Analisis Regresi

Simple regression analysis digunakan ketika satu variable independen diperkirakan

mempengaruhi satu dependent variable. Sebagai contoh, kita memiliki hipotesis bahwa
kecenderungan untuk membeli suatu produK hanya bergantung pada persepsi kualitas
produk tersebut. Dalam hal ini, kita harus mengumpulkan informasi mengenai persepsi
kualitas dan kecenderungan membeli suatu produk kemudian memplot data sehingga didapat
informasi mengenai hubungan antara kedua variable tersebut.

│Figure. 15.2│
Scatter plot of perceived quality versus propensity to buy

Dari gambar 15.2 didapat hubungan linier antara persepsi kualitas dengan
kecenderungan membeli suatu produk. Kita dapat membuat model hubungan linier ini dengan
least squares function.

│Figure. 15.3│
Regression of propensity to buy on perceived quality

Persamaan dalam simple linier regression/regresi linier sederhana dapat ditulis sebagai
berikut:

Yi = β0 + β1 X 1i + ϵi
Parameter β0 dan β1 dinamakan koefisien regresi. β0 merupakan intercept atau nilai tengah,
dan β1 menunjukkan slope atau kemiringannya. Koefisien kemiringan ini mengukur besarnya
tingkat perubahan nilai rata-rata dari Y untuk setiap perubahan X sebesar satu unit. Koefisien
korelasi, R2, digunakan untuk mengetahui seberapa besar prosentase sumbangan pengaruh
variable independen secara bersama-sama terhadap variable dependen.
Dasar dari multiple regression analysis hampir sama dengan simple regression analysis.
Hanya saja, dalam multiple regression, kita menggunakan lebih dari satu independent variable
untuk menjelaskan variance di dependent variable. Sebagai contoh, performa dapat diukur
dengan empat macam independen variable, katakanlah gaji, kesulitan pekerjaan, dukungan
supervisor, dan budaya perusahaan. Ketika seluruh variable tersebut diregresikan terhadap
dependent variable untuk menjelaskan variance di dalamnya, maka besarnya koefisien
regresi individual mengindikasikan seberapa besar kenaikan dari satu unit independent
variable yang akan mempengaruhi dependent variable, dengan asumsi seluruh variable
independent yang lain tetap/tidak berubah.

Standardized regression coefficients (beta coefficients)

Apabila masing-masing koefisien variable independen distandarisasi terlebih dahulu,
maka akan diperoleh koefisien yang tidak ada konstantanya karena garis regresi melewati titik
pusat (titik origin). Standardized beta dapat digunakan untuk mengeliminasi ukuran unit yang
berbeda dari masing-masing variabel independen (misalnya, income yang diukur dengan
dollar dan besarnya rumah tangga yang diukur dengan jumlah individu).

Regresi dengan variabel dummy

Dummy variable adalah variabel yang digunakan untuk mengkuantitatifkan variabel
yang bersifat kualitatif (misal: jenis kelamin, kepuasan kerja, agama). Untuk mengakomodasi
adanya variable bebas kualitatif kedalam model regresi maka digunakan variable boneka
(dummy variable) dalam persamaan regresi yang dapat dituliskan sebagai berikut:
Yi = β0 + β1 D1i + β2i D2i + ϵi

