Successfully reported this slideshow.

Bab 9 aplikasi uji regresi linear sederhana dan berganda

0

Share

Loading in …3
×
1 of 28
1 of 28

More Related Content

Related Books

Free with a 14 day trial from Scribd

See all

Bab 9 aplikasi uji regresi linear sederhana dan berganda

  1. 1. Today’s Topics • Analisa regresi linier ganda • Regresi linier ganda • Asumsi regresi linier • Seleksi Variabel regresi linier ganda
  2. 2. REGRESI LINIER GANDA Persamaan garis Regresi Linier Sederhana y = a + b Persamaan garis Regresi Linier Ganda y = a + b1x1 + b2x2 + … 1. Regresi linier ganda a. Variabel dependen : numerik b. Variabel independen : numerik dan kategorik 2. Regeresi logistik ganda a. Variabel dependen : kategorik b. Variabel independen : kategorik dan numerik
  3. 3. FUNGSI REGRESI LINIER GANDA a. Menetapkan model matematik yang paling baik untuk menggambarkan hubungan variabel independen dan variabel dependen. b. Menggambarkan hubungan kuantitatif antara variabel independen (x) dengan variabel dependen (y) setelah dikontrol variabel lain. c. Mengetahui variabel x mana yang penting/dominan dalam memprediksi variabel dependen. d. Mengetahui adanya interaksi pada dua/lebih variabel independen terhadap variabel dependen.
  4. 4. ASUMSI REGRESI LINIER Agar prediksi yang dihasilkan valid maka harus memenuhi asumsi regresi linier, antara lain : 1. Homoscedasticity a. Varian nilai variabel Y sama untuk semua nilai variabel X. b.Homoscedasticity : plot residual membentuk tebaran merata diatas dan dibawah garis tengah nol. c. Heteroscedasticity : tebaran residual mengelompok dibawah/diatas garis tengah nol. 2. Independensi/Autokorelasi a. Masing-masing variabel Y bebas satu sama lain, tidak boleh diukur dua kali. Bila penelitiannya cross-sectional berarti terpenuhi asumsinya karena tidak diukur dua kali/time series. b. Untuk menguji asumsi ini bisa juga diuji angka.
  5. 5. 3. Linieritas a. Nilai mean dari variabel Y untuk suatu kombinasi X1, X2 dst terletak pada garis linier yang dibentuk persamaan regresi. b. Asumsi terpenuhi : hasil uji Anova regresi hasilnya signifikan< α (0.05) 4. Gauss/Normalitas Variabel Y berdistribusi normal untuk setiap pengamatan variabel X. Asumsi terpenuhi bila grafik Normal P-P plot residual, titik tebarnya menyebar sekitar garis diagonal. Sebaliknya bila tebaran data menjauh garis diagonal maka asumsi tidak terpenuhi. 5. Diagnostik/Pengujian Kolinieritas Antar variabel independen terjadi hubungan yang lemah, apabila mempunyai r ≤ 0.8 atau nilai VIF < 10.
  6. 6. STUDI KASUS STUDI INTERVENSI KLASTER KAWASAN TANPA ROKOK PADA TINGKAT RUMAH TANGGA NON SMOKING AREA MODELLING AT THE HOUSEHOLD LEVEL, A CLUSTER TRIAL STUDY DESIGN Sumber data: Najmah, Fenny Etrawati, Yeni, Feranita Utama., 2015, Studi Intervensi Klaster Kawasan Tanpa Rokok pada Tingkat Rumah Tangga. 2015: Jurnal Ilmu Kesehatan Masyarakat Nasional: Universitas Indonesia, Vol 9 No 4 Mei 2015. (http://jurnalkesmas.ui.ac.id/index.php/kesmas/article/view/752. •BUKA DATA: KASUS II_KTR.sav
