Berapa jumlah variabel dari uji regresi linier sederhana?

Analisis Regresi Sederhana adalah sebuah metode pendekatan untuk pemodelan hubungan antara satu variabel dependen dan satu variabel independen. Dalam model regresi, variabel independen menerangkan variabel dependennya. Dalam analisis regresi sederhana, hubungan antara variabel bersifat linier, dimana perubahan pada variabel X akan diikuti oleh perubahan pada variabel Y secara tetap. Sementara pada hubungan non linier, perubahaan variabel X tidak diikuti dengan perubahaan variabel y secara proporsional. seperti pada model kuadratik, perubahan x diikuti oleh kuadrat dari variabel x. Hubungan demikian tidak bersifat linier.

Secara matematis model analisis regresi linier sederhana dapat digambarkan sebagai berikut:

Y = A + BX + e

Y adalah variabel dependen atau respon

A adalah intercept atau konstanta

B adalah koefisien regresi atau slope

e adalah residual atau error

Secara praktis analisis regresi linier sederhana memiliki kegunaan sebagai berikut:

1. Model regresi sederhana dapat digunakan untuk forecast atau memprediksi nilai Y. Namun sebelum melakukan forecasting, terlebih dahulu harus dibuat model atau persamaan regresi linier. Ketika model yang fit sudah terbentuk maka model tersebut memiliki kemampuan untuk memprediksi nilai Y berdasarkan variabel Y yang diketahui. Katakanlah sebuah model regresi digunakan untuk membuat persamaan antara pendapatan (X) dan konsumsi (Y). Ketika sudah diperoleh model yang fit antara pendapatan dengan konsumsi, maka kita dapat memprediksi berapa tingkat konsumsi masyarakat ketika kita sudah mengetahui pendapatan masyarakat.

2. Mengukur pengaruh variabel X terhadap variabel Y. Misalkan kita memiliki satu serial data variabel Y, melalui analisis regresi linier sederhana kita dapat membuat model variabel-variabel yang memiliki pengaruh terhadap variabel Y. Hubungan antara variabel dalam analisis regresi bersifat kausalitas atau sebab akibat. Berbeda halnya dengan analisis korelasi yang hanya melihat hubungan asosiatif tanpa mengetahui apa variabel yang menjadi sebab dan apa variabel yang menjadi akibat.

Model regresi linier sederhana yang baik harus memenuhi asumsi-asumsi berikut:

1. Eksogenitas yang lemah, kita harus memahami secara mendasar sebelum menggunakan analisis regresi bahwa analisis ini mensyaratkan bahwa variabel X bersifat fixed atau tetap, sementara variabel Y bersifat random. Maksudnya adalah satu nilai variabel X akan memprediksi variabel Y sehingga ada kemungkinan beberapa variabel Y. dengan demikian harus ada nilai error atau kesalahan pada variabel Y. Sebagai contoh ketika pendapatan (X) seseorang sebesar Rp 1 juta rupiah, maka pengeluarannya bisa saja, Rp 500 ribu, Rp 600 ribu, Rp 700 ribu dan seterusnya.

2. Linieritas, seperti sudah dijelaskan sebelumnya bahwa model analisis regresi bersifat linier. artinya kenaikan variabel X harus diikuti secara proporsional oleh kenaikan variabel Y. Jika dalam pengujian linieritas tidak terpenuhi, maka kita dapat melakukan transformasi data atau menggunakan model kuadratik, eksponensial atau model lainnya yang sesuai dengan pola hubungan non-linier.

3. Varians error yang konstan, ini menjelaskan bahwa varians error atau varians residual yang tidak berubah-ubah pada respon yang berbeda. asumsi ini lebih dikenal dengan asumsi homoskedastisitas. Mengapa varians error perlu konstan? karena jika konstan maka variabel error dapat membentuk model sendiri dan mengganggu model. Oleh karena itu, penanggulangan permasalahan heteroskedastisitas/non-homoskedastisitas dapat diatasi dengan menambahkan model varians error ke dalam model atau model ARCH/GARCH.

