Post on 09-Feb-2016
ANALISIS REGRESI LANJUTAN ANALISIS REGRESI DENGAN PEUBAH DUMMY
Oleh :
1. Agustin Dina Iriani (105090504111005)
2. Arista Febry Pratiwi (105090507111001)
3. Sinta Ratna Dewi (105090507111005)
4. Tiara Rizki Arina Putri (105090507111009)
PROGRAM STUDI STATISTIKA
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BRAWIJAYA
MALANG
2013
BAB I
PENDAHULUAN
1.1 Latar Belakang
Seringkali kita dihadapkan pada permasalahan pemodelan regresi yang diambil
dari dua populasi yang berbeda. Ketika karakteristik populasi tersebut tidak sama,
maka akan sangat beresiko jika kita tidak membedakan antara populasi satu dengan
lainnya. Permasalahan seperti ini dapat diatasi dengan penambahan peubah dummy
pada peubah prediktornya.
Regresi dengan peubah dummy telah banyak diaplikasikan dalam berbagai
pemodelan regresi, baik dibidang ekonomi maupun sosial. Tidak hanya untuk
membedakan dua sampel yang berbeda, tetapi bisa juga digunakan untuk membedakan
karakteristik yang diberikan oleh peubah kualitatif maupun membedakan kondisi yang
dianggap memberikan pengaruh terhadap peubah respon. Misalnya, Sappington (1970)
memodelkan harga kentang dengan membedakan kelompok ukurannya yaitu besar,
sedang dan kecil. Hasilnya, selain dipengaruhi oleh berat dari kentang tersebut,
ternyata ukuran kentang juga berpengaruh secara signifikan terhadap harga.
Wahyuningsih (2003) membedakan nilai perdagangan saham pertanian di bursa efek
Jakarta sebelum dan sesudah krisis. Hasil penelitiannya menunjukkan bahwa peubah
dummy yang diberikan oleh 1 = sesudah krisis dan 0 = sebelum krisis memberikan
hasil estimasi parameter yang signifikan. Sehingga dapat disimpulkan bahwa model
regresi sebelum dan sesudah krisis berbeda. Sedangkan Kurniawan (2007)
membandingkan penjualan dari perusahaan swasta asing dan swasta nasional.
Gaji karyawan merupakan salah satu indikator kesejahteraan karyawan baik
untuk membeli keperluan pribadi maupun bukan keperluan pribadi yang banyak
dipengaruhi oleh banyak hal. Beberapa faktor yang diduga berpengaruh terhadap besar
kecilnya gaji karyawan antara lain: masa kerja karyawan dan tingkat pendidikan. Oleh
karena itu, dalam makalah ini akan dibahas apakah faktor-faktor tersebut benar-benar
berpengaruh terhadap besarnya gaji karyawan. Studi kasus dilakukan pada data gaji
karyawan di suatu perusahaan. Dalam makalah ini juga akan diuji apakah ada
perbedaan antara model tingkat pendidikan karyawan untuk lulusan SMA, S1 dan S2
di mana dengan menggunakan peubah dummy.
2
1.2 Rumusan Masalah
Masalah yang terkait dalam makalah ini adalah :
1. Bagaimana menguji jika peubah prediktor berskala ordinal ?
2. Apakah yang dimaksud analisis regresi dengan peubah dummy ?
3. Kapan analisis regresi dengan peubah dummy digunakan ?
4. Bagaimana menerapkan peubah dummy dalam penelitian ?
1.3 Batasan Masalah
Batasan dalam penulisan makalah ini adalah pada penggunaan peubah dummy
dalam kasus regresi berganda. Sedangkan software yang digunakan untuk analisis
regresi berganda dengan peubah dummy dibatasi pada penggunaan software SPSS
16.0.
