BAB X

OLAH DATA: 
ORDINARY LEAST SQUARES (OLS)
ORDINARY LEAST SQUARES
DENGAN EVIEWS
 Pendahuluan
• Olah data dengan analisis regresi adalah salah
satu analisis yang paling populer dan luas
pemakaiannya terutama dengan metode
Ordinary Least Squares (OLS).
• OLS ini sering digunakan untuk mengolah data
secara statistik.
 Manfaat
• Olah data OLS dengan Eviews digunakan untuk
pengolahan data secara sederhana.
• Hampir seluruh ilmu memerlukan dan
menggunakan olah data OLS ini terutama
dalam memecahkan masalah masalah
masalah‐masalah
penelitian sederhana.
 Relevansi
• Materi ini relevan dan menjadi aplikasi pokok
dalam statistik terutama kaitannya dengan
olah data sederhana.
sederhana
 Learning Outcome
Learning Outcome
• Mahasiswa mampu mengolah data sesuai
model menggunakan OLS di Eviews.
 OLS
• Model regresi yang baik adalah model regresi yang dapat
menghasilkan nilai residual terkecil. Semakin kecil nilai
residual yang dihasilkan, maka semakin baik hasil dari
model regresi tersebut.
• Nilai residual terkecil menunjukkan nilai estimasi yang
dihasilkan dari suatu analisis regresi akan mendekati nilai
aktualnya. Oleh karena itu, kita harus dapat menentukan
nilai
il i dan
d yang dapat
d t menghasilkan
h ilk nilai
il i residual
id l terkecil.
t k il
• Metode yang dapat digunakan untuk menentukan nilai
koefisien‐koefisien regresi tersebut adalah metode kuadrat
t k il (ordinary
terkecil ( di l t square/OLS).
least /OLS) Metode
M t d OLS dapatd t
menghasilkan nilai residual sekecil mungkin dengan
menjumlahkan kuadrat residual.
 Asumsi‐Asumsi
Asumsi Asumsi OLS
OLS
• Hubungan antara variabel dependen dan independen adalah linier dalam 
parameter.
parameter
• Variabel‐variabel independen adalah variabel‐variabel non‐stokastik yang bernilai 
tetap untuk bebagai observasi yang berulang‐ulang.
• Tidak ada hubungan linier antara variabel independen atau tidak ada 
multikolinearitas antara variabel variabel independen
multikolinearitas antara variabel‐variabel independen.
• Nilai harapan (expected value) atau rata‐rata dari variabel gangguan (residual/ei) 
adalah nol.
• Varian dari variabel gangguan (ei) adalah sama setiap periode waktu atau bersifat 
homoskedastis.
homoskedastis
• Tidak ada serial korelasi antara gangguan ei yang satu dengan ei yang lain atau 
tidak ada autokorelasi.
• Variabel gangguan ei berdistribusi normal
• Covariance antara ui dan x
d i adalah nol 
d l h l
• Banyaknya observasi (n) harus lebih besar dari banyaknya parameter yang 
diestimasi
• Nilai variabel penjelas harus bervariasi atau var(x) harus bernilai positif
• Dengan
Dengan asumsi
asumsi‐asumsi
asumsi di atas, metode OLS 
di atas metode OLS
akan menghasilkan estimator yang bersifat 
tidak bias linier dan memiliki varian minimum
tidak bias, linier, dan memiliki varian minimum 
(best linear unbiased estimators ‐ BLUE). 
 Kriteria estimator  yang memiliki sifat 
BLUE adalah:
d l h
• Linier
e
Estimator  β̂ linier terhadap variabel stokastik Y, 
k

g p
sebagai variabel dependen.
• Tidak bias
Estimator β̂ tidak bias, yaitu nilai rata‐rata atau 
k ,y
nilai harapan  sama dengan nilai  β yang 
k

sebenarnya.
• Memiliki varian minimum 
Estimator β̂ memiliki nilai varian yang minimum.
k
 Standard Error OLS
Standard Error OLS
• Estimator yang diperoleh dari metode OLS memiliki 
y g p
sifat acak dan random  atau nilainya berubah‐ubah dari 
satu ke sampel lainnya. Adanya variabilitas estimator 
ini maka kita membutuhkan ketepatan dari estimator
ini maka kita membutuhkan ketepatan dari estimator 
tersebut. 
y g p g g
• Indikator yang dapat digunakan untuk mengetahui 
ketepatan estimator OLS adalah standard error (Se). 
• Semakin kecil nilai Se dari estimator, maka semakin 
kecil pula variabilitas dari angka estimator yang berarti
kecil pula variabilitas dari angka estimator, yang berarti 
nilai estimator tersebut semakin dapat dipercaya. 
 Olah Data OLS
Data OLS
Yˆ = βˆ0 + βˆ1 X
Keterangan: 
• Yˆ :  variabel terikat/dependen
i b l ik /d d
• X : variabel penjelas/independen
• β̂ : konstanta (intercept)
0

