Upload
leliem
View
218
Download
0
Embed Size (px)
Citation preview
Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta
Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.
REGRESI BERGANDA DAN PEGUJIAN ASUMSI KLASIK
Dalam statistik, regresi linier adalah pendekatan linier untuk memodelkan hubungan
antara respons skalar dengan satu atau lebih variabel penjelas. Kasus satu variabel
penjelas disebut regresi linier sederhana. Untuk lebih dari satu variabel penjelas
disebut regresi linier berganda.
Regresi linier berganda adalah bentuk paling umum dari analisis regresi linier. Sebagai
analisis prediktif, regresi linier berganda digunakan untuk menjelaskan hubungan
antara satu variabel dependen kontinu dan dua atau lebih variabel independen.
Variabel independen dapat kontinu atau kategori (dummy diberi kode yang sesuai).
Asumsi:
1. Residu regresi harus didistribusikan secara normal.
2. Hubungan linear diasumsikan antara variabel dependen dan variabel
independen.
3. Residualnya adalah homoscedastik dan kira-kira berbentuk persegi panjang.
4. Tidak adanya multikolinieritas diasumsikan dalam model, yang berarti bahwa
variabel independen tidak terlalu berkorelasi tinggi.
Manfaat Regresi
Ada 3 kegunaan utama untuk analisis regresi linier berganda.
Pertama, ini dapat digunakan untuk mengidentifikasi kekuatan efek yang dimiliki
variabel independen terhadap variabel dependen.
Kedua, dapat digunakan untuk memperkirakan efek atau dampak perubahan. Yaitu,
analisis regresi linier berganda membantu kita untuk memahami seberapa besar
variabel dependen akan berubah ketika kita mengubah variabel independen.
Ketiga, analisis regresi linier berganda memprediksi tren dan nilai-nilai masa depan.
Analisis regresi linier berganda dapat digunakan untuk mendapatkan estimasi titik.
Ketika memilih model untuk analisis regresi linier berganda, pertimbangan penting
lainnya adalah model yang sesuai. Menambahkan variabel independen ke model
Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta
Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.
regresi linier berganda akan selalu meningkatkan jumlah varians yang dijelaskan dalam
variabel dependen (biasanya dinyatakan sebagai R²). Oleh karena itu, menambahkan
terlalu banyak variabel independen tanpa justifikasi teoretis dapat menghasilkan model
yang terlalu sesuai.
Contoh :
Berikut ini persamaan regresi berganda :
GDP = β0 + β1 GFCF + β2 TR + β3 TRADE + β4 AK+ β5 IVA + ε
atau
LOG(GDP) = β + β1LOG(GFCF) + β2LOG(TR) + β3LOG(TRADE) +
β4LOG(AK) + β5LOG(IVA) + ε
Dimana
GDP Gross Domestic Product GFCF Gross fixed capital formation TR Penerimaan Pajak TRADE Nilai Perdagangan AK Angkatan Kerja IVA Nilai Tambah Industri
Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta
Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.
Ya
Tidak
Studi Kepustakaan (Teori dan Studi Terdahulu)
Identifikasi Variabel Penelitian dan
Pembentukan Model
Pembuatan Hipotesis
Pengolahan Data
Uji Spesifikasi Model dan Uji Asumsi
Klasik
Proses Pengumpulan Data
Estimasi Model dan Pengujian Hipotesis
Kesimpulan dan Rekomendasi
Gambar 1
Langkah-Langkah Penelitian
Revisi
Memenuhi
Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta
Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.
