Analisis Regresi Linier

Presentasi berjudul: "Analisis Regresi Linier"— Transcript presentasi:

1 Analisis Regresi Linier
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?

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.

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

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

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

8 Model Regresi Linier

9 Model Regresi Linier

10 Std. Error of the Estimate
Hasil Analisis Koefisien Determinasi yang disesuaikan Model Summary Model R R Square Adjusted R Square Std. Error of the Estimate 1 .665a .442 .380 .16209 a. Predictors: (Constant), UKUR, RISBIS, BIUT, AGEN Koefisien Korelasi Koefisien Determinasi

11 Hasil Analisis Probabilitas terjadinya F-hitung Angka F-hitung ANOVAb
Model Sum of Squares df Mean Square F Sig. 1 Regression .748 4 .187 7.118 .000a Residual .946 36 .026 Total 1.694 40 a. Predictors: (Constant), UKUR, RISBIS, BIUT, AGEN b. Dependent Variable: DEBT Probabilitas terjadinya F-hitung Angka F-hitung

12 Hasil Analisis Coefficientsa Model Unstandardized Coefficients Standardized Coefficients t Sig. B Std. Error Beta 1 (Constant) .166 .049 3.399 .002 BIUT -.050 .010 -.861 -4.769 .000 AGEN .007 .022 .062 .334 .740 RISBIS .043 .267 .020 .159 .874 UKUR .576 3.352 a. Dependent Variable: DEBT DEBTi = 0,166 – 0,05BIUTi + 0,007AGENi + 0,043RISBISi + 0,07UKURi + ei

13 Multikolinieritas VIF > =2, 5, 10 berarti multikolinieritas terjadi
Coefficientsa Model Unstandardized Coefficients Standardized Coefficients T Sig. Collinearity Statistics B Std. Error Beta Tolerance VIF 1 (Constant) .166 .049 3.399 .002 BIUT -.050 .010 -.861 -4.769 .000 .475 2.103 AGEN .007 .022 .062 .334 .740 .449 2.228 RISBIS .043 .267 .020 .159 .874 .974 1.027 UKUR .576 3.352 .525 1.904 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

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

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  Xt – Xt-1 dan Yt – Yt-1

17 Semoga bermanfaat