Anda di halaman 1dari 95

This document was created with free TRIAL version of eXPert PDF.

This watermark will be removed


after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Sesi 1
Regresi Sederhana

Definisi
Analisis regresi merupakan alat yang sangat luas digunakan baik dalam

riset akademis maupun dalam dunia industri. Secara definitif analisis regresi

adalah berhubungan dengan studi ketergantungan (dependence) satu variabel

terdahap satu atau beberapa variabel lainnya. Selengkapnya Gujarati (2003)

mendefinisikan sebagai berikut :

“Regression analysis is concerned with study of the dependence of one variable,

the dependent variable, on one or more other variables, the explanatory variables, with a

view to estimating and/or predicting the (population) mean or average value of the former

in terms of the known of fixed (in repeated sampling) values of latter.”

Secara populer dependent variable lebih sering dikenal sebagai variabel

tergantung yang biasa diberi simbol Y. Adapun explanatory variables sering

disebut sebagai variabel bebas atau dengan simbol X.

Model Regresi Sederhana


Berdasarkan definisi diatas, model regresi yang paling sederhana

mengambil bentuk sebagai berikut :

Y = β0 + β1X + 

dalam hal ini

Y = variabel tergantung

X = variabel bebas

1
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

β0 = intercept / constant

β1 = slope coefficient

 = disturbance / unsur gangguan

Karakteristik dari model regresi yang membedakannya dengan model

matematika adalah adanya unsur gangguan ( ) yang menunjukkan bahwa

hubungan hubungan Y dengan X tidaklah deterministik atau eksak melainkan

bersifat stokastik atau probabilistis. Dalam realitas sosial, ekonomi dan bisnis

unsur ketidakpastian merupakan sesuatu yang lumrah terjadi.

Koefisien β0 dan β1 tidak bisa ditentukan secara langsung namun melalui

estimasi setelah diperoleh beberapa sampel data untuk Y dan X. Oleh karena itu

menentukan koefisien regresi nantinya didasarkan pada mekanisme inferensial

statistik. Dengan mengasumsikan nilai dan sifat dari unsur gangguan (asumsi

klasik), maka perkiraan/ estimasi koefisien regresi akan diperoleh. Untuk itulah

maka model regresi sebelumnya (sering dikenal sebagai regresi populasi) dalam

praktek akan diestimasi oleh model sebagai berikut :

Y = b0 + b1X + e

Dalam hal ini, estimasi dilakukan melalui persamaan garis linear :

Yˆ  b0  b1 X

Tanda hat (^) dalam notasi diatas mengandung arti estimasi. Adapun e

atau lebih dikenal sebagai error term atau residual yang merupakan representasi

dari  dengan demikian merupakan selisih antara Y dari data aktual dengan Y

estimasi, yaitu :

2
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

e  Y  Yˆ

Estimasi Parameter
Langkah selanjutnya setelah pemodelan adalah melakukan estimasi atas

parameter atau koefisien regresi. Metode estimasi yang paling populer

digunakan adalah Least Square atau lebih dikenal sebagai Ordinary Least Square

(OLS). Secara teknis, prinsip OLS adalah menemukan nilai koefisien b0 dan b1

sedemikian rupa sehingga jumlah kuadrat residual (∑e2) adalah minimum.

Dengan menggunakan optimasi melalui differensial, syarat minimize ∑e2

akan dicapai pada saat turunan pertama dari ∑e2 kaitannya dengan masing-

masing koefisien regresi yang dicapai adalah sama dengan nol. Secara notasi

dapat dijelaskan :

e 2  (Y  Yˆ ) 2

atau

e 2  (Y  b0  b1 X ) 2

Turunan pertama dari persamaan diatas adalah :

e 2
  2(Y  b0  b1 X )
b0

dan

e 2
  2(Y  b0  b1 X ) X
b1

Dengan menyamakan kedua persamaan terakhir dengan nol maka akan

diperoleh persamaan normal sebagai berikut :

3
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

∑Y = Nb0 + b1∑X

∑YX = b0∑X + b1∑X2

Pemecahan persamaan normal secara simultan akan memperoleh :

NXY  XY
b1 
NX  (X ) 2

( X  X )(Y  Y )

( X  X ) 2

xy

x 2

dalam hal ini X dan Y masing-masing adalah rata-rata sampel dari X dan Y.

Adapun x dan y masing-masing didefinisikan sebagai ( X  X ) dan (Y  Y ) .

Sementara itu koefisien intercept (b0) dapat diperoleh melalui formulasi :

b0  Y  b1 X

Contoh Kasus
Suatu model regresi standar Y = b0 + b1X + e dengan data Y dan X sebagai

berikut :

No. Y X
1 40 10
2 38 12
3 43 13
4 45 12
5 37 16
6 43 15

Tentukan nilai koefisien b0 dan b1

4
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Langkah pertama supaya mempermudah penyelesaian adalah menyusun

kembali data dalam soal dalam bentuk lembar kerja sesuai dengan komputasi

yang diperlukan sebagai berikut :

Y y y2 X x x2 xy
40 -1 1 10 -3 9 3
38 -3 9 12 -1 1 3
43 2 4 13 0 0 0
45 4 16 12 -1 1 -4
37 -4 16 16 3 9 -12
43 2 4 15 2 4 4
∑Y = 246 ∑y2= 50 ∑X = 78 ∑x2 = 24 ∑xy=-6

Nilai rata-rata Y atau Y = 246/6 = 41 sedangkan nilai X adalah sebesar

78/6 = 13. Rata-rata tersebut bisa digunakan untuk memperoleh masing-masing

nilai y dan x.

Berdasarkan formula sebelumnya dapat dihitung nilai b1 dan b0 adalah :

xy
b1 
x 2

= -6/24 = - 0,25

b0  Y  b1 X

= 41 – (- 0,25 x 13) = 44,25

dengan demikian diperoleh persamaan regresi :

Y = 44,25 – 0,25X

Penyelesaian Excel
Dalam Microsoft Excel koefisien b0 dikenal sebagai intercept, sedangkan

b1 dikenal sebagai slope. Untuk kasus regresi sederhana, koefisien b0 secara

langsung bisa dicari melalui fungsi =INTERCEPT(kolom Y, kolom X) sedangkan

5
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

koefisien b1 bisa dicari melalui fungsi =SLOPE(kolom Y, kolom X). Untuk

memperjelas proses perhitungan, maka disajikan capture Excel sebagai berikut :

Klik satu kali untuk

memunculkan jendela Insert

Gambar 1.1 : Formula Excel untuk intercept dan slope

Formula b0 diketik pada sel B8 sedangkan formula b1 diketik pada sel B9.

Tekan Enter untuk mengeksekusi perintah maka hasilnya akan nampak sebagai

berikut :

Hasil perhitungan

Gambar 1.2 : Hasil perhitungan intercept dan slope

Hasil perhitungan menunjukkan bahwa baik secara manual maupun

dengan software pada akhirnya akan mendapatakan nilai yang sama.

6
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Keuntungan penggunaan dalam hal ini adalah waktu perhitungan yang relatif

cepat dengan presisi (tingkat ketepatan) yang tinggi dibandingkan dengan

perhitungan secara manual.

Pada Gambar 1.1 secara eksplisit telah ditunjukkan untuk melakukan klik

kiri guna memunculkan jendela Insert Function. Berikut langkah cepat untuk

menghitung b0. Pilih satu satu sel yang akan ditempati sebagai hasil perhitungan,

misalnya dalam hal ini adalah sel B8. Setelah icon fx di klik maka akan muncul

jendela :

Pilih Statistical

Gambar 1.3 : Insert Function Intercept

Pilih katagori Statistical, kemudian cari INTERCEPT dalam kotak select

a function. Selanjutnya klik OK untuk memperoleh jendela sebagai berikut :

7
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Gambar 1.4 : Function Arguments Intercept

Isi kotak Known_y’s dengan data Y dengan cara melakukan drag dari sel

B2 hingga sel B7. Dengan logika yang sama, masukkan data X pada kotak

Known_x’s. Hasil sementara perhitungan akan nampak pada konfirmasi

formula result. Klik OK, jika sudah sesesai melakukan entri data. Hasil

perhitungan akan nampak pada sel B8.

Selanjutnya untuk menghitung koefisien b1, secara prinsip tidak memiliki

perbedaan dengan perhitungan b0. Akan tetapi dalam jendela Insert Function,

fungsi yang dipilih adalah SLOPE. Sebelumnya tentukan terlebih dahulu sel

yang akan ditempati sebagai hasil perhitungan, misalnya B9. Visualisasi Excel

untuk kasus ini bisa diperhatikan dalam halaman berikut :

8
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Gambar 1.5 : Insert Function Slope

Gambar 1.6 : Function Arguments Slope

Latihan Soal
Buatlah estimasi model fungsi konsumsi makro ekonomi Keynesian

dengan data sebagai berikut :

9
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Gambar 1.7 : Data konsumsi dan pendapatan

Berdasarkan estimasi model yang dibuat tentukan :

1. Besarnya autonomous consumption ?

2. Besarnya Marginal Propensity to Consume (MPC) ?

10
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Sesi 2
Korelasi dan Determinasi

Variasi
Dalam literatur statistik, istilah variasi berarti jumlah kuadrat simpangan

suatu variabel dari nilai rata-ratanya. Variasi suatu variabel, katakanlah Y, dapat

dinyatakan sebagai berikut :

∑y2 = ∑ (Y  Y ) 2

Variasi dibagi dengan derajat kebebasan (degree of feedom, df) yang sesuai

dikenal sebagai sebagai varians. Jika menyangkut dua variabel, dikenal

kovarians yang didefinisikan sebagai :

yx  (Y  Y )( X  X )

Analisis varians memegang peran sentral dalam studi asosiatif, termasuk dalam

analisis korelasi dan analisis regresi.

Koefisien Korelasi
Untuk mengetahui hubungan antar dua atau lebih variabel, secara luas

digunakan analisis korelasi. Pada dasarnya koefisien korelasi dihitung

berdasarkan kovarians antar variabel yang diuji.

Dua variabel dikatakan berkorelasi jika kovarian (cov) antar dua variabel

tersebut adalah tidak sama dengan nol. Secara definitif koefisien korelasi (r)

antar variabel X dan Y dapat dirumuskan sebagai berikut :

11
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

cov( X , Y )
r
var( X ) var(Y )

Nilai koefisien korelasi berkisar antara -1 sampai +1. Semakin erat

korelasi antar variabel maka koefisien korelasinya akan semakin mendekati -1

atau +1. Korelasi positif akan ditandai oleh nilai koefisien yang positif, begitu

pula sebaliknya. Jika koefisien korelasi mendekati nol maka hubungan antar

variabel yang diuji semakin lemah.

