a. Dari menu utama SPSS pilih menuAnalyze, lalu pilihNonparametrik Tests.
b. Kemudian pilih submenu 1-Sample K-S, di layar akan tampak tampilan windwos
c. Pada kotak test variable list, isikan unstandardized residual (RES_1), dan aktifkan
test Distribution pada kotakNormal.
d. PilihOK.
e. Output SPSS sebagai berikut.
One-Sample Kolmogorov-Smirnov Test
23 ,0000000 1,76673414 ,163 ,163 -,097 ,780 ,577 N Mean Std. Deviation Normal Parametersa,b
Absolute Positive Negative Most Extreme Differences Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed)
Unstandardiz ed Residual
Test distribution is Normal. a.
Calculated from data. b.
Besarnya nilai Kolmogorov-Smirnov adalah 0,780 dan signifikan sebesar 0,577
lebih besar dari α = 0,05. Hal ini berarti Ho diterima yang berarti data residual berdistribusi
Uji multikolinieritas bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel bebas (independen). Model regresi yang baik seharusnya tidak terjadi korelasi di antara variabel independen. Untuk mendeteksi ada atau tidaknya multikolinieritas di dalam model regresi sebagai berikut :
a. Nilai R2yang dihasilkan oleh suatu estimasi model regresi empiris sangat tinggi, tetapi secara individual variabel independen banyak yang tidak signifikan mempengaruhi variabel dependen.
b. Menganalisis matrik korelasi variabel-variabel independen. Jika antar variabel independen ada korelasi yang cukup tinggi (umumnya > 0,70) maka hal ini merupakan indikasi adanya multikolinieritas.
c. Melihat nilai tolerance dan variance inflation factor (VIF). Kedua ukuran ini menunjukkan setiap variabel independen manakah yang dijelaskan oleh variabel independen lainnya. Tolerance mengukur variabilitas variabel independen yang terpilih yang tidak dijelaskan oleh variabel independen lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF yang tinggi (karena VIF = 1/Tolerance). Jika nilai tolerance < 0,10 atau sama dengan nilai VIF > 10 menunjukkan adanya gejala multikolinieritas.
Berikut ini disajikan cara mendeteksi gejala multikolinieritas dengan menganalisis matrik korelasi antar variabel independen dan perhitungan nilai tolerance dan VIF.
Langkah Analisis :
a. Buka file dataAsumsi Klasik.sav
b. Dari menu utama SPSS, pilih menu Analyze, kemudian submenu Regression, lalu pilihLinear.
c. Tampak di layar windows Linear Regression. d. Pada kotakDependentisikan variabel Y.
e. Pada kotakIndependentisikan variabel X1, X2, X3, dan X4. f. Pada kotakmethod, pilihEntar.
g. Untuk menampilkan matrik korelasi dan nilai Tolerance dan VIF, pilih Statistics di layar akan muncul tampilan windows Linear Regression Statistics.
i. Tekan tombolContinue,abaikan yang lain dan tekanOK.
j. Tampilan output SPSS sebagai berikut.
Model Summary ,971a ,943 ,930 1,9532 Model 1 R R Square Adjusted R Square Std. Error of the Estimate Predictors: (Constant), X4, X2, X3, X1 a. ANOVAb 1127,259 4 281,815 73,871 ,000a 68,670 18 3,815 1195,929 22 Regression Residual Total Model 1 Sum of
Squares df Mean Square F Sig.
Predictors: (Constant), X4, X2, X3, X1 a. Dependent Variable: Y b. Coefficientsa 37,232 3,718 10,015 ,000 ,005 ,005 ,420 1,024 ,319 ,019 52,701 -,611 ,163 -,922 -3,753 ,001 ,053 18,901 ,198 ,064 ,948 3,114 ,006 ,034 29,051 ,070 ,051 ,485 1,363 ,190 ,025 39,761 (Constant) X1 X2 X3 X4 Model 1 B Std. Error Unstandardized Coefficients Beta Standardized Coefficients
t Sig. Tolerance VIF
Collinearity Statistics
Dependent Variable: Y a.
