EKONOMETRIKA:

REGRESI LINIER BERGANDA

FAKULTAS EKONOMI UNIVERSITAS SAMAWA

1
Model Regresi Linier
Berganda
• Dalam kenyataannya, model regresi sederhana
tidak mencerminkan kondisi perilaku variabel
ekonomi yang sebenarnya.
• Dalam banyak kasus, perilaku variabel ekonomi
tidak hanya dipengaruhi oleh satu faktor atau
satu variabel ekonomi saja, tetapi oleh banyak
variabel ekonomi lainnya.

2
Model Regresi Linier
Berganda
• Misalnya, jumlah permintaan terhadap suatu jenis barang
tidak hanya dipengaruhi oleh harga barang tersebut,
tetapi juga dipengaruhi oleh harga barang lain,
pendapatan konsumen, selera konsumen, dan
sebagainya.
• Oleh karena itu untuk mengestimasi pengaruh dari
banyak variabel independen terhadap satu variabel
dependen digunakan model regresi berganda.

3
Model Regresi Linier
Berganda
• Bentuk umum regresi linier berganda dapat ditulis
sebagai berikut:

4
Model Regresi Linier
Berganda
• Misalkan kita mempunyai model regresi sebagai berikut:

• Dimana Y adalah variabel dependen, X1 dan X2 adalah

variabel independen dan ei adalah variabel gangguan. 0
disebut intercep, sedangkan 1 dan 2 dalam regresi
berganda disebut koefisien regresi parsial.

5
Model Regresi Linier
Berganda
• Subscript i menunjukkan observasi ke i untuk data cross
section dan jika digunakan data time series biasanya
kita beri subscrib t yang menunjukkan waktu. Jika data
yang digunakan adalah data panel, maka biasanya kita
beri subscrib it.

6
Mengingat Kembali: Asumsi-Asumsi
Metode Kuadrat Terkecil (ordinary least
squares/OLS)
1. Model regresi linier: linier dalam parameter,
terspesifikasi dengan benar dan memiliki error term
yang bersifat additif.
2. Nilai rata-rata atau nilai yang diharapkan dari variabel
disturbance atau error term adalah nol.
3. Kovarian antara variabel disturbance, ui dengan variable
Xi adalah nol.
4. Varian dari variabel residu, disturbance adalah sama
atau homoskedastisitas

7
Mengingat Kembali: Asumsi-Asumsi
Metode Kuadrat Terkecil (ordinary least
squares/OLS)

5. Tidak ada otokorelasi antar variabel disturbance pada

pengamatan yang satu dengan pengamatan yang lain
(non otocorrelation).
6. Tidak ada korelasi sempurna antar variabel-variabel
bebas (non multikolinearitas).
7. Variabel error term memiliki distribusi normal (asumsi
ini bersifat optional, namun biasanya diikutsertakan).

8
Estimasi OLS Terhadap Koefisien
Regresi Berganda

• Misalkan kita mempunyai model regresi sampel sebagai

berikut:

• Residual model tersebut dapat dinyatakan sebagai

berikut:

9
Estimasi OLS Terhadap Koefisien
Regresi Berganda

• Intersep dan koefisien regresi parsial dapat dicari

dengan rumus sebagai berikut:

10
Estimasi OLS Terhadap Koefisien
Regresi Berganda

• Intersep dan koefisien regresi parsial dapat dicari

dengan rumus sebagai berikut:

11
Estimasi OLS Terhadap Koefisien
Regresi Berganda

• Dalam mengestimasi koefisien regresi berganda dengan

hanya dua variabel independen, kita masih mungkin
bisa menghitung dengan manual.
• Namun demi efisiensi waktu, apalagi jika dalam model
terdapat lebih dari dua variabel independen, maka kita
harus menggunakan program komputer untuk olahan
regresi seperti SPSS, Eviews, dan sebagainya.

12
Estimasi OLS Terhadap Koefisien
Regresi Berganda

• Setelah mendapatkan estimator OLS berupa koefisien

regresi parsial, maka selanjutnya kita bisa mendapatkan
varian dan standar error dari koefisien regresi untuk
mengetahui realibilitas estimator tersebut.

