Anda di halaman 1dari 55

BAB 5 ANALISIS REGRESI LINEAR BERGANDA : PERSOALAN ESTIMASI

Dalam bab 3 dan 4 telah dibahas hubungan atau korelasi antara dua variabel (antara X dan Y) dengan menggunakan garis Regres linear sederhana (sample linear regression) untuk meramalkan nilai variabel tidak bebas Y kalau nilai X sudah diketahui, yaitu X=X0. Dalam praktiknya, hubungan atau korelasi antara dua variabel melalui regresi sederhana untuk meramalkan nilai Y dengan X yang sudah diketahui nilainya tidak cukup, sebab selain X, masih da variabel lainnya. Misalnya, kalau Y=konsumsi, variabel yang mempengaruhi, selain pupuk, juga bibit/benih, luas sawah yang ditanami, curah hujan, petani padi, hama dan lain sebagainya. Kalau Y=hasil penjualan, variabel yang mempengaruhi, selain biaya advertensi, juga tingkat pendapatan masyarakat, tingkat harga, selera, dan lain sebagainya. Apabila dalam persamaan garis regresi tercakup lebih dari dua variabel termasuk variabel tidak bebas Y), maka regresi ini disebut garis regresi ini disebut garis regresi linear berganda (multiple linear regression). Dalam regresi linear berganda, variabel tidak bebas Y tergantung dua atau lebih variabel. Ada beberapa cara untuk menuliskan persamaan regresi linear berganda yang mencakup dua atau lebih variabel, yaitu sebagai berikut. Populasi Atau Sampel atau :Yi= A + B1X1i + B2X2i + ... + BkXki + i : Yi= B1+ B2X2i + B3X3i + ... + BkXki + i : Yi= a + b1X1i + b2X2i + ... + bkXki + ei : Yi= b1 + b2X2i + b3X3i + ... + bkXki + ei (5.1) (5.2) (5.3) (5.4)

Untuk selanjutnya, dalam buku ini akan dipergunakan (5.2) untuk populasi (regresi sebenarnya) dan (5.4) untuk sampel (regresi pewrkiraan). Baik (5.2) maupun (5.4) masingmasing terdiri dari 1 variabel tidak bebas Y dan (k 1) variabel bebas X,l yaitu : X2,X3, ..., Xk. Jadi, semuanya ada 1 + (k 1) = k variable. Untuk model dengan 3 variabel, berarti k = 3, satu variabel tidak bebas Y dan dua variabel bebas X2 dan X3. Y = B1 + B2X2 + B3X3 + Sedangkan untuk sampel ditulis sebagai berikut. Yi = b1 + b2X2i + b3X3i + ei i = b1 b2X2i + b3X3i, I = 1, 2, ,n ei = Yi i = perkiraan kesalahan pengganggu. Selanjutnya, untuk menjelaskan pengertian masing-masing koefisien regresi parsial (partial coefficient of regression), regresi (5.2) dan (5.40 ditulis sebagai berikut. Populasi Sampel : Yi = B1.23 + B12.3X2i + B13.2X3i + I : Yi = b1.23 + b12.3X12.3+ b13.2X3i + ei : i = b1.23 + b12.3X2i + b13.2X3i 1 (5.7) (5.8) (5.6)

(5.5)

Angka-angka yang tercantum pada setiap koefisien disebut indeks atau subscript, angka satu menunjukan variabel Yi atau X ii (bisa juga Yi ditulis Xii, sebagai variabel pertama), angka dua dan tiga menunjukan variabel X2 dan X3. Koefesien b1.23 pemeriksa B1.23 disebut intercept, yaitu titik potong antara garis regresi dengan sumbu tegak Y. Arti sesungguhnya sebetulnya merupakan rata-rata pengaruh (mean or average effect) dari berbagai variabel atau faktor yang mempengaruhi Y, tetapi tidak dimasukan dalam persamaan regresi. Interpretasi yang paling mudah ialah bahwa b1.23merupakan nilai perkiraan rata-rata Y kalau X2 = X3 = 0, sebab i = b1.23 + b12.3X2 + b13.2X3, Yi = b1.23. jadi, b1.23merupakan nilai perkiraan/ramalan Y kalau X2 = X3 = 0 (b1.23 dibaca b satu, titik, dua tiga). b12.3 dan b13.2 pemeriksa B12.3 dan B13.2 disebut koefisien regresi parsial (partial coefficient of regression). b12.3 dan b13.2 dibaca b satu dua, titik, tiga dan b satu tiga,titik, dua. Didalam analisis ekonomi, sering kali kita membuat asumsi/anggapan bahwa suatu faktor variabel tetap, misalnya kita akan melihat pengaruh biaya advertensi (X3) terhadap hasil penjualan (Y2) kalau pendapatan (X3) tetap, atau pengaruh harga terhadap jumlah permintaan kalau pendapatan masyarakat konstan/tetap tidak berubah. b12.3 menunjukan besarnya pengaruh X2 terhadap Y kalau X3 tetap. B13.2menunjukan besarnya pengaruh X3 terhadap Y kalau X2 tetap. Untuk 4 variabel, notasinya menjadi sebagai berikut: i = b1.234 + b12.34X2 + b13.24X3 + b14.23X4 Misalnya: = hasil penjualan (perkiraan atau ramalan) X2 = biaya advertensi X3 = pendapatan X4 = harga, atau = produksi padi (perkiraan atau ramalan) X2 = pupuk X3 = bibit X4 = luas sawah Notasi ini diciptakan oleh G. U. Yale12), yang kelihatannya secara sepintas terlalu ruwet, tetapi sangat bermanfaat. Notasi ini sangat jelas menunjukan mana variabel yang tidak bebas (selalu diberi symbol angka 1, merupakan variabel yang pertama), kemudian mana variabel bebas yang dimulai dengan angka 2, 3, ..., dan seterusnya. Urutan angka-angka ini tidak menunjukan pentingnya suatu variabel, fungsinya hanya sekedar untuk membedakan variabel yang satu dengan yang lainnya. Apabila kita perhatikan, setiap variabel tercantum dua indeks, yaitu X1i, X2i,X3i dibaca Y satu 1, X dua I, X tiga I,. indeks pertama menunjukan jenis variabel (hasil penjualan, konsumsi, pendapatan nasional, produksi padi, dan lain sebagainya), sedangkan indeks yang 2

kedua menunjukan nilai observasi yang keberapa dari suatu variabel tertentu. Indeks i menunjukan observasi ke i, yaitu data hasil pencatatan/penelitian dari suatu jenis variabel tertentu. Indeks i bergerak/mempunyai nilai 1 atau satu sampai dengan n (n = banyaknya elemen sampel, yaitu i = 1, 2, 3,..,n. kalau n = 25, I = 1, 2, 3,..., 25). Contoh: Y11 Y12 Y13 dibaca Y satu satu, Y satu dua, Y satu tiga, artinya nilai observasi Y yang pertama, kedua dan ketiga. X24 X25 X29 dibaca X dua empat, X dua lima, X dua Sembilan, artinya nilai observasi X2 yang keempat, kelima, dan kesembilan. X33X37X38 dibaca X tiga tiga, X tiga tujuh, X tiga delapan, artinya nilai observasi X3 yang ketiga, ketujuh dan kedelapan. Untuk regresi dengan tiga variabel (X1, X2,dan X3). Seiap koefisien tercantum tiga angka sebagai indeks. Angka disebelah kiri tanda titik disebut indeks utama (primary subscript), sedangkan yang disebelah kanan tanda titik disebut indeks sekunder (secondary subscript). Indeks utama yang pertama selalu menunjukan variabel tidak bebas Y, sedangkan yang kedua menunjukan variabel bebas untuk koefisien regresi terkait, sedangkan indeks sekunder menunjukan variabel-variabel bebas mana yang tercakup dalam model.

Conoth:

b12.3 b13.2

= besarnya pengaruh X2 terhadap Y kalau X3 tetap = besarnya pengaruh X3 terhadap Y kalau X2 tetap

b12.345 = besarnya pengaruh X2 terhadap Y kalau X3, X4, dan X5 tetap b14.235 = besarnya pengaruh X4 terhadap Y,kalau X2,X3, dan X5 tetap b15.234 = besar pengaruhnya X5 terhadap Y,kalau X2,X3, dan X4 tetap 5.1.1 Asumsi dalam Model Regresi Berganda Untuk model regresi linear 3 variabel atau lebih, kita pergunakan asumsi-asumsi sebagai berikut. (1). E(i) = untuk setiap I, I = 1, 2,,n. Artinya, rata-rata kesalahan pengganggu nol. (2). Kov(i,j) = 0, I j (5.10) (5.9)

Artinya, kovarin (i, j) nol. Dengan perkataan lain, tidak ada korelasi antara kesalahan pengganggu yang satu dengan yang lainnya. 3

(3). Var(i) =

setiap i, i = 1, 2,, n

(5.11)

Artinya, setiap kesalahan pengganggu mempunyai varian yang sama. (4). kov(i, X2i) = kov(i, X3i) = 0 (5.12)

Artinya, kovarian setiap kesalahan pengganggu dengan setiap variabel bebas nol. Dengan perkataan lain, tidak ada korelasi antara kesalahan pengganggu dengan setiap variabel bebas yang tercakup dalam persamaan regresi linear berganda. (5). Tidak ada multicollinearity, yang berarti tidak ada hubungan linear yang ekstra antara variabel-variabel bebas. Dalam hal 3 variabel, tidak ada korelasi antara X2 dan X3. Dengan menggunakan bahasa matriks, tidak ada multicollinearity, hubungan berikut. K1X2i + k2X3i = 0 (5.13) berarti berlaku

Dimana k1 = k2 = 0. Dalam hal ini X2i dan X3i dikatakan linearly independent13) kalau hubungan (5.13) berlaku, maka X2i dan X3i merupakan vector yang mencakup seluruh observasi. Persoalan kolinearitas ganda atau multicollinearity akan dibahas dalam buku jilid II, sebab sudah termasuk penyimpangan asumsi statistika yang klasik mengenai regresi linear. Walaupun demikaian, asumsi tidak adanya multicollinearity sangat mudah dipahami, Misalkan dalam persamaan (5.7); Y, X2, dan X3 masing-masing menunjukan konsumsi, pendapatan dan kekayaan. Dengan memasukan variabel pendapatan (X2) dan kekayaan (X3) kedalam p[ersamaan regresi linear untuk meramalkan konsumsi (Y), teori ekonomi menganggap bahwa kedua variabel tersebut mempunyai pengaruh yang bebas (independent influence) terhadap konsumsi, ini berarti tidak ada hubungan atau korelasi antara pengaruh pendapatan terhadap konsumsi dn pengaruh kekayaan terhadap konsumsi. Kalau memang jelas X2 dan X3 ada hubungan linear yang eksak, maka cukup satu variabel saja yang dimasukan dalam persamaan regresi linear berganda, tidak perlu kedua duannya. Skali lagi ditegaskan disini, bahwa persoalan multicollinearity akan dibahas secara mendalam dalam buku jilid II, termasuk jalan keluarnya kalau memang terjadi multicollinearity.

