Analisis Regresi Ganda/

Multivariant
Oleh:
Efraim Moningkey
Wahyu Eka PS
 Analisis regresi
Ganda/Multivariat???
Analisis regresi berganda adalah teknik statistik
yang dapat digunakan untuk menganalisis
hubungan antara variabel dependen
(kriteria) tunggal dan beberapa variabel
independen (prediktor).
 Analisis regresi
Ganda/multivariate???
Pada umumnya model regresi Multivariat dapat
ditulis:

Yi =a+b1.X1i+b2.X2i + ... +bn.Xni

Dimana Y adalah variable dependen yang

nilainya dipengaruhi oleh cariaabel X1…Xn
yang merupakan variable independent.
 Analisis regresi
Ganda/Multivariat???
Analisis regresi berganda adalah teknik statistik
yang dapat digunakan untuk menganalisis
hubungan antara variabel dependen
(kriteria) tunggal dan beberapa variabel
independen (prediktor).
Syarat-syarat yang harus
dipenuhi

Teknik ini digunakan manakala peneniti ingin membuat prediksi

berdasarkan model yang telah diketahui atau ingin mengetahui
kekuatan hubungan (Asimetris) antara variable dependen dan
variable independent di mana variable dependen diukur dengan skala
matriks seperti skala ratio atau minimal skala interval.
Syarat-syarat yang harus
dipenuhi
1. Data harus berskala interval.

2. Variabel bebas terdiri lebih dari dua variable.

3. Variabel tergantung terdiri dari satu variable.

4. Hubungan antar variable bersifat linier. Artinya semua variable

bebas mempengaruhi variable tergantung. Pengertian ini secara
teknis disebut bersifat rekursif, maksudnya pengaruh bersifat
searah dari variable-variabel X ke Y Tidak boleh terjadi sebaliknya
atau juga saling berpengaruh secara timbal balik (reciprocal).

5. Tidak boleh terjadi multikolinieritas. Artinya sesama variable bebas

tidak boleh berkorelasi terlalu tinggi, misalnya 0,9 atau terlalu
rendah, misalnya 0,01.
Syarat-syarat yang harus
dipenuhi
6. Tidak boleh terjadi otokorelasi. Akan terjadi otokorelasi jika angka
Durbin dan Watson sebesar < 1 atau > 3 dengan skala 1 – 4.

7. Jika ingin menguji keselarasan model (goodness of fit), maka

dipergunakan simpangan baku kesalahan. Untuk kriterianya
digunakan dengan melihat angka Standard Error of Estimate (SEE)
dibandingkan dengan nilai simpangan baku (Standard Deviation).
Jika angka Standard Error of Estimate (SEE) < simpangan baku
(Standard Deviation), maka model dianggap selaras.

8. Kelayakan model regresi diukur dengan menggunakan nilai

signifikansi. Model regresi layak dan dapat dipergunakan jika
angka signifikansi lebih kecil dari 0,05 (dengan presisi 5%) atau
0,01 (dengan presisi 1%)
Kegunaan Analisis Regresi
Ganda

Analisis Regresi Berganda digunakan untuk

mengukur besarnya pengaruh antara lebih dari

satu variabel prediktor (variabel bebas) terhadap

variabel terikat.
Rumus Persamaannya
Y = a + b1X1+b2X2+…+bnXn

Dimana:

Y = variabel terikat

a = konstanta

b1,b2 = koefisien regresi

X1, X2 = variabel bebas sebagai variabel predictor.

Asumsi-asumsi pada model regresi linier berganda

1. Model regresinya adalah linier dalam parameter.

2. Nilai rata-rata dari error adalah nol.

3. Variansi dari error adalah konstan (homoskedastik).

4. Tidak terjadi autokorelasi pada error.

5. Tidak terjadi multikolinieritas pada variabel bebas.

6. Error berdistribusi normal.

Pengujian Parameter Model Regresi Linier
Berganda
Pengujian parameter ini bertujuan untuk mengetahui ada atau
tidaknya pengaruh variabel bebas terhadap variabel tidak bebas, baik
secara serentak maupun secara parsial.
Estimasi parameter bertujuan untuk mendapatkan model regresi
linier berganda yang akan digunakan dalam analisis.
Metode yang digunakan untuk mengestimasi parameter model
regresi linier berganda adalah metode kuadrat terkecil atau sering
juga disebut dengan metode ordinary least square (OLS).
Metode OLS ini bertujuan meminimumkan jumlah kuadrat error
 Pengujian Parameter Secara Serentak
(Simultan)
1. Membuat hipotesis.
Lanjutan………………..
2. Menentukan tingkat signifikansi. Tingkat signifikansi yang seringkali digunakan
dalam penelitian adalah 5%.
3. Menentukan statistik uji.
Statistik uji yang digunakan adalah:

dengan:
• RKR adalah rata-rata kuadrat regresi (dapat diperoleh dari Tabel Analisis Variansi).
• RKE adalah rata-rata kuadrat error (dapat diperoleh dari Tabel Analisis Variansi).
Pengujian Parameter Secara Individu
(Parsial)
Lanjutan………………..
2. Menentukan tingkat signifikansi. Tingkat signifikansi yang seringkali digunakan
dalam penelitian adalah 5%.
Pelanggaran-pelanggaran Terhadap Asumsi Regresi Linier Berganda

1. Multikolinieritas
Multikolinieritas adalah terjadinya hubungan linier antara variabel bebas dalam suatu
model regresi linier berganda Hubungan linier antara variabel bebas dapat terjadi dalam
bentuk hubungan linier yang sempurna (perfect) dan hubungan linier yang kurang
sempurna (imperfect)

