Rian Febriansyah
120020565
PRODI MANAJEMEN
FAKULTAS EKONOMI
CIREBON
TES FORMATIF 1.
Y X1 X2 X3
62,8 43,41 17,1 4,31
65 46,44 18,65 5,11
63,9 44,35 17,09 4,45
67,5 47,82 19,28 4,82
71,3 51,02 23,24 6,01
76,6 58,71 28,11 7,03
86,3 87,69 30,29 7,67
95,7 76,73 28,26 8,09
98,3 75,91 27,91 7,23
100,3 77,62 32,3 8,08
103,2 78,01 31,39 7,98
108,9 83,57 35,61 8,91
108,5 90,59 37,58 9,45
111,4 95,47 35,17 8,89
a) Lakukan analisis regresi linier berganda pada data dalam table 4.2!
b) Apakah terdapat masalah multikolinieritas?
c) Jika terdapat masalah multikolinieritas, carilah penyelesaiannya !
JAWAB
2) A. LAKUKAN ANALISIS REGRESI LINIER BERGANDA PADA
DATA DALAM TABLE 4.2!
Secara default, jenis metode yang ditampilkan eviews adalah LS-Least Square.
Metode ini disebut juga dengan metode Ordinary Least Square (OLS), maka
akan didapatkan output Eviews sebagai berikut :
Dependent Variable: Y
Method: Least Squares
Date: 04/21/22 Tim e: 16:43
Sample: 1 14
Included observations: 14
Dari output Eviews pada gambar diatas, dapat dihasilkan analisis sebagai berikut :
a) Model regresi
Model regresi yang dihasilkan adalah:
Y= 17.54317 +(0.003602*X1)+(0.274222*X2)+ (5.350411*X3)+ε
atau dapat ditulis menjadi :
konsumsi = 17.54317 +(0.003602*gaji)+(0.274222* pendapatan hasil
pertanian) + (5.350411* pendapatan hasil perkebunan)+ε
Dari model regresi di atas, dapat diinterpretasikan bahwa:
Setiap penambahan 1 orang konsumsi dapat meningkatkan gaji sebanyak
0.003602 (dibulatkan menjadi 0,0036 ) , meningkatkan pendapatan hasil
pertanian sebanyak 0.274222 (dibulatkan menjadi 0,27) , dan meningkatkan
pendapatan hasil perkebunan sebanyak 5.350411 dibulatkan menjadi 5.35)
b) Uji Kecocokan model (Uji F)
1) Hipotesis :
H0 : Model tidak cocok
H1 : Model cocok
2) Taraf Signifkansi α=5%=0,05
3) Statistik Uji
Prob(F-statistic)= 0.000007
4) Kriteria Penolakan Tolak H0 jika nilai Prob(F statistic)<α
5) Kesimpulan H0 ditolak karena nilai Prob(Fstatistic)=0,000001 < α=0,05.
Dengan demikian dapat disimpulkan bahwa model cocok.
c) Uji Individual ( Uji t) untuk variable gaji (X1)
1) Hipotesis :
H0 : β1=0 (banyaknya tenaga kerja tidak berpengaruh signifkan terhadap
banyaknya hasil produksi)
H1 : β1≠0 (banyaknya tenaga kerja berpengaruh signifkan terhadap
banyaknya hasil produksi)
2) Taraf Signifkansi α=5%=0,05
3) Statistik Uji Prob=0,2254
4) Kriteria Penolakan Tolak H0 jika nilai Prob<α
5) Kesimpulan H0 diterima karena nilai Prob=0,2254 > α=0,05.
Dengan demikian dapat disimpulkan bahwa banyaknya gaji tidak
berpengaruh signifkan terhadap banyaknya konsumen
d) Uji Individual ( Uji t) untuk variable pendapatan hasil pertanian (X2)
1) Hipotesis :
H0 : β1=0 (banyaknya modal tidak berpengaruh signifkan terhadap
banyaknya hasil produksi)
H1 : β2≠0 (banyaknya modal berpengaruh signifkan terhadap banyaknya
hasil produksi)
2) Taraf Signifkansi α=5%=0,05
3) Statistik Uji Prob = 0.8593
4) Kriteria Penolakan Tolak H0 jika nilai Prob< α=0,05.
