Beruflich Dokumente
Kultur Dokumente
Sedikit review bahwa regresi linear berganda memiliki syarat yang harus
terpenuhi yaitu asumsi klasik. Asumsi klasik tersebut antara lain: normalitas
regresi linear berganda, heteroskedastisitas, multicollinearitas dan autokorelasi.
Normalitas Residual
Lihat di bawah ini adalah histogram residual. Mengapa residual yang dibuatkan
histogram? jawabannya adalah karena asumsi normalitas pada regresi linear
berganda adalah variabel residual harus berdistribusi normal.
Cara lain adalah dengan menggunakan diagram Normal Probability Plot seperti
di bawah ini
Heteroskedastisitas
Gejala heteroskedastisitas dapat ditentukan dengan diagram scatter antara
variabel Y prediksi (Fits) dengan variabel residual.
Multikolinearitas
Untuk mendeteksi adanya gejala multikolinearitas dapat dilihat nilai VIF pada
gambar output di atas. Dikatakan tidak ada gejala multikolinearitas apabila VIF
< 5. Di atas VIF 1,458, 1,202 dan 1,326 dimana kurang dari 5 maka tidak ada
gejala multikolinearitas.
Autokorelasi
Untuk mendeteksi adanya gejala autokorelasi dengan melihat nilai DurbinWatson statistics pada output di bawah ini:
Setelah asumsi klasik di atas semua terpenuhi, maka kita mulai masuk pada
kesimpulan inti dari uji regresi linear berganda
Uji F Regresi
Untuk menentukan apakah secara serentak semua variabel independen
mempunyai pengaruh yang bermakna terhadap variabel dependen dapat dilihat
dari nilai uji F. Disimpulkan ada pengaruh apabila nilai P value kurang dari
batas kritis penelitian atau alpha. Misalnya pada uji ini, lihat output session 1,
nilai P Regression pada Analysis of Variance sebesar 0,000 di mana < 0,05
maka disimpulkan bahwa secara simultan variabel independen mempunyai
pengaruh bermakna terhadap variabel dependen.
T Parsial
T parsial digunakan untuk mengetahui apakah variabel independen yang di
dalam model regresi mempunyai pengaruh secara individu terhadap variabel
dependen dengan memperhatikan keberadaan variabel lain di dalam model.
Nilai t parsial dapat dilihat melalui nilai t pada output session 1 di atas.
Dinyatakan ada pengaruh parsial apabila nilai p value (P) kurang dari batas
kritis penelitian atau alpha. Di atas semua variabel independen nilai p value t
parsial < 0,05 maka semua ada pengaruh secara individu terhadap Y dengan
memperhatikan variabel lain.
Persamaan Regresi
Untuk membuat persamaan regresi maka kita menggunakan nilai koefisien beta
variabel independen dengan cara melihat nilai Coef pada output session 1 atau
pada worksheet lihat ada variabel baru disebelah kanan residual dengan nama
COEF1. Secara berurutan dari atas ke bawah:
Konstanta: 1,072
X1: 0,29613
X2: 0,14130
X3: 0,46880
Atau mudahnya dalam minitab ini anda dapat langsung melihat melalui "The
regression equation is" pada output session 1, di mana dalam uji ini hasilnya:
Y = 1.20 + 0.296 X1 + 0.141 X2 + 0.469 X3
Apabila variabel lain bernilai konstan maka Nilai Y akan berubah dengan
sendirinya sebesar nilai konstanta yaitu 1,20.
Apabila variabel lain bernilai konstan maka Nilai Y akan berubah sebesar
0,296 setiap satu satuan X1.
Apabila variabel lain bernilai konstan maka Nilai Y akan berubah sebesar
0,141 setiap satu satuan X2.
Apabila variabel lain bernilai konstan maka Nilai Y akan berubah sebesar
0,469 setiap satu satuan X3.
R Square
R Square ditunjukkan dengan nilai R-Sq di mana pada uji ini nilainya dapat
dilihat di output session 1 yaitu sebesar 63,8% artinya variabel Y dapat
dijelaskan oleh sekelompok variabel independen x1, x2 dan x3 secara serentak
atau simultan sebesar 63,8% sedangkan sisanya (100%-63,8%=36,2%)
dijelaskan oleh variabel lain di luar model yang tidak diteliti.