Ekonometrika
Ekonometrika
a data terutama untuk ilmuilmu sosial. Namun demikian, dengan SPSS kita bisa membuat laporan tabulasi, chart (grafik), plot (diagram), statistik deskriptif dan analisa statistik yang kompleks. Karena SPSS merupakan paket program untuk mengolah dan menganalisadata,makauntukmenjalankanprograminiterlebihdahuluharusdipersiapkandata yang akan diolah dan dianalisa. SPSS for windows menggunakan 6 tipe window, yaitu SPSS DataEditor,OutputWindow,SyntaxWindow,ChartCarousel,ChartWindow,danHelpWindow. KonsepDatadalamSPSS Dataharusmempunyaistruktur,format,danjenistertentu. Data yang disusun dari teks editor lain di luar SPSS, dapat dibaca SPSS :W ordstar (Non Document), Side Kick, Notepad, Norton Commander, Kode ASCII lainnya, Lotus 123, Data Base. StrukturData Dataharusdisusundalammbarisdannkolom Tiapbarisdatadisebutcase(kasus) Tiapkolomdatamempunyaiheadingyangdisebutvariabel(field) Interaksiantaratiapvariabeldancasedisebutvalue FormatData FiledatayangdibuattidaklewatSPSSdataeditorpunya2format,yaitufixed(tentu)danfree field(bebas) FiledatayangdibuatlewatSPSSdataeditorpunyaformatbakuberorientasipadafixed. Formatfixed:setiapvariabelmenempatiposisidalamlokasikolomtertentudansetiapcase nyasama Format free field : menempatkan variabel tak perlu pada lokasi kolom tertentu. Dan untuk masingmasingcase,lokasitidakperluharussama.Dandalamsatubarisbisalebihdarisatu case(dipisahkanolehspasiataukoma). Kelebihanformatfixed:susunanrapitapimenghabiskanmemori Kelebihanformatfreefield:menghematmemoritapitidakrapi Tanda (apostrof) atau (petik) digunakan untuk menyatakan value lebih dari dua kata sebagaisatukesatuan MissingValue Missingvaluedidefinisikansebagaidatahilang/taklengkap.Halinidiperhatikankarena data yang hilang akan sangat berpengaruh pada hasil pengolahan maupun analisa dari keseluruhan data. Misalnya, pada pengumpulan nilai tes IQ suatu kelas dengan 50 siswa, di mana 3 siswa yang tidak masuk pada salah satu hari tes dari hari yang dijadwalkan. Tentunya ketidakhadiran siswa tersebut akan mempengaruhi hasil analisa data kelas tersebut secara keseluruhan.Untukmengatasihalini,nilaitesketigasiswatersebutharusdiberihargatertentu, misalnya 0 yang mendeklarasikan sebagai missing value. Dengan value ini case yang valid hanya47meskijumlahcase50. Ada2jenismissingvalueyangdikenalolehSPSS,yaitu: 1. User missing value, adalah missing value yang nilainya ditentukan oleh user (pemakai). SepertipadapendataannilaitesIQdiatas,ditentukanharga0sebagaimissingvalue. 2. Sistem missing value, adalah missing value yang ditentukan secara otomatis oleh SPSS, yaitu bilamana dijumpai harga yang ilegal. Seperti didapatinya karakter alphabetik pada variabelnumerik,atauperhitunganyangmenghasilkannilaitakterdefinisikanpadaperintah transformasidatasepertipembagiandengan0.
KonsepVariabel Dilihatdaribentuknya,variabelterdiridari: 1. Variabel Kualitatif. Variabel ini berbentuk klasifikasi atau kategori. Dalam tipologi dasar, variabelinidibedakanmenjadi2macam: Tanpaperingkat,contoh:(Surabaya,Bandung,Jakarta),(Lakilaki,Perempuan),(Merah, Putih,Hitam,Hijau) Dengan peringkat, contoh : (kurang, cukup, baik), (rendah,sedang, tinggi), (pesuruh, personalia,direktur). 2. VariabelKuantitatif.Variabelinimerupakanskoryangberwujudnumerik.Secaragarisbesar terdiridari: Diskrit,contoh:jumlahsiswa,banyakkasus,jumlahpenduduk Kontinue,contoh:tinggibadan,beratbadan,jaraklempar,besarkaki Berdasarkanfungsinya,variabeldibedakanatas: 1. VariabelIndependent 2. VariabelDependent 3. VariabelIntervening 4. VariabelSertaan/Moderator 5. VariabelAntensenden MendefinisikanVariabel Pendefinisianvariabel hanya dapat dilakukan bila SPSS data editor sedang aktif. Pada pendefinisisan variabel kita dapat melakukan pemberian nama variabel sekaligus menentukan format dari variabel tersebut. Ketentuan dalam memberikan nama variabel adalah sebagai berikut: Namavariabelharusdiawalidenganhuruf Tidakbolehdiakhiridengantandatitik Panjangvariabelmaksimal8karakter Tidakbolehadablankatauspasidankarakterspecialseperti!,?,,dan* Harusunik,yaitutidakbolehadanamavariabelyangsama Tidakmembedakanhurufkecualidenganhurufkapital Tidakbolehmenggunakanistilahreservedword(istilahyangsudahadapadaSPSS) TombolPerintah Tombolperintahumumnyaterletakdisebelahkanankotakdialogutama OK:untukmenjalankanprosedursekaligusmenutupkotakdialog Paste : menampilkan susunan perintah pada syntax window yang merupakan hasil transfer perintahperintahyangdiberikanpadakotakdialog Reset:mengembalikanvariabelterseleksikedaftarvariabelasaldanspesifikasinyadefault Cancel:membatalkanseluruhperintahdanspesifikasinyadansekaligusmenutupkotakdialog Help:melihatinformasiyangberkenaandengankotakdialogyangaktif. TampilanUtamaSPSSforWindows 1. File. Digunakan untuk membuat file baru atau membuka file yang telah tersimpan atau membacafilespeadsheetsdanfiledatabaseyangdibuatdenganpaketprogramlain 2. Edit. Digunakan untuk memodifikasi, mengkopi, menghapus, mencari dan mengganti data atauteksdarioutputwindowmaupunsintaxwindow. 3. Data. Digunakan untuk membuat pilihan global dari file data SPSS seperti pendefinisian variabel,penggabunganfile,transposedata,mengambilsebagiancase,dll. 4. Transform. Digunakan untuk mentransformasi data, yaitu pembentukanvariabel baru yang valuenya merupakan hasil transformai dari value variabelvariabel yang sudah ada. Atau memodifikasi variabel yang sudah ada berdasarkan variabel lain. Seperti transformasi denganoperatoraritmatika,fungsiaritmatika,fungsistatistik,dansebagainya 5. Analyze. Digunakan untuk memilih berbagai prosedur statistika, seperti : korelasi, regresi, analisavarians,tesnonparametrik,dansebagainya
6. Graph. Digunakan untuk mengaktualiasikan data ke dalam bar chart, pie chart, histogram, scatterplotdanbentukgrafiklainnya. 7. Utilities. Digunakan untukmengubah fonts,mengakses data secara dinamik,menampilkan informasiisifiledataSPSS,ataumenampilkanindeksdariperintahperintahSPSS. 8. Window.Digunakanuntukmengatur,memilih,danmengontrolatributatributwindowSPSS 9. Help. Digunakan untuk membuka window standard Microsoft Help yang memuat informasi bantuan bagaimana menggunakan bantuan dari fasilitas pada SPSS. Informasi bantuan ini jugabisadidapatlewatsetiapkotakdialog. Latihan! 1. Buatlahsebuahfiledatasepertiberikutini
Catatan: LabelValue: Sex:1=lakilaki 2=perempuan Gol:1=lulusanSMU 2=lulusanD3 3=lulusanS1 4=lulusanS2 Tampilkanpulalabelvaluepadadataeditor HapusGridLine 2. Diberikandatasebagaiberikut:
a. b. c. d. e. f. g.
