Nama

: Danang Prihastomo
Nomor Mahasiswa
: 1406587304
MPKP Angkatan 31 Kelas A (Sore)
Ekonometrik Terapan 1
Soal:
1) Properties of Mean, variance, and covariance
2) Define 10 assumptions of CLRM with examples
3)
y (bunyi
jangkrik)

no
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

20
16
20
18
17
16
15
17
15
16
15
17
16
17
14

x (temperatur Farenheit )
89
72
93
84
81
75
70
82
69
83
80
83
81
84
76

a) Calculate coeffients 1 and 2

b) Interpret the results
c) Calculate r2
Jawaban:
1. Properties of Mean, Variance, and Covariance
A. Mean (expected value)
Merupakan cara mengukur tendensi sentral (central tendency) dari suatu distribusi probabilita, atau variable acak yang punya
karakteristik dari distribusi itu sendiri, Mean itu ada berbagai macam kategori misalnya arithmetic mean, geometric mean, harmonic
mean, dsb, namun Secara umum mean (arithmetic mean) dapat diartikan sebagai jumlah total seluruh nilai dalam suatu deret angka,
dibagi dengan jumlah populasi dalam deret angka tersebut (jumlah data dibagi banyak data).
Sifat dari Mean / expected value adalah:
a. Nilai ekspektasi dari suatu konstanta adalah konstanta itu sendiri, misalnya b adalah konstanta, maka E(b) = b
b. Jika a dan b adalah konstanta maka, E(aX+b) = aE(X) + b, secara umu hal ini berarti jika X1, X2, X3,, Xn, dan n adalah variabel
acak, serta a1, a2,.an dan b adalah konstan maka E(a1X1 + a2X2 + .+ anXn + b) = a1E(X1) + a2E(X2) + .. + anE(Xn) + b
c. Jika X dan Y adalah variabel bebas maka, E(XY) = E(X)E(Y), jadi ekspektasi dari perkalian XY adalah perkalian dari ekpektasi
individu X dan Y
B. Variance
Variance adalah ukuran persebaran, varian mengukur seberapa jauh jarak persebaran dari suatu set data. Varians selalu positif atau
nol, sebab dalam penghitungan varians adalah kuadrat dari selisih nilai data dengan rata-rata set data dibagi jumlah banyaknya data
dalam set,
2
2 =
=1(1 )

Nilai varian yang kecil mengindikasikan sebarat datanya sempit (nilai masing-masinbg poin data dekat dengan nilai rata-ratanya
(expected value-nya) sebailiknya bila nilai varian tinggi berarti persebarannya meluas (nilai poin datanya bervariasi dan banyak yang
jauh dari nilai mean)
Sifat dari Varian adalah
a. Varian tidak mungkin negative, (hanya positif atau nol)
b. Varian dari variabel acak yang konstan adalah nol, dengan kata lain, bila varian nol, maka semua data poin nilainya sama.

c. Jika a dan b adalah konstan, maka Var(aX + b) = a2 var(X)

d. Jika X dan Y adalah variabel acak bebas maka var (X + Y) = var (X) + var (Y), atau var (X-Y) = var (X) + var (Y)
e. Jika X dan Y adalah variabel acak bebas, dan a dan b adalah konstanta maka var(aX + bY) = a2 var (X) + b2 var (y)

C. Covariance
Covariance adalah ukuran seberapa banyak 2 variabel acak berubah bersama, positif covariance berarti bila salah satu variabel
semakin besar maka variabel lainnya semakin besar, negative covariance berarti bila salah satu variabel membesar, lainnya
mengecil.
Sifat dari Covariance adalah:
a. Jika X dan Y bebas, maka covariance adalah nol,
b. Cov (a + bX,c = dY) = bd cov(X,Y), dimana a, b, c, d konstanta

