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

makro. yaitu statistika. Supranto. statistika.Uraian di atas menjelaskan kepada kita bahwa dalam ekonometrika diperlukan tiga hal pokok yang mutlak ada.2 Ekonometri adalah suatu ilmu yang mengkombinasikan teori ekonomi dengan statistik ekonomi. second edition. Irwin McGraw Hill. Oleh karena itu. Lembaga Penerbit FE UI. Guna memahami data. dan statistik. Goldberger. memerlukan disiplin ilmu tentang data. 1999.p. dan matematika. operasional. dan statistika inferensi yang digunakan untuk menganalisis kejadian-kejadian ekonomi (Arthur S. 1983.6). manajemen. Ekonometrik. Model sendiri memerlukan disiplin ilmu matematika. J. keuangan. dan model. 1983. data.1). ekonometri membuat 1 Diterjemahkan dari buku KARYA Damodar Gujarati. matematik. 4 . yang digunakan secara simultan untuk mengungkap dan mengukur kejadian-kejadian atau kegiatan-kegiatan ekonomi. Essential of Econometrics. 2 Supranto. matematika. Dengan memanfaatkan ilmu ekonomi. dan lainlain. Teori ekonomi meliputi teori ekonomi mikro.1 Ekonometrik adalah gabungan penggunaan matematik dan statistik untuk memecahkan persoalan ekonomi (J. Buku satu. akuntansi. yaitu: teori ekonomi. 1964. dengan tujuan menyelidiki dukungan empiris dari hukum skematik yang dibangun oleh teori ekonomi. pemasaran. Beberapa pakar mendefinisikan ekonometrika sebagai berikut: Ekonometrika dapat didefinisikan sebagai ilmu sosial yang menggunakan alat berupa teori ekonomi. ekonometrika merupakan gabungan dari ilmu ekonomi. p..

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

Pernyataan-pernyataan seperti itu merupakan bentuk penyederhanaan yang hanya membahas keterkaitan antara dua variabel.mengalami penurunan. Di sebut berlawanan karena jika P turun. begitu pula sebaliknya. 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). semakin sedikit barang yang ditawarkan. maka harga barang akan semakin turun. Lihat gambar 1. Hukum permintaan menunjukkan bahwa hubungan antara variabel P dan Q berlawanan. maka Q yang diminta (D) akan bertambah. Begitu pula dalam hukum penawaran. P 6 . maka jumlah permintaan terhadap barang tersebut akan mengalami peningkatan. yaitu variabel harga (P) dan variabel jumlah barang (Q) saja. tetapi ketika jumlah barang yang ditawarkan semakin banyak.

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

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

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

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

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

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

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

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

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

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

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

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

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

BAB II MODEL REGRESI Tujuan Pengajaran: Setelah mempelajari bab ini. 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 .

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

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

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

(pers.3) Y = b0 + b1X1 + b2X2 + …… + bnXn + e ……….5 16.. (pers.3) dan persamaan multiple linier (pers.5 15. maka sebaran datanya tergambar sebagai berikut: Hubungan Suku Bunga terhadap Inflasi 16 15 14 13 12 11 10 INFLASI 9 8 13.5 BUDEP Gambar 3 24 . dan X = bunga deposito (Budep) pada periode tertentu.4) sebagai berikut: Y = b0 + b1X + e ……….0 14.0 15.persamaan single linier (pers.3 dianggap bahwa Y = Inflasi.5 14. maka data akan tergambar dalam bentuk titik-titik yang merupakan sebaran data dalam scatter plot. Dengan menggunakan data penelitian hubungan antara inflasi dan bunga deposito antara Januari 2001 hingga Oktober 2002.0 13.0 16. dan jika datanya telah diketahui.4) Misalkan dari pers..

Begitu pula jika bunga deposito menurun. kedua scater plot tersebut akan tepat digunakan regresi linier.9 1. sehingga dapat diwakili dengan garis lurus. Begitu pula sebaliknya. 1.7 LATRIBUT 1. Oleh karena itu.Sebaran data tersebut di atas (gambar 3) menunjukkan hubungan yang positif. Dari scatter plot kedua gambar tersebut (baik gambar di atas maupun di bawah ini) menunjukkan bahwa sebaran datanya menyebar memanjang lurus.8 1. yaitu jika bunga deposito meningkat. menunjukkan bahwa hubungan antara variable Afenegat (Afeksi negative) dan Latribut (Atribut) mempunyai hubungan yang negative. inflasi juga turun. Sedangkan contoh sebaran data yang digambarkan dalam scatter plot di bawah ini (gambar 4). maka inflasi juga meningkat. maka afeksi negatifnya meningkat. Jika atributnya berkurang.6 0 10 20 30 40 AFENEGAT Gambar 4 25 .

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

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

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

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

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

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

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

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

34 . 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.BAB III MODEL REGRESI DENGAN DUA VARIABEL Tujuan Pengajaran: Setelah mempelajari bab ini.

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

sedangkan nilainya disebut sebagai estimate atau nilai perkiraan.. disebut sebagai estimator atau statistik. yaitu dapat dilakukan dengan metode kuadrat terkecil biasa (ordinary least square)12. Jakarta.X. merupakan variabel independen Notasi a dan b merupakan perkiraan dari A dan B. LPFEUI.11 Meskipun penulisan simbol konstanta dan koefisien regresinya agak berbeda. Buku satu. atau dengan metode Maximum Likelihood. 1983 Ordinary Least Square (OLS) ditemukan oleh Carl Friedrich Gauss. 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. seorang Matematikawan Jerman. pada tahun 1821. Ekonometrik. namun penghitungannya menggunakan metode yang sama. J. Huruf a. ∑ X a= ∑ n 11 12 Supranto. b. 36 .

yang datanya tertera sebagai berikut: 37 .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.

48 10.22 38 .93 13.02 16.13 324.39 14.6 10.28 9.14 14.51 10.58 13.11 13.97 15.81 13.05 10.55 15.67 15.21 16.88 15.76 15.82 12.93 11.33 260.47 12.19 15.03 14.01 12.85 14.42 15.22 13.14 10.62 10.13 14.79 14.06 13.3 12.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 8.91 12.91 16.04 12.55 14.97 13.23 13.16 14.48 10.08 13.49 X1 13.

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

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

Karena akan menghitung kuadrat. maka caranya: variabel yang ada di kolom Type&Label diblok (klik) 41 . dimana X12 ini merupakan X1 yang dikuadratkan.4. kemudian pilih Compute. Data awal yang dimasukkan tadi dapat dikembangkan menjadi seperti hitungan dalam tabel di bawah (misal menjadi X12). Sesuai contoh. ketik 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.

