More Related Content
Similar to Aminullah Assagaf_P9-P12_Ekonometrics & Multivariate Statitics_LENGKAP 25_14 Sept 2024_LENGKAP - Copy (3).pptx (20)
More from Aminullah Assagaf (20)
Recently uploaded (20)
Aminullah Assagaf_P9-P12_Ekonometrics & Multivariate Statitics_LENGKAP 25_14 Sept 2024_LENGKAP - Copy (3).pptx
- 1. 1_URL: https://scholar.google.com/citations?user=EFBaeOsAAAAJ&hl=en&oi=ao 2_gen.lib.rus.ec: http://libgen.rs/search.php?req=principles+of+managerial+finance&open=0&res= 25&view=simple&phrase=1&column=title 3_際際滷share: https://www2.slideshare.net/search/slideshow?searchfrom=header&q=aminullah +assagaf+&ud=any&ft=all&lang=**&sort= 4_Youtube_ https://www.youtube.com/channel/UC26u-Ys3fjKlcJAACrsnAeQ/videos Ekonometrics & Multivariate Statistics 4 Juli 2024 Dosen: Prof. Dr. Dr. H. Aminullah Assagaf, SE., MS., MM., M.Ak HP: 08113543409, Email: assagaf29@yahoo.com 5_File di 際際滷share /slideshow/aminullah-assagaf_ekonometrics-m ultivariate-statitics_lengkap-25_3-agustus-2024-pdf/270705416
- 2. CONTENT 14. Persamaan Regresi 15. Uji Statistik F 16. Uji Statistik t 17. Koefisien Determinan (Adjusted R2 ) 18. Uji path (Uji pengaruh tidak langsung melalui variabel intervening) 19. Uji SOBEL (uji variabel INTERVENING) 20. Drop outlier (Bias), data tdk berdistribusi normal 21. Regresi Data Panel & Perhitungan dengan EVIEWS 22. Uji Data Panel (Versi : Eviews 13) 23. Perbandingan PLS, SPSS, Manual (Perhitungan & Prediksi) 24. Regresi dengan Program STATA 25. Uji Satu Arah dan Dua Arah 1) Variabel Penelitian 2) Kerangka Konseptual 3) Hipotesis 4) Populasi dan Sampel 5) Uji Validity 6) Uji Reliability 7) Uji Multicollinearity 8) Uji Autocorrelation 9) Uji Heteroscedasticity 10) Uji Normaliity 11) Uji Linearity 12) Statistik Descriptif 13) Correlation Link 際際滷share: File PPT dan PDF /slideshow/aminullah-assagaf_ekonometrics-multivariate-statitics_leng kap-25_3-agustus-2024-pdf/270705416
- 4. 8) STATISTIK DESCRIPTIF Statistika adalah suatu ilmu yang mempelajari tentang cara-cara pengumpulan data, penyajian daata, analisis dan interpretasi tentang data terseut. Seorang yang belajar statistika biasanya bekerja dengan data numerik yang berupa hasil cacahan ataupun hasil pengukuran, atau mungkin dengan data kategorik yang diklasifikasikan menurut kriteria tertentu. Setiap informasi yang tercatat dan terkumpul, baik numerik dan kategorik disebut pengamatan. Metode statistika adalah prosedur-prosedur yang digunakan dalam pegumpulan, penyajian, analisis, dan penafsiran data. Metode-metode tersebut dikelompokkan dalam dua kelompok besar, yaitu: 1. Statistika Deskriptif 2. Statistika Inferensial
- 5. STATISTIK DESKRIPTIF Statistik deskriptif adalah metode-metode yang berkaitan dengan pengumpulan dan Penyajian suatu gugus data sehingga memberikan informasi yang berguna. (Ronald E. walpole) Statistik deskriptif adalah metode yang sangat sederhana. Metode ini hanya mendeskripsikan kondisi dari data dalam bentuk tabel diagram grafik dan bentuk lainnya yang disajikan dalam uraian-uraian singkat dan terbatas. Statistika deskriptif memberikan informasi hanya mengenai data tsb dan sama sekali tidak menarik kesimpulan apapun tentang data tersebut.
- 6. STATISTIK INFERENSIAL Statistik inferensial adalah sebuah sebuah metode yang dapat digunakan untuk menganalisis kelompok kecil data dari data induknya (sample yang diambil dari populasi) sampai pada peramalan dan penarikan kesimpulan terhadap kelompok data induknya atau populasi. Statistika inferensial merupakan cakupan seluruh metode yang berhubungan dengan analisis sebagian data untuk kemudian sampai pada peramalan atau penarikan kesimpulan mengenai keseluruhan data induk (populasi) tersebut. Generalisasi yang berhubungan dengan inferensia statistik selalu mempunyai sifat tidak pasti, karena kita mendasarkan pada informasi parsial yang diperoleh dari sebagian data. Sehingga yang didapat hanya peramalan.
