Sabtu, 12 Maret 2011
di
05.59
|
0
komentar
A. REGRESI
Regresi linier adalah metode statistika yang digunakan untuk membentuk model hubungan antara variabel terikat (dependen; respon; Y) dengan satu atau lebih variabel bebas (independen, prediktor, X) yang lebih menekankan pengaruh. Apabila banyaknya variabel bebas hanya ada satu, disebut sebagai regresi linier sederhana, sedangkan apabila terdapat lebih dari 1 variabel bebas, disebut sebagai regresi linier berganda. Analisis regresi setidak-tidaknya memiliki 3 kegunaan, yaitu untuk tujuan deskripsi darifenomena data atau kasus yang sedang diteliti, untuk tujuan kontrol, serta untuk tujuan prediksi. Regresi mampu mendeskripsikan fenomena data melalui terbentuknya suatu model hubungan yang bersifatnya numerik. Regresi juga dapat digunakan untuk melakukan pengendalian (kontrol) terhadap suatu kasus atau hal-hal yang sedang diamati melalui penggunaan model regresi yang diperoleh. Selain itu, model regresi juga dapat dimanfaatkan untuk melakukan prediksi untuk variabel terikat.
Data untuk variabel independen X pada regresi linier bisa merupakan data pengamatan yang tidak ditetapkan sebelumnya oleh peneliti (obsevational data) maupun data yang telah ditetapkan (dikontrol) oleh peneliti sebelumnya (experimental or fixed data). Perbedaannya adalah bahwa dengan menggunakan fixed data, informasi yang diperoleh lebih kuat dalam menjelaskan hubungan sebab akibat antara variabel X dan variabel Y. Sedangkan, pada observational data, informasi yang diperoleh belum tentu merupakan hubungan sebab-akibat. Untuk fixed data, peneliti sebelumnya telah memiliki beberapa nilai variabel X yang ingin diteliti. Sedangkan, pada observational data, variabel X yang diamati bisa berapa saja, tergantung keadaan di lapangan. Biasanya, fixed data diperoleh dari percobaan laboratorium, dan observational data diperoleh
dengan menggunakan kuesioner.
Persamaan regresi : Y = a + b1X2 + b2X2 + .... + bnXn + e
Y =variabel dependen (terikat)
X = variabel independen (bebas)
a = Konstanta
b =koefisien regresi
e = error , maksudnya segala sesuatu yang mempengaruhi variabel terikat Y yang tidak diamati peneliti
Sebelum melakukan analisis regresi linear, kita terlebih dahulu menguji apakah data yang kita gunakan dalam penelitian layak untuk digunakan dalam penelitian atau tidak. Pada data yang bersifat skala seperti data-data keuangan uji kelayakannya menggunakan asumsi klasik yakni uji normalitas, multikolinearitas, heterokedastisitas, dan autokorelasi. Sedangkan data yang berupa kuesioner uji kelayakannya menggunakan uji validitas dan reliabilitas. Apabila data telah memenuhi uji kelayakan barulah data dapat dianalisis menggunakan analisis regresi.
B. UJI ASUMSI KLASIK
Pada dasarnya pengujian regresi linear berganda dapat dikatakan baik bila telah memenuhi kriteria BLUE (Best Linear Unbiased Estimator). BLUE dapat tercapai apabila telah memenuhi uji normalitas, multikolinearitas, heterokedastisitas, dan autokorelasi. Jika terdapat heteroskedastisitas, maka varian tidak konstan sehingga dapat menyebabkan biasnya standar error. Jika terdapat multikolinearitas, maka akan sulit untuk mengisolasi pengaruh-pengaruh individual dari variabel, sehingga tingkat signifikansi koefisien regresi menjadi rendah. Dengan adanya autokorelasi mengakibatkan penaksir masih tetap bias dan masih tetap konsisten hanya saja menjadi tidak efisien. Oleh karena itu, uji asumsi klasik perlu dilakukan. Parameter regresi diduga melalui perhitungan yang disebut ordinary least square (OLS) yang mana kesalahan penduganya adalah yang terkecil atau yang terbaik asal memenuhi keempat asumsi diatas.
