Statistika Matematika II 1 Analisis Regresi

ANALISIS REGRESI
A. PENDAHULUAN Istilah “regresi” pertama kali diperkenalkan oleh Sir Francis Galton pada tahun 1886. Galton menemukan bahwa ada kecenderungan bagi orang tua yang tinggi akan mempunyai anak yang tinggi dan sebaliknya. Meskipun demikian, ia mengamati bahwa tinggi anak bergerak menuju rata-rata tinggi anak secara keseluruhan. Dengan kata lain ketinggian anak yang amat tinggi atau orang tua yang amat pendek cenderung bergerak ke arah rata-rata tinggi populasi. Inilah yang disebut hokum Galton mengenai regresi universal. Secara umum analisis regresi adalah studi mengenai ketergantungan variabel dependen (respon) dengan satu atau lebih variabel independen (penjelas/ bebas). Dalam analisis regresi linier, jika jumlah variabel prediktor X satu maka disebut regresi linier sederhana, sedangkan jika lebih dari satu misalnya k peubah prediktor maka disebut regresi berganda. Pendugaan parameter regresi untuk model regresi berganda pada hakekatnya hanyalah perluasan konsep regresi sederhana (Sugiarto, 1992). Hasil analisis regresi adalah berupa koefisisen untuk masing-masing veriabel independen. Koefisien ini diperoleh dengan cara memprediksi nilai variabel respon dengan suatu persamaan.

B.

Pengujian Asumsi Klasik Regresi Sehubungan digunakannya alat-alat statistik dalam analisis data, agar analisis tersebut memperoleh hasil yang lebih akurat dan maka persyaratan atau asumsi yang melandasi penggunaan alat analisis harus dipenuhi. Di dalam persamaan model regresi linear berganda, dikenal beberapa asumsi yang mendasari persamaan model yang menyangkut; Linieritas, normalitas residual data (normality error term),

multikolinearitas, homoskedastisitas, dan autokorelasi, di mana perlu dilakukan pengujian dengan maksud untuk mengetahui apakah persamaan model regresi yang ditentukan tersebut merupakan model yang dapat menghasilkan estimasi yang tidak

khususnya untuk jumlah sampel yang kecil. Seperti diketahui bahwa uji t dan F mengasumsikan bahwa nilai galat mengikuti distribusi normal. variabel galat memiliki distribusi normal. Hair (1998) juga menyatakan bahwa terdapat tiga asumsi klasik dalam regresi linear yang harus diuji. dilengkapi dengan uji statistik. 1.Statistika Matematika II 2 Analisis Regresi bias. a. Distribusi normal akan membentuk satu garis lurus diagonal dan poting data residual / galat akan dibandingkan dengan garis diagonal. dianjurkan disamping uji grafik. Oleh karena itu. pdahal secara statistik bisa sebaliknya. b. Namun demikian. linieritas. Dalam hal ini. homoskedastisitas. Analisis Grafik Salah satu cara termudah untuk melihat normalitas galat adalah dengan melihat grafik histogram yang membandingkan antara data observasi dengan distribusi yang mendekati distribusi normal. Kalau asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil. Metode yang lebih handal adalah dengan melihat Normal Probability Plot yang membandingkan distribusi kumulatif dari distribusi normal. uji K-S dilakukan dengan membuat hipotesis: H0 = galat berdistribusi normal H1 = galat tidak berdistribusi normal . yaitu dengan analisis grafik dan uji statistik. Jika distribusi data galat normal. pengujian dapat dilakukan dengan Uji Kolmogorov–Smirnov (K-S). Normalitas Galat Model Uji normalitas galat bertujuan untuk menguji apakah dalam model regresi. Ada dua cara untuk mendeteksi apakah galat berdistribusi normal atau tidak. Analisis Statistik Uji normalitas dengan grafik dapat menyesatkan kalau tidak hati-hati secara visual kelihatan normal. maka garis yang menggambarkan data sesungguhnya akan mengikuti garis diagonalnya. dan autokorelasi meskipun dalam penjelasannya lebih lanjut beberapa asumsi dapat dianggap tidak kritis dalam analisis. hanya dengan melihat histogram dapat menyesatkan. yaitu outlier–normalitas.

