Regresi linier digunakan untuk membentuk model hubungan antara variabel bebas dengan variabel respon. Dari namanya saja udah kelihatan, bahwa model hubungan yang dimaksud adalah model hubungan linier. Contoh: Ingin dicari model regresi antara “biaya iklan” dengan “penjualan”. Variabel bebas/prediktor adalah biaya iklan dan variabel respon adalah penjualan. Jadi ingin dicari bagaimanakah model hubungan antara 2 variabel tsb, sehingga bisa diketahui berapakah nilai penjualan yang akan diperoleh bila perusahaan mengeluarkan biaya iklan sebesar X rupiah.
Ulasan dan contoh penerapan analisis regresi linier bisa didownload di sini >>> regresi_linier.pdf
FORUM STATISTIKA 
aku neliti perilaku konsumen ini judulnya”faktor2 yg mempengaruhi perilaku konsumsi mahasiswa dalam pembelian makanan di….., variabele(x) 6:lokasi, pelayanan, pendaptan,kebersihan,selera,dan harga,terus(y) adlah perilaku konsumsi dalam pembelian makanan; yang dalam hal ini saya artikan keputusan konsumen untuk melakukan pembelian makanan.menurutku, variabel y ku itu dummy karena termasuk variabel klasifikasi yang jawabannya beli atau tidak.terus aku cenderung pake regresi logistik tapi kurang paham mengenai itu n rumuse gmn yang benar karena literatur yang aku baca rumuse beda2.piye mnurutmu?aku butuh bantuan secepatnya bsok aku bimbingan pertama.Kalo bisa jawaben skr atau ntar malam , jangan besok, kasian aku….. ksuwon lee…
Yup, kamu memang sebaiknya menggunakan metode Regresi Logistik. Metode Regresi Logistik saya tulis sendiri pada kategori Regresi Logistik.
Bisa bantu tentang SEM seluk-beluk A-Z ya, dong!
Aku sedang penelitian yang diminta menggunakan itu.
Pokok-nya semua hal tentang SEM deh; definisi….program yang mudah digunakan untuk itu.
Trims sebelumny, ya!
datan yang telah anda tulis kurang dimengerti sebab anda menulisnya secara singkat dan kurang jelas.jadi saya mohon bila suatu saat nanti anda menulis lagi tolong lengkap ya!!!!!!!!!!
Jawaban untuk Indah – 18 Des 2007 – 2:45 pm.
Terimakasih atas masukannya. Tapi saya bingung, data yang mana yang Anda maksud, tolong bisa lebih spesifik, agar jika saya mau memperbaiki, saya bisa tau data yang mana yang Anda maksud. Kalo boleh tambahkan juga, apa yang membuat Anda bingung setelah melihat data tersebut. Siapa tahu, masukan Anda ini bisa benar-benar bermanfaat. Terimaksih
🙂
Alhamdulillah ada yang bikin kayak gini,hehe…
Mau tanya ni mas deni,kalo moderated regression analysis pake spss bisa kan,masuknya ke menu regression —-)linear ya…
tapi interaksi var.independen dan var moderasinya dimasukin kemana ya,yg ada cuma kolom untuk variabel independen n dependen aja, tolong dong mas deni kasi tau langkah2nya…makasi ya…
Jawaban untuk Ewi
Moderated Regression Analysis (MRA) tak ubahnya adalah regresi linier. Jadi di dalam SPSS, variabel interaksi antara var. independen dan var . moderasi dimasukkan ke dalam kolom untuk VAR INDEPENDEN. Hal ini disebabkan karena di dalam MRA, var interaksi dianggap sebagai variabel independen.
🙂
#1
pak saya nanya donk.. udah lama ga belajar statistik niy..
saya lagi nyari Ftabel untuk numerator 6 dan df 230 sama t-tabel untuk df 230 dengan alpha 5%
maap nanyanya cupu, saya lupa cara pake tabel statistik en kok kaynya di tabel jg ga nyampe df 230 y..
mohon bantuannya..
#8
mas, mau tanya, saya lagi meneliti tentang stres kerja (var bebas), kepuasan kerja&komitmen sebagai 2 var dependen.
nah dalam stres kerja itu kan dalam kuesionernya mengenai sumber2 stres kerja, yang saya pengen tanya, item2 sumber kerja itu berarti variabel juga ya? variabel bebas juga kah?
berarti saya punya banyak var bebas donk?
makasih y mas
Ini pertanyaan dari MANTI pada kategori POINT-BISERIAL CORRELATION yang mirip ama pertanyaan Widya 25 Jan 2008.
mas, mau tanya… (maksudnya minta bantuan malah..) ^_^ walau ga tau deh nyambung ma postingnya apa ga
jadi mas (apa pak?) ^_^
saya sedang mengerjakan tugas akhir,
variabel yang diteliti adalah stres kerja, kepuasan kerja dan komitmen organisasi.
Dengan mengacu pada teori, Model penelitian yang akan saya gmbrkan adalah
-variabel bebas adalah stres kerja
-variabel tak bebas adalah kepuasan dan komitmen.
(dengn batasan, bahwa hubungan 1 arah, tidak bolak balik, walau bisa bolak-balik tapi saya belom mendapat dukungan teori yang kuat, saya saat ini membuat model penelitian diatas dgn dukungan teori model stres dari Matteson&Ivan )
Tujuan TA ini adalah untuk melihat/ mengukur dan menganalisa masing2 variabel, lalu melihat apakah stres kerja mempengaruhi kepuasan dan komitmen. Yang ingin ditanyakan :
1. Teknik2 apa yg saya gunakan dgn model di atas, 1 var bebas 2 var tak bebas?
2. Sebenarnya, dalam stres kerja juga terdapat item2 variabel (yaitu variabel2 stressor) apakah variabel2 stressor itu termasuk variabel bebas? karena kalo itu termasuk variabel bebas, maka penelitian ini memiliki variabel lebih dari 1 variabel bebas… dalam keadaan ini, lalu teknik apa yang saya gunakan untuk analisa? apakah analisa multivariat? Saya membaca di dlm buku analisa multivariat (Hair) ada mengenai teknik dependence(SEM, korelasi kanonikal, Manova)dan teknik independence (Analisis faktor,analisis cluster)
Bila penelitian ini akhirnya mempunyai var bebas dan tak bebas lebih dari 1, yang cocok SEM ya mas? atau ada teknik lain yang lebih sederhana tetapi bisa digunakan..
tetapi apabila tetap memiliki 1 var bebas dan 2 var tak bebas (model awal) berarti memakai korelasi kanonikal ya mas?
