Regresi Linier Berganda

Regresi berganda digunakan untuk mengukur pengaruh beberapa peubah/variabel terhadap suatu
variabel. Variabel yang digunakan meliputi variabel bebas (independen) dan variabel tak bebas
(dependen).

Penerapan:

Jika kita ingin mengukur faktor-faktor yang berpengaruh terhadap penjualan produk mobil di Indonesia,
mungkin variabel-variabel yang mempengaruhinya dapat berupa citra merek, layanan purna jual, harga
yang kompetitif, pengaruh lingkungan, iklan media. Dari contoh tersebut maka penjualan produk mobil
dapat kita sebut variabel dependen (yang dipengaruhi/terikat), sedangkan citra merek, layanan purna
jual, harga yang kompetitif, lingkungan, iklan media merupakan variabel independen (yang
mempengaruhi/tidak terikat). Untuk mengetahui pengaruh variabel independen terhadap variabel
dependen tersebut maka pertama-tama kita harus menyusun suatu persamaan regresi. Persamaan
regresi adalah persamaan matematik yang memungkinkan kita untuk meramalkan nilai-nilai variabel
independen (tidak terikat).

Persamaan regresi dapat ditulis sebagai berikut:

Y = b0 + b1X1 + b2X2 + b3X3 + b4X4 + …… + bnXn + e

dimana:

Y = variabel dependen (tak bebas)

b0 = konstanta (tetapan)

X1, X2 = variabel independen (bebas)

e = error

Berdasarkan contoh diatas maka persamaan regresi dapat kita tulis sebagai berikut:

Y = b0 + b1X1 + b2X2 + b3X3 + b4X4 + b5X5 + e

dimana:
Y = penjualan produk mobil di Indonesia

b = konstanta

X1 = citra merek

X2 = layanan purna jual

X3 = harga kompetitif

X4 = pengaruh lingkungan

X5 = iklan media

e = error

Dengan data-data yang tersedia, maka dapat diketahui faktor mana saja yang berpengaruh
signifikan terhadap penjualan produk mobil di Indonesia. Pengolahan data-data dari persamaan
regresi dapat diketahui dengan metode OLS (ordinary least square). Prosedur proses pengolahan
data dengan minitab 14 dapat anda lihat  pada bahasan uji multikolinearitas dan autokorelasi

Regresi Dengan Eviews
Meneruskan bahasan Regresi Linier Berganda sebelumnya, pada bahasan ini kita akan
menjalankan regresi linier berganda dengan bantuan software eviews 5.1.

Ilustrasi contoh:

Seandainya kita memiliki variabel dependen (Y) tingkat inflasi di Amerika Serikat, dengan
variabel independen yang diamati adalah kurs Yen terhadap US$ (X1), kurs Rupiah terhadap
US$ (X2), dan kurs US$ terhadap Poundsterling (X3), maka kita akan memilki model sebagai
berikut:

Y = β0 + β1X1 + β2X2 + β3X3 + ε

Berikut adalah data-datanya selama 10 tahun dari tahun 1979 – 1988:

TAHAP MENGIMPOR DAN MENGINPUT DATA,

1. Buka software Eviews, kemudian klik NEW – WORKFILE, maka akan muncul tampilan
workfile create, kemudian frequency kita pilih ANNUAL karena kita menggunakan data tahunan
(10 tahun), jika anda menggunakan data bulanan atau kuartal anda bisa memilih monthly atau
quarterly, kemudian pada start date kita masukkan tahun awal 1978 dan pada end date kita
isikan tahun akhir, pada contoh ini 1988 kemudian klik OK, seperti tampilan berikut:
2. Setelah muncul tampilan workfile:untitled, anda bisa memilih dari menubar FILE – IMPORT
– READ TEXT LOTUS EXCELL, seperti berikut:
3. Nah disitu anda mencari data yang anda input dalam bentuk Microsoft excel tadi, misalnya di
my document, kemudian klik dua kali data tersebut sehingga muncul tampilan Excell
Spreadsheet Import, kemudian kotak upper left data cell masukkan posisi data anda di excel tadi,
misalkan di sel B2, pada kotak name for series isikan juga nama data, pada kasus ini adalah Y,
X1, X2, X3 atau anda bisa saja menuliskan jumlah variabel yang digunakan dalam model,
misalnya dalam kasus ini kita menggunakan 4 variabel (dependen dan independen), maka
eviews akan membaca nama variabel sesuai yang kita tulis di excel tadi – klik OK seperti
berikut:

4. Maka hasilnya menjadi,

MENJALANKAN REGRESI LINIER BERGANDA

1. Setelah langkah MENGIMPOR DATA diatas selesai, kita akan melakukan analisis regresi
linier dengan memilih menu OBJECT – NEW OBJECT seperti berikut:

2. Setelah muncul kotak dialog new object, anda dapat memilih EQUATION, dan pada kolom
name for object isikan misalnya REGRESI_1 – lalu klik OK.
3. Nah dapat kita lihat kotak dialog Equation Estimation, kita akan melanjutkan dengan
memasukkan model regresi yang kita gunakan, misalnya seperti berikut, upsss!!! jangan lupa
isikan C sebagai constant term atau konstanta, kemudian klik OK,

4. Kemudian akan dihasilkan output sebagai berikut:

Uji Multikolinearitas dan Autokorelasi

A. Multikolinearitas
Multikolinearitas adalah kondisi terdapatnya hubungan linier atau korelasi yang tinggi antara
masing-masing variabel independen dalam model regresi. Multikolinearitas biasanya terjadi
ketika sebagian besar variabel yang digunakan saling terkait dalam suatu model regresi. Oleh
karena itu masalah multikolinearitas tidak terjadi pada regresi linier sederhana yang hanya
melibatkan satu variabel independen.
Indikasi terdapat masalah multikolinearitas dapat kita lihat dari kasus-kasus sebagai berikut:
1. Nilai R2 yang tinggi (signifikan), namun nilai standar error dan tingkat signifikansi masing-
masing variabel sangat rendah.
2. Perubahan kecil sekalipun pada data akan menyebabkan perubahan signifikan pada variabel
yang diamati.
3. Nilai koefisien variabel tidak sesuai dengan hipotesis, misalnya variabel yang seharusnya
memiliki pengaruh positif (nilai koefisien positif), ditunjukkan dengan nilai negatif.
Memang belum ada kriteria yang jelas dalam mendeteksi masalah multikolinearitas dalam
model regresi linier. Selain itu hubungan korelasi yang tinggi belum tentu berimplikasi terhadap
masalah multikolinearitas. Tetapi kita dapat melihat indikasi multikolinearitas dengan tolerance
value (TOL), eigenvalue, dan yang paling umum digunakan adalah varians inflation factor
(VIF).
 Hingga saat ini tidak ada kriteria formal untuk menentukan batas terendah dari nilai toleransi
atau VIF. Beberapa ahli berpendapat bahwa nilai toleransi kurang dari 1 atau VIF lebih besar
dari 10 menunjukkan multikolinearitas signifikan, sementara itu para ahli lainnya menegaskan
bahwa besarnya R2 model dianggap mengindikasikan adanya multikolinearitas. Klein (1962)
menunjukkan bahwa, jika VIF lebih besar dari 1/(1 – R 2) atau nilai toleransi kurang dari (1 – R2),
maka multikolinearitas dapat dianggap signifikan secara statistik.

