model regresi dan asumsi klasik pada data

model regresi dan asumsi klasik pada data kesehatan

1. 1
UJI ASUMSI KLASIK
&
GOODNESS OF FIT
MODEL REGRESI LINEAR

2. Persamaan Regresi Lin ear
Berganda
Y = a + b1x1 + b2x2 + ... + bnxn + e
Y = variabel dependen
a = konstanta
b = koefisien regresi
X = variabel independen
e = error term/disturbance

3. 3
Y = 2.553 – 1.092 X1 + 1.961 X2
a = 2.553, artinya ketika variabel x1 dan x2 bernilai konstan
atau 0, maka y bernilai positif sebesar 2.553
b1 = - 1.092, artinya ketika variabel x2 bernilai konstan, dan
ketika x1 meningkat satu satuan maka y akan
menurun sebesar 1.092
b2 = 1.961, artinya ketika variabel x1 bernilai konstan, dan
ketika x2 meningkat satu satuan maka y ikut
meningkat sebesar 1.961

4. 4
UJI ASUMSI KLASIK
1.Uji Normalitas
2.Uji Multikolinieritas
3.Uji Autokorelasi (time series)
4.Uji Heteroskedastisitas
Analisis regresi memerlukan beberapa
asumsi agar model layak digunakan.
Asumsi yang digunakan adalah:

5. 5
GOODNESS OF FIT
1.Uji Signifikansi Simultan/Uji -F
2.Uji Signifikansi Parsial / Uji-t
3.Koefisien Determinasi (r2)

6. 6
Yang Dimaksud dengan Kurva
Normal
Distribusi normal merupakan suatu
kurve berbentuk lonceng.
Penyebab data tidak normal, karena
terdapat nilai ekstrim dalam data seri
yang diambil.
Nilai ektrim adalah nilai yang terlalu
rendah atau terlalu tinggi.

7. 7
Kapan Data Dikatakan Normal
Ekstrim Rendah Ektrim Tinggi
-2,58 2,580
Ekstrim Rendah Ektrim Tinggi
-1,96 1,960
Pada =0,01
Pada =0,05

8. 8
Berikut ini manakah data yang
Ekstrim
Ekstrim
Rendah
Ektrim
Tinggi
-2,58 2,580
0439
734.31
333.63000.50






xx
Z
i

9. 9
UJI NORMALITAS
PENGERTIAN UJI NORMALITAS
Uji normalitas di maksudkan untuk
mengetahui apakah residual yang tidak
terstandarisasi yang diteliti berdistribusi
normal atau tidak.
PENYEBAB TIDAK NORMAL
Disebabkan karena terdapat nilai ektrim
dalam data yang kita ambil.

10. 10
Uji Normalitas
CARA MENDETEKSI:
1. Dengan Grafik Normal probability-plot:
asumsi normalitas terpenuhi jika
titik-titik data pada grafik mendekati
garis diagonalnya .
2. Untuk memperkuat pengujian dapat
dipergunakan
- Uji Kolmogorov-Smirnov
–Chi Kuadrat (X
2
)
–Kurtosis dan skewness

11. 11
Uji Normalitas
Uji normalitas dapat dilakukan secara:
–Univariate
Dilakukan dengan menguji normalitas pada
semua variabel yang akan dianalisis.
–Multivariate
Dilakukan dengan menguji normalitas pada nilai
residual yang telah distandarisasi / tidak
distandarisasi.

12. 12
Contoh Kasus
Berikut ini adalah data time series,
Berdasarkan data tersebut ujilah
apakah data tersebut Normal secara
Multivariate.

13. 13
Pengujian Normalitas Dengan SPSS
Memunculkan Nilai Residual Terstandarisasi

Buka file : Data_Regresi_1

Analyze  Regression  Linear...

Masukan variabel Y  pada kotak Dependent
X1, X2,  pada kotak Independent

Save…:  pada kotak Residual : klik unstandardized 
Continue
(bertujuan untuk membuat variabel / kolom baru pada data
yaitu res_1 )

Abaikan pilihan yang lain  OK
Uji Kolmogornov Smirnov

Buka file : Data Regresi_1

Analyze  Non Parametrics Test  1 Sample K-S...

Masukan variabel unstandardized Residual pada kotak Test
Variable List

Abaikan pilihan yang lain (biarkan pada posisi defaultnya) 
OK

14. 14
Output Kolmogornov
Smirnov
Karena Nilai Sig. >
0,05 maka tidak
signifikan.
Tidak siginifikan
berarti data relatif
sama dengan rata-
rata sehingga
disebut normal.

15. 15
UJI MULTIKOLINIERITAS
PENGERTIAN
Uji multikolinieritas berarti terjadi korelasi
yang kuat (hampir sempurna) antar
variabel bebas.
Tepatnya multikolinieritas berkenaan
dengan terdapatnya lebih dari satu
hubungan linier pasti, dan istilah
kolinieritas berkenaan dengan
terdapatnya satu hubungan linier.

