EKONOMETRIKA

Marlina Ekawaty
TIU: mhs memahami konsep, pendekatan, metodologi
ekonometrika & mampu menerapkannya scr praktis.
ke Pokok Bahasan Sub Bahasan Sumber

1 Pendahuluan - Pengertian & definisi G-1

- Metodologi Ekonometrika
- Tujuan Ekonometrika
2 Analisis Korelasi & Regresi Ragam bentuk analisis: G-1
- Korelasi
- Regresi
3 Model regresi linear klasik MRLK: - Estimasi titik dengan OLS G-2
(MRLK): dua variabel - Uji statistik
- Asumsi klasik
4 - Estimasi interval G-5
- Uji hipotesis estimasi interval
- Analisis regresi & Anova
5 Analisis regresi berganda MRLK: - Estimasi titik dengan OLS G-7
- Uji statistik
- Asumsi klasik
 6 Analisis regresi berganda - Uji kesamaan dua koefisien regresi G-8
- Uji estimasi regresi dg kendala
- Uji stabilitas koefisien

7 Normalitas & Multikolinearitas Konsep & uji: - normalitas G-10

- multikolinearitas
Solusi kasus multikolinearitas

9 Homoskedastisitas Pengertian, pengujian & solusi G-11

10 Bentuk model regresi/ linearitas Pengertian & pengujian G-11

11 Otokorelasi Pengertian, pengujian & solusi G-12

12 Regresi dg v. bebas dummy Pengertian v. dummy, regresi Anova G-15
13 Regresi dg v. tergantung dummy LPM, model logistik, model probit G-16

14 Metodologi ekonometrika tradisional - Average Economic Regression (AER) G-13

- Kesalahan spesifikasi: jenis, akibat &
pengujian
15 Metodologi ekonometrika alternatif Pemilihan model: - Leamer’s Approach G-14
- Hendry’s Approach
Selected diagnostic & nonnested
hypothesis test
 Daftar Pustaka:
Gujarati, Damodar N. (2009). Basic Econometrics. 5th ed. McGraw-
Hill International Edition. Singapura. (G)
PENDAHULUAN
What is econometrics?
Etimologi ‘economic measurement’
Pendapat Ahli Econometrics may be defined as the quantitative analysis of actual
economic phenomena based on the concurrent development of
theory and observation, related by appropriate methods of
inference

Econometrics may be defined as the social science in which the

tools of economic theory, mathematics & statistical inference are
applied to the analysis of economic phenomena

Why a separate discipline?

 Teori ekonomi → pernyataan kualitatif
 Matematika ekonomi → pernyataan TE dlm bentuk matematis
 Statistik ekonomi → pengumpulan, pengolahan, penyajian data
Methodology of Econometrics
Statement of Theory or Keynes: Ketika pendapatan naik, mk konsumsi
Hypothesis akan naik tp tidak sebesar kenaikan
pendapatan
Specf of the mathemati- Y=α+βX, 0<β<1,
cal model of theory Y=pengeluaran konsumsi, X=pendapatan
Specf of the economet- Y=α+βX+μ ,
ric model of theory μ=disturbance/error term

Obtaining the data Menentukan Definisi operasional X, Y

Mengumpulkan data X, Y
Estimation of parameter Mendapatkan nilai α, β
of the econometric mdl Ŷ=-231,8+0,7194X

Hypothesis testing Ho : β<1

Forecasting or prediction Pada saat X=6000 → Y=?

Ŷ=-231,8+0,7194(6000) = 4084,6
Using the model for Ŷ=4000 → X=?
control or policy purpose 4000=-231,8+0,7194X → X=5882
Types of econometrics
Econometrics

Theoritical Applied

Classical Bayesian Classical Bayesian

Theoritical Ecm. → pengembangan metode tepat unt mengukur hubungan2 ekonomi yg

ditentukan ol model ekonometrik, misal: least squares, maximum likehood →
menguraikan asumsi, sifat, & akibat jk asumsi tidak dipenuhi.

