P. 1
ekonometrika

ekonometrika

|Views: 324|Likes:
Published by Ryan Anward

More info:

Published by: Ryan Anward on Oct 03, 2011
Copyright:Attribution Non-commercial

Availability:

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

04/19/2014

pdf

text

original

1

R Re eg gr re es si i S Se ed de er rh ha an na a
Definisi
Anal i si s regresi merupakan al at yang sangat l uas di gunakan bai k dal am
ri set akademi s maupun dal am duni a i ndustri . Secara defi ni ti f anal i si s regresi
adal ah berhubungan dengan studi ketergantungan (d e p e n d e n c e ) satu vari abel
terdahap satu atau beberapa vari abel l ai nnya. Sel engkapnya Gujarati (2003)
mendefi ni si kan sebagai beri kut :
“ R e g r e s s i o n a n a l y s i s i s c o n c e r n e d w i t h s t u d y o f t h e d e p e n d e n c e o f o n e v a r i a b l e ,
t h e d e p e n d e n t v a r i a b l e , o n o n e o r m o r e o t h e r v a r i a b l e s , t h e e x p l a n a t o r y v a r i a b l e s , w i t h a
v i e w t o e s t i m a t i n g a n d / o r p r e d i c t i n g t h e ( p o p u l a t i o n ) m e a n o r a v e r a g e v a l u e o f t h e f o r m e r
i n t e r m s o f t h e k n o w n o f f i x e d ( i n r e p e a t e d s a m p l i n g ) v a l u e s o f l a t t e r . ”
Secara popul er d e p e n d e n t v a r i a b l e l ebi h seri ng di kenal sebagai vari abel
tergantung yang bi asa di beri si mbol Y . Adapun e x p l a n a t o r y v a r i a b l e s seri ng
di sebut sebagai vari abel bebas atau dengan si mbol X .
Model Regresi Sederhana
Berdasarkan defi ni si di atas, model regresi yang pal i ng sederhana
mengambi l bentuk sebagai beri kut :
Y = β 0 + β 1X + µ
dal am hal i ni
Y = vari abel tergantung
X = vari abel bebas
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
2
β 0 = i ntercept / constant
β 1 = sl ope coeffi ci ent
µ = di sturbance / unsur gangguan
Karakteri sti k dari model regresi yang membedakannya dengan model
matemati ka adal ah adanya unsur gangguan (µ ) yang menunjukkan bahwa
hubungan hubungan Y dengan X ti dakl ah determi ni sti k atau eksak mel ai nkan
bersi fat stokasti k atau probabi l i sti s. Dal am real i tas sosi al , ekonomi dan bi sni s
unsur keti dakpasti an merupakan sesuatu yang l umrah terjadi .
Koefi si en β 0 dan β 1 ti dak bi sa di tentukan secara l angsung namun mel al ui
esti masi setel ah di perol eh beberapa sampel data untuk Y dan X . Ol eh karena i tu
menentukan koefi si en regresi nanti nya di dasarkan pada mekani sme i nferensi al
stati sti k. Dengan mengasumsi kan ni l ai dan si fat dari unsur gangguan (asumsi
kl asi k), maka perki raan/ esti masi koefi si en regresi akan di perol eh. Untuk i tul ah
maka model regresi sebel umnya (seri ng di kenal sebagai regresi popul asi ) dal am
praktek akan di esti masi ol eh model sebagai beri kut :
Y = b 0 + b 1X + e
Dal am hal i ni , esti masi di l akukan mel al ui persamaan gari s l i near :
X b b Y
1 0
ˆ
+ =
Tanda hat (^ ) dal am notasi di atas mengandung arti esti masi . Adapun e
atau l ebi h di kenal sebagai error term atau resi dual yang merupakan representasi
dari µ dengan demi ki an merupakan sel i si h antara Y dari data aktual dengan Y
esti masi , yai tu :
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
3
Estimasi Parameter
Langkah sel anjutnya setel ah pemodel an adal ah mel akukan esti masi atas
parameter atau koefi si en regresi . Metode esti masi yang pal i ng popul er
di gunakan adal ah L e a s t S q u a r e atau l ebi h di kenal sebagai O r d i n a r y L e a s t S q u a r e
(OLS). Secara tekni s, pri nsi p OLS adal ah menemukan ni l ai koefi si en b 0 dan b 1
sedemi ki an rupa sehi ngga juml ah kuadrat resi dual (∑ e
2
) adal ah mi ni mum.
Dengan menggunakan opti masi mel al ui di fferensi al , syarat mi ni mi ze ∑ e
2
akan di capai pada saat turunan pertama dari ∑ e
2
kai tannya dengan masi ng-
masi ng koefi si en regresi yang di capai adal ah sama dengan nol . Secara notasi
dapat di jel askan :
2 2
)
ˆ
( Y Y e ÷ E = E
atau
2
1 0
2
) ( X b b Y e ÷ ÷ E = E
Turunan pertama dari persamaan di atas adal ah :
) ( 2
1 0
0
2
X b b Y
b
e
÷ ÷ E ÷ =
E c
E c
dan
X X b b Y
b
e
) ( 2
1 0
1
2
÷ ÷ E ÷ =
E c
E c
Dengan menyamakan kedua persamaan terakhi r dengan nol maka akan
di perol eh persamaan normal sebagai beri kut :
Y Y e
ˆ
÷ =
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
4
∑ Y = N b 0 + b 1 ∑ X
∑ Y X = b 0 ∑ X + b 1 ∑ X
2
Pemecahan persamaan normal secara si mul tan akan memperol eh :
2
1
) ( X X N
Y X XY N
b
E ÷ E
E E ÷ E
=
2
) (
) )( (
X X
Y Y X X
÷ E
÷ ÷ E
=
2
x
xy
E
E
=
dal am hal i ni X dan Y masi ng-masi ng adal ah rata-rata sampel dari X dan Y .
Adapun x dan y masi ng-masi ng di defi ni si kan sebagai ) ( X X ÷ dan ) ( Y Y ÷ .
Sementara i tu koefi si en i ntercept (b0) dapat di perol eh mel al ui formul asi :
X b Y b
1 0
÷ =
Contoh Kasus
Suatu model regresi standar Y = b 0 + b 1X + e dengan data Y dan X sebagai
beri kut :
No. Y X
1
2
3
4
5
6
40
38
43
45
37
43
10
12
13
12
16
15
Tentukan ni l ai koefi si en b 0 dan b 1
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
5
L a n g k a h p e r t a m a s u p a y a m e m p e r m u d a h p e n y e l e s a i a n a d a l a h m e n y u s u n
k e m b a l i d a t a d a l a m s o a l d a l a m b e n t u k l e m b a r k e r j a s e s u a i d e n g a n k o m p u t a s i
y a n g d i p e r l u k a n s e b a g a i b e r i k u t :
Y y y
2
X x x
2
xy
4 0
3 8
4 3
4 5
3 7
4 3
- 1
- 3
2
4
- 4
2
1
9
4
1 6
1 6
4
1 0
1 2
1 3
1 2
1 6
1 5
- 3
- 1
0
- 1
3
2
9
1
0
1
9
4
3
3
0
- 4
- 1 2
4
∑Y = 2 4 6 ∑ y
2
= 5 0 ∑ X = 7 8 ∑ x
2
= 2 4 ∑ x y = - 6
N i l a i r a t a - r a t a Y a t a u Y = 2 4 6 / 6 = 4 1 s e d a n g k a n n i l a i X a d a l a h s e b e s a r
7 8 / 6 = 1 3 . R a t a - r a t a t e r s e b u t b i s a d i g u n a k a n u n t u k m e m p e r o l e h m a s i n g - m a s i n g
n i l a i y d a n x.
B e r d a s a r k a n f o r m u l a s e b e l u m n y a d a p a t d i h i t u n g n i l a i b1 d a n b0 a d a l a h :
2
1
x
xy
b
E
E
=
= - 6 / 2 4 = - 0 , 2 5
X b Y b
1 0
÷ =
= 4 1 – ( - 0 , 2 5 x 1 3 ) = 4 4 , 2 5
d e n g a n d e m i k i a n d i p e r o l e h p e r s a m a a n r e g r e s i :
Y = 4 4 , 2 5 – 0 , 2 5 X
Penyelesaian Excel
D a l a m M i c r o s o f t E x c e l k o e f i s i e n b0 d i k e n a l s e b a g a i i n t e r c e p t , s e d a n g k a n
b1 d i k e n a l s e b a g a i s l o p e . U n t u k k a s u s r e g r e s i s e d e r h a n a , k o e f i s i e n b0 s e c a r a
l a n g s u n g b i s a d i c a r i m e l a l u i f u n g s i = I N T E R C E P T ( k o l o m Y, k o l o m X ) s e d a n g k a n
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
6
koefi si en b1 bi sa di cari mel al ui fungsi =SLOPE(kol om Y, kol om X ). Untuk
memperjel as proses perhi tungan, maka di saji kan capture Excel sebagai beri kut :
Gambar 1.1 : Formul a Excel untuk i ntercept dan sl ope
Formul a b0 di keti k pada sel B8 sedangkan formul a b1 di keti k pada sel B9.
Tekan Enter untuk mengeksekusi peri ntah maka hasi l nya akan nampak sebagai
beri kut :
Gambar 1.2 : Hasi l perhi tungan i ntercept dan sl ope
Hasi l perhi tungan menunjukkan bahwa bai k secara manual maupun
dengan soft war e pada akhi rnya akan mendapatakan ni l ai yang sama.
Kl i k satu kal i untuk
memuncul kan jendel a I nsert
Hasi l perhi tungan
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
7
Keuntungan penggunaan dal am hal i ni adal ah waktu perhi tungan yang rel ati f
cepat dengan presi si (ti ngkat ketepatan) yang ti nggi di bandi ngkan dengan
perhi tungan secara manual .
Pada Gambar 1.1 secara ekspl i si t tel ah di tunjukkan untuk mel akukan kl i k
ki ri guna memuncul kan jendel a I nsert Functi on. Beri kut l angkah cepat untuk
menghi tung b0. Pi l i h satu satu sel yang akan di tempati sebagai hasi l perhi tungan,
mi sal nya dal am hal i ni adal ah sel B8. Setel ah i con fx di kl i k maka akan muncul
jendel a :
Gambar 1.3 : I nsert Functi on I ntercept
Pi l i h katagori Stati sti cal , kemudi an cari I NTERCEPT dal am kotak sel ect
a f uncti on. Sel anjutnya kl i k OK untuk memperol eh jendel a sebagai beri kut :
Pi l i h Stati sti cal
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
8
G a m b a r 1 . 4 : F u n c t i o n A r g u m e n t s I n t e r c e p t
Isi kotak K n o w n _ y ’ s dengan data Y dengan cara mel akukan dr ag dari sel
B2 hi ngga sel B7. Dengan l ogi ka yang sama, masukkan data X pada kotak
K n o w n _ x ’ s . Hasi l sementara perhi tungan akan nampak pada konfi rmasi
f o r m u l a r e s u l t . Kl i k OK, ji ka sudah sesesai mel akukan entri data. Hasi l
perhi tungan akan nampak pada sel B8.
Sel anjutnya untuk menghi tung koefi si en b1, secara pri nsi p ti dak memi l i ki
perbedaan dengan perhi tungan b0. Akan tetapi dal am jendel a I n s e r t F u n c t i o n ,
fungsi yang di pi l i h adal ah S L O P E . Sebel umnya tentukan terl ebi h dahul u sel
yang akan di tempati sebagai hasi l perhi tungan, mi sal nya B9. Vi sual i sasi Excel
untuk kasus i ni bi sa di perhati kan dal am hal aman beri kut :
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
9
Gambar 1.5 : I nsert Functi on Sl ope
Gambar 1.6 : Functi on Arguments Sl ope
Latihan Soal
Buatl ah esti masi model fungsi konsumsi makro ekonomi Keynesi an
dengan data sebagai beri kut :
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
10
Gambar 1.7 : Data konsumsi dan pendapatan
Berdasarkan esti masi model yang di buat tentukan :
1. Besarnya aut onomous consumpt i on ?
2. Besarnya M ar gi nal Pr opensi t y t o Consume (M PC) ?
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
11
K Ko or re el la as si i d da an n D De et te er rm mi in na as si i
Variasi
Dal am l i teratur stati sti k, i sti l ah vari asi berarti juml ah kuadrat si mpangan
suatu vari abel dari ni l ai rata-ratanya. Vari asi suatu vari abel , katakanl ah Y , dapat
di nyatakan sebagai beri kut :
∑ y
2
= ∑ ) ( Y Y ÷
2
Vari asi di bagi dengan derajat kebebasan (d e g r e e o f f e e d o m , df) yang sesuai
di kenal sebagai sebagai vari ans. Ji ka menyangkut dua vari abel , di kenal
kovari ans yang di defi ni si kan sebagai :
) )( ( X X Y Y yx ÷ ÷ E = E
Anal i si s vari ans memegang peran sentral dal am studi asosi ati f, termasuk dal am
anal i si s korel asi dan anal i si s regresi .
Koefisien Korelasi
Untuk mengetahui hubungan antar dua atau l ebi h vari abel , secara l uas
di gunakan anal i si s korel asi . Pada dasarnya koefi si en korel asi di hi tung
berdasarkan kovari ans antar vari abel yang di uji .
Dua vari abel di katakan berkorel asi ji ka kovari an (cov) antar dua vari abel
tersebut adal ah ti dak sama dengan nol . Secara defi ni ti f koefi si en korel asi (r )
antar vari abel X dan Y dapat di rumuskan sebagai beri kut :
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
12
) var( ) var(
) , cov(
Y X
Y X
r =
Ni l ai koefi si en korel asi berki sar antara -1 sampai +1. Semaki n erat
korel asi antar vari abel maka koefi si en korel asi nya akan semaki n mendekati -1
atau +1. Korel asi posi ti f akan di tandai ol eh ni l ai koefi si en yang posi ti f, begi tu
pul a sebal i knya. Ji ka koefi si en korel asi mendekati nol maka hubungan antar
vari abel yang di uji semaki n l emah.
Contoh Kasus
Dua buah seri es data terhi tung sebagai beri kut :
No. X Y
1
2
3
4
5
6
7
12
9
8
10
11
13
7
14
8
6
9
11
12
3
Berdasarkan data di atas, hi tungl ah koefi si en korel asi antar dua seri es
data di atas.
Penyelesaian Excel
Seperti bi asanya sebel um pengol ahan data di l akukan, data terl ebi h
dahul u di si apkan dal am wor ksheet tertentu pada program Mi crosof Excel . Setel ah
data di si apkan, tentukan sel tempat hasi l perhi tungan koefi si en korel asi .
Sel anjutnya kl i k i con functi on fx dan pi l i hl ah sesuai tampi l an beri kut :
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
13
Gambar 2.1 : Fungsi Korel asi
Gambar 2.2 : Argumen Fungsi Korel asi
Dal am Gambar 2.1 sebel umnya di jel askan bahwa fungsi korel asi dal am
Excel adal ah CORREL. Setel ah data di i si kan sebagai mana Gambar 2.2, tekan kl i k
untuk memperol eh hasi l nya pada l embar kerja utama.
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
14
Gambar 2.3 : Formul a Excel untuk Korel asi
Tentu saja sebagai al ternati f, formul a korel asi sebagai mana di gambarkan
pada i l ustrasi di atas dapat di keti k secara l angsung pada sel tujuan. Dal am
gambar di atas sel tujuan yang di maksud adal ah sel B10. Tekan Enter ji ka sudah
sel esai dan sel anjutnya koefi si en korel asi yang di perol eh dal am kasus i ni adal ah
sebesar 0,9485.
Koefisien Determinasi
Meski pun sama-sama termasuk dal am studi asosi ati f, koefi si en korel asi
memi l i ki perbedaan penti ng di bandi ngkan dengan koefi si en regresi . Sal ah
satunya adal ah, ji ka dal am koefi si en korel asi kedudukan vari abel adal ah sejajar
namun dal am koefi si en regresi harus di i denti fi kasi terl ebi h dahul u mana
vari abel dependent dan mana vari abel i ndependent -nya.
Berdasarkan pembahasan pada Bab 1, dapat di kemukakan hubungan
bahwa ni l ai vari abel dependent aktual Y merupakan penjuml ahan dari ni l ai
esti masi nya di tambah dengan error atau resi dual, yai tu :
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
15
e Y Y + =
ˆ
Apabi l a di nyatakan dal am bentuk si mpangan (devi at i on for m) maka persamaan
di atas dapat di tul i s sebagai :
e y y + = ˆ
Dengan mengkuadratkan kedua si si persamaan di atas dan menjuml ahkan untuk
semua sampel maka akan di perol eh persamaan :
2 2 2
ˆ e y y E + E = E
Secara al ternati f persamaan tersebut di atas, yang mengandung unsur
juml ah kuadrat (sum of squar e) dapat di nyatakan sebagai : Total Sum of Square =
Regressi on Sum of Square + Resi dual Sum of Square. Dengan demi ki an,
vari asi dari dependent var i abl e Y, bi sa di jel askan ol eh dua hal yai tu vari asi yang
berasal dari gari s regresi serta vari asi dari resi dual . Semaki n dekat gari s regresi
dengan data aktual maka vari asi aki bat regresi akan semaki n mendekati vari asi
data aktual . Rasi o antara vari asi dari regresi dengan vari asi total nya di kenal
sebagai koefi si en determi nasi , yai tu :
Square of Sum Total
Square of Sum sidual
r
R e
2
=
Berdasarkan defi ni si nya, koefi si en i ni memi l i ki ni l ai antara 0 hi ngga 1. Semaki n
mendekati 1 menunjukkan bahwa gari s atau model regresi yang di hasi l kan akan
semaki n bai k. Koefi si en determi nasi juga seri ng di nyatakan dal am persen.
Contoh Kasus
Hi tungl ah koefi si en determi nasi (r
2
) untuk soal dal am contoh kasus
sebel umnya !
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
16
Penyelesaian Excel
Fungsi Stati sti k Excel ti dak menyedi akan perhi tungan koefi si en
determi nasi secara l angsung. Untuk i tu l angkah-l angkah yang harus di kerjakan
adal ah
1. Cari l ah ni l ai Y esti masi atau predi ksi Y mel al ui fungsi FORECAST
2. Cari l ah ni l ai rata-rata Y aktual dengan fungsi AVERAGE. Secara teori ti s ni l ai
rata-rata Y bai k aktual maupun yang predi ksi adal ah sama.
3. Hi tung vari asi Y aktual dan vari asi Y predi ksi
4. Juml ahkan vari asi Y aktual dan vari asi Y predi ksi
5. Bagi total vari asi Y predi ksi dengan total vari asi aktual
Gambar 2.4 Formul a mencari R Square
Cara perhi tungan di atas ji ka di l akukan dengan cara pengeti kan seti ap
formul a dal am ti ap sel tentu sangat membosankan. Ol eh karena i tu untuk seti ap
formul a yang sama, ti nggal mel akukan tekni k c o p y – p a s t e atau l akukan drag
untuk mengcopy formul a. Hasi l perhi tungan koefi si en determi nasi dengan data
sebel umnya dapat di perhati kan dal am gambar beri kutnya :
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
17
Gambar 2.5 : Hasi l perhi tungan R Square
Hal menari k yang perl u di catat kai tannya dengan koefi si en korel asi (r )
dan koefi si en determi nasi (r
2
) adal ah bahwa perhi tungan koefi si en determi nasi
sebenarnya dapat di hi tung l angsung mel al ui koefi si en korel asi dengan mel al ui
operasi kuadrat.
Perhi tungan koefi si en determi nasi , r
2
atau seri ng di sebut R Square juga
l angsung bi sa di perol eh mel al ui fungsi RSQ sebagai mana di tunjukkan dal am
Gambar 2.6. Hasi l perhi tungan menunjukkan bahwa menggunakan metode yang
l ebi h cepat juga akan menghasi l kan ni l ai koefi si en yang sama persi s.
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
18
Gambar 2.6 : Formul a R Square
Gambar 2.7 : Hasi l Perhi tungan R Square
Hasi l perhi tungan antara Gambar 2.5 dengan Gambar 2.7 memperol eh
hasi l yang sama, yai tu koefi si en determi nasi sebesar 0,8997. Tergantung apa
yang i ngi n di ketahui tentunya, kal au hanya perl u koefi si en determi nasi saja, cara
kedua bi sa di gunakan. Ji ka memerl ukan sekal i gus ni l ai Y esti masi maka hasi l nya
tentu l ebi h bai k ji ka menggunakan cara pertama. Koefi si en determi nasi yang
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
19
di perol eh menunjukkan bahwa seki tar 89,97% vari asi dari Y dapat di jel askan
ol eh vari asi model sedangkan si sanya di jel askan ol eh unsur l ai n.
Standard Error Prediksi
Hal penti ng l ai n yang masi h berkai tan dengan masal ah vari asi dal am
anal i si s regresi adal ah standar kesal ahan atau standard error dari Y predi ksi .
Untuk mengetahui i ni dal am Excel tel ah di sedi akan fungsi STEYX. Formul a
standar error dapat di perhati kan dal am gambar beri kut :
Gambar 2.8 : Standard Error Equati on
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
20
Latihan Soal
Beri kut data ekspor Indonesi a dan ni l ai tukar rupi ah sel ama satu dekade
terakhi r. Berapa persenkah rata-rata vari asi ni l ai tukar rupi ah sel ama peri ode
di maksud bi sa menjel askan vari asi ekspor yang terjadi dal am peri ode yang sama
Gambar 2.9 : Data Eskpor dan Ni l ai Tukar
Petunjuk :
1. Isi l ah terl ebi h dahul u sel F7 hi ngga F11 sebagai mana sesuai dengan i tem di
sel E7 hi ngga E11
2. Mul ti pl e R adal ah koefi si en korel asi
3. Interpretasi kan hasi l perhi tungan sesuai dengan permi ntaan pada soal .
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
21
P Pe en ng gu uj ji ia an n S Se ec ca ar ra a S St ta at ti is st ti ik k
I nferensial Statistik
Parameter atau koefi si en regresi yang di perol eh sebel umnya pada
dasarnya masi h merupakan hasi l esti masi terhadap ni l ai koefi si en untuk model
regresi popul asi . Hal i ni tentu sangatl ah jel as mengi ngat bahwa koefi si en i ni
di perol eh dari sampel data. Ji ka di l akukan penyampel an berul ang, angka
numeri k dari dari koefi si en di maksud bi sa saja bervari asi dari satu set sampel
data ke set sampel data l ai nnya.
Hasi l esti masi tentunya di harapkan ti dak jauh berbeda dengan ni l ai
parameter sesungguhnya (popul asi ). Akan tetapi bagai mana bi sa suatu
parameter dari sampel bi sa di bandi ngkan dengan parameter popul asi yang
bel um di ketahui ? Pertanyaan seperti i tu merupakan i nti pokok dal am
pembahasan stati sti k i nferensi al .
Untuk dapat menguji kesamaan atau perbedaan antara koefi si en sampel
dengan koefi si en popul asi , stati sti ka bi asanya mel akukan hi potesi s terhadap
ni l ai popul asi dengan suatu angka, mi sal kan nol , sehi ngga kerap di sebut sebagai
hi potesi si nol . Dengan demi ki an secara umum uji hi potesi s pada dasarnya
mel akukan eval uasi apakah parameter yang di uji sama atau ti dak dengan nol .
Secara i deal memang harus di l akukan serangkai an penyampel an
berul ang agar ni l ai parameter sampel yang di perol eh semaki n mendekati
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
22
parameter popul asi yang sesungguhnya. Mel al ui proses tersebut nanti nya dapat
di ukur devi asi antara ni l ai parameter sampel dengan parameter popul asi .
Devi sasi di maksud di kenal sebagai kesal ahan esti masi parameter atau mel al ui
ukuran yang l ebi h popul er di gunakan, di kenal sebagai kesal ahan standar
(s t a n d a r d e r r o r ) koefi si en regresi .
Dal am banyak kasus, utamanya data ekonomi dan sosi al , pengumpul an
data kerap menjadi permasal ahan seri us. Data ekonomi ti dak di perol eh dari
percobaan l aboratori um sehi ngga proses penyampel an berul ang hampi r ti dak
mungki n di l akukan.
Ol eh karenanya dal am pemodel an regresi kl asi k :
Y = β 0 + β 1X + µ
peri l aku dari unsur gangguan µ harus di asumsi kan memi l i ki beberapa
karakteri sti k, di antaranya adal ah :
1. Unsur gangguan µ bersi fat acak, di di stri busi kan secara normal dengan
harapan matemati s atau rata-rata sama dengan nol ; E (µ ) = 0
2. Vari ans dari µ yai tu o
2
adal ah konstan untuk seti ap observasi ; E (µ i
2
) = o
2
untuk ti ap i
3. Ti dak terdapat korel asi antar unsur gangguan yang berurutan; E (µ i µ j) = 0
untuk i = j
Standar Error Koefisien Regresi
Kesal ahan standar atau standard error merupakan ukuran dari ketepatan
koefi si en regresi dal am mempredi ksi ni l ai popul asi nya. Standard error di ukur
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
23
berdasarkan akar kuadrat dari devi asi atau vari ans koefi si en regresi sampel (b )
dengan koefi si en regresi popul asi (β ).
Mengul angi formul a koefi si en sl ope, tel ah di nyatakan bahwa :
2
1
x
xy
b
E
E
=
Berdasarkan defi ni si y , formul a di atas dapat di nyakan sebagai :
2
1
x
xY
b
E
E
=
kY E =
Dengan memperhati kan Y sebagai representasi dari model regresi
popul asi maka dapat di nyatakan :
µ |
µ | |
k
X k b
E + =
+ + E =
1
1 0 1
) (
Harapan matemati s dari b 1, dengan demi ki an ;
1
1 1
) ( ) (
|
µ |
=
E + = kE b E
yang menunjukkan bahwa b 1 adal ah esti mator yang ti dak bi as bagi β 1 dengan
menggunakan asumsi bahwa E ( µ ) = 0 (asumsi nomor 1)
Vari ans dari b 1 dapat di nyatakan sebagai :
) 2 ....... 2
.... (
) (
) ( ) var(
1 1 2 1 2 1
2 2 2
2
2
2
2
1
2
1
2
2
1 1 1
N N N N
N N
k k k k
k k k E
k E
b E b
µ µ µ µ
µ µ µ
µ
|
÷ ÷
+ +
+ + + + =
E =
÷ =
dengan menggunakan asumsi E (µ i
2
) = o
2
dan E (µ iµ j) = 0 maka persamaan
terakhi r dapat di nyatakan sebagai ;
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
2 4
2
2
2 2
1
) var(
x
k b
E
=
E =
o
o
A d a p u n v a r i a n u n s u r g a n g g u a n o
2
d a p a t d i e s t i m a s i m e l a l u i f o r m u l a ∑ e
2
/ N - 2 .
D e n g a n d e m i k i a n m a k a st andar d er r or ( se) d a r i k o e f i s i e n b1 a d a l a h :
) var( ) (
1 1
b b se =
D e n g a n l o g i k a y a n g s a m a , st andar d er r or u n t u k k o e f i s i e n i nt er cept ( b0 ) j u g a b i s a
d i p e r o l e h .
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
25
U Uj ji i K Ko oe ef fi is si ie en n I In nd di iv vi id du ua al l d da an n S Si im mu ul lt ta an n
Uji Signifikansi t
Secara i ndi vi dual , si gni fi kansi koefi si en regresi di uji dengan prosedur uji
t . Dal am cara yang sederhana uji t di l akukan dengan membandi ngkan ni l ai
stati sti k t observasi atau t hi tung dengan t tabel . Ni l ai t hi tung dapat di perol eh
mel al ui formul a :
) ( / b se b t =
untuk seti ap koefi si en bai k sl ope (b1) maupun i nt er cept (b0). Suatu koefsi en
di nyatakan si gni fi kan ji ka ni l ai t hi tung l ebi h ti nggi di bandi ngkan dengan t tabel
untuk l evel si gni fi kansi yang di tentukan (bi asanya 5%) dengan derajat
kebebasan sebesar juml ah sampel di kurangi dengan juml ah koefi si en regresi
yang di esti masi .
Secara al ternati f, penentuan si gni fi kansi t dapat di l i hat mel al ui l evel
si gni fi kansi t yang di hi tung ol eh program apl i kasi . Ji ka l evel si gni fi kansi yang
di perol eh l ebi h keci l dari l evel konvensi onal (yai tu 0,05) maka dapat
di si mpul kan bahwa koefi si en regresi yang di uji adal ah si gni fi kan.
Uji Signifikansi F
Koefi si en regresi dapat di uji ti ngkat si gni fi kansi nya secara si mul tan
dengan menggunakan prosedur uji F. Stati sti k F sebenarnya dapat di perol eh
mel al ui anal i si s vari ans (ANOVA) yang tel ah di si nggung pada bagi an
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
26
sebel umnya. Kembal i kepada konsep Sum of Squar e, ji ka Sum of Squr e i ni di bagi
dengan ti ap derajat kebebasannya (df) maka akan di perol eh konsep M ean of
Squar e. Kai tannya dengan Sum of Squar e Regr essi on dan Er r or (Resi dual ) akan
di perol eh M ean Squar e Regr essi on (M SR) dan M ean Squar e Er r or (MSE). Stati sti k F
di perol eh mel al ui :
MSE
MSR
F =
Sebagai mana uji t , ni l ai F hi tung i ni di bandi ngkan dengan F tabel untuk
menentukan ti ngkat si gni fi kansi nya.
Contoh Kasus
Beri kut di saji kan data pendapatan rata-rata (Y) enam orang kepal a
kel uarga beri kut ti ngkat pengel uarannya (X ) :
Observasi Y X
1
2
3
4
5
6
6
8
9
5
4,5
9,5
3
4
6
4
2
5
Buatl ah model regresi , eval uasi dan uji l ah ti ngkat si gni fi kansi nya bai k
secara i ndi vi dual maupun secara si mul tan.
Penyelesaian Excel
Peri ntah dari soal di atas cukup kompl eks sehi ngga sangat ti dak efi si en
ji ka di kerjakan secara satu-persatu sebagai mana pada bagi an sebel umnya.
Penyel esai an Excel seperti kasus di atas dapat di l akukan secara si mul tan mel al ui
fungsi LINEST. Akan tetapi perl u di cacat di si ni bahwa fungsi LINEST akan
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
27
menghasi l kan berbagai ni l ai (array) sehi ngga formul a yang di-entry seharusnya
berbentuk array formul a.
Sebagai suatu gambaran, output dari fungsi LINEST akan terdi ri atas
koefi si en sl ope (b1) dan standar error b1, koefi si en b0 dan standar error b0, R squar e
(R
2
), standar error esti masi seY
ˆ
, F hi tung, degree of freedom (df), Sum of Squre
Regressi on dan Sum of Squre Resi dual . Ol eh karena i tu formul a i ni harus
tersusun dari l i ma bari s dan kol om yang menyesuai kan dengan juml ah koefi si en
regresi yang akan di seti masi . Dal am kasus regresi sederhana, kol om yang harus
di bentuk adal ah sebanyak 2.
Gambar 4.1 : Array Formul a untuk Fungsi LI NEST
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
28
Gambar 4.2 : I nset Functi on LI NEST
Setel ah menentukan sel tujuan, mel al ui Menu Insert, pi l i h LI NEST
kemudi an kl i k OK sehi ngga memperol eh konfi rmasi sebagai beri kut :
Gambar 4.3 : Argumen pada Fungsi LI NEST
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
29
Sebagi mana terl i hat ol eh pada gambar di atas bahwa sel ai n kol om Y dan
kol om X yang di i si , perl u di i si pul a kotak Const dan Stats. Isi kedua kotak
tersebut dengan TRUE untuk memperol eh hasi l sesuai dengan kei ngi nan soal .
Kemudi an kl i k OK untuk mendapatkan hasi l seperti beri kut :
Gambar 4.4 : Output LI NEST tunggal
Bi sa di perhati kan bahwa sel tujuan pada l embar i ni adal ah pada sel D2
sehi ngga dapat di l i hat fungsi LINEST yang tadi tel ah di-entry. Hasi l perhi tungan
hanya ada di satu sel (D2) karena bel um menggunakan array formul a. Untuk i tu
bl ok terl ebi h dahul u range D2:E6, tekan F2 kemudi an tekan key Ctrl + Al t +
Enter sehi ngga di perol eh hasi l :
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
30
Gambar : 4.5 : Output LI NEST dengan array f ormul a
Penjel asan tentang output pada sheet D2 : E6 sesuai pada Gambar 4.1
untuk sheet B2:C6.
Agar pri nt-out Excel sebel umnya tampi l l ebi h i nformati f maka susunl ah
l aporan hasi l perhi tungan anal i si s regresi dengan format pel aporan sebagai
beri kut dengan memperhati kan formul asi pada ti ap-ti ap sel dari range atau
l embar kerja yang baru di bentuk :
Gambar 4.6. Format Pel aporan Anal i si s Regresi
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
31
Untuk di ketahui bahwa pengi si an formul a pada ti ap-ti ap sel yang
di masud sel uruhnya mengacu pada keterangan formul asi serta penjel asan pada
bagi an sebel umnya. Tentu saja rumus tersebut di sesuai kan dengan tempat sel
acuan, yai tu range D2:C6. Adapun untuk degr ee of fr eedom pada sel C15 adal ah 1
untuk regresi sederhana.
