Uji Regresi Berganda (Tmasuk Cara Interpretasi Tabel2 Spssnya)

Sumber: http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html

Uji Regresi Berganda

O L E H : S E T A B A S R I 3 5 9 K O M E N T A R

M E T O D E P E N E L I T I A N

Uji regresi berganda banyak sekali dipakai dalam penelitian. Pemakaian baik untuk keperluan

skripsi ataupun penelitian sehari-hari. Kelebihan uji regresi adalah kemampuannya melakukan

prediksi. Bagi kalangan guru sekolah atau dosen, uji regresi bisa dipakai untuk memprediksi

perilaku siswa, baik dalam hal nilai atau perilaku-perilaku lainnya.

Regresi Berganda Simultan atau Standar adalah kembangan lebih lanjut dari Penelitian

Korelasional. Lewat Uji Regresi hendak dilihat bagaimana suatu variabel mempengaruhi

variabel lain. Regresi Berganda Simultan atau Standar juga kerap disebut Standard Multiple

Regression atau Simultaneous Multiple Regression).

Dalam uji regresi berganda simultan, seluruh variabel prediktor (bebas) dimasukkan ke dalam

perhitungan regresi secara serentak. Jadi, peneliti bisa menciptakan persamaan regresi guna

memprediksi variabel terikat dengan memasukkan, secara serentak, serangkaian variabel bebas.

Persamaan regresi kemudian menghasilkan konstanta dan koefisien regresi bagi masing-masing

variabel bebas.

Selain Regresi Berganda Simultan atau Standar, ada pula Regresi Berganda Stepwise dan

Regresi Berganda Hirarki. Tulisan ini hanya hendak mendalami Regresi Berganda Simultan atau

Standar saja.

Regresi Berganda dengan SPSS

Regresi Berganda sangat mudah dilakukan dengan SPSS. Julie Pallant menginstruksikan

dilakukannya langkah-langkah berikut ini :

1. Klik Analyze --> Regression --> Linear.

http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html

2. Klik variabel terikat --> Pindahkan ke kotak Dependent.

3. Klik variabel bebas --> Pindahkan ke kotak Independent(s).

4. Pada Method, pastikan dipilih Enter (untuk Regresi Berganda Standar).

5. Klik tombol Statistics, lalu lakukan :

6. Ceklis Estimates, Model fit, Descriptives, dan Collinearity diagnostics.

7. Pada bagian Residual, ceklis Casewise diagnostics dan Outliers outside 3 standard deviations.

8. Klik Continue.

9. Klik tombol Options. Pada bagian Missing Values ceklis Exclude cases pairwise.

10. Klik tombol Plots, lakukan :

11. Klik *ZRESID dan tombol panah untuk memindahkannya ke kotak y-axis.

12. Klik *ZPRED dan tombol panah untuk memindahkannya ke kotak x-axis.

13. Klik Next

14. Klik *SRESID dan tombol panah untuk memindahkannya ke kotak y-axis (untuk melihat

homoskedastisitas)

15. Klik *ZPRED dan tombol panah untuk memindahkannya ke kotak x-axis (untuk melihat

homoskedastisitas)

16. Pada bagian Standardized Residual Plots, ceklis pilihan Normal probability plot.

17. Klik Continue.

18. Klik tombol Save.

19. Pada bagian Predicted Values, ceklis Unstandardized, Standardized, Adjusted

20. Pada bagian Residuals, ceklis Standardized, Deleted, dan Studentized deleted.

21. Pada bagian Distances, ceklis Mahalanobis, Cook’s, dan Leverage values.

22. Pada bagian Influence Statistics, ceklis Standardized dfBeta(s) dan Standardized DiFit

23. Klik Continue.

24. Klik OK.

Asumsi Uji Regresi Berganda (Multiple Regression)

Menurut Julie Pallant dan Andy Field, Uji Regresi Berganda punya sejumlah asumsi yang tidak

boleh dilanggar. Asumsi-asumsi Uji Regresi Berganda adalah:

1. Ukuran Sampel

Masalah berkenaan ukuran sampel di sini adalah generabilitas. Dengan sampel kecil anda tidak

bisa melakukan generalisasi (tidak bisa diulang) dengan sampel lainnya. Berbeda penulis

berbeda berapa sampel yang seharusnya dalam uji Regresi Berganda. Stevens (1996, p.72)

merekomendasikan bahwa “untuk penelitian ilmu sosial, sekitar 15 sampel per prediktor

(variabel bebas) dibutuhkan untuk mengisi persamaan uji regresi.” Tabachnick and Fidell (1996,

p.132) memberi rumus guna menghitung sampel yang dibutuhkan uji Regresi, berkaitan dengan

jumlah variabel bebas yang digunakan:

n > 50 + 8m

Dimana :

n = Jumlah Sampel

m = Jumlah Variabel Bebas

Jika peneliti menggunakan 5 variabel bebas, maka jumlah sampel yang dibutuhkan adalah 90

orang, dalam mana 50 ditambah ( 5 x 8) = 50 + 40 = 90.

2. Outlier

Regresi Berganda sangat sensitif terhadap Outlier (skor terlalu tinggi atau terlalu rendah).

Pengecekan terhadap skor-skor ekstrim seharusnya dilakukan sebelum melakukan Regresi

Berganda. Pengecekan ini dilakukan baik terhadap variabel bebas maupun terikat. Outlier bisa

dihapus dari data atau diberikan skor untuk variabel tersebut yang tinggi, tetapi tidak terlampau

beda dengan kelompok skor lainnya. Prosedur tambahan guna mendeteksi outlier juga terdapat

pada program SPSS file mah_1. Outlier pada variabel terikat dapat diidentifikasi dari

Standardised Residual plot yang dapat disetting. Tabachnick and Fidell (1996, p. 139)

menentukan outlier adalah nilai-nilai Standardised Residual di atas 3,3 (atau < - 3,3).

Outlier juga bisa dicek menggunakan jarak Mahalanobis yang tidak diproduksi oleh program

Regresi Berganda SPSS ini. Ia tidak terdapat dalam output SPSS. Untuk mengidentifikasi sampel

mana yang merupakan Outlier, anda perlu menentukan nilai kritis Chi Square, dengan

menggunakan jumlah variabel bebas yang digunakan dalam penelitian sebagai “degree of

freedom-nya” atau derajat kebebasan. Pallant menggunakan Alpha 0,001 agar lebih meyakinkan,

yang rinciannya sebagai berikut:

Untuk menggunakan tabel kritis Chi Square, lakukan langkah berikut:

1. Tentukan variabel bebas yang digunakan dalam analisis;

2. Temukan nilai di atas pada salah satu kolom berbayang; dan

3. Baca melintasi kolom untuk menemukan nilai kritis yang dikehendaki.

3. Normalitas Residu

Normalitas adalah residu yang seharusnya terdistribusi normal seputar skor-skor variabel terikat.

Residu adalah sisa atau perbedaan hasil antara nilai data pengamatan variabel terikat terhadap

nilai variabel terikat hasil prediksi. Untuk melihat apakah residu normal atau tidak, dapat

dilakukan dengan cara berikut:

1. Melihat grafik Normal P-P Plot, dan

2. Uji Kolmogorov-Smirnov

http://1.bp.blogspot.com/-AgC9_Vg7FN0/T53oFr3OOOI/AAAAAAAABBU/X28rDhJjVx4/s1600/outlier_pallant.JPG

Pada grafik Normal P-P Plot, residu yang normal adalah data memencar mengikuti fungsi

distribusi normal yaitu menyebar seiring garis z diagonal. Residu normal dari uji Kolmogorov-

Smirnov adalah diperolehnya nilai p > 0,05.

Linieritas adalah residual yang seharusnya punya hubungan dalam bentuk “straight-line” dengan

skor variabel terikat yang diprediksi. Homoskedastisitas adalah varians residual seputar skor-

skor variabel terikat yang diprediksi seharusnya sama bagi skor-skor yang diprediksi secara

keseluruhan.

4. Multikolinieritas

Uji Regresi mengasumsikan variabel-variabel bebas tidak memiliki hubungan linier satu sama

lain. Sebab, jika terjadi hubungan linier antarvariabel bebas akan membuat prediksi atas variabel

terikat menjadi bias karena terjadi masalah hubungan di antara para variabel bebasnya.

Dalam Regresi Berganda dengan SPSS, masalah Multikolinieritas ini ditunjukkan lewat tabel

Coefficient, yaitu pada kolom Tolerance dan kolom VIF (Variance Inflated Factors). Tolerance

adalah indikator seberapa banyak variabilitas sebuah variabel bebas tidak bisa dijelaskan oleh

variabel bebas lainnya. Tolerance dihitung dengan rumus 1 – R2 untuk setiap variabel bebas.

Jika nilai Tolerance sangat kecil (< 0,10), maka itu menandakan korelasi berganda satu variabel

bebas sangat tinggi dengan variabel bebas lainnya dan mengindikasikan Multikolinieritas. Nilai

VIF merupakan invers dari nilai Tolerance (1 dibagi Tolerance). Jika nilai VIF > 10, maka itu

mengindikasikan terjadinya Multikolinieritas.

Hipotesis untuk Multikolinieritas ini adalah:

5. Autokorelasi

Autokorelasi juga disebut Independent Errors. Regresi Berganda mengasumsikan residu

observasi seharusnya tidak berkorelasi (atau bebas). Asumsi ini bisa diuji dengan teknik statistik

Durbin-Watson, yang menyelidiki korelasi berlanjut antar error (kesalahan). Durbin-Watson

menguji apakah residual yang berdekatan saling berkorelasi. Statistik pengujian bervariasi antara

0 hingga 4 dengan nilai 2 mengindikasikan residu tidak berkorelasi. Nilai > 2 mengindikasikan

korelasi negatif antar residu, di mana nilai < 2 mengindikasikan korelasi positif. >

Cara melakukan uji Durbin-Watson adalah, nilai Durbin-Watson hitung harus lebih besar dari

batas atas Durbin-Watson tabel. Syarat untuk mencari Durbin-Watson tabel adalah Tabel

Durbin-Watson. Untuk mencari nilai Durbin-Watson tabel:

1. tentukan besar n (sampel) dan k (banyaknya variabel bebas).

2. Tentukan taraf signifikansi penelitian yaitu 0,05.

Durbin-Watson hitung dapat dicari dengan SPSS. Nilai Durbin-Watson hitung terdapat dalam

output SPSS, khususnya pada tabel Model Summary. Hipotesis untuk Autokorelasi ini adalah:

Pengambilan keputusannya adalah:

Dengan kurva normal pengambilan Durbin-Watson:

http://3.bp.blogspot.com/-klhlbvo2-k4/TiasFriJfMI/AAAAAAAAAfk/CWTr-obGots/s1600/r2.PNG

Terima H0 jika Durbin-Watson hitung lebih besar dari ..... dan Durbin-Watson hitung lebih kecil

dari 4 - .....; Artinya tidak ada Autokorelasi.

Tolak H0 jika Durbin-Watson hitung lebih kecil dari ..... atau 4 - ..... lebih kecil dari .....; Artinya

ada Autokorelasi.

6. Homoskedastisitas

Uji Regresi bisa dilakukan jika data bersifat Homoskedastisitas bukan Heteroskedastisitas.

Homoskedastisitas adalah kondisi dalam mana varians dari data adalah sama pada seluruh

pengamatan. Terdapat sejumlah uji guna mendeteksi gejala heteroskedastisitas misalnya uji

Goldfeld-Quandt dan Park. Namun, Wang and Jain beranggapan bahwa Uji Park dapat lebih

teliti dalam memantau gejala heteroskedastisitas ini. Dengan demikian, penelitian ini akan

menggunakan Uji Park guna menentukan gejala heteroskedastisitas variabel-variabelnya.

Uji Park dilakukan dengan meregresikan nilai residual (Lne2) dengan masing-masing variabel

independent. “The Park test suggests that if heteroscedasticity is present, the heteroscedastic

varianc eσ_i^2 may be systematically related to one or more of the explanatory variables.”

Rumus uji Park sebagai berikut:

Cara melakukan Uji Park adalah sebagai berikut:

http://2.bp.blogspot.com/-6In-kiKcduQ/TiasSbFs-GI/AAAAAAAAAfo/vxXDZ4vNqII/s1600/r3.PNG

http://1.bp.blogspot.com/-Drx2f1wh7dU/TiatDU6rbSI/AAAAAAAAAfs/J0O-xo9LNNY/s1600/r4.PNG

1. Dengan SPSS klik Analyze -->Regression --> Linear --> Masukkan variabel y ke Dependent -->

Masukkan variabel x1, x2, x3, x4 ke Independent(s) --> Klik Save --> Pada Residual klik

Unstandardized --> Continue --> OK

2. Pada SPSS klik Data View --> Cek bahwa ada satu variabel baru bernama res_1. Ini merupakan

nilai ε_i^ . Nilai ini harus dikuadratkan dengan cara (pada SPSS) klik Transform --> Compute --

> Isi Target Variable dengan ε_i^2 --> Pada operasi hitung kalikan nilai ε_i^ dengan ε_i^ . Pada

Variable View SPSS muncul variabel baru bernama ε_i^2.

3. Dengan SPSS, tepatnya menu Transform --> Compute lakukan perubahan nilai ε_i^2, X1, X2,

X3, X4 ke dalam bentuk logaritma natural (Ln) [caranya dengan Klik Ln lalu pindahkan

variabel] Ln(ε_i^2 ) yaitu regresi unstandardized residual pada Target Variable dinamai Lnei2;

X1 yaitu variabel x1 pada Target Variable dinamai Lnx1; X2 yaitu variabel x2 pada Target

Variable dinamai Lnx2; x3 yaitu variabel x3 pada Target Variable dinamai Lnx3; x4 yaitu

variabel x4 pada Target Variable dinamai Lnx4.

4. Setelah diperoleh nilai variabel-variabel baru Lnei2, LnX1, LnX2, LnX3, dan LnX4.

5. Lakukan uji regresi kembali secara satu per satu.

6. Pertama, klik Analyze --> Regression>Linear --> Masukkan variabel Lnei2 ke kotak Dependent

--> Masukkan variabel LnX1 ke Independent(s) --> OK. Sementara hasil belum dihiraukan.

7. Kedua, klik Analyze --> Regression --> Linear --> Variabel Lnei2 masih ada di Dependent,

biarkan > Keluarkan LnX1 dan masukkan LnX2 ke Independent(s) > OK. Sementara hasil belum

dihiraukan.

8. Ketiga, klik Analyze --> Regression --> Linear --> Variabel Lnei2 masih ada di Dependent,


dihiraukan.

9. Keempat, klik Analyze --> Regression --> Linear --> Variabel Lnei2 masih ada di Dependent,


dihiraukan.

10. Perhatikan Output SPSS. Pada output, terdapat hasil perhitungan Park bagi variabel x1, x2, x3

dan x4, tepatnya adalah hasil uji Lnei2 dengan LnX1, dan uji Lnei2 dengan LnX2, uji Lnei2

dengan LnX3, dan uji Lnei2 dengan LnX4.

11. Peneliti akan memperbandingkan apa yang tertera di tabel Coefficients, yaitu nilai t.

12. Guna memastikan apakah ada gejala heteroskedastisitas, peneliti akan memperbandingkan nilai

thitung dengan ttabel. Nilai ttabel dapat dicari pada Tabel t, yaitu dengan menentukan df = n - 4 .

n adalah jumlah sampel dan 4 karena jumlah variabel independen penelitian adalah 4. Sehingga

nilai df = 48 – 4 = 44. Dalam taraf 0,05 uji yang dilakukan adalah 2 sisi sehingga singnifikansi

pada tabel adalah 0,025.

Dengan mempertemukan nilai 46 dan 0,025 dan uji 2 sisi pada taraf 95% (0,025) pada Tabel t

diperoleh nilai t tabel penelitian sebesar ......

Hipotesis yang diajukan mengenai masalah homoskedastisitas ini sebagai berikut:

Alternatif Uji Homoskedastisitas Jika Uji Park dianggap Terlampau Rumit

Jika uji Park dianggap terlampau rumit, maka pengujian alternatif dapat ditempuh guna melihat

apakah terjadi Homoskedastisitas atau Heteroskedastisitas.

Caranya dengan melihat grafik persilangan SRESID dengan ZPRED pada output hasil SPSS.

Caranya sebagai berikut:

1. Klik Analyze --> Regression --> Linear

2. Klik Plot.

3. Isikan SRESID pada y-axis dan ZPRED pada x-axis.

4. Klik Continue. Perhatikan grafik scatterplot. Ingat, Homoskedastisitas terjadi jika varians dari

residual satu pengamatan ke pengamatan lain tetap atau sama. Heteroskedastisitas terjadi jika

varians dari residual satu pengamatan ke pengamatan lain tidak sama atau tidak tetap.

http://1.bp.blogspot.com/-D6lPGcPr9HI/Tiatap5wF2I/AAAAAAAAAfw/U4pVI6FUDyA/s1600/r5.PNG

Homoskedastisitas terjadi jika tidak terdapat pola tertentu yang jelas, serta titik-titik menyebar di

atas dan di bawah angka 0 pada sumbu Y. Heteroskedastisitas terjadi jika terdapat titik-titik

memili pola tertentu yang teratur seperti bergelombang, melebar kemudian menyempit.

Interpretasi Hasil Uji Regresi Berganda

Setelah uji Regresi Berganda selesai dilakukan, peneliti harus melakukan interpretasi. Rumus

Regresi Berganda (standar) adalah sebagai berikut:

Setelah pengujian Regresi Berganda dengan SPSS selesai, hal-hal penting untuk interpretasi

adalah apa yang tercantum pada tabel-tabel pada output SPSS.

Tabel Descriptives

Pada tabel Descriptive dapat dilihat nilai Standar Deviasi. Nilai ini terdapat pada kolom Std.

Deviation. Nilai ini nanti akan diperbandingkan dengan nilai Std. Error of the Estimate.

Tabel Model Summary

Tabel ini memberi informasi seberapa baik model analisis kita secara keseluruhan, yaitu

bagaimana 4 variabel bebas mampu memprediksikan 1 variabel terikat, dengan rincian sebagai

berikut ini:

Kolom Model. Menunjukkan berapa buah model analisis yang kita bentuk.

http://4.bp.blogspot.com/-qnT6sNInieY/TiatxKVFmUI/AAAAAAAAAf0/1AU-9K7RP5k/s1600/r6.PNG

Kolom R. Menunjukkan seberapa baik variabel-variabel bebas memprediksikan hasil (multiple

correlation coefficient). Kisaran nilai R adalah 0 hingga 1. Semakin nilai R mendekati angka 1,

maka semakin kuat variabel-variabel bebas memprediksikan variabel terikat. Namun, ketepatan

nilai R ini lebih disempurnakan oleh kolom Adjusted R Square yang merupakan koreksi atas

nilai R.

Kolom Adjusted R Square. Fungsinya menjelaskan apakah sampel penelitian mampu mencari

jawaban yang dibutuhkan dari populasinya. Kisaran nilai Adjusted R Square adalah 0 hingga 1.

Pedoman interpretasi atas nilai Adjusted R Square adalah sebagai berikut:

Kalikan Adjusted R2 dengan 100% maka akan diperoleh berapa % varians tiap sampel pada

variabel terikat bisa diprediksi oleh variabel-variabel bebas secara bersama-sama (simultan).