5) Kesimpulan H0 diterima karena nilai Prob=0,8593 > α=0,05.
Dengan demikian dapat disimpulkan bahwa banyaknya pendapatan
hasil pertanian tidak berpengaruh signifkan terhadap banyaknya
konsumen..
e) Uji Individual ( Uji t) untuk variable pendapatan hasil perkebunan (X3)
1) Hipotesis :
H0 : β1=0 (banyaknya modal tidak berpengaruh signifkan terhadap
banyaknya hasil produksi)
H1 : β2≠0 (banyaknya modal berpengaruh signifkan terhadap banyaknya
hasil produksi
2) Taraf Signifkansi α=5%=0,05
3) Statistik Uji Prob = 0.4278
4) Kriteria Penolakan Tolak H0 jika nilai Prob< α=0,05.
5) Kesimpulan H0 diterima karena nilai Prob=0,4278 > α=0,05.
Dengan demikian dapat disimpulkan bahwa banyaknya pendapatan
hasil perkebunan tidak berpengaruh signifkan terhadap banyaknya
konsumen..
f) 𝑅 2 dan 𝑅ത 2
Berdasarkan output pada gambar diatas nilai R2 atau R-squared adalah
0,922815 dibulatkan menjadi 0,92. Dengan demikian dapat disimpulkan bahwa
banyaknya konsumsi dipengaruhi oleh banyaknya gaji sebanyak 92%.
Sedangkan sisanya dipengaruhi oleh factor lain yang belum masuk di dalam
model
Setelah dilakukan uji hipotesis (uji F dan uji t), langkah selanjutnya adalah
melakukan uji asumsi klasik. Asumsi klasik untuk analisis regresi linier
sederhana meliputi normalitas, linieritas, autokorelasi, dan homogenitas varian.
1. Normalitas
Uji normalitas dilakukan terhadap residual/ eror. Salah satu pengujian yang
dapat dilakukan adalah dengan uji JarqueBera.
5
Series: Residuals
Sample 1 14
4 Observations 14
Mean 1.62e-15
3
Median 1.762932
Maximum 7.075958
2 Minimum -12.17420
Std. Dev. 5.179471
Skewness -0.896937
1
Kurtosis 3.395081
0 Jarque-Bera 1.968210
-10 -5 0 5 Probability 0.373774
Hasil analisis
1) )Hipotesis :
H0 : Residual berdistribusi normal
H1 : Residual berdistribusi normal
2) Taraf Signifkansi α=5%=0,05
3) Statistik Uji Probability=0,373734
4) ) Kriteria Penolakan Tolak H0 jika nilai Probability <α
5) Kesimpulan
H0 gagal ditolak karena nilai Probability = 0,373734 > α=0,05.
Dengan demikian dapat disimpulkan bahwa residual berdistribusi
normal atau asumsi normalitas terpenuhi.
2. Linieritas
Uji Linearitas dengan Eviews dapat dilakukan dengan menggunakan uji
Ramsey Reset Test,
Value df Probability
t-statistic 0.473777 9 0.6469
F-s tatistic 0.224465 (1, 9) 0.6469
Likelihood ratio 0.344885 1 0.5570
F-test summary:
Sum of Sq. df Mean Squares
Test SSR 8.486362 1 8.486362
Restricted SSR 348.7500 10 34.87500
Unrestricted SSR 340.2636 9 37.80707
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 04/21/22 Tim e: 20:46
Sam ple: 1 14
Included observations: 14
Presam ple missing value lagged residuals set to zero.
Pada gambar diatas ditampilan bahwa nilai Prob. Chi-Square (2) 0.0488 yaitu
lebih besar dari α=0,05. Dapat disimpulkan bahwa tidak terdapat gejala
autokorelasi.
