AUTOCORRELATION

Wednesday, June 25, 2014

5:32 AM
Autoo!e"as# $en%%a$&a!an o!e"as# anta!a e!!o! e# den%an e' untu #(')

Penyebab adanya autokorelasi
Adanya shocks yan% se!#n%a"# *en%a!u+nya teta* $un,u" da"a$ suatu
*e!#ode -atu yan% ,uu* "a$a
Inertia atau psychological conditioning.
Man#*u"as# data dan t!ans.o!$as# data
/a"a+ s*es#0as# 1adanya 2a!#a&e" yan% *ent#n% t#da $asu da"a$ $ode"
dan &entu .un%s# t#da te*at3
4eno$ena ,o&-e&
5en%a!u+ "a% 2a!#a&e"
5en%a!u+ et#dastas#one!an data, suatu data d#ataan stas#one! a"au
a!ate!#st#nya 1$#sa" $ean, 2a!#an,e and ,o2a!#an,e3 t#da &e!u&a+ o2e!
t#$e)

Implikasi adanya autokorelasi
Secara matematik dapat ditunjukkan bahwa kehadiran otokorelasi tersebut akan
menyebabkan expected standard error model maupun standard error koefisien regresi
menjadi bias atau menyimpang. Sehingga pengujian kesesuaian model (dengan F-test)
maupun signifikansi koefisiensi (dengan t-test) yang dilakukan tidak valid atau tidak sah.

OLS Estimation
Yt = ! "#" ! ut $(ui uj) % &
Asu$s#an e!!o! te!$ da!# *e!sa$aan d#atas da*at d#u&a+ $en'ad# Markov first
order autoregressive scheme AR(1)
't =(ut- ! )t dimana rho adalah koefisien autoko*arian (koefisien otokol lag )
+ika menggunakan metode ,-S. maka akan didapatkan nilai " yang tetap linear dan unbiased.
tetapi tidak lagi memiliki minimum *arian (no longer best)

BLUE ESTMATOR under AR (1) didapatkan menggunakan metode !enera"i#ed Least S$uare
(!LS)
%onsekuensi menggunakan OLS
o
OLS Estimation allowing for autocorrelation
$stimatornya tidak lagi /-'$. walaupun kita menggunakan *arian. con*idence inter*al yang
dihasilkan menjadi lebih lebar daripada yang seharusnya (jika dibandingkan dengan hasil dari
0-S).
'ntuk hypothesis testing1 kita bisa saja mengambil kesimpulan yang salah. misal mengatakan
bahwa koefisien terbukti signifikan. padahal dalam kenyataannya koefisien tersebut tidak
signifikan.
2aka dari itu. disarankan untuk menggunakan 0-S dibandingkan ,-S
o
OLS Estmation disregarding autocorrelation
,*erestimate estimated *ariance of the error and 3-s4uare. Sehingga nilai dari t dan F
statistik tidak lagi *alid. dan jika tetap digunakan akan memberikan kesimpulan yang salah
mengenai signifikansi estimated regression coefficients.

&ara mendeteksi ke'eradaan autokore"asi

!rafik
5lot residual atau standardi6ed residual against time. kalo hasilnya ber7pola7 kaya contoh di bawah
ini. maka ada otokol.

Runs Test
Asu$s# N1 6 10
/te*s:
o
L#at !es#dua" da!# data o&se!2as#, as#+ tanda *os#t#. 1773 atau ne%at#.
183 untu t#a* !es#dua") M#sa"nya 188888883177777777777773188883
o
N 9 tota" o&se!2as# : 24
N1 9 'u$"a+ 173 : 13
N2 9 'u$"a+ 183 : 11
n 9 !uns : 3
3) ;o 9 no auto,o!!e"at#on
;1 9 auto,o!!e"at#on
$#sa"nya den%an ,on0den,e #nte!2a" se&esa! <5=
4)
5) A,,e*t ;o +y*ot+es#s o. !ando$ness -#t+ <5= ,on0den,e #nte!2a" #.
>a"a$ ,onto+ #ta, da*at d#"#+at &a+-a
?a!ena R1!uns3 9 3 t#da &e!ada d#anta!a edua n#"a# te!se&ut, $aa
!e'e,t ;o @ada otoo"A

