ANALISIS REGRESI

LINIER BERGANDA :
PERSOALAN ESTIMASI DAN
PENGUJIAN HIPOTESIS

Y = 1 + 2 X2 + 3 X3 +…+ k Xk + u

PowerPoint® Slides
byYana Rohmana
Education University of Indonesian

© 2007 Laboratorium Ekonomi & Koperasi Publishing Jl. Dr. Setiabudi 229 Bandung, Telp. 022 2013163 - 2523
 Multiple Linier Regression

 Dalam regresi linier berganda variabel tak bebas Y,

tergantung kepada dua atau lebih variabel.
 Populasi : Yi = B1 + B2X2i + B3X3i + ...+ BkiXki + εi
 Sampel : Yi = b1 + b2X2i + b3X3i + ...+ bkiXki + ei
 Untuk model 3 variabel, berarti k=3, satu variabel
tidak bebas Y dan 2 variabel bebas X2 dan X3 :
Yi = b1 + b2X2i + b3X3i + ei
 Ŷi = b1 + b2X2i + b3X3i

Chapter Analisis Regresi Linier Berganda : Persoalan Estimasi dan Pengujian Hipotesis 2
 Asumsi dalam Model Regresi Berganda

1. E(єi) = 0, untuk setiap i, i = 1,2,…, n.

Artinya, rata-rata kesalahan penggangu nol.
2. Kov. (єi, єj) = 0, i≠j
Artinya, kovarian (εi, εj) nol. Dengan perkataan lain,
tidak ada korelasi antara kesalahan pengganggu
yang satu dengan yang lainnya.
3. Var. (єi) = σ2, untuk setiap i, i = 1,2,…, n
Artinya, setiap kesalahan penganggu mempunyai
varian yang sama.

Chapter Analisis Regresi Linier Berganda : Persoalan Estimasi dan Pengujian Hipotesis 3
 Asumsi dalam Model Regresi Berganda

4. Kov. (єi, X2i) = Kov. (єi, X3i) = 0

Artinya kovarian setiap kesalahan pengganggu
dengan setiap variabel bebas nol, dengan
perkataan lain tak ada korelasi antara kesalahan
pengganggu dengan setiap variabel bebas yang
tercakup dalam persamaan regresi liniear
berganda.
5. Tak ada “multicollinearity”, yang berarti tak
ada hubungan linear yang eksak antara variabel-
variabel bebas. Dalam hal 3 variabel tak ada
korelasi antara X2 & X3.

Chapter Analisis Regresi Linier Berganda : Persoalan Estimasi dan Pengujian Hipotesis 4
 Cara Estimasi Koefisien Regresi Parsial

 Dengan metode kuadrat terkecil biasa (Ordinary

Least Square = OLS) kita akan memperkirakan
koefisien regresi parsial.
 Perhatikan persamaan berikut:
Y = b1.23 + b12.3 X2 + b13.2 X3 + ei
 Diperoleh persamaan normal sbb:
nb1.23  b12.3  X 2i  b13.2  X 3i   Yi ................ (1)

b1.23  X 2i  b12.3  X 22i  b13.2  X 2i X 3i   X 2iYi ...... (2)

b1.23  X 3i  b12.3  X 3i X 2i  b13.2  X 32i   X 3iYi ...... (3)

Chapter Analisis Regresi Linier Berganda : Persoalan Estimasi dan Pengujian Hipotesis 5
 LIHAT CARA 1

Chapter Analisis Regresi Linier Berganda : Persoalan Estimasi dan Pengujian Hipotesis 6
 Cara Estimasi Koefisien Regresi Parsial

 Dari pers. (1) kalau kita bagi n, kita peroleh rumus

untuk cari b1.23 sbb :
  
b1.23  b12.3 X 2  b13.2 X 3  Y

............... (4)
b1.23  Y  b12.3 X 2  b13.2 X 3
 Mencari b12.3 dan b13.2 dapat dihitung dengan
rumus sbb:

Chapter Analisis Regresi Linier Berganda : Persoalan Estimasi dan Pengujian Hipotesis 7
 Cara Estimasi Koefisien Regresi Parsial

