Makalah Analisis Regresi Kelompok 3
Makalah Analisis Regresi Kelompok 3
PENDAHULUAN
1.3 Tujuan
1. Mengetahui syarat-syarat data yang digunakan pada analisis regresi
2. Mengetahui langkah- langkah mencari analisis regresi pada SPSS
3. Mengetahui cara melakukan perhitungan analisis regresi
4. Mengetahui cara pengambilan keputusan pada analisis regresi
5. Mengetahui cara menganalisis hasil data (output) dari analisis regresi pada SPSS
1
BAB II
PEMBAHASAN
2
penggunaan model regresi yang diperoleh. Selain itu, model regresi juga dapat
dimanfaatkan untuk melakukan prediksi variabel terikat.
2. Analisis regresi merupakan salah satu teknik analisis statistika yang paling banyak
digunakan. Analisis regresi baik yang linear maupun yang nonlinear. Pada kejadian
sehari-hari terdapat hubungan sebab akibat yang muncul, baik yang terjadi pada
bidang sains, sosial, industri maupun bisnis. Kejadian-kejadian tersebut dapat
dimodelkan dalam bentuk fungsi regresi. Secara umum, analisis regresi berkenaan
dengan studi ketergantungan suatu variabel dependen (tak bebas) pada satu atau lebih
variabel independen (bebas), dengan maksud ketergantungan model itu dapat
dipergunakan sebagai alat prediksi kejadian untuk waktu yang akan datang.
3. Salah satu tujuan dalam analisis regresi adalah mengestimasi koefisien regresi dalam
model regresi. Model regresi merupakan suatu cara formal untuk mengekspresikan
dua unsur penting suatu hubungan statistik, yaitu kecenderungan berubahnya variabel
tak bebas secara sistematis sejalan dengan berubahnya variabel bebas dan
berpencarnya titik-titik di sekitar kurva taksiran model itu. Metode yang biasa
digunakan untuk mengestimasi koefisien regresi yaitu metode kuadrat terkecil.
3
diterangkan oleh model regresi. Sebaliknya jika r2 sama dengan 0, maka tidak ada
hubungan linier antara X
dan Y.
Terdapat hubungan linier antara variabel bebas (X) dan variabel tergantung (Y)
Data harus berdistribusi normal
Data berskala interval atau rasio
Kedua variabel bersifat dependen, artinya satu variabel merupakan variabel bebas
(disebut juga sebagai variabel predictor) sedang variabel lainnya variabel tergantung
(disebut juga sebagai variabel response)
4
Variabel bebas tidak berkorelasi dengan disturbance term (Error). Nilai disturbance
term sebesar 0 atau dengan simbol sebagai berikut: (E (U / X) = 0, Jika variabel
bebas lebih dari satu, maka antara variabel bebas (explanatory) tidak ada hubungan
linier yang nyata,
Model regresi dikatakan layak jika angka signifikansi pada ANOVA sebesar < 0.05,
Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini diketahui
jika angka Standard Error of Estimate < Standard Deviation, Koefisien regresi harus
signifikan. Pengujian dilakukan dengan Uji T. Koefesien regresi signifikan jika T
hitung > T table (nilai kritis), Model regresi dapat diterangkan dengan menggunakan
nilai koefisiena determinasi (KD = r2 x 100%) semakin besar nilai tersebut maka
model semakin baik. Jika nilai mendekati 1 maka model regresi semakin baik, Data
harus berdistribusi normal, Data berskala interval atau rasio, Kedua variabel bersifat
dependen, artinya satu variabel merupakan variabel bebas (variabel predictor) sedang
variabel lainnya variabel terikat (variabel response).
Langkah-Langkah :
Membuat data seperti diatas atau jika sudah ada buka lagi file SPSS yang memuat
data ini.
Dari menu SPSS, pilih menu utama Analyze, lalu submenu Regression, kemudian
pilih Linear.
