Statistika, Kita Jaya!: Konsep Dasar Mengolah Susenas dengan SPSS

Statistik

Statistika, Kita

a, Kita Jaya!

Jaya!

Gudangnya Info Statistika

Gudangnya Info Statistika

Minggu, 19 Desember 2010 Minggu, 19 Desember 2010

Konsep Dasar Mengolah Susenas dengan SPSS

Konsep Dasar Mengolah Susenas dengan SPSS

Survei Sosial Ekonomi Nasional atau Susenas sering saya ulas di blog ini,

Survei Sosial Ekonomi Nasional atau Susenas sering saya ulas di blog ini, baik dari sisi baik dari sisi kekurangan dankekurangan dan kelebihan maupun informasi terbaru tentang S

kelebihan maupun informasi terbaru tentang S usenas. Kali ini saya coba share pengalaman dalamusenas. Kali ini saya coba share pengalaman dalam mengolah Susenas dengan SPSS yaitu software statistika yang

mengolah Susenas dengan SPSS yaitu software statistika yang sering digunakan oleh pengolah data disering digunakan oleh pengolah data di Indonesia. Sebelumnya saya ingatkan bahwa apa

Indonesia. Sebelumnya saya ingatkan bahwa apa yang saya tulis disini sekadar satu yang saya tulis disini sekadar satu dari banyak caradari banyak cara yang bisa dilakukan dengan software SPSS, jadi bukan suatu langkah-langkah baku dalam pengolahan yang bisa dilakukan dengan software SPSS, jadi bukan suatu langkah-langkah baku dalam pengolahan data Susenas atau data lainnya. Bisa saja dianggap sebagai Trik!

data Susenas atau data lainnya. Bisa saja dianggap sebagai Trik! Pemboboton Data

Pemboboton Data

Susenas adalah sebuah survey artinya hanya

Susenas adalah sebuah survey artinya hanya responden yang terambil acak berdasarkan metoderesponden yang terambil acak berdasarkan metode sampling tertentu, bukan pendataan seluruh penduduk seperti Sensus! Jadi hasil dari sampel acak ini sampling tertentu, bukan pendataan seluruh penduduk seperti Sensus! Jadi hasil dari sampel acak ini supaya bisa menggambarkan kondisi Indonesia, maka setiap responden rumahtangga diboboti dengan supaya bisa menggambarkan kondisi Indonesia, maka setiap responden rumahtangga diboboti dengan nilai tertentu. Bahasa mudahnya setiap responden terpilih memakili sekian banyak penduduk, jumlah nilai tertentu. Bahasa mudahnya setiap responden terpilih memakili sekian banyak penduduk, jumlah keterwakilannya disebut pembobot. Pembobot di Susenas ada 2 yaitu pembobot rumah tangga untuk keterwakilannya disebut pembobot. Pembobot di Susenas ada 2 yaitu pembobot rumah tangga untuk data rumah tangga dan pembobot individu untuk data individu.

data rumah tangga dan pembobot individu untuk data individu.

Jadi dalam mengolah data Susenas dengan SPSS, langkah wajib

Jadi dalam mengolah data Susenas dengan SPSS, langkah wajib yang harus dilakukan sebelumyang harus dilakukan sebelum melakukan pengolahan lebih lanjut adalah melakukan

melakukan pengolahan lebih lanjut adalah melakukan pembobotan data. Umumnya variable pembobotpembobotan data. Umumnya variable pembobot dalam data Susenas diberikan pada variable terakhir di

dalam data Susenas diberikan pada variable terakhir di dalam data mentah Susenas, dalam data mentah Susenas, kadang dinamakankadang dinamakan “weind” atau “wert” atau nama lain, yang jelas

“weind” atau “wert” atau nama lain, yang jelas besarannya lebih dari 10. Langkah di SPSS bisa besarannya lebih dari 10. Langkah di SPSS bisa dilihatdilihat dalam gambar, disini Anda tinggal masukan varibel pembobot ke

aktif setelah option “Weight cases by” dipilih. Anda tinggal scroll-down variable yang ada disamping, setelah ditemukan klik variable pembobot te rsebut dan klik tombol panah kecil dan otomatis didalam box frequency variable muncul nama variable pembobotnya.

