Tutorial Analisis Regresi Linier Berganda Dengan SPSS

Regresi linier berganda dengan SPSS – Analisis regresi linear berganda adalah Salah satu bentuk analisis regresi linier di mana variabel bebasnya lebih dari satu. Analisis regresi adalah analisis yang dapat digunakan untuk mengukur pengaruh suatu variabel bebas terhadap Variabel tidak bebasnya.

Metode analisis ini menjadi salah satu analisis yang banyak digunakan karena alasan mudah dan memiliki kekuatan yang cukup dalam menjelaskan suatu pengaruh suatu variabel bebas ke variabel terikatnya. Ada banyak sekali kondisi yang dapat kita uji dengan analisis regresi linier.

Baca juga: Indeks Pembangunan Manusia (IPM): Rumus & Cara Hitung

Pengujian Analisis Regresi Linier Berganda dengan SPSS

1. Sediakan data penelitian

Dalam kasus ini, untuk menambah pemahaman mengenai analisis regresi berganda, kita lakukan ujicoba pengujian regresi berganda dengn SPSS, kita ambil salah satu contoh dimana data yang kita masukkan adalah data fiktif.

2. Input Data ke dalam Aplikasi SPSS

1. Masukkan data fiktif ke SPSS (dalam tutorial ini menggunakan SPSS Versi 21)
2. Pada Menu Bar, pilih Analyze > Regression > Linear
   
3. Akan muncul jendela seperti dibawah ini:
4. Lalu, masukkan variabel Y ke bagian Dependent dan variabel X1, X2, X3, X4, dan X5 ke bagian Independent(s), kemudian klik OK.

3. Tentukan Model Summary

4. Lakukan Uji Simultan

Diketahui p-value uji simultan 0,003 (lebih kecil dari). Berdasarkan hasil uji simultan dapat dinyatakan bahwa terdapat cukup bukti untuk menyatakan bahwa minimal ada satu βi yang tidak sama dengan nol atau dengan kata lain, minimal ada satu variable bebas yang berpengaruh signifikan terhadap variable Y.

5. Buat Output Koefisien dan Signifikansi

Namun, pada hasil uji parsial tak ada satupun koefisien yang signifikan pada tingkat signifikansi 5 persen.

6. Lakukan Pengujian Linearitas

Untuk menguji apakah asumsi Linieritas terpenuhi, kita dapat menggunakan plot residual dengan fitted value (predicted value) atau bisa juga dengan plot residual dengan variable independent (John Neter, 1989:118).

Cara menampilkan plot residual vs fitted value di SPSS:

1. Pilih menu Analyze >> Regression >> Linear
2. Masukkan variable dependent dan variable-variabel bebas
3. Klik Save >> centang pada Unstandardized Predicted Value dan Unstandardized Residual >> Continue >> OK
   
   
4. Pilih menu Graphs >> Legacy Dialogs >> Scatter/Dot >> pilih Simple Scatter
   
   
5. Masukkan variable Unstandardized Residual sebagai Y dan Unstandardized Predicted Value sebagai X >> OK
   
   
6. Maka akan muncul output seperti berikut.
   
   

Interpretasi plot:

Berdasarkan plot residual dengan fitted value tersebut, terlihat bahwa tebaran nilai-nilai pada plot membentuk suatu pola acak, sehingga asumsi linieritas terpenuhi.

7. Lakukan Pengujian Asumsi Normalitas

Untuk menguji asumsi Normalitas, dapat menggunakan analisis Normal P-P Plot atau dengan uji-uji normalitas seperti uji Liliefors atau Kolmogorov-Smirnov. Namun, pada saat ini kita akan menggunakan uji Kolmogorov-Smirnov untuk menguji normalitas dari residual dari regresi.