h. Dapatkannilai
1 data 2
i. Ujiapakahragamketigadatatersebutsamaatautidak! j. Bagaimanakahplotdata1terhadapdata2?
BABII KORELASI Analisa korelasi mempelajari apakah ada hubungan antara dua variabel atau lebih. Keeratan hubunganlinierantara2variabel(koefisienkorelasi)dilambangkandenganr,dandirumuskan:
r =
n xi yi - ( xi )( yi) n xi2 - ( xi )
2
n yi2 - ( yi)
Beberapasifatradalah: 1. rdapatbernilaipositifataunegatif. 2. Terletakantarabatas1dan+1 3. Sifatdasarnya simetris,yaitukoefisienkorelasiantaraXdanY(rxy) samadengankoefisien korelasiantaraYdanX(ryx). 4. rhanyalahsuatuukuranhubunganlinieratauketergantunganliniersaja,rtidakmempunyai artiuntukmenggambarkanhubungannonlinier. Hipotesis: Ho :Tidakadahubungan(korelasi)antaraduavariabel H1 :Adahubungan(korelasi)antaraduavariabel Pengambilankeputusan: Jikaprobabilitas>0.05makaHo diterima. Jikaprobabilitas<0.05makaHo ditolak. Catatan: Keputusandapatdiambildengancepatdenganmelihatnilaikoefisienkorelasinya,yaitujikapada nilai koefisien korelasi bertanda (**) maka menyatakan ada hubungan pada tingkat signifikansi 1%. Contoh: Hitungnilaikoefisienkorelasidari4variabelberikut,kemudianinterpretasikan. X1 X2 X3 X4 0.12 0 0.33 300 0.20 25 1.35 275 0.13 50 1.56 250 0.15 75 1.86 225 0.14 100 2.03 200 0.11 125 2.56 175 0.22 150 3.02 150 0.23 175 3.56 125 0.20 200 4.59 100 0.21 225 6.25 75 0.18 250 6.35 50 0.17 275 7.05 25 0.16 300 8.65 0 Untukmenghitungnilaikoefisienkorelasi,darimenuutamaSPSSpilih AnalyzeCorrelate Bivariate. Makaakanditampilkankotakdialogbivariatecorrelation. Semua variabel numerik pada file data anda akan ditampilkan pada kotak daftar variabel. Pindahkanduaataulebihdatadivariabelasalkevariabelterseleksi(variabelyangakandiolah olehuser)kemudianOK.
HasilAnalisa:
Correlations X1 1,000 , 13 ,385 ,194 13 ,330 ,272 13 ,385 ,194 13 X2 ,385 ,194 13 1,000 , 13 ,972** ,000 13 1,000** ,000 13 X3 ,330 ,272 13 ,972** ,000 13 1,000 , 13 ,972** ,000 13 X4 ,385 ,194 13 1,000** ,000 13 ,972** ,000 13 1,000 , 13
X1
X2
X3
X4
**. Correlationissignificantatthe0.01level(2tailed).
Interpretasi: 1. Artiangkakorelasi Ada dua hal dalam penafsiran korelasi, yaitutanda +atau yang berhubungan dengan arah korelasi serta kuat tidaknya korelasi. Contohnya, korelasi antara (X1,X2) dan (X1,X3) didapatangka+0.385dan+0.330(tanda+disertakankarenatidakadatandapadaoutput, jadiotomatispositif). Haliniberarti: Arah korelasi positif, atau semakin tinggi X2, X1 semakin besar dan sebaliknya . Demikianjuga jika semakin tinggi X3, X1jugamakinbesar dan sebaliknya. Namun demikianjikakoefisienkorelasibertandanegatifsepertikorelasipada(X1,X4)berarti bahwasemakintinggiX4makaX1makinturundansebaliknya. Besar korelasi yang < 0.5, berarti korelasinya lemah, seperti pada korelasi antara (X1,X2), (X1,X3) dan (X1,X4). Sedangkan koefisien korelasi yang > 0.5 berarti korelasi/hubungannyakuat,sepertikorelasiantara(X2,X3)dan(X3,X4). 2. Signifikansihasilkorelasi Nilai probabilitas dari korelasi antara (X1,X2), (X1,X3) dan (X1,X4) berturutturut adalah 0.194, 0.272 dan 0.194 yang lebih besar dari 0.05, berarti bahwa korelasi antara (X1,X2), (X1,X3) dan (X1,X4) tidak nyata secara statistika atau tidak ada hubungan(korelasi)antara(X1,X2),(X1,X3)dan(X1,X4) Nilaiprobabilitasdarikorelasiantara(X2,X3),(X2,X4)dan(X3,X4)semuanyaadalah 0.000yanglebihkecildari0.05dan0.01,berartikorelasiantara(X2,X3),(X2,X4)dan (X3,X4) nyata secara statistika atau ada hubungan (korelasi) yang kuat antara (X2,X3),(X2,X4)dan(X3,X4). 3. Jumlahdatayangberkorelasi Karenatidakadadatayanghilang,makadatayangdiprosesN=13. Latihan! 1. Kapannilaikoefisienkorelasi(r)antara2variabelbernilai+1? 2. Kapannilaikoefisienkorelasi(r)antara2variabelbernilai1? 3. Berikutini diberikan nilai 10 orangmahasiswa dalamujiantengah semester dan ujian akhir semester mata kuliah statistik. Hitung koefisien korelasinya dan interpretasikan hasil analisanya.