Adapun dampak adanya multikolinieritas dalam model regresi linier berganda

antara lain:
1. Penaksir OLS masih bersifat BLUE, tetapi mempunyai variansi dan kovariansi yang yang
besar sehingga sulit mendapatkan taksiran (estimasi) yang tepat.
2. Akibat penaksir OLS mempunyai variansi dan kovariansi yang yang besar, menyebabkan
interval estimasi akan cenderung lebih lebar dan nilai hitung statistik uji t akan kecil,
sehingga membuat variabel bebas secara statistik tidak signifikan mempengaruhi
variabel tidak bebas.
3. Walaupun secara individu variabel bebas tidak berpengaruh terhadap variabel tidak
bebas melalui uji t, tetapi nilai koefisien determinasi (R2) masih bisa relatif tinggi.
2. Heteroskedastisitas
Heteroskedastisitas adalah variansi dari error model regresi tidak konstan atau variansi
antar error yang satu dengan error yang lain berbeda.

Dampak adanya heteroskedastisitas dalam model regresi yaitu walaupun

estimator OLS masih linier dan tidak bias, tetapi tidak lagi mempunyai variansi yang
minimum dan menyebabkan perhitungan standard error metode OLS tidak bisa
dipercaya kebenarannya.
Selain itu interval estimasi maupun pengujian hipotesis yang didasarkan pada
distribusi t maupun F tidak bisa lagi dipercaya untuk evaluasi hasil regresi.

Akibat dari dampak heteroskedastisitas tersebut menyebabkan estimator OLS tidak

menghasilkan estimator yang BLUE dan hanya menghasilkan estimator OLS yang linear
unbiased estimator (LUE).
3. Autokorelasi
Autokorelasi adalah terjadinya korelasi antara satu variabel error dengan variable
error yang lain. Autokorelasi seringkali terjadi pada data time series dan dapat juga
terjadi pada data cross section tetapi jarang.
Adapun dampak dari adanya autokorelasi dalam model regresi Yaitu sama
dengan dampak dari heteroskedastisitas yang telah diuraikan di atas, yaitu
walaupun estimator OLS masih linier dan tidak bias, tetapi tidak lagi mempunyai
variansi yang minimum dan menyebabkan perhitungan standard error metode OLS
tidak bisa dipercaya kebenarannya.
Selain itu interval estimasi maupun pengujian hipotesis yang didasarkan
pada distribusi t maupun F tidak bisa lagi dipercaya untuk evaluasi hasil
regresi.
 Multiple Regression
Perintah dalam SPSS
• Buka file multiple_reg
• Pada kotak Dependent isikan variabel Income
• Pada kotak Independent isikan variabel Usia, Pengalaman Kerja dan Jenis
Kelamin
• Pada kotak Method, pilih Enter
• Abaikan yang lain dan tekan OK
 Kasus: Multiple Regression, Metode Enter
Konteks penelitian: 11 sales person dipilih secara acak (random), n = 11.

Y = Income sales person (dalam dolar).

X1 = Usia.
R2 adjusted berguna
X2 = Pengalaman kerja. untuk membandingkan
dua persamaan regresi
X3 = Jenis kelamin
yg berbeda banyaknya
Model Summary independent variable.
Adjusted R Std. Error of the
Model R R Square Square Estimate
1 .979a .959 .941 2758.308
a. Predictors: (Constant), Jenis Kelamin, Pengalaman Kerja, Usia

Multiple Correlation: R2 = 0.959 atau R2 = 95.9%, X1, X2 dan

X3 mampu menjelaskan keragaman Y
Korelasi X1, X2 dan X3 (bersama-
sebanyak 95.9%.
sama) dengan Y sebesar 0.979.
 Lanjutan Kasus: Multiple Regression, Metode Enter
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 8.770E8 2 4.385E8 64.105 .000a
Residual 5.472E7 8 6840078.364
Total 9.317E8 10
a. Predictors: (Constant), X2 Pengalaman Kerja, X1 Usia
b. Dependent Variable: Y Income

Pengaruh model (seluruh independent variables bersama-sama)

thd dependent variable:
Hipotesis:
H0. Dalam populasi tidak ada pengaruh seluruh variabel bebas
thd variabel terikat.
H1. Dalam populasi minimal ada satu variabel bebas berpengaruh
thd variabel terikat.
Bandingkan F hitung dg F Tabel. Jika F hitung > F tabel, maka terima H1.
Bandingkan Sig dg Taraf nyata. Jika Sig < Taraf nyata, maka terima H1.

Karena Sig < taraf nyata maka terima H1. Minimal satu variabel
bebas ‘berpengaruh’ thd variabel terikat. YANG MANA?
Lanjutan Kasus: Multiple Regression, Metode Enter
Coefficientsa
Standardize
Unstandardized d
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) -9071.764 5331.943 -1.701 .133
Usia 1148.913 204.717 .620 5.612 .001
Pengalaman Kerja 1513.691 650.596 .246 2.327 .053
Jenis Kelamin 5239.227 2826.196 .240 1.854 .106
a. Dependent Variable: Income

Dugaan Persamaan Regresi:

Bandingkan thitung
yˆi  -9071.764  1148.913 X 1i  1513.691X 2i  5239.227 X 3i dg ttabel, v = n-2-1.
Kalau thitung > ttabel
“Usia” lebih terima H1. Dalam
Jadi dalam populasi: populasi ada
dominan
ada ‘pengaruh’ Usia ‘pengaruh’ X thd Y
dibanding
dan Jenis Kelamin thd
“Pengalaman
income.
Kerja” dan
Tidak ada ‘pengaruh’ “Jenis Jika Sig < taraf nyata
Pengalaman Kerja thd Kelamin” thd maka terima H1.
income. income Dalam populasi ada
‘pengaruh’ X thd Y