t = b0
b 0 S
b 0
Mencari nilai statistik tb1:
t = b1
b1 S
b 1
Mencari nilai statistik tb2:
t = b2 ;
b 2 S
b 2
Dengan menggunakan rumus-rumus di atas, maka nilai tb0
adalah:
tb 0
= − 11,917 = -3,694
3,226
dan nilai tb1 adalah:
tb1
= 1,421 =7,938
0,179
sedangkan nilai tb2 adalah:
tb 2
= 0,0002869 = 1,284
0,0002234
dengan diketahuinya nilai t hitung masing-masing parameter, maka dapat digunakan untuk mengetahui signifikan tidaknya variabel penjelas dalam mempengaruhi variabel terikat. Untuk dapat mengetahui apakah signifikan atau tidak nilai t hitung tersebut, maka perlu membandingkan dengan nilai t tabel. Apabila nilai t hitung lebih besar dibandingkan dengan nilai t tabel, maka variabel penjelas tersebut signifikan. Sebaliknya, jika nilai
t hitung lebih kecil darit tabel, maka variabel penjelas tersebut tidak signifikan.
Karena nilai tb1 adalah sebesar 7,938, yang berarti lebih besar dibanding nilai tabel pada α=5% dengan df 19 yang besarnya 2,093, maka dapat dipastikan bahwa variabel budep secara individual signifikan mempengaruhi inflasi. Sedangkan nilai tb2 yang besarnya
1,284 adalah lebih kecil dibandingkan dengan nilai t tabel pada α =5% dengan df 19 yang besarnya 2,093, maka
dapat dipastikan bahwa variabel Kurs secara individual tidak signifikan mempengaruhi inflasi.
Pengujian kedua nilai t dapat dijelaskan dalam bentuk gambar sebagai berikut:
Daerah diterima
7,938 Daerah ditolak
t α /2; (n-k-1) (+)
2,093
Gb.3.2. Daerah Uji t Variabel Budep
Daerah diterima
Daerah ditolak
1,284
t α /2; (n-k-1) (+)
2,093
Bantuan dengan SPSS
Tahapan-tahan yang dilalui untuk melakukan regresi linier berganda dengan penghitungan-penghitungan nilai a, b, Sb di atas, dapat dilakukan dengan bantuan SPSS dengan tahapan sebagai berikut:
• Pastikan data SPSS sudah siap
• Lakukan regresi, caranya: pilih Analyze, Reression, Linear
• Masukkan variabel Y ke kotak variabel dependen, dan variabel X1 dan X2 ke kotak variabel Independen, kemudian klik OK.
48.261
2
24.130
28.836
15.899
19
.837
64.160
21
Regression
Residual
Total
Model
1
df
Mean Square
F
Sig.
• Hasil regresi akan tampak dalam output regression yang menunjukkan tabel: model summary (memuat R2), ANOVA (memuat nilai F), Coefficient (memuat nilai t).
|
|
|
Model Summary
|
|
Model
|
R
|
R Square
|
Adjusted
R Square
|
Std. Error of the Estimate
|
|
|
1
|
.867a
|
.752
|
.726
|
.9148
|
|
|
a. Predictors: (Constant), X2, X1
|
|
|
|
|
ANOVAb
|
|
|
|
Sum of
Squares
|
|
|
|
|
|
|
|
|
|
|
|
.000
|
a
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
a. Predictors: (Constant), X2, X1
b. Dependent Variable: Y
|
|
|
Coefficientsa
-
Model
|
Unstandardized
Coefficients
|
Standardi zed Coefficien ts
|
t
|
Sig.
|
B
|
Std. Error
|
Beta
|
1 (Constant)
X1
X2
|
-11.933
1.421
2.869E-04
|
3.511
.195
.000
|
.840
.136
|
-3.399
7.298
1.177
|
.003
.000
.254
|
a. Dependent Variable: Y
Catatan:
• Nilai a, b1, b2, antara hitungan manual dengan hitungan SPSS terdapat sedikit perbedaan angka di belakang koma. Ini disebabkan oleh pembulatan angka saat penghitungan.
