EKONOMETRIKA DENGAN APLIKASI SPSS PANDUAN … · memilih adalah dengan mengklik sel di bawah kolom...

Ekonometrika dengan Aplikasi SPSS 0

EKONOMETRIKA DENGAN APLIKASI SPSSPANDUAN PRAKTIKUM

Oleh:

IR. ANWAR, MP

JURUSAN SOSIAL EKONOMI PERTANIANPROGRAM STUDI AGRIBISNIS

FAKULTAS PERTANIANUNIVERSITAS MATARAM

OKTOBER 2018


PENGENALAN SPSS

Sekilas tentang SPSS

SPSS merupakan software aplikasi statistik yang pada awalnya digunakan untuk

riset di bidang sosial (SPSS saat itu singkatan dari Statistical Package for the Social

Science). Sejalan dengan perkembangan SPSS digunakan untuk melayani berbagai jenis

user sehingga sekarang SPSS singkatan dari Statistical Product and Service Solutions.

Stastistical Package for the Social Science atau Product and Service Solutions

(SPSS) merupakan salah satu dari sekian banyak software aplikasi statistika yang telah

dikenal luas di kalangan penggunanya, atau aplikasi statistika yang sangat populer baik

bagi praktisi untuk melakukan riset maupun mahasiswa untuk menyelesaikan tugas

akhirnya. Disamping masih banyak lagi software statistika lainnya seperti Micro-TSP,

Eviews, Minitab, STATA, AMOS dan masih banyak lagi. SPSS adalah suatu software

yang berfungsi untuk menganalisis data, melakukan perhitungan statistik baik statistika

parametrik dan statistika non-parametrik dengan basis windows. Saat system operasi

komputer windows mulai populer, SPSS yang dahulunya under DOS dan bernama

SPSS PC, juga berubah menjadi under windows dan populer di Indonesia dengan SPSS

versi 6, kemudian versi 7.5, versi 9, versi 10, versi 11.5, versi 12, versi 13, versi 14,

versi 16, versi 17 dan terakhir saat ini adalah versi 25. SPSS sebagai sebuah tools

mempunyai banyak kelebihan, terutama untuk aplikasi di bidang ilmu sosial.

Buku panduan praktikum ini menggunakan SPSS versi 17, meski pengguna versi

sebelumnya juga dapat menggunakan modul ini sebagai panduan. Tidak ada perbedaan

yang mencolok dalam melakukan analisis bila dibandingkan versi sebelumnya.


MENU BAR

Untuk mengaktifkan SPSS 17 dengan melakukan klik Start ===> All Programs ===>

SPSS Inc ===> SPSS Statistics 17.0 atau klik langsung icon SPSS Statistics 17.0

sehingga muncul kotak dialog SPSS 17 berikut.

SPSS Environment

VARIABLE VIEWDATA VIEW

TOOLBAR


MENU BAR : Kumpulan perintah-perintah dasar untuk mengoperasikan

SPSS.

Pada Variable View tampak judul di kolom-kolom sebagai berikut :

Name. Pada kolom name dituliskan nama dari variabel. Untuk memasukkan

nama variabelnya pada sel dengan cara doube klik kemudian dituliskan nama

variabelnya.

Type. Pada kolom type untuk mengisikan tipe dari data untuk variabel tersebut.

Type data yang ada dalam SPSS adalah String, Numeric, Date, dan lain-lain. Cara

memilih adalah dengan mengklik sel di bawah kolom type, kemudian akan

muncul pilihan type data, klik type yang dipilih.

Width. Pada kolom width untuk mengisikan panjang dari data untuk variabel

tersebut. Panjang yang diijinkan dari 1 sampai 255 digit.

Decimals. Pada kolom decimals untuk mengisikan jumlah angka desimal untuk

data variabel tersebut.

Label. Pada kolom label untuk mengisikan keterangan dari variabel.

Value. Pada kolom value untuk mengisikan nilai dari variabel.

Missing. Pada kolom missing untuk mengisikan nilai yang hilang.

Column. Hampir sama fungsinya dengan width.

Align. Pada kolom align untuk menentukan posisi data

Measure.

Data View, merupakan tempat untuk memasukan datanya tiap variabel.

Menu yang terdapat pada SPSS adalah menu File, Edit, View, Data, Transform,

Analyze, Graphs, Utilities, Add-ons, Windows, dan Help. Secara rinci fungsi dari

masing-masing menu diuraikan berikut.


1. FILE

Untuk operasi file dokumen SPSS yang telah dibuat, baik untuk perbaikan

pencetakan dan sebagainya. Ada 5 macam data yang digunakan dalam SPSS, yaitu :

1. Data : dokumen SPSS berupa data

2. Syntax : dokumen berisi file syntax SPSS

3. Output : dokumen yang berisi hasil running output SPSS

4. Script : dokumen yang berisi running output SPSS

5. Database

♠ NEW : membuat lembar kerja baru SPSS

♠ OPEN : membuka dokumen SPSS yang telah ada

Secara umum ada tiga macam ekstensi dalam lembar kerja SPSS, yaitu :

1. *.sav : file data yang dihasilkan pada lembar data editor

2. *.spo : file text/obyek yang dihasilkan oleh lembar output

3. *.cht : file obyek gambar/chart yang dihasilkan oleh chart window

♠ Read Text Data : membuka dokumen dari file text (yang berekstensi txt),

yang bisa dimasukkan/dikonversi dalam lembar data

SPSS

♠ Save : menyimpan dokumen/hasil kerja yang telah dibuat.

♠ Save As : menyimpan ulang dokumen dengan nama/tempat/type

dokumen yang berbeda

♠ Page Setup : mengatur halaman kerja SPSS

♠ Print : mencetak hasil output/data/syntaq lembar SPSS


Ada 2 option/pilihan cara mencetak, yaitu :

- All visible output : mencetak lembar kerja secara keseluruhan

- Selection : mencetak sesuai keinginan yang kita sorot/blok

♠ Print Preview : melihat contoh hasil cetakan yang nantinya diperoleh

♠ Recently used data: berisi list file data yang pernah dibuka sebelumnya

♠ Recently used file : berisi list file secara keseluruhan yang pernah dikerjakan

2. EDIT

Untuk melakukan pengeditan pada operasi SPSS baik data, serta

pengaturan/option untuk konfigurasi SPSS secara keseluruhan.

♠ Undo : pembatalan perintah yang dilakukan sebelumnya

♠ Redo : perintah pembatalan perintah redo yang dilakukan

sebelumnya

♠ Cut : penghapusan sebual sel/text/obyek, bisa dicopy untuk

keperluan tertentu dengan perintah dari menu paste

♠ Paste : mempilkan sebua sel/text/obyek hasil dari perintah copy

atau cut

♠ Paste after : mengulangi perintah paste sebelumya

♠ Paste spesial : perintah paste spesial, yaitu bisa konvesri ke gambar,

word, dan lain-lain

♠ Clear : menghapusan sebuah sel/text/obyek

♠ Find : mencari suatu text

♠ Options : mengatur konfigurasi tampilan lembar SPSS secara umum


3. VIEW

Untuk pengaturan tambilan di layar kerja SPSS, serta mengetahu proses-prose

yang sedang terjadi pada operasi SPSS.

♠ Status Bar : mengetahui proses yang sedang berlangsung

♠ Toolbar : mengatur tampilan toolbar

♠ Fonts : untuk mengatur jenis, ukuran font pada data editor

SPSS

- Outline size : ukuran font lembar output SPSS

- Outline font : jenis font lembar output SPSS

♠ Gridlines : mengatur garis sel pada editor SPSS

♠ Value labels : mengatur tampilan pada editor untuk mengetahui

value label


4. DATA

Menu data digunakan untuk melakukan pemrosesan data.

♠ Define Dates : mendefinisikan sebuah waktu untuk variabel yang

meliputi jam, tanggal, tahun, dan sebagainya

♠ Insert Variable : menyisipkan kolom variabel

♠ Insert case : menyisipkan baris

♠ Go to case : memindahkan cursor pada baris tertentu

♠ Sort case : mengurutkan nilai dari suatu kolom variabel

♠ Transpose : operasi transpose pada sebuah kolom variable

menjadi baris

♠ Merge files : menggabungkan beberapa file dokumen SPSS, yang

dilakukan dengan penggabungan kolom-kolom

variabelnya

♠ Split file : memecahkan file berdasarkan kolom variabelnya


♠ Select case : mengatur sebuah variabel berdasarkan sebuah

persyaratan tertentu

5. TRANSFORM

Menu transform dipergunakan untuk melakukan perubahan-perubahan atau

penambahan data.

♠ Compute : operasi aritmatika dan logika untuk manipulasi

♠ Count : untuk mengetahui jumlah sebuah ukuran data tertentu

pada suatu baris tertentu

♠ Recode : untuk mengganti nilai pada kolom variabel tertentu,

sifatnya menggantikan (into same variable) atau

merubah (into different variable) pada variabel baru

♠ Categorize variable : merubah angka rasional menjadi diskrit

♠ Rank case : mengurutkan nilai data sebuah variabel


6. ANALYZE

Menu analyze digunakan untuk melakukan analisis data yang telah kita masukkan

ke dalam komputer. Menu ini merupakan menu yang terpenting karena semua

pemrosesan dan analisis data dilakukan dengan menggunakan menu compare

mens, correlate, regression, dan lain-lain.

7. GRAPH

Menu graph digunakan untuk membuat grafik, diantaranya ialah bar, line, pie,

dan lain-lain.

8. UTILITIES

Menu utilities dipergunakan untuk mengetahui informasi variabel, informasi file,

dan lain-lain.


9. ADD-ONS

Menu add-ons digunakan untuk memberikan perintah kepada SPSS jika ingin

menggunakan aplikasi tambahan, misalnya menggunakan aplikasi AMOS, SPSS

data entry, text analysis, dan sebagainya.

10. WINDOWS

Menu windows digunakan untuk melakukan perpindahan (switch) dari satu file ke

file lainnya.

11. HELP

Menu help digunakan untuk membantu pengguna dalam memahami perintah-

perintah SPSS jika menemui kesulitan.

TOOL BAR : Kumpulan perintah-perintah yang sering digunakan dalam

bentuk gambar.

POINTER : Kursor yang menunjukkan posisi cell yang sedang aktif/

dipilih.


PEMBUATAN FILE DATA SPSS

Menu File merupakan menu pertama dari Data Editor yang dibuka oleh para

pengguna SPSS. Dimana Data Editor pada SPSS mempunyai dua bagian utama :

1. Kolom, dengan ciri adanya kata var dalam setiap kolomnya. Kolom dalam SPSS

akan diisi oleh variabel.

2. Baris, dengan ciri adanya angka 1, 2, 3 dan seterusnya. Baris dalam SPSS akan diisi

oleh data.

Contoh : Berikut ini data barang di gudang, 10 barang diambil secara acak(angka dalam rupiah)

No Barang Harga Pokok/Unit Stock di Gudang

1. Buku Tulis 3000 5240

2. Tas Punggung 80000 40000

3. Dompet 45000 22000

4. Jam Tangan 70000 2500

5. Spidol 7000 7800

6. Kertas File 30000 25000

7. Gunting 70000 7800

8. Tempat CD 45000 5200

9. Pensil Zebra 17000 22000

10. Penggaris 5000 10500

Langkah-langkah Input Data :

1. Membuat Variabel

Klik variable view pada pojok kiri bawah, kemudian isikan :

● Nama Variabel beserta keterangan yang diinginkan tentang variabel tersebut.

Misal : Barang, Harga, Stock


Hal yang perlu diperhatikan saat mengisi nama variabel adalah :

- Nama variabel harus diawali huruf dan tidak boleh diakhiri dengan tanda titik.

- Panjang maksimal 8 karakter.

- Tidak boleh ada yang sama, dengan tidak membedakan huruf kecil atau besar.

● Type, Width dan Decimal Variabel

- Default dari type setiap variabel baru adalah numeric, lebar 8 karakter sesuai

dengan desimal sebanyak 2 digit.

- Untuk mengubah tipe variabel dilakukan dengan cara mengklik tombol pilihan

pada kolom Type.