1. Untuk melakukan uji normalitas, pastikan kita telah memiliki variabel Unstandardized Residuals, yang kita dapatkan dari hasil uji linearitas diatas.
2. Setelah itu, kita dapat melakukan uji Kolmogorov-Smirnov dengan mengklik Analyze >> Nonparametric Test >> Legacy Dialogs >> 1-Sample K-S
   
   
3. Kemudian akan muncul jendela seperti ini, dan masukkan variabel Unstandardized Residuals.
   
   
4. Lalu akan muncul hasil seperti berikut.
   
   

Kita perhatikan pada nilai Asymp. Sig. (2-tailed) yang merupakan p-value untuk uji KS ini. P-Value atau Asymp. Sig. (2-tailed) yang dihasilkan sebesar 0,652 yang lebih besar dari alpha=0,05. Hal ini menunjukkan bahwa residual dari regresi telah memenuhi asumsi normalitas.

8. Lakukan Pengujian Asumsi Homoskedastisitas

Menurut John Neter (1989:120), untuk mendeteksi terjadinya heteroskedastisitas, dapat menggunakan plot residual dengan fitted values atau Unstandardized Residual VS Unstandardized Predicted Value (yang telah kita lakukan pada uji asumsi Linearitas).

Berdasarkan plot antara unstandardized residual dengan unstandardized predicted value (fitted value) dapat diperhatikan bahwa tebaran titik-titik pada plot tersebut membentuk pola acak. Hal ini mengindikasikan bahwa tidak terjadi heteroskedastisitas pada model regresi yang telah dibuat.

Lihat juga: 3 Metode Uji Heteroskedastisitas

Selain dengan melihat scatter plot, asumsi homoskedastisitas dapat dilihat dengan melakukan uji Park dan uji Rank Spearmen. Pada kesempatan ini kita akan menggunakan uji Park.

1. lakukan uji Park, kita terlebih dahulu melakukan transformasi logaritma natural terhadap variabel independen. Sedangkan untuk variabel dependen adalah logaritma natural dari kuadrat residual.
2. Kemudian, lakukan seperti regresi biasa dengan memasukkan logaritma natural dari kuadrat residual sebagai variabel dependen, dan logaritma natural dari masing-masing variabel bebas sebagai variabel independen.
   
   
3. Maka, akan muncul hasil seperti berikut.
   
   

Berdasarkan output diatas, dapat kita ketahui bahwa tidak ada variabel yang signifikan sehingga dapat dikatakan bahwa tidak terdapat masalah heteroskedastisitas, sehingga asumsi terpenuhi.

9. Lakukan Pengujian Asumsi Autokolerasi

Untuk menguji asumsi Autokolerasi, akan dilakukan dengan melihat statistik Durbin-Watson. Lakukan regresi seperti biasa, namun pada bagian Statistics, centang bagian Durbin-Watson.

Maka akan muncul output seperti berikut.

Berdasarkan output tersebut, diketahui nilai statistic hitung Durbin -Watson yaitu D = 2.173.

Download Tabel Durbin Watson

Dari TABLE A.6 Durbin – Watson Test Bounds (John Neter, 1989:642), untuk p-1= 5 dan n=50 , maka diperoleh nilai:

• \(d_{L}=1.34\),
• \(d_{U}=1.77\),
• \(4-d_{U}=2.23\),
• \(4-d_{L}=2.66\),

Nilai statistic hitung D = 2.173 >\(d_{U}\)

Karena nilai DW lebih besar dari du , maka dapat kita ketahui bahwa tidak terdapat masalah autokorelasi.

10. Lakukan Pengujian Asumsi Multikolinearitas

Untuk menguji asumsi multikolinearitas, dapat dilakukan dengan melihat nilai korelasi antar variabel independen.

Klik Analyze >> Correlation >> Bivariate lalu masukkan seluruh variabel independen.

Maka akan muncul output seperti berikut.

Berdasarkan output diatas dapat kita lihat bahwa korelasi antara variabel X1 dan X3 sebesar 0,959 (korelasi yang sangat kuat) sehingga dapat kita simpulkan bahwa terdapat multikolinearitas pada model regresi tersebut.