Cara Deteksi Heterokedastisitas dengan Uji Glejser Pada Eviews

Masalah heterokedastisitas pada umumnya terjadi pada data cross section dibandingkan dengan data runtun waktu (time series). Heterokedastisitas terjadi karena dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lainya. Model regresi yang baik adalah homokedastisitas atau tidak terjadi heterokedastisitas. Heterokedastisitas tidak mengakibatkan estimator dalam hal ini koefisien variabel independen menjadi bias karena eror atau residual bukan komponen menghitungnya. estimator menjadi tidak efisien dan standard eror dari regresi menjadi bias yang akan menyebabkan nilai t-statistik dan F-hitung menjadi missleading.

Ada beberapa pengujian untuk mendeteksi heterokedastistas antara lain uji Breusch Pagan Godfrey (BPG), uji White, uji Glejser. Dalam uji Glejser dilakukan dengan meregres nilai absolute residual (AbsUi) terhadap variabel-variabel independennya yaitu VACA, VAHU, dan STVA. Persamaan yang dibuat dalam uji Glejser sebagai berikut :

Rumus Uji Glejser

Jika hasil pengujian ada koefisien (𝛽) signifikan secara statistik, maka ada indikasi bahwa pada model terjadi pelanggaran heterokedastisitas. Dalam pengujian Glejser pada aplikasi Eviews tidak perlu mencari terlebih dahulu nilai residual seperti pada aplikasi SPSS. Aplikasi Eviews sudah ada fasilitas langsung untuk menguji Glejser pada model regresi. Data contoh  Data Regresi

Langkah pengujian Gljser dengan Eviews sebagai berikut :

View > Residual diagnostics> Heterokedasticity Test

Langkah Glejser 1

Pada menu Heterokedasticity test, pilih Glejser kemudian OK

Langkah Glejser 2

Hasil pengujian Glejser dengan eviews selengkapnya disajikan dibawah ini.

Output uji Glejser

Hasil output diatas memberikan nilai bahwa variabel VACA, VAHU dan STVA tidak signifikan dengan diperolehnya nilai probabilitas masing-masing VACA 0.0944, AVHU 0.2333 dan STVA sebesar 0.3876. Oleh Karena hasil tersebut tidak ada yang signifikan maka dapat disimpulkan tidak terjadi pelanggaran asumsi heterokedastisitas pada model.

Baca juga :

1. Uji Normalitas Model regresi dengan Eviews

2. Deteksi Heterokedastisitas Dengan Uji White

3. Uji Autokorelasi dengan Durbin Watson

Referensi :

Ghozali, I dan Ratmono, Dwi. (2013). Analisis Multivariat dan Ekonometrika : Teori, Konsep dan  Aplikasi dengan Eviews 8. Semarang : Badan Penerbit Undip.

Griffiths, W.E., Hill, R.C and Lim, M.A.(2008). Using Eviews for Principles of Econometrics 3rd. London,  New York: John Wiley &  Sons.

Gujarati, D.(2011). Econometrics by Example. New York: Palgrave MacMillan.

Hill, R.C., Griffiths, W.E and Judge, G.G.(2001). Using Eviews for Undergraduate Econometrics 2nd. London New York: John Wiley &  Sons

Vogelvang, B. (2005). Econometrics : Theory and Application With Eviews.LOndon New York: Pearson Eduacation.

Winarno, W.W. (2011). Analisis Ekonometrika dan Statistika dengan Eviews Edisi 3. Yogyakarta: STIM YKPN.

Uji Asumsi Normalitas Pada Model Regresi Berganda Dengan Eviews

Uji normalitas pada model regresi berganda dilakukan untuk menguji variabel pengganggu atau eror atau residual memiliki distribusi normal. Pengujian normalitas residual pada program Eviews menggunakan uji Jarque Berra (JB). Uji  Jarque Berra umumnya dilakukan pada sampel besar. 

 

Untuk perhitungan dengan menggunakan nilai skewness dan kurtosis dari residual. Rumus Jarque Berra selengkapnya disajikan pada pada rumus di bawah ini.

Rumus normalitas Jarque Berra

Nilai Jarque Berra statistik mengikuti distribusi chi-square dengan 2 df (degree of freedom). Nilai JB dapat dihitung signifikansi untuk pengujian hipotesis:

H0 = residual berdistribusi normal

H1 = residual tidak berdistribusi normal

Jika nilai probabilitas > 0.05 maka terima H0, aartinya bahwa residual berdistribusi normal.

