BAB I

RUANG LINGKUP EKONOMETRIKA

Tujuan Pengajaran: Setelah mempelajari bab ini, anda diharapkan dapat: Mengerti
definisi ekonometrika Mengerti keilmuan yang terkait dengan ekonometrika Membeda
kan jenis-jenis ekonometrika Memahami kegunaan ekonometrika Menjabarkan langkahlangkah penggunaan ekonometrika
1

BAB I RUANG LINGKUP EKONOMETRIKA Pengertian Ekonometrika Kalau dilihat dari segi
namanya, ekonometrika berasal dari dari dua kata, yaitu ekonomi dan metrika. Kata Ek
onomi di sini dapat dipersamakan dengan kegiatan ekonomi, yaitu kegiatan manusia
untuk mencukupi kebutuhannya melalui usaha pengorbanan sumber daya yang seefisie
n dan seefektif mungkin untuk mendapatkan tujuan yang seoptimal mungkin. Kata Met
rika mempunyai arti sebagai suatu kegiatan pengukuran. Karena dua kata ini bergab
ung menjadi satu, maka gabungan kedua kata tersebut menunjukkan arti bahwa yang
dimaksud dengan ekonometrika adalah suatu pengukuran kegiatan-kegiatan ekonomi.
Kegiatan ekonomi manusia tidak berjalan sesaat, tetapi berkelanjutan dari waktu
ke waktu, dari peristiwa ke peristiwa, dari berbagai suasana, dari berbagai lint
as sektor, lintas faktor. Untuk mengukur suatu kegiatan dalam keberagaman kondis
i seperti itu, maka data merupakan sesuatu yang mutlak diperlukan. Melalui data,
informasi itu dapat dianalisis, diinterpretasi, untuk mengungkap kejadian-kejad
ian di masa lampau, serta dapat digunakan untuk prediksi masa mendatang. Pengung
kapan data atau analisis data dalam kegiatan ekonomi, dapat dilakukan dengan ber
bagai cara atau model, di antaranya melalui penggunaan grafik yang biasa disebut
dengan metode grafis, atau melalui penghitungan secara matematis yang biasa dis
ebut dengan metode matematis. Penggunaan metode ini tentu harus sesuai
2

dengan teori, khususnya teori ekonomi, karena ekonometrika bertujuan untuk mengu
kur kegiatan ekonomi. Kedua metode tersebut mempunyai kelebihan dan keunggulan m
asing-masing. Metode grafis sendiri dapat digolongkan ke dalam bentuk grafik ber
upa kurva, atau grafik dalam bentuk diagram. Metode grafis mempunyai keunggulan
dalam kecepatan interpretasi informasi, karena grafik terrepresentasi dalam bent
uk gambar yang mudah untuk dimaknai. Kelemahan metode grafis terletak pada kekur
angakuratan interpretasi karena data umumnya ditampilkan dalam bentuk skala, yan
g bersifat garis besar, tentu kurang dapat menjelaskan secara rinci dan detil. M
etode matematis mempunyai keunggulan dalam keakuratan interpretasi, karena melal
ui hitungan-hitungan secara rinci, sedang kelemahannya terletak pada tingkat kes
ulitan untuk menghitungnya, terlebih lagi jika variabel-variabel yang dihitung b
erjumlah sangat banyak. Guna mempermudah penghitungannya, maka dibuatlah berbaga
i rumus-rumus hitungan yang diambil dari berbagi data. Perbedaan di antara kedua
metode tersebut, metode grafis dan matematis, terletak pada seberapa besar vari
abel dapat diungkap secara rinci. Perbedaan Metode Grafis dan Matematis
Perihal Interpretasi Output Keakuratan Grafis Relatif Lebih mudah diinterpretasi
Berupa grafik, seperti kurva atau diagram Cenderung kurang akurat, karena berda
sar data yang bersifat skala Matematis Relatif lebih sulit diinterpretasi Hitung
an matematis berupa rumus Dapat lebih akurat, karena dihitung secara rinci sesua
i dengan keadaannya
3

Uraian di atas menjelaskan kepada kita bahwa dalam ekonometrika diperlukan tiga
hal pokok yang mutlak ada, yaitu: teori ekonomi, data, dan model. Teori ekonomi
meliputi teori ekonomi mikro, makro, manajemen, pemasaran, operasional, akuntans
i, keuangan, dan lainlain. Guna memahami data, memerlukan disiplin ilmu tentang
data, yaitu statistika. Model sendiri memerlukan disiplin ilmu matematika. Oleh
karena itu, ekonometrika merupakan gabungan dari ilmu ekonomi, statistika, dan m
atematika, yang digunakan secara simultan untuk mengungkap dan mengukur kejadian
-kejadian atau kegiatan-kegiatan ekonomi. Beberapa pakar mendefinisikan ekonomet
rika sebagai berikut: Ekonometrika dapat didefinisikan sebagai ilmu sosial yang
menggunakan alat berupa teori ekonomi, matematika, dan statistika inferensi yang
digunakan untuk menganalisis kejadian-kejadian ekonomi (Arthur S. Goldberger, 1
964.p.1). 1 Ekonometrik adalah gabungan penggunaan matematik dan statistik untuk
memecahkan persoalan ekonomi (J. Supranto, 1983. p.6). 2 Ekonometri adalah suat
u ilmu yang mengkombinasikan teori ekonomi dengan statistik ekonomi, dengan tuju
an menyelidiki dukungan empiris dari hukum skematik yang dibangun oleh teori eko
nomi. Dengan memanfaatkan ilmu ekonomi, matematik, dan statistik, ekonometri mem
buat
Diterjemahkan dari buku KARYA Damodar Gujarati, Essential of Econometrics, secon
d edition, Irwin McGraw Hill, 1999. 2 Supranto, J., Ekonometrik, Buku satu, Lemb
aga Penerbit FE UI, 1983.
1
4

hukum-hukum ekonomi teoritis tertentu menjadi nyata (Sugiyanto, Catur, 1994, p.3
). 3 Pentingnya Ekonometri Suatu perusahaan ataupun unit-unit pengambil keputusa
n, terutama dalam kegiatan ekonomi, tentu memerlukan suatu tindakan evaluatif un
tuk memastikan keefektifan tindakannya atau bahkan mempunyai keinginan untuk mel
akukan prediksi guna menentukan langkah terbaik yang perlu diambil. Keinginan ev
aluasi ataupun prediksi seperti itu akan mudah diperoleh jika tindakan-tindakan
sebelumnya itu diukur melalui teknikteknik pengukuran yang terstruktur dengan ba
ik, baik melalui teori yang melandasi, metodologi yang digunakan, ataupun data p
endukungnya. Suatu bentuk keilmuan yang mengakomodasi bentuk pengukuran kegiatan
ekonomi itulah yang disebut sebagai ekonometri. Data dalam ekonometrika merupak
an suatu kemutlakan, begitu pula penentuan jenis data, teknik analisanya, ataupu
n penyesuaian dengan tujuannya. Data yang diperlakukan sebagai pengungkap sejara
h (historical data) akan menghasilkan evaluasi, dan untuk data yang diperlakukan
pengungkap kecenderungan (trend data) akan menghasilkan prediksi. Hasil evaluas
i ataupun prediksi yang mempunyai tingkat keakuratan tinggi saja yang akan mempu
nyai sumbangan terbesar bagi pengambilan keputusan. Di sinilah letak pentingnya
ekonometrika. Sebagai contoh dalam mengungkap pentingnya ekonometrika, mari kita
mencermati apa yang terjadi pada hukum permintaan dan penawaran. Hukum perminta
an menjelaskan bahwa bila harga suatu barang cenderung
3
Sugiyanto, Catur, Ekonometrika Terapan, Edisi 1, BPFE Yogjakarta, 1994.
5

mengalami penurunan, maka jumlah permintaan terhadap barang tersebut akan mengal
ami peningkatan. Begitu pula dalam hukum penawaran, semakin sedikit barang yang
ditawarkan, maka harga barang akan cenderung tinggi, tetapi ketika jumlah barang
yang ditawarkan semakin banyak, maka harga barang akan semakin turun. Pernyataa
n-pernyataan seperti itu merupakan bentuk penyederhanaan yang hanya membahas ket
erkaitan antara dua variabel, yaitu variabel harga (P) dan variabel jumlah baran
g (Q) saja. Hukum permintaan menunjukkan bahwa hubungan antara variabel P dan Q
berlawanan. Di sebut berlawanan karena jika P turun, maka Q yang diminta (D) aka
n bertambah, begitu pula sebaliknya. Oleh karena itu permintaan ditunjukkan oleh
kurva atau garis yang cenderung menurun dari kiri atas ke kanan bawah (downward
sloping). Lihat gambar 1.
P
P1
P2
D Q1 Gambar 1 Q2 Q
6

Kondisi seperti ini berbeda bila di hadapkan dengan hukum penawaran. Pada hukum
penawaran hubungan antara variabel P dan Q adalah searah, artinya jika P meningk
at, maka Q juga meningkat. Atau sebaliknya, jika P menurun, maka Q juga mengalam
i penurunan. Oleh karena itu penawaran ditunjukkan oleh garis atau kurva yang ce
nderung meningkat dari kiri bawah ke kanan atas (upward sloping). Lihat gambar 2
.
P S P2
P1
Q1 Gambar 2
Q2
Q
Tidak hanya terhenti pada dua teori di atas saja, banyak teori-teori ekonomi lai
n yang hipotesisnya hanya bersifat kualitatif seperti hukum permintaan dan penaw
aran di atas. Pengungkapan yang sangat kualitatif seperti contoh tersebut, tidak
dapat diketahui seberapa besar pengaruh antara variabel P terhadap Q, atau Q te
rhadap P. Karena tidak dapat menjelaskan secara angkaangka tentu saja bentuk kur
va atau garis yang ditunjukkan juga tidak dapat menggambarkan kondisi dengan san
gat
7

tepat. Kurva hanya dapat menggambarkan kecenderungan. Untuk menjawab persoalan i

tu, ekonometrika dengan menggunakan pendekatan kuantitatif dalam bentuk model pe
ndekatan matematis yang berupa hitungan-hitungan metematika akan mampu untuk men
unjukkan seberapa besar pengaruh suatu variabel tertenu terhadap variabel yang l
ain. Untuk menjawab tuntutan seperti itu, maka teori ekonomi yang sudah ada perl
u dilengkapi dengan berbagai data yang diperlukan. Dalam hal ini perannya ditunj
ukkan oleh statistika. Fungsi dari statistika tidak hanya sekedar pengumpulan da
ta saja, tetapi meluas hingga interpretasi terhadap pentingnya data tersebut, ca
ra perolehan, jenis data, hingga sifat data. Peran statistik akan semakin berart
i jika dianalisis dengan model matematis yang sesuai dengan teori-teori ekonomi
yang dianalisis. Jenis Ekonometrika Ekonometrika dapat dibagi menjadi 2 (dua) ma
cam, yaitu ekonometrika teoritis (theoretical econometrics) dan ekonometrika ter
apan (applied econometrics). Ekonometrik teoritis berkenaan dengan pengembangan
metode yang tepat/cocok untuk mengukur hubungan ekonomi dengan menggunakan model
ekonometrik. Ekonometrika terapan menggambarkan nilai praktis dari penelitian e
konomi, sehingga lingkupnya mencakup aplikasi teknik-teknik ekonometri yang tela
h lebih dulu dikembangkan dalam ekonometri teoritis pada berbagai bidang teori e
konomi, untuk digunakan sebagai alat pengujian ataupun pengujian teori maupun pe
ramalan. Meskipun ekonometrika dapat didikotomikan ke dalam ekonometrika teoriti
s maupun terapan, namun tujuan-tujuan ekonometrika dapat dipersatukan sebagai
8

alat verifikasi, penaksiran, ataupun peramalan. Fungsi verifikasi ini bertujuan

untuk mengetahui dengan pasti kekuatan suatu teori melalui pengujian secara empi
ris, karena teori yang mapan adalah teori yang dapat diuji dengan empiris. Ekono
metrika berkaitan dengan analisa kuantitatif yang menghasilkan taksiran-taksiran
numerik yang dapat digunakan untuk melakukan taksiran-taksiran dari hasil suatu
kegiatan ekonomi. Fungsi seperti itu disebut sebagai fungsi penaksiran. Taksira
n-taksiran numerik seperti dijelaskan di atas dapat pula digunakan untuk mengind
era kejadian masa yang akan datang dengan pengukuran derajat probabilitas terten
tu. Fungsi seperti ini lebih dikenal dengan forecasting (peramalan). Penggunaan
ekonometrika Dalil-dalil ekonomi umumnya dijelaskan secara kualitatif dan dibata
si oleh asumsi-asumsi. Penggunaan asumsi dalam ilmu ekonomi merupakan refleksi d
ari kesadaran bahwa tidak mungkin untuk dapat mengungkap dengan pasti faktor-fak
tor apa saja yang saling terkait atau saling mempengaruhi faktor tertentu. Wajar
saja, karena ilmu ekonomi merupakan rumpun ilmu sosial, dimana dalam kegiatan s
osial antara variabel satu dan yang lainnya saling berinteraksi, berkaitan, dan
saling mempengaruhi. Oleh karena itu penggunaan asumsi adalah untuk membantu pen
yederhanaan model. Asumsi yang paling sering digunakan adalah asumsi ceteris par
ibus (hal-hal yang tidak diungkapkan dianggap tetap). Asumsi ini digunakan mengi
ngat sangat banyaknya variabel-variabel dalam ilmu sosial yang saling mempengaru
hi, yang sangat sulit untuk dianalisis secara bersamaan. Pembatasan penggunaan v
ariabel untuk menganalisis kegiatan ekonomi melalui penetapan ceteris paribus
9

tersebut, senyatanya adalah untuk mempermudah penafsiran-penafsiran serta penguk

uran kegiatan ekonomi. Oleh karena itu dibuatlah pernyataan-pernyataan yang mewa
kili variabel yang diukur saja, dan mengasumsikan variabel lainnya bersifat teta
p. Sebagai contoh, kalau kita hendak mencari jawaban tentang pertanyaan kenapa s
eseorang mengonsumsi suatu barang, maka kita dapat mengidentifikasi berbagai fak
tor yang mempengaruhi seperti: tingkat penghasilan, harga barang itu sendiri, ha
rga barang lain, selera, kebutuhan, ekspektasi masa mendatang, tingkat pengeluar
an, iklan, promosi, faktor barang pengganti, ketersediaan barang, kondisi politi
k, trend, gengsi, dan lain-lain, yang tentu itu tidak dapat dijelaskan secara pa
sti. Banyaknya faktor yang mempengaruhi tingkat konsumsi seseorang tersebut tent
u tidak dapat diidentifikasi secara pasti, maka dalam ekonometrika disiasati den
gan membentuk model, yang mengabstraksikan realita, dengan cara mengidentifikasi
faktor-faktor besar saja (misalnya 1-5 faktor terpenting saja), selebihnya diwa
kili dengan asumsi ceteris paribus tersebut. Model matematis merupakan salah sat
u model untuk menggambarkan teori yang diterjemahkan dalam bentuk matematis. Umu
mnya model dikembangkan dalam bentuk persamaan, dimana sebelah kiri tanda persam
aan mewakili variabel yang dipengaruhi, sedang variabel yang berada di sebelah k
anan tanda persamaan mewakili variabel yang mempengaruhi. Variabel yang dipengar
uhi disebut pula sebagai variabel terikat, variabel dependen (dependent variable
s). Variabel yang mempengaruhi disebut pula sebagai variabel bebas, variabel ind
ependen (independent variable), variabel penduga, juga variabel prediktor. Untuk
memudahkan tahapan proses analisis, dan mendapatkan jawaban yang valid maka per
lu menggunakan metodologi ekonometri yang memadai.
10

Metodologi Ekonometri Metodologi ekonometri merupakan serangkaian tahapan-tahapa

n yang harus dilalui dalam kaitan untuk melakukan analisis terhadap kejadian-kej
adian ekonomi. Secara garis besar, tahapan metodologi ekonometri dapat diurutkan
sebagai berikut: 1. merumuskan masalah 2. merumuskan hipotesa 3. menyusun model
4. mendapatkan data 5. menguji model 6. menganalisis hasil 7. mengimplementasik
an hasil Merumuskan Masalah Merumuskan masalah adalah hal yang sangat penting, k
arena merupakan pintu pembuka untuk menentukan tahapan-tahapan selanjutnya. Merumu
skan suatu masalah berarti mengungkap hal-hal apa yang ada di balik gejala atau
informasi yang ada, dan sekaligus mengidentifikasi penyebab-penyebab utamanya. O
leh karena itu, di dalam merumuskan masalah tidak dapat dilepaskan dari pemahama
n teori-teori yang melandasi atau kontekstual dengan penelitian, mengungkap meng
apa penelitian itu dilakukan, dan sekaligus mampu membuat rencana untuk menentuk
an langkah untuk mendapatkan jawaban dari permasalahan yang ada. Rumusan masalah
merupakan pedoman untuk membuat struktur isi penelitian. Wajar saja bila sebagi
an besar orang berpendapat bahwa perumusan masalah adalah tahapan yang paling su
lit dan menentukan.
11

Perumusan masalah yang baik tentu disertai dengan latar belakang masalah, karena
itu merupakan sumber informasi yang digunakan untuk memahami keterkaitan permas
alahan yang dirumuskan. Umumnya perumusan masalah dalam suatu penelitian diungka
pkan dalam bentuk kalimat pertanyaan yang membutuhkan jawaban. Karena membutuhka
n jawaban, maka akan semakin baik jika apa yang mendasari permasalahan itu adala
h hal-hal yang menarik minat peneliti. Sebagai ilustrasi dari perumusan masalah,
beberapa contoh dikemukakan sebagai berikut: 1. Seperti dijelaskan di atas, bah
wa evaluasi pegawai dalam rangka penempatan kerja di lingkungan Dinas Pendidikan
Nasional Kabupaten Sukoharjo belum dilakukan secara memadai. Dengan tidak dilak
ukannya evaluasi yang memadai, maka tidak dapat diketahui informasi yang terkait
dengan apa yang diharapkan pegawai, seberapa besar tingkat stres pegawai, maupu
n berapa besar potensi prestasi kerja yang tersimpan maupun yang telah dapat diw
ujudkan. Untuk itu dalam penelitian ini permasalahanpermasalahan seperti itu aka
n dirumuskan dalam bentuk pertanyaan sebagai berikut: apakah dalam penempatan ke
rja pegawai Depdiknas Kabupaten Sukoharjo selama ini telah sesuai dengan karakte
ristik individu masing-masing pegawai, atau karena terpaksa harus bertahan karen
a tuntutan yang lain? berapa besar tingkat stress yang dialami pegawai dilingkun
gan Depdiknas Kabupaten Sukoharjo, dan apa faktor yang yang paling signifikan me
mpengaruhinya? seberapa besar
12

tingkat prestasi kerja pegawai Depdiknas Kabupaten Sukoharjo selama ini? adakah
stress kerja yang dialami pegawai mempengaruhi prestasi kerja, seberapa besar pe
ngaruhnya? 2. Setelah Juni 1997 diketahui bahwa terdapat kesamaan arah antara in
flasi, kurs, dan suku bunga. Ketika inflasi meningkat kurs USD terhadap IDR juga
mengalami peningkatan, begitu pula suku bunga juga mengalami peningkatan. Tetap
i ketika inflasi mengalami penurunan ternyata baik kurs dan suku bunga juga meng
alami hal serupa. Berdasar pada hal tersebut, maka timbul pertanyaan apakah kurs
IDR terhadap USD dan suku bunga simpanan berjangka rupiah mempengaruhi tingkat i
nflasi di Indonesia ?
Merumuskan Hipotesa Hipotesa merupakan jawaban sementara terhadap masalah peneli
tian, sehingga perlu diuji lebih lanjut melalui pembuktian berdasarkan data-data
yang berkenaan dengan hubungan antara dua atau lebih variabel. Rumusan hipotesa
yang baik seharusnya dapat menunjukkan adanya struktur yang sederhana tetapi je
las, sehingga memudahkan untuk mengetahui jenis variabel, sifat hubungan antar v
ariabel, dan jenis data. Perumusan hipotesa biasanya berupa kalimat pernyataan y
ang merupakan jawaban sementara dari masalah yang akan diteliti. Berdasarkan con
toh pada sub
13

merumuskan masalah di atas, maka dapat dicontohkan penarikan hipotesis seperti i

ni: 4 1. Pegawai di lingkungan Dinas Pendidikan Kabupaten Sukoharjo banyak yang
mengalami stres kerja yang dapat berakibat pada menurunnya motivasi kerjanya. 2.
Inflasi di Indonesia setelah tahun 1997 dipengaruhi oleh kurs nilai tukar IDR-U
SD dan bunga deposito. Hubungannya bersifat searah.
Menyusun Model Pada dasarnya setiap ilmu pengetahuan bertujuan untuk menganalisi
s kenyataan yang wujud di alam semesta dan di dalam kehidupan manusia. Namun, ka
rena fakta-fakta mengenai kenyataan yang wujud dalam ilmu sosial ( dimana ilmu e
konomi termasuk salah satu cabangnya) berjumlah sangat banyak dan saling terkait
satu sama lainnya, maka menggambarkan kenyataan yang sebenarnya berlaku dalam p
erekonomian adalah merupakan hal yang tidak mudah. Agar dapat menjelaskan realit
as yang kompleks seperti itu, maka perlu dilakukan abstraksi melalui penyusunan
suatu model. Oleh karena itu model merupakan abstraksi dari realitas. Dalam ilmu
ekonomi, model ekonomi didefinisikan sebagai konstruksi teoritis atau kerangka
analisis ekonomi yang menggabungkan konsep, definisi, anggapan, persamaan, kesam
aan (identitas) dan ketidaksamaan dari
4
Penulisan hipotesis ini bersifat garis besar. Penulisan hipotesis dalam peneliti
an biasanya dituliskan sekaligus dua hipotesis yang berlawanan, yaitu hipotesis
nol dan hipotesis alternative.
14

