1

Model
Y = 0 + 1 X1 + 2X 2 + 3X3 . . . + kXk + Ui
Untuk X1 dan X2 saja Y = 0+ 1X1 + 2X 2 + Ui
Asumsi: E (u) = 0 E (u2) = 2 (Homoskedastis)
Venn Cov (ui; uj) = 0 ui = independent
Diagram
1. Pengaruh X1 terhadap Y
Y
1 2 2. Pengaruh X2 terhadap Y
X1 X2 X1 dan X2 independent

Y
3. Pengaruh bersama X1
3 dan X2 terhadap Y
X2
X1 2
Estimasi OLS terhadap Koefisien Regresi
Metode OLS akan tetap mampu mendapatkan 0,
1, 2 yang BLUE.
Prosedurnya sama seperti regresi sederhana,
sebelumnya mencari nilai minimum dari jumlah
residual kuadrat sebagai berikut:
e2 = minimal (Y 0 1X1 2X2) 2 = minimal
e2
1. 0 2 (Y 0 1X1 2X2) ( 1) = 0
0
Y = n0 + 1 X1 + 2 X2 . . . . . . (1)

e 2
2 (Y 0 1X1 2X2) (X1) = 0
2. 0
1
X1Y = 0 X1 + 1 X12 + 2 X1X2 . . . . . . (2)3
 e2 . . . . (3)
3. 0 2 (Y X X ) (X ) = 0
2
0 1 1 2 2 2

X2Y = 0 X2 + 1 X1 X2 + 2X22

Dengan demikian akan didapat: 0 , 1 , 2

Regresi melalui rata-rata ( dalam x1, x2, dan y)

1 1 x y x2 x2 y x1 x2
2

( x1 ) ( x2 ) x1 x2
2 2 2

2
x 2 y x1 x1 y x1 x 2
2

x1 x2 x1 x2
2 2 2

0 Y - 1 X 1 2 X 2 4
Dalam mengestimasi koefisien regresi berganda
dengan hanya dua variabel independen masih bisa
dengan manual (kalkulator). Demi efisiensi waktu,
apalagi variabel independen lebih dari dua, maka kita
harus menggunakan program komputer untuk olahan
regresi seperi EViews, Sazam, Rats, SPSS, dan lain-
lain.
Formulasi untuk menghitung varian dan standar
error untuk 0, 1, dan 2 sebagai berikut:

var0
2 2 2 2
1 X x X x 2 X X x x
1 2 2 1 1 2 1 2
. 2

x1 x2 x1 x2
2 2 2
n

se0 var0
5
var1
2
x2 2
. 2

( x12 ) ( x22 ) x1 x2
2
atau var( 1 )
1
x 2
(1 r 2
12 )

se1 var 1
2
x1
var 2
2
atau var( )
2

( x1 ) ( x2 x1 x2
2 2 2
x2 (1 r12 )
2 2 2

se2 var 2
2
( x1 x2 )
Rumus untuk menghitung r
2
12 2 2
korelasi X1 dan X2 x1 x2

y 2
1 x1 y 2 x2 y
Varian
2

nk 6
 n 1 e n 1 e
2 2
1 ; 2 2 Maka ( 1) > (2)
nk y nk y
2
Jadi R2 >R
Contoh 1 model regresi berganda:
Misalkan kita ingin menganalisis ekspor pakaian jadi Indonesia
ke Jepang periode 1986-2001. Ekspor adalah analisis pada sisi
penawaran dengan variabel independen harga pakaian jadi dan
nilai tukar rupiah terhadap Yen Jepang. Harga diharapkan
berhubungan positif dan kurs juga positif terhadap ekspor.
Model persamaan regresinya: = 0 + 1 X1 + 2 X2 + e
Dimana
Y = Nilai ekspor pakaian jadi ke Jepang (ton)
X1 = harga ekspor pakaian jadi,
X2 = Kurs rupiah terhadap Yen Jepang 7
 Koefisien Determinasi R2
R2 menunjukkan besarnya variasi Y yang dijelaskan
oleh variasi X1 , X2 , X3, X4 . . . . Xk

Menghitung besarnya R2 :
ESS 1 x1 y 2 x2 y ...... k xk y i xi y
R
2
2
2
TSS y y

2
ESS TSS RSS RSS e . . . . . . . (1)
R2 = 1 1
TSS TSS TSS 2
y
2
Adjusted R (tidak bias)
ESS TSS - RSS RSS e 2
/ n k e 2
n 1 . . (2)
R
2
1 1 2 1 2 .
TSS TSS TSS y / n 1 y nk 8
 Hasil analisis regresi sebagai berikut:
= - 4067,50 + 7,82 X1 + 1001,86 X2
t (-0,887) (4,297) (7,688) t0,05 (df =13) = 1,771
R2 = 0,9111 ; R 0,8977
2
n = 16

Koefisien harga (X1) bertanda positif sesuai dengan teori

penawaran. Semakin tinggi (rendah) harga maka ekspor
pakaian jadi semakin meningkat (menurun)

Koefisien kurs (X2) bertanda positif sesuai dengan teori.