Contoh Kasus
Dua buah series data terhitung sebagai berikut :

No. X Y
1 12 14
2 9 8
3 8 6
4 10 9
5 11 11
6 13 12
7 7 3

Berdasarkan data diatas, hitunglah koefisien korelasi antar dua series

data diatas.

Penyelesaian Excel
Seperti biasanya sebelum pengolahan data dilakukan, data terlebih

dahulu disiapkan dalam worksheet tertentu pada program Microsof Excel. Setelah

data disiapkan, tentukan sel tempat hasil perhitungan koefisien korelasi.

Selanjutnya klik icon function fx dan pilihlah sesuai tampilan berikut :

12
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Gambar 2.1 : Fungsi Korelasi

Gambar 2.2 : Argumen Fungsi Korelasi

Dalam Gambar 2.1 sebelumnya dijelaskan bahwa fungsi korelasi dalam

Excel adalah CORREL. Setelah data diisikan sebagaimana Gambar 2.2, tekan klik

untuk memperoleh hasilnya pada lembar kerja utama.

13
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Gambar 2.3 : Formula Excel untuk Korelasi

Tentu saja sebagai alternatif, formula korelasi sebagaimana digambarkan

pada ilustrasi diatas dapat diketik secara langsung pada sel tujuan. Dalam

gambar diatas sel tujuan yang dimaksud adalah sel B10. Tekan Enter jika sudah

selesai dan selanjutnya koefisien korelasi yang diperoleh dalam kasus ini adalah

sebesar 0,9485.

Koefisien Determinasi
Meskipun sama-sama termasuk dalam studi asosiatif, koefisien korelasi

memiliki perbedaan penting dibandingkan dengan koefisien regresi. Salah

satunya adalah, jika dalam koefisien korelasi kedudukan variabel adalah sejajar

namun dalam koefisien regresi harus diidentifikasi terlebih dahulu mana

variabel dependent dan mana variabel independent-nya.

Berdasarkan pembahasan pada Bab 1, dapat dikemukakan hubungan

bahwa nilai variabel dependent aktual Y merupakan penjumlahan dari nilai

estimasinya ditambah dengan error atau residual, yaitu :

14
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Y  Yˆ  e

Apabila dinyatakan dalam bentuk simpangan (deviation form) maka persamaan

diatas dapat ditulis sebagai :

y  yˆ  e

Dengan mengkuadratkan kedua sisi persamaan diatas dan menjumlahkan untuk

semua sampel maka akan diperoleh persamaan :

y 2  yˆ 2  e 2

Secara alternatif persamaan tersebut diatas, yang mengandung unsur

jumlah kuadrat (sum of square) dapat dinyatakan sebagai : Total Sum of Square =

Regression Sum of Square + Residual Sum of Square. Dengan demikian,

variasi dari dependent variable Y, bisa dijelaskan oleh dua hal yaitu variasi yang

berasal dari garis regresi serta variasi dari residual. Semakin dekat garis regresi

dengan data aktual maka variasi akibat regresi akan semakin mendekati variasi

data aktual. Rasio antara variasi dari regresi dengan variasi totalnya dikenal

sebagai koefisien determinasi, yaitu :

Re sidual Sum of Square


r2 
Total Sum of Square

Berdasarkan definisinya, koefisien ini memiliki nilai antara 0 hingga 1. Semakin

mendekati 1 menunjukkan bahwa garis atau model regresi yang dihasilkan akan

semakin baik. Koefisien determinasi juga sering dinyatakan dalam persen.

Contoh Kasus
Hitunglah koefisien determinasi (r2) untuk soal dalam contoh kasus

sebelumnya !

15
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Penyelesaian Excel
Fungsi Statistik Excel tidak menyediakan perhitungan koefisien

determinasi secara langsung. Untuk itu langkah-langkah yang harus dikerjakan

adalah

1. Carilah nilai Y estimasi atau prediksi Y melalui fungsi FORECAST

2. Carilah nilai rata-rata Y aktual dengan fungsi AVERAGE. Secara teoritis nilai

rata-rata Y baik aktual maupun yang prediksi adalah sama.

3. Hitung variasi Y aktual dan variasi Y prediksi

4. Jumlahkan variasi Y aktual dan variasi Y prediksi

5. Bagi total variasi Y prediksi dengan total variasi aktual

Gambar 2.4 Formula mencari R Square

Cara perhitungan diatas jika dilakukan dengan cara pengetikan setiap

formula dalam tiap sel tentu sangat membosankan. Oleh karena itu untuk setiap

formula yang sama, tinggal melakukan teknik copy – paste atau lakukan drag

untuk mengcopy formula. Hasil perhitungan koefisien determinasi dengan data

sebelumnya dapat diperhatikan dalam gambar berikutnya :

16
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Gambar 2.5 : Hasil perhitungan R Square

Hal menarik yang perlu dicatat kaitannya dengan koefisien korelasi (r)

dan koefisien determinasi (r2) adalah bahwa perhitungan koefisien determinasi

sebenarnya dapat dihitung langsung melalui koefisien korelasi dengan melalui

operasi kuadrat.

Perhitungan koefisien determinasi, r2 atau sering disebut R Square juga

langsung bisa diperoleh melalui fungsi RSQ sebagaimana ditunjukkan dalam

Gambar 2.6. Hasil perhitungan menunjukkan bahwa menggunakan metode yang

lebih cepat juga akan menghasilkan nilai koefisien yang sama persis.

17
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Gambar 2.6 : Formula R Square

Gambar 2.7 : Hasil Perhitungan R Square

Hasil perhitungan antara Gambar 2.5 dengan Gambar 2.7 memperoleh

hasil yang sama, yaitu koefisien determinasi sebesar 0,8997. Tergantung apa

yang ingin diketahui tentunya, kalau hanya perlu koefisien determinasi saja, cara

kedua bisa digunakan. Jika memerlukan sekaligus nilai Y estimasi maka hasilnya

tentu lebih baik jika menggunakan cara pertama. Koefisien determinasi yang

18
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

diperoleh menunjukkan bahwa sekitar 89,97% variasi dari Y dapat dijelaskan

oleh variasi model sedangkan sisanya dijelaskan oleh unsur lain.

Standard Error Prediksi


Hal penting lain yang masih berkaitan dengan masalah variasi dalam

analisis regresi adalah standar kesalahan atau standard error dari Y prediksi.

Untuk mengetahui ini dalam Excel telah disediakan fungsi STEYX. Formula

standar error dapat diperhatikan dalam gambar berikut :

Gambar 2.8 : Standard Error Equation

19
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Latihan Soal
Berikut data ekspor Indonesia dan nilai tukar rupiah selama satu dekade

terakhir. Berapa persenkah rata-rata variasi nilai tukar rupiah selama periode

dimaksud bisa menjelaskan variasi ekspor yang terjadi dalam periode yang sama

Gambar 2.9 : Data Eskpor dan Nilai Tukar

Petunjuk :

1. Isilah terlebih dahulu sel F7 hingga F11 sebagaimana sesuai dengan item di

sel E7 hingga E11

2. Multiple R adalah koefisien korelasi

3. Interpretasikan hasil perhitungan sesuai dengan permintaan pada soal.

20
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Sesi 3
Pengujian Secara Statistik

Inferensial Statistik
Parameter atau koefisien regresi yang diperoleh sebelumnya pada

dasarnya masih merupakan hasil estimasi terhadap nilai koefisien untuk model

regresi populasi. Hal ini tentu sangatlah jelas mengingat bahwa koefisien ini

diperoleh dari sampel data. Jika dilakukan penyampelan berulang, angka

numerik dari dari koefisien dimaksud bisa saja bervariasi dari satu set sampel

data ke set sampel data lainnya.

Hasil estimasi tentunya diharapkan tidak jauh berbeda dengan nilai

parameter sesungguhnya (populasi). Akan tetapi bagaimana bisa suatu

parameter dari sampel bisa dibandingkan dengan parameter populasi yang

belum diketahui ? Pertanyaan seperti itu merupakan inti pokok dalam

pembahasan statistik inferensial.

Untuk dapat menguji kesamaan atau perbedaan antara koefisien sampel

dengan koefisien populasi, statistika biasanya melakukan hipotesis terhadap

nilai populasi dengan suatu angka, misalkan nol, sehingga kerap disebut sebagai

hipotesisi nol. Dengan demikian secara umum uji hipotesis pada dasarnya

melakukan evaluasi apakah parameter yang diuji sama atau tidak dengan nol.

Secara ideal memang harus dilakukan serangkaian penyampelan

berulang agar nilai parameter sampel yang diperoleh semakin mendekati

21
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

parameter populasi yang sesungguhnya. Melalui proses tersebut nantinya dapat

diukur deviasi antara nilai parameter sampel dengan parameter populasi.

Devisasi dimaksud dikenal sebagai kesalahan estimasi parameter atau melalui

ukuran yang lebih populer digunakan, dikenal sebagai kesalahan standar

(standard error) koefisien regresi.

Dalam banyak kasus, utamanya data ekonomi dan sosial, pengumpulan

data kerap menjadi permasalahan serius. Data ekonomi tidak diperoleh dari

percobaan laboratorium sehingga proses penyampelan berulang hampir tidak

mungkin dilakukan.

Oleh karenanya dalam pemodelan regresi klasik :

Y = β0 + β1X + 

perilaku dari unsur gangguan  harus diasumsikan memiliki beberapa

karakteristik, diantaranya adalah :

1. Unsur gangguan  bersifat acak, didistribusikan secara normal dengan

harapan matematis atau rata-rata sama dengan nol; E( ) = 0

2. Varians dari  yaitu 2 adalah konstan untuk setiap observasi; E(i2) = 2

untuk tiap i

3. Tidak terdapat korelasi antar unsur gangguan yang berurutan; E(ij) = 0

untuk i  j

Standar Error Koefisien Regresi


Kesalahan standar atau standard error merupakan ukuran dari ketepatan

koefisien regresi dalam memprediksi nilai populasinya. Standard error diukur

22
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

berdasarkan akar kuadrat dari deviasi atau varians koefisien regresi sampel (b)

dengan koefisien regresi populasi (β).

