Analisis Regresi Linier
Download
Report
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