Coefficient Correlations 1,000 -,316 ,280 -,879 -,316 1,000 -,767 ,257 ,280 -,767 1,000 -,523 -,879 ,257 -,523 1,000 ,003 -,003 ,001 ,000 -,003 ,027 -,008 ,000 ,001 -,008 ,004 ,000 ,000 ,000 ,000 2,39E-005 X4 X2 X3 X1 X4 X2 X3 X1 Correlations Covariances Model 1 X4 X2 X3 X1 Dependent Variable: Y a. Collinearity Diagnosticsa 4,830 1,000 ,00 ,00 ,00 ,00 ,00 ,156 5,567 ,04 ,01 ,00 ,00 ,00 ,010 22,239 ,12 ,03 ,03 ,23 ,08 ,003 43,117 ,75 ,45 ,23 ,06 ,45 ,001 57,961 ,09 ,50 ,74 ,72 ,47 Dimension 1 2 3 4 5 Model 1 Eigenvalue Condition Index (Constant) X1 X2 X3 X4 Variance Proportions Dependent Variable: Y a.
Berdasarkan hasil output SPSS menunjukkan bahwa tidak ada variabel independen yang memiliki nilai Tolerance kurang dari 0,10 yang berarti tidak ada korelasi antar variabel independen yang nilainya lebih dari 95%. Hasil perhitungan nilai Variance Inflation Factor (VIF) juga menunjukkan hal yang sama tidak ada satu variabel independen yang memiliki nilai VIF lebih besar dari 10. Jadi dapat disimpulkan bahwa ada gejala multikolinieritas antar variabel independen dalam model regresi.
Melihat hasil besaran korelasi antar variabel independen tampak bahwa variabel X1 mempunyai korelasi sangat tinggi dengan variabel X4 sebesar -0,879, demikian juga antara variabel X2 dengan X3 dengan korelasi -0,767 dimana kedua nilai korelasi ini lebih besar dari 0,70. Jadi dapat disimpulkan bahwa terdapat gejala multikolinieritas yang serius antar variabel independen dalam model regresi.
4. AUTOKORELASI
Uji autokorelasi bertujuan untuk menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pengganggu pada periode t-1 (sebelumnya). Jika terjadi korelasi, maka dinamakan terdapat problem autokorelasi. Autokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lainnya. Masalah ini timbul karena residual (kesalahan pengganggu) tidak bebas dari satu observasi ke observasi lainnya. Hal ini sering ditemukan pada data runtut waktu (time series) karena “gangguan” pada seseorang individu/kelompok cenderung mempengaruhi “gangguan” pada individu/kelompok yang sama pada periode berikutnya.
Pada data cross section (silang waktu), masalah autokorelasi relatif jarang terjadi karena “gangguan” pada observasi yang berbeda berasal dari individu/kelompok yang berbeda. Model regresi yang baik adalah regresi yang bebas dari autokorelasi.
Ada beberapa cara yang dapat digunakan untuk mendeteksi ada atau tidaknya autokorelasi. Pertama, Uji Durbin-Watson (DW Test). Uji ini hanya digunakan untuk autokorelasi tingkat satu (first order autocorrelation) dan mensyaratkan adanyaintercept
(konstanta) dalam model regresi dan tidak ada variabel lag di antara variabel penjelas (independen).
Hipotesis yang diuji adalah:
Ho : p = 0 (tidak ada autokorelasi positif atau negatif) H1 : p≠0 (ada autokorelasi positif atau negatif)
a. Buka file dataAsumsi Klasik.sav
b. Dari menu utama SPSS, pilih menu Analyze, kemudian submenu Regression, lalu pilihLinear.
c. Tampak di layarwindows Linear Regression. d. Pada kotakDependentisikan variabel Y.
e. Pada kotakIndependentisikan variabel X1, X2, X3, dan X4.
f. Untuk menampilkan nilai Durbin-Watson, pilih Statistics di layar akan muncul tampilan windows Linear Regression Statistics.
g. Aktifkan/centang pilihanDurbin-Watson.
h. Tekan tombolContinue,abaikan yang lain dan tekanOK.
i. Tampilan output SPSS sebagai berikut,sebagian hasilnya dihilangkan.
