Escolar Documentos
Profissional Documentos
Cultura Documentos
xy
Y
x
2
x
) (X )(XY )
(n)(X 2 ) (X ) 2
(n)(XY ) (X )(Y )
b
(n)(X 2 ) (X ) 2
2
Pendekatan Matriks
n
X
a
2
X
det A1
det A
n
X
a Y
b XY
det A2
b
det A
X
Y
2 A1
X
XY
X
n
2 A2
X
X
XY
Rumus II
(n)(XY ) (X )(Y )
b
2
2
(n)(X ) (X )
__
___
a Y b. X
Contoh Soal
Berikut ini data mengenai pengalaman kerja
dan penjualan
X=pengalaman kerja (tahun)
Y=omzet penjualan (ribuan)
X
11
10
Penyelesaian
:
X
Y
2
5
3
8
2
8
5
7
6
11
1
3
4
10
1
4
24
56
24
X 3
8
___
X2
4
9
4
25
36
1
16
1
96
___
Y2
25
64
64
49
121
9
100
16
448
XY
10
24
16
35
66
3
40
4
198
56
7
8
Cara 1.
(56)(96) (24)(198)
a
(8)(96) (24) 2
5.376 4.752
a
3,25
768 576
(8)(198) (24)(56)
b
(8)(96) (24) 2
1.584 1.344
b
1,25
768 576
Cara 2.
8 24 a 56
24 96 b 198
8 24
56 24
8 56
A1
A2
A
24 96
198 96
24 198
det A (8)(96) (24 24) 192
det A1 (56)(96) (24)(198) 624
det A2 (8)(198) (56)(24) 240
624
a
3,25
192
240
b
1,25
192
Koefisien Determinasi (R )
2
((n)(XY ) (X )(Y )) 2
R
(n(X 2 ) (X ) 2 (n(Y 2 ) (Y ) 2 )
2
((8)(198) (24)(56)) 2
R
(8(96) (24) 2 (8(448) (56) 2 )
2
(1.584 1.344) 2
R
(768 576) (3.584 3.136)
2
(240) 2
R
(192)(448)
2
57.600
0,6696
86.016
Rumus
S y / x S x. y
(Y Y ' ) 2
Se
n2
atau
S x / y S y. x
( X Y ' ) 2
Se
n2
Keterangan :
Sy/x = Sx/y = Selisih taksir standar
Y = X = nilai variabel sebenarnya
Y = X = nilai variabel yang diperkirakan
n
= jumlah frekuensi
Contoh :
Hubungan antara variabel X dan
variabel
X 1Y 2 3 4 5 6
Penyelesaian
n( XY ) ( X )( Y )
b
n( X 2 ) ( X ) 2
6(75) (21)(24)
b
6(91) (21) 2
54
b
0,5
105
a Y b. X
24
21
a
(0,5)
6
6
Sy/x
(Y Y ' ) 2
n2
Sy/x
5,375
1,2
62
Normalitas
Multikolinieritas
Heterosdastisitas
Autokorelasi
asumsi-asumsi klasik
Jika hasil regresi telah memenuhi
asumsi-asumsi regresi maka nilai
estimasi yang diperoleh akan bersifat
BLUE: (Best,
Linear, Unbiased,
Estimator.)
Gauss-Markov Theorem.
BLUE: (Best, Linear, Unbiased,
Estimator.)
Linear
Linear dalam model artinya model
yang digunakan dalam analisis
regresi telah sesuai dengan kaidah
model OLS dimana variabel-variabel
penduganya hanya berpangkat satu.
Sedangkan linear dalam parameter
menjelaskan bahwa parameter yang
dihasilkan merupakan fungsi linear
dari sampel
Uji Normalitas
Untuk menentukan apakah data
terdistribusi secara normal atau tidak.
Menggunakan plot grafik dimana
asumsi normalitas terpenuhi jika titiktitik pada grafik mendekati sumbu
diagonalnya
Untuk memperkuat pengujian dapat
dipergunakan Uji Kolmogorov-Smirnov
Grafik Uji
Normalitas
Uji
KolmogorovSmirnov
Uji Multikolinieritas
Multikolinieritas: kondisi dimana terjadi
korelasi yang kuat diantara variabelvariabel bebas (X) yang diikutsertakan
dalam pembentukan model regresi linier.
