SKRIPSI
SITI RAHAYU
020803045
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2009
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
PERSETUJUAN
Judul
MODEL
REGRESI
YANG
MENGANDUNG AUUTOKORELASI
Kategori
: SKRIPSI
Nama
: SITI RAHAYU
: 020803045
Program Studi
Departemen
: MATEMATIKA
Fakultas
Medan,
Maret 2009
Komisi Pembimbing :
Pembimbing 2
Pembimbing 1
NIP.131474685
NIP. 130810774
Diketahui oleh
Departemen Matematika FMIPA USU
Ketua
PERNYATAAN
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan
ringkasan yang masing-masing disebutkan sumbernya.
Medan,
Maret 2009
SITI RAHAYU
020803045
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
ABSTRAK
Korelasi serial atau autokorelasi adalah suatu keadaan dimana kesalahan pengganggu dalam
periode tertentu, katakan ei berkorelasi dengan kesalahan pengganggu dari periode lainnya
katakan e j . Jadi kesalahan pengganggu tidak bebas, satu sama lain saling berkorelasi, dimana
E (ei , e j ) 0
Apabila kesalahan dari suatu model regresi linier diduga berkorelasi serial, maka model
regresi tersebut bukanlah model regresi yang baik atau dengan kata lain validasi dari model
regresi akan diragukan kecocokannya dengan sebaran data karena dicurigai datanya tidak
independen. Pada skripsi ini akan dibahas mengenai autokorelasi, bagaimana menguji ada
tidaknya autokoleralsi dalam suatu pengamatan, serta tindakan memperbaiki model regresi yang
ternyata mengandung autokorelasi dengan mengunakan metode Durbin Watson.
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
DAFTAR ISI
Abstrak.
Abstract.
ii
Daftar isi
iii
Daftar Table..
BAB I PENDAHULUAN
1.1 Latar Belakang
10
11
12
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
15
16
2.7 Autokorelasi
16
17
19
20
23
23
24
25
26
27
32
4.2 Saran.
32
DAFTAR PUSTAKA
33
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
DAFTAR TABEL
Tabel 1
22
Tabel 2
28
Tabel 3
30
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
BAB I
PENDAHULUAN
Suatu model statistika adalah suatu persamaan matematis yang melibatkan variabel bebas dan
variabel tak bebas dari parameter. Persamaan ini digunakan untuk mengetahui hubungan antara
peubah tersebut yang dapat digunakan untuk keperluan pendugaan atau peramalan. Untuk itu
maka peramalan yang terlibat harus diduga terlebih dahulu.
Dalam statistika, hubungan fungsional antara dua variabel atau lebih dinamakan regresi.
Salah satu bentuk hubungan yang sering dibahas dalam statistika adalah hubungan linier. Model
regresi linier merupakan model untuk menganalisis hubungan antar variabel. Hubungan tersebut
dapat digambarkan dalam bentuk persamaan yang menghubungkan anatara variabel terikat Y
dengan variabel bebas X 1, X 2 ,..., X k . Jika variabel Y dihubungkan dengan satu variabel bebas
(X) disebut regresi linier sederhana. Sedangkan jika variabel Y dihubungkan dengan lebih dari
satu variabel bebas (X), maka persamaan regresinya adalah regresi linier berganda.
Persamaan regresi linier dengan k variabel bebas dapat dinyatakan dengan :
Yi = 1 + 2 xi1 + 3 xi 2 + ... + k 1 xik + ei . (1.1)
Dengan:
Yi
xi
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
ei
Y2 = 1 + 2 x 21 ++ k x 2 k + e2
(1.2)
Yn = 1 + 2 x n1 ++ k x nk + en
Keseluruhan dari persamaan diatas dapat ditulis dengan menggunakan persamaan matriks yaitu :
Y = X + e
Ynx1
Y1
Y
= 2
Yn
X nxk
1 X 11
1 X
21
=
1 X n1
1
= 2
k
(1.3)
X 1k
X 2 k
X nk
dan ' = [1
2 k ]
' = transpose
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
kx1
e1
e
= 2 dan e' = [ e1 e2 ek ]
ek
e' = e transpose
Dengan:
Y = Vektor kolom berukuran n x 1 (n baris dan 1 kolom)
X = Matriks berukuran n x k (n baris dan k kolom)
1 ,, k adalah parameter yang akan ditaksir, dimana dalam pembahasan ini dengan
menggunakan Metode Kuadrat Terkecil (Ordinary Least Square). Penduga dengan OLS akan
menghasilkan taksiran yang diizinkan jika asumsi berikut terpenuhi:
1. Nilai rata-rata kesalahan pengganggu nol, yaitu E( ei ) = 0 untuki = 1,2,,n
2. ei adalah sebuah variabel random riil dan memiliki distribusi normal.
3. Varian dari ( ei ) = E( ei ) = 2 adalah konstant untuk semua kesalahan pengganggu
(asumsi Homoskedastisitas).
4. Tidak adanya autokorelasi antara kesalahan pengganggu, berarti E( ei e j ) = 0, i j
(asumsi nir korelasi serial).
5. Variabel bebas X 1 , X 2 ,, X k
Persamaan regresi (1.1) yang berdasarkan kelima asumsi diatas tersebut merupakan
model regresi linier klasik (Supranto,1995).
