EKONOMETRIKA
Teori dan Analisis Matematis
ii
Daftar Isi
KATA PENGANTAR
1 PENDAHULUAN
1.1 Ekonometrika . . . . . . . . . . . . . . . . . . . . . . . .
1.1.1 Peranan Matematika dan Teori Statistik . . . . .
1.1.2 Tujuan dan Manfaat Ekonometri . . . . . . . . .
1.1.3 Struktur dan Model Ekonometri . . . . . . . . . .
1.1.4 Peranan Variabel Disturbansi pada sebuah Model
1.2 Estimasi Parameter . . . . . . . . . . . . . . . . . . . . .
1.2.1 Estimasi Titik . . . . . . . . . . . . . . . . . . . .
1.2.2 Estimasi Interval . . . . . . . . . . . . . . . . . .
1.3 Tugas Eksperimen . . . . . . . . . . . . . . . . . . . . .
2 MODEL STATISTIK LINIER
2.1 Model Statistik Linier . . . . . . . . . . . . . . . . .
2.1.1 Linieritas . . . . . . . . . . . . . . . . . . . . .
2.1.2 Ordinary Least Square Estimator (OLS) .
2.1.3 Gauss Markov . . . . . . . . . . . . . . . . . . .
2.1.4 Restricted Least Square Estimator (RLS)
2.1.5 Sum of Square Total (SST) . . . . . . . . . . .
2.1.6 Koefisien Determinasi . . . . . . . . . . . . . .
2.2 Model Statistik Linier Normal . . . . . . . . . . .
2.2.1 Maximum Likelihood Estimator (ML) . .
2.3 Pengujian Hipotesa . . . . . . . . . . . . . . . . . .
2.3.1 Uji Rasio Likelihood . . . . . . . . . . . . . .
2.3.2 Pengujian Hipotesa Terbatas . . . . . . . . . . .
2.3.3 Uji Goodness of Fit . . . . . . . . . . . . . . . .
2.4 Tugas Eksperimen . . . . . . . . . . . . . . . . . . . .
iii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5
5
6
7
7
8
8
9
14
16
.
.
.
.
.
.
.
.
.
.
.
.
.
.
21
21
21
21
25
32
37
38
39
40
46
47
54
54
56
iv
DAFTAR ISI
.
.
.
.
.
.
.
.
.
.
.
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
(BHHH)
. . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
63
63
63
65
66
67
69
69
69
70
70
72
.
.
.
.
.
.
.
.
77
77
77
78
82
83
83
86
90
KATA PENGANTAR
Alhamdulillah wa syukrulillah, segala puji bagi Allah SWT atas segala
rahmat dan hidayah-Nya sehingga kami dapat menyelesaikan penulisan Buku
Ajar Matakuliah Ekonometrika yang dilengkapi dengan analisis matematis
ini. Shalawat dan salam semoga selalu terlimpahkan kehadirat Nabi Muhammad SAW.
Buku Ajar Kuliah ini sengaja kami tulis guna memenuhi kebutuhan pokok
mahasiswa Jurusan Matematika UIN Malang yang mengikuti matakuliah
Ekonometrika. Matakuliah ini sangat penting bagi mahasiswa guna pengembangan pengetahuan dan keilmuan mereka khususnya dalam penerapan secara integrasi antara statistika, matematika dan ekonomi.
Buku ini akan sangat membantu mahasiswa dalam memahami dan mengaplikasikan konsep-konsep ekoometrika dalam setiap praktikumnya dengan
bantuan bahasa pemrograman Matlab.
Akhirnya, semoga buku panduan ini dapat bermanfaat bagi mahasiswa,
pemerhati keilmuan statistika, terutama ekonometrika, dan penulis pada
khususnya.
Penulis
ii
KATA PENGANTAR
1
UNIVERSITAS ISLAM NEGERI MALANG
FAKULTAS SAINS DAN TEKNOLOGI
JURUSAN MATEMATIKA
Jl. Gajayana 50 Malang Tlp. (0341) 551354 Faks (0341) 558933
SATUAN ACARA PERKULIAHAN
KATA PENGANTAR
1.3
Struktur dan Model Ekonometri
1.4
Peranan Variabel Disturbansi pada Sebuah Model
1.2 Estimasi Parameter
1.1
Estimasi Titik
1.4
Estimasi Interval
E. Pengalaman Belajar
1. Mendengarkan penjelasan dosen di kelas.
2. Menganalisa penurunan rumus.
3. Memperhatikan pembahasan contoh soal dari pengajar.
4. Tanya jawab di kelas.
5. Melakukan praktikum eksperimen secara berkelompok.
6. Mengerjakan soal latihan secara individu.
F. Media
1.
Papan tulis
2.
Overhead Proyektor + komputer
3.
Buku Pegangan Kuliah
G. Evaluasi
1.
Tugas Praktikum Kelompok
2.
Tugas Individu
3.
Keaktifan (Tanya Jawab)
H. Skenario Pembelajaran
a. Kegiatan Awal
1. Pengajar menceritakan fenomena (realita ) permasalahan statistik di
masyarakat.
2. Pengajar berdiskusi dengan mahasiswa tentang pengertian statistik inferensi
3. Pengajar berdiskusi dengan mahasiswa tentang pengertian estimasi.
4. Pengajar berdiskusi dengan mahasiswa tentang pengertian parameter.
3
5. Pengajar berdiskusi dengan mahasiswa tentang pengertian estimasi parameter.
b. Kegiatan Inti
1. Pengajar menjelaskan tentang pengertian metode-metode statistik inferensi, diantaranya metode moment, maximum likelihood, dan least
square.
2. Pengajar bersama-sama mahasiswa menganalisa penurunan rumus metode
estimasi moment, maximum likelihood, dan least square.
3. Pengajar tentang pengertian interval estimastion.
4. Pengajar bersama-sama mahasiswa menganalisa penurunan rumus interval estimation.
5. Pengajar memberikan contoh kasus penggunaan metode estimasi moment, maximum likelihood, dan least square, serta interval estimation.
c. Kegiatan Akhir
1. Pengajar memberikan pertanyaan tentang perbandingan ketiga metode
estimasi.
2. Pengajar memberikan tugas kepada mahasiswa untuk mencari kasus
untuk melakukan estimasi parameter dengan ketiga metode estimasi
dan sekaligus estimasi intervalnya.
KATA PENGANTAR
Bab 1
PENDAHULUAN
1.1
Ekonometrika
BAB 1. PENDAHULUAN
daannya dari nol secara statistik dan kebenarannya apakah sesuai atau tidak
dengan konsep-konsep dan ketentuan-ketentuan yang ada dalam teori ekonomi.
Dengan demikian ekonometri adalah suatu ilmu dan seni yang memanfaatkan
matematika dan teori statistic dalam mencari nilai parameter dari hubungan ekonomi sebagaimana didalilkan oleh teori ekonomi karenanya, dalam
praktek, ekonometrika mencampurkan teori ekonomi dangan matematika dan
teori statistik.
1.1.1
Matematika dan teori statistic hanya merupakan alat bantu dalam melakukan analisis ekonometrika yang pada hakekatnya analisis ekonomi. Karenanya, bimbingan intuisi dan pemahaman yang jelas dan tepat tentang fakta
ekonomi sangat diperlukan dalam memanfaatkan hasil analissis ekonometrika.
Pengetahuan yang baik tentang matematika dan teori statistik secara absolut sangat diperlukan dalam memahami ekonometrika dan melakukan analisis
yang berbau ekonometrika.
Ilmu matematika ekonomi hanya memperhatikan hubungan-hubungan
yang tepat diantara variabel-variabel ekonomi, sedangkan ekonometrika juga
memperhatikan faktor gangguan atau variabel disturbansi yang berada diluar
kontrol si peneliti.
Secara matematis, suatu hubungan ekonomi dapat dituliskan dalam bentuk eksplisit atau dalam bentuk implisit. Secara eksplisit, hubungan antara
variabel y dengan xi (i = 1, 2, 3, . . . , k) dapat dituliskan dalam bentuk:
y = f (x1 , x2 , x3 , ..., xk ) = f (X)
(1.1)
(1.3)
F (y, x1 , x2 , x3 , ..., xk , e) = 0
(1.4)
dan
dimana e adalah variable (kesalahan) atau (pengganggu) yang merupakan
komponen stokastik.
1.1. EKONOMETRIKA
1.1.2
Salah satu tujuan dari ekonometrika adalah untuk memberikan kontribusi dalam membuat prediksi atau ramalan-ramalan yang sangat bermanfaat bagi semua pihak. Tujuan yang kedua adalah untuk dapat memberikan
sumbangan kepada pembuat kebijaksanaan atau mengambil keputusan pada
berbagai tingkaat untuk dapat membuat kebijaksanaan/ pengambilan keputusan yang lebih tepat serta mengevaluasi kebijaksanaan yang telah ada.
Yang ketiga, untuk dapat memberikan sumbangan kepada analisis struktur
ekonometrika dan analissis lintas sektoral. Dengan bantuan ekonometrikal
semuanya dapat dilakukan tanpa mengalami kesusahan.
Berdasarkan tujuan dan manfaat ekonometrika tersebut dapat disimpulkan bahwa ekonometrika lebih banyak memberikan perhatiannya kepada
ilmu ekonomi positif, karena tidak diperlakukannya asumsi ceteris paribus
sebagai akibat berperannya variabel disturbansi dalam model ekonometrika.
1.1.3
Dasar dari struktur dan stabilitas adalah pola prilaku manusia yang rasional
dan konsisten. Walaupun prilaku manusia diharapkan dapat stabil, struktur
dapat berubah sepanjang waktu.
Model ekonomi matematis yang tidak mengindahkan kehadiran variabel
disturbansi bersifat deterministis, sedangkan model ekonometrika yang memasukkan variabel disturbansi kedalamnya bersifat stokastis. Dalam menyusun
model/ struktur biasanya tersedia 4 bentuk hubungan yang dapat dimanfaatkan yaitu:
1. Hubungan berbentuk definisi atau identitas yang tidak memerlukan
pembuktian lebih lanjut atas kehadirannya, misalnya R = P Q atau
pendapatan penjualan (R) sama dengan jumlah barang yang dijual
(Q) dikal;ikan dengan harga penjualan perunit (P ).
2. Hubungan yang berkaitan dengan teknologi seperti Q = f (K, L) atau
keluaran yang dihasilkaan (Q) sebagai fungsi dari Kapital (K) dan
tenaga kerja (L).
BAB 1. PENDAHULUAN
3. Hubungan kelembagaan seperti jumlah penerimaan pajak penjualan
sama dengan volume penjualan dikalikan tarif pajak penjualan per unit
yang ditetapkan oleh lembaga pemerintah.
4. Hubungan perilaku yang memperlihatkan respon sebuah variabel terhadap perubahan variabel ekonomi lainnya, misalnya C = f (Y ) atau
pengeluaran konsumsi sebagai fungsi dari pendapatan disposebel.
1.1.4
1.2
Estimasi Parameter
Sebagai contoh, kita asumsikan bahwa pengeluaran orang-orang pada suatu populasi dengan pendapatan setiap tahunnya Rp. 20.000.000,- adalah
mengikuti distribusi normal, N(, 2 ), dengan nilai-nilai parameter lokasi
dan parameter skala 2 yang belum diketahui. Estimasi (penaksiran) parmeter menggunakan sampel data untuk menentukan inferensi tentang dan
2 . Inferensi-inferensi ini mungkin mengambil titik khusus (point estimates)
atau menentukan range nilai-nilai parameter (interval estimates). Disamping
itu, kita juga menggunakan informasi tentang sampel data, yaitu informasi
nonsampel yang menjelaskan secara apriori tentang distribusinya, sebagai
jastifikasi nilai parameter-parameter yang belum diketahui.
1.2.1
Estimasi Titik
l = l ( y1, y2 ,..., yn )
(1.6)
y ~ N ( , 25.000.000)
(1.7)
Misalkan adalah sampel random dari hasil pengamatan pada populasi ini.
Sehingga kita tegaskan secara ekivalen bahwa
yi = + ei , i = 1,2,..., n
(1.8)
ei ~ N ( 0,25.000.000 )
(1.9)
10
BAB 1. PENDAHULUAN
l =
1 n
yi = y
n i =1
(1.10)
Estimator ini adalah variabel random, karena fungsi terhadap variabel random y i juga merupakan varaibel random.
Metode Momen
Momen ke-r dan sebuah variabel random y di sekitar titik asal dinyatakan sebagai
y r f ( y ), bila y diskrit
y
r ' = E [ y '] =
y r f ( y )dy, bila y kontinu
(1.11)
l '=
1 n r
yi , r = 1, 2,..., k
n i =1
(1.12)
11
1 ' = E [ y ] =
(1.13)
2 ' = E y 2 = ( 1 ') + 2
(1.14)
Sedangkan estimator metode momen pertama dan kedua pada suatu populasi
berdistribusi normal, N (, 2 ), diberikan oleh
1 n
yi = y = l
n i =1
(1.15)
1 n 2 l2 l2
yi = +
n i =1
(1.16)
l '=
1
l '=
2
sehingga
l = yi y = yi y
n i =1
n i=1
2
(1.17)
f ( y | ) = y (1 )
1 y
(1.18)
f ( y1 = 1,..., yn = 0) = f (1,...,0) = yi (1 )
1 yi
i =1
(1.19)
(1.20)
12
BAB 1. PENDAHULUAN
i =1
i =1
L ( | y ) = ln l ( y | ) = yi ln + (1 yi ) ln (1 )
(1.21)
(1.22)
n
n
d 2L
1
1
y
=
(1 yi )
i
2
2
2
i =1
d
i =1
(1 )
(1.23)
l =
1 n
yi
n i =1
(1.24)
n
1 ( yi )2
1
L ( , | y ) = ln
exp
2
2
i
=
1
1 n ( yi )2
2 T / 2
= ln ( 2 )
exp
2
i
=
1
1 n (y )
n
= ln ( 2 2 ) i 2
2
2 i =1
(1.25)
L 1 n
= 2 yi n
i =1
(1.26)
13
L
n
1 n
2
=
+
y )
2
2
4 ( i
2
2 i =1
(1.27)
2 L
n
= 2
2
(1.28)
2 L
2 2
n
2
( y )
i =1
(1.29)
2L
1 n
y n
2
4 i
i=1
(1.30)
l =
ml
ml
1 n
yi = y
n i =1
1 n
l
yi
ml
n i =1
(1.31)
(1.32)
2 L
2
2 L
2 L n
2 l 2 ml
=
2 L
2
0
( 2 )
n
4
2l ml
0
(1.33)
14
BAB 1. PENDAHULUAN
dan populer adalah metode estimasi kuadrat terkecil (least squares estimation). Metode ini dapat digunakan untuk mengestimasi nilai rata-rata (central moments) dari variabel random. Salah satu cara untuk mendefinisikan
nilai tengah dari suatu himpunan data adalah dengan mencari nilai 0r yang
meminimumkan nilai fungsi
S = ( yi r r ' )
n
i =1
(1.34)
S ' = yi r r '
i =1
(1.35)
n
S
l
= 2 yi
i =1
=0
(1.36)
sehingga diperoleh
l =
ls
1.2.2
1 n
yi
n i =1
(1.37)
Estimasi Interval
Terkadang terdapat permasalahan dalam menentukan interval untuk estimasi parameter, yang dalam statistik dikatakan sebagai variansi estimator.
Terkadang penentuan interval estimator sangat berguna untuk memberikan
range toleransi terhadap nilai-nilai estimasi yang mungkin.
Misalkan y adalah sampel random berukuran n dari populasi berdistribusi
normal dengan parameter variansi yang telah diketahui. Maka estimator
maximum likelihood untuk adalah
l =
ml
2
1 n
y
N
~
i , n
n i =1
(1.38)
15
z = ml
~ N ( 0,1)
n
(1.39)
maka
P z( / 2) z z( / 2) = 1
(1.40)
dimana z(/2) adalah /2 persen bagian atas dari distribusi . Substitusi untuk
z menghasilkan interval estimator,
l
l +z
P
( / 2)
ml z( / 2)
ml
= 1
n
n
(1.41)
16
BAB 1. PENDAHULUAN
1.3
Tugas Eksperimen
l = y =
1 100
yi
100 i =1
l =
2
1 100
l
yi
100 i =1
z=
y y
17
18
BAB 1. PENDAHULUAN
2.1.6
Coesien of Determination
2.2. Model Statistik Linier Normal
2.2.1
Estimasi Maximum Likelihood
2.3. Pengujian Hipotesa
2.3.1
Uji Rasio Likelihood
2.3.2
Pengujian Hipotesa Terbatas
2.3.3
Uji Goodness of Fit
E. Pengalaman Belajar
1.
Mendengarkan penjelasan dosen di kelas.
2.
Menganalisa penurunan rumus.
3.
Memperhatikan pembahasan contoh soal dari pengajar.
4.
Tanya jawab di kelas.
5.
Melakukan praktikum eksperimen secara berkelompok.
6.
Mengerjakan soal latihan secara individu.
F. Media
1.
Papan tulis
2.
Overhead Proyektor + komputer
3.
Buku Pegangan Kuliah
G. Evaluasi
1.
Tugas Praktikum Kelompok
2.
Tugas Individu
3.
Keaktifan (Tanya Jawab)
H. Skenario Pembelajaran
a. Kegiatan Awal
1. Pengajar berdiskusi dengan mahasiswa tentang model-model fungsi.
2. Pengajar berdiskusi dengan mahasiswa tentang model-model fungsi linier.
3. Pengajar berdiskusi dengan mahasiswa tentang model-model fungsi
nonlinier.
b. Kegiatan Inti
1. Pengajar menjelaskan tentang pengertian model statistik linier 1,2, dan
3.
2. Pengajar bersama-sama mahasiswa menganalisa penurunan rumus location of parameter estimator.
19
20
BAB 1. PENDAHULUAN
Bab 2
MODEL STATISTIK LINIER
2.1
2.1.1
Istilah linier dapat ditafsirkan dengan dua cara yang berbeda, yaitu
linieritas dalam variabel atau linieritas dalam parameter. Linieritas dalam
variabel adalah harapan bersyarat dari Y merupakan fungsi linier dari Xi ,
contohnya
E (Y | Xi ) = 1 + 2 x.
(2.1)
Dalam penafsiran seperti ini, fungsi regresi seperti
E (Y | Xi ) = 1 + 2 X 2
(2.2)
E (Y | Xi ) = 1 + 2 x
(2.3)
2.1.2
22
(2.4)
y = 1 X1 + 2 X2 + ... + k Xk + e
dengan sejumlah n data
bentuk matriks sebagai
y1
y2
.. =
.
yn
1
2
..
.
k
e1
e2
..
