Nama : Rafi Alwan Ramadhan

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)

Sehingga jika menggunakan excel persamaan regresinya akan sama dengan

persamaan yang ada di buku table 1 yaitu 103.40+6.38X

3. Memutuskan apakah Anda akan mengharapkan hubungan antara pasangan berikut

tergantung dan variabel independen (masing-masing) menjadi positif, negatif,
atau ambigu. Jelaskan penalaran Anda.
a. Agregat investasi bersih di AS pada tahun tertentu dan PDB pada tahun itu.
b. Jumlah rambut di kepala seorang profesor pria dan usia profesor itu.
c. Jumlah hektar gandum ditanam dalam satu musim dan harga gandum di awal
musim itu.
d. Agregat investasi bersih dan suku bunga riil pada tahun yang sama dan
negara.
e. Tingkat pertumbuhan PDB dalam setahun dan panjang rambut rata di tahun
itu.
f. Jumlah kaleng tuna yang diminta dan harga per kaleng tuna.
 Jawab:
a. Berhubungan positif, karena apabila terjadi kenaikan pada investasi bersih
agregat pada satu satuan maka akan meningkatkan PDB pada tahun tersebut.
b. Berhubungan negative, karena semakin bertambahnya usia maka akan
semakin sedikit jumlah rambut dari professor pria
c. Berhubungan positif, karena apabila harga gandum diawal tahun naik sebesar
satu satuan, makan jumlah hektar gandum yang akan ditanam dalam satu
musim juga akan naik sebesar satu satuan
d. Berhubungan negative, karena apabila suku bunga riil menurun pada tahun
yang sama, makna agregat investasi bersih akan meningkat pada yahun yang
sama
e. Tidak berhubungan atau ambigu, karena tingkat pertumbuhan PDB tidak
mempunyai korelasi dan tidak mempengaruhi panjang rambut rata-rata
f. Berhubungan negative, karena apabila harga per kaleng tuna meningkat,
maka permintaan akan kaleng tuna akan menurun.

4. Mari kita kembali ke contoh tinggi/berat di bagian 1.4:

a. Kembali ke kumpulan data dan identifikasi tiga Pelanggan yang tampaknya
cukup jauh dari perkiraan garis regresi. Apakah kita memiliki persamaan
regresi yang lebih baik jika kita menjatuhkan pelanggan ini dari sampel?
b. Ukur tinggi dari seorang teman pria dan hubungkan ke persamaan 1.21.
Apakah persamaan datang dalam sepuluh kilogram? Jika tidak, Apakah Anda
pikir Anda melihat mengapa? Mengapa perkiraan persamaan memprediksi
bobot yang sama untuk semua laki-laki dari ketinggian yang sama ketika
sudah jelas bahwa semua laki yang sama tinggi tidak beratnya sama?
c. Lihat sampel dengan pikiran bahwa itu mungkin tidak secara acak ditarik.
Apakah sampel terlihat abnormal dengan cara apapun? (Petunjuk: Apakah
pelanggan yang memilih untuk bermain seperti permainan sampel acak?) Jika
 sampel tidak acak, apakah ini memiliki efek pada hasil regresi dan perkiraan
bobot?
d. Pikirkan setidaknya satu faktor lain selain tinggi yang mungkin pilihan yang
baik sebagai variabel dalam persamaan berat/tinggi. Bagaimana Anda akan
mendapatkan data untuk variabel ini? Apa yang akan tanda yang diharapkan
dari koefisien variabel Anda jika variabel ditambahkan ke persamaan?

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.

6. Tidak semua koefisien regresi memiliki tanda-tanda positif yang diharapkan.

Sebagai contoh, sebuah artikel Sports Illustrated oleh Jaime Diaz melaporkan
sebuah studi tentang putt golf dengan berbagai panjang pada Asosiasi Pegolf
Profesional (PGA) Tur.13 Artikel termasuk data tentang persentase
putt made (Pi) sebagai fungsi dari panjang putt in feet (Li). Karena semakin lama
putt, semakin kecil kemungkinan seorang profesional untuk membuatnya
itu, kami berharap Li memiliki koefisien negatif dalam sebuah persamaan yang
menjelaskan Pi. Benar saja, jika Anda memperkirakan persamaan pada data
dalam artikel, Anda memperoleh:

̂
Pi = f(Li) = 83.6 - 4.1Li

a. Hati-hati menuliskan arti sebenarnya dari koefisien Li.

b. Misalkan orang lain mengambil data dari artikel dan memperkirakan:
Pi = 83.6 - 4.1Li + ei

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.

