Korelasi Dan Regresi

Arif
Pujiyono
Program Studi Ekonomi Islam
Fakultas Ekonomika dan Bisnis
OUTLINE
Bagian I Statistik Induktif
Metode dan Distribusi Sampling Pengertian Korelasi Sederhana
Teori Pendugaan Statistik Uji Signifikansi Koefisien Korelasi
Analisis Regresi: Metode Kuadrat Terkecil

Pengujian hipotesis Sampel Besar
Pengujian hipotesis Sampel Kecil Kesalahan Baku Pendugaan
Asumsi-asumsi Metode Kuadrat Terkecil

Analisis Regresi dan Korelasi Linier
Perkiraan Interval dan Pengujian
hipotesis
Analisis Regresi dan Korelasi Berganda
Hubungan Koefisien Korelasi, Koefisien
Fungsi, Variabel, dan Masalah dalam Determinasi dan Kesalahan Baku
Analisis Regresi Pendugaan
2
PENGERTIAN ANALISIS KORELASI
Analisis Korelasi
•Suatu teknik statistika yang

digunakan untuk mengukur
keeratan hubungan atau korelasi
antara dua variabel.
3
HUBUNGAN POSITIF DAN NEGATIF
Hubungan Inflasi dan Suku Hubungan Produksi dan

Bunga (Korelasi Negatif) Harga Minyak Goreng
(Korelasi Positif)
35 700
30 600
25 500
20 400
15 300
10 200
5 100
0 0
2,01 9,35 12,55 10,33 637 740 722 781 849 881
Inflasi Harga Minyak Goreng
Gambar pertama menunjukkan hubungan

antara variabel inflasi dan suku bunga. A pabila
dilihat pada gambar saat inflasi rendah, maka Gambar kedua memperlihatkan hubungan
suku bunga tinggi dan pada saat inflasi tinggi, yang positif antara variabel produksi dan harga
suku bunga rendah. Gambar tersebut minyak goreng yaitu apabila harga meningkat,
menunjukkan adanya hubungan antara inflasi maka produksi juga meningkat.
dan suku bunga yang bersifat negatif.
4
RUMUS KOEFISIEN KORELASI
n ( ∑ XY ) − ( ∑ X )( ∑ Y )
r=
2 2
⎡n
⎣ ( 2
)
∑ X − ( ∑ X ) ⎤⎦ ⎡⎣n ( ∑ Y ) − ( ∑ Y ) ⎤⎦
2
Rumus di atas adalah rumus koefiseien regresi, di mana:

r : Nilai koefisien korelasi
ΣX : Jumlah pengamatan variabel X
ΣY : Jumlah pengamatan variabel Y
ΣXY : Jumlah hasil perkalian variabel X dan Y
(ΣX2) : Jumlah kuadrat dari pengamatan variabel X
(ΣX) 2 : Jumlah kuadrat dari jumlah pengamatan variabel X
(ΣY2) : Jumlah kuadrat dari pengamatan variabel Y
(ΣY) 2 : Jumlah kuadrat dari jumlah pengamatan variabel Y
n : Jumlah pasangan pengamatan Y dan X
5
HUBUNGAN KUAT DAN LEMAHNYA SUATU KORELASI
Korelasi negatif Korelasi negatif Tidak ada Korelasi positif Korelasi positif
sempurna sedang Korelasi sedang sempurna
Korelasi negatif Korelasi negatif Korelasi positif Korelasi positif

kuat lemah lemah kuat
-1,0 -0,5 0,0 0,5 1,0

Skala r
Korelasi negatif Korelasi positif
6
CONTOH REGRESI LINIER
Hubungan jumlah produksi dan harga minyak
Tahun Produksi (juta ton) Harga (US $ per ton)
1997 4,54 271
1998 4,53 319
1999 5,03 411
2000 6,05 348
2001 6,09 287
2002 6,14 330
2003 6,37 383
2004 7,40 384
2005 7,22 472
2006 7,81 610
2007 8,49 640
7
CONTOH REGRESI LINIER
Hubungan jumlah produksi dan harga minyak
n ( ∑ XY ) − ( ∑ X )( ∑ Y )
r=
2 2
⎡n
⎣ ( ∑ X ) − ( ∑ X) ⎤⎦ ⎡⎣n ( ∑ Y ) − ( ∑ Y ) ⎤⎦
2 2
Rumus koefisien korelasi
n Y X Y2 XY X2
1 4,54 271 20,61 1230,34 73441
2 4,53 319 20,52 1445,07 101761
3 5,03 411 25,30 2067,33 168921
4 6,05 348 36,60 2105,40 121104
5 6,09 287 37,09 1747,83 82369
6 6,14 330 37,70 2026,20 108900
7 6,37 383 40,58 2439,71 146689
8 7,40 384 54,76 2841,60 147456
9 7,22 472 52,13 3407,84 222784
10 7,81 610 61,00 4764,10 372100
11 8,49 640 72,08 5433,60 409600
12 8
PENGERTIAN KOEFISIEN DETERMINASI
 Koefisien determinasi
Bagian dari keragaman total variabel tak bebas Y (variabel yang
dipengaruhi atau dependent) yang dapat diterangkan atau diperhitungkan
oleh keragaman variabel bebas X (variabel yang mempengaruhi atau
independent).
 Koefisien determinasi r2
2
n ( ∑ XY ) − ( ∑ X )( ∑ Y )
r2 =
2 2
⎡n
⎣ ( ∑ X 2
)
− ( ∑ ) ⎤⎦ ⎡⎣n
X ( ∑ Y 2
)− ( ∑ ) ⎤⎦
Y
9
RUMUS UJI t UNTUK UJI KORELASI
r n−2 di mana:
t=
1− r 2 t : Nilai t-‐hitung
 atau r : Nilai koefisien korelasi

n : Jumlah data pengamatan
r
t =
1 - r2
n-2
10
CONTOH UJI t UNTUK UJI KORELASI SOAL A
Ujilah apakah (a) nilai r = - 0,412 pada hubungan antara suku bunga dan investasi
dan (b) r = 0,86 pada hubungan antara harga minyak dan produksi kelapa sawit
sama dengan nol pada taraf nyata 5%?
1. Perumusan hipotesis:
hipotesis yang diuji adalah koefisien korelasi sama dengan nol. Korelasi dalam populasi
dilambangkan dengan sedang pada sampel r.
H0 : r = 0
H1 : r ¹ 0
2. Taraf nyata 5% untuk uji dua arah (a/2=0,05/2=0,025) dengan derajat bebas (df) = n-k =
9 - 2 = 7. Nilai taraf nyata a/2= 0,025 dan df =7 adalah = 2,36. Ingat bahwa n adalah
jumlah data pengamatan yaitu = 9, sedangkan k adalah jumlah variabel yaitu Y dan X,
jadi k=2.
3. Menentukan nilai uji t
r - 0,41
t= 2
= 2
= −1 ,21
1-r 1 - (,041)
n-2 9-2
11
CONTOH UJI t UNTUK UJI KORELASI
4. Menentukan daerah keputusan dengan nilai kritis 2,36
Daerah menolak Ho Daerah menolak Ho
Daerah tidak menolak Ho
–2,36 t = –1,21 2,36
5. Menentukan keputusan. Nilai t-hitung ternyata terletak pada daerah tidak

