Magister Manajemen Univ. Muhammadiyah Yogyakarta
Analisis Regresi Linier
Wihandaru Sotya Pamungkas Uji Statistik 15
Magister Manajemen Univ. Muhammadiyah Yogyakarta
Uji Statistik A. K o e f i s i e n D e t e r m i n a s i ( R 2 ) 2
Koefisien determinasi (coefficient of determination atau R ) digunakan untuk mengukur proporsi variasi variabel terikat yang dijelaskan oleh variabel penjelas (variabel bebas). Definisi khusus ini memiliki penafsiran yang valid (valid interpretation) apabila model estimasi (model regresi) mengandung konstanta. Nilai R
2
2
tergantung jumlah kuadrat residu (∑e ), apabila dimasukkan suatu variabel tambahan kedalam model regresi (persamaan 2
2
regresi) akan mengakibatkan ∑e menjadi kecil dan akibatnya R 2
akan meningkat. Meningkatnya nilai R ini sebenarnya karena sifat metematik, oleh karena itu memasukkan variabel baru ke dalam model estimasi (persamaan regresi) perlu pertimbangan yang benar. Wihandaru Sotya Pamungkas Uji Statistik 16
Magister Manajemen Univ. Muhammadiyah Yogyakarta 2
Koefisien determinasi disesuaikan (adjusted R ) adalah koefisien determinasi yang mempertimbangkan (disesuaikan dengan) derajad bebas. Derajad bebas besarnya tergantung dengan banyaknya variabel penjelas (variabel bebas). Koefisien determinasi
disesuaikan
(adjusted
2
R )
digunakan
untuk
membandingkan 2 model estimasi apabila banyaknya variabel penjelas tidak sama, misal model estimasi 1 memiliki variabel penjelas sebanyak 4 buah dan model estimasi 2 memiliki variabel penjelas sebanyak 5 buah. Apabila kita membandingkan 2 model estimasi berdasarkan koefisien determinasi maupun koefisien determinasi disesuaikan harus hati-hati, hal ini karena tujuan menaksir model bukan semata-mata mencari besarnya nilai koefisien determinasi maupun koefisien determinasi disesuaikan namun yang lebih penting adalah untuk mendapatkan taksiran yang menyakinkan mengenai
koefisien-koefisien
regresi
yang
mencerminkan
populasi yang sebenarnya dan menarik inferensi.
Wihandaru Sotya Pamungkas Uji Statistik 17
Magister Manajemen Univ. Muhammadiyah Yogyakarta Apabila kita memperoleh nilai koefisien determinasi maupun koefisien determinasi disesuaikan yang tinggi itu baik sekali, namun jika diperoleh nilai yang rendah bukan berarti model estimasi yang kita gunakan merupakan model estimasi yang jelek. Berkaitan dengan koefisien determinasi (R2) ada berbagai kemungkinan, yaitu: a. R2 dan hanya beberapa koefisien yang regresi (beta) yang signifikan. b. R2 mungkin signifikan tetapi tidak ada satupun koefisien regresi (beta) yang signifikan. c.
Semua koefisien regresi (beta) mungkin signifikan tetapi R
2
tidak signifikan atau d. Semua koefisien regresi (beta) dan R2 mungkin tidak signifikan.
Wihandaru Sotya Pamungkas Uji Statistik 18
Magister Manajemen Univ. Muhammadiyah Yogyakarta Kasus 1:
Merupakan kasus yang sering terjadi, terutama jika terdapat banyak variabel dalam persamaan regresi. Kesulitan akan muncul apakah variabel yang tidak signifikan harus dibuang.
Kasus 2:
Hal ini menunjukkan adanya multikolinieritas.
Kasus 3:
Sangat jarang terjadi dan mungkin tidak pernah terjadi. 2
Kasus 4:
Merupakan kasus dengan sedikit problematis. Jika R
tidak signifikan maka model estimasi tidak digunakan, namun jika ada beberapa yang signifikan maka variabel yang tidak signifikan dihilangkan dari model estimasi dengan harapan nilai R2 akan meningkat (menjadi signifikan). 2
2
Rumus (R ) dan (adjusted R ), sebagai berikut: Model Estimasi:
Y = b0 + b1X1 + b2X2 + b3X3 + e
Wihandaru Sotya Pamungkas Uji Statistik 19
Magister Manajemen Univ. Muhammadiyah Yogyakarta
2
R =
b1 ∑ yx1 + b2 ∑ yx2 + b3 ∑ yx3 2 y ∑
AdjustedR2 = 1 − (1 − R 2 )
(n − 1) (n − k )
Keterangan: n
Banyaknya observasi
k
Banyaknya variabel bebas
Contoh 1 Model Estimasi:
BETA = b0 + b1DOL + b2DFL + e 2
Nilai R = 0.180, hal ini menunjukkan bahwa proporsi pengaruh variabel DOL dan DFL terhadap BETA sebesar 18%, sisanya sebesar 82% dipengaruhi variabel lain diluar model estimasi.
