MDDUL 4

Analisis Regresi
Dr. T. Sunaryo

PENDAHULUAN

sensi teori ekonomi selalu mengandung pernyataan kausalitas (sebab-

- akibat). Misalnya, apabila seorang produsen menaikkan harga produknya
satu persen, berapa penurunan penjualannya. Pernyataan kausalitas ini bisa
dikuantifikasikan menjadi berapa elastisitas harga produk tersebut. Elastisitas
adalah karakteristik utama dari fungsi permintaan. Mengestimasi fungsi
permintaan sebuah produk adalah mengestimasi elastisitas produk tersebut
terhadap faktor-faktor yang mempengaruhinya. Argumen ini bisa diletakkan
dalam konteks analisis regresi. Analisis regresi pada prinsipnya adalah
menjelaskan pengaruh variabel bebas (independen variabel) terhadap variabel
tidak bebas (variabel dependen).
Produsen memanfaatkan informasi dari basil regresi fungsi permintaan
untuk menentukan strategi penjualannya. Apabila nilai elastisitas produknya
rendah, produsen dapat menaikkan harga produknya tanpa khawatir
penjualannya akan turun secara signifikan.
Untuk mengestimasi fungsi permintaan produknya, perusahaan dapat
memanfaatkan divisi penelitian dan pengembangannya atau jasa perusahaan
periset pasar. Perusahaan periset pasar banyak yang menggunakan analisis
regresi sebagai salah alat analisis. Berbagai model permintaan yang dapat
digunakan sebagai alat estimasi permintaan, tentunya pemilihan model
permintaan disesuaikan dengan kondisi pasar yang dihadapi perusahaan.
Setelah mempelajari modul ini, Anda diharapkan mampu menjelaskan:
1. konsep statistik dan parameter;
2. distribusi normal, normal baku, dan t;
3. korelasi
4. uji t;
5. uji F;
4.2 EKDNOMI MANA.JERIAL e

6. beberapa pelanggaran asumsi regresi, seperti otokorelasi,

multikolinieritas, dan heterokedastisitas;
7. pelanggaran dan penanganan asumsi regresi.

Analisis regresi terdiri dari 2 kegiatan belajar, yaitu sebagai berikut.

Kegiatan Belajar 1 : Metode Analisis Regresi.
Kegiatan Belajar 2 : Ilustrasi Regresi.
e EKMA431 2/MODUL 4 4.3

KEGIATAN BELA&JAR 1

Me to de Anal isis Regresi

egresi linier bertujuan untuk menjelaskan pengaruh sejumlah variabel

bebas terhadap variabel tidak bebas. Esensi estimasi model regresi
adalah mengetahui koefisien regresi dan arah parameter variabel bebasnya.
Koefisien regresi menunjukkan besar pengaruh variabel dependen terhadap
variabel independen. V ariabel dependen his a berupa permintaan produk,
produksi, return atau lainnya.
Konsep elastisitas banyak digunakan dalam aplikasi ekonomi. Elastisitas
yang diperoleh dari perhitungan regresi digunakan sebagai bahan
pertimbangan dalam pengambilan keputusan perusahaan.

A. DISTRIBUSI NORMAL

Untuk menentukan nilai estimasi elastisitas ini memerlukan sejumlah

pengamatan (sampel) dari populasi. Apabila sampel yang diambil cukup
banyak maka distribusi sampel tersebut akan menyebar normal. (Argumen
penting ini merupakan esensi dari central limit theorem yang dijelaskan
kemudian dalam modul ini). Dengan mengetahui distribusi sampel dan nilai
estimasi rata-rata dapat diketahui bahwa nilai rata-rata akan berada pada
kisaran tertentu dengan peluang tertentu. Cerita ini menunjukkan bahwa
dalam estimasi konsep distribusi sampel menjadi penting, terutama distribusi
normal.

1. Simpangan
Coba saudara perhatikan penjual gula pasir di pasar. Dari 1 karung gula
pasir seberat 50 kg dimasukkan ke dalam 50 kantong plastik. Gula pasir
ditimbang secara cepat masing-masing seberat 1 kg kemudian dimasukkan
kantong plastik. Apakah gula pasir dalam setiap kantong plastik tepat seberat
1kg? Tentu saja tidak, hila gula dalam setiap kantong plastik ditimbang ulang
dengan timbangan yang lebih teliti, misalkan timbangan elektronik maka
akan tampak kelebihan dan kekurangan beberapa gram, bahkan 1 ons.
Kelebihan dan kekurangan berat gula merupakan simpangan/deviasi. Jumlah
4.4 EKONOMI MANA..JERIAL e

kantong gula seberat 9 ons atau 11 ons sangat sedikit, yang terbanyak adalah
kantong yang beberapa gram mendekati 1 kg.
Misalnya, variabel x menyebar normal. Artinya, peluang nilai x muncul
digambarkan secara kontinu seperti pada Gambar 4.1.

• •

Gambar 4.1
Distribusi Normal

Ciri-ciri dari distribusi normal adalah sebagai berikut.

1. Variabel x bisa terdeviasi negatif maupun positif dari rata-ratanya
dengan peluang yang relatif sama. Distribusi normal bersifat simetris,
tidak menceng (skewed).
2. Nilai tengah (median) variabel x sama dengan rata-ratanya.
3. Peluang nilai ekstrim kiri dan nilai ekstrim kanan amat kecil.
4. Distribusi normal mempunyai dua parameter, yaitu rata-rata dan
simpangan baku. Distribusi normal bisa di spesifikasi dengan nilai rata-
rata dan simpangan bakunya.
5. Tentu saja luas area di bawah kurva distribusi normal sama dengan satu.
Luasan ini mencerminkanjumlah peluang dari semua nilai variabel.

Formula untuk menghitung rata-rata x adalah:

•
Jl=_
l _
N
e EKMA431 2/MODUL 4 4.5

Artinya, jumlahkan semua data, kemudian dibagi dengan jumlah data.

Formula untuk menghitung variansi x adalah:

Artinya, masing-masing data dikurangi dengan rata-ratanya (sama

dengan simpangan), kuadratkan, jumlahkan, kemudian hasilnya bagi dengan
jumlah data.
Distribusi normal mempunyai dua parameter, yaitu rata-rata dan
simpangan baku, artinya bahwa nilai peluang untuk semua nilai variabel x
bisa dihitung apabila kedua parameter tersebut diketahui. Fungsi peluang
menggambarkan hubungan nilai variabel (x) dengan nilai peluangnya f(x).
Formula dari fungsi distribusi normal adalah:

exp (x): bilangan e pangkat x

Apabila nilai rata-rata (JL) dan simpangan baku (a-) diketahui, nilai
peluang x , f(x) bisa diketahui. Pada saat nilai variabel x sama dengan rata-
ratanya, ( x == Jl) , nilai peluang sama dengan:

Nilai peluang tersebut masih bergantung pada nilai simpangan baku. Hal
yang menarik adalah bahwa apabila semakin besar nilai simpangan baku,
semakin kecil peluang nilai variabel sama dengan rata-ratanya. Implikasinya,
semakin besar nilai simpangan baku sebaran normal, peluang nilai x yang
jauh dari rata-ratanya relatif besar atau buntutnya semakin tebal (fat tail).
Distribusi 2 pada Gambar 4.2 adalah distribusi dengan buntut tebal. Artinya,
peluang ekstrim relatif besar.
4.6 EKONOMI MANA..JERIAL e

Gambar 4.2
Distribusi Normal dengan Rata-rata Sarna, Namun dengan Varians Berbeda

Untuk menghitung peluang nilai variabel yang menyebar normal bisa

menggunakan fungsi normal. Penghitungan peluang variabel normal menjadi
mudah dengan melakukan transformasi normal baku. Transformasi normal
baku adalah:

X-f.l
z==--
CJ

Dalam hal ini, setiap nilai x mempunyai padanan satu nilai z. Apabila x sama
dengan rata-ratanya, maka nilai padanan z-nya sama dengan nol.

X- J.1 J.1 - J.1 -0

Z- - -
(} (}

Transformasi z membuat distribusi x mempunyai rata-rata (nilai tengah) sama

dengan nol dan simpangan bakunya sama dengan satu.
e EKMA431 2/MODUL 4 4.7

Catatan:
Simpangan baku sebuah variabel dikurangi konstanta sama dengan
simpangan baku variabel terse but, O"(x + 5) = O"(x) = O"x
Dengan mentransformasikan x menjadi variabel normal baku, artinya
nilai variabel x dibakukan tanpa mengubah nilai peluangnya. Transformasi
ini memudahkan untuk penghitungan peluang x. Penghitungan x secara
langsung tidak efisien. Dengan membuat tabel z yang memuat nilai-nilai
peluang z, penghitungan semua variabel dengan distribusi normal menjadi
mudah, yaitu dengan melakukan transformasi normal baku.

