Rumusan hipotesis:
Ho: B1 = B2 =…Bn = 0, model sebenarnya adalah linear
Ha: B1 ≠ B2 ≠… Bn ≠ 0
G = 1;
dosen
pria
• Model yang manggambarkan hubungan di
atas dapat diformulasikan sebagai berikut:
Y 1 2 G X
Dari model ini dapat dilihat bahwa:
• Rata-rata gaji dosen wanita,
1 X
• Rata-rata gaji dosen pria,
1 2 X
Pendapatan (Rp Lama
NO Nama Status
000/bln) Mengajar
Y G X
Gito
1 1 22
Mulyono 2,140
Mento
2 1 22
Taruna 2,380
3 Sumarni 1,910 0 9
Darno
4 1 23
Wiyoso 2,850
5 Lilis 1,780 0 10
6 Sukadi 1,850 1 10
7 Juwita 1,870 0 14
8 Juwono 1,860 1 10
9 Mitro .S 2,950 1 21
10 Mujiono 2,790 1 22
11 Darto 2,320 1 18
Amin
12 1 14
Sumarno 1,860
13 Lasmini 1,420 0 11
14 Yasin 3,260 1 24
15 Yatin Nurjan 2,790 1 20
16 Yenni 1,920 0 15
17 Wagiman 2,340 1 21
18 M.Riski 1,900 1 12
SUMMARY OUTPUT
Regression Statistics
Multiple R 0.84250
R Square 0.70981
Adjusted R Square 0.67567
Standard Error 318.97529
Observations 20
ANOVA
df SS MS F Sign. F
Regression 2 4230711.017 2115356 20.79071 2.71E-05
Residual 17 1729668.983 101745.2
Total 19 5960380
Dosen wanita
a2
a1
Pengalaman
• Hasil regresi menunjukkanbahwa
variabel G(jenis kelamin)
berdasarkan uji-t signifikan secara
statistik pada level 10%.
• Dengan demikian dapat diartikan
bahwa rata-rata gaji per tahun
antara dosen pria dan wanita
berbeda dengan signifikan pula.
• Adapun faktor yang lebih
menentukan tinggi rendahnya gaji
yang diterima oleh dosen adalah
pengalaman (lamanya) mengajar.
Asumsi-asumsi
Model Regresi Linier Berganda
(Agar hasil estimasi dapat diinterpretasikan dengan baik - BLUE)
Akibatnya ?
Jika tdpt Multikolinieritas sempurna, parameter
tidak dapat diduga dgn metode OLS.
Nilai varians besar standar error besar selang
kepercayaan lebar.
Uji-t tidak signifikan
Tanda (sign) parameter bisa berlawanan.
R2 tinggi, tp banyak variabel yang tidak signifikan
Multikolinieritas
Cara mendeteksi ?
Regresikan setiap variabel bebas Xi dgn variabel
bebas lainnya yg ada dalam persamaan (auxiliary
regression). Jika uji F menunjukkan hasil yang
signifikan berarti terdapat kolinearitas antara
variabel Xi dengan variabel bebas lainnya.
Cek korelasi antar variabel bebas matrik
korelasi.
Cara mengatasi ?
Gunakan informasi a priori, berdasarkan keyakinan
atau hasil penelitian terdahulu.
Lakukan regresi elementer, kemudian tambahkan
satu per satu variabel yg diduga relevan
mempengaruhi var terikat.
Menggabungkan data cross-section dan time series
Mengeluarkan salah satu variabel yang kolinier.
Mentransformasikan variabel.
Mencara data tambahan atau data baru
Permasalahan dalam
Model Regresi Linier Berganda
2. Heteroskedastisitas
Heteroskedastisitas terjadi bila varians i tidak konstan,
tapi berubah-ubah pada setiap pengamatan i.
Untuk model
Yi = 0 + 1 X1i + i
Var(i ) bisa kemungkinan semakin besar atau semakin
kecil dengan semakin besarnya nilai X1i. Var(i ) = i2
Misal:
(1) Model Konsumsi = o + 1 Pendapatan +
(2) Model Learning process:
Jumlah kesalahan ketik = 0 + 1 pengalaman +
Pada model (1), Var(i ) cenderung lebih besar dengan
semakin besarnya pendapatan.