• βˆ : slope/koefisien regresi parsial
1 slope/koefisien regresi parsial
• Model
Model regresi akan menghasilkan nilai 
regresi akan menghasilkan nilai
estimasi dari variabel dependen (Yˆ), namun 
nilai estimasi tersebut sangat mungkin
nilai estimasi tersebut sangat mungkin 
berbeda dengan nilai aktualnya  ( Y ). 
Perbedaan antara nilai estimasi Y ( YŶ ) dan nilai 
Perbedaan antara nilai estimasi Y ( ) dan nilai
aktual Y disebut dengan residual  ( ê ). 

Yt = βˆ0 + βˆ1 X + eˆ
• Residual
Residual (( eê ) sering pula disebut dengan 
) sering pula disebut dengan
variabel gangguan (disturbance/error terms).
• Nilai residual (
Nilai residual ( êˆ ) dapat positif maupun 
) dapat positif maupun
negatif. Variabel gangguan dapat muncul 
karena hubungan antara variabel variabel
karena hubungan antara variabel‐variabel 
ekonomi bersifat acak (random), dan tidak 
seperti hubungan antara variabel variabel
seperti hubungan antara variabel‐variabel 
dalam matematika yang bersifat deterministik.
Contoh : Olah
: Olah Data OLS
Data OLS
• Melakukan Regeresi dengan Metode OLS
g g
• Contoh 1: Pengeluaran =  f(Gaji) 
* Data telah tersedia
• Model dari fungsi tersebut:

Pengeluara n = α 0 + α 1 Gaji
• Untuk dapat melakukan estimasi atau regresi
terhadap persamaan di atas,
atas maka dalam program olah
data e‐views, salah satu cara yang dapat dilakukan
adalah: meng‐klik menu utama QUICK.
• Dengan
Dengan cara ini adalah 
cara ini adalah
klik QUICK Æ KLIK 
ESTIMATE ÆEQUATION 
akan muncul kotak 
dialog EQUATION 
SPECIFICATION D l
SPECIFICATION. Dalam 
kotak dialog Equation 
Specification ketik
Specification, ketik 
Pengeluaran C Gaji Æ
Klik OK.
• Hasil
Hasil Estimasi Regresi 
Estimasi Regresi
Sederhana sebagai 
berikut:
Pengeluaran = ‐1434,32 + 0,2106 Gaji 
Se                        (490,46)     (0,019)
R2 =0,696
Tugas : Latihan
: Latihan
• Dengan
g data di bawah • Data sbb:
ini lakukan olah data
obs Y C
regresi OLS dengan
Eviews
Eviews. Dimana Y 1 19583 3346

adalah Pendapatan dan 2 20263 3114

C adalah Konsumsi. 3 20325 3554

Modelnya adalah: 4 26800 4642

C = α + βY 5
6
29470
26610
4669
4888
• Dimana konsumsi
7 30678 5710
dipengaruhi oleh
pendapatan
pendapatan. 8 27170 5536
9 25853 4168
10 24500 3547
11 24274 3159 21 22644 3914
12 27170 3621 22 24624 4517

13 30168 3782 23 27186 4349

14 26525 4247 24 33990 5020

15 27360 3982 25 23382 3594

16 21690 3568 26 20627 2821

17 21974 3155 27 22795 3366

18 20816 3059 28 21570 2920

19 18095 2967 29 22080 2980

20 20939 3285 30 22250 3731

 Daftar Pustaka
• Gujarati
Gujarati, Damodar
Damodar N. 2003.Basic Econometrics 
N 2003 Basic Econometrics
4th edition.Singapore: Mc Graw Hill, 
• Maddala, G.S. 2001. Introduction to 
Maddala G S 2001 Introduction to
Econometrics. Third Edition. Chichester: John 
Wiley&Sons ltd.
ltd
• Wahyu, Winarno Wing.2007. Analisis
Ek
Ekonometrika
ik dan
d Statistika
S i ik dengan
d E i
Eviews, 
Yogyakarta: UPP STIM YKPN.