MULTIPLE REGRESSION ANALYSIS

WHAT IS THE MULTIPLE REGRESSION ANALYSIS

Single Dependent (Criterion)
Variables

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

Tahap 1: Tahap 2: Tahap 3:

Masalah Desain Asumsi Regresi
Penelitian Penelitian Berganda

Tahap 6: Tahap 5: Tahap 4:

Validasi Hasil Interpretasi Memilih Teknik
Varian Regresi Estimasi
TAHAP 1: TUJUAN REGRESI BERGANDA
3 Pertimbangan dalam memilih Analisis Regresi Berganda

Kesesuaian Spesifikasi Pemilihan Variabel

Masalah Penelitian Hubungan Statistik Independen dan
Dependen
KESESUAIAN MASALAH PENELITIAN

Tujuan prediksi dengan regresi berganda

untuk memaksimalkan kekuatan prediktif keseluruhan dari variabel independen
sebagaimana diwakili dalam variate
membandingkan dua atau lebih set variabel independen untuk memastikan daya prediksi
masing-masing varian.
KESESUAIAN MASALAH PENELITIAN
Perspektif penjelasan dengan regresi berganda
Penentuan kepentingan relatif masing-masing variabel independen dalam prediksi
ukuran dependen.
Membantu peneliti dalam menilai sifat hubungan antara variabel independen dan
variabel dependen.
memberikan wawasan tentang hubungan antara variabel-variabel independen dalam
prediksi mereka terhadap ukuran dependen
SPESIFIKASI HUBUNGAN STATISTIK
PEMILIHAN VARIABEL INDEPENDEN DAN DEPENDEN
TIGA ISU YANG DAPAT MEMENGARUHI KEPUTUSAN :

Teori yang Kesalahan Kesalahan

kuat pengukuran spesifikasi
TAHAP 2: DESAIN PENELITIAN ANALISIS
REGRESI GANDA
3 Fitur dalam regresi berganda
1. Ukuran sampel
2. Elemen unik dari hubungan ketergantungan
3. Sifat variabel independen
STEP 3 – ASUMSI DALAM ANALISIS REGRESI
BERGANDA
Asumsi untuk meningkatkan prediksi variabel dependent dengan menambahkan
variabel independent untuk mewakili aspek hubungan yang tidak linear

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

Fungsi utama Koefisien Regresi :

1. Untuk menunjukkan apakah hubungan antara variabel independen dan variabel dependen bersifat positif
atau negative
2. Sebagai penjelas dalam setiap analisis regresi.
 STANDARISASI KOEFISIEN REGRESI:
KOEFISIEN BETA (Β)
Fungsi utama Koefisien Beta (β) = Koefisien Regresi
Untuk menunjukkan apakah hubungan antara variabel independen dan variabel
dependen bersifat positif atau negative

PERBEDAAN

Koefisien Regresi: Koefisien Beta (β):

Apabila variabel independennya belum Apabila variabel independennya
distandarisasi telah distandarisasi
MULTIKOLINEARITAS
Uji multikolinieritas digunakan untuk menguji apakah di dalam sebuah model regresi ditemukan
adanya korelasi antar variable independen.

Ada 2 cara untuk mengukur multikolinieritas :
1. Toleransi
2. VIF (Variance Inflation Factors)
Ketentuan untuk Uji multikolinieritas adalah:
Jika nilai VIF < 10 dan TOL > 0,1, maka tidak terjadi
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

Agar tidak terjadi multikolinieritas,

maka TOL > 0,1
VIF (VARIANCE INFLATION FACTORS)
 Cara kedua untuk mengukur multikolinearitas adalah variance inflation factor (VIF),
 Perhitungan dari VIF ini kebalikan dari nilai toleransi yaitu nilai VIF < 10
STAGE 6 : VALIDATION OF THE RESULTS
1. Sampel tambahan atau berpisah
2. Menghitung Statistik PRESS
3. Comparing Regression Models
4. Forecasting with the Model