Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah ... fileAda 3 kegunaan utama untuk analisis...

Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta

Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.

REGRESI BERGANDA DAN PEGUJIAN ASUMSI KLASIK

Dalam statistik, regresi linier adalah pendekatan linier untuk memodelkan hubungan

antara respons skalar dengan satu atau lebih variabel penjelas. Kasus satu variabel

penjelas disebut regresi linier sederhana. Untuk lebih dari satu variabel penjelas

disebut regresi linier berganda.

Regresi linier berganda adalah bentuk paling umum dari analisis regresi linier. Sebagai

analisis prediktif, regresi linier berganda digunakan untuk menjelaskan hubungan

antara satu variabel dependen kontinu dan dua atau lebih variabel independen.

Variabel independen dapat kontinu atau kategori (dummy diberi kode yang sesuai).

Asumsi:

1. Residu regresi harus didistribusikan secara normal.

2. Hubungan linear diasumsikan antara variabel dependen dan variabel

independen.

3. Residualnya adalah homoscedastik dan kira-kira berbentuk persegi panjang.

4. Tidak adanya multikolinieritas diasumsikan dalam model, yang berarti bahwa

variabel independen tidak terlalu berkorelasi tinggi.

Manfaat Regresi

Ada 3 kegunaan utama untuk analisis regresi linier berganda.

Pertama, ini dapat digunakan untuk mengidentifikasi kekuatan efek yang dimiliki

variabel independen terhadap variabel dependen.

Kedua, dapat digunakan untuk memperkirakan efek atau dampak perubahan. Yaitu,

analisis regresi linier berganda membantu kita untuk memahami seberapa besar

variabel dependen akan berubah ketika kita mengubah variabel independen.

Ketiga, analisis regresi linier berganda memprediksi tren dan nilai-nilai masa depan.

Analisis regresi linier berganda dapat digunakan untuk mendapatkan estimasi titik.

Ketika memilih model untuk analisis regresi linier berganda, pertimbangan penting

lainnya adalah model yang sesuai. Menambahkan variabel independen ke model



regresi linier berganda akan selalu meningkatkan jumlah varians yang dijelaskan dalam

variabel dependen (biasanya dinyatakan sebagai R²). Oleh karena itu, menambahkan

terlalu banyak variabel independen tanpa justifikasi teoretis dapat menghasilkan model

yang terlalu sesuai.

Contoh :

Berikut ini persamaan regresi berganda :

GDP = β0 + β1 GFCF + β2 TR + β3 TRADE + β4 AK+ β5 IVA + ε

atau

LOG(GDP) = β + β1LOG(GFCF) + β2LOG(TR) + β3LOG(TRADE) +

β4LOG(AK) + β5LOG(IVA) + ε

Dimana

GDP Gross Domestic Product GFCF Gross fixed capital formation TR Penerimaan Pajak TRADE Nilai Perdagangan AK Angkatan Kerja IVA Nilai Tambah Industri



Ya

Tidak

Studi Kepustakaan (Teori dan Studi Terdahulu)

Identifikasi Variabel Penelitian dan

Pembentukan Model

Pembuatan Hipotesis

Pengolahan Data

Uji Spesifikasi Model dan Uji Asumsi

Klasik

Proses Pengumpulan Data

Estimasi Model dan Pengujian Hipotesis

Kesimpulan dan Rekomendasi

Gambar 1

Langkah-Langkah Penelitian

Revisi

Memenuhi



Data Makro Negara ABCDEFG

Tahun GDP Kurs GFCF TR Trade IVA

1986 2,047,292,604,338,300 1,283 525,767,839,086,000 14,993,000,000,000 819,472,884,152,016 798,544,781,014,800

1987 2,155,799,176,654,500 1,644 554,680,733,051,900 18,827,000,000,000 998,818,533,420,652 848,962,545,204,100

1988 2,292,814,846,746,000 1,686 618,517,644,265,400 21,435,000,000,000 1,083,459,633,537,290 907,301,991,769,700