Atau saya bisa menggunakan analisis faktor? (asumsi saya disini,dengan membuang batasan bahwa hubungan tidak 1 arah lagi, jadi tidak ada var bebas maupun tak bebas)
saya meminta tolong petunjuk2nya mas, karena saya agak ga ‘mudeng’ dengan statistik…tapi saya terus belajar…
pada akhirnya karena saya takut keliru memilih teknik analisanya
terimakasihh banyak…. sekali…….
————————————————
Respon untuk #8
Wow,feri gut kuesyien (very good question maksudnya), mbak Widya or Manti.heheh
Btw, kayaknya Widya = Manti deh. Lha wong arah pertanyaan,e-mail dan IP address-nya sama. Jadi jawabannya saya gabung aja.
🙂
Saya jawab satu per satu ya:
1. Saya lebih condong metode Multivariate Regression daripada metode yang lain. Multivariate regression
digunakan untuk mebentuk model hubungan antara variabel bebas (X) dan terikat (Y) dimana variabel bebas maupun
terikatnya boleh lebih dari satu. Salah satu kegunaan dari metode ini adalah untuk mengetahui pengaruh satu (atau lebih) variabel bebas terhadap lebih dari satu variabel terikat (Y1,Y2,…,Ym). Buku yang saya sarankan untuk dibaca selain Hair,et.al adalah
Johnson,R.A. and D.W. Wichern. 2002. APPLIED MULTIVARIATE STATISTICAL ANALYSIS. Fifth Ed. Prentice-Hall, Inc. New Jersey.
2. Item-item dalam suatu variabel tidak dapat dianggap sebagai sebuah variabel yang nantinya akan dianalisis.
Item-item hanyalah sebagai pembentuk suatu variabel yang pada umumnya sulit dinilai secara langsung, misalnya
kepuasan, komitmen, atau bahkan stress kerja. Kalo boleh saya analogkan: variabel STRESS_KERJA adalah sebuah mobil, sedangkan item-itemnya adalah BAN, MESIN, JOK, dll. Jadi, kita tidak dapat mengatakan bahwa sebuah BAN mobil adalah mobil, atau MESIN mobil adalah mobil.
MOBIL adalah gabungan antara BAN, MESIN, JOK, dll. Kita tidak dapat memanfaatkan BAN mobil saja, atau JOK mobil saja sebagai alat transportasi, tanpa melakukan perakitan terhadap BAN dan JOK (dan perangkat2 lainnya) terlebih dahulu.
Kalo kita bawa ke kasus Anda, item-item dari variabel STRESS_KERJA bukanlah variabel yang nantinya akan kita analisis. Item-item tersebut hanyalah sebagai pembentuk dari variabel STRESS_KERJA.
Kesimpulannya, variabel bebas dalam kasus Anda hanyalah variabel STRESS_KERJA, yaitu hanya berjumlah 1 buah variabel bebas. Analogi ini juga sesuai untuk variabel-variabel terikat Anda.
3. Untuk membentuk sebuah variabel STRSS_KERJA dari item-itemnya, maka ada beberapa cara yang sering digunakan, misalnya: metode total, rata-rata, korelasi terkuat, recode, analisis faktor dan analisis komponen utama.
🙂
Respon untuk #1
Untuk Ftabel dg 5% dengan df1=6 dan df2=230 adalah 2.138141
Untuk t-tabel 5% dg df=230 adalah 1.651506
🙂
hehe… widya=manti… itu benar 🙂 (tanpa bermaksud jadi 2 orang ya)
wah terimahkasih penjelasannya…… sangat membantu saya
semoga sukses ya…
(doain saya juga hehe)
kalo saya tanya2 lagi gpp ya
#5
wah. makasih mas denny atas jawabnnya.. maap kalo ngerepotin lg, kalo alphanya 10% dan 15% gmn?? hehehe..
saya neliti variabel2, tp kalo dgn alpha 5% hampir seluruhnya ga signifikan. kalo bgitu boleh kan ya saya ubah alpha-nya???
Ini pertanyaan dari INDRI yang sebelumnya ada di kategori “Uji Hipotesis > t-test”
#2
indri | indri.apsari@xxx.com | IP: 118.136.43.185
mas aku mau tanya..apa bedanya data sampel sama data populasi? aku lagi bikin penelitian “pengaruh biaya promosi terhadap perolehan dana zakat” dimana data yang aku ambil adalah biaya promosi (X) dan perolehan dana zakat (Y) selama 5 tahun (n =5, aku ambil data sebanyak 5 karena memang cuma ada 5 datanya) dan aku pake rumus regresi dan korelasi, yang pengen aku tanya apakah sudah benar bila aku memakai rumus korelasi mengingat data yang ada cuma 5..please mas kasih aku masukan soalnya aku ga ngerti nih, waktu aku ketemu dosenku dia bilang datanya harus ada minimal 30..thank tuk jawabannya..
31 Jan, 08:38
———————————————————————————
Respon untuk #2
Untuk menjelaskannya, maka akan saya beri ilustrasi sedehana. Misalnya Indri mau mengadakan penelitian mengenai rata-rata uang saku mahasiswa jurusan Statistika angkatan 2003 universitas X. Nah, populasinya adalah seluruh mahasiswa jurs. statistika univ.X angkatan 2003. Sedangkan sampelnya adalah mungkin beberapa mahasiswa statisika univ. X angkatan 2003. Misalkan, mahasiswa Statistika Univ.X angkatan 2003 seluruhnya berjumlah 7 orang, maka 7 orang ini adalah populasi. Untuk sampelnya mungkin bisa diambil 5 orang atau bahkan 2 orang.
