Upload
annisa-syahrani-dahlan
View
212
Download
0
Embed Size (px)
DESCRIPTION
ANALISIS REGRESI
Citation preview
REGRESI LINIER SEDERHANAContoh :TERHADAP Y DAN X1Langkah :Analize Regreression linier dependent (dipengaruhi) independen (mempengaruhi) statistic contreng estimate , model fit, descriptive , casewise diagnosis, all cases plot y zpred , x dependent, contreng produce all partial plots save undstandardize residual 1. Uji korelasi dan korelasiCorrelations
yx
Pearson Correlationy1.000-.812
x-.8121.000
Sig. (1-tailed)y..000
x.000.
Ny2020
x2020
Hipotesis Ho = Tidak ada korelasi antara y dan xH1 = ada korelasi antara y dan xkesimpulan Karna nilai sig = 0.000 lebih kecil dari 0.05 maka diputuskan untuk menolak Ho jadi kesimpulannya ada korelasi antara y dan x
Interpretasi Krna nilai korelasi bersifat negative maka hubungan antara y dan x berbanding terbalik yaitu jika nilai y meningkat maka nilai x akan turun . 0,812 menunjukkan korelasi sangat kuat .
2. Interpretasi R SquareModel Summaryb
ModelRR SquareAdjusted R SquareStd. Error of the Estimate
1.812a.659.64010.45227
a. Predictors: (Constant), x
b. Dependent Variable: y
R Square = 0.659 = 66 %sebesar 66 % dari seluruh variansi total yang diterangkan oleh x dan 34 % dari y tidak dapat diterangkan dari model yang digunakan . penyebab mungkin factor lain yang tidak diketahui.
3. Uji linier (Kecocokan Model)ANOVAa
ModelSum of SquaresdfMean SquareFSig.
1Regression140214.9411140214.94134.716.000b
Residual72700.809184038.934
Total212915.75019
a. Dependent Variable: y
Hipotesis Ho = Model belum tepat digunakanH1 = Model sudah tepat digunakankesimpulan Karna nilai sig = 0.000 lebih kecil dari 0.05 maka diputuskan untuk menolak Ho jadi kesimpulannya Model sudah tepat digunakan
4. Uji parsialCoefficientsa
ModelUnstandardized CoefficientsStandardized CoefficientstSig.
BStd. ErrorBeta
1(Constant)388.80234.24111.355.000
x1-4.934.837-.812-5.892.000
a. Dependent Variable: y
Untuk BoHipotesis Ho = Tidak ada pengaruh konstanta terhadap yH1 = ada pengaruh konstanta terhadap ykesimpulan Karna nilai sig = 0.000 lebih kecil dari 0.05 maka diputuskan untuk menolah Ho jadi kesimpulannya ada pengaruh konstanta terhadap y
Untuk B1Hipotesis Ho = Tidak ada pengaruh x terhadap yH1 = ada pengaruh x terhadap ykesimpulan Karna nilai sig = 0.000 lebih kecil dari 0.05 maka diputuskan untuk menolak Ho jadi kesimpulannya ada pengaruh X terhadap y
5. Model Regresiy = 388.802 4.934 xjadi di peroleh hasil bhwa tanpa adanya pengaruh x maka nilai y adalah 388.802. jika teradi penambahan x sebesar 1 maka penurunan y adalah sebesar 4.934
6. Ujikenormalan residual Tests of Normality
Kolmogorov-SmirnovaShapiro-Wilk
StatisticdfSig.StatisticdfSig.
Unstandardized Residual.13320.200*.92620.130
Hipotesis Ho = Residual berdistribusi normalH1 = Residual tidak berdistribusi normalkesimpulan Karna nilai sig = 0.130 lebih besr dari 0.05 maka diputuskan untuk gagak menolak Ho jadi kesimpulannya Residual berdistribusi normal
REGRESI LINIER BERGANDABacward1. Variabel enteredVariables Entered/Removeda
ModelVariables EnteredVariables RemovedMethod
1x3, x2, x1b.Enter
2.x3Backward (criterion: Probability of F-to-remove >= .100).
a. Dependent Variable: y
b. All requested variables entered.
Pada model 1Variabel entered adalah x3,x2,x1Pada model 2variabel removed adalah x3 yang artinya variabel x3 dikeluarkan dri model regresi karena nilai f >0.1
2. Interpretasi R SquareModel Summaryc
ModelRR SquareAdjusted R SquareStd. Error of the Estimate
1.897a.804.76751.04855
2.881b.776.74952.98237
a. Predictors: (Constant), x3, x2, x1
b. Predictors: (Constant), x2, x1
c. Dependent Variable: y
- Untuk Model 1 x3, x2, x1R Square = 0.804= 80 %sebesar 80 % dari seluruh variansi total yang diterangkan oleh x1, x2,x3 dan 20 % dari y tidak dapat diterangkan dari model yang digunakan . penyebab mungkin factor lain yang tidak diketahui.
- Untuk Model 2 x2, x1 R Square = 0.776 = 77.6 %sebesar 77.6 % dari seluruh variansi total yang diterangkan oleh x1, x2 dan 22.4 % dari y tidak dapat diterangkan dari model yang digunakan . penyebab mungkin factor lain yang tidak diketahui.
