MULTIVARAT ANALISIS REGRESI REGRESI LINE
1
MULTIVARAT ANALISIS REGRESI
(REGRESI LINEAR GANDA DENGAN SPSS)
Oleh: Sobur Setiaman
Pra syarat: telah memahami konsep dan procedure analisi regresi linear sederhana.
Kegunaan Analisis Regresi Linear Berganda: Analisis Regresi Linear Berganda digunakan
untuk mengukur pengaruh antara lebih dari satu variabel prediktor (variabel bebas) terhadap
variabel terikat.
Rumus persamaan regresi ganda:
Y = a + b1X1+b2X2+…+bnXn
Y = variabel terikat
a = konstanta
b1,b2 = koefisien regresi
X1, X2 = variabel bebas
Struktural Equation Model (SEM) dengan SPSS
Structural equation modeling atau dikenal dengan istilah ‘causal modeling’ or ‘analysis of
covariance structures’. SEM adalah suatu teknik modeling statistik yang bersifat sangat crosssectional, untuk melihat hubungan dan kekuatan hubungan antar variabel serta memprediksi
besarnya hubungan antar variabel tersebut.
Cara melihat causal model pada multivariate analisis, umumnya dilakukan dengan cara:
menentukan Path diagram dan Path analysis pada program Lisrel atau AMOS atau confirmatory
factor analysis (CFA) pada program SPSS.
Sedangkan SEM dg SPSS dilakukan dengan tiga tahap:
1. Pertama, dilakukan uji confirmatory factor analysis.
2. Kedua, dilakukan uji regresi linear antar variabel prediktor.
3. Ketiga, dilakukan uji regresi linear antara Variabel prediktor dengan Variabel respons.
Confirmatory factor analysis (CFA)
Tujuannya:
1. Untuk mereduksi dimensi data.
2. Interdependence technique (teknik interdependen) untuk menguji hubungan sekumpulan
variabel.
Wednesday, 21 March, 2018
2
3. Untuk mengidentifikasi underlying dimensions (factors) yang dapat menjelaskan korelasi
sekumpulan variabel.
4. Untuk mengidentifikasi variabel baru, yang dapat digunakan untuk analisis lainya (e.g.,
to regression.)
5. Untuk mengidentifikasi satu atau beberapa variabel dari variabel yang banyak jumlahnya.
6. Mengkonfirmasi kontruksi suatu variabel laten.
Basic Factor Analysis Concepts
1. Factor Matrix-matrik yang berisi faktor loading dari faktor yang terekstrasi.
2. KMO measure of sampling adequacy-indeks yang digunakan untuk menguji kesesuaian
analisis faktor, nilainya minimal 0,5.
3. Communality-besarnya varian variabel yang disaring dengan variabel lainnya.
4. Eigenvalue -total variance yang dapat dijelaskan masing-masing faktor.
5. Factor loadings–korelasi antara faktor dan variabel.
6. Residuals-perbedaan antara korelasi observasi dan korelasi hasil estimasi dari matrik
faktor.
Jadi Factor analysis: dapat digunakan untuk memprediksi suatu variabel, dan mengetahui
hubungan dan kekuatan hubungan variabel-variabel.
Tahapan uji factor analysis dengan SPSS:
1. Formulasi Problem (Problem Formulation)
a. Apa tujuan penelitian ?
b. Apa jumlah observasi mencukupi (rule of thumb: paling sedikit 4 -5 observasi
untuk setiap variabel, minimal 100 sampel).
2. Menyusun Matrik Korelasi:
a. Matrik ini menunjukkan hubungan antara variabel.
b. Nilai korelasi yang tinggi atau signifikan menunjukkan bahwa kedua variabel
tersebut berhubungan erat. (minimal 0.3, pada level of significant 95%)
3. Uji kesesuaian analisis factor dengan KMO measure of sampling adequacy (minimal 0.5)
4. Tentukan Prosedur analisis:
a. Principal components analysis; menguji total variance suatu data, umumnya
digunakan untuk mereduksi item-item.
b. Principal axis factor analysis; menguji hanya common variance, biasanya
digunakan untuk mengidentifikasi underlying dimensi.
5. Mengekstraksi Faktor (Extracting Factors):
a. Melihat Eigenvalue lebih besar atau sama dengan dari 1.0.
b. Diagram scarter
6. Merotasi faktor (Rotating Factors)
a. Orthogonal rotation dengan varimax rotation, yang mana meminimalkan jumlah
variabel dengan loading faktor yang besar.
b. Oblique rotation: bilamana variabel berkorelasi tinggi dengan variabel lainnya
Wednesday, 21 March, 2018
3
Contoh:
Tujuan penelitian: Seorang Kepala Perawat ingin mengetahui apakah Sikap, Pengawasan, dan
Motivasi berpengaruh terhadap kepatuhan cuci tangan pada staff perawat?
Hipotesis:
Ho : 1 = 2 = 3 = 0, Sikap, Pengawasan, dan motivasi tidak berpengaruh signifikan terhadap
kepatuhan cuci tangan pada staff perawat.
