Pada umumnya ilmu ekonomi mempelajari hubungan-

hubungan antara variabel ekonomi. Hubungan-hubungan

yang fungsional tersebut mendefinisikan ketergantungan
variabel terikat pada variabel-variabel bebas dalam bentuk
yang spesifik --- linear, kuadratik, logaritma, eksponensial
atau hiperbola.
Hubungan antara X dan Y yang berbentuk Y = f(x)
dikatakan deterministik (pasti) atau nir-stokastik, jika
setiap nilai variabel bebas (X) terdapat satu nilai variabel
terikat (Y). Sedangkan suatu hubungan antara X dan Y
dikatakan stokastik, jika suatu nilai X tertentu terdapat
distribusi probabilitas menyeluruh dari nilai Y.
Dalam kasus stokastik, setiap nilai X tertentu, variabel
terikat (Y) dapat memiliki beberapa nilai dengan
probabilitas yang tertentu.
MODEL REGRESI LINIER SEDERHANA
Bentuk paling sederhana dari hubungan stokastik antara
dua variabel X dan Y disebut model regresi linear
i i i
e X Y + + = | o
Alasan penyisipan faktor e antara lain adalah :
a. Karena kesalahan persamaan
b. Karena kesalahan dalam pengukuran (kesalahan dalam
variabel) --- faktor gangguan dapat mewakili kesalahan-
kesalahan dalam pengukuran baik dalam pencatatan,
pengumpulan maupun pengolahan data.
Karena ketidaksempurnaan spesifikasi bentuk
matematis model --- mungkin persamaan yang
sebenarnya bukan linear atau kesalahan yang berkaitan
dengan jumlah persamaan model.
Bentuk persamaan di atas merupakan bentuk persamaan
yang paling sederhana. Dengan menambahkan satu atau
lebih variabel bebas, pada model persamaan regresi linear
sederhana akan berbentuk model regresi linear berganda.
Pembentukan model empiris akan sangat ditentukan oleh
bentuk model teoritis yang melandasi kerangka analisa
serta keberadaan data / fakta yang terjadi pada keadaan
realitanya. Sejumlah model linear tersaji, baik linear
dalam variabel dan linear dalam parameter, dapat
diturunkan menjadi model estimasi. Adapun bentuk-
bentukalternatif model terpilih dapat dirumuskan sebagai
berikut : a) Model linear, b) Model Log Linear, c) Model
Log Lin, d) Model Lin Log, Model Reciprocal
Model Equation Slope Elasticity
Linear Y = |
1
+ |
2
X

|
2
|
2
(X/Y)

Log Linear LnY = |
1
+ |
2
LnX

|
2
(X/Y) A
2
Log Lin LnY = |
1
+ |
2
X

|
2
(Y)

A
2
(X)

Lin Log Y = |
1
+ |
2
lnX

|
2
(1/X)

|
2
(1/Y)

Reciprocal Y = |
1
+ |
2
(1/X)

|
2
(1/X
2
)

-|
2
(1/XY)

ASUMSI-ASUMSI KLASIK DAN KONSEKUENSINYA
Sejumlah asumsi terhadap penggunaan pendekatan OLS
(Ordinary Least Square) sebagai salah satu alat estimasi
guna mencapai parameter yang BLUE (Best Linear Un-
biased Estimator) antara lain adalah : Tetapnya nilai varian
(asumsi homoskedastisitas), tidak berkorelasinya antar
variabel bebas (non Multikolinearitas), tidak berkore-
lasinya antara variabel pengganggu (non serial correlation)/
non otokorelasi) dan asumsi normalitas.
ASUMSI HOMOSKEDASTISITAS
Salah satu asumsi klasik dalam model regresi linear adalah
bahwa variabel pengganggu (e) mempunyai varians yang
sama dari satu pengamatan ke pengamatan lainnya, yakni
sebesar o
2
. Apabila variansnya berbeda disebut heteroske-
dastisitas. Kondisi hetero ini timbul apabila kita
menggunakan data cross section.
Cara mengetahui Heteroskedastisitas : (a) dengan cara me-
lihat nature of problem, yaitu sifat dari masalah yang di-
teliti, misalnya dengan melihat hasil penelitian terdahulu /
pengalaman masa lalu, (b) dengan menggunakan metode
grafik (graphical method) yaitu dengan menyusun scatter
diagram antara :


