NAMA : NOVITA PUTRI UNTARI
KELAS/ NIM : B1/ 2017020043
A. Rangkuman
materi
BAB III
MODEL REGRESI DENGAN DUA
VARIABEL
Bentuk model
Fungsi regresi yang menggunakan data populasi (FRP) umumnya
menuliskan simbol konstanta dan koefisien regresi dalam huruf besar, sebagai
berikut:
Y = A + BX + ……….. (pers.3.1)
Fungsi
regresi yang menggunakan data sampel (FRS) umumnya menuliskan simbol konstanta
dan koefien regresi dengan huruf kecil, seperti contoh sebagai berikut:
Y = a +
bX + e ………..
(pers.3.2)
Dimana:
A
atau a; merupakan konstanta atau intercept
B
atau b; merupakan
koefisien regresi, yang
juga menggambarkan tingkat elastisitas variabel independen
Y merupakan variabel dependen
X
merupakan variabel independen
Notasi a dan b merupakan perkiraan dari A dan B. Huruf a,
b, disebut sebagai estimator atau statistik, sedangkan nilainya disebut sebagai
estimate atau nilai perkiraan.
Meskipun penulisan simbol konstanta dan koefisien
regresinya agak berbeda, namun penghitungannya menggunakan metode yang sama,
yaitu dapat dilakukan dengan metode kuadrat terkecil biasa (ordinary least square), atau dengan metode
Maximum Likelihood.
Metode Kuadrat Terkecil Biasa Ordinary
Least
Square (OLS)
Penghitungan konstanta (a) dan koefisien regresi (b) dalam
suatu fungsi regresi linier sederhana dengan metode OLS dapat dilakukan dengan rumus-rumus
sebagai berikut:
Rumus
Pertama (I)
Mencari
nilai b:
b = n (å XY )- (å X )(åY )
n (å X 2 )- (å X )2
mencari nilai a:
a = åY - b.å X
n
Rumus kedua (II)
Mencari nilai b:
b = å xy
å x2
mencari nilai a:
a =Y - b X
Asumsi-asumsi
yang harus dipenuhi dalam OLS ada 3 asumsi, yaitu:
1). Asumsi nilai harapan bersyarat (conditional expected value) dari
ei, dengan syarat X sebesar Xi, mempunyai
nilai nol.
2). Kovarian ei dan ej mempunyai nilai nol. Nilai nol dalam
asumsi ini menjelaskan bahwa antara ei dan ej tidak ada korelasi serial atau
tida berkorelasi (autocorrelation).
3). Varian ei dan ej sama dengan simpangan baku (standar
deviasi).
Prinsip-prinsip Metode OLS
Perlu diketahui bahwa
dalam metode OLS terdapat prinsip-prinsip antara lain:
1.
Analisis dilakukan dengan regresi, yaitu analisis untuk
menentukan hubungan pengaruh antara variabel bebas terhadap variabel terikat.
Regresi sendiri akan menghitung nilai a, b, dan e (error), oleh karena itu dilakukan dengan cara matematis.
2.
Hasil regresi akan menghasilkan garis regresi. Garis
regresi ini merupakan representasi dari bentuk arah data yang diteliti. Garis
regresi disimbolkan dengan Yˆ (baca: Y topi, atau Y cap), yang berfungsi sebagai Y perkiraan. Sedangkan data
disimbolkan dengan Y saja.
Ingat Elastisitas
|
Jenis
|
Koefisien
|
Sifat
Elastisitas
|
|
Elastisitas
|
Elastisitas
|
|
|
Elastik
|
E >
1
|
Perubahan
yang terjadi pada variabel
|
|
|
|
bebas
diikuti dengan perubahan yang
|
|
|
|
lebih besar pada
variabel terikat
|
|
Elastik
|
E = 1
|
Perubahan
yang terjadi pada variabel
|
|
Unitary
|
|
bebas
diikuti dengan perubahan yang
|
|
|
|
sama besar pada
variabel terikat
|
|
Inelastik
|
E <
1
|
Perubahan
yang terjadi pada variabel
|
|
|
|
bebas
diikuti dengan perubahan yang
|
|
|
|
lebih kecil pada
variabel terikat
|
Tanda
(+) pada koefisien regresi menunjukkan hubungan yang searah. Artinya, jika
variabel bebas meningkat, maka variabel terikat juga meningkat. Demikian pula
sebaliknya. Tanda (-) pada koefisien regresi menunjukkan hubungan yang
berlawanan. Artinya, jika variabel bebas meningkat, maka variabel terikat akan
menurun. Demikian pula sebaliknya.
Menguji Signifikansi Parameter Penduga
Seperti dijelaskan di muka, dalam persamaan fungsi regresi
OLS variabelnya terbagi menjadi dua, yaitu: variabel yang disimbolkan dengan Y
(yang terletak di sebelah kiri tanda persamaan) disebut dengan variabel terikat
(dependent variable). Variabel yang
disimbolkan dengan X (disebelah kanan tanda persamaan) disebut dengan variabel
bebas (independent variable).
Utamanya
metode
OLS ditujukan tidak hanya menghitung berapa besarnya a atau b saja, tetapi juga
digunakan pula untuk menguji tingkat signifikansi dari variabel X dalam
mempengaruhi Y.
Pengujian signifikansi variabel X dalam mempengaruhi Y
dapat dibedakan menjadi dua, yaitu: 1) pengaruh secara individual, dan 2)
pengaruh secara bersama -sama. Pengujian signifikansi secara individual pertama
kali dikembangkan oleh R.A. Fisher, dengan alat ujinya menggunakan pembandingan
nilai statistik t dengan nilai t tabel. Apabila nilai statistik t lebih besar
dibandingkan dengan nilai t tabel, maka variabel X dinyatakan signifikan
mempengaruhi Y. Sebaliknya, jika nilai statistik t lebih kecil dibanding dengan
nilai t tabel, maka variabel X dinyatakan tidak signifikan mempengaruhi Y.
Metode dengan membandingkan antara nilai statistik (nilai hitung) dengan nilai
tabel seperti itu digunakan pula pada pengujian signifikansi secara serentak
atau secara bersama-sama. Hanya saja untuk pengujian secara bersama- sama
menggunakan alat uji pembandingan nilai F. Hal Pengujian ini dikembangkan oleh
Neyman dan Pearson.
Hal mendasar yang membedakan antara penggunaan uji t dan
uji F terletak pada jumlah variabel bebas yang diuji signifikansinya dalam
mempengaruhi Y. Jika hanya menguji signifikansi satu variabel bebas saja, maka
yang digunakan adalah uji t. Oleh karena itu disebut sebagai uji signifikansi
secara individual. Sedangkan pengujian signifikansi yang menggunakan lebih dari
satu variabel bebas yang diuji secara bersama-sama dalam mempengaruhi Y, maka
alat ujinya adalah menggunakan uji F. Sebagai perbandingan antara penggunaan
uji t dan uji F dapat dilihat pada tabel berikut:
Tabel. 2. Pembandingan
antara uji t dan uji F
  Hal yang dibandingkan |
Uji t
|
Uji F
|
|
Penemu
|
R.A.
Fisher
|
Neyman,
Pearson
|
|
Signifikan
|
t
hitung > t tabel
|
F
hitung > F tabel
|
|
Tidak
signifikan
|
t
hitung < t tabel
|
F
hitung < F tabel
|
|
Pengujian
|
Individual
|
Serentak
|
|
Banyaknya
variabel
|
Satu
|
Lebih
dari satu
|
Uji t
Untuk menguji hipotesis bahwa b secara statistik
signifikan, perlu terlebih dulu menghitung standar
error atau standar deviasi dari b. Berbagai software komputer telah banyak yang melakukan penghitungan secara
otomatis, tergantung permintaan dari user.