mana kesimpulan akan diturunkan. 5 Sebagaimana namanya, dalam ilmu ekonomi tentu
yang digunakan adalah variabel-variabel ekonomi saja. Untuk variabel non ekonom
i tidak perlu dipilih, atau dimasukkan saja ke dalam asumsi ceteris paribus. Var
iabel ekonomi dibedakan menjadi: 6 1. Variabel Endogin, yaitu variabel yang menj
adi pusat perhatian si pembuat model, atau variabel yang ditentukan di dalam mod
el dan ingin diamati variansinya. 2. Variabel Eksogin, yaitu variabel yang diang
gap ditentukan di luar sistem (model) dan diharapkan mampu menjelaskan variasi v
ariabel endogin. 3. variabel kelambanan, yaitu variabel dengan unsur lag, yang u
mumnya digunakan untuk data runtut waktu. Fungsi model dalam ekonometrika adalah
sebagai tuntunan untuk mempermudah menguji ketepatan model penduga. Salah satu
bentuk model adalah berupa persamaan fungsi secara matematis. Karena pada hakika
tnya sebuah fungsi adalah sebuah persamaan matematis yang menggambarkan hubungan
sebab akibat antara sebuah variabel dengan satu atau lebih variabel lain. Ketep
atan model itu sendiri mempunyai dua tujuan yaitu: Pertama, untuk mengetahui apa
kah model penduga tersebut merupakan model yang tepat sebagai estimator. Kedua,
untuk mengetahui daya ramal atau goodness of fit dari model penduga. Model persa
maan ini disebut pula
5
Insukindro, Pembentukan Model dalam Penelitian Ekonomi, Jurnal Ekonomi dan Bisni
s Indonesia, 7(1), 1-18. 6 Kuncoro, Mudrajad, Metode Kuantitatif, Teori dan Apli
kasi Untuk Bisnis dan Ekonomi, UPP AMP YKPN, 2001, p.5.
15

sebagai metode regresi yang diharapkan dapat menjawab hipotesis yang telah diten
tukan. Model ekonometrika setidaknya terdiri dari dua golongan variabel, yaitu v
ariabel terikat (dependen) yang berada pada sebelah kiri tanda persamaan, dan va
riabel bebas (independen) yang berada di sebelah kanan tanda persamaan. Jumlah v
ariabel bebas tidak harus satu, tetapi dapat berjumlah lebih dari satu variabel.
Untuk model dengan satu variabel bebas disebut dengan regresi tunggal (single r
egression), sedang untuk model yang mempunyai lebih dari satu variabel bebas dis
ebut regresi berganda (multiple regression).
Mendapatkan Data Mendapatkan data merupakan suatu langkah yang harus dilakukan o
leh peneliti, agar dapat menjamin bahwa data yang dianalisis adalah benar-benar
menggunakan data yang tepat. Hal ini penting untuk mendapatkan hasil analisis ya
ng tidak bias atau menyesatkan. Para peneliti terdahulu telah mengingatkan agar
jangan sampai dalam penelitian terdapat GIGO, garbage In garbage out. Tahapan ya
ng dapat ditempuh untuk mendapatkan data pra analisis meliputi: penyuntingan dat
a, pengembangan variabel, pengkodean data, cek kesalahan, pembentukan struktur d
ata, tabulasi. Penyuntingan data, adalah upaya proses data untuk mendapatkan dat
a yang memberikan kejelasan, dapat dibaca, konsisten, dan komplit. Pengembangan
variabel, yaitu memperluas variansi data, misalnya mentransformasi menjadi data
dalam
16

angka logaritma, melakukan indeksasi data, komposit, dan lain-lain. Pengkodean d

ata, melakukan koding terhadap data yang akan digunakan dengan cara yang sesuai,
seperti koding terhadap variabel dummy, data ordinal, data interval, dan lain-l
ain. Cek kesalahan, merupakan finalisasi pengujian data agar betul-betul mendapa
tkan data akhir yang valid. Strukturisasi data, membuat kesedian data agar dapat
digunakan dengan baik di kemudian hari. Tabulasi data, biasanya tidak dimasukka
n sebagai prosedur analitik dalam penelitian ilmiah karena tidak mengungkapkan h
ubungan dalam data. Kendati demikian, banyak riset bisnis yang ditujukan untuk p
enjelasan masalah dan atau menemukan hubungan. Tabulasi menyajikan hitungan hitu
ngan frekuensi dari satu hal (analisis frekuensi) atau perkiraan numerik tentang
distribusi sesuatu (analisis deskriptif). Tabulasi merupakan alat analisis bisn
is. Tabulasi juga bermanfaat bagi peneliti sebagai alat menyusun kategori ketika
mengubah variabel interval menjadi klasifikasi nominal. Dengan kata lain, tabul
asi mendeskripsikan jumlah individu yang menjawab pertanyaan tertentu. Tabulasi
dapat juga digunakan untuk menciptakan statistik deskriptif mengenai variabel-va
riabel yang digunakan atau tabulasi silang. 7
Menguji Model Untuk mengetahui sejauh mana tingkat kesahihan model terbaik yang
dihasilkan, maka perlu dilakukan uji ketepatan fungsi regresi dalam menaksir nil
ai actual dapat
7
Ibid.
17

diukur dari goodness of fit-nya. Untuk melakukan uji goodness of fit pengukurann
ya dilakukan dengan menguji nilai statistik t, nilai statistik F, dan koefisien
determinasinya (R2) pada hasil regresi yang telah memenuhi uji asumsi klasik. Uj
i nilai statistik t untuk mengetahui pengaruh secara individual variabel indepen
den terhadap variabel dependen. Uji F untuk mengetahui secara bersama-sama semua
variabel independen dalam mempengaruhi variabel dependen. Sedangkan koefisien d
eterminasi untuk menentukan seberapa besar sumbangan variabel independen terhada
p variabel dependen. Uji asumsi klasik juga perlu dilakukan terhadap model agar
memperteguh validitas model, yang dapat dilakukan melalui pengujian normalitas,
autokorelasi, multikolinearitas, juga heteroskedastisitas. Menganalisis Hasil An
alisis ekonometrika dimulai dari interpretasi terhadap data dan keterkaitan anta
r variabel yang dijelaskan di dalam model. Tidak hanya analisis regresi, analisi
s korelasi juga perlu dilakukan untuk mendapatkan hasil pengukuran hingga benarbenar valid. Analisis regresi akan mendapatkan hasil pengaruh antara variabel in
dependen terhadap variabel dependen. Sedang untuk analisis korelasi berguna untu
k mengetahui hubungan antar variabel tanpa membedakan apakah itu variabel depend
en ataukah independen. Tanda positif atau negatif pada masing-masing koefisien p
erlu untuk dicermati, karena mempunyai keterkaitan langsung terhadap kesesuaian
dengan teori yang dirumuskan dalam model. Pengabaian terhadap kedua tanda terseb
ut, dapat menjadikan hasil regresi tidak sesuai dengan teori yang melatar belaka
ngi.
18

Hal lain yang tidak kalah pentingnya adalah pengimplemantasian dari hasil penguk
uran. Karena sebagus dan sebenar apapun hasil penelitian, apabila tidak ditindak
lanjuti dalam bentuk implementasi, tidak akan berarti apa-apa. -000Tugas: 1. Bua
tlah rangkuman dari pembahasan di atas 2. Cobalah untuk menyimpulkan maksud dari
uraian bab ini 3. Jawablah pertanyaan-pertanyaan di bawah ini: a. Apa yang dima
ksud dengan ekonometrika b. Bidang keilmuan apa saja yang terkait secara langsun
g dengan ekonometrika c. Jelaskan pentingnya ekonometrika d. Uraikan tahapan-tah
apan ekonometrika
19

BAB II MODEL REGRESI

Tujuan Pengajaran: Setelah mempelajari bab ini, anda diharapkan dapat: Mengerti
definisi model Mengerti definisi regresi Menyebutkan model-model regresi Menjela
skan kegunaan model regresi Menuliskan alternatif notasi model Memahami perbedaa
n-perbedaan model Menggunakan model untuk menjabarkan teori
20

BAB II MODEL REGRESI

Keilmuan sosial mempunyai karakteristik berupa banyaknya variabel-variabel atau
faktor-faktor yang saling mempengaruhi satu sama lain. Kondisi yang demikian ini
menyebabkan kesulitan dalam menentukan secara pasti faktor apa saja yang menyeb
abkan faktor tertentu. Sebagai contoh, apabila kita ingin mengetahui faktor apa
saja yang mempengaruhi permintaan suatu barang tertentu (sebut saja barang X), m
aka dengan mengidentifikasi kemungkinan faktor-faktor yang mempengaruhinya, kita
akan mendapatkan banyak sekali faktor-faktor itu seperti: harga barang tersebut
, harga barang lain, mutu barang, pendapatan, anggaran pengeluaran, prediksi har
ga masa yang akan datang, selera, trend yang berkembang, persepsi atas barang te
rsebut, kebutuhan, gengsi, return usaha yang mungkin diperoleh, tingkat bunga ba
nk, stabilisasi keamanan, tempat penjualan barang tersebut, barang pengganti, da
n tentu masih banyak lagi faktor-faktor lainnya yang sangat sulit untuk ditentuk
an secara mutlak, bahwa harga barang X tersebut hanya ditentukan oleh faktor-fak
tor yang telah dijelaskan. Dari beragam faktor-faktor yang disebutkan di atas, t
entu mempunyai tingkat signifikansi yang berbeda. Beberapa faktor mungkin mempun
yai tingkat signifikansi yang tinggi, sementara yang lain mungkin tingkat signif
ikansinya rendah, atau biasa disebut tidak signifikan. Dalam kepentingan untuk m
engidentifikasi beberapa variabel saja, maka dibenarkan untuk mengabaikan variab
el-variabel yang lain. Cara yang
21

dilakukan adalah membuat model, yang menjelaskan variabel-variabel yang hendak d

iteliti saja. Sedang untuk variabel-variabel lain yang terkait tetapi tidak hend
ak diteliti, dapat diabaikan. Hal ini dibenarkan dalam keilmuan sosial (ekonomi)
, karena terlalu banyak faktorfaktor yang saling terkait dan sangat sulit untuk
diidentifikasi secara menyeluruh, sehingga perlu asumsi yang menganggap tidak ad
anya perubahan dari variabelvariabel yang disebut dengan ceteris paribus. Model
dalam keilmuan ekonomi berfungsi sebagai panduan analisis melalui penyederhanaan
dari realitas yang ada. Sehingga model sering diartikan refleksi dari realita a
tau simplikasi dari kenyataan. Hal ini akan semakin jelas kalau kita runut dari
bentuk suatu model yang memang berbentuk sangat sederhana. Penulisan model dalam
ekonometrika adalah merupakan pengembangan dari persamaan fungsi secara matemat
is, karena pada hakikatnya sebuah fungsi adalah sebuah persamaan yang menggambar
kan hubungan sebab akibat antara sebuah variabel dengan satu atau lebih variabel
lain. Penulisan model dalam bentuk persamaan fungsi tersebut dicontohkan dalam
persamaan berikut ini: Persamaan Matematis Y=a + bX .. (pers.1) Persamaan Ekonometr
ika Y = b0 + b1X + e .. (pers.2) Munculnya e (error term) pada persamaan ekonometri
ka (pers.2) merupakan suatu penegasan bahwa sebenarnya banyak sekali variabel-va
riabel bebas yang mempengaruhi variabel terikat (Y). Karena dalam model tersebut
hanya ingin melihat pengaruh satu variabel X saja, maka variabel-variabel yang
lain dianggap bersifat tetap atau ceteris paribus, yang dilambangkan dengan e.
22

Bentuk Model Model persamaan fungsi seperti dicontohkan pada pers.2 bertujuan un
tuk mengetahui pengaruh variabel bebas terhadap variabel terikat. Oleh karena it
u, persamaan tersebut disebut juga sebagai persamaan regresi. Model Regresi memp
unyai bermacam-macam bentuk model yang dapat dibedakan berdasarkan sebaran data
yang terlihat dalam scatterplott-nya. 8 Setidaknya terdapat tiga jenis model yai
tu: Model Regresi Linier, Model Regresi Kuadratik, Model Regresi Kubik Model Reg
resi Linier Kata linier dalam model ini menunjukkan linearitas dalam variabel maup
un lineraitas dalam data. Kata linier menggambarkan arti bahwa sebaran data dala
m scatter plot menunjukkan sebaran data yang mendekati bentuk garis lurus. Data
semacam ini dapat wujud apabila perubahan pada variabel Y sebanding dengan perub
ahan variabel X. Jika sebaran datanya berkecenderungan melengkung, maka cocoknya
menggunakan dengan regresi kuadratik. Jika sebaran datanya kecenderungannya sep
erti bentuk U atau spiral regresinya menggunakan regresi kubik. Model linier sen
diri dapat dibedakan sebagai single linier maupun multiple linier. Disebut singl
e linier apabila variabel bebas hanya berjumlah satu dengan batasan pangkat satu
. Sedang multiple linier apabila variabel bebas lebih dari satu variabel dengan
batasan pangkat satu. Untuk lebih jelasnya akan dicontohkan bentuk
8
Scatter plot merupakan gambar sebaran data.
23

persamaan single linier (pers.3) dan persamaan multiple linier (pers.4) sebagai
berikut: Y = b0 + b1X + e .. (pers.3)
Y = b0 + b1X1 + b2X2 + + bnXn + e .. (pers.4)
Misalkan dari pers.3 dianggap bahwa Y = Inflasi, dan X = bunga deposito (Budep)
pada periode tertentu, dan jika datanya telah diketahui, maka data akan tergamba
r dalam bentuk titik-titik yang merupakan sebaran data dalam scatter plot. Denga
n menggunakan data penelitian hubungan antara inflasi dan bunga deposito antara
Januari 2001 hingga Oktober 2002, maka sebaran datanya tergambar sebagai berikut
:
Hubungan Suku Bunga terhadap Inflasi
16 15
14
13
12
11
10
INFLASI
9 8 13 .0 13 .5 14 .0 14 .5 15 .0 15 .5 16 .0 16 .5
BUDEP
Gambar 3
24

Sebaran data tersebut di atas (gambar 3) menunjukkan hubungan yang positif, yait
u jika bunga deposito meningkat, maka inflasi juga meningkat. Begitu pula jika b
unga deposito menurun, inflasi juga turun. Sedangkan contoh sebaran data yang di
gambarkan dalam scatter plot di bawah ini (gambar 4), menunjukkan bahwa hubungan
antara variable Afenegat (Afeksi negative) dan Latribut (Atribut) mempunyai hub
ungan yang negative. Jika atributnya berkurang, maka afeksi negatifnya meningkat
. Begitu pula sebaliknya. Dari scatter plot kedua gambar tersebut (baik gambar d
i atas maupun di bawah ini) menunjukkan bahwa sebaran datanya menyebar memanjang
lurus, sehingga dapat diwakili dengan garis lurus. Oleh karena itu, kedua scate
r plot tersebut akan tepat digunakan regresi linier.
1.9
1.8
1.7
LATRIBUT
1.6 0 10 20 30 40
AFENEGAT
Gambar 4
25

Model Kuadratik
Salah satu ciri model kuadratik dapat diketahui dari adanya pangkat dua pada sal
ah satu variabel bebasnya. Ciri yang lain dapat dilihat dari pengamatan terhadap
scatter plott yang menunjukkan kecenderungan sebaran data membentuk lengkung, t
idak seperti model linier yang cenderung lurus. Model kuadratik dituliskan dalam
persamaan fungsi sebagai berikut: Y = b0 + b1X1 + b2X12 + e .. (pers.5)
Model Kubik Salah satu ciri model kubik dapat diketahui dari adanya pangkat tiga
pada salah satu variabel bebasnya. Oleh karena itu sering disebut juga dengan f
ungsi berderajat tiga. Ciri yang lain dapat dilihat dari pengamatan terhadap sca
tter plott yang menunjukkan kecenderungan sebaran data yang berbentuk lengkung d
engan arah yang berbeda. Setiap fungsi kubik setidaktidaknya mempunyai sebuah ti
tik belok (inflexion point), yaitu titik peralihan bentuk kurva dari cekung menj
adi cembung atau dari cembung menjadi cekung. 9 Model kuadratik dituliskan dalam
persamaan fungsi sebagai berikut: Y = b0 + b1X1 + b1X12 + b1X13 + e (pers.6) ..
9
Dumairy, Matematika Terapan Untuk Bisnis dan Ekonomi, BPFE, Yogjakarta, p.140
26

Notasi Model
Huruf Y memerankan fungsi sebagai variabel dependen atau variabel terikat. Y ser
ing juga disebut sebagai variabel gayut, variabel yang dipengaruhi, atau variabe
l endogin. Dengan alasan keseragaman, penulisan huruf Y diletakkan disebelah kir
i tanda persamaan. Sedang variabel independen yang secara umum disimbolkan denga
n huruf X diletakkan disebelah kanan tanda persamaan. Huruf X menggambarkan vari
abel bebas atau variabel yang mempengaruhi. Oleh karena itu variabel ini mempuny
ai nama lain seperti variabel independen, variabel penduga, variabel estimator,
atau juga variabel eksogen. Peletakannya di sebelah kanan tanda persamaan menunj
ukkan perannya sebagai variabel yang mempengaruhi. Huruf b0 sering juga ditulisk
an dengan huruf a, , t u jug 0. Sec r su
st nsi penulis n itu mempuny i rti y
ng s m , y itu menunjukk n konst nt t u intercept y ng merup k n sif t
w n
d ri v ri
el Y. Konst nt ini mempuny i ngk y ng
ersif t tet p y ng sek ligu
s menunjukk n titik potong g ris regresi p d sum
u Y. Jik konst nt itu
ert n
d positif m k titik potongny di se
el h t s titik origin (0), sed ng
il
e
rt nd neg tif titik potongny di se
el h
w h titik origin. Nil i konst nt in
i merup k n nil i d ri v ri
el Y ketik v ri
el X
ernil i nol. At u deng n

h s y ng mud h, nil i konst nt merup k n sif t
w n d ri Y. Huruf
1,
2,
n
merup k n p r meter y ng menunjukk n slope t u kemiring n g ris regresi. P r m
eter ini sering jug ditulisk n deng n
entuk
, t u 1, 2, n. Meskipun ditulisk n
deng n t nd y ng
27


er
ed , sec r su
st nsi p r meter ini menunjukk n
et t u koefisien korel si
y ng sek ligus menunjukk n tingk t el stisit s d ri v ri
el X terse
ut. Nil i

et ini memungkink n untuk
ernil i positif m upun neg tif. T nd positif menun
jukk n hu
ung n y ng se r h nt r v ri
el X deng n v ri
el Y. Artiny jik X
meng l mi peningk t n m k Y jug meng l mi peningk t n. Se
likny jik X meng
l mi penurun n m k Y pun k n menurun. Ar h hu
ung n seperti itu tid k terj di
p d
et y ng
er ngk neg tif. K ren jik t nd ny neg tif r h hu
ung n X te
rh d p Y s ling
erl w n n. Jik X meningk t m k Y menurun, se
likny jik X m
enurun m k nil i st tistik t meningk t. Demiki n pul , k ren nil i koefisien k
orel si ini jug menunjukk n tingk t el stisit s, m k d ri
es rny nil i koefi
sien korel si (
) terse
ut d p t ditentuk n jenis el stisit sny . Jik nil i


es rny le
ih d ri s tu (
>1) m k dise
ut el stis. Artiny , jik v ri
el X men
g l mi peru
h n, m k v ri
el Y k n meng l mi peru
h n y ng le
ih
es r d ri
peru
h n y ng d p d v ri
el X terse
ut. Jik nil i

es rny s m deng n
ngk s tu (
=1) dise
ut uniter el stis. Artiny , jik v ri
el X meng l mi peru

h n, m k v ri
el Y k n meng l mi peru
h n y ng s m
es r deng n peru
h n
y ng d p d v ri
el X terse
ut. Jik nil i

es rny le
ih kecil d ri ngk
s tu (
<1) dise
ut inel stis. Artiny , jik v ri
el X meng l mi peru
h n, m k
v ri
el Y k n meng l mi peru
h n y ng le
ih kecil d ri peru
h n y ng d p
d v ri
el X terse
ut. Huruf e merup k n kependek n d ri error term t u kes l
h n penggg nggu. Sim
ol error ini tid k j r ng ditulisk n d l m huruf atau . Sim
bol ini mrupakan karaktristik dari konomtrika yang tidak dapat dilpaskan da
ri unsur-unsur stokhastik atau hal-hal yang mngandung probabilita, karna hasil
yang
28

ditunjukkan olh modl konomtrika hanya brsifat prkiraan, dalam arti tidak m
nunjukkan kbnaran yang mutlak. Olh karna itu nama lain dari simbol ini tida
k trlpas dari sifat dasar itu sprti: disturbanc rror atau stochastic distu
rbanc. Ksalahan pngganggu ini sndiri mmpunyai banyak sbab yang dapat mnim
bulkannya sprti: 1. tidak sluruh variabl bbas yang mmpunyai potnsi dalam
mmpngaruhi variabl trikat dapat disbutkan dalam modl. 2. ksalahan asumsi
dalam mnntukan tori yang diwujudkan sbagai modl. 3. ktidaklngkapan data y
ang dianalisis. 4. ktidaktpatan modl yang digunakan. Misalnya, sharusnya dig
unakan modl kuadratik ttapi justru yang digunakan adalah modl linir, atau s
baliknya.
Spsifikasi Modl dan Data Scara spsifik modl dalam konomtrika dapat dibda
kan mnjadi: modl konomi (conomic modl) dan modl statistic (statistical mod
l). Modl Ekonomi biasanya dituliskan dalam bntuk prsamaan sbagai brikut: Y
= b0 + b1X1 + b2 X2 Tanda b = paramtr, mnunjukkan ktrgantungan variabl Y
trhadap variabl X b0 = intrcpt, mnjlaskan nilai variabl trikat ktika ma
sing-masing variabl bbasnya brnilai 0 (nol).
29

