Outline Analisis Regresi Menggunakan SPSS/Excel/R

A. Pembentukan Model Regresi

 Analyze > Regression > Linear
 Masukkan variabel bebas dan variabel tidak bebas dan klik OK

 Output

( )
−
B. Seleksi Model – All Possible Regression
 Persiapkan data dan tabel All Possible Regression

 Regresikan Y terhadap masing-masing (pasangan) variabel X yang mungkin

Data > Data Analysis > Regression (pastikan ada) dan klik OK

 Output (contoh untuk )

 Buat formula sesuai kriteria All Possible Regression di Modul hal. 49 dan masukkan nilai
output regresi yang dibutuhkan. Terakhir, pilih model regresi terbaik.
C. Seleksi Model – Forward Selection
Analyze > Regression > Linear. Pilih Forward pada bagian Method.
Model terbaik adalah model pada langkah terakhir

D. Seleksi Model – Backward Elimination

Analyze > Regression > Linear. Pilih Backward pada bagian Method.
Model terbaik adalah model pada langkah terakhir.

E. Seleksi Model – Stepwise Regression

Analyze > Regression > Linear. Pilih Stepwise pada bagian Method.
Model terbaik adalah model pada langkah terakhir.
F. Deteksi Pencilan dan Amatan Berpengaruh
 Analyze > Regression > Linear
 Klik button Save
 Centang kriteria untuk menentukan pencilan dan amatan berpengaruh

 Output
Identifikasi amatan yang merupakan pencilan dan amatan berpengaruh sesuai kriteria
di modul halaman 53-54. Untuk mempermudah, urutkan datanya berdasarkan kriteria
tertentu (Data > Sort Cases)

G. Deteksi Heteroskedastisitas – Metode Grafik

 Analyze > Regression > Linear
 Klik button Plots
 Plot Residual vs Fitted Value aka ZRESID vs ZPRED
  Output

Jika plot tidak tersebar secara acak, maka terdapat indikasi heteroskedastisitas

H. Deteksi Heteroskedastisitas – Uji Korelasi Rank Spearman

 Hitung
 Analyze > Regression > Linear
 Klik button Save
 Centang Unstandardized di bagian Residuals

 Hitung | |
Transform > Compute Variables
  Hitung korelasi Spearman antara | | dengan
Analyze > Correlate > Bivariate
Masukkan variabel | | dan kemudian centang Spearman

 Output
Perhatikan − dari korelasi antara | | dan , jika ada yang signifikan ( −
< ) maka terjadi hetersokedastisitas

I. Deteksi Heteroskedastisitas – Uji Park

 Hitung
 Hitung ln
Transform > Compute Variables

 Hitung ln (ln untuk setiap variabel )

Transform > Compute Variables

 Regresikan ln terhadap ln
  Output
Perhatikan − dari setiap koefisien regresi, jika ada yang signifikan ( − <
) maka terjadi hetersokedastisitas

J. Deteksi Heteroskedastisitas – Uji Breusch-Pagan

 Hitung

 Hitung
Transform > Compute Variables
  Regresikan terhadap

 Output
Perhatikan nilai (adjusted jika >1 var. bebas) dan lakukan uji hipotesis seperti di
modul hal. 58

K. Mengatasi Heteroskedastisitas – Feasible GLS

 Hitung
 Hitung = ln
Transform > Compute Variables

 Hitung
Analyze > Regression > Linear

 Hitung ℎ =
Transform > Compute Variables
 Hitung
Transform > Compute Variables

 Gunakan WLS dengan penimbang

Analyze > Regression > Linear

 Output
Diperoleh persamaan regresi dengan WLS
L. Mendeteksi Multikolinearitas – Matriks Korelasi Antarvariabel Bebas
 Analyze > Correlate > Bivariate
Masukkan semua variabel bebas yang ada

 Output
Periksa korelasi setiap pasangan variabel bebas, jika ada yang signifikan ( − <
) maka terjadi multikolinearitas

M. Mendeteksi Multikolinearitas – VIF

 Analyze > Regression > Linear
  Output
Jika ada > 10 maka terjadi multikolinearitas

N. Mengatasi Multikolinearitas – Ridge Regression

 Source Code RStudio

 Ridge Trace Plot

Pilihan konstanta bias (disimbolkan K dalam RStudio) berada saat nilai koefisien Ridge
mulai stabil
 
Dengan menggunakan kriteria pilih nilai yang nilai -nya mendekati 1

 Koefisien Ridge
Dengan melihat nilai koefisien ridge, pastikan bahwa nilai yang terpilih memiliki
koefisien ridge yang mulai stabil (nilai yang kecil lebih diprioritaskan)

 Buat model dengan nilai terpilih

O. Mendeteksi Autokorelasi – Scatter Plot

 Hitung
 Plot residual vs urutan observasi
Graphs > Chart Builder

 Output
Jika plot membentuk pola siklis, maka terdapat indikasi autokorelasi
P. Mendeteksi Autokorelasi – Uji Durbin-Watson
 Analyze > Regression > Linear

 Output
Perhatikan nilai statistik uji Durbin-Watson dan lakukan pengujian pada modul hal. 65

Q. Mengatasi Autokorelasi – Cochrane-Orcutt Procedure

 Bentuk tabel seperti di bawah untuk menghitung r dan menentukan dan

 Regresikan terhadap dan lakukan uji Durbin-Watson pada model ini.

 Jika tidak terdapat masalah autokorelasi, transformasikan kembali ke bentuk asal sesuai
formula di modul halaman 67.
 Jika terdapat masalah autokorelasi, lakukan iterasi dengan mencari nilai yang baru
dari model hasil transformasi.
R. Note

Anareg starter-pack (sangat subjektif dan kondisional)

Hubungan antarvariabel : matriks korelasi
Seleksi model : AIC, Stepwise Regression
Pencilan : Mahalanobi’s Distance
Amatan Berpengaruh : Cook’s Distance
Hetersoskedastistas : Breusch-Pagan, Feasible GLS
Multikolinearitas : VIF, Ridge Regression
Autokorelasi : Durbin-Watson, Cochrane-Orcutt