Anda di halaman 1dari 5

Praktikum 7

Praktikum ketujuh ekonometrika dibahas mengenai perbaikan asumsi


Ordinary Least Square, dan menguji kelayakan model regresi

2.7.1. Perbaikan Asumsi Ordinary Least Square


Metode OLS akan tercapai jika dipenuhi beberapa asumsi klasik, yaitu
multikolinieritas, autokorelasi, heteroskedastisitas, nilai rata-rata kesalahan
(error) populasi pada model stokastiknya sama dengan nol, variabel independen
adalah nonstokastik (nilainya konstan pada setiap kali percobaan yang dilakukan
secara berulang) dan distribusi kesalahan (error) adalah normal. Uji ini dilakukan
untuk mendapatkan hasil regresi yang baik, meskipun data yang digunakan tidak
bagus. Secara umum, terdapat beberapa cara perbaikan asumsi OLS.
1. Menghilangkan Variabel X (Independen)
Ketika menghadapi persoalan tentang multikolinieritas, salah satu metode
sederhana yang bisa dilakukakan adalah dengan menghilangkan salah satu
variabel independen yang mempunyai hubungan linier kuat. Misalnya dalam
kasus hubungan antara tabungan dengan pendapatan dan kekayaan, bisa dilakukan
dengan menghilangkan variabel independen kekayaan.
Akan tetapi menghilangkan variabel independen di dalam suatu model
akan menimbulkan bias spesifikasi model regresi. Masalah bias spesifikasi ini
timbul karena kita melakukan spesifikasi model yang salah di dalam analisis.
Ekonomi teori menyatakan bahwa pendapatan dan kekayaan merupakan faktor
yang mempengaruhi tabungan sehingga kekayaan harus tetap dimasukkan di
dalam model.
2. Melakukan Transformasi Variabel
Misalnya dalam menganalisis perilaku tabungan masyarakat dengan
pendapatan dan kekayaan sebagai variabel independen. Data yang dipunyai adalah
data time series. Dengan data time series ini maka diduga akan terjadi
multikolinieritas antara variabel independen pendapatan dan kekayaan karena data
keduanya dalam berjalannya waktu memungkinkan terjadinya trend yakni
bergerak dalam arah yang sama. Ketika pendapatan naik maka kekayaan juga naik
dan sebaliknya jika pendapatan menurun diduga kekayaan juga menurun.
Dalam mengatasi masalah multikolinieritas tersebut, dapat dilakukan
transformasi variabel. Misalnya model regresi time series sebagai berikut:
Y t −Y t −1= β1 ( X ¿ ¿ 1t−X 1t −1)+ β 2 ( X 2 t− X 2 t−1 ) +(et −e t−1 )¿
dimana :
Y = tabungan;
X 1 = pendapatan;
X 2 = kekayaan.
Persamaan tersebut merupakan bentuk transformasi variabel ke dalam
bentuk diferensi pertama (first difference). Bentuk diferensi pertama ini akan
mengurangi masalah multikolinieritas karena walalupun pada tingkat level X 1 dan
X 2 terdapat multikolinieritas namun tidak berarti pada tingkat diferensi pertama
masih terdapat korelasi yang tinggi antara keduanya.
Transformasi variabel dalam persamaan tersebut menimbulkan masalah
berkaitan dengan masalah variabel gangguan. Metode OLS mengasumsikan
bahwa variabel gangguan tidak saling berkorelasi. Namun transformasi variabel
variabel gangguan e t −e t−1diduga mengandung masalah autokorelasi. Walaupun
variabel gangguan e t awalnya adalah independen, namun variabel gangguan
e t −e t−1 yang diperoleh dari transformasi variabel dalam banyak kasus akan saling
berkorelasi sehingga melanggar asumsi variabel gangguan metode OLS.
3. Penambahan Data
Misalkan masalah multikolinieritas pada dasarnya merupakan persoalan
sampel. Oleh karena itu, masalah multikolinieritas seringkali bisa diatasi jika kita
menambah jumlah data. Karena, semakin banyak data yang ditambahkan maka
hasil regresi semakin baik.
Misalkan ketika kita menambah jumlah data karena ada masalah
multikolinieritas antara X 1 dan X 2 maka ∑ x 21 i akan menaik sehingga
menyebabkan varian dari ^β akan mengalami penurunan. Jika varian mengalami
penurunan maka otomatis standard error juga akan mengalami penurunan
sehingga kita akan mampu mengestimasi ^β lebih tepat. Dengan kata lain, jika
multikolinieritas menyebabkan variabel independen tidak signifikan
mempengaruhi variabel dependen melalui uji-t maka dengan penambahan jumlah
data maka sekarang variabel independen menjadi signifikan mempengaruhi
variabel dependen.