Durbin Watson test
Asu$s#
:
Re%!ess#on $ode" #n,"udes
#nte!,e*t te!$
8 B a!e non sto,+ast#, o! 0Ced #n !e*eated
sa$*"#n%
T+e d#stu!&an,e u, a!e %ene!ated
&y AR 113
Re%!ess#on $ode" does not
#n,"ude "a%%ed 2a"ue o. D
T+e!e a!e no $#ss#n% o&se!2at#on
#n t+e data
No-, de0neE


;o 9 no auto,o!!e"at#on
;1 9 auto,o!!e"at#on

+ika nilai 8urbin-9atson Statistik terletak diantara nilai (du) dan (:-du) maka tidak terdapat
autokorelasi di dalam model. ;ilai dl dan du didapat dan tabel statistik 8urbin-9atson dengan
significance level tertentu (biasanya <=) dan degree of freedom (didasarkan dan besarnya sampel
dikurang dengan jumlah parameter yang diestimasi di dalam model).

Sim("e Ru"e of Thum')
+ika nilai 8urbin 9atson statistik ada disekitar angka dua maka tidak terdapat autokorelasi di dalam
model.


;ETERO/CE>A/TICITD
Wednesday, June 25, 2014
5:32 AM
Varian (ut) tidak konstan.
F#asanya d#se&e&an o"e+:
o
E!!o! "ea!n#n% $ode"s
o
?a!ena #n,o$e yan% $en#n%at, $aa 2a!#as# onsu$s# 'u%a $en#n%at
o
Adanya out"#e!s
o
/*es#0as# $ode" u!an%Gt#da te*at
o
/a"a+ &entu .un%s#
o
/a"a+ da"a$ t!ans.o!$as# data

Implikasi adanya heteroskedastisitas
5a!a$ete! est#$ato! teta* t#da &#as dan ons#sten, teta@o t#da e0s#en
12a!#an t#da $#n#$u$3
A+#!nya FLUE est#$ato! t#da te!*enu+#

Cara mendeteksi adanya heteroskedastisitas
a) /e,a!a 2#sua" 1%!a03
?a"o %!a0 $enun'uan adanya *o"a te!tentu, $aa te!da*at e$un%#nan
adanya +ete!o
&) /e,a!a .o!$a" : W+#te Hene!a" ;ete!osedast#,#ty
5!osedu!nya:
Run $ode" !e%!es#nya dan a$&#" !es#dua"nya
Re%!es#an !es#dua" uad!at den%an 2a!#a&e" #nde*endennya
M#sa": Mode" D# 9 & ! # ! "#" ! ui
8ugalah model tersebut dengan ,-S. dan dapatkan nilai ui
3egresikan residual kuadrat dengan *ariabel independent-nya. mengikuti model
sebagai berikut1
>emudian dapatkan nilai 3
"
nya
'jilah hipotesis 1 ?o = homoskedastis
? = heteroskedastis

8engan menggunakan statistik uji1 n3

"
@ Adf
"
dimana df = jumlah parameter -

&ara mengatasi heteroskedastisitas
o
2engubah spesifikasi model
o
+ika *ariance diketahui B 9-S
o
+ika *ariance tidak diketahui1
2enggunakan White's Heteroscedasticity-onsistance !ariance and Standard Errors"
(3obust Standard errors)
5lausible assumption about Heteroscedasticity pattern dan kemudian menggunakan
weighted least s#uare$ yang intinya me-weighted data kita secara apriori dengan *ariabel atau
ukuran tertentu. sehingga *arians ui - nya bisa kembali konstan.
2enggunakan transformasi logaritma pada data yang ada


MULTICOLLINIERITD
Wednesday, June 25, 2014
1:4I AM
Pengertian
o
Adanya +u&un%an "#nea! anta!a &e&e!a*a atau se$ua 2a!#a&e" *en'e"as
da"a$ $ode" !e%!es#
o
5e!"u d#&edaan e.e da!# $u"t#o"#n#e!#tas se$*u!na dan $u"t#o"#n#e!#tas
t#n%%#
o
J#a te!'ad# $u"t#o"#n#e!#tas se$*u!na, $aa OL/ t#da da*at $en%+as#"an
n#"a# *a!a$ete! yan% un# d#$ana $ode" yan% ada t#da da*at d#*e,a+an
se,a!a $ate$at#
o
/edan%an '#a te!'ad# $u"t#o"#n#e!#tas t#n%%#, es#$*u"an da!# *en%u'#an
stat#st# $en'ad# &#as

