Anda di halaman 1dari 6

Kuliah IV-V

REGRESI SEDERHANA (SIMPLE REGRESSION)

Oleh: Imam Asngari

Regresi sederhana adalah regresi yang melibatkan hanya satu variabel, yaitu
anatara variabel dependen dan satu variabel independen.

POPULASI: Y=α + β Xi + µi [tidak diketahui]

dimana: Y = variabel dependen, X = variabel independen


Ui = Variabel gangguan stokastik (stochastic disturbance).
α,β = Parameter .

^ ^ ^
SAMPEL : Y     X i  ei taksiran.
^
dimana: Y = variabel dependen
^
X = variabel independen
ei = faktor gangguan (disturbance error) menampung variabel-variabel yang
tidak
dimasukkan dalam model.
^ ^
 ,  = Parameter yang akan ditaksir.

ASUMSI-ASUMSI REGRESI LINIER:


1. µi adalah variabel random riil dan memiliki distribusi normal
2. Nilai rerata dari µi setiap periode tertentu adalah nol. Atau E(µi) = 0
3. Varian dari µi adalah konstan setiap periode pengamatan/penarikan sampel
yang berulang. Atau E(µi2 ) = σ2 yang dikenal dengan asumsi
homoskedastisitas.
4. Faktor gangguan dari pengamatan yang berbeda-beda (µi, µj) saling
independen (tidak tergantung) dikenal dengan asumsi non autocorrelation.
5. Variabel-variabel bebas tidak berkorelasi. Asumsinya model tidak
mengalami multikolonieritas.

PENAKSIRAN PARAMETER REGRESI


METODE OLS

Fungsi regresi sebenarnya dari dari populasi, tetapi karena adanya


keterbatasan, didekati dengan perkiraan menggunakan data sampel.
Metode OLS [Ordinary Least Squares] menemukan nilai-nilai taksiran α
dan β yang meminimumkan jumlah kuadrat residual atau jumlah kuadrat
kesalahan taksiran atau ( ei 2 ) .

20
21

^ ^ ^
Asumsinya bahwa garis regresi sampel : Y     X i  ei = garis regresi
populasi Y=α + β Xi + µi , dan ei=µ, maka diperoleh:
n n ^ n ^ ^
 ei   (Yi  Y ) =
i 1
2

i
 (Y     X
i 1
i i )2

^ ^
Nilai-nilai  dan  yg meminimumkan jumlah kuadrat ei diperoleh dg
menurunkan secara parsial (partial derivative) terhadap fungsi kuadrat
residual (  ei 2 ) dan menyamakan turunan ini dengan 0.
^ ^ ^
  ei /     2  (Yi     X i ) =
2
0 dan
^ ^ ^
  ei /     2  (Yi     X i )( X i ) =0
2

atau:
^ ^
 Y  n     X ……………… (1)
i i
^ ^
 X Y    X    X …….... (2)
2
i i i i

^  ^ 
dari (1) diperoleh :   Y  X ………….….. (3)
^ n X i Yi   Yi  X i
dari (3) (2) diperoleh :   ……(4)
n X i  ( X i ) 2
2

 
BILA : (Xi- X ) = xi dan (Yi - Y ) = yi maka :

x y e
2
^ ^
e   y i    xi , sehingga σ =Se =
2 2 2 2

i i 2 i
dan
x nk
2 i
i

^ ^
RALAT
VARIAN DARI  DAN 

Seberapa dekat garis regresi penaksir terhadap regresi populasi dapat


^ ^
dilihat dari sebaran penaksir  terhadap α dan penaksir  terhadap β.
2X  2  Xi
2 2
^ ^
Var (  ) =  i
dan Se (  ) =
n x n xi
2 2
i

^ 2 ^ 2
Var (  ) =  dan Se (  ) =
 xi  xi
2 2
22

KOEFISIEN DETERMINASI (R2)

Koefisien determinasi menunjukkan seberapa baik estimasi garis regresi mampu


menggambarkan dengan tepat garis regresi sebenarnya (goodness of fit). R2 juga
menunjukkan persentase variasi variabel dependen yang mampu dijelaskan oleh
variasi variabel independen.

R2 = proporsi varian Y yang duterangkan oleh linier X terhadap variasi total.

