Pujiyono
Program
Studi
Ekonomi
Islam
Fakultas
Ekonomika
dan
Bisnis
OUTLINE
Analisis Korelasi
n ( ∑ XY ) − ( ∑ X )( ∑ Y )
r=
2 2
⎡n
⎣ ( 2
)
∑ X − ( ∑ X ) ⎤⎦ ⎡⎣n ( ∑ Y ) − ( ∑ Y ) ⎤⎦
2
5
HUBUNGAN
KUAT
DAN
LEMAHNYA
SUATU
KORELASI
Korelasi negatif Korelasi negatif Tidak ada Korelasi positif Korelasi positif
sempurna sedang Korelasi sedang sempurna
6
CONTOH
REGRESI
LINIER
Hubungan
jumlah
produksi
dan
harga
minyak
Tahun Produksi
(juta
ton) Harga
(US
$
per
ton)
1997 4,54 271
1998 4,53 319
1999 5,03 411
2000 6,05 348
2001 6,09 287
2002 6,14 330
2003 6,37 383
2004 7,40 384
2005 7,22 472
2006 7,81 610
2007 8,49 640
7
CONTOH
REGRESI
LINIER
Hubungan
jumlah
produksi
dan
harga
minyak
n ( ∑ XY ) − ( ∑ X )( ∑ Y )
r=
2 2
⎡n
⎣ ( ∑ X ) − ( ∑ X) ⎤⎦ ⎡⎣n ( ∑ Y ) − ( ∑ Y ) ⎤⎦
2 2
n Y X Y2 XY X2
1 4,54 271 20,61 1230,34 73441
2 4,53 319 20,52 1445,07 101761
3 5,03 411 25,30 2067,33 168921
4 6,05 348 36,60 2105,40 121104
5 6,09 287 37,09 1747,83 82369
6 6,14 330 37,70 2026,20 108900
7 6,37 383 40,58 2439,71 146689
8 7,40 384 54,76 2841,60 147456
9 7,22 472 52,13 3407,84 222784
10 7,81 610 61,00 4764,10 372100
11 8,49 640 72,08 5433,60 409600
12 8
PENGERTIAN
KOEFISIEN
DETERMINASI
Koefisien determinasi
Bagian dari keragaman total
variabel tak bebas Y
(variabel yang
dipengaruhi atau dependent)
yang
dapat diterangkan atau diperhitungkan
oleh keragaman variabel bebas X
(variabel yang
mempengaruhi atau
independent).
2
n ( ∑ XY ) − ( ∑ X )( ∑ Y )
r2 =
2 2
⎡n
⎣ ( ∑ X 2
)
− ( ∑ ) ⎤⎦ ⎡⎣n
X ( ∑ Y 2
)− ( ∑ ) ⎤⎦
Y
9
RUMUS
UJI
t
UNTUK
UJI
KORELASI
r n−2 di mana:
t=
1− r 2 t : Nilai t-‐hitung
10
CONTOH
UJI
t
UNTUK
UJI
KORELASI
SOAL
A
Ujilah apakah (a) nilai r = - 0,412 pada hubungan antara suku bunga dan investasi
dan (b) r = 0,86 pada hubungan antara harga minyak dan produksi kelapa sawit
sama dengan nol pada taraf nyata 5%?
1. Perumusan hipotesis:
hipotesis yang diuji adalah koefisien korelasi sama dengan nol. Korelasi dalam populasi
dilambangkan dengan sedang pada sampel r.
H0 : r = 0
H1 : r ¹ 0
2. Taraf nyata 5% untuk uji dua arah (a/2=0,05/2=0,025) dengan derajat bebas (df) = n-k =
9 - 2 = 7. Nilai taraf nyata a/2= 0,025 dan df =7 adalah = 2,36. Ingat bahwa n adalah
jumlah data pengamatan yaitu = 9, sedangkan k adalah jumlah variabel yaitu Y dan X,
jadi k=2.
3. Menentukan nilai uji t
r - 0,41
t= 2
= 2
= −1 ,21
1-r 1 - (,041)
n-2 9-2
11
CONTOH
UJI
t
UNTUK
UJI
KORELASI
1.Perumusan hipotesis:
hipotesis yang diuji adalah koefisien korelasi sama dengan nol. Korelasi dalam
populasi dilambangkan dengansedang pada sampel r.