UTS UAS
63 77
79 82
50 59
91 81
69 70
83 79
77 85
56 59
58 63
68 80
4. Diperkirakan banyaknya kaleng yang rusak dalam suatu pengiriman dengan mobil pengangkut (Y) berhubungan dengan kecepatan mobil pengangkut (X). Tiga belas mobil pengangkutyangdipilihsecaraacakdigunakanuntukmemeriksaapakahperkiraaninibenar atautidak.Datayangdiperolehadalahsebagaiberikut: X 4 3 5 8 4 3 3 4 3 5 7 3 8 Y 27 54 86 136 65 109 28 75 53 33 168 47 52 a. Plotdatadiatas b. Hitungkoefisienregresinya c. Apakesimpulananda?(Gunakan a =5%) 5.Ingindiketahuiapakahadakorelasi(hubungan)antaravariabelvariabel: Jumlah pelanggaran lalu lintas (tilang), jumlah kendaraan roda empat (mobil), kendaraan roda dua (sepeda motor), dan jumlah polisi. Untuk itu, diambil data mengenaivariabelvariabeldiataspada sejumlahdaerahpada waktutertentudenganhasil sebagaiberikut: Tilang Mobil Motor Polisi 20 258 589 89 24 265 587 52 25 249 698 59 18 125 625 57 15 * 712 52 16 124 692 48 * 251 681 49 10 * 634 29 12 124 697 27 17 159 521 59 Hitunglahkoefisienkorelasidiantara4variabeltersebutdaninterpretasikan. Catatan: Perhatikan ada beberapa data yang diberi tanda *. Hal ini menunjukkan data tersebut missingatautidakdiketahui.
BABIII REGRESILINIERSEDERHANA
Analisis regresi dapat digunakan untuk mendapatkan persamaan regresi yang menunjukkan hubungan antar variabel dependen (variabel tak bebas) dengan satu atau beberapa variabel independen (variabel bebas). Jika variabel dependen dihubungkan dengan satu variabel independen saja, maka regresi yang dihasilkan adalah regresi linier sederhana. Nilai koefisien yang dihasilkan harus diuji secara statistik signifikan atau tidak. Apabila semua koefisiensignifikan,persamaanregresiyangdihasilkandapatdigunakanuntukmemprediksinilai variabel dependen jika nilaivariabel independen ditentukan. Seberapa besar pengaruh variabel independen terhadap terhadap variasi variabel dependen dapat diukur dengan besarnya nilai 2 koefisien determinasi (R ). Semakin besar nilai koefisien determinasi, semakin besar pula pengaruhvariabelindependenterhadapvariasivariabeldependen. Modelregresiliniersederhana:
Y = b 0 + b1x
Contoh: Data hipotetik (buatan) mengenai belanja konsumsi mingguan keluarga (Y) dan pendapatan mingguankeluarga(X)dalamdollardisajikanberikutini. Y X 70 80 65 100 90 120 95 140 110 160 115 180 120 200 140 220 155 240 150 260
HasilAnalisa:
b VariablesEntered/Removed
Model 1
Variables Entered a X
Variables Removed ,
Method Enter
a. Allrequestedvariablesentered. b. DependentVariable:Y
Model 1
a.Predictors:(Constant),X
b ANOVA
Model 1
df 1 8 9
F 202,868
Sig. a ,000
a. Predictors:(Constant),X b.DependentVariable:Y
a Coefficients
Model 1
(Constant) X
t 3,813 14,243
a. DependentVariable:Y
Interpretasi: 1. ModelSummary Angka R sebesar 0.981 menunjukkan bahwa korelasi / hubungan antara variabel tak bebas Y (belanja konsumsi mingguan keluarga) dengan variabel bebas X (pendapatan mingguankeluarga)adalahsangatkuat. Angka R square atau koefisien determinasi adalah 0.962 (berasal dari 0.981 x 0.981). Namunjikajumlahvariabelbebaslebihdaridua(misaldalamregresiberganda),lebihbaik digunakan Adjusted Rsquare, yang bernilai 0.957 (yang selalu lebih kecil dari R square). Hal ini berarti bahwa 95.7% variasi dari Y = belanja konsumsi mingguan keluarga, bisa dijelaskanolehvariasidariX=pendapatanmingguankeluarga.Sedangkansisanya(100% 95.7%=4.3%)dijelaskanolehsebabsebabyanglain. Standard Error of Estimate (SEE) adalah 6.49 atau $6.49 (satuan yang dipakai adalah variabel tak bebas). Makin kecil SEE akan membuat model regresi semakin tepat dalam memprediksivariabeldependen