16. 16
Cara mendeteksi:
1. Dengan melihat koefesien korelasi antar
variabel bebas:
Jika koefesien korelasi antar variabel
bebas ≥ 0,9 maka terjadi multikolinier.
(Ghozali, 2006)
2. Dengan melihat nilai Tolerance dan VIF
(Varian Infloating Factor):
Jika nilai Tolerance > 0.1 dan VIF ≤ 10 maka
tidak terjadi multikolinearitas.
Uji Multikolinearitas

17. 17
Pengujian Multikolinier Dengan SPSS

Buka file : Data_Regresi_1

Analyze  Regression  Linear...

Masukan variabel Y  pada kotak
Dependent
X1, X2,  pada kotak
Independent

Statistics…:  klik covariance matrix dan
Coliniarity Diagnosis Continue

18. 18
Karena nilai Tolerance > 0.1 dan VIF < 10 maka
tidak terjadi multikoleniaritas.

19. 19
CARA MENGATASI MULTIKOLINIER
Memperbesar ukuran sampel
Memasukan persamaan tambahan ke
dalam model.
Menghubungkan data cross section dan
data time series.
Mengeluarkan suatu variabel dan bias
spesifikasi.
Transformasi variabel.

20. 20
UJI HETEROSKEDASTISITAS
PENGERTIAN

situasi dimana keragaman variabel independen
bervariasi pada data yang kita miliki. Salah satu
asumsi kunci pada metode regresi biasa
adalah bahwa error memiliki keragaman yang
sama pada tiap-tiap sampelnya. Asumsi inilah
yang disebut homoskedastisitas.

Jika keragaman residual/error tidak bersifat
konstan, data dapat dikatakan bersifat
heteroskedastisitas. Karena pada metode
regresi ordinary least-squares mengasumsikan
keragaman error yang konstan,
heteroskedastisitas menyebabkan estimasi
OLS menjadi tidak efisien.

21. 21
Uji Heteroskedastisitas
CARA MENDETEKSI:
1.Dengan Grafik Scatterplot
bebas dari heterokedastisitas ketika titik-titik data
menyebar secara merata di atas dan dibawah
angka 0 pada sumbu Y dan tidak membentuk suatu
pola tertentu.
2. Dengan Uji Park
Yaitu dengan meregresikan variabel bebas
terhadap nilai log-linier kuadrat.
3 . Dengan Uji Glejser
Yaitu dengan meregresikan variabel bebas
terhadap nilai residual mutlaknya.
4. Dengan Uji Korelasi Rank Spearman
Mengkorelasikan nilai residual dengan variabel
bebas dengan menggunakan Rank-spearman.

22. 22
Pengujian Heteroskedastisitas
Dengan SPSS
Memunculkan Nilai Residual

Buka file : Data_Regresi_1

Analyze  Regression  Linear...

Masukan variabel Y  pada kotak Dependent
X1, X2,  pada kotak Independent

Save…:  pada kotak Residual : klik unstandardized  Continue
(bertujuan untuk membuat variabel / kolom baru pada data yaitu res_1 )

Abaikan pilihan yang lain  OK
Mutlakan Nilai Residualnya

Buka file : Data Regresi_1

Tranform  Compute

Pada Target Variabel diisi dengan ABRES

Pada Numeric Expresion diisi dengan ABS(RES_1)

Abaikan pilihan yang lain  OK
Meregresikan variabel bebas terhadap Nilai Mutlak Residual

Buka file : Data_Regresi_1

Analyze  Regression  Linear...

Masukan variabel ABRES  pada kotak Dependent
X1, X2,  pada kotak Independent

Abaikan pilihan yang lain  OK

23. 23
Prose Memunculkan Nilai Residual dan
Memutlakannya
Memutlakan Nilai Residual
Memunculkan Nilai Residual

24. 24
Meregresikan variabel bebas terhadap
Nilai Mutlak Residual
•X
1
tidak signifikan karena p-value > 0,05 sehingga X
1
tidak terjadi gejala
heteroskedastisitas.
•X
2
signifikan karena p-value < 0,05 sehingga X
2
terjadi gejala heteroskedastisitas.

25. 25
UJI AUTOKORELASI
PENGERTIAN
Uji autokorelasi digunakan untuk melihat apakah ada
hubungan linier antara error serangkaian observasi
yang diurutkan menurut waktu (data time series).
Uji autokorelasi perlu dilakukan apabila data yang
dianalisis merupakan data time series (Gujarati, 1993).

26. 26
Uji Autokorelasi
Uji Durbin Watson
Uji Run (Run test)
Uji Lagrange Multiplier
Uji Breusch-Godfrey

27. 27
Uji Durbin Watson
Area keputusan autokorelasi dengan
uji durbin watson

28. 28
Pengujian Otokorleasi Dengan SPSS
Memunculkan Nilai Residual

Buka file : Data_Regresi_1

Analyze  Regression  Linear...