Modl ini mnggambarkan rata-rata hubungan sistmik antara variabl Y, X1, X2. D
alam modl ini nilai  tidak trtra, karna nilai  diasumsikan non random. Dal
am ralita, modl ini tidak mampu mnjlaskan variablvariabl konomi scara pa
s (clar), olh karna itu mmbutuhkan rgrsi. Modl Statistik Modl konomi s
prti yang dijlaskan di atas, mncrminkan nilai harapan, maka dapat pula ditul
is: E (Y) = b0 + b1X1 + b2 X2 Karna nilai harapan, maka tntu tidak akan scara
pasti ssuai dngan ralita. Olh karna itu akan muncul nilai random rror tr
m (). Nilai  sndiri mrupakan slisih antara nilai knyataan dan nilai harapa
n. Scara matmatis dapat dituliskan sbagai brikut:  = Y E(Y)
atau  = Y Y
jadi, karna, maka
Y= Y+ Y = E (Y) = b0 + b1X1 + b2 X2 Y = b0 + b1X1 + b2 X2 + 
tanda  pada prsamaan di atas mncrminkan distribusi probabilitas. Atau dapat
pula dianggap sbagai pngganti variabl-variabl brpngaruh lain slain variab
l yang dijlaskan dalam modl. Dalam tori konomi,  mrupakan rprsntasi da
ri asumsi ctris paribus. Pngakuan adanya variabl lain yang brpngaruh, msk
ipun tidak disbutkan variabl apa, cukup ditulis dngan tanda , maka modl mn
jadi lbih ralistik. Agar
30

trdapat gambaran yang jlas, maka nilai  harus diasumsikan. Asumsi-asumsinya a

dalah: 1. Nilai harapan  sama dngan 0 (nol). E() = 0, masing-masing random r
ror mmpunyai distribusi probabilitas = 0. Mskipun  bisa brnilai positif atau
ngatif, ttapi rata-rata  harus = 0. 2. Varianc rsidual sama dngan standar
dviasi Var () = 2 , artinya: maing-maing random error mempunyai ditribui
probabilita variance yang ama dengan tandar deviai ( 2 ). Aumi ini menjela
kan bahwa reidual berifat homokedatik. 3. Kovarian ei dan ej mempunyai nila
i nol. Cov (ei, ej) = 0. Nilai nol dalam aumi ini menjelakan bahwa antara ei
dan ej tidak ada korelai erial atau tida berkorelai (autocorrelation). 4. Nil
ai random error mempunyai ditribui probabilita yang normal. Karena maing, ma
ing obervai Y tergantung pada e, maka maing-maing Y juga memiliki varian ya
ng random. Dengan demikian, tatitik Y menjadi ebagai beriku: 1. Nilai harapan
Y tergantung pada nilai maingmaing variabel penjela dan parameterparameterny
a. Dengan menggunakan aumi E(e) = 0, maka rata-rata perubahan nilai Y untuk e
tiap obervai ditentukan oleh fungi regrei. E (Y) = b0 + b1X1 + b2 X2 2. Vari
ance ditribui probabilita Y tidak dapat berubah etiap obervai. Var (Y) = V
ar (e) = 2 3. Tidak ada kaitan langung antara obervai atu dengan obervai l
ainnya.
31

Cov (Yi, Yj) = Cov (ei, ej) = 0 4. Nilai Y ecara normal terditribui di ekita
r ratarata. Aumi-aumi di ata difokukan pada pembahaan variabel terikat. P
erlu adanya aumi tambahan terhadap variabel penjela, yaitu: 1. Variabel indep
enden tidak berifat random, karena dengan jela dapat diketahui dari data. 2. V
ariabel independen tidak merupakan fungi linear dari yang lain. Aumi ini pent
ing agar tidak terjadi redundancy, yang menyebabkan multikolinearita.
Keimpulan: Dalam uatu model regrei terdapat dua jeni variabel, yaitu variabe
l terikat dan variabel beba, yang dipiahkan oleh tanda peramaan. Variabel ter
ikat ering diimbolkan dengan Y, biaa pula diebut ebagai variabel dependen,
variabel tak beba, variabel yang dijelakan, variabel yang dietimai, variabel
yang dipengaruhi. Cirinya, berada pada ebelah kiri tanda peramaan (=). Variab
el beba ering diimbolkan dengan X, biaa pula diebut ebagai variabel indepe
nden, variabel yang mempengaruhi, variabel penjela, variabel etimator, variabe
l penduga, variabel yang mempengaruhi, variabel prediktor. Cirinya terletak pada
ebelah kanan tanda peramaan (=). Dalam uatu model juga terdapat parameterpar
ameter yang diebut kontanta, juga koefiien korelai. Kontanta ering diimbo
lkan dengan a, atau b0, atau 0. Koefisien korel si dise
ut pul se
g i
et , B,

, menunjukk n slope, kemiring n, el stisit s.
32

-000Tug s: 1. Bu tl h r ngkum n d ri pem
h s n di t s! 2. Co
l h untuk menyimpulk

n m ksud d ri ur i n

ini! 3. J w
l h pert ny n-pert ny n di
w h ini:
. Jel sk n p y ng dim ksud deng n model!
. Se
utk n p s j jenis-jenis mode
l ekonometrik ! c. Jel sk n per
ed n nt r jenis-jenis model ekonometrik ! d.
Co
ur ik n sumsi- sumsi y ng h rus dipenuhi d l m regresi linier!
33

BAB III MODEL REGRESI DENGAN DUA VARIABEL

Tuju n Peng j r n: Setel h mempel j ri

ini, nd dih r pk n d p t: Menget hu
i kegun n d n spesifik si model Menjel sk n hu
ung n nt r v ri
el Meng itk n
d t y ng relev n deng n teori Mengem
ngk n d t Menghitung nil i p r meter Men
get hui rti d n fungsi p r meter Menentuk n signifik n tid kny v ri
el
e
s
Mem
c h sil regresi Menye
utk n sumsi- sumsi.
34

BAB III MODEL REGRESI DENGAN DUA VARIABEL

Bentuk model Model regresi deng n du v ri
el 10 umumny ditulisk n deng n sim

ol
er
ed
erd s rk n sum
er d t y ng digun k n, meskipun tet p ditulisk n d l
m pers m n fungsi regresi. Fungsi regresi y ng menggun k n d t popul si (FRP)
umumny menulisk n sim
ol konst nt d n koefisien regresi d l m huruf
es r, se

g i
erikut: Y = A + BX + .. (prs.3.1) Fungsi rgrsi yang mnggunakan data samp
l (FRS) umumnya mnuliskan simbol konstanta dan kofin rgrsi dngan huruf k
cil, sprti contoh sbagai brikut: Y = a + bX +  .. (prs.3.2) Dimana: A atau a;
mrupakan konstanta atau intrcpt B atau b; mrupakan kofisin rgrsi, yang
juga mnggambarkan tingkat lastisitas variabl indpndn Y; mrupakan variabl
dpndn X; mrupakan variabl indpndn
10
Yaitu satu variabl dpndn dan satu variabl indpndn
35

Notasi a dan b mrupakan prkiraan dari A dan B. Huruf a, b, disbut sbagai st
imator atau statistik, sdangkan nilainya disbut sbagai stimat atau nilai p
rkiraan. 11 Mskipun pnulisan simbol konstanta dan kofisin rgrsinya agak b
rbda, namun pnghitungannya mnggunakan mtod yang sama, yaitu dapat dilakukan
dngan mtod kuadrat trkcil biasa (ordinary last squar) 12, atau dngan m
tod Maximum Liklihood. Mtod Kuadrat Trkcil Biasa (Ordinary Last Squar) (
OLS) Pnghitungan konstanta (a) dan kofisin rgrsi (b) dalam suatu fungsi rg
rsi linir sdrhana dngan mtod OLS dapat dilakukan dngan rumus-rumus sbag
ai brikut: Rumus Prtama (I) Mncari nilai b: b=
n ( XY ) ( X )( Y ) n
( X ) ( X )
2
2
mencari nilai a: a=
Y b. X
n
Rumus kedua (II)
11 12
Supranto, J., Ekonometrik, Buku satu, LPFEUI, Jakarta, 1983 Ordinary Least Squar
e (OLS) ditemukan oleh Carl Friedrich Gauss, seorang Matematikawan Jerman, pada
tahun 1821.
36

Mencari nilai b:
b=
xy x
2
mencari nilai a:
a =Y b X
Misalnya saja kita ingin meneliti pengaruh bunga deposito jangka waktu 1 bulan (
sebagai variabel X = Budep) terhadap terjadinya inflasi di Indonesia (sebagai va
riabel Y=Inflasi) pada kurun waktu Januari 2001 hingga Oktober 2002, yang datany
a tertera sebagai berikut:
37

Observasi Jan 01 Peb 01 Mar 01 Apr 01 Mei 01 Jun 01 Jul 01 Agu 01 Sep 01 Okt 01
Nop 01 Des 01 Jan 02 Peb 02 Mar 02 Apr 02 Mei 02 Jun 02 Jul 02 Agu 02 Sep 02 Okt
02 Jumlah
Y 8.28 9.14 10.62 10.51 10.82 12.11 13.04 12.23 13.01 12.47 12.91 12.55 14.42 15
.13 14.08 13.3 12.93 11.48 10.05 10.6 10.48 10.33 260.49
X1 13.06 13.81 13.97 13.79 14.03 14.14 14.39 14.97 15.67 15.91 16.02 16.21 16.19
15.88 15.76 15.55 15.16 14.85 14.22 13.93 13.58 13.13 324.22
38

Bantuan dengan SPSS Cara memasukkan data tersebut di atas ke dalam SPSS, dapat d
ilakukan dengan tahapan sebagai berikut: 1. Pastikan bahwa lembar worksheet SPSS
sudah siap digunakan. Caranya: tampilkan program SPSS di layar monitor. 2. Masu
kkan data ke masingmasing kolom. Pastikan bahwa yang aktif adalah Data View (li
hat pojok kiri bawah), bukan variabel View!
39

3. Beri nama kolom tersebut sesuai nama variabelnya. Caranya: klik Variabel View
(pojok kiri bawah), maka akan muncul kolom: Name, Type, Width, Decimals, label,
values, missing, columns, align, measure. Masukkan nama variabel ke dalam kolom
Name. Misal kita mau memberi nama variabel dengan Y, maka ketik Y. Jika hendak
memberi nama tersebut dengan Inflasi, maka ketik inflasi. (Meskipun yang dimasuk
kan adalah huruf besar, tetapi dalam kolom akan muncul huruf kecil).
40

4. Data awal yang dimasukkan tadi dapat dikembangkan menjadi seperti hitungan da
lam tabel di bawah (misal menjadi X12). Caranya: klik Transform, kemudian pilih
Compute, maka layar SPSS akan berubah menjadi seperti dalam gambar sebagai berik
ut:
Pada kotak Target Variable (kanan atas) isilah dengan nama variabel baru (variab
el pengembangan). Sesuai contoh, ketik X12, dimana X12 ini merupakan X1 yang dik
uadratkan. Karena akan menghitung kuadrat, maka caranya: variabel yang ada di ko
lom Type&Label diblok (klik)
41

pindahkan ke dalam kolom Numeric Expression menggunakan langkah klik pada tanda
segitiga penunjuk arah. Setelah itu pilih ** (pada tuts kalkulator) dan ketik an
gka 2 (karena hendak mengkuadratkan), dan kemudian ketik OK. Jika tahapan terseb
ut telah dilalui, worksheet data akan menampakkan variabel baru dengan data yang
dihitung tadi. 5. Untuk membuat data perkalian, lakukan dengan cara memindahkan
salah satu nama variabel yang hendak dikalikan (misalnya, Y) dari kotak Type&La
bel ke Numeric Expression, pilih tanda pengali (*) dan ikuti dengan memindahkan
lagi variabel lainnya yang hendak dikalikan (misal X), setelah itu klik OK.
Berdasarkan data yang tertera di atas, maka nilai a dan b dapat dicari melalui p
enggunakan kedua rumus tersebut, baik itu rumus pertama ataupun kedua. Seandainy
a kita ingin menggunakan rumus pertama, maka langkah awal yang dapat dilakukan a
dalah mengadakan penghitunganpenghitungan atau pengembangan data untuk disesuaik
an dengan komponen rumus, sehingga nantinya dapat secara langsung diaplikasikan
ke dalam rumus. Pengembangan data yang dimaksudkan adalah menentukan nilai X12,
nilai Y2, serta nilai XY. Hasil pengembangan data dapat dilihat pada tabel berik
ut:
42

Observasi Jan 01 Peb 01 Mar 01 Apr 01 Mei 01 Jun 01 Jul 01 Agu 01 Sep 01 Okt 01
Nop 01 Des 01 Jan 02 Peb 02 Mar 02 Apr 02 Mei 02 Jun 02 Jul 02 Agu 02 Sep 02 Okt
02 Jumlah
Y 8.28 9.14 10.62 10.51 10.82 12.11 13.04 12.23 13.01 12.47 12.91 12.55 14.42 15
.13 14.08 13.3 12.93 11.48 10.05 10.6 10.48 10.33 260.49
X1 13.06 13.81 13.97 13.79 14.03 14.14 14.39 14.97 15.67 15.91 16.02 16.21 16.19
15.88 15.76 15.55 15.16 14.85 14.22 13.93 13.58 13.13 324.22
X12 170.5636 190.7161 195.1609 190.1641 196.8409 199.9396 207.0721 224.1009 245.
5489 253.1281 256.6404 262.7641 262.1161 252.1744 248.3776 241.8025 229.8256 220
.5225 202.2084 194.0449 184.4164 172.3969 4800.525
Y2 68.5584 83.5396 112.7844 110.4601 117.0724 146.6521 170.0416 149.5729 169.260
1 155.5009 166.6681 157.5025 207.9364 228.9169 198.2464 176.89 167.1849 131.7904
101.0025 112.36 109.8304 106.7089 3148.48
XY 108.1368 126.2234 148.3614 144.9329 151.8046 171.2354 187.6456 183.0831 203.8
667 198.3977 206.8182 203.4355 233.4598 240.2644 221.9008 206.815 196.0188 170.4
78 142.911 147.658 142.3184 135.6329 3871.398
Setelah mendapatkan hitunganhitungan hasil pengembangan data, maka angkaangka
tersebut dapat secara langsung dimasukkan ke dalam rumus I, sebagai berikut: Men
cari nilai b: b=
n ( XY ) ( X )( Y ) n
( X ) ( X )
2
2
43

b=
22 (3.871,398) (324,22 )(260,49 ) 22 (4.800,525) (324,22 )
2
85.170,76 84.456,0678 105.611,60 105.118,6084 714,6922 = 492,9916
=
b = 1,4497 dengan diketahuinya nilai b, maka nilai a juga dapat ditentukan, kare
na rumus pencarian a terkait dengan nilai b. Mencari nilai a: a= = =
Y b. X
n
260,49 1,4497 (324,22) 22 260,49 470,022 22
a = 9.5241
Seperti telah dijelaskan di atas, bahwa nilai a dan b dapat pula dicari dengan m
enggunakan rumus kedua. Demikian pula, agar dapat secara langsung menggunakan ru
mus II ini, perlu menghitung dulu komponenkomponen rumus.Langkah yang dapat dil
akukan dicontohkan sebagai berikut:
44

Mencari nilai b, menggunakan rumus kedua:

b=
xy x
2
Dari rumus di atas, kita perlu menemukan dulu nilai dari xy atau x 2 yang dapat
dilakukan dengan rumusrumus sebagai berikut:
x = X ( X )
2 2
2
/n
y = Y ( Y )
2 2
2
/n
xy = XY ( X Y ) / n
maka:
x 2 = 4800.53 
324.22 2 22
= 4800.53 4778.12 = 22.41
260.49 2 y = 3148.48  22
2
= 3148.48 3084.32 = 64.16
45

 xy
= 3871,40 
(324.22 260.49) 22
= 3871.40 3838.91 = 32.49
Dengan diketahuinya, nilainilai tersebut, maka nilai b dapat ditentukan, yaitu:
b=
32.49 = 1.4498 22.41
Dengan diketahuinya nilai b, maka nilai a juga dapat dicari dengan rumus sebagai
berikut:
a =Y b X
= 11.8405 (1.4498 x 14.7373) = 11.8405 21.3661 a= 9.5256
Hasil pencarian nilai a dan b dengan menggunakan rumus I dan II didapati angka y
ang cenderung sama. Pada penghitungan rumus I nilai a = 9,5241 dan b = 1,4497. Se
dangkan hasil penghitungan dengan rumus II, nilai a = 9,5256 dan b = 1,4498. Ta
mpak bahwa hingga dua angka di belakang koma tidak terdapat perbedaan, sedangkan
tiga angka di belakang koma mulai ada perbedaan. Perbedaan ini sifatnya tidak t
idak substansial, karena munculnya perbedaan itu sendiri akibat dari
46

pembulatan. Dengan demikian dapat disimpulkan bahwa, mencari a dan b dengan rumu
s I ataupun rumus II akan menghasilkan nilai yang sama. Bantuan dengan SPSS Nila
i a dan b dapat dilakukan dengan melalui bantuan SPSS. Caranya: Klik Analize, pi
lih regression, pilih linear, masukkan variabel Y ke dalam kotak Dependent Varia
ble (caranya pilih variabel Y dan pindahkan dengan klik pada segitiga hitam), pi
ndahkan variabel X ke kotak Independent Variable, kemudian klik OK. SPSS akan me
nunjukkan hasilnya. Nilai a dan b akan tertera dalam output berjudul Coefficient
.
47

Output
Model Summary Adjusted R Square .721 Std. Error of the Estimate .9236
Model 1
R R Square .857a .734
a. Predictors: (Constant), X1
48

b ANOVA
Sum of Model Squares 1 Regression 47.101 Residual 17.059 Total 64.160 a. Predict
ors: (Constant), X1 b. Dependent Variable: Y
df 1 20 21
Mean Square 47.101 .853
F 55.220
Sig. .000a
a Coefficients
Model 1 (Constant) X1
Standardi zed Coefficien Unstandardized ts Coefficients B Std. Error Beta 9.527
2.882 1.450 .195 .857
t 3.305 7.431
Sig. .004 .000
a. Dependent Variable: Y
Catatan: Hasil penghitungan manual dan SPSS tampaknya ada perbedaan dalam desima
l. Itu disebabkan adanya penghitungan pembulatan.
Meskipun nilai a dan b dapat dicari dengan menggunakan rumus tersebut, namun nil
ai a dan b baru dapat dikatakan valid (tidak bias) 13 apabila telah memenuhi beb
erapa asumsi, yang terkenal dengan
Tidak bias artinya nilai a atau nilai b yang sebenarnya. Dikatakan demikian seba
b, jika asumsi tidak terpenuhi, nilai a dan b besar kemungkinannya tidak merupak
an nilai yang sebenarnya.
13
49

sebutan asumsi klasik. 14 Asumsiasumsi yang harus dipenuhi dalam OLS ada 3 asum
si, yaitu: 1). Asumsi nilai harapan bersyarat (conditional expected value) dari
ei, dengan syarat X sebesar Xi, mempunyai nilai nol. 2). Kovarian ei dan ej memp
unyai nilai nol. Nilai nol dalam asumsi ini menjelaskan bahwa antara ei dan ej t
idak ada korelasi serial atau tida berkorelasi (autocorrelation). 3). Varian ei
dan ej sama dengan simpangan baku (standar deviasi). Asumsi 1,2,3, di atas dirin
gkas sebagai berikut:
Asumsi Dinyatakan E E (ei/Xi) = 0 dalam Dinyatakan dalam Y Digunakan untuk memba
has Multikolinearitas Autokorelasi Heteroskedas tisitas
1 2 3
E (Yi/Xi) = A + Bxi
Kov (ei , ej) = 0, Kov (Yi , Yj) = 0, i j i j Var (ei/Xi) = 2 Var (Yi/Xi) = 2
Penjelaan aumi-aumi ini ecara rinci akan dibaha pada bab terendiri tenta
ng Multikolinearita, Autokorelai, dan Heterokedatiita. Prinip-prinip Met
ode OLS
Diebut klaik karena penemuannya pada jaman klaic (claic era), modelnya eri
ng juga diebut ebagai model regrei klaik, baku, umum (claic, tandard, gen
eral). Lihat Supranto (1983:73).
14
50

Perlu diketahui bahwa dalam metode OLS terdapat prinip-prinip antara lain: 1.
Analii dilakukan dengan regrei, yaitu analii untuk menentukan hubungan peng
aruh antara variabel beba terhadap variabel terikat. Regrei endiri akan mengh
itung nilai a, b, dan e (error), oleh karena itu dilakukan dengan cara matemati
. 2. Hail regrei akan menghailkan gari regrei. Gari regrei ini merupakan
repreentai dari bentuk arah data yang diteliti. Gari regrei diimbolkan deng
an Y (baca: Y topi, atau Y cap), yang berfungi ebagai Y perkiraan. Sedangkan d
ata diimbolkan dengan Y aja. Perlu diingat, bahwa dalam etiap data tentu memp
unyai loku ebaran yang berbeda dengan yang lainnya, ada data yang tepat berada
pada gari regrei, tetapi ada pula yang tidak berada pada gari regrei. Data
yang tidak berada tepat pada gari regrei akan memunculkan nilai reidual yang
biaa diimbulkan dengan ei, atau ering pula diebut dengan itilah kealahan p
engganggu. Untuk data yang tepat berada pada gari maka nilai Y ama dengan Y .
Nilai a dalam gari regrei digunakan untuk menentukan letak titik potong gari
pada umbu Y. Jika nilai a > 0 maka letak titik potong gari regrei pada umbu
Y akan berada di ata origin (0), apabila nilai a < 0 maka titik potongnya akan
berada di bawah origin (0). Nilai b atau diebut koefiien regrei berfungi unt
uk menentukan tingkat kemiringan gari regrei. Semakin rendah
51

nilai b, maka derajat kemiringan gari regrei terhadap umbu X emakin rendah p
ula. Sebaliknya, emakin tinggi nilai b, maka derajat kemiringan gari regrei t
erhadap umbu X emakin tinggi. Gambaran uraian di ata dapat dilihat pada gamba
r berikut:
Y
Yi = a + bX i
Y1
. . . . . e . . o . b
X1
. . .
e
a 0
X
Munculnya gari Yi = a + bX i eperti dalam gambar di ata, didapatkan dari mema
ukkan angka Xi ke dalam peramaan Yi = a + bXi +e. Dengan menggunakan hail hit
ungan pada data di ata, maka gari Yi = a + bX i bearnya adalah: Yi = 9,525 + 1
,449X i
Karena nilai a dalam garis regresi bertanda negatif () dengan angka 9,525, maka
garis regresi akan memotong sumbu Y dibawah origin (0) pada angka 9,525. Nilai
parameter b variabel X yang besarnya 1,449 menunjukkan arti bahwa variabel X ter
sebut tergolong elastis, karena nilai b > 1. Artinya, setiap
52

perubahan nilai X akan diikuti perubahan yang lebih besar pada nilai Y. Tanda po
sitif pada parameter b tersebut menunjukkan bahwa jika variabel X meningkat maka
Y juga akan meningkat. Sebaliknya, jika X mengalami perubahan yang menurun, mak
a Y juga akan menurun, dengan perbandingan perubahan 1:1,449.
Ingat Elastisitas
Jenis Elastisitas Elastik Koefisien Elastisitas E>1 Sifat Elastisitas Perubahan
yang terjadi pada variabel bebas diikuti dengan perubahan yang lebih besar pada
variabel terikat Perubahan yang terjadi pada variabel bebas diikuti dengan perub
ahan yang sama besar pada variabel terikat Perubahan yang terjadi pada variabel
bebas diikuti dengan perubahan yang lebih kecil pada variabel terikat
Elastik Unitary Inelastik
E=1
E<1
Tanda (+) pada koefisien regresi menunjukkan hubungan yang searah. Artinya, jika
variabel bebas meningkat, maka variabel terikat juga meningkat. Demikian pula s
ebaliknya. Tanda () pada koefisien regresi menunjukkan hubungan yang berlawanan
. Artinya, jika variabel bebas meningkat, maka variabel terikat akan menurun. De
mikian pula sebaliknya.
53

