Anda di halaman 1dari 185

1.1. Tabel 1.

3 menyajikan data IHK dari tujuh negara – negara industrilisasi


dengan 1982 – 1984 = 100, sebagai dasar dari angka indeks.

a. Dari data yang disajikan, hitunglah tingkat inflasi untuk masing


masing negara.
b. Plotkan tingkat inflasi untuk setiap negara untuk priode waktu
c. Kesimpulan umum apakah yang bisa diambil mengenai kondisi inflas
di ketujuh negara?
d. Negara manakah yang tingkat inflasinya tampak berubah - ubah?
Berikan penjelasan

1.2. Menggunakan data dalam tabel 1,3

a. Poltkan tingkat inflasi Kadana, Prancis, Jerman, Italia, Jepang, dan


Inggris
b. Berikan komentar secara umum mengenai prilaku dari tingkat inflasi
di keenam negara terhadaptingkat inflasi AS.
c. Jika anda menemukan bahwa tingkat inflasi dari keenam negara
bergerak searah dengan arah pergerakan tingkat inflasi di AS, apakah
hal ini memberitaukan bahwa inflasi di AS menyebabkan inflasi di
negara lain? Mengapa atau mengapa tidak?

Tabel 1.3
Tahun AS Kanada Jepang Prancis Jerman Italia Inggris
1980 82,4 76,1 91 72,2 86,7 63,9 78,5
1981 90,9 85,6 95,3 81,8 92,2 75,5 87,9
1982 96,5 94,9 98,1 91 97 87,8 95,4
1983 99,6 100,4 99,8 100,3 100,3 100,8 99,8
1984 103,9 104,7 102,1 108 102,7 111,4 104,8
1985 107,6 109 104,2 114,3 104,8 121,7 111,1
1986 109,6 113,5 104,9 117,2 104,6 128,9 114,9
1987 113,6 118,4 104,9 121,1 104,9 135,1 119,7
1988 118,3 123,2 105,6 124,3 106,3 141,9 125,6
1989 124 129,3 108 128,7 109,2 150,7 135,4
1990 130,7 135,5 111,4 132,9 112,2 160,4 148,2
1991 136,2 143,1 115 137,2 116,3 170,5 156,9
1992 140,3 145,3 117 140,4 122,2 179,5 162,7
1993 144,5 147,9 118,5 143,4 127,6 187,7 165,3
1994 148,2 148,2 119,3 145,8 131,1 195,3 169,3
1995 152,4 151,4 119,2 148,4 133,3 205,6 175,2
1996 156,9 158,8 119,3 151,4 135,3 213,8 179,4
1997 160,5 156,3 121,5 153,2 137,8 218,2 185,1
1998 163 157,8 122,2 154,2 139,1 222,5 191,4
1999 166,3 160,5 121,8 155 140 226,2 194,3
2000 172,2 164,9 121 157,6 142 231,9 200,1

1
2001 177,1 169,1 120,1 160,2 144,8 238,3 203,6
2002 179,9 179,9 119 163,3 146,7 244,3 207
2003 184 177,7 118,7 166,7 148,3 250,8 213
2004 188,9 181 118,7 170,3 150,8 256,3 219,4
2005 195,3 184,9 118,3 173,2 153,7 261,3 225,6

Jawab.

1.1.a Inflasi untuk setiap negara


Tahun AS Kanada Jepang Prancis Jerman Italia Inggris
1981 10,3% 12,5% 4,73% 13,3% 6,34% 18,15% 12%
1982 6,16% 10,9% 2,94% 11,2% 5,21% 16,29% 8,53%
1983 3,21% 5,8% 1,73% 10,2% 3,4% 14,81% 4,61%
1984 4,32% 4,28% 2,3% 7,68% 2,39% 10,52% 5,01%
1985 3,56% 4,11% 2,06% 5,83% 2,04% 9,246% 6,01%
1986 1,86% 4,13% 0,67% 2,54% -0,2% 5,916% 3,42%
1987 3,65% 4,32% 0% 3,33% 0,29% 4,81% 4,18%
1988 4,14% 4,05% 0,67% 2,64% 1,33% 5,033% 4,93%
1989 4,82% 4,95% 2,27% 3,54% 2,73% 6,202% 7,8%
1990 5,4% 4,8% 3,15% 3,26% 2,75% 6,437% 9,45%
1991 4,21% 5,61% 3,23% 3,24% 3,65% 6,297% 5,87%
1992 3,01% 1,54% 1,74% 2,33% 5,07% 5,279% 3,7%
1993 2,99% 1,79% 1,28% 2,14% 4,42% 4,568% 1,6%
1994 2,56% 0,2% 0,68% 1,67% 2,74% 4,049% 2,42%
1995 2,83% 2,16% -0,1% 1,78% 1,68% 5,274% 3,48%
1996 2,95% 4,89% 0,08% 2,02% 1,5% 3,988% 2,4%
1997 2,29% -1,6% 1,84% 1,19% 1,85% 2,058% 3,18%
1998 1,56% 0,96% 0,58% 0,65% 0,94% 1,971% 3,4%
1999 2,02% 1,71% -0,3% 0,52% 0,65% 1,663% 1,52%
2000 3,55% 2,74% -0,7% 1,68% 1,43% 2,52% 2,99%
2001 2,85% 2,55% -0,7% 1,65% 1,97% 2,76% 1,75%
2002 1,58% 6,39% -0,9% 1,94% 1,31% 2,518% 1,67%
2003 2,28% -1,2% -0,3% 2,08% 1,09% 2,661% 2,9%
2004 2,66% 1,86% 0% 2,16% 1,69% 2,193% 3%
2005 3,39% 2,15% -0,3% 1,7% 1,92% 1,951% 2,83%

2
1.1.b

1.1.c Kesimpulan umum untuk ketujuh negara

Seperti yang Anda lihat dari angka ini, tingkat inflasi masing-masing
negara secara umum telah menurun selama bertahun-tahun.

1.1.d Negara yang tingkat inflasi paling berubah – ubah

Sebagai ukuran variabilitas, kita dapat menggunakan standar deviasi.


Standar deviasi ini adalah 0,036, 0,044, 0,018, 0,062, 0,051, 0,060, dan
0,032, masing-masing, untuk Kanada, Prancis, Jerman, Italia, Jepang,
Inggris, dan Amerika Serikat. Variabilitas tertinggi ditemukan untuk Italia
dan terendah untuk Jerman.

1.2.a grafik dari tingkat inflasi ofthe enam negara diplot terhadap AS tingkat

3
inflasi adalah sebagai berikut:

1.2.b Perilaku dari tingkat infasi dari keenam negara terhadap AS

Sebagai gambar menunjukkan, inflasi tingkat enam negara berkorelasi


positif dengan AS tingkat inflasi.

1.2.c Penyebeb samanya pergerakan inflasi AS dengan keenam negara

Ingat bahwa korelasi tidak berarti Sebab - akibat. Satu mungkin harus
berkonsultasi buku internasional makroekonomi untuk mengetahui apakah
ada kausal koneksi antara TI AS dan negara-negara lain tingkat inflasi.

Tabel 1.4
Korea
Tahun Australia Kanada China Jepang Meksiko Selatan Swedia Swiss Inggris
1985 0,7003 1,3659 2,9434 238,47 0,257 872,45 8,6032 2,4552 1,2974
1986 0,6709 1,3896 3,4616 168,35 0,612 884,6 7,1273 1,7979 1,4677
1987 0,7014 1,3259 3,7314 144,6 1,378 826,16 6,3469 1,4918 1,6398
1988 0,7841 1,2306 3,7314 128,17 2,273 734,52 6,137 1,4643 1,7813
1989 0,7919 1,1842 3,7673 138,07 2,461 674,13 6,4559 1,6369 1,6382
1990 0,7807 1,1668 4,7921 145 2,813 710,64 5,9231 1,3901 1,7841
1991 0,7787 1,146 5,3337 134,59 3,018 736,73 6,0521 1,4356 1,7674
1992 0,7357 1,2085 5,5206 126,78 3,095 784,66 5,8258 1,4064 1,7663
1993 0,6799 1,2902 5,7795 111,08 3,116 805,75 7,7956 1,4781 1,5016
1994 0,7316 1,3664 8,6397 102,18 3,385 806,93 7,7161 1,3667 1,5319
1995 0,7407 1,3725 8,37 93,96 6,447 772,69 7,1406 1,1812 1,5785
1996 0,7828 1,3638 8,3389 108,78 7,6 805 6,7082 1,2361 1,5607
1997 0,7437 1,3849 8,3193 121,06 7,918 953,19 7,6446 1,4514 1,6376
1998 0,6291 1,4836 8,3008 130,99 9,152 1400,4 7,9522 1,4506 1,6573
1999 0,6454 1,4858 8,2783 113,73 9,553 1189,84 8,274 1,5045 1,6172
2000 0,5815 1,4855 8,2784 107,8 9,459 1130,9 9,1735 1,6904 1,5156
2001 0,5169 1,5487 8,277 121,57 9,337 1292,02 10,3425 1,6891 1,4396
2002 0,5437 1,5704 8,2771 125,22 9,663 1250,31 9,7233 1,5567 1,5025
2003 0,6524 1,4008 8,2772 115,94 10,793 1192,08 8,0787 1,345 1,6347
2004 0,7365 1,3017 8,2768 108,15 11,29 1145,24 7,348 1,2428 1,833
2005 0,7627 1,2115 8,1936 110,11 10,894 1023,75 7,471 1,2459 1,8204
2006 0,7535 1,134 7,9723 116,31 10,906 954,32 7,3718 1,2532 1,8434

1.3. Tabel 1.4 menyajikan tingkat nilai tukar dari tujuh negara industrialisasi
dari tahun 1985-2006 Kecuali inggris, nilai tukar didefinisikan sebagai unit
mata uang negara asing terhadap satu dollar AS; sedangkan untuk inggris,
didefinisikan sebagai jumlah dolar AS terhadap 1 pound U.K

4
a. Plotkan nilai tukar ini terhadap waktu dan berikan komentar terhadap
prilaku umum dari nilai tukar terhadap periode waktu tertentu.
b. Dolar dikatakan terapresiasi jika mampu untuk membeli unit mata
uang asing lebih banyak. Sebaliknya, terdepresiasi jika hanya dapat
membeli unit mata uang asing lebih sedikit. SEPANJANG PERIODE
1985-2006 , bagaimanakah prilaku umum dari dollar AS? Coba cari
dari buku teks mana pun mengenai makroekonomi atau ekonomi
internasioinal untuk mencari tahu faktor apa saja yang memengaruhi
apresiasi dari suatu mata uang .

Jawab

1.3.a Untuk lebih baik kesan visual logaritma dari nilai tukar diplot pada sumbu
vertikal dan waktu pada sumbu horisontal.

Seperti yang Anda lihat, kurs tampilkan kesepakatan yang baik dari
variabilitas sebagai contoh, pada tahun 1977 satu dolar AS membeli
tentang 268 yen, tetapi pada tahun 1995 itu bisa membeli hanya sekitar 94
yen.

1.3.b Faktor yang memengaruhi apresiasi dari suatu mata uang

Lagi, gambar dicampur. Sebagai contoh, antara 1977 dan 1995, yang dolar
AS pada umumnya disusutkan terhadap yen, maka mulai menghargai.
Serupa gambar muncul terhadap mata uang lainnya.

1.4. Data yang mendasari uang beredar MI yang tersaji pada figur 1.5 di
sajikan dalam tabel 1.5 Dapatkah anda memberikan alasan mengapa uang

5
beredar selama ini mengalami peningkatan sepanjang periode waktu yang
disajikan dalam tabel?

1.5. Anggap anda diminta untuk membuat model ekonomi dari aktivitas
kriminal, bisa dikatakan, jumlah waktu yang dihabisakan untuk kegiatan
kriminal (misal: menjual obat-obatan terlarang). Variabel apa saja yang
akan dipertimbangkan dalam model tersebut? Perhatikan apakah model
yang digunakan cocok dengan model yang dibangun oleh ekonomi
pemenang hadiah nobel Gary Becker.**

6
7
Jawab

1.4 Grafik MI uang beredar adalah sebagai berikut:

sebagai PDB meningkat dari waktu ke waktu, tentu saja jumlah yang lebih
tinggi dari uang beredar diperlukan untuk membiayai peningkatan output.

1.5 Beberapa yang relevan variabel akan meliputi:

1. upah atau penghasilan dalam kegiatan Kriminal,


2. upah per jam atau pendapatan dalam kegiatan non-kegiatan Kriminal,
3. Kemampuan tertangkap,
4. kemungkinan keyakinan,
5. diharapkan kalimat setelah keyakinan. Perhatikan bahwa itu mungkin
tidak mudah untuk mendapatkan data pada laba dalam kegiatan ilegal.
Lagi pula, lihat Becker artikel dikutip dalam teks.

8
1.6 Eksperimen terkontol dalam ekonomi: Pada tanggal 7 April 2000, Presiden
Clinton mendatatangani sebuah undang – uandang (UU) yang disetujui
oleh kedua kongres AS yang mengangkat pembatasan pendapatan untuk
penerima program jaringan sosial. Sebelum UU tersebut disetujui, pajak
penerima yang berusia 65 – 69 yang memiliki pendapatan lebih dari
$17.000 pertahun akan kehilangan $1 untuk setiap pendapatan yang
didapatkan dari Program Jarinagn Sosial, untuk setiap kelebihan $3
pendapatan dari $17.000 pendapatannya. Bagaimana anda membuat
sebuah studi untuk menguju dampak dari perubahan undang – undang ini?

Catatan: tidak ada pembatasan pendapat untuk penerima program jaringan


sosial bagi orang berusia di atas 70 tahun, berdasarkan hukum (yang lama)

1.7 Data yang disajikan dalam tabel 1.6 dipublikasikan pada tanggal 1 maret
1964, pada Wall Street Journal. Data ini memberikan hubungan dana iklan
dengan (jutaan dolar) dari 21 perusahaan (1983) dan jutaan pendapatan
yang didapatkan setiap minggunya dari pengamat produk prusahaan
tersebut. Data yang digunakan berdasarkan hasil survei terhadap 4.000
orang dewasa (pengguna produk) diminta untuk mengingat kembali iklan
mengenai produk tersebut selama seminggu terakhir

a. Poltkan hasil pendapatan pada sumbu vertikal dan pengeluaran iklan


pada sumbu horizontal.
b. Komentar apayangdapat anda berikan mengenai sifat alam dari
hubungan di antara dua variabel
c. Dengan belihat hasil grafik anda, apakah berguna untuk pembuatan
iklan? Coba anda pikirkan semua tayangan iklan yang ditayangkan pada
acara Super Bowl hari minggu atau sepanjang Piala Dunia

Tabel 1.6
Perusahaan Pendapatan, Jutaan Pengeluaran '83
Miller Lite 32,1 50,1
Pepsi 99,6 74,1
Stroh's 11,7 19,3
Fed'l Express 21,9 22,9
Burger King 60,8 82,4
Coca-Cola 78,6 40,1
McDonald's 92,4 185,9
MCI 50,7 26,9
Diet Cola 21,4 20,4
Ford 40,1 166,2
Levi's 40,8 27
Bud Lite 10,4 45,6
ATT/Bell 88,9 154,9
Calvin Klein 12 5
Wendy's 29,2 49,7

9
Polaroid 38 26,9
Shasta 10 5,7
Meow Mix 12,3 7,6
Oscar Meyer 23,4 9,2
Crest 71,1 32,4
Kibbles'N Bits 4,4 6,1

Jawab

1.6. Salah satu faktor kunci dalam analisis akan menjadi tingkat partisipasi
Angkatan kerja orang dalam 65-69 usia kategori. Data pada partisipasi
Angkatan kerja dikumpulkan oleh Departemen tenaga kerja jika setelah
Undang-Undang baru pergi berlaku, kita menemukan peningkatan
partisipasi ini "senior" warga di Angkatan kerja, yang akan menjadi
indikasi kuat bahwa sebelumnya hukum telah artifisial membatasi pasar
tenaga kerja partisipasi. Itu juga akan menarik untuk mencari tahu apa
jenis pekerjaan pekerja ini mendapatkan dan apa yang mereka Dapatkan.

1.7. Polt dari Pendapatan dan Pengeluaran

(A), (B) dan (c) seperti gambar berikut menunjukkan, tampaknya ada
hubungan positif antara kedua variabel, Meskipun tampaknya tidak
menjadi sangat kuat. Ini mungkin menunjukkan bahwa membayar untuk
beriklan, jika tidak, itu adalah berita buruk untuk industri periklanan

2.1 Apakah yang dimaksut dengan fungsi ekspetasi kondisional atau FRP?

10
2.2 Apakah perbedaan FRP dengan FRS? Apakah perbedaan diantara kedua
fungsi ini dilakukan tanpa ada perbedaan?

2.3 Apakah peran dari faktor kesalahan stokastik, Ui, dalam analisis regresi?
Apakah perbedaan antara faktor kesalahan stokastik dan residual, Ui,?

2.4 Mengapa kita perlu melakukan analisis reresi? mengapa kita tidak
menggunakan (saja) nilai rerata dari regresan sebagai best value?

2.5 Apa yang dimaksud dengan model regresi linear?

2.6 Tentukan apakah model – model di bawah ini linear dalam parameternya,
dalam variabelnya, atau keduanya. Manakah di antara model ini yang
merupakan model regresi linear?

Model Judul Deskriptif

a. Reciprocal

b. Yi = β1 + β2 inXi + Ui Semilogarithmic

c. InYi = β1 + β2Xi + Ui Inverse


Semilogarithmic

d. InYi = In β1 + β2 inXi + Ui Logarithmic atau double


logarithmic

e. InYi = β1 + β2 (1/X1) + Ui Logarithmic Reciprocal

2.7 Apakah model – model dibawah ini adalah model regresi linear? Berikan
alasannya.

a. Yi = e β1 + β2Xi + Ui
1
b. Yi = 𝑒 𝛽1 + 𝛽2Xi + Ui

c. InYi = β1 + β2 (1/X1) + Ui

d. Yi = β1 + (0,75 - β1) e a(x, 2) + Ui

e. Yi = β1 + β23 Xi + Ui

2.8 Apakah yang dimaksut degan model regresi linear secara intristik
(intrisically linear)? Jika β2 pada latihan 2.7 bernilai 0,8; apakah model
menjadi model regresi linear atau nonlinear?

Jawab.

11
2.1 itu menceritakan bagaimana berarti atau rata tanggap sub-populasi Y
bervariasi dengan tetap nilai penjelas variabel (S).

2.2 perbedaan antara sampel regresi fungsi dan penduduk regresi fungsi
penting, untuk yang pertama adalah merupakan estimator yang terakhir;
dalam banyak situasi kita memiliki sampel dari pengamatan dari suatu
populasi dan kami mencoba untuk belajar sesuatu tentang penduduk dari
diberikan sampel.

2.3 sebuah model regresi tidak pernah bisa menjadi benar-benar akurat
deskripsi realitas. Oleh karena itu, ada terikat untuk beberapa perbedaan
antara yang sebenarnya nilai-nilai yang regressand dan nilai-nilai estimasi
dari memilih model. Perbedaan ini adalah hanya stochastic kesalahan
istilah, yang berbagai bentuk dibahas dalam Bab. Sisa adalah sampel rekan
dari stochastic kesalahan panjang.

2.4 Meskipun bisa menggunakan nilai rata-rata, standar deviasi dan ikhtisar
langkah-langkah untuk menggambarkan perilaku dari regressand, kita
sering tertarik dalam mencari tahu apakah ada kausal pasukan yang
mempengaruhi regressand. Jika demikian, kami akan dapat lebih baik
memprediksi nilai rata-rata dari regressand. Juga, ingat bahwa
ekonometrik model sering dikembangkan untuk menguji satu atau
beberapa teori ekonomi.

2.5 Model yang linear di parameter; mungkin atau mungkin tidak linier dalam
variabel.

2.6 model (a), (b), (c) dan (e) adalah linear (dalam parameter) model regresi.
Jika kita membiarkan a = in β1 maka model (d) juga linear.

2.7 a. mengambil log natural, kami menemukan bahwa di ,


yang menjadi model regresi linier.
b. berikut transformasi, dikenal sebagai logit transformasi membuat
model ini sebuah model regresi linier:

c. sebuah model regresi linier


d. nonlinear model regresi
e. nonlinear model regresi, sebagai β2 dibangkitkan untuk ketiga daya.

2.8 model yang dapat dilakukan linear di parameter disebut intrinsik model
regresi linier, sebagai model (a) di atas. Jika β2 adalah 0.8 dalam model (d)
dari pertanyaan 2.7, itu menjadi model regresi linier, sebagai ( rumus )
dapat dengan mudah dihitung

12
2.9 Perhatikan model nonstokastik berikut ( model – model tanpah kesalahan
stokastik ). Apakah model tersebut model regresi linear? Jika tidak, apakah
mungkin, dengan menipulasi secara aljabaryang sesuai, mengubahnya
menjadi model linear?
1
a. Yi = 𝛽1 + 𝛽2Xi

𝑋𝑖
b. Yi = 𝛽1 + 𝛽2Xi

1
c. Yi = 1+exp(−𝛽1− 𝛽2Xi)

2.10 Anda diberikan scattergram pada figur 2.8 dengan garis regresinya.
Kesimpulan umum apakah yang dapat anda ambil dari diagram tersebut?
Apakah garis regresi di dalam diagram itu merupakan sebuah regresi
populasi atau garis regresi sampel?

13
Figur 2.9 Tingkat pertumbuhan upah riil industri manufaktur dan ekspor. Data
didapatkan dari 50 nedara berkembang selama 1979 – 90. Intensitas
keterampilan ekspor serta sumber daya manusia. Data diambil dari
126 negara industri dan negara berkembng pada tahun 1985. Nilai
yang terteras sepanjang nilai horizontal adalah nilai logaritma dari
nilai rasio rata – rata tingkat pendidikan terhadap luas tanah; sumbu
vertikal merupakan nilai logaritma dari nilai rasio ekspor produk
manufaktur terhadap produk premier

2.11 Dari scattegram upah riil yang diberikan pada figur 2.9, kesimpulan
umum apakah yang dapat diarah? Apakah teori ekonimi yang mendasari
scattegram tersebut?

2.12 Apakah yang ditunjukan scattegram pada figur 2.10? berdasarkan


diagram tersebut, menurut anda, apakah peraturan upah minimum baik
untuk kesejahtraan ekonomi masyarakat?

14
2.13 Apakah garis regresi yang ditunjukan pada figur P.3 di bagian
pendahuluan merupakan FRP atau FRS? Mengapa? Bagaimana anda
mempertimbangkan titik – titik acak yang tersebar di sekitar garis
regresi? Selain produk domestik bruto (PDB), faktor atau variabel apa
lag
i
ya
ng
bis
a
me
mp
en
gar
uhi
pe
ng
elu
ara
n
ko
ns
um
si
pri
badi?

15
Figur 2.10

Jawab.

2.9 Mengubah model membuat model regresi linier.

Menulis model membuat model regresi


linier.

Transformasi membuat regresi linier.

catatan: demikian asli model intrinsik model linear.

2.10 Ini scattergram menunjukkan bahwa lebih berorientasi ekspor negara rata-
rata memiliki lebih pertumbuhan upah riil dari kurang berorientasi ekspor
negara. Itulah sebabnya banyak negara-negara berkembang telah diikuti
ekspor yang dipimpin kebijakan pertumbuhan. Dengan garis regresi
membuat sketsa dalam diagram sampel garis regresi, karena didasarkan
pada sampel 50 negara-negara berkembang.

2.11 sesuai dengan terkenal heckscher-ohlin model perdagangan, negara


cenderung untuk mengekspor barang yang produksi membuat intensif
penggunaan mereka lebih banyak faktor produksi. Dengan kata lain, model
ini menekankan hubungan antara faktor wakaf dan keunggulan komparatif.

2.12 angka ini menunjukkan bahwa lebih tinggi adalah upah minimum, yang
lebih rendah adalah per Kepala GNP, sehingga menunjukkan bahwa upah
minimum hukum mungkin tidak baik untuk negara-negara berkembang.
Tapi topik ini adalah kontroversial. Pengaruh upah minimum mungkin
tergantung pada mereka terhadap pekerjaan, sifat industri di mana ia
dikenakan, dan bagaimana sangat pemerintah memberlakukan itu

2.13 Ini adalah contoh garis regresi karena didasarkan pada sampel dari 15
tahun dari pengamatan. Yang menyebarkan poin di sekitar garis regresi
adalah data aktual poin. Perbedaan antara yang sebenarnya pengeluaran
konsumsi dan yang diperkirakan dari garis regresi merupakan (sampel)
sisa. Selain PDB, faktor seperti kekayaan, suku bunga, dll mungkin juga
mempengaruhi pengeluaran konsumsi.

2.14 Berdasarkan data Amerika Serikat (AS) pada tahun 1980 – 1991 yang
diberikan pada tabel 2.7:

16
a. Poltka data tingkat partisipasi angkatan kerja sipil pria terhadap tingkat
pengangguran dari angkatan kerja sipil pria. Perhatikan sebuah garis
regresi yang melalui titik – titik yang tersebar acak tersebut.
Berdasarkan dugaan awal, bagaimanakah perkiraan hubungan antara
dua variabel tersebut dan teori ekonomi apakah yang mendasarinya?
apakah scattegram mendukung teori itu?
b. Ulangi soal (a) untuk wanita
c. Sekarang, poltkan tingkat partisipasi angkatan kerja sipil, pria dan
wanita, terhadap penghasilan per jam rata – rata (harga konstan tahun
1982). (Anda dapat menggunakan diagram yang berbeda) kini apa
yang anda lihat sekarang? Dan, bagaimana anda mempertimbangkan
pertemuan anda?
d. Dapatkah anda memplot tingkat partisipasi angkatan kerja sipil
terhadap tingkat pengangguran dan hasil per jam rata – rata, secara
bersamaan? Jika tidak, bagaimanakah anda menjelaskan secara verbal
hubungan di antara ketiga variabel ini?

Jawab

2.14.a scattergram adalah sebagai berikut:

17
hubungan positif antara kedua variabel mungkin tampak mengherankan
karena satu harapkan dua untuk berhubungan negatif. tetapi menambahkan
pekerja hipotesis tenaga kerja ekonomi menunjukkan bahwa ketika
pengangguran meningkat sekunder Angkatan kerja mungkin memasuki
pasar tenaga kerja untuk mempertahankan beberapa tingkat pendapatan
keluarga.

2.14.b yang scattergram adalah sebagai berikut:

di sini berkecil pekerja hipotesis tenaga kerja ekonomi tampaknya di


tempat kerja: pengangguran mengecilkan pekerja perempuan dari yang
berpartisipasi dalam Angkatan kerja karena mereka takut bahwa ada tidak
ada kesempatan kerja.

18
2.14.c plot CLFPRM terhadap AH82 menunjukkan berikut:

dan yang sesuai plot untuk perempuan adalah

ada asimetris hubungan antara kedua variabel untuk laki-laki dan


perempuan. laki-laki merespon positif untuk meningkatkan upah
Sedangkan wanita menanggapi negatif. ini mungkin terdengar
membingungkan. hal ini dimungkinkan bahwa peningkatan pendapatan
untuk laki-laki sebagai akibat dari upah yang lebih tinggi mungkin prompt
perempuan untuk menarik diri dari Angkatan kerja, yang mungkin bagi
pasangan suami-istri. tapi hati-hati di sini. kami lakukan sederhana bivariat
regresi di sini. ketika kami studi analisis regresi berganda, sebelumnya
kesimpulan mungkin berubah.

2.15 Tabel 2.8 memberikan data dari pengeluaran terhadap makanan dan
pengeluaran total, dalam rupee, untuk sampel dari 55 rumah tangga
pedesaan di India. (Pada awal tahun 2000, l US$ 40 rupee India)

a. Plotkan data, dengan sumbu vertikal adalah pengeluaran makanan


dan sumbu horizontal adalah pengeluaran total. Kemudian,
gambarkan garis regresi yang melewati titik-titik acak tersebut.
b. Kesimpulan umum apakah yang dapat Anda ambil dari contoh ini?
c. Berdasarkan dugaan sebelumnya, akankah Anda mengekspektasikan
bahwa untuk meningkatkan hasil linear dengan total total tingkat
total? Beri alasannya. Anda dapat menggunakan untal sebagai proksi
untuk total pendapatan.

19
Tabel 2.8

Jawab.

20
2.15.a scattergram dan garis regresi terlihat sebagai berikut:

2.15.b Dengan meningkatnya pengeluaran total, rata-rata, pengeluaran untuk


makanan juga meningkat. Tetapi ada variabilitas yang lebih besar antara
keduanya setelah total pengeluaran melebihi tingkat Rs. 2000.

2.15.c Kami tidak mengharapkan pengeluaran untuk makanan meningkat secara


linear (yaitu, dalam mode garis lurus) untuk selama-lamanya. Setelah
kebutuhan dasar terpenuhi, orang akan menghabiskan lebih sedikit
untuk makanan ketika pendapatan mereka meningkat. Artinya, pada
tingkat pendapatan yang lebih tinggi, konsumen akan memiliki
lebih banyak pendapatan bebas. Ada beberapa bukti ini dari scattergram
yang ditunjukkan pada (a): Pada tingkat pendapatan di luar Rs. 2000,
pengeluaran untuk makanan menunjukkan lebih banyak variabilitas.

2.16. Tabel 2.9 memberikan data tentang rerata nilai TBS untuk mahasiswa-
mahasiswa tingkat akhir pada tahun 1972-2007. Data ini
merepresentasikan nilai-nilai tes baca kritis dan matematika bagi
mahasiswa pria dan wanita. Kategori atau kemampuan untuk menulis
data pada tahun 2006. Oleh karena itu, data ini tidak ditampilkan.

a. Gunakan strategi horisontal untuk tahun dan sumbu vertikal untuk


nilai TBS dalam memplot data nila TBS membaca kritis dan
matematika untuk responden pria dan wanita secara terpisah.
b. Resolusi umum apa yang bisa Anda ambil dari grafik tersebut?
c. Dengan mengetahui milai IBS membaca negatif untuk responden
pria dan wanita bagaimana Anda menggunakan informasi tersebut
untuk memprediksi nilai TBS matematika mereka?

21
d. Plotkan nilai TBS membaca kritis wanita terhadap nilai TBS
membaca kritis pria. (Gacam garis regresi yang melewati titik-titik
acak.) Apa yang bisa Anda lihat?

Tabel 2.9

Jawab.

22
2.16.a Plot pencar untuk nilai verbal pria dan wanita adalah sebagai berikut:

Dan plot yang sesuai untuk skor matematika pria dan wanita adalah
sebagai berikut:

2.16.b Selama bertahun-tahun, skor verbal pria dan wanita menunjukkan


kecenderungan menurun, sedangkan setelah mencapai titik
terendah pada tahun 1980, skor matematika untuk pria dan wanita
tampaknya menunjukkan tren naik, tentu saja dengan variasi tahun
ke tahun.

2.16.c Kita dapat mengembangkan model regresi sederhana yang meregenerasi


skor matematika pada skor verbal untuk kedua jenis kelamin.

23
2.16.d plot adalah sebagai berikut:

Seperti yang ditunjukkan grafik, lama-kelamaan, kedua skor tersebut


bergerak ke arah yang sama.

24
3.1. Berdasarkan kondisi yang ada pada kolom 1 dari Tabel berikut, tunjukkan
bahwa asumsi yang tertera sama dengan pernyataan yang ada pada kolom

Jawab

3.1

Oleh karena βs adalah konstanta dan X adalah bukan konstanta

Adalah nol dengan asumsi

Karena istilah kesalahan tidak berkorelasi dengan asumsi


= 0 Karena masing – masing ui memiliki mean nol dengan asumsi.

3.2. Tunjukkan bahwa estimator β1 = 1,572 dan β2 = 1,357 yang sangat tepat
dalam Tabel 3.1 memang benar adalah estimator OLS.

Jawab.

25
3.3. Menurut malinvaud (lihat catatan kaki 11), asumsi bahasa dari E (ui l Xi)
cukup penting. Untuk melihatnya, pertimbangkan FRP ini: Y = β1 + β2Xi +
ui sekarang, pertimbangkan kedua situasi ini dan ,kemudian,
ambilah ekspektasi FRP
yang kondisional terhadap X pada kedua kasus tadi, dan
lihat apakah Andari menyetujui malinvauad mengenai signifikansi bahasa
dari asumsi E (ui l Xi) = 0

Jawab.

3.3

Sama dengan situasi 1. Oleh karena itu tanpa asumsi E (ui) = 0, seseorang
tidak dapat memperkirakan parameter, karena seperti yang baru saja di
tunjukan, seorang memperoleh distribusi bersyarat Y yang sama meskipun
nilai parameter yang diasumsikandalam dua situasi berhenti berbeda.

3.4. Pertimbangkanlah regresi sampel ini:

dengan memberlakukan hambatan: ,


carilah estimator β1 dan β2 serta tunjukkan bagaimana keduanya identik
dengan estimator - estimator yang disajikan pada Persamaan (3.1.6) dan
(3.1.7). Metode ini untuk mendapatkan estimator estimator tersebut
dikenal sebagai prinsip analogi. Berikan justifikasi secara intuitif dari
pemberlakuan hambatan (i) dan (ii). (Petunjuk: Ingat kembali asumsi
CLRM mengenai ui.) Selanjutnya, catat bahwa prinsip analogi dalam
mengestimasi parameter yang tidak diketahui ini juga dikenal sebagai
metode momen-momen method of moments), di mana momen sampel
(misal: rerata sampel) digunakan untuk mengestimasi momen populasi
(misal: rerata populasi). Seperti yang juga tertera pada Lampiran A, sebuah
momen merupakan sebuah ringkasan statistik dari probabilitas distribusi,
seperti nilai ekspektasi dan varians.

