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.

iYX1X2X3X4X5
1521183081854807,2
236711486000,618,5
3443180683723,7325,7
436577291422,4457,3
561410048443229,81917,5
6385167282903,3325
7286146303463,36786,7
839740083280,73416,2
97643892735412,92407,3
10427223222666,51125
1115337113201,11732,8
1223131361971126,1
135245050826611,42067,1
14328288861735,51555,9
15240169961902,8504,6
16286130352392,5304,4
17285129731903,7937,4
18569163092414,2977,1
199652271891,2407,5
20498192353584,84895,9
214814448731567689
22468442133039,31649,2
23177236192284,4555,1
2419891061342,6558,6
25458249171895,1746,6
2610838721960,866,9
2724689451831,6212,7
2829123734171,2115,5
296871282331,11247,2
30311236243497,710426,6
3160652422841,5136,9
3251292629499183817,2
33426287952316,61365,8
344744871430,694,1
352654879924910,82656,4
36370140671953,1466,7
37312126932882,8306
382226218422911,92656,9
39280915328719608,5
40759142502243,51166,2
4111436801610,793,4
42419180632214,91186,6
434356511223717656,6
44186113402201,7214,9
458745531850,6616,4
46188289602606,21565,8
47303192012614,9736,3
4810275331181,87510,5
49127263432684,9905,4
5025116413000,555,1

2. Input Data ke dalam Aplikasi SPSS

tutorial analisis regresi linier berganda dengan SPSS
tutorial analisis regresi linier berganda dengan 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.
tutorial analisis regresi linier berganda dengan SPSS
tutorial analisis regresi linier berganda dengan SPSS

3. Tentukan Model Summary

TUTORIAL ANALISIS REGRESI LINIER BERGANDA DENGAN SPSS

4. Lakukan Uji Simultan

TUTORIAL ANALISIS REGRESI LINIER BERGANDA DENGAN SPSS

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

TUTORIAL ANALISIS REGRESI LINIER BERGANDA DENGAN SPSS

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

    Tutorial Regresi linier berganda 1
  4. Pilih menu Graphs >> Legacy Dialogs >> Scatter/Dot >> pilih Simple Scatter

    Tutorial Regresi linier berganda 2
  5. Masukkan variable Unstandardized Residual sebagai Y dan Unstandardized Predicted Value sebagai X >> OK

    Tutorial Regresi linier berganda 3
  6. Maka akan muncul output seperti berikut.

    Tutorial Regresi linier berganda 4

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

    tutorial Analisis Regresi linier berganda5
  3. Kemudian akan muncul jendela seperti ini, dan masukkan variabel Unstandardized Residuals.

    tutorial Analisis Regresi linier berganda 6
  4. Lalu akan muncul hasil seperti berikut.

    tutorial Analisis Regresi linier berganda 7

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

tutorial Analisis Regresi linier berganda 8

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.

    tutorial Analisis Regresi linier berganda 9
  3. Maka, akan muncul hasil seperti berikut.

    tutorial Analisis Regresi linier berganda 10

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.

Durbin-Watson di SPSS
Durbin-Watson di SPSS

Maka akan muncul output seperti berikut.

tutorial Analisis Regresi linier berganda12

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.

tutorial Analisis Regresi linier berganda 13
tutorial Analisis Regresi linier berganda Bivariate

Maka akan muncul output seperti berikut.

tutorial Analisis Regresi linier berganda 14

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.

Join the discussion

6 comments
  • Pak, ada gak perhitungan manual koefisien regresi untuk masalah data panel Model Fixed Effect dgn Dummy Variabel ?? terima kasih mohon Balasannya

  • Maaf mas ada gak perhitungan secara manualnya untuk mencari nilai b0,b1,b2,b3,dan seterusnya apakah sama dengan hasil SPSS?

    • silahkan coba pakai rumusnya mas, untuk kasus dimana sampelnya kecil, pasti sama. Logikanya SPSS digunakan untuk kasus dimana perhitungan manual sangat sulit diterapkan.

  • Terima kasih sekali … tutorialnya…sangat bermanfaat bagi saya yang awam namun tertarik dengan analisis. Apakah dalam persamaan regresi mungkin muncul dengan persamaan seperti Y= -0,60+(-0,451) X1 +(-0,213)X2+(-0,011)X3+ 0,786 X4

Statmat