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

03 14.6 10.0724 146.0188 170.5636 190.0721 224.9329 151.2084 194.28 9.48 10.47 12.1009 245.2601 155.22 13.7641 262.5396 112.82 12.01 12.33 260.3614 144.2234 148.1368 126.49 X1 13.0025 112.658 142.93 13.91 16.7089 3148.22 X12 170.6329 3871.6456 183.13 324.0416 149.4355 233.3977 206.1849 131.9396 207.9008 206.5729 169.9364 228.7904 101.48 XY 108.02 16.5584 83. sebagai berikut: Mencari nilai b: b= n ( ∑ XY ) − ( ∑ X )( ∑Y ) n (∑ X ) − (∑ X ) 2 2 43 .5025 207.97 15.8409 199.6404 262.58 13.48 10.97 13.7161 195.85 14.14 10.7844 110.0831 203.8025 229. maka angka-angka tersebut dapat secara langsung dimasukkan ke dalam rumus I.67 15.4601 117.3969 4800.23 13.88 15.76 15.79 14.1641 196.1744 248.39 14.8667 198.6681 157.62 10.8182 203.19 15.13 14.89 167.3 12.3184 135.2464 176.1161 252.478 142.81 13.2354 187.93 11.11 13.815 196.36 109.525 Y2 68.6521 170.2644 221.08 13.21 16.5009 166.04 12.91 12.51 10.1609 190.55 15.05 10.8046 171.3776 241.55 14.1281 256.5225 202.16 14.8256 220.42 15.8304 106.5489 253.9169 198.4164 172.398 Setelah mendapatkan hitungan-hitungan hasil pengembangan data.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 8.14 14.06 13.911 147.0449 184.4598 240.

6 8 0 1 0 15 1 04 714 .398 ) − ( 324 .0 7 5 7 6 8 5 68 1 5 . Demikian pula. bahwa nilai a dan b dapat pula dicari dengan menggunakan rumus kedua.5241 Seperti telah dijelaskan di atas. Mencari nilai a: Y −b.871 .1 8 . karena rumus pencarian a terkait dengan nilai b.525 ) − ( 324 .4497 (324 .4 6 . maka nilai a juga dapat ditentukan.9916 b = 1. perlu menghitung dulu komponen-komponen rumus.6 − 0 .b= = = 22 ( 3.Langkah yang dapat dilakukan dicontohkan sebagai berikut: 44 .49 −1. agar dapat secara langsung menggunakan rumus II ini.022 22 = = a = -9.6922 492 .22 )( 260 .1 0 .800 .7 − 4 .22 ) 22 260 .4497 dengan diketahuinya nilai b.49 − 470 .6 1 .22 ) 2 8 .49 ) 22 ( 4. ∑ X a= ∑ n 260 .

menggunakan rumus kedua: b= ∑xy ∑x 2 Dari rumus di atas.16 xy ∑ = 3871.22 −260 .40 - (324 .48 - 260 .53 – 4778.49 ) 22 45 .53 2 324 .32 = 64.22 2 22 = 4800.49 2 22 = 3148. 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 ∑ = 4800.12 = 22.41 ∑y 2 = 3148.48 – 3084.Mencari nilai b.

maka nilai a juga dapat dicari dengan rumus sebagai berikut: a= − X Y b = 11. Perbedaan ini sifatnya tidak tidak substansial.5256 Hasil pencarian nilai a dan b dengan menggunakan rumus I dan II didapati angka yang cenderung sama.7373) = 11.= 3871.5256 dan b = 1. 46 . Tampak bahwa hingga dua angka di belakang koma tidak terdapat perbedaan. karena munculnya perbedaan itu sendiri akibat dari pembulatan.49 22 . yaitu: b= 32 .49 Dengan diketahuinya. mencari a dan b dengan rumus I ataupun rumus II akan menghasilkan nilai yang sama.8405 – 21. maka nilai b dapat ditentukan. Dengan demikian dapat disimpulkan bahwa.5241 dan b = 1.40 – 3838.4497. sedangkan tiga angka di belakang koma mulai ada perbedaan. nilai a = -9.8405 – (1.4498.3661 a= -9.4498 Dengan diketahuinya nilai b.91 = 32. Sedangkan hasil penghitungan dengan rumus II.41 = 1. Pada penghitungan rumus I nilai a = –9.4498 x 14. nilai-nilai tersebut.

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

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

4 50 . X 1 b .1 0 1 .4 3 1 Sig . Itu disebabkan adanya penghitungan pembulatan.2 2 0 S ig .8 82 1.8 57 M o de l 1 (Con stan t) X1 t -3.5 27 2 . 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 .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 . P re d ic to rs : (C o n s ta n t). 49 . namun nilai a dan b baru dapat dikatakan valid (tidak bias)13 apabila telah memenuhi beberapa asumsi.8 5 3 F 5 5 . a . jika asumsi tidak terpenuhi. . D e pe nd en t Varia ble: Y Catatan: Hasil penghitungan manual dan SPSS tampaknya ada perbedaan dalam desimal. Erro r Beta -9. Dikatakan demikian sebab.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.1 6 0 a .0 5 9 T o ta l 6 4 .1 0 1 R e s id u a l 1 7 . nilai a dan b besar kemungkinannya tidak merupakan nilai yang sebenarnya.3 0 5 7.19 5 . yang terkenal dengan 13 Tidak bias artinya nilai a atau nilai b yang sebenarnya.00 0 a .00 4 . Meskipun nilai a dan b dapat dicari dengan menggunakan rumus tersebut.

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

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

449 X i 9 Karena nilai a dalam garis regresi bertanda negatif (-) dengan angka 9. setiap perubahan nilai X akan diikuti perubahan yang lebih besar pada nilai Y. X1 a 0 b .449 menunjukkan arti bahwa variabel X tersebut tergolong elastis. e . didapatkan dari memasukkan angka Xi ke dalam persamaan Yi = a + bXi +e. maka derajat kemiringan garis regresi terhadap sumbu X semakin tinggi. semakin tinggi nilai b. . maka garis regresi akan memotong sumbu Y dibawah origin (0) pada angka – 9. Nilai parameter b variabel X yang besarnya 1. ˆ maka garis Yi = a + bX i besarnya adalah: ˆ Yi = − . . Tanda positif pada parameter b 52 . karena nilai b > 1.525. Sebaliknya. e .525 +1. . . X ˆ Munculnya garis Yi = a + bX i seperti dalam gambar di atas. o . Dengan menggunakan hasil hitungan pada data di atas.525. Gambaran uraian di atas dapat dilihat pada gambar berikut: Y ˆ Yi = a + bX i Y1 . Artinya.terhadap sumbu X semakin rendah pula. . .

dengan perbandingan perubahan 1:1.tersebut menunjukkan bahwa jika variabel X meningkat maka Y juga akan meningkat. 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. Demikian pula sebaliknya. Demikian pula sebaliknya. Artinya. jika variabel bebas meningkat. maka variabel terikat juga meningkat.449. maka variabel terikat akan menurun. Menguji Signifikansi Parameter Penduga 53 . Sebaliknya. maka Y juga akan menurun. jika X mengalami perubahan yang menurun. Tanda (-) pada koefisien regresi menunjukkan hubungan yang berlawanan. Artinya. jika variabel bebas meningkat.

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

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 . perlu terlebih dulu menghitung standar error atau standar deviasi dari b. tergantung permintaan dari user.A. Sebagai perbandingan antara penggunaan uji t dan uji F dapat dilihat pada tabel berikut: Tabel.pengujian signifikansi yang menggunakan lebih dari satu variabel bebas yang diuji secara bersama-sama dalam mempengaruhi Y. Fisher t hitung > t tabel t hitung < t tabel Individual Satu Uji F Neyman. maka alat ujinya adalah menggunakan uji F. yang ternyata telah dirumuskan sebagai berikut: Sb = Uji t R. Namun perlu bagi kita untuk mengetahui formula dari standar error dari b. 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. Berbagai software komputer telah banyak yang melakukan penghitungan secara otomatis.