1. Uji normalitas
Pada dasarnya untuk melakukan uji normalitas data dapat menggunakan analisis grafik, histogram, maupun analisis statistik.
· Pada analisis grafik normal plot, bila grafik normal plot menunjukan data menyebar di sekitar garis diagonal dan mengikuti arah garis diagonal maka dapat disimpulkan bahwa model regresi linear berganda memenuhi asumsi normalitas. Akan tetapi dengan hanya melihat gambar saja yakni melalui grafik histogram dan normal plot untuk menetukan normal atau tidaknya data, sangatlah bersifat fatal.
· uji statistik, apakah data berdistribusi normal atau tidak yakni salah satunya menggunakan uji skewness dan kurtosis. Yang diuji adalah unstandardized residual dari penelitian.
Melalui perhitungan nilai Zskewness dan Zkurtosis diatas, Apabila nilai Zskewness dan Zkurtosis ini berada diantara -2 sampai +2, maka data dapat dikatakan berdistribusi normal.
Pengujian dengan SPSS dilakukan dengan menu Analyze, lalu klik Descriptive Statistics, pilih menu Descriptives. Data yang akan diuji normalitasnya (unstandardized residual hasil regresi) dipindah dari kotak kiri ke kanan, lalu tekan Options. Klik pada Distribution yaitu Skewness dan Kurtosis, tekan Continue, lalu tekan OK
· Uji statistik lainnya dengan menggunakan tes KolmogorovSmirnov (disebut juga uji Lilliefors). Yang diuji adalah unstandardize residual dari penelitian, apabila nilai significant 2 tailed > 0,05 maka data dikatakan berdistribusi normal. apabila nilai significant 2 tailed < 0,05 maka data dikatakan tidak berdistribusi normal.
Pengujian dengan SPSS dilakukan dengan nonparametric tests, lalu pilih 1-sample K-S, masukkan data dari kotak kiri ke kanan, test distribution pilih normal, lalu ok.
pada dasarnya tidak semua data penelitian bedistribusi normal. Apabila tidak berdistribusi normal dapat dinormalkan dengan 3 cara :
1. menambah data penelitian.
2. melakukan transformasi data, yakni mengubah data kedalam bentuk log natural (Ln). Kelemahan dari transformasi data tidak dapat digunakan bagi data yang bernilai negatif.
3. melakukan uji outlier, membuang data yang bersifat ekstrim. Umumnya outlier yang digunakan adalah ±3, ±2,58, dan ±1,96.
2. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah dalam model regresi ditemukan adanya korelasi antar variabel bebas (independen). Dalam model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel bebas. Uji Multikolinearitas dilakukan dengan melihat nilai tolerance dan variance inflation factor (VIF) dari hasil analisis dengan menggunakan SPSS. Apabila nilai (VIF) > 10 maka mengalami masalah multikolinearitas. Apabila VIF < 10 maka dapat disimpulkan tidak terjadi multikolinearitas.
Apabila data mengalami masalah multikolinearitas, dapat diatasi dengan beberapa cara:
1. Mengganti atau mengeluarkan variabel yang mempunyai korelasi yang tinggi.
2. Menambah jumlah observasi.
3. Mentransformasikan data ke dalam bentuk lain, misalnya logaritma natural, akar kuadrat atau bentuk first difference delta.
3.Uji Heterokedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi ketidaksamaan varians dan residual satu pengamatan ke pengamatan yang lain. jika varians dari residual satu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas dan jika berbeda disebut heteroskedastisitas. Model regresi yang baik adalah yang homoskedastisitas atau tidak terjadi heteroskedastisitas.
Cara untuk mendeteksi ada tidaknya heteroskedastisitas adalah dengan melihat grafik Plot antara nilai prediksi variabel terikat (ZPRED) dengan residualnya (SRESID). Jika ada pola tertentu, seperti titik-titik yang ada membentuk pola tertentu yang teratur (bergelombang, melebar kemudian menyempit), maka mengindikasikan telah terjadi heteroskedastisitas, jika tidak ada pola yang jelas, serta titik-titik menyebar diatas dan dibawah angka nol pada sumbu Y maka tidak terjadi heteroskedastisitas.
