Regresi Linier Berganda

SAVE OUTFILE='D:\olahdata2012\budiyanto\data reg.sav'

 /COMPRESSED.

SAVE OUTFILE='D:\olahdata2012\budiyanto\data reg.sav'
 /COMPRESSED.

SAVE OUTFILE='D:\olahdata2012\budiyanto\data reg.sav'
 /COMPRESSED.
REGRESSION
 /MISSING LISTWISE
 /STATISTICS COEFF OUTS R ANOVA COLLIN TOL
 /CRITERIA=PIN(.05) POUT(.10)
 /NOORIGIN
 /DEPENDENT Kepuasan
 /METHOD=ENTER Kinerja Harapan
 /RESIDUALS HISTOGRAM(ZRESID) NORMPROB(ZRESID)
 /SAVE RESID.




Regression

Notes
Output Created		05-FEB-2012 22:45:09
Comments
Input	Data	D:\olahdata2012\budiyanto\data reg.sav
	Active Dataset	DataSet0
	Filter	<none>
	Weight	<none>
	Split File	<none>
	N of Rows in Working Data File	80
Missing Value Handling	Definition of Missing	User-defined missing values are treated as missing.
	Cases Used	Statistics are based on cases with no missing values for any variable used.

Notes
Syntax		REGRESSION  /MISSING LISTWISE  /STATISTICS COEFF OUTS R ANOVA COLLIN TOL  /CRITERIA=PIN(.05) POUT(.10)  /NOORIGIN  /DEPENDENT Kepuasan  /METHOD=ENTER Kinerja Harapan  /RESIDUALS HISTOGRAM(ZRESID) NORMPROB(ZRESID)  /SAVE RESID.
Resources	Processor Time	00:00:00.73
	Elapsed Time	00:00:00.70
	Memory Required	1644 bytes
	Additional Memory Required for Residual Plots	648 bytes
Variables Created or Modified	RES_1	Unstandardized Residual

[DataSet0] D:\olahdata2012\budiyanto\data reg.sav

Variables Entered/Removeda
Model	Variables Entered	Variables Removed	Method
1	Harapan, Kinerjab	.	Enter

a. Dependent Variable: Kepuasan

b. All requested variables entered.

Model Summaryb
Model	R	R Square	Adjusted R Square	Std. Error of the Estimate
1	.859a	.738	.731	6.266

a. Predictors: (Constant), Harapan, Kinerja

b. Dependent Variable: Kepuasan

Nilai R square = 0.738 dari tabel di atas menunjukkan bahwa 73.8 % dari varians Kepuasan dapat dijelaskan oleh perubahan dalam variabel Kinerja dan Harapan.

ANOVAa
Model		Sum of Squares	df	Mean Square	F	Sig.
1	Regression	8513.255	2	4256.627	108.417	.000b
	Residual	3023.133	77	39.261
	Total	11536.387	79

a. Dependent Variable: Kepuasan

b. Predictors: (Constant), Harapan, Kinerja

Uji F dimaksudkan untuk menguji apakah variabel-variabel independen secara bersama-sama berpengaruh signifikan terhadap variabel dependen .

Hipotesis:

H0:  variabel-variabel independen secara bersama-sama tidak berpengaruh signifikan terhadap variabel dependen
H1:  variabel-variabel independen secara bersama-sama berpengaruh signifikan terhadap variabel dependen

Dasar Pengambilan Keputusan

Jika probabilitasnya (nilai sig) > 0.05 atau F hitung < F tabel maka H0 tidak ditolak
Jika probabilitasnya (nilai sig) < 0.05 atau F hitung > F tabel maka H0 ditolak

Keputusan:

Pada tabel di atas nilai sig = 0.000 < 0.05, sehingga H0 ditolak, yang berarti variabel-variabel independen secara bersama-sama berpengaruh signifikan terhadap variabel dependen.

Coefficientsa
Model		Unstandardized Coefficients		Standardized Coefficients	t	Sig.	Collinearity Statistics
		B	Std. Error	Beta			Tolerance	VIF
1	(Constant)	12.346	5.693		2.168	.033
	Kinerja	.291	.106	.279	2.739	.008	.329	3.042
	Harapan	.578	.096	.616	6.051	.000	.329	3.042

a. Dependent Variable: Kepuasan

Uji t dimaksudkan untuk menguji apakah variabel independen secara parsial berpengaruh signifikan terhadap variabel dependen.


