aplikasi regresi ganda dengan spss1

http://teorionline.net/ Aplikasi Regresi Ganda dengan SPSS

1

APLIKASI REGRESI GANDA DENGAN SPSS

HENDRY admin teorionline.net

Phone : 021-834 14694 / email : [email protected]

Tentang Regresi Ganda Analisis regresi merupakan salah satu teknik analisis yang paling popular di bidang penelitian sekarang ini. Analisis regresi digunakan untuk menjelaskan suatu variabel respon (variabel terikat / dependent / output) menggunakan satu atau lebih variabel input (variabel bebas, independent variable / eksogen). Jika variabel bebas terdiri dari 1 maka regresi sederhana yang digunakan, dan jika variabel input lebih dari 1, maka regresi ganda yang digunakan. Persamaan regresi ganda dinotasikan sebagai berikut : Y = a + b1X1 + b2X2 + b3X3 . BkXi + e ( Y adalah variabel respon, a = konstanta, b = parameter regresi) Data : data yang digunakan untuk analisis regresi linier sederhana adalah minimal interval Asumsi : asumsi yang harus dipenuhi dalam regresi ganda adalah asumsi klasik Contoh Kasus Seorang manajer penjualan salah satu agen sepeda motor ingin mengetahui pengaruh biaya promosi meliputi iklan tv dan iklan radio dengan jumlah unit motor yang terjual dalam beberapa tahun terakhir. Ia menggunakan data penjualan dan biaya promosi 3 tahun terakhir untuk meramalkan penjualan berdasarkan biaya promosi yang dikeluarkan setiap bulannya. Data :

No IklanTV Iklanradio Unit

Terjual

1 100 30 8000

2 100 25 7800

3 112 35 9800

4 113 21 7800

5 96 22 7900

6 104 30 8100

7 98 32 7800

8 99 34 8000

9 98 27 7800

10 95 25 7600

11 100 30 8600

12 105 32 8100

13 96 25 7600

14 99 22 7500

15 105 32 8700

16 110 35 8300


2

17 96 22 7400

18 96 30 8000

19 96 20 7200

20 96 25 7800

21 97 25 7900

22 89 25 7400

23 92 20 7700

24 109 35 9000

25 96 25 7600

26 96 18 7800

27 96 18 7700

28 96 25 7800

29 96 15 7500

30 98 18 5300

31 105 22 7900

32 107 22 7000

33 64 20 4400

34 111 28 8000

35 110 24 7400

36 96 25 7300 Data Penjualan dalam Satuan Juta Data Unit Terjual (satuan)


3

Penyelesaian Buka SPSS Copy Seluruh data ke lembar kerja SPSS Beri nama pada tab variable views dengan TV, Radio, dan Jual Berikut tampilan data di SPSS


4

Klik Analyze Regression - Linier lalu setting data seperti tampilan di bawah ini Masukkan variabel TV dan Radio ke box independent, dan Jual (unit terjual) ke box dependent

Klik Plots, lalu Tick pada pilihan Histogram dan Normal Probability Plot Masukkan pilihan Sresid ke Sumbu Y, dan Zpred ke sumbu X

Klik Continue


5

Klik Statistics, lalu Tick pada pilihan Colinearity diagnosics dan Durbin-Watson

Klik Continue, lalu Klik OK Hasil Regression

Variables Entered/Removedb

Radio, TVa . EnterModel1

VariablesEntered

VariablesRemoved Method

All requested variables entered.a.

Dependent Variable: Jualb.

Model Summaryb

.774a .599 .575 573.39994 1.762Model1

R R SquareAdjustedR Square

Std. Error ofthe Estimate

Durbin-Watson

Predictors: (Constant), Radio, TVa.


ANOVAb

16217513 2 8108756.475 24.663 .000a

10849987 33 328787.48627067500 35

RegressionResidualTotal

Model1

Sum ofSquares df Mean Square F Sig.




6

Coefficientsa

815.840 1129.922 .722 .47552.370 12.516 .509 4.184 .000 .822 1.21766.447 19.855 .407 3.347 .002 .822 1.217

(Constant)TVRadio

Model1

B Std. Error

UnstandardizedCoefficients

Beta

StandardizedCoefficients

t Sig. Tolerance VIFCollinearity Statistics

Dependent Variable: Juala.

