Bahan Ajar Ekonometrika
Bahan Ajar Ekonometrika
EKONOMETRIKA
TOPIK 1
TUJUAN
KOMPETENSI
URAIAN MATERI
Pengertian
Pembagian Ekonometrika
Metodologi ekonometrika
Terima teori jika data cocok Tolak teori jika data tidak
dengan teori (6) cocok dengan teori (6)
TUJUAN
KOMPETENSI
URAIAN MATERI
Yi = ß0 + ß1Xi + ei
Asumsi dalam analisis regresi dapat kita lihat pada tabel berikut :
Dengan asumsi di atas, model kuadrat terkecil (OLS) akan memiliki sifat
ideal yang sesuai dengan teori dari Gauss-Markov. Menurutnya, estimator yang
linear yang baik memiliki sifat BLUE (best linear unbiased estimatimator).
Sifat BLUE ini memerlukan kriteria:
Estimator βI bersifat linear terhadap variabel dependen.
Estimator β1 bersifat tidak bias, berarti nilai rata-rata atau nilai β1 yang
diharapkan atau E(β1) sama dengan nilai β1 yang sesungguhnya.
Estimator β1 memiliki varian yang minimum, sehinga disebut efisien.
Berikut ini rumus untuk memperoleh nilai koefisien regresi untuk regrersi linear
sederhana.
a=Y−b X
n X i Yi - X i Yi
b
n X - X i
2 atau,
2
i
∑ xi yi
b=
∑ x 2i
Dimana :
xi = Xi - X̄
yi = Yi - Ȳ
EVALUASI
Dimana :
Y = Pertumbuhan ekonomi Indonesia (persen)
X = Keterbukaan ekonomi (di-proxy dengan rasio ekspor dan impor terhadap
PDB, dalam satuan persen)
Tahun X Y
1996 7.82 4628.2
1997 4.7 3473.4
1998 -13.13 4865.7
1999 1.76 8229.9
2000 3.92 9877.4
2001 3.83 3509.4
2002 4.38 3082.6
2003 4.72 5445.3
2004 5.03 4572.7
2005 5.69 8911
2006 5.50 5991.7
2007 6.28 10341.4
2008 6.06 14871.4
Sumber : BPS, diolah
Dimana :
Y = Realisasi investasi asing langsung, FDI (dalam juta US $)
X = Pertumbuhan ekonomi Indonesia (persen)
TUJUAN
KOMPETENSI
URAIAN MATERI
Y = β 0 + β1 X 1 + β 2 X 2 i +u
i
Selain sama asumsi pada regresi sederhana, kita perlu menambah asumsi
lagi didalamnya. Adapun asumsinya adalah sebagai berikut :
1. Hubungan antara Y (Varibel dependen) dan X (variabel independen) adalah
linear dalam parameter.
2. Nilai X nilainya tetap untuk observasi yang berulang-ulang (non-stocastic).
Karena variabel independennya lebih dari satu maka ditambah asumsi tidak
ada hubungan linear antara variabel independen atau tidak ada
multikolinearitas antara X1 dan X2 dalam persamaan (3.1).
3. Nilai harapan (expected value) atau rata-rata dari variabel gangguan ei adalah
nol.
E(e|Xi) = 0
4. Varian dari variabel gangguan atau residual ei adalah sama
(homoskedastisitas).
Var(ei|Xi) = E[ei – E(ei|Xi)]2
= E(ei2|Xi) karena asumsi 3
= σ2
5. Tidak ada serial korelasi gangguan atau residual ei atau residual ei tidak saling
berhubungan dengan residual ei lain.
2
b1.23 X3i+b12.3 X 3i X2i+b13.2 X3i= X3iY i
∑ ∑ ∑∑
(3.8)
(3.9)
(3.10)
Dimana :
Y = Produktivitas kerja (dalam satu satuan produktivitas)
X1 = Sistem insentif /gaji (dalam satu satuan insentif)
X2 = Motivasi kerja (dalam satu satuan motivasi kerja)
Tentukan:
a) Carilah persamaan regresinya X1, X2 terhadap Y :
Y = b0 + b1X1 + b2X2 + e
Dengan menggunakan cara manual:
Lengkapi tabel kosong di atas jika diketahui:
xi = Xi - X̄
yi = Yi - Ȳ
diperoleh persamaan normalnya sbb:
∑x1y = b1∑x12 + b2∑x1.x2
2. Data time series selama 15 tahun meliputi tiga variabel, yaitu X 2 = tenaga
kerja (ribuan orang), X3 = modal (dalam satuan mata uang), dan Y = output
nasional (dalam satuan mata uang).