4. Autokorelasi untuk data time series, jika kita menggunakan analisis regresi sederhana untuk data time series atau data yang disusun berdasarkan urutan waktu, maka ada satu asumsi yang harus dipenuhi yaitu asumsi autokorelasi. Asumsi ini melihat pengaruh variabel lag waktu sebelumnya terhadap variabel Y. Jika ada gangguan autokorelasi artinya ada pengaruh variabel lag waktu sebelumnya terhadap variabel Y. sebagai contoh, model kenaikan harga BBM terhadap inflasi, jika ditemukan atukorelasi artinya terdapat pengaruh lag waktu terhadap inflasi. Artinya inflasi hari ini atau bulan ini bukan dipengaruhi oleh kenaikan BBM hari ini namun dipengaruhi oleh kenaikan BBM sebelumnya (satu hari atau satu bulan tergantung data yang dikumpulkan).

Sebetulnya tidak sulit membaca hasil Regresi Linier dari output SPSS. Meskipun banyak sekali hasil yang diberikan, Anda hanya perlu fokus pada tabel yang akan menjawab setiap Rumusan Masalah dan Hipotesis Penelitian.

Sebelumnya pada SUB-BAB Metode Analisis (Lihat Pintasan Panduan), Saya sudah ngebahas tentang uji apa yang dilakukan ketika Anda menggunakan Regresi Linier sebagai metode analisis.

Saya memberikan berbagai contoh yang berbeda-beda. Misalnya, penelitian yang menggunakan 1 variabel bebas (independen) hanya perlu melakukan uji F. Karena hanya ada 1 variabel bebas, maka hasil uji t dan F sudah pasti sama.

Sedangkan jika Anda menggunakan lebih dari 1 variabel bebas, tentu membutuhkan uji t, F, dan Koefisien Determinasi.

Selain itu, baik untuk Regresi Linier Sederhana maupun Berganda, Anda juga harus menginterpretasi model Regresi.

Jadi kita akan mencari tahu nilai-nilai yang dimasukkan kedalam persamaan regresi linier (sederhana): Y = α + βX atau Regresi Linier Berganda Y = α + β1X1 + β2X2

Note: Saya menggunakan contoh sebelumnya dengan Judul Pengaruh Upah dan Gaya Kepemimpinan Terhadap Kinerja Pegawai.

Jadi dalam contoh ini Saya menggunakan Regresi Linier Berganda. Jadi sesuaikan saja jika Anda menggunakan Regresi Linier Sederhana.

Daftar Isi Konten:

• Membaca Hasil Uji F SPSS
• Membaca Hasil Uji t SPSS
  • Ini Bukti: Hasil Sig vs Alpha = t hitung vs t tabel
• Membaca Hasil Koefisien Determinasi SPSS
• Interpretasi Model Regresi Linier SPSS
  • Lalu… Pahami Cara Membaca Model Regresi Linier Itu
• Pintasan Panduan Olah Data Regresi Linier

Membaca Hasil Uji F SPSS

Uji F dalam model Regresi dilakukan untuk mengetahui apakah semua variabel bebas (secara simultan / bersama-sama) mempengaruhi variabel terikat. Dalam bahasa lain, untuk mengetahui apakah berpengaruh signifikan atau tidak.

Misalnya untuk menguji hipotesis ini:

• H0: Variabel Upah dan Gaya Kepemimpinan secara simultan tidak berpengaruh signifikan terhadap Kinerja Karyawan.
• H1: Variabel Upah dan Gaya Kepemimpinan secara simultan berpengaruh signifikan terhadap Kinerja Karyawan.

Umumnya ada 2 cara untuk menjawab hipotesis simultan tersebut yaitu membandingkan Sig dengan Alpha Penelitian atau membandingkan F hitung dengan F Tabel.

Penting! hasil dari ke 2 cara ini sudah pasti sama. Tidak mungkin beda. Jadi pilih salah satu cara saja. Jika Anda tidak yakin sudah pasti sama, silahkan kunjungi SUB-BAB Kesalahan Uji Hipotesis.

Dalam contoh ini, Saya menggunakan Sig vs Alpha Penelitian dengan Alpha penelitian sebesar 0.05 (5%). Dasar pengambilan keputusan uji F menggunakan Sig vs Alpha Penelitian:

• Jika Sig > Alpha Penelitian, maka Terima H0 (Tidak Signifikan).
• Jika Sig < Alpha Penelitian, maka Tolak H0 (Signifikan).

