Analisis Regresi
Download
Report
Transcript Analisis Regresi
Analisis Regresi
ANALISIS REGRESI
• Melihat ‘pengaruh’ variable bebas/independet variabel/ thd variable
terikat/dependent variabel.
• Berdasarkan jumlah variabel bebas :
Ada 1 vaiabel bebas
- regresi sederhana
Ada > 1 variabel bebas
- regresi berganda
• Berdasar sifat hubungan kedua variabel :
Bersifat linier
- regresi linier
Bersifat non-linier
- regresi non linier
• Berdasar skala pengukuran variabel bebas dan terikat :
Var. terikat senmua var. bebas interval/rasio - regresi standar
Var. terikat dan sebagian var. bebas interval tapi ada sebagian
var. bebas nomilal/ordinal - regresi dummy
Var. terikat berskala nominal/ordinal - regresi logistik/ordinal
Persamaan Garis Regresi:
Yi 0 1 X 1 i i
dalam populasi.
y i yˆ i ei b0 b1 X 1i ei
dalam sample.
yˆ i b0 b1 X 1i
persamaan yang diduga.
e i y i yˆ
ei adl error atau residual
b1 disebut ‘slope’, koefisien regresi dari X, koefisien kemiringan.
b0 disebut intercept, titik potong terhadap sumbu Y, dugaan Y bila X=0.
Metode Kuadrat terkecil biasa (Ordinary least squares, OLS)
digunakan untuk menduga ‘slope’ (b1) dan ‘intercept’ (b0).
ˆ)2
(
Y
Y
diminimalkan. Yi 0 1 X 1i 2 X 2 i i
Regresi Berganda (Multiple Regression)
• Independent variable yang dianalisis lebih dari dua.
• Kegunaan:
Untuk melihat ‘pengaruh’ lebih dari satu variabel bebas thd
variable terikat sekaligus dlm satu metode analisis.
Untuk melihat variabel bebas yang lebih berpengaruh thd
variabel terikat .
Memprediksi nilai ‘variabel terikat’ bila diketahui nilai-nilai
‘variabel bebas’.
• Asumsi antara lain:
Y (variabel terikat) atau e (residuals) mengikuti sebaran normal.
Nilai antar variabel terikat saling tidak berkorelasi (tidak terjadi
‘auto correlation’).
Keragaman (variation) nilai residual haruslah sama untuk semua
nilai Y (homoscedasticity variance).
antar variabel bebas tidak berkorelasi (tidak terjadi multicollinearity).
Regression Modeling Steps
•
•
•
•
Hypothesize deterministic component
Estimate unknown model parameters
Hitung koefisien keterandalan
Evaluate model and Use model for
prediction and estimation
Langkah 1 Uji Regresi
• Terdiri dari 2 macam hipotesis
Uji model keseluruhan (uji F)
• Menguji apakah model sudah baik
Model Baik
Model Baik
• Uji vaiabel bebas (Uji T)
• Menguji variabel bebas mana yang berpengaruh
• Demikian selanjutnya untuk semua variabel
Langkah 2, menghitung persamaan regresi
• Rumus untuk menduga persamaan regresi
b1
n
X Y
n X X
X iY
i
i
i
2
i
2
i
b 0 Y b1 X
Langkah 3, Hitung koefisien determinasi
• Koefisien determinasi merupakan ukuran berapa besar variasi
variabel terikat dipengaruhi variabel bebas
• Dihitung dari nilai korelasi yang dikuadratkan
Kasus: Income Sales Person
•
•
•
•
Y adalah income sales person (dalam dolar).
X1 adalah usia.
X2 adalah pengalaman kerja.
X3 adalah jenis kelamin
• Ingin diketahui:
‘Pengaruh’ X1, X2 dan X3 thd Y.
Ingin diketahui antara X1, X2 dg X2 mana yang lebih
dominan ‘berpengaruh’ thd Y.
Ingin diduga income sales person (Y) jika diketahui usia
(X1), pengalaman kerja (X2) dan jenis kelamin (X3).
Multiple Regression
Perintah dalam SPSS
•
Buka file multiple_reg
• Pada kotak Dependent isikan variabel Income
• Pada kotak Independent isikan variabel Usia, Pengalaman Kerja
dan Jenis Kelamin
• Pada kotak Method, pilih Enter
• Abaikan yang lain dan tekan OK
Kasus: Multiple Regression, Metode Enter
Konteks penelitian: 11 sales person dipilih secara acak (random), n = 11.
Y = Income sales person (dalam dolar).
X1 = Usia.
R2 adjusted berguna
untuk membandingkan
dua persamaan regresi
yg berbeda banyaknya
independent variable.
