ANALISIS REGRESI PELBAGAI MENGGUNAKAN PERISIAN SPSS

PERMASALAHAN :
Satu sampel rawak yang terdiri daripada 10 orang pelajar dipilih untuk
mendapatkan data dari aspek penggunaan(Y), pendapatan(X1) dan
kekayaan(X2) menerusi suatu program Login untuk ang!"
#erikut merupakan data yang diperoleh seperti dalam jaduala di $awah %
Pelajar (i) Penggunaan (Yi) Pendapatan (Xi) Kekayaan (Wi)
1 10 20 &'
2 ' 10 2'
& & ' 1(
) ) * 22
' 2 & 1+
* 10 1' )&
+ 1' 20 '&
( 20 &0 *&
, , 1* 20
10 20 &' +1
! "#$ %#&

PR'SE(UR SPSS : Regre)* M+del L*near Pel,aga*
1" -asukkan data ke dalam SPSS (ata Ed*t+r" Pe-,+le.u,a. kr*ter*+n
.enggunaan se$agai /, manakala pe-,+le.u,a. pera-al .endapatan
dan /ekayaan dila$el se$agai 0" dan 01"
2" .ilih menu Analy2e dan klik pada Regre))*+n dan seterusnya pilih L*near
untuk mem$uka kotak dialog L*near Regre))*+n3
&" .ilih pem$olehu$ah $ersandar iaitu / (.enggunaan) dan klik $utang anak
panah untuk memasukkannya ke dalam kotak (ependent" Seterusnya pilih
kedua 0 dua pem$olehu$ah $e$as iaitu 0" (.endapatan) dan 01 (/ekayaan)"
/lik $utang anak panah untuk memasukkannya ke dalam kotak
Independent"
)" 1i dalam petak Met.+d4 pilih Enter" Seterusnya klik Stat*5t*5)2 untuk
mem$uka kotak dialog L*near Regre))*+n : Stat*)t*5)3 .ilih E)t*-ate)4
6+n7*den5) *nter8al)4 M+del 7*t4 R )9uared 5.ange and (e)5r*pt*8e) di
dalamnya" .astikan $ahawa 'utl*ner) +ut)*de dipilih dan dinilai %
)tandard de8*at*+n) ditaip"
'" /lik $utang 6+nt*nue dan kemudian 'K"
(ARI 'U:PU: SPSS :
(a) Ga-,araja. Se,aran
(*) Ga-,araja. Se,aran dengan Gar*) Luru) -e;ak*l*
per.u,ungan d* antara 0" dengan / yang d*)e)ua*kan
-elalunya3
(**) Ga-,araja. Se,aran dengan Gar*) Luru) -e;ak*l*
per.u,ungan d* antara 01 dengan / yang d*)e)ua*kan
-elalunya3
($) Raja. H*)t+gra-
(5) Anal*)*) regre)*
Descriptive Statistics
Mean Std. Deviation N
Penggunaan 9.80 6.663 10
Pendapatan 16.00 10.625 10
Kekayaan 36.70 19.850 10
Jadual di atas menunjukkan min (mean) dan sishan piawai (std. Deviation) bagi setiap
aspek yang dikumpul data.
Hasil Ujian Inter-Kolerasi
Correlations
Penggunaan Pendapatan Kekayaan
Pearon !orre"ation
Penggunaan 1.000 .975 .957
Pendapatan .975 1.000 .922
Kekayaan .957 .922 1.000
Sig. #1$tai"ed%
Penggunaan . .000 .000
Pendapatan .000 . .000
Kekayaan .000 .000 .
N
Penggunaan 10 10 10
Pendapatan 10 10 10
Kekayaan 10 10 10
Hasil analisis inter-korelasi di atas menunjukkan kolerasi yang kuat antara Penggunaan
dan Pendapatan (r = .975) dan turut kuat kolerasi antara penggunaan dengan kekayaan
(r = .957). !emua kolerasi tersebut signi"ikan pada p # .5 .
Hasil Pekali-pekali $egresi
Coefficients
a
Mode" &ntandardi'ed
!oe((i)ient
Standardi'ed
!oe((i)ient
t Sig. 95.0* !on(iden)e +nterva" (or ,
, Std. -rror ,eta .o/er ,ound &pper ,ound
1
#!ontant% $1.170 .890 $1.313 .231 $3.288 .900
Pendapatan .386 .102 .615 3.789 .007 .105 .626
Kekayaan .131 .050 .390 2.002 .007 .002 .260
a. Dependent 1aria2"e3 Penggunaan

