Uji Regresi Linier Sederhana X1 terhadap Y

• Cara kerja klik start > IBM 20, pada variabel view input data atau jika data sudah dimasukan dalam file makaketik file data open X1, Y klik Analyze > Regression > Linear,

• akan muncul Linear Regression maka pindahkanvaiabel Y ke dependent dan vaiabel X1 ke Indendent,

• Klik Statistics akan muncul Linear Regression Statistics, centang Estmates, Model Fit, R squared change > continiu dan centang lagi options akan muncul Linear regretion options centang use probability, centangInclude contant in equation > klik continiu > klik okemaka akan muncul data di bawah ini:

ps Chris Hukubun Uji Regrasi Linier Sederhana 1

Mengisi data ke Excel untuk Jumlah

Setelah mengisi data ditekdari A-AC, Klik AutoNum

hasilnya

JumlahNilai

ps Chris Hukubun Uji Regrasi Linier Sederhana 2

ps Chris Hukubun Uji Regrasi Linier Sederhana 3

Kliik VaribelView

Ketik VariabelY, X1, X2, X3

Decimal (0)

Masukan data jumlah Variabel Y, X1, X2, X3 ke SPSS 20

ps Chris Hukubun Uji Regrasi Linier Sederhana 4

Klik Data View

klik Analyze > Regression > Linear,

ps Chris Hukubun Uji Regrasi Linier Sederhana 5

Ctrl + A, variabel Y dipindahakan kekolom Dependent

ps Chris Hukubun Uji Regrasi Linier Sederhana 6

Variabel Y di kolom Dependent ListVariabel X1 di kolom Independent List

KlikOptions

ps Chris Hukubun Uji Regrasi Linier Sederhana 7

CentangTes for

Linearity

ps Chris Hukubun Uji Regrasi Linier Sederhana 8

KlikStatistics

ps Chris Hukubun Uji Regrasi Linier Sederhana 9

CentangEstimatesModel fit

Klik Continiue

ps Chris Hukubun Uji Regrasi Linier Sederhana 10

Klik Oke

ps Chris Hukubun Uji Regrasi Linier Sederhana 11

Hasilnya seperti ini:

Variables Entered/Removeda

ModelVariables

Entered

Variables Removed Method

1 X1b . Enter

a. Dependent Variable: Y

b. All requested variables entered.

ps Chris Hukubun Uji Regrasi Linier Sederhana 12

Model Summary

ModelR

R Square

Adjusted R Square

Std. Error of the

Estimate

Change Statistics

R Square Change

F Change

df1 df2 Sig. F Change

1 .855a .730 .729 6.056 .730 468.166 1 173 .000

a. Predictors: (Constant), X1

Nilai koefisien determinasi R2 = 730Nilai korelasi R = 855Adjusted R Square = 729

ps Chris Hukubun Uji Regrasi Linier Sederhana 13

ANOVAa

(Anlysis Of Variance)

Model Sum of Squares

df Mean Square F Sig.

1

Regression 17171.503 1 17171.503 468.166 .000b

Residual 6345.331 173 36.678

Total 23516.834 174

a. Dependent Variable: Y

b. Predictors: (Constant), X1

Nilai df regresi = 1, regresi sederhana = 0,000

ps Chris Hukubun Uji Regrasi Linier Sederhana 14

Coefficientsa

Model Unstandardized Coefficients

Standardized Coefficients

t Sig.

B Std. Error Beta

1(Constant) 35.567 3.575 9.950 .000

X1 2.054 .095 .855 21.637 .000

a. Dependent Variable: Y

Nilai B konstant 35,567Nilai Variabel X1 = 2,054Y = 35,567 + 2,054 X1

Nilai t = 9,950Nilai signifikan 0,000Nilai t X1 = 21,637Signifikan = 0,000

ps Chris Hukubun Uji Regrasi Linier Sederhana 15