Apabila scatter diagram itu semakin melebar atau me-
nyempit, maka ada kemungkinan terjadi heteroskedasti-
sitas, (c) melalui pengujian-pengujian.
Untuk pengujian dapat dilakukan dengan :*)
i i
Y dengan e

2
i i
denganX e
2
Atau antara
Data yang tidak dikelompokkan : Uji Park, Uji Gleyser
dan Uji korelasi jenjang Spearman
Data yang dikelompokkan : Uji Chi-Square
*) berdasarkan uji Park, hasil analisis regres untuk menak-
sir model Y
i
= o + |X
i
+ c
i
diperoleh o = 36,429; R
2
=
0,845; | = 0,0589 dengan S
b
= 0,011 dan t
b
hitung = 5,231;
artinya ada hubungan yang bermakna antara X dengan Y.
Sedangkan berdasarkan hasil regres untuk menaksir ln e2i
dengan menggunakan ln X
i
(model ln e
2
i
= o + |X
i
+ c
i
)
diperoleh o = - 0,076; R
2
= 0,027; | = 0,394 dengan S
b
=
1,067 dan t
b
hitung = 0,370; artinya tidak ada hubungan
yang bermakna antara ln e
2
i
dengan ln X
i
yang berarti
tidak terjadi heteroskedastisitas dan model tersebut dapat
dipergunakan untuk peramalan.
Berdasarkan uji Korelasi Rank Spearman (dapat diterap-
kan pada sampel yang berukuran kecil) dengan rumus :
( )
(
(

=

1
6 1
2
2
n n
d
r
i
s
Yang dikorelasikan adalah antara kesalahan pengganggu
(dalam nilai mutlak) dengan variabel X. Apabila korelasi
jenjang Spearman mendekati 1 dan mempunyai makna
melalui uji t, maka dianggap ada heteroskedastisitas. Uji t
untuk korelasi ini adalah :
( )
( )
2
1
2
s
s
r
n r
t

=
Diperoleh hasil : t hitung lebih kecil dari pada t tabel,
maka hipotesis yang menyatakan ada heteroskedastisitas
ditolak (Ha ditolak, Ho diterima).
Untuk regresi berganda, pengujian dilakukan untuk
sewtiap X terhadap variabel pengganggu secara terpisah.
Apabila ada pengaruh heteroskedastisitas, di mana varians
berbeda, maka model itu akan :
Mempunyai koefisien regresi yang masih BLUE
Varians b tidak lagi minimum
Kemampuan prediksi rendah
Terjadi misleading, misalnya t, F, R tinggi tapi heteros-
kedastis atau t, F dan R rendah yang juga heteroske-
dastis.
Jalan keluar yang bisa ditempuh apabila ada heteroske-
dastis adalah melakukan transformasi model.
OTOKORELASI
Dalam suatu model regresi asumsi yang harus dipenuhi
adalah tidak adanya oyokorelasi antara kesalahan peng-
ganggu periode t dengan kesalahan pengganggu pada pe-
riode (t 1) atau tidak ada serial korelasi.
Sebab-sebab terjadinya otokorelasi antara lain adalah : (1)
kelambanan : besar kemungkinan terjadi pada data histo-
ris. Perubahan situasi ekonomi biasanya tidak terjadi de-
ngan segera, biasa lamban, dan tergantng besarnya penga-
ruh variabel-variabel yang ikut menentukan panjangnya si-
klus dan kecepatan perubahan; (2) spesifikasi bias : apabila
dalam suatu model tidak mengikutsertakan suatu atau
beberapa variabel, padahal variabel tersebut relevan, maka
dapat menimbulkan otokorelasi (penghilangan sejumlah
variabel penjelas); (3) kesalahan spesifikasi bentuk model
matematis yang dipilih sebagai model empiris : misalnya
yang seharusnya model itu non linier, tetapi dipaksa secara
linier, maka akan menimbulkan otokorelasi pada kesa-
lahan pengganggu; (4) pengaruh time lag : apabila variabel
dependen tidak hanya dipengaruhi oleh variabel indepen-
den, tetapi juga oleh variabel dependen pada periode sebe-
lumnya.