Fungsi distribusi normal baku

2 2
1 (z-0) 1 (z)
f(z) = ----;;==exp - - - = exp - - -
1 2tr 2x1 )2; 2

Transformasi normal baku adalah

X-Jl
z=--
O"

Contoh:
Misalkan, x adalah keuntungan saham
x=10%
Jlx = 0
(}X = 20%

Nilai z dari x sama dengan 10% adalah

z= X- J1 = 0, 1- 0 = O 5
(} 0, 2 '

Peluang x sama dengan 0,1 sama dengan peluang z sama dengan 0,5. Ingat,
bahwa fungsi distribusi x dan z berbeda dalam rata-rata dan simpangan
bakunya.
4.8 EKONOMI MANA..JERIAL e

Notasi x tersebar normal dengan rata-rata J1 dan simpangan baku a adalah:

x- N(JL,a)

Notasi z menyebar normal dengan rata-rata 0 dan simpangan baku 1 adalah:

z- N(0,1)

- - - -·

-1..S8

Gambar 4.3
Distribusi Normal Baku

Dari Gambar 4.2, beberapa nilai peluang untuk beberapa kisaran nilai z
bisa diketahui. Peluang nilai z dari negatif tak terhingga hingga positif tak
terhingga sama dengan satu. Peluang z kurang dari 0 adalah 0. Peluang z
kurang dari -1,96 adalah 2,5%. Peluang z jatuh di antara -1,96 dan +1,96
adalah 95o/o. Peluang z lebih dari -1,96 adalah 97,5%.

B. CENTRAL LIMIT THEOREM

Misalkan, variabel x menyebar sembarang. Rata-rata dari x menyebar

normal. Rata-rata x yang menyebar normal ini bisa ditransformasikan
menjadi distribusi normal baku. Dengan demikian, peluang semua nilai rata-
rata x bisa dihitung. Argumen ini merupakan implikasi dari teori limit pusat
(central limit theorem). Teori limit pus at menyatakan bahwa sebaran dari
rata-rata variabel dari jenis distribusi apa saja konvergen pada sebaran
normal. Semakin banyak jumlah observasi (n), semakin konvergen rata-rata
e EKMA431 2/MODUL 4 4.9

ke sebaran normal. Teori ini tidak bisa dilupakan dalam estimasi. Teori limit
pusat bisa ditampilkan sebagai berikut:

2
X- N(J.1, ()X)
n
(J2
dibaea rata-rata x menyebar normal dengan rata-rata f.1 dan varians x , di
n
mana a-; adalah varians x.
Nilai estimasi selalu berdasarkan pada nilai rata-rata (nilai harapan atau
expected value). Distribusi rata-rata konvergen pada sebaran normal. Dengan
demikian, nilai peluang dari rata-rata bisa diketahui dengan relatif mudah.
Apabila jumlah amatan eukup banyak, rata-rata akan semakin konvergen
pada distribusi normal. Untuk jumlah amatan relatif sedikit, ekor sebaran
rata-ratanya akan menebal. Dalam hal ini, distribusi baku yang
mengakomodasi sedikit pengamatan (buntut tebal) adalah distribusi t.
Distribusi t ini tentu saja konvergen pada distribusi z bila jumlah amatan (n)
semakin banyak. Sebagai panduan, bila jumlah amatan kurang dari sedikit
(30) transformasi rata-rata mengikuti distribusi t. Apabila jumlah amatan
banyak (lebih dari 30), transformasi rata-rata menyebar normal menyebar
normal baku. Namun, t konvergen pada jumlah amatan banyak. Oleh karena
itu, dalam pengujian biasanya hanya mengandalkan tabel t.

C. PARAMETER DAN STATISTIK

Tinggi orang kota A adalah variabel, misalnya dinotasikan dengan x.

Jumlah orang di kota A adalah 10 juta. Ukuran populasi tinggi orang kota A
adalah 10 juta. Misalnya, setelah diukur semua tinggi orang kota A, rata-
ratanya adalah 160 em. Rata-rata populasi tinggi badan orang kota A yang
dengan notasi f.lx adalah 160. Deviasi standar tinggi badan orang kota A
yang dihitung dengan menggunakan semua anggota populasi (10 juta
amatan), menghasilkan 10 em. Deviasi standar populasi x dinotasikan dengan
CJ x . Apabila x menyebar normal, distribusi x bisa di spesifikasi bila nilai

rata-rata populasi x dan deviasi standar populasi x diketahui. Rata-rata dan

deviasi standar populasi x disebut parameter distribusi populasi x. Nilai
parameter dihitung dari semua anggota populasi. Jadi, parameter adalah
angka yang meneirikan populasi. Parameter dari populasi x yang menyebar
4.10 EKDNOMI MANA.JERIAL e

• •
normal adalah rata-rata dan deviasi standar yang nilainya mas1ng-mas1ng
adalah 160 em dan 10 em.
Untuk menghitung nilai parameter memerlukan amatan dari semua
anggota populasi. Tentu saja untuk mengetahui nilai parameter adalah amat
mahal. Ongkos untuk mengetahui nilai parameter tidak sebanding dengan
kegunaan informasi dari nilai parameter tersebut. Dalam kondisi ini, estimasi
(pendugaan) terhadap nilai parameter menjadi relevan.
Untuk melakukan pendugaan terhadap nilai parameter memerlukan
sampel (eontoh) yang mewakili (representatif) populasi. Tentu saja semakin
banyak pengamatan dalam sampel (ukuran sampel), sampel semakin
mewakili populasi. Namun, penjual soto tidak pernah meneieipi rasa kuah
sotonya sebanyak satu mangkok. Setelah diaduk -aduk, rasa kuah soto
menyebar seragam. Rasa kuah yang di dasar panei sama dengan rasa kuah
yang ada di permukaan. Sampel seperempat satu ee kuah soto sudah
mewakili populasi rasa so to yang berukuran 100 liter. Apabila populasi
relatif homogen atau deviasi standarnya keeil, sampel ukuran keeil sudah
mewakili populasi. Sebaliknya, untuk populasi yang relatif heterogen atau
deviasi standarnya besar, ukuran sampel keeil tidak mewakili populasi.
Misalkan, sampel dengan ukuran 1000 dianggap mewakili populasi
dengan ukuran 10 juta. Rata-rata sampel adalah 158. Deviasi standar sampel
adalah 12. Notasi rata-rata dan deviasi standar yang dihitung dari sampel
masing-masing adalah :X atau jt dan s atau a.Rata-rata dan deviasi
standar yang dihitung dari anggota sampel disebut statistik (statistic). Notasi
statistik berbeda dengan notasi parameter.
Rata-rata sampel menjadi penduga rata-rata populasi. Deviasi standar
sampel menjadi penduga deviasi standar populasi. Formula deviasi standar
adalah akar dari varians. Formula varians adalah:

n-1

formula deviasi standar adalah:

e EKMA431 2/MODUL 4 4.11

Perhatikan bahwa untuk menghitung varians x dari sampelnya, penyebutnya

adalah n-1, bukan n. Untuk menghitung varians memerlukan rata-rata yang
harus dihitung dari sampel dengan ukuran n, n menunjukkan degrees of
freedom awal. Penghitungan rata-rata sampel ini mengurangi degrees of
freedom sebanyak satu. Perhatikan bahwa simpangan data dalam sampel
dihitung dari rata-rata sampel (x) bukan rata-rata populasi Cu). Teori
statistika menyatakan bahwa setiap menghitung sebuah statistik (misalnya
rata-rata) derajat bebas (degrees of freedom) berkurang satu. Oleh karena itu,
pembagi jumlah kuadrat simpangan dalam formula statistik varians adalah
ukuran sampel dikurangi satu (n - 1). Dalam formula rata-rata populasi,
pembagi jumlah kuadrat adalah ukuran populasi karena rata-rata diasumsikan
sudah diketahui, tanpa harus menghitungnya.
Untuk menghitung statistik rata-rata, tidak diperlukan nilai statistik
lainnya seperti pada penghitungan statistik varians yang memerlukan statistik
rata-rata. Oleh karena itu, pembagi dari formula statistik rata-rata adalah
ukuran sampel (n). Pada dasarnya, nilai statistik dihitung dengan
menggunakan semua anggota sampel (amatan/observasi). Setiap
penghitungan sebuah statistik, deraj at bebas yang ada berkurang satu.
Argumen ini dipergunakan dalam menentukan derajat bebas dalam analisis
regresi. Untuk mengestimasi koefisien sebuah variabel bebas (variabel
independen) memerlukan sebuah derajat bebas.

D. KORELASI

Apabila nilai variabel x naik, nilai variabel y juga naik dikatakan bahwa
variabel x dan y berkorelasi positif. Sebaliknya, apabila nilai variabel x naik,
nilai variabel y turun dikatakan bahwa variabel x dan y berkorelasi negatif.
Korelasi variabel x dan y tidak menunjukkan hubungan sebab akibat atau
kausalitas. Hubungan kausalitas datangnya dari logika atau teori, bukan dari
penghitungan statistik korelasi. Apabila harga produk naik maka permintaan
produk tersebut turun adalah teori permintaan. Korelasi antara harga produk
dan permintaan produk adalah negatif. Teori membentuk hipotesis, statistik
membuat pembenaran berdasarkan data (realita).
Korelasi tanggal lahir dan tanggal meninggal positif hanya fakta empiris
sampel, tanpa teori (logika) yang mendukung fakta empiris tersebut. Fakta ini
hanya muncul secara kebetulan. Sampel yang menjadi dasar penghitungan
tidak mewakili populasi kedua variabel tersebut. Apabila ukuran sampel
4.12 EKDNOMI MANA.JERIAL e

diperbesar, kemungkinan besar kedua variabel tersebut tidak berkorelasi.