menolak H0. Ini menunjukkan bahwa tidak terdapat cukup bukti untuk menolak
H0, sehingga dapat disimpulkan bahwa korelasi dalam populasi sama dengan nol,
hubungan antara tingkat suku bunga dengan investasi lemah dan tidak nyata.
12
CONTOH UJI T UNTUK UJI KORELASI SOAL B
1.Perumusan hipotesis:
hipotesis yang diuji adalah koefisien korelasi sama dengan nol. Korelasi dalam
populasi dilambangkan dengansedang pada sampel r.
H0 : ρ = 0
H1 : ρ ≠ 0
2.Taraf nyata 5% untuk uji dua arah (α/2=0,05/2=0,025) dengan derajat bebas (df)
= n-k = 12 - 2 = 10. Nilai taraf nyata α/2=0,025 dan df =10 adalah = 2,23.
3. Menentukan nilai uji t
r 0,86
t= 2
= 2
= 5 ,33
1-r 1 - (0,86)
n-2 12 - 2
13
RUMUS KOEFISIEN DETERMINASI
4. Menentukan daerah keputusan dengan nilai kritis 2,23
Daerah menolak Ho Daerah menolak Ho

Daerah tidak menolak Ho
–2,23 2,23 t= 5,33
5. Menentukan keputusan. Nilai t-hitung berada di daerah menolak H0, yang berarti
bahwa H0 di tolak dan menerima H1. Ini menunjukkan bahwa koefisien korelasi
pada populasi tidak sama dengan nol, dan ini membuktikan bahwa terdapat
hubungan yang kuat dan nyata antara harga minyak dan produksi kelapa sawit.
14
MENGGUNAKAN MS EXCEL UNTUK MENCARI KORELASI
15
MENGGUNAKAN MS EXCEL UNTUK MENCARI KORELASI
16
RUMUS PERSAMAAN REGRESI
• Persamaan regresi
Suatu persamaan matematika yang mendefinisikan
hubungan antara dua variabel.
17
SCATTER DIAGRAM UNTUK MEMBANTU
MENARIK GARIS REGRESI
Scatter diagram untuk hubungan antara inflasi dan suku bunga dapat digambarkan sebagai berikut:
Hubungan Inflasi dan Suku Bunga
35
30
25
20
15
10
5
0
2,01 9,35 12,55 10,33
Inflasi
Gambar A
18
SCATTER DIAGRAM UNTUK MEMBANTU
MENARIK GARIS REGRESI
Scatter diagram untuk hubungan antara inflasi dan suku bunga dapat digambarkan sebagai berikut:
35
30 b c
d
25
a
20
15
10
5
0
2,01 9,35 12,55 10,33
Inflasi
Gambar B
19
CONTOH SELISIH ANTARA DUGAAN DAN AKTUAL LEBIH KECIL

40 e1
e1
Y1
Y1 e2
e2
e3
30 Y2 Y4
Suku Bunga
Y2 e3 Y4 e4
Y3
Y3 e4 Y5
e5
20 Yn
Yn
en
en
10
0
2.01 9.35 12.55 10.33
Inflasi
Gambar A: selisih antara dugaan dan aktual lebih kecil
20
CONTOH SELISIH ANTARA DUGAAN DAN AKTUAL LEBIH BESAR

35 Y2e2
Y4e4 Ynen
30
25
Suku Bunga
e3
e1 Y3
20 Y1 e5
Y5
15
10
5
0
2.01 9.35 12.55 10.33
Inf lasi
21
GAMBAR PERSAMAAN REGRESI
+b
-b
X X
Gambar A: Ŷ= a+bX Gambar B: Ŷ= a-bX
22
RUMUS MENCARI KOEFISIEN a DAN b
n∑ XY ) − ( ∑ X )( ∑ X ) ( ∑ Y ) b( ∑ X )
a= b= −
n( ∑ X 2 ) − ( ∑ X )2 n b
Y : Nilai variabel bebas Y

a : Intersep yaitu titik potong garis dengan sumbu Y
b : Slope atau kemiringan garis yaitu perubahan rata-rata pada untuk
Ŷ setiap unit
perubahan pada variabel X
X : Nilai variabel bebas X

n : Jumlah sampel
23
CONTOH HUBUNGAN ANTARA PRODUKSI DENGAN
HARGA MINYAK KELAPA SAWIT
Ŷ =a+bX
Yi X Ŷ = 2,8631 + 0,0086 X Ŷ e=Y- Ŷ
4,54 271 Ŷ = 2,8631 + 0,0086 x 271 5.1853 -0.6453
4,53 319 Ŷ = 2,8631 + 0,0086 x 319 5.5966 -1.0666
5,03 411 Ŷ = 2,8631 + 0,0086 x 411 6.3850 -1.3550
6,05 348 Ŷ = 2,8631 + 0,0086 x 348 5.8451 0.2049
6,09 287 Ŷ = 2,8631 + 0,0086 x 287 5.3224 0.7676
6,14 330 Ŷ = 2,8631 + 0,0086 x 330 5.6909 0.4491
6,37 383 Ŷ = 2,8631 + 0,0086 x 383 6.1450 0.2250
7,40 384 Ŷ = 2,8631 + 0,0086 x 384 6.1536 1.2464
7,22 472 Ŷ = 2,8631 + 0,0086 x 472 6.9077 0.3123
7,81 610 Ŷ = 2,8631 + 0,0086 x 610 8.0902 -0.2802
8,49 640 Ŷ = 2,8631 + 0,0086 x 640 8.3473 0.1427

24
CONTOH HUBUNGAN ANTARA PRODUKSI DENGAN
HARGA MINYAK KELAPA SAWIT
Persamaan Ŷ= 2,8631 + 0,0086 X.
10
8
Produksi
0
271 287 319 330 348 383 384 411 472 610 640
Harga Minyak
Y Y'
Gambar A: Koordinat antara Y dan Ŷ

25
CONTOH HUBUNGAN ANTARA PRODUKSI DENGAN HARGA
MINYAK KELAPA SAWIT
Persamaan Ŷ= 2,8631 + 0,0086 X.
10
8
Produksi
6
4
2
0
271 287 319 330 348 383 384 411 472 610 640
Harga
Y = Y'
Gambar B: Koordinat antara Y dan , dimana