Applied Ecm.→ menggunakan alat dr ekm teori unt mempelajari beb bidang khusus ek &
bisnis spt fungsi produksi, investasi, permintaan, penawaran & portofolio

Program statistik → ET, Limdep, Shazam, Micro TSP, Minitap, Eviews, SAS, SPSS, Stata,
Microfit, PcGive
 REGRESI: Studi ketergantungan satu var. (v. tergantung, Y) pd ≥ 1
var. lain (v. bebas, X) dg maksud menaksir & at meramal
kan nilai rata2 populasi Y jk nilai X diketahui atau tetap
Ketergantungan statistik (pd var. random/stokhastik: v. yg memp. Distribusi
probabilitas) bukan fungsional/deterministik (F=k[m1.m2/r²], E=mc²).
Tidak berarti hubungan sebab akibat
Contoh: X Y
Umum Tinggi ayah Tinggi anak lelaki
Umur Tinggi anak
Ekonomi Pendapatan disposible Konsumsi
Harga Jumlah permintaan
Upah Tk pengangguran
IHSaham Harga saham A
Biaya iklan Jumlah permintaan
Curah hujan, suhu, cahaya matahari Hasil panen

Regresi Korelasi
Tujuan utama Menaksir nilai rata2 populasi Y mengukur tk hubungan linier 2 var
Sifat analisis Ketergantungan (ada X, Y) Ketidaktergantungan
Perlakuan var. Asimetri: X → nilainya tetap/nonstokhastik, Simetri: kedua var. random
Y → bersifat random, statistik, stokhastik
Istilah & Notasi
X Y
Dependent V. (v bebas) Independent V. (v tidak bebas/tergantung)
Explanatory V. (v yg menjelaskan) Explained V. (v yg dijelaskan)
Predictor (peramal) Predictand (yg diramalkan)
Regressor (yg meregresi) Regressand (yg diregresi)
Stimulus/Control V. (v kendali) Response (tanggapan)
Exogenous (eksogenus) Endogenous (endogenus)
Covariate Outcome
Control V. (v yg mengontrol) Controlled V. (v yg dikontrol)
Regresi Sederhana (simple/two-variable reg.): regresi dg 1 var bebas
Regresi Berganda (multiple reg.): regresi dg ≥1 var bebas
Random= stokhastik, v yg dapat mengambil nilai berapapun dg probabilitas
tertentu
X 1 , X 2 , X 3 ... X k = v bebas ke-1, 2, 3 … k N = jumlah pengamatan populasi
n = jumlah pengamatan sampel
X i = v bebas dg data cross section X t = v bebas dg data time series
 Sifat & Sumber Data
Jenis Data: time series, cross section & pooled data
Time series Data Cross Section Data Pooled Data
Data var. dr 1 objek pd > 1 Data var. dr >1 objek Data var. dr >1 objek pd >1 waktu
waktu (tahunan, bulanan, pd 1 waktu
mingguan, harian, 3bulanan)
Dinotasikan dg t Dinotasikan dg i Dinotasikan dg it
Tahunan: GDP, M, I, Data panel/longitudinal/mikropa
nel: objek data cross section yg
sama disurvei slm beb periode
Contoh data:
Sumber data: instansi pemerintah (BPS), lembaga internasional (IMF, World
Bank), swasta, perorangan.
Melalui internet: http://www.portal.euromonitor.com ,
http://www.bps.go.id, http://www.lipi.go.id, http://www.ceicdata.com,
http://www.go-indonesia.com/pdbi/, http://www.cides.or.id/, …
Skala data: nominal, ordinal, interval, rasio
 TWO-VARIABLES REGRESSION ANALYSIS:
SOME BASIC IDEAS
80 100 120 140 160 180 200 220 240 260 250
55 65 79 80 102 110 120 135 137 150
60 70 84 93 107 115 136 137 145 152
65 74 90 95 110 120 140 140 155 175 200
70 80 94 103 116 130 144 152 165 178
75 85 98 108 118 135 145 157 175 180
88 113 125 140 160 189 185
115 162 191 150
65 77 89 101 113 125 137 149 161 173 Y-Values
X= pendapatan mingguan (80, 100, … , 260)
Y= pengeluaran konsumsi mgan (55, 60,…191) 100
Linear (Y-

mY=ko
su
in
N=60 , Ȳ=7272/60=121.20 Values)
65, 77, … , 191 = Conditional means of Y =
50
Conditional Expectation = E(Y/X)
E(Y/X=80)=55(0.2)+60(0.2)+ … +75(0.2)=65