Langkah pengujian : View > Residual  Diagnostics >  Histogram-Normality test
 

Hasil uji Normalitas Jarque Berra

Dari hasil pengujian Jarque Berra menunjukkan bahwa nilai Jarque Berra sebesar 1.540508 dengan probabilitas sebesar 0.462895. Karena nilai probabilitas 0.462895 > 0.05 maka terima H0 yang menyatakan bahwa data residual berdistribusi normal. 

Baca Juga :

1. Deteksi Heterokedastisitas dengan Uji BPG

2. Langkah Analisis Regresi Berganda dengan Eviews

3. Uji Autokorelasi Durbin Watson

Referensi :

Ghozali, I dan Ratmono, Dwi. (2013). Analisis Multivariat dan Ekonometrika : Teori, Konsep dan  Aplikasi dengan Eviews 8. Semarang : Badan Penerbit Undip.

Griffiths, W.E., Hill, R.C and Lim, M.A.(2008). Using Eviews for Principles of Econometrics 3rd.London New York: John Wiley &  Sons.

Gujarati, D.(2011). Econometrics by Example.New York: Palgrave MacMillan

Hill, R.C., Griffiths, W.E and Judge, G.G.(2001). Using Eviews for Undergraduate Econometrics 2nd. London New York: John Wiley &  Sons.

Vogelvang, B. (2005). Econometrics : Theory and Application With Eviews.LOndon New York: Pearson Eduacation.

Winarno, W.W. (2011). Analisis Ekonometrika dan Statistika dengan Eviews Edisi 3. Yogyakarta: STIM YKPN.

Langkah Analisis Regresi Berganda Dengan Eviews

Konsep regresi linier berganda adalah untuk menguji 2 variabel atau lebih variabel independen terhadap 1 variabel dependen. Metode estimasi yang digunakan dalam membentuk persamaan adalah ordinary least squares (OLS) yang diperkenalkan oleh ahli matematika bernama Carl Frederich Gauss. 

Dalam model kali ini ada 3 variabel independen yaitu Capital Adequacy Ratio (CAR), Return on Asset (ROA) dan Return on Equity ( ROE) yang akan diregresikan terhadap variabel Return (pendapatan) sebagai dependen. Persamaan regresi sebagai berikut :

Persamaan regresi

Sebelum melakukan estimasi regresi, persiapkan data dalam format micrisift excel kemudian melakukan input data ke dalam Eviews 10 sehingga akan terbentuk workfile pada program Eviews :

1. File > Open > Foreign data as workfile.  Pilih file data excel yang sudah dipersiapkan.

Langkah 1

2. Kemudian Next

Langkah 2

3. Kemudian Next

Langkah 3

4. Kemudian Next

Langkah 4

5. Pada basic structure , pilih Unstructured/Undated. Terlihat bahwa jumlah observasi sebanyak 50. Klik Finish, sekarang data sudah terinput sebagai workfile dan siap untuk analisis.

Bentuk workfile

Langkah estimasi regresi berganda dengan Eviews 10 sebagai berikut :

1. Quick > Estimate Equation

Menu Equation estimation

Pada menu equation specification, tulis : return c car roa roe

Method : LS-Least squares (NLS and ARMA)

Kemudian OK. Hasil estimasi terlihat seperti dibawah ini.

Hasil Regresi

Pada hasil regresi diatas menunjukan bahwa nilai koefisien pengaruh CAR terhadap return sebesar 1,152528 dengan nilai t-statistik 3,617953 dan probabilitas sebesar 0,0007. Nilai koefisien pengaruhb ROA sebesar 0,325059 dengan nilai t-statistik 5,671007 dan probabilitas sebesar 0.0000. Dari hasil ketiga variabel tersebut karena nilai t-statistik < t-tabel (1,96) dan probabilitas < 0,05 maka dapat diambil kesimpulan variabel CAR, ROA, dan ROE secara parsial signifikan berpengaruh positif terhadap Return.

Untuk nilai F statistik dipeorlh sebesar 98,00041 dan probabilitas 0.0000, dengan hasil tersebut karena nilai probabilitas uji F statistik sebesar 0,0000 < 0,05 maka kesimpulan yang diambil bahwa CAR, ROA dan ROE secara simultan (bersama-sama) berpengaruh positif terhadap Return.

Output regresi diatas juga menghasilkan nilai Durbin Watson (DW) yang dimana nilai ini merupakan uji asumsi klasik autokorelasi pada model regresi. Hasil menunjukan nilai D sebesar 1,707900. Diketahui bahwa nilai dU (Durbin Watson Upper) pada tabel Durbin Watson dengan n (observasi) 50 dan k - 3 (variabel independen) yaitu dU sebesar 1,6739. Karena nilai Dw yang dihasilkan 1,6739 < 1,707900 < 4-1,6739 maka dapat disimpulkan bahwa pada model tidak terjadi pelanggaran asumsi klasik autokorelasi. Untuk pengujian asumsi klasik lainya seperti : multikolinieritas, Heterokedastisitas, dan normalitas , langkah-langkah pengujian akan ditulis dalam artikel tersendiri.