Misal. baik pada tabel Coefficient maupun ANOVA menunjukkan tingkat signifikansi pada derajat kesalahan (α ) tertentu. . • Uji F dapat dilihat dalam output hasil regresi dengan SPSS pada tabel ANOVA. Caranya adalah memasukkan nilai X ke dalam hasil regresi yang di hasilkan di atas. menunjukkan angka 0.04 itu berarti bahwa tingkat kesalahannya mencapai 4%. • Kolom Sig. Dengan demikian tabel data ˆ akan menghasilkan kolom Yt sebagaimana tertera pada tabel di bawah ini. Angka sebesar itu dapat dikatakan signifikan jika derajat kesalahan (α ) telah 56 ditentukan sebesar 0.01 maka angka tersebut tidak signifikan. maka diperlukan ˆ menghitung nilai Yt terlebih dulu. kolom Sig.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). Bantuan dengan SPSS • Uji t dapat dilihat dalam output hasil regresi dengan SPSS pada tabel Coefficient.05. Guna menghitung standar deviasi dari data yang tersedia berdasar rumus di atas. untuk ˆ mempermudah penghitungan e atau Yt −Yt . Tetapi jika α ditentukan 0.

05 0.157 0.328 13.97 13.81 0.01 0.86 1.79 14.284 1.013 0.038 0.93 -0.06 13.14 1.277 0.76 15.472 10.55 15.002 0.045 1.851 0.50 0.223 0.95 -0.11 -0.45 1.Tabel pengembangan data untuk menghitung Standar Deviasi X1 13.82 12.37 1.51 10.183 13.55 14.092 -1.076 0.42 0.30 1.3 12.88 15.361 -0.795 -1.52 2.16 14.64 2.59 0.93 1.733 10.35 0.820 10.699 0.19 15.705 13.16 2.90 0.000 1.001 0.546 13.472 -0.219 2.188 -1.279 1.009 11.68 -0.001 1.279 2.77 -0.27 57 .981 13.05 9.752 0.08 13.468 1.85 14.86 0.48 10.952 13.024 12.67 15.21 16.502 13.28 9.04 12.566 0.628 0.046 0.47 12.113 0.60 -0.28 1.14 10.342 12.458 12.035 1.42 15.885 0.431 0.133 -1.39 14.02 0.11 13.17 1.66 0.23 13.632 2.03 14.14 14.501 10.91 12.047 -0.02 16.81 13.413 10.13 14.528 -1.22 Y 8.36 0.04 0.97 15.076 -0.131 1.23 0.979 11.82 0.62 10.650 0.91 16.18 0.93 11.47 1.198 13.10 1.01 12.095 ˆ Y ˆ ˆ (Y −Y ) (Y −Y ) ( X − X ) ( X − X ) 2 2 -1.71 -0.12 0.

66 1. Sb dapat pula dicari melalui jalan lain dengan rumus yang dapat dituliskan sebagai berikut: Sb = 2 se ∑ xi2 Bila kita hendak menggunakan rumus ini.675 10.515 260. dimana hasilnya ditemukan sebesar: Sb = = 17 .098 0.06 0.13.816 -0. maka Sb dapat segera dicari.075 0.49 10. maka perlu terlebih dulu mencari nilai S e2 yang dapat dicari dengan membagi nilai total ei2 dengan n-2.33 260.13 324.48 10.35 2.591 -0.93 13.16 -1.61 -0.06 20 ( 22 .22 10.313 0.195 Selain dicari dengan rumus seperti di atas.101 0. tentu terlebih dulu harus mencari nilai total ei2 yang dapat dicari melalui rumus berikut ini: 58 .41 ) 17 .006 0.81 -1.060 -0.59 22.167 9.58 13.41 Dengan adanya pengembangan data menjadi seperti tertera pada tabel di atas.6 10.665 17.2 = 0.06 448 . Jadi S e2 dapat dicari dengan rumus sebagai berikut: 2 se = ∑e 2 i n −2 Agar rumus ini dapat langsung digunakan.

056.Rumus mencari nilai total ∑ei2 = ∑ y i2 − b 2 ∑xi2 ei2 : Dengan memasukkan nilai komponen rumus yang telah didapatkan melalui hitungan-hitungan terdahulu.16 – 2. yaitu: 59 .8528 tentu saja nilai Sb pun dapat diketahui.056 Hitungan di atas telah memastikan bahwa nilai ei2 adalah sebesar 17. maka dengan ditemukannya nilai 2 s e sebesar 0.056 22 −2 17 . maka nilai ei2 dapat diketahui.1040 = 17.056 20 = 0.41) = 64. Dengan diketemukannya nilai ei2 ini maka nilai s e2 pun dapat diketahui melalui hitungan sebagai berikut: 2 se = ∑e 2 i n −2 = = 17 .8528 Karena nilai s e2 merupakan salah satu komponen untuk mencari nilai Sb.16 – 47. yaitu: ei2 = 64.1019 (22.

Angka tersebut umumnya disebut pula sebagai nilai t hitung.4348 Penghitungan nilai t dengan cara yang dilakukan di atas.8528 22 .4498 0. yaitu nilai Sb sebesar 0.195 Hitungan dengan rumus ini ternyata menghasilkan nilai Sb yang sama besar dengan hitungan menggunakan rumus yang pertama.195 = 7. Besarnya angka t hitung ini yang menentukan signifikan tidaknya variabel X dalam mempengaruhi variabel Y. Nilai t tabel sebenarnya telah ditentukan pada tabel t student yang telah ditetapkan oleh para penemunya. karena rumus mencari t hitung adalah: t= b sb Jadi.Sb = 2 se ∑ xi2 = 0. menunjukkan bahwa nilai statistik t sebesar 7. Dengan diketahuinya nilai Sb.4348.41 = 0. 60 .195. nilai t hitung variabel X adalah sebesar: t = 1. maka nilai statistik t (baca: t hitung) dapat ditentukan. Cara menentukan signifikan tidaknya nilai t tersebut adalah melalui pembandingan antara nilai t hitung dengan nilai t tabel.

maka degree of freedom (df) sama dengan sebesar nk = 20. (Lihat data t tabel di halaman lampiran). maka tidak signifikan. sudah tentu angka tersebut lebih kecil dibanding dengan nilai t hitung yang besarnya 7.05). jika nilai t hitung > t tabel. Dengan menggunakan contoh data di atas. seandainya kita menggunakan derajat kesalahan yang ditolerir adalah 5 % (baca: α = 0. maka nilai t tabelnya adalah sebesar 1.Karena untuk menentukan signifikan tidaknya nilai t hitung adalah melalui upaya membandingkan dengan nilai t tabel. Nilai t tabel yang besarnya 2. maka signifikan.086. maka dapat diketahui bahwa.4348. dan karena jumlah observasi adalah sebanyak 22 (baca: n=22). Gambaran pengujian nilai t dapat disimak melalui gambar di bawah ini: Daerah diterima Daerah Ditolak Daerah Ditolak 61 . karena jumlah k adalah 2. yaitu 1 parameter a dan 1 parameter b.725. Jika nilai t hitung < t tabel. Atas dasar itu dapat dipastikan bahwa variabel X (budep) signifikan mempengaruhi Y (inflasi).