Hipotesis:

H0:  variabel independen secara parsial tidak berpengaruh signifikan terhadap variabel dependen
H1:  variabel independen secara parsial berpengaruh signifikan terhadap variabel dependen

Dasar Pengambilan Keputusan

Jika probabilitasnya (nilai sig) > 0.05 atau - t tabel < t hitung < t tabel maka H0 tidak ditolak
Jika probabilitasnya (nilai sig) < 0.05 atau t hitung < - t tabel atau t hitung > t tabel maka H0 ditolak

Keputusan:

Pada tabel di atas nilai sig variabel Kinerja dan Harapan masing-masing 0.008 dan 0.000 dimana keduanya < 0.05 sehingga H0 ditolak, yang berarti variabel independen Kinerja dan Harapan secara parsial berpengaruh signifikan terhadap variabel Kepuasan.

Dengan demikian persamaan estimasinya adalah :

Kepuasan = 12.346 + 0.291*Kinerja + 0.578*Harapan





Uji Multikolinearitas

Multikolinearitas (kolinearitas ganda) berarti adanya hubungan linear yang sempurna di antara variabel-variabel bebas dalam model regresi. Korelasi yang kuat antar variabel bebas menunjukkan adanya multikolinearitas. Jika terdapat korelasi yang sempurna di antara variabel bebas, maka konsekuensinya adalah koefisien-koefisien regresi menjadi tidak dapat ditaksir, nilai standard error setiap regresi menjadi tidak terhingga

Ada atau tidak adanya multikolinearitas dapat dilihat dari nilai tolerance yang lebih dari 0.1 atau VIF yang kurang  dari 10.

Kesimpulan:
Berdasarkan nilai VIF yang berada di antara 0.1 dan 10, dan nilai tolerance > 0.1, disimpulkan tidak terjadi multikolinieritas antar variabel independen.

Collinearity Diagnosticsa
Model	Dimension	Eigenvalue	Condition Index	Variance Proportions
				(Constant)	Kinerja	Harapan
1	1	2.987	1.000	.00	.00	.00
	2	.010	16.917	.96	.05	.14
	3	.003	31.404	.04	.95	.86

a. Dependent Variable: Kepuasan

Residuals Statisticsa
	Minimum	Maximum	Mean	Std. Deviation	N
Predicted Value	73.17	108.78	92.91	10.381	80
Residual	-16.145	18.726	.000	6.186	80
Std. Predicted Value	-1.902	1.529	.000	1.000	80
Std. Residual	-2.577	2.989	.000	.987	80

a. Dependent Variable: Kepuasan

Charts


Secara penampakan visual residual berdistribusi normal.




NPAR TESTS
 /K-S(NORMAL)=RES_1
 /MISSING ANALYSIS.




NPar Tests

Notes
Output Created		05-FEB-2012 22:45:36
Comments
Input	Data	D:\olahdata2012\budiyanto\data reg.sav
	Active Dataset	DataSet0
	Filter	<none>
	Weight	<none>
	Split File	<none>
	N of Rows in Working Data File	80
Missing Value Handling	Definition of Missing	User-defined missing values are treated as missing.
	Cases Used	Statistics for each test are based on all cases with valid data for the variable(s) used in that test.
Syntax		NPAR TESTS  /K-S(NORMAL)=RES_1  /MISSING ANALYSIS.
Resources	Processor Time	00:00:00.02
	Elapsed Time	00:00:00.02
	Number of Cases Alloweda	196608

a. Based on availability of workspace memory.

[DataSet0] D:\olahdata2012\budiyanto\data reg.sav

One-Sample Kolmogorov-Smirnov Test
		Unstandardized Residual
N		80
Normal Parametersa,b	Mean	0E-7
	Std. Deviation	6.18607352
Most Extreme Differences	Absolute	.050
	Positive	.050
	Negative	-.038
Kolmogorov-Smirnov Z		.446
Asymp. Sig. (2-tailed)		.989

a. Test distribution is Normal.

b. Calculated from data.

Uji normalitas (uji Kolmogorov- Smirnov)
Uji normalitas adalah untuk melihat apakah nilai residual terdistribusi normal atau tidak. Model regresi yang baik adalah memiliki nilai residual yang terdistribusi normal. Jadi uji normalitas bukan dilakukan pada masing-masing variabel tetapi pada nilai residualnya.

