Analisis Regresi ANALISIS REGRESI Melihat pengaruh variable bebasindependet

Analisis Regresi

ANALISIS REGRESI • Melihat ‘pengaruh’ variable bebas/independet variabel/ thd variable terikat/dependent variabel. • Berdasarkan jumlah variabel bebas : ØAda 1 vaiabel bebas - regresi sederhana ØAda > 1 variabel bebas - regresi berganda • Berdasar sifat hubungan kedua variabel : ØBersifat linier - regresi linier ØBersifat non-linier - regresi non linier • Berdasar skala pengukuran variabel bebas dan terikat : ØVar. terikat senmua var. bebas interval/rasio - regresi standar ØVar. terikat dan sebagian var. bebas interval tapi ada sebagian var. bebas nomilal/ordinal - regresi dummy ØVar. terikat berskala nominal/ordinal - regresi logistik/ordinal

Persamaan Garis Regresi: dalam populasi. dalam sample. persamaan yang diduga. ei adl error atau residual b 1 disebut ‘slope’, koefisien regresi dari X, koefisien kemiringan. b 0 disebut intercept, titik potong terhadap sumbu Y, dugaan Y bila X=0. Metode Kuadrat terkecil biasa (Ordinary least squares, OLS) digunakan untuk menduga ‘slope’ (b 1) dan ‘intercept’ (b 0). diminimalkan.

Regresi Berganda (Multiple Regression) • Independent variable yang dianalisis lebih dari dua. • Kegunaan: Ø Untuk melihat ‘pengaruh’ lebih dari satu variabel bebas thd variable terikat sekaligus dlm satu metode analisis. Ø Untuk melihat variabel bebas yang lebih berpengaruh thd variabel terikat. Ø Memprediksi nilai ‘variabel terikat’ bila diketahui nilai-nilai ‘variabel bebas’. • Asumsi antara lain: Ø Y (variabel terikat) atau e (residuals) mengikuti sebaran normal Ø Nilai antar variabel terikat saling tidak berkorelasi (tidak terjadi ‘auto correlation’). correlation Ø Keragaman (variation) nilai residual haruslah sama untuk semua nilai Y (homoscedasticity variance) Ø antar variabel bebas tidak berkorelasi (tidak terjadi multicollinearity). collinearity

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 • 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 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). X 1 adalah usia. X 2 adalah pengalaman kerja. X 3 adalah jenis kelamin • Ingin diketahui: Ø ‘Pengaruh’ X 1, X 2 dan X 3 thd Y. Ø Ingin diketahui antara X 1, X 2 dg X 2 mana yang lebih dominan ‘berpengaruh’ thd Y. Ø Ingin diduga income sales person (Y) jika diketahui usia (X 1), pengalaman kerja (X 2) dan jenis kelamin (X 3).

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). X 1 = Usia. R 2 adjusted berguna untuk membandingkan dua persamaan regresi yg berbeda banyaknya independent variable. X 2 = Pengalaman kerja. X 3 = Jenis kelamin Model Summary Adjusted R Std. Error of the Model R R Square Estimate 1. 979 a. 959. 941 2758. 308 a. Predictors: (Constant), Jenis Kelamin, Pengalaman Kerja, Usia Multiple Correlation: Korelasi X 1, X 2 dan X 3 (bersama) dengan Y sebesar 0. 979. R 2 = 0. 959 atau R 2 = 95. 9%, X 1, X 2 dan X 3 mampu menjelaskan keragaman Y sebanyak 95. 9%.

Lanjutan Kasus: Multiple Regression, Metode Enter ANOVAb Model 1 Sum of Squares df Mean Square Regression 8. 770 E 8 2 Residual 5. 472 E 7 8 Total 9. 317 E 8 10 4. 385 E 8 a. Predictors: (Constant), X 2 Pengalaman Kerja, X 1 Usia b. Dependent Variable: Y Income F Sig. 64. 105 . 000 a 6840078. 364 Pengaruh model (seluruh independent variables bersama-sama) thd dependent variable: Hipotesis: H 0. Dalam populasi tidak ada pengaruh seluruh variabel bebas thd variabel terikat. H 1. Dalam populasi minimal ada satu variabel bebas berpengaruh thd variabel terikat. Bandingkan F hitung dg F Tabel. Jika F hitung > F tabel, maka terima H 1. Bandingkan Sig dg Taraf nyata. Jika Sig < Taraf nyata, maka terima H 1. Karena Sig < taraf nyata maka terima H 1. 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. 242 E 9 3 4. 139 E 8 Residual 5. 326 E 7 7 7608262. 177 Total 1. 295 E 9 10 F 54. 402 Sig. . 000 a a. Predictors: (Constant), Jenis Kelamin, Pengalaman Kerja, Usia b. Dependent Variable: Income Pengaruh model (seluruh independent variables bersama-sama) thd dependent variable: Hipotesis: H 0. Dalam populasi tidak ada pengaruh seluruh independent variables thd dependent variable. H 1. Dalam populasi minimal ada satu independent variable berpengaruh thd dependent variable. Bandingkan F hitung dg F Tabel. Jika F hitung > F tabel, maka terima H 1. Bandingkan Sig dg Taraf nyata. Jika Sig < Taraf nyata, maka terima H 1. Karena Sig < taraf nyata maka terima H 1. Minimal satu independent variable ‘berpengaruh’ thd dependent variable. YANG MANA?

Lanjutan Kasus: Multiple Regression, Metode Enter Coefficients a Model 1 (Constant) Usia Pengalaman Kerja Jenis Kelamin a. Dependent Variable: Income Unstandardized Standardized Coefficients B Std. Error Beta -9071. 764 5331. 943 1148. 913 1513. 691 5239. 227 204. 717 650. 596 2826. 196 Dugaan Persamaan Regresi: 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 . 620. 246. 240 t -1. 701 Sig. . 133 5. 612 2. 327 1. 854 . 001. 053. 106 Bandingkan thitung dg ttabel, v = n-2 -1. Kalau thitung > ttabel terima H 1. Dalam populasi ada ‘pengaruh’ X thd Y Jika Sig < taraf nyata maka terima H 1. 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.
- Slides: 15