H0 : ρ = 0
H1 : ρ ≠ 0
2.Taraf nyata 5% untuk uji dua arah (α/2=0,05/2=0,025) dengan derajat bebas (df)
= n-k = 12 - 2 = 10. Nilai taraf nyata α/2=0,025 dan df =10 adalah = 2,23.
r 0,86
t= 2
= 2
= 5 ,33
1-r 1 - (0,86)
n-2 12 - 2
13
RUMUS
KOEFISIEN
DETERMINASI
5. Menentukan keputusan. Nilai t-hitung berada di daerah menolak H0, yang berarti
bahwa H0 di tolak dan menerima H1. Ini menunjukkan bahwa koefisien korelasi
pada populasi tidak sama dengan nol, dan ini membuktikan bahwa terdapat
hubungan yang kuat dan nyata antara harga minyak dan produksi kelapa sawit.
14
MENGGUNAKAN
MS
EXCEL
UNTUK
MENCARI
KORELASI
15
MENGGUNAKAN
MS
EXCEL
UNTUK
MENCARI
KORELASI
16
RUMUS
PERSAMAAN
REGRESI
• Persamaan regresi
Suatu persamaan matematika yang mendefinisikan
hubungan antara dua variabel.
17
SCATTER
DIAGRAM
UNTUK
MEMBANTU
MENARIK
GARIS
REGRESI
Scatter diagram untuk hubungan antara inflasi dan suku bunga dapat digambarkan sebagai berikut:
35
30
25
20
15
10
5
0
2,01 9,35 12,55 10,33
Inflasi
Gambar A
18
SCATTER
DIAGRAM
UNTUK
MEMBANTU
MENARIK
GARIS
REGRESI
Scatter diagram untuk hubungan antara inflasi dan suku bunga dapat digambarkan sebagai berikut:
35
30 b c
d
25
a
20
15
10
5
0
2,01 9,35 12,55 10,33
Inflasi
Gambar B
19
CONTOH
SELISIH
ANTARA
DUGAAN
DAN
AKTUAL
LEBIH
KECIL
Y2 e3 Y4 e4
Y3
Y3 e4 Y5
e5
20 Yn
Yn
en
en
10
0
2.01 9.35 12.55 10.33
Inflasi
20
CONTOH
SELISIH
ANTARA
DUGAAN
DAN
AKTUAL
LEBIH
BESAR
e3
e1 Y3
20 Y1 e5
Y5
15
10
5
0
2.01 9.35 12.55 10.33
Inf lasi
21
GAMBAR
PERSAMAAN
REGRESI
+b
-b
X X
Gambar A: Ŷ= a+bX Gambar B: Ŷ= a-bX
22
RUMUS
MENCARI
KOEFISIEN
a
DAN
b
n∑ XY ) − ( ∑ X )( ∑ X ) ( ∑ Y ) b( ∑ X )
a= b= −
n( ∑ X 2 ) − ( ∑ X )2 n b
23
CONTOH
HUBUNGAN
ANTARA
PRODUKSI
DENGAN
HARGA
MINYAK
KELAPA
SAWIT
Ŷ =a+bX
Yi X Ŷ = 2,8631 + 0,0086 X Ŷ e=Y- Ŷ
10
8
Produksi
0
271 287 319 330 348 383 384 411 472 610 640
Harga Minyak
Y Y'
10
8
Produksi
6
4
2
0
271 287 319 330 348 383 384 411 472 610 640
Harga
Y = Y'
26
DEFINISI STANDAR
ERROR
Ŷ
27
RUMUS
STANDAR
ERROR
2 2
Syx = ∑e = ∑ (Y − Ŷ )
n−2 n−2
Di
mana:
28
MENGGUNAKAN
MS
EXCEL
UNTUK
MENCARI
STANDAR
ERROR
SY.X
29
MENGGUNAKAN
MS
EXCEL
UNTUK
MENCARI
STANDAR
ERROR
SY.X
30
ASUMSI
METODE
KUADRAT
TERKECIL
Satu deviasi
standar
X1 X2 X3 X
31
ASUMSI
METODE
KUADRAT
TERKECIL
3.
Varian
dari
error
bersifat
konstan.
Ingat
bahwa
varian
dilambangkan
dengan
s2,
sehingga
asumsi
ini
dilambangkan
dengan
Var
(Ei/Ej)
=
E(ei
– ej)2
=
s2.
Anda
perhatikan
pada
gambar
di
atas
bahwa
nilai
Ei
(yang
dilambangkan
dengan
tanda
titik)
untuk
setiap
X
yaitu
X1,
X2 dan
X3 tersebar
secara
konstan
sebesar
variannya
yaitu
s2.
