P. 1
EKONOMETRIKA-MODUL

EKONOMETRIKA-MODUL

|Views: 492|Likes:

More info:

Published by: Almira Raissa Hermaya on Jul 08, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

10/26/2013

pdf

text

original

BAB I RUANG LINGKUP EKONOMETRIKA

Tujuan Pengajaran: Setelah mempelajari bab ini, anda diharapkan dapat: Mengerti definisi ekonometrika Mengerti keilmuan yang terkait dengan ekonometrika Membedakan jenis-jenis ekonometrika Memahami kegunaan ekonometrika Menjabarkan langkah-langkah penggunaan ekonometrika

1

BAB I RUANG LINGKUP EKONOMETRIKA Pengertian Ekonometrika Kalau dilihat dari segi namanya, ekonometrika berasal dari dari dua kata, yaitu “ekonomi” dan “metrika”. Kata “Ekonomi” di sini dapat dipersamakan dengan kegiatan ekonomi, yaitu kegiatan manusia untuk mencukupi kebutuhannya melalui usaha pengorbanan sumber daya yang seefisien dan seefektif mungkin untuk mendapatkan tujuan yang seoptimal mungkin. Kata “Metrika” mempunyai arti sebagai suatu kegiatan pengukuran. Karena dua kata ini bergabung menjadi satu, maka gabungan kedua kata tersebut menunjukkan arti bahwa yang dimaksud dengan ekonometrika adalah suatu pengukuran kegiatan-kegiatan ekonomi. Kegiatan ekonomi manusia tidak berjalan sesaat, tetapi berkelanjutan dari waktu ke waktu, dari peristiwa ke peristiwa, dari berbagai suasana, dari berbagai lintas sektor, lintas faktor. Untuk mengukur suatu kegiatan dalam keberagaman kondisi seperti itu, maka data merupakan sesuatu yang mutlak diperlukan. Melalui data, informasi itu dapat dianalisis, diinterpretasi, untuk mengungkap kejadian-kejadian di masa lampau, serta dapat digunakan untuk prediksi masa mendatang. Pengungkapan data atau analisis data dalam kegiatan ekonomi, dapat dilakukan dengan berbagai cara atau model, di antaranya melalui penggunaan grafik yang biasa disebut dengan metode grafis, atau melalui penghitungan secara matematis yang biasa disebut dengan metode matematis. Penggunaan metode ini tentu harus sesuai
2

dengan teori, khususnya teori ekonomi, karena ekonometrika bertujuan untuk mengukur kegiatan ekonomi. Kedua metode tersebut mempunyai kelebihan dan keunggulan masing-masing. Metode grafis sendiri dapat digolongkan ke dalam bentuk grafik berupa kurva, atau grafik dalam bentuk diagram. Metode grafis mempunyai keunggulan dalam kecepatan interpretasi informasi, karena grafik terrepresentasi dalam bentuk gambar yang mudah untuk dimaknai. Kelemahan metode grafis terletak pada kekurangakuratan interpretasi karena data umumnya ditampilkan dalam bentuk skala, yang bersifat garis besar, tentu kurang dapat menjelaskan secara rinci dan detil. Metode matematis mempunyai keunggulan dalam keakuratan interpretasi, karena melalui hitungan-hitungan secara rinci, sedang kelemahannya terletak pada tingkat kesulitan untuk menghitungnya, terlebih lagi jika variabel-variabel yang dihitung berjumlah sangat banyak. Guna mempermudah penghitungannya, maka dibuatlah berbagai rumus-rumus hitungan yang diambil dari berbagi data. Perbedaan di antara kedua metode tersebut, metode grafis dan matematis, terletak pada seberapa besar variabel dapat diungkap secara rinci. Perbedaan Metode Grafis dan Matematis
Perihal Interpretasi Output Keakuratan Grafis Relatif Lebih mudah diinterpretasi Berupa grafik, seperti kurva atau diagram Cenderung kurang akurat, karena berdasar data yang bersifat skala Matematis Relatif lebih sulit diinterpretasi Hitungan matematis berupa rumus Dapat lebih akurat, karena dihitung secara rinci sesuai dengan keadaannya

3

dan model. Dengan memanfaatkan ilmu ekonomi. dan matematika. Lembaga Penerbit FE UI. makro. manajemen. dan statistik. Beberapa pakar mendefinisikan ekonometrika sebagai berikut: Ekonometrika dapat didefinisikan sebagai ilmu sosial yang menggunakan alat berupa teori ekonomi.1). J. yaitu: teori ekonomi. Oleh karena itu. dan statistika inferensi yang digunakan untuk menganalisis kejadian-kejadian ekonomi (Arthur S. Model sendiri memerlukan disiplin ilmu matematika. Goldberger. operasional. memerlukan disiplin ilmu tentang data.. 2 Supranto. 1999. data.Uraian di atas menjelaskan kepada kita bahwa dalam ekonometrika diperlukan tiga hal pokok yang mutlak ada. Teori ekonomi meliputi teori ekonomi mikro. akuntansi. Guna memahami data. 1964. yaitu statistika. Supranto. dengan tujuan menyelidiki dukungan empiris dari hukum skematik yang dibangun oleh teori ekonomi.2 Ekonometri adalah suatu ilmu yang mengkombinasikan teori ekonomi dengan statistik ekonomi. statistika. dan lainlain. keuangan. 4 .p. second edition. matematika.6). Irwin McGraw Hill. 1983. Buku satu. ekonometrika merupakan gabungan dari ilmu ekonomi. p. 1983. Essential of Econometrics. pemasaran. matematik. ekonometri membuat 1 Diterjemahkan dari buku KARYA Damodar Gujarati. yang digunakan secara simultan untuk mengungkap dan mengukur kejadian-kejadian atau kegiatan-kegiatan ekonomi. Ekonometrik.1 Ekonometrik adalah gabungan penggunaan matematik dan statistik untuk memecahkan persoalan ekonomi (J.

1994. Suatu bentuk keilmuan yang mengakomodasi bentuk pengukuran kegiatan ekonomi itulah yang disebut sebagai ekonometri. Data dalam ekonometrika merupakan suatu kemutlakan. baik melalui teori yang melandasi.hukum-hukum ekonomi teoritis tertentu menjadi nyata (Sugiyanto. terutama dalam kegiatan ekonomi. Ekonometrika Terapan. Catur. Data yang diperlakukan sebagai pengungkap sejarah (historical data) akan menghasilkan evaluasi. teknik analisanya. p. Sebagai contoh dalam mengungkap pentingnya ekonometrika.3). dan untuk data yang diperlakukan pengungkap kecenderungan (trend data) akan menghasilkan prediksi. begitu pula penentuan jenis data. ataupun data pendukungnya. 5 . Catur. metodologi yang digunakan. Di sinilah letak pentingnya ekonometrika. mari kita mencermati apa yang terjadi pada hukum permintaan dan penawaran.3 Pentingnya Ekonometri Suatu perusahaan ataupun unit-unit pengambil keputusan. ataupun penyesuaian dengan tujuannya. Edisi 1. Keinginan evaluasi ataupun prediksi seperti itu akan mudah diperoleh jika tindakan-tindakan sebelumnya itu diukur melalui teknikteknik pengukuran yang terstruktur dengan baik. Hasil evaluasi ataupun prediksi yang mempunyai tingkat keakuratan tinggi saja yang akan mempunyai sumbangan terbesar bagi pengambilan keputusan. 1994. tentu memerlukan suatu tindakan evaluatif untuk memastikan keefektifan tindakannya atau bahkan mempunyai keinginan untuk melakukan prediksi guna menentukan langkah terbaik yang perlu diambil. Hukum permintaan menjelaskan bahwa bila harga suatu barang cenderung 3 Sugiyanto. BPFE Yogjakarta.

tetapi ketika jumlah barang yang ditawarkan semakin banyak. maka harga barang akan cenderung tinggi. Oleh karena itu permintaan ditunjukkan oleh kurva atau garis yang cenderung menurun dari kiri atas ke kanan bawah (downward sloping). begitu pula sebaliknya. Begitu pula dalam hukum penawaran. Di sebut berlawanan karena jika P turun.mengalami penurunan. yaitu variabel harga (P) dan variabel jumlah barang (Q) saja. maka Q yang diminta (D) akan bertambah. maka harga barang akan semakin turun. P 6 . Lihat gambar 1. Hukum permintaan menunjukkan bahwa hubungan antara variabel P dan Q berlawanan. maka jumlah permintaan terhadap barang tersebut akan mengalami peningkatan. semakin sedikit barang yang ditawarkan. Pernyataan-pernyataan seperti itu merupakan bentuk penyederhanaan yang hanya membahas keterkaitan antara dua variabel.

Atau sebaliknya. maka Q juga meningkat. jika P menurun. maka Q juga mengalami penurunan. Pengungkapan yang sangat kualitatif seperti contoh tersebut. Pada hukum penawaran hubungan antara variabel P dan Q adalah searah. atau Q terhadap P. tidak dapat diketahui seberapa besar pengaruh antara variabel P terhadap Q. artinya jika P meningkat. Oleh karena itu penawaran ditunjukkan oleh garis atau kurva yang cenderung meningkat dari kiri bawah ke kanan atas (upward sloping). Tidak hanya terhenti pada dua teori di atas saja. banyak teori-teori ekonomi lain yang hipotesisnya hanya bersifat kualitatif seperti hukum permintaan dan penawaran di atas. Lihat gambar 2.Kondisi seperti ini berbeda bila di hadapkan dengan hukum penawaran. Karena tidak dapat menjelaskan secara angkaangka tentu saja bentuk kurva atau garis yang ditunjukkan juga tidak dapat menggambarkan kondisi dengan sangat P 7 P2 .

untuk digunakan sebagai alat pengujian ataupun pengujian teori maupun peramalan. Dalam hal ini perannya ditunjukkan oleh statistika. Ekonometrika terapan menggambarkan nilai praktis dari penelitian ekonomi. sehingga lingkupnya mencakup aplikasi teknik-teknik ekonometri yang telah lebih dulu dikembangkan dalam ekonometri teoritis pada berbagai bidang teori ekonomi. cara perolehan. ekonometrika dengan menggunakan pendekatan kuantitatif dalam bentuk model pendekatan matematis yang berupa hitungan-hitungan metematika akan mampu untuk menunjukkan seberapa besar pengaruh suatu variabel tertenu terhadap variabel yang lain. Peran statistik akan semakin berarti jika dianalisis dengan model matematis yang sesuai dengan teori-teori ekonomi yang dianalisis. Fungsi dari statistika tidak hanya sekedar pengumpulan data saja. tetapi meluas hingga interpretasi terhadap pentingnya data tersebut. hingga sifat data. namun tujuan-tujuan ekonometrika dapat dipersatukan sebagai 8 . maka teori ekonomi yang sudah ada perlu dilengkapi dengan berbagai data yang diperlukan. jenis data. Meskipun ekonometrika dapat didikotomikan ke dalam ekonometrika teoritis maupun terapan. Untuk menjawab persoalan itu. Ekonometrik teoritis berkenaan dengan pengembangan metode yang tepat/cocok untuk mengukur hubungan ekonomi dengan menggunakan model ekonometrik. yaitu ekonometrika teoritis (theoretical econometrics) dan ekonometrika terapan (applied econometrics). Untuk menjawab tuntutan seperti itu.tepat. Kurva hanya dapat menggambarkan kecenderungan. Jenis Ekonometrika Ekonometrika dapat dibagi menjadi 2 (dua) macam.

Fungsi verifikasi ini bertujuan untuk mengetahui dengan pasti kekuatan suatu teori melalui pengujian secara empiris. penaksiran. Fungsi seperti ini lebih dikenal dengan forecasting (peramalan). Ekonometrika berkaitan dengan analisa kuantitatif yang menghasilkan taksiran-taksiran numerik yang dapat digunakan untuk melakukan taksiran-taksiran dari hasil suatu kegiatan ekonomi. Oleh karena itu penggunaan asumsi adalah untuk membantu penyederhanaan model. dimana dalam kegiatan sosial antara variabel satu dan yang lainnya saling berinteraksi. dan saling mempengaruhi. Wajar saja. karena teori yang mapan adalah teori yang dapat diuji dengan empiris. Pembatasan penggunaan variabel untuk menganalisis kegiatan ekonomi melalui penetapan ceteris paribus 9 . Penggunaan asumsi dalam ilmu ekonomi merupakan refleksi dari kesadaran bahwa tidak mungkin untuk dapat mengungkap dengan pasti faktor-faktor apa saja yang saling terkait atau saling mempengaruhi faktor tertentu. berkaitan. Penggunaan ekonometrika Dalil-dalil ekonomi umumnya dijelaskan secara kualitatif dan dibatasi oleh asumsi-asumsi. Taksiran-taksiran numerik seperti dijelaskan di atas dapat pula digunakan untuk mengindera kejadian masa yang akan datang dengan pengukuran derajat probabilitas tertentu. Fungsi seperti itu disebut sebagai fungsi penaksiran. Asumsi yang paling sering digunakan adalah asumsi ceteris paribus (hal-hal yang tidak diungkapkan dianggap tetap). karena ilmu ekonomi merupakan rumpun ilmu sosial. Asumsi ini digunakan mengingat sangat banyaknya variabel-variabel dalam ilmu sosial yang saling mempengaruhi. ataupun peramalan.alat verifikasi. yang sangat sulit untuk dianalisis secara bersamaan.

variabel dependen (dependent variables). variabel penduga. selera. tingkat pengeluaran. ekspektasi masa mendatang. maka dalam ekonometrika disiasati dengan membentuk model. dan mengasumsikan variabel lainnya bersifat tetap. Umumnya model dikembangkan dalam bentuk persamaan. kondisi politik. dengan cara mengidentifikasi faktor-faktor besar saja (misalnya 1-5 faktor terpenting saja). dimana sebelah kiri tanda persamaan mewakili variabel yang dipengaruhi. Oleh karena itu dibuatlah pernyataanpernyataan yang mewakili variabel yang diukur saja. trend. Model matematis merupakan salah satu model untuk menggambarkan teori yang diterjemahkan dalam bentuk matematis. 10 . iklan. selebihnya diwakili dengan asumsi ceteris paribus tersebut. yang mengabstraksikan realita. dan lain-lain. maka kita dapat mengidentifikasi berbagai faktor yang mempengaruhi seperti: tingkat penghasilan. Variabel yang dipengaruhi disebut pula sebagai variabel terikat. Variabel yang mempengaruhi disebut pula sebagai variabel bebas. gengsi. ketersediaan barang. sedang variabel yang berada di sebelah kanan tanda persamaan mewakili variabel yang mempengaruhi. harga barang lain. Untuk memudahkan tahapan proses analisis. variabel independen (independent variable). dan mendapatkan jawaban yang valid maka perlu menggunakan metodologi ekonometri yang memadai. juga variabel prediktor. harga barang itu sendiri. Sebagai contoh. promosi. Banyaknya faktor yang mempengaruhi tingkat konsumsi seseorang tersebut tentu tidak dapat diidentifikasi secara pasti. yang tentu itu tidak dapat dijelaskan secara pasti.tersebut. faktor barang pengganti. kebutuhan. senyatanya adalah untuk mempermudah penafsiran-penafsiran serta pengukuran kegiatan ekonomi. kalau kita hendak mencari jawaban tentang pertanyaan kenapa seseorang mengonsumsi suatu barang.

Secara garis besar. Rumusan masalah merupakan pedoman untuk membuat struktur isi penelitian. mengungkap mengapa penelitian itu dilakukan. karena merupakan “pintu pembuka” untuk menentukan tahapan-tahapan selanjutnya. merumuskan hipotesa 3. Wajar saja bila sebagian besar orang berpendapat bahwa perumusan masalah adalah tahapan yang paling sulit dan menentukan. mengimplementasikan hasil Merumuskan Masalah Merumuskan masalah adalah hal yang sangat penting. dan sekaligus mengidentifikasi penyebab-penyebab utamanya. Oleh karena itu. merumuskan masalah 2. di dalam merumuskan masalah tidak dapat dilepaskan dari pemahaman teori-teori yang melandasi atau kontekstual dengan penelitian.Metodologi Ekonometri Metodologi ekonometri merupakan serangkaian tahapan-tahapan yang harus dilalui dalam kaitan untuk melakukan analisis terhadap kejadian-kejadian ekonomi. menyusun model 4. dan sekaligus mampu membuat rencana untuk menentukan langkah untuk mendapatkan jawaban dari permasalahan yang ada. Merumuskan suatu masalah berarti mengungkap hal-hal apa yang ada di balik gejala atau informasi yang ada. mendapatkan data 5. tahapan metodologi ekonometri dapat diurutkan sebagai berikut: 1. menguji model 6. menganalisis hasil 7. 11 .

beberapa contoh dikemukakan sebagai berikut: 1. maupun berapa besar potensi prestasi kerja yang tersimpan maupun yang telah dapat diwujudkan. maka akan semakin baik jika apa yang mendasari permasalahan itu adalah hal-hal yang menarik minat peneliti.Perumusan masalah yang baik tentu disertai dengan latar belakang masalah. atau karena terpaksa harus bertahan karena tuntutan yang lain? berapa besar tingkat stress yang dialami pegawai dilingkungan Depdiknas Kabupaten Sukoharjo. Dengan tidak dilakukannya evaluasi yang memadai. dan apa faktor yang yang paling signifikan mempengaruhinya? seberapa besar 12 . seberapa besar tingkat stres pegawai. karena itu merupakan sumber informasi yang digunakan untuk memahami keterkaitan permasalahan yang dirumuskan. Sebagai ilustrasi dari perumusan masalah. Karena membutuhkan jawaban. maka tidak dapat diketahui informasi yang terkait dengan apa yang diharapkan pegawai. Umumnya perumusan masalah dalam suatu penelitian diungkapkan dalam bentuk kalimat pertanyaan yang membutuhkan jawaban. bahwa evaluasi pegawai dalam rangka penempatan kerja di lingkungan Dinas Pendidikan Nasional Kabupaten Sukoharjo belum dilakukan secara memadai. Seperti dijelaskan di atas. Untuk itu dalam penelitian ini permasalahanpermasalahan seperti itu akan dirumuskan dalam bentuk pertanyaan sebagai berikut: apakah dalam penempatan kerja pegawai Depdiknas Kabupaten Sukoharjo selama ini telah sesuai dengan karakteristik individu masing-masing pegawai.

Berdasarkan contoh pada sub 13 . sehingga perlu diuji lebih lanjut melalui pembuktian berdasarkan data-data yang berkenaan dengan hubungan antara dua atau lebih variabel. kurs. Perumusan hipotesa biasanya berupa kalimat pernyataan yang merupakan jawaban sementara dari masalah yang akan diteliti. dan jenis data. Tetapi ketika inflasi mengalami penurunan ternyata baik kurs dan suku bunga juga mengalami hal serupa. Setelah Juni 1997 diketahui bahwa terdapat kesamaan arah antara inflasi. Rumusan hipotesa yang baik seharusnya dapat menunjukkan adanya struktur yang sederhana tetapi jelas. Ketika inflasi meningkat kurs USD terhadap IDR juga mengalami peningkatan. begitu pula suku bunga juga mengalami peningkatan.tingkat prestasi kerja pegawai Depdiknas Kabupaten Sukoharjo selama ini? adakah stress kerja yang dialami pegawai mempengaruhi prestasi kerja. sifat hubungan antar variabel. seberapa besar pengaruhnya? 2. Berdasar pada hal tersebut. maka timbul pertanyaan “apakah kurs IDR terhadap USD dan suku bunga simpanan berjangka rupiah mempengaruhi tingkat inflasi di Indonesia ?” Merumuskan Hipotesa Hipotesa merupakan jawaban sementara terhadap masalah penelitian. dan suku bunga. sehingga memudahkan untuk mengetahui jenis variabel.

anggapan. 5 Insukindro. Agar dapat menjelaskan realitas yang kompleks seperti itu. Oleh karena itu model merupakan abstraksi dari realitas. Dalam ilmu ekonomi. maka menggambarkan kenyataan yang sebenarnya berlaku dalam perekonomian adalah merupakan hal yang tidak mudah. Pegawai di lingkungan Dinas Pendidikan Kabupaten Sukoharjo banyak yang mengalami stres kerja yang dapat berakibat pada menurunnya motivasi kerjanya. Inflasi di Indonesia setelah tahun 1997 dipengaruhi oleh kurs nilai tukar IDR-USD dan bunga deposito. maka perlu dilakukan abstraksi melalui penyusunan suatu model. Hubungannya bersifat searah. Namun. definisi. Pembentukan Model dalam Penelitian Ekonomi. karena fakta-fakta mengenai kenyataan yang wujud dalam ilmu sosial ( dimana ilmu ekonomi termasuk salah satu cabangnya) berjumlah sangat banyak dan saling terkait satu sama lainnya. Penulisan hipotesis dalam penelitian biasanya dituliskan sekaligus dua hipotesis yang berlawanan. Menyusun Model Pada dasarnya setiap ilmu pengetahuan bertujuan untuk menganalisis kenyataan yang wujud di alam semesta dan di dalam kehidupan manusia. 14 . Jurnal Ekonomi dan Bisnis Indonesia. 7(1). kesamaan (identitas) dan ketidaksamaan dari mana kesimpulan akan diturunkan. 1-18. yaitu hipotesis nol dan hipotesis alternative. 2. model ekonomi didefinisikan sebagai konstruksi teoritis atau kerangka analisis ekonomi yang menggabungkan konsep.5 Sebagaimana 4 Penulisan hipotesis ini bersifat garis besar.merumuskan masalah di atas. persamaan. maka dapat dicontohkan penarikan hipotesis seperti ini:4 1.

