Regresi Berganda
Regresi Berganda
Regresi Berganda
REGRESI BERGANDA
A. Deskripsi Modul
a. Latar Belakang
Analisis regresi linear berganda merupakan sebuah Teknik analisis
statistic yang mempelajari hubungan sebuah variabel terikat (dependent
variable = outcome variable = predicted variable) dengan beberapa
variabel bebas (independent variables = explanatory variable = predictor
variables). Atau juga sebuah model regresi yang melibatkan lebih dari
satu variabel independent.
b. Tujuan Pembelajaran
Digunakan untuk menguji hubungan/ korelasi/ pengaruh lebih dari satu
variabel bebas terhadap satu variabel terikat. Regresi juga dapat
digunakan untuk melakukan prediksi atau estimasi variabel terikat
berdasarkan variabel bebasnya. Regresi Linier Berganda yang akan
disimulasikan pada bagian ini menggunakan pendekatan Ordinary Least
Squares (OLS). Penjelasan akan dibagi menjadi 4 (empat) bagian, yaitu:
1) Tabulasi Data
2) Estimasi Model Regresi Linier (Berganda)
3) Pengujian Asumsi Klasik
4) Uji Kelayakan Model (Goodness of Fit Model)
5) Intepretasi Model Regresi Linier (Berganda)
c. Langkah-langkah Penggunaan
a) Setelah mengisi data dispss, selanjut klik analyze dan pilih regression
> linear
b) Setelah itu maka akan mucul tabel linear regression, masukan
keputusan_konsumen dalam kotak dependent dengan menekan tanda
panah disamping dependent dan juga masukan promos dan harga ke
dalam kotak independent dengan menekan tanda panah, lalu menekan
ok.
d) Lalu klik plots pada tabel linear regression, setelah itu pindahkan
ZPRED ke kotak X, dan pindahkan juga ZRESID ke kotak Y untuk
memunculkan uji normalitas, lalu klik ok.
e) Setelah semua tombol perintah yang diinginkan di klik, maka untuk
memunculkan semua output, klik OK dengan demikian output yang
diinginkan akan ditampilkan pada file OUTPUT.
f) Selanjutnya uji asumsi kalsik yaitu menggunakan Uji Kolmogorov-
smirnov, dimana Langkah pertama klik menu analyze pilih regression
dan klik linear dan Masukkan variabel keputusan_konsumen ke kotak
Dependent dan variabel Promosi dan Harga ke dalam kotak
Independent(s) sehingga akan terlihat seperti berikut:
m) Maka di bagian data view akan muncul variable baru dengan nama
Abs_RES
n) Setelah itu lakukan Kembali analisis dengan menggunakan menu
analyze -> Regression -> linear. Masukan variabel abs_res ke kotak
dependent dan promosi dan harga ke kotak independent lalu klik ok.
No.
Keputusan
Responde Promosi Harga
Konsumen
n
1 10 7 23
2 2 3 7
3 4 2 15
4 6 4 17
5 8 6 23
6 7 5 22
7 4 3 10
8 6 3 14
9 7 4 20
10 6 3 19
11 5 7 23
12 4 3 26
13 3 2 18
14 3 4 17
15 9 6 10
16 8 5 22
17 7 6 12
18 6 5 15
19 5 3 17
20 5 3 14
21 4 4 10
22 4 3 23
23 3 2 20
24 2 7 29
25 3 5 18
26 2 4 12
27 7 2 13
28 5 3 10
29 8 6 17
30 3 6 20
Hasil
Uji Normalitas
Berdasarkan P-P Plot of Regresion Standar Residual diatas bisa dilihat bahwa
penyebaran responden (O) mendekati garis diagonal yang berarti dengan demikian
sebaran data atau responden tersebut berdistribusi normal. Namun, apabila peneliti
belum merasa puas dengan data diatas dan merasa bahwa data tersebut masih
belum meyakinkan. Maka peneliti bisa menggunakan tahapan selanjutnya untuk
meyakinkan data tersebut yaitu dengan cara Kolmogorov Smirnov Test dibawah.
Dilihat dari tabel Kolmogorov diatas bisa dilihat bahwa nilai asymp Sig-nya
sebesar 200 dan menurut syarat, bahwa untuk nilai sig harus lebih besar dari 0,05
yang berarti data diatas memenuhi syarat dan bersifat normal.
Uji Heterokedastisitas
Berdasarkan dari data Scatterplot diatas bisa dilihat bahwa data diatas (o)
menyebar dengan berantakan dan tanpa adanya yang saling bertumpang tindih
yang berarti data diatas tidak terjadi heterokedastisitas. Namun, apabila penguji
masih belum yakin dengan apa yang didapat dari gambar Scatterplot diatas bisa
menggunakan uji tahap selanjutnya untuk melkukan pembuktian yaitu dengan Uji
Park (mengabsolutkan nilai) dan dihasil kan data seperti berikut.
Dari hasil uji park diatas dapat dilihat bahwa tabel anova yang sudah di
absolutkan dengan nilai Res terdapat nilai sig-nya sebesar 0,789 yang berarti
melebihi ketentuan yaitu > 0,05 yang berarti tidak terjadinya heterokedastisitas.
Dari tabel diatas bahwa dalam uji multy kolenearitas terdapat ketentuan yaitu nilai
VIF harus kurang dari 5 (<5) dan nilai Tolerancenya harus >0,2 agar bisa
dinyatakan tidak terjadi multy kolenearitas. Dan bisa dilihat bahwa nilai
Tolerancenya sebesar 0,855 dan nilai VIF-nya sebesar 1,170 yang berarti
keduanya memenuhi syarat dan tidak terjaidi adanya multy kolenearitas.
Dilihat dari table model summery diatas bisa dilihat bahwa terdapat nilai R.Square
terdapat nilai sebesar 0.137 dan nalai durbin watsonnya sebesar 1,865.
K = 2 (jumlah variable)
N = 30 (jumlah responden)
Maka didapat data batas atas dan batas bawah adalah sebagai berikut
Autokolerasi Ragu-ragu Tidak Terjadi Ragu-ragu Autokolerasi
positif korelasi Negatif
dl du 4-dl 4-du
Dilihat dari nilai korelasi diatas bisa dilihat dahwa nilai durbin Watson nya
mendapatkan nilai 1,865 lebih besar dari batas atas (du) yakni 1,57 dan kurang
dari (4-du) 4-1,57 = 2,43. Maka sebagaimana dasar pengambilan keputusan dalam
uji durbin Watson diatas, dapat disimpulkan bahwa tidak terdapat masalah atau
gejala autokolerasi. Dengan demikian maka untuk uji hipotesis penelitian diatas
dapat dilakukan atau dilanjutkan.