📈 Bagian 1: Regresi Linear Sederhana — Intercept & Slope
🤔 Model Dasar
Seorang guru di Jakarta meneliti hubungan antara jam belajar (x) dan nilai ujian matematika (y). Hasil regresi:
📌 Interpretasi Intercept (β₀ = 50)
Ketika x = 0, nilai prediksi adalah 50. Artinya: siswa yang tidak belajar (0 jam) diprediksi mendapat nilai 50.
📈 Interpretasi Slope (β₁ = 5)
Setiap kenaikan 1 unit x, y meningkat 5 unit. Artinya: setiap tambahan 1 jam belajar terkait dengan kenaikan nilai rata-rata 5 poin.
📊 Bagian 2: Regresi Linear Berganda — “Holding Others Constant”
🤔 Model Berganda
🔑 Prinsip “Holding Others Constant”
Ini mengisolasi efek unik setiap prediktor dengan membandingkan situasi di mana hanya prediktor itu yang berubah. Ini adalah kunci interpretasi koefisien regresi berganda!
📈 Interpretasi Koefisien
| Koefisien | Interpretasi |
|---|---|
| x₁ = 4 (jam belajar) | Dengan holding constant jam les, setiap tambahan 1 jam belajar terkait dengan kenaikan nilai rata-rata 4 poin. |
| x₂ = 2 (jam les) | Dengan holding constant jam belajar, setiap tambahan 1 jam les terkait dengan kenaikan nilai rata-rata 2 poin. |
🚻 Bagian 3: Variabel Dummy (Kategorik)
🤔 Apa Itu Variabel Dummy?
Variabel dummy mengkodekan data kategorik sebagai 0 dan 1. Ini memungkinkan kita memasukkan variabel kualitatif (jenis kelamin, status pernikahan, dll) ke dalam model regresi.
Dengan D = 1 jika perempuan, 0 jika laki-laki.
- Perempuan (D=1): 70 + 8 = 78
- Laki-laki (D=0): 70 + 0 = 70
✅ Interpretasi
Perempuan diprediksi memiliki nilai 8 poin lebih tinggi daripada laki-laki (dibandingkan dengan kelompok referensi).
📐 Bagian 4: Model Logaritmik — Persen & Elastisitas
🤔 Mengapa Model Logaritmik?
Model logaritmik dipakai ketika hubungan antara X dan Y tidak linear, atau ketika kita ingin menginterpretasikan koefisien dalam persentase (lebih intuitif untuk ekonomi/bisnis).
📊 Tipe A: log(Y) pada X
Interpretasi: Kenaikan 1 unit X mengubah Y sekitar 100β₁%.
→ Setiap tahun pengalaman tambahan terkait dengan kenaikan gaji 4%.
📊 Tipe B: Y pada log(X)
Interpretasi: Kenaikan 1% X mengubah Y sekitar β₁ unit.
→ Kenaikan 1% pengalaman terkait dengan kenaikan gaji 500 unit.
📊 Tipe C: log-log (Elastisitas)
Interpretasi: Kenaikan 1% X mengubah Y sekitar β₁% — ini disebut elastisitas.
➕ Bagian 5: Tanda Koefisien — Arah Hubungan
📊 Interpretasi Tanda
| Tanda | Arti | Contoh |
|---|---|---|
| ✅ Positif (β₁ > 0) | Saat X naik, Y cenderung naik | Pendapatan → Konsumsi Harga iklan → Penjualan |
| ❌ Negatif (β₁ < 0) | Saat X naik, Y cenderung turun | Harga → Jumlah Permintaan Usia mobil → Harga jual |
Tanda koefisien memberi tahu arah hubungan, tetapi bukan kekuatan atau kepentingan. Koefisien positif tidak selalu berarti “baik” — konteks sangat menentukan!
- Pengeluaran iklan positif → baik ✅
- Jumlah komplain pelanggan positif → buruk ❌
📏 Bagian 6: Besaran & Unit — Jangan Salah Bandingkan!