Collinearity Diagnosticsa

2.972 1.000 .00 .00 .00.024 11.027 .07 .03 .92.003 29.759 .93 .97 .07

Dimension123

Model1

EigenvalueCondition

Index (Constant) TV RadioVariance Proportions


Residuals Statisticsa

5496.4478 9006.9033 7708.3333 680.70369 36-3.249 1.908 .000 1.000 36

97.076 417.922 154.740 59.609 36

6729.0620 8988.6152 7744.2206 603.56379 36-1844.13 793.09631 .00000 556.77610 36

-3.216 1.383 .000 .971 36-3.372 1.488 -.026 1.070 36

-2338.95 917.82739 -35.88723 699.22284 36-4.102 1.517 -.056 1.170 36

.031 17.621 1.944 2.994 36

.000 2.946 .112 .490 36

.001 .503 .056 .086 36

Predicted ValueStd. Predicted ValueStandard Error ofPredicted ValueAdjusted Predicted ValueResidualStd. ResidualStud. ResidualDeleted ResidualStud. Deleted ResidualMahal. DistanceCook's DistanceCentered Leverage Value

Minimum Maximum Mean Std. Deviation N



7

Charts

Regression Standardized Residual210-1-2-3-4

Freq

uen

cy

12.5

10.0

7.5

5.0

2.5

0.0

Histogram

Dependent Variable: Jual

Mean =1.03E-15 Std. Dev. =0.971

N =36

Observed Cum Prob1.00.80.60.40.20.0

Exp

ecte

d C

um

Pro

b

1.0

0.8

0.6

0.4

0.2

0.0

Normal P-P Plot of Regression Standardized Residual



8

PEMBAHASAN

Sebelum memberikan interpretasi pada hasil regresi, dilakukan pengujian asumsi normalitas sebagai syarat regresi. Apabila berdistribusi normal maka analisis parametrik seperti analisis regresi dapat dilanjutkan, sebaliknya apabila tidak tidak berdistribusi normal maka digunakan statistik non parametrik untuk menguji hipotesis. Pengujian normalitas ini menggunakan diagram histogram dan grafik p p-plot untuk memprediksi apakah residual berdistribusi normal atau tidak.

Berdasarkan hasil uji di atas terlihat bahwa menyebar agak ke kanan bagian kurva normal, dan sehingga belum dapat disimpulkan apakah residual memenuhi asumsi normalitas.

Regression Standardized Predicted Value210-1-2-3-4

Reg

ress

ion

Stu

den

tized

Res

idua

l

2

1

0

-1

-2

-3

-4

Scatterplot


Regression Standardized Residual210-1-2-3-4

Freq

uen

cy

12.5

10.0

7.5

5.0

2.5

0.0

Histogram


Mean =1.03E-15 Std. Dev. =0.971

N =36


9

Hasil pengujian dengan memperhatikan grafik p p-plot juga menunjukkan kesimpulan serupa dengan histogram. Dari tampilan di atas terlihat bahwa ada data menyebar keluar dari garis diagonal, sehingga belum dapat dinyatakan normal. Memperhatikan temuan ini, maka pengujian normalitas residual dilakukan dengan teknik statistik Kolmogorov-Smirnov Test. Membuat Residual Klik Analyze Regression Liniear. Masukkan variabel seperti langkah awal. Klik Save, tick pada pilihan unstandard seperti terlihat pada gambar di bawah ini

Observed Cum Prob1.00.80.60.40.20.0

Exp

ecte

d C

um

Pro

b1.0

0.8

0.6

0.4

0.2

0.0

Normal P-P Plot of Regression Standardized Residual



10

Jika dilakukan dengan benar, maka akan ada variabel baru yang bernama RES_1


11

Klik Analyze Lalu pilih Nonparametric Test, lalu pilih 1-Sample K-S

Masukkan variabel RES_1 ke box Test Variable List

Klik OK


12

Hasil Uji Normalitas

Hasil uji normalitas residual dengan Kolmogorov-Smirnov menunjukkan nilai Asymp.Sig sebesar 0.324 (> 0.05), sehingga dapat disimpulkan bahwa residual model regresi berdistribusi normal.

Dengan melihat Nilai VIF (Varian Inflation Factor) diketahui bahwa tidak ada variabel yang memiliki nilai VIF lebih dari 10, serta nilai tolerance yang kurang dari 0.10. Dengan demikian dapat disimpulkan bahwa variabel independen terbebas dari masalah Multikolinieritas.

One-Sample Kolmogorov-Smirnov Test

36.0000000

556.77610403.159.077

-.159.952.324

NMeanStd. Deviation

Normal Parametersa,b

AbsolutePositiveNegative

Most ExtremeDifferences

Kolmogorov-Smirnov ZAsymp. Sig. (2-tailed)

Unstandardized Residual

Test distribution is Normal.a.