  7. 7. Variabel Independen Variabel Dependen Status Intervensi KTR (Kategorik, 0: Tidak, 1: Ya) Perilaku Merokok (Skor Total Perilaku/Numerik) Variabel Perancu Pendidikan Pekerjaan Pengetahuan Umur Sikap Hipotesa : Faktor apa yang dominan berpengaruh terhadap perubahan perilaku merokok pada desa yang mendapatkan intervesi terpadu kawasan tanpa rokok dan desa yang tidak mendapatkan intervensi terpadu di Kabupaten Ogan Ilir dikontrol oleh beberapa faktor perancu?
  8. 8. Langkah-langkah pengolahan data: • Analyze  Regression  Linear  Masukkan variabel dependen di kotak Dependent dan variabel independen di kotak Independent.
  9. 9. • Pada bagian Statisticchecklist Confidence intervals, model fit, R squared change dan collinearity diagnostic Continue
  10. 10. • Pada bagian Plots, masukan *ZPRED  KOTAK Y, *SRESID  KOTAK X, checklist Histogram dan Normal probability plot Continue  Ok.
  11. 11. •Asumsi Regresi Linier 1. Homoscedasticity Asumsi homoscedasticity terpenuhi, terlihat dari tebaran data pada grafik scatterplot merata/serupa antara bagian atas dan bawah titik nol.
  12. 12. 2. Asumsi Autokorelasi Asumsi autokorelasi sudah terpenuhi oleh karena pengumpulan datanya dilakukan satu kali/bukan time series. 3. Asumsi Linieritas Asumsi linieritas sudah terpenuhi oleh karena hasil uji anova didapatkan p-value = 0.0005 < α (0.05), artinya garis yang terbentuk dalam multivariate adalah linier.
  13. 13. 4. Asumsi Normalitas Data Asumsi normalitas data terpenuhi karena hasil analisis dengan grafik histogram membentuk kurva normal dan grafik p-p plot menunjukkan tebaran data berimpit dengan garis diagonal.
  14. 14. 5. Pegujian Kolinieritas Hasil analisis menunjukkan tidak ada kolinieritas (hubungan yang sangat kuat) antara variabel intervensi, pendidikan, pekerjaan, umur, sikap dan pengetahuan terbukti dari nilai VIF <10. 6. Kesimpulan Asumsi Semua asumsi dari regresi linier terpenuhi.
  15. 15. SELEKSI VARIABEL • Coba perhatikan hasil bivariat dengan menggunakan Uji Korelasi dibawah ini, kita akan masuk ke tahap selanjutnya, yaitu aplikasi uji regresi linear berganda, dengan syarat nilai signifikasi variabel (p value<0,25) Variabel 95% CI p value Intervensi -2,141 – (- 1,159) *<0,0001 Pendidikan -0,097-0,377 *0,245 Pekerjaan -0,198-0,111 0,577 Umur (Tahun) -0,036-0,007 0,190 Skor sikap 0,043-0,176 *0,001 Skor Pengetahuan -0,202- 0,111 0,556 Tabel 46. Hasil Uji Bivariabel Antara Variabel Independen DanVariabel Dependen
  16. 16. • Hasil analisis menunjukkan bahwa variabel independen yang dapat masuk ke dalam pemodelan adalah variabel intervensi, umur dan sikap mengenai rokok (p value<0,25). • Sedangkan variabel pendidikan, pekerjaan dan skor pengetahuan tidak dapat masuk ke dalam pemodelan karena p value > 0,25. • Secara substansi ketiga variabel tersebut dianggap penting sehingga tetap dimasukkan ke dalam pemodelan multivariat.
  17. 17. ouput SPSS:
  18. 18. • Evaluasi seleksi variabel dengan batas p value< 0,05. Dari nilai p diatas, variabel status pekerjaan, umur dan pengetahuan memiliki p value > 0,05 sehingga harus keluar dari model. Pengetahuan p value yang tertinggi, maka dikeluarkan terlebih dahulu. Kemudian lakukan analisis regresi linier ganda kembali terhadap variabel intervensi, pendidikan, pekerjaan, umur, sikap dan pengetahuan. a. Model Keseluruhan
