13 Ekonometrika
13 Ekonometrika
PENDEKATAN EKONOMETRIK
EKONOMETRIKA
Sebagai Suatu Ilmu
Statistik Ekonomi:
Berhubungan dgn pengumpulan, pemrosesan dan
penyajian data ekonomi dalam grafik dan tabel.
Statistik Matematis (Statistik Inferensi):
Didasarkan pada Teori Probabilitas melalui metodemetode pengukuran yang dibangun atas dasar
ekperimen/percobaan yang terkendali dan terencana
dengan cermat.
Ekonometrika mengkombinasikan keempat ilmu diatas
untuk mengetahui kondisi riil dari hubungan-hubungan
kuantitatif di dlm kehidupan ekonomi modern.
TUJUAN EKONOMETRIKA
Membantu dalam mencapai 3 tujuan berikut:
M O D E L
Penyederhanan dan abstraksi dari realitas perilaku
ekonomi menjadi bentuk yang lebih sederhana dengan
menerapkan prinsip kehati-hatian.
Model tidak sama dengan Realitas
Tapi model yang baik dapat menerangkan dan
meramalkan sebagian besar dari apa yang terjadi dengan
realitas.
Bentuk-bentuk Model:
Matematis
Skema
Grafis
Diagram
Model Ekonomi:
Konstruksi teoritis atau kerangka analisis ekonomi
yang terdiri dari himpunan konsep, definisi, asumsi,
persamaan, kesamaan (identitas) dan ketidaksamaan darimana kesimpulan akan diturunkan.
Theorytical Plausibility
Explanatory ability
Forecasting ability
Simplicity
Spesifikasi Model
Model Matematika:
Teori yang sudah dinyatakan dispesikasikan
ke dlm bentuk model (persamaan)
matematika
Fungsi konsumsi Keynes:
C=a+bY
a = parameter konstanta, a > 0.
b = parameter slope, 0<MPC<1.
Model persamaan tunggal
Konsumsi berhubungan linear, positif
Bersifat deterministik (pasti)
Penetapan restriksi sangat penting
Model Ekonometrika:
C=a+bY+
Hubungan antar variabel ekonomi bersifat
Stochastik.
= error term, mrpk variabel random
(stochastic) mewakili variabel2 lain yg
tidak termasuk kedalam model.
Pengumpulan Data
Sumber data
Definisi
Jenis
Cross section
Time series
Panel (Gabungan Cross section dan time
series)
Estimasi Model
Identifikasi Model:
Prosedur utk mendapatkan koefisien parameter
Menentukan apakah hubungan dpt diestimasi
secara statistik
Berhubungan dg masalah perumusan model
Misal:
Qd = f(P) :
Demand
Qs = f(P) :
Supply
Qd = Qs :
Market clearance
Model diatas meragukan, krn apakah koefisien
parameter milik Qd atau Qs.
perlu penambahan variabel shifter
Estimasi Model
Agregasi dalam Model:
Agregasi komoditi
Agregasi spasial
Misagregasi dalam model menyebabkan:
agregasi yang bias
estimasi yang bias
Estimasi Model
Pengujian derajat korelasi antar variabel:
Estimasi Model
Pemilihan teknik yang tepat:
Single equation:
Ordinary Least Squares (OLS)
Indirect Least Squares
(ILS)
Two Stage Least Squares (2SLS)
Limited Information of Max. Likelihood (LIML)
Simultaneous equation:
Three Stage Least Squares (3SLS)
Full Information of Max. Likelihood (FIML)
Estimasi Model
Pemilihan teknik estimasi tergantung:
Bentuk hubungan dan syarat identifikasi
Persyaratan estimasi:
- Unbiasedness
- Consistency
- Efficiency
Tujuan penelitian ekonometrika
Kesederhanaan teknik
Waktu dan biaya
Evaluasi Model
Pengujian Hipotesis
Menguji apakah hasil estimasi parameter sesuai
dengan yang diharapkan teori.
Misal:
C = 230 + 0.45 Y
Ini berarti selama periode pengamatan:
1. Meskipun tidak ada pendapatan, jumlah
konsumsi
rata-rata sebesar Rp. 230 (dissaving).
2. Kenaikan pendapatan sebesar Rp. 1000, maka
konsumsi meningkat rata-rata sebesar Rp. 450.
Tapi apakah nilai-nilai tersebut secara statistik
significant?
Aplikasi Model
Peramalan (forecasting)
Misal: Berapakah pengeluaran konsumsi jika
tingkat
pendapatan masyarakat sebesar Rp. 2000.
Model yang sudah dievaluasi:
C = 230 + 0.45 Y
C = 230 + 0.45 (2000)
C = 1130.
Analisis kebijakan.
Cov ( X , Y )
(Var X ).(Var Y )
KORELASI
Korelasi mengukur derajat hubungan antara 2
atau lebih variabel.
