ANALISIS REGRESI SEDERHANA


STATISTIK AN PROBABILITAS

NAMA     :     JASMAN

NPM        :     17-630-002
ANALISIS REGRESI
SEDERHANA


A.    PENGERTIAN
Analisis Regresi Sederhana adalah sebuah metode pendekatan untuk pemodelan hubungan antara satu variabel dependen dan satu variabel independen. Dalam model regresi, variabel independen menerangkan variabel dependennya. Dalam analisis regresi sederhana, hubungan antara variabel bersifat linier, dimana perubahan pada variabel X akan diikuti oleh perubahan pada variabel Y secara tetap. Sementara pada hubungan non linier, perubahaan variabel X tidak diikuti dengan perubahaan variabel y secara proporsional. seperti pada model kuadratik, perubahan x diikuti oleh kuadrat dari variabel x. Hubungan demikian tidak bersifat linier.

Secara matematis model analisis regresi linier sederhana dapat digambarkan sebagai berikut:

                         Y = A + BX + e

Y adalah variabel dependen atau respon
A adalah intercept atau konstanta
B adalah koefisien regresi atau slope
e adalah residual atau error

Secara praktis analisis regresi linier sederhana memiliki kegunaan sebagai berikut:

1.      Model regresi sederhana dapat digunakan untuk forecast atau memprediksi nilai Y. Namun sebelum melakukan forecasting, terlebih dahulu harus dibuat model atau persamaan regresi linier. Ketika model yang fit sudah terbentuk maka model tersebut memiliki kemampuan untuk memprediksi nilai Y berdasarkan variabel Y yang diketahui. Katakanlah sebuah model regresi digunakan untuk membuat persamaan antara pendapatan (X) dan konsumsi (Y). Ketika sudah diperoleh model yang fit antara pendapatan dengan konsumsi, maka kita dapat memprediksi berapa tingkat konsumsi masyarakat ketika kita sudah mengetahui pendapatan masyarakat.

2.      Mengukur pengaruh variabel X terhadap variabel Y. Misalkan kita memiliki satu serial data variabel Y, melalui analisis regresi linier sederhana kita dapat membuat model variabel-variabel yang memiliki pengaruh terhadap variabel Y. Hubungan antara variabel dalam analisis regresi bersifat kausalitas atau sebab akibat. Berbeda halnya dengan analisis korelasi yang hanya melihat hubungan asosiatif tanpa mengetahui apa variabel yang menjadi sebab dan apa variabel yang menjadi akibat.
Model regresi linier sederhana yang baik harus memenuhi asumsi-asumsi berikut:

1.      Eksogenitas yang lemah, kita harus memahami secara mendasar sebelum menggunakan analisis regresi bahwa analisis ini mensyaratkan bahwa variabel X bersifat fixed atau tetap, sementara variabel Y bersifat random. Maksudnya adalah satu nilai variabel X akan memprediksi variabel Y sehingga ada kemungkinan beberapa variabel Y. dengan demikian harus ada nilai error atau kesalahan pada variabel Y. Sebagai contoh ketika pendapatan (X) seseorang sebesar Rp 1 juta rupiah, maka pengeluarannya bisa saja, Rp 500 ribu, Rp 600 ribu, Rp 700 ribu dan seterusnya.

2.      Linieritas, seperti sudah dijelaskan sebelumnya bahwa model analisis regresi bersifat linier. artinya kenaikan variabel X harus diikuti secara proporsional oleh kenaikan variabel Y. Jika dalam pengujian linieritas tidak terpenuhi, maka kita dapat melakukan transformasi data atau menggunakan model kuadratik, eksponensial atau model lainnya yang sesuai dengan pola hubungan non-linier.

3.      Varians error yang konstan, ini menjelaskan bahwa varians error atau varians residual yang tidak berubah-ubah pada respon yang berbeda. asumsi ini lebih dikenal dengan asumsi homoskedastisitas. Mengapa varians error perlu konstan? karena jika konstan maka variabel error dapat membentuk model sendiri dan mengganggu model. Oleh karena itu, penanggulangan permasalahan heteroskedastisitas/non-homoskedastisitas dapat diatasi dengan menambahkan model varians error ke dalam model atau model ARCH/GARCH.

