regresi adalah suatu metode statistika yang berguna untuk menganalisa pengaruh variabel independen (variabel bebas X) terhadap variabel dependen (variabel tergantung Y) denganmembentuk suatu model. Sedangkan Regresi LInier berganda berarti analisis PENGARUH beberapa variabel independen (variabel X yang lebih dari satu) terhadap variabel dependen Y dengan pengaruh membentuk model linier.
hal pokok yang perlu dicatat di sini adalah variabel X ada lebih dari 1, bisa dua, tiga, empat dan seterusnya dan model yang terbentuk bersifat linier. Sederhananya grafik pengaruh X terhadap Y akan membentuk gambaran grafik linier. Memang dalam analisis regresi ada beberapa model seperti regresi logistik, regresi probit dan lainnya. Namun yang paling populer adalah regresi linier yang merupakan suatu bagian dari analisis parametrik sehungga bisa digunakan untuk data numerik.
Contoh grafik model linier (saya ambilkan dari google, sumber : https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjEmIQYTW_12ZRLxBlTASjGZd2w71nr1YT9BIw5wvx0bKNj9TbTtGjEYj3gARg79TwEBIMV5NDA5dFzPYLOw71b7hb52CdFUMnvnRmnYsxEwov_2dji0vdOwNpu-YBk0lRzYZqEPt-Sejc/s1600/computer_trend_600.jpg)
Regresi linier berganda begitu populer karena metode ini banyak digunakan untuk penelitian tahap akhir sarjana S1. contoh judulnya PENGARUH PEMBELAJARAN KLASIKAL DAN MOTIVASI BELAJAR TERHADAP PRESTASI HASIL BELAJAR DALAM BIDANG STUDI IPA ( variabel X ada dua, yaitu pembelajaran klasikal dan Motivasi belajar. Variabel Y, prestasi hasil belajar). Contoh lain judul skripsi menggunakan regresi berganda : PENGARUH PENDIDIKAN, PELATIHAN, DAN PENGALAMAN MENGAJAR TERHADAP PROFESIONALISME GURU SEKOLAH DASAR (variabel X ada tiga , pendidikan, pelatihan dan pengalaman mengajar . Variabel Y : profesionalisme guru). Maka wajar jika analisis regresi linier berganda banyak dipelajari diperkuliahan.
Tahapan pengolahan model regersi linier berganda
ternyata banyak yang belum paham tahapan proses olah data regresi berganda , sehingga saya terangkan dulu secara garus besarnya .
1. Pembentukan model regresi , pembentukan model dilakukan dengan rumus regresi yang sudah diketahui (banyak tertera di teks book statistika). Agar pengolahan model dapat dikerjakan dengan cepat digunakan software seperti SPSS, MINITAB dll. adapun model regresi berganda secara umum adalah :
Y = a + bX+ bX + bX +...bX + e , e adalah residual ato error.
2. Pengujian asumsi klasik, Pengujian asumsi yang dimaksudkan adalah suatu syarat agar model yang terbentuk pada no.1 benar-benar bisa digunakan dan tidak menyalahi aturan . Ada 5 asumsi klasik regresi , kita bahas satu-satu beserta metodenya :
- Asumsi Normalitas, Yaitu asumsi bahwa residual regresi harus mengikuti distribusi normal. banyak yang salah sangka dikir yang diuji normalnya adalah data X dan Y padahal yang betul residualnya..kalau asumsi normalitas tidak terpenuhi akibatnya model yang digunakan bukan linier (karena setiap data yang normal dapat dipastikan linier) . Itu artinya bisa ganti metode, ganti model belajar model baru lagi...berat!! ARggg. Karena asumsi ini penting, maka asumsi normalitas harus lolos, kalau tidak lolos bukan model linier lagi namanya,.. ganti aja namanya jadi Tugiyo!! UNtuk menguji asumsi normalitas menggunakan uji Kolmogorov-Smirnov (uji K-S) atau Shapiro-Wilk. Bisa juga menggunakan uji Chi-Square namun saya rekomendasikan menggunakan uji K-S, lebih mudah.
- Asumsi Autokorelasi, yaitu menguji apakah residual regrsi memiliki suatu korelasi antara data ke-t dengan data ke t-1. Regresi yang baik tentunya tidak ada pengaruh antara residual baris ke-t dengan baris ke t-1, atau ke t-2 dst.. Uji asumsi ini diberlakukan kepada data yang sifatnya berurutan waktu, sedangkan data yang urutannya bebas seperti data kuesioner tidak perlu dilakukan uji autokorelasi karena datanya bisa dipindah-dipah (tidak harus urut sehingga sudah pasti bukan runtun waktu dan tidak ada korelasi antar baris). Bila uji asumsi autokorelasi tidak lolos, berakibat modelnya tidak terbaik walaupun modelnya sudah linier namun nilainya kurang tepat. untuk pengujian asumsi autokorelasi , umumnya menggunakan uji Durbin-Watson, atau Breusch-Godfrey LM.Saya merekomendasikan uji asumsi autokorelasi menggunakan uji Durbin-Watson karena menunya sudah tersedia di software-2 statistiska sehingga pengerjaannya lebih mudah.
