TUGAS

EKONOMETRIKA

“UJI t DAN UJI F”

DISUSUN OLEH :

REGAL VEDRIAN

1794041021

PENDIDIKAN EKONOMI B / 2017

FAKULTAS EKONOMI

UNIVERSITAS NEGERI MAKASSAR

 UJI t DAN UJI F

Dalam bahasan kali ini, akan diuraikan signifikansi (dari sudut pandang
teori statistik) parameter yang ditemukan. Masalah dari signifikansi adalah kita
mempertanyakan apakah nilai parameter yang diperoleh telah sesuai dengan
hipotesis yang diturunkan dari suatu teori ekonomi. Sebagai contoh, Teori
Konsumsi menyatakan bahwa marginal propensity to consume/mpc memiliki nilai
lebih besar dari nol. Dari data kita dapat memodelkan suatu pola konsumsi
(katakan linier, konsumsi ¿ β 0+ β1 pendapatan) dan melakukan uji hipotesis
apakah benar mpc (yang di sini ditunjukkan oleh nilai parameter β 1 lebih besar
dari nol.
Terdapat dua jenis pengujian, yakni :
a Pengujian Hipotesis Individual. Di sini kita ingin melihat apakah suatu
parameter regresi telah sesuai dengan hipotesis. Statisik uji yang digunakan
adalah t test.
b Pengujian Hipotesis Berganda. Di sini kita ingin melihat apakah beberapa
parameter regresi bersama telah memenuhi suatu hipotesis. Statistik uji yang
digunakan adalah F test.

Pengujian Hipotesis Individual (t test)

Perhatikan model regresi linier berganda dengan k variabel berikut

y=β 0 + β 1 x 1 + β 2 x 2+ …+ β k x k +u (3.10)

Dalam pengujian hipotesis individual, kita ingin mengetahui apakah nilai β0

dan β j ; j=1 s/d k telah sesuai dengan yang dihipotesiskan oleh teori.

Beberapa teori memberikan hipotesis atas nilai β 0 dan β 1 pada

suatu angka yang spesifik (misalnya 2). Namun demikian umumnya teori dan
hipotesis tidaklah sedemikian spesifik. Sering kita menemukan bahwa hipotesis
yang ada hanya mensyaratkan nilai β 0 dan β 1 , adalah lebih kecil atau lebih
besar dari suatu nilai tertentu.
Pengujian hipotesis individual pada regresi berganda pada prinsipnya
adalah sama dengan regresi bivariat. Standard error dari masing-masing parameter
(β) diperoleh dari matriks perkalian residual, yang disebut matriks varians
kovarians.
Kita dapat menggunakan kriteria statistik uji (t stat) yang dibandingkan dengan
nilai kritisnya atau dengan menghitung p value. Dalam banyak kasus, EVIEWS
dapat menghitung p value dari statistik ini, sehingga tidak perlu lagi mencari nilai
kritis pada tabel.
Pada contoh 3.1. dapat dilihat bahwa parameter promosi dan kompoetifor
masing-masing memiliki nilai t statistik sebesar 2,43 dan 3,145. Statistik ini
memiliki p value sebesar 0,027 dan 0,006, yang masing-masing lebih kecil dari a
sebesar 0,05. Dengan demikian dapat disimpulkan bahwa hipotesis null tidak
adanya pengaruh individual dari masing-masing variabel dapat ditolak. Baik
promosi maupun kompetitor (secara individual) memiliki dampak yang signifikan
terhadap penjualan.

Pengujian Hipotesis Berganda (F test)

Pada bagian ini kita akan menguji apakah sekelompok variabel bebas tidak
memiliki dampak terhadap variabel terikat (disebut dengan exclusion restriction),
dengan mengontrol dampak suatu set variabel bebas yang lain (non exclusion
restriction). Pengujian seperti ini disebut dengan pengujian hipotesis berganda
(joint hypotheses test).
Misalnya kita memiliki suatu model regresi linier k variabel sebagai berikut.
y=β 0 + β 1 x 1 + β 2 x 2+ …+ β k x k +u (3.11)
Persamaan 3.10 disebut model tanpa retriksi (unrestricted model). Kemudian
katakanlah kita ngin melakukan exclusion restriction terhadap q variabel (dengan
kata lain hipotesis null keofisien dari q variabel ini adalah sama dengan nol).
Tanpa kehilanngan generalisasi, asumsikan lebih lanjut bahwa variabel yang
didestriksi ini adalahh q variabel terakhir atau
H 0 : βk −q+1 ¿ βk −q+1=β k =0 (3.12)

