KORELASI & REGRESI

Definisi Regresi
Regresi digunakan untuk mengukur besarnya
pengaruh variabel bebas terhadap variabel
tergantung dan memprediksi variabel tergantung
dengan menggunakan variabel bebas.
Regresi Linier dibagi 2 :
1. Regresi Linier Sederhana Jika variabel bebas
hanya satu variabel
2. Regresi Linier Berganda Jika Variabel bebas
lebih dari satu variabel

Model Regresi
Yi = 0 + 1 X1 + n Xn + e
0 dan 1 : parameter dari fungsi yg nilainya akan
diestimasi.

Adanya variabel e (error) disebabkan karena:

Ketidak-lengkapan teori
Perilaku manusia yang bersifat random

Ketidak-sempurnaan spesifikasi model

Kesalahan dalam agregasi
Kesalahan dalam pengukuran

Asumsi-asumsi
Model Regresi Linier Berganda
(Agar hasil estimasi dapat diinterpretasikan dengan baik - BLUE)

Nilai rata-rata disturbance term adalah nol,

E(i) = 0. (nilai rata-rata error)
Tidak tdpt serial korelasi (otokorelasi) antar i
Cov(i,j) = 0 untuk i

j.

Sifat homoskedastisitas:
Var(i) = 2 sama utk setiap i

Covariance antara i dan setiap var bebas adalah nol.

Cov(i,Xi) = 0
Tidak tdpt multikollinieritas antar variebel bebas.
Model dispesifikasi dengan baik

Pelanggaran Asumsi OLS

Heteroskedasticity : Nilai variance dari error
tidak bersifat konstan dan dalam beberapa
kasus memiliki pola tertentu selama periode
tertentu
Autocorrelation : Nilai error antar periode
memiliki korelasi. Hal ini berarti nilai dari error
tidak independen secara statistik
Multicolinearity : Terjadi korelasi antar variabel
independen. Dalam single index model, hal ini
terjadi jika variabel Xt memiliki hubungan
dengan nilai Ut

Homocesdaticity
f(yt)

.
x1

x2

x3

x4

xt

Heteroscedasticity
f(yt)

.
x1

x2

x3

.
xt

Cara Mendeteksi Heteroscedasticity

Secara intuitif, dapat menggunakan grafik plot
dari error terhadap waktu
Secara formal, dapat menggunakan uji White

Jika kita melakukan pemodelan seperti ini :

yt 1 2 x2t 3 x3t ut

Dan kita dapat membuat auxiliary regression :

ut2 1 2 x2t 3 x3t 4 x22t 5 x32t 6 x2t x3t ut
Uji Hipotesis dari nilai signifikan atau tidak. Jika

signifikan, maka dapat disimpulkan terjadi

Heteroscedasticity. Jika tidak signifikan maka tidak
terjadi Heteroscedasticity.

Cara Mendeteksi Autocorrelation

Dengan cara menggunakan uji Durbin Watson

(DW). Biasanya sudah ada dalam paket output
regresi yang dikeluarkan oleh E-Views.

Biasanya jika nilai DW test adalah 2, itu berarti

tidak terindikasi adanya autokorelasi antar error.
Jika lebih besar atau lebih kecil biasanya terjadi
autokorelasi

Cara mendeteksi Multicolinearity

Cara paling mudahnya adalah dengan cara

melihat koefisien korelasi antar variabel
independen. Jika angka koefisien korelasi
cukup tinggi, maka bisa disimpulkan terjadi
multicolinearity antar variabel independen

Persamaan Regresi dengan metode kuadrat terkecil

dapat diperoleh sebagai berikut :

Pengujian Regresi Berganda

Korelasi
Koefisien Determinasi (R2)
Uji Persamaan secara simultan Uji F
Uji Persamaan secara parsial Uji T