Download
model regresi linier ganda n.
Skip this Video
Loading SlideShow in 5 Seconds..
MODEL REGRESI LINIER GANDA PowerPoint Presentation
Download Presentation
MODEL REGRESI LINIER GANDA

MODEL REGRESI LINIER GANDA

986 Views Download Presentation
Download Presentation

MODEL REGRESI LINIER GANDA

- - - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript

  1. MODEL REGRESI LINIER GANDA Bentukumum model regresi linier bergandadengankvariabelbebasadalah Y= 0 + 1X1 + 2X2 + ... + kXk +  • Y = variabelterikat • X1, X2, ..., Xk = variabel-variabelbebas •  = residuacak • 0, 1, ..., k=parameter-parameter populasi yang nilainyatidak diketahuidanharusdiestimasidari data. NilaiimenyatakankontribusidarivariabelbebasXiterhadap variabelterikatY.

  2. Pada model regresi linier, • residu acak diasumsikan mempunyai mean 0 dan variansi 2 • Untuk uji hipotesis diasumsikan bahwa residu acak berdistribusi normal dan tidak berkorelasi. • Syarat pengujian regresi linear adalah • residu acak berdistribusi normal, diuji dengan uji Liliefors • residu acak tidak berkorelasi, diuji dengan uji autokolinear

  3. REGRESI LINIER GANDA DENGAN DUA VARIABEL BEBAS Model regresilinier denganduavariabelbebas adalah Y= 0 + 1X1 + 2X2 +  • Y = variabelterikat • X1, X2 = variabel-variabelbebas •  = residuacak • 0, 1dan2 = parameter populasi yang nilainyatidak diketahui. • residuacakdiasumsikanmempunyai mean 0 danvariansi2 dantidakberkorelasi.

  4. DATA REGRESI LINIER GANDADENGAN DUA VARIABEL BEBAS

  5. Variabel-variabel residu 1, 2, ..., n diasumsikan semuanya memiliki mean 0, variansi 2, dan tidak berkorelasi. .

  6. MENGESTIMASI 0, 1 dan 2 Jika b0, b1 dan b2 masing-masing adalah estimator untuk 0, 1 dan 2 maka

  7. UJI KEBERARTIAN PERSAMAAN REGRESI LINEAR GANDA • H0 : 1 = 2 = 0 (model regresi tidak berarti) • H1 : Paling sedikit ada satu tanda  0 (model regresi berarti) Hipotesis Statistik Statistik Uji

  8. UJI SIGNIFIKANSI PERSAMAAN REGRESI LINEAR GANDA Kriteria Pengujian Terima Ho jika Fhitung < Ftabel denganderajat pembilang 2 dan penyebut (n-3) pada pada taraf signifikansi 

  9. UJI KEBERARTIAN KOEFISIEN KORELASI GANDA • Hipotesis Statistik Ho : Koefisien korelasi ganda tidak berarti H1 : Koefisien korelasi ganda berarti • Statistik Uji Koefisien determinasi

  10. UJI KEBERARTIAN KOEFISIEN KORELASI GANDA Kriteria Pengujian Terima Ho jika Fhitung < F denganderajat pembilang 2 dan penyebut (n-3) pada taraf signifikansi 

  11. UJI KEBERARTIAN KOEFISIEN REGRESI LINEAR GANDAMenguji Parameter secara Individual • H0 : 1 = 0, dan H0 : 2 = 0. • Ketika menguji H0 : 1 = 0 maka 0 dan 2 berada di dalam model, • Ketika menguji H0 : 2 = 0 maka 0 dan 1 berada di dalam model

  12. UJI KEBERARTIAN KOEFISIEN REGRESI LINEAR GANDAMenguji Parameter secara Individual • Hipotesis Statistik H0 : i = 0 (tidak ada pengaruh Xi terhadap Y) , i = 1, 2 H1 : i 0 (ada pengaruh Xi terhadap Y) i = 1, 2 • Statistik Uji

  13. UJI KEBERARTIAN KOEFISIEN REGRESI LINEAR GANDAMenguji Parameter secara Individual • Kriteria Pengujian Terima Ho jika | t | > t/2 dengan db = n-3 dan pada taraf signifikansi 

