Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Analisis Regresi Linier Hadi Paramu Fakultas Ekonomi Universitas Jember (disampaikan di STIE Bulungan Tarakan) 23 September 2013 Hadi Paramu Fakultas Ekonomi.

Presentasi serupa


Presentasi berjudul: "Analisis Regresi Linier Hadi Paramu Fakultas Ekonomi Universitas Jember (disampaikan di STIE Bulungan Tarakan) 23 September 2013 Hadi Paramu Fakultas Ekonomi."— Transcript presentasi:

1 Analisis Regresi Linier Hadi Paramu Fakultas Ekonomi Universitas Jember (disampaikan di STIE Bulungan Tarakan) 23 September 2013 Hadi Paramu Fakultas Ekonomi Universitas Jember (disampaikan di STIE Bulungan Tarakan) 23 September 2013

2 Definisi Analisis Regresi Analisis regresi merupakan studi (kajian) tentang dependensi suatu variabel ( variabel dependen ) pada satu atau beberapa variabel lain ( variabel independen ) untuk mengestimasi dan/atau memprediksi mean atau average value dari variabel dependen.

3 Apa Variabel itu? Variable  vary dan able. Variabel  sesuatu yang nilainya dapat bervariasi – Ciri utama variabel adalah variasi (variabilitas) – Tidak bersifat konstan. Apa yang terjadi jika salah satu jenis variabel dalam model regresi tidak bervariasi? Variable  vary dan able. Variabel  sesuatu yang nilainya dapat bervariasi – Ciri utama variabel adalah variasi (variabilitas) – Tidak bersifat konstan. Apa yang terjadi jika salah satu jenis variabel dalam model regresi tidak bervariasi?

4 Type Data Data Time Series: data yang bersifat runtut waktu (time series), seperti data harian, mingguan dst. Data cross-section: data yang dikumpulkan dari unit analisis (responden) pada titik waktu yang sama. Data Pooled (Pooling): data yang bersifat gabungan antara time series dan cross section. Data Time Series: data yang bersifat runtut waktu (time series), seperti data harian, mingguan dst. Data cross-section: data yang dikumpulkan dari unit analisis (responden) pada titik waktu yang sama. Data Pooled (Pooling): data yang bersifat gabungan antara time series dan cross section.

5 Asumsi Metode Ordinary Least Square Linier dalam Parameter dan Variabel Nilai X bersifat tetap untuk repeated sampling Mean dari disturbance (residual) bernilai nol Homoscedasticity atau varians yang sama pada residual. Tidak ada otokorelasi antar residual Linier dalam Parameter dan Variabel Nilai X bersifat tetap untuk repeated sampling Mean dari disturbance (residual) bernilai nol Homoscedasticity atau varians yang sama pada residual. Tidak ada otokorelasi antar residual

6 Asumsi Metode Ordinary Least Square Covariance antara residual dan variabel independen sama dengan nol Jumlah observasi (n) harus lebih banyak dari parameter yang akan diestimasi. Ada variability dari nilai X. Model regresi tidak memiliki specification bias Tidak ada multikolinieritas antar explanatory variable Covariance antara residual dan variabel independen sama dengan nol Jumlah observasi (n) harus lebih banyak dari parameter yang akan diestimasi. Ada variability dari nilai X. Model regresi tidak memiliki specification bias Tidak ada multikolinieritas antar explanatory variable

7 Alur Kerja Analisis Regresi Linier Model Analisis Regresi Linier Otokorelasi Heteroskedastisitas Multikolinieritas Metode OLS  Model Analisis Regresi Linier Data yang akan diolah

8 Model Regresi Linier

9

10 Hasil Analisis Model Summary ModelRR Square Adjusted R Square Std. Error of the Estimate a a. Predictors: (Constant), UKUR, RISBIS, BIUT, AGEN Koefisien Korelasi Koefisien Determinasi Koefisien Determinasi yang disesuaikan

11 Hasil Analisis ANOVA b Model Sum of Squaresdf Mean SquareFSig. 1Regression a Residual Total a. Predictors: (Constant), UKUR, RISBIS, BIUT, AGEN b. Dependent Variable: DEBT Angka F-hitung Probabilitas terjadinya F-hitung Probabilitas terjadinya F-hitung

12 Hasil Analisis Coefficients a Model Unstandardized Coefficients Standardized Coefficients tSig. BStd. ErrorBeta 1(Constant) BIUT AGEN RISBIS UKUR a. Dependent Variable: DEBT DEBT i = 0,166 – 0,05BIUT i + 0,007AGEN i + 0,043RISBIS i + 0,07UKUR i + e i

13 Multikolinieritas Coefficients a Model Unstandardized Coefficients Standardize d Coefficients TSig. Collinearity Statistics BStd. ErrorBetaToleranceVIF 1(Constant) BIUT AGEN RISBIS UKUR a. Dependent Variable: DEBT VIF > =2, 5, 10 berarti multikolinieritas terjadi

14 Multikolinieritas Apa yang harus dilakukan jika multikolinieritas terjadi? – Biarkan saja – Buang variabel yang bersifat multikolinier Apa yang harus dilakukan jika multikolinieritas terjadi? – Biarkan saja – Buang variabel yang bersifat multikolinier

15 Heteroskedastisitas Dapatkan nilai residual untuk setiap observasi Buat auxilliary regression (regresi bantu)  absolut residual sebagai variabel dependen- nya. Jika koefisien pada auxilliary regression bersifat signifikan, heteroskedastisitas terjadi. Untuk mengatasi heteroskedastisitas  metode weighted least square Dapatkan nilai residual untuk setiap observasi Buat auxilliary regression (regresi bantu)  absolut residual sebagai variabel dependen- nya. Jika koefisien pada auxilliary regression bersifat signifikan, heteroskedastisitas terjadi. Untuk mengatasi heteroskedastisitas  metode weighted least square

16 Otokorelasi Uji yang gunakan  Durbin-Watson test Menu  Analyse, Regression, statitic, durbin watson. Setelah angka Durbin-Watson hitung diperoleh  lakukan uji otokorelasi Jika ada otokorelasi, gunakan pendekatan differensial  X t – X t-1 dan Y t – Y t-1 Uji yang gunakan  Durbin-Watson test Menu  Analyse, Regression, statitic, durbin watson. Setelah angka Durbin-Watson hitung diperoleh  lakukan uji otokorelasi Jika ada otokorelasi, gunakan pendekatan differensial  X t – X t-1 dan Y t – Y t-1

17


Download ppt "Analisis Regresi Linier Hadi Paramu Fakultas Ekonomi Universitas Jember (disampaikan di STIE Bulungan Tarakan) 23 September 2013 Hadi Paramu Fakultas Ekonomi."

Presentasi serupa


Iklan oleh Google