Jumlah dari keduanya mencerminkan α = 5%.3. (n-k-1) -1.5%.725 Gb. maka daerah tolak hanya ada pada salah satu kutub saja. Interpretasi yang dimaksudkan disini adalah mengetahui informasi-informasi yang terkandung dalam hasil regresi melalui pengartian dari angka-angka parameternya. Kutub sebelah kanan yang bertanda positif berguna sebagai pembatas nilai t hitung yang lebih kecil dari 1. maka daerah tolak berada pada sisi sebelah kanan. Probabilitas daerah tolak tidak lagi terbagi menjadi dua dengan porsi masing-masing 2. Interpretasi Hasil regresi Setelah tahapan analisis regresi dilakukan sesuai dengan teori-teori yang relevan. Nilai t hitung bertanda negatif yang nilainya lebih kecil dari nilai –2.1) -t α /2. Bilai nilai t hitungnya negatif.725 Gambar di atas menunjukkan pengujian nilai t dua arah atau two sided atau two tail test.725 berarti berada di daerah tolak.1. 62 . Tanda -t α /2 atau t α /2 memberikan arti bahwa masing-masing kutub mempunyai daerah distribusi tolak sebesar 2.5%. sedang bila nilai t hitungnya positif. tetapi telah penuh sebesar 5%. (n-k1.806 berada pada daerah ditolak. langkah terpenting berikutnya adalah menginterpretasi hasil regresi. Daerah Uji t t α /2. Kutub sebelah kiri bertanda negatif. Jika pengujian nilai t menggunakan pengujian satu arah atau one tail test. Dengan mengambil hitungan dari contoh kasus di atas. maka daerah tolak berada pada sebelah kiri kurva.

Terbukti dari nilai thit variabel Budep sebesar 7. E=1 =uniter elastis. Sebaliknya.4498) lebih besar dari angka 1 (satu). apabila Budep turun sebesar 1% maka Inflasi juga akan mengalami penurunan sebesar 1. yang besarnya 1. Nilai a menjelaskan tentang seberapa besar faktor-faktor yang bersifat tetap mempengaruhi inflasi.4498 Budep + e thit = (7.4498%. Artinya. 63 .4498%. maka Inflasi akan mengalami peningkatan sebesar 1.725.4348 lebih besar dibanding nilai ttabel. Nilai t sendiri mempertegas 15 Standar elastisitas dapat diketahui dari: jika E>1 = elastis. pada α =5% dengan d. Nilai b Budep yang besarnya 1.5256 + 1.4348) Persamaan di atas menginformasikan bahwa variabel Budep signifikan mempengaruhi variabel Inflasi. sedangkan nilai b mencerminkan tingkat elastisitas variabel X. Perlu diingat bahwa nilai b juga mencerminkan tingkat elastisitas variabel X. maka dapat dipastikan bahwa variabel Budep sangat elastis15. Karena nilai b (1. besarnya tingkat perubahan yang terjadi pada Budep akan mengakibatkan tingkat perubahan yang lebih besar pada variabel Y (Inflasi). dan t. Koefisien Determinasi (R2) Pembahasan hasil regresi di atas menunjukkan seberapa besar nilai a. E<1 = inelastis.f.4498 menginformasikan bahwa setiap Budep meningkat 1%. sebanyak 20. b.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.

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

857 Angka koefisien determinasi (R2) yang besarnya 0. Dengan demikian pada tabel model summary.5%.06 ] 714 . • Ibarat air dalam gelas.73    834 .53 ) −(324 . Terkait dengan angka 0.2 x 3 .734 maka air dalam gelas adalah sebanyak 73. Angka tersebut menjelaskan bahwa Bantuan dengan SPSS variabel Bunga deposito determinasi atau sumbangan (budep) terhadap inflasi adalah sebesar 87. 65 .734 baik untuk menaksir Inflasi.48 ) −( 260 .7%.22 ) R2 =     22 (3.05  = 0.7 1 3   2 .49 ) 2 ]   [1.4% dari gelas tersebut.411 .871 . • 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. menunjukkan arti bahwa determinasi dari variabel bebas terhadap variabel terikat adalah sebesar 73.148 .52 ]       [493 . 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%.800 . variabel terikat (Y) adalah gelasnya dan air adalah variabel bebasnya (X). Artinya.3%.22 ( 260 .49 ) 2 ] [22 (3. disimpulkan bahwa Budep merupakan prediktor yang • Misalkan angka R2 menunjukkan angka 0.857 ini bila ditulis dalam bentuk prosentase sama dengan 85.4) −324 .73 =   7 4 .5  2 0 7 7  R2 =  714 . maka akan menghasilkan nilai sebagai berikut: R2 =     [22 (4.

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

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

Tujuan Pengajaran: Setelah mempelajari bab ini. 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. 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. Pada bab ini jumlah variabel yang digunakan akan ditambah 68 .

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

47 X2 (Kurs) 9433.04 12. yang menggambarkan nilai tukar IDR terhadap USD.28 9.59 9288.05 10097. maka analisa yang akan digunakan adalah analisa regresi linier berganda.3 10883.81 13. Karena jumlah variabel X tidak lagi satu melainkan sudah dua. maka data yang dianalisis pun bertambah hingga menjadi sebagai berikut: X1 (Budep) 13.03 14.25 9633.91 70 . Berbagai alasan yang dijelaskan di atas.75 11291.01 12.67 15.78 10204.14 14.06 13.11 13.bahwa pemicu terjadinya inflasi desakan biaya karena perubahan pada sisi supply.57 8956.23 13. sedang inflasi tarikan permintaan disebabkan perubahan pada sisi demand.91 Y (Inflasi) 8. dapat dicoba menambah satu variabel penduga (X2) yaitu Kurs.14 10.19 11294.51 10.97 13.97 15. pada kurun waktu yang sama dengan data sebelumnya yaitu antara Januari 2001 hingga Oktober 2002. maka untuk semakin memperjelas perihal terjadinya inflasi.39 14.82 12.79 14.7 11074. Dengan bertambahnya variabel Kurs sebagai variabel penduga.62 10.

3) jumlah degree of freedom dalam menentukan nilai t juga berubah.91 12.86 10269.42 15.22 13.49 10554. 2) rumus penghitungan nilai b mengalami perubahan.6 10.93 11. meliputi: 1) jumlah variabel penjelasnya bertambah.05 8688.21 16.33 260.58 13.41 8954.55 15.7 Perubahan model dari bentuk single ke dalam bentuk multiple mengalami beberapa perubahan. tetapi dalam regresi linier berganda variabel X lebih dari satu.22 12.48 10.65 8964.3 12.55 14.19 15.73 216816.82 9115. Dalam regresi linier tunggal hanya satu X.13 324.93 13.16 14.7 8928.88 15.16.08 13. Model regresi linier umumnya dituliskan sebagai berikut: Populasi: BnXn + e Y = A + B1X1 + B2X2 + B3X3 + ………+ 71 . sehingga spesifikasi model dan data terjadi penambahan. Model Regresi Linier Berganda Penulisan model regresi linier berganda merupakan pengembangan dari model regresi linier tunggal.85 14.13 14.48 10.76 15.82 10237.42 10393.42 9914.02 16. Perbedaannya hanya terdapat pada jumlah variabel X saja.43 9151.05 10.26 9485.

