Anda di halaman 1dari 34

REGRESI BERGANDA

Vallery Athalia P 1806151404


Widamayanti 1806241892
Pengertian Regresi Ganda
• Analisis regresi linear ganda adalah
pengembangan dari analisis regresi linear
sederhana dimana terdapat lebih dari satu
variabel independen X. Analisis ini digunakan
untuk melihat sejumlah variabel independen
X1 , X2 , … Xk terhadap variabel dependen Y
berdasarkan nilai variabel-variabel
independen X1 , X2 , … Xk.

https://alisadikinwear.wordpress.com/201
7/01/25/analisis-regresi-berganda/
• Perbedaaan antara regresi sederhana dengan
regresi ganda terletak pada jumlah variabel
bebasnya. Jika dalam regresi sederhana jumlah
variabel bebas yang digunakan untuk
memprediksi variabel tergantung hanya satu,
maka regresi ganda jumlah variabel bebas yang
digunakan untuk memprediksi variabel
tergantung lebih dari satu. Dalam regresi ganda
seluruh variabel bebas dimasukkan ke dalam
perhitungan regresi serentak.
• Dengan demikian diperoleh persamaan regresi
guna memprediksi variabel terikat dengan
memasukkan secara serentak serangkaian
variabel bebas. Dalam persamaan regresi
dihasilkan konstanta dan koefisien regresi bagi
masing-masing variabel bebas.
Tujuan Regresi Ganda
• Untuk memahami pengertian dan konsep
teori serta menyelesaikan dalam penelitian
parametris yang berkaitan dengan bentuk
hubungan peubah respon dengan peubah
prediktor dengan teknik Analisis Regresi
Berganda menggunakan teknologi informasi
dan komputasi
Model Regresi Ganda
Regresi berganda digunakan unuk menganalisis hubungan kausal
beberapa variabel bebas (X) terhadap satu variabel tergantung
(Ŷ). Model yang digunakan untuk analisis regresi berganda
sebagai berikut:
Ŷ = a + b₁X₁ + b₂X₂ + …. + bnXn + ε
• Ŷ = nilai yang diramalkan (diprediksi)
• a = konstanta/intercep
• b₁ = koefisien regresi/slope untuk X₁
• X₁ = variabel bebas X₁
• b₂ = koefisien regresi/slope untuk X2
• X₂ = variabel bebas X2
• bn = koefisien regresi/slope untuk Xn
• Xn = variabel bebas Xn
• ε = nilai residu
Jenis-jenis Regresi Ganda

Regresi Ganda

Regresi Regresi Regresi Regresi Data


Regresi Linear
Logistik Ordinal Multinominal Panel
Berganda
Berganda Berganda Berganda Berganda

https://www.statistikian.com/2017/06/b
erbagai-jenis-regresi-berganda.html
Regresi Linear Berganda
• Regresi Linear Berganda adalah model regresi
berganda jika variabel terikatnya berskala data interval
atau rasio (kuantitatif atau numerik). Sedangkan
variabel bebas pada umumnya juga berskala data
interval atau rasio. Namun ada juga regresi
linear dimana variabel bebas menggunakan skala data
nominal atau ordinal, yang lebih lazim disebut dengan
istilah data dummy. Maka regresi linear yang seperti itu
disebut dengan istilah regresi linear dengan variabel
dummy.
• Contoh regresi berganda jenis ini adalah: “pengaruh
DER dan NPM terhadap Return Saham.”
Asumsi klasik regresi linear berganda
• Seperti halnya uji parametris lainnya, maka
regresi linear juga mempunyai syarat atau asumsi
klasik yang harus terpenuhi. Agar model prediksi
yang dihasilkan nantinya bersifat BLUE (Best
Linear Unbiased Estimation).
• Asumsi klasik pada regresi linear berganda antara
lain: Data interval atau rasio, linearitas,
normalitas, non outlier, homoskedastisitas, non
multikolinearitas dan non autokorelasi.
https://www.statistikian.com/2018/01/penjelas
an-tutorial-regresi-linear-berganda.html
• Data Interval atau rasio.
– Skala data semua variable terutama variable terikat adalah interval
atau rasio. Asumsi ini tidak perlu diuji, cukup anda pastikan bahwa
data yang digunakan adalah data interval atau rasio (numeric atau
kuantitatif).
– Agar anda paham tentang berbagai skala data, kami sudah
membahasnya dalam artikel berjudul jenis data dan pemilihan analisis
statistik.