Namun perlu bagi kita untuk mengetahui formula dari standar error dari b, yang ternyata telah dirumuskan sebagai
berikut:
|
|
|
ˆ 2
|
|
||
|
Sb =
|
å(Yt - Yt )
|
|
|||
|
(n - k )å(X t -
|
|
)2
|
|
||
|
X
|
|
||||
Atau dapat ditulis pula
dengan rumus sebagai berikut:
|
|
|
|
|
||
|
Sb =
|
ået2
|
|
|||
|
(n - k )å(X t -
|
|
)2
|
|
||
|
X
|
|
||||
|
Dimana:
|
|
|
|
|
|
Yt dan
Xt adalah data variabel dependen dan independen pada periode t
Yˆt adalah nilai variabel dependen pada periode t
yang didapat dari perkiraan garis regresi
X merupakan
nilai tengah (mean) dari variabel independen e atau Yt Yˆt merupakan error
term
n adalah jumlah data
observasi
k adalah
jumlah perkiraan koefisien regresi yang meliputi a dan b
(n-k) disebut juga dengan degrees of freedom (df).
Guna
menghitung standar deviasi dari data yang tersedia berdasar rumus diatas, maka
diperlukan menghitung nilai Yˆt terlebih dulu, untuk mempermudah penghitungan e atau Yt Yˆt .
Caranya adalah memasukkan nilai X ke dalam
hasil regresi yang di hasilkan di atas. Dengan demikian tabel data akan
menghasilkan kolom Yˆt sebagaimana tertera pada
tabel di bawah ini.
Bantuan
dengan SPSS
·
Uji t dapat dilihat dalam output hasil regresi dengan SPSS
pada tabel Coefficient.
·
Uji F dapat dilihat dalam output hasil regresi dengan SPSS
pada tabel ANOVA.
·
Kolom Sig. baik pada tabel Coefficient maupun ANOVA
menunjukkan tingkat signifikansi pada derajat kesalahan ()
tertentu. Misal, kolom Sig. menunjukkan angka 0,04 itu berarti bahwa tingkat
kesalahannya mencapai 4%. Angka sebesar itu dapat dikatakan signifikan jika
derajat kesalahan () telah ditentukan sebesar 0,05. Tetapi jika
ditentukan 0,01 maka angka tersebut tidak signifikan.
Interpretasi Hasil regresi
Setelah tahapan analisis regresi dilakukan sesuai dengan
teori-teori yang relevan, langkah terpenting berikutnya adalah menginterpretasi
hasil regresi. Interpretasi yang dimaksudkan disini adalah mengetahui
informasi-informasi yang terkandung dalam hasil regresi melalui pengartian dari
angka -angka parameternya. Dengan mengambil hitungan dari contoh kasus di atas,
maka hasil analisis regresi atas pengaruh variabel suku bunga (Budep) (X)
terhadap tingkat inflasi di Indonesia selama 22 bulan mulai dari Januari 2001
hingga Oktober 2002 (Inflasi) (Y) dapat ditulis dalam persamaan sebagai
berikut:
Inflasi
= -9,5256 + 1,4498 Budep + e
|
thit =
|
(7,4348)
|
Koefisien Determinasi (R2)
Pembahasan hasil regresi di atas menunjukkan seberapa besar
nilai a, b, dan t. Nilai a menjelaskan tentang seberapa besar faktor-faktor
yang bersifat tetap mempengaruhi inflasi, sedangkan nilai b mencerminkan
tingkat elastisitas variabel X. Nilai t sendiri mempertegas signifikan tidaknya
variabel X dalam mempengaruhi Y. Dari beberapa nilai yang didapatkan tersebut,
belum diperoleh keterangan tentang berapa besar pengaruh X (budep) terhadap Y
(inflasi).
Sebagai ilustrasi, seandainya Y (inflasi) diibaratkan
dengan gelas, dan variabel X (Budep) sebagai air, maka hitungan-hitungan yang
dilakukan di atas belum mampu memberikan informasi tentang seberapa banyak air
yang ada dalam gelas tersebut. Untuk memperoleh keterangan banyaknya isi (air)
yang ada dalam gelas, atau seberapa besar pengaruh X (Budep) terhadap Y
(Inflasi), maka perlu dilakukan penghitungan koefisien determinasi, yang biasa
disimbolkan dengan R2 (baca: R
square).
