Ekonometrika

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 = 0 + 1X +
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
0 = i ntercept / constant
1 = sl ope coeffi ci ent
= di sturbance / unsur gangguan
Karakteri sti k dari model regresi yang membedakannya dengan model
matemati ka adal ah adanya unsur gangguan ( ) 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 0 dan 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
+ =
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 dengan demi ki an merupakan sel i si h antara Y dari data aktual dengan Y
esti masi , yai tu :
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
)
( 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

=
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
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
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
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
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 :
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 :
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) ?
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 :
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 :
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.
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 :
15
e Y Y + =

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 + =
Dengan mengkuadratkan kedua si si persamaan di atas dan menjuml ahkan untuk
semua sampel maka akan di perol eh persamaan :
2 2 2
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 !
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 :
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.
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
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
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 .
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
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 = 0 + 1X +
peri l aku dari unsur gangguan harus di asumsi kan memi l i ki beberapa
karakteri sti k, di antaranya adal ah :
1. Unsur gangguan bersi fat acak, di di stri busi kan secara normal dengan
harapan matemati s atau rata-rata sama dengan nol ; E ( ) = 0
2. Vari ans dari yai tu o
2
adal ah konstan untuk seti ap observasi ; E ( i
2
) = o
2
untuk ti ap i
3. Ti dak terdapat korel asi antar unsur gangguan yang berurutan; E ( i 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
23
berdasarkan akar kuadrat dari devi asi atau vari ans koefi si en regresi sampel (b )
dengan koefi si en regresi popul asi ( ).
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 :
|
| |
k
X k b
E + =
+ + E =
1
1 0 1
) (
Harapan matemati s dari b 1, dengan demi ki an ;
1
1 1
) ( ) (
|
|
=
E + = kE b E
yang menunjukkan bahwa b 1 adal ah esti mator yang ti dak bi as bagi 1 dengan
menggunakan asumsi bahwa E ( ) = 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

|

+ +
+ + + + =
E =
=
dengan menggunakan asumsi E ( i
2
) = o
2
dan E ( i j) = 0 maka persamaan
terakhi r dapat di nyatakan sebagai ;
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 .
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
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
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
, 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
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
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 :
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
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
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
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
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
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.
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

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
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 :
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
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 .
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 i 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( i 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.
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 .
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 :
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.
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 .
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 = 0 + 1 X 1 + 2 X 2 + 3 X 3 + . . +
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 ) .
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.
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 :
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.
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
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
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 :
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
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
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
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.
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
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 :
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 :
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
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
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.
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 :
| 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 ;
63
| |
v

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 , , , dan 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 :
0 = l o g
1 =
2 = ( 1 - )
3 = - 1 / 2 ( 1 - )
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
64
3. Bandi ngkan performance model Cobb-Dougl as dengan model CES
berdasarkan kual i fi kasi anal i si s regresi .
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 :
66
| 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 ) 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
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 :
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.
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 ;
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 ;
71
Gambar 10.6 : Hasi l perhi tungan dummy ti ga kategori
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 :
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 :
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
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 :
| 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
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 :
77
w w
X
w w
Y
|
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
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 :
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 :
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 .
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 :
| 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 :
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
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
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.
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 :
| | | + + + =
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 :
| | | 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 :
86
k
k
| |
0
= dengan k = 0,1,2......
Koefi si en di kenal sebagai ti ngkat penurunan dari l ag yang ni l ai nya 1 0 < <
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 | | | 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 | | | o
Apabi l a persamaan di atas di kal i kan dengan dengan maka :
1 3
3
0 2
2
0 1 0 1
...

+ + + + + =
t t t t t
X X X Y | | | o
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 | o
Ji ka di susun kembal i akan di perol eh :
t t t t
Y X Y v | 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
*
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.
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
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

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 :
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
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
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 .
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.
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
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

Ekonometrika

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Ekonometrika

Uploaded by

Copyright:

Available Formats

1

, F hi tung, degree of freedom (df), Sum of Squre

You might also like