- Ada 8 tipe variabel, yaitu :

a. Numeric : angka, tanda (+) atau (-) didepan angka, indicator desimal

b. Comma : angka, tanda (+) atau (-) didepan angka, indicator desimal,

tanda koma sebagai pemisah bilangan ribuan

c. Dot : angka, tanda (+) atau (-) didepan angka, indicator desimal,

tanda titik sebagai pemisah bilangan ribuan

d. Scientific notation : sama dengan tipe numeric, tetapi menggunakan

symbol E untuk kelipatan 10 (misal 120000 = 1.20E+5)

e. Date : menampilkan data format tanggal atau waktu

f. Dollar : memberi tanda dollar ($), tanda koma sebagai pemisah

bilangan ribuan dan tanda titik sebagai desimal

g. Custom currency : untuk format mata uang

h. String : biasanya huruf atau karakter lainnya


2. Mengisi Data

Memasukkan data pada Data Editor dilakukan dengan cara mengetik data yang

akan dianalisa pada sel-sel (case) di bawah judul (heading) kolom nama variabel.

3. Menyimpan Data

Setelah data dimasukkan, maka data perlu disimpan untuk kepeluan analisa

selanjutnya. Langkah penyimpanan data adalah sebagai berikut :

Klik Menu File ===> Save As ===> (Pilih folder penyimpanan), ketik Nama File

===> Klik OK.


Membuka File Data SPSS

Data yang telah Anda buat dan simpan sewaktu-waktu dapat Anda buka untuk

analisis lebih lanjut. Berikut cara membuka data :

Klik File ===> Open ===> Data sehingga kotak dialog Open File akan muncul.

Cari folder file data pada daftar drop down Look in.

Klik ganda file data pada kotak atau klik file data kemudian klik Open sehingga

data yang telah Anda simpan akan muncul.

Mengimpor File Data Excel ke SPSS

Langkah-langkah transfer file data Excel ke SPSS mirip dengan saat Anda membuka file

data format SPSS (*.sav) :

Klik File ===> Open ===> Data sehingga kotak dialog Open File akan muncul.

Cari folder file data Anda pada daftar drop down Look in.

Klik Files of type di combo box sehingga muncul daftar berikut :


Pilih format yang sesuai, misal Excel (*.xls).

Cari folder file data Excel Anda pada daftar drop down Look in.

Klik ganda file data pada kotak atau klik file data kemudian klik Open sehingga

kotak dialog Opening Excel Data Source muncul.


Tanda cek akan aktif secara default. Tanda cek Read variable names from the

first row of data aktif dimaksudkan supaya nama variabel yang terdapat pada

baris pertama file data Excel tidak dianggap sebagai data, namun sebagai

variabel.

Klik OK.


MODEL REGRESI LINIER SEDERHANA

Model regresi liner merupakan suatu model yang parameternya linier (bisa

saja fungsinya tidak berbentuk garus lurus), dan secara kuantitatif dapat digunakan

untuk menganalisis pengaruh suatu variabel terhadap variabel lainnya. Analisis

regresi menyangkut studi tentang hubungan antara satu variabel Y yang disebut

variabel tak bebas atau variabel yang dijelaskan (dependend variable) dan satu atau

lebih variabel X1, X2, …., Xk, yang disebut variabel bebas atau variabel penjelas

(independent variable).

Persamaan regresi yang hanya terdiri dari satu variabel bebas, maka model

tersebut dikenal dengan sebutan regresi linier sederhana (simple regression).

Sedangkan jika dalam persamaan regresi terdapat lebih dari satu variabel bebas, maka

model yang diperoleh disebut dengan regresi linier berganda (multiple regression).

Perhatian utama regresi pada dasarnya adalah menjelaskan dan mengevaluasi

hubungan antara suatu variabel dependen dengan satu atau lebih variabel independen.

Kita akan memberi ilustrasi tentang regresi sederhana yang terdiri dari satu variabel

independen. Sebagai contoh, diberikan ilustrasi sebagai berikut: menurut model

pendekatan tradisional (traditional approach) yang dikemukakan oleh Dornbusch

(2000), bahwa perubahan harga saham dipengaruhi oleh nilai tukar. Misalkan jika

nilai tukar rupiah terhadap dollar Amerika Serikat mengalami apresiasi (dollar AS

depresiasi) maka harga saham di Bursa Efek Indonesia mengalami penguatan, dan

seblaiknya jika nilai tukar rupiah terhadap dollar AS mengalami depresiasi (dollar AS

apresiasi) maka harga saham di Bursa Efek Indonesia mengalami penurunan dengan

asumsi variabel selain harga tetap.


Kita asumsikan terdapat hubungan yang linier antara harga saham dan nilai

tukar. Hubungan keduannya tidak harus linier, namun untuk penyederhanaan kita

asumsikan linier. Hubungan linier kedua dapat kita tulis dalam persamaan regresi

berikut :

Yi = a + b Xi + ei

Dalam persamaan tersebut variabel Y yaitu jumlah permintaan barang

(harga saham) disebut variabel dependen (dependent variable) sedangkan variabel X

yaitu harga barang (nilai tukar) disebut sebagai variabel independen (independent

variable). Jumlah permintaan barang aktual tidak harus sama dengan nilai harapannya.

Ada banyak faktor yang mempengaruhi jumlah permintaan barang selain harga.

Dimana ei adalah variabel gangguan (disturbance/errors terms) yang nilainya bisa

positif atau negatif.

Variabel gangguan ini muncul karena hubungan variabel ekonomi adalah

hubungan yang acak atau random tidak seperti hubungan variabel dalam matematika

yang bersifat deterministik. Pada tingkat harga yang sama, jumlah barang yang dibeli

konsumen akan berbeda. Hal ini terjadi karena ada faktor selain harga yang juga bisa

mempengaruhi permintaan barang, misalnya selera konsumen. Dengan demikian,

variabel gangguan mencerminkan faktor-faktor selain harga (nilai tukar) yang

mempengaruhi jumlah permintaan konsumen tetapi tidak dimasukan dalam persamaan.

Oleh karen itu, variabel dependen Y adalah variabel random (random

variable) atau stokastik (stochastic variable) yang besar kecilnya tergantung dari

variabel independen X. Variabel independen X adalah variabel tetap atau non-

stochastic, sedangkan variabel ei adalah variabel random atau stokastik.


Pendugaan Parameter (bo) dan (b1)

Untuk menduga nilai parameter 0 dan 1 terdapat bermacam-macam metode,

misalnya metode kuadrat terkecil (least square method), metode kemungkinan

maksimum (maximum likelihood method), metode kuadrat terkecil terboboti (weighted

least square method), dan sebagainya.

Contoh :

Data tentang hubungan antara nilai penjualan produk (Y) dengan biaya promosi (X)

sebagai berikut.

B_Promosi N_Sales23 10024 12034 13536 20034 25037 25538 26039 26845 27048 30049 34050 37060 38080 39086 40089 40590 46995 50096 55498 55698 576

Langkah-langkah untuk melakukan Analisis Regresi

a. Buka lembar kerja baru, dengan meng-klik menu File lalu pilih New kemudian klik

Data akan muncul tampilan layar Data Editor.


b. Definisikan variabel yang akan digunakan di tab sheet Variable View yang ada di

bagian kiri bawah, dengan cara klik Variable View kemudian isi nama variabelnya,

ketik B_Promosi lalu tekan ENTER dan ketik N_Sales lalu tekan ENTER.

c. Selanjutnya klik Data View pada pojok kiri bawah dan masukkan data contoh di atas

pada kolom variabel masing-masing data. Hasilnya seperti pada tampilan berikut.

d. Simpan data Anda dengan cara meng-klik menu File lalu pilih Save As dan tulis

nama filenya, misalnya regresi sederhana.

e. Lakukan analisis regresi linier sederhana dengan cara, klik menu Analyze ===>

pilih submenu Regression ===> lalu klik Linear, pada layar akan muncul tampilan

berikut.


f. Masukkan variabel N_Sales pada kotak sebelah kiri ke kotak Dependent, dan

variabel B_Promosi ke kotak Independent(s) dengan mengklik tombol tanda

panah, seperti tampak pada tampilan berikut.

g. Kemudian klik OK, hasilnya seperti pada tampilan berikut.


h. Hasil output SPSS sebagai berikut.

Koefisien Determinasi (r2)

Model Summary

,943 a ,889 ,883 48,609Model1

R R SquareAdjustedR Square

Std. Error ofthe Estimate

Predictors: (Constant), B_Promosia.

Berdasarkan tampilan output SPSS model summary besarnya R2 adalah 0,889

artinya 88,9% perubahan/variasi nilai variabel dependen (N_Sales) dapat

dijelaskan oleh variasi dari variabel independen (B_Promosi), dan sisanya

(100% - 88,9% = 11,1%) dijelaskan oleh sebab-sebab yang lain di luar model.


Uji Signifikansi Serentak (Uji-F)

ANOVAb

359270,2 1 359270,247 152,051 ,000a

44893,753 19 2362,829404164,0 20

RegressionResidualTotal

Model1

Sum ofSquares df Mean Square F Sig.

Predictors: (Constant), B_Promosia.

Dependent Variable: N_Salesb.

Berdasarkan uji ANOVA atau F-test didapat nilai F-hitung sebesar 152,051

dengan probabilitas 0,000; karena probabilitas jauh lebih kecil dari α = 0,05 maka

model regresi dapat digunakan untuk memprediksi nilai penjualan (N_Sales).

Uji Signifikansi Parsial (Uji-t)

Untuk menginterpretasikan koefisien variabel bebas (independen) dapat

menggunakan unstandardized coefficients maupun standardized coefficients.

Coefficientsa

45,528 25,983 1,752 ,0964,917 ,399 ,943 12,331 ,000

(Constant)B_Promosi

Model1

B Std. Error

UnstandardizedCoefficients

Beta

StandardizedCoefficients

t Sig.

Dependent Variable: N_Salesa.

Hipotesis Uji

Ho : koefisien regresi tidak signifikan (β = 0)

H1 : koefisien regresi signifikan (β ≠ 0)


Berdasarkan tabel coefficients dapat dituliskan persamaan regresinya :

N_Sales = 45,528 + 4,917 B_Promosi atau

Y = 45,528 + 4,917 X

Nilai t-hitung sebesar 12,331 dengan probabilitas 0,000; karena probabilitas

jauh lebih kecil dari α = 0,05 maka Ho ditolak, koefisien regresi signifikan atau

berpengaruh nyata terhadap variabel dependen (Y). Jika biaya promosi naik Rp 1

maka nilai penjualan barang naik sebesar Rp 4,917.

Tugas Manual :

Diketahui data konsumsi dan pendapatan penduduk suatu daerah sebagai

berikut :

Tahun Konsumsi Pendapatan2006 14 152007 17 192008 19 202009 20 222010 22 252011 25 302012 30 322013 32 342014 33 352015 37 452016 40 50

Sumber : data hipotesis

a. Carilah persamaan regresi linear sederhana.

b. Jelaskan arti persamaan tersebut berdasarkan teori ekonomi (teori

konsumsi menurut pandangan Keynes).

c. Ujilah persamaan tersebut dengan pendekatan statistik (uji t,

F hitung dan koefisien determinasi (R2).


MODEL REGRESI LINIER BERGANDA

Regresi linear ganda adalah persamaan regresi yang menggambarkan hubungan

antara lebih dari satu peubah bebas (X) dan satu peubah tak bebas (Y). Hubungan

peubah-peubah tersebut dapat dituliskan dalam bentuk persamaan:

Yi = βo + β1Xi1 + β2Xi2 + .... ...... + βkXik + i

Y = Peubah tak bebas, X = Peubah bebas, 0 = intersep/perpotongan dengan sumbu

tegak, 1, 2, ...., k = parameter model regresi, i saling bebas dan menyebar normal

N(0,2), dimana i = 1, 2, …, n

Persamaan regresi dugaannya adalah :

^Yi = bo + b1Xi1 + b2Xi2 + ………… + bkXik

Hipotesis yang harus diuji dalam analisis regresi ganda adalah

H0 : 1 = 2 = … = k = 0

H1 : Tidak semua i (i = 1, 2, …, k) sama dengan nol

Untuk melakukan pendugaan parameter model regresi ganda dan menguji

signifikansinya dapat dilakukan dengan program SPSS 17.

