Coding python di bawah ini bisa kamu pakai untuk mengolah data regresi berganda. Jika kamu masih belum familiar dengan python, kamu bisa baca terlebih dahulu cara menginstall python di artikel berikut: Cara install dan menjalankan Python di windows untuk data analyst.

Versi Python

Versi python yang saya gunakan adalah 3.13.1. Jenis versi ini perlu kamu ketahui untuk meyakinkan apa yang saya lakukan saat ini sama dengan apa yang kamu peroleh. karena bisa jadi, artikel ini dibaca setelah bertahun-tahun ditulis.

Coding python untuk regresi berganda

mari kita mulai dengan memanggil module yang diperlukan dengan coding dibawah ini:

import pandas as pd
import statsmodels.api as sm
from statsmodels.formula.api import ols

# Load the data
data = pd.read_excel('contoh_data_deepseek.xlsx', sheet_name='Sheet1')

# Define the dependent and independent variables
X = data[['X1', 'X2', 'X3']]  # Independent variables
y = data['Y']  # Dependent variable

Sebelumnya, tentu kita harus siapkan data excel di folder python, data yang akan diregresikan. Kebetulan data yang saya siapkan terdiri dari 3 variabel X seperti kode diatas. setelah proses identifikasi selesai, maka segera kita eksekusi regresi berganda tersebut. berikut codenya:

# Add a constant to the model (for the intercept)
X = sm.add_constant(X)

# Fit the regression model
model = sm.OLS(y, X).fit()

# Print the model summary
print(model.summary())

# Coefficients and p-values
print("\nCoefficients:")
print(model.params)
print("\nP-values:")
print(model.pvalues)

# Diagnostic checks
# Residuals
residuals = model.resid
print("\nResiduals Summary:")
print(residuals.describe())

# Normality of residuals (Shapiro-Wilk test)
from scipy.stats import shapiro
shapiro_test = shapiro(residuals)
print("\nShapiro-Wilk Test for Normality of Residuals:")
print(f"Test Statistic: {shapiro_test[0]}, p-value: {shapiro_test[1]}")

# Multicollinearity (VIF)
from statsmodels.stats.outliers_influence import variance_inflation_factor
vif_data = pd.DataFrame()
vif_data["Variable"] = X.columns
vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
print("\nVariance Inflation Factor (VIF):")
print(vif_data)

Nah, nanti akan memperoleh hasil sebagai berikut:

Kamu tinggal membaca output dan menuliskan pembahasan sesuai tujuan penelitian. Jika kamu masih awam cara membaca hasil regresi berganda, silahkan baca artikel berikut: Regresi Berganda : Solusi masalah r – square yang rendah .

JIka kamu masih juga bingung dengan teknis penggunaan python ini, kamu bisa mampir ke channel catatan budi, melihat lengkap video disana. cukup menjadi member, kamu bisa melihat coding python dipraktekkan dan juga video lain tentang pengolahan data.

Terima Kasih