Model Summaryb ,971a ,943 ,930 1,9532 1,065 Model 1 R R Square Adjusted R Square Std. Error of the Estimate Durbin-Watson Predictors: (Constant), X4, X2, X3, X1 a. Dependent Variable: Y b.
Nilai Durbin-Watson sebesar 1,065 dan nilai ini akan dibandingkan dengan nilai DW tabel. Langkah selanjutnya adalah menetapkan nilai dl dan du, dengan cara menggunakan α=5%, sampel (n) yang kita miliki sebanyak 23 observasi, dan variabel independen sebanyak 4, maka didapatkan nilai dl = 1,078 dan du = 1,660. Jadi nilai DW lebih kecil dari nilai dl (1,065 < 1,078) sehingga dapat disimpulkan bahwa model ini memiliki gejala autokorelasi positif.
5. HETEROSKEDASTISITAS
Uji heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika variance 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. Kebanyakan data
cross section mengandung situasi heteroskedastisitas karena data ini menghimpun data yang mewakili berbagai ukuran (kecil, sedang dan besar).
Banyak metoda statistik yang dapat digunakan untuk menentukan apakah suatu model regresi terbebas dari masalah heteroskedastisitas atau tidak, seperti Uji White, Uji Park, Uji Glejser, dan lain-lain. Modul ini akan memperkenalkan salah satu uji heteroskedastisitas yang mudah dan dapat diaplikasikan dengan SPSS, yaitu Uji Glejser.
Uji Glejser dilakukan dengan cara meregresikan nilai absolut residual terhadap variabel independen, dengan persamaan regresi sebagai berikut:
| ei | = bo + bi Xi +v
Dimana :
| ei | = nilai absolut dari residual yang dihasilkan oleh regresi model Xi = Variabel independen
Jika variabel independen secara statistik signifikan mempengaruhi variabel dependen (residual) maka ada indikasi dalam model terjadi masalah heteroskedastisitas.
Langkah Uji Glejser dengan SPSS
a. Buka file dataAsumsi Klasik.savb. Lakukan regresi dari menu utama SPSS, pilih menu Analyze, kemudian submenu
Regression, lalu pilihLinear.
c. Tampak di layarwindows Linear Regression. d. Pada kotakDependentisikan variabel Y.
e. Pada kotakIndependentisikan variabel X1, X2, X3, dan X4.
f. Dapatkan variabel residual (ei), pilih tombol Save pada tampilan windows Linear Regression Statistics.
h. Tekan tombolContinue,abaikan yang lain dan tekanOK.
i. Hasilnya, kita memiliki variabel baruUnstandardized Residual(RES_1).
j. Selanjutnya absolutkan nilai residual (RES_1) dengan menu Transformdan
Compute variable.
k. Pada kotak Target Variable ketik Abresid, pada kotak Function group pilih All
dan di bawahnya akan muncul beberapa pilihan fungsi, pilihlah Abs. Kemudian klik pada tombol tanda panah arah ke atas, dan masukkan variabel Unstandardized Residual (RES_1) ke dalam kotak Numeric Expression dengan klik tombol tanda panah arah ke kanandan tampilannya seperti berikut.
m. Lakukan regresi dari menu utama SPSS, pilih menu Analyze, kemudian submenu
Regression, lalu pilihLinear.
n. Regresikan variabel absolut residual (Abresid) dengan semua variabel independen. o. Pada kotakDependentisikan variabelAbresid.
p. Pada kotak Independent isikan variabel X1, X2, X3, dan X4, di layar tampak tampilan berikut.
q. Tekan tombolOK, dan hasil output SPSS seperti berikut.
