Makalah

“Analisis Regresi Sederhana dan Regresi Berganda”

Diajukan untuk memenuhi salah satu tugas Mata kuliah Ekonometrika yang di ampu oleh :

Putri Sari Margaret Juliyanti Silaban, S.E., M.Si.

Disusun Oleh Kelompok 1:

Raysa Rejeki (7162141015)

Dina Anggraini (7163141012)

M. Fathir Rizki (7173341021)

Mirna Scorpio Br Pelawi (7163141022)
Niga Virgonia Siregar (7163141024)

Suri Hanifah Putri (7163141035)

PENDIDIKAN EKONOMI B REGULER

JURUSAN PENDIDIKAN EKONOMI

FAKULTAS EKONOMI

UNIVERSITAS NEGERI MEDAN

2019

1
 KATA PENGANTAR

Assalamualaikum Wr.Wb
Puji syukur kita panjatkan kehadirat Allah SWT yang telah memberikan
rahmat dan hidayahnya sehingga makalah ini dapat diselesaikan dengan baik.
Makalah ini kami tulis guna memenuhi tugas kelompok mata kuliah Ekonometrika
pada semester tujuh tahun 2019.
Didalam penyusunan makalah ini, Kami sudah berusaha untuk memberikan
dan mencapai hasil yang semaksimal mungkin. Oleh sebab itu pada kesempatan ini,
Kami ingin mengucapkan terimakasih yang sebesar-besarnya khususnya kepada
ibu Putri Sari Margaret Juliyanti Silaban, S.E., M.Si. Selaku dosen pengampu
mata kuliah Ekonometrika.
Dan makalah ini diambil dari berbagai macam referensi yang merupakan
salah satu sarana yang mana harapannya dapat membantu pembaca memahami dan
mendeskripsikan serta untuk mengembangkan secara maksimal potensi yang
dimiliki pembaca, adapun pembahasan yang akan kita bahas Analisis Regresi
Sederhana dan Regresi Berganda. Semoga dengan terselesaikannya makalah ini
dapat menjadi manfaat bagi pembaca sekalian.
Penulis menyadari bahwa makalah ini belumlah sempurna. Oleh karena itu
saran dan kritik yang membangun dari pembaca sangat dibutuhkan untuk
menyempurnakan makalah ini. Karena hanya Allah yang memiliki kesempurnaan
di dunia ini, Lebih dan kurangnya kami mohon maaf.
Wassalamualaikum wr.wb.

Medan, September 2019

Kelompok 1

i
 DAFTAR ISI

HALAMAN JUDUL
KATA PENGANTAR ..............................................................................................i
DAFTAR ISI............................................................................................................ii
BAB I PENDAHULUAN .....................................................................................iii
I.1 LATAR BELAKANG .......................................................................................iii
I.2 RUMUSAN MASALAH ..................................................................................iii
I.3 TUJUAN............................................................................................................iv
I.4 MANFAAT .......................................................................................................iv
BAB II PEMBAHASAN ........................................................................................1
II.1 Konsep Regresi Sederhana….………................................................................1
II.1.1 Pengertian Regresi Linier Sederhana..................................................1
II.1.2 Ukuran Tingkat Ketelitian (standart Eror dari OLS)….......................2
II.1 3 Goodness Of Fit…………………......................................................3
II.1.4 Bentuk Fungsional Hubungan Regresi ………...................................7
II.1.5 Uji Hipotesis …………………..........................................................4
II.1.6 Uji Normalitas ……………………………………...................................9
II.1.7 Kecocokan Model………………....................................................10
II.1.8 Regresi Sederhana Dengan Program E-Views…..............................10
II.2 Konsep Regresi Berganda.………...................................................................14
II.2.1 Koefisien Determinasi………...........................................................14
II.2.2 Uji Hipotesis Regresi Keseluruhan (Uji-F) ………...........................15
II.2.3 Pemilihan model fungsi regresi ………............................................16
II.2.4 Identifikasi Model Regresi ………...................................................16
II.2.5 Model terbaik regresi………............................................................16
BAB III PENUTUP .............................................................................................20
III.1 KESIMPULAN ..............................................................................................20
III.2 SARAN ..........................................................................................................20
DAFTAR PUSTAKA ...........................................................................................22

ii
 BAB I
PENDAHULUAN

I.1 LATAR BELAKANG

Analisis regresi merupakan salah satu alat statistik yang banyak digunakan
dalam berbagai bidang. Analisis tersebut bertujuan untuk mengetahui hubungan
antara variabel dependen dan variabel independen. Ada beberapa macam tipe dari
analisis regresi. Tipe yang pertama adalah analisis regresi linier sederhana yang
berfungsi untuk mengetahui hubungan linier antara dua variabel, satu variabel
dependent dan satu variabel independent. Tipe kedua adalah analisis regresi linier
berganda yang merupakan model regresi linier dengan satu variabel dependent dan
lebih dari satu variabel independent.

Pemodelan dengan regresi telah banyak digunakan mulai dari bidang sosial,
ekonomi, kimia, kesehatan, dan sebagainya. Dengan model regresi yang dihasilkan,
dapat diketahui variabel-variabel yang secara signifikan mempengaruhi variabel
yang lain. Untuk bisa memperoleh variabel-variabel yang berpengaruh tersebut
maka model yang diperoleh harus dapat memenuhi asumsi-asumsi yang berlaku di
dalam regresi.

Bagaimana model regresi linier sederhana dan regresi linier berganda,

asumsi-asumsinya, serta makna dari parameter-parameter regresi linier berganda
dan regresi linier sederhana. Oleh karena itu dalam makalah ini penulis akan
membahas materi dengan judul “Analisis Regresi Linier Sederhana dan Regresi
Berganda”.