Dengan menggunakan notasi parameter, formula korelasi variabel x dan y
adalah:

N
L (x- !lx )(y- !ly )
a x,Y == Cov ( y, x ) == i=l
....;__;....____N
____

Hubungan antara kovarians, korelasi, dan kedua deviasi standarnya adalah:

a tau

di mana
a xy : kovarians (covariance) variabel x dan variabel y
p xy : korelasi antara x dan y
ax : deviasi standar x
aY : deviasi standar y
Nilai kovarians distandarisasi menjadi korelasi dengan membagi dengan
deviasi standar kedua variabelnya sehingga nilainya berkisar dari -1 hingga
+1. Apabila nilai y sebanding dengan nilai x maka korelasi y dengan x adalah
satu. Misalnya, y == bx di mana b adalah sebuah bilangan positif maka y dan
x berkorelasi satu. Apabila y == x , korelasi y dengan x sama dengan satu.
Apabila y == - x , korelasi y dengan x adalah -1. Dalam realita, korelasi antara
dua variabel berkisar dari -1 hingga + 1. Apabila korelasi an tara y dan x sama
dengan nol, dikatakan bahwa y dan x saling independen.

E. ANALISIS REGRESI

Analisis regresi adalah alat analisis untuk menguji hubungan sebuah

variabel dengan sejumlah variabel lainnya. Secara umum, regresi bisa
menguji hubungan sejumlah variabel dengan sejumlah variabel lainnya.
e EKMA431 2/MODUL 4 4.13

Hubungan sejumlah variabel dengan sejumlah variabel lainnya ada dalam

topik persamaan simultan dalam pelajaran ekonometrika. Topik pembahasan
dalam modul ini memfokuskan pada hubungan sebuah variabel dengan
sejumlah variabellainnya.
Model regresi secara umum ditampilkan sebagai berikut:

Arti dari persamaan ini adalah variabel x1 , x 2 , x3 mempengaruhi variabel

y. Misalnya, harga sebuah produk, harga produk substitusinya dan
pendapatan konsumen mempengaruhi permintaan produk tersebut. Notasi ini
disebut persamaan implisit karena hubungannya belum dinyatakan dengan
eksplisit. Variabel x1 , x2 , x3 disebut variabel penjelas atau variabel
independen atau variabel bebas. Variabel y disebut variabel yang dijelaskan
atau variabel dependen atau variabel tak bebas. Pemilihan variabel bebas dan
variabel tak bebas tentu saja berdasarkan teori atau logika.
Salah satu bentuk fungsi eksplisit yang paling sering digunakan adalah
fungsi pangkat. Bentuk fungsi pangkat adalah:

y==xf xf 4
Fungsi pangkat biasanya disebut fungsi Cobb-Douglas. Bila fungsi pangkat
ini diaplikasikan dalam topik permintaan, fungsi ini namanya fungsi
permintaan Cobb-Douglas. Apabila fungsi pangkat ini diaplikasikan dalam
topik produksi, fungsi ini disebut fungsi produksi Cobb-Douglas. Lihat
kembali modul permintaan dan produksi.
Model eksplisit fungsi permintaan Cobb-Douglas adalah:

q = p~ p~ JY

Untuk mengetahui spesifikasi model ini memerlukan ketiga nilai parameter

model ini, yaitu a, fJ, y. Ketiga parameter model ini perlu diestimasi.
Simbol dari estimasi ketiga parameter tersebut masing-masing adalah
a, fJ, r atau a, b, c.
"
4.14 EKDNOMI MANA.JERIAL e

Regresi tidak memfasilitasi estimasi parameter fungsi pangkat. N amun,

fungsi pangkat dengan mudah dilinierkan dengan mentransformasikan semua
variabel dengan transformasi ln. Ln adalah logaritma dengan bilangan pokok
sebesar e, sedangkan logaritma biasanya menggunakan bilangan pokok 10,
misalnya logaritma 100 adalah 2. Ln e sama dengan satu. Nilai bilangan e
adalah 2,71828. (Bilangan e tersedia di kalkulator.)
Apabila semua variabel dalam fungsi permintaan Cobb-douglas di atas
ditransformasikan dengan In maka fungsi permintaan tersebut menjadi
persamaan linier.

lnq = alnpx + j]lnpy + ylnl

Regresi bisa mengestimasi nilai ketiga parameter dari fungsi permintaan

tersebut.
Transformasi In juga membawa kemudahan interpretasi fungsi
permintaan. Parameter fungsi permintaan atau pangkat dari masing-masing
variabel fungsi Cobb-Douglas merupakan elastisitas masing-masing
variabelnya. (Lihat modul permintaan). Nilai a adalah elastisitas harga
produk, nilai f3 adalah elastisitas silang produk dan r adalah elastisitas
pendapatan produk.
J adi, tahapan untuk analisis regresi adalah sebagai berikut.
1. Membuat hubungan kausalitas variabel independen terhadap variabel
dependen berdasarkan teori atau logika.
2. Menentukan fungsi (bentuk) model (misalnya model permintaan) sesuai
dengan teori.
3. Transformasikan semua variabel bila mengasumsikan model pangkat
(Cobb-Douglas).
4. Estimasi parameter model dengan menggunakan regresi.

Untuk kasus model (fungsi) permintaan di atas, estimasi parameter

model adalah mengestimasi elastisitas harga, elastisitas silang dan elastisitas
pendapatan produk. Mengestimasi nilai elastisitas harga, elastisitas silang,
dan elastisitas pendapatan produk adalah menghitung masing-masing rata-
rata elastisitasnya. Nilai rata-rata elastisitas adalah nilai harapan (expected
value) atau nilai tengah. Perhatikan yang dimaksud rata-rata di sini bukan
rata-rata dari ketiga nilai elastisitas, namun rata-rata dari masing-masing
e EKMA431 2/MODUL 4 4.15

elastistas. Logikanya seperti pada estimasi waktu yang diperlukan A dari

rumah ke kantornya.

F. MODEL DAN ERROR

Dalam realita banyak sekali faktor yang mempengaruhi permintaan

(variabel bebas) sebuah produk. Mengenumerasi semua faktor bebas dari
permintaan produk yang jumlahnya banyak sekali tentu saja tidak
bermanfaat. Hal yang diperlukan adalah sedikit faktor independen bisa
menjelaskan variasi nilai variabel dependen. Hubungan variabel dependen
dan independen disebut model regresi. Variabel-variabel lain yang tidak
masuk dalam model dimasukkan dalam "keranjang sampah" yang disebut
error. J adi, variasi variabel dependen dijelaskan oleh model dan error.
Apabila variasi variabel dependen adalah 100, model regresi menjelaskan 80
maka yang tidak bisa dijelaskan oleh model regresi adalah 20. Tentu saja
semakin kecil error, semakin besar variasi dependen variabel yang bisa
dijelaskan oleh model regresi.
Model yang diharapkan tentu saja model dengan jumlah variabel
independen sedikit, namun bisa menjelaskan variasi dependen variabel besar.
Teori memberikan araban pembentukan model. Misalnya, untuk produk yang
tidak mempunyai produk substitusi dan income inelastic, model tidak
memerlukan variabel harga produk lain dan pendapatan konsumen.
Banyaknya variabel independen mengakibatkan ongkos pengumpulan
data meningkat. Secara statistika, penambahan jumlah variabel independen
"memakan" derajat bebas. Pengurangan derajat bebas ini membuat pengujian
mengarah pada kesimpulan bahwa variabel independen tidak mempengaruhi
(tidak bisa menjelaskan) variasi variabel dependen. Kasus ini juga terjadi bila
jumlah sampel kecil. Oleh karena itu, dalam melakukan estimasi untuk
menggunakan ukuran sampel yang cukup. Apabila ukuran sampel kecil dan
jumlah variabel independen relatif banyak, hipotesis yang benar secara teori
akan tidak sesuai dengan realita. Argumen ini ditunjukkan pada bagian
berikutnya di modul ini.

G. METODE ESTIMASI REGRESI

Model regresi yang merupakan fungsi linier sejumlah variabel berguna

untuk menjelaskan variasi dependen variabel. Model regresi yang ideal
4.16 EKDNOMI MANA.JERIAL e

adalah model dengan jumlah variabel sedikit, namun bisa menjelaskan

sebagian besar variasi dependen variabel. J adi, metode dalam mengestimasi
model regresi, tujuannya adalah memilih koefisien variabel independen
dalam model yang meminimumkan variasi error. Metode ini disebut
ordinary least squares (OLS), yaitu metode yang meminimumkan jumlah
kuadrat error. Jumlah kuadrat error adalah ukuran variasi error. Error adalah
selisih nilai variabel dependen yang sesungguhnya dengan nilai prediksi
model regresi.

1. Pembentukan Hipotesis
Fokus pengujian adalah hubungan kausalitas. Bentuk hubungan
kausalitas adalah sebuah variabel independen mempengaruhi variabel
dependen. Bentuk hubungan yang lebih informatif adalah apabila nilai
variabel independen berubah satu persen, variabel dependen berubah berapa
persen. Apabila variabel independen harga produk tidak mempengaruhi
permintaan produk, pengaruh harga terhadap permintaan produk adalah nol.
Dalam memilih variabel bebas tentu saja yang diharapkan adalah bahwa
variabel bebas mempengaruhi variabel dependen. Hal yang tidak diharapkan
adalah variabel independen tidak mempengaruhi variabel dependen.
Hipotesis variabel independen tidak mempengaruhi variabel dependen
disebut H 0 (hipotesis nol). Angka nol merujuk bahwa pengaruh independen
terhadap dependen variabel adalah nol (tidak berpengaruh), sedangkan
hipotesis variabel independen mempengaruhi dependen variabel disebut H 1
(hipotesis 1 atau hipotesis alternatif). Kata altematif merujuk pada hipotesis
bahwa pengaruh independen variabel berpengaruh pada dependen variabel.
Oleh karena itu, bentuk dari hipotesis adalah sebagai berikut.

di mana f3 menunjukkan pengaruh variabel sebuah variabel independen

terhadap variabel dependen.
Dalam pengujian hipotesis tentu saja yang diharapkan adalah menolak
H 0 atau menerima H 1 (baca hipotesis alternatif untuk mengingatkan hipotesis
alternatif dari H 0). Menolak H 0 atau menerima H 1, artinya data sesuai dengan
hipotesis alternatif yang dibentuk berdasarkan teori. Lebih dari itu, nilai beta
yang tidak sama dengan nol mengkuantifikasi pengaruh variabel independen
e EKMA431 2/MODUL 4 4.17

terhadap variabel dependen. Apabila nilai variabel ditransformasikan dengan

ln, koefisien masing-masing variabel merupakan elastisitas variabel dependen
variabel terhadap perubahan masing-masing variabel independen.