Std. Error of the Estimate. Kolom ini menjelaskan seberapa kuat variabel-variabel bebas bisa

memprediksi variabel terikat. Nilai Std. Error of the Estimate diperbandingkan dengan nilai Std.

Deviation (bisa dilihat pada tabel Descriptives). Jika Std. Error of the Estimate < Std. Deviation,

maka Std. Error of the Estimate baik untuk dijadikan prediktor dalam menentukan variabel

terikat. Jika Std. Error of the Estimate > Std. Deviation, maka Std. Error of the Estimate tidak

baik untuk dijadikan prediktor dalam mementukan variabel terikat.

Durbin-Watson. Kolom ini digunakan untuk mengecek uji asumsi Autokorelasi. Bagaimana

variabel bebas yang satu berkorelasi dengan variabel bebas lainnya. Durbin-Watson ini

digunakan dalam uji asumsi Regresi sebelumnya.

Tabel Coefficients

Pada tabel Coefficient, mohon perhatikan lalu jelaskan nilai-nilai yang tertera pada kolom-kolom

berikut ini:

Model. Kolom ini menjelaskan berapa banyak model analisis yang dibuat peneliti. Pada kolom

ini juga terdapat nama-nama variabel bebas yang digunakan dalam penelitian. Variabel-variabel

tersebut diberi label “Constant” yaitu nilai konstanta yang digunakan dalam persamaan uji

Regresi Berganda (a).

Unstandardized Coefficient. Kolom ini terdiri atas b dan Std. Error. Kolom b menunjukkan

Koefisien b, yaitu nilai yang menjelaskan bahwa Y (variabel terikat) akan berubah jika X

(variabel bebas) diubah 1 unit.

Standardized Coefficients. Pada kolom ini terdapat Beta. Penjelasan sebelumnya mengenai nilai

b punya masalah karena variabel-variabel kerap diukur menggunakan skala-skala pengukuran

yang berbeda. Akibatnya, kita tidak bisa menggunakan nilai b guna melihat variabel-variabel

bebas mana yang punya pengaruh lebih kuat atas variabel terikat. Misalnya, jika variabel yang

diteliti adalah jenis kelamin yang punya skala minimal 1 dan maksimal 2 dan pengaruhnya

terhadap sikap yang skalanya minimal 1 dan maksimal 6, nilai b diragukan efektivitas

prediksinya. Ini akibat nilai yang diperolehnya rendah atas pengaruh perbedaan skala

pengukuran. Untuk memastikan pengaruh inilah maka nilai Beta dijadikan patokan. Nilai Beta

punya kisaran 0 hingga 1, di mana semakin mendekati 1 maka semakin berdampak besar

signifikansinya.

Sig. Kolom ini menjelaskan tentang signifikansi hubungan antar variabel bebas dengan variabel

terikat. Nilai Sig. ini sebaiknya adalah di bawah 0,05 (signifikansi penelitian).

Tolerance. Kolom ini menjelaskan banyaknya varians pada suatu variabel yang tidak bisa

dijelaskan oleh variabel prediktor lainnya. Kisarannya 0 hingga 1, di mana semakin mendekati 1

maka semakin mengindikasikan prediktor-prediktor lain tidak bisa menjelaskan varians di

variabel termaksud. Nilai yang semakin mendekati 0 artinya hampir semua varians di dalam

variabel bisa dijelaskan oleh variabel prediktor lain. Nilai Torelance sebaiknya ada di antara 0,10

hingga 1.

Tabel ANOVA

Sig. Tabel ANOVA menunjukkan besarnya angka probabilitas atau signifikansi pada

perhitungan ANOVA. Nilai yang tertera digunakan untuk uji kelayanan Model Analisis [dimana

sejumlah variabel x mempengaruhi variabel y] dengan ketentuan angka probabilitas yang baik

untuk digunakan sebagai model regresi harus < 0,05. Nilai ini bisa dilihat pada kolom Sig. Jika

Sig. < 0,05, maka Model Analisis dianggap layak. Jika Sig. > 0,05, maka Model Analisis

dianggap tidak layak.

Pengambilan Keputusan dengan Tabel ANOVA

Dalam Regresi Berganda, hal utama yang hendak dilihat adalah apakah serangkaian variabel

bebas secara serentak mempengaruhi variabel terikat. Dalam output SPSS ini bisa ditentukan

lewat tabel ANOVA.

Pada tabel ANOVA terdapat kolom F. Nilai yang tertera pada kolom F tersebut disebut sebagai F

hitung. F hitung ini diperbandingkan dengan F tabel. Peraturannya:

Persoalannya, bagaimana menentukan F tabel? F tabel dapat ditentukan dengan cara:

1. Tentukan signifikansi penelitian yaitu 0,05 (uji 2 sisi jadi 0,025.

2. Tentukan df1. Df1 diperoleh dari jumlah variabel bebas

3. Tentukan df2. Df2 diperoleh dari n – k – 1 = 48 – 4 – 1 = 43.

http://2.bp.blogspot.com/-cSUoiYNzftM/Tiauj_2LhRI/AAAAAAAAAf8/ZVrF5k88ktI/s1600/r8.PNG

4. Cari angka 43 dan 4 dalam tabel F untuk signifikansi 0,025.

5. Dengan Excel, ketikkan rumus =FINV(0,05;4;43)

Selain perbandingan nilai F, penerimaan atau penolakan Hipotesis juga bisa menggunakan nilai

Sig. pada tabel ANOVA. Peraturannya:

Koefisien Determinasi

Dalam uji Regresi Berganda, Koefisien Determinasi digunakan untuk mengetahui persentase

sumbangan pengaruh serentak variabel-variabel bebas terhadap variabel terikat. Untuk itu,

digunakan angka-angka yang ada pada Tabel Model Summary.

Cara menentukan Koefisien Determinasi sangatlah mudah. Peneliti tinggal melihat nilai pada

kolom R2 dikalikan 100%. Misalnya nilai R2 adalah 0,7777. Dengan demikian Koefisien

Determinasinya = 0,7777 x 100% = 77,77%. Jadi, secara serentak variabel-variabel bebas

mempengaruhi variabel terikat sebesar 77,77%. Sisanya, yaitu 100 – 77,77% = 22,23%

ditentukan oleh variabel-variabel lain yang tidak disertakan di dalam penelitian.

Koefisien Regresi Parsial

Koefisien Regresi Parsial menunjukkan apakah variabel-variabel bebas punya pengaruh secara

parsial (terpisah atau sendiri-sendiri) terhadap variabel terikat?

Pada Tabel Coefficient, pengujian Hipotesis akan dilakukan. Uji hipotesis dilakukan dengan

menggunakan Uji t. Pernyataan Hipotesis yang hendak diuji sebagai berikut:

http://1.bp.blogspot.com/-jqZiYFVLXmI/Tiau3dWlkbI/AAAAAAAAAgA/stFFGr4CRXk/s1600/r9.PNG

Nilai t hitung bisa dilihat pada kolom t bagi masing-masing variabel bebas.

Nilai t tabel bisa dicari dengan cara berikut ini:

1. α = 0,05; untuk uji 2 sisi = 0,025

2. Degree of Freedom (df) = jumlah sampel – jumlah variabel bebas – 1 (angka 1 adalah konstanta)

= 48 – 4 – 1 = 43.

3. Cari persilangan antara df = 43 dan 0,025.

4. Pencarian nilai t tabel dengan Excel mudah sekali. Ketik rumus =tinv(0,05;43).

-----------------------------------------

Daftar Pustaka

Andi Field, Discovering Statistics using SPSS: And Sex Drug and Alcohol, Second Edition

(London: SAGE Publication, 2005)

Daniel Muijs, Doing Quantitative Research in Education with SPSS (London: SAGE Publication

Ltd., 2004)

George C.S. Wang and Chaman L. Jain, Regression Analysis: Modelling and Forecasting (New

York: Graceway Publishing Company, 2003)

Jonathan Sarwono, Statistik Itu Mudah: Panduan Lengkap untuk Melakukan Komputasi Statistik

Menggunakan SPSS 16 (Yogyakarta: Penerbit ANDI, 2009)

Julie Pallant, SPSS Survival Manual: A Step by Step Guide to Data Analysis using SPSS for

Windows, Third Edition (Berkshire: McGraw-Hill and Open University Press, 2007)

Nancy L. Leech, Karen C. Barrett, George A. Morgan, SPSS for Intermediate Statistics: Use and

Interpretation, Second Edition (New Jersey: Lewrence Erlbaum Associates, Publishers, 2005)

http://1.bp.blogspot.com/-haw5GFGMiRY/TiavRgC1alI/AAAAAAAAAgE/SF3eES8Py5E/s1600/r10.PNG

Sarah Boslaugh and Paul Andrew Watter, Statistics in a Nutshell: A Desktop Quick

Reference (Sebastopol: O’Reilly Media, Inc., 2008)

Simon Washington, Matthew G. Karlaftis and Fred L. Mannering, Statistical and Econometric

Methods for Transportation Data Analysis, (Boca Raton : Chapman & Hall/CRC, 2003)

Tony Wijaya, Analisis Data Penelitian Menggunakan SPSS (Yogyakarta: Penerbit Universitas

Atma Jaya Yogyakarta, 2009)

tags:

cara uji regresi berganda dengan spss menafsirkan output hasil spss arti tabel summary koefisien

determinasi regresi parsial mengolah hasil spss

Kirimkan Ini lewat EmailBlogThis!Berbagi ke TwitterBerbagi ke Facebook

Jika hendak langsung isi komentar, klik di sini:

359 komentar:

1.

yuanitaKamis, 28 April, 2011

Terima kasih, tulisan saudara membantu saya lebih memahami statistik..terus

menulis ya! ^*

Balas

Balasan

1.

seta basri Rabu, 11 April, 2012

http://www.blogger.com/email-post.g?blogID=1100803259243109856&postID=7239269152820310048

http://setabasri01.blogspot.com/2011/04/uji-regresi-berganda.html#comment-form

Sama-sama. Semoga bermanfaat.

Balas

2.

AnonimMinggu, 22 Mei, 2011

thank a lot

Balas

3.

seta basri Rabu, 20 Juli, 2011


Balas

4.

agukKamis, 28 Juli, 2011

trims banyak sodara... :)

Balas

Balasan

1.



Balas

5.

AnonimSelasa, 02 Agustus, 2011

terima kasih :D

tulisan anda banyak membantu dalam skripsi saya..

Balas

Balasan

1.


Sama-sama. Sukses ya.

Balas

6.

AnonimJumat, 12 Agustus, 2011

Terimakasih

Tulisan Anda sangat membantu

Balas

7.

seta basri Sabtu, 20 Agustus, 2011


Balas

8.

himeSenin, 17 Oktober, 2011

kalo yang dipake nilai standardized coefficients boleh kan??? sumbernya dari

mana ya???

bole tolong dibantu

sya lage ngerjain skripsi

makasi

Balas

9.

seta basri Selasa, 18 Oktober, 2011

Kelihatannya tidak masalah. Asalkan variabel x (dalam item kuesioner) punya

pilihan jawaban 1 s/d 5 dan variabel y juga 1 s/d 5. Nilai Standardized

Coefficient (kolom Beta dalam SPSS) memang digunakan untuk mengukur

kekuatan pengaruh. Sumber : Robert Ho, Handbook of Univariate and

Multivariate Dana Analysis and Interpretation with SPSS(Boca Raton:

Chapman & Hall, 2006) pp. 200-1.

Balas

10.

AnonimJumat, 21 Oktober, 2011

mau tanya pak,

bagaimana kalau nilai adjusted r squarenya nya negatif?

apa jumlah sampel 88(setelah di polingg dari 22 sampel sellama 4 tahun) dan

jumlah variabel bebas 4 juga berpangaruh?

trimakasih pak

Balas

11.

seta basri Jumat, 21 Oktober, 2011

--> Inti nilai negatif Adjusted R Square adalah calculation error.

Berapakah nilai R Square-nya dari perhitungan ini ?

Ini penting, karena Adjusted R Square akan NEGATIF apabila R Square hasil

hitung lebih kecil dari Yang Diharapkan dari rumus k/(n-1). Dalam perhitungan

anda karena R Square < k/(n-1) maka terjadilah nilai negatif Adjusted R Square.

k = jumlah regresor/variabel bebas, n = jumlah sampel.

Apakah 88 sampel berasal dari responden berbeda atau sama? Saran saya anda

bisa mengganti model analisisnya dan mengujinya kembali dengan SPSS.

Idealnya Uji Regresi menghendaki sampel lebih besar dari rumus 50 + 8m . m =

jumlah variabel bebas. Dalam kasus anda jumlah sampel sebenarnya

mencukupi. Hanya coba dikutak-kutik modelnya.

Misalnya, Anda bisa mencoba dengan mengurangi variabel-variabel bebas atau

indikator-indikator variabel bebas yang tidak perlu. Regresor berlebihan adalah

salah satu hal yang membuat R Square < Harapan k/(n-1). Selamat mencoba.

Balas

12.

SallyKamis, 05 Januari, 2012

wahh..setelah baca tulisan Anda saya mendapatkan banyak pencerahan,

terimakasih banyak atas tulisannya.. sangat membantu sekali :)tetap terus

menulis ya Pak..

Balas

13.

seta basri Kamis, 05 Januari, 2012

Ya, terima kasih. Semoga bermanfaat.

Balas

14.

AnonimSenin, 09 Januari, 2012

halo pak seta basri, boleh minta ym atau kontak bapak yg lain? ingin konsultasi

tentang olah data nih terima kasih :)

Balas

15.

seta basri Senin, 09 Januari, 2012

Ada ym saya dengan nama yang serupa. Namun, di ruang ini juga tidak

mengapa Pak. Sekalian jadi saya juga sekalian belajar. Silakan.

Balas

16.

AnonimKamis, 12 Januari, 2012

saya sedang meneliti dengan menggunakan regresi berganda dengan 4 variabel

bebas berpengaruh terhadap 1 variabel terikat. ada 4 hipotesis. yang ingin saya

tanyakan apakah boleh menguji normalitas, heterokedastisitas, multikolinier dan

autokorelasi dengan menggabungkan data ke-4 variabel bebas tersebut menjadi

1? atau harus diuji satu-satu ya pak? terima kasih

Balas

17.

seta basri Kamis, 12 Januari, 2012

Empat variabel bebas tidak boleh dikompresi menjadi satu variabel. Masing-

masing variabel berdiri sendiri.

Jika menggunakan SPSS, contohnya dalam uji asumsi autokorelasi, maka

masukkan variabel x1, x2, x3, dan x4 ke independent(s) dan variabel y ke

dependent. Demikian untuk uji-uji asumsi lainnya.

Balas

18.

AnonimRabu, 18 Januari, 2012

kereenn,, terima kasih banyak.. oiya ada mau numpang tanya, untuk mencari df

di uji tabel t parsial, ttp sama rumusnya tidak apabila mnggunakan 0.025 (uji

dua sisi), terima kasih

Balas

19.

seta basri Rabu, 18 Januari, 2012

Sama Pak. Hanya nilainya makin besar.

Balas

20.

BayuSabtu, 21 Januari, 2012

bisa beri penjelasan tentang apa itu Multiple hierarchical regressions ?

Balas

21.

AnonimMinggu, 22 Januari, 2012

maaf saya ingin bertanya

bagaimana jika nilai r square = 1.000

soalnya penelitian saya hasilny sperti itu

tp sy ragu

terima kasih

Balas

22.

seta basri Senin, 23 Januari, 2012

@ Bayu: Hierarchical Multiple Regression adalah uji regresi guna mengetahui

pengaruh sejumlah variabel bebas atas variabel terikat, di mana peneliti

menganggap pengaruh satu atau sejumlah variabel bebas lebih mempengaruhi

variabel terikat ketimbang variabel bebas lain yang diikutsertakan dalam

penelitian. Misalnya, dalam meneliti Stabilitas Politik (VT) peneliti

(berdasarkan teori) menggunakan Pembangunan Ekonomi (VB1) dan

Pelembagaan Politik (VB2). Namun, berdasarkan teori peneliti memperoleh

informasi bahwa Pembangunan Ekonomi (VB1) lebih berpengaruh atas

Stabilitas Politik (VT) ketimbang Pelembagaan Politik (VB2). Sebab itu, dalam

menghitung Regresi, peneliti menggunakan Hierarchical Multiple Regression:

Peneliti melakukan dua kali pengujian. Pertama menguji pengaruh VB1 atas VT

(disebut Model 1). Kedua menguji pengaruh VB2 atas VT (disebut Model 2).

Setelah itu peneliti melihat R-squarenya dikali 100%. Semakin mendekati 100%

artinya VB tersebut lebih berpengaruh atas VT.

@ anonim: Dengan demikian berarti VB dalam menjelaskan 100% varians VT.

Kalau rangkaian uji validitas, uji reliabilitas, dan uji-uji asumsi regresi sudah

dilaksanakan hasil tersebut sahih.

Balas

23.

BayuSenin, 23 Januari, 2012

Rumus dari Regresi Berganda hirarkis apakah sama dengan rumus dari regresi

berganda?, terima kasih sebelumnya.

Balas

24.

seta basri Selasa, 24 Januari, 2012

@ Bayu: Maaf ada perbaikan. VB2 (yang dianggap kurang berpengaruh)

dihitung terlebih dahulu disebut Model 1. Setelah itu baru VB1 (yang dianggap

lebih berpengaruh) disebut Model 2. Lalu perbandingkan nilai R Square

Changed. Apakah nilai Model 2 lebih tinggi dari Model 1? Jika nilai lebih tinggi

dari Model 1 (otomatis juga nilai R Square-nya) maka pengaruh VB1 atas VT

lebih besar ketimbang VB2 atas VT.

Rumusnya tentu berbeda. Dalam HMR dilihat nilai perubahan kuadrat R,

apakah lebih tinggi atau lebih rendah dari masing-masing Model.

Balas

25.

RinintaSelasa, 31 Januari, 2012

Kira-kira buku apa yang mempunyai penjelasan lengkap tentang regresi

berganda hirarki plus pengujiannya dengan SPSS atau alat lain, Pak ?

Terima kasih benyak sebelumnya..

Balas

26.

dhaniRabu, 08 Februari, 2012

mau tanya Pak,

kalau ada dua buah sinyal suara (berarti ada dua kelompok data), bagaimana

cara mendeteksi apakah kedua sinyal itu saling bebas atau tidak?

terimakasih

Balas

27.

seta basri Rabu, 08 Februari, 2012

Kalau keduanya berasal dari kelompok sampel yang berbeda bisa gunakan uji

Mann-Whitney atau Kolmogorov-Smirnov.

Balas

28.


@ Rininta: Robert Ho, Handbook of Univariate and Multivariate Data Analysis

and Interpretation with SPSS(Boca Raton: Chapman & Hall, 2006)

Balas

29.

RinintaSenin, 13 Februari, 2012

Makasih Pak, referensinya bagus sekali, dan mudah dicari softcopy'nya di

Google... :)

Balas

30.

seta basri Senin, 13 Februari, 2012


Balas

31.

Nico Wardana Senin, 20 Februari, 2012

numpang nanya nich..

arti dari standar error di Tabel Coefficients y mas,,

bagaimana cara membaca dan fungsinya.. terima kasih...

Balas

32.


Untuk SE silakan lihat di link http://setabasri01.blogspot.com/2011/04/analisis-

deskriptif-dengan-importance.html khususnya sub D.4. SE intinya seberapa baik

sampel mewakili populasi.