Contoh :

Data hipotetis tentang pengaruh pendapatan konsumen (X1), harga barang itu

sendiri (X2), dan harga barang substitusi (X3) terhadap permintaan suatu barang (Y) sbb:


No Y X1 X2 X3

1 6,90 2,35 2,20 3,84

2 14,40 3,07 2,31 4,03

3 7,40 2,12 2,17 4,00

4 8,50 3,65 3,16 3,18

5 8,00 2,18 2,10 4,08

6 2,80 2,35 2,67 4,13

7 5,00 2,85 2,74 3,81

8 12,20 2,05 1,90 5,08

9 10,00 2,67 2,36 3,22

10 15,20 3,00 2,20 3,84

11 26,80 3,67 2,31 4,03

12 14,00 3,51 2,84 3,22

13 14,70 3,70 3,16 3,18

14 16,40 2,75 2,67 4,13

15 17,60 3,65 2,74 3,81

16 22,30 2,75 1,90 4,13

17 24,80 3,60 2,36 3,81

18 26,00 3,65 2,30 5,08

19 34,90 3,95 2,31 3,22

20 18,20 2,72 2,17 3,84

Langkah-langkah untuk melakukan Analisis Regresi



b. Definisikan variabel yang akan digunakan di tab sheet Variable View yang ada di

bagian kiri bawah, dengan cara klik Variable View kemudian isi nama variabelnya,

ketik Y lalu tekan ENTER, ketik X1 lalu tekan ENTER, ketik X2 lalu tekan

ENTER, dan ketik X3 lalu tekan ENTER.

c. Selanjutnya klik Data View dan masukkan data contoh di atas pada kolom variabel

masing-masing data. Hasilnya seperti pada tampilan berikut.



nama filenya, misalnya regresi berganda.

e. Lakukan analisis regresi linier berganda dengan cara, klik menu Analyze ===> pilih

submenu Regression ===> lalu klik Linear.

f. Masukkan variabel Y pada kotak sebelah kiri ke kotak Dependent, dan variabel

X1, X2, X3 ke kotak Independent(s) dengan mengklik tombol tanda panah,

hasilnya seperti tampak pada tampilan berikut.


g. Kemudian klik OK, hasil outputnya seperti pada tampilan berikut.

h. Hasil output SPSS sebagai berikut.

Koefisien Determinasi (R2)

Model Summary

,931a ,866 ,841 3,3227Model1



Predictors: (Constant), X3, X1, X2a.

Berdasarkan tampilan output SPSS model summary besarnya R2 adalah 0,866

artinya 86,6% perubahan/variasi nilai variabel dependen (Y) dapat dijelaskan

oleh variasi dari semua variabel independen (X1, X2, dan X3), dan sisanya

(100% - 86,6% = 13,4%) dijelaskan oleh sebab-sebab yang lain di luar model.


Uji Signifikansi Serentak (Uji-F)

ANOVAb

1143,821 3 381,274 34,534 ,000a

176,649 16 11,0411320,470 19


Model1


Predictors: (Constant), X3, X1, X2a.

Dependent Variable: Yb.

Berdasarkan uji ANOVA atau F-test didapat nilai F-hitung sebesar 34,534

dengan probabilitas 0,000; karena probabilitas jauh lebih kecil dari α = 0,05 maka

Ho ditolak. Artinya secara bersama-sama (serentak) semua variabel bebas (X1, X2,

dan X3) yang dimasukan dalam model berpengaruh nyata terhadap jumlah

permintaan barang (Y).

Uji Signifikansi Parsial (Uji-t)

Untuk menginterpretasikan koefisien variabel bebas (independen) dapat

menggunakan unstandardized coefficients maupun standardized coefficients.

Coefficientsa

9,591 11,816 ,812 ,42914,270 1,453 1,058 9,824 ,000

-16,733 2,743 -,731 -6,100 ,000,867 1,749 ,056 ,496 ,627

(Constant)X1X2X3

Model1

B Std. Error


Beta


t Sig.

Dependent Variable: Ya.

Berdasarkan tabel coefficients diketahui nilai t-hitung untuk X1 sebesar

9,824 dengan probabilitas 0,000; karena probabilitas jauh lebih kecil dari α = 0,05

maka Ho ditolak, artinya koefisien regresi X1 signifikan atau berpengaruh nyata


terhadap variabel dependen (Y). Nilai t-hitung untuk X2 sebesar -6,100 dengan

probabilitas 0,000; karena probabilitas jauh lebih kecil dari α = 0,05 maka Ho

ditolak, artinya koefisien regresi X2 signifikan atau berpengaruh nyata (negatif)

terhadap variabel dependen (Y). Nilai t-hitung untuk X3 sebesar 0,496 dengan

probabilitas 0,627; karena probabilitas jauh lebih besar dari α = 0,05 maka Ho

diterima, artinya koefisien regresi X3 tidak signifikan atau tidak berpengaruh nyata

terhadap variabel dependen (Y).

Berdasarkan tabel coefficients dapat dituliskan persamaan regresinya :

Y = 9,591 + 14,270 X1 – 16,733 X2 + 0,867 X3

Konstanta sebesar 9,591 menyatakan bahwa jika semua variabel independen

dianggap konstan (tetap), maka rata-rata jumlah permintaan barang sebesar

9,591 unit.

Koefisien regresi X1 sebesar 14,270 menyatakan bahwa jika variabel X1

(pendapatan konsumen) naik satu unit dan variabel lain dianggap konstan

(tetap), maka jumlah permintaan barang naik sebesar 14,270 unit.

Koefisien regresi X2 sebesar -16,733 menyatakan bahwa jika variabel X2 (harga

barang itu sendiri) naik satu unit dan variabel lain dianggap konstan (tetap),

maka jumlah permintaan barang turun sebesar 16,733 unit.

Koefisien regresi X3 sebesar 0,867 menyatakan bahwa jika variabel X3 (harga

barang substitusi) naik satu unit dan variabel lain dianggap konstan (tetap),

maka jumlah permintaan barang naik sebesar 0,867 unit.


Tugas Manual :

TahunKonsumsiMinyak

(barrel/hari)

GDP/kpt (USdollar)

Tingkatbunga

Pinjaman(%)(%)

Dari data tersebut :1. Buatlah model regresi berganda

Y=b0+b1X1+b2X2

(Model yang Saudara buat harusdidasarkanpada teori ekonomi.

2. Carilah besarnya koefisienpersamaan tersebut dan apaartinya ?

3. Dari hasil regresi yang telahsaudara hitung, ujilah apakahhasil regresi sesuai dengan teori ?Jelaskan arti koefisien masing-masing !

4. Ujilah dengan uji statistikapakah variabel bebasmempengaruhi Y ! (gunakan ttest, F test dan Uji KoefisienDeterminasi).

1991 692 1609 26

1992 745 1696 24

1993 786 1789 21

1994 809 1894 181995 865 2021 19

1996 924 2143 19

1997 1024 2212 22

1998 978 1894 32

1999 1022 1883 28

2000 1139 1948 182001 1159 1992 19

2002 1210 2054 19

2003 1230 2123 17

2004 1308 2200 14

2005 1303 2295 14

2006 1244 2389 162007 1318 2508 14

2008 1287 2624 14

2009 1297 2710 14

2010 1402 2841 13

2011 1589 2977 12

2012 1631 3115 12

2013 1643 3247 12

2014 1676 3367 13

2015 1628 3146 12

Sumber : Data hipotetis


UJI ASUMSI KLASIK DALAM REGRESI

Model regresi linier berganda (multiple regression) dapat disebut sebagai model

yang baik jika model tersebut memenuhi kriteria BLUE (Best Linear Unbiased

Estimator). BLUE dapat dicapai bila memenuhi Asumsi Klasik. Sedikitnya terdapat

empat uji asumsi yang harus dilakukan terhadap suatu model regresi tersebut,

yaitu: Uji Normalitas, Uji Multikolinieritas, Uji Autokorelasi, dan Uji Heteroske-

dastisitas.

1. DATA

Data hipotetis tentang permintaan ayam ras (Y) di Kota Mataram selama periode

tahun 1991 – 2013 sebagai berikut.

Tahun Y X1 X2 X3 X41991 27.8 397.5 42.2 50.7 78.31992 29.9 413.3 38.1 52.0 79.21993 29.8 439.2 40.3 54.0 79.21994 30.8 459.7 39.5 55.3 79.21995 31.2 492.9 37.3 54.7 77.41996 33.3 528.6 38.1 63.7 80.21997 35.6 560.3 39.3 69.8 80.41998 36.4 624.6 37.8 65.9 83.91999 36.7 666.4 38.4 64.5 85.52000 38.4 717.8 40.1 70.0 93.72001 40.4 768.2 38.6 73.2 106.12002 40.3 843.3 39.8 67.8 104.82003 41.8 911.6 39.7 79.1 114.02004 40.4 931.1 52.1 95.4 124.12005 40.7 1021.5 48.9 94.2 127.62006 40.1 1165.9 58.3 123.5 142.92007 42.7 1349.6 57.9 129.9 143.62008 44.1 1449.4 56.5 117.6 139.2


2009 46.7 1575.5 63.7 130.9 165.52010 50.6 1759.1 61.6 129.8 203.32011 50.1 1994.2 58.9 128.0 219.62012 51.7 2258.1 66.4 141.0 221.62013 52.9 2478.7 70.4 168.2 232.6

Keterangan : Y = konsumsi ayam ras per kapita

X1= pendapatan riil per kapita

X2 = harga ayam ras eceran riil per unit

X3 = harga kambing eceran riil per unit

X4 = harga sapi eceran riil per unit

Teori ekonomi mikro mengajarkan bahwa permintaan akan suatu barang

dipengaruhi oleh pendapatan konsumen, harga barang itu sendiri, harga barang

substitusi, dan harga barang komplementer.

2. UJI NORMALITAS

Salah satu asumsi model regresi adalah residual mempunyai distribusi normal.

Apa konsekuensinya jika model tidak mempunyai residual yang berdistribusi normal ?

Uji t dan F untuk melihat signifikansi variabel independen terhadap variabel dependen

tidak bisa diaplikasikan jika residual tidak mempunyai distribusi normal. Jadi, kalau

asumsi ini dilanggar maka uji statistik menjadi tidak valid untuk jumlah sampel kecil.

Uji normalitas hanya digunakan jika jumlah observasi kurang dari 30, untuk

mengetahui apakah residual (error term) mendekati distribusi normal. Jika jumlah

observasi lebih dari 30, maka tidak perlu dilakukan uji normalitas, sebab distribusi

sampling error term telah mendekati normal.

Cara yang sering digunakan dalam menentukan apakah suatu model

berdistribusi normal atau tidak hanya dengan melihat pada histogram residual apakah

memiliki bentuk seperti “lonceng” atau tidak. Cara ini menjadi fatal karena


pengambilan keputusan data berdistribusi normal atau tidak hanya berpatokan pada

pengamatan gambar saja. Selain cara grafik, ada cara lain untuk menentukan data

berdistribusi normal atau tidak dengan menggunakan rasio skewness dan rasio kurtosis,

serta uji Kolmogorov-Smirnov.

Rasio skewness dan rasio kurtosis dapat dijadikan petunjuk apakah suatu data

berdistribusi normal atau tidak. Rasio skewness adalah nilai skewnes dibagi dengan

standard error skewness; sedang rasio kurtosis adalah nilai kurtosis dibagi dengan

standard error kurtosis. Sebagai pedoman, bila rasio kurtosis dan skewness berada di

antara –2 hingga +2, maka distribusi data adalah normal.

Langkah analisis dalam SPSS :

a. Ketik data permintaan ayam ras di atas pada lembar kerja Data Editor SPSS dan

simpan dengan nama Asumsi Klasik.

b. Lakukan regresi berganda dengan pilih Analyze ===> pilih submenu Regression

===> pilih Linear, akan muncul tampilan berikut.


c. Masukkan variabel Y pada kotak sebelah kiri ke kotak Dependent, dan variabel

X1, X2, X3 dan X4 ke kotak Independent(s) dengan mengklik tombol tanda

panah. Kemudian pilih Save dan muncul tampilan berikut.

d. Centang pilihan Unstandardized pada bagian Residuals, kemudian pilih Continue

dan pada tampilan awal pilih tombol OK, akan menghasilkan variabel baru

bernama Unstandardized Residual (RES_1). Selanjutnya Analyze ====> pilih

Descriptive Statistics ====> Descriptives akan muncul tampilan berikut.


e. Masukkan variabel Unstandardized Residual (RES_1) ke kotak sebelah kiri,

selanjutnya pilih Options akan muncul tampilan berikut.


f. Centang pilihan Kurtosis dan Skewness dan kemudian k l i k Continue dan

pada tampilan awal pilih OK. Hasilnya sebagai berikut (beberapa bagian dipotong

untuk menghemat tempat).

