REGRESI DAN KORELASI BERGANDA LINEAR

BAGIAN I

I. Pengertian

Regresi berganda linear adalah regresi dengan 2 atau lebih variabel bebas
yang memiliki hubungan linear dengan variabel terikatnya. Regresi berganda
menjadi penting jika banyak kasus nyata di masyarakat tidak sesuai dengan
regresi linear sederhana.

Contoh :
- Banyaknya wisatawan yang mengunjungi suatu daerah wisata ditentukan oleh
promosi dan pelayanan.
- Volume penjualan suatu produk ditentukan oleh harga produk, promosi,
saluran distribusi dan selera konsumen.
- Banyaknya penumpang suatu perusahaan penerbangan ditentukan oleh harga
tiket, ketepatan waktu, pelayanan oleh awak pesawat.
- Dan lain-lain.

Analisis regresi berganda didasarkan 3 asumsi, yaitu :

1. Distribusi variabel dependen bagi serangkaian variabel independen  normal,
± normal
2. Distribusi variabel dependen bagi kombinasi variabel independen  normal, ±
normal
3. Nilai-nilai variabel dependen independen satu dengan lainnya.

II. Model Regresi Berganda

Model fungsi : Y = f ( X 1 ,X2)

Y= Variabel terikat
X1, X2 = Variabel bebas

1
Model di atas dapat diubah ke dalam persamaan regresi sebagai berikut :
Ŷ = a + b 1 X 1 + b2 X 2

dimana :
a = konstanta
b1 = koefisien regresi untuk variabel X1
b2 = koefisien regresi untuk variabel X2

nilai a, b2 dan b3 dapat diselesaikan dengan persamaan berikut :

I. ∑Y = na + b 1 ∑ X 1 + b 2 ∑ X2
II. ∑ YX1 = a ∑ X 1 + b 1 ∑ x 21 + b 2 ∑ X1X2
III. ∑ YX2 = a ∑ X 2 + b 1 ∑ X1X2+ b 2 ∑ x 22

Jika xi = Xi – X́ i, maka ketiga persamaan di atas menjadi :

I. 0 = 0
II. ∑ yx1 = b 1 ∑ x 21 + b 2 ∑ x1x2
III. ∑ yx2 =b 1 ∑ x1x2 + b 2 ∑ x 22 +

dimana :

∑ x i2 = ∑ X 2 −n X́ i2
∑ xi x j = ∑ X i X j – n X́ i X́ j

Nilai konstanta a dapat ditentukan

a = Ý ❑ – b 1 X́ 1 - b 2 X́ 2

2
Contoh:

Tabel 1. Rata-rata Penerimaan, Rata-rata Biaya Pelayanan dan Rata-rata Biaya

Promosi dari 24 Perusahaan Perhotelan di 20 Daerah Pariwisata, 1979.

(3) (4)
(1) (2)
Rata-rata biaya Rata-rata biaya
Daerah Rata-rata penerimaan
pelayanan dalam promosi dalam
Pariwisata dalam milyar Rp = Y
milyar Rp = χ 1 milyar Rp = χ 2

01 96 6 20
02 83 22 30
03 126 18 40
04 61 8 10
05 59 12 10
06 90 10 10
07 82 17 30
08 88 11 20
09 86 16 20
10 76 23 30
11 102 7 20
12 108 12 30
13 96 24 40
14 70 16 20
15 80 9 10
16 115 11 30
17 76 22 20
18 74 11 10
19 98 16 20
20 80 8 20

Sumber : Data survei sampel yang tidak diterbitkan, 1979

Selanjutnya dari data di atas akan diolah dan dianalisis dengan regresi linier
berganda.