5
Akan muncul kotak dialog Linier Regression. Untuk pengisian, sebagai berikut:
Untuk pilihan Dependent (variabel terikat). Pilih variabel Participation. Untuk
Independent(s) pilih Citizenship dan Democracy Method, pilih Enter. Abaikan
bagian lain Tekan OK untuk prosessing data maka outputnya diperoleh sebagai
berikut
6
sebab-sebab yang lain. Untuk variabel independen lebih dari dua sebaiknya
gunakan Adjusted R Square yang pada latihan kita nilainya 0,927.
Std. Error of the Estimate yang nilainya 0.85442 menggambarkan tingkat
ketepatan
prediksi regresi, dimana semakin kecil angkanya maka semakin baik
prediksinya.
Bagian ini menggambarkan tingkat signifikansi. Dari uji ANOVA atau F-test, didapat
Fhitung 26.396 dengan tingkat signifikansi sebesar 0,037. Karena probabilitas
(tingkat
signifikansi) ini lebih kecil daripada 0,05 maka model regresi ini bisa dipakai untuk
memprediksi tingkat partisipasi politik seseorang. Dengan kata lain, tingkat
pengetahuan
kewarganegaraan seseorang dan tingkat perilaku demokratisnya secara bersama-sama
berpengaruh terhadap tingkat partisipasi politiknya.
8
Langkah-Langkah :
Masukkan semua input data dalam pembentukan model regresi linier
berganda. Selanjutnya klik menu analyze, kemudian klik regression. Setelah
itu pilih linier
seperti tampilan berikut ini :
Pilih enter pada kolom Method. Metode Enter adalah suatu metode dalam
pembentukan taksiran model regresi dimana semua variabel bebas dilibatkan
dalam pembentukan persamaan regresinya (nantinya peneliti menentukan
9
sendiri variabel mana yang akan diambil sesuai uji signifikansi). Apabila
diinginkan suatu taksiran model regresi linier berganda dimana variabel bebas
yang terlibat dalam model merupakan variabel yang signifikan dan layak
secara statistik untuk dimasukkan dalam model regresi linier berganda, maka
pilih metode stepwise, metode remove, metode backward, dan metode
forward. Keempat metode ini digunakan untuk menyeleksi semua variabel
bebas yang dilibatkan sehingga pada akhirnya hanya variabel bebas yang
menghasilkan taksiran yang signifikan saja yang akan dimasukkan dalam
model taksiran regresi linier berganda.
Berikutnya klik kotak statistics, dan pilih estimates, confidence intervals, dan
covariance matrix dalam kolom regression coefficient dan model fit.
Selanjutnya klik continue.
Hasil Output :
dari tabel di atas diperoleh informasi bahwa taksiran nilai parameter dari regresi linier
berganda dengan hubungan X mempengaruhi Y adalah :
b0 = 10,885
b1 = 0,576
b2 = 3,260
b3 = -0,015
10
sehingga model taksiran regresi linier berganda adalah : Ŷ=10,885+0,576X+3,260X–
0,015 X
Maka selanjutnya pengujian parameter β (nilai parameter konstanta regresi linier
berganda) adalah :
Langkah 1.
H0 : β0 = 0
H1 : β0 ≠ 0
Langkah 2.
Bandingkan nilaisignifikansi(0,629)dengan nilaiα = 5%. Nilai signifikansi(0,629) > α
(0,05); maka H diterima, artinya nilai koefisien β0 untukα=5% tidak mempengaruhi
nilai taksiran dari Y dalam menganalisis regresi linier berganda. Sedangkan untuk
pengujian parameter β1 (nilai parameter X dari regresi linier berganda) adalah :
Langkah 1.
H0 : β1 = 0
H1 : β1 ≠ 0
Langkah 2.
Bandingkan nilai signifikansi (0,061) dengan nilai α = 5%.Nilai signifikansi (0,061) >
α (0,05); makaH diterima,artinya nilai koefisien β 1 untukα=5% tidak mempengaruhi
nilai taksiran dari Y dalam menganalisis regresi linier berganda.
