Uji Regresi Berganda Spss

[Baudilio Eliason]

Analisiskorelasi berganda digunakan untuk menguji hubungan simultan antara dua variabel independen atau lebih dengan satu variabel dependen. Ringkasan langkah-langkahnya adalah: (1) menginput data ke SPSS, (2) melakukan korelasi bivariat dan regresi linier, (3) menganalisis hasil untuk mengetahui besarnya hubungan dan kontribusi antar variabel. Contohnya menguji hubungan kompetensi dan motivasi terhadap kRead less

Analisis regresi berganda merupakan pengolahan data yang digunakan mengetahui arah hubungan antara variabel independen dengan variabel dependen. Berkaitan dengan itu maka tujuan dari pengabdian ini adalah untuk memberikan pengetahuan generasi Y terkait proses analisis regresi berganda berserta interpretasinya. Pendekatan pelaksanaan pengabdian dengan penambahan aktifitas (subsidiaritas) dalam pengolahan data berbasis analisis regresi berganda dengan program SPSS pada generasi Y di kota Surakarta. Pelaksanaan program pengabdian pada generasi Y di Surakarta ini mendapat apresiasi yang sangat baik dari lokasi dampingan, khususnya generasi Y (mahasiswa) di kota Surakarta. Hal ini menjadi bukti kongkrit bagi mereka dalam pengolahan data terkait rencana penyelesaian tugas akhir/skripsinya kelak. Hasil dari pelaksanaan kegiatan ini menunjukkan bahwa model subsidiaritas berbasis aplikatif pada keilmuan ini sangat baik untuk memantik motivasi generasi Y. Pemahaman yang lebih baik dari para generasi Y terlihat lebih tajam selepas mengikuti progam pelaksanaan pengabdian masyarakat ini.

Uji normalitas regresi linear berganda adalah uji normalitas yag dilakukan pada nilai residual, sedangkan uji normalitas adalah cara untuk mendeteksi sebaran data, apakah normal atau tidak, sedangkan uji kolmogorov adalah salah satu metode untuk melakukan uji normalitas.

Halo kak,

Izin bertanya terkait uji korelasi dan regresi linear berganda. Kebetulan saya ada beberapa pertanyaan kak

1. Bagaimana jika skala data yang saya gunakan adalah campuran (interval-nominal). Nah, untuk variabel dengan skala nominal saya ubah menjadi variabel dummy. Apakah itu diperbolehkan? Kalau semisal diperbolehkan, apakah variabel tersebut harus di uji normalitas dan linearitas juga? Bagaimana caranya?

2. Bagaimana analisis variabel dummy pada uji korelasi? Apakah dilakuakan seperti biasanya atau ada analisis tersendiri?

3. Bagaimana jika setelah dilakukan uji korelasi, diperoleh nilai sig seluruh variabel berada dibawah 0,05? Apakah tidak ada cara lain untuk meningkatkan nilai signifikasi nya?

1. Jika hanya uji korelasi saja bukan regresi, maka uji yang dipilih pada data campuran adalah uji dengan derajat terendah, yaitu nominal, kemudian ordinal, selanjutnya interval dan rasio. jadi misalnya data nominal diuji korelais dengan data ordinal, maka yang digunakan adalah uji korelasi untuk data nominal misalnya uji koefisien kontingensi. Beda halnya jika melakukan uji regresi, maka yang menjadi acuan adalah skala data variabel terikatnya. Jika variabel terikat data interval/rasio maka gunakan uji regresi linear. Jika nominal 2 kategori gunakan uji regresi logistik biner. Jika data nominal lebih dari 2 kategori gunakan uji regresi logistik multinomial. Jika ordinal maka gunakan regresi ordinal.

2. Jika uji korelasi Dummy atau Nominal 2 kategori dengan Nominimal 2 kategori maka gunakanlah uji koefisien kontingensi dengan signifikansinya dihitung berdasarkan uji chi square.

3. Jika signifikansi dibawah atau kurang dari 0,05 misalnya 0,04 maka signifikan atau dalam uji korelasi berarti hubungan keduanya signifikan.

Apa yang dimaksud dengan analisis regresi linier berganda? Seperti sudah dijelaskan pada bagian regresi linier sederhana bahwa pengertian analisis regresi adalah metode statistik yang memodelkan hubungan antara variabel bebas/prediktor dengan variabel terikat /respon melalui hubungan linier yang digambarkan dalam persamaan matematis. Perbedaan mendasar antara analisis regresi linier berganda dan analisis regresi linier sederhana terletak pada jumlah variabel independen (X). Pada regresi berganda jumlahvariabel independen lebih dari satu variabel sedangkan pada regresi sederhana hanya satu variabel.

Contoh analisis regresi linier berganda adalah hubungan antara pendapatan, tabungan terhadap konsumsi. Pendapatan dan tabungan adalah variabel prediktor untuk memprediksi jumlah konsumsi sebagai variabel respon.

Dalam analisis regresi linier berganda terdapat dua pengujian yaitu uji F dan uji t. Uji F digunakan untuk menguji seberapa signifikan pengaruh variabel prediktor/variabel independen terhadap variabel respon/variabel dependen secara simultan atau secara bersama sama. Jika nilai F hitung lebih besar dibandignkan F tabel dengan tingkat kepercayaan tertentu, maka dapat dinyatakan bahwa secara simultan variabel X memiliki pengaruh terhadap variabel Y. Uji kedua adalah uji t. Uji t digunakan untuk menguji model regresi secara parsial. Apakah masing-masing variabel prediktor memiliki pengaruh terhadap variabel respon secara parsial. Jika nilai t hitung cukup besar dan melebihi f tabel maka secara sendiri-sendiri variabel tersebut dapat dinyatakan memiliki pengaruh terhadap variabel X.