Baca Juga :

1. Uji Heterokedastisitas dengan BPG Pada Eviews

2. Uji Multikolinieritas Model Regresi Dengan Eviews

3. Uji Autokorelasi Dengan Durbin Watson

Referensi :

Ghozali, I dan Ratmono, Dwi. (2013). Analisis Multivariat dan Ekonometrika : Teori, Konsep dan  Aplikasi dengan Eviews 8. Semarang : Badan Penerbit Undip.

Griffiths, W.E., Hill, R.C and Lim, M.A.(2008). Using Eviews for Principles of Econometrics 3rd. London New York: John Wiley &  Sons.

Gujarati, D.(2011).Econometrics by Example.New York: Palgrave MacMillan.

Hill, R.C., Griffiths, W.E and Judge, G.G.(2001). Using Eviews for Undergraduate Econometrics 2nd. London New York: John Wiley &  Sons.

Vogelvang, B. (2005). Econometrics : Theory and Application With Eviews.London New York: Pearson Education.

Winarno, W.W. (2011). Analisis Ekonometrika dan Statistika dengan Eviews Edisi 3. Yogyakarta: STIM YKPN.

Deteksi Heterokedastisitas Dengan Uji White Pada Eviews

Masalah heterokedastistis pada umumnya terjadi pada data cross section dibandingkan dengan data runtun waktu (time series). Penyebab Heterokedastisitas karena dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan lainya. 

 

 Model regresi yang baik adalah homokedastisitas atau tidak terjadi heterokedastisitas. Salah satu uji untuk mendeteksi adanya heterokedastisitas dengan melakukan uji White. Dalam uji White ini hampi mirip dengan uji Glejser. Uji White dilakukan dengan meregres nilai residual kuadrat (U²i) dengan independennya. Jika sebuah model memiliki 3 variabel independen X1 (VACA), X2 (VAHU) dan X3 (STVA) maka persamaan regresi dapat dibuat sebagai berikut :

Rumus Uji White

Perhatikan pada rumus diatas, dari 3 variabel independen (X1, X2 dan X3) kemudian dibuatkan dan ditambahkan 3 variabel X1², X2², X3².,dan 3 variabel perkalian X1X2X3, variabel X1X2 dan X1X3. Hasil variabel  independen yang baru kemudian diregresikan dengan nilai erornya. Pada aplikasi Eviews untuk Uji White sudah tersedia tanpa perlu melakukan perhitungan lagi untuk nilai X1², X2², X3², X1X2X3, X1X2 dan X2X3. 

Hasil estimasi diperoleh nilai R² untuk menghitung c² yang mana c² = n X R². Jika nilai Ob*R squared diperoleh nilai probabilitas chi-square yang signifikan (< 0.05) maka terjadi gangguan heterokedastisitas begitu juga sebaliknya jika nilai probabilitas ch-square tidak signifikan (> 0.05) maka tidak ada gangguan heterokedastisitas. Aplikasi Eviews sudah menfasilitasi langsung uji White pada model regresi, tetapi sebelum menguji  White, model harus diestimasi regresi terlebih dahulu.

Langkah uji White dengan Eviews :

View > Residual Diagnostics > Heterokedasticity Test

Langkah Uji Heterokedastisitas

Pada menu Heterokedasticity test,  pilih White kemudian OK.

Uji White

Hasil pengujian White dengan Eviews selengkapnya sebagai beikut :

Heterokedasticity test : White

Hasil output uji White di atas memberikan nilai Obs*R-squares probabilitas chi-square sebesar 0.1613. Oleh karena nilai probabilitas chi-square tidak signifikan yaitu 0.1613 > 0.05 maka dapat disimpulkan tidak terjadi pelanggaran asumsi heterokedastisitas pada model.

Baca Juga :

1. Deteksi Heterokedastisitas dengan Breusch Pagan Godfrey (BPG) Pada Eviews
2. Uji Autokorelasi Durbin Watson
   
3. Cara Deteksi Multikolinieritas Model Regresi Pada Eviews
   

Referensi :

Ghozali, I dan Ratmono, Dwi. (2013). Analisis Multivariat dan Ekonometrika : Teori, Konsep dan  Aplikasi dengan Eviews 8. Semarang : Badan Penerbit Undip.

Griffiths, W.E., Hill, R.C and Lim, M.A.(2008). Using Eviews for Principles of Econometrics 3rd.London New York: John Wiley &  Sons.