.
en
(2.5)
(2.6)
(2.7)
23
#
#
cov(e n , e1 ) cov(e n , e 2 )
" cov(e1 , e n ) 2 0
" cov(e 2 , e n ) 0 2
=
#
%
#
#
var(e n ) 0
"
0
" 0
% #
" 2
"
(2.9)
(2.10)
Cov (x i , e i ) = E [ (x i E (x i ))(e i E (e i )) ]
= E (x i x )(e i 0))
= E (x i x ) e i
= (x i x ) E ( e i )
=0
(2.11)
E ( y) = X
Cov( y ) = 2 I n
(2.12)
Misalkan sampel untuk y diberikan. Maka aturan main yang memungkinkan pemakaian sampel tadi untuk mendapatkan taksiran dari adalah
dengan membuat e = y X sekecil mungkin. Dengan aturan main ini, diharapkan akan menghasilkan komponen sistematik yang lebih berperan dari
pada komponen stokastiknya. Karena bila komponen stokastik yang lebih
berperan artinya hanya diperoleh sedikit informasi tentang y. Dengan kata
lain, X tidak mampu menjelaskan y.
Untuk tujuan ini maka perlu memilih parameter sehingga
S = e 'e = ( y X ) '( y X )
sekecil mungkin (minimal).
(2.13)
24
S = ( y X ) '( y X )
= ( y ' ' X ' )( y X )
= y' y y'X 'X ' y + 'X 'X
= y ' y ( y ' X ) ' ' X ' y + ' X ' X
= y'y 'X 'y 'X 'y+ 'X 'X
= y ' y 2 ' X ' y + ' X ' X
(2.14)
Untuk meminimumkannya dapat diperoleh dengan melakukan turunan parsial pertama S terhadap [?, Misalkan z dan w adalah vektor-vektor k x 1
dan y = zw scalar. Maka dy/dz = w, dy/dz = w, dy/dw = z, dan dy/dw
= z.],
dS
= 0 2X ' y + X ' X + ( ' X ' X )'
d
= 2 X ' y + X ' X + X ' X
= 2 X ' y + 2 X ' X
(2.15)
X ' X = X ' y
(2.16)
(2.17)
)(
l ' yX
l
y X
ols
ols
e ' e
l
ols =
=
nk
nk
2.1.3
25
Gauss Markov
l = Ay
=
(( X ' X )
X '+ c y
= ( X ' X ) X ' y + cy
1
(2.18)
dimana
l =E
E
= + cX
l = + ( X ' X ) X ' e + ce
1
(2.19)
26
dan
( )
( l )) ( l E ( l )) '
( ) ( l ) '
= E ( ( X ' X ) X ' e + ce ) ( ( X ' X ) X ' e + ce ) '
l = E
lE
Cov
l
= E
c 2 IX ( X ' X ) + c 2 Ic '
1
= 2 ( X ' X ) + cc '
= 2 ( X ' X ) + 2 cc '
1
( )
l + 2 cc '
= Cov
ols
(2.20)
( ) ( )
l Cov
a ' Cov (
) ( l ) a = a ' cc ' a
l a a ' Cov
a ' Cov (
)
( l ) a = a ' cc ' a 0
l a a ' Cov
a ' Cov (
)
(l )a 0
l V ar a '
Var ( a '
) ( l )0
l Var a '
V ar ( a '
) ( l)
2
l Cov
l
Cov
ols = cc '
ols
ols
ols
ols
ols
(2.21)
27
bols yang juga penaksir linier untuk , adalah lebih baik dari pada
Jadi,
sebarang penaksir linier unbiased untuk lainnya karena memenuhi
( )
l Var a '
l
Var a '
ols
(2.22)
a ' cc ' a 0
(2.23)
l )a = Var (a '
l)
a ' Cov(
(2.24)
( ) (( X ' X )
= E (( X ' X )
= E (( X ' X )
l
E
ols = E
X 'y
X '( X + e)
= E ( + e)
= E ( ) + E (e)
= +0
=
(2.25)
= ( X ' X ) X '( X + e)
1
= + ( X ' X ) X 'e
1
(2.26)
28
maka
(
)(
)
l
= E(
)( l )
= E (( X ' X ) X ' e) (( X ' X ) X ' e)
= E (( X ' X ) X ' e) ( e ' X ( X ' X ) )
= E ( ( X ' X ) X ' ee ' X ( X ' X ) )
l )=E
l E(
l )
l E(
l )
Cov (
ols
ols
ols
ols
ols
'
'
ols
ols
'
=2 (X 'X )
(2.27)
Dari Teorema Gauss Markov yaitu penaksir kuadrat terkecil dalam kelas
bols linier, tak bias dan mempenaksir linier tak bias adalah minimum. Jadi
punyai variansi minimum dalam kelas semua penaksir tak bias linier dari ,
maka biasanya disebut sebagai penaksir tak bias linier terbaik (Best Linear
Unbiased Estimator, BLUE).
Misalkan model statistik linier
y = 1x1 + 2 + e
(2.28)
29
maka diperoleh
S = e 'e
e1
e
= [ e1 e2 " en ] 2
#
en
= e1e1 + e2 e2 + ... + en en
n
= et 2
t =1
n
= ( yt 1 x1t 2 x2t )
t =1
(2.29)
dimana
y1
y
2
y=
#
yn
X = [ x1
x11
x
12
x2 ] =
#
x1n
= 1
2
(2.30)
1
1
#
(2.31)
(2.32)
30
dan
S ( y X ) ' ( y X )
=
=
=
=
=
=
= 2 X ' y + 2 X ' X
x '
x '
= 2 1 y + 2 1 [ x1 x2 ] 1
x2 '
x2 '
2
n
n
2
y
x
x1t x2 t
x
1t
1t t
t =1
t =1
+ 2 t =1
1
= 2 n
n
n
2 2
x2t yt
x2 t x1t x2 t
t =1
t =1
t =1
n
n 2 n
x
y
t
t
1
x1t x1t
t =1
t =1
+ 2 t =1
1
= 2 n
n
n 2
yt
x1t
t =1
t =1
n
n
n
2
x1t yt
x1t 1 + x1t 2
t =1
t =1
+ 2 t =1
= 2 n
n
yt
x1t 1 + n 2
t =1
t =1
(2.33)
31
jika
n
n
n 2l
l
x
y
x
+
1t t 1t 1 x1t 2
t =1
t =1
= t =1
n
n
l
l
yt x1t 1 + n 2
t =1
t =1
(2.34)
n 2
x1t
x1 ' y t =1
y = n
x1t
t =1
l
t =1
1
l
n 2
1t
(2.35)
sehingga diperoleh
n 2
l x1t
t =1
1
= n
l
2
x1t
t =1
x1t
t =1
x1t yt
t =1
yt
t =1
n
x
1t x1t yt
1
t =1
t =1
=
2
n
n
n
n
n
2
n x1t 2 x1t x1t x1t yt
t =1
t =1
t =1
t =1 t =1
n
(2.36)
atau
n
l 1 =
n x1t yt x1t yt
t =1
t =1
t =1
n x1t x1t
t =1
t =1
n
l 2 =
t =1
t =1
(2.37)
t =1
n x1t 2 x1t
t =1
t =1
n
(2.38)
32
2.1.4
Q = C L1
(2.39)
R = [1 1] 1 = 1 = p
2
(2.40)
ln Q1 ln C1
ln Q ln C
2
2
=
# #
ln Qn ln Cn
ln L1
ln L2 1
# 2
ln Ln
(2.41)
L = ( y X ) ' ( y X ) + * ' ( p R )
(2.42)
misalkan = 2 maka
L = ( y X ) ' ( y X ) + 2 ' ( p R )
= ( y ' ' X ')( y X ) + 2 ' ( p R )
= y ' y y ' X ' X ' y + ' X ' X + 2 ' p 2 ' R
= y ' y ( y ' X ) ' ' X ' y + ' X ' X + 2 ' p ( 2 ' R ) '
= y ' y ' X ' y ' X ' y + ' X ' X + 2 ' p 2 ' R '
= y ' y 2 ' X ' y + ' X ' X + 2 ' p 2 ' R '
(2.43)
33
L
= 2 X ' y + ( ' X ' X ) '+ X ' X 2 R '
(2.44)
l = X ' y + R '
X 'X
rls
l = ( X ' X )1 X ' y + ( X ' X )1 R '
rls
l + ( X ' X ) R '
=
ols
1
(2.45)
L
= 2 p 2 R
(2.46)
l
p = R
rls
(2.47)
l + R ( X ' X )1 R '
p = R
ols
(2.48)
sehingga diperoleh
= R ( X ' X ) R '
1
( p Rl )
ols
(2.49)
( p Rl )
ols
= + ( X ' X ) X 'e +
1
(X 'X )
1
1
R ' R ( X ' X ) R ' p R + ( X ' X ) X ' e
= + ( X ' X ) X 'e +
1
(X 'X )
1
R ' R ( X ' X ) R '
( p R R ( X ' X )
X 'e
(2.50)
34
(X 'X)
1
1
R ' R ( X ' X ) R ' R ( X ' X ) X ' e
(2.51)
sehingga
( )
l =
E
rls
(2.52)
dan
( )
( l
( )) ( l E ( l )) '
( l ) ( l ) '
l = E
Cov
rls
= E
l
E
rls
rls
rls
rls
rls
rls
1
1
1
1
R ( X ' X ) X ' e
(X 'X)
1
R ( X ' X )
(2.54)
(
) R( X ' X )
( X ' X ) R ' ( R ( X ' X ) R ') R ( X ' X )
( R ( X ' X ) R ') R ( X ' X )
(X 'X)
(2.53)
R( X ' X )
1
(2.55)
35
(X 'X)
(
)
( X ' X ) R ' ( R ( X ' X ) R ')
( R ( X ' X ) R ') R ( X ' X )
(X 'X)
R( X ' X )
1
(2.56)
(
) R( X ' X )
( X ' X ) R ' ( R ( X ' X ) R ') R ( X ' X ) +
( X ' X ) R ' ( R ( X ' X ) R ') R ( X ' X )
= ( X ' X ) ( X ' X ) R ' ( R ( X ' X ) R ') R ( X ' X )
l ( X ' X ) R ' R ( X ' X ) R ' R ( X ' X )
= Cov (
)
(
)
= 2 ( X ' X ) 2 ( X ' X ) R ' R ( X ' X ) R '
1
ols
(2.57)
36
1
1
1
1
2. Cov( ) = Cov() - 2 (X0 X) R0 R (X0 X) R0
R(X0 X)
Perhatikan bahwa
1
1
1
R0 R (X0 X) R0
R (X0 X)
(2.58)
definit positif.