Coefficientsa -1,507 1,590 -,948 ,356 -,002 ,002 -1,097 -,737 ,471 ,068 ,070 ,866 ,971 ,344 -,001 ,027 -,060 -,055 ,957 ,012 ,022 ,713 ,552 ,588 (Constant) X1 X2 X3 X4 Model 1 B Std. Error Unstandardized Coefficients Beta Standardized Coefficients t Sig.
Dependent Variable: Abresid a.
Jika variabel independen secara statistik signifikan mempengaruhi variabel dependen (residual) maka ada indikasi dalam model terjadi masalah heteroskedastisitas. Hasil tampilan output SPSS dengan jelas menunjukkan bahwa tidak ada satupun variabel independen yang signifikan secara statistik mempengaruhi variabel dependen nilai absolut residual (Abresid). Hal ini terlihat dari probabilitas signifikansi tiap-tiap variabel independen yang semuanya lebih besar dari α = 0,05; sehingga dapat disimpulkan bahwa model regresi ini tidak mengandung adanya masalah heteroskedastisitas atau bersifat
Variabel di dalam analisis regresi bisa debedakan menjadi dua yaitu variabel kuantitatif dan variabel kualitatif. Model regresi pada bagian ini memfokuskan pada regresi dengan variabel independen kualitatif. Harga, volume produksi, volume penjualan, biaya promosi adalah beberapa contoh variabel yang datanya bersifat kuantitatif. Namun, bila kita membicarakan masalah jenis kelamin, tingkat pendidikan, status perkawinan, krisis ekonomi maupun kenaikan harga BBM berarti kita membicarakan variabel bersifat kualitatif.
Variabel-variabel kualitatif tersebut sangat mempengaruhi perilaku agen-agen ekonomi. Variabel kualitatif ini bisa terjadi pada dara cross section maupun data time series. Misalnya dalam data cross section kita bisa memasukkan jenis kelamin di dalam regresi dalam mempengaruhi volume penjualan handphone. Begitu pula data kualitatif seperti kenaikan harga BBM bisa kita masukkan di dalam regresi dalam mempengaruhi volume penjualan dalam datatime series.
Contoh :
Menganalisis apakah masa kerja, tingkat pendidikan karyawan, dan jenis kelamin mempengaruhi gaji karyawan. Pendidikan dikategorikan menjadi dua yaitu Diploma dan Sarjana. Menggunakan data hipotetis sebanyak 20 karyawan suatu perusahaan.
Yi = βo + β1 Xi + β2 D1 + β3 D2 + ei Dimana :
Yi = gaji karyawan
Xi = masa kerja karyawan (tahun)
D1 = 1 jika sarjana dan 0 jika tidak (diploma) D2 = 1 jika pria dan 0 bila wanita
Data 20 Karyawan di Perusahaan PT Maju Mundur
Gaji (juta) Masa_kerja Pendidikan Kelamin
2,700 11 0 0
3,400 3 1 1
3,900 18 0 1
4,800 9 1 1 2,200 3 0 1 6,400 15 1 1 6,230 17 1 0 4,200 20 0 1 2,065 2 0 0 3,510 4 1 0 2,500 5 0 1 2,800 8 0 1 2,975 14 0 0 5,890 15 1 0 3,105 15 0 0 3,200 2 1 1 3,365 19 0 0 3,850 5 1 0 6,910 20 1 0
Langkah-langkah Analisis Regresi
a. Buka lembar kerja baru, dengan meng-klik menu File lalu pilih New kemudian klik Dataakan muncul tampilan layar Data Editor.
b. Klik Variable View kemudian isi nama variabelnya, ketik Gaji lalu tekan ENTER, ketikMasa_keja lalu tekan ENTER, ketik Pendidikan lalu tekan ENTER, dan ketik
Kelaminlalu tekan ENTER.
c. Selanjutnya klik Data View dan masukkan data contoh di atas pada kolom variabel masing-masing data.