Kondisi yang menyalahi asumsi regresi
linier.
TIDAK MUNGKIN TERJADI apabila variabel
bebas (X) yang diikutsertakan hanya
satu.
Uji Multikolinieritas
Ciri-ciri yang sering ditemui apabila model regresi
linier kita mengalami multikolinieritas adalah:
Terjadi perubahan yang berarti pada koefisien model
regresi (misal nilainya menjadi lebih besar atau kecil)
apabila dilakukan penambahan atau pengeluaran
sebuah variabel bebas dari model regresi.
Diperoleh nilai R-square yang besar, sedangkan
koefisien regresi tidak signifikan pada uji parsial.
Tanda (+ atau -) pada koefisien model regresi
berlawanan dengan yang disebutkan dalam teori (atau
logika). Misal, pada teori (atau logika) seharusnya b1
bertanda (+), namun yang diperoleh justru bertanda (-).
Nilai standard error untuk koefisien regresi menjadi
lebih besar dari yang sebenarnya (overestimated)
Uji Multikolinieritas
Untuk mendeteksi apakah model
regresi mengalami multikolinieritas,
dapat diperiksa menggunakan VIF
(Variance Inflation Factor).
Nilai VIF > 10 berarti telah terjadi
multikolinieritas yang serius di dalam
model regresi kita.
Uji Multikolinieritas
Uji Heteroskedastisitas
situasi dimana keragaman variabel independen
bervariasi pada data yang kita miliki. Salah satu
asumsi kunci pada metode regresi biasa adalah
bahwa error memiliki keragaman yang sama pada
tiap-tiap sampelnya. Asumsi inilah yang disebut
homoskedastisitas.
Jika keragaman residual/error tidak bersifat konstan,
data dapat dikatakan bersifat
heteroskedastisitas. Karena pada metode regresi
ordinary least-squares mengasumsikan keragaman
error yang konstan, heteroskedastisitas
menyebabkan estimasi OLS menjadi tidak efisien.
Model yang memperhitungkan perubahan
keragaman dapat membuat penggunaan dan
estimasi data menjadi lebih efisien.
Uji Heteroskedastisitas
Beberapa asumsi dalam model regresi
yang terkait dengan
heteroskedastisitas antara lain adalah
residual (e) memiliki nilai rata-rata nol,
keragaman yang konstan, dan residual
pada model tidak saling berhubungan,
sehingga estimator bersifat BLUE.
Jika asumsi ini dilanggar maka prediksi
model yang dibuat tidak dapat
diandalkan.
Uji Heteroskedastisitas
Uji Heteroskedastisitas
Uji
Uji
Uji
Uji
dll
Goldfeld-Quandt
Korelasi Spearman
Glejser
Bruesch-Pagan-Godfrey
Uji Autokorelasi
Uji autokorelasi digunakan untuk
melihat apakah ada hubungan linier
antara error serangkaian observasi
yang diurutkan menurut waktu (data
time series).
Uji autokorelasi perlu dilakukan
apabila data yang dianalisis merupakan
data time series (Gujarati, 1993).
Menggunakan Uji Durbin Watson
Uji Autokorelasi
Bertujuan untuk menguji apakah dalam
model regresi linear ada korelasi antara
kesalahan pengganggu pada periode t
dengan kesalahan pengganggu pada
periode t-1 (sebelumnya).
Autokorelasi muncul karena observasi
yang
berurutan
sepanjang
waktu
berkaitan satu sama lainnya. Model regresi
yang baik adalah regresi yang bebas dari
autokorelasi.
Cara Mendeteksi
Uji Durbin-Watson
Pengambilan Keputusan
CONTOH
K=4
N = 100
DW = 2,061
APAKAH TERDAPAT AUTOKORELASI?
NILAI DW DIANTARA DU DAN 4-DU,
SHG TERBEBAS DR AUTOKORELASI
Uji F
Uji F adalah uji simultan untuk
melihat pengaruh variabel-variabel
independen/bebas (x1, x2, x3)
secara serempak terhadap variabel
terikatnya/dependen
Uji t
Uji t adalah uji parsial untuk melihat
pengaruh masing-masing variabel
independen atau bebas (x)
berpengaruh nyata atau tidak secara
parsial terhadap variabel
dependen/terikatnya (Y)