1.4 Tujuan
Tujuan dari penulisan makalah ini adalah :
1. Untuk mengetahui analisis yang digunakan jika peubah prediktor berskala ordinal.
2. Untuk mengetahui definisi peubah dummy.
3. Untuk mengetahui kapan analisis regresi dengan peubah dummy digunakan.
4. Untuk mengetahui aplikasi dari peubah dummy.
3
BAB II
TINJAUAN PUSTAKA
Regresi, suatu teknik yang sangat luas penggunaannya, sangat terkenal, namun juga
sangat menakutkan. Menakutkan karena keterkenalannya, di tangan yang salah regresi bisa
jadi alat yang sangat mudah dipakai namun juga dengan kesalahan yang mudah
dipraktekkan. Sangat cepat dipakai, namun hal tersebut juga berarti bisa salah dengan cepat
di tangan yang tidak berpengalaman. Regresi sangat sering dipakai, namun juga sangat
sering dipakai secara tidak benar. Seperti semua teknik dalam statistika, if you fit a silly
model, you will get silly result.
Analisis regresi berkenaan dengan studi ketergantungan suatu peubah tak bebas pada
satu atau lebih peubah bebas (explanatory variable), dengan maksud menduga nilai rata-
rata peubah tak bebas. Secara umum, model regresi sederhana dapat dituliskan dalam
bentuk :
(1)
di mana adalah peubah tak bebas, adalah peubah penjelas, menunjukkan nilai
intercept, menunjukkan koefisien regresi dan adalah sisaan.
Dengan analisis regresi, akan diketahui peubah independen yang benar-benar
signifikan mempengaruhi peubah dependen dan dengan peubah independen yang
signifikan tadi dapat digunakan untuk memprediksi nilai peubah dependen. Model regresi
sesungguhnya mengasumsi kan bahwa terdapat hubungan antara peubah dependen dengan
setiap peubah independen (Washington, 2003).
Regresi linear adalah suatu teknik dalam statistika untuk menentukan persamaan
garis secara linear yang dapat meminimasi penyimpangan dan deviasi antara nilai data
yang didapat dari observasi dengan yang didapat dari suatu persamaan regresi. Dalam
regresi linear, terdapat dua macam peubah yaitu (Rencher, 2000) :
1. Peubah X atau independent variable1 adalah peubah yang nilainya tidak tergantung
pada peubah lainnya. Peubah ini memiliki nilai yang sudah pasti (tidak random) dalam
suatu eksperimen.
4
2. Peubah Y atau dependent variable adalah peubah yang nilainya tergantung pada
peubah lainnya yaitu peubah independen. Peubah ini memiliki nilai yang random
dalam suatu eksperimen.
Jika pasangan observasi pengukuran (Xi,Yi) digambarkan, maka kita akan
memperoleh serangkaian titik-titik koordinat yang menghubungkan kedua hasil observasi
yang disebut dengan scatter diagram. Garis yang ditarik melalui titik-titik koordinat hasil
dari suatu observasi dinamakan regression line (Wahyuningsih, 2003).
2.1 Analisis Regresi Berganda
Regresi linier berganda adalah analisis regresi yang menjelaskan hubungan
antara peubah respon (peubah dependen) dengan faktor-faktor yang mempengaruhi
lebih dari satu peubah prediktor (peubah independen). Regresi linier berganda hampir
sama dengan regresi linier sederhana, hanya saja pada regresi linier berganda peubah
bebasnya lebih dari satu peubah penduga. Tujuan analisis regresi linier berganda
adalah untuk mengukur intensitas hubungan antara dua peubah atau lebih dan
membuat prediksi perkiraan nilai Y atas X (Rencher, 2000).
