Perhatian!Rumus error? gunakan google chrome atau firefox

Tutorial Analisis Regresi Linier Berganda Dengan SPSS

Regresi linier berganda dengan SPSS – Analisis regresi linear berganda adalah Salah satu bentuk analisis regresi linier di mana variabel bebasnya lebih dari satu. Analisis regresi adalah analisis yang dapat digunakan untuk mengukur pengaruh suatu variabel bebas terhadap Variabel tidak bebasnya.

Metode analisis ini menjadi salah satu analisis yang banyak digunakan karena alasan mudah dan memiliki kekuatan yang cukup dalam menjelaskan suatu pengaruh suatu variabel bebas ke variabel terikatnya. Ada banyak sekali kondisi yang dapat kita uji dengan analisis regresi linier.

Baca : Panduan lengkap menguasai analisis regresi linier

Berikut langkah-langkah pengujian analisis regresi inier berganda dengan SPSS

1. Sediakan data penelitian

Dalam kasus ini, untuk menambah pemahaman mengenai analisis regresi berganda, kita lakukan ujicoba pengujian regresi berganda dengn SPSS, kita ambil salah satu contoh dimana data yang kita masukkan adalah data fiktif.

i Y X1 X2 X3 X4 X5
1 521 18308 185 4 80 7,2
2 367 1148 600 0,6 1 8,5
3 443 18068 372 3,7 32 5,7
4 365 7729 142 2,4 45 7,3
5 614 100484 432 29,8 191 7,5
6 385 16728 290 3,3 32 5
7 286 14630 346 3,3 678 6,7
8 397 4008 328 0,7 341 6,2
9 764 38927 354 12,9 240 7,3
10 427 22322 266 6,5 112 5
11 153 3711 320 1,1 173 2,8
12 231 3136 197 1 12 6,1
13 524 50508 266 11,4 206 7,1
14 328 28886 173 5,5 155 5,9
15 240 16996 190 2,8 50 4,6
16 286 13035 239 2,5 30 4,4
17 285 12973 190 3,7 93 7,4
18 569 16309 241 4,2 97 7,1
19 96 5227 189 1,2 40 7,5
20 498 19235 358 4,8 489 5,9
21 481 44487 315 6 768 9
22 468 44213 303 9,3 164 9,2
23 177 23619 228 4,4 55 5,1
24 198 9106 134 2,6 55 8,6
25 458 24917 189 5,1 74 6,6
26 108 3872 196 0,8 6 6,9
27 246 8945 183 1,6 21 2,7
28 291 2373 417 1,2 11 5,5
29 68 7128 233 1,1 124 7,2
30 311 23624 349 7,7 1042 6,6
31 606 5242 284 1,5 13 6,9
32 512 92629 499 18 381 7,2
33 426 28795 231 6,6 136 5,8
34 47 4487 143 0,6 9 4,1
35 265 48799 249 10,8 265 6,4
36 370 14067 195 3,1 46 6,7
37 312 12693 288 2,8 30 6
38 222 62184 229 11,9 265 6,9
39 280 9153 287 1 960 8,5
40 759 14250 224 3,5 116 6,2
41 114 3680 161 0,7 9 3,4
42 419 18063 221 4,9 118 6,6
43 435 65112 237 17 65 6,6
44 186 11340 220 1,7 21 4,9
45 87 4553 185 0,6 61 6,4
46 188 28960 260 6,2 156 5,8
47 303 19201 261 4,9 73 6,3
48 102 7533 118 1,8 75 10,5
49 127 26343 268 4,9 90 5,4
50 251 1641 300 0,5 5 5,1

2. Input data kedalam aplikasi SPSS

  1. Masukkan data fiktif ke SPSS (dalam tutorial ini menggunakan SPSS Versi 21)
  2. Pada Menu Bar, pilih Analyze > Regression > Lineartutorial analisis regresi linier berganda dengan SPSS
  3. Akan muncul jendela seperti dibawah initutorial analisis regresi linier berganda dengan SPSS
  4. Lalu, masukkan variabel Y ke bagian Dependent dan variabel X1, X2, X3, X4, dan X5 ke bagian Independent(s), kemudian klik OK.
  5. Akan menghasilkan output seperti dibawah ini.

3. Tentukan Model Summary

TUTORIAL ANALISIS REGRESI LINIER BERGANDA DENGAN SPSS

4. Lakukan Uji Simultan

TUTORIAL ANALISIS REGRESI LINIER BERGANDA DENGAN SPSS

Diketahui p-value uji simultan 0,003 (lebih kecil dari ). Berdasarkan hasil uji simultan dapat dinyatakan bahwa terdapat cukup bukti untuk menyatakan bahwa minimal ada satu βi yang tidak sama dengan nol atau dengan kata lain, minimal ada satu variable bebas yang berpengaruh signifikan terhadap variable Y.

5. Buat Output Koefisien dan Signifikansi

TUTORIAL ANALISIS REGRESI LINIER BERGANDA DENGAN SPSS

Namun, pada hasil uji parsial tak ada satupun koefisien yang signifikan pada tingkat signifikansi 5 persen.

6. Lakukan Pengujian Linearitas

Untuk menguji apakah asumsi Linieritas terpenuhi, kita dapat menggunakan plot residual dengan fitted value (predicted value) atau bisa juga dengan plot residual dengan variable independent (John Neter, 1989:118).