I.2 RUMUSAN MASALAH

I.2.1 Apa yang dimaksud dengan regresi sederhana dan berganda?
I.2.2 Bagaimana asumsi dalam analisis regresi sederhana dan berganda ?
I.2.3 Apa saja parameter-parameter analisis regresi sederhana dan berganda?
I.2.4 Bagaimana model-model dalam analisis regresi sederhan adan berganda?

iii
I.2.5 Bagaimana langkah-langkah dalam menggunakan analisis regresi sederhana
dan berganda dalam eviews?

I.3 TUJUAN
I.3.1 Untuk mengetahui makna regresi sederhana dan berganda
I.3.2 Untuk mengetahui asumsi dalam analisis regresi sederhana dan berganda
I.3.3 Untuk mengetahui parameter-parameter analisis regresi sederhana dan
berganda.
I.3.4 Untuk mengetahui model-model dalam analisis regresi sederhan adan
berganda.
I.3.5 Untuk mengetahui langkah-langkah dalam menggunakan analisis regresi
sederhana dan berganda dalam eviews.

I.4 MANFAAT
1). Bagi penulis :
Untuk menambah wawasan mengenai analisis regresi sederhana dan regresi
berganda, sekaligus memenuhi tugas matakuliah Ekonometrika.
2). Bagi pembaca :
Untuk menambah wawasan mengenai analisis regresi sederhana dan regresi
berganda.

iv
 BAB II
PEMBAHASAN

II.1 Konsep Regresi Sederhana

Istilah regresi pertama kali digunakan dalam statistik oleh Sir Francis Galton
pada tahun 1877. Galton membuat penelitian yang menunjukkan bahwa sifat tinggi
badan anak yang dilahirkan ternyata menurun (regress) dari tinggi badan orang
tuanya. Kemudian Galton menggunakan kata “regresi” untuk menamakan analisis
proses prediksi keterkaitan antara variabel tinggi badan anak dengan tinggi badan
orang tuanya. Perkembangan selanjutnya para peneliti menggunakan istilah
multiple regression atau regresi berganda untuk menjelaskan pengaruh beberapa
variabel bebas (independent) terhadap variabel terikat (dependent).
Kegunaan regresi dalam penelitian salah satunya adalah memprediksi nilai
variabel terikat (biasanya dinotasikan dengan huruf Y) apabila variabel bebas
(biasanya dinotasikan dengan huruf X) telah diketahui. Analisis regresi adalah
analisis satu arah (non-recursive).
Asumsi umum atau prasyarat analisis regresi diantaranya:
1. Data yang dianalisis jenis data interval atau ratio
2. Data dipilih secara random
3. Data yang dihubungkan berdistribusi normal
4. Data yang dihubungkan berpola linear
5. Data yang dihubungkan mempunyai pasangan yang sama sesuai dengan subjek
yang sama.

II.1.1 Pengertian Regresi Linier Sederhana

Regresi Linear Sederhana adalah regresi yang memiliki satu variabel

independen (X) dan satu variabel dependen (Y). Analisis Regresi Sederhana ini
bertujuan untuk menguji pengaruh antara variabel X terhadap variabel Y. Variabel
yang dipengaruhi disebut variabel dependen, sedangkan variabel yang
mempengaruhi disebut variabel independen. Analisis ini untuk mengetahui arah
hubungan antara variabel independen dengan variabel dependen apakah positif atau
1
negatif dan untuk memprediksi nilai dari variabel dependen apabila nilai variabel
independen mengalami kenaikan atau penurunan.. Data yang digunakan biasanya
berskala interval atau rasio.

Model persamaan regresi linier sederhana sebagai berikut:

Y = a + bX + e

Y = Variabel dependen

a = Konstanta

b = Koefisien variabel independen

x = Variabel independen

e = error

Pada analisis regresi terdapat dua jenis variabel, yaitu: variabel bebas
(sebagai variabel predictor) dan variabel terikat. Variabel bebas sering dinotasikan
dengan X1, X2, X3, X4…, dan seterusnya. Sedangkan variabel terikat (dependent)
dinotasikan dengan Y.

Koefisien (b) regresi linier adalah nilai dari variabel (X) yang bisa bermakna
positif atau negatif, yang fungsinya mempengaruhi variabel (Y). Jika nilai variabel
X positif maka akan berpengaruh naik terhadap variabel Y, akan tetapi jika nilai
variabel X ternyata negatif justru akan berpengaruh turun terhadap variabel Y.
Makna positif (+) atau negatif (-) tersebut diinterpretasikan dalam besaran satuan.
Jika positif maka naik sebesar satu satuan, jika negatif maka turun sebesar satu
satuan.

II.1.2 Ukuran Tingkat Ketelitian (standart Eror dari OLS)

Ukuran tingkat ketelitia diukur dari standart eror estimator yang diperoleh
dari metode OLS adalah variabel yang sifat aslinya random yaitu nilainya berubah
dari satu sampel ke sampel yang lainnya . oleh karena itu kita membutuhkan
ketepatan dari estimator 𝛽0 dan 𝛽1 . di dalam statistika untuk mengetahui ketepatan

2
estimator OLS ini diukur dengan menggunakan kesalahan standart error .standart
eror bagi estimator 𝛽0 dan 𝛽1 :

∑ 𝑋12
𝑉𝑎𝑟(𝛽° ) =
𝑛 ∑ 𝑋12

∑ 𝑋12
𝑆𝑒(𝛽° ) = √ 𝜎
∑ 𝑋12

𝜎
𝑉𝑎𝑟(𝛽1 ) =
∑ 𝑋12

𝜎
𝑆𝑒(𝛽1 ) = √
∑ 𝑋12

semua variabel dalam perhitungan standart eroor di atas dapat diestimasi

dari data yang ada kecuali σ2 dihitung dengan formula :

∑ 𝑒12
𝜎=
𝑛−𝑘

Semakin kecil standart eror dari estimator maka semakin kecil variabilitas
dari angka estimator dan berarti semakin dipercaya nilai estimator yang didapat
bagaimana varian dan kesalahan standar dari estimator mampu membuat keputusan
tentang kebenaran dari estimator akan dijelaskan dalam subbab berikutnya .

II.1 3 Goodness Of Fit

Model statistik menggambarkan seberapa baik itu cocok dengan

serangkaian pengamatan . ukuran goodness of fit biasanya meringkas perbedaan
antara nilai yang diamati dan nilai yang diharapkan dalam model tersebut . langkah
tersebut dapat digunakan dalam pengujian hipotesis statistik ,misalnya untuk
menguji normalitas residual ,untuk menguji apakah dua sampel diambil dari
distribusi yang identik ,atau apakah frekuensi hasil mengikuti distribusi yang
ditentukan.

3
II.1.4 Bentuk Fungsional Hubungan Regresi
Pemilihan bentuk fungsional hubungan regresi terkait dengan pemilihan
peubah bebasnya. Ada kalanya, teori bilang ilmu bersangkutan bisa menunjukkan
bentuk fungsional yang cocok. Teori belajar, misalnya, mungkin mengindikasikan
bahwa fungsi regresi yang menghubungkan biaya produksi dengan berapa kali
suatu item tertentu telah pernah muncul harus memiliki bentuk tertentu dengan
sifat-sifat asimtotik tertentu pula.
Yang lebih sering dijumpai adalah bahwa bentuk fungsional hubungan
regresi tersebut tidak diketahui sebelumnya, sehingga harus ditetapkan setelah
datanya diperoleh dan dianalisis. Oleh karenanya, fungsi regresi linier atau
kuadratik sering digunakan sebagai suatu model yang cukup memuaskan bagi
fungsi regresi yang tidak diketahui bentuknya. Bahkan, kedua jenis fungsi regresi
yang sederhana itu masih juga sering digunakan meskipun teori yang mendasarinya
menunjukkan bentuk fungsionalnya, terutama bila bentuk fungsional yang
ditunjukkan oleh teori terlalu rumit namun secara logis bisa dihampiri oleh suatu
fungsi linier atau kuadratik.
1. Model
Bentuk umum fungsi regresinya linear dapat dituliskan sebagai berikut:
Yi = β0 + β1Xi + εi
Dalam hal ini :
Yi adalah nilai perubahan respons dalam amatan ke-i
β 0 dan β 1 adalah parameter
Xi adalah konstanta yang diketahui, yaitu nilai peubah bebas dari amatan ke-i
ε 1 adalah suku galat yang bersifat acak dengan rataan E{εi} = 0 dan ragam σ2{εi}
= σ2; εi dan εj tidak berkorelasi sehingga peragam (covariance) σ{εI, εj} = 0 untuk
semua i, j; i ≠ j
i = 1, 2, . . . ., n
Model regresi tersebut dikatakan sederhana, linear dalam parameter, dan
linier dalam peubah bebas. Dikatakan “sederhana” karena hanya ada satu peubah
bebas, “linear dalam parameter” karena tidak ada parameter yang muncul sebagai
salah satu eksponen atau dikalikan atau dibagi oleh parameter lain, dan “linear
dalam peubah bebas” sebab peubah ini di dalam model berpangkat satu. Model

4
yang linear dalam parameter dan linear dalam peubah bebas juga dinamakan model
ordo-pertama.
2. Makna Parameter Regresi
Kedua parameter β0 dan β1 dalam model regresi . dinamakan koefisien
regresi. β1 adalah kemiringan (slope) garis regresi. Kemiringan menunjukkan
perubahan rataan sebaran peluang bagi Y untuk stiap kenaikan X satu satuan.
Parameter β0 adalah nilai intersep Y garis regresi tersebut. Bila cakupan model
tidak mencakup X = 0, maka β0 mempunyai makna sebagai rerata.

Intersep 𝛽0 = 0,4845 menunjukkan nilai fungsi pada X = 0. karena model

regresi linear ini diformulasikan untuk diterapkan pada pendapatan yang berkisar
antara 11 sampai 120, maka dalam hal ini β0 mempunyai makna rata-rata konsumsi
pada waktu X sama dengan nol adalah sebesar 0,4845.

3. Metode Kuadrat Terkecil

Tujuan metode kuadrat terkecil adalah menemukan nilai dugaan b0 dan b1
yang menghasilkan jumlah kesalahan kuadrat minimum. Dalam pengertian tertentu,
yang segera akan bahas, nilai dugaan itu akan menghasilkan fungsi regresi linier
yang “baik”.
Penduga Kuadrat Terkecil.
Pendekatan Pertama, digunakan suatu prosedur pencarian numerik.
Prosedur ini untuk berbagai nilai dugaan b0 dan b1 yang berbeda sampai diperoleh
nilai dugaan yang meminimumkan. Pendekatan kedua adalah menemukan nilai-
nilai b0 dan b1 secara analitis yang meminimumkan Jumlah Kesalahan Kuadrat
(Σe2) . Pendekatan analitis mungkin dilakukan bila model regresinya secara
sistematis tidak terlalu rumit.
4. Asumsi-Asumsi Metode Kuadrat Terkecil
Metode OLS yang dikenal sebagai metode Gaussian merupakan landasan
utama di dalam teori ekonometrika. Metode OLS ini dibangun dengan
menggunakan asumsi-asumsi tertentu.
Asumsi yang berkaitan dengan model garis regresi linier dua variabel
 Asumsi 1 : Hubungan antara Y (variabel dependen) dan X (variabel
independen) adalah linier dalam parameter. Model regresi yang linier dalam

