Analisis Regresi Linier
description
Transcript of Analisis Regresi Linier
Analisis Regresi Linier
Hadi ParamuFakultas Ekonomi Universitas Jember
(disampaikan di STIE Bulungan Tarakan)23 September 2013
Definisi Analisis Regresi
• Analisis regresi merupakan studi (kajian) tentang dependensi suatu variabel (variabel dependen) pada satu atau beberapa variabel lain (variabel independen) untuk mengestimasi dan/atau memprediksi mean atau average value dari variabel dependen.
Apa Variabel itu?
• Variable vary dan able.• Variabel sesuatu yang nilainya dapat
bervariasi– Ciri utama variabel adalah variasi (variabilitas)– Tidak bersifat konstan.
• Apa yang terjadi jika salah satu jenis variabel dalam model regresi tidak bervariasi?
Type Data
• Data Time Series: data yang bersifat runtut waktu (time series), seperti data harian, mingguan dst.
• Data cross-section: data yang dikumpulkan dari unit analisis (responden) pada titik waktu yang sama.
• Data Pooled (Pooling): data yang bersifat gabungan antara time series dan cross section.
Asumsi Metode Ordinary Least Square
• Linier dalam Parameter dan Variabel• Nilai X bersifat tetap untuk repeated sampling• Mean dari disturbance (residual) bernilai nol• Homoscedasticity atau varians yang sama
pada residual.• Tidak ada otokorelasi antar residual
Asumsi Metode Ordinary Least Square
• Covariance antara residual dan variabel independen sama dengan nol
• Jumlah observasi (n) harus lebih banyak dari parameter yang akan diestimasi.
• Ada variability dari nilai X.• Model regresi tidak memiliki specification bias • Tidak ada multikolinieritas antar explanatory
variable
Alur Kerja Analisis Regresi Linier
Model Analisis Regresi Linier
Otokorelasi
Heteroskedastisitas
Multikolinieritas
Metode OLS Model Analisis Regresi Linier
Data yang akan diolah
Model Regresi Linier
Model Regresi Linier
Hasil Analisis
Model Summary
Model R R SquareAdjusted R
SquareStd. Error of the Estimate
1.665a .442 .380 .16209
a. Predictors: (Constant), UKUR, RISBIS, BIUT, AGEN
Koefisien Korelasi Koefisien Determinasi
Koefisien Determinasi yang disesuaikan
Hasil Analisis
ANOVAb
ModelSum of Squares df
Mean Square F Sig.
1 Regression .748 4 .187 7.118 .000a
Residual .946 36 .026Total 1.694 40
a. Predictors: (Constant), UKUR, RISBIS, BIUT, AGENb. Dependent Variable: DEBT
Angka F-hitungProbabilitas terjadinya F-hitung
Hasil Analisis
Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
t Sig.B Std. Error Beta1 (Constant) .166 .049 3.399 .002
BIUT -.050 .010 -.861 -4.769 .000AGEN .007 .022 .062 .334 .740RISBIS .043 .267 .020 .159 .874UKUR .007 .002 .576 3.352 .002
a. Dependent Variable: DEBT
DEBTi = 0,166 – 0,05BIUTi + 0,007AGENi + 0,043RISBISi + 0,07UKURi + ei
Multikolinieritas
Coefficientsa
Model
Unstandardized Coefficients
Standardized
CoefficientsT Sig.
Collinearity Statistics
B Std. Error Beta Tolerance VIF1 (Constant) .166 .049 3.399 .002
BIUT -.050 .010 -.861 -4.769 .000 .475 2.103AGEN .007 .022 .062 .334 .740 .449 2.228RISBIS .043 .267 .020 .159 .874 .974 1.027UKUR .007 .002 .576 3.352 .002 .525 1.904
a. Dependent Variable: DEBT
VIF > =2, 5, 10 berarti multikolinieritas terjadi
Multikolinieritas
• Apa yang harus dilakukan jika multikolinieritas terjadi?– Biarkan saja– Buang variabel yang bersifat multikolinier
Heteroskedastisitas
• Dapatkan nilai residual untuk setiap observasi• Buat auxilliary regression (regresi bantu)
absolut residual sebagai variabel dependen-nya.
• Jika koefisien pada auxilliary regression bersifat signifikan, heteroskedastisitas terjadi.
• Untuk mengatasi heteroskedastisitas metode weighted least square
Otokorelasi
• Uji yang gunakan Durbin-Watson test• Menu Analyse, Regression, statitic, durbin
watson. • Setelah angka Durbin-Watson hitung
diperoleh lakukan uji otokorelasi• Jika ada otokorelasi, gunakan pendekatan
differensial Xt – Xt-1 dan Yt – Yt-1