Cara menampilkan plot residual vs fitted value di SPSS:

  1. Pilih menu Analyze >> Regression >> Linear
  2. Masukkan variable dependent dan variable-variabel bebas
  3. Klik Save >> centang pada Unstandardized Predicted Value dan Unstandardized Residual >> Continue >> OKTutorial Regresi linier berganda 1
  4. Pilih menu Graphs >> Legacy Dialogs >> Scatter/Dot >> pilih Simple ScatterTutorial Regresi linier berganda 2
  5. Masukkan variable Unstandardized Residual sebagai Y dan Unstandardized Predicted Value sebagai X >> OKTutorial Regresi linier berganda 3
  6. Maka akan muncul output seperti berikut.Tutorial Regresi linier berganda 4

Interpretasi plot:

Berdasarkan plot residual dengan fitted value tersebut, terlihat bahwa tebaran nilai-nilai pada plot membentuk suatu pola acak, sehingga asumsi linieritas terpenuhi.

7. Lakukan Pengujian Asumsi Normalitas

Untuk menguji asumsi Normalitas, dapat menggunakan analisis Normal P-P Plot atau dengan uji-uji normalitas seperti uji Liliefors atau Kolmogorov-Smirnov. Namun, pada saat ini kita akan menggunakan uji Kolmogorov-Smirnov untuk menguji normalitas dari residual dari regresi.

  1. Untuk melakukan uji normalitas, pastikan kita telah memiliki variabel Unstandardized Residuals, yang kita dapatkan dari hasil uji linearitas diatas.
  2. Setelah itu, kita dapat melakukan uji Kolmogorov-Smirnov dengan mengklik Analyze >> Nonparametric Test >> Legacy Dialogs >> 1-Sample K-Stutorial Analisis Regresi linier berganda5
  3. Kemudian akan muncul jendela seperti ini, dan masukkan variabel Unstandardized Residuals.tutorial Analisis Regresi linier berganda 6
  4. Lalu akan muncul hasil seperti berikut.tutorial Analisis Regresi linier berganda 7

Kita perhatikan pada nilai Asymp. Sig. (2-tailed) yang merupakan p-value untuk uji KS ini. P-Value atau Asymp. Sig. (2-tailed) yang dihasilkan sebesar 0,652 yang lebih besar dari alpha=0,05. Hal ini menunjukkan bahwa residual dari regresi telah memenuhi asumsi normalitas.

8. Lakukan Pengujian Asumsi Homoskedastisitas

Menurut John Neter (1989:120), untuk mendeteksi terjadinya heteroscedastisitas, dapat menggunakan plot residual dengan fitted values atau Unstandardized Residual VS Unstandardized Predicted Value (yang telah kita lakukan pada uji asumsi Linearitas).tutorial Analisis Regresi linier berganda 8

Berdasarkan plot antara unstandardized residual dengan unstandardized predicted value (fitted value) dapat diperhatikan bahwa tebaran titik-titik pada plot tersebut membentuk pola acak. Hal ini mengindikasikan bahwa tidak terjadi heteroscedastisitas pada model regresi yang telah dibuat.

Selain dengan melihat scatter plot, asumsi homoskedastisitas dapat dilihat dengan melakukan uji Park dan uji Rank Spearmen. Pada kesempatan ini kita akan menggunakan uji Park.

  1. Sebelum melakukan uji Park, kita terlebih dahulu melakukan transformasi logaritma natural terhadap variabel independen. Sedangkan untuk variabel dependen adalah logaritma natural dari kuadrat residual.
  2. Kemudian, lakukan seperti regresi biasa dengan memasukkan logaritma natural dari kuadrat residual sebagai variabel dependen, dan logaritma natural dari masing-masing variabel bebas sebagai variabel independen.tutorial Analisis Regresi linier berganda 9
  3. Maka, akan muncul hasil seperti berikut.tutorial Analisis Regresi linier berganda 10

Berdasarkan output diatas, dapat kita ketahui bahwa tidak ada variabel yang signifikan sehingga dapat dikatakan bahwa tidak terdapat masalah heteroskedastisitas, sehingga asumsi terpenuhi.

9. Lakukan Pengujian Asumsi Autokolerasi

Untuk menguji asumsi Autokolerasi, akan dilakukan dengan melihat statistik Durbin-Watson

  1. Lakukan regresi seperti biasa, namun pada bagian Statistics, centang bagian Durbin-Watsontutorial Analisis Regresi linier berganda 11

Maka akan muncul output seperti berikut.tutorial Analisis Regresi linier berganda12

Berdasarkan output tersebut, diketahui nilai statistic hitung Durbin -Watson yaitu D = 2.173.

Download Tabel Durbin Watson

Dari TABLE A.6 Durbin – Watson Test Bounds (John Neter, 1989:642), untuk p-1= 5 dan n=50 , maka diperoleh nilai:

\(d_{L}=1.34\),

\(d_{U}=1.77\),

\(4-d_{U}=2.23\),

\(4-d_{L}=2.66\),

Nilai statistic hitung D = 2.173 >\(d_{U}\)

Karena nilai DW lebih besar dari du , maka dapat kita ketahui bahwa tidak terdapat masalah autokorelasi.

10. Lakukan Pengujian Asumsi Multikolinearitas

Untuk menguji asumsi multikolinearitas, dapat dilakukan dengan melihat nilai korelasi antar variabel independen.

  1. Klik Analyze >> Correlation >> Bivariate lalu masukkan seluruh variabel independen.tutorial Analisis Regresi linier berganda13

Maka akan muncul output seperti berikut.tutorial Analisis Regresi linier berganda 14

Berdasarkan output diatas dapat kita lihat bahwa korelasi antara variabel X1 dan X3 sebesar 0,959 (korelasi yang sangat kuat) sehingga dapat kita simpulkan bahwa terdapat multikolinearitas pada model regresi tersebut.

2 Comments

Add a Comment

Your email address will not be published. Required fields are marked *

This site uses Akismet to reduce spam. Learn how your comment data is processed.

Share
Share