Interpretasi Pekali $egresi %odel &inear Pel'agai
Inter<
k+lera)*
4 r
Y 3 01"1+&( 4 0"&('+X
1
4
0"1&0,X
2
5ilai
0

3 ="3"&%! $ererti, penggunaan autonomus adalah se$anyak

RM="3"& sen apa$ila pendapatan dan kekayaan adalah RM$3$$ (si6ar)"
5ilai
1

3 $3%!>& $ererti, setiap RM"3$$ pendapatan meningkat,

penggunaan akan meningkat se$anyak RM$3% sen dengan pera-al
pe-,+le.u,a. la*n (kekayaan) adalah tetap"
5ilai
2

3 $3"%$ $ererti, setiap RM"3$$ kekayaan meningkat,

penggunaan akan meningkat se$anyak RM$3"% sen dengan pera-al
pe-,+le.u,a. la*n (pendapatan) adalah tetap"
P(K)&I P(*(*+U ,R
-
.
.ekali .enentu atau R-square (R
2
) adalah nis$ah peru$ahan (7ariasi) oleh
pem$olehu$ah $ersandar penggunaan (Y
i
) yang diterangkan )e5ara
,er)a-a oleh pem$olehu$ah $e$as pendapatan (X
1
), dan kekayaan (X
2
)"
R
1
$ernilai $3&% $ererti, &3%? peru$ahan dalam pem$olehu$ah
$ersandar penggunaan (Y
i
) dapat diterangkan )e5ara ,er)a-a oleh
pem$olehu$ah $e$as pendapatan (X
1
), dan kekayaan (X
2
) manakala
13&? sele$ihnya diterangkan oleh pem$olehu$ah lain selain
pendapatan (X
1
) dan kekayaan (X
2
)"
Model Summary
b
Mode" 4 4 S5uare 6d7uted
4 S5uare
Std. -rror o(
t8e -ti9ate
!8ange Statiti)
4 S5uare !8ange : !8ange d(1 d(2 Sig. : !8ange
1 .986
a
.973 .965 1.253 .973 123.859 2 7 .000
a. Predi)tor3 #!ontant%; Kekayaan; Pendapatan
2. Dependent 1aria2"e3 Penggunaan
P(K)&I P(*(*+U +($!(&)$)! ,ADJUSTED R
-
)+)U
2
R
.
.ekali penentu terselaras (
2
R
) $erperanan untuk mengim$angi R
2
yang
tidak mengam$il kira kehilangan darjah ke,e,a)an (df) apa$ila semakin
$anyak $ilangan parameter aki$at daripada pertam$ahan $ilangan
pem$oleh u$ah $e$as yang dianggar" Semakin $anyak $ilangan
pem$oleh u$ah $e$as, semakin tinggi nilai R
2
tetapi darja. ke,e,a)an
)e-ak*n ke5*l kerana pertam$ahan $ilangan parameter" 8leh itu pekali
penentu terselaras (
2
R
) digunakan untuk im$angi keelokan padan
sesuatu model agar tidak tersalah ta6sir"
Ru-u) pekal* penentu ter)elara) (
2
R
) adala.@
2
R
3
( )
1
]
1

,
_

k n
n
R
1
1 1
2
3
( )
1
]
1

,
_

3 10
1 10
!3 . 0 1 1
3
( )
1
]
1

,
_

02! . 0 1
3 109(0"02+')
(1"2('+):
3 1 0 0"0&') 3 $3#A#
5ilai
2
R
3 0",*)* menunjukkan ,*")*; peru$ahan dalam penggunaan (Y
i
)
dapat diterangkan )e5ara ,er)a-a oleh pem$oleh u$ah $e$as pendapatan (X
1
)
dan kekayaan (X
2
) )etela. -enga-,*l k*ra ke.*langan darja. ke,e,a)an,
manakala &"'); sele$ihnya diterangkan oleh pem$oleh u$ah lain selain
pendapatan (X
1
) dan kekayaan (X
2
)"