Ŷ Y= Ŷ
26
DEFINISI STANDAR ERROR
 Standar error atau kesalahan baku Pendugaan

Suatu ukuran yang mengukur ketidakakuratan
pencaran atau persebaran nilai-‐nilai pengamatan (Y)
terhadap garis regresinya (Ŷ).
Ŷ
27
RUMUS STANDAR ERROR
2 2
Syx = ∑e = ∑ (Y − Ŷ )
n−2 n−2
Di mana:
Sy.xC : Standar error variabel Y berdasarkan variabel X yang diketahui

Y : Nilai pengamatan dari Y
Ŷ : Nilai dugaan dari Y
n : Jumlah sampel, derajat bebas n-2 karena terdapat dua parameter
yang akan digunakan yaitu a dan b.
28
MENGGUNAKAN MS EXCEL UNTUK MENCARI
STANDAR ERROR SY.X
29
MENGGUNAKAN MS EXCEL UNTUK MENCARI
STANDAR ERROR SY.X
30
ASUMSI METODE KUADRAT TERKECIL
Beberapa asumsi penting metode kuadrat terkecil adalah sebagai berikut:

1. Nilai rata-‐rata dari error term atau expected value untuk setiap nilai X sama dengan nol. Asumsi ini
dinyatakan E(ei/Xi) = 0.
2. Nilai error dari Ei dan Ej atau biasa disebut dengan kovarian saling tidak
.
berhubungan atau berkorelasi. Asumsi ini biasa dilambangkan sebagai berikut,
Cov (Ei, Ej) = 0, di mana i ¹ j. Berdasarkan pada asumsi nomor 1, pada setiap nilai
Xi akan terdapat Ei, dan untuk Xj akan ada Ej, yang dimaksud dengan nilai
kovarian = 0 adalah nilai Ei dari Xi tidak ada hubungan dengan nilai Ej dari Xj.
Y
Garis regresi
Satu deviasi
standar
Nilai tengah terletak

pada garis regresi
X1 X2 X3 X
31
ASUMSI METODE KUADRAT TERKECIL
3. Varian dari error bersifat konstan. Ingat bahwa varian dilambangkan dengan s2,
sehingga asumsi ini dilambangkan dengan Var (Ei/Ej) = E(ei – ej)2 = s2. Anda
perhatikan pada gambar di atas bahwa nilai Ei (yang dilambangkan dengan tanda
titik) untuk setiap X yaitu X1, X2 dan X3 tersebar secara konstan sebesar variannya
yaitu s2. Pada gambar tersebut nilai E tersebar 1 standar deviasi di bawah garis
regresi dan 1 standar deviasi di atas garis regresi. Seluruh sebaran nilai Ei untuk Xi
dan Ej untuk Xj, di mana i ¹ j terlihat sama dengan ditunjukkan kurva yang
berbentuk simetris dengan ukuran yang sama, hal inilah yang dikenal dengan
varians dari error bersifat konstan.
4. Variabel bebas X tidak berkorelasi dengan error term E, ini biasa dilambangkan
dengan Cov (Ei, Xi) = 0. Pada garis regresi Y=a + bxi + ei maka nilai Xi dan Ei tidak
saling mempengaruhi, sebab apabila saling mempengaruhi maka pengaruh
masing-‐masing yaitu X dan E tidak saling dapat dipisahkan. Ingat bahwa yang
mempengaruhi Y selain X adalah pasti E yaitu faktor diluar X. Oleh sebab itu
varians dari E dan X saling terpisah atau tidak berkorelasi.
32
RUMUS
1 ( X − X )2
Ŷ ± t( Syx ) +
n ∑ X 2 − ( ∑ X )2 / n
Ŷ : Nilai dugaan dari Y untuk nilai X tertentu

t : Nilai t-‐tabel untuk taraf nyata tertentu
Sy.x : Standar error variabel Y berdasarkan variabel X yang diketahui
X : Nilai data pengamatan variabel bebas
X : Nilai rata-‐rata data pengamatan variabel bebas
n : Jumlah sampel
33
PENDUGAAN INTERVAL NILAI KOEFISIEN REGRESI A DAN B
Dengan menggunakan asumsi bahwa nilai Ei bersifat normal, maka hasil dugaan a dan
b juga mengikuti distribusi normal. Sehingga nilai t = (b – B)/σb, juga merupakan
variabel normal. Dalam praktiknya nilai standar deviasi populasi σb sulit diketahui,
maka standar deviasi populasi biasa diduga dengan standar deviasi sampel yaitu Sb,
sehingga nilai t menjadi t = (b – B)/Sb. Selanjutnya probabilitasnya dinyatakan sebagai
berikut:
P(-tα/2 ≤ (b – B)/Sb ≤ tα/2 ) = 1 - α
P(-tα/2. Sb ≤ (b – B) ≤ tα/2 . Sb) = 1 - α
Sehingga interval B adalah:
(b -‐tα/2. Sb ≤ B ≤ b + tα/2 . Sb)
sedangkan dengan cara yang sama interval A adalah:

(a -‐tα/2. Sa ≤ A ≤ a + tα/2 . Sa)
di mana Sa dan Sb adalah sebagai berikut:

Sb = Sy.x / [√ ∑X2 – (∑X)2/n]
Sa = √ (∑X2.Sy.x)/ (n∑X2 – (∑X)2) 34
ANALISIS VARIANS ATAU ANOVA
Analisis varians atau ANOVA merupakan alat atau peranti yang dapat
menggambarkan hubungan antara koefisien korelasi, koefisien determinasi dan
kesalahan baku pendugaan. Untuk mengukur kesalahan baku kita menghitung
error yaitu selisih Y dengan atau dapat dinyatakan dalam bentuk persamaan:
e = Y –Ŷ
atau dalam bentuk lain yaitu
Y = Ŷ
+ e
Di mana:
Y adalah nilai sebenarnya,

Ŷ adalah nilai regresi
e adalah error atau kesalahan
35
TABEL ANOVA
Sumber Keragaman Derajat bebas (df) Sum Square (SS) Mean Square (MS)
(Source)
Regresi (Regression) 1 SSR = ∑( Ŷ – Y)2 MSR

(jumlah var bebas, X) =SSR/1
Kesalahan (error) n-2 SSE MSE

= ∑(Y – Ŷ)2 =SSE/(n-2)
Total n-1 SST

= ∑(Y – Y)2
36
RUMUS
Rumus umum persamaan regresi sederhana:
Ŷ = a + bX
Rumus persamaan regresi dua variabel independen:

Y = a + b1 X1 + b2 X2
Rumus persamaan regresi tiga variabel independen:

Y = a + b1 X1 + b2 X2 + b3 X3
Rumus persamaan regresi k variabel independen:

Y = a + b1 X1 + b2 X2 + b3 X3 + ... + bk Xk
KOEFISIEN REGRESI
Untuk memperoleh nilai koefisien regresi a, b , dan b dari

