Regresi Variabel Dummy 2 Kategori
Transcript of Regresi Variabel Dummy 2 Kategori
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