Ini berarti lebih superior dibandingkan dengan .
Bila restriksi ( pembatas ) salah, yaitu R 6=r, maka r-R 6= 0.
Maka
1 0
0
= + (X X) X e +
(2.59)
1
1
1
(X0 X) R0 R (X0 X) R0
r-R R (X0 X) X0 e (2.60)
Contoh :
Mencari taksiran = ( 1 2 3 )0 , 2 dan Cov() bila ditaksir dengan
pembatas yang salah. Misalkan adalah taksiran untuk dengan pembatas
yang salah, yaitu 2 + 3 = 1.1.
Maka R = (0 1 1) dengan r = 1.1, sehingga
1
R = (0 1 1) 2 = 2 + 3 = 1.1 6= 1.
3
Dengan mensubstitusikan , X, e, R dan r ke persamaan (10), akan diperoleh . Sehingga taksiran untuk 2 adalah
2 = (y-X )0 (y-X ) /(T-K)
dan
Cov( ) = 2 (X X)1
Sifat - sifat dari bila pembatas salah :
1
1
1
1. E( ) = + (X0 X) R0 R (X0 X) R0
(r-R) 6= ( disebut penaksir yang bias dari )
37
1
1
1
1
R(X0 X)
2. Cov( ) = Cov() - 2 (X0 X) R0 R (X0 X) R0
Perhatikan bahwa
1
1
1
R0 R (X0 X) R0
R (X0 X)
(2.61)
2.1.5
y
i -y
!2
(2.62)
(2.63)
(yi -
y)2
(2.64)
i=1
38
(
n
t =1
yt y
= yt 2 2 yt y + y
t =1
n
t =1
t =1
= yt 2 2 y yt + n y
n
= yt 2 2 y n
t =1
2
1 n
yt + n y
n t =1
= yt 2 2 yn y + n y
t =1
= yt ' yt 2n y + n y
= yt ' yt n y
2
2
= y t ' y t n y + e ' e
n
= y t y + e ' e
t =1
(2.65)
2.1.6
Koefisien Determinasi
2) =
Adjusting R2 (R
(2.66)
1 PT
39
(2.67)
y ' y n y
2
2
y' y ny
SST SSE
=
SST
SSE
= 1
SST
1
(2.68)
R = 1
2.2
SSE / ( n k )
SST / ( n 1)
(2.69)
(2.70)
40
Karena tujuan dari model statistik linier ini tidak hanya sekedar sebagai statistik deskriptif, tetapi juga untuk tujuan pengambilan kesimpulan
maupun penaksiran, maka disini harus diasumsikan bahwa e mengikuti distribusi probabilitas, dengan distribusi yang digunakan adalah distribusi normal dengan rata - rata nol dan variansi 2 .
Asumsi : evN(0, 2 IT ) atau ei vN(0, 2 )
Ini berarti :
1. E(e) = 0
2. Cov(ei , ej ) = 2 , i = j
3. Cov(ei , ej ) = 0, i 6= j
2.2.1
Suatu metoda yang bersifat umum dari penaksiran titik dengan beberapa sifat teoretis yang lebih kuat dibandingkan dengan metoda penaksir
kuadrat terkecil adalah metoda maksimum likelihood ( metoda kemungkinan terbesar ).
0
0
Misalkan
0 Xi vektor 1k, i=1,...,n., maka yi =Xi +ei , i=1,...,m, sehingga
yi vN Xi , 2 .Fungsi distribusi peluang dari yi jika diberikan Xi , dan 2
adalah
!2
yi Xi
(2.71)
!2
yi Xi
(2.72)
1
0
(y-X) (y-X)
2 2
(2.73)
1
1
f yi |Xi ,, 2 = exp
2
2
n/2
1
f (y1 ,...,yn) = 2 2
exp
2
n
X
i=1
exp
l , 2 |X,y = 2 2
41
n
1
L = ln l = ln ( 2 2 ) 2 ( y X ) ' ( y X )
2
2
n
1
= ln ( 2 2 ) 2 ( y ' ' X ')( y X )
2
2
n
1
= ln ( 2 2 ) 2 ( y ' y y ' X ' X ' y + ' X ' X )
2
2
1
n
ln ( 2 2 ) 2 ( y ' y ( y ' X ) ' ' X ' y + ' X ' X )
=
2
2
n
1
= ln ( 2 2 ) 2 ( y ' y ' X ' y ' X ' y + ' X ' X )
2
2
T
1
= ln ( 2 2 ) 2 ( y ' y 2 ' X ' y + ' X ' X )
2
2
(2.74)
sehingga
L
1
= 2 ( 2 X ' y + X ' X + ' X ' X )
2
1
= 2 ( 2 X ' y + X ' X + ( ' X ' X ) ' )
2
1
= 2 ( 2 X ' y + X ' X + X ' X )
2
1
= 2 ( 2 X ' y + 2 X ' X )
2
1
= 2 (X 'y X 'X)
(2.75)
l ml = ( X ' X ) X ' y
1
(2.76)
yang sama dengan estimasi least square sebelumnya, sehingga juga meru-
42
pakan BLUE.
l
e = y X
= y X (X 'X ) X 'y
1
1
= I n X ( X ' X ) X ' y
= My
= M ( X + e)
= MX + Me
= I n X X ( X ' X ) X ' X + Me
1
= X X + Me
= Me
(2.77)
e ' e = ( Me ) ' ( Me )
= e ' M ' Me
1
1
= e ' I n X ( X ' X ) X ' ' I n X ( X ' X ) X ' e
1
1
= e ' I n X ( X ' X ) X ' I n X ( X ' X ) X ' e
1
1
1
= e ' I n X ( X ' X ) X ' X ( X ' X ) X '+ X ( X ' X ) X ' e
1
= e ' I n X ( X ' X ) X ' e
= e ' Me
(2.78)
Sifat-sifat M:
1.
simetri
1
M ' = I X ( X ' X ) X ' '
1
= I ' ( X ') ' ( X ' X ) ' X '
= I X (X 'X) X '
1
=M
(2.79)
43
idempoten
M ' M = MM
1
1
= I X ( X ' X ) X ' I X ( X ' X ) X '
X (X 'X ) X '
1
= I X (X 'X ) X '
1
=M
3.
(2.80)
ortogonal
1
MX = I X ( X ' X ) X ' X
= IX X ( X ' X ) X ' X
1
=X X
=O
(2.81)
(2.82)
rk ( M ) = tr ( M )
1
= tr I n X ( X ' X ) X '
1
= tr ( I n ) tr X ( X ' X ) X '
= tr ( I n ) tr ( X ' X ) X ' X
= tr ( I n ) tr ( I k )
1
= nk
rank = banyaknya nilai eigen yang tidak nol
trace = banyaknya nilai eigen yang sama dengan satu
rk (D) = tr (D), untuk sebarang matriks diagonal D
(2.83)
44
Bukti:
Misalkan q adalah vektor eigen dari M dengan nilai eigen , maka
MMq = M q
Mq = Mq
q = q
(1 ) q = 0
= 1, atau
=0
(2.84)
dan
L
n
1
= 2 + 4 ( y' y y' X ' X ' y + ' X ' X )
2
2
2
(2.85)
2
ml
(
(
1
l
l 'X 'y+
l 'X 'X
l
y'y y'X
ml
ml
ml
ml
n
1
l ' yX
l
= yX
ml
ml
n
1
= e ' e
n
1
= e ' Me
n
=
)(
(2.86)
45
( )
2
e ' Me
E l ml = E
n
1
= E tr ( e ' Me )
n
1
= E tr ( Mee ')
n
1
= tr E ( Mee ')
n
1
= tr ME ( ee ' )
n
=
(n k )
(2.87)
( )
E l
ols
2
2
e ' Me l
= E
( n k ) = l
=
nk nk
(2.88)
2. Cov() = 2 (X0 X)
3. E(
2 )6= 2 (
2 adalah suatu penaksir bias dari 2 )
Penaksir 2 yang tak bias adalah
2 =
0
T-K
(2.89)
karena E(
2 )= 2 .
Dengan melihat asumsi kenormalan, terlihat bahwa dalam model regresi
linier penaksir kuadrat terkecil dan penaksir maksimum likelihood adalah
identik. Dalam sampel kecil, penaksir maksimum likelihood
2 adalah bias
meskipun bias ini dapat dihilangkan dengan menggunakan penaksir kuadrat
terkecil
2 yang tak bias. Tetapi dengan meningkatnya ukuran sampel secara
tak terbatas, penaksir maksimum likelihood dan penaksir kuadrat terkecil
dari 2 cenderung untuk sama.
46
2.3
Pengujian Hipotesa
47
Ho : 2 = 3 =0
H1 : lainnya
Untuk ketiga kasus diatas digunakan level of significance () sebesar 5%.
Level of significance (tingkat signifikansi) adalah peluang menolak H1 padahal H0 benar.
2.3.1
H 0 : R = p
H1 : R p
(2.90)
R = I dan p = 0
(2.91)
H 0 : = 0
H1 : 0
(2.92)
l ( , 2 | X , y ) = ( 2 2 )
n / 2
exp 2 ( y X ) ' ( y X )
2
(2.93)
dan
l ( , 2 | X , y, = 0 ) = ( 2 2 )
n / 2
exp 2 ( y X 0 ) ' ( y X 0 )
2
l = ( X ' X ) X ' y
1
l =
2
)(
1
l ' y X
l
yX
n
(2.94)
48
l = 0
l 0 =
2
1
( y X 0 ) ' ( y X 0 )
n
(2.95)
l ( ) = max l ( , 2 | y, X )
n / 2
exp 2 ( y X ) ' ( y X )
= max ( 2 2 )
2
2
= 2l
n / 2
1
l ' y X
l
exp 2 y X
2l
)(
)(
1
l ' yX
l
yX
= 2
n
2
l ' y X
l
yX
=
)(
n / 2
n / 2
l ' y X
l
yX
exp
1
l ' y X
l
2 y X
n
)(
)(
n
exp
2
(2.96)
l ( ) = max l ( , 2 | y, X , = 0 )
2
= ( y X 0 ) ' ( y X 0 )
n
n / 2
n
exp
2
(2.97)
1 =
l ( )
l ( )
)(
l ' yX
l
yX
=
( y X 0 ) ' ( y X 0 )
n / 2
y X 0 ) ' ( y X 0 )
(
=
l ' yX
l
yX
n/2
)(
(2.98)
49
( y X 0 ) ' ( y X 0 ) = ( y X l + X l X 0 ) ' ( y X l + X l X 0 )
l ' e + X
l
= e + X
0
0
l ' X ' e + X
l
= e '+
0
0
l +
l ' X ' e +
= e ' e + e ' X
) (
( l ) ' X ' X ( l )
0
) (
(2.99)
l +
l ' X ' Me +
= ( Me ) ' Me + ( Me ) ' X
0
0
( l ) ' X ' X ( l )
l +
= e ' M ' Me + e ' M ' X (
) ( l ) ' X ' Me +
( l ) ' X ' X ( l )
0
l 'X 'X
l
= e ' M ' Me + 0 + 0 +
0
0
l 'X 'X
l
= e ' e +
0
0
)(
) (
(2.100)
l ' yX
l +
l 'X 'X
l
= yX
0
0
(2.101)
50
l ) ' X ' X ( l )
(
= 1+
( y X l ) ' ( y X l )
l ) ' X ' X ( l )
(
= 1+
( y X l ) ' ( y X l )
0
= 1+
l ' yX
l
y X
)(
)(
= 1+
)(
e ' Ne
e ' Me
= 1 + 2
Sifat-sifat N:
1.
simetri
(2.102)
1
N ' = X ( X ' X ) X ' '
1
= ( X ' ) ' ( X ' X ) ' X '
= X (X 'X ) X '
1
=N
2.
(2.103)
idempoten
N ' N = NN
1
1
= X ( X ' X ) X ' X ( X ' X ) X '
= X (X 'X ) X '
1
=N
(2.104)
51
1
NX = X ( X ' X ) X ' X
= X (X 'X) X 'X
1
=X
(2.105)
(2.106)
rk ( N ) = tr ( N )
1
= tr X ( X ' X ) X '
= tr ( X ' X ) X ' X
= tr ( I k )
1
=k
(2.107)
5.
nilai eigen dari N adalah 0 atau 1,
Bukti:
Misalkan q adalah vektor eigen dari N dengan nilai eigen , maka
NNq = N q
Nq = Nq
q = q
(1 ) q = 0
= 1, atau
=0
(2.108)
Sehingga jika
2 =
dan
2
e ' Ne e ' Ne / 2 ~ k
=
e ' Me e ' Me / 2 ~ 2nk
~ 2k / k
nk
3 =
2 =
=~ Fk ,nk
~ 2( n k ) / ( n k )
k
maka rule of the game: tolak H0 bila 3 nilai kritis dari Fk,
(2.109)
(2.110)
nk .
52
Misalkan ,
R=
dengan
0
0
1 0 0 , = 1 2 3 , = O = 0 0 0 , rk(R) = 1
(2.111)
H0 : 1 = 0, H1 : 1 6= 0
(2.112)
53
l / j
R ' R
e ' Me /( n k )
=
jl
(
=
l
R ' R
1
l ' R ' ' R ' R ( X ' X ) R '
jl
l R ' R ( X ' X )
R
(
)
=
jl
l p ' R ( X ' X )
R
(
)
=
jl
l
(
=
( R l R )
R '
( R l R )
R '
( R l p )
( l
1
l 1 ' R ( X ' X ) R ' l 1
jl
2
1
=
=
1
l 1 ' R ( X ' X ) R ' l 1
2
jl
l 1 ' l 1
2
1
R ( X ' X ) R ' jl
l 1
2
1
R ( X ' X ) R ' jl
(2.113)
54
2 =
=
l 1
l R ( X ' X ) R '
1
l 1
l
Cov R
1
l 1
( )
l
Var
1
l 1
( )
l
Std
1
~ tn k
(2.114)
dengan aturan main: Tolak H0 jika t-hitung berada pada daerah kritis dari
t-tabel, t nk .
2.3.2
2.3.3
y = 1 X1 + 2 X 2 + 3 X 3
(2.115)
dengan
Karena X3 merupakan vektor yang diberikan dan umumnya unsur - unsurnya hanya memuat angka 1 saja, maka model tersebut hanya tergantung
dari X1 dan X2 .
Diberikan hipotesa nol dan hipotesa alternatif sebagai berikut :
H0 : 1 = 2 = 0
55
X 3 = [1 1 " 1] '
Gambar 2.1:
H1 : lainnya
Perhatikan bahwa
1 0 0
0
R=
,p=
0 1 0
0
(2.116)
dan rank(R) = 2.
Dengan mensubstitusikan R, p dan rank(R) = 2, nilai dapat dicari.
Untuk pengujian hipotesa, gunakan aturan mainnya yaitu: Tolak H0 jika
lebih besar atau sama dengan nilai kritis dari Fj, nk
Untuk pengujian hipotesa dengan konstrain dan penampilan model secara keseluruhan, kita tidak dapat menggunakan uji t karena prosedur pengujian t mengasumsikan bahwa suatu sampel independen ditarik setiap saat
pengujian t diterapkan. Jadi apabila sampel yang sama digunakan untuk
menguji hipotesa mengenai 1 dan 2 secara simultan, tampaknya 1 dan 2
berkorelasi dan ini merupakan penyimpangan dari prosedur pengujian t.
56
2.4
Tugas Eksperimen
Perumusan Masalah
1. Bagaimana perbandingan penaksir-penaksir terhadap parameter dan
2 yang dihasilkan oleh metoda OLS, RLS dan ML dengan nilai yang
sebenarnya ?
2. Bagaimana proporsi hipotesa yang tertolak untuk masing - masing
hipotesa, yaitu untuk masing-masing parameter i , untuk suatu pembatas dan penampilan model secara keseluruhan ?
3. Bagaimana kesesuaian hasil eksperimen dengan hasil teoritisnya ?
Tujuan Eksperimen
Eksperimen ini bertujuan untuk:
1. Membandingkan penaksir-penaksir terhadap parameter dan 2 yang
dihasilkan oleh metoda OLS, RLS dan ML dengan nilai yang sebenarnya.
2. Mengetahui proporsi hipotesa yang tertolak untuk masing - masing
hipotesa, yaitu untuk masing-masing parameter i , untuk suatu pembatas dan penampilan model secara keseluruhan.
3. Membandingkan kesesuaian hasil eksperimen dengan hasil teoritisnya.
Metoda Eksperimen
Metoda yang akan digunakan pada eksperimen ini adalah metoda literatur dengan menggunakan data-data eksperimental. Kemudian dilakukan
simulasi estimasi terhadap beberapa parameter dengan beberapa metoda
pendekatan dan bantuan komputer. Dilanjutkan dengan melakukan pengujian hipotesa dan membandingkan semua hasil eksperimennya dengan hasil
teori. Model regresi yang digunakan untuk eksperimen adalah model statistik
linier normal dengan tiga variabel bebas X yang masing-masing berukuran
30x3 dan vektor error e berukuran 30x1 yang diambil secara acak dari komputer dengan asumsi e berdistribusi N (0, 2 IT ).
Prosedur Eksperimen
Dalam melakukan eksperimen ini, kami menyusun langkah-langkah/prosedur
pengerjaan agar kegiatan yang dilakukan jelas dan terarah. Adapun prosedur
dalam melakukan eksperimen ini adalah :
57
1. Pendekatan teori sampel dan regresi untuk estimasi, inferensi dan pengambilan kesimpulan pada model statistik linier. Hal ini dilakukan sebagai
bekal awal pengetahuan teoretis dalam melakukan eksperimen.
2. Menentukan data-data untuk variabel X, , 2 dan . Data untuk variabel bebas X yang berukuran 30X3, parameter dan 2 diambil dari
data riil observasi langsung atau dari data sekunder dan level of significance ( tingkat keberartian / tingkat signifikansi ) ditentukan sebesar
5%.
3. Membuat data vektor e berukuran 30X1. Nilai e diambil secara acak
dari komputer, yang masing-masing isi selnya berdistribusi normal N(0,0.1).
4. Menyusun matriks y yang berukuran 30X1 dengan menggunakan e
yang didapat pada langkah 3.
5. Melakukan penaksiran terhadap dan 2 . Dari data X dan y yang
telah diperoleh dapat dilakukan penaksiran terhadap dan 2 , yaitu
langkah 6-11.
