Jika minitab memiliki kombinasi variabel untuk menghitung R squared, SPSS memiliki kurva estimasi regresi untuk membantu anda menemukan kira kira model apa yang memungkinkan pada regresi. Opsi ini juga akan membantu kita apakah data yang kita miliki mengarah kepada regresi nonlinear. Yuk kita pelajari bersama manfaat dari salah satu menu di SPSS ini.

Ketika kita membaca tentang penjelasan regresi nonlinear, asumsi yang digunakan pada regresi tersebut adalah kita sudah mengetahui perkiraan model yang akan digunakan. Dalam arti lain, kita memiliki kandidat kandidat yang akan diuji coba dalam proses run regresi nonlinear tersebut.

Permasalahan yang kita jumpai saat melihat data baik di sisi dependen atau pun independen variabel adalah: seperti apa kandidat model yang cukup tepat untuk menghubungkan keduanya? Jika kita memiliki data produksi, mungkin akan langsung berpikir fungsi produksi cob douglas, tapi jika yag kita hadapi adalah kepuasan pelanggan versus kedisiplinan? Keduanya mungkin masih sedikit referensi dalam model.

Itulah kegunaan dari kurva estimasi ini. Oleh sebab itu, hilangkan dulu sementara bahwa setiap regresi adalah linear. Banyak pilihan atau kemungkinan yang terjadi pada data yang anda miliki saat ini. Jangan terpaku hanya dengan satu model persamaan linear sedangkan persamaan yang lain bisa saja memiliki kinerja yang lebih baik.

Latihan kurva estimasi regresi

Saya memiliki dat afiktif yang akan menjadi latihan kita kali ini, data tersebut adalah data random yang saya buat, terdiri dari dua variabel; X dan Y,  dan saya tidak mengetahui apa hubungan keduanya.

Menu untuk menggunakan kurva estimasi terletak pada : analyze-regression-kurve esimation

Selanjutnya kita masukkan Y sebagai dependen variabel, dan X sebagai independen variabel. Kita checklist semua model yang ada disana karena kita memang belum tau model apa yang sesuai. Jangan lupa checklist juga display anova tabel untuk mengetahui uji F dari setiap persamaan. Khusus untuk pilihan logistic kita memasukkan upper bound atau batas atas atau nilai limit atasnya ( baca: semua tentang regresi logistik). Klik OK untuk melihat hasilnya.

Hasil atau output yang dikeluarkan SPSS sangat banyak dan panjang karena melibatkan semua model persamaan yang kita masukkan. Kita akan bahas sekilas karena pada intinya membaca laporannya tidak jauh berbeda.

Membaca output kurva estimasi regresi

Pertama yang akan kita bahas adalah model linear. Hasilnya adalah sebagai berikut:

R squared yang diperoleh menghasilkan 0.97 artinya terdapat 97 persen nilai Y yang berhasil diproyeksikan dengan tepat oleh nilai X, hanya 3 persen terjadi error. Nilai ini sangat tinggi. hasil F test dan t test juga baik karena memiliki hasil dibawah 0.05 atau 5 persen.

Model kedua yang akan kita bahas adalah model logaritma. Hasil yang diperoleh adalah sebagai berikut:

R squared memiliki nilai 82.5 persen, sedikit lebih bawah dibandingkan regresi linear. Pada uji t, terlihat variabel x sudah berubah menjadi ln(X) manandakan bahwa model yang terjadi adalah Y= a+b ln(X). sesuai dengan model yang kita kehendaki.

Model selanjutnya adalah model inverse:

R squared untuk model invers lebih rendah, yakni 60.2 persen. Model invers Y= a+b.1/X. adapun cara membaca f test dan t test tentu sudah tidak perlu dibahas lagi.

Model berikutnya adalah model kuadratic dengan hasil sebagai berikut:

Model dengan r squared yang sempurna, 100 persen mengindikasikan bahwa model ini terbaik diantara model yang lain, bahkan bila dibandingkan dengan model linear. Meskipun perlu diperiksa lebih lanjut apakah model ini terkena over fit atau tidak. Nilai uji t pada variabel X dan X kuadratnya pun signifikan.

Berdasarkan nilai R squared yang diperoleh maka bisa dicurigai bahwa model yang saya gunakan pada latihan ini memiliki model hubungan kuadratic. Saya tidak membahas model yang lain karena nilia R squarednya dibawah model diatas, dan cara membaca outputnya pun sama. Namun ada yang menarik di baian akhir, yakni chart dari keseluruhan model yang digabungkan menjadi satu.

Sangat indah bukan? Begitu banyak model yang bisa anda gunakan, mengapa anda selalu berpikir jika regresi itu linear?

Selamat belajar!