NPM : 1711031028
Jurusan : S1 Akuntansi
Mata Kuliah : Ekonometrika 1
LATIHAN
1. Tulis arti dari masing-masing istilah berikut tanpa merujukbuku (atau catatan
Anda), dan bandingkan definisi Anda dengan versi dalam teks untuk masing-
masing:
a. Stocastic error term
b. Analisis regresi
c. Linier
d. Koefisien kemiringan
e. Model regresi multivariate
f. Nilai yang diharapkan
g. Sisa
h. Seri waktu
i. Set data cross-sectional
Jawab:
a. Merupakan variable yang ditambahkan dalam persamaan ekonometrika yang
digunakan untuk mencegah terjadinya kejadian diluar persamaan, sehingga
dapat merubah hasil pada persamaan tersebut
b. Merupakan suatu analisis berdasarkan data kuantitatif yang dapat
mengestimasikan suatu keadaan ekonomi yang disertai teoritis yang dibentuk
kedalam sebuah persamaan
c. Merupakan salah satu bentuk dari dua bentuk persamaan regresi yang apabila
dimasukan kedalam suatu grafik menjadi suatu garis lurus
d. Merupakan suatu kemiringan pada grafik yang tergambar dari hasil suatu
persamaan regresi yang memuat suatu penjelasan yang mana apabila
terjadinya kenaikan pada x dalam suatu satuan unit akan mempengaruhi nilai
y sendiri
e. Merupakan suatu model dari persamaan regresi yang mana terdapat lebih dari
satu variabel independen
f. Merupakan nilai yang diharapkan dan biasanya nilai ini menjadi suatu
konstanta
g. Merupakan suatu nilai residu sama seperti stochastic error term tetapi residual
merupakan nilai yang secara teoritis akan muncul dalam ekonometrika
h. Merupakan suatu data yang terkait dengan suatu periode / tanggal tertentu
baik itu bulan maupun waktu
i. Yang merupakan suatu data yang menjelaskan suatu klasifikasi berbeda dalam
waktu yang sama
2. Gunakan perangkat lunak regresi komputer Anda sendiri dan berat (Y) dan tinggi
(X) data dari tabel 1.1 untuk melihat apakah Anda dapat mereproduksi perkiraan
dalam persamaan 1.21. Ada tiga cara yang berbeda untuk memuat data: Anda
dapat mengetikkan data sendiri, Anda dapat membuka datafile H1WT1 pada CD
EViews, atau Anda dapat men-download datafile HTWT1 (dalam salah satu dari
empat format: SAS, EXCEL, SHAZAM, dan ASCII) dari situs web teks:
www.awlonline.com/studenmund/setelah datafile dimuat, kemudian jalankan Y =
f (X), dan hasil Anda harus cocok dengan persamaan 1.21. Program yang berbeda
memerlukan perintah yang berbeda untuk menjalankan regresi. Untuk bantuan
dalam cara melakukan ini dengan EViews, misalnya, lihat jawaban untuk
pertanyaan ini di Lampiran A.
Jawab:
(Menggunakan Excel)
Jawab:
a. 6,10,14 tidak Karena dalam hal ini apabila kita menghapus sebuah data akan
mengakibatkan data tersebut tidak lengkap dan dapat merubah hasil dari
regresi
b. Berat badan tidak hanya ditentukan pada tinggi badan dan terdapat factor lain
selain hal tersebut dan apabila dalam persamaan diatas mengasumsikan bahwa
adanya ceteris paribus. jika kita memasukan data tinggi badan anak diatas 5.0
kedalam persamaan maka
= 103.40+6.38X
= 103.40+6.38(5.9)
= 103.40+36.666
= 139.766
c. Jika sampel yang dihasilkan dalam data table 1 merupakan data yang tidak
random maka dapat mengaruhi dari keunikan dari regresi yang dicari Karena
dalam menentukan suatu data lebih baik menggunakan random sampling
daripada mengunakan sample seragam karena kurang menunjukan keadaan
sebenarnya
d. Porsi makan dalam harian berapa jumlah kegiatan makan yang dilakukan
(makan berat) yang mana dapat berpengaruh pada berat dan tingi badan dan
apabila dimasukan kedalam persamaan dapat berupa
𝑌̂ = 103.40̂ ̂
+ 6.38𝑋1 +. . 𝑋2 atau bisa dengan 𝑌̂ = 103.40 + 6.38𝑋1 + 𝜀
5. Melanjutkan dengan contoh tinggi / berat, misalkan Anda mengumpulkan data
tentang tinggi dan berat 29 pelanggan pria yang berbeda dan memperkirakan
persamaan berikut:
Ŷi = 125.1 + 4.03Xi
a. Mengapa koefisien dalam Persamaan 24 tidak sama dengan yang kita
perkirakan sebelumnya (Persamaan 21)
b. Bandingkan estimasi koefisien dari Persamaan 24 dengan yang ada di
Persamaan 21. Persamaan manakah yang memiliki estimasi hubungan curam
antara tinggi dan berat? Persamaan mana yang memiliki intersep yang lebih
tinggi. Pada titik apa keduanya berpotongan
c. Gunakan Persamaan 24 untuk "memprediksi" 20 bobot asli dengan ketinggian
pada Tabel 1. Berapa banyak bobot yang dilewatkan oleh Persamaan 24 lebih
dari 10 pon? Apakah Persamaan 24 lebih baik atau lebih buruk daripada
Persamaan 21? Bisakah Anda memprediksi hasil ini sebelumnya?
