Analisis SPSS
Saturday, August 11, 2012

Regresi Linear Sederhana dengan SPSS

Contoh Regresi Linier Sederhana dengan SPSS


Artikel ini akan mengupas contoh regresi linier sederhana dengan SPSS menggunakan data regresi yang dipakai seperti pada perhitungan korelasi. Analisis regresi linear sederhana merupakan salah satu metode regresi yang dapat dipakai sebagai alat inferensi statistik untuk menentukan pengaruh sebuah variabel bebas (independen) terhadap variabel terikat (dependen). Uji Regresi linear sederhana ataupun regresi linier berganda pada intinya memiliki beberapa tujuan, yaitu:
  1. Menghitung nilai estimasi rata-rata dan nilai variabel terikat berdasarkan pada nilai variabel bebas.
  2. Menguji hipotesis karakteristik dependensi
  3. Meramalkan nilai rata-rata variabel bebas dengan didasarkan pada nilai variabel bebas diluar jangkaun sample.

Pada analisis regresi sederhana dengan menggunakan SPSS ada beberapa asumsi dan persyaratan yang perlu diperiksa dan diuji, beberapa diantaranya adalah :
  1. Variabel bebas tidak berkorelasi dengan disturbance term (Error). Nilai disturbance term sebesar 0 atau dengan simbol sebagai berikut: (E (U / X) = 0,
  2. Jika variabel bebas lebih dari satu, maka antara variabel bebas (explanatory) tidak ada hubungan linier yang nyata,
  3. Model regresi dikatakan layak jika angka signifikansi pada ANOVA sebesar < 0.05, • Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan ini diketahui jika angka Standard Error of Estimate < Standard Deviation,
  4. Koefisien regresi harus signifikan. Pengujian dilakukan dengan Uji T. Koefesien regresi signifikan jika T hitung > T table (nilai kritis),
  5. Model regresi dapat diterangkan dengan menggunakan nilai koefisien determinasi (KD = r2 x 100%) semakin besar nilai tersebut maka model semakin baik. Jika nilai mendekati 1 maka model regresi semakin baik,
  6. Residual harus berdistribusi normal ,
  7. Data berskala interval atau rasio,
  8. Kedua variabel bersifat dependen, artinya satu variabel merupakan variabel bebas (variabel predictor) sedang variabel lainnya variabel terikat (variabel response) Berikut ini contoh perhitungan regresi linier sederhana menggunakan software SPSS 20.

Proses mulai dengan memilih menu Analyze, kemudian pilih Linear,

Menu Regresi Linear SPSS
Menu Regresi Linear SPSS

Pilih variabel Y sebagai variabel dependen (terikat) dan X1 sebagai variabel independen (bebas) lalu klik tombol OK,

Proses Regresi Linear SPSS
Proses Regresi Linear SPSS

Output SPSS akan menampilkan hasil berupa 4 buah tabel yaitu;
  1. Tabel variabel penelitian,
  2.  Ringkasan model (model summary),
  3. Tabel Anova, dan
  4. Tabel Koefisien.