5.2 Interpretasi Persamaan Regresi Berganda, Arti, dan Cara Estimasi Koefisien Regresi Parsial serta Variannya. 4

Perhatikan persamaan (5.7) berikut. Yi = B1.23 + B12.3X2i + B13.2X3i + i Apabila kita mengambil nilai harapan bersyarat (conaitional expectation) terhadap Y, maka oleh karena E(i) = 0, kita peroleh hasil berikut. E(Yi/X2,X3) = B1.23 + B12.3X2 + B13.2X3 (5.14)

Persamaan (5.14) merupakan rata-rata atau nilai harapan bersyarat Y dengan X2 dan X3 yang nilainya diketahui (given). Jadi, analisis regrasi menghasilkan nilai rata-rata atau nilai harapan bersyarat Y kalau X2 dan X3 nilainya diketahui. Nilai Y ini sangat tergantung kepada nilai X2 dan X3 dan disebut rata-rata bersyarat oleh karena nilainya akan berbeda, tergantung syaratnya. Kalau nilai X2 dan X3 berubah, nilai Y dengan sendirinya akan bertambah. Bandingkan dengan hubungan dua variabel dalam bab 4, E(Y0/X0) = A + Bx0, nilai E(Y0/X0) sangat tergantung kepada nilai X = X0. 5.2.1 Arti Koefisien Regresi Parsial Arti koefisien regresi parsial adalah sebagai berikut. B mengukur perubahan rata-rata atau nilai harapan Y, yaitu E(Y/X2,X3), kalau X2 berubah sebesar satu satuan (unit), dimana X2 berubah satu satuan, diman X3 konstan. B13.2 mengukur besarnya perubahan Y kalau X3 berubah sebesar satu satuan, diman X2 konstan. Dengan menggunakan bahasa kalkulus B12.3 dan B13.2 merupakan turunan parsial E(Y/X2,X3) terhadap X2 dan X3. Misalnya, Y = output, X2 = tenaga kerja (labour), X3 = modal (capital). Kita anggap bahwa X2 dan X3 sangat diperlukan untuk menghasilkan output Y dan proporsinya yang masing-masing dipergunakan untuk maksud tersebut dapat berubah-ubah (berbeda). Misalkan, sekarang kita menaikan tenaga kerja satu satuan, maka akan terjadi kenaikan pada Y (disebut the gross marginal product of labouri). Dapatkah kita memisahkan pengaruh tenaga kerja (X2) terhadap output (Y) dari pengaruh faktor lain? Kalau tidak, seolah-olah kenaikan Y hanya dimonopoli oleh X2, padahal X3 terhadap Y, kita harus mengontrol pengaruh X3. Juga untuk menghitung andil tenaga kerja (X2) terhadap Y, kita harus mengontrol pengaruh X2. Bagaimana cara mengontrol pengaruh suatu variabel kalau akan dihitung andil suatu variabel terhadap kenaikan Y? seperti contoh, kita akan mengontrol pengaruh linear modal (X3) didalam mengukur pengaruh (X2) terhadap Y kalau X2 berubah (naik) satu satuan. Caranya sebagai berikut. Tahap 1 : Buat regresi Y terhadap X3 saja, sebagai berikut. Yi = b1.3 + b13X3i + wi 5 (5.15)

Persamaan (5.15) regresi linear sederhana, wi = kesalahan pengganggu. Tahap 2 : Buat regresi X2 terhadap X3 saja, sebagai berikut. X2i = b2.3 b23X3i + vi Dimana vi = kesalahan pengganggu. Sekarang wi = Yi b1.3 b13X3i wi = Yi I i = b1.3 + b13X3i (5.16)

Dan V1 = X2i - b2.3 b23 X3i V1 = X2i - 2i 2i = b2.3 + b23 X3i Dimana i dan 2i merupakan nilai perkiraan / ramalan dari regresi (5.15 dan 5.16). Nilai Wi mewakili nilai Yi setelah dibebaskan dari pengaruh linier dari X3i artinya Wi adalah nilai Yi yang sudah bebas dari pengaruh X3i . demikian pula dengan Vi yang merupakan nilai X2i yang sudah bebas dari pengaruh X3i . Kemudian kita terus lanjutkan ke tahap 3 sebagai berikut. Tahap 3 : Buat regresi wi terhadap vi sebagai berikut. Wi = a0 + a1 vi + zi Dimana zi = kesalahan pengganggu. Di sini a1 merupakan perkiraan besarnya pengaruh X2 terhadap Y (the net marginal product of labor ) atau koefisien regresi ( koefesien arah ) dari Y terhadap X2 yaitu merupakan perkiraan dari B12.3. Di dalam praktiknya, kita langsung menghitungnya berdasarkan rumus, tahapantahapan tersebut hanya sekedar ilustrasi untuk dasar berpikir logis. Untuk menghitung pengaruh X2 masing-masing harus dubebaskan dari pengaruh X3. Rumus yang dipergunakan untuk menghitung koefesien regresi parsial sudah memperhitungkan semua pertimbangan diatas tersebut. 5.2.2. Cara Estimasi Koefisien Regresi Parsial

Ada dua cara untuk memperkirakan koefisien regresi parsial, yaitu dengan metode kuadrat terkecil biasa (ordinary least squere=OSL) dan maximum likelihood method (ML). Perhatikan persamaan berikut. Y = b1.23+ b12.3X2 + b13.2X3 + ei Metode kuadrat terkecil biasa terdiri dari pemilihan nilai parameter yang tidak diketahui, sedemikian rupa sehingga jumlah kuadrat kesalahan pengganggu minimum (terkecil). Atau dikemnkakanb secara sederhana cara menghitung b1.23 b12.3 dan b13.2 sebagai perkiraan parameter B1.23 B12.3 dan B13.2 sedemikian rupa sehingga Caranya ialah dengan jalan menurunkan parsial dari = minimum.

berturut-turut terhadap b1.23

b12.3 dan b13.2 kemudian menyamakan dengan nol sebagai berikut. ( )( )

)(

)(

Setelah disederhanakan, dapat diperoleh persamaan normal sebagai berikut.

Dari (5.19), kalau kita bagi n, kita peroleh rumus b1.23 sebagai berikut.

b12.3 dan b13.2 dapat dihitung berdasarkan rumus berikut14). ( )( ) ( ( )( ) ( )( ) )

)( ) ( ( )( ) (

)( )

) 7

Di mana x2i = X2i -


( )

Uraian lebih lanjut mengapa a1 = b12.3 ( )( ) (


, sebab

= 0, jadi = = 0

Perhatikan persamaan (5,15) dan (5,16)! Karena = = 0, maka = Dimana dan dan Dimasukan dalam = = =
( ( )( ) )

= dan ,

Ingat ! = = =

, sekarang perhatikan!

Bagian pembilang dari


) (

) (

) (

Bagian penyebut dari =


( )( ( ) ( )

= Jadi, memang benar

( (

) ( )(

) ( ) (

)( )

= b1.23

5.2.3 Varian don Standard Error Koefisien Regresi Persial Begitu varian koefisien regresi parsial dihitung, standard error-nya segera dapat diketahui. yaitu dengan jalan mengambil akamya. Standard errorini sangat penting, karena dapat dipergunakan untuk menguji hipotesis dan membuat perkiraan interval koefisien regresi parsial. Rumus tentang varian dan standard error lebih mudah diterangkan dengan menggunakan marriks, yang akan dijelaskan dalam bab terakhir dalam buku jilid I ini. Untuk sementara, pernbaca dianjurkan untuk menggunakan rumus berikut. ( ) ( ) Karena ( (
( ( )( ) ( )

(5.25) (5.26)

)= standar error
)( ) ( )

(5.27) (5.28)

)= standar error

= varian kesalahan pengganggu, dan dalarn praktiknya tidak pernah diketahui, sebagai berikut. (5.29)

maka diperkirakan dengan

Pada umumnya, kalau persamaan garis regresi memuat 3 variabel (terrnasuk variabel tidak bebas Y), maka:

(5.30)

Untuk selanjutnya, lebih baik kalau

dihitung berdasarkan rumus berikut.

(5.31) Uraian lebih lanjut tentan persamaan (5.31): \

atau ( =( ) ( ) ) ( )

= ( = = ( (terbukti) ) )

Sekarang, Jadi,

Sifat-Sifat yang Dimiliki Pemerkira Berdasarkan Kuadrat Terkecil.

Beberapa sifat yang dimiliki oleh pemeriksa berdasarkan metode kuadrat terkecil adalah sebagai berikut: (1) Seperti halnya dengan garis regresi linear sederhana yang melalui koordinat ( ) berdasarkan persamaan persamaan dalam dua dimensi, maka garis regresi linear maksudnya berganda juga melalui titik koordinat dalam tiga dimensi ( ) berdasarkan sarna dengan rata-rata Y, yaitu , (2 ) Rata-rata perkiraan Y, yaitu .

Coba perhatikan hal berikut! ( , sebab , ( ) ) ( )

, jumlahkan , bagi n , jadi

10

Dalam bentuk deviasi terhadap rata-rata,

dapat ditulis:

(3)

, jadi ( = ( = )

( ) )

(4) Kesalahan pengganggu tidak berkorelasi dengan perkiraan yaitu , artinya :

(5) Kesalahan pengganggu yaitu

tidak berkorelasi dengan variabel bebas

dan

(6) Seperti halnya dalam bab 4, untuk keperluan pengujian hipotesis, kita membuat asumsi bahwa mengikuti distribusi normal dengan rata-rata nol dan varian , , . Dengan

asumsi ini maka pemerkira rata-rata , ,

juga mengikuti distribusi normal dengan sebagai fungsi Y, padahal Y fungsi

, dan varian masing-masing. .

Coba perhatikan Oleh karena

mengikuti distribusi normal, maka dengan sendirinya

juga

mengikuti distribusi normal. Baik dan juga fungsi Y yang mengikuti dsitribusi normal, maka dengan

sendirinya juga normal, karena setiap fungsi linear distribusi normal akan normal juga. Hal ini sangat berguna untuk pengujian hipotesis. (7) Mengikuti logika dalam bab 4, dengan menggunakan asumsi normal, bisa ditunjukkan bahwa (n-3) / akan mengikuti distribusi khai-kuadrat dengan derajat kebebasan (n-

3). . Hal ini sangat berguna untuk pengujian hipotesis. (8) Baik dengan menggunakan metode kuadrat terkecil maupun maximum likelihood method, kita akan mendapat pemerkira koefisien regresi yang sama, berapa pun jumlah variabel yang dicakupnya. Akan tetapi, tidak akan berlaku bagi pemerkira / n, tanpa

memperhatikan banyaknya variabel yang dicakup dalam garis regresi. Sedangkan dengan metode kuadrat terkecil, hal ini diperhitungkan, misalnya untuk hubungan 2 variabel, 3 variabel, dan k variabel, pemerkira masing-masing menjadi /(n-2), / (n-3),

/(n-k). Metode kuadrat terkecil memperhatikan derajat kebebasan (degrees of

freedom), sedangkan metode ML tidak.

