Regresi linier berganda mengacu pada teknik statistik yang digunakan untuk memprediksi hasil suatu variabel berdasarkan nilai dua variabel atau lebih. Kadang-kadang dikenal sebagai regresi berganda, dan ini merupakan perpanjangan dari regresi linier. Variabel yang ingin kita prediksi dikenal sebagai variabel dependen, sedangkan variabel yang kita gunakan untuk memprediksi nilai variabel dependen Variabel Dependen Variabel Dependen adalah salah satu yang akan berubah tergantung dari nilai variabel lain yang disebut variabel independen. dikenal sebagai variabel independen atau penjelas.
Gambar 1: Prediksi model regresi linier berganda untuk pengamatan individu (Sumber)
Ringkasan
- Regresi linier berganda mengacu pada teknik statistik yang menggunakan dua atau lebih variabel independen untuk memprediksi hasil dari variabel dependen.
- Teknik ini memungkinkan analis untuk menentukan variasi model dan kontribusi relatif dari setiap variabel independen dalam total varians.
- Regresi berganda dapat mengambil dua bentuk, yaitu regresi linier dan regresi non linier.
Rumus Regresi Linear Berganda
Dimana:
- yi adalah variabel dependen atau diprediksi
- β0 adalah perpotongan dengan sumbu y, yaitu nilai y jika xi dan x2 adalah 0.
- β1 dan β2 adalah koefisien regresi yang mewakili perubahan y relatif terhadap perubahan satu unit dalam xi1 dan xi2 .
- βp adalah koefisien kemiringan untuk setiap variabel independen
- ϵ adalah istilah kesalahan acak (residual) model.
Memahami Regresi Linier Berganda
Regresi linier sederhana memungkinkan ahli statistik untuk memprediksi nilai satu variabel menggunakan informasi yang tersedia tentang variabel lain. Regresi linier mencoba membangun hubungan antara dua variabel di sepanjang garis lurus.
Regresi berganda merupakan jenis regresi dimana variabel terikat menunjukkan hubungan linier dengan dua atau lebih variabel bebas. Bisa juga non linier , dimana variabel dependen dan variabel independen Variabel Independen Variabel independen merupakan masukan, asumsi, atau pendorong yang diubah untuk menilai dampaknya terhadap variabel dependen (hasil). jangan mengikuti garis lurus.
Baik regresi linier dan non-linier melacak respons tertentu menggunakan dua atau lebih variabel secara grafis. Akan tetapi, regresi non-linier biasanya sulit untuk dieksekusi, karena dibuat dari asumsi yang berasal dari trial and error.
Asumsi Regresi Linear Berganda
Regresi linier berganda didasarkan pada asumsi berikut:
1. Hubungan linier antara variabel dependen dan independen
Asumsi pertama dari regresi linier berganda adalah adanya hubungan linier antara variabel dependen dengan masing-masing variabel independen. Cara terbaik untuk memeriksa hubungan linier adalah dengan membuat diagram sebar dan kemudian secara visual memeriksa diagram sebar untuk mengetahui linearitas. Jika hubungan yang ditampilkan di scatterplot tidak linier, maka analis perlu menjalankan regresi non-linier atau mentransformasikan data menggunakan perangkat lunak statistik, seperti SPSS.
2. Variabel independen tidak berkorelasi tinggi satu sama lain
Data tidak boleh menunjukkan multikolinieritas, yang terjadi ketika variabel bebas (variabel penjelas) berkorelasi tinggi satu sama lain. Ketika variabel independen menunjukkan multikolinearitas, akan timbul masalah dalam menentukan variabel spesifik yang berkontribusi terhadap varians dalam variabel dependen. Metode terbaik untuk menguji asumsi adalah metode Variance Inflation Factor.
3. Varians residual konstan
Regresi linier berganda mengasumsikan bahwa jumlah kesalahan dalam residual sama di setiap titik model linier. Skenario ini dikenal sebagai homoskedastisitas. Saat menganalisis data, analis harus memplot residual standar terhadap nilai prediksi untuk menentukan apakah poin didistribusikan secara adil di semua nilai variabel independen. Untuk menguji asumsi tersebut, data dapat diplot pada sebar atau dengan menggunakan perangkat lunak statistik untuk menghasilkan sebar yang mencakup seluruh model.
4. Independensi observasi
Model mengasumsikan bahwa observasi harus independen satu sama lain. Sederhananya, model tersebut mengasumsikan bahwa nilai residu tidak bergantung. Untuk menguji asumsi ini, kami menggunakan statistik Durbin Watson.
Pengujian akan menunjukkan nilai dari 0 sampai 4, dimana nilai 0 sampai 2 menunjukkan autokorelasi positif, dan nilai dari 2 sampai 4 menunjukkan autokorelasi negatif. Titik tengah, yaitu nilai 2, menunjukkan bahwa tidak ada autokorelasi.
5. Normalitas multivariat
Normalitas multivariat terjadi ketika residu terdistribusi normal. Untuk menguji asumsi ini, lihat bagaimana nilai-nilai residu didistribusikan. Hal ini juga dapat diuji dengan menggunakan dua metode utama, yaitu histogram dengan kurva normal yang ditumpangkan atau metode Normal Probability Plot.
Sumber Daya Lainnya
Finance menawarkan Sertifikasi Perbankan & Analis Kredit (CBCA) ™ CBCA ™ Akreditasi Perbankan & Analis Kredit Bersertifikat (CBCA) ™ adalah standar global untuk analis kredit yang mencakup keuangan, akuntansi, analisis kredit, analisis arus kas, pemodelan perjanjian, pinjaman pembayaran kembali, dan banyak lagi. program sertifikasi bagi mereka yang ingin meningkatkan karir mereka ke tingkat berikutnya. Untuk terus mempelajari dan mengembangkan basis pengetahuan Anda, harap jelajahi sumber daya Keuangan tambahan yang relevan di bawah ini:
- Metode Peramalan Metode Peramalan Metode Peramalan Atas. Pada artikel ini, kami akan menjelaskan empat jenis metode peramalan pendapatan yang digunakan analis keuangan untuk memprediksi pendapatan di masa depan.
- Distribusi Poisson Distribusi Poisson Distribusi Poisson adalah alat yang digunakan dalam statistik teori probabilitas untuk memprediksi jumlah variasi dari tingkat kejadian rata-rata yang diketahui, dalam
- Variabel Acak Variabel Acak Variabel acak (variabel stokastik) adalah jenis variabel dalam statistik yang kemungkinan nilainya bergantung pada hasil dari fenomena acak tertentu.
- Analisis Regresi Analisis Regresi Analisis regresi adalah sekumpulan metode statistik yang digunakan untuk memperkirakan hubungan antara variabel dependen dan satu atau lebih variabel independen. Ini dapat digunakan untuk menilai kekuatan hubungan antara variabel dan untuk memodelkan hubungan masa depan di antara mereka.