Jawab,

3.4 Memaksakan pembatasan pertama, mendapatkan:

Menyederhanakan ini
menghasilkan persamaan normal

26
pertama. Memaksakan pembatasan kedua, kita mendapatkan:

Menyederhanakan ini menghasilkan persamaan normal


kedua. Pembatasan pertama sesuai dengan asumsi bahwa
Pembatasan kedua sesuai dengan asumsi
bahwa istilah kesalahan populasi tidak
berkorelasi dengan variabel penjelas yaitu

3.5 tunjukkan bahwa r2 yang didefinisikan pada persamaan (3.5.5) berada pada
nilai 0 sampai 1. Andari boleh saja menggunakan pertidaksamaan cauchy-
Schwarz, yang menyatakan bahwa untuk variabel acak X dan Y mana pun,
hubungan berikut ini berlaku:

Jawab.

3.5 Dari ketidaksetaraan Cauchy-Schwarz mengikuti:

Dengan analogi ketidaksetaraan.

Ini juga berlaku untuk p2, koefisien korelasi populasi kuadrat.

3.6. Anggap βyx dan βxy, secara berturut-turut, representasi kemiringan regresi
Y terhadap X dan X terhadap Y. Tunjukkan bahwa

di mana radalah koefisien korelasi antara X dan Y

Jawab.

3.6 Perhatikan :

Mengalikan kedduanya, kita mendapatkan ekspresi untuk r2 koefisien


korelasi samplel kuadrat.

3.7 Misalkan, diketahui, dari latihan 3.6 bahwa . apakah


memungkinkan untuk melakukan regresi Y terhadap X atau X terhadap Y.
jelaskan!

Jawab

27
3.7 Meskipun , mungkin masih penting (untuk kualitas dan teori)
jika Y diregresikan pada X atau X pada Y, karena itu hanya produk yang
sama dengan 1. Ini tidak mengatakan bahwa

3.8. Koefisien korelasi peringkat Spearman (Spearman's rank correlation


coefficient), rs didefinisikan sebagai berikut:

di mana d = perbedaan antara urutan (rank) yang diberlakukan pada


individu atau fenomena yang sama dan n jumlah individu atau fenomena
yang diurutkan. Lakukan turunan terhadap rs dengan r yang didefinisikan
pada persamaan (3.5.13). Petunjuk Briatlah urutan terlebih dahulu untuk
nilai x dan Y, dari hingga n. Perhatikan bahwa jumlah urutan x dan Y
masing-masing adalah (n + 1)/2 sehingga rerata keduan adalah (n + 1)/2.

Jawaba.

3.8 Sarana dari dua variabel adalah:

Dan korelasi antara dua peringkat adalah:

Di mana huruf kecil seperti biasa menunjukan penyimpangan dari nilai


rata- rata. Karena pringkat adalah permutasi dari bilangan asli n pertama,

28
Sekarang dengan mengamati persamaan sebelumnya dalam (1), anda akan
mendapatkan jawabannya

3.9. Perhatikan formulasi RFP dua variabel berikut ini:

a. Carilah estimator bahasa dari β1 dan ἀ1. Apakah keduanya identik?


Apakah varians bahasa dari keduanya juga identik?
b. Carilah estimator bahasa dari β2 dan ἀ2. Apakah keduanya identik?
Apakah varians bahasa dari keduanya juga identik?
c. Apakah keuntungan, jika ada, bahasa dari model II terhadap model l ?

Jawab.

3.9.a

Oleh karena itu, tidak perkiraan maupun varians dari dua estimator adalah
sama.

3.9.b

Sangat mudah memverifikasi bahwa:

29
Artinya, estimasi dan varians dari dua estimator adalah sama

3.9.c Model II mungkin lebih mudah digunakan dengan angka X yang besar,
meskipun dengan komputer berkecepatan tinggi ini tidak lagi menjadi

masalah.

3.10. Anggap anda melakukan regresi terhadap persamaan berikut ini:

di mana, seperti biasanya, y1 dan x1 adalah deviasi dari nilai rerata untuk
masing-masing y1 dan x1, Apakah kemungkinan nilai dari β1? Mengapa?
Apakah β2 akan sama deagan apa yang dihasilkan pada Persamaan (3.1.6)?
Mengapa?

Jawab

2.10 Karena yaitu, jumlah deviasi dari nilai rata – rata selalu
nol, x = y = 0 juga nol. Oleh karena itu intinya adalah
bahwa jika kedua Y dan X adalah B dinyatakan sebagai penyimpangan
dari nilai rata – rata mereka, garis regresi akan melewati asal.

Variabel adalah nol. Ini adalah persamaan (3.1.6)

3.11 Anggap r1 = merupakan koefisien korelasi di antara n pasangan nilai (Yp


Xi) dan r2 = merupakan koetsien korelasi di antara n pasangan nilai (aXi +
b, cYi + d) di mana a, b, c, dan d merupakan konstanta. Tunjukkan bahwa
r1 = r2 sehingga membentuk prinsip dari korelasi koefisien yang invarian
terhadap skala perubahan dan perubahan terhadap titik asal

Petunjuk Gunakan definisi r yang telah diberikan dalam Persamaan (3.5


13)

Jawab.

3.11 Dalam bentuk penyimpangan


ini menjadi.

Menurut definisi

30
3.12. Jika r adalah koefisien korelasi di antara n pasangan nilai (Xp Yi) dan
bernilai positif, lalu, tentukanlah apakah pernyataan berikut ini benar atau
salah:

a. r di antara (-Xp -Yi) hjuga bernilai positif


b. r di antara (-Xp Yi) dan di antara (Xp -Yi) dapat bernilai positif
maupun negatif
c. Jika kedua koefisien kemiringan βyx dan βxy positif, di mana βyx =
koefisien kemiringan dari regresi Y terhadap X dan βxy koefisien
kemiringan dari regresi X terhadap Y

Jawab.

3.12.a Benar. Biyarkan a dan c sama dengan -1 dan b dan d sama dengan 0 di
pertanyaan 3.11

3.12.b Salah. Sekali lagi menggunakan pertanyaan 3.11, itu akan menjadi negatif

3.12.c Benar. Sejak (standar deviasi X dan Y masing –


masing) keduanya positif dan

3.13. Jika X1, X2, dan X3 merupakan variabel yang tidak berkaitan dan masing-
masing memiliki standar deviasi yang sama, tunjukkan bahwa koefisien
korelasi antara X1 + X2 dan X2 + X3 koefisien adalah sama dengan 1/2.
Mengapa koefisien korelasi tidak bernilai 0?

Jawab.

3.13 dalam bentuk penyimpangan,


kita bisa menulis ini sebagai. Dengan
defiasi korelasi antara Z dan W

31
Catatan tidak berkorelasi telah menghilangkan subskripsi obervasi untuk
kenyamanan.

Koefisien nol karena, meskipun X secara individual tidak berkorelasi,


kombinasi tidak berpasangan. Seperti yang ditunjukan yang
berarti kovarian antara z dan w adalah beberapa konstanta selain nol.

3.14. Dalam regresi anggaplah kita mengalikan setiap X


dengan sebuah konstanta, misalkan 2. apakah hal ini akan merubah
residual dari setiap nilai Y yang terestimasi? Jelaskan. Apa yang terjadi
jika kita menambahkan nilai konstanta, misalkan dua, untuk setiap nilai X?

Jawab.

1.14. Nilai Residual dan pas dari Y tidak akan berubah. Dengan

Menggunakan formulir deviasi, kita tahu bahwa mengabaikan subskripsi


observasi.

Yang mencegat panjang tetap tidak terpengaruh. Akibatnya, yang


dilengkapi Y nilai – nilai dan residual terhadap sama bahkan jika Xi
dikalikan dengan 2. Analisis analog jika konstan ditambahkan ke Xi

3.15. Tunjukkan bahwa Persamaan (3.5.14) sebetulnya mengukur koelisien


determinasi. petunjuk: Gunakan

32
definisi dari r yang diberikan pada maan (3.5.13) dan ingat kembali bahwa
dan ingat juga Persamaan (3.5.6).

Jawab.

3.15.

3.16. Jelaskan alasan apakah pernyataan berikut ini, benar, salah, atau tidak
pasti:

a. Oleh karena korelasi antara kedua variabel, Y dan X, dapat berkisar


antara -1 dan +1 yang juga berarti bahwa cov (Y, X) juga berada pada
kisaran nilai tersebut
b. Jika hubungan di antara kedua variabel adalah nol, berarti tidak ada
hubungan di antara kedua variabei tersebut, bagaimanapun itu.
c. Jika Anda meregresikan Yi terhadap Yi. (yaitu Y nyata dan Y yang
diestimasi), nilai intercept dan kemiringan secara berturut-turut,
bernilai antara 0 dan l.

Jawab.

3.16.a Salah. Kovarian dapat mengasumsikan nilai apa pun; nilainya tergantung
pada satuan ukuran. Koefisien korelasi, di sisi lain, adalah tanpa unit,
yaitu, itu adalah bilangan murni.

3.16.b Salah. Lihat Gambar.3.11h. Ingat bahwa koefisien korelasi adalah ukuran
hubungan linear antara dua variabel. Oleh karena itu, seperti yang
ditunjukkan Fig.3.11h, ada hubungan yang sempurna antara Y dan tetapi
hubungan itu adalah nonlinier X,

3.16.c Benar. Dalam bentuk penyimpangan, kami punya

Oleh karena itu, jelas bahwa jika kita mundur yi pada yi, koefisien
kemiringan akan menjadi satu dan nol intersep. Tapi bukti formal dapat
dilanjutkan sebagai berikut:

33
Jika kita mundur yi pada yi, kita mendapatkan koefisien kemiringan,
katakanlah, sebagai:.

Untuk model dua variabel. Intercept dalam


regresi ini adalah nol.

3.17. Regresi tanpa regresor Anggap Anda diberikan model sebagai berikut: .
Gunakan metode OLS untuk mengestimasi β1. Bagaimanakah
varians dan RSS-nya? Apakah β1 yang diestimasi ini memiliki arti intuitif?
Sekarang, apa yang terjadi jika model adalah model FRP dua variabel .
Apakah berguna jika X ditambahkan pada model?
Jika tidak, mengapa kita perlu melakukan analisis regresi?

Jawab.

3.17 menulis sampel regresi sebagai: Oleh LS prinsip, kami ingin


untuk meminimalkan: Membedakan persamaan ini dengan
satu-satunya yang tidak diketahui parameter dan set yang dihasilkan
ekspresi ke nol, untuk mendapatkan:

yang pada penyederhanaan memberikan B1 = Y, yaitu, mean sampel. Dan


kita tahu bahwa varians dari mean sampel adalah a2/n, di mana n adalah
ukuran sampel, dan a2 atau varians dari Y. RSS adalah.

Perlu ditambahkan. Variabel X ke model jika mengurangi secara a2


signifikan, yang akan jika X memiliki pengaruh pada Y. Singkatnya,
dalam model regresi kami berharap bahwa variabel penjelas (s) akan lebih
baik memprediksi Y dari sekedar nilai rata-ratanya. Sebagai soal fakta, ini
dapat dilihat secara formal.

Ingat bahwa untuk model dua variabel yang kita peroleh dari (3.5.2),

Oleh karena itu, jika B2, berbeda dari nol, RSS dari model yang
mengandung setidaknya satu regresi, akan lebih kecil daripada model
tanpa regresi. Tentu saja, jika ada lebih banyak regresi dalam model dan

34
koefisien kemiringannya berbeda dari nol, RSS akan jauh lebih kecil dari
pada model tanpa-regresi.

3.18. Pada Tabel 3.5, Anda diberikan data ranking hasil ujian tengah semester
(UTS) dan ujian akhir semester (UAS) dari 10 siswa. Hitung koefisien
korelasi urutan Spearman kemudian interpretasikan!

Tabel 3.5

Jawab.
3.18 Mengambil perbedaan antara dua peringkat, kita memperoleh:

Oleh karena itu, koefisien korelasi peringkat Spearman adalah

Demikian ada korelasi tingkat tinggi antara peringkat tengah semester


dan peringkat akhir siswa. Semakin tinggi peringkat pada ujian tengah
semester, semakin tinggi peringkat pada final

3.19. Hubungan antara nilai tukar nominal dan harga relatif. Dari observasi
tahunan antara 1985 sampai dengan 2005, didapatkan hasil regresiberikut
ini, di mana Y = nilai tukar dolar Kanada terhadap dolar AS (CD/$) dan X
= rasio IHK AS terhadap IHK Kanada, di mana X mewakili harga relatif di
antara kedua negara:

a. Interpretasikan regresi ini. Bagaimana Anda akan menginterpretasikan


r2?
b. Apakah nilai negatif dari X1 memiliki arti ekonomi? Apakah teori
ekonomi yang mendasarinya?
c. Anggap kita definisikan kembali X sebagai rasio IHK Kanada
terhadap IHK AS. Apakah hal ini akan merubah tanda bagi X?
Mengapa?

35
Jawab.

3.19.a Nilai kemiringan -4.318 menunjukkan bahwa selama periode 1980 1994,
untuk setiap unit kenaikan harga relatif, rata-rata, nilai tukar (GM / $)
menurun sekitar 4.32 unit. Itu adalah dolar terdepresiasi karena semakin
berkurang nilai Jerman untuk setiap dolar yang dipertukarkan. Secara
harfiah ditafsirkan, nilai intercept dari 6.682 berarti bahwa jika rasio harga
relatif adalah nol, dolar akan bertukar untuk 6.682 tanda Jerman. Tentu
saja, interpretasi ini tidak bermakna secara ekonomi

3.19.b Nilai negatif dari koefisien kemiringan masuk akal ekonomi sempurna
karena jika harga AS naik lebih cepat daripada harga Jerman, konsumen
domestik akan beralih ke barang Jerman, sehingga meningkatkan
permintaan untuk GM, yang akan mengarah pada apresiasi tanda Jerman.
Ini adalah esensi dari teori purchasing power parity (PPP), atau hukum
satu harga.

3.19.c Dalam hal ini koefisien kemiringan diharapkan menjadi positif, karena
semakin tinggi CPI Jerman relatif terhadap IHK AS, semakin tinggi
tingkat inflasi relatif di Jerman yang akan mengarah pada apresiasi dolar
AS. Sekali lagi, ini dalam semangat PPP.

Tabel 3.6

36
3.20. Tabel 3.6 memberikan data-data indeks output per jam (X) dan
kompensasi per jam riil (Y), untuk sektor bisnis dan sektor bisnis
nonpertanian dari perekonomian AS pada tahun 1960-2005. Angka dasar
untuk indeks adalah 1992 = 100 dan indeks indeks tersebut disesuaikan
secara musiman.

a. Plotkan Y terhadap X untuk kedua sektor secara terpisah.


b. Teori ekonomi manakah yang mendasari hubungan di antara kedua
variabel? Apakah diagram acak memperlihatkan hasil yang
mendukung teori?
c. Estimasikan regresi OLS Y terhadap X. Simpan hasilnya untuk dilihat
nantisetelah kita mempelajari Bab 5.

Jawab.

3.20.a The scattergrams adalah sebagai berikut

37
3.20.b Sebagaimana ditunjukkan oleh kedua diagram tersebut, ada hubungan
positif antara upah dan produktivitas, yang tidak mengejutkan dalam
pandangan teori produktivitas marjinal ekonomi tenaga kerja

3.20.c Seperti yang ditunjukkan oleh angka sebelumnya, hubungan antara upah
dan produktivitas, meskipun positif, tidak linear. Oleh karena itu, jika
kami mencoba menyesuaikan model regresi garis lurus ke data, kami mungkin
tidak mendapatkan kecocokan yang baik. Dalam bab selanjutnya kita akan
melihat jenis model apa yang sesuai dalam situasi ini. Tetapi jika kita
secara rutin menyesuaikan model linier dengan data, kita memperoleh hasil
berikut.

di mana = sektor bis-bisnis, nfb = sektor non-pertanian produktivitas prod


= bisnis yang diukur dengan output per jam dan kompensasi = upah per
jam.

Seperti yang diharapkan, hubungan antara keduanya positif. Anehnya,


nilai r nya cukup tinggi.

3.21. Dari sampel dengan 10 observasi, didapatkan hasil sebagai berikut:

dengan koefisien korelasi, r = 0,9758. Akan tetapi, ketika dilakukan


pengecekan ulang terhadap penghitungan ini didapatkan bahwa untuk
kedua pasang observasi, didapatkan hal-hal ini:

Apakah kira-kira dampak dari kesalahan ini terhadap r? Tunjukkan r yang


benar!

Jawab.
3.21
Data asli: 1110 1700 205500 322000 132100
Data yang direvisi 1110 1680 204200 315400 133300
Oleh karena itu, koefisien korelasinya yang terkoreksi adalah 0,9688

38
3.22. Tabel 3.7 menyajikan data harga emas, IHK, dan indeks New York Stock
Exchange (NYSE) untuk AS periode 1974-2006. Indeks NYSE
memasukkan sebagian besar saham yang terdaftar di pasar saham New
York, yang jumlahnya sekitar 1500.

a. Plotkan diagram acak dari harga emas, lHK, dan indeks NYSE.
b. Sebuah investasi bertujuan untuk melakukanhedging terhadap inflasi,
jika harganya dan/atau tingkat pengembaliannya setara dengan

pergerakan inflasi. Untuk menguji hipotesis ini, misalkan Anda


memutuskan untuk melakuan pengujian model, dengan
mengasumsikan hasil diagram acak yang terbentuk dari soal (a)
menyarankan bahwa model berikut ini bisa digunakan:

Jawab.

3.22 Jika Anda memplot variabel-variabel ini terhadap waktu, Anda akan
melihat bahwa umumnya mereka telah bergerak ke atas, dalam hal emas
ada volatilitas harga yang cukup besar.

(b) Jika hipotesis itu benar, kita harapkan B2 = 1.

(c)

Tampaknya pasar saham adalah lindung nilai yang lebih baik terhadap
inflasi daripada emas. Seperti yang akan kita lihat di Ch.5, koefisien
kemiringan dalam persamaan harga emas tidak signifikan secara statistik.

3.23. Tabel 3.8 menyajikan data mengenai produk domestik bruto (PDB) untuk
AS pada tahun 1959-2005.

a. Plotkan data PDB pada dolar nominal dan konstan (misal: 2000)
terhadap waktu.
b. Jika Y mewakii PDB dan x adalah waktu (yang diukur secara
kronologis, mulai dengan 1 untuk 1959 dan 2 untuk 1960, hingga
47 untuk 2005), perhatikan apakah model berikut ini dapat
mewakili data PDB:

Estimasi model tersebut untuk kedua dolar, dolar nominal dan


konstan dari PDB.

39
c. Bagaimana Anda menginterpretasi β2?
d. Jika ada perbedaan d2 untuk PDB nominal dengan PDB konstan
yang diestimasi, apakah hal yang dapat menjelaskan perbedaan
tersebut?
e. Dari hasil yang didapatkan, apakah yang dapat Anda katakan
mengenai sifat innasi di AS selama periode sampel?

Tabel. 3.7

Jawab.
3.23.a Plotnya adalah sebagai berikut, di mana NGDP dan RGDP adalah nominal
dan riil GDP.

40
3.23.b

3.23.c Kemiringan di sini memberi laju perubahan PDB per periode waktu.
3.23.d Perbedaan antara keduanya mewakili inflasi dari waktu ke waktu.
3.23.e Sebagaimana ditunjukkan oleh angka dan hasil regresi, PDB nominal telah
tumbuh lebih cepat daripada GDP riil yang menunjukkan bahwa inflasi
telah meningkat dari waktu ke waktu.

3.24. Menggunakan data yang terdapat pada Tabel P.1 pada Bagian
pendahuluan, buktikan Persamaan (3.7.1).

Jawab.

3.24 This is straightforward

3.25. Menggunakan contoh Tes Bakat Skolastik (TBS) yang diberikan pada
Latihan 2.16 kerjakanlah hal-hal berikut ini:

a. Plotkan hasil nilai verbal wanita terhadap hasil nilai verbal pria
b. Jika hasil diagram acak memberikan informasi akan adanya hubungan
linear di antara kedua gender yang tampak sesuai. lakukan regresi dari
nilai verbal wanita terhadap nilai verbal pria. hubungannya
c. Jika ada hubungan di antara kedua nilai verbal tersebut, apakah sebab
akibat?

Jawab.
3.25.a Lihat gambar di Latihan 2.16 (d)
3.25.b Hasil regresi adalah:

di mana skor verbal Y = perempuan dan X = skor verbal laki-laki.


3.25.c Seperti yang ditunjukkan dalam teks, hubungan statistik, betapapun
kuatnya, tidak membentuk kausalitas, yang harus ditetapkan sebagai a
priori. Dalam hal ini, tidak ada alasan untuk mencurigai hubungan kausal
antara dua variabel.

3.26. Ulangi Latihan 3.24, dengan mengganti nilai matematika untuk nilai
verbal

Jawab.

41
3.26 Hasil regresi adalah:

42
4.1. "Jika dua variabel secara statistik independen, koefisien korelasi
antarkeduanya adalah nol.Namun demikian, kebalikannya tidak selalu
berlaku; yaitu korelasi nol tidak selalu berarti secara statistik independen.
Bagaimanapun, jika dua variabel terdistribusi secara normal, korelasi nol
bisa saja berarti secara statistik independen." Buktikan pernyataan ini
dengan joint probability density function dari dua variabel yang
terdistribusi secara normal, Y1 dan Y2 (fungsi joint probability density
function ini dikenal juga sebagai fungsi densitas probabilitas normal dua
variabel- bivariate normal probability density function):

Jawab.

4.1 Mengingat bahwa koefisien korelasi antara Y1 dan Y2, p, adalah nol,

bivariat PDF normal mengurangi ke:

di mana f(Y1) dan f (Y2) adalah PDF normal univariat. Jadi, ketika p
adalah nol, f(Y1,Y2) = f(Y1) f(Y2), yang merupakan kondisi untuk
independensi statistik. Oleh karena itu, dalam kasus normal bivariat,
korelasi nol menyiratkan independensi statistik.

4.2. Dengan mengaplikasikan turunan kedua dari optimisasi (uji turunan


kedua), maka tunjukkan bagaimana estimator ML, β1, β2, dan a2
didapatkan dengan menyelesaikan Persamaan (9), (10), dan (11), benar
memaksimumkan likelihood function (LF) pada Persamaan (4).

Jawab.

4.2 Untuk memastikan bahwa estimator kemungkinan maksimum


memaksimalkan fungsi kemungkinan, turunan kedua dari Persamaan. (5)
di Aplikasi. 4A harus kurang dari nol, yang akan memastikan bahwa RSS
diminimalkan.

43
Karena semua turunan kedua negatif, estimator memaksimalkan fungsi
kemungkinan.

4.3 Sebuah variabel acak X mengikuti distribusi eksponensial jika mengikuti


fungsi densitas probabilitas (probability densily funcion PDF):

di mana Q > 0 adalah parameter dari distribusi. Dengan menggunakan


metode ML, tunjukkan bahwa estimator ML dari Q adalah
, di mana n adalah ukuran sampel. Dengan kata lain, tunjukkan bahwa
estimator ML dari d adalah rerata sampel X

Jawab.

4.3 Karena X mengikuti distribusi eksponensial, PDF-nya adalah:

Karena itu, LF akan menjadi

44
Dan log LF akan:

Membedakan fungsi sebelumnya dengan memperhatikan 6, kita


memperoleh:

Menyetel persamaan ini ke nol, kita mendapatkan

45
5.1. Nyatakanlah alasan bagaimana pernyataan-pernyataan berikut ini benar,
salah, atau tidak pasti. Jelaskan secara tepat.

a. Uji signifikansi t, yang dibahas dalam bab ini mensyaratkan bahwa


distribusi sampel dari estimator-estimator β1 dan β2 mengikuti
distribusi normal.
b. Walaupun faktor gangguan dari CLRM tidak terdistribusi secara
normal, estimator dari OLS masih tidak bias.
c. Jika tidak ada intercept, dalam model regresi, ui yang terestimasi (=
ui) jumlahnya tidak akan nol.
d. Ukuran nilai p dan ukuran dari sebuah uji statistik memiliki arti yang
sama.
e. Dalam sebuah model regresi yang memiliki intercept, jumlah dari
residualnya akan selalu nol.
f. Jika sebuah hipotesis nol tidak ditolak, artinya benar.
g. semakin tinggi nilai n semakin besar nilai varians dari β2, yang
dinyatakan dalam Persamaan (3.3.1).
h. Rerata kondisional dan rerata nonkondisional dari sebuah variabel
acak merupakan suatu hal yang sama.
i. Dalam FRP dua variabel, apabila koefisien kemiringan dari 3 adalah
nol, maka intercept dari diestimasi dengan rerata sampel dari Y.
j. Varians kondisional, var (Yi | Xi) = a2 dan varians nonkondisional Y,
var(Y) = a2y, nilainya akan sama jika X tidak memengaruhi Y.

Jawab.

5.1.a Benar. Uji t didasarkan pada variabel dengan distribusi normal. Karena
penduga dari β1 dan β2, adalah kombinasi linear dari kesalahan ui, yang
diasumsikan terdistribusi normal di bawah CLRM, penduga ini juga
terdistribusi normal.

5.1.b Benar. Selama E (ui) = 0, estimator OLS tidak bias. Tidak ada asumsi
probabilistik yang diperlukan untuk membentuk ketidaksempurnaan.

5.1.c Benar. Dalam hal ini Persamaan. di Aplikasi. 3A, Sec. 3A.1, akan absen.
Topik ini dibahas lebih lengkap di Chap. 6, Sec. 6.1.

5.1.d Benar. Nilai p2 adalah tingkat signifikansi terkecil di mana hipotesis nol
dapat ditolak. Istilah tingkat signifikansi dan ukuran tes adalah sama.

5.1.e Benar. Ini mengikuti dari Persamaan. (1) dari App 3A, Bagian 3A.1.

5.1.f Salah. Yang bisa kita katakan adalah bahwa data yang ada tidak
memungkinkan kita untuk menolak hipotesis nol.

5.1.g Salah. O yang lebih besar dapat diimbangi oleh yang lebih besar

46
hanya jika yang terakhir dipertahankan konstan, pernyataan dapat true

5.1.h Salah, mean kondisional dari variabel acak bergantung pada nilai yang
diambil oleh variabel lain (conditioning) Hanya jika kedua variabel
independen, berarti kondisional dan tanpa syarat dapat sama.

5.1.i Benar. Ini jelas dari Persamaan. (3.1.7).

5.1.j Benar. Rujuk Persamaan. (3.5.2). If X tidak memiliki pengaruh pada Y, β2


akan menjadi nol, dalam hal ini

5.2. Buatlah Tabel ANOVA dari Tabel 5.4 untuk model regresi yang diberikan
pada Persamaan (3.7.2) dan lakukanlah pengujian hipotesis bahwa tidak
ada hubungan antara pengeluaran makanan dan pengeluaran total di India.

Jawab.

5.2 ANOVA tabel untuk Pengeluaran Makanan di India

= 31.1013 dengan masing-masing df = 1 dan 53.


Berdasarkan hipotesis bahwa tidak ada hubungan antara pengeluaran
makanan dan pengeluaran total, nilai p untuk memperoleh nilai F hampir
nol, menunjukkan bahwa seseorang dapat menolak hipotesis nol.

5.3. Merujuk pada regresi permintaan untuk telepon seluler dalam Persamaan
(3.7.3).

a. Apakah koefisian intercept yang diestimasikan signifikan pada tingkat


signifikansi 5 persen? Apakah hipotesis nol yang Anda uji?
b. Apakah koefisian kemiringan yang diestimasikan signifikan pada
tigkat signifikansi 5 persen? Hipotesis nol apakah yang mendasari hal
ini?
c. Buatlah kepercayaan 95 persen untuk koefisien kemiringan yang
sebenarnya.

47
d. Berapakah rerata nilai forecast dari permintaan telepon seluler jika
pendapatan per kapita adalah $9.000? Berapakah interval kepercayaan
95 persen untuk nilai forecast?

Jawab.

5.3.a se dari lereng koefisien:

nilai t bawah H0 : β1 = 0 dalahh:

5.3.b rata-rata, berarti upah per jam naik oleh 64 sen untuk tambahan tahun
sekolah.

5.3.c di sini n = 13, jadi df = 11. jika hipotesis nol yang benar, estimasi T nilai
9.6536. Kemungkinan mendapatkan seperti T nilai sangat kecil, yang p
nilai praktis nol. Oleh karena itu, orang dapat menolak hipotesis nol bahwa
pendidikan tidak memiliki efek pada jam penghasilan.

5.3.d ESS = 74.9389; RSS = 8.8454; pembilang df = 1, penyebut df = 11. F =


93.1929. Nilai p dari F seperti itu di bawah hipotesis nol bahwa tidak ada
hubungan antara kedua variabel adalah 0,000001, yang sangat kecil. Kita
dapat dengan demikian menolak hipotesis nol dengan keyakinan besar.
Perhatikan bahwa nilai F kira-kira kuadrat dari nilai t di bawah hipotesis
nol yang sama.

5.3.e di bivariat kasus, mengingat Ho: β2 = 0, ada berikut hubungan antara T


nilai dan R

sejak T nilai diberikan sebagai 9.6536

5.4. Anggap p2 mewakili koefisien determinasi dari populasi sebenarnya.


Misalkan, Anda ingin menguji hipotesis bahwa p2 = 0. Secara lisan,
jelaskan bagaimana Anda menguji hipotesis ini. Petunjuk: Gunakan
Persamaan (3.5.11). Lihat juga Latihan 5.7.

Jawab.

5.4 Secara verbal, hipotesis menyatakan bahwa tidak ada korelasi antara dua
variabel. Oleh karena itu, jika kita dapat menunjukkan bahwa kovariansi
antara dua variabel adalah nol, maka korelasi harus nol.

48
5.5. Apakah yang dikenal sebagai barisan karekteristik (characteristic line)
analisis investasi modern adalah sebuah garis regresi sederhana yang
didapatkan dari model berikut ini:

di mana

r = tingkat pengembalian ke-i dari sekuritas dalam rentang waktu t


rmt = tingkat pengembalian dari pasar portofolio dalam rentang waktu t
ut = faktor gangguan stokastik

Dalam model ini, β1 diketahui sebagai koefisien beta dari sekuritaske-i,


sebuah ukuran dari risiko pasar (sistematik) sekuritas.

Berdasarkan tingkat pengembalian selama 240 bulan, selama periode 1956


- 1976, Fogler dan Ganapathy memperoleh barisan karekteristik dari
saham IBM sehubungan dengan indeks portofolio pasar yang
dikembangkan oleh University of Chicago.**

a. Sebuah sekuritas yang memiliki koefisien betalebih besar dari satu


dikatakan tidak stabil atau sebuah sekuritas yang agresif Apakah IBM
sebuah sekuritas yang tidak stabil berdasarkan periode data yang
digunakan dalam penelitian ini?
b. Apakah koefisien intercept secara signifikan berbeda dari nol? Jika
benar, apakah arti praktisnya?

Jawab.

5.5.a Gunakan uji t untuk menguji hipotesis bahwa koefisien kemiringan yang
benar adalah satu. Itu diperoleh:

Untuk 238 df, nilai t ini tidak signifikan bahkan pada a = 10%.
Kesimpulannya adalah bahwa selama periode sampel, IBM bukanlah
keamanan yang bergejolak.

5.5.b sejak , yang signifikan pada tingkat


signifikansi

dua persen. Tetapi ia memiliki sedikit makna ekonomi. Secara harfiah


ditafsirkan, nilai intersepsi sekitar 0,73 berarti bahwa bahkan jika

49
portofolio pasar memiliki nol kembali, pengembalian sekuritas adalah 0,73
persen.

5.6. Persamaan (5.3.5) dapat juga dituliskan sebagai berikut

di mana pertidaksamaan lemah (<) dapat digantikan dengan


pertidaksamaan kuat (<). Mengapa?

Jawab.

5.6 Berdasarkan asumsi normalitas, β2 terdistribusi secara normal. Tetapi


karena variabel terdistribusi normal adalah kontinu, kita tahu dari teori
probabilitas bahwa probabilitas bahwa variabel acak kontinu mengambil
nilai tertentu adalah nol. Oleh karena itu, tidak ada bedanya jika kesetaraan
itu kuat atau lemah.

5.7. R. A. Fisher telah menurunkan distribusi sampling dari koefisien korelasi


yang didefiniskan dalam persamaan (3.5.13). jika diasumsikan bahwa
variabel X dan Y terdistribusi normal secara bersama-sama, yaitu apabila
kedua variabel berasal dari distribusi normal bivariat (lihat kembali
Lampiran 4A, Latihan 4.1), maka berdasarkan asumsi bahwa koefisien
korelasi populasi p bernilai nol, hal ini dapat
ditunjukkan bahwa mengikuti distribusi
student's t engan dfn -2*** Tunjukkan bahwa nilai t ini indentik dengan
nilai t yang diberikan dalam Persamaan (5.3.2), dinyatakan dalani hipotesis
nol, β2 = 0. Dengan denikian, buatlah F = t2 di bawah hipotesis nol yang
sama. (Lihatlah Subbab 5.9.)

Jawab.

5.7 Berdasarkan hipotesis yang β2 = 0, kita dapatkan

50
5.8, Perhatikan output regresi berikut:

di mana y tingkat partisipasi tenaga kerja (labor force participation rate-


LFPR) wanita pada tahun 1972 dan X = LFPR wanita pada tahun 1968.
Hasil regresididapatkan dari sebuah sampel 19 kota di AS.

a. Bagaimana Anda menginterpretasikan regresi ini?


b. Uji hipotesis: H0: β2 = 1 terhadap H1: β2 >. Uji manakah yang akan
Anda gunakan? Mengapa? Apakah yang mendasari asumsi dari uji
yang Anda gunakan?
c. Anggap bahwa LFPR pada tahun 1968 adalah 0,58 (58 persen).
Berdasarkan hasil regresi yang telah diberikan, berapa rerata LFPR
pada tahun 1972? Buat interval kepercayaan 95 persen untuk prediksi
rerata.
d. Bagaimana Anda menguji hipotesis yang menyatakan bahwa fakuor
kesalahan pada regresi populasi yang terdistribusi secara normal?
Tunjukkan hitungan yang diperlukan.

Jawab.

5.8.a Ada hubungan positif dalam LFPR pada tahun 1972 dan 1968, yang tidak
mengherankan mengingat fakta sejak Perang Dunia II telah terjadi
peningkatan yang tetap dalam TPAK perempuan.