Pada
gambar
tersebut
nilai
E
tersebar
1
standar
deviasi
di
bawah
garis
regresi
dan
1
standar
deviasi
di
atas
garis
regresi.
Seluruh
sebaran
nilai
Ei
untuk
Xi
dan
Ej
untuk
Xj,
di
mana
i
¹
j
terlihat
sama
dengan
ditunjukkan
kurva
yang
berbentuk
simetris
dengan
ukuran
yang
sama,
hal
inilah
yang
dikenal
dengan
varians
dari
error
bersifat
konstan.
4.
Variabel
bebas
X
tidak
berkorelasi
dengan
error
term
E,
ini
biasa
dilambangkan
dengan
Cov
(Ei,
Xi)
=
0.
Pada
garis
regresi
Y=a
+
bxi
+
ei
maka
nilai
Xi
dan
Ei
tidak
saling
mempengaruhi,
sebab
apabila
saling
mempengaruhi
maka
pengaruh
masing-‐masing
yaitu
X
dan
E
tidak
saling
dapat
dipisahkan.
Ingat
bahwa
yang
mempengaruhi
Y
selain
X
adalah
pasti
E
yaitu
faktor
diluar
X.
Oleh
sebab
itu
varians
dari
E
dan
X
saling
terpisah
atau
tidak
berkorelasi.
32
RUMUS
1 ( X − X )2
Ŷ ± t( Syx ) +
n ∑ X 2 − ( ∑ X )2 / n
33
PENDUGAAN
INTERVAL
NILAI
KOEFISIEN
REGRESI
A
DAN
B
Dengan
menggunakan
asumsi
bahwa
nilai
Ei
bersifat
normal,
maka
hasil
dugaan
a
dan
b
juga
mengikuti
distribusi
normal.
Sehingga
nilai
t
=
(b
– B)/σb,
juga
merupakan
variabel
normal.
Dalam
praktiknya
nilai
standar
deviasi
populasi
σb
sulit
diketahui,
maka
standar
deviasi
populasi
biasa
diduga
dengan
standar
deviasi
sampel
yaitu
Sb,
sehingga
nilai
t
menjadi
t
=
(b
– B)/Sb.
Selanjutnya
probabilitasnya
dinyatakan
sebagai
berikut:
P(-tα/2 ≤ (b – B)/Sb ≤ tα/2 ) = 1 - α
P(-tα/2. Sb ≤ (b – B) ≤ tα/2 . Sb) = 1 - α
Sehingga
interval
B
adalah:
(b
-‐tα/2.
Sb
≤ B
≤ b
+
tα/2 .
Sb)
Analisis
varians
atau
ANOVA
merupakan
alat
atau
peranti
yang
dapat
menggambarkan
hubungan
antara
koefisien
korelasi,
koefisien
determinasi
dan
kesalahan
baku
pendugaan.
Untuk
mengukur
kesalahan
baku
kita
menghitung
error
yaitu
selisih
Y
dengan
atau
dapat
dinyatakan
dalam
bentuk
persamaan:
e
=
Y
–Ŷ
atau
dalam
bentuk
lain
yaitu
Y
=
Ŷ
+
e
Di mana:
35
TABEL
ANOVA
Sumber Keragaman Derajat bebas (df) Sum Square (SS) Mean Square (MS)
(Source)
36
RUMUS
Rumus
umum
persamaan
regresi
sederhana:
Ŷ =
a
+
bX
3 8 10 24 30 64 100 80
4 7 10 28 40 49 100 70
5 7 8 35 40 49 64 56
6 7 5 42 30 49 25 35
6 6 4 36 24 36 16 24
7 6 3 42 21 36 9 18
8 6 2 48 16 36 4 12
9 6 2 54 18 36 4 12
10 5 1 50 10 25 1 5
10 5 1 50 10 25 1 5
Nilai
koefisien
regresi
• -‐428,4=
-‐63a
– 396,9b1 – 289,8b2 Persamaan
(1)
x
-‐6,3
diperoleh
dengan
cara
• 239 =
63a
+
405b1 +
317b2 (2)
melakukan
substitusi
• -‐19,4 =
0
+
8,1b1 +
27,2b2 (4)
antarpersamaan.
