Business Statistic B
Dosen: Sir, Ananto Niel
5 Jenis Regresi Berganda
Regresi Linear Berganda.
Regresi Logistik Berganda.
Regresi Ordinal Berganda.
Regresi Multinomial Berganda.
Regresi Data Panel Berganda.
Analisis regresi linear berganda digunakan oleh peneliti,
apabila peneliti bermaksud untuk melakukan prediksi bagaimana
perubahan nilai variabel dependen bila nilai dua atau lebih variabel
independen sebagai prediktor dinaikkan atau diturunkan nilainya.
Yˆ = 44,272
Y X1 X2
1 40 25
2 45 20
1 38 30
3 50 30
2 48 28
Y X1 X2
3 55 30
3 53 34
4 55 36
4 58 32
3 40 34
5 55 38
3 48 28
3 45 30
2 55 36
4 60 34
5 60 38
5 60 42
5 65 38
4 50 34
3 58 38
Tabel 1 Penyelesaian soal regresi linier berganda
Y X1 X2 X1*Y X2*Y X
N 20 20 20 20 20 2
Formula
Regresi Linier Berganda
y X1 X2
Matrix penyelesaian X1 dan X2
Matrix di atas, adalah hasil dari pengerjaan rumus berikut:
Rumus
Tabel Penyelesaian X1 dan X2
Per
samaan Regresi Linier Berganda
Hasil akhir dari persamaan dan soal diatas dapat dilihat pada fungsi Y
terhadap X1 dan X2 di bawah ini:
Y = 0.09X1 + 0.09X2 – 4.10
dimana:
Yi merupakan nilai dari variabel dependent pada observasi ke-i
β dan β1 merupakan parameter model
εi merupakan komponen error (pengaruh variabel bebas
lain selain variabel X)
Xi adalah nilai variabel bebas X pada observasi ke-i
N adalah banyaknya data observasi (sampel)
βˆ1=∑(X1−X¯¯¯¯¯)(Y1−Y¯¯¯¯)∑(X1−X¯¯¯¯¯)2
dan
βˆ0=Y¯¯¯¯−βˆ1X
Estimasi untuk Y jika X diketahui :
Yˆi=βˆ+βˆ1Xi
Sifat-sifat Estimator Least Squares
5 85 425
4 103 412
6 70 420
Usia Mobil (tahun) Harga Mobil ($100)
xy
X y
5 82 410
5 89 445
5 98 490
6 66 396
6 95 570
2 169 338
7 70 490
7 48 336
58 975 4732
Tabel diatas menyajikan data dengan variabel X adalah umur mobil dan
variabel Y adalah harga. Hasil estimasinya adalah sebagai berikut :
sehingga persamaan regresinya menjadi
Yˆ=195.47−20.26X
Dari hasil estimasi yang diperoleh dapat disimpulkan bahwa setiap umur
mobil bertambah satu tahun maka harga mobil tersebut akan turun
sebesar $2.026.
Y = a + bX
Keterangan:
Contoh untuk regresi sederhana adalah jumlah uang saku yang diterima
mahasiswa dipengaruhi dengan jarak tempuh dari rumah ke kampus.
Apabila didasarkan dari penjelasan logis maka semakin dekat jarak
rumah dengan kampus maka akan semakin kecil nilai uang saku
mahasiswa, sebaliknya apabila semakin jauh jarak tempuh dari rumah ke
kampus maka akan semakin besar jumlah uang saku mahasiswa,
sehingga jarak tempuh dari rumah ke kampus (variabel X) akan
mempengaruhi nilai uang saku mahasiswa (variabel Y) secara positif.
Seperti yang sudah saya bahas diatas, dikatakan regresi linear berganda
jika jumlah variable bebas atau variabel prediktor lebih dari satu.
Sedangkan jika jumlah variable bebas hanya ada satu saja, maka itu yang
disebut dengan regresi linear sederhana.
Model regresi linear berganda dilukiskan dengan persamaan sebagai
berikut:
Y = α + β1 X2 + β2 X2 + βn Xn + e
Keterangan:
Y = Variabel terikat atau variabel response.
X = Variabel bebas atau variabel predictor.
α = Konstanta.
β = Slope atau Koefisien estimate.