Data Makro Negara ABCDEFG
Tahun GDP Kurs GFCF TR Trade IVA
1986 2,047,292,604,338,300 1,283 525,767,839,086,000 14,993,000,000,000 819,472,884,152,016 798,544,781,014,800
1987 2,155,799,176,654,500 1,644 554,680,733,051,900 18,827,000,000,000 998,818,533,420,652 848,962,545,204,100
1988 2,292,814,846,746,000 1,686 618,517,644,265,400 21,435,000,000,000 1,083,459,633,537,290 907,301,991,769,700
1989 2,501,110,525,830,700 1,770 710,782,070,626,400 26,678,000,000,000 1,227,592,114,499,590 1,053,730,190,492,900
1990 2,726,249,821,167,800 1,843 825,058,186,077,300 37,431,600,000,000 1,441,964,271,955,940 1,161,956,026,945,300
1991 2,969,643,847,614,300 1,950 931,494,177,183,200 39,098,000,000,000 1,628,539,758,976,440 1,277,017,158,693,800
1992 3,184,067,029,251,900 2,030 964,890,833,384,600 44,499,900,000,000 1,828,527,952,182,690 1,503,686,756,495,200
1993 3,415,041,652,725,900 2,087 1,028,569,876,323,000 47,344,000,000,000 1,725,393,071,594,540 1,482,119,880,662,300
1994 3,672,538,070,470,900 2,161 1,170,056,947,025,800 60,958,000,000,000 1,905,206,289,918,400 1,647,643,312,108,300
1995 3,980,897,516,197,100 2,249 1,333,804,863,859,200 68,017,000,000,000 2,148,036,149,401,290 1,819,329,402,675,000
1996 4,285,149,005,555,500 2,342 1,527,398,594,230,900 75,810,000,000,000 2,239,622,144,209,320 2,013,806,086,902,600
1997 4,486,545,547,065,900 2,909 1,658,266,039,607,700 100,505,700,000,000 2,512,191,662,450,940 2,117,949,036,253,500
1998 3,897,609,098,897,500 10,014 1,110,903,117,229,100 143,626,700,000,000 3,748,961,858,536,470 1,822,466,026,611,800
1999 3,928,444,247,354,300 7,855 908,769,274,450,800 179,430,400,000,000 2,472,716,527,537,000 1,858,334,024,795,000
2000 4,121,726,241,993,900 8,422 1,060,872,288,362,200 99,643,790,476,190 2,944,432,464,112,750 1,967,791,836,600,200
2001 4,271,899,954,667,000 10,261 1,129,749,087,480,800 190,614,200,000,000 2,981,495,922,803,340 2,021,590,172,211,700
2002 4,464,113,041,849,300 9,311 1,182,784,395,845,000 215,467,500,000,000 2,637,374,038,628,250 2,107,764,749,213,200
2003 4,677,514,123,258,600 8,577 1,189,884,726,120,600 249,404,313,253,852 2,507,919,080,077,860 2,186,913,010,032,200
2004 4,912,833,962,560,100 8,939 1,364,599,072,554,300 283,093,000,000,000 2,935,973,057,506,130 2,273,100,844,234,100
2005 5,192,500,538,917,800 9,705 1,513,164,999,669,000 312,488,056,626,926 3,322,573,914,833,110 2,380,026,639,458,400
2006 5,478,137,490,010,100 9,159 1,552,460,084,009,500 343,625,377,952,311 3,103,755,304,808,870 2,486,855,317,982,500
2007 5,825,726,531,358,900 9,141 1,697,209,598,268,500 374,762,699,277,696 3,194,202,162,925,520 2,604,234,878,138,900
2008 6,176,068,457,506,700 9,699 1,898,942,099,974,500 658,701,000,000,000 3,616,792,130,902,920 2,701,585,275,030,700
2009 6,461,950,710,551,600 10,390 1,961,482,072,067,500 619,922,000,000,000 2,940,970,850,172,160 2,798,525,931,939,900
2010 6,864,133,100,000,000 9,090 2,127,840,682,000,000 723,307,000,000,000 3,205,637,598,235,500 2,936,192,400,000,000
2011 7,287,635,300,000,000 8,770 2,316,359,104,097,800 873,874,000,000,000 3,656,936,354,349,880 3,122,633,400,000,000
Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta
Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.