Mengulangi formula koefisien slope, telah dinyatakan bahwa :

xy
b1 
x 2

Berdasarkan definisi y, formula diatas dapat dinyakan sebagai :

xY
b1 
x 2

 kY

Dengan memperhatikan Y sebagai representasi dari model regresi

populasi maka dapat dinyatakan :

b1  k ( 0  1 X   )
 1  k

Harapan matematis dari b1, dengan demikian ;

E (b1 )   1  kE (  )
 1

yang menunjukkan bahwa b1 adalah estimator yang tidak bias bagi β1 dengan

menggunakan asumsi bahwa E() = 0 (asumsi nomor 1)

Varians dari b1 dapat dinyatakan sebagai :

var(b1 )  E (b1  1 ) 2
 E (k ) 2
2 2 2 2 2 2
 E (k1 1  k 2  2  ....  k N  N 
2k1 k 2 1  2  .......  2k N 1 k N  N 1  N )

dengan menggunakan asumsi E(i2) = 2 dan E( ij) = 0 maka persamaan

terakhir dapat dinyatakan sebagai ;

23
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

var(b1 )   2 k 2
2

x 2

Adapun varian unsur gangguan 2 dapat diestimasi melalui formula ∑e2/N-2.

Dengan demikian maka standard error (se) dari koefisien b1 adalah :

se(b1 )  var(b1 )

Dengan logika yang sama, standard error untuk koefisien intercept (b0) juga bisa

diperoleh.

24
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Sesi 4
Uji Koefisien Individual dan Simultan

Uji Signifikansi t
Secara individual, signifikansi koefisien regresi diuji dengan prosedur uji

t. Dalam cara yang sederhana uji t dilakukan dengan membandingkan nilai

statistik t observasi atau t hitung dengan t tabel. Nilai t hitung dapat diperoleh

melalui formula :

t  b / se (b )

untuk setiap koefisien baik slope (b1) maupun intercept (b0). Suatu koefsien

dinyatakan signifikan jika nilai t hitung lebih tinggi dibandingkan dengan t tabel

untuk level signifikansi yang ditentukan (biasanya 5%) dengan derajat

kebebasan sebesar jumlah sampel dikurangi dengan jumlah koefisien regresi

yang diestimasi.

Secara alternatif, penentuan signifikansi t dapat dilihat melalui level

signifikansi t yang dihitung oleh program aplikasi. Jika level signifikansi yang

diperoleh lebih kecil dari level konvensional (yaitu 0,05) maka dapat

disimpulkan bahwa koefisien regresi yang diuji adalah signifikan.

Uji Signifikansi F
Koefisien regresi dapat diuji tingkat signifikansinya secara simultan

dengan menggunakan prosedur uji F. Statistik F sebenarnya dapat diperoleh

melalui analisis varians (ANOVA) yang telah disinggung pada bagian

25
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

sebelumnya. Kembali kepada konsep Sum of Square, jika Sum of Squre ini dibagi

dengan tiap derajat kebebasannya (df) maka akan diperoleh konsep Mean of

Square. Kaitannya dengan Sum of Square Regression dan Error (Residual) akan

diperoleh Mean Square Regression (MSR) dan Mean Square Error (MSE). Statistik F

diperoleh melalui :

MSR
F
MSE

Sebagaimana uji t, nilai F hitung ini dibandingkan dengan F tabel untuk

menentukan tingkat signifikansinya.

Contoh Kasus
Berikut disajikan data pendapatan rata-rata (Y) enam orang kepala

keluarga berikut tingkat pengeluarannya (X) :

Observasi Y X
1 6 3
2 8 4
3 9 6
4 5 4
5 4,5 2
6 9,5 5

Buatlah model regresi, evaluasi dan ujilah tingkat signifikansinya baik

secara individual maupun secara simultan.

Penyelesaian Excel
Perintah dari soal diatas cukup kompleks sehingga sangat tidak efisien

jika dikerjakan secara satu-persatu sebagaimana pada bagian sebelumnya.

Penyelesaian Excel seperti kasus diatas dapat dilakukan secara simultan melalui

fungsi LINEST. Akan tetapi perlu dicacat disini bahwa fungsi LINEST akan

26
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

menghasilkan berbagai nilai (array) sehingga formula yang di-entry seharusnya

berbentuk array formula.

Sebagai suatu gambaran, output dari fungsi LINEST akan terdiri atas

koefisien slope (b1) dan standar error b1, koefisien b0 dan standar error b0, R square

(R2), standar error estimasi se Yˆ , F hitung, degree of freedom (df), Sum of Squre

Regression dan Sum of Squre Residual. Oleh karena itu formula ini harus

tersusun dari lima baris dan kolom yang menyesuaikan dengan jumlah koefisien

regresi yang akan disetimasi. Dalam kasus regresi sederhana, kolom yang harus

dibentuk adalah sebanyak 2.

Gambar 4.1 : Array Formula untuk Fungsi LINEST

27
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Gambar 4.2 : Inset Function LINEST

Setelah menentukan sel tujuan, melalui Menu Insert, pilih LINEST

kemudian klik OK sehingga memperoleh konfirmasi sebagai berikut :

Gambar 4.3 : Argumen pada Fungsi LINEST

28
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Sebagimana terlihat oleh pada gambar diatas bahwa selain kolom Y dan

kolom X yang diisi, perlu diisi pula kotak Const dan Stats. Isi kedua kotak

tersebut dengan TRUE untuk memperoleh hasil sesuai dengan keinginan soal.

Kemudian klik OK untuk mendapatkan hasil seperti berikut :

Gambar 4.4 : Output LINEST tunggal

Bisa diperhatikan bahwa sel tujuan pada lembar ini adalah pada sel D2

sehingga dapat dilihat fungsi LINEST yang tadi telah di-entry. Hasil perhitungan

hanya ada di satu sel (D2) karena belum menggunakan array formula. Untuk itu

blok terlebih dahulu range D2:E6, tekan F2 kemudian tekan key Ctrl + Alt +

Enter sehingga diperoleh hasil :

29
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Gambar : 4.5 : Output LINEST dengan array formula

Penjelasan tentang output pada sheet D2 : E6 sesuai pada Gambar 4.1

untuk sheet B2:C6.

Agar print-out Excel sebelumnya tampil lebih informatif maka susunlah

laporan hasil perhitungan analisis regresi dengan format pelaporan sebagai

berikut dengan memperhatikan formulasi pada tiap-tiap sel dari range atau

lembar kerja yang baru dibentuk :

Gambar 4.6. Format Pelaporan Analisis Regresi

30
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Untuk diketahui bahwa pengisian formula pada tiap-tiap sel yang

dimasud seluruhnya mengacu pada keterangan formulasi serta penjelasan pada

bagian sebelumnya. Tentu saja rumus tersebut disesuaikan dengan tempat sel

acuan, yaitu range D2:C6. Adapun untuk degree of freedom pada sel C15 adalah 1

untuk regresi sederhana.

Hasil perhitungan sebagaimana nampak pada Gambar 3.6 secara lengkap

dapat diperhatikan dalam gambar berikut :

Gambar 4.7 : Hasil akhir perhitungan dan pelaporan LINEST

Latihan Soal
Berdasarkan soal dan pemecahan pada contoh kasus lakukanlah :

1. Uji signifikansi koefisien regresi secara individual

2. Uji signifikansi koefisien regresi secara simultan

3. Interprestasi hasil secara lengkap

31
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Sesi 5
Asumsi Normalitas

Perilaku Unsur Gangguan


Sebagaimana telah disinggung, model regresi yang telah dibahas secara

implisit diasumsikan telah memenuhi beberapa asumsi tertentu. Asumsi ini

sangat penting untuk dikaji mengingat hubungannya dengan masalah justifikasi

uji hipotesis yang telah dilakukan. Karena koefisien regresi yang dihasilkan pada

dasarnya berupa estimasi maka hasilnya masih bersifat probabilistik dan angka

numerik yang dihasilkan bisa mengandung arti atau tidak tergantung pada

pemenuhan asumsi ini.

Sebenarnya asumsi klasik tidak hanya terkait dengan masalah unsur

gangguan, akan tetapi yang juga penting adalah asumsi tentang variabel bebas

X. Variabel bebas diasumsikan non-stokastik, tetap dalam penyampelan

berulang dan tidak berkorelasi dengan unsur gangguan. Sebagian besar asumsi

ini diterima dengan tanpa pengujian mengingat karakteristik data ekonomi yang

terbatas dan sukarnya melakukan penyampelan berulang.

Adapun unsur gangguan sendiri sebagaimana telah diulas dalam Bab

sebelumnya diasumsikan berdistribusi normal, memiliki varians yang konstan

serta antar unsur gangguan tidak terdapat korelasi. Asumsi normalitas terkait

dengan sifat estimator yang tidak bias sedangkan dua asumsi lainnya berkaitan

32
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

dengan masalah efisiensi. Estimator yang baik secara logika diharapkan memiliki

varians minimum.

Asumsi Normalitas
Asumsi normalitas sangat erat hubungannya dengan sifat ketidakbiasan

estimator dan inferensi untuk mencari nilai parameter yang sesungguhnya (true

parameter). Asumsi normalitas mensyaratkan bahwa perilaku unsur gangguan

yang random didistribusikan secara normal atau mendekati normal. Untuk

menguji asumsi ini bisa dilakukan pada data residual dengan mengevaluasi

bentuk distribusinya dalam hal skewnes (kemencengan) dan kurtosis

(peruncingan). Distribusi dianggap normal jika skewnes semakin mendekati 0

dan kurtosis mendekati 3.

Langkah awal untuk menguji distribusi residual adalah dengan cara

mencari terlebih dahulu nilai residual tiap observasi. Sesuai dengan definisnya,

residual atau error merupakan selisih antara Y aktual dengan Y prediksi.

Dengan demikian carilah terlebih dahulu nilai Y prediksi melalui fungsi

FORECAST. Dengan contoh soal sebelumnya, formulasi untuk mencari nilai

prediksi Y dan error dapat diperhatikan dalam gambar berikut :

Gambar 5.1 : Formula Y predicted dan error

33
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Sambil lalu diperhatikan bahwa dalam formula untuk mencari predicted Y

ada beberapa tanda string ($) yang harus diperhatikan kalau ingin melakukan

copy-paste pada formula. Tekan Enter jia formula sudah benar dan langkah

selanjutnya dalah menghitung skewnes dan kurtosis melalui Menu Insert

Function SKEW dan KURT sebagaimana gambar berikut :

Gambar 5.2 : Formula Skewnes dan Kurtosis

Hasil akhir perhitungan dari uji normalitas ini dapat diperhatikan sebagai

berikut :

Gambar 5.3 : Hasil perhitungan uji asumsi normalitas

34
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Perhitungan menunjukkan bahwa residual yang diuji agak sedikit menceng ke

kiri (secara negatif) dan cukup landai atau platikurtik.