Petani Cuplikan A B C D E F G H Jumlah Pengeluaran konsumsi (Y) 15 13 10 17 9 8 10 14 96 Pendapatan keluarga (X) 20 18 14 16 12 10 14 16 120 1. Normalitas Tentukan H0 dan H1 H0 = sampel berasal dari populasi yang menyebar normal H1 = sampel tidak berasal dari populasi yang menyebar normal - Hitung nilai mean - Hitung simpangan baku √ √ ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) . Data hasil penelitian atas ke-8 petani cuplikan tersebut tampat dibawah ini.Statistika Matematika II 3 Analisis Regresi Contoh: 1. Seorang peneliti ingin mengetahui pengaruh dari pendapatan keluarga (X) terhhadap pengeluaran konsumsi (Y) dari 8 keluarga petani cuplikan yang ditarik secara acak dari sebuah desa.

12891 maka keputusan terima H0 .4753 -0.7059+1.9406 F =ln F(Z) -2.3021+1.3783 0.7012+1.3783 0.93 -0.1762 0.31 -0.9721 -0.0594 0.4753 -0.1938 -0.0612 -5.1762 0.9506 -0.3783 0.9721 -0.2295)-8 = 8.56 -0.3783 0.3783 0.9442 -1.Statistika Matematika II 4 Analisis Regresi Diurutkan 10 12 14 14 16 16 18 20 Table AD i 1 2 3 4 5 6 7 8 Zi -1.6217 0.0594 1-F(n+1-i) 0.31 0.1602 ˂ CV=1.1602-8 = 0.7361 -0.0612 N+1-i 8 7 6 5 4 3 2 1 F(n+1-i) 0.2151+1.93 1.1938 -0.647 -3.6217 0.3071+0.9406 0.9721 -0.6217 0.4753 -0.3783 0.6299+0.9506 -0.03516 = 1.6217 0.56 F(Z) 0.8235 -1.0694+1.8235 -1.8238 0.3876 -0.09375+0.9442 -0.1224 F1i+F2i - AD hitung AD hit ={ ( ( ( ) ) ) ( ( ( ) )} ) ( ( ) ) = (0.8238 0.12891 - Membanding kan AD dan CV AD hit = 0.4722 -1.31 0.1602 - ( ) = 1+0.4753 -0.9406 F2i-ln(1F(n+1-i)) -2.6217 0.6217 0.31 0.0594 0.8238 0.1762 0.7361 -0.9721 -0.

n Kaidah keputusan dalam Uji Durbin-Watson adalah: 1. Jika du < d < 4–du. Adanya kebebasan antar sisaan dapat dideteksi secara grafis dengan melihat pola tebaran sisaan terhadap urutan waktu. Jika tebaran sisaan terhadap urutan waktu tidak membentuk suatu pola tertentu atau bersifat acak maka dapat disimpulkan tidak ada autokorelasi antar sisaan (Draper dan Smith. maka keputusannya adalah tolak H0 yang berarti terdapat autokorelasi 3. . Pengujian secara empiris dilakukan dengan menggunakan statistik uji Durbin-Watson. Jika dl ≤ d ≤ du atau 4 – du ≤ d ≤ 4 – dl . 1992). 2. maka keputusannya adalah terima H0 yang berarti tidak terdapat autokorelasi 2. …. 2. et  yt  y et 1 = penduga sisaan ke-(t-1) t = 1.Statistika Matematika II 5 Analisis Regresi - Kesimpulan Sampel berasal dari populasi yang menyebar normal. 2003). Hipotesis yang melandasi pengujian adalah: H0 : Tidak terdapat autokorelasi antar sisaan H1 : Terdapat autokorelasi antar sisaan Statistik uji yang digunakan adalah: d  (e t 2 n t n  et 1 ) 2 2 t e t 1 ˆt di mana: et = penduga sisaan ke-t. Jika d < dl atau d > 4 – du. Uji Non-Autokorelasi Asumsi ini menghendaki bahwa tidak ada autokorelasi antara serangkaian pengamatan yang diurutkan menurut waktu. maka tidak dapat diputuskan apakah H0 diterima atau ditolak sehingga tidak dapat disimpulkan ada tidaknya autokorelasi antar sisaan (Gujarati.