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
1.2
Perumusan Masalah
Untuk mengetahui apakah suatu model regresi linier mengandung autokorelasi atau tidak, dapat
diuji dengan menggunakan uji Durbin Watson. Jika terbukti model regresi tersebut mengandung
autokorelasi, maka model tersebut tidak lagi efisien digunakan, karena tidak memenuhi asumsi
bahwa tidak adanya autokorelasi dari nilai-nilai galat. Sehingga perlu dilakukan tindakan
perbaikan, dengan membentuk suatu model regresi linier yang baru yang tidak lagi mengandung
autokorelasi, dengan metode Durbin Watson.
Tujuan penulis adalah untuk menyelesaikan model regresi linier yang mengandung autokorelasi
dengan menggunakan suatu metode yaitu Durbin Watson, sehingga diperoleh model regresi
baru yang bisa tepat atau model yang benar dan tidak mengandung autokorelasi lagi.
Pembahasan ini dilakukan dengan menganggap bahwa asumsi-asumsi lain tetap terpenuhi dan
dibatasi pada masalah autokorelasi dan untuk kesalahan yang mengikuti model autokorelasi
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
tingkat satu (First-Order Autoregresive), yaitu kesalahan e pada satu periode sebelumnya. Model
regresi tersebut dinyatakan sebagai berikut :
et = =
et 1 et 1 + t + t
(1.4)
Dengan :
= koefisien autokorelasi
Langkah II
Langkah III
Dalam pemecahan permasalahan dan penjabaran teori penulis melakukan tinjauan pustaka antara
lain :
1. Maddala.1991, Econometrics, menjelaskan bahwa metode penduga kuadrat terkecil
tidak dapat digunakan secara langsung, pengujian untuk mengetahui ada atau tidaknya
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
korelasi serial yang kekeliruannya mengikuti outoregresi orde pertama adalah Durbin
Watson.
2. Supranto.J, 1995,Ekonometrika Buku Dua, Universitas Indonesia, Jakarta. Dari buku
ini dikutip defenisi dari korelasi serial yaitu korelasi (hubungan) antara nilai-nilai
pengamatan yang tersusun dalam rangkaian waktu (seperti pada data runtun waktu atau
time series data) atau korelasi diantara nilai-nilai pengamatan yang terurut dalam ruang
(data pengamatan merupakan cross-sectional).
3. Ronald J.W dan Thomas H.W,1981, Regresison A Second Course In Statistics. Dari
buku ini dikutip tentang parameter dan interval kepercayaan .
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
BAB II
LANDASAN TEORI
Pada dasarnya analisa regresi diartikan sebagai suatu analisis yang berkaitan dengan studi
ketergantungan dari suatu variabel tak bebas (dependent variable) dengan satu atau lebih
variabel penjelas (independent variable) dengan maksud untuk menduga atau memperkirakan
nilai rata-rata populasi atau nilai-nilai dari variabel tak bebas berdasarkan nilai-nilai tertentu dari
variabel penjelas (variabel bebas). Hubungan antar peubah bebas atau variabel bebas dan
variabel tak bebas yang dicocokkan pada data dan ditandai dengan persamaan prediksi yang
disebut sebagai persamaan regresi, oleh karena itu regresi linier merupakan suatu persamaan
regresi di mana semua variabel yang ada di dalam persamaan itu (baik variabel bebas maupun
varibel tak bebas) bersifat linier, begitu juga dengan parameter koefisien regresi itu bersifat
linier.
Meskipun analisis regresi berurusan dengan ketergantungan satu variabel pada variabel
lain, ini tidak berarti sebab akibat. Suatu hubungan statistik bagaimanapun kuat dan sugestif,
tidak pernah dapat menetapkan hubungan sebab-akibat.
Yi = Yi + ei , maka
ei = Yi - Yi
ei = Yi a bX i
yang menunjukkan bahwa ei (kesalahan pengganggu / residual) merupakan selisih antara Y
yang sebenarnya (hasil pencatatan / observasi) dengan Y perkiraan, yang dihitung berdasarkan
persamaan garis regresi ( Yi ). Yi disebut juga nilai regresi. Dengan ei adalah residu berdistribusi
normal.
Kalau tidak ada kesalahan pengganggu, maka Y akan sama dengan Yi . Kesalahan
pengganggu ini yang menyebabkan suatu perkiraan/ramalan Y tidak tepat. Dengan metode
kuadrat terkecil kita peroleh a dan b yang membuat ei 2 =
minimum . Itulah sebabnya mengapa
n
cara ini disebut least square error. Menurut teori kalkulus, untuk membuat
e
i =1
2
i
= minimum ,
kita harus menurunkannya dua kali, mula-mula terhadap a , kemudian terhadap b , dan
menyamakannya dengan nol, caranya sebagai berikut :
ei2
= 2 (Yi a bX i )(1) = 0
a
ei2
= 2 (Yi a bX i )( X i ) = 0
b
Setelah disederhanakan, kita peroleh persamaan normal sebagai berikut :
Yi
(1) na + b X i =
X iYi
(2) a X i + b X i2 =
(2.1)
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
Xi
Yi
2
b
X iYi
Xi + b Xi =
n
n
( X i ) + b X 2 = X Y
X i Yi
b
i
i i
n
n
2
b X i2 ( X i ) n = X iYi X i Yi n
b=
n X iYi X i Yi
n X i2 ( X i )
(2.2)
Atau
=
b
X iYi
X i2
kalau x=
Xi X
i
(2.3)
y=
Yi Y
i
xi dan yi (huruf kecil) dalam bentuk deviasi terhadap rata-rata X dan Y , a dan b
disebut pemerkira kuadarat terkecil (least square estimator) .
