Disusun Oleh :
Dosen Pengampu :
UNIVERSITAS DIPONEGORO
2019
JAWABAN SOAL 1.
JAWABAN SOAL 2.
a. Gunakan metode treatment yang tepat. Saya menawarkan metode regresi semi-log
sebagai metode treatment yang tepat untuk menghilangkan unsur heteroskedastisitas
pada model regresi dan data empiris yang digunakan.
b. Sebab dalam menentukan metode analisis regresi harus disesuaikan dengan jenis
datanya (apakah data itu termasuk time series, cross section, dan data panel). Data
pada soal ini termasuk time series sehingga lebih cocok diregresikan dengan metode
OLS supaya hasil regresinya mudah dipahami dan diinterpretasikan.
c. Salah. Sebab nilai analisis korelasi yang ideal antara 0 dan 1. Jika nilainya kurang dari
0 atau lebih dari 1, maka keterkaitan antara variabel independen dan variabel
dependen menjadi sukar untuk diketahui.
d. Variabel independen bisa bersifat deterministik sebab ada penyesuaian dengan teori
tertentu yang digunakan untuk mengetahui hubungan antar kedua variabel tersebut
sehingga variabel independen tertentu bisa disampel secara berulang-ulang.
e. Variabel independen bisa bersifat stokastik sebab ada hal” tertentu yang tidak bisa
dijelaskan oleh variabel independen inti tetapi bisa dijelaskan oleh variabel lain.
Faktor gejala error di sini sangat berpengaruh terhadap efektivitas dan efisiensi suatu
variabel independen dalam memengaruhi variabel dependen. Jika variabel independen
stokastik, maka model persamaan regresinya harus menggunakan persamaan
ekonometrik (bukan persamaan matematis).
LAMPIRAN OUTPUT REGRESI JAWABAN SOAL 1 POIN B.
Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
b
1 LnX2, LnX1 . Enter
a. Dependent Variable: Y
b. All requested variables entered.
Coefficientsa
Standardized
Unstandardized Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 11815,732 942,780 12,533 ,000
Coefficient Correlationsa
Model LnX2 LnX1
1 Correlations LnX2 1,000 -,073
LnX1 -,073 1,000
Covariances LnX2 9390,036 -2,143
LnX1 -2,143 ,091
a. Dependent Variable: Y
Collinearity Diagnosticsa
Variance Proportions
Model Dimension Eigenvalue Condition Index (Constant) LnX1 LnX2
1 1 2,841 1,000 ,01 ,02 ,01
2 ,116 4,957 ,01 ,73 ,34
3 ,044 8,058 ,98 ,25 ,65
a. Dependent Variable: Y
Residuals Statisticsa