REGRESI BERGANDA:

PENAKSIRAN &
PENGUJIAN HIPOTESIS
 Model Regresi Linear 3 Variabel
Asumsi-Asumsi Model Regresi Linear
Berganda
Penaksiran Parameter dalam Regresi
Berganda
Koefisien Determinasi Berganda, R2
Contoh : Harga Lelang Jam Antik
Pengujian Hipotesis tentang Masing-
Masing Koefisien Regresi Parsial
 MODEL REGRESI LINEAR 3 VARIABEL
Fungsi Regresi Populasi
(FRP) 3 variabel dalam (1)
bentuk nonstokastik

Fungsi Regresi Populasi (2)

(FRP) 3 variabel dalam
bentuk stokastik

Y = Variabel terikat
X2 &X3 = Variabel variabel penjelas
u = Faktor gangguan stokastik
t = Observasi ke-t
B1 = Faktor titik potong
B2 & B3 = Koefisien regresi parsial
 MODEL REGRESI LINEAR 3 VARIABEL
Regression plane untuk regresi linear
berganda dengan 2 variabel independen
 ASUMSI ASUMSI MODEL REGRESI
LINEAR BERGANDA
1. Model regresi ini memiliki parameter yang bersifat linear.
2. X2 dan X3 tidak berkorelasi dengan faktor gangguan u. Jika X2 dan
X3 bersifat non stokastik, maka asumsi ini otomatis terpenuhi.
3. Faktor kesalahan u mempunyai nilai rata-rata sebesar nol, E(ui)=0.
4. Homoskedastisitas, var(ui)= 2
5. Tidak ada otokorelasi antar faktor kesalahan ui dan uj, cov (ui,uj)
ij
6. Tidak ada kolinearitas nyata antara X2 dan X3.
7. Untuk pengujian hipotesis, faktor kesalahan u mengikuti distribusi
normal, ui ~N(0, 2)
 PENAKSIRAN PARAMETER DALAM
REGRESI BERGANDA

(3) Prinsip OLS: (5)

Fungsi Regresi Sampel (FRS) yang sesuai meminimalkan Kedua ruas dikuadratkan
dengan persamaan (2) jumlah kuadrat dan seluruh sampel
residu , dijumlahkan

(4)
FRS dalam bentuk non stokastik (6)
Persamaan (6) diturunkan
secara parsial terhadap
b1, b2, b3
 PENAKSIRAN PARAMETER DALAM
REGRESI BERGANDA

dimana
 Variansi dan Standard Error dari Penaksir OLS
Varians dan standard error berguna untuk
menetapkan interval keyakinan bagi nilai- nilai
parameter yang sebenarnya dan untuk menguji
hipotesis statistik

dimana
KOEFISIEN DETERMINASI BERGANDA, R2
Koefisien regresi berganda, R2 berguna untuk mengetahui proporsi
total variasi Y (=yt2) yang dijelaskan oleh X2 dan X3.

ESS
R
2

TSS

b2 yt x2t b3 yt x3t
R
2

t
y 2

TSS : Total jumlah kuadrat tak bebas, yt

2

ESS : Jumlah kuadrat variabel X, b2 yt x2t b3 yt x3t

RSS : Jumlah kuadrat residu, yt b2 yt x2t b3 yt x3t
2
CONTOH : Harga Lelang Jam Antik

Misalkan Y = Harga lelang, X2 = umur jam,

dan X3 = jumlah penawar
Hasil regresi dari data di samping adalah
sbb:
 PENGUJIAN HIPOTESIS TENTANG MASING-MASING
KOEFISIEN REGRESI PARSIAL
Misalkan akan diuji bahwa umur jam antik tidak berpengaruh
terhadap harga (Ho : B2 = 0) dan hipotesis alternatif (H1 : B 2 0).

b2 B2 12,7413
Nilai t hitung dari variabel umur jam antik adalah t 13,9653
dengan d.k. (n-3) = 29 se(b2 ) 0,9123
Berdasarkan nilai hitung t, apakah Ho (umur jam antik tidak
berpengaruh terhadap harga lelangnya) dapat ditolak ?

Hasil numerik belum cukup untuk

untuk menolak H0. Dengan
demikian, dibutuhkan pengujian
formal untuk menolak atau tidak
menolak H0.
Pendekatan Uji Signifikansi
Untuk kasus harga lelang jam antik dengan d.k. 29 , diasumsikan bahwa (tingkat siginifikansi
5%). Karena hipotesis altternatifnya memiliki dua sisi, dari tabel distribusi t diperoleh :

Artinya probabilitas bahwa pada nilai t yang terletak dalam batas -2,045 dan +2,045 adalah
95 %.
Note:
Dalam uji t 2 sisi, apabila |t| > t kritis pada tingkat signifikansi yang dipilih,
kita dapat menolak hipotesis nol. Sehingga dalam kasus lelang jam antik, Ho :
B2 = 0 ditolak.

Uji 1 sisi atau 2 sisi?

Diharapkan variabel umur (+), sehingga digunakan uji t 1 sisi. Nilai
t kritis 5% untuk uji 1 sisi d.k 29 = 1,699 masih lebih kecil
dibanding t hitung = 13,9653. Ho ditolak dan umur jam antik
berpengaruh terhadap harga lelang.
Pendekatan Interval Keyakinan dalam Pengujian Hipotesis

Telah diketahui sebelumnya bahwa:

b2 B2
dan t diperoleh
se(b2 )
Sehingga

Interval di atas tidak mencakup nilai yang dinyatakan dalam

hipotesis nol, maka Ho dapat ditolak.