2. ANOVA Dari uji ANOVA atau Ftest, didapatFhitung adalah 202.868 dengan tingkat signifikansi 0.000. Karenaprobabilitas(0.000)jauhlebihkecildari0.05,makamodelregresibisadipakaiuntuk memprediksiY. 3. KoefisienRegresi PersamaanRegresi: Y=24.455+0.509X Konstanta sebesar 24.455 menyatakan bahwa jika tidak ada pendapatan mingguan keluarga,makabelanjakonsumsimingguankeluargaadalah$24.455 Koefisien regresi 0.509 menyatakan bahwa setiap penambahan (karena tanda +) $1 pendapatan mingguan keluarga akan meningkatkan belanja konsumsi keluarga sebesar $0.509 Ujituntukmengujisignifikansikonstantadanvariabelbebas Hipotesis: H0 :Koefisienregresitidaksignifikan H1 :Koefisienregresisignifikan Pengambilankeputusan(berdasarkanprobabilitas) Jikaprobabilitas>0.05makaHo diterima Jikaprobabilitas<0.05makaHo ditolak Keputusan: Terlihat bahwa pada kolom sig / significance : variabel X mempunyai angka signifikan 0.000 (di bawah 0.05). Karena itu, X = pendapatan mingguan keluarga memang mempengaruhiY=belanjakonsumsimingguankeluarga. Latihan 1. Biayapemeliharaantraktorpengangkatbarangterusmeningkatdenganbertambahnyaumur traktor.Berikutiniadalahdatanya: Umur(tahun) 4.5 4.5 4.5 4.0 4.0 4.0 5.0 5.0 5.5 Biaya($) 619 1049 1033 495 723 681 890 1522 987 Umur(tahun) 5.0 0.5 0.5 6.0 6.0 1.0 1.0 1.0 Biaya($) 1194 163 182 764 1373 978 466 549
a. Tentukanmanasebagaivariabelbebasdanmanavariabeltakbebas.Berialasan. b. Dugalahmodelregresidaridatatersebut.Apakesimpulannya. 2. Tinggi busa sabun dalam bak cuci piring sangat penting bagi produsen sabun. Sebuah percobaan diadakan dengan mengubahubah banyaknya sabun dan kemudian mengukur tinggibusadalambakcucipiringyangstandarsetelahdilakukanpengadukantertentu.Data yangdiperolehadalahsebagaiberikut: GramProduk(X) 4.0 4.5 5.0 5.5 6.0 6.5 7.0 TinggiBusa(Y) 33 42 45 51 53 61 62
10
Misalkanmodelyangdigunakanadalah:
Y = b 0 + b 1x+ e
a. Tentukanpersamaaanregresinya b. Adakanpengujianterhadapkoefisisenregresinya. c. Hitunglahsisaansisaannyadanperiksaapakahadapetunjukperlunyadigunakanmodel yanglebihrumit. 3. Dalam suatu percobaan yang serupa dengan soal nomor 2, penelitinya mengatakan bahwa model Y = b 0 + b 1x+ e adalahtidakmasukakalkecuali b 0 = 0,sebabsemuaorangtahu kalau anda tidak memasukkan sabun ke dalam bak cuci piring, maka busa tidak akan terbentuk.Jadi,iaberkerasmenggunakanmodel Y = b 1x+ e .Datayangdiperolehadalah: GramProduk(X) 3.5 4.0 4.5 5.0 5.5 6.0 6.5 7.0 7.5 8.0 a. b. c. d. TinggiBusa(Y) 24.4 32.1 37.1 40.4 43.3 51.4 61.9 66.1 77.2 79.2
Bilamodelituditerima,tentukannilaidugaanbagi b 1
11
BABIV
REGRESILINIERBERGANDA
Analisa regresi merupakan metode statistika yang mencari hubungan antara 2 peubah, yaitupeubahbebas(X)danpeubahtakbebas(Y).Jikavariabeltakbebas(Y)dihubungkanlebih dari satu variabel bebas (X), maka didapat persamaan regresi linier berganda (multiple Linear Regression) Model: Tahapanpenyusunanmodelregresibergandameliputi: Menentukanmanavariabelbebas(independen)danmanavariabeltakbebas(dependen) Menentukanmetodepembuatanmodelregresi(enter,Stepwise,Forward,Backward) Melihatadatidaknyadatayangoutlier(ekstrim) Menguji asumsiasumsi pada regresi berganda, sepert normalitas, linieritas, heteroskedastisitas,multikolinieritas,autokorelasidanlainnya. Mengujisignifikansimodel(ujit,ujiFdansebagainya) Interpretasimodelregresiberganda UntukSPSS,prosedurregresiliniermenyediakan5macammetodeuntukmenyusunpersamaan regresi, yaitu pemilihan Enter, Stepwise, Forward, Eliminasi Backward dan removal. Karena regresi berganda cukup kompleks dan bervariasi, pada modul ini akan dijelaskan prosedur pembuatanmodelregresibergandadanujisignifikansinyadenganmetodeenter. Contoh: Suhu plat pembungkus dan jarak plat pembungkus dalam mesin pembungkus sabun mempengaruhipersentasesabunterbungkusyanglolosinspeksi.Beberapadatatentangpeubah itutalahdikumpulkan,yaitusebagaiberikut: a. Gunakanmoodellinierdantentukannilaidugaanbagi b. Apakahsecarkeseluruhanregresiitunyata?(guanakan=0.05) c. Apakah salah satu variabel itu lebih bermanfaat daripada yang lain didalam meramalkan persentasesabunyangterbungkusrapi? d. Apasaranandaberkaitandenganbekerjanyamesinpembungkusini? Jawab: DarimenuutamaSPSS,pilihmenuAnalyzeRegressionLinear Dependent:Y Independent(s):X1,X2 Method:Enter
OK
HasilAnalisa: Interpretasi: 4. ModelSummary AngkaRsebesar0.865menunjukkanbahwakorelasi/hubunganantaravariabeltak bebasY(persentasesabunterbungkus)dengan2variabelbebasX(jarakdansuhu platpembungkus)adalahsangatkuat. AngkaRsquareataukoefisiendeterminasiadalah0.747(berasaldari0.865x0.865). Namun karena jumlah variabel bebas lebih dari dua maka lebih baik digunakan AdjustedRsquare,yangbernilai0.709(yangselalulebihkecildariRsquare).Halini berarti bahwa 70.9% variasi dari Y = persentase sabun terbungkus, bisa dijelaskan