1 2
persamaan Y = a + b X + b X dapat digunakan metode ordinary
1 1 2 2
least square (OLS). Nilai koefisien regresi a, b1, dan b2 dapat
dipecahkan secara simultan dari tiga persamaan berikut.
ΣY = na + b1ΣX1 + b2ΣX2 (a)

ΣX1Y = aΣX1 + b1ΣX12 + b2ΣX1ΣX2 (b)
ΣX2Y = aΣX2 + b1ΣX1 ΣX2 + b2ΣX22 (c)
CONTOH PENERAPAN REGRESI
BERGANDA
Pengaruh harga dan pendapatan terhadap permintaan
minyak goreng.
Responden Permintaan minyak Harga minyak (Rp Jumlah pendapatan

(liter/bulan) ribu/liter) (Rp juta/bulan)
Gita 3 8 10
Anna 4 7 10
Ida 5 7 8
Janti 6 7 5
Dewi 6 6 4
Henny 7 6 3
Ina 8 6 2
Farida 9 6 2
Ludi 10 5 1
Natalia 10 5 1
BERGANDA
Pengaruh harga dan pendapatan terhadap permintaan
minyak goreng.
∑Y ∑X1 ∑Y2 ∑X1Y ∑X2Y ∑X12 ∑X22 ∑X1X2
3 8 10 24 30 64 100 80
4 7 10 28 40 49 100 70
5 7 8 35 40 49 64 56
6 7 5 42 30 49 25 35
6 6 4 36 24 36 16 24
7 6 3 42 21 36 9 18
8 6 2 48 16 36 4 12
9 6 2 54 18 36 4 12
10 5 1 50 10 25 1 5
10 5 1 50 10 25 1 5
68 63 46 409 239 405 324 317

BERGANDA
Menggabungkan persamaan • 68 = 10a + 63b1 + 46b2 (1)
(a), (b), dan (c), diperoleh • 409 = 63a + 405b1 + 317b2 (2)
persamaan: • 239 = 46a + 317b1 + 324b2 (3)
Nilai koefisien regresi • -‐428,4= -‐63a – 396,9b1 – 289,8b2 Persamaan (1) x -‐6,3
diperoleh dengan cara
• 239 = 63a + 405b1 + 317b2 (2)
melakukan substitusi
• -‐19,4 = 0 + 8,1b1 + 27,2b2 (4)
antarpersamaan.
Menggabungkan Persamaan • -‐312,8= -‐46a – 289,8b1 – 211,6b2 Persamaan (1) x -‐4,6

(1) dan (3) dengan
• 409 = 46a + 317b1 + 324b2 (4)
mengalikan Persamaan (1)
• -‐73,8 = 0 +27,2b1 + 112,4b2 (5)
dengan -‐4,6.
BERGANDA
Untuk mendapatkan
nilai b2, gabungkan • 65,15 = 0 – 27,2b1 – 91,34b2 Persamaan (4) x -‐3,36
Persamaan (4) dan (5). • -‐73,8 = 0 + 27,2b1 + 112,4b2 (5)
Kalikan persamaan (4) • -‐8,65 = 0 + 0 + 21,06b2 (6)
dengan -‐3,36.
Dari persamaan (6), • -‐19,4 = 0 + 8,1b1 + 27,2(-‐0,41) (4)

maka nilai b2 adalah -‐ • -‐19,4 = 8,1b1 – 11,18
8,65/21,06 = -‐0,41. nilai • 8,1b1 = -‐19,4 + 11,8
b1 dapat dicari dengan • 8,1b1 = -‐8,22
menggunakan • b1 = -‐8,22/8,1
Persamaan (4) atau (5). • b1 = -‐1,015
BERGANDA
Setelah nilai koefisien regresi • 68 = 10a + 63(-‐1,015) + 46 (-‐0,41) (1)
b1 dan b2 diketahui, nilai a • 68 = 10a – 63,96 – 18,90
dapat dicari dengan • 10a = 63 + 92,86
memasukkan nilai b1 dan b2 ke • a = 150,86/10
dalam salah satu persamaan. • a = 15,086
Setelah menemukan nilai

koefisien regresi a, b1, dan b2,
persamaan regresinya dapat • Y = 15,086 – 1,015X1 – 0,41X2
dinyatakan sebagai berikut.
Dari persamaan di atas, diperoleh informasi bahwa apabila harga minyak
goreng naik Rp 1.000, maka permintaan minyak goreng setiap keluarga akan
turun 1,015 liter per bulan.
MENGGUNAKAN MS EXCEL
UNTUK MENGHITUNG KOEFISIEN REGRESI BERGANDA
1. Aktifkan program MS Excel.

Start >> Program >> MS Excel
2. Buka file baru.

Klik File >> New
3. Masukkan data Y ke kolom A, data

X1 ke kolom B, dan data X2 ke kolom
C.
Tampilan layar MS Excel setelah

melakukan entri data
4. Memunculkan kotak dialog Data Analysis untuk memulai

analisis regresi
Tools >> Data Analysis >> Regression
5. Setelah keluar kotak dialog Regression, masukkan

range data ke kolom input yang tersedia.
-‐ Masukkan range data Y pada Input Y Range dengan cara
memblok kolom A baris 2–11.
-‐ Masukkan data X1 dan X2 pada Input X Range, dari
kolom B baris 2 sampai kolom C baris 11.
-‐ Setelah selesai menginput, tekan OK.
Tampilan kotak dialog Regression

6. Hasil regresi akan keluar setelah Anda

menekan tombol OK.
7. Pada kolom coefficients, terdapat

nilai Intercept:
a = 15,086166
b1 (X Variable 1) = -‐1,0152403
b2 (X Variable 2) = -‐0,4109027
Tampilan hasil regresi linier pada MS

Excel
KOEFISIEN DETERMINASI, KORELASI
BRGANDA, DAN KORELASI PARSIAL
Koefisien Determinasi 2
n ( a ⋅ ∑ Y + b1 ⋅ ∑ YX1 + b2 ⋅ ∑ YX2 ) − ( ∑ Y )
Menunjukkan suatu proporsi R2 = 2
dari varian yang dapat n ⋅ ∑ Y2 − (∑ Y )
diterangkan oleh persamaan • Nilai R2 berkisar antara 0 – 1.
regresi.
Koefisien Korelasi
Digunakan untuk mengukur R = R2
keeratan hubungan antara
• Semakin besar nilai koefisien korelasi, hubungan
variabel terikat (Y) dengan
semakin erat.
variabel bebas (X).
rYX1 − rYX2rX1X2
rYX1⋅ X2 =
Korelasi Parsial (1 − r )(1 − r )
2
YX2
2
X1X2
Digunakan untuk melihat rYX2⋅ X1 =

rYX2 − rYX1rX1X2
besarnya hubungan antara (1 − r )(1 − r )
2
YX1
2
X1X2
dua variabel bebas dari rX1X2 − rYX2rYX2
variabel terikatnya. rX1⋅ X2⋅ Y =
(1 − r )(1 − r )
2
YX1
2
YX2
KESALAHAN BAKU
• Suatu ukuran untuk melihat ketepatan

antara nilai dugaan (Y) dengan nilai
Kesalahan Baku sebenarnya (Ŷ). Apabila nilai dugaan
semakin mendekati nilai sebenarnya,
persamaan yang digunakan semakin baik.
ˆ − Y)2
Rumus SY.X1X2 =
∑ (Y
n − (k + 1)
CONTOH PENGHITUNGAN KESALAHAN
BAKU PENDUGAAN
Persamaan regresi yang digunakan adalah:
Ŷ = 15,086 – 1,015X1 – 0,41X2
Y X1 X2 Ŷ = 15,086 – 1,015X1 – 0,41X2 (Ŷ – Y) (Ŷ – Y)2
3 8 10 2,86 = 15,086 – 1,015(8) – 0,41(10) 0,14 0,02