5.3 Koefisien Determinasi dan Korelasi Berganda Dalam hal dua variabel, Y dan X, koefisien ( ) mengukur tingkat ketepatan/kecocokan (goodness of fit) dari regresi linear sederhana, yaitu merupakan proporsi/ presentase sumbangan X variasi (terhadap naik turunnya) Y. Pengertian 11

tentang koefisien determinasi ( ) dapat diperluas untuk regresi linear berganda yang mencakup lebih dari dua variabel. Jadi, dalam hubungan 3 variabel, regresi Y terhadap dan dan , ingin diketahui berapa besarnya proporsi (persentase) sumbangan terhadap variasi (terhadap naik turunnya) Y secara bersama-sama. Besarnya

proporsi persentase sumbangan ini disebut koefisien determinasi berganda, dengan simbol . Uraian tentang sama saja seperti uraian . Perhatikan persamaan berikut!

Y1 = b1.23 + b12.3X21 + b13.2X3i + ei = Yi + ei

(5.32)

Dimana Yi = b1.23 + b12.3X2i + b13.2X3i merupakan perkiraan yang dihitung dari regresi linear berganda dan juga merupakan pemerkira rata-rata Y, dengan syarat X2, dan X3, yaitu E(Y/X2,X3). Selanjutnya, perhatikan perubahan yang terjadi kalau masing-masing variabel dinyatakan dalam deviasi (diukur dari rata-ratanya, dengan simbol huruf latin kecil yi,x2i, dan x3i, dimana yi = Yi - , x2i = X2i 2, x3i = X3i - 3). (1) Yi (2) = b1.23 + b12.3 X2i+ b13.2X3i + e, jumlahkan = b1.23 + b12.3 2 + b13.23 + , (1) (2) Yi = nb1.23 = b12.3X2i + b13.2X3i + ei, bagi n Yi - = b12.3 (X2i - 2) + b13.2 (X3i - 3) + ei - yi = b12,3x2i + b13.2x3i + ei

Jadi, yi = i + ei di mana b12.3x2i + b13.2 x3i sekarang persamaan (5.33) dkuadratkan kemudian dijumlahkan : = ( i + ei)2 = ( + 2 iei + ) = + , sebab 2 iei = 0

(5.33)

(5.34)

Dengan perkataan lain, persamaan (5.34) berarti bahwa total jumlah kuadrat (TSS) sama dengan jumlah kuadrat dari regresi (ESS) ditambah dengan jumlah kuadrat kesalahan pengganggu (RSS). Dengan jalan mengganti peroleh persamaan berikut. = + - b12.3 X2iyi b13.2 x3iyi akan hilang, maka diperoleh persamaan berikut.
(5.35)

seperti dalam persamaan (5.31), maka kita

setelah diadakan pengaturan kembali,


2

ESS = = b12.3x2iyi + b13.2x3iyi Sekarang rumus R diperoleh dengan menggunakan definisi : R2 = ESS/ TS = / R2 =

(3.36)

12

Seperti halnya r2, R2 nilainya antara nol dan satu : 0 R2 1 Kalau R2 berarti proporsi / persentase sumbanan X2 dan X3 terhadap variasi atau naik turunnya Y sebesar 100%. Jadi, variasi yang terjadi seluruhnya disebabkan oleh X2, dan X3, tidak ada faktor / variabel lain yang mempengaruhi Y. Dalam praktiknya, hal ini jarang terjadi, sebab bagaimanapun juga, walaupun secara teoritis kita bisa memasukkan semua variabel yang mempengaruhi Y di dalam persamaan regresi linear berganda, di dalam praktiknya hal ini tidak mungkin. Sebagai contoh, kita ingin meramalkan hasil penjualan suatu jenis barang tertentu (Y), kita masukkan variabel lain yang mempengaruhi hasil penjualan, misalnya biaya advertensi (X3), harga (X3), pendapatan masyarakat (X4), selera masyarakat (sulit diukur), adanya barang substitusi /Imitasi (sulit diukur), banyaknya suami istri yang bercekcok dalam memutuskan jadi membeli barang atau tidak (mula-mula suami tidak mau membelikan, tetapi setelah terjadi percekcokan/perselisihan, suami mengalah, diputuskan untuk membeli barang dipersilakan), juga susah diukur, karena cuaca (pasangan suami/istri lebih senang tinggal di rumah daripada pergi berbelanja), karena demonstrasi, dan faktor-faktor lainnya lagi yang susah diukur, biasanya dimasukkan dalam kesalahan pengganggu (disturbances error). Kesalahan pengganggu ini, yang sumbangannya terhadap variasi Y diukur dengan , sebagai penyebab nilai R2 tidak dapat mencapai nilai satu. Inilah sebabnya ramalan suatu nilai variabel jarang tepat, karena walaupun secara teoretis kita bisa memasukkan semua nilai variabel yang mempengaruhi Y, di dalam praktiknya sukar diukur atau data tidak tersedia. Contoh lainnya, kita ingin meramalkan produksi padi (Y) dengan mema- sukkan variabel-variabel yang mempengaruhi, misalnya jumlah bibit yang tersedia untuk ditanam (X), jumlah pupuk (X3), luas sawah yang ditanami padi (X4), curah hujan (X5) jumlah petani panenan padi (X6), harga padi/beras (X), dan banyaknya hama (tikus, wereng, walang sangit), Yang terakhir ini susah diukur, sampai sekarang tidak ada statistik yang menunjukkan jumlah tikus, wereng, dan walang sangit. Hal-hal yang sukar diukur atau dapat diukur tetapi datanya tidak tersedia, biasanya dimasukkan dalam kesalahan pengganggu, sehingga bisa mengganggu ramalan, yang menyebabkan ramalan tidak tepat. Contoh untuk meramalkan produksi padi ini kalau dituliskan persamaan regresinya menjadi: Y = B1 + B2 + B3X3 + B4X4 + B5X5 + B6X6 + B7X7 + atau perkiraannya berdasarkan data sampel: Y = bi +b2X2 + b3X3 + b4X4 + b5X5 + b6X6 + b7X7 + e atau pada umumnya: Y = B1 + B2X2 + B3X3 + ... + B1X1 + ... + BkXk + atau perkiraannya berdasarkan data sampel:

13

Y = b1 + b2X2 + b3X3 + ... + b1X1 + ... + bkXk + e Kembali lagi ke nilai R2, nilainya paling besar 1 dan paling kecil nol. Kalau R2= 0, garis regresi tidak dapat dipergunakan untuk membuat ramalan Y, sebab variabel-variabel bebas yang dimasukkan dalam persamaan regresi tidak mempunyai pengaruh terhadap Y, sumbangan/kontribusinya terhadap variasi Y nol. Makin dekat R2 dengan satu, makin tepat /cocok garis regresi untuk meramalkan Y, itulah sebabnya, baik r2 maupun R2 dipergunakan sebagai suatu kriteria untuk rnengukur cocok tidaknya suatu garis regresi untuk rnernperkirakan/rneramalkan variabel tidak bebas Y (goodness of fit criteria). Kalau r disebut koefisien korelasi dalam-hubungan dua variabel X dan Y yang rnengukur kuatnya hubungan antara X dan Y, maka R disebut koefisien korelasi berganda untuk mengukur kuatnya hubungan antara X2, X3, ... , Xk secara bersama-sama dan Y. Dalam praktiknya, R2 lebih penting daripada R, sebab langsung dapat mengetahui besarnya proporsi/persentasi sumbangan dari X2, X3, , Xk secara bersama-sama terhadap variasi atau naik turunnya Y. Dihitung dahulu r2 (R2), kemudian untuk memperoleh r (R), tinggal mengambil akar dari masing-masing. Berikut ini contoh penggunaan fungsi produksi cobb-douglas. Y B1.23 12.3 13.2

setelah diambil lognya dengan bilangan pokok e, In Yi = B0 + B12.3 In X2i+ B13.2 In X3i dimana: Y = output, X3= modal, X2 = tenaga kerja dalam satuan, B0 = In B1.23

Penggunaan fungsi produksi cobb-douglas sangat dikenal oleh para ahli ekonomi yang menggunakan metode analisis kuantitatif dan banyak manfaatnya. Sebagai contoh, B12.3 dan B13.2 mengukur elastisitas tenaga dan modal terhadap output. Jumlah B12.3 + B13.2 memberikan informasi mengenai returns to scale, yaitu besarnya reaksi output terhadap perubahan input secara proporsional. Kalau B12.3 + B13.2 = 1, maka akan ada returns to scale yang konstan, artinya kalau input menjadi dua kali, maka secara proporsional output juga menjadi dua kali. Kalau B12.3 + B13.2 < 1 (kurang dari 1), akan terjadi penurunan returns to scale, artinya kalau input menjadi dua kali, maka secara proporsional output akan menjadi kurang dari dua kali. Akhirnya, kalau B12.3 + B13.2 > 1 (lebih besar dari 1), akan terjadi peningkatan/kenaikan returns to scale, artinya kalau input menjadi dua kali, maka secara proporsional, output akan menjadi lebih dari dua kali.

14

Contoh soal 5.1

X2

X3 17803,699 18096,801 18271,801 19167,301 19647,602 20803,500 22076,602 23445,199 24939,000 26713,699 29957,801 31585,898 33474,500 34821,801 41794,301

In Y

In X 2 5,619 5,615 5,597 5,587 5,590 5,617 5,645 5,706 5,728 5,716 5,719 5,699 5,689 5,700 5,663

In X 3 9,787 9,803 9,813 9,861 9,886 9,943 10,002 10,062 10,124 10,193 10,308 10,360 10,419 10,458 10,641

16607,699 275,500 17511,301 274,400 20171,199 269,700 20932,898 267,000 20406,000 267,800 20831,602 275,000 24806,301 283,000 26465,801 300,700 27403,000 307,500 28628,699 303,700 29904,500 304,700 27508,199 298,600 29035,500 295,500 29281,500 299,000 31535,500 288,100

9,718 9,771 9,912 9,949 9,924 9,944 10,119 10,184 10,218 10,262 10,306 10,222 10,276 10,285 10,359

X2 X3 Y

= tenaga kerja (jutaan tenaga kerja) = modal (jutaan satuan mata uang) = output (jutaan satuan mata uang)

Penggunaan fungsi produksi cobb-douglas dengan metode kuadrat terkecil, kemudian carilah persamaan regresi berganda! In Yi = b0 + b12..3 In X2i + b13.2 In X3i (dilengkapi dengan standard error, R 2 , S
e ).

Pemecahan Pergunakan rumus (5.23) dan (5.24)!