Tahun GDP Kurs GFCF TR Trade IVA
2012 7,727,083,400,000,000 9,387 2,527,728,790,484,400 980,518,000,000,000 3,831,311,903,721,210 3,288,298,000,000,000
2013 8,156,497,800,000,000 10,461 2,654,375,036,700,900 1,077,310,000,000,000 3,967,106,232,237,770 3,431,080,900,000,000
2014 8,566,271,200,000,000 11,865 2,775,733,579,064,600 1,145,282,928,434,310 4,116,716,178,297,760 3,577,694,800,000,000
2015 8,976,931,500,000,000 13,389 2,916,601,630,562,700 1,164,554,577,386,610 3,764,719,516,265,140 3,672,595,500,000,000
2016 8,164,934,610,302,790 12,935 2,542,077,573,709,210 935,748,526,661,157 4,201,921,841,339,830 3,547,268,352,813,750
2017 8,380,512,700,553,410 13,343 2,612,020,756,005,150 974,202,791,298,637 4,304,178,262,152,610 3,638,770,115,628,690
2018 8,596,090,790,804,030 13,751 2,681,963,938,301,090 1,012,657,055,936,110 4,406,434,682,965,400 3,730,271,878,443,630
Sumber : Data Hipotesis
Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta
Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.
Ketik data tersebut dalam Excell dan beri nama file tersebut dengan nama data
hipotesis ABCDFEG, kemudian tutup file tersebut.
Buka Eviews
Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta
Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.
Muncul di layar
Isi Date specification dengan
Start date : 1986
Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta
Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.
End date : 2018
Kemudian data yang telah kita buat di excel, kita pindahkan ke eviews
Klik file import Import from file …
maka akan muncul di layar
Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta
Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.
Cari file yang akan diimport dan klik open
Klik Next
Klik Next
Klik Finish
Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta
Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.
Maka di layar akan muncul
Cara Melakukan Regresi
Klik Quick Estimate Equation …
Lalu muncul
Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta
Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.
Klik OK
Kemudian semua data kita log (Logaritma), sehingga persamaannya
LS LOG(GDP) C LOG(GFCF) LOG(TR) LOG(TRADE) LOG(AK) LOG(IVA)
Klik Estimate
Klik OK
Koefisien ada yang sangat besar dan ada yang kecil
Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta
Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.
Uji Asumsi Klasik
Uji asumsi klasik yang digunakan dalam regresi linier dengan pendekatan Ordinary
Least Squared (OLS) meliputi uji Linieritas, uji Normalitas. Uji Autokorelasi, uji
Heteroskedastisitas, dan uji Multikolinieritas Walaupun demikian, tidak semua uji
asumsi klasik harus dilakukan pada setiap model regresi linier dengan pendekatan
OLS.
1. Uji linieritas hampir tidak dilakukan pada setiap model regresi linier. Karena
sudah diasumsikan bahwa model bersifat linier. Kalaupun harus dilakukan
semata-mata untuk melihat sejauh mana tingkat linieritasnya.
2. Uji normalitas pada dasarnya tidak merupakan syarat BLUE (Best Linier Unbias
Estimator) dan beberapa pendapat tidak mengharuskan syarat ini sebagai
sesuatu yang wajib dipenuhi.
Koefisien menunjukan
angka elastisitas
Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta
Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.
3. Autokorelasi hanya terjadi pada data time series. Pengujian autokorelasi pada
data yang tidak bersifat time series (cross section atau panel) akan sia-sia semata
atau tidaklah berarti.
4. Multikolinieritas perlu dilakukan pada saat regresi linier menggunakan lebih
dari satu variabel bebas. Jika variabel bebas hanya satu, maka tidak mungkin
terjadi multikolinieritas.
5. Heteroskedastisitas biasanya terjadi pada data cross section, dimana data panel
lebih dekat ke ciri data cross section dibandingkan time series.
Uji Normalitas
Klik View Residual Diagnostics Histogram – Normality Test
Hasil uji nya sebagai berikut
Nilai Probability > 0.05, maka model tersebut datanya terdistribusi normal
Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta
Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.
Uji Linearitas
Klik View Stability Diagnostics Ramsey RESET Test …
Muncul di layar
Klik OK
Karena nilai probability F-statistic < 0.05 berarti model persamaan regresinya tidak
linear
Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta
Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.
Uji Autokorelasi
Klik View Residual Diagnostocs Serial Correlation LM Test …
Muncul
Klik OK
Karena nilai probability Obs*Rsquared < 0.05 berarti model persamaan regresinya
mengandung autokorelasi
Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta
Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.