Pengujian Nonotokorelasi
Cara untuk menguji apakah model tersebut bersifat otoko-
relasi atau tidak dapat dipergunakan Uji Durbin Watson.
Untuk mendeteksi adanya otokorelasi Durbin Watson
mempergunakan rumus :
( )

=
=

=
1
2
2
2
1
t
t
t
t t
e
e e
d
Cara pengujian : (a) Uji otokorelasi positif, (b) Uji otokore-
lasi negatif, (c) Uji otokorelasi dua sisi.
Uji otokorelasi positif

Durbin Watson menyatakan bahwa apabila angka statis-
tik d s 0, maka ada otokorelasi positif.
Ho : Tidak otokorelasi positif
Ha : Ada otokorelasi positif
Di mana :
d < d
L
berarti d adalah bermakna (signifikan) sehingga
menerima hipotesis alternatif yang menyatakan
ada otokorelasi positif.
d > d
U
berarti d adalah tidak bermakna (tidak signifikan)
sehingga menerima hipotesis nol yang menyatakan
tidak ada otokorelasi positif.
d
L
< d < d
U
berarti pengujian tidak dapat memberikan
keputusan (inconclusive --- ragu-ragu)
Uji otokorelasi negatif

Pada kasus otokorelasi negatif , pengujiannya adalah :
d > 4 d
L
berarti d adalah bermakna (signifikan) sehingga
menerima hipotesis alternatif yang menyatakan ada
otokorelasi negatif.
d < 4 d
U
berarti d adalah tidak bermakna (tidak signi-
fikan) sehingga menerima hipotesis nol yang
menyatakan tidak ada otokorelasi negatif.
4 d
U
< d < 4 d
L
berarti pengujian tidak dapat membe-
rikan keputusan (inconclusive --- ragu-ragu)
Uji otokorelasi dua sisi

Pada kasus otokorelasi uji dua sisi , pengujiannya adalah :
d < d
L
berarti d adalah bermakna (signifikan) sehingga me-
nerima hipotesis yang menyatakan ada otokorelasi.
d > 4 d
L
berarti d adalah bermakna (signifikan) sehingga
menerima hipotesis yang menyatakan ada otokore-
lasi.
d
U
< d < 4 d
U
berarti ?????

MULTIKOLINEARITAS

Multikolinearitas atau kolinearitas ganda merupakan suatu
keadaan di mana hubungan linier yang sempurna antara
variabel-variabel penjelas atau variabel bebas.
Untuk mendeteksi atau mengetahui suatu model regres
mempunyai kolinearitas ganda atau tidak dapat dilakukan :
1) Berdasarkan tanda-tanda : (a) koefisien determinasi gan-
da tinggi; (b) koefisien korelasi tinggi; (c) nilai F hitung
tinggi; (d) tidak satupun (sedikit sekali) variabel-variabel
bebasnya memiliki uji t yang siginifikan.
2) Jika hanya ada dua variabel bebas, apabila korelasi antar
dua varaiebl tersebut tinggi, maka ada indikasi dalam
kodel tersebut terdapat kolinearitas. Akan tetapi apabila
model tersebut mempunyai lebih dari dua variabel
bebas, dan diperolej korelasi antara dua variabel rendah
tidak berati model tersebut tidak ada kolinearitas ganda.
3. Apabila nilai determinan dari (X X) adalah sangat
kecil, dapat dijadikan petunjuk terjadinya kolinearitas
ganda dan apabila sama dengan nol, berati kolinearitas
ganda itu adalah sempurna.
4. Apbila koefisien determinasi gandanya tinggi, tetapi
koefisien determinasi partialnya rendah dibandingkan
dengan koefisien determinasi simultannya, berarti ada
kolineraitas ganda.
5. Mengadakan uji F antar variabel penjelas. Jika ternyata
signifikan, maka dapat dianggap ada kolinearitas ganda.
Jika tidak siginifikan, maka variabel variabel bebas
dapat dipertahankan.
Akibat adanya multikolinearitas antara lain adalah :
1. Dengan semakin meningkatnya kolinearitas, probabili-
tas melakukan kesalahan tipe 2 pada hipotesis (meneri-
ma hipotesis yang pada hakekatnya salah) akan semakin
besar.
2. Pengujian masing-masing koefisien regresi tidak satupun
yang bermakna --- atau hanya satu yang bermakna
(walaupun koefisien determinasinya tinggi)
Terapi yang dapat digunakan dengan adanya multikoli-
nearitas antara lain adalah :
1. Mengadakan penggabungan antara data cross-section
dan time series, yang disebut dengan pooling data
2. Mengeluarkan salah satu variabel bebasnya dari model.
3. Mentransformasi variabel yang ada dalam model.
4. Menambah data baru atau memperbesar ukukran
sampel.