Jadi, sampel adalah sebagian individu yang termasuk dalam populasi.
Saya sering mendengar teman2 saya yang skripsi (bukan mhasswa statistika), bahwa data minimal adalah 30. Entah itu mungkin salah paham antara mahasiswa dan dosen atau alasan lain. Akan tetapi, TIDAK PERNAH ADA KEHARUSAN bahwa data minimal adalah 30. Ini yang sering disalahtafsirkan oleh para pengguna statistika (termasuk beberapa orang statistikawan, mungkin hehehe).
Sejarahnya kenapa muncul angka 30 adalah didasarkan atas TEOREMA LIMIT PUSAT (CENTRAL LIMIT THEOREM). Teorema limit pusat menyatakan bahwa apapun bentuk distribusinya, suatu data akan memiliki (atau mendekati) distribusi normal apabila banyaknya data adalah minimal 30. Mungkin, dosen Indri ingin agar data Indri nantinya akan menyebar normal. Karena kita tahu bahwa regresi linier dan korelasi mendasarkan perhitungannya pada asumsi kenormalan. Keuntungan yang bisa diambil dari data minimal sebanyak 30 adalah kita berpeluang terhindar dari pelanggaran terhadap asumsi normalitas (kenormalan).
Jadi, dapat saya simpulkan bahwa data penelitian TIDAK HARUS sebesar 30, lima data juga OK-OK aja, asal asumsi normalitas terpenuhi.
(Memang ada metode statistika yang menyaratkan bahwa data minimal 100, misalnya Structural Equation Modelling (SEM). Namun ini tentunya kasus khusus. )
2. Data sebesar 5 tidak ada masalah jika dianalisis dengan korelasi, asal asumsi kenormalan data terpenuhi. Andakan data Indri tidak menyebar normal, maka Indri masih bisa melakukan analisis korelasi dengan metode korelasi nonparametrik, yaitu Spearman Correlation. Hal ini disebabkan karena statistika nonparametrik TIDAK MENGASUMSIKAN kenormalan data.
3. Kelihatannya, kasus Indri tepat jka menggunakan regesi linier. Karna Indri ingin tahu seberapa besar pengaruh variabel biaya promosi terhadap dana zakat.
🙂
#4
skripsi saya kan kuesioner interval nya dr 1 sampai 5. Yang saya mau tanyakan apakah kalo hasil per item variabel jumlah 5 akan menghasilkan t-hitung signifikan?klo tidak dari itu dr apa yg membut perhitungan t-hitung signifikan.saya mau tanya lg, data saya kan tdk normal, tp saya ingin menggunakan regresi linear ktny bisa dng mengurangi responden. Yg mau sy tnykn: brp banyak say a hrs mengurangi responden? MKSH.
#3
ass..thanks ya mas jawaban kemaren, sekarang mau tanya lagi boleh kan..:)
1. Apa maksud dari “pemakaian data sample ada hipotesis statistik yang harus di uji” dan maksud dari “pemakaian data populasi tidak ada hipotesis statistik yang ada hipotesis penelitian”?
2. Klo data saya cuma 5 tahun (n=5) tapi lembaganya sudah berjalan 8 tahun berarti data saya termasuk data sample?
3. Ciri asumsi kenormalan data itu seperti apa mas?
terima kasih mas…
Respon untuk #3
Yup sama-sama. Boleh tanya lagi kok.
Coba aku jawab ya:
1. Memang betul, kalo kita menggunakan sampel, kita bermain-main dengan pengujian hipotesis, yaitu menguji signifikansi nilai duga parameter. Sebaliknya apabila kita menggunakan data populasi, kita tidak perlu menguji signifikansi nilai parameternya.
Saya ambil contoh, misal Indri ingin mengetahui nilai rata-rata biaya yang dihabiskan oleh teman-teman sekelas Indri untuk membeli pulsa HP perbulannya. Katakanlah teman-teman sekelas Indri ada 30 orang. Perlu diingat, populasi dalam kasus ini berjumlah 30 orang, yaitu semua teman yang sekelas dengan Indri. Misalkan, nilai rata-rata uang yang dihabiskan teman sekelas Indri yang sebanyak 30 orang itu adalah Rp.50 ribu. Nilai rata-rata dari populasi ini disebut sebagai parameter. Apabila Indri hanya mengamati 15 orang, maka dalam kasus ini Indri dikatakan mengambil sampel. Kemudian Indri menghitung rata-rata dari data sampel tersebut, misalnya didapatkan Rp.40 ribu. Nilai Rp.40 ribu ini disebut sebagai statistik atau penduga parameter.
Nah, tujuan penelitian dengan cara hanya mengambil sampel tersebut adalah agar terjadi efisiensi tenaga, waktu dan biaya dari peneliti. Selain itu, uji hipotesis bertujuan untuk membuat kesimpulan secara umum (untuk populasi) dengan menggunakan data dari sampel. Apabila kita hanya mengambil sampel, tentu tidak akan menduga dengan tepat nilai rata-rata uang yang dihabiskan teman sekelas Indri per bulan untuk membeli pulsa HP. Dengan kata lain akan terjadi error (kesalahan) pendugaan.
Untuk itulah, kemudian ingin diketahui apakah statistik (dalam kasus ini Rp.40 ribu) cukup layak untuk digunakan sebagai kesimpulan mengenai rata-rata banyaknya uang yang dihabiskan oleh teman sekelas Indri untuk membeli pulsa HP dalam satu bulan. Apabila uji statistiknya signifikan, maka statistik tersebut (Rp.40 ribu) dapat digunakan untuk membuat kesimpulan terhadap populasi.