092X1 Residu = Y.184 -12. 3.367 22.103 22.184 6.184 -5.919 19.287 34.735 516.553-1.551 382.735 516.919 1018.598 30.697 -4.367 22.616 5620.735 31.551 16.919 19.287 -17.137856 40.919 -10.616 e(residu) e2 et-1 e-(et-1) (e-(et-1))2 |residu| 34.967424 10. 2. 4.Ypred .345856 152.823 19.368 -3.919 836. Kuadratkan nilai residualnya.735 -14.287 1175. 7.735 -14.367 267.735 28.103 22.103 906.037696 30.8802 31.551424 38. 5. Regresikan variabel bebas (X) terhadap variabel tergantung (Y).184 -7. Masuk hasil perhitungan diatas masukan kedalam rumus Durbin-Watson Tabel Durbin-Watson No 1 2 3 4 5 6 7 8 Jumlah X 20 18 14 16 12 10 14 16 120 Y 15 13 10 17 9 8 10 14 96 Ypred -19.368 6. Hitung nilai residualnya.8802 28.801 Ypred = 2.368 9.919 -110.3086 206. Hitung nilai prediksinya.551 -8.2416 16.735 31.241856 398.367 -12.8787 22.Statistika Matematika II 6 Analisis Regresi  Uji Otokorelasi a) Uji Durbin Watson b) Uji Lagrange Multiplier c) Uji Breusch-Godfrey Langkah-Langkah Uji Durbin-Watson 1. Lag-kan satu nilai residualnya. Kurangkan nilai residual dengan Lag-kan satu nilai residualnya.505856 54.103 -12.735 177.551 16. 6.287424 84.1906 22.287 30.919 34.368 17.

Nilai VIF akan semakin besar jika terdapat korelasi yang semakin besar diantara peubah . ….763 dU 1. VIF didefinisikan sebagai VIF j  1 1  R2 j di mana: j p = 1. Multikolinearitas Hair et al. (1998) menyatakan bahwa permasalahan multikolinearitas ditunjukkan oleh nilai dari VIF (variance inflation factor).237 4-dL 2.070815 o.237 4-dL =2.332 4-dU =3.332 2 4-dU 3. p = banyaknya peubah penjelas R2 j = koefisien determinasi R2 j diperoleh dengan meregresikan peubah prediktor Xj dengan semua peubah prediktor lain.n =1 dan n=8 =0. 2.763 =1.Statistika Matematika II 7 Analisis Regresi Rumus Durbin-Watson ( ( () )) Dk K dL dU =k.668 Tanpa kesimpulan Tanpa kesimpulan Tidak ada otokorelasi dL 0.668 otokorelasi 3..

5. 1990). Hitung nilai VIF dengan rumus 1/TOL Jika VIF < 10.Statistika Matematika II 8 Analisis Regresi prediktor. 2. Pengujian Manual VIF 1. Tabel uji multikolineasi No 1 2 3 4 5 6 7 8 Jumlah X 20 18 14 16 12 10 14 16 120 Y 15 13 10 17 9 8 10 14 96 XY 300 234 140 272 108 80 140 224 11520 X2 400 324 196 256 144 100 196 256 14400 Y2 225 169 100 289 81 64 100 196 9216 1. Hitung nilai tolenrance (Tol) dengan rumus (1-r2). maka tidak terjadi multikolinier. 3. Jika nilai VIF lebih dari 10. multikolinieritas memberikan pengaruh yang serius pada pendugaan metode kuadrat terkecil (Bowerman and O`Connel. ( √( ) ( ) )( )( ) ( ) ) ( √( ( √( √ 2. ( ) ) ( )( )( ) ) ) ( )( )( ) ) . 4. Hitung nilai korelasi antar varibel bebas (r) Kuadratkan nilai korelasi antar variabel bebas (r2).

3439 4. Tolerance = 1-0.6561 = 0. Karena VIF ˂10 maka tidak terjadi multikolinier 5.Statistika Matematika II 9 Analisis Regresi 3. .

Sign up to vote on this title
UsefulNot useful