35
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Sesi 6
Asumsi Homoskedastisitas

Asumsi Homoskedastisitas
Asumsi model regresi berikutnya adalah varians dari unsur gangguan

pada setiap observasi diasumsikan konstan. Secara teknis asumsi ini dikenal

sebagai homoskedastisitas. Asumsi ini sangat penting artinya dalam analisis

regresi mengingat kaitannya dengan estimasi standard error koefisien regresi.

Sebagaimana diketahui bahwa standard error ini memiliki peran dalam

pembentukan nilai t hitung. Oleh karena itu jika asumsi ini tidak dipenuhi,

maka hasil uji t tidak sahih karena nilai t hitung bisa overvalued.

Konsekwensinya, sebuah koefisien yang seharusnya dinyatakan tidak signifikan

bisa dinyatakan signifikan. Tentu saja kesimpulan ini sangat menyesatkan.

Pengujian homoskedastisitas bisa melalui diagram scatter square error

terhadap variabel bebas X. Jika scatter dimaksud memiliki pola tertentu maka

gejala non homoskedastisitas (heteroskedastisitas) layak dicurigai.

Terdapat beberapa jenis test formal yang biasa digunakan dalam uji ini.

Diantaranya, yang paling luas digunakan adalah uji White yang salah satu versi

formulasinya adalah melalui model regresi (Thomas, 1997) :

e 2    Yˆ 2

Dalam hal ini jika model tersebut menghasilkan nilai R2 yang sangat rendah,

maka dapat disimpulkan bahwa model telah memenuhi asumsi

36
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

homoskedastisitas. Pengujiannya dapat dilakukan dengan mengalikan R2 dengan

jumlah observasi (R2 x N) dan membandingkannya dengan nilai chi-square

statistik untuk df 1 pada level konvensional (misalnya 5% = 3,841). Pada

dasarnya test ini sesuai untuk model dengan observasi yang cukup banyak,

namun untuk keperluan praktis prosedural digunakan data dengan sampel kecil

sebagaimana tersedia dalam contoh kasus dan latihan dalam buku ini.

Sesuai perumusan sebelumnya maka sebelum dilakukan perhitungan

model, terlebih dahulu dicari square (kuadrat) nilai error atau residual serta nilai

kuadrat dari nilai Y prediksi, yaitu :

Gambar 6.1 : Formula square predicted Y dan square error

Setelah hasil perhitungan diatas dilakukan, selanjutnya hitung nilai R

Square dari regresi antara square error dengan square predicted Y sesuai dengan

prosedur perhitungan pada bian sebelumnya. Hasil perhitungan R Square

dimaksud dipergunakan sebagai dasar untuk menghitung statistik chi-square

melalui formulasi sebagai berikut :

37
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Gambar 6.2 : Formula untuk mencari n.R2

Hasil perhitungan uji asumsi homoskedastisitas dalam model regresi

sederhana dapat diperhatikan dalam tampilan berikut. Perlu diketahui bahwa

dalam formula sel E10 yaitu =A7*E9 untuk isian A7 adalah menggambarkan

jumlah observasi. Secara alternatif formula tersebut dapat diganti dengan

langsung memasukkan jumlah observasi (sebesar 6 untuk contoh kasus ini)

sehingga bisa ditulis =6*E9.

Gambar 6.3 : Perhitungan final uji homoskedastisitas

Perhitungan statistik chi-square berdasarkan prosedur yang diajukan

terlihat di sel E10 pada Gambar 6.3 yaitu sebesar 0,0747. Jika dibandingkan

38
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

dengan nilai chi-square tabel pada level 5% yaitu sebesar 3,841 dengan jelas

dapat dilihat bahwa nilai chi-square hitung jauh lebih rendah.

Secara intuitif dapat diambil suatu kesimpulan bahwa varians dari unsur

gangguan tidak mengikuti pola tertentu kaitannya dengan variabel X. Dengan

kata lain, varians dari unsur gangguan adalah konstan untuk setiap observasi.

Pada akhirnya bisa disimpulkan bahwa asumsi homoskedastisitas dari model

regresi yang diuji bisa terpenuhi.

39
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Sesi 7
Asumsi Autokorelasi

Asumsi Autokorelasi
Autokorelasi antar unsur gangguan adalah adanya korelasi antar unsur

gangguan. Secara teknis perhitungan, autokorelasi sebenarnya merupakan salah

satu bagian dalam perhitungan varians dari koefisien regresi, yakni unsur

2kikjii untuk i  j. Jika tidak ada korelasi antar unsur gangguan, maka covarians

antar unsur gangguan dimaksud adalah sama dengan nol, yakni E(ij) = 0.

Sebagai akibatnya, nilai dari unsur ini dalam perhitungan varians koefisien

regresi adalah sama dengan nol. Apabila digabungkan dengan asumsi

homoskedastisitas, maka nilai varians dari koefisien regresi OLS memang sangat

efisien (minimum).

Akan tetapi sebagaimana dalam pembahasannya sebelumnya, asumsi ini

perlu diuji lebih jauh. Hal ini mengingat jika korelasi antar unsur gangguan ini

cukup besar maka estimasi varians koefisien regresi dalam OLS tidak bisa

digunakan karena cenderung terlalu rendah (underestimate) dari varians

sesungguhnya. Konsekwensinya, standard error koefisien regresi diestimasi

terlalu rendah pula dan nilai t hitung akan diukur terlalu tinggi (overvalued).

Selanjutnya kesimpulan tentang signifikansi koefisien regresi bisa sangat

menyesatkan karena koefisien yang seharusnya disimpulkan tidak signifikan,

bisa disimpulkan signifikan.

40
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Terdapat beberapa cara untuk mendeteksi keberadaan autokorelasi

dalam model regresi, salah satunya adalah dengan run test. Uji ini dilakukan

dengan cara memperhatikan tanda (sign) positif atau negatif dari error. Sebuah

run didefinisikan sebagai urutan tak terputus dari suatu tanda seperti + (positif)

atau – (negatif). Sebagai misal terdapat data dengan urutan tanda sebagai

berikut :

++----+++-

Sesuai dengan definisi mengenai run, maka data diatas terdiri dari empat run

(dari kiri : satu run dengan dua tanda positif, satu run dengan tanda empat

negatif, satu run dengan tiga tanda positif dan satu run terakhir dengan satu

tanda negatif).

Banyak sedikitnya run dapat menggambarkan kerandoman dari suatu

data. Terlalu banyak run menunjukkan korelasi negatif antar data sedangkan

terlalu sedikit run mengindikasikan adanya korelasi positif. Untuk keperluan ini

diperlukan tabel run guna menentukan signifikansi keacakan dari suatu data.

Sebagai acuan, jika suatu data dengan N observasi, N1 dinyatakan sebagai

banyaknya observasi bertanda positif dan N2 dinyatakan sebagai observasi

bertanda negatif.

41
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Contoh Kasus
Berikut disajikan data analisis :

Observasi Y X
1 281 1
2 288 2
3 290 3
4 307 4
5 316 5
6 322 6
7 338 7
8 353 8
9 373 9
10 397 10
11 418 11
12 430 12
13 452 13
14 469 14
15 476 15

Dengan model regresi Y = b0 + b1X + e, ujilah bahwa model dimaksud telah

memenuhi asumsi autokorelasi.

Penyelesaian Excel
Untuk memenuhi perhitungan run test dengan Excel maka diperlukan

perhitungan error atau residual. Perhitungan error dapat mengikuti prosedur

sebelumnya, dan sebagai hasilnya dapat diperhatikan ilustrasi berikut :

42
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Gambar 7.1 : Uji autokorelasi dengan run-test

Hasil perhitungan menunjukkan bahwa error positif (N1) sebanyak

delapan sedangkan error negatif (N2) adalah sebanyak tujuh. Berdasarkan

pengertian tentang run maka dapat dihitung run sebanyak lima. Jika

dibandingkan dengan tabel maka untuk N1 dan N2 sebesar tersebut, nilai kritis

run adalah sebesar 4 dan 13. Dengan membandingkan nilai kritis run dengan

nilai run aktual, maka dapat disimpulkan bahwa tidak terdapat autokorelasi

yang cukup parah.

43
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Latihan Soal
Salah satu faktor penentu permintaan uang (M1) adalah tingkat

pendapatan (Income). Buatlah model permintaan uang berdasarkan data berikut

Tahun Triwulan Income M1

1998 tw 1 98660.6 283579

tw 2 89345.5 308789

tw 3 90934.2 312968

tw 4 97434.5 301771

1999 tw 1 93972.8 311116

tw 2 93847.5 309973

tw 3 95126.8 333763

tw 4 95104.3 358240

2000 tw 1 97802.1 369240

tw 2 98036.1 391424

tw 3 100898.9 407699

tw 4 101197.0 442276

2001 tw 1 102492.1 443599

tw 2 101751.7 470230

tw 3 104074.3 493242

tw 4 102814.0 505748

1. Ujilah signifikansi koefisien regresi yang diperoleh !

2. Ujilah asumsi normalitas, homoskedastisitas dan autokorelasi.

44
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Sesi 8
Regresi Multipel

Spesifikasi Regresi Multipel


Realita ekonomi dalam kenyataannya sangatlah kompleks sehingga tidak

cukup untuk dinyatakan dalam persamaan dua variabel. Fenomena tertentu

kurang memadahi untuk dijelaskan oleh hanya satu variabel penjelas (variabel

X). Sejalan dengan itu teori juga mengakomodasi bahwa terdapat berbagai faktor

penentu dari suatu variabel.

Sebagai misal, teori produksi menyatakan bahwa besarnya output

ditentukan oleh kombinasi input seperti tenaga kerja, modal, produktivitas,

teknologi dan lain-lain. Dalam notasi matematik dapat dinyatakan, yaitu :

Y = f (X1, X2, X3, ....)

Simplifikasi diatas menyatakan bahwa output yang dinotasikan sebagai Y

merupakan fungsi dari beberapa input X1, X2, X3 dan seterusnya yang

merupakan representasi dari jumlah tenaga kerja, modal, teknologi dan lain-lain.

