cara pengolahan statistik regresi linier berganda menggunakan spss
Post on 01-Dec-2015
1.435 Views
Preview:
TRANSCRIPT
Cara Pengolahan Statistik Regresi Linier Berganda menggunakan SPSS
Analisis Regresi Linier Berganda
1. Terlebih dahulu upload data ke SPSS, lihat post sebelumnya: Tentang cara upload file Excel ke SPSS.
2. Selanjutnya, click "Analyze", "Regression >", lalu click "Linear..."
3. tanda "Click variabel dependennya (Y), lalu click >" atas, agar masuk ke kolom "Dependent"
4. Block variable-variabel independennya (X), lalu click tanda ">" kedua, agar masuk ke kolom "Independents".
5. Click tombol “Statistics”, lalu centang: "Estimates", "Collinearity diagnostics", dan "Durbin-Watson". Lalu click tombol “Continue”
6. Click tombol “Plots”, lalu masukkan variable *Sresid ke kolom Y, serta *Zpred ke kolom X. Click tombol “Continue” lagi.
7. Click tombol “Save”, lalu centang “Unstandardized” di bawah tulisan “Residual”. Click tombol “Continue” again…
8. Terakhir ……… sudah diduga saya kira … Click tombol “OK”.
9. …..
10. ….
11. …
12. Beres dah.
Pengujian Normalitas1. Click "Analyze", lalu click "Nonparametric Tests", lalu click "1-Sample K-S"2. Masukkan variable Unstandardized Residual (Res_1) ke kolom "Test Variable List".
3. Centang "Normal" pada “Test Distribution List”
4. Lalu … coba tebak tombol apa berikutnya??
5. Click OK. Beres dah
Pengujian Normalitas1. Click "Transform", lalu click "Compute Variable…"2. Pada kolom "Target Variable" ketik “Residu”, sedangkan pada kolom “Numeric
Expression” ketik: Abs(Res_1). Jadinya yang kelihatan adalah. Residu = Abs (Res_1)
3. Click OK
4. Selanjutnya, click "Analyze", "Regression >", lalu "Linear…"
5. tanda "Click variabel dependen Residu (Y), lalu click >" atas, agar masuk ke kolom Dependent
6. Block variable-variabel independennya (X), lalu click tanda ">" kedua, agar masuk ke kolom Independents.
7. Langsung click OK.
8. Beres dah.
Pengujian Multikolinearitas1. Menggunakan angka-angka VIF pada print out hasil analisis regresi . Di sebelah kanan
uji –t, ada khan???
Pengujian Autokorelasi1. Menggunakan nilai Durbin-Watson apda print out hasil analisis regresi. Silahkan
dicermati print outnya, ada kok.. he he
Total terdapat 22 kali click tombol left mouse. Jadi sudah print out regresi linier berganda menggunakan SPSS yang rapi dan indah.
Kalau perlu program SPSS-nya buat diinstall, tinggal click aja link ini.
semua ada disini
skripsi,sepakbola,software
Pages Beranda
This Blog
Linked From Here
The Web
This Blog
Linked From Here
The Web
Sunday, June 10, 2012
ANALISIS REGRESI LINIER BERGANDA MENGGUNAKAN SPSS
Analisis regresi pada dasarnya adalah studi mengenai ketergantungan variabel dependen (terikat)
dengan satu atau lebih variabel independen (variabel penjelas/bebas), dengan tujuan untuk
mengestimasi dan/atau memprediksi rata-rata populasi atau nilai rata-rata variabel dependen
berdasarkan nilai variabel independen yang diketahui (Gujarti, 2003) dalam Ghozali (2007). Hasil dari
analisis regresi adalah berupa koefisien untuk masing-masing variabel independen.
Ketepatan regresi sampel dalam menaksir nilai aktual dapat diukur dari Goodness of fitnya. Secara statistik ini dapat diukur dari nilai koefisien determinasi, nilai statistik F dan nilai statistik t. Perhitungan statistik disebut signifikan secara statistik apabila nilai uji statistiknya berada dalam daerah kritis (daerah dimana Ho ditolak) dan tidak signifikan apabila berada dalam daerah Ho diterima.
a) Koefisien Determinasi (R2)
Keofisien determinasi pada intinya mengukur seberapa jauh kemampuan model dalam
menerangkan variasi variabel dependen. Nilai koefisien determinasi adalah antara nol dan satu. Nilai R2
yang kecil berarti kemampuan variabel-variabel independen sangat terbatas.
