1

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=X
0.

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 :Y
i
= A + B
1
X
1i
+ B
2
X
2i
+
...
+ B
k
X
ki
+
i
(5.1)
Atau : Y
i
= B
1
+ B
2
X
2i
+ B
3
X
3i
+
...
+ B
k
X
ki
+
i
(5.2)
Sampel : Y
i
= a + b
1
X
1i
+ b
2
X
2i
+
...
+ b
k
X
ki
+ e
i
(5.3)

atau : Y
i
= b
1
+ b
2
X
2i
+ b
3
X
3i
+
...
+

b
k
X
ki
+ e
i
(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) masing-
masing terdiri dari 1 variabel tidak bebas Y dan (k 1) variabel bebas X,l yaitu : X
2,
X
3,

...,
X
k
.
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 X
2
dan X
3.


Y = B
1
+ B
2
X
2
+ B
3
X
3
+ (5.5)
Sedangkan untuk sampel ditulis sebagai berikut.
Y
i
= b
1
+ b
2
X
2i
+

b
3
X
3i
+ e
i
(5.6)

i
= b
1
b
2
X
2i
+ b
3
X
3i
,
I = 1, 2, ,n
e
i
= Y
i

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 : Y
i
= B
1.23
+

B
12.3
X
2i
+ B
13.2
X
3i
+
I
(5.7)
Sampel : Y
i
= b
1.23
+ b
12.3
X
12.3
+ b
13.2
X
3i
+ e
i
(5.8)
:

i
= b
1.23
+ b
12.3
X
2i
+ b
13.2
X
3i
2

Angka-angka yang tercantum pada setiap koefisien disebut indeks atau subscript, angka satu
menunjukan variabel Y
i
atau X
ii
(bisa juga Y
i
ditulis X
ii,
sebagai variabel pertama), angka dua
dan tiga menunjukan variabel X
2
dan X
3.
Koefesien b
1.23
pemeriksa B
1.23
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
b
1.23
merupakan nilai perkiraan rata-rata Y kalau X
2
= X
3
= 0, sebab

i
= b
1.23
+ b
12.3
X
2
+
b
13.2
X
3,
Y
i
= b
1.23.
jadi, b
1.
23merupakan nilai perkiraan/ramalan

Y kalau X
2
= X
3
= 0 (b
1.23
dibaca

b satu, titik, dua tiga).
b
12.3
dan b
13.2
pemeriksa B
12.3
dan B
13.2
disebut koefisien regresi parsial (partial coefficient of
regression). b
12.3
dan b
13.2
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 (X
3
) terhadap hasil penjualan
(Y
2
) kalau pendapatan (X
3
) tetap, atau pengaruh harga terhadap jumlah permintaan kalau
pendapatan masyarakat konstan/tetap tidak berubah.
b
12.3
menunjukan besarnya pengaruh X
2
terhadap Y kalau X
3
tetap.
B
13.2
menunjukan besarnya pengaruh X
3
terhadap Y kalau X
2
tetap.
Untuk 4 variabel, notasinya menjadi sebagai berikut:

i
=

b
1.234
+ b
12.34
X
2
+ b
13.24
X
3
+ b
14.23
X
4
Misalnya:

= hasil penjualan (perkiraan atau ramalan)

X
2
= biaya advertensi
X
3
= pendapatan
X
4
= harga, atau

= produksi padi (perkiraan atau ramalan)
X
2
=

pupuk
X
3
= bibit
X
4
= luas sawah
Notasi ini diciptakan oleh G. U. Yale
12)
, 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 X
1i
,
X
2i
,
X
3i
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
3
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: Y
11
Y
12
Y
13
dibaca Y satu satu, Y satu dua, Y satu tiga, artinya nilai observasi Y
yang pertama, kedua dan ketiga.

X
24
X
25
X
29
dibaca X dua empat, X dua lima, X dua Sembilan, artinya nilai
observasi X
2
yang keempat, kelima, dan kesembilan.
X
33
X
37
X
38
dibaca X tiga tiga, X tiga tujuh, X tiga delapan, artinya nilai observasi
X
3
yang ketiga, ketujuh dan kedelapan.
Untuk regresi dengan tiga variabel (X
1,
X
2,
dan X
3
).
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: b
12.3
= besarnya pengaruh X
2
terhadap Y kalau X
3
tetap
b
13.2
= besarnya pengaruh X
3
terhadap Y kalau X
2
tetap
b
12.345
= besarnya pengaruh X
2
terhadap Y kalau X
3,
X
4,
dan X
5
tetap
b
14.235
= besarnya pengaruh X
4
terhadap Y,kalau X
2,
X
3,
dan X
5
tetap
b
15.234
= besar pengaruhnya X
5
terhadap Y,kalau X
2,
X
3,
dan X
4
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. (5.9)
Artinya, rata-rata kesalahan pengganggu nol.
(2). Kov(
i
,
j
) = 0, I j (5.10)
Artinya, kovarin (
i,

j
) nol. Dengan perkataan lain, tidak ada korelasi antara
kesalahan pengganggu yang satu dengan yang lainnya.
4
(3). Var(
i
) =

setiap i, i = 1, 2,, n (5.11)

Artinya, setiap kesalahan pengganggu mempunyai varian yang sama.
(4). kov(
i
, X
2i
) = kov(
i
, X
3i
) = 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 X
2
dan X
3.
Dengan menggunakan bahasa matriks, tidak ada multicollinearity, berarti berlaku
hubungan berikut.
K
1
X
2i
+ k
2
X
3i
= 0 (5.13)
Dimana k
1
= k
2
= 0. Dalam hal ini X
2i
dan X
3i
dikatakan linearly independent
13)
kalau
hubungan (5.13) berlaku, maka X
2i
dan X
3i
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, X
2
, dan X
3
masing-masing menunjukan
konsumsi, pendapatan dan kekayaan. Dengan memasukan variabel pendapatan (X
2
) dan
kekayaan (X
3
) 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 X
2
dan X
3
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.
5
Perhatikan persamaan (5.7) berikut.
Y
i
= B
1.23
+ B
12.3
X
2i
+ B
13.2
X
3i
+
i
Apabila kita mengambil nilai harapan bersyarat (conaitional expectation) terhadap
Y, maka oleh karena E(
i
) = 0, kita peroleh hasil berikut.
E(Y
i
/X
2,
X
3
) = B
1.23
+ B
12.3
X
2
+ B
13.2
X
3
(5.14)
Persamaan (5.14) merupakan rata-rata atau nilai harapan bersyarat Y dengan X
2
dan
X
3
yang nilainya diketahui (given). Jadi, analisis regrasi menghasilkan nilai rata-rata atau
nilai harapan bersyarat Y kalau X
2
dan X
3
nilainya diketahui. Nilai Y ini sangat
tergantung kepada nilai X
2
dan X
3
dan disebut rata-rata bersyarat oleh karena nilainya
akan berbeda, tergantung syaratnya. Kalau nilai X
2
dan X
3
berubah, nilai Y dengan
sendirinya akan bertambah. Bandingkan dengan hubungan dua variabel dalam bab 4,
E(Y
0
/X
0
) = A + Bx
0
, nilai E(Y
0
/X
0
) sangat tergantung kepada nilai X = X
0.
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/X
2
,X
3),
kalau X
2
berubah sebesar satu satuan (unit),
dimana X
2
berubah satu satuan, diman X
3
konstan. B
13.2
mengukur besarnya perubahan Y
kalau X
3
berubah sebesar satu satuan, diman X
2
konstan. Dengan menggunakan bahasa
kalkulus B
12.3
dan B
13.2
merupakan turunan parsial E(Y/X
2
,X
3
) terhadap X
2
dan X
3.
Misalnya, Y = output, X
2
= tenaga kerja (labour), X
3
= modal (capital). Kita anggap
bahwa X
2
dan X
3
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 (X
2
) terhadap output

(Y) dari pengaruh faktor lain?
Kalau tidak, seolah-olah kenaikan Y hanya dimonopoli oleh X
2
, padahal X
3
terhadap Y,
kita harus mengontrol pengaruh X
3
. Juga untuk menghitung andil tenaga kerja (X
2
)
terhadap Y, kita harus mengontrol pengaruh X
2.
Bagaimana cara mengontrol pengaruh suatu variabel kalau akan dihitung andil suatu
variabel terhadap kenaikan Y? seperti contoh, kita akan mengontrol pengaruh linear
modal (X
3
) didalam mengukur pengaruh (X
2
) terhadap Y kalau X
2
berubah (naik) satu
satuan. Caranya sebagai berikut.
Tahap 1 : Buat regresi Y terhadap X
3
saja, sebagai berikut.
Y
i
= b
1.3
+ b
13
X
3i
+ w
i
(5.15)
6
Persamaan (5.15) regresi linear sederhana, w
i
= kesalahan pengganggu.
Tahap 2 : Buat regresi X
2
terhadap X
3
saja, sebagai berikut.
X
2i
= b
2.3
b
23
X
3i
+ v
i
(5.16)
Dimana v
i
= kesalahan pengganggu.
Sekarang w
i
= Y
i
b
1.3
b
13
X
3i

w
i
= Y
i

i
= b
1.3
+ b
13
X
3i

Dan
V
1
= X
2i
- b
2.3
b
23
X
3i
V
1
= X
2i
-

2i

2i
= b
2.3
+ b
23
X
3i
Dimana

i
dan

2i
merupakan nilai perkiraan / ramalan dari regresi (5.15 dan 5.16).
Nilai W
i
mewakili nilai Y
i
setelah dibebaskan dari pengaruh linier dari X
3i
artinya W
i
adalah nilai Y
i
yang sudah bebas dari pengaruh X
3i
. demikian pula dengan V
i
yang
merupakan nilai X
2i
yang sudah bebas dari pengaruh X
3i
. Kemudian kita terus lanjutkan
ke tahap 3 sebagai berikut.
Tahap 3 : Buat regresi w
i
terhadap v
i
sebagai berikut.
W
i
= a
0
+ a
1
v
i
+ z
i

Dimana z
i
= kesalahan pengganggu.
Di sini a
1
merupakan perkiraan besarnya pengaruh X
2
terhadap Y (the net
marginal product of labor ) atau koefisien regresi ( koefesien arah ) dari Y
terhadap X
2
yaitu merupakan perkiraan dari B
12.3
.
Di dalam praktiknya, kita langsung menghitungnya berdasarkan rumus, tahapan-
tahapan tersebut hanya sekedar ilustrasi untuk dasar berpikir logis. Untuk menghitung
pengaruh X
2
masing-masing harus dubebaskan dari pengaruh X
3
. Rumus yang dipergunakan
untuk menghitung koefesien regresi parsial sudah memperhitungkan semua pertimbangan
diatas tersebut.
5.2.2. Cara Estimasi Koefisien Regresi Parsial
7
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 = b
1.23
+ b
12.3
X
2
+ b
13.2
X
3
+ e
i

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 b
1.23
b
12.3
dan b
13.2
sebagai
perkiraan parameter B
1.23
B
12.3
dan B
13.2
sedemikian rupa sehingga

= minimum.
Caranya ialah dengan jalan menurunkan parsial dari

berturut-turut terhadap b
1.23

b
12.3
dan b
13.2
kemudian menyamakan dengan nol sebagai berikut.

)()

)(

)(

)
Setelah disederhanakan, dapat diperoleh persamaan normal sebagai berikut.

Dari (5.19), kalau kita bagi n, kita peroleh rumus b
1.23
sebagai berikut.

b
12.3
dan b
13.2
dapat dihitung berdasarkan rumus berikut
14)
.

)(

) (

)(

)
(

)(

) (

)(

) (

)(

)
(

)(

) (

8

Di mana x
2i
= X
2i
-

Uraian lebih lanjut mengapa a
1
= b
12.3

)(

)
(

, sebab

= 0, jadi

= 0
Perhatikan persamaan (5,15) dan (5,16)!
Karena

= 0, maka

dan

Dimana

dan

dan

,
Dimasukan dalam

=
(

)(

)
(

Ingat !

, sekarang perhatikan!

Bagian pembilang dari

9
=
(

) (

) (

) (

Bagian penyebut dari

=
(

)(

) (

=
(

) (

) (

)(

)
(

)(

) (

Jadi, memang benar

= b
1.23

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.
(

)(

)(

(5.25)

)= standar error

(5.26)
(

)(

)(

(5.27)

)= standar error

(5.28)
Karena

= varian kesalahan pengganggu, dan dalarn praktiknya tidak pernah diketahui,

maka diperkirakan dengan

sebagai berikut.
(5.29)

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): \

10

atau

=(

)
=

Sekarang,

)
Jadi,

(terbukti)
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

dalam dua dimensi, maka garis regresi linear

berganda juga melalui titik koordinat dalam tiga dimensi (

) berdasarkan
persamaan

(2 ) Rata-rata perkiraan Y, yaitu

sarna dengan rata-rata Y, yaitu

, maksudnya

.

Coba perhatikan hal berikut!

, jumlahkan

, bagi n

, sebab

, jadi

11
Dalam bentuk deviasi terhadap rata-rata,

dapat ditulis:

(3)

, jadi

) (

)
= (

)
=

(4) Kesalahan pengganggu

tidak berkorelasi dengan perkiraan

yaitu

, artinya :

(5) Kesalahan pengganggu

tidak berkorelasi dengan variabel bebas

dan

,
yaitu

(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

juga mengikuti distribusi normal dengan

rata-rata

, dan varian masing-masing.

Coba perhatikan

sebagai fungsi Y, padahal Y fungsi

.
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
12
tentang koefisien determinasi (

) dapat diperluas untuk regresi linear berganda yang

mencakup lebih dari dua variabel. Jadi, dalam hubungan 3 variabel, regresi Y terhadap

dan

, ingin diketahui berapa besarnya proporsi (persentase) sumbangan

dan

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!

(5.32)

Dimana Y
i
= b
1.23
+ b
12.3
X
2i
+ b
13.2
X
3i
merupakan perkiraan yang dihitung dari regresi linear
berganda dan juga merupakan pemerkira rata-rata Y, dengan syarat X
2
, dan X
3
, yaitu
E(Y/X
2
,X
3
). Selanjutnya, perhatikan perubahan yang terjadi kalau masing-masing variabel
dinyatakan dalam deviasi (diukur dari rata-ratanya, dengan simbol huruf latin kecil y
i,
x
2i
, dan
x
3i
, dimana y
i
= Y
i
-

, x
2i
= X
2i

2
, x
3i
= X
3i
-

3
).
(1) Y
i
= b
1.23
+ b
12.3
X
2i
+ b
13.2
X
3i
+ e, jumlahkan
Y
i
= nb
1.23
= b
12.3
X
2i
+ b
13.2
X
3i
+ e
i, bagi n
(2)

= b
1.23
+ b
12.3

2
+ b
13.2

3
+ , (1) (2)
Y
i
-

= b
12.3
(X
2i
-

2
) + b
13.2
(X
3i
-

3
) + e
i
-
y
i
= b
12,3
x
2i
+ b
13.2
x
3i
+ e
i


Jadi, y
i
=
i
+ e
i (5.33)

di mana b
12.3
x
2i
+ b
13.2
x
3i

sekarang persamaan (5.33) dkuadratkan kemudian dijumlahkan :

= (
i
+ e
i
)
2

= (

+ 2
i
e
i +

, sebab 2
i
e
i
= 0 (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

seperti dalam persamaan (5.31), maka kita

peroleh persamaan berikut.