1989 2,501,110,525,830,700 1,770 710,782,070,626,400 26,678,000,000,000 1,227,592,114,499,590 1,053,730,190,492,900

1990 2,726,249,821,167,800 1,843 825,058,186,077,300 37,431,600,000,000 1,441,964,271,955,940 1,161,956,026,945,300

1991 2,969,643,847,614,300 1,950 931,494,177,183,200 39,098,000,000,000 1,628,539,758,976,440 1,277,017,158,693,800

1992 3,184,067,029,251,900 2,030 964,890,833,384,600 44,499,900,000,000 1,828,527,952,182,690 1,503,686,756,495,200

1993 3,415,041,652,725,900 2,087 1,028,569,876,323,000 47,344,000,000,000 1,725,393,071,594,540 1,482,119,880,662,300

1994 3,672,538,070,470,900 2,161 1,170,056,947,025,800 60,958,000,000,000 1,905,206,289,918,400 1,647,643,312,108,300

1995 3,980,897,516,197,100 2,249 1,333,804,863,859,200 68,017,000,000,000 2,148,036,149,401,290 1,819,329,402,675,000

1996 4,285,149,005,555,500 2,342 1,527,398,594,230,900 75,810,000,000,000 2,239,622,144,209,320 2,013,806,086,902,600

1997 4,486,545,547,065,900 2,909 1,658,266,039,607,700 100,505,700,000,000 2,512,191,662,450,940 2,117,949,036,253,500

1998 3,897,609,098,897,500 10,014 1,110,903,117,229,100 143,626,700,000,000 3,748,961,858,536,470 1,822,466,026,611,800

1999 3,928,444,247,354,300 7,855 908,769,274,450,800 179,430,400,000,000 2,472,716,527,537,000 1,858,334,024,795,000

2000 4,121,726,241,993,900 8,422 1,060,872,288,362,200 99,643,790,476,190 2,944,432,464,112,750 1,967,791,836,600,200

2001 4,271,899,954,667,000 10,261 1,129,749,087,480,800 190,614,200,000,000 2,981,495,922,803,340 2,021,590,172,211,700

2002 4,464,113,041,849,300 9,311 1,182,784,395,845,000 215,467,500,000,000 2,637,374,038,628,250 2,107,764,749,213,200

2003 4,677,514,123,258,600 8,577 1,189,884,726,120,600 249,404,313,253,852 2,507,919,080,077,860 2,186,913,010,032,200

2004 4,912,833,962,560,100 8,939 1,364,599,072,554,300 283,093,000,000,000 2,935,973,057,506,130 2,273,100,844,234,100

2005 5,192,500,538,917,800 9,705 1,513,164,999,669,000 312,488,056,626,926 3,322,573,914,833,110 2,380,026,639,458,400

2006 5,478,137,490,010,100 9,159 1,552,460,084,009,500 343,625,377,952,311 3,103,755,304,808,870 2,486,855,317,982,500

2007 5,825,726,531,358,900 9,141 1,697,209,598,268,500 374,762,699,277,696 3,194,202,162,925,520 2,604,234,878,138,900

2008 6,176,068,457,506,700 9,699 1,898,942,099,974,500 658,701,000,000,000 3,616,792,130,902,920 2,701,585,275,030,700

2009 6,461,950,710,551,600 10,390 1,961,482,072,067,500 619,922,000,000,000 2,940,970,850,172,160 2,798,525,931,939,900

2010 6,864,133,100,000,000 9,090 2,127,840,682,000,000 723,307,000,000,000 3,205,637,598,235,500 2,936,192,400,000,000

2011 7,287,635,300,000,000 8,770 2,316,359,104,097,800 873,874,000,000,000 3,656,936,354,349,880 3,122,633,400,000,000



Tahun GDP Kurs GFCF TR Trade IVA

2012 7,727,083,400,000,000 9,387 2,527,728,790,484,400 980,518,000,000,000 3,831,311,903,721,210 3,288,298,000,000,000

2013 8,156,497,800,000,000 10,461 2,654,375,036,700,900 1,077,310,000,000,000 3,967,106,232,237,770 3,431,080,900,000,000