2X3i + e Notasi model Yale ini mempunyai spesifikasi dalam menandai variabel terikat yang selalu dengan angka 1.23 + B12. 16 G. 4.3X2i + b13. Notasi model seperti itu tentu berbeda dengan notasi model Yale16. Preceeding of Royal Society. Untuk variabel bebas notasinya dimulai dari angka 2. 17 Penulisan model seperti ini ditemui pula dalam buku-buku karya Gujarati 72 . On the Theory of Correlation for any Number of Variables.79. Vol. Yale. A.3X2i + B13.23 + b12.17 Notasi b1. 1970.U.3 berarti besarnya pengaruh X2 terhadap Y jika X3 tetap.23 berarti nilai perkiraan Y kalau X2 dan X3 masing-masing sama dengan 0 (nol). maka notasi model menjadi seperti berikut: Populasi: Sampel : Y = B1.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. Notasi b12. Hal ini dapat dimengerti karena penulisan model sendiri hanya bertujuan sebagai teknik anotasi untuk memudahkan interpretasi.2X3i + e Y = b1. Apabila kita ingin menganalisis pengaruh Budep dan Kurs terhadap Inflasi dengan mengacu model Yale. Treated by a new System of Notation. dan seterusnya. 3. Penulisan cara di atas adalah bentuk model yang sering dijumpai dalam beberapa literatur.

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

sehingga memperoleh rumus baru sebagai berikut: b0 + b1 X 1 + b2 X 2 = Y b0 = Y − b1 X 1 − b2 X 2 74 . dengan cara membagi dengan angka 2.= ∑ (Y − b n =1 n 0 − b1 X 1 − b2 X 2 ) 2 Untuk mendapatkan estimasi least square b0. 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. 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.b2 minimum.

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. Guna mengetahui seberapa besar kontribusi X1 terhadap perubahan Y. Begitu pula. Oleh karena itu pencarian nilai b mengalami perubahan. Misalnya. Jika terjadi perubahan pada X1. tentu perlu untuk melakukan kontrol pengaruh dari X2.X2) yang berbeda. untuk mengetahui 75 . Dalam single linier kemungkinan perubahan variabel lain tidak terjadi. Perbedaan ini muncul karena jumlah variabel penjelasnya bertambah. Semakin banyaknya variabel X ini maka kemungkinan-kemungkinan yang menjelaskan model juga mengalami pertambahan. Begitu pula. akan mampu merubah nilai harapan dari Y. perubahan pada X2. akan mampu merubah nilai harapan dari Y. tetapi dalam multiple linier hal itu terjadi. meskipun X1 konstan. meskipun X2 konstan.

bagaimana caranya mengontrolnya? Untuk menjawabnya. Y = b0 + b2 X2 + e1 Dimana e1 merupakan residual. Dari sini dapat timbul pertanyaan. Misalnya kita hendak mengontrol pengaruh linier X2 ketika melakukan pengukuran dampak dari perubahan X1 terhadap Y. maka dapat melakukan langkah-langkah sebagai berikut: Tahap pertama: lakukan regresi Y terhadap X2. yang besarnya: e2 = X1 – b0 – b2X2 ˆ = X1. perlu ilustrasi secara konkrit agar mudah dipahami. maka perlu juga melakukan kontrol terhadap X1.kontribusi X2. yang besarnya: e1 = Y – b0 – b2X2 ˆ = Y.Y Tahap kedua: lakukan regresi X1 terhadap X2 X1 = b0 + b2 X2 + e2 Dimana e1 merupakan residual.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 .

unit X1 terhadap Y. 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 . atau menunjukkan kemiringan (slope) garis Y atas variabel X1. kita dapat pula menentukan nilai b1 variabel Budep maupun b2 variabel Kurs. Guna mempermudah dalam memasukkan angka-angka ke dalam rumus. Dengan memanfaatkan data yang telah tersedia. maka data yang ada perlu diekstensifkan sesuai dengan kebutuhan rumus tersebut. Logika dari teori tersebut yang mendasari rumus yang dapat digunakan untuk menentukan koefisien regresi parsial (partial regression coefficients) (baca: b1. b2). Pencarian koefisien regresi tersebut dapat dilakukan dengan menggunakan rumus-rumus yang telah ditentukan di atas. 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.

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 .962 .49 )(14 .274.861 . 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.227.72 ) ( 22 .274 .40 14.02 320 .318.48 7.70 ) − (7.64 )( 2.70 22.318 .736 .227 .503 .92 −4.324 .318 .70 ) − ( 2.324.931 .46 2.503 .914 .52 78 .69 32.877 .49 216.002 .22 260.503.72 Berdasarkan data-data yang tertera dalam tabel di atas.72 ) 2 465 .227 .208 . maka nilai b0. b1.667 . dan b2 dapat ditentukan.19 = 315 .41)(14 .185 .40 449 .816.205 .21 −16 .

421 Dengan menggunakan rumus pencarian b2 di atas. Penambahan atau pengurangan akan mengakibatkan perubahan rentangan nilai b.40 90 . 79 .62 320 .378 .318 .646 .0002869 atau dapat ditulis dengan 2. maka diketahui bahwa nilai b0 adalah: b0 = Y − b1 X 1 − b2 X 2 = 11.41 ) − (32 .70 ) − ( 2.869E-04 Dengan menggunakan rumus pencarian b0 di atas.52 = 0.93.227 .503 .2.84-1.72 ) 2 163 .421(14.b1 = 1.92 −4.06 315 .736 . Semakin besar standar error mencerminkan nilai b sebagai penduga populasi semakin kurang representatif.917 Nilai dari parameter b1 dan b2 merupakan nilai dari suatu sampel. Perubahan rentang nilai b1 dan b2 diukur dengan standar error.962 .84-20.877 .73)-0.855. Nilai b1 dan b2 tergantung pada jumlah sampel yang ditarik.914 .931 .274 .41 )(14 .827 = -11. 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 = = = = (7.72 ) ( 22 .0002869(9.667 .30) = 11.227 .64 )( 22 .024 .49 )( 2.68 −72 .

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

72 )  19 = 22 .227 .503 .503 .9 22 .26 83 .8 ) 4 1 9 4 = 3.9 14 .69 ) − ( 2.40 )(14 .318 .69 ) − ( 2.50  15 .318 .40  2  ( 22 .69 (0.40 (0.= = 4.746 .503 .503 .69  2  ( 22 . S b1 = ∑x (∑ x )( ∑ x ) − (∑ x x 2 2 2 1 2 2 1 2 )2 n −3 ∑e 2 = = =   15 .746 .40 )(14 .399 .0 5 (0.72 )  19 14 .213 x 0.226 Mencari Sb1.90 1 22 + 315 .227 .26 0.26  19   (0.771 .746 .84 ) 315 .0 5 + 4 .179 Mencari Sb2: Sb2 = ∑x (∑ x )( ∑ x ) − (∑ x x 2 1 2 1 2 2 1 2 )2 n − 3 ∑e 2 =   15 .84 (0.318 .639 .771 .84 = 0.84) = 3.8 ) 4 4 = 0.6 ) (0.361 .771 .84 ) 315 .318 .

Sb2) melalui penggunaan rumus-rumus di atas.8 ) 4 = 0.0 0 0 0 0 0007 (0.694 dan nilai tb1 adalah: 84 . Sb 2 Mencari nilai statistik tb1: t b1 = Mencari nilai statistik tb2: tb2 = Dengan menggunakan rumus-rumus di atas. karena nilai t merupakan hasil bagi antara b dengan Sb. Pencarian nilai t mempunyai kesamaan dengan model regresi linier sederhana.000266 x 0. Pencarian masing-masing nilai t dapat dirumuskan sebagai berikut: Mencari nilai statistik tb0: tb0 = b0 Sb 0 b1 S b1 b2 .84 = 0.917 3.226 = -3. Sb1. hanya saja pencarian Sb nya yang berbeda.= 0.000223 Setelah diketahui semua nilai standar error (Sb0. maka nilai tb0 adalah: tb0 = −11. maka nilai t untuk masing-masing parameter dapat diperoleh.