• Linearitas
– Ada hubungan linear antara variable bebas dengan variable terikat.
Asumsi linearitas diuji dengan uji linearitas regresi, misalnya dengan
kurva estimasi.
– Dengan kurva estimasi kita bisa tentukan ada hubungan linear atau
tidak dengan melihat nilai p value linearitas. Jika p value < 0,05 maka
terdapat hubungan yang linear antara predictor dan response.
– Untuk uji linearitas regresi, kami sudah membahasnya pada artikel
yang telah lalu, yaitu artikel linearitas regresi.
• Normalitas Residual
– Residual adalah beda antara y dengan y prediksi. Y
adalah variable terikat, sedangkan y prediksi adalah Y
hasil persamaan regresi yang dibuat. Sehingga
residual dibangun dengan rumus: y – y prediksi.
– Asumsi normalitas pada regresi linear adalah pada
residualnya, bukan pada data per variabelnya.
– Uji Asumsi normalitas regresi linear dapat diuji dengan
berbagai metode uji normalitas, seperti uji Shapiro
wilk, lilliefors atau Kolmogorov smirnov, Anderson
darling, ryan joiner, Shapiro francia, jarque bera,
skewness kurtosis test dan berbagai jenis uji
normalitas lainnya.
• Non Outlier
– Outlier disebut dengan data pencilan atau data yang nilainya extreme
atau lain dari pada yang lainnya. Batasan outlier atau tidak bisa dilihat
dari nilai absolut studentized residual. Jika absolut studentized
residual > 3 maka sampel atau observasi yang dimaksud menjadi
outlier.