Dalam model ekonometrika, fenomena sejenis dapat direpresentasikan

misalnya dalam model sebagai berikut :

Y = β0 + β1X1 + β2X2 + β3X3 + …………..+ 

Model yang sedemikian dikenal sebagai model regresi berganda (multiple

regression).

45
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Contoh Kasus
Diketahui bahwa data mengenai variabel tergantung (Y) dengan dua

variabel bebas (X1 dan X2) disajikan sebagai berikut :

No. Y X1 X2
1 70 80 810
2 65 100 1009
3 90 120 1273
4 95 140 1425
5 110 160 1633
6 115 180 1876
7 120 200 2052
8 140 220 2201
9 155 240 2435
10 150 260 2686

Buatlah laporan perhitungan analisis regresi berdasarkan model estimasi Y = b0 +

b1X1 + b2X2 + e

Penyelesaian Excel
Dengan menggunakan fungsi LINEST sebagaimana telah dijelaskan

dalam Bab 3, data diatas dapat langsung di-entry dalam sel Excel untuk

selanjutnya dapat dilakukan perhitungan fungsi LINEST melalui menu Insert.

Hal penting yang perlu diperhatikan dalam output fungsi LINEST adalah bahwa

hasilnya akan berupa array dan bukan dalam sel tunggal.

Perlu diingat bahwa penyusunan array formula untuk fungsi ini

memerlukan lima baris kali kolom sejumlah koefisien yang ingin dihitung.

Mengingat koefisien regresi yang akan dihitung adalah sebesar 3 (termasuk

slope) maka dalam contoh ini diperlukan kolom sebesar 3 buah. Range yang

dibutuhkan nantinya adalah 5 baris x 3 kolom.

46
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Gambar 8.1 : Formula Fungsi LINEST

Gambar 8.2. Output Fungsi LINEST

Supaya lebih informatif, hasil perhitungan dapat disajikan dalam bentuk

berikut :

47
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Gambar 8.3 : Formula pelaporan hasil

Pada dasarnya formula pada gambar diatas hanya berupa pemindahan sebagian

sel dari range A13 : C17

Gambar 8.4 : Hasil akhir perhitungan

Regresi Melalui Menu Tools


Meskipun output dari fungsi LINEST cukup lengkap namun

sebagaimana dapat diperhatikan bahwa penyajian output yang sedemikian

kurang informatif. Pemindahan sel untuk menyajikannya secara lebih informatif

dalam taraf tertentu akan kurang efisien jika model regresi yang dianalisis cukup

kompleks.

48
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Sebenarnya disamping melalui Menu Insert, Microsoft Excel juga

menyediakan alat analisis melalui Menu Tools. Klik Menu Tools maka akan

diperoleh tampilan :

Gambar 8.5 : Menu Tools

Selanjutnya pilih dengan klik Data Analysis, sehingga diperoleh beberapa

pilihan analisis data yang diinginkan, dalam hal ini dipilih Regression melalui

konfirmasi klik OK.

Gambar 8.6 : Analisis regresi melalui Menu Tools

Masukkan range Y dan range X berikut sel judulnya, untuk

memunculkan nama variabel. Jangan lupa klik Label agar nama variabel

ditampilkan dalam output. Pilih lokasi output, bisa dalam sheet yang sama, atau

mungkin dalam sheet lain. Dalam contoh ini output dipilih dari sheet yang sama.

Abaikan yang lain, kemudian klik OK

49
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Gambar 8.7 : Jendela konfirmasi analisis regresi

Perlu diperhatikan disini tanda string untuk setiap pengisian formula.

String akan secara otomatis muncul jika entry data dilakukan melalui drag, tidak

dilakukan secara manual. Berdasarkan entry data dimaksud, hasil perhitungan

(output) akan ditampilkan mulai sel E1.

Gambar 8.8 : Output regresi dari Data Analysis

50
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Output regresi dari Data Analysis lebih lengkap dan informatif jika

dibandingkan dengan output dari Menu Insert – Function. Dalam tampilan

diatas koefisien regresi telah dilengkapi dengan perhitungan t statistik dan

probabilitasnya sehingga dalam uji signifikansi tidak perlu lagi melihat t tabel.

Demikian halnya dengan statistik F telah dilengkapi dengan dengan

probabilitasnya.

Dengan demikian, melalui prosedur ini metodologi analisis regresi

kaitannya dengan masalah estimasi parameter dan verifikasinya (uji

signifikansinya) sudah secara otomatis muncul. Di samping itu, tampilan output

yang dihasilkan lebih menarik sehingga bisa langsung digunakan sebagai

lampiran print-out untuk keperluan karya tulis ilmiah semisal skripsi.

Selanjutnya, untuk kepentingan uji asumsi klasik masih diperlukan

informasi mengenai nilai prediksi Y dan error. Nilai prediksi Y dan error atau

residual sebenarnya bisa diperoleh secara langsung melalui jendela konfirmasi

sebagaimana dapat dilihat pada Gamabar 5.7. Klik pilihan Residual, maka

output yang akan ditampilkan bersama dengan output utama adalah :

51
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Gambar 8.9 : Residual Output

Untuk melakukan uji normalitas, data residual bisa dianalisis melalui Data

Analysis dengan memilih Descriptive Statistic

Gambar 8.10 : Descriptive statistic

52
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Gambar 8.11 : Konfirmasi descriptive statistic

Gambar 8.12 : Deskripsi mengenai residual

Melalui deskripsi tentang residual utamanya mengenai Skewness dan

Kurtosis maka normalitas residual bisa dianalisis. Adapun uji asumsi

53
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

homoskedastisitas dan uji autokorelasi bisa mengikuti prosedur uji sebagaimana

telah diberikan dalam Bab 4 yang membahas mengenai Asumsi Model Regresi.

Latihan Soal
Untuk melakukan analisis tentang faktor-faktor yang mempengaruhi

impor, diajukan data sebagai berikut :

Tahun Impor Kurs PDB IHPB

1984 13882.1 1076 184623 111

1985 10259.1 1125 200635 116

1986 10718.4 1641 223108 116

1987 12370.3 1650 236003 142

1988 13248.5 1729 253603 149

1989 16359.6 1795 271968 162

1990 21837.6 1901 290767 178

1991 25868.8 1992 309660 187

1992 27279.6 2062 329776 197

1993 28327.8 2110 354641 204

1994 31983.5 2200 383792 215

1995 40628.7 2308 413798 240

1996 42928.5 2383 433246 259

1997 41679.8 4650 376052 282

1998 27336.9 8025 376375 568

1999 24003.3 7100 379353 314

2000 33514.8 9595 398017 353

2001 30962.1 10400 411754 403

2002 31288.9 8940 426943 414

2003 32550.7 8465 444454 423

54
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

1. Lakukan analisis model hingga uji asumsi klasik

2. Interpretasikan hasil perhitungan yang telah diperoleh.

55
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Sesi 9
Regresi Non Linear

Linearitas Koefisien dan Variabel


Pengertian tentang linear dalam analisis regresi linear mengacu pada

koefisien regresi dan bukan pada variabel yang akan dianalisis. Untuk

mempermudah pemahaman tentang hal ini, berikut diberikan ilustrasi mengenai

perbedaan konsep yang berkaitan dengan linearitas dalam koefisien serta

linearitas dalam variabel. Sebagai contoh, persamaan :

y   0  1 x 2

Adalah contoh persamaan non linear dalam variabel, karena variabel x

memiliki pangkat tidak sama dengan satu (tepatnya memiliki pangkat dua).

Meskipun demikian, model diatas masih dapat dikategorikan sebagai model

regresi linear. Sebagai alternatif, perhatikan model sebagai berikut :

2
y   0  1 x

Model diatas adalah linear dalam variabel karena variabel x memiliki

pangkat satu, akan tetapi non linear dalam koefisien karena koefisien slope

memiliki pangkat tidak sama dengan satu (pangkat dua). Model diatas dapat

dikategorikan sebagai model regresi non-linear.

Prinsip least square yang biasa tidak dapat diterapkan untuk

mengestimasi koefisien regresi dalam model regresi non-linear. Penggunaan

prinsip ini masih dapat diaplikasikan untuk model yang secara intrinsik bisa

56
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

dilinearkan (intrinsically linear). Langkah pertama untuk melakukan estimasi

terhadap model non linear jenis ini adalah melakukan transformasi sehingga

koefisien regresi yang dimaksud menjadi linear.

Contoh Kasus
Model produksi sektoral secara sederhana dapat dinyatakan dalam

model Cobb-Douglas sebagai berikut :

 22
y   0 x1 1 x 2

dalam hal ini y adalah output, x1 dan x2 masing-masing adalah input

variabel yang terdiri dari jumlah tenaga kerja dan modal. Model tersebut diatas

dapat dilinearkan melalui tranformasi logaritma, yaitu :

log y  log  0   1 log x1   2 log x 2

Berdasarkan hasil transformasi diatas, dapat diperhatikan bahwa

koefisien slope adalah linear sehingga estimasi least square dapat dilakukan.

Misalkan diketahui jumlah output (y), pekerja (x1) dan modal (x2) masing-masing

adalah sebagai berikut :

57
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Kode output pekerja modal

15 26365 161 2439

16 41888 173 286

17 2506 27 116

18 1504 27 33

19 2624 53 22454

20 4059 40 192

21 12738 41 434

22 1403 8 36

23 584 1 16

24 15311 40 282

25 5237 70 183

Jika hubungan antara input dengan output dinyatakan dalam fungsi

produksi Cobb-Douglas, lakukan estimasi terhadap masing-masing parameter

dalam fungsi dimaksud.

Penyelesaian Excel
Langkah pertama dalam menyelesaikan persoalan diatas adalah dengan

cara melakukan transformasi variabel dalam bentuk logaritma. Membentuk

variabel logaritma dalam Excel relatif mudah yaitu dengan memasukkan

formulasi =log(sel data) pada sel yang akan dijadikan tujuan hasil perhitungan.