2. Pengujian Hipotesis
Untuk menentukan penerimaan atau penolakan sebuah H 0 memerlukan
uji t. Uji t sering disebut sebagai uji sebuah koefisien karena menguji masing-
masing koefisien variabel independen dalam model regresi. Dalam uji t,
"
koefisien (misalnya f3) diasumsikan menyebar normal dengan rata-rata 0,
sesuai dengan H 0 . Kemudian, nilai estimasi beta tersebut ditransformasi
normal baku dan nilainya disebut t hitung.

"
/3-0
thitung ==
s"
fJ

Variabel t hitung ini menyebar secara t. Apabila t hitung berada jauh

"
dari rata-ratanya (0) maka nilai estimasinya f3 tidak sama dengan nol, atau
HO ditolak. Apabila nilai t hi tung berada di sekitar nol maka nilai estimasinya
"
f3 sama dengan nol. Oleh karena itu, daerah di sekitar nol pada distribusi t
disebut daerah penerimaan H 0 , sedangkan daerah distribusi t yang jauh dari
nol disebut daerah penerimaan H 0 . Gambar 4.3 menggambarkan daerah
penerimaan dan daerah penolakan H 0 untuk kasus ukuran sampel besar.
Apabila ukuran sampel besar, distribusi t konvergen pada distribusi z.

Gambar 4.4
Daerah Penerimaan dan Penolakan H0
4.18 EKDNOMI MANA.JERIAL e

Apabila nilai t hitung sama dengan -2 maka H 0 ditolak dengan tingkat

kepercayaan 95%. Apabila nilai t hitung sama dengan +2 maka H 0 juga
ditolak dengan tingkat kepercayaan 95%. Pengujian ini disebut pengujian dua
ekor (two tail) atau ada yang menyebut pengujian dua arah. Pengujian dua
ekor ini berdasarkan pada H 1, yaitu variabel independen berpengaruh
terhadap variabel dependen (/3 -:~= 0) . Dalam hal ini, pengaruh variabel
independen terhadap variabel dependen bisa positif atau negatif. Bila
"'
pengaruhnya negatif, seperti yang ditunjukkan dengan hasil estimasinya fJ
maka nilai t hitung akan negatif. Sebaliknya, apabila pengaruhnya positif
maka nilai t hitungnya positif.
Misalnya, nilai t hitung adalah 1, nilai satu jatuh pada daerah penerimaan
H 0 . Oleh karena itu, H 0 diterima. Perhatikan menerima H 0 , yaitu menerima
hipotesis nilai beta sama dengan nol, artinya variabel independen tidak
mempengaruhi variabel dependen. Dikatakan bahwa pengaruh variabel
independen terhadap variabel dependen tidak signifikan. Bila hasil nilai
estimasi tidak terdeviasi cukup jauh dari nol maka disimpulkan bahwa nilai
parameter yang diestimasi sama dengan nol.
Dalam kondisi apa nilai t hitung akan cenderung jatuh pada daerah
"'
penolakan H 0 ? Semakin j auh nilai fJ terdeviasi dari nol dan semakin kecil
deviasi standar estimasi beta, sjJ maka semakin besar nilai t dan semakin
besar kemungkinan nilai t jatuh pada daerah penolakan. (Lihat formula
transformasi t di atas). Semakin kecil deviasi standar estimasi beta, artinya
semakin tinggi ketepatan (presisi) estimasi beta. Deviasi standar estimasi beta
bergantung pada standar deviasi error. Kecilnya deviasi standar error regresi,
mengindikasikan kemampuan model menjelaskan variasi variabel dependen.
Apabila koefisien variabel-variabel dalam model signifikan, artinya
variabel-variabel dalam model bisa menjelaskan variasi dependen variabel.
Untuk menguji apakah sebuah model bisa menjelaskan variasi variabel
dependen digunakan uji F. Uji F biasanya disebut uji model. Sebagai
indikasi, apabila koefisien ada variabel independen yang signifikan (dengan
menggunakan uji t), model tersebut dikatakan bisa menjelaskan variasi
variabel dependen. Prosedur uji F dijelaskan pada bagian berikutnya pada
modul ini.
e EKMA431 2/MODUL 4 4.19

H. TINGKAT KEPERCAYAAN

Apabila nilai mutlak t hitung lebih besar lebih besar dari 1,96 (t tabel)
maka koefisien variabel independen signifikan (berbeda nyata dengan rata-
ratanya (0) pada tingkat kepercayaan 95%. Perbedaan ini akan semakin nyata
bila nilai mutlak t hi tung semakin besar. Apabila nilai mutlak t hitung lebih
besar dari 2,33 (t tabel) maka koefisien variabel independen signifikan
dengan tingkat kepercayaan 99%.
Tingkat kepercayaan uji t akan tinggi apabila nilai mutlak t-hitung tinggi.
Nilai mutlak t-hitung sebanding dengan nilai estimasi koefisien variabel
"
independen f3 dan berbanding terbalik dengan deviasi standar dari

estimasi koefisien variabel independen tersebut sj3 . Nilai deviasi standar

estimasi koefisien variabel independen ini sebanding dengan deviasi standar
error regresi, s e . Nilai deviasi standar error regresi akan rendah apabila
semakin besar regresi bisa menjelaskan variasi dependen variabel. Dengan
memilih variabel independen yang bisa menj elaskan variasi variabel
dependen, variasi error regresi bisa kecil. Kecilnya variasi (deviasi standar)
error regresi akan membuat divisi standar estimasi koefisien variabel
independen mempunyai nilai t-hitung tinggi. Nilai t-hitung yang tinggi
membuat H 0 ditolak dengan tingkat kepercayaan yang semakin tinggi.
Misalnya, x adalah variabel independen yang bisa menjelaskan dependen
variabel y. Apabila nilai x sama maka x tidak bisa menjelaskan variasi nilai y.
Oleh karena itu, kemampuan x menjelaskan y bisa terealisasi apabila nilai x
bervariasi. Oleh karena itu, ketepatan estimasi koefisien x akan lebih tinggi
(dicerminkan dengan kecilnya varians estimasi koefisien x) apabila variasi
nilai x besar.

I. ELASTISITAS HARUS LOGIS

Regresi digunakan untuk menguji apakah sebuah argumen kausalitas

didukung oleh fakta (data atau realita). Argumen kausalitas datangnya dari
teori, bukan dari regresi. Misalnya, A meregresikan permintaan mobil Jaguar
(variabel dependen) dengan harga tempe goreng (variabel independen). Nilai
estimasi elastisitas silang mobil Jaguar terhadap harga tempe goreng adalah
negatif 5 dan signifikan. Bila harga tempe goreng turun 1% maka permintaan
4.20 EKONOMI MANA..JERIAL e

mobil Jaguar naik 5%. Kesimpulan selanjutnya adalah secara empiris,

ternyata mobil Jaguar dan tempe goreng saling melengkapi (komplemen).
Tentunya kesimpulan tersebut dipertanyakan.

LATIHAN
-- __ ........

Untuk memperdalam pemahaman Anda mengenai materi di atas,

kerj akanlah latihan berikut!

1) Apa manfaat regresi dalam pengambilan keputusan?

2) Apa keunggulan regresi dibandingkan korelasi?
3) Uji apa yang digunakan untuk mengetahui signinifikansi parameter
variabel independen regresi?
4) Berapajumlah minimal sampel yang dapat dianggap terdistribusi
normal?
5) Apa perbedaan variabel dependen dan independen, berikan contohnya?

Petunjuk Jawaban Latihan

1) Baca bah awal Metode Analisis Regresi

2) Pelajari sub bah F dan sub bah G.
3) Pelajari sub bah 1.1 dan sub bah 1.2.
4) Pelajari sub bah D yang membahas central limit theorem.
5) Pelajari sub bah G.

RANGKUMAN

Teori ekonomi selalu mengandung esensi sebab akibat (kausalitas ).

Apakah pernyataan kausalitas tersebut sesuai dengan realitas? Untuk
mengukur (menguji) pemyataan kausalitas ini dengan realita
memerlukan analisis regresi. Dalam analisis regresi, koefisien regresi
adalah sebuah statistik.
Dalam statistika, statistik dari sampel yang mewakili populasi
merupakan estimasi parameter populasi tersebut. Fokus dari estimasi
adalah statistik rata-rata. Rata-rata konvergen pada distribusi normal
(central limit theorem).
e EKMA431 2 / MODUL 4 4.21

Untuk memudahkan penghitungan peluang distribusi normal

dilakukan transformasi normal baku. Distribusi normal baku adalah
distribusi normal dengan nilai rata-rata nol dan deviasi standar satu.
Apabila ukuran sampel tidak cukup besar, rata-rata statistik menyebar t.
Apabila ukuran contoh besar, distribusi t ini akan konvergen pada
distribusi normal baku.
Untuk menguji sebuah koefisien regresi digunakan uji t, sedangkan
untuk menguji model regresi secara keseluruhan digunakan uji F.

