Analisis Regresi Linier

Hadi ParamuFakultas Ekonomi Universitas Jember

(disampaikan di STIE Bulungan Tarakan)23 September 2013

Definisi Analisis Regresi

• Analisis regresi merupakan studi (kajian) tentang dependensi suatu variabel (variabel dependen) pada satu atau beberapa variabel lain (variabel independen) untuk mengestimasi dan/atau memprediksi mean atau average value dari variabel dependen.

Apa Variabel itu?

• Variable vary dan able.• Variabel sesuatu yang nilainya dapat

bervariasi– Ciri utama variabel adalah variasi (variabilitas)– Tidak bersifat konstan.

• Apa yang terjadi jika salah satu jenis variabel dalam model regresi tidak bervariasi?

Type Data

• Data Time Series: data yang bersifat runtut waktu (time series), seperti data harian, mingguan dst.

• Data cross-section: data yang dikumpulkan dari unit analisis (responden) pada titik waktu yang sama.

• Data Pooled (Pooling): data yang bersifat gabungan antara time series dan cross section.

Asumsi Metode Ordinary Least Square

• Linier dalam Parameter dan Variabel• Nilai X bersifat tetap untuk repeated sampling• Mean dari disturbance (residual) bernilai nol• Homoscedasticity atau varians yang sama

pada residual.• Tidak ada otokorelasi antar residual

Asumsi Metode Ordinary Least Square

• Covariance antara residual dan variabel independen sama dengan nol

• Jumlah observasi (n) harus lebih banyak dari parameter yang akan diestimasi.

• Ada variability dari nilai X.• Model regresi tidak memiliki specification bias • Tidak ada multikolinieritas antar explanatory

variable

Alur Kerja Analisis Regresi Linier

Model Analisis Regresi Linier

Otokorelasi

Heteroskedastisitas

Multikolinieritas

Metode OLS Model Analisis Regresi Linier

Data yang akan diolah

Model Regresi Linier

Model Regresi Linier

Hasil Analisis

Model Summary

Model R R SquareAdjusted R

SquareStd. Error of the Estimate

1.665a .442 .380 .16209

a. Predictors: (Constant), UKUR, RISBIS, BIUT, AGEN

Koefisien Korelasi Koefisien Determinasi

Koefisien Determinasi yang disesuaikan

Hasil Analisis

ANOVAb

ModelSum of Squares df

Mean Square F Sig.

1 Regression .748 4 .187 7.118 .000a

Residual .946 36 .026Total 1.694 40

a. Predictors: (Constant), UKUR, RISBIS, BIUT, AGENb. Dependent Variable: DEBT

Angka F-hitungProbabilitas terjadinya F-hitung

Hasil Analisis

Coefficientsa

Model

Unstandardized Coefficients

Standardized Coefficients

t Sig.B Std. Error Beta1 (Constant) .166 .049 3.399 .002

BIUT -.050 .010 -.861 -4.769 .000AGEN .007 .022 .062 .334 .740RISBIS .043 .267 .020 .159 .874UKUR .007 .002 .576 3.352 .002

a. Dependent Variable: DEBT

DEBTi = 0,166 – 0,05BIUTi + 0,007AGENi + 0,043RISBISi + 0,07UKURi + ei

Multikolinieritas

Coefficientsa

Model

Unstandardized Coefficients

Standardized

CoefficientsT Sig.

Collinearity Statistics

B Std. Error Beta Tolerance VIF1 (Constant) .166 .049 3.399 .002

BIUT -.050 .010 -.861 -4.769 .000 .475 2.103AGEN .007 .022 .062 .334 .740 .449 2.228RISBIS .043 .267 .020 .159 .874 .974 1.027UKUR .007 .002 .576 3.352 .002 .525 1.904

a. Dependent Variable: DEBT

VIF > =2, 5, 10 berarti multikolinieritas terjadi

Multikolinieritas

• Apa yang harus dilakukan jika multikolinieritas terjadi?– Biarkan saja– Buang variabel yang bersifat multikolinier

Heteroskedastisitas

• Dapatkan nilai residual untuk setiap observasi• Buat auxilliary regression (regresi bantu)

absolut residual sebagai variabel dependen-nya.

• Jika koefisien pada auxilliary regression bersifat signifikan, heteroskedastisitas terjadi.

• Untuk mengatasi heteroskedastisitas metode weighted least square

Otokorelasi

• Uji yang gunakan Durbin-Watson test• Menu Analyse, Regression, statitic, durbin

watson. • Setelah angka Durbin-Watson hitung

diperoleh lakukan uji otokorelasi• Jika ada otokorelasi, gunakan pendekatan

differensial Xt – Xt-1 dan Yt – Yt-1