- Asumsi multikolinieritas, menguji apakah ada korelasi antara varaibel bebas X. Misalkan dalam regresi yang anda buat terdapat 3 variabel bebas X (x1, x2, dan X3). agar model regresi yang dibuat bisa pakai maka antara variabel X1 dengan X2 atau X3 tidak boleh ada korelasi linier, begitu juga antara variabel X2 dengan X3 atau X1 juga tidak boleh ada korelasi linier. secara singkat X1, X2, X3 harus saling bebas. JIka pengujian asumsi multikoloinieritas tidak lolos, berakibat model tidak tepat dan tidak bisa dipakai. Pengujian deteksi kasus multikolinieritas menggunakan ukuran VIF karena sudah ada pada medu SPSS sehingga dapat diketahui hasilnya dengan cepat. Bila nilai VIF suatu variabel bebas X lebih dari 10 berarti variabel bebas tersebut terdapat kasus multikolinieritas.
- Asumsi heterokedastisitas, Model linier yang baik memiliki ciri varian yang kecil, dan homogen. heterokedastisitas berarti juga menguji apakah varian residual model sudah homogen atau tidak. Bila tidak homogen (uji asumsi heterokedastisitas tidak lolos) akibatnya variaan cenderung membesar yang akhirnya nilai estimasimodel menjadi tidak tepat. model regresi tidak bagus digunakan karena tidak bisa memprediksi secara tepat. Asumsi heterokedastisitas / homogenitas varian dapat menggunakan uji G;lejser, Uji park, uji Spearman's Rank, Uji Goldfeld, atau menggunakan grafik residual standar terhadap prediksi standar). Sarqan saya menggunakan uji Glejser saja karena lebih mudah dilakukan dari pada uji yang lain, sedang uji menggunakan grafik sebaiknya tidak digunakan karena penilaian ujinya bersifat subjektif tidak bisa tepat untuk setiap orang yang melihat grafiknya.)
- Asumsi linieritas, artinya modelnya sudah linier atau belum. asumsi ini biasnaya tidak diujikan karena sudah terwakili oleh asumsi normalitas.
Sebelum masuk ke tahap 3, perlu diketahui bahwa bila satu asumsi tidak terpenuhi maka model regresi linier anda dianggap salah atau minimal tidak tepat alias kurang pas. Inilah bagian sulitnya regresi linier berganda, ketika satu asumsi terpenuhi ternyata malah berakibat merusak asumsi yang lain, namun secara umum jika terdapat perbaikan untuk menghindari suatu kasus asumsi maka asumsi yang lain tidak akan berubah. kecuali memang ada beberapa kasus yang berbaikan model malah merusak asumsi yang lain, untu mempelajari materi asumsi klasisk ini saya berikan suatu bacaan sebagai tambahan refrensi Asumsi Klasik dari Universitas Katholik Soegijapranata .
3. Uji model Regresi, yaitu menguji adanya pengaruh variabel X terhadap Y dari model yang telah diperoleh. UJi ini terdiri dari 2 uji pengaruh :
- Uji Simultan disebut uji UJI F , yaitu menguji apakah dari variabel X yang ada dalam model minimal ada satu yang berpengaruh terhadap variabel Y. Bila minimal ada 1 saja variabel X yang berpengaruh terhadap Y berarti model regresi (yang telah lolos uji asumsi klasik) bisa dipakai untuk memprediksi / mengestimasi variabel Y. dengan kata lain, modelnya bisa dipakai. Uji simultan menggunakan statistik F, sehingga disebut juga UJI F.
- UJi parsial, disebut Uji t, yaitu menguji pengaruh variabel X terhadap variabel Y satu per satu (tidak bersama). Bila uji F lolos, berarti dari variabel X yang ada, terdapat (minimal satu) yang berpengaruh. Dengan uji t kita bisa mengetahui variabel X mana saja yang sebetulnya berpengaruh. misalkan ada 5 variabel X, dari hasil uji F lolos, kemudian diuji t ternyata yang lolos hanya variabel X3, berarti dari 5 variabel bebas X sebetulnya yang berpengaruh hanya variabel X3 yang lain tidak berpengaruh (bila ketiganya masuk jadi satu model).
Sebagai penutup, tentu bila semua materi analisis regresi linier berganda di bahas di sini akan perlu waktu banyak sekitar 3 SKS selama 1 semester. Butuh waktu dan ruang serta konsentrasi yang lebih banyak.
Bagi anda yang sedang membutuhkan analisis regersi berganda atau mengalami kesulitan dan masalah tentang model regresi berganda silahkan pakai jasa kami, khusus analisis regresi linier berganda cukup 400.000 saja.
lama pengerjaan antara 3-5 hari dan karena saya juga punya kesibukan lain maka tiap bulan saya hanya menerima maksimal 5 layanan saja kecuali keadaan yang memungkinan
hubungi kontak kami : 085602112999, data dan materi kasus anda dikirim via email..
apa saja yang anda dapat ?
1. Output regresi dengan SPSS
2. Data regresi dengan bentuk file SPSS
3. Output dalam bentuk file word
4. Analisis regresi terdiri dari 4 asumsi klasik ( normalitas, multikolinieritas, heterokedastisitas, autokorelasi) uji t, uji F, koefisien determinasi. dan bila data anda bermasalah / terdapat kasus sudah menjadi tanggungan kami untuk menyelesaikan..
Refresensi : EKonometri oleh gujarati
Histats.com © 2005