- b
12.3
X
2i
y
i
b
13.2
x
3i
y
i

setelah diadakan pengaturan kembali,

akan hilang, maka diperoleh persamaan berikut.

ESS =

= b
12.3
x
2i
y
i
+ b
13.2
x
3i
y
i (5.35)
Sekarang rumus R
2
diperoleh dengan menggunakan definisi :
R
2
= ESS/ TS =

R
2
=

(3.36)
Y
1
= b
1.23
+ b
12.3
X
21
+ b
13.2
X
3i
+ e
i

= Y
i
+ e
i
13

Seperti halnya r
2
, R
2
nilainya antara nol dan satu :
0 R
2
1
Kalau R
2
berarti proporsi / persentase sumbanan X
2
dan X
3
terhadap variasi atau naik
turunnya Y sebesar 100%. Jadi, variasi yang terjadi seluruhnya disebabkan oleh X
2
, dan X
3
,
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 (X
3
), harga (X
3
), pendapatan masyarakat (X
4
), 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 R
2
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 (X
3
), luas sawah yang ditanami padi (X
4
), curah hujan (X
5
) jumlah petani
panenan padi (X
6
), 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 = B
1
+ B
2
+ B
3
X
3
+ B
4
X
4
+ B
5
X
5
+ B
6
X
6
+ B
7
X
7
+
atau perkiraannya berdasarkan data sampel:
Y = b
i
+b
2
X
2
+ b
3
X
3
+ b
4
X
4
+ b
5
X
5
+ b
6
X
6
+ b
7
X
7
+ e
atau pada umumnya:
Y = B
1
+ B
2
X
2
+ B
3
X
3
+ ... + B
1
X
1
+ ... + B
k
X
k
+
atau perkiraannya berdasarkan data sampel:
14
Y = b
1
+ b
2
X
2
+ b
3
X
3
+ ... + b
1
X
1
+ ... + b
k
X
k
+ e

Kembali lagi ke nilai R
2
, nilainya paling besar 1 dan paling kecil nol. Kalau R
2
= 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 R
2
dengan satu, makin tepat
/cocok garis regresi untuk meramalkan Y, itulah sebabnya, baik r
2
maupun R
2
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 X
2
, X
3
, ... , X
k
secara bersama-sama dan Y. Dalam
praktiknya, R
2
lebih penting daripada R, sebab langsung dapat mengetahui besarnya
proporsi/persentasi sumbangan dari X
2
, X
3
, , X
k
secara bersama-sama terhadap variasi atau
naik turunnya Y. Dihitung dahulu r
2
(R
2
), kemudian untuk memperoleh r (R), tinggal
mengambil akar dari masing-masing.
Berikut ini contoh penggunaan fungsi produksi cobb-douglas.
Y B
1.23

12.3

13.2
setelah diambil lognya dengan bilangan pokok e,
In Y
i
= B
0
+ B
12.3
In X
2i
+ B
13.2
In X
3i

dimana:
Y = output, X
2
= tenaga kerja dalam satuan,
X
3
= modal, B
0
= In B
1.23


Penggunaan fungsi produksi cobb-douglas sangat dikenal oleh para ahli ekonomi yang
menggunakan metode analisis kuantitatif dan banyak manfaatnya. Sebagai contoh, B
12.3
dan
B
13.2
mengukur elastisitas tenaga dan modal terhadap output. Jumlah B
12.3
+ B
13.2
memberikan
informasi mengenai returns to scale, yaitu besarnya reaksi output terhadap perubahan input
secara proporsional. Kalau B
12.3
+ 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 B
12.3
+ B
13.2
< 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 B
12.3
+ B
13.2
> 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.




15
Contoh soal 5.1

Y

X
2

X
3

In Y In X
2

In X
3

16607,699
17511,301
20171,199
20932,898
20406,000
20831,602
24806,301
26465,801
27403,000
28628,699
29904,500
27508,199
29035,500
29281,500
31535,500

275,500
274,400
269,700
267,000
267,800
275,000
283,000
300,700
307,500
303,700
304,700
298,600
295,500
299,000
288,100
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
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
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
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

X
2
= tenaga kerja (jutaan tenaga kerja)
X
3
= modal (jutaan satuan mata uang)
Y = 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 )
16
(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
2 *
2i
) (x*2 3i) - (x*2i x*3i)2
b0 = Y * - b12.3 X 2* - b13.2 X
3
*

S
2
b12.3
= Se
2
x*
2
3i
(x*
2
2i) (x*
2
3i) - (x*2i x*3i)
2

S
b
12.3 = S
2

b
12..3 = standard error (b12.3)

S
2
b
13.2 = S
2
e x*
2
2i
(x*
2
2i) (x*
2
3i) - (x*2i x*3i)
2
ei
2
= y*i
2
- b12..3 x* 2i yi - b13..2 x* 3i yi
S
e
2
= ei
2
/ n - 3



X*2
In X2
X*3
In X3
Y*
In Y
x*2
(X*2
X*2)
x*3
(X*3
X*3)
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
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
-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
-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*2 = 84,89 X*3 = 151,66 Y* = 151,449
17

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
-0,044
-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
-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
-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
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
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*
2
2
0,0373
x*
2
3
1,0482
x*2x*3
0,1378
x*2 y*
0,1231
x*3 y*
0,7198

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*
3
i)
2
Pembilang : (x*
2i
y*
3i
2
) (x*
3i
2
) (x*
3i
y*
i
) (x*
2i
x*
3i
)
= (0,1231) (1,0482) (0,7198) (0,1378)
= 0,0299

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

= (0,0373) (1,0482) (0,1378)
2


= 0,0201

b12.3 = 0,0299
0,0201

= 1,4876

18
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*
3
i)
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
y*
2
i = (-0,379)2 + (0,326)2 + + (0,262)2
= 0,6046
e
2
i = y*
2
i - 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
S
2
e = e
2
i / n 3
= 0,067 / 12
= 0,00558
R
2
= *
2
i / y*
2
i
= b12.3x*2i y*i + b13.2x*3i y*i
y*
2
i

= 0,1831 + 0,3545
0,6046

19
= 0,5376
0,6046

= 0,8892

S
2
b12.3
= S2e x*
2
3i

(x*
2
2i) (x*
2
3i) - (x*2i x*
3
i)
2
1,0482
= 0,005583
0,0201
= 0,00585
0,0201
= 0,2910

Sb12.3 = S
2
b12.3
= 0,2910
= 0,5394
S
2

b
13.2 = S
2
e x*
2
2i
(x*
2
2i) (x*
2
3i) - (x*2i x*
3
i)
2

= 0,005583 0,0373
0,0201

= 0,00028 = 0,0103
0,0201

S b13.2 = 0,1015

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

Standard error : (0,5394) (0,1015) S
e
= 0,0747
20
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 b
0
= log b
1.23
, yang disebut intercept, tidak
dihitung. Dalam praktik, biasanya hanya standard error dari koefisien regresi yang dihitung.
b
1.23
= 1,4876, artinya kalau X
2
naik satu satuan (1 unit), Y* diharapkan naik 1,5 kali, kalau
X
3
tetap.
b
13.2
= 0,4925, artinya kalau X
3
naik satu satuan (1 unit), Y* diharapkan naik 0,49 kali, kalau
X
2
tetap.
X
2
= X
2
, X
3
= log X
3
, Y* = log Y, * = perkiraan/ramalan Y*, merupakan nilai regresi.
R
2
= 0,8892, artinya besarnya sumbangan (andil) X
2
dan X
3
terhadap variasi (naik turunnya)
Y* sebesar 89%, sedangkan sisanya sebanyak 11%, merupakan sumbangan faktor lainnya
dengan persamaan regresi Y* = -3,3010 + 1,4876X
2
+ 0,4925X
3
sudah diketahui lainnya.