Koefisien determinasi (R2) pada intinya mengukur
seberapa jauh kemampuan model dalam menerangkan variasi variabel terikat.
Besarnya nilai koefisien determinasi adalah di antara nol dan satu (0<R2<1).
Nilai R2 yang mendekati 0 (nol) menunjukkan kemampuan variabel
-variabel independen dalam menjelaskan variasi variabel dependen amat terbatas.
Nilai yang mendekati angka 1 (satu) menunjukkan variabel-variabel independen
memuat hampir semua informasi yang dibutuhkan untuk memprediksi variasi
variabel dependen.
Dengan kalimat lain dapat dijelaskan bahwa koefisien
determinasi (R2) adalah angka yang menunjukkan proporsi variabel
dependen yang dijelaskan oleh variasi variabel independen. Juga, dapat
digunakan sebagai ukuran ketepatan dalam menentukan prediktor. Artinya, R2
menunjukkan seberapa besar sumbangan X terhadap Y.
Bantuan dengan SPSS
·
R2 (baca: R square)
atau koefisien determinasi dapat dilihat dalam output hasil regresi dengan SPSS
pada tabel model summary.
·
Misalkan angka R2 menunjukkan angka 0.734 menunjukkan arti
bahwa determinasi dari variabel bebas terhadap variabel terikat adalah sebesar
73,4%.
·
Ibarat air dalam gelas, variabel terikat (Y) adalah
gelasnya dan air adalah variabel bebasnya (X). Terkait dengan angka 0,734 maka
air dalam gelas adalah sebanyak 73,4% dari gelas tersebut.
Analisis regresi pada dasarnya adalah menjelaskan berapa
besar pengaruh tingkat signifikansi variabel independen dalam mempengaruhi variabel
dependen. Meskipun hasil regresi seperti tertera pada persamaan di atas telah
dapat diinterpretasi, dan dapat menunjukkan inti tujuan analisis regresi, namun
bukan berarti bahwa tahapan analisis telah selesai hingga di sini. Hasil
regresi di atas masih perlu dipastikan apakah besarnya nilai thit
ataupun angka-angka parameter telah valid ataukah masih bias.
Jika nilai -nilai tersebut sudah dapat dipastikan valid
atau tidak bias, memang analisis regresi dapat berhenti di sini saja. Tetapi,
jika nilai-nilai belum dapat dipastikan valid, maka perlu dilakukan
langkah-langkah analisis lanjutan untuk menjadikan parameter-parameter tersebut
menjadi valid. Validitas (ketidakbiasan) informasi dari nilai-nilai hasil
regresi dapat diketahui dari terpenuhinya asumsi-asumsi klasik, yaitu jika data
variabel telah terbebas dari masalah Autokorelasi, tidak ada indikasi adanya
heteroskedastisitas, maupun tidak terjadi multikolinearitas atau saling
berkolinear antar variabel. Bahasan Asumsi Klasik akan dibahas tersendiri.
B.
Simpulan
Bentuk model
Fungsi regresi yang menggunakan data populasi (FRP) umumnya
menuliskan simbol konstanta dan koefisien regresi dalam huruf besar, sebagai
berikut:
Y = A + BX + e ……….. (pers.3.1)
Fungsi
regresi yang menggunakan data sampel (FRS) umumnya menuliskan simbol konstanta
dan koefien regresi dengan huruf kecil, seperti contoh sebagai berikut:
Y = a +
bX + e……….. (pers.3.2)
Metode Kuadrat Terkecil Biasa Ordinary
Least
Square (OLS)
Penghitungan konstanta (a) dan koefisien regresi (b) dalam
suatu fungsi regresi linier sederhana dengan metode OLS dapat dilakukan dengan
rumus-rumus sebagai berikut:
Rumus
Pertama (I)
Mencari
nilai b:
b = n (å XY )- (å X )(åY )
n (å X 2 )- (å X )2
mencari nilai a:
a = åY - b.å X
n
Rumus kedua (II)
Mencari nilai b:
b = å xy
å x2
mencari nilai a:
a =Y - b X
Asumsi-asumsi
yang harus dipenuhi dalam OLS ada 3 asumsi, yaitu:
1). Asumsi nilai harapan bersyarat (conditional expected value) dari
ei, dengan syarat X sebesar Xi, mempunyai
nilai nol.