- 7. CONTOH STATISTIKA INFERENSIA Catatan kelulusan selama lima tahun terakhir pada sebuah universitas negeri di Sumatra Barat menunjukkan bahwa 72% diantara mahasiswa S1 lulus dengan nilai yang memuaskan. Nilai numerik 72% merupakan bentuk suatu statistika deskriptif. Jika berdasarkan ini kemudian seorang mahasiswa Teknik Industri menyimpulkan bahwa peluang dirinya akan lulus dengan nilai yang memuaskan adalah lebih dari 70%, maka mahasiswa tersebut telah melakukan inferensia statistika yang tentu saja memiliki sifat yang tidak pasti
- 8. PERBEDAAN ANTARA STATISTIK DESKRIPTIF DAN STATISTIK INFERENSIA Statistik deskriptif hanya terbatas dalam menyajikan data dalam bentuk tabel, diagram, grafik, dan besaran lain Sedangkan statistik inferensial selain mencakup statistik deskriptif juga dapat digunakan untuk melakukan estimasi dan penarikan kesimpulan terhadap populasi dari sampelnya. Untuk sampai pada penarikan kesimpulan statistik inferensia melalui tahap uji hipotesis dan uji statistik.
- 9. 3) STATISTIK DESKRIPTIF Contoh: variabel Y, X1 dan X2 berikut ini Langkah (SPSS): AnalysisDescriptives statistics Descriptives pindahkan semua variabel ke kanan kontak variable (s)Ok Hasil SPSS N Minimum Maximum Mean Std. Deviation Y 25 37.00 80.00 56.1200 14.14013 X1 25 29.00 75.00 46.6000 16.22498 X2 25 40.00 88.00 63.6400 13.90108 Valid N (listwise) 25 Descriptive Statistics
- 10. n Y X1 X2 1 37 29 40 2 37 29 45 3 39 30 46 4 40 30 47 5 39 30 48 6 42 31 50 7 42 31 52 8 43 31 54 9 50 35 55 10 51 36 58 11 52 38 61 12 53 39 63 13 55 42 64 14 56 44 65 15 58 46 67 16 59 47 68 17 65 59 70 18 67 61 72 19 68 62 74 20 70 64 76 21 72 66 78 22 76 68 82 23 78 70 83 24 80 72 85 25 74 75 88 Contoh: Statistic Desriptif
- 11. P13 Correlation
- 12. 9) CORRELATION Analisis korelasi digunakan untuk mengetahui derajat atau kekuatan hubungan linear antara satu variable dengan variable lain. Dikatakan suatu variable memiliki hubungan dengan variable lain jika perubahan suatu variable diikuti dengan perubahan variable lain. Perubahan dapat terjadi dalam bentuk searah atau korelasi positif dan perubahan berlawanan arah atau korelasi negatif. Koefisien korelasi suatu variabel dinyatakan memiliki kekuatan atau derajat hubungan dengan variable lain, dan tidak membedakan antara variable bebas dengan variable terikat.
- 13. 9 CORRELATION Koefisien korelasi menggambarkan keeratan hubungan yang berkisar pada negatif satu (-1) sampai dengan satu (1) Koefisien korelasi -1 atau mendekati -1 maka semakin tinggi nilai X maka semakin rendah nilai Y Sebaliknya bila koefisien korelasi mendekati 1, maka semakin tinggi nilai X semakin besar nilai Y Metode yang digunakan dalam analisis korelasi : a) Korelasi product moment (Pearson) b) Korelasi Rank Spearman c) Korelasi Rank Kendal atau Kendal Tau d) Korelasi dengan koefisien kontingensi
- 15. Korelasi product moment (Pearson) Analisis korelasi product moment digunakan untuk mengetahui hubungan antara variable yang memiliki skala interval atau rasio. Analisis product moment atau Pearson Correlation, digunakan untuk mengetahui seberapa kuat hubungan antara dua variable. Berikut contoh data penelitian, aplikasi SPSS untu analisis korelasi product moment. Langkahnya (SPSS) : Analyze Correlate Bivariate Pindahkan variable X1, X2 dan Y ke kolom Variables Pada Correlatin Coeficient biarkan terpilih Pearson Pada Test of significance jika uji dua sisi biarkan terpilih Two tailed atau pilih one- tiled (bila telah ditunjuk arah korelasi positif) OK Berdasarkan output SPSS, diperoleh (a) koefisien korelasi antar variabel X1 dengan Y= 0.980, dan tingkat sig (2-tailed) 0,000, (b) koefisien korelasi variabel X2 dengan Y = 0,985, dan tingkat sig (2-tailed) 0,000.