Pemerkira (disebut juga penduga atau penaksir) kuadarat terkecil a dan b dinyatakan
dalam nilai-nilai observasi dari sampel sebanyak n pasang nilai ( xi , yi ) dan merupakan
pemerkira tunggal (point estimator), maksudnya dari suatu sampel tertentu hanya dihitung satu
nilai a dan satu nilai b sebagai perkiraan parameter A dan B. Pemerkira a dan b tersebut
setelah dihitung berdasarkan suatu sampel tertentu akan diperoleh nilai a dan b yang
memungkinkan untuk penggambaran kurva garis regresi Y= a + bX yang mempunyai sifatsifat sebagai berikut :
1.
Melalui titik koordinat ( X , Y ) , hal ini jelas ditunjukkan oleh persamaan (2.1), dimana
a= Y b X
2. Rata-rata Y ( Y ) sama dengan Y , yaitu rata-rata Y perkiraan sama dengan rata-rata
Y observasi.
Y
i
=a+bX i
=(Y-bX)+bX i
=Y-bX+bX i
=Y+b(X i -X), jumlahkan untuk seluruh nilai sampel
Yi = nY + b ( X i X ), oleh karena
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
( X i 2009
X) =
Xi nX =
0, maka
USU Repository
Yi =
nY (bagi dengan n), maka
1
Y =
Y
n
jadi, Y = Y
3.
ei
= Yi Yi = Yi a bX i
ei =(Yi a bX i )
ei =(Yi Y + b X bX i )
=(Yi Y b ( X i X )) =0, kemudian bagi dengan n, maka
1
n
ei =e =0
a) Yi
Y=
na + b X i + ei , (bagi dengan n)
i
b) Y =
a + b X + ei
(Yi Y ) = (a a ) + b( X i X ) + (ei e ), e = 0
Maka,
yi bxi + ei
=
yi bxi , maka ei yi yi
=
(2.4)
(2.5)
Jadi, (2.5) menunjukkan persamaan garis regresi linier sederhana (simple linear regression) yang
dinyatakan dalam bentuk deviasi.
Jika kesalahan e dalam model regresi berkorelasi, maka diperoleh bentuk penaksir kuadrat
terkecil menjadi :
= + ( X ' X ) 1 X '
(2.6)
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
Ini sendiri menunjukkan bahwa masih tetap merupakan penaksir tak bias dari meskipun
kesalahan berkorelasi. Selanjutnya akan dicari Mean, Variansi, Covariansi dari kesalahan
yang berkorelasi sebagai berikut :
1.
Mean
E ( t ) = E r t r = r E ( t r )
r =0
r =0
Dari asumsi E ( t ) = 0 untuk semua t, maka E ( t r ) = 0 , jadi
E ( t ) = 0
2.
. (2.7)
Variansi
E ( ) = E r t r
r =0
2
t
= ( r ) 2 E ( t r ) 2
r =0
= ( r ) 2 var(t r )
r =0
= 2 (1 + 2 + 4 +
asumsikan bahwa :
2 = E ( ' ) = E ( t 1 + t ) 2
= 2 E ( t21 ) + E ( t2 ) + 2 E ( t 1t )
= 2 2 + 2
2
=
1 2
maka variansinya adalah :
2 =
2
1 2
untuk semua t
..
(2.8)
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
2.3
Uji Hipotesa
Untuk memeriksa suatu model regresi mengandung autokorelasi dari nilai-nilai galat, maka kita
harus mengujinya terlebih dahulu. Setelah diperoleh penduga parameter parameter model
regresi linear (1.2) serta variansinya, maka perlu dilakukan uji hipotesa terhadap parameterparameter tersebut untuk mengetahui seberapa jauh keberhasilan model tersebut dalam
menjelaskan variabel respon.
2.3.1 Uji Signifikan dari Regresi
Uji ini menentukan ada atau tidaknya hubungan linier antara variabel respon dengan sekumpulan
variabel penjelas.
H 0 = 1 = 2 = = p = 0
H i = j = 0, j = 1,2,..., p
F0 =
SS R / k
MS R
=
SS E /(n k 1) MS E
(2.9)
Berdistribusi F dengan derajat kebebasan n-k-1, dimana k = p+1. Disini jumlah kuadrat total
dipartisi menjadi jumlah kuadrat regresi dan jumlah kuadrat residual, yaitu :
SS
=
SS R SS E
Y
Dengan: SS E = e' e
n
Yi
Dan karena SS
=
Y ' Y i =1
Y
n
(2.10)
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
2
2
n
n
Yi
Yi
i =1
X 'Y i =1
Y 'Y =
n
n
..
(2.11)
..
(2.12)
Atau : SS
=
SSY SS R
E
n
Yi
SS R = X 'Y i =1
n
Aturan keputusan :
Jika nilai F0 > Fk , n k 1 , H 0 ditolak pada tingkat signifikan
Jika nilai F0 < Fk , n k 1 , H 0 diterima pada tingkat signifikan
Nilai distribusi F diperoleh dari tabel 2 pada lampiran, berdasarkan tingkat signifikansi yang
digunakan dan derajat kebebasan k dan n-k-1.