Contoh soal 5.1 Berdasarkan Data dari BPS dan BI

Y

X
2

X
3

In Y In X
2

In X
3

39438767
45758025
51460175
59821156
68234880
1,598
1,670
1,705
1,743
1,824
336113,72
651606,19
81598,61
18246,58
783141,04
17,490
17,639
17,756
17,907
18,038
0,469
0,513
0,533
0,556
0,601
12,725
13,387
11,309
9,811
13,571


X
2
= tenaga kerja (jutaan tenaga kerja)
X
3
= modal (jutaan satuan mata uang)
Y = 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 )
21
(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
2 *
2i
) (x*2 3i) - (x*2i x*3i)2
b0 = Y * - b12.3 X 2* - b13.2 X
3
*

S
2
b12.3
= Se
2
x*
2

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

S
b
12.3 = S
2

b
12..3 = standard error (b12.3)

S
2
b
13.2 = S
2
e x*
2
2i
(x*
2
2i) (x*
2
3i) - (x*2i x*3i)
2
ei
2
= y*i
2
- b12..3 x* 2i yi - b13..2 x* 3i yi`
S
e
2
= ei
2
/ n - 3


X*2
In X2
X*3
In X3
Y*
In Y
x*2
(X*2 X*2)
x*3
(X*3 X*3)
y*
(Y* - Y*)
0,469
0,513
0,533
0,556
0,601
12,725
13,387
11,309
9,811
13,571
17,490
17,639
17,756
17,907
18,038
-0,065
-0,021
-0,001
0,022
0,067
0,564
1,226
-0,852
-2,35
1,41
-0,276
-0,127
-0,01
0,141
0,272

X*2 = 2,672 X*3 = 60,803 Y* = 88,83

X*2 = 0,534 X*3 = 12,161 Y* =17,766




x*2 x*3 y*

x*
2
2 x*
2
3 x*2x*3 x*2 y*

x*3 y*
-0,065
-0,021
-0,001
0,022
0,067
0,564
1,226
-0,852
-2,35
1,41
-0,276
-0,127
-0,01
0,141
0,272
0,004225
0,000441
0,000001
0,000484
0,004489
0,318096
1,503076
0,725904
5,5225
1,9881
-0,03666
-0,025746
0,000852
-0,0517
0,09447
0,01794
0,002667
0,00001
0,003102
0,004489
-0,155664
-0,155702
0,00852
-0,33135
0,38352
x*
2
2
0,00964
x*
2
3
10,057676
x*2x*3
0,018784
x*2 y*
0,028208
x*3 y*
0141364

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*
3
i)
2
Pembilang : (x*
2i
y*
3i
2
) (x*
3i
2
) (x*
3i
y*
i
) (x*
2i
x*
3i
)
= (0,028208) (10,057676) (0,141364) (0,018784)
= 0,283706924 0,002655381
22
= 0,281051543
= 0,2811

Penyebut : (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

b12.3 = 0,2811
0,0966

= 2,9099

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*
3
i)
2

Pembilang = (0,141364) (0,00964) - (0,028208) (0,018784)
= 0,001362748 0,000529859
= 0,000832889
= 0,0008

Penyebut sama dengan diatas


b13.2 = 0,0008
0,0966

= 0,0083

b0 = 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
y*
2
i = (-0,276)2 + (-0,127)2 +(-0,01)2 + (0,141)2 + (0,272)2
= 0,1863
e
2
i = y*
2
i - 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
S
2
e = e
2
i / n 3
= 0,103 / 2
= 0,0515
23
R
2
= *
2
i / y*
2
i
= b12.3x*2i y*i + b13.2x*3i y*i
y*
2
i

= 0,0821 + 0,0012
0,1863

= 0,0833
0,1863

= 0,4471

S
2
b12.3
= S2e x*
2
3i

(x*
2
2i) (x*
2
3i) - (x*2i x*
3
i)
2
10,057676
= 0,0515
0,096603158
= 5,361836246

= 5,3618

Sb12.3 = S
2
b12.3
= 5,3618
= 2,3156
S
2

b
13.2 = S
2
e x*
2
2i
(x*
2
2i) (x*
2
3i) - (x*2i x*
3
i)
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 R
2
= 0,4471

24
Standard error : (2,3156) (0,0717) S
e
= 0,2269
b
1.23
= 2,9099, artinya kalau X
2
naik satu satuan (1 unit), Y* diharapkan naik 2,9 kali, kalau
X
3
tetap.
b
13.2
= 0,0083, artinya kalau X
3
naik satu satuan (1 unit), Y* diharapkan naik 0,0083 kali,
kalau X
2
tetap.
X
2
= X
2
, X
3
= log X
3
, Y* = log Y, * = perkiraan/ramalan Y*, merupakan nilai regresi.
R
2
= 0,4471, artinya besarnya sumbangan (andil) X
2
dan X
3
terhadap variasi (naik turunnya)
Y* sebesar 44%, sedangkan sisanya sebanyak 56%, merupakan sumbangan faktor lainnya
dengan persamaan regresi Y* = 16,1112+ 2,9099X
2
+ 0,0083X
3
sudah diketahui lainnya.



Contoh Soal 5.2

X
2
= indeks pendapatan nasional suatu Negara
X
3
= indeks harga impor suatu komoditi
Y = 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
S
e

berdasarkan data berikut:

X
2
X
3
Y
100 100 100
104 99 106
106 110 107
111 126 120
111 113 110
115 103 116
130 102 123
134 103 133
136 98 137
25


Pergunakan rumus (5.23) dan (5.24)
= b
12.3
+ b
12.3
X
2
+b
13.2
X
3
Dimana :
b
12.3
=

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

( x
2
2i
) ( x
2
3i
) ( x
2i
x
3i
)
2


b
13.2
= (x
3i
y
i
) (x
2
2i
) (x
2i
y
i
) (x
2i
x
3i
)

(x
2
2i
) (x
2
3i
) (x2
i
x
3i
)
2

b
1.23
= Y b
12.3 X 2
b
13.2

X 3




Berdasarkan pengolahan data diatas :
X
2i
= 1047 X
3i
=954 Y
i
= 1052 X
2
2i
= 123.271


X
2
3i
= 101.772 Y
2
i
= 124.228

X
2i
Y
i
= 123.680 X
3i
Y
i
= 111.433
X
2i
X
3i
= 110.720 X
2
= 116,33 X
3
= 106 Y = 116,89

x
2
2i
= X
2
2i
( X
2i
)
2
/n = 123.271 (1.047)
2
/9
= 123.271 121,801 = 1.047
x
2
3i
= X
2
3i
(X
3i
)
2
/n = 101.772 (954)
2
/9
= 101.772 101.124 = 648
y
2
i
= Y
2
i
(
i
)
2
/n = 124.228 (1.052)
2
/9
= 124.228 122.967,11 = 1.260,89
x
2i
x
3i
= X
2i
X
3i
- X
2i
X
3i
= 110.720 ( 1.047) (954)
n 9
= 110.720 110.982 = -262
x
2i
y
i
= X
2i
Y
i
- X
2i

2i
Y
i
/n = 123.680 (1.047) (1.052)
9
= 123.680 122.382,67 = 1.297,33


x3i
y
i
=X
3i
Y
i
- X
3i
Y
i
/n = 111.433 (954) (1.052)
9
26
= 111.433 111.512 = -79

Menghitung b
12.3
:
Pembilang : = (x
2i
y
i
) (x
2
3i
)- (x
3i
y
i
) (x
2i
x
3i
)
= (1.297,33) (648) (-79) (-262)
= 819.971,84

Penyebut : = (x
2
2i
) (x
2
3i
) (x
2i
x
3i
)
2
= (1.407) (648) (-262)
2
= 883.916

b
12.3
= 819.971,84 = 0,9277
883.916


Menghitung b
13.2
:

Pembilang :
(x
3i
y
i
) (x
2
2i
) (x
2i
y
i
) (x
2i
x
3i
)
= (-79)(1.470) (1.297,33)(-262)
= 223.770,46