Gujarati, D.(2011). Econometrics by Example.New York: Palgrave MacMillan

Hill, R.C., Griffiths, W.E and Judge, G.G.(2001). Using Eviews for Undergraduate Econometrics 2nd. London New York: John Wiley &  Sons.

Vogelvang, B. (2005). Econometrics : Theory and Application With Eviews.LOndon New York: Pearson Eduacation.

Winarno, W.W. (2011). Analisis Ekonometrika dan Statistika dengan Eviews Edisi 3. Yogyakarta: STIM YKPN.

Cara Deteksi Multikolinieritas Model Regresi Pada Eviews

Pengujian multikolinieritas bertujuan untuk menguji apakah dalam model regresi yang dibangun ditemukan adanya korelasi yang tinggi antar variabel independen. Apabila terjadi pelanggran adanya multikolinieritas maka interval estimasi akan cenderung besar dan nilai t-statistik akan kecil. Hal ini menyebabkan variabel independen tidak signifikan dalam mempengaruhi variabel dependen. Model regresi bersifat Best Linier Unbiased Estimator. Namun varian dan kovarian masih besar dan akan sulit sebagai alat estimasi.

 

Untuk mendeteksi adanya pelanggaran terjadinya multikolinieritas model regresi pada eviews dapat dilakukan dengan empat cara :

1. Nilai R-Square sangat tinggi tetapi ada sedikit atau bahkan variabel-variabel independen tidak signifikan berpengaruh terhadap variabel dependen. Hasil uji F akan menerima H0 karena pengujian parsial juga menghasilkan slope koefisien yang menerima H0.

Sebagai contoh model regresi berganda antara 3 variabel independen yaitu X1: value added Capital Employed (VACA), X2 : Value Added HUman Capital (VAHU) dan X3 : Structural Capital Value Added (STVA). Sedangkan variabel dependen (Y) Return On Equity (ROE). Hasil pengujian sebagai berikutn :

Hasil uji Regresi Eviews

Hasil menunjukan bahwa nilai  R-Square cukup tinggi sebesar 0.861146 dan nilai F sebesar 115.7678 dan probabilitas sebesar 0.000. Hasil ini memberikan bukti adanya pengaruh secara simultan/bersama-sama 3 variabel independen VACA, VAHU, dan STVA terhadap ROE. Demikian juga untuk nilai t-statistik pada variabel independen memberikan nilai -t lebih besar dari 1.96 dan probabilitas < 0.05. Dari hasil ini mengindikasikan bahwa pada model tidak terjadi gangguan multikolinieritas pada model.

2. Pada matrik korelasi antar variabel independen. Jika ada korelasi yang lebih besar dari 0.80 maka ada indikasi terjadi multikolinieritas. Pengujian dapat dilakukan dengan uji korelasi Pearson. Dengan hasil korelasi yang tinggi antara 1 dengan yang lain maka variabel independen akan cenderung sama/identik sebagai prediktor. Langkah pengujian korelasi antar variabel independen selengkapnya   pada Eviews :

Quick > Group Statistics > Correlation

Langkah Korelasi Pearson Eviews

Pada menu series list, tulis : vaca, vahu, stava, kemudian OK

Series List

Hasil pengujian korelasi sebagai berikut :

Hasil Korelasi Pearson

Hasil pengujian korelasi antara  STVA dengan VACA sebesar 0.746417, STVA dengan VAHU 0.683985, VACA dengan VAHU sebesar 0.661649. Hasil ini tidak ada korelasi yang tinggi (> 0.8) sehingga tidak terindikasi terjadi multikolinieritas pada model.

3. Auxiliary regression. Timbulnya multikolinieritas disebabkan karena satu atau lebih variabel X (independen) berkorelasi secara linier dengan variabel independen lainnya. Langkah untuk menentukan variabel X yang berhubungan dengan variabel X lainya yaitu dengan meregres Xi dengan variabel X lainya kemudian menghitung nilai R-square dan membandingkan nilai R-square yang diperoleh dengan R-square model regresi utama yaitu ROE sebagai dependen.Jika nilai R-square ini lebih tinggi dari regresi auxiliary maka tidak terjadi multikolinieritas. Persamaan regresi auxiliary yang dibuat ada 3 persamaan regresi sebagai berikut :

Persamaan auxiliary regression

Hasil pengujian pada masing-masing persamaan diatas adalah :

Regresi persamaan 1

Regresi Persamaan 2

 

Regresi Persamaan 3

Ringkasan hasil pengujian dari 3 persamaan regresi diatas.

