ANALISIS REGRESI BERGANDA
Analisis Regresi Berganda Arahkan kursor pada Analyze lalu Regression dan pilih Linear
Analisis Regresi Berganda Pada kotak Linear Regression, pindahkan variable Y pada kotak Dependent dan X1, X2 dan X3 pada kotak Independent, lalu klik Statistics, maka keluar kotak Linear Regression: Statistics maka centang seperti gambar dibawah ini lalu Continue dan OK
Output SPSS
Maka Persamaan Regresinya adalah: Y = -0,047 + 0,172X1 + 0,220X2 + 0,423 X3
UJI HIPOTESIS 1. Uji simultan atau uji F atau uji ragam regresi atau uji varians regresi 2. Uji parsial atau uji koefisien regresi berganda atau uji barhadap bi atau uji t
1.
Perumusan Hipotesis: Ho : Persamaan regresi (model fungsi) bersifat tidak nyata H1 : Persamaan regresi bersifat nyata Ho : 1 = 2 = 3 = 4 = ..... k = 0 H1 : paling tidak ada satu slope yang 0
2. = 0,05 3.
Daerah kritis: F-tabel ; v1= k-1, v2= n-k = F-tabel 0,05; 4-1, 120-4 = F-tabel 0,05; 3, 116 = 3,955 Dapat dihitung dengan Ms. Excel dengan rumus =finv(derajat kepercayaan;df1;df2)
4.
Statistik Uji F hitung = 49,628
5. Keputusan: Karena F-hitung (48,958) lebih besar dari F-tabel (3,955) yang berarti berada dalam daerah kritis, maka Ho ditolak dan terima H1. Hal ini berarti persamaan regresi bersifat nyata dalam menerangkan keragaman total dari Y
a. Uji Hipotesis untuk koefisien regresi intercept (b0) 1.
Perumusan Hipotesis:
Ho : Koefisien regresi b0 (intercept) melewati titik nol (b0 = 0) H1 : Koefisien regresi b0 (intercept) bersifat nyata H0 : 0 = 0 Ha : 0 0
2. = 0,05 3.
Daerah kritis: t-tabel ; v= n-k = t-tabel 0,05; 120-4 = t-tabel 0,05; 116 = 1,9806 Dapat dihitung dengan Ms. Excel dengan rumus =tinv(derajat kepercayaan;df=n-k)
4.
Statistik Uji
• t-hitung b0 = 0,022 < t- table 1,9806, Terima Ho, koefisien regresi bo (intercept) melewati titik nol, sehingga intercept tidaknyata • t-hitung b1 = 1,843 < t- table 1,9806 Terima Ho, koefisien regresi b1 tidaknyata
Alternatif sederhana adalah dengan membandingkan nilai Sig tiap2 koefisien, jika > 0,05, tidak signifikan
Model Fit adalah:
• t-hitung b2 = 2,582 > t- table 1,9806 Tolak Ho, koefisien regresi b2 nyata • t-hitung b3 = 6,978 > t- table 1,9806 Tolak Ho, koefisien regresi b3 nyata
Y = 0,220X2 + 0,423 X3
Untuk Analisis Parsial (satu persatu) Kembali pada langkah sebelumnya, sampai keluar kotak Linear Regression, pindahkan variable Y pada kotak Dependent dan X1 pada kotak Independent, lalu klik Statistics, maka keluar kotak Linear Regression: Statistics maka centang seperti gambar dibawah ini lalu Continue dan OK, begitu seterusnya untuk, gantikan X2 dan X3
Hubungan X1 Ke Y
Hubungan X2 Ke Y
Hubungan X3 Ke Y
UJI KLASIK
UJI AUTOKORELASI Uji Durbin-Watson (DW Test) •
•
• •
Nilai DW sebesar 1.710, nilai ini akan kita bandingkan dengan nilai tabel dengan menggunakan derajat kepercayaan 5%, jumlah sampel 120 dan jumlah variabel bebas 3, maka di tabel Durbin Watson akan didapatkan nilai sebagai berikut : Dw table n=120 k=3, dl= 1,6684 dan dU = 1,7361. Sementara DW hitung adalah 1,710 berada diantara dL dan dU maka tidak dapat disimpulkan
•
Keputusan ada tidaknya autokorelasi adalah: Bila nilai DW berada di antara dU sampai dengan 4 - dU maka koefisien autokorelasi sama dengan nol. Artinya, tidak ada autokorelasi. Bila nilai DW lebih kecil daripada dL, koefisien autokorelasi lebih besar daripada nol. Artinya ada autokorelasi positif. Bila nilai DW terletak di antara dL dan dU, maka tidak dapat disimpulkan. Bila nilai DW lebih besar daripada 4 - dL, koefisien autokorelasi lebih besar daripada nol. Artinya ada autokorelasi negatif. Bila nilai DW terletak di antara 4 – dU dan 4- dL, maka tidak dapat disimpulkan.