Hasi l perhi tungan sebagai mana nampak pada Gambar 3.6 secara l engkap
dapat di perhati kan dal am gambar beri kut :
Gambar 4.7 : Hasi l akhi r perhi tungan dan pel aporan LI NEST
Latihan Soal
Berdasarkan soal dan pemecahan pada contoh kasus l akukanl ah :
1. Uji si gni fi kansi koefi si en regresi secara i ndi vi dual
2. Uji si gni fi kansi koefi si en regresi secara si mul tan
3. Interprestasi hasi l secara l engkap
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
32
A As su um ms si i N No or rm ma al li it ta as s
Perilaku Unsur Gangguan
Sebagai mana tel ah di si nggung, model regresi yang tel ah di bahas secara
i mpl i si t di asumsi kan tel ah memenuhi beberapa asumsi tertentu. Asumsi i ni
sangat penti ng untuk di kaji mengi ngat hubungannya dengan masal ah justi fi kasi
uji hi potesi s yang tel ah di l akukan. Karena koefi si en regresi yang di hasi l kan pada
dasarnya berupa esti masi maka hasi l nya masi h bersi fat probabi l i sti k dan angka
numeri k yang di hasi l kan bi sa mengandung arti atau ti dak tergantung pada
pemenuhan asumsi i ni .
Sebenarnya asumsi kl asi k ti dak hanya terkai t dengan masal ah unsur
gangguan, akan tetapi yang juga penti ng adal ah asumsi tentang vari abel bebas
X . Vari abel bebas di asumsi kan non-stokasti k, tetap dal am penyampel an
berul ang dan ti dak berkorel asi dengan unsur gangguan. Sebagi an besar asumsi
i ni di teri ma dengan tanpa penguji an mengi ngat karakteri sti k data ekonomi yang
terbatas dan sukarnya mel akukan penyampel an berul ang.
Adapun unsur gangguan sendi ri sebagai mana tel ah di ul as dal am Bab
sebel umnya di asumsi kan berdi stri busi normal , memi l i ki vari ans yang konstan
serta antar unsur gangguan ti dak terdapat korel asi . Asumsi normal i tas terkai t
dengan si fat esti mator yang ti dak bi as sedangkan dua asumsi l ai nnya berkai tan
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
33
dengan masal ah efi si ensi . Esti mator yang bai k secara l ogi ka di harapkan memi l i ki
vari ans mi ni mum.
Asumsi Normalitas
Asumsi normal i tas sangat erat hubungannya dengan si fat keti dakbi asan
esti mator dan i nferensi untuk mencari ni l ai parameter yang sesungguhnya (t r ue
par amet er ). Asumsi normal i tas mensyaratkan bahwa peri l aku unsur gangguan
yang random di di stri busi kan secara normal atau mendekati normal . Untuk
menguji asumsi i ni bi sa di l akukan pada data resi dual dengan mengeval uasi
bentuk di stri busi nya dal am hal skewnes (kemencengan) dan kur t osi s
(perunci ngan). Di stri busi di anggap normal ji ka skewnes semaki n mendekati 0
dan kurtosi s mendekati 3.
Langkah awal untuk menguji di stri busi resi dual adal ah dengan cara
mencari terl ebi h dahul u ni l ai resi dual ti ap observasi . Sesuai dengan defi ni snya,
resi dual atau error merupakan sel i si h antara Y aktual dengan Y predi ksi.
Dengan demi ki an cari l ah terl ebi h dahul u ni l ai Y predi ksi mel al ui fungsi
FORECAST. Dengan contoh soal sebel umnya, formul asi untuk mencari ni l ai
predi ksi Y dan error dapat di perhati kan dal am gambar beri kut :
Gambar 5.1 : Formul a Y predi cted dan error
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
34
Sambi l l al u di perhati kan bahwa dal am formul a untuk mencari pr edi ct ed Y
ada beberapa tanda stri ng ($) yang harus di perhati kan kal au i ngi n mel akukan
copy-past e pada formul a. Tekan Enter ji a formul a sudah benar dan l angkah
sel anjutnya dal ah menghi tung skewnes dan kurtosi s mel al ui Menu I nsert
Functi on SKEW dan KURT sebagai mana gambar beri kut :
Gambar 5.2 : Formul a Skewnes dan Kurt osi s
Hasi l akhi r perhi tungan dari uji normal i tas i ni dapat di perhati kan sebagai
beri kut :
Gambar 5.3 : Hasi l perhi tungan uj i asumsi normal i tas
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
35
Perhi tungan menunjukkan bahwa resi dual yang di uji agak sedi ki t menceng ke
ki ri (secara negati f) dan cukup l andai atau pl ati kurti k.
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
36
A As su um ms si i H Ho om mo os sk ke ed da as st ti is si it ta as s
Asumsi Homoskedastisitas
Asumsi model regresi beri kutnya adal ah vari ans dari unsur gangguan
pada seti ap observasi di asumsi kan konstan. Secara tekni s asumsi i ni di kenal
sebagai homoskedasti si tas. Asumsi i ni sangat penti ng arti nya dal am anal i si s
regresi mengi ngat kai tannya dengan esti masi standard error koefi si en regresi .
Sebagai mana di ketahui bahwa standard error i ni memi l i ki peran dal am
pembentukan ni l ai t hi tung. Ol eh karena i tu ji ka asumsi i ni ti dak di penuhi ,
maka hasi l uji t ti dak sahi h karena ni l ai t hi tung bi sa over val ued.
Konsekwensi nya, sebuah koefi si en yang seharusnya di nyatakan ti dak si gni fi kan
bi sa di nyatakan si gni fi kan. Tentu saja kesi mpul an i ni sangat menyesatkan.
Penguji an homoskedasti si tas bi sa mel al ui di agram scatter square error
terhadap vari abel bebas X . Ji ka scatter di maksud memi l i ki pol a tertentu maka
gejal a non homoskedasti si tas (heteroskedasti si tas) l ayak di curi gai .
Terdapat beberapa jeni s test formal yang bi asa di gunakan dal am uji i ni .
Di antaranya, yang pal i ng l uas di gunakan adal ah uji Whi te yang sal ah satu versi
formul asi nya adal ah mel al ui model regresi (Thomas, 1997) :
2 2
ˆ
Y e | o + =
Dal am hal i ni ji ka model tersebut menghasi l kan ni l ai R
2
yang sangat rendah,
maka dapat di si mpul kan bahwa model tel ah memenuhi asumsi
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
37
homoskedasti si tas. Penguji annya dapat di l akukan dengan mengal i kan R
2
dengan
juml ah observasi (R
2
x N) dan membandi ngkannya dengan ni l ai chi -square
stati sti k untuk df 1 pada l evel konvensi onal (mi sal nya 5% = 3,841). Pada
dasarnya test i ni sesuai untuk model dengan observasi yang cukup banyak,
namun untuk keperl uan prakti s prosedural di gunakan data dengan sampel keci l
sebagai mana tersedi a dal am contoh kasus dan l ati han dal am buku i ni .
Sesuai perumusan sebel umnya maka sebel um di l akukan perhi tungan
model , terl ebi h dahul u di cari square (kuadrat) ni l ai error atau resi dual serta ni l ai
kuadrat dari ni l ai Y predi ksi , yai tu :
Gambar 6.1 : Formul a square predi cted Y dan square error
Setel ah hasi l perhi tungan di atas di l akukan, sel anjutnya hi tung ni l ai R
Square dari regresi antara square error dengan square predi ct ed Y sesuai dengan
prosedur perhi tungan pada bi an sebel umnya. Hasi l perhi tungan R Square
di maksud di pergunakan sebagai dasar untuk menghi tung stati sti k chi-square
mel al ui formul asi sebagai beri kut :
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
38
Gambar 6.2 : Formul a untuk mencari n.R
2
Hasi l perhi tungan uji asumsi homoskedasti si tas dal am model regresi
sederhana dapat di perhati kan dal am tampi l an beri kut. Perl u di ketahui bahwa
dal am formul a sel E10 yai tu =A7*E9 untuk i si an A7 adal ah menggambarkan
juml ah observasi . Secara al ternati f formul a tersebut dapat di ganti dengan
l angsung memasukkan juml ah observasi (sebesar 6 untuk contoh kasus i ni )
sehi ngga bi sa di tul i s =6*E9.
Gambar 6.3 : Perhi tungan f i nal uj i homoskedasti si tas
Perhi tungan stati sti k chi -square berdasarkan prosedur yang di ajukan
terl i hat di sel E10 pada Gambar 6.3 yai tu sebesar 0,0747. Ji ka di bandi ngkan
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
39
dengan ni l ai chi -square tabel pada l evel 5% yai tu sebesar 3,841 dengan jel as
dapat di l i hat bahwa ni l ai chi-square hi tung jauh l ebi h rendah.
Secara i ntui ti f dapat di ambi l suatu kesi mpul an bahwa vari ans dari unsur
gangguan ti dak mengi kuti pol a tertentu kai tannya dengan vari abel X. Dengan
kata l ai n, vari ans dari unsur gangguan adal ah konstan untuk seti ap observasi .
Pada akhi rnya bi sa di si mpul kan bahwa asumsi homoskedasti si tas dari model
regresi yang di uji bi sa terpenuhi .
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
40
A As su um ms si i A Au ut to ok ko or re el la as si i
Asumsi Autokorelasi
Autokorel asi antar unsur gangguan adal ah adanya korel asi antar unsur
gangguan. Secara tekni s perhi tungan, autokorel asi sebenarnya merupakan sal ah
satu bagi an dal am perhi tungan vari ans dari koefi si en regresi , yakni unsur
2ki kj µ i µ i untuk i = j . Ji ka ti dak ada korel asi antar unsur gangguan, maka covari ans
antar unsur gangguan di maksud adal ah sama dengan nol , yakni E(µ i µ j) = 0.
Sebagai aki batnya, ni l ai dari unsur i ni dal am perhi tungan vari ans koefi si en
regresi adal ah sama dengan nol . Apabi l a di gabungkan dengan asumsi
homoskedasti si tas, maka ni l ai vari ans dari koefi si en regresi OLS memang sangat
efi si en (mi ni mum).
Akan tetapi sebagai mana dal am pembahasannya sebel umnya, asumsi i ni
perl u di uji l ebi h jauh. Hal i ni mengi ngat ji ka korel asi antar unsur gangguan i ni
cukup besar maka esti masi vari ans koefi si en regresi dal am OLS ti dak bi sa
di gunakan karena cenderung terl al u rendah (under est i mat e) dari vari ans
sesungguhnya. Konsekwensi nya, standard error koefi si en regresi di esti masi
terl al u rendah pul a dan ni l ai t hi tung akan di ukur terl al u ti nggi (over val ued).
Sel anjutnya kesi mpul an tentang si gni fi kansi koefi si en regresi bi sa sangat
menyesatkan karena koefi si en yang seharusnya di si mpul kan ti dak si gni fi kan,
bi sa di si mpul kan si gni fi kan.
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
4 1
T e r d a p a t b e b e r a p a c a r a u n t u k m e n d e t e k s i k e b e r a d a a n a u t o k o r e l a s i
d a l a m m o d e l r e g r e s i , s a l a h s a t u n y a a d a l a h d e n g a n r u n t e s t . U j i i n i d i l a k u k a n
d e n g a n c a r a m e m p e r h a t i k a n t a n d a ( si gn) p o s i t i f a t a u n e g a t i f d a r i e r r o r . S e b u a h
r u n d i d e f i n i s i k a n s e b a g a i u r u t a n t a k t e r p u t u s d a r i s u a t u t a n d a s e p e r t i + ( p o s i t i f )
a t a u – ( n e g a t i f ) . S e b a g a i m i s a l t e r d a p a t d a t a d e n g a n u r u t a n t a n d a s e b a g a i
b e r i k u t :
+ + - - - - + + + -
S e s u a i d e n g a n d e f i n i s i m e n g e n a i r u n , m a k a d a t a d i a t a s t e r d i r i d a r i e m p a t r u n
( d a r i k i r i : s a t u r u n d e n g a n d u a t a n d a p o s i t i f , s a t u r u n d e n g a n t a n d a e m p a t
n e g a t i f , s a t u r u n d e n g a n t i g a t a n d a p o s i t i f d a n s a t u r u n t e r a k h i r d e n g a n s a t u
t a n d a n e g a t i f ) .
B a n y a k s e d i k i t n y a r u n d a p a t m e n g g a m b a r k a n k e r a n d o m a n d a r i s u a t u
d a t a . T e r l a l u b a n y a k r u n m e n u n j u k k a n k o r e l a s i n e g a t i f a n t a r d a t a s e d a n g k a n
t e r l a l u s e d i k i t r u n m e n g i n d i k a s i k a n a d a n y a k o r e l a s i p o s i t i f . U n t u k k e p e r l u a n i n i
d i p e r l u k a n t a b e l r u n g u n a m e n e n t u k a n s i g n i f i k a n s i k e a c a k a n d a r i s u a t u d a t a .
S e b a g a i a c u a n , j i k a s u a t u d a t a d e n g a n N o b s e r v a s i , N1 d i n y a t a k a n s e b a g a i
b a n y a k n y a o b s e r v a s i b e r t a n d a p o s i t i f d a n N 2 d i n y a t a k a n s e b a g a i o b s e r v a s i
b e r t a n d a n e g a t i f .
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
42
Contoh Kasus
Beri kut di saji kan data anal i si s :
Observasi Y X
1 281 1
2 288 2
3 290 3
4 307 4
5 316 5
6 322 6
7 338 7
8 353 8
9 373 9
10 397 10
11 418 11
12 430 12
13 452 13
14 469 14
15 476 15
Dengan model regresi Y = b0 + b1X + e, uji l ah bahwa model di maksud tel ah
memenuhi asumsi autokorel asi .
Penyelesaian Excel
Untuk memenuhi perhi tungan run test dengan Excel maka di perl ukan
perhi tungan error atau resi dual . Perhi tungan error dapat mengi kuti prosedur
sebel umnya, dan sebagai hasi l nya dapat di perhati kan i l ustrasi beri kut :
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
43
Gambar 7.1 : Uj i autokorel asi dengan run-test
Hasi l perhi tungan menunjukkan bahwa error posi ti f (N 1) sebanyak
del apan sedangkan error negati f (N 2) adal ah sebanyak tujuh. Berdasarkan
pengerti an tentang run maka dapat di hi tung run sebanyak l i ma. Ji ka
di bandi ngkan dengan tabel maka untuk N 1 dan N 2 sebesar tersebut, ni l ai kri ti s
run adal ah sebesar 4 dan 13. Dengan membandi ngkan ni l ai kri ti s run dengan
ni l ai run aktual , maka dapat di si mpul kan bahwa ti dak terdapat autokorel asi
yang cukup parah.
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
44
Latihan Soal
Sal ah satu faktor penentu permi ntaan uang (M1) adal ah ti ngkat
pendapatan (Income). Buatl ah model permi ntaan uang berdasarkan data beri kut
Tahun Triwulan Income M1
1998 tw 1 98660.6 283579
tw 2 89345.5 308789
tw 3 90934.2 312968
tw 4 97434.5 301771
1999 tw 1 93972.8 311116
tw 2 93847.5 309973
tw 3 95126.8 333763
tw 4 95104.3 358240
2000 tw 1 97802.1 369240
tw 2 98036.1 391424
tw 3 100898.9 407699
tw 4 101197.0 442276
2001 tw 1 102492.1 443599
tw 2 101751.7 470230
tw 3 104074.3 493242
tw 4 102814.0 505748
1. Uji l ah si gni fi kansi koefi si en regresi yang di perol eh !
2. Uji l ah asumsi normal i tas, homoskedasti si tas dan autokorel asi .
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
4 5
R Re eg gr re es si i M Mu ul lt ti ip pe el l
Spesifikasi Regresi Multipel
R e a l i t a e k o n o m i d a l a m k e n y a t a a n n y a s a n g a t l a h k o m p l e k s s e h i n g g a t i d a k
c u k u p u n t u k d i n y a t a k a n d a l a m p e r s a m a a n d u a v a r i a b e l . F e n o m e n a t e r t e n t u
k u r a n g m e m a d a h i u n t u k d i j e l a s k a n o l e h h a n y a s a t u v a r i a b e l p e n j e l a s ( v a r i a b e l
X ) . S e j a l a n d e n g a n i t u t e o r i j u g a m e n g a k o m o d a s i b a h w a t e r d a p a t b e r b a g a i f a k t o r
p e n e n t u d a r i s u a t u v a r i a b e l .
S e b a g a i m i s a l , t e o r i p r o d u k s i m e n y a t a k a n b a h w a b e s a r n y a o u t p u t
d i t e n t u k a n o l e h k o m b i n a s i i n p u t s e p e r t i t e n a g a k e r j a , m o d a l , p r o d u k t i v i t a s ,
t e k n o l o g i d a n l a i n - l a i n . D a l a m n o t a s i m a t e m a t i k d a p a t d i n y a t a k a n , y a i t u :
Y = f ( X 1 , X 2 , X 3 , . . . . )
S i m p l i f i k a s i d i a t a s m e n y a t a k a n b a h w a o u t p u t y a n g d i n o t a s i k a n s e b a g a i Y
m e r u p a k a n f u n g s i d a r i b e b e r a p a i n p u t X 1 , X 2 , X 3 d a n s e t e r u s n y a y a n g
m e r u p a k a n r e p r e s e n t a s i d a r i j u m l a h t e n a g a k e r j a , m o d a l , t e k n o l o g i d a n l a i n - l a i n .
D a l a m m o d e l e k o n o m e t r i k a , f e n o m e n a s e j e n i s d a p a t d i r e p r e s e n t a s i k a n
m i s a l n y a d a l a m m o d e l s e b a g a i b e r i k u t :
Y = β 0 + β 1 X 1 + β 2 X 2 + β 3 X 3 + … … … … . . + µ
M o d e l y a n g s e d e m i k i a n d i k e n a l s e b a g a i m o d e l r e g r e s i b e r g a n d a ( m u l t i p l e
r e g r e s s i o n ) .
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
46
Contoh Kasus
Di ketahui bahwa data mengenai vari abel tergantung (Y) dengan dua
vari abel bebas (X 1 dan X 2) di saji kan sebagai beri kut :
No. Y X1 X2
1 70 80 810
2 65 100 1009
3 90 120 1273
4 95 140 1425
5 110 160 1633
6 115 180 1876
7 120 200 2052
8 140 220 2201
9 155 240 2435
10 150 260 2686
Buatl ah l aporan perhi tungan anal i si s regresi berdasarkan model esti masi Y = b0 +
b1X 1 + b2X 2 + e
Penyelesaian Excel
Dengan menggunakan fungsi LINEST sebagai mana tel ah di jel askan
dal am Bab 3, data di atas dapat l angsung di -entry dal am sel Excel untuk
sel anjutnya dapat di l akukan perhi tungan fungsi LINEST mel al ui menu Insert.
Hal penti ng yang perl u di perhati kan dal am output fungsi LINEST adal ah bahwa
hasi l nya akan berupa array dan bukan dal am sel tunggal .
Perl u di i ngat bahwa penyusunan array formul a untuk fungsi i ni
memerl ukan l i ma bari s kal i kol om sejuml ah koefi si en yang i ngi n di hi tung.
Mengi ngat koefi si en regresi yang akan di hi tung adal ah sebesar 3 (termasuk
sl ope) maka dal am contoh i ni di perl ukan kol om sebesar 3 buah. Range yang
di butuhkan nanti nya adal ah 5 bari s x 3 kol om.
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
47
Gambar 8.1 : Formul a Fungsi LI NEST
Gambar 8.2. Output Fungsi LI NEST
Supaya l ebi h i nformati f, hasi l perhi tungan dapat di saji kan dal am bentuk
beri kut :
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
48
Gambar 8.3 : Formul a pel aporan hasi l
Pada dasarnya formul a pada gambar di atas hanya berupa pemi ndahan sebagi an
sel dari range A13 : C17
Gambar 8.4 : Hasi l akhi r perhi tungan
Regresi Melalui Menu Tools
Meski pun output dari fungsi LINEST cukup l engkap namun
sebagai mana dapat di perhati kan bahwa penyaji an output yang sedemi ki an
kurang i nformati f. Pemi ndahan sel untuk menyaji kannya secara l ebi h i nformati f
dal am taraf tertentu akan kurang efi si en ji ka model regresi yang di anal i si s cukup
kompl eks.
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
49
Sebenarnya di sampi ng mel al ui Menu Insert, Mi crosoft Excel juga
menyedi akan al at anal i si s mel al ui Menu Tool s. Kl i k Menu Tool s maka akan
di perol eh tampi l an :
Gambar 8.5 : Menu Tool s
Sel anjutnya pi l i h dengan kl i k Data Anal ysi s, sehi ngga di perol eh beberapa
pi l i han anal i si s data yang di i ngi nkan, dal am hal i ni di pi l i h Regressi on mel al ui
konfi rmasi kl i k OK.
Gambar 8.6 : Anal i si s regresi mel al ui Menu Tool s
Masukkan range Y dan range X beri kut sel judul nya, untuk
memuncul kan nama vari abel . Jangan l upa kl i k Label agar nama vari abel
di tampi l kan dal am output. Pi l i h l okasi output, bi sa dal am sheet yang sama, atau
mungki n dal am sheet l ai n. Dal am contoh i ni output di pi l i h dari sheet yang sama.
Abai kan yang l ai n, kemudi an kl i k OK
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
50
Gambar 8.7 : Jendel a konf i rmasi anal i si s regresi
Perl u di perhati kan di si ni tanda stri ng untuk seti ap pengi si an formul a.
Stri ng akan secara otomati s muncul ji ka entry data di l akukan mel al ui drag, ti dak
di l akukan secara manual . Berdasarkan entry data di maksud, hasi l perhi tungan
(output) akan di tampi l kan mul ai sel E1.
Gambar 8.8 : Output regresi dari Data Anal ysi s
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
51
Output regresi dari D a t a A n a l y s i s l ebi h l engkap dan i nformati f ji ka
di bandi ngkan dengan output dari M e n u I n s e r t – F u n c t i o n . Dal am tampi l an
di atas koefi si en regresi tel ah di l engkapi dengan perhi tungan t stati sti k dan
probabi l i tasnya sehi ngga dal am uji si gni fi kansi ti dak perl u l agi mel i hat t tabel .
Demi ki an hal nya dengan stati sti k F tel ah di l engkapi dengan dengan
probabi l i tasnya.
Dengan demi ki an, mel al ui prosedur i ni metodol ogi anal i si s regresi
kai tannya dengan masal ah esti masi parameter dan veri fi kasi nya (uji
si gni fi kansi nya) sudah secara otomati s muncul . Di sampi ng i tu, tampi l an output
yang di hasi l kan l ebi h menari k sehi ngga bi sa l angsung di gunakan sebagai
l ampi ran pr i nt -out untuk keperl uan karya tul i s i l mi ah semi sal skri psi .
Sel anjutnya, untuk kepenti ngan uji asumsi kl asi k masi h di perl ukan
i nformasi mengenai ni l ai predi ksi Y dan error. Ni l ai predi ksi Y dan error atau
resi dual sebenarnya bi sa di perol eh secara l angsung mel al ui jendel a konfi rmasi
sebagai mana dapat di l i hat pada Gamabar 5.7. K l i k pi l i han R e s i d u a l , maka
output yang akan di tampi l kan bersama dengan output utama adal ah :
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
52
Gambar 8.9 : Resi dual Output
Untuk mel akukan uji normal i tas, data resi dual bi sa di anal i si s mel al ui Data
Anal ysi s dengan memi l i h Descri pti ve Stati sti c
Gambar 8.10 : Descri pti ve stati sti c
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
53
Gambar 8.11 : Konf i rmasi descri pti ve stati sti c
Gambar 8.12 : Deskri psi mengenai resi dual
Mel al ui deskri psi tentang resi dual utamanya mengenai Skewness dan
Kurtosi s maka normal i tas resi dual bi sa di anal i si s. Adapun uji asumsi
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
54
homoskedasti si tas dan uji autokorel asi bi sa mengi kuti prosedur uji sebagai mana
tel ah di beri kan dal am Bab 4 yang membahas mengenai Asumsi Model Regresi .
Latihan Soal
Untuk mel akukan anal i si s tentang faktor-faktor yang mempengaruhi
i mpor, di ajukan data sebagai beri kut :
Tahun Impor Kurs PDB IHPB
1984 13882.1 1076 184623 111
1985 10259.1 1125 200635 116
1986 10718.4 1641 223108 116
1987 12370.3 1650 236003 142
1988 13248.5 1729 253603 149
1989 16359.6 1795 271968 162
1990 21837.6 1901 290767 178
1991 25868.8 1992 309660 187
1992 27279.6 2062 329776 197
1993 28327.8 2110 354641 204
1994 31983.5 2200 383792 215
1995 40628.7 2308 413798 240
1996 42928.5 2383 433246 259
1997 41679.8 4650 376052 282
1998 27336.9 8025 376375 568
1999 24003.3 7100 379353 314
2000 33514.8 9595 398017 353
2001 30962.1 10400 411754 403
2002 31288.9 8940 426943 414
2003 32550.7 8465 444454 423
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
55
1. Lakukan anal i si s model hi ngga uji asumsi kl asi k
2. Interpretasi kan hasi l perhi tungan yang tel ah di perol eh.
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
56
R Re eg gr re es si i N No on n L Li in ne ea ar r
Linearitas Koefisien dan Variabel
Pengerti an tentang l i near dal am anal i si s regresi l i near mengacu pada
koefi si en regresi dan bukan pada vari abel yang akan di anal i si s. Untuk
mempermudah pemahaman tentang hal i ni , beri kut di beri kan i l ustrasi mengenai
perbedaan konsep yang berkai tan dengan l i neari tas dal am koefi si en serta
l i neari tas dal am vari abel . Sebagai contoh, persamaan :
2
1 0
x y | | + =
Adal ah contoh persamaan non l i near dal am vari abel , karena vari abel x
memi l i ki pangkat ti dak sama dengan satu (tepatnya memi l i ki pangkat dua).
Meski pun demi ki an, model di atas masi h dapat di kategori kan sebagai model
regresi l i near. Sebagai al ternati f, perhati kan model sebagai beri kut :
x y
2
1 0
| | + =
Model di atas adal ah l i near dal am vari abel karena vari abel x memi l i ki
pangkat satu, akan tetapi non l i near dal am koefi si en karena koefi si en sl ope
memi l i ki pangkat ti dak sama dengan satu (pangkat dua). Model di atas dapat
di kategori kan sebagai model regresi non-l i near.
Pri nsi p l east squar e yang bi asa ti dak dapat di terapkan untuk
mengesti masi koefi si en regresi dal am model regresi non-l i near. Penggunaan
pri nsi p i ni masi h dapat di apl i kasi kan untuk model yang secara i ntri nsi k bi sa
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
57
di l i nearkan (i nt r i nsi cal l y l i near ). Langkah pertama untuk mel akukan esti masi
terhadap model non l i near jeni s i ni adal ah mel akukan transformasi sehi ngga
koefi si en regresi yang di maksud menjadi l i near.
Contoh Kasus
Model produksi sektoral secara sederhana dapat di nyatakan dal am
model Cobb-Dougl as sebagai beri kut :
2
2
2
1
0
1
| |
| x x y =
dal am hal i ni y adal ah output, x1 dan x2 masi ng-masi ng adal ah i nput
vari abel yang terdi ri dari juml ah tenaga kerja dan modal . Model tersebut di atas
dapat di l i nearkan mel al ui tranformasi l ogari tma, yai tu :
2 2 1 1 0
log log log log x x y | | | + + =
Berdasarkan hasi l transformasi di atas, dapat di perhati kan bahwa
koefi si en sl ope adal ah l i near sehi ngga esti masi l east squar e dapat di l akukan.
Mi sal kan di ketahui juml ah output (y), pekerja (x1) dan modal (x2) masi ng-masi ng
adal ah sebagai beri kut :
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
58
Kode output pekerja modal
15 26365 161 2439
16 41888 173 286
17 2506 27 116
18 1504 27 33
19 2624 53 22454
20 4059 40 192
21 12738 41 434
22 1403 8 36
23 584 1 16
24 15311 40 282
25 5237 70 183
Ji ka hubungan antara i nput dengan output di nyatakan dal am fungsi
produksi Cobb-Dougl as, l akukan esti masi terhadap masi ng-masi ng parameter
dal am fungsi di maksud.
Penyelesaian Excel
Langkah pertama dal am menyel esai kan persoal an di atas adal ah dengan
cara mel akukan transformasi vari abel dal am bentuk l ogari tma. Membentuk
vari abel l ogari tma dal am Excel rel ati f mudah yai tu dengan memasukkan
formul asi =l og(sel data) pada sel yang akan di jadi kan tujuan hasi l perhi tungan.
Sebel umnya data mentah di masukkan dal am l embar kerja Excel sebagai beri kut :
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
59
Gambar 9.1 : Entry data Model Cobb-Dougl as
Setel ah entry data di l akukan, keti ga vari abel yang ada pada kol om B, C
dan D di transformasi dal am bentuk l ogari tma. Mi sal kan transformasi keti ga
vari abel di maksud di l akukan mul ai sel E2, maka formul asi yang harus di i si
berturut-turut dapat di perhati kan dal am tampi l an sebagai beri kut ;
Gambar 9.2 : Formul a l ogari tma
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
60
Hasi l perhi tungan ni l ai l ogari tma dari vari abel output, pekerja dan modal
sel engkapnya dapat di perhati kan dal am tampl an beri kut :
Gambar 9.3 : Hasi l Perhi tungan Logari tma
Setel ah mel akukan transformasi vari abel , data dal am range E2 : G12
sudah bi sa di l akukan pengol ahan l ebi h lanjut.
Gambar 9.4 : Perhi tungan regresi transf ormasi l ogari tma
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
61
Hasi l perhi tungan sel engkapnya dapat di perhati kan dal am gambar
beri kut :
Gambar 9.5 : Hasi l perhi tungan transf ormasi l ogari tma
I nterpretasi Model
Model l ogari tma sebagai mana tel ah di bahas sebel umnya adal ah di kenal
sebagai model doubl e l og karena mengambi l ni l ai l ogari tma untuk kedua ruas
persamaan sehi ngga bai k vari abel y maupun vari abel x sama-sama di hi tung
dal am bentuk l ogari tma. Interpetasi koefi si en regresi terhadap model tersebut
adal ah di nyatakan dal am bentuk persentase sehi ngga koefi si en sl ope yang
di perol eh ti dak l ai n adal ah koefi si en el asti si tas.
Dengan demi ki an, koefi si en yang terkai t dengan juml ah pekerja (l og
pekerja) dapat di i nterpretasi kan sebagai beri kut ; dengan menganggap bahwa
juml ah modal adal ah tetap, maka peni ngkatan juml ah pekerja sebesar 1% maka
akan mengaki batkan kenai kan output sebesar 0,8% demi ki an pul a sebal i knya.
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
62
Dal am sebuah model i nt r i nsi cal l y l i near , dapat saja hanya sal ah satu
vari abel yang di transformasi dal am bentuk l ogari tma. Contoh yang cukup
popul er adal ah model pertumbuhan yang dapat di formul asi kan sebagai beri kut :
t y | o + = log
dal am hal i ni y adal ah vari abel yang akan di hi tung ti ngkat
pertumbuhannya, sedangkan t adal ah vari abel trend (mi sal 1,2,3.....n). Model
regresi di atas dapat di sebut sebagai model semi - l og. Interpretasi terhadap
koefi si en sl ope untuk model pertumbuhan i ni ti dak l ai n adal ah besarnya
pertumbuhan dari vari abel y i tu sendi ri . Katakanl ah, koefi si en i ntercept yang
di perol eh adal ah sebesar 0,5 maka i nterpretasi terhadap hasi l tersebut adal ah
bahwa seti ap satuan waktu y meni ngkat rata-rata sebesar 0,5%.
Model non-l i near l ai nnya yang seri ng di gunakan dal am anal i si s regresi
adal ah model transformasi ti mbal bal i k yang dapat di nyatakan dal am formul a
beri kut :
µ | o + |
.
|

