Upload
iraa-nurcahyani
View
74
Download
5
Embed Size (px)
Citation preview
TUGAS PEMODELAN STATISTIKA
UJI ASUMSI REGRESI
IRA NURCAHYANIH12112258
JURUSAN MATEMATIKAFAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS HASANUDDINMAKASSAR
2015
Suatu penelitian dilakukan untuk mengetahui pengaruh motivasi terhadap prestasi belajar, diketahui Skor Motivasi (X) dan Skor Prestasi Belajar (Y). Data yang diperoleh sebagai berikut:
Responden
X Y
1 34 322 38 353 34 314 40 385 30 296 40 357 40 338 34 309 35 3210 39 3611 33 3112 32 3113 42 3614 40 3715 42 3516 42 3817 41 3718 32 3019 34 3020 36 3021 37 3322 36 3223 37 3424 39 3525 40 3626 33 3227 34 3228 36 3429 37 3230 38 34
Tentukan metode yang paling sesuai untuk menjelaskan hubungan antara variabel Y dan X ?
Penyelesaian:
Untuk menentukan metode yang paling sesuai untuk menentukan hubungan antara variabel X dan Y terlebih dahulu memenuhi asumsi regresi klasik
1. E (e )=0
2. V (e )=konstan dan terjadi heteroskedasitas3. cov (e )=0≠mengalamiautokorelasi .
Terlebih dahulu lakukan pendefinisian variable jumlah penduduk miskin
dan angka rata-rata lama sekolah pada tab Variabel view seperti pada
gambar di bawah ini.
Setelah itu, klik Data view untuk melakukan penginputan data. Data
yang telah diinput adalah seperti berikut:
Setelah itu barulah dilakukan uji asumsi klasik yaitu uji normalitas,
heteroskedastisitas, autokorelasi, dan multikolinearitas.
1.Asumsi Normalitas
Dengan grafik P-P Plot:
Untuk melakukan uji normalitas, pertama klik Analyze, Regression,
Linear seperti pada gambar di bawah:
Setelah itu masukkan variable Y di kotak Dependent dan X di kotak
Independent(s)
Kemudian pilih Plots, kemudian centang kotak Normal probability
plot, lalu klik kontinu
Hasilnya adalah sebagai berikut:
Pada prinsipnya normalitas dapat dideteksi dengan melihat penyebaran
data (titik) pada sumbu diagonal dari grafik.
Dasar pengambilan keputusan:
- Jika data menyebar disekitar garis diagonal dan mengikuti arah garis
diagonal maka model regresi memenuhi asumsi normalitas.
- Jika data menyebar jauh dari diagonal dan atau tidak mengikuti arah
garis diagonal maka model regresi tidak memenuhi asumsi
normalitas.
Dengan melihat tampilan grafik P-P Plot, terlihat titik-titik menyebar
disekitar garis diagonal, serta megikuti arah garis diagonal. Grafik ini
menunjukkan bahwa model regresi mememuhi asumsi normalitas.
Tetapi karena menggunakan grafik, interprestasi tiap orang dapat
berbeda karena unsur subjektifitas, maka dapat digunakan metode
lainnya salah satunya yaitu menggunakan uji statistik Kolmogorov
Smirnov.
Dengan Uji Statistik Kolmogorov Smirnov
Hipotesisnya:
H0 : Data residual berdistribusi Normal
H1 : Data residual tidak berdistribusi Normal
Lakukan langkah yang sama seperti sebelumnya, klik Analyze,
Regression, Linear.
Kemudian klik pada tab Save
Pada tab Save, centang Unstandardized untuk menampilkan data
Residualnya
Klik Continue, lalu OK.
Maka pada tab Data View akan muncul kolom baru yaitu RES_1 yang
merupakan residual dari variable independennya
Selanjutnya dilakukan uji kenormalan terhadap residunya dengan
memilih menu Analyze - Nonparametric Test - Legacy Dialogs –
(1-Sample K-S), kemudian Pindahkan Unstandardized Residual
ke kolom Test Variable List di sebelah kanan, centang pada Normal,
lalu klik OK.
Hasilnya adalah sebagai berikut:
One-Sample Kolmogorov-Smirnov Test
Unstandardized
Residual
N 30
Normal Parametersa,b Mean ,0000000
Std. Deviation 1,59170915
Most Extreme Differences Absolute ,079
Positive ,079
Negative -,074
Test Statistic ,079
Asymp. Sig. (2-tailed) ,200c,d
a. Test distribution is Normal.
b. Calculated from data.
c. Lilliefors Significance Correction.
d. This is a lower bound of the true significance.
Dari tabel di atas dapat diketahui bahwa nilai signifikan = 0,200, dan
nilai ini lebih besar jika dibandingkan dengan nilai α=0,05. Hal ini
berarti hipotesis nolnya diterima yang berarti residual berdistribusi
normal sehingga asumsi normalitas terpenuhi.
2.Asumsi Heteroskedastisitas
Dengan Scatter Plot
Deteksi heteroskedastisitas dapat dilakukan dengan metode scatter
plot dengan memplotkan nilai ZPRED (nilai prediksi) dengan SRESID
(nilai residualnya). Model yang baik didapatkan jika tidak terdapat
pola tertentu pada grafik, seperti mengumpul di tengah, menyempit
kemudian melebar atau sebaliknya melebar kemudian menyempit.
Pada Data View SPSS, Pilih menu Analyze – Regression –
Linear, pada kotak Dependent, isikan variabel dependent (Y) dan
pada kotak Independent, isikan variabel X lalu klik button Plots.
Pada menu Plots, masukkn ZPRED di kotak Y sedangkan SRESID di
kotak X seperti pada gambar berikut:
Maka hasilnya adalah sebagai berikut:
Dari plot di atas, dapat diketahui bahwa titik tersebar dan tidak
membentuk suatu pola tertentu sehingga disimpulkan bahwa data
tidak mengalami heteroskedastisitas.
Dengan Metode Glejser
Uji statistik yang dapat digunakan untuk mengetahui terjadinya atau
tidaknya heteroskedastisitas adalah uji Glejser, uji Park atau uji
White. Yang akan digunakan adalah uji Glejser.
Pada dasarnya uji ini menggunakan nilai residual dari variable
bebasnya yang kemudian dimutlakkan sehingga diperoleh nilai-nilai
residual yang positif. Sebelumnya telah diperoleh nilai residual dari
variable bebas pada saat melakukan uji asumsi normalitas. Nilai itu
akan digunakan kembali untuk uji Glejser ini. Langkah-langkahnya
adalah sebagai berikut:
Klik menu Transform – Compute Variable, kemudian lakukan
seperti gambar dibawah ini. Kotak Target Variable diisi dengan
nama variabel/kolom baru yaitu ABS_RES1 dan pada kotak
Numeric Expression merupakan formula dalam SPSS. Untuk
menggunakan formula Abs, pada function group pilih All
kemudian pada Functions and Special Variables pilih Abs. Klik
tanda arah panah ke atas untuk membentuk formulanya.
Tampilannya sebagai berikut:
Klik OK. Maka pada data view akan muncul kolom baru yaitu
ABS_RES1
Selanjutnya klik Analyze, Regression, Linear. Masukkan variable
ABS_RES1 pada kotak dependent dan X pada kotak
Independent(s). Lalu Klik OK.
Hasilnya adalah sebagai berikut:
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig.B Std. Error Beta
1 (Constant) 3,589 2,274 1,578 ,126
X -,070 ,068 -,191 -1,029 ,312
a. Dependent Variable: ABS_RES1
Dengan melihat nilai Sig. dan alpha= 5%. Terlihat bahwa nilai
Sig=0,312 > alpha=0,05 yang artinya secara statistik variabel
bebasnya tidak signifikan mempengaruhi variabel dependent. Jadi
dapat disimpulkan bahwa model regresi tidak mengandung
adanya Heteroskedastisitas.
3. Asumsi Autokorelasi
Beberapa uji statistic untuk mendeteksi autokorelasi yang sering
dipergunakan adalah uji Durbin-Watson, uji dengan Run Test dan
jika data observasi di atas 100 data sebaiknya menggunakan uji
Lagrange Multiplier. Kali ini akan dilakukan uji Durbin-Watson dan uji
dengan Run Test.
Uji Durbin Watson
Metode pengujian yang sering digunakan adalah dengan uji Durbin-
Watson (uji DW) dengan ketentuan sebagai berikut:
H0: Tidak terjadi autokorelasi
H1: Terjadi autokorelasi
Deteksi Autokorelasi Positif:
Jika d < dL maka terdapat autokorelasi positif,
Jika d > dU maka tidak terdapat autokorelasi positif,
Jika dL < d < dU maka pengujian tidak meyakinkan atau tidak ada
kesimpulan yang pasti.
Deteksi Autokorelasi Negatif:
Jika (4 - d) < dL maka terdapat autokorelasi negatif,
Jika (4 - d) > dU maka tidak terdapat autokorelasi negatif,
Jika dL < (4 - d) < dU maka pengujian tidak meyakinkan atau tidak
ada kesimpulan yang pasti.