Kemudian untuk menguji hipotesis simultan ini, silahkan fokus pada Kolom Sig. dalam Tabel ANOVA seperti gambar berikut:

Lihat hasilnya, Sig < Alpha Penelitian (0.000 < 0.05). Artinya Tolak H0. Dengan kata lain, Variabel Upah dan Gaya Kepemimpinan secara simultan berpengaruh signifikan terhadap Kinerja Karyawan.

Note: Dalam Membaca Output Regresi SPSS, jika Anda menemukan hasil .000 itu artinya 0.000. Contoh lainnya jika Anda menemukan .034, itu artinya 0.034. Jadi jelas ya… jika ada titik didepan angka, artinya ada 0 sebelum titik itu.

Membaca Hasil Uji t SPSS

Uji t dalam Regresi bertujuan untuk mengetahui pengaruh variabel bebas secara partial (sendiri-sendiri) terhadap variabel terikat.

Karena contoh penelitian ini menggunakan 2 variabel bebas, jadi juga ada 2 hipotesis yang akan dibuktikan kebenarannya.

Cara membaca hasil uji t dalam Regresi SPSS juga sama dengan Uji F. Anda bisa menggunakan perbandingan sig vs alpha penelitian atau t hitung vs t tabel.

Hasil uji t dari Software SPSS bisa Anda lihat pada Tabel Coefficients seperti gambar berikut:

Saya kasih contoh perbandingan Sig vs Alpha untuk Variabel Upah.

Note: Dasar pengambilan keputusannya sama dengan Sig vs Alpha pada contoh Uji F diatas.

Hasilnya Sig < Alpha Penelitian (0.000 < 0.05), artinya Tolak H0. Dengan kata lain, Upah secara partial berpengaruh signifikan terhadap Kinerja Karyawan.

Ini Bukti: Hasil Sig vs Alpha = t hitung vs t tabel

Jika menggunakan t hitung vs t tabel, ini dasar pengambilan keputusannya:

• Jika t hitung < t tabel, maka Terima H0 (Tidak signifikan).
• Jika t hitung > t tabel, maka Tolak H0 (Signifikan).

Lihat, dasar pengambilan keputusan t hitung vs t tabel merupakan kebalikan dari sig vs alpha penelitian.

Untuk menerima H0, t hitung harus < t tabel atau sig > alpha. Jangan kebalik yaa…

Sekarang coba kita buktikan…

Nilai t hitung dapat Anda lihat pada Kolom t dalam Tabel Coefficient diatas.

Untuk Variabel Gaya Kepemimpinan, t hitung = 4.165.

Selanjutnya, untuk mengambil nilai t tabel yang benar, Anda harus menentukan df dan alpha. Dalam contoh ini, Alpha penelitian 5%. Sedangkan nilai df dapat Anda lihat pada Kolom df dalam Tabel ANOVA (baris Residual) seperti gambar berikut:

Kemudian, buka t tabel… Ambil nilai pada df = 68, Alpha 5% untuk Uji 2 Sisi (Two Tailed).

Saya sudah cek, dan ini hasilnya:

t tabel = 1.99547

Penting! Uji hipotesis t ada 2 jenis (1 sisi dan 2 sisi). Dalam t tabel, Anda akan menemukan header 2 baris berdasarkan Alpha penelitian. Baris pertama untuk uji 1 sisi dan baris ke 2 untuk uji 2 sisi. Untuk menambah wawasan, silahkan kunjungi SUB-BAB t Hitung Negatif.

Lanjut untuk pengujian, ini kesimpulannya:

t hitung > t tabel (4.165 > 1.99547), artinya tolak H0. Dengan kata lain, Gaya Kepemimpinan secara partial berpengaruh signifikan terhadap Kinerja Karyawan.

Coba bandingkan dengan hasil Sig vs Alpha untuk variabel Gaya Kepemimpinan yaitu Sig < Alpha Penelitian (0.000 < 0.05). Sama-sama berpengaruh signifikan bukan ?

Jadi… gunakan salah satu cara saja… Better, Saya lebih suka menggunakan Sig vs Alpha dalam membaca hasil Regresi SPSS, karena lebih cepat.

