You are on page 1of 14

BAB IV

REGRESI LINIER BERGANDA

A. Rangkuman
Pada bab ini jumlah variabel yang digunakan akan ditambah menjadi
lebih banyak, yaitu satu variabel Y dan jumlah variabel X nya lebih dari 1 (satu)
variabel. Artinya, variabel X bisa berjumlah 2, 3, atau lebih. Jumlah X yang
lebih dari satu tersebut terkenal dengan istilah Regresi Linier Berganda atau
multiple linier regression.
Perubahan model dari bentuk single ke dalam bentuk multiple
mengalami beberapa perubahan, meliputi:
1. Jumlah variabel penjelasnya bertambah, sehingga spesifikasi model dan
data terjadi penambahan.
2. Rumus penghitungan nilai b mengalami perubahan.
3. Jumlah degree of freedom dalam menentukan nilai t juga berubah.
Model regresi linier umumnya dituliskan sebagai berikut:

Dengan mengacu model Yale, maka notasi model menjadi seperti
berikut:

Notasi model Yale ini mempunyai spesifikasi dalam menandai variabel
terikat yang selalu dengan angka 1. Untuk variabel bebas notasinya dimulai
dari angka 2, 3, 4, dan seterusnya. Notasi b1.23 berarti nilai perkiraan Y kalau

1
X2 dan X3 masing-masing sama dengan 0 (nol). Notasi b1.23 berarti besarnya
pengaruh X2 terhadap Y jika X3 tetap. Notasi b13..2 berarti besarnya pengaruh
X3 terhadap Y jika X2 tetap.
1. Penghitungan Nilai Parameter
Penggunaan metode OLS dalam regresi linier berganda
dimaksudkan untuk mendapatkan aturan dalam mengestimasi parameter
yang tidak diketahui. Prinsip yang terkandung dalam OLS sendiri adalah
untuk meminimalisasi perbedaan jumlah kuadrat kesalahan (sum of square)
antara nilai observasi Y dengan Yˆ. Secara matematis, fungsi minimalisasi
sum of square ditunjukkan dalam rumus:

Untuk mendapatkan estimasi least square b0, b1, b2 minimum, dapat
dilakukan melalui cara turunan parsial (partially differentiate) dari
formula di atas, sebagai berikut:

Jadikan nilai-nilai turunan parsial di atas menjadi sama dengan 0
(nol), dengan cara membagi dengan angka 2, hingga menjadi:

Untuk menyederhanakan rumus paling atas dilakukan pembagian
dengan n, sehingga memperoleh rumus baru sebagai berikut:

2
Kalau di notasikan:

Maka b1 dan b2 dapat dicari dengan rumus:

Telah dikemukakan di atas bahwa pencarian nilai b pada single
linier berbeda dengan multiple linier. Perbedaan ini muncul karena jumlah
variabel penjelasnya bertambah. Semakin banyaknya variabel X ini maka
kemungkinan-kemungkinan yang menjelaskan model juga mengalami
pertambahan. Dalam single linier kemungkinan perubahan variabel lain
tidak terjadi, tetapi dalam multiple linier hal itu terjadi. Misalnya, Jika
terjadi perubahan pada X1, meskipun X2 konstan, akan mampu merubah
nilai harapan dari Y. Begitu pula, perubahan pada X2, meskipun X1 konstan,
akan mampu merubah nilai harapan dari Y. Perubahan yang terjadi pada
X1 atau X2 tentu mengakibatkan perubahan nilai harapan Y atau E(Y/X1,X2)
yang berbeda. Oleh karena itu pencarian nilai b mengalami perubahan.
Misalnya kita hendak mengontrol pengaruh linier X2 ketika
melakukan pengukuran dampak dari perubahan X1 terhadap Y, maka dapat
melakukan langkah-langkah sebagai berikut:

3
Berdasarkan data-data yang tertera dalam tabel di atas, maka nilai
b0, b1, dan b2 dapat ditentukan, melalui pencarian menggunakan rumus-
rumus sebagai berikut:
a. Rumus untuk mencari nilai b1 (pada model multiple regression) adalah:

b. Rumus untuk mencari nilai b2 (pada model multiple regression) adalah:

c. Rumus untuk mencari nilai b0 (pada model multiple regression) adalah:

Nilai dari parameter b1 dan b2 merupakan nilai dari suatu sampel.
Nilai b1 dan b2 tergantung pada jumlah sampel yang ditarik. Penambahan
atau pengurangan akan mengakibatkan perubahan rentangan nilai b.
Perubahan rentang nilai b1 dan b2 diukur dengan standar error. Semakin
besar standar error mencerminkan nilai b sebagai penduga populasi
semakin kurang representatif. Sebaliknya, semakin kecil standar error
maka keakuratan daya penduga nilai b terhadap populasi semakin tinggi.
Perbandingan antara nilai b dan standar error ini memunculkan nilai t,
yang dapat dirumuskan sebagai berikut:

dimana:

4
b = nilai parameter
Sb = standar error dari b. Jika b sama dengan 0 (b=0) atau Sb
bernilai sangat besar, maka nilai t akan sama dengan atau mendekati 0
(nol).
Untuk dapat melakukan uji t, perlu menghitung besarnya standar
error masing-masing parameter (baik b0, b1, b2), seperti diformulakan
Gujarati (1995:198-199) sebagai berikut:

Rumus-rumus di atas, dapat kita masuki dengan angka-angka yang
tertera pada tabel, hanya saja belum semuanya dapat terisi. Kita masih
memerlukan lagi angka untuk mengisi rumus ∑e2. Untuk dapat mengisi
rumus tersebut, perlu terlebih dulu mencari nilai e. Nilai e adalah standar
error yang terdapat dalam persamaan regresi. Perhatikan persamaan
regresi:

Secara matematis, dari persamaan regresi di atas nilai e dapat
diperoleh, dengan cara mengubah posisi tanda persamaan hingga menjadi:

Setelah diketahui semua nilai standar error (Sb0, Sb1, Sb2) melalui
penggunaan rumus-rumus di atas, maka nilai t untuk masing-masing
parameter dapat diperoleh, karena nilai t merupakan hasil bagi antara b
dengan Sb. Pencarian nilai t mempunyai kesamaan dengan model regresi

5
linier sederhana, hanya saja pencarian Sb nya yang berbeda. Pencarian
masing-masing nilai t dapat dirumuskan sebagai berikut:
Mencari nilai statistik tb0:

Mencari nilai statistik tb1:

Mencari nilai statistik tb2:

Dengan diketahuinya nilai t hitung masing-masing parameter, maka
dapat digunakan untuk mengetahui signifikan tidaknya variabel penjelas
dalam mempengaruhi variabel terikat. Untuk dapat mengetahui apakah
signifikan atau tidak nilai t hitung tersebut, maka perlu membandingkan
dengan nilai t tabel. Apabila nilai t hitung lebih besar dibandingkan dengan
nilai t tabel, maka variabel penjelas tersebut signifikan. Sebaliknya, jika
nilai t hitung lebih kecil darit tabel, maka variabel penjelas tersebut tidak
signifikan.
2. Koefisien Determinasi (R2)
Koefisien determinasi pada dasarnya digunakan untuk mengukur
goodness of fit dari persamaan regresi, melalui hasil pengukuran dalam
bentuk prosentase yang menjelaskan determinasi variabel penjelas (X)
terhadap variabel yang dijelaskan (Y). Koefisien determinasi dapat dicari
melalui hasil bagi dari total sum of square (TSS) atau total variasi Y
terhadap explained sum of square (ESS) atau variasi yang dijelaskan Y.
Dengan demikian kita dapat mendefinisikan lagi R2 dengan arti rasio
antara variasi yang dijelaskan Y dengan total variasi Y. Rumus tersebut
adalah sebagai berikut:

6
Total variasi Y (TSS) dapat diukur menggunakan derajat deviasi
dari masing-masing observasi nilai Y dari rata-ratanya. Hasil pengukuran
ini kemudian dijumlahkan hingga mencakup seluruh observasi. Jelasnya:

Nilai explained sum of square (ESS) atau variasi yang dijelaskan Y
didapat dengan menggunakan rumus sebagai berikut:

Jadi, rumus di atas dapat pula dituliskan menjadi sebagai berikut:

dimana:
Yˆ (baca: Y cap) adalah nilai perkiraan Y atau estimasi garis
regresi.
Y (baca: Y bar) adalah nilai Y rata-rata.
Y cap diperoleh dengan cara menghitung hasil regresi dengan
memasukkan nilai parameter dan data variabel. Penghitungan nilai Y cap
menjadi penting untuk dilakukan agar mempermudah kita dalam
menggunakan rumus R2 yang telah ditentukan di atas. Sebagai contoh
menghitung Y cap, berikut ini dihitung nilai Y cap pada observasi 1.
3. Uji F
Pengujian secara serentak tersebut dilakukan dengan teknik
analisis of variance (ANOVA) melalui pengujian nilai F hitung yang
dibandingkan dengan nilai F tabel. Oleh karena itu disebut pula dengan uji
F. Pada prinsipnya, teknik ANOVA digunakan untuk menguji distribusi atau
variansi means dalam variabel penjelas apakah secara proporsional telah
signifikan menjelaskan variasi dari variabel yang dijelaskan. Untuk

7
memastikan jawabannya, maka perlu dihitung rasio antara variansi means
(variance between means) yang dibandingkan dengan variansi di dalam
kelompok variabel (variance between group). Hasil pembandingan
keduanya itu (rasio antara variance between means terhadap variance
between group) menghasilkan nilai F hitung, yang kemudian dibandingkan
dengan nilai F tabel.
Jika nilai F hitung lebih besar dibanding nilai F tabel, maka secara
serentak seluruh variabel penjelas yang ada dalam model signifikan
mempengaruhi variabel terikat Y. Sebaliknya, jika nilai F hitung lebih kecil
dibandingkan dengan nilai F tabel, maka tidak secara serentak seluruh
variabel penjelas yang ada dalam model signifikan mempengaruhi variabel
terikat Y. Atau secara ringkas dapat dituliskan sebagai berikut:

H0 diterima atau ditolak, adalah merupakan suatu keputusan
jawaban terhadap hipotesis yang terkait dengan uji F, yang biasanya
dituliskan dalam kalimat sebagai berikut:

Karena uji F adalah membandingkan antara nilai F hitung dengan
nilai F tabel, maka penting untuk mengetahui bagaimana mencari nilai F
hitung ataupun nilai F tabel. Nilai F hitung dapat dicari dengan
menggunakan rumus sebagai berikut:

8
Sedangkan nilai F tabel telah ditentukan dalam tabel. Yang penting
untuk diketahui adalah bagaimana cara membaca tabelnya. Seperti yang
telah dituliskan pada pembandingan antara nilai F hitung dan nilai F tabel
di atas, diketahui bahwa F tabel dituliskan F;k-1; (n-k).

Arti dari tulisan tersebut adalah:

a. Simbol menjelaskan tingkat signifikansi (level of significance)
(apakah pada 0,05 atau = 0,01 ataukah  = 0,10, dan
seterusnya).
b. Simbol (k-1) menunjukkan degrees of freedom for numerator.
c. Simbol (n-k) menunjukkan degrees of freedom for denominator.
B. Simpulan
Regresi linier berganda adalah satu variabel Y dan jumlah variabel X
nya lebih dari 1 variabel, bisa berjumlah 2, 3, 4 atau lebih.
Perubahan model dari bentuk single ke dalam bentuk multiple
mengalami beberapa perubahan, meliputi:
1. Jumlah variabel penjelasnya bertambah, sehingga spesifikasi model dan
data terjadi penambahan.
2. Rumus penghitungan nilai b mengalami perubahan.
3. Jumlah degree of freedom dalam menentukan nilai t juga berubah.

Telah dikemukakan di atas bahwa pencarian nilai b pada single linier
berbeda dengan multiple linier. Perbedaan ini muncul karena jumlah variabel
penjelasnya bertambah. Semakin banyaknya variabel X ini maka kemungkinan-
kemungkinan yang menjelaskan model juga mengalami pertambahan. Dalam
single linier kemungkinan perubahan variabel lain tidak terjadi, tetapi dalam
multiple linier hal itu terjadi. Misalnya, Jika terjadi perubahan pada X1,
meskipun X2 konstan, akan mampu merubah nilai harapan dari Y. Begitu pula,
perubahan pada X2, meskipun X1 konstan, akan mampu merubah nilai harapan
dari Y. Perubahan yang terjadi pada X1 atau X2 tentu mengakibatkan
perubahan nilai harapan Y atau E(Y/X1,X2) yang berbeda. Oleh karena itu
pencarian nilai b mengalami perubahan.