C C = o + 1 Y
K = o - 1 P
P
Akibat Heteroskedastisitas ?
Metode Grafik
2
Buat diagram plot antara ui dan Ŷ. Heteros-
kedastisitas akan terdeteksi apabila sebaran
plot menunjukkan pola yang sistematis.
Uji Park
Meregresikan ui 2 dengan X1i dalam bentuk
persamaan log linear.
ln ui2 = o + 1 ln X1i + i
ui adlh error term pd regresi Yi = 0 + 1 X1i +
i
Metode Goldfeld-Quant
Prinsipnya adlh membagi dua data X1i bdsrkan
urutan terkcil – terbesar dan meregresikan
masing2 untuk memperoleh nilai RSS.
Langkah-langkah Metode Goldfeld-Quant:
Dampak Otokorelasi
Taksiran yang diperoleh dengan menggunakan OLS
tidak lagi BLUE, namun masih tak bias dan konsisten.
Oleh karenanya interval kepercayaan menjadi lebar,
dan uji signifikansi kurang kuat. Akibatnya uji t dan uji
F tidak dapat dilakukan, atau hasilnya tidak akan baik.
Kasus tidak ada otokorelasi
o Perhatikan model berikut:
Q=KL
lnQ = a + lnK + lnL + U; a = ln
Data yang digunakan adalah data time
series (misalnya data bulanan).
Katakanlah pada bulan Jaunari terjadi
pemogokan buruh, sehingga
mengakibatkan Q menurun. Bila pada
bulan Pebruari buruh tidak mogok lagi,
sehingga Q tidak turun pada bulan
tersebut, dikatakan tidak otokorelasi.
• Jika dampak pemogokan buruh sampai
berlarut-larut sehingga berpengaruh
pada output periode mendatang.
Uji Durbin Watson
Di = 1 untuk laki-laki o
= 0 untuk wanita
x
E(YiDi=0) =
x
x
x
O =L
x x
E(YiDi=1) = + x = P
D=0 D=1
Interpretasi:
Apakah jenis kelamin berpengaruh thdp penghasilan.
Berapa perbedaan penghasilan antara laki2 dan
wanita.
Dummy sebagai Variabel Bebas:
ANCOVA Model: (gabungan kuantitatif & kualitatif)
1. Satu kuantitatif, satu kualitatif dg 2 kategori.
Yi = 1 + 2Di + Xi +
Xi = Masa kerja Yi (1+ 1)+Xi
Yi
(1+3)+Xi Asumsi: 3>2
(1+2)+Xi
1+Xi
3
2
1
Masa kerja
Satu kuantitatif, satu kualitatif dg 3 kategori.
Interpretasi:
Apakah Masa kerja dan tkt pendidikan berpengaruh
thdp penghasilan?. Brp besar perbedaan penghasilan
menurut tkt pendidikan pd masa kerja tertentu?.
3. Satu kuantitatif, dua kualitatif dg 2 kategori.
Masa kerja
Model Persamaan Simultan
Merupakan suatu sistem persamaan yg menggambar-kan
saling ketergantungan antar variabel
Estimasi parameter suatu persamaan tidk dpt dilakukan
tanpa mempertimbangkan irformasi pada persamaan
lainnya.
Hubungan dua-arah atau simultan antar bbrp Variabel
Y1i = 10 + 11Y2i + 12 Xi + 1i
Y2i = 0 + 1Y1i + 3 Xi + 2i
Rank Condition
Diagram Keterkaitan Variabel
Pada Model Persamaan Simultan
Qd P Qs
I Pa Pr
Pop E
S T
Output Regresi:
Coefficient Standard
s Error t Stat P-value
Intercept -144.7990 73.8161 -1.9616 0.0610
X1 3.3996 1.6498 2.0607 0.0499
X2 2.5800 0.9241 2.7921 0.0099
X3 0.4037 0.1648 2.4499 0.0216
X4 0.0058 0.0020 2.9085 0.0075
2. Fungsi Produksi Double Log
log log 1 log X 1 2 log X 2 3 log X 3 4 log X 4
Q 2. Fungsi
Produksi Double Log
Output Regresi:
Coefficie Standard
nts Error t Stat P-value
Intercept -0.46849 0.38717 -1.21004 0.23758
log(X1) 0.26231 0.14309 1.83321 0.07871
log(X2) 0.45280 0.17433 2.59733 0.01552
log(X3) 0.12758 0.06333 2.01452 0.05483
log(X4) 0.34750 0.12254 2.83576 0.00893
3. Fungsi Produksi Cobb-Douglas
Q X 1 1 X 2 2 X 3 3 X 4 3
3. Fungsi Produksi Cobb-Douglas
Untuk mendapatkan parameter estimasi, maka fungsi CD ini ditransformasikan
ke dalam bentuk model doule log seperti berikut.