( x 2i yi )( x32i )  ( x 3i yi )( x 2i x3i ) ........ (5)

b12.3 
( x22i )( x32i )  ( x 2i x3i ) 2

( x 3i yi )( x22i )  ( x 2i yi )( x 2i x3i )

b13.2  ....... (6)
( x22i )( x32i )  ( x 2i x3i ) 2
  
 Dimana: x2i  X 2  X 2 , x3i  X 3i  X 3 , yi  Yi  Y
 x22i   X 22i  ( X 2i) 2 / n ,  x 2i yi   X 2Y
i i   X 2i  Yi / n

 x32i   X 32i  ( X 3i) 2 / n ,  x3i yi   X 3Y

i i   X 3i  Yi / n

 yi2   Yi 2  (Y i) 2 / n ,  x 2i x3i   X 2iX 3i   X 2i  X 3i / n

Chapter Analisis Regresi Linier Berganda : Persoalan Estimasi dan Pengujian Hipotesis 8
 LIHAT CARA 2

Chapter Analisis Regresi Linier Berganda : Persoalan Estimasi dan Pengujian Hipotesis 9
The meaning of partial regression coefficients
Y = 1 + 2X2 + 3X3 + u (suppose this is a true model)

Y
= 2 : 2 measures the change in the mean values of Y,
X2 per unit change in X2, holding X3 constant.

or The ‘direct’ or ‘net’ effect of a unit change in X2 on the

mean value of Y

Y holding X2 constant, the direct effect of a unit

= 3
X3 change in X3 on the mean value of Y.

Holding constant:

To assess the true contribution of X2 to the change in Y, we

control the influence of X3.

10
 Varian dan Standard Error Koef. Regresi Parsial

 Karena σ2 = varian kesalahan pengganggu dalam

prakteknya tak pernah diketahui, maka
diperkirakan dengan Se2 sebagai berikut:

 e 2
Se 
2 i

nk
 Untuk selanjutnya lebih baik, kalau dihitung
berdasarkan rumus berikut :

 e   y  b12.3  x2i yi  b13.2  x3i yi

2
i
2
i

Chapter Analisis Regresi Linier Berganda : Persoalan Estimasi dan Pengujian Hipotesis 11
 Contoh Perhitungan:
Varians dan Standar error Koef. Regresi Parsial Sesuai
Kasus 3

Diketahui :
 ei2
S e2 
nk
Dimana:

 e   y  b12.3  x2i yi  b13.2  x3i yi

2
i
2
i
 1.260,889  0,9277 1.297,33  0,2532 79
 1.260,889  1.203,533  20,0028
 77,3588
Maka :
77,3588
S 2
e   12,8931
6

Chapter Analisis Regresi Linier Berganda : Persoalan Estimasi dan Pengujian Hipotesis 12
  Sehingga diperoleh Se :

Se  S e2
 12,8931  3,5907

Chapter Analisis Regresi Linier Berganda : Persoalan Estimasi dan Pengujian Hipotesis 13
 Standard Error Koef. Regresi Parsial (b1 dan b2)

Standar Error b1:

(  x 2
3i )
S 2
 Se
2

( x22i )  ( x32i )  ( x2i x3i ) 2

b12. 3

648
 12,8931
1.470648   2622
648
 12,8931  0,0095
883.916

Sb12.3  S 2
b12.3  0,0095  0,0972
Chapter Analisis Regresi Linier Berganda : Persoalan Estimasi dan Pengujian Hipotesis 14
 Standard Error Koef. Regresi Parsial (b1 dan b2)

Standar Error b2 :
( x ) 2
S 2
S 2 2i
( x2i )  ( x3i )  ( x2i x3i )
b13. 2 2e 2 2

1.470
 12,8931
1.470648   2622
1.470
 12,8931  0,0214
883.916

Sb13.2  S 2
b13.2  0,00214  0,1464
Chapter Analisis Regresi Linier Berganda : Persoalan Estimasi dan Pengujian Hipotesis 15
 Standar error b0

  X 2i  X 3i   X 2i  X 3i  
2 2 2
 Se 
     
2 2
2 
Sb1.23
 n  X 2i  X 3i   X 2  X 3i    X 2i  X 2i  X 3i   X 2  X 3i    X 3i  X 2i  X 3i   X 2  X 3i  
2 2 2 2 2 2 2 2

Chapter Analisis Regresi Linier Berganda : Persoalan Estimasi dan Pengujian Hipotesis 16
 TERIMA KASIH

Chapter Analisis Regresi Linier Berganda : Persoalan Estimasi dan Pengujian Hipotesis 17