Filtering Data

Filtering data ini istilah saya saja, maksudnya adalah langkah yang sering dilakukan untuk mendapatkan hasil pengolahan data sesuai kriteria yang kita inginkan. Misalnya kita ingin membuat tabulasi

penduduk dengan kriteria umur balita maka kita melakukan filter data khusus penduduk yang mempunyai umur kurang dari 5. Bisa saja filtering melibatkan banyak variable, misalnya anak yang sedang sekolah di SD sederajat, maka kriteria pe rtama adalah penduduk yang saat ini sedang sekolah dan kriteria kedua adalah anak yang pernah/sedang sekolah di SD atau Madrasah Ibtidaiyah (MI).

Walaupun terkesan mudah, tetapi ternyata banyak orang yang sering salah menyusun sebuah kriteria dalam filtering data ini. Salah satunya adalah penggu naan operator DAN (and) dan ATAU (or). Misalnya kita ingin filter penduduk tidak produktif yang didefinisikan penduduk dengan umur kurang dari 15 tahun (umur<15) dan umur lebih dari 64 tahun (umur>64). Mana yang benar dalam penulisan kreteria filter: umur<15 DAN umur>64 dibandingkan dengan umur<15 ATAU umur>64 mana yang benar? Konsep yang sederhana tetapi masih banyak salah, jawaban yang benar adalah ATAU, walaupun didefinisi sebelumnya disebut dengan ‘dan’. Kita ingat kembali konsep himpunan dengan diagram ven untuk bisa paham kapan kita gunakan operator DAN – ATAU. Konsep ini sangat penting untuk dipahami karena hampir semua filtering menerapkan konsep DAN – ATAU ini.

Untuk penerapan di SPSS, langkahnya sangat mudah seperti ditunjukan gambar di atas. Hanya klik menu Data+Select Cases. Setelah itu klik tombol “IF” dengan mengaktifkan dahulu opsi “If Condition is Satisfied”. Tinggal Anda ketikan filter yang Anda inginkan, atau juga bisa memanfaatkan list variable yang ada disamping jendela tersebut. Penulisan operator DAN bisa dituliskan AND atau simbol “&”, sedankan ATAU bisa dituliskan OR atau tanda “ I “. Perlu diingat bahwa operator AND akan diproses terlebih dahulu dibandingkan operator OR. Jadi jika ada banyak operator, sebaiknya untuk operator OR bisa di awali dengan kurung buka diakhirnya kurung tutup, misalnya: jk=2 AND (umur<=14 OR

umur>=65). Disini filter umur diproses dahulu, kemudian proses selanjutnya menjalankan operator AND. Mungkin itu dulu 2 konsep dasar pengolahan data Susenas di SPSS, saya ingatkan kemba li bahwa

bisa sharing dengan Anda. Semoga tip sederhana i ni makin bisa mengenalkan Susenas untuk masyarakat umum. Dan kita harus berdoa bersama supaya Pemerintah mau menggratiskan data, minimum gratis untuk akademika perguruan tinggi, supaya penelitian di perguruan tinggi makin maju saja

Category Archives: Pengolahan Data

Menghitung Ukuran Ketimpangan Pendapatan Kriteria

Bank Dunia dengan Menggunakan SPSS

MAR 16

Posted by fahar

Salah satu indikator yang biasa digunakan untuk mengukur tingkat pemerataan pendapatan adalah indikator yang dikeluarkan oleh Bank Dunia. Indikator ini mengukur tingkat pemerataan

pendapatan dengan memperhatikan persentase pendapatan yang diterima oleh 40 persen

penduduk berpendapatan rendah. Tingkat ketimpangan pendapatan penduduk menurut kriteria Bank Dunia terpusat pada 40 persen penduduk berpendapatan terendah. Tingkat ketimpangan pendapatan penduduk ini digambarkan oleh porsi pendapatan dari kelompok pendapatan ini terhadap seluruh pendapatan penduduk, yang di golongkan sebagai berikut:

a. Memperoleh 17 persen,maka tingkat ketimpangan pendapatan di anggap rendah.