Menguji Signifikansi Parameter Penduga Seperti dijelaskan di muka, dalam persama

an fungsi regresi OLS variabelnya terbagi menjadi dua, yaitu: variabel yang disi
mbolkan dengan Y (yang terletak di sebelah kiri tanda persamaan) disebut dengan
variabel terikat (dependent variable). Variabel yang disimbolkan dengan X (diseb
elah kanan tanda persamaan) disebut dengan variabel bebas (independent variable)
. Utamanya metode OLS ditujukan tidak hanya menghitung berapa besarnya a atau b
saja, tetapi juga digunakan pula untuk menguji tingkat signifikansi dari variabe
l X dalam mempengaruhi Y. Pengujian signifikansi variabel X dalam mempengaruhi Y
dapat dibedakan menjadi dua, yaitu: 1) pengaruh secara individual, dan 2) penga
ruh secara bersamasama. Pengujian signifikansi secara individual pertama kali d
ikembangkan oleh R.A. Fisher, dengan alat ujinya menggunakan pembandingan nilai
statistik t dengan nilai t tabel. Apabila nilai statistik t lebih besar dibandin
gkan dengan nilai t tabel, maka variabel X dinyatakan signifikan mempengaruhi Y.
Sebaliknya, jika nilai statistik t lebih kecil dibanding dengan nilai t tabel,
maka variabel X dinyatakan tidak signifikan mempengaruhi Y. Metode dengan memban
dingkan antara nilai statistik (nilai hitung) dengan nilai tabel seperti itu dig
unakan pula pada pengujian signifikansi secara serentak atau secara bersamasama
. Hanya saja untuk pengujian secara bersamasama menggunakan alat uji pembanding
an nilai F. Hal Pengujian ini dikembangkan oleh Neyman dan Pearson. Hal mendasar
yang membedakan antara penggunaan uji t dan uji F terletak pada jumlah variabel
bebas yang diuji signifikansinya dalam mempengaruhi Y. Jika hanya menguji signi
fikansi satu variabel bebas saja,
54

maka yang digunakan adalah uji t. Oleh karena itu disebut sebagai uji signifikan
si secara individual. Sedangkan pengujian signifikansi yang menggunakan lebih da
ri satu variabel bebas yang diuji secara bersamasama dalam mempengaruhi Y, maka
alat ujinya adalah menggunakan uji F. Sebagai perbandingan antara penggunaan uj
i t dan uji F dapat dilihat pada tabel berikut:
Tabel. 2. Pembandingan antara uji t dan uji F Hal yang dibandingkan Penemu Signi
fikan Tidak signifikan Pengujian Banyaknya variabel Uji t R.A. Fisher t hitung >
t tabel t hitung < t tabel Individual Satu Uji F Neyman, Pearson F hitung > F t
abel F hitung < F tabel Serentak Lebih dari satu
Uji t Untuk menguji hipotesis bahwa b secara statistik signifikan, perlu terlebi
h dulu menghitung standar error atau standar deviasi dari b. Berbagai software k
omputer telah banyak yang melakukan penghitungan secara otomatis, tergantung per
mintaan dari user. Namun perlu bagi kita untuk mengetahui formula dari standar e
rror dari b, yang ternyata telah dirumuskan sebagai berikut: Sb =
(Y Y ) (n k ) (X X )
2
t
t
2
t
Atau dapat ditulis pula dengan rumus sebagai berikut:
55

Sb =
e (n k ) (X
2 t
t
X)
2
Dimana: Yt dan Xt adalah data variabel dependen dan independen pada periode t Yt
adalah nilai variabel dependen pada periode t yang didapat dari perkiraan garis
regresi X merupakan nilai tengah (mean) dari variabel independen e atau Yt Yt m
erupakan error term n adalah jumlah data observasi k adalah jumlah perkiraan koe
fisien regresi yang meliputi a dan b (nk) disebut juga dengan degrees of freedo
m (df). Guna menghitung standar deviasi dari data yang tersedia berdasar rumus d
i atas, maka diperlukan menghitung nilai Yt terlebih dulu, untuk mempermudah pen
ghitungan e atau Yt Yt . Caranya adalah memasukkan nilai X ke dalam hasil regres
i yang di hasilkan di atas. Dengan demikian tabel data akan menghasilkan kolom Y
t sebagaimana tertera pada tabel di bawah ini.
56

Bantuan dengan SPSS Uji t dapat dilihat dalam output hasil regresi dengan SPSS p
ada tabel Coefficient. Uji F dapat dilihat dalam output hasil regresi dengan SPS
S pada tabel ANOVA. Kolom Sig. baik pada tabel Coefficient maupun ANOVA menunjuk
kan tingkat signifikansi pada derajat kesalahan () tertentu. Mis l, kolom Sig. me
nunjukk n ngk 0,04 itu
er rti
hw tingk t kes l h nny menc p i 4%. Angk s
e
es r itu d p t dik t k n signifik n jik der j t kes l h n () tel h ditentuk n
se
es r 0,05. Tet pi jik ditentuk n 0,01 m k ngk terse
ut tid k signifik n.
T
el pengem
ng n d t untuk menghitung St nd r Devi si
X1 13.06 13.81 13.97 13.79 14.03 14.14 14.39 14.97 15.67 15.91 16.02 16.21 16.19
Y 8.28 9.14 10.62 10.51 10.82 12.11 13.04 12.23 13.01 12.47 12.91 12.55 14.42
Y
9.413 10.501 10.733 10.472 10.820 10.979 11.342 12.183 13.198 13.546 13.705 13.9
81 13.952
(Y Y ) (Y Y ) (X X ) (X X )
2
2

1.133 1.361 0.113 0.038 0.001 1.131 1.699 0.047 0.188 1.076 0.795 1.431 0
.468
1.284 1.851 0.013 0.001 0.000 1.279 2.885 0.002 0.035 1.157 0.632 2.046 0.219

1.68 0.93 0.77 0.95 0.71 0.60 0.35 0.23 0.93 1.17 1.28 1.47 1.45
2.82 0.86 0.59 0.90 0.50 0.36 0.12 0.05 0.86 1.37 1.64 2.16 2.10
57

15.88 15.76 15.55 15.16 14.85 14.22 13.93 13.58 13.13 324.22
15.13 14.08 13.3 12.93 11.48 10.05 10.6 10.48 10.33 260.49
13.502 13.328 13.024 12.458 12.009 11.095 10.675 10.167 9.515 260.591
1.628 0.752 0.277 0.472 0.528 1.045 0.075 0.313 0.816 0.101
2.650 0.566 0.076 0.223 0.279 1.092 0.006 0.098 0.665 17.060
1.14 1.02 0.81 0.42 0.11 0.52 0.81 1.16 1.61 0.06
1.30 1.04 0.66 0.18 0.01 0.27 0.66 1.35 2.59 22.41
Dengan adanya pengembangan data menjadi seperti tertera pada tabel di atas, maka
Sb dapat segera dicari, dimana hasilnya ditemukan sebesar: Sb =
17.06 20(22.41)
17.06 448.2
=
= 0.195 Selain dicari dengan rumus seperti di atas, Sb dapat pula dicari melalui
jalan lain dengan rumus yang dapat dituliskan sebagai berikut: Sb =
s e2 xi2
Bila kita hendak menggunakan rumus ini, maka perlu terlebih dulu mencari nilai S
e2 yang dapat dicari dengan membagi nilai total ei2 dengan n2. Jadi S e2 dapat
dicari dengan rumus sebagai berikut:
58

s e2 =
e
2 i
n2
Agar rumus ini dapat langsung digunakan, tentu terlebih dulu harus mencari nilai
total ei2 yang dapat dicari melalui rumus berikut ini: Rumus mencari nilai tota
l ei2 : ei2 = yi2 b 2 xi2 Dengan memasukkan nilai komponen rumus yang telah dida
patkan melalui hitunganhitungan terdahulu, maka nilai ei2 dapat diketahui, yait
u:
ei2 = 64.16 2.1019 (22.41)
= 64.16 47.1040 = 17.056 Hitungan di atas telah memastikan bahwa nilai ei2 adala
h sebesar 17,056. Dengan diketemukannya nilai ei2 ini maka nilai s e2 pun dapat
diketahui melalui hitungan sebagai berikut:
s =
2 e
e
2 i
n2
= =
17.056 22 2 17.056 20
= 0.8528
59

Karena nilai se2 merupakan salah satu komponen untuk mencari nilai Sb, maka deng
an ditemukannya nilai s e2 sebesar 0,8528 tentu saja nilai Sb pun dapat diketahu
i, yaitu: Sb =
s e2 xi2
0.8528 22.41
=
= 0.195 Hitungan dengan rumus ini ternyata menghasilkan nilai Sb yang sama besar
dengan hitungan menggunakan rumus yang pertama, yaitu nilai Sb sebesar 0,195. D
engan diketahuinya nilai Sb, maka nilai statistik t (baca: t hitung) dapat diten
tukan, karena rumus mencari t hitung adalah: t=
b sb
Jadi, nilai t hitung variabel X adalah sebesar: t =
1.4498 0.195
= 7.4348 Penghitungan nilai t dengan cara yang dilakukan di atas, menunjukkan ba
hwa nilai statistik t sebesar
60

7,4348. Angka tersebut umumnya disebut pula sebagai nilai t hitung. Besarnya ang
ka t hitung ini yang menentukan signifikan tidaknya variabel X dalam mempengaruh
i variabel Y. Cara menentukan signifikan tidaknya nilai t tersebut adalah melalu
i pembandingan antara nilai t hitung dengan nilai t tabel. Nilai t tabel sebenar
nya telah ditentukan pada tabel t student yang telah ditetapkan oleh para penemu
nya. Karena untuk menentukan signifikan tidaknya nilai t hitung adalah melalui u
paya membandingkan dengan nilai t tabel, maka dapat diketahui bahwa, jika nilai
t hitung > t tabel, maka signifikan. Jika nilai t hitung < t tabel, maka tidak s
ignifikan. Dengan menggunakan contoh data di atas, seandainya kita menggunakan d
erajat kesalahan yang ditolerir adalah 5 % (baca: = 0,05), d n k ren juml h o
s
erv si d l h se
ny k 22 (
c : n=22), m k degree of freedom (df) s m deng n
se
es r nk = 20, k ren juml h k d l h 2, y itu 1 p r meter d n 1 p r meter

, m k nil i t t
elny d l h se
es r 1,725. (Lih t d t t t
el di h l m n l m
pir n). Nil i t t
el y ng
es rny 2,086, sud h tentu ngk terse
ut le
ih keci
l di
nding deng n nil i t hitung y ng
es rny 7,4348. At s d s r itu d p t dip
stik n
hw v ri
el X (
udep) signifik n mempeng ruhi Y (infl si). G m
r n p
enguji n nil i t d p t disim k mel lui g m
r di
w h ini:
61

D er h diterim D er h Ditol k -t /2; (n-k-1) -1,725 G
.3.1. D er h Uji t D er h

Ditol k t /2; (n-k-1) 1,725
G m
r di t s menunjukk n penguji n nil i t du r h t u two sided t u two t
il test. Kutu
se
el h kiri
ert nd neg tif. Nil i t hitung
ert nd neg tif y
ng nil iny le
ih kecil d ri nil i 2.806
er d p d d er h ditol k. Kutu
se
el
h k n n y ng
ert nd positif
ergun se
g i pem
t s nil i t hitung y ng le
ih
kecil d ri 1,725
er rti
er d di d er h tol k. T nd -t /2 t u t /2 mem
erik n
rti
hw m sing-m sing kutu
mempuny i d er h distri
usi tol k se
es r 2,5%.
Juml h d ri kedu ny mencermink n = 5%. Jik penguji n nil i t menggun k n pengu
ji n s tu r h t u one t il test, m k d er h tol k h ny d p d s l h s tu k
utu
s j . Bil i nil i t hitungny neg tif, m k d er h tol k
er d p d se
el
h kiri kurv , sed ng
il nil i t hitungny positif, m k d er h tol k
er d p
d sisi se
el h k n n. Pro

ilit s d er h tol k tid k l gi ter
gi menj di du
deng n porsi m sing-m sing 2,5%, tet pi tel h penuh se
es r 5%.
62

Interpret si H sil regresi Setel h t h p n n lisis regresi dil kuk n sesu i den
g n teori-teori y ng relev n, l ngk h terpenting
erikutny d l h menginterpret
si h sil regresi. Interpret si y ng dim ksudk n disini d l h menget hui inform
si-inform si y ng terk ndung d l m h sil regresi mel lui peng rti n d ri ngk ngk p r meterny . Deng n meng m
il hitung n d ri contoh k sus di t s, m k h
sil n lisis regresi t s peng ruh v ri
el suku
ung (Budep) (X) terh d p ting
k t infl si di Indonesi sel m 22
ul n mul i d ri J nu ri 2001 hingg Okto
er
2002 (Infl si) (Y) d p t ditulis d l m pers m n se
g i
erikut: Infl si = -9,5
256 + 1,4498 Budep + e
thit =
(7,4348)
Pers m n di t s menginform sik n
hw v ri
el Budep signifik n mempeng ruhi
v ri
el Infl si. Ter
ukti d ri nil i thit v ri
el Budep se
es r 7,4348 le
ih

es r di
nding nil i tt
el, p d =5% deng n d.f. se
ny k 20, y ng
es rny 1,72
5. Nil i
Budep y ng
es rny 1,4498 menginform sik n
hw seti p Budep mening
k t 1%, m k Infl si k n meng l mi peningk t n se
es r 1,4498%. Se
likny , p

il Budep turun se
es r 1% m k Infl si jug k n meng l mi penurun n se
es r 1
,4498%. Perlu diing t
hw nil i
jug mencermink n tingk t el stisit s v ri

el X. K ren nil i
(1,4498) le
ih
es r d ri ngk 1 (s tu), m k d p t dip st
ik n
hw v ri
el Budep s ng t el stis 15. Artiny ,
es rny tingk t peru
h n
y ng terj di p d Budep k n
St nd r el stisit s d p t diket hui d ri: jik E>1 = el stis, E=1 =uniter el sti
s, E<1 = inel stis.
15
63

meng ki
tk n tingk t peru
h n y ng le
ih
es r p d v ri
el Y (Infl si). Koef
isien Determin si (R2) Pem
h s n h sil regresi di t s menunjukk n se
er p
es
r nil i ,
, d n t. Nil i menjel sk n tent ng se
er p
es r f ktor-f ktor y
ng
ersif t tet p mempeng ruhi infl si, sed ngk n nil i
mencermink n tingk t
el stisit s v ri
el X. Nil i t sendiri memperteg s signifik n tid kny v ri
el
X d l m mempeng ruhi Y. D ri
e
er p nil i y ng did p tk n terse
ut,
elum dip
eroleh keter ng n tent ng
er p
es r peng ruh X (
udep) terh d p Y (infl si).
Se
g i ilustr si, se nd iny Y (infl si) dii
r tk n deng n gel s, d n v ri
el
X (Budep) se
g i ir, m k hitung n-hitung n y ng dil kuk n di t s
elum m mp
u mem
erik n inform si tent ng se
er p
ny k ir y ng d d l m gel s terse
ut
. Untuk memperoleh keter ng n
ny kny isi ( ir) y ng d d l m gel s, t u se

er p
es r peng ruh X (Budep) terh d p Y (Infl si), m k perlu dil kuk n penghi
tung n koefisien determin si, y ng
i s disim
olk n deng n R2 (
c : R squ re).
Koefisien determin si (R2) p d intiny mengukur se
er p j uh kem mpu n model
d l m mener ngk n v ri si v ri
el terik t. Bes rny nil i koefisien determin si
d l h di nt r nol d n s tu (0<R2<1). Nil i R2 y ng mendek ti 0 (nol) menunju
kk n kem mpu n v ri
el-v ri
el independen d l m menjel sk n v ri si v ri
el d
ependen m t ter
t s. Nil i y ng mendek ti ngk 1 (s tu) menunjukk n v ri
elv ri
el independen memu t h mpir semu inform si y ng di
utuhk n untuk mempredi
ksi v ri si v ri
el dependen.
64

Deng n k lim t l in d p t dijel sk n
hw koefisien determin si (R2)

k y ng menunjukk n proporsi v ri
el dependen y ng dijel sk n oleh v

el independen. Jug , d p t digun k n se
g i ukur n ketep t n d l m
prediktor. Artiny , R2 menunjukk n se
er p
es r sum
ng n X terh d
menentuk n koefisien determin si (R2) p d regresi linier sederh n ,
tung deng n rumus se
g i
erikut:
n XY X Y

d l h ng
ri si v ri
menentuk n
p Y. Untuk
d p t dihi

R2 =
2 2 2 2 n X ( X ) ] [n Y (Y )
[
]
Rumus ini jika digunakan untuk menghitung data yang telah tersedia di atas, maka
akan menghasilkan nilai sebagai berikut:
R =
2
22 (3.871,4) 324,22(260,49) 22(4.800,53) (324,22) 2 ] [22(3.148,48) (260,49)2
[
]

R2 =
714,73 = 22,20 x 37,57 [493,06] [1.411,52] 714,73
R2 = = 0,857 834,05 Angka koefisien determinasi (R2) yang besarnya 0,857 ini bil
a ditulis dalam bentuk prosentase sama dengan 85,7%. Angka tersebut menjelaskan
bahwa determinasi atau sumbangan variabel Bunga deposito
65
714,73

(budep) terhadap inflasi adalah sebesar 87,5%. Artinya, sumbangan faktorfaktor

lain (selain Budep) terhadap Inflasi hanya sebesar 14,3%. Dengan demikian dapat
disimpulkan bahwa Budep merupakan prediktor yang baik untuk menaksir Inflasi. Ba
ntuan dengan SPSS R2 (baca: R square) atau koefisien determinasi dapat dilihat d
alam output hasil regresi dengan SPSS pada tabel model summary. Misalkan angka R
2 menunjukkan angka 0.734 menunjukkan arti bahwa determinasi dari variabel bebas
terhadap variabel terikat adalah sebesar 73,4%. Ibarat air dalam gelas, variabe
l terikat (Y) adalah gelasnya dan air adalah variabel bebasnya (X). Terkait deng
an angka 0,734 maka air dalam gelas adalah sebanyak 73,4% dari gelas tersebut.
Analisis regresi pada dasarnya adalah menjelaskan berapa besar pengaruh tingkat
signifikansi variabel independen dalam mempengaruhi variabel dependen. Meskipun
hasil regresi seperti tertera pada persamaan di atas telah dapat diinterpretasi,
dan dapat menunjukkan inti tujuan analisis regresi, namun bukan berarti bahwa t
ahapan analisis telah selesai hingga di sini. Hasil regresi di atas masih perlu
dipastikan apakah besarnya nilai thit ataupun angkaangka parameter telah valid
ataukah masih bias. Jika nilainilai tersebut sudah dapat dipastikan valid atau
tidak bias, memang analisis regresi dapat berhenti di
66

sini saja. Tetapi, jika nilainilai belum dapat dipastikan valid, maka perlu dil
akukan langkahlangkah analisis lanjutan untuk menjadikan parameterparameter te
rsebut menjadi valid. Validitas (ketidakbiasan) informasi dari nilainilai hasil
regresi dapat diketahui dari terpenuhinya asumsiasumsi klasik, yaitu jika data
variabel telah terbebas dari masalah Autokorelasi, tidak ada indikasi adanya he
teroskedastisitas, maupun tidak terjadi multikolinearitas atau saling berkolinea
r antar variabel. Bahasan Asumsi Klasik akan dibahas tersendiri. 000Tugas: 1. B
uatlah rangkuman dari pembahasan di atas! 2. Cobalah untuk menyimpulkan maksud d
ari uraian bab ini! 3. Jawablah pertanyaanpertanyaan di bawah ini: a. Coba jela
skan apa yang dimaksud dengan regresi linier sederhana! b. Coba tuliskan model r
egresi linier sederhana! c. Coba uraikan arti dari notasi atas model yang telah
anda tuliskan! d. Jelaskan informasi apa yang dapat diungkap pada konstanta! e.
Jelaskan informasi apa yang dapat diungkap pada koefisien regresi! f. Jelaskan k
egunaan standar error Sb! g. Jelaskan kegunaan nilai t! h. Coba uraikan bagaiman
a menentukan nilai t yang signifikan! i. Jelaskan Apa yang dimaksud dengan koefi
sien determinasi!
67

BAB IV REGRESI LINIER BERGANDA

Tujuan Pengajaran: Setelah mempelajari bab ini, anda diharapkan dapat: Mengetahu
i kegunaan dan spesifikasi model Menjelaskan hubungan antar variabel Mengaitkan
data yang relevan dengan teori Mengembangkan data Menghitung nilai parameter Men
getahui arti dan fungsi parameter Menentukan signifikan tidaknya variabel bebas
Menentukan determinasi model Menjelaskan tahapantahapan regresi Membaca hasil r
egresi Menyebutkan asumsiasumsi. Membedakan dengan regresi linier sederhana
68

BAB IV REGRESI LINIER BERGANDA Pengertian Regresi linier Berganda Pada bab sebel
umnya telah dibahas tentang regresi linier dengan 2 (dua) variabel (yaitu variab
el Y dan X) atau biasa disebut dengan single linier regression. Pada bab ini jum
lah variabel yang digunakan akan ditambah menjadi lebih banyak, yaitu satu varia
bel Y dan jumlah variabel X nya lebih dari 1 (satu) variabel. Artinya, variabel
X bisa berjumlah 2, 3, atau lebih. Jumlah X yang lebih dari satu tersebut terken
al dengan istilah Regresi Linier Berganda atau multiple linier regression. Berta
mbahnya jumlah variabel X hingga lebih dari satu sangat memungkinkan, karena dal
am keilmuan sosial semua faktorvaktor atau variabelvariabel saling berkaitan s
atu dengan lainnya. Sebagai misal, munculnya inflasi tentu tidak hanya dipengaru
hi oleh bunga deposito (budep) saja seperti yang telah diterangkan di atas, teta
pi sangat mungkin dipengaruhi oleh faktor lain seperti perubahan nilai tukar (ku
rs), jumlah uang beredar, kelangkaan barang, dan lainlain. Sebagaimana dalam te
ori inflasi, inflasi dapat digolongkan sebagai inflasi karena tarikan permintaan
dan inflasi desakan biaya. Inflasi tarikan permintaan terjadi apabila masyaraka
t banyak memegang uang. Tentu secara singkat dapat diartikan bahwa terdapat juml
ah kelebihan jumlah uang beredar yang ada di masyarakat. Selain itu dapat pula d
isebabkan ekspektasi masyarakat akibat adanya perubahan nilai tukar uang. Sepert
i yang pernah terjadi di Indonesia dalam kurun waktu pertengahan Juni
69

1997 hingga 2003, gerakan lonjakan inflasi ternyata terjadi pula pada gerakan lo
njakan nilai tukar rupiah (IDR) terhadap dollar Amerika Serikat (USD). Inflasi d
esakan biaya mempunyai sebab yang hampir serupa. Inflasi jenis ini terjadi akiba
t melonjaknya hargaharga faktor produksi. Kalau ditelusuri, melonjaknya hargaha
rga faktor produksi dapat disebabkan banyak hal seperti semakin langkanya jenis
barang, tuntutan kenaikan gaji pekerja, semakin mahalnya ongkos transportasi, at
au bisa juga disebabkan oleh adanya perubahan nilai tukar mata uang juga. Dari u
raian singkat ini dapat disimpulkan bahwa pemicu terjadinya inflasi desakan biay
a karena perubahan pada sisi supply, sedang inflasi tarikan permintaan disebabka
n perubahan pada sisi demand. Berbagai alasan yang dijelaskan di atas, maka untu
k semakin memperjelas perihal terjadinya inflasi, dapat dicoba menambah satu var
iabel penduga (X2) yaitu Kurs, yang menggambarkan nilai tukar IDR terhadap USD,
pada kurun waktu yang sama dengan data sebelumnya yaitu antara Januari 2001 hing
ga Oktober 2002. Karena jumlah variabel X tidak lagi satu melainkan sudah dua, m
aka analisa yang akan digunakan adalah analisa regresi linier berganda. Dengan b
ertambahnya variabel Kurs sebagai variabel penduga, maka data yang dianalisis pu
n bertambah hingga menjadi sebagai berikut:
70

X1 (Budep) 13.06 13.81 13.97 13.79 14.03 14.14 14.39 14.97 15.67 15.91 16.02 16.
21 16.19 15.88 15.76 15.55 15.16 14.85 14.22 13.93 13.58 13.13 324.22
Y (Inflasi) 8.28 9.14 10.62 10.51 10.82 12.11 13.04 12.23 13.01 12.47 12.91 12.5
5 14.42 15.13 14.08 13.3 12.93 11.48 10.05 10.6 10.48 10.33 260.49
X2 (Kurs) 9433.25 9633.78 10204.7 11074.75 11291.19 11294.3 10883.57 8956.59 928
8.05 10097.91 10554.86 10269.42 10393.82 10237.42 9914.26 9485.82 9115.05 8688.6
5 8964.7 8928.41 8954.43 9151.73 216816.7
Perubahan model dari bentuk single ke dalam bentuk multiple mengalami beberapa p
erubahan, meliputi: 1) jumlah variabel penjelasnya bertambah, sehingga spesifika
si model dan data terjadi penambahan. 2) rumus penghitungan nilai b mengalami pe
rubahan, 3) jumlah degree of freedom dalam menentukan nilai t juga berubah.
71

Model Regresi Linier Berganda Penulisan model regresi linier berganda merupakan
pengembangan dari model regresi linier tunggal. Perbedaannya hanya terdapat pada
jumlah variabel X saja. Dalam regresi linier tunggal hanya satu X, tetapi dalam
regresi linier berganda variabel X lebih dari satu. Model regresi linier umumny
a dituliskan sebagai berikut: Populasi: BnXn + e Atau BnXn + e Sampel : +e Atau
nXn + e Y = A + B1X1 + B2X2 + B3X3 + + Y = B0 + B1X1 + B2X2 + B3X3 + + Y = a + b1X1 +
b 2X2 + b 3X3 + + b nXn Y = b0 + b1X1 + b 2X2 + b 3X3 + + b
Perlu diingat bahwa penulisan model sangat beragam. Hal ini dapat dimengerti kar
ena penulisan model sendiri hanya bertujuan sebagai teknik anotasi untuk memudah
kan interpretasi. Penulisan cara di atas adalah bentuk model yang sering dijumpa
i dalam beberapa literatur. Notasi model seperti itu tentu berbeda dengan notasi
model Yale 16. Apabila kita ingin menganalisis pengaruh Budep dan Kurs terhadap
Inflasi dengan mengacu model Yale, maka notasi model menjadi seperti berikut: P
opulasi: Sampel : Y = B1.23 + B12.3X2i + B13.2X3i + e Y = b1.23 + b12.3X2i + b13
.2X3i + e
G.U. Yale, On the Theory of Correlation for any Number of Variables, Treated by
a new System of Notation, Preceeding of Royal Society, A, Vol.79, 1970.
16
72

Notasi model Yale ini mempunyai spesifikasi dalam menandai variabel terikat yang
selalu dengan angka 1. Untuk variabel bebas notasinya dimulai dari angka 2, 3,
4, dan seterusnya. 17 Notasi b1.23 berarti nilai perkiraan Y kalau X2 dan X3 mas
ingmasing sama dengan 0 (nol). Notasi b12.3 berarti besarnya pengaruh X2 terhad
ap Y jika X3 tetap. Notasi b13..2 berarti besarnya pengaruh X3 terhadap Y jika X
2 tetap. Penulisan model dengan simbol Y untuk variabel dependen, dan X untuk va
riabel independen, saat ini mulai ada penyederhanaan lagi, yang intinya untuk se
makin memudahkan interpretasi. Berdasar pada keinginan mempermudah dalam menging
at variabel yang akan dibahas, maka notasi model dapat pula ditulis sebagai beri
kut: Inflasi =
...............................
b0 + b1Budep + b2 Kurs +
(Prs.f.2)
Pnulisan dngan gaya sprti ini trnyata skarang lbih disukai olh pnulis-p
nulis saat ini, karna mmbrikan kmudahan bagi para pmbacanya untuk tidak m
ngingatingat arti dari simbol X yang dituliskan, ttapi cukup dngan mlihat nam
a variablnya. Dngan prtimbangan trsbut maka cara ini nanti juga akan banyak
digunakan dalam pmbahasan slanjutnya. Pnghitungan Nilai Paramtr Pnggunaan
mtod OLS dalam rgrsi linir brganda dimaksudkan untuk mndapatkan aturan d
alam
17
Pnulisan modl sprti ini ditmui pula dalam buku-buku karya Gujarati
73

mngstimasi paramtr yang tidak diktahui. Prinsip yang trkandung dalam OLS s
ndiri adalah untuk mminimalisasi prbdaan jumlah kuadrat ksalahan (sum of sq
uar) antara nilai obsrvasi Y dngan Y . Scara matmatis, fungsi minimalisasi
sum of squar ditunjukkan dalam rumus:
 2 (b0, b1,b2) =
(Y Y )
n=1
n
2
=
(Y b
n=1
n
0
b1 X 1 b2 X 2 ) 2
Untuk mendapatkan estimasi least square b0, b1,b2 minimum, dapat dilakukan melal
ui cara turunan parsial (partially differentiate) dari formula di atas, sebagai
berikut:
e 2 b0

= 2nb0 + 2b1 X 1 + 2b2 X 2 2 Y = 2b0 X 1 + 2b1 X 12 + 2b2 X 1 X 2 2 X 1Y = 2b

+ 2b1 X 1 X 2 + 2b2 X 22 2 X 2Y
e 2 b1 e 2 b2
Jadikan nilainilai turunan parsial di atas menjadi sama dengan 0 (nol), dengan
cara membagi dengan angka 2, hingga menjadi:
nb0 + X 1b1 + X 2 b2 =
X b +X
1 0
2 1 1
b + X 1 X 2 b2
Y =X Y
1
74

X
2 0
2 b + X 1 X 2 b1 + X 2 b2 = X 2Y
Untuk menyederhanakan rumus paling atas dilakukan pembagian dengan n, sehingga m
emperoleh rumus baru sebagai berikut:
b0 + b1 X 1 + b2 X 2 = Y b0 = Y b1 X 1 b2 X 2
Kalau kita notasikan:
y = Y Y x1 = X 1 X 1 x2 = X 2 X 2
maka b1 dan b2 dapat dicari dengan rumus:
2 ( x1 y )( x 2 ) ( x 2 y )( x1 x 2 ) 2 ( x12 )( x 2 ) ( x1 x 2 ) 2
b1 = b2 =
( x 2 y)( x12 ) ( x1 y)( x1 x 2 )
2 ( x12 )( x 2 ) ( x1 x 2 ) 2
Telah dikemukaan di atas bahwa pencarian nilai b pada single linier berbeda deng
an multiple linier. Perbedaan ini muncul karena jumlah variabel penjelasnya bert
ambah. Semakin banyaknya variabel X ini maka kemungkinankemungkinan yang menjel
askan model juga mengalami pertambahan. Dalam single linier kemungkinan perubaha
n variabel lain tidak terjadi, tetapi dalam multiple linier hal itu terjadi. Mis
alnya, Jika terjadi
75

perubahan pada X1, meskipun X2 konstan, akan mampu merubah nilai harapan dari Y.
Begitu pula, perubahan pada X2, meskipun X1 konstan, akan mampu merubah nilai h
arapan dari Y. Perubahan yang terjadi pada X1 atau X2 tentu mengakibatkan peruba
han nilai harapan Y atau E(Y/X1,X2) yang berbeda. Oleh karena itu pencarian nila
i b mengalami perubahan. Guna mengetahui seberapa besar kontribusi X1 terhadap p
erubahan Y, tentu perlu untuk melakukan kontrol pengaruh dari X2. Begitu pula, u
ntuk mengetahui kontribusi X2, maka perlu juga melakukan kontrol terhadap X1. Da
ri sini dapat timbul pertanyaan, bagaimana caranya mengontrolnya? Untuk menjawab
nya, perlu ilustrasi secara konkrit agar mudah dipahami. Misalnya kita hendak me
ngontrol pengaruh linier X2 ketika melakukan pengukuran dampak dari perubahan X1
terhadap Y, maka dapat melakukan langkahlangkah sebagai berikut: Tahap pertama
: lakukan regresi Y terhadap X2. Y = b0 + b2 X2 + e1 Dimana e1 merupakan residua
l, yang besarnya: e1 = Y b0 b2X2 = Y Y Tahap kedua: lakukan regresi X1 terhadap
X2 X1 = b0 + b2 X2 + e2 Dimana e1 merupakan residual, yang besarnya:
76

e2 = X1 b0 b2X2 = X1 X Tahap ketiga: lakukan regresi e1 terhadap e2 e1 = a0 + a

1e2 +e3 Besarnya a1 pada tahap ketiga inilah yang merupakan nilai pasti atau net
effect dari perubahan satu unit X1 terhadap Y, atau menunjukkan kemiringan (slo
pe) garis Y atas variabel X1. Logika dari teori tersebut yang mendasari rumus ya
ng dapat digunakan untuk menentukan koefisien regresi parsial (partial regressio
n coefficients) (baca: b1, b2). Dengan memanfaatkan data yang telah tersedia, ki
ta dapat pula menentukan nilai b1 variabel Budep maupun b2 variabel Kurs. Pencar
ian koefisien regresi tersebut dapat dilakukan dengan menggunakan rumusrumus ya
ng telah ditentukan di atas. Guna mempermudah dalam memasukkan angkaangka ke da
lam rumus, maka data yang ada perlu diekstensifkan sesuai dengan kebutuhan rumus
tersebut. Hasil ekstensifikasi dari beberapa rumus yang dicari sebagai berikut:
x
2 1
=X
2 1
( X 1 ) 2
n
( X 2 ) 2 n
x22 = X 22
1 1
x y = ( X Y ) x
2
( X 1 )( Y ) n ( X 2 )( Y ) n
y = ( X 2 Y )
77

x x
1 2
= ( X 1 X 2 )
( X 1 )( X 2 ) n
Dengan menggunakan rumusrumus tersebut di atas, maka nilai total masingmasing
komponen rumus yang dikembangkan adalah tertera sebagai berikut:
X1 324.22 Y X2 260.49 216,816.70
x
2 1
x
2 2
x y x
1
2
y
x x
1 2
22.40 14,318,503.69
32.48
7,274.46
2,227.72
Berdasarkan datadata yang tertera dalam tabel di atas, maka nilai b0, b1, dan b
2 dapat ditentukan, melalui pencarian menggunakan rumusrumus sebagai berikut: R
umus untuk mencari nilai b1 (pada model multiple regression) adalah: b1=
2 ( x1 y)( x 2 ) ( x 2 y)( x1 x 2 ) 2 ( x12 )( x 2 ) ( x1 x 2 ) 2
Rumus untuk mencari nilai b2 (pada model multiple regression) adalah: b2 =
( x 2 y)( x12 ) ( x1 y)( x1 x 2 )
2 ( x12 )( x 2 ) ( x1 x 2 ) 2
Rumus untuk mencari nilai b0 (pada model multiple regression) adalah:
b0 = Y b1 X 1 b2 X 2
Dengan menggunakan rumus pencarian b1 di atas, maka diketahui bahwa nilai b1 ada
lah:
78

b1 =
2 ( x1 y)( x 2 ) ( x 2 y)( x1 x 2 ) 2 ( x12 )( x 2 ) ( x1 x 2 ) 2
= = =
(32.49)(14.318.503,70) (7.274,64)(2.227,72) (22,41)(14.318.503,70) (2.227,72) 2
465.208.185,21 16.205.861,02 320.877.667,92 4.962.736,40 449.002.324,19 315.914.
931,52
b1 =
ilai
( x
2 (

1,421 Dengan menggunakan rumus pencarian b2 di atas, maka diketahui bahwa n

b2 adalah:
2 y)( x12 ) ( x1 y)( x1 x 2 )
x12 )( x 2 ) ( x1 x 2 ) 2

b2 = = = =
(7.274,64)(22.41) (32.49)(2.227,72) (22.41)(14.318.503,70) (2.227.72) 2 163.024,
68 72.378,62 320.877.667,92 4.962.736,40 90.646,06 315.914.931,52
= 0,0002869 atau dapat ditulis dengan 2,869E04 Dengan menggunakan rumus pencari
an b0 di atas, maka diketahui bahwa nilai b0 adalah:
b0 = Y b1 X 1 b2 X 2
79

= 11,841,421(14,73)0,0002869(9.855,30) = 11,8420,93,2,827 = 11,917 Nilai dar

i parameter b1 dan b2 merupakan nilai dari suatu sampel. Nilai b1 dan b2 tergant
ung pada jumlah sampel yang ditarik. Penambahan atau pengurangan akan mengakibat
kan perubahan rentangan nilai b. Perubahan rentang nilai b1 dan b2 diukur dengan
standar error. Semakin besar standar error mencerminkan nilai b sebagai penduga
populasi semakin kurang representatif. Sebaliknya, semakin kecil standar error
maka keakuratan daya penduga nilai b terhadap populasi semakin tinggi. Perbandin
gan antara nilai b dan standar error ini memunculkan nilai t, yang dapat dirumus
kan sebagai berikut:
t= b Sb

dimana: b = nilai parameter Sb = standar error dari b. Jika b sama dengan 0 (b=0
) atau Sb bernilai sangat besar, maka nilai t akan sama dengan atau mendekati 0
(nol). Untuk dapat melakukan uji t, perlu menghitung besarnya standar error masi
ngmasing parameter ( baik b0, b1, b2), seperti diformulakan Gujarati (1995:198
199) sebagai berikut:
2 2 1 X 12 x 2 + X 2 x12 2X 1 X 2 x1 x 2 E 2 = + x12 x22 ( x1 x2
S b0
80

S b1 =
2 ( x12 )( x 2 ) ( x1 x 2 ) 2 n 3
x
2 2
E
2
S b2 =
2 ( x12 )( x 2 ) ( x1 x 2 ) 2 n 3
x
2 1
E
2
Rumusrumus di atas, dapat kita masuki dengan angkaangka yang tertera pada tabe
l, hanya saja belum semuanya dapat terisi. Kita masih memerlukan lagi angka untu
k mengisi rumus e 2 . Untuk dapat mengisi rumus tersebut, perlu terlebih dulu me
ncari nilai e. Nilai e adalah standar error yang terdapat dalam persamaan regres
i. Perhatikan persamaan regresi: Y = b0 + b1X1 + b2 X2 + e atau Inflasi = b0 + b
1Budep + b2 Kurs + e Secara matematis, dari persamaan regresi di atas nilai e da
pat diperoleh, dengan cara mengubah posisi tanda persamaan hingga menjadi: e = Y
 (b0 + b1X1 + b2 X2) Dengan memasukkan nilai b0, b1, b2, yang telah didapatkan,
dan X1i, X2i, yang ada pada data, maka nilai total e dapat terlihat pada tabel
berikut:
81

X1 Y X2 13.06 8.28 9433.25 13.81 9.14 9633.78 13.97 10.62 10204.70 13.79 10.51 1
1074.75 14.03 10.82 11291.19 14.14 12.11 11294.30 14.39 13.04 10883.57 14.97 12.
23 8956.59 15.67 13.01 9288.05 15.91 12.47 10097.91 16.02 12.91 10554.86 16.21 1
2.55 10269.42 16.19 14.42 10393.82 15.88 15.13 10237.42 15.76 14.08 9914.26 15.5
5 13.3 9485.82 15.16 12.93 9115.05 14.85 11.48 8688.65 14.22 10.05 8964.70 13.93
10.6 8928.41 13.58 10.48 8954.43 13.13 10.33 9151.73 324.22 260.49216816.70
B0 11.933 11.933 11.933 11.933 11.933 11.933 11.933 11.933 11.933 11.9
33 11.933 11.933 11.933 11.933 11.933 11.933 11.933 11.933 11.933 11.9
33 11.933 11.933 11.933
B1 1.421 1.421 1.421 1.421 1.421 1.421 1.421 1.421 1.421 1.421 1.421 1.421 1.421
1.421 1.421 1.421 1.421 1.421 1.421 1.421 1.421 1.421 1.421
B2 0.000287 0.000287 0.000287 0.000287 0.000287 0.000287 0.000287 0.000287 0.000
287 0.000287 0.000287 0.000287 0.000287 0.000287 0.000287 0.000287 0.000287 0.00
0287 0.000287 0.000287 0.000287 0.000287 0.000287
e e^2 1.05 1.11 1.31 1.73 0.23 0.05 0.33 0.11 0.42 0.18 0.71 0.50 1.40 1.97
0.32 0.10 0.01 0.00 1.10 1.21 0.95 0.90 1.50 2.24 0.37 0.13 1.56 2.43 0.77 0
.60 0.41 0.17 0.71 0.50 0.18 0.03 0.80 0.63 0.18 0.03 0.55 0.30 0.98 0.96 0.09
15.90
Dari tabel di atas dapat diketahui bahwa nilai total nilai e adalah sebesar 0.09
, sedangkan total nilai e2 adalah sebesar 15,90. Berdasarkan angka yang didapatk
an tersebut, maka standar error b0, b1, b2, dapat dicari menggunakan rumus yang
ada hingga hasil penghitungannya tertera sebagai berikut:
82

Mencari Sb0.
S b0
2 2 1 X 12 x 2 + X 2 x12 2X 1 X 2 x1 x 2 e 2 = + n n3 x12 x22 (
1 (14,74) 2 (14.318 .503,69) + (9.855,3) 2 (22,40) 2(14,74)(9.855,3)(2.227 ,72) 1
5,90 + (22,40)(14.318 .503,69) (2.227 ,72) 2 22 3 22
=
1 3.110.946.932,32 + 2.175.643.413,22 647.228.946,04 15,90 + 320.734.482.66 4.96
2.736,40 19 22 1 4.639.361.399,50 15,90 22 + 315.771.746,26 19
=
= (0.045 + 14,69) (0,84) = 3,84 (0,84) = 3,226 Mencari Sb1.
S b1 =
2 ( x12 )( x 2 ) ( x1 x 2 ) 2 n 3
x
2 2
e
2
= 2 (22,40)(14.318.503,69) (2.227,72) 19 =
14.318.503,69 (0,84) 315.771.746,26

