A 2
Regresi Linier Sederhana
http://www.free-powerpoint-templates-design.com
NAMA KELOMPOK
Pengertian
Analisis Regresi
Analisis regresi atau peramalan adalah suatu proses
memperkirakan secara sistematis tentang apa yang paling
mungkin terjadi dimasa yang akan datangberdasarkan
informasi masa lalu dan sekarang yang dimiliki agar
kesalahannya dapat diperkecil
Memang belum ada kriteria yang jelas dalam mendeteksi masalah multikolinearitas dalam model
regresi linier. Selain itu hubungan korelasi yang tinggi belum tentu berimplikasi terhadap masalah
multikolinearitas. Tetapi kita dapat melihat indikasi multikolinearitas dengan tolerance value
(TOL), eigenvalue, dan yang paling umum digunakan adalah varians inflation factor (VIF).
Hingga saat ini tidak ada kriteria formal untuk menentukan batas terendah dari nilai toleransi
atau VIF. Beberapa ahli berpendapat bahwa nilai toleransi kurang dari 1 atau VIF lebih besar
dari 10 menunjukkan multikolinearitas signifikan, sementara itu para ahli lainnya menegaskan
bahwa besarnya R2 model dianggap mengindikasikan adanya multikolinearitas. Klein (1962)
menunjukkan bahwa, jika VIF lebih besar dari 1/(1 – R2) atau nilai toleransi kurang dari (1 – R2),
maka multikolinearitas dapat dianggap signifikan secara statistik.
Dalam regresi linear salah satu yang harus dipenuhi agar taksiran parameter dalam model
tersebut bersifat BLUE (Best, Linear, Unbiased, and Estimator) adalah var (ui) = σ2 mempunyai
variasi yang sama. Pada kasus-kasus tertentu terjadi variasi ui tidak konstan atau variabel
berubah-ubah. Untuk mendeteksi heteroskedastisitas dapat dilakukan pengujian dengan
metode grafik.
Dengan pengujian ini dapat dideteksi apakah kesalahan pengganggu dari model yang diamati
tidak memiliki varians yang konstan dari satu observasi ke observasi lainnya. Dengan metode
grafik, hasilnya dapat menunjukkan ada tidaknya pola-pola tertentu yang terbentuk seperti
bergelombang, melebar kemudian menyempit serta titik-titik menyebar di atas dan di bawah
angka 0 (nol) pada sumbu Y.
Autokorelasi
Autokorelasi adalah korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu
seperti data deret waktu atau ruang seperti data cross-section. Untuk mengetahui autokorelasi
digunakan uji Durbin-Watson (DW-test). Adanya autokorelasi dalam regresi dapat diketahui dengan
menggunakan beberapa cara antara lain metode grafik dan uji Durbin-Watson.
Pada tabel d tersebut terdapat dua nilai yaitu nilai batas atas (du) dan nilai batas bawah (dL) untuk
berbagai nilai n dan k. Untuk autokorelasi positif (0 < p < 1), hipotesis nol (H0) diterima jika d > du,
sebaliknya H0 ditolak jika d < dL. Untuk autokorelasi negatif, hipotesis nol (H0) diterima jika (4-d)>du,
sebaliknya H0 ditolak jika (4-d) < dL.
Multikolinearitas
Multikolinearitas muncul jika terdapat hubungan yang sempurna atau pasti di antara beberapa
variabel atau semua variabel independen dalam model. Pada kasus multikolinearitas yang serius,
koefisien regresi tidak lagi menunjukkan pengaruh murni dari variabel independen dalam model.
Terdapat beberapa metode untuk mendeteksi keberadaan multikolinearitas (Gujarati,
1995;Ramanathan, 1995). Untuk mendeteksi multikolinearitas digunakan pengukuran terhadap
nilai VIF (Variable Inflation Factor) dan nilai Tolerance
Y’ = a + bX
Keterangan:
Y’ = Variabel dependen (nilai yang diprediksikan)
X = Variabel independen
a = Konstanta (nilai Y’ apabila X = 0)
b = Koefisien regresi
(nilai peningkatan ataupun penurunan)
Contoh kasus
Seorang mahasiswa bernama Mahessa ingin meneliti tentang
pengaruh biaya promosi terhadap volume penjualan pada
perusahaan jual beli motor. Dengan ini di dapat variabel dependen
(Y) adalah volume penjualan dan variabel independen (X) adalah
biaya promosi. Dengan ini Mahessa menganalisis dengan bantuan
program SPSS dengan alat analisis regresi linear sederhana
No. Biaya Promosi Volume Penjualan No. Biaya Promosi Volume Penjualan
Ø Pada kolom Name ketik y, kolom Name pada baris kedua ketik
x.
Ø Buka data view pada SPSS data editor, maka didapat kolom
variabel y dan x.
Y’ = a + bX
Y’ = -28764,7 + 0,691X