Menghitung ukuran ketimpangan pendapatan kriteria Bank Dunia harus menggunakan data individu. Dalam hal ini diperlukan data rata-rata pendapatan/pengeluaran per kapita setiap rumahtanga. Data pengeluaran rumahtangga per kapita tersedia pada Survei Sosial Ekonomi Nasional (Susenas). Pada kesempatan ini saya akan menunjukkan tata cara menghitung ukuran ketimpangan kriterian Bank Dunia tersebut menggunakan data Susenas Panel 2010 dengan software SPSS versi 20.

Pertama-tama tentu saja menyiapkan data mentah Susenas yang di dalamnya sudah terdapat

variabel rata-rata pengeluaran rumahtangga per kapita sebulan. Pada contoh ini telah ada variabel tersebut dengan nama kapita. Variabel kapita diperoleh dengan membagi besarnya pengeluaran rumahtangga sebulan dengan jumlah anggota rumahtangga. Selanjutnya pastikan variabel

penimbang (faktor pengali) telah diaktifkan, biasanya dalam data Susenas digunakan variabel weind.

Kriteria Bank Dunia untuk ukuran ketimpangan pendapatan pada dasarnya adalah ukuran kuantil yaitu kuantil ke-40. Karena itu kita selanjutnya harus membentuk variabel baru yang menunjukkan posisi rumahtangga dalam ukuran kuantil rata-rata pengeluaran rumahtangga per kapita. Dalam SPSS, dapat menggunakan beberapa cara, meskipun yang termudah adalah dengan menggunakan: Transform — Rank Cases, sebagai berikut:

Masukkan variabel kapita, kemudian klik Rank Types dan beri tanda cek pada Ntiles dan isikan angka 5. Artinya kita akan membagi data kita menjadi 5 bagian, sehingga akan dipeoleh kuantil q1, q2, q3, q4 dan q5. Dalam kriteria bank dunia, yang ditampilkan adalah 40% persen

rumahtangga dengan pengeluaran terendah (q1 dan q2), 40% rumahtangga dengan pengeluaran menengah (q3 dan q4) serta 20% rumahtangga dengan pengeluaran tertinggi. Dengan perintah ini akan terbentuk variabel baru dengan nama Nkapita. Jika ingin dibedakan misalnya antara

perkotaan dan pedesaan, dapat dimasukkan variabel klasifikasi daerah ke kotak dialog BY.

Variabel Nkapita ini merupakan variabel kategorik dengan 1 untuk q1, 2 untuk q2 dan seterusnya.

Karena kita harus membentuk kelompok 40, 40, 20, maka kita harus melakukan penggabungan kategori 1 dan 2 serta kategori 3 dan 4. Cara ini dapat dilakukan dengan modifikasi variabel menggunakan Transform kemuadian Record Into The Same Variable atau Record Into Different Variable. Cara ini tidak akan saya bahas, dan pada contoh ini saya menggunakan record into different variable untuk menghasilkan variabel KriteriaWB. H asilnya Sebagai berikut:

Selanjutnya jalankan tabulasi dengan Menu Analyse — Tables — Custom Table. Masukkan variabel KriteriaWB ke row dan variabel Kapita ke column. Ganti Summary Statistics dari Count menjadi Sum. Setelah itu jangan lupa tambahkan Total.

Hasilnya sebagai berikut:

Selanjutnya dengan menggunakan Excel akan diperoleh berapa persen pendapatan yang dikuasai oleh 40 penduduk termiskin.

Selamat mencoba.