5.8.b Gunakan uji t satu-ekor.

. Untuk 17 df, nilai t satu arah pada 5%


adalah

1.740. Karena nilai t diperkirakan signifikan, pada tingkat signifikansi ini,


kita dapat menolak hipotesis bahwa koefisien kemiringan yang benar
adalah 1 atau lebih besar.

51
5.8.c Rata-rata LFPR adalah 0,2033 + 0,6560 (0,58) = 0,5838. Untuk
menetapkan interval kepercayaan 95% untuk nilai perkiraan ini, gunakan
rumus: 0,5838 + 2,11 (se dari nilai perkiraan rata-rata), di mana 2,11
adalah nilai t kritis 5% untuk 17 df. Untuk mendapatkan kesalahan standar dari
nilai perkiraan, gunakan Persamaan. (5.10.2). Tetapi perhatikan bahwa
karena penulis tidak memberikan nilai rata-rata LFPR wanita pada tahun
1968, kami tidak dapat menghitung kesalahan standar ini.

5.8.d Tanpa data yang sebenarnya, kita tidak akan dapat menjawab pertanyaan
ini karena kita memerlukan nilai-nilai residu untuk merencanakannya dan
memperoleh Plot Probabilitas Normal atau menghitung nilai tes Jarque-
Bera.

5.9. Tabel 5.5 memberikan gaji rata-rata guru sekolah (gaji tahunan dalam
dolar) dan pengeluaran dari sekolah publik per murid (dolar) dari 50
negara bagian tahun 1958 dan dari Distrik Kolombia.

Untuk mencari tahu apakah terdapat hubungan antara pendapatan guru dan
pengeluaran per murid di sekolah publik, model berikut ini memberikan
saran: Payi = β1 + β2Spend,i + ui, di mana "Pay" mewakili gaji guru dan
"Spend" mewakili pengeluaran per murid

a. Plot data dan tunjukkan garis regresinya.


b. Misalkan, berdasarkan poin (a), Anda memutuskan untuk
mengestimasi model regresi tersebut. Carilah estimasi dari parameter-
parameternya, standard error-nya, r2, RSS dan ESS.
c. Interpretasikan model regresinya. Apakah logikanya sesuai secara
ekonomi?
d. Buatlah sebuah interval kepercayaan 95% untuk 3. Apakah Anda akan
menolak hipotesis yang menyatakan bahwa koefisien kemiringan yang
sebenarnya adalah 3,0?
e. Dapatkanlah rerata dan nilai forecast individual dari "Pay" jika
pengeluaran per murid adalah $5.000. Demikian juga, buatlah interval
kepercayaan 95% untuk rerata yang sebenarnya dan nilai indvidu dari
"Pay" untuk pengeluaran tertentu.
f. Bagaimanakah Anda menguji asumsi normalitas dari faktor
kesalahan? Tunjukkan uji uji yang Anda gunakan.

52
Jawab.

5.9.a

5.9.b

5.9.c Jika pengeluaran per murid meningkat sebesar satu dolar, gaji rata-rata
meningkat sekitar $ 3,31. Istilah intersep tidak memiliki arti ekonomi yang
layak.

5.9.d 95% CI untuk β2 adalah: 3,3076 + 2 (0,31 17) = (2,6842, 3,931)


Berdasarkan CI ini Anda tidak akan menolak hipotesis nol bahwa koefisien
kemiringan yang benar adalah 3.

5.9.e Nilai perkiraan rata-rata dan individu adalah sama, yaitu, 12129.37 +
3.3076 (5000) = 28.667. Kesalahan standar dari nilai perkiraan rata-rata,
menggunakan persamaan (5.10.2), adalah 520.51 17 (dolar) dan kesalahan
standar dari perkiraan individu, menggunakan Persamaan (5.10.6), adalah
2382.337. Interval kepercayaan adalah:

53
5.9.f

Histogram residu dapat didekati dengan kurva normal. Statistik Jarque-


Bera adalah 2,1927 dan nilai p-nya sekitar 0,33. Jadi, kami tidak menolak
asumsi normalitas berdasarkan tes ini, dengan asumsi ukuran sampel 51
observasi cukup besar

Tabel. 5.5

54
5.10. Mengacu pada Latihan 3.20., buatlah Tabel ANOVI dan ujilah hipotesis
bahwa tidak ada hubungan antara produktivitas dan kompensasi upah riil.
Lakukan untuk kedua sektor, yaitu sektor bisnis dan sektor bisnis
nonpertanian.

Jawab.

5.10 Tabel ANOVA untuk sektor bisnis adalah sebagai berikut:

Di bawah hipotesis nol bahwa tidak ada hubungan antara upah dan
produktivitas di sektor bisnis, nilai F ini mengikuti distribusi F dengan 1
dan 37 df di pembilang dan penyebut, masing-masing. Probabilitas untuk
mendapatkan nilai F adalah 0,0000, artinya nol. Dengan demikian, kita
dapat menolak hipotesis nol, yang seharusnya tidak mengejutkan.

Untuk sektor usaha non-pertanian, tabel ANOVA adalah sebagai berikut:

Berdasarkan hipotesis nol bahwa koefisien kemiringan yang benar adalah


nol, nilai F yang dihitung adalah:

Jika hipotesis nol itu benar, kemungkinan memperoleh nilai F seperti itu
praktis nol, sehingga mengarah pada penolakan hipotesis nol.

5.11. Mengacu pada Latihan 1.7. sumbu

55
a. Plot data pendapatan pada sumbu vertikal dan data pengeluaran iklan
pada horizontal. Bagaimanakah hubungan yang bisa kita peroleh dari
grafik tersebut?
b. Apakah memungkinkan untuk mencocokkan model regresi garis
bivariat terhadap data? Jelaskanlah jika iya dan jika tidak? Jika tidak,
apakah tipe model regresi yang cocok dengan data? Apakah kita
memerlukan perangkat yang dibutuhkan untuk mencari model yang
cocok? regresi
c. Anda tidak memplotkan data dan langsung mencocokkan model
Anggap bivariat terhadap data. Dapatkanlah output regresi yang biasa.
Simpan hasilnya untuk kita perhatikan kembali permasalahan ini.

Jawab.

5.11.a Plot yang ditunjukkan di bawah ini menunjukkan bahwa hubungan antara

kedua variabel tidak linier. Awalnya, ketika belanja iklan meningkat,


jumlah tayangan yang tersisa meningkat, tetapi lambat laun mereka
berkurang.

5.11.b Akibatnya, itu tidak pantas untuk cocok dengan model regresi linier
bivariat untuk data. Saat ini kami tidak memiliki alat untuk menyesuaikan
model yang tepat. Seperti yang akan kita tunjukkan nanti, model dari tipe:

mungkin sesuai, di mana Y = tayangan dipertahankan dan X2 adalah


belanja iklan Ini adalah contoh dari model regresi kuadrat. Tetapi
perhatikan bahwa model ini masih linear dalam parameter

56
5.11.c Hasil secara membabi buta menggunakan model linier adalah sebagai
berikut:

5.12. Mengacu pada Latihan 1.1.

a. Plot data lHK AS terhadap IHK Kanada. Apakah yang ditunjukkan


oleh grafik tersebut?
b. Anggap Anda ingin memprediksi l AS erdasarkan THK Kanada.
Buatlah model yang coco
c. Ujilah hipotesis yang menyatakan bahwa tidak terdapat hubungan di
antara kedua IHK. Gunakanlah 5%. Jika Anda menolak hipotesis nol,
apakah hal ini berarti bahwa IHK Kanada memengaruhi IHK AS? Jika
ya, mengapa dan jika tidak mengapa?

Jawab.

5.12.a

Plot menunjukkan bahwa tingkat inflasi di kedua negara bergerak bersama.

5.12.b&c

57
Output berikut diperoleh dari paket statistik Eviews 3.

Ketika output ini menunjukkan, hubungan antara dua variabel itu positif.
Satu dapat dengan mudah menolak hipotesis nol bahwa tidak ada
hubungan antara dua variabel, karena nilai t yang diperoleh di bawah
hipotesis itu adalah 53,55, dan nilai p untuk memperoleh nilai yang sama
hampir nol.

Meskipun dua tingkat inflasi berhubungan positif, kami tidak dapat


menyimpulkan kausalitas dari temuan ini, karena itu harus disimpulkan
dari beberapa teori ekonomi yang mendasarinya. Ingat bahwa regresi tidak
selalu berarti sebab-akibat.

5.13. Mengacu pada Latihan 3.22

a. Buatlah estintasi dari kedua model regresi yang disediakan sehingga


didapatkan standard error dan output output lain yang umumnya
dihasilkan.
b. Ujilah hipotesis bahwa faktor gangguan pada kedua model regresi
terdistribusi secara normal.
c. Pada regresi harga emas, ujilah hipotesis bahwa yang artinya bahwa
tidak ada hubungan satu antara harga emas dan IHK(di mana emas
merupakan salah satu instrumen untuk hedging paling tepat). Apakah
nilai p dari uji statistik yang diestimasi?
d. Ulangi langkah (c) untuk regresi indeks NYSE. Apakah investasi dari
pasar saham merupakan instrumen hedging yang sempurna melawan
inflasi? Apakah hipotesis nol dari uji yang Anda lakukan? Berapakah
nilai p yang Anda dapatkan?
e. Antara emas dan saham, investasi manakah yang akan Anda pilih?
Apakah dasar dari keputusan anda?

58
Jawab.

5.13.a Dua regresi adalah sebagai berikut:

5.13.b Statistik Jarqu Bera untuk persamaan harga emas adalah 4,751 dengan
nilai p 0,093. Statistik JB untuk persamaan Indeks NYSE adalah 1,218
dengan nilai p 0,544 Pada tingkat signifikansi 5%, dalam kedua kasus
kami tidak menolak asumsi normalitas.

5.13.c Karena koefisien kemiringan dalam regresi harga emas tidak berbeda
secara statistik dari nol, tidak masuk akal cari tahu apakah itu berbeda dari
1.

5.13.d&e

Menggunakan prosedur uji t biasa, kami memperoleh:

Karena nilai t ini melebihi nilai t kritis dari 2,160, kami menolak hipotesis
nol. Koefisien diperkirakan sebenarnya lebih besar dari 1. Untuk periode
sampel ini, investasi di pasar saham mungkin adalah lindung nilai terhadap
inflasi. Ini jelas merupakan lindung nilai yang jauh lebih baik terhadap
inflasi bahwa investasi dalam emas.

5.14. Tabel 5.6 memberikan data mengenai PNB dan empat definisi dari pasar
uang untuk AS pada periode tahun 1970-1983. Jika kita meregresikan
PNB terhadap keempat definisi pasar uang tadi, kita akan memperolah
hasil seperti yang ditunjukkan dalam Tabel 5.7.

Ahli teori moneter atau ahli teori kuantitas menyatakan bahwa pendapatan
nominal (misal: PNB nominal) dipengaruhi sebagian besar oleh perubahan
jumlah atau stok uang, walaupun tidak ada kesepakatan mengenai definisi

59
"tepat'dari uang. Berdasarkan hasil yang disajikan dalam Tabel berikut ini,
pertimbangkan pertanyaan pertanyaan berikut ini:

a. Definisi mengenai uang yang manakah yang dapat menjelaskan


mengenai PNB nominal yang paling mendekati?
b. Oleh karena r secara seragam tinggi nilainya, apakah kenyataan ini
mengartikan bahwa pilihan kita akan deiinisi uang tidak berarti dalam
hal ini?
c. Jika Bank Sentral ingin mengontrol uang beredar, manakah dari
definisi uang tersebut yang dapat menjadi target terbaik dalam tujuan
Bank Sentral tersebut? Dapatkah Anda menyimpulkannya dari hasil
regresi tersebut?

Jawab.

5.14.a Tidak ada yang tampak lebih baik dari yang lain. Semua hasil statistik
sangat mirip. Setiap koefisien kemiringan signifikan secara statistik pada
tingkat kepercayaan 99%.

5.14.b Tinggi r2 secara konsisten tidak dapat digunakan dalam menentukan


agregat moneter mana yang terbaik. Namun, ini tidak menunjukkan bahwa
tidak ada bedanya persamaan mana yang digunakan.

5.14.c Seseorang tidak dapat mengatakan dari hasil regresi. Namun belakangan
ini Fed tampaknya menargetkan ukuran M2.

Tabel 5.6

60
Tabel 5.7

Tabel 5.8

5.15. Misalkan persamaan dari kurva indiferens (indiference curve) dari dua
barang adalah sebagai berikut

Bagaimana Anda melakukan estimasi parameter dari model tersebut?


Gunakan model ini untuk menghitung data yang terdapat dalam Tabel 5.8
dan coba komentari hasil yang Anda dapatkan.

Jawab.

5.15 Tuliskan model kurva indiferen sebagai :

Perhatikan bahwa sekarang p menjadi parameter slope dan β2 yang


dicegat. Tapi ini masih model regresi linier, karena parameternya linear
(lebih lanjut tentang ini di Ch 6). Hasil regresi adalah sebagai berikut:

61
Koefisien "kemiringan" secara statistik signifikan pada koefisien
kepercayaan 92%. Tingkat substitusi marjinal (MRS)

5.16. Sejak tahun 1986, majalah Economist telah mempublikasikan Indeks Big
Mac, sebagai sebuah ukuran yang sinis, namun cukup lucu untuk
mengukur apakah nilai tukar mata uang internasional adalah pada nilai
tukar yang benar sesuai ukuran paritas daya beli (purchasing power parity-
PPP) PPP menyatakan bahwa sebuah unit mata uang seharusnya bisa
untuk membeli sebundel barang yang sama di semua negara. Para
pendukung teori PPP ini berpendapat bahwa dalam jangka panjang, mata
uang mata uang cenderung bergerak menuju PPP-nya. Majalah Economist
ini menggunakan produk Big Mac dari McDonald's sebagai barang yang
mewakilikonsep ini dan informasi mengenai Indeks Big Mac ini diberikan
pada Tabel 5.9.

Pertimbangkan model regresi berikut ini:

di mana Y = nilai tukar sebenarnya dan X = PPP yang berlaku dalam


dolar.

a. Jika PPP ini benar, nilai β1 dan β2 yang bagaimanakah yang Anda
perkirakan?
b. Apakah hasil regresi mendukung perkiraan Anda? Pengujian formal
apakah yang akan Anda gunakan dalam menguji hipotesis yang Anda?
c. Apakah majalah Economisi ini harus meneruskan dalam
mempublikasikan Indeks Big Mac ini? Jika ya, mengapa, dan jika
tidak, mengapa?

Jawab.

5.16.a Biarkan model menjadi:

di mana Y adalah nilai tukar aktual dan X yang tersirat PPP. Jika PPP
memegang, orang akan menduga bahwa intercept menjadi nol dan
kemiringan menjadi satu.

5.16.b Hasil regresi adalah sebagai berikut:

62
Nilai t ini sangat signifikan, mengarah pada penolakan hipotesis nol.
Sebenarnya, koefisien kemiringan kurang dari 1. Dari regresi yang
diberikan, pembaca dapat dengan mudah memverifikasi bahwa koefisien
intercept tidak berbeda dari nol, karena nilai t di bawah hipotesis bahwa
intersep yang benar adalah nol, hanya 1,2628.

Catatan: Sebenarnya, kita harus menguji Goint) hipotesis bahwa intercept


adalah nol dan kemiringannya adalah 1 secara bersamaan. Di Ch. 8, kami
akan menunjukkan bagaimana ini dilakukan.

5.16.c Karena Big Max Index "mentah dan lucu" untuk memulai, itu mungkin
tidak masalah. Namun, untuk data sampel, hasilnya tidak mendukung teori

5.17. Mari kita mengacu pada data TBS (Tes Bakal Skolastik) yang diberikan
pada Latihan 2.16. Misalkan, Anda ingin membuat prediksi atas nilai
matematika untuk pelajar laki- laki (Y terhadap nilai matematika pelajar
perempuan (X) dengan mengolah model regresi berikut ini:

a. Buatlah estimasi dari model tersebut.


b. Dari hasil estimasi residunya, carilah apakah asumsi normalitas
berlaku di sini
c. Sekarang, ujilah hipotesis bahwa β1 = 1, yaitu terdapat hubungan
langsung atau hubungan satu-satu antara nilai matematika pelajar
lelaki dan nilai matematika pelajar perempuan.
d. Buatlah Tabel ANOVA-nya.

Jawab.

5.17.a Membiarkan Y mewakili nilai matematika laki-laki dan X skor


matematika perempuan, kita memperoleh regresi berikut:

5.17.b Statistik Jarque-Bera adalah 1,0317 dengan nilai p 0,5970. Oleh karena itu,
secara asimtotik kita tidak dapat menolak asumsi normalitas.

63
5.17.c Oleh karena itu, dengan keyakinan 99% kita dapat

menolak hipotesis bahwa β2 = 1

5.17.d Tabel ANOVA adalah:

Di bawah hipotesis nol bahwa β2 = 0, nilai F adalah 264.665, Nilai p untuk


memperoleh nilai F hampir nol, mengarah pada penolakan hipotesis nol.

64
Tabel 5.9

65
Tabel 5.10

5.18. Ulangi latihan dari Soal 5.17, namun kita ubah Y dan X sebagai nilai
membaca kritis lelaki dan nilai membaca kritis perempuan, secara
berturut-turut

Jawab.

5.18.a Hasil regresi adalah sebagai berikut:

5.18.b Statistik Jarque-Bera adalah 1,243 dengan nilai p 0,5372. Oleh karena itu
kita dapat menolak hipotesis nol non-normalitas.

5.18.c Berdasarkan hipotesis nol, kami memperoleh :

Nilai t kritis pada tingkat 5% adalah 2,074. Oleh karena itu, kita dapat
menolak hipotesis nol bahwa koefisien kemiringan sebenarnya adalah 1.

5.18.d Nilai ESS, RSS, dan TSS masing-masing adalah 3157.586 (1 df), 110.247
(22 df), dan 32367.833 (23 df). Di bawah nol hipotesis biasa, nilai F

66
adalah 630.131. Nilai p dari nilai F hampir nol. Oleh karena itu, kita dapat
menolak hipotesis nol bahwa tidak ada hubungan antara dua variabel.

5.19. Tabel 5.10 menyajikan data tahunan dari IHK an indeks harga pedagang
besar (IHPB), yang juga dikenal sebagai indeks harga produsen (IHP)
untuk perekonomian AS pada periode 1960-1999.

a. Plot IHK pada sumbu vertikal dan IHP nada sumbu horizontal.
Buatlah perkiraan awal, hubungan apakah yang dapat Anda
ekspektasikan di antara kedua indeks? Berikan alasannya.
b. Anggap Anda ingin membuat prediksi dari salah satu indeks tersebut
terhadap indeks lainnya. Manakah yang akan Anda tentukan sebagai
regresan dan mana yang akan digunakan sebagai regresor? Berikan
alasannya.
c. Coba regresikan dari yang telah Anda tentukan pada poin (b).Sajikan
juga hasilnya. Ujilah hipotesis, apakah terdapat hubungan satu-satu di
antara kedua indeks tersebut.
d. Dari nilai residual yang didapatkan dari regresi pada soal (c), dapatkah
Anda membuktikan bahwa faktor kesalahan terdistribusi secara
normal. Perlihatkan uji yang Anda gunakan.

Jawab.

5.19.a

scattergram serta garis regresi diperkirakan ditunjukkan pada gambar di


atas.

5.19.b Memperlakukan CPI sebagai regressand dan WPI sebagai regressor. CPI
mewakili harga yang dibayarkan oleh konsumen, sedangkan WPI
mewakili harga yang dibayar oleh produsen. Yang pertama biasanya markup
pada yang terakhir.

5.19.c&d

67
Output berikut yang diperoleh dari Eviews 3 memberikan data yang
diperlukan.

Nilai t diperkirakan dari koefisien lereng adalah 29.6986 di bawah


hipotesis nol bahwa tidak ada hubungan antara dua indeks. Nilai p untuk
memperoleh nilai t hampir nol, menunjukkan penolakan hipotesis nol.

Uji histogram dan Jarque-Bera berdasarkan residual dari regresi


sebelumnya diberikan dalam diagram berikut

Statistik Jarqe-Bera adalah 0,3335 dengan nilai p 0,8456. Oleh karena itu, kita
tidak bisa menolak asumsi normalitas. Histogram juga menunjukkan bahwa residu
terdistribusi secara simetris.

68
6.1. Mengingat model regresi berikut:

di mana yi = (Yi -Y) dan xi = (Xi,-X). Dalam kasus ini, garis regresi harus
melalui melalui titik asal, yaitu titik nol. Benar atau salah? Tunjukkan
perhitungan Anda.

Jawab.

6.1 Benar. Perhatikan bahwa rumus OLS biasa untuk menaksir intercept
adalah β1 = (rata-rata dari regressand — β2 mean of the regresor) Tetapi
ketika Y dan X dalam bentuk deviasi, nilai rata-ratanya selalu nol. Maka
dalam hal ini intercept diperkirakan juga nol.

6.2. Hasil regresi berikut ini, berdasarkan pada data bulanan sepanjang periode
Januari 1978 sampai dengan Desember 1987:

di mana Y tingkat penerimaan bulanan saham umum dari Texaco (9%) dan
X = tingkat penerimaan pasar bulanan (%).*

a. Apa perbedaan di antara kedua model regresi tersebut?


b. Seperti hasil yang sudah diberikan sebelumnya, akankah Anda
mempertahankan faktor intercept dalam model pertama? Mengapa
atau Mengapa tidak?
c. Bagaimana Anda menginterpretasikan koefisien kemiringan ada kedua
model tersebut?
d. Apakah teori yang mendasari kedua model tersebut?
e. Dapatkah Anda membandingkan r2 pada kedua model tersebut?
Mengapa atau mengapa tidak?
f. Dalam kasus ini, nilai uji normalitas Jarque-Bera adalah 1,1167 untuk
model yang pertama dan 1,1170 untuk model yang kedua adalah.
Apakah kesimpulan yang Anda dapatkan dari uji sttistik ini?
g. Nilai t dari koefisien kemiringan untuk model intercept nol (model
tanpa intercept) adalah sekitar 2,95, di mana nilai t model dengan

69
intercept memperlihatkan adalah sekitar 2,81. Dapatkah Anda
memikirkan alasan dari hasil tersebut?

Jawab.

6.2.a&b

Dalam persamaan pertama, istilah intersep disertakan. Karena intercept


dalam model pertama tidak signifikan secara statistik, katakanlah pada
level 5%, itu dapat diturunkan dari model.

6.2.c Untuk setiap model, peningkatan satu persen poin dalam tingkat
pengembalian pasar bulanan rata-rata menjadi sekitar 0,76 persentase
peningkatan poin dalam tingkat pengembalian bulanan pada saham biasa
Texaco selama periode sampel

6.2.d Seperti yang dibahas dalam bab ini, model ini mewakili garis karakteristik
teori investasi. Dalam kasus ini model tersebut menghubungkan
pengembalian bulanan pada saham Texaco ke pengembalian bulanan di
pasar, sebagaimana diwakili oleh indeks pasar yang luas

6.2.e Tidak, kedua r2 tidak sebanding. r2 model interceptless adalah r2 mentah

6.2.f Karena kita memiliki sampel yang cukup besar, kita bisa menggunakan uji
Jarque-Bera normalitas. Statistik JB untuk dua model hampir sama, yaitu,
1,12 dan nilai p untuk memperoleh nilai JB adalah sekitar 0,57. Maka
jangan menolak hipotesis bahwa istilah kesalahan mengikuti distribusi
normal.

6.2.g Sesuai komentar Theil's yang dibahas dalam bab ini, jika istilah intersep
tidak ada dari model, maka menjalankan regresi melalui asal akan
memberikan perkiraan yang lebih efisien dari koefisien kemiringan, yang
dilakukannya dalam kasus ini.

6.3. Mengingat model regresi berikut:

Catatan: baik Y dan X diasumsikan bernilai nol.

a. Apakah model tersebut adalah model regresi linear?


b. Bagaimana Anda melakukan estimasi terhadap model tersebut?
c. Apakah pengaruh Y terhadap X cenderung tidak terbatas?
d. Dapatkah Anda memberikan suatu contoh di mana suatu model
mungkin tepat digunakan?

70
Jawab.

6.3.a Karena model ini linier dalam parameter, itu adalah model regresi linier.

6.3.b Definisikan Y*=(1/Y) dan X*=(1/X) dan lakukan regresi OLS dari Y*
pada X*

6.3.c Karena X cenderung tidak terbatas, Y cenderung ke (1/β2).

6.3.d Barangkali model ini mungkin tepat untuk menjelaskan konsumsi rendah
suatu komoditi ketika pendapatan besar, seperti barang inferior.

6.4. Mengingat model log-linear:

Plotkan Y pada sumbu vertikal dan X pada sumbu horizontal. Gambarkan


kurva yang menunjukkan hubungan antara Y dan X jika (a) β2 = 1; (b) β2 >
1, dan (c) β2 < 1.

Jawab.

6.4

6.5. Mengingat model berikut ini:

71
di mana Y* dan X* adalah variabel yang terstandardisasi. Tunjukkan
bahwa di, a2= β2 (Sx /Sy) dan karena itu ditetapkan bahwa walaupun
koefisien kemiringan regresi bersifat independen dari perubahan awalnya,
mereka bersifat tidak independen dari perubahan skala

Jawab.

6.5. Untuk Model I kita tahu itu.

di mana X dan Y berada dalam bentuk penyimpangan.

Untuk Model II, mengikuti langkah serupa, kami memperoleh :

Ini menunjukkan bahwa koefisien kemiringan tidak berubah terhadap


perubahan skala

6.6. Mengingat model berikut ini:

di mana Yi = wiYi dan Xi = w2Xi variabel w konstan.

a. Tentukan hubungan di antara kedua koefisien regresi tersebut dan


standard error-nya.
b. Apakah r2 berbeda di antara kedua model tersebut?

Jawab.

6.6 Kita dapat menulis model pertama sebagai :

menggunakan properti dari logaritma. Karena w adalah konstanta,


mengumpulkan istilah, w'e dapat menyederhanakan model ini sebagai:

72
Bandingkan ini dengan model kedua, Anda akan melihat bahwa kecuali
untuk istilah intersep, kedua model itu sama. Oleh karena itu, koefisien
kemiringan yang diperkirakan dalam kedua model akan sama, satu-satunya
perbedaan adalah dalam perkiraan intersepsi.

6.6.b Nilai r2 dari kedua model akan sama.

6.7. Antara Persamaan regresi (6.6.8) dan (6.6.10), manakah model yang lebih
Anda pilih? Mengapa?

Jawab.

6.7 Persamaan (6.6.8) adalah model pertumbuhan, sedangkan (6.6.10) adalah


model tren linier. Yang pertama memberikan perubahan relatif dalam
regresi, sedangkan yang kedua memberikan perubahan mutlak. Untuk
tujuan perbandingan itu adalah perubahan relatif yang mungkin lebih
bermakna

6.8. Untuk Persamaan regresi (6.6.8), uji hipotesis jika koefisien


kemiringannya tidak berbeda secara signifikan dari 0,005.

Jawab.

6.8 Hipotesis nol adalah bahwa koefisien kemiringan sejati adalah 0,005.
Hipotesis alternatif bisa satu atau dua sisi. Misalkan kita menggunakan
alternatif dua sisi. Nilai kemiringan yang diperkirakan adalah 0,00743.
Dengan menggunakan uji t, kami mendapatkan :

Ini sangat signifikan. Oleh karena itu kami dapat menolak hipotesis nol.

6.9. Dari kurva Philips yang diberikan pada Persamaan (6.7.3), apakah
memungkinkan untuk melakukan estimasi tingkat pengangguran alamiah?
Bagaimanakah caranya?

Jawab.

6.9 Ini dapat diperoleh kira-kira sebagai: 18,5508 / 3,2514 = 5,7055, persen.

6.10. Kurva pengeluaran Engel berhubungan dengan pengeluaran komoditas


konsumen. pada total pendapatan konsumen tersebut. Jika Y =
pengeluaran konsumsi komoditas dan X = pendapatan konsumen, ikuti
model berikut ini:

73
Dari model model tersebut, model manakah yang akan Anda pilih untuk
kurva pengeluaran Engel? Jelaskan alasan pilihan Anda? (Petunjuk:
Interpretasikan beberapa koefisien kemiringan, temukan ekspresi dari
elastisitas pengeluaran terhadap pendapatan, demikian juga, faktor atau
variabel lainnya.)

Jawab.

6.11. Mengingat model berikut ini:

Seperti yang sudah diperlihatkan, apakah model tersebut merupakan model


regresi linear? Jik bukan, apakah "cara", jika ada, yang bisa Anda gunakan
untuk membuatnya menjadi model regresi linear? Bagaimana Anda akan
menginterpretasikan hasil model tersebut? Menurut Anda, dalam situasi
seperti apakah memungkinkan model tersebut tepat untuk digunakan?

Jawab.

6.11 Saat berdiri, model tidak linear dalam parameter. Tetapi pertimbangkan
"trik" berikut. Pertama mengambil rasio Y ke (1-Y) dan kemudian
mengambil log natural dari rasio. Transformasi ini akan membuat model
linear dalam parameter. Artinya, jalankan kekecewaan berikut:

Model ini dikenal sebagai model logit, yang akan kita bahas dalam bab
tentang variabel dependen kualitatif.

6.12. Gambarkan model berikut ini (untuk mengurangi penjelasan yang sangat
terperinci, kita hilangkan observasi terhadap subscript i):

Diskusikan manakah model yang paling tepat.

74
Jawab.

6.12.

6.13. Anda diberikan data pada tabel 6.7*** Gunakan model berikut ini pada
data tersebut dan dapatkan regresi statistiknya seperti biasa dan
interpretasikan hasilnya:

Jawab.

6.13

Ketika X meningkat tanpa batas, mendekati nilai membatasi

2,0675, yang berarti bahwa Y mendekati nilai pembatas sekitar 51,6.

75
6.14. Untuk mengukur elastisitas substitusi antara modal dan input tenaga kerja
Arrow, Chenery, Minhas, dan Solow, para penulis dari fungsi produksi
CES (elastisitas substitusi) yang sekarang terkenal, menggunakan model
berikut ini:

Koefisien B2 mengukur elastisitas substitusi antara tenaga kerja dan modal


(yaitu, perubahan proporsional dalam proporsi faktor / proporsi- perubahan
dalam harga faktor relatif). Dari data yang diberikan pada Tabel 6.8, veri
bahwa perkiraan elastisitas adalah 1,3338 dan secara statistik tidak berbeda
secara signifikan dari 1

Jawab.

6.14 Hasil regresi adalah sebagai berikut:

Untuk menguji hipotesis nol, gunakan uji t sebagai berikut:

Untuk 13 df, nilai t kritis 5% (dua-ekor) adalah 2,16. Oleh karena itu,
jangan menolak hipotesis bahwa elastisitas substitusi yang sesungguhnya
antara modal dan tenaga kerja adalah 1.

6,15. Tabel 6.9 memberikan data tentang deflator PDB (produk domestik bruto)
untuk barang-barang domestik dan deflator PDB untuk impor ke
Singapura untuk periode 1968-1982. Deflator PDB sering digunakan
sebagai indikator flation sebagai pengganti CPI. Singapura adalah
perekonomian kecil yang terbuka, sangat bergantung pada perdagangan
luar negeri untuk kelangsungan hidupnya

76
Tabel 6.8

Tabel 6.9

Untuk mempelajari hubungan antara harga domestik dan dunia, Anda


diberi model berikut:

77
Di mana Y = GDP deflator untuk barang domestik dan deflator X = PDB
untuk impor.

a. Bagaimana anda memilih antara dua model A priori?


b. Cocokan dua model data dan memutuskan mana yang lebih baik
sesuai.
c. Apakah model lain (S) mungkin tepat untuk data?

Jawab.

6.15.a Jika seseorang percaya bahwa ada hubungan ketat satu-ke-satu antara
dua deflator, model yang tepat adalah tanpa intercept.

6.15.b

"Catatan: Nilai r2 ini tidak secara langsung dapat dibandingkan dengan


yang sebelumnya.

Karena istilah intersep dalam model pertama secara statistik signifikan,


pemasangan model kedua akan menyebabkan bias spesifikasi.

6.15.c Orang bisa menggunakan model double-log.

6.16. Lihat data yang diberikan dalam latihan 6.15. Sarana Y dan X adalah 1456
dan 1760, masing-masing, dan standar deviasi yang sesuai adalah 346 dan
641. Perkirakan regresi berikut:

di mana variabel berbintang adalah variabel standar, dan menafsirkan


hasilnya.

Jawab.

6.16 Hasil regresi adalah :

Satu peningkatan deviasi standar dalam deflator PDB untuk impor


menghasilkan peningkatan deviasi standar 0,9892 dalam deflator PDB
untuk barang domestik, secara rata-rata. Perhatikan bahwa hasil ini

78
sebanding dengan yang diberikan dalam masalah sebelumnya ketika
seseorang mencatat hubungan antara koefisien kemiringan dari regresi

standar dan non-standar. Seperti yang ditunjukkan dalam Persamaan.


(6.3.8) di dalam teks,

di mana * menunjukkan kemiringan dari regresi standar. Dalam masalah


sebelumnya kami menemukan β2 = 0,5340. Sy dan Sx diberikan masing-
masing 346 dan 641. Karena itu,

6.17. Mengacu pada data yang diberikan dalam Tabel 6.3. Temukan tingkat
pertumbuhan dari pengeluaran/belanja barang tahan lama. Apakah dala
tersebut diestimasi secara semielastisitas? Interpretasikan hasilnya.
Apakah masuk akal untuk menjalankan model regresi double-log
pengeluaran barang tahan lama sebagai regresan dan waktu sebagai
regresor? Bagaimana Anda menginterpretasikan koeiisien kemiringan
pada kasus ini?

Jawab.

