Jenis-Jenis Regresi Berganda:

1. Regresi Linear Berganda

Regresi Linear Berganda adalah model regresi berganda jika variabel terikatnya berskala
data interval atau rasio (kuantitatif atau numerik). Sedangkan variabel bebas pada
umumnya juga berskala data interval atau rasio. Namun ada juga regresi linear dimana
variabel bebas menggunakan skala data nominal atau ordinal, yang lebih lazim disebut
dengan istilah data dummy. Maka regresi linear yang seperti itu disebut dengan istilah
regresi linear dengan variabel dummy.

Contoh regresi berganda jenis ini adalah: “pengaruh DER dan NPM terhadap Return
Saham.”

2. Regresi Logistik Berganda

Regresi Logistik berganda adalah model regresi berganda, jika variabel terikatnya adalah
data dikotomi. Dikotomi artinya dalam bentuk kategorik dengan jumlah kategori
sebanyak 2 kategori. Misalnya: Laki-laki dan perempuan, baik dan buruk, ya dan tidak,
benar dan salah serta banyak lagi contoh lainnya.
Sedangkan variabel bebas jenis regresi berganda ini pada umumnya juga adalah variabel
dikotomi. Namun tidak masalah jika variabel dalam skala data interval, rasio, ordinal
maupun multinomial.

Contoh regresi berganda jenis ini adalah: pengaruh rokok dan jenis kelamin terhadap
kejadian kanker paru. Dimana rokok kategorinya ya dan tidak, jenis kelamin kategorinya
laki-laki dan perempuan, sedangkan kejadian kanker paru kategorinya ya dan tidak. Ada
dua metode yang sering dipakai dalam jenis regresi berganda ini, yaitu metode logit dan
probit.

3. Regresi Ordinal berganda

Regresi berganda jenis ini adalah analisis regresi dimana variabel terikat adalah berskala
data ordinal. Sedangkan variabel bebas pada umumnya juga ordinal, namun tidak
masalah jika variabel dengan skala data yang lain, baik kuantitatif maupun kualitatif.
Keunikan regresi ini adalah jika variabel bebas adalah data kategorik atau kualitatif,
maka disebut sebagai faktor. Sedangkan jika data numerik atau kuantitatif, maka disebut
sebagai covariates.
Contoh regresi berganda jenis ini adalah: pengaruh tingkat penghasilan dan usia terhadap
tingkat pengetahuan terhadap IT. Dimana tingkat penghasilan sebagai faktor dengan
kategori: rendah, menengah dan tinggi. Usia sebagai covariates dengan skala data
numerik. Dan tingkat pengetahuan terhadap IT sebagai variabel terikat berskala data
ordinal dengan kategori: baik, cukup dan kurang.