14.318.503,69
15,9
83

= 0,045(0.84) = 0,213 x 0,84 = 0,179 Mencari Sb2:

Sb2 =
2 ( x12 )( x 2 ) ( x1 x 2 ) 2 n 3
x
2 1
e
2
= 2 (22,40)(14.318.503,69) (2.227,72) 19

22,40
15,9
=
22,40 (0,84) 315.771.746,26
= 0,000000070(0.84) = 0,000266 x 0,84 = 0,000223 Setelah diketahui semua nilai s
tandar error (Sb0, Sb1, Sb2) melalui penggunaan rumusrumus di atas, maka nilai
t untuk masingmasing parameter dapat diperoleh, karena nilai t merupakan hasil
bagi antara b dengan Sb. Pencarian nilai t mempunyai kesamaan dengan model regre
si linier sederhana, hanya saja pencarian Sb nya yang berbeda. Pencarian masing
masing nilai t dapat dirumuskan sebagai berikut: Mencari nilai statistik tb0:
84

tb0 =
b0 Sb 0
Mencari nilai statistik tb1:
t b1 = b1 S b1
Mencari nilai statistik tb2:
tb2 = b2 ; Sb 2
Dengan menggunakan rumusrumus di atas, maka nilai tb0 adalah:
11,917 = 3,694 3,226
tb0 =
dan nilai tb1 adalah:
t b1 = 1,421 =7,938 0,179
sedangkan nilai tb2 adalah:
tb2 = 0,0002869 = 1,284 0,0002234
dengan diketahuinya nilai t hitung masingmasing parameter, maka dapat digunakan
untuk mengetahui signifikan tidaknya variabel penjelas dalam mempengaruhi varia
bel terikat. Untuk dapat mengetahui apakah signifikan atau tidak nilai t hitung
tersebut, maka perlu membandingkan dengan nilai t tabel. Apabila nilai t hitung
lebih besar dibandingkan dengan nilai t tabel, maka variabel penjelas tersebut s
ignifikan. Sebaliknya, jika nilai
85

t hitung lebih kecil darit tabel, maka variabel penjelas tersebut tidak signifik
an. Karena nilai tb1 adalah sebesar 7,938, yang berarti lebih besar dibanding ni
lai tabel pada =5% deng n df 19 y ng
es rny 2,093, m k d p t dip stik n
hw
v ri
el
udep sec r individu l signifik n mempeng ruhi infl si. Sed ngk n nil
i t
2 y ng
es rny 1,284 d l h le
ih kecil di
ndingk n deng n nil i t t
el p
d =5% deng n df 19 y ng
es rny 2,093, m k d p t dip stik n
hw v ri
el K
urs sec r individu l tid k signifik n mempeng ruhi infl si. Penguji n kedu nil
i t d p t dijel sk n d l m
entuk g m
r se
g i
erikut:
D er h diterim 7,938
G
.3.2.
D er h ditol k
t /2; (n-k-1) 2,093 (+)
D er h Uji t V ri
el Budep
D er h diterim
D er h ditol k 1,284
t /2; (n-k-1) 2,093 G
.3.2. (+)
D er h Uji t V ri
el Kurs
86

B ntu n deng n SPSS T h p n-t h n y ng dil lui untuk mel kuk

rg nd deng n penghitung n-penghitung n nil i ,
, S
di t
deng n
ntu n SPSS deng n t h p n se
g i
erikut: P stik
p L kuk n regresi, c r ny : pilih An lyze, Reression, Line

n regresi linier
e
s, d p t dil kuk n
n d t SPSS sud h si
r

M sukk n v ri
el Y ke kot k v ri
el dependen, d n v ri
el X1 d n X2 ke kot k

v ri
el Independen, kemudi n klik OK.
87

 H sil regresi k n t mp k d l m output regression y ng menunjukk n t
el: model

summ ry (memu t R2), ANOVA (memu t nil i F), Coefficient (memu t nil i t).
Model Summ ry Adjusted R Squ re .726 Std. Error of the Estim te .9148
Model 1
R R Squ re .867 .752
. Predictors: (Const nt), X2, X1

ANOVA
Model 1
Regression Residu l Tot l
Sum of Squ res 48.261 15.899 64.160
df 2 19 21
Me n Squ re 24.130 .837
F 28.836
Sig. .000
. Predictors: (Const nt), X2, X1
. Dependent V ri
le: Y
88

Coefficients St nd rdi zed Coefficien ts Bet .840 .136

Model 1
(Const nt) X1 X2
Unst nd rdized Coefficients B Std. Error -11.933 3.511 1.421 .195 2.869E-04 .000
t -3.399 7.298 1.177
Sig. .003 .000 .254
. Dependent V ri
le: Y
C t t n: Nil i ,
1,
2, nt r hitung n m nu l deng n hitung n SPSS terd p t s
edikit per
ed n ngk di
el k ng kom . Ini dise

k n oleh pem
ul t n ngk s
t penghitung n. Angk 2.869E-04 di
c 0,0002869
89

Koefisien Determin si (R2) Dis mping menguji signifik nsi d ri m singm sing v ri

el, kit d p t pul menguji determin si seluruh v ri
el penjel s y ng d d l
m model regresi. Penguji n ini
i s ny disim
olk n deng n koefisien regresi y
ng
i s disim
olk n deng n R2. Ur i n tent ng koefisien determin si sedikit
n
y k tel h disinggung p d single linier regression. P d su

h s n ini h ny m
en m
h penjel s n-penjel s n g r menj di le
ih lengk p s j . Koefisien determi
n si p d d s rny digun k n untuk mengkur goodness of fit d ri pers m n regres
i, mel lui h sil pengukur n d l m
entuk prosent se y ng menjel sk n determin si
v ri
el penjel s (X) terh d p v ri
el y ng dijel sk n (Y). Koefisien determin
si d p t dic ri mel lui h sil
gi d ri tot l sum of squ re (TSS) t u tot l v
ri si Y terh d p expl ined sum of squ re (ESS) t u v ri si y ng dijel sk n Y. D
eng n demiki n kit d p t mendefinisik n l gi R2 deng n rti r sio nt r v ri s
i y ng dijel sk n Y deng n tot l v ri si Y. Rumus terse
ut d l h se
g i
eriku
t:
R2 = ESS TSS
Tot l v ri si Y (TSS) d p t diukur menggun k n der j t devi si d ri m sing-m sin
g o
serv si nil i Y d ri r t -r t ny . H sil pengukur n ini kemudi n dijuml hk n
hingg menc kup seluruh o
serv si. Jel sny : TSS =
(Y
t =1
n
t
Y )2
90

Nilai explained sum of square (ESS) atau variasi yang dijelaskan Y didapat denga
n menggunakan rumus sebagai berikut: ESS =
(Y Y )
t 1 t
n
2
Jadi, rumus di atas dapat pula dituliskan menjadi sebagai berikut:
R2 =
(Y Y ) (Y Y )
2 2
dimana:
Y (baca: Y cap) adalah nilai perkiraan Y atau estimasi
garis regresi.
Y (baca: Y bar) adalah nilai Y ratarata.
Y cap diperoleh dengan cara menghitung hasil regresi dengan memasukkan nilai par
ameter dan data variabel. Penghitungan nilai Y cap menjadi penting untuk dilakuk
an agar mempermudah kita dalam menggunakan rumus R2 yang telah ditentukan di ata
s. Sebagai contoh menghitung Y cap, berikut ini dihitung nilai Y cap pada observ
asi 1. Hasil regresi adalah: Y = 11,917 + 1,421 (X1) + 0,0002869(X2) Jika obser
vasi nomor 1 (satu) kita hitung, dimana X1= 13,06 dan X2 = 9.433,25, maka nilai
Y1 = 11,917 + 1,421 (13,06) + 0,0002869(9.433,25) = 9,438
91

Hasil hitungan Y cap individual maupun total, beserta ekstensinya diperlukan unt
uk menyesuaikan dengan rumus mencari R2. Hasil perhitungan dan pengembangan data
selengkapnya tertera dalam tabel sebagai berikut:
X1 13.06 13.81 13.97 13.79 14.03 14.14 14.39 14.97 15.67 15.91 16.02 16.21 16.19
15.88 15.76 15.55 15.16 14.85 14.22 13.93 13.58 13.13 324.22 Y 8.28 9.14 10.62
10.51 10.82 12.11 13.04 12.23 13.01 12.47 12.91 12.55 14.42 15.13 14.08 13.3 12.
93 11.48 10.05 10.6 10.48 10.33 260.49 X2 9433.25 9633.78 10204.70 11074.75 1129
1.19 11294.30 10883.57 8956.59 9288.05 10097.91 10554.86 10269.42 10393.82 10237
.42 9914.26 9485.82 9115.05 8688.65 8964.70 8928.41 8954.43 9151.73 216816.70 B0
11.933 11.933 11.933 11.933 11.933 11.933 11.933 11.933 11.933 11.933
11.933 11.933 11.933 11.933 11.933 11.933 11.933 11.933 11.933 11.933
11.933 11.933 11.933 B1 B2 1.421 0.000287 1.421 0.000287 1.421 0.000287 1.42
1 0.000287 1.421 0.000287 1.421 0.000287 1.421 0.000287 1.421 0.000287 1.421 0.0
00287 1.421 0.000287 1.421 0.000287 1.421 0.000287 1.421 0.000287 1.421 0.000287
1.421 0.000287 1.421 0.000287 1.421 0.000287 1.421 0.000287 1.421 0.000287 1.42
1 0.000287 1.421 0.000287 1.421 0.000287 1.421 0.000287
Y
9.348 10.471 10.862 10.856 11.259 11.416 11.654 11.925 13.015 13.588 13.876 14.0
64 14.071 13.586 13.322 12.901 12.240 11.678 10.862 10.439 9.949 9.366 260.747
2 2 Y Y (Y Y ) Y Y (Y Y )

2.493 1.370 0.978 0.985 0.581 0.424 0.187 0.085 1.174 1.748 2.035 2.223 2
.230 1.745 1.482 1.061 0.400 0.163 0.979 1.401 1.891 2.474 0.256
6.214 1.876 0.957 0.969 0.338 0.180 0.035 0.007 1.379 3.054 4.142 4.943 4.975 3.
045 2.196 1.125 0.160 0.027 0.958 1.964 3.577 6.121 48.243

3.561 2.701 1.221 1.331 1.021 0.269 1.200 0.390 1.170 0.630 1.070 0.710 2.5
80 3.290 2.240 1.460 1.090 0.361 1.791 1.241 1.361 1.511 0.001
12.677 7.293 1.490 1.770 1.041 0.073 1.439 0.152 1.368 0.396 1.144 0.503 6.654 1
0.821 5.015 2.130 1.187 0.130 3.206 1.539 1.851 2.282 64.160
Dengan menggunakan angkaangka yang terdapat dalam tabel di atas, maka nilai R2
dapat ditentukan. Adapun rumus untuk mencari nilai R2 adalah sebagai berikut:
R
2
(Y Y ) = (Y Y )
2 2
92

dengan demikian nilai R2 dari model yang ada adalah sebesar: R2 =

48,243 64,160
R2 = 0,751 Nilai R2 sebesar 0,751 tersebut menunjukkan arti bahwa determinasi va
riabel Budep (X1) dan Kurs (X2) dalam mempengaruhi inflasi (Y) adalah sebesar 75
,1%. Nilai sebesar ini mengindikasikan bahwa model yang digunakan dalam menjelas
kan variabel Y cukup baik, karena mencapai 75,1%. Sisanya sebesar 24,1% dijelask
an oleh variabel lain yang tidak dijelaskan dalam model. Uji F Seperti telah dik
emukakan di atas, bahwa dalam regresi linier berganda variabel penjelasnya selal
u berjumlah lebih dari satu. Untuk itu, maka pengujian tingkat signifikansi vari
abel tidak hanya dilakukan secara individual saja, seperti dilakukan dengan uji
t, tetapi dapat pula dilakukan pengujian signifikansi semua variabel penjelas se
cara serentak atau bersamasama. Pengujian secara serentak tersebut dilakukan de
ngan teknik analisis of variance (ANOVA) melalui pengujian nilai F hitung yang d
ibandingkan dengan nilai F tabel. Oleh karena itu disebut pula dengan uji F. Pad
a prinsipnya, teknik ANOVA digunakan untuk menguji distribusi atau variansi mean
s dalam variabel penjelas apakah secara proporsional telah signifikan menjelaska
n variasi dari variabel yang dijelaskan. Untuk memastikan jawabannya, maka perlu
dihitung rasio antara
93

variansi means (variance between means) yang dibandingkan dengan variansi di dal
am kelompok variabel (variance between group). Hasil pembandingan keduanya itu (
rasio antara variance between means terhadap variance between group) menghasilka
n nilai F hitung, yang kemudian dibandingkan dengan nilai F tabel. Jika nilai F
hitung lebih besar dibanding nilai F tabel, maka secara serentak seluruh variabe
l penjelas yang ada dalam model signifikan mempengaruhi variabel terikat Y. Seba
liknya, jika nilai F hitung lebih kecil dibandingkan dengan nilai F tabel, maka
tidak secara serentak seluruh variabel penjelas yang ada dalam model signifikan
mempengaruhi variabel terikat Y. Atau secara ringkas dapat dituliskan sebagai be
rikut:
F F ;( k 1);( n k ) berarti tidak signifikan atau H0
diterima
F > F ;( k 1);( nk ) berarti signifikan atau H0 ditolak
H0 diterima atau ditolak, adalah merupakan suatu keputusan jawaban terhadap hipo
tesis yang terkait dengan uji F, yang biasanya dituliskan dalam kalimat sebagai
berikut: H0 : b1 = b2 = 0 Variabel penjelas secara serentak tidak signifikan mem
pengaruhi variabel yang dijelaskan. H0 : b1 b2 0 Variabel penjelas secara serent
ak signifikan mempengaruhi variabel yang dijelaskan. Karena uji F adalah memband
ingkan antara nilai F hitung dengan nilai F tabel, maka penting untuk mengetahui
bagaimana mencari nilai F hitung ataupun nilai F tabel.
94

Nilai F hitung dapat dicari dengan menggunakan rumus sebagai berikut:

F= R 2 /(k 1) (1 R 2 ) /( n k )
Sedangkan nilai F tabel telah ditentukan dalam tabel. Yang penting untuk diketah
ui adalah bagaimana cara membaca tabelnya. Seperti yang telah dituliskan pada pe
mbandingan antara nilai F hitung dan nilai F tabel di atas, diketahui bahwa F ta
bel dituliskan F;k-1; (n-k). Arti d ri tulis n terse
ut d l h: Sim
ol menjel sk
n tingk t signifik nsi (level of signific nce) ( p k h p d =0,05 t u =0,01 t
uk h =0,10, d n seterusny ). Sim
ol (k-1) menunjukk n degrees of freedom for num
er tor. Sim
ol (n-k) menunjukk n degrees of freedom for denomin tor. Gun meleng
k pi h sil n lisis d t y ng dicontohk n di t s, kit d p t menghitung nil i F

erd s rk n rumus. Nil i F d ri model terse
ut terny t
es rny d l h:
F= R 2 /(k 1) (1 R 2 ) /( n k )
= =
(0,751) /(3 1) (1 0,751) /(22 3) 0.3755 = 28.66 0.0131
95

Dari hasil penghitungan di atas diketahui bahwa nilai F hitung adalah sebesar 28
,66. Nilai ini lebih besar dibanding dengan nilai F tabel pada = 0,05 deng n (k1) = 2, d n (n-k) = (22-3) = 19 y ng
es rny 3,52. Deng n demiki n d p t disimp
ulk n
hw v ri
el Budep d n Kurs sec r serent k signifik n mempeng ruhi infl
si. Deng n demiki n, m k null hyphothesis ditol k. D er h penol k n t u pener
im n hipotesis d p t dilih t p d g m
r
erikut ini:
D er h diterim
D er h ditol k
F(; k-1; n-k)
F
F0,05;2;19; 3,52
G
.3.2. D er h Uji F
-000Tug s: 1. Bu tl h r ngkum n d ri pem
h s n di t s! 2. Co
l h untuk menyim
pulk n m ksud d ri ur i n

ini! 3. L kuk nl h perint h-perint h di
w h ini:
. Co
jel sk n p y ng dim ksud deng n regresi linier
erg nd !
. Co
tuli
sk n model regresi linier
erg nd ! c. Co
ur ik n rti d ri not si t s model
y ng tel h nd tulisk n! d. Jel sk n inform si p y ng d p t diungk p p d kon
st nt !
96

e. Jel sk n inform si p y ng d p t diungk p p d koefisien regresi! f. Co
se

utk n per
ed n-per
ed n nt r model regresi linier sederh n deng n model re
gresi linier
erg nd ! g. Jel sk n meng p rumus untuk menc ri nil i
p d mode
l regresi linier erg nd
er
ed deng n model regresi linier sederh n ! h. Co

jel sk n p k h penc ri n nil i t jug meng l mi peru
h n! ken p ? i. Co
ur i
k n
g im n menentuk n nil i t y ng signifik n! j. Jel sk n p kegun n nil i
F! k. B g im n menentuk n nil i F y ng signifik n? l. Jel sk n p k h rumus d
l m menc ri koefisien determin si p d model regresi linier
erg nd
er
ed den
g n regresi linier sederh n ! ken p ? m. Jel sk n
g im n v ri
el penjel s d
p t di ngg p se
g i prediktor ter
ik d l m menjel sk n Y!
97

BAB V UJI ASUMSI KLASIK

Tuju n Peng j r n: Setel h mempel j ri

ini, nd dih r pk n d p t: Mengerti
p y ng dim ksud deng n uji sumsi kl sik Mengerti item-item sumsi Menjel sk n
m ksud item-item sumsi Menye
utk n n m -n m sumsi y ng h rus dipenuhi Menger
ti p y ng dim ksud deng n utokorel si Mengerti p y ng dim ksud deng n Multi
koline rit s Mengerti p y ng dim ksud deng n Heterosked stisit s Mengerti p
y ng dim ksud deng n Norm lit s Menjel sk n tim
ulny m s l h-m s l h d l m uji
sumsi kl sik Menjel sk n d mp k d ri utokorel si, heterosked stisit s, multiko
line rit s, norm lit s Menye
utk n l t deteksi d ri m s l h-m s l h terse
ut Me
nggun k n se
gi n l t- l t deteksi Menjel sk n keterk it n sumsi- sumsi Menje
l sk n konsekuensi-konsekuensi d ri Asumsi
98

BAB V UJI ASUMSI KLASIK Di muk tel h disinggung,
ik d l m regresi linier sede
rh n m upun d l m regresi linier
erg nd ,
hw d l m kedu regresi linier ter
se
ut perlu memenuhi sumsi- sumsi seperti y ng tel h di ur ik n d l m kedu
h
s n terse
ut. Munculny kew ji
n untuk memenuhi sumsi terse
ut meng ndung rt
i
hw formul
t u rumus regresi diturunk n d ri su tu sumsi tertentu. Artiny
, tid k semu d t d p t diperl kuk n deng n regresi. Jik d t y ng diregresi
tid k memenuhi sumsi sumsi y ng tel h dise
utk n, m k regresi y ng diter pk n
k n mengh silk n estim si y ng
i s. Jik h sil regresi tel h memenuhi sumsisumsi regresi m k nil i estim si y ng diperoleh k n
ersif t BLUE, y ng merup
k n singk t n d ri: Best, Line r, Un
i sed, Estim tor. Best dim ksudk n se
g i
ter
ik. Untuk mem h mi rti Best, perlu kem
li kep d kes d r n kit
hw n
lisis regresi linier digun k n untuk mengg m
rk n se
r n d t d l m
entuk g r
is regresi. Deng n k t l in, g ris regresi merup k n c r mem h mi pol hu
ung
n nt r du seri d t t u le
ih. H sil regresi dik t k n Best p
il g ris re
gresi y ng dih silk n gun mel kuk n estim si t u per m l n d ri se
r n d t ,
mengh silk n error y ng terkecil. Perlu diket hui
hw error itu sendiri d l h
per
ed n nt r nil i o
serv si d n nil i y ng dir m lk n oleh g ris regresi.
Jik g ris regresi tel h Best d n disert i pul oleh kondisi tid k
i s (un
i se
d), m k estim tor regresi k n efisien. Line r mew kili line r d l m model, m u
pun line r d l m p r meter. Line r d l m model rtiny model y ng digun k n d l
m n lisis regresi tel h sesu i deng n
99

k id h model OLS dim n v ri
el-v ri
el pendug ny h ny
erp ngk t s tu. Sed
ngk n line r d l m p r meter menjel sk n
hw p r meter y ng dih silk n merup k
n fungsi line r d ri s mpel. Sec r jel s
il diukur deng n nil i r t -r t . U
n
i sed t u tid k
i s, Su tu estim tor dik t k n un
i sed jik nil i h r p n d
ri estim tor
s m deng n nil i y ng
en r d ri
. Artiny , nil i r t -r t

=
. Bil r t -r t
tid k s m deng n
, m k selisihny itu dise
ut deng n
i
s. Estim tor y ng efisien d p t ditemuk n p
il ketig kondisi di t s tel h
terc p i. K ren sif t estim tor y ng efisien merup k n h sil konklusi d ri keti
g h l se
elumny itu. Asumsi- sumsi seperti y ng tel h ditulisk n d l m
h s n
OLS di dep n, d l h sumsi y ng dikem
ngk n oleh G uss d n M rkov, y ng kemud
i n teori terse
ut terken l deng n se
ut n G uss-M rkov Theorem. Serup deng n
sumsi- sumsi terse
ut, Guj r ti (1995) merinci 10 sumsi y ng menj di sy r t pen
er p n OLS, 18 y itu: Asumsi 1: Line r regression Model. Model regresi merup k n
hu
ung n line r d l m p r meter. Y = +
X +e Untuk model regresi Y =
+
X +
cX2 + e W l upun v ri
el X diku dr tk n, ini tet p merup k n regresi y ng line
r d l m p r meter sehingg OLS m sih d p t diter pk n. Asumsi 2: Nil i X d l h
tet p d l m s mpling y ng diul ng-ul ng (X fixed in repe ted s mpling).
18
D ri sepuluh sumsi di t s tid k semu ny perlu diuji. Se
gi n cukup h ny di
sumsik n, sed ngk n se
gi n y ng l in memerluk n test.
100