12
oleh variasi dari X = pendapatan mingguan keluarga. Sedangkan sisanya (100% 95.7%=4.3%)dijelaskanolehsebabsebabyanglain. Standard Error of Estimate (SEE) adalah 6.49 atau $6.49 (satuan yang dipakai adalah variabel tak bebas). Makin kecil SEE akan membuat model regresi semakin tepatdalammemprediksivariabeldependen
5. ANOVA Dari uji ANOVA atau Ftest, didapatFhitung adalah 202.868 dengan tingkat signifikansi 0.000. Karenaprobabilitas(0.000)jauhlebihkecildari0.05,makamodelregresibisadipakaiuntuk memprediksiY. 6. KoefisienRegresi PersamaanRegresi: Y=24.455+0.509X Konstanta sebesar 24.455 menyatakan bahwa jika tidak ada pendapatan mingguankeluarga,makabelanjakonsumsimingguankeluargaadalah$24.455 Koefisienregresi0.509menyatakanbahwasetiappenambahan(karenatanda+) $1 pendapatan mingguan keluarga akan meningkatkan belanja konsumsi keluargasebesar$0.509 Ujituntukmengujisignifikansikonstantadanvariabelbebas Hipotesis: H0 :Koefisienregresitidaksignifikan H1 :Koefisienregresisignifikan Pengambilankeputusan(berdasarkanprobabilitas) Jikaprobabilitas>0.05makaHo diterima Jikaprobabilitas<0.05makaHo ditolak Keputusan: Terlihat bahwa pada kolom sig / significance : variabel X mempunyai angka signifikan 0.000 (di bawah 0.05). Karena itu, X = pendapatan mingguan keluarga memang mempengaruhiY=belanjakonsumsimingguankeluarga. Latihan! 1. Dugalahmodeldenganmenggunakandatadibawahini 2. Dugalah model denganmenggunakan data di bawah ini. Susunlah tabel analisa ragamnya, danlakukanujiFparsialuntukmengujiHmelawanuntukI=1,2 3. Data a. Dugalahsemuadalammodel b. Bauattabelanalisaragamnya c. Dengan menggunakan =0.05, ujilah apakah regresi keseluruhannya secara statistik nyata atautidak d. Hitunglahkuadaratkoefisienkorelasigandanya,yaituR2.Berapaproporsikeragamantotaldi sekitaryangdapatdijelaskanolehkeduapeubahtersebut? e. Seberapa bermanfaatkah regresiinijika hanyamenggunakan X1 saja? Berapa sumbangan X2jikaX2sudahadadalamregresi? f. SeberapabermanfaatkahregresiinijikahanyamenggunakanX2saja?Berapasumbangan X1jikaX2sudahadadalamregresi? g. Apakesimpulananda?
13
BABV BEBERAPABENTUKMODELDENGANEKONOMETRIK
Dalambabsebelumnyakitatelahbelajarregresilinierssederhanadanregresilinierberganda.Model regresimajemukyangpalingsederhanaadalahregresitigavariabeldengansatuvariabeltakbebasdan duavariabelbebas.Jikapadababsebelumnyakitamembahasmodelregresimajemukyanglinierdalam parameterdanlinierdalamvariabel.Padababinikitaakanbelajarmodel regresimajemukyanglinier dalamparametertetapitidaklinierdalamvariabel.Dalamcontohekonometrikamisalnya,diasumsikan secaraimplicitbahwahanyapendapatanYyangmempengaruhiX.tetapiteoriekonomijarangyang sesederhanaitu,karenadisampingpendapatan,sejumlahvariabellainnampaknyajugamempengaruhi belanjakonsumsi.Sebagaicontoh,permintaanuntukbarangdagangannampaknyatidakhanya tergantungpadaharganyasendiri,tetapijugapadahargabarangyanglainyangbersaing.Pada ekonometrika,kitamengenalfungsiproduksiCobbDouglassbb: Y=0X11 X22 Model regresi di atas merupakan model regresi majemuk yang linier dalam parameter tetapitidaklinierdalamvariabel.Persamaandiatasbisajugadinyatakansebagai: Ln=+1 lnX1 +2 lnX2 Dimana =ln0 Contoh: Daridataberikutini,buatlahsebuahmodelregresidarifungsiCobbDouglas! Y 16607.7 17511.3 20171.2 20932.9 20406.0 20837.6 24806.3 26465.8 27403.0 28628.7 29904.5 27508.2 29035.5 29281.5 31535.8 JAWAB: Terlebihdahulu,kitamencarinilailndarimasingmasingvariable.Didapatdatasebagaiberikut: LnY 9.72 9.77 9.91 9.95 9.92 9.94 LnX1 5.62 5.61 5.60 5.59 5.59 5.62 LnX2 9.79 9.80 9.81 9.86 9.89 9.94 X1 275.5 274.4 269.7 267.0 267.8 275.0 283.0 300.7 307.5 303.7 304.7 298.6 295.5 299.0 288.1 X2 17803.7 18096.8 18271.8 19167.3 19647.6 20803.5 22076.6 23445.2 24939.0 26713.7 29957.8 31585.9 33474.5 34821.8 41794.3
14
10.00 10.06 10.12 10.19 10.31 10.36 10.42 10.46 10.64 Regression Linier.
OK
HasilAnalisa: Regression
b VariablesEntered/Removed
Model 1
Variables Removed .