Advertisements

KEMISKINAN DAN KETENAGAKERJAAN DI KEPULAUAN

RIAU 2014: IMPLIKASI KEBIJAKAN

Posted by fahar

Ketenagakerjaan merupakan aspek yang sangat fundamental dalam strategi penanggulangan kemiskinan. Untuk mengatasi permasalahan kemiskinan yang dialami penduduk, intervensi di bidang ketenagakerjaan merupakan salah satu langkah yang tepat untuk mengurangi angka kemiskinan. Dalam kaitannya dengan pengentasan kemiskinan, Provinsi Kepulauan Riau masih mengalami beberapa permasalahan ketenagakerjaan yang perlu penanganan serius yaitu masih rendahnya kualitas tenaga kerja, upah/pendapatan tenaga kerja yang rendah serta masih adanya ketimpangan sektoral tenaga kerja.

Peningkatan kualitas tenaga kerja menjadi prioritas dalam rangka meningkatkan daya saing, produktivitas serta upah/pendapatan tenaga kerja. Kualitas tenaga kerja ditentukan oleh tiga hal yaitu pendidikan tenaga kerja, keterampilan yang dimiliki dan pengalaman kerja. Dua poin yang menjadi wilayah intervensi pemerintah adalah bagaimana meningkatkan pendidikan maupun keterampilan tenaga kerja. Data pendidikan tenaga kerja yang diungkapkan di atas sudah cukup sebagai bukti rendahnya tingkat pendidikan formal yang dimiliki tenaga kerja di Provinsi

Kepulauan Riau. Untuk itu, perlu langkah-langkah strategis pemerintah untuk meningkatkan partisipasi sekolah dengan memberikan subsidi pendidikan bagi masyarakat kurang mampu, memberikan beasiswa bagi peserta didik yang berprestasi ke jenjang perguruan tinggi, serta mendorong didirikannya lembaga-lembaga pendidikan formal setingkat perguruan tinggi yang bermutu yang memiliki keterkaitan yang erat dengan dunia kerja.

Poin berikutnya terkait dengan kualitas tenaga kerja adalah masih rendahnya keterampilan yang dimiliki oleh tenaga kerja. Untuk itu, perlu perhatian yang lebih serius dari pemerintah terhadap pelatihan tenaga kerja melalui Balai Latihan Kerja (BLK). Perlu pembenahan yang serius terhadap BLK yang dimiliki melalui peningkatan kapasitas BLK baik kelembagaan, sarana dan prasarana maupun kurikulum yang dimiliki BLK sehingga BLK mampu memberikan keterampilan bagi tenaga kerja sebelum terjun ke dunia kerja. Selain orientasi pada kualitas pelatihan yang diberikan, BLK juga harus mampu meningkatkan frekuensi serta memberikan variasi pelatihan yang lebih banyak sesuai dengan tuntutan variasi pekerjaan yang semakin banyak.

Permasalahan kedua yang dihadapi di bidang ketenagakerjaan adalah rendahnya upah/pendapatan yang dimiliki tenaga kerja khususnya bagi penduduk miskin. Di samping upah/pendapatan

berhubungan erat dengan kualitas dan produktivitas tenaga kerja, sebagaimana disebutkan di atas, perlu pengawasan yang ketat terhadap implementasi kebijakan upah minimum. Ketentuan dan mekanisme penetapan upah minimum yang diatur dalam UU No. 13 tahun 2003 tentang

perlu ditingkatkan adalah pengawasan terhadap implementasi pelaksanaan upah minimum di lapangan. Kebijakan upah minimum ini sangat tepat dalam kerangka pengentasan kemiskinan untuk memberikan perlindungan bagi pekerja, meskipun kenyataannya seperti ditunjukkan di atas, masih banyak pekerja yang mendapatkan upah di bawah upah minimum tersebut.

