Word Macro Virus.... it just fun - Statistika Terapan | Teori ... · Web viewPenentuan teknik...
Transcript of Word Macro Virus.... it just fun - Statistika Terapan | Teori ... · Web viewPenentuan teknik...
Analisis Korelasi Dan Regresi Linier
BAB X
ANALISIS KORELASI DAN REGRESI LINIER
TEORI DASAR ANALISIS KORELASI DAN REGRESI LINIER
A. Pengantar
Penentuan teknik analisis yang akan digunakan dalam suatu analisis -- biasanya dibahas
dalam metodologi penelitian -- sangat tergantung dari kerangka konseptual yang menjadi dasar
analisis dan tujuan dari pelaksanaan analisis. Agar hasil analisis dapat ditafsirkan secara tepat,
maka harus dihindari penggunaan teknik analisis yang tidak sesuai dengan skala pengukuran dari
variabel yang digunakan dalam analisis. Dalam mengkaji hubungan antara dua variabel atau
lebih, penting dipahami skala pengukuran dari setiap variabel tersebut, sehingga teknik analisis
yang akan digunakan untuk menjelaskan hubungan atau kaitan antara variabel tersebut dapat
dipilih yang paling sesuai. Apabila hal ini diabaikan, maka dapat menghasilkan interpretasi hasil
yang kurang tepat (misleading). Sebagai contoh, analisis regresi mensyaratkan bahwa variabel
yang digunakan paling tidak diukur secara interval, sehingga kalau ada salah satu variabel yang
diukur secara nominal atau ordinal maka hasil yang diperoleh tidak dapat ditafsirkan secara tepat,
oleh karena asumsi dalam penggunaan teknik ini yang tidak dapat dilanggar adalah bahwa
variabel yang digunakan mengikuti distribusi normal.
Pada bab ini teknik yang dibahas merupakan teknik analisis statistik inferensial, yaitu
teknik yang mendasarkan pada pemanfaatan data yang diperoleh dari suatu sampel acak, sehingga
hasilnya merupakan gambaran keadaan populasi dari mana sampel acak tersebut diambil. Teknik
statistik semacam ini memberikan jaminan bahwa kesimpulan dan penafsiran dibuat dengan
tingkat kesalahan yang rendah,5 biasanya dipakai 0,05 (5 %).
5 Tingkat kesalahan tersebut dalam teori probabilita dan uji hipotesis merupakan besarnya probabilita menolak hipotesis benar, atau disebut kesalahan tipe-1. Istilah umum yang dipakai adalah tetapi istilah lain yang juga sering dipakai adalah p-value, significancy of statistic (T, Z, 2, atau F), atau Pr>T, Pr>Z, Pr > 2, Pr > F tergantung statistik uji yang digunakan.
BPS-UNFPA 96
Analisis Korelasi Dan Regresi Linier
Teknik analisis statistik yang dibahas dalam bab ini bersumber pada SPSS yang difokuskan
hanya pada teknik yang dapat menjelaskan hubungan atau kaitan antara beberapa variabel, baik
hubungan antara dua variabel (bivariate) maupun banyak variabel (multivariate). Pembahasan
diutamakan pada cara membaca dan menafsirkan arti dari parameter yang diperoleh dari hasil
pengolahan data yang terdapat pada output SPSS. Teknik analisis6 statistik yang dibahas meliputi
Analisis Regresi, Analisis Path, Multiple Classification Analysis (MCA), Tabel Kontingensi,
Model Logit, Model Log-Linear, Analisis Diskriminan, dan Analisis Faktor.
B. Analisis Regresi Linier
Analisis regresi merupakan alat yang dapat memberikan penjelasan hubungan antara dua
jenis variabel yaitu hubungan antara variabel dependen atau variabel kriteria dengan variabel
independen atau variabel prediktor7. Analisis hubungan antara dua variabel disebut sebagai
analisis regresi sederhana jika hanya melibatkan satu variabel independen. Analisis disebut
sebagai analisis regresi berganda jika melibatkan lebih dari satu variabel independen.
Hubungan antara variabel dependen (Y) dengan variabel independen (X) dituliskan dalam
model linier umum
di mana , i = 1,2,........p adalah koefisien regresi yang berarti besarnya perubahan pada , jika
Xi bertambah satu satuan dan variabel yang lain konstan, adalah intercept. Residual e mengikuti distribusi normal dengan rata-rata 0 dan varians konstan sebesar 2.