Output Regresi Linear SPSS
Output Regresi Linear SPSS

Cara membaca output spss hasil uji regresi linier tersebut adalah :
  1. Tabel pertama menunjukkan variabel apa saja yang diproses, mana yang menjadi variabel bebas dan variabel terikat.
  2. Tabel kedua menampilkan nilai R yang merupakan simbol dari nilai koefisien korelasi. Pada contoh diatas nilai korelasi adalah 0,342. Nilai ini dapat diinterpretasikan bahwa hubungan kedua variabel penelitian ada di kategori lemah. Melalui tabel ini juga diperoleh nilai R Square atau koefisien determinasi (KD) yang menunjukkan seberapa bagus model regresi yang dibentuk oleh interaksi variabel bebas dan variabel terikat. Nilai KD yang diperoleh adalah 11,7% yang dapat ditafsirkan bahwa variabel bebas X1 memiliki pengaruh kontribusi sebesar 11,7% terhadap variabel Y dan 88,3% lainnya dipengaruhi oleh faktor-faktor lain diluar variabel X1.
  3. Tabel ketiga digunakan untuk menentukan taraf signifikansi atau linieritas dari regresi. Kriterianya dapat ditentukan berdasarkan uji F atau uji nilai Signifikansi (Sig.). Cara yang paling mudah dengan uji Sig., dengan ketentuan, jika Nilai Sig. < 0,05, maka model regresi adalah linier, dan berlaku sebaliknya. Berdasarkan tabel ketiga, diperoleh nilai Sig. = 0,140 yang berarti > kriteria signifikan (0,05), dengan demikian model persamaan regresi berdasarkan data penelitian adalah tidak signifikan artinya, model regresi linier tidak memenuhi kriteria linieritas.
  4. Tabel keempat menginformasikan model persamaan regresi yang diperoleh dengan koefisien konstanta dan koefisien variabel yang ada di kolom Unstandardized Coefficients B. Berdasarkan tabel ini diperoleh model persamaan regresi : Y =38,256 + 0,229 X1.
Agar anda memahami artikel ini, pelajari juga tentang Uji F dan Uji T: "Uji F dan Uji T" dan "Interprestasi Regresi Linear Berganda dengan Minitab"





35 comments :

  1. maaf.. nilai y x1 x2 x3 darimana ya?semisal data dasar yang kita gunakan seperti yang mas contohkan pada uji validitas&reabilitas, gmn caranya? maklum baru kenal sama variabel help me! thank's

    ReplyDelete
    Replies
    1. Berasal dari banyak kemungkinan, tentunya tergantung pada definisi operasional anda

      Delete
  2. mas, mau tanya soal maksud dari angka angka yang ditabel anova itu gmna ya?
    saya disuruh dosen saya untuk menambahkan penjelasan maksud dari angka angka pada tabel anova tsb.

    makasih

    ReplyDelete
    Replies
    1. Istilah mean of squares dalam ANOVA tidak lain adalah rerata kuadrat skor simpangannya yang menunjukkan variansi suatu distribusi yang diamati. Mean of squares ini diperoleh dari jumlah kuadrat skor simpanganya atau yang dikenal dengan istilah Sum of Squares dibagi dengan jumlah sampelnya.
      Sum of Squares adalah sebuah teknik statistik yang digunakan dalam analisis regresi . Sum of Squares adalah pendekatan matematis untuk menentukan penyebaran data points. Dalam analisis regresi, tujuannya adalah untuk menentukan seberapa baik serangkaian data yang dapat dipasang ke fungsi yang mungkin membantu menjelaskan bagaimana seri data yang dihasilkan. Sum of Squares digunakan sebagai cara matematis untuk menemukan fungsi yang paling sesuai dari data.
      Ada dua metode analisis regresi yang menggunakan Sum of Squares: metode kuadrat terkecil linier dan metode kuadrat terkecil non - linear. Kuadrat terkecil mengacu pada fakta bahwa fungsi regresi meminimalkan jumlah kuadrat dari varians dari titik data aktual.
      DF adalah degree of freedom atau derajat kebebasan. Pada uji F, DF 1 adalah jumlah variabel - 1, sedangkan DF 2 adalah jumlah sample - jumlah variable.
      F adalah nilai F hitung. Nilai ini untuk menjawab hipotesa, jika nilai F hitung > F tabel DF 1 dan DF 2 tertentu dan probabilitas tertentu, maka keputusan terhadap hipotesa adalah menolak H0.
      Sig. adalah nilai P value atau derajat probabilitas hasil pengujian uji F. Pada penelitian dengan derajat kemaknaan 95% maka nilai Sig < 0,05 berarti ada pengaruh variabel independen terhadap variabel dependen atau yang berarti menolak H0 dan menerima H1.

      Delete
    2. assalamualaikum,
      pak saya mau bertanya :

      1. pak, katanya dalam penghitungan regresi linier berganda, data ordinal harus di intervalkan dulu ya?

      2. yg di intervalkan itu tiap-tiap hasil item pernyataan seperti nilai 5,,4,3,2,1 masing-masing di intervalkan

      3. atau jumlah yang menjawab 5 baru di intervalkan ,4, baru di intervalkan 3 di intervalkan ,2 di intervalkan , 1 baru di intervalkan (sari variabel x1, misalkan?)