Descriptive Statistics

23 -3,26458 3,03053,00000001,766734 ,105 ,481 -1,002 ,93523

Unstandardized ResidualValid N (listwise)

Statistic Statistic Statistic Statistic Statistic Statistic Std. ErrorStatistic Std. ErrorN MinimumMaximum Mean Std.

DeviationSkewness Kurtosis

Berdasarkan tabel Descriptive Statistics dapat dihitung rasio skewness =

0,105/0,481 = 0,218; sedang rasio kurtosis = -1,002/0,935 = -1,071. Karena rasio

skewness dan rasio kurtosis berada di antara –2 hingga +2, maka dapat

disimpulkan bahwa distribusi data adalah normal.

Uji statistik lain yang dapat digunakan untuk menguji normalitas residual adalah uji

statistik non-parametrik Kolmogorov-Smirnov (K - S). Uji K - S dilakukan dengan

membuat hipotesis.

Ho : data residual berdistribusi normal

H1 : data residual tidak berdistribusi normal

Langkah Analisis :

a. Dari menu utama SPSS pilih menu Analyze, lalu pilih Nonparametrik Tests.

b. Kemudian pilih submenu 1-Sample K-S, di layar akan tampak tampilan windwos

One-sample Kolmogorov-Smirnov test.


c. Pada kotak test variable list, isikan unstandardized residual (RES_1), dan aktifkan

test Distribution pada kotak Normal.

d. Pilih OK.

e. Output SPSS sebagai berikut.


One-Sample Kolmogorov-Smirnov Test

23,0000000

1,76673414,163,163-,097,780,577

NMeanStd. Deviation

Normal Parametersa,b

AbsolutePositiveNegative

Most ExtremeDifferences

Kolmogorov-Smirnov ZAsymp. Sig. (2-tailed)

Unstandardized Residual

Test distribution is Normal.a.

Calculated from data.b.

Besarnya nilai Kolmogorov-Smirnov adalah 0,780 dan signifikan sebesar 0,577

lebih besar dari α = 0,05. Hal ini berarti Ho diterima yang berarti data residual

berdistribusi normal (hasilnya konsisten dengan uji sebelumnya).

3. MULTIKOLINIERITAS

Uji multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan

adanya korelasi antar variabel bebas (independen). Model regresi yang baik seharusnya

tidak terjadi korelasi di antara variabel independen. Untuk mendeteksi ada atau tidaknya

multikolinieritas di dalam model regresi sebagai berikut :

a. Nilai R2 yang dihasilkan oleh suatu estimasi model regresi empiris sangat tinggi,

tetapi secara individual variabel independen banyak yang tidak signifikan

mempengaruhi variabel dependen.

b. Menganalisis matrik korelasi variabel-variabel independen. Jika antar variabel

independen ada korelasi yang cukup tinggi (umumnya > 0,70) maka hal ini

merupakan indikasi adanya multikolinieritas.


c. Melihat nilai tolerance dan variance inflation factor (VIF). Kedua ukuran ini

menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel

independen lainnya. Tolerance mengukur variabilitas variabel independen yang

terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi nilai tolerance

yang rendah sama dengan nilai VIF yang tinggi (karena VIF = 1/Tolerance). Jika

nilai tolerance < 0,10 atau sama dengan nilai VIF > 10 menunjukkan adanya gejala

multikolinieritas.

Berikut ini disajikan cara mendeteksi gejala multikolinieritas dengan menganalisis

matrik korelasi antar variabel independen dan perhitungan nilai tolerance dan VIF.

Langkah Analisis :

a. Buka file data Asumsi Klasik.sav

b. Dari menu utama SPSS, pilih menu Analyze, kemudian submenu Regression, lalu

pilih Linear.

c. Tampak di layar windows Linear Regression.

d. Pada kotak Dependent isikan variabel Y.

e. Pada kotak Independent isikan variabel X1, X2, X3, dan X4.

f. Pada kotak method, pilih Entar.

g. Untuk menampilkan matrik korelasi dan nilai Tolerance dan VIF, pilih Statistics di

layar akan muncul tampilan windows Linear Regression Statistics.

h. Aktifkan/centang pilihan Covariance matrix dan Collinierity Diagnostics.


i. Tekan tombol Continue, abaikan yang lain dan tekan OK.

j. Tampilan output SPSS sebagai berikut.

Model Summary

,971a ,943 ,930 1,9532Model1



Predictors: (Constant), X4, X2, X3, X1a.

ANOVAb

1127,259 4 281,815 73,871 ,000a

68,670 18 3,8151195,929 22


Model1





Coefficientsa

37,232 3,718 10,015 ,000,005 ,005 ,420 1,024 ,319 ,019 52,701-,611 ,163 -,922 -3,753 ,001 ,053 18,901,198 ,064 ,948 3,114 ,006 ,034 29,051,070 ,051 ,485 1,363 ,190 ,025 39,761

(Constant)X1X2X3X4

Model1

B Std. Error


Beta


t Sig. Tolerance VIFCollinearity Statistics


Coefficient Correlations a

1,000 -,316 ,280 -,879-,316 1,000 -,767 ,257,280 -,767 1,000 -,523

-,879 ,257 -,523 1,000,003 -,003 ,001 ,000

-,003 ,027 -,008 ,000,001 -,008 ,004 ,000,000 ,000 ,000 2,39E-005

X4X2X3X1X4X2X3X1

Correlations

Covariances

Model1

X4 X2 X3 X1


Collinearity Diagnosticsa

4,830 1,000 ,00 ,00 ,00 ,00 ,00,156 5,567 ,04 ,01 ,00 ,00 ,00,010 22,239 ,12 ,03 ,03 ,23 ,08,003 43,117 ,75 ,45 ,23 ,06 ,45,001 57,961 ,09 ,50 ,74 ,72 ,47

Dimension12345

Model1

EigenvalueCondition

Index (Constant) X1 X2 X3 X4Variance Proportions


Berdasarkan hasil output SPSS tersebut menunjukkan bahwa semua variabel

independen memiliki nilai Tolerance yang lebih besar dari 0,10 yang berarti ada korelasi

antar variabel independen yang nilainya lebih dari 95%. Hasil perhitungan nilai

Variance Inflation Factor (VIF) juga menunjukkan hal yang sama, semua variabel


independen memiliki nilai VIF lebih besar dari 10. Jadi dapat disimpulkan bahwa ada

gejala multikolinieritas antar variabel independen dalam model regresi.

Melihat hasil besaran korelasi antar variabel independen tampak bahwa variabel

X1 mempunyai korelasi sangat tinggi dengan variabel X4 sebesar -0,879, demikian juga

antara variabel X2 dengan X3 dengan korelasi -0,767 dimana kedua nilai korelasi ini

lebih besar dari 0,70. Jadi dapat disimpulkan bahwa terdapat gejala multikolinieritas yang

serius antar variabel independen dalam model regresi.

4. AUTOKORELASI

Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linier ada

korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu

pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka dinamakan terdapat problem

autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu

berkaitan satu sama lainnya. Masalah ini timbul karena residual (kesalahan

pengganggu) tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering

ditemukan pada data runtut waktu (time series) karena “gangguan” pada seseorang

individu/kelompok cenderung mempengaruhi “gangguan” pada individu/kelompok

yang sama pada periode berikutnya.

Pada data cross section (silang waktu), masalah autokorelasi relatif jarang

terjadi karena “gangguan” pada observasi yang berbeda berasal dari individu/kelompok

yang berbeda. Model regresi yang baik adalah regresi yang bebas dari autokorelasi.

Ada beberapa cara yang dapat digunakan untuk mendeteksi ada atau tidaknya

autokorelasi. Pertama, Uji Durbin-Watson (DW Test). Uji ini hanya digunakan untuk

autokorelasi tingkat satu (first order autocorrelation) dan mensyaratkan adanya


intercept (konstanta) dalam model regresi dan tidak ada variabel lag di antara variabel

penjelas (independen).

Hipotesis yang diuji adalah:

Ho : p = 0 (tidak ada autokorelasi positif atau negatif)

H1 : p ≠ 0 (ada autokorelasi positif atau negatif)

Langkah Analisis :


b. Dari menu utama SPSS, pilih menu Analyze, kemudian submenu Regression, lalu

pilih Linear.




f. Untuk menampilkan nilai Durbin-Watson, pilih Statistics di layar akan muncul

tampilan windows Linear Regression Statistics.

g. Aktifkan/centang pilihan Durbin-Watson.


h. Tekan tombol Continue, abaikan yang lain dan tekan OK.

i. Tampilan output SPSS sebagai berikut, sebagian hasilnya dihilangkan.

Model Summaryb

,971a ,943 ,930 1,9532 1,065Model1



Durbin-Watson



Nilai Durbin-Watson sebesar 1,065 dan nilai ini akan dibandingkan dengan nilai

DW tabel. Langkah selanjutnya adalah menetapkan nilai dl dan du, dengan cara

menggunakan α=5%, sampel (n) yang kita miliki sebanyak 23 observasi, dan variabel

independen sebanyak 4, maka didapatkan nilai dl = 1,078 dan du = 1,660. Jadi nilai DW

lebih kecil dari nilai dl (1,065 < 1,078) sehingga dapat disimpulkan bahwa model ini

memiliki gejala autokorelasi positif.

5. HETEROSKEDASTISITAS

Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi

ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika

variance dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut


homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik

adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas. Kebanyakan data

cross section mengandung situasi heteroskedastisitas karena data ini menghimpun data

yang mewakili berbagai ukuran (kecil, sedang dan besar).

Banyak metoda statistik yang dapat digunakan untuk menentukan apakah suatu

model regresi terbebas dari masalah heteroskedastisitas atau tidak, seperti Uji White, Uji

Park, Uji Glejser, dan lain-lain. Modul ini akan memperkenalkan salah satu uji

heteroskedastisitas yang mudah dan dapat diaplikasikan dengan SPSS, yaitu Uji Glejser.

Uji Glejser dilakukan dengan cara meregresikan nilai absolut residual terhadap

variabel independen, dengan persamaan regresi sebagai berikut:

| ei | = bo + bi Xi + v

Dimana :

| ei | = nilai absolut dari residual yang dihasilkan oleh regresi model

Xi = Variabel independen

Jika variabel independen secara statistik signifikan mempengaruhi variabel

dependen (residual) maka ada indikasi dalam model terjadi masalah heteroskedastisitas.

Langkah Uji Glejser dengan SPSS


b. Lakukan regresi dari menu utama SPSS, pilih menu Analyze, kemudian submenu

Regression, lalu pilih Linear.





f. Dapatkan variabel residual (ei), pilih tombol Save pada tampilan windows Linear

Regression Statistics.

g. Aktifkan/centang pilihan Unstandardized residual.

h. Tekan tombol Continue, abaikan yang lain dan tekan OK.

i. Hasilnya, kita memiliki variabel baru Unstandardized Residual (RES_1).

j. Selanjutnya absolutkan nilai residual (RES_1) dengan menu Transform

dan Compute variable.

k. Pada kotak Target Variable ketik Abresid, pada kotak Function group pilih All

dan di bawahnya akan muncul beberapa pilihan fungsi, pilihlah Abs. Kemudian klik

pada tombol tanda panah arah ke atas, dan masukkan variabel Unstandardized

Residual (RES_1) ke dalam kotak Numeric Expression dengan klik tombol tanda

panah arah ke kanan dan tampilannya seperti berikut.


l. Tekan tombol OK.

m. Lakukan regresi dari menu utama SPSS, pilih menu Analyze, kemudian submenu

Regression, lalu pilih Linear.

n. Regresikan variabel absolut residual (Abresid) dengan semua variabel independen.

o. Pada kotak Dependent isikan variabel Abresid.

p. Pada kotak Independent isikan variabel X1, X2, X3, dan X4, di layar tampak

tampilan berikut.

q. Tekan tombol OK, dan hasil output SPSS seperti berikut.