Langkah-langkahnya adalah sebagai berikut:
Pada Data View SPSS, Pilih menu Analyze – Regression –
Linear, pada kotak Dependent, isikan variabel dependent (Y) dan
pada kotak Independent, isikan variabel X kemudian klik button
Statistics.
Pada bagian residual, centang Durbin-Watson seperti pada
gambar berikut:
Klik Continu lalu OK maka akan muncul output sebagai berikut:
Model Summaryb
Model R R Square
Adjusted R
Square
Std. Error of the
Estimate Durbin-Watson
1 ,881a ,776 ,768 1,620 1,697
a. Predictors: (Constant), X
b. Dependent Variable: Y
Berdasarkan table di atas, diperoleh nilai Durbin-Watson=1,697.
Nilai ini akan dibandingkan dengan nilai batas bawah (dL) dan
batas atas (dU) pada table Durbin-Watson. Tabelnya adalah
sebagai berikut:
Dari tabel pada n=30 dan k=1 diperoleh bahwa nilai dL=1,35
sedangkan dU=1,49. Nilai dw dari output SPSS tadi adalah 1,697.
Karena nilai dw > dU yaitu 1,697>1,49 maka disimpulkan bahwa
tidak terjadi autokorelasi positif.
Karena nilai (4-dw) > dU, yaitu (4-1,697)=2,303>1,49 maka
disimpulkan bahwa tidak terjadi autokorelasi negative.
Uji dengan Run-Test
Run test sebagai bagian dari statistik non-parametrik dapat
digunakan untuk menguji apakah antar residual terdapat korelasi
yang tinggi atau tidak. Jika antar residual tidak terdapat hubungan
korelasi maka dikatakan bahwa residual adalah acak atau random.
Run Test digunakan untuk melihat apakah residual terjadi secara
random atau tidak.
H0 : Residual Random (acak)
H1 : Residual Tidak Random
Uji ini memerlukan nilai residual yang sebelumnya telah diperoleh
dan nilainya ada pada data view di kolom RES_1.
Langkah-langkahnya adalah sebagai berikut:
Pilih menu Analyze - Nonparametric Test - Legacy Dialogs –
Runs, kemudian Pindahkan RES_1 ke kolom Test Variable List di
sebelah kanan, centang pada Median, lalu klik OK.
Hasilnya adalah sebagai berikut:
Runs Test
Unstandardized
Residual
Test Valuea -,16781
Cases < Test Value 15
Cases >= Test Value 15
Total Cases 30
Number of Runs 16
Z ,000
Asymp. Sig. (2-tailed) 1,000
a. Median
Hasil run test menunjukkan bahwa nilai Asymp. Sig. (2-
tailed)=1,000 > 0.05 yang berarti Hipotesis nol diterima. Dengan
demikian, data yang dipergunakan cukup random sehingga
tidak terdapat masalah autokorelasi pada data yang diuji.
Karena semua asumsi telah terpenuhi, maka selanjutnya dilakukan
pembentukan model regresinya dengan cara klik Analyze, Regression,
Linear. Pada kotak Dependent, isikan variabel dependent (Y) dan pada
kotak Independent, isikan variabel X. Lalu klik OK. Maka hasilnya adalah
sebagai berikut:
Variables Entered/Removeda
Mode
l
Variables
Entered
Variables
Removed Method
1 Xb . Enter
a. Dependent Variable: Y
b. All requested variables entered.
Model Summaryb
Mode
l R
R
Square
Adjusted R
Square
Std. Error of
the Estimate
Durbin-
Watson
1 ,881a ,776 ,768 1,620 1,697
a. Predictors: (Constant), X
b. Dependent Variable: Y
ANOVAa
Model
Sum of
Squares df
Mean
Square F Sig.
1 Regression 254,694 1 254,694 97,062 ,000b
Residual 73,473 28 2,624
Total 328,167 29
a. Dependent Variable: Y
b. Predictors: (Constant), X
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig.B Std. Error Beta
1 (Constant
)-1,295 3,881 -,334 ,741
X 1,144 ,116 ,881 9,852 ,000
a. Dependent Variable: Y
Model regresinya adalah:
Y=−1,295+1,144 X
Dimana nilai R Squarenya adalah 0,776.
Jadi, data tentang pengaruh motivasi terhadap prestasi belajar yang
diketahui Skor Motivasi (X) dan Skor Prestasi Belajar (Y) memenuhi
ketiga asumsi regresi klasik yaitu asumsi normalitas, asumsi
heteroskedastisitas, dan asumsi autokorelasi. Karena telah memenuhi
ketiga asumsi, maka tidak dilakukan transformasi.