7. Kembali ke model harga perumahan Bagian 5 dan pertimbangkan persamaan

berikut ini:

̂ i = -290 + 3.62 PRICEi

SIZE

Dimana: SIZEi = ukuran (dalam kaki persegi) dari rumah ke-i

PRICEi = harga (dalam ribuan dollar) rumah itu
a. Dengan hati-hati jelaskan arti dari masing-masing estimasi regresi koefisien.
b. Misalkan Anda diberi tahu bahwa persamaan ini menjelaskan bagian yang
signifikan (lebih dari 80 persen) dari variasi ukuran rumah. Sudahkah kita
 menunjukkan bahwa harga rumah yang tinggi menyebabkan rumah menjadi
besar? Jika tidak, apa yang telah kami tunjukkan?
c. Menurut Anda apa yang akan terjadi dengan koefisien yang diperkirakan
persamaan ini jika kita telah mengukur variabel harga dalam dolar sebagai
gantinya dalam ribuan dolar? Lebih spesifik.

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

a. Nyatakan arti ekonomi dari koefisien Y dan G. (Petunjuk: Ingatlah untuk

menahan dampak variabel konstan lainnya.)
b. Jika kami memperkirakan Persamaan 27, tanda-tanda apa yang Anda
harapkan koefisien Y dan G yang harus dimiliki? Mengapa?
c. Silva dan Sonstelie memperkirakan model cross-sectional per siswa
pengeluaran oleh negara yang sangat mirip dengan Persamaan 27
ˆ
Ŝi = -183 + 0.1422 Yi – 5926 Gi
N = 49
Apakah koefisien yang diperkirakan ini sesuai dengan harapan Anda?
Jelaskan Persamaan 28 dalam istilah akal sehat.
d. Para penulis mengukur G sebagai desimal, jadi jika negara memiliki 10 persen
pertumbuhan dalam pendaftaran, kemudian G sama dengan .10. Apa yang
akan Persamaan 28 tampak seperti jika penulis telah mengukur persentase G
poin, sehingga jika suatu negara memiliki pertumbuhan 10 persen, maka G
akan sama dengan 10? (Petunjuk: Tuliskan angka aktual untuk estimasi
koefisien.)

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.

9. Teman Anda memiliki pekerjaan kampus untuk melakukan panggilan telepon

kepada alumni kampus untuk meminta sumbangan dana tahunan kampus, dan ia
bertanya-tanya apakah panggilan telepon yang ia lakukan memiliki perbedaan.
Untuk mengukur dampak panggilan mahasiswa pada sumbangan dana, ia
mengumpulkan data dari 50 alumni dan memperkirakan persamaan berikut:

̂ i = 2.29 + 0.001INCOMEi + 4.62CALLSi

GIFT

Dimana : GIFTi = sumbangan dana tahunan kampus tahun 2008 (dalam

dolar) dari alumni ke-i.
INCOMEi = perkiraan pendapatan alumni ke-i tahun 2008 (dalam
dolar).
CALLSi = panggilan kepada alumni ke-i meminta donasi pada tahun
2008.
a. Jelaskan arti dari perkiraan koefisien yang dimaksud. Apakah perkiraan itu
sesuai dengan harapan anda?
̂ i dan
b. Mengapa pada variabel bagian kiri dari rumus teman Anda adalah GIFT
bukan GIFTi?
c. Teman Anda tidak memasukkan error stokastik pada rumus perkiraan.
Apakah itu suatu kesalahan? Mengapa atau mengapa tidak?
d. Misalkan teman Anda memutuskan untuk mengubah unit INCOME dari
"dolar" menjadi "ribuan dolar." Apa yang akan terjadi pada koefisien estimasi
persamaan? Jelaskan secara spesifik.
e. Jika Anda dapat menambahkan satu variabel lagi pada persamaan tersebut,
variabel apa yang akan anda tambahkan? Jelaskan.

