Dalam artikel sebelumnya, kami telah membahas tentang R-squared (Koefisien Determinan) dan bagaimana ia digunakan untuk mengukur seberapa baik model regresi linier dapat menjelaskan data. Pada artikel ini, kita akan melihat lebih dalam bagaimana hasil regresi linier dapat diinterpretasikan.
Tabel Hasil Regresi
Dengan menggunakan data yang sama dari artikel R-squared sebelumnya, kami mendapatkan tabel berikut:
[Table 1: Regression Output]
Dalam tabel di atas, kita dapat melihat nilai R2 (0.623) dan p-value (0.000036). Nilai R2 menunjukkan bahwa perubahan harga saham Visa (V) dapat menjelaskan lebih dari 62% perubahan nilai S&P 500.
Interpretasi Hasil
Dalam tabel di atas, kita dapat melihat bahwa setiap perubahan 1 poin dalam harga saham Visa (V) terkait dengan perubahan 1.36 poin dalam S&P 500. Nilai p-value yang sangat kecil menunjukkan bahwa hasil ini sangat signifikan statistik, sehingga kemungkinan bahwa hasil ini terjadi karena kebetulan sangat rendah.
Namun, analis juga harus memperhatikan beberapa hal:
- Dengan hanya memiliki satu variabel dalam model, maka tidak jelas apakah V mempengaruhi S&P 500, atau sebaliknya.
- Visa adalah komponen dari S&P 500, sehingga dapat terjadi korrelasi antara kedua variabel ini.
- Jumlah data yang hanya 20 observasi mungkin tidak mencukupi untuk membuat inferensi yang baik.
- Data ini juga berupa time series, maka dapat terjadi autocorrelation.
- Masa study yang kita lakukan mungkin tidak representatif bagi masa lainnya.
Charting Regresi di Excel
Kami dapat mengchartkan regresi di Excel dengan memilih data dan charting sebagai scatter plot. Untuk menambahkan garis regresi, pilih "Add Chart Element" dari menu "Chart Design". Dalam jendela dialog, pilih "Trendline" dan kemudian "Linear Trendline". Untuk menambahkan nilai R2, pilih "More Trendline Options" dari menu "Trendline" dan kemudian pilih "Display R-squared value on chart".
Bagaimana Anda Interprets Regresi Linier?
Hasil regresi linier akan menghasilkan berbagai hasil numerik. Koefisien (atau betas) menunjukkan asociasi antara variabel independen dan variabel dependen, dengan mempertahankan semua faktor lainnya konstan. Jika koefisien sebesar +0.12, maka ia menunjukkan bahwa setiap perubahan 1 poin dalam variabel tersebut terkait dengan perubahan 0.12 poin dalam variabel dependen yang sama arah. Jika sebaliknya, maka perubahan 1 poin dalam variabel tersebut akan menghasilkan perubahan 3x dalam variabel dependen, dalam arah sebaliknya.
Bagaimana Anda Tahu jika Regresi Signifikan?
Selain menghasilkan koefisien beta, hasil regresi juga akan menunjukkan tes signifikansi statistik berdasarkan standar error masing-masing koefisien (seperti nilai p dan interval kepercayaan). Dalam beberapa kasus, analis menggunakan nilai p sebesar 0.05 atau kurang untuk menunjukkan signifikansi; jika nilai p lebih besar, maka Anda tidak dapat menyingkirkan kebetulan atau acak untuk koefisien beta yang dihasilkan.
Bagaimana Anda Interprets R-Squared Regresi Linier?
R2 (Koefisien Determinan) adalah ukuran statistik kualitas model regresi linier (dari 0.00 hingga 1.00), juga disebut koefisien determinan. Umumnya, semakin tinggi nilai R2, maka model regresi lebih baik. Nilai R2 dapat juga diinterpretasikan sebagai seberapa besar variasi dalam variabel dependen yang dijelaskan oleh variabel independen (penjelas) dalam model. Jadi, nilai R-square sebesar 0.50 menunjukkan bahwa separuh dari semua variasi yang diamati dalam variabel dependen dapat dijelaskan oleh variabel penjelas.
Bottom Line
Kamu dapat menggunakan regresi linier untuk membandingkan dua atau lebih variabel, seperti saham tertentu dengan benchmark, dan melihat seberapa baik model regresi dapat menjelaskan data. Dalam artikel ini, kita telah membahas tentang bagaimana hasil regresi linier dapat diinterpretasikan dan beberapa hal yang perlu diperhatikan dalam menggunakannya.