http://resources.unpad.ac.id/unpad-content/uploads/publikasi_dosen/THEIL%27S%20METHOD.pdf

http://tutorial-pdf.tp.ac.id/bank/THEIL%27S%20METHOD.pdf

http://docmanual.com/archives/Statistik_Regresi_Linier_3_Variabel_Bebas.html

Regresi Linear

Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui pengaruh antara satu atau beberapa variabel terhadap satu buah variabel. Variabel yang mempengaruhi sering disebut variabel bebas, variabel independen atau variabel penjelas. Variabel yang dipengaruhi sering disebut dengan variabel terikat atau variabel dependen.

Secara umum regresi linear terdiri dari dua, yaitu regresi linear sederhana yaitu dengan

satu buah variabel bebas dan satu buah variabel terikat; dan regresi linear berganda

dengan beberapa variabel bebas dan satu buah variabel terikat. Analisis regresi linear

merupakan metode statistik yang paling jamak dipergunakan dalam penelitian-penelitian

sosial, terutama penelitian ekonomi. Program komputer yang paling banyak digunakan

adalah SPSS (Statistical Package For Service Solutions).

Regresi Linear Sederhana

Analisis regresi linear sederhana dipergunakan untuk mengetahui pengaruh antara satu

buah variabel bebas terhadap satu buah variabel terikat. Persamaan umumnya adalah:

Y = a + b X.

Dengan Y adalah variabel terikat dan X adalah variabel bebas. Koefisien a adalah

konstanta (intercept) yang merupakan titik potong antara garis regresi dengan sumbu Y

pada koordinat kartesius.

Langkah penghitungan analisis regresi dengan menggunakan program SPSS adalah:

Analyse --> regression --> linear. Pada jendela yang ada, klik variabel terikat lalu klik

tanda panah pada kota dependent. Maka variabel tersebut akan masuk ke kotak sebagai

variabel dependen. Lakukan dengan cara yang sama untuk variabel bebas (independent).

Lalu klik OK dan akan muncul output SPSS.

Interpretasi Output

1. Koefisien determinasi

Koefisien determinasi mencerminkan seberapa besar kemampuan variabel bebas dalam

menjelaskan varians variabel terikatnya. Mempunyai nilai antara 0 – 1 di mana nilai yang

mendekati 1 berarti semakin tinggi kemampuan variabel bebas dalam menjelaskan

varians variabel terikatnya.

2. Nilai t hitung dan signifikansi

Nilai t hitung > t tabel berarti ada pengaruh yang signifikan antara variabel bebas

terhadap variabel terikat, atau bisa juga dengan signifikansi di bawah 0,05 untuk

penelitian sosial, dan untuk penelitian bursa kadang-kadang digunakan toleransi sampai

dengan 0,10.

3. Persamaan regresi

Sebagai ilustrasi variabel bebas: Biaya promosi dan variabel terikat: Profitabilitas (dalam

juta rupiah) dan hasil analisisnya Y = 1,2 + 0,55 X. Berarti interpretasinya:

1. Jika besarnya biaya promosi meningkat sebesar 1 juta rupiah, maka profitabilitas

meningkat sebesar 0,55 juta rupiah.

2. Jika biaya promosi bernilai nol, maka profitabilitas akan bernilai 1,2 juta rupiah.

Interpretasi terhadap nilai intercept (dalam contoh ini 1,2 juta) harus hati-hati dan sesuai

dengan rancangan penelitian. Jika penelitian menggunakan angket dengan skala likert

antara 1 sampai 5, maka interpretasi di atas tidak boleh dilakukan karena variabel X tidak

mungkin bernilai nol. Interpretasi dengan skala likert tersebut sebaiknya menggunakan

nilai standardized coefficient sehingga tidak ada konstanta karena nilainya telah

distandarkan.

