REGRESI

REGRESIBERGANDA
BERGANDALINIER
LINIER
VARIABEL
VARIABEL KUALITATIF
KUALITATIF ++ LAG
LAG

1
KEJADIAN NYATA REGRESI LINIER BERGANDA
(VARIABEL KUALITATIF& LAG)

Bagian
Bagian I I Statistik
StatistikInferensia
Inferensia
Metode dan Distribusi Sampling
Metode dan Distribusi Sampling

Teori Pendugaan Statistik Pengertian Bentuk Fungsi, Variabel, dan

Teori Pendugaan Statistik
Pengujian Hipotesa Sampel Besar
Pengujian Hipotesa Sampel Besar
Pengertian Bentuk Fungsi, Variabel, dan
Masalah dalam Analisis Regresi
Masalah dalam Analisis Regresi
Bentuk Fungsi Regresi Non Linier
Bentuk Fungsi Regresi Non Linier

Pengujian Hipotesa Sampel Kecil

Pengujian Hipotesa Sampel Kecil Analisis Variabel Kualitatif
Analisis Variabel Kualitatif

Analisis Regresi dan Korelasi Linier

Analisis Regresi dan Korelasi Linier Analisis Regresi Variabel Lag
Analisis Regresi Variabel Lag

Analisis Regresi dan Korelasi Berganda Pelanggaran Asumsi Regresi

Analisis Regresi dan Korelasi Berganda Pelanggaran Asumsi Regresi

Fungsi, Variabel, dan Masalah dalam

Fungsi, Variabel, dan Masalah dalam
Analisis Regresi
Analisis Regresi 2
VARIABEL
VARIABEL KUALITATIF
KUALITATIF

3
 REGRESI DENGAN VARIABEL KUALITATIF (1)

Data/variabel kualitaitif (bentuk persamaannya :

Y = a + b1X1 + b2 D + ) dikenal dengan data nomerik.
Sejauh ini, kita bahas data nomerik yaitu data berupa
keterangan angka kuantitatif misalnya; suku bunga, inflasi,
kredit, gaji, dll. Sedangkan dalam Dunia ini (kehidupan
sehari-hari ada beberapa variabel yang menggambarkan
kualitas dan bukan kuantitas misalnya; tingkat pendidikan,
jenis kelamin, selera, musim dan sebagainya. Oleh sebab itu
upaya untuk mengkaji variabel dengan data kualitatif
diperlukan pengkajian atau pendekatan yang
baku/efektif/baik.
4
REGRESI DENGAN VARIABEL KUALITATIF (1)

Sejauh ini, kita bahas data nomerik yaitu data

berupa keterangan angka kuantitatif misalnya;
suku bunga, inflasi, kredit, gaji, dll. Sedangkan
dalam Dunia ini (kehidupan sehari-hari ada
beberapa variabel yang menggambarkan
kualitas dan bukan kuantitas misalnya; tingkat
pendidikan, jenis kelamin, selera, musim dan
sebagainya. Oleh sebab itu upaya untuk
mengkaji variabel dengan data kualitatif
diperlukan pengkajian atau pendekatan yang
baku/efektif/baik.
 REGRESI DENGAN VARIABEL KUALITATIF (1)

Variabel kualitaitif bentuk persamaannya:

Y = a + b1X1 + b2D + 
Dikenal dengan data nomerik.

6
 REGRESI DENGAN VARIABEL KUALITATIF (2)

Variabel data kualitatif (nonparametrik)

dikelompokkan dalam dua bagian, yaitu:
(1)Skala Ordinal adalah suatu nilai yang
menggambarkan urutan seperti; lebih tinggi atau lebih
baik misalnya tingkat pendidikan, dan tingkat
pelayanan, serta kelompok umur dll.
(2)Skala Nominal adalah data yang tidak mempunyai
makna tertentu seperti urutan dan sebagainya. Maksud
dari data tersebut hanya atribut yang menunjukkan
pengkodean yang berarti hanya sekedar kode dan tidak
mempunyai arti. Contohnya jenis kelamin, warna kulit,
agama dan lainnya.
 REGRESI DENGAN VARIABEL KUALITATIF (3)

