METODE KUANTITATIF REGRESI BERGANDA Fanny Widadie S P

METODE KUANTITATIF : REGRESI BERGANDA Fanny Widadie, S. P, M. Agr 6

Regression • Regression analysis, in general sense, means the estimation or prediction of the unknown value of one variable from the known value of the other variable. • If two variables are significantly correlated, and if there is some theoretical basis for doing so, it is possible to predict values of one variable from the other. This observation leads to a very important concept known as ‘Regression Analysis’. • It is specially used in business and economics to study the relationship between two or more variables that are related causally and for the estimation of demand supply graphs, cost functions, production and consumption functions and so on.

Ø Thus, the general purpose of multiple regression is to learn more about the relationship between several independent or predictor variables and a dependent or output variable. Ø Suppose that the Yield in a chemical process depends on Temperature and the Catalyst concentration, a multiple regression that describe this relationship is, Y = b 0+b 1*X 1+b 2*X 2+ € → (a) Where Y = Yield. X 1 = Temp: , X 2 = Catalyst cont: . This is multiple linear regression model with 2 regressors. Ø The term linear is used because equation (a) is a linear function of the unknown parameters bi’s.

Regression Models. § Ø a. b. Depending on nature of relationship regression models are two types. Linear regression model, including Simple-linear regression (one indep: var. ) Multiple-linear regression. Non-Linear regression model, including Polynomial regression. Exponential regression , etc.

Types of multiple regression • There are three types of multiple regression, each of which is designed to answer a different question: – Standard multiple regression is used to evaluate the relationships between a set of independent variables and a dependent variable. – Hierarchical, or sequential, regression is used to examine the relationships between a set of independent variables and a dependent variable, after controlling for the effects of some other independent variables on the dependent variable. – Stepwise, or statistical, regression is used to identify the subset of independent variables that has the strongest relationship to a dependent variable.

MODEL REGRESSI LINIER BERGANDA Model yg memperlihatkan hubungan antara satu variable terikat (dependent variable) dgn beberapa variabel bebas (independent variables). Yi = 0 + 1 X 1 i + 2 X 2 i + … + k Xki + i dimana: i = 1, 2, 3, …. N (banyaknya pengamatan) 0, 1, 2, …, k adalah parameter yang nilainya diduga melalui model: Yi = b 0 + b 1 X 1 i + b 2 X 2 i + … + bk Xki

2 0 dan 1 : parameter dari fungsi yg nilainya akan diestimasi. 2 Bersifat stochastik untuk setiap nilai X terdapat suatu distribusi probabilitas seluruh nilai Y atau Nilai Y tidak dapat diprediksi secara pasti karena ada faktor stochastik i yang memberikan sifat acak pada Y. 2 Adanaya variabel i disababkan karena: Ketidak-lengkapan teori Perilaku manusia yang bersifat random Ketidak-sempurnaan spesifikasi model Kesalahan dalam agregasi Kesalahan dalam pengukuran

Koefisien Regresi Partial (Partial Coefficient of Regression) Sampel : Yi = b 1 + b 2 X 2 i + b 3 X 3 i + … + bk Xki Yi = b 1. 23 + b 12. 3 X 2 i + b 13. 2 X 3 i + … + bk Xki b 1. 23 = intercept, titik potong antara garis regresi dengan sumbu tegak Y Nilai perkiraan rata-rata Y kalau X 2 = X 3 = 0 b 12. 3 = Besarnya pengaruh X 2 terhadap Y kalau X 2 tetap

Yi = b 1. 234 + b 12. 34 X 2 i + b 13. 24 X 3 i + b 14. 23 X 4 Misalnya: Yi = Hasil penjualan (perkiraan atau ramalan) X 2 = Biaya advertensi X 3 = Pendapatan X 4 = Harga, atau Yi X 2 X 3 X 4 = = Produksi Padi (perkiraan atau ramalan) Pupuk Bibit Luas Sawah