Teori penaksiran digolongkan menjadi penaksiran titik dan penaksiran selang. Sedangkan cara
melakukan penaksiran ada bermacam-macam diantaranya cara momen, simpangan kuadrat
terkecil, kemungkinan maksimum ataupun sifat penaksiran tak bias linear yang terbaik.
Misalkan sebuah nilai statistik terdistribusi dengan ciri suatu parameter populasi .
Parameter adalah parameter yang akan ditaksir dengan nilai taksiran
yang dapat
mengambil bentuk apa saja seperti rata- rata, ragam, simpangan baku atau koefisien regresi dan
lainlain. Statistik yang digunakan untuk memperoleh nilai taksiran disebut penaksir atau fungsi
keputusan. Penaksir sendiri juga merupakan peubah acak.
Untuk menaksir sebuah parameter
representative. Tentu saja, sebelum melakukan penaksiran perlu diketahui terlebih dahulu
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
penghampir
parameter populasi. Oleh karena itu terlebih dahulu penulis mengetahui ciriciri penaksir yang
baik dan penaksir yang tidak baik. Penaksir yang baik harus memenuhi beberapa syarat,
tergantung kepada besar ukuran contohnya. Pada bab ini akan diuraikan beberapa defenisi
berkaitan dengan kriteria penaksir yang baik. Kriteria penaksir yang baik meliputi ketakbiasan,
efisiensi, dan konsistensi.
(1) Ketakbiasan
Statistik dikatakan penaksir tak bias dari parameter jika E ( ) = = Jika
E ( ) maka E ( ) dinamakan bias. Kriteria ketakbiasan ini menyatakan bahwa
X =
Maka
1
( X 1 + X 2 + + X n ) merupakan penaksir tak bias dari , karena :
n
1
1
E (X ) = E ( X 1 + X 2 + X n ) = E ( X 1 + X 2 + X n )
n
n
1
1
= {E ( X 1 ) + E ( X 2 ) + E ( X n )} = n = .
n
n
Tetapi kriteria tak bias saja tak cukup selama variansi sebagai ukuran penyebaran suatu
penaksir tak bias diketahui. Yang diinginkan penaksir tak bias dengan variansi terkecil yang
merupakan kriteria efisiensi.
(2) Efisiensi
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
Jika 1 dan 2 adalah penaksir tak bias untuk parameter , maka 1 dinamakan lebih
efisien dari 2 jika Va ( 1 ) < var ( 2 ) r. Kriteria ini menyatakan bahwa penaksir yang
mempunyai penyimpangan terkecil dari rataannya adalah yang paling efisien.
(3) Konsistensi
Penaksir parameter dikatakan konsiten bila nilai taksiran akan sama dengan parameter
yang ditaksir dengan bertambahnya ukuran contoh sampai tak terhingga. Bila ukuran contoh
semakin besar, penaksir akan mendekati titik tertentu, bias semakin kecil demikian pula
dengan nilai ragamnya. Jadi,penduga adalah penaksir konsisten bagi parameter populasi.
Adapun besar kesalahan kuadrat rata rata penaksir terdiri atas ragam dan bias kuadrat yang
dihitung sebagai berikut:
MSE =
( ) E ( )
=E E ( ) + E ( )
= E E ( ) + 2 E E ( ) E ( ) + E [ ]
2
2
n
+0
2
n
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
Misalkan z = f ( x, y ) fungsi 2 variabel yang terdefenisi disekitar titik ( x, y ) . Turunan parsial dari
f terhadap x adalah turunan z terhadap x dan y tetap konstan
Turunan parsial z = f ( x, y ) terhadap x ditulis:
z=
f ( x, y ) = f (x, y ) didefenisikan sebagai berikut:
x
x
f ( x + h, y ) f ( x, y )
f (x, y ) = f x ( x, y ) = lim
h 0
x
h
z=
f ( x, y ) = f (x, y ) didefenisikan sebagai berikut:
y
y
f ( x, y + k ) f ( x, y )
f ( x, y ) = f y (x, y ) = lim
k 0
y
k
2.6 Analisa Korelasi
Analisa korelasi merupakan suatu analisis yang digunakan untuk mengukur keeratan hubungan
antar variabel. Perhitungan derajat keeratan didasarkan pada persamaan regresi. Derajat keeratan
di antara dua variabel disebut koreladi sederhana (simple correlation), derajat keeratan yang
berkaitan dengan tiga atau lebih variabel disebut sebagai korelasi berganda (multiple
correlation).
Analisa regresi dari korelasi sederhana menunjukkan hubungan antara dua variabel, yakni
1 variabel bebas dan 1 variabel tak bebas. Sedangkan analisa regresi berganda dan analisa
korelasi berganda menggunakan tiga atau lebih variabel, satu varibel tak bebas dan dua atau
lebih variabel bebas.
Perlu diingat bahwa tingginya tingkat korelasi tidak menunjukkan hubngan sebab akibat
antar variabel, mungkin diperoleh korelasi yang tinggi antar dua variabel namun tidak
mempunyai hubungan.
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
Untuk melihat korelasi antara variabel bebas dan tak bebas dapat dilihat melauli formula:
r=
n X i Yi ( X i )( Y)
{n Y
( Y) 2 }{n X i2 ( X i ) 2 }
(2.13)
2.7 Autokorelasi
Salah satu asumsi penting dari beberapa asumsi model linier klasik adalah bentuk gangguan dari
pengamatan yang berbeda (ei , e j ) bersifat bebas. Dengan kata lain asumsi ini mengharuskan
tidak terdapatnya korelasi diri atau korelasi serial (autokorelasi) di antara bentuk ei yang ada
dalam fungsi regresi populasi.
Pada dasarnya autokorelasi dapat didefinisikan sebagai korelasi di antara nilai-nilai
pengamatan yang terurut dalam waktu (time series data) atau nilai-nilai pengamatan yang terurut
dalam ruang (cross-sectional data).
Autokorelasi berkaitan dengan hubungan antara nilai-nilai yang berurutan dari variabel
yang sama. Dengan demikian terlihat adanya perbedaan pengertian antara autokorelasi dengan
korelasi. Yang mana sama-sama mengukur derajat keeratan hubungan. Korelasi mengukur
derajat keeratan hubungan di antara dua buah variable yang berbeda, sedangkan autokorelasi
mengukur derajat keeratan hubungan di antara nilai-nilai yang berurutan pada variable yang
sama atau pada variable itu sendiri.
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
Autokorelasi merupakan
hubungan antara nilai-nilai yang berurutan dari variabel yang sama atau variabel itu sendiri.
Timbulnya masalah kesalahan yang berkorelasi serial biasanya disebabkan oleh salah
satu asumsi yang tidak terpenuhi. Meskipun adanya autokorelasi, koefisien penduga parameter
masih bersifat tak bias, dalam pengertian bahwa nilai harapan sama dengan parameter yang
sesungguhnya, hanya saja varians dari koefisien penduga itu akan menjadi lebih besar. Dengan
demikian apabila bentuk gangguan mempunyai autokorelasi, maka varians dari penduga Metode
Kuadrat Terkecil akan menjadi lebih besar dari pada penduga lainnya. Sehingga penaksiran
dengan menggunakan Metode Kuadrat Terkecil tidak akan menghasilkan parameter seperti yang
diinginkan.
Apabila bentuk gangguan menunjukkan atau memperlihatkan adanya korelasi serial atau
autokorelasi, maka hal ini akan berpengaruh pada nilai galat baku (standart error) dari parameter
dugaan atau galat baku dari koefisien penduga parameter model. Seperti telah dikemukakan
dalam pembatasan masalah pada BAB I, bahwa error kesalahan diasumsikan memenuhi
hubungan :
et = et-1 + t
(2.14)
dan apabila langkah tersebut dilakukan terus menerus untuk periode (r besar), maka diperoleh :
et = t + t-1 + 2 t-2 +
maka :
et = r t r
r =0
Yt = 0 (1 ) + 1 X t 1 X t 1 + Yt 1 + t
Yt * = (Yt Yt-1 )
X=
(X t X t-1 )
t*
sehingga E ( t ) = 0
nilai-nilai dari periode sekarang akan tergantung pada periode sebelumnya. Jika variabel
yang memiliki sifat autokorelasi ini dihilangkan atau dikeluarkan dari model atau
dipisahkan dari sekumpulan variabel penjelas yang lain, maka jelas hal ini akan
berpengaruh yang direfleksikan dalam variabel gangguan e , sehingga nilai-nilai dari
gangguan akan mengandung autokorelasi. Kasus ini sering disebut sebagai quasiautocorrelation, krena merupakan pola autokorelasi dari variabel penjelas (X) yang
dihilangkan yang muncul dalam model regresi itu, bukan menunjukkan pola perilaku dari
nilai-nilai e yang sesungguhnya.
2. Adanya kesalahan spesifikasi bentuk matematik dari model. Jika kita merumuskan atau
menetapkan bentuk matematik yang berbeda dari bentuk hubungan yang sesungguhnya,
maka nilai-nilai gangguan akan menunjukkan autokorelasi.
3. Adanya fenomenal Cobweb, di mana nilai variabel yang sekarang bereaksi atau
ditentukan oleh variabel sebelumnya.
4. Di dalam analisis regresi yang melibatkan data deret waktu, jika model regeresi
mengikutsertakan tidak hanya nilai-nilai sekarang, tetapi juga nilai-nilai pada waktu yang
lalu sebagai variabel penjelas, maka variabel itu disebut sebagai model distribusi lags.
5. Adanya manipulasi data. Di dalam anlisis empirik, data mentah sering dimanipulasi.
Sebelum membahas manipulasi data, maka perlu dikemukakan di sini bahwa kata
manipulasi tidak berkaitan dengan hal-hal negatif seperti memalsukan data, mengarang
data, dan sebagainya, tetapi manipulasi data yang dimaksudkan di sini adalah suatu
teknik mengubah data yang berkonotasi positif, di mana teknik mengubah data atau
memperkirakan data itu dapat dibenarkan tetapi sering menimbulkan masalah yang
berkaitan dengan betuk gangguan.
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
=
et et 1 + t
Adapun beberapa asumsi yang melandasi Uji Durban Watson ini antara lain :
1. Uji Durbin Watson diterapkan untuk model regresi yang mencakup parameter 0 ,
dengan kata lain dipergunakan untuk model regresi yang mengandung intersep.
2. Variabel variabel penjelas X , adalah nonstokastik, atau bersifat tetap dalam penarikan
contoh yang berulang (Repeated Sampling)
3. Bentuk gangguan et dibangkitkan melalui pola regresi diri order pertama dengan
mengambil bentuk =
: et et 1 + t
4. Model regresi tidak mencakup nilai nilai lag dari variabel tak bebas sebagai suatu
variabel penjelas.
5. Tidak ada parameter yang hilang dalam data, dengan demikian uji Durbin Watson dapat
digunakan untuk model regresi yang dibangun berdasarkan data yang lengkap, terutama
untuk data deret waktu.
Uji Durbin Watson ini sendiri dirumuskan sebagai berikut :
n
d=
(e
t =2
et 1 ) 2
..
e
t =1
(3.15)
2
t
Kebaikan dari statistik Uji d Durbin Watson ini sendiri adalah bahwa perhitungannya didasarkan
atas ei , perkiraan residual pengganggu ei yang secara rutin dihitung didalam analisis regresi.
e
sama. Sehingga e = e
Karena
2
t
2
t 1
dan
2
t
et et 1
d ~ 2 1
et2
2
t 1
(2.16)
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
e e
e
t t 1
2
t
(2.17)
Sebagai penduga dari koefisien autokorelasi tingkat satu ( ) , yang nilainya berada pada
1 < < 1 , maka dengan menggunakan persamaan (2.17) bentuk persamaan (2.16) dapat
dinyatakan sebagai berikut :
d ~ 2(1 )
(2.18)
Ini berarti bila mendekati 0 yang menunjukkan tidak adanya autokorelasi, d akan mendekati
2. Demikian pula bila mendekati 1, yang menunjukkan ada autokorelasi serial positif, d akan
mendekati 0, dan bila mendekati -1, ini menunjukkan ada korelasi serial negatif, d akan
mendekati 4.
Dari uraian yang dikemukakan, maka dapat ditarik kesimpulan tentang beberapa sifat dari
uji Durbin Watson antara lain:
1. H 0 : = 0 (Tidak ada autokorelasi)
H1 : 0 (Ada autokorelasi)
2. H 0 : = 0 (Tidak ada autokorelasi
H1 : > 0 (Ada autokorelasi positif)
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
Dengan demikian statistik d Tidak ada autokorelasi yang dihitung berdasarkan persamaan
(3.1) akan dibandingkan atau dilihat hasilnya dari tabel keputusan Durbin-Watson untuk
memperoleh kesimpulan apakah perlu menolak atau menerima H 0 . Kadah keputusan dari Uji
Durbin-Watson dapat diikuti dalam tabel 1.
Masalah yang mendasar dari Uji Durbin-Watson ini adalah tidak diketahui secara tepat
mengenai distribusi dari statistik d ini sendiri. Meski demikian Durbin-Watson telah berhasil
menghitung batas atas dU dan batas bawah d L dari nilai nilai kritis tersebut.
Tabel 1
Kadah Keputusan Durbin-Watson
Hiptesis nol ( H 0 )
Keputusan
Tolak H 0
0 < d < dL
Tidak ada
d L d < du
Tolak H 0
Tidak ada
Tarima H 0
Jika
4 dl < d < 4
4 du d 4 dl
dU < d < 4 dU
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
BAB III
PEMBAHASAN
3.2
Masalah autokorelasi mempunyai akibat yang cukup serius dalam suatu model regresi. Ada
beberapa cara untuk mendeteksi ada tidaknya autokorelasi dalam pengamatan yang sedang
diselidiki, untuk pengamatan ini dipakai uji Durbin Watson.
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
d=
(e
t =2
et 1 ) 2
e
t =1
2
t
Mekanisme tes Durbin Watson adalah sebagai berikut, dengan mengasumsikan bahwa
asumsi yang mendasari tes telah terpenuhi :
1. Lakukan regresi OLS dan dapatkan residual ei .
2. Hitung d dari persamaan diatas.
3. Untuk ukuran sampel tertentu dan banyaknya variabel yang menjelaskan tertentu,
dapatkan nilai kritis dL dan dU.
4. Jika hipotesa H0 adalah bahwa tidak ada autokorelasi positif, maka
d < dL : menolak H0
d < dU : tidak menolak H0
dL d dU : pengujian tidak meyakinkan
5. Jika hipotesa H0 adalah bahwa tidak ada autokorelasi negatif, maka
d > 4- dL : menolak H0
d > 4- dU : tidak menolak H0
4- dU d 4- dL : pengujian tidak meyakinkan
6. Jika hipotesa H0 adalah dua-ujung , bahwa tidak ada autokorelasi baik positif atau
negatif, maka
d < dL : menolak H0
d > 4 dL : menolak H0
dU < d < 4 - dU : tidak menolak H0
atau jika, dL d dU dan 4 dU d 4- dL , maka pengujian tidak meyakinkan.
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
Seperti langkah tadi menunjukkan kelemahan besar dari tes d adalah bahwa jika d tadi
jatuh dalam daerah yang meragukan, jadi tidak dapat disimpulkan apakah autokorelasi ada atau
tidak ada. Sehingga memungkinkan untuk menggunakan tes lain harus juga di perhatikan.
H0
H0
Untuk mengetahui nilai dugaan para meter , yaitu , maka dapat ditentukan dengan
menggunakan formula berikut :
n
e e
t =2
n
t t 1
e
t =2
(3.4)
2
t 1
var( ) =
s2
n
e
t =2
(3.5)
2
t 1
dengan :
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
e
t =2
s2 =
2
t
( et et 2 ) 2
t =2
e
t =2
2
t 1
(n 1) k
(3.6)
Dalam persamaan (3.6) yang dimaksud dengan (n-1) adalah banyaknya pengamatan yang
digunakan untuk membangun model regresi, maka data akan kehilangan satu nilai pengamatan
dimana pengamatan pertama tidak dapat dipergunakan karena nilai untuk et 1 pada pengamatan
pertama tidak ada. Sedangkan k adalah banyaknya parameter yang diduga dalam model
autokorelasi dan dilihat dari pola regresi diri=
et et 1 + t , maka jelas banyaknya parameter
yang diduga adalah 1, yaitu regresi diri orde pertama .
3.3 Tindakan Perbaikan dengan Pendugaan Berdasarkan Metode Dua Tahap Durbin
Usaha perbaikan terhadap model yang regresi yang mengandung autokorelasi adalah dengan
membangun persamaan beda umum, untuk dapat membangun persamaan regresi beda umum,
perlu menduga koefisien autokorelasi ( ), agar dipergunakan
dalam mentransformasikan
(3.1)
Prosedur pendugaan berdasarkan metode dua tahap Durbin dapat mengikuti langkah berikut :
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
(3.2)
( X t X t -1 )
X=
t*
(3.3)
Yt =
*
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
3.5
Contoh Penerapan
Untuk memperoleh gambaran yang lebih jelas tentang kegunaan teori yang telah diuraikan, maka
didalam bab ini penulis sajikan sebuah contoh pemakaiannya.
Data yang digunakan dalam contoh ini dikutip dari Buku Ekonometrika Terapan Dua,
yaitu tentang data impor (Yt ) dan GNP dari suatu negara (data hipotesis) selama 20 tahun. Data
diukur dalam milyar rupiah harga constan tahun tertentu yang datanya disajikan dalam tabel 2
berikut :
Tabel 2
Data Impor dan GNP dari suatu Negara
t
Xt
Yt
Yt
t 1
21777
3748
3632
116
22418
4010
3812
198
116
22308
3711
3781
-70
198
23319
4004
4064
-60
-70
24180
4151
4305
-154
-60
24893
4569
4505
64
-154
25310
4582
4622
-40
64
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
25799
4697
4758
-61
-40
25886
4753
4783
-30
-61
10
26868
5062
5058
-30
11
28134
5669
5412
257
12
29091
5628
5680
-52
257
13
29450
5736
5781
-45
-52
14
30705
5946
6132
-186
-45
15
32372
6501
6599
-98
-186
16
33152
6549
6817
-268
-98
17
33764
6705
6989
-284
-268
18
34411
7104
7170
-66
-284
19
35429
7609
7455
154
-66
20
36200
8100
7671
429
154
Data dalam tabel diatas akan diuji apakah terdapat autokorelasi atau tidak dengan
menggunakan Metode Kuadrat Terkecil (OLS).
Langkah-langkah untuk menyelesaikan contoh penerapan di atas adalah sebagai berikut:
1. Menentukan persamaan regresi dari table 2. Dengan menggunakan OLS diperoleh
persamaan regresi :
Y =
2, 465, 29 + 0, 28 X t
2. Hipotesis :
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
20
t2 = 561324
t =2
20
t =2
t 1
t =2
2
t 1
20
= 207.906
t =1
2
t
= 390739
= 574780
d=
t =2
e
t =1
20
20
t =2
t =2
20
ete + et21 2 e et 1
(et et 1 )2
=
2
t
t =2
20
e
t =1
2
t
Dari tabel Durban Watson dapat dita bahwa untuk taraf nyata 5% dengan k = 1 dan n =
20, diperoleh :
Dapat disimpulkan bahwa H0 di tolak, yang menyatakan bahwa tidak ada autokorelasi,
karena d yang di hitung berada dalam nilai:
0 < d < d L = 0 < d < 1.201
Dengan demikian regresi tidak memenuhi asumsi tentang tidak adanya autokorelasi dari
nilai gangguan, karena berdasarkan pengujian menunjukkan bahwa model regresi impor
terhadap GNP mengandung autokorelasi untuk itu perlu dilakukan tindakan perbaikan
terhadap model regresi yang mengandung autokorelasi.