Balas

33.

anestasyaSelasa, 06 Maret, 2012

saya mau nanya, apabila nilai r square n adj. r square = 1

bagaimana menginpretasikannya di skripsi..

Balas

34.

seta basri Selasa, 06 Maret, 2012

Kalau R dan Adjusted R Sq = 1 artinya sampel penelitian "tinggi ketepatannya"

dalam mencari jawaban yang dibutuhkan dari populasinya. Lihat pula nilai Sig.

hasil perhitungan SPSS. Jika (umumnya) < 0,05 maka nilai "1" hasil

perhitungan signifikan. Jika >= 0,05 maka nilai "1" tidak signifikan.

Untuk pengambilan keputusan dalam uji hipotesis, lihat sub E. Pengambilan

Keputusan: Tabel ANOVA. Lalu juga perhatikan nilai koefisien

determinasinya, dimana nilai ini menentukan pengaruh x terhadap y sebesar

"sekian" persen. Jangan lupa kaitkan dengan teori-teori yang telah dimuat dalam

landasan teori sebelumnya.

Balas

35.

Enrique Rabu, 07 Maret, 2012

Halo pak seta basri..

Blog anda sangat informative dan sangat membantu kami yang sedang membuat

penelitian..

Saya hendak bertanya pak,. saya sedang melakukan penelitian dengan

menggunakan purposive sampling dimana dari populasi sebanyak 133

perusahaan, hanya terdapat 33 perusahaan yg memenuhi kriteria penelitian

saya.. pada penelitian ini, saya akan menguji pengaruh 4 variable independen

terhadap 1 variable dependen,. dalam penelitian saya, akan dipakai 3 tahun

(2008, 2009 dan 2010) untuk kepentingan penelitian..

saya akan menggunakan analisa regresi berganda, apakah jumlah sampel

sebanyak 33 sampel sudah cukup untuk dapat menjalankan alat statistik (analisa

regresi berganda SPSS)..?? apakah bisa dibenarkan bahwa jumlah sampel saya

sebanyak 99 sampel yang didapat dari 33 perusahaan x 3 tahun? apa alasannya

pak?

mohon bimbingan dan informasinya pak...

terima kasih pak..

Balas

36.

seta basri Kamis, 08 Maret, 2012

Wah, anda yang sepatutnya membimbing saya. Saya bahkan sama sekali belum

pernah melakukan penelitian atas banyak perusahaan seperti yang Bapak

lakukan. Mohon anggap jawaban saya sebagai lontaran pendapat yang patut

dikoreksi lebih lanjut ya. Setahu saya, dalam regresi umumnya dicari nilai R

sebagai wujud dari pengaruh X terhadap Y. Taksiran nilai R ini rentan dan

sangat bergantung pada jumlah prediktor (VB) dan ukuran sampel. Mohon tidak

dianggap nilai R yang dijelaskan kemudian ini dimaksud sebagai "nilai R" hasil

Uji Regresi. Bukan demikian, melainkan untuk menaksir jumlah sampel

"terbaik" yang harus dicari akibat adanya sejumlah Prediktor. Dalam menaksir

jumlah sampel, asumsi paling ideal R=0 dan paling kurang ideal R=1. Rumus

"fleksibel" dalam menaksir "nilai R jenis ini" adalah R=k/(N-1) di mana

k=jumlah VB, N=jumlah sampel. Angka ideal untuk rumus tersebut adalah 0

sebagai yang paling ideal dan 1 sebagai yang paling kurang ideal. Misalnya, kita

punya 6 VB dan sampel 21 maka R=k/(N-1)=6/(21-1)=6/20=0,3. Bandingkan

dengan kita punya 6 VB dan sampel 100 maka R=k/(N-1)=6/(100-

1)=6/99=0,06. Dapat dilihat 0,06 lebih ideal karena lebih dekat ke 0 ketimbang

0,3. Juga dapat disebut 100 sampel lebih mendekati ideal ketimbang 21 sampel.

Kalau pendapat saya, apakah dengan prediktor 4 variabel dan sampel 33 uji

regresi bisa dilaksanakan, maka jawabannya bisa. Dan itu bergantung pada

pilihan peneliti. Umumnya, dalam mengharapkan "nilai R hasil hitung SPSS,

ada 3 harapan para peneliti sehubungan uji regresi, yaitu: (1) Mengharapkan

efek yang besar; (2) Mengharapkan efek sedang; dan (3) Mengharapkan efek

kecil. Jika (1) yang diharapkan, maka dengan 4 prediktor k.l. 40 sampel

mencukupi. Jika (2) yang diharapkan, maka dengan 4 prediktor 85 sampel

mencukupi. Jika (3) yang diharapkan, maka dengan 4 prediktor > 500 sampel

baru mencukupi. Jika ditanyakan manakah yang paling ideal, maka jawabannya

adalah yang nomor (3). Namun, hal tersebut bergantung pada problem peneliti

di lapangan. Misalnya, seperti kasus Bapak, dari 133 perusahaan hanya 33 yang

memenuhi kriteria seperti dipersyaratkan desain penelitian yang sudah susah-

payah disusun sebelumnya. Hal tersebut belum lagi ditambah keterbatasan

waktu, dana, dan kelindan birokrasi di masing-masing perusahaan. Jika Bapak

yakin dengan 33 perusahaan tersebut, dilanjutkan saja karena "keterbatasan"

penelitian toh dapat kita sematkan di dalam "catatan penting penelitian." Dan,

tetapkan saja 33 sampel karena sesungguhnya beda tahun masing-masingnya

dikhawatirkan ada "unknown variable" yang tidak terprediksi dalam desain

penelitian. Saran saya --mohon dikoreksi, ya--- kalau multiple regression, lihat

saja deskripsi nilai R antar tahun tersebut lalu dijelaskan keunikan masing-

masing tahun. Semoga sukses penelitiannya.

Balas

Balasan

1.

marianaSelasa, 19 Juni, 2012

ASSALAMULAIKUM...PAK SERTA BASRI....dalm

menggunakn regresi berganda kn dapat kita ketahui dgn statistik

menggunakn asumsi klasik dalam mengambil keputusan......sy

agk bingun dalam menggunakn asumsi klasik malah...sy gk thu

skali tentang ...asumsi klasik itu sndiri....bs bantu sy dalam

penjelasn statistik dalm menggunakan regresi berganda untuk

mengetahui pengaruh terhdap 4 variabel bebas dan satu

terikat....sy sdh mengethaui nilai signifikan ...tp sy bingun dalam

menguji statistik dgn asumusi klasikx....bs di jelaskn sedikit

tentang cara menguji statistik asumsi klasikx.....ats bantuanx...sy

ucpakn teriman. kasih...wassalam.

2.

seta basri Kamis, 21 Juni, 2012

Wa 'alaikumus salam.

Uji asumsi klasik diadakan sebelum dilakukan Uji Regresi.

Tentu saja, tidak semua proses bimbingan di perguruan tinggi

melakukan uji asumsi ini. Ada sejumlah dosen yang

menghendaki mahasiswanya melakukan uji asumsi tersebut,

tetapi banyak pula yang tidak. Bagi yang tidak berkehendak

mungkin berpendapat pengadaan uji-uji tersebut "terlalu rumit"

sehingga dikhawatirkan malah membingungkan mahasiswa.

Namun, kemungkinan juga ada sementara dosen yang tidak

memahami makna mengapa uji asumsi terlebih dahulu harus

diadakan sebelum uji statistik dilangsungkan. Jadi, uji asumsi

bukanlah uji regresi. Uji asumsi adalah persyaratan yang harus

dipenuhi terlebih dahulu sebelum uji regresi layak dilakukan.

Pengambilan keputusan atas hipotesis tidak dilakukan

berdasarkan uji asumsi melainkan uji regresi.

Adapun cara melakukan uji asumsi untuk regresi sudah saya

muat pada tulisan di atas. Jika langkah Regresi Berganda dengan

SPSS mulai 1 s/d 24 dilakukan, maka otomatis uji asumsi pun

telah dikalkulasi. Nama-nama uji asumsi untuk regresi berganda

(misalnya 4 VB dan 1 VT) juga ada pada tulisan di atas berikut

bagaimana cara menafsirkannya. Selamat mempelajari dan

semoga bermanfaat.

Balas

37.

EnriqueJumat, 16 Maret, 2012

Luar biasa, melalui media ini (blog anda) saya bisa belajar banyak hal yang

sangat berguna untuk penelitian saya.

Adapun hal yang hendak saya tanyakan lagi Pak Seta, berhubungan dengan uji

asumsi klasik:

1. Adakah uji lain yg dapat di pakai untuk menguji normalitas data selain dari

interpretasi plot? kolmogorof smirnov (KS)? bagaimana cara mendapatkan nilai

KS dari SPSS? Saya hendak memilih alternative lain untuk mendapatkan uji

normalitas karna dari 2 plot yg dihasilkan uji normalitas yg telah saya coba,

mereka mengindikasikan hasil yg berbeda satu sama lainnya, yg satunya

"terlihat" normal sedangkan yang satu "terlihat" tidak terdistribusi normal..

2. Untuk uji autokorelasi dengan menggunakan Durbin Watson (DW), saya

pernah membaca satu buku yang berkata, uji autokorelasi lebih "appropriate"

atau cocok digunakan untuk penelitian dengan menggunakan time

series/longitudinal. Penelitian saya akan dilaksanakan/diselesaikan dalam satu

period (cross-sectional) tapi data yg saya gunakan berupa time series (laporan

tahunan tahun 2008-2010), apakah saya juga perlu menggunakan tes DW? dan

bagaimana membaca hasilx untuk mengetahui apakah terdapat autokorelasi

dalam data saya?

Terima kasih banyak Pak, mohon bantuannya (lagi) hohoho :)

Balas

38.

seta basri Jumat, 16 Maret, 2012

1. Untuk Uji Normalitas dengan Kolmogorov-Smirnov, maka data yang normal

adalah Asym. Sig. Kolmogorov-Smirnov hitung > Sig. Penelitian (umumnya

0,05). Cara melakukan uji normalitas dengan SPSS adalah :

a) Klik Analyze --> Nonparametric Tests --> 1-Sample K-S.

b) Pada jendela One-Sample Kolmogorov-Smirnov Test, masukkan variabel-

variabel bebas dan terikatnya (misalnya x1, x2, x3, x4, dan y ke kotak Test

Variable List.

c) Pastikan sudah terceklis Normal pada Test Distribution.

d) Klik OK.

Dari hasil SPSS perbandingkan nilai Asymp. Sig. (2-tailed) atau P-Value

dengan Signifikansi Penelitian (misalnya 0,05). Jika P-Value > Signifikansi

Penelitian maka data distribusi normal. Jika < maka tidak normal.

2. Jika Uji Regresi melibatkan lebih dari 1 variabel bebas sebaiknya uji

autokorelasi diadakan untuk memastikan tidak ada hubungan berlebihan antar

variabel bebas. Jika menggunakan 1 variabel bebas saja, autokorelasi menjadi

tidak perlu. Data antar tahun kiranya berbeda satu sama lain. Untuk cara

menentukan, menghitung, dan membandingkan Durbin-Watson ada di content

tulisan saya di atas atas, sub C.4.

Balas

39.

show up meme Kamis, 22 Maret, 2012

amazing...

satu kata yang bisa saya beri,,

saya mau minta bantuannya pak, saya kurang faham dengan analisis datanya.

kebetulan saya sedang menyelesaikan skripsi saya yg sudah terbengkalai 1smt,

sya memilih regresi berganda linear dengan 3 variabel bebas dan 1 variabel

terikat. namun setelah beberapa kali di uji dng menggunakan spss hasilnya sprti

ini

nilai sig pada annova bernilai 0.913

apa yang harus saya lakukan?

terima kasih,,

Balas

40.


Berdasarkan nilai Sig. 0,913. Mohon perbandingkan F-Hitung SPSS di tabel

Anova dengan F-Tabel. Apakah F-Hitung tersebut lebih besar ataukah kecil?

Jika lebih besar, maka simpulannya: "Tiga VB mempengaruhi Satu VT tidak

secara signifikan." Jika lebih kecil, maka simpulannya: "Tiga VB tidak

mempengaruhi Satu VT tidak secara signifikan."

Mohon pula dilihat tabel Model Summary. Lihat kolom R-Square. Apakah

hasilnya positif ataukah negatif.

Jika negatif maka ada kemungkinan Regresor berlebihan. Artinya Variabel

Bebas satu dengan lainnya saling tumpang tindih mengukur konsep yang sama.

Juga, indikator-indikator variabel bebas terlampau banyak. Jika memang nilai

R-Square nya negatif, maka disarankan untuk menyederhanakan jumlah

variabel atau jumlah indikator di dalam masing-masing variabel.

Jika positif maka mohon dicek apakah uji-uji vadilitas, reliabilitas sudah

dilakukan. Juga apakah setelah itu juga sudah dilakukan rangkaian uji asumsi

klasik regresi berganda seperti Ukuran Sampel, Normalitas Residu,

Multikolinieritas, Autokorelasi, Heterokedastisitas. Jika seluruh rangkaian ini

sudah dilakukan dan lolos, maka nilai Sig. 0,913 tersebut berlaku.

Balas

41.

Dwi Septiana Sensei Senin, 26 Maret, 2012

mau tanya...uji park nya itu lihatnya di buku apa ya?

buat referensi skripsi soalnya.

*trims

Balas

42.

show up meme Senin, 26 Maret, 2012

untuk nilai R Square sebesar 0,078 dan positif

sudah saya lakukan semua pak, tpdalam mengambil kesimpulan dari hasil2 uji

tsb saya mengalami kebingungan Pak...

mohon bantuannya,,

Terima Kasih.... :)

Balas

43.

seta basri Senin, 26 Maret, 2012

to: show up

Pendapat saya begini saja (mohon dicek di sumber lain, ya ...), asumsikan

bahwa seluruh proses desain dan perhitungan statistik telah memenuhi kaidah.

Tiba saat melakukan pengujian hipotesis. Hipotesis yang diuji dalam analisis

regresi umumnya begini:

H0 : Tidak ada pengaruh X terhadap Y.

H1 : Ada pengaruh X terhadap Y.

Taraf keyakinan penelitian adalah 95% yang berarti peneliti yakin bahwa

kemungkinan Mean Populasi akan berada dalam interval keyakinan sebesar

0,95 dan hanya 0,05 yang berada di luar itu. (Ingat kurva normal).

Setelah dihitung ternyata nilai Sig. pada tabel Anova = 0.913. Lalu, apa yang

bisa diputuskan? Kira-kira kalimatnya begini:

"Dalam Taraf Keyakinan 95% dan Interval Keyakinan 0,05 maka H0 tidak

ditolak dan pengaruh tidak signifikan secara statistik." Dengan demikian patut

dinyatakan bahwa Tidak Ada Pengaruh X terhadap Y dan Pengaruh X terhadap

Y sebesar 0,078 (dari R Square) tidak signifikan secara statistik. Dengan dapat

disimpulkan bahwa tidak ada pengaruh variabel ..... terhadap variabel ....

Namun, umumnya pembimbing 'berkeras' bahwa H0 harus ditolak dan H1 harus

diterima. Nah, kalau data penelitian sudah menyatakan H0 tidak dapat ditolak

lantas bagaimana? Apakah kuesionernya harus diubah, direkayasa? Nah,

kesamaan pemahaman dengan para pembimbing patut dibangun antara peneliti

dan pembimbingnya. Penelitian yang baik adalah menginterpretasikan data dan

hasil pengujian secara apa adanya. Sekali lagi ini pendapat saya, silakan

dikroscek dengan pembimbing skripsi karena dia adalah 'pembela' di sidang

skripsi yang sesungguhnya.

Balas

Balasan

1.

seta basri Minggu, 10 Juni, 2012

Tambahan:

Ketika nilai sig. test > sig. penelitian (> .05) maka kita umumnya

menolak hipotesis penelitian (H1). Namun, perlu diingat bahwa

itu bukan berarti H0 sebagai "benar." H0 hanyalah sebuah

proposisi yang menyatakan bahwa tidak ada efek variabel atas

populasi. Sehingga tidak dapat secara sederhana begitu saja

dikatakan bahwa hasil uji hipotesis yang tidak signifikan secara

statistik (> .05) lantas diartikan bahwa variabel dalam pengujian

adalah juga "0" (secara absolut sebagai tidak ada efek). Sebagai

kembangan, juga jangan secara mudah menyatakan bahwa

diterimanya H0 sebagai murni "tidak ada pengaruh" atau murni

"tidak ada hubungan" antar variabel. Intinya, nilai sig. penelitian

tidak menyatakan bahwa H0 adalah benar secara absolut. Nah, di

sinilah argumentasi dari seorang peneliti dikembangkan. Lihat

nilai-nilai uji non sig. penelitian (misalnya nilai R, R Square).

Terlebih di dalam penelitian ilmu sosial di mana yang diteliti

adalah persepsi manusia.

2.

AnonimKamis, 14 Juni, 2012

maksudnya pak, secara absolut "0" tidak ada pengaruh

pengertiannnya secara statistikkah atau argumen si peneliti

menurut teori atau lebih kemana maksud absolut ini pak?

trims sblmnya pak,

--jees

3.

seta basri Jumat, 15 Juni, 2012

Secara statistik pengertiannya pun demikian. Hal yang patut

diingat adalah, dalam penelitian (umumnya) digunakan sampel.

Sementara itu, setiap hipotesis (H0 maupun H1) ditujukan

kepada "populasi." Sampel diasumsikan "representatif" mewakili

populasi. Ketika H1 ditolak dan H0 berlaku tentu saja nilainya

tidak absolut, karena "sampel" seberapapun representatifnya

bukanlah "populasi" yang sesungguhnya. Hal ini di antaranya

dapat dilihat dari (misalnya) nilai r (uji korelasi) ataupun R (uji

regresi). Besar kecilnya kedua nilai tersebut, kendati tidak

signifikan secara statistik mencerminkan H0 yang tiada absolut

tadi. Tetap ada dampak/pengaruh/hubungan, kendati tidak

signifikan.

Balas

44.

rescyanaSelasa, 27 Maret, 2012

mau tanya pak, saya sedang melakukan penelitian yang untuk uji normalitasnya

menunjukkan data tidak terdistribusi secara normal,, ketika saya

mentransformasikan variabel dependennya dalam bentuk Ln, data udah

terdistribusi scara normal, sehingga persamaan regresinya pun harus diubah dlm

bntuk Ln. tetapi saya jadi bingung, ketika melakukan interpretasi, apakah angka

dari hasil uji regresi yg variabel depennya Ln itu di anti Log apa tidak?karena

setahu saya ktka kita menginterpretasikan itu menggunakan bentuk desimal

asilnya.

terima kasih.

Balas

45.


to: dwi septiana

Nawari, Analisis Regresi dengan MS-Excel 2007 dan SPSS 17 (Jakarta: Elex

Media Komputindo, 2010)h. 227-32.

Balas

46.


to: rescyana

Transformasi x dan y juga. Tidak bisa uji regresi x masih decimal 10 y log

natural. Interpretasi ya hasil ln tersebut.

Balas

47.

