Documente Academic
Documente Profesional
Documente Cultură
Nim : 2014120395
Prodi : ESY 6E
Matkul : Ekonometrika
Dosen : Puteri Pekerti Wulandari, M.Si
UTS
2. Sifat Variabel
Selain digolongkan berdasarkan hubungannya, variabel juga dapat digolongkan
sesuai dengan sifatnya. Pada umumnya, variabel digolongkan menjadi dua
sesuai sifatnya yaitu variabel statis dan dinamis.
Variabel statis merupakan jenis variabel yang tidak dapat berubah-ubah
nilai, keadaan atau bahkan karakteristiknya. Pada contoh kasus diatas
variabel statis adalah beban atau hambatan lampu itu sendiri.
Variabel dinamis merupakan kebalikan variabel statis dimana nilai,
keadaan atau kerakteristiknya dapat berubah-ubah. Untuk contohnya,
pada kasus sebelumnya kita dapat menggolongkan arus dan kecerahan
lampu sebagai variabel dinamis.
3. Urgensi Faktual
Dilihat dari urgensi faktual, variabel dibedakan menjadi variabel konseptual
dan variabel faktual.
Variabel Konseptual merupakan variabel yang tidak terlihat secara jelas
atau sesuai fakta, contohnya adalah motivasi, minat, bakat dan kinerja.
Variabel Faktual merupakan variabel yang dapat terlihat nyata secara
jelas, contohnya adalah tegangan, arus, gen, usia dan lain sebagainya.
4. Skala Pengukur
Selain tiga faktor sebelumnya, skala pengukur juga menjadi dasar
penggolongan jenis variabel. Menurut tipe skala pengukurnya, variabel
dibedakan menjadi empat yaitu : Nominal, Ordinal, Interval dan Rasio.
3. Skala Interval
Skala Interval merupakan skala pengukuran yang bisas digunakan untuk
menyatakan peringkat untuk antar tingkatan. Jarak atau interval antar tingkatan pun
sudah jelas, hanya saja tidak memiliki nilai 0 (nol) mutlak.
Skala interval ini bisa dikatakan berada diatas skala ordinal dan nominal. Besar
interval atau jarak satu data dengan data yang lainnya memiliki bobot nilai yang sama.
Besar interval ini bisa saja di tambah atau dikurang. Berikut ini adalah ciri-ciri dari
skala interval :
Kategori data memiliki sifat saling memisah.
Kategori data memiliki aturan yang logis.
Kategori data ditentukan skalanya berdasarkan jumlah karaaktristik khusus
yang dimilikinya.
Perbedaan karakteristik yang sama tergambar dalam perbedaan yang sama
dalam jumlah yang dikenakan pada kategori.
Angka nol hanya menggambarkan satu titik dalam skala (tidak memiliki nilai
nol absolut).
4. Skala Rasio
Skala rasio adalah skala pengukuran yang ditujukan pada hasil
pengukuran yang bisa dibedakan, diurutkan, memiliki jarak tertentu, dan bisa
dibandingkan. Skala rasio merupakan tingkatan skala paling tinggi dan
paling lengkap dibanding skala-skala lainnya. Jarak atau interval antar
tingkatan sudah jelas, dan memiliki nilai 0 (nol) yang mutlak. Nilai nol
mutlak berarti benar-benar menyatakan tidak ada. Contoh Tabel.
2. Jelaskan apa yang dimaksud dengan hubungan kausal dan hubungan identitas.
Jawabannya:
Hubungan Kausal (sebab akibat)
Apa yang dimaksud dengan Hubungan kausal ? Hubungan Kausal yaitu hubungan
tentang sebab akibat, karena peristiwa yang satu akan menyebabkan peristiwa yang lain.
Hubungan yang menunjukkan bahwa peristiwa yang satu merupakan sebab terhadap
peristiwa yang lain.
Hubungan identitas.
Hubungan identitas adalah hubungan satu-ke-satu . Harus ada satu peran terkelola yang
ditentukan dalam relasi identitas, yang mewakili tipe data umum dan dikelola oleh layanan
relasi. Hubungan non-identitas sedikit berbeda dari hubungan identitas
Korelasi merupakan sebuah teknik daam melakukan analisis untuk mengukur asosiasi.
Pengukuran ini memiliki acuan pada sekelompok teknik dalam statistik bivariat yang
digunakan untuk mengukur kekuatan hubungan antara dua variabel. Korelasi ini memiliki
manfaat untuk mengukur kekuatan hubungan antara dua variabel atau ebih dengan skala-skala
yang digunakan memiliki ketentuan. Misalnya person data yang bersala interval atau rasio.
Adapun ketentuan hasilnya adalah sebagai berikut :
Jika koefisien korelasi yang ditemukan tidak sama dengan nol, maka terdapat
ketergantungan antara dua variabel tersebut. Namun, jika koefisen korelasi ditemukan +1
maka hubungannya disebut korelasi sempurna atau hubungan linear sempurna dengan
kemiringan positif. Dan jika korelasi ditemukan -1 maka hubungan tersebut disebut
sebagai korelasi sempurna atau linear sempurna dengan kemiringan negatif.
Jika r² = 1 akan memiliki arti bahwa model yang sesuai menerangkan semua variabilitas
dalam variabel Y.
Jika r² = 0 maka tidak ada hubungan antara X dengan Y.