2.7.2. Uji Kelayakan Model Regresi


Uji kelayakan model regresi secara umum dibagi menjadi tiga, yaitu:
1. Uji-F
Uji-F adalah uji statistik yang digunakan dalam persamaan regresi untuk
mengetahui pengaruh variabel bebas X secara simultan terhadap variabel terikat
Y . Jika dilakukan uji hipotesis, H 0 diterima jika nilai uji-F > α artinya data tidak
signifikan. Sebaliknya, H 1 diterima jika nilai uji-F < α artinya data signifikan
atau terdapat pengaruh nyata antara variabel bebas dan variabel terikat. Langkah-
langkah uji-F sebagai berikut:
a. Salah satu cara mengubah persamaaan regresi dapat dilakukan dengan
mengganti peubah-peubah variabel X , misal dengan penambahan
sin ( x ) , log( x), ln( x) , dan lain sebagainya.

Gambar 37. Mengubah Equation dengan


Penambahan Log
b. Setelah klik Ok, maka akan muncul tab equation dengan variabel baru
log ( X ).
Gambar 38. Uji-F
Berdasarkan gambar, nilai Prob(F-statistics) adalah 0.000384 . karena
Prob(F-statistics) kurang dari 5% maka dapat disimpulkan bahwa
hipotesis signifikan.
2. Uji-t
Uji-t adalah uji statistik yang digunakan dalam persamaan regresi untuk
mengetahui pengaruh masing-masing variabel bebas X secara individu terhadap
variabel terikat Y . Jika dilakukan uji hipotesis, H 0 diterima jika nilai uji-t > α
artinya data tidak signifikan. Sebaliknya, H 1 diterima jika nilai uji-t < α artinya
data signifikan atau terdapat pengaruh nyata antara variabel bebas dan variabel
terikat. Langkah-langkah uji-t dapat dilakukan dengan mengestimasi data seperti
biasa seperti gambar berikut.

Gambar 39. Uji-t


Berdasarkan gambar, nilai Prob(F-statistics) adalah 0.000581 . karena
Prob(F-statistics) kurang dari 5% maka dapat disimpulkan bahwa hipotesis
signifikan.
3. Koefisien Determinasi
Koefisien Determinasi adalah salah satu syarat yang menentukan baik
tidaknya hasil regresi. Koefisien determinasi merupakan bentuk
hubungan/pengaruh nyata antara variabel X terhadap variabel Y . Dimana,
semakin besar persentase koefisien determinasi maka hubungan antara variabel X
dan Y semakin baik. Sebaliknya, semakin kecil persentase koefisien determinasi
maka hubungan antara variabel X dan Y semakin tidak baik. Jika variabel
independent yang digunakan hanya satu, maka hasil Output dapat dilihat pada
nilai R–squared dan jika variabel independent yang digunakan lebih dari satu
Adjusted R–Squared.

Gambar 40. Equation dengan Penambahan Log


Berdasarkan gambar, terlihat bahwa nilai R-squred mengalami
peningkatan dari hasil regresi sebelumnya dengan penambahan log ( X ).