Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 1.663 1.847 .900 .381
LOGHARGA -1.525 .599 -.276 -2.544 .022 .037 26.669
LOGINCOM .728 .373 .312 1.954 .068 .017 57.815
LOGADVER .827 .143 .437 5.802 .000 .078 12.790
a. Dependent Variable: LOGSALES
Hasil penyembuhan :
Model yang dihasilkan justru semakin memperburuk
kualitas model dimana dalam bentuk LOG justru
menyebabkan seluruh variabel mengandung
MULTIKOLINEARITAS (Normal jika lebih besar dari
0,05 dan lebih kecil dari keduanay) analize-linier-
2. Membuang variabel yang mengandung MULTIKOLINE
RITAS yaitu dalam hal ini ADVERTISING (variabel
HARGA walaupun paling besar nilain VIFnya tetapi
tidak boleh dihilangkan karena merupakan variabel
utama di dalam fungsi SALES (permintaan). Hasil
pengolahan ditunjukkan sbb : (Analyze-Regresion-
Linear), Dependen Sales, Sisanya Independen
Statistic: Estimates, Model Fit, Colinier, Durbin
Coefficientsa
Save - Un
Unstandardized Standardiz ed
Coeffic ients Coeffic ients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) -10263.1 3388.979 -3.028 .008
HARGA 88.800 42.851 .244 2.072 .054 .107 9.323
INCOME 8.964 .869 1.215 10.313 .000 .107 9.323
a. Dependent Variable: SALES
PENYEMBUHAN AUTOKORELASI
Jika
model regresi yang dihasilkan melanggar
asumsi autokorelasi, maka konsekuensinya :
Dengan adanya autokorelasi dengan dugaan
parameter OLS masih “UNBIASED” Dan
“CONSISTENT” tetapi standar error dari dugaan
parameter regresi adalah bias, sehingga
mengakibatkan uji statistik menjadi tidak tepat
dan interval kepercayaan menjadi bias (biased
confidence intervals).
Untuk kasus 6.1. Pada model yang dihasilkan
tidak terdapat AUTOKORELASI.
Jika terjadi AUTOKORELASI maka penyembuhan
dilakukan dengan cara : (Transform-Compute)
Buat lag resid-pilih lag-ketik unstandar residu
1. lalu analyze-regresion-linier(Depend Res 1,
Inde Lagresid) .:. Statistic Estimate saja. Lalu
buat sales 2.di transform-comute masukan
rumus dibawah
Regresikan model persamaannya
SALES = f(HARGA, INCOME, ADVERTISING)
dan ambil RESIDUALNYA (Resid)
Regresikan RESIDUAL dengan RESIDUAL
SEBELUMNYA tanpa konstanta
Buat variabel baru dengan formulasi sbb :
SALES2 = SALES – (ρ - LAG(SALES))
PRICE2 = PRICE – (ρ – LAG(PRICE))
INCOME2 = INCOME – (ρ – LAG(INCOME))
ADVERT2 = ADVERTISING – (ρ – LAG(ADVERTISING)
P =0,008 hasil dari tabel
Buat regresi baru dengan formulasi
SALES2 = f (PRICE2, INCOME2, ADVERT2)
sebagai model setelah penyembuhan
autokorelasi
Analize-regresion-linier
Pilih dependent sales 2, inde
income2,adv2,price2 (Statistic 4, Save 1 Pojok
Kanan)
PENYEMBUHAN HETEROSKEDASITAS
Jika model regresi yang dihasilkan melanggar
asumsi heteroskedastisias maka konsekuensi
yang dihadapi varian dari koefisien ( Var(bi) )
cenderung besar sehingga mengakibatkan
interval keyakinannya semakin besar yang
selanjutnya akan menyebabkan uji hipotesis
(baik uji t maupun uji F) tidak akurat.
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Cons tant) -2.076 .800 -2.597 .019
LOGHARGA .719 .259 2.525 2.772 .014
LOGINCOM .268 .161 2.225 1.659 .117
LOGADVER .034 .062 .345 .547 .592
a. Dependent Variable: ABSRES2
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -.067 .606 -.111 .913
HARGA2 -10.306 27.938 -1.772 -.369 .717
IVINCOME 770.910 2319.154 1.543 .332 .744
ADVER2 1.069 1.638 .254 .653 .523
a. Dependent Variable: ABSRES3