Dapatkan Paket Domain dan Hosting Unlimited hanya Rp. 300 rb per tahun

Regresi Linear dengan Variabel Moderating

Variabel moderating adalah variabel yang memperkuat atau memperlemah hubungan antara satu variabel dengan variabel lain. Sebagai contoh: seorang suami menyayangi istrinya. Dengan hadirnya seorang anak, maka rasa sayang tersebut bertambah. Berarti variabel anak merupakan moderating antara rasa saya suami terhadap istri. Contoh lain: kompensasi memperkuat pengaruh antara kepuasan kerja terhadap kinerja. Artinya kepuasan kerja berpengaruh terhadap kinerja, dan adanya kompensasi yang tinggi maka pengaruh antara kepuasan kerja terhadap kinerja menjadi lebih meningkat. Dalam hal ini, kompensasi bisa saja berpengaruh terhadap kinerja bisa saja tidak.
Metode analisis regresi linear dengan variabel moderating:
1. Multiple Regression Analysis (MRA)
Metode ini dilakukan dengan menambahkan variabel perkalian antara variabel bebas dengan variabel moderatingnya, sehingga persamaan umumnya adalah sebagai berikut: Y = a + b1 X1 + b2 X2 + b3 X1 X2 dengan Y adalah kinerja, X1 adalah kepuasan kerja, X2 kompensasi dan X1 X2 adalah perkalian antara kepuasan kerja dengan kompensasi. Hipotesis moderating diterima jika variabel X1 X2 mempunyai pengaruh signifikan terhadap Y, tidak tergantung apakah X1 dan X2 mempunyai pengaruh terhadap Y atau tidak. Model ini biasanya menyalahi asumsi multikolinearitas.

2. Absolut residual
Model ini mirip dengan MRA, tetapi variabel moderating didekati dengan selisih mutlak (absolut residual) antara variabel bebas dengan variabel moderatingnya. Penerimaan hipotesis juga sama, dan model ini masih riskan terhadap gangguan multikolinearitas meskipun risiko itu lebih kecil dari pada dengan metode MRA.

3. Residual
Model ini menggunakan konsep lack of fit yaitu hipotesis moderating diterima terjadi jika terdapat ketidakcocokan dari deviasi hubungan linear antara variabel independen. Langkahnya adalah dengan meregresikan antara kepuasan kerja terhadap kompensasi dan dihitung nilai residualnya. Pada program SPSS dengan klik Save pada regreesion, lalu klik pada usntandardized residual. Nilai residual kemudian diambil nilai absolutnya lalu diregresikan antara kinerja terhadap absolut residual. Hipotesis moderating diterima jika nilai t hitung adalah negatif dan signifikan. Model ini terbebas dari gangguan multikolinearitas karena hanya menggunakan satu variabel bebas.

Pertanyaan-pertanyaan yang sering muncul:

1. Bagaimana merancang model regresi dengan moderating pada penelitian?

Model moderating ditentukan dengan tinjauan teoretis, sehingga analisis dengan moderating hanya mengkonfirmasi saja teori tersebut apakah cocok dengan model empiris. Tidak boleh menggunakan alat statistik moderating untuk mengidentifikasikan bahwa variabel itu merupakan variabel moderating. Hal ini terkait dengan tujuan statistik adalah mengkonfirmasi teori atau fenomena tertentu.

2. Bagaimana dengan uji asumsi klasik yang lain
Uji asumsi klasik yang lain tetap harus dilakukan pada setiap metode yang akan digunakan. Meskipun demikian, untuk metode absolut residual tidak dapat dilakukan uji multikolinearitas karena modelnya hanya menjadi regresi linear sederhana.


Artikel Terkait
 

Regresi Linear dengan Variabel Intervening

Variabel intervening adalah variabel antara atau variabel mediating. Model regresi linear dengan variabel intervening merupakan hubungan bertingkat sehingga jika dengan analisis regresi harus menggunakan analisis jalur (path analysis) atau disarankan menggunakan metode structural equation modelling (SEM). Metode SEM akan dibahas belakangan dengan menggunakan Program AMOS atau LISREL.