Implikasi Adanya ultikolinieritas
o
Adanya $u"t#o"#n#e!#tas yan% ,uu* t#n%%# $en#$&u"an $asa"a+ *ada
e2a"#dan tes stat#st# untu *a!a$ete!8*a!a$ete! yan% d#+as#"an 1da!#
$etode OL/3
o
Na$un $asa"a+ $u"t#o"#n#e!#tas yan% ,uu* t#n%%# t#da $e"an%%a! teo!#
FLUE sa$a sea"#) ;a" #n# a!ena $u"t#o"#n#e!#tas ada"a+ sa$*e" *!o&"e$,
&uan est#$at#on *!o&"e$) 5ada dasa!nya $asa"a+ #n# ada"a+ u!an%nya
2a!#as# sa$*e" dan &anyanya sa$*e"

Cara endeteksi Adanya ultikolinieritas
o
N#"a# t untu set#a* *a!a$ete! t#da s#%n#0an teta*# n#"a# R
2
san%at t#n%%#
1$endeat# 13)
o
?o!e"as# &e!*asan%an d#anta!a 2a!#a&e" *en'e"as san%at t#n%%#
o
N#"a# R
2
da!# auxiliary regression "e&#+ &esa! da!# n#"a R
2
$ode" yan%
se&ena!nya)
Auxiliary regression: !e%!es# da!# set#a* B# 12a!#a&e" *en'e"as3 te!+ada* B#
12a!#a&e" *en'e"as3 "a#nnya

Cara engatasi ultikolinieritas
o
/e&a%#an a+"# $en%an%%a* &a+-a $asa"a+ $u"t#o"#n#e!#tas t#da *ent#n%
a!ena teo!# FLUE teta* te!*enu+# 1the 'do nothing' school)
o
Men%o$&#nas#an data cross section 1data den%an #nd#2#du &e!&eda teta*#
den%an t#t# -atu yan% sa$a3 dan time series 1data den%an #nd#2#du yan%
sa$a teta*# den%an se!#es -atu yan% &e!&eda8&eda3
o
Me$&uan% 2a!#a&e" #nde*endent yan% $en#$&u"an $asa"a+
$u"t#o"#n#e!#tas
o
Ment!ans.o!$as# 2a!#a&e" den%an $etode 0!st d#Je!en,e)
o
Mena$&a+ data &a!u


5e!sa$aan /#$u"tan
T+u!sday, June 2K, 2014
2:21 AM

!e"ture Topi"#
$i%at dasar persamaan simultan
o
Me!u*aan +#$*unan *e!sa$aan 1Ls#ste$L3 d#$ana 2a!#a&e" de*enden
da"a$ satu atau "e&#+ *e!sa$aan 'u%a $e!u*aan 2a!#a&e" #nde*enden d#
da"a$ &e&e!a*a *e!sa$aan "a#nnya) /#n%atnya, se&ua+ 2a!#a&e" $e$#"## dua
*e!an sea"#%us
o
;u&un%an anta! 2a!#a&e" #n# &e!s#.at dua a!a+: $e$*en%a!u+# dan
d#*en%a!u+#) Masudnya, d# *e!sa$aan satu d#a 'ad# 2a!#a&e" de*enden, ta*# d#
*e!sa$aan se"an'utnya 1da"a$ $ode" yan% sa$a3 2a!#a&e" #n# 'ad# 2a!#a&e"
eC*"anato!y) ?onseuens#nya ada"a+ 2a!#a&e" dua a!a+ #n# 'ad# stochastic dan
&#asanya &e!o!e"as# den%an e!!o! te!$, se+#n%%a t#da &#sa d#est#$as#
$en%%unaan OL/ &#asa a!ena est#$ato! 'ust!u aan inconsistent

Contoh
o
>e$and and su**"y $ode"
o
Mode" ese#$&an%an u$u$ ?eynes


etode &stimasi
o
OL/ t#da &#sa d#%unaan untu $en%est#$as#, a!ena te!da*at satu
atau "e&#+ 2a!#&e" *en'e"asnya yan% &e!+u&un%an den%an e!!o! : t#da
ons#sten
o
Metode yan% &#sa d#%unaan ada"a+ Ind#!e,t Least /Mua!e 1IL/3 dan
T-o8/ta%e Least /Mua!e 12/L/3
o
5e!$asa"a+an #dent#0as# : $ode" &#sa d#est#$as# a*a&#"a over
identifed 1d% 2/L/3 dan atau exactly just identifed 1d% IL/3