Coefficientsa

-1,507 1,590 -,948 ,356-,002 ,002 -1,097 -,737 ,471,068 ,070 ,866 ,971 ,344-,001 ,027 -,060 -,055 ,957,012 ,022 ,713 ,552 ,588

(Constant)X1X2X3X4

Model1

B Std. Error


Beta


t Sig.

Dependent Variable: Abresida.

Jika variabel independen secara statistik signifikan mempengaruhi variabel

dependen (residual) maka ada indikasi dalam model terjadi masalah heteroskedastisitas.

Hasil tampilan output SPSS dengan jelas menunjukkan bahwa tidak ada satupun

variabel independen yang signifikan secara statistik mempengaruhi variabel dependen

nilai absolut residual (Abresid). Hal ini terlihat dari probabilitas signifikansi tiap-tiap

variabel independen yang semuanya lebih besar dari α = 0,05; sehingga dapat

disimpulkan bahwa model regresi ini tidak mengandung adanya masalah

heteroskedastisitas atau bersifat homoskedastisitas.


REGRESI DENGAN VARIABEL DUMMY

Variabel di dalam analisis regresi bisa debedakan menjadi dua yaitu variabel

kuantitatif dan variabel kualitatif. Model regresi pada bagian ini memfokuskan pada

regresi dengan variabel independen kualitatif. Harga, volume produksi, volume

penjualan, biaya promosi adalah beberapa contoh variabel yang datanya bersifat

kuantitatif. Namun, bila kita membicarakan masalah jenis kelamin, tingkat pendidikan,

status perkawinan, krisis ekonomi maupun kenaikan harga BBM berarti kita

membicarakan variabel bersifat kualitatif.

Variabel-variabel kualitatif tersebut sangat mempengaruhi perilaku agen-agen

ekonomi. Variabel kualitatif ini bisa terjadi pada dara cross section maupun data time

series. Misalnya dalam data cross section kita bisa memasukkan jenis kelamin di dalam

regresi dalam mempengaruhi volume penjualan handphone. Begitu pula data kualitatif

seperti kenaikan harga BBM bisa kita masukkan di dalam regresi dalam mempengaruhi

volume penjualan dalam data time series.

Contoh :

Menganalisis apakah masa kerja, tingkat pendidikan karyawan, dan jenis kelamin

mempengaruhi gaji karyawan. Pendidikan dikategorikan menjadi dua yaitu Diploma dan

Sarjana. Menggunakan data hipotetis sebanyak 20 karyawan suatu perusahaan.

Yi = βo + β1 Xi + β2 D1 + β3 D2 + ei

Dimana :

Yi = gaji karyawan

Xi = masa kerja karyawan (tahun)


D1 = 1 jika sarjana dan 0 jika tidak (diploma)

D2 = 1 jika pria dan 0 bila wanita

Data 20 Karyawan di Perusahaan PT Maju Mundur

Gaji (juta) Masa_kerja Pendidikan Kelamin

2,700 11 0 0

3,400 3 1 1

3,900 18 0 1

3,400 14 0 1

4,800 9 1 1

2,200 3 0 1

6,400 15 1 1

6,230 17 1 0

4,200 20 0 1

2,065 2 0 0

3,510 4 1 0

2,500 5 0 1

2,800 8 0 1

2,975 14 0 0

5,890 15 1 0

3,105 15 0 0

3,200 2 1 1

3,365 19 0 0

3,850 5 1 0

6,910 20 1 0

Langkah-langkah Analisis Regresi



b. Klik Variable View kemudian isi nama variabelnya, ketik Gaji lalu tekan ENTER,

ketik Masa_keja lalu tekan ENTER, ketik Pendidikan lalu tekan ENTER, dan ketik

Kelamin lalu tekan ENTER.



masing-masing data.


nama filenya, misalnya dummy.


submenu Regression ===> lalu klik Linear.

f. Masukkan variabel Gaji pada kotak sebelah kiri ke kotak Dependent, dan

variabel Masa_kerja, Pendidikan, Kelamin ke kotak Independent(s) dengan

mengklik tombol tanda panah, hasilnya seperti tampak pada tampilan berikut.

g. Kemudian klik OK, hasil output SPSS seperti pada tampilan berikut.

Model Summary

,958a ,917 ,901 ,45176Model1



Predictors: (Constant), Kelamin, Pendidikan, Masa_kerja

a.

Nilai koefisien determinasi sebesar 0,917 artinya hasil regresi menunjukkan

bahwa variasi masa kerja, tingkat pendidikan karyawan dan jenis kelamin mampu

menjelaskan variasi gaji karyawan sebesar 91,7% dan sisanya sebesar 9,3% dijelaskan

oleh faktor lain di luar model.


ANOVAb

36,101 3 12,034 58,964 ,000a

3,265 16 ,20439,367 19


Model1


Predictors: (Constant), Kelamin, Pendidikan, Masa_kerjaa.

Dependent Variable: Gajib.

Nilai F-hitung sebesar 58,964 dan nilai F-tabel pada α=5% dengan df (3,16)

sebesar 3,24 (cari dalam tabel F). Nilai F-hitung lebih besar dari nilai F-tabel sehingga

kita menolak Ho. Bisa juga melihat nilai signifikansi sebesar 0,000 < α = 0,05 maka Ho

ditolak (H1 diterima). Hasil regresi ini mengindikasikan bahwa secara serentak variabel

masa kerja, tingkat pendidikan karyawan dan jenis kelamin secara nyata mempengaruhi

gaji karyawan.

Coefficientsa

1,067 ,280 3,815 ,002,156 ,016 ,703 9,448 ,000

2,183 ,207 ,774 10,560 ,000,228 ,208 ,081 1,096 ,289

(Constant)Masa_kerjaPendidikanKelamin

Model1

B Std. Error


Beta


t Sig.

Dependent Variable: Gajia.

Uji signifikansi variabel independen terhadap variabel dependen menunjukkan

bahwa nilai t-hitung variabel masa kerja sebesar 9,448; variabel dummy tingkat

pendidikan sebesar 10,560; dan variabel dummy jenis kelamin sebesar 1,096. Sementara

itu, nilai t-tabel uji dua sisi pada α=5% dengan df =16 sebesar 2,120 (cari dalam tabel t).

Dengan demikian variabel masa kerja dan dummy tingkat pendidikan signifikan pada

α=5% (nilai t-hitung > nilai t-tabel), sedangkan variabel dummy jenis kelamin tidak

berpengaruh nyata. Bisa juga membandingkan nilai Sig. (probabilitas atau p-value) jika


lebih kecil dari alpha maka Ho ditolak, artinya variabel tersebut berpengaruh nyata

terhadap variabel dependen.

Hasil regresi mengindikasikan bahwa variabel kualitatif tingkat pendidikan

karyawan berpengaruh nyata terhadap gaji karyawan. Koefisien regresi variabel dummy

tingkat pendidikan sebesar 2,183 dapat diartikan gaji karyawan berpendidikan sarjana

lebih besar 2,183 juta dibandingkan dengan gaji karyawan berpendidikan tidak sarjana

dengan asumsi variabel lain tetap. Variabel dummy jenis kelamin tidak signifikan maka

dapat diartikan tidak ada perbedaan gaji antara karyawan pria dan wanita dengan asumsi

variabel lain tetap. Koefisien regresi variabel dummy jenis kelamin 0,228 artinya gaji

karyawan pria lebih tinggi 0,228 juta dibandingkan dengan gaji karyawan wanita tetapi

secara statistik perbedaan itu tidak berbeda nyata.

Karyawan Sarjana dan Pria :

E(Yi | D1=1; D2=1, Xi) = (βo + β2 + β3) + β1Xi

Karyawan Tidak Sarjana dan Pria :

E(Yi | D1=0; D2=1, Xi) = (βo + β3) + β1Xi

Karyawan Sarjana dan Wanita :

E(Yi | D1=1; D2=0, Xi) = (βo + β2) + β1Xi

Karyawan Tidak Sarjana dan Wanita :

E(Yi | D1=0; D2=0, Xi) = βo + β1Xi

Persamaan regresi Yi = 1,067 + 0,156 Xi + 2,183 D1 + 0,228 D2

Gaji karyawan berpendidikan sarjana dan pria :

Y’ = (1,067 +2,183 + 0,228) + 0,156 Xi ====> Y’ = 3,478 + 0,156 Xi

Gaji karyawan berpendidikan tidak sarjana dan pria :

Y’ = (1,067 + 0,228) + 0,156 Xi ===> Y’ = 1,295 + 0,156 Xi

Gaji karyawan berpendidikan sarjana dan wanita :

Y’ = (1,067 + 2,183) + 0,156 Xi ===> Y’ = 3,250 + 0,156 Xi

Gaji karyawan berpendidikan tidak sarjana dan wanita :

Y’ = 1,067 + 0,156 Xi


Tugas Manual :

1. Suatu penelitian ingin menganalisis apakah masa kerja, tingkat pendidikan karyawan

dan jenis kelamin mempengaruhi gaji mereka. Pendidikan dikategorikan menjadi

dua yaitu pendidikan Diploma dan Sarjana. Hasil analisis data hipotesis sebanyak 20

karyawan sebagai berikut.

Y = 1,082 + 0,156 X + 2,174 D1 + 0,218 D2

Y = Gaji karyawan dalam (juta rupiah), X = masa kerja karyawan (tahun)D1 = 1 jika Sarjana dan D1 = 0 jika tidak (Diploma)D2 = 1 jika pria dan D2 = 0 jika wanita

a. Interpretasikan persamaan regresi tersebut.

b. Buatlah formula gaji karyawan pria dan berpendidikan Sarjana.

c. Buatlah formula gaji karyawan pria dan berpendidikan Diploma.

d. Buatlah formula gaji karyawan wanita dan berpendidikan Sarjjana.

e. Buatlah formula gaji karyawan wanita dan berpendidikan Diploma.

2. Suatu penelitian ingin menganalisis apakah masa kerja dan tingkat pendidikan

karyawan mempengaruhi gaji mereka. Pendidikan dikategorikan menjadi tiga yaitu

pendidikan SMA, Diploma dan Sarjana. Hasil analisis data hipotesis sebanyak 20

karyawan sebagai berikut.

Y = 0,973 + 0,107 X + 0,921 D1 + 2,466 D2

Y = Gaji karyawan dalam (juta rupiah), X = masa kerja karyawan (tahun)D1 = 1 jika Diploma dan D1 = 0 jika tidak (SMA)D2 = 1 jika Sarjana dan D2 = 0 jika tidak (SMA)

a. Interpretasikan persamaan regresi tersebut.

b. Buatlah formula gaji karyawan berpendidikan SMA.

c. Buatlah formula gaji karyawan berpendidikan Diploma.

d. Buatlah formula gaji karyawan berpendidikan Sarjana.


MODEL REGRESI LOGISTIK (LOGIT MODEL)

Banyak kasus di dalam analisis regresi dimana variabel dependennya bersifat

kualitatif. Keputusan seseorang membeli mobil atau tidak. Keputusan seorang konsumen

membeli televisi merk Sonny atau bukan Sonny. Dua contoh tersebut merupakan contoh

variabel dependen yang mempunyai dua kelas atau bersifat binari (binary). Tetapi sering

kali kita juga menemukan variabel dependen yang mempunyai lebih dari dua kelas

(multinomial). Misalnya kemampuan nasabah bank di dalam membayar kreditnya.

Kemampuan nasabah ini bisa dikategorikan menjadi tiga, yaitu mereka yang mampu

membayar tepat waktu (repay), mereka yang membayar terlambat (late repay) dan

mereka yang gagal membayar (default).

Kembali kepada kasus keputusan seseorang untuk membeli mobil, jawaban yang

kita peroleh adalah mereka yang membeli mobil atau mereka yang tidak membeli mobil.

Dengan kata lain respon setiap orang tersebut bersifat dikotomis (binari). Pada bahasan

variabel dummy, dalam model regresi dimana variabel independen bersifat kualitatif

maka kita harus mengkuantitatifkan variabel kualitatif ini agar regresi bisa dilakukan.

Namun, mengkuantitatifkan variabel kualitatif di dalam regresi juga berlaku untuk

variabel dependen bersifat kualitatif. Setiap variabel kualitatif di dalam regresi baik

variabel independen maupun dependen, kita akan mengambil nilai 1 jika variabel

mempunyai atribut dan nilai 0 jika tidak mengandung atribut. Dengan demikian, kita

akan memberi angka 1 untuk variabel dependen kualitatif yang mempunyai atribut dan

angka 0 untuk variabel dependen yang tidak mempunyai atribut. Metode ini sama dengan

metode regresi dengan menggunakan variabel independen kualitatif (regresi variabel

dummy).


Contoh :

Mengaplikasikan model logit tentang keputusan seseorang untuk membeli mobil

atau tidak. Keputusan membeli mobil atau tidak dipengaruhi oleh dua variabel yaitu

jumlah pendapatan dan status pernikahan. Status pernikahan merupakan variabel

independen kualitatif.

Model Logit ===> ln (Pi / 1 – Pi) = Zi = βo + β1 X1 + β2 X2

dimana, P = probabilitas membeli mobil

X1 = jumlah pendapatan (juta per bulan)

X2 = status pernikahan (1 jika menikah dan 0 jika belum menikah)

Data hipotesis yang digunakan sebagai berikut.

No. Keptusan Pendptan S_nikah Lokasi Keluarga Penddkan

1 0 5,10 0 1 3 0

2 1 12,25 1 1 3 1

3 1 9,00 1 0 2 1

4 0 6,00 0 0 4 0

5 1 10,20 1 1 3 1

6 0 5,25 0 1 2 0

7 0 5,50 0 0 3 0

8 1 11,40 1 1 3 1

9 0 5,90 0 0 2 1

10 1 11,00 1 0 2 1

11 0 6,25 0 0 3 0

12 1 6,40 0 0 4 0

13 0 6,70 1 1 3 1

14 1 7,10 1 0 1 0

15 1 7,50 0 0 1 1

16 0 7,70 0 1 3 0


17 0 8,00 0 0 6 0

18 1 8,20 1 1 2 1

19 0 8,50 0 0 2 0

20 1 8,60 1 1 3 1

21 0 8,80 0 1 5 0

22 0 5,80 1 0 2 0

23 1 9,40 1 1 3 1

24 1 9,75 1 1 2 1

25 1 9,90 1 1 3 1

26 1 10,60 1 1 2 1

27 1 10,80 1 1 3 1

28 0 6,95 0 1 2 0

29 1 11,80 1 1 2 1

30 1 12,00 1 1 3 1

Langkah-langkah Analisis :



b. Klik Variable View kemudian isi nama variabelnya, ketik Keptusan lalu tekan

ENTER, ketik Pendptan lalu tekan ENTER, ketik S_nikah lalu tekan ENTER.


masing-masing data.


nama filenya, misalnya logit.


submenu Regression ===> lalu klik Binary Logistic.


f. Masukkan variabel Keptusan pada kotak sebelah kiri ke kotak Dependent, dan

variabel Pendptan, S_nikah ke kotak Covariates dengan mengklik tombol tanda

panah, hasilnya seperti tampak pada tampilan berikut.

g. Setelah itu, pilih options dan pada Statistics and Plots centang Hosmer-

Lemeshow goodnes of fit dan CI for exp(B), lalu klik continue. Tampilannya

seperti berikut.

h. Kemudian klik OK, hasil output SPSS sebagai berikut.


Case Processing Summary

30 100,00 ,0

30 100,00 ,0

30 100,0

Unweighted Casesa

Included in AnalysisMissing CasesTotal

Selected Cases

Unselected CasesTotal

N Percent

If weight is in effect, see classification table for the totalnumber of cases.

a.

Dependent Variable Encoding

01

Original Value01

Internal Value

Block 0: Beginning Block

Classification Tablea,b

0 13 ,00 17 100,0

56,7

Observed01

Keptusan

Overall Percentage

Step 00 1

Keptusan PercentageCorrect

Predicted

Constant is included in the model.a.

The cut value is ,500b.

Variables in the Equation

,268 ,368 ,530 1 ,467 1,308ConstantStep 0B S.E. Wald df Sig. Exp(B)

Variables not in the Equation

15,325 1 ,00015,922 1 ,00018,706 2 ,000

PendptnS_nikah

Variables

Overall Statistics

Step0

Score df Sig.


Tampilan output SPSS di atas memberi informasi jumlah kasus yang dianalisis

ada 30 kasus tidak ada yang terlewatkan (missing). Classification Table menyajikan

informasi tentang keakuratan prediksi. Dengan hanya menggunakan konstanta,

keakuratan prediksi sebesar 56,7%. Tampilan Variables in the equation menampilkan uji

wald. Dengan hanya konstanta tanpa variabel pendapatan (X1) dan status pernikahaan

(X2) tidak signifikan pada α=5% dalam mempengaruhi keputusan seseorang dalam

membeli mobil (Sig 0,467 > α=0,05). Dengan demikian ada varfiabel independen yang

mempengaruhi keputusan memberi mobil.

Block 1: Method = Enter

Uji Serentak

Omnibus Tests of Model Coefficients

23,944 2 ,00023,944 2 ,00023,944 2 ,000

StepBlockModel

Step 1Chi-square df Sig.

Tabel Omnibus Tests of Model Coefficients menyajikan uji serentak semua koefisien

variabel di dalam regresi logistik. Nilai Chi-square merupakan perbedaan -2LL model

dengan hanya konstanta dan model yang diestimasi. Nilai Chi-squares model sebesar

23,944 dengan df sebesar 2 (Chi-square tabel 5,991) maka signifikan (Sig 0,000 <

α=0,05) sehingga dapat disimpulkan bahwa pendapatan dan status pernikahan

mempengaruhi keputusan seseorang di dalam membeli mobil.

Uji Goodness of Fit

Model Summary

17,110 a ,550 ,738Step1

-2 Loglikelihood

Cox & SnellR Square

NagelkerkeR Square

Estimation terminated at iteration number 6 becauseparameter estimates changed by less than ,001.

a.


Model summary menunjukkan nilai Cox & Snell R square sebesar 0,550 berarti

variabel pendapatan (X1) dan status pernikahan (X2) di dalam model logit mampu

menjelaskan perilaku seseorang dalam membeli mobil atau tidak sebesar 55%.

Sedangkan berdasarkan Nagelkerke R square sebesar 0,738 berarti variabel pendapatan

(X1) dan status pernikahan (X2) di dalam model logit mampu menjelaskan perilaku

seseorang dalam membeli mobil atau tidak sebesar 73,8%

Hosmer and Lemeshow Test

12,837 8 ,118Step1

Chi-square df Sig.

Contingency Table for Hosmer and Lemeshow Test

3 2,923 0 ,077 33 2,839 0 ,161 31 2,611 2 ,389 33 2,155 0 ,845 33 1,584 0 1,416 30 ,611 3 2,389 30 ,163 3 2,837 30 ,072 3 2,928 30 ,031 3 2,969 30 ,012 3 2,988 3

12345678910

Step1

Observed ExpectedKeptusan = 0

Observed ExpectedKeptusan = 1

Total

Classification Tablea

12 1 92,32 15 88,2

90,0

Observed01

Keptusan

Overall Percentage

Step 10 1

Keptusan PercentageCorrect

Predicted

The cut value is ,500a.


Classification tables menunjukkan seberapa baik model mengelompokkan kasus

ke dalam dua kelompok baik yang tidak mempunyai mobil maupun yang mempunyai

mobil. Keakuratan prediksi secara menyeluruh sebesar 90%, hal ini lebih baik dari model

yang hanya dengan konstanta sebelumnya sebesar 56,7%. Sedangkan keakuratan prediksi

yang tidak mempunyai mobil sebesar 92,3% dan yang mempunyai mobil sebesar 88,2%.

Variables in the Equation

1,001 ,493 4,121 1 ,042 2,720 1,035 7,1462,443 1,242 3,869 1 ,049 11,511 1,009 131,369-8,932 3,852 5,377 1 ,020 ,000

PendptnS_nikahConstant

Step1a

B S.E. Wald df Sig. Exp(B) Lower Upper95,0% C.I.for EXP(B)

Variable(s) entered on step 1: Pendptn, S_nikah.a.

Uji signifikansi variabel independen secara individual dengan menggunakan uji

Wald. Hasil uji menunjukkan bahwa variabel pendapatan (X1) dan status pernikahan

(X2) berpengaruh nyata terhadap keputusan seseorang di dalam membeli mobil dengan

tingkat signifikansi 5% (sig < α=0,05).

Persamaan regresi logistik Zi = -8,932 + 1,001 X1 + 2,443 X2

Interpretasi persamaan logistik menggunakan odd ratio atau Exp(B), untuk pendapatan

(X1) odd ratio sebesar 2,720 dapat diartikan bahwa jika pendapatan naik 1 unit (1 juta)

maka rasio kemungkinan memiliki mobil dengan yang tidak memiliki mobil naik dengan

faktor 2,720 dengan asumsi variabel status pernikahan tetap. Sementara itu odd ratio

untuk status pernikahan (X2) sebesar 11,511 dapat diartikan bahwa rasio kemungkinan

membeli mobil dengan tidak membeli mobil untuk mereka yang menikah lebih tinggi


daripada yang belum menikah sebesar 11,511 kali dengan asumsi variabel pendapatan

tetap.

Persamaan regresi logistik dapat juga digunakan untuk melakukan prediksi, misal

individu mempunyai pendapatan 10 juta dan status pernikahan sudah menikah (X2 =1)

maka probabilitas memiliki mobil dapat dihitung sebagai berikut.

Z = -8,932 + 1,001(10) + 2,443(1) = 3,521

Pi = (1 / 1 + e-Z) = (1 / 1 + 2,7182818^-3,521) = 0,97

Nilai prediksi probabilitas individu tersebut memiliki mobil sebesar 0,97 sedangkan

probabilitas tidak mempunyai mobil sebesar 1 – 0,97 = 0,03.


Tugas Mandiri :

Sebuah penelitian ingin mengetahui apakah faktor pendapatan dan lamanya pendidikan

pengusaha kecil berpengaruh terhadap pilihan pengusaha dalam bermitra dengan

perusahaan X atau tidak. Diambil 15 sampel (diasumsikan memenuhi) dari pengusaha

dan didapatkan hasil sebagai berikut.

Pengaruh Faktor Pendapatan dan Pengalaman terhadap Pilihan Bermitra

No Pilihan Pendapatan(Juta/bulan)

Pengalaman(tahun)

Y X1 X21 1 4 62 0 1 43 1 3 74 0 3 75 0 4 86 1 3 67 1 3 68 0 1 49 0 4 310 0 4 311 1 4 712 1 4 713 1 3 714 0 1 215 0 1 2

Keterangan :

Y = 1 jika bermitra , Y = 0 jika tidak bermitra

1. Lakukan analisis logit dengan menggunakan aplikasi SPSS.

2. Interpretasikan model yang diperoleh.


REGRESI MULTINOMIAL LOGIT

Konsep regresi Multinomial Logit pada dasarnya sama dengan konsep regresi

logistik lainnya. Namun demikian yang membedakannya adalah bahwa dalam Model

Regesi Multinomial Logit terdapat multiple interpretation dari hasil analisis. (i) hasil

regresi dengan Multinomial Logit dapat digunakan untuk menunjukkan relationship

antara variabel independen dengan variabel dependen, hasil ini dapat dilihat dari

Likelihood ratio test. (ii) dengan menggunakan hasil pengujian parameter estimate, akan

diperoleh hasil kemampuan klasifikasi (classifiacation) terhadap variabel kategori

dependen yang sebelumnya telah dilakukan pengelompokkan.

Dalam metode Regresi Multinomial Logit, variabel dependen dalam bentuk non

metric, sementara itu variabel bebasnya (independent variables) dalam bentuk metric

atau dichotomous variabeles. Dengan demikian pengujiannya tidak menggunakan

distribusi t atau F, namun menggunakan distribusi chi-square (χ2). Dalam pengujian

Regresi Multinomial Logit nilai variabel kategori bersifat probabilistik, dimana terdapat

kemungkinan data variabel X tersebut mampu mengklasifikasikan variabel terikat

menjadi kategori pertama, kedua atau kemungkinan masuk klasifikasi kelompok ketiga.

