METODE KUANTITATIF :

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:

Membuktikan (verifikasi) atau menguji validitas

Teori Ekonomi.

Menghasilkan dugaan-dugaan numerik bagi

koefisien-koefisien hubungan ekonomi.

Meramalkan nilai besaran-besaran ekonomi

berdasarkan probabilitas tertentu.

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.

CIRI-CIRI MODEL EKONOMETRIKA

Theorytical Plausibility

Explanatory ability

Accuracy of the estimated of the

parameters

Forecasting ability

Simplicity

Pernyataan Teori Ekonomi

Pengujian teori ekonomi yang menjadi

dasar/acuan suatu penelitian.

Misal, Teori Keynes:

Pendapatan dan konsumsi mempunyai
hubungan yang positif
Bila pendapatan seseorang meningkat
maka konsumsinya meningkat, tetapi tidak
sebesar peningkatan pendapatan.

 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 terhadap individual

Agregasi komoditi

Agregasi periode waktu

Agregasi spasial
Misagregasi dalam model menyebabkan:
agregasi yang bias
estimasi yang bias

Estimasi Model
Pengujian derajat korelasi antar variabel:

Jika 2 variabel penjelas mempunyai korelasi yg

tinggi
maka secara statistik sulit menentukan pengaruh
masing-masingnya.
Misal:
Qd = f(P, W)
Qd = Demand
P = harga
W = upah
Sementara P dan W cenderung naik secara
bersamaan, W = f(P).
Oleh krn itu, nilai estimasi tidak akurat.

 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

Kriteria a priori ekonomi

Didasarkan atas prinsip-prinsip ekonomi

Kriteria Statistik (first order test):

Didasarkan atas interpretasi nilai-nilai statistik
Standar deviasi,
Koefisien. Determinasi (R2)
Nilai F dan nilai t.

Kriteria ekonometrika (second order test):

Didasarkan atas teori ekonometrika untuk
apakah
nilai estimasi memiliki sifat unbiasedness,
consistency dan efficiency.

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.

Covariance Dan Korelasi

Covariance merupakan ukuran yang berguna untuk
mengidentifikasi keterkaitan antara X dan Y, atau
merupakan ukuran bagi sensitifitas tiap unit X dan Y yang
telah diamati. Yang terkait dengan covariance adalah
korelasi, yang dirumuskan :
rxy = xy / x. y =

Cov ( X , Y )
(Var X ).(Var Y )

PENGERTIAN KORELASI DAN REGRESI

KORELASI dan REGRESI merupakan metode
yang dapat digunakan untuk mengukur hubungan
yang terjadi antar variabel-variabel ekonomi. Misal
antara variabel X dan variabel 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.

Koefisien korelasi ini memiliki nilai yang berkisar

antara 1 sampai 1.
Bila yang diduga adalah koefisien korelasi sampel
maka :

rxy = sxy / sx. sy =

( 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

Pengujian koefisien ini dilakukan dengan uji-t, sehingga :

t

n2
(1 r 2 )

.............

dengan derajat bebas = n 2

Kriteria pengujiannya :
Ho ditolak jika nilai t-hitung lebih besar daripada t-tabel
dengan derajat bebas n-2, dan demikian pula sebaliknya.

Beberapa catatan tentang nilai r:

Secara empiris, hampir tidak pernah ditemukan
korelasi sempurna (semua titik terpencar tepat
pada garis).
Nilai r yang mendekati nol menunjukkan derajat
hubungan yang lemah.
Koefisien r merupakan estimasi sampel terhadap
koefisien korelasi populasi, .
Nilai r mengandung error, sehingga perlu diuji
reliabilitasnya.

Konsep dasar Ekonometrik

Ekonometrika merupakan suatu ilmu tersendiri yang merupakan
penggabungan dari teori ekonomi, statistik dan matematik, dalam
upaya untuk menggambarkan suatu fenomena.
Langkah I:
Kajian teori ekonomi dan penelitian terdahulu
Langkah II:
Formulasi model atau spesifikasi model
Langkah III:
Merancang metode dan prosedur untuk mendapatkan sampel representatif

Langkah IV:
Estimasi model
No

Langkah V: Menguji hipotesis/ verifikasi menggunakan statistik inferensi

(Uji-t, Uji-F, dll)
Yes
Langkah VII: Interpretasi hasil

Langkah VIII: Kesimpulan

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

Model Regresi Sederhana

Yi = 0 + 1 Xi + i

0 dan 1 : parameter dari fungsi yg nilainya akan

diestimasi.