variabel kelambanan. Variabel Eksogin. Untuk variabel non ekonomi tidak perlu dipilih. Teori dan Aplikasi Untuk Bisnis dan Ekonomi. yang umumnya digunakan untuk data runtut waktu. atau variabel yang ditentukan di dalam model dan ingin diamati variansinya. Variabel Endogin. UPP AMP YKPN. Variabel ekonomi dibedakan menjadi:6 1. 15 . dalam ilmu ekonomi tentu yang digunakan adalah variabel-variabel ekonomi saja. yaitu variabel terikat (dependen) yang 6 Kuncoro. 2001. yaitu variabel yang dianggap ditentukan di luar sistem (model) dan diharapkan mampu menjelaskan variasi variabel endogin. Ketepatan model itu sendiri mempunyai dua tujuan yaitu: Pertama. atau dimasukkan saja ke dalam asumsi ceteris paribus. Fungsi model dalam ekonometrika adalah sebagai tuntunan untuk mempermudah menguji ketepatan model penduga. Model persamaan ini disebut pula sebagai metode regresi yang diharapkan dapat menjawab hipotesis yang telah ditentukan. Kedua. 2.namanya. untuk mengetahui apakah model penduga tersebut merupakan model yang tepat sebagai estimator. yaitu variabel yang menjadi pusat perhatian si pembuat model. Mudrajad. Metode Kuantitatif.5. yaitu variabel dengan unsur lag. 3. Karena pada hakikatnya sebuah fungsi adalah sebuah persamaan matematis yang menggambarkan hubungan sebab akibat antara sebuah variabel dengan satu atau lebih variabel lain. Model ekonometrika setidaknya terdiri dari dua golongan variabel. untuk mengetahui daya ramal atau goodness of fit dari model penduga. Salah satu bentuk model adalah berupa persamaan fungsi secara matematis. p.

komposit. Penyuntingan data. Untuk model dengan satu variabel bebas disebut dengan regresi tunggal (single regression). Mendapatkan Data Mendapatkan data merupakan suatu langkah yang harus dilakukan oleh peneliti. pembentukan struktur data. dan lain-lain. yaitu memperluas variansi data. agar dapat menjamin bahwa data yang dianalisis adalah benar-benar menggunakan data yang tepat. pengembangan variabel. Para peneliti terdahulu telah mengingatkan agar jangan sampai dalam penelitian terdapat GIGO. Tahapan yang dapat ditempuh untuk mendapatkan data pra analisis meliputi: penyuntingan data. dan variabel bebas (independen) yang berada di sebelah kanan tanda persamaan. Pengkodean data. Jumlah variabel bebas tidak harus satu. adalah upaya proses data untuk mendapatkan data yang memberikan kejelasan. dan komplit. misalnya mentransformasi menjadi data dalam angka logaritma. cek kesalahan. dapat dibaca. konsisten. Pengembangan variabel. seperti koding 16 . pengkodean data. sedang untuk model yang mempunyai lebih dari satu variabel bebas disebut regresi berganda (multiple regression). garbage In garbage out.berada pada sebelah kiri tanda persamaan. melakukan koding terhadap data yang akan digunakan dengan cara yang sesuai. melakukan indeksasi data. tetapi dapat berjumlah lebih dari satu variabel. tabulasi. Hal ini penting untuk mendapatkan hasil analisis yang tidak bias atau menyesatkan.

dan lain-lain. data ordinal. Tabulasi juga bermanfaat bagi peneliti sebagai alat menyusun kategori ketika mengubah variabel interval menjadi klasifikasi nominal. Kendati demikian. data interval. Tabulasi merupakan alat analisis bisnis. Strukturisasi data. Tabulasi menyajikan hitungan hitungan frekuensi dari satu hal (analisis frekuensi) atau perkiraan numerik tentang distribusi sesuatu (analisis deskriptif). Tabulasi dapat juga digunakan untuk menciptakan statistik deskriptif mengenai variabel-variabel yang digunakan atau tabulasi silang. Dengan kata lain. 17 . banyak riset bisnis yang ditujukan untuk penjelasan masalah dan atau menemukan hubungan. Untuk melakukan uji goodness of fit pengukurannya dilakukan dengan menguji nilai statistik t. nilai statistik F. maka perlu dilakukan uji ketepatan fungsi regresi dalam menaksir nilai actual dapat diukur dari goodness of fit-nya. biasanya tidak dimasukkan sebagai prosedur analitik dalam penelitian ilmiah karena tidak mengungkapkan hubungan dalam data. Tabulasi data. merupakan finalisasi pengujian data agar betul-betul mendapatkan data akhir yang valid. dan koefisien 7 Ibid. Cek kesalahan.terhadap variabel dummy. tabulasi mendeskripsikan jumlah individu yang menjawab pertanyaan tertentu.7 Menguji Model Untuk mengetahui sejauh mana tingkat kesahihan model terbaik yang dihasilkan. membuat kesedian data agar dapat digunakan dengan baik di kemudian hari.

Pengabaian terhadap kedua tanda tersebut. juga heteroskedastisitas. dapat menjadikan hasil regresi tidak sesuai dengan teori yang melatar belakangi. Menganalisis Hasil Analisis ekonometrika dimulai dari interpretasi terhadap data dan keterkaitan antar variabel yang dijelaskan di dalam model. Hal lain yang tidak kalah pentingnya adalah pengimplemantasian dari hasil pengukuran. Uji asumsi klasik juga perlu dilakukan terhadap model agar memperteguh validitas model. apabila tidak 18 . Tidak hanya analisis regresi.determinasinya (R2) pada hasil regresi yang telah memenuhi uji asumsi klasik. Sedang untuk analisis korelasi berguna untuk mengetahui hubungan antar variabel tanpa membedakan apakah itu variabel dependen ataukah independen. multikolinearitas. Uji nilai statistik t untuk mengetahui pengaruh secara individual variabel independen terhadap variabel dependen. Sedangkan koefisien determinasi untuk menentukan seberapa besar sumbangan variabel independen terhadap variabel dependen. Tanda positif atau negatif pada masing-masing koefisien perlu untuk dicermati. Karena sebagus dan sebenar apapun hasil penelitian. Uji F untuk mengetahui secara bersama-sama semua variabel independen dalam mempengaruhi variabel dependen. karena mempunyai keterkaitan langsung terhadap kesesuaian dengan teori yang dirumuskan dalam model. Analisis regresi akan mendapatkan hasil pengaruh antara variabel independen terhadap variabel dependen. yang dapat dilakukan melalui pengujian normalitas. autokorelasi. analisis korelasi juga perlu dilakukan untuk mendapatkan hasil pengukuran hingga benar-benar valid.

Apa yang dimaksud dengan ekonometrika b. Uraikan tahapan-tahapan ekonometrika 19 . Jawablah pertanyaan-pertanyaan di bawah ini: a. tidak akan berarti apa-apa. Bidang keilmuan apa saja yang terkait secara langsung dengan ekonometrika c. Cobalah untuk menyimpulkan maksud dari uraian bab ini 3. Buatlah rangkuman dari pembahasan di atas 2. -000Tugas: 1.ditindaklanjuti dalam bentuk implementasi. Jelaskan pentingnya ekonometrika d.

anda diharapkan dapat: Mengerti definisi model Mengerti definisi regresi Menyebutkan model-model regresi Menjelaskan kegunaan model regresi Menuliskan alternatif notasi model Memahami perbedaan-perbedaan model Menggunakan model untuk menjabarkan teori BAB II 20 .BAB II MODEL REGRESI Tujuan Pengajaran: Setelah mempelajari bab ini.

gengsi. kebutuhan. sementara yang lain mungkin tingkat signifikansinya rendah. Dari beragam faktor-faktor yang disebutkan di atas. anggaran pengeluaran. tingkat bunga bank. harga barang lain. stabilisasi keamanan. maka dibenarkan untuk mengabaikan variabel-variabel yang lain. tempat penjualan barang tersebut. atau biasa disebut tidak signifikan. prediksi harga masa yang akan datang. Beberapa faktor mungkin mempunyai tingkat signifikansi yang tinggi. selera. Sedang untuk variabel-variabel lain yang terkait tetapi tidak hendak 21 . trend yang berkembang. Dalam kepentingan untuk mengidentifikasi beberapa variabel saja. apabila kita ingin mengetahui faktor apa saja yang mempengaruhi permintaan suatu barang tertentu (sebut saja barang X). maka dengan mengidentifikasi kemungkinan faktor-faktor yang mempengaruhinya.MODEL REGRESI Keilmuan sosial mempunyai karakteristik berupa banyaknya variabel-variabel atau faktor-faktor yang saling mempengaruhi satu sama lain. pendapatan. Sebagai contoh. dan tentu masih banyak lagi faktor-faktor lainnya yang sangat sulit untuk ditentukan secara mutlak. persepsi atas barang tersebut. kita akan mendapatkan banyak sekali faktor-faktor itu seperti: harga barang tersebut. yang menjelaskan variabel-variabel yang hendak diteliti saja. barang pengganti. bahwa harga barang X tersebut hanya ditentukan oleh faktor-faktor yang telah dijelaskan. mutu barang. tentu mempunyai tingkat signifikansi yang berbeda. Cara yang dilakukan adalah membuat model. return usaha yang mungkin diperoleh. Kondisi yang demikian ini menyebabkan kesulitan dalam menentukan secara pasti faktor apa saja yang menyebabkan faktor tertentu.

maka variabel-variabel yang lain dianggap bersifat tetap atau ceteris paribus. (pers.. Model dalam keilmuan ekonomi berfungsi sebagai panduan analisis melalui penyederhanaan dari realitas yang ada. Sehingga model sering diartikan refleksi dari realita atau simplikasi dari kenyataan. sehingga perlu asumsi yang menganggap tidak adanya perubahan dari variabelvariabel yang disebut dengan ceteris paribus. yang dilambangkan dengan e. karena pada hakikatnya sebuah fungsi adalah sebuah persamaan yang menggambarkan hubungan sebab akibat antara sebuah variabel dengan satu atau lebih variabel lain. dapat diabaikan..1) Persamaan Ekonometrika  Y = b0 + b1X + e ………. Penulisan model dalam bentuk persamaan fungsi tersebut dicontohkan dalam persamaan berikut ini: Persamaan Matematis  Y=a + bX ………. karena terlalu banyak faktorfaktor yang saling terkait dan sangat sulit untuk diidentifikasi secara menyeluruh. Karena dalam model tersebut hanya ingin melihat pengaruh satu variabel X saja. (pers.2) merupakan suatu penegasan bahwa sebenarnya banyak sekali variabel-variabel bebas yang mempengaruhi variabel terikat (Y). Hal ini dibenarkan dalam keilmuan sosial (ekonomi). Hal ini akan semakin jelas kalau kita runut dari bentuk suatu model yang memang berbentuk sangat sederhana.2) Munculnya e (error term) pada persamaan ekonometrika (pers. Penulisan model dalam ekonometrika adalah merupakan pengembangan dari persamaan fungsi secara matematis.diteliti. 22 .

Sedang multiple linier apabila variabel bebas lebih dari satu variabel dengan batasan pangkat satu. Untuk lebih jelasnya akan dicontohkan bentuk 8 Scatter plot merupakan gambar sebaran data.8 Setidaknya terdapat tiga jenis model yaitu: Model Regresi Linier. persamaan tersebut disebut juga sebagai persamaan regresi. Kata linier menggambarkan arti bahwa sebaran data dalam scatter plot menunjukkan sebaran data yang mendekati bentuk garis lurus. Model Regresi Kuadratik. Model linier sendiri dapat dibedakan sebagai single linier maupun multiple linier. Model Regresi Kubik Model Regresi Linier Kata “linier” dalam model ini menunjukkan linearitas dalam variabel maupun lineraitas dalam data. Disebut single linier apabila variabel bebas hanya berjumlah satu dengan batasan pangkat satu. Data semacam ini dapat wujud apabila perubahan pada variabel Y sebanding dengan perubahan variabel X. Oleh karena itu. 23 . Jika sebaran datanya kecenderungannya seperti bentuk U atau spiral regresinya menggunakan regresi kubik.2 bertujuan untuk mengetahui pengaruh variabel bebas terhadap variabel terikat. maka cocoknya menggunakan dengan regresi kuadratik.Bentuk Model Model persamaan fungsi seperti dicontohkan pada pers. Model Regresi mempunyai bermacam-macam bentuk model yang dapat dibedakan berdasarkan sebaran data yang terlihat dalam scatterplott-nya. Jika sebaran datanya berkecenderungan melengkung.

.5 14.3) dan persamaan multiple linier (pers. maka sebaran datanya tergambar sebagai berikut: Hubungan Suku Bunga terhadap Inflasi 16 15 14 13 12 11 10 INFLASI 9 8 13.3 dianggap bahwa Y = Inflasi.5 15.4) Misalkan dari pers. (pers. dan jika datanya telah diketahui.. Dengan menggunakan data penelitian hubungan antara inflasi dan bunga deposito antara Januari 2001 hingga Oktober 2002. maka data akan tergambar dalam bentuk titik-titik yang merupakan sebaran data dalam scatter plot.3) Y = b0 + b1X1 + b2X2 + …… + bnXn + e ………. dan X = bunga deposito (Budep) pada periode tertentu.0 16.persamaan single linier (pers.5 16. (pers.4) sebagai berikut: Y = b0 + b1X + e ……….0 15.0 13.0 14.5 BUDEP Gambar 3 24 .

Sebaran data tersebut di atas (gambar 3) menunjukkan hubungan yang positif.7 LATRIBUT 1. inflasi juga turun. 1. Jika atributnya berkurang. menunjukkan bahwa hubungan antara variable Afenegat (Afeksi negative) dan Latribut (Atribut) mempunyai hubungan yang negative. Begitu pula jika bunga deposito menurun. maka afeksi negatifnya meningkat.8 1. yaitu jika bunga deposito meningkat. Dari scatter plot kedua gambar tersebut (baik gambar di atas maupun di bawah ini) menunjukkan bahwa sebaran datanya menyebar memanjang lurus. kedua scater plot tersebut akan tepat digunakan regresi linier.6 0 10 20 30 40 AFENEGAT Gambar 4 25 .9 1. Begitu pula sebaliknya. sehingga dapat diwakili dengan garis lurus. Sedangkan contoh sebaran data yang digambarkan dalam scatter plot di bawah ini (gambar 4). Oleh karena itu. maka inflasi juga meningkat.

Ciri yang lain dapat dilihat dari pengamatan terhadap scatter plott yang menunjukkan kecenderungan sebaran data membentuk lengkung. Ciri yang lain dapat dilihat dari pengamatan terhadap scatter plott yang menunjukkan kecenderungan sebaran data yang berbentuk lengkung dengan arah yang berbeda.. Yogjakarta. yaitu titik peralihan bentuk kurva dari cekung menjadi cembung atau dari cembung menjadi cekung. Oleh karena itu sering disebut juga dengan fungsi berderajat tiga.Model Kuadratik Salah satu ciri model kuadratik dapat diketahui dari adanya pangkat dua pada salah satu variabel bebasnya.6) ……….5) 9 Dumairy. Matematika Terapan Untuk Bisnis dan Ekonomi. (pers. tidak seperti model linier yang cenderung lurus. p.. Model kuadratik dituliskan dalam persamaan fungsi sebagai berikut: Y = b0 + b1X1 + b2X12 + e Model Kubik Salah satu ciri model kubik dapat diketahui dari adanya pangkat tiga pada salah satu variabel bebasnya. BPFE. Setiap fungsi kubik setidaktidaknya mempunyai sebuah titik belok (inflexion point).140 26 .9 Model kuadratik dituliskan dalam persamaan fungsi sebagai berikut: Y = b0 + b1X1 + b1X12 + b1X13 + e (pers. ……….

Notasi Model Huruf Y memerankan fungsi sebagai variabel dependen atau variabel terikat. atau β 1. Sedang variabel independen yang secara umum disimbolkan dengan huruf X diletakkan disebelah kanan tanda persamaan. Oleh karena itu variabel ini mempunyai nama lain seperti variabel independen. Huruf X menggambarkan variabel bebas atau variabel yang mempengaruhi. Nilai konstanta ini merupakan nilai dari variabel Y ketika variabel X bernilai nol. Y sering juga disebut sebagai variabel gayut. Huruf b0 sering juga dituliskan dengan huruf a. sedang bila bertanda negatif titik potongnya di sebelah bawah titik origin. nilai konstanta merupakan sifat bawaan dari Y. Jika konstanta itu bertanda positif maka titik potongnya di sebelah atas titik origin (0). variabel yang dipengaruhi. Parameter ini sering juga dituliskan dengan bentuk b. Meskipun dituliskan dengan tanda yang 27 . yaitu menunjukkan konstanta atau intercept yang merupakan sifat bawaan dari variabel Y. b2. β n. penulisan huruf Y diletakkan disebelah kiri tanda persamaan. Atau dengan bahasa yang mudah. Konstanta ini mempunyai angka yang bersifat tetap yang sekaligus menunjukkan titik potong garis regresi pada sumbu Y. α . Secara substansi penulisan itu mempunyai arti yang sama. variabel penduga. atau juga variabel eksogen. Peletakannya di sebelah kanan tanda persamaan menunjukkan perannya sebagai variabel yang mempengaruhi. Huruf b1. atau juga β 0. Dengan alasan keseragaman. variabel estimator. β 2. atau variabel endogin. bn merupakan parameter yang menunjukkan slope atau kemiringan garis regresi.

jika variabel X mengalami perubahan. jika variabel X mengalami perubahan. Simbol error ini tidak jarang dituliskan dalam huruf ε atau µ . Jika nilai b besarnya lebih dari satu (b>1) maka disebut elastis. Nilai beta ini memungkinkan untuk bernilai positif maupun negatif. Jika nilai b besarnya lebih kecil dari angka satu (b<1) disebut inelastis. Tanda positif menunjukkan hubungan yang searah antara variabel X dengan variabel Y. secara substansi parameter ini menunjukkan beta atau koefisien korelasi yang sekaligus menunjukkan tingkat elastisitas dari variabel X tersebut. Artinya. Jika nilai b besarnya sama dengan angka satu (b=1) disebut uniter elastis.berbeda. Arah hubungan seperti itu tidak terjadi pada beta yang berangka negatif. maka variabel Y akan mengalami perubahan yang lebih besar dari perubahan yang ada pada variabel X tersebut. Jika X meningkat maka Y menurun. Artinya jika X mengalami peningkatan maka Y juga mengalami peningkatan. Karena jika tandanya negatif arah hubungan X terhadap Y saling berlawanan. Sebaliknya jika X mengalami penurunan maka Y pun akan menurun. Demikian pula. Simbol ini merupakan karakteristik dari ekonometrika yang tidak dapat dilepaskan dari unsur-unsur stokhastik atau hal-hal 28 . sebaliknya jika X menurun maka nilai statistik t meningkat. maka variabel Y akan mengalami perubahan yang sama besar dengan perubahan yang ada pada variabel X tersebut. maka variabel Y akan mengalami perubahan yang lebih kecil dari perubahan yang ada pada variabel X tersebut. karena nilai koefisien korelasi ini juga menunjukkan tingkat elastisitas. Huruf e merupakan kependekan dari error term atau kesalahan penggganggu. maka dari besarnya nilai koefisien korelasi (b) tersebut dapat ditentukan jenis elastisitasnya. Artinya. jika variabel X mengalami perubahan. Artinya.

kesalahan asumsi dalam menentukan teori yang diwujudkan sebagai model. ketidaklengkapan data yang dianalisis. Misalnya. dalam arti tidak menunjukkan kebenaran yang mutlak.yang mengandung probabilita. Kesalahan pengganggu ini sendiri mempunyai banyak sebab yang dapat menimbulkannya seperti: 1. 29 . menunjukkan ketergantungan variabel Y terhadap variabel X b0 = intercept. Oleh karena itu nama lain dari simbol ini tidak terlepas dari sifat dasar itu seperti: disturbance error atau stochastic disturbance. 2. atau sebaliknya. karena hasil yang ditunjukkan oleh model ekonometrika hanya bersifat perkiraan. 4. seharusnya digunakan model kuadratik tetapi justru yang digunakan adalah model linier. Model Ekonomi biasanya dituliskan dalam bentuk persamaan sebagai berikut: Y = b0 + b1X1 + b2 X2 Tanda b = parameter. tidak seluruh variabel bebas yang mempunyai potensi dalam mempengaruhi variabel terikat dapat disebutkan dalam model. ketidaktepatan model yang digunakan. 3. Spesifikasi Model dan Data Secara spesifik model dalam ekonometrika dapat dibedakan menjadi: model ekonomi (economic model) dan model statistic (statistical model). menjelaskan nilai variabel terikat ketika masing-masing variabel bebasnya bernilai 0 (nol).

Nilai e sendiri merupakan selisih antara nilai kenyataan dan nilai harapan. Model Statistik Model ekonomi seperti yang dijelaskan di atas. model ini tidak mampu menjelaskan variabelvariabel ekonomi secara pas (clear). Dalam model ini nilai e tidak tertera.Model ini menggambarkan rata-rata hubungan sistemik antara variabel Y. maka dapat pula ditulis: E (Y) = b0 + b1X1 + b2 X2 Karena nilai harapan. maka model menjadi lebih realistik. Dalam teori ekonomi. mencerminkan nilai harapan. maka Y= ˆ atau e = Y – Y +e ˆ Y = E (Y) = b0 + b1X1 + b2 X2 Y = b0 + b1X1 + b2 X2 + e ˆ Y tanda e pada persamaan di atas mencerminkan distribusi probabilitas. oleh karena itu membutuhkan regresi. Secara matematis dapat dituliskan sebagai berikut: e = Y – E(Y) jadi. Pengakuan adanya variabel lain yang berpengaruh. maka tentu tidak akan secara pasti sesuai dengan realita. X2. cukup ditulis dengan tanda e. meskipun tidak disebutkan variabel apa. Agar 30 . Atau dapat pula dianggap sebagai pengganti variabel-variabel berpengaruh lain selain variabel yang dijelaskan dalam model. karena. X1. karena nilai e diasumsikan non random. Dalam realita. Oleh karena itu akan muncul nilai random error term (e). e merupakan representasi dari asumsi ceteris paribus.