Nilai R square adjusted digunakan untuk mengukur seberapa besar pengaruh seluruh variabel prediktor yang terdapat dalam persamaan terhadap variabel respon dalam analisis regresi linier berganda. Mengapa r square yang digunakan dalam analisis regresi linier berganda adalah r square adjusted. perlu kita fahami bahwa r square adjusted adalah nilai r square yang sudah disesuaikan dengan jumlah variabel prediktor/variabel independen. Nilai adjusted R square mengkoreksi nilai R square sebenarnya yang diakibatkan penambahan nilai R square dengan bertambahnya jumlah variabel. Melalui adjusted r square kita terhindarkan dari kesalahan dengan menyangka model fit padahal itu hanya disebabkan oleh penambahan jumlah variabel yang tidak berhubungan.

Software yang digunakan untuk melakukan pemodelan analisis regresi linier berganda dewasa ini semakin beragam. Software SPSS cocok digunakan untuk data-data yang berasal dari penelitian sosial, sedangkan software E views cocok untuk menghitung pemodelan pada ilmu ekonomi dan keuangan. Walaupun sebetulnya kita pun masih dapat mengoptimalkan penggunaan Microsoft Excel untuk melakukan pemodelan analisis regresi liner berganda.

Apa saja asumsi yang harus dipenuhi dalam analisis regresi linier berganda? selain asumsi-asumsi yang sudah disebutkan pada bagian analisis regresi linier sederhana seperti, linieritas, homoskedastisitas, terbebas dari autokorelasi untuk data time series, terdapat satu asumsi yaitu asumsi multikolinieritas.

Multikolinieritas, multikolinieritas adalah hubungan yang sempurna antara variabel prediktor. Pada uji ini diharapkan model tidak memiliki masalah multikolinieritas dimana antara variabel prediktor memiliki hubungan yang sempurna. mengapa dalam model tidak diperbolehkan ada dua atau lebih variabel yang memiliki hubungan sempurna. Selain karena akan mengganggu model, tentunya dua variabel yang memiliki hubungan yang sempurna dalam satu model menjadi tidak efektif. Sebaiknya salah satu variabel dikeluarkan dari variabel lain, karena variabel tersebut sudah di-proxi-kan oleh variabel lainnya.

Data yang digunakan adalah data keuangan yang diambil dari sebuah Laporan Keuangan Perusahaan, kita akan menganalisa apakah Non Performing Loans (NPL), Biaya Operasional dan Pengeluaran Opersional (BOPO) dan Return on Assset (ROA). Data yang digunakan adalah Rasio Keuangan, Analisa Regresi Berganda dapat kita gunakan pada variable yang bersifat Rasio dengan persayaratan jumlah Sample (dalam hal ini data akurat) yang kita gunakan Minimal berjumlah 6 (enam)sample, berbeda dengan Analisa yang bersifat Logistik atau menyangkut jumlah populasi atau data yang diambil bersifat langsung, dalam analisa terssebut sample yang digunakan minimum 30-n (30 sample).

Pada langka ini kita akan melakukan analisa, tetapi sebelum malakukan anlisa regresi linear berganda kita harus melakukan uji ASUMSI KLASIK, hal ini dilakukan untuk menguji apakah persamaan yang kita gunakan atau uji statistic yang kita gunakan berdistribusi Normal atau tidak, jika berdistribusi Normal artinya Data yang kita gunakan Layak untuk dilakukan uji Regresi Linear Berganda.

Multikolinieritas berarti adanya hubungan yang kuat di antara beberapa atau semua variabel bebas pada model regresi. Jika terdapat Multikolinieritas maka koefisien regresi menjadi tidak tentu, tingkat kesalahannya menjadi sangat besar dan biasanya ditandai dengan nilai koefisien determinasi yang sangat besar tetapi pada pengujian parsial koefisien regresi, tidak ada ataupun kalau ada sangat sedikit sekali koefisien regresi yang signifikan. Pada penelitian ini digunakan nilai variance inflation factors (VIF) sebagai indikator ada tidaknya multikolinieritas diantara variabel bebas nilai VIF harus lebih besar dari 10.

Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varian dari residual satu pengamatan ke pengamatan yang lain. Apabila koefisien korelasi dari masing-masing variabel independen ada yang signifikan pada tingkat kekeliruan 5% (0,05), mengindikasikan adanya heteroskedastisitas.

Terlihat grafik scalerplot diatas bahwa titik tidak menyebar secara acak baik dibawah angka 0 pada sumbuh Y. Hal ini menyimpulkan bahwa terjadi Heterokedastisidas model Regresi. Maka data yang kita gunakan memenuhi syarat untuk dilakukan Regresi Berganda.

Uji Normatif adalah uji asumsi klasik terakhir yang kita gunakan sebelum kita melanjutkan ke uji Regresi Linear berganda. Asumsi normalitas merupakan persyaratan yang sangat penting pada pengujian kebermaknaan (signifikansi) koefisien regressi, apabila model regressi tidak berdistribusi normal maka kesimpulan dari uji F dan uji t masih meragukan, karena statistik uji F dan uji t pada analisis regressi diturunkan dari distribusi normal.

UJi Linear Bergandai dilakukan untuk memprediksi apakah variable X berpengaruh terhadap variabel Y dan seberapa besar pengaruhnya kedua variabel bebas terhadap variabel terikat Y, Uji Regresi Linear Berganda teridir dari Uji secara Simultan (Uji F) dan Uji Secara Parsial (Uji T).

3a8082e126