Merdeka.com - Regresi adalah salah satu metode untuk menentukan hubungan sebab-akibat antara variabel dengan variabel lainnya. Dalam analisis regresi sederhana, hubungan antara variabel bersifat linier, di mana perubahan pada variabel X akan diikuti oleh perubahan pada variabel secara tetap. Sedangkan dalam hubungan nonlinier, perubahan X tidak diikuti dengan perubahan variabel Y secara proporsional.

Melansir dari lifepal.co.id, metode analisis regresi digunakan untuk menghasilkan hubungan antara dua variabel atau lebih dalam bentuk numerik. Adapun persamaan regresi ini merupakan persamaan garis yang paling mewakili hubungan antara dua variabel tersebut. Regresi dibagi menjadi beberapa jenis, yakni regresi sederhana, regresi nonlinier, dan regresi berganda.

Di samping itu, dalam memperkirakan hubungan antar variabel, biasanya terlebih dahulu membuat sebuah asumsi mengenai bentuk hubungan yang dinyatakan dalam fungsi tertentu. Umumnya, hal tersebut bisa dicek setelah hubungan diperkirakan.

Lantas, apa sebenarnya yang dimaksud dengan regresi dan bagaimana penerapannya? Simak ulasannya yang merdeka.com lansir dari lifepal.co.id berikut ini.

Mengenal Analisis Regresi

©2015 Merdeka.com/Angeline Agustine

Regresi adalah suatu metode analisis yang biasa digunakan untuk melihat pengaruh antara dua atau banyak variabel. Umumnya, analisis regresi digunakan untuk melakukan prediksi atau ramalan. Sedangkan, hubungan variabel tersebut bersifat fungsional yang diwujudkan dalam suatu model matematis.

Selain itu, analisis regresi juga dipakai untuk memahami variabel yang berhubungan dengan variabel terkait untuk mengetahui bentuk-bentuk hubungan tersebut. Secara umum, manfaat penggunaan analisis regresi untuk mengetahui variabel-variabel kunci yang memiliki pengaruh terhadap suatu variabel bergantung pemodalan, pendugaan, atau peramalan.

Manfaat Analisis Regresi

Analisis regresi memiliki banyak manfaat untuk semua bidang, baik ekonomi, industri, pemerintahan, hingga ilmu lingkungan.

Berikut ini beberapa manfaat yang bisa didapatkan dengan melakukan penerapan analisis regresi.

• Meramalkan nilai rata-rata varibel bebas yang didasari nilai variabel bebas di luar jangkauan sample.

• Menguji hipotesis karakteristik dependensi.

• Membuat estimasi rata-rata dan nilai variabel berdasarkan nilai variabel bebas.

Mengenal Analisis Regresi Sederhana

©Pixabay/sasint

Analisis regresi sederhana merupakan metode pendekatan untuk pemodalan hubungan antara satu variabel dependen dan satu variabel independen. Dalam analisis regresi sederhana, hubungan antara variabel bersifat linier, di mana perubahan pada variabel X akan diikuti oleh perubahan variabel Y secara tetap.

Sedangkan, pada hubungan nonlinier, perubahan variabel X tidak diikuti dengan perubahan variabel yang proporsional. Seperti halnya pada model kuadratik, di mana perubahan X akan diikuti oleh kuadrat dari variabel X, hubungan tersebut tidak bersifat linier.

Adapun secara sistematis, bentuk analisis regresi linier sederhana memilik gambaran seperti berikut:

Y= A+ BX+ e

Y = variabel dependen atau response.

A = intercept atau konstanta.

B = koefisien regresi atau slope.

e = residual atau error.

Model Regresi Linier

Model regresi linier sederhana yang ideal harus memenuhui beberapa asumsi-asumsi seperti berikut:

1. Eksogenitas yang lemah

Dalam model regresi linier memberi syarat bahwa variabel X bersifat tetap, sementara variabel Y bersifat acak atau berubah. Di mana satu nilai variabel X akan memprediksi variabel Y sehingga ada kemungkinan beberapa variabel Y. Dengan begitu, harus ada nilai kesalahan pada variabel Y.

2. Linieritas

Kenaikan variabel X harus diikuti dengan cara proporsional oleh kenaikan variabel Y. Apabila dalam pengujian linieritas tidak terpenuhi, maka dapat melakukan transformasi data atau memakai bentuk kuadratik atau model lainnya yang sesuai dengan bentuk hubungan non linier.

3. Varians error yang konstan

Varians eror perlu konstan karena jika konstan maka variabel error dapat membentuk model sendiri dan menganggu model utama. Sehingga penanggulangan permasalahan heteroskedastisitas bisa diatasi dengan menambahkan model varians error ke dalam model ARCH/GARCH.

4. Autokorelasi untuk data time series

Apabila kita memakai analisis regresi sederhana untuk data time series atau data yang disusun berdasarkan urutan waktu, maka terdapat asumsi yang harus dipenuhi, yakni asumsi autokorelasi. Asumsi ini melihat pengaruh variabel lag waktu sebelumnya terhadap variabel Y.