Ternyata, Intersep Tak Selalu Bermakna

22 10 2007

Contoh Persamaan Regresi:
Y = 2 + 10X ……..(1)
Y = variabel respon; X = variabel prediktor/bebas
Angka 2 pada persamaan (1) biasanya disebut sebagai intersep, sedangkan angka 10 biasanya disebut sebagai slope. Pada umumnya, intersep diartikan sebagai nilai rata-rata Y bila nilai X sama dengan nol.

Sering ditemui di lapangan, para peneliti yang melakukan analisis data dengan regresi linier, baik sederhana maupun berganda, selalu “memaksa” untuk menginterpretasikan makna nilai intersep dari persamaan regresi yang didapatkan. Padahal, intersep tidak selalu dapat diartikan, apalagi jika tidak ada dukungan secara teori terhadap kasus yang sedang diteliti. Intersep sebenarnya merupakan komponen yang harus muncul agar nilai slope dapat dihitung. Apabila data pengamatan untuk variabel bebas/prediktor (variabel X) tidak mengikutkan nilai 0 (atau mendekati 0), maka peneliti perlu berhati-hati dalam memaknai intersep. Apabila tetap dipaksakan untuk memaknai intersep tanpa didukung oleh latar belakang keilmuan untuk kasus yang diteliti, dikuatirkan akan melanggar aturan dari penggunaan persamaan regresi, yaitu bahwa persamaan regresi tidak dapat digunakan untuk memprediksi nilai variabel respon (variabel Y) secara ekstrapolasi. Hal ini disebabkan karena kita tidak tahu apakah bentuk hubungan antara variabel respon dan prediktor juga masih berbentuk linier apabila nilai pengamatan variabel prediktor diperluas hingga mendekati nilai 0. Dalam hal ini, peneliti dituntut memahami secara lebih mendalam mengenai latar belakang keilmuan dari kasus yang diteliti. Biasanya, secara teoritis, para ahli suatu bidang ilmu telah menjelaskan mengenai peran intersep dalam ilmu tersebut. Misalnya dalam bidang eonomi, untuk penelitian mengenai biaya, intersep biasanya diartikan sebagai fixed cost, sedangkan slope diartikan sebagai variabel cost.🙂

Daftar Pustaka:
1.Kutner,M.H., C.J. Nachtsheim dan J. Neter. 2004. APPLIED LINEAR REGRESSION MODELS. International Edition. The McGraw-Hill Companies,Inc. Singapore.
2.Literatur lain yang tidak dapat disebutkan satu-persatu.


Aksi

Information

7 responses

22 03 2008
arlan

#1
mas, mo nanya cara menguji intersep gimana?
da rumus t hitung segala ga? maaf saya jurusan kimia jadi ga terlalu ngerti. terima kasih banyak sebelumnya.

25 03 2008
Deny

Respon untuk #1
1.Yup, untuk menguji apakah intersep signifikan secara statistika atau tidak adalah sama dengan pengujian terhadap koefisien regresi lainnya, yaitu dengan uji-t (biasa disebut uji parsial koefisien regresi). Rumus t-hitung yang digunakan sama halnya sebagaimana uji parsial untuk koefisien regresi lainnya.
2.Jika Arlan menggunakan paket program komputer untuk melakukan analisis data, alangkah baiknya jika menggunakan kriteria uji yang lain, yaitu p-value, sebagai ganti dari pembandingan nilai t-hitung dengan nilai t-tabel. Untuk menentukan apakah suatu koefisien regresi signifikan atau tidak, cukup bandingkan nilai p-value dari koefisien regresi tersebut dengan alpha (taraf nyata) yang Anda gunakan. Alpha yang sering digunakan adalah 5%. Jika p-value lebih besar atau sama dengan 5%, maka simpulkan bahwa koefisien regresi tersebut TIDAK SIGNIFIKAN. Jika p-value < 5%, simpulkan bahwa koefisien regresi adalah SIGNIFIKAN.🙂

13 04 2008
arlan

mas deny terima kasih mudah2an Tuhan membalas kebaikan Anda. amien..

21 04 2008
euis

#2
mas mau nanya…saat ini sy pernah membaca sebuah jurnal analisis weekend effect..mereka menggunakan persamaan regresi dengan var dummy tanpa intersep…
Returnt = γ1 Sent + γ2 Selt + γ3 Rabt + γ4 Kamt + γ5 Jumt + εt

kira2 alasannya kenapa ya?karena didalam jurnal tsb tidak dijelaskan kenapa…maaf sy dari jurusan akuntansi…jadi ga ngerti…mohon pencerahan…thanks..

22 04 2008
Deny

Respon untuk #2
1. Sebelumnya saya kemukakan dulu apakah intersep itu dari sisi statistika. Intersep adalah rata-rata variabel Y apabila nilai variabel X bernilai nol.
2.Untuk semua konsep regresi, alasan kenapa digunakan atau tidak digunakannya intersep sebenarnya tergantung dari penelitiannya. Misal sesorang ingin membentuk model regresi antara PENDAPATAN dengan PENJUALAN. Sangat masuk akal jika tidak ada penjulan maka PENDAPATAN akan bernilai NOL. Nah, model regresi yang bisa digunakan adalah: PENDAPATAN = b1*PENJUALAN. Sedangkan apabila seorang analis mengasumsikan bahwa walaupun tanpa penjulan, perusahaan masih memiliki pendapatan, maka model regresi yang bisa digunakan adalah: PENDAPATAN = b0 + b1*PENJUALAN. Pada model kedua ini, apabila variabel PENDAPATAN bernilai nol, maka PENDAPATAN akan bernilai b0.🙂

13 08 2008
paul

#3
ap ad hub antara intersp dengan konstanta?tolong gambarkan hub._nya
dan di jelaskan,,,?kalau berbeda tolong jabarkan perbedaanya?

15 08 2008
Deny

Respon untuk #3
Dalam konsep regresi linier, intersep merupakan konstanta. Coba baca tulisan saya (PDF) dengan judul “Regresi Linier” di kategori : Regresi Linier dan korelasi > Regresi Linier. Mungkin bisa sedikit membantu.🙂

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout / Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout / Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout / Ubah )

Foto Google+

You are commenting using your Google+ account. Logout / Ubah )

Connecting to %s




%d blogger menyukai ini: