3.

MULTIKOLINIERITAS

Regression Analysis: X1 versus X2, X3

The regression equation is

X1 = - 20.0 + 2.01 X2 + 0.437 X3

Predictor Coef SE Coef T P VIF

Constant -19.97 21.14 -0.94 0.358
X2 2.0113 0.4504 4.47 0.000 1.2
X3 0.4367 0.2657 1.64 0.118 1.2

S = 5.860 R-Sq = 65.1% R-Sq(adj) = 61.2%

PRESS = 835.794 R-Sq(pred) = 52.74%

Analysis of Variance

Source DF SS MS F P
Regression 2 1150.47 575.24 16.75 0.000
Residual Error 18 618.10 34.34
Total 20 1768.57

Source DF Seq SS
X2 1 1057.69
X3 1 92.78

Durbin-Watson statistic = 1.12

Regression Analysis: X2 versus X1, X3

The regression equation is

X2 = 5.79 + 0.261 X1 - 0.005 X3

Predictor Coef SE Coef T P VIF

Constant 5.786 7.688 0.75 0.461
X1 0.26131 0.05852 4.47 0.000 1.4
X3 -0.0047 0.1027 -0.05 0.964 1.4

S = 2.112 R-Sq = 59.8% R-Sq(adj) = 55.3%

PRESS = 99.9701 R-Sq(pred) = 49.97%

Analysis of Variance

Source DF SS MS F P
Regression 2 119.505 59.753 13.39 0.000
Residual Error 18 80.304 4.461
Total 20 199.810

Source DF Seq SS
X1 1 119.496
X3 1 0.009

Durbin-Watson statistic = 0.88

Regression Analysis: X3 versus X1, X2

The regression equation is
X3 = 68.8 + 0.299 X1 - 0.025 X2

Predictor Coef SE Coef T P VIF

Constant 68.835 7.610 9.05 0.000
X1 0.2989 0.1818 1.64 0.118 2.5
X2 -0.0248 0.5409 -0.05 0.964 2.5

S = 4.848 R-Sq = 26.3% R-Sq(adj) = 18.2%

PRESS = 557.146 R-Sq(pred) = 2.98%
Analysis of Variance

Source DF SS MS F P
Regression 2 151.27 75.63 3.22 0.064
Residual Error 18 423.02 23.50
Total 20 574.29

Source DF Seq SS
X1 1 151.22
X2 1 0.05

Unusual Observations
Obs X1 X3 Fit SE Fit Residual St Resid
17 50.0 72.00 83.31 1.60 -11.31 -2.47R

R denotes an observation with a large standardized residual

Durbin-Watson statistic = 1.50

Ho : TIDAK ADA MULTIKOLINIERITAS VS

H1 : TERDAPAT MULTIKOLINIERITAS

R-Sqr Fhit Ftabel KESIMPULAN

X1 vs X2 X3 65.1% 16.78 4.38 TOLAK Ho
X2 vs X1 X3 59.8% 13.39 4.38 TOLAK Ho
X3 vs X1 X2 26.3% 3.21 4.38 TOLAK Ho

Terdapat multikolinieritas antara variabel X1,X2 dan X3sehingga akan dilakukan perbaikan
model dengan Output dibawah ini :
Variables Entered/Removed(c)

Variables Variables
Model Entered Removed Method
1 X3, X2,
. Enter
X1(a)
2
Stepwise
(Criteria:
Probability-
of-F-to-
enter <= ,
. X3
050,
Probability-
of-F-to-
remove
>= ,100).

3 .(a) X2, X1(b) Remove

4
Forward
(Criterion:
Probability-
X1 .
of-F-to-
enter <= ,
050)
 5
Forward
(Criterion:
Probability-
X2 .
of-F-to-
enter <= ,
050)
a All requested variables entered.
b All requested variables removed.
c Dependent Variable: Y

ANOVA(f)

