√ Tutorial Analisis Regresi Linier Berganda Dengan Spss

Regresi linier berganda dengan SPSS – Analisis regresi linear berganda ialah Salah satu bentuk analisis regresi linier di mana variabel bebasnya lebih dari satu. Analisis regresi ialah analisis yang sanggup dipakai untuk mengukur efek suatu variabel bebas terhadap Variabel tidak bebasnya.

Metode analisis ini menjadi salah satu analisis yang banyak dipakai alasannya alasan gampang dan mempunyai kekuatan yang cukup dalam menjelaskan suatu efek suatu variabel bebas ke variabel terikatnya. Ada aneka macam kondisi yang sanggup kita uji dengan analisis regresi linier.

Baca juga :

• cara menulis rumus matematika di wordpress


• Indeks Pembangunan Manusia (IPM): Rumus & Cara Hitung

Daftar Isi

• 1 Berikut langkah-langkah pengujian analisis regresi inier berganda dengan SPSS
  • 1.1 1. Sediakan data penelitian
  • 1.2 2. Input data kedalam aplikasi SPSS
  • 1.3 3. Tentukan Model Summary
  • 1.4 4. Lakukan Uji Simultan
  • 1.5 5. Buat Output Koefisien dan Signifikansi
  • 1.6 6. Lakukan Pengujian Linearitas
  • 1.7 7. Lakukan Pengujian Asumsi Normalitas
  • 1.8 8. Lakukan Pengujian Asumsi Homoskedastisitas
  • 1.9 9. Lakukan Pengujian Asumsi Autokolerasi
  • 1.10 10. Lakukan Pengujian Asumsi Multikolinearitas

Berikut langkah-langkah pengujian analisis regresi inier berganda dengan SPSS

1. Sediakan data penelitian

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

i	Y	X1	X2	X3	X4	X5
1	521	18308	185	4	80	7,2
2	367	1148	600	0,6	1	8,5
3	443	18068	372	3,7	32	5,7
4	365	7729	142	2,4	45	7,3
5	614	100484	432	29,8	191	7,5
6	385	16728	290	3,3	32	5
7	286	14630	346	3,3	678	6,7
8	397	4008	328	0,7	341	6,2
9	764	38927	354	12,9	240	7,3
10	427	22322	266	6,5	112	5
11	153	3711	320	1,1	173	2,8
12	231	3136	197	1	12	6,1
13	524	50508	266	11,4	206	7,1
14	328	28886	173	5,5	155	5,9
15	240	16996	190	2,8	50	4,6
16	286	13035	239	2,5	30	4,4
17	285	12973	190	3,7	93	7,4
18	569	16309	241	4,2	97	7,1
19	96	5227	189	1,2	40	7,5
20	498	19235	358	4,8	489	5,9
21	481	44487	315	6	768	9
22	468	44213	303	9,3	164	9,2
23	177	23619	228	4,4	55	5,1
24	198	9106	134	2,6	55	8,6
25	458	24917	189	5,1	74	6,6
26	108	3872	196	0,8	6	6,9
27	246	8945	183	1,6	21	2,7
28	291	2373	417	1,2	11	5,5
29	68	7128	233	1,1	124	7,2
30	311	23624	349	7,7	1042	6,6
31	606	5242	284	1,5	13	6,9
32	512	92629	499	18	381	7,2
33	426	28795	231	6,6	136	5,8
34	47	4487	143	0,6	9	4,1
35	265	48799	249	10,8	265	6,4
36	370	14067	195	3,1	46	6,7
37	312	12693	288	2,8	30	6
38	222	62184	229	11,9	265	6,9
39	280	9153	287	1	960	8,5
40	759	14250	224	3,5	116	6,2
41	114	3680	161	0,7	9	3,4
42	419	18063	221	4,9	118	6,6
43	435	65112	237	17	65	6,6
44	186	11340	220	1,7	21	4,9
45	87	4553	185	0,6	61	6,4
46	188	28960	260	6,2	156	5,8
47	303	19201	261	4,9	73	6,3
48	102	7533	118	1,8	75	10,5
49	127	26343	268	4,9	90	5,4
50	251	1641	300	0,5	5	5,1

2. Input data kedalam aplikasi SPSS

1. Masukkan data fiktif ke SPSS (dalam tutorial ini memakai SPSS Versi 21)


2. Pada Menu Bar, pilih Analyze > Regression > Linear …


3. Akan muncul jendela menyerupai dibawah ini


4. Lalu, masukkan variabel Y ke bab Dependent dan variabel X1, X2, X3, X4, dan X5 ke bagian Independent(s), kemudian klik OK.


