Nama

: Ricky Sanjaya

NMP

: 0811021048

JUR

: I.E.S.P

1. Tulis arti dari masing-masing istilah berikut ini sejelas

mungkin. Jika perlu Anda dapat memberikan contoh.
1. Impure serial correlation.
Impure serial correlation adalah korelasi serial yang disebabkan oleh kesalahan
spesifikasi seperti, variabel dihilangkan dan / atau bentuk fungsional yang salah.
Sebagai contoh dapat dilihat dalam persamaan:
mana t adalah istilah kesalahan klasikjika X2 sengaja dihilangkan dari
Istilah kesalahan karena itu bukan istilah kesalahan klasik
Ada dua penyebab terjadinya impure serial corelation, yaitu :
a) Ometed Variabel
yaitu adanya varibel yang tidak dimasukan di dalam model regresi rsebut padahal varibel
tsesuai dengan toeri.
Misalnya :
Model regresi yang benar adalah :

Model yang di pakai adalah :

Dimana seharusnya :

Ukuran

menjadi kecil kaena adnya ometed variabel.

b) Penggunaan Fungsi Yang Tidak Benar

Contoh :
Persamaan yang benar adalah Fungsi polynomial :
Tetapi yang dipakai adalah Fungsi linier :
Kesalahan fungsi dengan penggunaan fungsi liner. Karena fungsi liner tidak dapat
menjelaskan periaku dari variabel. Akibatnya hasil estimasi menjadi bias.

2. First-order serial correlation.

First-order serial correlation adalah Korelasi antara gangguan yang berdekatan.
Cara mengujinya adalah dengan membangun statistik uji yang kita tahu distribusi
(sehingga kita dapat menghitung probabilitas dari mengamati data, mengingat hipotesis
nol).
n

(et et 1) 2

d t 2

et2

t 1

3. First-order autocorrelation coefficient.

First-order autocorrelation coefficient adalah Salah satu asumsi dari kedua analisis
regresi sederhana dan berganda adalah bahwa istilah kesalahan adalah independen dari
satu sama lain.
Besarnya kesalahan pada pengamatan tertentu, i (i = Yi A BXi) tidak berpengaruh
pada besarnya atau tanda kesalahan di beberapa pengamatan lain, j. Asumsi ini secara
resmi dinyatakan sebagai as E(ij) = 0 untuk semua i j, yang berarti bahwa nilai
yang diharapkan dari semua pasangan-bijaksana produk dari istilah kesalahan adalah nol.
Jika memang, istilah error tidak berkorelasi, produk yang positif akan membatalkan
mereka yang negatif meninggalkan nilai yang diharapkan dari 0.
P dibaca (rho) menunujukan kekuatan dari serial corelation. Besaran p adalah :
-1 < p <+1
Jika :
P=0
artinya tidak ada serial corelation.

P1
p1

artinya data sebelumnya sangat menentukan.

artinya tidak dapat dikontrol.

4. Durbin-Watson d statistic.
Durbin-Watson d statistic adalah Sebuah tes bahwa residu dari regresi linier atau
beberapa regresi yang independen.
metode:
Karena kebanyakan masalah yang melibatkan regresi data time series
menunjukkan autokorelasi positif, hipotesis biasanya dipertimbangkan
dalam uji Durbin-Watson
H0 : = 0
H1 : > 0
Jika d <dL menolak H0: = 0
Jika d> dU tidak menolak H0: = 0
Jika dL <d <dU tes tidak meyakinkan

5.

Generalized Least Square

Generalized least Square adalah salah satu cara untuk memperbaiki adanya serial
corelation. Tahapan perbaikan dengan GLS dimuali dengan persamaan first order
serial corelation :
1.1
Yang mana jika t = t1 + ut, maka persamaan dapat ditulis :
1.2
Untuk mengatahi lag dari suatu periode, dapat di tuliskan :
1.3
Lalu persamaan 1.3 disubtitusikan ke pers 1.2
Hasilnya :

6. Positive serial correlation

Positive serial corelation merupakan bentuk dari First order Condition pure serial corelation.
Positive serial corelation dilambangkan dengan p yang bertanda +. Positive serial corelation
memiliki sifat sebagai berikut :
a. Error term cenderung memiliki tanda yang sama dari hasil estimasi data-data di tahun
sebelumnya.