d. Misalkan Anda memiliki satu hari terakhir di pekerjaan menebak-nebak berat
badan. Persamaan apa yang akan Anda gunakan untuk menebak bobot?
(Petunjuk: Ada lebih dari satu kemungkinan jawaban)
Jawab:
a. Koefisien dalam persamaan baru tidak sama dengan yang diperkirakan pada
persamaan sebelumnya karena sampelnya berbeda. Ketika sampel berubah,
koefisien estimasi juga dapat diperkirakan. Secara khusus, istilah konstan
dapat berubah secara substansial antara sampel; dalam penelitian kami untuk
latihan ini, misalnya, kami menemukan satu sampel yang memiliki intersep
negatif (dan kemiringan yang sangat curam).
b. Persamaan 1.21 memiliki kemiringan yang lebih curam (6.38 > 4.30)
sedangkan Persamaan 1.24 memiliki intersep yang lebih besar (125.1 >
103.4). Mereka berpotongan pada 9,23 inci di atas 5 kaki (162.3 pon).
c. Persamaan 1.24 menyesatkan lebih dari 10 pon pada tiga pengamatan yang
persis sama dengan yang dilakukan Persamaan 1.21 tetapi, jumlah residu
kuadrat lebih besar untuk Persamaan 1.24 daripada Persamaan 1.21. Ini bukan
kejutan, karena koefisien Persamaan 1.21 dihitung menggunakan data ini.
d. Jika ini adalah hari terakhir kami di pekerjaan, kami mungkin akan
menggunakan persamaan yang kami hitung dari kedua persamaan dengan
mengambil rata-rata, atau dengan mengambil rata-rata tertimbang berdasarkan
ukuran sampel, dari keduanya.
̂
Pi = f(Li) = 83.6 - 4.1Li
Apakah ini hasil yang sama dengan Persamaan 25? Jika demikian, definisi apa
yang perlu Anda gunakan untuk mengubah persamaan ini kembali ke
Persamaan 25?
c. Gunakan Persamaan 25 untuk menentukan persentase waktu yang Anda
harapkan sebuah Pegolf PGA membuat putt 10 kaki. Apakah ini tampak
realistis? Bagaimana tentang putt 1 kaki atau putt 25 kaki? Apakah ini tampak
realistis?
d. Jawaban Anda untuk bagian c harus menyarankan bahwa ada masalah dalam
mendaftar regresi linier untuk data ini. Masalah apa itu? (Petunjuk: Jika Anda
terjebak, pertama-tama gambar diagram teoretis yang Anda harapkan untuk Pi
sebagai fungsi Li, lalu plot Persamaan 25 ke diagram yang sama.)
Jawab:
a. Arti dari koefisien Li pada persamaan tersebut adalah koefisien Li mewakili
perubahan dalam presentase peluang putt ketika putt bertambah satu kaki.
Dalam hal ini presentase peluang membuat putt berkurang 4,1 untuk setiap
kaki lebih lama daari putt.
b. Persamaannya identik. Maka untuk mengonvert satu ke yang lain adalah hal
yang memungkinkan, yaitu ̂
Pi = Pi – ei sama saja dengan ei = Pi - ̂
Pi.
c. 42,6% realistis, 79,5% tidak realistis karena terlalu rendah, -18,9% negatif
tidak realistis.
d. Permasalahan yang didapatkan dari jawaban poin C adalah hubungan teoritis
antara panjang dan presentase putt yang dibuat hampir pasti nonlinier dalam
variabel. Masalah kedua adalah bahwa variabel dependen aktual dibatasi oleh
nol dan satu tetapi estimasi regresi tidak.