Method Enter
Model 1
a.Predictors:(Constant),LN_X2,LN_X1
b ANOVA
Model 1
df 2 12 14
F 51.328
Sig. a .000
a. Predictors:(Constant),LN_X2,LN_X1 b. DependentVariable:LN_Y
15
a Coefficients
Model 1
a. DependentVariable:LN_Y
16
BABVI HETEROSKEDASTISITAS
Model regresi menghendaki tidak adanya masalah heteroskedastisitas. Jika varian dari galat suatu pengamatan ke pengamatan yang lain tetap, maka disebut homoskedastisitas. Jika varian berbeda, disebut heteroskedastisitas. Heteroskedastisitas tidak merusak sifat ketidakbiasan dan konsistensi dari penaksir Metode Kuadrat Terkecil. Tetapi, penaksir ini tidak lagi mempunyai varian minimum atau efisien. Dengan kata lain, mereka tidak lagi BLUE (Best LinearUnbiasedEstimator/Penaksirtakbiaslinierterbaik).PenaksiryangBLUEdiberikanolaeh Metode Kuadrat Terkecil Tertimbang. Contoh masalah heteroskedastisitas adalah orang kaya akan bervaraiasi dalam membelanjakan uangnya, sedangkan orang miskin hanya bisa sedikit bervariasidalamberbelanja.Halinimenunjukkanvariasiyangtidaksamaantarakeduagolongan tersebut,yangberartitimbulmasalahheteroskedastisitas. Contoh: Data berikut menyajikan ratarata produktivitas tenaga kerja dan standar deviasi dari produktivitastenagakerjauntuksembilankelasjumlahkaryawan Jumlahkaryawan 14 59 1019 2049 5099 100249 250499 500999 10002499 RatarataProduktivitas 9355 8584 7962 8275 8389 9418 9795 10281 11750 StandarDeviasiProduktivitas 2487 2642 3055 2706 3119 4493 4910 5893 5550
17
Gambar6.1KotakDialogStatistik MasukkanvariabelSRESIDpadasumbu(pilihan)Y MasukkanvariabelZPREDpadasumbu(pilihan)X Continue,OK Catatan: Deteksiadanyaheteroskedastisitas Deteksidenganmelihatadatidaknyapolatertentupadagrafikyangdihasilkan,dimanasumbuX adalahYyangtelahdiprediksi,dansumbuXadalahresidual(YprediksiYsesungguhnya)yang telahdistudentized. Dasarpengambilankeputusan: Jikaadapolatertentu,sepertititiktitik(pointpoint)yangadamembentuksuatupolatertentu yang teratur (bergelombang, melebar kemudian menyempit), maka telah terjadi heteroskedastisitas Jikatidakadapolayangjelas,sertatitiktitikmenyebardiatas dan dibawah angka0pada sumbuY,makatidakterjadiheteroskedastisitas. HasilAnalisa: (Hanyatampilangrafiksaja)
18
Scatterplot DependentVariable:Y
2.0
RegressionStudentizedResidual
1.5 1.0 .5 0.0 .5 1.0 1.5 2.0 1.5 1.0 .5 0.0 .5 1.0 1.5 2.0 2.5
RegressionStandardizedPredictedValue
Interpretasi: Dari grafik di atas, terlihat titiktitk menyebar dengan membentuk pola tertentu. Hal ini berartiterjadiheteroskedastisitaspadamodelregresi,sehinggamodelregresitidaklayakdipakai untukprediksi. Langkahuntukmenghilangkanheteroskedastisitas. Transformasi Log seringkali akan mengurangi heteroskedastisitas. Hal ini disebabkan karena transformasiyangmemampatkanskalauntukpengukuranvariabel,menguragiperbedaanantara keduanilaitadidarisepuluhkalilipatmenjadiperbedaanduakalilipat.Misal,angka80adalah10 kaliangka8,tetapiln80(=4.3820)hanyaduakalibesarnyaln8(=2.0794). Perhatikanduamodelregresiberikut: Yi =0 +1Xi +ui (persamaan6.1) LnYi =0 +1 lnXi +ui (persamaan6.2) Manfaattambahandaritransformasilogbahwakoefisienkemiringan1 mengukurelastisitasdari Y terhadap X, yaitu persentase perubahan dalam Y untuk persentase perubahan dalam X. Misalnya, jika Y adalah konsumsi dan X adalah pendapatan, maka 1 (dalam persamaan 6.2) akanmengukurelastisitaspendapatan,sedangkandalammodelregresiasli(persamaan6.1)1, hanya mengukur tingkat ratarata pertumbuhan konsumsi untuk satu unit perubahan dalam pendapatan. Daridatayangsamadiatas,kitaakanhitungnilaiLnXdanLnY,didapat: X 9355 8584 7962 8275 8389 9418 9795 Y 2487 2642 3055 2706 3119 4493 4910 LnX 9.14 9.06 8.98 9.02 9.03 9.15 9.19 LnY 7.82 7.88 8.02 7.90 8.05 8.41 8.50
19
10281 11750
5893 5550
9.24 9.37
8.68 8.62
DarimenuutamaSPSS,pilihmenuAnalyzeRegressionLinear. Dependent:LnY Independent(S):LnX Method:Enter Tekan tombol Plot , dan masukkan variabel SRESID pada sumbu (pilihan) Y dan masukkan variabelZPREDpadasumbu(pilihan)X. Continue,OK HasilAnalisa:
Scatterplot DependentVariable:LN_Y
1.5
RegressionStudentizedResidual
1.0 .5 0.0 .5 1.0 1.5 2.0 1.5 1.0 .5 0.0 .5 1.0 1.5 2.0
RegressionStandardizedPredictedValue
Interpretasi: Darigrafikdiatas,terlihattitiktitkmenyebarsecaraacakdantidakberpola.Haliniberarti tidak terjadi problem heteroskedastisitas pada model regresi, sehingga model regresi layak dipakaiuntukprediksi.
20
BABVII
AUTOKORELASI
Dalam analisis regresi diasumsikan bahwa galat acaknya tidak saling berkorelasi satu sama lain. Kalau asumsi ini tidak terpenuhi berarti ada korelasi diantara galat acaknya, maka estimasi koefisiennya tetap tidak bebrbias tetapi variasi dari koefisien itu tidak minimal lagi. Autokorelasididefinisikansebagiterjadinyakorelasidiantaradatadatapengamatan,ataudengan kata lain munculnya suatu data dipengaruhi data sebelumnya. Artinya, ada korelasi antar anggota sampel yang diurutkan berdasar waktu. Tentu saja model regresi yang baik adalah regresi yang bebas dari autokorelasi. Autukorelasi pada sebagian besar kasus ditemukan pada regresi yang datanya adalah time series, atau berdasarkan waktu berkala, seperti bulanan, tahunan,dansebagainya. Contoh: Y(nilaipenjualan):6461847088927277 X(biayapromosi):20 16342327321822 Buktikanapakahterdapatautokorelasidaridatadiatas? Jawab: DarimenuutamaSPSS,pilihmenuAnalyzeRegressionLinear Dependent:Y Independent(s):X Method:Enter Tekantombol,Statistics,danaktifkanpilihanDurbinWatsonpadabagianresiduals
Continue,OK
Catatan: Deteksiadanyaautokorelasi
Ada tidaknya autokorelasi dapat dilihat dari statistik d DurbinWatson. Nilai statistik d terletakantara0dan4.Bila:
DW <1.10 1.101.54 1.552.46 2.472.90 >2.91 Kesimpulan Adaautokorelasipositif TanpaKesimpulan TidakAdaAutokorelasi TanpaKesimpulan AdaAutokorelasiNegatif
Jika ada masalah autokorelasi, maka model regresi yang seharusnya signifikan (lihat angka F dan signifikansinya), menjadi tidak layak untuk dipaklai. Autokorelasi bisa diatasi dengan beberapacaraantaralain: Melakukanteransformasidata Menambahdataobservasi HasilAnalisa:
21
b VariablesEntered/Removed
Model 1
Variables Entered a X
Variables Removed .