B. Autokorelasi
Uji autokorelasi digunakan untuk melihat apakah ada hubungan linier antara error serangkaian
observasi yang diurutkan menurut waktu (data time series). Uji autokorelasi perlu dilakukan
apabila data yang dianalisis merupakan data time series (Gujarati, 1993).

dimana:
d = nilai Durbin Watson
Σei = jumlah kuadrat sisa
Nilai Durbin Watson kemudian dibandingkan dengan nilai d-tabel. Hasil perbandingan akan
menghasilkan kesimpulan seperti kriteria sebagai berikut:
1. Jika d < dl, berarti terdapat autokorelasi positif
2. Jika d > (4 – dl), berarti terdapat autokorelasi negatif
3. Jika du < d < (4 – dl), berarti tidak terdapat autokorelasi
4. Jika dl < d < du atau (4 – du), berarti tidak dapat disimpulkan
Berikut ini adalah daerah pengujian durbin watson:

Ilustrasi Kasus:

Oke, kemudian kita lihat contoh berikut (pengerjaannya sama dengan langkah pengerjaan regresi
linier berganda,  untuk yang belum mengerti secara penuh regresi linier berganda bisa
menyimaknya disini >>:
Seandainya kita memiliki variabel dependen (Y) tingkat inflasi di Amerika Serikat, dengan
variabel independen yang diamati adalah kurs Yen terhadap US$ (X1), kurs Rupiah terhadap
US$ (X2), dan kurs US$ terhadap Poundsterling (X3), maka kita akan memilki model sebagai
berikut:
Y = β0 + β1X1 + β2X2 + β3X3 + ε
Berikut adalah data-datanya selama 10 tahun dari tahun 1979 – 1988:

Maka dengan Minitab 14, langkah-langkah pengerjaannya adalah sebagai berikut:

1. Buka Minitab, kemudian copy – paste datanya ke dalam worksheet minitab seperti berikut ini:
2. Kemudian langkah kedua, dari menubar pilih Stat – Regression – Regression seperti berikut:
3. Setelah muncul kotak dialog Regression, masukkan variabel Y ke kotak Response, dan
masukkan variabel X1, X2, dan X3 ke kotak Predictors. Proses ini dilakukan dengan memblok
variabel dan pilih select. Setelah itu pilih Option (kiri bawah), lalu centang durbin Watson
statistic, varians inflation factor, dan predicter R-square. Durbin Watson statistic berguna untuk
melihat indikasi autokorelasi, sedangkan nilai varians inflation factor (VIF) adalah untuk
melihat adanya indikasi multikolinearitas pada model, kemudian klik OK – OK,

4. Kemudian outputnya seperti berikut:

Persamaan Regresi yang dihasilkan adalah:
Y = -26,3 + 0,0086 X1 + 0,0843 X2 + 4,26 X3
Dari persamaan tersebut dapat dikemukakan bahwa semua variabel berpengaruh positif, artinya
jika terjadi kenaikan inflasi di Amerika Serikat, maka akan diikuti oleh ketiga variabel
penjelas/independen. Dengan koefisien korelasi X1 dan X2 yang sangat kecil, maka
pengaruhnya tidak signifikan. Karena jumlah sampel yang baik minimal adalah 30, serta
pemilihan variabel secara dilakukan secara acak, karena untuk kebutuhan ilustrasi saja.
Nilai VIF pada output menunjukkan keberadaan multikolinearitas tidak signifikan, artinya tidak
ada indikasi multikolinearitas dalam model. Ini ditunjukkan dengan nilai VIF berturut-turut
untuk X1, X2, dan X3 adalah 4,7, 3,9, dan 1,7.
Nilai signifikansi pada output Analysis Of Variance menunjukkan model regresi yang digunakan
kurang baik, diindikasikan dengan nilai F-statistik yang kecil (3,44%) dan nilai p-value 0,092
> 0,05.
Nilai Durbin Watson mengindikasikan tidak adanya autokorelasi yang terjadi yang
diindikasikan dengan nilai 2,06. Nilai tersebut terletak pada daerah tengah rentang pengujian
autokorelasi Durbin Watson.
Untuk masalah heteroskedastisitas, akan dibahas pada bahasan lain Statistik 4 Life. (yoz)