\
|
+ =
x
y
1
Vari abel x dengan y di atas berhubungan secara terbai k. Peni ngakatan x
akan mengaki batkan penurunan pada y, namun peni ngkatan x yang sedemi ki an
besar bersi fat asi mtoti s terhadap sumbu y dal am arti bahwa y hanya akan
mendekati nol dan non-negati f.
Dal am hal persamaan yang rel ati f kompl eks, transformasi mungki n
hanya akan bersi fat pr oxy. Sebagai contoh, model fungsi produksi yang
di temukan Const ant El ast i ci t y of Subst i t ut i on (CES) dapat di nyatakan dal am
persamaan sebagai beri kut ;
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
63
| |
µ v
µ µ
o o ¸
/
) 1 (
÷
÷ ÷
÷ + = L K y
dal am hal i ni y, K dan L adal ah vari abel output, kapi tal dan tenaga kerja.
Adapun koefi si en γ , δ , ν , dan ρ masi ng masi ng adal ah parameter efi si ensi ,
di stri busi , r e t u r n t o s c a l e dan substi tusi .
Tranformasi l i near atas model di atas rel ati f rumi t. Sal ah satu cara yang
bi sa di gunakan adal ah dengan mel akukan p r o x i mel al ui deret Tayl or sehi ngga
di perol eh persamaan sebagai beri kut :
2
3 2 1 0
log log log log
(
¸
(

