Uji Regresi Linear Sederhana dengan SPSS Versi 23

Artikel ini akan membahas tentang regresi linear sederhana, yamg mencakup satu buah variabel bebas (X) dan satu buah variabel terikat (Y) dengan alat bantu software SPSS Versi 23. Jika ada lebih dari satu variabel bebas, maka dinamakan regresi linear berganda. Sedangkan jika variabel terikat lebih dari satu, maka sebaiknya digunakan metode Structural Equation Modeling (SEM) baik berbasis varians maupun covariance.

Tabulasi Data Regresi Linear Sederhana dengan SPSS Versi 23

Simulasi ini menggunakan 125 data sebagai sampel. Pilih menu Regresi Linear yaitu Analyze, Regression, Linear seperti pada gambar di bawah:

Menu Regresi Linear

Klik pada Linear maka akan diarahkan ke Sub Dialog baru yaitu sebagai berikut:

Memasukkan Variabel

Masukkan variabel X ke dalam Independent(s) dan Y ke dalam Dependent. Lalu klik Statistic pada kiri atas:

Memilih Sub Menu

Berikan tanda centang pada Estimates dan Model fit, seperti pada gambar di atas. Setelah itu klik Continyu lalu klik OK sehingga akan keluar output. Kita bahas satu persatu outputnya.

Output Variable Entered

Output ini hanya menginformasikan variabel yang dipergunakan, yaitu X dan Y. Dependent Variable adalah Y dan variabel bebasnya adalah X. Jika ada lebih dari 1 variabel bebas, maka akan muncul pada kolom Variables Entered. Method adalah metode yang dipergunakan yaitu enter. Metode yang lain, misalnya Stepwise, Remove, Backward dan Forward. Nanti kita bahas lebih lanjut.

Output Model Summary

Output kedua memuat nilai R atau korelasi yaitu sebesar 0,818. Nilai ini berkisar antara 0 sampai dengan 1 dan sama persis dengan Korelasi Pearson baik dengan SPSS maupun dengan Korelasi Pearson yang juga bisa ita hitung dengan Microsoft Excel. Nilai ini juga bisa dibandingkan dengan nilai R yang terdapat pada Tabel R. 

Nilai R Square adalaha kuadrat dari nilai R jadi 0,818 x 0,818 = 0,669 (dibulatkan 3 angka di belakang koma). Nilai ini mencerminkan seberapa besar kemampuan variabel bebas dalam menjelaskan varians variabel terikat atau sering disebut dengan koefisien determinasi. Nilainya berkisar antara 0 sampai dengan 1 tapi selalu positif karena hasil kuadrat.

Nilai 0,667 adalah nilai  koefisien determinasi yang dikoreksi. Mengapa perlu dikoreksi? Karena nilai koefisien determinasi akan selalu meningkat jika ada variabel bebas baru yang ditambahkan. Ini bisa menyesatkan, karena seorang peneliti yang ingin mencari R yang tinggi tinggal menambahkan variabel bebas sembarang saja baik signifikan atau tidak akan meningkatkan nilai R atau puan R Kuadrat. Adjusted R Square nilainya bisa naik atau turun tergantung variabel bebas yang dimasukkan, apakah berpengaruh atau tidak. Interpretasi Adusted R Square sama dengan R Square, hanya saja nilai Adjusted bisa negatif.

Nilai standard Error adalah nilai kesalahan estimasi. Tidak ada ketentuan yang pasti untuk nilai itu, karena tergantung dari besar atau kecilnya variabel yang dipergunakan. Misalnya variabel rasio keuangan, maka nilainya relatif kecil, tetapi ketika menggunakan variabel gaji, atau jumlah penduduk, maka nilainya juga akan tinggi.

Output ANOVA atau F Hitung

Nilai Regression atau pun Residual sudah kita bahas di sini. Sedangkan untuk justifikasinya adalah dengan melihat signifikansinya, dalam simulasi ini adalah sebesar 0,00 < 0,05. Berarti model ini fit dan layak untuk dianalisis karena nilainya di bawah 0,05. Atau bisa juga dengan membandingkan nilai F hitung yaitu sebesar 249,019 dengan nilai F yang terdapat pada Tabel F. Jika F hitung > F tabel maka model dinyatakan fit. Hasilnya akan sama dengan justifikasi menggunakan signifikansi. Jika hasil ini tidak signifikan, maka model dinyatakan tidak fit. Sebaikya ditelaah lebih dulu secara menyeluruh, apakah datanya sudah benar, penyusunan model sudah tepat atau parameter yang lain.

Output T Hitung

Nilai pada kolom B adalah koefisien unstandardized dan dipergunakan untuk menyusun persamaan prediksi regresi sederhana ini. Ini sudah kita bahas di sini.

Koefisien standardized adalah untuk melihat variabel bebas mana yang mempunyai pengaruh yang dominan dibandingkan variabel yang lain. Karena ini hanya menggunakan 1 buah variabel bebas, maka nilai ini tidak perlu dibahas lebih mendalam.

Nilai t hitung adalah untuk menentukan variabel bebas ini berpengaruh signifikan atau tidak. Atau bisa juga menggunakan nilai signifikansi yang berarti signifikan karena nilainya adalah sebesar 0,000 < 0,05. Tetapi untuk menentukan pengaruhnya positif atau negatif harus kita lihat nilai t hitungnya apakah positif atau negatif.

Output Residual Statistik

Nilai predicted adalah nilai hasil prediksi dari persamaan regresi. Sedangkan nilai residual adalah selisih antara nilai sebenarnya dengan nilai prediksi. Nilai maksimum dan minimum dapat dipergunakan untuk mendapatkan gambaran ringkas tentang model kita.

Share: