korelasi linier berganda - radiasari.lecture.ub.ac.id · si 2 - regresi & korelasi berganda 12....
TRANSCRIPT
![Page 1: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/1.jpg)
Korelasi Linier Berganda
![Page 2: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/2.jpg)
Analisa Korelasi
Untuk mengukur "seberapa kuat" atau "derajat kedekatan“ yang terjadi antar variabel.
Ingin mengetahui “derajat kekuatan” tersebut yang dinyatakan dalam koefisien korelasinya.
Analisa regresi ingin mengetahui pola relasi dalam bentuk persamaan regresi
Dengan demikian biasanya analisa regresi dan korelasi sering dilakukan bersama-sama.
SI 2 - Regresi & Korelasi Berganda 2
![Page 3: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/3.jpg)
Koefisien Korelasi Linear Berganda
• Indeks atau bilangan yang digunakan untuk mengukur keeratan hubungan antar variabel.
• Memiliki nilai antara -1 dan +1 (-1 ≤ KK ≤ +1)
SI 2 - Regresi & Korelasi Berganda 3
• Jika KK bernilai positif (artinya berkorelasi positif)Semakin dekat nilai KK ke +1, maka semakin kuat korelasinya
• Jika KK bernilai negatif (artinya berkorelasi negatif)Semakin dekat nilai KK ke -1, maka semakin kuat korelasinya..
• Jika KK bernilai nolMaka antara variabel - variabel tidak menunjukkan korelasi
• Jika KK bernilai +1 atau -1Menunjukkan korelasi positif atau negatif sempurna
![Page 4: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/4.jpg)
Arti dari koefisien relasi (r)
1. Bila 0, 90 < r < 1,00 atau -1, 00 < r < -0, 90 Hubungan yang sangat kuat
2. Bila 0, 70 < r < 0, 90 atau -0.90 < r < -0. 70 Hubungan yang kuat
3. Bila 0, 50 < r < 0, 70 atau -0.70 < r < -0. 50
Hubungan yang moderat
4. Bila 0, 30 < r < 0, 50 atau -0.50 < r < -0. 30 Hubungan yang lemah
5. Bila 0,0 < r < 0, 30 atau -0.30 < r < 0,0 Hubungan yang sangat lemah
SI 2 - Regresi & Korelasi Berganda 4
![Page 5: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/5.jpg)
Korelasi Linear Berganda
SI 2 - Regresi & Korelasi Berganda 5
Alat ukur mengenai hubungan yang terjadi antaravariabel terikat (variabel Y) dan dua atau lebihvariabel bebas (X1, X2, …, Xk).
Korelasi Linear Berganda dengan Dua VariabelBebas => mengukur hubungan yang terjadi antara variabel terikat (variabel Y) dengan dua variabel bebas (X1, X2).
![Page 6: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/6.jpg)
Koefisien Korelasi Berganda
SI 2 - Regresi & Korelasi Berganda 6
• Digunakan untuk mengukur besarnya kontribusi variasi X1 danX2 terhadap variasi Y
• Menentukan apakah garis regresi linear berganda Y terhadapX1 dan X2 sudah cocok untuk dipakai sebagai pendekatanhubungan linear (berdasarkan hasil observasi)
Contoh mengukur korelasi antar variabel:• Motivasi kerja dan absensi dengan produktifitas kerja• Kualitas pelayanan dan fasilitas dengan kepuasan pelanggan• Fasilitas pendidikan dan kualitas dosen dengan prestasi belajar
mahasiswa
![Page 7: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/7.jpg)
Koefisien Penentu Berganda (KPB)
• Disebut juga dengan Koefisien Determinasi Berganda (KDB)
• Menggambarkan ukuran kesesuaian garis linear berganda terhadap suatu data
SI 2 - Regresi & Korelasi Berganda 7
Rumus
𝐾𝑃𝐵𝑌.12 =𝑏1 𝑥1𝑦 + 𝑏2 𝑥2𝑦
𝑦2
atau
𝐾𝑃𝐵𝑌.12 =𝑟𝑌,12 + 𝑟𝑌.2
2 − 2𝑟𝑌.1𝑟𝑌.2𝑟1.21− 𝑟1.2
2
![Page 8: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/8.jpg)
Koefisien Penentu Berganda (KPB)
SI 2 - Regresi & Korelasi Berganda 8
Dimana :
• rY.1 = koofisien korelasi sederhana Y dan X1
• rY.2 = koofisien korelasi sederhana Y dan X2
• r1.2 = koofisien korelasi sederhana X1 dan X2
𝑟𝑌.1 = 𝑥1𝑦
𝑥12. 𝑦2
𝑟𝑌.2 = 𝑥2𝑦
𝑥22 . 𝑦2
𝑟1.2 = 𝑥1𝑥2
𝑥12 . 𝑥2
2
![Page 9: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/9.jpg)
Untuk menghitung KPB terlebih dahulu menghitung
SI 2 - Regresi & Korelasi Berganda 9
222 YnYy -∑=∑
2
12
12
1 XnXx -∑=∑
2
22
22
2 XnXx -∑=∑
YXnYXyx 111 -∑=∑
YXnYXyx 222 -∑=∑
212121 XXnXXxx -∑=∑
![Page 10: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/10.jpg)
Koefisien Korelasi Berganda
SI 2 - Regresi & Korelasi Berganda 10
Disimbolkan R Y.12
Merupakan ukuran keeratan hubungan antara variabel terikatdengan semua variabel bebas secara bersama-sama, dirumuskansbb:
![Page 11: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/11.jpg)
Koefisien Korelasi Parsial
Merupakan koefisien korelasi antara dua variabel jika variabel lainnya konstan, pada hubungan yang melibatkan lebih dari dua variabel.
