2. Regresi linier berganda
1. Regresi berganda adalah model regresi atau prediksi yang melibatkan lebih dari satu variabel bebas atau prediktor.
Istilah regresi berganda dapat disebut juga dengan istilah multiple regression. Kata multiple berarti jamak atau lebih
dari satu variabel.
2. PERBEDAAN multiple regression dengan multivariat regression. jika multiple regression atau regresi berganda
adalah adanya lebih dari satu variabel prediktor (variabel bebas/variabel independen. SEDANGKAN multivariat
regression atau regresi multivariat adalah analisis regresi dimana melibatkan lebih dari satu variabel response
(variabel terikat/variabel dependen).
3. Persamaan Regresi
Persamaan Regresi linier Berganda:
Y = a + b1X1 + b2X2 + … + bnXn
Y = Nilai yang diramalkan
a = Konstansta
b = Koefesien regresi
X = Variabel bebas
= Nilai Residu
Pada sesi sebelumnya kita hanya menggunakan satu buah X, dengan model Y = a + bX
4. Jenis regresi berganda
1. Regresi linier berganda
2. Regresi linear dengan variabel dummy jika variabel terikatnya berskala data
interval atau rasio (kuantitatif atau numerik) dan variabel bebas menggunakan
skala data nominal atau ordinal.
3. Regresi Logistik Berganda jika variabel terikatnya adalah data dikotomi.
Dikotomi artinya dalam bentuk kategorik dengan jumlah kategori sebanyak 2
kategori. Misal: Laki-laki dan perempuan, baik dan buruk, ya dan tidak dan
variabel bebasjuga variabel dikotomi. Namun tidak masalah jika variabel dalam
skala data interval, rasio, ordinal. Contoh: pengaruh rokok dan jenis kelamin
terhadap kejadian kanker paru. Dimana rokok kategorinya ya dan tidak, jenis
kelamin kategorinya laki-laki dan perempuan, sedangkan kejadian kanker paru
kategorinya ya dan tidak.
5. 4. Regresi Ordinal berganda jika variabel terikat adalah berskala data ordinal.
Sedangkan variabel bebas pada umumnya juga ordinal
5. Regresi Multinomial Berganda jika variabel terikat adalah data nominal dengan
jumlah kategori lebih dari 2 (dua) dan variabel bebas ada lebih dari satu variabel.
Jenis regresi ini hampir sama dengan regresi logistik berganda, namun bedanya
adalah variabel terikat kategorinya lebih dari dua, sedangkan regresi logistik
berganda variabel terikatnya mempunyai kategori hanya dua (dikotomi). Contoh:
pengaruh Pendidikan Orang Tua dan Penghasilan Orang Tua terhadap pilihan
jurusan kuliah. Dimana pendidikan dan penghasilan orang tua berskala data
ordinal dan pilihan jurusan kuliah adalah variabel berskala data nominal lebih
dari dua kategori, yaitu: jurusan kesehatan, hukum, sosial, sastra, pendidikan,
lain-lain.
7. Aplikasi analisis regresi linier
Peneliti ingin mengetahui apakah ada
pengaruh variabel motivasi dan minat
terhadap prestasi.
8. Masukkan data pada spss kemudian ubah variabel
view. Sesuaikan dengan jenis data yang digunakan.
Lalu lakukan analisis regresi.
9. Setelah itu klik oke. Kemudian
output regresi berganda akan
keluar sebagai berikut:
1
2 3
10. Interpretasi output
Nilai R square 0,839 atau sama dengan 83,9% yg mengandung arti X1, dan X2 secara simultan berpengaruh
terhadap Y yaitu sebesar 83,9% sedangkan sisanya 16,1% dipengaruhi oleh variabel lain diluar penelitian. R
Square berkisar 0-1. jika bernilai minus maka dapat dikatakan tidak terdapat pengaruh. Semakin kecil nilai R
square semakin lemah pengaruhnya.
Model summary digunakan untuk melihat
sumbangan variabel X terhadap Y
ANOVA digunakan untuk melihat
ada tidaknya pengaruh variabel X
terhadap Y secara simultan
Sig diketahui 0,000<0,05 dan F hitung
23,450 > F tabel 4,256 maka secara
simultan ada pengaruh X1, dan X2
terhadap Y.
11. Coefficients memberikan informasi tentang persamaan regresi dan ada
tidaknya pengaruh secara parsial (Sendiri-sendiri) antara X terhadap Y.
Y= a + b1X1 + b2X2 Y= 2,612 + 0,192X1 + 0,888X2
Uji t motivasi:
Untuk nilai X1 sig 0,395 > 0,05 atau t hitung 0,894 < t tabel 2,228 maka tidak ada pengaruh
motivasi X1 terhadap Prestasi Y.
Uji t minat:
Untuk nilai X2 sig 0,006 < 0,05 atau t hitung 3,567 > t tabel 2,228 maka ada pengaruh minat
X2 terhadap Prestasi Y.
Sumbangan Efektif = Coefficient beta x zero order x 100%
Motivasi = 0,190 x 0,782 x 100% = 14,86%
Minat = 0,760 x 0,908 x 100% = 69%
Df= n-k
n= jumlah sampel
K= jumlah variabel