3. Uji linier (Kecocokan Model)ANOVAa
ModelSum of SquaresdfMean SquareFSig.
1Regression171220.473357073.49121.901.000b
Residual41695.277162605.955
Total212915.75019
2Regression165194.521282597.26129.424.000c
Residual47721.229172807.131
Total212915.75019
a. Dependent Variable: y
b. Predictors: (Constant), x3, x2, x1
c. Predictors: (Constant), x2, x1
Untuk model 1 x3,x2,x1Hipotesis Ho = Model belum tepat digunakanH1 = Model sudah tepat digunakankesimpulan Karna nilai sig = 0.000 lebih kecil dari 0.05 maka diputuskan untuk menolak Ho jadi kesimpulannya Model sudah tepat digunakan
Untuk model 2 x2,x1Hipotesis Ho = Model belum tepat digunakanH1 = Model sudah tepat digunakankesimpulan Karna nilai sig = 0.000 lebih kecil dari 0.05 maka diputuskan untuk menolak Ho jadi kesimpulannya Model sudah tepat digunakan
4. Uji parsialCoefficientsa
ModelUnstandardized CoefficientsCoefficientstSig.Collinearity Statistics
BStd. ErrorBetaToleranceVIF
1(Cons)427.19459.6017.168.000
x1-4.583.772-.754-5.934.000.7591.318
x2-14.8314.754-.347-3.119.007.9891.011
x36.1014.012.1931.521.148.7641.310
2(Cons)490.28644.41011.040.000
x1-5.150.702-.847-7.337.000.9891.011
x2-14.7184.934-.344-2.983.008.9891.011
a. Dependent Variable: y
Untuk Model 1 Untuk BoHipotesis Ho = Tidak ada pengaruh konstanta terhadap yH1 = ada pengaruh konstanta terhadap ykesimpulan Karna nilai sig = 0.000 lebih kecil dari 0.05 maka diputuskan untuk menolah Ho jadi kesimpulannya ada pengaruh konstanta terhadap y
Untuk B1Hipotesis Ho = Tidak ada pengaruh x1 terhadap yH1 = ada pengaruh x1 terhadap ykesimpulan Karna nilai sig = 0.000 lebih kecil dari 0.05 maka diputuskan untuk menolak Ho jadi kesimpulannya ada pengaruh X1 terhadap y
Untuk B2Hipotesis Ho = Tidak ada pengaruh x2 terhadap yH1 = ada pengaruh x2 terhadap ykesimpulan Karna nilai sig = 0.007 lebih kecil dari 0.05 maka diputuskan untuk menolak Ho jadi kesimpulannya ada pengaruh X2 terhadap y
Untuk B3Hipotesis Ho = Tidak ada pengaruh x3 terhadap yH1 = ada pengaruh x3 terhadap ykesimpulan Karna nilai sig = 0.148 lebih BESAR dari 0.05 maka diputuskan untuk gagal menolak Ho jadi kesimpulannya tidak ada pengaruh x3 terhadap y
Untuk Model 2Untuk BoHipotesis Ho = Tidak ada pengaruh konstanta terhadap yH1 = ada pengaruh konstanta terhadap ykesimpulan Karna nilai sig = 0.000 lebih kecil dari 0.05 maka diputuskan untuk menolah Ho jadi kesimpulannya ada pengaruh konstanta terhadap y
Untuk B1Hipotesis Ho = Tidak ada pengaruh x1 terhadap yH1 = ada pengaruh x1 terhadap ykesimpulan Karna nilai sig = 0.000 lebih kecil dari 0.05 maka diputuskan untuk menolak Ho jadi kesimpulannya ada pengaruh X1 terhadap y
Untuk B2Hipotesis Ho = Tidak ada pengaruh x2 terhadap yH1 = ada pengaruh x2 terhadap ykesimpulan Karna nilai sig = 0.008 lebih kecil dari 0.05 maka diputuskan untuk menolak Ho jadi kesimpulannya ada pengaruh X2 terhadap y
5. Tabel koefisien VIFUntuk Model 1Variabel x1, x2 , x3 memiliki nilai VIF sebesar 1.318 , 1.011 , 1.310 hal ini berarti ketiga nilai lebih kecil dari 10 sehingga tidak terjadi multikoleniaritas
Untuk Model 2Variabel x1, x2 ,memiliki nilai VIF sebesar, 1.011 , 1.011 hal ini berarti kedua nilai lebih kecil dari 10 sehingga tidak terjadi multikoleniaritas
6. Model Regresiy = 490.286 5.15 x1 14.71 x2jadi di peroleh hasil bhwa tanpa adanya pengaruh x1 dan x2 maka nilai y adalah 490.286. jika teradi penambahan x1 sebesar 1 maka penurunan y adalah sebesar 5.15 , dan jika terjadi penambahan x2 sebesar 1 maka penurunan y sebesar 14.71
7. Ujikenormalan residual
Tests of Normality
Kolmogorov-SmirnovaShapiro-Wilk
StatisticdfSig.StatisticdfSig.
Unstandardized Residual.09020.200*.96920.736
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
Hipotesis Ho = Residual berdistribusi normalH1 = Residual tidak berdistribusi normalkesimpulan Karna nilai sig = 0.736 lebih besr dari 0.05 maka diputuskan untuk gagak menolak Ho jadi kesimpulannya Residual berdistribusi normal