5
 parameter dapat dilihat dalam persamaan (2.16). Dalam hal ini berhubungan
linier terhadap Y.
 Asumsi 2 : Variabel X adalah variabel tidak stokastik yang nilainya tetap.
Nilai X adalah tetap untuk berbagai observasi yang berulang-ulang.
Kembali dalam kasus hubungan jumlah permintaan barang dengan tingkat
harganya, untuk mengetahui tingkat variasi jumlah permintaan barang maka
melakukan berbagai observasi pada tingkat harga tertentu. Jadi dengan
sampel yang berulang-ulang nilai variabel independen (X) adalah tetap atau
dengan kata lain variabel independen (X) adalah variabel yang dikontrol.
 Asumsi 3 : Nila harapan (expected value) atau rata-rata dari variabel
gangguan ei adalah nol atau harganya, untuk mengetahui tingkat variasi
jumlah permintaan barang maka melakukan berbagai observasi pada tingkat
harga tertentu. Jadi dengan sampel yang berulang-ulang nilai variabel
independen (X) adalah tetap atau dengan kata lain variabel independen (X)
adalah variabel yang dikontrol. Karena mengasumsikan bahwa nilai
harapan dari Y hanya dipengaruhi oleh variabel independen yang ada atau
dapat dinyatakan sbb:
 Asumsi 4 : Varian dari variabel gangguan ei adalah sama
(homoskedastisitas) harganya, untuk mengetahui tingkat variasi jumlah
permintaan barang maka melakukan berbagai observasi pada tingkat harga
tertentu. Jadi dengan sampel yang berulang-ulang nilai variabel independen
(X) adalah tetap atau dengan kata lain variabel independen (X) adalah
variabel yang dikontrol. harganya, untuk mengetahui tingkat variasi jumlah
permintaan barang maka melakukan berbagai observasi pada tingkat harga
tertentu. Jadi dengan sampel yang berulang-ulang nilai variabel independen
(X) adalah tetap atau dengan kata lain variabel independen (X) adalah
variabel yang dikontrol.
 Asumsi 5 : Tidak ada serial korelasi antara gangguan ei atau gangguan ei
tidak saling berhubungan dengan ej yang lain ,untuk mengetahui tingkat
variasi jumlah permintaan barang maka melakukan berbagai observasi pada
tingkat harga tertentu. Jadi dengan sampel yang berulang-ulang nilai

6
 variabel independen (X) adalah tetap atau dengan kata lain variabel
independen (X) adalah variabel yang dikontrol.

II.1.5 Uji Hipotesis

Hipotesis merupakan pernyataan tentang sifat populasi sedangkan uji
hipotesis adalah suatu prosedur untuk pembuktian kebenaran sifat populasi
berdasarkan data sampel. Seseorang yang melakukan penelitian akan lebih banyak
menggunakan data sampel daripada data populasi. Dari sampel yang diambil
kemudian dapat jadikan sebagai alat untuk verifikasi kebenaran populasi. Di dalam
melakukan penelitian berdasarkan sampel, seorang peneliti dengan demikian harus
menyatakan secara jelas hipotesis penelitian yang dilakukan untuk dibuktikan
kebenarannya melalui penelitian dari data sampel.
Dalam statistika, hipotesis yang ingin uji kebenarannya tersebut biasanya
bandingkan dengan hipotesis yang salah yang nantinya akan tolak. Hipotesis yang
salah dinyatakan sebagai hipotesis nol (null hypothesis) disimbolkan H0 dan
hipotesis yang benar dinyatakan sebagai hipotesis alternatif (alternative hypothesis)
dengan simbol Ha. Dalam menguji kebenaran hipotesis dari data sampel, statistika
telah mengembangkan uji t. Uji t merupakan suatu prosedur yang mana hasil sampel
dapat digunakan untuk verifikasi kebenaran atau kesalahan hipotesis nol (H0).
Keputusan untuk menerima atau menolak H0 dibuat berdasarkan nilai uji statistik
yang diperoleh dari data.

Hal yang penting dalam hipotesis penelitian yang menggunakan data sampel
dengan menggunakan uji t adalah masalah pemilihan apakah menggunakan dua sisi
atau satu sisi. Uji hipotesis dua sisi dipilih jika tidak punya dugaan kuat atau dasar
teori yang kuat dalam penelitian, sebaliknya memilih satu sisi jika peneliti
mempunyai landasan teori atau dugaan yang kuat. Misalnya menguji hubungan
antara pendapatan terhadap konsumsi pada hitungan sebelumnya. Karena
mempunyai landasan teori atau dugaan yang kuat bahwa terdapat hubungan yang
positif antara jumlah pendapatan terhadap konsumsi maka menggunakan uji satu
sisi. Adapan hipotesis nol dan hipotesis alternatif dapat dinyatakan sbb:
H0 : β1 ≤ 0
Ha : β1 > 0
7
 Hipotesis nol atau hipotesis salah yakni menyatakan bahwa pendapatan
tidak berpengaruh dan atau berpengaruh negatif terhadap konsumsi yang
ditunjukkan oleh koefiesin β1≥0. Sedangkan hipotesis alternatif menyatakan bahwa
pendapatan berpengaruh positif terhadap konsumsi yang ditunjukkan oleh β1 > 0.

Namun misalnya hubungan antara dua variabel dalam persamaan regresi

bisa positif maupun negatif maka prosedur uji hipotesis harus dilakukan dengan uji
dua sisi. Dalam kasus hubungan antara jumlah pendapatan terhadap konsumsi.
Jumlah pendapatan dan konsumsi bisa berhubungan positif atau negatif tergantung
dari jenis barangnya. Jika barang kualitas rendah (inferior) maka hubungan antara
jumlah konsumsi barang dan pendapatan akan negatif yakni semakin tinggi
pendapatan seseorang maka jumlah konsumsi barang inferior akan semakin kecil.
Sedangkan jika barang adalah normal atau barang mewah maka hubungannya akan
positif karena semakin tinggi pendapatan seseorang maka semakin besar jumlah
konsumsi kedua jenis barang ini.
Karena pendapatan mempunyai pengaruh yang positif terhadap konsumsi
maka uji yang digunakan adalah uji satu sisi bukan uji dua sisi. Adapun prosedur
uji t dengan uji satu sisi adalah sbb:
1. Membuat hipotesis melalui uji satu sisi

