DAFTAR ISI

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

I.1 LATAR BELAKANG

Analisis regresi merupakan salah satu alat statistik yang banyak

digunakan dalam berbagai bidang. Analisis tersebut bertujuan untuk mengetahui
hubungan antara variabel dependen dan variabel independen. Ada beberapa
macam tipe dari analisis regresi. Tipe yang pertama adalah analisis regresi linier
sederhana yang berfungsi untuk mengetahui hubungan linier antara dua variabel,
satu variabel dependent dan satu variabel independent. Tipe kedua adalah analisis
regresi linier berganda yang merupakan model regresi linier dengan satu variabel
dependent dan lebih dari satu variabel independent.

Pemodelan dengan regresi telah banyak digunakan mulai dari bidang

sosial, ekonomi, kimia, kesehatan, dan sebagainya. Dengan model regresi yang
dihasilkan, dapat diketahui variabel-variabel yang secara signifikan
mempengaruhi variabel yang lain. Untuk bisa memperoleh variabel-variabel yang
berpengaruh tersebut maka model yang diperoleh harus dapat memenuhi asumsi-
asumsi yang berlaku di dalam regresi.

Bagaimana model regresi linier sederhana dan regresi linier berganda,

asumsi-asumsinya, serta makna dari parameter-parameter regresi linier berganda
dan regresi linier sederhana. Oleh karena itu dalam makalah ini penulis akan
membahas materi dengan judul “Analisis Regresi Linier Sederhana dan Regresi
Berganda”.

I.2 RUMUSAN MASALAH

I.2.1 Apa yang dimaksud dengan regresi sederhana dan berganda?
I.2.2 Bagaimana asumsi dalam analisis regresi sederhana dan berganda ?
I.2.3 Apa saja parameter-parameter analisis regresi sederhana dan berganda?
I.2.4 Bagaimana model-model dalam analisis regresi sederhan adan berganda?
 BAB II
PEMBAHASAN

II.1 Konsep Regresi Sederhana

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.

II.1.1 Pengertian Regresi Linier Sederhana

Regresi Linear Sederhana adalah regresi yang memiliki satu variabel

independen (X) dan satu variabel dependen (Y). Analisis Regresi Sederhana ini
bertujuan untuk menguji pengaruh antara variabel X terhadap variabel Y. Variabel
yang dipengaruhi disebut variabel dependen, sedangkan variabel yang
mempengaruhi disebut variabel independen. Analisis ini untuk mengetahui arah
1
hubungan antara variabel independen dengan variabel dependen apakah positif
atau

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.

Model persamaan regresi linier sederhana sebagai berikut:

Y = a + bX + e

Y = Variabel dependen

a = Konstanta

b = Koefisien variabel independen

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.

II.1.2 Ukuran Tingkat Ketelitian (standart Eror dari OLS)

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

semua variabel dalam perhitungan standart eroor di atas dapat diestimasi

dari data yang ada kecuali σ2 dihitung dengan formula :

∑ 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 .

II.1 3 Goodness Of Fit

Model statistik menggambarkan seberapa baik itu cocok dengan

serangkaian pengamatan . ukuran goodness of fit biasanya meringkas perbedaan
antara nilai yang diamati dan nilai yang diharapkan dalam model tersebut .
langkah tersebut dapat digunakan dalam pengujian hipotesis statistik ,misalnya
untuk menguji normalitas residual ,untuk menguji apakah dua sampel diambil dari
distribusi yang identik ,atau apakah frekuensi hasil mengikuti distribusi yang
ditentukan.
II.1.4 Bentuk Fungsional Hubungan Regresi
Pemilihan bentuk fungsional hubungan regresi terkait dengan pemilihan
peubah bebasnya. Ada kalanya, teori bilang ilmu bersangkutan bisa menunjukkan
bentuk fungsional yang cocok. Teori belajar, misalnya, mungkin mengindikasikan
bahwa fungsi regresi yang menghubungkan biaya produksi dengan berapa kali
suatu item tertentu telah pernah muncul harus memiliki bentuk tertentu dengan
sifat-sifat asimtotik tertentu pula.
Yang lebih sering dijumpai adalah bahwa bentuk fungsional hubungan
regresi tersebut tidak diketahui sebelumnya, sehingga harus ditetapkan setelah
datanya diperoleh dan dianalisis. Oleh karenanya, fungsi regresi linier atau
kuadratik sering digunakan sebagai suatu model yang cukup memuaskan bagi
fungsi regresi yang tidak diketahui bentuknya. Bahkan, kedua jenis fungsi regresi
yang sederhana itu masih juga sering digunakan meskipun teori yang
mendasarinya menunjukkan bentuk fungsionalnya, terutama bila bentuk
fungsional yang ditunjukkan oleh teori terlalu rumit namun secara logis bisa
dihampiri oleh suatu fungsi linier atau kuadratik.
1. Model
Bentuk umum fungsi regresinya linear dapat dituliskan sebagai berikut:
Yi = β0 + β1Xi + εi
Dalam hal ini :
Yi adalah nilai perubahan respons dalam amatan ke-i
β 0 dan β 1 adalah parameter
Xi adalah konstanta yang diketahui, yaitu nilai peubah bebas dari amatan ke-i
ε 1 adalah suku galat yang bersifat acak dengan rataan E{εi} = 0 dan ragam σ2{εi}
= σ2; εi dan εj tidak berkorelasi sehingga peragam (covariance) σ{εI, εj} = 0 untuk
semua i, j; i ≠
j i = 1, 2,....., n
Model regresi tersebut dikatakan sederhana, linear dalam parameter, dan
linier dalam peubah bebas. Dikatakan “sederhana” karena hanya ada satu peubah
bebas, “linear dalam parameter” karena tidak ada parameter yang muncul sebagai
salah satu eksponen atau dikalikan atau dibagi oleh parameter lain, dan “linear
dalam peubah bebas” sebab peubah ini di dalam model berpangkat satu. Model
yang linear dalam parameter dan linear dalam peubah bebas juga dinamakan
model ordo-pertama.
2. Makna Parameter Regresi
Kedua parameter β0 dan β1 dalam model regresi . dinamakan koefisien
regresi. β1 adalah kemiringan (slope) garis regresi. Kemiringan menunjukkan
perubahan rataan sebaran peluang bagi Y untuk stiap kenaikan X satu satuan.
Parameter β0 adalah nilai intersep Y garis regresi tersebut. Bila cakupan model
tidak mencakup X = 0, maka β0 mempunyai makna sebagai rerata.

Intersep 𝛽0 = 0,4845 menunjukkan nilai fungsi pada X = 0. karena model

regresi linear ini diformulasikan untuk diterapkan pada pendapatan yang berkisar
antara 11 sampai 120, maka dalam hal ini β0 mempunyai makna rata-rata
konsumsi pada waktu X sama dengan nol adalah sebesar 0,4845.