X2 X3 Y
281,5 120.753 8.911,4
284,4 122.242 10.873,2
289 125.263 11.132,5
375,8 128.539 12.086,5
375,2 131.427 12.767,5
402,5 134.267 16.347,1
478 139.038 19.542,7
553,4 146.450 21.075,9
616,7 153.714 23.052
695,7 164.783 26.128,2
790,3 176.864 29.563,7
816 188.146 33.376,6
848,4 205.841 38.354,3
873,1 221.748 46.868,3
999,2 239.715 54.308
TUJUAN
KOMPETENSI
URAIAN MATERI
Yi = β0 + β1 D1i + β2 D2i + β3 Xi + ei
EVALUASI
Dimana :
Y = sewa kamar kosan (satuan mata uang)
D1 = letak rumah kosan
= 1, dekat kampus
= 0, jauh dari kampus
D2 = tempat mandi di dalam kamar
= 1, jika ada tempat mandi di dalam kamar
= 0, tidak ada tempat mandi di dalam kamar
X1 = biaya renovasi (satuan mata uang)
X2 = pajak bumi bangunan (PBB) (satuan mata uang)
a) Coba Anda jelaskan maksud arti dari setiap koefisien dari regresi di atas!
b) Masuk akalkah menurut Anda jika variabel X2 dimasukkan dalam model
tersebut?
4. Diketahui data pendapatan triwulanan selama 5 tahun (dalam ribu rupiah) dari
pemasukan tiket masuk Kebun Binatang di Kota Bandung, diketahui juga data
belum bebas dari pengaruh musiman, adalah sebagai berikut:
TRIWULANAN
Tahun
I II III IV
1 22123 19445 28456 24278
2 20467 19759 28679 23668
3 24666 17388 29043 23677
4 23821 17123 30274 24116
5 24111 16899 32723 23994
Yt = a0 + a1 D1 + a2 D2 + a3 D3 + et
Dimana :
Y = pendapatan
D1 = 1, untuk triwulan II
= 0, lainnya
D2 = 1, untuk triwulan III
= 0, lainnya
D3 = 1, untuk triwulan IV
= 0, lainnya
MULTIKOLINEARITAS
TUJUAN
KOMPETENSI
URAIAN MATERI
Sifat Multikolinearitas
Istilah kolinearitas ganda (multicollinearity) diciptakan oleh Ragner Frish
di dalam bukunya: Statistical confluence analysis by means of Complete
Regression System. Aslinya, istilah multikolinearitas itu berarti adanya hubungan
linear yang sempurna atau eksak (perfect or exact) di antara variabel-variabel
bebas dalam model regresi. Istilah kolinearitas ganda (multicollinearity)
menunjukkan adanya lebih dari satu hubungan linear yang sempurna.
EVALUASI
Dimana :
HETEROSKEDASTISITAS
TUJUAN
KOMPETENSI
URAIAN MATERI
Satu asumsi yang penting dalam model regresi linear klasik ialah bahwa
kesalahan pengganggu
ε i mempunyai varian yang sama, artinya Var ( ε i ) =
2
Ε( ε i ) =σ 2
untuk semua i, i = 1, 2, ..... n. Asumsi ini disebut
HOMOSKEDASTIK (homoscedastic).
2) Metode Park
3) Metode Glejser,
4) Metode korelasi Spearman,
5) Metode Goldfeld-Quandt, metode Breusch-Pagan-Godfrey, dan
6) Metode White
EVALUASI
1. Menurut Anda apa yang dimaksud dengan model dalam kondisi kena
heteroskedastisitas ?
2. Jika model kita terkena heteroskedastisitas, apa memang pengaruhnya ?
3. Apakah masih dalam kondisi BLUE jika model kita terkena
heteroskedastisitas ?
4. Jika model kita terkena heteroskedastisitas, boleh tidak model tersebut kita
lanjutkan saja tanpa perbaikan? Mengapa? Jelaskan!
5. Bagaimana kita dapat mengetahui suatu model terkena heteroskedastisitas?
6. Jika model kita kena heteroskedastisitas dan ingin menyembuhkannya,
bagaimana cara penyembuhannya?
7. Diketahui data-data ekonomi Indonesia periode 1980-2008 sbb:
Dimana :
a) Uji deteksi heteroskedastisitas dari hasil regresi FDI terhadap GDP, OPEN,
dan INF dari data tabel tersebut melalui :
o Metode Informal (Grafik),
o Metode Park,
o Metode Glejser,
o Metode Korelasi Spearman,
o Metode Goldfeld-Quandt,
o Metode Breusch-Pagan-Godfrey, dan
o Metode White.