X2 = Pengalaman kerja.
X3 = Jenis kelamin
Model Summary
Adjusted R
Std. Error of the
Model
R
R Square
Square
Estimate
1
.979a
.959
.941
2758.308
a. Predictors: (Constant), Jenis Kelamin, Pengalaman Kerja, Usia
Multiple Correlation:
Korelasi X1, X2 dan X3 (bersamasama) dengan Y sebesar 0.979.
R2 = 0.959 atau R2 = 95.9%, X1, X2 dan
X3 mampu menjelaskan keragaman Y
sebanyak 95.9%.
Lanjutan Kasus: Multiple Regression, Metode Enter
ANOVAb
Model
1
Sum of Squares
df
Mean Square
Regression
8.770E8
2
4.385E8
Residual
5.472E7
8
6840078.364
Total
9.317E8
10
F
64.105
Sig.
.000a
a. Predictors: (Constant), X2 Pengalaman Kerja, X1 Usia
b. Dependent Variable: Y Income
Pengaruh model (seluruh independent variables bersama-sama)
thd dependent variable:
Hipotesis:
H0.
Dalam populasi tidak ada pengaruh seluruh variabel bebas
thd variabel terikat.
H1.
Dalam populasi minimal ada satu variabel bebas berpengaruh
thd variabel terikat.
Bandingkan F hitung dg F Tabel. Jika F hitung > F tabel, maka terima H1.
Bandingkan Sig dg Taraf nyata. Jika Sig < Taraf nyata, maka terima H1.
Karena Sig < taraf nyata maka terima H1. Minimal satu variabel
bebas ‘berpengaruh’ thd variabel terikat. YANG MANA?
Lanjutan Kasus: Multiple Regression, Metode Enter
ANOVAb
Model
1
Sum of Squares
df
Mean Square
Regression
1.242E9
3
4.139E8
Residual
5.326E7
7
7608262.177
Total
1.295E9
10
F
54.402
Sig.
.000a
a. Predictors: (Constant), Jenis Kelamin, Pengalaman Kerja, Usia
b. Dependent Variable: Income
Pengaruh model (seluruh independent variables bersama-sama)
thd dependent variable:
Hipotesis:
H0.
Dalam populasi tidak ada pengaruh seluruh independent variables
thd dependent variable.
H1.
Dalam populasi minimal ada satu independent variable
berpengaruh thd dependent variable.
Bandingkan F hitung dg F Tabel. Jika F hitung > F tabel, maka terima H1.
Bandingkan Sig dg Taraf nyata. Jika Sig < Taraf nyata, maka terima H1.
Karena Sig < taraf nyata maka terima H1. Minimal satu independent
variable ‘berpengaruh’ thd dependent variable. YANG MANA?
Lanjutan Kasus: Multiple Regression, Metode Enter
Coefficientsa
Model
1
(Constant)
Usia
Pengalaman Kerja
Jenis Kelamin
a. Dependent Variable: Income
Unstandardized
Coefficients
B
Std. Error
-9071.764
5331.943
1148.913
1513.691
5239.227
204.717
650.596
2826.196
Standardize
d
Coefficients
Beta
.620
.246
.240
t
-1.701
Sig.
.133
5.612
2.327
1.854
.001
.053
.106
Dugaan Persamaan Regresi:
yˆ i -9071.764 1148.913 X 1i 1513.691 X 2 i 5239.227 X 3 i
Jadi dalam populasi:
ada ‘pengaruh’ Usia
dan Jenis Kelamin thd
income.
Tidak ada ‘pengaruh’
Pengalaman Kerja thd
income.
“Usia” lebih
dominan
dibanding
“Pengalaman
Kerja” dan
“Jenis
Kelamin” thd
income
Bandingkan thitung
dg ttabel, v = n-2-1.
Kalau thitung > ttabel
terima H1. Dalam
populasi ada
‘pengaruh’ X thd Y
Jika Sig < taraf nyata
maka terima H1.
Dalam populasi ada
‘pengaruh’ X thd Y
Daftar Pustaka:
• Uyanto, S.S. (2009). Pedoman analisis data dengan
SPSS. Edisi Ketiga. Yogyakarta: Penerbit Graha Ilmu.
• Buku Prof. Dr. H. Imam Ghozali, I. (2013). Aplikasi
analisis multivariate dengan Program SPSS. Semarang:
Penerbit Badan Penerbit Undip.
• Bahan Kuliah Metode Penelitian, J.Tjahjo Baskoro.
• Bahan Pelatihan SPSS, Heru Prasadja dan Herry
Pramono.