Transcript Analisis Regresi Linier

Analisis Regresi Linier
Hadi Paramu
Fakultas Ekonomi Universitas Jember
(disampaikan di STIE Bulungan Tarakan)
23 September 2013
Definisi Analisis Regresi
• Analisis regresi merupakan studi (kajian)
tentang dependensi suatu variabel (variabel
dependen) pada satu atau beberapa
variabel lain (variabel independen)
untuk mengestimasi dan/atau memprediksi
mean atau average value dari variabel
dependen.
Apa Variabel itu?
• Variable  vary dan able.
• Variabel  sesuatu yang nilainya dapat
bervariasi
– Ciri utama variabel adalah variasi (variabilitas)
– Tidak bersifat konstan.
• Apa yang terjadi jika salah satu jenis variabel
dalam model regresi tidak bervariasi?
Type Data
• Data Time Series: data yang bersifat runtut
waktu (time series), seperti data harian,
mingguan dst.
• Data cross-section: data yang dikumpulkan
dari unit analisis (responden) pada titik waktu
yang sama.
• Data Pooled (Pooling): data yang bersifat
gabungan antara time series dan cross section.
Asumsi Metode Ordinary Least Square
•
•
•
•
Linier dalam Parameter dan Variabel
Nilai X bersifat tetap untuk repeated sampling
Mean dari disturbance (residual) bernilai nol
Homoscedasticity atau varians yang sama
pada residual.
• Tidak ada otokorelasi antar residual
Asumsi Metode Ordinary Least Square
• Covariance antara residual dan variabel
independen sama dengan nol
• Jumlah observasi (n) harus lebih banyak dari
parameter yang akan diestimasi.
• Ada variability dari nilai X.
• Model regresi tidak memiliki specification bias
• Tidak ada multikolinieritas antar explanatory
variable
Alur Kerja Analisis Regresi Linier
Data yang akan diolah
Metode OLS  Model Analisis Regresi Linier
Multikolinieritas
Heteroskedastisitas
Otokorelasi
Model Analisis Regresi Linier
Model Regresi Linier
Model Regresi Linier
Hasil Analisis
Koefisien Determinasi yang disesuaikan
Model Summary
Model
1
R
.665a
R Square
.442
Adjusted R
Square
Std. Error of
the Estimate
.380
.16209
a. Predictors: (Constant), UKUR, RISBIS, BIUT, AGEN
Koefisien Korelasi
Koefisien Determinasi
Hasil Analisis
ANOVAb
Model
1
Regression
Residual
Sum of
Squares
.748
.946
df
4
36
Mean
Square
.187
.026
F
7.118
Total
1.694
40
a. Predictors: (Constant), UKUR, RISBIS, BIUT, AGEN
b. Dependent Variable: DEBT
Angka F-hitung
Probabilitas
terjadinya
F-hitung
Sig.
.000a
Hasil Analisis
Coefficientsa
Model
1
Unstandardized
Coefficients
B
Std. Error
(Constant)
BIUT
AGEN
RISBIS
UKUR
a. Dependent Variable: DEBT
.166
.049
-.050
.007
.043
.007
.010
.022
.267
.002
Standardized
Coefficients
Beta
-.861
.062
.020
.576
t
Sig.
3.399
.002
-4.769
.334
.159
3.352
.000
.740
.874
.002
DEBTi = 0,166 – 0,05BIUTi + 0,007AGENi + 0,043RISBISi + 0,07UKURi + ei
Multikolinieritas
Coefficientsa
Standardize
d
Unstandardized
Coefficients
Coefficients
Model
B
Std. Error
Beta
1
(Constant)
.166
.049
BIUT
-.050
.010
-.861
AGEN
.007
.022
.062
RISBIS
.043
.267
.020
UKUR
.007
.002
.576
a. Dependent Variable: DEBT
T
3.399
-4.769
.334
.159
3.352
Sig.
.002
.000
.740
.874
.002
VIF > =2, 5, 10 berarti
multikolinieritas terjadi
Collinearity
Statistics
Tolerance VIF
.475
.449
.974
.525
2.103
2.228
1.027
1.904
Multikolinieritas
• Apa yang harus dilakukan jika multikolinieritas
terjadi?
– Biarkan saja
– Buang variabel yang bersifat multikolinier
Heteroskedastisitas
• Dapatkan nilai residual untuk setiap observasi
• Buat auxilliary regression (regresi bantu) 
absolut residual sebagai variabel dependennya.
• Jika koefisien pada auxilliary regression
bersifat signifikan, heteroskedastisitas terjadi.
• Untuk mengatasi heteroskedastisitas 
metode weighted least square
Otokorelasi
• Uji yang gunakan  Durbin-Watson test
• Menu  Analyse, Regression, statitic, durbin
watson.
• Setelah
angka
Durbin-Watson
hitung
diperoleh  lakukan uji otokorelasi
• Jika ada otokorelasi, gunakan pendekatan
differensial  Xt – Xt-1 dan Yt – Yt-1