Salah satu jenis pengetahuan dalam ilmu statistika adalah mengenai sistem atau model regresi. Pada regresi terdapat satu buah sistem regresi yang tidak asing lagi yakni regresi linier berganda. Banyak sekali kegunaan dari regresi yang satu ini sehingga memang sangat sering digunakan dalam penelitian. Kali ini akan dibahas lebih lanjut mengenai model regresi yang satu ini!
Pengertian
Model regresi ini sering disebut dengan multiple linear regression yang tentu saja istilah tersebut berasal dari bahasa Inggris. Ciri khas dari model regresi ini adalah terdapat lebih dari satu variabel bebas yang digunakan dalam datanya. Ada berbagai perbedaan yang membedakan model regresi ini dengan model regresi sederhana misalnya.
Pada intinya, model regresi ini adalah model prediksi dengan data yang berskala rasio ataupun interval yang terdapat lebih dari satu variabel bebas. Skala yang dimaksudkan adalah yang terdapat pada semua jenis variable terutama pada variabel terikatnya. Pada bagian regresi linier, variabel bebasnya bisa memungkinkan untuk penggunaan dummy sedangkan regresi berganda tidak.
Asumsi Klasik Regresi Linier Berganda
Karena uji regresi tergolong ke dalam salah satu jenis uji parametrik, maka sama seperti yang lain, ada beberapa asumsi. Asumsi-asumsi tersebut harus terpenuhi supaya model prediksi yang dihasilkan bisa bersifat BLUE (Best Linear Unbiased Estimation). Dengan kata lain, untuk menghindari bias pada hasil nanti. Nah ini dia beberapa asumsi yang perlu dipenuhi:
1. Data Interval atau Rasio
Skala dari semua variabel dalam data haruslah dalam bentuk interval atau rasio. Asumsi yang pertama ini tidak perlu dilakukan pengujian karena cukup diperhatikan bentuk data numerik atau kuantitatif. Yang paling penting, variabel terikat haruslah dalam bentuk interval atau rasio karena akan jadi aspek penting nantinya.
2. Linieritas
Seperti namanya, salah satu asumsi yang harus dipenuhi adalah hubungan linieritas antara variabel terikat dan variabel bebasnya. Asumsi ini perlu dilakukan pengujian dengan cara uji linieritas regresi seperti menggunakan kurva estimasi. Nah pada kurva estimasi, akan didapatkan p value linieritas kemudian jika nilai p<0,05 maka hubungan variabel adalah linier.
3. Normalitas Residual
Yang dimaksud dengan residual adalah taraf perbedaan antara nilai y dengan nilai y prediksi. Y merupakan variabel terikat sedangkan pada y prediksi adalah hasil dari nilai tersebut setelah masuk pada persamaan regresi. Asumsi normalitas ini berlaku pada residualnya saja, bukan per variable di dalam data. Ada berbagai metode uji yang bisa digunakan seperti uji Shapiro Wilk atau pun Ryan Joiner.
Sebenarnya masih ada lagi beberapa jenis asumsi dalam model regresi linier berganda seperti homoskedastisitas, non-multikolinieritas, non-outlier, dan non-autokorelasi. Nah semua keterangan terkait asumsi klasik dalam model ini dapat didapatkan dengan mudah di Patra Statistika.