Output regresi yang di dapat dari estimasi parameter model double log
adalah hasil parameter untuk fungsi CD juga, hanya saja harus
dikembalikan ke dalam bentuk semula CD dengan meng-anti log-kan
saja dan paremeter i-nya tidak berubah, seperti berikut ini.
0, 2623 0, 4528
Q 0,34 X 1 2 X 30,1276 X 40,3475
X
4. Fungsi Produksi Quadratic
Q 1 X 1 11 1
2
2 X 22 2
2 3 X 33 2
3 4 X 44 2
4
4. Fungsi Produksi
2 Quadratic
3 4
Output regresi yang di dapat dari estimasi parameter model double log
adalah hasil parameter untuk fungsi transcendental juga, hanya saja
harus dikembalikan ke dalam bentuk semula transcendental dengan
meng-anti log-kan saja dan paremeter i-nya tidak berubah, output
transcendental seperti berikut ini:
Standard
Coefficients Error t Stat P-value
Intercept 5.708559 2.544564 2.243433 0.035781
log(X1) -3.65446 1.771344 -2.0631 0.051685
log(X2) 0.070712 0.879976 0.080356 0.936715
log(X3) -0.06428 0.280272 -0.22934 0.820822
log(X4) 0.194393 0.436348 0.445501 0.660517
X1 0.041198 0.018517 2.22482 0.037187
X2 0.001307 0.003874 0.337483 0.739103
X3 0.000304 0.000619 0.490228 0.629055
X4 3.18E-06 5.82E-06 0.547406 0.589871
5. Fungsi Biaya
Biaya merupakan fungsi dari jumlah output yang diproduksi dan harga-
harga input per unit
C f (Q, wi )
Sama halnya dengan fungsi produksi, fungsi-fungsi biaya ini dapat pula
menggunakan model persamaan modifikasi dari fungsi produksi yang
diterangkan sebelumnya seperti: fungsi linear, eksponensial,
transecendental, translog dan lainnya.
Misalnya, berikut ini adalah data mengenai produksi dan harga input yang
digunakan dalam proses produksi:
DATA BIAYA, PRODUKSI DAN HARGA INPUT
PERTANIAN JAGUNG DI KAB. MA. JAMBI
Output
Regresi:
Standard
Coefficients Error t Stat P-value
Intercept -2884479 5349832 -0.53917 0.598239
Q 3937.912 2062.406 1.909377 0.076923
W1 172.0107 957.3117 0.179681 0.859978
W2 327.981 229.4369 1.429504 0.174794
W3 6401.803 3258.54 1.964623 0.069625
W4 -635.037 240.2405 -2.64334 0.019278
2. Fungsi Biaya Cobb-Douglas
q 1 2 3 3
C Q W W
W 1
W
2 3 4
Output regresi yang di dapat dari estimasi parameter model double log
adalah hasil parameter untuk fungsi CD juga, hanya saja harus
dikembalikan ke dalam bentuk semula CD dengan meng-anti log-kan
saja dan paremeter i-nya tidak berubah, dengan hasil regresi sebagai
berikut:
Coefficient Standard
s Error t Stat P-value
PM
Kombinasi optimal dari input adalah:
MPPL w
MPPK r
atau
MRTS
w
r
PM
Contoh
Output regresi yang di dapat dari estimasi parameter model double log
adalah hasil parameter untuk fungsi CD juga, hanya saja harus
dikembalikan ke dalam bentuk semula CD dengan meng-anti log-kan
saja dan paremeter i-nya tidak berubah, dengan hasil regresi sebagai
berikut:
Coefficient Standard
s Error t Stat P-value