  19. 19. • Kita membandingkan OR sebelum dan setelah dikeluarkan variabel dengan p value tertinggi, skor pengetahuan. • Setelah pengetahuan keluar terlihat R square berubah dan Koefisien B untuk masing-masing juga tidak berubah lebih besar ( > 10 %), sehingga variabel skor pengetahuan tetap dikeluarkan atau dengan kata lain skor pengetahuan bukan merupakan faktor perancu. • Jika perubahan variabel Intervensi dan variabel lainnya lebih dari 10 % (minimal satu variabel), maka variabel yang dikeluarkan tadi harus dimasukkan kembali. Perubahan koefisien B bisa dilihat pada tabel dibawah ini.
  20. 20. Variabel Sebelum Pengetahuan Dikeluarkan Setelah Pengetahuan Dikeluarkan Perubahan Koefisien B Intervensi 1.77 1.76 0.001% Pendidikan 0.22 0.24 0.002% Pekerjaan -0.07 -0.07 0% Umur -0.01 -0.01 0% Sikap 0.11 0.11 0% Pengetahuan -0.06 - - Tabel 47. Tabel Perubahan Koefisien B Sebelum dan Sesudah Variabel Pengetahuan Dikeluarkan Keluarkan variabel pekerjaan dan umur p value > 0.05 lakukan satu persatu berdasarkan p value yang tertinggi, bandingkan koefisien sebelum dan sesudah apakah terjadi perubahan pada koefisien B. Selanjutnya akan didapatkan tahap pemodelan pada tabel berikut.
  21. 21. Tabel 48. Tahap Pemodelan Multivariabel Variabel Full Model (RR) Model I (RR) Model II (RR) Model III (RR) Intervensi *0.464 *0.460 *0.460 *0.463 Pendidikan 0.125 0.141 *0.132 *0.152 Pekerjaan -0.073 -0.064 - - Umur -0.075 -0.076 -0.176 - Sikap *0.230 *0.223 *0.221 *0.261 Tahu -0.055 - - Laporan dan Interpretasi Hasil analisis pada tabel di atas menunjukkan bahwa secara bersama-sama variabel intervensi mempunyai pengaruh yang signifikan terhadap perubahan perilaku responden (p value < 0,05). Hasil intervensi yang dilakukan mempunyai peluang 46% untuk mengurangi perilaku merokok responden (RR 0,46) setelah dikontrol oleh variabel pendidikan (RR 0,152) dan Sikap (RR 0,216).
  22. 22. Variabel Crude RR Adjusted RR Intervensi *0.464 *0.463 Pendidikan 0.125 *0.152 Pekerjaan -0.073 - Umur -0.075 - Sikap *0.230 *0.261 Tahu -0.055 Tabel 49. Laporan Hasil
  23. 23. C. Aplikasi Syntax pada Studi Kasus Di Atas REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT SKORPERILAKU /METHOD=ENTER INTERVENSI PENDIDIKAN ART1h ART1f_tahun skor_sikap skor_tahu. REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT SKORPERILAKU /METHOD=ENTER INTERVENSI PENDIDIKAN ART1h ART1f_tahun skor_sikap. Notes: Anda cukup mengetik tahap awal, untuk pemodelan selanjutnya, anda tinggal delete variabel yang perlu dikeluarkan!
  24. 24. REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT SKORPERILAKU /METHOD=ENTER INTERVENSI PENDIDIKAN ART1f_tahun skor_sikap. REGRESSION /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT SKORPERILAKU /METHOD=ENTER INTERVENSI PENDIDIKAN skor_sikap.
  25. 25. d. Output SPSS •Output Model I Gambar 82. Output Regresi Linier Ganda Model I •Output SPSS •Output Model I •Output SPSS •Output Model I •Output SPSS •Output Model I
  26. 26. •Output Model II •Output Model III Gambar 83. Output Regresi Linier Ganda Model II•Output Model III•Output Model III
  27. 27. Referensi thankyou

×