Analisis Regresi Sederhana
-
Upload
rachmat-maulana -
Category
Documents
-
view
15 -
download
1
description
Transcript of Analisis Regresi Sederhana
1. Analisis Regresi Sederhana
Analisis Regresi Sederhana (Simple Regression Analysis) digunakan untuk
memprediksi nilai suatu variabel terikat berdasarkan nilai variabel bebas.
Analisis ini juga dapat digunakan untuk mengetahui besarnya pengaruh
satu variabel bebas atau lebih terhadap satu variabel terikat.
Model regresi sederhana dapat dinyatakan sebagai persamaan linier
berikut:
yi = β0 + β1xi + εi
Untuk mengestimasi nilai β0 dan β1 digunakan metode kuadrat terkecil
(last square method) berdasarkan persamaan:
y i = b0 + b1xi
Untuk mencari nilai minimum fungsi kuadrat:
e i2= (yi - y)2 = (yi – b0 – b1xi)2
Sebagai contoh Analisis Regresi Sederhana akan digunakan data berikut:
Sebuah perusahaan yang memproduksi jeans memperkirakan bahwa iklan
di televisi akan meningkatkan permintaan produk jeans perusahaan
tersebut. Bagian marketing dari perusahaan jeansi tersebut ingin membuat
model persamaan regresi untuk memprediksi permintaan jeans produksi
perusahaan tersebut berdasarkan biaya iklan yang pernah dianggarkan dan
digunakan selama 19 tahun terakhir seperti tercantum dalam tabel berikut:
Jumlah Permintaan Jeans (y)(dalam ribuan)
Biaya Iklan (x)(dalam puluhan juta)
94 0.47396 0.75395 0.92995 0.939
94 0.83295 0.98394 0.049104 0.178104 0.176106 0.292108 0.403110 0.499113 0.529113 0.599118 0.749115 0.746121 0.897127 0.040131 0.231
Tentukan persamaan regresi untuk data diatas. Apakah koefisien regresi yang
didapat signifikan. Gunakan α = 0,05.
Solusi:
Kita akan mencari koefisien regresi b0 dan b1 dari persamaan regresi linier
sederhana y i = b0 + b1xi dan melakukan uji hipotesis untuk mengetahui
apakah koefisien regresi yang diperoleh signifikan.
Bentuk hipotesis untuk menguji koefisien bo dan b1 adalah
H0 : β0 = 0
H0 : β0 ≠ 0
dan
H0 : β1 = 0
H0 : β1 ≠ 0
dimana β0 dan β1 adalah parameter dari model regresi yi = β0 + β1xi + εi
Prosedur SPSS Regresi Linier Sederhana
1. Pada lembar Variabel View dari SPSS Data Editor kita definisikan
variabel Jumlah Permintaan Jeans dengan nama variabel jeans dan
diberi variabel labels Jumlah Permintaan Jeans. Untuk variabel Biaya
Iklan digunakan nama Iklan dan diberi variabel labels Biaya Iklan
sebagai berikut:
2. Kemudian pada lembar Data View dari SPSS Data Editor, kita masukkan
data peringkat dari jeans dan iklan sebagai berikut:
3. Klik Analyze Regression Linear sebagai berikut:
4. Kemudian akan didapat tampilan sebagai berikut:
5. Pindahkan variabel Jumlah Permintaan Jeans ke dalam box berjudul
Dependent dan variabel Biaya Iklan ke dalam box berjudul
Independen(s) sebagai berikut:\
6. Pastikan anda memilih Method : Enter. Kemudian klik OK. Akan
didapat hasil Regresi SPSS sebagai berikut:
Interpretasi Hasil
Nilai R2 (R Square) dari tabel Model Summary menunjukkan bahwa
93,8% dari varriance ‘Jumlah Permintaan Jeans’ dapat dijelaskan oleh
perubahan dalam variabel ‘Biaya Iklan’.
Tabel ANOVA diatas mengindikasikan bahwa regresi secara statistik
sangat signifikan dengan nilai F = 259.226 untuk derajat kebebasan k = 1
dan n – k – 1 = 19 - 1 – 1 = 17 dan P value = 0,000 yang jauh lebih kecil
dari α = 0,05.
Uji F menguji secara serentak hipotesis H0 : β0 : β1 = β2 = β3 = ... = βk = 0
terhadap H1 : tidak semua β1 , i = 1,2,...,k = 0. Tetapi karena pada regresi
sederhana hanya ada satu β1 , maka kita hanya menguji H0 : β1 = 0 terhadap
H0 : β1 ≠ 0. Dari tabel ANOVA jelas sekali terlihat bahwa H0 ditolak
karena P value = 0,000 lebih kecil dari α = 0,05.