Nilai R square  regresi auxiliary

Pada tabel diatas menunjukan bahwa nilai R-square persamaan 1, VACA  sebagai variabel dependen sebesar 0.600. R-square peresamaan 2 dimana VAHU sebegai variabel dependen, memperoleh nilai R-square sebesar 0.519 kemudian R-square persamaan 3 dimana STVA sebagai dependen, nilai R-square sebesar 0.621. Hasil nilai R-square dari ketiga regresi auxiliary tersebut lebih kecil dibandingkan dengan nilai R-square model utama. Artinya tidak ada indikasi pelanggaran asumsi multikolinieritas. Sedangkan nilai tolerance dan VIF dapat dihitung secara manual berdasarkan nilai R-square yang diperoleh, selengkapnya terlihat pada tabel di bawah ini.

Nilai R-square, Tolerance dan VIF

Nilai tolerance persamaan 1 sebesar 0.400, persamaan 2 sebesar 0.481 dan persamaan 3 sebesar 0.379. Sedangkan nilai VIF masing-masing sebesar 2.500, 2.2079 dan 2.639. Tetapi untuk nilai VIF dapat diperoleh dari menu pada Eviews.

4. Nilai tolerance Inflastion Factor (VIF). Jika nilai tolerance kurang dari 0.2 dan VIF lebih tinggi dari 10 maka terindikasi adanya multikolinieritas. Jika nilai tolerance rendah maka nilai VIF akan tinggi karena VIF = 1/tolerance. Langkah uji VIF pada eviews sebagai berikut :

View > Coefficient Diagnostic > Variance Inflation Factors

Langkah uji VIF

Hasil output nilai VIF sebagai berikut :

Nilai VIF

Diperoleh nilai VIF variabel VACA sebesar 2.500297, VAHU sebesar 2.080720, dan STVA sebesar 2.641509. Dari ketiga variabel independen menunjukkan bahwa nilai VIF < 10 yang artinya tidak terjadi multikolinieritas pada model diatas.

Dari hasil empat (4) pengujian baik nilai R-square, korelasi antar variabel independen, auxiliary regression serta pengujian tolerance dan VIF membuktikan secara konsisten bahwa pada model tidak ada indikasi terjadinya multikolinieritas.

Baca juga :

1. Deteksi Heterokedastisitas Dengan Uji White Pada Eviews

2. Uji Asumsi Normalitas Pada Model Berganda dengan Eviews

3. Deteksi Heterokedastisitas Dengan Uji Glejser Pada Eviews

Referensi :

Ghozali, I dan Ratmono, Dwi. (2013). Analisis Multivariat dan Ekonometrika : Teori, Konsep dan  Aplikasi dengan Eviews 8. Semarang : Badan Penerbit Undip. 

Griffiths, W.E., Hill, R.C and Lim, M.A.(2008). Using Eviews for Principles of Econometrics 3rd.London New York: John Wiley &  Sons.

Gujarati, D.(2011). Econometrics by Example.New York: Palgrave MacMillan
Hill, R.C., Griffiths, W.E and Judge, G.G.(2001). Using Eviews for Undergraduate Econometrics 2nd. London New York: John Wiley &  Sons.

Vogelvang, B. (2005). Econometrics : Theory and Application With Eviews.London New York: Pearson Eduacation.

Winarno, W.W. (2011). Analisis Ekonometrika dan Statistika dengan Eviews Edisi 3. Yogyakarta: STIM YKPN

Tutorial Regresi Berganda dengan AMOS

Regresi berganda adalah teknik statistik yang sangat dikenal luas pada berbagai bidangseperti ilmu psikologi, ekonomi,  manajemen dan lain sebagainya. regresi bertujuan untuk mengestimasi koefisien persamaan regresi dan pengaruh dari variabel bebas (independen) terhadap variabel terikat (dependen). Kita ketahui bahwa AMOS sebagai program aplikasi Structural Equation Modeling (SEM) yang dapat menyelesaikan model SEM secara full model yaitu dengan mengestimasi model dengan variabel laten dan variabel manifest (pengukur langsung). Selain itu AMOS juga dapat mengestimasi model regrsi yang dalam model ini hanya terdapat variabel-variabel manifest (pengukur langsung) baik untuk variabel bebas maupun variabel terikat. Yang mana hasil estimasi akan berbeda dengan model regresi pada umumnya yang menggunakan teknik estimasi Ordinary Least Square (OLS). Pada model regresi dengan AMOS kali ini menggunakan teknik Maximum Likelihood Estimation (MLE).

Untuk contoh model regresi pada kesempatan kali ini menggunakan  Model Kesidiplinan karyawan yang mana ada 3 variabel independen yaitu kompensasi, Aturan dan Pengawasan. Sedangkan kedisiplinan menjadi variabel dependen. Kerangka konsep selengkapnya disajikan pada gambar di bawah ini.