d. Simpan data Anda dengan cara meng-klik menu Filelalu pilihSave Asdan tulis nama filenya, misalnyadummy.
e. Lakukan analisis regresi linier berganda dengan cara, klik menu Analyze ===> pilih submenu Regression===> lalu klik Linear.
f. Masukkan variabel G a j i pada kotak sebelah kiri ke kotak Dependent, dan variabel Masa_kerja, Pendidikan, Kelamin ke kotak Independent(s) dengan mengklik tomboltanda panah, hasilnya seperti tampak pada tampilan berikut.
g. Kemudian klikOK, hasil output SPSS seperti pada tampilan berikut. Model Summary ,958a ,917 ,901 ,45176 Model 1 R R Square Adjusted R Square Std. Error of the Estimate Predictors: (Constant), Kelamin, Pendidikan, Masa_ kerja
a.
Nilai koefisien determinasi sebesar 0,917 artinya hasil regresi menunjukkan bahwa variasi masa kerja, tingkat pendidikan karyawan dan jenis kelamin mampu menjelaskan variasi gaji karyawan sebesar 91,7% dan sisanya sebesar 9,3% dijelaskan oleh faktor lain di luar model. ANOVAb 36,101 3 12,034 58,964 ,000a 3,265 16 ,204 39,367 19 Regression Residual Total Model 1 Sum of
Squares df Mean Square F Sig.
Predictors: (Constant), Kelamin, Pendidikan, Masa_kerja a.
Dependent Variable: Gaji b.
Nilai F-hitung sebesar 58,964 dan nilai F-tabel pada α=5% dengan df (3,16) sebesar 3,24 (cari dalam tabel F). Nilai F-hitung lebih besar dari nilai F-tabel sehingga kita menolak Ho. Bisa juga melihat nilai signifikansi sebesar 0,000 < α = 0,05 maka Ho ditolak (H1 diterima). Hasil regresi ini mengindikasikan bahwa secara serentak variabel masa kerja, tingkat pendidikan karyawan dan jenis kelamin secara nyata mempengaruhi gaji karyawan.
Coefficientsa 1,067 ,280 3,815 ,002 ,156 ,016 ,703 9,448 ,000 2,183 ,207 ,774 10,560 ,000 ,228 ,208 ,081 1,096 ,289 (Constant) Masa_kerja Pendidikan Kelamin Model 1 B Std. Error Unstandardized Coefficients Beta Standardized Coefficients t Sig.
Dependent Variable: Gaji a.
Uji signifikansi variabel independen terhadap variabel dependen menunjukkan bahwa nilai t-hitung variabel masa kerja sebesar 9,448; variabel dummy tingkat pendidikan sebesar 10,560; dan variabel dummy jenis kelamin sebesar 1,096. Sementara itu, nilai t-tabel uji dua sisi pada α=5% dengan df =16 sebesar 2,120 (cari dalam t-tabel t). Dengan demikian variabel masa kerja dan dummy tingkat pendidikan signifikan pada α=5% (nilai t-hitung > nilai t-tabel), sedangkan variabel dummy jenis kelamin tidak berpengaruh nyata. Bisa juga membandingkan nilai Sig. (probabilitas atau p-value) jika lebih kecil dari alpha maka Ho ditolak, artinya variabel tersebut berpengaruh nyata terhadap variabel dependen.
Hasil regresi mengindikasikan bahwa variabel kualitatif tingkat pendidikan karyawan berpengaruh nyata terhadap gaji karyawan. Koefisien regresi variabel dummy tingkat pendidikan sebesar 2,183 dapat diartikan gaji karyawan berpendidikan sarjana lebih besar 2,183 juta dibandingkan dengan gaji karyawan berpendidikan tidak sarjana dengan asumsi variabel lain tetap. Variabel dummy jenis kelamin tidak signifikan maka dapat diartikan tidak ada perbedaan gaji antara karyawan pria dan wanita dengan asumsi variabel lain tetap. Koefisien regresi variabel dummy jenis kelamin 0,228 artinya gaji karyawan pria lebih tinggi 0,228 juta dibandingkan dengan gaji karyawan wanita tetapi secara statistik perbedaan itu tidak berbeda nyata.