Pengujian signifikansi model multinomial logit dilakukan dengan melihat hasil

pengujian model fitting information. Hasil ini menunjukkan overall test, kelayakan model

dapat dilihat dari nilai double likelihood (2LL). Suatu model dapat dikatakan layak

apabila nilai -2LL pada model final lebih kecil jika dibandingkan dengan nilai -2LL pada

model awal (interceipt only). Hal ini menunjukkan bahwa model multinomial logit

bermanfaat (a usefull model). Sementara itu kemampuan model dalam

mengklasifikasikan kategori variabel dependen apabila suatu subjek dimasukkan dapat

Kam (1990;307-308)


dilihat dari hasil classification atau predicted dengan observed, kategori mana yang dapat

diprediksikan lebih baik, hasilnya dapat dilihat dari nilai persentase masing-masing

kategori.

Contoh :

Mengaplikasikan model multinomial logit tentang keputusan seseorang untuk

membeli mobil atau tidak. Keputusan seseorang terdiri dari tiga kemungkinan yaitu

membeli mobil dengan tunai (3), membeli mobil dengan kredit (2) dan tidak membeli

mobil (1). Ada dua variabel yang mempengaruhi keputusan tersebut yaitu jumlah

pendapatan dan status pernikahan. Status pernikahan merupakan variabel independen

kualitatif.

Model Multinomial Logit ===> ln (Pi / Pj) = Zi = βo + β1 X1 + β2 X2

dimana, P = probabilitas kategori ke i dan j

X1 = jumlah pendapatan (juta per bulan)

X2 = status pernikahan (1 jika menikah dan 0 jika belum menikah)

Data hipotesis yang digunakan sebagai berikut.

No. Keptusan Pendptan S_nikah

1 3 9,90 0

2 1 5,25 0

3 1 7,70 0

4 1 5,80 0

5 3 11,40 1

6 1 6,00 0

7 3 12,00 1

8 2 6,40 0

9 1 6,70 1

10 1 6,95 0


11 3 10,20 1

12 3 7,50 0

13 1 5,50 0

14 1 8,00 0

15 2 8,20 1

16 1 8,50 0

17 2 8,60 1

18 1 8,80 0

19 2 9,00 1

20 3 9,40 1

21 3 9,75 1

22 1 5,90 0

23 2 7,10 1

24 3 10,60 1

25 2 10,80 1

26 3 11,00 1

27 1 6,25 0

28 3 11,80 1

29 1 5,10 0

30 3 12,25 1




b. Klik Variable View kemudian isi nama variabelnya, ketik Keptusan lalu tekan

ENTER, ketik Pendptan lalu tekan ENTER, ketik S_nikah lalu tekan ENTER.


masing-masing data.



nama filenya, misalnya multinomial logit.

e. Lakukan analisis regresi dengan cara, klik menu Analyze ===> pilih submenu

Regression ===> lalu klik Multinomial Logistic.

f. Masukkan variabel Keptusan pada kotak sebelah kiri ke kotak Dependent,

variabel S_nikah sebagai variabel independen yang kualitatif ke dalam kotak

Factor dan Pendptan sebagai variabel independen kuantitatif ke dalam kotak

Covariates dengan mengklik tombol tanda panah, hasilnya seperti tampak pada

tampilan berikut.

g. Kemudian pilih statistics sehingga akan muncul tampilan berikut.

h. Pada kotak case processing summary lalu pada model pilih atau centang Pseudo R

Squares, step summary, model fitting information, classification tables dan goodness

of fit.

i. Pada parameter pilih atau centang Estimates dan likelihood correlation.

j. Pada define subpopulation pilih atau centang covariate patterns defined by factors

and covariates. Kemudian klik continue, tampilannya seperti berikut.


k. Setelah itu klik Reference Category sehingga muncul tampilan berikut. Pada

reference category pilih custom dan ketik nilai 1 (karena 1 merupakan pilihan

individu tidak membeli mobil. Pada Category order pilih Ascending kemudian klik

continue, dan klik OK. Kalau kita pilih pilihan individu membeli mobil dengan

kredit maka pilih custom dan ketik angka 2, dan bila pilihan individu membeli mobil

dengan tunai maka pilih custom dan ketik angka 3. Hasil output SPSS seperti

berikut.


Case Processing Summary

13 43,3%6 20,0%

11 36,7%15 50,0%15 50,0%30 100,0%0

3030a

123

Keptusan

01

S_nikah

ValidMissingTotalSubpopulation

NMarginal

Percentage

The dependent variable has only one value observedin 30 (100,0%) subpopulations.

a.

Model Fitting Information

63,12829,659 33,470 4 ,000

ModelIntercept OnlyFinal

-2 LogLikelihood

ModelFittingCriteria

Chi-Square df Sig.

Likelihood Ratio Tests

Tabel Model Fitting Information merupakan uji signifikansi variabel independen

secara serentak melalui uji Chi-square (X2). Nilai Chi-squares model sebesar 33,470

dengan df sebesar 4 (Chi-square tabel 9,488) maka signifikan (Sig 0,000 < α=0,05)

sehingga dapat disimpulkan bahwa pendapatan dan status pernikahan secara bersama-

sama menentukan keputusan seseorang di dalam membeli mobil.

Goodness-of-Fit

43,870 54 ,83629,659 54 ,997

PearsonDeviance

Chi-Square df Sig.

Pseudo R-Square

,672,766,530

Cox and SnellNagelkerkeMcFadden

Tabel Goodness of Fit merupakan uji kecocokan model melalui Person Chi-

square dan Deviance Chi-square. Kedua uji ini secara statistik tidak signifikan sehingga


hipotesis nol diterima, berarti model mampu menjelaskan data dengan baik. Sedangkan

Tabel Pseudo R-square yaitu mengukur proporsi variasi data yang dijelaskan oleh model.

Nilai Cox and Snell R-square sebesar 0,672; Nagelkerke R-square sebesar 0,766; dan

McFadden R-square sebesar 0,530 berarti variabel pendapatan (X1) dan status

pernikahan (X2) di dalam model multinominal logit mampu menjelaskan keputusan

seseorang dalam membeli mobil masing-masing sebesar 67,2%; 76,6% dan 53%.


29,659 a ,000 0 .44,428 14,770 2 ,00136,016 6,357 2 ,042

EffectInterceptPendptanS_nikah

-2 LogLikelihood of

ReducedModel

Model FittingCriteria

Chi-Square df Sig.


The chi-square statistic is the difference in -2 log-likelihoodsbetween the final model and a reduced model. The reducedmodel is formed by omitting an effect from the final model. Thenull hypothesis is that all parameters of that effect are 0.

This reduced model is equivalent to the final modelbecause omitting the effect does not increase thedegrees of freedom.

a.

Tabel Likelihood Ratio Tests memberikan informasi tentang uji secara individual

pengaruh masing-masing variabel independen terhadap variabel dependen. Hasil uji

menunjukkan variabel pendapatan (X1) dan status pernikahan (X2) signifikan

berpengaruh terhadap keputusan seseorang dalam membeli mobil (sig. < α=0,05).


Referensi Pertama tidak Membeli Mobil

Parameter Estimates

-1,709 4,828 ,125 1 ,723,402 ,584 ,475 1 ,491 1,495 ,476 4,694

-3,524 1,636 4,637 1 ,031 ,029 ,001 ,7290b . . 0 . . . .

-14,431 6,684 4,661 1 ,0311,758 ,730 5,792 1 ,016 5,799 1,386 24,269-1,134 1,782 ,405 1 ,525 ,322 ,010 10,581

0b . . 0 . . . .

InterceptPendptan[S_nikah=0][S_nikah=1]InterceptPendptan[S_nikah=0][S_nikah=1]

Keptusana

2

3

B Std. Error Wald df Sig. Exp(B) Lower BoundUpper Bound

95% Confidence Interval forExp(B)

The reference category is: 1.a.

This parameter is set to zero because it is redundant.b.

Tabel Parameter Estimates menyajikan uji signifikansi variabel independen

melalui uji Wald. Pertama, sebagai reference category adalah pilihan pertama yaitu tidak

membeli mobil. Pada koefisien logit pertama variabel pendapatan tidak signifikan (sig. >

α=0,05). dan status pernikahan signifikan (sig. < α=0,05). Koefisien odds ratio pada

kolom Exp(B) untuk status pernikahan (X2) sebesar 0,029. Karena koefisien B bertanda

negatif dapat diartikan bahwa kemungkinan membeli mobil dengan kredit dibandingkan

dengan tidak membeli mobil bagi mereka yang menikah lebih rendah daripada yang

belum menikah sebesar 0,029 dengan asumsi variabel pendapatan tetap.

Pada koefisien logit kedua, variabel pendapatan signifikan dan status pernikahan

tidak signifikan. Koefisien odds ratio pada kolom Exp(B) untuk pendapatan (X1) sebesar

5,799. Karena koefisien B bertanda positif dapat diartikan bahwa rasio kemungkinan

membeli mobil dengan tunai dibandingkan dengan tidak membeli mobil naik dengan

faktor 5,799 kali jika pendapatan naik 1 juta dengan asumsi variabel status pernikahan

tetap.


Referensi Kedua Membeli Mobil dengan Kredit

Parameter Estimates

1,709 4,828 ,125 1 ,723-,402 ,584 ,475 1 ,491 ,669 ,213 2,1003,524 1,636 4,637 1 ,031 33,908 1,372 837,730

0b . . 0 . . . .-12,722 5,964 4,550 1 ,033

1,355 ,610 4,942 1 ,026 3,878 1,174 12,8122,390 1,900 1,582 1 ,209 10,910 ,263 452,051

0b . . 0 . . . .


Keptusana

1

3





Sebagai reference category adalah pilihan kedua yaitu membeli mobil dengan

kredit. Pada koefisien logit pertama variabel pendapatan tidak signifikan (sig. > α=0,05).

dan status pernikahan signifikan (sig. < α=0,05). Koefisien odds ratio pada kolom

Exp(B) untuk status pernikahan (X2) sebesar 33,908. Karena tanda koefisien B positif

dapat diartikan bahwa kemungkinan tidak membeli mobil dibandingkan dengan membeli

mobil dengan kredit bagi mereka yang menikah lebih tinggi daripada yang belum

menikah sebesar 33,908 kali dengan asumsi variabel pendapatan tetap.

Pada koefisien logit kedua, variabel pendapatan signifikan dan status pernikahan

tidak signifikan. Koefisien odds ratio pada kolom Exp(B) untuk pendapatan (X1) sebesar

3,878. Karena koefisien B bertanda positif dapat diartikan bahwa rasio kemungkinan

membeli mobil dengan tunai dibandingkan dengan membeli mobil dengan kredit naik

dengan faktor 3,878 kali jika pendapatan naik 1 juta dengan asumsi variabel status

pernikahan tetap.


Referensi Ketiga Membeli Mobil dengan Tunai

Sebagai reference category adalah pilihan ketiga yaitu membeli mobil dengan

tunai. Pada koefisien logit pertama variabel pendapatan signifikan (sig. < α=0,05) dan

status pernikahan tidak signifikan (sig. > α=0,05). Koefisien odds ratio pada kolom

Exp(B) untuk pendapatan (X1) sebesar 0,258. Karena koefisien B bertanda negatif

sehingga dapat diartikan bahwa kemungkinan membeli mobil dengan kredit

dibandingkan dengan membeli mobil dengan tunai turun dengan faktor sebesar 0,258

kali jika pendapatan naik 1 juta dengan asumsi variabel status pernikahan tetap (lihat

tampilan berikut).

Parameter Estimates

14,431 6,684 4,661 1 ,031-1,758 ,730 5,792 1 ,016 ,172 ,041 ,7221,134 1,782 ,405 1 ,525 3,108 ,095 102,203

0b . . 0 . . . .12,722 5,964 4,550 1 ,033-1,355 ,610 4,942 1 ,026 ,258 ,078 ,852-2,390 1,900 1,582 1 ,209 ,092 ,002 3,798

0b . . 0 . . . .