Kerangka Konseptual Model Regresi Kedisiplinan

 

 

Dari kerangka konsep tersebu ada 3 pola hubungan pengaruh dan kembangkan menjadi hipotesis yaitu :

1. Kompensasi signifikan berpengaruh positif terhadap Kedisiplinan
2. Peraturan signifikan berpengaruh positif terhadap Kedisiplinan.
3. Pengawasan signifikan berpengaruh positif terhadap Kedisiplinan.

Langkah Analisis Regresi Berganda dengan AMOS 

Siapkan data input (raw data) dalam format Microsoft Excel atau format *sav (SPSS). Kemudian buka aplikasi AMOS Graphics. Buat  model di Amos Graphics seperti kerangka konsep dari model di atas. Karena model regresi menggunakan variabel manifest atau pengukur langsung maka menggambar variabelnya memakai menu "Draw Observed variabel" sehingga setiap variabel akan berbentuk persegi/kotak. Ada dua model gambar dalam model di AMOS untuk mode regresi dengan variabel manifest :

1. Model yang variabel independen dibuat saling berkorelasi yaitu antara kompensasi, Peraturan dan Pengawasan. Hanya di variabel dependen yang ada nilai erornya. Hasil Model di AMOS seperti pada gambar di bawah ini. 

Model Regresi AMOS dengan korelasi pada variabel independen

2. Model yang menggunakan eror pada setiap variabel manifestnya, baik independen maupun dependen sehingga tiap variabel independen tidak perlu dikorelasikan. Hasil model di AMOS seperti pada gambar di bawah ini.

Model Regresi AMOS dengan eror pada variabel independen

Setelah menggambar meodel, lakukan setting pada AMOS dengan cara : Klik View -->Analysis --> Properties

Pada menu estimation : Pilih maximum likelihood dan estimate means dan intercept (ini untuk membuat AMOS menghasilkan nilai intercept atau nilai konstanta).

Seting Output AMOS Analysis Properties untuk Intercept

Pada menu Output : centang Minimization history, standardized estimation dan squared multiple correlations.

Seting Output AMOS Analysis Properties

Kemudian lakukan anilisys , langkahnya : Klik Analyze ---> Calculate Estimates.

Hasil output model sebagai berikut 

Model Regresi Kedisiplinan

Pertama kita lihat hasil output dengan cara klik View ---> Text output.  Output yang pertama dapat dilihat uji  normalitas data secara univariate dan multivariate. hasil nilai critical ratio (CR) pada skewness dan CR kurtosis tiap variabel baik X1 (Kompensasi), X2 (Peraturan), X3 (Pengawasan) dan Y (Kedisiplinan) memperoleh nilai CR diantara  - 2.58 dan 2.58, artinya bahwa baik variabel X1, X2, X3 dan Y memiliki distribusi normal univariate. Sedangkan pada nilai kurtosis multivariate diperoleh nilai sebesar 3.291 dengan nilai CR sebesar 2.124. karena nilai CR berada diantara -2.58 dan 2.58 maka terbukti normal multivariate.

Uji Normalitas univariate dan multivariat

 

Untuk uji multivariate outlier dapat diketahui dari nilai mahalnobis distance squared. Nilai d-squared ini dibandingkan dengan nilai chi-square tabel. Kriteria yang digunakan adalah berdasarkan nilai chi-square pada tingkat derajat kebebasan (degree of freedom) tertentu yaitu jumlah variabel yang ada dalam model dan tingkat signifikansi p -value 0.001. Nilai Mahalanobis distance berdasarkan chi-square tabel dengan DF 4 (jumlah variabel) adalah 18.47. Pada hasil uji Mahalanobis distance squared diperoleh nilai tertinggi pada observasi 59 sebesar 15.180. Jadi dengan nilai mahalanobis d-squared yang tertinggi 15.180 > 18.47 chi square tabel maka tidak ada observasi yang outlier. Hasil pengujian nilai Mahalanobis distance squared selengkapnya disajikan pada tabel di bawah ini.

Nilai Mahalanobis Distance

Nilai koefisien estimasi pengaruh variabel independen terhadap dependen dapat dilihat pada tabel regression weight dibawah ini. Nilai koefisien pengaruh Kompensasi (X1) sebesar 0.270 dengan CR 3.197 dan p-value 0.001. Nilai koefisien pengaruh variabel Peraturan (X2) sebesar 0.429 dengan CR 4.898 dan p-value 0.000. Nilai koefisien pengaruh pengawasan (X3) sebesar 0.289 dengan CR 3.946 dan p-value 0.000. Dari hasil nilai CR ketiga variabel > 1.96 t-tabel dan p-value < 0.05 maka dapat diambil kesimpulan bahwa Kompensasi (X1), Peraturan (X2) dan Pengawasan (X3) signifikan berpengaruh positif terhadap Kedisiplinan (Y).