2014 8,566,271,200,000,000 11,865 2,775,733,579,064,600 1,145,282,928,434,310 4,116,716,178,297,760 3,577,694,800,000,000

2015 8,976,931,500,000,000 13,389 2,916,601,630,562,700 1,164,554,577,386,610 3,764,719,516,265,140 3,672,595,500,000,000

2016 8,164,934,610,302,790 12,935 2,542,077,573,709,210 935,748,526,661,157 4,201,921,841,339,830 3,547,268,352,813,750

2017 8,380,512,700,553,410 13,343 2,612,020,756,005,150 974,202,791,298,637 4,304,178,262,152,610 3,638,770,115,628,690

2018 8,596,090,790,804,030 13,751 2,681,963,938,301,090 1,012,657,055,936,110 4,406,434,682,965,400 3,730,271,878,443,630

Sumber : Data Hipotesis



Ketik data tersebut dalam Excell dan beri nama file tersebut dengan nama data

hipotesis ABCDFEG, kemudian tutup file tersebut.

Buka Eviews



Muncul di layar

Isi Date specification dengan

Start date : 1986



End date : 2018

Kemudian data yang telah kita buat di excel, kita pindahkan ke eviews

Klik file import Import from file …

maka akan muncul di layar



Cari file yang akan diimport dan klik open

Klik Next

Klik Next

Klik Finish



Maka di layar akan muncul

Cara Melakukan Regresi

Klik Quick Estimate Equation …

Lalu muncul



Klik OK

Kemudian semua data kita log (Logaritma), sehingga persamaannya

LS LOG(GDP) C LOG(GFCF) LOG(TR) LOG(TRADE) LOG(AK) LOG(IVA)

Klik Estimate

Klik OK

Koefisien ada yang sangat besar dan ada yang kecil



Uji Asumsi Klasik

Uji asumsi klasik yang digunakan dalam regresi linier dengan pendekatan Ordinary

Least Squared (OLS) meliputi uji Linieritas, uji Normalitas. Uji Autokorelasi, uji

Heteroskedastisitas, dan uji Multikolinieritas Walaupun demikian, tidak semua uji

asumsi klasik harus dilakukan pada setiap model regresi linier dengan pendekatan

OLS.

1. Uji linieritas hampir tidak dilakukan pada setiap model regresi linier. Karena

sudah diasumsikan bahwa model bersifat linier. Kalaupun harus dilakukan

semata-mata untuk melihat sejauh mana tingkat linieritasnya.

2. Uji normalitas pada dasarnya tidak merupakan syarat BLUE (Best Linier Unbias

Estimator) dan beberapa pendapat tidak mengharuskan syarat ini sebagai

sesuatu yang wajib dipenuhi.

Koefisien menunjukan

angka elastisitas



3. Autokorelasi hanya terjadi pada data time series. Pengujian autokorelasi pada

data yang tidak bersifat time series (cross section atau panel) akan sia-sia semata

atau tidaklah berarti.

4. Multikolinieritas perlu dilakukan pada saat regresi linier menggunakan lebih

dari satu variabel bebas. Jika variabel bebas hanya satu, maka tidak mungkin

terjadi multikolinieritas.

5. Heteroskedastisitas biasanya terjadi pada data cross section, dimana data panel

lebih dekat ke ciri data cross section dibandingkan time series.

Uji Normalitas

Klik View Residual Diagnostics Histogram – Normality Test

Hasil uji nya sebagai berikut

Nilai Probability > 0.05, maka model tersebut datanya terdistribusi normal



Uji Linearitas

Klik View Stability Diagnostics Ramsey RESET Test …

Muncul di layar

Klik OK

Karena nilai probability F-statistic < 0.05 berarti model persamaan regresinya tidak

linear



Uji Autokorelasi

Klik View Residual Diagnostocs Serial Correlation LM Test …

Muncul

Klik OK

Karena nilai probability Obs*Rsquared < 0.05 berarti model persamaan regresinya

mengandung autokorelasi



Uji Heteroskedastisitas

Klik View Residual Diagnostocs Heteroskedastisitas Tests …

Selanjutnya klik White

Karena nilai probability Obs*Rsquared > 0.05 berarti model persamaan regresinya

tidak mengandung heteroskedastisitas (homoskedastisitas)