Regresi dengan variabel intervening dipergunakan untuk melihat pengaruh tidak langsung antara satu variabel terhadap variabel yang lain. Sebagai contoh: Gaya Evaluasi Atasan (GEA) mempunyai pengaruh terhadap Kinerja Manajerial (KM) melalui Tekanan Kerja (TK). GEA mempunyai pengaruh langsung terhadap KM tetapi juga bisa mempunyai pengaruh tidak langsung terhadap KM melalui TK. GEA diinterpretasikan mempunyai pengaruh tidak langsung terhadap KM melalui TK jika pengaruh GEA terhadap TK signifikan dan pengaruh TK terhadap KM juga signifikan. Dalam suatu kasus bisa saja variabel mempunyai pengaruh langsung terhadap suatu variabel dan pengaruh tidak langsung terhadap variabel tersebut melalui variabel yang lain.

Simulasi Regresi Linear Berganda 03

A. Uji Asumsi Klasik
Model regresi yang digunakan pada awalnya adalah sebagai berikut:

Penjualan Emas = a + b1 Inflasi + b2 Harga emas + b3 Nilai tukar rupiah + b4 BI Rate + e

Model di atas dilakukan uji asumsi klasik, yang meliputi uji normalitas, uji multikolinearitas, uji autokorelasi dan uji heteroskedastisitas.

1. Uji Normalitas
Hasil uji normalitas menunjukkan bahwa nilai-nilai sebaran data terletak disekitar garis diagonal pada grafik Normal P-P Plot of Regression Standardized Residual. Terlihat bahwa sebaran data pada grafik bisa dikatakan tersebar disekeliling garis diagonal atau tidak terpencar jauh dari garis diagonal. Dengan demikian dapat disimpulkan bahwa persyaratan normalitas bisa dipenuhi.
Gambar 6
Uji Normalitas dengan P Plot

Jika digunakan uji normalitas grafik dengan histogram, maka memberikan hasil sebagai berikut:

Gambar 7
Uji Normalitas dengan Histogram

Tampak bahwa grafik di atas telah menyerupai bentuk lonceng yang menunjukkan bahwa asumsi normalitas telah terpenuhi. Agar tidak terjadi perbedaan pendapat di antara para pengamat, maka dilakukan uji normalitas secara statistik, yaitu dengan Uji Kolmogorov Smirnov:
Tabel 3
Uji Normalitas dengan Kolmogorov Smirnov

Tampak bahwa nilai signifikansi adalah sebesar 0,642 (> 0,05) yang menunjukkan bahwa residual mempunyai distribusi yang normal. Dengan demikian asumsi normalitas pada model telah terpenuhi.

2. Uji Multikolinearitas
Untuk mendeteksi adanya multikolinearitas dapat dilihat dari hasil Collinearity Statistics pada Tabel di bawah. Dalam Collinearity Statistics, jika nilai Variance Inflation Factor (VIF) lebih besar dari angka 10, maka terjadi multikoliniearitas.
Tabel 4
Uji Multikolinearitas dengan VIF

Nilai VIF dari variabel-variabel bebas tidak ada yang melebihi 10. Nilai VIF yang tertinggi adalah BI Rate yaitu sebesar 7,573. Hasil ini menunjukkan bahwa model telah terbebas dari gangguan multikolinearitas.

3. Uji Heteroskedastisitas
Hasil uji heteroskedastisitas dapat dibaca dari Scatterplot. Berdasarkan Scatterplot menunjukkan bahwa nilai-nilai sebaran data membentuk sebuah pola tertentu, yaitu menyempit pada daerah sebelah kiri, lalu melebar ke arah kanan.
Gambar 8
Uji Heteroskedastisitas dengan Scatterplot

Dicurigai adanya gangguan heteroskedastisitas pada model penelitian. Pengujian dengan metode grafis sering menimbulkan perbedaan persepsi di antara satu pengamat dengan pengamat yang lain. Dengan demikian, dilakukan uji statistik dengan metode Glejser. Metode Glejser dilakukan dengan meregresikan variabel bebas terhadap nilai absolut residualnya. Gangguan heteroskedastisitas ditemukan dengan adanya signifikansi antara variabel bebas terhadap nilai absolut residualnya. Langkahnya adalah dengan mencari nilai residual pada model regresi di atas, lalu mengambil absolut dari nilai residual tersebut. Kemudian dilakukan regresi antara keempat variabel bebas terhadap nilai absolut residual, yaitu sebagai berikut:
Tabel 5
Uji Heteroskedastisitas dengan Glejser

Tampak bahwa terdapat variabel yang signifikan mempengaruhi nilai absolut residual yaitu Harga Emas pada taraf signifikansi sebesar 5%. Tampak jelas bahwa terdapat gangguan heteroskedastisitas pada model penelitian.

