Outline
www.debrina.lecture.ub.ac.id 01/05/18
3
Korelasi Linear
Berganda
Alat ukur mengenai hubungan yang terjadi
antara variabel terikat (variabel Y) dan dua
atau lebih variabel bebas (X1, X2, …, Xk).
www.debrina.lecture.ub.ac.id 01/05/18
4
www.debrina.lecture.ub.ac.id 01/05/18
Koefisien Penentu Berganda 5
(KPB)
¡ Disebut juga dengan Koefisien Determinasi Berganda (KDB)
¡ Rumus
atau
www.debrina.lecture.ub.ac.id 01/05/18
6
Untuk menghitung KPB terlebih
dahulu menghitung
2
∑ y 2 = ∑ Y 2 - nY
2 2 2
∑ x1 = ∑ X 1 - n X 1
2 2 2
∑ x2 = ∑ X 2 - n X 2
∑ x1 y = ∑ X 1Y - n X 1 Y
∑ x2 y = ∑ X 2Y - n X 2 Y
∑ x1 x2 = ∑ X 1 X 2 - n X 1 X 2
www.debrina.lecture.ub.ac.id 01/05/18
7
www.debrina.lecture.ub.ac.id 01/05/18
8
Koefisien Korelasi Parsial
Merupakan koefisien korelasi antara dua variabel jika variabel
lainnya konstan, pada hubungan yang melibatkan lebih dari dua
variabel.
www.debrina.lecture.ub.ac.id 01/05/18
Studi Kasus 9
Masalah-masalah dalam
Regresi
Dengan
terpenuhinya asumsi
tersebut,
www.debrina.lecture.ub.ac.id 01/05/18
11
Asumsi – asumsi dasar dalam
Regresi
Asumsi dasar dikenal sebagai asumsi klasik, yaitu sbb:
www.debrina.lecture.ub.ac.id 01/05/18
12
1. Homoskedastisitas
penyebaran (scedasticity) yang sama (homo), atau varians
yang sama.
Ini berarti bahwa setiap Y yang berhubungan dengan
berbagai nilai X mempunyai varians yang sama.
www.debrina.lecture.ub.ac.id 01/05/18
Homoskedastisitas VS 13
Heterokedastisitas
Homoskedastisitas Heterokedastisitas
Penyebaran merata Penyebaran tdk merata
www.debrina.lecture.ub.ac.id 01/05/18
2. Nonautokorelasi 14
3. Nonmultikolinearitas
Variabel bebas yang satu dengan yang lain dalam model
regresi tidak terjadi hubungan yang mendekati sempurna.
www.debrina.lecture.ub.ac.id 01/05/18
5. Nilai Rata-rata error/kesalahan adalah nol 15
www.debrina.lecture.ub.ac.id 01/05/18
16
Penyimpangan Asumsi Dasar
¡ Penyimpangan pada asumsi dasar dapat mengakibatkan
estimasi koefisien menjadi kurang akurat dan dapat
menimbulkan interpretasi dan kesimpulan yang salah.
www.debrina.lecture.ub.ac.id 01/05/18
Penyimpangan Asumsi Dasar : 17
Heteroskedastisitas
¡ Variasi variabel tidak sama untuk semua pengamatan
¡ Kesalahan tidak bersifat acak / random
¡ Contoh: residu (selisih nilai estimasi Y dengan nilai Y pada
pengamatan) semakin besar jika pengamatan semakin besar
¡ Akibat terjadinya heteroskedastisitas:
¡ Penaksir (estimator) yang diperoleh tidak efisien.
¡ Kesalahan baku regresi akan terpengaruh, sehingga
memberikan indikasi yang salah
¡ Cara mengetahui adanya heteroskedastisitas dalam regresi
www.debrina.lecture.ub.ac.id 01/05/18
Penyimpangan Asumsi Dasar : 18
Autokorelasi
¡ Autokorelasi adalah kondisi dimana terdapat korelasi atau
hubungan antar pengamatan (observasi)
¡ Uji autokorelasi bertujuan menguji apakah model regresi linier
ada korelasi antara kesalahan pengganggu pada periode t
dengan kesalahan pengganggu pada periode sebelumnya
(t-1).