Hubungan antara 2 Variabel (Misal X dan Y) dapat
linear, non-linear, positif atau negatif.
. .
.. .. X
. ..
Y .
. .
. . .
..
..
. .
. .
X
.
Y
.
X
. .
. .
.. ..
. ..
.
. .
.. ..
. ..
Y .
Korelasi Linear:
If semua titik (X,Y) pd diagram pencar
mendekati bentuk garis lurus.
Korelasi Non-linear:
If semua titik (X,Y) pd diagram pencar
tidak membentuk garis lurus.
Korelasi Positif:
If jika arah perubahan kedua variabel
sama If X naik, Y juga naik.
Korelasi Negatif:
If jika arah perubahan kedua variabel
tidak sama If X naik, Y turun.
( X i X )(Yi Y )
( X i X ) (Yi Y )2
2
Pengujian Korelasi
Meskipun mungkin telah diperoleh nilai koefisien korelasi
dari hasil perhitungan di atas, namun keberartian nilai
tersebut perlu di uji secara statistik. Hipotesis yang diuji
adalah :
Ho : Koefisien korelasi adalah sama dengan nol
Ha : Koefisien korelasi tidak sama dengan nol, atau berarti
n2
(1 r 2 )
.............
Kriteria pengujiannya :
Ho ditolak jika nilai t-hitung lebih besar daripada t-tabel
dengan derajat bebas n-2, dan demikian pula sebaliknya.
Langkah IV:
Estimasi model
No
Model Persamaan
Ekonometrik
Model Persamaan
Tunggal
Model
Persamaa
n
Sederhan
a
Model Persamaan
Simultan
Model
Persamaa
n
Berganda
Bentuk Model
Persamaan
Persamaan Linear
Persamaan NonLinear
.
0
i = b 0 + b1 X i
Yi
.
.
.
.
Yi
Variation
in Y
= 0 + 1 Xi + i
Systematic
Variation
Random
Variation
Asumsi-asumsi mengenai i:
1. i adalah variabel random yg menyebar normal
2. Nilai rata-rata i = 0, e(i) = 0.
3. Tidak tdpt serial korelasi antar i cov(i,j) = 0
4. Sifat homoskedastistas, var(i) = 2
5. cov(i,Xi) = 0
6. Tidak terdapat bias dalam spesifikasi model
7. Tidak terdapat multi-collinearity antar variebel penjelas
E(Yi) = 0 + 1 Xi
Yi = 0 + 1 Xi + i
Nilai rata2 Yi :
E(Yi) = 0 + 1 Xi
I = Yi - E(Yi)
X1
X2
X3
ei
ui
^Yi
Y X
E (Y) X
Yi
Xi
SRF
PRF
H0
H1
Uji Koeff. X
:
H1
H0
:
:
0 = 0
0 0
1 = 0
: 1 0
:
:
Contoh :
Sehingga dapat disajikan hasil sebagai berikut :
Konsumsi = 24.455 + 0.509*Income
R2 = 0.962
S.E
t-hitung =
F hit = 202,868
Df
=8
(6.414)
3.813
(0.036)
14.243
Estimasi Parameter
Model Regresi Sederhana
Yi = 0 + 1 Xi + i
Metode Kuadrat Terkecil
(Ordinary Least Square OLS):
Prinsip: Meminimumkan nilai error mencari
jumlah
penyimpangan kuadrat (i2) terkecil.
i = Yi - 0 - 1 Xi
i2 = (Yi - 0 - 1 Xi)2
i2 = (Yi - 0 - 1 Xi)2
i2 minimum jika:
i2 /0 = 0 2 (Yi - 0 - 1 Xi) = 0
i2 /1 = 0 2 Xi (Yi - 0 - 1 Xi) = 0
b1 =
(Xi X)2
b0 = Y - b1X
dimana
b0 dan b1 nilai penduga untuk 0 dan 1.
X dan Y adlh nilai rata2 pengamatan X dan Y
Standar error:
2
SE(b1) =
SE(b0) =
(Xi X)2
Xi2
N (Xi X)2
s = (i2 /n-2)2
dan
i2 = (Yi Y)2
i = 1 + 2 Xi
(3)
Yi = i + i
(4)
2 =
=
=
(5)
i = nilai residual
(Xi )2 Yi Xi XiYi
n XiYi Xi Yi
i = Yi - i
n Xi2 (Xi)2
(Xi X)(Yi Y)
(Xi X)2
n xiyi
xi2
1 =
n Xi2 (Xi)2
= Y 2 X
Koefisien parameter untuk 1 dan 2
Var(1) =
Var(2) =
Xi2
n xi2
Se(1) =
2 =
i2
n2
2
Xi2
Xi2
Var(1) =
Xi2
n xi 2
i2 = yi2 22 xi2
= yi2
(xi yi) 2
xi2
Koefisien Determinasi
Y
TSS
Y
1 + 2 X i
RSS
ESS
1=
X
r2 =
ESS
TSS
atau
= 1
ESS
TSS
(i - Y)2
(Yi - Y)
= 1
ESS
TSS
(Yi - Y)
r2 = 22
i2
(Yi - Y)
TSS
(i - Y)2
Atau:
RSS
i2
+
(Yi - Y)2
xi2
yi2
(xi yi) 2
xi2 yi2
MODEL
REGRESSI LINIER BERGANDA
Model yg memperlihatkan hubungan antara satu variable
terikat (dependent variable) dgn beberapa variabel bebas
(independent variables).