13
 Estimasi OLS Terhadap Koefisien
Regresi Berganda
• Formula untuk menghitung varian dan standar error untuk
, , dan adalah sebagai berikut:

14
 Estimasi OLS Terhadap Koefisien
Regresi Berganda
• Formula untuk menghitung varian dan standar error untuk

, , dan adalah sebagai berikut:

15
 Estimasi OLS Terhadap Koefisien
Regresi Berganda
• Formula untuk menghitung varian dan standar error untuk
, , dan adalah sebagai berikut:

16
Estimasi OLS Terhadap Koefisien
Regresi Berganda

• Dimana

• Dan r12 merupakan korelasi antara variabel independen

X1 dan X2
• Perhitungan r12 adalah sebagai berikut:

17
Estimasi OLS Terhadap Koefisien
Regresi Berganda

• Karena nilai σ2 tidak bisa diestimasi secara langsung,

maka nilai estimasi σ2 dihitung dengan rumus:

• Dimana n = jumlah observasi; k = jumlah estimator.

18
Interval Estimasi Koefisien
Regresi Berganda

• Sebagaimana pada regresi sederhana, koefisien regresi

yang kita dapatkan pada regresi berganda adalah
estimasi titik.
• Kita bisa mencari interval estimasi koefisien regresi
berganda didasarkan pada probabilitas sebagaimana
probabilitas pada regresi sederhana.

19
Interval Estimasi Koefisien
Regresi Berganda

• Adapun probabilitas untuk mencari interval estimasi

dapat kita tulis sebagai berikut:

• Dimana tc adalah nilai kritis tabel distribusi t dengan

derajat kebebasan sebesar (n-k).

20
Interval Estimasi Koefisien
Regresi Berganda

• Penyusunan kembali persamaan di atas akan

menghasilkan interval estimasi untuk koefisien regresi
sebagai berikut:

21
Interval Estimasi Koefisien Regresi
Berganda

• Interval estimasi untuk masing-masing koefisien regresi

sebagai berikut:

22
Uji t Koefisien Regresi Parsial

• Perbedaan uji t regresi berganda dengan lebih dari satu

variabel independen dengan regresi sederhana dengan
hanya satu variabel independen terletak pada besarnya
degree of freedom (df) dimana untuk regresi sederhana
df-nya sebesar n-2 sedangkan regresi berganda
tergantung dari jumlah variabel independen ditambah
dengan konstanta.

23
Uji t Koefisien Regresi Parsial

• Prosedur uji t pada koefisien regresi parsial pada regresi

berganda sama dengan prosedur uji t pada pada
koefisien regresi sederhana.
• Misalnya kita mempunyai dua variabel independen
dengan estimator 1 dan 2, langkah uji t sebagai
berikut:

24
Uji t Koefisien Regresi Parsial

1. Membuat hipotesis untuk 1 melalui uji satu sisi atau

dua sisi:
 Uji hipotesis positif satu sisi
H0 :  1 ≤ 0
Ha : 1 > 0
 Uji hipotesis negatif satu sisi
H0 :  1  0
Ha : 1 < 0

25
Uji t Koefisien Regresi Parsial

 Atau uji dua sisi

H0 :  1 = 0
Ha : 1  0
2. Kita ulangi langkah pertama tersebut untuk 2.
3. Jika kita mempunyai tiga variabel independen maka kita
membuat hipotesis sebanyak tiga untuk masing-masing
estimator, dan seterusnya.

26
Uji t Koefisien Regresi Parsial

3. Menghitung nilai t hitung untuk 1 dan 2 dan mencari

nilai t kritis dari tabel distribusi t. Nilai t hitung dicari
dengan formula sebagai berikut:

Dimana merupakan nilai pada hipotesis nol.

27
Uji t Koefisien Regresi Parsial

4. Bandingkan nilai t hitung untuk masing-masing

estimator dengan t kritisnya dari tabel. Keputusan
menolak atau menerima H0 sebagai berikut (untuk uji
hipotesis positif satu sisi):
– Jika nilai t hitung > nilai t kritis, maka H0 ditolak atau
menerima Ha.
– Jika nilai t hitung < nilai t kritis, maka H0 diterima
atau menolak Ha.

28
Regresi Linier Berganda (Aplikasi SPSS)
Contoh Soal:
Bagaimanakah pengaruh Harga (X1) dan Pendapatan Konsumen
(X2) terhadap Volume Penjualan (Y)

Observasi Harga Pendapatan Penjualan

1 2
2 3
3 5
4 4
5 6
6 2
7 3
8 4
9 5
10 6 3
3 5
4 8
6 8
5 9
7 9
6 13
4 6
5 9
4 4
3

29
Regresi Linier Berganda
(Aplikasi SPSS)
1. Buka Data yang akan dianalisis
2. Klik Analyse, Regression, Linear.
3. Masukkan variabel terikat pada kolom Dependent.
4. Masukkan semua variabel bebas pada kolom
Independent (s).
5. Abaikan pilihan yang lain dan klik OK.

