Regresi Linear Berganda dengan Minitab

Kita sudah membahas bagaimana melakukan uji regresi linear

berganda dengan menggunakan aplikasi SPSS, maka pada
kesempatan kali ini kita akan membahas bagaimana cara
melakukannya dengan menggunakan minitab.
Pada Tutorial kali ini akan dibahas sekaligus tentang
bagaimana melakukan uji asumsi klasik pada model regresi
linear berganda dengan minitab yang meliputi normalitas
regresi linear berganda, heteroskedastisitas, multicollienaritas
dan autokorelasi Durbin Watson.
Pertama buka aplikasi minitab anda kemudian masukkan data
seperti berikut.
Agar
lebih
mudah
anda
dapat
mendownload
file
kerja DISINI dan DISINI.

Klik Stat, Regression, Regression, kemudian masukkan variabel

dependen atau Y ke Response dan variabel independen atau
x1, x2, x3 ke predictors.

Klik tombol Graphs kemudian centang Regular pada Residuals

for
plots dan
pada Residual
Plots centangHistogram
of
residuals, Normal plot of residuals, Residual versus fits dan
klik OK.

Klik tombol options kemudian centang Fit Intercept, Variance

inflating factors, Durbin-Watson statistic dan klikOK.

Klik Storage kemudian centang Residuals, Coefficients, Fits dan

klik OK.

Klik OK dan lihat output. Untuk interprestasinya dibahas dalam

artikel berikutnya:
Interprestasi Regresi Linear Berganda dengan Minitab
Semoga bermanfaat, terima kasih.

Interprestasi Regresi Linear Berganda dengan Minitab

Interprestasi Regresi Linear Berganda dengan Minitab
Artikel kali ini adalah lanjutan artikel sebelumnya yang membahas cara
melakukan uji regresi linear berganda dengan minitab. Pada pembahasan ini
akan dijelaskan bagaimana cara menginterprestasikan hasil dari uji regresi
linear berganda dengan menggunakan aplikasi minitab.

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.

Oleh karena output pembahasan ini berasal dari pembahasan sebelumnya,

sebaiknya anda baca terlebih dahulu artikel tersebut yang berjudul:
Regresi Linear Berganda dengan Minitab

Langsung saja anda baca outputnya!

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.

Apakah residual itu? jawabannya adalah perbedaan antara variabel dependen

atau Y dengan Y prediksi. Yang dimaksud dengan Y prediksi adalah nilai Y
berdasarkan hasil persamaan regresi. Dalam output minitab ini juga dapat
dilihat nilai Y prediksi dalam worksheet di mana ada variabel baru yang
bernama Fits1.

Residual dinyatakan berdistribusi normal apabila histogram menyerupai bel

menghadap ke atas. Apabila anda ingin mendapatkan hasil meyakinkan dapat
melakukan uji normalitas pada variabel residual dengan cara yang sudah
dijelaskan pada artikel sebelumnya yang berjudul:
Normalitas Pada Minitab

Cara lain adalah dengan menggunakan diagram Normal Probability Plot seperti
di bawah ini

Dapat disimpulkan berdistribusi normal apabila plot mengikuti garis lurus.

Berdasarkan 2 diagram di atas dapat disimpulkan bahwa residual berdistribusi
normal.

Heteroskedastisitas
Gejala heteroskedastisitas dapat ditentukan dengan diagram scatter antara
variabel Y prediksi (Fits) dengan variabel residual.

Dapat disimpulkan tidak ada gejala heteroskedastisitas apabila plot menyebar

merata di atas dan di bawah sumbu 0 tanpa membentuk sebuah pola tertentu.
Diagram di atas dapat menyimpulkan bahwa tidak terdapat gejala
heteroskedastisitas.

Output 1 Sessions Minitab

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:

Output 2 Session Minitab

Di atas nilai Durbin-Watson statistics sebesar 2,05091. Nilai tersebut dapat

menyimpulkan bahwa tidak terdapat gejala autokorelasi. Bagaimana cara
menyimpulkan nilai Durbin-Watson statistics? baca artikel kami yang
membahasnya secara detail:
Durbin Watson Tabel

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

Persamaan di atas dapat disimpulkan sebagai berikut:

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.

Standart Error of Estimate

Standart Error of Estimate (SEE) digunakan untuk mengetahui apakah model
regresi dinyatakan valid sebagai model prediksi. Pada minitab dapat dilihat
dengan nilai S pada output session 1 di mana dalam uji ini sebesar 1,404. Nilai
SEE ini bandingkan dengan standart deviasi variabel dependen atau Y.
Dinyatakan model valid sebagai model prediksi apabila nilai SEE < nilai
standart deviasi Y. Untuk mendapatkan nilai standart deviasi Y anda dapat
melakukannya dengan uji deskriptiv pada minitab.

Begitulah ulasan tentang interprestasi uji regresi linear berganda dengan

menggunakan aplikasi minitab. Semoga bermanfaat.