TES FORMATIF 1- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

Pilihlah satu j a waban yang paling tepat!

1) Pada distribusi normal ....

A. simpangan baku sama dengan rata-rata
B. nilai tengah sama dengan rata-rata
C. simpangan baku sama nilai tengah
D. simpangan baku sama dengan varians

2) Luas area distribusi normal adalah ....

A. 1,96
B. 0,05
C. 1
D. 0,95

3) Untuk menghitung varians digunakan rumus/cara ....

N

Lxi
.
t
A. J.l==-
N
B.

C.

D.
n-1
4.22 EKDNOMI MANA.JERIAL e

4) Korelasi antara tingginya curah hujan dengan kekeringan bemilai ....

A. positif
B. negatif
C. nol
D. tak terhingga

5) Model fungsi Cobb-Douglas termasuk kelompok model ....

A. linier
B. deskriptif
C. non linier
D. regresi sederhana

Cocokkanlahjawaban Anda dengan Kunci Jawaban Tes Formatif 1 yang

terdapat di bagian akhir modul ini. Hitunglah jawaban yang benar.
Kemudian, gunakan rumus berikut untuk mengetahui tingkat penguasaan
Anda terhadap materi Kegiatan Belajar 1.

Jurnlah Jawaban yang Benar

Tingkat penguasaan = - - - - - - - - - - - x 100%
Jurnlah Soal

Arti tingkat penguasaan: 90 - 100% = baik sekali

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

Apabila mencapai tingkat penguasaan 80% atau lebih, Anda dapat

meneruskan dengan Kegiatan Belajar 2. Bagus! Jika masih di bawah 80%,
Anda harus mengulangi materi Kegiatan Belajar 1, terutama bagian yang
belum dikuasai.
e EKMA431 2/MODUL 4 4.23

KEGIATAN BELA&JAR 2

llustrasi Regresi

ntuk mengilustrasikan penghitungan varians, deviasi standar, dan

korelasi dipilih variabel x dan y dengan dua amatan.
Formula varians variabel x adalah:

s2 == a"2 == . .i=1
;,. . _;·_;....____ __
X X
n-l

Formula deviasi standar x adalah:

Tabel 4.1
Penghitungan Varians dan Deviasi Standar

-X -
X y y (xi -x) (yi- y) (xi -x)2 (yi - y)2
1 3 2 4 -1 -1 1 1
3 5 2 4 1 1 1 1
Jumlah 0 0 2 2

Ukuran sampel adalah 2 (n == 2)

2
sX
== 2
sx == J2
2
s y == 2
sy == J2
Perhatikan bahwa varians dan deviasi standar x dan y sama. Variabel y
sama dengan variabel x ditambah 2 (y = x + 2). Ilustrasi ini menunjukkan
bahwa sebuah variabel ditambah (dikurangi) sebuah konstanta tidak
4.24 EKDNOMI MANA.JERIAL e

mengubah nilai variasinya. Variasi diukur dengan varians atau deviasi

standar.
Nilai varians dan deviasi standar tidak pernah negatif.
Formula kovarians x dan y adalah:

n
L(Yi- y)(xi -x)
ov y' == s y == . . i=l
;. . . . ;._ _ _ _ __
C ( X ) , X

n-1

Perhatikan bahwa Cov( xx) == Var( x) == s; .

Tabel 4.2
Penghitungan Covarians x dan y

(xi -x) (yi - y) (xi - x)(yi - Yi)

-1 -1 1
1 1 1
Jumlah 2

Cov (y, x) == s y,x == 2

Korelasi x dan y adalah:

Nilai kovarians bisa negatif besar sekali hingga positif besar sekali
(secara teori tak terhingga). Kovarians variabel x dan y distandarisasi dengan
membagi dengan kedua varians x dan y menjadi korelasi sehingga nilainya
berkisar dari -1 hingga + 1.

A. ILUSTRASI REGRESI

Ilustrasi regresi ini menampilkan estimasi fungsi permintaan. V ariabel

dependen adalah permintaan produk x (penjualan produk x). Variabel
independen adalah harga produk x, harga produk lain, dan pendapatan
e EKMA431 2/MODUL 4 4.25

konsumen. Diasumsikan bahwa bentuk fungsi permintaan adalah fungsi

permintaan Cobb-Douglas.
Fungsi permintaan Cobb-Douglas merupakan fungsi pangkat yang sulit
diestimasi. Supaya lebih mudah diestimasi, fungsi pangkat perlu dijadikan
fungsi linier, yaitu dengan mentransformasikan semua variabel dengan
transformasi ln.
Transformasi In ini membawa implikasi yang diharapkan, yaitu nilai
estimasi koefisien regresi dari variabel yang ditransformasikan dengan In
merupakan elastisitas dari masing-masing variabel independennya dan nilai
elastisitas-elastisitas tersebut tidak berubah untuk semua nilai permintaan.
J adi, fungsi Cobb-Douglas mengasumsikan bahwa nilai elastisitas harga,
elastisitas silang, dan elastisitas pendapatan adalah konstan untuk semua nilai
permintaan.
Tabel 2.3 menampilkan data permintaan produk x, harga produk x, harga
produk lain dan pendapatan konsumen.

Tabel 4.3
Data Fungsi Permintaan

Nomor Qx px py I
1 5000 500 250 100
2 5800 650 280 200
3 6000 660 310 300
4 6600 770 330 350
5 7000 790 450 550
6 7300 810 480 650
7 7500 880 500 750
8 8000 890 550 800
9 8800 950 590 850
10 9900 980 650 900
Catatan: Data ini adalah data hipotetis

Qx : permintaan produk x (penjualan produk x)

Px : harga produk x
PY : harga produk y
I : pendapatan konsumen
n : ukuran sampel atau jumlah observasi (n = 10)
4.26 EKDNOMI MANA.JERIAL e

Qx adalah variabel dependen dan ketiga variabellainnya adalah variabel

independen atau predictors.
Oleh karena diasumsikan model fungsi permintaan Cobb-Douglas
(fungsi pangkat), model dilinierkan dengan mentransformasikan semua
variabel baik variabel dependen maupun variabel independen, dengan
transformasi ln. Fungsi permintaan Cobb-Douglas adalah:

q = p~ p~ JY

Fungsi Cobb-Douglas dilinierkan menjadi:

lnq == aln Px + jJln Py + y lnl

Tabel 4.4 menampilkan data setelah ditransformasikan dengan

transformasi ln.

Tabel4.4
Data setelah Ditransformasikan dengan Transformasi Ln

Nomor lnQx lnPx lnPY ln I

1 8,52 6,21 5,52 4,61
2 8,67 6,48 5,63 5,30
3 8,70 6,49 5,74 5,70
4 8,79 6,65 5,80 5,86
5 8,85 6,67 6,11 6,31
6 8,90 6,70 6,17 6,48
7 8,92 6,78 6,21 6,62
8 8,99 6,79 6,31 6,68
9 9,08 6,86 6,38 6,75
10 9,20 6,89 6,48 6,80

Dengan mengasumsikan fungsi permintaan Cobb-Douglas, artinya

mengasumsikan bahwa nilai elastisitas adalah sama pada semua nilai Qx .
Elastisitas harga pada penjualan 5000 dan harga 500 sama dengan elastisitas
harga pada penjualan sebesar 9900 pada harga 980. Elastisitas pendapatan
pada penjualan sama dengan 5000 dan pendapatan sama dengan 100 sama
dengan elastisitas pendapatan pada penjualan 9900 dan pendapatan 900.
e EKMA431 2/MODUL 4 4.27

Koefisien variabel independen diestimasi dengan teknik OLS dengan

menggunakan SPSS. Nilai estimasi koefisien variabel independen
ditampilkan pada Tabel4.5.

