Upload
electrashiny
View
5.792
Download
12
Embed Size (px)
Citation preview
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.
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
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:
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:
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,
biarkan > Keluarkan LnX2 dan masukkan LnX3 ke Independent(s) > OK. Sementara hasil belum
dihiraukan.
9. Keempat, klik Analyze --> Regression --> Linear --> Variabel Lnei2 masih ada di Dependent,
biarkan > Keluarkan LnX3 dan masukkan LnX4 ke Independent(s) > OK. Sementara hasil belum
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.
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.
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.
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:
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)
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
Sama-sama. Semoga bermanfaat.
Balas
2.
AnonimMinggu, 22 Mei, 2011
thank a lot
Balas
3.
seta basri Rabu, 20 Juli, 2011
Sama-sama. Semoga bermanfaat.
Balas
4.
agukKamis, 28 Juli, 2011
trims banyak sodara... :)
Balas
Balasan
1.
seta basri Rabu, 11 April, 2012
Sama-sama. Semoga bermanfaat.
Balas
5.
AnonimSelasa, 02 Agustus, 2011
terima kasih :D
tulisan anda banyak membantu dalam skripsi saya..
Balas
Balasan
1.
seta basri Rabu, 11 April, 2012
Sama-sama. Sukses ya.
Balas
6.
AnonimJumat, 12 Agustus, 2011
Terimakasih
Tulisan Anda sangat membantu
Balas
7.
seta basri Sabtu, 20 Agustus, 2011
Sama-sama. Semoga bermanfaat.
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.
seta basri Rabu, 08 Februari, 2012
@ 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
Sama-sama. Semoga bermanfaat.
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.
seta basri Rabu, 22 Februari, 2012
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.
seta basri Jumat, 23 Maret, 2012
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.
seta basri Selasa, 27 Maret, 2012
to: dwi septiana
Nawari, Analisis Regresi dengan MS-Excel 2007 dan SPSS 17 (Jakarta: Elex
Media Komputindo, 2010)h. 227-32.
Balas
46.
seta basri Selasa, 27 Maret, 2012
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.
seta basri Jumat, 30 Maret, 2012
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.
seta basri Minggu, 10 Juni, 2012
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.
seta basri Jumat, 15 Juni, 2012
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.
seta basri Jumat, 15 Juni, 2012
Sama-sama. Semoga bermanfaat.
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.
seta basri Minggu, 17 Juni, 2012
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.
Sama-sama. Semoga bermanfaat.
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.
seta basri Minggu, 17 Juni, 2012
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.
Sama-sama. Semoga bermanfaat.
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.
seta basri Selasa, 19 Juni, 2012
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.
seta basri Selasa, 19 Juni, 2012
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.
Sama-sama. Semoga bermanfaat.
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.
seta basri Kamis, 21 Juni, 2012
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.
Demikian. Semoga bermanfaat.
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.
seta basri Kamis, 21 Juni, 2012
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.
Demikian. Semoga bermanfaat.
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.
seta basri Jumat, 29 Juni, 2012
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.
seta basri Jumat, 29 Juni, 2012
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.
seta basri Jumat, 29 Juni, 2012
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.
seta basri Senin, 02 Juli, 2012
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.
seta basri Senin, 02 Juli, 2012
Ya. Namanya saja logaritma natural.
Semoga bermanfaat.
Balas
69.
AnonimSenin, 02 Juli, 2012
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.
seta basri Senin, 02 Juli, 2012
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
Wa 'alaikumus salam.
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.
seta basri Senin, 09 Juli, 2012
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.
Sama-sama. Semoga bermanfaat.
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.
AnonimSabtu, 14 Juli, 2012
Baik, Pak..
trimakasih sekali atas bantuannya..sangat bermanfaat.
8.
AnonimSenin, 16 Juli, 2012
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.
seta basri Senin, 09 Juli, 2012
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.
seta basri Jumat, 13 Juli, 2012
Wa 'alaikumus salam.
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.
Demikian. Semoga bermanfaat.
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.
seta basri Jumat, 13 Juli, 2012
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.
AnonimSabtu, 14 Juli, 2012
untuk degree of freedom , daftar putaka memekai bukunya siapa ? terima kasih
sangat bermanfaat
Balas
Balasan
1.
seta basri Sabtu, 14 Juli, 2012
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.
seta basri Sabtu, 21 Juli, 2012
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.
Demikian. Semoga bermanfaat.
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.
seta basri Jumat, 17 Agustus, 2012
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.
seta basri Jumat, 17 Agustus, 2012
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.
seta basri Jumat, 21 September, 2012
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.
seta basri Jumat, 21 September, 2012
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.
Demikian. Semoga bermanfaat.
-------------------------------------------------------------
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.
Demikian. Semoga bermanfaat.
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.
Demikian. Semoga bermanfaat.
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
Wa 'alaikumus salam.
Jika regresi yang dilakukan terdiri atas 1 VB dan 1 VT, maka
digunakan uji regresi sederhana.
Sama-sama. Semoga bermanfaat.
2.
AnonimRabu, 17 Oktober, 2012
apakah uji asumsi klasik diperlukan jika VB nya cuma 1 pak?
terimakasih
3.
seta basri Rabu, 17 Oktober, 2012
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.
Demikian. Semoga bermanfaat.
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.
Demikian. Semoga bermanfaat.
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.
seta basri Rabu, 31 Oktober, 2012
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.
Sama-sama. Semoga bermanfaat.
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.
seta basri Rabu, 31 Oktober, 2012
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.
Sama-sama. Semoga bermanfaat.
Balas
90.
AnonimRabu, 31 Oktober, 2012
Terimakasih atas tulisannya ...
Balas
Balasan
1.
seta basri Rabu, 31 Oktober, 2012
Sama-sama. Semoga bermanfaat.
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.
Demikian. Semoga bermanfaat.
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.
Demikian. Semoga bermanfaat.
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.
Demikian. Semoga bermanfaat.
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.
seta basri Rabu, 19 Desember, 2012
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.
seta basri Selasa, 08 Januari, 2013
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.
Sama-sama. Semoga bermanfaat.
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.
seta basri Rabu, 19 Desember, 2012
Wa 'alaikumus salam.
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.
Demikian. Semoga bermanfaat.
Balas
97.
pradnyana ari Rabu, 19 Desember, 2012
pak seta mohon pencerahannya
bagaimana membuat analisis regresi berganda 1 arah di spss??
Balas
Balasan
1.
seta basri Rabu, 19 Desember, 2012
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.
Demikian. Semoga bermanfaat.
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.
Demikian. Semoga bermanfaat.
4.
rizkaKamis, 03 Januari, 2013
terima kasih banyak Pak....:)
5.
seta basri Selasa, 08 Januari, 2013
Sama-sama. Semoga bermanfaat.
Balas
99.
AnonimKamis, 27 Desember, 2012
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.
seta basri Selasa, 08 Januari, 2013
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.
AnonimKamis, 27 Desember, 2012
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.
seta basri Selasa, 08 Januari, 2013
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.
seta basri Selasa, 08 Januari, 2013
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.
Demikian. Semoga bermanfaat.
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.
Sama-sama. Semoga bermanfaat.
Balas