X meningkat, mk Y rata2 [E(Y/X)] meningkat → rata2

0
bersyarat tepat terletak pd garis merah (garis/ kurva 0 100 200 300
regresi) → kurva regresi: tempat kedudukan rata2
(harapan) bersyarat Y unt nilai X tertentu X=pendapatan
 POPULATION REGRESSION FUNCTION
E(Y/Xi) = f(Xi) → PRF
E(Y/Xi)=α+βXi → PRF linear
α=intersep, β=koefisien
(regresi, persamaan/model regresi)
Linear dlm parameter, bukan dlm var.
Saat X ↑, Ȳ ↑, apakah Y ind juga ↑ ?
Tidak selalu, tp berada di sekitar Ȳ
→
Yi=E(Y/Xi) + Ui, Ui=Stokhastic
disturbance/error term
Yi=α+βXi+Ui
X=80 → Y1=55=α+β(80)+U1, U1=-10
Y2=60=α+β(80)+U2, U2= -5
Y3=65=α+β(80)+U3, U3= 0
Y4=70=α+β(80)+U4, U4=5
E(Y/Xi)=E(Y/Xi)+E(U/Xi) →
E(U/Xi)=0, selain pendapatan ada var. lain
yg mempengaruhi pengeluaran
konsumsi. Pengeluaran konsumsi ind
tidak dpt sepenuhnya dijelask hanya dg
var. dlm model regresi
Why ada Ui:
- Teori mungkin tidak lengkap
- Tidak ada data X yg lain
- Pengaruh X yg lain kecil & tidak
sistematis
- Ada kerandoman Y yg tdk terjelaskan
- Model regresi cukup memasukkan X yg
relevan (sederhana → Occam)
Bagaimana jk data yg dimiliki ad sampel
bukan populasi? Kita perlu menaksir
PRF dg data sampel.
 SAMPLE REGRESSION FUNCTION
Y
X
Sampel-1 Sampel-2
80 70 55
100 65 88
120 90 90
140 95 80
160 110 118
180 115 120
200 120 145
220 140 135
240 155 145
260 150 175
Garis regresi hitam merah

Ŷi=a+bXi+ei→ SRF
Ŷi= penaksir E(Y/Xi)
a = penaksir α
b = penaksir β
e = penaksir U
lanjutan:
SRF ad pendekatan dr PRF, adakah
Y SRF: Ŷi=a+bXi
suatu metode untuk membuat
pendekatan itu sedekat mungkin?
.Yi
ei
Ui . Ŷi PRF: E(Y/X)=α+βXi Bagaimana SRF harus disusun shg a
sedekat mungkin dg α sebenarnya
. E(Y/Xi)
& b sedekat mungkin dg β
A
sebenarnya?

X
Xi
Titik2 di kanan A, SRF overestimate
PRF yg sebenarnya. Titik2 di kiri
A, SRF underestimate PRF yg
sebenarnya. Hal ini tdk bisa
dihindari krn fluktuasi sampling.
 2 VARIABLE REGRESSION MODEL: The
Problem of Estimation
Bagaimana mengestimasi PRF berda
sarkan SRF setepat mungkin? Ada
beberapa metode al: OLS, ML
The Method of Ordinary Least Square
 Dikemukakan ol Carl Friedrich Gauss
 PRF: Yi=α+βXi+Ui
SRF: Yi=a+bXi+ei=Ŷi+ei
ei=Yi-Ŷi=Yi-a-bXi
 Σei=Σ(Yi-Ŷi) bisa kecil at bahkan 0
padahal sebenarnya ada residual
 Σei²=Σ(Yi-Ŷi)²=Σ(Yi-a-bXi)² → least
squared residual
 Σei²=f(a,b) → jumlah residual
kuadrat ad fungsi dr a dan b
 Prinsip kuadrat terkecil memilih a &
b sedemk rupa shg unt sampel ttt
Σei² sekecil mungkin. Dg ini didapat:
∑ ( Xi − X )(Yi − Y ) ∑ xi yi
b= =
∑ ( Xi − X ) 2 ∑ xi2
∑ X i2 ∑ Y − ∑ X i ∑ X iYi
a= = Y − bX
N ∑ X i2 − (∑ X i ) 2
 Penaksir yg didapat ad least squares
estimators, cirinya:
- Penaksir dinyatakan dlm besaran sampel
- Merp point estimator (dg sampel ttt, tiap
penaksir memberikan hanya 1 nilai/titik
tunggal parameter populasi yg relevan)
- Sekali penaksir OLS didpt dr data sampel,
mk garis regresi sampel dg mudah
didapat.
 lanjutan:
Sifat garis regresi tsb ad: 3. Rata2 nilai pengganggu Ui ad 0 → E(Ui)=0
a. Garis regresi mell rata2 Y dan X sampel 4. Varians Ui ad konstan (homoskedastis)
b. Nilai rata2 Y yg ditaksir sama dg nilai → var(Ui)=σ²
rata2 Y yg sebenarnya 5. Tidak terjadi otokorelasi antar kesalahan
c. Nilai rata2 residual ei ad 0 pengganggu → cov(Ui, Uj)=0
d. Residual ei tidak berkorelasi dg Yi yg 6. Jumlah pengamatan n > k, k=jumlah
ditaksir parameter yg ditaksir
e. Residual ei tidak berkorelasi dg Xi 7. X tidak boleh semua sama dlm sample ttt
Ketepatan Penaksir Kuadrat Terkecil
The Classical Linear Regression Model: var(b) =
σ2
→ se (b ) =
σ
, σ 2
=
∑ ei =
2
∑y 2
i − b 2 ∑ xi2
Asumsi Metode Kuadrat Terkecil ∑ xi2 ∑ xi2 N−2 N−2
1. Model regresi linear ∑ X i2 2 ∑ X i2 2
var(a) = σ → se(a ) = σ
linear dlm parameter tidak harus linear dlm N ∑ xi2 N ∑ xi2
variabel.
2. Nilai X tetap at bebas dr kesalahan σ² = varians dr Ui yg konstan
pengganggu (dlm sample yg berulang)
X=80 → Y=55, 60, 65, 70, 75
 lanjutan:
Sifat Estimastor Least Squares  Contoh:
1. Linear(fungsi linear dr var. random) 1. Hubungan Konsumsi-Pendapatan di AS
tahun 1960-2005
2. Unbiased [E(b)=β]
Yˆt = −299.5913 + 0.7218 X t ,σˆ 2 = 73,56689
3. Minimum Variance (827,4195) (0,0000195)
2 & 3 → efficient estimator (28,7649) (0,004423) r²=0,9983