Sum of
Model Squares df Mean Square F Sig.
1 Regression 1863,242 3 621,081 51,255 ,000(a)
Residual 205,996 17 12,117
Total 2069,238 20
2 Regression 1852,528 2 926,264 76,936 ,000(b)
Residual 216,710 18 12,039
Total 2069,238 20
3 Regression ,000 0 ,000 . .(c)
Residual 2069,238 20 103,462
Total 2069,238 20
4 Regression 1693,108 1 1693,108 85,526 ,000(d)
Residual 376,130 19 19,796
Total 2069,238 20
5 Regression 1852,528 2 926,264 76,936 ,000(e)
Residual 216,710 18 12,039
Total 2069,238 20

a Predictors: (Constant), X3, X2, X1

b Predictors: (Constant), X2, X1
c Predictor: (constant)
d Predictors: (Constant), X1
e Predictors: (Constant), X1, X2
f Dependent Variable: Y

Model Summary

Adjusted R Std. Error of

Model R R Square Square the Estimate
1 ,949(a) ,900 ,883 3,48101
2 ,946(b) ,895 ,884 3,46979
3 ,000(c) ,000 ,000 10,17162
4 ,905(d) ,818 ,809 4,44930
5 ,946(e) ,895 ,884 3,46979

a Predictors: (Constant), X3, X2, X1

b Predictors: (Constant), X2, X1
c Predictor: (constant)
d Predictors: (Constant), X1
e Predictors: (Constant), X1, X2
 Coefficients(a)

Standardized
Model Unstandardized Coefficients Coefficients t Sig.

B Std. Error Beta

1 (Constant) -38,062 12,868 -2,958 ,009
X1 ,660 ,140 ,610 4,712 ,000
X2 1,405 ,388 ,437 3,617 ,002
X3 -,159 ,169 -,084 -,940 ,360
2 (Constant) -49,017 5,447 -8,999 ,000
X1 ,612 ,130 ,566 4,704 ,000
X2 1,409 ,387 ,438 3,639 ,002
3 (Constant) 17,524 2,220 7,895 ,000
4 (Constant) -41,322 6,437 -6,420 ,000
X1 ,978 ,106 ,905 9,248 ,000
5 (Constant) -49,017 5,447 -8,999 ,000
X1 ,612 ,130 ,566 4,704 ,000
X2 1,409 ,387 ,438 3,639 ,002
a Dependent Variable: Y

Excluded Variables(e)

Partial
Model Beta In t Sig. Correlation Collinearity Statistics

Tolerance
2 X3 -,084(a) -,940 ,360 -,222 ,737
3 X3 ,400(b) 1,901 ,073 ,400 1,000
X1 ,905(b) 9,248 ,000 ,905 1,000
X2 ,876(b) 7,898 ,000 ,876 1,000
4 X3 -,087(c) -,758 ,458 -,176 ,737
X2 ,438(c) 3,639 ,002 ,651 ,402
5 X3 -,084(d) -,940 ,360 -,222 ,737

a Predictors in the Model: (Constant), X2, X1

b Predictor: (constant)
c Predictors in the Model: (Constant), X1
d Predictors in the Model: (Constant), X1, X2
e Dependent Variable: Y

Dari tabel di atas dapat disimpulkan bahwa terdapat Multikolinieritas pada model
sehingga model yang baru harus dibuat lagi. Dari tabel tersebut terdapat variabel yang
bisa dimodelkan dengan berbagai metode tetapi dengan mempertimbangkan R-sqr, R-sqr
adjusted, Uji Parsial dan Uji Simultan terdapat model yang bisa dipakai yaitu dengan
memasukkan variabel Y, X1 dan X2 dimana X3 dihilangkan.
Regression Analysis: Y versus X1; X2

The regression equation is

Y = - 49,0 + 0,612 X1 + 1,41 X2

Predictor Coef SE Coef T P VIF

Constant -49,017 5,447 -9,00 0,000
X1 0,6122 0,1301 4,70 0,000 2,5
X2 1,4089 0,3872 3,64 0,002 2,5

S = 3,470 R-Sq = 89,5% R-Sq(adj) = 88,4%

Analysis of Variance

Source DF SS MS F P
Regression 2 1852,53 926,26 76,94 0,000
Residual Error 18 216,71 12,04
Total 20 2069,24

Source DF Seq SS
X1 1 1693,11
X2 1 159,42

Unusual Observations
Obs X1 Y Fit SE Fit Residual St Resid
21 70,0 15,000 22,015 1,800 -7,015 -2,36R