Wihandaru Sotya Pamungkas Uji Statistik 20
Magister Manajemen Univ. Muhammadiyah Yogyakarta
B . U j i S e c ar a S er en t ak ( U j i F) Uji F (uji statistik secara serentak) bertujuan untuk mengidentifikasi apakah garis regresi dapat digunakan sebagai penaksir. Model Estimasi:
Y = b0 + b1X1 + b2X2 + b3X3 + e Langkah-langkah: 1.
2.
Menentukan hipotesis H0:
Garis regresi tidak bermakna sebagai penaksir.
H a:
Garis regresi bermakna sebagai penaksir.
Menentukan wilayah kritis atau Ftabel; alpha=5%; df1= k; df2= n – k – 1 Ftabel = …………
3.
Menentukan Fhitung, dengan rumus:
Wihandaru Sotya Pamungkas Uji Statistik 21
Magister Manajemen Univ. Muhammadiyah Yogyakarta
Fhitung =
Mean square regression ⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯ Mean square residual
Mean square regression =
Sum of square regression ⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯ Df_regression
Sum of square regression = R2∑y2 atau
(b1Σx1y) + (b2Σx2y) + (b3Σx3y)
Mean square residual =
Sum of square residual ⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯⎯ df residual
R2
Fhitung =
( k − 1) (1 − R 2 ) (n − k )
Wihandaru Sotya Pamungkas Uji Statistik 22
Magister Manajemen Univ. Muhammadiyah Yogyakarta 4.
Kesimpulan: Fhitung > Ftabel Æ H0 ditolak Æ Ha diterima Æ garis regresi bermakna sebagai penaksir. Apabila menggunakan software statistik (misal SPSS) dapat dilihat nilai sig. Apabila nilai sig.<0.05 dapat disimpulkan bahwa garis regresi bermakna sebagai penaksir. Atau variabel
penjelas
berpengaruh
(variabel
terhadap
bebas)
variabel
secara
serentak
tergantung
secara
signifikan.
Catatan penting: Data yang digunakan untuk uji statistik ini sudah lolos uji normalitas,
uji
linieritas,
uji
multikolinieritas,
uji
heteroskedastisitas dan uji otokorelasi.
Wihandaru Sotya Pamungkas Uji Statistik 23
Magister Manajemen Univ. Muhammadiyah Yogyakarta Contoh Model Estimasi:
BETA = b0 + b1DOL + b2DFL + e Tujuan Penelitian: Mengidentifikasi apakah ada pengaruh yang signifikan secara bersama-sama antara DOL dan DFL terhadap BETA atau model fit. Hipotesis Penelitian: Diduga ada pengaruh yang signifikan secara bersama-sama antara DOL dan DFL pada BETA.
Hasil (printout SPSS): Anova Model
Sum of Squares DF Mean Square
1 Regression
14.182
2
7.091
Residual
64.632
87
0.743
Total
78.814
89
F
Sig.
9.545 0.000
a. Predictor: (Constant), DFL, DOL b. Dependent Variable: BETA
Wihandaru Sotya Pamungkas Uji Statistik 24
Magister Manajemen Univ. Muhammadiyah Yogyakarta
Kesimpulan: Nilai sig. <0.05 maka dapat disimpulkan bahwa Ada pengaruh yang signifikan secara bersama-sama antara DOL dan DFL terhadap BETA atau model fit.