116
k=1 dL dU 1.6797 1.7145
k=2 dL dU 1.6622 1.7323
k=3 dL dU 1.6445 1.7504
k=4 dL dU 1.6265 1.7690
k=5 dL dU 1.6084 1.7878
117 118 119 120 121 122 123 124 125 126 127 128
1.6812 1.6826 1.6839 1.6853 1.6867 1.6880 1.6893 1.6906 1.6919 1.6932 1.6944 1.6957
1.6638 1.6653 1.6669 1.6684 1.6699 1.6714 1.6728 1.6743 1.6757 1.6771 1.6785 1.6798
1.6462 1.6479 1.6496 1.6513 1.6529 1.6545 1.6561 1.6577 1.6592 1.6608 1.6623 1.6638
1.6284 1.6303 1.6321 1.6339 1.6357 1.6375 1.6392 1.6409 1.6426 1.6443 1.6460 1.6476
1.6105 1.6125 1.6145 1.6164 1.6184 1.6203 1.6222 1.6240 1.6258 1.6276 1.6294 1.6312
n
1.7156 1.7167 1.7178 1.7189 1.7200 1.7210 1.7221 1.7231 1.7241 1.7252 1.7261 1.7271
1.7332 1.7342 1.7352 1.7361 1.7370 1.7379 1.7388 1.7397 1.7406 1.7415 1.7424 1.7432
1.7512 1.7520 1.7528 1.7536 1.7544 1.7552 1.7559 1.7567 1.7574 1.7582 1.7589 1.7596
1.7696 1.7702 1.7709 1.7715 1.7721 1.7727 1.7733 1.7739 1.7745 1.7751 1.7757 1.7763
1.7883 1.7887 1.7892 1.7896 1.7901 1.7905 1.7910 1.7914 1.7919 1.7923 1.7928 1.7932
UJI MULTIKOLINIERITAS Uji Multikolinearitas untuk mengetahui adanya hubungan antara beberapa atau semua variabel yang menjelaskan dalam model regresi. Jika dalam model terdapat multikolinearitas maka model tersebut memiliki kesalahan standar yang besar sehingga koefisien tidak dapat ditaksir dengan ketepatan yang tinggi.
Tidak ada satu variabel bebas yang memiliki nilai VIF lebih dari 10. Jadi dapat disimpulkan bahwa tidak ada multikolinieritas antar variabel bebas dalam model regresi.
UJI HETEROSKEDASTISITAS Kita sudah memiliki variabel Unstandardized Residual (RES_1). Selanjutnya pilih Transform Compute Variable, akan muncul tampilan sebagai berikut:
Pada kotak Target Variable ketik abresid, pada kotak Function group pilih All dan dibawahnya akan muncul beberapa pilihan fungsi. Pilihlah Abs. Kemudian klik pada tombol tanda panah arah ke atas, dan masukkan variabel Unstandardized Residual (RES_1) ke dalam kotak Numeric Expression dan tampilannya akan menjadi seperti berikut. Dan akhirnya pilih OK.
Kemudian dilanjutkan dengan regresi dengan cara, Analyze Regression Linear, akan muncul tampilan sebagai berikut:
Masukkan variabel abresid pada kotak sebelah kiri ke kotak Dependent, dan variabel X1, X2, dan X3 ke kotak Independent(s) dengan mengklik tombol tanda panah dan OK, hasilnya sebagai berikut:
Nilai Sig dari seluruh variabel pejelas tidak ada yang signifikan secara statistic karena > 0.005 sehingga dapat disimpulkan bahwa model ini tidak mengalami masalah heteroskedastisitas.