30
Tampilan Data Editor (Data Yang
Akan Diolah)

31
*Contoh Output yang dihasilkan sebagai
berikut:

Tabel “Model Summary”

Model Summary

Std. Error of the

Model R R Square Adjusted R Square Estimate

1 .936a .875 .840 1.18179

a. Predictors: (Constant), Pendapatan, Harga

32
Analisis Tabel “Model Summary”

• R atau Multiple R = 0.936

R atau Multiple R menunjukan korelasi antara
variabel bebas dengan variabel terikat
(tergantung) sebesar 0,936. dalam hal ini karena
regresi linier berganda dengan dua variabel
bebas maka dikatakan bahwa korelasi berganda
antara harga dan pendapatan terhadap
penjualan adalah sebesar 0,936.

33
Analisis Tabel “Model Summary”

• R Square = 0.875
R Square atau Koefisien Determinasi sebesar 0,875
artinya bahwa variasi penjualan dapat dijelaskan oleh
variasi harga dan pendapatan sebesar 87,5 persen atau
variabel harga dan pendapatan mampu memengaruhi
penjualan sebesar 87,5 persen sedangkan sisanya
sebesar 12,5 (diperoleh dari 100-87,5=12,5) dipengaruhi
oleh variabel lain yang tidak diteliti misalnya selera
pembeli, harga barang lain yang sejenis, dan sebagainya.

34
Analisis Tabel “Model Summary”

• Adjusted R Square = 0.840

Adjusted R Square merupakan Koefisien Determinasi yang telah
dikoreksi dengan jumlah variabel dan ukuran sampel sehingga dapat
mengurangi unsur bias jika terjadi penambahan variabel maupun
penambahan ukuran sampel. Adjusted R Square sebesar 0.840
berarti variasi penjualan dapat dijelaskan oleh variasi harga dan
pendapatan sebesar 84,0 persen atau variabel harga dan
pendapatan memengaruhi penjualan sebesar 84 persen. Adjusted R
Square dapat diperoleh dengan perhitungan berikut:

35
Analisis Tabel “Model Summary”

• Std. Error of the Estimate = 1,182

Std. Error of the Estimate merupakan penyimpangan
antara persamaan regresi dengan nilai dependent riilnya,
yaitu sebesar 1,182 satuan variabel dependent (jika
penjualan dalam satuan juta maka besarnya
penyimpangan adalah sebesar 1,182 juta). Semakin kecil
nilai Std. Error of the Estimate semakin baik persamaan
regresi tersebut sebagai alat prediksi.

36
Analisis Tabel “Anovab”

ANOVAb

Model Sum of Squares df Mean Square F Sig.

1 Regression 68.624 2 34.312 24.567 .001a

Residual 9.776 7 1.397

Total 78.400 9

a. Predictors: (Constant), PENDAPATAN, HARGA

b. Dependent Variable: VOLUME PENJUALAN

37
Analisis Tabel “Anovab”

• Sum of Squares Regression = 68,624

Sum of Squares Regression merupakan nilai yang
menunjukan jumlah kuadrat dari selisih antara nilai
prediksi dengan nilai rata-rata prediksi, diperoleh dengan
rumus:

38
Analisis Tabel “Anovab”

• Sum of Squares Residual = 9,776

Sum of Squares Residual merupakan nilai yang menunjukan jumlah
kuadrat dari selisih antara nilai riil dengan nilai prediksi, diperoleh
dengan rumus:

• Sum of Squares Total = 78,400

Sum of Squares Total merupakan nilai yang menunjukan jumlah
kuadrat dari selisih antara nilai riil dengan nilai rata-rata Y riil,
diperoleh dengan rumus:

39
Analisis Tabel “Anovab”

• Df Regression (Degree of Freedom Regression) = 2

Nilai Df Regression sebesar 2. Hal ini karena nilai k-1 (jumlah
variabel dikurangi 1 atau 3 – 1 = 2).
• Df Residual (Degree of Freedom Residual) = 7
Nila Df Residual sebesar 7. hal ini karena nilai n-k (jumlah
pengamatan/observasi dikurangi jumlah variabel atau 10 – 3 = 7.
• Df Total (Degree of Freedom Total) = 9
Nilai Df Total sebesar 9. hal ini karena nilai n-1 (jumlah pengamatan
dikurangi 1 atau 10 – 1 = 9. atau merupakan penjumlahan dari Df
Regression dengan Df Residual atau 2 + 7 = 9.