Method Enter
a. Allrequestedvariablesentered. b. DependentVariable:Y
b ModelSummary
Model 1
a. Predictors:(Constant),X b. DependentVariable:Y
b ANOVA
Model 1
df 1 6 7
F 17.367
Sig. a .006
a. Predictors:(Constant),X b.DependentVariable:Y
a Coefficients
Standardi zed Coefficien ts Beta .862 t 4.509 4.167 Sig. .004 .006
a. DependentVariable:Y
Interpretasi: Padabagianmodelsummary,terlihatangkaDurbinWatsonsebesar+0.830.Haliniberartimodel regresi di atas terdapat masalah autokorelasi positif, sehingga model regresi yang didapat menjaditidaklayakuntukdipakai. Langkahuntukmenghilangkanautokorelasi: Autokorelasi dapat timbul karena berbagai alasan. Jika terjadi autokorelasi, maka diperlukan tindakan perbaikan. Jika koefisien autokorelasi diketahui, masalah autokorelasi dapat diatasi dengan transformasi data mengikuti prosedur persamaan perbedaan yang digeneralisasikan. Namuntidakselaludengantransformasi,dapatmenyelesaikanmasalahautokorelasi.Untukdata kitadiatas,dicobadengantransformasiln. Y X LnY LnX
22
64 61 84 70 88 92 72 77
20 16 34 23 27 32 18 22
Model 1
Variables Removed .
Method Enter
a. Allrequestedvariablesentered. b. DependentVariable:LN_Y
b ModelSummary
Model 1
a. Predictors:(Constant),LN_X b. DependentVariable:LN_Y
b ANOVA
Model 1
df 1 6 7
F 19.270
Sig. a .005
a. Predictors:(Constant),LN_X b. DependentVariable:LN_Y
23
a Coefficients
Unstandardized Coefficients Model 1 (Constant) LN_X B 2.791 .486 Std.Error .350 .111
Standardi zed Coefficien ts Beta .873 t 7.982 4.390 Sig. .000 .005
a. DependentVariable:LN_Y
Interpretasi: Meskipuntelahdicobauntukmelakukantransformasidatadengantransformasiln,namunangka DurbinWatson (0.876) tetap menunjukkan adanya autokorelasi positif. Hal ini berarti model regresidiatasterdapatmasalahautokorelasi,sehinggamodelregresiyangdidapatmenjaditidak layakuntukdipakai.Perludicobacaralainuntukmenghilangkanmasalahautokorelasimisalnya denganmenambahdataobservasi.
24
BABVIII MULTIKOLINIERITAS
Satuasumsidarianalisisregresiadalahtidakadanyakorelasiantarvariabelindependen (variabelbebas).Jikaterjadikorelasi,makadinamakanterdapatproblemmultikolinieritas.Tanda 2 yangpalingjelasdarimultikolinieritasadalahadalahketikaR sangattinggi(0.71),tetapitidak satu pun koefisien regresi yang signifikan (nyata) secara statistik. Salah satu cara untuk mengatasimultikolinieritasadalahdengantransformasidatadanmengeluarkansatudarivariabel yangberkolinier. Contoh: DatahipotetikmengenaibelanjakonsumsiY,pendapatanX2dankekayaanX3. Y 70 65 90 95 110 115 120 140 155 150 X2 80 100 120 140 160 180 200 220 240 260 X3 810 1009 1273 1425 1633 1876 2052 2201 2435 2686
Gambar8.1KotakDialogStatistik
25
NonaktifkanpilihanEstimatesdanModelFit AktifkanpilihanCovariancematrixdanCollinearitydiagnostics Continue,OK. Catatan: Deteksiadanyamultikolinieritas a. BesaranVIF(VarianceInflationFactor)danTolerance Pedomansuatumodelregresiyangbebasmultikolinieritasadalah: MempunyainilaiVIFdisekitarangka1 MempunyaiangkaTOLERANCEmendekati1. b.Besarankorelasiantarvariabelindependent Pedomansuatumodelregresiyangbebasmultikolinieritasadalahkoefisienkorelasiantarvariabel independenharuslahlemah(dibawah0.5).Jikakorelasikuat,makaterjadiproblemmultikolinieritas. c.Pengujianpadaeigenvalue,jikaeigenvaluemendekatinolmakaterjadimultikolinieritas.
HasilAnalisa:
b VariablesEntered/Removed
Model 1
Variables Removed .
Method Enter
a. Allrequestedvariablesentered. b. DependentVariable:Y
a ModelSummary
a. DependentVariable:Y
a Coefficients
a. DependentVariable:Y
a CoefficientCorrelations
Model 1
Correlations Covariances
X3 X2 X3 X2
a. DependentVariable:Y
26
a CollinearityDiagnostics
Model 1
Dimension 1 2 3
VarianceProportions (Constant) X2 X3 .01 .00 .00 .98 .00 .00 .00 1.00 1.00
a. DependentVariable:Y
Interpretasi: Pada bagian COEFFICIENT terlihat angka untuk kedua variabel bebas angka VIF = 482.128 yangjauhlebihbesardari1.DemikianjuganilaiTOLERANCE=0.002yangjauhlebihkecildari 1. Dengan demikian dapat disimpulkan bahwa pada model regresi tersebut terdapat problem multikolinieritas.Koefisienkorelasiantarvariabelbebas(X2 dan X3)sangatkuat,yaitusebesar 0.999.Halinimenunjukkanadanyaproblemmultikolinieritasdalammodelregresidiatas. Langkahuntukmenghilangkanmultikolinieritas. Salahsatucarauntukmenghilangkanproblemmultikolinieritasadalahdenganmengeluarkansalah satu variabel dan melakukan transformasi data. Berikut ini dicoba untuk menghilangkan problem multikolinieritasdenganmengeluarkansalahsatuvariable.Darisoaldiatas,dicobauntukmembuatmodel regresibarutanpamelibatkanX3(kekayaan). DarimenuutamaSPSS,pilihmenuAnalyzeRegressionLinear. Dependent:Y Independent(s):X2Method:Enter Tekan tombol Statistics, non aktifkan pilihan Estimates dan Model Fit dan aktifkan pilihan CovariancematrixdanCollinearitydiagnostics Continue,OK. HasilAnalisa:
b VariablesEntered/Removed
Model 1
Variables Entered a X2
Variables Removed .