SI 2 - Regresi & Korelasi Berganda 11
Untuk hubungan yang melibatkan tiga variabel (Y, X1 dan X2), Ada 3 koefisienkorelasi parsial yaitu:
Koefisien korelasi parsial antara Y dan X1, apabila X2 konstan
Koefisien korelasi parsial antara Y dan X2, apabila X1 konstan
Koefisien korelasi parsial antara X2
dan X1, apabila Y konstan
![Page 12: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/12.jpg)
Contoh soal
Dilakukan suatu penelitian yang bertujuan untukmempelajari tentang “Pengaruh PendapatanKeluarga per Hari (X1) dan Jumlah AnggotaKeluarga (X2) terhadap Pengeluaran KonsumsiKeluarga per Hari (Y)”. Penelitian tersebutmenggunakan sampel sebanyak 10 keluarga.Hasil pengumpulan data diperoleh data sebagaiberikut:
SI 2 - Regresi & Korelasi Berganda 12
![Page 13: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/13.jpg)
Responden X1 (dlm ratusan ribu) X2 (orang) Y (dlm ratusan ribu)
1 100 7 23
2 20 3 7
3 40 2 15
4 60 4 17
5 80 6 23
6 70 5 22
7 40 3 10
8 60 3 14
9 70 4 20
10 60 3 19
SI 2 - Regresi & Korelasi Berganda
13
Berdasarkan data di atas, maka :Carilah koefisien korelasi berganda dan parsial (jika jumlah anggota keluarga dianggap konstan) !
Jawab :
R = 0,915, rY.12 =0,801
![Page 14: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/14.jpg)
Masalah-masalah dalam Regresi
• Dalam regresi ada sejumlah asumsi yang harus dipenuhi
• Dengan terpenuhinya asumsi tersebut, maka hasil yang diperoleh dapat lebih akurat dan mendekati atau sama dengan kenyataan
• Permasalahan yang sering muncul pada regresi adalah tidak tepenuhinya asumsi –asumsi tersebut
SI 2 - Regresi & Korelasi Berganda 14
![Page 15: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/15.jpg)
Asumsi – asumsi dasar dalam regresi
1. Homoskedastisitas
2. Nonautokorelasi
3. Nonmultikolinearitas
4. Distribusi error/kesalahan adalah normal
5. Nilai Rata-rata error/kesalahan adalah nol
6. Variabel bebas memiliki nilai konstan
SI 2 - Regresi & Korelasi Berganda 15
Asumsi dasar dikenalsebagai asumsi klasik, yaitu:
![Page 16: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/16.jpg)
1. Homoskedastisitas
• Penyebaran (scedasticity) yang sama (homo), atau varians yang sama.
• Ini berarti bahwa setiap Y yang berhubungan dengan berbagai nilai X mempunyai varians yang sama.
• Sebaliknya, jika varians bersyarat Y tidak sama pada berbagai nilai heterokedastisitas.
• Ragam dari error bersifat homogen
• Varians dari variabel bebas adalah sama atau konstan untuksetiap nilai tertentu dari variabel bebas lainnya, atau variasiresidu sama untuk semua pengamatan
SI 2 - Regresi & Korelasi Berganda 16
![Page 17: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/17.jpg)
Homoskedastisitas VS Heterokedastisitas
Homoskedastisitas
Penyebaran merata
SI 2 - Regresi & Korelasi Berganda
17
Heterokedastisitas
Penyebaran tdk merata
![Page 18: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/18.jpg)
SI 2 - Regresi & Korelasi Berganda 18
3. Nonautokorelasi
Autokorelasi adalah kondisi dimana terdapat korelasi atau
hubungan antar pengamatan (observasi)
4. Nonmultikolinearitas
Variabel bebas yang satu dengan yang lain dalam model
regresi tidak terjadi hubungan yang mendekati sempurna
4. Distribusi Error adalah normal
.
