DISUSUN
OLEH
KELOMPOK 7 :
Penulis berharap Critical Book Review ini kiranya dapat bermanfaat bagi
pembaca dan untuk mengetahui isi buku serta kelebihan dan kekurangan buku tersebut
untuk dijadikan refrensi.
Penulis menyadari bahwa dalam penulisan Critical Book Review ini masih jauh
dari kesempurnaan. Oleh karena itu, kritik dan saran sangat berguna bagi penyusunan
dan penyempurnaan selanjutnya. Kami juga berterima kasih kepada pihak-pihak yang
ikut terlibat dalam penyusunan critical book reiew ini, khususnya kepada dosen yang
telah memberikan tugas dan bimbingan kepada kami, sehingga kami dapat
menyelesaikannya
Kelompok 7
5. Memberi masukan kepada penulis buku berupa kritik dan saran terhadap
cara penulisan, isi, dan substansi buku.
2 . Buku II
Korelasi dan regresi adalah teknik yang paling sering digunakan oleh para
ekonom dan peramal. Mereka dapat digunakan untuk menjawab pertanyaan
seperti:
* Apakah ada hubungan antara jumlah uang beredar dan tingkat harga?
* Apakah perusahaan yang lebih besar menghasilkan dengan biaya lebih rendah
daripada perusahaan yang lebih kecil?
- Tingkat kelahiran: jumlah kelahiran per 1000 populasi pada tahun 1981.
- GNP per kapita: 1981 produk nasional bruto, dalam dolar AS.
- Rasio pendapatan: rasio bagian pendapatan dari yang paling kaya 20% dengan
yang dari yang paling miskin
- 40%. Nilai yang lebih tinggi dari rasio ini menunjukkan ketimpangan yang lebih
besar.
Korelasi Hubungan
-n Nilai X yang tinggi cenderung dikaitkan dengan nilai Y yang rendah dan
sebaliknya. Ini disebut korelasi negatif, dan tampaknya menjadi kasus untuk B
dan G.
-n Tidak ada hubungan antara X dan Y. Nilai X tinggi (rendah) dikaitkan dengan
nilai Y yang sama dan tinggi. Ini nol, atau tidak adanya, korelasi. Tampaknya ada
sedikit korelasi antara tingkat kelahiran dan GNP per kapita.
properti:
- n Itu selalu terletak di antara −1 dan +1.
-Nilai positif r menunjukkan korelasi positif, nilai yang lebih tinggi menunjukkan
korelasi yang lebih kuat antara X dan Y (yaitu pengamatan lebih dekat ke garis
lurus). r = 1 menunjukkan korelasi positif sempurna dan artinya semua
pengamatan terletak pada garis lurus dengan kemiringan positif, seperti Gambar
7.2 menggambarkan.
- Nilai negatif r menunjukkan korelasi negatif. Mirip dengan di atas, nilai negatif
yang lebih besar menunjukkan korelasi negatif yang lebih kuat dan r = −1
menandakan korelasi negatif sempurna.
- Hubungannya simetris, yaitu korelasi antara X dan Y adalah sama seperti antara
Y dan X. Tidak masalah variabel mana yang berlabel Y dan yang diberi label X
Perhitungan r untuk hubungan antara angka kelahiran (Y) dan pertumbuhan (X)
adalah ditunjukkan pada Tabel 7.2 dan persamaan (7.2). Dari total pada Tabel 7.2
kami menghitung:
Hasil ini menunjukkan korelasi negatif yang cukup kuat antara angka kelahiran
dan pertumbuhan. Negara-negara yang memiliki tingkat pertumbuhan ekonomi
yang lebih tinggi juga cenderung memiliki tingkat kelahiran yang lebih rendah.
Hasil perhitungan koefisien korelasi untuk kasus tingkat kelahiran dan rasio
pendapatan adalah r = 0,35, yang positif sebagai diharapkan. Ketimpangan yang
lebih besar (IR yang lebih tinggi) dikaitkan dengan tingkat kelahiran yang lebih
tinggi, meskipun tingkat korelasinya tidak terlalu kuat dan kurang dari korelasi
dengan tingkat pertumbuhan. Antara tingkat kelahiran dan GNP per kapita nilai r
hanya −0.26 yang mengindikasikan hanya tingkat korelasi yang sedang. Semua ini
mulai menimbulkan keraguan pada interpretasi Todaro terhadap data.