Rosly Collection Selasa, 27 Maret, 2012

Salam ya pak. bagaimana gunakan cara memproses/analisis SPSS untuk regresi

berganda hirarki. tunjukki ya pak step2 nya.terima kasih ya pak

Balas

48.

seta basri Rabu, 28 Maret, 2012

1. Dari menur bar klik Analyze > Regression > Linear ... [Muncul jendela

Linear Regression]

2. Klik variabel Y > Masukkan ke Dependent.

3. Tentukan BLOK#1. Klik variabel-variabel X > Masukkan ke Independent(s).

4. Pada sel Method pilih Enter > Klik Next

5. Tentukan BLOK#2. Masukkan variabel-variabel X ke Independent(s).

6. Pada sel Method pilih Enter.

7. Klik Statistics > Pada jendela Linear Regression: Statistics ceklis Estimates,

Confidence intervals, Model fit, R squared change, dan Collinearity diagnostics

(sesuaikan dengan kebutuhan penelitian).

8. Klik Continue

9. Pada jendela Linear Regression > Klik Options....

10. Pada jendela Linear Regression: Options > Pastikan Use probability of F

dan Include constant in equation sudah terceklis. Juga pada Missing Values,

ceklis Exclude cases listwise > Klik Continue.

11. Pada jendela Linear Regression > Klik OK.

12. SPSS menghitung dan hasilnya sila lihat di Output.

Balas

49.

rescyanaKamis, 29 Maret, 2012

oia pak, ,ada yang mau saya tanyakan lagi, untuk menghitung kecenderungan

data pada data sekunder itu bagaimana ya?soalnya setahu saya kecenderungan

data itu dihitung dengan mean ideaL itu pun jika datanya data primer.

terimakasih

Balas

50.


Sepengetahuan saya, kecenderungan data umumnya dilihat dari modus, median,

atau yang paling populer "mean." Mean data ini, entah primer ataupun sekunder

lalu diperbandingkan dengan Standar Deviasi. Jika tidak demikian lalu

kecenderungan data sekunder bagaimana melihatnya?

Balas

51.

AnonimMinggu, 15 April, 2012

Saya mahasiswi Univ Brawijaya Malang

Mau tanya, sumber yang digunakan pada poin E-F-G itu sumber yg mana pak?

Karena skripsi saya menggunakan analisis regresi juga

Balas

Balasan

1.

AnonimMinggu, 15 April, 2012

maksud saya dari pengambilan keputusan : ANOVA sampai

koef regresi parsial

terimakasih sebelumnya

2.

seta basri Senin, 16 April, 2012

Untuk yang E (Pengambilan Keputusan dengan Tabel ANOVA)

dilihat dari Tabel ANOVA hasil output SPSS. Untuk F

(Koefisien Determinasi) dilihat dari Tabel Model Summary hasil

output SPSS, yang kendati pada contoh saya digunakan nilai

pada kolom R Square, tetapi ada sejumlah pendapat yang

menyatakan sebaiknya yang digunakan adalah nilai Adjusted R

Square. Untuk yang G (Koefisien Regresi Parsial) dilihat dari

Tabel Coefficient >> Kolom t. Sama-sama. Semoga

mencerahkan.

3.

AnonimSenin, 16 April, 2012

okey, terimakasih.. :)

sekalian mau tanya, sumber pengambilan keputusan : ANOVA

sampai koef regresi parsial artikelnya dr buku apa pak?

sy masih bingung, ada buku yg menyatakan uji validitas model

melalui multikolinieritas, residu, dsb

kemudian ada yg menyatakan cukup dengan uji t, F dan sig

mungkin bapak bisa bantu menjelaskan?

4.

seta basri Senin, 16 April, 2012

Untuk yang bahasannya to the point silakan lihat di:

1. Jonathan Sarwono, Statistik Itu Mudah: Panduan Lengkap

untuk Melakukan Komputasi Statistik Menggunakan SPSS 16

(Yogyakarta: Penerbit ANDI, 2009)

2. Tony Wijaya, Analisis Data Penelitian Menggunakan SPSS

(Yogyakarta: Penerbit Universitas Atma Jaya Yogyakarta, 2009)

Uji validitas memang beragam, bergantung apa yang hendak

diuji "validitas"nya. Selain model, juga ada uji validitas item.

Balas

52.

rezaSelasa, 08 Mei, 2012

saya mahasiswa sedang mengerjakan skripsi..

saya mau tanya jika nilai contant itu negatif (-26.885)artinya apa y pak? mohon

bimbingannya...terima kasih

Coefficients(a)

Unstandardized Coefficients Standardized Coefficients

B Std. Error Beta t Sig.

(Constant)-26.885 7.877 -3.413 .001

ktrmpln .952 .196 .418 4.859 .000

modul .767 .154 .430 4.992 .000

a. Dependent Variable: hasil

Balas

Balasan

1.

seta basri Selasa, 08 Mei, 2012

Mungkin Anda menggunakan regresi berganda 2 vb atas 1 vt.

Mohon perhatikan tabel Coefficients. Lihat kolom

Unstandardized Coefficients B. Pada kolom Model lihat

(Constant). Nilai Constant (konstanta) Anda adalah -26.885.

Artinya, Model regresi Anda memiliki nilai konstanta sebesar -

26,885. Model persamaan uji regresi anda adalah: Y = B + a1X1

+ a2X2. Y adalah nilai variabel terikat yang hendak diprediksi

(dalam hal penelitian anda "hasil"). B adalah konstanta (Constant

yang -26,885). a1 adalah nilai B Unstandardized Coefficients

untuk VB 1 anda ("ktrmpln"). X1 adalah nilai "riil total"

responden Anda untuk "ktrmpln". a2 adalah nilai B untuk

Unstandardized Coefficients untk VB 2 anda ("modul"). X2

adalah nilai "riil total" responden Anda untuk "modul".

Misalnya, untuk Responden 1 nilai "riil total" "ktrmpln" = 56

dan "modul" = 50, maka untuk memprediksi "hasil" (Y)

persamaannya adalah: Y = B + a1X1 + a2X2 = -26,885 +

0,952.56 + 0,767.50 = -26,885 + 53,312 + 38,35 = 64,777.

Demikian pula perhitungannya untuk Responden 2 dan

seterusnya. Namun, juga harap dilihat tabel Model Summary.

Balas

53.

Sihnu Bagus Jumat, 18 Mei, 2012

Mau tanya dong om admin atau yang laen yang bisa jawab,,,

Dalam penelitian yang berhubungan dengan analisis regresi linier berganda, kita

selalu dihadapkan dengan istilah-istilah sebagai berikut:

1. Uji T

2. Uji F

3. Koefisien Regresi

4. Nilai R

5. Nilai R-Square

6. Nilai adj.R-Square dll.

Bagian mana yang paling penting dari 7 item yang saya sebutkan diatas?

Artikel diatas ada kalimat

"Kolom Adjusted R Square. Fungsinya menjelaskan apakah sampel penelitian

mampu mencari jawaban yang dibutuhkan dari populasinya. Kisaran nilai

Adjusted R Square adalah 0 hingga 1. Pedoman interpretasi atas nilai Adjusted

R Square adalah sebagai berikut..."

Maksudnya gimana itu yah???

Balas

Balasan

1.

seta basri Jumat, 18 Mei, 2012

Khusus untuk linear berganda di SPSS? Saya coba ya. Yang lain

boleh kok mengoreksi atau menambahi.

1. Uji t. Nilai ini tampak di tabel Coefficients kolom

Standardized Coefficients. Nilai t (juga Beta) menunjukkan

kuatnya hubungan pengaruh dari variabel bebasnya. Jika nilai t

(juga Beta) positif, maka hubungan VB-VT positif. Atau

sebaliknya.

2. Uji F. Nilai ini tampak di tabel ANOVA. Uji F digunakan

untuk menguji hipotesis yang menyatakan tidak ada hubungan

antara VB-VT (biasanya H0). Jika probability (sig.nya) < sig.

penelitian, H0 ditolak. Nilai F juga menunjukkan seberapa baik

model regresi yang kita gunakan. Dalam pengujian, nilai F

hitung ini dibandingkan biasanya dengan F tabel.

3. Koefisien regresi, lihat 4.

4. R. Nilai ini juga disebut 'multiple R.' R adalah korelasi antara

nilai Y (persamaan) yang diamati dengan nilai Y (persamaan)

yang diprediksi oleh model regresi berganda. Sebab itu, besarnya

nilai R mencerminkan besarnya korelasi antara antaara nilai-nilai

prediksi dengan nilai-nilai yang diamati sebagai hasilnya. Nilai 1

(sempurna) mencerminkan kondisi dimana model regresi akan

secara sempurna memprediksi data yang diamati.

5. R Square. Juga disebut 'Koefisien Determinasi.'Nilai ini

diperoleh dari penguadratan nilai R. Dalam model regresi, nilai

R Square menunjukkan proporsi variabilitas VT yang mampu

dihitung oleh VB. Dalam melakukan penjelasan, nilai R Square

umumnya dikalikan 100%. Misalnya 0,50 x 100% = 50% dan

dengan demikian VB mampu menghitung 50% variabilitas dari

VT.

6. Adjusted R Square. Nilai adalah 'penyusutan.' Nilai berusaha

menunjukkan kebaikan model regresi dalam melakukan

penyimpulan. Harapannya ia serupa (atau mendekati) R Square.

Misalnya nilai R Square 0,65 sementara nilai Adjusted R Square

0,60. Maka terjadi 'penyusutan' sebesar 0,65 - 0,60 = 0,05 (5%).

Maknanya, jika model regresi kita terapkan atas populasi

langsung (bukan sampel) maka akan terjadi 'penyusutan' sebesar

5% dari varians VT yang mampu diprediksi oleh VB

(berkurang). Ya, sampel bukanlah populasi yang sesungguhnya.

Kondisi yang diharapkan (ideal) adalah nilai Adjusted R Square

idealnya serupa dengan R Square ini, tetapi secara realistik

adalah sulit: Tidak ada sampel yang secara total serupa dengan

populasi. Interpretasi kesesuaian ini ada di tabel dalam artikel di

atas.

Semuanya penting, dan derajat 'penting' ini tentu tidak terlepas

dari tujuan spesifik dari suatu penelitian. Semoga bermanfaat.

Balas

54.

AnonimMinggu, 10 Juni, 2012

halo pak, saya jees, sedang menganalisis data penelitian saat ini pak

sangat membantu artikel blog ini pak,

saya ingin tanya mengenai out put data regresi saya,

saya menggunakan regresi sederhana (1 vb dan 1 vt)dan hasilnya: R(.116); R

Square(.014); Adjusted R (-.036); t pd table coefficient (-.523); sig. pd table

coefficient dan Anova (.607). yang ingin saya tanyakan:

1.untuk regresi sederhana, apakah perlu mempertimbangkan nilai adjusted R

nya? karena dari penjelasan diatas, jika nilai adjusted R bernilai negatif maka

ada calculation error!!!

2.baagaimana menginterpretasikan nilai t yang bernilai negatif (-.523)?

bagaimana menarik kesimpulannya?

3.nilai sig. penelitian saya dlm taable anova dan coefficient (.607) apakah

berkaitan dengan penyebaran data? atau adakah yg salah dengan pengambilan

data saya, karena n saya berjumlah 22??

4.kurva saya (normal P-P Plot) mengikuti garis diagonal (menempel pada garis

diagonal) dan scater plot cenderung kekanan ujung.

terimakasih pak

Balas

Balasan

1.


Saya coba per pertanyaan ya.

1. Nilai Adjusted R terutama berkait pada dua hal: Jumlah VB

dan Jumlah Sampel. Rumus sampel uji regresi kiranya 50 + 8m

(m = jumlah VB). Idealnya, jumlah sampel Anda karena regresi

sederhana adalah 58. Jika jumlah sampel sudah mencukupi

(bahkan lebih) tetapi Adjusted R masih (-) maka dapat ditelusuri

pada rangkaian uji asumsi klasik pra regresi, yang harus

diadakan terlebih dahulu sebelum uji regresi diadakan. Atau,

dapat nilai R .116 dan R Square .014 ditetapkan saja untuk

diterima dengan catatan nilai Adjusted R adalah negatif.

Mungkin Anda dapat memuatnya sebagai keterbatasan

penelitian).

2. Nilai t yang negatif dapat diinterpretasikan sebagai pengaruh

yang berlawanan antara VB terhadap VT. Misalnya, makin besar

pengaruh VB maka makin kecil VT. Atau, makin kecil pengaruh

VB makin besar VT.

3. Kiranya ada, karena untuk Uji Regresi ketentuan sampelnya

50 + 8m (m= jumlah VB). Jika pertanyaannya adalah "apakah

penelitian tetap dapat diterima?" Sebaiknya sepakati dengan

pembimbing penelitian. Arti umum dari nilai sig. .607 adalah

"tidak signifikan secara statistik." Dapat pula hal tersebut

disebutkan sebagai keterbatasan penelitian, karena penelitian

(terutama skripsi) terbatas oleh tiga hal: Waktu, tenaga, dan

biaya (penelitian skripsi umumnya menggunakan biaya sendiri).

4. Normal P-P Plot mengikuti garis diagonal mengindikasikan

normalitas residu. Scatter Plot: Jika cenderung menyerupai garis

diagonal dari sumbu 0 ke kanan atas maka mengindikasikan

pengaruh positif yang cukup kuat; Jika plot cenderung naik ke

kanan atas tetapi tidak menyerupai garis (hanya samar) maka

mengindikasikan pengaruh positif yang lemah; Jika plot

cenderung membentuk garis diagonal dari sumbu Y ke arah X

maka mengindikasikan pengaruh negatif yang cukup kuat; Jika

plot cenderung tidak membentuk garis (acak) dari sumbu Y ke

arah X maka mengindikasi pengaruh negatif yang lemah; Jika

data adalah acak, tanpa pola jelas, maka mengindikasikan

kondisi yang cenderung tiada pengaruh (sangat ... sangat lemah).

Sama-sama Jees. Semoga bermanfaat.

Balas

55.

RaniRabu, 13 Juni, 2012

Pak seta, saya mau tanya.

Saya sedang mengerjakan skripsi dan ada masalah di bagian adjusted R square.

nilai adj. R square saya sebesar 0,98377

menurut dosen saya nilai tu terlalu besar dan berbahaya.

akibat dari nilai adj R square yg terlalu besar apa ya pak ?

trus cara mengatasinya bagaimana ?? Thx.

Balas

Balasan

1.


Apakah Adjusted R Square itu? Nilai Adjusted R Square

berusaha menunjukkan kebaikan model regresi dalam

melakukan penyimpulan. Idealnya nilai Adjusted R Square

adalah sama atau paling tidak mendekati R Square. Sebab itu,

penting untuk dilihat berapa nilai R Square Anda. Nilai Adjusted

R Square dan R Square selalu berjalan seiring, karena keduanya

bersangkutan dengan "penyusutan" yang nantinya akan terjadi

ketika Uji Regresi "benar-benar diterapkan" atas populasi.

Contoh: Nilai Adjusted R Square anda adalah 0,98377. Nilai R

Square anda 0,98756. Penyusutan yang terjadi ketika uji

diterapkan atas populasi adalah 0,98756 - 0,98377 = 0,379%

(koreksi perhitungan saya ya?). Makna dari 0,379% adalah,

ketika diasumsikan uji diberlakukan langsung atas populasi

(yang sesungguhnya, bukan sampel) maka terjadi penyusutan

sebesar 0,379%. Yang dimaksud "penyusutan" ini adalah bahwa,

sebesar 0,379% saja dari varians Variabel Terikat yang mampu

diprediksi oleh Variabel (variabel) bebas. Kondisi ideal dari

Adjusted R Square adalah penyusutan sebesar 0%. Tetapi, hal ini

sangat sulit diperoleh: Sampel bukanlah Populasi, seberapapun

representatifnya. Nah, jadi kaitan antara nilai Adjusted R Square

Anda dengan pendapat dosen Anda yang menganggap "nilai tu

terlalu besar dan berbahaya" haruslah dikaitkan dengan

pengertian "penyusutan" tersebut. Mungkin, yang dikhawatirkan

dosen Anda adalah nilai R Square tersebut (Koefisien

Determinasi) yang terlalu besar (mendekati 1 sebagai pengaruh

sempurna). Demikian, semoga bermanfaat.

2.

RaniSenin, 25 Juni, 2012

nilai R square saya 0,987465 pak.

Bagaimana menurut bapak ??

3.

seta basri Selasa, 26 Juni, 2012

Nilai R Square digunakan saja untuk mencari Koefisien

Determinasi yaitu 0,987465 x 100% = .... Hasilnya menyatakan

VB mempengaruhi VT sebesar .... % . Sisanya 100% - ......%

ditentukan variabel-variabel lain yang tidak disertakan dalam

penelitian.

R Square - Adjusted R Square = 0,987465 - 0,98377 = 0,003695.

Dengan demikian penyusutan yang terjadi manakala model

regresi anda diterapkan pada populasi dipediksi hanya akan

mengalami penyusutan sebesar 0,003695% dari kemampuan

VB-nya memprediksi varians VT-nya.

Semoga bermanfaat.

Balas

56.

fistianty sheila Rabu, 13 Juni, 2012

terimakasih banyak atas tulisan2nya pak, sangat membantu sekali :)

Balas

Balasan

1.



Balas

57.

AnonimSabtu, 16 Juni, 2012

Pak Seta, saya mahasiswa yang sedang mempersiapkan diri untuk sidang,mau

mengajukan beberapa pertanyaan:

1. untuk melihat efektifitas masing-masing VB terhadap VT dengan

menggunakan nilai Beta. apakah nilai beta juga bisa dijadikan persentase seperti

nilai adjust R Square?

2. apakah signifikansi dan probabilitas adalah suatu istilah yang sama pak?

3. kemudian apakah yang dimaksud dengan ZPRED, SRESID, dan SPRED?

terimakasih banyak pak.

Balas

Balasan

1.


1. Nilai Beta pada Standardized Coefficients (Tabel

Coefficients) umumnya menunjukkan nilai serupa dengan R

(Tabel Model Summary). Jika nilai Beta itu positif dan sig.

hitungnya signifikan, maka pengaruh positif. Jika Beta negatif,

maka pengaruh negatif. Dalam Regresi Berganda, nilai Beta

mengindikasikan hubungan yang lebih masing-masing VT atas

VB. Positif dan negatifnya mencerminkan hubungan tersebut.

Peruntukan nilai Beta ini tentu berbeda tujuan dengan Adjusted

R Square. Untuk Adjusted R Square lihat komentar-komentar di

bagian atas.

2. Probability Value, p-value, atau signifikansi umumnya

disimbolkan p. Kiranya serupa. Ukuran p-value umumnya 0,1,

0,05 ataupun 0,01. Entitas yang diacu sama.

3. (a) ZPRED adalah nilai-nilai prediksi yang distandardisasi

dari VT yang didasarkan. Nilai-nilainya merupakan bentuk

terstandardisasi dari aneka nilai yang hendak diprediksi oleh

model regresi; (b) SRESID adalah Studentized Residual yaitu

variasi dari ZPRED berupa RESID (Unstandardized Residual)

dibagi standar deviasi yang diestimasikan, nilai SRESID ini

lebih akurat dalam menaksir error variance dari suatu

perhitungan. (c) SPRED?? Kalau Residual adalah perbedaan

antara nilai yang hendak diprediksi oleh mode dengan nilai data

yang diamati (diobservasi) dengan mana model tengah diuji.


2.

AnonimMinggu, 17 Juni, 2012

sangatbermanfaat pak, terimakasih banyak. saya ingin bertanya

mengenai satuhal lagi. bagaimana mencari linearitas dalam

regrsi pak? karena saya masih bingung, ada beberapa referensi

yang mengatakan bahwa linearitas dilihat dari P-P Plot, apakah

benar seperti itu pak?

sekali lagi terimakasih.

3.


Linieritas dalam regresi (dengan SPSS) bisa dilihat dengan

menyilangkan ZRESID (masukkan ke Y-axix) dengan ZPRED

(masukkan ke X-axis). Saat menyeting uji regresi klik tombol

Plot. Masukkan keduanya.

Dari Graph yang muncul hasil output SPSS perhatikan pola plot

data yang dibentuk sumbu X (Regression Standardized Predicted

Value) dengan sumbu Y (Regression Standardized Residual).

Asumsi Linieritas terpenuhi apabila plot-plot data bercorak acak,

menyebar, tidak membentuk pola jelas tertentu. Asumsi

Linieritas "violated" apabila plot-plot data membentuk pola

kurva, gelombang, mengumpul di sebelah kiri atau di sebelah

kanan.


Balas

58.

anitalim Selasa, 19 Juni, 2012

salam sejahtera, apa kabar Pak seta?

jika diperkenankan, saya ingin bertanya.

Saya sedang mengerjakan skripsi dan memiliki masalah di bagian adjusted R

square.

nilai adj. R square saya hanya sebesar 0,082

dimana menurut dosen pembimbing saya nilai tersebut terlalu rendah dan tidak

dapat digunakan.

saya sudah mencoba mencari penyebabnya seperti saran dosen saya, seperti

membuang pertanyaan variabel bebas yang tidak valid dan outlier

data saya sudah valid, reliabel, dan tersebar normal, akan tetapi hanya 1 masalah

saja yang tersisa yaitu tetap nilai adjusted r square saya tetap rendah, mohon

dibantu

Balas

Balasan

1.


Salam sejahtera pula untuk Anda.

Intinya, nilai Adjusted R Square memberikan gagasan soal

seberapa baik model regresi kita melakukan penyimpulan.

Idealnya, nilai tersebut adalah sama, atau paling tidak, mendekati

nilai R Square. Dengan nilai Adjusted R Square ini kita akan

mampu memprediksi kesesuaian model regresi kita (yang

dihitung menggunakan sampel) dengan prediksi model kita

tatkala nanti dilakukan langsung atas populasi. Bagaimana cara

menghitung kesesuaian tersebut? Caranya adalah R Square -

Adjusted R Square. Misalnya, nilai R Square anda 0,090. Jadi

0,090 - 0,082 = 0,008. Kalikan 0,008 dengan 100% = 0,8%.

Dengan demikian disimpulkan (berdasarkan 0,8% ini) bahwa

jika model regresi kita diturunkan langsung dari populasi (yang

sesungguhnya, bukan sampel) maka varians yang mampu

ditaksir dari hasilnya hanya akan menyusut sebesar 0,8%.

"Penyusutan" 0% adalah kondisi ideal yang diharapkan,

sehingga semakin serupa Adjusted R Square dengan R Square

adalah semakin baik.

Dengan demikian unsur "sampel" ini jadi penting. Peneliti

(terutama dosen) yang punya "masalah" dengan besaran nilai

Adjusted R Square sebaiknya melihat nilai R Square. Sebaiknya

nilai R Square lebih besar dari rumus k/(n-1). k = jumlah

Variabel bebas. n = jumlah sampel. Silakan Anda hitung nilai

k/(n-1) tersebut. Jika nilainya lebih besar dari R Square maka

Adjusted R Square anda fine-fine saja. Jika lebih kecil dari R

Square maka "mungkin" ada yang harus dikoreksi.

Selama unsur-unsur validitas dan reliabilitas instrumen juga

asumsi-asumsi uji regresi tidak terlanggar (misalnya sampel > 50

+ 8m dimana m adalah jumlah Variabel Bebas), maka sebaiknya

berapapun angka yang "disuguhkan" diterima. Memang, ada

asumsi "aneh" di kalangan akademisi yang menyatakan bahwa

jika nilai R Square kecil, Adjusted R Square kecil, maka

penelitian mahasiswa bermasalah. Bahkan, dalam situasi

ekstrim, ada sejumlah "dosen" yang menyuruh mahasiswa

merekayasa sedemikian rupa jawaban responden penelitian agar

hitungan R Square-nya jadi besar. Waw! Jika demikian maka

untuk apa susah-payah mahasiswa meneliti jika hasil yang

diharapkan sudah dipatok sebelumnya? Ingat, R Square,

Adjusted R Square dan angka-angka lainnya adalah "angka." Hal

yang lebih penting (tapi kerap dilupakan) adalah bagaimana

menginterpretasikan hasil uji statistik kepada Hipotesis, apa

makna mereka atas situasi "nyata" di lapangan, responden,

model analisis, dan lain hal yang bersifat "kualitatif."

Demikian. Semoga bermanfaat.

Balas

59.

Friska martalina Siregar Selasa, 19 Juni, 2012

Komentar ini telah dihapus oleh penulis.

Balas

60.

AnonimSelasa, 19 Juni, 2012

salam kenal pak seta, saya icha

saya mau bertanya pak, skripsi sy analisis rasio untuk memprediksi fintres, data

sampel saya ada 36 kemudian sy uji normalitasnya dengan KS ada 4 rasio yg

tidak normal, kemudian saya uji lg pakai yg ada cook's nya dan ada 1 variabel

yg tdk normal, bolehkah saya transform variabel tersebut kemudian saya uji

normalitas lagi? atau sebaiknya saya transform dulu sebelum dilakukan uji

normalitas cook's sebelumnya? (mengingat nilai cook apabila lebih dari 1 harus

dihapus). termiakasih pak mohon bantuannya.

Balas

Balasan

1.


Mungkin bisa dimulai dari uji validitas item, keluarkan yang

tidak valid. Teruskan hingga seluruhnya valid. Setelah itu uji

reliabilitasnya dilihat. Baru dilanjutkan dengan uji-uji asumsi

seperti jumlah sampel minimal, outlier dan sebagainya. Mungkin

ada outlier di sana. Mohon diperiksa kembali. Setelah itu

lakukan uji normalitas pra transform, lihat hasilnya. Bandingkan

dengan uji normalitas pasca transform, lihat hasilnya. Keluarkan

variabel yang tidak normal (setelah yakin), lalu kembali lakukan

uji normalitas. Kalau pertanyaannya bolehkan ditransform

dahulu sebelum uji normalitas, ya silakan saja. Namun, data

Anda ada di skala rasio, dan skala tersebut adalah "tertinggi"

menyerupai nilai sebenarnya.


Balas

61.

Didi Rabu, 20 Juni, 2012

Terima kasih banyak pencerahan dari bapak....satu hal yang ingin kami

tanyakan, ada artikel yg menyebutkan apabila menggunakan skala linkert maka

lebih baik koefisien yg digunakan adalah Beta pada Standarized

Coefficients,keuntungannya mampu mengeliminasi perbedaan unit ukuran

variabel bebas, apa yang dimaksud? Sehingga konstanta tdk masuk dlm

persamaan linear, nilai beta yg dimasukkan dalam persamaan adalah semua atau

masih melihat nilai sig. nya yang signifikan...terima kasih

Balas

Balasan

1.


Tabel Coefficient intinya menceritakan VB (atau VB-VB) mana

dari model regresi kita yang punya kontribusi dalam

memprediksi VT. Untuk regresi berganda misalnya, nilai Beta

pada kolom Standardized Coefficients di tabel ini gunanya untuk

memperbandingkan aneka VB, karena nilainya sudah

"distandardisasikan". Standarisasi terjadi akibat nilai-nilai di

setiap variabel telah dikonversi ke dalam skala yang sama.

Karena sama skala ini maka kita dapat memperbandingkan

aneka VB lewat nilai ini. Jadi, nilai Beta pada Standardized

Coefficients berfungsi untuk membandingkan "peran" masing-

masing VB dalam memprediksi perubahan VT. Tentu saja,

penting dilihat nilai sig. nya. Belum tentu nilai Beta yang besar

juga signifikan. Dan, tentu saja ia berlaku bukan hanya untuk

skala Likert melainkan juga skala-skala lainnya: Itu karena nilai

ini dapat melakukan "perbandingan" karena sifat standardnya itu.

Saya tetap menyarankan, jika skala Likert yang digunakan pada

item-item kuesioner VB adalah 1 s/d 5, demikian juga untuk

yang VT harus 1 s/d 5. Agar ada konsistensi. Perbandingan

"peran" VB atas VT ini melihat angka bilangan asli saja (tidak

memedulikan tanda negatif). Misalnya: VB1 = -.525 VB2

= .213. Maka disimpulkan VB1 telah menciptakan kontribusi

unik yang lebih kuat (ketimbang VB2) dalam menjelaskan VT.

Nah, untuk menghitung persamaan prediksinya gunakan nilai

Constant dan B pada kolom Unstandardized Coefficients. Tentu

saja nilai sig. tetap harus dilihat sebagai dasar penentuan

signifikan atau tidak signifikannya perhitungan tersebut.


Balas

62.

Didi Kamis, 21 Juni, 2012

OK pak makasih masukannya....satu lagi pak nilai konstanta negative itu artinya

apa? Dan apakah sangat berpengeruh di dalam analisa hasil regresi terutama

dalam fenomena sosial?

Balas

Balasan

1.


Masih di tabel Coefficients, khusus pada kolom Unstandardized

Coefficients. Di sana terdapat nilai (Constant) yang menjelaskan

Model Regresi. Nilai Constant ini adalah Intercept Y. Nilai

Constant ini (kerap dalam persamaan disimbolkan a atau b0)

bermakna apabila b1x1 bernilai 0 maka model regresi kita

memprediksi Y sebesar b0 (atau a, konstanta), yaitu nilai

konstanta itu sendiri, dan tentu saja akan berubah jika b1 dan x1

tidak sama dengan 0.

Contoh: Dari Tabel Coefficients (Unstandardized Coefficients)

diperoleh b0 (konstanta) = -50,00. Nilai b1 = 0,50. Nilai X1 =

7,5. Maka Y (VT yang hendak diprediksi) adalah Y = -50,00 +

(0,50 x 7,5) = -46,25. Namun, jangan dianggap hubungan

bersifat negatif, karena negatif-positif suatu hubungan

ditunjukkan oleh b1 (jika regresi sederhana) atau b1, b2, bn (jika

regresi berganda). Nilai konstanta tentu saja berpengaruh

terhadap persamaan model regresi kita utamanya dalam

memprediksi Y.


Balas

63.

catatan fauzi Rabu, 27 Juni, 2012

untuk menentukan tingkat signifikan yang kuat dan lemah diliat dari tabel mana

yak pak?? saya menggunakan regresi berganda

Balas

Balasan

1.


Untuk menentukan koefisien determinasi dapat dilihat nilai R

Square pada tabel Model Summary, di mana nilai ini biasa

dirujuk sebagai deskripsi kuat-lemah pengaruh prediktor. Untuk

menentukan perhitungan rumus model regresi lihat tabel

Coefficients, juga jangan dilupa nilai sig. hitungnya.

Balas

64.

AnonimRabu, 27 Juni, 2012

makasih artikelnya, sangat bermanfaat. namun ada yang ingin saya tanyakan

mengenai uji t

bagaimana jika nilai t hitung < t tabel, namun signifikan. apakah dia

berpengaruh atau tidak?

Balas

Balasan

1.


Nilai t hitung berguna dalam mengukur apakah prediktor (VB)

membuat kontribusi yang signifikan atas model regresi kita. Jika

t hitung yang berhubungan dengan nilai beta signifikan (yaitu

jika nilai pada kolom Sig. hitung < 0,05) maka prediktor

dinyatakan membuat kontribusi signifikan atas model. Semakin

kecil nilai Sig. hitung (dan semakin besar nilai t), maka semakin

besar pula kontribusi prediktor tersebut atas model. Nilai t tabel

bergantung pada signifikansi penelitan kita, arah prediksi

hubungan (1-tailed atau 2-tailed), jumlah sampel, dan jumlah

prediktor. Penentuannya menggunakan degree of freedom yang

dicari dengan rumus N - p - 1, dimana N = jumlah sampel, p =

jumlah prediktor. Semakin besar jumlah sampel dan semakin

sedikit prediktor, maka semakin kecil df, semakin kecil pula nilai

t tabel. Demikian jika jumlah sampel kecil, semakin banyak

prediktor, maka semakin besar df, semakin besar pula t tabel.

Jika memang kondisi anda sungguh terjadi (cukup jarang,

memang) yaitu dimana nilai t hitung < t tabel, namun signifikan,

maka dapat dinyatakan bahwa prediktor memiliki kontribusi

yang signifikan untuk tidak memberikan pengaruh atas model

regresi.

Balas

65.

AnonimKamis, 28 Juni, 2012

salam pak seta, saya bobi mahasiswa akhir, saya mau tanya tentang hasil regresi

berganda saya yaitu Y=-0.755X1+0.365X2-0.463X3-0.042X4+0.032X5-

0.364X6+e dinama y=kepuasan dan x1-x6=kualitas layanan,yang saya mau

tanyakan bgaimana cara baca persamaan ini karena saya bingung dengan nilai

konstanta yang negatif.terima ksih..sya tggu blsana pak

Balas

Balasan

1.


Harus diwaspadai, nilai konstanta hasil uji regresi SPSS ada dua

macam. Pertama Konstanta 0 (Bo) yang ada di kolom model

(Constant) Unstandarized Coefficients (B). Kedua nilai Beta

yang ada di di Standardized Coefficients. Untuk yang pertama,

positif atau negatifnya no problem, dihitung saja. Untuk yang

kedua, positif atau negatifnya menunjukkan arah hubungan dan

yang diharapkan adalah tidak sama dengan 0. Jika nilainya (-)

maka arah pengaruh negatif. Jika nilainya (+) maka arah

pengaruh positif.

Misalnya dalam contoh anda: Terlebih dahulu anda harus

sematkan nilai Konstanta model (Constant) dahulu, yang mana

nilainya ada dalam pengertian yang PERTAMA. Selanjutnya

baru dimasukkan nilai-nilai lainnya (sudah anda tulis yaitu -

0.755X1+0.365X2-0.463X3-0.042X4+0.032X5-0.364X6+e).

Untuk perhitungan anda rumusnya adalah: Y = Bo+(-

0,755.x1)+(0,365.x2)+(-0,463.x3)+(-0,042.x4)+(0,032.x5)+(-

0,364.x6).

Semoga bermanfaat. Nilai x1 s/d x6 dari mana? Ya diambil dari

sampel. Misalnya, sampel nomor 1 nilai x1=60, x2=70, x3= 80,

x4=90, x5=10, dan x6=30, maka persamaan anda menjadi Y =

Bo+(-0,755.60)+(0,365.70)+(-0,463.80)+(-

0,042.90)+(0,032.10)+(-0,364.30). Demikian pula untuk sampel

nomor 2 dan seterusnya.

Salam kembali. Semoga bermanfaat.

Balas

66.

AnonimJumat, 29 Juni, 2012

saya reska,, salam kenal pak seta basri..

mohon bantuannya untuk menjelaskan mengapa nilai adjusted R2 saya nilainya

hanya 0,271. atau pengaruh VB thdap VT secara simultan hanya 27,1%. (VB

ada 3, VT ada 1)

menurut dosbing saya hal tsb jd tidak sesuai dgn teori yg ada dan hasil tsb

dinilai bermasalah krn nilainya terlalu sdikit. Pdhl dari nilai Fhitung>Ftabel, dan

nilai SigF<0,05 (sudah sesuai dgn ketentuan uji F/ simultan), jadi mnurut saya

kan antara VB dan Vt sudah ada pengaruh yg positif dan sig,tak masalah

mskipun nilai adjusted R2 hanya 27%.

nah stelah sudah saya jabarkan sperti diatas kpd dosbing saya, tetap saja dosen

saya meminta penjelasannya mengapa nilai adjusted R2 kecil. Jujur saya

bingung karena tidak tau mengapa nilai adjusted R2 kecil. Mohon bantuannya

pak.. terimakasih sbelumnya (maaf tanya nya sekalian curhat atas kebuntuan

mngerjakan skripsi :D)

Balas

Balasan

1.

seta basri Senin, 02 Juli, 2012

Salam juga. Nilai Adjusted R Square sebenarnya

menggambarkan penyusutan yang akan terjadi andaikata model

regresi kita terapkan atas populasi, bukan sampel. Penyusutan

dihitung dari R Square - Adjusted R Square = ....% Nah, nilai ....

% itulah yang diprediksi sebagai penyusutan yang akan terjadi.

Untuk memprediksi kekuatan model atas variabel yang

diselidiki, sebaiknya digunakan R Square, bukan adjusted,

dikalikan 100%. Soal mengapa nilai R Square kecil, yang

memang seperti itu hasilnya. Jika validitas instrumen, reliabilitas

instrumen, dan rangkaian uji asumsi regresi sudah dilaksanakan,

maka hasil tersebut harus diterima. Ingat, penelitian dilakukan

atas "sampel", bukan "populasi." Kebanyakan teori diterapkan

untuk menjelaskan "populasi", bukan sampel. Sebab itu, penting

untuk mengukur penyusutan tadi.

Juga, memang perlu pula dihitung proporsi sampel dengan

jumlah prediktor. Untuk ini, Anda bisa lihat komentar-komentar

di atas soal estimasi sampel berdasarkan jumlah prediktor yang

digunakan. Tidak terlupa, justru penelitian diadakan dalam

kerangka ilmiah, khususnya alur verifikasi bahkan falsifikasi

teori. Sebagai penguat, mungkin Anda juga bisa referensikan

kepada "dosbing" Anda penelitian lain sejenis yang

sesungguhnya variatif nilai R Squarenya.

Balas

67.

dian mutiara pertiwi Senin, 02 Juli, 2012

judul penelitian saya analisis persepsi konsumen terhadap keputusan

pembelian..data yg diambil untuk regresi itu data yg mana yah?

saya msih bingung sekali..

apakah data dari kuesioner itu sendiri,atau data seperti apa?

Balas

Balasan

1.


Dari judul (mungkin) ada dua variabel penelitian: Persepsi

Konsumen (VB) dan Keputusan Pembelian (VT). Persepsi

Konsumen diukur lewat sejumlah indikator (misalnya ya ...

Image, Iklan, Harga). Keputusan Pembelian diukur lewat

sejumlah indikator (misalnya ya ... Cash, Kredit, Indent).

Setiap indikator dituangkan (diukur) dengan instrumen

penelitian: Kuesioner. Setiap indikator bisa diukur lewat 2 atau

lebih pernyataan. Jika masing-masing dua, maka VB diukur oleh

6 pernyataa. Demikian pula VT karena variabel tersebut terdiri

atas 3 indikator.

Setiap pernyataan dalam kuesioner diberi skala (umumnya)

ordinal bertipe Likert, misalnya SS = 1, S = 2, RR = 3, TS = 4,

dan STS = 5. Sampel penelitian misalnya 60 responden.

Misalnya pakai Excel, kolom 1 berisi responden (baris 1 s/d 60)

kolom 2 item VB indikator 1.1, kolom 3 item VB indikator 1.2,

kolom 4 item VB indikator 2.1. dan seterusnya.

Jawabannya, data dari kuesioner berupa angka-angka itu.

Balas

68.