Uji Multikolinearitas

Uji multikolinearitas digunakan untuk menilai adakah korelasi atau interkorelasi antar variabel bebas dalam model regresi atau juga biasa digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik multikolinearitas yaitu adanya hubungan linear antar variabel independen dalam model regresi. Pada Pengujian ada tidaknya gejala multikolinearitas dilakukan dengan melihat nilai VIF (Variance Inflation Factor) dan Tolerance. Hipotesis : H0 : Terdapat masalah multikolinearitas H1 : Tidak terdapat masalah multikolinearitas



Probabilitas < 10, H0 ditolak, H1 diterima Probabilitas > 10, H1 ditolak, H0 diterima Berikut ini langkah uji VIF dan TOL

Klik View Coefficient Diagnostics Variance Inflation Factors

Dan hasilnya

Nilai Centered VIF diatas 10, berarti model mengandung multikolinearitas.



Cara Lain pengujian multikolinearitas Blok semua variabel seperti di bawah ini

Kemudian klik kanan copy

Kemudian klik Quick Group Statistics Correlations

Klik OK



Hampir semua variabel memiliki nilai correlation di atas 0,85, berarti model mengandung multikolinearitas. Atau dengan dengan membandingkan R2

a. LS LOG(GDP) C LOG(GFCF) LOG(TR) LOG(TRADE) LOG(AK) LOG(IVA) hitung R2

1

b. LOG(GFCF) C LOG(TR) LOG(TRADE) LOG(AK) LOG(IVA) hitung R22

c. LOG(TR) C LOG(GFCF) LOG(TRADE) LOG(AK) LOG(IVA) hitung R23

d. LOG(TRADE) C LOG(GFCF) LOG(TR) LOG(AK) LOG(IVA) hitung R24

e. LOG(AK) C LOG(GFCF) LOG(TR) LOG(TRADE) LOG(IVA) hitung R25

f. LOG(IVA) C LOG(GFCF) LOG(TR) LOG(TRADE) LOG(AK) hitung R26

Model tersebut tidak mengandung Multikolinearitas jika :

R21 > R2

2 , R23, R

24, R

25, R

26,

Nilai R21 = 0,9987



Nilai R22 = 0,9691

Nilai R22 = 0,9781

Nilai R2

2 = 0,9457



Nilai R22 = 0,9870

Nilai R2

2 = 0,9928

Karena nilai R21 > R2

2 , R23, R

24, R

25, dan R

26

0,9987 > 0,9691, 0,9781, 0,9457, 0,9870 dan 0,9928

Maka model tersebut tidak mengandung Multikolinearitas



Hasil Persamaan regresi diatas

Estimation Command: ========================= LS LOG(GDP) C LOG(GFCF) LOG(TR) LOG(TRADE) LOG(AK) LOG(IVA) Estimation Equation: ========================= LOG(GDP) = C(1) + C(2)*LOG(GFCF) + C(3)*LOG(TR) + C(4)*LOG(TRADE) + C(5)*LOG(AK) + C(6)*LOG(IVA) Substituted Coefficients: ========================= LOG(GDP) = 4.6489 + 0.3739 LOG(GFCF) + 0.0498 LOG(TR) - 0.0688 LOG(TRADE) + 0.7019 LOG(AK) + 0.1781 LOG(IVA)



DAFTAR PUSTAKA

Gujarati, D. N. (2009). Basic econometrics. Tata McGraw-Hill Education.

Basuki, A. T., & Prawoto, N. (2016). ANALISIS REGRESI DALAM PENELITIAN

EKONOMI & BISIS (DILENGKAPI APLIKASI SPSS & EVIEWS).

Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah ... fileAda 3 kegunaan utama untuk analisis...

Documents

Transcript of Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah ... fileAda 3 kegunaan utama untuk analisis...