Analisis Regresi Linier Berganda Menggunakan Minitab

Lagi lagi melanjutkan postingan sebelumnya, kali ini saya akan membahas bagaimana melakukan analisis regresi linier berganda dengan menggunakan Minitab.

Ayo simak bagaimana langkah-langkah menggunakan Minitab untuk melakukan Analisis Regresi Linier Berganda.

Langkah regresi dalam minitab:

 Buka minitab lalu entry/masukkan data

  Lalu pilih menu stat →regression → regression

       

 Pada kotak response: masukkan variabel  terikat/respon yaitu y dengan mengklik variabel y lalu tekan select

Pada kotak predictors: masukkan variabel bebas/predictor yaitu x1 dan x2 dengan mengklik variabel y lalu tekan select

Klik menu graphs lalu pilih

-          Residual regular

-          Individual plot: histogram of residual dan normal plot of residual

-       lalu klik ok

          

       Pada menu option centang:

a. Fit intercept

b. varian inflaction vector : untuk uji asumsi multikolinearitas 

c. durbin watson untuk uji autokolerasi

 

 

 

 

 

 

 

 

 

 

 

 

 

d. pada menu result pilih : in addition, the full table of fits and residual

Maka hasil running data: 

1. Persamaan regresi yang dihasilkan

   The regression equation is

y = 37.7 + 4.42 x1 + 4.38 x2

2. Uji Simultan/ Uji F

Analysis of Variance

Source                    DF            SS          MS           F          P

Regression             2             1872.70   936.35  129.08  0.000

Residual Error       13                94.30    7.25

Total                      15            1967.00

Terlihat bahwa nilai p-value nya <0.5 maka dapat disimpulakn secara bersama-sama variabel x1 dan x2 mempengaruhi variabel y secara signifikan

3. Uji T dan Uji multikolinearitas

Predictor         Coef                SE Coef          T                      P          VIF

Constant        37.650               2.996              12.57        0.000

x1                  4.4250               0.3011             14.70        0.000         1.0

x2                  4.3750               0.6733              6.50          0.000         1.0

 Terlihat bahwa nilai p-value x1 dan x2 <0.5 berarti secara parsial baik variabel x1 dan x2 mempengaruhi y. Sedangkan nilai vif variabel 1 dan variabel 2 kurang dari 10 berarti tidak terjadi multikolinearitas

 4. Koefisien determinasi

 S = 2.69330   R-Sq = 95.2%   R-Sq(adj) = 94.5%

 Terlihat bahwa nilai R-adjusted 94,5 persen berarti keragaman y dapat dijelaskan oleh x1 dan x2 sebesar 94,5 persen sisanya oleh variabel lain di luar model

 5. Hasil prediksi nilai y beserta error dengan menggunakan persamaan regresi yang telah dibentuk

Obs    x1               y      Fit       SE Fit   Residual  St Resid

  1        4.0    64.000   64.100   1.313    -0.100     -0.04

  2        4.0    73.000   72.850   1.313     0.150      0.06

  3        4.0    61.000   64.100   1.313    -3.100     -1.32

  4        4.0    76.000   72.850   1.313     3.150      1.34

  5        6.0    72.000   72.950   0.999    -0.950     -0.38

  6        6.0    80.000   81.700   0.999    -1.700     -0.68

  7        6.0    71.000   72.950   0.999    -1.950     -0.78

  8        6.0    83.000   81.700   0.999     1.300      0.52

  9        8.0    83.000   81.800   0.999     1.200      0.48

 10       8.0    89.000   90.550   0.999    -1.550     -0.62

 11       8.0    86.000   81.800   0.999     4.200      1.68

 12       8.0    93.000   90.550   0.999     2.450      0.98

 13       10.0   88.000   90.650   1.313    -2.650     -1.13

 14       10.0   95.000   99.400   1.313    -4.400     -1.87

 15       10.0   94.000   90.650   1.313     3.350      1.42

 16       10.0   100.000  99.400   1.313     0.600      0.26 

6. Uji autokorelasi

   Durbin-Watson statistic = 2.31262

1.      Uji normalitas

  Terlihat pada grafik bahwa residual berada di sekitar garis linier berarti data bersifat normal

 

Interpretasinya sama seperti pada pembahasan di software-software sebelumnya.

Selamat menikmati….upss…Selamat menggunakan…

 

Download Data Analisis Regresi Linier Berganda dalam M.Excel