R denotes an observation with a large standardized residual

Durbin-Watson statistic = 1,65

Dari pemodelan diatas didapatkan persamaan yang baru yaitu

Y=-49,017+0.6122X1+1.4089X2
Dengan menggunakan Uji Simultan dan Uji Parsial didapatkan hasil bahwa model dapat
digunakan dan semua variabel sangat Nyata.
4.NORMALITAS
Normal Probability Plot

,999
,99
,95
,80
Probability

,50
,20
,05
,01
,001

-5 0 5
RESI8 Anderson-Darling Normality Test
Average: 0,0000000 A-Squared: 0,268
StDev: 3,29173
N: 21 P-Value: 0,648

Dari gambar diatas terlihat bahwa Sisaan menyebar secara Normal, hal ini juga dapat
diketahui dengan Uji Anderson Darling dimana Hipotesisnya yaitu :
Ho : Sisaan menyebar Normal vs
H1 : Sisaan tidak menyebar Normal
Dari perhitungan didapatkan bahwa A2 hitung= 0.268 dan A2 tabel = 0.752 sehingga
Terima Ho dengan kesimpulan sisaan menyebar Normal.
5. HETEROSKEDASTISITAS
Ada 2 cara untuk mengetahui Indikasi adanya Heteroskedastisitas yaitu:
a) Plotkan antara ei2 dengan Y duga dan Xi
Plot ei2 dengan X2

50

40

30
ei2

20

10

17 Plot ei2 dengan

22 X1 27
X2

Plot ei2 dengan X1

50

40

30
ei2

20

10

50 60 70 80
X1
 Plot ei2 dengan Y duga

50

40

30
ei2

20

10

10 20 30 40
FITS8
Dari gambar terlihat bahwa tidak ada pola sehingga dapat dikatakan tidak terjadi
Heteroskedastisitas

b) Uji Park

Regression Analysis: ln ei2 versus LnX1

The regression equation is

ln = - 33,0 + 8,34 LnX1

Predictor Coef SE Coef T P

Constant -33,04 12,61 -2,62 0,017
LnX1 8,344 3,083 2,71 0,014

S = 2,067 R-Sq = 27,8% R-Sq(adj) = 24,0%

PRESS = 107,294 R-Sq(pred) = 4,57%

Analysis of Variance

Source DF SS MS F P
Regression 1 31,278 31,278 7,32 0,014
Residual Error 19 81,152 4,271
Total 20 112,429

Unusual Observations
Obs LnX1 ln Fit SE Fit Residual St Resid
16 3,91 -6,131 -0,400 0,700 -5,731 -2,95R

R denotes an observation with a large standardized residual

Durbin-Watson statistic = 1,44

Regression Analysis: ln ei2 versus LnX2

The regression equation is

ln = - 21,1 + 7,27 LnX2

Predictor Coef SE Coef T P

Constant -21,05 10,10 -2,09 0,051
LnX2 7,273 3,319 2,19 0,041

S = 2,173 R-Sq = 20,2% R-Sq(adj) = 16,0%

PRESS = 111,000 R-Sq(pred) = 1,27%

Analysis of Variance

Source DF SS MS F P
Regression 1 22,688 22,688 4,80 0,041
Residual Error 19 89,741 4,723
Total 20 112,429

Unusual Observations
Obs LnX2 ln Fit SE Fit Residual St Resid
16 2,89 -6,131 -0,029 0,683 -6,102 -2,96R

R denotes an observation with a large standardized residual

Durbin-Watson statistic = 1,14

Karena diperoleh R2 yang tidak terlalu besar pada masing-masing analisis regresi
Xi di atas, yaitu 27,8% dan 20,2% sehingga dapat disimpulkan bahwa tidak terjadi
heteroskedastisitas dan memenuhi asumsi Analisis Regresi.
6. AUTOKORELASI
Dengan tidak adanya Autokorelasi yang mana cov(ei,ei-1)=0 dapat dideteksi dengan uji
Durbin-Watson dengan Hipotesisnya adalah :
H0 : tidak ada autokorelasi antar sisaan vs
H1 : ada autokorelasi antar sisaan
Dari analisis didapatkan bahwa: : dhitung = Durbin-Watson statistic = 1,65

Dengan  =0.05 maka dL=0.89 dan dU=1.27 dan 4- dU =2.73 sehingga didapatkan hasil
dU < dhitung <4- dU maka TERIMA Ho yang berarti tidak ada Autokorelasi antar sisaan.