2
R
$oleh menjadi negati6 atau in6initi"

2
R
le$ih ke<il daripada R
2
(
2
R
= R
2
)
Semakin tinggi R
2
semakin rendah
2
R
(kerana ia mengim$angi
pertam$ahan pem$oleh u$ah $e$as>parameter)"
U/I)* !+)+I!+IK F
,U/I)* K(!I0*I1IK)*)* P)$)%(+($ !(2)$) !($(*+)K.
2
R
dan R
2
hanya mengukur kepadanan pem$olehu$ah se<ara
keseluruhan manakala statistik t atau z hanya mengukur kesigni6ikanan
parameter se<ara ,era)*ngan (iaitu dengan andaian 6aktor lain adalah
tetap)" 8leh itu perlu dijalankan ujian kesigni6ikanan parameter se<ara
)erentak"
Langka.<Langka. Uj*an Ke)*gn*7*kanan Para-eter Se5ara
Serentak
i. #ina ujian hipotesis iaitu hipotesis nol (H
n
) dan hipotesis alternati6 (H
a
)"
ii. 1apatkan nilai F statistik (F
s
)"
iii. 1apatkan nilai F kritikal (F
c
) darpada ?adual F pada aras keertian
tertentu"
iv. @ji sama ada terima atau tidak terima (tolak) hipotesis nol (H
n
) pada
aras keertian tertentu"
v. /eputusan ujian"
Langka. ": B*na uj*an .*p+te)*) *a*tu .*p+te)*) n+l (H
n
) dan
.*p+te)*) alternat*7 (H
a
)
H
n
%
1

2
0
H
a
%
1

2
0 (sekurangAkurangnya satu daripada parameter $ukan
si6ar)
Langka. 1: (apatkan n*la* F )tat*)t*k (F
s
)
F statistik 3
df RSS
df ESS 3
k n R
k R

2
2
1
1
ESS = Explained Sum of
Squares
RSS = Residual Sum of Squares
3
3 10 !2" . 0 1
1 3 !2" . 0

3
! 02!" . 0
2 !2" . 0
3
! 02!" . 0
2 !2" . 0
3 "1%3&&1&
Langka. %: (apatkan n*la* F kr*t*kal (F
c
) pada ara) keert*an
tertentu
5ilai F kritikal (F
c
) pada aras keertian '; dalam Badual F adalah A3&A"
F
c
3 F
k01
,
nk, 0"0'
3
F
2
,
+
3
A3&A
k 0 1 3 v
1
3
numerator 3 2
n 0 k 3 v
2
3
denominator 3 +
k01 C % = " C 1
nk C "$ = % C &
Langka. A: Uj* )a-a ada ter*-a atau t*dak ter*-a (t+lak)
.*p+te)*) n+l (H
n
) pada ara) keert*an tertentu
@jian sama ada terima atau tolak (tidak terima) hipotesis nol (H
n
) dengan
mem$andingkan F statistik (F
s
) dengan F kritikal (F
c
) daripada ?adual F"
?ika F )tat*)t*k le,*. ,e)ar dar*pada F kr*t*kal (F
s
B F
c
), t*dak ter*-a
(tolak) hipotesis nol (H
n
) menyatakan
1
dan
2
$ersamaan dengan si6ar (
1

2
0), terima hipotesis alternati6 (H
a
) yang menyatakan )ekurang<
kurangnya satu daripada parameter terse$ut $ukan si6ar (
1

2
0)
pada aras keertian ';"
Langka. >: Keputu)an uj*an
8leh kerana nilai F statistik (F
s
) 3 "1%3&&1& le,*. ,e)ar F kritikal (F
c
) 3
A3&A maka tidak terima (tolak) hipotesis nol (H
n
) menyatakan
1
dan
2
$ersamaan dengan si6ar (
1

2
0), terima hipotesis alternati6 (H
a
) yang
menyatakan )ekurang<kurangnya satu daripada parameter terse$ut
$ukan si6ar (
1