- 16. Korelasi product moment (Pearson) Sugiyono (2007) memberikan interpretasi koefisien korelasi, y : 0,00 0,199 : sangat rendah 0,20 0, 399 : rendah 0,40 0,599 : sedang 0,60 0,799 : kuat 0,80 1,000 : sangat kuat Karena tingkat koefisien korelasi (X1 =0,980 dan X2 = 0,985) > 0,80 maka dinyatakan hubungannya sangat kuat. Kemudian tingkat Sig (2- tailed) X1 dan X2 terhadap Y sebesar 0,000< 0,05 atau 5%, maka dinyatakan bahwa terjadi hubungan yang signifikan antara variable bebas X1, X2 dengan Y.
- 18. Korelasi product moment (Pearson) Koefisien korelasi Product Moment dapat dihitung dengan formula : nXY (X) (Y) rxy = ---------------------------------------------------- { nX2 (X)2 } {nY2 (Y)2 } Dimana : rxy = koefisien korelasi n = jumlah pengamatan X = jumlah nilai X Y = jumlah nilai Y
- 20. Reference: https://rumusrumus.com/korelasi-adalah/ Pengertian Korelasi Korelasi atau umumnya disebut koefisien korelasi adalah nilai yang menunjukkan kekuatan dan arah hubungan linier antara dua peubah acak Korelasi Sederhana adalah suatu Teknik Statistik yang dipakai guna mengukur kekuatan hubungan 2 Variabel dan juga untuk bisa mengetahui bentuk hubungan antara 2 Va riabel itu dengan hasil yang sifatnya kuantitatif. Rumus Korelasi Koefisien Korelasi Sederhana pada umumnya disebut juga dengan Koefisien Korelasi Pearson karena memiliki rumus perhitungan Koefisien korelasi sederhana dikemukakan oleh Karl Pearson yaitu seseorang ahli Matematika yang berasal dari Inggris. (Rumus ini disebut juga dengan Pearson product moment) rumus korelasi Keterangan Rumus : n adalah Banyaknya Pasangan data X dan Y 裡x adalah Total Jumlah dari Variabel X 裡y adalah Total Jumlah dari Variabel Y 裡x2 adalah Kuadrat dari Total Jumlah Variabel X 裡y2 adalah Kuadrat dari Total Jumlah Variabel Y 裡xy adalah Hasil Perkalian dari Total Jumlah Variabel X dan Variabel Y
- 21. Bentuk Hubungan Antara 2 Variabel Korelasi Linear Positif (+1) Perubahan Nilai Variabel diikuti perubahan Nilai Variabel yang lainnya secara teratur dengan arah yang sama. Jika Nilai Variabel X mengalami kenaikan, maka Variabel Y juga ikut naik. Jika Nilai Variabel X mengalami penurunan, maka Variabel Y pun ikut turun. Jika Nilai Koefisien Korelasi mendekati +1 (positif Satu) berarti pasangan data Variabel X dan Y mempunyai Korelasi Linear Positif yang kuat. Korelasi Linear Negatif (-1) Perubahan Nilai Variabel diikuti perubahan Nilai Variabel yang lainnya secara teratur tetapi dengan arah yang berlawanan. Jika Nilai Variabel X mengalami kenaikan, maka Variabel Y akan turun. Jika Nilai Variabel X turun, maka Nilai Variabel Y mengalami kenaikan. Apabila Nilai Koefisien Korelasi mendekati -1 maka hal ini menunjukan pasangan data Variabel X dan Variabel Y mempunyai Korelasi Linear Negatif yang kuat/erat. Tidak berkolerasi (0) Kenaikan Nilai Variabel yang satunya terkadang diikuti dengan penurunan Variabel yang lainnya atau terkadang diikuti dengan kenaikan Variable yang lainnya.Arah hubungannya tidak teratur, searah, dan terkadang berlawanan. Apabila Nilai Koefisien Korelasi mendekati 0 (Nol) berarti pasangan data Variabel X dan Y mempunyai korelasi yang sangat lemah atau berkemungkinan tidak berkolerasi
- 23. Koefisien korelasi non-parametrik Koefisien korelasi Pearson adalah statistik parametrik, dan ia kurang begitu menggambarkan korelasi jika asumsi dasar normalitas suatu data dilanggar. Metode korelasi non-parametrik seperti Spearman and Kendall berguna saat distribusi tidak normal. Koefisien korelasi non-parametrik masih kurang kuat jika disejajarkan dengan metode parametrik jika asumsi normalitas data terpenuhi, tetapi cenderung memberikan hasil distrosi ketika asumsi tersebut tak terpenuhi.