Untuk dapat mengetahui apakah signifikan atau tidak nilai t hitung tersebut.284 adalah lebih kecil dibandingkan dengan nilai t tabel pada α =5% dengan df 19 yang besarnya 2.179 =7. maka perlu membandingkan dengan nilai t tabel. maka variabel penjelas tersebut signifikan. maka dapat dipastikan bahwa variabel budep secara individual signifikan mempengaruhi inflasi.0002869 0.938.284 dengan diketahuinya nilai t hitung masing-masing parameter. Sebaliknya. jika nilai t hitung lebih kecil darit tabel.t b1 = 1. maka dapat digunakan untuk mengetahui signifikan tidaknya variabel penjelas dalam mempengaruhi variabel terikat. maka dapat dipastikan bahwa variabel Kurs secara individual tidak signifikan mempengaruhi inflasi.0002234 = 1. yang berarti lebih besar dibanding nilai tabel pada α =5% dengan df 19 yang besarnya 2. Sedangkan nilai tb2 yang besarnya 1.093. Karena nilai tb1 adalah sebesar 7.938 sedangkan nilai tb2 adalah: tb2 = 0. maka variabel penjelas tersebut tidak signifikan. Pengujian kedua nilai t dapat dijelaskan dalam bentuk gambar sebagai berikut: 85 .421 0.093. Apabila nilai t hitung lebih besar dibandingkan dengan nilai t tabel.

938 Gb.3.Daerah diterima 7.2. Sb di atas.284 berganda dengan penghitungan-penghitungan nilai a.2.093 Gb. b. . Linear Daerah diterima • Masukkan variabel Y ke kotak variabel dependen.093 (+) Daerah Uji t Variabel Budep Bantuan dengan SPSS Tahapan-tahan yang dilalui untuk melakukan Daerah ditolak regresi linier 1. Reression. Daerah Uji t Variabel Kurs berikut: • Pastikan data SPSS sudah siap • Lakukan regresi.3. (n-k-1) (+) dapat dilakukan dengan bantuan SPSS dengan tahapan sebagai 2. caranya: pilih Analyze. Daerah ditolak t α /2. dan variabel X1 dan X2 ke kotak variabel Independen. 86 kemudian klik OK. (n-k-1) 2. t α /2.

867 a .837 F 28. X1 b ANOVA Model 1 Regression Residual Total Sum of Squares 48.752 Adjusted R Square . Coefficient (memuat nilai t). Dependent Variable: Y 87 . .000a a.160 df 2 19 21 M ean Square 24.836 Sig.726 Std. Error of the Estimate .• Hasil regresi akan tampak dalam output regression yang menunjukkan tabel: model summary (memuat R2). Predictors: (Constant).261 15.130 . X2. Predictors: (Constant).9148 a. Model Summary Model 1 R R Square .899 64. X1 b. X2. ANOVA (memuat nilai F).

869E-04 dibaca 0.003 .399 7. antara hitungan manual dengan hitungan SPSS terdapat sedikit perbedaan angka di belakang koma. Error (Constant) -11. b2. • Angka 2.511 X1 1. Dependent Variable: Y Catatan: • Nilai a. b1. Ini disebabkan oleh pembulatan angka saat penghitungan.a Coefficients Model 1 Unstandardized Coefficients B Std. .869E-04 .840 .177 Sig.000 .136 t -3.933 3.000 Standardi zed Coefficien ts Beta .254 a.298 1.195 X2 2.421 .0002869 88 .

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

(ESS) atau variasi yang dijelaskan Y. 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. 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. Hasil pengukuran ini kemudian dijumlahkan hingga mencakup seluruh observasi. (baca: Y bar) adalah nilai Y rata-rata. 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. Dengan demikian kita dapat mendefinisikan lagi R2 dengan arti rasio antara variasi yang dijelaskan Y dengan total variasi Y. Y cap diperoleh dengan cara menghitung hasil regresi dengan memasukkan nilai parameter dan data 90 .

400 -0.421 0.23 13.221 -1.007 1.933 -11.91 16.439 0.396 1.015 13.390 1.338 0.416 11.862 10.05 8688.821 5.55 15.93 11.75 11291.000287 1.174 1.000287 1.421 0.125 0.000287 1.490 1.13 14.933 -11.variabel.91 10554.933 -11.580 3.421 0.070 0.79 14.97 13.061 0.170 0.421 0.421 0.000287 1.14 14.240 11.421 0.503 6.223 2.933 -11.11 13. beserta ekstensinya diperlukan untuk menyesuaikan dengan rumus mencari R2.677 7.748 2.70 B0 -11. dimana X1= ˆ 13.035 0.561 -2.090 -0.000287 1.678 10.379 3.933 -11. berikut ini dihitung nilai Y cap pada observasi 1.000287 1.933 -11.51 10.073 1.14 10.22 Y 8.70 11074.368 0.421 0.000287 1.25 9633.000287 1.045 2.421 0.933 -11.85 14.933 B1 B2 1.91 12.39 14.25.000287 1.82 10237.933 -11.000287 1.86 10269.054 4.290 2.0002869(X2) Jika observasi nomor 1 (satu) kita hitung.152 1.82 12.25) = 9.03 14.041 0.421 0.471 10.027 0.163 -0.180 0.933 -11.421 0.958 -3.42 10393.424 -0.421 0.000287 1.654 11.02 16.78 10204.55 14.933 -11.701 -1.933 -11.259 11.438 Hasil hitungan Y cap individual maupun total.361 -1.901 12.240 1.130 3.630 1.06) + 0.933 -11.917 + 1.196 1.933 -11.421 0.65 8964.876 0.791 12.421 0.42 9914.933 -11.59 9288.421 0.160 0.28 9.21 16.000287 1.943 4.81 13.421 0.000287 1.57 8956.187 0.30 10883.581 -0.47 12. Hasil regresi adalah: Y = -11.322 12.42 15.421 (X1) + 0.19 11294.710 2.000287 ˆ Y 9.933 -11.978 -0.348 10.67 15.021 0.06 13.933 -11.588 13.433.933 -11.144 0.82 9115.482 1.0002869(9.16 14. Penghitungan nilai Y cap menjadi penting untuk dilakukan agar mempermudah kita dalam menggunakan rumus R2 yang telah ditentukan di atas.421 0.88 15.130 1.421 0.654 10.933 -11.433.493 -1.876 14.62 10.925 13.064 14.3 12.071 13.000287 1.745 1.230 1.000287 1.917 + 1.460 1.000287 1.421 0.05 X2 9433.04 12.856 11.957 0. maka nilai Y1 = -11.979 6.000287 1.862 2 2 ˆ ˆ Y −Y (Y −Y ) Y −Y (Y −Y ) -2.200 0.370 -0.969 0.015 2.975 3.142 4.76 15.586 13.01 12.293 1.421 (13.06 dan X2 = 9.19 15.48 10.05 10097.000287 1.214 1.085 1.97 15. Hasil perhitungan dan pengembangan data selengkapnya tertera dalam tabel sebagai berikut: X1 13.985 -0.421 0.187 0.206 91 .331 -1.035 2. Sebagai contoh menghitung Y cap.26 9485.770 1.269 1.08 13.