Dari
persamaan
di
atas,
diperoleh
informasi
bahwa
apabila
harga
minyak
goreng
naik
Rp
1.000,
maka
permintaan
minyak
goreng
setiap
keluarga
akan
turun
1,015
liter
per
bulan.
MENGGUNAKAN
MS
EXCEL
UNTUK
MENGHITUNG
KOEFISIEN
REGRESI
BERGANDA
Koefisien
Korelasi
Digunakan
untuk
mengukur
R = R2
keeratan
hubungan
antara
• Semakin
besar
nilai
koefisien
korelasi,
hubungan
variabel
terikat
(Y)
dengan
semakin
erat.
variabel
bebas
(X).
rYX1 − rYX2rX1X2
rYX1⋅ X2 =
Korelasi
Parsial (1 − r )(1 − r )
2
YX2
2
X1X2
ˆ − Y)2
Rumus SY.X1X2 =
∑ (Y
n − (k + 1)
CONTOH
PENGHITUNGAN
KESALAHAN
BAKU
PENDUGAAN
Persamaan
regresi
yang
digunakan
adalah:
Ŷ
=
15,086
– 1,015X1 – 0,41X2
Y X1 X2 Ŷ
=
15,086
– 1,015X1 – 0,41X2 (Ŷ
– Y) (Ŷ
– Y)2
15
10
5
0
1 2 3 4 5 6 7 8 9 10
Y Y'
CONTOH
PENGHITUNGAN
KESALAHAN
BAKU
PENDUGAAN
Nilai
dugaan
pada
sampel
1
– 4
dan
7
relatif
lebih
baik
dibandingkan
dengan
sampel
5.
demikian
juga
untuk
sampel
8
– 10.
nilai
kesalahan
baku
dapat
dihitung
sebagai
berikut.
ˆ − Y)2
SY.X1X2 =
∑ (Y
=
3.58
= 0,72
n − (n + k) 10 − (2 + 1)
CONTOH
PENGHITUNGAN
KESALAHAN
BAKU
PENDUGAAN
∑ Y2 − a ∑ Y− b ∑ X Y− b ∑ X Y
1 1 2 2
SY.X1X2 =
n− 3
Ŷ ± t(SY.X1.Y2 )
• di
mana:
• Y =
nilai
dugaan
untuk
nilai
X
tertentu
• T =
nilai
t-‐tabel
untuk
taraf
nyata
tertentu
• sYX1YX2 =
standard
error
variabel
Y
berdasarkan
variabel
X
yang
diketahui
MENGGUNAKAN
MS
EXCEL
UNTUK
MENGHITUNG
KOEFISIEN
REGRESI
BERGANDA
Uji
global
disebut
juga
uji
signifikansi
serentak
atau
uji
F.
Uji
ini
digunakan
untuk:
-‐ melihat
kemampuan
menyeluruh
variabel
bebas
mampu
menjelaskan
variabel
terikat;
-‐ mengetahui
apakah
semua
variabel
bebas
memiliki
koefisien
regresi
sama
dengan
nol.
1.
Menyusun
hipotesis
Kemampuan
yang
ingin
diuji
adalah
kemampuan
variabel
bebas
menjelaskan
variabel
terikat.
Apabila
variabel
bebas
tidak
dapat
memengaruhi
variabel
bebas,
dapat
dianggap
bahwa
koefisien
regresinya
sama
dengan
nol
(berapapun
nilai
variabel
bebas,
tidak
akan
berpengaruh
terhadap
variabel
terikat.)
Pada
persamaan
Ŷ
=
15,086
– 1,015X1 – 0,41X2,
variabel
X
mampu
memengaruhi
variabel
Y
apabila
nilai
b1 dan
b2 tidak
sama
dengan
nol.
UJI
HIPOTESIS
Uji
Global
2.
Menentukan
daerah
keputusan
Daerah
keputusan
diketahui
dengan
menggunakan
tabel
F.
Untuk
mencari
nilai
F,
perlu
diketahui
derajat
bebas
pembilang
dan
penyebut
serta
taraf
nyata.
Diketahui ada tiga
variabel yaitu Y,
X1,
dan X2,
jadi k = 3,
sedangkan jumlah n = 10.
Jadi derajat pembilang k
–
1 = 3
– 1 = 2,
sedangkan derajat penyebut n
– k = 10
– 3 = 7, dengan taraf nyata 5%.