 Uji hipotesis negatif satu sisi

2. Menghitung nilai satisitik t ( t hitung) dan mencari nilai t kritis dari tabel
distribusi t pada dan degree of freedom tertentu.
3. Membandingkan nilai t hitung dengan t kritisnya. Keputusan menolak atau
menerima H0 sbb:
 jika nilai t hitung > nilai t kritis maka H0 ditolak atau menerima Ha
 jika nilai t hitung < nilai t kritis maka H0 diterima atau menolak Ha
Jika menolak hipotesis nol H0 atau menerima hipotesisi alternatif Ha berarti
secara statistik variabel independen signifikan mempengaruhi variabel dependen
dan sebaliknya jika menerima H0 dan menolak H1 berarti secara statistik variabel
independen tidak signifikan mempengaruhi variabel dependen.

Keputusan menolak hipotesis nol (H0) atau menerima hipotesis alternatif

Ha dapat juga dijelaskan melalui distribusi probabilitas t. Nilai tc diperoleh dari
8
 degree of freedom tertentu.
keputusan menolak hipotesis nol atau tidak berdasarkan uji dua sisi, menjelaskan
keputusan menolak hipotesis nol dengan hipotesis alternatif positif. menjelaskan
keputusan menolak hipotesis nol jika hipotesis alternatifnya adalah negatif.

II.1.6 Uji Normalitas

Uji signifikansi pengaruh variabel independer. terhadap variabel dependen

melalui uji t hanya akan valid jika residual yang kita dapatkan mempunyai distribusi
normal. Ada beberapa metode yang bisa digunakan untuk mendeteksi apaka,h
residual mempunyai distribusi normal atau tidak. Dalam bab ini akan dibahas hanya
2 metode yaitu: (1) melalui histogram; dan (2) uji yang dikembangk.an oleh Jarque-
Bera (J-8).

 Histrogram Residual Histogram residual merupakan metode grafis yang

paling sederhana digunakan untuk mengetahui apakah bentuk dari
probability distribution function (PDF) dari random variabel berbentuk
distribusi normal atau tidak. Jika histogram residual menyerupai grafik
distribusi normal maka bisa dikatakan bahwa residual mempunyai distribusl
normal.
 Uji Jarque-Bera Uji normalitas residual metode OLS secara formal dapat
dideteksi dari metode yang dikembangkan o:eh Jarque-Bera (J-Bf, Metode
JB ini didasarkan pada sampel besar yang diasumsikan bersifat asymptotic.
Uji statistik dari J-B ini menggunakan perhitungan skewness dan kurtosis.
Jika suatu variabel didistribusikan secara normal maka nilai koefisien S = C
dan K=3. Oleh karena itu, jika residual terdistribusi secara normal maka
diharapkan nilai statistik JB akan sama dengan nol. Nilai statistik JB ini
didasarkan pada distribusi Chi Squares dengan derajat kebebasan (df) 2. Jika
nilai probabilitas p dari statistik JB besar aLaU dengan kata lain jika nilai
statistik dari JB ini tidak signifikan maka kita menrdma hipotesis bahwa
residual mempunyai distribusi 11ormal karena nilai statistik JB mendekati
nol. Sebaliknya jika nilai prdbabilitas p dari statistik JB kecil atau signifikan

9
 maka kita menolak hipotesis bahwa residual mempunyai distribusi normal
karena nilai statistik JB tidak sama dengan nol.

II.1.7 Kecocokan Model

Uji statistik fungsinya untuk melihat hubungan antara variabel dependen

dan variabel Independen. Jenis uji statistik yaitu sebagai berikut :

 Uji R2 (uji koefisien determinasi) Penguji ini dimaksudkan untuk mengukur

seberapa jauh variabel independen mempengaruhi variabel dependen.
 Uji F (uji regresi secara bersama) Penguji ini dimaksudkan untuk
mengetahui ada tidaknya pengaruh variabel independen secara bersama-
sama dengan variabel dependen.
 Uji t (t-test) Pengujian ini dimaksudkan untuk mengetahui ada tidaknya
pengaruhnya variabel independen secara parsial atau sendiri-sendiri dengan
variabel dependen.
 Uji Asumsi Klasik Dalam model regresi linier ada beberapa asumsi yang
harus dipenuhi agar memenuhi kondisi BLUE (Best Linier Unbiased
Estimate). Pengujian ini dimaksudkan untuk menganalisis beberapa asumsi
dari persamaan regresi yang dihasilkan valid untuk memprediksi. Menurut
Santoso (2005) dalam analisis regresi terdapat beberapa asumsi yang harus
dipenuhi sehingga persamaan regresi yang dihasilkan akan valid jika
digunakan untuk memprediksi. Penggunaan asumsi ini merupakan
konsekuensi dari beberapa penggunaan metode Orginal Least Square (OLS)
dalam menghitung persamaan regresi.

II.1.8 Regresi Sederhana Dengan Program E-Views

 Regresi Sederhana (Ols Sederhana)

Model regresi sederhana adalah suatu model yang melihat hubungan antar
dua variabel. Salah satu variabel menjadi variabel bebas (Independent variable) dan
variabel yang lain menjadi variabel terikat (Dependent variable). Dalam regresi
sederhana ini, akan kita ambil suatu contoh kasus mengenai hubungan antara
10
pengeluaran konsumsi dan pendapatan di US pada tahun 1996 – 2005 (Gujarati,
2003: 6). Persamaan model ini adalah:

Y = 0 + 1X + 

Dimana, Y adalah pengeluaran konsumsi, 0 adalah konsumsi autonom, X

merupakan pendapatan dan  adalah error term.