933 -11.73 324.933 -11.000287 9.33 9151.747 -1. 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 .22 260.001 1.1% dijelaskan oleh variabel lain yang tidak dijelaskan dalam model.511 -0.93 10.256 1.421 0.421 0.1 0 4 6 R2 = 0.751 Nilai R2 sebesar 0.000287 10.933 -11.243 -1.1%.49 216816.241 -1.891 -2.401 -1.48 8954. karena mencapai 75.13 10.41 13.439 1.474 0.366 1. maka pengujian tingkat signifikansi variabel tidak hanya dilakukan secara individual saja.949 1. Sisanya sebesar 24.933 1. maka nilai R2 dapat ditentukan. Untuk itu. Uji F Seperti telah dikemukakan di atas.2 3 8 4 6 .421 0. Nilai sebesar ini mengindikasikan bahwa model yang digunakan dalam menjelaskan variabel Y cukup baik.539 1. tetapi dapat 92 .13.6 8928.421 0.58 10.577 6.70 -11.43 13.160 Dengan menggunakan angka-angka yang terdapat dalam tabel di atas.1%.000287 260. seperti dilakukan dengan uji t.121 48.282 64.964 3. bahwa dalam regresi linier berganda variabel penjelasnya selalu berjumlah lebih dari satu.851 2.751 tersebut menunjukkan arti bahwa determinasi variabel Budep (X1) dan Kurs (X2) dalam mempengaruhi inflasi (Y) adalah sebesar 75.000287 9.361 -1.

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

• Simbol (k-1) menunjukkan degrees of freedom for numerator.uji F. diketahui bahwa F tabel dituliskan Fα .01 ataukah α = 0.k-1. kita dapat menghitung nilai F 94 . Seperti yang telah dituliskan pada pembandingan antara nilai F hitung dan nilai F tabel di atas.05 atau α = 0. H0 : b1 ≠ b2 ≠ 0 Variabel penjelas secara serentak signifikan mempengaruhi variabel yang dijelaskan. (n-k). Arti dari tulisan tersebut adalah: • Simbol α menjelaskan tingkat signifikansi (level of significance) (apakah pada α = 0. dan seterusnya). • Simbol (n-k) menunjukkan degrees of freedom for denominator. Guna melengkapi hasil analisis data yang dicontohkan di atas.10. yang biasanya dituliskan dalam kalimat sebagai berikut: H0 : b1 = b2 = 0 Variabel penjelas secara serentak tidak signifikan mempengaruhi variabel yang dijelaskan. Karena uji F adalah membandingkan antara nilai F hitung dengan nilai F tabel. maka penting untuk mengetahui bagaimana mencari nilai F hitung ataupun nilai F tabel. Yang penting untuk diketahui adalah bagaimana cara membaca tabelnya. 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.

3.66 Dari hasil penghitungan di atas diketahui bahwa nilai F hitung adalah sebesar 28. maka null hyphothesis ditolak. n-k) F F0.05. Daerah Uji F -000Tugas: 1.52 Gb. 3. Buatlah rangkuman dari pembahasan di atas! 95 . Daerah penolakan atau penerimaan hipotesis dapat dilihat pada gambar berikut ini: Daerah diterima Daerah ditolak F(α .berdasarkan rumus.66.2.52. k-1. Nilai F dari model tersebut ternyata besarnya adalah: F= R 2 /( k −1) (1 − R 2 ) /( n − k ) = = (0.2.751 ) /( 3 −1) (1 − 0.0131 = 28. Dengan demikian.19.751 ) /( 22 − 3) 0. Dengan demikian dapat disimpulkan bahwa variabel Budep dan Kurs secara serentak signifikan mempengaruhi inflasi. dan (n-k) = (22-3) = 19 yang besarnya 3.3755 0.05 dengan (k-1) = 2. Nilai ini lebih besar dibanding dengan nilai F tabel pada α = 0.

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

BAB V UJI ASUMSI KLASIK Tujuan Pengajaran: Setelah mempelajari bab ini. 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 .

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

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

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

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

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

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

Uji Durbin-Watson (DW Test). Formula yang digunakan untuk mendeteksi terkenal pula dengan sebutan DurbinWatson d statistic. t • υt = ρ υ−1 + ε t Langkah-langkah pengujian autokorelasi menggunakan uji Durbin Watson (DW test) dapat dimulai dari menentukan hipotesis. 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. • Variabel penjelasnya tidak random (nonstochastics).1. Rumusan hipotesisnya (H0) biasanya menyatakan bahwa dua ujungnya tidak ada serial autokorelasi baik positif 106 . • Tidak ada unsur lag dari variabel dependen di dalam model.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 data yang hilang.

Terdapat beberapa standar keputusan yang perlu dipedomani ketika menggunakan DW test.maupun negatif. Misalnya: terdapat autokorelasi positif. atau. 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 . terdapat autokorelasi negatif. yang semuanya menentukan lokasi dimana nilai DW berada. maka perlu mengujinya karena hipotesis sendiri merupakan jawaban sementara yang masih perlu diuji. Bertolak dari hipotesis tersebut.

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

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

85 4-dL 4 110 . dengan sampel 22 observasi. Dengan demikian dapat disimpulkan bahwa hasil regresi tersebut belum terbebas dari masalah autokorelasi positif. Dengan kata lain. dengan predictor sebanyak 2 maka batas atas (U) adalah sebesar 1. maka koefisien autokorelasi lebih kecil dari nol.Dengan menggunakan derajat kesalahan (α )=5%. Uraian di atas dapat pula dijelaskan dalam bentuk gambar sbb: Korelasi (+) inkonklusif tidak ada autokorelasi 2 2.15 dU 1.54 sedang batas bawah (L) adalah sebesar 1. Karena nilai DW hasil regresi adalah sebesar 0.46 inkonklusif Korelasi (-) 0 dL 1. Hipotesis nol yang menyatakan tidak terdapat masalah autokorelasi dapat ditolak.54 4-dU 2.15.883 yang berarti lebih kecil dari nilai batas bawah. sedang hipotesis nol yang menyatakan terdapat masalah autokorelasi dapat diterima.

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

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

2001: 41). yaitu antara nilai median dengan nilai mean. Atau apabila nilai mean jika dikurangi nilai median menghasilkan angka nol. Beberapa cara dapat dilakukan untuk melakukan uji normalitas. bila dilakukan analisis regresi terlebih dulu. yang kemudian baru dilakukan normalitas data. Data dikatakan normal (simetris) jika perbandingan antara mean dan median menghasilkan nilai yang kurang lebih sama. Cara ini disebut ukuran tendensi sentral (Kuncoro. antara lain: 1) Menggunakan metode numerik yang membandingkan nilai statistik. 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 . Sebaliknya.terlebih dulu. sedangkan ternyata hasilnya tidak normal maka analisis regresi harus diulang lagi. Pengujian normalitas ini berdampak pada nilai t dan F karena pengujian terhadap keduanya diturunkan dari asumsi bahwa data Y atau e berdistribusi normal. 2) Menggunakan formula Jarque Bera (JB test). maka dampak yang mungkin akan ditimbulkan dari adanya ketidaknormalan data seperti bias pada nilai t hitung dan nilai F hitung dapat dihindari. dimana nilai t dan F baru diketahui.

