HUBUNGAN LINEAR ANTAR VARIABEL
Analisis regresi adalah studi mengenai ketergantungan suatu variabel yaitu variabel dependen terhadap satu atau lebih variabel lainnya (variabel independen), dengan tujuan untuk melakukan estimasi nilai rata-rata variabel dependen dari nilai yang diketahui atau tetap.
Tujuan analisis regresi adalah melihat pola hubungan antar variabel, dimana 1 variabel dependen (terikat), dan yang lain merupakan variabel indenpenden (bebas).
Analisis regresi, dibedakan menjadi 2;
1. Analisis regresi linear, hubungan antara variabel independen dan variabel dependen bersifat linear (perubahan variabel indenpenden akan menyebabkan perubahan variabel dependen secara proporsional).
2. Analisis regresi non-linear, hubungan antara variabel independen dan variabel dependen bersifat non linear (regresi kuadrat, regresi eksponensial, regresi log-linear, regresi semi log,dsb)
Regresi dengan 2 variabel, dimana terdapat 1 variabel dependen dan 1 varibael independen atau disebut regresi linear sederhana, sedangkan regresi dengan 1 variabel dependen dan lebih dari 1 variabel indenpenden disebut regresi linear berganda.
Regresi linear sederhana Yi = A + BXi + μi
MODEL REGRESI LINEAR SEDERHANA
Yi = A + BXi + μi(Regresi populasi atau PRF/population regression function)
Yi = a + bXi + ei (Regresi sampel atau SRF/sample regression function)
Y
X
0
A
ΔX
ΔY
B = ΔY
PENDUGAAN PARAMETER A, B, DAN σ
ε2OLS yaitu melakukan turunan pasial (partial differensiasi) dari Σei2 terhadap
Varians dari a dan b
Contoh;
X adalah kenaikan biaya promosi (dalam persen) dan Y adalah kenaikan penjualan (dlm persen)
X 1 2 4 6 7
Y 3 5 7 8 10
^
a) Hitung a dan b dr regresi linear sederhana Y = a + bX
b)Berapa ramalan hasil penjualan jika biaya promosi menjadi 10% c) Hitung standar deviasi dari a dan b
X Y X2 Y2 XY
PENGUJIAN HIPOTESIS dan PENDUGAAN INTERVAL PARAMETER A
dan B
Yi = A + BXi + μi Yi = a + bXi + ei
Uji hipotesis
Tabel t untuk sampel besar, dan
Tabel Z untuk sampel besar.
Standarisasi t/Z = =
Pendugaan
a – tα/2 sa ≤ A ≤ a + tα/2 sa
b – tα/2 sb ≤ B ≤ b + tα/2 sb
Apabila; t/Z hitung > t/Z tabel, maka koefisien regresi tidak sama dengan nol
dan sebaliknya. Uji tersebut digunakan untuk melihat apakah koefisien regresi signifikan atau tidak signifikan.
a – A sa
PENGUJIAN HIPOTESIS dan PENDUGAAN INTERVAL PARAMETER A
Pengujian Hipotesis slope atau kemiringan
PENGUJIAN HIPOTESIS KOEFISIEN dengan ANALISIS VARIANS
Pengujian koefisien dengan analisis varians mengikuti distribusi F dgn d.f. 1
dan n-2 atau F(1, n-2)
Pengujian F, dengan rumus F =
Uji F digunakan untuk mengukur kemampuan model menjelaskan fenomena atau digunakan untuk menentukan apakah model tersebut baik atau tidak.
Apabila F hitung > F tabel, maka model dinyatakan cukup baik dalam
menjawab fenomena atau model tersebut dapat digunakan untuk memprediksi atau peramalan.
F = [(1,04)2 . 26] / 0,37 F
5%,1,4 = 7,71 (tabel) d.f. n1 = k - 1 dan n2 =
n - k
= 76,004
Mk dinyatakan bahwa model tsb cukup baik dalam menjawab fenomena dan dapat digunakan untuk melakukan prediksi atau peramalan
b2
Σxi2
KOEFISIEN KORELASI dan DETERMINASI
Koefisien korelasi mengukur tingkat kekuatan atau tingkat hubungan antar variabel, semakin tinggi nilai koefisien tersebut maka semakin kuat
hubungan diantara kedua variabel tersebut. Koefisien korelasi disimbulkan r,
dimana besarnya koefisien korelasi -1 < r < 1. Nilai negatif menunjukkan
bahwa pola hubungan kedua variabel tersebut berbanding terbalik,
sedangka positif pola hubungan kedua variabel tersebut berbanding lurus.
r =
Koefisien determinasi sebagai ukuran goodness of fit, yaitu ukuran seberapa baik sebuah garis regresi sesuai dengan datanya aktualnya. Koefisien
determinasi disimbulkan r2, dimana besarnya koefisien korelasi 0 < r < 1.
MODEL REGRESI LINEAR BERGANDA
Yi = A + B1X1i + B2X2i + B3X3i + μi (Regresi populasi atau
PRF/population regression function)
Yi = a + b1X1i + b2X2i + b3X3i + ei (Regresi sampel atau SRF/sample
regression function)
OLS yaitu melakukan turunan pasial (partial differensiasi) dari Σei2 terhadap
a dan b1 dan b2, maka
b1 =
b2 =
b0 = Y – b1 X1 – b2 X2
Σx1i yi (Σx2i2) – (Σx 1i
x2i)
Σx1i 2 Σx
2i2 - (Σx1i x2i)
Σx2i yi (Σx2i2) Σx
1iyi –
(Σx1i x2i)2
Σx1i 2 Σx