PENGGUNAAN SPSS UNTUK REGRESI LINEAR BERGANDA

PENGGUNAAN SPSS UNTUK REGRESI LINEAR BERGANDA

Misalkan kita akan menggunakan RLB untuk melihat pengaruh variabel x1 dan x2 terhadap y. Berikut adalah data yang digunakan.

y	x1	x2
64	4	2
73	4	4
61	4	2
76	4	4
72	6	2
80	6	4
71	6	2
83	6	4
83	8	2
89	8	4
86	8	2
93	8	4
88	10	2
95	10	4
94	10	2
100	10	4

Langkah-langkahnya adalah:

 1. Input data ke SPSS

2.Selanjutnya beri nama setiap variabel:

3. Kembali ke tab data view

 Klik Analyze → Regression →Linier

4. Masukkan y di kolom independent, serta x1 dan x2 di kolom dependent

5. Pada tab Statistics, centang option seperti di gambar berikut, kemudian klik Continue

6. Pada tab Plots, masukkan variabel seperti di gambar berikut, plot ini akan digunakan untuk melakukan uji terhadap asumsi homoskedastisitas, kemudian klik Continue 

7. Pada tab Save, pada bagian Residuals, centang Unstandarized. Nilai ini nantinya akan digunakan untuk pengujian asumsi normalitas, kemudian Continue

8. Setelah kembali ke halaman dialog awal, klik OK, dan di halaman output akan muncul hasilnya. Kita akan membahas satu per satu tabel yang muncul di bagian output.

Tabel ini menyajikan statistik deskriptif yang berupa rata-rata dan standar deviasi setiap variabel.

Interpretasi:

R-squared dan adjusted R-square: item ini merupakan indicator seberapa besar variabel-variabel bebas mampu menjelaskan perubahan yang terjadi pada variabel tak bebas. Jika RLS, maka yang dibaca adalah R-squared, jika RLB. Maka yang dibaca adalah Adjusted R-Squared. Kenapa begitu? Karena nilai R-square terpengaruh oleh banyaknya jumlah variabel bebas. Semakin besar jumlah variabel bebas, maka nilai R-square akan semakin besar sehingga untuk mendapatkan nilai sebenarnya, maka dibuatlah suatu faktor koreksi. Adanya faktor koreksi akan meminimalisir pengaruh penambahan variabel sehingga dapat dilihat angka murninya.

Tabel ini dilakukan untuk menguji model secara simultan atau bersama-sama. Uji yang dilakukan disebut simultan test (F-Test) yang bertujuan untuk melihat apakah secara bersama-sama variabel bebas berpengaruh terhadap variabel terikat atau tidak. Penulisan pengujian secara statistik adalah sebagai berikut:

Hipotesis:

H0: β₀=β₁=β₂ =β₃  =β₄ = 0

H₁ : minimal ada satu β_i yang tidak nol

Tingkat signifikansi: a= 5%

Statistik uji: F-Test

Wilayah kritik: Tolak H0 bila nilai signifikansi lebih besar dari a atau nilai F-uji> F(0.05,2,13) (dapat dipergunakan salah satunya)

Statistik observasi: (lihat output)

Nilai signifikansi= 0.000, maka tolak H0. Atau kita dapat membandingkan nilai F pada tabel hasil dengan nilai F pada tabel F standar.

Keputusan: Tolak H0

 Kesimpulan: Dengan tingkat kepercayaan 95 persen dapat disimpulkan bahwa secara bersama-sama variabel bebas berpengaruh signifikan terhadap variabel tidak bebas.

Selanjutnya, tabel ini merupakan tabel analisis paling penting. Dengan tabel ini kita bisa melihat model yang dihasilkan dari variabel-variabel kita dan bagaimana pengaruhnya terhadap variabel tak bebas.

Sebelum membaca pengaruh setiap variabel, kita pastikan dulu apakah variabel tersebut berpengaruh signifikan terhadap y atau tidak. Untuk melihat hal itu, bisa kita lihat dari nilai t dan signifikansi setiap variabel. Untuk nilai t, kita bisa mengatakan signifikan apabila nilai |t|>t tabel standar. Jika menggunakan nilai signifikansi, maka kita bisa mengatakan variabel tersebut signifikan bila nilai sig < a (dalam kasus ini nilai a=5%). Pada tabel dapat kita lihat bahwa kedua variabel bebas berpengaruh signifikan terhadap variabel tak bebas. Pembacaannya adalah sebagai berikut:

-          Setiap kenaikan 1 satuan variabel x1 maka akan menaikkan nilai variabel y sebesar 4,425 satuan dengan asumsi variabel lain bernilai tetap

-          Setiap kenaikan 1 satuan variabel x2 maka akan menaikkan nilai variabel y sebesar 4,375 satuan dengan asumsi variabel lain bernilai tetap

 

Selanjutnya, setelah pembacaan model, maka kita akan melakukan uji asumsi klasik untuk memastikan bahwa model yang kita miliki bisa digunakan untuk mengestimasi.

a. Normalitas

Kali ini kita akan menggunakan uji Kolmogorov Smirnov. Langkah pengujian di SPSS adalah sebagai berikut:

 1. Pada tahap sebelumnya, kita sudah menyimpan nilai residual. Nilai ini yang akan kita pakai untuk melakukan uji kolmogorov smirnov. Klik Analyze → Nonparametric Tests→1-Sample K-S

 

2. Masukkan Unstandarized Residual ke Test Variable List, kemudian klik OK

3. Kemudian akan keluar hasil sebagai berikut:

Error dikatakan berdistribusi normal apabila nilai Asymp. Sig. (2-tailed) bernilai lebih besar dari nilai a (berkebalikan dengan uji F dan uji T). Dari tabel tersebut dapat dilihat bahwa error data berdistribusi normal sehingga asumsi normalitas terpenuhi.

 b. Homoskedastisitas

 Secara subjektif, dapat kita lihat bahwa sebaran error berada menyebar dan di sekitar nol. Sehingga secara subjektif, kita dapat mengatakan bahwa asumsi homoskedastisitas terpenuhi. Namun, jika kita menginginkan hasil secara objektif, kita dapat mempergunakan pengujian statistik.
  c. Non Multikolinieritas
  Pengujian untuk asumsi non multikolinieritas dapat dilakukan dengan melihat nilai VIF. Pada output ini nilai VIF ada di tabel coefficients.

Standar nilai VIF agar dikategorikan bebas dari multikolinieritas cukup beragam. Namun 2 nilai standar yang sering dipakai sebagai batasan adalah 5 atau 10. Dapat dilihat bahwa VIF pada kasus ini adalah 1.000 untuk kedua variabel sehingga standar mana pun yang dipakai, model telah memenuhi asumsi non multikolinieritas.

 d. Non Autokorelasi

Kasus ini menggunakan data cross section, sehingga pengujian autokorelasi tidak dilakukan. Namun, apabila seandainya data ini merupakan data time series, maka pengujian autokorelasi diperlukan. Indikator autokorelasi dapat dilihat pada nilai Durbin Watson yang ada pada tabel Model Summary.

Nilai ini akan dibandingkan dengan tabel Durbin Watson. Secara umum, model akan bebas autokorelasi apabila nilai Durbin Watson mendekati nilai 2.