      Delete
    3. Apabila satu variabel terdiri dari 1 item soal, maka harus ditransformasi. Jika satu variabel terdiri dari lebih dari 1 item soal, maka tidak perlu ditransformasi.

      Delete
  3. Malam Pak.
    Saya mau bertanya soalnya lagi bingung banget. Hehhe

    Saya melakukan penelitian dengan menggunakan regresi linear sederhana. Setelah saya running datanya, nilai anova saya diatas 0,05. Apa itu artinya model regresi saya ga bisa di pakai?

    ReplyDelete
    Replies
    1. Sig Uji F > 0,05 artinya variabel-variabel bebas tidak terbukti berpengaruh secara bermakna terhadap variabel terikat. Uji regresi linear adalah upaya mencari atau membentuk model prediksi prediksi yang terbaik. Maka dengan data anda yang ada, tidak dapat membentuk model prediksi yang terbaik. Model terbaik adalah model yang bersifat BLUE (Best Linear Unbiased Estimation).

      Delete
  4. Jadi kira-kira apa ada solusi yang bisa dilakukan utk mengatasi hal tersebut?
    Saya meneliti tentang pengaruh intellectual capital terhadap ROA perusahaan.

    ReplyDelete
    Replies
    1. Jawabannya adalah menolak H1 dan menerima H0.

      Delete
  5. solusi apa jika menggunakan 40 responden untuk analisanya?regresi linier atau korelasi? buku refrensi yang dapat saya jadikan refrensi kira kira apa ya mas?
    trimaksih

    ReplyDelete
  6. kira kira kalau ada 40 responden, analisa apa yang harus saya gunakan?regresi linier sederhana atau analisa korelasi?variabel saya ada 2.yaitu varibel X dan variabel Y.
    trimakasih

    ReplyDelete
    Replies
    1. Bila korelasi signifikan, bisa dilanjutkan uji regresi untuk membentuk model prediksi Y.

      Delete
  7. Makasih buat ilmunya mas, dah ngerti saya

    ReplyDelete
  8. mas, mau tanya soal maksud dari angka-angka yang ditabel coefficient itu gimana ya?
    saya disuruh dosen untuk menambahkan penjelasan maksud dari angka-angka pada tabel coefficient tersebut. thx

    ReplyDelete
    Replies
    1. Maksudnya adalah untuk menilai pengaruh dan korelasi parsial masing-masing variabel bebas terhadap variabel terikat. Nilai t adalah hasil uji t parsial yaitu pengaruh parsial variabel bebas terhadap variabel terikat. Sig adalah probabilitas dari uji t parsial. Nilai B adalah koefisien, yaitu besarnya pengaruh parsial variabel bebas. Sedangkan standart error adalah standart error dari nilai B. Standardized Coefficient adalah nilai B yang memperhatikan standart error. Selebihnya adalah nilai-nilai koefisien korelasi parsial dan koefisien regresi parsial.

      Delete
    2. Pak, say udh coba pake sps. Fhitung saya adalah 76,768. Kok besar sekali? Itu karena data saya yg besar atau memang salah hitung pak? Ftabel nya saya cari sendiri pake rumus dptlah 26,6. Benar gk itu pak?

      Delete
    3. F Hitung jauh lebih besar f tabel itu biasa. Tapi untuk mengetahui apakah anda salah atau tidak dalam menghitung, saya tidak bisa tahu sebelum melihat dan menganalisis data anda

      Delete
  9. mas, mau nanya kalo ada beberapa pertanyaan yang mewakili 1 variabel independent. Bagiaman caranya?? apakah saya harus menggabungkan nilai dari 4 pertanyaan tsb, baru saya regresikan dengan variabel dependent??. kalo contoh yang mas sampaikan, kan satu lawan satu. tks

    ReplyDelete
    Replies
    1. Regresi linear itu menguji variabel dengan variabel, jadi bukan item soal dengan item soal. Oleh karenanya anda harus menggunakan variabel. Apakah variabel itu dibentuk oleh jumlah atau rata-rata dari beberapa item soal, itu perkara lain, jadi jangan dimasukkan ke dalam logika uji regresi. melainkan dalam ranah logika desain penelitian atau lebih tepatnya definisi operasional penelitian anda.