6 Para pembaca dianggap sudah memahami prinsip dasar dari Analysis of Variance (ANOVA), karena semua uji statistik pada umumnya didasarkan pada dekomposisi dari total variance atas berbagai faktor penyebab perbedaan.
7 Analisis regresi dapat dipandang sebagai alat yang menjelaskan hubungan linear dari satu variabel ke variabel lainnya didekomposisikan dan diuraikan (descriptive tool), dan sebagai alat untuk menginduksikan (to infer) hubungan antar variabel pada populasi. Namun demikian keduanya dipandang dari segi teknik statistik sangat erat kaitannya, tetapi keduanya dapat dipandang terpisah paling tidak pada tingkat konseptual. Lebih jelasnya lihat Kim, J. and F.J. Kohout dalam Nie et. al Statistical Package for Social Sciences. Second edition. pp 321-322. New York: McGraw Hill Book Company 1975.
BPS-UNFPA 97
Analisis Korelasi Dan Regresi Linier
Asumsi dasar dalam analisis regresi adalah (i) setiap Y yang merupakan kombinasi linier
atas X dan mengikuti distribusi normal, (ii) e tersebar secara acak dan tidak berpola mengikuti
besarnya nilai X, (iii) tidak terdapat hubungan (korelasi) yang tinggi antar variabel X.
C. Analisis Regresi Sederhana
Analisis regresi sederhana hanya melibatkan satu variabel independen X, sehingga dalam
persamaan (3.1) p=1, sehingga model liniernya adalah
Dengan model seperti pada persamaan (3.2) maka hipotesis yang diajukan untuk diuji adalah H 0:
1 = 0 terhadap H1: 1 0. Untuk menolak H0 harus dapat dibuktikan secara empirik bahwa 1
0 atau 1 bermakna (significant) atau dengan kata lain ada hubungan linier regresi antara Y dan X
seperti pada persamaan (3.2).
Dalam output SPSS 9.0 for Windows untuk subprogram REGRESION, yang pertama perlu
diketahui adalah apakah regresi Y pada X bermakna. Hal ini dapat dilihat pada output ANOVA
sebagai berikut:
ANOVASum ofSquares Df Mean
Squares F Sig. Uji hipotesis untuk mengetahui apakah regresi Y pada X ada, Tabel ANOVA dengan =0,00 menunjukkan bahwa H0 ditolak regresi Y pada X bermakna.
Model 1 Regresion Residual Total
6475.18 3185.81 9660.99
1 83 84
6475.18 38.38
168.698 .000
Selanjutnya adalah untuk mengetahui besarnya estimate koefisien regresi ( ) serta standard
error-nya, ini dapat dilihat pada output COEFFICIENTS sebagai berikut:
BPS-UNFPA 98
Analisis Korelasi Dan Regresi Linier
COEFFICIENTS Unstandardized
Coefficients Standardized Coefficients
t Sig.
= 47,17 (intercept)
= 0,307 (koeffisien regresi)
Y akan berubah sebesar 0,31 unit untuk setiap perubahan satu unit dari X.
B Std. Error Beta
Model 1 (Constant)X
47.170 .307
1.726 .024 .819
27.337 12.988
.000
.000
Dapat dilihat bahwa karena regresi linier sederhana, maka pada dua tabel di atas t2= F.
Beta=0,819 yang merupakan koef. regresi baku sebenarnya adalah sama dengan r = koefisien
korelasi antara Y dan X, karena beta dihitung berdasarkan vaiabel baku Z yang dihitung dengan
cara
Koefisien determinasi r2 = 0,670 (yaitu nilai Beta dikuadratkan atau (0.819)2) berarti bahwa
variasi Y yang dapat dijelaskan oleh model sebesar 67 persen. Beberapa statistik dan estimasi dari
parameter dapat pula diperoleh seperti rata-rata dan standard deviasi serta korelasi dari Y dan X.
Para pembaca lebih lanjut dianjurkan untuk membaca SPSS Base 9.0 Application Guide.