Lain halnya jika Indri mengambil data dari seluruh teman sekelas Indri yang menjadi populasi. Apabila Indri benar-benar melakukan pengamatan terhadap seluruh individu dalam populasi (dalam hal ini 30 orang teman sekelas Indri), maka nilai rata-rata yang akan diperoleh adalah Rp.50 ribu. Tentu saja, Indri tidak perlu menguji apakah nilai Rp50 ribu ini layak untuk digunakan sebagai kesimpulan. Hal ini disebabkan nilai Rp50 ribu inilah yang sebenarnya ingin Indri ketahui. Jadi, tidak perlu uji statistik, karena nilai rata-rata yang Indri dapatkan bukanlah statistik, tetapi parameter (nilai sebenarnya).
2. Menurut saya, data semacam itu termasuk data sampel. Apabila Indri menggunakan regresi linier, maka perlu dilakukan uji signifikansi model regresi dan uji signifikansi parameter regresi.
Lain halnya jika Indri ingin mengetahui besarnya rata-rata pengaruh variabel X terhadap Y pada lembaga tersebut untuk tahun ke-1 hingga tahun ke-5 saja, maka data tersebut adalah data populasi. Dalam kasus ini terdapat pembatasan tahun, yang tentu saja akan membatasi kesimpulan mengenai pengaruh variabel X terhadap variabel Y, yaitu hanya untuk kurun waktu tersebut. Namun kasus seperti ini belum pernah saya temui. Malahan yang sering saya temui adalah peneliti mengambil, misalnya n=5, dimana kesimpulannya juga digunakan untuk tahun-tahun mendatang. Penelitian Indri termasuk dalam kasus-kasus yang sering saya temui.
3. Ciri-ciri yang paling sering ditemui apabila data menyebar normal adalah apabila histogram dari data tersebut berbentuk setangkup (mirip lonceng atau gunung yang simetris).
Respon untuk #4
Saya kurang begitu paham untuk pertanyaan yang no.1, tapi akan saya coba jawab:
1. Apabila jumlah data pada item = 5, tidak selalu akan menghasilkan t-hitung yang signifikan.
2. Semua statistik uji statistika akan semakin mampu menunjukkan/mengungkap fenomena data apabila banyaknya sampel semakin membesar. Dengan kata lain, untuk membuat t-hitung menjadi signifikan, saya sarankan Dhistya untuk memperbesar ukuran sampel.
3. Untuk regresi, yang diuji normalitas (kenormalan) bukan data-nya, akan tetapi data residualnya (disebut juga galat atau error). Apabila residual menyebar normal, maka salah satu asumsi pada regresi linier terpenuhi.
4. Saya belum pernah mendengar metode yang menyebutkan bahwa untuk membuat data menjadi normal, maka data harus dikurangi. Justru sebaliknya, agar kita dapat memperoleh sampel yang menyebar normal, maka perlu memperbanyak ukuran sampel. Hal ini didasarkan pada Teorema Limit Pusat (Central Limit Theorem), yang menyatakan bahwa data akan memiliki (atau setidak-tidaknya mendekati) sebaran normal apabila ukuran data relatif besar. Menurut beberapa literatur, ukuran minimal adalah 30 sampel.
🙂
Respon untuk #5
1.
t-tabel (db=230, alpha=10%) = 1.285243
t-tabel (db=230, alpha=15%) = 1.038775
F-tabel (db1=6,db2=230,alpha=10%) = 1.799892
F-tabel (db1=6,db2=230,alpha=15%) = 1.593076
2. Sebenarnya, dalam kasus nyata, tidak masalah merubah alpha, karena juga tidak mempengaruhi perhitungan. Namun, jika Anda skripsi, alpha yang umum digunakan adalah 5%. Saya kuatir kalo merubah-rubah nilai alpha, akan menimbulkan masalah dengan dosen pembimbing Anda. Karena dalam penelitian skripsi, biasanya alpha sudah ditentukan sebelum penelitian.
🙂
#9
ass…mas mksh ats jwbnny kmrn.sy skg mau tny lg blh y.apa yg di maksud dengan analisis path? dan perbedaanya dengan regresi linear berganda? mksh byk.
# 7
aku skrg sedang ngerjain skripsi tp masih bingung tentang regresi linier, kan aku mau uji pengaruh motivasi terhadap kinerja,apakah data seperti itu bisa dianalisis dengan regresi linier sederhana?klo bisa tahap-tahapnya seperti apa?data yang dientri dalam program statistik nanti total skor dari jawaban kuesioner atau pengkategoriannya (motivasi tinggi,sedang rendah)?makasih sebelumnya…
iya mas.. saya stay di 5% aj deh.. walopun ad beberapa yg tidak signifikan tp argumentasinya bs dipertahankan.. hehehe.. makasih ya mas..
# 6
Pertanyaan dari Nanda yang sebelumnya ada di Kategori statistika parameterik dan nonparametrik:
nanda | IP: 125.162.122.187
saya sedang melakukan penelitian tentang pengaruh kinerja keuangan terhadap abnormal return. Pertama saya lakukan analisis dengan paired test untuk abnormal return lalu untuk uji pengaruh saya pakai regresi berganda. tapi kata pembimbing saya ga bisa. jadi saya bingung sebaiknya untuk abnormal return dipakai alat uji apa jika hasilnya nanti dihubungkan dengan pengaruh kinerja keuangan melalui regresi berganda??.thanks
5 Feb, 14:51
————————————————————————————
Respon untuk #6
Wah, maaf neh. Saya belum berani untuk menentukan metode apa yang tepat, karena Nanda tidak menjelaskan latar belakang masalah, definisi abnormal return, asumsi-asumsi dalam abnormal return, tujuan penelitian.