⚠️ Kesalahan Fatal: Bandingkan Koefisien Langsung
Anda TIDAK BISA membandingkan koefisien secara langsung antar variabel yang diukur dalam unit berbeda!
| Variabel | Koefisien | Unit |
|---|---|---|
| Pengalaman | 2 | tahun |
| Pendidikan | 10 | level (SD-S3) |
✅ Cara Benar Membandingkan Kepentingan
- Koefisien terstandarisasi (beta) — semua variabel diskalakan ke unit yang sama
- Partial R² — kontribusi unik setiap prediktor
- Perubahan R² — tambahan varians yang dijelaskan
- Feature importance dari metode machine learning
🔬 Bagian 7: Signifikansi Statistik — p-value & CI
🤔 Mengapa Signifikansi Penting?
Setiap koefisien memiliki ketidakpastian. Lihatlah estimasi, p-value, dan interval kepercayaan secara bersamaan.
📊 Contoh Output Regresi
| Prediktor | Estimasi | Std. Error | t-value | p-value |
|---|---|---|---|---|
| Jam Belajar (x₁) | 4,0 | 0,8 | 5,00 | 0,001 |
| Jam Les (x₂) | 2,0 | 2,6 | 0,77 | 0,45 |
✅ Interpretasi
- x₁ (Jam Belajar): p-value = 0,001 < 0,05 → bukti kuat adanya asosiasi.
- x₂ (Jam Les): p-value = 0,45 > 0,05 → bukti tidak cukup (efek mungkin karena kebetulan).
- ✅ Tanda — arah hubungan (positif/negatif)
- ✅ Besaran — seberapa besar efeknya
- ✅ Signifikansi — apakah efeknya nyata secara statistik
- ✅ Interval Kepercayaan — rentang nilai yang masuk akal
📖 Pelajari lebih lanjut: P-Value: Kunci Signifikansi Statistik
🚫 Bagian 8: 3 Kesalahan Fatal yang Wajib Dihindari
❌ Kesalahan #1: Klaim Kausalitas
❌ SALAH: “Setiap tambahan tahun usia menyebabkan pendapatan naik 20.”
✅ BENAR: “Setiap tambahan tahun usia terkait dengan kenaikan rata-rata 20 unit pendapatan, dengan asumsi variabel lain konstan.”
❌ Kesalahan #2: Lupa Sebut “Holding Others Constant”
Di regresi berganda, koefisien adalah efek unik setelah mengontrol variabel lain. Tanpa menyebut ini, pembaca akan salah paham.
❌ Kesalahan #3: Abaikan Signifikansi
Melaporkan koefisien tanpa p-value atau CI sama saja dengan menyajikan angka tanpa konteks ketidakpastian.
- Gunakan “terkait dengan” atau “berasosiasi dengan”
- Jangan gunakan “menyebabkan” atau “disebabkan oleh”
- Sebutkan “dengan asumsi variabel lain konstan” untuk regresi berganda
🏆 Bagian 9: Template Interpretasi Emas (Siap Pakai)
🏆 Template untuk Setiap Koefisien βⱼ
📌 Checklist Interpretasi Lengkap
- ✅ Intercept = nilai harapan Y ketika semua X = 0 (jika bermakna secara substantif)
- ✅ Koefisien = perubahan Y untuk perubahan 1 unit X (dengan variabel lain konstan)
- ✅ Cek unit sebelum membandingkan besaran
- ✅ Interpretasikan dengan hati-hati dan dalam konteks
- ✅ Laporkan p-value dan confidence interval
- ✅ Hindari klaim kausalitas dari regresi observasional
“Hasil regresi berganda menunjukkan bahwa jam belajar memiliki koefisien β₁ = 4,0 (p < 0,001; 95% CI: [2,5 ; 5,5]). Dengan holding constant jam les tambahan, setiap tambahan 1 jam belajar per minggu terkait dengan kenaikan nilai ujian rata-rata sebesar 4,0 poin. Efek ini signifikan secara statistik dan substansial secara praktis."
📖 Panduan pelaporan regresi lengkap: RG2: Regression Reporting Guide
Materi Sebelumnya
← Sesi 13: Regresi BergandaLanjut ke Materi Berikutnya
RG2: Pelaporan Regresi →