D. Analisis Regresi Berganda
Kalau satu variabel dependen Y perlu dijelaskan oleh lebih dari satu variabel independen
X, maka kita perlu membuat model yang sesuai dengan tujuan studi. Model tersebut adalah
regresi linier ganda (Multivariate Linear Regression) yang secara umum modelnya seperti pada
persamaan (3.1). Selain berguna untuk dapat menjelaskan hubungan p variabel X secara bersama
terhadap variabel Y, dengan analisis regresi ganda juga dapat diperoleh suatu penjelasan tentang
peranan atau kontribusi relatif setiap variabel X terhadap variabel Y. Secara empirik walaupun
misalnya model (3.1) signifikan, yang berarti bahwa secara bersama p variabel X dapat
menjelaskan variabel Y, tidak berarti bahwa setiap variabel mempunyai pengaruh yang signifikan
BPS-UNFPA 99
Analisis Korelasi Dan Regresi Linier
pada variabel Y. Suatu kajian tersendiri perlu dilakukan untuk kemudian dapat memilah variabel
X yang berpengaruh secara parsial pada variabel Y.
Dengan model pada persamaan (3.1) maka uji hipotesis-nya adalah:
H0: 1 = 2 = .........= p = 0 dengan H1: salah satu i 0, (i = 1,2,.....,p) yang dari ouput SPSS
dapat dilihat pada output ANOVA dengan p=2 sebagai berikut
ANOVASum ofSquares
dfMean
SquaresF Sig.
Dengan =0,00 mengindikasi-kan bahwa regresi Y pada X1
dan X2 signifikan.
Model 1 Regression Residual Total
11101.959 843.031
11944.991
2 104 106
5550.980 8.106
684.793 .000
Secara umum model regresi dengan Y pada X1 dan X2 dapat digunakan lebih lanjut, namun
demikian untuk mengetahui apakah X1 dan X2 secara parsial berpengaruh terhadap Y dapat diuji
dengan melihat output COEFFICIENT sebagai berikut:
COEFFICIENTS Unstandardized
Coefficients Standardized Coefficients
t Sig.
X1 dan X2 secara parsial ber-pengaruh nyata pada Y tingkat signifikansi (p-value) masing-masing 0,013 dan 0,000.
B Std. Error Beta
Model 1 (Constant)X1
X2
82.677 -.662 -.240
.626
.263
.013 -.119 -.863
132.176 -2.518
-18.326
.000
.013
.000
Seberapa besar variasi dari variabel Y yang dapat dijelaskan oleh model dapat dilihat dari
koefisien determinasi pada output MODEL SUMMARY berikut:
MODEL SUMMARY
ModelVariables
R R SquareAdjusted R Square
Std. Error of the
EstimateEntered Removed
1 X1, X2 .964 .929 .928 2.85
BPS-UNFPA 100
Analisis Korelasi Dan Regresi Linier
Estimasi R2 cenderung terlalu tinggi (overestimate), adjusted R2 (R2a) dirancang untuk
mengurangi bias tersebut yang dihitung dengan cara
dengan p adalah banyaknya variabel independen X pada persamaan (3.1).
Secara matematis R2 dan R2a dapat dirumuskan dengan
R2 = 1 Residual sum of squaresTotal sum of squares
R2a = 1 Residual sum of squares/(N-p-1)
Total sum of squares/(N-1)
Dengan menggunakan R2a = 0,928 maka variasi dari Y yang dapat dijelaskan oleh model adalah
sebesar 93 persen.
1. Pemilihan Variabel Utama
Walaupun model regresi linier ganda signifikan, mungkin tidak semua variabel
independen X mempunyai pengaruh nyata pada variabel dependen Y, lebih daripada itu lebih
banyak variabel independen sebagai prediktor tidak membuat lebih mudah dalam melakukan
analisis. Dalam hal ini cara yang paling banyak digunakan untuk memilih variabel yang
signifikan tersebut adalah dengan cara bertatar (stepwise)8. Secara singkat metode stepwise
ini dimulai tahap-1 dengan memasukkan variabel independen X yang mempunyai simpel
korelasi (r) tertinggi dengan variabel dependen Y. Pada tahap-2 (dan seterusnya) variabel X
yang mempunyai korelasi parsial tertinggi dengan variabel Y dimasukkan dalam model, akan
tetapi pada tahap ini variabel X yang sudah masuk pada tahap-1 (atau sebelumnya) dapat
dikeluarkan (removed) dari model jika tidak memenuhi kriteria pemilihan variabel yang
dipilih (Wilks , Mahalanobis Distance, atau lainnya). Demikian seterusnya tahap berikutnya
dilakukan seperti pada tahap-2 sehingga diperoleh variabel terbaik.