AUTOKORELASI
TUJUAN
KOMPETENSI
URAIAN MATERI
Pengaruh autokorelasi
Apabila data yang kita analisis mengandung autokorelasi, maka estimator
yang kita dapatkan memiliki karakteristik berikut ini :
a. Estimator metode kuadrat terkecil masih linear
b. Estimator metode kuadrat terkecil masih tidak bias
c. Estimator metode kuadrat terkecil tidak mempunyai varian yang minimum (no
longer best)
Dengan demikian, seperti halnya pengaruh heteroskedastisitas,
autokerelasi juga akan menyebabkan estimator hanya bersifat LUE, tidak lagi
BLUE.
g= 2
∑ vt 2
2
∑ e tt n
1
∑ e tt
t
EVALUASI
Dimana :
a) Uji deteksi autokorelasi dari hasil regresi FDI terhadap GDP, OPEN, dan
INF dari data tabel tersebut melalui :
o Metode Durbin-Watson
o Metode Breusch-Godfrey
TUJUAN
KOMPETENSI
URAIAN MATERI
Data panel (panel/pooled data) adalah gabungan antara data silang (cross
section) dengan data runtut waktu (time series). Data panel diperkenalkan oleh
Howles pada tahun 1950.
Data time series biasanya meliputi satu objek (misalnya tingkat inflasi, laba,
investasi, pertumbuhan ekonomi, dll), tetapi meliputi beberapa periode (bisa
harian, bulanan, kuartalan, tahunan dan sebagainya).
Data cross section terdiri atas beberapa atau banyak objek, sering disebut
responden, (misalnya perusahaan, propinsi, kabupaten, negara, dll) dengan
beberapa jenis data (misalnya laba, biaya iklan, laba ditahan, tingkat investasi,
pertumbuhan ekonomi, dll).
Panel data (pooled data), dimana apabila kita ingin menganalisis semua data
di atas, maka kita dapat menggabungkannya menjadi satu kelompok
observasi, itulah yang kemudian kita sebut data panel.
Regresi data Panel
Regresi dengan menggunakan data panel disebut model regresi data panel.
Ada beberapa keuntungan yang diperoleh dengan menggunakan data panel.
Data panel yang merupakan gabungan data time series dan cross section
mampu menyediakan data yang lebih banyak sehingga akan menghasilkan
degree of freedom yang lebih besar.
Menggabungkan informasi dari data time series dan cross section dapat
mengatasi masalah yang timbul ketika ada masalah penghilangan variabel atau
(omitted – variable).
EVALUASI
Dari data tersebut diketahui data GDP dari 7 negara yang meliputi periode
1950 sampai 1992.
Dengan menggunakan GDP salah satu negara sebagai variabel dependen dan
data negara lain sebagai variabel independen. Misalnya yang dianalisis :
GDP jpn = a0 + a1 GDP us + a2 GDP can
GDP uk = a0 + a1 GDP fra + a2 GDP ger + a3 GDP ita
Berdasarkan data dan model tersebut, coba Anda jalankan analisis regresi
dengan menggunakan metode Fixed Effect.
4. Berdasarkan data dan model tersebut juga, kembali Anda coba jalankan
analisis regresi sekarang dengan menggunakan metode Random Effect.
TOPIK 9
TUJUAN
KOMPETENSI
URAIAN MATERI
Masalah Identifikasi
Identifikasi masalah berarti menentukan apakah nilai estimasi parameter
persamaan struktural dapat diperoleh dari estimasi persamaan reduksi. Masalah
identifikasi muncul karena kumpulan koefisien struktural yang berbeda mungkin
cocok dengan sekumpulan data yang sama.
Ketentuannya adalah :
a. Jika K - k = m - 1 maka persamaan tersebut dikatakan exactly (just) identified
(teridenfikasi tepat)
b. Jika K - k > m - 1 maka persaman tersebut over identified (terlalu
teridentifikasi)
c. Jika K - k < m - 1 maka persamaan tersebut under identified (tidak
teridentifikasi)
Dimana:
M = jumlah variabel endogen di dalam model simultan
m = jumlah variabel endogen di dalam persamaan tertentu
K = jumlah variabel predetermine (eksogen) di dalam model simultan
k = jumlah variabel predetermine (eksogen) di dalam persamaan tertentu.
Sebagai kesimpulan terakhir bahwa yang hanya bisa diolah adalah apabila model
tersebut berupa over identified dan atau exactly (just) identified. Dimana ketika
over identified kita bisa menggunakan metode Two Stage Least Squares (TSLS)
dan ketika exactly identified kita bisa menggunakan metode Indirect Least
Squares (ILS).
Dimana :
Q = Kuantitas
P = harga
Y = pendapatan