Karyawan Sarjana dan Pria :
E(Yi | D1=1; D2=1,Xi) = (βo + β2 + β3) + β1Xi Karyawan Tidak Sarjana dan Pria :
E(Yi | D1=0; D2=1, Xi) = (βo + β3) + β1Xi Karyawan Sarjana dan Wanita :
E(Yi | D1=1; D2=0, Xi) = (βo + β2) + β1Xi Karyawan Tidak Sarjana dan Wanita :
E(Yi | D1=0; D2=0, Xi) = βo + β1Xi
Persamaan regresi Yi = 1,067 + 0,156 Xi + 2,183 D1 + 0,228 D2 Gaji karyawan berpendidikan sarjana dan pria :
Y’ = (1,067 +2,183 + 0,228) + 0,156 Xi ===> Y’ = 3,478 + 0,156 Xi Gaji karyawan berpendidikan tidak sarjana dan pria :
Y’= (1,067 + 0,228) + 0,156 Xi ===> Y’ = 1,295 + 0,156 Xi Gaji karyawan berpendidikan sarjana dan wanita :
Y’ = (1,067 +2,183) + 0,156 Xi ===> Y’ = 3,250 + 0,156 Xi
Banyak kasus di dalam analisis regresi dimana variabel dependennya bersifat kualitatif. Keputusan seseorang membeli mobil atau tidak. Keputusan seorang konsumen membeli televisi merk Sonny atau bukan Sonny. Dua contoh tersebut merupakan contoh variabel dependen yang mempunyai dua kelas atau bersifat binari (binary). Tetapi sering kali kita juga menemukan variabel dependen yang mempunyai lebih dari dua kelas (multinomial). Misalnya kemampuan nasabah bank di dalam membayar kreditnya. Kemampuan nasabah ini bisa dikategorikan menjadi tiga, yaitu mereka yang mampu membayar tepat waktu (repay), mereka yang membayar terlambat (late repay) dan mereka yang gagal membayar (default).
Kembali kepada kasus keputusan seseorang untuk membeli mobil, jawaban yang kita peroleh adalah mereka yang membeli mobil atau mereka yang tidak membeli mobil. Dengan kata lain respon setiap orang tersebut bersifat dikotomis (binari). Pada bahasan variabel dummy, dalam model regresi dimana variabel independen bersifat kualitatif maka kita harus mengkuantitatifkan variabel kualitatif ini agar regresi bisa dilakukan. Namun, mengkuantitatifkan variabel kualitatif di dalam regresi juga berlaku untuk variabel dependen bersifat kualitatif. Setiap variabel kualitatif di dalam regresi baik variabel independen maupun dependen, kita akan mengambil nilai 1 jika variabel mempunyai atribut dan nilai 0 jika tidak mengandung atribut. Dengan demikian, kita akan memberi angka 1 untuk variabel dependen kualitatif yang mempunyai atribut dan angka 0 untuk variabel dependen yang tidak mempunyai atribut. Metode ini sama dengan metode regresi dengan menggunakan variabel independen kualitatif (regresi variabel dummy).
Contoh :
Mengaplikasikan model logit tentang keputusan seseorang untuk membeli mobil atau tidak. Keputusan membeli mobil atau tidak dipengaruhi oleh dua variabel yaitu jumlah pendapatan dan status pernikahan. Status pernikahan merupakan variabel independen kualitatif.
Model Logit ===> ln (Pi / 1–Pi) = Zi = βo + β1 X1 + β2 X2 dimana, P = probabilitas membeli mobil
X1 = jumlah pendapatan (juta per bulan)
Data hipotesis yang digunakan sebagai berikut.