8 Terdapat dua cara lain, yaitu forward selection dan backward elimination, tetapi stepwise selection merupakan metode pemilihan yang paling tepat. Lebih lanjut tentang hal ini lihat SPSS Base 9.0 Application Guide pp. 216.
BPS-UNFPA 101
Analisis Korelasi Dan Regresi Linier
2. Kontribusi Setiap Prediktor Terhadap Y
Dalam analisis adalah penting untuk mengetahui peranan setiap variabel X (prediktor)
terhadap variabel Y yang kemudian dapat dibandingkan besarnya peranan setiap prediktor
tersebut dalam menjelaskan variasi pada Y. Ukuran yang digunakan untuk tujuan tersebut
adalah dengan melihat adjusted R2 dari setiap prediktor yang dapat dilihat dari output
MODEL SUMMARY ketika melakukan pemilihan variabel dengan cara stepwise seperti
berikut.
MODEL SUMMARY
Model (variables in the model)
R R Square
Adjusted R Square
Adjusted R Square Change
Isian kolom Adjusted R Square Change merupakan selisih dari Adjusted R Square pada suatu baris terhadap baris sebelumnya di mana suatu variabel belum termasuk dalam model.
X1
X1, X2
X1, X2, X3
.418
.480
.489
.175
.231
.239
.173
.229
.239
.173
.056
.010
X1 menjelaskan 17 persen variasi Variabel Y
X2 menjelaskan 5 persen variasi Variabel Y
X3 menjelaskan 1 persen variasi Variabel Y
Interpretasi
3. Diagnostik Model
Perlu dipastikan apakah model yang secara empirik adalah signifikan atau [Pr>F]<0,05
merupakan model yang tepat (fit). Dalam hal ini uji kecocokan model (Gooodness of Fit test)
yang secara umum ditunjukkan oleh besarnya R2 masih harus dilanjutkan dengan beberapa
langkah lain untuk melihat apakah asumsi dasar pembentukan model dipenuhi atau tidak.
Asumsi yang perlu diuji adalah (1) residual (e) tersebar secara acak dan tidak mempunyai
pola tertentu mengikuti X serta mempunyai varians konstan, dan (2) tidak adanya
multikolinieritas antara variabel X.
KORELASI DAN REGRESI LINIER DALAM SPSS 9.0 FOR WINDOWS
A. Menyiapkan Data Dalam SPSS 9.0 for Windows
BPS-UNFPA 102
Analisis Korelasi Dan Regresi Linier
Sebagai contoh analisis korelasi dan regresi linier pada bab ini adalah mendapatkan
persamaan regresi linier antara variabel fertilitas (jumlah anak kandung yang dilahirkan hidup)
dengan umur saat perkawinan pertama, jumlah tahun dalam ikatan perkawinan, jumlah anak yang
telah meninggal dan pemakaian alat KB, bagi wanita pernah kawin dan berusia 10 – 49 tahun.
Untuk menyiapkan data analisis ini diperlukan data k99p17i.sav dengan manipulasi data sebagai
berikut:
a. Pastikan Anda bekerja dengan data Susenas individu (k99p17i.sav).
b. Lakukan proses Select Cases untuk case jenis kelamin wanita, usia 10 – 49 tahun dan pernah
kawin. Case yang tidak sesuai dengan kondisi, akan difilter.
c. Lakukan Recode variabel k7r35 menjadi variabel KB dengan kondisi jika variabel k7r35
berisi 1 maka variabel KB berisi kode 1, jika variabel k7r35 berisi selain kode 1 maka
variabel KB berisi kode 2, sedangkan jika variabel k7r35 berupa missing value (responden
tersebut tidak termasuk target fertilitas) maka pada variabel KB berisi kode 0.
d. Simpan data tersebut dengan nama Multiple Regresi.sav.
B. Menggunakan Prosedur Regresi Dalam SPSS 9.0 for Windows
Untuk menggunakan menu regresi pada SPSS 9.0 for Windows, maka Anda harus
melakukan beberapa langkah sebagai berikut:
a. Pastikan Anda telah bekerja dengan data Multiple Regresi.sav pada Window Data Editor.
b. Jika diperlukan, Anda dapat menguji beberapa asumsi yang diperlukan oleh analisis regresi
linier, misalnya asumsi kenormalan. Lakukan analisis eksplorasi data melalui menu:
Analyze
Descriptive Statistics…
Explore.