5. Akan menghasilkan output menyerupai dibawah ini.

3. Tentukan Model Summary

4. Lakukan Uji Simultan

Diketahui p-value uji simultan 0,003 (lebih kecil dari ). Berdasarkan hasil uji simultan sanggup 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 besar lengan berkuasa 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 perkiraan Linieritas terpenuhi, kita sanggup memakai plot residual dengan fitted value (predicted value) atau sanggup juga dengan plot residual dengan variable independent (John Neter, 1989:118).

Cara menampilkan plot residual vs fitted value di SPSS:

1. Pilih sajian 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 sajian 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 menyerupai berikut.

Interpretasi plot:

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

7. Lakukan Pengujian Asumsi Normalitas

Untuk menguji perkiraan Normalitas, sanggup memakai analisis Normal P-P Plot atau dengan uji-uji normalitas menyerupai uji Liliefors atau Kolmogorov-Smirnov. Namun, pada ketika ini kita akan memakai uji Kolmogorov-Smirnov untuk menguji normalitas dari residual dari regresi.

1. Untuk melaksanakan uji normalitas, pastikan kita telah mempunyai variabel Unstandardized Residuals, yang kita dapatkan dari hasil uji linearitas diatas.


2. Setelah itu, kita sanggup melaksanakan uji Kolmogorov-Smirnov dengan mengklik Analyze >> Nonparametric Test >> Legacy Dialogs >> 1-Sample K-S


3. Kemudian akan muncul jendela menyerupai ini, dan masukkan variabel Unstandardized Residuals.


4. Lalu akan muncul hasil menyerupai 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 menawarkan bahwa residual dari regresi telah memenuhi perkiraan normalitas.

8. Lakukan Pengujian Asumsi Homoskedastisitas

Menurut John Neter (1989:120), untuk mendeteksi terjadinya heteroscedastisitas, sanggup memakai plot residual dengan fitted values atau Unstandardized Residual VS Unstandardized Predicted Value (yang telah kita lakukan pada uji perkiraan Linearitas).

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

Selain dengan melihat scatter plot, perkiraan homoskedastisitas sanggup dilihat dengan melaksanakan uji Park dan uji Rank Spearmen. Pada kesempatan ini kita akan memakai uji Park.

1. Sebelum melaksanakan uji Park, kita terlebih dahulu melaksanakan transformasi logaritma natural terhadap variabel independen. Sedangkan untuk variabel dependen ialah logaritma natural dari kuadrat residual.


2. Kemudian, lakukan menyerupai 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 menyerupai berikut.

Berdasarkan output diatas, sanggup kita ketahui bahwa tidak ada variabel yang signifikan sehingga sanggup dikatakan bahwa tidak terdapat duduk kasus heteroskedastisitas, sehingga perkiraan terpenuhi.

9. Lakukan Pengujian Asumsi Autokolerasi

Untuk menguji perkiraan Autokolerasi, akan dilakukan dengan melihat statistik Durbin-Watson

1. Lakukan regresi menyerupai biasa, namun pada bab Statistics, centang bab Durbin-Watson

Maka akan muncul output menyerupai 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 sanggup kita ketahui bahwa tidak terdapat duduk kasus autokorelasi.

10. Lakukan Pengujian Asumsi Multikolinearitas

Untuk menguji perkiraan multikolinearitas, sanggup dilakukan dengan melihat nilai hubungan antar variabel independen.

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

Maka akan muncul output menyerupai berikut.

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

Sumber https://statmat.id