3. Metode Kuadrat Terkecil

Tujuan metode kuadrat terkecil adalah menemukan nilai dugaan b0 dan b1
yang menghasilkan jumlah kesalahan kuadrat minimum. Dalam pengertian
tertentu, yang segera akan bahas, nilai dugaan itu akan menghasilkan fungsi regresi
linier yang “baik”.
Penduga Kuadrat Terkecil.
Pendekatan Pertama, digunakan suatu prosedur pencarian numerik.
Prosedur ini untuk berbagai nilai dugaan b0 dan b1 yang berbeda sampai
diperoleh nilai dugaan yang meminimumkan. Pendekatan kedua adalah
menemukan nilai- nilai b0 dan b1 secara analitis yang meminimumkan Jumlah
Kesalahan Kuadrat (Σe2) . Pendekatan analitis mungkin dilakukan bila model
regresinya secara sistematis tidak terlalu rumit.
4. Asumsi-Asumsi Metode Kuadrat Terkecil
Metode OLS yang dikenal sebagai metode Gaussian merupakan landasan
utama di dalam teori ekonometrika. Metode OLS ini dibangun dengan
menggunakan asumsi-asumsi tertentu.
Asumsi yang berkaitan dengan model garis regresi linier dua variabel
 Asumsi 1 : Hubungan antara Y (variabel dependen) dan X (variabel
independen) adalah linier dalam parameter. Model regresi yang linier
dalam
 parameter dapat dilihat dalam persamaan (2.16). Dalam hal ini
berhubungan linier terhadap Y.
 Asumsi 2 : Variabel X adalah variabel tidak stokastik yang nilainya tetap.
Nilai X adalah tetap untuk berbagai observasi yang berulang-ulang.
Kembali dalam kasus hubungan jumlah permintaan barang dengan tingkat
harganya, untuk mengetahui tingkat variasi jumlah permintaan barang
maka melakukan berbagai observasi pada tingkat harga tertentu. Jadi
dengan sampel yang berulang-ulang nilai variabel independen (X) adalah
tetap atau dengan kata lain variabel independen (X) adalah variabel yang
dikontrol.
 Asumsi 3 : Nila harapan (expected value) atau rata-rata dari variabel
gangguan ei adalah nol atau harganya, untuk mengetahui tingkat variasi
jumlah permintaan barang maka melakukan berbagai observasi pada
tingkat harga tertentu. Jadi dengan sampel yang berulang-ulang nilai
variabel independen (X) adalah tetap atau dengan kata lain variabel
independen (X) adalah variabel yang dikontrol. Karena mengasumsikan
bahwa nilai harapan dari Y hanya dipengaruhi oleh variabel independen
yang ada atau dapat dinyatakan sbb:
 Asumsi 4 : Varian dari variabel gangguan ei adalah sama
(homoskedastisitas) harganya, untuk mengetahui tingkat variasi jumlah
permintaan barang maka melakukan berbagai observasi pada tingkat harga
tertentu. Jadi dengan sampel yang berulang-ulang nilai variabel
independen
(X) adalah tetap atau dengan kata lain variabel independen (X) adalah
variabel yang dikontrol. harganya, untuk mengetahui tingkat variasi
jumlah permintaan barang maka melakukan berbagai observasi pada
tingkat harga tertentu. Jadi dengan sampel yang berulang-ulang nilai
variabel independen
(X) adalah tetap atau dengan kata lain variabel independen (X) adalah
variabel yang dikontrol.
 Asumsi 5 : Tidak ada serial korelasi antara gangguan ei atau gangguan ei
tidak saling berhubungan dengan ej yang lain ,untuk mengetahui tingkat
variasi jumlah permintaan barang maka melakukan berbagai observasi
pada tingkat harga tertentu. Jadi dengan sampel yang berulang-ulang
nilai
 variabel independen (X) adalah tetap atau dengan kata lain variabel
independen (X) adalah variabel yang dikontrol.

II.1.5 Uji Hipotesis

Hipotesis merupakan pernyataan tentang sifat populasi sedangkan uji
hipotesis adalah suatu prosedur untuk pembuktian kebenaran sifat populasi
berdasarkan data sampel. Seseorang yang melakukan penelitian akan lebih banyak
menggunakan data sampel daripada data populasi. Dari sampel yang diambil
kemudian dapat jadikan sebagai alat untuk verifikasi kebenaran populasi. Di
dalam melakukan penelitian berdasarkan sampel, seorang peneliti dengan
demikian harus menyatakan secara jelas hipotesis penelitian yang dilakukan untuk
dibuktikan kebenarannya melalui penelitian dari data sampel.
Dalam statistika, hipotesis yang ingin uji kebenarannya tersebut biasanya
bandingkan dengan hipotesis yang salah yang nantinya akan tolak. Hipotesis yang
salah dinyatakan sebagai hipotesis nol (null hypothesis) disimbolkan H0 dan
hipotesis yang benar dinyatakan sebagai hipotesis alternatif (alternative
hypothesis) dengan simbol Ha. Dalam menguji kebenaran hipotesis dari data
sampel, statistika telah mengembangkan uji t. Uji t merupakan suatu prosedur
yang mana hasil sampel dapat digunakan untuk verifikasi kebenaran atau
kesalahan hipotesis nol (H0). Keputusan untuk menerima atau menolak H0 dibuat
berdasarkan nilai uji statistik yang diperoleh dari data.

