REGLINBERGANDA
β’Download as PPTX, PDFβ’
1 likeβ’1,281 views
Regresi linear berganda digunakan untuk mengetahui pengaruh antara satu atau beberapa variabel bebas terhadap satu variabel terikat. Hasil regresi memberikan koefisien dan koefisien determinasi untuk mengetahui kekuatan hubungan antar variabel. Uji autokorelasi dan heteroskedastisitas dilakukan untuk mengetahui ada tidaknya masalah pada asumsi klasik regresi linear.
Recommended
More Related Content
What's hot
What's hot (13)
Viewers also liked
Viewers also liked (20)
Similar to REGLINBERGANDA
Similar to REGLINBERGANDA (20)
Recently uploaded
Recently uploaded (9)
REGLINBERGANDA
- 2. Regresi Linear Berganda. β’ Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui pengaruh antara satu atau beberapa variabel terhadap satu buah variabel. β’ Variabel yang mempengaruhi sering disebut variabel bebas, variabel independen atau variabel penjelas
- 3. Hasil Regresi Dependent Variable: Y Method: Least Squares Date: 12/24/16 Time: 20:44 Sample: 1962Q1 1967Q4 Included observations: 24 Variable Coefficient Std. Error t-Statistic Prob. C 365.4065 7.995690 45.70043 0.0000 X -46.83080 1.653856 -28.31612 0.0000 R-squared 0.973295 Mean dependent var 141.8675 Adjusted R-squared 0.972081 S.D. dependent var 37.19489 S.E. of regression 6.214922 Akaike info criterion 6.571439 Sum squared resid 849.7555 Schwarz criterion 6.669610 Log likelihood -76.85726 Hannan-Quinn criter. 6.597483 F-statistic 801.8027 Durbin-Watson stat 1.341748 Prob(F-statistic) 0.000000
- 4. Cara Membaca Hasil Regresi π = 365,41 β 46,83 π1 β’ π½0 = 365,41; β’ Berarti nilai Y sebesar 365,41 pada saat π1 sama dengan nol atau konstan β’ π½1 = 46,83; β’ Koefisien regresi variabel π1 sebesar 46,83 , berarti ada pengaruh negatif antara π1 terhadap Y sebesar 46,83
- 5. Koefisien Determinasi (πΉ π ) β’ Koefisien Determinasi ( π 2 ) merupakan kemampuan menunjukkan model (Variabel Penjelas) dalam menjelaskan variabel terikat. β’ Nilai π 2 besarnya 0< π 2 <1, dimana semakin mendekati 1 maka dapat dinyatakan model semakin baik
- 6. Koefisien Determinasi (πΉ π ) β’ Koefisien determinasi π 2 yang disesuaikan sebesar 0,97, berarti kemampuan variabel π1 dalam menjelaskan variabel Y sebesar 97%. Sedangkan sisanya 3% dijelaskan variabel lain di luar model yang secara implisit tercermin pada variabel penganggu
- 7. INGAT! β’ DALAM MELIHAT (π 2) MAYORITAS MENGINGINKAN (π 2) NILAINYA MENDEKATI 1 AGAR MODEL DIKATAKAN SEMAKIN BAIK. β’ DALAM PRAKTEKNYA TIDAK SELALU (π 2 ) HARUS MENDEKATI 1 MENGINGAT HARUS ADA KESESUAIAN ANTARA TEORI DAN VARIABEL YANG AKAN DITELITI
- 9. β’ Untuk melihat apakah terjadi korelasi antara suatu periode t dengan periode sebelumnya (t -1). β’ Secara sederhana adalah bahwa analisis regresi adalah untuk melihat pengaruh antara variabel bebas terhadap variabel terikat, jadi tidak boleh ada korelasi antara observasi dengan data observasi sebelumnya.
- 10. β’ Uji autokorelasi hanya dilakukan pada data time series (runtut waktu) dan tidak perlu dilakukan pada data cross section seperti pada kuesioner di mana pengukuran semua variabel dilakukan secara serempak pada saat yang bersamaan. β’ Beberapa uji statistik yang sering dipergunakan adalah uji Durbin-Watson, uji dengan Run Test dan jika data observasi di atas 100 data sebaiknya menggunakan uji Lagrange Multiplier.
