Analisis regresi linier terdiri dari dua jenis, yaitu sederhana dan berganda. Sedangkan, regresi linier berganda merupakan analisis yang melibatkan dua variabel, sama seperti namanya yaitu berganda.
Benarkah demikian? Untuk mengetahui kebenarannya mari simak informasi tentang regresi linier tersebut berikut ini.
Contents
Pengertian Regresi Linier Berganda
Regresi linear jenis berganda merupakan model regresi linear yang dapat digunakan ketika variabel bebas yang digunakan berjumlah lebih dari satu atau disebut predictor.
Sedangkan dalam bahasa Inggris, istilah dari regresi linear jenis berganda ini disebut dengan multiple linear regression.
Pengujian regresi linear jenis ini perlu dilakukan secara serempak dengan menggunakan F hitung, yang kemudian akan dibandingkan dengan F tabel.
Perbandingan tersebut digunakan untuk melihat signifikansi, namun Anda juga bisa melihat signifikansi dengan melihatnya pada output SPSS.
Dalam beberapa kasus, dapat ditemukan bahwa secara serempak beberapa variabel memiliki pengaruh yang signifikan, namun secara parsial tidak.
Hal tersebut dapat diasumsikan dengan ilustrasi seperti seorang anak yang memecahkan piring, lalu ia takut dengan ibu yang membawa sapu.
Baca Juga: Rumus Lemeshow
Hal itu dapat diasumsikan secara serempak, demikian yang ditakuti anak tersebut adalah ibu dan sapu yang dibawanya. Namun, secara parsial sapu tidak membuat anak tersebut takut.
Asumsi Klasik Regresi Linear Berganda
1. Data Interval atau Rasio
Interval atau rasio merupakan skala data dari semua variabel, terutama variabel terikat.
Asumsi tersebut tidak harus melalui pengujian, Anda cukup memastikan data yang digunakan adalah data interval atau rasio atau biasa disebut dengan numeric atau kuantitatif secara benar.
2. Linearitas
Linearitas merupakan bukti bahwa adanya hubungan antara variabel bebas dengan variabel terikat.
Asumsi jenis ini harus diuji dengan menggunakan uji linearitas regresi, yang biasanya menggunakan kurva estimasi.
Pasalnya, dengan kurva estimasi Anda dapat mengetahui dan menentukan apakah ada hubungan linear atau tidak dengan melihat nilai p value linearitas.
3. Normalitas Residual
Asumsi klasik jenis normalitas residual merupakan perbedaan yang terjadi antara y dengan y prediksi.
y merupakan variabel terikat dan y prediksi merupakan y hasil persamaan regresi yang dibuat.
Asumsi normalitas pada regresi linear jenis berganda bukan pada data per variabel, melainkan terletak pada residualnya.
Uji asumsi normalitas ini dapat diuji dengan berbagai macam metode, tentunya metode uji normalitas.
Baca Juga: Pengertian Purposive Sampling
Adapun metode yang dapat Anda gunakan untuk pengujian tersebut antara lain sebagai berikut ini:
- Uji Shapiro wilk
- Uji Lilliefors
- Uji Kolmogorov smirnov
- Uji Anderson darling
- Uji Ryan Joiner
- Uji Shapiro francia
- Uji Jarque bera
- Uji Skewness kurtosis test, dan lain-lain.
4. Non Outlier
Jenis non outlier disebut juga dengan data pencilan atau data yang nilainya extreme atau sangat berbeda dari data pada umumnya.
Batasan jenis ini tidak bisa diketahui apabila dilihat dari nilai absolut studentized residual.
Sedangkan jika absolut studentized memiliki skor lebih dari 3, maka dapat dipastikan sampel atau observasi yang telah dilakukan menjadi outlier.
5. Homoskedastisitas
Asumsi klasik ini merupakan suatu kondisi ketika varians dari error bersifat tetap, atau disebut dengan konstan.
Hal tersebut dapat diartikan dengan istilah lain, yakni varians dari error bersifat identik untuk setiap observasi yang dilakukan pada penelitian.
Guna menguji adanya homoskedastisitas pada regresi linier jenis berganda, Anda dapat menggunakan beberapa pengujian antara lain sebagai berikut:
- Uji glejser
- Uji park
- Uji white
- Uji spearman heteroskedastisitas, dan beberapa uji lainnya.
6. Non Multikolinearitas
Asumsi klasik jenis ini merupakan keadaan ketika terdapat interkorelasi atau korelasi yang bersifat kuat antar variabel bebas yang ada di dalam sebuah model.
Pernyataan adanya interkorelasi ini diketahui dari adanya korelasi antar variabel bebas di dalam model regresi linier berganda dengan skor lebih dari 0,8.
Baca Juga: Rumus Slovin
Dari penjelasan di atas dapat diketahui bahwa asumsi jenis ini hanya terdapat dalam regresi linier jenis berganda saja, sehingga tidak akan ada regresi linier jenis sederhana.
7. Non Autokorelasi
Autokorelasi merupakan keadaan yang di dalamnya terdapat korelasi antar waktu.
Sehingga, dapat diartikan dengan sangat mudah bahwa autokorelasi ini merupakan asumsi yang sering sekali terjadi pada regresi linier dua variabel dengan data runtun waktu.
Untuk menguji asumsi jenis ini, Anda bisa menggunakan nilai Durbin Watson dan juga run test.
Analisis jenis ini biasanya digunakan untuk mengetahui arah hubungan dari kedua variabel, lebih tepatnya adanya hubungan negatif atau positif.
Dengan analisis regresi linier ini, Anda juga dapat mengetahui penurunan atau peningkatan yang terjadi pada kedua variabel.
2 thoughts on “Regresi Linier Berganda”