Skala data semua variable terutama variable terikat adalah interval atau
rasio. Asumsi ini tidak perlu diuji, cukup anda pastikan bahwa data yang
digunakan adalah data interval atau rasio (numeric atau kuantitatif).
Agar anda paham tentang berbagai skala data, kami sudah membahasnya
dalam artikel berjudul jenis data dan pemilihan analisis statistik.
Linearitas
Dengan kurva estimasi kita bisa tentukan ada hubungan linear atau tidak
dengan melihat nilai p value linearitas. Jika p value < 0,05 maka terdapat
hubungan yang linear antara predictor dan response. Untuk uji linearitas
regresi, kami sudah membahasnya pada artikel yang telah lalu, yaitu
artikel linearitas regresi.
Normalitas Residual
Homoskedastisitas
Non Multikolinearitas
Cara lain yang lebih objektif adalah dengan menggunakan nilai variance
inflating factor (VIF) dan tolerance. Dikatakan ada multikolinearitas jika
nilai VIF > 10 dan/atau nilai tolerance < 0,01.
Non Autokorelasi
Ada beberapa kesalahan klasik yang sering terjadi pada para peneliti
yang masih awal belajar untuk meneliti. Terutama yang masih awal
berkenalan dengan regresi linear. Yaitu: lebih dulu melakukan uji asumsi
klasik baru kemudian melakukan uji regresi linear.
Seharusnya, dari sekian banyak asumsi yang ada dalam regresi linear
berganda, hanya asumsi linearitas yang harus dilakukan terlebih dulu.
Dan uji linearitas regresi hanya dilakukan jika tujuan dari dibuatnya
model regresi adalah untuk membentuk model terbaik.
Sedangkan jika tujuannya untuk sekedar menjawab hipotesis, maka
asumsi linearitas ini bisa diabaikan.
Seperti yang sudah saya bahas di awal artikel ini, bahwasanya saya
sudah membuat berbagai jenis artikel tentang regresi linear
menggunakan berbagai software. Maka kesimpulannya adalah: banyak
sekali software yang dapat digunakan, antara lain: SPSS, EViews,
STATA, Minitab, SPSS AMOS, Excel dan software komputasi lainnya.
C. Analisis Varian
melihat akibat dari interaksi dua faktor. Beberapa asumsi yang harus
dipenuhi dalam uji anova adalah sebagai berikut :
Sumber Variasi
Pengertian “sumber variasi” digunakan sebagai judul kolom dalam table
persiapan anava. Hal-hal yang terkandung di dalam di bawah judul
tersebut adalah hal-hal yang dipandang menunjukkan variasi sehingga
menyebabkan timbulnya perbedaan nilain yang dianalisis. Sebagai
sumber variasi misalnya perbedaan yang terjadi di antara kelompok, di
dalam kelompok, dan interaksi antara dua faktor atau lebih.
Jumlah Kuadrat
JKtot = ∑X2-∑(X)2/N
Yang dimaksud dengan jumlah kuadrat adalah penjumlahan tiap-tiap
deviasi nilai reratanya. Ada beberapa jenis jumlah kuadrat yang akan
dijumpai dalam pekerjaan analisis varian : yakni jumlah kuadrat total,
jumlah kuadrat antar kelompok, jumlah kuadrat dalam kelompok. Untuk
anava ganda masih ada satu pengertian lagi yaitu kuadrat interaksi.
Dengan rumus :
k = banyaknya kelompok
F = MKant/MKdal
Jenis-Jenis Anava
Sesuai dengan banyaknya faktor yang terlibat, maka anava dibedakan
secara garis besar menjadi dua yaitu :
8 12 19 13
7 11 20 12
10 16 15 14
19 10 18 15
11 12 19
8 12 19 13
7 11 20 12
10 16 15 14
19 10 18 15
11 12 19
T = 55 T = 61 T = 91 T = 54
Total 18 279.68
Pengujian Hipotesis:
DAFTAR PUSTAKA
https://www.statistikian.com/2018/01/penjelasan-tutorial-regresi-linear-
berganda.html
https://www.statmat.net/regresi-linier-sederhana/
https://www.statmat.net/regresi-linier-berganda/
https://id.wikipedia.org/wiki/Analisis_varians
https://www.statmat.net/anova-satu-arah/
https://srirayani.wordpress.com/2015/05/19/analisis-varians/