Median. dan lain-lain. Descriptive Statistic. Distribution. Frequencies • Pindahkan variabel yang mau dicari nilainya (sebelah kiri) ke kotak Variables (sebelah kanan) • Kilik Statistik (bawah) • Aktifkan pilihan yang ada dalam kotak Dispersion. dan OK. Central Tendency • Kemudian klik Continue. Modus. Caranya dapat dilakukan dengan tahapan sebagai berikut: • Pilih Analyze.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. 114 . Skewness. Kurtosis.

3727 12.06 a 8688.2202 176.0552 -.953 6.85 8.363 .30 324.49 X 2 22 22 0 0 14.65 13.096 .13 260.21 11294.7548 1.6200 9774.491 .06 8688.0200 13.491 -.65 a 1.1 .494 .953 3.7373 9855. rror of M ean M edian M ode S D td. langkah awal yang dilakukan adalah menghitung standar deviasi.7479 3.009 .0329 825.1700 8. Untuk menentukan posisi normal dari sebaran data. rror of K urtosis R ange M inim um M axim um S um a.66 X 1 3) Mengamati sebaran data. Standar deviasi dapat dicari melalui rumus sebagai berikut: SD = ∑( Dv − D v) n 115 .28 15.491 -1.3027 . dengan melakukan hitungan-hitungan berapa prosentase data observasi dan berada di area mana.0515 14.• Maka SPSS akan menampakkan output sebagai berikut: S tatistics Y N M ean S E td. rror of S kew ness K urtosis S E td.28 a 1.424 -1. eviation V ariance S kew ness S E td.15 2605.0670 681871.65 16. The sm allest value is show n V alid M issing 22 0 11.22 216816.099 .953 .8405 . M ultiple m odes exist.

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

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

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

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

sehingga nilai b1 hasilnya tidak menentu. 2004: 26). melakukan regresi partial dengan teknik auxilary regression. di antaranya: menganalisis matrix korelasi dengan Pearson Correlation atau dengan Spearman’s Rho Correlation. 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. Hal itu akan berdampak pula pada standar error Sb akan menjadi sangat besar. Pendeteksian Multikolinearitas Terdapat beragam cara untuk menguji multikolinearitas. jika antara X1 dan X2 terjadi kolinearitas sempurna sehingga data menunjukkan bahwa X1=2X2. 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.Gb.2. yang tentu akan memperkecil nilai t. Logikanya adalah seperti ini. karena dari formula OLS sebagaimana dibahas terdahulu. Berkolinear sempurna D. dalam arti tidak dapat ditentukan kepastian nilainya. b1 = 0 0 . maka nilai b1 dan b2 akan tidak dapat ditentukan hasilnya. Konsekuensi Multikolinearitas Pengujian multikolinearitas merupakan tahapan penting yang harus dilakukan dalam suatu penelitian. atau dapat pula 123 . D.3. sehingga akan berpengaruh pula terhadap nilai t (Setiaji.

2001:146 124 .8 maka multikolinearitas menjadi masalah yang serius. Gujarati juga menambahkan bahwa. 2001: 114). Sementara untuk data interval atau nominal dapat dilakukan dengan Pearson Correlation.dilakukan dengan mengamati nilai variance inflation factor (VIF). Dengan demikian. apabila korelasi antara variabel penjelas tidak lebih besar dibanding korelasi variabel terikat dengan masing-masing variabel penjelas. Mengacu pendapat Pindyk dan Rubinfeld22. maka bila tujuan persamaan hanya sekedar untuk keperluan prediksi. sepanjang nilai t signifikan. Pengujian multikolinearitas menggunakan angka korelasi dimaksudkan untuk menentukan ada tidaknya multikolinearitas. maka dapat dikatakan tidak terdapat masalah yang serius. dapat disimpulkan bahwa apabila angka korelasi lebih kecil dari 0. Dalam kaitan adanya kolinear yang tinggi sehingga menimbulkan tidak terpenuhinya asumsi terbebas dari masalah multikolinearitas. Juga pendapat Gujarati (1995:335) yang mengatakan bahwa bila korelasi antara dua variabel bebas melebihi 0. dengan mempertimbangkan sifat data dari cross section. 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.8 maka dapat dikatakan telah terbebas dari masalah multikolinearitas. 22 Lihat Kuncoro. yang mengatakan bahwa apabila korelasi antara dua variabel bebas lebih tinggi dibanding korelasi salah satu atau kedua variabel bebas tersebut dengan variabel terikat. hasil regresi dapat ditolerir. Selain itu metode ini lebih mudah dan lebih sederhana tetapi tetap memenuhi syarat untuk dilakukan.

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

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

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

Regresi Logit 128 .

19 15.5025 207.06 13.93 13.9169 198.21 16.5225 202.02 16.2644 221.8409 199.55 14.16 14.11 13.1849 131.58 13.06 13.51 10.22 13.89 167.88 15.4598 240.28 9.6456 183.1641 196.55 15.4355 233.14 10.76 15.97 13.39 14.22 X12 170.7844 110.23 13.7161 195.48 10.79 14.62 10.49 X1 13.13 324.9329 151.21 16.2354 187.3614 144.79 14.8025 229.39 14.97 13.815 196.3 12.08 13.36 109.05 10.9008 206.67 15.398 129 .93 13.5396 112.3776 241.03 14.04 12.16 14.9364 228.14 14.85 14.3184 135.4164 172.5489 253.02 16.3969 4800.5636 190.76 15.58 13.93 11.8304 106.8256 220.0416 149.9396 207.0449 184.01 12.8046 171.0188 170.82 12.478 142.14 14.91 12.1161 252.22 Y 8.33 260.19 15.6 10.47 12.1744 248.2601 155.85 14.97 15.6681 157.55 15.81 13.91 16.2234 148.2464 176.1368 126.13 14.8667 198.8182 203.0025 112.7089 3148.97 15.22 13.7641 262.X1 13.5729 169.6521 170.525 Y2 68.0831 203.48 10.42 15.67 15.0721 224.0724 146.91 16.6404 262.5584 83.1009 245.3977 206.4601 117.1281 256.81 13.5009 166.13 324.03 14.7904 101.6329 3871.48 XY 108.88 15.2084 194.1609 190.658 142.911 147.

maka B tidak reliabel. Kalau berada pada interval tersebut. maka dipastikan bahwa B mempunyai tingkat kepercayaan yang baik (reliabel). jika tidak. 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. 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.α ) = koefisien keyakinan (confidence coefficient) atau tingkat keyakinan (confidence level). Nilai B sendiri besarnya adalah sama dengan nilai rata-rata b. Nilai b sendiri merupakan perkiraan tungga dari parameter B. 130 . yaitu koefisien regresi sebenarnya (Y = A + BX + e). karena nilai rata-rata b adalah pemerkira tak bias.α ). Permasalahannya adalah nilai b yang dihasilkan dengan perhitungan di atas adalah nilai b individual. Pengukuran berdasarkan interval kepercayaan dapat dituliskan dalam bentuk persamaan sebagai berikut: P (b-d ≤ B ≤ b +d) = 1.4498 0.4348 Penemuan nilai b di sini penting untuk menentukan nilai B.α Persamaan ini dapat dibaca: probabilita interval antara (b-d) dan (b+d) akan memuat nilai B sebesar (1.195 = 7. Perbedaan antara nilai b dan B disebabkan adanya fluktuasi sampling. maka kita perlu menguji apakah B berada pada interval atau tidak.t= b sb = 1. Ingat E(b) = B.

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

Sign up to vote on this title
UsefulNot useful