Multikolonieritas
Multikolinieritas adalah fenomena statistik sering dijumpai di mana dua atau lebih
variabel independen dalam model regresi berganda sangat berkorelasi. Dalam kasus yang
paling parah (jika korelasi antara dua variabel independen sama dengan 1 atau -1)
multikolinearitas membuat estimasi koefisien regresi mustahil. Dalam semua kasus lain itu
membuat perkiraan koefisien regresi tidak dapat diandalkan.
 Cara yang paling sederhana untuk mendeteksi multikolinearitas adalah memeriksa
matriks korelasi untuk variabel independen. Kehadiran korelasi yang tinggi (kebanyakan
orang menganggap korelasi 0,70 dan di atas tinggi) merupakan tanda pertama dari
multikolinearitas yang cukup besar. Namun, ketika multikolinearitas adalah hasil dari
hubungan yang kompleks antara beberapa variabel independen, hal itu mungkin tidak akan
terungkap dengan pendekatan ini. Oleh karena itu, langkah-langkah yang lebih umum untuk
mengidentifikasi multikolinearitas adalah nilai toleransi dan faktor inflasi varians (VIF -
kebalikan dari nilai toleransi). Langkah-langkah ini menunjukkan sejauh mana satu variabel
independen dijelaskan oleh variabel independen lainnya. Nilai cut off yang umum adalah nilai
toleransi 0,10, yang sesuai dengan VIF dari 10.
Perhatikan multikolinearitas tidak menjadi masalah yang serius jika tujuan dari penelitian
adalah untuk memprediksi atau meramalkan nilai-nilai masa depan variabel dependen,
karena meskipun estimasi dari koefisien regresi mungkin tidak stabil, multikolinearitas tidak
mempengaruhi keandalan ramalan. Namun, jika tujuan dari penelitian adalah untuk
memperkirakan koefisien regresi masing-masing, multikolinearitas adalah masalah. Dalam
hal ini, kita dapat menggunakan satu atau lebih metode berikut untuk mengurangi:
 Mengurangi set variabel independen terhadap satu set yang tidak segaris (dicatat
bahwa ini dapat menyebabkan dihilangkan Bias variabel, yang juga merupakan
masalah serius).
 Menggunakan cara yang lebih canggih untuk menganalisis data, seperti regresi ridge.
 Membuat variabel baru yang merupakan gabungan dari variabel yang sangat
berkorelasi.
Testing moderation using regression analysis: interaction effects
Sebelumnya dalam buku ini kita dijelaskan variabel moderasi sebagai variabel yang
mengubah hubungan antara asli variabel independen dan variabel dependen. Ini berarti
bahwa efek dari satu variabel (X1) terhadap Y tergantung pada nilai variabel lain; variabel
moderator (X2). Interaksi tersebut termasuk sebagai produk dari dua variabel dalam model
regresi.

Misalkan kita telah mengembangkan hipotesis berikut:

H1: Pertimbangan para siswa ke perpustakaan universitas dipengaruhi oleh penilaian siswa
terhadap komputer di perpustakaan.

Sekarang anggaplah bahwa kita juga percaya bahwa, meskipun hubungan ini akan
berlaku untuk semua siswa, maka akan tetap bergantung pada kepemilikan komputer.
Artinya, kami percaya bahwa hubungan antara penilaian komputer di perpustakaan dan
pertimbangan ke perpustakaan dipengaruhi oleh kepemilikan komputer (memang kepemilikan
komputer adalah variabel dummy). Oleh karena itu, kami berhipotesis bahwa:

H2: Hubungan antara pertimbangan ke perpustakaan dan penilaian komputer di

perpustakaan dimoderatori oleh kepemilikan komputer.

Hubungan antara pertimbangan ke perpustakaan dan penilaian komputer di

perpustakaan dapat dimodelkan sebagai berikut:

• (1)

Kami juga memiliki hipotesis bahwa efek X1 terhadap Y tergantung pada X2. Hal ini
dapat dimodelkan sebagai berikut:

• (2)

Menambahkan persamaan kedua menjadi yang pertama mengarah ke model berikut:

• (3)

Model (3) menyatakan bahwa kemiringan model (1) merupakan fungsi dari variabel X2.
Meskipun model ini memungkinkan kita untuk menguji moderasi, model berikut ini lebih baik:

• (4)

Anda mungkin telah memperhatikan bahwa model (4) termasuk efek langsung dari X2
pada Y. Hal ini memungkinkan kita untuk membedakan antara moderasi murni dan moderasi
kuasi, (bandingkan Sharma, Durand dan Gur-Arie, 1981) dijelaskan berikutnya.
Jika , dan , X2 bukan moderator tetapi hanya variabel prediktor
independen. Jika , X2 adalah moderator. Model (4) memungkinkan kita untuk
membedakan antara moderator murni dan moderator kuasi sebagai berikut: jika , dan
, X2 adalah moderator murni; yaitu, moderat X2 hubungan antara X1 dan Y, tetapi tidak
memiliki efek langsung pada Y. Jika , dan , X2 adalah moderator kuasi; yaitu,
moderat X2 hubungan antara X1 dan Y, tetapi juga memiliki efek langsung pada Y.