H0
H1
Uji Koeff. Xi
H0
:
H1
0 = 0
0 0
i = 0
: i 0
Contoh :
:
Nilai ujian akhir
Nilai pretest
Nilai Laporan
---------------------
Interpretasi Hasil :
Dari hasil di atas selanjutnya dapat disusun persamaan berikut :
N_Akhir = -25.450 + 0.542 Latihan + 0.771 Laporan
R2 = 0.702
SE
(9.351)
(0.089)
(0.132)
T-Hit.
2.722
6.067
5.828
F-hit = 73,02
Df
= 62
Pengujian
statistik baik uji keseluruhan (Uji-F) dan uji koefisien
variabel dalam model (Uji-t) memiliki kesamaan dengan analisis
regresi linear sederhana. Hipotesis uji-F adalah :
H0
:
0 = 1 = 2 = 0
H1
: 0, 1, 2 0
Sedangkan uji koefisien atau pengujian secara parsial memiliki
hipotesis sebagai berikut :
H1
H0
: 0 = 0
: 0 0
H1
H0
: 1 = 0
: 1 0
H1
H0
: 2 = 0
: 2 0
Pengujian untuk 2 :
ESTIMASI MODEL
REGRESSI LINIER BERGANDA
Model:
Yi = 0 + 1 X1i + 2 X2i + i
b1 =
b2 =
b0 = Yi b1X1i b2 X2i
ESTIMASI MODEL
REGRESSI LINIER BERGANDA
1
var(b0) =
2
var(b1) =
var(b1) =
2 =
i2
n3
+
n
Asumsi-asumsi
Model Regresi Linier Berganda
Y = a + bX + c D1
II. Y = a + bX + c (D1X)
Model Dummy
Intersep
Y= a + bX1 + cD1
Y= (a + c) + bX1
Model Dummy
Slope
Y= a + bX1 + cD1X1
Y= a + (b+c).X1
Y= a + bX1
Model Dummy
Kombinasi
Y= a + bX1 + cD1X1+ dD1
Y= (a+d) + (b+c).X1
Y= a + bX1
Y= a + bX1
Dummy
Intersep
Dummy
Slope
Dummy
Kombinasi
E(Y D =0) =
i
o
o
o
o
x
x
x
O
E(Yi Di=1) = +
D=0
=L
=P
D=1
Interpretasi:
Apakah jenis kelamin berpengaruh thdp penghasilan.
Berapa perbedaan penghasilan antara laki2 dan
wanita.
(1+ 1)+Xi
Yi
o
o
1+Xi
o
x
Interpretasi:
Apakah jenis kelamin dan
masa kerja berpengaruh
thdp peng-hasilan. Pada
masa kerja ter-tentu, brp
perbedaan penghasilan
antara Laki dan wanita.
x
x
Masa kerja
1
Masa kerja
Interpretasi:
Apakah Masa kerja dan tkt pendidikan berpengaruh
thdp penghasilan?. Brp besar perbedaan penghasilan
menurut tkt pendidikan pd masa kerja tertentu?.
Yi = 1 + 2D1i + 3D2i + Xi +
Yi
D1=1, D2=1
D1=0, D2=1
D1i = 1
=0
D2i = 1
=0
untuk Laki-laki
untuk wanita
untuk kota
untuk desa
D1=1, D2=0
D1=0, D2=0
Masa kerja
MULTIKOLINEARITAS DALAM
REGRESI LINEAR
Jika suatu model mempunyai beberapa variable, dan
sebagian dari variable diantara mereka akan menjelaskan
hubungan linier secara pasti, maka hal ini dikenal
sebagai multikolinierity.
Hubungan yang erat antara variabel independen akan
berdampak pada bias pendugaan parameter dan semakin
tingginya nilai standart error yang dihasilkan dalam
analisis. Kemungkinan paling jelas dari hal ini adalah
besarnya peluang untuk ditolaknya hipotesis alternatif
berkenaan dengan pendugaan parameter.
