ANALISIS REGRESI LINIER SEDERHANA DAN BERGANDA

Analisis Regresi Linier Sederhana: digunakan untuk mengetahui pengaruh atau hubungan secara linier antara satu
variabel independen dengan satu variabel dependen. Contoh: seorang manajer perusahaan ABC ingin meneliti
apakah terdapat pengaruh antara profitabilitas (X) dengan struktur modal (Y). Data yang diperoleh adalah sebagai
berikut.
No. X Y No. X Y No. X Y
1 0.02 0.67 11 0.13 0.92 21 0.16 0.88
2 0.05 0.92 12 0.05 0.55 22 0.04 0.47
3 0.10 0.54 13 0.11 0.40 23 0.03 0.29
4 0.06 0.37 14 0.21 0.73 24 0.11 0.94
5 0.08 0.57 15 0.07 0.90 25 0.07 0.52
6 0.23 1.03 16 0.24 0.51 26 0.11 0.63
7 0.05 0.67 17 0.32 0.78 27 0.01 0.93
8 0.11 0.24 18 0.12 0.57 28 0.09 0.85
9 0.10 0.98 19 0.12 0.94 29 0.10 0.32
10 0.41 0.15 20 0.07 0.61 30 0.08 0.66
Analize >> Regression >> Linier : Masukkan variabel profitabilitas ke kotak independent dan variabel struktur modal
kotak dependent. Klik Statistics, centang pada Durbin-Watson, klik Continue. Klik Plots, masukkan SRESID
(Studentized Residual) ke kotak Y dan ZPRED (Standarized Predicted Value) ke kotak X, klik centang pada Normal
Probability Plot. klik Continue. Dan Klik OK.
R : Korelasi antara variabel independen terhadap variabel dependen
R2: Koefisien determinasi, persentase sumbangan pengaruh variabel independen terhadap variabel dependen.
Standar Eror of the Estimate: Ukuran kesalahan prediksi
Output ANOVA (Uji F): menguji signifikansi pengaruh beberapa variabel independen terhadap variabel dependen.
Output Coefficients . Persamaan Regresi : Ŷ = a+ bX
Uji t : menguji signifikansi pengaruh variabel independen (X) terhadap variabel dependen (Y). (gunakan tingkat
signifikansi 0.05 dan uji dua sisi)
H0: Profitabilitas tidak berpengaruh terhadap struktur modal
H1: Profitabilitas berpengaruh terhadap struktur modal

Uji Asumsi Klasik pada Regresi:

Uji Normalitas, digunakan untuk menguji apakah nilai residual yang dihasilkan dari regresi terdistribusi secara
normal atau tidak. Model regresi yang baik adalah memiliki nilai residual yang berdistribusi normal. Metode yang
digunakan adalah metide grafik, yaitu dengan melihat penyebaran data pada sumber diagonal pada grafik P-P Plot if
regression standardized.
Uji Autokorelasi, digunakan untuk melihat korelasi antara anggota observasi yang disusun menurut waktu atau
tempat. Model regresi yang baik seharusnya tidak terjadi autokorelasi. Metode pengujian dilakukan dengan
menggunakan uji Durbin-Watson (DW test)
Jika DU < DW < (4-DU) maka H0 diterima, artinya tidak terjadi autokorelasi
Jika DW < DL atau DW > (4-DL) maka H 0 ditolak, artinya terjadi autokorelasi
Jika DL < DW < DU atau (4-DU) < DW < (4-DL), artinya tidak ada kepastian atau kesimpulan yang pasti.
Uji Heteroskedastititas, digunakan untuk melihat varian residual yang tidak sama pada semua pengamatan di dalam
model regresi. Pada regresi yang baik seharusnya tidak terjadi heteroskedastisitas. Metodenya dengan melihat grafik
pada pola titik-titik pada grafik regresi.
Jika terdapat pola tertentu, seperti titik-titik yang membentuk pola yang teratur (bergelombang, melebar kemudian
menyempit), maka terjadi heteroskedastisitas.
Jika tidak ada pola yang jelas, seperti titik-titik menyebar di atas dan di bawah angka 0 pada sumbu Y, maka tidak
terjadi heteroskedastisitas.
Analisis Regresi Linier Berganda: digunakan untuk mengetahui pengaruh atau hubungan secara linier antara dua tau
lebih variabel independen dengan satu variabel dependen. Contoh: seorang manajer perusahaan ABC ingin meneliti
apakah terdapat pengaruh antara profitabilitas (X1), tangibility (X2) dan likuiditas (X3) dengan struktur modal (Y).
Data yang diperoleh adalah sebagai berikut.
No X1 X2 X3 Y No. X1 X2 X3 Y No. X1 X2 X3 Y
.
1 0.02 0.26 2.18 0.67 11 0.13 0.59 1.17 0.92 21 0.16 0.70 1.33 0.88
2 0.05 0.16 1.80 0.92 12 0.05 0.11 4.22 0.55 22 0.04 0.85 1.22 0.47
3 0.10 0.64 3.29 0.54 13 0.11 0.39 2.62 0.40 23 0.03 1.03 2.08 0.29
4 0.06 0.94 1.31 0.37 14 0.21 0.64 0.97 0.73 24 0.11 0.55 1.56 0.94
5 0.08 0.57 2.94 0.57 15 0.07 0.31 6.45 0.90 25 0.07 0.67 3.92 0.52
6 0.23 0.53 1.88 1.03 16 0.24 0.22 3.75 0.51 26 0.11 0.53 2.73 0.63
7 0.05 0.94 0.64 0.67 17 0.32 0.64 1.11 0.78 27 0.01 0.32 1.56 0.93
8 0.11 0.57 3.89 0.24 18 0.12 0.45 2.59 0.57 28 0.09 0.53 2.96 0.85
9 0.10 0.46 2.06 0.98 19 0.12 0.73 1.67 0.94 29 0.10 0.52 3.64 0.32
10 0.41 0.51 3.94 0.15 20 0.07 0.52 1.77 0.61 30 0.08 0.14 3.13 0.66
Analize >> Regression >> Linier
 Untuk uji asumsi klasik multikolonieritas dan autokorelasi, centang Collinearity diagnosticts dan Durbin Watson.
Uji F
H0 : Profitabilitas, Tangibility dan Likuiditas tidak berpengaruh terhadap struktur modal
H1 : Profitabilitas, Tangibility dan Likuiditas berpengaruh terhadap struktur modal
Output Coefficients . Persamaan Regresi : Ŷ = a + b1X1 + b2X2 + b3X3
Uji t (Uji koefisien regresi secara parsial), (gunakan tingkat signifikansi 0.05 dan uji dua sisi).
H-ROE0: Profitabilitas secara parsial tidak berpengaruh terhadap struktur modal
H-ROE1: Profitabilitas secara parsial berpengaruh terhadap struktur modal
H-TAN0: Tangibility secara parsial tidak berpengaruh terhadap struktur modal
H-TAN1: Tangibility secara parsial berpengaruh terhadap struktur modal
H-CR1: Likuiditas secara parsial tidak berpengaruh terhadap struktur modal
H-CR2: Likuiditas secara parsial berpengaruh terhadap struktur modal

Uji Asumsi Klasik pada Regresi:

Uji Normalitas (dari hasil chart Normal P-P Plot of Regression Standarized Residual)
Uji Multikolinieritas (dari hasil Output Coefficients), untuk melihat apakah antar variabel independen yang terdapat
dalam model regresi memiliki hubungan linier yang sempurna atau mendekati sempurna (koefisien korelasinya tinggi
atau bahkan 1). Pada model regresi yang baik seharusnya tidak terjadi korelasi sempurna atau mendekati sempurna
diantara variabel bebasnya. Uji Multikolonieritas dilakukan dengan melihat nilai VIF dan tolerance pada hasil regresi.
Jika nilai Variance Inflation Factor (VIF) kurang dari 10 dan Tolerence lebih dari 0.1 maka dinyatakan tidak terjadi
multikolinieritas.
Uji Autokorelasi (dari hasil Model Summery)
Uji Heteroskedastititas (dari hasil scatterplot)

Regresi Logistik berganda: model regresi dimana variabel terikatnya adalah data dikotomi (bentuk kategorik, misal
laki-laki dan perempuan, iya dan tidak), sedangkan variabel bebasnya juga dikotomi dikotomi atau data
interval/rasio/ordinal. Analize >> Regression >> Binary Logistic