Jawab:
a. Koefisien kemiringan diperkirakan 3,62 mewakili perubahan ukuran rumah
(dalam kaki persegi) mengingat kenaikan harga rumah seribu dolar. Taksiran
intersepsi -290 adalah nilai ukuran saat harga sama dengan nol. Taksiran
intersepsi negatif, tetapi karena estimasi mencakup nilai konstan dari setiap
variabel yang dihilangkan, kesalahan pengukuran apa pun, dan / atau bentuk
fungsional yang salah, siswa tidak boleh mementingkan tanda negatif apa pun.
b. Tidak. Yang kami tunjukkan hanyalah bahwa ada hubungan statistik antara
harga sebuah rumah dan ukurannya.
c. Koefisien kemiringan baru adalah 0,00362 (atau 3,62 / 1000), tetapi tidak ada
yang akan berubah.
8. Jika suatu persamaan memiliki lebih dari satu variabel independen, kita harus
hati-hati ketika kita menafsirkan koefisien regresi dari persamaan itu. Pikirkan,
misalnya, tentang bagaimana Anda membangun persamaan untuk dijelaskan
jumlah uang yang negara bagian habiskan untuk setiap murid edukasi publik.
Semakin banyak pendapatan yang dimiliki suatu negara, semakin besar
kemungkinan mereka dibelanjakan untuk sekolah umum, tetapi pendaftaran lebih
cepat tumbuh, itu semakin sedikit yang akan dibelanjakan untuk setiap murid.
Jadi, persamaan yang masuk akal untuk pengeluaran per murid akan mencakup
setidaknya dua variabel: pendapatan dan pertumbuhan pendaftaran:
Si = β0 + β1 Yi + β2 Gi + ϵi
Dimana : Si = Uang pendidikan yang dikeluarkan per siswa sekolah umum di
negara bagian ke-i
Yi = Penghasilan per kapita di negara bagian ke-i
Gi = persentase pertumbuhan pendaftaran sekolah umum di
negara bagian ke-i
Jawab:
a. BΒY adalah perubahan dalam S yang disebabkan oleh kenaikan satu
unit di Y, memegang G konstan dan BβG adalah perubahan di S
yang disebabkan oleh kenaikan satu unit di G, memegang Y
konstan
b. + , -
c. Ya. Negara bagian yang lebih kaya menghabiskan setidaknya sebagian dari
uang ekstra mereka untuk pendidikan, tetapi negara bagian dengan populasi
siswa yang tumbuh dengan cepat merasa kesulitan untuk meningkatkan
pengeluaran pada tingkat yang sama dengan populasi siswa, menyebabkan
pengeluaran per siswa turun, terutama jika Anda memiliki kekayaan yang
dinyatakan secara konstan.
d. Ŝi = -183 + 0.1422Yi - 9.26Gi. Perhatikan bahwa 59,26 . 10 = 5926 x 0,10
jadi tidak ada dalam persamaan yang berubah kecuali skala koefisien G.
Jawab:
a. 2.29 adalah konstanta perkiraan, dan konstanta tersebut merupakan perkiraan
pemberian ketika alumni tidak memiliki pendapatan dan tidak melakukan
panggilan telepon kepada alumni tersebut. 0.001 adalah estimasi dari
koefisien kemiringan INCOME, dan menunjukkan seberapa banyak
kecenderungan peningkatan pemberian ketika pendapatan alumni meningkat
satu dolar, memegang konstan jumlah panggilan kepada alumni tersebut. 4.62
adalah perkiraan koefisien kemiringan CALLS, dan menunjukkan seberapa
banyak kecenderungan peningkatan pemberian jika kampus membuat
panggilan lagi kepada alumni, memegang konstan pendapatan alumni. Tanda
perkiraan koefisien kemiringan seperti yang diharapkan, tetapi biasanya tidak
mengembangkan hipotesis yang melibatkan istilah konstan.
b. Setelah kami mengestimasi persamaan tersebut, variabel sebelah kiri adalah
nilai estimasi dari variabel terikat, karena sisi kanan dari persamaan terdiri
dari estimasi koefisien (kecuali satu kasus dikalikan dengan variabel bebas).
c. Stokastik error tidak dapat diobservasi dan tidak dapat dimasukkan dalam
estimasi persamaan. Jika seorang siswa menulis ulang pertanyaan untuk
bertanya mengapa residu tidak dimasukkan, maka sebagian besar siswa harus
dapat mengetahui jawabannya jika Anda mengingatkan mereka bahwa e = Y -
Ŷ.
d. Bagian kanan persamaan akan menjadi 2.29 + 1.0 INCOME + 4.62 CALLS.
