REGRESI VARIABEL DUMMY

Dalam beberapa, model regresi juga bisa menggunakan variabel independen kualitatif. Variabel kualitatif ini bisa dalam bentuk kelas, kelompok atau tingkatan. Contohnya adalah peneliti ingin menganalisis jumlah penjualan sales melalui jenis kelamin dan tingkat pendidikan. Dalam bahasan kali ini kita akan membahas mengenai analisis regresi dengan variabel independen kualitatif.

Contoh Kasus Sederhana (Dummy dua kategori)

Seorang Manager sebuah perusahaan otomotif ingin mengetahui gaji karyawan berdasarkan jenis kelamin karyawannya

Persamaan Regresi

Y = Bo + b1 d1 + e1

Dimana, Y adalah jumlah gaji, dan d1 (untuk karyawan laki-laki), dan do (karyawan wanita)

Intercept (b0) menunjukkan rata-rata gaji karyawana, dan slope (b1) menunjukkan berapa besar perbedaan gaji antara karyawan laki-laki dan wanita, dan B0 + b1 memberi informasi mengenai gaji rata-rata karyawan laki-laki

TEORI ONLINE

SERI TUTORIAL SPSS by Hendry

http://teorionline.wordpress.com/

Contoh Data dilihat di http://teorionline.wordpress.com/2011/05/22/data-regresi-dummy/

PENYELESAIAN

Klik Analyze – Regression Linier.

Masukkan variabel gaji kekotak dependent, dan “SEX/jenis kelamin” ke kotak independent

Klik OK, lalu akan tampil Output Sebagai berikut :

Regression

Variables Entered/Removedb

SEXa . EnterModel1

VariablesEntered

VariablesRemoved Method

All requested variables entered.a.

Dependent Variable: GAJIb.

Model Summaryb

.236a .056 .034 .88913Model1

R R SquareAdjustedR Square

Std. Error ofthe Estimate

Predictors: (Constant), SEXa.

Dependent Variable: GAJIb.

ANOVAb

2.007 1 2.007 2.538 .118a

33.993 43 .79136.000 44

RegressionResidualTotal

Model1

Sum ofSquares df Mean Square F Sig.

Predictors: (Constant), SEXa.

Dependent Variable: GAJIb.

Coefficientsa

4.534 .190 23.919 .000.422 .265 .236 1.593 .118

(Constant)SEX

Model1

B Std. Error

UnstandardizedCoefficients

Beta

StandardizedCoefficients

t Sig.

Dependent Variable: GAJIa.

INTERPRETASI

Model Summary

Angka R sebesar 0.236 menunjukkan angka korelasi yang kecil antara gaji dengan gender karyawan.

ANOVA

Dari Tabel anova diketahui bahwa nilai F hitung adalah sebesar 2.538 dengan Sig sebesar 0.118. Angka ini lebih besar dibanding dengan nilai 0.05 sehingga dapat dikatakan bahwa pengaruh variabel gender tidak signifikan mempengaruhi besaran gaji yang diterima karyawan.

Persamaan Regresi

Persamaan yang diperoleh dari Tabel Coeff adalah sebabai berikut :

Gaji laki-laki = 4.534 + 0.422 (1), atau sebesar 4.957

Gaji wanita = 4.534 + 0.422 (0), atau sebesar 4.534

Namun karena model tidak signifikan, maka persamaan ini tidak diinterpretasikan lebih lanjut

Residuals Statisticsa

4.5341 4.9565 4.7500 .21355 45-1.70652 1.71591 .00000 .87896 45

-1.011 .967 .000 1.000 45-1.919 1.930 .000 .989 45

Predicted ValueResidualStd. Predicted ValueStd. Residual

Minimum Maximum Mean Std. Deviation N

Dependent Variable: GAJIa.

REGRESI DUMMY > 2 KATEGORI

Jika pada bahasan sebelumnya kita menganalisis regresi dummy dua kategori, maka pada pembahasan kali ini kita akan membahas mengenai regresi dengan variabel independent yang memiliki tingkatan lebih dari 2 kategori

Masih menggunakan data yang sama pada bahasan sebelumnya di regresi dummy pertama, maka selanjutnya kita akan menganalisis pengaruh tingkat pendidikan terhadap gaji yang diterima karyawan.

Variabel rata-rata gaji bulanan dalam juta Rp

Variabel gaji dikelompokkan menjadi tiga yaitu : SMA, Sarjana, dan Pascasarjana

Variabel masa kerja dalam tahun

Model regresi dapat ditulis sebagai berikut :

Y = b0 + b1 d1 + b2 d2 + b3 X + e1

Y adalah gaji rata-rata,

X adalah masa kerja,

d1 = 1 jika S2, 0 jika tidak,

d2 = 1 jika S1, 0 jika tidak

Data dapat dilihat di http://teorionline.wordpress.com/2011/05/22/data-regresi-dummy-2-kategori/

PENYELESAIAN

Klik Analyze, pilih Regression Linier..

Masukkan variabel masa kerja, d1, dan d2 ke dalam kotak independent, dan gaji ke kotak dependent.

Abaikan yang lain lalu klik OK

Regression

Variables Entered/Removedb

d2_1, d1_1, masa_kerja

a . Enter

Model1

VariablesEntered

VariablesRemoved Method

All requested variables entered.a.

Dependent Variable: GAJIb.

Model Summary

.711a .505 .469 .65901Model1

R R SquareAdjustedR Square

Std. Error ofthe Estimate

Predictors: (Constant), d2_1, d1_1, masa_kerjaa.

ANOVAb

18.194 3 6.065 13.964 .000a

17.806 41 .43436.000 44

RegressionResidualTotal

Model1

Sum ofSquares df Mean Square F Sig.

Predictors: (Constant), d2_1, d1_1, masa_kerjaa.

Dependent Variable: GAJIb.

Coefficientsa

3.531 .267 13.238 .000.113 .038 .421 3.016 .004.596 .231 .326 2.576 .014.969 .302 .479 3.211 .003

(Constant)masa_kerjad1_1d2_1

Model1

B Std. Error

UnstandardizedCoefficients

Beta

StandardizedCoefficients

t Sig.

Dependent Variable: GAJIa.

INTERPRETASI

Nilai adj R Square adalah sebesar 0.711 menunjukkan bahwa hubungan antara variabel independent dan dependent cukup kuat.

Nilai F hitung adalah sebesar 13.964, dengan sig 0.000. Karena sig < 0.05 maka dapat disimpulkan bahwa model regresi adalah signifikan dan layak digunakan untuk memprediksi gaji karyawan

Persamaan regresi

Gaji = 3.531 + 0.311 (masa kerja) + 0.596 (d1) + 0.969 (d2)

Karyawan pendidikan SMA

Y = b0 + b1 (masa kerja) = 3.531 + 0.311

Karyawan pendidikan Sarjana

Y = b1 + (b0 + b2) = 0.311 + (3.531 + 0.596)

karyawan pendidikan Pascasarjana

y = b1 + (b0 + b3) = 0.311 + (5.531 + 0.969)

Dari hasil uji t diketahui bahwa nilai sig seluruhnya < 0.05 sehingga dapat dinyatakan bahwa masa kerja, dan tingkatan pendidikan mempengaruhi besaran gaji karyawan