Membaca Hasil Koefisien Determinasi SPSS

Nilai Koefisien Determinasi dari Regresi Linier SPSS dapat Anda lihat dalam Tabel Model Summary > Kolom R atau R Square seperti gambar berikut:

Note: Dalam buku Metode Riset Untuk Ekonomi dan Bisnis (Edisi ke 4) karangan Mudrajad Kuncoro, Gunakan R Square jika ada perubahaan variabel dalam model regresi. Perubahan yang dimaksud bisa berupa pengurangan / penambahan variabel penelitian.

Saya menggunakan Nilai pada Kolom R, yaitu sebesar 0.691. Artinya variasi seluruh variabel bebas dapat mempengaruhi perubahan Variabel Terikat sebesar 0.691 (69.1%). Sedangkan sisanya 30.9% (Note: dari 100% – 69.1%) dipengaruhi oleh variabel lain diluar penelitian.

Ini maksudnya…

Upah dan Gaya Kepemimpinan secara simultan (bersama-sama) dapat mempengaruhi Kinerja Karyawan sebesar 69.1%. Hasil ini signifikan pada alpha 5% berdasarkan hasil uji F.

Ingat ya… Uji F itu untuk mengatahui apakah ada pengaruh signifikan antara variabel bebas dan terikat secara simultan. Sedangkan Koefisien determinasi untuk mengetahui berapa persen pengaruh nya.

Hasil ini bisa Anda masukkan ke dalam kesimpulan penelitian.

Lalu selanjutnya mengetahui besaran dan arah pengaruh dari masing-masing variabel bebas terhadap terikat (uji t) dengan cara Interpretasi Model Regresi Linier.

Interpretasi Model Regresi Linier SPSS

Sebelum membaca hasil Regresi Linier SPSS, pertama-tama, lihat dulu Persamaan Regresi Linier itu Y = α + β1X1 + β2X2.

Dalam Persamaan Regresi Linier, besaran dan arah pengaruh setiap variabel bebas terdapat pada nilai Beta (β) > disebut juga koefisien regresi. Dalam contoh ini β1 dan β2.

Nilai Beta dalam output SPSS dapat Anda lihat pada Kolom Unstandarized Coefficients – B dalam Tabel Coefficients seperti gambar berikut:

Lihat, ada 3 nilai yaitu:

• Constant = 15.382
• Upah = 0.435
• Gaya Kepemimpinan = 0.350

Constant merupakan nilai alpha dari persamaan regresi Y = α + β1X1 + β2X2. Sedangkan untuk baris Upah dan Gaya Kepemimpinan adalah koefisien regresi dari masing-masing variabel bebas (β1 dan β2 dalam persamaan regresi linier).

Jadi, model regresi dalam contoh ini sebagai berikut: Y = 15.382 + 0.435X1 + 0.350X2

Note: Jika Anda mendapatkan Koefisien Regresi bernilai negatif, maka tulis tanda minusnya juga. Ini mempengaruhi arah hubungan.

Misalnya jika β1 = –0.435. Maka persamaan regresinya seperti ini: Y = 15.382 + (-0.435)X1 + 0.350X2 kemudian disederhanakan menjadi seperti ini Y = 15.382 -0.435X1 + 0.350X2. Ini hanya contoh jika koefisien regresi bernilai negatif.

Sementara Saya tetap menggunakan hasil yang sebenarnya Y = 15.382 + 0.435X1 + 0.350X2.

Lalu… Pahami Cara Membaca Model Regresi Linier Itu

Note: Dalam membaca model Regresi Linier, Anda harus mempertimbangkan arah hubungan. Jika positif, pengaruhnya adalah positif. Begitu juga dengan negatif.

Arah hubungan ini bisa Anda lihat (salah satu caranya) dalam persamaan regresi: Y = 15.382 + 0.435X1 + 0.350X2.

Penting! Untuk contoh koefisien regresi bernilai negatif (pengaruh negatif), bisa Anda lihat pada SUB-BAB Hasil Regresi E-Eviews.