- 11. Ketentuan Penggunaan DW Statistik β’ 0 < d < dl, berarti terjadi autokorelasi negatif β’ dl< d < du, berarti inclonklusive atau tidak dapat disimpulkan β’ du < d < 4 - du, berarti tidak terjadi autokorelasi β’ 4-du < d < 4-dl, berarti inclonklusive atau tidak dapat disimpulkan β’ 4-du > d > 4-dl, berarti terjadi autokorelasi positif
- 12. Membandingkan DW Hitung dan DW Tabel β’ Tingkat derajat level yang diinginkan 5%, ingat tingkat derajat level tidak harus menggunakan 5%. β’ cari nilai n ? β’ cari jumlah k? β’ cari dl ? β’ cari du ?
- 13. β’ n = 24, k = 1, diperoleh dl = 1,27 dan dua = 1,45 serta 4-dl = 2,73 dan 4-du = 2,25 Kesimpulan dl < d <4-du/ 1,27 < 1,34 < 1,45 Maka tidak dapat disimpulkan, berarti tidak dapat diketahui dengan pasti apakah terjadi korelasi antara variabel gangguan yang satu dengan variabel gangguan pada observasi lainnya. Berarti odel harus diperbaiki, agar autokorelasi dapat diperbaiki
- 15. β’ Beberapa cara untuk menanggulangi masalah autokorelasi adalah dengan mentransformasikan data atau bisa juga dengan mengubah model regresi ke dalam bentuk persamaan beda umum (generalized difference equation). β’ Selain itu juga dapat dilakukan dengan memasukkan variabel lag dari variabel terikatnya menjadi salah satu variabel bebas, sehingga data observasi menjadi berkurang 1.
- 16. Langkah β langkah Melakukan Uji Autokorelasi β’ Melakukan regresi antara variabel bebas dan terikat β’ Mencari nilai residual Genr ui = resid β’ Mencari nilai koefisien autokorelasi (π)/ melakukan transformasi variabel terikat βππ‘= ππ‘ β ππ‘β1dan βππ‘= ππ‘ β ππ‘β1 β’ Meregresikan variabel βππ‘ dan βππ‘ β’ Menguji autokorelasi kembali
- 17. Mencari nilai koefiein autokorelasi (π)/ autoregresif derajad pertama Dependent Variable: UI Method: Least Squares Date: 12/25/16 Time: 09:21 Sample (adjusted): 1962Q2 1967Q4 Included observations: 23 after adjustments Variable Coefficient Std. Error t-Statistic Prob. UI(-1) 0.256366 0.201076 1.274973 0.2156 R-squared 0.063697 Mean dependent var 0.423193 Adjusted R-squared 0.063697 S.D. dependent var 5.842231 S.E. of regression 5.653104 Akaike info criterion 6.344791 Sum squared resid 703.0669 Schwarz criterion 6.394161 Log likelihood -71.96510 Hannan-Quinn criter. 6.357208 Durbin-Watson stat 1.827320 Dari hasil regresi diperoleh koefisien regresi UI(-1)(π) sebesar 0,256
- 18. Melakukan Transformasi Variabel β’ Genr Y_Tho=Y-(0,256*Y(-1)) kemudian dilanjutkan dengan β’ Genr X_Tho=X-(0,256*X(-1)) Melakukan Regresi Variabel Baru Y_Tho dengan X_Tho
- 19. Melakukan Regresi Variabel Baru Dependent Variable: Y_THO Method: Least Squares Date: 12/25/16 Time: 09:53 Sample (adjusted): 1962Q2 1967Q4 Included observations: 23 after adjustments Variable Coefficient Std. Error t-Statistic Prob. C 269.7026 7.316626 36.86160 0.0000 X_THO -46.07193 2.052425 -22.44756 0.0000 R-squared 0.959992 Mean dependent var 107.6768 Adjusted R-squared 0.958087 S.D. dependent var 28.05148 S.E. of regression 5.742908 Akaike info criterion 6.416750 Sum squared resid 692.6008 Schwarz criterion 6.515488 Log likelihood -71.79262 Hannan-Quinn criter. 6.441582 F-statistic 503.8928 Durbin-Watson stat 1.829411 Prob(F-statistic) 0.000000
- 20. β’ n = 23, k = 1, diperoleh dl = 1,257 dan du = 1,437 serta 4-dl = 2,743 dan 4-du = 2,563 Kesimpulan dl < d <4-du/ 1,257 < 1,829 < 2,563 Maka pada model ini tidak terjadi autokorelasi
- 22. β’ Uji heteroskedastisitas adalah untuk melihat apakah terdapat ketidaksamaan varians dari residual satu ke pengamatan ke pengamatan yang lain. β’ Uji statistik yang dapat digunakan adalah Uji Breusch β Pagan β Test, uji Glejser, uji White.