Koefisien Determinasi (r²) 2. Pengeluaran Makanan di India

FEi = 94,2087 + 0,4368TEi ,σˆ 2 = 4469,6913
 Suatu ukuran kebaikan suai
(2560,9401) (0,0061)
(goodness of fit) garis regresi (50,8563) (0,0783) r²=0,3698
 Rumusnya adalah: r 2 = ∑ (Yˆi − Yi ) = ESS
2

∑ (Yi − Yi ) 2 TSS

ESS=explained sum of squares

TSS=total sum of squares
 Mengukur persentase total variasi Y
yg dapat dijelaskan ol model regresi
- Non negatif
- 0≤r²≤1
 Contoh:
Xi Yi Xi.Yi xi yi xi.yi Xi² xi² yi² Ŷi ei=Y-Ŷ ei²
80 70 5600 -90 -41 3690 3600 8100 4900 65,18 4,82 23,21
100 65 6500 -70 -46 3220 10000 4900 4225 75,36 -10,36 107,40
120 90 10800 -50 -21 1050 14400 2500 8100 85,55 4,45 19,84
140 95 13300 -30 -16 450 19600 900 9025 95,73 -0,73 0,53
160 110 17600 -10 -1 10 25600 100 12100 105,91 4,09 16,74
180 115 20700 10 4 40 32400 100 13225 116,09 -1,09 1,19
200 120 24000 30 9 270 40000 900 14400 126,27 -6,27 39,35
220 140 30800 50 29 1450 48400 2500 19600 136,45 3,54 12,57
240 155 37200 70 44 3080 57600 4900 24025 146,64 8,36 69,95
260 150 39000 90 39 3510 67600 8100 22500 156,82 -6,82 46,49
170 111 205500 0 0 16800 322000 33000 132100 1110,0 0,00 337,27

Estimasi model regresi:

b=
∑xy i i
=
16800
= 0,5091 σˆ 2 =
337,27
= 42,16
∑x 2
i 33000 10 − 2
a = 111 − 0,5091(170) = 24,454 132100 − 337,27
r2 = = 0,9974
132100
 SIMPLE REGRESSION: INTERVAL ESTIMATION &
HYPOTHESISI TESTING
Interval Estimation: Some Basic Idea - Tidak berarti bh probabilitas β terletak dlm
 b=0,5091 ad estimasi titik dr β → batas2 tsb ad (1-α)%, tp probabilitas me-
bisakah estimasi ini dipercaya? nyusun suatu interval yg berisi β ad (1-α)
%
 walau dlm penyampelan berulang nilai
rata2nya diharapkan sama dg nilai - Merp interval random, interval sangat be-
sebenar nya, krn fluktuasi sampling ragam dr satu sampel ke sampel lain krn
suatu estimasi bisa berbeda dr nilai yg berdasar pd b yg random → pernyataan
sebenarnya. probabilitas harus difahami dlm arti jangka
panjang (dlm penyampelan berulang)
 Dlm statistik, realibility dpt diukur dr Se-
nya → bs dibuat interval di sekitar Confidence Interval for α dan β
estimasi titik 2 at 3 Se dg probabilitas Interval keyakinan β
95% nilai parameter yg benar → est.
Z=
b − β (b − β )
=
∑x
2
i
→t=
b − β (b − β )
=
∑x 2
i
interval Se(b) σ Se(b) σˆ
Pr(b-δ≤β≤b+δ)=1-α
1-α= tk kepercayaan/keyakinan
α= tk signifikansi mengikuti distribusi t dg df=N-2 → interval
b-δ= batas kepercayaan bawah keyakinan unt β adalah:
b+ δ= batas kepercayaan atas
 lanjutan:
 Interval keyakinan untuk β adalah: Interval Keyakinan untuk σ² adalah:
[ ]
Pr − t α ≤ t ≤ t α = 1 − α
2
χ 2 = ( N − 2)
σˆ
σ2
[ ]
2 2