Lakukan analisis tersebut dengan lengkap, kemudian lakukan analisis regresi linier dengan
langkah-langkah berikut ini:
c. Dari menu, Anda klik
Analyze
BPS-UNFPA 103
Analisis Korelasi Dan Regresi Linier
Regression
Linear
d. Ketika muncul kotak dialog Linear Regression, maka lakukan beberapa hal antara lain.
Isikan variabel k7r34a
sebagai Dependent
Variabel k7r32, k7r33,
k7r34c dan KB ke dalam
kotak Independent(s).
Untuk memilih metode
regresi ini, Anda dapat
memilihnya pada drop
down list pada Method.
Sebagai contoh Anda pilih
Stepwise.
Jika Anda menginginkan
untuk menghitung regresi hanya pada daerah kota saja (daerah = 1).
e. Klik Statistics… sehingga muncul
kotak dialog Linear Regression:
Statistics, kemudian lakukan beberapa
hal antara lain:
pilih beberapa pilihan dalam
Regression Coefficients.
Pilih pilihan Durbin-Watson
dalam Residuals.
Pilih beberapa pilihan yang lain.
Klik Continue.
BPS-UNFPA 104
Analisis Korelasi Dan Regresi Linier
f. Klik Plots.. sehingga muncul kotak dialog Linear Regression: Plots, kemudian lakukan
beberapa hal antara lain:
Pilhlah pilihan pada Standardized
Residual Plots.
Masukkan variabel DEPENDENT
ke dalam kotak X, sedangkan
variabel *ZRESID pada kotak Y.
Klik Continue.
g. Klik Save… jika Anda ingin menyimpan hasil penghitungan regresi ini menjadi variabel
dalam data Anda. Ketika muncul kotak dialog Linear Regression: Save, pilihlah variabel
yang akan disimpan ke dalam data Anda. Lanjutkan dengan klik Continue.
h. Klik Options… untuk mengatur:
Kriteria uji signifikasi uji F yang akan digunakan oleh SPSS 9.0 for Windows dalam
setiap tahapan proses sesuai dengan metode yang digunakan.
Memasukkan atau tidak memasukkan konstanta dalam output regresi.
Menangani missing value.
Klik Continue.
i. Klik OK.
OUTPUT KORELASI DAN REGRESI LINIER
BPS-UNFPA 105
Analisis Korelasi Dan Regresi Linier
Output yang dihasilkan oleh prosedur regresi linier pada SPSS 9.0 for Windows yang telah
Anda lakukan tersebut antara lain sebagai berikut.
Descriptive Statistics
2,90 1,98 1991
19,10 3,22 1991
13,38 8,11 1991
,25 ,71 19911,16 ,48 1991
A.K lahir hidupUmur perkawinanpertamaJml thn dlm ikatanperkawinanA.K sudah meninggalPernah KB Atau Tidak
Mean Std. Deviation N
BPS-UNFPA 106
Analisis Korelasi Dan Regresi Linier
Correlations
1,000 -,273 ,757 ,529 -,160
-,273 1,000 -,306 -,147 ,096
,757 -,306 1,000 ,295 -,150
,529 -,147 ,295 1,000 ,024-,160 ,096 -,150 ,024 1,000
, ,000 ,000 ,000 ,000
,000 , ,000 ,000 ,000
,000 ,000 , ,000 ,000
,000 ,000 ,000 , ,139,000 ,000 ,000 ,139 ,1991 1991 1991 1991 1991
1991 1991 1991 1991 1991
1991 1991 1991 1991 1991
1991 1991 1991 1991 19911991 1991 1991 1991 1991
A.K lahir hidupUmur perkawinanpertamaJml thn dlm ikatanperkawinanA.K sudah meninggalPernah KB Atau TidakA.K lahir hidupUmur perkawinanpertamaJml thn dlm ikatanperkawinanA.K sudah meninggalPernah KB Atau TidakA.K lahir hidupUmur perkawinanpertamaJml thn dlm ikatanperkawinanA.K sudah meninggalPernah KB Atau Tidak
Pearson Correlation
Sig. (1-tailed)
N
A.K lahirhidup
Umurperkawinan
pertama
Jml thn dlmikatan
perkawinanA.K sudahmeninggal
Pernah KBAtau Tidak
BPS-UNFPA 107
Analisis Korelasi Dan Regresi Linier
Variables Entered/Removeda
Jml thndlm ikatanperkawinan
,
Stepwise(Criteria:Probability-of-F-to-enter <=,050,Probability-of-F-to-remove >=,100).