E (Y) = b0 + b1X1 + b2 X2 2. Nilai harapan Y tergantung pada nilai masingmasing variabel penjelas dan parameterparameternya. Dengan menggunakan asumsi E(e) = 0. ej) = 0. statistik Y menjadi sebagai beriku: 1. 2. Karena masing. Variance distribusi probabilitas Y tidak dapat berubah setiap observasi. tetapi rata-rata e harus = 0. Asumsi-asumsinya adalah: 1. 3. masing observasi Y tergantung pada e. Cov (ei. 4. Asumsi ini menjelaskan bahwa residual bersifat homoskedastik. Kovarian ei dan ej mempunyai nilai nol. Nilai nol dalam asumsi ini menjelaskan bahwa antara ei dan ej tidak ada korelasi serial atau tida berkorelasi (autocorrelation). Nilai random error mempunyai distribusi probabilitas yang normal. E(e) = 0. maka nilai e harus diasumsikan. Meskipun e bisa bernilai positif atau negatif. masing-masing random error mempunyai distribusi probabilitas = 0. Dengan demikian.terdapat gambaran yang jelas. maka rata-rata perubahan nilai Y untuk setiap observasi ditentukan oleh fungsi regresi. Var (Y) = Var (e) = σ 2 31 . artinya: masing-masing random error mempunyai distribusi probabilitas variance yang sama dengan standar deviasi ( σ 2 ). maka masing-masing Y juga memiliki varian yang random. Nilai harapan e sama dengan 0 (nol). Variance residual sama dengan standar deviasi Var (e) = σ 2 .

Cov (Yi. variabel penduga. yaitu: 1. variabel yang mempengaruhi. Yj) = Cov (ei. Variabel independen tidak bersifat random. Cirinya. Asumsi ini penting agar tidak terjadi redundancy. variabel yang dijelaskan. ej) = 0 4. 2. Cirinya terletak pada sebelah kanan tanda persamaan (=). berada pada sebelah kiri tanda persamaan (=). variabel tak bebas. Kesimpulan: Dalam suatu model regresi terdapat dua jenis variabel. biasa pula disebut sebagai variabel independen. Variabel bebas sering disimbolkan dengan X. variabel yang diestimasi. biasa pula disebut sebagai variabel dependen. variabel penjelas. karena dengan jelas dapat diketahui dari data. Perlu adanya asumsi tambahan terhadap variabel penjelas. Dalam suatu model juga terdapat parameterparameter yang disebut konstanta. yaitu variabel terikat dan variabel bebas. Tidak ada kaitan langsung antara observasi satu dengan observasi lainnya. 32 . Nilai Y secara normal terdistribusi di sekitar ratarata. Konstanta sering disimbolkan dengan a. variabel yang dipengaruhi. juga koefisien korelasi. Variabel terikat sering disimbolkan dengan Y. yang dipisahkan oleh tanda persamaan. atau β 0. Asumsi-asumsi di atas difokuskan pada pembahasan variabel terikat.3. atau b0. variabel yang mempengaruhi. Variabel independen tidak merupakan fungsi linear dari yang lain. variabel estimator. variabel prediktor. yang menyebabkan multikolinearitas.

Coba uraikan asumsi-asumsi yang harus dipenuhi dalam regresi linier! 33 . Tugas: Buatlah rangkuman dari pembahasan di atas! 2. Jelaskan perbedaan antara jenis-jenis model ekonometrika! d. -000- 1. B. menunjukkan slope. b. elastisitas. Sebutkan apa saja jenis-jenis model ekonometrika! c.Koefisien korelasi disebut pula sebagai beta. Cobalah untuk menyimpulkan maksud dari uraian bab ini! Jawablah pertanyaan-pertanyaan di bawah ini: Jelaskan apa yang dimaksud dengan model! b. kemiringan. a. 3.

BAB III MODEL REGRESI DENGAN DUA VARIABEL Tujuan Pengajaran: Setelah mempelajari bab ini. anda diharapkan dapat: Mengetahui kegunaan dan spesifikasi model Menjelaskan hubungan antar variabel Mengaitkan data yang relevan dengan teori Mengembangkan data Menghitung nilai parameter Mengetahui arti dan fungsi parameter Menentukan signifikan tidaknya variabel bebas Membaca hasil regresi Menyebutkan asumsi-asumsi. 34 .

..BAB III MODEL REGRESI DENGAN DUA VARIABEL Bentuk model Model regresi dengan dua variabel10 umumnya dituliskan dengan simbol berbeda berdasarkan sumber data yang digunakan.3. Fungsi regresi yang menggunakan data populasi (FRP) umumnya menuliskan simbol konstanta dan koefisien regresi dalam huruf besar.1) Fungsi regresi yang menggunakan data sampel (FRS) umumnya menuliskan simbol konstanta dan koefien regresi dengan huruf kecil. yang juga menggambarkan tingkat elastisitas variabel independen Y. merupakan variabel dependen 10 Yaitu satu variabel dependen dan satu variabel independen 35 . merupakan konstanta atau intercept B atau b. sebagai berikut: Y = A + BX + ε ………. meskipun tetap dituliskan dalam persamaan fungsi regresi. merupakan koefisien regresi. (pers. seperti contoh sebagai berikut: Y = a + bX + e ……….2) Dimana: A atau a.3. (pers.

36 . Metode Kuadrat Terkecil Biasa (Ordinary Least Square) (OLS) Penghitungan konstanta (a) dan koefisien regresi (b) dalam suatu fungsi regresi linier sederhana dengan metode OLS dapat dilakukan dengan rumus-rumus sebagai berikut: Rumus Pertama (I) Mencari nilai b: b= n ( ∑ XY ) − ( ∑ X )( ∑Y ) n (∑ X ) − ( ∑ X ) 2 2 mencari nilai a: Y −b. LPFEUI. namun penghitungannya menggunakan metode yang sama. J. ∑ X a= ∑ n 11 12 Supranto. b. Buku satu. seorang Matematikawan Jerman. 1983 Ordinary Least Square (OLS) ditemukan oleh Carl Friedrich Gauss. Huruf a. Jakarta. disebut sebagai estimator atau statistik. atau dengan metode Maximum Likelihood. merupakan variabel independen Notasi a dan b merupakan perkiraan dari A dan B. pada tahun 1821. Ekonometrik. sedangkan nilainya disebut sebagai estimate atau nilai perkiraan.X. yaitu dapat dilakukan dengan metode kuadrat terkecil biasa (ordinary least square)12.11 Meskipun penulisan simbol konstanta dan koefisien regresinya agak berbeda..

Rumus kedua (II) Mencari nilai b: b= ∑xy ∑x 2 mencari nilai a: a= − X Y b Misalnya saja kita ingin meneliti pengaruh bunga deposito jangka waktu 1 bulan (sebagai variabel X = Budep) terhadap terjadinya inflasi di Indonesia (sebagai variabel Y=Inflasi) pada kurun waktu Januari 2001 hingga Oktober 2002. yang datanya tertera sebagai berikut: 37 .

11 13.22 13.13 14.55 14.06 13.79 14.01 12.19 15.97 13.91 12.62 10.14 14.55 15.16 14.58 13.22 38 .49 X1 13.82 12.21 16.85 14.28 9.48 10.02 16.81 13.08 13.88 15.04 12.6 10.13 324.67 15.23 13.33 260.3 12.03 14.97 15.48 10.91 16.39 14.76 15.51 10.93 11.93 13.14 10.42 15.Observasi Jan 01 Peb 01 Mar 01 Apr 01 Mei 01 Jun 01 Jul 01 Agu 01 Sep 01 Okt 01 Nop 01 Des 01 Jan 02 Peb 02 Mar 02 Apr 02 Mei 02 Jun 02 Jul 02 Agu 02 Sep 02 Okt 02 Jumlah Y 8.05 10.47 12.

Bantuan dengan SPSS Cara memasukkan data tersebut di atas ke dalam SPSS. bukan variabel View! 39 . 2. dapat dilakukan dengan tahapan sebagai berikut: 1. Masukkan data ke masing-masing kolom. Pastikan bahwa yang aktif adalah Data View (lihat pojok kiri bawah). Caranya: tampilkan program SPSS di layar monitor. Pastikan bahwa lembar worksheet SPSS sudah siap digunakan.

(Meskipun yang dimasukkan adalah huruf besar. Width. Beri nama kolom tersebut sesuai nama variabelnya. Masukkan nama variabel ke dalam kolom Name. align. label. measure.3. 40 . tetapi dalam kolom akan muncul huruf kecil). Misal kita mau memberi nama variabel dengan Y. values. Type. Caranya: klik Variabel View (pojok kiri bawah). maka akan muncul kolom: Name. missing. Jika hendak memberi nama tersebut dengan Inflasi. maka ketik Y. Decimals. columns. maka ketik inflasi.

4. dimana X12 ini merupakan X1 yang dikuadratkan. Sesuai contoh. Karena akan menghitung kuadrat. kemudian pilih Compute. Data awal yang dimasukkan tadi dapat dikembangkan menjadi seperti hitungan dalam tabel di bawah (misal menjadi X12). maka layar SPSS akan berubah menjadi seperti dalam gambar sebagai berikut: Pada kotak Target Variable (kanan atas) isilah dengan nama variabel baru (variabel pengembangan). Caranya: klik Transform. ketik X12. maka caranya: variabel yang ada di kolom Type&Label diblok (klik) 41 .

serta nilai XY.pindahkan ke dalam kolom Numeric Expression menggunakan langkah klik pada tanda segitiga penunjuk arah. dan kemudian ketik OK. lakukan dengan cara memindahkan salah satu nama variabel yang hendak dikalikan (misalnya. Berdasarkan data yang tertera di atas. 5. sehingga nantinya dapat secara langsung diaplikasikan ke dalam rumus. worksheet data akan menampakkan variabel baru dengan data yang dihitung tadi. Seandainya kita ingin menggunakan rumus pertama. nilai Y2. Pengembangan data yang dimaksudkan adalah menentukan nilai X12. setelah itu klik OK. Untuk membuat data perkalian. maka langkah awal yang dapat dilakukan adalah mengadakan penghitunganpenghitungan atau pengembangan data untuk disesuaikan dengan komponen rumus. pilih tanda pengali (*) dan ikuti dengan memindahkan lagi variabel lainnya yang hendak dikalikan (misal X). baik itu rumus pertama ataupun kedua. Setelah itu pilih ** (pada tuts kalkulator) dan ketik angka 2 (karena hendak mengkuadratkan). Y) dari kotak Type&Label ke Numeric Expression. Jika tahapan tersebut telah dilalui. maka nilai a dan b dapat dicari melalui penggunakan kedua rumus tersebut. Hasil pengembangan data dapat dilihat pada tabel berikut: 42 .

2601 155.8256 220.19 15.5025 207.55 15.5009 166.67 15.3184 135.91 12.97 15.76 15.11 13.5225 202.88 15.4355 233.0416 149.3 12.1744 248.0831 203.04 12.5584 83.7641 262.5636 190.911 147.62 10.815 196.8667 198.47 12.0025 112.0449 184.398 Setelah mendapatkan hitungan-hitungan hasil pengembangan data.9364 228.2354 187.4164 172.1368 126.0724 146.3977 206.97 13.5396 112.79 14.1609 190.82 12.8304 106.28 9.6521 170.13 14.93 11.478 142.22 X12 170.21 16.2464 176.7844 110.89 167.42 15.3614 144.93 13.8025 229.48 10.49 X1 13.16 14.5489 253.0188 170.6 10.8182 203.9169 198.81 13.51 10.4598 240.525 Y2 68. maka angka-angka tersebut dapat secara langsung dimasukkan ke dalam rumus I.01 12.8409 199.6404 262.9008 206.14 10.Observasi Jan 01 Peb 01 Mar 01 Apr 01 Mei 01 Jun 01 Jul 01 Agu 01 Sep 01 Okt 01 Nop 01 Des 01 Jan 02 Peb 02 Mar 02 Apr 02 Mei 02 Jun 02 Jul 02 Agu 02 Sep 02 Okt 02 Jumlah Y 8.1641 196.05 10.03 14.6329 3871.1161 252.1849 131.85 14.48 XY 108.22 13.2644 221.39 14.4601 117.9396 207.58 13. sebagai berikut: Mencari nilai b: b= n ( ∑ XY ) − ( ∑ X )( ∑Y ) n (∑ X ) − (∑ X ) 2 2 43 .658 142.7904 101.8046 171.2084 194.08 13.06 13.36 109.33 260.91 16.6681 157.2234 148.9329 151.48 10.3969 4800.02 16.6456 183.1281 256.1009 245.5729 169.23 13.0721 224.7089 3148.13 324.14 14.55 14.7161 195.3776 241.

4 6 .800 .b= = = 22 ( 3.4497 dengan diketahuinya nilai b.Langkah yang dapat dilakukan dicontohkan sebagai berikut: 44 .49 ) 22 ( 4.4497 (324 .871 .7 − 4 .6 1 .22 )( 260 .22 ) 2 8 .022 22 = = a = -9.1 0 . Mencari nilai a: Y −b. karena rumus pencarian a terkait dengan nilai b. perlu menghitung dulu komponen-komponen rumus. maka nilai a juga dapat ditentukan.0 7 5 7 6 8 5 68 1 5 .9916 b = 1.49 −1.6 − 0 .398 ) − ( 324 .22 ) 22 260 .5241 Seperti telah dijelaskan di atas. Demikian pula.49 − 470 . ∑ X a= ∑ n 260 . agar dapat secara langsung menggunakan rumus II ini.6922 492 .6 8 0 1 0 15 1 04 714 .525 ) − ( 324 .1 8 . bahwa nilai a dan b dapat pula dicari dengan menggunakan rumus kedua.

kita perlu menemukan dulu nilai dari xy x ∑ atau ∑ 2 yang dapat dilakukan dengan rumusrumus sebagai berikut: ∑x ∑y 2 =∑X 2 −(∑X ) / n 2 2 2 =∑ 2 −(∑ ) / n Y Y −(∑ ∑ ) / n X Y xy X ∑ =∑ Y maka: x ∑ = 4800.49 2 22 = 3148.48 - 260 .53 2 324 .32 = 64.53 – 4778.22 2 22 = 4800.49 ) 22 45 .40 - (324 .48 – 3084.12 = 22.22 −260 .41 ∑y 2 = 3148.16 xy ∑ = 3871.Mencari nilai b. menggunakan rumus kedua: b= ∑xy ∑x 2 Dari rumus di atas.

49 Dengan diketahuinya.8405 – (1. sedangkan tiga angka di belakang koma mulai ada perbedaan. nilai a = -9.= 3871.4498. Perbedaan ini sifatnya tidak tidak substansial. Pada penghitungan rumus I nilai a = –9.91 = 32. nilai-nilai tersebut.5256 dan b = 1.4498 Dengan diketahuinya nilai b.7373) = 11.40 – 3838. maka nilai a juga dapat dicari dengan rumus sebagai berikut: a= − X Y b = 11. Dengan demikian dapat disimpulkan bahwa. mencari a dan b dengan rumus I ataupun rumus II akan menghasilkan nilai yang sama.4498 x 14.4497. karena munculnya perbedaan itu sendiri akibat dari pembulatan.8405 – 21. maka nilai b dapat ditentukan. 46 . yaitu: b= 32 .49 22 .5256 Hasil pencarian nilai a dan b dengan menggunakan rumus I dan II didapati angka yang cenderung sama. Sedangkan hasil penghitungan dengan rumus II.5241 dan b = 1.41 = 1.3661 a= -9. Tampak bahwa hingga dua angka di belakang koma tidak terdapat perbedaan.

47 . SPSS akan menunjukkan hasilnya. pindahkan variabel X ke kotak Independent Variable. Caranya: Klik Analize.Bantuan dengan SPSS Nilai a dan b dapat dilakukan dengan melalui bantuan SPSS. Nilai a dan b akan tertera dalam output berjudul Coefficient. pilih regression. pilih linear. kemudian klik OK. masukkan variabel Y ke dalam kotak Dependent Variable (caranya pilih variabel Y dan pindahkan dengan klik pada segitiga hitam).

9236 a.Output Model Summary Model 1 R R Square . X1 48 . Predictors: (Constant).721 Std.734 Adjusted R Square .857 a . Error of the Estimate .

8 82 1.8 5 3 F 5 5 .4 3 1 Sig . namun nilai a dan b baru dapat dikatakan valid (tidak bias)13 apabila telah memenuhi beberapa asumsi. D e p e n d e n t V a ria b le : Y df 1 20 21 M e a n S q u a re 4 7 . 49 . Erro r Beta -9.19 5 . D e pe nd en t Varia ble: Y Catatan: Hasil penghitungan manual dan SPSS tampaknya ada perbedaan dalam desimal. yang terkenal dengan 13 Tidak bias artinya nilai a atau nilai b yang sebenarnya. jika asumsi tidak terpenuhi.8 57 M o de l 1 (Con stan t) X1 t -3.1 6 0 a .3 0 5 7.0 0 0 C o e ffic ie na ts Stan da rdi zed Un stan da rd ized C oe fficie n C o efficien ts ts B Std.00 0 a .1 0 1 R e s id u a l 1 7 . Meskipun nilai a dan b dapat dicari dengan menggunakan rumus tersebut. .1 0 1 .2 2 0 S ig .00 4 .4 50 . P re d ic to rs : (C o n s ta n t). X 1 b .A N O Vb A Sum of M odel S q u a re s 1 R e g re s s io n 4 7 .0 5 9 T o ta l 6 4 . a . Itu disebabkan adanya penghitungan pembulatan. Dikatakan demikian sebab.5 27 2 . nilai a dan b besar kemungkinannya tidak merupakan nilai yang sebenarnya.

yaitu: 1). Nilai nol dalam asumsi ini menjelaskan bahwa antara ei dan ej tidak ada korelasi serial atau tida berkorelasi (autocorrelation). Yj) = 0. mempunyai nilai nol. general). ej) = 0. 2). standard. Varian ei dan ej sama dengan simpangan baku (standar deviasi). umum (classic. Lihat Supranto (1983:73). Autokorelasi. modelnya sering juga disebut sebagai model regresi klasik. Asumsi nilai harapan bersyarat (conditional expected value) dari ei. 3). 50 .3. Prinsip-prinsip Metode OLS 14 Disebut klasik karena penemuannya pada jaman klasic (classic era). dan Heteroskedastisitas. Asumsi 1. i ≠ j Autokorelasi Var (Yi/Xi) = σ 2 Heteroskedas -tisitas Penjelasan asumsi-asumsi ini secara rinci akan dibahas pada bab tersendiri tentang Multikolinearitas.2.sebutan asumsi klasik. dengan syarat X sebesar Xi. di atas diringkas sebagai berikut: Asumsi 1 2 3 Dinyatakan E E (ei/Xi) = 0 Kov (ei . i ≠ j Var (ei/Xi) = σ 2 dalam Dinyatakan dalam Y Digunakan untuk membahas E (Yi/Xi) = A + Bxi Multikolinearitas Kov (Yi . Kovarian ei dan ej mempunyai nilai nol.14 Asumsi-asumsi yang harus dipenuhi dalam OLS ada 3 asumsi. baku.

atau Y cap). dan e (error).Perlu diketahui bahwa dalam metode OLS terdapat prinsip-prinsip antara lain: 1. b. Sedangkan data disimbolkan dengan Y saja. Regresi sendiri akan menghitung nilai a. Nilai b atau disebut koefisien regresi berfungsi untuk menentukan tingkat kemiringan garis regresi. apabila nilai a < 0 maka titik potongnya akan berada di bawah origin (0). tetapi ada pula yang tidak berada pada garis regresi. Nilai a dalam garis regresi digunakan untuk menentukan letak titik potong garis pada sumbu Y. 2. Perlu diingat. Data yang tidak berada tepat pada garis regresi akan memunculkan nilai residual yang biasa disimbulkan dengan ei. Garis regresi ˆ disimbolkan dengan Y (baca: Y topi. yang berfungsi sebagai Y perkiraan. oleh karena itu dilakukan dengan cara matematis. Jika nilai a > 0 maka letak titik potong garis regresi pada sumbu Y akan berada di atas origin (0). Untuk data yang tepat berada pada garis maka nilai ˆ Y sama dengan Y . Analisis dilakukan dengan regresi. atau sering pula disebut dengan istilah kesalahan pengganggu. Semakin rendah nilai b. maka derajat kemiringan garis regresi 51 . Hasil regresi akan menghasilkan garis regresi. ada data yang tepat berada pada garis regresi. Garis regresi ini merupakan representasi dari bentuk arah data yang diteliti. yaitu analisis untuk menentukan hubungan pengaruh antara variabel bebas terhadap variabel terikat. bahwa dalam setiap data tentu mempunyai lokus sebaran yang berbeda dengan yang lainnya.