• Angka 2.869E-04 dibaca 0,0002869
Koefisien Determinasi (R2)
Disamping menguji signifikansi dari masing- masing variabel, kita dapat pula menguji determinasi seluruh variabel penjelas yang ada dalam model regresi. Pengujian ini biasanya disimbolkan dengan koefisien regresi yang biasa disimbolkan dengan R2. Uraian tentang koefisien determinasi sedikit banyak telah disinggung pada single linier regression. Pada sub bahasan ini hanya menambah penjelasan-penjelasan agar menjadi lebih
lengkap saja.
Koefisien determinasi pada dasarnya digunakan untuk mengkur goodness of fit dari persamaan regresi, melalui hasil pengukuran dalam bentuk prosentase yang menjelaskan determinasi variabel penjelas (X) terhadap variabel yang dijelaskan (Y). Koefisien determinasi dapat dicari melalui hasil bagi dari total sum of square (TSS) atau total variasi Y terhadap explained sum of square (ESS) atau variasi yang dijelaskan Y. Dengan demikian
kita dapat mendefinisikan lagi R2 dengan arti rasio antara variasi yang dijelaskan Y dengan total variasi Y. Rumus
tersebut adalah sebagai berikut:
R 2 = ESS TSS
Total variasi Y (TSS) dapat diukur menggunakan derajat deviasi dari masing-masing observasi nilai Y dari rata-ratanya. Hasil pengukuran ini kemudian dijumlahkan hingga mencakup seluruh observasi. Jelasnya:
n
2
TSS = ∑ (Yt − Y )
t =1
Nilai explained sum of square (ESS) atau variasi yang dijelaskan Y didapat dengan menggunakan rumus sebagai berikut:
n
t
ESS = ∑ (Yˆ
− Y ) 2
t −1
Jadi, rumus di atas dapat pula dituliskan menjadi sebagai berikut:
2
2 ∑ (Yˆ − Y )
dimana:
R =
∑ (Y − Y ) 2
Yˆ (baca: Y cap) adalah nilai perkiraan Y atau estimasi garis regresi.
Y (baca: Y bar) adalah nilai Y rata-rata.
Y cap diperoleh dengan cara menghitung hasil regresi dengan memasukkan nilai parameter dan data variabel. Penghitungan nilai Y cap menjadi penting untuk dilakukan agar mempermudah kita dalam menggunakan rumus R 2 yang telah ditentukan di atas. Sebagai contoh menghitung Y cap, berikut ini dihitung nilai Y cap pada observasi 1.
Hasil regresi adalah:
Y = -11,917 + 1,421 (X 1) + 0,0002869(X 2)
Jika observasi nomor 1 (satu) kita hitung, dimana X1=
1
13,06 dan X2 = 9.433,25, maka nilai Yˆ
= -11,917 + 1,421
(13,06) + 0,0002869(9.433,25)
= 9,438
Hasil hitungan Y cap individual maupun total, beserta
|
ekstensinya diperlukan untuk menyesuaikan dengan rumus mencari R2. Hasil perhitungan dan pengembangan
|
data selengkapnya tertera dalam tabel sebagai berikut:
|
X1
|
Y
|
X2
|
B0
|
B1
|
B2
|
Yˆ
|
Yˆ − Y
|
(Yˆ − Y ) 2
|
Y − Y
|
(Y − Y ) 2
|
13.06
|
8.28
|
9433.25
|
-11.933 1.421 0.000287
|
9.348
|
-2.493
|
6.214
|
-3.561
|
12.677
|
13.81
|
9.14
|
9633.78
|
-11.933 1.421 0.000287