(lokasi file Excel berada di d:Eviews/data/data1.xls:data1)

Setelah muncul data yang akan diolah, kemudian blok variable X dan Y - Klik
kanan: Open - as Group. Maka, akan muncul tampilan :

Kemudian Pilih Procs - Make Equation - Equation Specification

Setelah itu ketik data yang akan diolah : Y spasi c spasi X, pilih Method: LS –
OK. Variabel yang kita tulis pertama adalah variabel dependen, selanjutnya adalah
konstanta dan variabel independent.

11
Maka akan tampak hasil regresi seperti berikut:

Dependent Variable: Y

Method: Least Squares

12
 Date: 08/24/07 Time: 01:18

Sample: 1996 2005

Included observations: 10

Variable Coefficien Std. Error t-Statistic Prob.

t

C 24.45455 6.413817 3.812791 0.0051

X 0.509091 0.035743 14.24317 0.0000

R-squared 0.962062 Mean dependent var 111.0000

Adjusted R-squared 0.957319 S.D. dependent var 31.42893

S.E. of regression 6.493003 Akaike info criterion 6.756184

Sum squared resid 337.2727 Schwarz criterion 6.816701

Log likelihood -31.78092 F-statistic 202.8679

Durbin-Watson stat 2.680127 Prob(F-statistic) 0.000001

 Intepretasi Hasil Regresi:

Dari hasil regresi diatas maka akan didapatkan persamaan sebagai berikut:

Y = 24.45455 + 0.509091X

Sebagai contoh, apabila ditanyakan berapa tingkat konsumsi individu jika

pendapatan tahun depan diperkirakan sebesar 5000 milyar dollar US?. Maka

Y = 24.45455 + 0.509091(5000)

Y = 2569.91

Jadi, jika pendapatan sebesar 5000 milyar dolar US maka tingkat konsumsi individu
adalah sebesar 2569.91 milyar dolar US.

13
II.2 Konsep Regresi Berganda

Regresi Linier Berganda Analisis regresi linier berganda adalah hubungan

secara linier antara dua atau lebih variabel independen (X1,X2,…,Xn) dengan
variabel dependen (Y). analisis ini untuk mengetahui arah hubungan antara variabel
independen dan variabel dependen berhubungan positif atau negatif dan untuk
memprediksi nilai dari variabel dependen apabila variabel independen mengalami
kenaikan atau penurunan. Data yang digunakan biasanya berskala interval atau
rasio. Persamaan regresi linier berganda sebagai berikut:

Y = a + b1X1 + b2X2 + ….. + bnXn

Dimana: Y = variabel dependen X = variabel independen a = konstanta (nilai

Y apabila (X1,X2,…,Xn=0) b = koefisien regresi (nilai peningkatan ataupun
penurunan) Dalam analisis regresi sering kali bukan hanya variabelvariabel
penjelas kuantitatif yang sering mempengaruhi variabel tak bebas (Y), tetapi ada
juga variabel-variabel kualitatif yang ikut juga mempengaruhi, seperti jenis kelamin,
musim, warna, pendidikan, dan lain sebagainya, untuk mengakomodasikan adanya
variabel kualitatif ke dalam model regresi dapat dilakukan dengan menggunakan
peubah boneka (variabel dummy) peubah boneka ini biasanya mengambil nilai 1
atau 0. Kedua nilai yang diberikan tidak menunjukkan bilangan (numeric), tetap
hanya sebagai identifikasi kelas atau kategorinya.

 Variabel dummy adalah variabel yang mempresentasikan kuantitatif dari

variabel kualitatif. Misal: jenis kelamin, lokasi, situasi, musim dan kualitas.
 Variabel dummy sering juga disebut variabel boneka, binary kategorik atau

(D = 0) untuk kategori yang lai

II.2.1 Koefisien Determinasi

Pada regresi berganda kita juga akan menggunakan koefisien determinasi

untuk mengukur seberapa besar proporsi variabel –variabel dependen dijelaskan
oleh semua variabel independen. Dengan demikian, nilai koefisien determinasi ini
terletak antara 0 dan 1. Semakin angkanya mendekati 1 maka semakin baik garis
14
regresi karena mampu menjelaskan data aktualnya. Semakin mendekati angka 0
maka kita mempunyai garis regresi yang kurang baik. Koefisien determinasi adalah
konsep statistik. Kita mengatakan bahwa sebuah garis regresi adalah baik jika nilai
𝑅 2 dapat terjadi karena beberapa alasan. Dalam kasus khusus variabel independen
(X) mungkin bukan variabel yang menjelaskan dengan baik terhadap variabel
dependen (Y) walalupun kita percaya bahwa X mampu menjelaskan Y. Akan tetapi,
dalam regresi runtut waktu kita seringkali mendapat 𝑅2 yang tinggi. Hal ini terjadi
karena setiap variabel berkembang dalam runtut waktu mampu menjelaskan dengan
baik variabel lain yang juga berkembang dalam waktu yang sama. Dilain pihak,
dalam adat antar tempat atau ruang akan menghasilkan nilai 𝑅2 yang lebih rendah.
Hal ini terjadi karena adanya variasi besar antar variabel yang diteliti pada periode
waktu yang sama.

II.2.2 Uji Hipotesis Regresi Keseluruhan (Uji-F)

Pada regresi berganda dimana kita memiliki lebih dari satu variabel
independen, kita perlu mengevaluasi pengaruh semua variabel independen terhadap
variabel dependen dengan Uji F. Uji F statistik ini di dalam regresi berganda dapat
digunakan untuk menguji signifikansi koefisien determinasi. Nilai F statistik dapat
digunakan untuk mengevaluasi hipotesis apakah tidak ada variabel independen
yang menjelaskan variasi Y disekitar nilai rata- rata dengan derajat kepercayaan
(degree of freedom) k-1 dan n-k tertentu. Dimana kriteria uji F adalah :

1. Jika F hitung < F tabel maka Ho diterima dan H1 ditolak ( keseluruhan

variabel bebas X tidak berpengaruh terhadap variabel terikat (Y).
2. Jika F hitung > F tabel maka Ho ditolak dan H1 diterima ( keseluruhan
variabel bebas X berpengaruh terhadap variabel terikat (Y).