2. Define 10 assumptions of CLRM with examples

Asumsi-Asumsi dalam regeresi Ordinary Least Square (OLS) adalah sbb:
a. Model regeresi adalah linier dalam parameter;
Model regresi haruslah linear, meskipun bisa saja sebenarnya variabel terikat Y dengan variabel bebas X tidak linear. Istilah linear
sebenarnya ada dua macam, yaitu linearitas pada variabel dan linearitas pada parameter. Yang disebut dengan linearitas pada variabel
adalah jika digambarkan dalam grafik maka akan berbentuk garis lurus. Misalnya persamaan Y = a + bX. Seandainya persamaannya
adalah Y = a + b X2 maka disebut tidak linear, karena jika digambarkan dalam grafik tidak membentuk garis lurus. Atau secara umum
dapat dikatakan jika X mempunyai pangkat 1. Sedangkan linearitas pada parameter adalah merujuk kepada koefisiennya yaitu b. Jadi
persamaan Y = a + b X^2 dapat disebut linear jika koefisien b mempunyai pangkat 1. Asumsi yang diperlukan dalam regresi linear
adalah linearitas pada parameter, bukan linearitas pada variabel.
b. Nilai X (variabel independen) tetap di dalam sampel yang dilakukan secara berulang-ulang. Dengan kata lain X (variabel
independen) adalah stokastik (deterministik);
Misalnya ada 7 data yang akan dianalisis dengan regresi:

Gaji (juta)
3
3
3
4
4
5
5

Pengeluaran
(juta)
2,5
2
3
3
2,5
4,5
4

Jadi misalnya ambil nilai tetap untuk X, yaitu gaji 3 juta maka sampel pertama mempunyai pengeluaran 2,5 juta. Lalu ambil lagi
sampel kedua dengan gaji 3 juta maka pengeluarannya adalah 2 juta. Demikian seterusnya untuk sampel dengan gaji 4 juta dan 5
juta. Jadi nilai X dianggap tetap pada sampel yang berulang.
c. Disturbance u mempunyai mean nol
Nilai Y hasil prediksi dengan model regresi tentunya mempunyai kesalahan atau tidak tepat sama dengan nilai Y pada data.
Selisihnya sering disebut dengan disturbance dan sering disimbolkan dengan u. Nilai ini harus mempunyai rata-rata sama dengan 0
(eksak). Ketika kita telah mendapatkan garis lurus pada model, maka nilai Y yang sebenarnya bisa berada di atas atau di bawah garis
lurus tersebut, akan tetapi jumlahnya akan seimbang sehingg rata-ratanya sama dengan 0.
d. Homokedasitas atau varian ui adalah tetap untuk semua pengamatan.
Homo berarti sama atau equal, scedasticity berarti disperse atau scatter atau bias juga berarti sebaran. Jadi varians dari error atau
disturbance haruslah sama pada masing-masing nilai X. Sebagai contoh, ada 3 orang dengan gaji 3 juta sehingga memberikan tiga
buah error dan mempunyai varians. Varians ini harus sama (equal) dengan varians error pada nilai X yang lain misalnya 4 juta.

e. Tidak ada autokorelasi antar disturbance.

Asumsi ini masih berkaitan dengan nilai error, yaitu bahwa untuk sembarang 2 buah nilai X, maka kedua error itu tidak berkorelasi
(atau mempunyai korelasi 0). Misalnya error pada X sebesar 3 juta dengan Y sebesar 2,5 dengan error pada X sebesar 3 juta dengan
Y sebesar 2 juta tidak berkorelasi. Pengertian lain adalah misalnya ada persamaan Y = a + b X + u dengan u adalah error. Jika ada
korelasi antara u dengan u-1 (error sebelumnya) maka model akan gagal, karena Y pada model harusnya dipengaruhi oleh X saja,
akan dipengaruhi oleh u.
f.