4.Uji autokorelasi
Uji Autokorelasi bertujuan menguji apakah dalam suatu model regresi linear ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1 (sebelumnya). Jika terjadi korelasi maka dinamakan ada problem autokorelasi. Model regresi yang baik adalah regresi yang bebas dari autokorelasi Uji autokorelasi dilakukan dengan menggunakan uji Durbin-Watson (D-W).kriteria pengambilan keputusannya adalah :
· Jika 0 < d < dL, berarti ada autokorelasi positif
· Jika 4 – dL < d < 4, berarti ada autokorelasi negatif
· Jika 2 < d < 4 – dU atau dU < d < 2, berarti tidak ada autokorelasi positif atau negatif
· Jika dL ≤ d ≤ dU atau 4 – dU ≤ d ≤ 4 – dL, pengujian tidak meyakinkan. Untuk itu dapat digunakan uji lain atau menambah data.
· Beberapa juga ada yang menggunakan kriteria -2 sampai dengan 2 untuk menunjukkan tidak tidak adanya autokorelasi
C. UJI VALIDITAS DAN RELIABILITAS
1. UJI VALIDITAS
Untuk mengetahui kevaliditan item pertanyaan yang digunakan dalam penelitian, maka digunakan uji validitas. Valid berarti instrumen tersebut dapat digunakan untuk mengukur apa yang seharusnya diukur. Validitas dapat dilihat dari nilai koefisien korelasi (corrected item total correlation) > 0,3, sebaliknya apabila nilai koefisien korelasi (corrected item total correlation) < 0,3 maka dikatakan tidak valid. Uji validitas hendaknya dilakukan serentak dengan uji reliabilitasnya. Yang diukur dalam uji validitas adalah validitas dari setiap item dari variabel. Contoh :
Variabel | No. Item | Corrected Item Total Correlation | Keterangan |
X1 | 1 | 0,532 | VALID |
2 | 0,754 | VALID | |
3 | 0,731 | VALID | |
4 | 0,233 | TIDAK VALID | |
X2 | 1 | 0,588 | VALID |
2 | 0,143 | TIDAK VALID | |
3 | 0,811 | VALID | |
X3 | 1 | 0,879 | VALID |
2 | 0,841 | VALID | |
3 | 0,800 | VALID | |
Y | 1 | 0,554 | VALID |
2 | 0,882 | VALID | |
3 | 0,234 | TIDAK VALID | |
4 | 0,871 | VALID |
Apabila ada data yang tidak valid maka dikeluarkan/tidak digunakan dari data penelitian ini. Kemudian dilakukan uji validitas kembali.
2. UJI RELIABILITAS
Uji reliabilitas digunakan untuk menguji apakah terdapat kesamaan data pada waktu yang berbeda. Reliabilitas diukur dengan koefisien alpha cronbach’s. Dikatakan reliabel apabila nilai koefisien alpha cronbach’s > 0,6. Apabila nilai koefisien alpha cronbach’s < 0,6 maka dapat dikatakan tidak realibel. Yang dukur dalam uji reliabilitas adalah reliabilitas per variabel.
Untuk uji validitas dan reliabilitas dengan menggunakan SPSS:
Analyze – scale – reliabilty analysis – masukkan item datanya – klik statistics – pada desriptive for ceklist item, scale, dan scale if item deleted – continue – ok.
Akan terlihat hasil seperti dibawah ini :
Variabel | Alpha Cronbach’s | Keterangan |
X1 | 0,900 | RELIABEL |
X2 | 0,813 | RELIABEL |
X3 | 0,788 | RELIABEL |
y | 0,913 | RELIABEL |
Semoga bisa membantu yah J
ANALISIS REGRESI LINEAR BERGANDA
Diposting oleh
manse