Tep tny
hw nil i X d l h nonstoch stic (tid k r ndom). Asumsi 3: V ri
el p

engg nggu e memiliki r t -r t nol (zero me n of distur
nce). Artiny , g ris re
gresi p d nil i X tertentu
er d tep t di teng h. Bis s j terd p t error y n
g
er d di t s g ris regresi t u di
w h g ris regresi, tet pi setel h kedu
ny dir t -r t h rus
ernil i nol. Asumsi 4: Homosked stisit s, t u v ri
el p
engg nggu e memiliki v ri nce y ng s m sep nj ng o
serv si d ri
er
g i nil i
X. Ini
er rti d t Y p d seti p X memiliki rent ng n y ng s m . Jik rent ng n
ny tid k s m , m k dise
ut heterosked stisit s Asumsi 5: Tid k d otokorel si
nt r v ri
el e p d seti p nil i xi d n ji (No utocorrel tion
etween the d
istur
nce). Asumsi 6: V ri
el X d n distur
nce e tid k
erkorel si. Ini
er r
ti kit d p t memis hk n peng ruh X t s Y d n peng ruh e t s Y. Jik X d n e

erkorel si m k peng ruh kedu ny k n tump ng tindih (sulit dipis hk n peng ruh
m sing-m sing t s Y). Asumsi ini p sti terpenuhi jik X d l h v ri
el non r
ndom t u non stoch stic. Asumsi 7: Juml h o
serv si t u
es r s mpel (n) h rus
le
ih
es r d ri juml h p r meter y ng diestim si. B hk n untuk memenuhi sumsi
y ng l in, se
ikny juml h n h rus cukup
es r. Jik juml h p r meter s m t
u
hk n le
ih
es r d ri juml h o
serv si, m k pers m n regresi tid k k n
i
s diestim si.
101

Asumsi 8: V ri
el X h rus memiliki v ri
ilit s. Jik nil i X sel lu s m sep n

j ng o
serv si m k tid k
is dil kuk n regresi. Asumsi 9: Model regresi sec r

en r tel h terspesifik si. Artiny , tid k d spesifik si y ng
i s, k ren se
mu ny tel h terekomend si t u sesu i deng n teori. Asumsi 10. Tid k d multik
oline rit s nt r v ri
el penjel s. Jel sny koline r nt r v ri
el penjel s
tid k
oleh sempurn t u tinggi. Penyimp ng n m sing-m sing sumsi tid k mempu
ny i imp k y ng s m terh d p regresi. Se
g i contoh, d ny penyimp ng n t u
tid k terpenuhiny sumsi multikoline rit s ( sumsi 10) tid k
er rti mengg nggu
, sep nj ng uji t sud h signifik n. H l ini dise

k n oleh mem
es rny st nd r
error p d k sus multikoline rit s, sehingg nil i t,
, S
, menj di cenderung k
ecil. Jik nil i t m sih signifik n, m k multikoline rit s tid k perlu di t si.
Ak n tet pi, jik terj di penyimp ng n p d sumsi heterosked stisit s t u p d
utokorel si, penyimp ng n terse
ut d p t menye

k n
i s p d S
, sehingg t
menj di tid k menentu. Deng n demiki n, meskipun nil i t sud h signifik n t up
un tid k signifik n, kedu ny tid k d p t mem
eri inform si y ng sesungguhny . U
ntuk memenuhi sumsi- sumsi di t s, m k estim si regresi hend kny dilengk pi
deng n uji-uji y ng diperluk n, seperti uji norm lit s, utokorel si, heterosked
stisit s, tupun multikoline rit s. Sec r teoretis model OLS k n mengh silk n
estim si nil i p r meter model pendug y ng s hih
il dipenuhi sumsi Tid k d
Autokorel si, Tid k Ad Multikoline rit s, d n Tid k d Heterosked stisit s.
102

Ap
il seluruh sumsi kl sik terse
ut tel h terpenuhi m k

k n mengh silk n h
sil regresi y ng
est, line r, un
i s, efficient of estim tion (BLUE).
A. Uji Autokorel si A.1. Pengerti n utokorel si D l m sumsi kl sik tel h dijel
sk n
hw p d model OLS h rus tel h ter
e
s d ri m s l h utokorel si t u s
eri l korel si. Autokorel si d l h ke d n dim n v ri
el g nggu n p d period
e tertentu
erkorel si deng n v ri
el g nggu n p d periode l in. Sif t utokor
el si muncul
il terd p t korel si nt r d t y ng diteliti,
ik itu d t jen
is runtut w ktu (time series) t upun d t ker t sil ng (cross section). H ny s
j m s l h utokorel si le
ih sering muncul p d d t time series, k ren sif t
d t time series ini sendiri lek t deng n kontinyuit s d n d ny sif t keterg
ntung n nt r d t . Sement r p d d t cross section h l itu kecil kemungkin n
terj di. Asumsi ter
e
sny utokorel si ditunjukk n oleh nil i e y ng mempuny i
r t -r t nol, d n v ri nny konst n. Asumsi v ri nce y ng tid k konst n menunj
ukk n d ny peng ruh peru
h n nil i su tu o
serv si
erd mp k p d o
serv si l
in. Se
g i ilustr si, mis lny kit meng m ti peru
h n infl si p k h dipeng
ruhi oleh suku
ung deposito t uk h tid k. Bis s j peru
h n
ung deposito
p d w ktu tertentu, jug di l mi oleh peru
h n tingk t infl si p d w ktu y ng
s m . K l u s j terj di utokorel si d l m k sus sem c m ini, m k menj di tid
k jel s p k h infl si
etul-
etul dipeng ruhi oleh peru
h n
ung
103

deposito t uk h k ren sif t d ri kecenderung nny sendiri untuk
eru
h. Tel h

jel s
gi kit
hw utokorel si k n muncul p
il d keterg ntung n t u
d ny kes l h n pengg nggu y ng sec r otom tis mempeng ruhi d t
erikutny . J
ik terd p t keterg ntung n, d l m
h s m tem tisny ditulisk n se
g i
eriku
t: E(ui, uj) 0; i j Se
likny , jik tid k terd p t keterg ntung n t u tid k d
ny kes l h n pengg nggu y ng sec r otom tis mempeng ruhi d t
erikutny m k
m s l h utokorel si tid k k n muncul. H l seperti itu d l m
h s m tem tisny
ditulisk n se
g i
erikut: E(ui, uj) = 0; i j A.2. Se

-se

Autokorel si Te
rd p t
ny k f ktor-f ktor y ng d p t menye

k n tim
ulny m s l h utokorel s
i, n mun d l m pem
h s n ini h ny mengungk pk n
e
er p f ktor s j
nt r l
in: 1. Kes l h n d l m pem
entuk n model, rtiny , model y ng digun k n untuk me
ng n lisis regresi tid k didukung oleh teori-teori y ng relev n d n mendukung. 2
. Tid k mem sukk n v ri
el y ng penting. V ri
el penting y ng dim ksudk n di s
ini d l h v ri
el y ng diperkir k n signifik n mempeng ruhi v ri
el Y. Se
g
i mis l kit ingin meneliti f ktor p s j y ng mempeng ruhi terj diny infl si
. Sec r teoritik,
ny kny Juml h U ng Bered r (JUB) mempuny i k it n ku t den
g n terj diny infl si. Alur
erfikirny seperti ini, sem kin
ny k JUB m k d
y
eli
104

m sy r k t k n meningk t tentu k n pul diikuti deng n permint n y ng meningk

t pul , Jik juml h pen w r n tid k m mpu
ert m
h, tentu h rg k n meningk t
, ini
er rti infl si k n terj di. N h, tid k dim sukk nny JUB se
g i predikt
or, s ng t
es r meng ndung kecenderung n terj diny utokorel si. 3. M nipul si
d t . Mis lny d l m peneliti n kit ingin menggun k n d t
ul n n, n mun d t
terse
ut tid k tersedi . Kemudi n kit menco
menggun k n triwul n n y ng ters
edi , untuk dij dik n d t
ul n n mel lui c r interpol si t u ekstr pol si. C
ontohny mem
gi tig d t triwul n n t di (n/3). Ap
il h l seperti ini dil ku
k n, m k sif t d t d ri
ul n ke s tu k n ter
w ke
ul n kedu d n ketig ,
d n ini
es r kemungkin n untuk terj di utokorel si. 4. Menggun k n d t y ng t
id k empiris. Jik d t sem c m ini digun k n, terkes n
hw d t terse
ut tid
k didukung oleh re lit . Mis lny peng ruh perikl n n terh d p penju l n. K l u
d l m peneliti n menggun k n d t
i y perikl n n
ul n ke n d n d t penju l n

ul n ke n,
es r kemungkin n k n terj di utokorel si. Sec r empirik, up y
perikl n n
ul n ke n tid k k n sec r l ngsung
erd mp k p d
ul n y ng s m ,
tet pi
es r kemungkin n k n
erd mp k p d
ul n
erikutny , j r kny
is 1

ul n, 2
ul n, t u le
ih. Seh rusny d t penju l n y ng digun k n d l h d t
penju l n
ul n ke n+1 t u n+2 terg ntung d mp k empiris t di. Penggun n d t
p d
ul n y ng s m deng n meng
ik n empiris seperti ini dise
ut jug se
g
i Co
we
Phenomenon.
105

A.3. Aki
t Autokorel si Ur i n-ur i n di t s mungkin s j meng j k kit untuk

ert ny tent ng p d mp k d ri utokorel si y ng tim
ul. Pert ny n seperti in
i tentu s j merup k n sesu tu y ng w j r, k ren kit tentu mempuny i pilih n
p k h meng
ik n d ny utokorel si t uk h k n mengelimin siny . Meskipun d
utokorel si, nil i p r meter estim tor (
1,
2,,
n) model regresi tet p line r
d n tid k
i s d l m memprediksi B (p r meter se
en rny ). Ak n tet pi nil i v
ri nce tid k minimum d n st nd rd error (S
1, S
2) k n
i s. Aki
tny
d l h n
il i t hitung k n menj di
i s pul , k ren nil i t diperoleh d ri h sil
gi S

terh d p
(t =
/s
). Berhu
ung nil i S

i s m k nil i t jug k n
i s t
u
ersif t tid k p sti (misle ding). A.4. Penguji n Autokorel si Penguji n utok
orel si dim ksudk n untuk menguji d tid kny utokorel si, y itu m s l h l in
y ng tim
ul
il kes l h n tid k sesu i deng n
t s n y ng disy r tk n oleh n
lisis regresi. Terd p t
e
er p c r untuk mendeteksi d tid kny utokorel si
, nt r l in mel lui: 1. Uji Dur
in-W tson (DW Test). Uji Dur
in-W tson y ng se
c r populer digun k n untuk mendeteksi d ny seri l korel si dikem
ngk n oleh
hli st tistik (st tistici ns) Dur
in d n W tson. Formul y ng digun k n untuk
mendeteksi terken l pul deng n se
ut n Dur
inW tson d st tistic, y ng ditulisk
n se
g i
erikut:
106

d=
(u
t =2
t =n
t
u t 1 ) 2
2 t
u
t =2
t =n
atau dapat pula ditulis dalam rumus sebagai berikut:
d = 2(1
e .e
t
t 1
e
2 t
)
Dalam DW test ini terdapat beberapa asumsi penting yang harus dipatuhi, yaitu: T
erdapat intercept dalam model regresi. Variabel penjelasnya tidak random (nonsto
chastics). Tidak ada unsur lag dari variabel dependen di dalam model. Tidak ada
data yang hilang. t = t 1 + t Langkahlangkah pngjian atokolasi mnggnakan 
ji Dbin Watson (DW tst) dapat dimlai dai mnntkan hipotsis. Rmsan hipo
tsisnya (H0) biasanya mnyatakan bahwa da jngnya tidak ada sial atokola
si baik positif mapn ngatif. Misalnya: tdapat atokolasi positif, ata, t
dapat atokolasi ngatif. Btolak dai hipotsis tsbt, maka pl mng
jinya kana hipotsis sndii mpakan jawaban smntaa yang masih pl dij
i. Tdapat bbapa standa kptsan yang pl dipdomani ktika mnggnakan
DW tst, yang smanya mnntkan lokasi dimana nilai DW bada. Jlasnya adalah
sbagai bikt:
107

DW < dL positif dL< DW <dU (inconclsiv) dU > DW >4dU atokolasi 4dU < DW <
4dL (inconclsiv) DW > 4dL ngatif
=
tdapat
atokolasi
= tidak dapat disimplkan = tidak tdapat
= tidak dapat disimplkan = tdapat atokolasi
Dimana DW = Nilai DbinWatson d statistik dU = Nilai batas atas (didapat dai
tabl) = Nilai batas bawah (didapat dai dL tabl) Ktntanktntan daah hi
potsis pngjian DW dapat diwjdkan dalam bntk gamba sbagai bikt:
Inconclsiv
Tidak ada Atokolasi
Inconclsiv
Kolasi (+) 0 dL dU 2 4dU
Kolasi () 4dL 4
Gamba 3.3.: Daah Uji Dbin Watson
108

Dalam pngjian atokolasi tdapat kmngkinan mnclnya atokolasi positif

mapn ngatif. Kana adanya masalah kolasi dapat mnimblkan adanya bias pa
da hasil gsi.
Bantan dngan SPSS
Untk mngtahi ada tidaknya atokolasi dngan DW tst, tahapannya dilakkan
spti pada tahapan gsi, hanya saja dilanjtkan dngan mngaktifkan knci l
ainnya. Lngkapnya tahapan tsbt adalah sbagai bikt: Pilih Analyz, Rg
ssion, Lina Maskkan vaiabl Y k kotak Vaiabl Dpndn, dan vaiabl X1 da
n X2 k dalam kotak Vaiabl Indpndn Klik pada kotak pilihan Statistik (bawah
) Aktikan DbinWatson pada kolom Rsidal Klik Contin, kmdian klik OK.
109

Maka SPSS akan mnampilkan hasil gsinya. Kolom DbinWatson akan tampak dala
m tabl Modl Smmay, kolom paling kanan.
Modl Smmayb Adjstd R Sqa .726 Std. Eo of th Estimat .9148 DbinW
atson .883
Modl 1
R R Sqa .867a .752
a. Pdictos: (Constant), X2, X1 b. Dpndnt Vaiabl: Y
Bantan dngan SPSS
Catatan:
110

Dngan mnggnakan dajat ksalahan ()=5%, deng n s mpel 22 o
serv si, deng n pr
edictor se
ny k 2 m k
t s t s (U) d l h se
es r 1,54 sed ng
t s
w h (L
) d l h se
es r 1,15. K ren nil i DW h sil regresi d l h se
es r 0,883 y ng

er rti le
ih kecil d ri nil i
t s
w h, m k koefisien utokorel si le
ih kec
il d ri nol. Deng n demiki n d p t disimpulk n
hw h sil regresi terse
ut
elu
m ter
e
s d ri m s l h utokorel si positif. Deng n k t l in, Hipotesis nol y
ng meny t k n tid k terd p t m s l h utokorel si d p t ditol k, sed ng hipotesi
s nol y ng meny t k n terd p t m s l h utokorel si d p t diterim . Ur i n di t
s d p t pul dijel sk n d l m
entuk g m
r s

:
Korel si (+) inkonklusif
tid k d

utokorel si inkonklusif

Korel si (-)
0
dL
1,15
dU
1,54
2
4-dU
2,46
4-dL
2,85
4
G m
r. D er h Uji Dur
in W tson
111

2. Menggun k n metode L Gr nge Multiplier (LM). LM sendiri merup k n teknik regr

esi y ng mem sukk n v ri
el l g. Sehingg terd p t v ri
el t m
h n y ng dim s
ukk n d l m model. V ri
el t m
h n terse
ut d l h d t L g d ri v ri
el depe
nden. Deng n demiki n model d l m LM menj di se
g i
erikut: Y = 0 + 1X1+ 2 X2 + 3
Yt-1+ 4 Yt-2 + Vaiabl Yt1 mpakan vaiabl lag 1 dai Y. Vaiabl Yt2 mp
akan vaiabl lag 2 dai Y. Lag 1 dan Lag 2 vaiabl Y dimaskkan dalam modl in
i btjan ntk mngtahi pada lag bapa poblm otokolasi mncl. Lag sn
dii mpakan ntang wakt. Lag 1 mnnjkkan adanya ksnjangan wakt 1 pio
d, sdang lag 2 mnnjkkan ksnjangan wakt 2 piod. Piodnya tgantng
pada jnis data apakah data haian, blanan, tahnan. Lag 1 data haian bati
ada ksnjangan sat hai, lag 2 ksnjangan 2 hai dan stsnya. Sbagai knc
i ntk mngtahi pada lag bapa atokolasi mncl, dapat dilihat dai signi
fikan tidaknya vaiabl lag tsbt. Ukan yang dignakan adalah nilai t masin
gmasing vaiabl lag yang dibandingkan dngan t tabl, spti yang tlah dibah
as pada ji t sblmnya. Misalnya vaiabl Yt1 mmpnyai nilai t signifikan, b
ati tdapat masalah atokolasi ata pngah
112

ksalahan pnggangg mlai sat piod sblmnya. Jika ini tjadi, maka ntk
pbaikan hasil gsi pl dilakkan gsi lang dngan mbah posisi dat
a ntk dissaikan dngan kn wakt lag tsbt. Tdapat bbapa alat ji
lain ntk mndtksi atokolasi spti ji BschGodfy, Uji Rn, Uji Sta
tistik Q: BoxPic dan Ljng Box, dan lainlain, namn jiji tsbt tidak d
ibahas di sini, mngingat tlisan ini masih blingkp ata bsifat pnganta.
B. Uji Nomalitas Tjan dilakkannya ji nomalitas adalah ntk mngji apakah
vaiabl pngangg () mmiliki distibsi nomal ata tidak. Pngjian nomali
tas data dapat dilakkan sblm atapn stlah tahapan analisis gsi. Hanya
saja pngalaman mnnjkkan bahwa pngjian nomalitas yang dilakkan sblm t
ahapan gsi lbih fisin dalam wakt. Sangat balasan kianya, kana jika
asmsi nomalitas data tlah dipnhi tlbih dl, maka dampak yang mngkin ak
an ditimblkan dai adanya ktidaknomalan data spti bias pada nilai t hitng
dan nilai F hitng dapat dihindai. Sbaliknya, bila dilakkan analisis gsi
tlbih dl, dimana nilai t dan F ba diktahi, yang kmdian ba dilakka
n nomalitas data, sdangkan tnyata hasilnya tidak nomal maka analisis gs
i has dilang lagi. Pngjian nomalitas ini bdampak pada nilai t dan F ka
na pngjian thadap kdanya ditnkan dai asmsi bahwa data Y ata  bdis
tibsi nomal.
113

Bbapa caa dapat dilakkan ntk mlakkan ji nomalitas, antaa lain: 1) M
nggnakan mtod nmik yang mmbandingkan nilai statistik, yait antaa nilai
mdian dngan nilai man. Data dikatakan nomal (simtis) jika pbandingan ant
aa man dan mdian mnghasilkan nilai yang kang lbih sama. Ata apabila nila
i man jika dikangi nilai mdian mnghasilkan angka nol. Caa ini disbt k
an tndnsi sntal (Kncoo, 2001: 41). 2) Mnggnakan fomla Jaq Ba (JB
tst), yang msnya tta sbagai bikt:
S 2 ( K 3) 2 JB = n + 24 6
dimana: S = Skewness (kemencengan) distribusi data K= Kurtosis (keruncingan) Ske
wness sendiri dapat dicari dari formula sebagai berikut:
[E( X ) ] S= [E( X ]
K=
3 2
2 3
Kurtosis dapat dicari dngan formula sbagai brikut:
[E ( X ) ]
E( X )4
2 2
114

Bantuan dngan SPSS SPSS dapat digunakan untuk mlihat nilai Man, Mdian, Modus
, Skwnss, Kurtosis, dan lain-lain. Caranya dapat dilakukan dngan tahapan sba
gai brikut: Pilih Analyz, Dscriptiv Statistic, Frquncis Pindahkan variab
l yang mau dicari nilainya (sblah kiri) k kotak Variabls (sblah kanan) Kil
ik Statistik (bawah) Aktifkan pilihan yang ada dalam kotak Disprsion, Distribut
ion, Cntral Tndncy Kmudian klik Continu, dan OK.
115

 Maka SPSS akan mnampakkan output sbagai brikut:

Statistics Y N Man Std. Error of Man Mdian Mod Std. Dviation Varianc Skwn
ss Std. Error of Skwnss Kurtosis Std. Error of Kurtosis Rang Minimum Maximum
Sum a. Multipl mods xist. Th smallst valu is shown Valid Missing 22 0 11.
8405 .3727 12.1700 8.28a 1.7479 3.0552 -.099 .491 -.494 .953 6.85 8.28 15.13 260
.49 X1 22 0 14.7373 .2202 14.6200 13.06a 1.0329 1.0670 .009 .491 -1.424 .953 3.1
5 13.06 16.21 324.22 X2 22 0 9855.3027 176.0515 9774.0200 8688.65a 825.7548 6818
71.1 .363 .491 -1.096 .953 2605.65 8688.65 11294.30 216816.66
3) Mngamati sbaran data, dngan mlakukan hitungan-hitungan brapa prosntas
data obsrvasi dan brada di ara mana. Untuk mnntukan posisi normal dari sba
ran data, langkah awal yang dilakukan adalah mnghitung standar dviasi. Standar
dviasi dapat dicari mlalui rumus sbagai brikut:
SD =
(Dv Dv)
n
Standa dviasi ini dignakan ntk mnntkan ntang dviasi dai posisi simt
is data. Untk mmpmdah, kita dapat mmbinya nama: SD1 yang bati ntan
g ptama, di sblah kii dan sblah kanan dai posisi tngahtngah (simtis
). SD2 yang bati ntang kda di sblah kii dan sblah kanan posisi tnga
htngah (simtis)
116