¸

|
.
|

\
|
+ + + =
L
K
L K y | | | |
dengan catatan bahwa :
β 0 = l o g γ
β 1 = ν δ
β 2 = ν ( 1 - δ )
β 3 = - 1 / 2 ρ ν δ ( 1 - δ )
Berdasarkan hasi l transformasi yang tel ah di l akukan maka proses
esti masi koefi si en regresi sel anjutnya dapat di l akukan mel al ui pri nsi p l e a s t s q u a r e
sebagai mana tel ah di jel askan pada bagi an sebel umnya.
Latihan Soal
Berdasarkan data yang di gunakan dal am contoh kasus model Cobb-
Dougl as, l akukanl ah :
1. Esti masi parameter regresi dengan menggunakan pendekatan model fungsi
produksi CES
2. Lakukan i nterpretasi terhadap hasi l perhi tungan
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
64
3. Bandi ngkan performance model Cobb-Dougl as dengan model CES
berdasarkan kual i fi kasi anal i si s regresi .
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
65
R Re eg gr re es si i D Du um mm my y
Variabel Kualitatif
Dal am anal i si s ekonomi , adakal anya vari abel yang akan di tel aah adal ah
bersi fat kual i tati f. Vari abel kual i tati f sebagai mi sal adal ah jeni s kel ami n,
kewarganegaraan, agama, warna kul i t dan sebagai nya. Untuk keperl uan
pengol ahan anal i si s regresi , keberadaan vari abel i ni rel ati f sul i t ji ka di ol ah secara
l angsung, sehi ngga harus di kuanti fi r terl ebi h dahul u sebel um di l akukan
perhi tungan l ebi h l anjut.
Kuanti fi kasi dari vari abel yang sejati nya adal ah berupa vari abel kual i tati f
i ni bi asanya di l akukan dengan mel akukan kodi fi kasi , mi sal kan untuk vari abel
jeni s kel ami n yang terdi ri dari dua pi l i han yai tu l aki -l aki dan perempuan.
Bi asanya l aki -l aki di beri kode 1 dan perempuan di beri kode 0. Kodi fi kasi i ni
ti dak menunjukkan bahwa l aki-l aki l ebi h superi or di bandi ngkan dengan
perempuan. Ji ka di i ngi nkan, kodi fi kasi i ni bi sa di ubah sesuai dengan tujuan
anal i si s.
Sebagai contoh, mi sal nya i ngi n di l akukan anal i si s mengenai pengaruh
perbedaan jeni s kel ami n terhadap ti ngkat gaji yang di teri ma ol eh pagawai
gol ongan tertentu pada suatu perusahaan. Maka model yang bi sa di ajukan
adal ah sebagai beri kut :
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
66
µ | o + + = D y
dal am hal i ni y adal ah ti ngkat gaji sedangkan D adal ah suatu vari abel
yang menunjukkan perbedaan jeni s kel ami n. Mengi ngat vari abel jeni s kel ami n
(l aki -l aki dan perempuan) bersi fat kategori s, maka dapat di l akukan kodi fi kasi
mi sal nya D akan berni l ai 1 untuk l aki-l aki dan berni l ai 0 untuk jeni s kel ami n
perempuan. Vari abel yang sedemi ki an l ebi h di kenal sebagai vari abel boneka
(d u m m y ). Si gni fi kansi dal am koefi si en s l o p e (koefi si en β ) akan menunjukkan
adanya perbedaan dal am gaji antara jeni s kel ami n yang berbeda.
Contoh Kasus
Sesuai dengan kasus di atas, mi sal kan data yang terkumpul adal ah
sebagai beri kut :
Gambar 10.1 : Data gaj i dan j eni s kel ami n
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
67
Berdasarkan data di atas i ngi n diketahui si gni fi kansi perbedaan antara
gaji l aki -l aki dan perempuan. Untuk i tul ah maka vari abel y yang di masukkan
adal ah vari abel gaji (kol om C) sedangkan untuk i ndependent var i abl e adal ah
dummy dari kode jeni s kel ami n (kol om D).
Gambar 10.2 : Perhi tungan regresi dummy
Perl u di perhati kan sekal i l agi bahwa vari abel jeni s kel ami n yang di entry
dal am pengol ahan adal ah vari abel dummy (kodenya) bukan kol om jeni skel ami n
(kol om B dal am Gambar 10.1). Hasi l perhi tungan untuk model di maksud dapat
di perhati kan dal am pr i nt -out sebagai beri kut :
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
68
Gambar 10.3 :Hasi l perhi tungan regresi dummy
Hasi l perhi tungan sebagai mana tel ah di tunjukkan ol eh si gni fi kansi t
stati sti k (p-val ue) koefi si en dummy (kode) sebesar 0,01575 di bawah l evel
si gni fi kansi konvensi onal 0,05 yang berarti bahwa koefi si en sl ope adal ah
si gni fi kan. Dengan demi ki an perbedaan gaji antara pegawai l aki-l aki dan
perempuan adal ah bersi fat nyata.
Kategori dummy
Banyaknya vari abel dummy yang dapat di sertakan dal am suatu model
adal ah tergantung dari banyaknya kel as atau kategori yang terdapat dal am
vari abel di maksud. Dal am contoh sebel umnya, vari abel jeni s kel ami n terdi ri dari
dua kategori yai tu l aki -l aki dan perempuan dan juml ah vari abel dummy yang
di gunakan adal ah hanya satu.
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
69
Apabi l a kategori yang di mi l i ki ol eh sebuah vari abel l ebi h dari dua, maka
vari abel dummy yang harus di buat juga harus l ebi h banyak. Sebagai aturan baku,
ji ka suatu vari abel kual i tati f memi l i ki m juml ah kategori maka vari abel dummy
yang harus di buat adal ah sebanyak m-1.
Sebagai contoh mi sal kan contoh kasus di atas, vari abel penjel as dari gaji
di pi l i h ti ngkat pendi di kan yang terdi ri dari ti ga kel as atau kategori yai tu tamat
SD, tamat SMP dan tamat SMU. Maka vari abel dummy yang harus di bentuk
adal ah sebanyak 2 buah, dengan ketentuan mi sal nya ;
D1 = berni l ai 1 untuk tamat SMU dan 0 untuk l ai nnya
D2 = berni l ai 1 untuk tamat SMP dan 0 untuk l ai nnya
Susunan data untuk kasus di atas dapat di tampi l kan sebagai beri kut ;
Gambar 10.4 : Data dummy ti ga kategori
Pengol ahan data anal i si s regresi untuk model di atas ti dak jauh berbeda
dengan proses perhi tungan model sebel umnya. Secara l angsung, tampi l an
pengol ahan data untuk kasus i ni dapat di perhati kan dal am gambar sebagai
beri kut ;
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
70
Gambar 10.5 : Perhi tungan model dummy ti ga kategori
Hasi l perhi tungan menggunakan dummy ti ngkat pendi di kan dengan
kategori tamat SMU, SMP dan SD dapat di perhati kan dal am Gambar 7.6.
Berdasarkan hasi l perhi tungan di maksud maka jeni s pendi di kan ti dak memi l i ki
pengaruh yang si gni fi kan terhadap adanya perbedaan gaji karyawan.
Koefi si en sl ope dummy D 1 dan D 2 masi ng-masi ng memi l i ki probabi l i ta (p-
val ue) di atas l evel 0,05. Ti dak seperti vari abel jeni s kel ami n, vari abel ti ngkat
pendi di kan ternyata ti dak berpengaruh penti ng terhadap adanya perbedaan gaji .
Hasi l sel engkapnya dapat di perhati kan sebagai beri kut ;
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
71
Gambar 10.6 : Hasi l perhi tungan dummy ti ga kategori
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
72
M Mo od de el l D Du um mm my y D Du ua a V Va ar ri ia ab be el l
Regresi Dua Variabel Kualitatif
Sejauh i ni vari abel i ndependent untuk model dummy hanya terdi ri dari
satu vari abel kual i tati f. Mi sal kan terdapat dua vari abel penjel as vari abel gaji
yai tu jeni s kel ami n dan status pegawai yang terdi ri dari pegawai l ama dan
pegawai baru. Dal am hal i ni proses perhi tungan masi h bi sa di l akukan
sebagai mana bi asanya. Hanya saja, mel al ui model semacam i ni i nterpretasi dari
model dapat di l akukan secara parsi al sesuai dengan kategori yang terdapat
dal am vari abel penjel as.
Untuk memperjel as, mi sal kan model di maksud dapat di gambarkan
sebagai beri kut :
2 2 1 1
D D y | | o + + =
dal am hal i ni y adal ah gaji dan
D1 = 1 untuk l aki -l aki
= 0 untuk perempuan
D2 = 1 untuk pegawai l ama
= 0 untuk pegawai baru
Maka dari model di atas dapat di pecah menjadi beberapa hasi l sebagai
beri kut :
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
73
1. Rata-rata gaji pegawai perempuan yang baru adal ah
o = y
2. Rata-rata gaji pegawai perempuan yang l ama adal ah
2
| o + = y
3. Rata-rata gaji pegawai l aki -l aki yang baru adal ah
1
| o + = y
4. Rata-rata gaji pegawai l aki -l aki yang l ama adal ah
2 1
| | o + + = y
Untuk memperjel as maka data tentang gaji pegawai di sertai dengan jeni s
kel ami n serta status pegawai berdasarkan l amanya bekerja dapat di perhati kan
dal am Gambar 11.1 Entry data juga tel ah menjel askan perbedaan kategori sesuai
dengan maksud vari abel sebagai mana di jel askan di atas.
Gambar 11.1 : Data gaj i , j eni s kel ami n dan status
Berdasarkan model serta data sebel umnya dapat di l akukan proses
perhi tungan dengan hasi l akhi r yang dapat di tampi l kan sebagai beri kut :
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
74
Gambar 11.2 : Pri nt-out model dua vari abel kual i tati f
Latihan Soal
Dengan menggunakan dasar l evel si gni fi kansi 10%, i nterpretasi kan hasi l
perhi tungan model regresi pada Gambar 7.8 dan tentukan :
1. Rata-rata gaji pegawai perempuan yang baru adal ah
2. Rata-rata gaji pegawai perempuan yang l ama adal ah
3. Rata-rata gaji pegawai l aki -l aki yang baru adal ah
4. Rata-rata gaji pegawai l aki -l aki yang l ama adal ah
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
75
M Mo od de el l P Pr ro ob ba ab bi il li it ta as s L Li in ne ea ar r
Variabel Tergantung Kualitatif
Pada bagi an sebel umnya tel ah di jel askan bahwa vari abel kual i tati f secara
pri nsi p tetap bi sa di ol ah dengan pendekatan anal i si s regresi. Keberadaan
vari abel i ni bi sa di waki l i ol eh vari abel boneka atau vari abel dummy. Sejauh i ni
dummy var i abl es di jel askan kedudukannya sebagai vari abel penjel as (vari abel
bebas, x).
Pada dasarnya, vari abel kual i tati f bi sa saja terl etak pada si si dependent
var i abl e (vari abel tergantung, y). Dengan demi ki an vari abel tergantung bersi fat
kategori s, mi sal kan ya atau ti dak, memi l i ki atau ti dak memi l i ki , ada atau ti dak
ada dan l ai n-l ai n. Bahkan bi sa saja kategori vari abel tergantung terdi ri dari l ebi h
dari dua mi sal kan kurang, cukup dan bai k.
Model Probabilitas Linear
Sal ah satu pendekatan yang dapat di gunakan untuk menyusun model
regresi dengan vari abel dependen yang bersi fat kual i tati f mi sal nya mel al ui
contoh sebagai beri kut :
µ | o + + = X Y
dal am hal ini :
X adal ah ti ngkat pendapatan dan
Y adal ah 1 ji ka memi l i ki rumah dan
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
76
0 ji ka ti dak memi l i ki rumah
Model di atas seri ng di sebut sebagai model probabi l i tas l i near karena
menggambarkan harapan matemati s dari Y yai tu E ( Y / X ) untuk seti ap X tertentu.
Dal am contoh di atas dapat di katakan bahwa E ( Y / X ) adal ah probabi l i tas
seseorang memi l i ki rumah di kai tkan dengan ti ngkat pendapatan, X , tertentu.
Berdasarkan defi ni si tersebut di atas, di stri busi dari Y terl etak antara 0
hi ngga 1, dengan memi sal kan P = probabi l i tas bahwa Y = 1 (memi l i ki ) dan 1 – P
= probabi l i tas bahwa Y = 0 (ti dak memi l i ki ) , maka dapat di nyatakan :
E (Y ) = 0(1 – P ) + 1(P )
= P
Secara umum model i ni dapat di rangkum dal am persamaan ;
P X X Y E = + = | o ) / ( dengan batasan
1 ) / ( 0 s s X Y E
Ji ka di tel aah l ebi h jauh, si fat dari e r r o r t e r m dari model i ni secara teori ti s
mengal ami masal ah heteroskedasti si tas. Dapat di jel askan bahwa ;
) 1 )( ( ) (
2
X X E | o | o c ÷ ÷ + =
| | ) ( 1 ( ) ( Y E Y E ÷ =
) 1 ( P P ÷ =
Untuk mengatasi masal ah i ni , perl u di l akukan transformasi vari abel
dengan menambahkan bobot ) 1 ( P P ÷ atau w sehi ngga model dasar
probabi l i tas l i near dapat di susun sebagai beri kut :
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
77
w w
X
w w
Y µ
|
o
+ + =
Penerapan OLS dal am kasus i ni secara teori ti s tel ah di benarkan.
Meski pun demi ki an dal am prakti k, permasal ahan seri us yang kerap di jumpai
dal am model i ni adal ah probabi l i tas bersyarat yang di esti masi (pr edi ct ed) ti dak
terl etak antara 0 dan 1. Secara prakti s, ji ka ni l ai pr edi ct ed adal ah negati f dapat
di anggap sama dengan nol dan ji ka ni l ai pr edi ct ed di atas 1 maka di anggap sama
dengan satu.
Contoh Kasus
Beri kut di beri kan data tentang kepemi l i kan rumah dari 10 kepal a
kel uarga serta ti ngkat pendapatan rata-rata dal am satu hari (ri buan rupi ah).
No Pendapatan Kepemilikan Rumah
1 60 tidak
2 80 tidak
3 100 tidak
4 130 tidak
5 150 tidak
6 200 ya
7 250 ya
8 300 ya
9 350 ya
10 400 ya
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
78
Berdasarkan data di atas, buatl ah model probabi l i tas l i near dengan
memberi kan kode 0 bagi kel uarga yang ti dak memi l i ki rumah dan 1 bagi yang
memi l i ki rumah.
Penyelesaian Excel
Data pada contoh kasus dapat di susun dal am l embar Excel sebagai
beri kut :
Gambar 12.1 : Data model kepemi l i kan rumah
Mel al ui menu Tool s dan memi l i h opsi Data Anal ysis, perhi tungan model
dapat di l akukan dengan pendekatan regresi bi asa. Prosesnya dapat di perhati kan
dal am tampi l an sebagai beri kut :
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
79
Gambar 12.2 : Perhi tungan model probabi l i tas l i near
Gambar 12.3 : Hasi l perhi tungan model probabi l i tas l i near
Ni l ai predi ksi Y atau probabi l i tas kepemi l i kan dari rumah adal ah sebagai
beri kut :
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
80
Gambar 12.4 : Predi cted probabi l i tas l i near
Sebagai mana dapat di perhati kan dal am gambar di atas, ni l ai predi ksi atau
probabi l i tas ada yang memi l i ki ni l ai di l uar range 0 hi ngga 1. Hal i ni
mengaki batkan kesul i tan dal am membuat i nterpretasi terhadap model .
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
81
M Mo od de el l L Lo og gi it t
Konsep Dasar Model Logit
Kel emahan mendasar dari model probabi l i tas l i near adal ah i nkonsi stensi
hasi l predi ksi dengan ni l ai probabi l i tas yang di tunjukkan dari ni l ai predi ksi yang
berada di l uar range 0 hi ngga 1. Untuk mengatasi hal i ni , maka perl u di susun
al ternati f model yang menjami n ni l ai probabi l i tas Y berada pada range 0 hi ngga
1, sal ah satunya adal ah model l ogi t.
Secara konsep, model l ogi t dapat di formul asi kan sebagai beri kut :
µ | o + + = |
.
|

\
|
÷
= X
P
P
L
1
ln
Model di atas menyatakan bahwa l ogari tma probabi l i tas dari suatu atri but
tergantung atas vari abel bebas tertentu (X). Kai tannya dengan contoh kasus yang
tel ah di beri kan sebel umnya, di perl ukan data yang l ebi h l uas mengenai juml ah
kel uarga yang sel uruhnya (N )serta juml ah kel uarga yang ti dak memi l i ki rumah
(n) dal am ti ap ti ngkat pendapatan. Probabi l i tas (P) di susun berdasarkan rasi o
antara juml ah kel uarga yang ti dak memi l i ki rumah dengan juml ah kel uarga
sel uruhnya, yai tu : P = n/ N
Sel engkapnya perhati kan data beri kut :
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
82
Gambar 13.1 : Data model l ogi t
Untuk menghi ndari masal ah heteroskedasti si tas, vari abel dal am model
l ogi t sebel umnya dapat di beri kan bobot g yang di perol eh dari formul a =
) 1 ( P NP ÷ sehi ngga nanti nya vari abel L dan X nanti nya masi ng-masi ng
di kal i kan dengan bobot di maksud sebel um di ol ah dengan pendekatan l east
squar e bi asa. Dengan demi ki an terl ebi h dahul u di bentuk vari abel L* = L g dan
X * = X g .
Pengol ahan data awal untuk persi apan model l ogi t dapat di perhati kan
dal am i l ustrasi sebagai beri kut :
Gambar 13.2 : Formul a perhi tungan awal model l ogi t
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
83
Gambar 13.3 : Hasi l perhi tungan awal model l ogi t
Berdasarkan hasi l perhi tungan awal , vari abel L* dan X * masi ng-masi ng
bi sa l angsung di anal i si s dengan menggunakan pendekatan OLS, prosesnya
dapat di perhati kan sebagai beri kut :
Gambar 13.4 : Proses OLS model l ogi t
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
84
Gambar 13.5 : Hasi l perhi tungan model l ogi t
Latihan Soal
Berdasarkan hasi l perhi tungan yang di perol eh dal am model l ogi t,
jel askan :
1. Interpretasi hasi l perhi tungan model l ogi t
2. Perbandi ngan antara performa model probabi l i tas l i near dengan model l ogi t.
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
85
M Mo od de el l A Au ut to or re eg gr re es si i
Konsep Dasar
Model autoregresi di defi ni si kan sebagai model yang mengandung l agged
dependent var i abl e sebagai vari abel penjel as. Model semacam i ni seri ng
berhubungan dengan aspek di nami s dari suatu model . Secara formul ati f, bentuk
sederhana dari model autoregresi f adal ah sebagai beri kut :
µ | | | + + + =
÷1 2 1 0 t t t
Y X Y
Distributed lag
Dal am real i tas ekonomi , efek dari perubahan suatu vari abel terhadap
vari abel l ai nnya terjadi ti dak secara seketi ka akan tetapi memerl ukan beberapa
waktu. Dengan demi ki an pengaruh dari vari abel X terhadap Y ji ka di ti njau dari
di mensi waktu bi sa saja di rumuskan sebagai beri kut :
µ | | | o + + + + + =
÷ ÷
.......
2 2 1 1 0 t t t t
X X X Y
Model di nami s seperti di atas l ebi h di kenal sebagai di st r i but ed l ags model .
Probl em seri us dal am model semacam i ni adal ah ti dak tentunya panjang t i me l ag
yang harus di perhi tungkan agar koefi si en dal am model bi sa di esti masi . Sal ah
satu pendekatan yang cukup popul er adal ah yang di usul kan ol eh LM Koyck
dengan mengasumsi kan bahwa koefi si en | memi l i ki tanda yang sama dan
menurun secara geometri s sei ri ng panjangnya l ag sehi ngga bi sa di gambarkan
dal am formul a beri kut :
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
86
k
k
ì | |
0
= dengan k = 0,1,2......
Koefi si en ì di kenal sebagai ti ngkat penurunan dari l ag yang ni l ai nya 1 0 < < ì
Dengan memperhati kan konsep pel uruhan | , maka persamaan
di stri buted l ag dapat di susun kembal i sebagai beri kut :
t t t t t
X X X Y µ ì | ì | | o + + + + + =
÷ ÷
.....
2
2
0 1 0 0
Bentuk l ag satu peri ode untuk model di atas adal ah :
1 3
2
0 2 0 1 0 1
....
÷ ÷ ÷ ÷ ÷
+ + + + + =
t t t t t
X X X Y µ ì | ì | | o
Apabi l a persamaan di atas di kal i kan dengan dengan ì maka :
1 3
3
0 2
2
0 1 0 1
...
÷ ÷ ÷ ÷ ÷
+ + + + + =
t t t t t
X X X Y ì µ ì | ì | ì | ì o ì
Kurangi persamaan di stri buted l ag dengan persamaan di atas maka akan
di perol eh :
) ( ) 1 (
1 0 1 ÷ ÷
÷ + + ÷ = ÷
t t t t t
X Y Y ì µ µ | ì o ì
Ji ka di susun kembal i akan di perol eh :
t t t t
Y X Y v ì | ì o + + + ÷ =
÷1 0
) 1 (
Model terakhi r yang di bentuk dari di stri buted l ag model pada akhi rnya berubah
menjadi model autoregresi f.
Model Ekspektasi
Peran ekspektasi dal am khasanah ekonomi menjadi hal yang sangat
penti ng. Ol eh karena i tu model ekonometri ka seri ng memasukkan vari abel
ekspektasi secara ekspl i si t dal am model . Perhati kan bentuk beri kut :
c | o + + = t
t
X Y
*
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
87
Dal am model di atas, vari abel penjel as X bukanl ah vari abel aktual akan tetapi
vari abel ekspektasi , X
*
. Hi potesi s ekspektasi adapti f dapat di formul asi kan
sebagai beri kut :
), ( 1
*
1
* *
÷ ÷ ÷ = ÷ t
t
t
t
X X X X | dengan 1 0 < < |
| adal ah koefi si en ekspektasi
Persamaan di atas dapat di susun sebagai beri kut ;
1
* *
) 1 ( ÷ ÷ + = t
t
t X X X | |
Ji ka ni l ai 1 = | maka ni l ai ekspektasi akan akan sama dengan ni l ai aktual ,
dal am arti terjadi penyesuai an penuh. Sebal i knya ji ka 0 = | maka ti dal terdapat
penyesuai an sehi ngga ekspektasi bersi fat stati k. Secara normal , ni l ai
| di harapkan berada di antara 0 dan 1.
Substi tusi vari abel ekspektasi terhadap model utama akan di perol eh :
| |
t
t
t t
X X Y c | | | o + ÷ + + = ÷1
*
) 1 (
Ji ka model c | o + + = t
t
X Y
*
di susun dal am l ag satu peri ode, kemudi an
mengal i kannya dengan 1 - | dan mengurangi nya dengan
| |
t
t
t t
X X Y c | | | o + ÷ + + = ÷1
*
) 1 ( , maka akan di perol eh :
t t t t
v Y X Y + ÷ + + =
÷1
) 1 ( | | | | o
Model ekspektasi di atas secara fungsi onal adal ah berupa model autoregresi f
karena memi l i ki vari abel penjel as berupa vari abel dependend dengan l ag peri ode
sebel umnya.
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
88
Berdasarkan pembahasan sebel umnya dapat di katakan bahwa
keberadaan model autoregresi f timbul karena tuntutan teori ti s. Seti daknya ada
dua contoh yang mel atari penggunaan model i ni yai tu keperl uan untuk
membentuk model di nami s serta penggunaan unobser ve var i abl es berupa vari abel
ekspektasi yang muncul sebagai konsekwensi dari teori ekonomi .
Estimasi Parameter
Meski pun penggunaan model autoregresi f cukup menari k, akan tetapi
esti masi terhadap koefi si en regresi untuk model i ni ti dak bi sa l angsung
menggunakan pendekatan OLS bi asa. Hal i ni mengi ngat karena unsur gangguan
dal am model i ni ti dak l agi i ndependent terhadap vari abel dependent , sehi ngga
koefi si en regresi OLS akan mengal ami bi as dan i nkonsi sten. Sel ai n dari pada i tu,
Thomas (1997) mengi ngatkan bahwa untuk kasus model semacam i ni bi sa terjadi
cont empor aneosl y uncor r el at ed yang mengaki batkan esti masi tetap bi as meski pun
konsi sten.
Terdapat beberapa cara untuk mengatasi masal ah penaksi ran untuk
model i ni , sal ah satunya adal ah dengan menggunakan metode vari abel
i nstrumental . Menurut pendekatan i ni esti masi OLS bi sa di l akukan dengan dua
tahap. Untuk mengetahui secara detai l , beri kut i l ustrasi contoh penggunaan
model autoregresi f dal am kasus permi ntaan akan uang.
Contoh Kasus
Secara teori ti s, permi ntaan akan uang sal ah satunya di tentukan ol eh
pendapatan. Dal am hal i ni ti ngkat pendapatan yang di maksud adal ah ti ngkat
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
89
pendapatan dal am jangka panjang atau ti ngkat pendapatan yang di harapkan.
Apabi l a di susun kembal i , maka model di maksud bi sa di tul i skan sebagai beri kut
c | o + + = t
t
X Y
*
dal am hal i ni Yt adal ah juml ah uang beredar sedangkan X * adal ah
pendapatan yang di harapkan. Dengan mengi kuti proses mani pul asi matemati s
untuk model i ni maka model esti masi bi sa di saji kan dal am bentuk :
t Y X Y
t t t
v t t t + + + =
÷1 2 1 0
Mengi ngat permasal ahan yang sebel umnya tel ah di bahas, maka
penggunaan OLS secara l angsung tidak di benarkan. Sebagai jal an kel uarnya,
vari abel Yt -1 dapat di ganti dengan vari abel i nstrumental sehi ngga nanti nya akan
di perol eh model :
t Y X Y
t t t
v t t t + + + =
÷1 2 1 0
ˆ
Dal am praktek, vari abel i nstrumental i ni dapat di hasi l kan dari predi cted
Yt-1 mel al ui regresi Yt-1 dengan vari abel penjel as yang representati f. Ji ka juml ah
uang beredar sangat erat kai tannya dengan pendapatan, maka usul an model
untuk mencari vari abel i nstrumen adal ah dengan mel akukan regresi :
1 1 ÷ ÷
+ =
t t
X Y 0 o
Sel anjunya predi ksi dari model di atas bi sa di jadi kan vari abel bebas untuk
sel anjutnya dapat di l akukan pengol ahan data mel al ui OLS tahap ke dua.
Penyelesaian Excel
Untuk memperjel as, mi sal kan tersedi a data juml ah uang beredar (JUB),
ti ngkat pendapatan dan juml ah uang beredar tahun sebelumnya dal am gambar
beri kut :
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
90
Gambar 14.1 : Data model autoregresi f
Langkah pertama untuk menyel esai kan permasl ahan i ni adal ah mencari
ni l ai pr edi ct ed untuk vari abel juml ah beredar untuk tahun sebel umnya mel al ui
regresi vari abel di maksud dengan vari abel income l ag 1.
Gambar 14.2 : Proses OLS tahap pertama
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
91
Sambi l l al u di perhati kan bahwa pi l i han resi dual harus di pi l i h agar ni l ai
predi ksi dari vari abel Y t-1 bi sa di perol eh. Ni l ai predi ksi dari JUB l ag satu peri ode
(Pr edi ct ed JU B-1) dari model di atas adal ah sebagai beri kut :
Gambar 14.3 : Predi cted JUB-1
Langkah sel anjutnya adal ah memi ndahkan data pr edi ct ed JU B-1 pada data
utama sehi ngga dapat di susun data sebagai beri kut :
Gambar 14.4 : Data untuk OLS tahap I I
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
92
Langkah sel anjutnya adal ah mengol ah kembali data tersebut dengan
menggunakan pendekatan OLS bi asa.
Gambar 14.5 : Perhi tungan OLS tahap kedua
Gambar 14.6 : Hasi l perhi tungan model autoregresi f
Latihan Soal
Berdasarkan data yang tel ah tersedi a sebel umnya, l akukan :
1. Pembuatan model autoregresi f dengan mengambi l ni l ai l ogari tma pada
seti ap vari abel yang di tel i ti .
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
93
2. Ul angi l angkah di atas dengan menambah vari abel penjel as pasa saat
membuat predi ksi JUB, mi sal kan dengan menambahkan ti ngkat suku bunga.
3. Interpretasi hasi l perhi tungan berdasarkan konsep ekonomi yang rel evan.
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
Daf tar I si
Sesi 1.............................................................................................................................1
Regresi Sederhana.......................................................................................................1
Defi ni si ......................................................................................................................1
Model Regresi Sederhana........................................................................................1
Esti masi Parameter...................................................................................................3
Sesi 2...........................................................................................................................11
Korel asi dan Determi nasi ........................................................................................11
Vari asi .....................................................................................................................11
Koefi si en Korel asi ...................................................................................................11
Koefi si en Determi nasi ............................................................................................14
Standard Error Predi ksi .........................................................................................19
Sesi 3...........................................................................................................................21
Penguj i an Secara Stati sti k........................................................................................21
Inferensi al Stati sti k.................................................................................................21
Standar Error Koefi si en Regresi ............................................................................22
Sesi 4...........................................................................................................................25
Uj i Koef i si en I ndi vi dual dan Si mul tan..................................................................25
Uji Si gni fi kansi t .....................................................................................................25
Uji Si gni fi kansi F ....................................................................................................25
Sesi 5...........................................................................................................................32
Asumsi Normal i tas ...................................................................................................32
Peri l aku Unsur Gangguan.....................................................................................32
Asumsi Normal i tas ................................................................................................33
Sesi 6...........................................................................................................................36
Asumsi Homoskedasti si tas......................................................................................36
Asumsi Homoskedasti si tas ...................................................................................36
Sesi 7...........................................................................................................................40
Asumsi Autokorel asi ................................................................................................40
Asumsi Autokorel asi ..............................................................................................40
Sesi 8...........................................................................................................................45
Regresi Mul ti pel ........................................................................................................45
Spesi fi kasi Regresi Mul ti pel ..................................................................................45
Regresi Mel al ui Menu Tool s..................................................................................48
Sesi 9...........................................................................................................................56
Regresi Non Li near ...................................................................................................56
Li neari tas Koefi si en dan Vari abel .........................................................................56
Interpretasi Model ..................................................................................................61
Sesi 10.........................................................................................................................65
Regresi Dummy.........................................................................................................65
Vari abel Kual i tati f ..................................................................................................65
Kategori dummy ......................................................................................................68
Sesi 11.........................................................................................................................72
Model Dummy Dua Vari abel ..................................................................................72
Regresi Dua Vari abel Kual i tati f.............................................................................72
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details
Sesi 12.........................................................................................................................75
Model Probabi l i tas Li near .......................................................................................75
Vari abel Tergantung Kual i tati f .............................................................................75
Model Probabi l i tas Li near .....................................................................................75
Sesi 13.........................................................................................................................81
Model Logi t................................................................................................................81
Konsep Dasar Model Logi t ....................................................................................81
Sesi 14.........................................................................................................................85
Model Autoregresi ....................................................................................................85
Konsep Dasar ..........................................................................................................85
D i st r i but ed l ag..........................................................................................................85
Model Ekspektasi ...................................................................................................86
Esti masi Parameter.................................................................................................88
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