Y*

= b0 + b12.3 X*2i + b13.2 X*3

Dimana: Y* = In Yi

X*2i = In X2i X*3i = In X3i Rumus: b12.3 = (x*2i y*i) (x*2 3i) (x* 3i y*i) (x*2i x* 3i ) 15

(x*2 2i) (x*2 3i) - (x*2i x*3i)2 b13.2 = (x*3i y*i) (x*2 2i) - (x* 2i y*i) (x*2i x* 3i ) (x 2i ) (x*2 3i) - (x*2i x*3i)2 b0 = Y * - b12.3 X 2* - b13.2 X 3* x*2 3i (x*2 2i) (x*2 3i) - (x*2i x*3i)2 Sb12.3 = S2 b12..3 = standard error (b12.3) S2 b13.2 = S2e ei2 Se2 x*2 2i (x*2 2i) (x*2 3i) - (x*2i x*3i)2 = y*i 2- b12..3 x* 2i yi - b13..2 x* 3i yi = ei2 / n - 3
*2

S2b12.3 = Se2

X*2 In X2

X*3 In X3

Y* In Y

x*2 (X*2 X*2)

x*3 (X*3 X*3) -0,324 -0,308 -0,298 -0,250 -0,225 -0,168 -0,109 -0,049 0,013 0,082 0,197 0,249 0,308 0,347 0,530

y* (Y* - Y*)

5,619 5,615 5,597 5,587 5,590 5,617 5,645 5,706 5,728 5,716 5,719 5,699 5,689 5,700 5,663 X*2 = 84,89

9,787 9,803 9,813 9,861 9,886 9,943 10,002 10,062 10,124 10,193 10,308 10,360 10,419 10,458 10,641

9,718 9,771 9,912 9,949 9,924 9,944 10,119 10,184 10,218 10,262 10,306 10,222 10,276 10,285 10,359

-0,040 -0,044 -0,062 -0,072 -0,069 -0,042 -0,014 0,047 0,069 0,057 0,060 0,040 0,030 0,041 0,004 Y*

-0,379 -0,326 -0,185 -0,148 -0,173 -0,153 0,022 0,087 0,121 0,165 0,209 0,125 0,179 0,188 0,262

X*3 = 151,66

= 151,449

16

X*2 = 5,659

X*3 = 10,111

Y*

=10,097

x*2

x*3

y*

x*2 2

x*2 3

x*2x*3

x*2 y*

x*3 y*

-0,040 -0,324 -0,044 -0,308 -0,062 -0,298 -0,072 -0,250 -0,069 -0,225 -0,042 -0,168 -0,014 -0,109 0,047 0,069 0,057 0,060 0,040 0,030 0,041 0,004 -0,049 0,013 0,082 0,197 0,249 0,308 0,347 0,530

-0,379 -0,326 -0,185 -0,148 -0,173 -0,153 0,022 0,087 0,121 0,165 0,209 0,125 0,179 0,188 0,262

0,0016 0,0019 0,0038 0,0052 0,0048 0,0018 0,0002 0,0022 0,0048 0,0032 0,0036 0,0016 0,0009 0,0017 0,00002 x*2 2 0,0373

0,1050 0,0949 0,0888 0,0625 0,0506 0,0282 0,0119 0,0024 0,0002 0,0067 0,0388 0,0620 0,0949 0,1204 0,2809 x*2 3 1,0482

0,0130 0,0136 0,0185 0,0180 0,0155 0,0071 0,0015 -0,0023 0,0009 0,0047 0,0118 0,0100 0,0092 0,0142 0,0021

0,0152 0,0143 0,0115 0,0107 0,0119 0,0064 -0,0003 0,0041 0,0083 0,0094 0,0125 0,0050 0,0054 0,0077 0,0010

0,1228 0,1004 0,0551 0,0370 0,0389 0,0257 -0,0024 -0,0043 0,0016 0,0135 0,0412 0,0311 0,0551 0,0652 0,1389 x*3 y* 0,7198

x*2x*3 x*2 y* 0,1378 0,1231

b12.3

(x*2i y*i) (x*2 3i) (x* 3i y*i) (x*2i x* 3i ) (x*2 2i) (x*2 3i) - (x*2i x*3i)2

Pembilang

: = =

(x*2iy*3i2) (x*3i2) (x*3iy*i) (x*2ix*3i) (0,1231) (1,0482) (0,7198) (0,1378) 0,0299 (x*2i 2) (x*3i 2) - (x*2i x* 3i )2 (0,0373) (1,0482) (0,1378)2 0,0201

Penyebut

: = =

b12.3

0,0299 0,0201

1,4876

17

b13.2

= (x*3i y*i) (x*2 2i) - (x* 2i y*i) (x*2i x*3i ) (x*2 2i) (x*2 3i) - (x*2i x*3i)2

Pembilang

= =

(0,7198) (0,0373) - (0,1231) (0,1378) 0,0268 0,0170 = 0,0099

Penyebut sama dengan diatas b13.2 = 0,0099 0,0201

0,4925

b0

= = = =

Y* - b12.3 X*2 - b13.2 X*3 10,097 - 1,4876 (5,659) 0,4925 (10,111) 10,097 8,4183 4,9797 -3,3010 (-0,379)2 + (0,326)2 + + (0,262)2 0,6046 y*2i - b12.3x*2i y*i b13.2x*3i y*i 0,6046 (1,4876) (0,1231) (0,4925) (0,7198) 0,6046 0,1831 0,3545 0,067 e2i / n 3 0,067 / 12 0,00558 *2i / y*2i b12.3x*2i y*i + b13.2x*3i y*i y*2i

y*2i

= =

e2i

= = = =

S2e

= = =

R2

= =

0,1831 + 0,3545 0,6046

18

0,5376 0,6046

= S2b12.3

0,8892 x*2 3i (x*2 2i) (x*2 3i) - (x*2i x*3i)2 1,0482

= S2e

0,005583 0,0201

0,00585 0,0201

0,2910 = S2 b12.3

Sb12.3 = 0,2910 = 0,5394 S2 b13.2 = S2e

x*2 2i

(x*2 2i) (x*2 3i) - (x*2i x*3i)2 = 0,005583 0,0373 0,0201

0,00028 0,0201

= 0,0103

S b13.2

= 0,1015

Persamaan regresi linear berganda: = -3,3010 + 1,4876X*2 + 0,4925X*3 R2 = 0,8892

Standard error : (0,5394) (0,1015)

Se = 0,0747 19

Perhatian! Apabila dihitung dengan komputer, hasilnya pasti akan lain (berbeda), oleh karena adanya kesalahan pembulatan (rounding error). Tentu saja perhitungan dengan komputer memberikan hasil yang lebih teliti. Standard error untuk b0 = log b1.23 , yang disebut intercept, tidak dihitung. Dalam praktik, biasanya hanya standard error dari koefisien regresi yang dihitung. b1.23 = 1,4876, artinya kalau X2 naik satu satuan (1 unit), Y* diharapkan naik 1,5 kali, kalau X3 tetap. b13.2 = 0,4925, artinya kalau X3 naik satu satuan (1 unit), Y* diharapkan naik 0,49 kali, kalau X2 tetap. X2 = X2 , X3 = log X3 , Y* = log Y, * = perkiraan/ramalan Y*, merupakan nilai regresi. R2 = 0,8892, artinya besarnya sumbangan (andil) X2 dan X3 terhadap variasi (naik turunnya) Y* sebesar 89%, sedangkan sisanya sebanyak 11%, merupakan sumbangan faktor lainnya dengan persamaan regresi Y* = -3,3010 + 1,4876X2 + 0,4925X3 sudah diketahui lainnya.

Contoh soal 5.1 Berdasarkan Data dari BPS dan BI Y 39438767 45758025 51460175 59821156 68234880 X2 1,598 1,670 1,705 1,743 1,824 X3 336113,72 651606,19 81598,61 18246,58 783141,04 In Y 17,490 17,639 17,756 17,907 18,038 In X 2 0,469 0,513 0,533 0,556 0,601 In X 3 12,725 13,387 11,309 9,811 13,571

X2 X3 Y

= tenaga kerja (jutaan tenaga kerja) = modal (jutaan satuan mata uang) = output (jutaan satuan mata uang)

Penggunaan fungsi produksi cobb-douglas dengan metode kuadrat terkecil, kemudian carilah persamaan regresi berganda! In Yi Pemecahan Pergunakan rumus (5.23) dan (5.24)! = b0 + b12..3 In X2i + b13.2 In X3i (dilengkapi dengan standard error, R 2 , S e ).

Y* Dimana: Y* X*2i X*3i = In Yi

= b0 + b12.3 X*2i + b13.2 X*3

= In X2i = In X3i = (x*2i y*i) (x*2 3i) (x* 3i y*i) (x*2i x* 3i ) 20

Rumus: b12.3

(x*2 2i) (x*2 3i) - (x*2i x*3i)2 = (x*3i y*i) (x*2 2i) - (x* 2i y*i) (x*2i x* 3i ) (x 2i ) (x*2 3i) - (x*2i x*3i)2 b0 = Y * - b12.3 X 2* - b13.2 X 3* x*2 3i (x*2 2i) (x*2 3i) - (x*2i x*3i)2 = S2 b12..3 = standard error (b12.3) x*2 2i (x*2 2i) (x*2 3i) - (x*2i x*3i)2 ei2 Se2 = y*i 2- b12..3 x* 2i yi - b13..2 x* 3i yi` = ei2 / n - 3
*2

b13.2

S2b12.3 = Se2

Sb12.3

S2 b13.2 = S2e

X*2 In X2 0,469 0,513 0,533 0,556 0,601 X*2 = 2,672 X*2 = 0,534

X*3 In X3 12,725 13,387 11,309 9,811 13,571

Y* In Y 17,490 17,639 17,756 17,907 18,038

x*2 (X*2 X*2) -0,065 -0,021 -0,001 0,022 0,067 Y* Y*

x*3 (X*3 X*3) 0,564 1,226 -0,852 -2,35 1,41

y* (Y* - Y*) -0,276 -0,127 -0,01 0,141 0,272

X*3 = 60,803 X*3 = 12,161

= 88,83 =17,766

x*2 -0,065 -0,021 -0,001 0,022 0,067

x*3 0,564 1,226 -0,852 -2,35 1,41

y* -0,276 -0,127 -0,01 0,141 0,272

x*2 2

x*2 3

x*2x*3

x*2 y*

x*3 y* -0,155664 -0,155702 0,00852 -0,33135 0,38352 x*3 y* 0141364

0,004225 0,318096 -0,03666 0,01794 0,000441 1,503076 -0,025746 0,002667 0,000001 0,725904 0,000852 0,00001 0,000484 5,5225 -0,0517 0,003102 0,004489 1,9881 0,09447 0,004489 x*2 2 x*2 3 x*2x*3 x*2 y* 0,00964 10,057676 0,018784 0,028208

b12.3

(x*2i y*i) (x*2 3i) (x* 3i y*i) (x*2i x* 3i ) (x*2 2i) (x*2 3i) - (x*2i x*3i)2

Pembilang

: = =

(x*2iy*3i2) (x*3i2) (x*3iy*i) (x*2ix*3i) (0,028208) (10,057676) (0,141364) (0,018784) 0,283706924 0,002655381 21