![Page 19: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/19.jpg)
5. Nilai Rata-rata error/kesalahan adalah nol
Nilai rata-rata kesalahan (error) populasi pada sama dengan nol
SI 2 - Regresi & Korelasi Berganda
19
6. Variabel bebas memiliki nilai konstan
Variabel bebas memiliki nilai konstan pada setiap kali percobaan yang dilakukan secara berulang-ulang (variabel nonstokastik)
![Page 20: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/20.jpg)
Penyimpangan Asumsi Dasar
SI 2 - Regresi & Korelasi Berganda 20
Penyimpangan pada asumsi dasar dapatmengakibatkan estimasi koefisien menjadi kurangakurat dan dapat menimbulkan interpretasi dan
kesimpulan yang salah.
Penyimpangan asumsi dasar yang paling berpengaruh terhadap pola perubahan variabel
terikat terdiri dari:
• Heteroskedastisitas• Autokorelasi
• Multikolinearitas
![Page 21: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/21.jpg)
Penyimpangan Asumsi Dasar
SI 2 - Regresi & Korelasi Berganda 21
Heteroskedastisitas
• Variasi variabel tidak sama untuk semua pengamatan
• Kesalahan tidak bersifat acak / random
contoh: residu (selisih nilai estimasi Y dengan nilai Y pada pengamatan) semakin besar jika pengamatan semakin besar
Akibat terjadinya heteroskedastisitas:- Penaksir (estimator) yang diperoleh tidak efisien.- Kesalahan baku regresi akan terpengaruh, sehingga
memberikan indikasi yang salah
![Page 22: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/22.jpg)
Penyimpangan Asumsi Dasar
SI 2 - Regresi & Korelasi Berganda
22
Cara mengetahui adanya heteroskedastisitas dalam regresi
• Uji koefisien korelasi spearman
• Uji Park
• Uji Glejser
Sudah dibahas di materi sebelumnya
Tugas!! Cari contoh pengujian Park dan Glejser beserta penjelasancara perhitungan manual
![Page 23: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/23.jpg)
Penyimpangan Asumsi Dasar
Autokorelasi
Autokorelasi adalah kondisi dimana terdapat korelasi atau hubunganantar pengamatan (observasi)
SI 2 - Regresi & Korelasi Berganda
23
Akibat terjadinya autokorelasi• Penaksir menjadi tidak efisien (tidak lagi mempunyai variansminimum)
• Uji t dan uji F tidak lagi sah, dan dapat memberikan kesimpulan yang menyesatkan
• Penaksir memberikan gambaran yang menyimpang dari nilaipopulasi yang sebenarnya. Dengan kata lain, penaksir menjadisensitif terhadap fluktuasi penyampelan
Uji autokorelasi bertujuan menguji apakah model regresi linier ada korelasiantara kesalahan pengganggu pada periode t dengan kesalahan pengganggupada periode sebelumnya (t-1).
![Page 24: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/24.jpg)
Autokorelasi
• Misalnya kita ingin meregresikan antara pendapatan dankonsumsi.
• Misal:data yang digunakan: data pendapatan dan konsumsi keluarga pada suatu
periode waktu. • Yang kita harapkan adalah konsumsi keluarga A hanyalah
dipengaruhi oleh pendapatan keluarga A tersebut, tidak olehpendapatan keluarga B.
• TERNYATA???• Kondisi yang ada adalah ketika pendapatan keluarga B
meningkat dan konsumsinya juga meningkat, misal: belimobil baru. Ternyata si keluarga A yang tidak mengalamipeningkatan pendapatan ikutan beli mobil baru… AUTOKORELASI!!!
SI 2 - Regresi & Korelasi Berganda
24
![Page 25: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/25.jpg)
Cara Mengetahui adanya autokorelasi
1. Uji Durbin Watson
2. Metode Grafik
SI 2 - Regresi & Korelasi Berganda 25
![Page 26: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/26.jpg)
Cara Mengetahui Adanya Autokorelasi
1. Uji Durbin Watson
• Menguji apakah model regresi linier adakorelasi antara kesalahan pengganggu padaperiode t dengan kesalahan pengganggupada periode sebelumnya (t-1).