Penyebut : sama
b
13.2
=
916 . 833
223.770,46
= 0,2532
b
1.23
= Y b
12.3 X 2
b
13.2 X 3
= 116,89 ( 0,9277) (116,33) (0,2532) (106)
= -17,8685

e
2
i
= y
2
i
b
12.3
x
2i
y
i
b
13.2
x
3i
y
i
= 1.260,889 1.203,533 + 20,0028
= 77,3588

S
2
e
=
6
77,3588
= 12,8931
S
2
e
= 3,5907

R
2
= y
2
= b
12.3
x
2i
y
i
+ b
13.2
x
3i
y
i

y
2
i
y
2
i
27


= 1.203,533 + 20,0028 = 0,9387
1.260,889

S
2
b12.3
= S
2
e
x
2
3i

(x
2
2i
) (x
2
3i
) (x
2i
x
3i
)
2


=
916 . 883
648
8931 , 12 = 0,0095
S
b12.3
= 0,0972




S
2
b13.2
= S
2
e
x
2
2i

(x
2
2i
) (x
2
3i
) (x
2i
x
3i
)
2


=
916 . 883
470 . 1
8931 , 12 = 0,0214

S
b13.2
= 0,1464

Persamaan garis regresi linear berganda :
= b
1.23
+ b
12.3
+ b
13.2
X
3

= -17,8685 + 0,9277X
2
+ 0,2532X
3
R
2
= 0,9387
Standard error : (0,0972) (0,1464) S
e
= 3,5907

b
12.3
= 0,93. Artinya, kalau X
2
naik satu satuan ( 1 unit ), diharapkan akan naik 0,93 kali,
kalau X
3
tetap.
b
13.2
= 0,25. Artinya, kalau X
3
naik satu satuan ( 1 unit ), diharapkan akan naik 0,25 kali,
kalau X
2
tetap.
R
2
= 0,9387. Artinya, besarnya sumbangan X
2
dan X
3
terhadap variasi ( naik turunnya ) Y
sebesar 94%, sedangkan sisanya sebesar 6% disebabjan oleh faktor-faktor lainnya, dengan
persamaan regresi = -17,8685 = 0,9277X
2
+ 0,2532X
3

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
28
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 X2 X3 Y X2
2
X3
2
Y
2
X2Y X3Y X2X3
2006 100 100 100 10000 10000 10000 10000 10000 10000
2007 113.753 93.321 93.972 12939.75 8708.809 8830.737 10689.6 8769.561 10615.54
2008 131.979 134.615 139.935 17418.46 18121.2 19581.8 18468.48 18837.35 17766.35
2009 148.426 104.181 817.462 22030.28 10853.68 668244.1 121332.6 85164.01 15463.17
2010 196.81 126.923 872.029 38734.18 16109.45 760434.6 171624 110680.5 24979.72

690.968 559.04 2023.398 101122.7 63793.14 1467091 332114.7 233451.5 78824.78

Belanja statistic

Menghitung b
12.3
:
Pembilang : = (x
2i
y
i
) (x
2
3i
)- (x
3i
y
i
) (x
2i
x
3i
)
= (52.494,04615) (1.287,99568) (7.219,416416) (1.569,029856)
= 56.284.624,77
Penyebut : = (x
2
2i
) (x
2
3i
) (x
2i
x
3i
)
2
= (5.635,344596) (1.287,99568) (1.569,029856)
2
= 4.796.444,806

b
12.3
=

= 11,73465495
= 11,7347

Menghitung b
13.2
:
Pembilang :
(x
3i
y
i
) (x
2
2i
) (x
2i
y
i
) (x
2i
x
3i
)
= (7.219,416416)(5.635,344596) (52.494,04615)(1.569,029856)
= -41.680.826,38

Penyebut : sama
b
13.2
=

= -0,008689941
= -0,0087
b
1.23
= Y b
12.3 X 2
b
13.2 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

e
2
i
= y
2
i
b
12.3
x
2i
y
i
b
13.2
x
3i
y
i
= 648.263,1067 616.001,8834 (- 62,8089)
= 32.324,0322

S
2
e
=

S
2
e
= 16.162,0161
29
Se = 127,1299182
= 127,1299

R
2
= y
2
= b
12.3
x
2i
y
i
+ b
13.2
x
3i
y
i

y
2
i
y
2
i


=

= 0,950137479
= 0,9501

S
2
b12.3
= S
2
e
x
2
3i

(x
2
2i
) (x
2
3i
) (x
2i
x
3i
)
2


= 16.162,0161

= 4,340007601

S
b12.3
= 2,08326849
= 2,0833

S
2
b13.2
= S
2
e
x
2
2i

(x
2
2i
) (x
2
3i
) (x
2i
x
3i
)
2


= 16.162,0161

= 18,98875809

S
b13.2
= 4,357609217
= 4,3576

Persamaan garis regresi linear berganda :
= b
1.23
+ b
12.3
+ b
13.2
X
3

= -1.216.883,565 + 11,7347X
2
+ (-0,0087X
3
R
2
= 0,9501
Standard error : (2,0833) (4,3576) S
e
= 127,1299

b
12.3
= 11,7. Artinya, kalau X
2
naik satu satuan ( 1 unit ), diharapkan akan naik 0\11,7 kali,
kalau X
3
tetap.
b
13.2
= -0,0087. Artinya, kalau X
3
naik satu satuan ( 1 unit ), diharapkan akan naik 0,0087
kali, kalau X
2
tetap.
R
2
= 0,9501. Artinya, besarnya sumbangan X
2
dan X
3
terhadap variasi ( naik turunnya ) Y
sebesar 95%, sedangkan sisanya sebesar 5% disebabjan oleh faktor-faktor lainnya, dengan
= -1.216.883,565 + 11,7347X
2
+ (-0,0087X
3.




5.3.1 Perbandingan Dua R
2
atau lebih dan R
2
yang disesuaikan
Yang menarik dari sifat-sifat atau ciri-ciri dari R
2
ialah bahwa R
2
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.
30
Dengan perkataan lain, setiap pertambahan variabel bebsa dalam model regresi selalu akan
memperbesar nilai R
2
.
Ingat definisi tentang R
2
, sebagai berikut.
R
2
=


=

= 1 -

, RSS = jumlah kuadrat kesalahan pengganggu

(residual sum of squares)

R
2
= 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

, dan Y, dapatdihitung tiga koefisien

korelasi, yaitu:

= koefisien korelasi antara Y dan

(antara

dan Y)

= koefisien korelasi antara Y dan

(antara

dan Y)

= koefisien korelasi antara

dan

( antara

dan

)
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 (

) mungkin berhubungan / berkorelasi dengan

dan Y (kedua-duanya)?
Pertanyaan diatas juga analog dengan pertanyaan berikut ini.
Apakah koefisien regresi

mengukur

terhadap Y kalau

juga tercakup dalam

model regresi? Sekarang jelaskan kalau

berada dalam model regresi,

tidak
31
mengukur kuat tidaknya hubungan antara

dan Y. Maka dari itu, kita memerlukan

suatu koefisien korelasi yang bebas dari pengaruh

, kalau ada, baik terhadap

maupun terhadap Y. Yang kita cari adalah koefisien korelasi antara

dan Y yang
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

dan Y, kalau

konstan

= koefisien korelasi antara

dan Y, kalau

konstan

= koefisien korelasi antara

dan

, 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

terhadap

, dimana

dan

sudah dibebaskan
dari pengaruh linear

. Kalau kita menghitung koefisien korelasi antara

dan

,
sama halnya kita menghitung

, sebab

sekarang konstan.