4. Uji Autokorelasi
Untuk mendeteksi ada tidaknya autokorelasi digunakan metode Durbin-Watson (DW) yaitu sebagai berikut:
Tabel 6
Uji Autokorelasi dengan Durbin-Watson


Tampak bahwa nilai DW adalah 1,532. Adapun nilai DL untuk model dengan 4 variabel bebas dan 41 data adalah sebesar 1,285 dan nilai DU adalah sebesar 1,721. Dengan demikian tampak jelas bahwa DL < DW < DU (1,285 < 1,532 < 1,721) yang menunjukkan bahwa no decisions.
Kesimpulan uji asumsi klasik adalah bahwa model awal mempunyai gangguan heteroskedastisitas dan tidak ada keputusan apakah terdapat gangguan autokorelasi atau tidak. Upaya perbaikan gangguan heteroskedastisitas dilakukan dengan melakukan transformasi ke dalam bentuk logaritma natural (Ln). Transformasi Ln dapat mengurangi perbedaan varians dari masing-masing variabel sehingga diharapkan model menjadi lebih baik.

Adapun persamaan regresi transformasi adalah sebagai berikut:

Ln_Penjualan Emas = a + b1 Inflasi + b2 Ln_Harga emas + b3 LN_Nilai tukar rupiah + b4 BI Rate + e

Model di atas dilakukan uji asumsi klasik, yang meliputi uji normalitas, uji multikolinearitas, uji autokorelasi dan uji heteroskedastisitas.

1. Uji Normalitas Transformasi
Hasil uji normalitas dengan Normal P-P Plot of Regression Standardized Residual dan Histogram memberikan hasil sebagai berikut:

Gambar 9
Uji Normalitas dengan P Plot dan Histogram

Tampak bahwa kedua grafik di atas telah memenuhi asumsi yang diperlukan sehingga diinterpretasikan bahwa model transformasi memenuhi asumsi normalitas. Uji normalitas secara statistik, yaitu dengan Uji Kolmogorov Smirnov memberikan hasil sebagai berikut:
Tabel 8
Uji Normalitas Transformasi dengan Kolmogorov Smirnov 
Tampak bahwa nilai signifikansi adalah sebesar 0,898 (> 0,05) yang menunjukkan bahwa residual mempunyai distribusi yang normal. Dengan demikian asumsi normalitas pada model telah terpenuhi.

2. Uji Multikolinearitas
Uji multikolinearitas dengan VIF untuk model transformasi memberikan hasil sebagai berikut:
Tabel 9
Uji Multikolinearitas dengan VIF

Tampak bahwa tidak ada Nilai VIF dari variabel-variabel bebas yang melebihi 10. Nilai VIF yang tertinggi adalah BI Rate yaitu sebesar 8,149. Hasil ini menunjukkan bahwa model telah terbebas dari gangguan multikolinearitas.

3. Uji Heteroskedastisitas
Uji heteroskedastisitas model transformasi dengan Scatterplot memberikan hasil sebagai berikut:

Gambar 10
Uji Heteroskedastisitas Transformasi dengan Scatterplot

Tampak bahwa titik-titik pada grafik relatif menyebar secara merata dan tidak memberikan pola tertentu. Berarti tidak terdapat gangguan heteroskedastisitas pada model penelitian. Untuk memperkuat hasil tersebut, uji Glejser memberikan hasil sebagai berikut:
Tabel 10
Uji Heteroskedastisitas Transformasi dengan Glejser

Tampak bahwa tidak terdapat variabel yang signifikan mempengaruhi nilai absolut residual pada taraf signifikansi sebesar 5%. Tampak jelas bahwa tidak terdapat gangguan heteroskedastisitas pada model penelitian.