- 24. Langkah β Langkah melakukan Uji BPGβ’ Estimiasi model persamaan β’ Buat model persamaan untuk model regresi auxiliary β’ Membuat hipotesa β’ πΉβππ‘π’ππ > πΉπ‘ππππ; Maka π»0 ditolak dan π»πditerima/terjadi heteroskedastisitas β’ πΉβππ‘π’ππ< πΉπ‘ππππ Maka π»0 diterima dan π»πditolak/ tidak terjadi heteroskedastisitas β’ Membandingkan statistik πΉβππ‘π’ππdan πΉπ‘ππππ
- 25. Hasil Estimasi Dependent Variable: Y Method: Least Squares Date: 12/26/16 Time: 05:43 Sample: 1990 1999 Included observations: 10 Variable Coefficient Std. Error t-Statistic Prob. C 17.64921 3.530867 4.998547 0.0025 X1 -0.021505 0.039425 -0.545478 0.6051 X2 -0.042767 0.017756 -2.408560 0.0527 X3 3.602069 0.618745 5.821572 0.0011 R-squared 0.993354 Mean dependent var 111.0000 Adjusted R-squared 0.990031 S.D. dependent var 31.42893 S.E. of regression 3.138089 Akaike info criterion 5.414280 Sum squared resid 59.08563 Schwarz criterion 5.535314 Log likelihood -23.07140 Hannan-Quinn criter. 5.281506 F-statistic 298.9192 Durbin-Watson stat 2.996671 Prob(F-statistic) 0.000001
- 26. Heteroskedasticity Test: Breusch-Pagan-Godfrey F-statistic 3.625258 Prob. F(3,6) 0.0841 Obs*R-squared 6.444607 Prob. Chi-Square(3) 0.0919 Scaled explained SS 1.299760 Prob. Chi-Square(3) 0.7292 Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 12/26/16 Time: 05:44 Sample: 1990 1999 Included observations: 10 Variable Coefficient Std. Error t-Statistic Prob. C 22.33789 5.417055 4.123622 0.0062 X1 -0.028630 0.060486 -0.473328 0.6527 X2 0.033982 0.027241 1.247447 0.2587 X3 -1.496094 0.949279 -1.576032 0.1661 R-squared 0.644461 Mean dependent var 5.908563 Adjusted R-squared 0.466691 S.D. dependent var 6.592616 S.E. of regression 4.814456 Akaike info criterion 6.270298 Sum squared resid 139.0739 Schwarz criterion 6.391332 Log likelihood -27.35149 Hannan-Quinn criter. 6.137523 F-statistic 3.625258 Durbin-Watson stat 1.598673 Prob(F-statistic) 0.084101
- 27. Hipotesa β’ πΉβππ‘π’ππ > πΉπ‘ππππ; Maka π»0 ditolak dan π»πditerima/terjadi heteroskedastisitas β’ πΉβππ‘π’ππ< πΉπ‘ππππ Maka π»0 diterima dan π»πditolak/ tidak terjadi heteroskedastisitas Membandingkan statistik π ππππππdan π πππππ 3,63 < 4,76 Tidak Terjadi Heteroskedastisitas
- 29. Langkah β Langkah Menggunakan White Test β’ Estimiasi model persamaan β’ Melakukan Uji White Test β’ Membuat Asumsi β’ π β π£πππ’π πππ βR β Square < πΌ π»0 ditolak dan π»πditerima/terjadi heteroskedastisitas β’ π β π£πππ’π πππ βR β Square > πΌ π»0 diterima dan π»πditolak/ tidak terjadi heteroskedastisitas β’ Membandingkan statistik π β π£πππ’π πππ β R β Square dengan πΌ
- 30. Heteroskedasticity Test: White F-statistic 2.288185 Prob. F(3,6) 0.1785 Obs*R-squared 5.336022 Prob. Chi-Square(3) 0.1488 Scaled explained SS 1.076179 Prob. Chi-Square(3) 0.7828 Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 12/26/16 Time: 06:08 Sample: 1990 1999 Included observations: 10 Variable Coefficient Std. Error t-Statistic Prob. C 14.22660 3.714249 3.830276 0.0087 X1^2 -9.60E-05 0.000198 -0.483997 0.6455 X2^2 7.85E-06 8.04E-06 0.976129 0.3667 X3^2 -0.012866 0.010150 -1.267558 0.2519 R-squared 0.533602 Mean dependent var 5.908563 Adjusted R-squared 0.300403 S.D. dependent var 6.592616 S.E. of regression 5.514189 Akaike info criterion 6.541701 Sum squared resid 182.4377 Schwarz criterion 6.662735 Log likelihood -28.70850 Hannan-Quinn criter. 6.408927 F-statistic 2.288185 Durbin-Watson stat 1.539886 Prob(F-statistic) 0.178541
- 31. Hipotesa β’ π β π£πππ’π πππ βR β Square < πΌ π»0 ditolak dan π»πditerima/terjadi heteroskedastisitas β’ π β π£πππ’π πππ βR β Square > πΌ π»0 diterima dan π»πditolak/ tidak terjadi heteroskedastisitas β’ Membandingkan statistik π β π£πππ’π πππ β R β Square dengan πΌ 5,34 > 0,05 Tidak Terjadi Heteroskedastisitas
- 33. Langkah β Langkah Menggunakan Glejser β’ Estimiasi model persamaan β’ Melakukan Uji Glejser β’ π‘βππ‘π’ππ > π‘π‘ππππ; Maka π»0 ditolak dan π»πditerima/terjadi heteroskedastisitas β’ π‘βππ‘π’ππ< π‘π‘ππππ Maka π»0 diterima dan π»πditolak/ tidak terjadi heteroskedastisitas β’ Membandingkan statistik π‘βππ‘π’ππ dengan π‘π‘ππππ
- 34. Heteroskedasticity Test: Glejser F-statistic 3.716753 Prob. F(3,6) 0.0804 Obs*R-squared 6.501511 Prob. Chi-Square(3) 0.0896 Scaled explained SS 2.855102 Prob. Chi-Square(3) 0.4145 Test Equation: Dependent Variable: ARESID Method: Least Squares Date: 12/26/16 Time: 06:22 Sample: 1990 1999 Included observations: 10 Variable Coefficient Std. Error t-Statistic Prob. C 5.010934 1.077036 4.652521 0.0035 X1 0.004837 0.012026 0.402238 0.7014 X2 0.005501 0.005416 1.015620 0.3490 X3 -0.279644 0.188739 -1.481648 0.1889 R-squared 0.650151 Mean dependent var 2.082575 Adjusted R-squared 0.475227 S.D. dependent var 1.321382 S.E. of regression 0.957226 Akaike info criterion 3.039619 Sum squared resid 5.497685 Schwarz criterion 3.160653 Log likelihood -11.19810 Hannan-Quinn criter. 2.906845 F-statistic 3.716753 Durbin-Watson stat 1.901227 Prob(F-statistic) 0.080364
- 35. Hipotesa β’ π‘βππ‘π’ππ > π‘π‘ππππ; Maka π»0 ditolak dan π»πditerima/terjadi heteroskedastisitas β’ π‘βππ‘π’ππ< π‘π‘ππππ Maka π»0 diterima dan π»πditolak/ tidak terjadi heteroskedastisitas Membandingkan statistik π ππππππdan π πππππ πΏ π 0,40 < 1,943 πΏ π 1,02 < 1,943 πΏ π 1,48 < 1,943 Tidak Terjadi Heteroskedastisitas
- 37. β’ Beberapa alternatif solusi jika model menyalahi asumsi heteroskedastisitas adalah dengan mentransformasikan ke dalam bentuk logaritma, yang hanya dapat dilakukan jika semua data bernilai positif. β’ Atau dapat juga dilakukan dengan membagi semua variabel dengan variabel yang mengalami gangguan heteroskedastisitas.
- 39. β’ Uji multikolinearitas adalah untuk melihat ada atau tidaknya korelasi yang tinggi antara variabel- variabel bebas dalam suatu model regresi linear berganda. β’ Alat statistik yang sering dipergunakan untuk menguji gangguan multikolinearitas adalah dengan variance inflation factor (VIF), korelasi pearson antara variabel-variabel bebas, atau dengan melihat eigenvalues dan condition index (CI).
- 41. Langkah β Langkah Menggunakan Metode Klian β’ Meregresikan seluruh variabel bebas dengan variabel terikat β’ Meregresikan antara variabel bebas satu dengan variabel bebas lainnya β’ Membandingkan π 2 antara hasil regresi π 2 (dari hasil regresi seluruh variabel bebas dengan variabel terikat) dibandingkan dengan π 2 (dari hasil regresi antara variabel bebas satu dengan variabel bebas lainnya). β’ π π¦,π₯1,π₯2,β¦.π₯π 2 > π π₯1,π₯2,β¦.π₯π 2 ; Maka tidak terjadi multikolinieritas yang disebab oleh X1, X2,.....Xn β’ π π¦,π₯1,π₯2,β¦.π₯π 2 < π π₯1,π₯2,β¦.π₯π 2 ; Maka terjadi multikolinieritas yang disebab oleh X1, X2,.....Xn
- 42. Meregresikan Variabel Y dengan X1 dan X2 Dependent Variable: Y Method: Least Squares Date: 12/26/16 Time: 08:33 Sample: 1990 1999 Included observations: 10 Variable Coefficient Std. Error t-Statistic Prob. C 25.38343 7.809425 3.250358 0.0141 X1 -0.106584 0.087410 -1.219352 0.2622 X2 0.058732 0.008025 7.318530 0.0002 R-squared 0.955812 Mean dependent var 111.0000 Adjusted R-squared 0.943187 S.D. dependent var 31.42893 S.E. of regression 7.491212 Akaike info criterion 7.108663 Sum squared resid 392.8278 Schwarz criterion 7.199439 Log likelihood -32.54332 Hannan-Quinn criter. 7.009083 F-statistic 75.70772 Durbin-Watson stat 2.571846 Prob(F-statistic) 0.000018
- 43. Meregresikan Variabel X1 dengan X2 Dependent Variable: X1 Method: Least Squares Date: 12/26/16 Time: 09:20 Sample: 1990 1999 Included observations: 10 Variable Coefficient Std. Error t-Statistic Prob. C 22.15423 30.60076 0.723976 0.4897 X2 0.078855 0.016625 4.743173 0.0015 R-squared 0.737685 Mean dependent var 160.0000 Adjusted R-squared 0.704896 S.D. dependent var 55.77734 S.E. of regression 30.30020 Akaike info criterion 9.837042 Sum squared resid 7344.819 Schwarz criterion 9.897559 Log likelihood -47.18521 Hannan-Quinn criter. 9.770655 F-statistic 22.49769 Durbin-Watson stat 2.716622 Prob(F-statistic) 0.001458
- 44. Meregresikan Variabel X2 dengan X1 Dependent Variable: X2 Method: Least Squares Date: 12/26/16 Time: 09:22 Sample: 1990 1999 Included observations: 10 Variable Coefficient Std. Error t-Statistic Prob. C 251.3000 332.3793 0.756064 0.4713 X1 9.355000 1.972309 4.743173 0.0015 R-squared 0.737685 Mean dependent var 1748.100 Adjusted R-squared 0.704896 S.D. dependent var 607.5277 S.E. of regression 330.0303 Akaike info criterion 14.61310 Sum squared resid 871360.2 Schwarz criterion 14.67362 Log likelihood -71.06551 Hannan-Quinn criter. 14.54672 F-statistic 22.49769 Durbin-Watson stat 1.996662 Prob(F-statistic) 0.001458
- 45. Intepretasi β’ Melakukan perbandingan π 2 π π¦,π₯1,π₯2 2 = 0,956 π π₯1,π₯2 2 = 0,737 β’ Sehingga π π¦,π₯1,π₯2 2 (0,956) > π π₯1,π₯2 2 (0,737), maka dapat disimpulkan tidak terjadi multikolinieritas
- 47. Langkah β Langkah Menggunakan Metode Uji F (Serentak) β’ Meregresikan antara variabel bebas satu dengan variabel bebas lainnya β’ Membandingkan πΉβππ‘π’ππ dengan πΉπ‘ππππ antara hasil regresi variabel bebas satu dengan variabel bebas lainnya β’ πΉβππ‘π’ππ > πΉπ‘ππππ; Maka terjadi multikolinieritas antara variabel bebas β’ πΉβππ‘π’ππ < πΉπ‘ππππ; Maka tidak terjadi multikolinieritas antara variabel bebas
- 48. Intepretasi β’ Melakukan perbandingan πΉβππ‘π’ππ dengan πΉπ‘ππππ π ππππππ = 22,497 π πππππ = 161 β’ tidak terjadSehingga πΉβππ‘π’ππ(22,497) < πΉπ‘ππππ (161), maka dapat disimpulkan tidak terjadi multikolinieritas
- 49. UJI MULTIKOLINIERITAS MENGGUNAKAN UJI t (FARRAR - GLAUBER)
- 50. Langkah β Langkah Menggunakan Metode Uji t (Farrar - Gluber) β’ Meregresikan antara variabel bebas satu dengan variabel bebas lainnya β’ Membandingkan π‘βππ‘π’ππ dengan π‘π‘ππππ antara hasil regresi variabel bebas satu dengan variabel bebas lainnya β’ π‘βππ‘π’ππ > π‘π‘ππππ; Maka terjadi multikolinieritas antara variabel bebas β’ π‘βππ‘π’ππ < π‘π‘ππππ; Maka tidak terjadi multikolinieritas antara variabel bebas
- 51. Intepretasi β’ Melakukan perbandingan π‘βππ‘π’ππ dengan π‘π‘ππππ π ππππππ = 1,943 π πππππ = 4,743 β’ tidak terjadSehingga π‘βππ‘π’ππ(1,943) < π‘π‘ππππ (4,743), maka dapat disimpulkan tidak terjadi multikolinieritas
- 53. β’ Mengganti atau mengeluarkan variabel yang mempunyai korelasi yang tinggi. β’ Menambah jumlah observasi. β’ Mentransformasikan data ke dalam bentuk lain, misalnya logaritma natural, akar kuadrat atau bentuk first difference delta.
- 54. UJI NORMALITAS
- 55. β’ Uji normalitas adalah untuk melihat apakah nilai residual terdistribusi normal atau tidak. β’ Model regresi yang baik adalah memiliki nilai residual yang terdistribusi normal.
- 56. β’ Uji normalitas hanya digunakan jika jumlah observasi adalah kurang dari 30, untuk mengetahui apakah error term mendekati distribusi normal β’ Jika jumlah observasi lebih dari 30, maka tidak perlu dilakukan uji normalitas sebab distribusi sampling error term telah mendekati normal
- 58. Langkah β Langkah Melakukan Pengujian Normalitas β’ Estimiasi model persamaan β’ Melakukan Uji Normality Test β’ Membuat Asumsi β’ π β π£πππ’π < πΌ π»0 ditolak dan π»πditerima/ error term tidak terdistribusi normal β’ π β π£πππ’π > πΌ π»0 diterima dan π»πditolak/ error term terdistribusi normal β’ Membandingkan statistik π β π£πππ’π dengan πΌ
- 59. 0 1 2 3 4 5 6 -5.0 -2.5 0.0 2.5 5.0 Series: Residuals Sample 1990 1999 Observations 10 Mean 3.13e-14 Median 0.546906 Maximum 4.243741 Minimum -4.200576 Std. Dev. 2.562239 Skewness -0.034933 Kurtosis 2.120455 Jarque-Bera 0.324367 Probability 0.850285
- 60. Hipotesa β’ π β π£πππ’π < πΌ π»0 ditolak dan π»πditerima/ error term tidak terdistribusi normal β’ π β π£πππ’π > πΌ π»0 diterima dan π»πditolak/ error term terdistribusi normal β’ Membandingkan statistik π β π£πππ’π dengan πΌ 0,850 > 0,05 Tidak Terjadi Heteroskedastisitas
- 61. Thank you!