• Untuk melihat apakah ada hubungan linier antara error serangkaian observasi yang diurutkan menurut waktu (data time series).
SI 2 - Regresi & Korelasi Berganda
26
![Page 27: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/27.jpg)
Cara Mengetahui adanya autokorelasi
1. Uji Durbin Watson
27
dimana:d = nilai Durbin WatsonΣei = jumlah kuadrat sisaNilai Durbin Watson kemudian dibandingkan dengan nilai d-tabel. Hasil perbandingan akan menghasilkan kesimpulan seperti kriteria sebagai berikut:
1. Jika d < dl, berarti terdapat autokorelasi positif2. Jika d > (4 – dl), berarti terdapat autokorelasi negatif3. Jika du < d < (4 – dl), berarti tidak terdapat autokorelasi4. Jika dl < d < du atau (4 – du), berarti tidak dapat disimpulkan
![Page 28: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/28.jpg)
Cara Mengetahui adanya autokorelasi
SI 2 - Regresi & Korelasi Berganda
28
Prosedur pengujian durbin watson
1) Menentukan formulasi hipotesisH0 : Tidak ada autokorelasiH1 : Ada autokorelasi positif / negatif
2) Menentukan nilai dan nilai d tabelNilai du dan dL ditentukan dengan n dan k tertentu
3) Menentukan kriteria pengujian• Untuk korelasi positif (0 < p < 1)H0 diterima jika d > du
H0 ditolak jika d < dL
• Untuk korelasi negatifH0 diterima jika (4 – d) > du
H0 ditolak jika (4 – d) < dL
4) Menentukan nilai ujistatistik
5) Membuat Kesimpulan
![Page 29: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/29.jpg)
Cara Mengetahui adanya autokorelasi
SI 2 - Regresi & Korelasi Berganda
29
Berikut ini adalah daerah pengujian durbin watson
Jika d < dL, berarti ada autokorelasi positif
Jika d > 4-dL, berarti ada autokorelasi negatif
Jika dU < d < 4 – dU, berarti tidak ada autokorelasi positif atau negatif
Jika dL ≤ d ≤ dU atau 4 – dU ≤ d ≤ 4 – dL, pengujian tidak
meyakinkan.
![Page 30: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/30.jpg)
SI 2 - Regresi & Korelasi Berganda 30
2. Metode Grafik
Cara Mengetahui adanya autokorelasi
Jika pada beberapa
urutan waktu residunya
positif dan waktu lain
residunya negatif
Jika terdapat pola-pola
yang sistematis, maka
diduga ada autokorelasi.
Sebaliknya, jika tidak
terdapat pola yang
sistematis (atau bersifat
acak), maka tidak ada
autokorelasi.
![Page 31: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/31.jpg)
Metode Grafik
menunjukkan pola siklus dari plot
residual terhadap waktu, pada
suatu periode, ketika et meningkat
diikuti oleh peningkatan et tahun
berikutnya, dan pada periode
lainnya ketika et menurun diikuti
oleh penurunan et tahun
berikutnya. Ini menunjukkan
adanya autokorelasi positif
menunjukan pola kuadratis
dari plot residual terhadap
waktu. Juga menunjukkan
adanya autokorelasi positif.
![Page 32: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/32.jpg)
Metode Grafik
menunjukkan pola gerakan kebawah
dan ke atas secara konstan. Ini
menunjukkan adanya autokorelasi
negatif.
menunjukkan pergerakan dari kiri atas ke
kanan bawah yang menunjukkan adanya
autokorelasi
![Page 33: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/33.jpg)
Langkah – langkah Metode Grafik
• Dengan cara memplotkan et terhadap waktu (t) atau et dengan et-1.
• et adalah nilai residual yang dapat diperoleh dari nilai Y pengamatan dikurangi Y estimasi.
• Setelah memplotkan et terhadap t atau et dengan et-1, amatipola yang terjadi. Jika terdapat pola-pola yang sistematis, maka diduga ada autokorelasi.
• Sebaliknya, jika tidak terdapat pola yang sistematis (ataubersifat acak), maka tidak ada autokorelasi.
SI 2 - Regresi & Korelasi Berganda
33
![Page 34: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/34.jpg)
Contoh
Misalnya kita ingin
melihat pengaruh
tingkat bunga (X
dalam persen)
terhadap investasi (Y
dalam milyar Rp).
