengurangan 1
satuan x makanilai variable y akan
bertambah / berkurang sebesar β
dengan asumsi variable lain konstan
Regresi Linear Ganda
Asumsi
1. Normalitas
2. Linearitas
3. Uji Overall
4. Uji Parsial
Jika terdapat variable yang tidak
signifikan, maka yang dikeluarkan
terlebih dahulu adalah variable dengan
nilai p-value teringgi
Konstanta yang tidak signifikan
dikeluarkan terakhir dengan cara
option : include constan in equation
(uncheklist)
5. Model Regresi
Ỹ = β0 + β1X1 + … + βkXk
Dummy Variabel  merupakan jumlahan kuadrat
 Mengidentifikasikan perbedaan deleted residual
kategori dari variable kualitatif 5. CP Mallows
 Banyak var.dummy = banyak  jumlah parameter semua terhadap
kategori – 1 model yang baik jika CP Mallows ≤
Langkah SPSS Parameter (termasuk konstanta)
Transform  recode into different 6. Akaike Information Criterian (AIC
variable ↓)
Input var : variable yang akan dibuat AIC = -2log Likelihood + 2*p
dummy (parameter dengan konstanta)
Name : nama variable dummy 7. Bayes Information Criterian
(SBC/BIC ↓)
All other value  0
Langkah SPSS
Interpretasi Model
Analyze  Regression  Linear
Y=1,2+1,3pendidikan1
Y = dependen
Artinya :
X = independent
Status Pendidikan SD memiliki nilai Y
Statistics :
1,3 lebih besar daripada siswa
 Estimator
berpendidikan SMA.  Model Fit
Note : Save :
Variabel Dummy tidak perlu linearitas  Deleted
Kalau ada salah satu variable dummy Paste :
Ketik SELECTION disamping
yang tidak signifikan, langsung
ANOVA
dikeluarkan semua
Klik Reun Selection
Mencari PRESS
Kriteria Pemilihan Model Transform  Compute Variabel
Terbaik Pada target : variable diisi nama
1. Koefisien Determinasi (R2 ↑) PRESS_I
 menunjukkan proporsi variable Numeric expression : dre_i*dre_i
dependen yang dapat diterangkan oleh Analyze  Descriptive Statistics 
variable independen Deskripyive
2. Std. Error of Variance (SE ↓) Masukkan PREES_I ke variable (s)
 mengukur besarnya keragaman Option :  sum
model
3. Adjusted R2 (Adj. R2 ↑)
 digunakan pada regresi dengan
Analisis Residual
 Digunakan untuk mengetahui apakah
variable predictor yang > 1 karena
model terbaik yang diperoleh benar-
nilainya dapat naik/turun tergantung
benar baik atau tidak
apakah predictor baik/tidak jika
 Dikatakan baik jika minimal 50%
dimasukkan ke dalam model
asumsi terpenuhi
Asumsi-asumsi dalam analisis residual, - Residual
yaitu :  Unstandardized (deleted tidak
1. Fix independen variabel: dicentang)
diasumsikan terpenuhi OK
2. Linearitas residual dengan Linearitas : hanya memasukkan
independen variabel yang ada di model terbaik saja
Untuk mengetahui ada tidaknya Normalitas Residual
hubungan linear antara variabel Klik analyze  Desc stat  Explore
independen dengan residual. Dep: Res_1
3. Normalitas residual Plot: √ normality plot with test
Untuk mengetahui residual OK
berdistribusi normal atau tidak Ada 2 cara, yaitu:
4. Homoskedastisitas a. Inferensi
Kondisi dimana variabel konstan. H0: Residual berdistribusi normal
Terpenuhi jika variansi residual b. Q-Q Plot: titik-titik berada di sekitar
konstan, dilihat dari garis diagonal
plot z resid by z pred. No autokorelasi
Dikatakan homoskedastisitas jika titik- Ada 2 cara, yaitu:
titik mendekati nol atau tidak a. Uji Durbin Watson
membentuk pola.
5. No multikolinearitas
Kondisi dimana tidak variable
independen. Terpenuhi jika VIF< 10
dan TOL > 0,1 (lihat di tabel
coefficients) k = jumlah variable independen
6. No autokorelasi n = jumlah data
Kondisi dimana tidak ada korelasi nilai d = nilai durbin Watson
antar eror. DU dan DL dilihat dari Tabel Durbin
Langkah SPSS Watson
Klik analyze  Regression  Linear b. Run Test
 Statistics Digunakan jika tidak ada kesimpulan
 Model fit pada Uji Durbin Watson
 Estimate Analyze  Nonpar test  Legacy
 Descriptive Dialog (yang diinputkan yaitu
Regression coefficients unstandardized residual)
 Colinearity diagnostic Run
Residual H0 : Data bersifat acak (No
 Durbin Watson autokorelasi)
 Plots Terpenuhi jika p-value < α
y= zresid; x = zpred NB:
 Normality prob. Plot Minimal 3 asumsi terpenuhi, maka
 Save model sudah baik.