Saran saya, coba diskusikan dengan dosen pembimbing, kira2 kenapa abnormal return tidak dapat dikerjakan dengan paired t-test seperti yang Nanda kira. Dari situ mungkin nanti nanda akan dijelaskan alasannnya. Nah, dari alasan2 itulah kita bisa menentukan metode yang lebih tepat.
🙂
Respon untuk #7
Kayaknya Ita menggunakan instrumen penelitian berupa kuesioner, betul gak? Kalo betul, maka variabel yang dianalisis adalah variabel laten, bukan variabel indikator.
Nah, unrtuk dapat menentukan var laten, bisa dengan cara menjumlahkan data setiap responden pada variabel indikator.
Jadi, bukan pengkategoriannya yang dimasukkan.
🙂
Respon untuk #9
Sejauh yang saya pahami mengenai perbedaan mendasar antara analisis path dan analisis regresi adalah:
– Analisis regresi linier menganggap bahwa variabel Y adalah merupakan fungsi linier dari semua variabel bebas, sedangkan
– Analisis path merupakan suatu analisis terhadap skema kausal (causal) antar variabel, yaitu mendekomposisikan korelasi menurut struktur atau skema kausal tertentu dari variabel-variabel penelitian. Di dalam skema tersebut terdapat arah hubungan variabel terhadap variabel lain. Dengan demikian, analisis path memungkinkan kita untuk menganalisis pengaruh langsung dari suatu variabel dan juga pengaruh tak langsungnya melalui variabel lain.
Dari uraian di atas, jelas bahwa analisis regresi tidak dapat digunakan untuk menganalisis pengaruh tak langsung dari variabel X terhadap Y. Tentunya, ada tidaknya pengaruh langsung atau tak langsung didasari oleh kasus itu sendiri. Jika tidak ada asumsi mengenai pengaruh tak langsung dari suatu variabel terhadap variabel lain, tentunya analisis regresi linier lebih tepat digunakan.
Ini hanya sedikit penjelasan dari yang Mbak tanyakan. Tentunya tidak akan mampu memuaskan. Jika ingin mempelajari analisis path lebih jauh, silahkan baca buku:
Li, C.C. PATH ANALYSIS. A PRIMER. Pacific Grove. California.
Atau buku-buku yang lain….
🙂
#10
maksih tanggapannya, iya bener ita pake’ kuesioner. Mas Deny, maaf aku gak ngerti variabel laten maksudnya apa??tolong jelasin dong…jadi nanti datanya disebut data rasio?jadi gak perlu dikategorikan ya?
Respon untuk #10
1. Variabel laten adalah variabel di dalam penelitian yang tidak dapat diukur secara langsung. Misal variabel KEPUASANKONSUMEN. Pertanyaan saya, apakah Mbak Ita bisa mengukur secara langsung rasa puas yang ada dalam hati konsumen dan mewujudkannya dalam bentuk angka, misal dari angka 1 s.d. 5 ? Yup, jawabannya TIDAK BISA. Tidak semudah mengukur panjang meja, berat badan, dll khan? Nah, variabel KEPUASANKONSUMEN adalah variabel laten. Untuk dapat mengukur rasa puas konsumen terhadap produk yang kita jual, kita biasanya menggunakan alat ukur yang disebut sebagai kuesioner. Pertanyaan-pertanyaan yang ada di dalam kuesioner ini biasa disebut sebagai item-item variabel, tapi saya lebih suka menyebutnya sebagai variabel indikator. Nah, dengan melakukan ekstraksi dari data pada var indikator ini, kelak akan kita dapatkan data variabel latennya. Untuk mengetahui bagaimana cara mendapatkan data variabek laten, silahkan download tulisan sederhana saya pada kategori: Semua tentang kuesioner.
2. Tidak semua data pada variabel laten adalah data rasio. Tergantung dari tipe data yang dihasilkan oleh kuesioner yang Mbak Ita gunakan. Pengkategorian variabel juga mungkin masih perlu bila memang kuesioner mbak ita memiliki kategori-kategori untuk kriteria tertentu. Untuk mempelajari mengenai tipe2 data, silahkan baca posting pada kategori: STATISTIKA DASAR > Tipe-tipe data.
🙂
#11
Ini pertanyaan dari Agung, yang sebelumnya ada di kategori: UJI HIPOTESIS > t-test
agung, di/pada Februari 18th, 2008 pada 1:07 pm
numpang tanya mas deny yg baik,
saya menguji tiga variabel independen dan satu variabel dependen. Dari analisis data diperoleh uji F (simultan/keseluruhan) hasilnya signifikan, namun dalam uji t (parsial) hanya satu variabel yang signifikan (t hitung < t tabel). Uji asumsi data sebarannya normal. Kesimpulannya seperti apa? terimakaih.
—————————————————————————-
Respon untuk #11
1.Perlu kita ketahui bahwa hipotesis pada uji F di dalam konsep regresi linier adalah:
H0: b1 = b2 = … = 0
H1: Tidak semua bi = 0
keterangan: b1, b2, … = parameter2 model regresi selain intercept (b0)
bi = (dibaca beta ke-i) parameter model regresi, dimana i = 1,2,…,p-1
p = banyaknya parameter model regresi (termasuk intercept)
Dengan demikian, saya kira tidak ada pertentangan antara kesimpulan yang didapat antara hasil uji F dengan uji t, karena statement yang ada di H1 adalah TIDAK SEMUA bi = 0. Fokuslah pada kata “TIDAK SEMUA” Hal ini berarti, bisa saja hanya ada satu parameter regresi (secara parsial) yang signifikan, atau malah semua parameter signifikan secara parsial.
Ada bentuk lain hipotesis untuk uji F. Perlu diperhatikan bahwa kedua bentuk hipotesis ini TIDAK BERTENTANGAN. Hipotesis tersebut adalah:
H0: Tidak terdapat hubungan regresi antara variabel dependent (Y) dengan variabel independent (X1,X2,…).
H1: Terdapat hubungan regresi antara variabel dependent (Y) dengan variabel independent (X1,X2,…).