|
10.471
|
-1.370
|
1.876
|
-2.701
|
7.293
|
13.97
|
10.62
|
10204.70
|
-11.933 1.421 0.000287
|
10.862
|
-0.978
|
0.957
|
-1.221
|
1.490
|
13.79
|
10.51
|
11074.75
|
-11.933 1.421 0.000287
|
10.856
|
-0.985
|
0.969
|
-1.331
|
1.770
|
14.03
|
10.82
|
11291.19
|
-11.933 1.421 0.000287
|
11.259
|
-0.581
|
0.338
|
-1.021
|
1.041
|
14.14
|
12.11
|
11294.30
|
-11.933 1.421 0.000287
|
11.416
|
-0.424
|
0.180
|
0.269
|
0.073
|
14.39
|
13.04
|
10883.57
|
-11.933 1.421 0.000287
|
11.654
|
-0.187
|
0.035
|
1.200
|
1.439
|
14.97
|
12.23
|
8956.59
|
-11.933 1.421 0.000287
|
11.925
|
0.085
|
0.007
|
0.390
|
0.152
|
15.67
|
13.01
|
9288.05
|
-11.933 1.421 0.000287
|
13.015
|
1.174
|
1.379
|
1.170
|
1.368
|
15.91
|
12.47
|
10097.91
|
-11.933 1.421 0.000287
|
13.588
|
1.748
|
3.054
|
0.630
|
0.396
|
16.02
|
12.91
|
10554.86
|
-11.933 1.421 0.000287
|
13.876
|
2.035
|
4.142
|
1.070
|
1.144
|
16.21
|
12.55
|
10269.42
|
-11.933 1.421 0.000287
|
14.064
|
2.223
|
4.943
|
0.710
|
0.503
|
16.19
|
14.42
|
10393.82
|
-11.933 1.421 0.000287
|
14.071
|
2.230
|
4.975
|
2.580
|
6.654
|
15.88
|
15.13
|
10237.42
|
-11.933 1.421 0.000287
|
13.586
|
1.745
|
3.045
|
3.290
|
10.821
|
15.76
|
14.08
|
9914.26
|
-11.933 1.421 0.000287
|
13.322
|
1.482
|
2.196
|
2.240
|
5.015
|
15.55
|
13.3
|
9485.82
|
-11.933 1.421 0.000287
|
12.901
|
1.061
|
1.125
|
1.460
|
2.130
|
15.16
|
12.93
|
9115.05
|
-11.933 1.421 0.000287
|
12.240
|
0.400
|
0.160
|
1.090
|
1.187
|
14.85
|
11.48
|
8688.65
|
-11.933 1.421 0.000287
|
11.678
|
-0.163
|
0.027
|
-0.361
|
0.130
|
14.22
|
10.05
|
8964.70
|
-11.933 1.421 0.000287
|
10.862
|
-0.979
|
0.958
|
-1.791
|
3.206
|
13.93
|
10.6
|
8928.41
|
-11.933 1.421 0.000287
|
10.439
|
-1.401
|
1.964
|
-1.241
|
1.539
|
13.58
|
10.48
|
8954.43
|
-11.933 1.421 0.000287
|
9.949
|
-1.891
|
3.577
|
-1.361
|
1.851
|
13.13
|
10.33
|
9151.73
|
-11.933 1.421 0.000287
|
9.366
|
-2.474
|
6.121
|
-1.511
|
2.282
|
324.22 260.49 216816.70 -11.933 1.421 0.000287 260.747 0.256 48.243 -0.001 64.160
Dengan menggunakan angka-angka yang terdapat dalam tabel di atas, maka nilai R2 dapat ditentukan. Adapun rumus untuk mencari nilai R2 adalah sebagai berikut:
(Yˆ − Y ) 2
2 ∑= =
R =
∑ (Y − Y ) 2
dengan demikian nilai R2 dari model yang ada adalah sebesar:
R2 =
48,243
64,160
R2 = 0,751
Nilai R2 sebesar 0,751 tersebut menunjukkan arti bahwa determinasi variabel Budep (X1) dan Kurs (X2) dalam mempengaruhi inflasi (Y) adalah sebesar 75,1%. Nilai sebesar ini mengindikasikan bahwa model yang digunakan dalam menjelaskan variabel Y cukup baik, karena mencapai 75,1%. Sisanya sebesar 24,1% dijelaskan oleh variabel lain yang tidak dijelaskan dalam model.
Dostları ilə paylaş: |