Ha : 1 2 2 0 Sikap, Pengawasan, dan motivasi berpengaruh signifikan terhadap
kepatuhan cuci tangan pada staff perawat.
X1=Sikap, X2=Pengawasan dan X3=Motivasi , Y=Kepatuhan
Diagram jalur:
X1: Sikap
X3: Motivasi
Y: Kepatuhan
X2: Pengawasan
Dari diagram jalur diatas, kita harus melihat hasil uji matrix korelasi antara X1, X2 dan X3
terhadap Y.
Prosedur factor analysis dengan SPSS:
1. Tekan analyze, Dimension reduction, Factor.
2. Masukan keempat variabel tersebut.
3. Tekan Descriptives:
a. Centang Initial Solution
b. KMO and Bartletts Test Sphericity. Continue
4. Tekan Extraction: centang Correlation matix, Continue.
5. Tekan Rotation: centang Varimax. Continue
6. Tekan Ok
Wednesday, 21 March, 2018
4
Hasilnya:
Diagram jalur dengan hasil uji Principal Component Analysis:
X1: Sikap
r 0.550
r 0.453
r 0.660
X3: Motivasi
r 0.589
X2: Pengawasan
Wednesday, 21 March, 2018
r 0.503
r 0.564
Y: Kepatuhan
5
Hasil: Matrix correlation antar variabel > 0,3 Uji KMO >0,744 Fit untuk dilakukan Regresi
linear.
Prosedur Uji regresi linear antar variabel prediktor dengan SPSS:
Y=0,1,763 + 0,95x1 + 0,606 X2
Prosedur Uji Regresi Linear antara variabel predictor terhadap variabel response 2:
Wednesday, 21 March, 2018
6
Uji persamaan: Y = a + b1X1+b2X2+…+bnXn
a= 10,323, b1= 0,708, b2= 0,185, b3=0,928
Y=-10,323+ 0,708x1 + 0,185x2 + 0,928x3
Path diagram dengan hasil uji Regresi Linear:
Path diagram:
X1: Sikap
Sig. 0.026
X3: Motivasi
Sig. 0.009
Y: Kepatuhan
Sig. 0.739
X2: Pengawasan
Dari kausal model pada diagram di atas dapat diketahui:
1. Korelasi koefisien antara variabel sikap terhadap kepatuhan menunjukan P value < 0,05.
Korelasi significant.
2. Korelasi koefisien antara variabel pengawasan terhadap kepatuhan menunjukan P value
>0,05. Korelasi tidak significant.
3. Korelasi koefisien antara variabel motivasi terhadap kepatuhan menunjukan P value
MULTIVARAT ANALISIS REGRESI
(REGRESI LINEAR GANDA DENGAN SPSS)
Oleh: Sobur Setiaman
Pra syarat: telah memahami konsep dan procedure analisi regresi linear sederhana.
Kegunaan Analisis Regresi Linear Berganda: Analisis Regresi Linear Berganda digunakan
untuk mengukur pengaruh antara lebih dari satu variabel prediktor (variabel bebas) terhadap
variabel terikat.
Rumus persamaan regresi ganda:
Y = a + b1X1+b2X2+…+bnXn
Y = variabel terikat
a = konstanta
b1,b2 = koefisien regresi
X1, X2 = variabel bebas
Struktural Equation Model (SEM) dengan SPSS
Structural equation modeling atau dikenal dengan istilah ‘causal modeling’ or ‘analysis of
covariance structures’. SEM adalah suatu teknik modeling statistik yang bersifat sangat crosssectional, untuk melihat hubungan dan kekuatan hubungan antar variabel serta memprediksi
besarnya hubungan antar variabel tersebut.
Cara melihat causal model pada multivariate analisis, umumnya dilakukan dengan cara:
menentukan Path diagram dan Path analysis pada program Lisrel atau AMOS atau confirmatory
factor analysis (CFA) pada program SPSS.
Sedangkan SEM dg SPSS dilakukan dengan tiga tahap:
1. Pertama, dilakukan uji confirmatory factor analysis.
2. Kedua, dilakukan uji regresi linear antar variabel prediktor.
3. Ketiga, dilakukan uji regresi linear antara Variabel prediktor dengan Variabel respons.
Confirmatory factor analysis (CFA)
Tujuannya:
1. Untuk mereduksi dimensi data.
2. Interdependence technique (teknik interdependen) untuk menguji hubungan sekumpulan
variabel.
Wednesday, 21 March, 2018
2
3. Untuk mengidentifikasi underlying dimensions (factors) yang dapat menjelaskan korelasi
sekumpulan variabel.
4. Untuk mengidentifikasi variabel baru, yang dapat digunakan untuk analisis lainya (e.g.,
to regression.)
5. Untuk mengidentifikasi satu atau beberapa variabel dari variabel yang banyak jumlahnya.
6. Mengkonfirmasi kontruksi suatu variabel laten.
Basic Factor Analysis Concepts
1. Factor Matrix-matrik yang berisi faktor loading dari faktor yang terekstrasi.
2. KMO measure of sampling adequacy-indeks yang digunakan untuk menguji kesesuaian
analisis faktor, nilainya minimal 0,5.
