Makalah Regresi Linear Berganda
Makalah Regresi Linear Berganda
2015
Makalah ini saya akui masih banyak kekurangan karena pengambilan materi yang masih
kurang dan hal-hal lainnya. Oleh kerena itu saya harapkan kepada para pembaca untuk
memberikan masukan-masukan yang bersifat membangun untuk kesempurnaan makalah ini.
PENYUSUN
BAB I
PENDAHULUAN
1.1 Latar Belakang
Analisis regresi dipergunakan untuk menggambarkan garis yang menunjukan arah
hubungan antar variabel, serta dipergunakan untuk melakukan prediksi. Analisa ini dipergunakan
untuk menelaah hubungan antara dua variabel atau lebih, terutama untuk menelusuri pola
hubungan yang modelnya belum diketahui dengan sempurna. Regresi yang terdiri dari satu
variabel bebas (predictor) dan satu variabel terikat (Response/Criterion) disebut regresi linier
sederhana (bivariate regression), sedangkan regresi yang variabel bebasnya lebih dari satu
disebut regresi berganda (Multiple regression/multivariate regression), yang dapat terdiri dari
dua prediktor (regresi ganda) maupun lebih
1.2 Tujuan
Kita dapat menyelesaikan permasakahan analisis regresi linear berganda menggunakan
program minitab
BAB II
ISI
A. Pengertian Regresi Linear Berganda
Analisis regresi linier berganda didefinisikan adalah analisis regresi yang variabel
tak bebas Y ditentukan oleh sekurang-kurangnya dua variabel bebas X dan setiap
variabel X maupun variabel Y hanya berpangkat satu (linier).
Persamaan regresi linear berganda adalah persamaan regresi dengan satu peubah tak
bebas (Y) dengan lebih dari satu peubah bebas ( X ¿ ¿1 , X 2 , … , X p) ¿. Hubungan antara
peubah–peubah tersebut dapat dirumuskan dalam bentuk persamaan :
Y i=β 0 + β 1 X 1 i+ β 2 X 2 i +…+ β p X pi + ε i
Y = X β+ ε
Beberapa asumsi yang mendasari model tersebut adalah : (i). ε i menyebar saling bebas
mengikuti sebaran normal ( 0 , σ 2) ; (ii). ε i memiliki ragam homogen atau disebut juga tidak
adanya masalah heteroskedastis; (iii). Tidak adanya hubungan antara peubah X atau sering
juga disebut tidak ada masalah kolinier; dan (iv). ε i bebas terhadap peubah X.
n ∑ x1 ∑ x2 … ∑ xp ∑Y
X ' X=
[ ∑ x1
∑ x2
⋯
∑ xp
∑ x 12 ∑ x 1 x 2
∑ x 1 x 2 ∑ x 22
⋯
∑ x1 x p
⋯
∑ x2 x p
…
…
⋯
…
∑ x1 x p
∑ x2 x p
⋯
∑ x p2
] [ ] ∑ X1Y
X' Y = ∑ X2Y
⋮
∑ XpY
−1
V ( ^β )=σ 2 ( X ' X ) =¿
2 ( Y ' Y −β ( X ' Y ) )
σ =KTG=
( n− p−1 )
Model regresi linier berganda untuk populasi diatas dapat ditaksir berdasarkan sebuah smpel
acak yang berukuran n dengan model regresi linier berganda untuk sampel, yaitu:
Korelasi adalah derajat hubungan linier antara dua variabel atau lebih dari data hasil
pengamatan. Dua variabel dikatakan berkorelasi apabila perubahan dalam satu variabel
diikuti oleh perubahan variabel lain, baik yang searah maupun tidak. Hubungan antara
variabel dapat dikelompokkan menjadi tiga jenis :
1) Terjadinya korelasi positif apabila perubahan antara variabel yang satu diikuti oleh
variabel lainnya dengan arah yang sama (berbanding lurus). Artinya apabila variabel yang
satu meningkat, maka akan diikuti peningkatan variabel lainnya.