Tabel 4.5
Koefisien variabel independen

Predictors Coefficients Std. Error t (t-hitung) P-value

Constant 0,655 1,324 0,495 0,638
lnPx 0,986 0,259 3,815 0,009
InPY 0,515 0,119 4,330 0,005
ln I -0,240 0,087 -2,742 0,034

Tabel 4.6
Formula Uji t

Prediktor Koefisien Simpangan baku t-ratio P-value

"
Konstanta " " Po Tabel t
Po s(fJo) "
s(f3o)
"
" " /31
lnPx fJl s(/31) "
Tabel t
s(/31)
"
lnPy " " /32 Tabel t
/32 s(/32) "
s(/32)
"
lnl
" " /33 Tabel t
/33 s(/33) "
s(/33)

Model estimasi fungsi permintaan adalah:

ln q == 0, 655 +0, 986ln Px +0,515ln Py -0, 240ln I

Dalam regresi biasanya muncul angka konstan. Namun, angka konstan

tidak mengubah variasi variabel dependen (lihat ilustrasi penghitungan
varians), j adi angka konstan dalam model sebagai salah satu variabel
independen tidak mempengaruhi basil estimasi. Untuk kasus elastisitas,
koefisien konstan juga tidak mempunyai arti.
4.28 EKDNOMI MANA.JERIAL e

B. UJI t

Uji t menguji apakah nilai estimasi koefisien independen variabel

(elastisitas) berbeda nyata (signifikan) dari nol atau tidak. Apabila koefisien
a berbeda nyata dari nol, artinya harga produk x mempengaruhi permintaan
produk x atau elastisitas harga produk x tidak sama dengan nol. Bila
perbedaan nilai a tidak sama dengan nol, nilai elastisitas harga ditunjukkan
dengan nilai estimasi koefisien a . Apabila nilai a sama dengan nol (tidak
berbeda dengan nol), artinya harga produk x tidak mempengaruhi permintaan
produk x atau elastisitas produk x sama dengan nol. Hipotesis untuk ketiga
koefisien tersebut masing-masing adalah:

HO: a== 0
H1: a :;t: 0

HO: f3 == 0
H1: f3 -:t= 0

HO: y == 0
H1: r * o

Dalam pengujian hipotesis ini harapannya adalah menolak H 0 (menerima

H 1). H 0 ditolak apabila nilai t hitung jatuh di daerah penolakan. Nilai t hitung
akan jatuh pada daerah penolakan bila nilai mutlak t-hitung relatif besar.
Sebagai patokan adalah apabila nilai mutlak t-hitung lebih besar dari 1,96
(2,33) maka nilai t hitung jatuh pada daerah penolakan. Kemudian, dikatakan
bahwa nilai koefisien yang bersangkutan signifikan pada tingkat kepercayaan
95% (99%).
Tabel 4.5 menunjukkan bahwa nilai t-hitung untuk semua variabellebih
besar dari 1,96%. Hal ini menunjukkan bahwa ketiga koefisien tersebut
signifikan (berbeda dari nol) dengan tingkat kepercayaan lebih dari 95%.
Tabel 4.5 memberikan informasi yang lebih banyak. Tingkat
kepercayaan uji t diukur dengan lebih tepat. Kolom sig. (p) atau significant
probability pada harga produk x adalah 0,009, menunjukkan tingkat
kepercayaan uji t adalah sebesar 0,991 (1 - 0,009). Tingkat kepercayaan uji t
untuk harga produk lain dan pendapatan masing-masing adalah 0,995
(1 - 0,005) dan 0,966 (1 - 0,034).
e EKMA431 2/MODUL 4 4.29

Dengan menggunakan tingkat kepercayaan 95%, semua koefisien

signifikan. Oleh karena itu, bisa disimpulkan bahwa elastisitas harga produk
x, elastisitas silang produk x terhadap harga produk lainnya (misalnya o) dan
elastisitas pendapatan produk x masing-masing adalah 0,986, 0,515 dan
-0,240.
Ketiga koefisien estimasi yang signifikan tersebut bisa diinterpretasikan
sebagai elastisitas. Elastisitas harga produk x adalah 0,986. Artinya, apabila
harga x naik 1%, permintaan produk x naik 0,986%. Perhatikan hasil ini tidak
sesuai dengan teori permintaan. Menurut teori permintaan, apabila harga
naik, permintaan turun. Apabila kondisi ini terj adi harus diberikan
penjelasan. Ingat dekomposisi Slutzky, kenaikan harga bisa menaikkan
permintaan apabila efek pendapatan dari barang yang inferior mendominasi
efek substitusi. (Lihat modul permintaan).
Perhatikan data permintaan produk x dan harga produk x, keduanya
berkorelasi positif. Data ini memang diskenariokan demikian. Skenario ini
menunjukkan bahwa dalam membentuk hipotesis pengaruh harga produk x
terhadap permintaan produk x atau memperkirakan tanda koefisien regresi
bisa berbeda dengan hasil estimasi. Bila perkiraan berbeda dengan hasil
empiris maka perbedaan tersebut perlu diberi penjelasan. Tentu saja
penjelasannya harus logis atau berdasarkan teori.
Elastisitas silang produk x karena perubahan harga produk y adalah
0,515. Artinya, apabila harga produk y naik 1%, permintaan produk x naik
0,515%. Produk y adalah produk substitusi dari produk x.
Elastisitas pendapatan produk x adalah - 0,240. Artinya, apabila
pendapatan konsumen naik 1%, permintaan produk x turun 0,240%. Produk x
adalah produk inferior.

C. ANALYSISOFVARIANCE

Analysis of Variance (ANOVA) adalah mendekomposisikan variasi

variabel dependen menjadi variasi regresi (model) dan variasi error. Dalam
anova akan lebih mudah apabila digunakan ukuran variasi adalah jumlah
kuadrat (sum of squares). Anova mendekomposisikan jumlah kuadrat
variabel dependen (disebut jumlah kuadrat total) menjadi jumlah kuadrat
regresi (model) dan jumlah kuadrat error. Implikasinya tentu saja jumlah
kuadrat regresi ditambah jumlah kuadrat error sama dengan jumlah kuadrat
total (variabel dependen).
4.30 EKDNOMI MANA.JERIAL e

ANOV A konsisten dengan argumen bahwa model regresi menjelaskan

variasi Uumlah kuadrat) variabel dependen. Variasi dependen variabel yang
• •
tidak bisa dijelaskan dengan model regresi disendirikan dalam var1as1
Uumlah kuadrat) error.
Tabel4.7 menampilkan anova dari estimasi model di atas.

Tabel 4. 7
Analysis of Variance

Source df ss MS F P-Value
Regression 3 0,365 0,122 107,474 0,000
Residual 6 0,007 0,001
Total 9 0,372

Formula anova adalah sebagai berikut.

Tabel4.8
Analysis of Variance

Source df ss MS F P-Value
Regresi dtR JKR JKR KTR Lihat
KTR= F= tabel F
dfR KTE
Error dfE JKE JKE
KTE=
djE
Total dfT JKT

SS : jumlah kuadrat (sum of squares) atau JK

MS : kuadrat tengah (mean squares) atau KT
JKR : jumlah kuadrat regresi
JKE : jumlah kuadrat error
JKT : jumlah kuadrat total (dependen variabel)
df : derajat bebas (degrees offreedom)
dtR : derajat bebas (degrees offreedom) regresi
dfE : derajat bebas error
dfT : derajat bebas total (dependen varaiabel)
F : variabel yang menyebar F dengan derajat bebas pembilang = dtR
dan derajat. Bebas penyebut = dfE
e EKMA431 2 / MODUL 4 4.31

n
JKT == ~(Yi - y)
2

i=l

Jumlah kuadrat total adalah jumlah kuadrat dari simpangan variabel

dependen.

n
~(Yi - )\ )
2
IKE==
i=l

Jumlah kuadrat error adalah jumlah kuadrat dari simpangan variabel

dependen dari nilai estimasinya

~(5\ - y)
2
JKR ==
i=l

Jumlah kuadrat regresi adalah jumlah kuadrat dari simpangan nilai estimasi
dependen variabel ( y) dari rata-rata variabel dependen ( y) .

JKT == JKR + JKE

D. DERAJAT BEBAS

Jumlah derajat bebas awal adalah 10, sama dengan ukuran sampel.
Setiap mengestimasi sebuah statistik derajat bebas berkurang satu. Dalam
model ada tiga koefisien yang diestimasi. Derajat bebas model adalah tiga.
Konstanta dalam model bisa dianggap rata-rata. Penghitungan rata-rata
memakan sebuah derajat bebas. Jadi, derajat bebas berkurang empat. Oleh
karena itu, derajat bebas yang tersisa adalah 6.
Derajat bebas ini mempengaruhi nilai t-tabel. Ingat bahwa H 0 akan
ditolak apabila t-hitung lebih besar dari t-tabel. Oleh karena dalam pengajuan
yang diharapkan adalah menolak H 0 maka yang diharapkan adalah nilai
t-tabel yang kecil. Nilai t-tabel akan semakin kecil hila derajat bebas error
besar.
4.32 EKDNOMI MANA.JERIAL e

Derajat bebas bisa besar bisa dicapai dengan membuat ukuran sampel
yang besar dan membuat jumlah variabel dalam model (variabel independen)
sedikit, lihat Tabel 4. 9 di bawah ini.

Tabel 4. 9
Nilai t-Tabel dan Tingkat Kepercayaan Uji t Dua Ekor

Tingkat Ke Jercayaan 90% 95% 99%

Derajat bebas 6 1,943 2,447 3,707
Derajat bebas 30 1,697 2,042 2,750
Derajat bebas 120 1,658 1,980 2,617
Derajat bebas tak terhingga 1,645 1,960 2,576

E. KOEFISIEN DETERMINASI

2
Koefisien determinasi R mengukur berapa persen variasi dependen
variabel yang bisa dijelaskan oleh model regresi. Ukurannya adalah jumlah
kuadrat regresi dibagi jumlah kuadrat total (variabel dependen).

R2 == JKR
JKT

Nilai R2 sebesar 0,75 menunjukkan bahwa 75% variasi variabel

dependen dapat dijelaskan oleh variasi variabel independen. Sisanya 25%
ditentukan oleh variabellain diluar model.

F. UJI F

Koefisien determinasi menunjukkan berapa persen model regresi

menjelaskan variasi nilai dependen variabel. Distribusi koefisien determinasi
tidak diketahui. Oleh karena itu, pengujian model yang berdasarkan koefisien
determinasi tidak ada. N amun, kuadrat tengah regresi dibagi kuadrat tengah
error menyebar F,

KTR -F
KTE
e EKMA431 2/MODUL 4 4.33

KTR b.1sa d.1seb ut F h.Itung.