Dengan demikian, apabila uji F signifikan maka dapat kita simpulkan bahwa model regresi yang kita dapatkan layak untuk digunakan. Kemudian Anda dapat melanjutkan dengan pembahasan mengenai uji parsial parameter regresi.
2. Saya mau mengkritisi statement Anda: “Uji asumsi data sebarannya normal”. Kenapa bukan error model regresi yang diasumsikan normal? Saya cuma kuatir kalo yang Anda uji kenormalannya pada saat melakukan pengujian asumsi model regresi itu datanya. Hal ini tidak tepat, karena yang diuji asumsi kenormalannya adalah error-nya.
#12
aku lgi teliti tentang analisis pengaruh aspek keruangan terhadap nilai tanah pada kompleks pertokoan…..hmmm tapi aku bingung kira-kira aku harus menulis landasan teorinya mulai dari mana supaya terstruktur gitu.please bantu aku donk!!!! yaaaaaa
Respon untuk #12
Wah, skripsi Anda mirip dengan skripsi saya, yaitu mempertimbangkan posisi geografis terhadap harga sewa rumah. Saya dulu melakukan penelitian sendiri, jadi datanya primer.
Ok, yang perlu dilakukan adalah harus mempersiapkan alat GPS (Global Positioning System) untuk menentukan posisi koordinat suatu titik/wilayah di muka bumi. Kemudian, saya menggunakan metode Geographically Weighted Regression (GWR). Silahkan pelajari dulu. Dari GWR dapat diketahui bahwa harga sewa rumah bervariasi tergantung posisi geografis rumah sewa tersebut.
Alternatif nya, pelajari dulu juga metode Spatial Regression. Silahkan cari di internet.
🙂
#13
Pak,aku mo ikutan nanya nich…
Sekarang ini aku baru mau buat proposal penelitian. Rencana penelitian yang akan dilakukan adalah melihat pengaruh modifikasi disain proses terhadap mutu dan komponen kimianya. Modifikasi desain proses yang akan dilakukan adalah peningkatan tekanan secara bertahap dengan laju alir yang juga bertahap. jadi kira-kira perlakuannya seperti ini.
A1 : tek 2 (3jam),tek 2,5 (2 jam) dan tek 4 (4 jam) dengan laju alir 1,5
A2 : tek 2 (3jam),tek 2,5 (2 jam) dan tek 4 (4 jam) dengan laju alir 2
A3 : tek 2 (3jam),tek 2,5 (2 jam) dan tek 4 (4 jam) dengan laju alir 2,5
A4 : tek 2 dg laju alir 1,5(3jam),tek 2,5 dg laju alir 2 (2 jam) dan tek 4 dg laju alir 3 (4 jam)
awalnya aku fikir cukup dengan deskriptif saja, tetapi setelah ku fikir koq jadi terlalu sederhana. Nah, menurut bapak, dengan rencana percobaan seperti itu, kira-kira analisis statistik yang cocok apa? Bantu aku ya pak…
#14
saya lagi mengerjakan tugas akhir. Bisa enggak saya dikirimi summary tentang regresi logistik ordinal bivariate. Karena penelitian saya memiliki dua variabel respon dan masing-masing respon memiliki kategori yang bersifat ordinal.Tolong ya saya dibantu.Sekalian model,formula,fungsinya. Dikejar dealine nih…makasih banyak.
Respon untuk #13
Wah bagus banget konsep penelitiannya. Ok deh, saya coba beri saran ya.
1.Coba gunakan rancangan faktorial (factorial design), dimana faktor 1 adalah tekanan (levelnya= tek 2, tek 2.5 dan tek 4.) dan faktor 2 adalah laju alir (levelnya = laju alir 1.5, 2, 2.5 dan 3). Anda dapat menerapkan RAL (Rancangan Acak Lengkap) atau RAK (Rancangan Acak Kelompok).
2.Model yang dapat Anda gunakan adalah: y = mu + A + B + AB + e, dimana:
y = respon; mu = rata-rata umum; A = pengaruh perlakuan tekanan; B = pengaruh perlakuan laju alir; AB = interaksi antara tekanan dan laju alir; e= error atau galat.
Oh ya, factorial design termasuk ke dalam konsep RANCANGAN PERCOBAAN (Experimental Design). jadi, nanti kalo mau diskusi lagi, tolong letakkan pertanyaannya di kategori Rancangan Percobaan ya.
🙂
Respon untuk #14
Apa yang anda butuhkan tersedia di banyak buku2 statistika. Coba cari dulu buku2 statistika nya ya…
🙂
#15
saya sedang buat skripsi. hasil egresi saya Y = – 810403 + 0,234 X1 – 0,08 X2. yang mau saya tanyain konstanta yang negatif maksudnya pa? trus kata dosen saya da teori yang menganggap konstanta negatif bisa menjadi nol, benar gak?teoriya apa?tolng dibantu ya. makasih sebelumnya.
#16
aku neliti pengaruh inovasi produk terhadap penjualan menggunakan regresi linier berganda dengan tiga variabel bebas. aku gak ngerti cara mengaplikasikan rumus regresi 3 variabel bebas. bisa bantu kasih saran atau solusi?
#17
Mau tanya…
aku mau neleti ttg hub tingkat pendidikan ibu (SD,SLTP,SLTA,PT) dan tingkat status kebersihan mulut (berupa skor nilai mis: 1,3; 2; 5; 3,2 dsb) terhadap status karies gigi anak (berupa skor nilai mis: 2;4;3;6 dsb). Jumlah sampel yang diteliti 127 anak.
Saya mau lihat hub antara tingkat pendidikan ibu dan tingkat kebersihan mulut(sbg variabel independent) terhadap status karies(sbg var.dependent).
Apa sy bisa menggunakan uji regresi?