Hal yang penting dalam hipotesis penelitian yang menggunakan data

sampel dengan menggunakan uji t adalah masalah pemilihan apakah
menggunakan dua sisi atau satu sisi. Uji hipotesis dua sisi dipilih jika tidak punya
dugaan kuat atau dasar teori yang kuat dalam penelitian, sebaliknya memilih satu
sisi jika peneliti mempunyai landasan teori atau dugaan yang kuat. Misalnya
menguji hubungan antara pendapatan terhadap konsumsi pada hitungan
sebelumnya. Karena mempunyai landasan teori atau dugaan yang kuat bahwa
terdapat hubungan yang positif antara jumlah pendapatan terhadap konsumsi
maka menggunakan uji satu sisi. Adapan hipotesis nol dan hipotesis alternatif
dapat dinyatakan sbb:
H0 : β1 ≤
0 Ha : β1 >
0
 Hipotesis nol atau hipotesis salah yakni menyatakan bahwa pendapatan
tidak berpengaruh dan atau berpengaruh negatif terhadap konsumsi yang
ditunjukkan oleh koefiesin β1≥0. Sedangkan hipotesis alternatif menyatakan
bahwa pendapatan berpengaruh positif terhadap konsumsi yang ditunjukkan oleh
β1 > 0.

Namun misalnya hubungan antara dua variabel dalam persamaan regresi

bisa positif maupun negatif maka prosedur uji hipotesis harus dilakukan dengan
uji dua sisi. Dalam kasus hubungan antara jumlah pendapatan terhadap konsumsi.
Jumlah pendapatan dan konsumsi bisa berhubungan positif atau negatif tergantung
dari jenis barangnya. Jika barang kualitas rendah (inferior) maka hubungan antara
jumlah konsumsi barang dan pendapatan akan negatif yakni semakin tinggi
pendapatan seseorang maka jumlah konsumsi barang inferior akan semakin kecil.
Sedangkan jika barang adalah normal atau barang mewah maka hubungannya
akan positif karena semakin tinggi pendapatan seseorang maka semakin besar
jumlah konsumsi kedua jenis barang ini.
Karena pendapatan mempunyai pengaruh yang positif terhadap konsumsi
maka uji yang digunakan adalah uji satu sisi bukan uji dua sisi. Adapun prosedur
uji t dengan uji satu sisi adalah sbb:
1. Membuat hipotesis melalui uji satu sisi

 Uji hipotesis negatif satu sisi

2. Menghitung nilai satisitik t ( t hitung) dan mencari nilai t kritis dari tabel
distribusi t pada dan degree of freedom tertentu.
3. Membandingkan nilai t hitung dengan t kritisnya. Keputusan menolak atau
menerima H0 sbb:
 jika nilai t hitung > nilai t kritis maka H0 ditolak atau menerima Ha
 jika nilai t hitung < nilai t kritis maka H0 diterima atau menolak Ha
Jika menolak hipotesis nol H0 atau menerima hipotesisi alternatif Ha
berarti secara statistik variabel independen signifikan mempengaruhi variabel
dependen dan sebaliknya jika menerima H0 dan menolak H1 berarti secara
statistik variabel independen tidak signifikan mempengaruhi variabel dependen.

Keputusan menolak hipotesis nol (H0) atau menerima hipotesis alternatif

Ha dapat juga dijelaskan melalui distribusi probabilitas t. Nilai tc diperoleh dari
 degree of freedom tertentu.
keputusan menolak hipotesis nol atau tidak berdasarkan uji dua sisi, menjelaskan
keputusan menolak hipotesis nol dengan hipotesis alternatif positif. menjelaskan
keputusan menolak hipotesis nol jika hipotesis alternatifnya adalah negatif.

II.1.6 Uji Normalitas

Uji signifikansi pengaruh variabel independer. terhadap variabel dependen

melalui uji t hanya akan valid jika residual yang kita dapatkan mempunyai
distribusi normal. Ada beberapa metode yang bisa digunakan untuk mendeteksi
apaka,h residual mempunyai distribusi normal atau tidak. Dalam bab ini akan
dibahas hanya 2 metode yaitu: (1) melalui histogram; dan (2) uji yang
dikembangk.an oleh Jarque- Bera (J-8).