Contoh: Pengaruh antara kepuasan (X) terhadap kinerja (Y) dengan skala likert antara 1

sampai dengan 5. Hasil output yang digunakan adalah standardized coefficients sehingga

Y = 0,21 X dan diinterpretasikan bahwa peningkatan kepuasan kerja akan diikuti dengan

peningkatan kinerja atau penurunan kepuasan kerja juga akan diikuti dengan penurunan

kinerja. Peningkatan kepuasan kerja dalam satu satuan unit akan diikuti dengan

peningkatan kinerja sebesar 0,21 (21%).

Regresi Linear Berganda

Analisis regresi linear berganda sebenarnya sama dengan analisis regresi linear

sederhana, hanya variabel bebasnya lebih dari satu buah. Persamaan umumnya adalah:

Y = a + b1 X1 + b2 X2 + .... + bn Xn.

Dengan Y adalah variabel bebas, dan X adalah variabel-variabel bebas, a adalah

konstanta (intersept) dan b adalah koefisien regresi pada masing-masing variabel bebas.

Interpretasi terhadap persamaan juga relatif sama, sebagai ilustrasi, pengaruh antara

motivasi (X1), kompensasi (X2) dan kepemimpinan (X3) terhadap kepuasan kerja (Y)

menghasilkan persamaan sebagai berikut:

Y = 0,235 + 0,21 X1 + 0,32 X2 + 0,12 X3

1. Jika variabel motivasi meningkat dengan asumsi variabel kompensasi dan

kepemimpinan tetap, maka kepuasan kerja juga akan meningkat

2. Jika variabel kompensasi meningkat, dengan asumsi variabel motivasi dan

kepemimpinan tetap, maka kepuasan kerja juga akan meningkat.

3. Jika variabel kepemimpinan meningkat, dengan asumsi variabel motivasi dan

kompensasi tetap, maka kepuasan kerja juga akan meningkat.

Interpretasi terhadap konstanta (0,235) juga harus dilakukan secara hati-hati. Jika

pengukuran variabel dengan menggunakan skala Likert antara 1 sampai dengan 5 maka

tidak boleh diinterpretasikan bahwa jika variabel motivasi, kompensasi dan

kepemimpinan bernilai nol, sebagai ketiga variabel tersebut tidak mungkin bernilai nol

karena Skala Likert terendah yang digunakan adalah 1.

Analisis regresi linear berganda memerlukan pengujian secara serempak dengan

menggunakan F hitung. Signifikansi ditentukan dengan membandingkan F hitung dengan

F tabel atau melihat signifikansi pada output SPSS. Dalam beberapa kasus dapat terjadi

bahwa secara simultan (serempak) beberapa variabel mempunyai pengaruh yang

signifikan, tetapi secara parsial tidak. Sebagai ilustrasi: seorang penjahat takut terhadap

polisi yang membawa pistol (diasumsikan polisis dan pistol secara serempak membuat

takut penjahat). Akan tetapi secara parsial, pistol tidak membuat takut seorang penjahat.

Contoh lain: air panas, kopi dan gula menimbulkan kenikmatan, tetapi secara parsial,

kopi saja belum tentu menimbulkan kenikmatan.

Penggunaan metode analisis regresi linear berganda memerlukan asumsi klasik yang

secara statistik harus dipenuhi. Asumsi klasik tersebut meliputi asumsi normalitas,

multikolinearitas, autokorelasi, heteroskedastisitas dan asumsi linearitas (akan dibahas

belakangan).

Langkah-langkah yang lazim dipergunakan dalam analisis regresi linear berganda adalah

1) koefisien determinasi; 2) Uji F dan 3 ) uji t. Persamaan regresi sebaiknya dilakukan di

akhir analisis karena interpretasi terhadap persamaan regresi akan lebih akurat jika telah

diketahui signifikansinya. Koefisien determinasi sebaiknya menggunakan adjusted R

Square dan jika bernilai negatif maka uji F dan uji t tidak dapat dilakukan.

