Analisis Regresi

Analisis Regresi linier (Linear Regression analysis) adalah teknik statistika untuk membuat model dan menyelidiki pengaruh antara satu atau beberapa variabel bebas (Independent Variables) terhadap satu variabel respon (dependent variable). Ada dua macam analisis regresi linier:

1. Regresi Linier Sederhana: Analisis Regresi dengan satu Independent variable , dengan formulasi umum:

Y = a +b1X1 + e (9.1)

2. Regresi Linier Berganda: Analisis regresi dengan dua atau lebih Independent Variable , dengan formulasi umum:

Y = a + b1X1 + b2X2 + … + bnXn + e (9.2)

Dimana:

Y = Dependent variable a = konstanta

b1 = koefisien regresi X1, b2 = koefisien regresi X2, dst. e = Residual / Error

Fungsi persamaan regresi selain untuk memprediksi nilai Dependent Variable (Y), juga dapat digunakan untuk mengetahui arah dan besarnya pengaruh Independent Variable (X) terhadap Dependent Variable (Y).

Menurut Gujarati (2006), suatu model statistik dapat dikatakan sebagai model yang baik apabila memenuhi beberapa kriteria berikut :

1. Parsemoni. Suatu model tidak akan pernah dapat secara sempurna menangkap realitas sehingga hal ini menjadi urgensi bagi kita untuk melakukan sedikit abstraksi atau penyederhanaan dalam pembuatan model. Maksudnya, ketikdakmampuan model kita dalam mencakup semua realitas yang ada itu menjadikan kita harus berfokus membuat model khusus untuk menjelaskan realitas yang menjadi tujuan penelitian kita saja.
2. Mempunyai identifikasi tinggi. Artinya dengan data yang tersedia, parameter-parameter yang diestimasi memiliki nilai yang unik (tunggal, berdiri sendiri) sehingga hanya akan ada satu parameter saja.
3. Keselarasan atau Goodness of fit. Khusus untuk analisis regresi, ialah menerangkan sebanyak mungkin variasi variabel terikat dengan menggunakan variabel bebas dalam model. Oleh karena itu, suatu model dikatakan baik jika indikator pengukur kebaikan model, yaitu adjusted R square bernilai tinggi.

Asumsi yang harus terpenuhi dalam analisis regresi (Gujarati, 2003)adalah:

1. Residual menyebar normal (asumsi normalitas)
2. Antar Residual saling bebas (Autokorelasi)
3. Kehomogenan ragam residual (Asumsi Heteroskedastisitas)
4. Antar Variabel independent tidak berkorelasi (multikolinearitas)