analisis regresi berganda · 2020. 11. 13. · adjusted r-square (pada regresi linier sederhana...
TRANSCRIPT
-
ANALISIS
REGRESI LINIER
BERGANDA
OLEH:
NOVI PERMATA INDAH
-
PENGANTAR
Persamaan yang akan memungkinkan kita
untuk memperkirakan nilai suatu varibel
varibel yang berdasarkan pada nilai varibel
lain. Menilai kemampuan dari suatu
persamaan dalam membuat perkiraan yang
akurat.
-
REGRESI LINIER
• regresi yang hanya melibatkan satu variabel prediktor
Regresi linier sederhana
• regresi yang melibatkan lebih dari satu variabel prediktor
Regresi linier berganda
• Pendeteksian permasalahan-permasalahan terkait dengan model dan menemukan tindakan apa yang harus dilakukan sebagai perbaikan kecocokan model yaitu asumsi dan statistik diagnostik
Diagnostik
-
ALUR DALAM MENGGUNAKAN ANALISIS
REGRESI LINIER
-
ASUMSI DALAM
ANALISIS REGRESI
Asumsi linieritas
Asumsi kenormalan
Homoskedastisitas
Non Autokorelasi
Non Multikolinearitas
-
ASUMSI LINIERITAS
Yang dimaksud dengan linieritas adalah bahwa nilai rata-rata variabel respon (y) merupakan
fungsi garis lurus dari variabel prediktor (x). Dalam analisis regresi linier berganda
digambarkan bahwa antara variabel respon dan variabel prediktor mempunyai hubungan
pengaruh linier yang ditunjukkan oleh persamaan:
Uji linieritas dapat menggunakan scater plot dan uji korelasi dengan hipotesis sebagai berikut:
Uji hipotesis untuk koefisien korelasi :
H0: ρ=0 (Tidak ada korelasi linier)
H1: ρ≠0 (ada korelasi linier)
tolak H0 jika p-value kurang dari tingkat kesalahan alpha (α=1%, 5% atau 10%), artinya
hubungan antara dua variabel nyata dan linier.
inni XXXY ...22110
-
ASUMSI
KENORMALAN
uji normalitas digunakan untuk menguji apakah suatu variabel acak berdistribusi normal atau tidak
pengujian asumsi kenormalan dari residual pada suatu model regresi linier
Pengujian Asumsi Kenormalan
• Histogram
• Uji Anderson – Darling
• Uji Shapiro – Wilk
• Uji Kolmogorov – Smirnov
-
HOMOSKEDASTISITAS
Homoskedastisitas, scedasticity (penyebaran) dan Homos
(sama) yaitu ragam yang sama. Artinya, variabel pengganggu
memiliki ragam yang sama.
Mendeteksi Heteroskedastisitas
uji Park
uji Glejser
Spearman’s Rank Correlation
Scatter plot antara fitted value dengan residual
-
NON AUTOKORELASI
Korelasi antara anggota serangkaian observasi yang diurutkan
menurut waktu atau ruang atau juga dapat dikatakan korelasi
antara 2 deretan waktu seperti u1,u2,...,u10 dan u2,u3,...,u11.
Beberapa alasan terjadinya autokorelasi:
1. Ada pengaruh dari waktu sebelumnya.
2. Bias yang disebabkan oleh tidak dimasukan beberapa
variabel yang relevan dengan model atau karena
menggunakan bentuk fungsi yang tidak benar.
3. Manipulasi data.
Mendeteksi autokorelasi: metode grafik dan uji Durbin-Watson
-
NON
MULTIKOLINEARITAS
Multikolinearitas adalah adanya hubungan linier antara variabel bebas dalam model regresi.
Pendeteksian multikolinieritas dalam analisis regresi dengan VIF (Variance Inflation Factor), apabila nilai VIF ≤ 10 disimpulkan tidak terjadi multikolinieritas
-
STUDI KASUS
Suatu penelitian pada bidang manajemen pemasaran ingin
melihat pengaruh iklan media cetak, dan promosi dengan
cara menyebarkan berita dari mulut ke mulut atau dikenal
dengan istilah word of mouth yang dilakukan oleh Helios
Fitness di kota Karawang.
Berdasarkan hal ini maka akan dilakukan penelitia mengenai
iklan media cetak, word of mouth dan keputusan berkunjung
dengan judul penelitian
“Pengaruh Iklan Media Cetak dan Word of Mouth Terhadap
Keputusan Berkunjung Fitness Center (Studi Kasus Pada
Helios Fitness Technomart Karawang)”.
-
DATA
Terlampir pada OLAH DATA
-
HASIL DAN
PEMBAHASAN
-
LINIERITAS
• P-value< 0.05. sehingga keputusan
tolak H0, artinya dengan kepercayaan
95% setiap variabel bebas memiliki
hubungan linier (korelasi) yang nyata
terhadap variabel respon. Diikuti
dengan nilai korelasi yang cukup tinggi.
Korelasi antara variabel IMC dan WOM
terhadap KB sebesar 0,571 dan 0,524.
• Kesimplan: uji asumsi linieritas
dipenuhi.
Hipotesis:
H0: ρ=0 (tidak ada hubungan linier antara x dan y)
H1: ρ≠0 (ada hubungan linier antara x dan y)
-
NORMALITAS
Uji kenormalan kolmogorof-Smirnov
P-value pada uji kenormalan KS
sebesar 0.116 > 0,05. Sehingga
keputusan terima H0, dapat
disimpulkan bahwa
residual/galat/error menyebar
normal atau asumsi normalitas
dipenuhi.
Hipotesis:
H0 : galat/error berdistribusi normal
H1 : galat/error tidak berdistribusi
normal
-
Berdasarkan normal P-P
plot dapat dilihat bahwa
standardized residual
menyebat disekitar garis
normal, sehingga dapat
disimpulkan bahwa
residual memiliki
sebaran yang normal.
Dengan demikian, asumsi
noralitas terpenuhi.
-
HOMOSKETDASTISITAS
Grafik scatter plot antara fitted value dengan residual. Ada tidaknya pola
tertentu pada grafik scatter plot dimana sumbu Y adalah nilai Y yang telah
diprediksi dan sumbu X adalah residual (𝑌 –Y).
Berdasarkan grafik di residual
menyebar secara acak, tidak mengikuti
pola tertentu, sehingga dapat
disimpulkan bahwa galat mempunyai
ragam yang sama. Dengan demikian,
asumsi Homoskedastisitas terpenuhi.
-
NON AUTOKORELASI
Hipotesis
H0: ρ=0 (tidak terdapat autokorelasi)
H1: ρ≠0 (terdapat autokorelasi)
Tabel Durbin Watson k=2, n=119, alfa=0,05 : dL=1,6669 du=1,7352
Jika dw > du maka tidak tolak H0. Jadi, dari uji Durbin Watson dapat disimpulkan
bahwa tidak terjadi autokorelasi, asumsi non autokorelasi terpenuhi.
-
NON
MULTIKOLINIERITAS
Nilai VIF dari variabel IMC dan WOM lebih kecil dari 10, hal ini
memperlihatkan bahwa tidak terjadi multikolonieritas pada model regresi.
-
Tidak terpenuhinya asumsi nonmultikolinieritas dapat dapat
mengakibatkan:
• Koefisien regresi yang dihasilkan menjadi sangat lemah atau
tidak dapat memberikan hasil analisis yang mewakili sifat
atau pengaruh dari variabel bebas yang bersangkutan
• menyebabkan uji t menjadi tidak signifikan padahal jika
masing-masing variabel bebas diregresikan secara terpisah
dengan variabel tak bebas (simple regression) uji t
menunjukkan hasil yang signifikan.
Salah satu cara untuk itu menyelesaikan permasalahan
multikolinieritas adalah dengan regresi komponen utama.
-
Y=22,621+0,489 X1+0,228 X2+E
MODEL REGRESI
Berdasarkan model regresi di atas dketahui bahwa besar pengaruh
variabel IMC (X1) terhadap KB (Y) adalah 0,489 dan besar pengaruh
variabel WOM (X2) terhadap (Y) adalah 0,228. sedangkan 22,621
merupakan konstanta dari model regresi.
-
UJI PARSIAL
Hipotesis:
H0: βj = 0 (variabel Xj tidak berpengaruh nyata)
H1: βj ≠ 0 (variabel Xj berpengaruh nyata) j= 0, 1, 2,. . ., p; p= banyak
parameter
• P value pada variabel X2 lebih besar dari 0.05,
sehingga keputusan terima H0, sehinga WOM
tidak berpengaruh signifikan terhadap KB .
• Variabel X1 mimiliki P-value kurang dari 0.05,
sehingga keputusan tolak H0. Jadi dapat
disimpulkan bahwa IMC berpengaruh signifikan
terhadap KB.
-
UJI SIMULTAN
Hipotesis:
H0: peubah X tidak mempengaruhi Y secara bersama-sama
H1: peubah X yang mempengaruhi Y secara bersama-sama
Pengujian secara simultan dilakukkan dengan uji statistik F, berdasarkan
output SPSS didapatkan P-value 0.000< 0.05, sehingga keputusan tolak H0.
Artinya, peubah penjelas X mempengaruhi peubah respon Y secara bersama-
sama. Atau dapat disimpulkan bahwa IMC dan WOM mempengaruhi KB
secara bersama-sama/similtan.
-
KOEFISIEN
DETERMINASI
R-Square merupakan suatu proporsi keragaman y yang dapat dijelaskan oleh
peubah prediktor X
Adjusted R-Square (pada regresi linier sederhana berganda) merupakan suatu
proporsi keragaman y yang dapat dijelaskan oleh peubah prediktor X apabila
jumlah variable regressor X mengalami perubahan.
Berdasarkan output SPSS, nilai R2 sebesar 0,348 artinya 34,8% keragaman
jumlah KB (Y) dapat dijelaskan oleh faktor-faktor dalam model yaitu IMC (X1) dan
WOM (X2). Sisanya dijelakan faktor lain yang tidak masuk dalam model atau
variabel lain yang tidak termasuk dalam variabel penelitian.