Secara simbol:

)(

)
(

(5.43)
Sebab = = 0

(deviasi)

= -

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

bagi dengan

1 =

padahal

Jadi, 1 =

(1 -

)
Dengan alasan yang sama,

(1 -

(1 -

)
Perhatikan hal-hal berikut! Y= bx + e
32

b =

b = r

. dengan jalan yang sama,

dimana

= =

Dari (5.43);
1. Pembilang :

=(

) (

)
=

= n

= n

)

2. Penyebut :

)
=

) (

)
= n

) (

)
33
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

dan Y kalau

dan

tetap

= koefisien korelasi antara

dan Y kalau

, dan

tetap

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.
34
Hal ini kelihatannya suatu hal yang bertentangan, tetapi sebetulnya tidak
mengherankan. Sebabnya ialah temperature (

) mempengaruhi kedua-duanya,
yaitu mempengaruhi produksi padi (Y) dan curah hujan (

), sehingga untuk
mencari hubungan yang bersih (net relationship) antara produksi padi (Y) dan
curah hujan (

), kita harus menghilangkan pengaruh temperature (

)terhadap
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.

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

terletak antara 0 dan 1.

Setiap kosfisien korelasi parsial kalau dikuadratkan juga mempunyai nilai antara 0 dan 1. Bisa
ditunjukan bahwa dari (5.44) dapat diperoleh hubungan berikut.
0

- 2

1
(5.47)
(5). Misalkan,

= 0. Apakah ini berarti bahwa

juga nol? Jawabannya bias dilihat

dari (5.47). kenyataannya ialah bahwa walaupun Y dan

serta

dan

tidak berkolerasi,
tidak berarti bahwa Y dan

tidak berkolerasi.

Selanjutnya,

disebut kosfisien determinasi parsial dan dapat diartikan sebagai

proporsi/ persentase sumbangan

terhadap variasi Y kalau

tetap. (

tidak memberikan
sumbangan terhadap variasi Y).



Contoh soal 5.3
Berdasarkan data berikut :

X
2
X
3
Y
100 100 100
104 99 106
106 110 107
111 126 120
111 113 110
115 103 116
120 102 123
124 103 133
126 98 137

Hitung :
35
a) S
1
,S
2
,S
3

b) r
12,
r
13
,r
23

c) r
12.3
,r
13.2
dan r
2
12.3
,r
2
13.2
, apa artinya ?

Pemecahan
x
2i
2

= 650 x
3i
2
= 648 y
i
2
= 1260,89
x
2i
x
3i
= -112 x
2i
y
i
= 874 x
3i
y
i
= -79

a). S
1
= y
i
2
/n = 1260,89/9 = 11,8363
S
2
= x
2i
2
/n = 650/9 = 8,4984
S
3
= x
3i
2
/n = 648/9 = 8,4853

b). r
12
= x
2i
y
i
= 874 = 0,9654
x
2i
2
y
i
2
650 1260,89

r
13
= x
3i
y
i
= -79 = -0,0874
x
3i
2
y
i
2
648 1260,89

r
23
= x
2i
x3
i
=

-112 = -0,1726
x
2i
2
x
3i
2
650 648

c). r
12.3
= r
12
r
12
r
23


(1-r
13
2
) (1-r
23
2
)

= 0.9654 ( -0.0874)(-0.1726) = 0,9685
1 (-0,0874)
2
1 (-0,1726)
2
\
r
2
12.3
= (0,9685)
2
= 0,9830. Artinya, kalau X
3
konstan (tetap) , maka sumbangan X
2

terhadap variasi ( naik turunnya ) Y sebesar 93,80%.



r
13.2
= r
13
r
12
r
23

(1 r
2
12
) (1 r
2
23
)

= (-0,0874) ( 0,9654) (-0,1726) = 0,3085
1 (0,9654)
2
1 ( -0,1726)
2

r
2
13.2
= (0,3085)
2
= 0,0951 = 0,10. Artinya, kalau X
2
konstan (tetap), maka sumbangan X
3

terhadap variasi Y sebesar 10%.
36

Hitungan berdasarkan data dari contoh soal 5.2
a) S
1
=

=
= 360,0730777
S
2
=

= 33,57184712
S
3
=

=
= 16,0498952

b)

( )()

( )()

( )()

37

c)

) (

)


( )
()

()

, Artinya, kalau X
3
Konstan (tetap), maka sumbangan X
2
terhadap
Variasi ( naik turunya) Y sebesar 84,37 %

) (

)


( )
()

()

, Artinya, kalau X
2
Konstan (tetap), maka sumbangan
X
3
terhadap Variasi ( naik turunya) Y sebesar 40,35 %.



5.5 Hubungan Berbagai Koefisien Korelasi dan Regresi, yang Sederhana, Parsial, dan
Berganda.
38
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)

b
32
= koefisien regresi X
3
terhadap

b
32
=

b
23
= koefisien regresi X
2
terhadap

b
23
=

S
1
=

, S
2
=

, S
3
=

Bukti :
b
12.3
=
(

)(

)(

)(

)
(

)(

)(

x
(

)(

)
(

)(

)

=
(

)(

)
(

)(

)(

)
(

)(

)
)(

)
(

)

=
(

)(

)(

)
(

) (

)


Jadi, b
12.3
=

terbukti!
b
12
= r
12

,
b
13
= r
13

,
b
23
= r
23

,
b
32
= r
13

b
12.3
=

)

39
=

, sebab r
23
= r
32

Jadi, terbukti bahwa :
b
12.3
=

Dengan jalan yang sama, (5.49) dapat dibuktikan.



5.5.2 Hubungan Antara Koefisien Regresi Parsial dan Koefisien Korelasi Parsial
b
12.3
= r
12.3
(

(5.50)
b
12.3
= r
13.2
(

(5.51)
dimana

= jumlah kuadrat kesalahan pengganggu dalam regresi Y terhadap x

3

= jumlah kuadrat kesalahan pengganggu dalam regresi Y terhadap x

2

= jumlah kuadrat kesalahan pengganggu dalam regresi X

2
terhadap x
3

= jumlah kuadrat kesalahan pengganggu dalam regresi X

3
terhadap x
2

Telah ditunjukkan sebelumnya, bahwa untuk hubungan dua variabel X dan Y
1

Jadi, dalam hal ini :

(1-

(1-

(1-

(1-

)
r
12.3
=

, r
23
= r
32

Bukti :
b
12.3
=

)}

)}

Jadi, b
12.3
= r
12.3
(

) terbukti
40

5.5.3 Hubungan Antara R
2
dengan Koefisien Korelasi Sederhana dan Parsial
R
2
=

(5.52)
R
2
=

(5.53)
R
2
=

(5.54)
Bukti (5.52) :
R
2
=

Telah ditunjukkan bahwa :
b
12.3
=

b
13.2
=

=
(

Jadi, R
2
=

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

Bukti (5.54) :
R
2
=

=
(

)
(

)(

)(

)

R
2
=

, sudah dibuktikan.

R
2
=

)(

)
(

)

(

)
(

)

41
=

)
(

)
(

)

Jadi, R
2
=

, terbukti.