- 24. Korelasi Ganda Korelasi pada (multyple correlation) adalah angka yang menunjukkan arah dan kuatnya hubungan antara dua variabel secara bersama-sama atau lebih dengan variabel yang lainya. Pemahaman tentang korelasi ganda bisa dilihat melalui gambar berikut ini. Simbol korelasi ganda adalah R Keterangan gambar : X1 = Kepemimpinan X2 = Tata Ruang Kantor Y = Kepuasan Kerja R = Korelasi Ganda
- 25. Keterangan gambar : X1 = Kesejahteraan pegawai X2 = Hubungan dengan pimpinan X3 = Pengawasan Y = Efektivitas kerja Dari contoh di atas, terlihat bahwa korelasi ganda R, bukan merupakan penjumlahan dari korelasi sederhana yang ada pada setiap variabel (r1-r2-r3). Jadi R (r1+ r2+ r3). Korelasi ganda merupakan hubungan secara bersama-sama antara X1 dengan X2 dan Xn dengan Y. Pada gambar pertama. korelasi ganda merupakan hubungan secara bersama- sama antara variabel kepemimpinan, dan tata ruang kantor dengan kepuasan kerja pegawai
- 26. Kopula dan korelasi Banyak yang keliru dan menganggap bahwa informasi yang diberikan dari sebuah koefisien korelasi cukup mendefinisikan struktur ketergantungan antara peubah acak. Untuk mengetahui adanya ketergantungan antara peubah acak harus dipertimbangkan kopula antara keduanya. Koefisien korelasi bisa didefinisikan sebagai struktur ketergantungan hanya pada beberapa kasus, misalnya pada fungsi distribusi kumulatif pada distribusi normal multivariat Korelasi Parsial Analisis korelasi parsial dipakai untuk mengetahui hubungan antara dua variabel dimana variabel lainnya yang dianggap berpengaruh dikendalikan atau dibuat tetap sebagai variabel kontrol. Nilai korelasi (r) berkisar antara 1 sampai dengan -1, nilai semakin mendekati 1 atau -1 berarti hubungan antara dua variabel akan semakin kuat, sebaliknya jika nilai mendekati 0 berarti hubungan antara dua variabel akan semakin lemah. Nilai positif menunjukkan hubungan searah (X naik maka Y naik) dan nilai negatif menunjukkan bahwa hubungan terbalik (X naik maka Y turun). Data yang dipakai biasanya berskala interval atau rasio. Pedoman untuk memberikan interpretasi koefisien korelasi sebagai berikut: 0,00 0,199 = sangat rendah 0,20 0,399 = rendah 0,40 0,599 = sedang 0,60 0,799 = kuat 0,80 1,000 = sangat kuat
- 32. Langkah-langkah Analisis Korelasi Bivariate Pearson dengan SPSS
- 44. 11) PERSAMAAN REGRESI Persamaan Regresi: I = 硫0 + 硫1X1 + 硫2X2 + 硫3C + e ..(1) Y = 硫0 + 硫1X1 + 硫2X2 + 硫3C + 硫4I + 硫5M + 硫6IM + e ...(2) Dimana: X1 dan X2 = variabel independen; C = variabel control; I = variabel intervening,; M = variabel moderating; IM = interaksi variabel I dengan M; 硫0 = konstanta; 硫1 硫6 = Koefisien regresi; e = error
- 46. Catatan: Variabel - M = moderating - C = control - I = intervening - X1 dan X2 = independent - IM = interaksi I dan M n Y X1 X2 C I M IM 1 37 29 40 26 15 16 232 2 37 29 45 26 15 18 261 3 39 30 46 27 15 18 276 4 40 30 47 28 15 19 282 5 39 30 48 27 15 19 288 6 42 31 50 29 16 20 310 7 42 31 52 29 16 21 322 8 43 31 54 30 16 22 335 9 50 35 55 35 18 22 385 10 51 36 58 41 22 35 752 11 52 38 61 42 23 37 834 12 53 39 63 42 23 38 885 13 55 42 64 44 25 38 968 14 56 44 65 45 26 39 1030 15 58 46 67 46 28 40 1110 16 59 47 68 47 28 41 1151 17 65 59 70 52 35 42 1487 18 67 61 72 60 49 50 2460 19 68 62 74 61 50 52 2569 20 70 64 76 63 51 53 2724 21 72 66 78 65 53 55 2883 22 76 68 82 68 54 57 3123 23 78 70 83 70 56 58 3254 24 80 72 85 72 58 60 3427 25 74 75 88 67 60 62 3696 Contoh: Persamaan Regresi