This document was created with free TRIAL version of eXPert PDF.This watermark will be removed after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

β0 = intercept / constant β1 = slope coefficient

 = disturbance / unsur gangguan
Karakteristik dari model regresi yang membedakannya dengan model matematika adalah adanya unsur gangguan ( ) yang menunjukkan bahwa hubungan hubungan Y dengan X tidaklah deterministik atau eksak melainkan bersifat stokastik atau probabilistis. Dalam realitas sosial, ekonomi dan bisnis unsur ketidakpastian merupakan sesuatu yang lumrah terjadi. Koefisien β0 dan β1 tidak bisa ditentukan secara langsung namun melalui estimasi setelah diperoleh beberapa sampel data untuk Y dan X. Oleh karena itu menentukan koefisien regresi nantinya didasarkan pada mekanisme inferensial statistik. Dengan mengasumsikan nilai dan sifat dari unsur gangguan (asumsi klasik), maka perkiraan/ estimasi koefisien regresi akan diperoleh. Untuk itulah maka model regresi sebelumnya (sering dikenal sebagai regresi populasi) dalam praktek akan diestimasi oleh model sebagai berikut : Y = b0 + b1X + e Dalam hal ini, estimasi dilakukan melalui persamaan garis linear :

ˆ Y  b0  b1 X
Tanda hat (^) dalam notasi diatas mengandung arti estimasi. Adapun e atau lebih dikenal sebagai error term atau residual yang merupakan representasi dari  dengan demikian merupakan selisih antara Y dari data aktual dengan Y estimasi, yaitu :

2

This document was created with free TRIAL version of eXPert PDF.This watermark will be removed after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

ˆ e Y  Y

Estimasi Parameter
Langkah selanjutnya setelah pemodelan adalah melakukan estimasi atas parameter atau koefisien regresi. Metode estimasi yang paling populer digunakan adalah Least Square atau lebih dikenal sebagai Ordinary Least Square (OLS). Secara teknis, prinsip OLS adalah menemukan nilai koefisien b0 dan b1 sedemikian rupa sehingga jumlah kuadrat residual (∑e2) adalah minimum. Dengan menggunakan optimasi melalui differensial, syarat minimize ∑e2 akan dicapai pada saat turunan pertama dari ∑e2 kaitannya dengan masingmasing koefisien regresi yang dicapai adalah sama dengan nol. Secara notasi dapat dijelaskan :

ˆ e 2  (Y  Y ) 2
atau

e 2  (Y  b0  b1 X ) 2
Turunan pertama dari persamaan diatas adalah :

e 2   2(Y  b0  b1 X ) b0
dan

e 2   2(Y  b0  b1 X ) X b1
Dengan menyamakan kedua persamaan terakhir dengan nol maka akan diperoleh persamaan normal sebagai berikut :

3

1 2 3 4 5 6 Y 40 38 43 45 37 43 X 10 12 13 12 16 15 Tentukan nilai koefisien b0 dan b1 4 .This watermark will be removed after purchasing the licensed full version of eXPert PDF.This document was created with free TRIAL version of eXPert PDF. Adapun x dan y masing-masing didefinisikan sebagai ( X  X ) dan (Y  Y ) .visagesoft.com for more details ∑Y = Nb0 + b1∑X ∑YX = b0∑X + b1∑X2 Pemecahan persamaan normal secara simultan akan memperoleh : b1  NXY  XY NX  (X ) 2 ( X  X )(Y  Y ) ( X  X ) 2 xy x 2   dalam hal ini X dan Y masing-masing adalah rata-rata sampel dari X dan Y. Please visit www. Sementara itu koefisien intercept (b0) dapat diperoleh melalui formulasi : b0  Y  b1 X Contoh Kasus Suatu model regresi standar Y = b0 + b1X + e dengan data Y dan X sebagai berikut : No.

25 x 13) = 44. sedangkan b1 dikenal sebagai slope.0. kolom X) sedangkan 5 .This watermark will be removed after purchasing the licensed full version of eXPert PDF.com for more details Langkah pertama supaya mempermudah penyelesaian adalah menyusun kembali data dalam soal dalam bentuk lembar kerja sesuai dengan komputasi yang diperlukan sebagai berikut : Y 40 38 43 45 37 43 ∑Y = 246 y -1 -3 2 4 -4 2 y2 1 9 4 16 16 4 ∑y2= 50 X 10 12 13 12 16 15 ∑X = 78 x -3 -1 0 -1 3 2 x2 9 1 0 1 9 4 ∑x2 = 24 xy 3 3 0 -4 -12 4 ∑xy=-6 Nilai rata-rata Y atau Y = 246/6 = 41 sedangkan nilai X adalah sebesar 78/6 = 13.This document was created with free TRIAL version of eXPert PDF.25 – 0.visagesoft.25 b0  Y  b1 X = 41 – (.0.25X Penyelesaian Excel Dalam Microsoft Excel koefisien b0 dikenal sebagai intercept. Rata-rata tersebut bisa digunakan untuk memperoleh masing-masing nilai y dan x.25 dengan demikian diperoleh persamaan regresi : Y = 44. koefisien b0 secara langsung bisa dicari melalui fungsi =INTERCEPT(kolom Y. Berdasarkan formula sebelumnya dapat dihitung nilai b1 dan b0 adalah : b1  xy x 2 = -6/24 = . Untuk kasus regresi sederhana. Please visit www.

Tekan Enter untuk mengeksekusi perintah maka hasilnya akan nampak sebagai berikut : Hasil perhitungan Gambar 1. kolom X). 6 .1 : Formula Excel untuk intercept dan slope Formula b0 diketik pada sel B8 sedangkan formula b1 diketik pada sel B9.visagesoft.This document was created with free TRIAL version of eXPert PDF.This watermark will be removed after purchasing the licensed full version of eXPert PDF.2 : Hasil perhitungan intercept dan slope Hasil perhitungan menunjukkan bahwa baik secara manual maupun dengan software pada akhirnya akan mendapatakan nilai yang sama. Please visit www. maka disajikan capture Excel sebagai berikut : Klik satu kali untuk memunculkan jendela Insert Gambar 1. Untuk memperjelas proses perhitungan.com for more details koefisien b1 bisa dicari melalui fungsi =SLOPE(kolom Y.

Pada Gambar 1.This watermark will be removed after purchasing the licensed full version of eXPert PDF.visagesoft. Berikut langkah cepat untuk menghitung b0. Pilih satu satu sel yang akan ditempati sebagai hasil perhitungan.1 secara eksplisit telah ditunjukkan untuk melakukan klik kiri guna memunculkan jendela Insert Function. kemudian cari INTERCEPT dalam kotak select a function. Selanjutnya klik OK untuk memperoleh jendela sebagai berikut : 7 . Setelah icon fx di klik maka akan muncul jendela : Pilih Statistical Gambar 1. misalnya dalam hal ini adalah sel B8.This document was created with free TRIAL version of eXPert PDF.3 : Insert Function Intercept Pilih katagori Statistical. Please visit www.com for more details Keuntungan penggunaan dalam hal ini adalah waktu perhitungan yang relatif cepat dengan presisi (tingkat ketepatan) yang tinggi dibandingkan dengan perhitungan secara manual.

visagesoft. Hasil sementara perhitungan akan nampak pada konfirmasi formula result.This watermark will be removed after purchasing the licensed full version of eXPert PDF.com for more details Gambar 1. Klik OK. Akan tetapi dalam jendela Insert Function. Selanjutnya untuk menghitung koefisien b1. Please visit www. secara prinsip tidak memiliki perbedaan dengan perhitungan b0. Hasil perhitungan akan nampak pada sel B8. masukkan data X pada kotak Known_x’s. Dengan logika yang sama. Visualisasi Excel untuk kasus ini bisa diperhatikan dalam halaman berikut : 8 . misalnya B9. Sebelumnya tentukan terlebih dahulu sel yang akan ditempati sebagai hasil perhitungan. jika sudah sesesai melakukan entri data. fungsi yang dipilih adalah SLOPE.4 : Function Arguments Intercept Isi kotak Known_y’s dengan data Y dengan cara melakukan drag dari sel B2 hingga sel B7.This document was created with free TRIAL version of eXPert PDF.

com for more details Gambar 1.6 : Function Arguments Slope Latihan Soal Buatlah estimasi model fungsi konsumsi makro ekonomi Keynesian dengan data sebagai berikut : 9 . Please visit www.This watermark will be removed after purchasing the licensed full version of eXPert PDF.This document was created with free TRIAL version of eXPert PDF.5 : Insert Function Slope Gambar 1.visagesoft.

Please visit www.This document was created with free TRIAL version of eXPert PDF. Besarnya autonomous consumption ? 2.visagesoft.This watermark will be removed after purchasing the licensed full version of eXPert PDF. Besarnya Marginal Propensity to Consume (MPC) ? 10 .7 : Data konsumsi dan pendapatan Berdasarkan estimasi model yang dibuat tentukan : 1.com for more details Gambar 1.

Pada dasarnya koefisien korelasi dihitung berdasarkan kovarians antar variabel yang diuji.visagesoft.com for more details Sesi 2 Korelasi dan Determinasi Variasi Dalam literatur statistik. katakanlah Y.This document was created with free TRIAL version of eXPert PDF. dikenal kovarians yang didefinisikan sebagai : yx  (Y  Y )( X  X ) Analisis varians memegang peran sentral dalam studi asosiatif. Please visit www. Dua variabel dikatakan berkorelasi jika kovarian (cov) antar dua variabel tersebut adalah tidak sama dengan nol. Variasi suatu variabel. dapat dinyatakan sebagai berikut : ∑y2 = ∑ (Y  Y ) 2 Variasi dibagi dengan derajat kebebasan (degree of feedom.This watermark will be removed after purchasing the licensed full version of eXPert PDF. Koefisien Korelasi Untuk mengetahui hubungan antar dua atau lebih variabel. Jika menyangkut dua variabel. df) yang sesuai dikenal sebagai sebagai varians. Secara definitif koefisien korelasi (r) antar variabel X dan Y dapat dirumuskan sebagai berikut : 11 . secara luas digunakan analisis korelasi. termasuk dalam analisis korelasi dan analisis regresi. istilah variasi berarti jumlah kuadrat simpangan suatu variabel dari nilai rata-ratanya.

Jika koefisien korelasi mendekati nol maka hubungan antar variabel yang diuji semakin lemah. Semakin erat korelasi antar variabel maka koefisien korelasinya akan semakin mendekati -1 atau +1. Korelasi positif akan ditandai oleh nilai koefisien yang positif.com for more details r cov( X . Y ) var( X ) var(Y ) Nilai koefisien korelasi berkisar antara -1 sampai +1. Please visit www.This watermark will be removed after purchasing the licensed full version of eXPert PDF. hitunglah koefisien korelasi antar dua series data diatas. begitu pula sebaliknya. tentukan sel tempat hasil perhitungan koefisien korelasi. Contoh Kasus Dua buah series data terhitung sebagai berikut : No. Setelah data disiapkan. data terlebih dahulu disiapkan dalam worksheet tertentu pada program Microsof Excel.visagesoft. Selanjutnya klik icon function fx dan pilihlah sesuai tampilan berikut : 12 .This document was created with free TRIAL version of eXPert PDF. Penyelesaian Excel Seperti biasanya sebelum pengolahan data dilakukan. 1 2 3 4 5 6 7 X 12 9 8 10 11 13 7 Y 14 8 6 9 11 12 3 Berdasarkan data diatas.

com for more details Gambar 2.This watermark will be removed after purchasing the licensed full version of eXPert PDF.This document was created with free TRIAL version of eXPert PDF.1 sebelumnya dijelaskan bahwa fungsi korelasi dalam Excel adalah CORREL. Setelah data diisikan sebagaimana Gambar 2. Please visit www.visagesoft. 13 .2.2 : Argumen Fungsi Korelasi Dalam Gambar 2.1 : Fungsi Korelasi Gambar 2. tekan klik untuk memperoleh hasilnya pada lembar kerja utama.

Salah satunya adalah. formula korelasi sebagaimana digambarkan pada ilustrasi diatas dapat diketik secara langsung pada sel tujuan. koefisien korelasi memiliki perbedaan penting dibandingkan dengan koefisien regresi. Koefisien Determinasi Meskipun sama-sama termasuk dalam studi asosiatif.3 : Formula Excel untuk Korelasi Tentu saja sebagai alternatif.visagesoft.com for more details Gambar 2. Tekan Enter jika sudah selesai dan selanjutnya koefisien korelasi yang diperoleh dalam kasus ini adalah sebesar 0. Berdasarkan pembahasan pada Bab 1.This document was created with free TRIAL version of eXPert PDF. dapat dikemukakan hubungan bahwa nilai variabel dependent aktual Y merupakan penjumlahan dari nilai estimasinya ditambah dengan error atau residual. Dalam gambar diatas sel tujuan yang dimaksud adalah sel B10. Please visit www.This watermark will be removed after purchasing the licensed full version of eXPert PDF.9485. jika dalam koefisien korelasi kedudukan variabel adalah sejajar namun dalam koefisien regresi harus diidentifikasi terlebih dahulu mana variabel dependent dan mana variabel independent-nya. yaitu : 14 .

visagesoft. Semakin mendekati 1 menunjukkan bahwa garis atau model regresi yang dihasilkan akan semakin baik. Please visit www. yang mengandung unsur jumlah kuadrat (sum of square) dapat dinyatakan sebagai : Total Sum of Square = Regression Sum of Square + Residual Sum of Square. Rasio antara variasi dari regresi dengan variasi totalnya dikenal sebagai koefisien determinasi. bisa dijelaskan oleh dua hal yaitu variasi yang berasal dari garis regresi serta variasi dari residual. yaitu : r2  Re sidual Sum of Square Total Sum of Square Berdasarkan definisinya. Koefisien determinasi juga sering dinyatakan dalam persen.This document was created with free TRIAL version of eXPert PDF.com for more details ˆ Y Y  e Apabila dinyatakan dalam bentuk simpangan (deviation form) maka persamaan diatas dapat ditulis sebagai : ˆ y ye Dengan mengkuadratkan kedua sisi persamaan diatas dan menjumlahkan untuk semua sampel maka akan diperoleh persamaan : ˆ y 2  y 2  e 2 Secara alternatif persamaan tersebut diatas. Semakin dekat garis regresi dengan data aktual maka variasi akibat regresi akan semakin mendekati variasi data aktual.This watermark will be removed after purchasing the licensed full version of eXPert PDF. variasi dari dependent variable Y. koefisien ini memiliki nilai antara 0 hingga 1. Dengan demikian. Contoh Kasus Hitunglah koefisien determinasi (r2) untuk soal dalam contoh kasus sebelumnya ! 15 .

Oleh karena itu untuk setiap formula yang sama. Jumlahkan variasi Y aktual dan variasi Y prediksi 5. Bagi total variasi Y prediksi dengan total variasi aktual Gambar 2. Carilah nilai Y estimasi atau prediksi Y melalui fungsi FORECAST 2. Hasil perhitungan koefisien determinasi dengan data sebelumnya dapat diperhatikan dalam gambar berikutnya : 16 .4 Formula mencari R Square Cara perhitungan diatas jika dilakukan dengan cara pengetikan setiap formula dalam tiap sel tentu sangat membosankan. 3. Secara teoritis nilai rata-rata Y baik aktual maupun yang prediksi adalah sama.This document was created with free TRIAL version of eXPert PDF. tinggal melakukan teknik copy – paste atau lakukan drag untuk mengcopy formula. Hitung variasi Y aktual dan variasi Y prediksi 4.visagesoft. Untuk itu langkah-langkah yang harus dikerjakan adalah 1.com for more details Penyelesaian Excel Fungsi Statistik Excel tidak menyediakan perhitungan koefisien determinasi secara langsung. Please visit www. Carilah nilai rata-rata Y aktual dengan fungsi AVERAGE.This watermark will be removed after purchasing the licensed full version of eXPert PDF.

17 . r2 atau sering disebut R Square juga langsung bisa diperoleh melalui fungsi RSQ sebagaimana ditunjukkan dalam Gambar 2.visagesoft.This watermark will be removed after purchasing the licensed full version of eXPert PDF.com for more details Gambar 2.This document was created with free TRIAL version of eXPert PDF. Hasil perhitungan menunjukkan bahwa menggunakan metode yang lebih cepat juga akan menghasilkan nilai koefisien yang sama persis. Please visit www.5 : Hasil perhitungan R Square Hal menarik yang perlu dicatat kaitannya dengan koefisien korelasi (r) dan koefisien determinasi (r2) adalah bahwa perhitungan koefisien determinasi sebenarnya dapat dihitung langsung melalui koefisien korelasi dengan melalui operasi kuadrat.6. Perhitungan koefisien determinasi.

7 : Hasil Perhitungan R Square Hasil perhitungan antara Gambar 2. Koefisien determinasi yang 18 .This watermark will be removed after purchasing the licensed full version of eXPert PDF. cara kedua bisa digunakan. Please visit www.This document was created with free TRIAL version of eXPert PDF.visagesoft. kalau hanya perlu koefisien determinasi saja.5 dengan Gambar 2. Jika memerlukan sekaligus nilai Y estimasi maka hasilnya tentu lebih baik jika menggunakan cara pertama. yaitu koefisien determinasi sebesar 0. Tergantung apa yang ingin diketahui tentunya.7 memperoleh hasil yang sama.8997.6 : Formula R Square Gambar 2.com for more details Gambar 2.

This document was created with free TRIAL version of eXPert PDF.This watermark will be removed after purchasing the licensed full version of eXPert PDF. Please visit www.97% variasi dari Y dapat dijelaskan oleh variasi model sedangkan sisanya dijelaskan oleh unsur lain. Standard Error Prediksi Hal penting lain yang masih berkaitan dengan masalah variasi dalam analisis regresi adalah standar kesalahan atau standard error dari Y prediksi.visagesoft. Formula standar error dapat diperhatikan dalam gambar berikut : Gambar 2.com for more details diperoleh menunjukkan bahwa sekitar 89. Untuk mengetahui ini dalam Excel telah disediakan fungsi STEYX.8 : Standard Error Equation 19 .

Isilah terlebih dahulu sel F7 hingga F11 sebagaimana sesuai dengan item di sel E7 hingga E11 2.This document was created with free TRIAL version of eXPert PDF. Multiple R adalah koefisien korelasi 3.9 : Data Eskpor dan Nilai Tukar Petunjuk : 1. Interpretasikan hasil perhitungan sesuai dengan permintaan pada soal. Berapa persenkah rata-rata variasi nilai tukar rupiah selama periode dimaksud bisa menjelaskan variasi ekspor yang terjadi dalam periode yang sama Gambar 2.This watermark will be removed after purchasing the licensed full version of eXPert PDF. 20 . Please visit www.com for more details Latihan Soal Berikut data ekspor Indonesia dan nilai tukar rupiah selama satu dekade terakhir.visagesoft.

angka numerik dari dari koefisien dimaksud bisa saja bervariasi dari satu set sampel data ke set sampel data lainnya. Secara ideal memang harus dilakukan serangkaian penyampelan berulang agar nilai parameter sampel yang diperoleh semakin mendekati 21 .This watermark will be removed after purchasing the licensed full version of eXPert PDF. Hasil estimasi tentunya diharapkan tidak jauh berbeda dengan nilai parameter sesungguhnya (populasi). misalkan nol. Untuk dapat menguji kesamaan atau perbedaan antara koefisien sampel dengan koefisien populasi. Dengan demikian secara umum uji hipotesis pada dasarnya melakukan evaluasi apakah parameter yang diuji sama atau tidak dengan nol. statistika biasanya melakukan hipotesis terhadap nilai populasi dengan suatu angka.com for more details Sesi 3 Pengujian Secara Statistik Inferensial Statistik Parameter atau koefisien regresi yang diperoleh sebelumnya pada dasarnya masih merupakan hasil estimasi terhadap nilai koefisien untuk model regresi populasi.visagesoft.This document was created with free TRIAL version of eXPert PDF. sehingga kerap disebut sebagai hipotesisi nol. Akan tetapi bagaimana bisa suatu parameter dari sampel bisa dibandingkan dengan parameter populasi yang belum diketahui ? Pertanyaan seperti itu merupakan inti pokok dalam pembahasan statistik inferensial. Jika dilakukan penyampelan berulang. Please visit www. Hal ini tentu sangatlah jelas mengingat bahwa koefisien ini diperoleh dari sampel data.

