Asumsi dalam Analisis Regresi Ganda

Oleh
Suparman

Model Analisis Regresi adalah salah satu model kausal yang menganalisis suatu
fenomena adanya hubungan kausal minimal antar dua variable X dan Y, dimana X memberikan
pengaruh kepada Y melalui persamaan Y=a + b.X + e. Hal ini dapat juga dikaji dari berbagai
definisi atau pengertian yang ditulis oleh berbagai makalah dan rujukan sebagai berikut.
Regression is used to relate several explanatory variables (X's) to a response variable (Y)
Statistical tool used in predicting future values of a target (dependent) variable on the basis of the
behavior of a set of explanatory factors (independent variables). A type of regression analysis
model, it assumes that the target variable is not chaotic or random and, hence, predictable.
Statistical model that relates the dependent variable (sales, for example) to one or more
independent variables (advertising and income, for example).

Regresi merupakan hubungan kausal (Causal Relationship) beberapa variabel

independen (X’s) yang menjelaskan ke satu variabel dependen (Y). Bahkan secara ekstrim dapat
dikatakan bahwa hubungan pengaruh beberapa variabel independen (X’s) terhadap satu
variabel independen (Y). Model regresai dapat dipergumakan untuk prediksi kedepan
misalnya hasil penjualan sebagai Y dapat diprediksi kedepan bedasarkan biaya iklan (X 1) dan
pendapatan (X2) masyarakat.
Analisis regresi yang mempunyai dua independen variable atau lebih disebut analisis
regresi ganda. Kerangka analisis ini biasanya dituliskan sebagai berikut Y = b₀ + b₁X₁ + b₂X₂
+ . . . + bkXk + Ɛ. Berbagai asumsi biasanya diikutsertakan dalam analisis regresi ini, bahkan
acapkali di pergunakan sebagai persyaratan yang harus dipenuhi. Persyaratan ini banyak silang
pendapat, diantaranya sebagaimana diuraikan dibawah ini.
Asumsi yang diajukan oleh Gorard yang dikutip oleh Cohen2007 dkk mencakup butir
butir sebagai berikut.

1) Semua data berasal dari sampel yang dipilih secara random;

2) Paling tidak variabel independen merupakan angka riil;
3) Tak ada outlier;
4) Semua variabel diukur dengan benar tanpa ada kesalahan;
5) Ada hubungan linear antara variabel dependen dengan variabel-variabel
inde[endennya;
6) Variabel dependen mengikuti distribusi normal, atau minimal terpenuhi asumsi
berkut;
7) Galat mengikuti distribusi normal;
8) Varians setiap variabel konsisten vs variabel lainnya, atau minimal terpenuhi
asumsi berikut;
9) Galat dari variabel dependen terkait dengan setiap variabel independen
mempunyai varians yang konstan;
10) Galat tidak berkorelasi dengan variabel variabel independen nya;
11) Galat mempunyai rata rata nol dan berkorelasi secara linear dengan variabel
dependennya;
12) Tak ada sutupun variabel independen kolinear dengan variabel-variabel
independen lainnya;
13) Korelasi antar galat sama dengan nol.

1|Asumsi Regresi
 Selanjutnya dari 13 butir asumsi di atas, kemudian dipadatkan menjadi tujuh butir
berikut ini sebagaimana pada Cohen dkk.
1) Data berasal dari sampel yang dipilih secara random;
2) Data mempunyai skala interval atau rasio;
3) Tak ada outlier;
4) Hubungan linear antara variabel dependen dengan variabel-variabel independen;
5) Variabel dependen mengikuti distribusi normal, atau minimal asumsi berikut terpenuhi;
6) Galat mengikuti distribusi normal; dan
7) Tak ada kolinearitas.

Lebih lanjut Gujarati dalam karangan bukunya yang berjudul Essentials of Econometrics
menyebutkan bahwa persyaratan dalam regresi ganda adalah (1) semua variabel independen
non stochastik (2). Rata rata galat sama dengan nol dg variance konstan, dan mengikuti
distribusi normal yang dapat dituliskan sebagai berikut e i≈N(µ¸σ²) (3).Homoscedasticity (4).No
exact multicollinearity. Hal serupa Intrilgator. M. D. dalam bukunya yang berjudul
Econometric Models, Techniques, and Applications. Menuliskan bahwa asumsi atau persyaratan
dalam regresi ganda (1).multikolinearitas, (2).heteros-cedastisiti, (3). Galat atau e mengikuti
ditribusi normal dengan rata rata nol dan simpangan baku sigma (σ).
Dalam penelitian ini akan dilakukan uji persyaratan sebagai pemenuhan asumsi yang
diperlukan dalam analisis regresi ganda pada hal yang sangat penting secara praktis
sebagaimana diutarakan pada ringkasan Cohen, Gujarati dan Intriligator. Uji persyaratan yang
dimaksud adalah uji (1). normalitas galat, (2) uji persyaratan multikolineariti, (3) uji persyaratan
heteroskedastisiti.
Jadi penelitian ini menggunakan analisis regresi ganda. Variabel dependen adalah
prestasi belajar matematika (Y), dan variabel independen ada dua ialah konsep diri (X1) dan
minat belajat (X2). Sebelum analisis regresi diaplikasikan, uji persyaratan dilakukan terlebih
dahulu. Uji tersebut mencakup:

(i) uji heteroskedastisitas atau homogenitas varian,

(ii) uji multikolineariti antar variabel independen,
(iii) uji normalitas galat taksiran regresi e≈N(µ,σ),

Uji homoskedastisitas atau data tidak menggerombol-gerombol dengan metode pola

grafik. Dalam pola grafik, disajikan grafik Z-resid sebagai sumbu Y dan Z-Pred sebagai sumbu
X. Data homoskedastis jika grafik menunjukkan tak ada pola yang sistimatis. Uji
multikolineariti dengan uji tolerance dan Variance Inflation Factor (VIF). Kolinieritas tidak ada
jika nilai Variance Inflation Factor (VIF) > 10 , atau TOL < 0,1. Hal ini berarti dilai

Beberapa indikator adanya multikolinearitas ntr variabel independen dalam suatu

model regresi ganda dpat dilihat pada butr butr berikut, yng disarikan dari berbagai buku
ekonometri pada dtr pustkan tesis ini. Datar indikator ini adalah sebagai berikut.

2|Asumsi Regresi
 1. Large changes in the estimated regression coefficients when a predictor variable is
added or deleted
2. Insignificant regression coefficients for the affected variables in the multiple regression,
but a rejection of the joint hypothesis that those coefficients are all zero (using an F-test)
3. Some authors have suggested a formal detection-tolerance or the Condition Number
Test: The standard measure of ill-conditioning in a matrix is the condition index. It will
indicate that the inversion of the matrix is numerically unstable with finite-precision
numbers ( standard computer floats and doubles ). This indicates the potential
sensitivity of the computed inverse to small changes in the original matrix. The
Condition Number is computed by finding the square root of (the maximum eigenvalue
divided by the minimum eigenvalue). If the Condition Number is above 30, the
regression is said to have significant multicollinearity.
4. Farrar-Glauber Test:[2] If the variables are found to be orthogonal, there is no
multicollinearity; if the variables are not orthogonal, then multicollinearity is present.
5. Construction of a pair-wise correlation matrix will yield indications as to the likelihood
that any given couplet of right-hand-side variables are multi-collinear. Correlation
values .4 and higher can indicate a multicollinierity issue, but sometimes variables may
be correlated as high as .8 without causing such issues.

Allison membuat kriteria praktis yang biasa disebut rule of thumb yang dituliskan bahwa
VIF lebih besar dari 10 dengan Tol kurang daro 0,10 merupakan acuan sempurna atau acuan
ideal. Tetapi aturan rule of thumb yang diajukan oleh Allison bahwa VIF lebih besar dari 2,5
dan Tol kurang dari 0,40 dapat digunakan secarap raktis. Penelitian ini menggunakan criteria
yang dajukan oleh Allison (2003) tersebut.

Daftar {ustaka

ALLISON, P. D. Logistic Regression Using the SAS System: Theory and Application. SAS
Institute, North Carolina, USA, 2003. 288p.
Cohen. L., Manion. L., and Morrison. K. (2007). Research Methods in Education. New York:
Routledge. 2007), p. 542.
Dhrymes, P.J. (1970). Econometrics: Statistical Foundation and Applications. New York: John Wiley
& Sons. Inc.
Goldberger, A.S. (1964). Econometric theory. New York : John Wiley & Sons. Inc.
Intrilegator, M.D. (1980). Econometric Models, Technics, and Application. New Delhi : Prentice-
Hall.
Johnston, J. (1972). Econometric Method, 2d ed. New York: McGraw-Hill Book Company.
Maddala, G.S. (1977). Econometrics. New York: McGraw-Hill Book Company.
Malenvaud, E. (1976). Statistical Methods of Econometrics, 2d ed. Amstaredam: North-Holland
Publishing Company.
Pindyck, R.S. and Rubinfeld, D.L. (1976) Econometric Models and Econometric Forecasts. New York:
MacGraw-Hill Book Company.

3|Asumsi Regresi