- 47. 11) PERSAMAAN REGRESI Standardized Coefficients B Std. Error Beta (Constant) -5.356 4.299 -1.246 .227 X1 .861 .160 .835 5.390 .000 X2 -.444 .165 -.369 -2.698 .013 C .542 .206 .518 2.630 .016 a. Dependent Variable: I Coefficients a Model Unstandardized Coefficients t Sig. 1 Persamaan Regresi: I = 硫0 + 硫1X1 + 硫2X2 + 硫3C + e ..(1) I = - 5.356 + 0.861 X1 0.444 X2 + 0.542 C
- 48. 11) PERSAMAAN REGRESI Standardized Coefficients B Std. Error Beta (Constant) 30.673 1.685 18.205 .000 I .814 .048 .963 17.052 .000 Coefficients a Model Unstandardized Coefficients t Sig. 1 a. Dependent Variable: Y Persamaan Regresi: Y = 硫0 + 硫1I + e ..(2) Y = 30.673 + 0.814 I
- 49. 11) PERSAMAAN REGRESI Standardized Coefficients B Std. Error Beta (Constant) 19.234 4.817 3.993 .001 I .683 .394 .808 1.734 .098 M .655 .116 .722 5.639 .000 IM -.006 .005 -.538 -1.177 .252 1 a. Dependent Variable: Y Coefficients a Model Unstandardized Coefficients t Sig. Persamaan Regresi: Y = 硫0 + 硫1I + 硫2M + 硫3IM + e ..(3) Y = 19.234 + 0.683 I + 0.655 M 0.006 IM
- 50. 11) PERSAMAAN REGRESI Standardized Coefficients B Std. Error Beta (Constant) -1.613 1.152 -1.400 .178 X1 .223 .036 .255 6.251 .000 X2 .320 .034 .315 9.307 .000 C 1.186 .043 1.342 27.838 .000 I -.321 .072 -.380 -4.476 .000 M -.430 .033 -.474 -12.852 .000 IM -.001 .001 -.068 -1.086 .292 Model Unstandardized Coefficients t Sig. 1 a. Dependent Variable: Y Coeffi cients a Persamaan Regresi: Y = 硫0 + 硫1X1 + 硫2X2 + 硫3C + 硫4I + 硫5M + 硫6IM + e ...(4) Y = -1,613 + 0.223 X1 + 0.320 X2 + 1.186 C 0.321 I 0.430 M 0.001 IM
- 52. 12) UJI STATISTIC F Sum of Squares df Mean Square F Sig. Regression 4797.105 6 799.517 9373.853 .000 b Residual 1.535 18 .085 Total 4798.640 24 ANOVA a Model 1 a. Dependent Variable: Y b. Predictors: (Constant), IM, X2, M, X1, C, I Sum of Squares df Mean Square F Sig. Regression 6612.490 3 2204.163 434.420 .000 b Residual 106.550 21 5.074 Total 6719.040 24 ANOVA a Model 1 a. Dependent Variable: I b. Predictors: (Constant), C, X2, X1
- 54. 13) UJI STATISTIK t Standardized Coefficients B Std. Error Beta (Constant) -1.613 1.152 -1.400 .178 X1 .223 .036 .255 6.251 .000 X2 .320 .034 .315 9.307 .000 C 1.186 .043 1.342 27.838 .000 I -.321 .072 -.380 -4.476 .000 M -.430 .033 -.474 -12.852 .000 IM -.001 .001 -.068 -1.086 .292 Model Unstandardized Coefficients t Sig. 1 a. Dependent Variable: Y Coefficients a
- 56. 14) KOEFISIEN DETERMINAN (ADJUSTED R2 ) R R Square Adjusted R Square Std. Error of the Estimate 1 .986 a .971 .967 2.56348 Model S ummary Model a. Predictors: (Constant), IM, M, I R R Square Adjusted R Square Std. Error of the Estimate 1 1.000 a 1.000 1.000 .29205 Model a. Predictors: (Constant), IM, X2, M, X1, C, I Model S ummary
- 57. P18 Uji path (Uji pengaruh tidak langsung melalui variabel intervening)
- 58. W a s s a l a m