40
Analisis Tabel “Anovab”

• Mean Square Regression = 34,312

Mean Square Regression merupakan hasil pembagian dari Sum
Square Regression dengan Degree of Freedom Regression, diperoleh
dengan formula:

41
Analisis Tabel “Anovab”

• Mean Square Residual = 1,397

Mean Square Residual diperoleh dengan formula:

42
Analisis Tabel “Anovab”

• F atau F hitung = 24,567

Nilai F hitung diperoleh dengan formula:

43
Analisis Tabel “Anovab”

• Sig. = 0,001
Sig. merupakan nilai yang menunjukan titik kesalahan yang terjadi
jika nilai F hitung sebesar 24,567. ternyata tingkat kesalahan atau
probabilitas sebesar 0,001 yang berarti lebih kecil dari 0,05. jadi
dapat disimpulkan bahwa variabel bebas secara simultan (serempak
atau bersama-sama) mampu menjelaskan perubahan pada variabel
tergantung/variabel terikat atau model dinyatakan cocok atau fit.

44
 Analisis Tabel “Coefficientsa”

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 2.553 1.626 1.570 .160

HARGA -1.092 .271 -.552 -4.029 .005

PENDAPATAN 1.961 .302 .889 6.490 .000

a. Dependent Variable: VOLUME PENJUALAN

45
Analisis Tabel “Coefficientsa”

• Unstandardize Coefficients (Constant) = 2,553

Unstandardize Coefficients (Constant) merupakan konstanta yang
berarti jika harga dan pendapatan sama dengan 0 (nol) maka
penjualan akan sebesar 2,553. Nilai Koefisien Intercept atau
Konstanta ini dapat dicari dengan rumus mencari konstanta
sebagaimana telah dijelaskan sebelumnya.

46
Analisis Tabel “Coefficientsa”

• Unstandardize Coefficients Harga = -1,092

Unstandardize Coefficients Harga merupakan koefisien regresi
variabel Harga. Jika harga naik sebesar satu satuan, maka penjualan
akan turun sebesar 1,092. Nilai Koefisien regresi ini dapat dicari
dengan rumus mencari koefisien regresi sebagaimana telah
dijelaskan sebelumnya.

47
Analisis Tabel “Coefficientsa”

• Unstandardize Coefficients Pendapatan = 1,961

Unstandardize Coefficients Pendapatan merupakan koefisien regresi
variabel Pendapatan yang berarti Jika pendapatan naik sebesar satu
satuan, maka penjualan akan naik sebesar 1,961. Nilai Koefisien
regresi ini dapat dicari dengan rumus mencari koefisien regresi
sebagaimana telah dijelaskan sebelumnya.

48
Analisis Tabel “Coefficientsa”

• Standart Error (Constant) = 7,515

Standart Error (Constant) merupakan penyimpangan dari konstanta
yang ada dalam model atau persamaan regresi. Nilai Standart Error
(Constant) ini dapat dicari dengan rumus mencari Standart Error
Konstanta sebagaimana telah dijelaskan sebelumnya.

49
Analisis Tabel “Coefficientsa”

• Standart Error Harga = 0,271

Standart Error Harga merupakan penyimpangan dari koefisien
regresi variabel Harga. Semakin kecil penyimpangan dalam koefisien
regresi tersebut maka semakin berarti kontribusi variabel tersebut
terhadap variabel terikat/tergantungnya. Nilai Standart Error variabel
Harga atau X1 ini dapat dicari dengan rumus mencari Standart Error
variabel bebas sebagaimana telah dijelaskan sebelumnya.

50
Analisis Tabel “Coefficientsa”

• Standart Error Pendapatan = 0,302

Standart Error Pendapatan merupakan penyimpangan dari koefisien
regresi variabel Pendapatan. Semakin kecil penyimpangan dalam
koefisien regresi tersebut maka semakin berarti kontribusi variabel
tersebut terhadap variabel terikat/tergantungnya. Nilai Standart
Error variabel Pendaptan atau X2 ini dapat dicari dengan rumus
mencari Standart Error variabel bebas sebagaimana telah dijelaskan
sebelumnya.