4. Uji Autokorelasi
Untuk mendeteksi ada tidaknya autokorelasi digunakan metode Durbin-Watson (DW) yaitu sebagai berikut:
Tabel 11
Uji Autokorelasi dengan Durbin-Watson
Tampak bahwa nilai DW adalah 1,756. Karena nilai DL dan DU tetap maka tampak jelas bahwa DU < DW < 4-DU (1,721 < 1,756 < 2,279 ) yang menunjukkan bahwa tidak terdapat gangguan autokorelasi.

Dengan demikian tampak bahwa dengan mentransformasikan variabel harga emas, nilai tukar rupiah dan penjualan emas, maka gangguan dapat diatasi, dan model dapat diinterpretasikan.

B. Uji F
Uji F digunakan untuk mengetahui apakah ada pengaruh/hubungan antara variabel independen secara bersama-sama terhadap variabel dependennya. Berikut adalah hasil perhitungan nilai F pada model penelitian yang telah ditransformasikan:
Tabel 12
Uji F

Tampak bahwa nilai Signifikansi adalah sebesar 0,000 < 0,05 yang menunjukkan bahwa variabel inflasi, harga emas, nilai tukar rupiah dan BI Rate secara serempak mempunyai pengaruh yang signifikan terhadap penjualan emas.

C. Koefisien Korelasi dan Determinasi
Koefisien korelasi (R) dan Determinasi (Adjusted R Square) yang didapat dari uji regresi linier berganda sebagaimana terlihat pada Tabel 13 di bawah:
Tabel 13
Korelasi dan Koefisien Determinasi

Tampak bahwa nilai R adalah sebesar 0,962 dan nilai koefisien determinasi adalah 0,918. Berarti 91,8% variasi perubahan dari variabel dependen (Penjualan emas) dapat dijelaskan oleh variasi perubahan variabel-variabel independen (inflasi, harga emas, nilai tukar rupiah dan BI Rate) dalam model. Sedangkan sisanya sebesar 8,2% dipengaruhi oleh variabel lain yang berada diluar persamaan (model) atau yang tidak diteliti.

D. Uji Koefisien Regresi secara individual (Uji t)
Uji t digunakan untuk mengetahui apakah masing-masing variabel independen mempunyai pengaruh secara signifikan terhadap variabel dependennya. Berikut adalah nilai parameter t hitung dan signifikansi pada model penelitian ini:
Tabel 14
Uji t

Jika disusun persamaan regresi, maka berdasarkan koefisien di atas berikut adalah persamaan regresi:

Ln_Penjualan Emas = -25,529 + 0,054 Inflasi + 4,104 Ln_Harga Emas + 1,376 Ln_ Nilai Tukar Rupiah – 0,907 BI Rate + e

Berdasarkan nilai standardized coefficients, maka nilai yang terbesar adalah harga emas yaitu sebesar 0,656. Dengan demikian, harga emas merupakan variabel yang paling dominan dalam mempengaruhi penjualan emas dibandingkan tiga variabel yang lain. Variabel yang paling tidak dominan dalam mempengaruhi penjualan emas adalah variabel nilai tukar rupiah karena mempunyai nilai absolut terendah, yaitu 0,0851.

Uji hipotesis (uji t) dilakukan dengan melihat nilai signifikansi pada tabel di atas. Tampak bahwa yang mempunyai pengaruh signifikan terhadap penjualan emas adalah variabel harga emas dan BI Rate. Variabel harga emas berpengaruh positif dan signifikan terhadap penjualan emas (t hitung 7,239; Sig. 0,00). Berarti semakin tinggi harga emas, maka semakin tinggi pula penjualan emas.

Sedangkan variabel BI Rate berpengaruh negatif dan signifikan terhadap penjualan emas (t hitung = -4,256; Sig. 0,00). Berarti semakin tinggi BI Rate maka semakin rendah penjualan emas, dan sebaliknya, semakin rendah BI Rate maka semakin tinggi penjualan emas.

Promo Domain Murah mulai Rp. 15rb