6. Menaksir dengan Ordinary Least Square (OLS).
7. Menaksir 2 yang tak bias dengan menggunakan penaksir OLS.
8. Menaksir Cov (), dengan menggunakan penaksir 2 OLS.
9. Mengulangi penaksiran , 2 dan Cov () dengan pembatas yang benar, yaitu 2 + 3 = 1.
10. Mengulangi penaksiran , 2 dan Cov () dengan pembatas yang salah,
yaitu 2 + 3 = 1.1.
11. Mengulangi penaksiran , 2 dan Cov () dengan metoda Maximum
Likelihood (ML).
12. Membandingkan hasil-hasil penaksiran pada langkah 5 dengan nilai
sebenarnya yang ditentukan pada langkah 2.
13. Melakukan pengujian hipotesa, yaitu langkah 14-16.
14. Menguji hipotesa untuk masing-masing parameter i ( dengan menggunakan uji t ), yaitu H0 : i = 0, i=1,2,3 vs H1 : i 6= 0.
15. Menguji hipotesa untuk pembatas berikut ( dengan menggunakan uji
F ), yaitu H0 : 2 + 3 = 1 vs H1 : lainnya.
58
59
60
61
62
Bab 3
HETEROSKEDASTISITAS
DAN AUTOKORELASI
3.1
3.1.1
Heteroskedastisitas
Transformasi Persamaan Linier
y = X +e
(3.1)
12 0
0 22
2
= =
#
#
0
0
" 0
" 0
% #
" n 2
(3.2)
matriks simetri dan positive definite. Karena matriks simetri dan positive
definite maka ada matriks C yang ortogonal (CC 0 = C 0 C = I) sedemikian
hingga C 0 C = D adalah matriks diagonal yang elemen-elemennya merupakan nilai-nilai eigen dari .
Misalkan
1 0 " 0
0 " 0
2
D=
# # % #
0 0 " n
(3.3)
63
64
dan tulis
0
1/ 1
0 1/
2
W =
#
#
0
0
0
"
0
"
%
#
" 1/ n
(3.4)
maka diperoleh W 0 D W = I.
Karena C 0 C = D maka W 0 C 0 C W = W 0 D W = I.
Misalkan P = W 0 C 0 maka I = W 0 C 0 C W = P P 0 akibatnya
diperoleh = P 1 (P 0 )1 = (P P 0 )1 atau 1 = P 0 P
Dari persamaan model statistik linear diperoleh transformasi model menjadi
atau
dimana
Py = P ( X + e) = PX + Pe
(3.5)
y* = X * + e *
(3.6a)
E ( e *) = E ( Pe) = PE ( e ) = 0
(3.7)
dan
(3.8)
atau
dimana
Qy = Q ( X + e) = QX + Qe
(3.9)
y^ = X ^ + e ^
(3.10)
E ( e ^ ) = E ( Qe ) = QE ( e ) = 0
(3.11)
3.1. HETEROSKEDASTISITAS
dan
65
(3.12)
3.1.2
Penaksir parameter-parameter pada untuk model transformasi statistik linier yang umum, persamaan 3.6a disebut sebagai generalized least squares
estimator (GLSE), yaitu
= ( PX ) ' ( PX )
( PX ) ' ( Py )
= ( X ' 1 X ) X ' 1 y
1
= X ' ( 2 ) X
1
X ' ( 2 ) y
1
= 2 ( X ' 1 X ) X ' ( 1 2 ) 1 y
1
= ( X ' 1 X ) X ' 1 y
1
(3.13)
yang merupakan best linear unbiased estimator (BLUE) dengan matriks kovariansi
1
l
Cov
= ( X * ' X *)
( )
gls
= ( PX ) ' ( PX )
= ( X ' P ' PX )
= ( X ' 1 X )
= X ' ( 2 ) X
1
= 2 ( X ' 1 X )
(3.14)
66
( )
( )
( )
l Cov
l >0
Cov
ols
gls
(3.15)
(3.16)
2
gls
=
=
=
=
=
3.1.3
1
nk
1
nk
1
nk
1
nk
1
nk
( y ^ X ^ l ) ' ( y ^ X ^ l )
(Qy QX l ) ' ( Qy QX l )
(Q ( y X l )) ' (Q ( y X l ))
( y X l ) ' Q ' Q ( y X l )
( y X l ) ' ( y X l )
gls
gls
gls
gls
gls
gls
gls
gls
gls
gls
(3.17)
Jika matriks tidak diketahui maka perlu adanya cara penaksiran lain yang
dikenal sebagai Aitken estimator (feasible GLS estimator) of atau estimated
generalized least squares (EGLS) estimator, yaitu
egls
) X ' l y
l X X ' l
l y
= X ' (l
)
(
)
l X X'
= l ( X '
) ( ) l y
l X X '
= ( X '
) ly
l 1 X
= X '
2
l
(3.18)
3.1. HETEROSKEDASTISITAS
67
l
l 1
Cov
egls = X ' X
dimana
3.1.4
2
egls
= l
2
egls
l 1 X
X '
1
l
l 1 y X
l
yX
egls '
egls
nk
(3.19)
(3.20)
Pengujian Heteroskedastisitas
Cov ( ei ) = E ( ei 2 ) = i 2
= exp ( zi ' ) = exp (1 ) exp ( zi *' *)
= 2 exp ( zi *' *)
(3.21)
1
l = ( Z ' Z ) Z ' q = zi zi '
i =1
1 n
z ln e
i =1
2
i
(3.22)
dengan
l
e = y y = y X
(3.23)
Misalkan D adalah matriks (Z 0 Z)1 dengan menghilangkan baris pertama dan kolom pertamanya, maka
l * ~ N (*,4.9348D)
(3.24)
68
dan
(l * *) ' D (l * *) ~
1
4.9348
2
s 1
(3.25)
dan
(3.26)
(3.27)
Maka pengujian dilakukan pada sum of squares total (SST) dan residual
sum of squares (SSR) dari regresi
2
e i
= zi ' + vi ~ s21
2
l
(3.28)
l
e i = yi X i
ols
(3.29)
3.2. AUTOKORELASI
69
dan
l =
2
3.2
3.2.1
1 n 2
ei
n i =1
(3.30)
Autokorelasi
Proses Autoregressive Orde Satu
yi = X i ' + ei
(3.31)
ei = ei1 + vi
(3.32)
v2
Cov ( ei ) = E ( ei ) = e =
= = v 2
2
1
2
=
#
n1
" n1
1 " n 2
# %
0 "
#
1
dan
Cov ( ei , ei j ) = E ( eiei j ) = j e 2 =
3.2.2
(3.33)
j v 2
1 2
(3.34)
70
l
=
i =1
n
e i e i 1
i 12
e
i =1
(3.35)
3.2.3
Uji Asimtotik
z=
1 2 n
(3.36)
z=l
n
(3.37)
dan akibatnya, pada level signifikansi 5%, dalam test dua sisi, hipotesa nol
ditolak jika
z=l
n 1.96
3.2.4
(3.38)
Uji Durbin-Watson
d=
dimana
n
i =1
( e e )
i 1
i 12
e
i =1
n
l
e = el1 el2 " eln = y X
ols
(3.39)
(3.40)
3.2. AUTOKORELASI
71
1 1 0
1 2 1
A = 0 1 2
#
#
#
0 0 0
" 0
" 0
" 0
2 #
" 1
(3.41)
72
3.3
Tugas Eksperimen
Perumusan Masalah
Berdasarkan latar belakang tersebut, maka pada eksperimen ini kami
merumuskan beberapa permasalahan, yaitu:
1. Bagaimana perbandingan penaksir-penaksir terhadap parameter dan
2 yang dihasilkan oleh metoda OLS dan GLS, baik antar penaksir
maupun dengan nilai yang sebenarnya, baik untuk yang diketahui
maupun yang tidak diketahui?
2. Bagaimana proporsi hipotesa yang tertolak untuk masing - masing
hipotesa, yaitu untuk masing-masing parameter i , untuk suatu pembatas dan penampilan model secara keseluruhan?
3. Bagaimana kesesuaian hasil eksperimen dengan hasil teoritisnya, penaksir mana yang lebih baik?
Tujuan Eksperimen
Eksperimen ini bertujuan untuk:
1. Membandingkan penaksir-penaksir terhadap parameter dan 2 yang
dihasilkan oleh metoda OLS dan GLS, baik antar penaksir maupun
dengan nilai yang sebenarnya, baik untuk yang diketahui maupun
yang tidak diketahui.
2. Mengetahui proporsi hipotesa yang tertolak untuk masing - masing
hipotesa, yaitu untuk masing-masing parameter i , untuk suatu pembatas dan penampilan model secara keseluruhan.
3. Mengatahui kesesuaian hasil eksperimen dengan hasil teoritisnya, yaitu
mengetahui penaksir mana yang lebih baik.
Metoda Eksperimen
Metoda yang akan digunakan pada eksperimen ini adalah metoda literatur dengan menggunakan data-data eksperimental. Kemudian dilakukan
kalkulasi estimasi terhadap beberapa parameter dengan beberapa metoda
pendekatan dan bantuan komputer dengan menggunakan pemrograman komputer. Dilanjutkan dengan melakukan pengujian hipotesa dan membandingkan semua hasil eksperimennya dengan hasil teori. Model regresi yang digunakan untuk eksperimen adalah model statistik linier umum dengan tiga
variabel bebas X yang masing-masing berukuran 30x3 dan vektor error e
berukuran 30x1 yang diambil secara acak dari komputer dengan asumsi e
berdistribusi N (0, 2 ).
73
74
F. Media
1.
Papan tulis
2.
Overhead Proyektor + komputer
3.
Buku Pegangan Kuliah
G. Evaluasi
1.
Tugas Praktikum Kelompok
2.
Tugas Individu
3.
Keaktifan (Tanya Jawab)
H. Skenario Pembelajaran
a. Kegiatan Awal
1. Pengajar berdiskusi dengan mahasiswa tentang model statistik nonlinier.
2. Pengajar berdiskusi dengan mahasiswa tentang estimasi parameter pada
model statistik nonlinier.
b. Kegiatan Inti
1. Pengajar bersama-sama mahasiswa menganalisa penurunan rumus iterasi Least Square Gauss-Newton.
2. Pengajar bersama-sama mahasiswa menganalisa penurunan rumus iterasi Least Square Newton -Raphson.
3. Pengajar bersama-sama mahasiswa menganalisa penurunan rumus iterasi Maximum Likelihood Newton -Raphson.
4. Pengajar bersama-sama mahasiswa menganalisa penurunan rumus iterasi Maximum Likelihood BHHH.
c. Kegiatan Akhir
1. Pengajar memberikan pertanyaan tentang perbandingan Model Statistik Nonlinier dengan Linier.
75
76
Bab 4
MODEL STATISTIK
NONLINIER
4.1
(4.1)
(4.2)
dengan et vi.i.d N(0, 2 ). Akibatnya, yt vi.i.d N(f (Xt , ) , 2 ) dengan f (xt ,),
yaitu fungsi nonlinier dalam parameter dan e v N (0, 2 IT ).
Ada dua cara untuk menaksir pada model statistik nonlinier, yaitu
dengan metoda nonlinear least square dan maximum likelihood.
4.2
Ada dua cara untuk menaksir dengan metode nonlinear least square, yaitu
1. f(X,) diaproksimasi dengan deret Taylor orde 1
2. S() = (y f (X,))0 (y f (X,)) diaproksimasi dengan deret Taylor
orde 2
Cara penaksiran pertama dikenal sebagai iterasi Gauss Newton, sedangkan cara penaksiran kedua dikenal sevagai iterasi Newton Raphson. Secara
77
78
0
1
S
(n)
(n)
Z
Z
, n =
| (n)
(4.4)
2. Newton Raphson
tn = 1, Pn =
2S
| (n)
0
, n =
S
| (n)
(4.5)
3. Steepest Descent
tn bervariasi, Pn = IK , n =
S
| (n)
(4.6)
4. Marquardt-Levenberg
1
0
S
(n)
(n)
| (n)
+ n IK
Z
, n =
tn bervariasi, Pn = Z
(4.7)
5. Quadratic Hill Climbing
1
2
S
S
| (n)
, n =
tn bervariasi, Pn =
0 | (n) + n IK
4.2.1
(4.8)
Aproksimasi f (X,) di sekitar initial values (1) dilakukan dengan menggunakan deret Taylor orde 1, yaitu
f (X, )
(1)
f (X, ) = f X, (1) +
|
(1)
0
f (X, )
f (X, )
= f X, (1) +
| (1)
| (1) (1) (4.9)
0
(X,)
| (1) = Z (1) . Maka
Misalkan f
0
atau
79
y = f (X, ) + e
f (X, )
f (X, )
= f X, (1) +
| (1)
| (1) (1) + e
0
(4.10)
= f X, (1) + Z (1) Z (1) (1) + e
(1)
(1)
(1)
(1)
+Z
+e
= Z
y f X,
y
(1) = Z (1) + e
(4.11)
Bentuk persamaan (4.11) dikenal sebagai model pseudo-linier. Dari bentuk ini, dapat ditaksir dengan metoda least squares, diperoleh
(2)
0
1
0
(1)
(1)
(1)
(1)
=
Z
Z
Z
y
0
1
0
(1)
(1)
=
Z
y f X, (1) + Z (1) (1)
Z
Z (1)
0
1
0
(1)
(1)
(1)
= + Z
y f X, (1)
(4.12)
Z
Z (1)
Maka
atau
f (X,)
(2)
|
f (X,) = f X, (2) +
(2)
0 =
(4.13)
(4.14)
80
(2)
(2)
(2)
(2)
y f X,
+Z
+e
= Z
y
(2) = Z (2) + e
(4.15)
(3)
0
1
0
(2)
(2)
=
Z
Z
Z (2) y
(2)
0
1
0
(2)
(2)
(2)
(2)
(2)
(2)
=
Z
y f X,
+Z
Z
Z
0
1
0
(2)
(2)
(2)
= + Z
y f X, (2)
(4.16)
Z
Z (2)
(n+1)
(n)
0
1
0
(n)
(n)
+ Z
Z
Z (n)
y f X, (n)
(4.17)
(4.18)
(n)
(n)
y f X,
=0
Z
(4.19)
y f X, NLS
=0
Z NLS
(4.20)
atau
Persamaan terakhir ini memenuhi first order condition (FOC) dari masalah
min (S ()).
Atau
f0
S
= 2 | NLS y f X, NLS
=0
(4.21)
Jadi, bila
81
y f X, NLS
=0
Z NLS
(4.22)
(4.23)
itu berarti FOC dari upaya untuk meminimumkan sum of square S() sudah
terpenuhi dan
S
= 2Z ()0 (y f (X,))
(4.24)
atau
1 S
= Z ()0 (y f (X,))
2
0
1 S
| (n) = Z (n)
y f X, (n)
(4.25)
Maka
0
1 S
| N L S = Z NLS
y f X, NLS
2
Jadi iterasi umum diatas dapat ditulis menjadi
0
1 S ()
1
(n+1)
(n)
(n)
(n)
=
Z
| (n)
Z
2
(4.26)
(4.27)
82
4.2.2
Perhatikan
Karena
(4.28)
S ()
S
1 2S
(1)
= 0+
|
+
2.
|
(1)
(1)
2 0
0
S
2S
(2)
(1)
=
=0
| (1) +
| (1)
0
0
maka
S
| (1)
0
0
S
| (1) +
0
S
| (1) +
(4.29)
S
| (1)
(4.30)
2S
(2)
(1)
= 0
| (1)
0
2S
(2)
(1)
= 0
|
(1)
0
S
2S
(2)
(1)
|
| (1) =
(1)
0
1
2
S
S
(2)
(1)
| (1)
=
0 | (1)
(4.31)
(4.32)
2
S
S
|
dengan syarat
0 | (1) harus merupakan matriks positif definit agar
0 (1)
mempunyai invers.
Secara umum, iterasi yang akan diperoleh adalah
(n+1)
(n)
2S
| (n)
0
S
| (n)
(n+1) = (n)
(4.33)
(4.34)
maka FOC dari masalah min (S ()) sudah dipenuhi. Iterasi inilah yang
4.3
83
Secara umum, iterasi untuk mendapatkan taksiran dengan maximum likelihood nonlinier dapat ditulis dengan
(n+!) = (n) tn Pn n
(4.35)
2L
| (n)
0
L
| (n)
(4.36)
1
2
L
L
| (n)
tn = 1, Pn = E
, n =
0 | (n)
(4.37)
tn = 1, Pn =
, n =
2. Method of scoring
3. Berndt-Hall-Hall-Hausman (BHHH)
0
1
L
(n)
(n)
tn = 1, Pn = Z
| (n)
Z
, n =
(4.38)
4. Modified BHHH
1
0
L
(n)
(n)
+ n IK
| (n)
tn bervariasi, Pn = Z
Z
, n =
(4.39)
4.3.1
1
1
2
2
f yt |Xt , , = exp 2 (yt f (Xt , ))
(4.40)
2
2
Likelihood function dari dan 2 diberikan oleh yt dan Xt adalah
1
2
2
2 1/2
lt , = 2
exp 2 (yt f (Xt , ))
2
(4.41)
84
ln lt = Lt =
1
1
ln (2) + ln 2 2 (yt f (Xt , ))2
2
2
(4.42)
1 T
2
2
2 T/2
f y1 , ..., yT |X,,
exp 2 t=1 (yt f (Xt , ))
= 2
2
1
0
2 T/2
= 2
exp 2 (y f (X, )) (y f (X, ))
2
1
0
2
2 T/2
l , = 2
exp 2 (y f (X, )) (y f (X, ))
2
(4.43)
dan log likelihood function dari dan 2 diberikan oleh X dan y adalah
Maka
L = Tt=1 Lt
= ln l , 2
T
=
ln (2) + ln 2
2
T
ln (2) + ln 2
=
2
1
(y f (X, ))0 (y f (X, ))
2
2
1
S ()
(4.44)
2 2
T
1
L
= 2 + 4 S ()
2
2
2
Menyamakannya dengan nol akan diperoleh
2 =
S ()
T
(4.45)
(4.46)
T
S ()
1
S ()
L () = L =
ln (2) + ln
2
T
2 S()
T
S ()
T
T
ln (2) + ln
=
2
T
2
(4.47)
85
1
0 2 L
(1)
(1)
(1)
(1)
L () = L
+ 0 | (1)
+
| (1)
2
0
(4.48)
Diperoleh
L ()
=
L
| (1)
0
Karena
maka
L
| (1)
0
2L
(1)
|
(1)
0
L
| (1)
(4.49)
(4.50)
L ()
L
2L
(1)
=
| (1) +
|
(1)
(4.51)
L
2L
(2)
(1)
| (1) +
=0
| (1)
0
(4.52)
atau
(2)
(1)
2L
| (1)
0
L
| (1)
(4.53)
(n+1)
2L
| (n)
0
L
| (n)
1
1 S
1 2S
(n)
2
| (n)
= 2
| (n)
2 0
2
1
2
S
S
(n)
=
| (n)
| (n)
0
=
(n)
(4.54)
Iterasi inilah yang dikenal sebagai iterasi Newton Raphson untuk nonlinear
maximum likelihood.