      Delete
  10. ohhh... begitu mas. Terima kasih mas.
    Jadi untuk pembentukan variabel yang diwakilkan oleh beberapa pertanyaan itu. Lebih bagus dengan cara dijumlahkan atau dirata-ratakan mas??? tks

    ReplyDelete
    Replies
    1. Sama saja, tapi kalau 1 variabel di jumlahkan ya semua harus dijumlahkan.

      Delete
  11. oke terima kasih mas, atas pencerahannya...

    ReplyDelete
  12. mf pak,,kalau Adjusted R negtif apa artinya??
    bgaimana cra mnggantinya biar bs postif??

    ReplyDelete
    Replies
    1. Artinya variabel-variabel yang anda masukkan ke dalam model regresi, secara simultan tidak berpengaruh terhadap Variabel Terikat, dan terlalu rendah pengaruhnya sehingga menyebabkan standart error yang besar. Maka anda harus memilah variabel bebasnya, jadi hanya variabel bebas yang linear saja yang dimasukkan. dan selanjutnya gunakan metode stepwise.

      Delete
  13. Pagi Mas,
    saya mau tanya, apa hasil dari penelitian regresi linear berganda harus sama dengan hasil uji T?
    Karena hasil penelitan regresi linear berganda, penelitian saya memiliki 7 variabel independen dan beberapa variabel independen berpengaruh signifikan terhadap variabel dependennya, tetapi setelah uji T, hanya 2 variabel saja yang berpengaruh signifikan terhadap variabel dependennya. yang saya bingungkan, saya melihat dibeberapa referensi skripsi hasil dari regresi linear berganda sama dengan hasil uji T, tapi mengapa hasil pengujian dari data saya berbeda? Mohon penjelasannya.

    Regards,
    Hanni

    ReplyDelete
    Replies
    1. Yang anda maksud adalah t parsial. Uji Regresi Linear berganda menampilkan banyak uji, antara lain: uji t, F, R, R Square, Adjusted R Square, Koefisien Beta, dll.

      Delete
  14. sore pak,
    saya mau tanya, saya menggunakan penelitian satu variabel bila menggunakan spss apa saja yang di perlukan dalam perhitungannya selain regresi sederahana???

    ReplyDelete
    Replies
    1. Asumsi klasiknya. Baca artikel-artikel saya tentang asumsi klasik regresi linear: normalitas, homoskedastisitas, autokorelasi, linearitas dan multikolinearitas.

      Delete
    2. bagaimana kalau 2 variabel tapi x ada satu dan y ada tiga?
      mohon bantuannya?

      Delete
    3. Maksud anda 4 variabel, yaitu x, y1, y2 dan y3. Anda bisa menggunakan uji Multivariate Regression dan menggunakan aplikasi STATA

      Delete
  15. mas.. mau tanya.. penelitian saya menggunakan 2 variabel bebas namun menggunakan regresi sederhana.. diperbolehkan atau tidak.. kemudian bagaimana saya melakukan uji linieritas apabila hasilnya tidak linier? akan berpengaruh ke mana nantinya ?

    ReplyDelete
    Replies
    1. Boleh, tetapi ada 2 regresi linear sederhana, yaitu model X1 terhadap Y dan model x2 terhadap y. Jika tidak linear, bisa ditingkatkan linearitasnya dengan transformasi atau variabel yang tidak linear dikeluarkan dari model

      Delete
  16. maaf saya ingin tanya, jika data yang digunakan ordinal apa bisa menggunakan teknik analisis regresi linear sederhana dan regresi linear ganda? terima kasih

    ReplyDelete
    Replies
    1. Tidak bisa dan sebaiknya gunakan uji regresi ordinal

      Delete

Tinggalkan Komentar Anda Di Sini

Analisis SPSS