Pertanyaan-pertanyaan yang sering muncul

1. Dalam uji regresi sederhana apakah perlu menginterpretasikan nilai F hitung?

Uji F adalah uji kelayakan model (goodness of fit) yang harus dilakukan dalam analisis

regresi linear. Untuk analisis regresi linear sederhana Uji F boleh dipergunakan atau

tidak, karena uji F akan sama hasilnya dengan uji t.

2. Kapan menggunakan uji dua arah dan kapan menggunakan uji dua arah?

Penentuan arah adalah berdasarkan masalah penelitian, tujuan penelitian dan perumusan

hipotesis. Jika hipotesis sudah menentukan arahnya, maka sebaiknya digunakan uji satu

arah, tetapi jika hipotesis belum menentukan arah, maka sebaiknya menggunakan uji dua

arah. Penentuan arah pada hipotesis berdasarkan tinjauan literatur. Contoh hipotesis dua

arah: Terdapat pengaruh antara kepuasan terhadap kinerja. Contoh hipotesis satu arah:

Terdapat pengaruh positif antara kepuasan terhadap kinerja. Nilai t tabel juga berbeda

antara satu arah dan dua arah. Jika menggunakan signifikansi, maka signifikansi hasil

output dibagi dua terlebih dahulu, baru dibandingkan dengan 5%.

3. Apa bedanya korelasi dengan regresi?

Korelasi adalah hubungan dan regresi adalah pengaruh. Korelasi bisa berlaku bolak-balik,

sebagai contoh A berhubungan dengan B demikian juga B berhubungan dengan A. Untuk

regresi tidak bisa dibalik, artinya A berpengaruh terhadap B, tetapi tidak boleh dikatakan

B berpengaruh terhadap A. Dalam kehidupan sehari-hari kedua istilah itu (hubungan dan

pengaruh) sering dipergunakan secara rancu, tetapi dalam ilmu statistik sangat berbeda. A

berhubungan dengan B belum tentu A berpengaruh terhadap B. Tetapi jika A

berpengaruh terhadap B maka pasti A juga berhubungan dengan B. (Dalam analisis lanjut

sebenarnya juga ada pengaruh yang bolak-balik yang disebut dengan recursive, yang

tidak dapat dianalisis dengan analisis regresi tetapi menggunakan structural equation

modelling).

Posted by Konsultan Statistik at 17:08  

Read more: http://www.konsultanstatistik.com/2009/03/regresi-linear.html#ixzz1OSzV1DuB

http://www.konsultanstatistik.com/2009/03/regresi-linear.html

Dummy   Trap 30 03 2008

Mungkin istilah ini agak asing di telinga para pengguna metode statistika yang belum pernah mempelajari Analisis Regresi dengan variabel dummy (RVD). Yup, dummy trap berarti “jebakan” yang mungkin akan menjerat para pengguna RVD. Jebakannya berupa munculnya kasus multikolinieritas dalam model RVD.

Dummy trap terjadi apabila banyaknya variabel dummy yang digunakan sama banyak dengan banyaknya kategori dalam setiap variabel yang akan di jadikan variabel dummy.

Contoh: terdapat variabel jenis kelamin yang akan dijadikan variabel dummy. Kita tahu bahwa variabel jenis kelamin memiliki 2 kategori, yaitu Pria dan Wanita. Apabila analis

menggunakan 2 buah variabel dummy, misal DP (dummy untuk Pria) dan DW (dummy untuk wanita), maka kasus multikolinieritas akan muncul. Hal ini disebabkan karena untuk setiap baris data yang berbentuk baris-kolom (matriks), baris ke-i pada kolom DP yang bernilai 1 berkenaan dengan nilai 0 pada baris ke-i kolom DW. Maksudnya, untuk setiap baris ke-i kolom DP yang bernilai 1, kolom DW selalu bernilai 0. Demikian juga untuk setiap baris ke-k kolom DP yang bernilai 0, kolom DW baris ke-k selalu bernilai 1. Hal inilah yang menyebabkan terjadinya korelasi.