Untukpengujian parameter β2 (nilai parameter X dari regresi linier berganda) adalah:
Langkah 1.
H0 : β2 = 0
H1 : β2 ≠ 0
Langkah 2.
Bandingkan nilai signifikansi (0,231)dengan nilaiα = 5%.Nilai signifikansi (0,231) >
α(0,05); maka H diterima, artinya nilai koefisien β2 untuk α= 5% tidak mempengaruhi
nilai taksiran dari Y dalam menganalisis regresi linier berganda. Hal ini menunjukkan
bahwa nilai parameter pinjaman tidak mempengaruhi konsumsi ITSI. Selanjutnya
pengujian parameter β3 (nilai parameter X dari regresi Linier berganda) adalah :
Langkah 1.
H0 : β3 = 0
H1 : β3 ≠ 0
Langkah 2.
11
Bandingkan nilai signifikansi (0,995) dengan nilaiα = 5%.Nilai signifikansi (0,995)>α
(0,05); maka H diterima, artinya nilai koefisien β3 untukα=5% tidak mempengaruhi
nilai taksiran dari Y dalam menganalisis regresi linier berganda. Hal ini menunjukkan
bahwa nilai parameter dana hibah tidak mempengaruhi konsumsi ITSI. Cara lain
untuk menguji kelinieran persamaan regresi linier berganda adalah dengan menguji
signifikansi dari kelinieran model regresi yang terbentuk (permasalahan b) melalui
tabel ANOVA (analysis of variance). Perhatikan output SPSS berikut:
Untuk mengetahui seberapa besar kualitas model regresi linier berganda yang
terbentuk,
perhatikan nilai koefisien determinasi (R square) = 60%. Nilai tersebut menunjukkan
informasi bahwa 60% nilai dari besarnya konsumsi ITSI telah dapat dijelaskan oleh
data
tingkat pendapatan, pinjaman, dan dana hibah. Sedangkan sisanya 40% informasi
mengenai besarnya konsumsi ITSI belum dapat dijelaskan oleh variabel-variabel
bebas
tersebut.
12
Sedangkan untuk melihat ada atau tidaknya multikolinearitas yang terjadi antar
variabel bebas pembentuk model persamaan regresi linier berganda, perhatikan output
dari tabel di atas dapat diketahui bahwa antar variabel bebas (pendapatan, pinjaman,
dan
dana hibah) tidak terjadi multikolineariti. Hal ini dapat dilihat dari nilai korelasi antar
variabel beas tersebut rendah. (apabila nilai korelasi antar variabel bebas terdapat nilai
korelasi yang tinggi berarti terjadi multikolinearitas antar variabel bebas yang
berkorelasi tinggi tersebut)
13
BAB III
PENUTUP
3.1 Kesimpulan
Analisis regresi digunakan untuk melihat pengaruh variable bebas terhadap
variable tergantung serta memprediksi nilai variable tergantung dengan menggunakan
variable bebas. Dalam analisis regresi variable bebas berfungsi untuk menerangkan
(explanatory) sedang variable tergantung berfungsi sebagai yang diterangkan (the
explained).Dalam analisis regresi data harus berskala interval atau rasio.Hubungan
dua variable bersifat dependensi.Untuk menggunakan analisis regresi diperlukan
beberapa persyaratan yang harus dipenuhi.
Ada dua macam linieritas dalam analisis regresi, yaitu linieritas dalam variabel dan
linieritas dalam parameter.Yang pertama, linier dalam variabel merupakan nilai rata-
rata kondisional variabel tergantung yang merupakan fungsi linier dari variabel
(variabel) bebas. Sedang yang kedua, linier dalam parameter merupakan fungsi linier
parameter dan dapat tidak linier dalam variabel.
Pengambilan keputusan dalam uji regresi dapat mengacu pada dua hal, yakni dengan
membandingkan nilai t hitung dengan t tabel, atau dengan membandingkan nilai
signifikansi dengan nilai probabilitas.
14
DAFTAR PUSTAKA
15