2). Kovarian ei dan ej mempunyai nilai nol. Nilai nol dalam
asumsi ini menjelaskan bahwa antara ei dan ej tidak ada korelasi serial atau
tida berkorelasi (autocorrelation).
3). Varian ei dan ej sama dengan simpangan baku (standar
deviasi).
Prinsip-prinsip Metode OLS
Perlu diketahui bahwa
dalam metode OLS terdapat prinsip-prinsip antara lain:
1.
Analisis dilakukan dengan regresi, yaitu analisis untuk
menentukan hubungan pengaruh antara variabel bebas terhadap variabel terikat.
Regresi sendiri akan menghitung nilai a, b, dan e (error), oleh karena itu dilakukan dengan cara matematis.
2.
Hasil regresi akan menghasilkan garis regresi. Garis
regresi ini merupakan representasi dari bentuk arah data yang diteliti. Garis
regresi disimbolkan dengan Yˆ (baca: Y topi, atau Y cap), yang berfungsi sebagai Y perkiraan. Sedangkan data
disimbolkan dengan Y saja.
Ingat Elastisitas
|
Jenis
|
Koefisien
|
Sifat
Elastisitas
|
|
Elastisitas
|
Elastisitas
|
|
|
Elastik
|
E >
1
|
Perubahan
yang terjadi pada variabel
|
|
|
|
bebas
diikuti dengan perubahan yang
|
|
|
|
lebih besar pada
variabel terikat
|
|
Elastik
|
E = 1
|
Perubahan
yang terjadi pada variabel
|
|
Unitary
|
|
bebas
diikuti dengan perubahan yang
|
|
|
|
sama besar pada
variabel terikat
|
|
Inelastik
|
E <
1
|
Perubahan
yang terjadi pada variabel
|
|
|
|
bebas diikuti
dengan perubahan yang
|
|
|
|
lebih kecil pada
variabel terikat
|
Menguji Signifikansi Parameter Penduga
Seperti dijelaskan di muka, dalam persamaan fungsi regresi
OLS variabelnya terbagi menjadi dua, yaitu: variabel yang disimbolkan dengan Y
(yang terletak di sebelah kiri tanda persamaan) disebut dengan variabel terikat
(dependent variable). Variabel yang
disimbolkan dengan X (disebelah kanan tanda persamaan) disebut dengan variabel
bebas (independent variable).
Utamanya
Tabel. 2. Pembandingan
antara uji t dan uji F
|
Hal yang dibandingkan |
Uji t
|
Uji F
|
|
Penemu
|
R.A.
Fisher
|
Neyman,
Pearson
|
|
Signifikan
|
t
hitung > t tabel
|
F
hitung > F tabel
|
|
Tidak
signifikan
|
t
hitung < t tabel
|
F
hitung < F tabel
|
|
Pengujian
|
Individual
|
Serentak
|
|
Banyaknya
variabel
|
Satu
|
Lebih
dari satu
|
Uji t
Untuk menguji hipotesis bahwa b secara statistik
signifikan, perlu terlebih dulu menghitung standar
error atau standar deviasi dari b. Berbagai software komputer telah banyak yang melakukan penghitungan secara
otomatis, tergantung permintaan dari user.