Kalo diantara pembaca ada yang pernah belajar aljabar matriks, apabila nilai suatu kolom berhubungan dengan kolom yang lain, maka nilai determinan matriks tersebut bernilai nol. Nah, kita tahu di dalam aljabar perhitungan regresi linier, untuk mendapatkan koefisien regresi, perhitungan dilakukan menggunakan sistem matriks. Kalo determinan matriks tidak ditemukan, maka invers dari suatu matriks tidak dapat ditemukan juga, sehingga nilai koefisien regresi linier menjadi tak hingga.

Untuk menghindari terjerat dummy trap, maka seharusnya banyaknya variabel dummy yang boleh dibentuk sesuai rumus:

banyak_var_dummy = banyaknya_kategori_variabel – 1

Dengan demikian, banyak variabel yang bisa dibentuk dari kasus di atas adalah: 2-1 = 1 buah variabel dummy agar tidak terjerat dummy trap.

Perbedaan Error dengan   Residual 24 04 2008

Seringkali ditemui di lapangan, bahwa para pengguna statistika kurang paham mengenai beda antara istilah residual dengan error. Kasus ini sering ditemui dalam konsep regresi. Walaupun kedua istilah ini di dalam bahasa Indonesia memiliki terjemahan yang sama, yaitu galat, namun demikian, keduanya sebenarnya memiliki perbedaan.

Secara matematis:

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.

*Predicted value adalah nilai duga yang dihasilkan dari model regresi yang diperoleh. Misal model regresi yang diperoleh: y = 2+3x. Apabila kita memasukkan nilai x = 1, maka predicted value dalam kasus ini  adalah y = 2+3*1 = 5.

Autokorelasi19 03 2008

Autokorelasi dalam konsep regresi linier berarti komponen error berkorelasi berdasarkan urutan waktu (pada data timeseries) atau urutan ruang (pada data cross-sectional).

Contoh data timeseries (terdapat urutan waktu) misalnya pengaruh biaya iklan terhadap penjualan dari bulan januari hingga bulan desember. Sedangkan data cross-sectional adalah data yang tidak ada urutan waktu, misal pengaruh konsentrasi zat X terhadap kecepatan reaksi suatu senyawa kimia.

Untuk mendeteksi ada atau tidaknya autokorelasi, dapat dilakukan dengan menggunakan statistik uji Durbin-Watson. Apabila nilai D-W berada di sekitar angka 2, berarti model regresi kita aman dari kondisi heteroskedastisitas.

Daftar Pustaka:

Gujarati, D. 1991. Ekonometrika Dasar. Penerbit Erlangga. Jakarta.

Kutner, M.H., C.J. Nachtsheim dan J. Neter. 2004. Applied Linear Regression Models.     Fourth Ed. The McGraw-Hill Company, Inc. New York.

Multikolinieritas19 03 2008

Multikolinieritas adalah suatu kondisi dimana terjadi korelasi yang kuat diantara variabel-variabel bebas (X) yang diikutsertakan dalam pembentukan model regresi linier. Jelas bahwa multikolinieritas adalah suatu kondisi yang menyalahi asumsi regresi linier. Tentu saja, multikolinieritas TIDAK MUNGKIN TERJADI apabila variabel bebas (X) yang diikutsertakan hanya satu.

Ciri-ciri yang sering ditemui apabila model regresi linier kita mengalami multikolinieritas adalah:

1. Terjadi perubahan yang berarti pada koefisien model regresi (misal nilainya menjadi lebih besar atau kecil) apabila dilakukan penambahan atau pengeluaran sebuah variabel bebas dari model regresi.

2. Diperoleh nilai R-square yang besar, sedangkan koefisien regresi tidak signifikan pada uji parsial.

3. Tanda (+ atau -) pada koefisien model regresi berlawanan dengan yang disebutkan dalam teori (atau logika). Misal, pada teori (atau logika) seharusnya b1 bertanda (+), namun yang diperoleh justru bertanda (-).