 b− β  Pr χ12− α ≤ χ 2 ≤ χ α2 = 1 − α
Pr  − t α ≤ ≤ tα  = 1− α 2 2

 2 Se(b) 2   
[ 2 2
]
Pr b − t α .Se(b) ≤ β ≤ b + t α .Se(b) = 1 − α 

σˆ 2
2
σˆ 2
Pr ( N − 2) 2 ≤ σ ≤ ( N − 2) 2
χα
2

χ1− α
2
 = 1−α


 Dg b=0,5091 , Se(b)=0,0357 , df=8 dan mengikuti distribusi χ² dg df=N-2
diasumsikan α=5% , 1-α=95% , t α2 =2,306  Dgσˆ =42,1591 dan df=8, α=5% →χ ²
2

→ interval keyakinan untuk β adalah: tabelχ 0,025 = 17,5346 danχ 0,975 = 2,1797
2 2

 0,4268 ≤ β ≤ 0,5914 → dlm jk panjang 95 (proba-bilitas nilai χ ² melebihi 17,5346

dari 100 kejadian interval (0,4268 , 0,5914) ad 2,5% dan probabilitas melebihi
akan berisi β yg sebenarnya bukan proba- 2,1797 ad 97,5%
bilitasnya 95% bh interval 0,4268 – 0,5914  Interval keyakinan untuk σ² adalah:
berisi β yg sebenarnya.
19,2310 ≤ σ² ≤ 154,7038
 Interval keyakinan untuk α adalah:
9,6643 ≤ α ≤ 39,2545
 Pengujian Hipotesis
 b=0,5091 yg diperoleh dr data sampel,
apakah konsisten dg hipotesa β=1 ?
 Hipotesis yg dinyatakan → hipotesis nol
(Ho), diuji dg hipotesis alternatif (H1)
 H1 bisa sederhana atau gabungan
H1 : β = 1
H1 : β ≠ 1
 Pendekatan uji hipotesis: confidence
interval dan test of sigificance → penak-
sir mempunyai suatu distribusi probabi-
litas (t, F atau χ²) & membuat pernyataan
ttg nilai parameter distribusi tsb
Pendekatan Interval Keyakinan
 Misal: H 0 : β = 0,3 hip sederhana
H1 : β ≠ 0,3 hip gabungan
Apakah b yg didapat sesuai dg Ho ?
 Prosedurnya:
- mendapatkan interval keyakinan yg sesuai
- Menguji apakah nilai dlm Ho terletak di
dalam atau di luar interval
 Contoh: interval keyakinan →
Pr(0,4268≤ β ≤0,5914)=95%
Karena Ho terletak di luar interval keya-
kinan mk Ho ditolak. Probabilitas nilai
β=0,3 kurang dari 2,5%
Pendekatan Uji Signifikansi
 Hasil sampel digunakan unt menguji
kebenaran at kepalsuan Ho → menguji
penaksir & distribusi sampling statistik dlm
Ho
b − β (b − β ) ∑ xi
2
t= =
Se(b) σˆ
 b−β* 
Pr  − t α ≤ ≤ tα  = 1 − α
 2 Se(b) 2 
[ ]
Pr β * − t α .Se(b) ≤ β ≤ β * + t α .Se(b) = 1 − α
2 2
 lanjutan:
 b=0,5091 , Se(b)=0,0357 , df=8 , α=5% →
t α=2,306 misalnya: H : β = 0,3 maka  Hipotesis satu sisi → H 1 : β > 0,3
2 0 β
diperoleh: H 1 : β ≠ 0,3 (2-tail/sided)
95%
Pr[0,2177 ≤ β ≤0,3823)=95%
Daerah Penerimaan DK