Bersifat stochastik untuk setiap nilai X terdapat suatu

distribusi probabilitas seluruh nilai Y atau Nilai Y tidak
dapat diprediksi secara pasti karena ada faktor
stochastik i yang memberikan sifat acak pada Y.

Adanaya variabel i disababkan karena:

Ketidak-lengkapan teori
Perilaku manusia yang bersifat random
Ketidak-sempurnaan spesifikasi model
Kesalahan dalam agregasi
Kesalahan dalam pengukuran

.
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

Fungsi Regresi Populasi

Y

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

METODE PENAKSIRAN PARAMETER

DALAM EKONOMETRIK
Metode estimasi yang sering digunakan adalah Ordinary Least
Square (OLS). Dalam regresi populasi dikenal pula adanya istilah
PRF (Population Regression Function) dan dalam regresi sampel
sebagai penduga regresi populasi dikenal istilah SRF (Sample
Regression Function).
P
Y

ei

ui

^Yi

Y X

E (Y) X

Yi

Xi

SRF

PRF

Penaksir kuadrat terkecil adalah mempunyai varian yang minimum yaitu

penaksir tadi bersifat BLUE (Best Linear Unbiased Estimator). Asumsi yang
harus dipenuhi dalam penaksiran metode OLS adalah sebagai berikut :
1. i adalah sebuah variabel acak atau random yang riil dan memiliki distribusi
normal.
2. Nilai harapan dari i yang timbul karena variasi nilai Xi yang diketahui
harus sama dengan nol.
E(i/ Xi) = 0
3. Tidak terjadi autokorelasi atau serial korelasi. Artinya,
Cov(i, j) = Ei E(i) j E(j)
= E(i, j)
= 0 .................... i j
4. Syarat Homoskedastisiti. Artinya bahwa varian dari i adalah konstan dan
sama dengan 2.
Var (i / Xi) = Ei E(i)2
= E(i)2
= 2
5. Tidak terjadi multikolonieritas. Yaitu tidak ada korelasi antara dengan
variabel bebasnya Xi atau :
Cov(i , Xi) = E(i E(i))(Xi E(Xi))
= 0

REGRESI LINEAR SEDERHANA

Y = 0 + 1 X
Pengujian statistik SECARA PARSIAL mendasarkan pada
hipotesis :
Uji Konstanta Intersep

H0
H1

Uji Koeff. X

:
H1

H0

:
:

0 = 0
0 0

1 = 0
: 1 0

Pengujian statistik model secara keseluruhan dilakukan

dengan uji-F.
Uji F mendasarkan pada dua hipotesis, yaitu :
H0
H1

:
:

Semua koefisien variabel bebas adalah 0 (nol)

Tidak seperti tersebut di atas

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

Dalam pengertian ekonomi dapat dikatakan bahwa jika

terdapat kenaikan income sebesar $ 1 per bulan maka
akan mempengaruhi kenaikan pula pada konsumsi
sebesar $ 0.509. Demikian juga bila terjadi penurunan
income sebesar $ 1 per bulan maka akan berdampak
pada penurunan konsumsi sebesar $ 0.509.

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

Sederhanakan, maka didapat:

(Xi X) (Yi Y)

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

diduga dengan s, dimana:

s = (i2 /n-2)2

dan

i2 = (Yi Y)2

Metode Ordinary Least Squares (OLS)

Yi = 1 + 2 Xi + (1)
i
Yi = 1 + 2 Xi + i(2)

Persamaan umum Regresi

sederhana

i = 1 + 2 Xi

(3)

1 dan 2 adalah nilai estimasi

untuk parameter

Yi = i + i

(4)

i = nilai estimasi model

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

Standard error of the estimates

Var(2) = 2 / Xi2
Se(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

TSS = RSS + ESS

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).