Pemilihan Model Fungsi Regresi : Linier atau Log Linier

Ada beberapa bentuk fungsi regresi. Tapi ada dua bentuk model yang
seringkali digunakan dalam penelitian yang menggunakan analisis regresi yaitu
model linier dan model log-linier.

15
II.2.3 Pemilihan model fungsi regresi

Model regresi terbaik adalah model yang dapat menjelaskan perilaku

peubah tak bebas dengan sebaik-baiknya dengan memilih peubah-peubah bebas
dari sekian banyak peubah bebas yang tersedia dalam data. Pada tahap yang paling
sederhana model bertujuan untuk pemerian, menerangkan suatu sistem, peubah apa
saja yang besar pengaruhnya dalam sistem tersebut. Model juga berguna untuk
tujuan prediksi maupun untuk pengendalian suatu sistem, serta penaksiran
parameter regresi.

II.2.4 Identifikasi Model Regresi

Proses identifikasi dalam regresi menjadi salah langkah penting yang harus
dilakukan dalam analisis regresi. Identifikasi dalam regresi dimaksudkan untuk
mengetahui karakteristik data yang ada apakah dapat diregresikan atau tidak,
mengetahui hubungan antara variabel independen terhadap variabel dependen,
mengidentifikasi adanya data outlier serta faktor lain dari data yang dapat
mempengaruhi atau bahkan menghambat dalam proses analisis regresi. Proses
identifikasi bertujuan untuk menentukan metode serta langkah-langkah yang sesuai
diterapkan pada data penelitian yang tersedia.

II.2.5 Model terbaik regresi

 Estimasi Model Regresi
Metode yang digunakan untuk mengestimasi fungsi regresi adalah metode
pendekatan kuadrat terkecil (least square approach). Melalui metode ini peneliti
bermaksud memperkecil jumlah kuadrat error yang terjadi (error total merupakan
selisih antara nilai aktual dengan nilai yang diprediksi melalui model regresi).
Estimasi model dimulai dengan menentukan variabel independen yang akan masuk
dalam persamaan regresi. Salah satu pendekatan yang dapat dan sering digunakan
dalam pemilihan model terbaik adalah pendekatan sequensial regression. Selain itu
ada dua pendekatan lain yaitu all possible regression dan best subset regression.
Metode-metode yang biasa digunakan dalam penentuan model regresi terbaik
adalah sebagai berikut:

16
  Semua Kemungkinan Regresi (All Possible Regression)
Metode semua kombinasi yang mungkin adalah metode yang umumnya
digunakan. Di dalam metode tersebut ada beberapa kriteria yang digunakan yaitu
R2 yang disesuaikan, S2 (rataan kuadrat sisa) dan Cp Mallows. Penentuan
persamaan mana yang terbaik untuk dipilih dilakukan melalui evaluasi pola-pola
yang teramati. Pilih model terbaik diantara semua kemungkinan berdasarkan
berbagai suatu kriteria tertentu. Untuk menentukan model yang terbaik dapat
digunakan kombinasi dari beberapa kriteria. Namun prosedur ini cenderung tidak
praktis karena harus memeriksa semua kemungkinan, itu juga berarti bahwa kita
harus memeriksa sejumlah besar persamaan regresi yang ada.
 Regresi “Himpunan Bagian Terbaik” (Best Subset Regression)
Sekarang dengan sudah tersedia solusi komputer yang sangat cepat untuk
memilih himpunan bagian terbaik dari variabel-variabel peramal Xi dalam analisis
regresi berganda. Tiga kriteria dapat digunakan untuk menentukan himpunan
bagian terbaik yaitu nilai R2 maksimum, nilai R2 terkoreksi maksimum dan
statistikCp Mallows. Prosedur Best Subset Regression memiliki beberapa
kelemahan: (1) Cenderung menghasilkan persamaan regresi dengan terlalu banyak
peramal. (2) Jika K diambil terlalu kecil, persamaan regresi yang paling masuk akal
untuk dipilih mungkin malah tidak muncul dalam himpunan ‘K terbaik’, meskipun
mengkin muncul ditempat lain. (3) Belum ada informasi tercetak yang dengan
mudah dapat diperoleh mengenai bagaimana berbagai himpunan bagian tersebut
diperoleh.
 Prosedur Eliminasi Langkah Maju (Forward Elimination Procedure)
Metode seleksi maju adalah langkah maju di mana peubah bebas
dimasukkan satu demi satu menurut urutan besar pengaruhnya terhadap model, dan
berhenti bila semua yang memenuhi syarat telah masuk. Dimulai dengan
memeriksa matriks korelasi kemudian mengambil peubah bebas yang
menghasilkan koefisien korelasi maksimum, dan tidak dipersoalkan apakah
korelasi positif atau negatif karena yang diperhatikan hanyalah eratnya hubungan
antara suatu peubah bebas dengan Y sedangkan arah hubungan tidak menjadi
persoalan. Bila nilai Fhitung lebih kecil dari yang ditetapkan untuk pemasukan

17
peubah bebas ke dalam model maka 𝑋𝑗 tidak jadi masuk, begitu juga sebaliknya.
Persamaannya dari prosedur eliminasi langkah maju adalah sebagai berikut:
𝐹= 𝐽𝐾𝑅 (𝑋𝑗|𝑋𝑖)𝑠2 (𝑋𝑖,𝑋𝑗)=𝐽𝐾𝑅 (𝑋𝑖,𝑋𝑗)−𝐽𝐾𝑅 (𝑋𝑗) 𝑠2(𝑋𝑖,𝑋𝑗) [4.8]
Keteragan = Jumlah
: JKR kuadrat
regresi
𝑆2 = Rataan
kuadrat
sisa
𝑋𝑖,𝑋𝑗 = Peubah
bebas ke i
dan ke j