95% DK=Daerah Kritis (2,5%)

t 0,3664
Daerah
95%
Penerimaan
Daerah
DK DK
Penerimaan DK
-2,306 2,306
 Dlm praktek tidak perlu dihitung Pr scr 1,860
eksplisit, cukup nilai t yaitu: Analisis Regresi & Analisis Varians
b − β * 0,5091 − 0,3  TSS =ESS + RSS, Total/Explained/Residual
t= = = 5,86
Se(b) 0,0357 Sum of Squares
t hitung yg diperoleh terletak dlm daerah ∑ y = ∑ yˆ + ∑ e
2
i
2
i
2
i = βˆi2 ∑ xi2 + ∑ ei2
kritis → Ho ditolak → penting scr statistik Studi ttg komponen2 TSS → An Varians
(statistically significant) (AOF)
 Tidak penting scr statistik (statistically  Derajat kebebasan TSS=N-1, RSS=N-2,
insignificant) jk t hitung terletak di daerah ESS=1
penerimaan → Ho diterima
 Keputusan unt menerima atau menolak Ho :
Jenis Hipt Ho H₁ Keputusan menolak Ho jika:
2 sisi β = β* β ≠ β* |t-h|> t-t , t = b − β , t-t (α, df) , df=n-k
Se(b)
1 sisi-kanan β ≤ β* β > β* k= jumlah parameter (v. bebas + 1)
1 sisi-kiri β ≥ β* β < β* α= tk signifikansi (% kesalahan yg ditolelir) yang
digunakan
p value (sig) < α
P value = tk sig minimal unt menolak Ho:β=0
Aturan 2-t  untuk df ≥ 20, Ho:β=0 akan ditolah
pada α=5% jika nilai |t-h|> 2
 Aspek praktis uji hipotesa:
a) Arti ‘accepting’ or ‘rejecting’ suatu hipotesa
b) Harapan teori at hasil penelitian sblnya mendasari pembuatan hipotesa. Hipotesa
sebaiknya dibuat sebelum penelitian empiris
c) Tidak ada aturan menetapkan α, tp ekonometrisian menggunakan (1-10)%
d) The exact level of significance : the p value
 lanjutan:
 F hitung dirumuskan dg:  Peramalan Rata-2
MSSdariESS βˆi ∑ xi - Besarnya Y untuk Xo=100 (Yˆ0 ) adalah:
2 2

F= = x2 E(Yo/Xo=100)=
MSSdariRSS ∑ i ( N − 2)
24,4545+0,5091(100)=75,37
 Digunakan unt menguji Ho:β=0 , Ho ditolak - Bisa saja berbeda dr nilai yg sebenarnya
jk F hitung>F tabel (F kritis) →ˆ
kesalahan

2 1 ( X 0peramalan
− X )2 
var(Y0 ) = σ  + 
 Misal F hitung=202,87 > F tabel=5,32 (5%,  N ∑x 2
i 
Yˆ − (α + β X 0 )
1, 8) → Ho ditolak t= 0
Se(Yˆ )
 Pd regresi sederhana → (t²=F) hitung →
[ ]
0

Pr a + bX 0 − t α .Se(Yˆ0 ) ≤ α + β X 0 ≤ a + bX 0 + t α .Se(Yˆ0 ) = 1 − α
unt Ho: β=0 didapat t hitung=14,26 dan F 2 2

hitung=202,87 (=14,26²)
- Besarnya
var(Yˆ0 ) = 42varians [
,159 101 +dr
(100contoh:
−170 )
33000
2
]
= 10,4873
Peramalan Se(Yˆ0 ) = 3,2383
 Misalnya didapat: Yˆi = 24,4545 + 0,5091X i
 Hasil regresi dapat digunakan melakukan - Interval keyakinan 95% unt E(Yo/Xo) sebe-
peramalan rata2 dan peramalan indivi- narnya adalah: interval keyakinan unt
dual. fungsi
[ 75,3676 regresi
− 2,306 (3,2383) ≤populasi
E (Yo / X = 100) ≤ 75,3676 + 2,306(3,2383)]
[ 67,8965 ≤ E (Yo / X = 100) ≤ 82,8325]
 lanjutan:
Pelaporan Hasil Analisis Regresi
- Xo=100, dlm penyampelan berulang, 95
 Cara yg digunakan:
dari 100 interval (67,8965-82,8325) akan
Yˆi = −0,0144 + 0,7240 X i , F1,11 = 108,30
meliputi nilai rata2 Y yang sebenarnya
Se (0,9313) (0,0700) r²=0,9065
- Penaksir titik → 75,3676
t (-0,0154) (10,3428) df=11
 Peramalan Individual p (0,987) (0,000)
- Untuk Xo=100 besarnya Yo diduga
sebesar
Yˆ0 = α + β X 0 = 24,4545 + 0,5091(100) = 75,3676 Yˆi = 24,4545 + 0,5091X i , F1,8 = 202,868
(6,4138) (0,0357) r ² = 0,9621
(3,8128) (14,2605) df = 8
→ sama dg peramalan rata2, tetapi (0,005) (0,000)
besar-nya varian adalah  1 ( X 0 − X )2 
var(Y0 − Yˆ0 ) = E[Y0 − Yˆ0 ] = σ 1 + +
2 2

 n ∑x 2
i  Evaluasi Hasil Analisis Regresi
 Seberapa baik model ?
- untuk contoh didapat var=52,6470 → 1. Kesesuaian tanda koefisien dg teori
interval
(58,6353 ≤ Y0 / X 0 ≤
keyakinan 95% didapat
92,0925) sebesar
2. Kesignifikanan koefisien scr statistik
3. Kebaikansuaian model (koefisien deter-
→ lebih lebar drp interval keyakinan unt minasi)
nilai rata2 Yo
Sebelumnya pastikan kenormalan dr Ui
 Lanjutan:

Uji Normalitas
 histogram residual
 normal probability plot
 S 2 ( K − 3) 2 
 jarque-Bera (JB) test → JB = n  6 + 24 
 
(S=koefisien Skewness, K=koefisien
Kurtosis)
mengikuti distribusi χ² dg df=2, jika nilai p
- Sangat rendah → residual didistribusikan
scr tidak normal
- Tinggi → residual didistribusikan secara
normal
Atau jk nilai JB dibandingkan χ² adalah:
->  residual didistribusikan scr tidak
normal
-<  residual didistribusikan scr normal
 Extensions of the Two-Variable Linear
Regression Model
1. Regression Through the Origin  Hasil: (a) ∑ ei tidak tentu nol, (b) r²
→ Yi = βXi + Ui bisa negatif → perlu berhati2
 Misal: CAPM dr teori portofolio menggunakannya.
modern → ( ERi − r f ) = β i ( ERm − r f ), hip.  Sebaiknya menggunakan model dg
Pendapatan permanen Milton intersep krn (a) intersep bs tidak
Friedman (Cp ~ Yp), teori an. Biaya signifikan scr statistik, (b) modei
(VC ~ Q) , teori monete ris (inf ~ Sm) interceptless bs menimbulkan
 Estimasi fungsi: specification error.
Yi = αˆ + βˆX i + ei
 Contoh: p-153
Yi = βˆX i + ei
∑XY ∑ x .y
i i
Yt =1.156Xt Yt=-0.447 + 1.171Xt
β= β=
i i

∑X i
2
∑x 2
i
Se (0.074396) (0.3629) (0.075386)
p (0.000) (0.2188) (0.000)
var(β ) =
σ2
,σˆ =
2 ∑ ei2 σ2 ∑ ei2
var(β ) = ,σˆ =
2
r² = 0.500309 0.503480
∑ i
X 2
n −1
∑ i
x 2
n− 2

 Beda: (a) SS dan cross product, (b)

df dari σ̂
2
 lanjutan:
2. Scaling & Unit of Measurement  β=0,2535 → jk Y naik 1 milyar, mk
 Contoh: It = a + bYt , I dan Y dalam I rata2 akan naik 0,2535 milyar.
a. milyar→ It = -926,090 + 0,2535Yt  β=0,0002535 → jk Y naik 1 juta,
r²=0,9648 (116,358) (0,0129) mk I rata2 akan naik 0,0002535
milyar.
b. juta → It = -926,090 + 0,2535Yt
 Perbedaan unit ukuran tidak
r²=0,9648 (116,358) (0,0129)
merubah konstanta dan koefisien
c. I (milyar) dan Y (juta) →
determinasi (r²)
It = -926,090 + 0,0002535Yt
r²=0,9648 (116,358) (0,0000129)
3. Regression on Standardized
d. I (juta) dan Y (milyar) → Variables
It = -926,090 + 253,524Yt  Variabel yang distandarkan ad:
r²=0,9648 (116,358) (12,9465)
Yi − Yi S= standar deviasi
 Interpretasi koefisien: Yi * =
(n=16) Sy
%dY (unit − Y ) Xi − Xi
β= X i* =
%dX (unit − X ) SX
 lanjutan:
 Sifat: mean ad 0 dan standar  N=15, β=1,63 → jk X (pengeluaran
deviasi ad 1 personal total) naik 1%, secara rata2
 Hasil koefisien regresi → beta koef. Y (pengeluaran barang tahan lama)
akan naik 1,63%.
Arti: jk X naik 1 standar dev, maka
scr rata2 Y akan naik … standar b. The Log-Lin Model
dev.
Yi = Y0 (1 + r ) t → ln Yi = ln Y0 + t.ln(1 + r ) → ln Yi = α + β .t
 Contoh: It = 0,9822 Yt
(0,0485) β= semi elastisitas, β.100=the growth rate
Contoh: Ŷ=8,3226 + 0,0071t
4. Functional Forms of Regression r²=9919 (5201,6) (39,167)
Models Selama periode 2003/1-2006/3 pengeluaran
a. The Log Linear Model (Log-log, jasa kuartalan meningkat 0,71% seban
doub le log, constant elasticity ding dg tk pertumbuhan tahunan 2,82%.
Yi = α X iβ e µ → ln Yi = ln α + β ln X i + µ i = a + β ln X i + µ
i
Karena 8,3226=ln Yo, Y pd periode awal
model
yaitu 4115,96
0,0071 = instantaneous rate og growth
Antiln(0,0071)-1 = compound rate of growth
Contoh: lnŶt=-7,5417 + 1,6266lnXt = 0,708% per kuartal
 lanjutan:
 Linear model trend d. Reciprocal Model
Yt = a + b.t +Ut  hasilnya menun- Yi = α + β ( ) +U
1
Xi i

