Asumsi-Asumsi Analisis Regresi
Asumsi-Asumsi Analisis Regresi
• Karena nilai Sig linearity < 0,05, H1 diterima. Jadi, model regresi linear.
• Karena nilai Sig deviation from linearity > 0,05, H0 diterima. Jadi, tidak ada
deviasi linear pada model regresi.
Uji Asumsi Homoskedastisitas
Dalam sebuah model regresi, varians dari
residual dari satu pengamatan ke pengamatan
yang lain harus tetap (homokedastisitas).
Jika varians dari residual dari satu
pengamatan ke pengamatan yang lain
berbeda, terjadi heterokedastisitas.
Model regresi yang baik adalah tidak terjadi
heterokedastisitas.
Data crossection cenderung menyebabkan
terjadinya heterokedastisitas.
Contoh:
Seorang peneliti ingin menguji apakah dalam model regresi
yang dikembangkan terjadi heterokedastisitas. Model yang
dikembangkan adalah: UL = a + b1DS1+ b2PL2+ b3PF3 + e
Langkah-langkah:
Buka file Hatco.sav.
Pilih menu Analyze, Regression, Linear.
Untuk keseragaman, lakukan pengisian kolom-kolom berikut
ini.
Dasar pengambilan keputusan
Jika ada pola tertentu, seperti titik-titik yang ada
membentuk suatu pola tertentu yang teratur
(bergelombang, melebar kemudian menyempit),
telah terjadi heteroskedastisitas.
Jika tidak ada pola yang jelas, serta titik-titik
menyebar di atas dan di bawah angka 0 pada
sumbu Y, tidak terjadi heteroskedastisitas.
Jika terjadi heterokedastisitas, perlu dilakukan
transformasi data.
Simpulan:
Dari grafik scatterplots terlihat bahwa
titik-titik menyebar secara acak sehingga
dapat disimpulkan tidak terjadi
heterokedastisitas.
Model regresi layak dipakai untuk
memprediksi UL berdasarkan input dari
DS, PL, dan PF.
Uji Heteroskedastisitas: Uji Park
Langkah-langkah:
1. Dapatkan variabel residual dari regresi utama.
2. Kuadratkan nilai residual tersebut dengan menu Transform dan
Compute.
3. Kemudian, hitung logaritma dari nilai residual yang dikuadrat di atas
dengan menu Transform dan Compute.
4. Regresikan ln residual sebagai VD dan variabel X2, X3, dan X4 sebagai
VI sehingga persamaannya menjadi:
Ln Ui2 = b0 + b1 X1 + b2 X3 + b3 X4
Keputusan:
Jika Sig. < 0,05, terjadi heteroskedastisitas;
Jika Sig. > 0,05, terjadi homoskedastisitas
Hasil Uji Park
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts
Model B Std. Error Beta t Sig.
1 (Constant) 2,361 1,253 1,885 ,062
X2 ,117 ,147 ,092 ,797 ,427
X3 -,250 ,127 -,219 -1,968 ,052
X4 -,242 ,138 -,178 -1,749 ,083
a. Dependent Variable: LNRESID
Uji autokorelasi
Pengujian ini bertujuan untuk mengetahui apakah
dalam sebuah model regresi linier ada korelasi antara
kesalahan pengganggu (error) pada periode t dengan
periode t-1.
Jika terjadi korelasi, dinamakan ada problem
autokorelasi.
Model regresi yang baik adalah regresi yang bebas
autokorelasi.
Problem autokorelasi mayoritas terjadi pada regresi
yang data time series, atau berdasarkan waktu berkala,
seperti bulanan dan tahunan.
Uji Autokorelasi (cont’d)
Contoh:
Seorang peneliti ingin menguji apakah dalam model
regresi yang dikembangkan terdapat problem
autokorelasi.
Langkah-langkah:
Buka file Hatco.
Pilih menu Analyze, Regression, Linear.
Untuk keseragaman, lakukan pengisian kolom-kolom
berikut ini.
Deteksi adanya Autokorelasi
Untuk mendeteksi terjadinya autokorelasi, lihat
besaran angka Durbin-Watson.
Kriteria:
Angka D-W < -2, berarti ada autokorelasi
negatif.
Angka D-W terletak di antara -2 dan 2, berarti
bebas autokorelasi.
Angka D-W > 2, berarti ada autokorelasi positif.
Tabel Model Summary
Model Summaryb
Coefficient Correlationsa
Delivery
Model Price level speed
1 Correlation Price level 1.000 .350
s
Delivery .350 1.000
speed
Covariances Price level .283 .090
Delivery .090 .232
speed
a. Dependent Variable: Usage level
Interpretasi hasil SPSS
Angka VIF 1,139 dan angka Tolerance 0,878.
Dapat disimpulkan model regresi tersebut
tidak terdapat problem multikolinieritas.
Koefisien korelasi 0,35 <0,5.
Dapat disimpulkan model regresi tersebut
tidak terdapat problem multikolinieritas.
Remedial
Jika terjadi problem multikolinieritas,
solusinya adalah
Dengan mengeluarkan salah satu variabel
independen dalam model yang mempunyai
korelasi yang tinggi dari model regresi.
Transformasi variabel dalam bentuk log n atau
bentuk lainnya.
Gunakan metode regresi lainnya, misalnya
Bayesian Regresion.
Uji Normalitas
Pengujian ini dilakukan untuk mengetahui apakah
dalam model regresi data variabel dependen dan
independen berdistribusi normal.
Model regresi yang baik adalah distribusi data normal.
Cara pengujian normalitas data dapat dilakukan
menggunakan beberapa cara, antara lain:
Menghitung rasio skweness dan kurtosis.
Uji Kolmogorov-Smirnov dan Shapiro-Wilk.
Membuat Q-Q plot dan Detrended Normal Q-Q plot.
Transformasi Data
Bentuk transformasi data yang tidak terdistribusi
normal dapat ditentukan berdasarkan bentuk grafik
histogram.
Bentuk Grafik Histogram Bentuk Transformasi
Moderate (+) skewness SQRT (x) atau akar kuadrat
Substansial (+) skewness LG10 (x) atau LN
Severe (+) skewness dgn bentuk L 1/x atau inverse
Moderate (-) skewness SQRT (k-x)
Substansial (-) skewness LG10 (k-x)
Severe (-) skewness dgn bantuk J 1/(k-x)