Terkait permasalahan ketiga yaitu masih tingginya ketimpangan sektoral tenaga kerja, perlu perubahan mendasar terhadap arah kebijakan pembangunan ekonomi di Kepulauan Riau. Sektor industri saat ini menjadi sektor primadona di Kepulauan Riau dengan kontribusi yang sangat tinggi terhadap PDRB Kepulauan Riau yang mencapai hampir separuh dari total PDRB Kepulauan Riau dengan daya serap tenaga kerja yang cukup tinggi di mana lebih dari seperempat tenaga kerja terserap di sektor ini. Namun realitas bahwa 92 persen wilayah Kepulauan Riau merupakan lautan, jelas menunjukkan potensi yang besar dari sektor maritim untuk dikembangkan dalam rangka mendukung perekonomian Kepulauan Riau. Untuk perlu mendorong tumbuhnya ekonomi di bidang maritim dengan mendorong adanya investasi yang besar di bidang maritim.

Di samping itu, untuk mendukung pengentasan kemiskinan, perlu dukungan kuat terhadap usaha-usaha mikro dan kecil melalui kemudahan akses permodalan maupun pembinaan usaha-usaha. Usaha mikro dan kecil memiliki keterkaitan yang erat dengan kemiskinan karena dilakukan dengan modal yang kecil dan dikelola dengan pengetahuan dan keterampilan yang minim. Seperti disebutkan di atas, ada keterkaitan antara persentase penduduk yang bekerja di sektor informal (yang banyak diantaranya adalah pengusaha kecil) dengan tingkat kemiskinan di Kepulauan Riau. Apa yang dilakukan pemerintah Provinsi Kepulauan Riau melalui program pembinaan usaha penduduk miskin/desa tertinggal termasuk usaha tani dan nelayan perlu dilanjutkan dan ditingkatkan volumenya. Namun pelaksanaan program ini perlu diawasi secara ketat agar bermanfaat secara nyata untuk perbaikan usaha penduduk miskin.

Ekonomi dan Bisnis

CARA MUDAH MENENTUKAN

VARIABEL PALING DOMINAN

Diposkan pada 1 Mei 2017 by R. Mardani

Salah satu dari sekian banyak tujuan penelitian adalah menentukan variabel mana

yang paling dominan (berpengaruh). Penentuan variabel paling dominan hanya

dapat dilakukan jika variabel independen (bebas / X) lebih dari 1 (satu). Apabila

penelitian yang sobat lakukan hanya terdiri dari 1 variabel independen, maka tidak

perlu mencari variabel mana yang paling dominan. Lalu bagaimana cara mudah

menentukan Variabel paling dominan ? Selengkapnya, mari simak ulasan berikut:

KONSEP VARIABEL PALING DOMINAN

Variabel paling dominan merupakan variabel yang paling mempengaruhi dalam

suatu model. Sebagai contoh kami menggunakan model regresi linear berganda

yang terdiri 4 variabel independen dan 1 variabel dependen. Penelitian ini bertujuan

mencari pengaruh CAR (X

1

), NPL(X

2

), BOPO (X

3

), dan CR  (X

4

) terhadap ROA (Y).

Dengan demikian dapat kita susun persamaan regresi linear pada contoh ini

sebagai berikut:

Y = α + β

1

 X

1

+ β

2

 X

2

+ β

3

 X

3

+ β

4

 X

4

+ е

t

Dimana:

Y

= ROA

α

= Intercept

β

1

= Coefficient Regresi (besaran pengaruh) variabel X

1

 terhadap Y

β

2

= Coefficient Regresi (besaran pengaruh) variabel X

2

 terhadap Y

β

3

= Coefficient Regresi (besaran pengaruh) variabel X

3

 terhadap Y

β

4

= Coefficient Regresi (besaran pengaruh) variabel X

4

 terhadap Y

X

1

= CAR

X

2

= NPL

X

3

= BOPO

X

4

= CR

Jika digambarkan, kerangka pemikiran model regresi linear di atas sebagai berikut:

Baca Juga:



 jenis data penelitian



asumsi klasik regresi linear berganda

Perhatikan gambar di atas, setiap variabel independen (X) memiliki anak panah

tunggal (satu arah) menuju variabel dependen (Y). Maksud anak panah ini

adalah “Besaran Pengaruh”. Jadi setiap variabel independen di asumsikan

mempengaruhi variabel dependen. Besaran pengaruh variabel independen

terhadap variabel dependen dilambangkan dengan Beta (β). β dapat bernilai negatif

maupun positif. Nilai β inilah yang menunjukkan variabel mana yang paling

dominan. Selain itu, signifikan atau tidak signifikan juga mempengaruhi pemilihan

variabel mana yang paling dominan. Sebagai contoh, kami asumsikan Beta (β)

setiap variabel sebesar berikut ini:

Variabel _{Beta(β) P-Value}

X

2 _0.6350

0.05672

X3 0.5332

0.02346

X4 0.4051

0.01997

Pada alpha (α) sebesar 5% (0.05), tentukanlah variabel mana yang paling dominan !

Jika sobat menjawab variabel X

2

 yang paling dominan, maka jawaban sobat

SALAH. Variabel yang paling dominan adalah variabel X

3

. Kenapa demikian ?

Memang benar variabel X

2

memiliki β paling besar. Akan tetapi memilih variabel

X

2

 sebagai variabel paling dominan sangat tidak tepat, karena variabel X

2

 tidak

berpengaruh nyata pada α sebesar 5%. Coba perhatikan kolom P-Value X

2

 sebesar

0.05672 > 5%. Sedangkan P-Value variabel X

3

 sebesar 0.02346 < 5%. Dengan

demikian, meskipun β variabel X

3

 < X

2

, memilih variabel X

3

 sebagai variabel paling

dominan merupakan pilihan yang tepat, karena X

3

 memiliki P-Value < α.

Kenapa kita tidak memilih X

4

 sebagai variabel paling dominan, sedangkan

X

4

 memiliki

P-Value

< α ?. Memang benar X

4

 memiliki P-Value < α, akan tetapi, β

X

4

lebih mendekati 0 (nol) dibandingkan dengan β X

3

. Jadi pilihan variabel paling

dominan yang tepat adalah X

3

.

Lalu bagaimana jika β bernilai negatif ?. Pertanyaan yang bagus, untuk

menjawab pertanyaan tersebut perhatikan contoh berikut. Kami asumsikan Beta (β)

setiap variabel sebesar berikut ini:

Variabel _{Beta(β) P-Value}

X

1 -0.051285 0.361154

X

2 _-0.425467

0.003354

X4 0.017906

0.003382

Pada alpha (α) sebesar 5% (0.05), tentukanlah variabel mana yang paling dominan !

Jika sobat menjawab variabel X

4

sebagai variabel paling dominan, maka jawaban

sobat SALAH. Loh, kenapa demikian ? padahal X

4

memiliki β paling besar dan

P-Value < α. Memang benar, akan tetapi, pada contoh ini kita menemukan β be rnilai

negatif. Seperti yang telah kita bahas di awal, β dapat bernilai negatif maupun

positif. Makna nya adalah β tersebut merupakan uji dua arah. Artinya,

apabila Beta (β) bernilai negatif, maka variabel tersebut berpengaruh

negatif  terhadap variabel dependen. Dan sebaliknya apabila Beta (β) bernilai positif,

maka variabel tersebut berpengaruh positif  terhadap variabel dependen.

Baca Juga:



Judul Skripsi Manajemen Keuangan



portofolio optimal menggunakan excel ,



teori capital asset pricing model

Dalam kondisi ini, untuk menentukan variabel mana yang paling dominan adalah

sebagai berikut:

1. Apakah variabel tersebut berpengaruh signifikan atau tidak. Caranya

bandingkan P-Valuedengan α. Pada contoh ini, X

2

, X

3

, dan X

4

 berpengaruh

signifikan karena P-Value ketiganya < α.

2. Bandingkan nilai β. Semakin β menjauhi nol (0), maka variabel tersebut

semakin berpengaruh (dominan). Pada contoh ini, β variabel X

2

 semakin

menjauhi nol (0). Dengan demikian, variabel yang paling dominan

adalah variabel X

2

.