Y . 0 . Yi . Ÿi Ÿi = b 0 + b 1 Xi Yi . . . Variation in Y . = 0 + 1 Xi + Systematic Variation Random Variation X Y E(Yi) = 0 + 1 Xi Yi = 0 + 1 Xi + i X 1 X 2 X 3 i Nilai rata 2 Yi : E(Yi) = 0 + 1 Xi IX= Yi - E(Yi)

Asumsi-asumsi Model Regresi Linier Berganda (Agar hasil estimasi dapat diinterpretasikan dengan baik - BLUE) R Nilai rata-rata disturbance term adalah nol, E( i) = 0. R Tidak tdpt serial korelasi (otokorelasi) antar i Cov( i, j) = 0 untuk i j. R Sifat homoskedastisitas: Var( i) = 2 sama utk setiap i Kesalahan Pengganggu Mempunyai Varian Sama R Covariance antara i dan setiap var bebas adalah nol. Cov( i, Xi) = 0 R Tidak tdpt multikollinieritas antar variebel bebas. R Model dispesifikasi dengan baik

Interpretasi Persamaan Regresi Berganda Yi = b 1. 23 + b 12. 3 X 2 i + b 13. 2 X 3 i + E (Yi /X 2, X 3) = b 1. 23 + b 12. 3 X 2 i + b 13. 2 X 3 i b 13. 2 mengukur besarnya perubahan Y kalau X 3 Berubah sebesar satuan, dimana X 2 konstan Y SRF ei ui ^Yi 0 PRF Yi Xi X

Estimasi Koefisien Regresi Parsial Metode Ordinary Least Squares (OLS) Prinsip: Meminimumkan nilai error – mencari jumlah penyimpangan kuadrat ( i 2) terkecil. i = Y i - 0 - 1 X i i 2 = (Yi - 0 - 1 Xi)2 i 2 = (Yi - 0 - 1 Xi)2 i 2 minimum jika: i 2 / 0 = 0 2 (Yi - 0 - 1 Xi) = 0 i 2 / 1 = 0 2 Xi (Yi - 0 - 1 Xi) = 0

Sederhanakan, maka didapat: b 1 = (Xi – X) (Yi – Y) (Xi – X)2 b 0 = Y - b 1 X dimana b 0 dan b 1 nilai penduga untuk 0 dan 1. X dan Y adlh nilai rata 2 pengamatan X dan Y

ESTIMASI MODEL REGRESSI LINIER BERGANDA Model: Yi = 0 + 1 X 1 i + 2 X 2 i + i Model penduga: Ŷi = b 0 + b 1 X 1 i + b 2 X 2 i b 0, b 1 dan b 2 nilai penduga untuk 0, 1 dan 2. b 1 = b 2 = ( yi x 1 i) ( x 22 i ) – ( yi x 2 i) ( x 1 i x 2 i) ( x 21 i ) ( x 22 i ) – ( x 1 i x 2 i)2 ( yi x 2 i) ( x 21 i ) – ( yi x 1 i) ( x 1 i x 2 i) ( x 21 i ) ( x 22 i ) – ( x 1 i x 2 i)2 b 0 = Yi – b 1 X 1 i – b 2 X 2 i

Standard error of the estimates Var( 2) = 2 / Xi 2 Se( 2) = Var( 1) = Se( 1) = 2 = Var( 2) = Xi 2 2 n xi 2 Var( 1) = i 2 n– 2 Xi 2 2 n xi 2 = y i 2 – 22 x i 2 = y i 2 – (xi yi) 2 x i 2

ESTIMASI MODEL REGRESSI LINIER BERGANDA 1 var(b 0) = var(b 1)= 2 = n + X 21 x 22 i – X 22 x 21 i – 2 X 1 X 2 x 1 i x 2 i ( x 21 i ) ( x 22 i ) – ( x 1 i x 2 i)2 x 21 i ( x 21 i )( x 22 i ) – ( x 1 i x 2 i)2 i 2 n– 3 2 2 se(bi) = var(bi) Utk i = 0, 1, 2. 2 i 2 = y 2 i – b 1 yi x 1 i – b 2 yi x 2 i