Masukan variabel Y  pada kotak Dependent
X1, X2,  pada kotak Independent

Klik Statistics…:

Pada Residual pilih Durbin Watson

Klik Continue

Abaikan pilihan yang lain  OK

29. 29
Proses Analisi Surbin Watson dengan
SPSS

30. 30
Output Uji Durbin Watson

31. Jika diketahui Junmlah Variabel bebas
3, pengamatan 20, dan diperoleh nilai
durbin watson sebesar 2,354.
Ujilah apakah terjadi gejala
outokorelasi ?
Gunakan gambar untuk menguji !
31

32. 32
Kriteria Pengujian
Tabel Durbin Watson
dk =k,n
K=2 dan n=10
dL = 0,697
dU = 1,641
4-dU = 2,359
4-dL = 3,303
Tidak ada

Otokorelas
i
Tanpa
Kesimpulan
Tanpa
Kesimpulan
Otokorelas
i +
Otokorelas
i –
dL dU 4 – dU4 – dL2
0,697 3,303
1,641
1,641 2,359
3,386

33. Goodness of Fit Test
Setelah kita melakukan uji normalitas
data dan model terbebas dari asumsi
klasik, maka kita perlu melakukan Uji
kesesuaian model atau seberapa
besar kemampuan variable bebas
dalam menjelaskan varian variabel
terikatnya.

34. Goodness of Fit Test -
R
2
•R
2
adalah seberapa besar kemampuan variasi Y
(dependent) mampu dijelaskan oleh variasi x
(independen) dalam model.
•Jika selain x1
  dan x2 semua variabel di luar model
yang diwadahi dalam E dimasukkan ke dalam model,
maka nilai R
2
akan
 bernilai 1.
•Ini berarti seluruh variasi Y dapat dijelaskan oleh
variabel penjelas yang dimasukkan ke dalam model.
•Contoh Jika variabel dalam model hanya menjelaskan
0,4 maka berarti sebesar 0,6 ditentukan oleh variabel
di luar model, nilai diperoleh sebesar R
2
= 0,4.

35. 35
Nilai adjusted R square sebesar 0.840 artinya
variasi variabel y mampu dijelaskan oleh
variasi variabel x sebesar 84% dan sisanya
(100 - 84 ) 16% dijelaskan oleh variabel lain di
luar model penelitian

36. Goodness of Fit Test – Uji
Signifikansi Simultan /Uji F
•Selain R
2
ketepatan model hendaknya diuji dengan uji F.
Hipotesis dalam uji F adalah sebagai berikut:
•Hipotesis mengenai ketepatan model:
•Ho : b
1 = b
2 = 0
     (Pengambilan variabel X1 dan X2
tidak cukup tepat dalam menjelaskan variasi Y, ini
berarti pengaruh variabel di luar model terhadap Y, lebih
kuat dibanding dengan variabel yang sudah dipilih).
•Ha : b
1
≠ b
2
≠ 0
      (Pengambilan variabel X1 dan X2
sudah cukup tepat karena mampu menjelaskan variasi
Y, dibanding dengan pengaruh variabel di luar model
atau errror terhadap Y).

37. Uji Signifikansi
Simultan/ Uji F
Uji F adalah uji simultan untuk melihat
pengaruh variabel-variabel
independen/bebas (x1, x2, x3…)
secara bersama-sama/simultan
terhadap variabel terikatnya/dependen

38. 38
H0 : semua variabel x tidak berpengaruh secara bersama-
sama terhadap variabel y.
Ha : semua variabel x berpengaruh secara bersama-sama
terhadap variabel y.
Kriteria : Sig. < = 0.05 maka Ha diterima atau Sig. >
0.05 maka H0 diterima
Sig. 0.01 (p<0.05) berarti Ha
diterima. Jadi, semua variabel x
secara bersama-sama/simultan
berpengaruh terhadap variabel
y.

39. Uji Signifikansi Parsial/
Uji t
Uji t adalah uji parsial untuk melihat
pengaruh masing-masing variabel
independen atau bebas (x)
berpengaruh nyata atau tidak secara
parsial terhadap variabel
dependen/terikatnya (Y)

40. 40
H0 : masing-masing variabel x tidak berpengaruh terhadap
variabel y.
Ha : masing-masing variabel x berpengaruh terhadap
variabel y.
Kriteria : Sig. < = 0.05 maka Ha diterima atau Sig. >
0.05 maka H0 diterima

41. 41
Variabel x1 sig. 0.005 (p< 0.05) maka Ha diterima. Jadi
variabel x1 berpengaruh terhadap y.
Variabel x2 sig. 0.000 (p< 0.05) maka Ha diterima. Jadi
variabel x2 berpengaruh terhadap y.