Contoh soal 5.4
Berdasarkan data contoh soal 5.3
a) Hitung
b
12.3
= b
12
b
13
b
32

1 b
23
b
32
b
12.3
= r
12
r
13
r
23
S
1

1 r
23
2
S
2

b). b
13.2
= b
13
b
12
b
23

1 b
32
b
23
b
13.2
= r
13
r
12
r
23
S
1

1 r
23
2
S
3

Pemecahan
b
12
= x
2i
y
i
/ x
2i
2
= 874/650 = 1,3446
b
13
= x
3i
y
i
/ x
3i
2
= -79/648 = -0,1219
b
32
= x
2i
y
3i
/ x
2i
2
= -112/650 = -0,1723
b
23
= x
2i
y
3i
/ x
3i
2
= -112/648 = 0,1728

b
12.3
= b
12
b
13
b
32
= 1,346 (-0.1219) (-0,1723)

1 b
23
b
32
1 (-0,1728) (-0,1723)
= 1,3642

r
12
= x
2i
y
i
= 874 = 0,9654
x
2i
2
y
i
2
650 1260,89

r
13
= x
3i
y
i
= -79 = 0,0874
x
3i
2
y
i
2
648 1260,89

r
23
= x
2i
x3
i
=

-112 = -0,1726
x
2i
2
x
3i
2
650 648

S
1
= 11,8363, S
2
= 8,4984 S
3
= 8,4853

42
b
12.3
= r
12
r
13
r
23
S
1

1 r
23
2
S
2


= (0,9654) (-0.0874) (-0,1726) 11,8363
1 (-0,1726)
2
8,4984
= 1,3643

b
13.2
= b
13
b
12
b
23

1 b
32
b
23

= -0,1219 (1,3446)(-0,1728)
1 (-0,1723)(-0,1728)
= 0,1138

b
13.2
= r
13
r
12
r
23
S
1

1 r
23
2
S
3
= -0,0874 (0,9654)(-0,1726) 11,8363
1 (-0,1726)
2
8,4853
= 0,1139

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

2)

Pemecahan

b
32
=

=9,3151439 = 1,2181949

b
23
=

=5,6051557 = 1,2181949

1)

43
=
()()
()()

=

= 11,73465506

= 0,8685087

= 0,2498442

= 0,5823898

= 360,0730777

= 33,57184712

=16,0498952

=
()()
()

=
()()

10,7254473
=

= 11,4178967
2)

=
()()
()()

=

= -8,6899395

=
()()
()

= - 8,6899414










44
5.6 Soal-soal Latihan
1. Data time series selama 15 tahun meliputi tiga variabel, yaitu X
2
= tenaga kerja
(ribuan orang), X
3
= modal (dalam satuan mata uang), dan Y = output nasional (dalam
satuan mata uang).
X
2
X
3
Y
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
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
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!
Y
i
= B
0
+ B
12.3
X
2i
+ B
13.2
X
3i
+
i
(populasi)
(1) Y
i
= b
0
+ B
12.3
X
2i
+ B
13.2
X
3i
+ e
i
(sampel)
dan
In Y
i
= A
0
+ A
12.3
InX
2i
+ A
13.2
InX
3i
+
i
(populasi)
(2) In Y
i
=a
0
+ a
12.3
InX
2i
+ a
13.2
InX
3i
+ e
i
(sampel)
b) Diantara model tersebut, mana yang lebih baik?
c) Hitung R
2
dari dua model tersebut!
d) Hitung elastisitas output terhadap tenaga kerja dan model dengan menggunakan
model pertama!
2. Tunjukkan bahwa :
r
13.2
=

)(

)

r
23.1
=

)(

)

3. a) Tunjukkan bahwa r
12.3
= (R
2
r
12.3
) / (1 r
13
)
b) Tunjukkan bahwa b
12.3
b
23.1
b
31.2
= r
12.3
r
23.1
r
31.2

45
Pada umumnya, b
31.2
b
13.2
, tetapi r
31.2
= r
13.2

4. Dapatkah dari suatu kelompok data kita peroleh hasil seperti berikut ini?
(a) r
23
= 0,9 r
13
= -0,2 r
12
= 0,8
(b) r
12
= 0,6 r
23
= -0,9 r
31
= -0,5
(c) r
23
= 0,01 r
13
= 0,66 r
31
= -0,7
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 :

w
= (a
2
+b
2
)
x

y
= (1-r
2
)
1/2
, dimana
2
,,
w
,
x
,
y
merupakan standard deviasi Z, W,
X, Y dan a,b,c,d = konstan.
6. Kalau X
3
= a
1
X
1
+ a
2
X
2
dimana a
1
dan a
2
konstan, tunjukkan bahwa ketiga koefisien
korelasi parsial masing-masing mempunyai nilai satu 91), r
13.2
mempunyai tanda
seperti tanda dari a
1
, r
23.1
mempunyai tanda seperti tanda dari a
2
dan a
12.3
mempunyai
tanda yang berlawanan dengan tanda dari a
1
/a
2
.
7. Dalam keadaan yang bagaimana b
12.3
= b
12
dan b
13.2
= b
13
?
8. Hitung koefisien regresi parsial, standard error masing-masing, R
2
dan

2

berdasarkan data berikut :
n = 15

= 848555,096

= 74778,346

= 402,70

= 280

= 4250,900

= 8

=66042,269

= 4796

= 367693
9. Jelaskan bahwa pada umumnya R
2

, tetapi akan sama halnya kalau r

23
= 0.
10. a) Dalam hubungan tiga variabel X
2
, X
3
dan Y, ada tiga koefisien korelasi
order nol : r
12
, r
13
, dan r
23
dan ada tiga koefisien korelasi order satu r
12.3
, r
13.2
, dan
r
23.1
.
Ada berapa banyak koefisien korelasi nol dan order satu, kalau hubungan
mencakup 4 variabel dan n variabel?
b) Buktikan bahwa r
12.3
= b
12.3
b
21.3
; r
13.2
= b
13.2
b
31.2
; r
23.1
= b
23.1
b
32.1
.
11. Tunjukkan bahwa varian b
12.3
dan b
13.2
seperti dalam rumus (5.25) dan (5.27) dapat
juga dinyatakan sebagai berikut :
var (b
12.3
) =

)

var (b
3.2
) =

)

dimana r
23
= koefisien korelasi antara X
2
dan X
3

/ (

)
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 :

46
X X
1
X
2
. X
i
X
n
Y Y
1
Y
2
. Y
i
Y
n
t t
1
t
2
. t
i
t
n

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. X
1
X
2
dan X
3
merupakan 3 variabel yang saling berkorelasi. S
1
=1, S
2
=1,3, S
3
= 1,9,
dan r
12
= 0,370, r
13
= 0,641, dan r
23
= -0,736. Hitung r
13.2
! Kalau X
4
= X
1
+ X
2
, hitung
r
42
r
43
dan r
43.2
. Apakah r
13.2
dan r
43.2
? Dapatkah Saudara menjelaskan!
14.
X 0

1,8

3,6 5,4 7,2 9,0

10,8 12,6 14,4 16,2 18,0
Y 250 276 298 335 374 414 454 503 558 604 671
Dua bentuk fungsi berikut supaya diterapkan pada data diatas :
a) Y = A + BX + CX
2
=
(anggap sebagai regresi linear berganda Y = B
123
+ B
123
X
2 +
B
123
X
3
dimana X
2
=
X dan X
3
= X
2
)
b) Y = Ae
BX
(ingat In e = 1)
Menurut saudara, mana yang lebih bagus untuk meramalkan nilai Y?
15. Dalam persamaan y
i
= Bx
1i
+
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 x
1
dan x
2
!
b) Buat regresi y terhadap x
2
dan hitung residual y
*
(y
*
= y Px
2i
). Buat regresi x
i

terhadap x
2
dan hitung residual x
1
(x
1
= x
1
Qx
2
). Sekarang buat regresi y

terhadap x
1
untuk memperoleh b

sebagai perkiraan B.
Tunjukkan bahwa hasil a) = b), artinya b= b

.
c) Tunjukkan bahwa residual regresi dari setiap prosedur yaitu : y
i
= bx
1i
cx
2i
dari
a) dan

dari b) sama.