• Homoskedastisitas
– Homoskedastisitas adalah sebuah kondisi dimana varians dari error
bersifat konstan atau tetap. Dengan kata lain bahwa varians dari error
bersifat identic untuk setiap pengamatan.
– Kebalikan dari homoskedastisitas adalah heteroskedastisitas. Model
regresi linear berganda yang baik adalah model yang bebas dari
kondisi heteroskedastisitas.
– Untuk menguji homoskedastisitas regresi linear berganda, dapat
digunakan uji homoskedastisitas dari glejser, uji park, uji
white, spearman heteroskedastisitas, dan masih banyak uji lainnya.
• Non Multikolinearitas
– Multikolinearitas adalah keadaan dimana terdapat interkorelasi
atau korelasi kuat antar variable bebas di dalam model.
Dinyatakan ada interkorelasi jika korelasi antar variable bebas di
dalam model regresi linear berganda > 0,8. Beberapa pakar
menggunakan batasan lebih dari 0,9.
– Cara lain yang lebih objektif adalah dengan menggunakan nilai
variance inflating factor (VIF) dan tolerance. Dikatakan ada
multikolinearitas jika nilai VIF > 10 dan/atau nilai tolerance <
0,01.
– Berdasarkan uraian diatas, maka jelas sekali bahwa asumsi
multikolinearitas hanya ada dalam regresi linear berganda dan
tidak ada pada regresi linear sederhana. Sebab pada regresi
linear berganda ada lebih dari satu vriabel bebas, sedangkan
pada regresi linear sederhana hanya ada satu variable bebas.
• Non Autokorelasi
– Autokorelasi dapat diartikan bahwa terdapat korelasi antar
waktu. Sehingga bisa diartikan dengan mudah bahwa
autokorelasi ini sering terjadi pada regresi linear berganda
dengan data time series atau runtun waktu. Dan jarang sekali
terjadi pada data cross section.
– Data runtun waktu ini misalnya data return saham sebuah
perusahaan per bulan dari tahun 2012 sd 2017.
– Sedangkan data cross section, misalnya data hasil dari kuesioner
yang disebarkan pada semua siswa sebuah kelas, dimana hanya
diukur satu kali saja.
– Uji autokorelasi ini bisa diuji dengan menggunakan nilai Durbin
Watson (DW) dan run test. Jika menggunakan uji Durbin
Watson, dikatakan tidak ada autokorelasi jika nilai DW hitung >
Batas atas DW table dan (4 – DW Hitung) > Batas atas DW Tabel.
Regresi logistik berganda
• Regresi Logistik berganda adalah model regresi
berganda jika variabel terikatnya adalah data
dikotomi. Dikotomi artinya dalam bentuk
kategorik dengan jumlah kategori sebanyak 2
kategori. Misal: Laki-laki dan perempuan, baik
dan buruk, ya dan tidak, benar dan salah serta
banyak lagi contoh lainnya.
• Sedangkan variabel bebas jenis regresi berganda
ini pada umumnya adalah juga variabel dikotomi.
Namun tidak masalah jika variabel dalam skala
data interval, rasio, ordinal maupun multinomial.
Regresi logistik berganda
• Contoh regresi berganda jenis ini adalah:
pengaruh rokok dan jenis kelamin terhadap
kejadian kanker paru. Dimana rokok kategorinya
ya dan tidak, jenis kelamin kategorinya laki-laki
dan perempuan, sedangkan kejadian kanker paru
kategorinya ya dan tidak.
• Ada dua metode yang sering dipakai dalam jenis
regresi berganda ini, yaitu metode logit dan
probit.
Regresi Ordinal Berganda
• Regresi berganda jenis ini adalah analisis
regresi dimana variabel terikat adalah berskala
data ordinal. Sedangkan variabel bebas pada
umumnya juga ordinal, namun tidak masalah jika
variabel dengan skala data yang lain, baik
kuantitatif maupun kualitatif. Keunikan regresi ini
adalah jika variabel bebas adalah data kategorik
atau kualitatif, maka disebut sebagai faktor.
Sedangkan jika data numerik atau kuantitatif,
maka disebut sebagai covariates.
Regresi Ordinal Berganda
• Ada 5 metode perhitungan jenis regresi ordinal
yang dapat anda pelajari pada artikel kami yang
berjudul: Penjelasan Regresi Ordinal. Contoh
regresi berganda jenis ini adalah: pengaruh
tingkat penghasilan dan usia terhadap tingkat
pengetahuan terhadap IT. Dimana tingkat
penghasilan sebagai faktor dengan kategori:
rendah, menengah dan tinggi. Usia sebagai
covariates dengan skala data numerik. Dan
tingkat pengetahuan terhadap IT sebagai variabel
terikat berskala data ordinal dengan kategori:
baik, cukup dan kurang.
Regresi Multinomial Berganda
• Regresi multinomial berganda adalah jenis regresi
dimana variabel terikat adalah data nominal
dengan jumlah kategori lebih dari 2 (dua) dan
variabel bebas ada lebih dari satu variabel.
• Jenis regresi ini hampir sama dengan regresi
logistik berganda, namun bedanya adalah
variabel terikat kategorinya lebih dari dua,
sedangkan regresi logistik berganda variabel
terikatnya mempunyai kategori hanya dua
(dikotomi).
Regresi Multinomial Berganda
• Regresi ini juga mirip dengan regresi ordinal, hanya saja
bedanya skala data pada regresi ini tidak bertingkat
(bukan ordinal) atau dengan kata lain tidak ada yang
lebih baik atau lebih buruk.
• Contoh regresi ini adalah: Pengaruh Pendidikan Orang
Tua dan Penghasilan Orang Tua terhadap pilihan
jurusan kuliah. Dimana pendidikan dan penghasilan
orang tua berskala data ordinal dan pilihan jurusan
kuliah adalah variabel berskala data nominal lebih dari
dua kategori, yaitu: jurusan kesehatan, hukum, sosial,
sastra, pendidikan, lain-lain.
Regresi data panel berganda
• Dari jenis-jenis di atas, sebenarnya masih ada jenis lain
yang merupakan pengembangan dari jenis-jenis di atas,
yaitu dengan adanya kompleksitas berupa data time
series atau runtut waktu, atau data panel. Seperti yang
terjadi pada regresi data panel ataupun regresi
cochrane orcutt.
• Kalau misalnya regresi linear data panel, jika ada lebih
dari satu variabel bebas, maka bisa disebut dengan
istilah regresi linear data panel berganda. Namun
kebanyakan orang atau peneliti, cukup menggunakan
istilah yang umum digunakan, yaitu cukup dengan
menyebut sebagai regresi data panel saja.