Nilai
F-‐tabel dengan derajat pembilang 2,
penyebut 7
dan taraf nyata 5%
adalah 4,74
R2 /(k − 1)
F=
(1− R2 ) /(n − 3)
Dari
soal diketahui bahwa R2
=
0,933
dan n=
10,
sehingga nilai F-‐hitung
adalah:
0,933/(3 − 1)
F= = 0,4665/ 0,0096 = 48,73881
(1− 0,933) /(10 − 3)
UJI
HIPOTESIS
Uji
Global
4.
Menentukan
daerah
keputusan
Terima H1
F-Hitung= 48,74
Terima Ho
F-Tabel=4,74 Skala F
UJI
HIPOTESIS
Uji
Global
5.
Memutuskan
hipotesis
Nilai F-‐hitung >
dari F-‐tabel dan berada di daerah
terima H1.
Ini menunjukkan bahwa terdapat cukup
bukti untuk menolak H0 dan menerima H1.
Kesimpulan dari diterimanya H1 adalah nilai
koefisien regresi tidak sama dengan nol,
dengan
demikian variabel bebas dapat menerangkan
variabel terikat.
UJI
HIPOTESIS
Uji
Global
• Variabel tidak bebas haruslah variabel bersifat kontinu dan paling
tidak berskala selang.
Variabel kontinu ini adalah variabel yang
dapat menempati pada semua titik dan biasanya
merupakan data
dari proses pengukuran.
Nilai keragaman atau residu yaitu selisih antara data
pengamatan dan data
dugaan hasil regresi
(Y
-‐ Ŷ)
harus sama untuk semua nilai Y.
Asumsi ini menyatakan bahwa nilai residu bersifat
konstan untuk semua data
Y,
(Y
– Ŷ
=
θ).
Asumsi ini memperlihatkan kondisi
HOMOSKEDASTISITAS
yaitu nilai residu (Y
-‐ Ŷ)
yang
sama untuk semua nilai Y,
menyebar normal
dan mempunyai rata-‐rata
0.
• Nilai koefisien korelasi parsial yaitu rYX1.X2,
rYX2.X1,
dan rX1X1.Y
ada yang
lebih
besar dari koefisiendeterminasinya.
ASUMSI
DAN
PELANGGARAN
ASUMSI
PADA
REGRESI
BERGANDA
• Heteroskedastisitas:
varian
atau
residu
tidak
konstan.
Regression Statistics
Multiple R 0,982376
R Square 0,965063
ANOVA
Df SS MS F
Total 9 25091760
Nilai
R2 =
0,965
menunjukkan
kemampuan
variabel
aset
dan
harga
saham
menjelaskan
perilaku
keuntungan
perusahaan
sebesar
96,5%,
sisanya
sebesar
3,5%
dijelaskan
oleh
variabel
lain.
CONTOH
BENTUK
NONLINIER,
VARIABEL
KUALITATIF,
DAN
DISTRIBUSI
LAG
70
CONTOH
BENTUK
NONLINIER,
VARIABEL
KUALITATIF,
DAN
DISTRIBUSI
LAG
71
PENGERTIAN
REGRESI
NONLINIER
72
BENTUK
FUNGSI
NONLINIER
Fungsi Line a r
Eksponensial (b<0)
16
LnY = Lnα + Ln X
20 14 Y= a+ b X
Y = aXb
12
15
10
10 8
Y
Y
6
5
4
0 2
12 3456 78 0
1 2 3 4 5 6 7 8
X X
73
BENTUK
FUNGSI
NONLINIER
16 16
14
Log Y= a + bx
14
Log Y= a - bx
12 12
10 10
8
Y
8
Y
Log Y= a + bLog X
6
6
Log Y= a – bLog X
4
4
2
2 0
0 1 2 3 4 5 6 7 8
1 2 3 4 5 6 7 8
X
X
74
BENTUK
FUNGSI
NONLINIER
Fungsi Hiperbola
16
14
12
Y= a + b(1/X)
10
8
6
4 Y= a - b(1/X)
2
0
1 2 3 4 5 6 7 8
75
BENTUK
FUNGSI
NONLINIER
4. Bentuk Kuadratik Y= a + b X2
Bentuk Kuadratik: fungsi mempunyai titik
minimum dan maksimum
Fungsi Kuadratik
30,00
20,00
Y
10,00
0,00
2 4 9 10 11 13 78
76
CONTOH:
FUNGSI
REGRESI
DAN
BENTUK
YANG
SESUAI
77
CONTOH:
FUNGSI
REGRESI
DAN
BENTUK
YANG
SESUAI
1. Fungsi linier Y = a + b X
0,1 5 0,50 4
Hasil regresi Y = 0,25 + 0,052 X
0,2 10 0,76 3,5
0,5 5 0,50 3
Laba
0,9 18 1,17 2
1
1,5 39 2,26
0,5
2,5 37 2,15
0
2,5 21 1,33 5 5 8 10 10 18 21 37 39 65
Volume Kredit
3,6 65 3,60
Y =0,25 + 0,052 X ; R2 = 0,769 Data Riel Trend Linier
78
CONTOH:
FUNGSI
REGRESI
DAN
BENTUK
YANG
SESUAI
Laba
1
10
10
18
21
37
39
65
5
5
8
-1
2,5 37 0,9 3,6 0,8
-2
2,5 21 0,9 3,0 0,2 Volum e Kre dit
79
CONTOH:
FUNGSI
REGRESI
DAN
BENTUK
YANG
SESUAI
Laba
2
1,1 10 2,3 0,89 1,5
1
1,5 39 3,7 2,42
0,5
2,5 37 3,6 2,36 0
10
10
18
21
37
39
65
5
5
8
3,6 65 4,2 2,99 Volume Kredit
80
CONTOH:
FUNGSI
REGRESI
DAN
BENTUK
YANG
SESUAI
Laba
3
0,9 18 324 1,01
2
1,1 10 100 0,85 1
1,5 39 1521 1,88 0
10
10
18
21
37
39
65
5
5
8
2,5 21 441 1,10 Volume Kredit
3,6 65 4225 3,83
Data Riel Trend Linier
Y=0,78 + 0,0007X; R2= 0,83
81
RUMUS
Y = a + b1X1 + b2 D + ε
di mana:
Y : variabel terikat
X1 : variabel bebas kuantitatif
D : variabel bebas kualitatif (dummy), nilai 0 dan 1
ε : error
82
CONTOH
PEMBUATAN
REGRESI
1 7 7 0
2 6 5 1
3 4 8 1
4 10 5 0
5 7 7 1
6 7 8 0
7 5 7 1
8 5 8 1
9 9 6 0
83
PENGGUNAAN
MS
EXCEL
UNTUK
MENCARI
KOEFISIEN
REGRESI
BERGANDA
Regression Statistics
Multiple R 0,906
R Square 0,821
Adjusted R Square 0,761
Standard Error 0,947
Observations 9
ANOVA df SS MS F
Regression 2 24,618 12,309 13,723
Residual 6 5,382 0,897
Total 8 30,000
Coefficients Standard Error t Stat P-value
Intercept 15,736 2,003 7,857 0,001
X Variable 1 -0,773 0,286 -2,706 0,035
X Variable 2 -2,464 0,651 -3,783 0,009
85
PENGGUNAAN
MS
EXCEL
UNTUK
MENCARI
KORELASI
86
CONTOH
SOAL
1 504 4 739
2 408 2 549
3 576 5 941
4 348 2 520
5 420 2 657
6 480 3 536
7 432 2 797
8 504 5 686
9 612 6 1656
10 324 2 650
87
RUMUS
KOEFISIEN
DETERMINASI
Y X1 X2 R-Square 0.836
504 4 739 F-hitung 17.80
408 2 549 Coefficients t
576 5 941 Intersep 273,902 7.539
348 2 520 X Variabel 1 47,580 3.586
420 2 657 X Variabel 1 0.03865 0.625
480 3 536
432 2 797
504 5 686
612 6 1656
324 2 650
88
RUMUS
KOEFISIEN
DETERMINASI
Model dengan lag Y = a + b1X1 + b2X2; di mana X1 adalah anggota keluarga dan X2
pendapatan pada tahun ke-t-1.
Y X1 X2 R-Square 0.953
504 4 739 F-hitung 60,52
408 2 549 Coefficients T
576 5 941 Intersep 383,052 12,47
348 2 520 X Variabel 1 47,664 8,797
420 2 657 X Variabel 1 -0,102 -4,07
480 3 536 R-Square 0.953
432 2 797
504 5 686
612 6 1656
324 2 650
89
RUMUS
KOEFISIEN
DETERMINASI
Model gabungan Yt dan Yt-1. setelah melakukan regesi terhadapYt saja pada bagian 1, dan
Yt-1 saja pada bagian 2, maka pada bagian ini akan digabungkan Yt dan Yt-1, serta
bagaimana hasilnya
90
TERIMA KASIH
91