. X1 a 0 b . maka derajat kemiringan garis regresi terhadap sumbu X semakin tinggi. karena nilai b > 1. ˆ maka garis Yi = a + bX i besarnya adalah: ˆ Yi = − . . didapatkan dari memasukkan angka Xi ke dalam persamaan Yi = a + bXi +e.449 X i 9 Karena nilai a dalam garis regresi bertanda negatif (-) dengan angka 9. . e . .525 +1. o . Tanda positif pada parameter b 52 . . semakin tinggi nilai b. setiap perubahan nilai X akan diikuti perubahan yang lebih besar pada nilai Y.terhadap sumbu X semakin rendah pula.525.525. Nilai parameter b variabel X yang besarnya 1. e . Gambaran uraian di atas dapat dilihat pada gambar berikut: Y ˆ Yi = a + bX i Y1 . Dengan menggunakan hasil hitungan pada data di atas.449 menunjukkan arti bahwa variabel X tersebut tergolong elastis. X ˆ Munculnya garis Yi = a + bX i seperti dalam gambar di atas. . Sebaliknya. Artinya. maka garis regresi akan memotong sumbu Y dibawah origin (0) pada angka – 9.

Tanda (-) pada koefisien regresi menunjukkan hubungan yang berlawanan. maka variabel terikat akan menurun. Demikian pula sebaliknya. dengan perbandingan perubahan 1:1. jika X mengalami perubahan yang menurun. Ingat Elastisitas Jenis Elastisitas Elastik Elastik Unitary Inelastik Koefisien Elastisitas E>1 E=1 E<1 Sifat Elastisitas Perubahan yang terjadi pada variabel bebas diikuti dengan perubahan yang lebih besar pada variabel terikat Perubahan yang terjadi pada variabel bebas diikuti dengan perubahan yang sama besar pada variabel terikat Perubahan yang terjadi pada variabel bebas diikuti dengan perubahan yang lebih kecil pada variabel terikat Tanda (+) pada koefisien regresi menunjukkan hubungan yang searah. Menguji Signifikansi Parameter Penduga 53 . Sebaliknya. maka Y juga akan menurun. Artinya. Artinya. maka variabel terikat juga meningkat. Demikian pula sebaliknya.449. jika variabel bebas meningkat.tersebut menunjukkan bahwa jika variabel X meningkat maka Y juga akan meningkat. jika variabel bebas meningkat.

Variabel yang disimbolkan dengan X (disebelah kanan tanda persamaan) disebut dengan variabel bebas (independent variable).A. maka yang digunakan adalah uji t. Metode dengan membandingkan antara nilai statistik (nilai hitung) dengan nilai tabel seperti itu digunakan pula pada pengujian signifikansi secara serentak atau secara bersama-sama. Hal Pengujian ini dikembangkan oleh Neyman dan Pearson. Utamanya metode OLS ditujukan tidak hanya menghitung berapa besarnya a atau b saja. Fisher. Pengujian signifikansi secara individual pertama kali dikembangkan oleh R. Jika hanya menguji signifikansi satu variabel bebas saja. tetapi juga digunakan pula untuk menguji tingkat signifikansi dari variabel X dalam mempengaruhi Y. dan 2) pengaruh secara bersama-sama. maka variabel X dinyatakan signifikan mempengaruhi Y. yaitu: 1) pengaruh secara individual. Hanya saja untuk pengujian secara bersama-sama menggunakan alat uji pembandingan nilai F. dengan alat ujinya menggunakan pembandingan nilai statistik t dengan nilai t tabel. jika nilai statistik t lebih kecil dibanding dengan nilai t tabel. Hal mendasar yang membedakan antara penggunaan uji t dan uji F terletak pada jumlah variabel bebas yang diuji signifikansinya dalam mempengaruhi Y. Oleh karena itu disebut sebagai uji signifikansi secara individual.Seperti dijelaskan di muka. Pengujian signifikansi variabel X dalam mempengaruhi Y dapat dibedakan menjadi dua. yaitu: variabel yang disimbolkan dengan Y (yang terletak di sebelah kiri tanda persamaan) disebut dengan variabel terikat (dependent variable). dalam persamaan fungsi regresi OLS variabelnya terbagi menjadi dua. Apabila nilai statistik t lebih besar dibandingkan dengan nilai t tabel. Sedangkan 54 . Sebaliknya. maka variabel X dinyatakan tidak signifikan mempengaruhi Y.

yang ternyata telah dirumuskan sebagai berikut: Sb = Uji t R.pengujian signifikansi yang menggunakan lebih dari satu variabel bebas yang diuji secara bersama-sama dalam mempengaruhi Y. tergantung permintaan dari user. Pearson F hitung > F tabel F hitung < F tabel Serentak Lebih dari satu ∑ (Y − Yˆ ) ( n − k )∑ ( X − X ) 2 t t t 2 t t 2 Atau dapat ditulis pula dengan rumus sebagai berikut: ∑e Sb = ( n − k )∑( X −X) 2 55 . Namun perlu bagi kita untuk mengetahui formula dari standar error dari b. Sebagai perbandingan antara penggunaan uji t dan uji F dapat dilihat pada tabel berikut: Tabel. Fisher t hitung > t tabel t hitung < t tabel Individual Satu Uji F Neyman. maka alat ujinya adalah menggunakan uji F. perlu terlebih dulu menghitung standar error atau standar deviasi dari b.A. Berbagai software komputer telah banyak yang melakukan penghitungan secara otomatis. 2. Pembandingan antara uji t dan uji F Hal yang dibandingkan Penemu Signifikan Tidak signifikan Pengujian Banyaknya variabel Uji t Untuk menguji hipotesis bahwa b secara statistik signifikan.

untuk ˆ mempermudah penghitungan e atau Yt −Yt . Angka sebesar itu dapat dikatakan signifikan jika derajat kesalahan (α ) telah 56 ditentukan sebesar 0. baik pada tabel Coefficient maupun ANOVA menunjukkan tingkat signifikansi pada derajat kesalahan (α ) tertentu. maka diperlukan ˆ menghitung nilai Yt terlebih dulu.04 itu berarti bahwa tingkat kesalahannya mencapai 4%. menunjukkan angka 0. . Guna menghitung standar deviasi dari data yang tersedia berdasar rumus di atas. Caranya adalah memasukkan nilai X ke dalam hasil regresi yang di hasilkan di atas.01 maka angka tersebut tidak signifikan.Dimana: Yt dan Xt adalah data variabel dependen dan independen pada periode t ˆ Yt adalah nilai variabel dependen pada periode t yang didapat dari perkiraan garis regresi X merupakan nilai tengah (mean) dari variabel independen ˆ e atau Yt −Yt merupakan error term n adalah jumlah data observasi k adalah jumlah perkiraan koefisien regresi yang meliputi a dan b (n-k) disebut juga dengan degrees of freedom (df). kolom Sig. • Kolom Sig. Dengan demikian tabel data ˆ akan menghasilkan kolom Yt sebagaimana tertera pada tabel di bawah ini. Misal. Tetapi jika α ditentukan 0. Bantuan dengan SPSS • Uji t dapat dilihat dalam output hasil regresi dengan SPSS pada tabel Coefficient.05. • Uji F dapat dilihat dalam output hasil regresi dengan SPSS pada tabel ANOVA.

045 1.30 1.21 16.223 0.23 13.219 2.183 13.97 13.60 -0.431 0.328 13.19 15.413 10.52 2.42 15.001 1.279 1.198 13.62 10.23 0.03 14.733 10.468 1.024 12.3 12.48 10.952 13.27 57 .06 13.650 0.11 13.131 1.77 -0.79 14.628 0.47 12.55 14.81 0.91 12.501 10.04 12.000 1.93 11.59 0.472 10.90 0.67 15.28 9.81 13.038 0.45 1.93 -0.05 9.16 14.42 0.11 -0.795 -1.277 0.502 13.64 2.279 2.752 0.095 ˆ Y ˆ ˆ (Y −Y ) (Y −Y ) ( X − X ) ( X − X ) 2 2 -1.566 0.93 1.01 12.076 -0.13 14.17 1.16 2.002 0.01 0.86 1.001 0.458 12.981 13.95 -0.05 0.047 -0.546 13.14 14.50 0.092 -1.97 15.157 0.88 15.284 1.013 0.046 0.12 0.02 16.361 -0.08 13.28 1.113 0.36 0.47 1.979 11.188 -1.18 0.82 12.10 1.71 -0.Tabel pengembangan data untuk menghitung Standar Deviasi X1 13.14 10.86 0.632 2.528 -1.076 0.009 11.699 0.51 10.35 0.472 -0.22 Y 8.885 0.342 12.851 0.14 1.82 0.68 -0.133 -1.39 14.55 15.02 0.66 0.85 14.820 10.91 16.705 13.04 0.37 1.035 1.76 15.

06 0.665 17. Sb dapat pula dicari melalui jalan lain dengan rumus yang dapat dituliskan sebagai berikut: Sb = 2 se ∑ xi2 Bila kita hendak menggunakan rumus ini.6 10.66 1. tentu terlebih dulu harus mencari nilai total ei2 yang dapat dicari melalui rumus berikut ini: 58 .41 Dengan adanya pengembangan data menjadi seperti tertera pada tabel di atas.48 10.167 9.313 0.06 20 ( 22 .2 = 0. maka perlu terlebih dulu mencari nilai S e2 yang dapat dicari dengan membagi nilai total ei2 dengan n-2.098 0.81 -1.006 0.49 10.41 ) 17 .33 260.591 -0.35 2.195 Selain dicari dengan rumus seperti di atas.13.06 448 .060 -0.101 0. dimana hasilnya ditemukan sebesar: Sb = = 17 .16 -1.93 13.816 -0.58 13. Jadi S e2 dapat dicari dengan rumus sebagai berikut: 2 se = ∑e 2 i n −2 Agar rumus ini dapat langsung digunakan.59 22. maka Sb dapat segera dicari.075 0.13 324.61 -0.22 10.675 10.515 260.

056 Hitungan di atas telah memastikan bahwa nilai ei2 adalah sebesar 17. yaitu: 59 .16 – 2.056 22 −2 17 .056 20 = 0.056.1040 = 17. maka nilai ei2 dapat diketahui. yaitu: ei2 = 64.8528 Karena nilai s e2 merupakan salah satu komponen untuk mencari nilai Sb.16 – 47.8528 tentu saja nilai Sb pun dapat diketahui.41) = 64.1019 (22.Rumus mencari nilai total ∑ei2 = ∑ y i2 − b 2 ∑xi2 ei2 : Dengan memasukkan nilai komponen rumus yang telah didapatkan melalui hitungan-hitungan terdahulu. maka dengan ditemukannya nilai 2 s e sebesar 0. Dengan diketemukannya nilai ei2 ini maka nilai s e2 pun dapat diketahui melalui hitungan sebagai berikut: 2 se = ∑e 2 i n −2 = = 17 .

4348.195 Hitungan dengan rumus ini ternyata menghasilkan nilai Sb yang sama besar dengan hitungan menggunakan rumus yang pertama.8528 22 . Besarnya angka t hitung ini yang menentukan signifikan tidaknya variabel X dalam mempengaruhi variabel Y. 60 . Nilai t tabel sebenarnya telah ditentukan pada tabel t student yang telah ditetapkan oleh para penemunya.41 = 0. nilai t hitung variabel X adalah sebesar: t = 1. Dengan diketahuinya nilai Sb.4498 0.4348 Penghitungan nilai t dengan cara yang dilakukan di atas. yaitu nilai Sb sebesar 0. Cara menentukan signifikan tidaknya nilai t tersebut adalah melalui pembandingan antara nilai t hitung dengan nilai t tabel.195. menunjukkan bahwa nilai statistik t sebesar 7.195 = 7. maka nilai statistik t (baca: t hitung) dapat ditentukan. Angka tersebut umumnya disebut pula sebagai nilai t hitung.Sb = 2 se ∑ xi2 = 0. karena rumus mencari t hitung adalah: t= b sb Jadi.

Jika nilai t hitung < t tabel.725. Nilai t tabel yang besarnya 2. maka dapat diketahui bahwa.4348. seandainya kita menggunakan derajat kesalahan yang ditolerir adalah 5 % (baca: α = 0. Dengan menggunakan contoh data di atas. maka nilai t tabelnya adalah sebesar 1. maka signifikan. (Lihat data t tabel di halaman lampiran). jika nilai t hitung > t tabel.086.05). karena jumlah k adalah 2. maka degree of freedom (df) sama dengan sebesar nk = 20. dan karena jumlah observasi adalah sebanyak 22 (baca: n=22).Karena untuk menentukan signifikan tidaknya nilai t hitung adalah melalui upaya membandingkan dengan nilai t tabel. sudah tentu angka tersebut lebih kecil dibanding dengan nilai t hitung yang besarnya 7. yaitu 1 parameter a dan 1 parameter b. maka tidak signifikan. Gambaran pengujian nilai t dapat disimak melalui gambar di bawah ini: Daerah diterima Daerah Ditolak Daerah Ditolak 61 . Atas dasar itu dapat dipastikan bahwa variabel X (budep) signifikan mempengaruhi Y (inflasi).

725 Gambar di atas menunjukkan pengujian nilai t dua arah atau two sided atau two tail test. Interpretasi yang dimaksudkan disini adalah mengetahui informasi-informasi yang terkandung dalam hasil regresi melalui pengartian dari angka-angka parameternya.1) -t α /2. langkah terpenting berikutnya adalah menginterpretasi hasil regresi. 62 . Bilai nilai t hitungnya negatif. tetapi telah penuh sebesar 5%. Jika pengujian nilai t menggunakan pengujian satu arah atau one tail test.1.5%.725 Gb. Dengan mengambil hitungan dari contoh kasus di atas. Nilai t hitung bertanda negatif yang nilainya lebih kecil dari nilai –2. (n-k1. Daerah Uji t t α /2. maka daerah tolak berada pada sisi sebelah kanan. Probabilitas daerah tolak tidak lagi terbagi menjadi dua dengan porsi masing-masing 2. maka daerah tolak berada pada sebelah kiri kurva.5%. maka daerah tolak hanya ada pada salah satu kutub saja. Tanda -t α /2 atau t α /2 memberikan arti bahwa masing-masing kutub mempunyai daerah distribusi tolak sebesar 2. sedang bila nilai t hitungnya positif.806 berada pada daerah ditolak. (n-k-1) -1. Interpretasi Hasil regresi Setelah tahapan analisis regresi dilakukan sesuai dengan teori-teori yang relevan.725 berarti berada di daerah tolak.3. Kutub sebelah kanan yang bertanda positif berguna sebagai pembatas nilai t hitung yang lebih kecil dari 1. Kutub sebelah kiri bertanda negatif. Jumlah dari keduanya mencerminkan α = 5%.

Koefisien Determinasi (R2) Pembahasan hasil regresi di atas menunjukkan seberapa besar nilai a. apabila Budep turun sebesar 1% maka Inflasi juga akan mengalami penurunan sebesar 1. yang besarnya 1. E<1 = inelastis. sedangkan nilai b mencerminkan tingkat elastisitas variabel X. Artinya. Nilai b Budep yang besarnya 1. sebanyak 20. maka dapat dipastikan bahwa variabel Budep sangat elastis15. Karena nilai b (1.maka hasil analisis regresi atas pengaruh variabel suku bunga (Budep) (X) terhadap tingkat inflasi di Indonesia selama 22 bulan mulai dari Januari 2001 hingga Oktober 2002 (Inflasi) (Y) dapat ditulis dalam persamaan sebagai berikut: Inflasi = -9. dan t. Nilai a menjelaskan tentang seberapa besar faktor-faktor yang bersifat tetap mempengaruhi inflasi. Nilai t sendiri mempertegas 15 Standar elastisitas dapat diketahui dari: jika E>1 = elastis.f. pada α =5% dengan d. Perlu diingat bahwa nilai b juga mencerminkan tingkat elastisitas variabel X. Terbukti dari nilai thit variabel Budep sebesar 7.4498 menginformasikan bahwa setiap Budep meningkat 1%. Sebaliknya.4498) lebih besar dari angka 1 (satu).4498%.4348) Persamaan di atas menginformasikan bahwa variabel Budep signifikan mempengaruhi variabel Inflasi. E=1 =uniter elastis.4498%.4348 lebih besar dibanding nilai ttabel.725. maka Inflasi akan mengalami peningkatan sebesar 1.5256 + 1. besarnya tingkat perubahan yang terjadi pada Budep akan mengakibatkan tingkat perubahan yang lebih besar pada variabel Y (Inflasi). 63 .4498 Budep + e thit = (7. b.

dan variabel X (Budep) sebagai air. seandainya Y (inflasi) diibaratkan dengan gelas. Nilai yang mendekati angka 1 (satu) menunjukkan variabel-variabel independen memuat hampir semua informasi yang dibutuhkan untuk memprediksi variasi variabel dependen. belum diperoleh keterangan tentang berapa besar pengaruh X (budep) terhadap Y (inflasi). atau seberapa besar pengaruh X (Budep) terhadap Y (Inflasi). yang biasa disimbolkan dengan R2 (baca: R square). Nilai R2 yang mendekati 0 (nol) menunjukkan kemampuan variabel-variabel independen dalam menjelaskan variasi variabel dependen amat terbatas. Artinya. dapat dihitung dengan rumus sebagai berikut: 64 . Untuk memperoleh keterangan banyaknya isi (air) yang ada dalam gelas. Juga. Koefisien determinasi (R2) pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel terikat. Untuk menentukan koefisien determinasi (R2) pada regresi linier sederhana. R2 menunjukkan seberapa besar sumbangan X terhadap Y. Besarnya nilai koefisien determinasi adalah di antara nol dan satu (0<R2<1). Dengan kalimat lain dapat dijelaskan bahwa koefisien determinasi (R2) adalah angka yang menunjukkan proporsi variabel dependen yang dijelaskan oleh variasi variabel independen. dapat digunakan sebagai ukuran ketepatan dalam menentukan prediktor. maka perlu dilakukan penghitungan koefisien determinasi. maka hitungan-hitungan yang dilakukan di atas belum mampu memberikan informasi tentang seberapa banyak air yang ada dalam gelas tersebut.signifikan tidaknya variabel X dalam mempengaruhi Y. Sebagai ilustrasi. Dari beberapa nilai yang didapatkan tersebut.

06 ] 714 . Dengan demikian pada tabel model summary. 65 .5  2 0 7 7  R2 =  714 . Terkait dengan angka 0.5%. maka akan menghasilkan nilai sebagai berikut: R2 =     [22 (4.4) −324 . variabel terikat (Y) adalah gelasnya dan air adalah variabel bebasnya (X). • R2 (baca: R square) atau koefisien determinasi dapat sumbangan faktor-faktor lain (selain Budep) terhadap dilihat dalam output hasil regresi dengan SPSS dapat Inflasi hanya sebesar 14.49 ) 2 ] [22 (3.800 .411 .3%.49 ) 2 ]   [1. Artinya.7 1 3   2 .148 .05  = 0. disimpulkan bahwa Budep merupakan prediktor yang • Misalkan angka R2 menunjukkan angka 0.734 baik untuk menaksir Inflasi.4% dari gelas tersebut.857 ini bila ditulis dalam bentuk prosentase sama dengan 85. Angka tersebut menjelaskan bahwa Bantuan dengan SPSS variabel Bunga deposito determinasi atau sumbangan (budep) terhadap inflasi adalah sebesar 87.7%. • Ibarat air dalam gelas.857 Angka koefisien determinasi (R2) yang besarnya 0. menunjukkan arti bahwa determinasi dari variabel bebas terhadap variabel terikat adalah sebesar 73.734 maka air dalam gelas adalah sebanyak 73.73 =   7 4 . R =    2 [n ∑ X n ∑ XY − ∑ X ∑ Y 2 − (∑ X ) 2 ] [ n ∑Y 2 − ( ∑Y ) 2 ]     Rumus ini jika digunakan untuk menghitung data yang telah tersedia di atas.4%.2 x 3 .22 ) R2 =     22 (3.48 ) −( 260 .22 ( 260 .52 ]       [493 .53 ) −(324 .73    834 .871 .

namun bukan berarti bahwa tahapan analisis telah selesai hingga di sini. Bahasan Asumsi Klasik akan dibahas tersendiri. yaitu jika data variabel telah terbebas dari masalah Autokorelasi. tidak ada indikasi adanya heteroskedastisitas. dan dapat menunjukkan inti tujuan analisis regresi. jika nilai-nilai belum dapat dipastikan valid. maupun tidak terjadi multikolinearitas atau saling berkolinear antar variabel. Tetapi. Jika nilai-nilai tersebut sudah dapat dipastikan valid atau tidak bias. Hasil regresi di atas masih perlu dipastikan apakah besarnya nilai thit ataupun angka-angka parameter telah valid ataukah masih bias.Analisis regresi pada dasarnya adalah menjelaskan berapa besar pengaruh tingkat signifikansi variabel independen dalam mempengaruhi variabel dependen. memang analisis regresi dapat berhenti di sini saja. Meskipun hasil regresi seperti tertera pada persamaan di atas telah dapat diinterpretasi. maka perlu dilakukan langkah-langkah analisis lanjutan untuk menjadikan parameter-parameter tersebut menjadi valid. 66 . Validitas (ketidakbiasan) informasi dari nilai-nilai hasil regresi dapat diketahui dari terpenuhinya asumsi-asumsi klasik.