Setelah diskusi di Bab 5, kita mungkin bertanya apakah nilai tertentu dari
koefisien korelasi penting secara ekonomi dan juga signifikan. Kami telah melihat
sebelumnya bahwa hasil 'signifikan' tidak perlu menjadi penting. Kesulitan dalam
kasus ini adalah kita hanya memiliki sedikit pemahaman intuitif tentang korelasi
koefisien. Apakah ρ = 0,5 penting, misalnya?
Gambar 7.3
Pada panel (b) koefisien korelasi adalah 0,5 dan ada positif yang jelas
kemiringan, meskipun ada sebaran besar pengamatan di sekitar garis lurus baris.
Hubungan antara X dan Y tidak tampak kuat. Namun statistik t dalam hal ini
adalah 65,3 besar, sangat signifikan. Akhirnya, panel (c) menunjukkan contoh di
mana n = 1000. Bagi mata ini terlihat seperti sebaran acak, tanpa pola yang bisa
Penting untuk menguji signifikansi hasil apa pun karena hampir setiap
pasangan variabel akan memiliki koefisien korelasi non-nol, bahkan jika mereka
benar-benar unconnected (kemungkinan koefisien korelasi sampel tepat nol sangat,
sangat kecil). Oleh karena itu penting untuk membedakan antara koefisien
korelasi yang signifikan dan yang tidak, menggunakan t Tes baru saja diuraikan.
Tetapi bahkan ketika hasilnya signifikan kita harus berhati-hati bahaya korelasi
'palsu'. Banyak variabel yang jelas tidak bisa terkait ternyata berkorelasi
'signifikan' satu sama lain. Satu sekarang contoh terkenal adalah antara tingkat
harga dan curah hujan kumulatif. Sejak mereka keduanya naik dari tahun ke tahun
mudah untuk melihat mengapa mereka berkorelasi, namun sulit untuk
melakukannya pikirkan alasan yang masuk akal mengapa mereka harus saling
berhubungan secara kausal.
Terlepas dari korelasi palsu ada empat kemungkinan alasan untuk tidak nol nilai r:
1 X memengaruhi Y.
2 Y memengaruhi X.
Di mana dua atau lebih pengamatan adalah sama, seperti halnya tingkat
kelahiran Meksiko dan Peru, maka mereka diberi peringkat yang sama, yaitu rata-
rata nilai peringkat yang relevan. Misalnya, kedua negara diberi peringkat 2.5,
yang merupakan rata-rata 2 dan 3. Demikian pula, Brasil, Kosta Rika dan
Thailand semua diberi peringkat 7, yang merupakan rata-rata 6, 7 dan 8. Negara
berikutnya, Kolombia, kemudian diberi peringkat 9.
Ini menunjukkan korelasi peringkat negatif antara dua variabel, seperti dengan
koefisien korelasi standar (r = -0,824), tetapi dengan yang sedikit lebih kecil nilai
mutlak.
Untuk menguji signifikansi hasil, uji hipotesis dapat dilakukan pada nilai ρs,
parameter populasi yang sesuai.
H0: ρs = 0
H1: ρs ≠ 0
Nilai kritis pada tingkat signifikansi 5%, untuk n = 12, adalah 0,591.
Karena itu hipotesis nol ditolak jika statistik uji berada di luar kisaran
[−0,591,0,591], yang dilakukannya dalam kasus ini. Dengan demikian nol dapat
ditolak dengan 95% kepercayaan; data mendukung hipotesis hubungan Antara
tingkat kelahiran dan pertumbuhan. Nilai kritis yang ditunjukkan pada tabel ini
adalah untuk dua-ekor
Tabel 7.4 Kutipan dari Tabel A6: Nilai kritis korelasi peringkat koefisien
Analisis Regresi
dekat (tetapi tidak identik) dengan angka kelahiran aktual 30. Perbedaannya
tercermin tidak adanya korelasi sempurna antara kedua variabel.
Perbedaan antara nilai aktual, Y, dan nilai prediksi, Z, adalah disebut error
atau residual. Itu dilabeli e pada Gambar 7.4. Kenapa harus seperti itu kesalahan
terjadi? Hubungan tidak akan pernah menjadi hubungan yang tepat untuk berbagai
hal alasan. Pasti ada faktor lain selain pertumbuhan yang mempengaruhi tingkat
kelahiran (mis., pendidikan wanita) dan semua efek ini dimasukkan ke dalam
istilah kesalahan. Selain itu mungkin ada kesalahan pengukuran sederhana (dari Y)
dan, tentu saja, orang bertindak dengan cara yang agak acak daripada mengikuti
aturan perilaku yang kaku.