Yi = 0 + 1 X1i + 2 X2i + + k Xki + i

dimana: i = 1, 2, 3, . N (banyaknya pengamatan)
0, 1, 2, , k adalah parameter yang nilainya
diduga melalui model:

Yi = b0 + b1 X1i + b2 X2i + + bk Xki

REGRESI LINEAR BERGANDA

Y = 0 + 1 X + 2 X + . + n Xn
Dalam konsep dasarnya pengujian statistik SECARA
PARSIAL mendasarkan pada hipotesis :
Uji Konstanta Intersep

H0
H1

Uji Koeff. Xi

H0

:
H1

0 = 0

0 0

i = 0
: i 0

Contoh :

Tujuan untuk mengetahui pengaruh

(kontribusi) proses/ mekanisme yang disusun

dalam praktikum terhadap pencapaian nilai ujian
akhir praktikum, yaitu melalui penilaian atas
latihan di kelas dan penilaian atas laporan
praktikum.
Dengan demikian dapat dibuat spesifikasi
modelnya sebagai berikut :
Y = 0 + 1X1 + 2X2
(model 1)
Dimana
Y
:
X1
:
X2
:

:
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 :

Pengujian untuk intersep :

Pengujian untuk 1

H1

H0
: 0 = 0
: 0 0

H1

H0
: 1 = 0
: 1 0

H1

H0
: 2 = 0
: 2 0

Pengujian untuk 2 :

Hasil analisis di atas menunjukkan bahwa model secara

statistik adalah memang dapat digunakan, terbukti dari nilai
F-hit sebesar 73.02 yang signifikan pada tingkat alpha 5%
atau 0.05 Artinya bahwa 0, 1, 2 mempengaruhi secara
nyata terhadap N_Akhir (nilai Akhir).

Kekuatan pengaruh dari kedua variabel dalam menjelaskan

variabel N_Akhir sebesar 70.2 % sedangkan sisanya yaitu
sekitar 29.8% merupakan pengaruh dari variabel lain yang
tidak dipertimbangkan dalam model.

Koefisien latihan 0.542 dapat diartikan jika Nilai Laporan

tetap maka kenaikan 1 satuan nilai latihan akan cenderung
menaikkan nilai ujian sebesar 0.542.
Demikian juga untuk pengaruh nilai Laporan. Jika nilai
laporan naik 1 satuan maka akan cenderung meningkatkan
nilai ujian Akhir sebesar 0.771.
Hal yang lebih menarik sebenarnya adalah faktor apa yang
tersembunyi di balik angka-angka tersebut. Hal ini
memerlukan informasi yang bersifat kualitatif untuk
mengungkap :

ESTIMASI MODEL
REGRESSI LINIER BERGANDA

Model:

Yi = 0 + 1 X1i + 2 X2i + i

Model penduga: i = b0 + b1 X1i + b2 X2i

b0, b1 dan b2 nilai penduga untuk 0, 1 dan 2.

b1 =

b2 =

(yi x1i) (x22i ) (yi x2i) (x1i x2i)

(x21i ) (x22i ) (x1i x2i)2
(yi x2i) (x21i ) (yi x1i) (x1i x2i)
(x21i ) (x22i ) (x1i x2i)2

b0 = Yi b1X1i b2 X2i

ESTIMASI MODEL
REGRESSI LINIER BERGANDA

X21 x22i X22 x21i 2 X1 X2 x1i x2i

1
var(b0) =
2
var(b1) =

var(b1) =

2 =

i2
n3

+
n

(x21i ) (x22i ) (x1i x2i)2

x21i
2 se(bi) = var(bi)
Utk i = 0, 1, 2.
(x21i )(x22i ) (x1i x2i)2
x21i

(x21i )(x22i ) (x1i x2i)2

i2 = y2i b1 yi x1i b2 yi
x2i

Asumsi-asumsi
Model Regresi Linier Berganda

(Agar hasil estimasi dapat diinterpretasikan dengan baik - BLUE)