Dengan cara menggeneralisasi persamaan (1), maka untuk regresi dengan k
peubah bebas diformulasikan sebagai berikut :
(2.a)
atau jika dituliskan dalam bentuk matriks :
(2.b)
dengan :
, , dan
di mana,
= vektor kolom observasi dari peubah tak bebas
5
= matriks yang memberikan observasi atas peubah sampai
dengan , kolom pertama yang terdiri atas angka 1 menunjukkan intersep
= vektor kolom dari parameter yang tidak diketahui , , … ,
= vektor kolom dari sisaan
Ada beberapa asumsi yang harus dipenuhi pada regresi linier berganda, antara
lain (Kutner, 2004 dan Gujarati, 1978) :
1. Nilai rata-rata sisaan adalah nol, = 0, untuk tiap .
2. Varians sisaan adalah konstan atau homoskedastisitas, = , .
3. Tidak ada autokorelasi dalam sisaan, cov = 0.
4. Peubah penjelas adalah nonstokhastik atau tetap (fixed) dalam penyampelan
berulang.
5. Tidak ada multikolinearitas diantara peubah penjelas.
6. Sisaan berdistribusi normal .
2.2 Penaksiran Parameter
Untuk menaksir parameter dalam model regresi, maka dapat digunakan metode
ordinary least square (OLS). Metode ini tidak membutuhkan asumsi distribusi
tertentu. Prinsip dasar dalam OLS adalah meminimumkan jumlah kuadrat sisaan. Dari
persamaan (2.b), sisaan dapat dinyatakan sebagai (Gujarati, 1978) :
(3)
dan kuadrat sisaan dinyatakan dengan
6
(4)
Untuk mendapatkan taksiran yang meminimumkan dilakukan dengan
menurunkan terhadap sehingga :
(5)
sehingga diperoleh persamaan normal :
(6)
Dengan menyelesaikan persamaan (6) diperoleh:
(7)
Untuk memenuhi persamaan (7) masih diperlukan syarat cukup yaitu harus
merupakan keluarga matriks simetris definit positif.
2.3 Regresi dengan Peubah Dummy
Dalam analisis regresi, seringkali peubah respon tidak hanya dipengaruhi oleh
peubah yang bersifat kuantitatif, tetapi bisa juga dipengaruhi oleh peubah yang bersifat
kualitatif. Peubah yang bersifat kualitatif seperti : jenis kelamin, suku, agama, kejadian
politik, dan lain-lain tersebut perlu di buat kuantitatif dengan membentuk peubah baru
yang bernilai 0 atau 1. Dimana 0 menunjukkan ketidakhadiran ciri tersebut, sedangkan
1 menunjukkan adanya ciri tersebut. Pemberian label tersebut dimaksudkan untuk
mengubah kategori huruf (Alfabet) menjadi kategori Angka (Numerik), sehingga
memudahkan analisis data. Cara ini dijumpai dalam Uji Q Cochran pada pengujian
hipotesis (Kurniawan, 2007).
Peubah seperti ini disebut peubah dummy atau dapat juga disebut peubah
indikator, peubah biner, peubah dikotomus, dan peubah kualitatif. peubah dummy
dapat digunakan dalam model regresi semudah peubah kuantitatif. Peubah ini bukan
jenis lain dari peubah dependen-independen, namun menunjukkan sebuah peubah
yang nilainya telah ditentukan oleh peneliti. Kutner (2004) mendefinisikan dummy
7
variable sebagai sebuah peubah nominal yang digunakan di dalam regresi berganda dan
diberi kode 0 dan 1. Nilai 0 biasanya menunjukkan kelompok yang tidak mendapat
sebuah perlakuan dan nilai 1 menunjukkan kelompok yang mendapat perlakuan.
Dalam sebuah model regresi, bisa saja semua peubah prediktor merupakan peubah
dummy, atau gabungan dari peubah kuantitatif dan dummy, sebagaimana dituliskan
dalam persamaan regresi berikut :
(9)
Dengan mengansumsikan bahwa = 0, maka diperoleh nilai ekspektasi dari
peubah respon untuk masing-masing sebagai berikut :
(10.a)
dan
(10.b)
dengan kata lain bahwa fungsi dalam hubungannya dengan mempunyai
kemiringan yang sama ( ) tetapi intersep berbeda untuk tiap-tiap . Dalam regresi
dengan peubah dummy, jika suatu peubah kualitatif mempunyai m kategori, maka
digunakan hanya m – 1 peubah dummy. Jika tidak dipenuhi, maka akan terjadi
multikolinearitas sempurna (perfect multicolinearity).