= = Penyebut : = = = = b12.3 =

0,281051543 0,2811 (x*2i 2) (x*3i 2) - (x*2i x* 3i )2 (0,00964) (10,057676) (0,018784)2 0,096955996 0,000352838 0,096603158 0,0966 0,2811 0,0966 2,9099 (x*3i y*i) (x*2 2i) - (x* 2i y*i) (x*2i x*3i ) (x*2 2i) (x*2 3i) - (x*2i x*3i)2 (0,141364) (0,00964) - (0,028208) (0,018784) 0,001362748 0,000529859 0,000832889 0,0008

= b13.2 =

Pembilang

= = = =

Penyebut sama dengan diatas

b13.2

0,0008 0,0966 0,0083 Y* - b12.3 X*2 - b13.2 X*3 17,766 2,9099 (0,534) 0,0083 (12,161) 17,766 1,5539 0,1009 16,1112 (-0,276)2 + (-0,127)2 +(-0,01)2 + (0,141)2 + (0,272)2 0,1863 y*2i - b12.3x*2i y*i b13.2x*3i y*i 0,1863 (2,9099) (0,028208) (0,0083) (0,141364) 0,1863 0,0821 0,0012 0,103 e2i / n 3 0,103 / 2 0,0515

= b0 = = = = y*2i = = e2i = = = = S2e = = =

22

R2

= =

*2i / y*2i b12.3x*2i y*i + b13.2x*3i y*i y*2i 0,0821 + 0,0012 0,1863 0,0833 0,1863 0,4471 x*2 3i (x*2 2i) (x*2 3i) - (x*2i x*3i)2 10,057676

= S2b12.3 = S2e

= =

0,0515 0,096603158 5,361836246

5,3618

Sb12.3

= S2 b12.3 = 5,3618 = 2,3156

S2 b13.2 =

S 2e

x*2 2i (x*2 2i) (x*2 3i) - (x*2i x*3i)2

0,0515 0,00964 0,096603158

= =

0,005139169 0,0051

S b13.2

0,0717

Persamaan regresi linear berganda: = 16,1112 + 2,9099X*2 + 0,0083X*3 R2 = 0,4471

23

Standard error : (2,3156) (0,0717)

Se = 0,2269

b1.23 = 2,9099, artinya kalau X2 naik satu satuan (1 unit), Y* diharapkan naik 2,9 kali, kalau X3 tetap. b13.2 = 0,0083, artinya kalau X3 naik satu satuan (1 unit), Y* diharapkan naik 0,0083 kali, kalau X2 tetap. X2 = X2 , X3 = log X3 , Y* = log Y, * = perkiraan/ramalan Y*, merupakan nilai regresi. R2 = 0,4471, artinya besarnya sumbangan (andil) X2 dan X3 terhadap variasi (naik turunnya) Y* sebesar 44%, sedangkan sisanya sebanyak 56%, merupakan sumbangan faktor lainnya dengan persamaan regresi Y* = 16,1112+ 2,9099X2 + 0,0083X3 sudah diketahui lainnya.

Contoh Soal 5.2

X2 X3 Y

= indeks pendapatan nasional suatu Negara = indeks harga impor suatu komoditi = indeks impor suatu komoditi

Ada anggapan bahwa impor dari suatu Negara (Y) dipengaruhi oleh pendapatan nasional Negara tersebut (X 2 ) dan harga impor komoditi tersebut (X 3 ). Buat persamaan garis regresi linear berganda, lengkapi dengan standard error, R 2 , dan Se berdasarkan data berikut:

X2 100 104 106 111 111 115 130 134 136

X3 100 99 110 126 113 103 102 103 98 24

Y 100 106 107 120 110 116 123 133 137

Pergunakan rumus (5.23) dan (5.24) = b12.3 + b12.3 X2 +b13.2 X3 Dimana : b12.3 = (x2iyi)(x23i)- (x2ix3i) (x2ix3i) ( x22i) ( x23i) ( x2ix3i)2 b13.2 = (x3iyi) (x22i) (x2iyi) (x2ix3i) (x22i) (x23i) (x2ix3i)2 b1.23 = Y b12.3 X 2 b13.2 X

Berdasarkan pengolahan data diatas : X2i = 1047 X3i Y2i


X
2

=954

Yi

= 1052

X22i = 123.271 X3iYi = 111.433


Y

X23i = 101.772 X2i X3i= 110.720

= 124.228 = 116,33

X2i Yi= 123.680 X


3

= 106

= 116,89

x22i = X22i ( X2i )2/n = 123.271 (1.047)2/9 = 123.271 121,801 = 1.047 x23i = X23i (X3i)2/n = 101.772 (954)2/9 = 101.772 101.124 = 648 y2i = Y2i (i)2/n = 124.228 (1.052)2/9 = 124.228 122.967,11 = 1.260,89 x2ix3i = X2iX3i - X2iX3i = 110.720 ( 1.047) (954) n = 110.720 110.982 = -262 x2iyi = X2iYi - X2i2iYi/n = 123.680 (1.047) (1.052) 9 = 123.680 122.382,67 = 1.297,33 x3iyi =X3iYi - X3iYi/n = 111.433 (954) (1.052) 9 25 9

= 111.433 111.512 = -79

Menghitung b12.3: Pembilang : = (x2iyi) (x23i)- (x3iyi) (x2ix3i) = (1.297,33) (648) (-79) (-262) = 819.971,84 = (x22i) (x23i) (x2ix3i)2 = (1.407) (648) (-262)2 = 883.916

Penyebut :

b12.3

= 819.971,84 = 0,9277 883.916

Menghitung b13.2 : Pembilang : (x3iyi) (x22i) (x2iyi) (x2ix3i) = (-79)(1.470) (1.297,33)(-262) = 223.770,46

Penyebut : sama b13.2 b1.23 =


223.770,46 = 0,2532 833.916
3

= Y b12.3 X 2 b13.2 X = -17,8685

= 116,89 ( 0,9277) (116,33) (0,2532) (106)

e2i

= y2i b12.3 x2iyi b13.2 x3iyi = 1.260,889 1.203,533 + 20,0028 = 77,3588

S2e S2e R2

77,3588 = 12,8931 6

= 3,5907 = y2 = b12.3x2iyi + b13.2x3iyi y2i y2i 26

= 1.203,533 + 20,0028 1.260,889 S2b12.3 = S2e x23i

= 0,9387

(x22i) (x23i) (x2ix3i)2

= 12,8931 Sb12.3 = 0,0972

648 = 0,0095 883.916

S2b13.2 = S2e

x22i (x22i) (x23i) (x2ix3i)2

= 12,8931

1.470 = 0,0214 883.916

Sb13.2 = 0,1464 Persamaan garis regresi linear berganda : = b1.23 + b12.3 + b13.2X3 = -17,8685 + 0,9277X2 + 0,2532X3 Standard error : (0,0972) (0,1464) R2 = 0,9387 Se = 3,5907

b12.3 = 0,93. Artinya, kalau X2 naik satu satuan ( 1 unit ), diharapkan akan naik 0,93 kali, kalau X3 tetap. b13.2 = 0,25. Artinya, kalau X3 naik satu satuan ( 1 unit ), diharapkan akan naik 0,25 kali, kalau X2 tetap. R2 = 0,9387. Artinya, besarnya sumbangan X2dan X3 terhadap variasi ( naik turunnya ) Y sebesar 94%, sedangkan sisanya sebesar 6% disebabjan oleh faktor-faktor lainnya, dengan persamaan regresi = -17,8685 = 0,9277X2 + 0,2532X3

Contoh soal 5.2 Tahun X2 X3 Y 2006 100 100 100 2007 113.753 93.321 93.972 2008 131.979 134.615 139.935 2009 148.426 104.181 817.462 27

2010

196.81 126.923 872.029

X2 = Indeks Pendapatan Domestik Regional Broto X3 = Indeks Harga Impor Bahan baku untuk industri (olahan) Y = Indeks Impor Bahan baku untuk industri (olahan)

Tahun 2006 2007 2008 2009 2010

X2 100 113.753 131.979 148.426 196.81 690.968

X3 100 93.321 134.615 104.181 126.923 559.04

Y 100 93.972 139.935 817.462 872.029 2023.398

X22 10000 12939.75 17418.46 22030.28 38734.18 101122.7

X32 10000 8708.809 18121.2 10853.68 16109.45 63793.14

Y2 10000 8830.737 19581.8 668244.1 760434.6 1467091

X2Y 10000 10689.6 18468.48 121332.6 171624 332114.7

X3Y 10000 8769.561 18837.35 85164.01 110680.5 233451.5

X2X3 10000 10615.54 17766.35 15463.17 24979.72 78824.78

Belanja statistic

Menghitung b12.3: Pembilang : = (x2iyi) (x23i)- (x3iyi) (x2ix3i) = (52.494,04615) (1.287,99568) (7.219,416416) (1.569,029856) = 56.284.624,77 Penyebut : = (x22i) (x23i) (x2ix3i)2 = (5.635,344596) (1.287,99568) (1.569,029856)2 = 4.796.444,806 b12.3 = = 11,73465495 = 11,7347 Menghitung b13.2 : Pembilang : (x3iyi) (x22i) (x2iyi) (x2ix3i) = (7.219,416416)(5.635,344596) (52.494,04615)(1.569,029856) = -41.680.826,38 Penyebut : sama b13.2 = = -0,008689941 = -0,0087 = Y b12.3 X 2 b13.2 X 3 = 404.679,6 ( 11,7347) (138.193,6) (-0,0087) (11180,8) = 404.679,6 1.621.660,438 ( -97,27296) = -1.216.883,565 = y2i b12.3 x2iyi b13.2 x3iyi = 648.263,1067 616.001,8834 (- 62,8089) = 32.324,0322 = = 16.162,0161 28

b1.23

e2i

S2e S2e

Se R2

= 127,1299182 = 127,1299 = y2 = b12.3x2iyi + b13.2x3iyi y2i = = 0,950137479 = 0,9501 y2i

S2b12.3 = S2e

(x22i)

x23i (x23i) (x2ix3i)2

= 16.162,0161 = 4,340007601 Sb12.3 = 2,08326849 = 2,0833 S2b13.2 = S2e (x22i) x22i (x23i) (x2ix3i)2

= 16.162,0161 = 18,98875809 Sb13.2 = 4,357609217 = 4,3576 Persamaan garis regresi linear berganda : = b1.23 + b12.3 + b13.2X3 = -1.216.883,565 + 11,7347X2 + (-0,0087X3 R2 = 0,9501 Standard error : (2,0833) (4,3576) Se = 127,1299 b12.3 = 11,7. Artinya, kalau X2 naik satu satuan ( 1 unit ), diharapkan akan naik 0\11,7 kali, kalau X3 tetap. b13.2 = -0,0087. Artinya, kalau X3 naik satu satuan ( 1 unit ), diharapkan akan naik 0,0087 kali, kalau X2 tetap. R2 = 0,9501. Artinya, besarnya sumbangan X2dan X3 terhadap variasi ( naik turunnya ) Y sebesar 95%, sedangkan sisanya sebesar 5% disebabjan oleh faktor-faktor lainnya, dengan = -1.216.883,565 + 11,7347X2 + (-0,0087X3.