Nilai rata-rata disturbance term adalah nol,
E(i) = 0.
Tidak tdpt serial korelasi (otokorelasi) antar i
Cov(i,j) = 0 untuk i j.
Sifat homoskedastisitas:
Var(i) = 2 sama utk setiap i
Covariance antara i dan setiap var bebas adalah
nol. Cov(i,Xi) = 0
Tidak tdpt multikollinieritas antar variebel bebas.
Model dispesifikasi dengan baik

Data Kualitatif dalam Model Regressi

(Penggunaan Dummy Variable)
Variabel Dummy adlh variabel yg
merepresentasikan kuantifikasi dari variabel
kualitatif. Misal: jenis kelamin, pendidikan,
lokasi, situasi, musim, & kualitas.
Jika data kualitatif tsb memiliki m kategori,
maka jumlah variabel dummy yg dicantumkan
didlm model adalah (m-1).
Kesimpulan yg diambil dari keberadaan variabel
dummy didlm model adlh perbedaan nilai antar
kategori ybs.
Variabel dummy sering juga disebut variabel
boneka, binary, kategorik atau dikotom.
Dummy memiliki nilai 1 (D=1) utk salah satu
kategori dan nol (D=0) untuk kategori yang lain.

MODEL REGRESI LINEAR DENGAN DUMMY

VARIABEL
Variabel dummy digunakan sebagai upaya untuk
melihat bagaimana klasifikasi-klasifikasi dalam sampel
berpengaruh terhadap parameter pendugaan. Variabel
dummy juga mencoba membuat kuantifikasi dari
variabel kualitatif.
Kita pertimbangkan model berikut ini:
I.

Y = a + bX + c D1

(Model Dummy Intersep)

II. Y = a + bX + c (D1X)

(Model Dummy Slope)

III. Y = a + bX + c (D1X) + d D1 (Kombinasi)

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

Dummy sebagai Variabel Bebas:

ANOVA Model:
Yi = + Di + Yi
Misal :
+
Yi = Penghasilan Karyawan
Di = 1 untuk laki-laki
= 0 untuk wanita

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.

Dummy sebagai Variabel Bebas:

ANCOVA Model: (gabungan kuantitatif & kualitatif)
1. Satu kuantitatif, satu kualitatif dg 2 kategori.
Yi = 1 + 2Di + Xi +
Xi = Masa kerja

(1+ 1)+Xi

Yi

E(Yi Xi, Di=0) = 1+Xi

E(Yi Xi, Di=1) = (1+2)+Xi

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

Dummy sebagai Variabel Bebas:

2. Satu kuantitatif, satu kualitatif dg 3 kategori.
Misal: Selain masa kerja, penghasilan karyawan juga
dipengaruhi oleh tingkat pendidikan (tdk tamat
SMU, tamat SMU, Sarjana)
Yi = 1 + 2D1i + 3D2i + Xi +
D1i = 1 untuk tamat SMU
= 0 Lainnya
D2i = 1 untuk Sarjana
= 0 Lainnya
Sebagai kategori dasar adlh tidak tamat SMU
E(Yi Xi, D1i=0, D2i=0) = 1+Xi
(tdk tamat
SMU)
E(Yi Xi, D1i=1, D2i=0) = (1+2)+Xi (Tamat
SMU)
E(Yi Xi, D1i=0, D2i=1) = (1+3)+Xi

Satu kuantitatif, satu kualitatif dg 3 kategori.

Yi

(1+3)+Xi Asumsi: 3>2

(1+2)+Xi
1+Xi

1
Masa kerja

Interpretasi:
Apakah Masa kerja dan tkt pendidikan berpengaruh
thdp penghasilan?. Brp besar perbedaan penghasilan
menurut tkt pendidikan pd masa kerja tertentu?.

3. Satu kuantitatif, dua kualitatif dg 2 kategori.

Misal: D1 adalah dummy jenis kelamin (laki2/wanita),
dan D2
adlh dummy tempat kerja (kota/desa).

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

Regresikan setiap variabel bebas Xi dgn variabel

bebas lainnya yg ada dalam persamaan (auxiliary
regression). Jika uji F menunjukkan hasil yang
signifikan berarti terdapat kolinearitas antara
variabel Xi dengan variabel bebas lainnya.
Cek korelasi antar variabel bebas matrik
korelasi.