Ditunggu jawabannya y…n thanks b4
Respon #15
Dari buku-buku statistika yang saya baca, saya belum pernah menemukan teori atau bacaan yang dengan simpel menganggap bahwa konstanta (intersep) yang bertanda negatif langsung dapat dianggap nol. Tentu saja, makna dari intersep tergantung sepenuhnya dari teori yang sedang diteliti. Saya yakin anda jauh lebih paham mengenai makna intersep karena Anda adalah penelitinya. Perlu diketahui, intersep tidak selalu dapat diinterpretasikan. Walaupun secara matematika, intersep berarti bahwa “nilai rata-rata respon (Y) ketika variabel X bernilai nol adalah sama dengan intersep”. Makna secara matematis ini tidak selalu benar dalam semua kasus. Arti secara matematis ini perlu dikaji lebih jauh dan disesuaikan dengan kasus yang sedang diteliti. Yang sering saya temui adalah, nilai intersep tidak perlu diinterpretasikan apabila angka-angka pada data variabel X Anda tidak melibatkan pengamatan bernilai nol (atau mendekati nol). Karena apabila dipaksakan diinterpretasikan, dikuatirkan akan salah. Hal ini disebabkan garis regresi yang terbentuk tidak melibatkan pengamatan pada titik nol. Coba baca tulisan “ Ternyata, intersep tak selalu bermakna” pada kategori regresi linier dan korelasi.
Respon untuk #15
Dari buku-buku statistika yang saya baca, saya belum pernah menemukan teori atau bacaan yang dengan simpel menganggap bahwa konstanta (intersep) yang bertanda negatif langsung dapat dianggap nol. Tentu saja, makna dari intersep tergantung sepenuhnya dari teori yang sedang diteliti. Saya yakin anda jauh lebih paham mengenai makna intersep karena Anda adalah penelitinya. Perlu diketahui, intersep tidak selalu dapat diinterpretasikan. Walaupun secara matematika, intersep berarti bahwa “nilai rata-rata respon (Y) ketika variabel X bernilai nol adalah sama dengan intersep”. Makna secara matematis ini tidak selalu benar dalam semua kasus. Arti secara matematis ini perlu dikaji lebih jauh dan disesuaikan dengan kasus yang sedang diteliti. Yang sering saya temui adalah, nilai intersep tidak perlu diinterpretasikan apabila angka-angka pada data variabel X Anda tidak melibatkan pengamatan bernilai nol (atau mendekati nol). Karena apabila dipaksakan diinterpretasikan, dikuatirkan akan salah. Hal ini disebabkan garis regresi yang terbentuk tidak melibatkan pengamatan pada titik nol. Coba baca tulisan “ Ternyata, intersep tak selalu bermakna” pada kategori regresi linier dan korelasi.
Respon #16
Wah, kasus anda itu mudah sekali sebenarnya. banyak buku-buku yang menyediakannya. Coba baca dulu buku-buku regresi, pasti ada contohnya. Kemungkinan model yang bisa dibuat:
Penjualan = b0 + b1X1 + b2X2 + b3X3.
Dimana X1, X2 dan X3 adalah variabel bebas, mungkin variabel bebas dalam kasus Rena adalah inovasi produk.
Respon #17
Menurut saya, seluruh tipe data pada semua variabel yang anda gunakan bertipe ordinal. Oleh karena itu, analisis regresi linier tidak tepat untuk diterapkan. Saya sarankan Anda menggunakan metode korelasi Spearman Rank (korelasi peringkat Spearman;Spearman Rank Correlation). Dengan demikian, anda mengkorelasikan TK_Pendidikan v.s Status_Karies dan Kebersihan_mulut v.s. Status_Karies.
🙂
rumus regresi adalah Y=a+bX, yang jadi pertnyaan (+) atau (-) pada bX dapat di jadikan korelasi tidak
makasih unutk jwbnx kmaren
#19
Mas Deny, saya mo tanya tentang prosedur “moderated regression analysis” dengan SPSS caranya bagaimana ya? mohon informasinya. terimakasih.
rgrds,
rina
Respon untuk #19
Gampang aja, Moderated Regresion Analysis (MRA) mirip dengan regresi dengan variabel dummy, dimana di dalam model tersebut terdapat interaksi dengan variabel bebas.
Misal: M=var moderating, X= var bebas, Y=var terikat, maka model nya menjadi:
Y=b0+b1X+b2M+b3XM
Nah, baik variabel X, M maupun XM dimasukkan ke dalam independent variabel.
🙂
#20
ms deny
aq pengen tau: apa arti penting R-square dalam reg.linr?
jk pd korelasi kan da nilai r ,itu maksudnya apa?
mkasih …
Respon untuk #20
Koefisien korelasi r berarti besarnya keeratan hubungan antara 2 buah variabel.
R-square berarti besarnya keragaman (informasi) yang terkandung di dalam variabel Y (respon) yang dapat dijelaskan oleh model regresi yang diperoleh.
Pada beberapa software, nilai R-square sudah dalam bentuk %, yaitu biasanya nilai berkisar antara 0 s.d. 100, sedangkan pada beberapa software yang lain, nilai R-square ditulis apa adanya, yaitu berkisar antara 0 s.d. 1.
Hubungan antara koefisien korelasi r dengan R-square pada regresi adalah apabaila nilai korelasi r dikuadratkan, maka akan didapatkan nilai R-square.
Pada konsep regresi, bila yang digunakan adalah model regresi linier sederhana, maka nilai r sama dengan koefisien korelasi Pearson biasa antara variabel Y dengan X. Sedangkan apabila yang digunakan adalah model regresi linier berganda, maka nilai r pada regresi menyatakan besarnya keeratan hubungan antara variabel Y dengan semua variabel bebas yang masuk dalam model regresi. Biasanya disebut sebagai koefisien korelasi berganda.
