1.PENDAHULUAN
1
Struktur data dengan k variabel bebas dan n pengamatan sebagai
berikut
Y X1 X2 X3 ... Xk
y1 x11 x12 x13 x1k
y2 x21 x22 x23 x2k
.
.
yn xn1 xn2 xn3 xnk
2
Model regresi linier berganda ( variabel banyak ) :
Y 0 1 X 1 2 X 2 ... k X k (1 )
Dimana Y ,
adalah variabel tak bebas
X1 X 2 X k adalah variabel bebas ( prediktor)
,…
0 , 1 ,…. adalah parameter regresi
,
2 k
adalah kesalahan pengganggu (residual)
Pengamatan ke i dapat ditulis sebagai berikut :
Y = Xβ + ε
atau dalam bentuk :
3
y1 1 x11 ...x1k 0 1
1 x . . x 2
y2 21 2k
1
. . . .
. . . .
y 1 x ... x
n nk k n
n1
Model penduga dari persamaan ( 1 ) adalah
yˆ b0 b1 X 1 b2 X 2 ... bk X k
Dari persamaan matriks, penduga untuk β adalah
X X X Y
1
ˆ T T
4
b0
dimana
b1
ˆ .
.
b
k
CATATAN
Yang dimaksud dengan model linier atau non linier , adalah linier
atau non linier di dalam parameter ( β ) , sedangkan pangkat tertinggi
dalam variabel bebas disebut ordo.
Contoh
Y 0 1 X 11 X 2
adalah suatu model regresi linier ( dalam β ) ordo kedua ( dalam X )
5
Asumsi dalam regresi yang harus dipenuhi :
a. Residual dalam persamaan (2) diasumsikan
Independently and Identically Distributed
Normal (IIDN) dengan mean adalah nol dan
varian = σ2.
Arti IIDN :
1. εi , i = 1, 2, . . . n berdistribusi normal
2 ε1 , ε2 , … εn mempunyai mean nol
3 ε1 , ε2 , … εn mempunyai varian sama ( tapi tidak diketahui ) = σ2,
artinya varian konstan atau sering kali dikatakan homogen atau asumsi
HOMOKEDASTISITAS.
Apabila asumsi ini tidak dipenuhi maka terjadi HETEROSKEDASTISITAS.
Untuk mengetahui keberadaan heteroskedastisitas Perlu dilakukan UJI
HETEROSKEDASTISITASUji Glesjer.
Uji Glejser dilakukan dengan cara meregresikan antara variable bebas
dengan nilai mutlak residualnya.
6
Jika nilai signifikansi parameter regresi > 0.05 maka tidak
terjadi masalah heteroskedastisitas.
ei ei 1
n 2
e
i 1
2
i
H1 : <0
α =…% .
Pernyataan H0 di tolak bila d > 4 - dL ; H0 diterima bila d < 4 - dU ,
Tidak ada keputusan bila 4 - dU < d < 4 – dL
8
H0 : =0
H1 : 0
α =…%
Pernyataan H0 di tolak bila d < dL atau 4 –d < dL ; H0 diterima bila d > dU
dan 4 – d > dU, Sedangkan untuk nilai d lainnya tidak ada keputusan.
10
1. Uji serentak
H0: β1 = β2 = . . . = βk = 0
H1: paling sedikit (minimal) ada satu βj tidak sama dengan nol, j= 1, 2,. . ,k
α =…..%
Statistik uji yang digunakan adalah statistik uji F dari table ANOVA.
Apabila statistic uji F ( Fhitung > Ftabel ) maka pernyataan H0 tidak dapat
diterima. Berarti ada satu βj tidak sama dengan nol.
Maka uji dilanjutkan ke uji individu
2. Uji individu
H 0 : βj = 0
H 1 : βj ≠ 0 j= 1, 2,. . . ,k
α = ...%
Statistik uji yang digunakan adalah statistik uji t ( thitung), apabila thitung > ttabel
maka pernyataan H0 tidak dapat diterima,artinya parameter βj
secara statistik mempunyai arti terhadap model regresi.