6.17 Untuk mendapatkan tingkat pertumbuhan pengeluaran untuk barang tahan


lama, kita dapat menyesuaikan dengan model log-lin, yang hasilnya adalah
sebagai berikut:

Seperti yang ditunjukkan regresi ini, selama periode sampel, (kuartalan)


tingkat pertumbuhan dalam pengeluaran barang tahan lama adalah sekitar
1,5%. Baik koefisien yang diperkirakan secara individual signifikan secara
statistik karena nilai p sangat rendah. Tidak akan masuk akal untuk
menjalankan model double log di sini, seperti:

Karena koefisien kemiringan dalam model ini adalah koefisien elastisitas,


apa arti dari pernyataan bahwa seiring waktu meningkat sebesar satu
persen, rata-rata, pengeluaran pada yang tahan lama barang naik sebesar β2
persen?

6.18. Mengacu pada data yang diberikan pada Tabel 6.3. Temukan tingkat
pertumbuhan dari pengeluaran barang tidak tahan lama dan bandingkan
hasil Anda dengan hasil regresi yang Anda dapatkan dari Latihan 6.17.

79
Jawab.

6.18. Hasil yang sesuai untuk sektor barang tidak tahan lama adalah

Dari hasil ini dapat dilihat bahwa selama periode sampel (triwulanan)
tingkat pertumbuhan pengeluaran untuk non-barang adalah sekitar 0,62
persen.

Membandingkan hasil regresi dalam Masalah 6.17 dan 6.18, tampaknya


selama periode 1993: 01 hingga 1998: 03, pengeluaran untuk barang-
barang tahan lama meningkat pada tingkat yang jauh lebih cepat daripada
barang-barang yang tidak tahan lama. Ini mungkin tidak mengejutkan
mengingat salah satu ekspansi ekonomi terpanjang dalam sejarah AS

6.19. Tinjau kembali latihan 1.7. Sekarang Anda tahu beberapa bentuk
fungsional, mana yang mungkin tepat untuk mempelajari hubungan antara
tayangan iklan yang dipertahankan dan jumlah uang yang dihabiskan
untuk iklan? Tampilkan perhitungan yang diperlukanJawab.

Jawab.

6.19 Pencarangan tayangan dan pengeluaran iklan adalah sebagai berikut:

Meskipun hubungan antara dua variabel tampaknya positif, tidak jelas


kurva khusus mana yang sesuai dengan data. Dalam tabel berikut kami
memberikan hasil regresi berdasarkan beberapa model.

80
7.1. Perhatikan data pada Tabel 7.5.

Berdasarkan data di atas, estimasilah regresi berikut:

Catatan: Estimasikan hanya nilai koefisiennya, bukan nilai standard error-


nya.

a. Apakah a2 = β2? Mengapa atau mengapa tidak?


b. Apakah k3 = β3? Mengapa atau mengapa tidak?

Kesimpulan penting apakah yang dapat Anda gamabrkan dari soal ini?

Jawab.

7.1

a. Tidak. Mengingat model tersebut (3) adalah model yang benar, a2


adalah pengukur bias β2
b. Tidak. k3, merupakan pengukur bias β3, untuk alasan yang sama
seperti pada (a).

Pelajaran di sini adalah bahwa kesalahan penghitungan suatu persamaan


dapat menyebabkan estimasi yang bias dari parameter model yang
sebenarnya.

7.2. Berdasarkan data berikut, estimasilah nilai koefisien regresi parsial, nilai
standard error-nya, serta nilai adjusted dan unadjusted R2

81
Jawab.
7.2 Menggunakan rumus yang diberikan dalam teks, hasil regresi adalah
sebagai berikut:

7.3. Tunjukkan bahwa Persamaan (7.4.7) dapat juga diekspresikan sebagai

di mana b23 merupakan koefisien kemiringan dari regresi X2 terhadap X3.


(Petunjuk Ingat kembali bahwa )

Jawab.

7.3 Menghilangkan subscript observasi untuk kenyamanan, ingat itu

7.4. Dalam model regresi majemuk, dikatakan bahwa faktor kesalahan


memiliki distribusi probabilitas sebagai berikut, yaitu ui - N(0,4).
Bagaimana Anda melakukan sebuah percobaan Monte Carlo untuk
menguji nilai varians yang sebenarnya adalah 4?

82
Jawab.

7.4 Karena kita diberitahu bahwa, ui N (0,4), menghasilkan, katakanlah, 25


pengamatan dari distribusi normal dengan parameter ini. Sebagian besar
paket komputer melakukan ini secara rutin. Dari 25 pengamatan ini, hitung
varians sampel sebagai (rumus)

, di mana Xi = nilai ui yang diamati dalam sampel 25


observasi. Ulangi latihan ini, katakan, 99 kali lagi,

untuk total 100 eksperimen. Secara keseluruhan akan ada 100 nilai S2.
Ambil rata-rata dari 100 nilai S2 ini. Nilai rata-rata ini harus mendekati o
4. Kadang-kadang Anda mungkin membutuhkan lebih dari 100 sampel
agar aproksimasi menjadi baik.

7.5. Tunjukkan bahwa dan interpretasikan persamaan


ini.

Jawab.

7.5 Dari Persamaan. (7.11.7) dari teks, kami punya

Ini adalah koefisien determinasi parsial dan dapat ditafsirkan sebagai


menggambarkan proporsi variasi dalam variabel dependen tidak dijelaskan
oleh variabel penjelas X3, tetapi telah dijelaskan oleh penambahan variabel
penjelas X2 ke model.

7.6. Jika hubungan adalah benar untuk


seluruh nilai X1, X2, dan X3, temukan ketiga nilai koefisien korelasi
parsialnya.

Jawab.

7.6 Persamaan yang diberikan dapat ditulis sebagai:

Oleh karena itu, koefisien regresi parsial adalah sebagai berikut:

83
Mengingat Pertanyaan 3.6, berikut:

7.7. Apakah memungkinkan untuk mendapatkan hasil dari sekelompok data


berikut ini?

Jawab.

7.7
a. Tidak. Nilai r tidak dapat melebihi 1 dalam nilai absolut. Memasukkan
data yang diberikan dalam Persamaan. (7.11.2), pembaca dapat
memverifikasi bahwa: r12.3 = 2,295, yang secara logis tidak mungkin.
b. Ya. Mengikuti prosedur yang sama seperti pada (a), pembaca akan
menemukan bahwa r12.3 = 0.397, yang mungkin.
c. Ya, sekali lagi dapat ditunjukkan bahwa r12.3 = 0.880, yang mungkin.

7.8. Perhatikan model berikut:

Yi = β1 = β2 Edukasi, + 2Tahun pengalaman + ui

Anggaplah Anda menghilangkan variabel tahun pengalaman. Apakah jenis


persoalan/ bias yang dapat Anda perkirakan akan terjadi? Jelaskanlah
secara verbal.

Jawab.

7.8 Jika Anda meninggalkan tahun pengalaman (X3) dari model, koefisien
pendidikan (X2) akan bias, sifat bias tergantung pada korelasi antara X2
dan X3. Kesalahan standar, jumlah sisa kuadrat, dan R2 semuanya akan
terpengaruh sebagai akibat kelalaian ini. Ini adalah contoh dari bias
variabel yang dihilangkan.

7.9. Tunjukkan bahwa nilai β2 dan β2 pada Persamaan (7.9.2) menunjukkan


output elastisitas dari tenaga kerja dan modal. (Pertanyaan ini dapat
dijawab tanpa menggunakan kalkulus; hanya dengan mengingat kembali
definisi dari koefisien elastisitas serta ingat bahwa perubahan dari nilai
logaritma dari sebuah variabel merupakan sebuah perubahan relatif,
dengan mengasumsikan perubahan yang terjadi cukup kecil.)

Jawab.

84
7.9 Koefisien lereng dalam model double-log memberikan perkiraan langsung
dari elastisitas (konstan) dari variabel sisi kiri dengan memperhatikan
variabel sisi kanan. Di sini:

7.10. Perhatikan model regresi linear tiga variabel yang didiskusikan dalam bab
ini.

a. Anggaplah Anda mengalikan semua nilai X2 dengan angka 2. Apakah


efek yang akan terjadi terhadap parameter estimasi dan standard error-
nya dari pengalian (rescaling) ini?
b. Sekarang, anggap kita mengalikan seluruh nilai Y dengasel 2. apakah
dampak yang akan terjadi pada parameter estimasi dan standard error-
nya?

Jawab.

7.10 (a) & (b) Jika Anda mengalikan X2 dengan 2, Anda dapat memverifikasi
dari Persamaan (7.4.7) dan (7.4.8), bahwa lereng tetap tidak terpengaruh.
Di sisi lain, jika Anda mengalikan Y dengan 2, lereng serta koefisien
intercept dan kesalahan standar mereka semua dikalikan dengan 2. Selalu
ingat unit di mana regressand dan regresi diukur.

7.11. Secara umum, tetapi hal ini hanya berlaku jika r23 = 0. Berilah
13 komentar dan tekankan terhadap pentingnya hasil temuan ini. Petunjuk:
Lihat Persamaan (7.11.5)

Jawab.

7.11 Dari (7.11.5) kita tahu itu

Oleh karena itu, ketika r23 = 0, artinya, tidak ada korelasi antara variabel
X2 dan X3, R2 = r212 + r213, yaitu, koefisien determinasi berganda adalah
penjumlahan koefisien determinasi dalam regresi Y pada X2 dan Y di X3.

7.12. Perhatikan model berikut.

85
a. Akankah estimasi OLS terhadap a1 dan β2 akan bernilai sama?
Mengapa?
b. Akankah estimasi OLS terhadap a3 dan β3, akan bernilai sama?
Mengapa?
c. Apakah hubungan antara a2 dan β2?
d. Dapatkah Anda membandingkan R2 dari kedua model? Mengapa atau
mengapa tidak?

Jawab.

7.12

a. Tulis Ulang Model B sebagai:

Oleh karena itu, kedua model serupa. Ya, penyadapan dalam model
adalah sama.

b. Perkiraan OLS dari koefisien kemiringan X3 dalam dua model akan


sama.
c.
d. Tidak, karena kemunduran dalam dua model berbeda.

7.13. Anggaplah Anda mengestimasi fungsi konsumsi berikut**

di mana Y = ikonsumsi, Z = tabungan, X = pendapatan, dan X = Y + Z,


yang berarti bahwa pendapatan sama dengan konsumsi ditambah dengan
tabungan.

a. Apakah hubungan, jika ada, antara a2 dan β2? Tunjukkan perhitungan


Anda.
b. Akankah jumlah kuadrat residual, RSS, sama di kedua model?
Mengapa atau mengapa tidak?
c. Dapatkah Anda membandingkan nilai R2 dari kedua model? Mengapa
atau mengapa tidak?

Jawab.

7.13 a. Menggunakan OLS, kami memperoleh:

86
= 1 – β2

Artinya, kemiringan dalam regresi tabungan pada pendapatan (yaitu,


marginal propensity to save) adalah satu minus kemiringan dalam
regresi konsumsi pada pendapatan. (yaitu, kecenderungan
mengkonsumsi marjinal). Dengan kata lain, jumlah dari dua
kecenderungan marjinal adalah 1, karena harus dalam pandangan
identitas bahwa total pendapatan sama dengan total pengeluaran
konsumsi dan total tabungan. Kebetulan, perhatikan bahwa a1 = B1

b. Ya. RSS untuk fungsi konsumsi adalah:

Sekarang ganti (Rumus) dan verifikasi bahwa kedua RSS itu sama.

c. Tidak, karena dua regresi tidak sama.

7.14. Anggaplah Anda menggunakan model Cobb-Douglas yang diberikan pada


Persamaan (7.9.1), yaitu sebagai berikut:

Jika Anda merubah model ini menjadi model log-transform, Anda akan
memiliki In ui sebagai nilai faktor gangguan pada sisi kanan persamaan.

a. Apakah asumsi probabilitas yang Anda butuhkan untuk membuat ln ui


dapat diaplikasikan pada classical normal linear regression model
(CNLRM)? Bagaimana Anda dapat mencoba hal tersebut dengan
menggunakan data yang diberikan pada Tabel 7.3?
b. Apakah asumsi yang sama dapat diaplikasikan untuk ui? Mengapa
atau mengapa tidak?

Jawab.

7.14 a. Sebagaimana dibahas dalam Bagian Sec.6.9untuk menggunakan


model regresi linier normal klasik (CNLRM), kita harus menganggap
itu.

87
Setelah memperkirakan model Cobb-Douglas, dapatkan residu dan
subjek mereka untuk tes normalitas, seperti tes Jarque-Bera.

b.

7.15. Regresi melalui titik asal. Pertimbangkan hasil regresi melalui titik asal
berikut:

a. Bagaimana Anda meiakukan estimasi terhadap parameter yang tidak


diketahui?
b. Akankan nilai bernilai nol untuk model ini? Mengapa atau
mengapa tidak?
c. Akankan nilai untuk model ini?
d. Kapan Anda menggunakan model seperti ini?
e. Dapatkah Anda melakukan generalisasi terhadap hasil yang Anda
peroleh untuk membentuk model dengan variabel k?

(Petunjuk: Ikuti diskusi kasus dua variabel yang dijelaskan dalam Bab 6.)

Jawab.

7.15

a. Persamaan normal adalah:

b. Tidak, untuk alasan yang sama seperti kasus dua variabel.


c. Ya, kondisi ini masih berlaku.
d. Itu akan tergantung pada teori yang mendasari.
e. Ini adalah generalisasi langsung dari persamaan normal yang
diberikan di atas.

7.16. Permintaan bunga mawar.*** Tabel 7.6 memberikan bagi kita data per
kuartal untuk variabel ini:
Y = jumlah bunga nawar yang dijual, lusin
X2 = rata-rata harga bunga mawar di tingkat pedagang besar, $/lusin
X3 = rata-rata harga bunga anyelir ditingkat pedagang besar, $/lusin
X4 = rata-rata pendapatan bersih mingguan rumah tangga, $/minggu

88
X5 = Variabel kencenderungan, dengan nilai 1,2,dan seterusnya, untuk
menunjukkan periode 1971-II hingga 1975-II di Kawasan
Metropolitan Detroit.

Anda diminta untuk mempertimbangkan fungsi permintaan berikut:

a. Estimasikan nilai parameter dari model linear dan interpretasikan


hasilnya.
b. Estimasikan nilai parameter dari model log-linear dan interpretasikan
hasilnya.
c. β2, β3, dan β4, secara berturut-turut, adalah elastisitas permintaan
terhadap harga sendiri (own-price), harga barang lain/silang (cross-
price), dan pendapatan (income). Menurut ekspektasi Anda, tanda
apakah yang akan dimiliki oleh parameter parameter ini? Apakah hasil
perhitungan yang Anda dapatkan sesuai dengan ekspektasi tanda yang
Anda perkirakan sebelumnya?
d. Bagaimana Anda menghitung nilai elasitisitas harga sendiri, harga
barang lain/ silang, dan pendapatan untuk model linear?
e. Sebagai dasar analisis Anda, model manakah yang akan Anda pilih?
Mengapa?

Tabel 7.6

Jawab

89
7.16

a. Model Linear :

Dalam model ini koefisien kemiringan mengukur laju perubahan Y


dengan memperhatikan variabel yang relevan.
b. Model Log-Linear.

Dalam model ini semua koefisien kemiringan parsial adalah


elastisitas parsial Y sehubungan dengan variabel yang relevan.
c. Elastisitas harga sendiri diharapkan negatif, elastisitas harga silang
diharapkan positif untuk barang substitusi dan negatif untuk barang-
barang gratis, dan elastisitas pendapatan diharapkan menjadi positif,
karena mawar adalah barang normal.
d. Rumus umum untuk elastisitas untuk persamaan linear adalah:

Elastisitas , di mana Xi adalah regresi yang relevan. Itu


untuk model linier, elastisitas dapat dihitung pada nilai rata-rata.
e. Kedua model memberikan hasil yang serupa. Salah satu keuntungan
dari model log-linear adalah bahwa koefisien kemiringan
memberikan perkiraan langsung dari elastisitas (konstan) dari
variabel yang relevan sehubungan dengan regresi yang sedang
dipertimbangkan. Namun perlu diingat bahwa R2S dari dua model
tidak dapat dibandingkan secara langsung

7.17. Kegiatan Wildcat. Wildcat terlatih untuk menemukan dan menghasilkan


minyak dan/ atau gas di daerah yang mendukung, untuk menemukan
waduk baru di lahan yang sebelumnya telah diketahui memiliki potensi
minyak atau gas; atau untuk memperluas pengetahuan yang terbatas
tentang keberadaan waduk minyak dan gas. Tabel 7.7 menyajikan data
untuk variabel-variabel ini:

Y = Jumlah wildcat yang terlatih

X2 = Harga di pusat pengeboran pada periode sebelumnya (dengan


harga konstan, 1972 = 100)

X3 = output domestik

X4 = PNB pada harga konstan (1972 = 100)

90
X5 = variabel trend, 1948 = 1, 1949 = 2,..., 1978 = 31

Perhatikan
jika model
berikut
sesuai dengan data yang kita miliki:

a. Dapatkah Anda mengungkapkan rasionalisasi awal dari model ini?


b. Jika diasumsikan model ini merupakan model yang dapat diterima,
hitunglah nilai parameter-parameter pada model tersebut dan nilai
standard error-nya, serta tentukan nilai R2 dan R2.
c. Berilah komentar pada hasil estimasi yang Anda dapatkan dari sudut
pandang ekspektasi awal Anda.
d. Apakah bentuk spesifikasi model lain yang seperti yang dapat Anda
sarankan untuk menjelaskan kegiatan wildcat? Mengapa?

91
Tabel 7.7

Jawab.

7.17

a. A priori, semua variabel tampak relevan untuk menjelaskan aktivitas


kucing liar. Dengan pengecualian dari variabel tren, semua koefisien
kemiringan diharapkan menjadi positif; Kecenderungan mungkin
positif atau negatif.
b. Model yang diperkirakan adalah:

92
c. Harga per barel dan variabel output domestik signifikan secara statistik
pada level 5% dan memiliki tanda-tanda yang diharapkan. Variabel lain
tidak berbeda secara statistik dari nol.
d. Model log-linear mungkin spesifikasi lain. Selain memberikan
perkiraan langsung dari elastisitas, dapat menangkap nonlinier (dalam
variabel), jika ada

Tabel 7.8

7.18. Anggaran pengeluaran pertahanan AS, dapat menjelaskan anggaran


pertahanan AS, Anda diminta untuk mempertimbangkan model berikut:

di mana
Yt = anggaran-pengeluaran pertahanan untuk tahun t milia $
X2t = PNB untuk tahun t, miliar $
X3t = bantuan militer AS pada tahun t, miliar $
X4t = nilai penjualan industri penerbangan, miliar $

93
X5 = Konflik militer yang melibatkan lebih dari 100.000 tentara;
variabel in memiliki nilai 1 ketika tentara yang terlibat berjumlah
100.000 atau lebih, dan bernilai 0 ketika jumlah tentara yang
terlibat kurang dari 100.000

Untuk menguji model ini, Anda diberikan data pada Tabel 7.8.

a. Estimasilah nilai parameter-parameter dari model ini dan nilai


standard error-nya, serta tentukan pula nilai R2, nilai R2 ang
dimodifikasi, dan nilai R2.
b. Berikanlah komentar atas hasilnya, masukkan ekspektasi awal tentang
hubungan antara variabel Y dan variabel X.
c. Apakah variabel (-variabel) lain yang dapat Anda masukkan ke dalam
model? Mengapa?

Jawab.

7.18

a. Hasil regresi adalah:

b. A priori, semua koefisien kemiringan diharapkan menjadi positif.


Kecuali koefisien untuk penjualan militer AS, semua variabel lain
memiliki tanda yang diharapkan dan secara statistik signifikan pada
level 5%.
c. Pengeluaran federal secara keseluruhan dan beberapa bentuk variabel
tren mungkin berharga.

7.19. Permintaan ayam di AS, 1960-1982. Untuk mempelajari konsumsi ayam


per kapita di AS, Anda diberikan data pada Tabel 7.9. Di mana
Y = konsumsi ayam per kapita, pon
X2 = pendapatan bersih riil per kapita, $
X3 = harga eceran riil ayam per pon, €
X4. =harga eceran riil daging babi per pon, €
X5 = harga eceran riil daging sapi per pon, €

X6 = harga komposit (harga gabungan) rill barang substitusi ayam per


pon, yang merupakan pembobotan rata-rata harga eceran riil daging
babi dan daging sapi per pon, scrta pembobotan ini merupakan
konsumsi relatif dari daging sapi dan daging babi terhadap total
konsumsi daging sapi dan daging babi

94
Sekarang pertimbangkan model permintaan berikut:

Berdasarkan teori mikroekonomi diketahui bahwa permintaan terhadap


suatu komoditas secara umum tergantung dari pendapatan riil konsumen,
harga riil dan harga riil komoditas barang pesaingnyalkomplementernya.
Dengan mempertimbangkan sisi pandang tersebut, jawablah pertanyaan
berikut.

a. Fungsi permintaan mana yang akan Anda pilih di antara model-model


tersebut? Mengapa?
b. Bagaimana Anda menginterpretasikan koefisien dari ln X2t dan In X3t
pada model ini?
c. Apakah perbedaan antara spesifikasi (2) dan (4)?
d. Persoalan apakah yang dapat Anda ramalkan akan terjadi jika Anda
mengadopsi spesifikasi model (4)? (Petunjuk: Harga daging babi dan
daging sapi dimasukkan bersamaan dengan harga ayam.)
e. Oleh karena spesifikasi (5) memasukkan harga komposit dari daging
sapi dan daging babi, apakah Anda lebih memilih fungsi permintaan
(5) dibandingkan dengan fungsi (4)? Mengapa?
f. Apakah daging babi dan atau daging sapi bersaing atau keduanya
merupakan produk substitusi terhadap ayam? Bagaimana Anda dapat
mengetahuinya?
g. Asumsikan fungsi (5) adalah fungsi permintaan yang "benarn
Estimasilah nilai parameter-parameter dari model ini, tentukan nilai
standard error-nya, serta nilai R2, nilai R2 yang dimodifikasi, dan nilai
R2

Jawab.

a. Model (5) tampaknya menjadi yang terbaik karena mencakup semua


variabel yang relevan secara ekonomi, termasuk harga riil pengganti
pengganti ayam, yang seharusnya membantu meringankan masalah
multikolinieritas yang mungkin ada dalam model (4) antara harga
daging sapi dan harga daging babi. Model (1) tidak mengandung
informasi pengganti yang baik, dan model (2) dan (3) memiliki
informasi cadangan substitusi yang terbatas
b. Koefisien dalam X2 menunjukkan elastisitas pendapatan; koefisien In
X3 mewakili elastisitas harga sendiri.
c. Model (2) menganggap hanya daging babi sebagai barang pengganti,
sementara model (4) menganggap baik daging babi dan daging sapi.

95
d. Mungkin ada masalah multikolinieritas antara harga daging sapi dan
harga daging babi.
e. Ya. Ini mungkin meringankan masalah multikolinearitas
f. Mereka harus menjadi barang pengganti karena mereka bersaing
dengan ayam sebagai produk konsumsi makanan.
g. Hasil regresi dari Model (5) adalah sebagai berikut:

Elastisitas pendapatan dan elastisitas harga memiliki tanda yang


benar.

Tabel 7.9

7.20. Dalam sebuah studi tentang pergantian (turnover) pekerja di pasar tenaga
kerja, James F Ragan, Jr. mendapatkan hasil berikut untuk perekonomian
AS, periode 1950.I hingga 1979-IV." (Angka di dalani tanda kurung
merupakan nilai estimasi t statistik.)

96
Catatan: kita akan mendiskusikan nilai t statistik pada bab berikutnya.

di mana
Y = tingkat berhenti kerja di sektor industri, didefinisikan sebagai
jumlah orang yang berhenti kerja secara sukarela per 100 pekerja
X2 = variabel instrumental untuk tingkat pengangguran pria
X3 = persentase pekerja yang berumur kurang dari 25 tahun
X4 = Nt-1/N1-4 = rasio tenaga kerja yang bekerja di sektor industri
pada kuartal (t - 1) terhadap kuartal (t- 4)
X5 = persentase pekerja wanita

X6 = trend waktu (1950-1 = 1)

a. Interpretasikan hasil estinasi ini.


b. Apakah hubungan negatif yang terobservasi antara log dari Y dan X2
dari persamaan tersebut telah dapat diperkirakan sebelumnya?
c. Mengapa koefisien In X bernilai positif?
d. Oleh karena koefisien trend bernilai negatif, terdapat penurunan
tingkat berhenti kerja? Mengapa terjadi penurunan seperti ini?
e. Apakah nilai R terlalu rendah?
f. Dapatkah Anda mengestimasi nilai standard error dari koef sien
regresi dengan menggunakan data yang diberikan? Mengapa atau
mengapa tidak?

Jawab.
7.20
a. Ceteris paribus, rata-rata, peningkatan 1% dalam tingkat
pengangguran mengarah ke peningkatan 0,34% dalam tingkat yang
cukup, peningkatan 1% dalam persentase karyawan di bawah 25
mengarah ke peningkatan 1,22% pada tingkat yang cukup , dan
peningkatan 196 dalam pekerjaan manufaktur relatif mengarah ke
peningkatan 1,22% dalam tingkat yang cukup, peningkatan 1% dalam
persentase karyawan perempuan mengarah ke peningkatan 0,80%
dalam tingkat yang cukup, dan bahwa selama periode waktu yang
diteliti, tingkat cukup menurun pada tingkat 0,54% per tahun.
b. Ya, cukup tingkat dan tingkat pengangguran diharapkan berhubungan
negatif.
c. Karena semakin banyak orang di bawah usia 25 yang dipekerjakan,
maka tingkat yang adil diperkirakan akan naik karena omset di antara
para pekerja muda.

97
d. Tingkat penurunan adalah 0,54%. Karena kondisi kerja dan tunjangan
pensiun meningkat dari waktu ke waktu, tingkat berhenti mungkin
telah menurun.
e. Tidak. Rendah adalah istilah relatif.
f. Karena nilai t diberikan, kita dapat dengan mudah menghitung
kesalahan standar. Di bawah hipotesis nol bahwa ßi yang benar adalah
nol, kita memiliki hubungan:

7.21. Pertimbangkan fungsi permintaan uang di AS berikut untuk periode 1980-


1998:

di mana:
M = permintaan uang riil, dengan menggunakan defenisi uang M2
Y = PDB riil
r = tingkat suku bunga

untuk mengestimasi fungsi permintaan uang tersebut, Anda diberikan data-


data pada Tabel 7.10.

Catatan: Untuk mengonversi nilai nominal menjadi nilai riil, bagilah M


dan PDB dengan IHK. Tidak perlu untuk membagi tingkat suku bunga
dengan IHK,Perhatikan juga bahwa kita diberikan dua tingkat suku bunga;
(1) tingkat suku bunga jangka pendek yang diukur dengan tingkat treasury
bill 3 bulan dan (2) tingkat suku bunga jangka panjang yang diukur dengan
menggunakan yield dari treasury bond 30 tahun, sebagaimana studi-studi
sebelumnya yang juga menggunakan kedua tipe tingkat suku bunga ini.

a. Dengan data yang diberikan, lakukan estimasi terhadap fungsi


permintaan tersebut. Berapakah elastisitas pendapatan dan elastisitas
tingkat suku bunga dari permintaan uang ini?
b. Selain mengestimasi fungsi permintaan tersebut, anggaplah Anda
menggunakan fungsi (M/Y) = (rumus) Bagaimana Anda
menginterpretasikan hasilnya Tunjukkan perhitungan-perhitungan
yang diperlukan.
c. Bagaimana Anda memutuskan spesifikasi mana yang lebih baik?
(Catatan: Pengujian statistik formal akan diberikan pada Bab 8.)

Jawab.
7.21
a. Hasil regresi adalah sebagai berikut:

98
Hasil regresi menggunakan jangka panjang (30 obligasi tahun) tingkat
adalah sebagai berikut:

The elastisites pendapatan (0,5243 atau 0,4946) dan elastisitas suku


bunga (-0,0255 atau -0,0516) adalah tidak jauh berbeda, tetapi seperti
yang akan kita lihat di Bab 8, regresi menggunakan minat jangka
pendek (TBrate) memberikan hasil statistik yang lebih baik.
b. Rasio, M / GDP dikenal dalam literatur sebagai Cambridge k. Ini
mewakili proporsi pendapatan yang orang ingin pegang dalam bentuk
uang. Rasio ini peka terhadap suku bunga, karena yang terakhir
mewakili biaya memegang uang, yang umumnya tidak menghasilkan
banyak pendapatan bunga. Hasil regresi adalah sebagai berikut:

Karena keduanya merupakan regresi bolak-balik, pembaca dapat


memeriksa bahwa Cambride k secara statistik berbanding terbalik
dengan tingkat bunga, sesuai ekspektasi sebelumnya. Secara numerik,
ini lebih sensitif terhadap suku bunga jangka panjang daripada tingkat
jangka pendek. Karena variabel dependen dalam dua model adalah
sama, kita dapat melihat bahwa nilai r2 menggunakan suku bunga
jangka panjang karena penyiasat memberikan kecocokan yang jauh
lebih baik.
c. Jawaban diberikan dalam Latihan 8.29

Tabel 7.10

99
7.22. Tabel 7.11 memberikan data untuk sektor industri dari perekonomian
Yunani, periode 1961-1987.

a. Amatilah apakah fungsi produksi Cobb-Douglas sesuai dengan data


yang diberikan pada tabel dan interpretasikan hasilnya. Apakah
kesimpulan umum yang dapat Anda tarik?
b. Sekarang, pertimbangkan model:

di mana regresan merepresentasikan produktivitas tenaga kerja dan


regresor merepresentasikan rasio kapital-tenaga kerja. Apakah signifikansi
ekonomi yang dapat diperoleh dali hubungan ini, jika ada? Estimasikan
nilai parameter-parameter dari model ini dan interpretasikan hasil yang
Anda dapatkan.

Jawab.

Hasil penyesuaian fungsi produksi Cobb-Douglas, diperoleh dari Eviews3


adalah sebagai berikut:

100
a. Estimasi output / tenaga kerja dan output / elastisitas modal adalah
positif, seperti yang diharapkan. Tapi seperti yang akan kita lihat di
bab berikutnya, hasilnya tidak masuk akal secara ekonomi karena
input modal tidak ada kaitannya dengan output, yang jika benar, akan
sangat mengejutkan. Seperti yang akan kita lihat, mungkin collinearity
mungkin menjadi masalah dengan data.
b. Hasil regresi adalah sebagai berikut:

Elastisitas output / rasio tenaga kerja (yaitu, produktivitas tenaga


kerja) dengan rasio modal / tenaga kerja adalah sekitar 0,68, yang
berarti bahwa jika yang terakhir meningkat sebesar 1%, produktivitas
tenaga kerja, rata-rata, naik sekitar 0,68%. Karakteristik utama dari
ekonomi maju adalah rasio modal / tenaga kerja yang relatif tinggi.

7.23 Lihat Contoh 3.3 dan data yang diberikan pada Tabel 2.6. Sekarang
perhatikan model berikut:

a. In (hwage) = B1 + B2 Dalam (pendidikan), B3 (in pendidikan) 2 + ui


dimana In = log natural. Bagaimana Anda menafsirkan model ini?
Perkirakan model ini, dapatkan statistik yang biasa dan komentari
hasil Anda
b. Sekarang perhatikan model berikut:

101
Jika Anda mencoba memperkirakan model ini, masalah apa yang akan
Anda hadapi? Cobalah untuk memperkirakan model ini dan lihat
apakah paket perangkat lunak Anda dapat memperkirakan model ini.

Jawab.

7.23 Hasil regresi adalah sebagai berikut: Perhatikan bahwa kami telah
menggunakan semua 528 pengamatan dalam mengestimasi regresi.

Karena ini adalah model log ganda, koefisien kemiringan mengukur


elastisitas. Hasilnya menunjukkan bahwa perubahan persentase dalam
upah per jam menurun karena tingkat pendidikan meningkat, tetapi
menurun pada tingkat yang lebih cepat, yaitu, menjadi kurang negatif.

b. Di sini Anda tidak akan dapat memperkirakan model karena


collinearity yang sempurna. Ini mudah dilihat: log (pendidikan '2 log
(pendidikan) karena sifat-sifat logaritma

8.1. Anggap Anda ingin melakukan studi tentang perilaku penjualan sebuah
produk, katakanlah, kendaraan bermotor dalam beberapa tahun dan (andai)
seseorang menyarankan Anda untuk mencoba model regresi berikut:

102
di mana Y penjualan pada waktu t dan twaktu (pada satuan tahun).Model
pertama menetapkan bahwa penjualan mengikuti fungsi linear terhadap
waktu, sedangkan model kedua menyatakan bahwa fungsi tersebut adalah
fungsi kuadrat terhadap waktu.

a. Diskusikan mengenai sifat-sifat model tersebut.


b. Bagaimana Anda memilih di antara kedua model tersebut?
c. Pada situasi apakah model kuadrat dapat bermanfaat?
d. Coba temukan data penjualan kendaraan bermotor di AS, 20 tahun yang
lalu dan lihat model manakah yang lebih cocok dengan data.

Jawab.
8.1

a. Dalam model pertama, di mana penjualan adalah fungsi linear waktu,


yang tingkat perubahan penjualan, (dY / dt) didalilkan menjadi konstan,
sama dengan β1 terlepas dari waktu t. Pada model kedua, laju perubahan
tidak konstan karena (dY / dt) = a, + 2a2t, yang bergantung pada waktu
t.
b. Hal paling sederhana untuk dilakukan adalah merencanakan Y terhadap
waktu. Jika grafik yang dihasilkan terlihat parabola, mungkin model
kuadrat sesuai.
c. Model ini mungkin tepat untuk menggambarkan profil penghasilan
seseorang. Biasanya, ketika seseorang memasuki pasar tenaga kerja,
pendapatan entry-level rendah. Seiring waktu, karena akumulasi
pengalaman, penghasilan meningkat, tetapi setelah usia tertentu mereka
mulai menurun.
d. Carilah situs web dari beberapa produsen mobil, atau Motor Magazine,
atau American Automobile Association untuk data.

8.2. Buktikan rasio F dari Persamaan (8.4.16) adalah sama dengan rasio F dari
Persamaan (8.4.18). (Petunjuk: ESS/TSS = R2.)

Jawab.