SD3 yang bati ntang ktiga di sblah kii dan sblah kanan posisi tngaht
ngah (simtis). Pnntan aa ini pnting, kana sbaan data yang dikatakan
nomal 19 apabila tsba sbagai bikt: Sbanyak 68% dai obsvasi bada
pada aa SD1 Sbanyak 95% dai sisanya bada pada aa SD2 Sbanyak 99,7% dai
sisanya bada pada aa SD3 Untk mmpjlas maksd dai aian di atas, kita
dapat mlihatnya pada gamba bikt ini

SD3
SD2
SD1
Dv
SD1
SD2
SD3
68% obsvasi 95% obsvasi sisa 99,7% obsvasi sisa
Dalam pngjian nomalitas mmpnyai da kmngkinan, yait data bdistibsi n
omal ata tidak nomal. Apabila data tlah bdistibsi nomal maka tidak ada
masalah kana ji t dan ji F dapat dilakkan (Kncoo, 2001: 110). Apabila dat
a tidak nomal, maka
19
Gjaati, Basic Economtics, thid dition, McGawHill, Inc. 1995.
117

diplkan paya ntk mngatasi spti: mmotong data yang ot lis, mmpb
sa sampl, ata mlakkan tansfomasi data. Data yang tidak nomal jga dapat
dibdakan dai tingkat kmncngannya (skwnss). Jika data cndng mncng k
kii disbt positif skwnss, dan jika data cndng mncng k kanan disbt
ngatif skwnss. Data dikatakan nomal jika datanya simtis. Lihat gamba b
ikt:
Positif Skwnss Ngatif Skwnss
Nomal
Langkah tansfomasi data sbagai paya ntk mnomalkan sbaan data dapat dil
akkan dngan mbah data dngan nilai absolt k dalam bilangan logaitma 20.
Dngan mntansfomasi data k bntk logaitma akan mmpkcil o shingga
kmngkinan timblnya masalah htoskdastisitas jga mnjadi sangat kcil (St
iaji, 2004: 18).
Kncoo, 2001, jga Stiaji, 2004, mngatakan hal yang sama. Bahwa tansfomasi
dapat dilakkan dngan logaitma.
20
118

Sbagai pnjlas dai aian di atas, maka ada baiknya kala kita ikti contoh s
oal sbagai bikt: Misalnya kita mmiliki jmlah obsvasi sbanyak 30 sampl,
dai pnghitngan bat badan oang dwasa yang ataatanya ditmkan 46 kg, d
ngan standa dviasi (SD) 5 kg. Untk mnntkan nomal tidaknya data sampl t
sbt, dapat diktahi dai sbaan datanya. Misalnya dai data tsbt dikta
hi bahwa 20 dai data obsvasi (68% X 30) 10 oang di antaanya mmpnyai ba
t badan yang bkisa antaa 4146 kg., dan 10 oang lainnya dngan bat 4651
kg. Dan 4 oang mmpnyai bat badan antaa 3641 kg, sta 5 oang bat badan
nya bkisa antaa 5156, dan sat oang batnya kang dai 36 kg, maka data
dapat dikatakan nomal. Dngan dmikian bila diwjdkan dalam bntk diagam sb
aan data akan tampak sbagai bikt:
36
41
46
51
56
C. Uji Htoskdastisitas C.1. Pngtian Htoskdastisitas Sbagaimana tlah
ditnjkkan dalam salah sat asmsi yang has ditaati pada modl gsi lini
,
119

adalah sidal has homoskdastis, atinya, vaianc sidal has mmiliki v

aiabl yang konstan, ata dngan kata lain, ntangan  kang lbih sama. Ka
na jika vaiancnya tidak sama, modl akan mnghadapi masalah htoskdastisita
s. Htoskdastisitas mncl apabila ksalahan ata sidal dai modl yang di
amati tidak mmiliki vaians yang konstan dai sat obsvasi k obsvasi lainn
ya (Kncoo, 2001: 112). Padahal ms gsi dipolh dngan asmsi bahwa va
iabl pnggangg (o) ata , diasmsikan mmiliki vaiabl yang konstan (n
tangan  kang lbih sama). Apabila tjadi vaian  tidak konstan, maka kondis
i tsbt dikatakan tidak homoskdastik ata mngalami htoskdastisitas (St
iaji, 2004: 17). Masalah htoskdastisitas lbih sing mncl dalam data cos
s sction dai pada data tim sis (Kncoo, 2001: 112; Stiaji, 2004: 17). Ka
na dalam data coss sction mnnjkkan obyk yang bbda dan wakt yang bb
da pla. Antaa obyk sat dngan yang lainnya tidak ada saling ktkaitan, b
git pla dalam hal wakt. Sdangkan data tim sis, antaa obsvasi sat dn
gan yang lainnya saling mmpnyai kaitan. Ada tnd yang cndng sama. Shingg
a vaianc sidalnya jga cndng sama. Tidak spti data coss sction yan
g cndng mnghasilkan vaianc sidal yang bbda pla.
C.2. Konsknsi Htoskdastisitas Analisis gsi mnganggap ksalahan (o
) bsifat homoskdastis, yait asmsi bahwa sid ata dviasi dai gais yan
g paling tpat mncl sta andom ssai dngan bsanya vaiablvaiabl ind
pndn (Asyad, 1994:198). Asmsi gsi lini yang bpa
120

vaianc sidal yang sama, mnnjkkan bahwa standa o (Sb) masingmasing
obsvasi tidak mngalami pbahan, shingga Sb nya tidak bias. Lain halnya, ji
ka asmsi ini tidak tpnhi, shingga vaianc sidalnya bbahbah ssai
pbahan obsvasi, maka akan mngakibatkan nilai Sb yang dipolh dai hasil
gsi akan mnjadi bias. Slain it, adanya ksalahan dalam modl yang dapat
mngakibatkan nilai b mskipn ttap lini dan tidak bias, ttapi nilai b bkan
nilai yang tbaik. Mnclnya masalah htoskdastisitas yang mngakibatkan ni
lai Sb mnjadi bias, akan bdampak pada nilai t dan nilai F yang mnjadi tidak
dapat ditntkan. Kana nilai t dihasilkan dai hasil bagi antaa b dngan Sb.
Jika nilai Sb mngcil, maka nilai t cndng mmbsa. Hal ini akan bakibat
bahwa nilai t mngkin mstinya tidak signifikan, ttapi kana Sb nya bias, maka
t mnjadi signifikan. Sbaliknya, jika Sb mmbsa, maka nilai t akan mngcil.
Nilai t yang shasnya signifikan, bisa jadi ditnjkkan mnjadi tidak signifi
kan. Ktidakmnntan dai Sb ini dapat mnjadikan hasil ist yang mngacakan.
C.3. Pndtksian Htoskdastisitas Untk mndtksi ada tidaknya htoskdas
tisitas, dapat dilakkan dngan bbagai caa spti ji gafik, ji Pak, Uji
Gljs, ji Spamans Rank Colation, dan ji Whyt mnggnakan Lagang Mlti
pli (Stiaji, 2004: 18) 21. Pngjian htoskdastisitas mnggnakan ji gaf
ik, dapat dilakkan dngan mmbandingkan sbaan
21
Ditnjkkan pla olh Gozali, 2001.
121

antaa nilai pdiksi vaiabl tikat dngan sidalnya, yang otpt pndtks
iannya akan tta bpa sbaan data pada scatt plot. Dngan mnggnakan al
at bant kompt tknik ini sing dipilih, kana alasan kmdahan dan ksd
hanaan caa pngjian, jga ttap mmptimbangkan valid dan tidaknya hasil png
jian. Pngjian htoskdastisitas mnggnakan ji Ach, dilakkan dngan caa
mlakkan gsi atas sidal, dngan modl yang dapat ditliskan  2 = a + b
Y 2 +  . Dai hasil gsi tsbt dihitng nilai R2. Nilai R2 tadi dikalikan
dngan jmlah sampl (R2 x N). Hasil pkalian ini kmdian dibandingkan dngan
nilai chisqa (2) pada derajat kesalahan tertentu. Dengan df=1 (ingat, karena
hanya memiliki satu variabel bebas). Jika R2 x N lebih besar dari hi-square (2)
tabel, maka standar error mengalami heteroskedastisitas. Sebaliknya, jika R2 x
N lebih keil dari hi-square (2) tabel, maka standar error telah bebas dari masa
lah heteroskedastisitas, atau telah homoskedastis.
D. Uji Multikolinieritas D.1. Pengertian Multikolinearitas Multikolinieritas ada
lah suatu keadaan dimana terjadi korelasi linear yang perfet atau eksak di antara
variabel penjelas yang dimasukkan ke dalam model. Tingkat kekuatan hubungan ant
ar variabel penjelas dapat ditrikotomikan lemah, tidak berkolinear, dan sempurna
. Tingkat kolinear dikatakan lemah apabila masing-masing variabel penjelas hanya
mempunyai sedikit sifat-sifat yang sama. Apabila antara variabel penjelas memil
iki banyak sifat-sifat yang sama dan serupa sehingga hampir tidak dapat lagi dib
edakan tingkat pengaruhnya terhadap
122

Y, maka tingkat kolinearnya dapat dikatakan serius, atau perfet, atau sempurna.
Sedangkan Tidak berklinear jika antara variabel penjelas tidak mempunyai sama s
ekali kesamaan. Sebagai gambaran penjelas, dapat dilihat pada gambar berikut ini
:
Y Y
X2 X1 X1
X2
Gb.Tidak berkolinear
Gb. Berkolinear lemah
Y
X1
X2
Gb. Berkolinear sempurna
D.2. Konsekuensi Multikolinearitas Pengujian multikolinearitas merupakan tahapan
penting yang harus dilakukan dalam suatu penelitian, karena apabila belum terbe
bas dari masalah multikolinearitas akan menyebabkan nilai koefisien regresi (b)
masing-masing variabel bebas dan nilai standar error-nya (Sb) enderung bias, da
lam arti tidak dapat ditentukan kepastian nilainya, sehingga akan
123

berpengaruh pula terhadap nilai t (Setiaji, 2004: 26). Logikanya adalah seperti
ini, jika antara X1 dan X2 terjadi kolinearitas sempurna sehingga data menunjukk
an bahwa X1=2X2, maka nilai b1 dan b2 akan tidak dapat ditentukan hasilnya, kare
na dari formula OLS sebagaimana dibahas terdahulu, b1 =
2 ( x1 y)( x 2 ) ( x 2 y)( x1 x 2 ) 2 ( x12 )( x 2 ) ( x1 x 2 ) 2
akan mnghasilkan bilangan pmbagian, b1 = , shingga nilai b1 hasilnya tidak m
nnt. Hal it akan bdampak pla pada standa o Sb akan mnjadi sangat bs
a, yang tnt akan mmpkcil nilai t. D.3. Pndtksian Mltikolinaitas T
dapat bagam caa ntk mngji mltikolinaitas, di antaanya: mnganalisis m
atix kolasi dngan Pason Colation ata dngan Spamans Rho Colation,
mlakkan gsi patial dngan tknik axilay gssion, ata dapat pla dil
akkan dngan mngamati nilai vaianc inflation facto (VIF). Caa mndtksi a
da tidaknya mltikoliniitas dngan mnghitng nilai kolasi anta vaiabl d
ngan mnggnakan Spamans Rho Colation dapat dilakkan apabila data dngan sk
ala odinal (Kncoo, 2001: 114). Smntaa ntk data intval ata nominal dap
at dilakkan dngan Pason Colation. Slain it mtod ini lbih mdah dan l
bih sdhana ttapi ttap mmnhi syaat ntk dilakkan. Pngjian mltikoli
naitas mnggnakan angka kolasi dimaksdkan ntk mnntkan ada tidaknya m
ltikolinaitas. Mngac pndapat Pindyk dan
0 0
124

Rbinfld 22, yang mngatakan bahwa apabila kolasi antaa da vaiabl bbas l
bih tinggi dibanding kolasi salah sat ata kda vaiabl bbas tsbt dn
gan vaiabl tikat. Jga pndapat Gjaati (1995:335) yang mngatakan bahwa bi
la kolasi antaa da vaiabl bbas mlbihi 0,8 maka mltikolinaitas mnjad
i masalah yang sis. Gjaati jga mnambahkan bahwa, apabila kolasi antaa
vaiabl pnjlas tidak lbih bsa dibanding kolasi vaiabl tikat dngan m
asingmasing vaiabl pnjlas, maka dapat dikatakan tidak tdapat masalah yang
sis. Dngan dmikian, dapat disimplkan bahwa apabila angka kolasi lbih k
cil dai 0,8 maka dapat dikatakan tlah tbbas dai masalah mltikolinaitas
. Dalam kaitan adanya kolina yang tinggi shingga mnimblkan tidak tpnhin
ya asmsi tbbas dai masalah mltikolinaitas, dngan mmptimbangkan sifat
data dai coss sction, maka bila tjan psamaan hanya skda ntk kpl
an pdiksi, hasil gsi dapat ditoli, spanjang nilai t signifikan.
Tgas: 1. Batlah angkman dai pmbahasan di atas! 2. Cobalah ntk mnyimplk
an maksd dai aian bab ini! 3. Jawablah ptanyaanptanyaan di bawah ini: a
. Coba jlaskan apa yang dimaksd dngan asmsi klasik! b. Sbtkan apa saja as
msiasmsi yang dittapkan! c. Coba jlaskan mngapa tidak sma asmsi pl la
kkan pngjian!
22
Lihat Kncoo, 2001:146
125

d. Jlaskan apa yang dimaksd dngan atokolasi! . Jlaskan knapa atokola

si timbl! f. Bagaimana caa mndtksi masalah atokolasi? g. Apa konsknsi
dai adanya masalah atokolasi dalam modl? h. Jlaskan apa yang dimaksd dn
gan htoskdastisitas! i. Jlaskan knapa htoskdastisitas timbl! j. Bagai
mana caa mndtksi masalah htoskdastisitas? k. Apa konsknsi dai adanya
masalah htoskdastisitas dalam modl? l. Jlaskan apa yang dimaksd dngan m
ltikolinaitas! m. Jlaskan knapa mltikolinaitas timbl! n. Bagaimana caa
mndtksi masalah mltikolinaitas? o. Apa konsknsi dai adanya masalah m
ltikolinaitas dalam modl? p. Jlaskan apa yang dimaksd dngan nomalitas! q.
Jlaskan knapa nomalitas timbl! . Bagaimana caa mndtksi masalah nomali
tas? s. Apa konsknsi dai adanya masalah nomalitas dalam modl? t. Bagaimana
caa mnangani jika data tnyata tidak nomal?
126

DAFTAR PUSTAKA Djawanto, Pangst Sbagyo, 2000, Statistik Indktif, Edisi 4, BPF
E Yogjakata. Ghozali, Imam, 2001, Aplikasi Analisis Mltivaiat dngan Pogam
SPSS, BP Undip, Smaang Gjaati,Damoda N., 1988, Basic Economtics Scond Editi
on, McGawHill Book Company. Gjaati,Damoda N., 1999, Essntials of Economti
cs, Scond Edition, Iwin McGaw Hill. Hill, Cat, William E. Giffiths, Gog
G. Jdg, 1997, Undgadat Economtics, John Wily & Sons, Inc. Johnston, Jac
k, and John DiNado, 1997, Economtic Mthods Foth Edition, Th McGawHill Com
panis, Inc. Kncoo, Mdajad, 2001, Mtod Kantitatif Toi dan Aplikasi Untk
Bisnis dan Ekonomi, UPP AMP YKPN, Yogjakata Salvato, Dominick, 1996, Managia
l Economics in a Global Economy, Intnational Edition, Thid Edition, McGawHil
l, inc. Santoso, Singgih, 2001, Bk Latihan SPSS Statistik Paamtik, Elx Mdia
Komptindo, Jakata. Stiaji, Bambang, 2004, Modl Ekonomtika Paktis, Faklta
s Ekonomi Univsitas Mhammadiyah Sakata. Spanto, J., 1983, Ekonomtik, Bk
 Sat, Lmbaga Pnbit Fakltas Ekonomi Univsitas Indonsia.
127

Rgsi Logit
128

X1 13.06 13.81 13.97 13.79 14.03 14.14 14.39 14.97 15.67 15.91 16.02 16.21 16.19
15.88 15.76 15.55 15.16 14.85 14.22 13.93 13.58 13.13 324.22
Y 8.28 9.14 10.62 10.51 10.82 12.11 13.04 12.23 13.01 12.47 12.91 12.55 14.42 15
.13 14.08 13.3 12.93 11.48 10.05 10.6 10.48 10.33 260.49
X1 13.06 13.81 13.97 13.79 14.03 14.14 14.39 14.97 15.67 15.91 16.02 16.21 16.19
15.88 15.76 15.55 15.16 14.85 14.22 13.93 13.58 13.13 324.22
X12 170.5636 190.7161 195.1609 190.1641 196.8409 199.9396 207.0721 224.1009 245.
5489 253.1281 256.6404 262.7641 262.1161 252.1744 248.3776 241.8025 229.8256 220
.5225 202.2084 194.0449 184.4164 172.3969 4800.525
Y2 68.5584 83.5396 112.7844 110.4601 117.0724 146.6521 170.0416 149.5729 169.260
1 155.5009 166.6681 157.5025 207.9364 228.9169 198.2464 176.89 167.1849 131.7904
101.0025 112.36 109.8304 106.7089 3148.48
XY 108.1368 126.2234 148.3614 144.9329 151.8046 171.2354 187.6456 183.0831 203.8
667 198.3977 206.8182 203.4355 233.4598 240.2644 221.9008 206.815 196.0188 170.4
78 142.911 147.658 142.3184 135.6329 3871.398
129

t=
1.4498 b = = 7.4348 sb 0.195
Pnman nilai b di sini pnting ntk mnntkan nilai B. Nilai b sndii mp
akan pkiaan tngga dai paamt B, yait kofisin gsi sbnanya (Y =
A + BX + ). Pbdaan antaa nilai b dan B disbabkan adanya flktasi sampling
. Nilai B sndii bsanya adalah sama dngan nilai ataata b, kana nilai a
taata b adalah pmkia tak bias. Ingat E(b) = B. Pmasalahannya adalah nila
i b yang dihasilkan dngan phitngan di atas adalah nilai b individal, maka k
ita pl mngji apakah B bada pada intval ata tidak. Untk mngji tingka
t kpcayaannya maka kita pl mngk intval kpcayaan (confidnc int
val) apakah B bada di antaa batas atas dngan batas bawah intval ata tidak
. Kala bada pada intval tsbt, maka dipastikan bahwa B mmpnyai tingkat
kpcayaan yang baik (liabl), jika tidak, maka B tidak liabl. Pngkan
bdasakan intval kpcayaan dapat ditliskan dalam bntk psamaan sbaga
i bikt: P (bd B b +d) = 1 Pers m n ini d p t di
c : pro

ilit interv l
nt r (
-d) d n (
+d) k n memu t nil i B se
es r (1- ). At u dig m
rk n se
g
i
erikut:
(
-d)
t s
w h dim n :
interv l
(
+d)
t s

t s

(
-d) =
t s key kin n
w h t u nil i
t s
w h (
+d) =
t s key kin n t

s t u nil i
t s t s (1- ) = koefisien key kin n (confidence coefficient) t
u tingk t key kin n (confidence level).
130

sendiri dise
ut se
g i tingk t signifik nsi Sim
ol (level of signific nce) y ng
di rtik n jug se
g i
es rny kes l h n y ng ditolerir di d l m mem
u t keput
us n. Se nd iny ditentuk n
hw tingk t key kin nny se
es r 95%, m k kes l h
n y ng ditolerir d l h y ng kur ng d ri 5% t u 0,05. Angk ini did p t d ri r
umus 1- terse
ut (1 - 95% = 5% t u 0,05). Deng n demiki n, deng n menggun k n p
ers m n di t s kit d p t menginterpret si
hw kemungkin n nil i B
er d p
d interv l d l h se
es r 95%. Penghitung n seperti terse
ut digun k n untuk me
nentuk n p k h nil i B menerim t u menol k hipotesis (H0).
B ny k sek li konsep-konsep ekonomi y ng dirumusk n d l m model m tem tis, seper
ti pengukur n GNP, tingk t Infl si, u ng
ered r, d n l in-l in. Penggun n mode
l m tem tis seperti itu dim ksudk n untuk mendefinisik n hu
ung n nt r
er
g
i v ri
el-v ri
el ekonomi y ng s ling mempeng ruhi. K ren d l m pengukur n ek
onomi diwujudk n d l m
entuk ngk - ngk m k ekonometrik
ersif t ku ntit tif
, Deng n demiki n, untuk d p t mel kuk n pengukur n kegi t n ekonomi, m k diper
luk n l t n lisisny y ng
erup g
ung n d ri teori ekonomi, m tem tik , d n
st tistik .
131

Blogger: Pondok P ngelmon P wen ng - Bu t Entri

p wip wen ng@gm il.com | D s
or | Akunku | B ntu n | Kelu r
Pondok P ngelmon P wen ng
Posting

Bu t
Edit Entri

Peng tur n T t

Let k Lih t Blog

Moder si Koment r

Judul: T ut n:
EKONOMETRIKA ekonometrik
Gun k n ini untuk mem
u t link judul And

ke d l m

we
site. Info lengk p

Edit HTML
Font
Tulis
Pr tinj u
Opsi Entri
L
el untuk entri ini: contoh skuter, li
ur n, musim gugur
Sem
unyik n semu
Semu L
el: kunt nsi
i y
fils f t sosi l Teori

kunt nsi m n jemen Fils f t Ekonomi fils f t ilmu

Ke dil n
J l n pint s: tek n Ctrl deng n: B = Te
l, I = It lic, P = Pu
lik sik n, S = Si
mp n, D = Konsep l inny
Ter
itk n Entri
Simp n Sek r ng
Konsep disimp n otom tis di 10:56
Kem
li ke d ft r entri

http://www.
logger.com/post-cre te.g?
logID=3799599743255279943 [11/27/2008 10:4

6:55 AM]