51
Analisis Tabel “Coefficientsa”

• t – Constant
t – Constant digunakan untuk mengetahui apakah intercept tersebut
signifikan atau tidak. Namun biasanya nilai intercept ini tidak diuji.
Yang diuji adalah nilai t-koefisien regresinya. Nilai t-constant ini
dapat dicari dengan rumus:

52
Analisis Tabel “Coefficientsa”

• t – Harga
t – Harga digunakan untuk mengetahui apakah variabel bebas harga
tersebut signifikan atau tidak. Dalam uji satu sisi (sisi sebelah
kanan), jika t stat lebih besar dari t tabel dengan df: α,(n-k), maka
variabel tersebut memiliki pengaruh yang signifikan terhadap
variabel tergantung/terikat Volume Penjualan. Nilai t-harga ini dapat
dicari dengan rumus:

53
Analisis Tabel “Coefficientsa”

• t – Pendapatan
t – Pendapatan digunakan untuk mengetahui apakah variabel bebas
Pendapatan tersebut signifikan atau tidak. Dalam uji satu sisi (sisi
sebelah kanan), jika t stat lebih besar dari t tabel dengan df: α,(n-k),
maka variabel tersebut memiliki pengaruh yang signifikan terhadap
variabel tergantung/terikat Volume Penjualan. Nilai t-Pendapatan ini
dapat dicari dengan rumus:

54
Analisis Tabel “Coefficientsa”

• Sig. (Constant)
Sig. (Constant) adalah angka yang menunjukan besarnya tingkat
kesalahan pada nilai t-constant yang diperoleh (0,160). Jika nilai t
stat intercept semakin besar maka nilai sig. akan semakin kecil. Jika
nilai Sig. lebih kecil dari α (0,05 atau 5%) maka dapat dikatakan
signifikan. Pada output di atas, ternyata nilai Sig. lebih besar dari
0,05 sehingga constant tidak signifikan. Namun demikian, dalam
analisis regresi hal ini tidak dianalisis karena yang lebih penting
adalah signifikansi dari variabel bebasnya.

55
Analisis Tabel “Coefficientsa”

• Sig. Pendapatan
Sig. Pendapatan adalah angka yang menunjukan besarnya tingkat kesalahan
pada nilai t-Harga yang diperoleh (6,490). Jika dibandingkan dengan nilai t
tabel pada α (0,05 atau 5%) uji dua sisi dan df = n-k dimana n=jumlah
observasi, k=jumlah paramater termasuk konstanta maka df=10-3=7
sehingga nilai t kritis=2,365. karena nilai t hitung > t kritis (6,490>2,365)
maka H0 ditolak atau Ha diterima artinya pendapatan memiliki pengaruh
yang signifikan terhadap volumen penjualan.
uji signifikansi juga bisa menggunakan nilai probabilita atau nilai Sig. yang
tertera dalam output SPSS. Karena nilai Sig. variabel pendapatan (0,000)
lebih kecil dari α (0,05 atau 5%) maka dapat dikatakan signifikan. Dari hasil
koefisien diketahui memiliki arah koefisien positif, maka dapat simpulkan
bahwa variabel Pendapatan memiliki pengaruh positif terhadap penjualan.

56
Analisis Tabel “Coefficientsa”

• Sig. Harga
Sig. Harga adalah angka yang menunjukan besarnya tingkat kesalahan pada
nilai t-Harga yang diperoleh (-4,029). Nilai t tabel = 2,365, sehingga jika
dibandingkan antara nilai t hitung dengan t tabel maka diketahui t hitung
lebih kecil dari -t tabel (-4,029<-2,365) maka harga berpengaruh signifikan
terhadap volume penjualan. Karena nilai Sig. variabel Harga (0,005) lebih
kecil dari α (0,05 atau 5%) maka dapat dikatakan signifikan. Dari hasil
koefisien diketahui memiliki arah koefisien negatif, maka dapat simpulkan
bahwa variabel harga memiliki pengaruh negatif terhadap penjualan.

57
Analisis Tabel “Coefficientsa”

• Kesimpulan:
• Karena nilai t hitung variabel Harga (-4,029) < -t tabel (-2,365),
atau karena nilai Sig. variabel Harga (0,005) lebih kecil dari 0,05,
dan arah koefisien negatif maka disimpulkan variabel Harga memiliki
pengaruh negatif terhadap Volume Penjualan.
• Karena nilai t hitung variabel Pendapatan (6,490) > t tabel (2,365),
atau karena nilai Sig. variabel Pendaptan (0,000) lebih kecil dari
0,05, dan arah koefisien positif maka disimpulkan variabel
Pendapatan memiliki pengaruh positif terhadap Volume Penjualan.

58