Cara mengidenti'kasi persamaan simultan
o
(rder 1ne,essa!y &ut not suN,#ent ,ond#t#on o. #dent#0,at#on3
/e&ua+ *e!sa$aan da"a$ se&ua+ s#ste$ *e!sa$aan s#$u"tan
d#ataan te!#dent#0as# '#a ?8 O $81)
>#$ana ? 9 'u$"a+ *!edete!$#ne 2a!#a&e" 1#nt#nya y% &uan endo%en3
da"a$ $ode"P 9 'u$"a+ *!edete!$#ne 2a!#a&e" da"a$ se&ua+
*e!sa$aanP $ 9 'u$"a+ 2a!#a&e" endo%en da"a$ se&ua+ *e!sa$aan dan
M 9 'u$"a+ 2a!#a&e" endo%en da"a$ $ode")

Just #dent#0ed '#a ?8 9 M81

O2e! #dent#0ed '#a ?8 6 M81

Unde! #dent#0ed '#a ?8 Q M81

Conto+nya,
>a!# *e!sa$aan te!se&ut d#eta+u# 'u$"a+ 2a!#a&e" endo%en da"a$ $ode" 1M3
ada"a+ 2 1Rt dan 5t3, dan 'u$"a+ 2a!#a&e" *!edete!$#ne da"a$ $ode" ada"a+ 3
1It, Rt dan 5t813)
M81 9 281 9 1
Untu .un%s# *e!$#ntaan, 9 It dan Rt) Maa ?8 9 1 : 'ust #dent#0ed
Untu .un%s# *ena-a!an, 9 5t81) Maa ?8 9 2 : o2e! #dent#0ed
Conto+ "a#n:
o
Rank "ondition
Te""s us -+et+e! t+e eMuat#on unde! ,ons#de!at#on #s #dent#0ed o! not, -+e!eas
t+e o!de! ,ond#t#on te""s us #. #s eCa,t"y #dent#0ed o! o2e!#dent#0ed)
M#sa" #ta $e$#"## suatu $ode" se*e!t# &e!#ut)
/te*s:
o
Tu"#s $ode" da"a$ &entu ta&e"
o
Ce o!de! ,ond#t#on, a"au ada so"us# &a!u "an'ut e ta+a* &e!#utnya)
o
M#sa" #ta $au "#+at !an ,ond#t#on *e!sa$aan 11<)3)23, +#"an%an &a!#s
11<)3)23 da!# ta&e"
o
?e"ua!an 'u%a o"o$ yan% *ada *e!sa$aan 11<)3)23 $e$#"## n#"a#
&uan no", &e!a!t# d# da"a$ ta&e" sea!an% +anya ada o"o$ D4 , B2 ,B3
dan &a!#s 11<)3)33 , 11<)3)43 , 11<)3)53)
o
Ta&e" #n# aan $enun'uan oe0s#en 2a!#a&e" yan% te!da*at *ada
s#ste$ teta*# t#da ada da"a$ *e!sa$aan 11<)3)23
o
Na+, da!# ta&e" yan% ada e$ud#an &uat $at!#C 3C3, te!se!a+ $au
%#$ana susunannya) Usa+aan da*atan dete!$#nant da!# $at!#C tad#)
Ta*# a"au $e$an% t#da d#te$uan dete!$#nan &e!a!t# *e!sa$aan #tu
unidentifed

Redu"ed %orm# endogen )ariabel * %(semua predetermined )ariabel dalam
model)

Cek simultanitas
o
+ausmann $pesi'"ation Test
M#sa"an ada dua *e!sa$aan,
I dan R &e!s#.at eso%en, sedan%an R dan 5 &e!s#.at endo%en) J#a t#da ada
s#$u"tan#tas anta!a 5 dan R, $aa se+a!usnya 5t dan u2t t#da &e!o!e"as#)
Na+, a!ena ada e$un%#nan s#$u"tan#tas anta!a 5 dan R, $aa untu
$en%e,enya #ta !e%!es#an 5t da"a$ &entu !edu,ed .o!$ se,a!a OL/
te!"e&#+ da+u"u untu $enda*atan e!!o! te!$nya 12t3) Fentu !edu,ed .o!$
nya ada"a+:
Re%!es#an *e!sa$aan d#atas, $aa aan d#da*atan:
d#$ana
La"u su&st#tus#an e .un%s# *ena-a!an

>en%an t#n%at eya#nan se&esa! S, '#a oe0s#en T1 da!# 2t se,a!a stat#st#a
ada"a+ no", $aa t#da ada $asa"a+ s#$u"tan#tas, dan se&a"#nya)

Indire"t !east $,uare (I!$)
Asumsi yang harus dipenuhi dalam penggunaan prosedur ILS:
Persamaan strukturalnya harus exactly identifed.
Variael residual dari persamaan reduced !orm"nya harus memenuhi semua
asumsi stokastik dari teknik #$%. &ika asumsi ini tidak terpenuhi' maka akan
menyeakan ias pada penaksiran koefsiennya.