Jelaskan kegunaan nilai t! h.-000Tugas: 1. Jawablah pertanyaan-pertanyaan di bawah ini: a. Jelaskan Apa yang dimaksud dengan koefisien determinasi! BAB IV REGRESI LINIER BERGANDA 67 . Coba jelaskan apa yang dimaksud dengan regresi linier sederhana! b. Buatlah rangkuman dari pembahasan di atas! 2. Cobalah untuk menyimpulkan maksud dari uraian bab ini! 3. Jelaskan kegunaan standar error Sb! g. Jelaskan informasi apa yang dapat diungkap pada konstanta! e. Coba tuliskan model regresi linier sederhana! c. Jelaskan informasi apa yang dapat diungkap pada koefisien regresi! f. Coba uraikan bagaimana menentukan nilai t yang signifikan! i. Coba uraikan arti dari notasi atas model yang telah anda tuliskan! d.

anda diharapkan dapat: Mengetahui kegunaan dan spesifikasi model Menjelaskan hubungan antar variabel Mengaitkan data yang relevan dengan teori Mengembangkan data Menghitung nilai parameter Mengetahui arti dan fungsi parameter Menentukan signifikan tidaknya variabel bebas Menentukan determinasi model Menjelaskan tahapan-tahapan regresi Membaca hasil regresi Menyebutkan asumsi-asumsi. Membedakan dengan regresi linier sederhana BAB IV REGRESI LINIER BERGANDA Pengertian Regresi linier Berganda Pada bab sebelumnya telah dibahas tentang regresi linier dengan 2 (dua) variabel (yaitu variabel Y dan X) atau biasa disebut dengan single linier regression.Tujuan Pengajaran: Setelah mempelajari bab ini. Pada bab ini jumlah variabel yang digunakan akan ditambah 68 .

tuntutan kenaikan gaji pekerja. Bertambahnya jumlah variabel X hingga lebih dari satu sangat memungkinkan. Seperti yang pernah terjadi di Indonesia dalam kurun waktu pertengahan Juni 1997 hingga 2003.menjadi lebih banyak. jumlah uang beredar. atau bisa juga disebabkan oleh adanya perubahan nilai tukar mata uang juga. Artinya. variabel X bisa berjumlah 2. kelangkaan barang. Tentu secara singkat dapat diartikan bahwa terdapat jumlah kelebihan jumlah uang beredar yang ada di masyarakat. melonjaknya hargaharga faktor produksi dapat disebabkan banyak hal seperti semakin langkanya jenis barang. gerakan lonjakan inflasi ternyata terjadi pula pada gerakan lonjakan nilai tukar rupiah (IDR) terhadap dollar Amerika Serikat (USD). Selain itu dapat pula disebabkan ekspektasi masyarakat akibat adanya perubahan nilai tukar uang. Dari uraian singkat ini dapat disimpulkan 69 . Sebagai misal. Inflasi desakan biaya mempunyai sebab yang hampir serupa. dan lain-lain. tetapi sangat mungkin dipengaruhi oleh faktor lain seperti perubahan nilai tukar (kurs). semakin mahalnya ongkos transportasi. inflasi dapat digolongkan sebagai inflasi karena tarikan permintaan dan inflasi desakan biaya. Inflasi tarikan permintaan terjadi apabila masyarakat banyak memegang uang. yaitu satu variabel Y dan jumlah variabel X nya lebih dari 1 (satu) variabel. Inflasi jenis ini terjadi akibat melonjaknya harga-harga faktor produksi. karena dalam keilmuan sosial semua faktor-vaktor atau variabel-variabel saling berkaitan satu dengan lainnya. atau lebih. munculnya inflasi tentu tidak hanya dipengaruhi oleh bunga deposito (budep) saja seperti yang telah diterangkan di atas. Jumlah X yang lebih dari satu tersebut terkenal dengan istilah Regresi Linier Berganda atau multiple linier regression. Sebagaimana dalam teori inflasi. Kalau ditelusuri. 3.

59 9288.03 14.81 13. yang menggambarkan nilai tukar IDR terhadap USD.23 13. sedang inflasi tarikan permintaan disebabkan perubahan pada sisi demand.57 8956. Berbagai alasan yang dijelaskan di atas.11 13.91 70 .82 12. Dengan bertambahnya variabel Kurs sebagai variabel penduga.19 11294.7 11074.25 9633.14 10. dapat dicoba menambah satu variabel penduga (X2) yaitu Kurs.04 12. maka data yang dianalisis pun bertambah hingga menjadi sebagai berikut: X1 (Budep) 13. pada kurun waktu yang sama dengan data sebelumnya yaitu antara Januari 2001 hingga Oktober 2002.14 14.bahwa pemicu terjadinya inflasi desakan biaya karena perubahan pada sisi supply.79 14.28 9.06 13. Karena jumlah variabel X tidak lagi satu melainkan sudah dua.91 Y (Inflasi) 8.51 10.05 10097. maka untuk semakin memperjelas perihal terjadinya inflasi.67 15.3 10883.39 14.97 13.78 10204.75 11291.01 12.47 X2 (Kurs) 9433.62 10. maka analisa yang akan digunakan adalah analisa regresi linier berganda.97 15.

42 15.93 11. Model Regresi Linier Berganda Penulisan model regresi linier berganda merupakan pengembangan dari model regresi linier tunggal.48 10.05 8688. meliputi: 1) jumlah variabel penjelasnya bertambah.42 9914.73 216816. 2) rumus penghitungan nilai b mengalami perubahan. Dalam regresi linier tunggal hanya satu X. Perbedaannya hanya terdapat pada jumlah variabel X saja.41 8954.65 8964.26 9485. Model regresi linier umumnya dituliskan sebagai berikut: Populasi: BnXn + e Y = A + B1X1 + B2X2 + B3X3 + ………+ 71 .55 15.3 12.22 12.48 10.19 15.93 13.6 10.82 10237.22 13.13 324.7 8928.49 10554.85 14.76 15.16. 3) jumlah degree of freedom dalam menentukan nilai t juga berubah.88 15. tetapi dalam regresi linier berganda variabel X lebih dari satu.58 13.05 10.33 260.91 12.16 14.08 13.02 16.86 10269.42 10393.55 14.7 Perubahan model dari bentuk single ke dalam bentuk multiple mengalami beberapa perubahan. sehingga spesifikasi model dan data terjadi penambahan.43 9151.82 9115.21 16.13 14.

Preceeding of Royal Society.17 Notasi b1.3X2i + b13. Apabila kita ingin menganalisis pengaruh Budep dan Kurs terhadap Inflasi dengan mengacu model Yale. Hal ini dapat dimengerti karena penulisan model sendiri hanya bertujuan sebagai teknik anotasi untuk memudahkan interpretasi. Notasi model seperti itu tentu berbeda dengan notasi model Yale16. A.23 berarti nilai perkiraan Y kalau X2 dan X3 masing-masing sama dengan 0 (nol).Atau BnXn + e Sampel : +e Atau nXn + e Y = B0 + B1X1 + B2X2 + B3X3 + ………+ Y = a + b1X1 + b 2X2 + b 3X3 + ………+ b nXn Y = b0 + b1X1 + b 2X2 + b 3X3 + ………+ b Perlu diingat bahwa penulisan model sangat beragam.23 + B12. 1970.3 berarti besarnya pengaruh X2 terhadap Y jika X3 tetap. Vol.2X3i + e Y = b1. 3.U. 4. maka notasi model menjadi seperti berikut: Populasi: Sampel : Y = B1.2X3i + e Notasi model Yale ini mempunyai spesifikasi dalam menandai variabel terikat yang selalu dengan angka 1.79. Penulisan cara di atas adalah bentuk model yang sering dijumpai dalam beberapa literatur.3X2i + B13. On the Theory of Correlation for any Number of Variables. 17 Penulisan model seperti ini ditemui pula dalam buku-buku karya Gujarati 72 . dan seterusnya. 16 G. Yale. Untuk variabel bebas notasinya dimulai dari angka 2. Notasi b12. Treated by a new System of Notation.23 + b12.

f. b0 + b1Budep + b2 Kurs + ε ( Pers.b2) = ˆ ∑(Y − Y ) n =1 n 2 73 . Prinsip yang terkandung dalam OLS sendiri adalah untuk meminimalisasi perbedaan jumlah kuadrat kesalahan ˆ (sum of square) antara nilai observasi Y dengan Y . maka notasi model dapat pula ditulis sebagai berikut: Inflasi = ... . fungsi minimalisasi sum of square ditunjukkan dalam rumus: e ∑2 (b0....... saat ini mulai ada penyederhanaan lagi.2 berarti besarnya pengaruh X3 terhadap Y jika X2 tetap.... karena memberikan kemudahan bagi para pembacanya untuk tidak mengingatingat arti dari simbol X yang dituliskan....2) Penulisan dengan gaya seperti ini ternyata sekarang lebih disukai oleh penulis-penulis saat ini. Secara matematis. yang intinya untuk semakin memudahkan interpretasi.. tetapi cukup dengan melihat nama variabelnya. Penulisan model dengan simbol Y untuk variabel dependen...... dan X untuk variabel independen.... Penghitungan Nilai Parameter Penggunaan metode OLS dalam regresi linier berganda dimaksudkan untuk mendapatkan aturan dalam mengestimasi parameter yang tidak diketahui.. b1.... Dengan pertimbangan tersebut maka cara ini nanti juga akan banyak digunakan dalam pembahasan selanjutnya.. Berdasar pada keinginan mempermudah dalam mengingat variabel yang akan dibahas..Notasi b13..

b2 minimum.= ∑ (Y − b n =1 n 0 − b1 X 1 − b2 X 2 ) 2 Untuk mendapatkan estimasi least square b0. hingga menjadi: nb 0 + ∑X 1b1 + ∑X 2 b2 Y =∑ ∑X ∑X 1 b0 + ∑X 12 b1 + ∑X 1 X 2 b2 = ∑X 1Y 2 b0 + ∑X 1 X 2 b1 + ∑X 2 b2 = ∑X 2Y 2 Untuk menyederhanakan rumus paling atas dilakukan pembagian dengan n. dapat dilakukan melalui cara turunan parsial (partially differentiate) dari formula di atas. dengan cara membagi dengan angka 2. sehingga memperoleh rumus baru sebagai berikut: b0 + b1 X 1 + b2 X 2 = Y b0 = Y − b1 X 1 − b2 X 2 74 . sebagai berikut: ∂∑ 2 e ∂b0 2nb 0 + 2b1 ∑X 1 + 2b2 ∑X 2 − 2∑Y = = ∂∑ 2 e ∂b1 ∂∑ 2 e ∂b2 2b0 ∑X 1 + 2b1 ∑X 12 + 2b2 ∑X 1 X 2 − 2∑X 1Y 2 + 2b1 ∑X 1 X 2 +2b2 ∑X 2 − 2∑X 2Y = 2b0 ∑X 2 Jadikan nilai-nilai turunan parsial di atas menjadi sama dengan 0 (nol). b1.

akan mampu merubah nilai harapan dari Y. Perbedaan ini muncul karena jumlah variabel penjelasnya bertambah. meskipun X1 konstan. Begitu pula. Jika terjadi perubahan pada X1. tetapi dalam multiple linier hal itu terjadi. Begitu pula. untuk mengetahui 75 . tentu perlu untuk melakukan kontrol pengaruh dari X2. Oleh karena itu pencarian nilai b mengalami perubahan. perubahan pada X2.X2) yang berbeda. Guna mengetahui seberapa besar kontribusi X1 terhadap perubahan Y. Dalam single linier kemungkinan perubahan variabel lain tidak terjadi. akan mampu merubah nilai harapan dari Y. Perubahan yang terjadi pada X1 atau X2 tentu mengakibatkan perubahan nilai harapan Y atau E(Y/X1.Kalau kita notasikan: y =Y −Y x1 = X 1 − X 1 x2 = X 2 − X 2 maka b1 dan b2 dapat dicari dengan rumus: 2 (∑x1 y )( ∑x 2 ) − (∑x 2 y )( ∑x1 x 2 ) 2 2 (∑x1 )( ∑x 2 ) − (∑x1 x 2 ) 2 b1 = b2 = 2 (∑x 2 y )( ∑x1 ) − (∑x1 y )( ∑x1 x 2 ) 2 2 (∑x1 )( ∑x 2 ) − (∑x1 x 2 ) 2 Telah dikemukaan di atas bahwa pencarian nilai b pada single linier berbeda dengan multiple linier. meskipun X2 konstan. Semakin banyaknya variabel X ini maka kemungkinan-kemungkinan yang menjelaskan model juga mengalami pertambahan. Misalnya.

Dari sini dapat timbul pertanyaan. bagaimana caranya mengontrolnya? Untuk menjawabnya. Y = b0 + b2 X2 + e1 Dimana e1 merupakan residual. yang besarnya: e2 = X1 – b0 – b2X2 ˆ = X1. Misalnya kita hendak mengontrol pengaruh linier X2 ketika melakukan pengukuran dampak dari perubahan X1 terhadap Y. maka perlu juga melakukan kontrol terhadap X1.kontribusi X2.X Tahap ketiga: lakukan regresi e1 terhadap e2 e1 = a0 + a1e2 +e3 Besarnya a1 pada tahap ketiga inilah yang merupakan nilai pasti atau net effect dari perubahan satu 76 .Y Tahap kedua: lakukan regresi X1 terhadap X2 X1 = b0 + b2 X2 + e2 Dimana e1 merupakan residual. perlu ilustrasi secara konkrit agar mudah dipahami. yang besarnya: e1 = Y – b0 – b2X2 ˆ = Y. maka dapat melakukan langkah-langkah sebagai berikut: Tahap pertama: lakukan regresi Y terhadap X2.

Guna mempermudah dalam memasukkan angka-angka ke dalam rumus. b2). maka nilai total masing-masing komponen rumus yang dikembangkan adalah tertera sebagai berikut: X1 Y X2 ∑x 2 1 ∑x 77 2 2 x ∑ 1 y ∑x 2 y ∑x 1 x2 . kita dapat pula menentukan nilai b1 variabel Budep maupun b2 variabel Kurs.unit X1 terhadap Y. Hasil ekstensifikasi dari beberapa rumus yang dicari sebagai berikut: ∑ x12 = ∑ X 12 − ∑x 2 2 (∑ X 1 ) 2 n (∑ X 2 ) 2 n = ∑X − 2 2 ∑x ∑x 1 y = (∑X 1Y ) − y = (∑ X 2Y ) − 2 (∑ X 1 )( ∑Y ) n (∑ X 2 )( ∑Y ) n (∑ X 1 )( ∑ X 2 ) n 2 ∑x x 1 = (∑ X 1 X 2 ) − Dengan menggunakan rumus-rumus tersebut di atas. Dengan memanfaatkan data yang telah tersedia. Logika dari teori tersebut yang mendasari rumus yang dapat digunakan untuk menentukan koefisien regresi parsial (partial regression coefficients) (baca: b1. maka data yang ada perlu diekstensifkan sesuai dengan kebutuhan rumus tersebut. Pencarian koefisien regresi tersebut dapat dilakukan dengan menggunakan rumus-rumus yang telah ditentukan di atas. atau menunjukkan kemiringan (slope) garis Y atas variabel X1.

861 .70 22.41)(14 .21 −16 .318 . dan b2 dapat ditentukan.46 2.49 )(14 .52 78 .318.40 449 . b1.503 .274.503 .02 320 .914 .227 .92 −4.324.72 Berdasarkan data-data yang tertera dalam tabel di atas.70 ) − (7.931 .19 = 315 .736 .324 .227 . melalui pencarian menggunakan rumus-rumus sebagai berikut: Rumus untuk mencari nilai b1 (pada model multiple regression) adalah: b1= 2 (∑x1 y )( ∑x 2 ) − (∑x 2 y )( ∑x1 x 2 ) 2 2 (∑x1 )( ∑x 2 ) − (∑x1 x 2 ) 2 Rumus untuk mencari nilai b2 (pada model multiple regression) adalah: b2 = 2 (∑x 2 y )( ∑x1 ) − (∑x1 y )( ∑x1 x 2 ) 2 2 (∑x1 )( ∑x 2 ) − (∑x1 x 2 ) 2 Rumus untuk mencari nilai b0 (pada model multiple regression) adalah: b0 = Y − b1 X 1 − b2 X 2 Dengan menggunakan rumus pencarian b1 di atas.69 32.667 .49 216.185 .877 .72 ) 2 465 .002 .962 .274 .48 7. maka nilai b0. maka diketahui bahwa nilai b1 adalah: b1 = 2 (∑x1 y )( ∑x 2 ) − (∑x 2 y )( ∑x1 x 2 ) 2 2 (∑x1 )( ∑x 2 ) − (∑x1 x 2 ) 2 = = (32 .22 260.70 ) − ( 2.72 ) ( 22 .205 .816.208 .40 14.503.64 )( 2.227.318 .

06 315 . Semakin besar standar error mencerminkan nilai b sebagai penduga populasi semakin kurang representatif.72 ) ( 22 .84-1.41 ) − (32 . Perubahan rentang nilai b1 dan b2 diukur dengan standar error.274 .024 .869E-04 Dengan menggunakan rumus pencarian b0 di atas.70 ) − ( 2.40 90 . maka diketahui bahwa nilai b2 adalah: 2 (∑x 2 y )( ∑x1 ) − (∑x1 y )( ∑x1 x 2 ) 2 2 (∑x1 )( ∑x 2 ) − (∑x1 x 2 ) 2 b2 = = = = (7. Penambahan atau pengurangan akan mengakibatkan perubahan rentangan nilai b.62 320 .227 .914 .64 )( 22 . 79 .646 .503 .827 = -11.0002869(9.421(14.855.962 .92 −4.41 )(14 .931 .421 Dengan menggunakan rumus pencarian b2 di atas.72 ) 2 163 .667 .49 )( 2.877 . Nilai b1 dan b2 tergantung pada jumlah sampel yang ditarik.917 Nilai dari parameter b1 dan b2 merupakan nilai dari suatu sampel.2.84-20.318 .52 = 0.736 .0002869 atau dapat ditulis dengan 2.30) = 11. maka diketahui bahwa nilai b0 adalah: b0 = Y − b1 X 1 − b2 X 2 = 11.93.68 −72 .73)-0.227 .378 .b1 = 1.

Sebaliknya, semakin kecil standar error maka keakuratan daya penduga nilai b terhadap populasi semakin tinggi. Perbandingan antara nilai b dan standar error ini memunculkan nilai t, yang dapat dirumuskan sebagai berikut:
t= b Sb

dimana: b = nilai parameter Sb = standar error dari b. Jika b sama dengan 0 (b=0) atau Sb bernilai sangat besar, maka nilai t akan sama dengan atau mendekati 0 (nol). Untuk dapat melakukan uji t, perlu menghitung besarnya standar error masing-masing parameter ( baik b0, b1, b2), seperti diformulakan Gujarati (1995:198-199) sebagai berikut:
2 2  1 X 12 ∑ x 2 + X 2 ∑ x12 − 2 X 1 X 2 ∑ x1 x 2  ∑ E 2 =  +  n  n −3 ∑ x12 ∑ x22 − (∑ x1 x2 ) 2  

S b0

S b1 =

∑x (∑ x )( ∑ x ) − (∑ x x
2 2 2 1 2 2 1 2 1

2

)2 n − 3

∑E

2

Sb2 =

∑x (∑ x )( ∑ x ) − (∑ x x
2 1 2 2 1

2

)2 n − 3

∑E

2

Rumus-rumus di atas, dapat kita masuki dengan angka-angka yang tertera pada tabel, hanya saja belum
80

semuanya dapat terisi. Kita masih memerlukan lagi angka e untuk mengisi rumus ∑ 2 . Untuk dapat mengisi rumus tersebut, perlu terlebih dulu mencari nilai e. Nilai e adalah standar error yang terdapat dalam persamaan regresi. Perhatikan persamaan regresi: Y = b0 + b1X1 + b2 X2 + e atau Inflasi = b0 + b1Budep + b2 Kurs + e Secara matematis, dari persamaan regresi di atas nilai e dapat diperoleh, dengan cara mengubah posisi tanda persamaan hingga menjadi: e = Y- (b0 + b1X1 + b2 X2) Dengan memasukkan nilai b0, b1, b2, yang telah didapatkan, dan X1i, X2i, yang ada pada data, maka nilai total e dapat terlihat pada tabel berikut:

X1 13.06 13.81 13.97 13.79 14.03 14.14 14.39 14.97 15.67 15.91 16.02

Y 8.28 9.14 10.62 10.51 10.82 12.11 13.04 12.23 13.01 12.47 12.91

X2 9433.25 9633.78 10204.70 11074.75 11291.19 11294.30 10883.57 8956.59 9288.05 10097.91 10554.86

B0 -11.933 -11.933 -11.933 -11.933 -11.933 -11.933 -11.933 -11.933 -11.933 -11.933 -11.933 81

B1 1.421 1.421 1.421 1.421 1.421 1.421 1.421 1.421 1.421 1.421 1.421

B2 0.000287 0.000287 0.000287 0.000287 0.000287 0.000287 0.000287 0.000287 0.000287 0.000287 0.000287

e e^2 -1.05 1.11 -1.31 1.73 -0.23 0.05 -0.33 0.11 -0.42 0.18 0.71 0.50 1.40 1.97 0.32 0.10 0.01 0.00 -1.10 1.21 -0.95 0.90

16.21 12.55 10269.42 16.19 14.42 10393.82 15.88 15.13 10237.42 15.76 14.08 9914.26 15.55 13.3 9485.82 15.16 12.93 9115.05 14.85 11.48 8688.65 14.22 10.05 8964.70 13.93 10.6 8928.41 13.58 10.48 8954.43 13.13 10.33 9151.73 324.22 260.49216816.70

-11.933 -11.933 -11.933 -11.933 -11.933 -11.933 -11.933 -11.933 -11.933 -11.933 -11.933 -11.933

1.421 1.421 1.421 1.421 1.421 1.421 1.421 1.421 1.421 1.421 1.421 1.421

0.000287 0.000287 0.000287 0.000287 0.000287 0.000287 0.000287 0.000287 0.000287 0.000287 0.000287 0.000287

-1.50 2.24 0.37 0.13 1.56 2.43 0.77 0.60 0.41 0.17 0.71 0.50 -0.18 0.03 -0.80 0.63 0.18 0.03 0.55 0.30 0.98 0.96 0.09 15.90

Dari tabel di atas dapat diketahui bahwa nilai total nilai e adalah sebesar 0.09, sedangkan total nilai e2 adalah sebesar 15,90. Berdasarkan angka yang didapatkan tersebut, maka standar error b0, b1, b2, dapat dicari menggunakan rumus yang ada hingga hasil penghitungannya tertera sebagai berikut: Mencari Sb0.
S b0
2 2  1 X 12 ∑ x 2 + X 2 ∑ x12 − 2 X 1 X 2 ∑ x1 x 2  ∑ e 2 =  +  n  n−3 ∑ x12 ∑ x22 − (∑ x1 x2 ) 2  

1 (14 ,74 ) 2 (14 .318 .503 ,69 ) + (9.855 ,3) 2 ( 22 ,40 ) − 2(14 ,74 )( 9.855 ,3)( 2.227 ,72 )  15 ,90 +   (22 ,40 )(14 .318 .503 ,69 ) − (2.227 ,72 ) 2  22  22 −

=
3.110 .946 .932 ,32 + 2.175 .643 .413 ,22 − 647 .228 .946 ,04  15 ,90 1 22 +  19 320 .734 .482 .66 − 4.962 .736 ,40  

82

69 ) − ( 2.= = 4.318 .361 .226 Mencari Sb1.40 )(14 .639 .8 ) 4 1 9 4 = 3.179 Mencari Sb2: Sb2 = ∑x (∑ x )( ∑ x ) − (∑ x x 2 1 2 1 2 2 1 2 )2 n − 3 ∑e 2 =   15 .0 5 + 4 .213 x 0.90 1 22 + 315 .40  2  ( 22 .227 .26  19   (0.399 .26 0.771 .0 5 (0.771 .8 ) 4 4 = 0.69 ) − ( 2.40 (0.771 .40 )(14 .318 .84 = 0.503 .50  15 .9 22 .84 ) 315 .318 .503 .503 .746 .69  2  ( 22 .84) = 3. S b1 = ∑x (∑ x )( ∑ x ) − (∑ x x 2 2 2 1 2 2 1 2 )2 n −3 ∑e 2 = = =   15 .318 .227 .503 .84 (0.69 (0.746 .6 ) (0.84 ) 315 .746 .72 )  19 = 22 .9 14 .72 )  19 14 .26 83 .