4 7 10 3,87 = 15,086 – 1,015(7) – 0,41(10) 0,13 0,02
5 7 8 4,69 = 15,086 – 1,015(7) – 0,41(8) 0,31 0,09
6 7 5 5,92 = 15,086 – 1,015 ( 7) – 0,41 ( 5) 0,08 0,01
6 6 4 7,35 = 15,086 – 1,015 ( 6) – 0,41 ( 4) -‐1,35 1,83
7 6 3 7,76 = 15,086 – 1,015 ( 6) – 0,41 ( 3) -‐0,76 0,58
8 6 2 8,17 = 15,086 – 1,015 ( 6) – 0,41 ( 2) -‐0,17 0,03
9 6 2 8,17 = 15,086 – 1,015 ( 6) – 0,41 ( 2) 0,83 0,68
10 5 1 9,60 = 15,086 – 1,015 ( 5) – 0,41 ( 1) 0,40 0,16
10 5 1 9,60 = 15,086 – 1,015 ( 5) – 0,41 ( 1) 0,40 0,16
(Ŷ – Y) 2 3,58
BAKU PENDUGAAN
Dari data di atas, dapat dibuat grafik sebagai berikut.
15
10
5
0
1 2 3 4 5 6 7 8 9 10
Y Y'
BAKU PENDUGAAN
Nilai dugaan pada sampel 1 – 4 dan 7 relatif lebih baik dibandingkan dengan sampel 5.
demikian juga untuk sampel 8 – 10. nilai kesalahan baku dapat dihitung sebagai
berikut.
ˆ − Y)2
SY.X1X2 =
∑ (Y
=
3.58
= 0,72
n − (n + k) 10 − (2 + 1)
BAKU PENDUGAAN
Kesalahan baku yang diperoleh dengan cara menghitung Ŷ dan selisih/residu,

membutuhkan waktu yang relatif lama. Ada rumus lain yang dapat membantu, yaitu:
∑ Y2 − a ∑ Y− b ∑ X Y− b ∑ X Y
1 1 2 2
SY.X1X2 =
n− 3
Sehingga nilai kesalahan baku pada contoh di atas adalah:

516 − (15,086 x 68) − ( −1,01524 − 409) − ( −0,41 x 239)
SY.X1X2 = = 0,72
10 − 3
Nilai kesalahan baku dapat dengan mudah diketahui dengan menggunakan

program komputer. Secara otomatis, nilai kesalahan baku akan terhitung pada
output program MS Excel maupun SPSS, yaitu standard error of the estimate.
SELANG KEPERCAYAAN
Setelah mengetahui cara menghitung kesalahan baku, kita
dapat menghitung selang kepercayaan. Pendugaan interval nilai
tengah Y dimaksudkan untuk mengetahui nilai dugaan Y untuk
seluruh nilai X yang diketahui. Rumusnya adalah:
Ŷ ± t(SY.X1.Y2 )
• di mana:
• Y = nilai dugaan untuk nilai X tertentu
• T = nilai t-‐tabel untuk taraf nyata tertentu
• sYX1YX2 = standard error variabel Y berdasarkan variabel X yang
diketahui
Tampilan nilai kesalahan baku pada MS

Excel
UJI HIPOTESIS
Uji Global
Uji global disebut juga uji signifikansi serentak atau uji F. Uji ini digunakan untuk:
-‐ melihat kemampuan menyeluruh variabel bebas mampu menjelaskan variabel terikat;
-‐ mengetahui apakah semua variabel bebas memiliki koefisien regresi sama dengan nol.
1. Menyusun hipotesis
Kemampuan yang ingin diuji adalah kemampuan variabel bebas menjelaskan variabel terikat.
Apabila variabel bebas tidak dapat memengaruhi variabel bebas, dapat dianggap bahwa
koefisien regresinya sama dengan nol (berapapun nilai variabel bebas, tidak akan berpengaruh
terhadap variabel terikat.)
Pada persamaan Ŷ = 15,086 – 1,015X1 – 0,41X2, variabel X mampu memengaruhi variabel Y
apabila nilai b1 dan b2 tidak sama dengan nol.
UJI HIPOTESIS
Uji Global
2. Menentukan daerah keputusan
Daerah keputusan diketahui dengan menggunakan tabel F. Untuk mencari nilai F, perlu
diketahui derajat bebas pembilang dan penyebut serta taraf nyata. Diketahui ada tiga
variabel yaitu Y, X1, dan X2, jadi k = 3, sedangkan jumlah n = 10. Jadi derajat pembilang k –
1 = 3 – 1 = 2, sedangkan derajat penyebut n – k = 10 – 3 = 7, dengan taraf nyata 5%. Nilai
F-‐tabel dengan derajat pembilang 2, penyebut 7 dan taraf nyata 5% adalah 4,74
Derajat bebas pembilang

1 2 3 4 5 … 120 ∝
1 161 200 216 225 230 … 253 254
2 18,5 19,0 19,2 19,2 19,3 … 19,5 19,5
3 10,1 9,55 9,28 9,12 9,01 … 8,55 8,53
4 7,71 6,94 6,59 6,39 6,26 … 5,66 5,63
5 6,61 5,79 5,41 5,19 5,05 … 4,40 4,37
6 5,99 5,14 4,76 4,53 4,39 … 3,70 3,67
7 5,59 4,74 4,35 4,12 3,97 … 3,27 3,23
… … … … … … … … …
∝ 3,84 3,00 2,60 2,37 2,21 … 1,22 1,00
UJI HIPOTESIS
Uji Global
3. Menentukan nilai F-‐hitung
Nilai F-‐hitung diperoleh melalui rumus:
R2 /(k − 1)
F=
(1− R2 ) /(n − 3)
Dari soal diketahui bahwa R2 = 0,933 dan n= 10, sehingga nilai F-‐hitung
adalah:
0,933/(3 − 1)
F= = 0,4665/ 0,0096 = 48,73881
(1− 0,933) /(10 − 3)
UJI HIPOTESIS
Uji Global
4. Menentukan daerah keputusan
Terima H1
F-Hitung= 48,74
Terima Ho
F-Tabel=4,74 Skala F
UJI HIPOTESIS
Uji Global
5. Memutuskan hipotesis
Nilai F-‐hitung > dari F-‐tabel dan berada di daerah
terima H1. Ini menunjukkan bahwa terdapat cukup
bukti untuk menolak H0 dan menerima H1.
Kesimpulan dari diterimanya H1 adalah nilai
koefisien regresi tidak sama dengan nol, dengan
demikian variabel bebas dapat menerangkan
variabel terikat.
UJI HIPOTESIS
Uji Global
Tampilan hasil nilai F-‐hitung pada MS