Kenaikan (penurunan) harga telah mendorong eksportir
untuk menaikkan (menurunkan) ekspornya ke Jepang.
Begitu juga jika rupiah terdepresiasi (terapresiasi)
terhadap Yen maka ekspor akan semakin meningkat
(menurun). 9
Analisis selanjutnya bekaitan dengan angka
koefisien regresi:
Koefisien harga (X1) 7,82, artinya jika harga naik 1
Yen Jepang maka ekspor akan naik sebesar 7,82
ton dengan asumsi variabel kurs tetap.
Koefisien kurs(X2) 1001,86 artinya jika rupiah turun
atau terdepresiasi 1 rupiah per Yen Jepang maka
ekspor akan naik sebesar 1001,86 ton dengan
asumsi variabel harga tetap.

Nilai koefisien determinasi R2 = 0,9111, artinya

variasi ekspor pakaian jadi ke Jepang dijelaskan
oleh model sebesar 91,11% dan sisanya sebesar
8,89% dijelaskan oleh variabel diluar model.
10
Atau dapat dikatakan juga:
Variasi ekspor pakaian jadi ke Jepang (Y) sebesar
91,11% ditentukan secara bersama-sama (simultan)
oleh variasi harga (X1) dan variasi kurs rupiah
terhadap Yen (X2) dan sisanya sebesar 8,89%
ditentukan oleh faktor lain yang tidak diteliti.

Uji Hipotesis Koefisien Regresi secara Simultan:

Uji-F
Pada uji-t kita membahas pengaruh variabel
independen terhadap variabel dependen secara
individual /parsial. Maka nilai F statistik digunakan uji
hipotesis nol bahwa semua variabel independen
tidak berpengaruh terhadap variabel dependen.
11
Menghitung F
1. F EMS
RMS
ESS ESS
2. R
2
ESS R 2
y 2

TSS y 2
RSS = TSS ESS = y2 R2 y2 = (1 R2) y2

Rumus F dihubungkan dengan R2

EMS R 2 y 2 /(k 1) R 2 /(k 1)
F
RMS (1 R ) y /(n k ) (1 R ) /(n k )
2 2 2

Uji F pada ekspor pakaian jadi ke Jepang

R 2 /(k 1) (0,9111) / 2 0,4555
F = 66,9853
(1 R ) /(n k )
2
(1 0,9111) / 13 0,0068 12
Fhitung = 66,9853 kita bandingkan dengan tabel F
=0,05 F0,05 df (2,13) =
3,81
Kesimpulan: Karena F hitung = 66,9853 > F0,05 df (2,13) =
3,81 maka tolak Ho artinya variabel harga dan kurs
secara bersama-sama berpengaruh terhadap ekspor
pakaian jadi ke Jepang pada periode 1986 2001
signifikan.
Contoh 2: (diambil dari buku Gujarati)
Data hubungan antara Y, X1, X2 , dimana:
Y = Personal consumption expenditure (PCE)
X1 = Personal disposable income (PDI)
X2 = Time ; Banyaknya data (n = 15) 13
 Y X1 X2 Persamaan Regresi:
281,4 309,3 1956 = 1 = 53,16 + 0,73 X1 + 2,74 X2
288,1 316,1 1957 = 2
s (13,03) (0,049) (0,85)
290,0 318,8 1958 = 3
307,3 333,0 1959 = 4 t (4,08) (14,91) (3,22)
t0,025 (df= 12) = 2,179
Jadi secara parsial:
X1 mempengaruhi Y signifikan
X2 mempengaruhi Y signifikan

452,7 499,0 1968 = 13 R2 = 0,9988

469,1 513,5 1969 = 14
R 0,9986
2
476,9 533,2 1970 = 15 14
 TABEL ANALISIS VARIANS (ANVA)
Sumber df Sum Square Mean Square F hitung
Variasi

Regresi k-1= 2 ESS= 1 x1 y + 2 x2 y EMS = 32982,55 EMS/RMS

= 65965,10 = 5128,88
Error n-k= 12 RSS = 77,17 RMS = 6,43
Total n-1= 14 TSS = y2 = 66042,27

F0,05 df (2,12) = 3,89

Karena F hitung = 5128,88 > 3,89 maka tolak Ho,
artinya X1 dan X2 secara bersama-sama
mempengaruhi Y signifikan. Jika disposable income
(X1) meningkat maka pengeluaran konsumsi (Y) juga
meningkat. Jika waktu (X2) semakin lama maka
pengeluaran konsumsi (Y) semakin besar.
15
Fungsi Cobb Douglas
Fungsi Produksi Y 0 X 11 X 2 2 eu (non linear)
Ambil log - nya
ln Y = ln 0 + 1 ln X1 + 2 ln X2 + U Linear dalam log
(ln Y )
1 elastisitas
(ln X 1 )
(ln Y )
2 elastisitas
(ln X 2 )