4. Nilai standard error untuk koefisien regresi menjadi lebih besar dari yang sebenarnya (overestimated)

Untuk mendeteksi apakah model regresi kita mengalami multikolinieritas, dapat diperiksa menggunakan VIF. VIF merupakan singkatan dari Variance Inflation Factor. Nilai VIF > 10 berarti telah terjadi multikolinieritas yang serius di dalam model regresi kita.

Daftar Pustaka:

Gujarati, D. 1991. Ekonometrika Dasar. Penerbit Erlangga. Jakarta.

Kutner, M.H., C.J. Nachtsheim dan J. Neter. 2004. Applied Linear Regression Models.     Fourth Ed. The McGraw-Hill Company, Inc. New York.

Heteroskedastisitas19 03 2008

Salah satu asumsi regresi linier yang harus dipenuhi adalah homogenitas ragam dari error (homoskedastisitas; homoscedasticity). Homoskedastisitas berarti bahwa ragam dari error bersifat konstan.

Salah satu statistik uji yang dapat digunakan untuk menguji apakah ragam dari error bersifat homoskedastik atau tidak adalah Breusch-Pagan Test. Menurut Kutner, dkk (2004), uji ini mengasumsikan bahwa komponen error adalah independen dan tersebar normal. Selain itu, ragam dari error berhubungan dengan level dari variabel bebas X yang dirumuskan sebagai berikut:

ln sigma_sq = b0 + b1X1 + b2X2 + …

Untuk menghitung Breusch-Pagan Test, langkah yang harus dilakukan adalah melakukan regresi e_sq (sbg var terikat Y) terhadap variabel X (sebagai variabel independen, bebas). Kemudian mengambil nilai Jumlah Kuadrat Regresi (JKR) serta Jumlah Kuadrat Galatnya (JKG) untuk dimasukkan ke dalam rumus:

BP = (0.5*SSR) / ((JKG/n)^2)

BP mengikuti sebaran chi-square, dengan derajat bebas db = banyaknya var bebas yang diikutsertakan (tidak termasuk intersep).

Keterangan:

BP = nilai statistik uji Breusch-Pagan Test

ln = logaritma natural

sigma_sq = nilai ragam error

e_sq = error kuadrat. Pada proses perhitungan, e_sq adalah nilai residual kuadrat dari model regresi Y = b0 + b1X1 + b2X2 + …

Asumsi Kenormalan Pada Error Model Regresi   Linier 23 10 2007

Seperti yang telah diketahui bersama, model regresi mengasumsikan bahwa error menyebar mengikuti sebaran (distribusi) normal, dengan rata-rata nol dan simpangan baku tertentu. Pertanyaannya, bagaimanakah cara menguji asumsi kenormalan dari error model regresi. Setidaknya ada dua cara yang dapat dilakukan, yaitu dengan menggunakan statistik uji dan dengan grafis. Nah, sekarang kita diskusikan mengenai pengecekan asumsi kenormalan error model regesi dengan metode grafis.Dalam praktek, error dari model regresi tidak dapat (atau sangat sulit) diketahui. Sebagai gantinya, kita dapat menguji asumsi kenormalan error model regresi dengan menggunakan nilai residual.Terdapat beberapa alat yang bisa digunakan untuk memeriksa apakah residual menyebar normal atau tidak, misalnya dengan histogram, QQ-plot, dll. Disini hanya akan dibahas pemeriksaan kenormalan residual dengan histogram dan QQ-plot. Sedangkan data yang digunakan adalah data simulasi yang dibangkitkan (generated) dengan menggunakan software R. Dalam kasus ini dibangkitkan data yang menyebar Normal dengan rata-rata nol dan simpangan baku 1. Pembaca boleh membangkitkan sembarang data yang menyebar normal, asalkan memiliki rata-rata nol.