5.3.1 Perbandingan Dua R2 atau lebih dan R2 yang disesuaikan Yang menarik dari sifat-sifat atau ciri-ciri dari R2 ialah bahwa R2 merupakan fungsi yang selalu menarik (nondecreasing function) dan variabel-variabel bebas yang tercakup dalam persamaan regresi linear berganda. Makin banyak variabel yang tercakup dalam suatu model garis regresi, makin menaik fungsi tersebut, artinya makin besar nilai R 2 tersebut.

29

Dengan perkataan lain, setiap pertambahan variabel bebsa dalam model regresi selalu akan memperbesar nilai R2. Ingat definisi tentang R2, sebagai berikut. R2 = = = 1= , RSS = jumlah kuadrat kesalahan pengganggu (residual sum of squares)

R2 = 1 -

5.4 Koefisien Korelasi Parsial dan Hubungan Berbagai Koefisien Korelasi dan Regresi. Dalam bab 4 telah dibahas mengenai koefisien korelasi antara dua variabel X dan Y , yang dimaksudkan untuk mengukur kuat tidaknya hubungan antara dua variabel tersebut. Makin besar r, makin kuat hubungan dan makin kecil r, berarti makin lemah hubungan. Untuk hubungan tiga variabel korelasi, yaitu: = koefisien korelasi antara Y dan = koefisien korelasi antara Y dan = koefisien korelasi antara dan (antara (antara ( antara dan Y) dan Y) dan ) , , dan Y, dapatdihitung tiga koefisien

Koefisien korelasi tersebut, masing-masing dinamakan koefisien korelasi sederhana (simple coefficient of correlation) atau koefisien korelasi order nol (correlation coefficient of zero order), hitung berdasarkan rumus berikut. Antara X dan Y,

Antara

dan Y,

Antara

dan Y,

Antara

dan

Sekarang perhatikan pertanyaan berikut! Apakah kenyataannya mengykur kuat tidaknya hubungan antara Y dan (antara

dan Y) , apabila variabel ketiga ( dan Y (kedua-duanya)?

) mungkin berhubungan / berkorelasi dengan

Pertanyaan diatas juga analog dengan pertanyaan berikut ini. Apakah koefisien regresi mengukur terhadap Y kalau juga tercakup dalam tidak

model regresi? Sekarang jelaskan kalau 30

berada dalam model regresi,

mengukur kuat tidaknya hubungan antara

dan Y. Maka dari itu, kita memerlukan , kalau ada, baik terhadap dan Y yang

suatu koefisien korelasi yang bebas dari pengaruh

maupun terhadap Y. Yang kita cari adalah koefisien korelasi antara bersih atau bebas dari pengaruh

. Koefisien korelasi yang demikian itu disebut

koefisien korelasi parsial (parsial correlation coefficient). Secara, konseptual, sama pengertiannya dengan koefisien regresi parsial (partial regression coefficient). Kita definisikan sebagai berikut: = koefisien korelasi antara = koefisien korelasi antara = koefisien korelasi antara dan Y, kalau dan Y, kalau dan konstan konstan

, kalau Y konstan

Cara menghitung koefisien korelasi parsial diatas sama seperti menghitung koefisien regresi parsial yang sudah diterangkan dalam bab 5 ini, juga mengikuti 3 fase, dimana fase yang ketiga kita buat regresi dari pengaruh linear terhadap , dimana dan sudah dibebaskan dan ,

. Kalau kita menghitung koefisien korelasi antara , sebab sekarang konstan.

sama halnya kita menghitung

Secara simbol: =
( ( )( ) ( )
)

(5.43) Sebab = = 0 = = = = = 1 + = + bagi dengan - , padahal = (1 ) = (deviasi) (deviasi)

Ingat! Untuk hubungan dua variabel X danY, huruf kecil menunjukan deviasi.

Jadi, 1 =

Dengan alasan yang sama, = = (1 - (1 - ) )

Perhatikan hal-hal berikut! Y= bx + e 31

b =

b =r

. dengan jalan yang sama,

dimana

==

Dari (5.43); 1. Pembilang : = = = = =n =n ( n ) n n + + n =( )( + + ) +

2. Penyebut : = =n (

( ) (

= ) ( )

( )

32

Jadi,

=
( (

(5.44)

Dengan jalan yang sama: =


( (

(5.45) =
( (

(5.46) Koefisien parsial dari (5.44(. (5.45), dan (5.46) disebut koefisien korelasi satu (first order correlation coefficient). Kata order disini dimaksudkan banyaknya angka indeks dibelakang titik. = order nol, tidak ada angka dibelakang titik = order dua, ada dua angka dibelakang titik = order tiga, ada tiga angka dibelakang titik = koefisien korelasi antara = koefisien korelasi antara dan Y kalau dan Y kalau dan tetap tetap

, dan

5.4.1 Interpretasi Koefisien Korelasi Sederhana dan Parsial Dalam hal hubungan dua variabel X dan Y, koefisien korelasi r mempunyai arti mengukur kuatnya hubungan linear antara variabel tidak bebas Y dan variabel bebas X. Kalau hubungan sudah mencakup lebih dari dua variabel, maka interprestasinya tidak semudah itu. Sekarang perhatikan hal-hal berikut. (1) Dari (5.44) walaupun = 0, belum tentu akan n ol, kecuali kalau atau

mempunyai nilai nol, atau kedua-duanya nol. (2) Kalau = 0. = 0, = 0 dan mempunyai tanda yang sama, akan negative,

padahal kalau tandanya berlawanan (yang satu plus dan yang satu minus), akan menjadi positif. Sebagai contoh: Y= produksi padi, = curah hujan, = suhu/ temperature. Kita anggap =0,

yaitu tidak ada hubungan antara produksi padi dan curah hujan. Selanjutnya, kita anggap bahwa positif dan negatif. Kemudian menurut (5.44), akan

positif, yaitu dengan menganggap

konstan (temperature tidak berubah), aka

nada hubungan yang positif antara produksi padi dan curah hujan. 33

Hal ini kelihatannya suatu hal yang bertentangan, tetapi sebetulnya tidak mengherankan. Sebabnya ialah temperature ( ) mempengaruhi kedua-duanya, ), sehingga untuk )terhadap

yaitu mempengaruhi produksi padi (Y) dan curah hujan (

mencari hubungan yang bersih (net relationship) antara produksi padi (Y) dan curah hujan ( ), kita harus menghilangkan pengaruh temperature (

keduanya. Contoh ini dimasukkan untuk menunjukan bahwa seseorang bias tersesat didalam menginterprestasikan kosfisien korelasi sederhana r tanpa memperhitungkan pengaruh variabel lainnya. (3). dan tidak perlu mempunyai tanda yang sama. terletak antara 0 dan 1.

(4). Dalam hubungan dua variabel, kita telah melihat bahwa nilai

Setiap kosfisien korelasi parsial kalau dikuadratkan juga mempunyai nilai antara 0 dan 1. Bisa ditunjukan bahwa dari (5.44) dapat diperoleh hubungan berikut. 0 (5.47) (5). Misalkan, = = 0. Apakah ini berarti bahwa juga nol? Jawabannya bias dilihat serta dan tidak berkolerasi, + + -2 1

dari (5.47). kenyataannya ialah bahwa walaupun Y dan tidak berarti bahwa Y dan tidak berkolerasi.

Selanjutnya,

disebut kosfisien determinasi parsial dan dapat diartikan sebagai terhadap variasi Y kalau tetap. ( tidak memberikan

proporsi/ persentase sumbangan sumbangan terhadap variasi Y).

Contoh soal 5.3 Berdasarkan data berikut :

X2 100 104 106 111 111 115 120 124 126

X3 100 99 110 126 113 103 102 103 98

Y 100 106 107 120 110 116 123 133 137

Hitung : 34

a) S1,S2,S3 b) r12,r13,r23 c) r12.3,r13.2 dan r212.3,r213.2, apa artinya ?

Pemecahan x2i2 = 650 x3i2 = 648 yi2 = 1260,89 x3iyi= -79 x2ix3i= -112 x2iyi= 874

a). S1 = yi2/n = 1260,89/9 = 11,8363 S2 = x2i2/n = 650/9 = 8,4984 S3 = x3i2/n = 648/9 = 8,4853 b). r12 = x2i yi x2i2yi2 r13 = x3i yi x3i2yi2 r23 = x2i x3i = x2i2x3i2 c). r12.3 = r12 r12r23 (1-r132) (1-r232) =
\

874 650 1260,89

= 0,9654

-79 648 1260,89

= -0,0874

-112 650 648

= -0,1726

0.9654 ( -0.0874)(-0.1726) 1 (-0,0874) 1 (-0,1726)


2 2

= 0,9685

r212.3

= (0,9685)2 = 0,9830. Artinya, kalau X3 konstan (tetap) , maka sumbangan X2 terhadap variasi ( naik turunnya ) Y sebesar 93,80%.

r13.2 =

r13 r12 r23 (1 r212) (1 r223)

= (-0,0874) ( 0,9654) (-0,1726) 1 (0,9654) 1 ( -0,1726)


2 2

= 0,3085

r213.2 = (0,3085)2 = 0,0951 = 0,10. Artinya, kalau X2 konstan (tetap), maka sumbangan X3 terhadap variasi Y sebesar 10%. 35

Hitungan berdasarkan data dari contoh soal 5.2 a) S1 =

= = = 360,0730777 S2 = = = = 33,57184712 S3 =

= = = 16,0498952

b) =

)( )

=
(

)( )

=
(

)( )

36

c)

) (

( ( ) (

) )

, Artinya, kalau X3 Konstan (tetap), maka sumbangan X2 terhadap Variasi ( naik turunya) Y sebesar 84,37 %

( (

) ( (

) ) ) ( )

, Artinya, kalau X2 Konstan (tetap), maka sumbangan X3 terhadap Variasi ( naik turunya) Y sebesar 40,35 %.

5.5 Hubungan Berbagai Koefisien Korelasi dan Regresi, yang Sederhana, Parsial, dan Berganda.

37

Dalam sub bab 5.5 ini akan ditunjukan berbagai hubungan antara koefisien regresi dan sederhana , antara koefisien regresi parsial dengan koefisien korelasi parsial, antara koefisien determinasi berganda, sederhan, dan parsial. Berbagai hubungan ini bias dibuktikan berdasarkan definisi dasrnya, dalam subbab 5.5 ini tidak semua akan dibuktikan, namun sebagian akan dibuat latihan soal dalam akhir bab 5 ini untuk dipecahkan oleh pembaca.