Uji parsial (uji t) yaitu untuk menguji bagaimana pengaruh masing-masing variabel
bebasnya secara sendiri-sendiri terhadap variabel terikatnya. yang dianggap konstan. Uji
serentak (uji f) yaitu uji untuk melihat bagaimanakah pengaruh semua variabel bebasnya
secara bersama-sama terhadap variabel terikatnya.
Y 85 74 78 90 85 87 94 98 81 91 76 74
X1 12 20 10 13 11 14 13 14 11 14 10 8
X2 10 9 9 10 11 11 13 13 10 10 8 7
a) Jelaskan apa yang maksud dengan uji normalitas dan uji multikolinieritas pada
analisis regresi.
b) Jelaskan konsekuensi jika asumsi normalitas dan uji multikolinieritas pada analisis
regresi tidak terpenuhi.
c) Berdasarkan data diatas buatlah persamaan regresi, uji F, uji T, koefisien
determinasi, dan uji asumsi (uji normalitas dan uji multikolinieritas).
Jawabannya:
a. Uji Normalitas dan Uji multikolinieritas
1. Uji Normalitas
Uji Normalitas adalah melakukan pengujian data dengan tujuan untuk menilai data
yang dimiliki pada sebuah kelompok data atau variabel, data tersebut berjalan normal,
sesuai atau tidak. Manfaat pengujian normalitas adalah untuk menjadikan data yang telah
dikumpulkan memiliki nilai normal sesuai dengan populasi dari sampel data yang diambil.
Metode umum yang sering digunakan dalam pengujian normalitas data yaitu berdasarkan
pengalaman empiris beberapa pakar statistik, data yang banyaknya lebih dari 30 angka (n
> 30), maka sudah dapat diasumsikan berdistribusi normal.
Menurut Singgih Santoso dalam Akbar Iskandar dasar pengambilan keputusan bisa
dilakukan berdasarkan pada probabilitas (Asymptotic Significance), yaitu:
Jika probabilitas > 0.05 maka distribusi dan model regresi adalah normal
Jika probabilitas < 0.05 maka distribusi dan model regresi adalah tidak normal. 1
2. Uji Multikolinearitas
1
Akbar Iskandar, ddk, Statistika Bidang Teknologi Informasi, Medan: Yayasan Kita Menulis, 2021, h. 29
multikolonieritas di dalam model regresi dapat dilihat dari (1) nilai tolerance dan
lawannya (2) Variance Inflation Faktor (VIF). Kedua ukuran ini menunjukan ukuran
setiap variabel independen manakala yang dijelaskan oleh variabel independen lainnya.
Tolerance mengukur variabilitas variabel independen yang dipilih yang tidak dijelaskan
oleh variabel independen lainnya. Jadi nilai tolerance yang rendah sama dengan nilai VIF
yang tinggi (karena VIF = 1 /Tolera ). Nilai cut off yang umum dipakai untuk menunjukan
adanya multikolonieritas adalah nilai Tolerance ≤ 0.10 atau sama dengan VIF ≥10 model
regresi yang baik tidak terdapat masalah multikolonieritas atau adanya hubungan kolerasi
diantara variabel-variabel independennya.
b. Konsekuensi Jika Asumsi Normalitas Dan Uji Multikolinieritas Pada Analisis Regresi
Tidak Terpenuhi
1. Uji Normalitas
Dampak dari data yang tidak berdistribusi normal menyebabkan varians data
menjadi tidak homogen. Sehingga bila data tidak berdistribusi normal maka perlu
diperbaiki terlebih dahulu supaya datanya berdistribusi normal.
2. Uji Multikolinearitas
Dampak dari multikolinearitas ini dapat mengakibatkan estimasi parameter regresi
yang dihasilkan dari analisis regresi linear berganda menjadi tidak efisien karena
dapat menyebabkan regresi berganda mempunyai bias dan varians yang besar. Penyebab
multikolinearitas adalah adanya korelasi atau hubungan yang kuat antara dua variabel
bebas atau lebih.
c. Persamaan Regresi, Uji F, Uji T, Koefisien Determinasi, Dan Uji Asumsi (Uji
Normalitas Dan Uji Multikolinieritas).
1. Uji Normalitas
Dampak dari data yang tidak berdistribusi normal menyebabkan varians data
menjadi tidak homogen. Sehingga bila data tidak berdistribusi normal maka perlu
diperbaiki terlebih dahulu supaya datanya berdistribusi normal.
2. Uji Multikolinearitas
Dampak dari multikolinearitas ini dapat mengakibatkan estimasi parameter regresi
yang dihasilkan dari analisis regresi linear berganda menjadi tidak efisien karena
dapat menyebabkan regresi berganda mempunyai bias dan varians yang besar. Penyebab
multikolinearitas adalah adanya korelasi atau hubungan yang kuat antara dua variabel
bebas atau lebih.
3. Uji F, Uji T, KoefisienDeterminasi, Dan Uji Asumsi (Uji Normalitas Dan Uji
Multikolinieritas).
a. Uji F
Model Sum of Squares Df Mean Square F Sig.
Regression 137 2 68 19 .000b
Residual 128 37
Total 150 39
b. Uji T
Standar
dized
Coeffici
Unstandardized Coefficients ents
Variabel B Std. Error Beta t Sig.
(Constant) .055 .591 - .075
1.831
X1 .046 .019 .235 2.394 .002
X2 7.365 .971 .744 7.585 .000
c. Uji R (Determinasi)
Collinearity Statistics
Model Tolerance VIF
1(Constant)
X1 .240 4.175
X2 .240 4.175
a. Dependent Variable: Y