10.

2 Hubungan Stokastik dan Nir –Stokastik

 Hubungan Diterministik
Hubungan antara variabel X dan Y dalam bentuk Y = f(X) dikatakan
“diterministik” (pasti) atau “nir- stokastik”. Jika setiap nilai variabel bebas x
tertentu, terdapat satu nilai variabel terikat Y. Misalnya X menyatakan pupuk dan
Y menyatakan hasil produksi, hubungan linear antara X dan Y dengan
menganggap faktor – faktor lain yang mempengaruhi produksi tidak berubah
(konstan) secara umum dapat dinyatakan sebagai berikut :
Y1 = α + βx1 (10.1)
Dari N pasangan nilai (XpY1) tertentu, misalnya diperoleh α = 20 dan β = 0,25.
Sehingga persamaan (10,1) di atas menjadi :
Y1 = 20 + 0,25X1 (10.2)
Hubungan antara X dan Y rumus (10.2) menunjukan untuk setiap nilai X
tertentu, misalnya X = 4 satuan, hanya ada satu nilai Y, yaitu Y = 21 satuan.
Untuk nilai X = 6 satuan, maka hanya ada satu nilai Y1 yaitu Y = 20 + 0,25(6) =
21,5 satuan, dan seterusnya. Hubungan yang ditunjukan oleh rumus (10.2)
disebut hungan “ diterministik” (nir-stokastik). Sebab untuk setiap nilai X
tertentu hanya ada satu nilai Y. Hubungan semacan itu dalam prakteknya (dalam
dunia nyata) tidak pernah ada, sebab yang mempengaruhi produksi (Y) bukan
hanya pupuk (X) saja, melainkan masih ada faktor-faktor lain yang tidak
dimasukkan ke dalam model. Faktor-faktor tersebut secara keseluruhan disebut
kesalahan penggangu atau “distrubance’s error” atau “error term” atau variabel
gangguan stokastik atau residual.
 Hubungan Stokastik
Hubungan antara variabel X dan Y dalam bentuk Y= f(X) dikatakan
“stokastik”, jika untuk setiap nilai X tertentu terdapat sejumlah nilai Y yang
memiliki peluang tertentu, Jadi terdapat lebih dari sebuah nilai Y. Nilai-nilai Y ini
bervariasi atau sama lainnya dan tersebar disekitar nilai rata-rata nya (rata-rata
harapannya, E(Y/X)) dengan membentuk suatu populasi yang memiliki distribusi
peluang dengan pola tertentu. Dengan adanya sifat stokastik ini suatu ramalan
atau taksiran sering tidak tepat atau tidak pasti. Ketidaktepatan hasil ramalan atau
taksiran tersebut disebabkan oleh adanya kesalahan penggangu atau gangguan
stokastik.
Dengan memperhitungkan gangguan stokastik ini, maka hubungan stokastik
antara variabel X dan Y dapat dinyatakan sebagai berikut :
Y = (nilai rata-rata Y untuk suatu nilai X tertentu) + gangguan stokastik
dengan notasi matematik dapat dinyatakan sebagai berikut :
Rumus
Parameter α merupakan titik potong garis regresi terhadap sumbu Y dan

parameter β merupakan slope garis regresi terhadap sumbu X. µ1 adalah variabel

gangguan stokastik (residual) yang bersifat acak. Tik-alas (subskrip) I
menunjukan pengamatan yang ke –i.
Untuk lebih jelasnya mengenai hubungan stokastik, di bawah ini diberikan
sebuah contoh sebagai berikut :
Rumus
Contoh lain yang bersifat nyata dari hubungan stokastik adalah sebagai
berikut : seandainya percobaan berulang-ulang dapat dilakukan, dengan
menggunakan sejumlah pupuk (X) yang tetap, pada sebidang tanah yang sama
dapat dibayangkan, bahwa hasil produksi (Y) per satuan luas tanah tertentu itu
tidak akan selalu sama, namun bervariasi dari satu percobaan ke percobaan yang
lain meskipun pupuk yang digunakan sama banyaknya. Dengan kata lain untuk
nilai X tertentu dan tetap itu, bila percobaan dilakukan berulang-ulang, maka
akan diperoleh hasil produksi (Y) yang berbeda-beda jumlahnya, berfluktuasi
dan berkelompok disekitar nilai sentral tertentu, dengan membentuk suatu
populasi yang memiliki suatu pola distribusi peluang tertentu.

10. 3 Pendugaan Persamaan Garis Regresi Populasi

Garis regresi populasi dari seluruh pasangan nilai (X µYi) umunya tidak
dikeahui. Oleh karena itu garis regresi populasi diduga lewat garis regresi
sampel. Garis regresi sampel disusunn berdasarkan sampel acak berukuran n
yang ditarik dari poplasinya. Untuk menduga garis regresi populasi berdasarkan
garis regresi sampel, dapat digunakan metode kuadrat terkecil (Least Squares
Method).
 Garis regresi populasi
E(Y| Xi) = α + βX1 (10.4)
Bentuk stokastinya
Yi = E(Y|Xi) + µi = α + βX1 + µi (10.4.1)
 Garis regresi sampel
Ŷi = α + bXi (10.5)
Bentuk stokastinya
Yi = a + bXi + ϴi (10.5.1)
Keterangan :
Ŷi merupakan penduga bagi E(Y| Xi ), a merupakan penduga bagi α, b merupakan
penduga bagi β dan ei merupakan penduga bagi µi.
Nilai penduga ( Ŷi ) letaknya tidak persis sama dengan nilai yang diamati
( Ŷi ) perbedaan nilai ( Yi - Ŷi ) = ei. ini disebut residual / variabel gangguan.
Selanjutnya timbul pertanyaan bagaimana membentuk persamaan regresi
sehingga a sedekat mungkin dengan α dan b sedekat mungkin dengan β ? Kriteria
pemilihan garis regresi sampel yang paling dekat dengan regresi populasinya
adalah : “pilih garis regresi sampel yang memiliki jumlah kuadrat kesalahan
paling kecil “. Metode yang memberikan hasil sedemikian itu adalah metode
kuadrat kecil. Dengan kata lain, prinsip metode kuadrat terkecil adalah
meminimumkan Ʃei2 atau Ʃ(Yi - Ŷi)2. Oleh karena jumlah kuadrat residual adalah
fungsi dari a dan b atau { Ʃ e i2 = f(a,b)}, maka Ʃei2 dapat diturunkan terhadap a
dan b melalui derivative parsial, dan didapat nilai a dan b yang meminimumkan
Ʃei2 , sebagai berikut :
Rumus
10.4 Asumsi Model Regresi Sederhana
Menurut Gujarati (2006) dalam model regresi sederhana klasik (yang
menggunakan metode kuadrat terkecil untuk menaksir koefisien-koefisienya)
berlaku enam asumsi berikut :
1. Asumsi (1)
Model regresi terbentuk linear dari sebgi parameternya.
2. Asumsi (2)
Variabel bebas X tidak berkeroleasi dengan variabel gangguan µi.
3. Asumsi (3)
Nilai harapan (expected value) atau rata-rata dari variabel gangguan µi adalah
nol, E(µ|X) = 0.
4. Asumsi (4)
Variansi dari variabel gangguan µi adalah sama, Var ( µ|X ) = 02 .
5. Asumsi (5)
Tidak ada serial korelasi antara residual µi atau residual µi tidak saling

berhubungan dengan µi yang lain.

6. Asumsi (6)
Model regresi ditentukan secara tepat.

10.5 Kesalahan Baku dari Penduga Kuadrat Terkecil

Dalam inferensi regresi dibutuhkan nilai devisiasi standar populasi bagi µi , α

dan β. Oleh karena kesalahan baku (standar error) dari µi , α dan β tidak
diketahui, maka masing-masing diduga dengan kesalahan baku (standar error)
sampalnya dengan rumus masing-masing sebagai berikut :
 Penduga kesalahan standar variabel gangguan acak µi , Sy
Rumus
 Penduga kesalahan baku slope β , Sb
Rumus
 Penduga kesalahan baku intersep α , Sa
Contoh 10-1 sebuah penelitian yang bertujuan untuk mengetahui pengaruh
pendapatan rumah tangga (X) terhadap pengeluaran konsumsi (Y). Untuk itu
diambil sampel acak sebanyak 10 kepala rumah tangga untuk diwawancarai. Hasil
penelitian menunjukan data (dalam jumlah rupiah) sebagai berikut :
Konsumsi 5 6 8 9 10 12 12 14 15 20
(Y)
Pendapatan 6 8 10 12 13 17 20 22 24 28
(X)
Berdasarkan data tersebut,
a. Dugalah persamaan regresi populasinya.
b. Berikanlah interpretasi terhadap nilai b yang didapat.
c. Hitunglah Sb
Penyelesaian
a. Persamaan regresi populasi akan diduga dengan persamaan regresi
sampelnya
Rumus
b. Nilai b = 0,60, memiliki arti bahwa bila pendapatan rumah tangga naik
sebesar satu juta rupiah, maka rata – rata pengeluaran konsumsi naik sebesar
0,60 juta rupiah (dengan asumsi variabel – variabel lain yang mempengaruhi
komsumsi konstan).
c. Sb
Dihitung terlebih dahulu Sy.x dan Ʃ Xi2 masing-masing sebagai berikut :
Rumus

10.6 Inferensi Koefisien Regresi

Dalam sub bab 10.6 ini, pertama kali akan dibicarakan adalah pendugaan
interval dan dilanjutkan dengan pengujian hipotesis koefisien regresi populasi.
10.6.1 Pendugaan Interval Parameter α dan β
Dalam praktek, perhatian lebih dipusatkan pada slop (β) dari pada konsep (α)
garis regresi hal ini dikarenakan β menunjukan besarnya effek perubahan Y akibar
perubahan satu unt X. Karena asumsi normalitas untuk variabel gangguan /
residual (error term), penduga kuadrat terkecil a dan b memiliki distribusi normal
dengan rata – rata dan variasi tertentu. Variabel (b – β)/ S a adalah suatu variabel
normal yang dibakukan. Karena itu variabel (b – β)/ S b akan mengikuti distribusi t
dengan derajat bebas n -2 sehingga penyusunan interval keyakinan untuk β , pada
tingkat keyakinan (1 – α) dirumuskan sebagai berikut :
Rumus

10.6.2 Pengujian Hipotesis Parameter α dan β

Masalah pengujian hipotesis secara statistic dapat disederhanakan menjadi :
Apakah data yang diperoleh dari pengamatan cocok dengan yang dihipotesiskan ?
Teori pengujian hipotesis dapat menjawab apakah hipotesis diterima (tidak cukup
bukti untuk menolaknya) atau ditolak. Terdapat dua pendekatan yang saling
melengkapi dalam pengujian hipotesis, yaitu pendekatan interval keyakinan dan
tingkat signifikansi.
 Pengujian koefisien regresi populasi β
(1) Pendekatan Interval Keyakinan
Pada intinya bila β dalam H01 berada dalam interval keyakinan 100 (i – α)
persen, maka hipotesis H0 diterima. Bila terletak diluar interval keyakinan,
maka H0 ditolak atau Hi diterima.
(2) Pendekatan Tingkat Signifikansi
Di bawah asumsi normalitas. Variabel (b- β) / Sb, mengikuti distribusi t
dengan derajat bebas n-2. Karena alas an ini prosedur pengujiannya
dinamakan uji t. Tiga symbol itu yaitu ϴ, ϴ dan ϴ di dalam merumuskan
hipotesis perlu dibaca kembali pada Bab 7 Prosedur pengujian koefisien
regresi populasi ( β ) prinsipnya sama dengan tahapan pengujian parameter
populasi yangtelah dibahas dalam Bab 7, yaitu :
1. Rumusan Hipotesis
rumus
2. Menentukan taraf nyata dan daerah kritis
3. Statistik ujinya
rumus
4. Menghitung statistic uji berdasarkan data sampel
5. Simpulan / putusan pengujian
 Tolak H0i bila nilai statistic uji jatuh pada daerah penolakan H 0 dan
terima H0i bila nilai statistic uji jatuh pada daerah penerimaan H0.
 Pengujian Intersep garis regresi populasi α
Demikian juga prosedur pengujian bagi intersep (α) garis populasi.
1. Rumusan Hipotesis