Halo Statistician! 🙌🏻
Dalam dunia data, sering kali kita ingin mengetahui bagaimana satu variabel mempengaruhi variabel lainnya. Misalnya, apakah peningkatan biaya iklan akan meningkatkan penjualan? atau, apakah lebih banyak jam belajar akan menghasilkan nilai ujian yang lebih baik? untuk menjawab pertanyaan-pertanyaan ini, salah satu metode statistik yang paling umum digunakan adalah analisis regresi. Dalam artikel ini, kita akan membahas pengertian analisis regresi, tujuan penggunaannya, model-model regresi linier, serta asumsi-asumsi yang harus dipenuhi.
Analisis regresi adalah teknik statistik yang digunakan untuk memodelkan hubungan antara dua atau lebih variabel kuantitatif. Tujuannya adalah memprediksi satu variabel dari variabel lainnya. Analisis ini membantu memahami bagaimana variabel bebas (independent) memengaruhi variabel tak bebas (dependent).
Variabel dalam Analisis Regresi :
- Variabel Bebas (independent): Variabel yang mempengaruhi, biasa disebut variabel X.
- Variabel Tak Bebas (dependent): Variabel yang dipengaruhi, disebut juga variabel Y.
Tujuan Analisis Regresi :
- Memprediksi : Mengembangkan formula atau persamaan yang memungkinkan kita memprediksi variabel tak bebas (Y) berdasarkan variabel bebas (X).
- Menganalisis Hubungan Kausal : Menilai apakah variabel bebas berperan sebagai penyebab dari variabel tak bebas.
Model dalam Analisis Regresi Linier:
- Regresi Linier Sederhana: Melibatkan satu variabel bebas dan satu variabel tak bebas.
- Regresi Linier Berganda (Multiple): Melibatkan lebih dari satu variabel bebas.
Asumsi dalam Analisis Regresi:
- Residual (sisaan) berdistribusi normal.
- Ragam dari residual bersifat homogen (homoskedastisitas).
- Tidak ada multikolinearitas antar variabel bebas (khusus untuk regresi berganda).
- Tidak ada autokorelasi antar residual (khusus untuk data deret waktu).
Pengujian Model Regresi:
Terdapat dua cara untuk menguji model regresi yaitu pengujian simultan (Uji-F/Anova) dan Uji Parsial (Uji-t)
- Pengujian Simultan (Uji-F / ANOVA):
- Hipotesis:
H₀: Model regresi tidak baik.
H₁: Model regresi baik.
- Taraf signifikansi (α) :
1%, 5%, atau 10%
- Statistik Uji :
Uji-F
- Kriteria Uji :
Tolak H₀ jika P-Value < alpha (α)
- Kesimpulan
- Pengujian Parsial (Uji-t):
- Hipotesis:
H₀: Koefisien regresi (βi) = 0, koefisien regresi tidak berarti.
H₁: Koefisien regresi (βi) ≠ 0, koefisien regresi berarti.
- Taraf signifikansi (α) :
1%, 5%, atau 10%
- Statistik Uji:
Uji-t.
- Kriteria Uji:
Tolak H₀ jika P-Value < alpha (α).
- Kesimpulan
Analisis regresi membantu kita memahami dan memprediksi hubungan antar variabel dalam berbagai bidang, baik itu ekonomi, pemasaran, atau ilmu sosial. Melalui uji F dan uji t, model dapat dinilai apakah sesuai dengan data dan hipotesis yang diajukan. Namun, penting untuk diingat bahwa analisis regresi memiliki asumsi-asumsi yang harus dipenuhi agar hasil yang diperoleh dapat dipercaya dan valid.
Sumber : Hajarisman, N., & Herlina, M. Modul Praktikum Analisis Regresi