4. Homogenitas Varian
Untuk mengujian asumsi homogenitas varian, dapat digunakan uji Glejser.
Inti dari uji Glejser adalah meregresikan variable independent dengan nilai
absolut residual. Adanya gejala heteroskedastisitas ditandai dengan hasil uji
t yang signifkan pada (setiap) koefsien parameter untuk variable
independent.
Dengan eviews, berikut hasil outputnnya :
Heteroskedas ticity Test: Glejser
Null hypothesis: Homoskedasticity
Test Equation:
Dependent Variable: ARESID
Method: Least Squares
Date: 04/21/22 Time: 20:54
Sam ple: 1 14
Included observations: 14
Pada gambar diatas. Nampak bahwa nilai Prob. untuk variable X1 (gaji)
0,2703 > α = 0,05 , nilai Prob. Untuk variable X2 (Pendapatan hasil pertanian)
adalah 0,3391 > α = 0,05.dan untuk variabel terakhir yaitu X3 ( Pendapatan hasil
perkebunan) adalah 0,2164 > 0,05 Dengan demikian dapat disimpulkan bahwa
tidak ada gejala heteroskedastisitas atau asumsi homogenitas varian terpenuhi
5. Multikolinieritas
Untuk melihat ada tidaknya gejala multikolinieritas, dapat menggunakan
nilai korelasi antar variabel. Adanya korelasi antar variable independent
yang lebih besar dari pada korelasi antara variable independent dan variabel
dependen akan berpotensi mengakibatkan munculnya gejala
mulikolinieritas.
Dalam kasus ini nilai korelasi antara banyaknya gaji (X1) , pendapatan
hasil pertanian (X1) dan pendapatan hasil perkebunan (X2) adalah sebesar
0,943112 tidak lebih besar nilainya dibandingkan korelasi antara banyaknya
gaji (X1) dengan hasil konsumen (Y) sebesar 0,941868
2) B. APAKAH TERDAPAT MASALAH MULTIKOLINIERITAS?
JAWAB
Output VIF
Untuk melihat nilai VIF dengan Eviews maka klik View → Coeffcient Diagnostics
→ Variance Inflation Factors. Dengan demikian hasilnya adalah sebagai berikut :
Variance Inflation Factors
Date: 04/21/22 Tim e: 23:09
Sam ple: 1 14
Included observations: 14
C 46.70335 18.74830 NA
X1 7.77E-06 156.2012 10.32852
X2 2.272605 721.7108 42.56510
X3 41.90680 872.9876 48.16542
C 41.02228 16.95621 NA
X1 6.61E-06 136.8126 9.046483
X2 0.469089 153.3873 9.046483
Mengeluarkan satu atau lebih variabel bebas yang berkorelasi dengan variabel
lainnya. Apabila terdapat korelasi yang kuat diantara variabel independent, maka
hal yang paling mudah dilakukan adalah dengan mengeluarkan salah satu
variabel yang berkorelasi kuat dengan variabel lainnya.
Pada kasus ini, variabel konsumsi (Y) yang dipengaruhi oleh gaji (X1),
pendapatan hasil pertanian (X2), dan pendapatan hasil perkebunan (X3).
Variabel pendapatan hasil pertanian (X2) dan pendapatan hasil perkebunan
(X3) umumnya berkorelasi tinggi karena seiring berjalannya waktu, kedua
variabel ini bergerak pada arah yang sama. Maka apabila salah satu variabel
independent ini (X3 / Pendapatan hasil perkebunan) dihilangkan, berarti
konsumsi (Y) hanya dipengaruhi oleh gaji (X1) dan Pendapatan hasil pertanian
(X2).
Jadi, apabila salah satu variabel independent dikeluarkan dari model artinya kita
melakukan kesalahan spesifikasi. Oleh karena itu, dalam pengeluaran variabel
dari sebuah model harus benar-benar melalui pertimbangan yang serius.