226 = -3.694 dan nilai tb1 adalah: 84 .0 0 0 0 0 0007 (0.84 = 0. Sb1.= 0.917 3. Sb2) melalui penggunaan rumus-rumus di atas. karena nilai t merupakan hasil bagi antara b dengan Sb. Pencarian masing-masing nilai t dapat dirumuskan sebagai berikut: Mencari nilai statistik tb0: tb0 = b0 Sb 0 b1 S b1 b2 . Sb 2 Mencari nilai statistik tb1: t b1 = Mencari nilai statistik tb2: tb2 = Dengan menggunakan rumus-rumus di atas. maka nilai tb0 adalah: tb0 = −11.8 ) 4 = 0.000266 x 0. hanya saja pencarian Sb nya yang berbeda. maka nilai t untuk masing-masing parameter dapat diperoleh. Pencarian nilai t mempunyai kesamaan dengan model regresi linier sederhana.000223 Setelah diketahui semua nilai standar error (Sb0.

421 0. maka variabel penjelas tersebut tidak signifikan. jika nilai t hitung lebih kecil darit tabel. Sebaliknya.284 dengan diketahuinya nilai t hitung masing-masing parameter.938.179 =7. Apabila nilai t hitung lebih besar dibandingkan dengan nilai t tabel.093. maka dapat dipastikan bahwa variabel budep secara individual signifikan mempengaruhi inflasi.0002869 0. Sedangkan nilai tb2 yang besarnya 1.0002234 = 1.938 sedangkan nilai tb2 adalah: tb2 = 0.093. yang berarti lebih besar dibanding nilai tabel pada α =5% dengan df 19 yang besarnya 2. maka dapat digunakan untuk mengetahui signifikan tidaknya variabel penjelas dalam mempengaruhi variabel terikat.t b1 = 1. maka variabel penjelas tersebut signifikan. Pengujian kedua nilai t dapat dijelaskan dalam bentuk gambar sebagai berikut: 85 . Karena nilai tb1 adalah sebesar 7. maka dapat dipastikan bahwa variabel Kurs secara individual tidak signifikan mempengaruhi inflasi. Untuk dapat mengetahui apakah signifikan atau tidak nilai t hitung tersebut. maka perlu membandingkan dengan nilai t tabel.284 adalah lebih kecil dibandingkan dengan nilai t tabel pada α =5% dengan df 19 yang besarnya 2.

284 berganda dengan penghitungan-penghitungan nilai a. 86 kemudian klik OK.093 (+) Daerah Uji t Variabel Budep Bantuan dengan SPSS Tahapan-tahan yang dilalui untuk melakukan Daerah ditolak regresi linier 1. Daerah Uji t Variabel Kurs berikut: • Pastikan data SPSS sudah siap • Lakukan regresi. dan variabel X1 dan X2 ke kotak variabel Independen.2.Daerah diterima 7.3. caranya: pilih Analyze.2. . Daerah ditolak t α /2. Reression. Sb di atas. (n-k-1) (+) dapat dilakukan dengan bantuan SPSS dengan tahapan sebagai 2.093 Gb. b. t α /2.938 Gb. (n-k-1) 2.3. Linear Daerah diterima • Masukkan variabel Y ke kotak variabel dependen.

Predictors: (Constant).000a a.899 64.261 15. Dependent Variable: Y 87 . X2.726 Std.130 .• Hasil regresi akan tampak dalam output regression yang menunjukkan tabel: model summary (memuat R2). X1 b. Error of the Estimate . Coefficient (memuat nilai t).160 df 2 19 21 M ean Square 24. X1 b ANOVA Model 1 Regression Residual Total Sum of Squares 48.9148 a.867 a . Model Summary Model 1 R R Square . .836 Sig. ANOVA (memuat nilai F). Predictors: (Constant). X2.752 Adjusted R Square .837 F 28.

.869E-04 dibaca 0.a Coefficients Model 1 Unstandardized Coefficients B Std.136 t -3.511 X1 1. antara hitungan manual dengan hitungan SPSS terdapat sedikit perbedaan angka di belakang koma. • Angka 2.195 X2 2.000 . b1. Dependent Variable: Y Catatan: • Nilai a.869E-04 . Error (Constant) -11.840 .003 .399 7.254 a.0002869 88 . b2.177 Sig.298 1.933 3.421 . Ini disebabkan oleh pembulatan angka saat penghitungan.000 Standardi zed Coefficien ts Beta .

Pengujian ini biasanya disimbolkan dengan koefisien regresi yang biasa disimbolkan dengan R2.Koefisien Determinasi (R2) Disamping menguji signifikansi dari masingmasing variabel. Koefisien determinasi pada dasarnya digunakan untuk mengkur goodness of fit dari persamaan regresi. Uraian tentang koefisien determinasi sedikit banyak telah disinggung pada single linier regression. melalui hasil pengukuran dalam bentuk prosentase yang menjelaskan determinasi variabel penjelas (X) terhadap variabel yang dijelaskan (Y). Pada sub bahasan ini hanya menambah penjelasan-penjelasan agar menjadi lebih lengkap saja. Koefisien determinasi dapat dicari melalui hasil bagi dari total sum of square (TSS) atau total variasi Y terhadap explained sum of square 89 . kita dapat pula menguji determinasi seluruh variabel penjelas yang ada dalam model regresi.

(ESS) atau variasi yang dijelaskan Y. (baca: Y bar) adalah nilai Y rata-rata. Hasil pengukuran ini kemudian dijumlahkan hingga mencakup seluruh observasi. Jelasnya: TSS = ∑(Y t =1 n t −Y )2 Nilai explained sum of square (ESS) atau variasi yang dijelaskan Y didapat dengan menggunakan rumus sebagai berikut: ESS = ∑(Yˆ t −1 n t −Y )2 Jadi. Y cap diperoleh dengan cara menghitung hasil regresi dengan memasukkan nilai parameter dan data 90 . Rumus tersebut adalah sebagai berikut: R2 = ESS TSS Total variasi Y (TSS) dapat diukur menggunakan derajat deviasi dari masing-masing observasi nilai Y dari rata-ratanya. rumus di atas dapat pula dituliskan menjadi sebagai berikut: R 2 ˆ ∑(Y − Y ) = ∑(Y − Y ) 2 2 dimana: ˆ Y Y (baca: Y cap) adalah nilai perkiraan Y atau estimasi garis regresi. Dengan demikian kita dapat mendefinisikan lagi R2 dengan arti rasio antara variasi yang dijelaskan Y dengan total variasi Y.

581 -0.073 1.30 10883.586 13.424 -0.433.027 0.933 -11.70 11074.678 10.490 1.943 4.57 8956.331 -1.862 2 2 ˆ ˆ Y −Y (Y −Y ) Y −Y (Y −Y ) -2.187 0.917 + 1.290 2.000287 1.054 4.91 12.0002869(X2) Jika observasi nomor 1 (satu) kita hitung.503 6.421 0.438 Hasil hitungan Y cap individual maupun total.269 1.26 9485.421 0.035 0.000287 1.05 10097.06 dan X2 = 9.957 0.88 15.55 14.856 11.47 12.421 0.710 2.071 13.48 10.876 0.396 1.000287 1.55 15.13 14.206 91 .933 -11.05 X2 9433. Hasil regresi adalah: Y = -11.65 8964.142 4.144 0.933 -11.160 0.000287 1.187 0.85 14.630 1.223 2.000287 1.000287 1.933 -11.000287 1.933 -11.421 0.3 12.421 0.979 6. beserta ekstensinya diperlukan untuk menyesuaikan dengan rumus mencari R2.862 10.02 16.03 14.000287 1.580 3.62 10.933 -11.007 1.390 1.561 -2.130 1.42 10393.933 -11.421 0.821 5.82 9115.421 (13.93 11.421 0.370 -0.654 11.000287 1. Sebagai contoh menghitung Y cap.23 13.0002869(9.000287 1.70 B0 -11.933 -11. Hasil perhitungan dan pengembangan data selengkapnya tertera dalam tabel sebagai berikut: X1 13.293 1.86 10269.39 14.421 0.015 2.97 15.433.78 10204. berikut ini dihitung nilai Y cap pada observasi 1.01 12.439 0.75 11291.654 10.677 7.170 0.400 -0.588 13.379 3.421 0.748 2.958 -3.322 12.000287 1.421 0.000287 1.978 -0.59 9288.985 -0.240 1.421 0.421 0.421 0.338 0.035 2.061 0.81 13.25 9633.493 -1.348 10.259 11.06) + 0.770 1.08 13.11 13.174 1.791 12.933 -11.67 15.42 15.416 11.070 0.975 3. maka nilai Y1 = -11.015 13.200 0.000287 ˆ Y 9.745 1.361 -1.421 0.97 13.230 1.421 0.21 16.933 -11.000287 1.368 0.04 12.000287 1.933 -11.085 1.79 14.214 1.041 0.221 -1.22 Y 8.917 + 1. dimana X1= ˆ 13.460 1.163 -0.090 -0.25) = 9. Penghitungan nilai Y cap menjadi penting untuk dilakukan agar mempermudah kita dalam menggunakan rumus R2 yang telah ditentukan di atas.471 10.91 16.925 13.482 1.91 10554.933 B1 B2 1.14 14.933 -11.064 14.42 9914.969 0.933 -11.82 10237.933 -11.25.180 0.variabel.000287 1.14 10.196 1.82 12.000287 1.421 0.05 8688.000287 1.933 -11.51 10.125 0.045 2.000287 1.152 1.16 14.19 15.421 0.021 0.130 3.933 -11.240 11.28 9.876 14.933 -11.421 (X1) + 0.901 12.701 -1.76 15.421 0.933 -11.421 0.06 13.19 11294.

421 0.93 10.361 -1.243 -1. maka nilai R2 dapat ditentukan.891 -2. Uji F Seperti telah dikemukakan di atas.421 0.2 3 8 4 6 .1%. bahwa dalam regresi linier berganda variabel penjelasnya selalu berjumlah lebih dari satu.439 1.73 324.000287 10.000287 9.539 1.48 8954.577 6.43 13.6 8928.58 10.933 -11.000287 260.13.851 2.121 48.401 -1.1%.511 -0.949 1.000287 9. karena mencapai 75.282 64.1% dijelaskan oleh variabel lain yang tidak dijelaskan dalam model.933 -11. Sisanya sebesar 24. Adapun rumus untuk mencari nilai R2 adalah sebagai berikut: R2 = ˆ ∑(Y − Y ) ∑(Y − Y ) 2 2 dengan demikian nilai R2 dari model yang ada adalah sebesar: R2 = 4 . Nilai sebesar ini mengindikasikan bahwa model yang digunakan dalam menjelaskan variabel Y cukup baik. maka pengujian tingkat signifikansi variabel tidak hanya dilakukan secara individual saja.751 tersebut menunjukkan arti bahwa determinasi variabel Budep (X1) dan Kurs (X2) dalam mempengaruhi inflasi (Y) adalah sebesar 75.474 0.366 1. seperti dilakukan dengan uji t.421 0.241 -1. Untuk itu.33 9151.751 Nilai R2 sebesar 0.933 1.41 13.933 -11.22 260.70 -11.49 216816.1 0 4 6 R2 = 0.421 0.964 3.256 1. tetapi dapat 92 .13 10.747 -1.001 1.160 Dengan menggunakan angka-angka yang terdapat dalam tabel di atas.

pula dilakukan pengujian signifikansi semua variabel penjelas secara serentak atau bersama-sama. yang kemudian dibandingkan dengan nilai F tabel. Hasil pembandingan keduanya itu (rasio antara variance between means terhadap variance between group) menghasilkan nilai F hitung. jika nilai F hitung lebih kecil dibandingkan dengan nilai F tabel. Untuk memastikan jawabannya. ( n −k )  1 H0 diterima atau ditolak.( k − ). adalah merupakan suatu keputusan jawaban terhadap hipotesis yang terkait dengan 93 . Sebaliknya. Oleh karena itu disebut pula dengan uji F. Pengujian secara serentak tersebut dilakukan dengan teknik analisis of variance (ANOVA) melalui pengujian nilai F hitung yang dibandingkan dengan nilai F tabel. maka perlu dihitung rasio antara variansi means (variance between means) yang dibandingkan dengan variansi di dalam kelompok variabel (variance between group). Pada prinsipnya. maka secara serentak seluruh variabel penjelas yang ada dalam model signifikan mempengaruhi variabel terikat Y. Jika nilai F hitung lebih besar dibanding nilai F tabel. teknik ANOVA digunakan untuk menguji distribusi atau variansi means dalam variabel penjelas apakah secara proporsional telah signifikan menjelaskan variasi dari variabel yang dijelaskan.( k − ). maka tidak secara serentak seluruh variabel penjelas yang ada dalam model signifikan mempengaruhi variabel terikat Y. Atau secara ringkas dapat dituliskan sebagai berikut: F ≤ Fα. ( n −k )  1 berarti tidak signifikan  atau H0 berarti signifikan  atau H0 ditolak diterima F > Fα.

H0 : b1 ≠ b2 ≠ 0 Variabel penjelas secara serentak signifikan mempengaruhi variabel yang dijelaskan. Yang penting untuk diketahui adalah bagaimana cara membaca tabelnya.k-1.uji F. Karena uji F adalah membandingkan antara nilai F hitung dengan nilai F tabel. Arti dari tulisan tersebut adalah: • Simbol α menjelaskan tingkat signifikansi (level of significance) (apakah pada α = 0.10. diketahui bahwa F tabel dituliskan Fα . maka penting untuk mengetahui bagaimana mencari nilai F hitung ataupun nilai F tabel. yang biasanya dituliskan dalam kalimat sebagai berikut: H0 : b1 = b2 = 0 Variabel penjelas secara serentak tidak signifikan mempengaruhi variabel yang dijelaskan.05 atau α = 0.01 ataukah α = 0. Nilai F hitung dapat dicari dengan menggunakan rumus sebagai berikut: F= R 2 /( k −1) (1 − R 2 ) /( n − k ) Sedangkan nilai F tabel telah ditentukan dalam tabel. Guna melengkapi hasil analisis data yang dicontohkan di atas. dan seterusnya). kita dapat menghitung nilai F 94 . (n-k). • Simbol (k-1) menunjukkan degrees of freedom for numerator. • Simbol (n-k) menunjukkan degrees of freedom for denominator. Seperti yang telah dituliskan pada pembandingan antara nilai F hitung dan nilai F tabel di atas.

berdasarkan rumus. Nilai F dari model tersebut ternyata besarnya adalah: F= R 2 /( k −1) (1 − R 2 ) /( n − k ) = = (0. k-1. Buatlah rangkuman dari pembahasan di atas! 95 .751 ) /( 22 − 3) 0. n-k) F F0.3.52.2.66 Dari hasil penghitungan di atas diketahui bahwa nilai F hitung adalah sebesar 28.52 Gb.05 dengan (k-1) = 2. Daerah penolakan atau penerimaan hipotesis dapat dilihat pada gambar berikut ini: Daerah diterima Daerah ditolak F(α . Dengan demikian. maka null hyphothesis ditolak.751 ) /( 3 −1) (1 − 0.66.05. 3. dan (n-k) = (22-3) = 19 yang besarnya 3.0131 = 28.19. Daerah Uji F -000Tugas: 1. Dengan demikian dapat disimpulkan bahwa variabel Budep dan Kurs secara serentak signifikan mempengaruhi inflasi. Nilai ini lebih besar dibanding dengan nilai F tabel pada α = 0.3755 0.2.

Coba tuliskan model regresi linier berganda! c. Jelaskan informasi apa yang dapat diungkap pada konstanta! e. Jelaskan bagaimana variabel penjelas dapat dianggap sebagai prediktor terbaik dalam menjelaskan Y! 96 . Coba jelaskan apa yang dimaksud dengan regresi linier berganda! b. Cobalah untuk menyimpulkan maksud dari uraian bab ini! 3. Coba uraikan arti dari notasi atas model yang telah anda tuliskan! d. Jelaskan mengapa rumus untuk mencari nilai b pada model regresi linier erganda berbeda dengan model regresi linier sederhana! h. Jelaskan informasi apa yang dapat diungkap pada koefisien regresi! f. Lakukanlah perintah-perintah di bawah ini: a. Jelaskan apa kegunaan nilai F! k. Bagaimana menentukan nilai F yang signifikan? l. Coba jelaskan apakah pencarian nilai t juga mengalami perubahan! kenapa? i. Coba uraikan bagaimana menentukan nilai t yang signifikan! j. Jelaskan apakah rumus dalam mencari koefisien determinasi pada model regresi linier berganda berbeda dengan regresi linier sederhana! kenapa? m.2. Coba sebutkan perbedaan-perbedaan antara model regresi linier sederhana dengan model regresi linier berganda! g.

anda diharapkan dapat: Mengerti apa yang dimaksud dengan uji asumsi klasik Mengerti item-item asumsi Menjelaskan maksud item-item asumsi Menyebutkan nama-nama asumsi yang harus dipenuhi Mengerti apa yang dimaksud dengan autokorelasi Mengerti apa yang dimaksud dengan Multikolinearitas Mengerti apa yang dimaksud dengan Heteroskedastisitas Mengerti apa yang dimaksud dengan Normalitas Menjelaskan timbulnya masalah-masalah dalam uji asumsi klasik 97 .BAB V UJI ASUMSI KLASIK Tujuan Pengajaran: Setelah mempelajari bab ini.