KTE
Rasio ini menjadi dasar untuk menguji model regresi.

Hipotesis pengujian sebuah model regresi adalah apakah model tersebut

bisa menjelaskan variasi variabel dependen? Jawaban yang diharapkan
adalah ya dengan tingkat kepercayaan tertentu, misalnya 95%. Apabila
semua koefisien variabel independen tidak signifikan, tentu saja model
regresi tidak bisa menjelaskan variasi variabel dependen. Namun, apabila
minimal ada satu koefisien variabel independen yang signifikan, model
tersebut dikatakan bisa menjelaskan variasi variabel dependen, tentu saja
dengan tingkat kepercayaan tertentu. Oleh karena itu, hipotesis uji model
berdasarkan pada sebaran F adalah:

Ho : a==fJ==r==O
H1 : Setidaknya ada salah satu koefisien regresi yang tidak sama dengan nol.

Biasanya notasi hipotesis uji F untuk kasus tiga koefisien regresi

ditampilkan sebagai:

Ho : fJ1 == fJ2 == /33 == 0

H1 : 3f3i :;tO, Vi, i= 1, 2, 3.
3 dibaca ada. Vi dibaca untuk semua i.

Apabila F hitung lebih besar dibanding F-tabel maka disimpulkan bahwa

model regresi bisa menjelaskan variasi variabel dependen dengan tingkat
kepercayaan tertentu. Semakin tinggi nilai F-hitung, semakin besar tingkat
kepercayaan pengujian. Gambar 4.5 menggambarkan distribusi F. Perhatikan
bahwa nilai F tidak pernah negatif.
4.34 EKONOMI MANA..JERIAL e

~rofuat)tiiry-

Tae1ma
•• •. .. ~ t.l "
~~f.----------------------=~- 1' Jl~

-
Tqtatt Ft .

Gambar 4.5.
Daerah Penerimaan dan Penolakan Uji F

Untuk kasus di atas, nilai F-hitung adalah 107,474 jauh lebih tinggi dari
nilai F-tabelnya dengan tingkat kepercayaan 99%, yaitu 9,78. Angka 9,78 ada
dalam tabel F dengan derajat bebas 3 (df model regresi) dan 6 9 (df error).
Distribusi F mempunyai dua derajat bebas. Kesimpulannya, model regresi di
atas bisa menjelaskan variasi data dengan tingkat kepercayaan mendekati
100%. (Dalam pengujian tidak pernah menyebut tingkat kepercayaan 100%,
begitu juga pada kasus lainnya).

G. MODEL RETURN SAHAM

Dalam estimasi fungsi permintaan, semua variabel ditransformasikan

dengan transformasi ln. Dasar dari transformasi In tersebut adalah bahwa
fungsi permintaan diasumsikan fungsi permintaan Cobb-Douglas. Fungsi
Cobb-Douglas sering digunakan untuk model fungsi permintaan.
Dalam keuangan, fungsi yang populer untuk menjelaskan return saham
adalah capital asset pricing model (CAPM). Bentuk dari CAPM adalah:
e EKMA431 2/MODUL 4 4.35

di mana
rl : return saham i
r1 : return instrumen finansial tanpa risiko (risk free rate), misalnya

deposito atau Sertifikat Bank Indonesia (SBI). Risk free rate

diasumsikan konstan.
rm : return pasar, misalnya return dari indeks saham

rm- r1 : premi risiko pasar, tambahan return karena menerima risiko pasar
fJ : beta, sensitivitas return saham terhadap perubahan premi pasar
&i : error, return saham i yang tidak bisa dijelaskan oleh model
'i == rf + fJ(rm -rf)

P.-P.
Formula untuk menghitung return adalah r = t t-l , harga sekarang
~
dikurangi harga periode sebelumnya dibagi dengan
harga periode
sebelumnya.
Oleh karena risk free rate diasumsikan konstan, CAPM bisa ditampilkan
sebagai:

Hal yang menjadi fokus dalam estimasi CAPM adalah nilai estimasi beta
A

fJ . Misalkan, nilai beta saham A adalah 2. Artinya, apabila premi pasar

naik 1%, return saham A naik 2%. Perhatikan bahwa return dinyatakan
dalam persen. J adi, interpretasi regresi return, interpretasinya sama dengan
interpretasi elastisitas, sama dengan kasus regresi apabila semua variabel
ditransformasikan dengan transformasi ln.

H. PREDIKSI RETURN

Model regresi bisa digunakan untuk melakukan prediksi nilai variabel

dependen. Misalnya, basil estimasi nilai beta adalah 2. Suku bunga tanpa
risiko, misalnya SBI adalah 8%. Return pasar yang diukur dengan return
indeks saham adalah 12%. Premi pasar sama dengan 4%. Premi pasar
mencerminkan tambahan hadiah (reward) karena investor mengambil risiko
4.36 EKDNOMI MANA.JERIAL e

yang lebih tinggi dibanding instrumen tanpa risiko seperti SBI. Untuk saham
dengan nilai beta sama dengan 2, return saham tersebut adalah 16%
(8o/o + 2(4%)). Untuk saham dengan nilai beta 1, return saham sama dengan
10%. Perhatikan bahwa saham dengan nilai beta lebih besar mempunyai
return yang lebih besar.

I. MENGEMBANGKAN MODEL RETURN

CAPM adalah model yang menjelaskan returns saham dengan sebuah

variabel, yaitu premi pasar. Beberapa saham sensitif terhadap pergerakan
nilai tukar. Dengan menambahkan variabel nilai tukar dalam CAPM
diharapkan error menjadi semakin kecil. Dengan demikian, model return
mempunyai dua variabel independen yaitu premi pasar dan nilai tukar,

di mana
X : perubahan nilai tukar (dalam persen).

Jadi, model bisa dikembangkan dengan menambah variabel independen

yang relevan. V ariabel yang relevan adalah variabel yang bisa menjelaskan
variasi return saham.

J. REGRESI RETURN DAN REGRESI LEVEL

Menjelaskan variasi harga (level), misalnya harga saham naik, relatif

lebih mudah dibandingkan menjelaskan return. Oleh karena itu, secara
umum, regresi dalam level akan cenderung mempunyai koefisien determinasi
yang tinggi. Sebaliknya, regresi dalam return akan cenderung menghasilkan
koefisien determinasi yang rendah. Dalam realita yang menjadi fokus
perhatian bukan tingkat harga saham, tapi return saham. Oleh karena itu,
model dalam keuangan biasanya dinyatakan dalam return.
Dalam regresi mensyaratkan bahwa error terdistribusi normal. Secara
umum, return saham menyebar normal. Oleh karena itu, error dari regresi
juga cenderung menyebar normal.
e EKMA431 2/MODUL 4 4.37

K. PERMASALAHAN DALAM REGRESI

Misalkan, sebuah regresi di mana variabel dependen (y) dijelaskan oleh

dua variabel independen, yaitu xi dan x 2 . Apabila xi dan x 2 identik maka salah
satu variabel bisa dibuang dari model. Bila xi dan x 2 identik maka korelasi
keduanya sama dengan satu. Penghitungan varians error bisa menjadi tak
terhingga. Oleh karena varians error mempengaruhi distribusi koefisien
regresi maka basil pengujian koefisien tidak bisa diandalkan.
Korelasi xi dan x 2 sama dengan satu disebut masalah multikolinieritas
(multicolinierity). Dalam realita tentu saja dua variabel amat tidak mungkin
akan berkorelasi sama dengan satu. Namun, dua variabel mungkin
berkorelasi tinggi, misalnya 0,9. Variabel xi dan x 2 berkorelasi tinggi artinya
xi mirip x 2 . Variabel xi bisa mewakili x 2 . Begitu juga sebaliknya, variabel x 2
bisa mewakili xi. Jadi, penggunaan xi dan x 2 sebagai variabel independen
adalah boros (terlalu banyak). Dalam kasus ini, penggunaan salah satu
variabel akan menghilangkan masalah multikolinieritas.
Untuk struktur data deret waktu (time series), terkadang nilai variabel
dependen semakin lama semakin naik. Setelah "dikurangi dengan model,"
error-nya mempunyai tren yang semakin besar. Dalam hal ini, error waktu
ke t berkaitan (berkorelasi) dengan error waktu t-1. Fenomena ini disebut
otokorelasi (autocorrelation) dalam error. Otokorelasi menyebabkan deviasi
standar error terlalu kecil dibanding apabila error tanpa pola otokorelasi.
Hasil regresi yang mengalami otokorelasi akan bias hasilnya bila digunakan
untuk peramalan.
Otokorelasi adalah tren variabel dependen yang belum tertangkap dalam
model. Akibatnya, pola ini muncul dalam bentuk otokorelasi pada error.
Untuk mengatasi permasalahan otokorelasi, dapat dilakukan dengan
mengubah lag variabel bebas atau menaksir regresi dengan model lain,
seperti error corection model atau model lainnya yang dapat mengatasi
permasalahan otokorelasi.
Struktur data deret waktu adalah data dari sebuah elemen contoh yang
sama, namun bervariasi menurut waktu. Sedangkan data cross section adalah
data dari objek (elemen contoh) yang berbeda, namun tidak bervariasi
menurut waktu (pada waktu yang sama). Data cross section, misalnya
keuntungan bank-bank di Indonesia pada tahun 2006. Misalnya, bank-bank
kecil relatif berani mengambil risiko sehingga keuntungannya lebih
bervariasi dibanding dengan bank besar. Perbedaan fluktuasi keuntungan ini,
4.38 EKONOMI MANA..JERIAL e

dalam regresi bisa muncul dalam error. Varians error bank kecillebih besar
dibanding varians error bank besar. Fenomena varians error yang tidak sama
sesuai dengan observasi disebut heterosedatisitas (heteroscedasticity). OLS
mensyaratkan varians error yang sama homosedastisitas (homoscedasticity).
Untuk menjadikan error homoseastisitas, faktor yang menyebabkan
terjadinya heterosedatisitas perlu dimasukkan dalam model regresi,
misalnya ukuran perusahaan untuk kasus di atas.