  14. UJI KEBERARTIAN KORELASI PARSIAL • Korelasi parsiil bertujuan untuk mengetahui kontribusi masing-masing variabel bebas terhadap variabel terikat • Regresi linear ganda 2 variabel memiliki korelasi parsial sebanyak 2 buah • Korelasi parsial yang pertama : • Menyatakan hubungan antara variabel bebas pertama dengan variabel terikat dengan menghilangkan pengaruh variabel bebas kedua dengan variabel terikatnya • Korelasi parsial yang kedua: • Menyatakan hubungan antara variabel bebas kedua dengan variabel terikat dengan menghilangkan pengaruh variabel bebas pertama dengan variabel terikatnya

  15. UJI SIGNIFIKAN KORELASI PARSIAL • Hipotesis Statistik: • Ho : koefisien korelasi parsiil antara Y dan X1 jika X2 tetap , tidak berarti • H1 : koefisien korelasi parsiil antara Y dan X1 jika X2 tetap, berarti • Ho : koefisien korelasi parsiil antara y dan X2 jika X1 tetap, tidak berarti • H1 : koefisien korelasi parsiil antara Y dan X2 jika X1 tetap, berarti

  16. Statistik Uji • Kriteria Pengujian terima Ho jika | t | > t/2 dengan db = n-3 pada taraf signifikansi 

  17. ANALISIS DATA DENGAN SPSS

  18. ANALISIS DATA DENGAN SPSS

  19. ANALISIS DATA DENGAN SPSS

  20. ANALISIS DATA DENGAN SPSS

  21. JUDUL PENELITIAN • PengaruhKemampuanNumerikdan KecemasanTerhadap HasilBelajarMatematika • HubunganKemampuanNumerikdan • Kecemasandengan • HasilBelajarMatematika

  22. UJI PERSYARATAN ANALISIS DATA • Nilai uji Durbin-Watson = 1,655 (nilai antara 1 dan 3), maka residu tidak terjadi autocorrelation atau independen artinya residu dari model regresi ganda bersifat independen • Nilai VIF = 1,007 (nilai VIF mendekat 1)maka dapat dianggap tidak terjadi multicollinearitas maka variabel bebas bersifat independen

  23. PLOT UJI NORMALITAS

  24. HASIL PENGUJIAN DENGAN SPSS dan INTERPRETASINYA Uji Keberartian Persamaan Regresi Linear Ganda • Hipotesis Statistik • Hasil Pengujian • H0 : 1 = 2 = 0 (model regresi tidak berarti) • H1 : Paling sedikit ada satu tanda  0 (model regresi berarti) • Karenanilai Sig. = 0.002 < 0,05 maka H0ditolak • Persamaanregresi linear ganda yang diperolehdapatdigunakanuntukmemprediksinilai Y jikadiketahuinilai X1 dan X2, padapopulasidimana data sampeltersebutdiambil

  25. UjiKeberartianKoefisienRegresi Linear Ganda • Hipotesis Statistik H0 : i = 0 (tidak ada pengaruh Xi terhadap Y) , i = 1, 2 H1 : i 0 (ada pengaruh Xi terhadap Y) i = 1, 2 • Hasil Pengujian • Karenanilai Sig. = 0.001 < 0,05 maka H0ditolak, makaterdapatpengaruhkemampuannumerikterhadaphasilbelajarmatematika, dengankemampuankecemasantetap • Karenanilai Sig. = 0.058 > 0,05 maka H0diterima, makatidakterdapatpengaruhkecemasanterhadaphasilbelajarmatematika, dengankemampuannumeriktetap

  26. UJI KEBERARTIAN KOEFISIEN KORELASI GANDA • Hipotesis Statistik Ho : Koefisien korelasi ganda tidak berarti H1 : Koefisien korelasi ganda berarti • Hasil Pengujian • Karenanilai Sig. = 0.002 < 0,05 maka H0ditolak, makaterdapatpengaruhkemampuannumerikdankecemasanterhadaphasilbelajarmatematika. 53,2% variansi Y dapatdijelaskanolehkemampuannumerikdankecemasan