Menjelaskan dampak dari autokorelasi, heteroskedastisitas, multikolinearitas, normalitas Menyebutkan alat deteksi dari masalah-masalah tersebut Menggunakan sebagian alat-alat deteksi Menjelaskan keterkaitan asumsi-asumsi Menjelaskan konsekuensi-konsekuensi dari Asumsi

BAB V UJI ASUMSI KLASIK Di muka telah disinggung, baik dalam regresi linier sederhana maupun dalam regresi linier berganda, bahwa dalam kedua regresi linier tersebut perlu memenuhi asumsi-asumsi seperti yang telah di uraikan dalam kedua bahasan tersebut. Munculnya kewajiban untuk memenuhi asumsi tersebut mengandung arti bahwa formula atau rumus regresi diturunkan dari suatu asumsi tertentu. Artinya, tidak semua data dapat diperlakukan dengan regresi. Jika data yang diregresi tidak memenuhi asumsiasumsi yang telah disebutkan, maka regresi yang diterapkan akan menghasilkan estimasi yang bias. Jika hasil regresi telah memenuhi asumsi-asumsi regresi maka nilai estimasi yang diperoleh akan bersifat BLUE, yang merupakan singkatan dari: Best, Linear, Unbiased, Estimator. Best dimaksudkan sebagai terbaik. Untuk memahami arti Best, perlu kembali kepada kesadaran kita bahwa analisis regresi linier digunakan untuk menggambarkan sebaran data dalam bentuk garis regresi. Dengan kata lain,

98

garis regresi merupakan cara memahami pola hubungan antara dua seri data atau lebih. Hasil regresi dikatakan Best apabila garis regresi yang dihasilkan guna melakukan estimasi atau peramalan dari sebaran data, menghasilkan error yang terkecil. Perlu diketahui bahwa error itu sendiri adalah perbedaan antara nilai observasi dan nilai yang diramalkan oleh garis regresi. Jika garis regresi telah Best dan disertai pula oleh kondisi tidak bias (unbiased), maka estimator regresi akan efisien. Linear mewakili linear dalam model, maupun linear dalam parameter. Linear dalam model artinya model yang digunakan dalam analisis regresi telah sesuai dengan kaidah model OLS dimana variabel-variabel penduganya hanya berpangkat satu. Sedangkan linear dalam parameter menjelaskan bahwa parameter yang dihasilkan merupakan fungsi linear dari sampel. Secara jelas bila diukur dengan nilai rata-rata. Unbiased atau tidak bias, Suatu estimator dikatakan unbiased jika nilai harapan dari estimator b sama dengan nilai yang benar dari b. Artinya, nilai rata-rata b = b. Bila rata-rata b tidak sama dengan b, maka selisihnya itu disebut dengan bias. Estimator yang efisien dapat ditemukan apabila ketiga kondisi di atas telah tercapai. Karena sifat estimator yang efisien merupakan hasil konklusi dari ketiga hal sebelumnya itu. Asumsi-asumsi seperti yang telah dituliskan dalam bahasan OLS di depan, adalah asumsi yang dikembangkan oleh Gauss dan Markov, yang kemudian teori tersebut terkenal dengan sebutan Gauss-Markov Theorem. Serupa dengan asumsi-asumsi tersebut, Gujarati (1995) merinci 10 asumsi yang menjadi syarat penerapan OLS,18 yaitu:
18

Dari sepuluh asumsi di atas tidak semuanya perlu diuji. Sebagian cukup hanya diasumsikan, sedangkan sebagian yang lain memerlukan test.

99

Asumsi 1: Linear regression Model. Model regresi merupakan hubungan linear dalam parameter. Y = a + bX +e Untuk model regresi Y = a + bX + cX2 + e Walaupun variabel X dikuadratkan, ini tetap merupakan regresi yang linear dalam parameter sehingga OLS masih dapat diterapkan. Asumsi 2: Nilai X adalah tetap dalam sampling yang diulang-ulang (X fixed in repeated sampling). Tepatnya bahwa nilai X adalah nonstochastic (tidak random). Asumsi 3: Variabel pengganggu e memiliki rata-rata nol (zero mean of disturbance). Artinya, garis regresi pada nilai X tertentu berada tepat di tengah. Bisa saja terdapat error yang berada di atas garis regresi atau di bawah garis regresi, tetapi setelah keduanya dirata-rata harus bernilai nol. Asumsi 4: Homoskedastisitas, atau variabel pengganggu e memiliki variance yang sama sepanjang observasi dari berbagai nilai X. Ini berarti data Y pada setiap X memiliki rentangan yang sama. Jika rentangannya tidak sama, maka disebut heteroskedastisitas Asumsi 5: Tidak ada otokorelasi antara variabel e pada setiap nilai xi dan ji (No autocorrelation between the disturbance). Asumsi 6: Variabel X dan disturbance e tidak berkorelasi. Ini berarti kita dapat memisahkan pengaruh X atas Y dan pengaruh e atas Y. Jika X dan e berkorelasi maka pengaruh keduanya akan tumpang tindih (sulit dipisahkan pengaruh

100

b. Bahkan untuk memenuhi asumsi yang lain. Sb. Penyimpangan masing-masing asumsi tidak mempunyai impak yang sama terhadap regresi. Jika nilai X selalu sama sepanjang observasi maka tidak bisa dilakukan regresi. maka persamaan regresi tidak akan bisa diestimasi. Hal ini disebabkan oleh membesarnya standar error pada kasus multikolinearitas. sehingga nilai t. karena semuanya telah terekomendasi atau sesuai dengan teori. meskipun nilai t sudah signifikan ataupun tidak signifikan. keduanya tidak dapat 101 . tidak ada spesifikasi yang bias. Jika jumlah parameter sama atau bahkan lebih besar dari jumlah observasi. Akan tetapi. Artinya. 10. sebaiknya jumlah n harus cukup besar. penyimpangan tersebut dapat menyebabkan bias pada Sb. Tidak ada multikolinearitas antara variabel penjelas. menjadi cenderung kecil. Sebagai contoh. sepanjang uji t sudah signifikan. jika terjadi penyimpangan pada asumsi heteroskedastisitas atau pada autokorelasi.Asumsi Asumsi Asumsi Asumsi masing-masing atas Y). adanya penyimpangan atau tidak terpenuhinya asumsi multikolinearitas (asumsi 10) tidak berarti mengganggu. maka multikolinearitas tidak perlu diatasi. Jika nilai t masih signifikan. sehingga t menjadi tidak menentu. Jelasnya kolinear antara variabel penjelas tidak boleh sempurna atau tinggi. 8: Variabel X harus memiliki variabilitas. 7: Jumlah observasi atau besar sampel (n) harus lebih besar dari jumlah parameter yang diestimasi. Dengan demikian. 9: Model regresi secara benar telah terspesifikasi. Asumsi ini pasti terpenuhi jika X adalah variabel non random atau non stochastic.

dan variannya konstan. Sementara pada data cross section hal itu kecil kemungkinan terjadi. unbias. Tidak Ada Multikolinearitas. baik itu data jenis runtut waktu (time series) ataupun data kerat silang (cross section). Pengertian autokorelasi Dalam asumsi klasik telah dijelaskan bahwa pada model OLS harus telah terbebas dari masalah autokorelasi atau serial korelasi. Asumsi terbebasnya autokorelasi ditunjukkan oleh nilai e yang mempunyai rata-rata nol. seperti uji normalitas. Asumsi variance yang tidak konstan 102 . maka estimasi regresi hendaknya dilengkapi dengan uji-uji yang diperlukan. Untuk memenuhi asumsi-asumsi di atas. dan Tidak ada Heteroskedastisitas. efficient of estimation (BLUE). autokorelasi. Apabila seluruh asumsi klasik tersebut telah terpenuhi maka akan menghasilkan hasil regresi yang best.memberi informasi yang sesungguhnya. karena sifat data time series ini sendiri lekat dengan kontinyuitas dan adanya sifat ketergantungan antar data. A. Uji Autokorelasi A. atupun multikolinearitas. Autokorelasi adalah keadaan dimana variabel gangguan pada periode tertentu berkorelasi dengan variabel gangguan pada periode lain.1. linear. Sifat autokorelasi muncul bila terdapat korelasi antara data yang diteliti. heteroskedastisitas. Secara teoretis model OLS akan menghasilkan estimasi nilai parameter model penduga yang sahih bila dipenuhi asumsi Tidak ada Autokorelasi. Hanya saja masalah autokorelasi lebih sering muncul pada data time series.

model yang digunakan untuk menganalisis regresi tidak didukung oleh teori-teori yang relevan dan mendukung. uj) = 0. Sebab-sebab Autokorelasi Terdapat banyak faktor-faktor yang dapat menyebabkan timbulnya masalah autokorelasi. Hal seperti itu dalam bahasa matematisnya dituliskan sebagai berikut: E(ui. Kalau saja terjadi autokorelasi dalam kasus semacam ini. Jika terdapat ketergantungan. 103 . misalnya kita mengamati perubahan inflasi apakah dipengaruhi oleh suku bunga deposito ataukah tidak. Telah jelas bagi kita bahwa autokorelasi akan muncul apabila ada ketergantungan atau adanya kesalahan pengganggu yang secara otomatis mempengaruhi data berikutnya. Bisa saja perubahan bunga deposito pada waktu tertentu. jika tidak terdapat ketergantungan atau tidak adanya kesalahan pengganggu yang secara otomatis mempengaruhi data berikutnya maka masalah autokorelasi tidak akan muncul. i ≠j Sebaliknya. i ≠j A. juga dialami oleh perubahan tingkat inflasi pada waktu yang sama. Kesalahan dalam pembentukan model. artinya.2. maka menjadi tidak jelas apakah inflasi betul-betul dipengaruhi oleh perubahan bunga deposito ataukah karena sifat dari kecenderungannya sendiri untuk berubah. dalam bahasa matematisnya dituliskan sebagai berikut: E(ui.menunjukkan adanya pengaruh perubahan nilai suatu observasi berdampak pada observasi lain. Sebagai ilustrasi. uj) ≠ 0. namun dalam pembahasan ini hanya mengungkapkan beberapa faktor saja antara lain: 1.

banyaknya Jumlah Uang Beredar (JUB) mempunyai kaitan kuat dengan terjadinya inflasi. besar kemungkinan akan terjadi autokorelasi. Misalnya dalam penelitian kita ingin menggunakan data bulanan. upaya periklanan bulan ke n tidak 104 . Alur berfikirnya seperti ini. Secara teoritik. namun data tersebut tidak tersedia. untuk dijadikan data bulanan melalui cara interpolasi atau ekstrapolasi. Kemudian kita mencoba menggunakan triwulanan yang tersedia.2. Manipulasi data. ini berarti inflasi akan terjadi. terkesan bahwa data tersebut tidak didukung oleh realita. Tidak memasukkan variabel yang penting. 3. Misalnya pengaruh periklanan terhadap penjualan. Secara empirik. Variabel penting yang dimaksudkan di sini adalah variabel yang diperkirakan signifikan mempengaruhi variabel Y. tidak dimasukkannya JUB sebagai prediktor. semakin banyak JUB maka daya beli masyarakat akan meningkat tentu akan pula diikuti dengan permintaan yang meningkat pula. Sebagai misal kita ingin meneliti faktor apa saja yang mempengaruhi terjadinya inflasi. Nah. Jika data semacam ini digunakan. Apabila hal seperti ini dilakukan. maka sifat data dari bulan ke satu akan terbawa ke bulan kedua dan ketiga. 4. sangat besar mengandung kecenderungan terjadinya autokorelasi. Jika jumlah penawaran tidak mampu bertambah. Contohnya membagi tiga data triwulanan tadi (n/3). Kalau dalam penelitian menggunakan data biaya periklanan bulan ke n dan data penjualan bulan ke n. dan ini besar kemungkinan untuk terjadi autokorelasi. Menggunakan data yang tidak empiris. tentu harga akan meningkat.

Pengujian Autokorelasi Pengujian autokorelasi dimaksudkan untuk menguji ada tidaknya autokorelasi. Sb2) akan bias. b2. Terdapat beberapa cara untuk mendeteksi ada tidaknya autokorelasi. atau lebih. yaitu masalah lain yang timbul bila kesalahan tidak sesuai dengan batasan yang disyaratkan oleh analisis regresi. Seharusnya data penjualan yang digunakan adalah data penjualan bulan ke n+1 atau n+2 tergantung dampak empiris tadi. 2 bulan. jaraknya bisa 1 bulan. Akibatnya adalah nilai t hitung akan menjadi bias pula. karena nilai t diperoleh dari hasil bagi Sb terhadap b (t = b/sb).akan secara langsung berdampak pada bulan yang sama. Pertanyaan seperti ini tentu saja merupakan sesuatu yang wajar. Berhubung nilai Sb bias maka nilai t juga akan bias atau bersifat tidak pasti (misleading). A.3. Penggunaan data pada bulan yang sama dengan mengabaikan empiris seperti ini disebut juga sebagai Cobweb Phenomenon. tetapi besar kemungkinan akan berdampak pada bulan berikutnya. Akan tetapi nilai variance tidak minimum dan standard error (Sb1. karena kita tentu mempunyai pilihan apakah mengabaikan adanya autokorelasi ataukah akan mengeliminasinya.4. Akibat Autokorelasi Uraian-uraian di atas mungkin saja mengajak kita untuk bertanya tentang apa dampak dari autokorelasi yang timbul. antara lain melalui: 105 .bn) model regresi tetap linear dan tidak bias dalam memprediksi B (parameter sebenarnya).…. Meskipun ada autokorelasi. nilai parameter estimator (b1. A.

Rumusan hipotesisnya (H0) biasanya menyatakan bahwa dua ujungnya tidak ada serial autokorelasi baik positif 106 .1. • Variabel penjelasnya tidak random (nonstochastics). • Tidak ada data yang hilang. Uji Durbin-Watson (DW Test). t • υt = ρ υ−1 + ε t Langkah-langkah pengujian autokorelasi menggunakan uji Durbin Watson (DW test) dapat dimulai dari menentukan hipotesis.e e t t −1 2 t ) Dalam DW test ini terdapat beberapa asumsi penting yang harus dipatuhi. yaitu: • Terdapat intercept dalam model regresi. • Tidak ada unsur lag dari variabel dependen di dalam model. yang dituliskan sebagai berikut: ˆ ∑ (u t =2 t =n t d= ˆ − u t −1 ) 2 2 t ˆ ∑u t =2 t =n atau dapat pula ditulis dalam rumus sebagai berikut: d = 2(1 − ∑e . Uji Durbin-Watson yang secara populer digunakan untuk mendeteksi adanya serial korelasi dikembangkan oleh ahli statistik (statisticians) Durbin dan Watson. Formula yang digunakan untuk mendeteksi terkenal pula dengan sebutan DurbinWatson d statistic.

terdapat autokorelasi negatif. yang semuanya menentukan lokasi dimana nilai DW berada. atau. Misalnya: terdapat autokorelasi positif. maka perlu mengujinya karena hipotesis sendiri merupakan jawaban sementara yang masih perlu diuji.maupun negatif. Jelasnya adalah sebagai berikut: DW < dL positif dL< DW <dU (inconclusive) dU > DW >4-dU autokorelasi 4-dU < DW <4-dL (inconclusive) DW > 4-dL negatif = terdapat atokorelasi = tidak dapat disimpulkan = tidak terdapat = tidak dapat disimpulkan = terdapat autokorelasi Dimana DW = Nilai Durbin-Watson d statistik dU = Nilai batas atas (didapat dari tabel) dL = Nilai batas bawah (didapat dari tabel) Ketentuan-ketentuan daerah hipotesis pengujian DW dapat diwujudkan dalam bentuk gambar sebagai berikut: 107 . Bertolak dari hipotesis tersebut. Terdapat beberapa standar keputusan yang perlu dipedomani ketika menggunakan DW test.

Inconclusive Tidak ada Autokorelasi Inconclusive Korelasi (+) 0 dL dU 2 4-dU Korelasi (-) 4-dL 4 Gambar 3. hanya saja dilanjutkan dengan mengaktifkan kunci lainnya. 108 . Linear • Masukkan variabel Y ke kotak Variabel Dependen. Lengkapnya tahapan tersebut adalah sebagai berikut: • Pilih Analyze. kemudian klik OK. tahapannya dilakukan seperti pada tahapan regresi. Bantuan dengan SPSS Untuk mengetahui ada tidaknya autokorelasi dengan DW test.: Daerah Uji Durbin Watson Dalam pengujian autokorelasi terdapat kemungkinan munculnya autokorelasi positif maupun negatif. dan variabel X1 dan X2 ke dalam kotak Variabel Independen • Klik pada kotak pilihan Statistik (bawah) • Aktikan Durbin-Watson pada kolom Residual • Klik Continue. Regression. Karena adanya masalah korelasi dapat menimbulkan adanya bias pada hasil regresi.3.

X1 b.726 Std. Dependent Variable: Y Bantuan dengan SPSS Catatan: 109 . kolom paling kanan. Predictors: (Constant). b Model Summary Model 1 R R Square .Maka SPSS akan menampilkan hasil regresinya.9148 Durbin-W atson .752 Adjusted R Square . Error of the Estimate . X2.867 a . Kolom DurbinWatson akan tampak dalam tabel Model Summary.883 a.

maka koefisien autokorelasi lebih kecil dari nol. Hipotesis nol yang menyatakan tidak terdapat masalah autokorelasi dapat ditolak. Dengan demikian dapat disimpulkan bahwa hasil regresi tersebut belum terbebas dari masalah autokorelasi positif. Karena nilai DW hasil regresi adalah sebesar 0. Dengan kata lain. dengan predictor sebanyak 2 maka batas atas (U) adalah sebesar 1.15.54 sedang batas bawah (L) adalah sebesar 1.54 4-dU 2. Uraian di atas dapat pula dijelaskan dalam bentuk gambar sbb: Korelasi (+) inkonklusif tidak ada autokorelasi 2 2.85 4-dL 4 110 .46 inkonklusif Korelasi (-) 0 dL 1. dengan sampel 22 observasi.883 yang berarti lebih kecil dari nilai batas bawah. sedang hipotesis nol yang menyatakan terdapat masalah autokorelasi dapat diterima.15 dU 1.Dengan menggunakan derajat kesalahan (α )=5%.

Variabel Yt-2 merupakan variabel lag 2 dari Y. Lag 1 dan Lag 2 variabel Y dimasukkan dalam model ini bertujuan untuk mengetahui pada lag berapa problem otokorelasi muncul. bulanan. Dengan demikian model dalam LM menjadi sebagai berikut: Y = β 0 + β 1X1+ β 2 X2 + β 3 Yt-1+ β 4 Yt2 +ε Variabel Yt-1 merupakan variabel lag 1 dari Y. LM sendiri merupakan teknik regresi yang memasukkan variabel lag. Daerah Uji Durbin Watson 2. Menggunakan metode LaGrange Multiplier (LM). sedang lag 2 menunjukkan kesenjangan waktu 2 periode. Sehingga terdapat variabel tambahan yang dimasukkan dalam model. tahunan.Gambar. Variabel tambahan tersebut adalah data Lag dari variabel dependen. Lag 1 data harian berarti 111 . Lag 1 menunjukkan adanya kesenjangan waktu 1 periode. Periodenya tergantung pada jenis data apakah data harian. Lag sendiri merupakan rentang waktu.

Jika ini terjadi. seperti yang telah dibahas pada uji t sebelumnya. namun uji-uji tersebut tidak dibahas di sini. dapat dilihat dari signifikan tidaknya variabel lag tersebut. maka untuk perbaikan hasil regresi perlu dilakukan regresi ulang dengan merubah posisi data untuk disesuaikan dengan kurun waktu lag tersebut. Misalnya variabel Yt-1 mempunyai nilai t signifikan. B. Pengujian normalitas data dapat dilakukan sebelum ataupun setelah tahapan analisis regresi. Sangat beralasan kiranya. karena jika asumsi normalitas data telah dipenuhi 112 . Uji Normalitas Tujuan dilakukannya uji normalitas adalah untuk menguji apakah variabel penganggu (e) memiliki distribusi normal atau tidak. lag 2 kesenjangan 2 hari dan seterusnya. Terdapat beberapa alat uji lain untuk mendeteksi autokorelasi seperti uji Breusch-Godfrey. Uji Statistik Q: Box-Pierce dan Ljung Box. Hanya saja pengalaman menunjukkan bahwa pengujian normalitas yang dilakukan sebelum tahapan regresi lebih efisien dalam waktu.ada kesenjangan satu hari. dan lainlain. mengingat tulisan ini masih berlingkup atau bersifat pengantar. berarti terdapat masalah autokorelasi atau pengaruh kesalahan pengganggu mulai satu periode sebelumnya. Sebagai kunci untuk mengetahui pada lag berapa autokorelasi muncul. Ukuran yang digunakan adalah nilai t masing-masing variabel lag yang dibandingkan dengan t tabel. Uji Run.

yang kemudian baru dilakukan normalitas data. Cara ini disebut ukuran tendensi sentral (Kuncoro. 2001: 41). 2) Menggunakan formula Jarque Bera (JB test). Atau apabila nilai mean jika dikurangi nilai median menghasilkan angka nol. Pengujian normalitas ini berdampak pada nilai t dan F karena pengujian terhadap keduanya diturunkan dari asumsi bahwa data Y atau e berdistribusi normal.terlebih dulu. dimana nilai t dan F baru diketahui. sedangkan ternyata hasilnya tidak normal maka analisis regresi harus diulang lagi. Data dikatakan normal (simetris) jika perbandingan antara mean dan median menghasilkan nilai yang kurang lebih sama. yaitu antara nilai median dengan nilai mean. maka dampak yang mungkin akan ditimbulkan dari adanya ketidaknormalan data seperti bias pada nilai t hitung dan nilai F hitung dapat dihindari. Sebaliknya. bila dilakukan analisis regresi terlebih dulu. yang rumusnya tertera sebagai berikut:  S 2 ( K − 3) 2  JB = n  +  24   6 dimana: S = Skewness (kemencengan) distribusi data K= Kurtosis (keruncingan) Skewness sendiri dapat dicari dari formula sebagai berikut: [ E( X − µ ) ] S= [E( X − µ ] 3 2 2 3 113 . antara lain: 1) Menggunakan metode numerik yang membandingkan nilai statistik. Beberapa cara dapat dilakukan untuk melakukan uji normalitas.

Median. Central Tendency • Kemudian klik Continue. Descriptive Statistic. dan lain-lain. Kurtosis. dan OK. 114 . Caranya dapat dilakukan dengan tahapan sebagai berikut: • Pilih Analyze. Distribution. Modus. Frequencies • Pindahkan variabel yang mau dicari nilainya (sebelah kiri) ke kotak Variables (sebelah kanan) • Kilik Statistik (bawah) • Aktifkan pilihan yang ada dalam kotak Dispersion. Skewness.Kurtosis dapat dicari dengan formula sebagai berikut: K= [E( X − µ) ] E( X − µ) 4 2 2 Bantuan dengan SPSS SPSS dapat digunakan untuk melihat nilai Mean.