Perbedaan antara nilai aktual, Yi, dan nilainya yang diprediksi, Zi, apakah
ei, kesalahannya. (Catatan: Huruf miring yang menunjukkan istilah kesalahan
tidak boleh disamakan dengan roman huruf e, digunakan sebagai dasar untuk
logaritma natural (lihat Lampiran Bab 1, halaman 74). Jadi
(7.7) Yi = Zi + ei
(7.8) Yi = a + bXi + ei
Persamaan (7.8) menunjukkan bahwa tingkat kelahiran yang diamati terdiri dari
dua komponen:
memberikan hasil :
TABLE 13-1 Sales Calls and Copiers Sold for 10 Sales people.
Ini adalah praktik umum untuk skala variabel dependen (mesin fotokopi
dijual) pada vertikal atau Sumbu Y dan variabel independen (jumlah panggilan
penjualan) pada sumbu horizontal atau X. Untuk mengembangkan diagram
sebaran dari informasi penjualan Copier Sales of America, kami mulai dengan
perwakilan penjualan pertama, Tom Keller. Tom melakukan 20 panggilan
penjualan bulan lalu dan menjual 30 mesin fotokopi, jadi X = 20 dan Y = 30.
Untuk memplot poin ini, bergerak sepanjang horizontal sumbu ke X = 20, lalu
pergi secara vertikal ke Y = 30 dan tempatkan sebuah titik di persimpangan. Ini
proses dilanjutkan sampai semua data berpasangan diplot, seperti yang
ditunjukkan pada Bagan 13-1.
Koefisien Korelasi
Jika sama sekali tidak ada hubungan antara dua set variabel, Pearson's r
adalah nol. Koefisien korelasi r mendekati 0 (katakanlah, .08) menunjukkan
bahwa hubungan linier cukup lemah. Kesimpulan yang sama diambil jika r = - .08.
Koefisien - 0,91 dan + 0,91 memiliki kekuatan yang sama; keduanya
menunjukkan korelasi yang sangat kuat antara dua variabel. Dengan demikian,
kekuatan korelasinya tidak tergantung pada arah (baik - atau +).
lebih banyak mesin fotokopi daripada rata-rata. Tom Keller, nama depan
dalam daftar di Tabel 13-2, melakukan 20 panggilan penjualan dan menjual 30
mesin fotokopi. Kedua nilai ini lebih kecil dari nilai mereka rata-rata masing-
masing; maka titik ini berada di kuadran kiri bawah. Tom membuat 2 penjualan
lebih sedikit panggilan dan menjual 15 mesin fotokopi lebih sedikit dari masing-
masing cara. Penyimpangan dari jumlah rata-rata panggilan penjualan dan untuk
jumlah rata-rata mesin fotokopi yang dijual dirangkum pada Tabel 13-3 untuk 10
perwakilan penjualan. Jumlah produk penyimpangan dari cara masing-masing
adalah 900. Artinya, istilah ~ (X - X) (Y - Y) = 900.
Jika dua variabel terkait terbalik, satu variabel akan berada di atas rata-rata
dan " yang lain di bawah rata-rata. Sebagian besar poin dalam kasus ini terjadi di
kiri atas dan kuadran kanan bawah. Sekarang (X - X) dan (Y - Y) akan memiliki
tanda yang berlawanan, jadi mereka produk negatif. Koefisien korelasi yang
dihasilkan negatif.
Apa yang terjadi jika tidak ada hubungan linear antara kedua variabel? Itu
poin dalam diagram pencar akan muncul di keempat kuadran. Produk negative
dari (X - X) (Y - Y) mengimbangi produk positif, sehingga jumlahnya hampir nol.
Ini mengarah pada koefisien korelasi mendekati nol.
Pearson juga ingin koefisien korelasi tidak terpengaruh oleh satuan dua
variabel. Misalnya, jika kami telah menggunakan ratusan mesin fotokopi yang
dijual, bukan angka yang terjual, koefisien korelasinya akan sama. Koefisien
korelasi tidak tergantung pada skala yang digunakan jika kita membagi istilah ~
(X - X) (Y - Y) oleh standar deviasi sampel. Itu juga dibuat independen dari
ukuran sampel dan dibatasi oleh nilai +1.00 dan -1.00 jika kita bagi dengan (n - 1).