Data yang kita
gunakan selama 16
tahun, mulai dari
tahun 1993 sampai
2008, seperti yang
terlihat pada tabel
berikut ini (kolom 2
untuk Y dan kolom 3
untuk X)
SI 2 - Regresi & Korelasi Berganda
34
Y = 403,212 – 14,421X
et = Y - Ŷ
![Page 35: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/35.jpg)
1. Dengan Metode Grafik
Berikut ini adalah grafik hasil plot et terhadap waktu
SI 2 - Regresi & Korelasi Berganda
35
Terlihat adanya
pola siklus yang
meningkat
Autokorelasi
positif
![Page 36: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/36.jpg)
1. Dengan Metode Grafik
Grafik hasil plot et terhadap et-1
SI 2 - Regresi & Korelasi Berganda
36
yang bergerak dari kiri bawah ke kanan atas adanya autokorelasi
positif.
![Page 37: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/37.jpg)
1. Dengan Metode Durbin Watson
37
N = 16 , variabel bebas = 1, (α) = 5%
Dari tabel nilai kritis
dL = 1.10 dan dU = 1.37
d= 0.3423 < dL=1.10.
autokorelasi positif
![Page 38: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/38.jpg)
Penyimpangan Asumsi Dasar
Multikolinearitas
• Antara variabel bebas yang satu dengan yang lainnya dalam model
regresi saling berkorelasi linear Korelasinya mendekati sempurna
• Multikolinearitas tidak terjadi pada regresi linier sederhana yang hanya
melibatkan satu variabel independen.
SI 2 - Regresi & Korelasi Berganda
38
Contoh :
Y= a + b1X1 + b2X2 + e
Y=konsumsi, X1 = pendapatan dan X2 = kekayaan.
Semakin besar pendapatan, maka kekayaan juga semakin
besar/meningkat (mempunyai kolinearitas yang tinggi).
![Page 39: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/39.jpg)
Penyimpangan Asumsi Dasar
Akibat multikolinearitas:
• Pengaruh masing-masing variabel bebas tidakdapat dideteksi atau sulit untuk dibedakan
• Kesalahan standard estimasi cenderung meningkatdengan makin bertambahnya variabel bebas.
• Tingkat signifikansi yang digunakan untuk menolakH0 semakin besar
• Kesalahan standard bagi masing-masing koefisienyang diduga menjadi sangat besar, sehingga nilai t menjadi sangat rendah
SI 2 - Regresi & Korelasi Berganda 39
![Page 40: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/40.jpg)
Cara mengetahui adanyamultikolinearitas dalam regresi
Menganalisis koefisien korelasi antara variabel bebas
• Jika koefisien korelasi tinggi
• Jika tanda koef korelasi variabel bebas berbeda dengan tanda koef regresinya
Membuat persamaan regresi antara variabel bebas
Jika koefisien regresinya signifikan Multikolinearitas
Menganalisis nilai r2, F ratio, dan t0 (t hitung)
Jika r2 dan F ratio tinggi, sedangkan t hitung rendah
SI 2 - Regresi & Korelasi Berganda 40
![Page 41: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/41.jpg)
Cara Menangani Adanya Multikolinearitas
Pada hakekatnya jika X1 dan X2 multikolinear maka keduanya bersifat saling mewakili dalam mempengaruhi variabel tergantung Y. Oleh karena itu penanganannya adalah dibuat persamaan yang terpisah.
Contoh: kita memiliki regresi sbb:
Y=a + b1X1 + b2X2 + b3X3 + b4X4 + e
Karena X1 dan X2 memiliki kolinearitas yang tinggi, maka regresi dapat dibuat menjadi dua model.
Y = a + b1X1 + b3X3 + b4X4 + e
dan Y = a + b2 X2 + b3X3 + b4X4 + e
SI 2 - Regresi & Korelasi Berganda 41
![Page 42: Korelasi Linier Berganda - radiasari.lecture.ub.ac.id · SI 2 - Regresi & Korelasi Berganda 12. Responden X 1 (dlm ratusan ribu) X 2 (orang) Y (dlm ratusan ribu) 1 100 7 23 2 20 3](https://reader034.vdocuments.mx/reader034/viewer/2022052202/5f0ee5977e708231d4417929/html5/thumbnails/42.jpg)
Perbedaan Error dan Residual
Residual adalah selisih antara nilai duga (predicted value) dengan nilai pengamatan sebenarnya apabila data yang digunakan adalah data sampel.
Error adalah selisih antara nilai duga (predicted value) dengan nilai pengamatan yang sebenarnya apabila data yang digunakan adalah data populasi.
Persamaan keduanya : merupakan selisih antara nilai duga (predicted value) dengan pengamatan sebenarnya.
Perbedaan keduanya: residual dari data sampel, error dari data populasi.
SI 2 - Regresi & Korelasi Berganda 42