Variabel data kualitatif (nonparametrik) ini dalam

dunia nyata bukan dunia lain...? haaaaaaaaaaahaheeee.
Apabila jenis kelamin pria diberi kode 1 dan wanita 0.
Hal ini disebut skala nominal tidak diartikan sebagai
pria lebih tinggi dari wanita dan sebaliknya, namun
hanya membedakan bahwa jenis kelamin dibagi dua
yaitu pria dan wanita.
Variabel yang menunjukkan nilai 0 dan 1 disebut
dummy variable (variable dummy = variable 0 dan 1).
Contoh lain variabel pendidikan 1 adalah sarjana
sedangkan 0 non sarjana atau ganteng seperti saya ini
0 dan kurang ganteng 1.
 RUMUS

Y = a + b1X1 + b2 D + 

Di mana:
Y : Variabel tidak bebas
X1 : Variabel bebas kuantitatif
D : Variabel bebas kualitatif
(Dummy), nilai 0 dan 1
 : Error

9
Bagaimana dampak kesadaran akan bahaya kolesterol terhadap
konsumsi minyak goreng lalu cobalah anda buat regresinya ....?
CONTOH PEMBUATAN REGRESI

Responden Minyak (Lt/bl) Harga (000/lt) Kesadaran Kolesterol

1 7
2 6
3 4
4 10
5 7
6 7
7 5
8 5
9 9
7 0
5 1
8 1
5 0
7 1
8 0
7 1
8 1
6 0

Persamaan regresinya adalah Y = a + b1X1 + b2 D + ,

10
PENGGUNAAN MS EXCEL UNTUK MENCARI
KOEFISIEN REGRESI BERGANDA

Regression Statistics
Multiple R 0,906
R Square 0,821
Adjusted R Square 0,761
Standard Error 0,947
Observations 9
ANOVA df SS MS F
Regression 2 24,618 12,309 13,723
Residual 6 5,382 0,897
Total 8 30,000
Coefficients Standard Error t Stat P-value
Intercept 15,736 2,003 7,857 0,001
X Variable 1 -0,773 0,286 -2,706 0,035
X Variable 2 -2,464 0,651 -3,783 0,009

Hasil regresi tersebut adalah sebagai berikut:

Y = 15,736 – 0,773 X1 – 2,464 D

11
Studi kasus

12
Salsberry Realty menambahkan variabel bebas “garasi” dalam penelitiannya. Untuk rumah tampa garasi,
digunakan kode 0 sedangkan untuk rumah dengan ada garasi, digunakan kode 1. Kita akan menyebut
“garasi” sebagaivariable X4. Data variabel dimasukkan kedalam program SPSS dan hasilnya sebagai
berikut.

Salsberry Realty menambahkan variabel bebas “garasi” dalam penelitiannya. Untuk rumah
tampa garasi, digunakan kode 0 sedangkan untuk rumah dengan ada garasi, digunakan kode 1.
Kita akan menyebut “garasi” sebagaivariable X4. Data variabel dimasukkan kedalam program
SPSS dan hasilnya sebagai berikut.

13
Salsberry Realty menambahkan variabel bebas “garasi” dalam penelitiannya. Untuk rumah tampa garasi,
digunakan kode 0 sedangkan untuk rumah dengan ada garasi, digunakan kode 1. Kita akan menyebut
“garasi” sebagaivariable X3. Data variabel dimasukkan kedalam program SPSS dan hasilnya sebagai
berikut.