LATIHAN
__ _
I 6 ~-
:._ ~
_

Untuk memperdalam pemahaman Anda mengenai materi di atas,

kerj akanlah latihan berikut!

1) Apa manfaat uji t dalam regresi?

2) Apabila dalam suatu regresi berganda ternyata terdapat parameter
(koefisien) salah satu variabel bebasnya tidak signifikan apakah uji F
terhadap regresi tersebut dipastikan tidak signifikan?
3) Apakah yang dimaksud heteroskedastisitas dalam regresi berganda?
4) Menunjukkan apakah koefisien diterminasi?
5) Bagaimana cara mengatasi masalah multikolinearitas dalam regresi
berganda?

Petunjuk Jawaban Latihan

1) Baca sub bab B tentang uji t.

2) Baca sub bab G yang mernbahas uji F.
3) Pelaj ari sub bab L yang rnernbahas perrnasalahan regresi.
4) Pelaj ari sub bab F tentang koesisien determinasi
5) Pelajari sub bab L yang rnernbahas perrnasalahan regresi.

RANGKUMAN- - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -

Model regresi linier yang terdiri dari satu atau lebih variabel
independen rnenjelaskan variasi sebuah variabel dependen. Kernarnpuan
model regresi dalam menjelaskan variasi variabel dependen tercermin
dalam beberapa bentuk. Pertama, nilai koefisien regresi yang relatif
e EKMA431 2 / MODUL 4 4.39

besar, signifikan, dan mempunyai tingkat kepercayaan yang tinggi.

Kedua, koefisien determinasi yang mendekati satu. Ketiga, nilai F hitung
yang tinggi, signifikan, dan mempunyai tingkat kepercayaan yang tinggi.
Apabila variabel independen dalam model regresi tidak lengkap atau
terlalu banyak akan tercermin dalam error. Error yang diharapkan
adalah error yang menyebar normal dan tidak berkorelasi dengan
variabel dalam regresi. Error dalam regresi mencerminkan faktor-faktor
yang tidak dijelaskan oleh variabel-variabel dalam model regresi yang
tentu saja tidak berkorelasi dengan variabel-variabel independen.
Kasus variabel independen terlalu banyak terjadi apabila dua
variabel atau lebih berkorelasi tinggi. Kasus ini disebut multikolinieritas.
Multikolinieritas membuat varians error menjadi terlalu besar. Masalah
multikolinieritas bisa diatasi dengan mengambil satu saj a variabel yang
berkorelasi tinggi.

TES FORMATIF 2- - - - - - - - - - - - - - - -

Pilihlah satu j a waban yang paling tepat!

1) Untuk mengetahui seberapa besar variasi variabel bebas dapat dijelaskan

oleh variasi variabel tidak bebas maka perlu dilihat nilai ....
A. t hitung
B. F hitung
C. multikolinearitas
2
D. R

2) Fungsi permintaan Cobb-Douglas adalah fungsi non linier. Supaya dapat

diestimasi dengan OLS maka yang perlu dilakukan ....
A. mentransformasi data ke dalam logaritma natural (ln)
B. mengasumsikan model adalah linier
C. data dikalikan 10
D. mengurangi jumlah variabel independen

3) Sebuah variabel bebas dalam regresi dikatakan mempunyai pengaruh

signifikan terhadap variabel tidak bebas bila ....
A. t hitung lebih kecil dari t tabel
B. t hitung lebih besar dari t tabel
C. nilai koefisien determinasi tinggi
D. memenuhi uji F
4.40 EKDNOMI MANA.JERIAL e

4) Model return saham i adalah 'i = r1 + fJ(rm- r1 ) + &i. Dari basil regresi
diperoleh b = 0,5, artinya adalah ....
A. kenaikan return pasar sebesar 1 rupiah akan meningkatkan return
saham sebesar 0,5 rupiah
B. kenaikan return pasar sebesar 1% akan meningkatkan return saham
sebesar 0,5%
C. kenaikan premi risiko pasar sebesar 1% akan meningkatkan return
saham sebesar 0,5%
D. penurunan premi risiko pasar sebesar 0,5 % akan menurunkan return
saham sebesar 1%

5) Korelasi tinggi antar variabel penjelas menimbulkan permasalahan ....

A. otokorelasi serial
B. multikolinearitas
C. heteroskedatisitas
D. homoskedasitas

Cocokkanlahjawaban Anda dengan Kunci Jawaban Tes Formatif2 yang

terdapat di bagian akhir modul ini. Hitunglah jawaban yang benar.
Kemudian, gunakan rumus berikut untuk mengetahui tingkat penguasaan
Anda terhadap materi Kegiatan Belajar 2.

Jumlah Jawaban yang Benar

Tingkat penguasaan = - - - - - - - - - - - x 100%
Jumlah Soal

Arti tingkat penguasaan: 90 - 100% = baik sekali

80 - 89% = baik
70 - 79% = cukup
< 70% = kurang

Apabila mencapai tingkat penguasaan 80% atau lebih, Anda dapat

meneruskan dengan modul selanjutnya. Bagus! Jika masih di bawah 80%,
Anda hams mengulangi materi Kegiatan Belajar 2, terutama bagian yang
belum dikuasai.
e EKMA431 2 / MODUL 4 4.41

Kunci Jawaban Tes Formatif

Tes Formatif 1 Tes Formatif2

1) c 1) D
2) c 2) A
3) D 3) B
4) B 4) c
5) c 5) B
4.42
An ova
Autocorrelation
Capital asset pricing model
Central limit theorem
Cobb-Douglas
Cross-section
Devisi standar
Distribusi normal baku
Hipotesis nol
Hipotesis alternatif
Heterosedastisitas
Homosedastisitas
Koefisien determinasi
Ln (logaritma natural)
Multikolinieritas
EKDNOMI MANA.JERIAL e
Glosarium
•
• analysis of variance, mendekomposisi
variasi variabel dependen menjadi variasi
yang dijelaskan oleh model regresi dan
error.
•
• otokorelasi, korelasi antara error periode t
dengan error periode t-1.
•
• (CAPM), model yang menjelaskan
(variasi) return dari sebuah saham
•
• teori limit pusat, distribusi rata-rata
konvergen pada distribusi normal.
•
• fungsi permintaan Cobb-Douglas adalah
fungsi permintaan pangkat.
struktur data dengan pengamatan pada
satu titik periode waktu.
•
• (standard deviation), ukuran variasi
(volatilitas) data.
•
• distribusi normal dengan rata-rata nol dan
simpangan baku satu
•
• (HO) hipotesis yang diharapkan akan
ditolak.
•
• (H 1) hipotesis yang diharapkan diterima.
•
• (heteroscedasticity ), error dengan
volatilitas yang berbeda.
•
• (homoscedastisity ), error dengan
volatilitas yang sama.
•
• (R-kuadrat) ukuran efektivitas model
• •
regresi menangkap var1as1 variabel
dependen.
•
• logaritma dengan bilangan pokok e
•
• multicolinierity) fenomena variabel
•
independen dalam model regres1
berkorelasi tinggi.
e EKMA431 2/MODUL 4 4.43

Ordinary least squares •

• (OLS), metode estimasi regresi, yaitu
dengan cara meminimalkan jumlah
kuadrat error.
Parameter •
• ciri populasi.
Premi pasar •
• tambahan return untuk memberikan
kompensasi kepada investor yang
memegang instrumen indeks pasar.
Sampel •
• (contoh), bagian populasi yang mewakili
populasi.
Statistik •
• (statistic) ciri contoh. Definisi statistik
adalah fungsi semua elemen contoh.
Rata-rata dan deviasi standar adalah
statistik. Statistika (statistics) merujuk
pada ilmunya.
Transformasi normal baku •
• transformasi yang membuat variabel
menjadi variabel normal baku (z).
Time series •
• struktur data deret waktu.
Uji F •
• uji model regresi.
Uji t •
• uji sebuah koefisien regresi .
Variabel dependen •
• variabel yang dijelaskan.
V ariabel independen •
• variabel penjelas.
Varians •
• ukuran variasi data.
4.44 EKDNOMI MANA.JERIAL e

Daftar Pustaka

Allen, Bruce, Neil, Doherty, Keith Weighlt, Edwin Mansfield. (2005).

Managerial Economics. Sixth Edition. New York: Norton.

Greene, W. (1993). Econometric Analysis. Second Edition. New York:

Mcmillan.

Hirschey, M. (2003). Managerial Economics. Tenth Edition. Singapore:

Thomson.

Jorion, P. (2005). Financial Risk Manager Handbook. New Jersey: John

Wiley.

Pindyck, R. dan Daniel Rubinfeld. (1995). Microeconomics. Edisi ke-3.

Prentice Hall.

Salvatore, D. (1996). Managerial Economics: In a Global Economy. 3rd ed.

McGraw Hill.

Sunaryo, T. (2001) Ekonomi Manajerial. Jakarta: Erlangga.