8.2

dimana NR = jumlah regressor baru. Bagilah pembilang dan

penyebut dengan TSS dan ingat bahwa

Mengganti ekspresi ini menjadi (8.5.16), Anda akan memperoleh (8.5.18).

103
8.3. Tunjukkan bahwa uji F pada Persamaan (8.4.18) dan Persamaan (8.6.10)
adalah sama.

Jawab.

8.3 Ini adalah masalah definisi. Sebagaimana dicatat dalam bab ini, tidak
dibatasi regresi dikenal sebagai panjang, atau baru, regresi, dan regresi
terbatas dikenal sebagai regresi pendek. Keduanya berbeda dalam jumlah
regressor yang termasuk dalam model.

8.4. Buatlah pernyataan yang menjelaskan Persamaan (8.6.11) dan (8.6.12).

Jawab.

8.4 Dalam estimasi OLS kami meminimalkan RSS tanpa menempatkan


apapun pembatasan penduga. Oleh karena itu, RSS dalam kasus ini
mewakili RSS atau RSSUR minimum yang sebenarnya. Ketika
pembatasan diletakkan pada satu atau lebih parameter, seseorang tidak
dapat memperoleh RSS minimum absolut karena pembatasan yang
diberlakukan. (Siswa matematika akan ingat prosedur optimasi yang
dibatasi dan tidak dibatasi). Jadi, RSSR> RSSUR, kecuali pembatasan itu
valid, di mana huruf dua istilah RSS akan sama.

Perhatikan bahwa apakah kami menggunakan regresi terbatas atau tidak


terbatas, TSS tetap sama, karena hanya sama dengan

8.5. Perhatikan fungsi produksi Cobb-Douglas berikut

di mana Y = output, L - input tenaga kerja, dan K- input kapital. Dengan


membagi Persamaan (1) dengan K, kita dapatkan

Mengambil log natural dari Persamaan (2) dan menambahkan nilai


gangguan, kita dapatkan

104
a. Anggap Anda memiliki data untuk melakukan regresi terhadap
Persamaan (3). Bagaimanakah Anda menguji bahwa hipotesis
menyatakan bahwa terjadi constant returns to scale, misal: (β 2+ β 3)=1
b. Jika terjadi constant returns to scale, bagaimanakah Anda
menginterpretasikan regresi (3)?
c. Apakah terdapat perbedaan jika kita membagi Persaman (1) dengan L
dibandingkan K?

Jawab.
8.5

a. Biarkan koefisien log K menjadi β = ( β2+ β3 -1). Uji null hipotesis


bahwa β = 0, menggunakan uji t biasa. Jika memang ada skala hasil
konstan, nilai t akan kecil.
b. Jika kita mendefinisikan rasio (Y/K) sebagai output / rasio modal,
ukuran produktivitas modal, dan rasio (L/K) sebagai rasio modal kerja,
maka koefisien kemiringan dalam regresi ini memberikan mean persen
perubahan dalam produktivitas modal untuk perubahan persen dalam
rasio tenaga kerja / modal.
c. Meskipun analisisnya simetris, dengan asumsi skala hasil konstan,
dalam hal ini koefisien kemiringan memberikan perubahan persen rata-
rata dalam produktivitas tenaga kerja (Y/L) untuk perubahan persen
dalam rasio tenaga kerja modal (K/L). Apa yang membedakan negara-
negara maju dari negara-negara berkembang adalah rasio modal /
tenaga kerja yang umumnya lebih tinggi di negara-negara tersebut.

8.6. Nilai kritis dari R2 ketika nilai R2 sebenarnya adalah nol. Persamaan
(8,411) memberikan hubungan antara F dan R2 berdasarkan hipotesis yang
menyatakan semua koefisien kemiringan parsial secara simultan sama
dengan nol (misal: R2 = 0). Seperti halnya, kita dapat menemukan nilai F
kritis pada tingkat signifikansi a dari Tabel F kita dapat menemukan nilai
R2 kritis dari hubungan berikut:

di mana kadalah jumlah parameter pada model regresi termasuk faktor


interceptdan F adalah nilai F kritis pada tingkat signifikansia. a Jika nilai
R2 yang diobservasi melebihi nilai R2 kritis yang didapatkan dari formula
sebelumnya, kita dapat menolak hipotesis yang menyatakan bahwa nilai
R2 adalah nol. Buatlah formula sebelumnya dan temukan bahwa nilai R2
kritis (pada 5= %) untuk regresi (8.1.4).

105
Jawab.

8.6 Mulailah dengan persamaan (8.5.11) dan tuliskan sebagai:

Untuk regresi (8.2.1), n = 64, k = 3. Oleh karena itu,

F0.05 (2,62) = 3,15, kira-kira. (Catatan gunakan 60 df di tempat 62 df). Oleh


karena itu, menempatkan nilai-nilai ini dalam rumus R2 sebelumnya,

kami mendapatkan:

Ini adalah nilai R2 kritis pada tingkat signifikansi 5%. Sejak diamati R2
dari 0,7077 di (8.2.1) jauh melebihi nilai kritis, kami menolak hipotesis nol
bahwa nilai R2 benar adalah nol.

8.7. Dari data tahunan periode 1968-1987, kita memperoleh hasil regresi
seperti berikut:

di mana
Y = pengeluaran AS untuk barang impor (dalam miliar dolar harga
konstan tahun 1982)
X2 = pendapatan bersih (dalam miliar dolar tahun 1982)
X3 = variabel trend
Benar atau salah: Standard error X3 pada Persamaan (1) adalah 4.2750.
Tunjukkan hasil perhitungan Anda. (Petunjuk: Gunakan hubungan antara
R2, F, dan t.)

Jawab.

8.7 Karena regresi (2) adalah bentuk terbatas dari (1), kita dapat lebih dulu
hitung rasio F yang diberikan dalam (8.5.18):

106
Sekarang ingat bahwa F1,17 = t2i7. Yaitu, 27.033 = t2i7, yang memberi t =
27.033 = 5.1993. Di bawah hipotesis nol bahwa slop benar koefisien dari
variabel tren adalah nol, kami memperoleh:

dari mana kita memperoleh:

yang merupakan kurang lebih sama dengan 4,2750 karena kesalahan


pembulatan.

8.8. Anggap pada regresi

Nilai koefislen regresi dan standard error-nya sudah diketahul." Dari


informasi tersebut, bagaimanakah Anda akan mengestimasi parameter dan
standard error dari model berikut ini:

Jawab

8.8 Model pertama dapat secara bergantian ditulis sebagai:


In Y, = In X2, = a, + a2 In X2i + a3 In X3, + u, yang, setelah mengumpulkan
istilah, dapat ditulis sebagai: ln Y, = a, + (1+ a2) 1n X2i + a3In X3, + u;
Sekarang model sebelumnya dan model kedua dengan koefisien fi secara
observasi sama, dengan hubungan berikut antara a dan / 3 koefisien:

Oleh karena itu, kesalahan standar dari estimasi koefisien fl dapat dengan
mudah diperoleh dari kesalahan standar perkiraan sebuah koefisien, yang
sudah diketahui.

8.9. Dengan asumsi

di mana Y = pengeluaran konsumsi personal , X2 = pendapatan personal


dan X3 = kesejahteraan /kekayaan personal. Nilai (X2i, X3i) diketahui
sebagai nilai interaksi. Apakah arti dari hubungan tersebut? Bagaimana

107
Anda menguji hipotesis bahwa kecenderungan tambahan konsumsi (MPC)
(misal: B2) tidak berhubungan dengan kesejahteraan konsumen?

Jawab

8.9 Cara terbaik untuk memahami istilah ini adalah untuk mengetahui tingkat
perubahan Y (pengeluaran konsumsi) sehubungan dengan X2 dan X3,
yaitu:

Seperti yang Anda lihat perubahan rata-rata dalam pengeluaran konsumsi


sehubungan dengan pendapatan tidak hanya tergantung pada pendapatan
tetapi juga pada tingkat kekayaan. Demikian pula, perubahan rata-rata
dalam pengeluaran konsumsi sehubungan dengan kekayaan tidak hanya
bergantung pada kekayaan tetapi juga pada pendapatan. Artinya, variabel
pendapatan dan kekayaan berinteraksi. Ini ditangkap dengan
memperkenalkan pendapatan dan kekayaan dalam interaktif, atau
perkalian, bentuk dalam regresi di samping dua variabel dalam bentuk
aditif. Hanya ketika) 64 adalah nol bahwa MPC akan independen dari
kekayaan.

8.10. Anda diberikan hasil regresi seperti berikut:

Jawab.

8.10 Mengingat hubungan antara distribusi t dan F, kita tahu bahwa dari
persamaan pertama: Fi, (n-k) = t2n-k. Karena itu,

108
Memecahkan persamaan ini untuk n, kita mendapatkan n = 16. Catatan:
Yang pertama persamaan, k = 2 dan R2 = 0,6149

8.11. Berdasarkan diskusi kita mengenai uji hipotesis individual dan bersama,
secara berturut-turut, pada uji t dan uji F, manakah dari situasi berikut ini
yang sesuai?

1. Tolak Ho bersama berdasarkan F statistik, tetapi jangan tolak setiap Ho


individual
2. Tolak Ho bersama berdasarkan F statistik, tolak satu uji hipotesis
berdasarkan uji
3. Tolak Ho bersama berdasarkan F statistik dan tolak setiap Ho
individual terpisalh
4. Jangan tolak Ho bersama berdasarkan Fstatistik dan jangan tolak setiap
Ho individual
5. Jangan tolak Ho bersama berdasarkan Fstatistik, tolak satu H,
individual berdasarkan terpisah berdasarkan uji t individual. t, dan
jangan tolak Ho individual lainnya berdasarkan uji t. berdasarkan uji t
individual. terpisah berdasarkan uji t individual. uji t, dan jangan tolak
Ho individual lainnya berdasarkan uji t.

Jawab.

8.11

1. Tidak mungkin, kecuali dalam kasus multikolinearitas yang sangat


tinggi.
2. Mungkin. Kasus-kasus seperti itu sering terjadi dalam pekerjaan
terapan.
3. Mungkin, sebenarnya ini adalah situasi yang ideal.
4. Kemungkinan. Dalam situasi ini, model regresi tidak berguna.
5. Bisa terjadi jika signifikansi satu koefisien tidak cukup untuk
mengimbangi ketidaklogisan yang lain. '.
6. Tidak mungkin.

8.12. Merujuk pada Latihan 7.21.

a. Apakah yang dimaksud dengan pendapatan riil dan elastisitas tingkat


suku bunga dari saldo kas riil?
b. Apakah pada elastisitas sebelumnya, secara statistik dan individual,
signifikan?
c. Ujilah signifikansi keseluruhan dari regresi yang diestimasi.

109
d. Apakah elastisitas pendapatan dari permintaan untuk saldo kas riil
secara signifikan berbeda dari kesatuannya?
e. Apakah sebaiknya variabel tingkat suku bunga dipertahankan dalam
model? Mengapa?

Jawab.

8.12 Lihat hasil regresi yang diberikan dalam Latihan 7.21.

a. Dengan menggunakan tingkat tagihan treasury sebagai tingkat bunga,


elastisitas pendapatan dan suku bunga masing-masing, 0,5243 dan -
0,0255. Dengan menggunakan tingkat bunga jangka panjang, elastisitas
yang terkait adalah, 0,4946 dan -0,0516.
b. Secara individual, elastisitas pendapatan signifikan dalam kedua kasus,
tetapi bukan elastisitas suku bunga.
c. Menggunakan versi R2 dari uji F yang diberikan pada (8.5.11), nilai F
adalah 21.5429 (menggunakan suku bunga jangka pendek) dan 21.3078
(menggunakan suku bunga jangka panjang). Nilai p dari nilai F ini
adalah hampir nol dalam kedua kasus, mengarah pada penolakan
pendapatan itu dan suku bunga secara kolektif tidak berdampak pada
permintaan uang.
d. Di sini hipotesis nol adalah bahwa koefisien elastisitas pendapatan
adalah kesatuan. Untuk menguji hipotesis nol kami menggunakan uji t
sebagai berikut:

Dengan 19 observasi dan dua regressor, kami memiliki 16 df. Sejak


Koefisien elastisitas pendapatan diharapkan menjadi positif, kita dapat
menggunakan tes satu arah. Nilai t kritis 5% satu-ekor untuk 16 df
adalah 1.746. Pada tingkat signifikansi ini, kita dapat menolak hipotesis
nol bahwa elastisitas pendapatan adalah 1; sebenarnya kurang dari satu.

8.13. Dari data untuk 46 kota di AS, tahun 1992, Baltagi menemukan hasil
regresi seperti berikut ini:

110
Di mana:
C = konsumsi rokok (bungkus per tahun)
P = harga rill per bungkus rokok
Y = pendapatan bersih riil per kapita

a. Apakah yang dimaksud dengan elastisitas permintaan dari rokok


terhadap harga? Apakah elastisitas tersebut secara statistik signifikan?
jika iya, apakah elastisitas tersebut secara statistik tidak sama dengan
satu?
b. Apakah yang dimaksud dengan elastisitas pendapatan dari permintaan
rokok? Apakah elastisitas tersebut secara statistik signifikan? lika tidak,
apakah alasan yang melatarbelakangi hal tersebut? regresi tersebut?
c. Bagaimanakah Anda mendapatkan R2 dari adj R2 yang telah diberikan
dalam hasil

Jawab.

8.13

a. Elastisitasnya adalah —1.34. Ini sangat berbeda dari nol, untuk nilai t di
bawah hipotesis nol bahwa koefisien elastisitas yang sebenarnya adalah
nol adalah:

Nilai thep untuk mendapatkan nilai t sangat rendah.


Namun, koefisien elastisitas tidak berbeda dari satu karena di bawah
hipotesis nol bahwa elastisitas yang benar adalah 1, nilai t adalah

Nilai t ini tidak signifikan secara statistik.

b. (b) Elastisitas pendapatan, meskipun positif, tidak secara statistik


berbeda dari nol, karena nilai t di bawah nol nol hipotesis kurang dari 1.
c. (c) Dengan menggunakan rumus (7.8.4), kami memperoleh:

Karena dalam contoh ini R2 = 0,27, n = 46, dan k = 3, dengan substitusi


pembaca dapat memverifikasi bahwa R2 = 0,3026, kira-kira.

8.14. Dari sampel 209 perusahaan, Wooldridge mendapatkan regresi seperti


berikut:

111
di mana gaji = gajiCEO

penjualan = penjualan tahunan perusahaan

roe = return on equity (%)

ros = return on firm's stock

nilai di dalam tanda kurung adalah standard error yang diestimasi.

a. Interpretasikan model regresi sebelumnya dengan memasukkan


ekspektasi- ekspektasi sebelumnya yang mungkin Anda miliki pada
beberapa koefisien.
b. Koefisien-koefisien mana yang secara statistik dan individual,
signifikan pada tingkat a = 5%?
c. Berapakah signifikansi keseluruhan dari regresi tersebut? Uji manakah
yang Anda gunakan? Mengapa?
d. Dapatkah Anda menginterpretasikan koefisien dari roe dan ros sebagai
koefisien elastisitas? Mengapa dan mengapa tidak?

Jawab.

8.14

a. A priori, gaji dan masing-masing variabel penjelasnya diharapkan


berhubungan positif, dimana mereka. Parsial koefisien 0,280 berarti,
ceteris paribus, elastisitas CEO gaji 0,28 persen. Koefisien 0,0174
berarti, ceteris paribus, jika tingkat pengembalian ekuitas naik sebesar 1
poin persentase (Catatan: tidak sebesar 1 persen), maka gaji CEO naik
sekitar 1,07%. Demikian pula, ceteris paribus, jika pengembalian saham
perusahaan naik sebesar 1 poin persentase, gaji CEO naik sekitar
0,024%.
b. (B) Di bawah individu, atau terpisah, hipotesis nol bahwa setiap
koefisien populasi sejati adalah nol, Anda dapat memperoleh nilai t
dengan hanya membagi setiap koefisien yang diperkirakan dengan
kesalahan standarnya. Nilai t untuk keempat koefisien yang ditunjukkan
dalam model adalah, masing-masing, 13,5, 8, 4,25, dan 0,44. Karena
sampel cukup besar, dengan menggunakan aturan praktis dua-t, Anda
dapat melihat bahwa tiga koefisien pertama adalah secara individual
sangat signifikan secara statistik, sedangkan yang terakhir tidak
signifikan.

112
c. Untuk menguji signifikansi keseluruhan, yaitu, semua lereng sama
dengan nol, gunakan uji F yang diberikan dalam (8.5.11), yang
menghasilkan:

Di bawah hipotesis nol, F ini memiliki distribusi F dengan 3 dan 205 df


dalam pembilang dan penyebut, masing-masing. Nilai p untuk
memperoleh nilai F sangat kecil, yang mengarah ke penolakan hipotesis
nol.

d. Karena variabel dependen dalam bentuk logaritmik dan roe dan ros
dalam bentuk linier, koefisien dari variabel-variabel ini memberikan
semi elastisitas, yaitu, tingkat pertumbuhan dalam variabel dependen
untuk perubahan absolut (unit) dalam regresi .

8.15. Diasumsikan bahwa Y dan X2, X3,... Xk secara bersama-sama terdistribusi


normal dan diasumsikan bahwa hipotesis nol yang menyatakan bahwa
korelasi parsial populasi secara individu sama dengan nol, R.A. Fisher
menunjukkan bahwa

mengikuti distribusi t dengan df (n – k – 2), di mana k adalah koefisien


korelasi parsial kth-order dan n adalah total jumlah observasi. (Catatan: 1
23 adalah koefisien korelasi parsial first-order, r1 23 4 adalah koefisien
korelasi parsial second-order, dan seterusnya). Merujuk pada Latihan 7.2.
Dengan mengasumsikan Y, X2, dan X3, secara bersama terdistribusi
normal, hitunglah ketiga korelasi parsial r12.3 r13.2, dan r23.1 serta uji
signifikansinya berdasarkan hipotesis yang menyatakan bahwa hubungan
populasi yang terkait secara individual sama dengan nol.

Jawab.

8.15 Menggunakan Persamaan (3.5.8), pembaca dapat memverifikasi bahwa:

Dengan menggunakan rumus yang diberikan di Bagian 7.11, pembaca


harus memverifikasi

Dengan menggunakan tes Fisher yang diberikan dalam latihan, pembaca


harus memeriksanya

113
Mengikuti prosedur yang persis sama, verifikasi bahwa:

Masing-masing nilai t ini signifikan secara statistik pada level 5%.

8.16. Dalam mempelajari permintaan traktor pertanian di AS, periode 1921-


1941 dan 1948-1957, Grilichest mendapatkan hasil sebagai berikut:

di mana Yt = nilai saham traktor yang terletak pada pertanian per 1


Januari, dalam satuan dolar periode 1935-1939 ;X2 = indeks harga yang
dibayar untuk traktor dibagi dengan indeks harga yang ditertima untuk
semua panen, pada waktut t = 1; dan X3 = tingkat suku bunga pada tahun t
– 1. Standard error yang diestimasi adalah nilai yang terdapat di dalam
kurung.

a. Interpretasikan regresi sebelumnya.


b. Apakah koefisien kemiringan yang diestimasi, secara statistik dan
individual, signifikan? Apakah mereka berbeda signifikan dari
kesatuannya?
c. Gunakan teknik ANOVA untuk menguji signifikansi dari regresi secara
keseluruhan. Petunjuk: Gunakan R2 dari teknik ANOVA. untuk traktor
pertanian?
d. Bagaimana Anda menghitung elastisitas tingkat suku bunga terhadap
permintaan ?
e. Bagaimana Anda menguji R2 yang diestimasi?

Jawab.

8.16

a. Log indeks harga riil dan tingkat bunga dalam tahun sebelumnya
menjelaskan sekitar 79 persen variasi dalam log stok traktor, suatu
bentuk modal. Karena ini adalah model log ganda, koefisien kemiringan
adalah elastisitas harga (parsial). Kedua elastisitas harga ini memiliki
tanda-tanda yang diharapkan.

114
b. Setiap koefisien slope parsial secara individual signifikan pada tingkat
5% dan masing-masing juga secara signifikan berbeda dari kesatuan.
c. Menggunakan Persamaan (8.5.12), kami memperoleh:

Dengan n = 31, k = 3, pembaca dapat memverifikasi bahwa nilai F ini


sangat signifikan.

d. Lihat bagian (a).


e. Gunakan uji F yang diberikan dalam (c).

8.17. Pertimbangkan persamaan berikut ini mengenai tingkat penentuan upah


untuk ekonomi Inggris pada tahun 1950-1969:

di mana

W = upah dan gaji per pegawai

PF = harga barang akhir pada tingkat faktor biaya

U = tingkat pengangguran di Inggris dibandingkan dengan total tenaga


kerja seluruhnya

t = waktu

(Nilai-nilai di dalam tanda kurung adalah standard error yang diestimasi.)

a. Interpretasikan persamaan sebelumnya.


b. Apakah koefisien yang diestimasi secara individu signifikan?
c. Apakah rasionalitas dari pengenalan (PF)t..1 ?
d. Apakah sebaiknya variabel (PF),- dieliminasi dari model? Mengapa?
e. Bagaimana Anda menghitung elastisitas upah dan gaji setiap pegawai
terhadap tingkat pengangguran U?

Jawab.

8.17

a. Ceteris paribus, kenaikan 1 (Inggris) pound dalam harga final output


dalam memimpin tahun saat ini rata-rata menjadi 0,34 pon (atau 34
pence) peningkatan upah dan gaji per karyawan. Demikian pula, 1

115
peningkatan pound dalam harga output akhir di tahun sebelumnya,
memimpin rata-rata peningkatan upah dan gaji per karyawan sekitar
0,004 poundsterling. Memegang semua hal lain yang konstan,
peningkatan tingkat pengangguran dari 1 poin persentase, rata-rata,
mengarah ke sekitar 2,56 pon penurunan upah dan gaji per karyawan.
Tiga pendaftar menjelaskan sekitar 87 persen variasi upah dan gaji per
karyawan.
b. Jika Anda membagi koefisien yang diperkirakan dengan kesalahan
standarnya, Anda akan mendapatkan nilai t di bawah hipotesis nol
bahwa nilai koefisien populasi yang benar adalah nol. Nilai t
diperkirakan untuk tiga koefisien lereng adalah 4,55, 0,055, dan -3,89,
masing-masing. Dari ini, yang pertama dan yang ketiga adalah
signifikan secara statistik tetapi yang kedua tidak.
c. Seperti yang akan kita pelajari dalam bab tentang model-model lag
terdistribusi, ini variabel dimasukkan untuk mengukur efek lag, jika
ada, dari harga output akhir tahun sebelumnya.
b. Karena nilai t koefisien ini tidak signifikan, ini variabel dapat
diturunkan dari model, asalkan kita tidak melakukan kesalahan
spesifikasi menghilangkan variabel penting dari model. Tetapi lebih
lanjut tentang ini dalam bab tentang model spesifikasi.
c. Gunakan rumus elastisitas (standar) berikut:

di mana bilah atas variabel menunjukkan nilai rata-rata mereka atas data
sampel.

8.18. Variasi dari persamaan penentuan upah yang diberikan pada Latihan 8.17.
adalah sebagai berikut:#

di mana

W = upah dan gaji per pegawai

V = lowongan yang tidak diisi di Inggris sebagai presentasi dari jumlah


total pegawai di Inggris

X = PDB dari setiap tenaga kerja

M = harga barang impor

116
Mt-1= harga barang impor pada tahun lalu

(Standard error yang diestimasi diberikan pada nilai-nilai yang ada di


dalam tanda kurung.)

a. Interpretasikan persamaan sebelumnya.


b. Manakah koefisien estimasi yang, secara statistik dan individual,
signifikan?
c. Apakah rasionalitas variabel X yang dikenalkan pada persamaan?
Apakah tanda koefisien dari X memang diekspektasikan akan bernilai
negatif?
d. Apakah tujuan dari penambahan variabel Mt dan Mt-1 pada model?
e. Manakah variabel yang bisa dieleminasi dari model? Mengapa?
f. Uji signifikansi keseluruhan dari model regresi tersebut.

Jawab.

8.18

a. Ceteris paribus, peningkatan 1 persentase poin dalam pekerjaan.


Tingkat kekosongan memimpin rata-rata menjadi sekitar 5,29 pound
kenaikan dalam upah dan gaji per karyawan; peningkatan sekitar 1
pound GDP per orang memimpin rata-rata hingga sekitar 12 sen
penurunan upah dan gaji per karyawan; peningkatan harga impor saat
tahun ini dan tahun sebelumnya memimpin, rata-rata, untuk
peningkatan upah dan gaji per karyawan sekitar 5 sen.
b. Seperti pada latihan sebelumnya, di bawah nol nol hipotesis nilai t
diperkirakan untuk empat variabel penjelas adalah, masing-masing,
6,51, -1,04, 2,45, dan 2,42. Semua kecuali yang kedua dari nilai-nilai t
ini signifikan secara statistik.
c. A priori, orang akan mengharapkan produktivitas per kapita yang lebih
tinggi untuk memimpin untuk upah dan gaji yang lebih tinggi. Ini
bukan kasus di masa sekarang. Misalnya, karena koefisien yang
diperkirakan tidak secara statistik berbeda secara signifikan dari nol,
karena nilai t hanya sekitar -1.
d. Ini dirancang untuk menangkap efek lag terdistribusi saat ini dan harga
impor tahun sebelumnya pada upah dan gaji. Jika impor harga naik,
biaya hidup diperkirakan naik, dan karenanya upah dan gaji.
e. Variabel X dapat diturunkan dari model karena memiliki tanda salah
dan karena nilai t-nya rendah, dengan asumsi tentu saja tidak ada
kesalahan spesifikasi.
f. Gunakan tes F sebagai berikut:

117
Nilai F ini sangat signifikan; untuk 4 dan 14 pembilang dan
denominator derajat kebebasan, tingkat signifikansi 1% nilai F adalah
5,04.

8.19. Untuk fungsi estimasi atas permintaan ayam pada Persamaan (8.6.24),
apakah elastisitas pendapatan yang diestimasi sama dengan 1? Apakah
elastisitas harga sama dengan -1?

Jawab.

8.19 Untuk elastisitas pendapatan, statistik uji adalah:

Nilai t ini sangat signifikan, menyangkal hipotesis bahwa elastisitas


sebenarnya adalah 1. Untuk elastisitas harga, statistik uji adalah:

Nilai t ini juga signifikan, mengarah pada kesimpulan bahwa elastisitas


harga yang sebenarnya berbeda dari -1.

8.20. Untuk fungsi permintaan pada Persamaan (8.6.24), bagaimana Anda


melakukan uji hipotesis yang menyatakan bahwa elastisitas pendapatan
memiliki kesamaan nilal, tetapi berlawanan tanda dengan elastisitas harga
dari permintaan? Tunjukkan perhitungan yang diperlukan. [Catatan:
cov(β2,β3)-0,00142.]

Jawab.

8.20 Hipotesis nol adalah bahwa β2 = - β3, yaitu, β2 + β3 = 0.

Dengan menggunakan statistik t yang diberikan pada (8.6.5), kami


memperoleh:

Nilai t ini tidak signifikan, katakanlah pada level 5%. Jadi, tidak ada alasan
untuk menolak hipotesis nol.

8.21. Merujuk pada fungsi permintaan mawar pada Contoh 7.16. yang
membatasi pertimbangan Anda dengan spesifikasi logaritma,

118
a. Apakah estimasi terhadap elastisitas harga sendiri yang dimiliki
terhadap permintaan (misal: elastisitas terhadap harga bunga mawar)?
b. Apakah secara statistik signifikan?
c. Jika demikian, apakah secara signifikan berbeda dengan kesatuannya?
d. Apakah tanda yang diekspektasikan dari variabel X3 (harga bunga
anyelir) dan X4 (pendapatan)? Apakah hasil empiris sesuai dengan
ekspektasi Anda?
e. Jika koefisjen dari X3 dan X4 secara statistik signifikan, apakah
alasannya?

Jawab.

8.21

a. Elastisitas harga sendiri adalah - 1.274


b. Dari uji t, kami memperoleh:

Nilai p untuk memperoleh statistik t di bawah hipotesis nol adalah


sekitar 0,034, yang kecil. Oleh karena itu, kami menolak hipotesis
bahwa elastisitas harga yang sebenarnya adalah nol.

b. Sekali lagi, menggunakan rumus standar, kami memperoleh:

Karena nilai t ini tidak signifikan secara statistik, kami tidak menolak
hipotesis bahwa elastisitas harga yang sebenarnya adalah kesatuan.

c. Kedua tanda tersebut diharapkan positif, meskipun tidak ada satupun


dari variabel ini yang signifikan secara statistik.
d. Mungkin ukuran sampel kami terlalu kecil untuk mendeteksi statistik
signifikansi harga anyelir pada permintaan untuk mawar atau
pendapatan dari permintaan untuk mawar. Selain itu, pengeluaran untuk
bunga mawar mungkin merupakan bagian kecil dari total pendapatan
yang orang mungkin tidak memperhatikan dampak pendapatan atas
permintaan bunga mawar.

8.22. Merujuk pada Latihan 7.17. yang berhubungan dengan kegiatan wildcat.

a. Apakah koefisien kemiringan yang diestimasi, secara statistik dan


individual, signifikan pada tingkat 5 % ?
b. Apakah Anda akan menolak hipotesis yang menyatakan R2 = 0

119
c. Berapakah besar tingkat pertumbuhan instan dari kegiatan wildcat pada
periode 1948-1978? Berapakah tingkat pertumbuhan kompleksnya?

Jawab.

8.22

a. Koefisien X2 dan X3 secara statistik signifikan, tetapi X4 dan X5 tidak.


b. Ya. Menggunakan uji F, kita dapatkan

Nilai F 5% untuk 4 dan 26 df., Adalah 2,74. Jadi, tolak 1/0.

b. Menggunakan model semi-log, kami memperoleh:

Dengan demikian, tingkat pertumbuhan instan adalah -1,27 persen. Itu


tingkat pertumbuhan senyawa yang sama juga sekitar -1.27%. (Ambil
antilog -0.0127 (= 0.9873), kurangi 1 darinya dan kalikan dengan 100).
Catatan: Untuk r kecil, Dalam (1 + r),'=,r.

8.23. Merujuk pada regresi yang mengestimasi anggaran pertahanan AS, pada
Latihan 7.18.

a. Berikan komentar secara umum terhadap hasil regresi yang diestimasi


b. Buat Tabel ANOVA dan uji hipotesis yang menyatakan bahwa semua
koefisien kemiringan parsial sama dengan nol.

Jawab.

8.23

a. Merujuk pada hasil regresi yang diberikan dalam Latihan 7.18. A priori,
semua koefisien kemiringan diharapkan positif, yang merupakan
kasusnya, kecuali untuk variabel penjualan militer AS. Nilai R2 cukup
tinggi. Secara keseluruhan, model ini terlihat memuaskan.
b. Kita dapat menggunakan versi R2 dari tabel ANOVA yang diberikan
dalam Tabel 8.5 dari teks.

120
Di bawah hipotesis nol yang biasa, rasio F adalah:

Nilai F ini jelas sangat signifikan, yang mengarah ke penolakan


hipotesis nol bahwa semua koefisien slope secara bersamaan sama
dengan nol. Dengan kata lain, keempat variabel secara bersama-sama
memiliki dampak yang signifikan terhadap pembelanjaan pertahanan.

8.24. Berikut ini adalah fungsi yang cukup terkenal, yaitu transcendental
production function (TPF), dan secara umum dikenal sebagai fungsi
produksi Cobb-Douglas:

di mana Y output, I = input tenaga kerja, dan K = input kapital.

Setelah melakukan log terhadap persamaan dan menambahkan faktor


gangguan stokastik, kita memperoleh TPF stokastik sebagai

a. Apakah sifat-sifat dari fungsi tersebut?


b. Bagi TPF untuk mengurangi fungsi produksi Cobb-Douglas, berapakah
nilai dari B, dan B,?
c. Jika Anda memiliki data, bagaimanakah Anda menemukan apakah TPF
akan mengurangi fungsi produksi Cobb-Douglas? Prosedur uji apakah
yang akan Anda gunakan?
d. Perhatikan jika TPF cocok terhadap data yang diberikan dalam Tabel
8.8. Tunjukkan perhitungan Anda.

Jawab.

8.24

a. Fungsi ini memungkinkan produk marjinal tenaga kerja dan modal


untuk bangkit sebelum akhirnya jatuh. Untuk fungsi produksi Cobb-
Douglas standar, produk marjinal jatuh dari awal. Fungsi ini juga
memungkinkan untuk variabel elastisitas substitusi, tidak seperti model
Cobb-Douglas biasa.

121
b. . Ini adalah model standar.
c. Seseorang dapat menggunakan uji F dari kuadrat terkecil yang dibatasi.
d. Hasilnya adalah sebagai berikut:

Seperti yang diperlihatkan oleh perhitungan ini, hasilnya beragam.


Selagi koefisien tenaga kerja secara statistik signifikan, bahwa modal
tidak. Bandingkan hasil ini dengan yang diberikan pada Contoh 8.3,
menggunakan fungsi produksi Cobb-Douglas standar.

8.25. Harga energi dan pembentukan kapital: AS. 1948-1978. Untuk menguji
hipotesis yang menyatakan bahwa peningkatan harga energi secara relatif
terhadap output menyebabkan berkurangnya produktivitas keberadaan
kapital dan sumber daya manusia yang ada. John A. Tatom
memperkirakan fungsi produksi berikut untuk AS per kuartal ; 1948-I
sampai dengan 1978-II:

di mana
y = output riil pada sektor bisnis swasta
k = ukuran dari arus pelayanan modal
h = jam kerja perorangan pada bisnis swasta
Pe = harga indeks produsen untuk bahan bakar dan produk turunannya
P = deflator harga bisnis swasta
t = waktu

122
Nilai di dalam tanda kurung adalah nilai I statistik.

a. Apakah hasil regresi mendukung hipotesis pengarang?


b. Antara tahun 1972-1977 , harga energi relative ( P|e|P ) , meningkat
sebesar 60 % . Dari regresi yang diestimasi, berapakah jumlah
produktivitas yang hilang?
c. Jika perubahan pada (h/k) dan (Pe|P) dizinkan, bagaimanakah trend
tingkat perturabuhan produktivitas yang akan terjadi selama periode
sampel?
d. Bagaimanakah Anda menginterpretasikan nilai koefisien sebesar
0,7135?
e. Apakah fakta yang menyatakan bahwa setiap koefisien kemiringan
parsial yang diestimasi, secara statistik dan individual, signifikan
(mengapa?) dan menunjukkan kita dapat menolak hipotesis yang
menyatakan bahwa R2 = 0? Mengapa dan mengapa tidak?

Jawab.

8,25

a. Ya. Indeks harga bahan bakar negatif dan signifikan secara statistik di
level 1%.
b. Kehilangan output akan menjadi 6,48% [(-0,1081) (60%)].
c. Tingkat tren pertumbuhan adalah 0,45%
d. Rata-rata, untuk sampel, peningkatan 1% dalam rasio tenaga kerja /
modal menyebabkan peningkatan output 0,71%.
e. Lihat Pertanyaan 8.11 di atas. Jika masing-masing koefisien individu
signifikan secara statistik, tidak mungkin R2 = 0. Dalam contoh ini

Nilai F ini sangat signifikan. Jadi seseorang dapat menolak hipotesis


bahwa R2 adalah nol.

8.26. Permintaan terhadap kabel.Tabel 8.10 memberikan data yang digunakan


oleh industri kabel telepon untuk memperkirakan penjuałan terhadap
konsumen utama, periode 1968-1983*

Variabel pada tabel didefinisikan sebagai berikut:


Y = penjualan tahunan pada MPE pada satuan juta pasang
X2 = PNB, miliar dolar
X3a= perumahan, ribuan unit
X4 = tingkat pengangguran , %
X5 = tingkat premi sepanjang 6 bulan
X6 = garis keuntungan konsumen , %

123
Tabel 8.10

Anda diharapkan untuk memperhatikan model berikut:

a. Estimasikan regresi sebelumnya


b. Apakah tanda koefisien yang diekspektasikan pada model?
c. Apakah hasil empiris sesuai dengan ekspektasi sebelumnya?
d. Apakah koefisien regresi parsial yang diestimasi, secara statistik dan
individual, signifikan pada tingkat signifikansi 5 % ?

Jawab.

8.26

a. Output Eviews3 adalah sebagai berikut:

124
b. Orang akan berharap) β2, β3dan β6 menjadi positif dan β4dan β5 menjadi
negatif.
c. β2. β3 dan β4 memenuhi harapan; yang lain tidak.
d. Sebagai hasil regresi menunjukkan, X3, X4 dan X6 signifikan pada
tingkat 5%, X2 signifikan pada tingkat 10%, tetapi X5 secara statistik
tidak signifikan.
e. Kami menggunakan metodologi pembatasan kuadrat terkecil yang
dibahas dalam bab ini. Regressing Y pada X2, X3, dan X4 saja, kami
dapatkan RR = 0,6012. Termasuk semua regresi, seperti dapat dilihat
dari hasil regresi yang diberikan dalam (a), kami memiliki RI2, R =
0,8227. Oleh karena itu, menggunakan Persamaan. (8.7.10), kita
dapatkan

Untuk 2 dan 10 df dalam pembilang dan penyebut, masing-masing,


nilai F kritis 5% adalah 4.10. Oleh karena itu, kami menolak hipotesis
bahwa variabel X5 dan X6 tidak termasuk dalam model.

8.27. Marc Nerlove telah mengestimasi fungsi biaya berikut untuk pengadaan
listrik . "

di mana
Y = total biaya produksi
X = output dalam kilowatt jam
P1 = harga dari input tenaga kerja
P2 = harga dari input kapital
P3 = harga bahan bakar
u = faktor gangguan

Secara teoretis, jumlah dari elastisitas harga diekspektasikan sebagai satu


kesatuan, misal: (a1 + a2 + a3) . Dengan memberikan restriksi, fungsi biaya
sebelumnya dapat dituliskan sebagai

Dengan kata lain, Persamaan (1) fungsi biaya tanpa restriksi dan
Persamaan (2) adalah dengan restriksi.

Dengan sampel sebesar 29 perusahaan berukuran medium dan setelah


dilakukan transformasi logaritma, Nerlove memperoleh regresi, sebagai
berikut:

125
a. Interpretasikan Persamaan (3) dan (4).
b. Bagaimanakah Anda menemukan bahwa jika restriksi (a1 + a2 + a3) = 1
adaiah valid? Tunjukkan perhitungan yang Anda miliki

Jawab.

a. Karena kedua model adalah log-linear, koefisien kemiringan yang


diperkirakan mewakili elastisitas (parsial) dari variabel dependen
sehubungan dengan regresi yang sedang dipertimbangkan. Misalnya,
koefisien 0,94 dalam Persamaan. (3) berarti jika output dalam kwh
meningkat sebesar 1%, rata-rata, total biaya produksi naik sebesar
0,94%. Demikian pula, dalam Persamaan. (4), jika harga tenaga kerja
relatif terhadap harga bahan bakar meningkat sebesar 1%, rata-rata,
biaya produksi relatif naik 0,51 persen.
b. Gunakan statistik F sebagai berikut:

dimana NR = jumlah pembatasan.

F ini tidak signifikan; 5% nilai F kritis untuk 1, dan 24 pembilang dan


penyebut, masing-masing adalah 4.26. Oleh karena itu, kami tidak
menolak hipotesis nol bahwa jumlah elastisitas harga adalah 1.

Catatan: Jangan gunakan versi R2 dari uji F yang diberikan pada


(8.7.10), karena variabel dependen dalam Pers. (3) dan (4) tidak sama.

8.28. Estimasi dari capital asset pricing model (CAPM). Pada Subbab 6.1, kita
telah mengenal model CAPM sebagai teori portofolio modern. Pada
analisis empiris, CAPM diestimasi dalam dua tahap.

Tahap 1 (regresi time series), Untuk masing-masing Nsekuritas yang


termasul pada sampel, kita lakukan regresinya sepanjang waktu:

di mana Rit dan Rmt adalah tingkat pengembalian pada sekuritas ke-1 dan
pada pasar portofolio (katakanlah, S&P 500) pada tahun t; Bi seperti yang
telah dijelaskan sebelumnya, adalah koefisien beta atau volatilitas dari
pasar sekuritas ke-i; dan eit adalah residual. Terdapat sejumlah regresi N,
satu untuk setiap sekuritas, memberikan N yang mengestimasi Bi

126
Tahap II (regresi cross-section). Pada tahap ini, kita lakukan regresi
berikul terhadap sekuritas N:

di mana R, adalah rata-rata atau rerata pengembalian untuk sekuritas ke-i


yang dihitung sepanjang periode sampel pada Tahap I, Bi adalah koefisien
beta yang diestimasi dari hasil regresi Tahap I dan ui adalah nilai dari
residual.
Dengan membandingkan regresi Tahap II (2) dengan model CAPM pada
Persamaan (6.1.2), yang dituliskan sebagai

di mana rf adalah tingkat pengembalian bebas risiko. Kita lihat bahwa yi


adalah estimasi dari rf dan y2 adalah estimasi dari (ERm-rf)market risk
premium.

jadi, dalam uji empirls dari CAPM, R dan Bi digunakan sebagai estimator
BR, dan Bi secara berturut-turut. Sekarang, jika CAPM dipertahankan,
secara statistik,

Sekarang, kita pertimbangkan model alternatif:

di mana s2e adalah varians residual sekuritas ke-i dari regresi Tahap I.
Setelah itu, Jika CAPM valid, y3 sebaiknya tidak secara signifikan berbeda
dengan nol nilainya. Untuk menguji CAPM, Levy menjalankan regresi (2)
dan (4) pada sampel 101 saham pada periode 1948-1968 dan mendapatkan
hasil berikut:##

a. Apakah hasil ini mendukung model CAPM?


b. Apakah berguna untuk menambahkan variabel s2e pada model?
Bagaimanakah Anda dapat mengetahui?

127
c. Jika model CAPM terpenuhi, yi, pada Persamaan (2) harus mendekati
nilai rata- rata dari tingkat bebas resiko, rf Nilai yang diestimasi adalah
10.9 persen. Apakah hal ini merupakan estimasi yang masuk akal dari
tingkat pengembalian bebas risiko selama periode observasi, 1948-
1968? (Anda dapat mempertimbangkan tingkat pengembalian dari
Treasury bills atau aset bebas risiko sejenis.)
d. Jika model CAPM terpenuhi, risiko premium pasar (R.,-r) dari
Persamaan (2) adalah sekitar 3,7 persen, lika rdiasumsikan 10.9 persen,
berarti Rm untuk periode sampel sebesar kira-kira 14,6 persen. Apakah
hal ini merupakan estimasi yang masuk akal?
e. Apakah yang dapat Anda katakan tentang model CAPM secara umum?

Jawab.

8.28

a. Tidak. Y3 diperkirakan berbeda secara signifikan dari nol, karena t


nilainya 5,3.
b. Ya, karena menyoroti validitas teori. Juga, secara statistik itu signifikan,
sebagaimana dicatat dalam (a).
c. Tidak. Ini tampaknya merupakan pengembalian yang terlalu tinggi
untuk tagihan perbendaharaan AS.
d. Tidak. Estimasi relatif terlau tinggi dan tidak masuk akal.
e. Sebuah survei literatur terbaru tentang CAPM menunjukkan bahwa
model tersebut mungkin tidak sesuai dalam semua situasi.

8.29. Merujuk pada Latihan 7.21.c. Kini, Anda telah memiliki alat yang cukup,
uji apakah yang akan Anda gunakan untuk memilih di antara kedua model.
Tunjukkan perhitungan yang diperlukan. Perhatikan bahwa variabel
dependen pada kedua model berbeda.

Jawab.

8.29 Kami hanya akan membahas hasil berdasarkan tingkat tagihan treasury; itu
hasil berdasarkan tingkat jangka panjang bersifat paralel. Model dalam
Latihan 7.21 (a) adalah model tak terbatas dan yang di dalam (b) adalah
model terbatas. Karena variabel dependen dalam dua model berbeda, kami
menggunakan uji F yang diberikan dalam (8.7.9). Itu RSS terbatas dan
tidak terikat masing-masing adalah 0,0772 dan 0,0463. Perhatikan bahwa
kami hanya menempatkan satu pembatasan, yaitu, bahwa Koefisien Yin
model pertama adalah kesatuan.

128
Untuk 1 dan 16 pembilang dan penyebut df, masing-masing, nilai F kritis
5% adalah 4.49. Oleh karena itu kami menolak model terbatas dan
menyimpulkan bahwa elastisitas pendapatan riil kurang dari satu.

8.30. Merujuk pada Contoh 8.3. Gunakan uji t seperti yang ditunjukkan pada
Persamaan (8.6.4) untuk membuktikan apakah terdapat constant returns to
scale pada perekonomian Meksiko selama periode yang dipelajari.

Jawab.

8.30 Untuk menggunakan uji t yang diberikan pada (8.7.4), kita perlu
mengetahui kovarians antara dua penduga lereng. Dari data yang
diberikan, itu bisa menunjukkan bahwa coy (β2, β3) = -0.3319.
Menerapkan (8.7.4) ke data Meksiko, kami memperoleh:

Dari tabel t, kita menemukan bahwa nilai t 5% dua-ekor adalah 2,12. Oleh
karena itu, pada tingkat signifikansi ini, kami tidak menolak hipotesis hasil
konstan untuk skala, meskipun secara numerik jumlah dari dua koefisien
(= 1,19) lebih besar dari 1.

8.31. Kembali pada contoh kematian anak yang sudah kita diskusikan beberapa
kali. Pada regresi (7.6.2), kita regresikan kematian balita (CM) terhadap
PNB per kapita (PNBP) dan tingkat kepandaian membaca wanita (FLR).
Sekarang, kita mengembangkan model ini dengan memasukkan total
tingkat kesuburan (total fertility rate-TFR). Data dari variabel-variabel ini
sudah diberikan pada Tabel 6.4. Kita reproduksi regresi (7.6.2) dan
mendapatkan hasil untuk model regresi yang sudah dikembangkan, seperti
berikut:

a. Bagaimana Anda menginterpretasikan koefisien TFR? Apakah Anda


akan mengekspektasikan hubungan positif atau negatif antara CM dan
TFR? Jelaskan jawaban Anda.

129
b. Apakah nilai koefisien PNBP dan FR berubah pada kedua persamaan?
Jika iya. apakah alasan(-alasan) untuk perubahan tersebut? Apakah
perbedaan yang diobservasi secara statistik berbeda signifkan? Uji
apakah yang akan Anda pilih dan mengapa?
c. Bagaimanakah Anda memilih antara model 1 dan 2? Uji statistik
apakah yaig akan Anda gunakan untuk menjawab hal ini? Tunjukkan
perhitungan yang diperlukan
d. Kita belum diberikan standard error dari koefisien TFR. Dapatkah Anda
menemukan hal tersebut? (Petunjuk: Ingat hubungan antara distribusi t
dan F.)

Jawab.

8.31

a. A priori, orang akan mengharapkan hubungan positif antara CM dan


TFR, untuk semakin besar jumlah anak yang lahir dari seorang wanita,
semakin besar kemungkinan kematian meningkat karena alasan
kesehatan dan lainnya.
b. Koefisien PGNP tidak jauh berbeda, tetapi FLR terlihat berbeda. Untuk
melihat apakah perbedaannya nyata, kita dapat menggunakan uji t.
Misalkan kita menggunakan Persamaan. (1) dan berhipotesis bahwa
koefisien PGNP yang sebenarnya adalah —1,7680. Kami sekarang
dapat menggunakan uji t sebagai berikut:

Nilai t ini melebihi 2 secara absolut, sehingga dapat menolak hipotesis


bahwa koefisien sebenarnya adalah -1,7680. Perhatikan di sini kami
telah menggunakan aturan praktis 2-t karena jumlah observasi cukup
tinggi.

c. Kita dapat memperlakukan model (1) sebagai versi model terbatas (2).
Oleh karena itu, kita dapat menggunakan versi R dari uji F yang
diberikan dalam (8.7.10), karena variabel dependen dalam dua model
adalah sama. Statistik F yang dihasilkan adalah sebagai berikut:

Di bawah asumsi standar, ini memiliki distribusi F dengan 1 dan 60 df


dalam pembilang dan penyebut, masing-masing. F kritis 1% untuk dfs
ini adalah 7,08. Karena F yang dihitung melebihi nilai kritis ini, kita
dapat menolak model terbatas (1) dan menyimpulkan bahwa variabel
TFR termasuk dalam model.

d. Ingat itu

130
F1k = t2k. Oleh karena itu, mengambil akar kuadrat (positif) dari nilai F
yang diberikan dalam (c) di atas, kita menemukan:

Therefore, under the null hypothesis that the true value of coefficient of
TFR in model (2) is zero, we can obtain the standard error of the
estimated TFR coefficient by dividing the estimated coefficient by the
preceding t value, which gives

8.32. Kembali pada Latihan 1,7, yang memberikan dala terhadap efek iklan dan
pengeluaran/ biaya iklan untuk sampel 21 perusahaan. Pada Latihan 5.11.
Anda dininta untulk memplotkan data-data ini dan menentukan model
yang cocok mengenai hubungan antara efek dan pengeluaran iklan.
Apabila Y mewakili efek yang diperoleh dan X adalah pengeluaran iklan,
maka kita akan mendapatkan hasil regresi berikut ini:

a. Interpretasikan kedua model.


b. Model manakah yang lebih baik? Mengapa?
c. Apakah uji statistik yang akan Anda gunakan untuk memilih di antara
kedua model?
d. Apakah terdapat diminishing return pada pengeluaran iklan, yaitu
setelah tingkatan iklan tertentu (tingkat jenuh), maka kita tidak akan
membutuhkan pengeluaran lagi untuk membuat iklan? Dapatkah Anda
mengetahui berapakah seharusnya tingkat pengeluaran yang
diperlukan? Tunjukkan perhitungan yang diperlukan.

Jawab.

8.32

a. Dalam Model I koefisien kemiringan memberi tahu kita bahwa


peningkatan per unit dalam pengeluaran iklan, rata-rata, tayangan yang
ditahan naik sebesar 0,363 unit. Dalam Model II, tingkat (rata-rata)
peningkatan dalam tayangan yang dipertahankan bergantung pada

131
tingkat belanja iklan. Mengambil turunan Y terhadap X, Anda akan
memperoleh:

Ini akan menunjukkan bahwa tayangan yang ditahan meningkat pada


tingkat yang menurun seiring dengan meningkatnya belanja iklan.

b&c Kita dapat memperlakukan Mode I 1 sebagai versi Model II yang


disingkat, atau dibatasi, dan karenanya dapat menggunakan teknik
kuadrat terkecil yang dibatasi untuk memutuskan di antara kedua
model. Karena variabel dependen dalam dua model adalah sama, kita
dapat menggunakan versi R2 dari uji F yang diberikan dalam (8.7.10).
Hasilnya adalah sebagai berikut:

Di bawah asumsi biasa dari uji F, nilai F sebelumnya mengikuti


distribusi F dengan 1 df dan 18 df dalam pembilang dan penyebut,
masing-masing. Untuk df ini nilai F kritis adalah 4,41 (level 5%) dan
3,01 (level 10%) .; nilai p adalah 0,0591 atau sekitar 6%, yang
mendekati 5%. Tampaknya kita harus mempertahankan variabel X
kuadrat dalam model.

d. Sebagaimana dicatat dalam (b), ada hasil yang berkurang untuk iklan
pengeluaran; jika koefisien dari istilah X-kuadrat positif, akan ada
peningkatan hasil untuk iklan. Menyamakan derivatif dalam (b) ke nol,
kami memperoleh: 1,0847 = 0,008X, yang memberikan X = 135,58.
Pada nilai X ini, tingkat peningkatan Y terhadap X adalah nol. Sejak
Xis diukur dalam jutaan dolar, kita dapat mengatakan bahwa pada
tingkat pengeluaran sekitar 136 juta dolar tidak ada perolehan lebih
lanjut dalam tayangan yang dipertahankan, yang diukur dalam jutaan
tayangan.

8.33. Pada regresi (7.9.4), kami menyajikan hasil dari fungsi produksi Cobb-
Douglas pada sektor industri di 50 negara bagian dan Washington, DC,
AS, tahun 2005. Berdasarkan regresi tersebut, temukan apakah terdapat
constant returns to scale pada sektor tersebut, menggunakan

a. Uji t diberikan pada Persamaan (8.6.4). Anda diberikan nilai kovarians


di antara dua estimator kemiringan, yaitu -0,03843.
b. Uji F diberikan pada Persamaan (8.6.9).

132
c. Apakah terdapat perbedaan di antara hasil kedua uji tersebut? Dan,
apakah keputusan Anda terkait returns to scale pada sektor industri di
50 negara bagiarn dan Washington, DC, AS selama periode?

Jawab.

8.33

a. Menggunakan data dari regresi (7.9.4) ke (8.7.4), kami memperoleh:

Karena ukuran sampel adalah 15, kita memiliki 12 H. Nilai t


sebelumnya signifikan pada tingkat 5%, menunjukkan bahwa mungkin
ada peningkatan hasil skala di sektor pertanian Taiwan.

b. Memaksakan pembatasan constant return-to-scale, hasil regresi adalah


sebagai berikut:

RSS tidak terikat, RSSUR, dari regresi (7.9.4) adalah 0,0672 dan RSS
yang dibatasi, RSSR, dari regresi yang diberikan dalam (b) adalah
0,0915. Dengan menggunakan uji F yang diberikan dalam (8.7.9), kami
memperoleh:

Di bawah asumsi biasa dari uji F, nilai F sebelumnya memiliki


distribusi F dengan 1 df di pembilang dan 12 df di penyebut. Nilai p
untuk mendapatkan nilai F sebanyak 4,34 atau lebih besar sekitar
0,0593 atau sekitar 6 persen, yang mendekati tingkat signifikansi 5%.
Sekali lagi, tampaknya ada peningkatan hasil skala di sektor pertanian
Taiwan.

Perhatikan bahwa perbedaan kecil pada taraf signifikansi t dan F adalah


karena kesalahan pembulatan. Juga perhatikan bahwa, karena variabel
dependen dalam model terbatas dan tidak terbatas berbeda, kita tidak
dapat menggunakan versi R2 dari uji F.

133
8.34. Perhatikan kembali regresi tabungan-pendapatan pada Subbab 8.7.
Asumsikan kita membagi sampel ke dalam dua periode 1970-1982 dan
1983-1995. Dengan menggunakan uji Chow, tentukan apakah terdapat
perubahan struktural pada regresi tabungan-pendapatan pada kedua
periode. Bandingkan hasil yang Anda dapatkan dengan yang diberikan
pada Subbab 8.7, apakah kesimpulan menyeluruh yang Anda dapatkan
mengenai sensitivitas dari uji Chow terhadap pilihan titik potong yang
membagi sampel ke dalam dua periode (atau lebih)?

Jawab

8.34 Mengikuti langkah-langkah yang diberikan di Sec. 8.8, di sini adalah


berbagai jumlah kuadrat residual:

Nilai p yang memperoleh nilai F sebanyak 11 atau lebih besar adalah


sekitar 0,0005, probabilitas yang sangat kecil sekali.

Meskipun kesimpulan keseluruhan dari latihan ini dan contoh yang


dibahas dalam Sec. 8.8 tetap sama, yaitu, bahwa ada perubahan signifikan
secara statistik dalam regresi pendapatan-tabungan. Namun, seperti yang
Anda lihat dari nilai F, jawabannya tergantung pada titik istirahat yang
dipilih untuk membagi sampel.

134
9.1. Jika Anda memiliki data bulanan untuk beberapa tahun, berapa banyaknya
variabel dummy yang Anda gunakan untuk menguji hipotesis berikut ini:

a. Semua bulan dalam 1 tahun mengikuti pola musiman.


b. Hanya bulan Februari, April, Juni, Agustus,Oktober, dan Desember
yang mengikuti

Jawab.

9.1
a. Jika intercept hadir dalam model, perkenalkan 11 dummies. Jika
mencegat ditekan, memperkenalkan 12 dummies.
b. Jika mencegat termasuk dalam model, memperkenalkan 5 dummies,
tetapi jika intercept ditekan (yaitu, regresi melalui asal),
memperkenalkan 6 dummies.

9.2. Perhatikan hasil regresi berikut ini (nilai rasio t terdapat di dalam kurung)*

di mana
Y = jumlah jam kerja dalam satu tahun yang diinginkan oleh istri;
dihitung sebagai jumlah jam kerja dalam satu tahun ditambah
jumlah minggu mencari kerja
X2 = rata-rata pendapatan per jam istri setelah pajak
X3 = pendapatan suami setelah pajak dalam setahun pada tahun
sebelumnya
X4 = usia istri dalam tahun
X5 = lamanya istri bersekolah
X6 = variabel perilaku
= ; jika responden merasa bahwa sebaiknya wanita bekerja asalkan ia
menginginkannya dan mendapat persetujuan dari suaminya
= 0; lainnya
X7 = variabel perilaku
= 1; jika suami responden lebih menginginkan istrinya untuk bekerja
= 0; lainnya
X8 = jumlah anak yang berusia kurang dari 6 tahun
X9 = jumlah anak yang berusia 6-13 tahun

135
a. Apakah tanda koefisien dari berbagai regresor bukan dummy masuk
akal secara ekonomi? Jelaskan jawaban Anda.
b. Bagaimana Anda menginterpretasikan variabel-variabel dummy, X6
dan X7? Apakah kedua variabel ini secara statistik signifikan? Oleh
karena sampel cukup besar, Anda dapat menggunakan aturan baku "2-t"
untuk menjawab pertanyaan ini.
c. Mengapa Anda berpikir bahwa variabel usia dan pendidikan bukan
merupakan faktor yang signifikan dalam partisipasi angkatan tenaga
kerja wanita pada studi ini?

Jawab.

9.2
a. Sesuai teori ekonomi, koefisien X2, X5 diharapkan menjadi positif dan
X3, X8, dan X9 diharapkan menjadi negatif. Koefisien X4 bisa positif
atau negatif, tergantung pada usia istri dan jumlah anak-anak. Mungkin
interaktif dummy usia dan anak-anak di bawah 6 atau antara 6 dan 13
mungkin menjelaskan lebih lanjut tentang hubungan antara usia dan
jam kerja yang diinginkan.
b. Memegang semua faktor lain konstan, orang akan berharap bahwa jam
kerja yang diinginkan akan lebih tinggi dari nilai intercept (umum) dari
1286 jam. Koefisien ini, bagaimanapun, memiliki tanda negatif.
Namun, karena tidak signifikan secara statistik, kita dapat mengatakan
sedikit tentang dampak X6 pada (rata-rata) Y. Sedangkan untuk X7,
koefisiennya diharapkan positif, yang mana itu. Tidak hanya itu, secara
statistik signifikan, karena nilai t cukup tinggi.
c. Mungkin, ini karena collinearity antara usia dan pendidikan, serta
collinearity variabel-variabel ini dengan jumlah anak-anak. Juga,
perhatikan bahwa model tidak termasuk tahun sekolah yang
diselesaikan oleh suami.

9.3. Perhatikan hasil regresi berikut ini. (Data aktual terdapat dalam Tabel 9.8)

di mana UN = tingkat pengangguran , %


V = lowongan pekerjaan , %
D = 1 untuk periode yang dimulai pada 1966-IV
= 0 untuk periode sebelum 1966-IV
t = waktu, diukur dalam triwulan (per kuartal)

136
Catatan: Pada kuartal keempat tahun 1966, pemerintah membebaskan
aturan asuransi nasional dengan menggantikan sistem flat-rate untuk
keuntungan pengangguran jaagka pendek dengan sistem campuran antara
flat-rate dan sistem yang terkait dengan penghasilan (sebelumnya), yang
menaikan tingkat keuntungan bagi pengangguran.

a. Bagaimana ekspektasi awal Anda mengenai hubungan antara tingkat


pengangguran dan lowongan pekerjaan?
b. Dengan menganggap bahwa tingkat lowongan pekerjaan konstan,
berapakah rata- rata tingkat pengangguran pada periode awal kuartal
keempat tahun 19662 Apakah nilai tersebut secara statistik berbeda
dengan periode sebelum 1966? Bagaimana Anda mengetahuinya?
c. Apakah kemiringan dari sebelum dan sesudah kuartal keempat tahun
1966 secara statistik berbeda? Bagaimana Anda mengetahuinya?
d. Apakah aman untuk menyimpulkan dari studi ini bahwa keuntungan
pengangguran yang terlalu besar akan menimbulkan tingkat
pengangguran yang lebih tinggi? Apakah hal ini masuk akal secara
ekonomi?

Jawab.

9.3
a. Hubungan antara dua variabel diharapkan negatif, karena jika tingkat
pengangguran tinggi, menunjukkan kelambanan di pasar tenaga kerja,
pengusaha cenderung untuk mengiklankan lowongan pekerjaan
b. Ini 3,8998 (= 2,7491 + 1,1507). Karena koefisien boneka secara
statistik signifikan, tingkat pengangguran pasca 1966 kuartal 4 secara
statistik lebih tinggi daripada di periode kuartal ke-4 pra-1964.
c. Karena koefisien dummy diferensial hanya signifikan pada tingkat 5%,
kita dapat mengatakan bahwa kemiringan regresi fungsi dalam dua
periode berbeda.
d. Kemungkinan besar ya. Dengan membuat tunjangan pengangguran
lebih banyak murah hati, pemerintah mengurangi biaya peluang untuk
tetap menganggur.

9.4. Berdasarkan data tahunan 1972-1979, William Nordhaus mengestimasi


model berikut ini untuk menjelaskan perilaku harga minyak OPEC-
Organization of the Petroleum Exporting Countries (nilai di dalam tanda
kurung adalah dummy).***

137
Tabel 9.8

di mana
y = perbedaan antara harga minyak saat ini dengan tahun lalu (dalam
dolar per barel)
x1 = perbedaan antara harga minyak di lokasi spot dengan harga minyak
OPEC tahun lalu
x2 = 1; untuk tahun 1974
= 0; untuk lainnya

Interpretasikan hasil ini dan tunjukkan hasilnya secara grafis. Apakah yang
disarankan oleh hasil tersebut mengenai kekuatan monopoli OPEC?

Jawab

9.4 Hasilnya menunjukkan bahwa harga rata-rata lebih tinggi sebesar $ 5,22
per barel pada tahun 1974 dibandingkan tahun-tahun lain dalam sampel.
Lereng Koefisien, $ 0,30 adalah sama atas seluruh sampel. Grafik akan
menyerupai Gambar 9.3 b dalam teks, dengan garis regresi untuk 1974
dimulai pada 5,22 pada sumbu vertikal dengan kemiringan 0,30; Untuk

138
sisa tahun garis regresi akan melewati titik asal, tetapi dengan kemiringan
yang sama

9.5. Perhatikan model berikut ini.

di mana
Y = gaji tahunan seorang profesor di universitas
X = lamanya mengajar (tahun)
D = dummy untuk jenis kelamin

Perhatikan tiga cara untuk mendefinisikan variabel dummy

a. D = 1 untuk pria, 0 untuk wanita.


b. D = 1 untuk wanita, 2 untuk pria.
c. D = 1 untuk wanita, -1 untuk pria.

Interpretasikan hasil model regresi tersebut untuk setiap variabel dummy


yang digunakan. Apakah metode yang satu lebth baik daripada metode
lainnya? Jelaskán jawaban Anda.

Jawab

9.5 a.

Dengan memegang X konstan, gaji rata-rata pria berbeda dengan a2

b.

Dengan memegang X konstan, gaji rata-rata pria juga berbeda dengan


a2

c.

Dengan memegang X konstan, perbedaan antara gaji rata-rata


perempuan dan laki-laki adalah 2a2.

Karena skala variabel dummy bersifat arbitrer, tidak ada keuntungan


tertentu dari satu metode di atas yang lain. Untuk data yang diberikan,
jawabannya adalah invarian untuk pilihan skema dummy.

139
9.6. Merujuk pada Persamaan (9.7.3). Bagaimana Anda menguji hipotesis yang
menyatakan bahwa koefisien D2 dan D3 adalah sama? Dan, koefisien D2
dan D4 juga sama? Jika koefisien D3 secara statistik berbeda dari D2 dan
koefisien D4 secara statistik juga berbeda dari D2 apakah hal tersebut
berarti bahwa koefisien D3 dan D4 juga berbeda? Petunjuk: var (A + B) =
var (A) + var (B) + 2 cov (A, B)

Jawab.

9.6. Setelah Bab 8, kita dapat menggunakan uji t sebagai berikut:

Tetapi di bawah hipotesis nol bahwa β2 = β3, istilah kedua dalam


pembilang dari ekspresi sebelumnya menjadi nol.

Untuk contoh kita, dapat ditunjukkan bahwa se (β2 - β3) = 84,8392. Oleh
karena itu, statistik t sebelumnya menjadi

Nilai t ini tidak signifikan, yang mengarah ke kesimpulan bahwa koefisien


D2 dan D3, meskipun mereka masing-masing secara statistik berbeda nyata
dari intercept pada kuartal pertama, mereka sendiri tidak berbeda secara
signifikan dari satu sama lain.

Untuk alasan yang persis sama, untuk menguji hipotesis bahwa koefisien
D2 dan D4 adalah sama, kita memperoleh nilai t berikut:

Nilai t ini signifikan secara statistik, menunjukkan bahwa koefisien D2 dan


D4 berbeda.

Jawaban untuk bagian terakhir dari pertanyaan umumnya tidak.


Logikanya, jika A berbeda dari B dan jika A berbeda dari C, itu tidak
berarti bahwa B dan C juga berbeda. Tentu saja, seseorang dapat
menggunakan uji t untuk menjawab pertanyaan ini secara numerik.

9.7. Merujuk pada contoh tabungan-pendapatan yang didiskusikan pada


Subbab 9.5

140
a. Bagaimana Anda memperoleh nilai dummy dari koefisien regresi yang
terdapat pada Persamaan (9.5.5) dan (9.5.6), yang diperoleh dari pooled
regression (9.5.4)
b. Untuk memperoleh jawaban numeris, informasi tambahan apakah, jika
ada, yang diperlukan?

Jawab.

9.7. a&b: Kesalahan standar dari koefisien regresi (9.5.6) dapat diperoleh
langsung dari (9.5.4). Tetapi untuk mendapatkan kesalahan standar dari
koefisien dalam (9.5.7), kita harus mendapatkan kesalahan standar (β2 +
β3) dan (a2 + a3) oleh rumus statistik terkenal untuk kesalahan standar
dari penjumlahan atau selisih dua (atau lebih) koefisien. Lihat rumus yang
diberikan dalam petunjuk untuk Latihan 9.6. Karena rumus ini melibatkan
kovarian dari istilah yang terlibat dalam penjumlahan atau perbedaan
koefisien, tanpa informasi itu kita tidak dapat menghitung kesalahan
standar.Untuk contoh kita,

Catatan: Karena kesalahan pembulatan dan aproksimasi, kesalahan standar


ini agak berbeda dari yang dilaporkan dalam (8.8.2a).

9.8. Dalam penelitiannya mengenai jam kerja yang dipergunakan oleh FDIC
(Federal Deposit Insurance Corporation-Perusahaan Negara Penjamin
Deposito Negara) terhadap data 91 pemeriksa bank, R.J. Miller
mengestimasi fungsi berikut ini:

di mana
Y = jam kerja pemeriksa FDIC
X1 = total aset bank
X2 = total banyaknya bagian/kantor dalam bank
X3 = rasio pinjaman khusus terhadap total pinjaman perbankan
D1 = 1 jika peringkat manajemen adalah "baik"

141
D2 = 1 jika peringkat manajemen adalah "cukup"
D3 = 1 jika peringkat manajemen adalah "memuaskan"
D4 = 1 jika pemeriksaan dilakukan bekerja sama dengan pemerintah
daerah

Angka di dalam tanda kurung adalah dummy yang diestimasi

a. Interpretasikan hasilnya.
b. Apakah terdapat masalah dalam mengintepretaskan variabel dummy
pada model ini karena Y dalam bentuk log?
c. Bagaimana Anda menginterpretasikan koefisien-koefisien dummy?

Jawab.

9.8 a. Mengabaikan boneka untuk saat ini, karena ini adalah ganda regresi log,
setiap koefisien kemiringan yang diperkirakan mewakili suatu
elastisitas. Jadi, jika X2 (jumlah total kantor atau cabang di bank),
meningkat sebesar 1%, rata-rata, jam pemeriksa FDIC naik sekitar 0,22
persen, mungkin mencerminkan beberapa skala ekonomi. Koefisien lain
dari variabel X yang sudah ditebang harus ditafsirkan demikian pula. A
priori, semua koefisien X yang tercatat diharapkan positif, yang mana
mereka.

b&c Karena regressand dalam bentuk log, kita harus menafsirkan koefisien
dari variabel dummy sesuai saran yang dibuat oleh Halvorsen dan
Palmquist. Ambil antilog dari setiap perkiraan cofficient yang melekat
pada variabel dan pengurangan dummy 1 dari itu. Kalikan selisihnya
dengan 100, yang kemudian akan memberikan perubahan persentase
dalam regresi ketika variabel boneka berubah dari keadaan 0 ke
keadaan 1. Sebagai contoh, perhatikan koefisien D4, yaitu -0,2572.
Mengambil antilog nomor ini, kita mendapatkan 0,7732. Dengan
mengurangkan 1 dari ini, dan mengalikan dengan 100, kita
mendapatkan -22,68%. Jadi, ketika pemeriksaan dilakukan bersama
dengan negara, Jam pemeriksaan FDIC turun sekitar 23 persen.
Koefisien boneka lain harus ditafsirkan sama.

9.9. Untuk memeriksa pengaruh kebijakan Bank Sentral mengatur tingkat suku
bunga mulai Juli 1979, Sidney Langer, salah satu mahasiswa saya,
mengestimasi model berikut untuk periode kuartal 1975-III sampai dengan
1983-III

142
di mana
Y = tingkat suku bunga Treasury bill 3 bulan
P = tingkat inflasi yang diekspektasikan
Un = tingkat pengangguran dengan penyesuaian musiman
M = perubahan uang beredar
Dum = dummy, bernilai 1 untuk observasi yang dimulai 1 Juli
1979.

a. Interpretasikan hasilnya
b. Apakah pengaruh dari tingkat suku bunga deregulasi? Apakah hasilnya
masuk akal secara ekonomi?
c. Nilai koefisien P, Un, dan M, adalah negatif. Dapatkah Anda
memberikan suatu penjelasan ekonomi?

Jawab.

9.9 a&c Ceteris paribus, jika tingkat inflasi yang diharapkan naik sebesar 1
persentase poin, rata-rata tingkat tagihan Treasury (TB) diperkirakan
turun sekitar 0,13 poin persentase, yang tidak menghasilkan pengertian
ekonomi. Namun, koefisien TB tidak secara statistik, signifikan, karena
nilai t-nya hanya -1.34. Jika tingkat pengangguran naik sebesar 1 poin
persentase, rata-rata tingkat TB diperkirakan akan turun sekitar 0,71
poin persentase. Koefisien ini signifikan secara statistik, karena nilainya
adalah -4.24. Itu juga membuat pengertian ekonomi, karena tingkat
pengangguran yang lebih tinggi berarti melambat turunnya ekonomi
dan the Fed mungkin akan mengurangi tingkat TB untuk menghidupkan
kembali perekonomian. Jika perubahan dalam basis moneter naik oleh
suatu unit, rata-rata, tingkat TB diperkirakan akan turun, karena
peningkatan basis moneter, melalui efek berganda, mengarah pada
peningkatan jumlah uang beredar, yang akan memiliki efek mengurangi
tingkat bunga, ceteris paribus. Nilai Y yang tertinggal positif dan
signifikan secara statistik. Nilai yang tertinggal ini memperhitungkan
dinamika perubahan, topik yang dibahas dalam bab tentang model-
model lag terdistribusi.

b. Pada akhir 1979, Gubernur Bank Sentral AS, Paul Volker, mengubah
kebijakan moneter dari penargetan tingkat bunga menjadi penargetan
berbasis-moneter, tujuannya adalah untuk mengurangi tingkat inflasi
yang relatif tinggi yang berlaku di AS ekonomi. Dengan
mengencangkan basis moneter, yang menyebabkan peningkatan tingkat
TB, tingkat inflasi kemudian diturunkan secara signifikan. Kebetulan,
perhatikan bahwa koefisien boneka adalah signifikan secara statistik.

9.10. Merujuk pada regresi bertahap yang telah dibahas dalam buku ini. Anggap
tidak hanya terdapat perubahan koefisien kemiringan pada X*, tetapi juga

143
pada titik patahan garis regresi, seperti yang ditunjukkan oleh Figur 9.7.
Bagaimana Anda memodifikasi Persamaan (9.8.1) untuk menunjukkan
titik patahan garis regresi yang terjadi pada X*?

Jawab.
9.10 Tuliskan model sebagai:

Jadi, ketika X1 melebihi X8, intersep melompat dengan a2 dan kemiringan


berubah oleh β2

9.11. Pengaruh harga per ons kola. Cathy Schaefer, salah seorang mahasiswa
saya, mengestimasi regresi berikut ini dengan menggunakan data cross-
section dengan 77 observasi:

di mana
Pi = harga per ons kola
Dli = 001 jika di warung
= 010 jika di minimarket
= 100 jika di supermarket
D2i = 10 jika bermerek
= 01 jika tidak bermerek

Figur 9.7

D3i= 001 jika ukuran botol 67,6 ons (2 liter)

144
= 0010 jika ukuran botol 28-33,8 ons (catatan: 33,8 ons 1 liter)
= 0100 jika ukuran botol 16 ons
= 1000 jika ukuran botol 12 ons

Hasil regresinya adalah sebagai berikut:

Catatan: Dummy yang ditampilkan hanya sampai 5 angka di belakang


koma.

a. Berikan komentar bagaimana dummy digunakan dalam model tersebut.


b. Dengan mengasumsikan bahwa penggunaan dummy sudah benar,
bagaimana Anda menginterpretasikan hasilnya?
c. Nilai koefisien D, positif dan secara statistik signifikan. Bagaimana
Anda menjelaskan hasil ini?

Jawab.

9.11
a. Penetapan variabel dummy ini mengasumsikan konstanta
(proporsional) perbedaan; toko rantai adalah 10 kali skala toko diskon
dan toko serba ada 10 kali lipat skala toko rantai (atau 100 kali skala
toko diskon). Tentunya, ini semua sewenang-wenang.
b. Seperti yang diharapkan, cola merek lebih mahal daripada non-cola
merek. Juga hasilnya menunjukkan bahwa kontainer yang lebih kecil
lebih mahal daripada kontainer yang lebih besar, lagi seperti yang
diharapkan. Model tersebut menjelaskan sekitar 60% variasi harga cola.
c. Variabel boneka disetel dengan nilai yang lebih tinggi yang ditetapkan
untuk wadah yang lebih kecil.

9.12. Data pendapatan per kapita 101 negara dalam satuan dolar (X) dan
harapan hidup dalam tahun (Y) pada awal tahun 1970-an, Sen dan
Srivastava memperoleh hasil regresi berikut ini:

di mana Di = 1 untuk In Xi > 7, dan Di = 0 untuk lainnya. Catatan: Ketika


In Xi = 7, X = $1.097 (mendekati).

145
a. Apakah alasan menggunakan variabel pendapatan dalam bentuk log?
b. Bagaimana Anda menginterpretasikan koefisien 9,39 dalam In Xi?
c. Apakah alasan menggunakan regresor Di (In Xi-7)? Bagaimana Anda
menjelaskan regresor ini secara verbal? Dan, bagaimana Anda
menginterpretasikan koefisien - 3,36 dari regresor ini. (Petunjuk:
regresi linear bertahap)?
d. Dengan mengasumsikan bahwa pendapatan per kapita $1.097
merupakan batas antara negara kaya dan miskin, bagaimana Anda
menurunkan persamaan regresi untuk negara dengan pendapatan per
kapita kurang dari $1.097 dan regresi untuk negara dengan pendapatan
per kapita lebih dari $1.097?
e. Apakah kesimpulan umum yang Anda peroleh dari hasil regresi dalam
soal ini?

Jawab.

a. Koefisien variabel pendapatan dalam bentuk log adalah semi-elastisitas,


yaitu, ini mewakili perubahan mutlak dalam harapan hidup untuk perubahan
persen dalam pendapatan.
b. Koefisien ini menunjukkan bahwa harapan hidup rata-rata cenderung
meningkat sebesar 0,0939 tahun jika pendapatan per kapita meningkat
sebesar 1%, ceteris paribus. (Lihat Bab 6 tentang model lin-log).
c. Kemunduran ini diperkenalkan untuk menangkap efek peningkatan tingkat
pendapatan per kapita di atas nilai ambang $ 1097 pada harapan hidup.
Penyelidik ini memberikan jumlah tahun tambahan yang mungkin diharapkan
untuk hidup sebagai penghasilan seseorang berada di atas nilai ambang
batas. Nilai koefisien estimasi, bagaimanapun, tidak signifikan secara statistik,
karena nilai p dari koefisien yang diperkirakan adalah sekitar 0,1618.
d. Persamaan regresi untuk negara-negara di bawah tingkat pendapatan per
kapita $ 1097 adalah:

Untuk negara-negara dengan pendapatan per kapita lebih dari $ 1097,


regresi Persamaannya adalah:

Meskipun secara numerik kedua regresi terlihat berbeda, secara statistik


mereka tidak, karena koefisien dari istilah terakhir dalam persamaan adalah
nol secara statistik. Tampaknya tidak ada perbedaan yang dapat dilihat
secara statistik dalam harapan hidup antara negara miskin dan kaya, jika kita
berasumsi bahwa negara dengan pendapatan per kapita lebih besar dari $
1097 adalah negara yang lebih kaya.

146
9.13. Perhatikan model berikut ini:

di mana Di = 0 untuk 20 observasi pertama, dan Di = 1 untuk 30 observasi


sisanya . Anda juga mengetahui bahwa var(u2i) = 300

a. Bagaimana Anda menginterpretasikan β1 dan β2?


b. Berapakah nilai rerata untuk kedua kelompok?
c. Bagaimana Anda menghitung varians dari (β1 + β2)? Catatan: Anda
mengetahui bahwa cov (β1, β2) = 15

Jawab.

9.13 a&b. β1 memberikan nilai Y yang diharapkan untuk 20 pertama observasi


dan β2 memberikan perubahan dalam nilai Y yang diharapkan untuk 30
pengamatan berikutnya, nilai yang diharapkan sebenarnya dari Y untuk
yang terakhir 30 pengamatan adalah (β1 + β2).

c. Dari rumus terkenal untuk menemukan jumlah atau perbedaan dari dua
atau lebih variabel acak (Lihat App. A), dapat ditunjukkan bahwa

Untuk mendapatkan nilai numerik, kami mengikuti rumus yang


diberikan dalam bab 3 untuk model dua variabel. Dengan demikian,
kami memiliki:

Kami diberitahu bahwa kovarians antara dua estimator adalah 15.


Menempatkan semua angka-angka ini bersama-sama, kami
memperoleh:

147
9.14. Untuk memeriksa pengaruh hukum hak-hak bekerja dari negara bagian
(yang tidak memerlukan keanggotaan dalam serikat pekerja sebagai
persyaratan bagi pekerja) dalam keanggotaan serikat pekerja, regresi
berikut ini diperoleh dari data 50 negara bagian AS , tahun 1982

di mana PVT = persentase pekerja sektor swasta dalam serikat pekerja,


1982; dan RTW = 1 jika berlaku hukum hak-hak bekerja, 0 jika lainnya.
Catatan: Pada tahun 1982, hukum hak-hak bekerja berlaku di dua puluh
negara bagian.

a. Sebuah dugaan, bagaimana hubungan antara PVT dan RTW. yang


diekspektasikan?
b. Apakah hasil regresi mendukung hubungan yang diekspektasikan
tersebut?
c. Interpretasikan hasil regresi.
d. Berapakah rata-rata persentase dari pekerja sektor swasta dalam serikat
pekerja di negara bagian yang tidak menerapkan hukum hak-hak
bekerja?

Jawab.

9.14 a. Hubungan yang diharapkan antara dua variabel adalah negatif.

b. Ya, benar.

c&d. Negara-negara yang tidak memiliki undang-undang hak untuk bekerja,


keanggotaan serikat rata-rata adalah sekitar 19,8%. Di sisi lain, di
negara-negara dengan undang-undang seperti itu keanggotaan serikat
lebih rendah sekitar 9,39 poin persentase, untuk keanggotaan aktual
sekitar 10,42%.

9.15. Pada model berikut ini:

Y menunjukkan upah per jam dalam dolar dan D adalah variabel dummy,
yang bernilai 1 untuk lulusan perguruan tinggi dan 0 untuk lulusan sekolah
menengah atas. Dengan menggunakan formula OLS yang terdapat pada
Bab 3, tunjukkan bahwa

di mana subscript memiliki arti berikut ini: hg = lulusan sekolah menengah


atas (high-school graduate) dan cg = lulusan perguruan tinggi (college

148
graduate). Secara keseluruhan, ada n1 lulusan sekolah menengah atas dan
n2 lulusan perguruan tinggi, untuk sampel total n = n1 + n2.

Jawab.

9.15 Dari rumus OLS yang diberikan di Bab 3, kita tahu bahwa:

Sekarang penyebut dalam Persamaan. (1) dapat ditulis sebagai:

Pembilang dalam Persamaan. (1) dapat ditulis sebagai:

9.16 Untuk mempelajari tingkat pertumbuhan populasi di Belize selama periode


1970-1992, Mukherjee, et al. mengestimasi model berikut ini:

di mana Pop = populasi dalam juta, t = variabel trend, Dt = 1 untuk


observasi mala dari 1978 dan 0 untuk observasi sebelum 1978, serta In
untuk logaritma natural.

149
a. Pada Model I, berapa tingkat pertumbuhan populasi Belize sepanjang
periode sampel?
b. Apakah tingkat pertumbuhan populasi secara statistik berbeda sebelum
dan sesudah 1978 Bagaimana Anda mengetahuinya? Jika berbeda,
berapakah tingkat pertumbuhan untuk periode 1972-1977 dan 1978-
1992?
Jawab.

9,16

a. 2,4%.
b. Karena baik intercept diferensial dan koefisien slope sangat signifikan,
tingkat serta tingkat pertumbuhan populasi dalam dua periode berbeda.
Tingkat pertumbuhan untuk periode tersebut sebelum 1978 adalah 1,5%
dan setelah 1978 adalah 2,6% (= 1,5% + 1,1%).

9.17. Dengan menggunakan data yang terdapat pada Tabel9.8, ujihipotesis yang
menyatakan bahwa error variance bernilai sama pada dua subperiode
1958-IV sampai dengan 1966 III dan 1966-IV sampai dengan 1971-II.

Jawab.

9.17. Menjalankan regresi untuk dua periode secara terpisah, kami menemukan
itu untuk periode pertama o21 = 0,00768 (df = 30) dan untuk periode kedua
o21 = 0,03638 (df = 17). Kemudian dengan asumsi bahwa varians populasi
masing-masing adalah sama, dan mengikuti Persamaan. (8.8.8), rasio
berikut mengikuti distribusi F.

Dalam contoh kami, k = 2, n1 = 32 dan n2 = 19. Menempatkan nilai-nilai


yang relevan dalam ekspresi di atas, kita memperoleh:

F = 4,7369

Nilai p memperoleh F sebanyak 4,7369 atau lebih besar sekitar 0,00001,


yang sangat kecil. Kesimpulannya adalah bahwa varians dalam dua sub-
periode tidak sama.

9.18. Dengan menggunakan metodologi yang dibahas dalam Bab 8,


bandingkanlah regresi yang tidak terbatas dan yang terbatas-(9.7.3) dan
(9.7.4); yaitu pengujian untuk validitas dari batasan yang digunakan.

150
Jawab.

9.18 Karena variabel dependen dalam model (9.7.3) dan (9.7.4) adalah sama,
kita dapat menggunakan versi R2 dari uji F yang diberikan dalam
Persamaan. (8.7.10). Dalam contoh ini, R2 terbatas (yaitu, R2R) diperoleh
dari (9,7,3), yaitu 0,5318 dan R2 tak terbatas (yaitu, R2UR) diberikan oleh
(9,7,4), yaitu 0,7298. Di contoh kami n = 2, k = 5 dan m = 1 (pastikan
Anda mendapatkan ini dengan benar). Menempatkan nilai-nilai ini dalam
Persamaan. (8.7.10), kami memperoleh:

yang memiliki distribusi F dengan 1 dan 27 df. dalam pembilang dan


penyebut, masing-masing. Nilai p untuk mendapatkan nilai F sebanyak
19,8 atau lebih besar (untuk 1 dan 27 df) hampir nol. Kesimpulan yang
muncul adalah bahwa pembatasan yang dikenakan oleh model (9.7.3),
bahwa tidak termasuk variabel X, tidak valid. Masukan positif, variabel X,
pengeluaran untuk barang tahan lama, harus diperkenalkan dalam model.

9.19. Pada regresi tabungan-pendapatan AS (9.5.4) yang telah dibahas dalam


bab ini, anggap selain menggunakan nilai 1 dan 0 sebagai variabel dummy,
Anda menggunakan Zi = a + bDi di mana Di = 1 dan 0, a = 2, serta b = 3.
Bandingkan jawaban Anda

Jawab.

9.19 Dalam hal ini, variabel dummy Z mengambil nilai 2 ketika D = 0 dan
dibutuhkan nilai 5 ketika D = 1. Dengan menggunakan tugas dummy ini,
kita mendapatkan hasil regresi berikut:

151
Sekarang dalam membandingkan hasil sebelumnya dengan yang diberikan
dalam (9.5.4), (9.5.6) dan (9.5.7), kita harus berhati-hati, karena variabel Z
mengambil nilai 2 (ketika D = 0) dan nilai 5 (ketika D = 1). Untuk
memperoleh regresi pendapatan-tabungan yang sebanding dengan (9.5.6)
(yaitu, ketika nilai boneka asli nol), di mana Z muncul, letakkan nilai 2,
yang memberikan:

yang sama dengan yang diperoleh dalam (9.5.6), kecuali untuk kesalahan
pembulatan.

Regresi Penghasilan-Pendapatan: 982-1995:

Pesan dari latihan ini adalah bahwa pilihan nilai numerik untuk variabel
dummy pada dasarnya adalah arbitrer.

9.20, Melanjutkan regresi tabungan-pendapatan (9.5.4), anggap Anda


menggunakan Di-0 untuk observasi pada peridoe kedua dan Di = l untuk
observasi pada periode pertama. Bagaimanakah perubahan hasil yang
ditunjukkan oleh regresi (9.5.4)?

Jawab.

9.20 Seperti yang Anda duga, tanda koefisien boneka dalam (9.5.4) akan
menjadi -152.4786 dan tanda koefisien (DA) akan menjadi positif. Istilah
intercept sekarang akan menjadi 153.4973 dan koefisien variabel
pendapatan akan menjadi 0,0148. Semua ini mengikuti secara logis.

9.21. Dengan menggunakan data pada Tabel 9.2 dan memperhatikan model
berikut ini:

In Tabungan

di mana ln menunjukkan log natural, serta D = 1 untuk periode 1970-1981


dan 10 untuk periode 1982-1995.

152
a. Apakah penjelasan rasional dari penggunaan nilai dummy seperti model
tersebut?
b. Lakukan estimasi untuk model tersebut, kemudian interpretasikan
hasilnya.
c. Berapakah nilai intercept untuk fungsi tabungan pada kedua subperiode
dan bagaimana Anda menginterpretasikannya?

Jawab.

9.21 a. Sejak boneka masuk dalam bentuk log, dan sejak log dari nol tidak
terdefinisi, dengan mendefinisikan ulang boneka sebagai 1 dan 10, kita
dapat memperoleh log dari angka-angka ini.

b. Hasil regresi adalah sebagai berikut (nilai t dalam tanda kurung):

Karena koefisien boneka tidak signifikan secara statistik, untuk semua


tujuan praktis kedua istilah intersep adalah sama. Itu interpretasi
koefisien intercept dari -0,1589 adalah bahwa itu mewakili nilai log
tabungan ketika semua regresor ambil nilai nol. Mengambil antilog
nilai ini, kita dapatkan nilai 0,8531 (miliaran dolar). Tentu saja, angka
ini mungkin tidak memiliki makna ekonomi.

Mungkin menarik untuk membandingkan hasil regresi sebelumnya


dengan hasil berikut, yang memungkinkan untuk efek interaksi:

Sekarang Anda mendapatkan gambaran yang sepenuhnya berbeda,


untuk diferensial intercept dan slope dummies keduanya signifikan.
Untuk 1982-Periode 1995, MPS (marginal propensity to save) adalah
0,6303, sedangkan untuk periode sebelumnya adalah 0,9288. Dengan
token yang sama, istilah intersep untuk periode pertama adalah negatif
tetapi positif untuk periode kedua.

Seperti yang ditunjukkan dalam perhitungan sebelumnya, lihat


bagaimana kesalahan spesifikasi dapat mengubah hasil.

9.22. Merujuk pada data penjualan perlengkapan rumah tangga per kuartal yang
terdapat pada Tabel 9,3, Perhatikan model berikut ini:

153
di mana D adalah variabel dummy yang bernilai 1 dan 0 untuk kuartal
kedua hingga keempat.

a. Estimasikan model tersebut masing-masing untuk mesin cuci piring,


tempat sampah, dan mesin cuci.
b. Bagaimana Anda menginterpretasikan koefisen kemiringan yang hasil
estinasi?
c. Bagaimana Anda menggunakan hasil estimasi untuk penyesuaian
musiman data penjualan dari masing-masing perlengkapan rumah
tangga?

Tabel. 9.9

Jawab.

9.22 a. Kami menyajikan hasil untuk tiga peralatan berikut ini bentuk tabel:

154
b. Koefisien "kemiringan" sebenarnya merupakan penyadapan diferensial,
dengan kuartal pertama sebagai kuartal referensi. Hanya dummy
perempat ke-4 untuk mesin cuci yang secara statistik berbeda secara
signifikan dari kuartal pertama; menunjukkan bahwa hanya mesin cuci
yang menunjukkan beberapa jenis musim. Ini berbeda dengan hasil
untuk lemari es yang diberikan di (9.7.3) di mana ada musim musiman
di kuartal kedua dan ketiga (tetapi bukan kuartal ke-4).

c. Karena tidak ada musim yang secara statistik terlihat dalam penjualan
mesin pencuci piring dan penjualan, maka tidak perlu melakukan
deseasonisasi data. Untuk mesin cuci, residu dari regresi yang akan
mewakili seri waktu deseasonalized.

9.23. Estimasikan kembali model pada Latihan 9.22 dengan menambahkan


regresor, pengeluaran untuk barang-barang tahan lama.

a. Apakah terdapat perbedaan dalam hasil regresi yang Anda peroleh pada
Latihan 9.2.2 dan pada latihan ini? Jika ada, jelaskan perbedaannya?
b. Jika terdapat pengaruh musiman dalam data pengeluaran untuk barang-
barang tahan lama, bagaimana Anda memperhitungkannya (dalam
model)?

Jawab.

9.23 Hasil regresi, diperoleh dari Eviews 3 adalah sebagai berikut: Dalam tabel
berikut, D1, D2 dan D3 adalah dummy untuk kuartal kedua, ketiga, dan
keempat. DISH, DISP dan WASH mewakili, masing-masing, penjualan
mesin pencuci piring, disposer dan mencuci mesin, dalam ribuan unit dan
DUR mewakili pengeluaran barang tahan lama dalam miliaran dolar.
Tidak semua statistik yang diberikan dalam tabel tersebut belum dibahas,
tetapi mereka akan seperti yang kita kemajuan melalui buku.

155
156
b. Penambahan pengeluaran pada barang tahan lama dalam persamaan
untuk mesin pencuci piring tidak mengubah hasil sejauh musiman
adalah prihatin; tidak ada data musiman (dibandingkan dengan kuartal
pertama). Hasil untuk disposers secara substansial berbeda dalam
sekarang ada musiman diucapkan pada kuartal kedua dan ketiga. Hasil
untuk mesin cuci secara kualitatif sama. Perhatikan, bagaimanapun,
dalam setiap regresi koefisien pengeluaran barang tahan lama secara
statistik signifikan.

c. Dimasukkannya variabel dummy dalam model regresi mengurus


musiman, jika ada, tidak hanya dalam penjualan berbagai peralatan
tetapi juga dalam pengeluaran barang tahan lama, a la Frisch -Teorema
Waugh disebutkan dalam bab ini.

9.24. Tabel 9.9 menunjukkan data mengenai pemilihan presiden di AS dari 1916
hingga 2004,

a. Dengan menggunakan Data pada Tabel 9.9, buatlah model yang cocok
untuk memprediksi bagian dari partai Demokrat dari pemilihan
presiden yang berasai dari dua partai berbeda.
b. Bagaimana Anda menggunakan model tersebut untuk memprediksi
hasil dari pemilihan presiden?
c. Chatterjee et al. menyarankan model berikut sebagai model percobaan
untuk memprediksi pemilihan presiden:

Estimasikan model ini dan berikan komentar terhadap hasilnya dalam


kaitannya dengan hasil dari model yang Anda pilih.

Jawab.

9.24 a&b. Ini yang tersisa untuk setiap siswa. Tahun 2000 AS Pemilihan Presiden
diadakan pada tanggal 7 November 2000. Jika Anda telah
menggunakan model Anda, apakah Anda telah memprediksi hasil
pemilihan tahun 2000 dengan benar?

c. Hasil dari model ini adalah sebagai berikut:

157
Para penulis tidak memasukkan G sebagai regresi. Mungkin itu bisa
ditambahkan ke model.

9.25. Merujuk pada regresi (9.6.4). Uji hipotesis yang menyatakan bahwa
peningkatan rata rata pendapatan per jam untuk tingkat pendidikan yang
sama, dibedakan oleh jenis kelamin dan ras. (Petunjuk: Gunakan dummy
perkalian)

Jawab.

9.25 Hasil regresi berdasarkan Eviews3 adalah sebagai berikut:

158
Seperti yang ditunjukkan oleh hasil ini, boneka ras gender secara statistik
signifikan pada level 8%. Jika Anda menganggap nilai p ini sebagai cukup
rendah, maka boneka interaktif adalah signifikan dan hasil yang diberikan
(9.6.4) harus ditafsirkan ulang. Gaji rata-rata sehubungan dengan gender
saja (perhatikan dummy jenis kelamin adalah 1 untuk perempuan) lebih
rendah sekitar $ 2,36 per jam dibandingkan dengan upah rata-rata per jam
laki-laki. Demikian juga, upah per jam rata-rata lebih rendah sekitar $ 1,73
untuk pekerja non-kulit putih / non-Hispanik. Tetapi hasil ini perlu
dimodifikasi untuk memperhitungkan ras jender interaktif.

Misalnya, jika Anda memegang balapan konstan, upah rata-rata per jam
untuk wanita sekarang lebih rendah dengan hanya $ 0,2317 (= -2,3606 +
2,1289). Demikian pula, jika Anda memegang gender konstan, gaji rata-
rata pekerja putih / non-Hispanik sebenarnya lebih tinggi sekitar $ 0,3962
(= - 1,7327 + 2,1289). Jadi Anda bisa melihat bagaimana dummy interaktif
melemahkan atau memperbesar efek aditif saja.

9.26. Merujuk pada regresi (9.3.1). Bagaimana Anda memodifikasi model untuk
mengetahui apakah terdapat interaksi antara variabel dummy untuk jenis
kelamin dan daerah tempat tinggal? Jelaskan hasilnya berdasarkan model
dan bandingkan hasilnya dengan yang diberikan pada Persamaan (9.3.1).

Jawab.

9.26 Hasil regresi, berdasarkan Eviews3, adalah sebagai berikut:

Seperti hasil ini menunjukkan, tampaknya tidak ada banyak interaksi


antara status perkawinan dan wilayah, karena boneka multiplikatif tidak
signifikan; nilai p-nya sekitar 20%. Sepertinya tidak perlu
memperkenalkan boneka interaktif. Oleh karena itu, hasil yang diberikan
dalam (9.3.1) dapat diandalkan.

159
9.27. Dalam model Y = β1 + β2D + ui anggap Di = 0 untuk 40 observasi
pertama dari D1 = 1 untuk 60 observasi sisanya. Anda mengetahui bahwa
ui memiliki nilai rerata o dan varians 100. Berapakah nilai rerata dan
varians dari kedua kelompok observasi?

Jawab.

9.27. β1, akan memberikan nilai rata-rata dari 40 observasi pertama dan (β1 +
β2) akan memberikan nilai rata-rata dari 60 observasi selanjutnya. Varians
β1, = 100/40, dan varians (β1 + β2) = 100/60. Ingat bahwa jika X adalah
variabel acak dengan mean E (X) dan var = o2x, maka mean sampel X
memiliki nilai harapan yang sama tetapi variannya sama dengan o2x / n di
mana n adalah ukuran sampel.

9.28. Merujuk pada contoh regresi tabungan-pendapatan AS yang telah dibahas


pada bab ini. Sebagai alternatif dari Persamaan (9.5.1), perhatikan model
berikut ini:

di mana Y adalah tabungan dan X adalah pendapatan.

a. Estimasikan model tersebut dan bandingkan hasilnya dengan hasil yang


diperoleh dari Persamaan (9.5.4). Model mana yang lebih baik?
b. Bagaimana Anda menginterpretasikan koefisien dummy pada model
ini?
c. Seperti yang kita lihat pada bab mengenai heteroskedastisitas, sangat
sering terjadi suatu transformasi log dari variabel dependen yang
mengurangi heteroskedastistas data. Periksalah apakah kasus ini terjadi
pada contoh dengan melakukan regresilog Y terhadap X untuk kedua
periode dan periksa juga apakah error variance untuk kedua periode
secara statistik sama. Jika ya, uji Chow dapat digunakan untuk data
dalam kasus yang terindikasi pada bab ini.

Jawab.

9.28 Hasilnya, menggunakan Eviews3 adalah sebagai berikut:

160
a. Model (9.5.4) adalah model linier, sedangkan yang sekarang adalah
model log-lin. Oleh karena itu, kemiringan lereng dari regressor dalam
model ini harus ditafsirkan sebagai semi elastisitas. Secara kualitatif,
kedua model memberikan hasil yang serupa. Karena kemunduran dalam
dua model berbeda, kita tidak dapat membandingkan dua R2s langsung.
b. Sebagaimana dicatat dalam bab ini, jika kita mengambil antilog dari
dummy Koefisien 3,6772, apa yang kami dapatkan adalah penghematan
rata-rata di periode 1970-1981, memegang semua faktor lain yang
konstan. Sekarang antilog (3.6772) = 39.5355. Jadi, jika pendapatan
nol, tabungan rata-rata pada 1970-1981 akan menjadi sekitar 40 miliar
dolar. Sekali lagi, orang harus menafsirkan angka ini dengan butiran
garam. Sekarang jika kita mengambil antilog (3.6772 + 1.3971) =
159.8602, ini akan menjadi penghematan rata-rata pada periode 1982-
1995, memegang konstanta pendapatan. Sekali lagi, berhati-hatilah
dalam menerima angka ini pada nilai nominalnya.
c. Regressing log dari Y (tabungan) pada X (pendapatan), perkiraan
varians kesalahan dalam dua periode adalah: o2 = 0,0122 (df = 10) dan
o2 = 0,0182 (df = 12) Berdasarkan hipotesis nol bahwa varians dari dua
populasi adalah sama, kita membentuk

Untuk 12, dan 10 df di pembilang dan penyebut, masing-masing, nilai


ini tidak signifikan bahkan pada tingkat 25%. Oleh karena itu, kita
dapat menyimpulkan bahwa dua varian kesalahan adalah sama.
Perhatikan bahwa dalam model asli yang dibahas dalam bab ini, kami
meregritkan Y (bukan In Y) pada X. Jadi, jika ada heteroskedastisitas
dalam model asli dan tidak dalam model log-lin, itu menunjukkan
bahwa transformasi log mungkin lebih tepat.

161
10.1. Pada model regresi linear variabel k, terdapat persamaan normal k untuk
mengetimasi hal k yang tidak diketahui. Persamaan-persamaan normal
ini akan diberikan pada Lampiran C. Asumsikan bahwa Xk adalah
kombinasi linear sempurna dari variabel- variabel Xsi Bagaimana Anda
menunjukkan ada kasus ini bahwa tidak mungkin untuk mengestimasi
koefisien regresik?

Jawab.

10.1 Jika Xk adalah kombinasi linear sempurna dari penjelasan yang tersisa
variabel, maka ada persamaan (k-1) dengan k tidak diketahui. Dengan
lebih banyak hal yang tidak diketahui selain persamaan, solusi unik tidak
mungkin dilakukan.

10.2. Kumpulan data hipotetis pada Tabel 10.11. Anggap Anda ingin
mencocokkannya dengan model berikut

dengan data.

a. Bisakah Anda mengestimasi ketiga hal yang tidak diketahui?


Mengapa atau mengapa tidak?

b. Jika tidak, apakah fungsi linear pada parameter-parameter ini, fungsi


yang dapat diestimasi, dapatkah Anda melakukannya? Tunjukkan
perhitungan yang diperlukan.

Jawab.

10.2 a. Tidak, Variabel X31 adalah kombinasi linear yang tepat dari X21,
karena

162
b. menulis ulang persamaan hasil,

Oleh karena itu, kita dapat memperkirakan a1 dan a2 secara unik, tetapi
bukan beta yang asli karena kita memiliki dua persamaan untuk
menyelesaikan tiga hal yang tidak diketahui.