Varians dari  yaitu 2 adalah konstan untuk setiap observasi. Oleh karenanya dalam pemodelan regresi klasik : Y = β0 + β1X +  perilaku dari unsur gangguan  harus diasumsikan memiliki beberapa karakteristik. Melalui proses tersebut nantinya dapat diukur deviasi antara nilai parameter sampel dengan parameter populasi.This watermark will be removed after purchasing the licensed full version of eXPert PDF. Please visit www. Dalam banyak kasus. Unsur gangguan  bersifat acak. pengumpulan data kerap menjadi permasalahan serius. Devisasi dimaksud dikenal sebagai kesalahan estimasi parameter atau melalui ukuran yang lebih populer digunakan.com for more details parameter populasi yang sesungguhnya.visagesoft. E( ) = 0 2. didistribusikan secara normal dengan harapan matematis atau rata-rata sama dengan nol. dikenal sebagai kesalahan standar (standard error) koefisien regresi. Standard error diukur 22 . utamanya data ekonomi dan sosial. Tidak terdapat korelasi antar unsur gangguan yang berurutan. E(i2) = 2 untuk tiap i 3. E(ij) = 0 untuk i  j Standar Error Koefisien Regresi Kesalahan standar atau standard error merupakan ukuran dari ketepatan koefisien regresi dalam memprediksi nilai populasinya.This document was created with free TRIAL version of eXPert PDF. Data ekonomi tidak diperoleh dari percobaan laboratorium sehingga proses penyampelan berulang hampir tidak mungkin dilakukan. diantaranya adalah : 1.

. Mengulangi formula koefisien slope. E (b1 )   1  kE (  )  1 yang menunjukkan bahwa b1 adalah estimator yang tidak bias bagi β1 dengan menggunakan asumsi bahwa E() = 0 (asumsi nomor 1) Varians dari b1 dapat dinyatakan sebagai : var(b1 )  E (b1  1 ) 2  E (k ) 2  E (k1 1  k 2  2  ...visagesoft..  2k N 1 k N  N 1  N ) dengan menggunakan asumsi E(i2) = 2 dan E( ij) = 0 maka persamaan terakhir dapat dinyatakan sebagai .com for more details berdasarkan akar kuadrat dari deviasi atau varians koefisien regresi sampel (b) dengan koefisien regresi populasi (β).This watermark will be removed after purchasing the licensed full version of eXPert PDF.  k N  N  2k1 k 2 1  2  . formula diatas dapat dinyakan sebagai : b1  xY x 2  kY Dengan memperhatikan Y sebagai representasi dari model regresi populasi maka dapat dinyatakan : b1  k ( 0  1 X   )  1  k Harapan matematis dari b1.. dengan demikian .... 2 2 2 2 2 2 23 .. Please visit www.This document was created with free TRIAL version of eXPert PDF. telah dinyatakan bahwa : b1  xy x 2 Berdasarkan definisi y.

standard error untuk koefisien intercept (b0) juga bisa diperoleh. Please visit www. Dengan demikian maka standard error (se) dari koefisien b1 adalah : se(b1 )  var(b1 ) Dengan logika yang sama.This document was created with free TRIAL version of eXPert PDF.This watermark will be removed after purchasing the licensed full version of eXPert PDF.visagesoft. 24 .com for more details var(b1 )   2 k 2  2 x 2 Adapun varian unsur gangguan 2 dapat diestimasi melalui formula ∑e2/N-2.

Statistik F sebenarnya dapat diperoleh melalui analisis varians (ANOVA) yang telah disinggung pada bagian 25 .05) maka dapat disimpulkan bahwa koefisien regresi yang diuji adalah signifikan. signifikansi koefisien regresi diuji dengan prosedur uji t. Uji Signifikansi F Koefisien regresi dapat diuji tingkat signifikansinya secara simultan dengan menggunakan prosedur uji F. Suatu koefsien dinyatakan signifikan jika nilai t hitung lebih tinggi dibandingkan dengan t tabel untuk level signifikansi yang ditentukan (biasanya 5%) dengan derajat kebebasan sebesar jumlah sampel dikurangi dengan jumlah koefisien regresi yang diestimasi. Dalam cara yang sederhana uji t dilakukan dengan membandingkan nilai statistik t observasi atau t hitung dengan t tabel. Jika level signifikansi yang diperoleh lebih kecil dari level konvensional (yaitu 0.visagesoft. penentuan signifikansi t dapat dilihat melalui level signifikansi t yang dihitung oleh program aplikasi.This watermark will be removed after purchasing the licensed full version of eXPert PDF. Secara alternatif. Please visit www.This document was created with free TRIAL version of eXPert PDF. Nilai t hitung dapat diperoleh melalui formula : t  b / se (b ) untuk setiap koefisien baik slope (b1) maupun intercept (b0).com for more details Sesi 4 Uji Koefisien Individual dan Simultan Uji Signifikansi t Secara individual.

This document was created with free TRIAL version of eXPert PDF.This watermark will be removed after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

sebelumnya. Kembali kepada konsep Sum of Square, jika Sum of Squre ini dibagi dengan tiap derajat kebebasannya (df) maka akan diperoleh konsep Mean of Square. Kaitannya dengan Sum of Square Regression dan Error (Residual) akan diperoleh Mean Square Regression (MSR) dan Mean Square Error (MSE). Statistik F diperoleh melalui :

F

MSR MSE

Sebagaimana uji t, nilai F hitung ini dibandingkan dengan F tabel untuk menentukan tingkat signifikansinya.

Contoh Kasus
Berikut disajikan data pendapatan rata-rata (Y) enam orang kepala keluarga berikut tingkat pengeluarannya (X) : Observasi 1 2 3 4 5 6 Y 6 8 9 5 4,5 9,5 X 3 4 6 4 2 5

Buatlah model regresi, evaluasi dan ujilah tingkat signifikansinya baik secara individual maupun secara simultan.

Penyelesaian Excel
Perintah dari soal diatas cukup kompleks sehingga sangat tidak efisien jika dikerjakan secara satu-persatu sebagaimana pada bagian sebelumnya. Penyelesaian Excel seperti kasus diatas dapat dilakukan secara simultan melalui fungsi LINEST. Akan tetapi perlu dicacat disini bahwa fungsi LINEST akan

26

This document was created with free TRIAL version of eXPert PDF.This watermark will be removed after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

menghasilkan berbagai nilai (array) sehingga formula yang di-entry seharusnya berbentuk array formula. Sebagai suatu gambaran, output dari fungsi LINEST akan terdiri atas koefisien slope (b1) dan standar error b1, koefisien b0 dan standar error b0, R square

ˆ (R2), standar error estimasi se Y , F hitung, degree of freedom (df), Sum of Squre
Regression dan Sum of Squre Residual. Oleh karena itu formula ini harus tersusun dari lima baris dan kolom yang menyesuaikan dengan jumlah koefisien regresi yang akan disetimasi. Dalam kasus regresi sederhana, kolom yang harus dibentuk adalah sebanyak 2.

Gambar 4.1 : Array Formula untuk Fungsi LINEST

27

This document was created with free TRIAL version of eXPert PDF.This watermark will be removed after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Gambar 4.2 : Inset Function LINEST Setelah menentukan sel tujuan, melalui Menu Insert, pilih LINEST kemudian klik OK sehingga memperoleh konfirmasi sebagai berikut :

Gambar 4.3 : Argumen pada Fungsi LINEST

28

Isi kedua kotak tersebut dengan TRUE untuk memperoleh hasil sesuai dengan keinginan soal. tekan F2 kemudian tekan key Ctrl + Alt + Enter sehingga diperoleh hasil : 29 . perlu diisi pula kotak Const dan Stats.visagesoft.4 : Output LINEST tunggal Bisa diperhatikan bahwa sel tujuan pada lembar ini adalah pada sel D2 sehingga dapat dilihat fungsi LINEST yang tadi telah di-entry. Hasil perhitungan hanya ada di satu sel (D2) karena belum menggunakan array formula.This document was created with free TRIAL version of eXPert PDF.This watermark will be removed after purchasing the licensed full version of eXPert PDF. Kemudian klik OK untuk mendapatkan hasil seperti berikut : Gambar 4. Please visit www. Untuk itu blok terlebih dahulu range D2:E6.com for more details Sebagimana terlihat oleh pada gambar diatas bahwa selain kolom Y dan kolom X yang diisi.

This document was created with free TRIAL version of eXPert PDF. Please visit www. Format Pelaporan Analisis Regresi 30 .1 untuk sheet B2:C6.5 : Output LINEST dengan array formula Penjelasan tentang output pada sheet D2 : E6 sesuai pada Gambar 4.6.This watermark will be removed after purchasing the licensed full version of eXPert PDF.com for more details Gambar : 4.visagesoft. Agar print-out Excel sebelumnya tampil lebih informatif maka susunlah laporan hasil perhitungan analisis regresi dengan format pelaporan sebagai berikut dengan memperhatikan formulasi pada tiap-tiap sel dari range atau lembar kerja yang baru dibentuk : Gambar 4.

Hasil perhitungan sebagaimana nampak pada Gambar 3. Uji signifikansi koefisien regresi secara individual 2. Uji signifikansi koefisien regresi secara simultan 3.This watermark will be removed after purchasing the licensed full version of eXPert PDF.This document was created with free TRIAL version of eXPert PDF.com for more details Untuk diketahui bahwa pengisian formula pada tiap-tiap sel yang dimasud seluruhnya mengacu pada keterangan formulasi serta penjelasan pada bagian sebelumnya.visagesoft. Please visit www. yaitu range D2:C6. Adapun untuk degree of freedom pada sel C15 adalah 1 untuk regresi sederhana.7 : Hasil akhir perhitungan dan pelaporan LINEST Latihan Soal Berdasarkan soal dan pemecahan pada contoh kasus lakukanlah : 1. Interprestasi hasil secara lengkap 31 . Tentu saja rumus tersebut disesuaikan dengan tempat sel acuan.6 secara lengkap dapat diperhatikan dalam gambar berikut : Gambar 4.

Adapun unsur gangguan sendiri sebagaimana telah diulas dalam Bab sebelumnya diasumsikan berdistribusi normal.This watermark will be removed after purchasing the licensed full version of eXPert PDF. Asumsi normalitas terkait dengan sifat estimator yang tidak bias sedangkan dua asumsi lainnya berkaitan 32 . akan tetapi yang juga penting adalah asumsi tentang variabel bebas X. Sebenarnya asumsi klasik tidak hanya terkait dengan masalah unsur gangguan.com for more details Sesi 5 Asumsi Normalitas Perilaku Unsur Gangguan Sebagaimana telah disinggung. Please visit www.This document was created with free TRIAL version of eXPert PDF. memiliki varians yang konstan serta antar unsur gangguan tidak terdapat korelasi. Asumsi ini sangat penting untuk dikaji mengingat hubungannya dengan masalah justifikasi uji hipotesis yang telah dilakukan. tetap dalam penyampelan berulang dan tidak berkorelasi dengan unsur gangguan.visagesoft. model regresi yang telah dibahas secara implisit diasumsikan telah memenuhi beberapa asumsi tertentu. Variabel bebas diasumsikan non-stokastik. Sebagian besar asumsi ini diterima dengan tanpa pengujian mengingat karakteristik data ekonomi yang terbatas dan sukarnya melakukan penyampelan berulang. Karena koefisien regresi yang dihasilkan pada dasarnya berupa estimasi maka hasilnya masih bersifat probabilistik dan angka numerik yang dihasilkan bisa mengandung arti atau tidak tergantung pada pemenuhan asumsi ini.

Estimator yang baik secara logika diharapkan memiliki varians minimum. Please visit www. Distribusi dianggap normal jika skewnes semakin mendekati 0 dan kurtosis mendekati 3. Dengan contoh soal sebelumnya. Langkah awal untuk menguji distribusi residual adalah dengan cara mencari terlebih dahulu nilai residual tiap observasi.This watermark will be removed after purchasing the licensed full version of eXPert PDF. Untuk menguji asumsi ini bisa dilakukan pada data residual dengan mengevaluasi bentuk distribusinya dalam hal skewnes (kemencengan) dan kurtosis (peruncingan). Dengan demikian carilah terlebih dahulu nilai Y prediksi melalui fungsi FORECAST. residual atau error merupakan selisih antara Y aktual dengan Y prediksi. Asumsi Normalitas Asumsi normalitas sangat erat hubungannya dengan sifat ketidakbiasan estimator dan inferensi untuk mencari nilai parameter yang sesungguhnya (true parameter).visagesoft. formulasi untuk mencari nilai prediksi Y dan error dapat diperhatikan dalam gambar berikut : Gambar 5.1 : Formula Y predicted dan error 33 .This document was created with free TRIAL version of eXPert PDF. Asumsi normalitas mensyaratkan bahwa perilaku unsur gangguan yang random didistribusikan secara normal atau mendekati normal. Sesuai dengan definisnya.com for more details dengan masalah efisiensi.

This watermark will be removed after purchasing the licensed full version of eXPert PDF. Please visit www.This document was created with free TRIAL version of eXPert PDF. Tekan Enter jia formula sudah benar dan langkah selanjutnya dalah menghitung skewnes dan kurtosis melalui Menu Insert Function SKEW dan KURT sebagaimana gambar berikut : Gambar 5.2 : Formula Skewnes dan Kurtosis Hasil akhir perhitungan dari uji normalitas ini dapat diperhatikan sebagai berikut : Gambar 5.3 : Hasil perhitungan uji asumsi normalitas 34 .visagesoft.com for more details Sambil lalu diperhatikan bahwa dalam formula untuk mencari predicted Y ada beberapa tanda string ($) yang harus diperhatikan kalau ingin melakukan copy-paste pada formula.

35 .visagesoft.This document was created with free TRIAL version of eXPert PDF.This watermark will be removed after purchasing the licensed full version of eXPert PDF. Please visit www.com for more details Perhitungan menunjukkan bahwa residual yang diuji agak sedikit menceng ke kiri (secara negatif) dan cukup landai atau platikurtik.

Konsekwensinya. Sebagaimana diketahui bahwa standard error ini memiliki peran dalam pembentukan nilai t hitung. Tentu saja kesimpulan ini sangat menyesatkan. Secara teknis asumsi ini dikenal sebagai homoskedastisitas. maka dapat disimpulkan bahwa model telah memenuhi asumsi 36 .com for more details Sesi 6 Asumsi Homoskedastisitas Asumsi Homoskedastisitas Asumsi model regresi berikutnya adalah varians dari unsur gangguan pada setiap observasi diasumsikan konstan. Terdapat beberapa jenis test formal yang biasa digunakan dalam uji ini. Asumsi ini sangat penting artinya dalam analisis regresi mengingat kaitannya dengan estimasi standard error koefisien regresi. yang paling luas digunakan adalah uji White yang salah satu versi formulasinya adalah melalui model regresi (Thomas. maka hasil uji t tidak sahih karena nilai t hitung bisa overvalued. Oleh karena itu jika asumsi ini tidak dipenuhi. 1997) : ˆ e 2    Y 2 Dalam hal ini jika model tersebut menghasilkan nilai R2 yang sangat rendah. Please visit www. Jika scatter dimaksud memiliki pola tertentu maka gejala non homoskedastisitas (heteroskedastisitas) layak dicurigai.visagesoft. sebuah koefisien yang seharusnya dinyatakan tidak signifikan bisa dinyatakan signifikan. Diantaranya. Pengujian homoskedastisitas bisa melalui diagram scatter square error terhadap variabel bebas X.This document was created with free TRIAL version of eXPert PDF.This watermark will be removed after purchasing the licensed full version of eXPert PDF.

This watermark will be removed after purchasing the licensed full version of eXPert PDF. yaitu : Gambar 6. namun untuk keperluan praktis prosedural digunakan data dengan sampel kecil sebagaimana tersedia dalam contoh kasus dan latihan dalam buku ini. Please visit www.This document was created with free TRIAL version of eXPert PDF.1 : Formula square predicted Y dan square error Setelah hasil perhitungan diatas dilakukan.visagesoft. Sesuai perumusan sebelumnya maka sebelum dilakukan perhitungan model. selanjutnya hitung nilai R Square dari regresi antara square error dengan square predicted Y sesuai dengan prosedur perhitungan pada bian sebelumnya. Pada dasarnya test ini sesuai untuk model dengan observasi yang cukup banyak.841). Pengujiannya dapat dilakukan dengan mengalikan R2 dengan jumlah observasi (R2 x N) dan membandingkannya dengan nilai chi-square statistik untuk df 1 pada level konvensional (misalnya 5% = 3.com for more details homoskedastisitas. terlebih dahulu dicari square (kuadrat) nilai error atau residual serta nilai kuadrat dari nilai Y prediksi. Hasil perhitungan R Square dimaksud dipergunakan sebagai dasar untuk menghitung statistik chi-square melalui formulasi sebagai berikut : 37 .

Secara alternatif formula tersebut dapat diganti dengan langsung memasukkan jumlah observasi (sebesar 6 untuk contoh kasus ini) sehingga bisa ditulis =6*E9.This document was created with free TRIAL version of eXPert PDF. Please visit www. Gambar 6. Jika dibandingkan 38 .3 yaitu sebesar 0.com for more details Gambar 6.R2 Hasil perhitungan uji asumsi homoskedastisitas dalam model regresi sederhana dapat diperhatikan dalam tampilan berikut.This watermark will be removed after purchasing the licensed full version of eXPert PDF.2 : Formula untuk mencari n.3 : Perhitungan final uji homoskedastisitas Perhitungan statistik chi-square berdasarkan prosedur yang diajukan terlihat di sel E10 pada Gambar 6.visagesoft.0747. Perlu diketahui bahwa dalam formula sel E10 yaitu =A7*E9 untuk isian A7 adalah menggambarkan jumlah observasi.

841 dengan jelas dapat dilihat bahwa nilai chi-square hitung jauh lebih rendah. Secara intuitif dapat diambil suatu kesimpulan bahwa varians dari unsur gangguan tidak mengikuti pola tertentu kaitannya dengan variabel X.This watermark will be removed after purchasing the licensed full version of eXPert PDF. Pada akhirnya bisa disimpulkan bahwa asumsi homoskedastisitas dari model regresi yang diuji bisa terpenuhi. Dengan kata lain.com for more details dengan nilai chi-square tabel pada level 5% yaitu sebesar 3.visagesoft. varians dari unsur gangguan adalah konstan untuk setiap observasi. 39 .This document was created with free TRIAL version of eXPert PDF. Please visit www.

40 . Akan tetapi sebagaimana dalam pembahasannya sebelumnya.This watermark will be removed after purchasing the licensed full version of eXPert PDF. standard error koefisien regresi diestimasi terlalu rendah pula dan nilai t hitung akan diukur terlalu tinggi (overvalued). Sebagai akibatnya. Selanjutnya kesimpulan tentang signifikansi koefisien regresi bisa sangat menyesatkan karena koefisien yang seharusnya disimpulkan tidak signifikan. maka nilai varians dari koefisien regresi OLS memang sangat efisien (minimum).This document was created with free TRIAL version of eXPert PDF. maka covarians antar unsur gangguan dimaksud adalah sama dengan nol. asumsi ini perlu diuji lebih jauh. yakni E(ij) = 0. Apabila digabungkan dengan asumsi homoskedastisitas. bisa disimpulkan signifikan. Please visit www. nilai dari unsur ini dalam perhitungan varians koefisien regresi adalah sama dengan nol. Hal ini mengingat jika korelasi antar unsur gangguan ini cukup besar maka estimasi varians koefisien regresi dalam OLS tidak bisa digunakan karena cenderung terlalu rendah (underestimate) dari varians sesungguhnya. Secara teknis perhitungan.com for more details Sesi 7 Asumsi Autokorelasi Asumsi Autokorelasi Autokorelasi antar unsur gangguan adalah adanya korelasi antar unsur gangguan.visagesoft. Konsekwensinya. Jika tidak ada korelasi antar unsur gangguan. yakni unsur 2kikjii untuk i  j. autokorelasi sebenarnya merupakan salah satu bagian dalam perhitungan varians dari koefisien regresi.

Untuk keperluan ini diperlukan tabel run guna menentukan signifikansi keacakan dari suatu data. maka data diatas terdiri dari empat run (dari kiri : satu run dengan dua tanda positif. Banyak sedikitnya run dapat menggambarkan kerandoman dari suatu data. Please visit www. Sebagai acuan. satu run dengan tanda empat negatif. jika suatu data dengan N observasi. Terlalu banyak run menunjukkan korelasi negatif antar data sedangkan terlalu sedikit run mengindikasikan adanya korelasi positif. Sebuah run didefinisikan sebagai urutan tak terputus dari suatu tanda seperti + (positif) atau – (negatif).visagesoft. salah satunya adalah dengan run test. satu run dengan tiga tanda positif dan satu run terakhir dengan satu tanda negatif).This document was created with free TRIAL version of eXPert PDF. berikut : ++----+++Sesuai dengan definisi mengenai run.This watermark will be removed after purchasing the licensed full version of eXPert PDF.com for more details Terdapat beberapa cara untuk mendeteksi keberadaan autokorelasi dalam model regresi. N1 dinyatakan sebagai banyaknya observasi bertanda positif dan N2 dinyatakan sebagai observasi bertanda negatif. Sebagai misal terdapat data dengan urutan tanda sebagai 41 . Uji ini dilakukan dengan cara memperhatikan tanda (sign) positif atau negatif dari error.

dan sebagai hasilnya dapat diperhatikan ilustrasi berikut : 42 .com for more details Contoh Kasus Berikut disajikan data analisis : Observasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Y 281 288 290 307 316 322 338 353 373 397 418 430 452 469 476 X 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Dengan model regresi Y = b0 + b1X + e. Perhitungan error dapat mengikuti prosedur sebelumnya. ujilah bahwa model dimaksud telah memenuhi asumsi autokorelasi. Please visit www.This watermark will be removed after purchasing the licensed full version of eXPert PDF. Penyelesaian Excel Untuk memenuhi perhitungan run test dengan Excel maka diperlukan perhitungan error atau residual.visagesoft.This document was created with free TRIAL version of eXPert PDF.

Dengan membandingkan nilai kritis run dengan nilai run aktual.com for more details Gambar 7.visagesoft. maka dapat disimpulkan bahwa tidak terdapat autokorelasi yang cukup parah. Please visit www. Jika dibandingkan dengan tabel maka untuk N1 dan N2 sebesar tersebut. nilai kritis run adalah sebesar 4 dan 13. 43 . Berdasarkan pengertian tentang run maka dapat dihitung run sebanyak lima.This document was created with free TRIAL version of eXPert PDF.1 : Uji autokorelasi dengan run-test Hasil perhitungan menunjukkan bahwa error positif (N1) sebanyak delapan sedangkan error negatif (N2) adalah sebanyak tujuh.This watermark will be removed after purchasing the licensed full version of eXPert PDF.

This document was created with free TRIAL version of eXPert PDF.This watermark will be removed after purchasing the licensed full version of eXPert PDF. 44 .1 101751. Ujilah asumsi normalitas.1 100898.3 102814. Buatlah model permintaan uang berdasarkan data berikut Tahun 1998 Triwulan tw 1 tw 2 tw 3 tw 4 Income 98660.com for more details Latihan Soal Salah satu faktor penentu permintaan uang (M1) adalah tingkat pendapatan (Income).0 M1 283579 308789 312968 301771 311116 309973 333763 358240 369240 391424 407699 442276 443599 470230 493242 505748 1999 tw 1 tw 2 tw 3 tw 4 2000 tw 1 tw 2 tw 3 tw 4 2001 tw 1 tw 2 tw 3 tw 4 1.visagesoft.3 97802.2 97434.5 90934.8 93847.7 104074. homoskedastisitas dan autokorelasi.6 89345.5 95126.5 93972.1 98036. Please visit www.9 101197.8 95104.0 102492. Ujilah signifikansi koefisien regresi yang diperoleh ! 2.