Sebelumnya data mentah dimasukkan dalam lembar kerja Excel sebagai berikut :

58
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Gambar 9.1 : Entry data Model Cobb-Douglas

Setelah entry data dilakukan, ketiga variabel yang ada pada kolom B, C

dan D ditransformasi dalam bentuk logaritma. Misalkan transformasi ketiga

variabel dimaksud dilakukan mulai sel E2, maka formulasi yang harus diisi

berturut-turut dapat diperhatikan dalam tampilan sebagai berikut ;

Gambar 9.2 : Formula logaritma

59
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Hasil perhitungan nilai logaritma dari variabel output, pekerja dan modal

selengkapnya dapat diperhatikan dalam tamplan berikut :

Gambar 9.3 : Hasil Perhitungan Logaritma

Setelah melakukan transformasi variabel, data dalam range E2 : G12

sudah bisa dilakukan pengolahan lebih lanjut.

Gambar 9.4 : Perhitungan regresi transformasi logaritma

60
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Hasil perhitungan selengkapnya dapat diperhatikan dalam gambar

berikut :

Gambar 9.5 : Hasil perhitungan transformasi logaritma

Interpretasi Model
Model logaritma sebagaimana telah dibahas sebelumnya adalah dikenal

sebagai model double log karena mengambil nilai logaritma untuk kedua ruas

persamaan sehingga baik variabel y maupun variabel x sama-sama dihitung

dalam bentuk logaritma. Interpetasi koefisien regresi terhadap model tersebut

adalah dinyatakan dalam bentuk persentase sehingga koefisien slope yang

diperoleh tidak lain adalah koefisien elastisitas.

Dengan demikian, koefisien yang terkait dengan jumlah pekerja (log

pekerja) dapat diinterpretasikan sebagai berikut ; dengan menganggap bahwa

jumlah modal adalah tetap, maka peningkatan jumlah pekerja sebesar 1% maka

akan mengakibatkan kenaikan output sebesar 0,8% demikian pula sebaliknya.

61
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Dalam sebuah model intrinsically linear, dapat saja hanya salah satu

variabel yang ditransformasi dalam bentuk logaritma. Contoh yang cukup

populer adalah model pertumbuhan yang dapat diformulasikan sebagai berikut :

log y     t

dalam hal ini y adalah variabel yang akan dihitung tingkat

pertumbuhannya, sedangkan t adalah variabel trend (misal 1,2,3.....n). Model

regresi diatas dapat disebut sebagai model semi-log. Interpretasi terhadap

koefisien slope untuk model pertumbuhan ini tidak lain adalah besarnya

pertumbuhan dari variabel y itu sendiri. Katakanlah, koefisien intercept yang

diperoleh adalah sebesar 0,5 maka interpretasi terhadap hasil tersebut adalah

bahwa setiap satuan waktu y meningkat rata-rata sebesar 0,5%.

Model non-linear lainnya yang sering digunakan dalam analisis regresi

adalah model transformasi timbal balik yang dapat dinyatakan dalam formula

berikut :

1
y       
x

Variabel x dengan y diatas berhubungan secara terbaik. Peningakatan x

akan mengakibatkan penurunan pada y, namun peningkatan x yang sedemikian

besar bersifat asimtotis terhadap sumbu y dalam arti bahwa y hanya akan

mendekati nol dan non-negatif.

Dalam hal persamaan yang relatif kompleks, transformasi mungkin

hanya akan bersifat proxy. Sebagai contoh, model fungsi produksi yang

ditemukan Constant Elasticity of Substitution (CES) dapat dinyatakan dalam

persamaan sebagai berikut ;

62
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details


y   K    (1   ) L  
 / 

dalam hal ini y, K dan L adalah variabel output, kapital dan tenaga kerja.

Adapun koefisien γ, δ, ν, dan ρ masing masing adalah parameter efisiensi,

distribusi, return to scale dan substitusi.

Tranformasi linear atas model diatas relatif rumit. Salah satu cara yang

bisa digunakan adalah dengan melakukan proxi melalui deret Taylor sehingga

diperoleh persamaan sebagai berikut :

2
  K 
log y   0   1 log K   2 log L   3 log 
  L 

dengan catatan bahwa :

β0 = log γ

β1 = νδ

β2 = ν(1-δ)

β3 = -1/2ρνδ(1-δ)

Berdasarkan hasil transformasi yang telah dilakukan maka proses

estimasi koefisien regresi selanjutnya dapat dilakukan melalui prinsip least square

sebagaimana telah dijelaskan pada bagian sebelumnya.

Latihan Soal
Berdasarkan data yang digunakan dalam contoh kasus model Cobb-

Douglas, lakukanlah :

1. Estimasi parameter regresi dengan menggunakan pendekatan model fungsi

produksi CES

2. Lakukan interpretasi terhadap hasil perhitungan

63
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

3. Bandingkan performance model Cobb-Douglas dengan model CES

berdasarkan kualifikasi analisis regresi.

64
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

S e s i 10
Regresi Dummy

Variabel Kualitatif
Dalam analisis ekonomi, adakalanya variabel yang akan ditelaah adalah

bersifat kualitatif. Variabel kualitatif sebagai misal adalah jenis kelamin,

kewarganegaraan, agama, warna kulit dan sebagainya. Untuk keperluan

pengolahan analisis regresi, keberadaan variabel ini relatif sulit jika diolah secara

langsung, sehingga harus dikuantifir terlebih dahulu sebelum dilakukan

perhitungan lebih lanjut.

Kuantifikasi dari variabel yang sejatinya adalah berupa variabel kualitatif

ini biasanya dilakukan dengan melakukan kodifikasi, misalkan untuk variabel

jenis kelamin yang terdiri dari dua pilihan yaitu laki-laki dan perempuan.

Biasanya laki-laki diberi kode 1 dan perempuan diberi kode 0. Kodifikasi ini

tidak menunjukkan bahwa laki-laki lebih superior dibandingkan dengan

perempuan. Jika diinginkan, kodifikasi ini bisa diubah sesuai dengan tujuan

analisis.

Sebagai contoh, misalnya ingin dilakukan analisis mengenai pengaruh

perbedaan jenis kelamin terhadap tingkat gaji yang diterima oleh pagawai

golongan tertentu pada suatu perusahaan. Maka model yang bisa diajukan

adalah sebagai berikut :

65
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

y    D  

dalam hal ini y adalah tingkat gaji sedangkan D adalah suatu variabel

yang menunjukkan perbedaan jenis kelamin. Mengingat variabel jenis kelamin

(laki-laki dan perempuan) bersifat kategoris, maka dapat dilakukan kodifikasi

misalnya D akan bernilai 1 untuk laki-laki dan bernilai 0 untuk jenis kelamin

perempuan. Variabel yang sedemikian lebih dikenal sebagai variabel boneka

(dummy). Signifikansi dalam koefisien slope (koefisien β) akan menunjukkan

adanya perbedaan dalam gaji antara jenis kelamin yang berbeda.

Contoh Kasus
Sesuai dengan kasus diatas, misalkan data yang terkumpul adalah

sebagai berikut :

Gambar 10.1 : Data gaji dan jenis kelamin

66
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Berdasarkan data diatas ingin diketahui signifikansi perbedaan antara

gaji laki-laki dan perempuan. Untuk itulah maka variabel y yang dimasukkan

adalah variabel gaji (kolom C) sedangkan untuk independent variable adalah

dummy dari kode jenis kelamin (kolom D).

Gambar 10.2 : Perhitungan regresi dummy

Perlu diperhatikan sekali lagi bahwa variabel jenis kelamin yang dientry

dalam pengolahan adalah variabel dummy (kodenya) bukan kolom jenis kelamin

(kolom B dalam Gambar 10.1). Hasil perhitungan untuk model dimaksud dapat

diperhatikan dalam print-out sebagai berikut :

67
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Gambar 10.3 :Hasil perhitungan regresi dummy

Hasil perhitungan sebagaimana telah ditunjukkan oleh signifikansi t

statistik (p-value) koefisien dummy (kode) sebesar 0,01575 dibawah level

signifikansi konvensional 0,05 yang berarti bahwa koefisien slope adalah

signifikan. Dengan demikian perbedaan gaji antara pegawai laki-laki dan

perempuan adalah bersifat nyata.

Kategori dummy
Banyaknya variabel dummy yang dapat disertakan dalam suatu model

adalah tergantung dari banyaknya kelas atau kategori yang terdapat dalam

variabel dimaksud. Dalam contoh sebelumnya, variabel jenis kelamin terdiri dari

dua kategori yaitu laki-laki dan perempuan dan jumlah variabel dummy yang

digunakan adalah hanya satu.

68
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Apabila kategori yang dimiliki oleh sebuah variabel lebih dari dua, maka

variabel dummy yang harus dibuat juga harus lebih banyak. Sebagai aturan baku,

jika suatu variabel kualitatif memiliki m jumlah kategori maka variabel dummy

yang harus dibuat adalah sebanyak m-1.

Sebagai contoh misalkan contoh kasus diatas, variabel penjelas dari gaji

dipilih tingkat pendidikan yang terdiri dari tiga kelas atau kategori yaitu tamat

SD, tamat SMP dan tamat SMU. Maka variabel dummy yang harus dibentuk

adalah sebanyak 2 buah, dengan ketentuan misalnya ;

D1 = bernilai 1 untuk tamat SMU dan 0 untuk lainnya

D2 = bernilai 1 untuk tamat SMP dan 0 untuk lainnya

Susunan data untuk kasus diatas dapat ditampilkan sebagai berikut ;

Gambar 10.4 : Data dummy tiga kategori

Pengolahan data analisis regresi untuk model diatas tidak jauh berbeda

dengan proses perhitungan model sebelumnya. Secara langsung, tampilan

pengolahan data untuk kasus ini dapat diperhatikan dalam gambar sebagai

berikut ;

69
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Gambar 10.5 : Perhitungan model dummy tiga kategori

Hasil perhitungan menggunakan dummy tingkat pendidikan dengan

kategori tamat SMU, SMP dan SD dapat diperhatikan dalam Gambar 7.6.

Berdasarkan hasil perhitungan dimaksud maka jenis pendidikan tidak memiliki

pengaruh yang signifikan terhadap adanya perbedaan gaji karyawan.

Koefisien slope dummy D1 dan D2 masing-masing memiliki probabilita (p-

value) diatas level 0,05. Tidak seperti variabel jenis kelamin, variabel tingkat

pendidikan ternyata tidak berpengaruh penting terhadap adanya perbedaan gaji.