“ S E H I N G G A D A P A T D I S I  _{M P U L K AN B A H W A}

_{V A R I A B E L Y A N G P A L I N G}

D O M I N A N   M E R U P A K A N V A R I A B E L Y A N G B E R P E N G A R U H S I G N I F I K A N

D E N G A N B E T A S E M A K I N

M E N J A U H I N O L ( 0 ) . ”  

Sebagai tambahan, kami berikan satu soal latihan. Beta dan P-Value setiap variabel

ditunjukkan pada tabel berikut:

X

1 _{-0.501285 0.011154}

X

2 _-0.515467

0.033354

X3 0.513260

0.043972

X4 0.502906

0.013382

Pada α sebesar 5%, tentukan variabel mana yang paling dominan !

Jika sobat telah menemukan jawabannya, silahkan ketik pada kolom komentar di

bawah ya… Good Luck  yaa !

VARIABEL PALING DOMINAN PADA EXCEL

Bagaimana cara menentukan variabel paling dominan pada output regresi linear

dari Ms. Excel ? Selengkapnya, silahkan simak step by step berikut ini:

1. Tentukan variabel mana yang berpengaruh signifikan. Pada gambar di atas,

terlihat bahwa variabel X

2

 dan X

3

 berpengaruh signifikan karena P-Value <

5%. Sehingga eliminasi variabel X

1

 dan X

4

dalam pemilihan variabel yang

paling dominan.

2. Nilai β pada Excel ditunjukkan pada kolom Coefficients. Pada tahap ini,

tentukan β (Coefficients) mana yang paling menjauhi nol (0). Dalam contoh ini

adalah variabel X

2

. Dengan demikian, variabel yang paling dominan adalah

variabel X

2

 (NPL).

VARIABEL PALING DOMINAN PADA EVIEWS

Pada EViews, output regresi linear cukup berbeda. Untuk dapat mentukan variabel

mana yang paling dominan, silahkan simak step by step berikut ini:

Baca Juga:



uji asumsi klasik menggunakan eviews



uji stasioneritas data menggunakan eviews

Pastikan sobat telah mengestimasi persamaan regresi linear pada EViews. Jika

sobat belum tahu bagaimana caranya, silahkan simak tutorial kami (klik disini). Jika

sudah, mari kita lanjut bagaimana cara menentukan variabel paling dominan.

1. Pertama-tama, buka output  estimasi model regresi.

2. Muncul jendela

equation

, perhatikan nilai Nilai ini dapat dikatakan sebagai

P-Value. Jika kita lihat, hanya variabel NPL dan BOPO yang berpengaruh

signifikan terhadap ROA. Oleh karena itu, variabel NPL dan BOPO lolos

dalam tahap pertama seleksi variabel paling dominan.

3. Perhatikan nilai β. Pada EViews, nilai β disajikan pada kolom Coefficient .

Sehubungan CAR dan CR telah tereliminasi, maka fokus saja pada variabel

NPL dan BOPO. Kesimpulannya, variabel yang paling dominan adalah

variabel NPL karena memiliki β paling menjauhi nol (0).

VARIABEL PALING DOMINAN PADA SPSS

SPSS juga menyediakan analisis regresi linear. Jika sobat ingin tahu bagaimana

cara analisis regresi linear menggunakan SPSS, silahkan simak tulisan kami

sebelumnya (klik disini). Untuk menentukan variabel mana yang paling dominan,

silahkan perhatikan step by step berikut ini:

Baca Juga:



uji asumsi klasik regresi linear berganda menggunakan spss



hubungan risk and return

2. Eliminasi variabel yang berpengaruh tidak signifikan dengan membandingkan

pada SPSS dengan α. Dari gambar di atas, maka Variabel yang berpengaru

signifikan adalah NPL dan BOPO.

3. Sehubungan variabel NPL dan BOPO lolos tahap seleksi pertama, maka

dilanjutkan dengan menentukan variabel yang memiliki β semakin menjauhi

nol (0). Pada contoh ini, NPL memiliki β paling menjauhi nol (0). Dengan

demikian, variabel yang paling dominan adalah Variabel NPL.