3. Communality-besarnya varian variabel yang disaring dengan variabel lainnya.
4. Eigenvalue -total variance yang dapat dijelaskan masing-masing faktor.
5. Factor loadings–korelasi antara faktor dan variabel.
6. Residuals-perbedaan antara korelasi observasi dan korelasi hasil estimasi dari matrik
faktor.
Jadi Factor analysis: dapat digunakan untuk memprediksi suatu variabel, dan mengetahui
hubungan dan kekuatan hubungan variabel-variabel.
Tahapan uji factor analysis dengan SPSS:
1. Formulasi Problem (Problem Formulation)
a. Apa tujuan penelitian ?
b. Apa jumlah observasi mencukupi (rule of thumb: paling sedikit 4 -5 observasi
untuk setiap variabel, minimal 100 sampel).
2. Menyusun Matrik Korelasi:
a. Matrik ini menunjukkan hubungan antara variabel.
b. Nilai korelasi yang tinggi atau signifikan menunjukkan bahwa kedua variabel
tersebut berhubungan erat. (minimal 0.3, pada level of significant 95%)
3. Uji kesesuaian analisis factor dengan KMO measure of sampling adequacy (minimal 0.5)
4. Tentukan Prosedur analisis:
a. Principal components analysis; menguji total variance suatu data, umumnya
digunakan untuk mereduksi item-item.
b. Principal axis factor analysis; menguji hanya common variance, biasanya
digunakan untuk mengidentifikasi underlying dimensi.
5. Mengekstraksi Faktor (Extracting Factors):
a. Melihat Eigenvalue lebih besar atau sama dengan dari 1.0.
b. Diagram scarter
6. Merotasi faktor (Rotating Factors)
a. Orthogonal rotation dengan varimax rotation, yang mana meminimalkan jumlah
variabel dengan loading faktor yang besar.
b. Oblique rotation: bilamana variabel berkorelasi tinggi dengan variabel lainnya
Wednesday, 21 March, 2018
3
Contoh:
Tujuan penelitian: Seorang Kepala Perawat ingin mengetahui apakah Sikap, Pengawasan, dan
Motivasi berpengaruh terhadap kepatuhan cuci tangan pada staff perawat?
Hipotesis:
Ho : 1 = 2 = 3 = 0, Sikap, Pengawasan, dan motivasi tidak berpengaruh signifikan terhadap
kepatuhan cuci tangan pada staff perawat.
Ha : 1 2 2 0 Sikap, Pengawasan, dan motivasi berpengaruh signifikan terhadap
kepatuhan cuci tangan pada staff perawat.
X1=Sikap, X2=Pengawasan dan X3=Motivasi , Y=Kepatuhan
Diagram jalur:
X1: Sikap
X3: Motivasi
Y: Kepatuhan
X2: Pengawasan
Dari diagram jalur diatas, kita harus melihat hasil uji matrix korelasi antara X1, X2 dan X3
terhadap Y.
Prosedur factor analysis dengan SPSS:
1. Tekan analyze, Dimension reduction, Factor.
2. Masukan keempat variabel tersebut.
3. Tekan Descriptives:
a. Centang Initial Solution
b. KMO and Bartletts Test Sphericity. Continue
4. Tekan Extraction: centang Correlation matix, Continue.
5. Tekan Rotation: centang Varimax. Continue
6. Tekan Ok
Wednesday, 21 March, 2018
4
Hasilnya:
Diagram jalur dengan hasil uji Principal Component Analysis:
X1: Sikap
r 0.550
r 0.453
r 0.660
X3: Motivasi
r 0.589
X2: Pengawasan
Wednesday, 21 March, 2018
r 0.503
r 0.564
Y: Kepatuhan
5
Hasil: Matrix correlation antar variabel > 0,3 Uji KMO >0,744 Fit untuk dilakukan Regresi
linear.
Prosedur Uji regresi linear antar variabel prediktor dengan SPSS:
Y=0,1,763 + 0,95x1 + 0,606 X2
Prosedur Uji Regresi Linear antara variabel predictor terhadap variabel response 2:
Wednesday, 21 March, 2018
6
Uji persamaan: Y = a + b1X1+b2X2+…+bnXn
a= 10,323, b1= 0,708, b2= 0,185, b3=0,928
Y=-10,323+ 0,708x1 + 0,185x2 + 0,928x3
Path diagram dengan hasil uji Regresi Linear:
Path diagram:
X1: Sikap
Sig. 0.026
X3: Motivasi
Sig. 0.009
Y: Kepatuhan
Sig. 0.739
X2: Pengawasan
Dari kausal model pada diagram di atas dapat diketahui:
1. Korelasi koefisien antara variabel sikap terhadap kepatuhan menunjukan P value < 0,05.
Korelasi significant.
2. Korelasi koefisien antara variabel pengawasan terhadap kepatuhan menunjukan P value
>0,05. Korelasi tidak significant.
3. Korelasi koefisien antara variabel motivasi terhadap kepatuhan menunjukan P value