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:

̂t = f(GDP) = 12,928 + 17.08 Yt

P

dimana: Pt = harga rata-rata nominal rumah keluarga tunggal baru

di Amerika Serikat pada tahun t
Yt = PDB AS di tahun t (miliaran dolar saat ini)
a. Hati-hati mengartikan makna ekonomi dari estimasi koefisien.
b. Apa yang dilakukan Yt di sisi kanan persamaan? Bukankah Y selalu
seharusnya di sisi kiri?
c. Baik variabel harga dan PDB diukur dalam nominal (atau saat ini, sebagai
lawan dolar riil, atau disesuaikan dengan inflasi). Demikian sebuah bagian
utama dari kekuatan penjelas persamaan ini (hampir 99 persen variasi dalam
Pt dapat dijelaskan oleh Yt sendiri) berasal dari menangkap sejumlah besar
inflasi itu terjadi antara tahun 1970 dan 2007. Apa yang bisa Anda lakukan
untuk menghilangkan dampak inflasi dalam persamaan ini?
d. PDB dimasukkan dalam persamaan untuk mengukur lebih dari sekadar inflasi.
Faktor-faktor apa dalam harga perumahan selain inflasi Variabel PDB
membantu menangkap? Bisakah Anda memikirkan variabel yang mungkin
melakukan pekerjaan yang lebih baik?
e. Untuk memastikan bahwa Anda memahami perbedaan antara penampang
kumpulan data dan kumpulan data time-series, bandingkan variable Anda
memikirkan bagian d dengan variabel yang bisa Anda tambahkan Persamaan
22. Variabel dependen dalam kedua persamaan adalah harga sebuah rumah.
 Bisakah Anda menambahkan variabel independen yang sama ke keduanya
persamaan? Jelaskan.

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:

a. Perbedaan antara error dan residu yaitu:

a. Error adalah perbedaan teoretis dan tidak dapat diamati antara garis
regresi (populasi) yang sebenarnya dan titik yang diamati. Residu adalah
perbedaan yang diukur antara titik yang diamati dan garis regresi yang
diperkirakan.
b. Residu adalah variabel-variabel lain yang terlibat akan tetapi tidak termuat
di dalam model atau dengan kata lain Residu adalah variabel tidak
diketahui sehingga diasumsikan bersifat acak. Sedangkan error umumnya
variabel yang bersifat tidak acak.
c. Error terkait dengan proses pembuatan data sebenarnya (DGP), sedangkan
residu adalah apa yang tersisa setelah melakukan perkiraan model.
b. 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
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)

Dimana : Yi = WAGEi = Upah pekerja ke-i

X1i = EXPi = Tahun pengalaman kerja pekerja ke-i
X2i = EDUi = Tahun pendidikan diluar sekolah menengah
pekerja ke-i
X3i = GENDi = Jenis kelamin pekerja ke-i (1=laki-laki dan
0=perempuan)

a. Apa arti sebenarnya dari β2?

b. Apa arti sebenarnya dari β3?
c. Misalkan Anda ingin menambahkan variabel ke persamaan ini untuk
mengukur apakah mungkin ada diskriminasi terhadap warna kulit seseorang.
Bagaimana Anda mendefinisikan variabel seperti itu? Lebih spesifik.
d. Misalkan Anda memiliki kesempatan untuk menambahkan variabel lain ke
persamaan. Manakah yang terbaik dari hal berikut ini? Jelaskan jawabannya

i. Umur dari pekerja ke-i

ii. Jumlah pekerjaan di bidang ini
iii. Upah rata-rata di bidang ini
iv. Jumlah penghargaan “Employee of the month” yang dimenangkan oleh
pekerja ke-i
v. Jumlah anak dari pekerja ke-i

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

13. Pernahkah Anda mendengar "RateMyProfessors.com"? Di situs web ini, para

siswa mengevaluasi kemampuan mengajar profesor secara keseluruhan dan
berbagai atribut lainnya. Situs web kemudian merangkum peringkat yang
dikirimkan siswa ini untuk manfaat setiap siswa mempertimbangkan mengambil
kelas dari profesor. Dua atribut paling menarik yang dilacak oleh situs web adalah
caranya “Mudah” profesor itu (dalam hal beban kerja dan penilaian), dan
bagaimana "Panas" profesor itu (mungkin dalam hal daya tarik fisik). Artikel
yang baru-baru ini diterbitkan menunjukkan bahwa menjadi "panas"
meningkatkan peringkat profesor lebih dari sekadar "mudah." Untuk menyelidiki
ide-ide ini diri kami sendiri, kami menciptakan persamaan berikut untuk
RateMyProfessors.com:

RATINGi = β0 + β1 EASEi + β2 HOTi + ϵi

dimana: RATINGi = peringkat keseluruhan (5 = terbaik) dari profesor ke-i

EASEi = peringkat kemudahan (5 = termudah) dari professor ke-i

 HOTIi = 1 jika profesor ke-i dianggap “panas,” 0 sebaliknya

Untuk memperkirakan Persamaan 30, kita membutuhkan data, dan Tabel 3 berisi

data untuk variabel-variabel ini dari 25 profesor yang dipilih secara acak pada

RateMyProfessors.com. Jika kami memperkirakan Persamaan 30 dengan data

dalam

Tabel 3, kita memperoleh:

̂ I = 3.23 + 0.01 EASEi + 0.59 HOTi

RATING

a. Lihatlah Persamaan 31. Apakah estimasi koefisien mendukung harapan kita?

Menjelaskan.
b. Lihat apakah Anda dapat mereproduksi hasil dalam Persamaan 31 sendiri.
Untuk lakukan ini, ambil data dalam Tabel 3 dan gunakan EViews, Stata, atau
regresi Anda sendiri program untuk memperkirakan koefisien dari data ini.
Jika kamu lakukan semuanya dengan benar, Anda harus dapat memverifikasi
taksiran di Persamaan 31. (Jika Anda tidak yakin bagaimana memulai
pertanyaan ini, lihat jawaban untuk Latihan 2 di akhir bab ini.)
c. Model ini mencakup dua variabel independen. Apakah itu membuat masuk
akal untuk berpikir bahwa peringkat mengajar seorang profesor tergantung
hanya pada dua variabel ini? Apa variabel lain yang menurut Anda mungkin
menjadi penting?
d. Misalkan Anda dapat menambahkan variabel yang disarankan ke Persamaan
31. Menurut Anda apa yang akan terjadi pada koefisien EASE dan HOT saat
Anda menambahkan variabel? Apakah Anda mengharapkannya? mereka
berubah? Apakah Anda berharap mereka tetap sama? Menjelaskan.
e. (opsional) Pergi ke situs web RateMyProfessors.com, pilih 25 pengamatan
secara acak, dan perkirakan versi Persamaan 30 Anda sendiri. Sekarang
 bandingkan hasil regresi Anda dengan yang ada di Persamaan 31. Apakah
estimasi koefisien Anda memiliki tanda yang sama dengan yang ada di
Persamaan 31? Apakah koefisien estimasi Anda sama persis dengan yang ada
di Persamaan 31? Mengapa atau mengapa tidak?

Jawab:

a. Dapat disimpulkan bahwa persamaan 31 akan mendukung ekspektasi bahwa

professor yang berpenampilan menarik akan lebih menaikkan ratingnya
daripada professor yang mempermudah mahasiswa, apabila kita melihat dari
koefisien HOT yang pada persamaan 31 yaitu lebih besar 59 kali dari
koefisien EASE. Namun, sudah pasti terdapat variable yang telah dihilangkan
dari persamaan dan akan sangat beresiko untuk mengambil kesimpulan ketika
terdapat variable penting yang ditinggalkan. Contohnya, jika guru yang
berpenampilan menarik lebih efektif dalam berkomunikasi daripada guru yang
mempermudah, maka variabel HOT akan mengambil dampak variabel yang
dihilangkan sejauh kedua variabel tersebut berkorelasi.
b. Hasil yang didapatkan apabila dicari menggunakan Microsoft excel akan sama
dengan yang tertulis dalam buku, hal ini dapat dibuktikan dengan gambar di
bawah ini.
 Rating mengajar seorang professor mungkin saja bergantung pada kedua
independent variable tersebut, namun ada beberapa variable lain yang
mungkin penting untuk dimasukkan dalam persamaan, seperti kemampuan
dalam berbicara, pengetahuan lapangan, antusiasme, organisasi, dan lain-lain.

c. Iya. Selain kemampuan berkomunikasi yang telah disebutkan, variabel lain

yang mungkin akan melakukannya termasuk pengetahuan lapangan,
antusiasme, organisasi, dll.
d. Dugaan kami adalah bahwa koefisien HOT akan berkurang ukurannya sedikit.
Koefisien dari variabel HOT sudah sangat rendah, jadi mungkin tidak akan
banyak berubah.