Regresi dengan peubah bebasnya hanya peubah dummy atau yang sifatnya
kualitatif disebut Analysis of Variance (ANOVA). Dalam ekonometrik, seringkali kita
menjumpai suatu model yang regressor-nya terdiri dari peubah kuantitatif dan
kualitatif. Regresi yang regressor-nya merupakan campuran antara peubah
kuantitatif dan peubah kualitatif disebut model Analysis of Covariance (ANCOVA)
(Sappington, 1970).
2.4 Membandingkan Dua Regresi dengan Peubah Dummy
Seringkali model regresi dengan peubah dummy mengasumsikan bahwa peubah
kualitatif hanya mempengaruhi intersep tetapi tidak mempengaruhi koefisien
kemiringan dari berbagai regresi subkelompok. Tetapi asumsi kekonstanan koefisien
kemiringan antar kelompok dapat diuji dengan peubah dummy.
8
Misalkan regresi dilakukan pada dua data terpisah berdasarkan kelompok
dummy-nya sebagai berikut (Gujarati, 1978) :
(11.a)
dan
(11.b)
Maka regresi pada (11.a) dan (11.b) menyajikan empat kemungkinan sebagai
berikut:
1. dan , artinya kedua regresi identik.
2. tetapi , artinya kedua regresi hanya berbeda pada intersep,
tetapi koefisien kemiringannya sama.
3. tetapi , artinya kedua regresi mempunyai intersep yang sama
tetapi koefisien kemiringannya berbeda.
4. dan , artinya kedua regresi tersebut sama sekali berbeda.
Semua kemungkinan tersebut dapat diuji jika kita mengelompokkan semua
observasi dan bersama-sama dan menaksir regresi berikut :
(12)
dengan peubah tambahan . Dengan mengasumsikan = 0 diperoleh:
(13.a)
dan
(13.b)
Berdasarkan persamaan (12.a) dan (12.b), maka dapat disimpulkan bahwa
, , , dan . Jadi mengestimasi persamaan
(12) sama dengan mengestimasi dua persamaan (13.a) dan (13.b).
Keuntungan penaksiran dengan satu persamaan pada (12) dibandingkan dengan
dua persamaan (13.a) dan (13.b) adalah regresi tunggal tersebut dapat digunakan untuk
9
menguji berbagai hipotesis. Jadi jika koefisien intersep tidak signifikan secara
statistik, maka hipotesis bahwa kedua regresi tersebut mempunyai intersep yang sama
gagal ditolak. Jika koefisien kemiringan tidak signifikan secara statistik, maka
hipotesis bahwa kedua regresi tersebut mempunyai kemiringan yang sama gagal
ditolak. Sedangkan pengujian hipotesis secara simultan dapat dilakukan
dengan teknik ANOVA (Gujarati, 1978).
