4.4. Aplikasi dengan SPSS

Klik simbol IBM SPSS statistics,

akan muncul IBM SPSS statistics data editor seperti berikut.

Klik data view, maka tampilannya sebagai berikut.

Arahkan kursos seperti anak panah di atas kemudian klik dan ketik data pada Tabel 3.2 atau

copy data dari excel kemudian paste menurut kolom mulai dari nomor 1 dan seterusnya sesuai

jumlah sampel yang digunakan seperti berikut.

99

Kemudian klik variable view untuk menulis nama variabel seperti berikut.

Pada Name klik var00001 ganti dengan Y kemudian enter, var00002 dengan X1, dan

var00003 dengan X2 pada kolom label baris pertama tulis Pengeluaran pakaian dan baris

kedua dan ketiga tulis Total pengeluaran dan Harga pakaian seperti yang tertulis pada Tabel

3.2, tampilannya seperti berikut.

99

Kemudian klik analize pilih Regression dan klik linear, tampilan seperti berikut.

Kemudian pindahkan Kuantitas (Y) ke Dependent dengancara klik anak panah seperti pada

gambar di atas, maka tampilannya seperti berikut.

99

Kemudian klik Total pengeluaran (X1) dan Harga pakaian (X2) maka tampilannya seperti

berikut.

Kemudian variable harga dipindahkan ke independent dengan klik arah panah seperti gambar

di atas, maka tampilannya seperti berikut.

99

Kemudian klik statistic seperti anak panah di atas maka tampilannya seperti berikut.

Klik covariance matrix, collinearity diagnostics, Durbin-Watson, dan continue. Kemudian klik

SRESID klik arah panah ke Y seperti gambar berikut:

99

Kemudian klik ZPRED klik arah panah ke X seperti gambar berikut:

Dan hasilnya sebagai berikut:

99

Kemudian klik Histogram dan Normal probability plot selanjutnya klik Continue, selanjutnya

klik OK, maka outputnya seperti berikut.

REGRESSION

/MISSING LISTWISE

/STATISTICS COEFF OUTS BCOV R ANOVA COLLIN TOL

/CRITERIA=PIN(.05) POUT(.10)

/NOORIGIN

/DEPENDENT Y

/METHOD=ENTER X1 X2

/SCATTERPLOT=(*SRESID ,*ZPRED)

/RESIDUALS DURBIN HISTOGRAM(ZRESID) NORMPROB(ZRESID).

Regression

Notes

99

Output Created 01-DEC-2019 08:16:30

Comments

Input Data D:\BUKU AJAR

EKONOMETRIKA

EFFENDY\REGRESI

BERGANDA.sav

Active Dataset DataSet3

Filter <none>

Weight <none>

Split File <none>

N of Rows in Working

Data File

10

Missing Value Handling Definition of Missing User-defined missing

values are treated as

missing.

Cases Used Statistics are based on

cases with no missing

values for any variable

used.

99

Syntax REGRESSION

/MISSING LISTWISE

/STATISTICS COEFF

OUTS BCOV R ANOVA

COLLIN TOL

/CRITERIA=PIN(.05)

POUT(.10)

/NOORIGIN

/DEPENDENT Y

/METHOD=ENTER X1

X2

/SCATTERPLOT=(*SRES

ID ,*ZPRED)

/RESIDUALS DURBIN

HISTOGRAM(ZRESID)

NORMPROB(ZRESID).

Resources Processor Time 00:00:00,45

Elapsed Time 00:00:00,39

Memory Required 2912 bytes

Additional Memory

Required for Residual

Plots

664 bytes

Variables Entered/Removeda

Model

Variables

Entered

Variables

Removed Method

1 Harga pakaian,

Total

pengeluaranb

. Enter

a. Dependent Variable: Pengeluaran pakaian

b. All requested variables entered.

99

Model Summaryb

Model R R Square

Adjusted R

Square

Std. Error of the

Estimate Durbin-Watson

1 .975a .950 .936 .86185 2.642

a. Predictors: (Constant), Harga pakaian, Total pengeluaran

b. Dependent Variable: Pengeluaran pakaian

Nilai Durbin-Watson 2,642 karena lebih mendekati 2 maka dapat disimpulkan

ketidakpastian autokorelasi atau tidak ada autokorelasi.

ANOVAa

Model Sum of Squares df Mean Square F Sig.

1 Regression 99.597 2 49.798 67.043 .000b

Residual 5.199 7 .743

Total 104.796 9

a. Dependent Variable: Pengeluaran pakaian

b. Predictors: (Constant), Harga pakaian, Total pengeluaran

Coefficientsa

Model

Unstandardized

Coefficients

Standardized

Coefficients

t Sig.

Collinearity

Statistics

B

Std.

Error Beta Tolerance VIF

1 (Constant) -1.919 3.015 -.637 .545

Total

pengeluaran

.161 .033 1.224 4.851 .002 .111 8.984

Harga

pakaian

.198 .186 .269 1.065 .322 .111 8.984

a. Dependent Variable: Pengeluaran pakaian

Nilai VIF 8,984 < 10 maka dapat disimpulkan relative tidak ada multikolinieritas.

99

Coefficient Correlationsa

Model Harga pakaian Total pengeluaran

1 Correlations Harga pakaian 1.000 .943

Total pengeluaran .943 1.000

Covariances Harga pakaian .035 .006

Total pengeluaran .006 .001

a. Dependent Variable: Pengeluaran pakaian

Collinearity Diagnosticsa

Model Dimension Eigenvalue

Condition

Index

Variance Proportions

(Constant)

Total

pengeluaran Harga pakaian

1 1 2.549 1.000 .00 .00 .00

2 .446 2.390 .00 .02 .04

3 .005 22.651 1.00 .98 .96

a. Dependent Variable: Pengeluaran pakaian

99

Residuals Statisticsa

Minimum Maximum Mean Std. Deviation N

Predicted Value 3.6645 12.9335 7.8800 3.32660 10

Std. Predicted Value -1.267 1.519 .000 1.000 10

Standard Error of

Predicted Value

.285 .705 .457 .123 10

Adjusted Predicted Value 3.7020 12.7776 7.8594 3.26511 10

Residual -1.31476 1.25369 .00000 .76008 10

Std. Residual -1.526 1.455 .000 .882 10

Stud. Residual -1.671 1.675 .013 1.037 10

Deleted Residual -1.57694 1.80288 .02063 1.06566 10

Stud. Deleted Residual -1.995 2.004 .049 1.194 10

Mahal. Distance .088 5.126 1.800 1.498 10

Cook's Distance .002 .596 .136 .188 10

Centered Leverage Value .010 .570 .200 .166 10

a. Dependent Variable: Pengeluaran pakaian

Charts

99

Karena titik mendekati garis diagonal maka dapat disimpulkan data berdistribusi

normal.

Titik-titik menyebar merata di atas dan di bawah nol secara merata dan tidak

membentuk kipas atau kerucut yang berbeda pada plot residual, maka disimpulkan

tidak ada heteroskedastisitas.

99