4.      Autokorelasi untuk data time series, jika kita menggunakan analisis regresi sederhana untuk data time series atau data yang disusun berdasarkan urutan waktu, maka ada satu asumsi yang harus dipenuhi yaitu asumsi autokorelasi. Asumsi ini melihat pengaruh variabel lag waktu sebelumnya terhadap variabel Y. Jika ada gangguan autokorelasi artinya ada pengaruh variabel lag waktu sebelumnya terhadap variabel Y. sebagai contoh, model kenaikan harga BBM terhadap inflasi, jika ditemukan atukorelasi artinya terdapat pengaruh lag waktu terhadap inflasi. Artinya inflasi hari ini atau bulan ini bukan dipengaruhi oleh kenaikan BBM hari ini namun dipengaruhi oleh kenaikan BBM sebelumnya (satu hari atau satu bulan tergantung data yang dikumpulkan).

B.     Tujuan


Untuk memahami pengertian dan konsep teori serta menyelesaikan masalah dalam penelitian parametris yang berkaitan dengan bentuk hubungan peubah respon dengan peubah prediktor dengan teknik Analisis Regresi Linier Sederhana menggunakan teknologi informasi dan komputasi (CP-KK 4  Level 6 KKNI ;  CP-KK 2   Level 5 KKNI)
Dasar Teori
Analisis regresi merupakan analisis ketergantungan dari satu atau lebih variabel bebas terhadap satu variabel tergantung, dengan tujuan untuk menduga atau memprediksi nilai rata-rata populasi berdasarkan niali-nilai variabel bebasnya.

Perbedaan mendasar antara analisis korelasi dengan analisis regresi adalah bahwa analisis korelasi hanya bertujuan untuk mengukur kekuatan hubungan linier antar dua variabel, sehingga pada analisis korelasi tidak membedakan antara variabel bebas dengan variabel tergantung. Sedangkan analisis regresi selain mengukur kekuatan hubungan antar dua variabel atau lebih, analisis regresi juga digunakan untuk menetukan aarah hubungan antara variabel bebas dengan variabel tergantungnya. Berikut ini adalah istilah lain dari variabel bebas dan variabel tergantung.

Variabel yang Dipengaruhi (Y) : variabel tergantung/terikat (Dependent Variable), variabel yang dijelaskan (Expalined variable); variabel yang diramalkan (Predictand variable); variable yang diregresi (Regressand variable); Variabel tanggapan (Response variable).

Variabel yang Memengaruhi (X) : variabel bebas (Dependent variable); variabel yang menjelaskan (Explanatory variable); variabel peramal (Predictor variable); variabel yang meregresi (Regressor variable); variabel perangsang atau kendali (Stimulus or Control variable).

Analisis regresi tidak boleh digunakan untuk menguji hubungan bersifat identitas. Hubungan identitas merupakan bentuk hubungan yang bukan disebabkan oleh adanya fenomena sebab-akibat tetapi disebabkan oleh sebuah persamaan yang telah dibentuk (seperti produktifitas dengan hasil produksi, upah yang diterima dengan hasil produksi). Berkaitan dengan analisis regresi ini setidaknya ada empat kegiatan yang dapat dilaksanakan dalam analisis regresi:

-          Mengadakan estimasi terhadap parameter berdasarkan data empiris

·         Menguji berapa besar variasi variasi variabel dependent dapat diterangkan oleh variasi variabel independent

·         Menguji apakah estimasi parameter tersebut signifikan atau tidak dan
·         Melihat apakah tanda dan magnitud dari estimasi parameter cocok dengan teori

Dalam analsis regresi menggunakan SPSS ada beberapa hal yang dianalisis sebagai dasar untuk melakukan analisis lebih mendalam dari sekedar persamaan regresi yang terbentuk, diantaranya:
1.      Persamaan Regresi, menggambarkan model hubungan antar variabel bebas dengan variabel yang terikatnya (yang diramalkan). Persamaan ini tersusun dari nilai konstanta/intercept (a) dan nilai koefisien regresi/slope (b) variabel bebasnya

2.      Nilai prediksi, merupakan besar nilai variabel terikat ( Ŷ ) yang diperoleh dari prediksi dengan menggunakan persamaan regresi yang terbentuk.

3.      Koefisien Determinasi (R), merupakan besarnya kontribusi variabel bebas terhadap variabel terikat, yang nilainya semakin tinggi maka semakin tinggi variabel bebas menjelaskan variasi perubahan pada variabel terikatnya.