Koefisien Determinasi • Y TSS 1 + 2 X i RSS TSS = RSS + ESS Y 1= X r 2 = ESS TSS atau = 1– = ESS TSS = (Ŷi - Y)2 (Yi = 1– ESS TSS RSS + TSS (Ŷi - Y)2 (Yi - Y)2 Atau: Y)2 r 2 = 2 2 i 2 (Yi - Y)2 = + i 2 (Yi - Y)2 x i 2 y i 2 (xi yi) 2 x i 2 y i 2

Koefisien Korelasi

A NUMERICAL EXAMPLE

ILLUSTRATIVE EXAMPLES

REGRESI LINEAR BERGANDA Y = ß 0 + ß 1 X + ß 2 X + …. + ßn Xn Dalam konsep dasarnya pengujian statistik SECARA PARSIAL mendasarkan pada hipotesis : Uji Konstanta Intersep Uji Koeff. Xi H 0 : ß 0 = 0 H 1 : ß 0 ≠ 0 H 1 : : ßi = 0 ßi ≠ 0

Contoh : Tujuan untuk mengetahui pengaruh (kontribusi) proses/ mekanisme yang disusun dalam praktikum terhadap pencapaian nilai ujian akhir praktikum, yaitu melalui penilaian atas latihan di kelas dan penilaian atas laporan praktikum. Dengan demikian dapat dibuat spesifikasi modelnya sebagai berikut : Y = ß 0 + ß 1 X 1 + ß 2 X 2 Dimana : Y : Nilai ujian akhir X 1 : Nilai pretest X 2 : Nilai Laporan ----------- (model 1)

Interpretasi Hasil : Dari hasil di atas selanjutnya dapat disusun persamaan berikut : N_Akhir = -25. 450 + 0. 542 Latihan + 0. 771 Laporan SE (9. 351) (0. 089) (0. 132) T-Hit. 2. 722 6. 067 5. 828 F-hit = 73, 02 Df = 62 R 2 = 0. 702 Pengujian statistik baik uji keseluruhan (Uji-F) dan uji koefisien variabel dalam model (Uji-t) memiliki kesamaan dengan analisis regresi linear sederhana. Hipotesis uji-F adalah : H 0 : ß 0 = ß 1 = ß 2 = 0 H 1 : ß 0, ß 1, ß 2 ≠ 0 Sedangkan uji koefisien atau pengujian secara parsial memiliki hipotesis sebagai berikut : Pengujian untuk intersep : H 0 : ß 0 = 0 H 1 : ß 0 ≠ 0 Pengujian untuk ß 1 : H 0 H 1 : ß 1 = 0 : ß 1 ≠ 0 Pengujian untuk ß 2 : H 0 H 1 : ß 2 = 0 : ß 2 ≠ 0

Hasil analisis di atas menunjukkan bahwa model secara statistik adalah memang dapat digunakan, terbukti dari nilai F-hit sebesar 73. 02 yang signifikan pada tingkat alpha 5% atau 0. 05 Artinya bahwa ß 0, ß 1, ß 2 mempengaruhi secara nyata terhadap N_Akhir (nilai Akhir). Kekuatan pengaruh dari kedua variabel dalam menjelaskan variabel N_Akhir sebesar 70. 2 % sedangkan sisanya yaitu sekitar 29. 8% merupakan pengaruh dari variabel lain yang tidak dipertimbangkan dalam model.

Koefisien latihan 0. 542 dapat diartikan jika Nilai Laporan tetap maka kenaikan 1 satuan nilai latihan akan cenderung menaikkan nilai ujian sebesar 0. 542. Demikian juga untuk pengaruh nilai Laporan. Jika nilai laporan naik 1 satuan maka akan cenderung meningkatkan nilai ujian Akhir sebesar 0. 771. Hal yang lebih menarik sebenarnya adalah faktor apa yang tersembunyi di balik angka-angka tersebut. Hal ini memerlukan informasi yang bersifat kualitatif untuk mengungkap :