2
0) pada aras keertian ';"
Cplikasi /onsep Cnalisis Degresi dalam /ajian
1" Degression Cnalysis Cppli<ations in Litigation $y Do$erts -ills (1ire<tor
-i<ronomi<s, En<") and 1u$ra7ka Fosi<, .h"1 (.rin<ipal GDS Hroup)"
a3 A))u-*ng .*)t+r*5al attendan5e and .+-e tea-
per7+r-an5e
,3 :.e r+le +7 regre))*+n analy)*) *n e)t*-at*ng pr*5e ela)t*5*ty
+7 de-and *n ant*tru)t and *ntelle5tual pr+perty -atter)
53 u)e +7 regre))*+n analy)*) t+ 5+ndu5t e8ent )tud*e)
de)*gned t+ e)t*-ate t.e *-pa5t +7 )pe5*7*5 e8ent) +n t.e
8alue +7 a 7*r-
d3 t.e appl*5at*+n +7 regre))*+n analy)*) t+ 5+)t e)t*-at*+n *n
da-age) )tud*e)
e3 appl*5at*+n) +7 regre))*+n analy)*) *n la,+ur and
e-pl+y-ent d*)pute)3
2" Linear Degression Cnalysis % Cppli<ations and Cssumptions 2
nd
Gdition $y
?ohn ." Io66mann (1epatment o6 So<iology, #righam Young @ni7ersity)
&" Cn Entrodu<tion to Degression Cnalysis $y Clan 8" Sykes (Fhe Enaugural
Joase)
a" relationship 'etween edu3ation and earnings
,3 $elationship 'etween earnings with multi4ariate ,s3hooling5 aptitude5
e6perien3e and agendum.
)" @sing Degression -iKture Cnalysis in Gdu<ational Desear<h $y Jody S"
1ing (@ni7ersity o6 -issouriASt Louis)
a3 D.at *) t.e relat*+n).*p ,et;een 5.*ldrenE) 7*7t. grade
-at. a5.*e8e-ent4 5.*ldrenE) -at. )el7<5+n5ept4 and
tea5.erE) rat*ng +n +7 5.*ldrenE) -at. pr+7*5*en5y4
appr+a5.e) t+ learn*ng4 and )el7<5+ntr+lF
,3 (+ 5.*ldren *n d*77erent latent 5la))e) 8ary *n ter-) +7
5.*ldrenE) gender and ra5eF
'" Degression -odels 6or 8rdinal Desponses % C De7iew o6 -ethods and
Cppli<ations $y Jande L Cnanth and 1a7id H /lein$aum analyst
per6orms %
a" Hoodness A o6 0 6it tests and analysis o6 residuals
$" Sensiti7ity analysis $y 6itting and <omparing di66erent models
<" #y graphi<ally eKamining the model assumptions"
*" -ass Cppraisal % Entrodu<tion to -ultiple Degression Cnalysis 6or real
Gstate Laluation $y Jo#n D. $enjamin (%meri&an 'niversity( )as#ington)( *andall +.
,uttery ('niversity o- .ort# /e0as( Denton) and 1. 2. +irmans ('niversity o- 1onne&ti&ut(
+torrs)
a" /o understand #o3 to use t#e market &omparison approa&# and multiple regression
analysis -or real estate valuation.
+" -ulti7ariate Logisti< Degression Cnalysis o6 JompleK Sur7ey 1ata
with Cppli<ation to #DMSS 1ata $y -inggen Lu and ei Yang
(@ni7ersity o6 5e7ada, Deno)
a" modelling the <omplete in6ormation 6rom multiple out<omes in a single
analysisN
$" it permits to test the <orrelations $etween multiple $inary out<omesN
<" it allows o6 dis<erning the out<omeAspe<i6i< e66e<t and the o7erall risk
6a<tor e66e<tN
d" it pro7ides the measurement o6 di66eren<e o6 the asso<iation $etween risk
6a<tors and multiple out<omes"
(" 1ata Ouality in Linear Degression -odels% G66e<t o6 Grrors in Fest 1ata and
Grrors in Fraining 1ata on .redi<ti7e C<<ura<y $y #ar$ara 1" /lein P
1onald M" Dossin (@ni7ersity o6 -E<higanA1ear$orn @SC)
a" the linear regression models $uilt to predi<t the 5CL o6 mutual
6unds <an $e drawn 6rom this resear<h" Fhe 6irst <on<lusion
addresses the e66e<t o6 errors in test data, and the se<ond
addresses the e66e<t o6 errors in training data"