Method Enter
a. Allrequestedvariablesentered. b. DependentVariable:Y
a Coefficients
Model 1
X2
a.DependentVariable:Y
a CoefficientCorrelations
Model 1
Correlations Covariances
X2 X2
X2 1.000 1.278E03
a. DependentVariable:Y
27
a CollinearityDiagnostics
Model 1
Dimension 1 2
a. DependentVariable:Y
Interpretasi: Pada bagian COEFFICIENT terlihat angka VIF dan TOLERANCE untuk variable bebas X2 = 1.000.DengandemikiandapatdisimpulkanbahwapadamodelregresitanpamelibatkanX3tidak terdapat problem multikolinieritas, sehingga model tersebut layak untuk digunakan untuk mendugaY=belanjakonsumsi.
28
BABIX REGRESIATASVARIABELDUMMY
Variabel dummy adalah variabel yang digunakan untuk membuat kategori data yang bersifat kualitatif (nominal). Seperti gender (jenis kelamin) yang terdiri atas pria dan wanita. Dalam model regresi yang tidak mengenal data berupa huruf, maka pria dan wanita tersebut perlu diubah menjadi kode tertentu, seperti 1 untuk pria dan 0 untuk wanita. Variabel pria dan wanitainilahyangdisebutvariabeldummy. Modelregresivariabeldummy:Yi =B1 +B2Di +i dimana: Di =0,gagaljikasampeltidakpunyasifatyangdimaksud. 1,suksesjikasampelpunyasifatyangdimaksud. Contoh: Data: Y=Gajiawal X=1,jikalulusanperguruantinggi =0,jikalulusanselaianperguruantinggi. X Y 1 21.2 0 17.5 0 17 1 20.5 1 21 0 18.5 1 21.7 0 18 0 19 1 22
Buatlahmodelregresidenganvariabeldummydaridatadiatas! Jawab: Untuk membuat model regresi dengan variabel dummy, dari menu utama SPSS, pilih menu AnalyzeRegressionLinear. Dependent :Y Independent(s):X Method :Enter Continue,OK HasilAnalisa:
b VariablesEntered/Removed
Model 1
Variables Entered a X
Variables Removed .
Method Enter
a. Allrequestedvariablesentered. b. DependentVariable:Y
Model 1
a. Predictors:(Constant),X
29
b ANOVA
Model 1
df 1 8 9
F 55.342
Sig. a .000
a. Predictors:(Constant),X b.DependentVariable:Y
a Coefficients
Standardi zed Coefficien ts Beta .935 t 57.735 7.439 Sig. .000 .000
a. DependentVariable:Y
Interpretasi: 1. ModelSummary AngkaR sebesar0.935menunjukkanangkakorelasiyangsangatkuatantaragajiawal danlulusanpegawai 2. Anova Dari uji Anova, didapat F hitung adalah 55.342 dengan tingkat signifikansi 0.000 yang masih di bawah 0.05. Hal ini menunjukkan pengaruh variable independent (lulusan) signifikanterhadapgajiawalyangditerima. 3. KoefisienRegresi Persamaanregresiyangdidapat: Gajiawal=18.000+3.280Di Ujituntukmengujisignifikansikonstantadanvariableindependent. Terlihat bahwa pada kolom sig / significance , variable independent dan konstanta mempunyaitingkatsignifikansidibawah0.05(0.000 untukkonstanta danlulusan).Hal iniberartimodelregresisudahlayakuntukmemprediksipengaruhlulusanpadagajiawal yangditerima. Tafsiran: Konstanta18.000menunjukkangajiawalyangditerima: Lulusanperguruantinggi(D=1)adalah: Gajiawal=18.000+3.28(1)=21.280 atau$21.280/bulan Lulusannonperguruantinggi(D=0)adalah: Gajiawal=18.000+3.28(0)=18.000 atau$18.000 Jadi di sini jelas ada perbedaan antara gaji lulusan perguruan tinggi dan non perguruantinggi. Koefisien 3.280 menunjukkan bahwa lulusan perguruan tinggi (D=1) mempunyai rataratalebihtinggi$3.280/bulandibandinglulusannonperguruantinggi.
30
Latihan: 1. Seorang konsultan Sumber Daya Manusia ingin mengetahui apakah ada pengaruh yang signifikan (nyata) antara gaji yang diberikan kepada salesman selama ini (Rupiah/bulan) berdasarkanjeniskelaminsalesman.Datayangdiperolehadalahsebagaiberikut: Gaji 210000 195000 185000 21000 170000 210000 200000 160000 180000 210000 225000 200000 213000 215000 245000 JenisKelamin 1 0 0 1 0 1 1 0 0 1 1 1 0 0 1 Pendidikan 1 1 1 1 0 0 0 0 0 0 0 0 1 1 1 Usia 25 22 26 23 25 35 33 36 39 37 30 33 31 37 38
Catatan:JenisKelamin0=wanita 1=pria Bantulahkonsultantersebutuntukmenginterpretasikanhasilanalisayangdiperoleh! 2. Untukdatayangsamadengannomor1(padakolompendidikan,0=SMUdan1=Pendidikan Tinggi),analisaapakahadapengaruhyangnyataantaragajiyangdiberikankepadasalesman selama ini (Rupiah/bulan) dengan jenis kelamin, tingkat pendidikan dan usia salesman. Interpretasikanhasilanalisayangandaperoleh!
31