Persamaan garis regresi menggunakan metode kuadrat terkecil (least
square method) yang didapat adalah y = 74,673 + 24,280 x , dimana y =
jumlah permintaan jeans dan x = biaya iklan.
Untuk menguji signifikan masing-masing koefisien regresi digunakan uji
statistik t. Untuk menguji β1 : H0 : β1 = 0 terhadap H1 : β0 ≠ 0 dari output
SPSS didapat nilai uji-t dengan t= 16,102 dengan derajat kebebasan n – 2
= 19 – 2 = 17 dan P value = 0,000. Hal ini merupakan bukti kuat
penolakan H0 : β1 = 0, karena P value = 0,000 lebih kecil dari α = 0,05.
Rumus Regresi Linier Sederhana
Model: yi = β0 + β1xi + εi
Untuk mengestimasi nilai β0 dan β1 digunakan metode kuadrat terkecil (last
square method) berdasarkan persamaan: y i = b0 + b1xi , untuk mencari nilai
minimum fungsi kuadrat:
∑i=1
n
ei2=¿∑
i=1
n
( y i− yi)2=∑
i=1
n
( y i−b0−b1 x i)2 ¿
Persamaan normal bagi model regresi linier sederhana adalah:
∑i=1
n
yi=na+b∑i=1
n
xi
∑i=1
n
x i y i=a∑i=1
n
x i+b∑i=1
n
x i y i
Nilai dugaan bagi koefisien-koefisien regresi
b1=n∑
i=1
n
x i y i−∑i=1
n
x i∑i=1
n
y i
n∑i=1
n
x i2−(∑
i=1
n
xi)dan
b0= y−b x
Koefisien determinasi:
R2=1−n∑
i=1
n
( y i− y i )2
n∑i=1
n
( y i− y )2
Pengujian hipotesis:
Statistik uji untuk pengujian hipotesis H0 : β0 = α0
t=(b1−a0 ) s x√n(n−1)
se √∑i=1
n
x i2
Statistik uji untuk pengujian hipotesis H0 : β0 = α1
t=(b1−a1 ) sx √(n−1)
se
dimana α0 dan α1 adalah nilai acuan.
se2= 1
n−2¿
sx2=
n∑i=1
n
x i2−(∑
i=1
n
x i)2
n(n−1)
sy2=
n∑i=1
n
x i2−(∑
i=1
n
x i)2
n (n−1)
Tabel ANOVA untuk Regresi Linier Sederhana
Sumber Variasi
Jumlah Kuadrat
Derajat Kebebasan
Rata-rata kuadrat F hitung
Regresi SSR 1 s12=MSR= SSR
1
Error SSE n - 2 s12=MSE= SSR
n−2
Total SST n - 1
dimana:
SST=∑i=1
n
y i2−
(∑i=1
n
y i)2
n
SSR=b12∑ ( xi−x )2
SSE=∑i=1
n
y i2−b0∑ y i−b1∑ x1 y i
Derajat kebebasan untuk statistik uji F adalah {1; n – 2}
Analisis Regresi Linear Berganda
Analisis Regresi Linear Berganda (Multiple Linear Regressio Analysis)
merupakan pengembangan dari analisis regresi sederhana dimana terdapat lebih
dari satu variabel independen (bebas) x. Secara Umum model regresi linier
berganda :
yi = β0 + β1x1i + β2x2i + β3x3i +... + βkxki + εi
Analisis regresi berganda digunakan untuk melihat pengaruh sejumlah variabel
independen x1, x2,..., xk terhadap variabel dependen y atau juga untuk memprediksi
nilai suatu variabel dependen y berdasarkan nilai variabel-variabel independen x1,
x2,..., xk .
Untuk mengestimasi nilai β0,β1,β2,..., βk digunakan metode kuadrat terkecil (least
square method) berdasarkan persamaan:
y i=b0+b1 x1i+b2 x2 i+b3 x3 i+…+bk xki ,
dan mencari nilai minimum fungsi kuadrat:
∑i=1
n
ei2=∑
i=1
n
( y i− y i)2=∑
i=1
n
( y i−b0−b1 x1 i−b2 x2i−b3 x3 i−…−bk xki)2
Sebagai contoh Analisis Regresi Berganda akan digunakan data berikut:
Suatu perusahaan di bidang industri memiliki data usia, income sales person dan
pengalaman kerja sebagai sales. Perusahaan itu ingin membuat model regresi
berganda untuk memprediksi income berdasarkan usia dan pengalaman kerja.