Nilai Loading Regression

 

Pada tabel intercept di bawah ini diperoleh nilai estimate sebesar 0.439. Nilai intercept dikatakan juga nilai konstanta dimana nilai ini merupakan nilai Y pada saat X1, X2, X3 adalah nol. Sehingga dengan hasil estimasi nilai koefisien dan intercept dapat dibuat persamaaan regresi.

Nilai intercept

Persaman regresi yang terbentuk seperti ini :

 

baseline comparisons IFI CFI

 

Dari Output goodness of fit diperoleh nilai comparatif fit index (CFI) sebesar 1.000 dan Incremental Fit Index (IFI) sebesar 1.000 dan df sebesar 0. Maka dari hasil tersebut dapat dikatakan bahwa model overal fit.

Baca juga :  

1. Tutorial Regresi Berganda dengan Lisrel

2. Model Moderator Pada SEM 

3. Tiga Pendekatan Model Second Order Construct

Referensi :

Blunch,N.J.(2008).Introduction to Structural Equation Modeling Using SPSS and AMOS. Quenensland:Sage Publication Research

Byrne, B. M.(2016).Structural Equation Modeling With AMOS.New York : Taylor & Francis

Collier, J.E.(2020).Applied Structural Equation Modeling Using AMOS: Basic to Advanced Techniques.New York and London: Rouledge

Ghozali, I.(2011).Model Persamaan Struktural Konsep dan Aplikasi Dengan Program AMOS 19.0.Semarang : Badan Penerbit Universitas Diponegoro

Hoyle,R.H.(2012).handbook of Structural Equation Modeling.New York and London :  The Guillford Press

Tutorial Regresi Berganda dengan Lisrel

Analisis regresi berganda merupakan teknik statistik yang sudah dikenal luas pada berbagi bidang seperti ilmu sosial, psikologi, ekonomi, manajemen dan lain sebagainya. metode Regresi dapat mengestimasikoefiisen persamaan regresi dan pengaruh variabel independen (bebas) terhadap variabel dependen (terikat). Seperti kita ketahui bahwa Lisrel sebagai program aplikasi Structural Equation Modeling (SEM) yang mampu untuk menyelesaikan model SEM secara full model yaitu dengan mengestimasi model dengan variabel laten dan variabel manifest (indikator).Selain itu Lisrel juga dapat mengestimasi model regresi yang dalam model tersebut hanya memerlukan variabel-variabel manifest (pengukur langsung) baik pada variabel independen maupun dependen. Yang mana hasil akan berbeda dengan model regresi yang menggunakan estimasi Ordinary Least square (OLS). Pada model regresi dengan Lisrel teknik estimasi mengggunakan Maximum Likelihood (ML).

Pada kesempatan kali ini saya memberikan contoh model regresi dengan 3 variabel independen yaitu Kepuasan Kerja (KK), Quality of Network (QW), Budaya Organisasi (BO) dan Motivasi kerja (MO) sebagai variabel dependennya. Kerangka konsep sebagai berikut :

Konseptual model regresi Motivasi Kerja

Dari konsep model tersebut dibuat 3 hipotesis :

1. Kepuasan Kerja (KK) berpengaruh terhadap Motivasi kerja (MO)
2. Quality of Network (QW) berpengaruh terhadap Motivasi kerja (MO)
3. Budaya Organisasi I (BO) berpenaruh  terhadap Motivasi kerja (MO)

Langkah Analisis regresi dengan Lisrel

Siapkan data input (raw data) dalam format ms.excel atau *sav (SPSS). Kemudian Import data ke dalam aplikasi Lisrel dan simpan dalam folder (saya simpan di folder D:/Kinerja/Data) kemudian lakukan screening data untuk menguji normalitas univariat dan multivariate.

 

Screening  normalitas data

Hasil screening data menunjukkan bahwa nilai p-value skewness dan kurtosis dari masing-masing variabel KK sebesar 0.635, QW sebesar 0.519, BO sebesar 0.530 dan MO sebesar 0.680. Hasil ini membuktikan bahwa ke empat variabel tersebut berdistribusi normal multivariat karena nilai p-value < 0.05. Pas test of multivariate normality, terlihat bahwa nilai chi-square sebesar 3.602 dan p-value dari skewness dan kurtosis menunjukkan nilai sebesar 0.165. Karena nilai 0.165 > 0.05 maka terbukti bahwa data berdistribusi normal multivariate.

Selanjutnya membuat Simplis Project.