This document was created with free TRIAL version of eXPert PDF.This watermark will be removed after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Sesi 8
Regresi Multipel

Spesifikasi Regresi Multipel
Realita ekonomi dalam kenyataannya sangatlah kompleks sehingga tidak cukup untuk dinyatakan dalam persamaan dua variabel. Fenomena tertentu kurang memadahi untuk dijelaskan oleh hanya satu variabel penjelas (variabel X). Sejalan dengan itu teori juga mengakomodasi bahwa terdapat berbagai faktor penentu dari suatu variabel. Sebagai misal, teori produksi menyatakan bahwa besarnya output ditentukan oleh kombinasi input seperti tenaga kerja, modal, produktivitas, teknologi dan lain-lain. Dalam notasi matematik dapat dinyatakan, yaitu : Y = f (X1, X2, X3, ....) Simplifikasi diatas menyatakan bahwa output yang dinotasikan sebagai Y merupakan fungsi dari beberapa input X1, X2, X3 dan seterusnya yang merupakan representasi dari jumlah tenaga kerja, modal, teknologi dan lain-lain. Dalam model ekonometrika, fenomena sejenis dapat direpresentasikan misalnya dalam model sebagai berikut : Y = β0 + β1X1 + β2X2 + β3X3 + …………..+  Model yang sedemikian dikenal sebagai model regresi berganda (multiple regression).

45

This document was created with free TRIAL version of eXPert PDF.This watermark will be removed after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Contoh Kasus
Diketahui bahwa data mengenai variabel tergantung (Y) dengan dua variabel bebas (X1 dan X2) disajikan sebagai berikut :
No. 1 2 3 4 5 6 7 8 9 10 Y 70 65 90 95 110 115 120 140 155 150 X1 80 100 120 140 160 180 200 220 240 260 X2 810 1009 1273 1425 1633 1876 2052 2201 2435 2686

Buatlah laporan perhitungan analisis regresi berdasarkan model estimasi Y = b0 + b1X1 + b2X2 + e

Penyelesaian Excel
Dengan menggunakan fungsi LINEST sebagaimana telah dijelaskan dalam Bab 3, data diatas dapat langsung di-entry dalam sel Excel untuk selanjutnya dapat dilakukan perhitungan fungsi LINEST melalui menu Insert. Hal penting yang perlu diperhatikan dalam output fungsi LINEST adalah bahwa hasilnya akan berupa array dan bukan dalam sel tunggal. Perlu diingat bahwa penyusunan array formula untuk fungsi ini memerlukan lima baris kali kolom sejumlah koefisien yang ingin dihitung. Mengingat koefisien regresi yang akan dihitung adalah sebesar 3 (termasuk slope) maka dalam contoh ini diperlukan kolom sebesar 3 buah. Range yang dibutuhkan nantinya adalah 5 baris x 3 kolom.

46

This document was created with free TRIAL version of eXPert PDF.This watermark will be removed after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Gambar 8.1 : Formula Fungsi LINEST

Gambar 8.2. Output Fungsi LINEST

Supaya lebih informatif, hasil perhitungan dapat disajikan dalam bentuk berikut :

47

Pemindahan sel untuk menyajikannya secara lebih informatif dalam taraf tertentu akan kurang efisien jika model regresi yang dianalisis cukup kompleks.This document was created with free TRIAL version of eXPert PDF.com for more details Gambar 8. 48 . Please visit www.4 : Hasil akhir perhitungan Regresi Melalui Menu Tools Meskipun output dari fungsi LINEST cukup lengkap namun sebagaimana dapat diperhatikan bahwa penyajian output yang sedemikian kurang informatif.3 : Formula pelaporan hasil Pada dasarnya formula pada gambar diatas hanya berupa pemindahan sebagian sel dari range A13 : C17 Gambar 8.This watermark will be removed after purchasing the licensed full version of eXPert PDF.visagesoft.

Jangan lupa klik Label agar nama variabel ditampilkan dalam output. kemudian klik OK 49 . Microsoft Excel juga menyediakan alat analisis melalui Menu Tools.6 : Analisis regresi melalui Menu Tools Masukkan range Y dan range X berikut sel judulnya.This watermark will be removed after purchasing the licensed full version of eXPert PDF. Dalam contoh ini output dipilih dari sheet yang sama. bisa dalam sheet yang sama. untuk memunculkan nama variabel. dalam hal ini dipilih Regression melalui konfirmasi klik OK. Pilih lokasi output.This document was created with free TRIAL version of eXPert PDF. Klik Menu Tools maka akan diperoleh tampilan : Gambar 8. Please visit www.com for more details Sebenarnya disamping melalui Menu Insert. atau mungkin dalam sheet lain.5 : Menu Tools Selanjutnya pilih dengan klik Data Analysis.visagesoft. Gambar 8. Abaikan yang lain. sehingga diperoleh beberapa pilihan analisis data yang diinginkan.

com for more details Gambar 8.This watermark will be removed after purchasing the licensed full version of eXPert PDF.visagesoft.7 : Jendela konfirmasi analisis regresi Perlu diperhatikan disini tanda string untuk setiap pengisian formula. Gambar 8. tidak dilakukan secara manual. hasil perhitungan (output) akan ditampilkan mulai sel E1. String akan secara otomatis muncul jika entry data dilakukan melalui drag. Berdasarkan entry data dimaksud.8 : Output regresi dari Data Analysis 50 .This document was created with free TRIAL version of eXPert PDF. Please visit www.

visagesoft. Demikian halnya dengan statistik F telah dilengkapi dengan dengan probabilitasnya. Please visit www. Selanjutnya.7. Nilai prediksi Y dan error atau residual sebenarnya bisa diperoleh secara langsung melalui jendela konfirmasi sebagaimana dapat dilihat pada Gamabar 5. Dengan demikian.com for more details Output regresi dari Data Analysis lebih lengkap dan informatif jika dibandingkan dengan output dari Menu Insert – Function.This document was created with free TRIAL version of eXPert PDF. maka output yang akan ditampilkan bersama dengan output utama adalah : 51 . Klik pilihan Residual. melalui prosedur ini metodologi analisis regresi kaitannya dengan masalah estimasi parameter dan verifikasinya (uji signifikansinya) sudah secara otomatis muncul. tampilan output yang dihasilkan lebih menarik sehingga bisa langsung digunakan sebagai lampiran print-out untuk keperluan karya tulis ilmiah semisal skripsi. untuk kepentingan uji asumsi klasik masih diperlukan informasi mengenai nilai prediksi Y dan error.This watermark will be removed after purchasing the licensed full version of eXPert PDF. Dalam tampilan diatas koefisien regresi telah dilengkapi dengan perhitungan t statistik dan probabilitasnya sehingga dalam uji signifikansi tidak perlu lagi melihat t tabel. Di samping itu.

10 : Descriptive statistic 52 .com for more details Gambar 8.This watermark will be removed after purchasing the licensed full version of eXPert PDF.This document was created with free TRIAL version of eXPert PDF.visagesoft. data residual bisa dianalisis melalui Data Analysis dengan memilih Descriptive Statistic Gambar 8.9 : Residual Output Untuk melakukan uji normalitas. Please visit www.

Please visit www. Adapun uji asumsi 53 .This watermark will be removed after purchasing the licensed full version of eXPert PDF.11 : Konfirmasi descriptive statistic Gambar 8.This document was created with free TRIAL version of eXPert PDF.visagesoft.com for more details Gambar 8.12 : Deskripsi mengenai residual Melalui deskripsi tentang residual utamanya mengenai Skewness dan Kurtosis maka normalitas residual bisa dianalisis.

6 21837.This watermark will be removed after purchasing the licensed full version of eXPert PDF.This document was created with free TRIAL version of eXPert PDF.1 10259.3 33514.7 42928. Please visit www.8 31983.6 28327.8 30962.5 41679.9 32550.9 24003.visagesoft.1 10718.com for more details homoskedastisitas dan uji autokorelasi bisa mengikuti prosedur uji sebagaimana telah diberikan dalam Bab 4 yang membahas mengenai Asumsi Model Regresi.8 27336.5 16359. diajukan data sebagai berikut : Tahun 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 Impor 13882.8 27279.4 12370.6 25868.3 13248.7 Kurs 1076 1125 1641 1650 1729 1795 1901 1992 2062 2110 2200 2308 2383 4650 8025 7100 9595 10400 8940 8465 PDB 184623 200635 223108 236003 253603 271968 290767 309660 329776 354641 383792 413798 433246 376052 376375 379353 398017 411754 426943 444454 IHPB 111 116 116 142 149 162 178 187 197 204 215 240 259 282 568 314 353 403 414 423 54 .5 40628. Latihan Soal Untuk melakukan analisis tentang faktor-faktor yang mempengaruhi impor.1 31288.

Lakukan analisis model hingga uji asumsi klasik 2.This document was created with free TRIAL version of eXPert PDF. Please visit www.com for more details 1.visagesoft. 55 . Interpretasikan hasil perhitungan yang telah diperoleh.This watermark will be removed after purchasing the licensed full version of eXPert PDF.

berikut diberikan ilustrasi mengenai perbedaan konsep yang berkaitan dengan linearitas dalam koefisien serta linearitas dalam variabel. Meskipun demikian. perhatikan model sebagai berikut : y   0  1 x Model diatas adalah linear dalam variabel karena variabel x memiliki pangkat satu.visagesoft. Untuk mempermudah pemahaman tentang hal ini. akan tetapi non linear dalam koefisien karena koefisien slope memiliki pangkat tidak sama dengan satu (pangkat dua). Sebagai alternatif.com for more details Sesi 9 Regresi Non Linear Linearitas Koefisien dan Variabel Pengertian tentang linear dalam analisis regresi linear mengacu pada koefisien regresi dan bukan pada variabel yang akan dianalisis. Sebagai contoh. Prinsip least square yang biasa tidak dapat diterapkan untuk 2 mengestimasi koefisien regresi dalam model regresi non-linear. Please visit www. persamaan : y   0  1 x 2 Adalah contoh persamaan non linear dalam variabel.This document was created with free TRIAL version of eXPert PDF. model diatas masih dapat dikategorikan sebagai model regresi linear. karena variabel x memiliki pangkat tidak sama dengan satu (tepatnya memiliki pangkat dua).This watermark will be removed after purchasing the licensed full version of eXPert PDF. Penggunaan prinsip ini masih dapat diaplikasikan untuk model yang secara intrinsik bisa 56 . Model diatas dapat dikategorikan sebagai model regresi non-linear.

x1 dan x2 masing-masing adalah input variabel yang terdiri dari jumlah tenaga kerja dan modal. dapat diperhatikan bahwa koefisien slope adalah linear sehingga estimasi least square dapat dilakukan.com for more details dilinearkan (intrinsically linear). Please visit www. Model tersebut diatas dapat dilinearkan melalui tranformasi logaritma. Contoh Kasus Model produksi sektoral secara sederhana dapat dinyatakan dalam model Cobb-Douglas sebagai berikut : y   0 x1 1 x 2  22 dalam hal ini y adalah output. Langkah pertama untuk melakukan estimasi terhadap model non linear jenis ini adalah melakukan transformasi sehingga koefisien regresi yang dimaksud menjadi linear. Misalkan diketahui jumlah output (y).visagesoft.This watermark will be removed after purchasing the licensed full version of eXPert PDF. pekerja (x1) dan modal (x2) masing-masing adalah sebagai berikut : 57 .This document was created with free TRIAL version of eXPert PDF. yaitu : log y  log  0   1 log x1   2 log x 2 Berdasarkan hasil transformasi diatas.

Penyelesaian Excel Langkah pertama dalam menyelesaikan persoalan diatas adalah dengan cara melakukan transformasi variabel dalam bentuk logaritma.com for more details Kode 15 16 17 18 19 20 21 22 23 24 25 output 26365 41888 2506 1504 2624 4059 12738 1403 584 15311 5237 pekerja 161 173 27 27 53 40 41 8 1 40 70 modal 2439 286 116 33 22454 192 434 36 16 282 183 Jika hubungan antara input dengan output dinyatakan dalam fungsi produksi Cobb-Douglas. Sebelumnya data mentah dimasukkan dalam lembar kerja Excel sebagai berikut : 58 . Please visit www.visagesoft. Membentuk variabel logaritma dalam Excel relatif mudah yaitu dengan memasukkan formulasi =log(sel data) pada sel yang akan dijadikan tujuan hasil perhitungan. lakukan estimasi terhadap masing-masing parameter dalam fungsi dimaksud.This document was created with free TRIAL version of eXPert PDF.This watermark will be removed after purchasing the licensed full version of eXPert PDF.

Please visit www. Misalkan transformasi ketiga variabel dimaksud dilakukan mulai sel E2.visagesoft.This watermark will be removed after purchasing the licensed full version of eXPert PDF.This document was created with free TRIAL version of eXPert PDF. ketiga variabel yang ada pada kolom B.com for more details Gambar 9. maka formulasi yang harus diisi berturut-turut dapat diperhatikan dalam tampilan sebagai berikut .2 : Formula logaritma 59 .1 : Entry data Model Cobb-Douglas Setelah entry data dilakukan. C dan D ditransformasi dalam bentuk logaritma. Gambar 9.

visagesoft.This document was created with free TRIAL version of eXPert PDF. pekerja dan modal selengkapnya dapat diperhatikan dalam tamplan berikut : Gambar 9.3 : Hasil Perhitungan Logaritma Setelah melakukan transformasi variabel.4 : Perhitungan regresi transformasi logaritma 60 . Please visit www. data dalam range E2 : G12 sudah bisa dilakukan pengolahan lebih lanjut.This watermark will be removed after purchasing the licensed full version of eXPert PDF.com for more details Hasil perhitungan nilai logaritma dari variabel output. Gambar 9.

com for more details Hasil perhitungan selengkapnya dapat diperhatikan dalam gambar berikut : Gambar 9. 61 . maka peningkatan jumlah pekerja sebesar 1% maka akan mengakibatkan kenaikan output sebesar 0.This document was created with free TRIAL version of eXPert PDF.8% demikian pula sebaliknya.visagesoft. Dengan demikian.This watermark will be removed after purchasing the licensed full version of eXPert PDF. koefisien yang terkait dengan jumlah pekerja (log pekerja) dapat diinterpretasikan sebagai berikut .5 : Hasil perhitungan transformasi logaritma Interpretasi Model Model logaritma sebagaimana telah dibahas sebelumnya adalah dikenal sebagai model double log karena mengambil nilai logaritma untuk kedua ruas persamaan sehingga baik variabel y maupun variabel x sama-sama dihitung dalam bentuk logaritma. Interpetasi koefisien regresi terhadap model tersebut adalah dinyatakan dalam bentuk persentase sehingga koefisien slope yang diperoleh tidak lain adalah koefisien elastisitas. dengan menganggap bahwa jumlah modal adalah tetap. Please visit www.

. Sebagai contoh. Dalam hal persamaan yang relatif kompleks.. sedangkan t adalah variabel trend (misal 1. Please visit www.5%. transformasi mungkin hanya akan bersifat proxy. Interpretasi terhadap koefisien slope untuk model pertumbuhan ini tidak lain adalah besarnya pertumbuhan dari variabel y itu sendiri.. koefisien intercept yang diperoleh adalah sebesar 0.com for more details Dalam sebuah model intrinsically linear. model fungsi produksi yang ditemukan Constant Elasticity of Substitution (CES) dapat dinyatakan dalam persamaan sebagai berikut . Peningakatan x akan mengakibatkan penurunan pada y. dapat saja hanya salah satu variabel yang ditransformasi dalam bentuk logaritma. Model non-linear lainnya yang sering digunakan dalam analisis regresi adalah model transformasi timbal balik yang dapat dinyatakan dalam formula berikut : 1 y        x Variabel x dengan y diatas berhubungan secara terbaik..visagesoft.n). Model regresi diatas dapat disebut sebagai model semi-log.5 maka interpretasi terhadap hasil tersebut adalah bahwa setiap satuan waktu y meningkat rata-rata sebesar 0. namun peningkatan x yang sedemikian besar bersifat asimtotis terhadap sumbu y dalam arti bahwa y hanya akan mendekati nol dan non-negatif. Katakanlah.3.2. 62 . Contoh yang cukup populer adalah model pertumbuhan yang dapat diformulasikan sebagai berikut : log y     t dalam hal ini y adalah variabel yang akan dihitung tingkat pertumbuhannya.This document was created with free TRIAL version of eXPert PDF.This watermark will be removed after purchasing the licensed full version of eXPert PDF.

δ. K dan L adalah variabel output.This watermark will be removed after purchasing the licensed full version of eXPert PDF. kapital dan tenaga kerja. return to scale dan substitusi. distribusi. Lakukan interpretasi terhadap hasil perhitungan 63 . Adapun koefisien γ. Salah satu cara yang bisa digunakan adalah dengan melakukan proxi melalui deret Taylor sehingga diperoleh persamaan sebagai berikut :   K  log y   0   1 log K   2 log L   3 log    L  dengan catatan bahwa : β0 = log γ β1 = νδ β2 = ν(1-δ) β3 = -1/2ρνδ(1-δ) 2 Berdasarkan hasil transformasi yang telah dilakukan maka proses estimasi koefisien regresi selanjutnya dapat dilakukan melalui prinsip least square sebagaimana telah dijelaskan pada bagian sebelumnya.visagesoft.com for more details y   K    (1   ) L     /  dalam hal ini y. Please visit www. lakukanlah : 1. Latihan Soal Berdasarkan data yang digunakan dalam contoh kasus model CobbDouglas. dan ρ masing masing adalah parameter efisiensi. ν.This document was created with free TRIAL version of eXPert PDF. Estimasi parameter regresi dengan menggunakan pendekatan model fungsi produksi CES 2. Tranformasi linear atas model diatas relatif rumit.

com for more details 3. Please visit www. Bandingkan performance model Cobb-Douglas dengan model CES berdasarkan kualifikasi analisis regresi. 64 .This watermark will be removed after purchasing the licensed full version of eXPert PDF.This document was created with free TRIAL version of eXPert PDF.visagesoft.

kewarganegaraan. misalkan untuk variabel jenis kelamin yang terdiri dari dua pilihan yaitu laki-laki dan perempuan. Jika diinginkan. sehingga harus dikuantifir terlebih dahulu sebelum dilakukan perhitungan lebih lanjut. Maka model yang bisa diajukan adalah sebagai berikut : 65 . Variabel kualitatif sebagai misal adalah jenis kelamin. warna kulit dan sebagainya. Sebagai contoh. Kodifikasi ini tidak menunjukkan bahwa laki-laki lebih superior dibandingkan dengan perempuan. misalnya ingin dilakukan analisis mengenai pengaruh perbedaan jenis kelamin terhadap tingkat gaji yang diterima oleh pagawai golongan tertentu pada suatu perusahaan. Biasanya laki-laki diberi kode 1 dan perempuan diberi kode 0. Please visit www.com for more details S e s i 10 Regresi Dummy Variabel Kualitatif Dalam analisis ekonomi. agama. adakalanya variabel yang akan ditelaah adalah bersifat kualitatif.visagesoft. kodifikasi ini bisa diubah sesuai dengan tujuan analisis. Untuk keperluan pengolahan analisis regresi.This watermark will be removed after purchasing the licensed full version of eXPert PDF. keberadaan variabel ini relatif sulit jika diolah secara langsung.This document was created with free TRIAL version of eXPert PDF. Kuantifikasi dari variabel yang sejatinya adalah berupa variabel kualitatif ini biasanya dilakukan dengan melakukan kodifikasi.

This document was created with free TRIAL version of eXPert PDF. Mengingat variabel jenis kelamin (laki-laki dan perempuan) bersifat kategoris. Contoh Kasus Sesuai dengan kasus diatas.visagesoft.This watermark will be removed after purchasing the licensed full version of eXPert PDF. Please visit www.com for more details y    D   dalam hal ini y adalah tingkat gaji sedangkan D adalah suatu variabel yang menunjukkan perbedaan jenis kelamin. Signifikansi dalam koefisien slope (koefisien β) akan menunjukkan adanya perbedaan dalam gaji antara jenis kelamin yang berbeda. maka dapat dilakukan kodifikasi misalnya D akan bernilai 1 untuk laki-laki dan bernilai 0 untuk jenis kelamin perempuan. misalkan data yang terkumpul adalah sebagai berikut : Gambar 10. Variabel yang sedemikian lebih dikenal sebagai variabel boneka (dummy).1 : Data gaji dan jenis kelamin 66 .

This watermark will be removed after purchasing the licensed full version of eXPert PDF. Please visit www.This document was created with free TRIAL version of eXPert PDF.1). Untuk itulah maka variabel y yang dimasukkan adalah variabel gaji (kolom C) sedangkan untuk independent variable adalah dummy dari kode jenis kelamin (kolom D).visagesoft.2 : Perhitungan regresi dummy Perlu diperhatikan sekali lagi bahwa variabel jenis kelamin yang dientry dalam pengolahan adalah variabel dummy (kodenya) bukan kolom jenis kelamin (kolom B dalam Gambar 10. Gambar 10. Hasil perhitungan untuk model dimaksud dapat diperhatikan dalam print-out sebagai berikut : 67 .com for more details Berdasarkan data diatas ingin diketahui signifikansi perbedaan antara gaji laki-laki dan perempuan.

variabel jenis kelamin terdiri dari dua kategori yaitu laki-laki dan perempuan dan jumlah variabel dummy yang digunakan adalah hanya satu.01575 dibawah level signifikansi konvensional 0. Please visit www.05 yang berarti bahwa koefisien slope adalah signifikan.This document was created with free TRIAL version of eXPert PDF. Kategori dummy Banyaknya variabel dummy yang dapat disertakan dalam suatu model adalah tergantung dari banyaknya kelas atau kategori yang terdapat dalam variabel dimaksud. 68 .This watermark will be removed after purchasing the licensed full version of eXPert PDF. Dengan demikian perbedaan gaji antara pegawai laki-laki dan perempuan adalah bersifat nyata.com for more details Gambar 10.3 :Hasil perhitungan regresi dummy Hasil perhitungan sebagaimana telah ditunjukkan oleh signifikansi t statistik (p-value) koefisien dummy (kode) sebesar 0. Dalam contoh sebelumnya.visagesoft.

This watermark will be removed after purchasing the licensed full version of eXPert PDF. Secara langsung. jika suatu variabel kualitatif memiliki m jumlah kategori maka variabel dummy yang harus dibuat adalah sebanyak m-1. maka variabel dummy yang harus dibuat juga harus lebih banyak.This document was created with free TRIAL version of eXPert PDF. 69 . Sebagai contoh misalkan contoh kasus diatas. tamat SMP dan tamat SMU. variabel penjelas dari gaji dipilih tingkat pendidikan yang terdiri dari tiga kelas atau kategori yaitu tamat SD. tampilan pengolahan data untuk kasus ini dapat diperhatikan dalam gambar sebagai berikut . Maka variabel dummy yang harus dibentuk adalah sebanyak 2 buah. dengan ketentuan misalnya . Please visit www. D1 = bernilai 1 untuk tamat SMU dan 0 untuk lainnya D2 = bernilai 1 untuk tamat SMP dan 0 untuk lainnya Susunan data untuk kasus diatas dapat ditampilkan sebagai berikut .visagesoft. Sebagai aturan baku.4 : Data dummy tiga kategori Pengolahan data analisis regresi untuk model diatas tidak jauh berbeda dengan proses perhitungan model sebelumnya. Gambar 10.com for more details Apabila kategori yang dimiliki oleh sebuah variabel lebih dari dua.