1. Menggunakan HistogramApabila residual mengikuti sebaran normal, maka bentuk histogram akan simetris/mendekati simetris (seimbang), dimana sebagian besar data akan terpusat ditengah-tengah histogram. Hal ini ditunjukkan dengan nilai-nilai frekuensi yang besar berada di tengah-tengah histogram. Perhatikan bahwa histogram terpusat di sekitar titik 0, yang menunjukkan bahwa residual memiliki rata-rata nol.

2. Menggunakan QQ-Plot (Quantile-Quantile Plot)QQ plot akan membentuk plot antara nilai-nilai quantil teoritis (sumbu x) melawan nilai-nilai quantil yang didapat dari sampel (sumbu y). Apabila plot dari keduanya berbentuk linier (dapat didekati oleh garis lurus), maka hal ini merupakan indikasi bahwa residual menyebar normal. Pada gambar di bawah ini, plot dari keduanya berbentuk linier sehingga dapat didekati oleh garis lurus warna biru. Dengan demikian dapat dikatakan bahwa residual menyebar normal.Seringkali ditemui bahwa ujung-ujung plot pada QQ-plot agak menyimpang dari garis lurus. Pembaca janganlah merasa bahwa hal tersebut adalah hal serius. Bila pola-pola

titik yang terletak selain di ujung-ujung plot masih berbentuk linier, meskipun ujung-ujung plot agak menyimpang dari garis lurus, kita dapat mengatakan bahwa sebaran data (dalam hal ini residual) adalah menyebar normal.

http://ineddeni.wordpress.com/category/regresi-linier-dan-korelasi/

Regresi Linear dengan Variabel Moderating

Variabel moderating adalah variabel yang memperkuat atau memperlemah hubungan antara satu variabel dengan variabel lain. Sebagai contoh: seorang suami menyayangi istrinya. Dengan hadirnya seorang anak, maka rasa sayang tersebut bertambah. Berarti variabel anak merupakan moderating antara rasa saya suami terhadap istri. Contoh lain: kompensasi memperkuat pengaruh antara kepuasan kerja terhadap kinerja. Artinya kepuasan kerja berpengaruh terhadap kinerja, dan adanya kompensasi yang tinggi maka pengaruh antara kepuasan kerja terhadap kinerja menjadi lebih meningkat. Dalam hal ini, kompensasi bisa saja berpengaruh terhadap kinerja bisa saja tidak.Metode analisis regresi linear dengan variabel moderating:

1. Multiple Regression Analysis (MRA)Metode ini dilakukan dengan menambahkan variabel perkalian antara variabel bebas dengan variabel moderatingnya, sehingga persamaan umumnya adalah sebagai berikut: Y = a + b1 X1 + b2 X2 + b3 X1 X2 dengan Y adalah kinerja, X1 adalah kepuasan kerja, X2 kompensasi dan X1 X2 adalah perkalian antara kepuasan kerja dengan kompensasi. Hipotesis moderating diterima jika variabel X1 X2 mempunyai pengaruh signifikan terhadap Y, tidak tergantung apakah X1 dan X2 mempunyai pengaruh terhadap Y atau tidak. Model ini biasanya menyalahi asumsi multikolinearitas atau adanya korelasi yang tinggi antara variabel bebas dalam model regresi, sehingga menyalahi asumsi klasik. Hampir tidak ada model MRA yang terbebas dari masalah multikolinearitas, sehingga sebenarnya model ini tidak disarankan untuk dipergunakan.

2. Absolut residualModel ini mirip dengan MRA, tetapi variabel moderating didekati dengan selisih mutlak (absolut residual) antara variabel bebas dengan variabel moderatingnya. Penerimaan hipotesis juga sama, dan model ini masih riskan terhadap gangguan multikolinearitas meskipun risiko itu lebih kecil dari pada dengan metode MRA.