  27. Uji Keberartian Koefisien Korelasi Parsial Linear Ganda • HipotesisStatistik • H0 : Y1.2≤ 0 (Koefisienkorelasiparsiilantara Y dan X1jika X2tetapberarti) • H1 : Y1.2> 0 (Koefisienkorelasiparsiilantara Y dan X1jika X2tetapberarti) H0 : Y2.1≥ 0 (Koefisienkorelasiparsiilantara Y dan X2jika X1tetapberarti) H1 : Y2.1< 0 (Koefisienkorelasiparsiilantara Y dan X2jika X1tetapberarti) • Hasil Pengujian

  28. Uji Keberartian Koefisien Korelasi Parsial Linear Ganda • Karenanilai Sig. = 0.001 < 0,05 maka H0ditolak, makaterdapatkorelasipositifkemampuannumerikdanhasilbelajarjikakecemasantetap • 2. Karenanilai Sig. = 0.114 > 0,05 maka H0diterima, makatidakterdapatkorelasipositifkecemasandanhasilbelajarjikanumeriktetap

  29. Uji Keberartian Koefisien Korelasi Linear Ganda • HipotesisStatistik • H0 : Y.12 = 0 (Koefisienkorelasigandatidakberarti) • H1 : Y.12 0 (Koefisienkorelasigandatidakberarti) • Hasil Pengujian • Karenanilai Sig. = 0.002 < 0,05 maka H0ditolak, makaterdapatkoefisienkorelasigandaantarahasilbelajardengankemampuannumerikdankecemasan • Kesimpulan : • 53,2% variasi yang terjadipadahasilbelajarmatematikadapatdijelaskan • olehkemampuannumerik (X1) dankecemasan(X2) melalui

  30. REGRESI LINIER GANDA DENGAN DUA VARIABEL BEBAS Model regresilinier denganduavariabelbebas adalah Y= 0 + 1X1 + 2X2+ 3X3 +  • Y = variabelterikat • X1, X2 = variabel-variabelbebas •  = residuacak • 0, 1 ,2 dan3= parameter populasi yang nilainyatidak diketahui. • residuacakdiasumsikanmempunyai mean 0 danvariansi2 dantidakberkorelasi.

  31. DATA REGRESI LINIER GANDADENGAN TIGA VARIABEL BEBAS

  32. Variabel-variabel residu 1, 2, ..., n diasumsikan semuanya memiliki mean 0, variansi 2, dan tidak berkorelasi. .

  33. MENGESTIMASI 0, 1 , 2 dan 3 Jika b0, b1 dan b2 masing-masing adalah estimator untuk 0, 1, 2 dan 3 maka

  34. UJI KEBERARTIAN PERSAMAAN REGRESI LINEAR GANDA • H0 : 1 = 2 = 3= 0 (model regresi tidak berarti) • H1 : Paling sedikit ada satu tanda  0 (model regresi berarti) Hipotesis Statistik Statistik Uji Kriteria Pengujian Terima Ho jika Fhitung < Ftabel denganderajat pembilang 3 dan penyebut (n-4) pada taraf signifikan

  35. UJI KEBERARTIAN KOEFISIEN KORELASI GANDA • Hipotesis Statistik Ho : Koefisien korelasi ganda tidak berarti H1 : Koefisien korelasi ganda berarti • Statistik Uji • Kriteria Pengujian Terima Ho jika Fhitung < F denganderajat pembilang 3 dan penyebut (n-4) pada

  36. UJI KEBERARTIAN KOEFISIEN REGRESI LINEAR GANDAMenguji Parameter secara Individual • H0 : 1 = 0, H0 : 2 = 0, dan H0 : 3 = 0 • Ketika menguji H0 : 1 = 0 maka 0 dan 2 berada di dalam model, • Ketika menguji H0 : 2 = 0 maka 0 dan 1 berada di dalam model, • Ketika menguji H0 : 3 = 0 maka 0 dan 1 berada di dalam model,