3
Tabel 2. Cara Mencari Besaran Variabel-variabel bagi Penentuan Konstanta a,
Koefisien Regresi b 1, dan b2 dari Regresi Linier Berganda dengan 2
Variabel Independen
(1) (2) (3) (4) (5) (6) (7) (8) (9)
Y χ1 χ2 Y❑
2
χ 2
1 χ 2
2
Y χ1 Y χ2 χ1 χ2

96 6 20 9.216 36 400 576 1.920 120

83 22 30 6.889 484 900 1.826 2.490 660
126 18 40 15.876 324 1.600 2.268 5.040 720
61 8 10 3.721 64 100 488 610 80
59 12 10 3.481 144 100 708 590 120
90 10 10 8.100 100 100 900 900 100
82 17 30 6.724 289 900 1.394 2.460 510
88 11 20 7.744 121 400 968 1.760 220
86 16 20 7.396 256 400 1.376 1.720 320
76 23 30 5.776 529 900 1.748 2.280 690
102 7 20 10.404 49 400 714 2.040 140
108 12 30 11.664 144 900 1.296 3.240 360
96 24 40 9.216 576 1.600 2.304 3.840 960
70 16 20 4.900 256 400 1.220 1.400 320
80 9 10 6.400 81 100 720 800 90
113 11 30 12.769 121 900 1.243 3.390 330
76 22 20 5.776 484 400 1.672 1.520 440
74 11 10 5.476 121 100 814 740 110
98 16 20 9.604 256 400 1.568 1.960 320
80 8 20 6.400 64 400 640 1.600 160

1.744 279 440 157.532 4.499 11.400 24.343 40.300 6.770

Sumber: Data tabel 16.2.1.

Ý ❑=1.744 / 20=87,2 Ý 2❑=7.603,84

X́ 1 =279/20=13,95 X́ 21 =194,6025
X́ 2 =440 /20=22,0 X́ 22=484

Selanjutnya secara berturut-turut diperoleh,

2 2 2
Σ y❑= ΣY ❑−n Ý ❑=157,532− (20 )( 7.603,84 )=5.455,2

Σ x 21= Σ X 21−n X́ 21=4.499−( 20 ) (194,6025 )=606,95

Σ x 22= Σ X 22−n X́ 22=11.400−( 20 ) ( 484 ) =1.720

Σ y❑ x 1=ΣY X 1 −n Ý ❑ X́ 1=( 24.343 )−( 20 ) ( 87,2 ) ( 13,95 )=14,2

4
 Σ y❑ x 2=ΣY X 2 −n Ý ❑ X́ 2=( 40.300 ) −( 20 ) ( 87,2 )( 22,0 ) =1.932

Σ x 1 x2 =Σ X 1 X 2 −n X́ 1 X́ 2=( 6.770 ) −( 20 )( 13,95 )( 22,0 )=632,0

Penentuan nilai b1 dan b2 menggunakan eliminasi

14,2 = 606,95 b1 +632 b2 I

1.932,0 = 632 b1 +1.720 b2 II

I : 606,95 0,0234−1,0413 b2 =b 1

II : 632 3,0570−2,7215b 2 =b 1

−3,0336+1,6802 b2=0
b 2=1,8054

Jika persamaan diatas disubstitusikan ke dalam II, maka akan diperoleh

1.932,0=632b 1+1.720 ( 1,8054 )
−1.173,28800=632b 2
b 1=−1,8565

Alhasil, per rumus (16.2.6.) Koefisien a menjadi

a=87,2− [ (−1,8565 ) ]−[ ( 1,8054 ) ( 22,0 ) ]
¿ 73,3794

Persamaan regresi berganda linier menjadi,

Y^ ❑=73,3794−1,8565 X 1 +1,8054 X 2
Y^ ❑=¿ Rata-rata penerimaan dalam Rp milyar
b 1=−1,8565 = nilai koefisien regresi untuk variabel X 1 =¿ jika biaya
pelayanan naik Rp 1 miliyar, dengan asumsi biaya
promosi tetap penerimaan rata-rata akan turun Rp 1,8565
miliyar, dan sebaliknya.
b 2= 1,8054 = nilai koefisien regresi variabel X 2 =¿ jika biaya promosi naik
Rp 1 miliyar, dengan asumsi biaya pelayanan tetap maka
penerimaan rata-rata akan naik Rp1,804 miliyar , dan
sebaliknya

5
III. Variasi Sekitar Garis Regresi Berganda Linier, Koefisien Determinasi
Berganda, Koefisien Korelasi Berganda Linier, Koefisien Determinasi
Parsial, dan Koefisien Korelasi Parsial

Variasi regresi berganda umumnya diberikan sebagai berikut:

2
∑ y 2¿−[b1 ( Σ yx 1 ) +b 2 ( Σ yx 2 ) ]
s Y ( x1 x2) = ¿
n−m
Dimana
2
Σ y❑ = variasi total dari variabel dependen Y
n = jumlah pasangan observasi
m = jumlah konstanta dalam persamaan regresi berganda

sedangkan selisih taksir standar rekresi berganda diberikan sebagai

s y (x 1 x 2)=√ s 2y( x1 x2)
Jika kita menggunakan rumus untuk menghitung varians serta kesalahan taksir
standar regresi berganda maka akan diperoleh
5455,2−[ −1,8565 ( 14,2 )+1,8054 (1.932 ) ]
s2y ( x 1 x 2)=
20−3
¿ 117,2664
s y (x 1 x 2)=√ 117,2664=10,82896
Secara teoritis, persentasi variasi yang dapat dijelaskan oleh garis regresi berganda
linier ialah sebesar
2
b1 ( Σ yx 1 ) +b 2(Σ y x 2)
r y (x 1 x 2)=
Σ y 2❑
2
di mana r y ( x 1 x 2)=¿ koefisien determinasi berganda (coefficient of multiple
determination) sedangkan persentasi variasi yang tidak dapat dijelaskan oleh garis
regresi berganda menjadi
( n−m) s 2y(x 1 x 2)
1−r 2y (x 1 x 2)= = koefisien non-determinasi berganda (coefficient of
Σ y 2❑
multiple non-determination)
Jika kita menggunakan data guna mengukur keofisien determinasi berganda
hubungan regresif antara rata-rata pendapatan dan rata-rata biaya pelayanan dan
rata-rata biaya promosi, maka akan diperoleh
(−1,8565 ) (14,2 ) +(1,8054)(1.932)
r 2y ( x 1 x 2)=
5.455,2

6
¿ 0,63456

Interpretasi Koefisien Determinasi Berganda:

r2y(x1x2) = 0,63456 adalah nilai koefisien determinasi berganda rata-rata

biaya pelayanan dan rata-rata biaya promosi terhadap rata-rata
penerimaan, artinya 63,456 % variasi rata-rata penerimaan dapat
dijelaskan oleh rata-rata biaya pelayanan dan rata-rata biaya promosi
secara bersama-sama (simultan).

Sedangkan koefisien non-deteminasi berganda menjadi sebesar

2
1−r y (x 1 x 2)=1−0,63456=0,36544
atau per rumus (16.2.4.) menjadi
(20−3)(117,2664 )
1−r 2y (x 1 x 2)=
5.455,2
¿ 0,36544
Interpretasi Koefisien Non-Determinasi Berganda:

1- r2y(x1x2) = 0,36544 adalah nilai koefisien non-determinasi berganda

rata-rata biaya pelayanan dan rata-rata biaya promosi terhadap rata-
rata penerimaan, artinya 36,544 % variasi rata-rata penerimaan
tidak dapat dijelaskan oleh rata-rata biaya pelayanan dan rata-rata
biaya promosi secara bersama-sama (simultan), berarti dijelaskan
oleh variabel lain yang tidak diteliti.

Akhrinya, koefisien korelasi berganda linier (coefficient of linear multiple

correlation) dapat dirumuskan sebagai
r y (x 1 x 2)=√ r 2y (x1 x2 )

7
Koefisien korelasi berganda linier dari data ialah sebesar

r y (x 1 x 2)=√ 0,63456 ¿ 0,796592 atau ry ( x 1 x 2 ) =0,797

Interpretasi Koefisien Korelasi Berganda:

Berikut ini ry(x1x2) = 0,7966 adalah nilai koefisien korelasi

berganda rata-rata biaya pelayanan dan rata-rata biaya promosi dengan
rata-rata penerimaan, artinya hubungan antara rata-rata biaya
pelayanan dan rata-rata biaya promosi dengan rata-rata penerimaan
secara bersama-sama (simultan) tergolong kuat.

Hitungan di atas dapat juga dipecahkan secara berturut-turut sebagai berikut

Y⏞❑=a+b 1 X 1+ b2 X 2

Per persamaan normal (16.2.2.), kita peroleh

1744=20 a+279 b1 + 440 b2

24343=279 a+4499 b1 +6770 b 2

40300=440 a+ 6770 b1 +11400 b2

Jika kita gunakan Kaedah Cramer (Cramer’s Rule), maka

|Da| 945.9044 .400

a= = =73,37939273
|D| 12.890 .600

|Db | −23.932 .000

b 1= 1
= =−1,85654663
|D| 12.890 .600

| Db | 23.273 .060
b 2= 2
= =1,805428762
| D| 12.890 .600

Y⏞❑=73,3794−1,8565 X 1+1,8054 X 2

8
Metode Cramer memberikan hasil yang sama dengan metide eliminasi. Tetapi
metode Cramer membutuhkan pengetahuan matriks dan operasinya.

Bagi mahasiswa dipersilahkan memilih metode yang paling dikuasainya!

9
Koefisien Determinasi dan Korelasi Parsial

Koefisien determinasi parsial (Coefficient of partial determination)

sebetulnya mengukur secara terpisah dampak variabel independen X 1 atau X 2
2
terhadap variabel dependen Y. Sebagai contoh, r yx 1 (x 2) mengukur berapa
persen dampak variabel X 1 terhadap Y secara terpisah dengan jalan,
menghilangkan tendensi linear variabel independen X 2 . Pengukuran tersebut
dirumuskan sebagai

2 1−r 2y (x 1 x 2)
r yx 1 ( x 2)
=1−
1−r 2y (x 2)
2
Dengan cara yang sama, r y 2 (1) dapat dirumuskan sebagai

2 1−r 2y (x 1 x 2)
r yx 2 ( x 1)
=1−
1−r 2y (x 1)

Koefisien korelasi parsial (Coefficient of partial correlation) secara berturut-turut

dapat dirumuskan sebagai

r ❑yx 1 ( x 2)=√ r 2yx 1 (x2 )

r ❑yx 2 ( x 1)=√ r 2yx 2 (x1 )

Pengukuran koefisien determinasi parsial dari data di atas memperoleh hasil

secara berturut-turut sebagai berikut:

1−0,63456 0,36544
r 2yx 1 ( x 2)=1− =1− =1−0,60685=0,39315
1−0,39781 0,60219
1−0,63456 0,36544
r 2yx 2 ( x 1)=1− =1− =1−0,36546=0,63454
1−0,00006 0,99994

Interpretasi Koefisien Determinasi Parsial:

Nilai koefisien determinasi parsial rata-rata biaya pelayanan

terhadap rata-rata penerimaan dengan asumsi rata-rata biaya promosi
tetap adalah r2yx1(x2) = 0,39315, artinya 39,315 % variasi rata-rata

10
penerimaan dapat dijelaskan oleh rata-rata biaya pelayanan dengan
asumsi rata-rata biaya promosi tetap.

Nilai koefisien determinasi parsial rata-rata biaya promosi

terhadap rata-rata penerimaan dengan asumsi rata-rata biaya
pelayanan tetap adalah r2yx2(x1) = 0,63454, artinya 63,454 % variasi
rata-rata penerimaan dapat dijelaskan oleh rata-rata biaya promosi
dengan asumsi rata-rata biaya pelayanan tetap.

Dengan sendirinya, koefisien korelasi parsialnya menjadi sebesar

r ❑yx 1 ( x 2)=√ 0,39315=0,62702

dan

r ❑yx 2 ( x 1)=√ 0,63454=0,79658

Seperti telah dikemukakan dalam topik yang lalu, cara menghitung r

melalui r 2 akan memperoleh hasil postif karena hasilnya diperoleh dari hasil
pengkuadratan. Karena b 1=−1,8565 , maka hasil r y 1 (2), diatas harus diberi
interpretasi arah negatif sebagai r yx 1 (x 2)=−0,62702 sedangkan b 2=+1,8054
sehingga r yx 2 (x 1)=+0,79658 .

Dalam buku teks ekonometrika, koefisien korelasi parsial (coefficient of

partial correlation) lazimnya dicari dengan rumus
r yx 1−¿r r
r yx 1. x 2= 2
yx 2 x 1 x2
¿
√(1−r yx2 ) √ (1−r 2x1 x2 )

r yx 2−¿r r
r yx 2. x 1= yx 1 x 1x 2
¿
√( 1−r ) √(1−r 2x 1 x 2)
2
yx 1

r y x1=¿ Koefisien korelasi sederhana linier (coefficient of linier correlation) antara

2 variabel Y dan X 1 .
r yx 2 =¿ Koefisien korelasi antara Y dan X 2

11
r x1 x2 =¿ Koefisien korelasi antara X 1 dan X 2

Patut diingat, notasi untuk koefisien korelasi antara 2 variabel yang saya
pergunakan dalam seksi yang lalu ialah r y (x 1) dan r y (x 2). Penggunaan r yx 1 dan r yx 2
di sini ialah sesuai dengan kelaziman notasi dalam buku teks ekonometrika. Beda
notasi juga dijumpai dalam penggunaan r yx 1. x 2 dan r yx 2. x 1. Notasi pada seksi yang
lalu ialah r yx 1 (2 ) dan r yx 2 (x 1).

Perhitungannya sebagai berikut:

20 ( 24.343 ) −(1.744)(279)
r yx 1=
√ 20 ( 157.532 )−(1.744)2 √ 20 ( 4.499 )−(279)2
¿ 0,0078038074

20 ( 40.300 )−(1.744)( 440)

r yx 2 =
√ 20 ( 157.532 )−(1.744 )2 √ 20 (11.400 )−(440)2
¿ 0,63072139

20 ( 6.770 ) −(279)(440)
r x1 x2 =
√ 20 ( 4.499 ) −(279)2 √20 ( 11.400 )−(440)2
¿ 0,618552258

Alhasil,

0,0078038074−(0,63072139)(0,61855258)
r yx 1. x 2= 2
√ [ 1−( 0,63072139 ) ] ¿ ¿ ¿
¿−0,6270434068

0,63072139−(0,0078038074)(0,61855258)
r yx 2. x 1= 2 2
√[ 1−( 0,0078038074 ) ] [ 1−( 0,6185522587 ) ]
¿ 0,796587248

Hasil hitungan di atas ternyata sama dengan hasil hitungan sebelumnya.

12
Interpretasi Koefisien Korelasi Parsial:

Nilai koefisien korelasi parsial antara rata-rata biaya pelayanan

dan rata-rata penerimaan dengan asumsi rata-rata biaya promosi tetap
adalah ryx1(x2) = -0,62702. Artinya hubungan parsial antara rata-rata
biaya pelayanan dan rata-rata penerimaan dengan asumsi rata-rata
biaya promosi tetap -0,62702 tergolong kuat dan negatip. Jika rata-
rata biaya pelayanan naik dengan asumsi rata-rata biaya promosi tetap,
maka rata-rata penerimaan akan turun demikian pula sebaliknya jika
rata-rata biaya pelayanan turun dengan asumsi rata-rata biaya promosi
tetap, maka rata-rata penerimaan akan naik.

Nilai koefisien korelasi parsial antara rata-rata biaya promosi

dan rata-rata penerimaan dengan asumsi rata-rata biaya pelayanan
tetap adalah ryx2 (x1) = 0,79658. Artinya hubungan parsial antara rata-
rata biaya promosi dan rata-rata penerimaan dengan asumsi rata-rata
biaya pelayanan tetap 0,79658 tergolong kuat dan positip. Jika rata-
rata biaya promosi naik dengan asumsi rata-rata biaya pelayanan tetap,
maka rata-rata penerimaan akan naik demikian pula sebaliknya jika
rata-rata biaya promosi turun dengan asumsi rata-rata biaya pelayanan
tetap, maka rata-rata penerimaan akan turun.

13