REGRESI

Untuk apa?
 Melihat ketergantungan antara variabel independen dengan variabel dependen.
 Mengestimasi dan/atau memprediksi rata-rata populasi atau nilai rata-rata variabel
dependen berdasarkan nilai variabel independen yang diketahui

Hasil analisis regresi

Koefisien untuk masing-masing variabel independen dengan persamaan regresi sebagai
berikut:
Y= a + b1X1 + e
Y= a + b1x1 + b2x2 + b3x3 + ….. + e

Hipotesis
H0 : Variabel independen tidak mempengaruhi variabel dependen
Variabel independen tidak dapat memprediksi variabel dependen

H1 : Variabel independen mempengaruhi variabel dependen

Variabel independen dapat memprediksi variabel dependen
Variabel independen berpengaruh positif/negatif terhadap variabel dependen

Pengujian yang dilakukan :

1. Uji asumsi klasik
a. Uji Moltikolonieritas = korelasi di antara variabel independen
 Model regresi yang baik, seharusnya tidak terjadi korelasi di antara
variabel independen.
 Mendeteksi multikolonieritas :
1) Nilai R2 tinggi namun secara iindividual variabel indepeden
banyak yang tidak signifikan mempengaruhi variabel
dependen.
2) Analisis matrik korelasi (>0,90)
3) Nilai tolerance ≤ 0,10 dan VIF ≥ 10.

b. Uji Autokorelasi = korelasi antara kesalahan pengganggu (error) pada periode

t dengan periode t-1 (sebelumnya).
 Model regresi yang baik adalah yang bebas dari autokorelasi.
 Biasanya terjadi pada data time series
 Mendeteksi autokorelasi :
1) Uji Durbin-Watson
 Menggunakan nilai DW dengan pengambilan keputusan
sebagai berikut:
Hipotesis Nol Keputusan Jika
Tidak ada autokorelasi positif Tolak 0 < d < dl
Tidak ada autokorelasi positif No decision dl ≤ d ≤ du
Tidak ada korelasi negatif Tolak 4 – dl < d < 4
Tidak ada korelasi negatif No decision 4 – du ≤ d ≤ 4 – dl
Tidak ada autokorelasi, Tidak du < d < 4 - du
positif atau negatif Ditolak

2) Uji Lagrange Multiplier

3) Uji statistik Q : Box Pierce dan Ljung Box
4) Run Test

c. Uji Heteroskedastisitas = ketidaksamaan variance dari residual suatu

pengamatan ke pengamatan lain
 Model regresi yang baik adalah yang homoskedastisitas
 Biasanya terjadi pada data crosssection
 Cara mendeteksi :
1) Grafik Plot
2) Uji park
3) Uji Glejser = meregres nilai absolut residual terhadap variabel
independen, probabilitas > 0,05
4) Uji white

d. Uji Normalitas = distribusi normal residual

 Model regresi yang baik adalah residual terdistribusi secara normal.
 Cara mendeteksi :
1) Analisis Grafik
2) Analisis Statistik

2. Menilai goodness of fit model

a. Uji Koefisien Determinasi = mengukur seberapa jauh kemampuan model
dalam menerangkan variasi variabel dependen. (R2)

b. Uji Statistik F = Menguji model

c. Uji Statistik t = seberapa jauh pengaruh satu variabel independen secara
independen dalam menerangkan variabel dependen.

Pengambilan Keputusan
Jika probabilitas >0,05 maka H0 tidak dapat ditolak, variabel independen tdk berpengaruh
terhadap variabel dependen
Jika Probabilitas <0,05 maka H0 ditolak, H1
Contoh :
Pengaruh tingkat pendidikan dan pengalaman dalam pemanfaatan informasi laporan realisasi
anggaran
Pertanyaan penelitian :
1. Apakah tingkat pendidikan berpengaruh positif terhadap pemanfaatan informasi
laporan realisasi anggaran?
2. Apakah pengalaman berpengaruh positif terhadap pemanfaatan informasi laporan
realisasi anggaran?
H1 : tingkat pendidikan berpengaruh positif terhadap pemanfaatan informasi laporan realisasi
anggaran  ditolak
H2 : pengalaman berpengaruh positif terhadap pemanfaatan informasi laporan realisasi
anggaran  diterima

Tingkat
Pendidikan +

Pemanfaatan informasi
laporan realisasi anggaran
+

Pengalaman

Pemanfaatan Informasi LRA = a + b Tingkat Pendidikan + c Pengalaman + e

Dl = 1.6095

Du = 1.7013

Dw = 2.215

du < d < 4 – du
1,7013 < 2,215 < 2,2983

Ut = a + b Tingkat Pendidikan + c Pengalaman + e

 Coefficientsa
Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 33.787 1.988 16.992 .000
PENDIDKAN .774 .949 .084 .816 .417 .990 1.010
PENGLMN .430 .157 .282 2.747 .007 .990 1.010
a. Dependent Variable: PemanfaatanLRA

Pemanfaatan Informasi LRA = 33.787 + 0.774 Tingkat Pendidikan + 0.430 Pengalaman + e