Hubungan Pr dengan Pj adl positif dilihat dari model regresi.

Sedangkan derajat hubungan

antara Pr dan Pj adl sebesar 0,78/78% berarti hubungannya adalah positif kuat. (r > 0,5 = hub.
Kuat)
Nilai R square adl 0,6060. Artinya 60,6% penjualan dpt dijelaskan oleh variabel promosi.
Sedangkan sisanya (100%-60% = 39,4%) dijelaskan oleh faktor-faktor di luar model.
Nilai Fsig (0,004857) lebih kecil dari tingkat signifikansi (0,05), maka model regresi dapat
dipakai untuk memprediksi penjualan. Artinya promosi berpengaruh secara signifikan thdp
penjualan dengan tingkat signifikansi 0,05
Besarnya penyimpangan niai dugaaan dari nilai aktual sesungguhnya adalah sebesar 0,30
(30%)
1. Membuat penyataan hipotesis
H0 :

1 = 0 : Pr tidak berpengaruh thdp Pj

H1 :

1 0 : Pr berpengaruh thdp Pj

2. Level of significance () = 0,05 / 5%

3. Menetukan t hitung = 6,838
t tabel
= 2,228
4. Kriteria pengujian

5. Kesimpulan : karena t hitung (6,838) lebih besar dari t tabel (2,228), maka Ho ditolak
Interpretasi : Pr berpengaruh positif signifikan thdp Pj dengan taraf signifiansi 5%

1. Membuat hipotesis / pernyataan

Peningkatan tarif PBB berpengaruh terhadap perkembangan harga rumah (Pr)
Peningkatan tarif PBB tidak berpengaruh terhadap perkembangan harga rumah (Pr)
2. Mengumpulkan data
Data time series tentang tarif PBB
Data time series tentang perkembangan harga rumah
3. Menentukan model matematis
Pr = 0 + 1 tarif PBB
4. Menentukan model ekonometri
Pr = 0 + 1 tarif PBB + e
5. Menaksir parameter
Taksiran / estimator =

1 (terdapat 2 data variabel independen dan dependen)

6. Memeriksa kecocokan model

Model yang telah ditemukan diuji kecocokannya apakah sesuai / tidak. Menguji
(koefisien determinasi). Apabila
(fit)

= 0 0,05 (tidak fit). Apabila

R2

= 0,05 0,95

7. Menguji hipotesis
Uji F : Uji Global
Uji t : Uji Parsial
8. Peramalan
Pr = 20 + 0,5 (250)

Nilai harapan : nilai yg berada diantara ukuran / momen dan digunakan sbg estimator dlm
pengolahan data statistik / sampel

Varians : ukuran numerik yg paling populer / sering digunakan dr penyebaran nilai

Standar Deviasi : akar kuadrat yang positif dr varian

Kovarian : jenis khusus dr nilai harapan dan merupakan ukuran tentang bagaimana 2
variabel berubah-uabh secara bersamaan

Korelasi : ukuran hubungan tentang sebarapa kuat hubungan linier antara 2 variabel

Nilai harapan bersyarat : nilai estimator yang dalam penggunaannya terdapat batasan
sebagai syarat

Asumsi-asumsi metode OLS:

1. Linear regression model : model regresi merupakan hubungan linier dalam
parameter (Y = a + bX + e)
2. Nilai X adalah tetap, dalam sampling yang diulang-ulang. Nilai X adl nonstochastic
(tdk random)
3. Variabel pengganggu e memiliki rata-rata nol. Ini berarti garis regresi pada nilai X
tertentu tepat di tengah-tengah sehingga rata-rata error yang di atas dan di bawah garis
regresi kalau djumlahkan hasilnya nol.
4. Homoskedastisitas atau variabel pengganggu e memiliki varian yang sama
sepanjang observasi dari berbagai nilai X.
5. Tidak ada autokorelasi antara disturbance (tidak ada autokorelasi antara variabel e
pada setiap nilai Xi dan Xj)

6. Variabel X dan disturbance e tidak berkorelasi. Memisahkan pengaruh X atas Y

dan pengaruh variabel e atas Y. Jika X dan e berkorelasi maka pengaruh keduanya
akan tumpang tindih (sulit dipisahkan pengaruh masing-masing atas Y).
7. Jumlah observasi atau besar sampel n harus lebih dari jumlah parameter yang
diestimate. Bahkan untuk menjamin terpenuhinya asumsi yang lain, sebaliknya besar
sampel n harus cukup besar.
8. Variabel X harus memiliki variabilitas. Jadi tidak bias dilakukan regresi jika nilai X
selalu sama sepanjang observasi
9. Model regresi secara benar terspesifikasi. Tidak ada spesifikasi yang bias. Artinya,
kita sudah memasukkan variabel yang direkomendasikan oleh teori dengan tepat.
10. Tidak ada multikolinearitas antara variabel penjelas X1, X2 dan Xn. Jelasnya
korelasi antar variabel penjelas tidak boleh sempurna atau sangat tinggi.
Kriteria BLUE : Setiap estimator OLS harus memenuhinya
Best = yang terbaik
Hasil regresi dikatakan Best apabila garis regresi yang dihasilkan guna melakukan
estimasi atau peramalan dari sebaran data, menghasilkan error yang terkecil.
Linear = merupakan kombinasi dari data sample
Linear dalam model artinya model yang digunakan dalam analisis regresi telah sesuai
dengan kaidah model OLS dimana variable-variable penduganya hanya berpangkat satu.
Sedangkan linear dalam parameter menjelaskan bahwa parameter yang dihasilkan
merupakan fungsi linear dari sample.
Unbiased = rata-rata nilai harapan (E/b) harus sama dengan nilai sebenarnya (b1) atau
tidak bias. Estimator dikatakan tidak bias jika nilai harapan estimator b sama dengan nilai
yang benar dari b.
Estimator = memiliki varians yang minimal diantara pemerkira lain yang tidak bias.
Tidak ada autokorelasi antar kesalahan (antara i dan j) = 0