Regresi Berganda merupakan suatu analisis yang dilakukan terhadap variabel dependen/ variabel terikat dan dua atau lebih variabel bebas atau independen. Berbeda dengan regresi sederhana yang hanya memiliki satu variabel independen dan satu varaibel dependen.
Beberapa artikel telah saya tulis untuk menjelaskan bagaimana cara memproses regresi berganda, namun masih banyak yang bertanya “bagaimana cara meningkatkan r square pada output regression tersebut?” untuk memuaskan hati pembaca belajar menulis, saya akan menambah satu artikel yang berisi rangkuman dari beberapa artikel terdahulu agar lebih sitematis dan terarah bagaimana kaitan antara satu artikel dengan yang lainnya.
Membaca hasil output Regresi Berganda Pada SPSS
Sebelum menjawab pada pokok permasalahan meniingkatkan r square, saya akan mengulas singkat bagaimana kita membaca hasil output regresi berganda dengan SPSS atau minitab. Karena langkah langkah membaca hasil output regresi berganda pun sebenarnya tidak sembarangan. Anda tidak boleh buru – buru melihat r – square. Anda juga tidak boleh langsung melihat konstanta signifikan atau tidak dengan tingkat alpha 5%. Perhatikan step by step, jika step awal tidak memenuhi syarat, maka percuma hasilnya meskipun banyak konstanta yang signifikan dengan nilai p-value dibawah 5%.
Model regresi yang baik
Langkah pertama dalam membaca output regression adalah penilaian model. Penilaian model ini terdiri dari 2 tahap. Tahap pertama melihat nilai signifikan pada f test. Model dikatakan baik apabila nilai p – value pada annova lebih kecil dari 0.05. Tahap kedua yakni melihat r square. R square juga disebut sebagai koefisien determinasi yang menjelaskan seberapa jauh data dependen dapat dijelaskan oleh data independen. R square bernilai antar 0 – 1 dengan ketentuan semakin mendekati angka satu berarti semakin baik. Jika r square bernilai 0.6, berarti 60% sebaran variabel dependen dapat dijelaskan oleh variabel independen. Sisanya 40% tidak dapat dijelaskan oleh variabel independen atau dapat dijelaskan oleh variabel diluar variabel independen (komponen error). Sehingga tidak aneh jika nilai r – square kecil, artinya komponen error yang besar.
Signifikansi pada koefisien
Jika model sudah mendapat prediket baik dan disimpulkan dapat memenuhi syarat untuk mewakili hubungan antara variabel independen dan variabel dependen, barulah kita melangkah kebagian selanjutnya yakni mengetahui variable manakah yang signifikan mempengaruhi variabel dependennya. Hal ini dapat dilihat pada tabel coefficients pada keluaran output spss. Tabel ini berisi konstanta setiap variabel independen (pada kolom B) berikut tingkat standard errornya.
Hal yang paling penting bagi pengguna terapan pada tabel ini adalah nilai t dan signifikan di akhir kolom. Koefisien yang memiliki nilai sig dibawah 0.05 adalah koefisien yang secara nyata mempengaruhi variabel dependen. Adapun arah hubungannya bergantung pada tanda negatif atau positif pada nilai B (nilai koefisien). Jika positif berarti hubungannya searah, jika negatif berarti hubungannya berlawanan arah.
Jenis skala pada variabel independen umunya adalah rasio atau data continue. Namun sangat dimungkinkan apabila satu dari beberapa variabel independen berbentuk skala nominal, anda mengenalnya sebagai variabel dummy dalam regression. Saya telah membahas dalam artikel mengenal dummy dalam regresi.
Cara meningkatkan nilai R square
Kembali ke topik utama penulisan artikel ini, bagaimana cara meningkatkan nilai r square pada regresi berganda? Sebenarnya pertanyaan meningkatkan nilai r square tidak bisa dijawab dengan satu atau dua paragraf jawaban karena biasanya setiap kasus berbeda permasalahan. Untuk itu, saya memberikan beberapa tips yang dapat membantu anda untuk mengevaluasi lagi data dan analisis yang telah anda lakukan. Berikut beberapa masalah yang mungkin menyebabkan nilai r square rendah
Tidak mengikuti kaidah uji asumsi klasik.
Pada artikel yang berjudul Uji asumsi klasik part 1 dan uji asumsi klasik part 2, saya membahas tentang prasyarat data yang harus dipenuhi sebelum melakukan analisis regressio. Pastikan data anda memenuhi syarat linearitas, multikolinearitas, normalitas, dan heteroskedastisitas.
Ada data pengganggu (data pencilan)
Data pencilan membuat banyak hal yang berbeda. Amati setiap data dalam variabel sehingga anda memiliki data yang siap untuk dianalisis. Metode eliminasi data sudah saya jelaskan pada artikel yang berjudul : Cara eliminasi data responden untuk mendapatkan model regression yang lebih baik.
Selain itu, cara eliminasi juga bisa dilakukan dengan mengeliminasi variabel, ataupun mengeliminasi responden berdasarkan konsep r square
Multikolinearitas
Meskipun multikolinearitas sudah saya jelaskan dalam uji asumsi klasik, namun terkadang pasangan – pasangan variabel yang tidak sesuai menyebabkan r square tidak maksimal. Perlu ada upaya untuk mendapatkan pasangan yang tepat untuk menghindari multikoliner. Artikel : Cara mengeliminasi variabel pada regresi, akan membantu anda membuat beberapa alternatif variabel-varaiabel yang tepat untuk mendeskripsikan nilai variabel dependen.
Data tidak linear
Data yang tidak linear tentu akan sulit diregresi mengingat regresi mengikuti kaidah linear. Ada trik tertentu yang dapat mengubah data yang tidak linear menjadi seolah linear kemudian dianalisis menggunakan regression. Saya telah membahasnya pada artikel yang berjudul : Tehnik setrika data pada regresi.
Regresi dapat dikembangkan menjadi sebuah elastisitas. Jika regression hanya mengisyaratkan sebuah perubahan akibat satu satuan perubahan variabel independen, maka elastisitas menjelaskan persentase perubahan variable dependen karena adanya persentase perubahan variabel independen. Elastisitas sangat baik membahas kebijakan karena membahas proporsi, bukan satuan. Saya telah membahasnya di dalam artikel elastisitas pada regresi. Regression dan elastisitasnya sudah saya terapkan dalam tulisan yang berjudul Elastisitas harga dan pengaruh impor kedelai terhadap produksi dalam negeri dalam bentuk naskah prosiding dan naskah jurnal yang berjudul Pengaruh Luas Lahan dan Pupuk Bersubsidi terhadap produksi padi nasional.
Demikian rangkuman tentang regresi berganda,
Terima kasih telah berkunjung
Selamat Belajar
Kumpulan artikel tentang regresi
Data analyst sekaligus researcher. Pernah mendalami production scheduling dalam manufacture. Melalui blog ini menyalurkan hobi menjadi statistical consulting dan menghimpun statistical process control software.