Misalkan analisis data mengarah ke model berikut:

(5)

di mana, dan .

Berdasarkan hasil tersebut dapat disimpulkan bahwa (1) penilaian komputer di

perpustakaan memiliki efek positif pada pertimbangan ke perpustakaan dan (2) bahwa efek
ini dimoderatori oleh kepemilikan komputer: Jika seorang siswa tidak memiliki komputer

efek marginal adalah 0,4; jika siswa memiliki komputer efek marjinal 0,2.
Dengan demikian, kepemilikan komputer memiliki efek moderat negatif.
Contoh sebelumnya menunjukkan bahwa variabel boneka bisa digunakan untuk
memungkinkan pengaruh satu variabel independen terhadap variabel dependen berubah
tergantung pada nilai variabel dummy. Hal ini, tentu saja, juga memungkinkan untuk
memasukkan variabel metrik sebagai moderator dalam model. Dalam kasus tersebut,
prosedur untuk menguji moderasi adalah persis sama seperti pada contoh sebelumnya. Pada
bagian ini, kami telah menjelaskan bagaimana moderasi dapat diuji dengan analisis regresi.
Perhatikan bahwa ini juga memungkinkan untuk menguji mediasi dengan analisis regresi.
Kami akan menjelaskan hal ini nanti dalam bab ini menggunakan data Excelsior Enterprises.

Analisis Regresi Lainnya

Analisis Diskriminan
Membantu mengindentifikasi variable independen yang membedakan sebuah nominal skala
variabel dependen. Variabel independen mengukur interval atau skala ratio yang
menunjukkan grup interest penelitian.

Regresi Logistik
Digunakan ketika variabel dependen menunjukkan nonmetrik . Tetapi ketika variabel
dependen hanya memiliki dua grup , regresi logistik lebih sering digunakan tidak harus
menghadapi asumsi yang ketat karena metode ini hampir sama dengan analisis regresi.
Analisis Cojoint
Teknis statistik yang digunakan banyak lapangan seperti pemasaran, manajemen produk, dan
riset operasi. Analisis conjoint membutuhkan partisipant untuk penelitian mereka. Analisis ini
akan menentukan atau menggunakan atribut untuk menemukan hasil penelitian mereka.
Conjoint ini juga menggunakan analisis multiple Regresi . Metode terbaru menggunakan
penggunaan analisis Bayesian hierarkis telah menyebar luas mengembangkan model
perilaku pengambilan keputusan konsumen individu.
Two Ways ANOVA
Desain yang bertujuan untuk menguji pengaruh dua variabel bebas nonmetrik pada satu
metrik variabel dependen sering disebut desain faktorial. Two Ways ANOVA memungkinkan
kita untuk memeriksa efek utama (efek dari variabel independen terhadap variabel dependen)
tetapi juga efek interaksi yang ada antara variabel independen (atau faktor).
Manova
Mirip dengan ANOVA, tetapi dengan perbedaan bahwa test ANOVA mengetes perbedaan
lebih dari 1 grup pada variable dependent, dimana test MANOVA mengetes perbedaan antara
beberapa variable dependent sekaligus sedangkan Anova menggunakan 1 variable
dependent secara satu persatu.
Canonical correlation
Korelasi kanonik meneliti hubungan antara dua atau lebih variabel dependen dan beberapa
variabel independen; misalnya, korelasi antara seperangkat perilaku kerja (seperti
keterlibatan dalam pekerjaan, penyelesaian pekerjaan yang tepat waktu, dan jumlah absen)
dan pengaruhnya terhadap serangkaian faktor kinerja (seperti kualitas pekerjaan, output, dan
tingkat penolakan).Fokusnya di sini adalah menggambarkan profil perilaku pekerjaan yang
terkait dengan kinerja yang menghasilkan produksi berkualitas tinggi.