Permasalahan dalam
Model Regresi Linier Berganda
1. Multikolinieritas
Multikolinieritas terjadi bila paling tidak salah satu var.
bebas berkorelasi dgn var. bebas lainnya.
Multikolinieritas sempurna terjadi bila tdpt hubungan
linear antar variabel bebas.
Akibatnya ?
Jika tdpt Multikolinieritas sempurna, parameter
tidak dapat diduga dgn metode OLS.
Nilai varians besar standar error besar selang
kepercayaan lebar.
Uji-t tidak signifikan
Tanda (sign) parameter bisa berlawanan.
R2 tinggi, tp banyak variabel yang tidak signifikan
Cara mendeteksi ?
Multikolinieritas
Cara mengatasi ?
Gunakan informasi a priori, berdasarkan keyakinan
atau hasil penelitian terdahulu.
Lakukan regresi elementer, kemudian tambahkan
satu per satu variabel yg diduga relevan
mempengaruhi var terikat.
Menggabungkan data cross-section dan time series
Mengeluarkan salah satu variabel yang kolinier.
Mentransformasikan variabel.
Mencara data tambahan atau data baru
Permasalahan dalam
Model Regresi Linier Berganda
2. Heteroskedastisitas
Heteroskedastisitas terjadi bila varians i tidak konstan,
tapi berubah-ubah pada setiap pengamatan i.
Untuk model
Yi = 0 + 1 X1i + i
Var(i ) bisa kemungkinan semakin besar atau semakin
kecil dengan semakin besarnya nilai X1i. Var(i ) = i2
Misal:
(1) Model Konsumsi = o + 1 Pendapatan +
(2) Model Learning process:
Jumlah kesalahan ketik = 0 + 1 pengalaman +
C = o + 1 Y
Y
Pada model (2) Var(i ) cenderung lebih kecil dengan
semakin lama pegalaman dalam mengetik.
K
K = o - 1 P
Akibat Heteroskedastisitas ?
Karena Var(i ) tdk konstan, tapi ditentukan oleh X1i , maka:
Var(b1) =.
xi2 i2.
( xi2)2.
Cara mendeteksi ?
Metode Grafik
Buat diagram plot antara ui2 dan . Heteroskedastisitas akan terdeteksi apabila sebaran
plot menunjukkan pola yang sistematis.
Uji Park
Meregresikan ui2 dengan X1i dalam bentuk
persamaan log linear.
ln ui2 = o + 1 ln X1i + i
ui adlh error term pd regresi Yi = 0 + 1 X1i +
i
Metode Goldfeld-Quant
Prinsipnya adlh membagi dua data X1i bdsrkan
urutan terkcil terbesar dan meregresikan
masing2 untuk memperoleh nilai RSS.
RSS2/df2
RSS1/df1
Permasalahan dalam
Model Regresi Linier Berganda
3. Otokorelasi
Terjadi bila terjadi korelasi antara i dan j.
Terjadi korelasi antara variabel itu sendiri pada
pengamatan yang berbeda.
Umumnya banyak terjadi pada data time series.
Contoh:
Ct = o + 1Ydt + 1t ;
0 < 1<
Tt = o + 1Yt + 2t ;
0 < 1 <
= o + 1 rt + 3t ;
1 <
It
1. Persamaan Struktural/Perilaku:
Persamaan yang dapat menggambarkan:
Struktur atau perilaku dari fenomena ekonomi yang
diamati.
Perilaku variabel endogen terhadap perubahan-perubahan
variabel penjelas pada persamaan yang bersangkutan
2. Persamaan Identitas:
Persamaan yg tdk dpt menunjukkan perilaku variabel
endogen.
Dibentuk oleh perkalian, pembagian, penambahan atau
pengurangan beberapa variabel.
3. Persamaan Direduksi (reduced-form equation):
Persamaan dimana variabel endogen hanya dipengaruhi
variabel predetermined dan gangguan stochastic.
4. Variabel Endogen:
Variabel yg nilainya akan ditentukan melalui model.
Variabel yg dipengaruhi oleh dan mempengaruhi variabel
lain
5. Variabel Predetermined (eksogen dan lag endogen):
Identifikasi Model:
Identifikasi Model:
Metode:
Order Condition
Suatu persamaan teridentifikasi jika jumlah variabel
yang dikeluarkan dari persamaan tersebut, tetapi
masuk kedalam persamaan2 lain pada model minimal
sama dengan jumlah persamaan dalam model
dikurangi dengan satu.
(K M) (G 1)
Dimana:
G = jmlh persamaan dlm model (= jmlh Var Endogen)
K = Jumlah semua variabel dalam model
M = Jumlah variabel dalam persamaan yang
diidentifikasi
Rank Condition
Identifikasi Model:
CONTOH
Qd
Qs
Pa
Pr
Pop
= Var Endogen
= Var Eksogen