Uji Heteroskedastisitas
Klik View Residual Diagnostocs Heteroskedastisitas Tests …
Selanjutnya klik White
Karena nilai probability Obs*Rsquared > 0.05 berarti model persamaan regresinya
tidak mengandung heteroskedastisitas (homoskedastisitas)
Uji Multikolinearitas
Uji multikolinearitas digunakan untuk menilai adakah korelasi atau interkorelasi antar variabel bebas dalam model regresi atau juga biasa digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik multikolinearitas yaitu adanya hubungan linear antar variabel independen dalam model regresi. Pada Pengujian ada tidaknya gejala multikolinearitas dilakukan dengan melihat nilai VIF (Variance Inflation Factor) dan Tolerance. Hipotesis : H0 : Terdapat masalah multikolinearitas H1 : Tidak terdapat masalah multikolinearitas
Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta
Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.
Probabilitas < 10, H0 ditolak, H1 diterima Probabilitas > 10, H1 ditolak, H0 diterima Berikut ini langkah uji VIF dan TOL
Klik View Coefficient Diagnostics Variance Inflation Factors
Dan hasilnya
Nilai Centered VIF diatas 10, berarti model mengandung multikolinearitas.
Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta
Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.
Cara Lain pengujian multikolinearitas Blok semua variabel seperti di bawah ini
Kemudian klik kanan copy
Kemudian klik Quick Group Statistics Correlations
Klik OK
Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta
Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.
Hampir semua variabel memiliki nilai correlation di atas 0,85, berarti model mengandung multikolinearitas. Atau dengan dengan membandingkan R2
a. LS LOG(GDP) C LOG(GFCF) LOG(TR) LOG(TRADE) LOG(AK) LOG(IVA) hitung R2
1
b. LOG(GFCF) C LOG(TR) LOG(TRADE) LOG(AK) LOG(IVA) hitung R22
c. LOG(TR) C LOG(GFCF) LOG(TRADE) LOG(AK) LOG(IVA) hitung R23
d. LOG(TRADE) C LOG(GFCF) LOG(TR) LOG(AK) LOG(IVA) hitung R24
e. LOG(AK) C LOG(GFCF) LOG(TR) LOG(TRADE) LOG(IVA) hitung R25
f. LOG(IVA) C LOG(GFCF) LOG(TR) LOG(TRADE) LOG(AK) hitung R26
Model tersebut tidak mengandung Multikolinearitas jika :
R21 > R2
2 , R23, R
24, R
25, R
26,
Nilai R21 = 0,9987
Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta
Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.
Nilai R22 = 0,9691
Nilai R22 = 0,9781
Nilai R2
2 = 0,9457
Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta
Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.
Nilai R22 = 0,9870
Nilai R2
2 = 0,9928
Karena nilai R21 > R2
2 , R23, R
24, R
25, dan R
26
0,9987 > 0,9691, 0,9781, 0,9457, 0,9870 dan 0,9928
Maka model tersebut tidak mengandung Multikolinearitas
Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta
Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.
Hasil Persamaan regresi diatas
Estimation Command: ========================= LS LOG(GDP) C LOG(GFCF) LOG(TR) LOG(TRADE) LOG(AK) LOG(IVA) Estimation Equation: ========================= LOG(GDP) = C(1) + C(2)*LOG(GFCF) + C(3)*LOG(TR) + C(4)*LOG(TRADE) + C(5)*LOG(AK) + C(6)*LOG(IVA) Substituted Coefficients: ========================= LOG(GDP) = 4.6489 + 0.3739 LOG(GFCF) + 0.0498 LOG(TR) - 0.0688 LOG(TRADE) + 0.7019 LOG(AK) + 0.1781 LOG(IVA)
Fakultas Ekonomi dan Bisnis Universitas Muhammadiyah Yogyakarta
Bahan Ajar Regresi Berganda Agus Tri Basuki, SE., M.Si.
DAFTAR PUSTAKA
Gujarati, D. N. (2009). Basic econometrics. Tata McGraw-Hill Education.
Basuki, A. T., & Prawoto, N. (2016). ANALISIS REGRESI DALAM PENELITIAN
EKONOMI & BISIS (DILENGKAPI APLIKASI SPSS & EVIEWS).