Hipotesis alternatif adalah H 0 tidak benar, dengan kata lain paling tidak ada
satu koefisien yang secara statistik adalah signifikan. Dengan demikian ketika kita
mengimplementasikan restriksi ini, maka variabel pada persamaan 3.11 akan
tereduksi sebesar q, atau
y=β 0 + β 1 x 1 +…+ β k−q x k−q +u (3.13)

Persamaan 3.11 disebut persamaan terestriksi (restricted model). Perhatikan

bahwa jumlah kuadrat residual (Sum Square Residual/SSR) model yang terestriksi
akan selalu lebih besar dari model tanpa restriksi. Penambahan variabel akan
memiliki dampak non-positif (sangat mungkin negatif) terhadap SSR.
 Dengan demikian pengujian terhadap signifikan/tidaknya restriksi dapat
dilakukan dengan mengevaluasi apakah peningkatan SSR dari model tanpa
restriksi ke model restriksi adalah substansial/signifikan. Jika ia signifikan maka
berarti kita telah membuang suatu informasi yang berharga dengan mengeluarkan
kelompok variabel dimaksud.
Teori matematika statistik menunjukkan bahwa formula berikut
( SSRr −SSR ur )/q
Fht =
SSRur /(n−k−1)

2 2
(R ur−R r )/q
¿
( R2ur )/(n−k−1)
(3.14)
Memiliki distribusi F dengan derajat bebas pada numerator sebesar q dan
(n−k−1) pada denominator, atau

Fht F q ,n− k−1

(3.15)
Indeks di bawah SSR menunjukkan model unrestricted ( u1 persamaan 3.14)
dan restricted (r, persamaan 3.14). Bagian kedua formula 3.14, menunjukkan
bahwa kita dapat menghitung Fht dengan menggunakan koefisien korelasi
2
1−R ur
dengan menggunakan fakta bahwa
SSR ur =SST ¿

Di sini terdapat dua aturan penolakan hipotesis (rejection rule), yakni nilai
Fht yang melebihi nilai kritis dan p value. Penggunaan p value tidak pernah
dilakukan secara manual karena sifat distribusi F yang tidak simetris. Kita
membutuhkan bantuan software untuk menghitungnya.
Salah satu varian uji hipotesis berganda yang sering digunakan (dan
merupakan output rutin dari OLS pada berbagai software) adalah overall
significance of a regression. Ini adalah suatu kasus khusus dari uji hipotesis
berganda di mana sebagai hipotesis null adalah restriksi seluruh variabel penjelas
(kecuali konstanta).
Uji ini bertujuan untuk melihat apakah secara kolektif seluruh variabel
bebas yang ada pada model regresi memberikan dampak penjelas yang signifikan
pada variabel terikat. Dengan demikian kita membandingkan model tanpa restriksi
persamaan 3.11 dengan model regresi hanya dengan konstanta, atau

y=β 0 +u

(3.16)
Pada penngujian ini, Fht dihitung dengan formula sebagai berikut

R2 /k
Fht =
( 1−R2 ) ( n−k −1)
(3.17)
Pada model regresi penjualan di atas, statistik uji F untuk signifikansi secara
umum (overall significance) adalah sebesar 24.216. Statistik ini dapat
dibandingkan dengan nilai kritis (lihat Tabel F) dengan derajat bebas q = 2
(numerator) dan n−k−1=20−3−1=16 (denominator sebesar 3,63. Dengan
demikian hipotesis null: secara bersama variabel penjelas tidak memberikan nilai
tambah informasi dapat ditolak. Kesimpulan serupa juga diperoleh di mana
EVIEWS telah menghitung p value sebesar 0.000011, yang jauh lebih kecil dari
nilai r yang biasa digunakan (1%, 5% dan 10%).
Suatu bentuk uji restriksi yang lain misalnya melihat apakah variabel
harga kompetitor adalah penting. Dengan perkataan lain memasukkan variabel
kompetitor meningkatkan kemampuan menjelaskan dari model.