Bagaimana kita mengartikan korelasi 0,759? Pertama, itu positif, jadi kita
lihat ada hubungan langsung antara jumlah panggilan penjualan dan jumlah mesin
fotokopi Terjual. Ini menegaskan alasan kami berdasarkan diagram pencar, Bagan.
13-4. Nilai 0,759 cukup dekat dengan 1,00, jadi kami menyimpulkan bahwa
hubungan tersebut kuat. Untuk meletakkannya Dengan cara lain, peningkatan
panggilan kemungkinan akan menghasilkan lebih banyak penjualan.
Koefisien Determinasi
Jika ada hubungan yang kuat (katakanlah, r = .91) antara dua variabel, kita
tergoda untuk melakukannya mengasumsikan bahwa kenaikan atau penurunan
dalam satu variabel menyebabkan perubahan pada variabel lainnya. Sebagai
contoh, dapat ditunjukkan bahwa konsumsi kacang dan Georgia Konsumsi aspirin
memiliki korelasi yang kuat. Namun, ini tidak menunjukkan hal itu peningkatan
konsumsi kacang tanah menyebabkan konsumsi aspirin meningkat. Demikian
juga dengan pendapatan para profesor dan jumlah narapidana di institusi
mentaltelah meningkat secara proporsional. Selanjutnya, seperti populasi keledai
menurun, telah terjadi peningkatan jumlah gelar doktor yang diberikan.
Hubunganseperti ini disebut korelasi palsu. Apa yang bisa kita simpulkanketika
kita menemukan dua variabel dengan korelasi kuat adalah ada hubungan atau
asosiasi antara dua variabel, bukan bahwa perubahan dalam satu menyebabkan
perubahan yang lain.
Dari cara H1 dinyatakan, kita tahu bahwa tes ini berekor dua. Rumus untuk ini:
BAGIAN 13-5 Aturan Keputusan untuk Uji Hipotesis pada 0,05 Level
Signifikansi dan 8 df
Menerapkan formula (13-2) pada contoh tentang jumlah panggilan penjualan dan
unit terjual:
Analisis regresi
Dimana :
Y 'read Y prime, adalah nilai prediksi dari variabel Y untuk nilai X yang dipilih.
a adalah V-intersep. Ini adalah nilai estimasi Ywhen X = O. Cara lain untuk
menempatkan itu adalah: a adalah nilai estimasi Y di mana garis regresi melintasi
sumbu Y ketika X adalah nol.
Dimana :
Deviasi standar untuk panggilan penjualan (X) dan unit yang dijual (Y)
serta sarana masing-masing dapat ditemukan dalam lembar kerja Excel di
halaman 381. Nilai r dihitung di bawah lembar kerja.
3. Standar deviasi dari distribusi normal ini semuanya sama. Estimasi terbaik yang
kami miliki tentang deviasi standar umum ini adalah standar kesalahan estimasi
(Sy.x).
Mengubah Data
Untuk data golf di atas korelasi antara variabel, pendapatan dan skor,
menunjukkan hubungan negatif yang cukup kuat. Korelasinya adalah -0,782,
tetapi ketika kita menggunakan diagram sebar untuk memplot data hubungan
tampaknya nonlinier. Artinya, hubungan tidak mengikuti garis lurus.
Haverty's Furniture adalah bisnis keluarga yang telah menjual kepada pelanggan
ritel di wilayah Chicago selama bertahun-tahun. Mereka beriklan secara luas di
radio, TV, dan Internet yang menekankan harga rendah dan persyaratan kredit
Penyelesaian :
B.
E. r2 = 0,93, 93% variasi dalam penjualan "dijelaskan" oleh variasi dalam iklan.
Sampel dari 25 kampanye walikota di kota-kota dengan populasi lebih dari 50.000
menunjukkan bahwa korelasi antara persentase suara yang diterima dan jumlah
yang dihabiskan untuk kampanye oleh kandidat adalah 0,43. Pada tingkat
signifikansi 0,05, apakah ada hubungan positif antara variabel?
Penyelesaian :
Ho ditolak. Ada korelasi positif antara persentase suara yang diterima dan jumlah
yang dihabiskan untuk kampanye.
B. Rekomendasi
Menurut kelompok kami, buku yang akan kami rekomendasikan bagi teman –
teman yaitu buku Basic Statistics for Buisness & Economics/ Douglas A. Lind
yang dimana buku tersebut memiliki penjelasan yang ringkas serta soal-soal
pembahasan yang jelas.