AnonimSenin, 02 Juli, 2012

mau tanya,,ada sumber mengatakan pada uji park yg di'Ln itu hasil yg bukan

persentase..

misal x3 data rupiah,jadi Ln_x3 lalu pd regresi x3 diganti Ln_x3,,apa kah

benar???thx

Balas

Balasan

1.


Ya. Namanya saja logaritma natural.

Semoga bermanfaat.

Balas

69.


maaf pak seta ini sya bobi yg tanya "salam pak seta, saya bobi mahasiswa akhir,

saya mau tanya tentang hasil regresi berganda saya yaitu Y=-

0.755X1+0.365X2-0.463X3-0.042X4+0.032X5-0.364X6+e dinama y=kepuasan

dan x1-x6=kualitas layanan,yang saya mau tanyakan bgaimana cara baca

persamaan ini karena saya bingung dengan nilai konstanta yang negatif.terima

ksih..sya tggu blsana pak"..persmaan yg sya buat slah yg bnar nilai

bo/konstanta:-0.775,apakah ini berati kalau nilai variabel independen konstan

berati nilai Y bernilai negatif dan salah berati ya pak???sya pake yg

unstandardized coefficients,krn sya ingin meneliti pengaruh VB trhdp VT

Balas

Balasan

1.


Konstanta yang Unstandardized .... (Bo) belum menunjukkan

arah. Kalau yang di Standardized .... itulah yang menunjukkan

arah. Bo negatif ataupun positif tidak menunjukkan kesalahan

kok. Perhitungan persamaan regresi belum selesai, karena masih

ada B1, B2 dan seterusnya.

Semoga bermanfaat.

2.

AnonimSelasa, 03 Juli, 2012

oooww bgtu z pak,brati klo k 6 VB itu bernilai konstan berarti

nilai VT -0.775 pak,barti smkin tinggi nilai VB membuat nilai

VT menurun z pak??trma ksih atas jwbana pak,wlpun sdkit msih

bingung..hehehe

3.

seta basri Kamis, 05 Juli, 2012

Konstanta yang dimaksud adalah beta yang di kolom

Unstandardized Coefficient. Jika nilai b1 s/d bn ataupun x1 s/n

bernilai 0, maka kontanta tersebutlah yang berlaku. Taksiran

arah hubungan bukanlah beta yang di unstandardized coefficient,

melainkan beta yang di Standardized Coeffients. Hal ini penting

mengingat yang digunakan adalah uji regresi berganda.

Balas

70.

AnonimKamis, 05 Juli, 2012

Ass Wr.Wb

Pak seta, saya aprilia.

mau tanya..

untuk penelitian yang menggunakan populasi.. apakah harus menggunakan uji

asumsi klasik atau tidak?

Bila tidak, langkah seperti apa yang harus saya lakukan dalam menentukan

pengaruh dengan menggunakan metode regresi linear berganda?

terima kasih

Balas

Balasan

1.

seta basri Kamis, 05 Juli, 2012


Dalam salah satunya, uji asumsi memeriksa apakah terdapat

hubungan antar sesama variabel bebas. Uji asumsi klasik

sebaiknya tetap digunakan untuk kesahihan hasil

analisis/penelitian.

Balas

71.

AnonimSabtu, 07 Juli, 2012

Salam kenal Pak Seta.

Saya Agnes.

Saya mau tanya Pak..

Bila terdapat 5 (lima) variabel terikat sbb :

Return on equity (satuannya/ dinyatakan dalam PERSENTASE)

Net profit Margin (satuannya/ dinyatakan dalam KALI)

Current ratio (satuannya/ dinyatakan dalam KALI)

Inventory turnover (satuannya/ dinyatakan dalam KALI)

Total asset turnover (satuannya/ dinyatakan dalam KALI)

apakah bisa kita membentuk 1 (satu) variabel terikat baru, dengan mengambil

rata-rata dari kelima variabel tsb?

Terimakasih sebelumnya pak..

Balas

Balasan

1.


Wah. Kalau penelitiannya 5 variabel terikat, terus terang saya

juga belum pernah mempelajarinya. Paling banter anda korelasi

kanonikal dua variabel terikat. Itupun di SPSS harus mengetik

rumus-rumus tambahan. Kalau 5 ...?

Namun, Anda pasti telah memahaminya sehingga dari 5 variabel

terikat di kompresi menjadi 1 (satu). Dari nama-namanya

kelihatannya bidangnya akuntansi sekali ya? Saya tidak

menguasai bidang tersebut. Namun, bisa disarankan Anda

memang buat saja 1 (satu) variabel terikat (misal namanya

Neraca ... he ... he ...). Kelima variabel "terikat" tadi kamu

jadikan saja Indikator. Nah, variabel bebasnya sendiri apa?

Dari satuan-satuannya (persen, kali) kelihatannya tidak masalah.

Kamu ada di dalam Skala Rasio. Justru skala tersebut paling

baik. Jangan dirata-ratakan, karena mereka adalah indikator-

indikator suatu variabel (neraca ...). Sikapi mereka secara

otonom karena skala rasio mendeskripsikan kondisi yang

sesungguhnya dan bernilai fix. Tidak seperti skala nominal dan

ordinal.


2.

AnonimSelasa, 10 Juli, 2012

Makasih sekali nih Bpk bersedia menjawab pertanyaan saya.

iya Pak,,memang ini penelitian di bidang akunting.

Variabel bebasnya dividend per share dan Earnings per share

variabel terikatnya kinerja keuangan (diukur dgn rata2 5 variabel

td).

tadinya saya memang mau menggunakan regresi kanonik,

namun apabila ada salah satu saja dari 5 variabel Y tsb yang

tidak dipengaruhi oleh variabel bebas, akan terjadi masalah pada

generalisasi. Penelitian saya tidak memerlukan uji parsial..hanya

pengujian secara simultan yang diambil, berdasarkan konsep

awal dr penelitian ini.

maka itulah saya mengganti analisis menjadi regresi linear

berganda dgn cara merata2kan Y.

Oh iya Pak, kalau nilai unstandardized residual = 0

maksudnya apa yah Pak? soalnya setelah saya lakukan analisis,

muncul warnings pada output SPSS. warnings mengenai

pengaruh statistik yang tdk bs diukur karena FIT yang sempurna.

apakah data yang seperti ini masih layak di analisis?

3.

seta basri Rabu, 11 Juli, 2012

Residual ini berkait dengan garis regresi. Garis ini amat

dipengaruhi ada-tidaknya outlier (data yang melenceng jauh dari

kebiasaan data lain). Nah, apa yang sesungguhnya hendak

dikisahkan oleh residual adalah, perbedaan antara nilai-nilai

yang nantinya diperoleh lewat model regresi (persamaan regresi)

dengan nilai-nilai yang dihasilkan lewat sampel itu sendiri.

Diskrepansi antara kedua nilai inilah yang disebut sebagai

residual. Residual sekaligus pula mengisahkan error yang

menggejala pada model. Jika sebuah model regresi "fit" dengan

data sampel maka residual-residual akanlah kecil. Bahkan, jika

suatu model "fit" secara sempurna dengan data sampel, maka

seluruh residual akan bernilai 0. Sebaliknya, jika sebuah model

regresi "poor fit" dengan data sampel maka residual-residualnya

akanlah besar. Nah, semakin besar residual inilah yang

mengindikasikan adanya outlier tadi.

Unstandardized Residuals merupakan salah satu jenis dari

residual yang tengah dibicarakan. Namun, ia sulit untuk untuk

diinterpretasi bagi aneka model regresi yang berbeda, karena

unstandardized residuals adalah "residu" suatu model yang

diekspresikan menurut hitungan unit asli dari aneka variabel

yang kita uji. Sebab itu, sebaiknya digunakan yang standar yaitu

Unstandardized Residuals. Residu ini sudah disinkronkan

dengan standar deviasi sehingga dapat ditafsirkan. Cara

membacanya dengan mengomparasi nilai z-score hitung dengan

z-score tabel. Sebelumnya, berapa Taraf Keyakinan penelitian

Anda? Baiklah, ambil contoh 95% (kalau rasio sebenarnya bisa

saja 99%, he .. he ...).

Jika 95%, maka z-score hitung harus ada di antara -1,96 dan

+1,96. (Kalau tarafnya 99% antara -2,58 dan +2,58; Kalau

tarafnya 99,9% antara -3,29 dan +3,29). Cara menafsirkannya

berdasar z-score hitung sebagai berikut:

- Jika Standardized Residuals (SR) > 3,29 maka model kita patut

dipertanyakan.

- Jika SR > 2,58 (<3,29) maka tingkat error model tidak bisa

diterima karena model buruk "fit" nya dengan data sampel.

- Jika SR > 1,96 maka model kita bisa diterima tetapi buruk

dalam merepresentasikan data sampel aktual.

Nah, bagaimana kalau 0 ? Tentu saja SPSS "gagap" karena

prediksi model sempurna sesuai dengan data sampel. Silakan

dipelajari.

Demikan, semoga bermanfaat.

4.

AnonimJumat, 13 Juli, 2012

kalo begitu, artinya dalam persamaan regresinya tidak

mencantumkan unsur "e" (error) ya Pak? karena model fit nya

perfect dengan sampel.

apakah kondisi fit perfect ini dapat terjadi karena sangat

minimnya jumlah data (n)?

Menurut Bapak,apakah model ini tetap layak untuk dilanjutkan

analisisnya? Saya benar2 bingung Pak, maklumlah hanya

pemula hehehehehe..

terimakasih.

5.

AnonimJumat, 13 Juli, 2012

o iya Pak..saya sudah coba gunakan standardized residual, tp

hasilnya tetap sama. muncul kolom ZRES di data view SPPS

saya dengan nilai NOL semua..

6.

seta basri Jumat, 13 Juli, 2012

Ya, kemungkinan besar seperti itulah kondisinya. Skala rasio

merepresentasikan nilai yang sesungguhnya jik asumsi-asumsi

regresi telah terpenuhi maka terima hasil tersebut dan lanjutkan

analisisnya.

7.


Baik, Pak..

trimakasih sekali atas bantuannya..sangat bermanfaat.

8.


Maaf,Pak..mau nanya lagi nih heheehehe..

kalau setelah dilakukan uji F, ternyata signifikansi uji F >0.05

artinya tidak signifikan ya Pak? (taraf sig penelitian saya 0.05)

apakah hal ini berarti model/persamaan regresi tersebut tidak

dapat diterima?

Langkah apakah yang sebaiknya saya ambil,Pak?

apakah ada alternatif pengujian lain selain uji F?

Terimakasih banyak atas jawabannya.

9.

seta basri Selasa, 17 Juli, 2012

Mohon periksa jumlah sampel. Kamu menggunakan 2 VB, dan

jika jumlah sampel minim kemungkinan besar mempengaruhi

hasil pengujian. Jika demikian, ada baiknya ditambah jumlah

sampel. Namun, ada baiknya pula dipertimbangkan kenyataan

"data berbicara." Demikianlah hasil penelitian yaitu sig. F >

0,05. Persoalan mengapa nilai sig. bisa > 0,05 ini terutama

berkait jumlah sampel: Makin besar sampel, makin tinggi

kemungkinan sig. < 0,05. Lalu bagaimana modelnya? Model

tentu saja masih dapat diterima kendati tidak signifikan secara

statistik (lihat nilai R Square-nya).

Balas

72.

FhikoMinggu, 08 Juli, 2012

Yap yap yap..

Thank U Pak Seta, Tulisannya benar-benar joss..

jadi faham dah sekarang...

Saran pak klo boleh lain kali buat tutorial statistik plus sreenshoot spssnya donk,

biar yang gaptek kek aku lebih mudah, hhe hhe..

peace!!:P

Balas

Balasan

1.


Terima kasih. Usulannya bagus, dan memang agar lebih jelas

harus menggunakan screenshot. Jika ada kesempatan hal tersebut

patut dibuat.

Balas

73.

nency Selasa, 10 Juli, 2012

siang pak.. sy ada masalah saat mengolah regresi linear sy..

jumlah sampel sy 52 dari 198 populasi perusahaan manufaktur setelah di

kriteriakan.

jumlah VB sy 4, dengan 4 var kontrol.

tp saat sy regresi kan di spss, salah satu VB sy tdk muncul pada tabel "variable

entered" maupun tabel "coeficients".

malah VB sy yg satu itu muncul pada tabel "excluded variable"

Dengan keterangan di bawah tabel huruf "a. tolerance =.000 reached"

apakah bapak bisa tolong saya alasan mengapa variabel sy itu tdk muncul? dan

bagaimana memperbaikinya?

sy bingung pak..

tolong dibantu segera, karena waktu sangat terbatas>>

terimakasih.. :)

Balas

Balasan

1.

seta basri Selasa, 10 Juli, 2012

Ada berbagai macam sebab. Paling utama kiranya jumlah

sampel. Regresi mempersyaratkan jumlah sampel > 50 + 8m (m

= jumlah variabel bebas). Namun, penggunaan sampel juga

dapat ditolerir jika peneliti menetapkan dampak (besar, sedang,

atau kecil, lihat di bagian komentar-komentar atas.

Sebab lain (kemungkinan) terjadinya autokorelasi antar sesama

variabel bebas. Apakah uji-uji asumsi klasik regresi berganda

sudah dilakukan sebelumnya? Juga, ada kemungkinan terjadi

keberlebihan Variabel Bebas. Hal ini bisa terjadi manakalan

jumlah sampel kecil sementara jumlah VB cukup banyak.

Silakan dipelajari aneka asumsi di tulisan-tulisan bagian atas.

Pastikan kembali, method regresinya apakah Enter, Hierarchical,

ataukah Stepwise. Kemungkinan Anda melakukan yang

bermetode Enter. Silakan dicoba yang metode Hierarchical

ataupun Stepwise. Untuk coba-coba saja dan melihat apakah

hasilnya serupa?

Singkatnya, VB yang "keluar" tersebut ada masalah. SPSS masih

"mempertimbangkan" apakah akan memasukkan ataukah tidak

VB tersebut.

Selamat mencoba.

2.

Fransiska Kosasih Minggu, 12 Agustus, 2012

Dear Pak Seta Basri,

saya mengalami hal yg serupa, yaitu pada varibel bebas muncul

dalam "excluded variable". adapun variable tersebut adalah

independensi komite audit dan menggunakan dummy (1- bila

independen dan 0 bila tdk independen).

adapun variabel Y adalah manajemen laba dan variabel bebas

lainnya adalah efektivitas komite audit (mgunakan dummy juga)

dan Leverage (menggunakan rasio).

jumlah sample saya ada 87 (terdiri dari 29 perusahaan selama 3

periode)

pada uji autokorelasi menggunakan durbin watson, hasil

menunjukkan bahwa tdk ada autokorelasi antar variabel bebas.

pertanyaan saya:

1. mengapa utk Independensi KA mjd excluded variable?

sedangkan utk efektivitas KA yg sama2 menggunakan dummy

dan nilainya pun sama persis dgn Independensi KA, bisa masuk

dlm tabel coeficient?

2. awalnya menggunakan method regresi enter, lalu sesuai saran

pak seta, saya mencoba menggunakan Stepwise, malah 2

variabel tersebut (Independensi dan efektivitas KA) menjadi

Excluded variable.

3. apa yg harus saya lakukan pak?

trimakasih banyak atas bantuannya :)

3.

seta basri Jumat, 17 Agustus, 2012

Maaf baru saya bahas sekarang. Hipotesis penelitian yang Anda

ajukan apa ya? Apakah seperti ini: "Independensi Komite Audit

(IKA) dan Efektivitas Komite Audit (EKA) mempengaruhi

Manajemen Laba (ML)" ? Jadi terdapat 2 VB dan 1 VT.

Asumsikan saja seperti itu. IKA diukur secara kategorik (1=Ya,

2=Tidak). EKA diukur secara kategorik pula (1=Ya, 2=3).

Sementara VB (yaitu ML) diukur dalam skala apa? Andaikata

VB bersifat kategorik (baik nominal ataupun ordinal) maka uji

Regresi yang lebih tepat digunakan adalah Regresi Logistik. Soal

bagaimana melakukan pengujian Regresi Logistik, cukup

berlimpah buku dan artikel internetnya, kok. Ada kemungkinan

variabel terus-menerus exclude akibat ketidaktepatan metode Uji

Regresi yang dipakai. Semoga bermanfaat dan selamat

mempelajari.

Balas

74.

fitriKamis, 12 Juli, 2012

assalamualaikum pak seta,,

perkenalkan saya fitri,

saya sedang melakukan pnelitian dengan menggunakan regresi berganda dengan

menggunakan 6 var bebas

ternyata, dari 6 variabel bebas tersebut, hanya ada 2 variabel bebas yang nilai

signifikansinya dibawah 0.05

manu tanya pak:

variabel bebas yang nilai signifikansinya dibawah 0.05 itu msh blh dimasukkan

kedalam persamaan regresinya atau harus dieliminasi ya pak? (tujuan akhir

penelitian saya adalah membuat model/persamaan regresi)

Balas

Balasan

1.



Fitri, jika taraf keyakinan penelitian kamu 95% maka kedua

variabel bebas tadilah yang dimasukkan ke dalam persamaan

regresi. Ada baiknya pula jika kamu membuat model regresi

(saat mengujinya dengan spss) dimana kedua VB tadi yang

dijadikan prediktor.


2.

fitriJumat, 13 Juli, 2012

hehe... makasih ya pak udh dijawab..

oiya pak tanya 1 lagi : dari 6 VB tersebut, 3 diantaranya adlh var

dummy, nah salah 1 dummy nya masuk jd exclude variabel, kalo

kaya gt brarti var yang exclude tadi juga ga berpengaruh atau

gmana ya pak...

3.


Yang exclude intinya belum masuk ke dalam model sehingga

nilai prediksinya belumlah lagi terkuantifikasi.

Balas

75.

Linda Kondau Sabtu, 14 Juli, 2012

Salam Pak. Saya ingin bertanya.. Pada tabel Coefficients, apa yang

membedakan fungsi beta dengan B ya? Kemudian pertanyaan berikutnya..

Misalnya Adjusted R Square itu 0.251. Berarti kedua predictor memiliki

pengaruh sbesar 25.1% terhadap outcome kan ya. Nah, bagaimana caranya

kalau saya ingin tahu persentase masing2 predictor terhadap outcome ya Pak?

Mohon bimbingannya. Terimakasih. :)

Balas

Balasan

1.

seta basri Sabtu, 14 Juli, 2012

Salam juga. Maksudnya B yang di kolom Unstandardized

Coefficients (UC) dan Beta yang di Standardized Coefficients

(SC). Sebenarnya keduanya hampir mirip fungsinya. B yang di

UC mengisahkan 'kuantitas yang belum diketahui.' Misalnya

nilai B dalam regresi dua VB adalah 0,08 dan 3,37 dan konstanta

(Constant) -26,61. VT disimbolkan Y. Maka persamaan

regresinya Y = -26,61 + (0,08.VB1)+(3,37.VB2). Maknanya',

jika VB1 bertambah sebanyak satu unit maka Y pun meningkat

sebanyak 0,08 unit, dimana tafiran ini benar sepanjang VB2

bernilai konstan. Juga, jika VB2 bertambah sebesar satu unit

maka Y meningkat sebanyak 3,37 unit sepanjang VB1 bernilai

konstan. Juga, positif negatif B mengisahkan pula arah

hubungan, yang dalam contoh keduanya bersifat positif terhadap

Y, dimana jika VB1 atau VB2 meningkat maka Y meningkat.