¡ Akibat terjadinya autokorelasi
¡ Penaksir menjadi tidak efisien (tidak lagi mempunyai varians minimum)
¡ Uji t dan uji F tidak lagi sah, dan dapat memberikan kesimpulan yang
menyesatkan
¡ Penaksir memberikan gambaran yang menyimpang dari nilai populasi
yang sebenarnya. Dengan kata lain, penaksir menjadi sensitif
terhadap fluktuasi penyampelan
www.debrina.lecture.ub.ac.id 01/05/18
Penyimpangan Asumsi Dasar : 19
Autokorelasi
¡ Misalnya kita ingin meregresikan antara pendapatan dan konsumsi.
www.debrina.lecture.ub.ac.id 01/05/18
21
1. Uji Durbin Watson
• Menguji apakah model
regresi linier ada korelasi
antara kesalahan ¡ dimana:
pengganggu pada ¡ d = nilai Durbin Watson
periode t dengan ¡ Σei = jumlah kuadrat sisa
kesalahan pengganggu
¡ Nilai Durbin Watson kemudian
pada periode sebelumnya
dibandingkan dengan nilai d-tabel. Hasil
(t-1). perbandingan akan menghasilkan
• Untuk melihat apakah ada kesimpulan seperti kriteria sebagai
hubungan linier antara berikut:
error serangkaian observasi 1. Jika d < dl à autokorelasi positif
yang diurutkan menurut 2. Jika d > (4 – dl) à autokorelasi negatif
waktu (data time series). 3. Jika du < d < (4 – dl) à tidak terdapat
autokorelasi
4. Jika dl < d < du atau (4 – du) à tidak
dapat disimpulkan
www.debrina.lecture.ub.ac.id 01/05/18
1. Uji Durbin Watson 22
Prosedur pengujian durbin watson
1) Menentukan formulasi hipotesis
1) H0 : Tidak ada autokorelasi
2) H1 : Ada autokorelasi positif / negatif
5) Membuat Kesimpulan
www.debrina.lecture.ub.ac.id 01/05/18
1. Uji Durbin Watson 23
www.debrina.lecture.ub.ac.id 01/05/18
2. Metode 24
Grafik
Jika pada beberapa
urutan waktu
residunya positif dan
waktu lain residunya
negatif
2. Metode Grafik
ketika et menurun diikuti oleh penurunan et tahun berikutnya.
www.debrina.lecture.ub.ac.id 01/05/18
Autokorelasi : Contoh 27
^
www.debrina.lecture.ub.ac.id
Y = 403,212 – 14,421X 01/05/18
1. Dengan Metode Durbin Watson 28
( )
N = 16 , variabel bebas = 1,
(α) = 5%
à Dari tabel nilai kritis
dL = 1.10 dan dU = 1.37
à d= 0.3423 < dL=1.10.
à autokorelasi positif
www.debrina.lecture.ub.ac.id 01/05/18
2. Dengan Metode Grafik 29
Terlihat adanya
pola siklus yang
meningkat
à Autokorelasi
positif
www.debrina.lecture.ub.ac.id 01/05/18
2. Dengan Metode Grafik 30
www.debrina.lecture.ub.ac.id 01/05/18
Penyimpangan Asumsi Dasar : 31
Multikolinearitas
¡ Antara variabel bebas yang satu dengan yang lainnya dalam
model regresi saling berkorelasi linear à Korelasinya mendekati
sempurna
¡ Multikolinearitas tidak terjadi pada regresi linier sederhana yang
hanya melibatkan satu variabel independen.
¡ Contoh :
¡ Y= a + b1X1 + b2X2 + e
¡ Y=konsumsi, X1 = pendapatan dan X2 = kekayaan.
www.debrina.lecture.ub.ac.id 01/05/18
Penyimpangan Asumsi Dasar : 32
Multikolinearitas
¡ Akibat multikolinearitas:
¡ Pengaruh masing-masing variabel bebas tidak dapat dideteksi
atau sulit untuk dibedakan
¡ Kesalahan standard estimasi cenderung meningkat dengan
makin bertambahnya variabel bebas.
¡ Tingkat signifikansi yang digunakan untuk menolak H0 semakin
besar
¡ Kesalahan standard bagi masing-masing koefisien yang
diduga menjadi sangat besar
www.debrina.lecture.ub.ac.id 01/05/18
Penyimpangan Asumsi Dasar : 33
Multikolinearitas
¡ Cara mengetahui adanya multikolinearitas dalam regresi
¡ Menganalisis koefisien korelasi antara variabel bebas
¡ Jika koefisien korelasi tinggi
¡ Jika tanda koef korelasi variabel bebas berbeda dengan
tanda koef regresinya
www.debrina.lecture.ub.ac.id 01/05/18
Penyimpangan Asumsi Dasar : 34
Multikolinearitas
¡ Cara Menangani Adanya Multikolinearitas
¡ Pada hakekatnya jika X1 dan X2 multikolinear maka keduanya
bersifat saling mewakili dalam mempengaruhi variabel
tergantung Y.
Oleh karena itu penanganannya adalah dibuat persamaan
yang terpisah.
www.debrina.lecture.ub.ac.id 01/05/18
Perbedaan Error dan 35
Residual
¡ Residual adalah selisih antara nilai duga (predicted
value) dengan nilai pengamatan sebenarnya
apabila data yang digunakan adalah data sampel.
www.debrina.lecture.ub.ac.id 01/05/18