C . U j i S ec a r a P a r si a l (U j i t ) Uji t (uji statistik koefisien regresi) bertujuan untuk mengidentifikasi apakah koefisien regresi dari variabel penjelas (independent variable) berpengaruh secara signifikan terhadap variabel tergantung (dependent variable). Model Estimasi:
Y = b0 + b1X1 + b2X2 + b3X3 + e Menguji koefisien regresi [b1]
Wihandaru Sotya Pamungkas Uji Statistik 25
Magister Manajemen Univ. Muhammadiyah Yogyakarta
Langkah-langkah: 1. Menentukan hipotesis H0: b1=0
Koefisien
regresi
[b1]
tidak
berpengaruh
terhadap variabel tergantung secara signifikan. Ha: b1≠0
Koefisien regresi [b1] berpengaruh terhadap variabel tergantung secara signifikan.
2. Menentukan wilayah kritis atau ttabel; alpha = 5% ; df = n – k – 1 ttabel = …… 3. Menentukan thitung, dengan rumus:
t hitung =
b1 S b1
4. Kesimpulan: ttabel < thitung < ttabel Æ H0 ditolak Æ Ha diterima Æ
Wihandaru Sotya Pamungkas Uji Statistik 26
Magister Manajemen Univ. Muhammadiyah Yogyakarta koefisien b1 signifikan atau koefisien b1 berpengaruh terhadap variabel tergantung. Dalam uji statistik
model estimasi (persamaan regresi)
akan menghasilkan empat kemungkinan yaitu: 1. Secara serentak signifikan dan secara parsial semua atau beberapa variabel bebas yang signifikan. 2. Secara serentak signifikan dan secara parsial semua variabel bebas tidak signifikan. 3. Secara serentak tidak signifikan dan secara parsial beberapa variabel bebas yang signifikan. 4. Secara serentak tidak signifikan dan secara parsial semua variabel bebas tidak signifikan. Kemungkinan 1: Merupakan kasus yang biasa terjadi, jika variabel bebas jumlahnya banyak. Pertanyaan yang muncul apakah variabel bebas yang tidak signifikan harus dibuang.
Wihandaru Sotya Pamungkas Uji Statistik 27
Magister Manajemen Univ. Muhammadiyah Yogyakarta Kemungkinan 2: Merupakan kasus yang biasa terjadi, karena ada multikolinieritas. Pertanyaan yang muncul apakah
variabel
bebas
yang
terdapat
multikolinieritas harus dibuang. Kemungkinan 3: Merupakan kasus yang sangat jarang terjadi bahkan tidak pernah terjadi. Kemungkinan 4: Merupakan kasus yang memiliki problem sehingga
ada
beberapa
tindakan
yaitu:
memasukkan variabel yang signifikan dalam model regresi, selanjutnya diuji apakah secara serentak signifikan. Contoh Model Estimasi:
BETA = b0 + b1DOL + b2DFL + e Tujuan Penelitian: Mengidentifikasi apakah ada pengaruh yang signifikan masing-masing variabel penjelas yaitu: DOL dan DFL terhadap
BETA.
Wihandaru Sotya Pamungkas Uji Statistik 28
Magister Manajemen Univ. Muhammadiyah Yogyakarta Hipotesis Penelitian: 1.
Diduga ada pengaruh yang signifikan antara DOL terhadap
BETA. 2.
Diduga ada pengaruh yang signifikan antara DFL terhadap
BETA.
Hasil (printout SPSS): Coefficients Unstandardized
Standardized
Coefficients
Coefficients
Std. Model
Sig.
5.253
0.000
Error
0.521
0.099
DOL
-8.853E-02
0.020
-0.424
-4.369 0.000
DFL
-1.367E-04
0.019
-0.001
-0.007 0.994
1 Constant
Beta
T
B
a. Dependent Variable: BETA
Wihandaru Sotya Pamungkas Uji Statistik 29
Magister Manajemen Univ. Muhammadiyah Yogyakarta Kesimpulan: 1.
DOL memiliki nilai sig. <0.05, maka dapat disimpulkan ada pengaruh yang signifikan antara DOL terhadap BETA.
2.
DFL memiliki nilai sig.>0.05, maka dapat disimpulkan tidak ada pengaruh yang signifikan antara DFL terhadap BETA.
Daftar Pustaka Ghozali, Imam (2007), Edisi 4, Aplikasi Analisis Multivariate dengan Program SPSS, BP Universitas Diponegoro, Semarang. Gujarati, Damodar N. (1995), Third Edition, Basics Econometrics, McGraw-Hill, New York. Sumodiningrat,
Gunawan (1998), Pengantar, BPFE, Yogyakarta.
Edisi
I,
Ekonometrika
Wihandaru Sotya Pamungkas Uji Statistik 30