Namun perlu bagi kita untuk mengetahui formula dari standar error dari b, yang ternyata telah dirumuskan sebagai
berikut:
|
|
|
ˆ 2
|
|
||
|
Sb =
|
å(Yt - Yt )
|
|
|||
|
(n - k )å(X t -
|
|
)2
|
|
||
|
X
|
|
||||
Atau dapat ditulis pula
dengan rumus sebagai berikut:
|
|
|
|
|
||
|
Sb =
|
ået2
|
|
|||
|
(n - k )å(X t -
|
|
)2
|
|
||
|
X
|
|
||||
|
|
|
|
|
|
|
Bantuan
dengan SPSS
·
Uji t dapat dilihat dalam output hasil regresi dengan SPSS
pada tabel Coefficient.
·
Uji F dapat dilihat dalam output hasil regresi dengan SPSS
pada tabel ANOVA.
·
Kolom Sig. baik pada tabel Coefficient maupun ANOVA
menunjukkan tingkat signifikansi pada derajat kesalahan ()
tertentu. Misal, kolom Sig. menunjukkan angka 0,04 itu berarti bahwa tingkat kesalahannya
mencapai 4%. Angka sebesar itu dapat dikatakan signifikan jika derajat
kesalahan () telah ditentukan sebesar 0,05. Tetapi jika
ditentukan 0,01 maka angka tersebut tidak signifikan.
Interpretasi Hasil regresi
Setelah tahapan analisis regresi dilakukan sesuai dengan
teori-teori yang relevan, langkah terpenting berikutnya adalah menginterpretasi
hasil regresi. Interpretasi yang dimaksudkan disini adalah mengetahui
informasi-informasi yang terkandung dalam hasil regresi melalui pengartian dari
angka -angka parameternya. Dengan mengambil hitungan dari contoh kasus di atas,
maka hasil analisis regresi atas pengaruh variabel suku bunga (Budep) (X)
terhadap tingkat inflasi di Indonesia selama 22 bulan mulai dari Januari 2001
hingga Oktober 2002 (Inflasi) (Y) dapat ditulis dalam persamaan sebagai
berikut:
Inflasi
= -9,5256 + 1,4498 Budep + e
|
thit =
|
(7,4348)
|
Koefisien Determinasi (R2)
Pembahasan hasil regresi di atas menunjukkan seberapa besar
nilai a, b, dan t. Nilai a menjelaskan tentang seberapa besar faktor-faktor
yang bersifat tetap mempengaruhi inflasi, sedangkan nilai b mencerminkan
tingkat elastisitas variabel X. Nilai t sendiri mempertegas signifikan tidaknya
variabel X dalam mempengaruhi Y. Dari beberapa nilai yang didapatkan tersebut,
belum diperoleh keterangan tentang berapa besar pengaruh X (budep) terhadap Y
(inflasi).
Sebagai ilustrasi, seandainya Y (inflasi) diibaratkan
dengan gelas, dan variabel X (Budep) sebagai air, maka hitungan-hitungan yang
dilakukan di atas belum mampu memberikan informasi tentang seberapa banyak air
yang ada dalam gelas tersebut. Untuk memperoleh keterangan banyaknya isi (air)
yang ada dalam gelas, atau seberapa besar pengaruh X (Budep) terhadap Y
(Inflasi), maka perlu dilakukan penghitungan koefisien determinasi, yang biasa
disimbolkan dengan R2 (baca: R
square).
Koefisien determinasi (R2) pada intinya mengukur
seberapa jauh kemampuan model dalam menerangkan variasi variabel terikat.
Besarnya nilai koefisien determinasi adalah di antara nol dan satu (0<R2<1).
Nilai R2 yang mendekati 0 (nol) menunjukkan kemampuan variabel
-variabel independen dalam menjelaskan variasi variabel dependen amat terbatas.
Nilai yang mendekati angka 1 (satu) menunjukkan variabel-variabel independen
memuat hampir semua informasi yang dibutuhkan untuk memprediksi variasi
variabel dependen.
Dengan kalimat lain dapat dijelaskan bahwa koefisien
determinasi (R2) adalah angka yang menunjukkan proporsi variabel
dependen yang dijelaskan oleh variasi variabel independen. Juga, dapat
digunakan sebagai ukuran ketepatan dalam menentukan prediktor. Artinya, R2
menunjukkan seberapa besar sumbangan X terhadap Y.