Jawaban Soal-Soal Latihan Bab 5
Jawaban

1.
X
2
X
3
Y X
2
*
In X
2

X
3
*
In X
3

Y
*
In Y
281,5 120.753 8.911,4 5,640 11,701 9,095
47
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


X
2
*
= 94,061 X
3
*
= 179,355

Y
*
= 149,23
X
2
*
= 6,270 X
3
*
= 11,957 Y
*
= 9,948


X
2
*
(X
2
*
- X
2
*
)

X
3
*

(X
3
*
- X
3
*
)
Y
*

(Y
*
- Y
*
)
-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
-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

-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

48
X
2
*2
X
3
*2
X
2
*
X
3
*
X
2
*
Y
*
X
3
*
Y
*

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
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
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
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
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
X
2
*2
2,7936
X
3
*2
0,7187
X
2
*
X
3
*
1,3447
X
2
*
Y
*
3,4702
X
3
*
Y
*
1,7556

b
12.3
= (X
2i
*
Y
i
*
) (X
3i
*2
) (X
3i
*
Y
i
*
) (X
2i
*
X
3i
*
)

(X
2i
*2
) (X
3i
*2
) (X
2i
*
X
3i
*
)
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
b
12.3
= 0,6683

b
13.2
= (X
3i
*
Y
i
*
) (X
2i
*2
) - (X
2i
*
Y
i
*
) (X
2i
*
X
3i
*
)
(X
2i
*2
) (X
3i
*2
) (X
2i
*
X
3i
*
)
2
= (1,7556) (2,7936) (3,4702) (1,3447)
(2,7936) (0,7187) (1,3447)
2

= 4,9045 4,6664
2,0078 1,8082

= 0,2381
0,1996
b
13.2
= 1,1930
49

b
0
= Y
*
- b
12.3
X
2
*
- b
13.2
X
3
*

= 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

e
i
2
=
Yi
*2
- b
12.3
X
2i
*
Y
i
*
- b
13.2
X
3i
*
Y
i
*

= 3,7682 - 0,6683 (3,4702) - 1,1930 (1,7556)
= 3,7682 2,3191 2,0945
= -0,6454

S
e
2
= e
i
2
/ n 3
= -0,6454 / 12
= -0,0540
S
e

= -0,0540
= Tak terhingga / angka hayal

R
2
=
i
*2
/ y
i
*2
atau b
12.3
X
2i
*
Y
i
*
+ b
13.2
X
3i
*
Y
i
*

y
i
*2

= 0,6683 (3,4702) + 1,1930 (1,7556)
3,7682
= 2,3191 + 2,0945 = 4,4136
3,7682 3,7682
= 1,1712
S
b12.3
2
= S
e
2
X
3i
*2

(X
2i
*2
) (X
3i
*2
) (X
2i
*
X
3i
*
)
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
S
b12.3
= -0,1945
50
= Tak terhingga / angka hayal

S
b13.2
2
= S
e
2
X
2i
*2

(X
2i
*2
) (X
3i
*2
) (X
2i
*
X
3i
*
)
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
S
b13.2
= -0,756
= Tak terhingga / angka hayal

Persamaan regresi linear berganda:
= -8,5072 + 0,6683X
2
*
+ 1,1930X
3
*

R
2
= 1,1712
Standard error: -0,1945 = (Tak terhingga / angka hayal)
-0,756 = (Tak terhingga / angka hayal)
S
e
= -0,0540 = Tak terhingga / angka hayal

2. Tunjukkan bahwa :
r
13.2
=

) (

)

r
23.1
=

) (

)


Jawabannya :
Pembilang : a
i
c
i =
(y
2
i
b
13
x
3i
) (x
2i
b
23
x
3i
)
= x
2i
y
i
b
13
x
2i
x
3i
b
23
x
3i
y
i
+ b
13
b
23
x
2
3i

= x
2i
y
i
r
13

x
2i
x
3i
r
23

x
3i
y
i
+ r
13
r
23

x
2
3i

= r
12

- r
13

r
23

- r
23

r
13

+
r
13

r
23

x
2
3i


= r
12
nS
1
S
2
r
13

r
23
nS
2
S
3
r
23

r
13
nS
1
S
3
+ r
13
r
23
nS
1
S
3
+ r
13
r
23

nS
1
S
2

= nS
1
S
2
r
12
r
13
S
1
r
23
nS
2
r
23
S
2
r
13
nS
1
+ r
13
r
23
nS
1
S
2
51

= nS
1
S
2
(r
12
r
13
r
23
)
Penyebut :

(
)

) (

)
= nS
1
S
2
(

) (

)
Jadi, r
12.3
=

) (

)


Dengan jalan yang sama :
r
13.2
=

) (

)

r
23.1
=

) (

)

3. a). Bukti : r
1.23
= (R
2
r
13
) / (1-r
13
)


Telah ditunjukkan bahwa:
R
2
= r
12
2
+

r
13
2
- 2r
12

r
13
r
23
_ x
3i
y
i
1 - r
23
2
x
3i
2
y
i
2



1 - r
13


= r
12
2
+

r
13
2
- 2r
12

r
13
r
23
_ r
13


1 - r
23
2


1 - r
13


= R
2
- r
13

1 - r
13
Jadi, r
1.23
= (R
2
r
13
) / (1-r
13
)

, terbukti



4. r
23
= 0,9 artinya sumbangan X
3
terhadap X
2
sebesar 9%
r
12
= 0,6 artinya sumbangan X
2
terhadap Y sebesar 6%
r
23
= 0,01 artinya sumbangan X
3
terhadap X
2
sebesar 10%
r
13
= -0,2 artinya sumbangan X
3
terhadap Y sebesar 2%
r
23
= -0,9 artinya sumbangan X
3
terhadap X
2
sebesar 9%
r
13
= 0,66 artinya sumbangan X
3
terhadap Y sebesar 6,6%
r
12
= 0,8 artinya sumbangan X
2
terhadap Y sebesar 8%
r
31
= -0,5 artinya sumbangan Y terhadap X
3
sebesar 5%
r
31
= -0,7 artinya sumbangan Y terhadap X
3
sebesar 7%

52
7. Dalam keadaan yang bagaimana b
12.3
= b
12
dan b
13.2
= b
13
?
b
12.3
= (x
2i
y
i
)( x
3i
2
) (x
3i
y
i
)(x
2i
x
3i
) = b
12
= (x
2i
y
i
) (y
i
)(x
2i
)
(x
2i
2
) ( x
3i
2
) - (x
2i
x
3i
)
2
(x
2i
2
) - (x
2i
)
2


b
13.2
= (
3i
y
i
)( x
2i
2
) (x
2i
y
i
)(x
2i
x
3i
) = b
13
= (x
3i
y
i
) (y
i
)(x
3i
)
(x
2i
2
) ( x
3i
2
) - (x
2i
x
3i
)
2
(x
3i
2
) - (x
3i
)
2

8. b
12.3
= (x
2i
y
i
)(x
3i
2
) - (x
3i
y
i
)(x
2i
x
3i
)
(x
2i
2
)(x
3i
2
) - (x
2i
x
3i
)
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
b
13.2
= (x
3i
y
i
)(x
2i
2
) - (x
2i
y
i
)(x
2i
x
3i
)
(x
2i
2
)(x
3i
2
) - (x
2i
x
3i
)
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
b
1.23
= Y - b
12.3
X
2
b
13.2
X
3
= 367.693 (0,726593526)(402,70) (2,736278629)(8)
53
= 367.693 292,5992129 21,89022903
= 367.378,5106
e
i
2
= yi
2
b
12.3
x
2i
y
i
b
13.2

x
3i
y
i

= 66.042,269 (0,726593526)( 74.778,346) (2,736278629)( 4.250,900)
= 66.042,269 54.333,46209 11.631,64682
= 77,16009
S
e
2
= (

e
i
2
)
n-3
= 77,16009
12
= 6,4300075
S
e
= 2,535745945
R
2
=
i
2
= b
12.3
x
2i
y
i
+ b
13.2
x
3i
y
i
y
i
2
y
i
2
= (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
e
i
2
/ (n-k)
R
2
= 1-
y
i
2
/(n-1)

77,16009/(15-3)
= 1-
54
66.042,269/(15-1)
6,4300075
= 1-
4.717,304929
= 1 - 0,001363068
= 0,998636932
































55
Daftar Pustaka



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