9
Perubahan rentang nilai b1 dan b2 diukur dengan standar error.
Semakin besar standar error mencerminkan nilai b sebagai penduga populasi
semakin kurang representatif. Sebaliknya, semakin kecil standar error maka
keakuratan daya penduga nilai b terhadap populasi semakin tinggi.
Untuk dapat mengetahui apakah signifikan atau tidak nilai t hitung
tersebut, maka perlu membandingkan dengan nilai t tabel. Apabila nilai t hitung
lebih besar dibandingkan dengan nilai t tabel, maka variabel penjelas tersebut
signifikan. Sebaliknya, jika nilai t hitung lebih kecil darit tabel, maka variabel
penjelas tersebut tidak signifikan.
Koefisien determinasi pada dasarnya digunakan untuk mengukur
goodness of fit dari persamaan regresi, melalui hasil pengukuran dalam bentuk
prosentase yang menjelaskan determinasi variabel penjelas (X) terhadap
variabel yang dijelaskan (Y).
Teknik ANOVA digunakan untuk menguji distribusi atau variansi means
dalam variabel penjelas apakah secara proporsional telah signifikan
menjelaskan variasi dari variabel yang dijelaskan. Untuk memastikan
jawabannya, maka perlu dihitung rasio antara variansi means (variance
between means) yang dibandingkan dengan variansi di dalam kelompok
variabel (variance between group).
Jika nilai F hitung lebih besar dibanding nilai F tabel, maka secara
serentak seluruh variabel penjelas yang ada dalam model signifikan
mempengaruhi variabel terikat Y. Sebaliknya, jika nilai F hitung lebih kecil
dibandingkan dengan nilai F tabel, maka tidak secara serentak seluruh
variabel penjelas yang ada dalam model signifikan mempengaruhi variabel
terikat Y.
C. Jawaban Pertanyaan
1. Regresi linier berganda adalah satu variabel Y dan jumlah variabel X nya
lebih dari 1 variabel, bisa berjumlah 2, 3, 4 atau lebih.
2. Model regresi linier berganda adalah

10
3. Arti dari notasi atas model regresi linier berganda adalah
A atau a : merupakan konstanta atau intercept
B atau b (b1,b2,b3) : merupakan koefisien regresi, yang juga
menggambarkan tingkat elastisitas variabel independen
Y : merupakan variabel dependen
X (X1, X2, X3) : merupakan variabel independen
e : error term
4. Informasi yang dapat diungkap pada konstanta adalah nilai a dalam garis
regresi digunakan untuk menentukan letak titik potong garis pada sumbu Y.
Jika nilai a > 0 maka letak titik potong garis regresi pada sumbu Y akan
berada di atas origin (0), apabila nilai a < 0 maka titik potongnya akan
berada di bawah origin (0).
5. Informasi yang dapat diungkap pada koefisien regresi adalah untuk
menentukan tingkat kemiringan garis regresi. Semakin rendah nilai b, maka
derajat kemiringan garis regresi terhadap sumbu X semakin rendah pula.
Sebaliknya, semakin tinggi nilai b, maka derajat kemiringan garis regresi
terhadap sumbu X semakin tinggi.
6. Perbedaan antara model regresi linier sederhana dan model regresi linier
berganda adalah regresi linier dengan 2 (dua) variabel (yaitu variabel Y
dan X) atau biasa disebut dengan single linier regression. Dan Regresi
linier berganda adalah satu variabel Y dan jumlah variabel X nya lebih dari
1 variabel, bisa berjumlah 2, 3, 4 atau lebih. Perubahan model dari bentuk
single ke dalam bentuk multiple mengalami beberapa perubahan, meliputi:
a. Jumlah variabel penjelasnya bertambah, sehingga spesifikasi model
dan data terjadi penambahan.

11
b. Rumus penghitungan nilai b mengalami perubahan.
c. Jumlah degree of freedom dalam menentukan nilai t juga berubah.
7. Rumus untuk mencari nilai b pada model regresi linier berganda berbeda
dengan regresi linier sederhana karena jumlah variabel penjelasnya
bertambah. Semakin banyaknya variabel X ini maka kemungkinan-
kemungkinan yang menjelaskan model juga mengalami pertambahan.
Dalam single linier kemungkinan perubahan variabel lain tidak terjadi,
tetapi dalam multiple linier hal itu terjadi. Misalnya, Jika terjadi perubahan
pada X1, meskipun X2 konstan, akan mampu merubah nilai harapan dari Y.
Begitu pula, perubahan pada X2, meskipun X1 konstan, akan mampu
merubah nilai harapan dari Y. Perubahan yang terjadi pada X1 atau X2
tentu mengakibatkan perubahan nilai harapan Y atau E(Y/X1,X2) yang
berbeda. Oleh karena itu pencarian nilai b mengalami perubahan.
8. Apakah pencarian nilai t juga mengalami perubahan? Kenapa? Ya
mengalami perubahan karena Untuk dapat melakukan uji t, perlu
menghitung besarnya standar error masing-masing parameter (baik b0, b1,
b2), seperti diformulakan Gujarati (1995:198-199) sebagai berikut:

Setelah diketahui semua nilai standar error (Sb0, Sb1, Sb2) melalui
penggunaan rumus-rumus di atas, maka nilai t untuk masing-masing
parameter dapat diperoleh, karena nilai t merupakan hasil bagi antara b
dengan Sb. Pencarian nilai t mempunyai kesamaan dengan model regresi
linier sederhana, hanya saja pencarian Sb nya yang berbeda.