11
3. KOEFISIEN DETERMINASI ( R2 )
a. Untuk mengukur kecocokan/ketepatan suatu garis regresi yang
didapatkan terhadap data pengamatan. Makin besar nilai R2 makin tepat
garis regresi yang diperoleh, sebaliknya makin kecil nilai R2 makin tidak
tepat garis regresi untuk mewakili data pengamatan. Nilai 0 < R2 < 1 atau
0 < R2 < 100%.
b.Untuk mengukur besarnya proporsi ( persentase ) dari jumlah variasi Y
yang dapat diterangkan oleh model regresi. Dengan perkataan lain untuk
mengukur sumbangan (share ) dari variabel bebas X terhadap variasi Y.
Jumlah Kuadrat Re gresi JKR
R2
Jumlah Kuadrat Total JKT
Rumus : Jumlah Kuadrat Kesalahan
1
Jumlah Kuadrat Total
12
4. KOEFISIEN KORELASI PARTIAL ( PARTIAL CORRELATION )
Koefisien korelasi partial digunakan untuk mengetahui hubungan antara
dua variabel dimana variabel lainnya yang dianggap berpengaruh
dikendalikan atau dibuat tetap ( sebagai variabel kontrol )
13
CONTOH : MENGARTIKAN MODEL REGRESI BERGANDA
14
Konsumsi Harga Komoditas Pendapatan
6 3 4
9 4 5
9 6 7
10 5 6
10 7 8
14 3 7
7 4 5
10 5 6
5 6 5
4 7 4
15
Hasil Pengolahan dengan SPSS
Plot data
N 10 10 10
komoditas Pearson -.354 1 .223
Correlation
Sig. (2-tailed) .316 .536
N 10 10 10
pendapatan Pearson .766** .223 1
Correlation
Sig. (2-tailed) .010 .536
N 10 10 10
**. Correlation is significant at the 0.01 level (2-tailed).
17
Arti table korelasi diatas :
Korelasi antara konsumsi dan komoditas mempunyai korelasi negatif
dan korelasinya kecil, sedang konsumsi denganpendapatan mempunyai
korelasi positif dan kuat.
Korelasi antara pendapatan dan komoditas mempunyai korelasi positif
tapi korelasinya kecil, sehingga dapat dikatakan tidak terjadi multikolinieritas
dan ini dapat ditunjukkan dengan nilai VIF adalah 1.052 < 5,
sehingga antar variabel bebas tidak ada multikolinieritas.
18
:
Model Summaryb
ANOVAb
Sum of Mean
Model Squares df Square F Sig.
1 Regression 68.624 2 34.312 24.567 .001a
Residual 9.776 7 1.397
Total 78.400 9
20
21
Coefficientsa
Standa
rdized
Unstandardized Coeffic Collinearity
Coefficients ients Correlations Statistics
1 23
yˆ 2.684 1.092 ko mod itas 1.961 pendapa tan
Persamaan diatas dapat dijelaskan :
Konstanta 2.684; artinya jika komoditas dan pendapatan nilainya
adalah 0 maka konsumsi ( Y) nilainya adalah 2.684.
Koefisien komoditas sebesar -1.092 artinya jika pendapatan nilainya
tetap dan komoditas mengalami kenaikan satu satuan, maka
konsumsi akan turun sebesar 1.092 satuan
Koefisien pendapatan sebesar 1.961 artinya jika komoditas nilainya
tetap dan pendapatan naik satu satuan, maka konsumsi akan naik
sebesar 1.961 satuan
24
Gambar Histogram dibawah ini menunjukkan pengujian residual yang
telah dibakukan berdistribusi normal
25
Gambar Normal P-P Plot lebih jelas dibanding gambar Histogram
untuk menunjukkan pengujian residual yang telah di bakukan
berdistribusi normal.
26