Calculated from data.b.

Coefficientsa

815.840 1129.922 .722 .47552.370 12.516 .509 4.184 .000 .822 1.21766.447 19.855 .407 3.347 .002 .822 1.217

(Constant)TVRadio

Model1

B Std. Error


Beta





13

Hasil uji heterokedastisitas pada tampilan grafik scatter plot di atas menunjukkan bahwa tidak terjadi masalah heterokedastis. Hal ini dapat dilihat dari sebaran data yang menyebar ke segala bidang, dan berada di atas maupun dibawah nilai 0 pada sumbu Y.

Hasil uji autokorelasi dapat dilihat dari nilai Durbin_Watson sebesar 1.762. Untuk n=36, dan k=2 diperoleh nilai DW tabel Dl 1.354 dan Du 1.584. Nilai DW hitung 1.762 > dari batas atas (du) yaitu 1.584 dan kurang dari 4du, sehingga dapat disimpulkan tidak ada autokorelasi positif maupun negative pada model.

Regression Standardized Predicted Value210-1-2-3-4

Reg

ress

ion

Stu

den

tized

Res

idua

l

2

1

0

-1

-2

-3

-4

Scatterplot


Model Summaryb

.774a .599 .575 573.39994 1.762Model1



Durbin-Watson




14

Korelasi dan Regresi

Korelasi antara biaya promosi (iklan TV dan Radio) dengan penjualan (unit terjual) adalah sebesar 0.774, dengan koefisien determinasi 0.575 (adjusted R Square). Dengan demikian dapat dinyatakan bahwa variasi penjualan mampu dijelaskan oleh biaya promosi sebesar 57.50%, dan sisanya dipengaruhi faktor lain selain biaya promosi

Persamaan regresi : Penjualan = 815.84 + 52.370 (Iklan TV) + 66.447 (Iklan Radio),

Persamaan regresi tersebut mempunyai makna sebagai berikut: Konstanta sebesar 816 (pembulatan) berarti bahwa tanpa adanya biaya yang dikeluarkan untuk promosi, maka penjualan sepeda motor adalah sebesar 816 unit. Jika variabel biaya iklan TV naik (satu juta) maka akan menyebabkan kenaikan (karena tanda positif) sebesar 52 unit pada penjualan sepeda motor. Sedangkan jika biaya iklan radio naik 1 juta, maka akan menyebabkan kenaikan pada penjualan sebesar 66 unit sepeda motor. Pengujian Hipotesis Simultan Ho : Tidak ada pengaruh Iklan TV dan Radio terhadap Penjualan Ha : Ada pengaruh positif dan signifikan Iklan TV dan Radio terhadap Penjualan Pengambilan keputusan (berdasarkan probabilitas) : Jika probabilitas > 0,05 maka Ho diterima, sedangkan jika probabilitas < 0,05 maka Ho ditolak.

Model Summaryb

.774a .599 .575 573.39994 1.762Model1



Durbin-Watson



Coefficientsa

815.840 1129.922 .722 .47552.370 12.516 .509 4.184 .000 .822 1.21766.447 19.855 .407 3.347 .002 .822 1.217

(Constant)TVRadio

Model1

B Std. Error


Beta




ANOVAb

16217513 2 8108756.475 24.663 .000a

10849987 33 328787.48627067500 35

RegressionResidualTotal

Model1

Sum ofSquares df Mean Square F Sig.




15

Dari hasil uji signifikansi terlihat bahwa nilai probabilitas adalah sebesar 0,00 (< 0,01) sehingga Ho ditolak. Artinya, pengaruh biaya promosi (iklan TV dan Radio) secara simultan terbukti mempengaruhi penjualan signifikan sehingga hipotesis alternatif (Ha) diterima. Hasil uji model parsial dengan memperhatikan nilat probilitas pada uji t memperoleh nilai t hitung untuk iklan TV sebesar 0.000 dan Iklan Radio 0.002. Karena probilitas < 0.05, maka dapat disimpulkan bahwa secara parsial dua variabel ini terbukti berpengaruh signifikan terhadap penjualan. Rekomendasi Buku : Rosadi, Dedi. (2012). Ekonometrika dan Analisis Runtun Waktu Terapan dengan EViews. Yogyakarta : Andi Ghozali, Imam. (2009). Analisis Multivariate dengan Program SPSS. Semarang : BP UNDIP

aplikasi regresi ganda dengan spss1

Documents