BAB III
CONTOH KASUS DAN METODOLOGI
10
3.1 Contoh Kasus
Berikut ini adalah data pengaruh masa kerja dan tingkat pendidikan terhadap gaji
yang diterima karyawan. Tingkat pendidikan merupakan peubah kategori yang terdiri
dari SMA, S1 dan S2. Datanya sebagai berikut :
Tabel 1. Data Pengaruh Masa Kerja dan Tingkat Pendidikan
No.Gaji Masa Kerja Tingkat Pendidikan
D1i D2i(Yi) (X1i) (X2i)1 6.50 12 S1 1 02 6.50 12 S1 1 03 6.25 12 S1 1 04 6.25 11 S1 1 05 5.50 12 S1 1 06 5.50 8 S1 1 07 6.00 7 S1 0 18 5.25 8 S1 1 09 4.50 8 S1 1 010 5.00 8 S2 0 111 5.25 6 S1 1 012 4.25 8 S1 1 013 5.50 8 S1 1 014 4.00 5 S2 0 115 4.00 7 S2 0 116 3.75 2 S2 0 117 6.00 4 S2 0 118 5.00 6 S2 0 119 3.75 2 S2 0 120 3.75 2 S2 0 121 4.75 3 S2 0 122 4.00 2 S2 0 123 4.00 2 S2 0 124 5.00 2 S2 0 125 6.00 7 S2 0 126 5.75 7 S2 0 127 4.00 7 S2 0 128 4.75 5 S2 0 129 6.00 12 S1 1 030 4.75 10 S2 0 131 4.00 8 SMA 0 032 4.00 9 SMA 0 033 4.00 12 SMA 0 034 4.00 3 SMA 0 0
11
35 4.50 4 SMA 0 036 5.50 5 SMA 0 037 4.25 9 SMA 0 038 4.50 6 SMA 0 039 4.75 6 SMA 0 040 4.00 6 SMA 0 041 4.00 6 SMA 0 042 4.00 4 SMA 0 043 4.25 1 SMA 0 044 3.25 2 SMA 0 045 3.25 1 SMA 0 0
Beberapa peubah yang digunakan adalah :
1. Peubah Respon
Y = Gaji Bulanan Karyawan (juta rupiah)
2. Peubah Prediktor
X1 = Masa Kerja (tahun)
X2 = Tingkat Pendidikan
3. Peubah Dummy
D1 = 1 jika S1, 0 jika tidak
D2 = 1 jika S2, 0 jika tidak
Diasumsikan tidak ada kebijakan kenaikan gaji pada masa penelitian
3.2 Metodologi
Langkah-langkah yang digunakan untuk analisis regresi dengan peubah dummy
menggunakan software SPSS 16.0 sebagai berikut :
1. Buka software SPSS 16.0. Sebelum mengetik data pada kotak Data View, buka
kotak Variable View untuk memberikan nama pada kolom dari data yang akan
dimasukkan ke SPSS 16.0.
2. Kemudian masukkan data yang akan dianalisis regresi dengan peubah dummy pada
kotak Data View.
12
3. Klik Analyze Regression Linear.
Kemudian akan muncul kotak dialog sebagai berikut.
13
Pada kotak dialog Linear Regression, masukkan peubah Y pada kotak Dependent
dan pada kotak Independent(s) masukkan peubah D1, D2 dan X2. Kemudian klik
OK.
14
BAB IV
HASIL DAN PEMBAHASAN
Berdasarkan analisis regresi dengan peubah dummy menggunakan software SPSS
16.0 didapatkan output sebagai berikut :
Uji Simultan
Hipotesisnya adalah :
H0 : 1 = 2 = 3 = 0
H1 : Paling tidak terdapat satu i, dimana i 0
Berikut output tabel ANOVA dengan menggunakan Metode Kuadrat Terkecil :
Tabel 2. Analisis Ragam (ANOVA)
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 18.194 3 6.065 13.964 .000a
Residual 17.806 41 .434
Total 36.000 44
a. Predictors: (Constant), D2, Masa, D1
b. Dependent Variable: Gaji
Dari output pengujian secara simultan di atas dapat diketahui bahwa nilai
statistik uji F (13.964) lebih besar dari F0.05,3,41 (2.84) dan p-value kurang dari
maka diputuskan untuk menolak H0. Dengan demikian dapat dikatakan
bahwa paling tidak ada satu peubah prediktor yang berpengaruh terhadap peubah
respon dengan taraf nyata 5%.
Uji Parsial
Hipotesisnya adalah :
H0 : i = 0, untuk i = 1,2,3 (peubah prediktor secara individu tidak berpengaruh
secara signifikan terhadap peubah respon).
