Analisa regresi sederhana digunakan untuk
menggambarkan efek dari satu variabel independen terhadap sau variabel
dependen. Model regresi linier sederhana dinyatakan dalam persamaan Y = β0
+ β1X + ε dimana Y merupaka variabel respon dan X merupakan variabel prediktor.
Analisa regresi sederhana dapat dilakukan dengan mudah menggunakan program
SPSS. Namun perlu diperhatikan ada beberapa asumsi yang perlu dipenuhi oleh
suatu data untuk dapat dilakukan analisa regresi sederhana. Asumsi-asumsi
tersebut antara lain :
a. Asumsi Linieritas (dilihat dari scatterplot *zresid
by *zpred)
b. Asumsi Normalitas (dilihat dari Normal P-P Plot)
c. Asumsi Homoskedastisitas (dilihat dari scatterplot
*sresid by *zpred)
d. Asumsi Non-autokorelasi (dilihat dari nilai
Durbin-Watson pada tabel Model Summary)
Langkah-langkah analisa regresi sederhana
menggunakan program SPSS adalah sebagai berikut :
- Input data
- Klik Graph àScatter
- Define (isikan variabel Y ke kolom Y axis dan
variabel X ke X axis)
- Klik
Analyze
- Regression
à Linear (Isikan Y sebagai variabel dependen dan X sebagai variabel
independen)
- Klik
Statistics à beri tanda cek (ü) pada kotak Durbin-Watson
- Continue
- Klik Plot
- Isikan
*ZRESID ke kotak Y dan *ZPRED ke kotak X
- Klik Next
- Isikan
*SRESID ke kotak Y dan *ZPRED ke kotak X
- Beri tanda
cek (ü) pada kotak Histogram dan Normal Probability Plot
- Continue
- Klik Save
- Beri cek (ü) pada kotak unstandardized di tab Predicted Values dan Residuals
- Continue
- OK
Berikut adalah contoh data yang dapat dianalisa
menggunakan model regresi linier sederhana :
Seorang
pebisnis melakukan penelitian untuk menentukan hubungan antara biaya pemasangan
iklan per minggu dan hasil penjualannya. Diberikan data sebagai berikut :
Biaya Iklan
|
Penjualan
|
40
|
385
|
20
|
400
|
25
|
395
|
20
|
365
|
30
|
475
|
50
|
440
|
40
|
490
|
20
|
420
|
50
|
560
|
40
|
525
|
25
|
480
|
50
|
510
|
Berikut
adalah output hasil analisis regresi sederhana menggunakan SPSS:
Graph
Regression
Variables
Entered/Removedb
Model
|
Variables
Entered
|
Variables
Removed
|
Method
|
1
|
Biaya
Iklana
|
.
|
Enter
|
a. All requested variables entered.
b. Dependent Variable: Penjualan
Model
Summaryb
Model
|
R
|
R
Square
|
Adjusted
R Square
|
Std.
Error of the Estimate
|
Durbin-Watson
|
1
|
.635a
|
.403
|
.343
|
50.226
|
1.353
|
a. Predictors: (Constant), Biaya Iklan
b. Dependent Variable: Penjualan
ANOVAb
Model
|
Sum
of Squares
|
df
|
Mean
Square
|
F
|
Sig.
|
|
1
|
Regression
|
17030.044
|
1
|
17030.044
|
6.751
|
.027a
|
Residual
|
25226.206
|
10
|
2522.621
|
|||
Total
|
42256.250
|
11
|
||||
a. Predictors: (Constant), Biaya Iklan
b. Dependent Variable: Penjualan
Coefficientsa
Model
|
Unstandardized
Coefficients
|
Standardized
Coefficients
|
t
|
Sig.
|
||
B
|
Std.
Error
|
Beta
|
||||
1
|
(Constant)
|
343.706
|
44.766
|
7.678
|
.000
|
|
Biaya
Iklan
|
3.221
|
1.240
|
.635
|
2.598
|
.027
|
|
a. Dependent Variable: Penjualan
Residuals
Statisticsa
Minimum
|
Maximum
|
Mean
|
Std.
Deviation
|
N
|
|
Predicted
Value
|
408.12
|
504.75
|
453.75
|
39.347
|
12
|
Std.
Predicted Value
|
-1.160
|
1.296
|
.000
|
1.000
|
12
|
Standard
Error of Predicted Value
|
15.391
|
24.402
|
20.197
|
3.696
|
12
|
Adjusted
Predicted Value
|
405.05
|
524.75
|
454.24
|
40.152
|
12
|
Residual
|
-87.538
|
55.774
|
.000
|
47.888
|
12
|
Std.
Residual
|
-1.743
|
1.110
|
.000
|
.953
|
12
|
Stud.
Residual
|
-1.841
|
1.259
|
-.004
|
1.040
|
12
|
Deleted
Residual
|
-97.705
|
72.326
|
-.485
|
57.084
|
12
|
Stud.
Deleted Residual
|
-2.149
|
1.302
|
-.034
|
1.110
|
12
|
Mahal.
Distance
|
.116
|
1.680
|
.917
|
.647
|
12
|
Cook's
Distance
|
.002
|
.336
|
.097
|
.110
|
12
|
Centered
Leverage Value
|
.011
|
.153
|
.083
|
.059
|
12
|
a. Dependent Variable: Penjualan
Charts
Scatterplot *zresid by
*zpred
Scatterplot *sresid by *zpred
Tidak ada komentar:
Posting Komentar