This watermark will be removed after purchasing the licensed full version of eXPert PDF. Please visit www.com for more details Gambar 10.6. SMP dan SD dapat diperhatikan dalam Gambar 7. Tidak seperti variabel jenis kelamin. 70 .This document was created with free TRIAL version of eXPert PDF. Koefisien slope dummy D1 dan D2 masing-masing memiliki probabilita (pvalue) diatas level 0.5 : Perhitungan model dummy tiga kategori Hasil perhitungan menggunakan dummy tingkat pendidikan dengan kategori tamat SMU.visagesoft.05. variabel tingkat pendidikan ternyata tidak berpengaruh penting terhadap adanya perbedaan gaji. Hasil selengkapnya dapat diperhatikan sebagai berikut . Berdasarkan hasil perhitungan dimaksud maka jenis pendidikan tidak memiliki pengaruh yang signifikan terhadap adanya perbedaan gaji karyawan.

com for more details Gambar 10.This document was created with free TRIAL version of eXPert PDF.6 : Hasil perhitungan dummy tiga kategori 71 . Please visit www.visagesoft.This watermark will be removed after purchasing the licensed full version of eXPert PDF.

com for more details S e s i 11 Model Dummy Dua Variabel Regresi Dua Variabel Kualitatif Sejauh ini variabel independent untuk model dummy hanya terdiri dari satu variabel kualitatif. Misalkan terdapat dua variabel penjelas variabel gaji yaitu jenis kelamin dan status pegawai yang terdiri dari pegawai lama dan pegawai baru. Dalam hal ini proses perhitungan masih bisa dilakukan sebagaimana biasanya.visagesoft. Hanya saja. melalui model semacam ini interpretasi dari model dapat dilakukan secara parsial sesuai dengan kategori yang terdapat dalam variabel penjelas.This document was created with free TRIAL version of eXPert PDF. Untuk memperjelas.This watermark will be removed after purchasing the licensed full version of eXPert PDF. misalkan model dimaksud dapat digambarkan sebagai berikut : y     1 D1   2 D2 dalam hal ini y adalah gaji dan D1 = 1 untuk laki-laki = 0 untuk perempuan D2 = 1 untuk pegawai lama = 0 untuk pegawai baru Maka dari model diatas dapat dipecah menjadi beberapa hasil sebagai berikut : 72 . Please visit www.

This watermark will be removed after purchasing the licensed full version of eXPert PDF.1 : Data gaji.1 Entry data juga telah menjelaskan perbedaan kategori sesuai dengan maksud variabel sebagaimana dijelaskan diatas. Rata-rata gaji pegawai laki-laki yang baru adalah y    1 4.This document was created with free TRIAL version of eXPert PDF. jenis kelamin dan status Berdasarkan model serta data sebelumnya dapat dilakukan proses perhitungan dengan hasil akhir yang dapat ditampilkan sebagai berikut : 73 .com for more details 1. Gambar 11.visagesoft. Rata-rata gaji pegawai laki-laki yang lama adalah y    1   2 Untuk memperjelas maka data tentang gaji pegawai disertai dengan jenis kelamin serta status pegawai berdasarkan lamanya bekerja dapat diperhatikan dalam Gambar 11. Please visit www. Rata-rata gaji pegawai perempuan yang baru adalah y  2. Rata-rata gaji pegawai perempuan yang lama adalah y    2 3.

Please visit www.com for more details Gambar 11. Rata-rata gaji pegawai perempuan yang baru adalah 2.visagesoft. interpretasikan hasil perhitungan model regresi pada Gambar 7. Rata-rata gaji pegawai laki-laki yang baru adalah 4.This document was created with free TRIAL version of eXPert PDF.2 : Print-out model dua variabel kualitatif Latihan Soal Dengan menggunakan dasar level signifikansi 10%. Rata-rata gaji pegawai laki-laki yang lama adalah 74 .This watermark will be removed after purchasing the licensed full version of eXPert PDF.8 dan tentukan : 1. Rata-rata gaji pegawai perempuan yang lama adalah 3.

x). ada atau tidak ada dan lain-lain. Pada dasarnya. misalkan ya atau tidak.visagesoft.com for more details S e s i 12 Model Probabilitas Linear Variabel Tergantung Kualitatif Pada bagian sebelumnya telah dijelaskan bahwa variabel kualitatif secara prinsip tetap bisa diolah dengan pendekatan analisis regresi. y). Bahkan bisa saja kategori variabel tergantung terdiri dari lebih dari dua misalkan kurang. Keberadaan variabel ini bisa diwakili oleh variabel boneka atau variabel dummy. variabel kualitatif bisa saja terletak pada sisi dependent variable (variabel tergantung.This document was created with free TRIAL version of eXPert PDF. memiliki atau tidak memiliki. Dengan demikian variabel tergantung bersifat kategoris. Please visit www. Model Probabilitas Linear Salah satu pendekatan yang dapat digunakan untuk menyusun model regresi dengan variabel dependen yang bersifat kualitatif misalnya melalui contoh sebagai berikut : Y    X   dalam hal ini : X adalah tingkat pendapatan dan Y adalah 1 jika memiliki rumah dan 75 . Sejauh ini dummy variables dijelaskan kedudukannya sebagai variabel penjelas (variabel bebas.This watermark will be removed after purchasing the licensed full version of eXPert PDF. cukup dan baik.

E ( 2 )  (   X )(1     X )  E (Y )(1  E (Y )   P (1  P ) Untuk mengatasi masalah ini. tertentu.This watermark will be removed after purchasing the licensed full version of eXPert PDF. X.com for more details 0 jika tidak memiliki rumah Model diatas sering disebut sebagai model probabilitas linear karena menggambarkan harapan matematis dari Y yaitu E(Y/X) untuk setiap X tertentu. E (Y / X )     X  P dengan batasan 0  E (Y / X )  1 Jika ditelaah lebih jauh. distribusi dari Y terletak antara 0 hingga 1. maka dapat dinyatakan : E(Y) = 0(1 – P) + 1(P) =P Secara umum model ini dapat dirangkum dalam persamaan . Dapat dijelaskan bahwa . Please visit www. Dalam contoh diatas dapat dikatakan bahwa E(Y/X) adalah probabilitas seseorang memiliki rumah dikaitkan dengan tingkat pendapatan.visagesoft. sifat dari error term dari model ini secara teoritis mengalami masalah heteroskedastisitas. perlu dilakukan transformasi variabel dengan menambahkan bobot P (1  P ) atau w sehingga model dasar probabilitas linear dapat disusun sebagai berikut : 76 .This document was created with free TRIAL version of eXPert PDF. Berdasarkan definisi tersebut diatas. dengan memisalkan P = probabilitas bahwa Y = 1 (memiliki) dan 1 – P = probabilitas bahwa Y = 0 (tidak memiliki) .

This watermark will be removed after purchasing the licensed full version of eXPert PDF.This document was created with free TRIAL version of eXPert PDF.visagesoft. Please visit www.com for more details Y w   X    w w w Penerapan OLS dalam kasus ini secara teoritis telah dibenarkan. permasalahan serius yang kerap dijumpai dalam model ini adalah probabilitas bersyarat yang diestimasi (predicted) tidak terletak antara 0 dan 1. Meskipun demikian dalam praktik. jika nilai predicted adalah negatif dapat dianggap sama dengan nol dan jika nilai predicted diatas 1 maka dianggap sama dengan satu. Contoh Kasus Berikut diberikan data tentang kepemilikan rumah dari 10 kepala keluarga serta tingkat pendapatan rata-rata dalam satu hari (ribuan rupiah). No 1 2 3 4 5 6 7 8 9 10 Pendapatan 60 80 100 130 150 200 250 300 350 400 Kepemilikan Rumah tidak tidak tidak tidak tidak ya ya ya ya ya 77 . Secara praktis.

1 : Data model kepemilikan rumah Melalui menu Tools dan memilih opsi Data Analysis. buatlah model probabilitas linear dengan memberikan kode 0 bagi keluarga yang tidak memiliki rumah dan 1 bagi yang memiliki rumah. Penyelesaian Excel Data pada contoh kasus dapat disusun dalam lembar Excel sebagai berikut : Gambar 12. Prosesnya dapat diperhatikan dalam tampilan sebagai berikut : 78 . perhitungan model dapat dilakukan dengan pendekatan regresi biasa.com for more details Berdasarkan data diatas.This document was created with free TRIAL version of eXPert PDF.visagesoft.This watermark will be removed after purchasing the licensed full version of eXPert PDF. Please visit www.

visagesoft.3 : Hasil perhitungan model probabilitas linear Nilai prediksi Y atau probabilitas kepemilikan dari rumah adalah sebagai berikut : 79 .com for more details Gambar 12.2 : Perhitungan model probabilitas linear Gambar 12.This document was created with free TRIAL version of eXPert PDF.This watermark will be removed after purchasing the licensed full version of eXPert PDF. Please visit www.

4 : Predicted probabilitas linear Sebagaimana dapat diperhatikan dalam gambar diatas. 80 .com for more details Gambar 12.This watermark will be removed after purchasing the licensed full version of eXPert PDF. Please visit www.This document was created with free TRIAL version of eXPert PDF.visagesoft. nilai prediksi atau probabilitas ada yang memiliki nilai diluar range 0 hingga 1. Hal ini mengakibatkan kesulitan dalam membuat interpretasi terhadap model.

Probabilitas (P) disusun berdasarkan rasio antara jumlah keluarga yang tidak memiliki rumah dengan jumlah keluarga seluruhnya. salah satunya adalah model logit.This document was created with free TRIAL version of eXPert PDF.com for more details S e s i 13 Model Logit Konsep Dasar Model Logit Kelemahan mendasar dari model probabilitas linear adalah inkonsistensi hasil prediksi dengan nilai probabilitas yang ditunjukkan dari nilai prediksi yang berada diluar range 0 hingga 1. model logit dapat diformulasikan sebagai berikut :  P  L  ln      X   1  P  Model diatas menyatakan bahwa logaritma probabilitas dari suatu atribut tergantung atas variabel bebas tertentu (X). Untuk mengatasi hal ini. Kaitannya dengan contoh kasus yang telah diberikan sebelumnya. diperlukan data yang lebih luas mengenai jumlah keluarga yang seluruhnya (N)serta jumlah keluarga yang tidak memiliki rumah (n) dalam tiap tingkat pendapatan. yaitu : P = n/N Selengkapnya perhatikan data berikut : 81 . Secara konsep. maka perlu disusun alternatif model yang menjamin nilai probabilitas Y berada pada range 0 hingga 1.visagesoft. Please visit www.This watermark will be removed after purchasing the licensed full version of eXPert PDF.

com for more details Gambar 13. Please visit www.2 : Formula perhitungan awal model logit 82 .visagesoft.This document was created with free TRIAL version of eXPert PDF. Pengolahan data awal untuk persiapan model logit dapat diperhatikan dalam ilustrasi sebagai berikut : Gambar 13. Dengan demikian terlebih dahulu dibentuk variabel L* = L X* = X g dan g.This watermark will be removed after purchasing the licensed full version of eXPert PDF.1 : Data model logit Untuk menghindari masalah heteroskedastisitas. variabel dalam model logit sebelumnya dapat diberikan bobot g yang diperoleh dari formula = NP (1  P ) sehingga nantinya variabel L dan X nantinya masing-masing dikalikan dengan bobot dimaksud sebelum diolah dengan pendekatan least square biasa.

com for more details Gambar 13.This watermark will be removed after purchasing the licensed full version of eXPert PDF. Please visit www.3 : Hasil perhitungan awal model logit Berdasarkan hasil perhitungan awal.4 : Proses OLS model logit 83 .visagesoft. variabel L* dan X* masing-masing bisa langsung dianalisis dengan menggunakan pendekatan OLS. prosesnya dapat diperhatikan sebagai berikut : Gambar 13.This document was created with free TRIAL version of eXPert PDF.

com for more details Gambar 13.visagesoft. Interpretasi hasil perhitungan model logit 2.This document was created with free TRIAL version of eXPert PDF. Please visit www. 84 .This watermark will be removed after purchasing the licensed full version of eXPert PDF.5 : Hasil perhitungan model logit Latihan Soal Berdasarkan hasil perhitungan yang diperoleh dalam model logit. Perbandingan antara performa model probabilitas linear dengan model logit. jelaskan : 1.

bentuk sederhana dari model autoregresif adalah sebagai berikut : Yt   0   1 X t   2Yt 1   Distributed lag Dalam realitas ekonomi. efek dari perubahan suatu variabel terhadap variabel lainnya terjadi tidak secara seketika akan tetapi memerlukan beberapa waktu..This watermark will be removed after purchasing the licensed full version of eXPert PDF.   Model dinamis seperti diatas lebih dikenal sebagai distributed lags model. Problem serius dalam model semacam ini adalah tidak tentunya panjang time lag yang harus diperhitungkan agar koefisien dalam model bisa diestimasi..This document was created with free TRIAL version of eXPert PDF.. Model semacam ini sering berhubungan dengan aspek dinamis dari suatu model. Secara formulatif...com for more details S e s i 14 Model Autoregresi Konsep Dasar Model autoregresi didefinisikan sebagai model yang mengandung lagged dependent variable sebagai variabel penjelas.visagesoft. Dengan demikian pengaruh dari variabel X terhadap Y jika ditinjau dari dimensi waktu bisa saja dirumuskan sebagai berikut : Yt     0 X t   1 X t 1   2 X t 2  .. Please visit www. Salah satu pendekatan yang cukup populer adalah yang diusulkan oleh LM Koyck dengan mengasumsikan bahwa koefisien  memiliki tanda yang sama dan menurun secara geometris seiring panjangnya lag sehingga bisa digambarkan dalam formula berikut : 85 .

  t 1 Apabila persamaan diatas dikalikan dengan dengan  maka :  Yt 1     0 X t 1   0  2 X t 2   0 3 X t 3  ... Perhatikan bentuk berikut : Yt     X * t   86 ...   t 1 Kurangi persamaan distributed lag dengan persamaan diatas maka akan diperoleh : Yt  Yt 1   (1   )   0 X t  (  t   t 1 ) Jika disusun kembali akan diperoleh : Yt   (1   )   0 X t   Yt 1   t Model terakhir yang dibentuk dari distributed lag model pada akhirnya berubah menjadi model autoregresif..This document was created with free TRIAL version of eXPert PDF..visagesoft..This watermark will be removed after purchasing the licensed full version of eXPert PDF.. Model Ekspektasi Peran ekspektasi dalam khasanah ekonomi menjadi hal yang sangat penting..1.. Oleh karena itu model ekonometrika sering memasukkan variabel ekspektasi secara eksplisit dalam model.2.. maka persamaan Yt     0 X t   0 X t 1   0  2 X t 2  .com for more details  k   0  k dengan k = 0.   t Bentuk lag satu periode untuk model diatas adalah : Yt 1     0 X t 1   0 X t 2   0  2 X t 3  .... Koefisien  dikenal sebagai tingkat penurunan dari lag yang nilainya 0    1 Dengan memperhatikan konsep peluruhan distributed lag dapat disusun kembali sebagai berikut :  . Please visit www.

dalam arti terjadi penyesuaian penuh. kemudian mengalikannya dengan 1 -    dan menguranginya dengan Yt     X t  (1   ) X * t 1   t . X*. nilai  diharapkan berada diantara 0 dan 1. dengan 0    1 *  adalah koefisien ekspektasi Persamaan diatas dapat disusun sebagai berikut .This document was created with free TRIAL version of eXPert PDF. Please visit www. variabel penjelas X bukanlah variabel aktual akan tetapi variabel ekspektasi. Secara normal. Hipotesis ekspektasi adaptif dapat diformulasikan sebagai berikut : X t  X * t 1   ( X t  X * t 1 ).visagesoft. Sebaliknya jika   0 maka tidal terdapat penyesuaian sehingga ekspektasi bersifat statik.This watermark will be removed after purchasing the licensed full version of eXPert PDF. maka akan diperoleh :   Yt    X t  (1   )Yt 1  v t Model ekspektasi diatas secara fungsional adalah berupa model autoregresif karena memiliki variabel penjelas berupa variabel dependend dengan lag periode sebelumnya. X * t  X t  (1   ) X *t 1 Jika nilai   1 maka nilai ekspektasi akan akan sama dengan nilai aktual. 87 . Substitusi variabel ekspektasi terhadap model utama akan diperoleh : Yt     X t  (1   ) X * t 1   t Jika model Yt     X * t   disusun dalam lag satu periode.com for more details Dalam model diatas.

Terdapat beberapa cara untuk mengatasi masalah penaksiran untuk model ini. Contoh Kasus Secara teoritis. Estimasi Parameter Meskipun penggunaan model autoregresif cukup menarik. Dalam hal ini tingkat pendapatan yang dimaksud adalah tingkat 88 . permintaan akan uang salah satunya ditentukan oleh pendapatan. Please visit www.com for more details Berdasarkan pembahasan sebelumnya dapat dikatakan bahwa keberadaan model autoregresif timbul karena tuntutan teoritis.This document was created with free TRIAL version of eXPert PDF. Thomas (1997) mengingatkan bahwa untuk kasus model semacam ini bisa terjadi contemporaneosly uncorrelated yang mengakibatkan estimasi tetap bias meskipun konsisten.This watermark will be removed after purchasing the licensed full version of eXPert PDF. akan tetapi estimasi terhadap koefisien regresi untuk model ini tidak bisa langsung menggunakan pendekatan OLS biasa. Selain daripada itu. Setidaknya ada dua contoh yang melatari penggunaan model ini yaitu keperluan untuk membentuk model dinamis serta penggunaan unobserve variables berupa variabel ekspektasi yang muncul sebagai konsekwensi dari teori ekonomi. Untuk mengetahui secara detail. Hal ini mengingat karena unsur gangguan dalam model ini tidak lagi independent terhadap variabel dependent. Menurut pendekatan ini estimasi OLS bisa dilakukan dengan dua tahap. berikut ilustrasi contoh penggunaan model autoregresif dalam kasus permintaan akan uang. sehingga koefisien regresi OLS akan mengalami bias dan inkonsisten. salah satunya adalah dengan menggunakan metode variabel instrumental.visagesoft.

maka usulan model untuk mencari variabel instrumen adalah dengan melakukan regresi : Yt 1    X t 1 Selanjunya prediksi dari model diatas bisa dijadikan variabel bebas untuk selanjutnya dapat dilakukan pengolahan data melalui OLS tahap ke dua. Apabila disusun kembali. misalkan tersedia data jumlah uang beredar (JUB). Penyelesaian Excel Untuk memperjelas. tingkat pendapatan dan jumlah uang beredar tahun sebelumnya dalam gambar berikut : 89 . Please visit www. Jika jumlah uang beredar sangat erat kaitannya dengan pendapatan. Dengan mengikuti proses manipulasi matematis untuk model ini maka model estimasi bisa disajikan dalam bentuk : Yt   0   1 X t   2Yt 1  t Mengingat permasalahan yang sebelumnya telah dibahas. variabel instrumental ini dapat dihasilkan dari predicted Yt-1 melalui regresi Yt-1 dengan variabel penjelas yang representatif.visagesoft.This document was created with free TRIAL version of eXPert PDF. variabel Yt-1 dapat diganti dengan variabel instrumental sehingga nantinya akan diperoleh model : ˆ Yt   0   1 X t   2Yt 1  t Dalam praktek. maka model dimaksud bisa dituliskan sebagai berikut Yt     X * t   dalam hal ini Yt adalah jumlah uang beredar sedangkan X* adalah pendapatan yang diharapkan. Sebagai jalan keluarnya. maka penggunaan OLS secara langsung tidak dibenarkan.This watermark will be removed after purchasing the licensed full version of eXPert PDF.com for more details pendapatan dalam jangka panjang atau tingkat pendapatan yang diharapkan.

1 : Data model autoregresif Langkah pertama untuk menyelesaikan permaslahan ini adalah mencari nilai predicted untuk variabel jumlah beredar untuk tahun sebelumnya melalui regresi variabel dimaksud dengan variabel income lag 1. Please visit www.This watermark will be removed after purchasing the licensed full version of eXPert PDF.visagesoft.com for more details Gambar 14. Gambar 14.2 : Proses OLS tahap pertama 90 .This document was created with free TRIAL version of eXPert PDF.

3 : Predicted JUB-1 Langkah selanjutnya adalah memindahkan data predicted JUB-1 pada data utama sehingga dapat disusun data sebagai berikut : Gambar 14. Please visit www.This document was created with free TRIAL version of eXPert PDF.com for more details Sambil lalu diperhatikan bahwa pilihan residual harus dipilih agar nilai prediksi dari variabel Y t-1 bisa diperoleh.This watermark will be removed after purchasing the licensed full version of eXPert PDF.4 : Data untuk OLS tahap II 91 . Nilai prediksi dari JUB lag satu periode (Predicted JUB-1) dari model diatas adalah sebagai berikut : Gambar 14.visagesoft.

This document was created with free TRIAL version of eXPert PDF. Pembuatan model autoregresif dengan mengambil nilai logaritma pada setiap variabel yang diteliti.This watermark will be removed after purchasing the licensed full version of eXPert PDF.visagesoft.6 : Hasil perhitungan model autoregresif Latihan Soal Berdasarkan data yang telah tersedia sebelumnya. Please visit www. lakukan : 1. 92 . Gambar 14.5 : Perhitungan OLS tahap kedua Gambar 14.com for more details Langkah selanjutnya adalah mengolah kembali data tersebut dengan menggunakan pendekatan OLS biasa.

This document was created with free TRIAL version of eXPert PDF.This watermark will be removed after purchasing the licensed full version of eXPert PDF. Ulangi langkah diatas dengan menambah variabel penjelas pasa saat membuat prediksi JUB. Interpretasi hasil perhitungan berdasarkan konsep ekonomi yang relevan. Please visit www. 93 .visagesoft. 3.com for more details 2. misalkan dengan menambahkan tingkat suku bunga.

.....68 Sesi 11 ...............32 Asumsi Normalitas ....................................................................61 Sesi 10 ...........25 Uji Signifikansi t .....................................................25 Sesi 5 ...................................................................................................................................................................................................................48 Sesi 9 ..............................................................................................36 Asumsi Homoskedastisitas.......................................................................................................32 Perilaku Unsur Gangguan............................................11 Koefisien Korelasi.......................................................................This document was created with free TRIAL version of eXPert PDF................................................................................................................................................visagesoft.............................................................................................................................21 Inferensial Statistik.........................................................................21 Pengujian Secara Statistik.............................................................36 Sesi 7 ..............................33 Sesi 6 .........................................................1 Definisi ....65 Variabel Kualitatif ...........................................................................................................................................................................................................................1 Regresi Sederhana.............................................................................................................40 Sesi 8 ...........................14 Standard Error Prediksi .................................................................................................................................................................................................................................................................................................................................................................................................................11 Koefisien Determinasi..........................................45 Regresi Melalui Menu Tools............................................................................................................................................................25 Uji Signifikansi F ............................................................................3 Sesi 2 ....................................................................... Please visit www..........................11 Variasi .....................................................................................................................................................72 Model Dummy Dua Variabel .........................................................................................................................................................................................22 Sesi 4 ....................................25 Uji Koefisien Individual dan Simultan....................40 Asumsi Autokorelasi.......................................................................................................................................45 Spesifikasi Regresi Multipel .........................................................................................19 Sesi 3 ......................................................................................................................................................1 Model Regresi Sederhana .................................................................................................................................................................................................................................................................................................................................................56 Regresi Non Linear ........................com for more details Daftar Isi Sesi 1 .................................................................This watermark will be removed after purchasing the licensed full version of eXPert PDF....................65 Kategori dummy .....72 ..................................72 Regresi Dua Variabel Kualitatif............................................................................40 Asumsi Autokorelasi ...........11 Korelasi dan Determinasi ..............................................................21 Standar Error Koefisien Regresi ....................................................56 Linearitas Koefisien dan Variabel ..........................................................65 Regresi Dummy...........................................................56 Interpretasi Model.........................................................45 Regresi Multipel.................................................................................................................................................1 Estimasi Parameter................................................................................................................................................................................................................................32 Asumsi Normalitas ..........................................................................................................................36 Asumsi Homoskedastisitas .......

................... Please visit www..........................................................................................................................81 Konsep Dasar Model Logit.........................................75 Model Probabilitas Linear ...............................................................................81 Model Logit.............................................75 Sesi 13 ..........................................................................................................................................................................This watermark will be removed after purchasing the licensed full version of eXPert PDF............................................................visagesoft...................................................................................................................85 Distributed lag................85 Konsep Dasar.......75 Variabel Tergantung Kualitatif ..........................................................................com for more details Sesi 12 ..........................................................75 Model Probabilitas Linear .........................................................85 Model Ekspektasi .........85 Model Autoregresi ......................................................................................................................................................................This document was created with free TRIAL version of eXPert PDF...................................81 Sesi 14 ..........................88 ....................................................................86 Estimasi Parameter..........................................................................................................................................................

You're Reading a Free Preview

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