3. ResidualModel ini menggunakan konsep lack of fit yaitu hipotesis moderating diterima terjadi jika terdapat ketidakcocokan dari deviasi hubungan linear antara variabel independen. Langkahnya adalah dengan meregresikan antara kepuasan kerja terhadap kompensasi dan dihitung nilai residualnya. Pada program SPSS dengan klik Save pada regreesion, lalu klik pada usntandardized residual. Nilai residual kemudian diambil nilai absolutnya lalu diregresikan antara kinerja terhadap absolut residual. Hipotesis moderating diterima jika

nilai t hitung adalah negatif dan signifikan. Model ini terbebas dari gangguan multikolinearitas karena hanya menggunakan satu variabel bebas.

Pertanyaan-pertanyaan yang sering muncul:

1. Ada model regresi moderating dengan MRA tetapi output memenuhi uji multikolinearitas?

Hampir tidak ada model moderating dengan MRA yang terbebas dari gangguan multikolinearitas. Banyak output pada skripsi yang dimanipulasi agar tampaknya memenuhi asumsi multikolinearitas padahal sebenarnya tidak. Hal ini banyak terjadi di mana (maaf) dosen tidak terlalu menguasai statistik secara baik. Penulis sendiri belum pernah melihat tabulasi data yang memenuhi model moderating dengan metode MRA.

2. Bagaimana model regresi moderating dengan dua buah variabel bebas?

Model dengan MRA menjadi Y = a + b1 X1 + b2 X2 + b3 X3 + b4 X1 X2 + b5 X1 X3 + b6 X2 X3 + bb X1 X2 X3 di mana X3 adalah variabel moderating (he he...jadi panjang banget kan). Hipotesis diterima jika X1 X2 X3 signifikan, tetapi hampir pasti model ini menyalahi asumsi multikolinearitas. Sebaiknya digunakan model residual dengan lack of fit.

3. Bagaimana merancang model regresi dengan moderating pada penelitian?

Model moderating ditentukan dengan tinjauan teoretis, sehingga analisis dengan moderating hanya mengkonfirmasi saja teori tersebut apakah cocok dengan model empiris. Tidak boleh menggunakan alat statistik moderating untuk mengidentifikasikan bahwa variabel itu merupakan variabel moderating.

Posted by Konsultan Statistik at 16:43

Read more: http://www.konsultanstatistik.com/2009/03/regresi-linear-dengan-variabel.html#ixzz1OT0nA9yc

http://www.konsultanstatistik.com/2009/03/regresi-linear-dengan-variabel.html

Regresi Linear dengan Variabel Intervening

Variabel intervening adalah variabel antara atau variabel mediating. Model regresi dengan variabel intervening merupakan hubungan bertingkat sehingga jika dengan analisis regresi harus menggunakan analisis jalur (path analysis) atau disarankan menggunakan metode structural equation modelling (SEM). Metode SEM akan dibahas belakangan dengan menggunakan Program AMOS atau LISREL

Regresi dengan variabel intervening dipergunakan untuk melihat pengaruh tidak langsung antara satu variabel terhadap variabel yang lain. Sebagai contoh: Gaya Evaluasi Atasan (GEA) mempunyai pengaruh terhadap Kinerja Manajerial (KM) melalui Tekanan Kerja (TK). GEA mempunyai pengaruh langsung terhadap KM tetapi juga bisa mempunyai pengaruh tidak langsung terhadap KM melalui TK. GEA diinterpretasikan mempunyai pengaruh tidak langsung terhadap KM melalui TK jika pengaruh GEA terhadap TK signifikan dan pengaruh TK terhadap KM juga signifikan. Dalam suatu kasus bisa saja variabel mempunyai pengaruh langsung terhadap suatu variabel dan pengaruh tidak langsung terhadap variabel tersebut melalui variabel yang lain.

Posted by Konsultan Statistik at 23:29

Read more: http://www.konsultanstatistik.com/2009/03/regresi-linear-dengan-variabel_13.html#ixzz1OT0xsrXY

http://www.konsultanstatistik.com/2009/03/regresi-linear-dengan-variabel_13.html