Demikian pula yang di SC. Kelebihannya nilai Beta yang ada di

sini mampu menginterpretasi secara lebih terstandar karena

menggunakan standar deviasi atau SD. Nilai SD ini ada di tabel

Descriptives Statistics. Oarena menggunaka SD maka

interpretasi kita dalam persamaan regresi bebas dari pengaruh

perbedaan skala pengukuran data tiap variabel. Misalnya, SD Y

= 10,15, SDp VB1 = 80,69 dn SD VB2 = 12,27. Misal pula, Beta

VB1 = 0,511 dan Beta VB2 = 0,512. Maka pediksinya jika VB1

meningkat sebesar satu SD (yaitu 80,69) maka Y meningkat

sebesar satu SD nya (yaitu 0,511) sehingga dianggap jika ada

setiap 80,69 yang meningkat dari VB1 maka akan ada perubahan

Y sebesar 80,69 x 0,511 = ...... selama VB2 bernilai konstan.

Demikian pula untuk Y dan VB2. Disarankan menggunakan SC

ketimbang US.

Untuk kekuatan hubungan sebaiknya gunakan R Square, bukan

Adjusted R Square (alasannya lihat di komentar-komentar

bagian atas). Jika hendak mengetahui persentase masing-masing

prediktor maka dapat ditentukan pada saat memasukkan VB-VB

dalam kotak Linear Regression tentukan di sana independent(s)

satu per satu atau gabungannya dengan metode Enter dan pilihan

Next. Lihat dan tafsirkan hasil uji yang ada di tabel Model

Summary.

Balas

76.


untuk degree of freedom , daftar putaka memekai bukunya siapa ? terima kasih

sangat bermanfaat

Balas

Balasan

1.


Saya rekomendasikan buku ini:

Singgih Santoso, Buku Latihan SPSS Statistik Non Parametrik

(Jakarta: Elex Media Komputindo, 2001). Bahasannya singkat,

tepat, dan jelas.

Balas

77.

AnonimKamis, 19 Juli, 2012

salam sejahtera p.seta, saya andi mau tanya nih, bagaimana cara mengatahui

besarnya pengaruh VB yang paling dominan dari uji t, beserta dasar teori

statistiknya, trima kasih

Balas

Balasan

1.


Untuk regresi berganda, nilai t hitung ini ada di tabel

Coefficients. Cukup mudah dalam menafsirkannya. Nilai t

adalah ukuran dalam mengira seberapa besar kontribusi yang

disumbangkan prediktor atas model regresi kita. Apabila nilai t

pada tabel adalah signifikan (misalnya < 0,05) maka ia

signifikan atas model. Demikian pula, semakin besar nilai t

tersebut, dan semakin kecil sig. nya, maka semakin besar

kontribusi prediktor tersebut atas model kita.

--Andi Field, Discovering Statistics Using SPSS (London: Sage

Publications, 2009) p.239.

Balas

78.

cacoy Senin, 23 Juli, 2012

Salam Pak Basri,

Saya melakukan penelitian dengan menggunakan regresi ganda, tetapi dalam

tabel "coefisients" saya belum menemukan rumus manual untuk mencari nilai

"Sig." dan "Collinearity Statistics (baik yg nilai Tolerance dan VIF)".

Mohon bantuannya Pak,,,

Balas

Balasan

1.

seta basri Rabu, 01 Agustus, 2012

Mohon konfirmasi ulang bahwa ke-24 langkah dalam artikel di

atas telah dilakukan. Nilai Sig. pada tabel Coefficients ada di

kolom Sig. (lokasinya tepat di sebelah kanan kolom t). Demikian

pula untuk nilai Sig. dan Collinearity Statistics (keduanya saling

menyebelah di tabel Coefficients.


Balas

79.

AnonimSenin, 06 Agustus, 2012

Permisi pak,saya stefany...

saya baru melakukan uji asumsi klasik dan hasilny masih terjadi

heteroskedastisitas, saya baca d literatur bs dengan melakukan transformasi

logaritma sedangkan persamaan regresi saya sudah menggunakan log...

apakah ada alternatif lain pak?mohon bantuannya...

Balas

Balasan

1.


Salah satu asumsi untuk kelayakan uji regresi berganda adalah

Homoskedastisitas. Salah satu alat hitung untuk itu adalah Uji

Park, di mana setiap variabel dikonversi ke dalam Logaritma

Natural. Ini sudah kamu lakukan, ya? Lalu masalah muncul

ternyata data penelitian kamu mengalami Heteroskedastisitas

(residual). Baiklah, sesungguhnya terdapat cara lain dalam

melihat kondisi Homoskedastisitas ini.

Saat melakukan klik-klik Linear Regression pada SPSS, coba

klik Plots > Masukkan *ZPRED ke X > Masukkan *ZRESID ke

Y > Ceklis Histogram dan Normal probability plot > Klik

Continue.

Nanti di Output perhatikan hasilnya (Hasil ini per Variabel

Bebas): Lihat titik 0, lalu positif 100 dan negatif 100. Tarik garis

imajiner (SPSS output tidak menyediakan ini) mulai dari - 100

tarik secara diagonal ke kanan melintasi 0 hingga + 100. (Nilai

100 ini mungkin bervariasi di hasil output Kamu). Data

menyebar di atas dan di bawah garis diagonal imajiner tersebut

mengasumsikan Homoskedastisitas. Juga, outlier-outlier tidak

nyata terjadi (menumpuk di kiri atas, kanan bawah, dan

sejenisnya). Demikian pula, lihat hasil untuk variabel-variabel

lainnya. Selamat mencoba. Semoga bermanfaat.

Balas

80.

future education Jumat, 10 Agustus, 2012

Two tumbs up. Ilmu yang bermanfaat, menjadi amal yang kekal dunia akhirat.

Thank a lot. Tuhan memberkahi Anda.

Balas

Balasan

1.


Amin. Demikian pula untuk Anda.

Balas

81.

ghizka ayu cacaSelasa, 28 Agustus, 2012

salam pak basri..

saya ghizka ayu caca

saya mw tanya ne pak,,, gmn pak cr mencari nilai antiln menggunakan excel

pak.....

saya cb tp gagal pak... hasilnya gak sesuai....

saya dpt contoh pak,

Ln Y = 5,311+ 0,0426KCl +0,04KL +0,292TSP +0,159Urea + 0,024Herb +

0,03TK

kemudian diubah mnjd :

Y = 202,55 KCL^0,0426 . KL^0,04 . TSP^0,292 . Urea^0,159 . Herb^0,024 .

TK^0,03

brarti hsl yg Y td merupakan hasil antiln kn pak??

saya bnr2 bingung pak,,,

mohon bantuannya pak,,, krn ne menunjang skripsi saya...

trimakasih pak sblm n sesudahnya,,,,

Balas

Balasan

1.

seta basri Jumat, 21 September, 2012

Mungkin link ini dapat membantu Anda:

http://harisaryono.com/2011/07/logaritma-bagaimana-cara-

menyelesaikan-logaritma-tanpa-kalkulator/

Semoga bermanfaat.

Balas

82.

AnonimKamis, 06 September, 2012

pagi pak. saya mau tanya kenpa dalam menentukan varibel yang memiliki

pengaruh terbesar dilihat dari standardized residual,,???

terima kasih.

Balas

Balasan

1.


Standardized residual digunakan karena ia telah

mengekspresikan Standard Deviasi dari hasil perhitungan. Sebab

itu, ia telah mencerminkan posisi data dihadapkan dengan mean

sampel (atau populasi). Sama-sama. Semoga bermanfaat.

Balas

83.

AnonimJumat, 14 September, 2012

PAK CARA MENENTUKAN DF SAMA ALFA DALAM REGREESI TU

GMN YA..

Balas

Balasan

1.


Sumber ini layak sekali untuk Anda eksplorasi:

http://junaidichaniago.com/2010/05/17/cara-membaca-tabel-t/

Semoga bermanfaat.

Balas

84.

chetty Selasa, 25 September, 2012

pak, mau tanya, hasil penelitian saya 125 responden dg regresi berganda r

square 27,0, adjusted r square 22,7. namun syarat regresi normalitas tdk

terpenuhi krn data tidak normal. tdk terjadi multikolinieritas dan

heteroskedastis. yang ingin saya tanyakan, langkah pertama yg harus sy lakukan

utk menormalkan data apakah membuang outlier atau mentranformasi

(logaritma nol/ln?). sudah saya coba membuang outlier 5 responden dg standar

deviasi > +/- 2,5 dan data menjadi normal dan menaikkan r square menjadi 39,3.

atau apakah saya langsung me-ln kan saja data2 saya? karena dengan langsung

me-ln kan, data menjadi normal dan r square 34,5. namun saat saya liat apakah

ada outlier di data yg sudah di ln kan, ternyata ada juga. nah apakah outlier d

data yg sudah di ln kan harus dibuang juga mengingat data sudah normal atau

bagaimana. mohon saran pak. tks

Balas

Balasan

1.

seta basri Selasa, 25 September, 2012

Berapa variabel bebas yang Anda gunakan? Jika 125 - 5 = 120

sudah memenuhi persyaratan n > 50 + 8m maka sebaiknya

outlier tersebut dieliminasi saja. Ternyata Anda telah membuang

outlier dari 5 responden dan sebaran data menjadi normal,

bukan? Terlebih, ketika Anda konversi menjadi log natural justru

data outlier tersebut masih bertahan.

Demikian, semoga bermanfaat. Sukses untuk penelitian Anda.

Balas

85.

AnonimSenin, 01 Oktober, 2012

pagi pak.

sbenarnya langkah yang tepat dalam analisa regresi itu tahapan nya seperti apa?

sblum kita menganalisa regresi (dalam kasus regresi berganda) langkah pertama

kita harus mengetahui besaran konstanta,koefisien regresi dan error nya?

uji asumsi klasik dilakukan setelah kita menemukan perasamaan dari analisa

regresi?

saya msi bingung antara tahapan mencari koefisien regresi,uji asumsi klasik,test

of goodfit

Balas

Balasan

1.

AnonimSenin, 01 Oktober, 2012

o iya pak sama mau tanya 1 lg.

skripsi saya masi masuk landasan teori di bab 2

dan saya blom pernah menggunakan spss.

saya baca dr bbrp sumber,

byk yg memberikan rumus dr analisa regresia dan kemuadian

lgsg keluar hasilnya.

apakah penggunaan spss dalam analisa regresi untuk mencari

koefisien dan konstanta dapat dicari secara otomatis jika kita

memiliki data variabel bebas dan terikat yang lengkap?

2.

seta basri Selasa, 02 Oktober, 2012

Selamat pagi. Menurut hemat saya, tahapan dalam analisa

regresi adalah menentukan taraf keyakinan penelitian, uji

validitas item, uji reliabilitas item, uji asumsi klasik (ragamnya

ada di artikel di atas), barulah kita uji regresi (menggunakan

persamaan R) yang diantaranya adalah mencari koefisien regresi.

Setelahnya, lakukan pengujian hipotesis (sesuai taraf keyakinan

penelitian), goodness of fit test, dan (jika ingin) koefisien regresi

parsial kalau ingin lebih jauh mengenai pengaruh masing-masing

variabel bebas terhadap variabel terikat.


-------------------------------------------------------------

Sebenarnya, dalam melakukan uji regresi tidak wajib seseorang

menggunakan SPSS. SPSS adalah sekadar alat bantu statistik.

Banyak orang yang lebih nyaman menghitung manual (beberapa

cukup dengan excel) untuk melakukan uji regresi. SPSS

digunakan apabila peneliti memiliki sejumlah keterbatasan, baik

karena pengetahuan statistik, waktu, deadline, dan akurasi.

Memang, dengan SPSS hal yang paling menyita waktu adalah

ketika kita menginput data (coding) dari kuesioner ke dalam data

view SPSS. Namun, sekali kita selesai menginput, hampir

seluruh perhitungan regresi seperti konstanta, koefisien, dan lain-

lain data otomatis dapat kita peroleh relatif lengkap. Jika Anda

lebih nyaman menghitung dengan manual ataupun excel, maka

sesungguhnya hal tersebut baik-baik saja.


Balas

86.

AnonimJumat, 05 Oktober, 2012

saya menggunakan data panel dan meregresikan dgn metode fixed effect,,,hasil

regresi saya r squarenya bernilai 1 dan adjusted r square 0,99..salah satu

variabel bebas tdk signifikan, nilai f signifikan, dan nilai dw berkorelasi

negatif,,,

ada yg salah tdk dgn regresi saya pak? mohon bantuannya pak,,terimakasih.

Balas

Balasan

1.

seta basri Minggu, 07 Oktober, 2012

Apakah Anda menggunakan regresi berganda? Anggapan saya

demikian. Apakah hasil di atas merupakan output yang simultan

ataukah parsial? Anggapan saya simultan. Jika nilai R Square

semakin mendekati 1, maka semakin sempurna daya prediksi

para VB atas VT. Adjusted R Square Anda jika dikalikan 100%

adalah 99%. Maknanya, penarikan kesimpulan Anda yang saat

ini menggunakan sampel, diprediksi akan 99% konsisten jika

penarikan kesimpulan menggunakan populasi penelitian. Jika

salah satu variabel bebas tidak signifikan, maka Anda harus

memberinya catatan pada saat melakukan pembahasan hasil uji

hipotesis. Signifikansi penelitian dapat dilihat dengan

membandingkan alpha hasil (ah) perhitungan dengan alpha

penelitian (ap) Anda (biasanya 0,05). Jika ah < ap maka nilai F

signifikan. Demikian sebaliknya. Pengambilan keputusan dengan

nilai F hasil hitung dilakukan dengan membandingkannya

dengan F tabel. Korelasi negatif mencerminkan hubungan

asimetris antara VB dengan VT.

Dengan asumsi Anda telah melalui serangkaian uji asumsi

regresi, maka tidaklah tepat guna menyebut regresi Anda salah.


Balas

87.

AnonimRabu, 17 Oktober, 2012

assalamualaikum

pak, mau nanya nih.

penelitian saya mempunyai satu VB dan satu VT (indikator nya 3)apakah saya

harus menngunakan uji regresi berganda atau uji regresi sederhana ya pak?

bingung ni. masih newbie.. hehehe

terimakasih

Balas

Balasan

1.

seta basri Rabu, 17 Oktober, 2012


Jika regresi yang dilakukan terdiri atas 1 VB dan 1 VT, maka

digunakan uji regresi sederhana.


2.


apakah uji asumsi klasik diperlukan jika VB nya cuma 1 pak?

terimakasih

3.


Tentu saja. Namun, tidak seluruh dari yang berlaku untuk regresi

berganda berlaku bagi regresi sederhana. Cukup linieritas,

normalitas residu, homoskedastisitas. Juga perlu pula

dipertimbangkan jumlah sampel dan keberadaan outlier.


Balas

88.

novita ayu saputri Kamis, 18 Oktober, 2012

mohon tanggapannya pak.. penelitian saya ada 6 model regresi. 2 regresi

sederhana dan 4 regresi berganda. fokusnya pada uji hipotesis parsial (T). saya

juga memakai uji F untuk menguji secara serentak dan mendapatkan hasil pada

2 model regresi tidak signifikan. apakah uji F harus selalu signifikan pak baru

bisa di lanjut pada uji T? lalu bagaimana jika uji F tidak signifikan? terimakasih

Balas

Balasan

1.

seta basri Jumat, 19 Oktober, 2012

Fungsi dari F-test adalah rasio variabilitas rata-rata data yang

dapat dijelaskan oleh model regresi dengan variabilitas rata-rata

data yang tidak bisa dijelaskan oleh model. F-test juga

menunjukkan kesesuaian (secara menyeluruh) suatu model

regresi. Di sisi lain, T-statistics dalam regresi digunakan guna

menguji apakah koefisien b sungguh-sunggu berbeda dari 0.

Nilai F-test pada output SPSS ada di tabel ANOVA, sementara

T-statistics ada di tabel Coefficients.

Dari ke-6 model Anda, 2 tidak signifikan nilai F-nya, sementara

4 signifikan. Sesuai dengan penjelasan di atas, sebaiknya Anda

melangkah ke analisis berikutnya menggunakan ke-4 model

yang signifikan.


2.

novita ayu saputri Jumat, 19 Oktober, 2012

hanya memperjelas pak. jadi yg bisa saya lanjutkan uji T hanya

model yg hasilnya signifikan saja pak pada uji F nya? dan 2

model itu saya hapus dari penelitian saya? terimakasih pak

sebelumnya :)

3.

seta basri Sabtu, 20 Oktober, 2012

Ya. Lebih baik Anda fokus pada model-model yang nilai F-nya

signifikan.

Balas

89.

Harfaiz Selasa, 30 Oktober, 2012

Mau nanya pak, saya sdg nyelesaiin tugas penelitian. Kenapa hasil persamaan

regresi yg saya peroleh tatkala menghilangkan konstan sangat berbeda jauh

dengan bila memasukkan konstan. Yang tanpa konstan terlihat jauh lebih bagus,

koef determinasi tinggi, SEE rendah, signifikan juga. Bisakah persamaan yg

tanpa konstan ini dipakai? Mksh Pak Seta Basri...

Balas

Balasan

1.


Kelihatannya sulit untuk dipakai. Konstanta (b0) merupakan

prasyarat bagi kelayakan persamaan regresi. Interpretasi atas Y

hanya boleh dinyatakan tepat apabila efek dari X (atau sejumlah

X) bernilai konstan. Jadi konstanta tetap harus dipergunakan

dalam menghitung persamaan regresi.


2.

Harfaiz Rabu, 31 Oktober, 2012

Terus bagaimana cara memperbaiki data dan hasil agar

persamaan nanti dapat digunakan ya pak. Coz kemungkinan utk

kembali ke lapangan bisa dibilang ndak mungkin. Terimakasih

banyak Pak atas bantuan dan masukannya...

3.


Pertama, tentu saja, periksa sejumlah asumsi yang harus

dipenuhi dalam uji regresi (silakan lihat artikel di atas). Kedua,

lakukan perhitungan ulang pasca uji asumsi. Ketiga, perlakukan

hasil penelitian apa adanya (berikan catatan-catatan mengenai

nilai dan makna seperti koefisien determinasi, SEE, signifikansi

penelitian). Saya kira, penelitian yang memperlihatkan hasil apa

adanya adalah penelitian yang terbaik.


Balas

90.


Terimakasih atas tulisannya ...

Balas

Balasan

1.



Balas

91.

InaSabtu, 03 November, 2012

slm kenal, pak...saya sgt tertarik dng tulisan bpk dan ingin konsultasi. sya

sedang mmbuat tugas akhir dengan menggunakan regresi. saya menggunakan 1

VT dan 7 VB. VT saya berupa data kategori dng skala ordinal, sedangkan VB

saya ada yg skala ordinal ada yg nominal.apakah msh tepat bila sya tetap

menggunakan regresi linier?karena sejauh yg saya dpt dari bbrp informasi,

seharusnya menggunakan regresi multinomial logistic, sementara sya jg msh

baru tau ada regresi itu, dan jika seandainya memang harus memakai regresi

multinomial logistik, apakah uji asumsi klasik juga masih harus dilewati?

Balas

Balasan

1.

seta basri Minggu, 04 November, 2012

Beberapa informasi yang Anda terima kiranya tepat. Karena ada

di antara VB Anda yang sifatnya kategorik (nominal), maka

sebaiknya digunakan Multinomial Logistic Regression (MLR).