Hasil selengkapnya dapat diperhatikan sebagai berikut ;

70
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Gambar 10.6 : Hasil perhitungan dummy tiga kategori

71
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

S e s i 11
Model Dummy Dua Variabel

Regresi Dua Variabel Kualitatif


Sejauh ini variabel independent untuk model dummy hanya terdiri dari

satu variabel kualitatif. Misalkan terdapat dua variabel penjelas variabel gaji

yaitu jenis kelamin dan status pegawai yang terdiri dari pegawai lama dan

pegawai baru. Dalam hal ini proses perhitungan masih bisa dilakukan

sebagaimana biasanya. Hanya saja, melalui model semacam ini interpretasi dari

model dapat dilakukan secara parsial sesuai dengan kategori yang terdapat

dalam variabel penjelas.

Untuk memperjelas, misalkan model dimaksud dapat digambarkan

sebagai berikut :

y     1 D1   2 D2

dalam hal ini y adalah gaji dan

D1 = 1 untuk laki-laki

= 0 untuk perempuan

D2 = 1 untuk pegawai lama

= 0 untuk pegawai baru

Maka dari model diatas dapat dipecah menjadi beberapa hasil sebagai

berikut :

72
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

1. Rata-rata gaji pegawai perempuan yang baru adalah

y 

2. Rata-rata gaji pegawai perempuan yang lama adalah

y    2

3. Rata-rata gaji pegawai laki-laki yang baru adalah

y    1

4. Rata-rata gaji pegawai laki-laki yang lama adalah

y    1   2

Untuk memperjelas maka data tentang gaji pegawai disertai dengan jenis

kelamin serta status pegawai berdasarkan lamanya bekerja dapat diperhatikan

dalam Gambar 11.1 Entry data juga telah menjelaskan perbedaan kategori sesuai

dengan maksud variabel sebagaimana dijelaskan diatas.

Gambar 11.1 : Data gaji, jenis kelamin dan status

Berdasarkan model serta data sebelumnya dapat dilakukan proses

perhitungan dengan hasil akhir yang dapat ditampilkan sebagai berikut :

73
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Gambar 11.2 : Print-out model dua variabel kualitatif

Latihan Soal
Dengan menggunakan dasar level signifikansi 10%, interpretasikan hasil

perhitungan model regresi pada Gambar 7.8 dan tentukan :

1. Rata-rata gaji pegawai perempuan yang baru adalah

2. Rata-rata gaji pegawai perempuan yang lama adalah

3. Rata-rata gaji pegawai laki-laki yang baru adalah

4. Rata-rata gaji pegawai laki-laki yang lama adalah

74
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

S e s i 12
Model Probabilitas Linear

Variabel Tergantung Kualitatif


Pada bagian sebelumnya telah dijelaskan bahwa variabel kualitatif secara

prinsip tetap bisa diolah dengan pendekatan analisis regresi. Keberadaan

variabel ini bisa diwakili oleh variabel boneka atau variabel dummy. Sejauh ini

dummy variables dijelaskan kedudukannya sebagai variabel penjelas (variabel

bebas, x).

Pada dasarnya, variabel kualitatif bisa saja terletak pada sisi dependent

variable (variabel tergantung, y). Dengan demikian variabel tergantung bersifat

kategoris, misalkan ya atau tidak, memiliki atau tidak memiliki, ada atau tidak

ada dan lain-lain. Bahkan bisa saja kategori variabel tergantung terdiri dari lebih

dari dua misalkan kurang, cukup dan baik.

Model Probabilitas Linear


Salah satu pendekatan yang dapat digunakan untuk menyusun model

regresi dengan variabel dependen yang bersifat kualitatif misalnya melalui

contoh sebagai berikut :

Y    X  

dalam hal ini :

X adalah tingkat pendapatan dan

Y adalah 1 jika memiliki rumah dan

75
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

0 jika tidak memiliki rumah

Model diatas sering disebut sebagai model probabilitas linear karena

menggambarkan harapan matematis dari Y yaitu E(Y/X) untuk setiap X tertentu.

Dalam contoh diatas dapat dikatakan bahwa E(Y/X) adalah probabilitas

seseorang memiliki rumah dikaitkan dengan tingkat pendapatan, X, tertentu.

Berdasarkan definisi tersebut diatas, distribusi dari Y terletak antara 0

hingga 1, dengan memisalkan P = probabilitas bahwa Y = 1 (memiliki) dan 1 – P

= probabilitas bahwa Y = 0 (tidak memiliki) , maka dapat dinyatakan :

E(Y) = 0(1 – P) + 1(P)

=P

Secara umum model ini dapat dirangkum dalam persamaan ;

E (Y / X )     X  P dengan batasan

0  E (Y / X )  1

Jika ditelaah lebih jauh, sifat dari error term dari model ini secara teoritis

mengalami masalah heteroskedastisitas. Dapat dijelaskan bahwa ;

E ( 2 )  (   X )(1     X )

 E (Y )(1  E (Y ) 

 P (1  P )

Untuk mengatasi masalah ini, perlu dilakukan transformasi variabel

dengan menambahkan bobot P (1  P ) atau w sehingga model dasar

probabilitas linear dapat disusun sebagai berikut :

76
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Y  X 
  
w w w w

Penerapan OLS dalam kasus ini secara teoritis telah dibenarkan.

Meskipun demikian dalam praktik, permasalahan serius yang kerap dijumpai

dalam model ini adalah probabilitas bersyarat yang diestimasi (predicted) tidak

terletak antara 0 dan 1. Secara praktis, jika nilai predicted adalah negatif dapat

dianggap sama dengan nol dan jika nilai predicted diatas 1 maka dianggap sama

dengan satu.

Contoh Kasus
Berikut diberikan data tentang kepemilikan rumah dari 10 kepala

keluarga serta tingkat pendapatan rata-rata dalam satu hari (ribuan rupiah).

No Pendapatan Kepemilikan Rumah

1 60 tidak

2 80 tidak

3 100 tidak

4 130 tidak

5 150 tidak

6 200 ya

7 250 ya

8 300 ya

9 350 ya

10 400 ya

77
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Berdasarkan data diatas, buatlah model probabilitas linear dengan

memberikan kode 0 bagi keluarga yang tidak memiliki rumah dan 1 bagi yang

memiliki rumah.

Penyelesaian Excel
Data pada contoh kasus dapat disusun dalam lembar Excel sebagai

berikut :

Gambar 12.1 : Data model kepemilikan rumah

Melalui menu Tools dan memilih opsi Data Analysis, perhitungan model

dapat dilakukan dengan pendekatan regresi biasa. Prosesnya dapat diperhatikan

dalam tampilan sebagai berikut :

78
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Gambar 12.2 : Perhitungan model probabilitas linear

Gambar 12.3 : Hasil perhitungan model probabilitas linear

Nilai prediksi Y atau probabilitas kepemilikan dari rumah adalah sebagai

berikut :

79
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Gambar 12.4 : Predicted probabilitas linear

Sebagaimana dapat diperhatikan dalam gambar diatas, nilai prediksi atau

probabilitas ada yang memiliki nilai diluar range 0 hingga 1. Hal ini

mengakibatkan kesulitan dalam membuat interpretasi terhadap model.

80
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

S e s i 13
Model Logit

Konsep Dasar Model Logit


Kelemahan mendasar dari model probabilitas linear adalah inkonsistensi

hasil prediksi dengan nilai probabilitas yang ditunjukkan dari nilai prediksi yang

berada diluar range 0 hingga 1. Untuk mengatasi hal ini, maka perlu disusun

alternatif model yang menjamin nilai probabilitas Y berada pada range 0 hingga

1, salah satunya adalah model logit.

Secara konsep, model logit dapat diformulasikan sebagai berikut :

 P 
L  ln      X  
1  P 

Model diatas menyatakan bahwa logaritma probabilitas dari suatu atribut

tergantung atas variabel bebas tertentu (X). Kaitannya dengan contoh kasus yang

telah diberikan sebelumnya, diperlukan data yang lebih luas mengenai jumlah

keluarga yang seluruhnya (N)serta jumlah keluarga yang tidak memiliki rumah

(n) dalam tiap tingkat pendapatan. Probabilitas (P) disusun berdasarkan rasio

antara jumlah keluarga yang tidak memiliki rumah dengan jumlah keluarga

seluruhnya, yaitu : P = n/N

Selengkapnya perhatikan data berikut :

81
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Gambar 13.1 : Data model logit

Untuk menghindari masalah heteroskedastisitas, variabel dalam model

logit sebelumnya dapat diberikan bobot g yang diperoleh dari formula =

NP (1  P ) sehingga nantinya variabel L dan X nantinya masing-masing

dikalikan dengan bobot dimaksud sebelum diolah dengan pendekatan least

square biasa. Dengan demikian terlebih dahulu dibentuk variabel L* = L g dan

X* = X g.

Pengolahan data awal untuk persiapan model logit dapat diperhatikan

dalam ilustrasi sebagai berikut :

Gambar 13.2 : Formula perhitungan awal model logit

82
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Gambar 13.3 : Hasil perhitungan awal model logit

Berdasarkan hasil perhitungan awal, variabel L* dan X* masing-masing

bisa langsung dianalisis dengan menggunakan pendekatan OLS, prosesnya

dapat diperhatikan sebagai berikut :

Gambar 13.4 : Proses OLS model logit

83
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Gambar 13.5 : Hasil perhitungan model logit

Latihan Soal
Berdasarkan hasil perhitungan yang diperoleh dalam model logit,

jelaskan :

1. Interpretasi hasil perhitungan model logit

2. Perbandingan antara performa model probabilitas linear dengan model logit.

84
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

S e s i 14
Model Autoregresi

Konsep Dasar
Model autoregresi didefinisikan sebagai model yang mengandung lagged

dependent variable sebagai variabel penjelas. Model semacam ini sering

berhubungan dengan aspek dinamis dari suatu model. Secara formulatif, bentuk

sederhana dari model autoregresif adalah sebagai berikut :

Yt   0   1 X t   2Yt 1  

Distributed lag
Dalam realitas ekonomi, efek dari perubahan suatu variabel terhadap

variabel lainnya terjadi tidak secara seketika akan tetapi memerlukan beberapa

waktu. Dengan demikian pengaruh dari variabel X terhadap Y jika ditinjau dari

dimensi waktu bisa saja dirumuskan sebagai berikut :

Yt     0 X t   1 X t 1   2 X t 2  .......  

Model dinamis seperti diatas lebih dikenal sebagai distributed lags model.

Problem serius dalam model semacam ini adalah tidak tentunya panjang time lag

yang harus diperhitungkan agar koefisien dalam model bisa diestimasi. Salah

satu pendekatan yang cukup populer adalah yang diusulkan oleh LM Koyck

dengan mengasumsikan bahwa koefisien  memiliki tanda yang sama dan

menurun secara geometris seiring panjangnya lag sehingga bisa digambarkan

dalam formula berikut :

85
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

 k   0  k dengan k = 0,1,2......