4.      Kesalahan Baku Estimasi, merupakan satuan yang digunakan untuk menentukan besarnya tinggkat penyimpangan dari persamaan yang terbentuk dengan nilai senyatanya. Semakin tinggi kesalahan baku estimasi maka semakin lemah persamaan regresi tersebut untuk digunakan sebagai alat proyeksi

5.      Kesalahn Baku Koefisien Regresi, meerupakan satuan yang digunakan untuk menunjukkan tingkat penyimpangan dari masing-masing koefisien regresi. Semakin tinggi kesalahan baku koefisien regresi maka semakin lemah variabel tersebut untuk diikutkan dalam model persamaan regresi (semakin tidak berpengaruh).

6.      Nilai F hitung, digunakan untuk menguji model persamaan regresi fit (cocok) atau tidak dari pengaruh secara simultan variabel bebasnya terhadap varibel terikatnya.

7.      Nilai t hitung, digunakan untuk menguji secara parsial (per variabel) terhadap variabel terikatnya.



Komentar

Posting Komentar

Postingan populer dari blog ini

UJI BEDA RATA-RATA

Gambar
Statistik dan Probabilitas Nama      :     JASMAN NPM       :     17-630-002 UJI BEDA RATA-RATA A.     Konsep Uji Beda Dua Rata-rata                 Uji beda rata-rata dikenal juga dengan nama uji-t (t-test ).  Konsep dari uji beda rata-rata adalah membandingkan nilai rata-rata beserta selang kepercayaan tertentu (confidenceinterval) dari dua populasi. Prinsip pengujian dua rata-rata adalah melihat perbedaan variasikedua kelompok data. Oleh karena itu dalam pengujian ini diperlukan informasi apakah varian kedua kelompok yang diuji sama atau tidak. Varian kedua kelompok data akan berpengaruh pada nilai standar error yang akhirnya akan membedakan rumus pengujiannya.Dalam menggunakan uji-t ada beberapa syarat yang harus dipenuhi. Syarat/asumsi utama yang harus dipenuhi dalam menggunakan uji-t adalah data harus...
Baca selengkapnya
Gambar
NAMA    :     JASMAN NPM        :     17-630-002 CONTOH SOAL UJI BEDA RATA-RATA Suatu kegiatan penelitian eksperimental, telah berhasil menemukan metode “ABG” sebagai metode baru untuk mengajarkan mata kuliah Statistika II. Dalam rangka uji coba terhadap efektifitas atau keampuhan metode baru itu, dilaksanakan penelitian lanjutan dengan mengajukan Hipotesis Nol (Nihil) yang mengatakan : Tidak terdapat perbedaan yang signifikan nilai Statistika II antara sebelum dan sesudah di terapkannya metode “ABG” sebagai metode mengajar mahasiswa UIB sem 6. Dalam rangka pengujian ini diambil sampel sebanyak 10   mahasiswa. Gunakan taraf kepercayaan 95 % (alfa=5% ) untuk menguji pernyataan (Hipotesis) tersebut. Datanya Sebagai berikut: Nama Nilai Statistika II Sebelum Sesudah La Inyo 70 67 Jasman 62 70 La Siandi 50 54 Yu...
Baca selengkapnya

UJI CHI KUADRAT

Gambar
STATISTIK DAN PROBABILITAS NAMA    :    JASMAN NPM       :    17-630-002 UJI CHI KUADRAT -           PENGERTIAN UJI CHI KUADRAT Uji chi (kai) kuadrat (dilambangkan dengan “χ2” dari huruf Yunani “Chi” dilafalkan “Kai”) digunakan untuk menguji dua kelompok data baik variabel independen maupun dependennya berbentuk kategorik atau dapat juga dikatakan sebagai uji proporsi untuk dua peristiwa atau lebih, sehingga datanya bersifat diskrit. Distribusi chi kuadrat merupakan metode pengujian hipotesa terhadap perbedaan lebih    dari 2 proporsi. Contoh:   Manajer pemasaran suatu perusahaan ingin mengetahui apakah perbedaan proporsi penjualan produk baru dari perusahaannya pada 3 daerah pemasaran yang berbeda disebabkan karena faktor kebetulan ataukah disebabkan karena faktor lain, sehingga preferensi terhadap produk baru pada 3 daerah ...
Baca selengkapnya