2) Korelasi Negatif terjadinya korelasi negative apabila perubahan antara variael yang astu
diikuti oleh variabel lainnya dengan arah yang berlawanan (berbanding terbalik). Artinya
apabila variabel yang satu meningkat, maka akan diikuti penurunan variabel lainnya.
3) Korelasi Nihil Terjadinya korelasi nihil apabila perubahan antara variabel yang satu diikuti
oleh variabel lainnya dengan arah yang tidak teratur (acak). Artinya apabila variabel yang
satu meningkat, kadang diikuti dengan peningkatan pada variabel lain dan kadang diikuti
dengan penurunan pada variabel lain.
Berdasarkan hubungan antar variabel yang satu dengan variabel lainnya dinyatakan dengan
koefisien korelasi yang disimbolkan dengan ”r”. Besarnya korelasi berkisar antara -1≤r≤1
Pada dasarnya pengujian hipotesis tentang parameter koefisien regresi secara keseluruhan
atau pengujian persamaan regresi dengana menggunakan statistik F yang dirumuskan sebagai
berikut:
Langkah-langkah yang dibutuhkan dalam pengujian hipotesis ini adalah sebagai berikut:
a. Menentukan formulasi hipotesi
H 1 : Minimal ada satu parameter koefisien regresi yang tidak sama dengan nol atau
mempengaruhi Y
b. Menentukan taraf nyata α dengan Ftabel dengan derajat kebebasan V1=k dan V2= n-k-1
BAB III
CONTOH SOAL
Seandainya kita memiliki variabel dependen (Y) tingkat inflasi di Amerika Serikat,
dengan variabel independen yang diamati adalah kurs Yen terhadap US$ (X1), kurs
Rupiah terhadap US$ (X2), dan kurs US$ terhadap Poundsterling (X3), maka kita akan
Penyelesaian :
H 0 : β 0=β 1=β 2 …=β k =0 (X 1 , X 2 , … , X k tidak mempengaruhiY )
H 1 : Minimal ada satu parameter koefisien regresi yang tidak sama dengan nol
atau mempengaruhi Y
Kita akan mengolah data tersebut menggunakan Aplikasi Minitab. Dengan langkah-
langkah sebagai berikut :
4. Klik tombol options kemudian centang Fit Intercept, Variance inflating factors, Durbin-
Watson statistic dan klik OK.
5. Klik Storage kemudian centang Residuals, Coefficients, Fits dan klik OK.
Klik OK dan lihat output
Sedikit review bahwa regresi linear berganda memiliki syarat yang harus terpenuhi
yaitu asumsi klasik. Asumsi klasik tersebut antara lain: normalitas regresi linear
berganda, heteroskedastisitas, multicollinearitas dan autokorelasi.
Normalitas Residual
Lihat di bawah ini adalah histogram residual. Mengapa residual yang dibuatkan histogram?
jawabannya adalah karena asumsi normalitas pada regresi linear berganda adalah variabel
residual harus berdistribusi normal.
Apakah residual itu? jawabannya adalah perbedaan antara variabel dependen atau Y dengan Y
prediksi. Yang dimaksud dengan Y prediksi adalah nilai Y berdasarkan hasil persamaan regresi.
Dalam output minitab ini juga dapat dilihat nilai Y prediksi dalam worksheet di mana ada
variabel baru yang bernama Fits1.
Residual dinyatakan berdistribusi normal apabila histogram menyerupai bel menghadap ke atas.
Apabila ingin mendapatkan hasil meyakinkan dapat melakukan uji normalitas pada variabel
residual.
1. Pada Menu, Klik Stat, Basic Statistics, Normality Test, Kemudian masukkan masukkan
variabel ke dalam kotak Variable, pilih jenis uji dengan cara centang Anderson-Darling,
atau Ryan-Joiner, atau Kolmogorov Smirnov. Tapi kali ini kita menggunakan jenis uji
Kolmogorov Smirnov
Kemudian klik OK
2. Output adalah sebagai berikut
Uji Kolmogorov-Smirnov:
KS: 0,227 dengan P-Value > 0,147 di mana lebih dari 0,05, maka variabel dinyatakan
berdistribusi normal.