^ ^ ^
Y Yi Y i     X i  ei
 ^
e i
 (Yi  Y ) ei  (Yi  Y i ) ESS = Error sum of squares
^  (Jumlah Kuadrat Kesalahan)
 TSS (Y  Y ) RSS= Regression sum of squares
Y (Jumlah Kuadrat Regresi)
 ^ ^ 
 (Yi  Y )2   (Yi  Y )2   (Yi  Y )2
TSS = ESS + RSS
0 Xi
ESS RSS ESS RSS
Kita dapat peroleh R  1  
2
1 
TSS TSS TSS TSS
^  ^
 (Y  Y ) 2  ( xi )
^

1 
2
(Y Y) 2

R 2 i
atau R  2
atau R  2

y
  2
 (Y i  Y )2  (Yi  Y ) 2 i

1  
2
e i
atau R 2

y
2
i

KOEFISEN KORELASI

Koefisen korelasi menggambarkan keeratan hubungan antara dua variable atau


lebih. Koefisien korelasi disimbolkan R untuk korelasi seluruh variable yang
diregresi, dan r sebagai symbol korelasi parsial atau korelasi satu variabel
independent dengan variabel dependennya.
Koefisien korelasi dirumuskan : R  R 2
Atau

r 
n 
   X   Y 
XY
 n   X 2     X 2   n   Y 2     Y 2 
  
23

Perhatikan Peta Kekuatan Korelasi

UJI HIPOTESIS:
PENGUJIAN SIGNIFIKANSI PENAKSIR MODEL REGRESI

Uji t digunakan untuk menguji keberartian pengaruh variabel independen


terhadap variabel dependen. Uji t dikenal dengan individual test.
^ ^ ^
^
 ^
  0 ^

t hitung  = ^
dan t hitung   ^
. Jika 0=0 maka t hitung  = ^
Se ( ) Se (  ) Se (  )

Uji t tersebut dipergunakan juga untuk menguji hipotesis:


Jika Hasil test > nilai tabel Ho ditolak. Sebaliknya Hasil test < nilai tabel Ho diterima
Berdasarkan hal tersebut, dapat dinyatakan: Y = a + b X
Hipotesis Ho: X tidak memiliki pengaruh yang signifikan terhadap Y
Ha: X memiliki pengaruh yang signifikan terhadap Y
^
Jika t hitung  > t-tabel (pada α dan derajad bebas tertentu), maka ho ditolak, artinya
variable x memiliki pengaruh yang nyata secara statistik. Pada soft ware SPSS, t
signifikan jika probability ≤ 0,05.
24

LATIHAN MANUAL REGRESSIONS

Berdasarkan data sample table berikut, bentuklah fungsi regresinya. Cari Varian,
Standar Error, korelasi, korelasi deterministik, dan uji t untuk menguji pengaruh harga
terhadap permintaan. Ujilah Ho yang menyatakan harga Mocin tidak mempengaruhi
permintaan Mocin di Palembang.

Data Permintaan Sepeda Motor Cina (Mocin) di Palembang

Agen 1 2 3 4 5 6 7 8
P (Juta) 9,94 9,87 9,88 9,91 9,92 9,89 9,93 9,90
Qd (Unit) 84 100 99 93 90 97 88 94
Jawab
Agen P Q PQ P2 p q p2 q2 pq ^ e e2
Qd

1
2
3
4
5
6
7
8
Juml 79.24 745.00 7,378.28 784.8764 0.0000 0.0000 0.0042 216.8750 -0.9450 0.00 4.25
Rata2 9.91 93.13 1,844.57 98.1096

Carilah nilai koefisien penaksir (α, dan β)

Tulislah persamaan regresi fungus permintaan MOCIN;


Carilah standar error of regression
Hitunglah nilai t test
Hitunglah koefisien determinasi dan korelasi

Analsis ekonomi:
25

ANALISA MODEL:

Berdasarkan koefisien korelasi sebesar -0.99, berarti hubungan antara harga dan
permintaan sangat kuat tetapi arahnya berlawanan. Jika harga MOCIN meningkat, maka
permintaan MOCIN akan berkurang, (sebab kemungkinan ada jenis motor merek lain yang
harganya lebih murah dengan kualitas yang sama), sebaliknya jika harga MOCIN turun,
maka permintaannya akan meningkat.
Pengaruh harga terhadap permintaan juga tercermin dari koefisien determinasi (R2)
sebesar 0.98, yang berarti perubahan variable harga mampu menjelaskan variasi atau
perubahan permintaan MOCIN sebesar 98%, sisanya 2% dijelaskan oleh variable lain
(seperti selera, pendapatan konsumen, dlsb).
Berdasarkan uji hipotesis null, Ho ditolak pada taraf α=5%, karena nilai t test = -
17,326 > t table pada α=5%= 1,895. atau probabilitas nilai significan t =0,000 < 0,05
berarti H0 ditolak dan Ha diterima, yaitu harga memiliki pengaruh yang nyata (signifikan)
terhadap permintaan. Koefisien harga memiliki tanda negative (yaitu -225) sudah sesuai
dengan teori. Artinya, jika harga MOCIN naik 100% maka permintaannya akan turun
sebesar 22,5% atau jika harga MOCIN naik sebesar Rp1 Juta dari rata-rata menjadi
Rp10,91 juta, maka permintaan MOCIN diseluruh agen akan turun menjadi 225 unit.