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 +

Pada model (1), Var(i ) cenderung lebih besar dengan

semakin besarnya pendapatan.

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.

Besarnya Var(b1) menyebabkan nilai SE(b1) juga akan

besar, sehingga interval kepercayaan menjadi lebih besar
dan pada uji-t variabel menjadi tidak signifikan.
Kesimpulan yang diambil dapat menyesatkan.

Hasil pendugaan tetap tak bias dan konsisten, akan

tetapi varians dr parameter dugaan tdk bisa minimum
shg dikatakan tidak efisien
tidak memenuhi syarat BLUE

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.

Langkah-langkah Metode Goldfeld-Quant:

Urutkan data X1i berdasarkan urutan terkecil
terbesar
Abaikan bbrp pengamatan (c pengamatan) di sekitar
median.
Regresikan pengamatan (N-c)/2 pertama dan kedua,
hitung RSS, sehingga didapatkan RSS1 dan RSS2.
Hitung rasio kedua RSS ():
=

RSS2/df2
RSS1/df1

; df adalah derajat bebas (n-k-1)

Lakukan uji F, bila > F berarti terjadi heteroskedastisitas.

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.

Model Persamaan Simultan

Merupakan suatu sistem persamaan yg menggambar-kan
saling ketergantungan antar variabel
Estimasi parameter suatu persamaan tidk dpt dilakukan
tanpa mempertimbangkan irformasi pada persamaan
lainnya.
Hubungan
Y1i = 10 +
dua-arah
11Y2i +atau
12 simultan
Xi + 1i antar bbrp Variabel
Y2i = 0 + 1Y1i + 3 Xi + 2i
Y1, Y2 = Variabel Endogen (Saling terikat) stochastic
X1
= Variabel eksogen
1i, 2i = Error - stochastic
Terdapat korelasi antara dan variabel penjelas;
cov(i,Xi) 0.

(Penyimpangan asumsi OLS)

Contoh:

Model Persamaan Simultan

1. Model Permintaan dan Penawaran

Fungsi Permintaan: Qdt = o + 1Pt + 1t ; 1< 0.
Fungsi Penawaran: Qst = o + 1Pt + 2t ;
1> 0.
Keseimbangan:
Qdt = Qst
P
2. Model Pendapatan Nasional Keynes
Fungsi Konsumsi:
Ct = o + 1Yt + t ; 0 < 1<
1.
t = Ct + It ;
3. Identitas
Model Pendapatan:
Ekonomi Y
Makro
Fungsi Konsumsi:
1.
Fungsi Pajak:
1.
Fungsi Investasi:
0.

Ct = o + 1Ydt + 1t ;

0 < 1<

Tt = o + 1Yt + 2t ;

0 < 1 <

= o + 1 rt + 3t ;

1 <

It

Beberapa Istilah dlm Model Persamaan

Simultan:

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):

Model Persamaan Simultan

Identifikasi Model:

Tujuan: Mengidentifikasi model sblm dilakukan

estimasi
Untuk mengetahui apakah estimasi parameter dapat
dilakukan
melalui persamaan reduced-form dr sistem
persamaan simultan.
Persamaan Teridentifikasi (unidentified) jika estimasi
parameter
tidak dapat dilakukan melalui persamaan
reduced-form.
Persamaan Teridentifikasi (identified) jika estimasi parameter
dpt dilakukan melalui persamaan reduced-form dr sistem
persamaan
simultan.
Teridentifikasi Tepat (just identfied),
Jika masing-masing nilai parameter bersifat unik (hanya
mempunyai satu nilai)
Teridentifikasi Berlebih (over identified),
Jika masing2 nilai parameter mempunyai lbh dari satu

Model Persamaan Simultan

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

Model Persamaan Simultan

Identifikasi Model:

CONTOH

Diagram Keterkaitan Variabel

Pada Model Persamaan Simultan

Model Permintaan dan Penawaran

Qd

Qs

Pa

Pr

Pop

= Var Endogen

= Var Eksogen