10.3. Mengacu pada contoh kematian anak yang dibahas dalam Bab 8 (Contoh
8.1). Contoh tersebut melibatkan regresi kematian balita (CM) terhadap P
per kapita (PNBP) dan tingkat kepandaian membaca wanita (FLR). Kini,
anggap kita menambahkan variabel total tingkat kesuburan (TFR). Hal ini
memberikan hasil regresi sebagai berikut.

a. Bandingkan hasil tersebut dengan hasil regresi yang diberikan pada


Persamaan (8.1.4). Apakah perubahan yang Anda lihat? Dan,
bagaimana Anda menghitung perubahan tersebut?

b. Apakah penambahan variabel TFR cukup bermanfaat? Mengapa?

c. Oleh karena semua koefisien t individual secara statistik tidak


signifikan, dapatkah kita mengatakan bahwa kita tidak memiliki
problem kolinearitas pada kasus ini?

Jawab.

10.3

a. Meskipun nilai-nilai numerik dari intercept dan slope koefisien PGNP


dan FLR telah berubah, tanda-tanda mereka tidak. Juga, variabel-
variabel ini masih signifikan secara statistik. Perubahan ini adalah

163
karena penambahan variabel TFR, menunjukkan bahwa mungkin ada
beberapa collinearity di antara para regresor.

b. Karena nilai t dari koefisien TFR sangat signifikan (nilai p hanya


0,0032), tampaknya TFR termasuk dalam model. Tanda positif dari
koefisien ini juga masuk akal karena semakin besar jumlah anak yang
dilahirkan oleh seorang wanita, semakin besar kemungkinan
meningkatnya angka kematian anak.

c. Ini adalah salah satu kejadian "bahagia" di mana meskipun mungkin


collinearity, koefisien individu masih signifikan secara statistik.

10.4. Jika hubungan berlaku untuk semua nilai y1,


y2, dan y3, estimasikan r12.3, dan r13.2 Temukan juga nilai R123 + R213 dan
R312. Bagaimana derajat multikolinearitas pada situasi ini? Catatan: R123
adalah koefisien determinasi pada regresi Y terhadap X2 dan X3. Nilai R2
yang lain juga diinterpretasikan serupa

Jawab.

10.4 Relasi dapat ditulis ulang sebagai:

Tingkat multikolinearitas adalah sempurna.

164
10.5. Perhatikan model berikut

di mana Y = konsumsi, X = pendapatan, dan t = waktu. Model tersebut


menetapkan bahwa pengeluaran konsumsi pada waktu t adalah fungsi dari
tidak hanya pendapatan pada waktu t, tetapi juga pendapatan dari periode
sebelumnya. Jadi, pengeluaran konsumsi pada kuartal pertama Lahun 2000
adalah fungsi pendapatan pada kuartal tersebut dan empat kuartal tahun
1999. Model semacam itu disebut model distributed lag, dan kita akan
membahasnya pada bab selanjutnya.

a. Apakah Anda mengekspektasikan terdapat multikolineartias pada


model semacam itu dan mengapa?

b. Jika kolinearitas diekspekatasikan terjadi, bagaimana cara Anda


menyelesaikan 'problem tersebut?

Jawab.

10.5
a. Ya. Ekonomi data time Series cenderung bergerak ke arah yang sama.
Di sini, para tertinggal variabel pendapatan umumnya akan bergerak
dalam arah yang sama.

b. Sebagai dibahas secara singkat dalam pasal 10 dan Dijelaskan lebih


lanjut dalam Bab 17, perbedaan pertama transformasi dapat
meringankan masalah.

10.6. Perhatikan contoh ilustratif pada subbab 10.6 (Contoh 10.1). Bagaimana
Anda merekonsiliasi perbandingan kecenderungan tambahan konsumsi
(MPC) yang didapatkan dari Persamaan (10.6.1) dan (10.6.4)?

Jawab.

10.6 ketika kekayaan dihapus dari model, model misspecified dan pendapatan
efek koefisien bias. Oleh karena itu, apa satu mengamati di eq. (10.6.4)
adalah bias estimasi pendapatan koefisien. Sifat biasnya sebagai berikut:

dimana b12 adalah koefisien kemiringan dalam regresi Y pada X2. dan
b32 adalah koefisien kemiringan dalam regresi X3 pada X2. Dari data
yang diberikan, kami punya

165
10.7. Pada data yang mengandung ekonomi time series, seperti PNB, uang
beredar, harga, pendapatan, pengangguran, dan lain-lain, biasanya
dicurigai terdapat multikolinearitas. Mengapa?

Jawab.

10.7. Sebagaimana dibahas dalam Pertanyaan 10.5, variabel ekonomi sering


dipengaruhi oleh faktor-faktor serupa seperti siklus bisnis dan tren. Oleh
karena itu, dalam analisis regresi, menggunakan variabel seperti GNP dan
uang beredar, seseorang harus mengharapkan multikolinieritas.

10.8. Anggap pada model

bahwa r23 koefisien korelasi antara X2 dan X3, bernilai nol. Oleh karena
itu, seseorang menyarankan Anda untuk melakukan regresi berikut:

a. Akankah a2 = β2 dan y3 = β3? Mengapa?

b. Akankah β1 sama dengan a1 atau y1, atau kombinasi dari keduanya?

c. Akankah var (β2) = var (a2) dan var (β3) = var (y3.)?

Jawab.

10.8

a. Ya. Ini karena koefisien korelasi adalah nol antara X2 dan X3.
Akibatnya, istilah produk silang menghilang dalam rumus untuk β
koefisien (persamaan 7,4,7 dan 7,4,8) dan rumus menjadi sama dengan
koefisien a dan y (persamaan 3.1.8).

b. Ini akan menjadi kombinasi, seperti yang ditunjukkan di bawah ini:

166
c. Tidak, karena alasan berikut:

10.9 Merujuk pada contoh ilustratif pada Bab 7, di mana kita menggunakan
fungsi produksi Cobb-Douglas untuk sektor industri 50 negara bagian AS
dan District of Columbia, tahun 2005. Hasil dari regresi tersebut diberikan
pada Persamaan (7.9.4). yang menunjukkan bahwa koefisien tenaga kerja
dan kapital, secara statistik dan individual, signifikan.

a. Temukan apakah variabel tenaga kerja dan kapital berkorelasi kuat.

b. Jika jawaban (a) positif akankah Anda menghilangkan, katakanlah,


variabel tenaga kerja dari kapital dan melakukan regresi variabel output
hanya terhadap input kapital saja?

c. Jika Anda melakukan hal itu, bias spesifikasi seperti apa yang akan
terjadi? Temukan sifat alamiah dari bias spesifikasi tersebut.

Jawab.

10.9
a. Koefisien korelasi antara tenaga kerja dan modal adalah tentang 0,698,
yang relatif tinggi.

b. Tidak. Meskipun korelasi antara dua variabel, yang koefisien regresi


secara statistik signifikan pada tingkat 5%. Menurunkan tegangan
variabel mengarah pada bias spesifikasi.

c. Jika tenaga kerja dijatuhkan, koefisien modal akan bias. Bias dapat
dihitung setelah Latihan 10.6. Di sini biasnya adalah: (β2) (b23) = (1
.4988) (0,1319) = 0,1975.

10.10 Merujuk Contoh 7.4. Untuk soal ini, matriks korelasi adalah sebagai
berikut:

167
a. “Oleh karena korelasi zero-ordersangat tinggi, pasti terdapat
multikolinearitas yang parah”. Berikan komentar terhadap pernyataan
tersebut.

b. Akankah Anda menghilangkan variable Xi2 dan Xi3 dari model?

c. Jika Anda menghilangk variabel-variabeltersebut, apakah yang akan


terjadi pada nilai dari koefisien Xi?

Jawab.

10.10
a. Tidak. Multikolinearitas mengacu pada hubungan linier di antara
variabel. Di sini asosiasi bersifat nonlinear.

b. Tidak ada alasan untuk menjatuhkan mereka. Mereka secara teoritis


serta signifikan secara statistik dalam contoh ini.

c. Jika salah satu variabel dijatuhkan, akan ada bias spesifikasi yang akan
muncul dalam koefisien (s) dari variabel yang tersisa (s).

10.11. Stepwise regression. Dalam memutuskan kumpulan variabel penjelas yang


"terbaik" bagi sebuah model regresi, peneliti-peneliti sering kali mengikuti
metode stepwise regression. Pada metode ini, prosesnya adalah
menambahkan satu demi satu variabel X yang berbeda ke dalam model
hingga memperoleh model yang diinginkan (stepwise forward regression)
atau dengan memasukkan semua kemungkinan variabel Xke dalam model
dan kemudian menguranginya satu per satu hingga menemukan model
yang baik (step wise backward regression). Keputusan menanibahkan atau
membuang sebuah variabel biasanya dibuat berdasarkan kontribusi
variabel tersebut terhadap penjelasan atas jumlah kuadrat (ESS), seperti
yang ditunjukkan oleh uji F. Setelah mengetahui hal yang Anda lakukan
terhadap multikolinearitas, akankah Anda merekomendasikan salah satu
dari kedua langkah tadi? Mengapa atau mengapa tidak?"

Jawab.

10.11. Variabel harus ditambahkan berdasarkan teori, bukan pada dasar


penambahan satu variabel lagi hanya untuk meningkatkan (ESS) atau R2.
Selain itu, jika variabel berkorelasi, menambah atau mengurangi variabel
akan mengubah nilai dari koefisien lainnya

168
10.12. Nyatakan dengan alasan apakah pernyataan berikut benar, salah, atau tidak
pasti:

a. Walaupun terdapat multikolinearitas sempurna. estimator-estimator


OLS tetap BLUE.

b. Pada kasus multikolinearitas yang kuat, tidak mungkin untuk


mengestimasi signifikansi individual dari satu atau lebih koefisien
regresi parsial.

c. Jika sebuah regresi penyokong menunjukkan bahwa Ri tertentu tinggi,


terdapat bukti yang cukup dari kolinearitas yang kuat.

d. Korelasi berpasangan yang tinggi tidak menunjukkan bahwa terdapat


multikolinearitas yang tinggi.

e. Multikolinearitas tidak berbahaya jika tujuan dari analisis hanya sebatas


prediksi.

f. Semakin tinggi VIF semakin tinggi varians dari estimator-estimator


OLS.

g. Toleransi (TOL) adalah ukuran multikolinearitas yang lebih baik


dibandingkan VIF.

h. Anda tidak akan mendapatkan nilai R2 yang tinggi pada sebuah regresi
majemuk jika semua koefisien kemiringan parsial, secara statistik dan
individual, tidak signifikan berdasarkan uji t yang biasa.

i. Pada regresi Y terhadap X2 dan X3, anggaplah hanya terdapat


sedikit keragaman pada nilai X3. Hal ini akan meningkatkan var(β3).
Pada kasus yang ekstrem, jika semua nilai X3 identik, nilai var(β3)
menjadi tidak terhingga

Jawab.

10.12

a. Salah. Jika hubungan linear yang tepat (s) ada di antara variabel, kami
bahkan tidak dapat memperkirakan koefisien atau kesalahan standar
mereka.

b. Salah. Seseorang mungkin dapat memperoleh satu atau lebih nilai t


yang signifikan.

c. Salah. Sebagaimana dicatat dalam bab (lihat Persamaan 7.5.6), varians


dari estimator OLS diberikan oleh rumus berikut:

169
Seperti dapat dilihat dari rumus ini, R2J yang tinggi dapat diimbangi
oleh a2 rendah atau tinggi

d. Tidak pasti. Jika sebuah model hanya memiliki dua regressor, koefisien
korelasi berpasangan tinggi dapat menyarankan multikolinieritas. Jika
satu atau lebih regresi masuk secara non-linear, korelasi berpasangan
dapat memberikan jawaban yang menyesatkan.

e. Tidak pasti. Jika collinearity diamati berlanjut di masa depan nilai


sampel, maka mungkin tidak ada salahnya. Tetapi jika itu tidak terjadi
atau jika tujuannya adalah perkiraan yang tepat, maka multikolinearitas
mungkin menjadi masalah.

f. Salah. Lihat jawaban untuk (c) di atas.

g. Salah. VIF dan TOL memberikan informasi yang sama.

h. Salah. Satu biasanya memperoleh R2 tinggi dalam model dengan


regresi yang sangat berkorelasi.

i. Benar. Seperti yang Anda lihat dari rumus yang diberikan dalam (c),
jika variabilitas dalam X3 kecil, R2J akan cenderung kecil dan
ekstrimkasus tidak ada variabilitas di X3, , akan menjadi nol, dalam
hal ini varians dari perkiraan fi3 akan menjadi tidak terbatas.

10.13 a. Tunjukkan bahwa jika r1i = 0 untuk i = 2,3,....k, maka

R1.2.3...k = 0

b. Apakah peranan penting dari temuan tersebut untuk regresi variabel X1(
= Y ) terhadap X2, X3,..., Xk?

Jawab.

10.13
a. Mengacu pada Persamaan. (7.11.5) kita melihat bahwa jika semua r2
bernilai nol, R2 adalah nol ipso facto.

b. Jika regressand tidak berkorelasi dengan masing-masing regresor, maka


tidak ada variasi dalam regressand yang akan dijelaskan oleh model.

10.14 Anggap semua koefisien korelasi aero-order dari X1( =Y ),X2.....Xk sama
dengan r.

a. Berapakah nilai dari R21.2.3...k?

170
b. Berapakah nilai koefisien korelasi ordo-satu?

Jawab.

10.14
a. Pertimbangkan Persamaan. (7.11.5). Jika semua korelasi orde nol, atau
kotor r, rumus ini mengurangi menjadi:

b. Menggunakan (7.11.1), dapat dilihat, misalnya, itu

10.15 Pada notasi matriks dapat ditunjukkan (Lihat Lampiran C) bahwa

a. Apa yang terjadi pada β ketika terdapat kolinearitas sempurna di antara


variabel X

b. Bagaimana Anda mengetahui keberadaan kolinearitas sempurna?

Jawab.

10.15
a. Jika ada multikolinearitas sempurna, (X'X) menjadi tunggal, oleh
karena itu, tidak dapat dibalik. Akibatnya, koefisien dan kesalahan
standar mereka tidak terdefinisi.

b. Tes akan memeriksa determinan (X'X). Jika nol, ada collinearity


sempurna.

10.16 Menggunakan notasi matriks, dapat ditunjukkan bahwa

Apa yang terjadi pada matriks var-cov tersebut:

a. Ketika terdapat multikolinearitas sempurna?

b. Ketika kolinearitas tinggi, tetapi tidak sempurna?

Jawab.

171
10.16

a. Karena dalam kasus multikolinieritas sempurna matriks (X'X) tidak


dapat dibalik, matriks varians-kovarian tidak terdefinisi.

b. Jika collinearity tinggi, matriks variance-covariance adalah


didefinisikan, tetapi varians (yang diberikan oleh elemen pada diagonal
utama) akan cenderung sangat besar sebagai determinan (X'X)
mendekati nol ketika derajat collinearity semakin kuat.

10.17. Perhatikan matriks korelasi berikut:

Bagaimana Anda mengetahui dari matriks korelasi tersebut apakah (a)


terdapat kolinearitas sempurna, (b) terdapat kolinearitas yang tidak
sempurna, dan (c) variabel- variabelX tidak saling berkorelasi. Petunjuk:
Anda dapat menggunakan |R| untuk menjawab pertanyaan tersebut, di
mana |R| merupakan determinan dari R.

Jawab.

10.17
a. Jika determinan R adalah nol, ada kolinearitas sempurna.

b. Jika determinan kecil, ada kurang dari collinearity sempurna.

c. Jika determinannya adalah 1, variabelnya ortogonal (lihat Latihan


10.18).

10.18 Variabel penjelas ortogonal. Anggap pada model

X2 hingga Xk tidak saling berkorelasi. Variabel ini disebut variabel


ortogonal. Jika demikian adanya:

a. Bagaimana struktur matriks (X'X)?

b. Bagaimana Anda memperoleh β = (X'X)-1X'y?

172
c. Apakah sifat alamiah dari matriks var-cov (β) ?

d. Anggap Anda telah melakukan regresi dan kemudian Anda ingin


memasukkan variabel ortogonal lainnya, katakanlah, Xk+1 ke dalam
model. Apakah Anda harus menghitung ulang semua koefisien β1
hingga βk Mengapa atau mengapa tidak?

Jawab.

10.18
a. Akan ada elemen-elemen di bagian utama diagonal saja.

b. Dapatkan matriks (X'X), inversnya dan (X'y)

c. Tidak akan ada elemen diagonal, yaitu elemen kovarian.

d. Tidak. Karena semua regresor adalah orthogonal, semua covariances


(yaitu, cross-product) akan menjadi nol.

10.19. Pertimbangkan model berikut:

di mana GNP1 = PNB pada waktu t, Mt = jumlah uang beredar pada waktu
t, Mt-1 jumlah uang beredar pada waktu (t - 1) dan (Mt - Mt-1) uang
beredar antara waktu t dan (t - 1). Model ini, oleh karena itu, menetapkan
bahwa tingkat PNB pada waktu t merupakan fungsi dari jumlah uang
beredar pada waktu t dan (t -1), seperti perubahan pada jumlah uang
beredar di antara periode waktu tersebut.

a. Asumsikan Anda memiliki data untuk mengestimasi model tersebut,


akankah Anda sukses dalam mengestimasi semua koefisien pada model
tersebut? Mengapa atau mengapa tidak?

b. Jika tidak, koefisien apakah yang dapat diestimasi?

c. Anggap bahwa β3Mt tidak ada di dalam model. Apakah jawaban Anda
pada soal (a) akan sama?

d. Ulangi soal (c), asumsikan bahwa β2Mt, tidak ada pada model

Jawab.

10.19
a. Sejak regresi ketiga, (Mt – Mt-1) adalah kombinasi linear dari Mt dan Mt-
1, mungkin ada masalah collinearity.

173
b. Jika kita menetapkan kembali model sebagai

Kami dapat memperkirakan, β1, al dan a2 secara unik, tetapi kami tidak
dapat memperkirakan β2, β3, dan β4 secara unik.

c. Semua parameter dapat diperkirakan secara unik, karena tidak ada lagi
collinearity yang sempurna.

d. Jawabannya sama seperti pada (c).

10.20. Tunjukkan bahwa Persamaan (7.4.7) dan (7.4.8) juga dapat diekspresikan
sebagai

di mana r,2 3 adalah koefisien korelasi antara X2 dan X3.

Jawab.

10.20 Ingat itu

Ganti ungkapan sebelumnya dalam penyebut (7,4,7) dan (7,4,8) dan


sederhanakan.

10.21. Menggunakan Persamaan (7.4.12) dan (7.4.15), tunjukkan bahwa ketika


terdapat kolinearitas sempurna, varians β2 dan β3 menjadi tidak hingga.

Jawab.

10.21 Ketika ada collinearity sempurna, r23 = 1. Oleh karena itu, penyebut dalam
(7.4.12) dan (7.4.15) akan menjadi nol. Akibatnya, varians tidak
terdefinisi.

174
10.22. Buktikan bahwa standard error dari jumlah koefisien kemiringan yang
diestimasi dari persamaan (10.5.6) dan (10.5.7) adalah, masing-masing,
0,1549 dan 0,1825. (Lihat Subbab 10.5)

Jawab.

10.22 Ingat bahwa

Karena nilai-nilai kovarian diberikan, itu adalah masalah substitusi


sederhana untuk memverifikasi jawaban.

10.23. Model regresi variabel k dapat menunjukkan bahwa varians dari koefisien
regresi parsial ke k (k =2,3,....K) yang diberikan pada Persamaan (7.5.6)
dapat juga diekspresikan sebagai

di mana a2y = varians a2k varians dari variabel penjelas ke k, R2k = R2 dari
regresi Xk terhadap variabei X sisanya, dan R2 = koefisien determinasi dari
regresi majemuk, yaitu regresi Y terhadap semua variabel X.

a. Hal lain yang dianggap sama, jika a2k meningkat, apakah yang akan
terjadi pada var (βk)? Apakah implikasi untuk problem
multikolinearitas?

b. Apakah yang terjadi pada formula sebelumnya ketika kolinearitas


sempurna?

c. Benar atau salah: "Varians βk menurun seiring dengan naiknya R2


sehingga dampak dari R2k yang tinggi dapat ditanggulangi oleh nilai R2
yang tinggi

Jawab.

10.23
a. Ceteris paribus, sebagaimana o2 meningkat, varians dari perkiraan
koefisien fik akan menurun. Ini akan memungkinkan estimator
diperkirakan lebih tepat.

b. Ketika collinearity sempurna, varians tidak terdefinisi.

c. Benar. Ketika R2 keseluruhan meningkat, (1-R2) akan berkurang. Ini


akan mengurangi varians dari koefisien yang diperkirakan.

175
10.24. Dari data lahunan sektor industry AS untuk periode 1899-1922, Dougherty
memperoleh hasil regresi sebagai berikut:

di mana Y = indeks output riil, K = indeks input kapital riil, l = indeks


input tenaga kerja riil, t = waktu atau trend. Menggunakan data yang sama,
ia juga memperoleh regresi berikut:

a. Apakah terdapat multikolinearitas pada regresi (1)? Bagaimanakah


Anda mengetahuinya?

b. Pada regresi (1), apakah tanda yang diduga sebelumnya untuk log K?
Apakah hasilnya sejalan dengan ekspektasi tersebut? Mengapa atau
mengapa tidak?

c. Bagaimana Anda membenarkan bentuk fungsi regresi (1)? (Petunjuk:


Fungsi prosuksi Cobb-Douglas.)

d. Interpretasikan regresi atau model fungsi (1). Apakah peran dari


variabel trend pada regresi ini?

e. Apakah logika di balik estimasi regresi (2)?

f. Jika terdapat multikolinearitas pada regresi (l), apakah hal tersebut telah
direduksi pada regresi (2)? Bagaimana Anda mengetahuinya?

g. Jika regresi (2) merupakan versi regresi restriksi pembatasan apakah


yang dibuat oleh penulis? (Petunjuk: returns to scale.) Bagaimana Anda
mengetahui apakah pembatasan tersebut valid? Uji apakah yang akan
Anda gunakan? Tunjukkan semua perhitungan Anda.

h. Apakah nilai R2 pada kedua regresi dapat dibandingkan? Mengapa atau


mengapa tidak? Bagaimana cara membuatkeduanya dapat dibandingkan
jika mereka belum dapat dibandingkan dalam bentuk sekarang?

Jawab.

10.24
a. Dengan R2 yang relatif tinggi 0.97, nilai F signifikan dan yang (secara
ekonomis) ditandatangani dengan tidak benar koefisien log K, mungkin

176
ada collinearity dalam model.

b. A priori, modal diharapkan memiliki dampak positif pada output. Ini


bukan dalam kasus ini mungkin karena collinearity dalam regressor.

c. Ini adalah fungsi produksi jenis Cobb-Douglas, sebagai model yang


diberikan dapat ditulis sebagai:

d. Rata-rata, selama periode sampel, peningkatan 1% dalam indeks input


tenaga kerja nyata menghasilkan sekitar 0,91% peningkatan indeks
output riil. Variabel t dalam model mewakili waktu. Sangat sering,
waktu diambil sebagai proxy untuk perubahan teknis. Koefisien dari
0,47 menunjukkan bahwa selama periode sampel, rata-rata, laju
pertumbuhan output riil (yang diukur dengan indeks output) adalah
sekitar 4,7%.

e. Persamaan ini secara implisit mengasumsikan bahwa ada skala hasil


konstan, yaitu, (β2 + β3) = 1. Keuntungan insidental dari transformasi
mungkin untuk mengurangi masalah collinearity.

f. Mengingat bahwa rasio modal-tenaga kerja koefisien secara statistik


tidak signifikan, tampaknya masalah collinearity belum teratasi.

g. Sebagaimana disebutkan dalam (e), penulis mencoba untuk mencari


tahu apakah ada skala hasil konstan. Satu bisa menggunakan tes F yang
dibahas dalam Bab 8 untuk mengetahui apakah pembatasan itu valid.
Tapi sejak itu variabel dependen dalam dua model berbeda, kita tidak
dapat menggunakan versi R2 dari uji F. Kami membutuhkan jumlah
sisa kuadrat yang terbatas dan tidak terbatas untuk menggunakan uji F.

h. Sebagaimana dicatat dalam (g) kedua R2 tidak dapat dibandingkan.


Satu bisa mengikuti prosedur yang dibahas dalam Bab 7 untuk
membuat dua nilai R2 sebanding.

10.25. Evaluasi secara kritis pernyataan-pernyataan berikut:

a. "Faktanya, multikolinearitas bukanlah kesalahan memodelkan,


Multikolinearitas hanyalah kondisi defisiensi data.

b. "Apabila tidak memungkin untuk mendapatkan data, maka seseorang


harus menerima fakta bahwa data yang ia milikiraengandunginformasi
yang terbatas dan harus menyederhanakan model berdasarkan hal
tersebut. Mencoba mengestimasi model yang terlalu rumit adalah
kesalahan paling umum di antara ahli-ahli ekonometrika terapan yang
berpengalaman.

177
c. Hal yang biasa bagi ilmuwan untuk mengklaim bahwa multikolinearitas
tetap ada kapan pun tanda yang mereka hipotesiskan tidak terbukti pada
hasil regresi, ketika variabel yang diduga sebelumnya mereka ketahui
berperan penting, tetapi ternyata memiliki nilai t yang tidak signifikan,
atau ketika hasil-hasil regresi yang didapat berbeda secara
substantifkapan pun terdapat sebuah variabel penjelas yang
dihilangkan. Sayangnya, tidak ada satu pun dari kondisi tersebut yang
merupakan kondisi yang mencukupi atau harus bagi terjadinya
multikolinearitas, dan terlebih lagi tidak ada yang memberikan saran
yang berguna mengenai informasi tambahan yang dibutuhkan dalam
menanggulangi problem yang ada.

d. "...regresi time series mana pun yang mengandung lebih dari empat
variabel independen adalah tidak berguna.

Jawab.

10.25 (a), (b) (c) dan (d) Semua pandangan yang diungkapkan pada dasarnya
memberi tahu kita hal itu multikolinieritas sangat sering merupakan
masalah data-defisiensi.

10.26. Klein dan Goldberger berusaha untuk menyesuaikan model regresi berikut
pada perekonomian AS:

di mana Y = onsumsii, X2 = pendapatan upah, X3 = pendapatan nonupah


dan nonpertanian, dan X4 = pendapatan pertanian. Akan tetapi, oleh karena
X2, X3dan X4 diekspektasikan untuk berkolinear kuat, mereka memperoleh
estimasi β3 dan β4 dari analisis cross-section sebagai berikut: β3 = 0,75β2
dan β4 = 0,625β2. Dengan menggunakan estimasi estimasi ini, mereka
merumuskan fungsi konsumsi sebagai berikut:

di mana

a. Sesuaikan model yang telah dimodifikasi dengan data pada Tabel 10.12
dan dapatkan hasil estimasi dari β1 dan β4

b. Bagaimana Anda akan menginterpretasikan variabel Z?

178
Tabel 10.12

Jawab.

10.26
a. Hasil regresi dari model yang dimodifikasi adalah:

b. Z dapat diartikan sebagai rata-rata tertimbang dari berbagai jenis


pendapatan.

10.27. Tabel 10.13 memberikan data impor, PDB, dan indeks harga konsumen
(IHK) untuk AS, periode 1975-2005. Anda diminta untuk
mempertimbangkan model berikut:

a. Estimasi parameter-parameter dari model tersebut menggunakan data


yang diberikan pada tabel.

b. Apakah Anda mencurigai adanya multikolinearitas pada data?

c. Regresikan:

179
d. Berdasarkan regresi tersebut, apakah yang dapat Anda katakai
mengenai sifat alamiah multikolinearitas pada data?

e. Anggap terdapat multikolinearitas pada data, tetapi β2 dan β3 secara


individual signifikan pada level 5 persen dan uji F keseluruhan juga
signifikan. Pada kasus ini, apakah seharusnya kita mengkhawatirkan
problem kolinearitas?

Tabel 10.13

Jawab.
a.

180
d. Solusi terbaik di sini adalah untuk mengekspresikan impor dan GDP
secara riil dengan membagi masing-masing oleh CPI (ingat metode
rasio) dibahas dalam bab ini). Hasilnya adalah sebagai berikut:

c.

10.28. Merujuk pada Latihan 7.19 mengenai fungsi permintaan ayam di AS

a. Dengan menggunakan model log-linear, atau double-log, estimasikan


berbagai regresi penyokong. Ada berapa banyakkah mereka?

b. Dari regresi regresi penyokong tersebut, bagaimanakah Anda


menentukan regresor yang memiliki sifat kolinear kuat? Uji apakah
yang Anda gunakan? Tunjukkan perhitungan Anda.

c. Jika terdapat kolinearitas yang signifikan pada data, variabel mana yang
akan Anda hilangkan untuk mengurangi tingkat keparahan dalam
problem kol Jika Anda melakukan hal tersebut, masalah ekonometrika
apakah yang Anda hadapi?

d. Apakah Anda memiliki saran, selain menghilangkan variabel, untuk


mengatasi problem kolinearitas? jelaskan jawaban Anda.

Jawab.

10.28
a. Karena ada lima variabel penjelas, akan ada lima regresi tambahan.
Untuk menghemat ruang, kami hanya memberikan di bawah ini Nilai
R2 yang diperoleh dari regresi ini:

181
b. Karena nilai R2 dalam semua regresi tambahan seragam tinggi,
tampaknya data mengalami masalah multikolinieritas.

c. Mungkin ada terlalu banyak variabel pengganti yang baik dalam


persamaan. Orang hanya bisa menggunakan harga pengganti komposit
yang bagus, harga ayam dan pendapatan sekali pakai sebagai penyesat.
Ini sudah dilakukan dalam Soal 7.19.

d. Menciptakan variabel harga relatif, mengatakan harga daging sapi


dibagi dengan harga daging babi, mungkin meringankan masalah
collinearity.

10.29. Tabel 10.14 memberikan data mengenai jumlah mobil-mobil penumpang


baru yang terjual di AS sebagai fungsi dari beberapa variabel.

a. Buatlah sebuah modellinear atau log-linear yang sesuai untuk


menges:imasi fungsi permintaan mobil di AS,

b. Jika Anda memutuskan untuk melibatkan semua regresor yang


diberikan di dalam tabel sebagai variabel penielas, apakah Anda
mengekspektasikan akan mengalami problem multikolinearitas?
Mengapa?

c. lika ya, bagaimana Anda menyelesaikan masalah tersebut? Nyatakan


asumsi Arda dengan jelas dan tunjukkan secara eksplisit semua
perhitungan.

Tabel 10.14

Jawab.

182
10.29 (a) dan (c) Memeriksa koefisien korelasi antara yang mungkin variabel
penjelas, satu mengamati korelasi yang sangat tinggi antara CPI mobil
baru dan CPI umum (0,997) dan antara PDI dan CPI mobil baru (0,991).
Yang lainnya relatif tinggi, tetapi seharusnya tetap dalam model untuk
alasan teoritis. PDI juga dekat terkait dengan tingkat pekerjaan, korelasi
antara keduanya 0,972 Oleh karena itu, seseorang dapat menjatuhkan CPI
umum dan PDI dan memperkirakan model berikut

Catatan: Huruf L singkatan dari "logaritma dari."


Tampaknya model ini tidak menderita masalah collinearity.
(b) Jika kita memasukkan semua variabel X, kita memperoleh hasil
berikut:

Jelas, model ini menderita collinearity, seperti yang diduga.

10.30. Untuk mendapatkan kemungkinan pendapatan tahunan yang dijamin (pajak


pendapatan negatif), Rand Corporation melakukan studi untuk mengetahui
respons input tenaga kerja (rata-rata jam kerja) untuk meningkatkan upah
per jam. Data untuk studi ini didapatkan dari sebuah sampel nasional 6.000
rumah tangga dengan kepala keluarga yang memiliki penghasilan di
bawah $15.000 per tahun. Data dibagi menjadi 39 kelompok demografi

183
untuk analisis. Data ini diberikan pada Tabel 10.15. Oleh karena data
untuk empat kelompok demografi menghilang untuk beberapa variabel,
data pada tabel hanya merujuk 35 kelompok demografi. Definisi berbagai
variabel yang dianalisis dijelaskan di bagian akhir tabel.

Table 10.15

a. Regresikan rata-rata jam kerja setahun lerhadap variabel yang diberikan


pada dan intcrpretasikan hasil yang Anda dapatkan.

b. Apakah terdapat bukti terjadinya multikolinearitas pada data?


Bagaimana Anda mengetahuinya?

c. Hitunglah ukuran variance-inflating factor (VIF) dan TOL untuk


berbagai regresor.

d. Jika terdapat problem multikolinearitas, apakah langkah perbaikan, jika


ada, yang akan Anda lakukan?

e. Apakah studi ini memberitahukan mengenai kemungkinan pajak


pendapatan negatif?

Jawab.

10.30 Pertama, kami menyajikan matriks korelasi dari para penyanggah:

184
Catatan: Perlakukan baris terakhir di tabel sebelumnya sebagai kolom
terakhir Seperti yang ditunjukkan tabel ini, korelasi berpasangan, atau kasar,
berkisar dari sangat rendah (mis., -0,0409 antara ERSP dan ERNO hingga
relatif tinggi (misalnya, 0,8812 antara sekolah dan tingkat upah).

a. Regressing jam kerja pada semua regresor, kami mendapatkan hasil


berikut:

Penafsirannya sangat mudah. Jadi, ceteris paribus, jika upah per jam naik
satu dolar, rata-rata, jam kerja setiap tahun turun sekitar 93 jam.

Untuk menghemat ruang, kami hanya akan menghitung VIF dan TOL dari
tingkat regresi. Regressing rate pada semua regresor lainnya, kami
memperoleh nilai R2 sebesar 0,9416. Menggunakan rumus, (7.5.6), itu bisa
memverifikasi bahwa VIF untuk regresi ini adalah sekitar 2224, maka TOL
adalah kebalikan dari angka ini, yaitu 0,00045.

Tidak semua variabel diperlukan dalam model. Menggunakan satu atau


lebih dari tes diagnostik yang dibahas dalam bab ini, satu atau lebih variabel
dapat dijatuhkan atau kombinasi linier dari mereka dapat digunakan.

Meskipun hasilnya beragam, mungkin ada beberapa bukti bahwa pajak


penghasilan negatif mungkin patut dicoba.

185