Multiple
Regression
Analysis
Several Independent
(Predictor) Variables
PERSAMAAN REGRESI BERGANDA
Y = α + b1X1 + b2X2 +bn Xn……+ e
Y: Variabel Dependen
X: Variabel Independen
α: konstanta
b: coefisien
e = kesalahan prediksi (residual)
TAHAPAN ANALISIS REGRESI BERGANDA
Beberapa asumsi digunakan untuk memenuhi analisis regresi, antara lain sebagai
berikut :
1. Normality
2. Linearity
3. Homoscedasticity
4. Independence of the error terms
GRAFIK ANALYSIS RESIDU
STEP 4- ESTIMASI MODEL REGRESI DAN MENILAI MODEL
KESELURUHAN
Memperkirakan model regresi dan menilai akurasi prediksi
keseluruhan variabel independen
Tugas dasar :
1. Pilih metode untuk menentukan model regresi yang digunakan
2. Menilai sigfinikansi statistik dari keseluruhan model dalam
memprediksi variabel dependen
3. Menentukan apakah ada pengamatan yang meberikan pengaruh
yang tidak semestinya pada hasil
STAGE 5: INTERPRETING THE REGRESSION
VARIATE
Tugas peneliti selanjutnya adalah menafsirkan varian regresi dengan mengevaluasi koefisien regresi untuk
menjelaskan pengaruh antara variabel dependen dan independen.
1. Koefisien regresi
2. Koefisien Beta
3. Multikolinearitas
KOEFISIEN REGRESI
Koefisien Regresi = Koefisien b
Koefisien regresi ini mewakili tipe hubungan (positif atau negatif) dan kekuatan hubungan antara
variabel independen dan variabel dependen dalam varian regresi
PERBEDAAN
Ada 2 cara untuk mengukur multikolinieritas : Ketentuan untuk Uji multikolinieritas adalah:
1. Toleransi Jika nilai VIF < 10 dan TOL > 0,1, maka tidak terjadi
2. VIF (Variance Inflation Factors) multikolinieritas
Jika nilai VIF > 10 dan TOL < 0,1, maka terjadi
multikolinieritas
TOLERANSI
1. Ambil masing-masing variabel independen, satu per satu, dan hitung R2 (jumlah variabel
independen yang dijelaskan oleh semua dari variabel independen lainnya dalam model
regresi)
2. Toleransi kemudian dihitung sebagai 1 - R2