Analisis Regresi Linear dalam SPSS
Pengenalan
Regresi Linear digunakan untuk mengkaji hubungan antara satu pemboleh ubah bersandar (dependent variable) dengan satu pemboleh ubah bebas (independent variable). Analisis ini juga boleh digunakan untuk membuat ramalan terhadap nilai pemboleh ubah bersandar berdasarkan nilai pemboleh ubah bebas.
Contoh:
- Adakah pendapatan mempengaruhi harga kereta yang dibeli?
- Adakah masa belajar mempengaruhi markah peperiksaan?
- Adakah motivasi mempengaruhi prestasi kerja?
Persamaan Regresi Linear
Y = a + bX
- Y = Pemboleh ubah bersandar
- X = Pemboleh ubah bebas
- a = Pemalar (Constant/Intercept)
- b = Pekali Regresi (Regression Coefficient)
Andaian (Assumptions) Regresi Linear
1. Pemboleh Ubah Bersandar Mestilah Continuous
Pemboleh ubah bersandar perlu diukur pada skala selang atau nisbah.
Contoh:
- Markah peperiksaan
- Berat badan
- Pendapatan
2. Pemboleh Ubah Bebas Mestilah Continuous atau Dikodkan Dengan Sesuai
- Masa belajar
- Umur
- Pendapatan
3. Hubungan Linear
Mesti terdapat hubungan linear antara pemboleh ubah bebas dan pemboleh ubah bersandar.
Cara Semak:
Graphs → Scatterplot
Jika titik-titik data membentuk corak garis lurus secara umum, maka andaian lineariti dipenuhi.
4. Tiada Outlier Yang Signifikan
Outlier boleh menyebabkan keputusan regresi menjadi tidak tepat.
Cara Semak:
- Scatterplot
- Casewise Diagnostics
5. Independence of Errors
Residual mestilah bebas antara satu sama lain.
Cara Semak:
Nilai Durbin-Watson
| Nilai | Tafsiran |
|---|---|
| 1.5 – 2.5 | Memenuhi andaian |
| < 1.5 atau > 2.5 | Kemungkinan masalah autokorelasi |
6. Homoscedasticity
Varians residual perlu hampir sama pada semua tahap pemboleh ubah bebas.
Cara Semak:
Scatterplot: Standardized Residual vs Predicted Value
- Taburan titik rawak dan sekata = Andaian dipenuhi
- Corak berbentuk corong (funnel) = Heteroscedasticity berlaku
7. Normaliti Residual
Residual perlu mempunyai taburan normal.
Cara Semak:
- Histogram
- Normal P-P Plot
Jika titik berada hampir dengan garis diagonal, andaian normaliti dipenuhi.
Langkah Menjalankan Regresi Linear Dalam SPSS
Langkah 1
Analyze → Regression → Linear
Langkah 2
Masukkan:
- Dependent = Pemboleh ubah bersandar
- Independent(s) = Pemboleh ubah bebas
Langkah 3
Klik Statistics dan tandakan:
- Estimates
- Model Fit
- Confidence Intervals
- Durbin-Watson
Langkah 4
Klik Plots:
- ZRESID pada Y-axis
- ZPRED pada X-axis
Langkah 5
Klik Save:
- Standardized Residuals
- Predicted Values
Langkah 6
Klik OK.
Output Yang Perlu Ditafsir
1. Model Summary
| R | R² | Adjusted R² |
|---|---|---|
| 0.650 | 0.423 | 0.417 |
Interpretasi:
- R = 0.650 menunjukkan hubungan yang kuat.
- R² = 0.423 bermaksud 42.3% perubahan dalam prestasi kerja diterangkan oleh motivasi.
2. Jadual ANOVA
| F | Sig. |
|---|---|
| 45.62 | 0.000 |
Interpretasi:
Oleh kerana p < .05, model regresi adalah signifikan.
3. Jadual Coefficients
| Pemboleh Ubah | B | Beta | t | p |
|---|---|---|---|---|
| Constant | 2.115 | - | 5.22 | 0.000 |
| Motivasi | 0.543 | 0.650 | 6.76 | 0.000 |
Persamaan Regresi
Y = 2.115 + 0.543X
Apabila motivasi meningkat sebanyak 1 unit, prestasi kerja dijangka meningkat sebanyak 0.543 unit.
Pelaporan APA 7
A simple linear regression was conducted to examine whether motivation significantly predicted job performance. The regression model was statistically significant, F(1,148) = 45.62, p < .001, explaining 42.3% of the variance in job performance (R² = .423). Motivation significantly predicted job performance, β = .650, t(148) = 6.76, p < .001.
Ringkasan Analisis Regresi Linear
- Semak lineariti (Scatterplot).
- Semak outlier.
- Semak Durbin-Watson.
- Semak homoscedasticity.
- Semak normaliti residual.
- Jalankan regresi linear.
- Tafsir Model Summary (R²).
- Tafsir ANOVA (F dan p).
- Tafsir Coefficients (B, β, t dan p).
- Laporkan dalam format APA 7.