A.K sudahmeninggal ,
Stepwise(Criteria:Probability-of-F-to-enter <=,050,Probability-of-F-to-remove >=,100).
Pernah KBAtau Tidak ,
Stepwise(Criteria:Probability-of-F-to-enter <=,050,Probability-of-F-to-remove >=,100).
Model1
2
3
VariablesEntered
VariablesRemoved Method
Dependent Variable: A.K lahir hidupa.
BPS-UNFPA 108
Analisis Korelasi Dan Regresi Linier
Model Summaryd
,757a ,574 ,573 1,29 ,574 2674,772 1 1989 ,000,822b ,676 ,676 1,13 ,103 630,596 1 1988 ,000,825c ,681 ,681 1,12 ,005 30,542 1 1987 ,000 1,951
Model123
R R SquareAdjustedR Square
Std. Error ofthe Estimate
R SquareChange F Change df1 df2 Sig. F Change
Change StatisticsDurbin-W
atson
Predictors: (Constant), Jml thn dlm ikatan perkawinana.
Predictors: (Constant), Jml thn dlm ikatan perkawinan, A.K sudah meninggalb.
Predictors: (Constant), Jml thn dlm ikatan perkawinan, A.K sudah meninggal, Pernah KB Atau Tidakc.
Dependent Variable: A.K lahir hidupd.
ANOVAd
4469,949 1 4469,949 2674,772 ,000a
3323,920 1989 1,6717793,868 19905270,397 2 2635,198 2076,019 ,000b
2523,471 1988 1,2697793,868 19905308,598 3 1769,533 1414,760 ,000c
2485,271 1987 1,2517793,868 1990
RegressionResidualTotalRegressionResidualTotalRegressionResidualTotal
Model1
2
3
Sum ofSquares df Mean Square F Sig.
Predictors: (Constant), Jml thn dlm ikatan perkawinana.
Predictors: (Constant), Jml thn dlm ikatan perkawinan, A.K sudah meninggalb.
Predictors: (Constant), Jml thn dlm ikatan perkawinan, A.K sudah meninggal,Pernah KB Atau Tidak
c.
Dependent Variable: A.K lahir hidupd.
BPS-UNFPA 109
Analisis Korelasi Dan Regresi Linier
Coefficientsa
,430 ,056 7,696 ,000 ,321 ,540
,185 ,004 ,757 51,718 ,000 ,178 ,192
,516 ,049 10,554 ,000 ,420 ,612
,161 ,003 ,658 49,306 ,000 ,154 ,167
,937 ,037 ,335 25,112 ,000 ,864 1,010,893 ,084 10,665 ,000 ,728 1,057
,158 ,003 ,646 48,086 ,000 ,151 ,164
,952 ,037 ,341 25,632 ,000 ,879 1,024-,295 ,053 -,071 -5,526 ,000 -,400 -,190
(Constant)Jml thn dlm ikatanperkawinan(Constant)Jml thn dlm ikatanperkawinanA.K sudah meninggal(Constant)Jml thn dlm ikatanperkawinanA.K sudah meninggalPernah KB Atau Tidak
Model1
2
3
B Std. Error
UnstandardizedCoefficients
Beta
Standardized
Coefficients
t Sig. Lower Bound Upper Bound95% Confidence Interval for B
Dependent Variable: A.K lahir hidupa.
BPS-UNFPA 110
Analisis Korelasi Dan Regresi Linier
Coefficientsa
,540
,192 ,757 ,757 ,757 1,000 1,000
,612
,167 ,757 ,742 ,629 ,913 1,095
1,010 ,529 ,491 ,320 ,913 1,0951,057
,164 ,757 ,733 ,609 ,888 1,126
1,024 ,529 ,498 ,325 ,908 1,101-,190 -,160 -,123 -,070 ,972 1,028
Upper Bound95% Confidence Interval for B
Zero-order Partial PartCorrelations
Tolerance VIFCollinearity Statistics
Dependent Variable: A.K lahir hidupa.