5.5.1 Hubungan Antara Koefisien Regresi Parsial, Sederhana, dan Koefisien Korelasi Sederhana. = = Dimana = = = koefisien regresi Y terhadap , =

(5.48) = koefisien regresi Y terhadap (5.49)


b32 = koefisien regresi X3 terhadap

b32 =

b23 = koefisien regresi X2 terhadap

b23 =

S1 = Bukti : b12.3 =
( (

, S2 =

, S3 =

)( )(

) ( ) (

)( )

x (

)( )(

) )

)( )( ( ( )

) ( ( )( ) (

)( )( ) ) )

) (

) ( (

) (

)( ( )

Jadi, b12.3 = b12 = r12 b12.3 = =


( ) (
, b13

terbukti! = r13
, b23

= r23

, b32

= r13

( )

) (

( )

38

= =

, sebab r23 = r32

Jadi, terbukti bahwa : b12.3 = =

Dengan jalan yang sama, (5.49) dapat dibuktikan.

5.5.2 Hubungan Antara Koefisien Regresi Parsial dan Koefisien Korelasi Parsial b12.3 = r12.3 ( b12.3 = r13.2 ( dimana = jumlah kuadrat kesalahan pengganggu dalam regresi Y terhadap x3 = jumlah kuadrat kesalahan pengganggu dalam regresi Y terhadap x2 = jumlah kuadrat kesalahan pengganggu dalam regresi X2 terhadap x3 = jumlah kuadrat kesalahan pengganggu dalam regresi X3 terhadap x2

) )

(5.50) (5.51)

Telah ditunjukkan sebelumnya, bahwa untuk hubungan dua variabel X dan Y1 Jadi, dalam hal ini : r12.3 = = = = =

(1(1(1(1-

) ) ) ) , r23 = r32

Bukti : b12.3 =
( ) )

=
(

( ( ( )} )}

{ {

Jadi, b12.3 = r12.3 (

) terbukti

39

5.5.3 Hubungan Antara R2 dengan Koefisien Korelasi Sederhana dan Parsial R2 = R2 = R2 = ( (


(5.52) ) )

(5.53) (5.54)

Bukti (5.52) : R2 = =

Telah ditunjukkan bahwa : b12.3 = b13.2 =


( ( ( ) ) ( ( ) )

+
)

= = = Jadi, R2 =
(

, terbukti

Perhatikan! Pangkat 1/2 berarti akar pangkat 2 ()

Bukti (5.54) : R2 = =( = R2 =
( )(

(
) )

)(

, sudah dibuktikan.

R2 = = = = =
( ) ( )

( (

)( ) ( )

40

= Jadi, R2 =

( (

( ( )

, terbukti.

Contoh soal 5.4 Berdasarkan data contoh soal 5.3 a) Hitung b12.3 = b12 b13 b32 1 b 23 b 32 b12.3 = r12 r13 r23 1 r232 b). b13.2 = b13 b12 b23 1 b 32 b 23 b13.2 = r13 r12 r23 1 r232 S1 S3 S1 S2

Pemecahan b12 = x2iyi / x2i2 = 874/650 = 1,3446 b13 = x3iyi / x3i2 = -79/648 = -0,1219 b32 = x2iy3i / x2i2 = -112/650 = -0,1723 b 23 = x2iy3i / x3i2 = -112/648 = 0,1728 b12.3 = b12 b13 b32 1 b 23 b 32 = 1,346 (-0.1219) (-0,1723) 1 (-0,1728) (-0,1723) = 1,3642 r12 = x2i yi x2i2yi2 r13 = x3i yi x3i2yi2 r23 = x2i x3i x2i2x3i2 S1 =

874 650 1260,89

= 0,9654

-79 648 1260,89

= 0,0874

-112 650 648

= -0,1726

= 11,8363, S2 = 8,4984 S3 = 8,4853

41

b12.3 = r12 r13 r23 1 r232

S1 S2

= (0,9654) (-0.0874) (-0,1726) 11,8363 1 (-0,1726)2 = 1,3643 b13.2 = b13 b12 b23 1 b 32 b 23 = -0,1219 (1,3446)(-0,1728) 1 (-0,1723)(-0,1728) = 0,1138 b13.2 = r13 r12 r23 1 r232 8,4984

S1 S3 8,4853

= -0,0874 (0,9654)(-0,1726) 11,8363 1 (-0,1726)2 = 0,1139

Contoh Soal 5.4 Berdasarkan data contoh soal 5.3, 1) Hitunglah = = 2) = =

Pemecahan = = =9,3151439

b32 =

= = 1,2181949

= =

b23 =

= = 1,2181949

=5,6051557

1)

= 42

= =

( ( )(

)( )

= 11,73465506

= 0,8685087 = 360,0730777

= 0,2498442 = 33,57184712

= 0,5823898 =16,0498952

= = = = = = = 11,4178967 2) = = = = = -8,6899395
( ( )( )( ) ) ( ( ( )( ) )( ) )

10,7254473

= = =

( (

)( )

= - 8,6899414

43

5.6 Soal-soal Latihan 1. Data time series selama 15 tahun meliputi tiga variabel, yaitu X2 = tenaga kerja (ribuan orang), X3 = modal (dalam satuan mata uang), dan Y = output nasional (dalam satuan mata uang). X2 281,5 284,4 289,0 375,8 375,2 402,5 478,0 553,4 616,7 695,7 790,3 816,0 848,4 873,1 999,2 X3 120.753 122.242 125.263 128.539 131.427 134.267 139.038 146.450 153.714 164.783 176.864 188.146 205.841 221.748 239.715 Y 2.911,4 10.873,2 11.132,5 12.086,5 12.767,5 16.347,1 19.542,7 21.075,9 23.052,0 26.128,2 29.563,7 33.376,6 38.354,3 46.868,3 54.308,0

a) Terapkan dua model berikut untuk data diatas! Yi = B0 + B12.3X2i + B13.2X3i + i (populasi) (1) Yi = b0 + B12.3X2i + B13.2X3i + ei (sampel) dan In Yi = A0 + A12.3 InX2i + A13.2 InX3i + i (populasi) (2) In Yi =a0 + a12.3InX2i + a13.2InX3i + ei (sampel) b) Diantara model tersebut, mana yang lebih baik? c) Hitung R2 dari dua model tersebut! d) Hitung elastisitas output terhadap tenaga kerja dan model dengan menggunakan model pertama! 2. Tunjukkan bahwa : r13.2 = r23.1 =
( )( )

)(

3. a) Tunjukkan bahwa r12.3 = (R2 r12.3) / (1 r13) b) Tunjukkan bahwa b12.3 b23.1 b31.2 = r12.3 r23.1 r31.2 44

Pada umumnya, b31.2 b13.2, tetapi r31.2 = r13.2 4. Dapatkah dari suatu kelompok data kita peroleh hasil seperti berikut ini? (a) r23 = 0,9 (b) r12 = 0,6 r13 = -0,2 r23 = -0,9 r12 = 0,8 r31 = -0,5 r31 = -0,7

(c) r23 = 0,01 r13 = 0,66

5. Kalau Z = aX + bY dan W = cX dY, dan kalau koefisien korelasi antara X dan Y = r, tetapi Z dan W tidak berkorelasi, tunjukkan bahwa : 2w = (a2+b2) xy = (1-r2)1/2, dimana 2,,w,x,y merupakan standard deviasi Z, W, X, Y dan a,b,c,d = konstan. 6. Kalau X3 = a1X1 + a2X2 dimana a1 dan a2 konstan, tunjukkan bahwa ketiga koefisien korelasi parsial masing-masing mempunyai nilai satu 91), r13.2 mempunyai tanda seperti tanda dari a1, r23.1 mempunyai tanda seperti tanda dari a2 dan a12.3 mempunyai tanda yang berlawanan dengan tanda dari a1/a2. 7. Dalam keadaan yang bagaimana b12.3 = b12 dan b13.2 = b13? 8. Hitung koefisien regresi parsial, standard error masing-masing, R2 dan 2 berdasarkan data berikut : n = 15 = 848555,096 = 74778,346 =8 =66042,269 = 4796 = 4250,900

= 402,70 = 280

= 367693 , tetapi akan sama halnya kalau r23 = 0.

9. Jelaskan bahwa pada umumnya R2

10. a) Dalam hubungan tiga variabel X2, X3 dan Y, ada tiga koefisien korelasi order nol : r12, r13, dan r23 dan ada tiga koefisien korelasi order satu r12.3, r13.2, dan r23.1. Ada berapa banyak koefisien korelasi nol dan order satu, kalau hubungan mencakup 4 variabel dan n variabel? b) Buktikan bahwa r12.3 = b12.3 b21.3 ; r13.2 = b13.2 b31.2; r23.1 = b23.1 b32.1. 11. Tunjukkan bahwa varian b12.3 dan b13.2 seperti dalam rumus (5.25) dan (5.27) dapat juga dinyatakan sebagai berikut : var (b12.3) var (b3.2) = =
( )

dimana r23 = koefisien korelasi antara X2 dan X3 ( ) / ( )

12. Y = a + bX + ct, koefisien a,b,c diperoleh dengan menggunakan metode kuadrat berdasarkan data sebanyak n observasi serta X dan Y, sedangkan t adalah variabel waktu yang dinyatakan dalam tahun (ada n tahun), sebagai berikut :

45

X Y t

X1 Y1 t1

X2 Y2 t2

. . .

Xi Yi ti

Xn Yn tn

Tunjukkan bahwa perkiraan b akan sama apabila diperoleh dengan menggunakan regresi linear sederhana dari Y terhadap X setelah pengaruh linear dari variabel waktu t dihilangkan dari X. 13. X1 X2 dan X3 merupakan 3 variabel yang saling berkorelasi. S1=1, S2 =1,3, S3 = 1,9, dan r12 = 0,370, r13 = 0,641, dan r23 = -0,736. Hitung r13.2! Kalau X4 = X1 + X2, hitung r42 r43 dan r43.2. Apakah r13.2 dan r43.2? Dapatkah Saudara menjelaskan! 14. X Y 0 1,8 3,6 5,4 7,2 9,0 10,8 12,6 14,4 16,2 18,0 503 558 604 671

250 276 298 335 374 414 454

Dua bentuk fungsi berikut supaya diterapkan pada data diatas : a) Y = A + BX + CX2 = (anggap sebagai regresi linear berganda Y = B123 + B123X2 + B123X3 dimana X2 = X dan X3 = X2) b) Y = AeBX (ingat In e = 1) Menurut saudara, mana yang lebih bagus untuk meramalkan nilai Y? 15. Dalam persamaan yi = Bx1i + i (I = 1, 2, , n), semua variabel dinyatakan dalam deviasi. Berbagai prosedur berikut dipergunakan untuk memperkirakan B, dimana b dan c merupakan perkiraan B dan C. a) Hitung b dan c dengan menggunakan regresi y terhadap x1 dan x2! b) Buat regresi y terhadap x2 dan hitung residual y* (y* = y Px2i). Buat regresi xi terhadap x2 dan hitung residual x1 (x1 = x1 Qx2). Sekarang buat regresi y terhadap x1 untuk memperoleh b sebagai perkiraan B. Tunjukkan bahwa hasil a) = b), artinya b= b. c) Tunjukkan bahwa residual regresi dari setiap prosedur yaitu : yi = bx1i cx2i dari a) dan dari b) sama.

