Penjelasan dan Tutorial Lengkap Regresi Berganda

Posted on

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 regresi 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%.

regresi berganda
hasil output spss

Model regresi yang baik

Langkah pertama dalam membaca output regresi 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.

agungbudisantoso.com
terima kasih telah berkunjung ke blog ini

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 regresi. 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 regresi. 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 regresi 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 regresi. Saya telah membahasnya pada artikel yang berjudul : Tehnik setrika data pada regresi.

Regresi dapat dikembangkan menjadi sebuah elastisitas. Jika regresi 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. Regresi 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
Gravatar Image
Peneliti bidang sosial ekonomi pertanian. Pernah bekerja di bidang supply chain. Detil info silahkan kunjungi laman about me.

21 thoughts on “Penjelasan dan Tutorial Lengkap Regresi Berganda

  1. Assalamualaikum Wr.Wb
    Pak maaf mau tanya, kan nilai r square atau nilai koefisien determinasi saya kecil ya pak. Hanya 15% dari 3 variabel independen dengan 1 variabel tidak berpengaruh. Nah itu alasannya kenapa ya pak sampe bisa kecil gitu? Terus nilai koefisien yang baik itu berapa? Apakah ada batasannya? Dan apakah penelitian saya bisa diterima?

  2. Terima kasih artikelnya pak. Yang saya mau tanya, apakah eliminasi responden ini halal digunakan dalam proses penelitian? Jika sudah dapat r2 yg diinginkan apakah harus diulang penelitian dr awal atau dijelaskan saja bahwa ada eliminasi responden untuk mendapatkan r2 yang baik? Terima kasih

    1. apa maksud halal atau haram ini mas? saya sudah dijelaskan di videonya bahwa ini tergantung dari sampling. jika mengganggu sampling maka ini tentu tidak boleh dilakukan. yang dimaksud mengganggu sampling adalah tidak mencerminkan populasi atau ada yang tidak terwakili karena proses eliminasi ini. toh jika harus tereliminasi harus diketahui alasannya. Pencilan atau karakteristik berbeda dengan kelompok.

      jika syarat itu tidak terpenuhi, maka masuk dalam ranah fabrikasi dan penelitiannya jadi tidak berguna. terima kasih

      1. Maksud saya apakah dibolehkan (halal/haram).
        Mewakili disini maksudnya jumlah dr responden pak ? Kebetulan r2 awal saya 32% dengan jumlah responden 55. Setelah saya ikuti langkah bapak r2 saya jadi 82% dengan eliminasi 5 responden. Apakah ini dibolehkan?

        1. iya.. jumlah responden merupakan perwakilan dari populasi atau biasa disebut sebagai sample. Saya tidak bisa menentulan ini boleh atau tidak hanya dari jumlah eliminasinya mas.. tetapi jika responden setelah eliminasi itu diyakini masih bisa mewakili populasi yang saya jelaskan diatas tadi, maka bisa digunakan.

          1. dasar teori yang mana nih mas? karena ini artikel kumpulan dari berbagai topik. tapi klo bicara buku, sebenarnya apa yang saya sampaikan ini bukan rahasia lagi. banyak buku yang membahasnya. jika yang ditanya tentang eliminasi, maka jawabannya adalah pencilan data. terima kasih

    1. selamat pagi.. banyak artikel di blog ini cara meningkatkan r square. silahkan berusaha terlebih dahulu dan tentu tidak bisa sy terangkan disini. youtube channel juga sudah dibuat. namanya “catatan budi”. terima kasih

  3. assalamualaikum Pak agung, nohon bantuannya

    pak bagaimana menaikkan R square pada uji Ordinal logit?
    trimakasih pak atas jawabannya

  4. Assalamualaikum.wr.wb pak saya mau tanya, uji asumsi klasik sudah lolos semua. Tapi ketika masuk di analisis regresi linier untuk uji t dan f nya, 3 variabel X yg saya pake tidak signifikan semua. Judul penelitian saya “struktur kepemilikan sebagai pemoderasi pengaruh praktik transfer pricing, capital intensity, dan leverage terhadap tax avoidance”

    1. Wa alaikum salam. Lalu pertanyaannya apa mbk?

      Uji asumsi klasik itu adalah uji pendahuluan. Jadi memang belum ada jaminan akan oke ditahap selanjutnya. Terima kasih

    1. selamat siang mbk Devi. maaf baru balas. baru sempat buka email. tentang r square itu sangat luas mbk kemungkinannya. sebaiknya mbk baca baca dulu artikel saya yang membahas r square di blog ini. gunakan fasilitas search di samping jika menggunakan desktop atau laptop. apakah nanti polanya tidak linear, atau terjadi ada data pencilan, atau terjadi multikolinear, semuanya bisa terjadi. klo sudah mentok tetap ga bisa, silahkan diskusi lagi. terima kasih

Leave a Reply

Your email address will not be published. Required fields are marked *