https://fingersings.wordpress.com/2013/07/
08/tugas-3-statistika-2-regresi-linier- https://berandakampus.wordpress.com/
berganda-2/ 2011/02/15/statistik-regresi-ganda/
Pengujian Koefisien Regresi Ganda
Untuk melakukan pengujian
terhadap koefisien regresi ganda,
perlu dihitung standart error bagi
masing-masing koefisien itu.
Dikatakan demikian karena
confidence interval masing-masing
koefisien tersebut sama halnya
dengan confidence interval pada
koefisien regresi sederhana yakni:
Koefisien Determinasi Ganda
Koefisien Korelasi Parsial
Pendekatan matrix untuk regresi linier
• Model regresi majemuk yaitu analisis regresi
dengan dua atau lebih variabel bebas. Bab ini
akan membicarakan model regresi majemuk
yang paling sederhana, yaitu regresi dengan
tiga variabel di mana sebuah variabek terikat
dipengaruhi dua variabel bebas.
• Pendugaan Titik Koefisien Regresi Majemuk Linier
• Bentuk umum garis regresi pupulasi tiga variabel dapat
dituliskan sebagai berikut :
• e (XI1, X2, X3) = B1.23X2 + B12.3X2 + B13.2X3
• Dimana
• e (X1, X2, X3) : expected value X1 untuk nilai X2 dan X3
tertentu
• XI : variabel terikat
• X2, X3 : variabel bebas
• B12..3 dan B13..2 : Koefisien regresi parsial (tak dapat disebut
sebagai kemiringan garis)
• B1.23 : intercept
• Arti dari koefisien regresi parsial adalah sebagai
berikut : B12..3 mengukur perubahan nilai rata-rata
X1 karena perubahan X2 per unit, jika X3 tetap.
Penggemar kalkulus akan mengatakan bahwa B12.3
adalah turunan parsial e (X1, X2, X3) terhadap X2.
B13.2 mengukur perubahan nilai rata-rata X1 kerena
perubahan X3 per unit jika X2 tetap.
• Untuk menduga koefisien regresi parsial, kita
menggunakan metode least squares. Misalkan
persamaan regresi sampelnya adalah :
• X1 = b1.23 + b12.3X2 + b13.2X3
• Maka penduga least squaresnya seperti berikut :
• b12.3 = AB – CD
F
• b13.2 = DE – AC
F
• b1.23 = åX1 – b12.3åX2 – b13.2åX3
n

• dimana
A = nåx2 X1 – (åX2)(åX1)
B = nåX23 – (åX3)2
C = nåX2X3 – (åX2)(åX3)
D = nåX3X1 – (åX3)(åX1)
E = nåX22 – (åX2)2
F = EB – C2
Koefisien determinasi dan korelasi
majemur (R2 dan R)
Pengujian hipotesis koefisien regresi
parsial
Masalah Uji Signifikasi Koefisien
Korelasi
• Dalam model regresi variabel bebasnya diasumsikan
non-stokastis atau, jika stokastis, ia tidak berhubungan
dengan error term. Dalam model korelasi diasumsikan
bahwa variabel Y maupun X adalah stokistis sehingga
memiliki distribusi probabilitas. Disamping itu dalam
model korelasi tidak ada perbedaan antara variabel
terikat dengan variabel bebas. Sebaliknya dengan
model regresi kita merancang suatu variabel sebagai
variabel terikat dan variabel lain sebagai variabel
penentu.
• Perbedaan mendasar antara model korelasi dan regresi
ini menyebabkan uji signifikasi koefisien korelasi tidak
dilaksanakan.

Anda mungkin juga menyukai