Tidak ada yang berubah pada persamaan, kecuali derajat koefisien INCOME.
e. Ada banyak kemungkinan yang bagus. Namun, harus diingat untuk tidak
memasukkan variabel terikat sebelum membaca Bab 12 tentang jangka waktu
model.
10. Model harga perumahan dapat diperkirakan dengan deret waktu juga data cross-
sectional. Jika Anda mempelajari harga perumahan seri waktu agregat (lihat Tabel
2 untuk data dan sumber), Anda memiliki:
Jawab:
a. 17,08 : peningkatan 1 miliar pada GDP akan berpengaruh pada peningkatan
sebesar 17,08 dolar pada harga rata rata rumah baru. 12,928 : Secara teknis,
istilah konstanta sama dengan nilai variabel dependen ketika semua variabel
independen sama dengan nol
b. Tidak masalah huruf apa yang kita gunakan sebagai simbol untuk variabel
dependen dan independen.
c. Kita bisa mengukur Pt dan Yt secara riil dengan membagi setiap pengamatan
dengan GDP deflator (atau CPI) untuk tahun itu (dan dikalikan dengan 100).
d. Harga rumah ditentukan oleh kekuatan penawaran dan permintaan. Dalam arti
berorientasi permintaan, PDB mungkin mengukur daya beli, yang lebih baik
diwakili oleh disposable income. Di sebuah berorientasi pada pasokan, PDB
mungkin berarti biaya seperti upah dan harga bahan.
e. Tidak. Dalam persamaan deret waktu tahunan, variabel independen harus dari
tahun yang berbeda, jadi PDB pada tahun t masuk akal. Dalam persamaan
cross-sectional, variabel independen harus mewakili entitas yang berbeda
(dalam hal ini, rumah yang berbeda) dalam periode waktu yang sama, jadi
GDP akan identik untuk setiap pengamatan.
11. Perbedaan antara error stokastik dan residu adalah salah satu konsep yang paling
sulit untuk dikuasai dalam bab ini.
a. Berikan setidaknya tiga perbedaan antara error dan residu
b. Biasanya kita tidak pernah bisa mengamati error, tetapi kita bisa mendapatkan
kesulitan saat kita mengasumsikan nilai untuk koefisien yang sebenarnya.
Hitung nilai dari istilah kesalahan dan residual untuk masing-masing dari
enam pengamatan berikut, mengingat bahwa β0 sama dengan 0.0, β1 sama
dengan 1.5, dan estimasi persamaan regresi Ŷi = 0.48 + 1,32Xi.
YI 2 6 3 8 5 4
Xi 1 4 2 5 3 4
Jawab:
Yi 2 6 3 8 5 4
Xi 1 4 2 5 3 4
ei 0.20 0.24 -0.12 0.92 0.56 -1.76
εi 0.50 0..00 0.00 0.50 0.50 -2.00
12. Mari kita kembali ke contoh penentuan upah Bagian 2. Dalam hal itu, sebagai
contoh, kami membangun model upah pekerja ke-i dalam bidang khusus sebagai
fungsi dari pengalaman kerja, pendidikan, dan jenis kelamin pekerja itu:
WAGEi = β0 + β1 EXPi + β2 EDUi + β3 GENDi + ϵi (12)
Jawab:
a. β2 adalah dampak pada upah pekerja ke-i dari peningkatan 1 tahun dalam
pendidikan pekerja ke-i, pengalaman kerja dan jenis kelamin pekerja dianggap
konstan.
b. β3 adalah dampak pada upah pekerja ke-i menjadi laki-laki bukan perempuan,
pengalaman kerja dan pendidikan pekerja itu dianggap konstan
c. Ada dua cara untuk mendefinisikan variabel tersebut. Kita dapat
mendefinisikan COLORi = 1 jika pekerja ke-i adalah orang yang berwarna
kulit putih dan 0 sebaliknya, atau dapat juga mendefinisikan COLORi = 1
jika pekerja ke-i bukan orang yang berwarna kulit hitam dan 0 sebaliknya.
d. Menurut saya variabel yang terbaik untuk ditambahkan dalam persamaan
terebut adalah variable nomor iv yaitu, jumlah penghargaan “Employee of the
month” yang dimenangkan oleh pekerja ke-i. karena apabila memilih dan
menambahkan upah rata-rata di bidang itu, itu akan sama untuk masing-
masing karyawan dalam sampel sehingga tidak akan memberikan informasi
yang berguna
Untuk memperkirakan Persamaan 30, kita membutuhkan data, dan Tabel 3 berisi
data untuk variabel-variabel ini dari 25 profesor yang dipilih secara acak pada
Jawab: