HALAMAN JUDUL
KATA PENGANTAR..............................................................................................i
DAFTAR ISI...........................................................................................................ii
BAB I PENDAHULUAN.......................................................................................iii
I.1 LATAR BELAKANG.......................................................................................iii
I.2 RUMUSAN MASALAH..................................................................................iii
I.3 TUJUAN............................................................................................................iv
I.4 MANFAAT........................................................................................................iv
BAB II PEMBAHASAN.........................................................................................1
II.1 Konsep Regresi Sederhana................................................................................1
II.1.1 Pengertian Regresi Linier Sederhana.................................................1
II.1.2 Ukuran Tingkat Ketelitian (standart Eror dari OLS)..........................2
II.1 3 Goodness Of Fit..................................................................................3
II.1.4 Bentuk Fungsional Hubungan Regresi...............................................7
II.1.5 Uji Hipotesis.......................................................................................4
II.1.6 Uji Normalitas............................................................................................9
II.1.7 Kecocokan Model............................................................................10
II.1.8 Regresi Sederhana Dengan Program E-Views.................................10
II.2 Konsep Regresi Berganda...............................................................................14
II.2.1 Koefisien Determinasi......................................................................14
II.2.2 Uji Hipotesis Regresi Keseluruhan (Uji-F)......................................15
II.2.3 Pemilihan model fungsi regresi........................................................16
II.2.4 Identifikasi Model Regresi...............................................................16
II.2.5 Model terbaik regresi........................................................................16
BAB III PENUTUP..............................................................................................20
III.1 KESIMPULAN..............................................................................................20
III.2 SARAN..........................................................................................................20
DAFTAR PUSTAKA...........................................................................................22
i
BAB I
PENDAHULUAN
Istilah regresi pertama kali digunakan dalam statistik oleh Sir Francis
Galton pada tahun 1877. Galton membuat penelitian yang menunjukkan bahwa
sifat tinggi badan anak yang dilahirkan ternyata menurun (regress) dari tinggi
badan orang tuanya. Kemudian Galton menggunakan kata “regresi” untuk
menamakan analisis proses prediksi keterkaitan antara variabel tinggi badan anak
dengan tinggi badan orang tuanya. Perkembangan selanjutnya para peneliti
menggunakan istilah multiple regression atau regresi berganda untuk menjelaskan
pengaruh beberapa variabel bebas (independent) terhadap variabel terikat
(dependent).
Kegunaan regresi dalam penelitian salah satunya adalah memprediksi nilai
variabel terikat (biasanya dinotasikan dengan huruf Y) apabila variabel bebas
(biasanya dinotasikan dengan huruf X) telah diketahui. Analisis regresi adalah
analisis satu arah (non-recursive).
Asumsi umum atau prasyarat analisis regresi diantaranya:
1. Data yang dianalisis jenis data interval atau ratio
2. Data dipilih secara random
3. Data yang dihubungkan berdistribusi normal
4. Data yang dihubungkan berpola linear
5. Data yang dihubungkan mempunyai pasangan yang sama sesuai dengan
subjek yang sama.
2
negatif dan untuk memprediksi nilai dari variabel dependen apabila nilai variabel
independen mengalami kenaikan atau penurunan.. Data yang digunakan biasanya
berskala interval atau rasio.
Y = Variabel dependen
a = Konstanta
x = Variabel independen
e = error
Pada analisis regresi terdapat dua jenis variabel, yaitu: variabel bebas
(sebagai variabel predictor) dan variabel terikat. Variabel bebas sering
dinotasikan dengan X1, X2, X3, X4…, dan seterusnya. Sedangkan variabel terikat
(dependent) dinotasikan dengan Y.
Koefisien (b) regresi linier adalah nilai dari variabel (X) yang bisa
bermakna positif atau negatif, yang fungsinya mempengaruhi variabel (Y). Jika
nilai variabel X positif maka akan berpengaruh naik terhadap variabel Y, akan
tetapi jika nilai variabel X ternyata negatif justru akan berpengaruh turun terhadap
variabel Y. Makna positif (+) atau negatif (-) tersebut diinterpretasikan dalam
besaran satuan. Jika positif maka naik sebesar satu satuan, jika negatif maka turun
sebesar satu satuan.
Ukuran tingkat ketelitia diukur dari standart eror estimator yang diperoleh
dari metode OLS adalah variabel yang sifat aslinya random yaitu nilainya berubah
dari satu sampel ke sampel yang lainnya . oleh karena itu kita membutuhkan
ketepatan dari estimator 𝛽0 dan 𝛽1 . di dalam statistika untuk mengetahui ketepatan
estimator OLS ini diukur dengan menggunakan kesalahan standart error .standart
eror bagi estimator 𝛽0 dan 𝛽1 :
∑ 𝑋12
𝑉𝑎𝑟(𝛽 ) =
°
𝑛 ∑ 𝑋12
∑ 𝑋2
𝑆𝑒(𝛽 ) = √ 1 𝜎
° ∑ 𝑋12
𝜎
𝑉𝑎𝑟(𝛽1) =
∑ 𝑋12
𝜎
𝑆𝑒(𝛽1) = √
∑ 𝑋21
∑ 𝑒12
𝜎=
𝑛−𝑘
Semakin kecil standart eror dari estimator maka semakin kecil variabilitas
dari angka estimator dan berarti semakin dipercaya nilai estimator yang didapat
bagaimana varian dan kesalahan standar dari estimator mampu membuat
keputusan tentang kebenaran dari estimator akan dijelaskan dalam subbab
berikutnya .
Model regresi sederhana adalah suatu model yang melihat hubungan antar
dua variabel. Salah satu variabel menjadi variabel bebas (Independent variable)
dan variabel yang lain menjadi variabel terikat (Dependent variable). Dalam
regresi sederhana ini, akan kita ambil suatu contoh kasus mengenai hubungan
antara
pengeluaran konsumsi dan pendapatan di US pada tahun 1996 – 2005 (Gujarati,
2003: 6). Persamaan model ini adalah:
Y = 0 + 1X +
Setelah muncul data yang akan diolah, kemudian blok variable X dan Y - Klik
kanan: Open - as Group. Maka, akan muncul tampilan :
Setelah itu ketik data yang akan diolah : Y spasi c spasi X, pilih Method: LS –
OK. Variabel yang kita tulis pertama adalah variabel dependen, selanjutnya
adalah konstanta dan variabel independent.
Maka akan tampak hasil regresi seperti berikut:
Dependent Variable: Y
Included observations: 10
Dari hasil regresi diatas maka akan didapatkan persamaan sebagai berikut:
Y = 24.45455 + 0.509091X
Y = 24.45455 + 0.509091(5000)
Y = 2569.91
Jadi, jika pendapatan sebesar 5000 milyar dolar US maka tingkat konsumsi individu
adalah sebesar 2569.91 milyar dolar US.