 Prosedur Eliminasi Langkah Mundur (The Backward Elimination)

Metode eliminasi langkah mundur lebih ekonomis dibandingkan dengan
metode ‘semua kemungkinan regresi’ dalam pengertian bahwa metode ini mencoba
memeriksa hanya regresi terbaik yang mengandung sejumlah tertentu peubah
primal. Langkah-langkah pokok dalam prosedur ini adalah sebagai berikut:
a. Menghitung persamaan regresi yang mengandung semua peubah peramal.
b. Menghitung nilai-F parsial untuk setiap peubah peramal, seolah-olah ia
merupakan peubah terakhir yang dimasukan ke dalam persamaan regresi.

c. Membandingkan nilai-F parsial terendah, misalnya FL, dengan nilai-F

bertaraf nyata dari tabel, misalnya F0. Jika FL < F0, dibuang peubah ZL,
yang menghasilkan FL dari persamaan regresi dan kemudian hitung kembali
persamaan regresi tanpa menyertakan peubah tersebut; selanjutnya kembali
ke langkah (b). Sedangkan jika FL > F0 ambilah persamaan regresi itu.

 Prosedur Regresi Bertatar (The Stepwise Reggression Procedure)

Prosedur regresi Stepwise adalah salah satu metode untuk mendapatkan
model terbaik dari sebuah analisis regresi. Secara definisi adalah gabungan antara
metode forward dan backward, variabel yang pertama kali masuk adalah variabel
yang korelasinya tertinggi dan signifikan dengan variabel dependen, variabel yang

18
masuk kedua adalah variabel yang korelasi parsialnya tertinggi dan masih
signifikan, setelah variabel tertentu masuk ke dalam model maka variabel lain yang
ada di dalam model dievaluasi, jika ada variabel yang tidak signifikan maka
variabel tersebut dikeluarkan.
 Metode PRESS (Prediction Sum of Square)
Metode PRESS (Prediction Sum of Square) merupakan bentuk cross-
validasi yang digunakan dalam analisis regresi untuk memberikan ukuran ringkasan
fit dari model untuk sampel pengamatan yang sendiri tidak digunakan untuk
memperkirakan model. Hal ini dihitung sebagai jumlah kuadrat dari residual
prediksi untuk pengamatan mereka. Penggunaan pengamatan dengan pengecualian
pengamatan ke i untuk memprediksikan respons pengamatan ke i dan yi,
selanjutnya selisih antara yi dengan prediksi dikuadratkan lalu jumlahkan untuk i =
1,2, ... , n (Allen,1974). Lambang PRESSP menyatakan bahwa model dengan p
parameter yang digunakan. Adapun rumusnya yaitu:
PRESSp = Σ(𝑦𝑖𝑛𝑖=1− 𝑦̂(i) )2

Model yang baik adalah model yang menghasilkan PRESSP yang kecil
dalam kelompok p parameter. Sesunggunya metode ini merupakan gabungan dari
semua kombinasi yang mungkin, prediksi dan analisis sisa.

19
 BAB III
PENUTUP

III.1 KESIMPULAN
Kesimpulan yang dapat kami tarik dari pembahasan di atas adalah Regresi
dalam statistika adalah salah satu metode untuk menentukan tingkat pengaruh suatu
variabel terhadap variabel yang lain. Regresi linier bertujuan mempelajari
hubungan linier antara dua variabel. Dua variabel ini dibedakan menjadi variabel
bebas (X) dan variabel tak bebas (Y).

Persamaan regresi adalah persamaan matematika yang dapat digunakan

untuk meramalkan nilai-nilai variable tidak bebas (dependent) dari nilai-nilai
variable bebas (independent).

Analisis regresi merupakan studi dalam menjelaskan dan mengevaluasi

hubungan antara suatu peubah bebas (independent variable) dengan satu peubah tak
bebas (dependent variable) dengan tujuan untuk mengestimasi dan atau
meramalkan nilai peubah tak bebas didasarkan pada nilai peubah bebas yang
diketahui.

Persamaan regresi berganda adalah persamaan matematika yang dapat

digunakan untuk meramalkan nilai-nilai variable tidak bebas (dependent) dari nilai-
nilai variable bebas (independent). Dalam hal ini pendugaan atau peramalan nilai
variabel tak bebas Y berdasarkan hasil pengukuran pada beberapa variabel bebas
X1, X2,…, Xr.

III.2 SARAN
 Bagi Mahasiswa
Ekonometrika merupakan ilmu terapan yang sangat erat dalam dunia
pendidikan terutama kegiatan yang berkaitan dengan penelitian, untuk itu
kita para mahasiswa perlu untuk mengetahui dan memahami ilmu
ekonometrika, karena materi yang dibahas merupakan materi pokok yang
harus dikuasai dan dipahami dengan baik oleh para mahasiswa khususnya

20
 bagi mahasiswa fakultas ekonomi, sehingga mahasiswa dapat mengetahui
dan dapat mempraktikkannya kedalam bidang akademik khususnya
penelitian serta untuk memudahkan dalam mata kuliah Ekonometrika.
.
 Bagi pembaca
Diharapkan dengan adanya makalah ini dapat membantu pembaca
dalam memahami materi-materi ekonometrika khususnya materi analisis
regresi sederhana dan berganda.

21
 DAFTAR PUSTAKA

Abdurrahman, dkk. 2007. Analisis Korelasi, Regresi, dan Jalur dalam

Penelitian. Bandung : CV Pustaka Setia.

Sujarweni, Wiratna. 2008. Belajar Mudah SPSS Untuk Penelitian Skripsi,

Tesis, Disertasi & Umum. Yogyakarta : Global Media Informasi.

22