3027 .15 2605.65 13.3727 12.7373 9855.06 8688.424 -1.2202 176.7548 1.1 .22 216816. rror of K urtosis R ange M inim um M axim um S um a.0329 825.66 X 1 3) Mengamati sebaran data.009 .494 .0552 -.49 X 2 22 22 0 0 14. eviation V ariance S kew ness S E td.0670 681871.6200 9774. Standar deviasi dapat dicari melalui rumus sebagai berikut: SD = ∑( Dv − D v) n 115 .953 6.953 3. rror of M ean M edian M ode S D td.30 324.491 -1.28 a 1. Untuk menentukan posisi normal dari sebaran data.8405 .363 .491 .85 8.21 11294. langkah awal yang dilakukan adalah menghitung standar deviasi.099 .28 15.953 .• Maka SPSS akan menampakkan output sebagai berikut: S tatistics Y N M ean S E td.13 260.7479 3. M ultiple m odes exist.06 a 8688.0515 14. rror of S kew ness K urtosis S E td.491 -.0200 13.1700 8.65 16. dengan melakukan hitungan-hitungan berapa prosentase data observasi dan berada di area mana.096 .65 a 1. The sm allest value is show n V alid M issing 22 0 11.

Penentuan area ini penting. 1995. Untuk mempermudah. third edition.7% dari sisanya berada pada area SD3 Untuk memperjelas maksud dari uraian di atas. Basic Econometrics. karena sebaran data yang dikatakan normal19 apabila tersebar sebagai berikut: Sebanyak 68% dari observasi berada pada area SD1 Sebanyak 95% dari sisanya berada pada area SD2 Sebanyak 99. kita dapat memberinya nama: SD1 yang berarti rentang pertama. 116 . di sebelah kiri dan sebelah kanan dari posisi tengah-tengah (simetris). McGraw-Hill. Inc. SD2 yang berarti rentang kedua di sebelah kiri dan sebelah kanan posisi tengahtengah (simetris) SD3 yang berarti rentang ketiga di sebelah kiri dan sebelah kanan posisi tengahtengah (simetris). kita dapat melihatnya pada gambar berikut ini -SD3 SD3 19 -SD2 -SD1 Dv SD1 SD2 Gujarati.Standar deviasi ini digunakan untuk menentukan rentang deviasi dari posisi simetris data.

Apabila data telah berdistribusi normal maka tidak ada masalah karena uji t dan uji F dapat dilakukan (Kuncoro. Data dikatakan normal jika datanya simetris. 2001: 110).68% observasi 95% observasi sisa 99. Jika data cenderung menceng ke kiri disebut positif skewness. Data yang tidak normal juga dapat dibedakan dari tingkat kemencengannya (skewness). dan jika data cenderung menceng ke kanan disebut negatif skewness. atau melakukan transformasi data. Apabila data tidak normal. maka diperlukan upaya untuk mengatasi seperti: memotong data yang out liers. memperbesar sampel. yaitu data berdistribusi normal atau tidak normal. Lihat gambar berikut: Positif Skewness Negatif Skewness Normal 117 .7% observasi sisa Dalam pengujian normalitas mempunyai dua kemungkinan.

Dan 4 orang mempunyai berat badan antara 36-41 kg. dan 10 orang lainnya dengan berat 46-51 kg. 2004: 18). dari penghitungan berat badan orang dewasa yang rata-ratanya ditemukan 46 kg. maka data dapat dikatakan normal. 118 . dan satu orang beratnya kurang dari 36 kg. serta 5 orang berat badannya berkisar antara 51-56. dapat diketahui dari sebaran datanya. Dengan mentransformasi data ke bentuk logaritma akan memperkecil error sehingga kemungkinan timbulnya masalah heteroskedastisitas juga menjadi sangat kecil (Setiaji. mengatakan hal yang sama. dengan standar deviasi (SD) 5 kg. Misalnya dari data tersebut diketahui bahwa 20 dari data observasi (68% X 30) 10 orang di antaranya mempunyai berat badan yang berkisar antara 41-46 kg. 2001. juga Setiaji. Bahwa transformasi dapat dilakukan dengan logaritma.. 2004.Langkah transformasi data sebagai upaya untuk menormalkan sebaran data dapat dilakukan dengan merubah data dengan nilai absolut ke dalam bilangan logaritma20. Sebagai penjelas dari uraian di atas. Untuk menentukan normal tidaknya data sampel tersebut. Dengan demikian bila diwujudkan dalam bentuk diagram sebaran data akan tampak sebagai berikut: 20 Kuncoro. maka ada baiknya kalau kita ikuti contoh soal sebagai berikut: Misalnya kita memiliki jumlah observasi sebanyak 30 sampel.

36

41

46

51

56

C. Uji Heteroskedastisitas C.1. Pengertian Heteroskedastisitas Sebagaimana telah ditunjukkan dalam salah satu asumsi yang harus ditaati pada model regresi linier, adalah residual harus homoskedastis, artinya, variance residual harus memiliki variabel yang konstan, atau dengan kata lain, rentangan e kurang lebih sama. Karena jika variancenya tidak sama, model akan menghadapi masalah heteroskedastisitas. Heteroskedastisitas muncul apabila kesalahan atau residual dari model yang diamati tidak memiliki varians yang konstan dari satu observasi ke observasi lainnya (Kuncoro, 2001: 112). Padahal rumus regresi diperoleh dengan asumsi bahwa variabel pengganggu (error) atau e, diasumsikan memiliki variabel yang konstan (rentangan e kurang lebih sama). Apabila terjadi varian e tidak konstan, maka kondisi tersebut dikatakan tidak homoskedastik atau mengalami heteroskedastisitas (Setiaji, 2004: 17). Masalah heteroskedastisitas lebih sering muncul dalam data cross section dari pada data time series (Kuncoro, 2001: 112; Setiaji, 2004: 17). Karena dalam data cross section menunjukkan obyek yang berbeda dan waktu yang berbeda pula. Antara obyek satu dengan yang lainnya tidak ada saling keterkaitan, begitu pula dalam hal waktu. Sedangkan data time series, antara observasi satu dengan yang lainnya saling mempunyai kaitan. Ada trend yang cenderung sama. Sehingga variance residualnya juga cenderung sama. Tidak seperti data cross section yang cenderung menghasilkan variance residual yang berbeda pula.

119

C.2. Konsekuensi Heteroskedastisitas Analisis regresi menganggap kesalahan (error) bersifat homoskedastis, yaitu asumsi bahwa residu atau deviasi dari garis yang paling tepat muncul serta random sesuai dengan besarnya variabel-variabel independen (Arsyad, 1994:198). Asumsi regresi linier yang berupa variance residual yang sama, menunjukkan bahwa standar error (Sb) masing-masing observasi tidak mengalami perubahan, sehingga Sb nya tidak bias. Lain halnya, jika asumsi ini tidak terpenuhi, sehingga variance residualnya berubah-ubah sesuai perubahan observasi, maka akan mengakibatkan nilai Sb yang diperoleh dari hasil regresi akan menjadi bias. Selain itu, adanya kesalahan dalam model yang dapat mengakibatkan nilai b meskipun tetap linier dan tidak bias, tetapi nilai b bukan nilai yang terbaik. Munculnya masalah heteroskedastisitas yang mengakibatkan nilai Sb menjadi bias, akan berdampak pada nilai t dan nilai F yang menjadi tidak dapat ditentukan. Karena nilai t dihasilkan dari hasil bagi antara b dengan Sb. Jika nilai Sb mengecil, maka nilai t cenderung membesar. Hal ini akan berakibat bahwa nilai t mungkin mestinya tidak signifikan, tetapi karena Sb nya bias, maka t menjadi signifikan. Sebaliknya, jika Sb membesar, maka nilai t akan mengecil. Nilai t yang seharusnya signifikan, bisa jadi ditunjukkan menjadi tidak signifikan. Ketidakmenentuan dari Sb ini dapat menjadikan hasil riset yang mengacaukan. C.3. Pendeteksian Heteroskedastisitas

120

Untuk mendeteksi ada tidaknya heteroskedastisitas, dapat dilakukan dengan berbagai cara seperti uji grafik, uji Park, Uji Glejser, uji Spearman’s Rank Correlation, dan uji Whyte menggunakan Lagrange Multiplier (Setiaji, 2004: 18)21. Pengujian heteroskedastisitas menggunakan uji grafik, dapat dilakukan dengan membandingkan sebaran antara nilai prediksi variabel terikat dengan residualnya, yang output pendeteksiannya akan tertera berupa sebaran data pada scatter plot. Dengan menggunakan alat bantu komputer teknik ini sering dipilih, karena alasan kemudahan dan kesederhanaan cara pengujian, juga tetap mempertimbangkan valid dan tidaknya hasil pengujian. Pengujian heteroskedastisitas menggunakan uji Arch, dilakukan dengan cara melakukan regresi atas residual, dengan model yang dapat dituliskan ˆ e 2 = a + bY 2 + u . Dari hasil regresi tersebut dihitung nilai R2. Nilai R2 tadi dikalikan dengan jumlah sampel (R2 x N). Hasil perkalian ini kemudian dibandingkan dengan nilai chi-square (χ 2) pada derajat kesalahan tertentu. Dengan df=1 (ingat, karena hanya memiliki satu variabel bebas). Jika R2 x N lebih besar dari chi-square (χ 2) tabel, maka standar error mengalami heteroskedastisitas. Sebaliknya, jika R2 x N lebih kecil dari chi-square (χ 2) tabel, maka standar error telah bebas dari masalah heteroskedastisitas, atau telah homoskedastis.

21

Ditunjukkan pula oleh Gozali, 2001.

121

maka tingkat kolinearnya dapat dikatakan serius.1. dan sempurna. Tingkat kekuatan hubungan antar variabel penjelas dapat ditrikotomikan lemah.Tidak berkolinear Y Gb. atau sempurna.D. tidak berkolinear. dapat dilihat pada gambar berikut ini: Y Y X2 X2 X1 X1 Gb. Pengertian Multikolinearitas Multikolinieritas adalah suatu keadaan dimana terjadi korelasi linear yang ”perfect” atau eksak di antara variabel penjelas yang dimasukkan ke dalam model. Tingkat kolinear dikatakan lemah apabila masing-masing variabel penjelas hanya mempunyai sedikit sifat-sifat yang sama. Apabila antara variabel penjelas memiliki banyak sifat-sifat yang sama dan serupa sehingga hampir tidak dapat lagi dibedakan tingkat pengaruhnya terhadap Y. Uji Multikolinieritas D. Sedangkan Tidak berklinear jika antara variabel penjelas tidak mempunyai sama sekali kesamaan. Berkolinear lemah X1 X2 122 . atau perfect. Sebagai gambaran penjelas.

Logikanya adalah seperti ini. 2004: 26). sehingga akan berpengaruh pula terhadap nilai t (Setiaji. Pendeteksian Multikolinearitas Terdapat beragam cara untuk menguji multikolinearitas. sehingga nilai b1 hasilnya tidak menentu. Konsekuensi Multikolinearitas Pengujian multikolinearitas merupakan tahapan penting yang harus dilakukan dalam suatu penelitian. melakukan regresi partial dengan teknik auxilary regression.Gb. atau dapat pula 123 . karena dari formula OLS sebagaimana dibahas terdahulu. jika antara X1 dan X2 terjadi kolinearitas sempurna sehingga data menunjukkan bahwa X1=2X2. b1 = 0 0 . dalam arti tidak dapat ditentukan kepastian nilainya. Hal itu akan berdampak pula pada standar error Sb akan menjadi sangat besar. Berkolinear sempurna D. D. b1 = 2 (∑x1 y )( ∑x 2 ) − (∑x 2 y )( ∑x1 x 2 ) 2 2 (∑x1 )( ∑x 2 ) − (∑x1 x 2 ) 2 akan menghasilkan bilangan pembagian. karena apabila belum terbebas dari masalah multikolinearitas akan menyebabkan nilai koefisien regresi (b) masing-masing variabel bebas dan nilai standar error-nya (Sb) cenderung bias. di antaranya: menganalisis matrix korelasi dengan Pearson Correlation atau dengan Spearman’s Rho Correlation.3.2. yang tentu akan memperkecil nilai t. maka nilai b1 dan b2 akan tidak dapat ditentukan hasilnya.

hasil regresi dapat ditolerir. dapat disimpulkan bahwa apabila angka korelasi lebih kecil dari 0. Juga pendapat Gujarati (1995:335) yang mengatakan bahwa bila korelasi antara dua variabel bebas melebihi 0. Selain itu metode ini lebih mudah dan lebih sederhana tetapi tetap memenuhi syarat untuk dilakukan.dilakukan dengan mengamati nilai variance inflation factor (VIF). Pengujian multikolinearitas menggunakan angka korelasi dimaksudkan untuk menentukan ada tidaknya multikolinearitas. Mengacu pendapat Pindyk dan Rubinfeld22. apabila korelasi antara variabel penjelas tidak lebih besar dibanding korelasi variabel terikat dengan masing-masing variabel penjelas. Dengan demikian. dengan mempertimbangkan sifat data dari cross section. Sementara untuk data interval atau nominal dapat dilakukan dengan Pearson Correlation.8 maka dapat dikatakan telah terbebas dari masalah multikolinearitas. Cara mendeteksi ada tidaknya multikolinieritas dengan menghitung nilai korelasi antar variabel dengan menggunakan Spearman’s Rho Correlation dapat dilakukan apabila data dengan skala ordinal (Kuncoro. 22 Lihat Kuncoro. maka bila tujuan persamaan hanya sekedar untuk keperluan prediksi. 2001:146 124 . 2001: 114). yang mengatakan bahwa apabila korelasi antara dua variabel bebas lebih tinggi dibanding korelasi salah satu atau kedua variabel bebas tersebut dengan variabel terikat. maka dapat dikatakan tidak terdapat masalah yang serius. sepanjang nilai t signifikan.8 maka multikolinearitas menjadi masalah yang serius. Gujarati juga menambahkan bahwa. Dalam kaitan adanya kolinear yang tinggi sehingga menimbulkan tidak terpenuhinya asumsi terbebas dari masalah multikolinearitas.

Coba jelaskan apa yang dimaksud dengan asumsi klasik! b. Jelaskan apa yang dimaksud dengan normalitas! q. Apa konsekuensi dari adanya masalah heteroskedastisitas dalam model? l. Sebutkan apa saja asumsi-asumsi yang ditetapkan! c. Cobalah untuk menyimpulkan maksud dari uraian bab ini! 3. Coba jelaskan mengapa tidak semua asumsi perlu lakukan pengujian! d. Bagaimana cara mendeteksi masalah autokorelasi? g. Jelaskan apa yang dimaksud dengan autokorelasi! e. Jelaskan kenapa normalitas timbul! 125 . Jelaskan apa yang dimaksud dengan multikolinearitas! m. Bagaimana cara mendeteksi masalah multikolinearitas? o. Jelaskan apa yang dimaksud dengan heteroskedastisitas! i. Jelaskan kenapa multikolinearitas timbul! n. Apa konsekuensi dari adanya masalah autokorelasi dalam model? h.Tugas: 1. Buatlah rangkuman dari pembahasan di atas! 2. Jelaskan kenapa autokorelasi timbul! f. Apa konsekuensi dari adanya masalah multikolinearitas dalam model? p. Jelaskan kenapa heteroskedastisitas timbul! j. Jawablah pertanyaan-pertanyaan di bawah ini: a. Bagaimana cara mendeteksi masalah heteroskedastisitas? k.

Apa konsekuensi dari adanya masalah normalitas dalam model? t.r. Bagaimana cara menangani jika data ternyata tidak normal? 126 . Bagaimana cara mendeteksi masalah normalitas? s.

Dominick. Irwin McGraw Hill. William E. Hill.Damodar N. Mudrajad. 1997. Lembaga Penerbit Fakultas Ekonomi Universitas Indonesia. 2000. “Ekonometrik”. Yogjakarta Salvatore. International Edition.Damodar N. Inc. Buku Satu. 1997. “Module Ekonometrika Praktis”. Imam.. “Metode Kuantitatif Teori dan Aplikasi Untuk Bisnis dan Ekonomi”. 127 . George G. “Buku Latihan SPSS Statistik Parametrik”. Kuncoro. “Managerial Economics in a Global Economy”. Johnston. 1999.. Edisi 4. “Aplikasi Analisis Multivariate dengan Program SPSS”. 1983. BPFE Yogjakarta. Jack. Supranto. Pangestu Subagyo..DAFTAR PUSTAKA Djarwanto. 1996. Fakultas Ekonomi Universitas Muhammadiyah Surakarta. McGraw-Hill. J. Elex Media Komputindo. Santoso. Judge. McGraw-Hill Book Company. and John DiNardo. “Econometric Methods” Fourth Edition. 2001. “Essentials of Econometrics”. Third Edition. Jakarta. Carter. BP Undip. “Basic Econometrics” Second Edition. 2001. The McGraw-Hill Companies. Inc. “Undergraduate Econometrics”. 2004. Griffiths. 1988. Ghozali. UPP AMP YKPN. 2001. Semarang Gujarati. “Statistik Induktif”. Bambang. inc. Second Edition. Singgih. Gujarati. Setiaji. John Wiley & Sons.

Regresi Logit 128 .

22 X12 170.398 129 .76 15.02 16.2644 221.1744 248.0449 184.6681 157.9396 207.48 10.39 14.14 10.3969 4800.13 14.97 13.2234 148.0416 149.5025 207.03 14.5584 83.1009 245.79 14.5729 169.93 11.4598 240.03 14.7089 3148.8256 220.9169 198.9364 228.97 13.88 15.2601 155.0721 224.76 15.1281 256.7641 262.93 13.06 13.21 16.06 13.2354 187.6329 3871.1641 196.1368 126.19 15.5489 253.3 12.48 XY 108.28 9.5636 190.48 10.91 16.58 13.81 13.3977 206.4164 172.39 14.8025 229.9329 151.23 13.815 196.13 324.0831 203.55 15.X1 13.3184 135.79 14.8409 199.911 147.11 13.4355 233.42 15.3776 241.49 X1 13.36 109.22 13.81 13.8667 198.82 12.67 15.91 16.6 10.7844 110.62 10.16 14.88 15.22 13.1849 131.91 12.6404 262.97 15.01 12.97 15.7904 101.22 Y 8.55 14.8046 171.0724 146.478 142.5225 202.58 13.04 12.2464 176.5009 166.89 167.19 15.85 14.93 13.7161 195.14 14.8182 203.02 16.14 14.2084 194.21 16.6456 183.16 14.525 Y2 68.3614 144.55 15.13 324.0025 112.85 14.5396 112.33 260.05 10.1609 190.51 10.658 142.08 13.8304 106.0188 170.4601 117.9008 206.1161 252.67 15.47 12.6521 170.

4498 0.195 = 7. Ingat E(b) = B.t= b sb = 1. Atau digambarkan sebagai berikut: (b-d) batas bawah dimana: interval (b+d) batas atas (b-d) = batas keyakinan bawah atau nilai batas bawah (b+d) = batas keyakinan atas atau nilai batas atas (1.α ) = koefisien keyakinan (confidence coefficient) atau tingkat keyakinan (confidence level). Nilai b sendiri merupakan perkiraan tungga dari parameter B. Perbedaan antara nilai b dan B disebabkan adanya fluktuasi sampling. Kalau berada pada interval tersebut.α Persamaan ini dapat dibaca: probabilita interval antara (b-d) dan (b+d) akan memuat nilai B sebesar (1. Untuk menguji tingkat kepercayaannya maka kita perlu mengukur interval kepercayaan (confidence interval) apakah B berada di antara batas atas dengan batas bawah interval atau tidak.4348 Penemuan nilai b di sini penting untuk menentukan nilai B. maka kita perlu menguji apakah B berada pada interval atau tidak. maka dipastikan bahwa B mempunyai tingkat kepercayaan yang baik (reliabel). Nilai B sendiri besarnya adalah sama dengan nilai rata-rata b. Pengukuran berdasarkan interval kepercayaan dapat dituliskan dalam bentuk persamaan sebagai berikut: P (b-d ≤ B ≤ b +d) = 1.α ). 130 . jika tidak. maka B tidak reliabel. karena nilai rata-rata b adalah pemerkira tak bias. Permasalahannya adalah nilai b yang dihasilkan dengan perhitungan di atas adalah nilai b individual. yaitu koefisien regresi sebenarnya (Y = A + BX + e).

dan lain-lain.Simbol α sendiri disebut sebagai tingkat signifikansi (level of significance) yang diartikan juga sebagai besarnya kesalahan yang ditolerir di dalam membuat keputusan. 131 .α tersebut (1 95% = 5% atau 0. dengan menggunakan persamaan di atas kita dapat menginterpretasi bahwa kemungkinan nilai B berada pada interval adalah sebesar 95%. Angka ini didapat dari rumus 1. maka diperlukan alat analisisnya yang berupa gabungan dari teori ekonomi. Seandainya ditentukan bahwa tingkat keyakinannya sebesar 95%. seperti pengukuran GNP. Dengan demikian. dan statistika. uang beredar.05). tingkat Inflasi. matematika. untuk dapat melakukan pengukuran kegiatan ekonomi. Penggunaan model matematis seperti itu dimaksudkan untuk mendefinisikan hubungan antara berbagai variabel-variabel ekonomi yang saling mempengaruhi. Banyak sekali konsep-konsep ekonomi yang dirumuskan dalam model matematis. Penghitungan seperti tersebut digunakan untuk menentukan apakah nilai B menerima atau menolak hipotesis (H0).05. maka kesalahan yang ditolerir adalah yang kurang dari 5% atau 0. Karena dalam pengukuran ekonomi diwujudkan dalam bentuk angka-angka maka ekonometrika bersifat kuantitatif. Dengan demikian.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->