15
H1 : i ≠ 0, untuk i = 1,2,3 (peubah prediktor secara individu berpengaruh secara
signifikan terhadap peubah respon).
Dengan menggunakan Metode Kuadrat Terkecil dihasilkan pengujian setiap peubah
prediktor X secara individu.
Tabel 3. KoefisienCoefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
t Sig.
Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 3.531 .267 13.238 .000
Masa .113 .038 .421 3.016 .004 .620 1.614
D1 .596 .231 .326 2.576 .014 .751 1.332
D2 .969 .302 .479 3.211 .003 .542 1.845
a. Dependent Variable: Gaji
Pada tabel 3 dapat dilihat bahwa nilai VIF peubah prediktor X1 (masa kerja), D1
dan D2 nilainya berturut-turut adalah 1.614, 1.332 dan 1.845, di mana nilai tersebut
kurang dari 10. Hal ini menunjukkan bahwa dari ketiga peubah prediktor tersebut
tidak terjadi multikolinieritas.
Dari output pengujian secara parsial pada tabel 3 diketahui bahwa nilai statistik
uji t pada peubah X1 (masa kerja), D1, dan D2 adalah lebih dari t0.025,44 (2.014). Selain
itu, dengan melihat nilai p-value untuk peubah X1 (masa kerja), D1 dan D2 kurang dari
. Berdasarkan dua kriteria di atas pada peubah X1 (masa kerja), D1 dan D2
dapat diambil keputusan untuk menolak H0. Dengan demikian sudah cukup bukti untuk
mengatakan bahwa peubah prediktor X1 (masa kerja), D1 dan D2 yang diuji secara
individu berpengaruh secara signifikan terhadap peubah respon Y dengan taraf nyata
5%. Dengan menggunakan Metode Kuadrat Terkecil, didapatkan persamaan regresi :
= 3.531 + 0.113 + 0.596 (D1i) + 0.969 (D2i)
= 3.531 + 0.113 (masa kerja) + 0.596 (D1i) + 0.969 (D2i)
di mana,
D1i = 1 jika amatan ke-i lulusan S1 (karyawan), 0 jika tidak
D2i = 1 jika amatan ke-i lulusan S2 (karyawan), 0 jika tidak
16
Dengan membedakan nilai dummy D1 dan D2, maka diperoleh tiga model regresi
sebagai berikut:
Untuk karyawan dengan tingkat pendidikan lulusan SMA (D1i = 0, D2i = 0)
Untuk karyawan dengan tingkat pendidikan lulusan S1 (D1i = 1, D2i = 0)
Untuk karyawan dengan tingkat pendidikan lulusan S2 (D1i = 0, D2i = 1)
Dari persamaan di atas tampak bahwa mengukur nilai duga dari peubah Y
(gaji karyawan) bagi karyawan lulusan SMA yang belum mempunyai masa kerja.
Untuk mengukur kenaikan nilai duga peubah Y (gaji karyawan) jika masa kerja
bertambah 1 tahun. Untuk mengukur perbedaan nilai duga dari peubah Y (gaji
karyawan) bagi karyawan lulusan S1 dengan karyawan lulusan SMA, jika masa
kerjanya (X1) sama. Sedangkan untuk mengukur perbedaan nilai duga dari peubah
Y (gaji karyawan) bagi karyawan lulusan S2 dengan karyawan lulusan SMA, jika
masa kerjanya (X1) sama.
Untuk melihat perbedaan nilai duga gaji karyawan antara lulusan SMA, S1 dan
S2 dengan memisalkan masa kerja yaitu 12 tahun, maka :
a. Untuk karyawan lulusan SMA (D1i = 0, D2i = 0)
juta per bulan
b. Untuk karyawan lulusan S1 (D1i = 1, D2i = 0)
17
juta per bulan
c. Untuk karyawan lulusan S2 (D1i = 0, D2i = 1)
juta per bulan
Jadi, berdasarkan persamaan regresi yang diperoleh dapat disimpulkan bahwa :
Karyawan lulusan S1 mempunyai gaji lebih besar 0.596 juta per bulan daripada
karyawan lulusan SMA.