Ini berdasarkan kehendak bahwa VT Anda berskala Ordinal

(lebih dari dua kategori). Rangkaian uji asumsi regresi juga

berlaku, diantaranya multikolinieritas, linieritas, normalitas,

otokorelasi, dan sebagainya.


Balas

92.

WinSelasa, 06 November, 2012

Mas...kalo uji regresi untuk data jika x ada dua dan y itu ada 6 ..sedangkan saya

ingin mengetahui pengaruh x terhadap y saya mwu uji serempak secara

bersamaan ,,pake regresi apa ya mas..tolong jawabannya dan bantuannya segera

mas,ya..

Balas

Balasan

1.

seta basri Sabtu, 10 November, 2012

Jika jumlah variabel Y adalah 2 atau lebih, sifat data Y kontinus,

jumlah prediktor (X) adalah 2 atau lebih, sifat data prediktor

kategorik, dan asumsi parametrik terpenuhi, maka digunakan

Factorial MANOVA.

Jika jumlah variabel Y adalah 2 atau lebih, sifat data Y kontinus,

jumlah prediktor (X) adalah 2 atau lebih, sifat data prediktor

kategorik dan kontinus, dan asumsi parametrik terpenuhi, maka

digunakan MANCOVA.


Balas

93.

hikariyani Sabtu, 10 November, 2012

pak, saya mo nanya

gini, saya dapet tugas nyari model regresi linier berganda dengan 20 variabel

bebas. setelah saya analisis pake spss, ada 5 variabel yang masuk excluded

variabel. kenapa ya bisa begitu?

Balas

Balasan

1.

seta basri Sabtu, 10 November, 2012

Excluded Variables (EV) pada SPSS bermakna ikhtisar setiap

variabel yang belum dimasukkan ke dalam model regresi yang

hendak dibangun. Jika regresi Anda menggunakan model

hirarkis, maka tabel EV menunjukkan rincian aneka variabel

yang nantinya akan dimasukkan ke dalam langkah-langkah uji

regresi berikutnya. Jika regresi Anda menggunakan model

stepwise, maka tabel EV berisi ringkasan aneka variabel yang

dipertimbangkan untuk dimasukkan ke dalam model.

Saat Anda memmilih model hirarkis, tabel EV memperlihatkan

taksiran nilai beta jika VB tertentu dimasukkan ke dalam

persamaan dan mengkalkulasi nilai t. Saat Anda memilih model

stepwise, SPSS hanya akan memasukkan prediktor dengan nilai t

tertinggi dan terus melakukan pemasukan tersebut hingga tiada

lagi nilai t statistik tinggi dengan sig. < 0,05.

Apakah Anda tengah melakukan studi eksplorasi? (VB Anda

cukup banyak, yaitu 20). Jika memang ini yang tengah Anda

lakukan, maka telitilah nilai-nilai di atas. Kemungkinan, dari 20

VB ada yang tidak cocok untuk dibangunkan persamaan

regresinya.


Balas

94.

uphi_sufiana Selasa, 13 November, 2012

permisi pak seta, saya mau bertanya tentang regresi polinomial pangkat 2.

klo bentuk parabola yang dihasilkan bentuk bukit dan lembah, itu perbedaannya

apa pak? trus misalnya nilai R^2 yang dihasilkan 0,875, itu artinya bagaimana?

apakah hubungan kedua variabel sudah bagus? mohon jawabannya ya pak, saya

masuh kurang paham. ini untuk keperluan tugas akhir saya tentang pengaruh

sumber pencemar terhadap konsentrasi pencemar.

terimakasih sebelumnya ^_^

Balas

Balasan

1.

seta basri Rabu, 19 Desember, 2012

Maaf terlambat sekali saya menjawab. Saya coba, ya. Regresi

polinomial digunakan dengan asumsi hubungan VB dan VT

tidak linier (garis lurus). Yang khas dari regresi jenis ini adalah,

plot-plot data berupa kurva. Ada kurva berbentuk "bukit" tetapi

ada pula yang "lembah." Nah, yang mengetahui perbedaannya

tentu peneliti itu sendiri. Deskripsi penjelasannya, misalnya,

seorang guru meneliti hubungan LamaBelajar (X) dengan Nilai

(Y) siswa. Setelah dilakukan regresi kurvanya berbentuk

"lembah." Cara membacanya (bayangkan sumbu X dan sumbu

Y) buatlah garis lurus dari mean Y plot data. Ternyata ada 3

kelompok. Kelompok 1 (paling kiri) adalah siswa dengan waktu

belajar pendek, tetapi nilainya tinggi. Kelompok 2 (tengah)

adalah siswa dengan waktu belajar sedang, juga dengan nilai

sedang. Kelompok 3 (paling kanan) adalah siswa dengan waktu

belajar panjang, tetapi nilainya rendah. Deskripsi ini dapat Anda

sesuaikan jika kurvanya "bukit". Berdasarkan ini dapat Anda

interpretasi bagaimana pengaruh SumberPencemar terhadap

KonsentrasiSumberPencemar.

Dalam regresi (termasuk polinomial) peneliti membangun

model. Interpretasi ini mirip dengan regresi linier. Maknanya,

jika R2 bernilai 0,875 maka dapat diinterpretasi bahwa model

layak digunakan. Mengenai interpretasi nilai R ini dapat Anda

lihat lebih jauh pada komentar-komentar di atas.

Terima kasih kembali. Semoga bermanfaat.

Balas

95.

AnonimSenin, 03 Desember, 2012

pak saya mau tanya,

jika menggunakan formula regresi linear (1VB dan 1VT / y = a+bx) apakah uji

asumsinya bisa menggunakan regresi berganda pak?.

karena saya menggunakan regresi linear yg hanya 1VB dan 1VT.

terima kasih sebelumnya pak^^

-suni

Balas

Balasan

1.


Bisa. Namun, tampaknya multikolinieritas tidak perlu. Karena

VB nya cuma satu.

Terima kasih kembali. Semoga bermanfaat.

2.

AnonimKamis, 20 Desember, 2012

sangat membantu dan bermanfaat pak,

saya ingin bertanya kembali pak,

jika nilai coeficient b bertanda - (dlm hal ini hasil penelitian saya

-0,098)apakah berdampak pada responden saya pak? karena

responden saya terbatas tdk memenuhi unsur 50+8m. selanjutnya

mengenai grafik pada hasil analisis regresi menggunakan spss,

untuk grafik histogram, menjelaskan analisis seperti apa pak?

dan untuk garis diagonal z itu pengertiannya bagaimana pak dlm

diagram normal pp plot regresi?

terima kasih pak ^^

-salam suni

3.

seta basri Jumat, 21 Desember, 2012

--------Untuk masalah nilai koefisien b yang bertanda (-). Harus

diwaspadai, nilai konstanta hasil uji regresi SPSS ada dua

macam. Pertama Konstanta 0 (Bo) yang ada di kolom model

(Constant) Unstandarized Coefficients (B). Kedua nilai Beta

yang ada di di Standardized Coefficients. Untuk yang pertama,

positif atau negatifnya no problem, dihitung saja. Untuk yang

kedua, positif atau negatifnya menunjukkan arah hubungan dan

yang diharapkan adalah tidak sama dengan 0. Jika nilainya (-)

maka arah pengaruh negatif. Jika nilainya (+) maka arah

pengaruh positif. Dengan demikian, nilai beta (-) dan (+) ini

kurang berkaitan dengan jumlah sampel.

--------Biasanya, histogram menggambarkan normalitas residu.

Hal ini berhubungan dengan normal p-p plot juga. Secara

imajiner, balok-balok paling kiri dan paling kanan melandai,

sementara yang 'papan tengah' menjadi bukit. Jika demikian

maka dianggap normal.

--------Sama dengan histogram, pada grafik Normal P-P Plot,

residu yang normal adalah data memencar mengikuti fungsi

distribusi normal yaitu menyebar seiring garis z diagonal. Residu

normal dari uji Kolmogorov-Smirnov adalah diperolehnya nilai

p > 0,05.

--------Demikian. Semoga bermanfaat.

4.

AnonimSenin, 31 Desember, 2012

sangat membantu pak,

ada yang ingin saya tanyakan lagi pak!,

*jika r (pearson correlation, terdapat pada table correlation)

menunjukkan negatif apakah mempengaruhi persamaan

regresinya pak?

*selanjutnya mean, apakah nilai mean berpengaruh juga pada

analisis hasil persamaan regresi pak?

terima kasih pak^^

-salam suni

5.


Untuk Pearson bernilai negatif tentu saja mempengaruhi, tetapi

bukanlah sesuatu yang abnormal. Wajar saja. Umumnya, hasil

negatif ini konsisten dengan nilai beta negatif Anda sebelumnya.

Hitung saja seperti biasa.

Nilai Mean (yang di tabel Descriptives Statistics) tentu saja

penting dan juga nilai Standard Deviasi-nya (SD). Makin kecil

SD artinya makin dekat ke Mean, makin baik. Namun, ia kurang

mempengaruhi dalam menginterpretasi model regresi kita.


6.

AnonimKamis, 14 Februari, 2013

jadi yg menginterpretasi model regresi apakah cukup nilai a, b, R

dan R2 , saja ya pak?

disamping sudah memperhatikan kurva standar p-plotnya pak

terima kasih pak sangat membantu^^

-salam suni

Balas

96.

MOHAMMAD ISNAIN Selasa, 18 Desember, 2012

Asalamualaikum pa seta,,

mohon pencerahannya

saya telah melakukan penelitian, dan telah mengolah datanya dengan analisa

regresi linear, jumlah sampel saya 58, dengan metode survey,

dengan menggunakan 3 variabel X.

hasil olahan spss sebagai berikut nilai :

R = 0.522 R = 0.273, Adjust r squarenya = 0.232. Sig = 001

pertanyaan saya begini :

1. apa penyebab R rendah,

2. apa alasan yang rasional dan ilmiah untuk menjelaskan hasil ini, tanpa

mengurangi nilai dari penelitian.

Balas

Balasan

1.



Secara prinsip, apabila aneka uji validitas, reliabilitas, dan aneka

uji asumsi sudah dilakukan, hasil tersebut dapat diterima sebagai

adanya. Namun, dapat dicari sejumlah "catatan" mengapa hasil

tersebut terungkap.

Dalam regresi, n > 50 + 8m. Dimana n = Jumlah Sampel; m =

Jumlah Variabel Bebas. Jadi, dengan 3 VB sebaiknya jumlah

sampel 50 + 28 = 78. Hal ini dapat menjadi kemungkinan

pertama. Selain itu, uji regresi cukup sensitif terhadap

"redundantly", keberlimpahan indikator. Jika satu variabel terdiri

atas indikator yang cukup banyak (berarti juga makin banyak

item pertanyaan), redundantly terjadi. Bersama masalah

redundantly ini juga mengiring masalah kurang akurasinya

validitas muka (face validity), yang artinya item-item kuesioner

ditanggapi secara obvious oleh responden, sehingga jawaban

mereka monoton.


Balas

97.

pradnyana ari Rabu, 19 Desember, 2012

pak seta mohon pencerahannya

bagaimana membuat analisis regresi berganda 1 arah di spss??

Balas

Balasan

1.


Mirip dengan contoh di atas. Demikian. Semoga bermanfaat.

Balas

98.

rizkaKamis, 20 Desember, 2012

pak seta, saya mau nanya

data yg saya uji terkena multikolinearitas, VIF nya tinggi sekali pak,

bagaimana caranya supaya tidak terkena multikolinearitas?!dan autokorelasi

DW sebesar 0,881 yg mana kurang dr 1, hsl uji yg lainnya normal,dan tidak tjd

heteroskedastisitas

mohon step-stepnya biar tdk terkena mulktikolinearitas dan autokorelasi

dsini saya menggunaka sampel sebanyak 62 dengan 6 variabel bebas, dan 1

variabel terikat,

terima kasih byk Pak, mohon penjelasannya...

Balas

Balasan

1.

seta basri Kamis, 20 Desember, 2012

Kelihatannya terjadi keberlebihan. Multikolinieritas adalah antar

variabel bebas terjadi hubungan yang "over." Dilihat dari

proporsi jumlah VB (yaitu 6) dan jumlah sampel (yaitu 62) maka

kelihatannya Anda dapat coba "mengurangi" jumlah VB. Ini

dapat Anda lakukan dengan (misalnya) konsultasi ulang dengan

pembimbing penelitian, melakukan uji korelasi antar VB (lihat

VB yang hubungannya kuat, dan ini mungkin pemicu gejala

multikolinieritas), meringkas variabel yang tidak perlu atau

serupa, atau kembali menyusun model analisis dengan merujuk

pada teori baru.


2.

rizkaKamis, 20 Desember, 2012

klo misalnya perbaikan menggunakan metode PCA pak, saya

sudah mencoba pake metode PCA bwt multikolinieritasnya,

tetapi saya bingung klo memasukkan hasil metode PCA ke

regresi itu gmn,,terimakasih Pak...maaf byk tanya,,:)

3.

seta basri Jumat, 21 Desember, 2012

Principal Components Analysis (PCA) digunakan seorang

peneliti untuk secara matematis menurunkan sejumlah kecil

variabel. Dengan metode ini, seorang peneliti dimungkinkan

dengan hanya menggunakan sedikit variabel tetapi tetap

menghadirkan informasi setara dengan banyak variabel. Setelah

Anda melakukan PCA (mungkin dengan SPSS), maka dapat

diketahui berapa komponen yang terbentuk. Misalnya, dari 6

komponen (VB) yaitu BacaBuku, Diskusi, BacaKoran, Curhat,

BacaMajalah, dan BacaInternet, akhirnya terbentuk 2 komponen.

Komponen 1 terdiri atas BacaBuku, BacaKoran, BacaMajalan,

dan BacaInternet. Komponen 2 terdiri atas Diskusi dan Curhat.

Sesuai tujuan penelitian, Anda tinggal melakukan kompresi dari

6 VB menjadi 2 VB. Diskusikan dengan pembimbing penelitian,

bahwa Anda hendak memunculkan 2 VB baru yang lewat PCA

merupakan hasil 'kompres' dari 6 VB.

Jika disetujui, maka Anda tinggal melakukan tabulasi ulang yaitu

mencari skor total dari Komponen 1 (misalnya dinamai VB

Baca) yang merupakan total dari BacaBuku, BacaKoran,

BacaMajalah, dan BacaInternet. Juga Komponen 2 yang total

dari Diskusi dan Curhat. Setelah selesai, langkah selanjutnya

lakukan uji asumsi regresi dan uji regresi seperti biasa.


4.

rizkaKamis, 03 Januari, 2013

terima kasih banyak Pak....:)

5.



Balas

99.


Maaf pak,..saya mau nanya,..

sya sdang mlakukan pnelitian dgn 2 VB trhdap 1 VT namun ada dua klompok

data yaitu data dri DC(Domestic Corp.) dan MNC (Multinational

Company),..data yg sya ambil dri tahun 2007-2011 dgn sampel 57 DC dan 25

MNC,..sya ingin komparatifkan kedua jnis prusahaan tersebut...

mhon ptunjuk dari bpak,.apakah dalam pengujian hipotesis (uji determinan, uji

F, dan uji t) sya harus meregresi masing-masing kelompok data,..karena swaktu

uji asumsi klasik datanya sya gabungkan jadi satu,..

trima kasih banyak pak,.mhon penjelasannya,..

Balas

Balasan

1.


Kelihatannya Anda memiliki 2 paket penelitian. Pertama, Anda

meneliti Domestic Corp. yang terdiri atas 2 VB dan 1 VT.

Kedua, Anda menelitian Multinational Company yang terdiri

atas 2 VB dan 1 VT. Ke-2 VB dan 1 VT untuk tiap-tiap paket

penelitian adalah sama. Dan, Anda ingin mengomparatifkan

kedua jenis perusahaan tersebut.

Menurut hemat saya, sebaiknya Anda melakukannya pemisahan

sejak awal, yaitu sejak uji asumsi klasik hingga pengujian

regresi. Dengan demikian, karakteristik data penelitian untuk

masing-masing 'paket' akan lebih terlihat. Anda memiliki VB

dan VT yang sama, tetapi hendak melihat penerapan khasnya di

dua perusahaan berbeda (Domestic Corp. dan Multinational

Company). Dengan demikian, penelitian Anda akan lebih

menarik dan menantang tentunya. Namun, dengan bantuan

SPSS, perhitungan Anda dapat dilakukan secara cepat dengan

ketelitian tinggi.

Demikian. Sama-sama. Semoga bermanfaat.

Balas

100.


Maaf pak,..saya mau nanya,..

sya sdang mlakukan pnelitian dgn 2 VB trhdap 1 VT namun ada dua klompok

data yaitu data dri DC(Domestic Corp.) dan MNC (Multinational

Company),..data yg sya ambil dri tahun 2007-2011 dgn sampel 57 DC dan 25

MNC,..sya ingin komparatifkan kedua jnis prusahaan tersebut...

mhon ptunjuk dari bpak,.apakah dalam pengujian hipotesis (uji determinan, uji

F, dan uji t) sya harus meregresi masing-masing kelompok data,..karena swaktu

uji asumsi klasik datanya sya gabungkan jadi satu,..

trima kasih banyak pak,.mhon penjelasannya,..

Balas

Balasan

1.


Sudah di bagian atas, ya.

Balas

101.

MOHAMMAD ISNAIN Rabu, 02 Januari, 2013

terima kasih pa..sangat jelas ini telah membantu saya

Balas

Balasan

1.


Alhamdulillah. Semoga bermanfaat.

Balas

102.

heaven Selasa, 15 Januari, 2013

pak mau nanya

kalo faktor-faktor yang mempengaruhi ,bagusnya mengunakan uji apa ?

Balas

Balasan

1.

seta basri Jumat, 18 Januari, 2013

Untuk penelitian "pengaruh" kiranya regresi lebih tepat. Apabila

variabel X (penyebab) 2 atau lebih, gunakan regresi berganda.

Namun, apabila jumlah variabel X yang dirancang begitu banyak

(misalnya 10 atau lebih), ada baiknya digunakan analisis faktor

untuk meringkasnya. Setelah diringkas, baru kemudian (jika

asumsi terpenuhi) diadakan uji regresi berganda.


Balas

103.

rennySenin, 21 Januari, 2013

Ada yang ingin saya tanyakan pak.

Apabila output spss suatu data. standard error nya tidak keluar atau tidak ada

angka.

Dan keterangan di tuliskan

There are not enough degrees of freedom to compute the standard errors. No

reversals occured.

Apakah data saya normal?dan bisa d lanjutkan. Alasannya?

Atau data saya tidak normal?

Mohon bantuannya pak. Terima kasih

Balas

Balasan

1.

seta basri Sabtu, 26 Januari, 2013

Sebelumnya, apakah Anda telah melakukan serangkaian uji

asumsi regresi? Salah satunya, regresi sensitif terhadap outlier.

Mungkin dapat Anda periksa outlier-outlier dari data penelitian.

Juga, parameter penelitian terlampau banyak, sementara sampel

kurang mencukupi sehingga varians data menjadi monoton. Ada

baiknya Anda "mengurangi" prediktor (jika memang berlebih)

tentu tanpa mencederai kerangka teori dan konsultasikan dengan

pembimbing penelitian. Sebagai tambahan, dapat pula dibaca

hal-hal mengenai df di artikel ini.


Balas

Documents

Uji Regresi Berganda (Tmasuk Cara Interpretasi Tabel2 Spssnya)