Menggunakan SPSS
Skripsi
by Rolan Mardani
2021-06-20
10 Komentar
Dalam analisis regresi linier baik sederhana maupun berganda, diperlukan
uji prasyarat / uji asumsi klasik. Uji asumsi klasik ini merupakan salah
satu syarat agar hasil estimasi model regresi tidak “Bias”.
Naah.. kali ini Saya akan bahas tutorial bagaimana cara uji asumsi klasik
menggunakan SPSS.
Daftar Isi:
Cara Tabulasi Data SPSS Untuk Uji Asumsi Klasik
Cara Uji Asumsi Klasik Menggunakan SPSS
o #1 Cara Uji Normalitas dan Heteroskedastisitas SPSS
o #2 Cara Uji Autokorelasi dan Multikolinearitas Menggunakan
SPSS
Cara Membaca Hasil Uji Asumsi Klasik SPSS
o #1 Membaca Output Uji Normalitas SPSS
o #2 Membaca Output Uji Heteroskedastisitas SPSS
o #3 Membaca Output Uji Autokorelasi SPSS
o #4 Membaca Output Uji Multikolinearitas SPSS
Pintasan Panduan Olah Data Regresi Linier
o Regresi E-Views
Image: M Jurnal
1. Pertama, Klik Analyze;
2. Kedua, Klik Regression;
3. Ketiga, Klik Linear;
4. Muncul kotak dialog Linear Regression. Masukkan variabel Y ke
kotak Dependent dan Variabel X ke kotak Independent seperti
tutorial kita sebelumnya;
5. Klik Plots;
6. Muncul kotak dialog Linear Regression: Plots. Centang salah satu
pilihan, Anda boleh menggunakan histogram atau Normal
Probability Plot. Ini merupakan sebagian dari sekian banyak
jenis Uji Normalitas.
7. Masukkan SRESID ke kolom Y dan ZPRED ke kolom X. Ini
dilakukan untuk Uji
Heteroskedastisitas menggunakan Scatterplot. Jangan sampai
terbalik memasukkannya yaa…
8. Klik Continue.
Note: Cara ini hanya salah satu teknik Uji Normalitas dan
Heteroskedastisitas. Sebagai antisipasi jika uji tersebut menyatakan data
tidak berdistribusi normal dan terjadi gejala heteroskedastisitas, lakukan
hal berikut untuk uji selanjutnya.
Image: M Jurnal
1. Pada kotak dialog Linear Regression, klik Save;
2. Muncul kotak dialog Linear Regression: Save. Lalu
klik Unstandarized pada Residuals;
3. Klik Continue untuk melanjutkan.
Langkah ini merupakan sebagai tahap antisipasi agar apabila data tidak
berdistribusi normal kita bisa mencoba dengan uji normalitas lainnya
yaitu kolmogorov-smirnov.
Namun perlu di catat, cara ini tidak akan membuat data penelitian Anda
100% berdistribusi normal, karena uji kolmogorov-smirnov merupakan uji
normalitas lainnya yang memiliki sudut pandang berbeda dari uji
menggunakan Histogram dan/atau Normal Probability Plots.
Pada hasil uji normal probability plots, perhatikan titik-titik dan garis
diagonal. Jika titik-titik mengikuti garis diagnal dari titik 0 dan tidak
melebar terlalu jauh, maka dapat disimpulkan data berdistribusi normal.
Namun, jika titik-titik melebar terlalu jauh dari garis diagonal, maka
dapat disimpulkan data tidak berdistribusi normal. Pada contoh ini, dapat
disimpulkan bahwa data berdistribusi normal.
Insight: Jika ada teman Anda yang sedang mencari judul skripsi, kasih
tahu artikel ini: 200 Judul Skripsi Manajemen Keuangan dan PDF
nya
Akan tetapi, jika Anda menemukan titik-titik yang menyebar terlalu jauh
dari garis diagonal, ada baiknya melakukan uji normalitas lainnya seperti
uji kolmogorov-smirnov sehingga dapat mengambil keputusan dari sudut
pandang yang berbeda.
Tipsnya begini…
Jika titik-titik data menyebar di atas dan di bawah titik 0 (nol) pada
sumbu Y dan X serta tidak membentuk pola tertentu seperti zig-zag atau
menumpuk, maka dapat disimpulkan bahwa tidak terjadi gejala
heteroskedastisitas.
Image: M
Jurnal
Fokus ke kolom 6 pada Tabel Model Summary dan lihat nilai Durbin
Watson (DW). Untuk dapat mengambil kesimpulan, Anda mesti
membandingkan nilai DW dengan nilai dl dan du pada Tabel DW.
(Download Tabel DW).
Dengan demikian, du < DW < 4-du yaitu sebesar 1.64352 < 2.126 <
2.35648. Sehingga dapat disimpulkan tidak terjadi gejala autorkorelasi.
Akan tetapi, hasil tersebut tidak ada artinya karena contoh ini
menggunakan data Cross Section.
Image: M Jurnal
Fokuskan pada Kolom Collinearity Statistics yang telah Saya
lingkari. Tips nya, kesimpulan dari nilai Tolerance dan VIF akan selalu
sama. Jadi tinggal pilih salah satu saja.
Jika Anda menggunakan Tolerance, maka nilainya mesti harus lebih besar
dari 0.1. Sementara itu, jika menggunakan VIF, maka nilainya mesti
harus lebih kecil dari 10.
Kesimpulannya: pada contoh ini, tidak terjadi korelasi yang sangat kuat
antara setiap variabel bebas (independen).
Uji Asumsi Klasik di atas merupakan uji-uji yang cukup mudah
diaplikasikan. Masih banyak lagi jenis uji Asumsi Klasik yang dapat Anda
aplikasikan dalam penelitian. Penjelasan mengenai uji-uji tersebut akan
segera Saya terbitkan.