Constant Return 1 + 2 = 1
Decreasing Return 1+ 2 < 1
Increasing Return 1+ 2 > 1 16
Contoh 3 (diambil dari buku Gujarati)
Y = Gross product real ; X1 = Labor ; X2 = Capital
Tahun Y X1 X2 ln Y ln X1 ln X2
1960 16.607,7 275,5 17.803,7 9,72 5,62 9,79
1961 17.511,3 274,4 18.096,8 9,77 5,61 9,80
1962 20.171,2 269,7 18.271,8 9,91 5,60 9,81
1963 20.932,9 267,0 19.167,3 9,95 5,59 9,86

1973 29.281,5 299,0 34.821,8 10,28 5,70 10,45

1974 31.535,8 288,1 41.794,3 10,36 5,66 10,64

Gunakan Rumus ln Y 0 1 ln X 1 2 ln X 2 17
Didapat Regresi : lnY = - 3,34 + 1,50 lnX1 + 0,49 lnX2
s (2,45) (0,54) (0,10)
t - 1,36 2,78 4,80
2
R2 = 0,8890 ; R = 0,8705
Elastisitas Y terhadap X1 E11 = 1 = 1,50
Jika labor bertambah 1% maka Y bertambah 1,50%

Elastisitas Y terhadap X2 E12 = 2 = 0,49

Jika capital naik 1% maka Y naik 0,49%

1 2 1,50 0,49 1,99 1 Increasing

Return
18
Contoh untuk menentukan apakah suatu variabel
independen tetap ada atau dikeluarkan dari model (314).
Misalnya: Y = Konsumsi ; X1 = Pendapatan
dan X2 = Waktu
Jika Y dipengaruhi oleh X1 dan X2, Regresi Y
terhadap X1 saja, kemudian X2 dimasukkan dalam
model. Apakah X2 harus tetap ada dalam model ?
Dari data diperoleh persamaan regresi:
Regresi Y terhadap X1 = 12,76 + 0,88X1
R2 = 0,9978
X2 dimasukkan dalam model persamaan regresi:
= 53,16 + 0,73 X1 + 2,74 X2 ; R2 = 0,9988

19
 SV SS df MS
ESS thd X1 saja Q1 = 1 x1 y = 65898,24 1 65899,24

ESS thd pert X2 Q2 = Q3 - Q1 = 66,86 1 66,86

ESS thd X1 , X2 Q3 = 1 x1 y + 2 x2 y 2 32982,50

= 65965,10
RSS Q4 = Q5 Q3 = 77,17 n-k 6,43

Total Q5 = y2 = 66042,27 n-1= 14

Tes Q2 terhadap Q4 Q2 / df 66,86

F 10,40
Q4 / df 6,43
Pertambahan residu
X2 F0,05 (1,12) = 4,75
20
F hitung = 10,40 > F0,05 (1,12) = 4,75
Maka Ho ditolak, artinya X2 harus tetap ada dalam
model.
Cara lain menghitung F untuk menentukan model
( R b R l ) / df 1
2 2
R2b
F = baru
(1 R 2b) / df 2 R2l
df1
= lama
= jumlah regresor baru
df2 = n-k

(0,9988 - 0,9978)/1
F 10,83 > 4,75
(1 - 0,9988)/(15 - 2)
Maka Ho ditolak, artinya X2 harus tetap ada dalam
model.
21
 MODEL REGRESI DENGAN VARIABEL
INDEPENDEN KUALITATIF (353)
Harga, produksi, deviden, profit, penjualan, inflasi,
GNP adalah beberapa contoh variabel yang
datanya bersifat kuantitatif.
Jenis kelamin, warna kulit, tingkat pendidikan,
status perkawinan, kepemilikan mobil dalam data
cross section berarti kita membahas variabel
kualitatif. Variabel kualitatif mempengaruhi pelaku
ekonomi.

Begitu juga dalam data time series, data kualitatif

seperti krisis ekonomi berpengaruh terhadap
perilaku agen-agen ekonomi.
22
Variabel kualitatif dalam model regresi
Misalnya kita ingin menguji benarkah ada isu gender
dalam hal pekerjaan, yaitu apakah memang terjadi
perbedaan gaji antara karyawan pria dan wanita.
Model persamaan regresinya dapat ditulis:
Y = 0 + 1D + U i Y = gaji karyawan tahunan
D = 1, jika karyawan pria
D = Dummy 0, jika karyawan wanita
Misalkan selain jenis kelamin kita memasukkan variabel
independen masa kerja karyawan yang mempengaruhi
gaji seorang karyawan. Persamaannya menjadi:

Y = 0 + 1D + 2X+ Ui X = masa kerja (tahun)

23