Analisis Regresi Linier Berganda Menggunakan Eviews

Melanjutkan postingan sebelumnya, kali ini saya akan membahas bagaimana melakukan analisis regresi linier berganda dengan menggunakan Eviews. Di sini saya akan menggunakan Eviews 6.0 yang bisa di-download disini.

Berikut ini akan saya paparkan langkah melakukan analisis regresi berganda dengan eviews:

1. Buka eview lalu masukkan data dengan langkah-langkah berikut:

   File → Open → foreign data as workfile →

   pilih file data yang akan di run (dalam ekstensi .xls) → klik next → dan finish

 2. Pilih quick →  estimate question

 Pada kotak dialog equation specification ketikkan persamaan regresi yang akan kita run, format umumnya adalah:

var_dependen c var_ind1 var_ind2 var_ind 3….

 pada kotak method: pilih: LS-Least Square kemudian klik OK

 3. Berikut hasil persamaan regresinya:

Dependent Variable: Y
Method: Least Squares
Date: 01/07/14   Time: 08:44
Sample: 1 16
Included observations: 16
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	37.65000	2.996103	12.56632	0.0000
X1	4.425000	0.301120	14.69515	0.0000
X2	4.375000	0.673324	6.497614	0.0000
R-squared	0.952059	Mean dependent var		81.75000
Adjusted R-squared	0.944683	S.D. dependent var		11.45135
S.E. of regression	2.693297	Akaike info criterion		4.986770
Sum squared resid	94.30000	Schwarz criterion		5.131630
Log likelihood	-36.89416	Hannan-Quinn criter.		4.994188
F-statistic	129.0832	Durbin-Watson stat		2.312619
Prob(F-statistic)	0.000000

4. Selanjutnya, setelah pembacaan model, maka kita akan melakukan uji asumsi klasik untuk memastikan bahwa model yang kita miliki bisa digunakan untuk mengestimasi.

a. Normalitas

 
Klik view à residual test à histogram – normality test 

 Error dikatakan berdistribusi normal apabila nilai Probability bernilai lebih besar dari nilai α (berkebalikan dengan uji F dan uji T) atau nilai Jarque Bera <  nilai Jarque Bera tabel. Dari tabel tersebut dapat dilihat bahwa error data berdistribusi normal sehingga asumsi normalitas terpenuhi.

2. Non Autokolerasi

 Klik view → residual test → Serial Correlation LM Test

Breusch-Godfrey Serial Correlation LM Test:
F-statistic	1.908277	Prob. F(2,11)		0.1943
Obs*R-squared	4.121394	Prob. Chi-Square(2)		0.1274

Indikator autokorelasi dapat dilihat pada nilai Prob.Chi-Square dan membandingkannya dengan nilai signifikansi (α). Data dikatakan terbebas dari autokorelasi apabila nilai Prob.Chi-Square lebih besar dari nilai signifikansi (α). Dapat dilihat pada tabel di atas bahwa residual model ini terbebas dari autokorelasi sehingga bisa dikatakan memenuhi asumsi Non-Autokorelasi.

3. Homoskedastisitas

Klik view → residual test → hesteroskedasticity  test → pada test type: pilih white

Heteroskedasticity Test: White
F-statistic	0.588984	Prob. F(4,11)		0.6776
Obs*R-squared	2.822337	Prob. Chi-Square(4)		0.5880
Scaled explained SS	0.949986	Prob. Chi-Square(4)		0.9173

 Indikator autokorelasi dapat dilihat pada nilai Prob.F dan membandingkannya dengan nilai signifikansi (α). Data dikatakan memenuhi asumsi homoskedastisitas apabila nilai Prob.F lebih besar dari nilai signifikansi (α). Dapat dilihat pada tabel di atas bahwa residual model ini bersifat homoskedas sehingga bisa dikatakan memenuhi asumsi homoskedastisitas.

4. Uji linieritas

Linieritas merupakan salah satu asumsi yang jarang diuji. Namun, hal ini dapat diuji dalam software Eviews. 

 Klik view àstability testà ramsey rest test

Ramsey RESET Test:
F-statistic	2.965491	Prob. F(1,12)		0.1107
Log likelihood ratio	3.533445	Prob. Chi-Square(1)		0.0601

Indikator bahwa model ini memenuhi asumsi linieritas dapat dilihat melalui nilai Prob. F dan membandingkannya dengan nilai signifikansi (α). Data dikatakan memenuhi asumsi linieritas apabila nilai Prob.F lebih besar dari nilai signifikansi (α). Dapat dilihat pada tabel di atas bahwa residual model ini bersifat linier sehingga bisa dikatakan memenuhi asumsi linieritas.

 5. Non-Multikolinearitas

Terdapat 2 cara untuk melihat apakah terjadi multikolinieritas antar variabel bebas, yaitu dengan menggunakan korelasi dan VIF.

a.Menggunakan VIF (untuk Eviews 7.0 ke atas)

Setelah mendapat hasil regresi, klik View-- Coefficient Diagnostics -- Variance Inflation Factor, maka akan keluar hasil seperti berikut:

 

Variance Inflation Factors          
Date: 02/17/15   Time: 10:43          
Sample: 1 16          
Included observations: 16          
          
                Coefficient         Uncentered    Centered
Variable    Variance                  VIF                 VIF
          
C              8.976635                  19.80000     NA
X1           0.090673                   10.80000     1.000000
X2           0.453365                   10.00000     1.000000

 

Suatu model dikatakan memenuhi asumsi non multikolinieritas apabila nilai Centered VIF berada di bawah 10. Berdasarkan tabel di atas, dapat disimpulkan bahwa model tersebut sudah memenuhi asumsi non multikolinieritas.
          

b. Menggunakan korelasi

Pilih semua variabel bebas, kemudian klik kanan -- open -- as group, kemudian klik:

 View →covariance analisys -- centang correlation, maka akan keluar hasil sebagai berikut:

Covariance Analysis: Ordinary          
Date: 02/17/15   Time: 10:40          
Sample: 1 16          
Included observations: 16          
          
Correlation    X1     X2   
X1     1.000000      
X2     0.000000    1.000000  
          

 

Dua buah variabel dikatakan tidak memiliki kolinieritas apabila nilai korelasinya kurang dari 0.8. Terlihat nilai korelasi antara x1 dan x2 adalah nol sehingga tidak ada kolerasi antara x1 dan x2 sehingga model ini memenuhi asumsi non multikolinieritas.

 

 

 

 Demikian paparan tentang Analisis Regresi Linier Berganda dengan menggunakan Eviews. Semoga membantu…

 

Download Data Analisis Regresi Linier Berganda dalam M.Excel