9. Tindakan perbaikan
Karena pada model masih terdapat autokorelasi maka perlu dilakukan tindakan perbaikan
dengan menggunakan transformasi data srbagai berikut
Tabel 3
Transformasi data dari tabel 2
Tahun Ke-i
Yt 1
X t 1
Yt *
Xt *
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
3748
4010
22418
3748
21777
2016
10833
3711
22308
4010
22418
1578
10382
4004
23319
3711
22308
2030
11451
4151
24180
4004
23319
2021
11774
4569
24893
4151
24180
2361
12029
4582
25310
4569
24893
2151
12067
4697
25799
4582
25310
2259
12334
4753
25886
4697
25799
2254
12161
10
5062
26868
4753
25886
2533
13097
11
5669
28134
5062
26868
2976
13840
12
5628
29091
5669
28134
2612
14124
13
5736
29450
5628
29091
2742
13974
14
5946
30705
5736
29450
2894
15038
15
6501
32372
5946
30705
3338
16037
16
6549
33152
6501
32372
3090
15930
17
6705
33764
6549
33152
3221
16127
18
7104
34411
6705
33764
3537
16449
19
7609
35429
7104
34411
3830
17122
20
8100
36200
7609
35429
4052
17352
Dari tabel 2 diatas ; terlihat bahwa proses pembedaan data telah mengakibatkan kehilangan satu
buah pemgamatan yang pertama (t = 1), sehingga pendugaan terhadap persamaan regresi beda
umum hanya menggunakan n 1 = 19 buah data Y* dan X*. untuk kasus regresi yang
mengandung autokorelasi maka akan diduga parameter autokorelasi berdasarkan formula :
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
e e
t t 1
t =2
n
e
t =2
2
t 1
................
(4.1)
transformasi berikut:
Yt * = (Yt 0,532Yt 1 )
X t* = ( X 0,532 X t 1 )
0* = 0 (1 0,532) = 1377,779
1* = 0,296
Selanjutnya akan diuji autokorelasi dengan Uji Durbin-Watson, sebagai berikut :
n
d=
(e
t =2
et 1 ) 2
e
t =1
2
t
Dari kriteria penolakan Durbin Watson, untuk k = 1 ; n = 19 dan taraf nyata = 0.05 maka
diperoleh d L = 1,180 dan dU = 1,401
10. Kesimpulan.
Oleh karena d yang dihitung berada dalam selang penerimaan H 0 , yaitu terletak dalam
selang dU < d < 4 dU = 1,401 < d < 2,599 , maka sesuai kaidah keputusan Durbin
Watson, yang menyatakan tidak ada autokorelasi, baik autokorelasi positif maupun
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
autokorelasi negatif dari nilai-nilai gangguan. Maka persamaan regresi (4.1) adalah model
regresi yang tepat.
Usaha perbaikan terhadap model regresi (3.8) yang mengandung autokorelasi adalah
dengan membangun persamaan regresi beda umum. Untuk itu perlu menduga parameter
koefisien autokorelasi agar dipergunakan dalam mentransformasikan variabel asli Y dan X
kedalam variabel transformasi Y * dan X *
Untuk kasus model regresi (3.8) yang mengandung autokorelasi, maka akan diduga
parameter autokorelasi berdasarkan formula (3.3) dan diperoleh hasil = 0.532. Setelah
diperoleh , maka dapat dirumuskan kembali model regresi (3.8) menjadi persamaan beda
umum sebagai berikut :
( Yt - 0.532 Yt 1 ) = 0 * + 1 * ( X t - 0.532 X t 1 ) + t
Dengan :
0 * = 0 (1- ) = 0.468 0
t = t - 0.532 t 1
Persamaan di atas dapat ditulis secara sederhana sebagai berikut :
Yt * = 0 * + 1 * X t * + t
Dengan : Yt * = ( Yt - 0.532 Yt 1 )
X t * = ( X t - 0.532 X t 1 )
t = 2,3,4,...,20
BAB IV
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
4.1. KESIMPULAN
Dari pembahasan yang telah dikaji didapat kesimpulan sebagai berikut :
1. Terjadinya
masalah
autokorelasi
mengakibatkan
penaksiran
parameter
yang
menggunakan metode kuadrat terkecil tetap menghasilkan penduga yang tak bias, tetapi
varian penduganya tidak minimum lagi. Bahkan taksiran dari 2 menjadi taksiran yang
bias. Dengan demikian penguji untuk parameter akan membuat kesimpulan yang salah.
2. Cara yang digunakan untuk mendeteksi atau menguji ada atau tidaknya autokorelasi
adalah dengan menggunakan metode Uji Durbin-Watson.
3. Model regresi yang mengandung autokorelasi bukanlah model yang tepat untuk
menggambarkan keadaan yang sebenarnya.
4. Model regresi yang mengandung autokorelasi di perbaiki dengan menggunakan Metode
Dua Tahap Durbin, sehingga model yang terakhir dengan menggunakan Uji Dua Tahap
Durbin adalah model yang tepat untuk menggambarkan keadaan yang sesungguhnya
4.2 SARAN
1. Karena penyelesaian sistem persamaan dalam hal terdapat autokorelasi cukup sulit
diselesaikan, maka jika data deret waktu berganda dimana kekeliruannya berkorelasi
serial tidak terlepas dari transformasi data untuk menghilangkan autokorelasi dalam
model guna membentuk model regresi yang baru.
2. Dalam data deret waktu sebelum digunakan sebaiknya lebih dahulu diuji autokorelasi
dari residual dengan menggunakan statistik uji Durbin watson atau uji lain dalam hal ini
modelnya mengikuti AR(1) atau penguji lain yang sesuai.
DAFTAR PUSTAKA
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009
Nachrowi, Nachrowi J. 2002. Penggunaan Tehnik Ekonometrika. PT. Raja Grafindo Persada.
Jakarta.
Ronald, J.W. and Thomas, H.W. 1981.Regression A Second Course In Statistic. Jhon Wileyand
Son.New York.
Supranto, J. 2005. Ekonometrika Buku Satu. Penerbit Ghalia Indonesia. Ciawi. Bogor.
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009.
USU Repository 2009