🙂
#21
mas deny mau tanya dlm penltian saya menghslkn jwbn ada 1 konstruk tdk valid n da 1 vriabl tdk reliabel. klo sprti itu hsl pnltian brarti hsl pnelitian saya tdk andal? mas mau tny lg apa bedanya R square dan adjustd R square? mksh
Respon untuk #21
1. Sebenarnya bukan hasil penelitiannya yang tidak valid atau handal (reliabel), melainkan kuesionernya. Oleh karena kuesioner mempengaruhi hasil penelitian, maka hasil penelitian Anda boleh dikatakan kurang begitu powerful untuk dijadikan bahan rujukan orang lain.
2. R square didefinisikan sebagai besarnya keragaman (informasi) yang terkandung di dalam variabel terikat (dependent; Y) yang dapat dijelaskan oleh model regresi yang didapatkan.
Adjusted R-square merupakan R-square yang disesuaikan. Adjusted R-square biasanya digunakan untuk membandingkan model regresi mana yang terbaik apabila Anda memiliki 2 atau lebih model regresi dimana model2 regresi yang dibandingkan tersebut memiliki variabel bebas (X) yang tidak sama banyaknya. Tapi, kalo model2 regresi tersebut memiliki variabel bebas (X) yang sama banyaknya, cukup pake R-square.
🙂
#22
Dear Mas Deny…
Saya sedang melakukan riset thesis dengan topik hubungan investasi IT terhadap kinerja perusahaan..Dari model penelitian yang saya kerjakan dihasilkan variabel sbb:
Kinerja perusahaan: ROA, ROE, ROI, NET MARGIN (Dependent)
Investasi IT: Salary, Hardware, software, database, network, training, pengeluaran lainnya (independent)
Data2 yang digunakan merupakan data sekunder yang bersumber dari laporan keuangan dan jumlah investasi TI yang dikeluarkan selama 10 tahun terakhir..
Dari variabel2 tersebut sepertinya saya harus menggunakan analisis multivariate regression untuk mengetahui pengaruh variabel2 (dependent+independent) secara bersama..kira2 menurut mas hal ini udah benar?
Kalo boleh minta daftar bacaan yang relevan dan praktis yang kira2 dapat membantu
riset saya ini…
Best Regards,
Luqi
#23
mas, saya sedang skripsi, saya mahasiswa ekonomi manajemen. judul skripsis saya ” Pengaruh persepsi konsumen atas Country-of-Origin terhadap Ekuitas merek”. Variabel independen saya (Country-of-origin) tidak memiliki dimensi, indikator pengukurannya berdasarkan persepsi konsumen atas kualifikasi suatu negara asal yang akan saya ukur” dan Variabel dependennya (Ekuitas merek) memiliki 4 dimensi yaitu brand awareness, brand association, perceived quality dan brand loyalty.
alat/metode statistik apa yang bisa saya gunakan untuk mengukur jika var. X hanya 1 dan var. Y memiliki 4 dimensi. dan perlu diketahui bahwa ke-4 dimensi yang dimiliki oleh variable Y merupakan suatu proses, sehingga hasilnya/nilainya harus mengerucut (piramid terbalik), dimensi ekuitas merek beurutan dari awal yaitu brand awareness -> brand associations -> perceived quality -> brand loyalty
mohon bantuannya ya mas…terima kasih
Respon untuk #23
1. Kayaknya metode yang tepat adalah regresi linier sederhana.
2. Agar dimensinya mengerucut, Anda harus membentuk membentuk variabel laten dari persepsi responden.
3. Cara membentuk variabel laten bisa dilihat di kategori ” Semua tentang kuesioner”.
🙂
#24
sy sedang meneliti besarnya pengaruh volume (x1,x2,x3)dan kecepatan kendaraan (x4,x5,x6) thdp tingkat kebisingan (Y).
langkah kerja sy yaitu :
1. meregresikan data semuanya lalu uji F dan uji T (tp hasilnya mnyatakan nd ad hub. dari smw var. x thdp var. y)
2. memunculkan data residu dari pers. lalu uji normalitas (tp hasilnya data nd normal)
3. mentransformasi var. y dgn log lalu regresi ulang.
pertanyaan sy:
1. apa langkah sy sdh benar?
2. betulkan cm nilai residu yg diuji normalitasnya? sy uji normaltas dgn skewnes-kurtosis, itu bisa ngga’ u regresi berganda?
3. klo qt mentransformasi data, apakh hrus smw var. ato bisa cm var. tertentu dan bisa nggak var. yg satu dan yg lain trnsformasinya berbeda, mis. satu pke log dn yg satu pake sqrt?
4. stlh sy mndptkn pers. matematisnya, uji apalgi yg hrs sy lakukan spy hasilnya shahih secara statistik?
sorry pertanyaannya kebanyakan, masalahnya sy bukan an statistik, so blank abiz…makasih ya mas…tlong djwb cpt,klo perlu d email sy sj, sy dah deadline…
Respon untuk #24
1. Kalo model yang Anda ingin bentuk dengan regresi adalah y = b0+ b1X1+b2x2 +b3x3+b4x4+b5x5+b6x6+e, maka langkah no.1 sudah benar.
2. Ya, yang di uji kenormalan adalah data residual, bukan data pengamatan.
3. Transformasi bisa macam2. da yang cuma 1 variabel, ada yang beberapa atau semua var ditranformasi. Jadi, bisa aja yang satu pake log, yang lain sqrt, tergantung kasusnya. Namun saya sarankan, coba plot dulu masing variabel x terhadap y. Apakah ada var x yang tidak linier hubungannya dengan y? Mungkin aja hubungan var x dengan y nya tidak linier, jadi nya hasil analisis tidak signifikan.
4. Ya, uji asumsi klasik tentunya. Yaitu: uji normalitas residual, uji asumsi non multikolinieritas, uji asumsi non heteroskedastisitas, dan uji asumsi non autokorelasi. Untuk selengkapnya, baca tulisan saya tentang uji asumsi klasik.
5. Saya curiga, model regresi Anda mengalami multikolinieritas, sehingga menyebabkan var x dikira tidak signifikan, padahal ada beberapa yang signifikan.
🙂