NIM : 1701618105
Prodi : Pendidikan Akuntansi 2018
Matkul : Statistika Ekonomi 2
Buatlah resume dari video Analisis Regresi.
Tabel di atas menjelaskan tentang variabel yang dimasukan serta metode yang
digunakan. Dalam hal ini variabel yang dimasukan adalah variabel trust sebagai
variabel independent dan partisipasi sebagai variabel dependent dan metode
yang digunakan adalah metode enter.
Model Summary
Tabel di
atas menjelaskan besarnya nilai korelasi atau hubungan (R), yaitu sebesar
0.463. Dari output tersebut diperoleh koefisien determinan (R Square)
sebesar 0.215, yang mengandung pengertian bahwa variabel bebas (Trust)
terhadap terikat (Partisipasi) adalah sebesar 21.05%.
ANOVA
Output bagian Ketiga (ANOVA): dari output tersebut diketahui bahwa nilai f
hitung = 13.951 dengan tingkat signifikansi sebesar 0.000 < 0.05 maka
model regresi dapat dipakai untuk memprediksi variabel partisipasi atau
dengan kata lain ada pengaruh variabel Trust (X) terhadap variabel
Partisipasi (Y).
Coefficients
Output Bagian Keempat (Coefficients): Diketahui nilai Constant (a) sebesar
9.481, sedang nilai Trust (b / koefisien regresi) sebesar 0.438, sehingga
persamaan regresinya dapat ditulis:
Y=a+bX
Y=9.481 + 0.438X
Kurva untuk mendeteksi pengaruh antara variabel X dan Y. Jika letaknya > T table
maka positif. Pengaruh positif yaitu semakin positif variabel X maka akan
meningkatkan variabel Y.
VIDEO 2: ANALISIS REGRESI (BAGIAN 1)
A. PENDAHULUAN
Pada tahun 2006 di New York, penjualan es krim yang meningkat juga diikuti
dengan peningkatan data jumlah orang yang tenggelam. Sedangkan pada tahun 2009 di
New York, peningkatan penjualan es krim diikuti dengan tingkat pembunuhan.
Berdasarkan data penjualan es krim dan tingkat kematian di New York, apakah ada
hubungan linier antar peubah? Jika ya, apakah positif atau negative?
Misalkan kita menghitung koefisien korelasi linier dan kita mendapatkan r =
0,85. Apa artinya dari koefisien korelasi ini? Jadi apakah penjualan es krim perlu
dihentikan untuk menurunkan tingkat kematian ini? Jawabannya adalah pada musim
panas di mana matahari bersinar terik, kebanyakan orang pergi keluar untuk membeli es
krim, pergi ke pantai untuk berenang, dan mereka juga cenderung untuk berjalan-jalan
keluar rumah. Ternyata efek dari musim panas ini yaitu, penjualan es krim meningkat
dan orang-orang banyak yang beraktivitas di pantai untuk berenang dan lainnya.
Peningkatan aktivitas di pantai inilah yang meningkatkan peluang seseorang untuk
tenggelam, hal inilah yang mengakibatkan peningkatan jumlah orang yang tenggelam
pada saat itu. Selain itu, pada saat lebih banyak orang yang keluar rumah maka akan
meningkatkan peluang terjadinya kekerasan di luar rumah. Jadi dapat disimpulkan,
diantara beberapa peubah-peubah itu saling berkorelasi namun dalam hal ini antara
peubah tadi tidak ada hubungan yang sifatnya sebab akibat. Ini berarti korelasi ≠
kausalitas.
Dalam kebanyakan kasus, korelasi hanyalah suatu kebetulan. Kausalitas berarti
peubah X menyebabkan Y terjadi. Setelah mengetahui nilai korelasi, jangan terlalu
cepat menarik kesimpulan. Korelasi hanyalah langkah pertama. Setelah menemukan
korelasi, pertimbangkan faktor-faktor yang ada yang dapat menyebabkan hasil akhir.
Kemudian setelah menemukan faktor-faktor, barulah kita dapat menarik kesimpulan dan
melihat apakah itu benar. Seperti pada kasus es krim di atas, ternyata yang faktor yang
mempengaruhi keseluruhannya adalah musim panas atau pada saat matahari bersinar
terik.
Lalu bagaimana cara kita mengetahui hubungan sebab akibat antara satu peubah
dengan peubah lainnya? Kita harus mengetahui dan paham dengan kasus dan bidang
ilmunya sehingga kita bisa mengaitkan antara peubah satu dengan yang lain mana yang
menjadi penyebab dan akibat. Dalam statistic kita dapat melakukan analisis untuk
melihat hubungan yang sifatnya kausalitas atau hubungan sebab akibat. Analisis yang
akan dilakukan adalah analisis regresi.
B. ANALISIS REGRESI
Analisis regresi digunakan untuk memprediksi nilai peubah dependen
berdasarkan nilai setidaknya satu peubah independent. Selain itu, analisis regresi juga
digunakan untuk menjelaskan dampak peubah independent terhadap peubah dependen.
Yang dimaksud dengan peubah independent (peubah bebas/independent variable)
adalah peubah yang digunakan untuk menjelaskan peubah tak bebas (juga disebut
sebagai peubah eksogen). Sedangkan peubah tak bebas (dependent variable) merupakan
peubah yang ingin dijelaskan (juga disebut sebagai peubah endogen).
Y i=β 0 + β 1 X i+ ε i
β 0 dan β 1 adalah koefisien model populasi dan ε adalah komponen galat acak
(random error term). Untuk model regresi populasi Y i adalah peubah tak bebas
(dependent variable), β 0 adalah intersep populasi, β 1 adalah koefisien slope populasi, X i
adalah peubah bebas (independent variable), dan ε i adalah komponen galat acaknya.
(β 0 + β 1 X i) disebut sebagai komponen linier dan ε i adalah komponen galat acak.
D. PERSAMAAN REGRESI LINEAR SEDERHANA
Untuk model Persamaan Regresi Linear Sederhana ini sendiri, digunakan untuk
menduga garis regresi populasi. Rumusnya adalah:
Y^ i=b0 +b1 x i
Komponen galat merupakan peubah acak dengan rataan 0 dan ragam konstan σ 2
(ragam yang konstan disebut homoskedastisitas). Pernyataannya sendiri adalah :
Komponen galat acak (random error terms) atau disebut ε i, tidak saling
berkorelasi, sehingga pernyataannya adalah:
X = Variabel bebas
Y = Variabel Tak Bebas
Keterangan:
β0 adalah suatu titik perpotongan antara suatu garis dan sumbu Y pada sumbu
kartesius saat nilai X = 0.
β1 adalah kemiringan dari garis regresi yang menjelaskan kenaikan atau penurunan
Y untuk setiap perubahan satu satuan X (Slope)
5. PENERAPAN SOAL
Ilustrasi:
Besaran otot manusia diperkirakan akan menurun seiring bertambahnya usia. Untuk
mengeksplorasi hubungan ini pada wanita, seorang ahli gizi memilih secara acak
empat wanita berumur puluhan tahun yang dimulai pada usia 40 dan berakhir
dengan 79 tahun. Mengasumsikan bahwa model regresi sederhana sesuai.
DATA:
j 1 2 3 4 5 6 7 8
X 71 64 43 67 56 73 68 56
Y 82 91 100 68 87 73 78 80
J 9 10 11 12 13 14 15 16
X 76 65 45 58 45 53 49 78
Y 65 84 116 76 97 100 105 77
Dimana: X: Usia
Y: Massa Otot
Penyelesaian:
n
∑ ¿1 XI = 967
i
∑ ¿1 YI =1379
i
∑ ¿1 XI2 = 60409
i
∑ ¿1 XI Yi= 81331
i
Kemudian hitung β0 dan β1:
β0 = (1379)(60409) – (967)(81331)
16(60409) - (967)2
= 148.0506
Β1 = (16)(81331) – (967)(1379)
16(60409) - (967)2
= -1.0236
Kesimpulan:
Dari persamaan regresi linier sederhana tersebut, dapat diinterpretasikan bahwa
setiap bertambahnya usia satu tahun, dimulai dari usia 40 tahun, massa otot akan
berkurang sebanyak 1.0236 kg per tahunnya.
2. Klik tab Data, lalu klik Data Analysis, dan pilih Regression, klik Ok.