Bantuan dengan SPSS
·
R2 (baca: R square)
atau koefisien determinasi dapat dilihat dalam output hasil regresi dengan SPSS
pada tabel model summary.
·
Misalkan angka R2 menunjukkan angka 0.734 menunjukkan arti
bahwa determinasi dari variabel bebas terhadap variabel terikat adalah sebesar
73,4%.
·
Ibarat air dalam gelas, variabel terikat (Y) adalah
gelasnya dan air adalah variabel bebasnya (X). Terkait dengan angka 0,734 maka
air dalam gelas adalah sebanyak 73,4% dari gelas tersebut.
Analisis regresi pada dasarnya adalah menjelaskan berapa
besar pengaruh tingkat signifikansi variabel independen dalam mempengaruhi
variabel dependen. Meskipun hasil regresi seperti tertera pada persamaan di
atas telah dapat diinterpretasi, dan dapat menunjukkan inti tujuan analisis
regresi, namun bukan berarti bahwa tahapan analisis telah selesai hingga di
sini. Hasil regresi di atas masih perlu dipastikan apakah besarnya nilai thit
ataupun angka-angka parameter telah valid ataukah masih bias.
Jika nilai -nilai tersebut sudah dapat dipastikan valid
atau tidak bias, memang analisis regresi dapat berhenti di sini saja. Tetapi,
jika nilai-nilai belum dapat dipastikan valid, maka perlu dilakukan
langkah-langkah analisis lanjutan untuk menjadikan parameter-parameter tersebut
menjadi valid. Validitas (ketidakbiasan) informasi dari nilai-nilai hasil
regresi dapat diketahui dari terpenuhinya asumsi-asumsi klasik, yaitu jika data
variabel telah terbebas dari masalah Autokorelasi, tidak ada indikasi adanya
heteroskedastisitas, maupun tidak terjadi multikolinearitas atau saling
berkolinear antar variabel. Bahasan Asumsi Klasik akan dibahas tersendiri.
C.
Penjelasan
dari pertanyaan
a.
Regresi linier sederhana adalah model yang menunjukkan
linieritas dalam variabel maupun lineraitas dalam data, biasanya sebaran
datanya dalam scatter plot menunjukkan sebaran data yang mendekati garis lurus.
b.
Model regresi linier sederhana:
Persamaan matematis: Y= a+ bX
Persamaan ekonometrika: Y= b0 + b1X+e
c.
Arti notasi dari bentuk regresi di atas:
A atau a; merupakan
konstanta atau intercept
B atau b;
merupakan koefisien regresi,
yang juga menggambarkan tingkat
elastisitas variabel independen
Y merupakan variabel
dependen
X merupakan variabel
independen
d.
Informasi yang dapat
diungkap pada kostanta tersebut adalah meskipun penulisan simbol konstanta dan
koefisien regresinya agak berbeda, namun penghitungannya menggunakan metode
yang sama, yaitu dapat dilakukan dengan metode kuadrat terkecil biasa (ordinary least square), atau dengan metode
Maximum Likelihood.
e.
Informasi yang dapat diungkap pada koefisien regresi adalah
banyak sekali variabel-variabel bebas yang lain yang dianggap bersifat tetap.
f.
Kegunaan standar error Sb adalah untuk menguji hipotesis
standar error atau standar devisiasi b secara statistik signifikan.
g.
Kegunaan nilai t adalah untuk mengetahui signifikan
tidaknya variabel X dalam mempengaruhi variabel Y.
h.
Cara menentukan nilai t yang signifikan adalah dengan
membandingkan nilai t hitung dengan nilai t tabel, apabila nilai t hitung lebih
besar dati t tabel maka hasilnya signifikan, begitu pula sebaliknya
i. Koefisien determinasi adalah alat untuk mengukur
seberapa jauh kemampuan model dalam menerangkan variasi variabel terikat
Referensi: Supawi Pawenang, 2017, Modul Akutansi Biaya UNIBA