Cara lain adalah dengan menggunakan diagram Normal Probability Plot seperti di bawah ini
Heteroskedastisitas
Gejala heteroskedastisitas dapat ditentukan dengan diagram scatter antara variabel Y prediksi
(Fits) dengan variabel residual.
Dapat disimpulkan tidak ada gejala heteroskedastisitas apabila plot menyebar merata di atas dan
di bawah sumbu 0 tanpa membentuk sebuah pola tertentu. Diagram di atas dapat menyimpulkan
bahwa tidak terdapat gejala heteroskedastisitas.
Multikolinearitas
Untuk mendeteksi adanya gejala multikolinearitas dapat dilihat nilai VIF pada gambar output di
atas. Dikatakan tidak ada gejala multikolinearitas apabila VIF < 6,5. Di atas VIF 3,474, 3,569
dan 1,249 dimana kurang dari 6,5 maka tidak ada gejala multikolinearitas.
Setelah asumsi klasik di atas semua terpenuhi, maka kita mulai masuk pada kesimpulan inti dari
uji regresi linear berganda
Uji F Regresi
Untuk menentukan apakah secara serentak semua variabel independen mempunyai pengaruh
yang bermakna terhadap variabel dependen dapat dilihat dari nilai uji F. Disimpulkan ada
pengaruh apabila nilai P value kurang dari batas kritis penelitian atau alpha. Misalnya pada uji
ini, lihat output session 2, nilai P Regression pada Analysis of Variance sebesar 0,600 di mana >
0,05 maka disimpulkan bahwa secara simultan variabel independen tidak mempunyai pengaruh
bermakna terhadap variabel dependen. Berdasarkan kriteria
H 0 diterima bila P > α
Maka kesimpulannya adalah terima H0 karena P > α yaitu 0,600>0,05. Yang berarti X1, X2, X3
tidak mempengaruhi Y atau kurs Yen terhadap US$ (X1), kurs Rupiah terhadap US$ (X2), dan
kurs US$ terhadap Poundsterling (X3) tidak mempengaruhi tingkat inflasi di Amerika Serikat.
T Parsial
T parsial digunakan untuk mengetahui apakah variabel independen yang di dalam model regresi
mempunyai pengaruh secara individu terhadap variabel dependen dengan memperhatikan
keberadaan variabel lain di dalam model. Nilai t parsial dapat dilihat melalui nilai t pada output
session 1 di atas. Dinyatakan ada pengaruh parsial apabila nilai p value (P) kurang dari batas
kritis penelitian atau alpha.
BAB IV
KESIMPULAN
Analisis regresi linier berganda didefinisikan adalah analisis regresi yang variabel tak bebas Y
ditentukan oleh sekurang-kurangnya dua variabel bebas X dan setiap variabel X maupun variabel
Y hanya berpangkat satu (linier).
Tiga asumsi dasar yang tidak boleh dilanggar oleh regresi linier berganda yaitu :
1. Mengikuti sebaran normal
2. Tidak boleh ada multikolinieritas
3. Tidak boleh ada heterokeditas.
Ketika ketiga asumsi tersebut telah terpenuhi, maka kita dapat melakukan uji regresi atau uji F.
Pada tugas kali ini kita melakukan uji regresi menggunakan program computer Minitab dengan
penjelasan yang telah dibahas pada BAB isi dan BAB contoh soal.
DAFTAR PUSTAKA
http://duwiconsultant.blogspot.com/2011/11/analisis-regresi-linier-berganda.html
http://eprints.undip.ac.id/6361/1/ANALISIS_REGRESI_LINEAR_BERGANDA.pdf
https://dawaisimfoni.wordpress.com/karya-tulis-ilmiah-2/metodologi-penelitian/analisis-regresi-
2/
http://www.statistikian.com/2013/08/regresi-linear-berganda-dengan-minitab.html
http://www.statistikian.com/2013/08/interprestasi-regresi-linear-berganda.html