 Histrogram Residual Histogram residual merupakan metode grafis yang

paling sederhana digunakan untuk mengetahui apakah bentuk dari
probability distribution function (PDF) dari random variabel berbentuk
distribusi normal atau tidak. Jika histogram residual menyerupai grafik
distribusi normal maka bisa dikatakan bahwa residual mempunyai
distribusl normal.
 Uji Jarque-Bera Uji normalitas residual metode OLS secara formal dapat
dideteksi dari metode yang dikembangkan o:eh Jarque-Bera (J-Bf, Metode
JB ini didasarkan pada sampel besar yang diasumsikan bersifat
asymptotic. Uji statistik dari J-B ini menggunakan perhitungan skewness
dan kurtosis. Jika suatu variabel didistribusikan secara normal maka nilai
koefisien S = C dan K=3. Oleh karena itu, jika residual terdistribusi secara
normal maka diharapkan nilai statistik JB akan sama dengan nol. Nilai
statistik JB ini didasarkan pada distribusi Chi Squares dengan derajat
kebebasan (df) 2. Jika nilai probabilitas p dari statistik JB besar aLaU
dengan kata lain jika nilai statistik dari JB ini tidak signifikan maka kita
menrdma hipotesis bahwa residual mempunyai distribusi 11ormal karena
nilai statistik JB mendekati nol. Sebaliknya jika nilai prdbabilitas p dari
statistik JB kecil atau signifikan
 maka kita menolak hipotesis bahwa residual mempunyai distribusi normal
karena nilai statistik JB tidak sama dengan nol.

II.1.7 Kecocokan Model

Uji statistik fungsinya untuk melihat hubungan antara variabel dependen

dan variabel Independen. Jenis uji statistik yaitu sebagai berikut :

 Uji R2 (uji koefisien determinasi) Penguji ini dimaksudkan untuk

mengukur seberapa jauh variabel independen mempengaruhi variabel
dependen.
 Uji F (uji regresi secara bersama) Penguji ini dimaksudkan untuk
mengetahui ada tidaknya pengaruh variabel independen secara bersama-
sama dengan variabel dependen.
 Uji t (t-test) Pengujian ini dimaksudkan untuk mengetahui ada tidaknya
pengaruhnya variabel independen secara parsial atau sendiri-sendiri
dengan variabel dependen.
 Uji Asumsi Klasik Dalam model regresi linier ada beberapa asumsi yang
harus dipenuhi agar memenuhi kondisi BLUE (Best Linier Unbiased
Estimate). Pengujian ini dimaksudkan untuk menganalisis beberapa
asumsi dari persamaan regresi yang dihasilkan valid untuk memprediksi.
Menurut Santoso (2005) dalam analisis regresi terdapat beberapa asumsi
yang harus dipenuhi sehingga persamaan regresi yang dihasilkan akan
valid jika digunakan untuk memprediksi. Penggunaan asumsi ini
merupakan konsekuensi dari beberapa penggunaan metode Orginal Least
Square (OLS) dalam menghitung persamaan regresi.

II.1.8 Regresi Sederhana Dengan Program E-Views

 Regresi Sederhana (Ols Sederhana)

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 + 

Dimana, Y adalah pengeluaran konsumsi, 0 adalah konsumsi autonom, X

merupakan pendapatan dan  adalah error term.

(lokasi file Excel berada di d:Eviews/data/data1.xls:data1)

Setelah muncul data yang akan diolah, kemudian blok variable X dan Y - Klik
kanan: Open - as Group. Maka, akan muncul tampilan :

Kemudian Pilih Procs - Make Equation - Equation Specification

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

Method: Least Squares

 Date: 08/24/07 Time: 01:18

Sample: 1996 2005

Included observations: 10

Variable Coefficien Std. Error t-Statistic Prob.

t

C 24.45455 6.413817 3.812791 0.0051

X 0.509091 0.035743 14.24317 0.0000

R-squared 0.962062 Mean dependent var 111.0000

Adjusted R-squared 0.957319 S.D. dependent var 31.42893

S.E. of regression 6.493003 Akaike info criterion 6.756184

Sum squared resid 337.2727 Schwarz criterion 6.816701

Log likelihood -31.78092 F-statistic 202.8679

Durbin-Watson stat 2.680127 Prob(F-statistic) 0.000001

 Intepretasi Hasil Regresi:

Dari hasil regresi diatas maka akan didapatkan persamaan sebagai berikut:

Y = 24.45455 + 0.509091X

Sebagai contoh, apabila ditanyakan berapa tingkat konsumsi individu jika

pendapatan tahun depan diperkirakan sebesar 5000 milyar dollar US?. Maka

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.