Excel
ASUMSI DAN PELANGGARAN ASUMSI
PADA REGRESI BERGANDA
Beberapa asumsi dalam regresi berganda adalah sebagai berikut:
Variabel tidak bebas dan variabel bebas memiliki hubungan yang Linier atau hubungan garis
lurus. Jadi hubungan Y dengan X harus Linier, bagaimana kalau tidak Linier? Untuk masalah ini
akan dibahas pada bab 7, namun untuk persamaan yang tidak Linier, maka datanya
ditransformasi terlebih dahulu menjadi Linier dan biasanya data di log-‐kan terlebih dahulu,
sehingga menjadi Linier.
• Variabel tidak bebas haruslah variabel bersifat kontinu dan paling tidak berskala selang.
Variabel kontinu ini adalah variabel yang dapat menempati pada semua titik dan biasanya
merupakan data dari proses pengukuran.
Nilai keragaman atau residu yaitu selisih antara data pengamatan dan data dugaan hasil regresi
(Y -‐ Ŷ) harus sama untuk semua nilai Y. Asumsi ini menyatakan bahwa nilai residu bersifat
konstan untuk semua data Y, (Y – Ŷ = θ). Asumsi ini memperlihatkan kondisi
HOMOSKEDASTISITAS yaitu nilai residu (Y -‐ Ŷ) yang sama untuk semua nilai Y, menyebar normal
dan mempunyai rata-‐rata 0.
• Pengamatan-‐pengamatan untuk variabel tidak bebas dari satu pengamatan ke pengamatan

lain harus bebas atau tidak berkorelasi. Hal ini penting untuk data yang bersifat deret
berkala.
• Pelanggaran asumsi multikolinier: antarvariabel bebas ada korelasi
1
• Cara mendeteksi adanya multikolinieritas:

• Variabel bebas secara bersama-‐sama pengaruhnya nyata, atau Uji F-‐nya nyata,
namun ternyata setiap variabel bebasnya secara parsial pengaruhnya tidak
nyata, (uji-‐t-‐nya tidak nyata).
• Nilai koefisien determinasi R2 sangat besar, namun ternyata variabel bebasnya

berpengaruh tidak nyata, (uji-‐t tidak nyata).
• Nilai koefisien korelasi parsial yaitu rYX1.X2, rYX2.X1, dan rX1X1.Y ada yang lebih
besar dari koefisiendeterminasinya.
• Heteroskedastisitas: varian atau residu tidak konstan.
• Heteroskedastisitas untuk menunjukkan nilai varians (Y – Ŷ) antarnilai Y tidaklah

2 sama atau hetero.
• Autokorelasi: antardata pengamatan berkorelasi.
• Autokorelasi merupakan korelasi antara anggota observasi yang disusun

menurut urutan waktu. Ada beberapa penyebab autokorelasi, yaitu: (a)
kelembamam. Kelembaman biasanya terjadi dalam fenomena ekonomi di
3 mana sesuatu akan memengaruhi sesuatu mengikuti siklus bisnis atau saling
kait mengkait. (b) terjadi bias dalam spesifikasi, yaitu ada beberapa variabel
yang tidak termasuk dalam model, dan (c) bentuk fungsi yang digunakan tidak
tepat, seperti semestinya bentuk nonlinier digunakan linier atau sebaliknya.
REGRESI BERGANDA DALAM EKONOMI
DAN KEUANGAN
Contoh kasus: Bank Keuntunga
n (miliar)
Aset
(miliar)
Harga
Saham
(miliar)
Keuntungan dipengaruhi aset
BCA 3.359 197.052 3.150
dan harga saham perbankan
MANDIRI 3.179 272.791 3.200
Y = a + b1X1 + b2X2
BRI 4.840 203.791 6.050
di mana: UOB 357 18.192 1.050
Y = keuntungan perusahaan NIAGA 770 54.890 690
(miliar/tahun) BNI 1.558 172.484 1.420
X1 = total aset (miliar/tahun) NISP 206 27.321 900
X2 = harga saham EKONOMI 185 14.956 1.120
(rupiah/lembar) LIPO 465 30.343 1.540

BTPN 338 10.550 2.175
DAN KEUANGAN
SUMMARY OUTPUT
Regression Statistics
Multiple R 0,982376
R Square 0,965063
Adjusted R Square 0,955081
ANOVA
Df SS MS F
Regression 2 24215132 12107566 96,68062
Residual 7 876628,3 125232,6
Total 9 25091760
Coefficients Standard Error t Stat P-‐value
Intercept -‐553,838 190,7177 -‐2,90397 0,022856
X Variable 1 0,008275 0,001621 5,103801 0,001394
X Variable 2 0,587036 0,098584 5,954691 0,000567

DAN KEUANGAN
Y = -‐553.838 + 0,008275X1 + 0,587036X2
(t = -‐2,90) (t = 5,10) (t = 5,95)
R Square = 0,965
Nilai F-‐hitung = 96,68
Persamaan Y = -‐553.838 + 0,008275X1 + 0,587036X2 menyatakan bahwa bila aset (X1)

meningkat 1 miliar, maka keuntungan akan meningkat 0,008275 miliar.
Nilai R2 = 0,965 menunjukkan kemampuan variabel aset dan harga saham menjelaskan
perilaku keuntungan perusahaan sebesar 96,5%, sisanya sebesar 3,5% dijelaskan oleh
variabel lain.
CONTOH BENTUK NONLINIER, VARIABEL KUALITATIF, DAN
DISTRIBUSI LAG
Hubungan laba dan kredit di

perbankan lebih mendekati fungsi
kuadratik
70
CONTOH BENTUK NONLINIER, VARIABEL KUALITATIF, DAN
DISTRIBUSI LAG
71
PENGERTIAN REGRESI NONLINIER
Regresi nonlinier atau kurvilinier, adalah suatu

fungsi yang menggubungkan variabel terikat Y
dengan variabel bebas X yang sifatnya tidak
konstan untuk setiap perubahan nilai X.
72
BENTUK FUNGSI NONLINIER
1. Bentuk Double Log, Y = αXb

Bentuk double log: perubahan X
menyebabkan perubahan Y yang tidak
sama
Fungsi Line a r
Eksponensial (b<0)
16
LnY = Lnα + Ln X
20 14 Y= a+ b X
Y = aXb
12
15
10
10 8
Y
Y
6
5
4
0 2
12 3456 78 0
1 2 3 4 5 6 7 8
X X
73
2. Bentuk Semi Log Y = αebX

Bentuk semilog: perubahan X secara
absolut menyebabkan perubahan Y secara
proporsional
Fungsi Semi Log Fungsi Semi Log
16 16
14
Log Y= a + bx
14
Log Y= a - bx
12 12
10 10
8
Y
8
Y
Log Y= a + bLog X
6
6
Log Y= a – bLog X
4
4
2
2 0
0 1 2 3 4 5 6 7 8
1 2 3 4 5 6 7 8
X
X
74
3. Bentuk Hiperbola Y= a + b (1/X)

Bentuk hiperbola: Peningkatan X
menyebabkan peningkatan Y nir-linier
Fungsi Hiperbola
16
14
12
Y= a + b(1/X)
10
8
6
4 Y= a - b(1/X)
2
0
1 2 3 4 5 6 7 8
75
4. Bentuk Kuadratik Y= a + b X2
Bentuk Kuadratik: fungsi mempunyai titik
minimum dan maksimum
Fungsi Kuadratik
30,00
20,00
Y
10,00
0,00
2 4 9 10 11 13 78
76
CONTOH: FUNGSI REGRESI DAN BENTUK YANG SESUAI
No Bank Laba (triliun) Kredit (triliun)

1 BRI 3,6 65
2 Mandiri 2,5 37
3 BCA 2,5 21
4 BNI 1,5 39
5 Danamon 0,9 18
6 Permata 0,1 5
7 Niaga 0,8 8
8 BTPN 0,2 10
9 Lippo Bank 0,5 5
10 Ekonomi 1,1 10
77
1. Fungsi linier Y = a + b X
Y X Ŷ Hubungan Kredit dan Laba
0,1 5 0,50 4
Hasil regresi Y = 0,25 + 0,052 X
0,2 10 0,76 3,5
0,5 5 0,50 3
0,8 8 0,66 2,5
Laba
0,9 18 1,17 2
1,1 10 0,76 1,5
1
1,5 39 2,26
0,5
2,5 37 2,15
0
2,5 21 1,33 5 5 8 10 10 18 21 37 39 65
Volume Kredit
3,6 65 3,60
Y =0,25 + 0,052 X ; R2 = 0,769 Data Riel Trend Linier
78
2. Fungsi Double Log, Y = αXb
Y X LnY LnX Y Hubungan Kredit dan

Laba
0,1 5 -2,3 1,6 -1,3
0,2 10 -1,6 2,3 -0,6 4
0,5 5 -0,7 1,6 -1,3 3
0,8 8 -0,2 2,1 -0,8 2
0,9 18 -0,1 2,9 0,0
Laba
1
1,1 10 0,1 2,3 -0,6 0

1,5 39 0,4 3,7 0,8
10
10
18
21
37
39
65
5
5
8
-1
2,5 37 0,9 3,6 0,8
-2
2,5 21 0,9 3,0 0,2 Volum e Kre dit
3,6 65 1,3 4,2 1,4 Data Riel Trend Linier

Y= -2,97364 + 1,0414 X, R2 = 0,81
79
3. Fungsi Semilog Y = αebX

Y X LnX Y
Hubungan Kredit
0,1 5 1,6 0,12 dan Laba
0,2 10 2,3 0,89
4
0,5 5 1,6 0,12
3,5
0,8 8 2,1 0,64 3
2,5
0,9 18 2,9 1,55
Laba
2
1,1 10 2,3 0,89 1,5
1
1,5 39 3,7 2,42
0,5
2,5 37 3,6 2,36 0
2,5 21 3,0 1,72
10
10
18
21
37
39
65
5
5
8
3,6 65 4,2 2,99 Volume Kredit
Y = -1,68 + 1,12 X, R2 = 0,87 Data Riel Trend Linier
80
4. Fungsi Kuadratik Y = a + bX2.

Y X X2 Ŷ
0,1 5 25 0,80 Hubungan Kredit
dan Laba
0,2 10 100 0,85
0,5 5 25 0,80 5
0,8 8 64 0,83 4
Laba
3
0,9 18 324 1,01
2
1,1 10 100 0,85 1
1,5 39 1521 1,88 0
2,5 37 1369 1,77
10
10
18
21
37
39
65
5
5
8
2,5 21 441 1,10 Volume Kredit
3,6 65 4225 3,83
Data Riel Trend Linier
Y=0,78 + 0,0007X; R2= 0,83
81
RUMUS
Y = a + b1X1 + b2 D + ε
di mana:
Y : variabel terikat
X1 : variabel bebas kuantitatif
D : variabel bebas kualitatif (dummy), nilai 0 dan 1
ε : error
82
CONTOH PEMBUATAN REGRESI
Responden Minyak (Lt/bl) Harga (000/lt) Kesadaran Kolesterol
1 7 7 0
2 6 5 1
3 4 8 1
4 10 5 0
5 7 7 1
6 7 8 0
7 5 7 1
8 5 8 1
9 9 6 0
Persamaan regresinya adalah Y = a + b1X1 + b2 D + ε,
83
PENGGUNAAN MS EXCEL UNTUK MENCARI KOEFISIEN REGRESI
BERGANDA
Regression Statistics
Multiple R 0,906
R Square 0,821
Adjusted R Square 0,761
Standard Error 0,947
Observations 9
ANOVA df SS MS F
Regression 2 24,618 12,309 13,723
Residual 6 5,382 0,897
Total 8 30,000
Coefficients Standard Error t Stat P-value
Intercept 15,736 2,003 7,857 0,001
X Variable 1 -0,773 0,286 -2,706 0,035
X Variable 2 -2,464 0,651 -3,783 0,009
Hasil regresi tersebut adalah sebagai berikut:
Y = 15,736 – 0,773 X1 – 2,464 D

84
CONTOH FUNGSI YANG MENGGUNAKAN VARIABEL LAG
• Ct = f (Yt, Yt-1, Yt-2, …, Ct-1, Ct-2, …)

Fungsi Konsumsi
• It = f ( πt, πt-1, πt-2, … It-1, … )

Fungsi Investasi
• Qd = f (Px, Py, Yt, Yt-1, … Qdt-1)

Fungsi Permintaan
85
PENGGUNAAN MS EXCEL UNTUK MENCARI KORELASI
Penyebab yang bersifat teknis.
Apa penyebab dari

variabel lag? Penyebab yang bersifat kelembagaan.
Penyebab yang bersifat psikologis.
86
CONTOH SOAL
Nomor Responden Konsumsi (Rp.000/bl) Anggota Klg Pendapatan (Rp.000/bl)

(orang)
1 504 4 739
2 408 2 549
3 576 5 941
4 348 2 520
5 420 2 657
6 480 3 536
7 432 2 797
8 504 5 686
9 612 6 1656
10 324 2 650
87
Model tanpa lag Y = a + b1X1 + b2X2; di mana X1 adalah anggota

keluarga dan X2 pendapatan pada tahun ke-t. hasil regresi dengan menggunakan komputer
Y X1 X2 R-Square 0.836
504 4 739 F-hitung 17.80
408 2 549 Coefficients t
576 5 941 Intersep 273,902 7.539
348 2 520 X Variabel 1 47,580 3.586
420 2 657 X Variabel 1 0.03865 0.625
480 3 536
432 2 797
504 5 686
612 6 1656
324 2 650
Nb t-tabel dengan df 7 α 5% = 2,365.

Nilai F tabel df 2;7 ;α 5% =4,74
88
Model dengan lag Y = a + b1X1 + b2X2; di mana X1 adalah anggota keluarga dan X2
pendapatan pada tahun ke-t-1.
Y X1 X2 R-Square 0.953
504 4 739 F-hitung 60,52
408 2 549 Coefficients T
576 5 941 Intersep 383,052 12,47
348 2 520 X Variabel 1 47,664 8,797
420 2 657 X Variabel 1 -0,102 -4,07
480 3 536 R-Square 0.953
432 2 797
504 5 686
612 6 1656
324 2 650

89
Model gabungan Yt dan Yt-1. setelah melakukan regesi terhadapYt saja pada bagian 1, dan
Yt-1 saja pada bagian 2, maka pada bagian ini akan digabungkan Yt dan Yt-1, serta
bagaimana hasilnya
Y X1 X2 (Yt) R-Square 0.962

504 4 739 F-hitung 42,57
408 2 549 Coefficients T
576 5 941 Intersep 373,374 11,82
348 2 520 X Variabel 1 41,213 5,28
420 2 657 X Variabel 2 0,0399 1,13
480 3 536 X Variabel 2 -0,102 -4,14
432 2 797
504 5 686
612 6 1656
324 2 650

90
TERIMA KASIH
91

Korelasi Dan Regresi

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Korelasi Dan Regresi

Diunggah oleh

Hak Cipta:

Format Tersedia

Arif

Bagian I Statistik Induktif

Metode dan Distribusi Sampling Pengertian Korelasi Sederhana

Teori Pendugaan Statistik Uji Signifikansi Koefisien Korelasi

Analisis Regresi: Metode Kuadrat Terkecil

Pengujian hipotesis Sampel Kecil Kesalahan Baku Pendugaan

Asumsi-asumsi Metode Kuadrat Terkecil

•Suatu teknik statistika yang

Hubungan Inflasi dan Suku Hubungan Produksi dan

Gambar pertama menunjukkan hubungan

Rumus di atas adalah rumus koefiseien regresi, di mana:

Korelasi negatif Korelasi negatif Korelasi positif Korelasi positif

-1,0 -0,5 0,0 0,5 1,0

Rumus koefisien korelasi

 Koefisien determinasi r2

 atau r : Nilai koefisien korelasi

4. Menentukan daerah keputusan dengan nilai kritis 2,36

Daerah menolak Ho Daerah menolak Ho

Daerah tidak menolak Ho

–2,36 t = –1,21 2,36

5. Menentukan keputusan. Nilai t-hitung ternyata terletak pada daerah tidak

3. Menentukan nilai uji t

4. Menentukan daerah keputusan dengan nilai kritis 2,23

Daerah menolak Ho Daerah menolak Ho

–2,23 2,23 t= 5,33

Hubungan Inflasi dan Suku Bunga

Hubungan Inflasi dan Suku Bunga

Hubungan Inflasi dan Suku Bunga

Gambar A: selisih antara dugaan dan aktual lebih kecil

Hubungan Inflasi dan Suku Bunga

Y : Nilai variabel bebas Y

X : Nilai variabel bebas X

4,54 271 Ŷ = 2,8631 + 0,0086 x 271 5.1853 -0.6453

4,53 319 Ŷ = 2,8631 + 0,0086 x 319 5.5966 -1.0666

5,03 411 Ŷ = 2,8631 + 0,0086 x 411 6.3850 -1.3550

6,05 348 Ŷ = 2,8631 + 0,0086 x 348 5.8451 0.2049

6,09 287 Ŷ = 2,8631 + 0,0086 x 287 5.3224 0.7676

6,14 330 Ŷ = 2,8631 + 0,0086 x 330 5.6909 0.4491

6,37 383 Ŷ = 2,8631 + 0,0086 x 383 6.1450 0.2250

7,40 384 Ŷ = 2,8631 + 0,0086 x 384 6.1536 1.2464

7,22 472 Ŷ = 2,8631 + 0,0086 x 472 6.9077 0.3123

7,81 610 Ŷ = 2,8631 + 0,0086 x 610 8.0902 -0.2802

8,49 640 Ŷ = 2,8631 + 0,0086 x 640 8.3473 0.1427

Persamaan Ŷ= 2,8631 + 0,0086 X.

Gambar A: Koordinat antara Y dan Ŷ

Persamaan Ŷ= 2,8631 + 0,0086 X.

Gambar B: Koordinat antara Y dan , dimana

 Standar error atau kesalahan baku Pendugaan

Sy.xC : Standar error variabel Y berdasarkan variabel X yang diketahui

Beberapa asumsi penting metode kuadrat terkecil adalah sebagai berikut:

Nilai tengah terletak

Ŷ : Nilai dugaan dari Y untuk nilai X tertentu

sedangkan dengan cara yang sama interval A adalah:

di mana Sa dan Sb adalah sebagai berikut:

Y adalah nilai sebenarnya,

Regresi (Regression) 1 SSR = ∑( Ŷ – Y)2 MSR

Kesalahan (error) n-2 SSE MSE

Total n-1 SST

Rumus persamaan regresi dua variabel independen:

Rumus persamaan regresi tiga variabel independen:

Rumus persamaan regresi k variabel independen:

Untuk memperoleh nilai koefisien regresi a, b , dan b dari

 Koefisien determinasi r2

 atau r : Nilai koefisien korelasi

 Standar error atau kesalahan baku Pendugaan

Menggabungkan Persamaan • -‐312,8= -‐46a – 289,8b1 – 211,6b2 Persamaan (1) x -‐4,6

Dari persamaan (6), • -‐19,4 = 0 + 8,1b1 + 27,2(-‐0,41) (4)

Tampilan hasil nilai F-‐hitung pada MS

• Pengamatan-‐pengamatan untuk variabel tidak bebas dari satu pengamatan ke pengamatan

Coefficients Standard Error t Stat P-‐value

Intercept -‐553,838 190,7177 -‐2,90397 0,022856

Persamaan Y = -‐553.838 + 0,008275X1 + 0,587036X2 menyatakan bahwa bila aset (X1)