Klik  File -->New --> Simplis Project --> OK, beri nama : Kinerja

Ketik perintah/syntax di simplis project seperti di bawah ini :

Raw data from file 'D:/Kinerja/Data.psf'

Relationships

Path Diagram

MO = Constan KK QW BO

End of Problem

Baris ke-1 : informasi di mana data mentah (raw data) disimpan yang akan di baca oleh program prelis.

Baris ke-2 : pembatas bahwa informasi mengenai hubungan-hubungan antara variabel terletak setelah relationships.

Baris ke-3 : informasi mengenai persamaan yang akan diestimasi. variabel dependen ditulis di sebelah kanan dan independen ditulis sebelah kiri setelah tanda sama dengan.

Hasil akan terlihat seperti ini.

Syntax Lisrel

Setelah selesai membuat syntax langkah terakhir melakukan running dengan cara : klik Run Lisrel.

Hasil estimasi dan model yang terbentuk terlihat di bawah ini

Model regresi pada Lisrel

 

Hasil output matrik kovarian dari variabel.

 

Covariance MAtrix of Latent variables

Pada tabel covariance matrix di atas merupakan hasil dari data mentah sebagai input data dinamakan juga matrik varians kovarian. Matrik varian kovarian yang terbentuk untuk nilai varian pada masing-masing variabel membentuk garis diagonal, varians MO sebesar 9.91, KK 21.92, QW 12.34, dan BO 1.49. Sedangakan nilai-nilai yang lain merupakan nilai kovarian antar variabel. Oleh sebab itu dinamakan matrik varian kovarian.

Structural Equations

 Pada tabel Structural Equation terlihat bahwa nilai estimasi koefisien pengaruh Kepuasan kerja  (KK) sebesar 0.13 dengan nilai eror 0.084 dan nilai t-statistik sebesar 1.59. Nilai estimasi koefisien pengaruh Quality of network (QW) sebesar 0.32, nilai eror 0,11 dan nilai t-statistik sebesar 2.97. Sedangkan untuk b udaya Organisasi (BO) nilai koefisien pengaruh sebesar 0.23, nilai eror 0.097 dan nilai t-statistik 2.41. Dari hasil tersebut hanya variabel Kepuasan kerja yang tidak berpengaruh signifikan terhadap Motivasi Kerja (MO) karena nilai t-statistik yang diperoleh sebesar 1.59 < 1.96 t-tabel pada taraf signifikansi 5%. Sedangkan Quality of Network (QW) dan Budaya Organisasi (BO) berpengaruh signifikan terhadap Motivasi Kerja (MO) karena nilai t-statistik > 1.96 t-tabel.

Nilai konstanta (intercept) sebesar 18.08, nilai konstanta ini dapat diartikan seperti pada model regresi pada umumnya, bahwa nilai motivasin kerja (MO)n sebesar 18.08 apabilai keluasan kerja, Quality of network dan budaya Organisasi sebesar 0 (nol). Lisrel output akan menampilkan nilai konstanta (intercept) jika input data adalah data mentah (raw data) dan memasukan perintah "constant" di simplis project. Tetapi jika input data dalam covariance matrix nilai kostanta akan ditampilkan output lisrel jika memasukkan data "Mean".

Nilai R-square yang diperoleh Motivasi kerja (MO) sebesar 0.47, artinya bahwa Kepuasan Kerja, Quality of Network dan Budaya Organisasi mampu menjelaskan variasi pada motivasi kerja sebesar 47% (0.47 x 100%).

Goodness Of Fit Statistics

 Pada nilai Goodness of fit menunjukkan bahwa degree of freedom (df) sebesar 0 (nol) karena antara jumlah dinsting sampel dan jumlah dinsting parameter yang diestimasi berjumlah sama. Nilai chi-square sebesar 0 dengan nilai p-value sebesar 1.00 dan model dinyatakan "The fit is perfect".

Baca juga : 

1. Model regresi berganda dengan AMOS

2. Evaluasi Asumsi pada Model SEM

3. Uji Kesesuaian Fit Model SEM 

Referensi :

Byrne, B.M.(1998).Structural Equation Modeling With Lisrel, Prelis and Simplis: basic Concepts, Applications and Programing. New Jersey: Lawrence Erlabaum Associates,Inc

Hoyle,R.H.(2012).Handbook of Structural Equation Modeling.New York and London : The Guillford Press

Ghozali,I dan Fuad.(2014). Structural Equation Modeling : Teori, Konsep dan Aplikasi dengan Program Lisrel 9.10 Edisi 4. Semarang : Badan Penerbit Universitas Diponegoro

Mueller,R.O.(1996). Basci Principles of Structural Equation Modeling :An Introduction to Lisrel and EQS.New York: Springer-Verlag,Inc