 Salsberry Realty menambahkan variabel bebas “garasi”

dalam penelitiannya.
 Untuk rumah tampa garasi, digunakan kode 0 sedangkan
untuk rumah dengan ada garasi, digunakan kode 1.
 Kita akan menyebut “garasi” sebagaivariable X3.
 Data variabel dimasukkan kedalam program SPSS dan
hasilnya sebagai berikut.
 Biaya pemanasan rumah, Temperatur Insulator dan adanya garasi untuk 20 rumah dalam
sampel (Biaya dalam Dollar)

Tabel : Biaya pemanasan rumah, Temperatur Insulator dan adanya garasi untuk 20 rumah dalam sampel

No. Rumah Biaya (Y) Suhu (X1) Insulator (X2) Garasi (X3)
1 35 3 0 0
2 1
3 1
4 1
5
6
7
8
9
10
11
12
13
14

15

17

18

19

20
Soal 1.
Salsberry Realty menambahkan variabel bebas “garasi” dalam penelitiannya. Untuk rumah
tampa garasi, digunakan kode 0 sedangkan untuk rumah dengan ada garasi, digunakan kode
1. Kita akan menyebut “garasi” sebagaivariable X3. Data variabel dimasukkan kedalam
program SPSS dan hasilnya sebagai berikut.

Regression Statistics
Multiple R 0,964
R Square 0,930
Adjusted R Square 0,895
Standard Error 424,550
Observations 7
ANOVA
df SS MS F
Regression 2 9616470 4808235 26,676
Residual 4 720971 180242
Total 6 10337442
Coefficients Standard Error t Stat P-value
Intercept -168,833 306,835 -0,55 0,611
X Variable 1 15,496 2,257 6,865 0,002
X Variable 2 0,268 0,165 1,627 0,179
X Variabel 3 0,181
Durbin-watson 2,151
Coefficient Correlations
X Variable 1 X Variable 2
X Variable 1 1 -0,124
X Variable 2 -0,124 1

16
 Tentukan persamaan liniernya
 Uji Signifikansi
 Keslahan Baku Penaksiran (Standard error of
Estimate/se)
 Beri komentar dari hasil perhitungan anda?
OUTLINE

Bagian
Bagian I I Statistik
StatistikInduktif
Induktif
Metode dan Distribusi Sampling
Metode dan Distribusi Sampling

Teori Pendugaan Statistik Pengertian Bentuk Fungsi, Variabel, dan

Teori Pendugaan Statistik
Pengujian Hipotesa Sampel Besar
Pengujian Hipotesa Sampel Besar
Pengertian Bentuk Fungsi, Variabel, dan
Masalah dalam Analisis Regresi
Masalah dalam Analisis Regresi
Bentuk Fungsi Regresi Non Linier
Bentuk Fungsi Regresi Non Linier

Pengujian Hipotesa Sampel Kecil

Pengujian Hipotesa Sampel Kecil Analisis Variabel Kualitatif
Analisis Variabel Kualitatif

Analisis Regresi dan Korelasi Linier

Analisis Regresi dan Korelasi Linier Analisis Regresi Variabel Lag
Analisis Regresi Variabel Lag

Analisis Regresi dan Korelasi Berganda Pelanggaran Asumsi Regresi

Analisis Regresi dan Korelasi Berganda Pelanggaran Asumsi Regresi

Fungsi, Variabel, dan Masalah dalam

Fungsi, Variabel, dan Masalah dalam
Analisis Regresi
Analisis Regresi 18
VARIABEL
VARIABEL LAG
LAG

19
Analisis Regresi Variabel Lag (1)

Analisis Regresi Variabel Lag :

Variabel lag adalah pengaruh suatu variabel memerlukan jangka
waktu.
Selama ini asumsi bahwa perubahan sebuah variabel bebas
mengakibatkan perubahan variabel terikat dengan kurun waktu
atau periode waktu yang sama atau dengan periode pengamatan
(kenyataan fenomena ini sangat jarang terjadi dan pada umumnya
penyebab baru menimbulkan akibat setelah jedah waktu tertentu.
Selang waktu atau jeda waktu tertentu itu yang diperlukan variabel
bebas untuk mempengaruhi variabel terikatnya disebut LAG atau
Distribusi LAG.
 VARIABEL LAG (2)