No. Keptusan Pendptan S_nikah Lokasi Keluarga Penddkan
1 0 5,10 0 1 3 0 2 1 12,25 1 1 3 1 3 1 9,00 1 0 2 1 4 0 6,00 0 0 4 0 5 1 10,20 1 1 3 1 6 0 5,25 0 1 2 0 7 0 5,50 0 0 3 0 8 1 11,40 1 1 3 1 9 0 5,90 0 0 2 1 10 1 11,00 1 0 2 1 11 0 6,25 0 0 3 0 12 1 6,40 0 0 4 0 13 0 6,70 1 1 3 1 14 1 7,10 1 0 1 0 15 1 7,50 0 0 1 1 16 0 7,70 0 1 3 0 17 0 8,00 0 0 6 0 18 1 8,20 1 1 2 1 19 0 8,50 0 0 2 0 20 1 8,60 1 1 3 1 21 0 8,80 0 1 5 0 22 0 5,80 1 0 2 0 23 1 9,40 1 1 3 1 24 1 9,75 1 1 2 1 25 1 9,90 1 1 3 1 26 1 10,60 1 1 2 1 27 1 10,80 1 1 3 1 28 0 6,95 0 1 2 0 29 1 11,80 1 1 2 1 30 1 12,00 1 1 3 1 Langkah-langkah Analisis :
a. Buka lembar kerja baru, dengan meng-klik menu File lalu pilih New kemudian klik Dataakan muncul tampilan layar Data Editor.
b. Klik Variable View kemudian isi nama variabelnya, ketik Keptusan lalu tekan ENTER, ketikPendptanlalu tekan ENTER, ketikS_nikahlalu tekan ENTER. c. Selanjutnya klik Data View dan masukkan data contoh di atas pada kolom variabel
filenya, misalnyalogit.
e. Lakukan analisis regresi linier berganda dengan cara, klik menu Analyze ===> pilih submenu Regression===> lalu klik Binary Logistic.
f. Masukkan variabel K e p t u s a n pada kotak sebelah kiri ke kotak Dependent, dan variabel Pendptan, S_nikah ke kotak Covariates dengan mengklik tombol tanda panah, hasilnya seperti tampak pada tampilan berikut.
g. Setelah itu, pilih options dan pada Statistics and Plots centang Hosmer-Lemeshow goodnes of fit dan CI for exp(B), lalu klik continue. Tampilannya seperti berikut.
Case Processing Summary 30 100,0 0 ,0 30 100,0 0 ,0 30 100,0 Unweighted Cases a Included in Analysis Missing Cases Total Selected Cases Unselected Cases Total N Percent
If weight is in effect, see classification table for the total number of cases.
a.
Dependent Variable Encoding
0 1 Original Value 0 1 Internal Value
Block 0: Beginning Block
Classification Tablea,b
0 13 ,0 0 17 100,0 56,7 Observed 0 1 Keptusan Overall Percentage Step 0 0 1 Keptusan Percentage Correct Predicted
Constant is included in the model. a.
The cut value is ,500 b.
Variables in the Equation
,268 ,368 ,530 1 ,467 1,308
Constant Step 0
B S.E. Wald df Sig. Exp(B)
Variables not in the Equation
15,325 1 ,000 15,922 1 ,000 18,706 2 ,000 Pendptn S_nikah Variables Overall Statistics Step 0 Score df Sig.
Tampilan output SPSS di atas memberi informasi jumlah kasus yang dianalisis ada 30 kasus tidak ada yang terlewatkan (missing). Classification Tablemenyajikan informasi tentang keakuratan prediksi. Dengan hanya menggunakan konstanta, keakuratan prediksi sebesar 56,7%. TampilanVariables in the equation menampilkan uji wald. Dengan hanya konstanta tanpa variabel pendapatan (X1) dan status pernikahaan (X2) tidak signifikan
α=0,05). Dengan demikian ada varfiabel independen yang mempengaruhi keputusan memberi mobil.
Block 1: Method = Enter