Kelemahan koefisen determinasi adalah adanya bias terhadap sejumlah variabel independen yang
dimasukkan dalam model. Oleh karena itu, lebih baik menggunakan Adjusted R2. Apabila adjusted R2
bernilai negatif maka nilai adjusted R2 dianggap nol.
b) Uji Signifikansi Simultan (Uji Statistik F)
Uji statistik F pada dasarnya menunjukkan apakah semua variabel independen atau bebas yang
dimasukkan dalam model mempunyai pengaruh secara bersama-sama terhadap variabel dependen atau
terikat. Hipotesis nol (Ho) yang hendak diuji adalah apakah semua parameter dalam model sama dengan
nol, atau :
Ho:b1= b2 =.........= bk = 0
Artinya apakah semua variabel independen bukan merupakan penjelas yang signifikan terhadap
variabel dependen. Hipotesis alternatifnya adalah
HA : b1 ≠ b2 ≠.......≠ bk ≠ 0
Artinya semua variabel dependen secara simultan merupakan penjelas yang signifikan terhadap
variabel dependen.
Kriteria pengambilan keputusan dalam uji statistik F adalah sebagai berikut :
Quick look : bila nilai F lebih besar daripada 4 maka Ho dapat ditolak pada derajat kepercayaan 5%.
Membandingkan nilai F hasil perhitungan dengan nilai F menurut tabel. Jika F hitung lebih besar daripada
F tabel maka Ho ditolak dan HA diterima.
c) Uji Signifikan Parameter Individual (Uji Statistik t)
Uji statistik t menunjukkan seberapa jauh pengaruh satu variabel penjelas secara individual dalam
menerangkan variasi variabel dependen. Ho yang hendak diuji adalah apakah suatu parameter (bi) sama
dengan nol, atau Ho :bi = 0. Hal ini berarti variabel independen bukan merupakan penjelas yang
signifikan terhadap variabel dependen.
HA / hipotesis alternatifnya parameter suatu variabel tidak sama dengan nol, atau HA : bi ≠ 0. Hal
ini berarti variabel tersebut merupakan variabel penjelas yang signifikan terhadap variabel dependen.
Kriteria uji statistik t adalah sebagai berikut :
Quick look : bila jumlah degree of freedom (df) adalah 20 atau lebih, dan derajat kepercayaan 5%, maka
Ho yang menyatakan bi=0 dapat ditolak bila nilai t lebih besar dari 2 (dalam nilai absolut).
Membandingkan nilai statistik t dengan titik kritis menurut tabel. Apabila nilai statistik t hasil perhitungan lebih tinggi dibandingkan nilai t tabel, maka HA / hipotesis alternatif dapat diterima yaitu variabel independen secara individual berpengaruh singnifikan terhadap variabel dependen. d) Langkah-langkah uji analisis regresi linier berganda 1. Masukkan data analisis regresi, kemudian klik analyze-regresion-linier
2. Masukkan y ke kolom dependen dan x1,x2 ke kolo, independen
3. abaikan yang lain kemudian OK, output yang diperlukan adalah sebagai berikut : a. Koefisien Determinasi
Model Summary
Model R R Square
Adjusted R
Square
Std. Error of the
Estimate
1 .709a .503 .483 2.93951
a. Predictors: (Constant), x2, x1
Berdasarkan output diatas nilai dari Adjusted R Square adalah .483 atau 0.483 atau 48,3% artinya besarnya kemampuan variasi model x1 dan x2 dapat menjelaskan variabel y sebesar 48,3% sedangkan sisanya 51,7% dijelaskan oleh faktor lain yang tidak dijelaskan dalam analisis ini (penelitian ini).
b. Uji statistik F (Simultan)
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 428.681 2 214.340 24.806 .000a
Residual 423.396 49 8.641
Total 852.077 51
a. Predictors: (Constant), x2, x1
b. Dependent Variable: y
Berdasarkan output diatas nilai dari F 24.806 (lebih dari 4) dalam signifikansi 0.000 (kirang dari 0.05)
maka dapat dikatakan x1 dan x2 berpengaruh secara simultan terhdap y
c. Uji Statistik t (parsial)
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig.B Std. Error Beta
1 (Constant) 18.546 3.726 4.977 .000
x1 .369 .082 .492 4.492 .000
x2 .237 .074 .353 3.219 .002
a. Dependent Variable: y
Berdasarkan hasil diatas nilai t x1 4.492 dan x2 3.219 keduanya lebih dari 2 (dalam hal ini df=n-2
lebih dari 20) dengan signifikansi 0.000 dan 0.002 maka dapat disimpulkan niali x1 berpengaruh
terhadap y sebesar 4.492 dan x2 3.219. Jadi fungsi yang terbentuk adalah
Y= 18.546+4.492x1+3.219x2
Kumpulan beberapa cerita lucu, Arsif beberapa tugas kuliah dan Soal-soal Uiian atau Quis
DAFTAR LINKAdinmuh2Samarinda Belajar Ngeblog harizt.co.cchermanblog.com iyud89.blogspot.comLucky Witantraminimmedia.com muhfida.comRezarenaldiSeiKerbauZona Kesehatan
TUKARAN LINK
INFO BLOGSite Data and Value
idmatgokil.blogspot.com
Google PR: N/AAlexa Rank: N/ALinks in: N/A
Value: $0Value Rank: 874865
Cara menganalisis Regresi linier berganda dengan SPSS 17.0
Cara menganalisis Regresi linier berganda dengan SPSS 17.0
Analisis regresi digunakan untuk memprediksi pengaruh variabel bebas terhadap variabel terikat. Analisis regresi juga dapat dilakukan untuk mengetahui kelinieritas variabel terikat dengan varibel bebasnya, selain itu juga dapat menunjukkan ada atau tidaknya data yang outlier atau data yang ekstrim.Analisis regresi linear berganda terdiri dari satu variabel dependen dan dua atau lebih variabel independen. Misalnya dalam suatu kegiatan penelitian ingin diketahui apakah variabel X (Sex dan Nilai harian 1) berpengaruh terhadap variabel Y (nilai rapot). Data penelitian adalah sebagai berikut:
Nama Sex Nilai harian 1 Nilai Rapot
IDM01IDM02IDM03IDM04IDM05IDM06IDM07
1211122
50618076407386
68867880767470
IDM08IDM09IDM10IDM11IDM12IDM13IDM14IDM15
11221121
7759566680729583
8076856069899088
Keterangan sex: 1=laki-laki, 2=perempuan
Langkah-langkah menganalisis menggunakan spss 17.0 adalah sebagai berikut:1. Buka lembar kerja SPSS2. Buat semua keterangan variabel di variable view seperti gambar berikut:
3. Klik Data view dan masukan data sehingga tampak hasilnya sebagai berikut:
4. Lakukan analisis dengan cara: Analize, Regression, Liniear. akan muncul dialog seperti gambar berikut; Selanjutnya isilah kotak menu Dependen dengan variabel terikat, yaitu variabel Rapor dan kotak menu independen dengan variabel bebas, yaitu variabel Sex dan Harian 1.
5. Selanjutnya klik kotak menu Statistics. Pilih Estimates, Descriptives dan Model fit lau klik Continue. Tampilan muncul seperti berikut
6. Kotak menu Plots, berfungsi untuk menampilkan grafik pada analisis regresi. klik kotak menu Plots, kemudian klik Normal probanility plot yang terletak pada kotak menu Standardized Residual plots. Selanjutnya klik Continue. Tampilannya adalah sebagai berikut:
7. Selanjutnya klik Continue. Untuk melakukan analisis kliklah OK. Beberapa saat kemudian akan keluar outputnya, sebagai berikut:
Regression[DataSet1]
Cara membaca Output tersebut adalah. sebagai berikut:1. Deskriptif statistik
Dari output tersebut dapat dilihat rata-rata nilai rapot dari 15 siswa adalah 77,93 dengan standar deviasi 8,779 sedangkan rata-rata nilai harian 1 adalah 70,27 dengan standar deviasi 14,786
2. Korelasi
Dari tabel dapat dilihat bahwa besar hubungan antara variabel nilai rapot dengan sex adalah -0,042 hal ini menunjukan hubungan negatif.besar hubungan nilai harian 1 dengan nilai rapot adalah 0,238 yang berarti ada hubungan positif, makin besar nilai harian 1 maka makin tinggi pula nilai rapot.
3. Variabel masuk dan keluar
Dari tabel diatas menunjukan variabel yang dimasukan adalah nilai harian 1 dan sex, sedangkan variabel yang dikeluarkan tidak ada (Variables Removed tidak ada)
4.Model sisaan
Pada tabel diatas angka R Square adalah 0,063 yaitu hasil kuadrat dari koefisien korelasi (0,250 x 0,250 = 0,063). Standar Error of the Estimate adalah 9,181, perhatikan pada analisis deskriptif statitik bahwa standar deviasi nilai rapot adalah 8,779 yang jauh lebih kecil dari dari standar error, oleh karena lebih besar daripada standar deviasi nilai rapot maka model regresi tidak bagus dalam bertindak sebagai
predictor nilai rapot.
5. Anova
Hipotesis:Ho: B1=B2=0Ha: ada Bi yang tidak nol Pengambilan keputusan:Jika F hitung <= T tabel atau probabilitas >= 0,05 maka Ho diterimaJika F hitung > T tabel atau probabilitas < 0,05 maka Ho ditolak
Dari tabel diatas dapat dilihat nilai F hitung yaitu 0,401, sedangkan nilai F tabel dapat diperoleh dengan menggunakan tabel F dengan derajat bebas (df) Residual (sisa) yaitu 12 sebagai df penyebut dan df Regression (perlakuan) yaitu 2 sebagai df pembilang dengan tarap siginifikan 0,05, sehingga diperoleh nilai F tabel yaitu 3,89. Karena F hitung (0,401) < F tebel (3,89) maka Ho diterima.Berdasarkan nilai Signifikan, terlihat pada kolom sig yaitu 0,679 itu berarti probabilitas 0,679 lebih dari daripada 0,05 maka Ho diterima.Kesimpulan:Tidak ada koefisien yang tidak nol atau koefisien berarti, maka model regresi tidak dapat dipakai untuk memprediksi nilai rapot.
6. Koefisien
Hipotesis:Ho: Bi=0Ha: ada Bi yang tidak nol , i=1 atau 2Pengambilan keputusan:Jika T hitung <= T tabel atau probabilitas >= 0,05 maka Ho diterimaJika T hitung > T tabel atau probabilitas < 0,05 maka Ho ditolak* Constant: Berdasarkan tabel diatas, dapat dilihat bahwa nilai T hitung untuk Constant yaitu 5,360,
pada T tabel dengan db 12 dan taraf signifikan 0,05 diperoleh 1,782, karena T hitung > T tabel maka Ho ditolak. sedangkan sig pada tabel B adalah 0,000 yang berarti probabilitas 0,000, karena probabilitas kurang dari 0,05 maka ditolak. Berarti bermakna dan diramalkan tidak melalui titik (0,0).** Sex: Berdasarkan tabel diatas, dapat dilihat bahwa nilai T hitung untuk Sex yaitu -0,277, pada T tabel dengan db 12 dan taraf signifikan 0,05 diperoleh 1,782, karena T hitung < T tabel maka Ho diterima. sedangkan sig pada tabel B adalah 0,786 yang berarti probabilitas 0,786, karena probabilitas kurang dari 0,05 maka diterima. artinya B tidak berarti. *** Harian 1: Berdasarkan tabel diatas, dapat dilihat bahwa nilai T hitung untuk Harian 1 yaitu 0,882, pada T tabel dengan db 12 dan taraf signifikan 0,05 diperoleh 1,782, karena T hitung < T tabel maka Ho diterima. sedangkan sig pada tabel B adalah 0,786 yang berarti probabilitas 0,395, karena probabilitas kurang dari 0,05 maka diterima. artinya B tidak berarti
Berdasarkan analisis diatas maka dapat dibuat model regresi dugaannya yaitu:Y = 69,429
Dari tabel diatas merupakan ringkasan yang meliputi nilai minimum dan maksimum, mean dan standar deviasi dari predicted value (nilai yang diprediksi) dan statistic residu.
7. Kelinieran
Jika residual berasal dari distribusi normal, maka nilai-nilai sebaran data akan terletak sekitar garis lurus, terlihat bahwa sebaran data pada gambar diatas tersebar hampir semua tidak pada sumbu normal, maka dapat dikatakan bahwa pernyataan normalitas tidak dapat dipenuhi.
top related