>#%unaan *ada *e!sa$aan st!utu!a" yan% eCa,t"y 'ust #dent#0ed) Lan%a+8
"an%a+ *enye"esa#an IL/ ada"a+ se&a%a# &e!#ut:
o
Men%u&a+ *e!sa$aan st!utu!a" $en'ad# reduced !orm
o
Mene!a*an $etode OL/ untu set#a* *e!sa$aan !edus#) ;a" #n#
d#*e!&o"e+an a!ena 2a!#a&e" *en'e"as da"a$ *e!sa$aan t#da "a%# &e!o!e"as#
den%an e!!o! te!$)
o
Menda*atan n#"a# est#$as# da!# oe0s#en st!utu!a" as"# da!# oe0s#en
!edus# yan% d#tas#! da!# "an%a+ edua) J#a se&ua+ *e!sa$aan te*at
te!#dent#0as#, $aa te!da*at +u&un%an satu8satu anta!a oe0s#en st!utu!a"
dan oe0s#en !edus#, se+#n%%a $e$*e!o"e+ n#"a# est#$as# yan% un#

Conto+:
Fuat &entu !edus#nya:
Est#$as# !edu,ed .o!$ $en%%unaan OL/, *a!a$ete! da"a$ *e!sa$aan
*e!$#ntaan t#da da*at d#est#$as# a!ena t#da $e$enu+# sya!at #dent#0as#)

Untu "e&#+ 'e"asnya, "#+at ,onto+ d#&a-a+ yan% $en%%unaan an%aU @5 dan R
uda+ da"a$ !edu,ed .o!$A
Maa est#$as# su**"y de$and $en%%unaan IL/ ada"a+:
5e!sa$aan #n# te*at te!#dent#0as# 1exactly just identifed) a!ena n#"a# eC*e,ted &
dan unik (hanya ada satu)

T*o+Stage Least S$uare (,SLS)
8igunakan untuk o*eridentified.

Step1
o
/uat reduced form. 8ep = f(semua *ariabel independen dalam model)
o
$stimasi reduced form tersebut dan dapatkan estimated dependent *ariabel (,-S )
c. $stimasi persamaan strukturalC yang menggunakan estimated dependent *ariabel di sisi
kanan dan dapatkan koefisien persamaan struktural. (,-S ")

Dontoh dengan data (datanya liat buku yaa)

Step 1 regres Y ke # dan #". hasilnya seperti ini1
Step "1 regresi fungsi permintaan uang. disini ganti Y dengan eEpected Y pada step
Step F1 koreksi standar error dari step "



MO>EL /5E/I4ICATION
Wednesday, June 25, 2014
1:4V AM
odel sele"tion "riteria
?enry dan 3ichard (GHF) menyarankan bahwa untuk keperluan praktis. model regresi harus
memenuhi kriteria berikut1
o
5rediksi yang dibuat dari model haruslah masuk akal
o
>onsisten dengan teori
o
Iidak ada korelasi antara *ariabel # (independent) dengan error term
o
8ugaan parameternya harus stabil
o
$rrornya harus random (white noise)
o
Iidak ada model lain yang lebih baik dari model yang dipilih

T-(es of s(esification errors

,mitting a rele*ant *ariable (underfitting)

Iidak memasukkan *ariabel yang penting (rele*an) kedalam persamaan yang dibuat

Jnclusion of an irrele*ant *ariable (o*erfitting)

2emasukkan *ariabel yang tidak rele*an kedalam persamaan yang dibuat

Kdopting wrong functional form

$rrors of measurement
/isa terjadi pada dependen maupun independen *ariabel

Jncorrect spesification of the stochastic error term

Conse,uen"es o% model spesi'"ation error
o
>onsekuensi hilangnya *ariabel yang rele*ant (underfitting model)
2isal model yang benar adalah %i & '( ) '*+*i )',+,i ) ui
Iapi karena beberapa alasan. model yang kita gunakan adalah
%i & -( ) -*+*i ) vi

>alau *ariabel yang tidak dmasukkan itu memiliki korelasi dengan *ariabel eksplanatori
yang lain. maka nilai estimator L dan -* akan bias dan tidak konsisten (bias tidak akan
hilang walaupun jumlah sampel ditambah hingga tak terhingga).

Iapi kalau *ariabel yang tidak dimasukkan (#F) tidak berkorelasi #" intercept ( akan
tetap bias. sedangkan * menjadi unbiased.

8isturbance *ariance M
"
is correctly estimated

>esalahan pengambilan kesimpulan mengenai signifikansi estimated parameter

Sehingga pengambilan keputusan (untuk forecasting) yang didasari oleh model ini akan
menghasilkan kesalahan peramalan (con*idence inter*als will unreliable)
o
?onseuens# da!# o2e!0tt#n% $ode"
Un&#ased dan ons#sten
Wa!#an e!!o! $as#+ &#sa d#du%a den%an te*at
5en%u'#an +#*otes#s dan *endu%aan #nte!2a" $as#+ 2a"#d
?u!an% e0s#en d#&and#n%an den%an $ode" yan% sesun%%u+nya

Pengu-ian kesalahan spesi'kasi
o
Mendetes# e+ad#!an 2a!#a&e" yan% t#da *e!"u
No$#na" 2s t!ue "e2e" o. s#%n#0,an,e)
Fotto$ u* a**!oa,+Gdata $#n#n%G !e%!ess#on 0s+#n%) 5e!+at#an o!es#
"e2e" o. s#%n#0ans#nya) LC = (cNk)L
o
5engujian untuk menghilangkan *ariabel dan salah bentuk fungsi
5engujian residual
8urbin-9atson statistic
Ramse-.s RESET test
8ari persamaan yang telah dibuat. cari nilai estimated Y
2asukkan nilai estimated Y tersebut kedalam persamaan awal sebagai
*ariable tambahan. 2isalnya persamaan awal1 Y = O ! O"# ! u PPP (i)
Setelah nilai estimated Y ditemukan. buatlah model menjadi
Y = ! "# ! /FQ ! u PP.. (ii)
Darilah nilai 3
"
dari persamaan baru (ii) dan persamaan lama (i)
'ntuk mencari tahu apakah peningkatan nilai 3
"
signifikan secara statistic.
gunakan rumus berikut

J#a te!nyata s#%n#0an, $aa te!#$a ;0

LM test for adding varia'"e
$stimasi restricted regresi menggunakan ,-S dan cari eEpected residuals (R)
+ika unrestricted regression adalah model yang benar. nilai R tadi seharusnya
berkorelasi dengan *ariable #" dan #F
3egress R ke semua regresor. Ri = L ! L"# ! LF#" ! L:#F ! *i

+ika nilai chi s4uare yang kita dapatkan dari persamaan diatas lebih besar daripada
nilai critical chi s4uare. maka reject restricted regression.



&rrors o% measurement

In de*endent 2a!#a&"e D

In eC*"anato!y 2a!#a&"e B
In,o!!e,t s*es#0,at#on o. t+e sto,+ast#, e!!o! te!$
Nested 2s Non8Nested Mode"s
Test o. Non8Nested ;y*ot+es#s
o
>#s,!#$#nat#on a**!oa,+
o
>#s,e!n#n% a**!oa,+
o
Da)idson.a"/innon 0 test
2isalkan ada " model. yaitu1
2odel D1 %i = L ! L"#"i ! LF#Fi ! ui
2odel 81 %i = ! "S"i ! FSFi ! *i
8ari persamaan 8. cari nilai Q
2asukkan nilai Q tersebut sebagai *ariabel tambahan dalam model D
Y = L ! L" S"i ! LF SFi ! L: Q ! *
8engan menggunakan t test. kita kemudian menguji apakah nilai L: = &
+ika hipotesis L: = & tidak ditolak. maka kita dapat menerima model D sebagai
model yang benar karena *ariable tambahan yang terdapat di model 8 tidak membuat
persamaan tersebut mampu menjelaskan *ariable dependen dengan lebih baik.
Iapi lebih baik jika kita juga mencari nilai estimated Y dari model D.
(kesampingkan kesimpulan pada langkah sebelumnya). 'langi langkah diatas.
>ita dapat melihat model mana yang lebih baik. dengan lebih jelas pada tabel
berikut.