12
9. Menentukan nilai t yang signifikan adalah apabila nilai t hitung lebih besar
dibandingkan dengan nilai t tabel, maka variabel penjelas tersebut
signifikan. Sebaliknya, jika nilai t hitung lebih kecil darit tabel, maka
variabel penjelas tersebut tidak signifikan.
10. Kegunaan nilai F adalah untuk menguji distribusi atau variansi means
dalam variabel penjelas apakah secara proporsional telah signifikan
menjelaskan variasi dari variabel yang dijelaskan.
11. Menentukan nilai F yang signifikan adalah Jika nilai F hitung lebih besar
dibanding nilai F tabel, maka secara serentak seluruh variabel penjelas
yang ada dalam model signifikan mempengaruhi variabel terikat Y.
12. Apakah rumus dalam mencari koefisien determinasi pada model regresi
linier berganda berbeda dengan regresi linier sederhana?kenapa?
Ya karena Koefisien determinasi dapat dicari melalui hasil bagi dari total
sum of square (TSS) atau total variasi Y terhadap explained sum of square
(ESS) atau variasi yang dijelaskan Y. Dengan demikian kita dapat
mendefinisikan lagi R2 dengan arti rasio antara variasi yang dijelaskan Y
dengan total variasi Y. Rumus tersebut adalah sebagai berikut:

Total variasi Y (TSS) dapat diukur menggunakan derajat deviasi dari
masing-masing observasi nilai Y dari rata-ratanya. Hasil pengukuran ini
kemudian dijumlahkan hingga mencakup seluruh observasi. Jelasnya:

Nilai explained sum of square (ESS) atau variasi yang dijelaskan Y didapat
dengan menggunakan rumus sebagai berikut:

Jadi, rumus di atas dapat pula dituliskan menjadi sebagai berikut:

13
dimana:
Yˆ (baca: Y cap) adalah nilai perkiraan Y atau estimasi garis
regresi.
Y (baca: Y bar) adalah nilai Y rata-rata.
Y cap diperoleh dengan cara menghitung hasil regresi dengan
memasukkan nilai parameter dan data variabel. Penghitungan nilai Y cap
menjadi penting untuk dilakukan agar mempermudah kita dalam
menggunakan rumus R2 yang telah ditentukan di atas. Sebagai contoh
menghitung Y cap, berikut ini dihitung nilai Y cap pada observasi 1.
13. Variabel penjelas dapat dikatakan atau dianggap sebagai predictor terbaik
dalam menjelaskan Y yaitu jika nilai F hitung lebih besar dibanding nilai F
tabel, maka secara serentak seluruh variabel penjelas yang ada dalam
model signifikan mempengaruhi variabel terikat Y.

Nama : Fian Metal Angga P.
NIM : 2014020129
Kelas : Manajemen Semester 6 B1
Referensi:

Gujarati,Damodar N., 1999, “Essentials of Econometrics”, Second Edition, Irwin
McGraw Hill.
G.U. Yale, On the Theory of Correlation for any Number of Variables, Treated by a new
System of Notation, Preceeding of Royal Society, A, Vol.79, 1970.
Insukindro. Pembentukan model dalam Penelitian Ekonomi, Jurnal Ekonomi dan Bisnis
Indonesia, 7(1), 1-18
Kuncoro, Mudrajad. 2001. Metode Kuantitatif, Teori dan Aplikasi Untuk Bisnis dan
Ekonomi. Yogyakarta: UPP AMP YKPN
Sugiyanto, Catur. 1994. Ekonometrika Terapan, Edisi I. Yogyakarta: BPFE
Supawi Pawenang. 2011. Ekonometrika Terapan. Jogjakarta: IDEA Press
Supranto, J. 1983. Ekonometrik, Buku Satu, Depok: Lembaga Penerbit FE UI

14