  37. UJI KEBERARTIAN KOEFISIEN REGRESI LINEAR GANDAMenguji Parameter secara Individual • Hipotesis Statistik H0 : i = 0 (tidak ada pengaruh Xi terhadap Y) , i = 1, 2,3 H1 : i 0 (ada pengaruh Xi terhadap Y) i = 1, 2,3 • Statistik Uji

  38. UJI KEBERARTIAN KOEFISIEN REGRESI LINEAR GANDAMenguji Parameter secara Individual • Kriteria Pengujian Terima Ho jika | t | > t/2 dengan db = n-4 pada taraf signifikansi 

  39. UJI SIGNIFIKAN KORELASI PARSIAL • Hipotesis Statistik: • Ho : koefisien korelasi parsiil antara Y dan X1 jika X2 dan X3 tetap , tidak berarti • H1 : koefisien korelasi parsiil antara Y dan X1 jika X2 dan X3 tetap, berarti • Ho : koefisien korelasi parsiil antara y dan X2 jika X1 dan X3 tetap, tidak berarti • H1 : koefisien korelasi parsiil antara Y dan X2 jika X1 dan X3 tetap, berarti

  40. UJI SIGNIFIKAN KORELASI PARSIAL • Hipotesis Statistik: • Ho : koefisien korelasi parsiil antara Y dan X3 jika X1 dan X2 tetap , tidak berarti • H1 : koefisien korelasi parsiil antara Y dan X3 jika X1 dan X2 tetap , berarti

  41. Statistik Uji • Kriteria Pengujian terima Ho jika | t | > t/2 dengan db = n-4 pada taraf signifikansi 

  42. ANALISIS DATA DENGAN SPSS

  43. ANALISIS DATA DENGAN SPSS

  44. ANALISIS DATA DENGAN SPSS

  45. ANALISIS DATA DENGAN SPSS

  46. JUDUL PENELITIAN • PengaruhKemampuanNumerik, KecemasandankemampuanBahasa TerhadapHasilBelajarMatematika • HubunganKemampuanNumerik, • KecemasandankemampuanBahasadenganHasilBelajarMatematika

  47. UJI PERSYARATAN ANALISIS DATA • Nilai uji Durbin-Watson = 1,953 (nilai antara 1 dan 3), maka residu tidak terjadi autocorrelation atau independen artinya residu dari model regresi ganda bersifat independen • Nilai VIF mendekat 1 maka dapat dianggap tidak terjadi multicollinearitas maka variabel bebas bersifat independen

  48. PLOT UJI NORMALITAS

  49. HASIL PENGUJIAN DENGAN SPSS dan INTERPRETASINYA Uji Keberartian Persamaan Regresi Linear Ganda • Hipotesis Statistik • Hasil Pengujian • H0 : 1 = 2 = 3 = 0 (model regresi tidak berarti) • H1 : Paling sedikit ada satu tanda  0 (model regresi berarti) • Karenanilai Sig. = 0.004 < 0,05 maka H0ditolak • Persamaanregresi linear ganda yang diperolehdapatdigunakanuntukmemprediksinilai Y jikadiketahuinilai X1, X2danX3, padapopulasidimana data sampeltersebutdiambil

  50. UjiKeberartianKoefisienRegresi Linear Ganda • Hipotesis Statistik H0 : i = 0 (tidak ada pengaruh Xi terhadap Y) , i = 1, 2 H1 : i 0 (ada pengaruh Xi terhadap Y) i = 1, 2 • Hasil Pengujian • Karenanilai Sig. = 0.001 < 0,05 maka H0ditolak, makaterdapatpengaruhkemampuannumerikterhadaphasilbelajarmatematika, dengankemampuanbahasadankecemasantetap • Karenanilai Sig. = 0.044 > 0,05 maka H0ditolak, makaterdapatpengaruhkecemasanterhadaphasilbelajarmatematika, dengankemampuanbahasadankemampuannumeriktetap • Karenanilai Sig. = 0.389 > 0,05 maka H0diterima, makatidakterdapatpengaruhkemampuanbahasaterhadaphasilbelajarmatematika, dengankemampuannumerikdankecemasantetap