Karyawan lulusan S2 mempunyai gaji lebih besar 0.969 juta per bulan daripada
karyawan lulusan SMA.
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Model regresi dengan peubah dummy memberikan hasil analisis yang lebih
mendalam terhadap data yang berasal dari sampel atau populasi yang berbeda. Jika
data tersebut tidak dibedakan dengan peubah dummy, tentu saja tidak akan bisa
diketahui perbedaan antar sampel atau populasi yang berbeda-beda tersebut. Pada
pembahasan sebelumnya, analisis regresi dilakukan dengan menggunakan dua peubah
dummy.
Pada analisis regresi dengan dua peubah dummy, dapat disimpulkan bahwa gaji
karyawan untuk ketiga kelompok yaitu kelompok lulusan SMA, S1, dan S2 berbeda,
yang ditunjukkan dari nilai slope yang sama antara tiga model regresi yang diperoleh.
Model regresi yang diperoleh :
Untuk karyawan dengan tingkat pendidikan SMA (D1i = 0, D2i = 0)
* masa kerja
Untuk karyawan dengan tingkat pendidikan S1 (D1i = 1, D2i = 0)
* masa kerja
Untuk karyawan dengan tingkat pendidikan S2 (D1i = 0, D2i = 1)
* masa kerja
18
5.2 Saran
Dalam beberapa kasus model regresi terdapat penggunaan peubah independen
yang bersifat kualitatif. Data kualitatif harus berbentuk data kategorik terlebih dahulu,
sebelum dianalisis regresi secara langsung yaitu dengan menambahkan peubah
dummy. Peubah kualitatif ini bisa dalam bentuk kelas, kelompok atau tingkatan. Perlu
diperhatikan teknik menyusun peubah dummy dalam analisis regresinya. Untuk
menyusun peubah dummy, maka perlu menentukan terlebih dahulu banyaknya peubah
dummy yang digunakan. Banyaknya peubah dummy yang digunakan adalah sebanyak
kategori dikurangi satu. Dengan adanya peubah dummy, maka besaran atau nilai
peubah yang bersifat kualitatif tersebut dapat di ukur dan diubah menjadi kuantitatif.
DAFTAR PUSTAKA
Gujarati, D. 1978. Basic Econometrics. McGraw-Hill, Inc. New York.
Kurniawan, D. 2007. Analisis Regresi Linier dengan Menggunakan Peubah Dummy.
http://ineddeni.wordpress.com. Diakses pada tanggal 1 Mei 2013.
Kutner, M.H., Nachtsheim, C.J., dan Neter, J. 2004. Applied Linear Regression Models.
Fourth Edition. McGraw-Hill Companies, Inc. New York.
Rencher, A.C. 2000. Linear Models in Statistics. John Wiley & Sons, Inc., New York.
Sappington, C. 1970. A Numerical Example of the Practical Use of Dummy Variables,
Southern Journal of Agricultural Economics, Vol. 12, hal. 197-201.
Wahyuningsih, S. 2003. Faktor-Faktor yang Mempengaruhi Nilai Perdagangan Saham
Pertaniandi Bursa Efek Jakarta Sebelum dan Sesudah Krisis Ekonomi. Skripsi.
Sekolah Tinggi Ilmu Statistik. Jakarta.
Washington, S.P., Karlaftis, M.G., Mannering, F.l. 2003. Statistical and Econometric
Methods for Transportation Data Analysis. Chapman & Hall, USA.
www.ats.ucla.edu/stat/stata/webbooks/logistik. Diakses pada tanggal 1 Mei 2013.
19