BPS-UNFPA 111
Analisis Korelasi Dan Regresi Linier
Excluded Variablesd
-,045a
-2,955 ,003 -,066 ,906 1,103 ,906
,335a 25,112 ,000 ,491 ,913 1,095 ,913-,047a -3,188 ,001 -,071 ,978 1,023 ,978
-,024b
-1,814 ,070 -,041 ,903 1,108 ,843
-,071b -5,526 ,000 -,123 ,972 1,028 ,888
-,020c
-1,510 ,131 -,034 ,900 1,111 ,825
Umur perkawinanpertamaA.K sudah meninggalPernah KB Atau TidakUmur perkawinanpertamaPernah KB Atau TidakUmur perkawinanpertama
Model1
2
3
Beta In t Sig.Partial
Correlation Tolerance VIFMinimumTolerance
Collinearity Statistics
Predictors in the Model: (Constant), Jml thn dlm ikatan perkawinana.
Predictors in the Model: (Constant), Jml thn dlm ikatan perkawinan, A.K sudah meninggalb.
Predictors in the Model: (Constant), Jml thn dlm ikatan perkawinan, A.K sudah meninggal, Pernah KB Atau Tidakc.
Dependent Variable: A.K lahir hidupd.
BPS-UNFPA 112
Analisis Korelasi Dan Regresi Linier
Coefficient Correlationsa
1,000
1,278E-05
1,000 -,295
-,295 1,000
1,063E-05 -3,585E-05
-3,585E-05 1,392E-03
1,000 -,302 ,164
-,302 1,000 -,073,164 -,073 1,000
1,077E-05 -3,677E-05 2,879E-05
-3,677E-05 1,378E-03 -1,437E-042,879E-05 -1,437E-04 2,847E-03
Jml thn dlm ikatanperkawinanJml thn dlm ikatanperkawinanJml thn dlm ikatanperkawinanA.K sudah meninggalJml thn dlm ikatanperkawinanA.K sudah meninggalJml thn dlm ikatanperkawinanA.K sudah meninggalPernah KB Atau TidakJml thn dlm ikatanperkawinanA.K sudah meninggalPernah KB Atau Tidak
Correlations
Covariances
Correlations
Covariances
Correlations
Covariances
Model1
2
3
Jml thn dlmikatan
perkawinanA.K sudahmeninggal
Pernah KBAtau Tidak
Dependent Variable: A.K lahir hidupa.
BPS-UNFPA 113
Analisis Korelasi Dan Regresi Linier
Collinearity Diagnosticsa
1,855 1,000 ,07 ,07,145 3,582 ,93 ,93
2,120 1,000 ,05 ,05 ,07,742 1,690 ,05 ,02 ,87,138 3,918 ,90 ,93 ,05
2,903 1,000 ,01 ,02 ,03 ,01,808 1,895 ,01 ,00 ,87 ,01,232 3,534 ,01 ,64 ,08 ,20
5,623E-02 7,185 ,98 ,33 ,02 ,77
Dimension121231234
Model1
2
3
EigenvalueCondition
Index (Constant)
Jml thn dlmikatan
perkawinanA.K sudahmeninggal
Pernah KBAtau Tidak
Variance Proportions
Dependent Variable: A.K lahir hidupa.
BPS-UNFPA 114
Analisis Korelasi Dan Regresi Linier
Casewise Diagnosticsa
5,492 113,323 10
-3,243 23,139 93,430 133,562 9
-4,221 03,233 83,931 11
-3,384 26,104 12
-3,093 03,532 123,233 83,403 93,421 93,257 9
-3,450 13,253 93,119 6
-3,093 03,920 83,374 83,210 8
-3,327 13,210 8
-3,375 03,233 8
Case Number494549105511631421177223393219418642954361486049635605570958956431719376157678772378557904869794869750983710217
Std. ResidualA.K lahir
hidup
Dependent Variable: A.K lahir hidupa.
BPS-UNFPA 115
Analisis Korelasi Dan Regresi Linier
Residuals Statisticsa
,30 11,20 2,90 1,63 1991-4,72 6,83 1,88E-16 1,12 1991
-1,593 5,078 ,000 1,000 1991-4,221 6,104 ,000 ,999 1991
Predicted ValueResidualStd. Predicted ValueStd. Residual
Minimum Maximum Mean Std. Deviation N
Dependent Variable: A.K lahir hidupa.
Regression Standardized Residual
Histogram
Dependent Variable: A.K lahir hidup
Fre
quen
cy
600
500
400
300
200
100
0
Std. Dev = 1,00
Mean = 0,00
N = 1991,00
Normal P-P Plot of Regression Standardized Residual
Dependent Variable: A.K lahir hidup
Observed Cum Prob
1,00,75,50,250,00
Exp
ecte
d C
um P
rob
1,00
,75
,50
,25
0,00
BPS-UNFPA 116