86
4.3.2
Pn
(4.55)
1
1
2
exp 2 (yt f (Xt , ))
2
2
= lt , 2
f yt |Xt , , 2 =
(4.56)
maka
f yt |Xt , , 2 dyt = 1
atau
Z
f yt |Xt , , 2 dyt = 0
dan
(4.58)
f (yt |Xt , , 2 )
dyt = 0
Z +
f (yt |Xt , , 2 ) f (yt |Xt , , 2 )
dy = 0
f (yt |Xt , , 2 ) t
Perhatikan
(4.57)
lt , 2 = f yt |Xt , , 2
(4.59)
(4.60)
(4.61)
87
Maka
Lt
1
lt (, 2 )
=
lt (, 2 )
1
f (yt |Xt , , 2 )
=
f (yt |Xt , , 2 )
(4.62)
atau
Lt
log lt
=
Dari
maka
(4.63)
f (yt |Xt , , 2 ) t
(4.64)
(4.65)
Lt
f yt |Xt , , 2 dyt = 0
Dengan melakukan turunan parsial pertama terhadap 0 dan menyamakannya dengan nol, yaitu
Z +
Lt
2
(4.66)
f yt |Xt , , dyt = 0
0
akan diperoleh
0 =
=
=
=
=
Lt f (yt |Xt , , 2 )
2 Lt
2
dyt
f yt |Xt , , +
0
0
Z + 2
Lt f (yt |Xt , , 2 ) f (yt |Xt , , 2 )
Lt
2
dyt
f yt |Xt , , +
f (yt |Xt , , 2 )
0
0
Z + 2
Lt Lt
Lt
2
2
dyt
f yt |Xt , , +
f yt |Xt , ,
0
0
Z + 2
Lt
Lt Lt
2
f yt |Xt , ,
+
dyt
0
0
2
Lt
Lt Lt
(4.67)
E
+
0
0
88
Atau
2 Lt
E
0
Lt Lt
= E
0
(4.68)
2
Lt
Berdasarkan hukum bilangan besar, taksiran untuk E
adalah
0
1 T 2 Lt
T t=1 0
t L t
adalah
sedangkan taksiran untuk E L
0
1 T Lt Lt
T t=1 0
(4.69)
(4.70)
Dengan demikian
1 T Lt Lt
1 T 2 Lt
t=1
0 = t=1
T
T
0
2 Lt
T Lt Lt
Tt=1
0 = t=1
0
0
Lt
T Lt
= t=1
Lt
Lt
T
= t=1
0
0
(4.71)
Perhatikan kembali
Pn =
=
=
=
=
1
2 Lt
T
E t=1
| (n)
0
2 Lt
T
t=1 E
| (n)
0
1 T 2 Lt
T
t=1
| (n)
T t=1 0
1
2 Lt
T
t=1
| (n)
0
0
1
Lt
Lt
T
t=1
| (n)
| (n)
0
0
(4.72)
(n+!) = (n) tn Pn n
0
1
Lt
Lt
(n)
T
= + t=1
| (n)
| (n)
0
0
0
1
Lt
Lt
(n)
T
= + t=1
| (n)
| (n)
0
0
0
1 L
(n)
(n)
(n)
= + Z
Z
| (n)
dengan
Z (n) =
L 1
1
..
.
L T
1
...
...
L 1
K
...
L T
K
..
.
89
L (n)
|
L (n)
|
(4.73)
(4.74)
(n+1)
(n)
1
0
L (n)
(n)
(n)
|
+ n IK
+ Z
Z
(4.75)
90
4.4
Tugas Eksperimen
Perumusan Masalah
Berdasarkan latar belakang tersebut, maka pada eksperimen ini kami
merumuskan beberapa permasalahan, yaitu
1. Bagaimana hasil penaksiran parameter-parameter yang dilakukan dengan iterasi Gauss-Newton dan Marquardt-Levenberg pada LSE untuk
model fungsi produksi CD dan CES ?
2. Bagaimana hasil penaksiran parameter-parameter yang dilakukan dengan iterasi BHHH dan Modified BHHH pada MLE untuk model fungsi
produksi CD dan CES ?
3. Model fungsi produksi mana yang lebih sesuai (paling cocok) dengan
data sampel yang diberikan ?
Tujuan Eksperimen
Eksperimen ini bertujuan untuk
1. Mengetahui hasil penaksiran parameter-parameter yang dilakukan dengan iterasi Gauss-Newton dan Marquardt-Levenberg pada LSE untuk
model fungsi produksi CD dan CES.
2. Mengetahui hasil penaksiran parameter-parameter yang dilakukan dengan iterasi BHHH dan Modified BHHH pada MLE untuk model fungsi
produksi CD dan CES.
3. Mengetahui model fungsi produksi mana yang lebih sesuai (paling cocok) dengan data sampel yang diberikan.
Metoda Eksperimen
Metoda yang akan digunakan pada eksperimen ini adalah metoda literatur dengan menggunakan data-data eksperimental. Kemudian dilakukan
kalkulasi estimasi terhadap beberapa parameter dengan beberapa metoda
penaksiran LSE dan MLE, yang dilakukan dengan perhitungan iterasi dengan menggunakan pemrograman komputer, hingga diperoleh suatu nilai yang
konvergen. Dilanjutkan dengan melakukan perhitungan data AIC dan/atau
SC untuk nilai yang konvergen dari masing-masing iterasi. Dari hasil perhitungan akhir ini dapat ditentukan model fungsi produksi mana yang lebih
sesuai (paling cocok) untuk data sampel tersebut.
91
Prosedur Eksperimen
Dalam melakukan eksperimen ini, kami menyusun beberapa langkah prosedur yang dilakukan dari awal hinga akhir eksperimen, yaitu
1. Pendekatan teori sampel dan regresi untuk estimasi dan inferensi, khususnya model regresi statistik nonlinier umum. Hal ini dilakukan sebagai
bekal awal pengetahuan teoretis dalam melakukan eksperimen.
2. Menentukan data-data sampel untuk variabel L dan K, yaitu data untuk variabel bebas X yang berukuran 30x2, dan data sampel Q, yaitu
data untuk variabel tak bebas y yang berukuran 30x1.Data-data sampel ini dibuat dalam bentuk matriks LKy yang berukuran 30x3.
3. Melakukan penaksiran parameter-parameter dengan metoda Nonlinear
Least Square Estimator.
4. Menentukan nilai awal (initial values) untuk parameter-parameter ,
dimana nilai awal ini disesuaikan untuk setiap model iterasi untuk
memperoleh kekonvergenan, dengan selisih nilai sebesar 109 .
5. Melakukan perhitungan iterasi untuk parameter-parameter dan perhitungan iterasi untuk nilai S hingga diperoleh suatu nilai yang konvergen untuk keduanya, dengan model iterasi yang digunakan adalah
Gauss-Newton dan Marquardt-Levenberg , keduanya digunakan untuk
model fungsi produksi CD dan CES.
6. Melakukan perulangan penaksiran dengan metoda Nonlinear Maximum Likelihod Estimator.
7. Menentukan nilai awal (initial values) untuk parameter-parameter ,
dimana nilai awal ini disesuaikan untuk setiap model iterasi untuk
memperoleh kekonvergenan, dengan selisih nilai sebesar 1010 .
8. Melakukan perhitungan iterasi untuk parameter-parameter dan perhitungan iterasi untuk nilai L hingga diperoleh suatu nilai yang konvergen untuk keduanya, dengan model iterasi yang digunakan adalah
BHHH dan Modified BHHH, keduanya untuk model fungsi produksi
CD dan CES.
9. Menghitung nilai AIC dan SC pada nilai konvergen yang dihasilkan
dari perhitungan iterasi.
10. Membandingkan nilai-nilai konvergen dan nilai AIC dan SC yang dihasilkan oleh iterasi BHHH dan Modified BHHH, keduanya untuk model
fungsi produksi CD dan CES.
92
11. Menentukan model fungsi produksi mana yang lebih sesuai (paling cocok) untuk data sampel yang diberikan, dengan perbandingan nilai AIC
dan SC.
12. Mengamati dan menganalisa hasil eksperimen.
13. Menyusun laporan.
Daftar Pustaka
[1] Aziz, Abdul, Ekonometrika, Teori Analisis Matematis dilengkapi
Eksperimen dengan Matlab, Jakarta: Prestasi Pelajar , 2007.
[2] Bibby, John, Prediction And Improcved Estimation In lInear Models,
John Wiley & Sons, 1979.
[3] Gujarati, D., Basic Econometrics, McGraw-Hill, Inc., 1978
[4] Greene, William.H, Econometrics Analysis, Macmillan, Inc., 1995
[5] Hamilton, D.J., Time Series Analysis, Princeton University Press, New
Jersey, 1994.
[6] Hogg & Craig, Introduction to Mathematical Statistics, Macmillan, Inc.,
1978.
[7] Judge, G.G., et.al., The Theory and Practice of Econometrics, John
Wiley & Sons, Inc., 1985.
[8] Judge, G.G., et.al., Introduction to Theory and Practice of Econometrics, John Wiley & Sons, Inc., 1988.
[9] Netter, J., et.al., Applied Linear Statistical Models, Richard D.Irwin,
Inc., 1990.
[10] Wonnacot, J.R. & Thomas Wonnacott, Econometrics, John Wiley and
Sons, Inc., 1979.
[11] Walpole &Myers, Probability and Statistics for Engineers and Scientists,
Macmillan Inc., 1989.
93