Monday, December 1, 2014

Analisis Regresi Linier Berganda

Tutorial Laporan Penelitian - Analisis regresi adalah metode analisis data statistik untuk mengetahui hubungan beberapa variabel independen (prediktor atau bebas) dan variabel dependen (kriteria atau tergantung).

Seorang agen real estate munyusun daftar luas tanah, jumlah kamar dan harga rumah selama 5 tahun. Kemudian mencoba menghubungkan Luas Tanah (X1) dan Jumlah Kamar (X2) dengan Harga Rumah (Y).

Pada dasarnya analisis regresi berganda adalah memprediksi beberapa variabel bebas atau prediktor (X) terhadap variabel tergantung atau kriteria (Y) menggunakan formula misalnya sebagai berikut:

Y = β0 + β1 LT + β2 JK+ ε

Dimana:
Y : Harga Rumah
β0 : konstan
β1,β2 : Koefisien Regresi
LT : Luas Tanah
JK : Jumlah Kamar
ε : Error

SEJARAH

Tahun 1805, Gauss dan Legendre menyusun metode kuadrat terkecil untuk pengamatan astronomi tentang objek yang mengorbit di sekitar Matahari. Gauss mengembangkan lebih lanjut teori kuadrat pada tahun 1821 dan disebut Gaussian.

Tahun 1886, Francis Galton menyebut istilah "regresi mean" pertama kali untuk menggambarkan tendensi orangtua yang memiliki tubuh tinggi, memiliki anak-anak tinggi pula. Namun kecenderungan mundur ke bawah rata-rata normal.

Tahun 1908, Karl Pearson dan Udny Yule menggunakan regresi untuk konteks statistik lebih umum, tapi dengan syarat variabel respon Gaussian memenuhi asumsi distribusi gabungan.

Tahun 1922, Ronald Aylmer Fisher melemahkan asumsi distribusi variabel respon Gaussian. Syarat distribusi gabungan tidak perlu. Fisher juga menyusun formulasi Gauss yang aktif digunakan sampai hari ini.

SYARAT ANALISIS REGRESI

Regresi adalah metode statistik parametrik bahwa data harus berdistribusi normal. Regresi harus memenuhi syarat uji asumsi klasik yaitu Heteroskedastisitas, Autokorelasi, Multikolinieritas dan Normalitas.

MENILAI GOODNESS OF FIT SUATU MODEL

1. Koefisien Determinasi (R2)

Koefisien determinasi mengukur seberapa besar pengaruh keanggotaan variabel bebas memprediksi variabel terikat. Contoh: adjusted R square sebesar 0,624 menyatakan pengaruh X1 dan X2 terhadap Y sebesar 62,4%, sisanya sebesar 37,6% dipengaruhi variabel lain di luar X1 dan X2.

2. Uji Signifikansi Simultan (Uji F)

Uji F menunjukkan apakah semua variabel bebas yaitu X1 dan X2 secara bersama-sama mempunyai pengaruh terhadap variabel tergantung yaitu Y. Kesimpulan Uji F adalah menolak atau menerima H0.

3. Uji Signifikansi Individual (Uji t)

Uji t menunjukkan apakah tiap-tiap variabel bebas secara parsial mempunyai pengaruh terhadap variabel tergantung yaitu pengaruh X1 terhadap Y dan pengaruh X2 terhadap Y. Kesimpulan Uji t adalah menolak atau menerima H0.
  • Gujarati, Damodar (2003). Basic Econometric, New York: McGrowhill.
  • Maddala, G.S dan Kajal Lahiri (1988). Introduction to Econometrics. New York: Macmillan Publishing Co.
Tinuku
Bagikan :

No comments:

Post a Comment