Lag terjadi apabila suatu variabel mempengaruhi

variabel terikatnya secara tidak langsung atau jangka
waktu tertentu. Misalnya pengaruh kenaikan harga
pada produksi kelapa sawit tidak terjadi secara
langsung tetapi selang waktu 4 tahun sampai dia
berbuah coy. Sama halnya dengan anda akibat lanjut
S2 dampaknya setelah 2 tahun tamat sampai anda
naik pangkat/ bekerja ditempat
basa.....haaaaaahhheeeee.!
 CONTOH
FUNGSI YANG MENGGUNAKAN VARIABEL
LAG

Fungsi Konsumsi Ct = f (Yt, Yt-1, Yt-2, …, Ct-1, Ct-2, …)

Fungsi Investasi It = f ( t, t-1, t-2, … It-1, … )

Fungsi Permintaan
Qd = f (Px, Py, Yt, Yt-1, … Qdt-1)

22
 PENGGUNAAN MS EXCEL UNTUK MENCARI
KORELASI

Penyebab yang bersifat teknis.

Apa penyebab dari variabel Penyebab yang bersifat

lag? kelembagaan.

Penyebab yang bersifat

psikologis.

23
CONTOH SOAL

Nomor Responden Konsumsi (Rp.000/bl) Anggota Klg Pendapatan

(orang) (Rp.000/bl)

1 504 4 739
2 408 2 549
3 576 5 941
4 348 2 520
5 420 2 657
6 480 3 536
7 432 2 797
8 504 5 686
9 612 6 1656
10 324 2 650

24
 RUMUS KOEFISIEN DETERMINASI

1. Model tanpa lag Y = a + b1X1 + b2X2; dimana X1 adalah anggota

keluarga dan X2 pendapatan pada tahun ke-t. hasil regresi dengan menggunakan
komputer

Y X1 X2 Ringkasan Hasil Regresi

504 4 739 R-Square 0.836

408 2 549 F-hitung 17.80
576 5 941 Coefficient t
s
348 2 520
Intersep 273,902 7.539
420 2 657
X Variabel 1 47,580 3.586
480 3 536
X Variabel 1 0.03865 0.625
432 2 797
504 5 686
Nb t-tabel dengan df 7  5% = 2,365.
612 6 1656 Nilai F tabel df 2;7 ; 5% =4,74

324 2 650

25
RUMUS KOEFISIEN DETERMINASI

2. Model dengan lag Y = a + b1X1 + b2X2; di mana X1 adalah anggota keluarga dan X2

pendapatan pada tahun ke-t-1.

Y X1 X2 Ringkasan Hasil Regresi

504 4
408 2 739
R-Square 0.953
576 5 549
F-hitung 60,52
348 2 941
Coefficients T
420 2 520 Intersep 383,052 12,47
480 3 657 X Variabel 1 47,664 8,797
432 2 536 X Variabel 1 -0,102 -4,07
504 5 797
Nb t-tabel dengan df 7  5% = 2,365.
612 6 686 Nilai F tabel df 2;7 ; 5% =4,74
324 2 1656

26
RUMUS KOEFISIEN DETERMINASI
3. Model gabungan Yt dan Yt-1. setelah melakukan regesi terhadap Yt saja pada bagian 1, dan
Yt-1 saja pada bagian 2, maka pada bagian ini akan digabungkan Y t dan Yt-1, serta

bagaimana hasilnya
X2 X2
Y X1 (Yt) (Yt-1) Ringkasan Hasil Regresi

504 4 739
R-Square 0.962
408 2 549 739
F-hitung 42,57
576 5 941 549
Coefficients T
348 2 520 941
Intersep 373,374 11,82
420 2 657 520
X Variabel 1 41,213 5,28
480 3 536 657
X Variabel 2 0,0399 1,13
432 2 797 536
X Variabel 2 -0,102 -4,14
504 5 686 797
612 6 1656 686 Nb t-tabel dengan df 7  5% = 2,365.
324 2 650 1656 Nilai F tabel df 2;7 ; 5% =4,74

27
TERIMA KASIH

28