Keptusana

1

2





Pada koefisien logit kedua, hanya variabel pendapatan signifikan (sig. < α=0,05)

dan status pernikahan tidak signifikan (sig. < α=0,05). Koefisien odds ratio pada kolom

Exp(B) untuk pendapatan (X1) sebesar 3,878. Karena koefisien B bertanda positif dapat

diartikan bahwa rasio kemungkinan membeli mobil dengan tunai dibandingkan dengan


membeli mobil dengan kredit naik dengan faktor 3,878 kali jika pendapatan naik 1 juta

dengan asumsi variabel status pernikahan tetap.

Classification

12 1 0 92,3%1 4 1 66,7%1 0 10 90,9%

46,7% 16,7% 36,7% 86,7%

Observed123Overall Percentage

1 2 3PercentCorrect

Predicted

Pada classification table menunjukkan seberapa baik model mengelompokkan

kasus ke dalam tiga kelompok yaitu membeli mobil dengan tunai, membeli mobil dengan

kredit dan tidak membeli mobil. Keakuratan prediksi secara menyeluruh sebesar 86,7%.

Sedangkan keakuratan prediksi secara detail yaitu individu yang membeli mobil dengan

tunai sebesar 90,9%; membeli mobil dengan kredit sebesar 66,7% dan tidak membeli

mobil sebesar 92,3%.


Tugas Mandiri :

Keputusan seseorang untuk membeli mobil atau tidak, ada tiga kemungkinan yaitu

membeli mobil dengan tunai (3), membeli mobil dengan kredit (2) dan tidak membeli

mobil (1). Ada dua variabel yang mempengaruhi keputusan tersebut yaitu jumlah

pendapatan (juta per bulan) dan status pernikahan. Status pernikahan merupakan variabel

independen kualitatif (1 jika menikah dan 0 jika belum menikah). Gunakan aplikasi

SPSS untuk analisis mulinomial logit dan interpretasikan output SPSS tersebut.

No. Keptusan Pendptan S_nikah1 3 10,90 02 1 8,25 03 1 9,70 04 1 5,80 05 3 11,40 16 1 7,00 07 3 12,00 18 2 8,40 09 1 9,70 110 1 6,95 011 3 10,20 112 3 7,50 013 1 6,50 014 1 8,00 015 2 8,20 116 1 8,50 017 2 8,60 118 1 9,80 019 2 9,00 120 3 9,40 121 3 9,75 022 1 5,90 023 2 7,10 124 3 11,60 125 2 10,80 026 3 11,00 127 1 6,25 028 3 11,80 129 1 7,10 030 3 10,25 1

Sumber : Data hipotetis


MODEL PERSAMAAN SIMULTAN

Suatu himpunan persamaan dimana variabel dependen dalam satu atau lebih

persamaan juga merupakan variabel independen dalam beberapa persamaan yang lain.

Suatu model yang mempunyai hubungan sebab akibat antara variabel dependen dan

variabel independennya, sehingga suatu variabel dapat dinyatakan sebagai variabel

dependen maupun independen dalam persamaan yang lain.

Ada hubungan dua arah atau simultan antara X dan (beberapa dari) X, yang

membuat perbedaan antara variabel tak bebas dan variabel yang menjelaskan menjadi

meragukan. Ada lebih dari satu persamaan, satu untuk variabel tidak bebas atau bersifat

endogen atau gabungan atau bersama. Dalam model persamaan simultan orang mungkin

tidak menaksir parameter dari satu persamaan tunggal tanpa memperhitungkan informasi

yang diberikan oleh persamaan lain dalam sistem.

Persamaan simultan merupakan suatu sistem persamaan yang menggambarkan

saling ketergantungan antar variabel. Estimasi parameter suatu persamaan simultan tidak

dapat dilakukan tanpa mempertimbangkan informasi pada persamaan lainnya.

Dalam banyak situasi ekonomi, hubungan variabel ekonomi tidak hanya bersifat

satu arah namun bersifat saling mempengaruhi. Dalam bahasa ekonometrika satu variabel

independen (Xi) mempengaruhi variabel dependen (Y) dan selanjutnya variabel Y itu

sendiri mempengaruhi Xi, model yang demikian disebut sebagai model persamaan

simultan. Hubungan dua-arah atau simultan antar beberapa variabel

Y1i = 10 + 11Y2i + 12 Xi + 1i

Y2i = 20 + 21Y1i + 22 Xi + 2i


Y1, Y2 = Variabel Endogen (saling terikat) – stochastic

X1 = Variabel eksogen ; 1i, 2i = Error - stochastic

Contoh :

Misalnya persamaan simultan pada model persamaan pendapatan dan persamaan

penawaran uang, yaitu :

Fungsi pendapatan Yt = 10 + 11Mt + 12 It + 13 Gt + 1i

Fungsi penawaran uang Mt = 20 + 21Yt + 22Yt-1 + 23Mt-1 + 2i

dimana : Y = pendapatan ; M = penawaran uang ; I = investasi ; G = pengeluaran

pemerintah ; Yt-1 = pendapatan periode sebelumnya ; Mt-1 = penawaran uang periode

sebelumnya.

Data hipotetis pendapatan pemerintah dan penawaran uang

Tahun Y G I M Y(-1) M(-1)

1980 3578,0 198,6 436,2 626,4

1981 3697,7 216,6 485,8 710,1 3578,0 626,4

1982 3998,4 240,0 543,0 802,1 3697,7 710,1

1983 4123,4 259,7 606,5 855,2 3998,4 802,1

1984 4099,0 291,2 561,7 901,9 4123,4 855,2

1985 4084,4 345,4 462,2 1015,9 4099,0 901,9

1986 4311,7 371,9 555,5 1151,7 4084,4 1015,9

1987 4511,8 405,0 639,4 1269,9 4311,7 1151,7

1988 4760,6 444,2 713,0 1365,5 4511,8 1269,9

1989 4912,1 489,6 735,4 1473,1 4760,6 1365,5

1990 4900,9 576,6 655,3 1599,1 4912,1 1473,1

1991 5021,0 659,3 715,6 1754,6 4900,9 1599,1

1992 4913,3 732,1 615,2 1909,5 5021,0 1754,6

1993 5132,3 797,8 673,7 2126,0 4913,3 1909,5

1994 5505,2 856,1 871,5 2309,7 5132,3 2126,0


1995 5717,1 924,6 863,4 2495,4 5505,2 2309,7

1996 5912,4 978,5 857,7 2732,1 5717,1 2495,4

1997 6113,3 1018,4 879,3 2831,1 5912,4 2732,1

1998 6368,4 1066,2 902,8 2994,3 6113,3 2831,1

1999 6591,9 1140,3 936,5 3158,4 6368,4 2994,3

2000 6707,9 1228,7 907,3 3277,6 6591,9 3158,4

2001 6676,4 1287,6 829,5 3376,8 6707,9 3277,6

2002 6880,0 1418,9 899,8 3430,7 6676,4 3376,8

2003 7062,6 1471,5 977,9 3484,4 6880,0 3430,7

2004 7347,7 1506,0 1107,0 3499,0 7062,6 3484,4

2005 7343,8 1575,7 1140,6 3641,9 7347,7 3499,0

2006 7813,2 1635,9 1242,7 3813,3 7343,8 3641,9

2007 8159,5 1678,8 1393,3 4028,9 7813,2 3813,3

2008 8515,7 1705,0 1566,8 4380,6 8159,5 4028,9

2009 8875,8 1750,2 1669,7 4643,7 8515,7 4380,6

Selain metode Indirect Least Square (ILS), metode Two Stage Least Squares

(TSLS) adalah metode yang umum digunakan untuk mengestimasi persamaan simultan.




b. Klik Variable View kemudian isi nama variabelnya, ketik Y lalu tekan ENTER,

ketik G lalu tekan ENTER, ketik I lalu tekan ENTER, ketik M lalu tekan ENTER,

ketik Y_1 lalu tekan ENTER, M_1 lalu tekan ENTER.


masing-masing data.


nama filenya, misalnya simultan.


e. Lakukan analisis regresi dengan cara, klik menu Analyze ===> pilih submenu

Regression ===> lalu klik 2-Stage Least Squares.

f. Masukkan variabel Y pada kotak sebelah kiri ke kotak Dependent, variabel M, I,

G sebagai variabel independen ke dalam kotak Explanatory dan I, G, Y_1, M_1

sebagai variabel eksogen ke dalam kotak Instrumental dengan mengklik tombol

tanda panah, hasilnya seperti tampak pada tampilan berikut.

g. Kemudian klik OK. Hasil output SPSS untuk persamaan pendapatan pada tampilan

berikut.

Two-stage Least Squares AnalysisModel Description

Type of Variable

Equation 1 Y dependent

M predictor

I predictor & instrumental

G predictor & instrumental

Y_1 instrumental

M_1 instrumental


Model Summary

Equation 1 Multiple R .998

R Square .996

Adjusted R Square .995

Std. Error of the Estimate 103.144

ANOVA


Equation 1 Regression 61121218.948 3 20373739.649 1915.059 .000

Residual 265967.513 25 10638.701

Total 61387186.461 28

Coefficients

Unstandardized Coefficients

Beta t Sig.B Std. Error

Equation 1 (Constant) 2511.908 70.409 35.676 .000

M .599 .144 .481 4.148 .000

I 1.445 .160 .300 9.009 .000

G .685 .313 .237 2.192 .038

Pada persamaan pendapatan, tanda koefisien variabel M, I, dan G positif sesuai

dengan hipotesis yang diharapkan dan secara statistik signifikan pada α=5% (sig < α).

Untuk persamaan penawaran uang, caranya dengan mengganti variabelnya (sesuai

variabel pada persamaannya).

h. Masukkan variabel M pada kotak sebelah kiri ke kotak Dependent, variabel Y,

Y_1, M_1 sebagai variabel independen ke dalam kotak Explanatory dan I, G, Y_1,

M_1 sebagai variabel eksogen ke dalam kotak Instrumental dengan mengklik

tombol tanda panah, hasilnya seperti tampak pada tampilan berikut.


i. Kemudian klik OK. Hasil output SPSS untuk persamaan penawaran uang sebagai

berikut.

Two-stage Least Squares Analysis

Model Description

Type of Variable

Equation 1 M dependent

Y predictor

Y_1 predictor & instrumental

M_1 predictor & instrumentalI instrumental

G instrumental

Model Summary

Equation 1 Multiple R .999

R Square .997Adjusted R Square .997

Std. Error of the Estimate 66.878


ANOVASum of

Squares df Mean Square F Sig.

Equation 1 Regression 39497810.543 3 13165936.848 2943.651 .000

Residual 111816.402 25 4472.656

Total 39609626.945 28

Coefficients

Unstandardized Coefficients

Beta t Sig.B Std. Error

Equation 1 (Constant) -230.285 182.410 -1.262 .218

Y .289 .115 .359 2.508 .019

Y_1 -.188 .125 -.224 -1.503 .145

M_1 .889 .077 .866 11.511 .000

Pada persamaan penawaran uang, tanda koefisien variabel Y dan kelambatan M

(M_1) positif dan secara statistik signifikan pada α=5% (sig < α), sedangkan untuk

kelambatan Y (Y_1) bertanda negatif dan secara statistik tidak signifikan pada α=5% (sig

> α).

DAFTAR PUSTAKA

Agus Widarjono, 2005. Ekonometrika, Teori dan Aplikasi untuk Ekonomi dan Bisnis.Penerbit Ekonisia, Fakultas Ekonomi UII, Yogyakarta.

Agus Widarjono, 2010. Analisis Statistika Multivariat Terapan. Penerbit UPP SekolahTinggi Ilmu Manajemen YKPN, Yogyakarta.

C. Trihendradi, 2008. Step by Step SPSS 16. Analisis Data Statistik. Penerbit ANDIYogyakarta. Yogyakarta.

Imam Ghozali, 2006. Aplikasi Analisis Multivariate dengan Program SPSS. BadanPenerbit Universitas Diponegoro, Semarang.

Nachrowi Djalal, 2005. Penggunaan Teknik Ekonometri. Penerbit PT RajaGrafindoPersada, Jakarta.

EKONOMETRIKA DENGAN APLIKASI SPSS PANDUAN … · memilih adalah dengan mengklik sel di bawah kolom...

Documents

Transcript of EKONOMETRIKA DENGAN APLIKASI SPSS PANDUAN … · memilih adalah dengan mengklik sel di bawah kolom...