Jawaban Soal-Soal Latihan Bab 5 Jawaban

1. X2 X3 Y X2* In X2 281,5 120.753 8.911,4 5,640 46 X3* In X3 11,701 Y* In Y 9,095

284,4 289,0 375,8 375,2 402,5 478,0 553,4 616,7 695,7 790,3 816,0 848,4 873,1 999,2

122.242 125.263 128.539 131.427 134.267 139.038 146.450 153.714 164.783 176.864 188.146 205.841 221.748 239.715

10.873,2 11.132,5 12.086,5 12.767,5 16.347,1 19.542,7 21.075,9 23.052,0 26.128,2 29.563,7 33.376,6 38.354,3 46.868,3 54.308,0

5,650 5,667 5,930 5,927 5,997 6,169 6,316 6,424 6,544 6,672 6,704 6,743 6,772 6,906

11,713 11,738 11,763 11,786 11,807 11,842 11,894 11,942 12,012 12,083 12,144 12,234 12,309 12,387

9,294 9,317 9,399 9,454 9,701 9,880 9,955 10,045 10,170 10,294 10,415 10,554 10,755 10,902

X2* = 94,061 X2* = 6,270

X3* = 179,355 X3* = 11,957

Y* = 149,23 Y* = 9,948

X2* (X2* - X2*) -0,630 -0,620 -0,603 -0,340 -0,343 -0,273 -0,101 0,046 0,154 0,274 0,402 0,434 0,473 0,502 0,636

X3* (X3* - X3*) -0,256 -0,244 -0,219 -0,194 -0,171 -0,150 -0,115 -0,063 -0,015 0,055 0,126 0,187 0,277 0,352 0,430

Y* (Y* - Y*) -0,853 -0,654 -0,631 -0,549 -0,494 -0,247 -0,068 0,007 0,097 0,222 0,346 0,467 0,606 0,807 0,954

47

X2*2 0,3969 0,3844 0,3636 0,1156 0,1176 0,0745 0,0102 0,0021 0,0237 0,0750 0,1616 0,1883 0,2237 0, 2520 0,4044 X2*2 2,7936

X3*2 0,0655 0,0595 0,0479 0,0376 0,0292 0,0225 0,0132 0,0039 0,0002 0,0030 0,0158 0,0349 0,0767 0,1239 0,1849 X3*2 0,7187

X2* X3* 0,1612 0,1512 0,1320 0,0660 0,0590 0,0409 0,0016 -0,0029 -0,0024 0,0150 0,0506 0,0812 0,1310 0,1768 0,2735 X2*X3* 1,3447

X2* Y* 0,5374 0,4055 0,3805 0,1867 0,1694 0,0675 0,0070 0,0003 0,0150 0,0608 0,1390 0,2026 0,2867 0,4051 0,6067 X2*Y* 3,4702

X3* Y* 0,2184 0,1596 0,1382 0,1065 0,0844 0,0370 0,0080 -0,0004 -0,0014 0,0122 0,0435 0,0874 0,1680 0,2840 0,4102 X3*Y* 1,7556

b12.3

= (X2i* Yi*) (X3i*2) (X3i*Yi*) (X2i*X3i*) (X2i*2) (X3i*2) (X2i*X3i*)2 = (3,4702) (0,7187) (1,7556) (1,3447) (2,7936) (0,7187) (1,3447)2 = 2,4940 2,3607 2,0078 1,8082 = 0,1334 0,1996

b12.3

= 0,6683 = (X3i*Yi*) (X2i*2) - (X2i* Yi*) (X2i*X3i*) (X2i*2) (X3i*2) (X2i*X3i*)2 = (1,7556) (2,7936) (3,4702) (1,3447) (2,7936) (0,7187) (1,3447)2 = 4,9045 4,6664 2,0078 1,8082

b13.2

= 0,2381 0,1996 b13.2 = 1,1930 48

b0

= Y* - b12.3 X2* - b13.2X3* = 9,948 - 0,6683 (6,270) - 1,1930 (11,957) = 9,948 4,1902 14,2650 = -8,5072

Yi*2 = (-0,853)2 + (-0,654)2 + (-0,631) 2 + (-0,549) 2 + (-0,494) 2 + (-0,247) 2 + (0,068) 2 + (0,007) 2 + (0,097) 2 + (0,222) 2 + (0,346) 2 + (0,467) 2 + (0,606)2 + (0,807)2 + (0,954) 2 = 3,7682

ei2

= Yi*2 - b12.3X2i* Yi* - b13.2X3i*Yi* = 3,7682 - 0,6683 (3,4702) - 1,1930 (1,7556) = 3,7682 2,3191 2,0945 = -0,6454

Se2

= ei2/ n 3 = -0,6454 / 12 = -0,0540 = -0,0540 = Tak terhingga / angka hayal

Se

R2

= i*2 / y i*2 atau b12.3X2i* Yi* + b13.2X3i*Yi* y i*2 = 0,6683 (3,4702) + 1,1930 (1,7556) 3,7682 = 2,3191 + 2,0945 3,7682 = 1,1712 = 4,4136 3,7682 X3i*2 (X2i*2) (X3i*2) (X2i*X3i*)2 = -0,0540 0,7187 (2,7936) (0,7187) (1,3447)2 = -0,0540 0,7187 2,0078 1,8082 = -0,0540 0,7187 0,1996 = -0,0540 (3,6007) = -0,1945 = -0,1945 49

Sb12.32

= Se2

Sb12.3

= Tak terhingga / angka hayal Sb13.22 = Se2 X2i*2 (X2i*2) (X3i*2) (X2i*X3i*)2 = -0,0540 2,7936 (2,7936) (0,7187) (1,3447)2 = -0,0540 2,7936 2,0078 1,8082 = -0,0540 2,7936 0,1996 = -0,0540 (14,0000) = -0,756 Sb13.2 = -0,756 = Tak terhingga / angka hayal

Persamaan regresi linear berganda: = -8,5072 + 0,6683X2* + 1,1930X3* R2 = 1,1712 Standard error: -0,1945 = (Tak terhingga / angka hayal) -0,756 = (Tak terhingga / angka hayal) Se = -0,0540 = Tak terhingga / angka hayal 2. Tunjukkan bahwa : r13.2 = r23.1 =
( ) ( )

) (

Jawabannya : Pembilang : aici = (y2i b13x3i) (x2i b23x3i) = x2iyi b13 x2ix3i b23 x3iyi + b13 b23 x23i = x2i yi r13 = r12 r13 r23 x23i r23 nS2S3 r23 r13 nS1S3 + r13 r23 nS1S3 + r13 r23 x2ix3i r23 - r13 x3iyi + r13 r23 - r23 x23i r13 +

r23

= r12 nS1S2 r13 nS1S2

= nS1S2r12 r13S1r23nS2 r23 S2r13nS1 + r13r23 nS1S2 50

= nS1S2 (r12 r13r23) Penyebut : = = ( ) (


) (

) ( )

= nS1S2 ( Jadi, r12.3 =


( ) (

Dengan jalan yang sama : r13.2 = r23.1 =


( ) ( )

) (

3. a). Bukti : r1.23 = (R2 r13) / (1-r13) Telah ditunjukkan bahwa: R2 = r122 + r132 - 2r12 r13 r23 1 - r232 _ x3i yi x3i 2 yi2

1 - r13 = r122 + r132 - 2r12 r13 r23 1 - r232 1 - r13 = R2 - r13 1 - r13 Jadi, r1.23 = (R2 r13) / (1-r13) , terbukti _ r13

4. r23 = 0,9 r12 = 0,6 r23 = 0,01 r13 = -0,2 r23 = -0,9 r13 = 0,66 r12 = 0,8 r31 = -0,5 r31 = -0,7

artinya sumbangan X3 terhadap X2 sebesar 9% artinya sumbangan X2 terhadap Y artinya sumbangan X3 terhadap Y artinya sumbangan X3 terhadap Y artinya sumbangan X2 terhadap Y sebesar 6% artinya sumbangan X3 terhadap X2 sebesar 10% sebesar 2% artinya sumbangan X3 terhadap X2 sebesar 9% sebesar 6,6% sebesar 8%

artinya sumbangan Y terhadap X3 sebesar 5% artinya sumbangan Y terhadap X3 sebesar 7%

51

7. Dalam keadaan yang bagaimana b12.3 = b12 dan b13.2 = b13 ? b12.3 = (x2iyi)( x3i2) (x3iyi)(x2ix3i) (x2i ) (
2

= b12 = (x2iyi) (yi)(x2i) (x2i2) - (x2i)2 = b13 = (x3iyi) (yi)(x3i) (x3i2) - (x3i)2

x3i2)

- (x2ix3i)

b13.2 = (3iyi)( x2i2) (x2iyi)(x2ix3i) (x2i2) ( x3i2) - (x2ix3i)2

8. b12.3 = (x2iyi)(x3i2) - (x3iyi)(x2ix3i) (x2i2)(x3i2) - (x2ix3i)2 = (74.778,346)(280) - (4.250,900)(4.796) (84.855,096)(280) - (23.001.616) = 20.937.936,88 - 20.387.316,4 23.759.426,88 23.001.616 = 550.620,48 757.810,88 = 0,726593526 b13.2 = (x3iyi)(x2i2) - (x2iyi)(x2ix3i) (x2i2)(x3i2) - (x2ix3i)2 = (4.250,900)( 84.855,096) (74.778,346)( 4.796) (84.855,096)(280) - (23.001.616) = 360.710.527,6 358.636.947,4 23.759.426,88 23.001.616 = 2.073.580,2 757.810,88 = 2,736278629 b1.23 = Y - b12.3 X 2 b13.2 X
3

= 367.693 (0,726593526)(402,70) (2,736278629)(8)

52

= 367.693 292,5992129 21,89022903 = 367.378,5106 ei2 = yi2 b12.3x2iyi b13.2 x3iyi = 66.042,269 (0,726593526)( 74.778,346) (2,736278629)( 4.250,900) = 66.042,269 54.333,46209 11.631,64682 = 77,16009 Se2 = ( ei2 ) n-3 = 77,16009 12 = 6,4300075 Se = 2,535745945 R2 = i2 = b12.3x2iyi + b13.2x3iyi yi2 yi2 = (0,726593526)( 74.778,346) + ((2,736278629)( 4.250,900) 66.042,269 = 54.333,46209 + 11.631,64682 66.042,269 = 65.965,10891 66.042,269 = 0,998831656 ei2/ (n-k) R2= 1yi2/(n-1)

77,16009/(15-3) = 153

66.042,269/(15-1) 6,4300075 = 14.717,304929 = 1 - 0,001363068 = 0,998636932

54

Daftar Pustaka

Supranto, J. 2005. Ekonometri. Bogor : Ghalia Indonesia www.bps.go.id www.bappeda.go.id Badan Pusat Statistik Bank Indonesia

55

Anda mungkin juga menyukai