b. Secara grafik polanya adalah :

2). Beri alas an mengapa Anda setuju atau tidak setuju dengan
masing-masing pernyataan di bawah ini. Kemudian jelaskan secara
ringkas mengapa Anda setuju atau tidak setuju.
(a) Dalam suatu model yang terdiri atas 3 variabel penjelas (independent), jika dua dari
variabel-variabel penjelas tersebut memiliki korelasi sampel sama dengan 0.95, maka
estimator-estimator OLS pasti melenceng (biased).
Saya tidak setuju karena, Suatu persamaan regresi dikatakan bias dapat diidentifikasi
dengan cara salah satunya korelasi sampel (r2). Jika r2 0,80 maka dapat diasumsikan
bahwa terjadi multikolinieritas.

Dari soal tersebut, bahwa dua dari riga variable penjelas memiliki korelasi sample
sebesar 0,95. Artinya terjadi multikolinieritas tinggi meski tidak sempurna. Dan hasil
estimator oleh OLS belum tentu bias.
Alasannya, meski multikolinieritas tinggi, estimator OLS masih memilki sifat BLUE
(Best Linier Unbiased Estimation), tetapi perlu diperhatikan bahwa kolinieritas tidak
merusak sifat varians minimum ; dalam kelas semua penaksir tidak bias linier, estimator
OLS mempunyai varias minimum; yaitu sangat efisien. Tetapi tidak berarti estimator
OLS akan menjadi kecil (hubungannya dengan nilai estimator) dalam suatu sampel
tertentu.

(b) Kekolinieran ganda (multicollinearity) menaikkan standard errors koefisien-koefisien

regresi sehingga uji t dan Uji F tidak valid.
saya setuju, karenaPada umumnya gejala terjadinya multikolinieritas atara lain adalah
koefisien standar error atau error term tinggi. Dan nilai dari uji t dan uji F kecil, sehingga
tidak signifikan. Akibatnya hasil dari estimasi akan menjadi bias dan tidak masuk dalam
kategori BLUE (best Linier Unbiased Estimation). Jika diterapkan akan memberikan
kesimpulan yang menyesatkan.

(c) Statistik d Durbin-Watson hanya bias dipakai untuk menguji keberadaan firstorder
serial correlation.
Saya setuju karena, Dalam kasus multikolinieritas, statistik d Durbis Waston digunakan
untuk menguji keberadaan

firstorder seri korelasi. Artinya apakah peruabahan varibale

penjelas mempengaruhi seketika besaran dari variabel

yang dijelaskan. Ini disebut

dengan autokorelasi. Secra harfiah autokorelasi berarti adanya korelasi antara anggota
observasi satu dengan observasi lain yang berlainan waktu.
Statistik d dari Durbin Waston dapat digunakan untuk pengujian sampel besar dari serial
korelasi derajat pertama dalam model outoregesif. Untuk sampel besar, Durbin telh
menunjukan bahwa, jika p = 0, statistik h mengikuti distriusi normal dengan rata-rata nol

dan varian satu. Jadi signifikan secara statsitik dari h dapat dengan mudah ditentukan dari
tabel distribusi normal yang distandariasikan.
Ciri dari statsitik h adalah : Tidak penting berapa banyak variabel X dari Y yang
dimasukan

dalam

model

regresi.

Untuk

menghitung

kita

hanya

perlu

mempertimbangkan varians dari korelasi koefisien lag Y t-1.

(d) Adanya serial correlation dalam error terms, kita tidak dapat menggunakan
estimator-estimator OLS.
Saya setuju karena, Dalam menggunakan estimator OLS ada kententuan klasik yanng
harus dipenuhi agar hasil estimasi dapat dipercaya, yaitu linier, tak bias dan mempunyai
varian minimum. Jika dalam hasil estimasi model regeresi terjadi gejala multikoliniertas
salah satunya terdapat kesalahan dalam serial korelasi. konsekuensinya adalah OLS tidak
dapat menghasilkan koefisien dari setiap variabel penjelas.