Koefisien  dikenal sebagai tingkat penurunan dari lag yang nilainya 0    1

Dengan memperhatikan konsep peluruhan  , maka persamaan

distributed lag dapat disusun kembali sebagai berikut :

Yt     0 X t   0 X t 1   0  2 X t 2  .....   t

Bentuk lag satu periode untuk model diatas adalah :

Yt 1     0 X t 1   0 X t 2   0  2 X t 3  ....   t 1

Apabila persamaan diatas dikalikan dengan dengan  maka :

 Yt 1     0 X t 1   0  2 X t 2   0 3 X t 3  ...   t 1

Kurangi persamaan distributed lag dengan persamaan diatas maka akan

diperoleh :

Yt  Yt 1   (1   )   0 X t  (  t   t 1 )

Jika disusun kembali akan diperoleh :

Yt   (1   )   0 X t   Yt 1   t

Model terakhir yang dibentuk dari distributed lag model pada akhirnya berubah

menjadi model autoregresif.

Model Ekspektasi
Peran ekspektasi dalam khasanah ekonomi menjadi hal yang sangat

penting. Oleh karena itu model ekonometrika sering memasukkan variabel

ekspektasi secara eksplisit dalam model. Perhatikan bentuk berikut :

Yt     X * t  

86
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Dalam model diatas, variabel penjelas X bukanlah variabel aktual akan tetapi

variabel ekspektasi, X*. Hipotesis ekspektasi adaptif dapat diformulasikan

sebagai berikut :

*
X t  X * t 1   ( X t  X * t 1 ), dengan 0    1

 adalah koefisien ekspektasi

Persamaan diatas dapat disusun sebagai berikut ;

X * t  X t  (1   ) X *t 1

Jika nilai   1 maka nilai ekspektasi akan akan sama dengan nilai aktual,

dalam arti terjadi penyesuaian penuh. Sebaliknya jika   0 maka tidal terdapat

penyesuaian sehingga ekspektasi bersifat statik. Secara normal, nilai

 diharapkan berada diantara 0 dan 1.

Substitusi variabel ekspektasi terhadap model utama akan diperoleh :

 
Yt     X t  (1   ) X * t 1   t

Jika model Yt     X * t   disusun dalam lag satu periode, kemudian

mengalikannya dengan 1 -  dan menguranginya dengan

 
Yt     X t  (1   ) X * t 1   t , maka akan diperoleh :

Yt    X t  (1   )Yt 1  v t

Model ekspektasi diatas secara fungsional adalah berupa model autoregresif

karena memiliki variabel penjelas berupa variabel dependend dengan lag periode

sebelumnya.

87
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Berdasarkan pembahasan sebelumnya dapat dikatakan bahwa

keberadaan model autoregresif timbul karena tuntutan teoritis. Setidaknya ada

dua contoh yang melatari penggunaan model ini yaitu keperluan untuk

membentuk model dinamis serta penggunaan unobserve variables berupa variabel

ekspektasi yang muncul sebagai konsekwensi dari teori ekonomi.

Estimasi Parameter
Meskipun penggunaan model autoregresif cukup menarik, akan tetapi

estimasi terhadap koefisien regresi untuk model ini tidak bisa langsung

menggunakan pendekatan OLS biasa. Hal ini mengingat karena unsur gangguan

dalam model ini tidak lagi independent terhadap variabel dependent, sehingga

koefisien regresi OLS akan mengalami bias dan inkonsisten. Selain daripada itu,

Thomas (1997) mengingatkan bahwa untuk kasus model semacam ini bisa terjadi

contemporaneosly uncorrelated yang mengakibatkan estimasi tetap bias meskipun

konsisten.

Terdapat beberapa cara untuk mengatasi masalah penaksiran untuk

model ini, salah satunya adalah dengan menggunakan metode variabel

instrumental. Menurut pendekatan ini estimasi OLS bisa dilakukan dengan dua

tahap. Untuk mengetahui secara detail, berikut ilustrasi contoh penggunaan

model autoregresif dalam kasus permintaan akan uang.

Contoh Kasus
Secara teoritis, permintaan akan uang salah satunya ditentukan oleh

pendapatan. Dalam hal ini tingkat pendapatan yang dimaksud adalah tingkat

88
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

pendapatan dalam jangka panjang atau tingkat pendapatan yang diharapkan.

Apabila disusun kembali, maka model dimaksud bisa dituliskan sebagai berikut

Yt     X * t  

dalam hal ini Yt adalah jumlah uang beredar sedangkan X* adalah

pendapatan yang diharapkan. Dengan mengikuti proses manipulasi matematis

untuk model ini maka model estimasi bisa disajikan dalam bentuk :

Yt   0   1 X t   2Yt 1  t

Mengingat permasalahan yang sebelumnya telah dibahas, maka

penggunaan OLS secara langsung tidak dibenarkan. Sebagai jalan keluarnya,

variabel Yt-1 dapat diganti dengan variabel instrumental sehingga nantinya akan

diperoleh model :

Yt   0   1 X t   2Yˆt 1  t

Dalam praktek, variabel instrumental ini dapat dihasilkan dari predicted

Yt-1 melalui regresi Yt-1 dengan variabel penjelas yang representatif. Jika jumlah

uang beredar sangat erat kaitannya dengan pendapatan, maka usulan model

untuk mencari variabel instrumen adalah dengan melakukan regresi :

Yt 1    X t 1

Selanjunya prediksi dari model diatas bisa dijadikan variabel bebas untuk

selanjutnya dapat dilakukan pengolahan data melalui OLS tahap ke dua.

Penyelesaian Excel
Untuk memperjelas, misalkan tersedia data jumlah uang beredar (JUB),

tingkat pendapatan dan jumlah uang beredar tahun sebelumnya dalam gambar

berikut :

89
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Gambar 14.1 : Data model autoregresif

Langkah pertama untuk menyelesaikan permaslahan ini adalah mencari

nilai predicted untuk variabel jumlah beredar untuk tahun sebelumnya melalui

regresi variabel dimaksud dengan variabel income lag 1.

Gambar 14.2 : Proses OLS tahap pertama

90
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Sambil lalu diperhatikan bahwa pilihan residual harus dipilih agar nilai

prediksi dari variabel Y t-1 bisa diperoleh. Nilai prediksi dari JUB lag satu periode

(Predicted JUB-1) dari model diatas adalah sebagai berikut :

Gambar 14.3 : Predicted JUB-1

Langkah selanjutnya adalah memindahkan data predicted JUB-1 pada data

utama sehingga dapat disusun data sebagai berikut :

Gambar 14.4 : Data untuk OLS tahap II

91
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Langkah selanjutnya adalah mengolah kembali data tersebut dengan

menggunakan pendekatan OLS biasa.

Gambar 14.5 : Perhitungan OLS tahap kedua

Gambar 14.6 : Hasil perhitungan model autoregresif

Latihan Soal
Berdasarkan data yang telah tersedia sebelumnya, lakukan :

1. Pembuatan model autoregresif dengan mengambil nilai logaritma pada

setiap variabel yang diteliti.

92
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

2. Ulangi langkah diatas dengan menambah variabel penjelas pasa saat

membuat prediksi JUB, misalkan dengan menambahkan tingkat suku bunga.

3. Interpretasi hasil perhitungan berdasarkan konsep ekonomi yang relevan.

93
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Daftar Isi

Sesi 1 .............................................................................................................................1
Regresi Sederhana.......................................................................................................1
Definisi ......................................................................................................................1
Model Regresi Sederhana ........................................................................................1
Estimasi Parameter...................................................................................................3
Sesi 2 ...........................................................................................................................11
Korelasi dan Determinasi ........................................................................................11
Variasi .....................................................................................................................11
Koefisien Korelasi...................................................................................................11
Koefisien Determinasi............................................................................................14
Standard Error Prediksi .........................................................................................19
Sesi 3 ...........................................................................................................................21
Pengujian Secara Statistik........................................................................................21
Inferensial Statistik.................................................................................................21
Standar Error Koefisien Regresi ............................................................................22
Sesi 4 ...........................................................................................................................25
Uji Koefisien Individual dan Simultan..................................................................25
Uji Signifikansi t .....................................................................................................25
Uji Signifikansi F ....................................................................................................25
Sesi 5 ...........................................................................................................................32
Asumsi Normalitas ...................................................................................................32
Perilaku Unsur Gangguan.....................................................................................32
Asumsi Normalitas ................................................................................................33
Sesi 6 ...........................................................................................................................36
Asumsi Homoskedastisitas......................................................................................36
Asumsi Homoskedastisitas ...................................................................................36
Sesi 7 ...........................................................................................................................40
Asumsi Autokorelasi ................................................................................................40
Asumsi Autokorelasi..............................................................................................40
Sesi 8 ...........................................................................................................................45
Regresi Multipel........................................................................................................45
Spesifikasi Regresi Multipel ..................................................................................45
Regresi Melalui Menu Tools..................................................................................48
Sesi 9 ...........................................................................................................................56
Regresi Non Linear ...................................................................................................56
Linearitas Koefisien dan Variabel .........................................................................56
Interpretasi Model..................................................................................................61
Sesi 10 .........................................................................................................................65
Regresi Dummy.........................................................................................................65
Variabel Kualitatif ..................................................................................................65
Kategori dummy ......................................................................................................68
Sesi 11 .........................................................................................................................72
Model Dummy Dua Variabel ..................................................................................72
Regresi Dua Variabel Kualitatif.............................................................................72
This document was created with free TRIAL version of eXPert PDF.This watermark will be removed
after purchasing the licensed full version of eXPert PDF. Please visit www.visagesoft.com for more details

Sesi 12 .........................................................................................................................75
Model Probabilitas Linear .......................................................................................75
Variabel Tergantung Kualitatif .............................................................................75
Model Probabilitas Linear .....................................................................................75
Sesi 13 .........................................................................................................................81
Model Logit................................................................................................................81
Konsep Dasar Model Logit....................................................................................81
Sesi 14 .........................................................................................................................85
Model Autoregresi ....................................................................................................85
Konsep Dasar..........................................................................................................85
Distributed lag..........................................................................................................85
Model Ekspektasi ...................................................................................................86
Estimasi Parameter.................................................................................................88