Jadi cara baca model regresi untuk contoh ini seperti berikut:

1. α = 15.382. Artinya apabila Upah dan Gaya Kepemimpinan sebesar 0, maka Kinerja Karyawan sebesar 15.382. Hasil ini signifikan pada alpha 5% (Lihat Kolom Sig dan Baris (Constant) pada Tabel Coefficent dari Output SPSS).
2. β1 = 0.435. Artinya dengan asumsi Gaya Kepemimpinan bernilai tetap (tidak berubah), maka setiap peningkatan Upah sebesar 1 Satuan akan meningkatkan Kinerja Karyawan sebesar 0.435. Hasil ini signifikan pada Alpha 5% dari hasil uji t.
3. β2 = 0.350. Artinya dengan asumsi Upah bernilai tetap (tidak berubah), maka setiap peningkatan Gaya Kepemimpinan sebesar 1 Satuan akan meningkatkan Kinerja Karyawan sebesar 0.350. Hasil ini signifikan pada Alpha 5% dari hasil uji t.

Mudah bukan ?

Lalu bagaimana jika ada variabel yang tidak berpengaruh signifikan ? Yaa tetap tidak signifikan.

Dalam kesimpulan, sertakan bahwa “Hasil ini tidak signifikan pada Alpha 5% dari hasil uji t” misalnya.

Penting! Tidak Signifikan itu bukan sebuah masalah. Karena hasil penelitian itu mutlak dan tidak bisa diganggu-gugat selama Anda tidak melakukan kesalahan. Ini sudah Saya bahas pada SUB-BAB Tidak Signifikan.

Kemungkinan Anda akan diminta untuk mencari justifikasi, kenapa bisa tidak signifikan ?

Pintasan Panduan Olah Data Regresi Linier

Panduan Sebelumnya: Proposal (BAB 1 – 3).

1. Regresi Linier: Materi dasar (yang paling dasar) tentang Regresi Linier. Jangan abaikan materi ini, supaya tidak gagal paham.
2. Metode Analisis: Uji apa saja yang wajib dilakukan pada Penelitian Regresi Linier ?

Angket Kuesioner

Jika penelitian Anda menggunakan angket kuesioner, ikuti beberapa panduan berikut sebagai tahap awal dalam analisis data.

1. Tabulasi Data: Membuat tabulasi data dari hasil jawaban responden menggunakan Microsoft Excel berdasarkan skala likert + Gratis Template.
2. Analisis Deskriptif: Langkah-langkah analisis deskriptif data angket kuesioner + Gratis Template Otomatis.
3. Frekuensi Kumulatif: (Sedang disusun).
4. Method Successive Interval: Lakukan MSI untuk mengubah data ordinal (dari skala likert) menjadi data interval sebagai syarat Analisis Regresi Linier.

Selanjutnya, ikuti panduan sesuai software yang Anda gunakan. Saat ini, Saya sudah menyusun panduan dari 2 software.

Regresi SPSS

1. Uji Asumsi Klasik SPSS: Cara uji Asumsi Klasik menggunakan Aplikasi SPSS.
2. Regresi SPSS: Cara Regresi, Uji t, uji F, R2 dan Estimasi Model Regresi menggunakan Aplikasi SPSS
3. Hasil SPSS: (Anda Disini).

Regresi E-Views

1. Uji Asumsi Klasik E-Views: Cara uji Asumsi Klasik menggunakan Aplikasi E-Views
2. Regresi E-Views: Cara Regresi, Uji t, uji F, R2 + Pengambilan keputusan Hipotesis.
3. Hasil E-Views: Cara baca hasil Regresi E-Views (Interpretasi Model Regresi), + R-Square

Panduan Berikutnya: Problem dan Solusi.

pusat panduan skripsi

List Artikel Terbaru

×

"Hidup ini singkat - bermimpilah yang besar dan wujudkan impianmu di tahun 2022 sebaik- baiknya!"

×

Apakah Panduan ini Membantu Menyelesaikan Permasalahan Anda ?

Traktir Saya secangkir kopi supaya kuat begadang untuk membuat konten-konten Panduan yang berkualitas dan membantu menyelesaikan permasalahan Anda.

Berapa jumlah sampel minimal yang dipersyaratkan dalam regresi?

Variabel variabel apa saja yang ada pada model regresi linier?

Uji apa saja yang ada pada regresi linier sederhana?

Uji regresi ada berapa?