Covariance antara ui dan Xi adalah nol

Artinya nilai variabel bebas (Xi) dengan error (ui) tidak berkorelasi. Diasumsikan bahwa Y adalah dipengaruhi oleh X dan u, sehingga
X dan u harus tidak saling berkorelasi. Jika X dan u berkorelasi, maka tidak mungkin mencari pengaruh masing-masing terhadap Y.
Jika X berkorelasi positif dengan u, maka jika X meningkat u juga meningkat, atau jika X menurun maka u juga menurun (juga
sebaliknya jika berkorelasi negatif). Sehingga sulit untuk mengisolasi pengaruh X dan u terhadap Y.

g. Jumlah observasi n harus lebih besar daripada jumlah parameter yang akan diestimasi
Sebagaimana dalam matematika, Jika ada dua parameter yang akan dicari nilainya maka tentunya tidak mungkin diselesaikan
dengan satu persamaan (observasi).
h. Nilai X harus bervariasi
Harus ada variasi nilai dalam variabel X. Jika X nilainya sama untuk semua observasi maka tentunya tidak dapat diestimasi
i.

Spesifikasi model regeresi harus benar

Model regresi yang dibangun haruslah benar dalam arti sesuai dengan teori yang telah dikembangkan. Jadi jika menggunakan
variabel yang sembarangan (atau tidak berdasarkan teori tertentu) maka model regresi yang dihasilkan juga patut dipertanyakan.

j.

Tidak ada multikolinearitas yang sempurna, yang ada hanya multikoliniearitas biasa atau tidak sempurna)
Tidak ada hubungan linear yang tinggi antara variabel-variabel bebas dalam model regresi.

3.

no
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

y (bunyi
jangkrik)
20
16
20
18
17
16
15
17
15
16
15
17
16
17
14

a) Calculate coeffients 1 and 2

b) Interpret the results
c) Calculate r2

x (btemperatur
Farenheit)
89
72
93
84
81
75
70
82
69
83
80
83
81
84
76

No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Total
Rata-Rata

X
Y (bunyi
(temperatur
jangkrik)
Farenheit)
20
89
16
72
20
93
18
84
17
81
16
75
15
70
17
82
15
69
16
83
15
80
17
83
16
81
17
84
14
76
249
1202
16,60
80,13

( )2

( )2

( )( )

2
( )

3,40
-0,60
3,40
1,40
0,40
-0,60
-1,60
0,40
-1,60
-0,60
-1,60
0,40
-0,60
0,40
-2,60
0,00

8,87
-8,13
12,87
3,87
0,87
-5,13
-10,13
1,87
-11,13
2,87
-0,13
2,87
0,87
3,87
-4,13
0,00

11,56
0,36
11,56
1,96
0,16
0,36
2,56
0,16
2,56
0,36
2,56
0,16
0,36
0,16
6,76
41,60

78,62
66,15
165,55
14,95
0,75
26,35
102,68
3,48
123,95
8,22
0,02
8,22
0,75
14,95
17,08
631,73

30,15
4,88
43,75
5,41
0,35
3,08
16,21
0,75
17,81
-1,72
0,21
1,15
-0,52
1,55
10,75
133,80

18,48
14,88
19,33
17,42
16,78
15,51
14,45
17,00
14,24
17,21
16,57
17,21
16,78
17,42
15,72
249,00

1,52
1,12
0,67
0,58
0,22
0,49
0,55
0,00
0,76
-1,21
-1,57
-0,21
-0,78
-0,42
-1,72
0,00

3,53
2,97
7,43
0,67
0,03
1,18
4,61
0,16
5,56
0,37
0,00
0,37
0,03
0,67
0,77
28,34

=
=

15
249
=1
=
= 16,6

15

15
1202
=1
=
= 80,13

15

a. Nilai Koefisien dan

=

)(
) ,
=(
=
= ,
)
=(
,

= , (, , ) = ,
=
b. Tinggi rendahnya suhu terhadap frekuensi (banyaknya) suara jangkrik berhubungan secara positif yaitu Semakin tinggi suhu maka
frekuensi suara jangkrik akan lebih sering. Hal ini terlihat pada dengan nilai yang positif yaitu sebesar 0,21.
c. Nilai 2 adalah
=

) ,
=(
=
= ,
)
=(
,