Hipotesis:

H0:  data berdistribusi normal
H1:  data tidak berdistribusi normal

Dasar Pengambilan Keputusan

Jika probabilitasnya (nilai sig) > 0.05 maka H0 tidak ditolak
Jika probabilitasnya (nilai sig) < 0.05 maka H0 ditolak

Keputusan:

Pada tabel di atas nilai sig = 0.989 > 0.05, sehingga H0 tidak ditolak, yang berarti data residual berdistribusi normal.

COMPUTE AbsRes=abs(RES_1).
EXECUTE.
REGRESSION
 /MISSING LISTWISE
 /STATISTICS COEFF OUTS R ANOVA COLLIN TOL
 /CRITERIA=PIN(.05) POUT(.10)
 /NOORIGIN
 /DEPENDENT AbsRes
 /METHOD=ENTER Kinerja Harapan.




Regression

Notes
Output Created		05-FEB-2012 22:46:17
Comments
Input	Data	D:\olahdata2012\budiyanto\data reg.sav
	Active Dataset	DataSet0
	Filter	<none>
	Weight	<none>
	Split File	<none>
	N of Rows in Working Data File	80
Missing Value Handling	Definition of Missing	User-defined missing values are treated as missing.
	Cases Used	Statistics are based on cases with no missing values for any variable used.
Syntax		REGRESSION  /MISSING LISTWISE  /STATISTICS COEFF OUTS R ANOVA COLLIN TOL  /CRITERIA=PIN(.05) POUT(.10)  /NOORIGIN  /DEPENDENT AbsRes  /METHOD=ENTER Kinerja Harapan.

Notes
Resources	Processor Time	00:00:00.03
	Elapsed Time	00:00:00.03
	Memory Required	1676 bytes
	Additional Memory Required for Residual Plots	0 bytes

[DataSet0] D:\olahdata2012\budiyanto\data reg.sav

Variables Entered/Removeda
Model	Variables Entered	Variables Removed	Method
1	Harapan, Kinerjab	.	Enter

a. Dependent Variable: AbsRes

b. All requested variables entered.

Model Summary
Model	R	R Square	Adjusted R Square	Std. Error of the Estimate
1	.183a	.034	.008	3.76959

a. Predictors: (Constant), Harapan, Kinerja

ANOVAa
Model		Sum of Squares	df	Mean Square	F	Sig.
1	Regression	38.015	2	19.007	1.338	.268b
	Residual	1094.155	77	14.210
	Total	1132.170	79

a. Dependent Variable: AbsRes

b. Predictors: (Constant), Harapan, Kinerja

Coefficientsa
Model		Unstandardized Coefficients		Standardized Coefficients	t	Sig.	Collinearity Statistics
		B	Std. Error	Beta			Tolerance	VIF
1	(Constant)	10.326	3.425		3.015	.003
	Kinerja	-.061	.064	-.187	-.957	.341	.329	3.042
	Harapan	.001	.057	.005	.024	.981	.329	3.042

a. Dependent Variable: AbsRes

Uji Heteroskedastisitas

Heteroskedastisitas adalah kondisi dimana seluruh faktor gangguan tidak memiliki varian yang sama. Heteroskedastisitas akan menyebabkan penaksiran koefisien-koefisien regresi menjadi tidak efisien.

Pendeteksian ada tidaknya heteroskedastisitas mengunakan uji Glejser yang meregresikan nilai absolute residual terhadap variabel independen.

Hipotesis:

H0:  tidak terjadi heteroskedastisitas
H1:  terjadi heteroskedastisitas

Dasar Pengambilan Keputusan

Jika probabilitasnya (nilai sig) > 0.05 maka H0 tidak ditolak
Jika probabilitasnya (nilai sig) < 0.05 maka H0 ditolak

Keputusan:

Pada tabel di atas nilai sig variabel Kinerja dan Harapan masing-masing 0.341 dan 0.981 dimana keduanya > 0.05, sehingga H0 tidak ditolak, yang berarti tidak terjadi heteroskedastisitas pada kedua variabel tersebut.

Collinearity Diagnosticsa
Model	Dimension	Eigenvalue	Condition Index	Variance Proportions
				(Constant)	Kinerja	Harapan
1	1	2.987	1.000	.00	.00	.00
	2	.010	16.917	.96	.05	.14
	3	.003	31.404	.04	.95	.86

a. Dependent Variable: AbsRes

Apakah Membantu? Like Fanspage Kami!

Atau Share Artikel Ini