tutorial estimasi persamaan regresi dengan spss

Created by : [email protected]

ESTIMASI PERSAMAAN REGRESI DUA VARIABEL DENGAN SPSS

Langkah-langkahnya sebagai berikut :

1. Buka Program SPSS

2. Masukkan data yang mau dianalisis seperti pada gambar


3. Klik Tools bar Analyze lalu pilih Regression → Curve Estimation

4. Masukkan variabel Dependen dan Independen, dan Cek list model Linear, Growth dan Exponential


5. Lihat Output hasil SPSS


MEMBACA DATA HASIL OUTPUT SPSS

* Curve Estimation.

TSET NEWVAR=NONE.

CURVEFIT

/VARIABLES=Kecemasan WITH Kecerdasan

/CONSTANT

/MODEL=LINEAR GROWTH EXPONENTIAL

/PRINT ANOVA

/PLOT FIT.

Curve Fit

Notes

Output Created 25-Oct-2012 09:03:02

Comments

Input Active Dataset DataSet0

Filter <none>

Weight <none>

Split File <none>

N of Rows in Working Data

File 15

Missing Value Handling Definition of Missing User-defined missing values are treated

as missing.

Cases Used Cases with a missing value in any

variable are not used in the analysis.

Syntax CURVEFIT

/VARIABLES=Kecemasan WITH

Kecerdasan

/CONSTANT

/MODEL=LINEAR GROWTH

EXPONENTIAL

/PRINT ANOVA

/PLOT FIT.

Resources Processor Time 00:00:01.279

Elapsed Time 00:00:01.404

Use From First observation

To Last observation

Predict From First Observation following the use period

To Last observation

Time Series Settings (TSET) Amount of Output PRINT = DEFAULT

Saving New Variables NEWVAR = NONE

Maximum Number of Lags in

Autocorrelation or Partial

Autocorrelation Plots

MXAUTO = 16


Maximum Number of Lags Per

Cross-Correlation Plots MXCROSS = 7

Maximum Number of New

Variables Generated Per

Procedure

MXNEWVAR = 60

Maximum Number of New

Cases Per Procedure MXPREDICT = 1000

Treatment of User-Missing

Values MISSING = EXCLUDE

Confidence Interval

Percentage Value CIN = 95

Tolerance for Entering

Variables in Regression

Equations

TOLER = .0001

Maximum Iterative Parameter

Change CNVERGE = .001

Method of Calculating Std.

Errors for Autocorrelations ACFSE = IND

Length of Seasonal Period Unspecified

Variable Whose Values Label

Observations in Plots Unspecified

Equations Include CONSTANT

[DataSet0]

Model Description

Model Name MOD_1

Dependent Variable 1 Kecemasan

Equation 1 Linear

2 Growtha

3 Exponentiala

Independent Variable Kecerdasan

Constant Included

Variable Whose Values Label Observations in Plots Unspecified

a. The model requires all non-missing values to be positive.

Tabel model Description menggambarkan metode estimasi yang dipakai , yaitu Linear, Growth dan

Exponential.


Case Processing Summary

N

Total Cases 15

Excluded Casesa 0

Forecasted Cases 0

Newly Created Cases 0

a. Cases with a missing value in any

variable are excluded from the

analysis.

Tabel case processing summary menggambarkan jumlah case atau sampel pengamatan (ada 15 case).

Variable Processing Summary

Variables

Dependent Independent

Kecemasan Kecerdasan

Number of Positive Values 15 15

Number of Zeros 0 0

Number of Negative Values 0 0

Number of Missing Values User-Missing 0 0

System-Missing 0 0

Kecemasan

Model Linear

Model Summary

R R Square

Adjusted R

Square

Std. Error of the

Estimate

.896 .803 .788 2.206

The independent variable is Kecerdasan.

ANOVA

Sum of Squares df Mean Square F Sig.

Regression 257.654 1 257.654 52.932 .000

Residual 63.280 13 4.868

Total 320.933 14



Coefficients

Unstandardized Coefficients

Standardized

Coefficients

t Sig. B Std. Error Beta

Kecerdasan .560 .077 .896 7.275 .000

(Constant) 33.718 4.846 6.957 .000

Estimasi dengan model linear menunjukkan nilai koeffisien korelasi 0.896 , uji kelinearan nilai Sig (0.000)

< α (0.05) sehingga H0 ditolak. Jadi model linear signifikan. Uji konstanta dan koefisien, koefisien b

memiliki nilai Sig (0.000) < α dan konstanta a memiliki nilai Sig (0.000) < α , sehingga H0 ditolak, jadi baik

konstanta a maupun koefisien b adalah signifikan. Tingkat kepercayaan yang dipakai 0.95 atau α = 0.05

Persamaan model yang terbentuk, Y = 6.957 + 7.275 X

Model Growth

Model Summary

R R Square

Adjusted R

Square

Std. Error of the

Estimate

.888 .789 .773 .034


ANOVA


Regression .055 1 .055 48.582 .000

Residual .015 13 .001

Total .069 14


Coefficients


Standardized

Coefficients


Kecerdasan .008 .001 .888 6.970 .000

(Constant) 3.718 .074 50.416 .000

The dependent variable is ln(Kecemasan).

Estimasi model linear dengan model Growth menunjukkan nilai koeffisien korelasi 0.888 , uji kelinearan

nilai Sig (0.000) < α (0.05) sehingga H0 ditolak. Jadi model linear signifikan. Uji konstanta dan koefisien,

koefisien b memiliki nilai Sig (0.000) < α dan konstanta a memiliki nilai Sig (0.000) < α , sehingga H0

ditolak, jadi baik konstanta a maupun koefisien b adalah signifikan. Tingkat kepercayaan yang dipakai

0.95 atau α = 0.05

Persamaan model yang terbentuk, ln Y = 50.416+ 6.970 X


Model Exponential

Model Summary

R R Square

Adjusted R

Square

Std. Error of the

Estimate

.888 .789 .773 .034


ANOVA


Regression .055 1 .055 48.582 .000

Residual .015 13 .001

Total .069 14


Coefficients


Standardized

Coefficients


Kecerdasan .008 .001 .888 6.970 .000

(Constant) 41.163 3.035 13.562 .000

The dependent variable is ln(Kecemasan).

Estimasi model linear dengan model Exponential menunjukkan nilai koeffisien korelasi 0.888 , uji

kelinearan nilai Sig (0.000) < α (0.05) sehingga H0 ditolak. Jadi model linear signifikan. Uji konstanta dan

koefisien, koefisien b memiliki nilai Sig (0.000) < α dan konstanta a memiliki nilai Sig (0.000) < α ,

sehingga H0 ditolak, jadi baik konstanta a maupun koefisien b adalah signifikan. Tingkat kepercayaan

yang dipakai 0.95 atau α = 0.05

Persamaan model yang terbentuk, ln Y = ln 13.562+ 6.970 X


Melihat pemaparan ketiga model grafik : Grafik model linear, Model Growth, Model Exponential semua

sesuai untuk digunakan sebagai model estimasi peningkatan kecemasan dalam belajar.

tutorial estimasi persamaan regresi dengan spss

Documents