jukkan trend yg menaik at menurun.

ln Yi = α + β ( )+U
1
Xi i

Ŷ = 4111,545 + 30,674.t Ketika X meningkat tak terbatas, mk β(1/X)

r²=0,9935 (655,563) (44,467) akan mendekati 0
 Selama periode 2003/1-2006/3 penge- Yˆi = 81,794 + 27237,17 ( )
1
Xi
luaran jasa meningkat 30 jt per kuartal r²=0,459 (7,551) (7,254)
c. The Lin-Log Model Jk pendapatan/kapita meningkat tidak
Untuk mengetahui perubahan absolut terbatas, mk kematian anak akan
Y akibat perubahan X 1%. mendekati nilai asimtotnya yaitu 82
kematian/1000.
Yi = a + b.lnXi +Ui
β positif menunjukkan pengaruh X thd Y
Ŷ = -1283,9 + 257,27.lnX adalah negatif.
r²=0,3769 (292,81) (45,434) e. Log Hyperbola/Logarithmic Reciprocal M.
Jk pengeluaran total naik 1%, scr rata2 pe- Awalnya Y meningkat dg tk yg menaik,
ngeluaran makanan naik 257,27 rupee kemudian kenaikannya menurun
lanjutan:
 Ringkasan Bentuk Fungsional Model Regresi
Model Persamaan Penggunaan Kemiringan Elastisitas
Linear Y=α+β.X β β.(X/Y)
Double Log lnY=α+β.lnX Mengukur elastisitas β.(Y/X) β
Log Lin lnY=α+β.X Mengukur tk pertum β.Y β.X
buhan
Lin Log Y=α+β.lnX β.(1/X) β.(1/Y)
Reciprocal Y=α+β.(1/X) -β.(1/X²) -β.(1/XY)
Log Reciprocal lnY=α+β.(1/X) Fungsi produksi jk β.(Y/X²) β.(1/X)
pendek
 7. MULTIPLE REGRESSION ANALYSIS: THE
PROBLEM OF ESTIMATION
1. The Three-Variable Model: Notation & Asummption
 PRF 3-variabel →Yi = α + β 1 X 1 + β 2 X 2 + U i β,1 , β2 ad koefisien regresi
parsial
 Asumsi: a. linear dlm parameter cov(U i , X 1i ) = cov(U i , X 2i ) = 0
b. nilai X tetap atau bebas E (U i / Xdr Ui →
1i , X 2 i ) = 0

c. rata2 dr Ui ad 0 → untuk setiap var(U i ) =I σ 2

d. varian Ui ad konstan (homoskedastis) → cov(U i ,U j ) = 0, i ≠ j
e. tidak terjadi auto/serial-korelasi antar U →
f. n > k
g. harus ada variasi nilai X
h. tidak ada hubungan linear exact antar X
i. tidakEada
(Yi / Xbias
1, X 2 ) spesifikasi
= α + β 1 X 1i + β 2 X 2i
 Interpretasi → → rata2 bersyarat atau nilai Y yg
diharapkan tergantung pd nilai X yg tetap at tertentu.
lanjutan:
2. The Meaning of Partial Regression Coefficient
 β1 mengukur perubahan nilai rata2 Y, E(Y), untuk setiap unit perubahan X1
dg menjaga X2 konstan. β2 Mengukur perubahan nilai rata2 Y untuk setiap
unit perubahan X2 dg menjaga X1 konstan.
 Bagaimana menjaga X lain konstan?
Ŷ = 263,8635 + 2,3905X₂ + e₁ → e₁ = (Y – 263,8635 - 2,3905X₂)
se (12,2249) (0,2135) r²=0,6695

X₁ = -39,3033 – 28,1427X₂ + e₂ → e₂ = (X₁ + 39,3033 – 28,1427X₂)

se (734,9526) (12,8211) r²=0,0721

→ e₁ = -0,0056.e₂
se (0,0019) r²=0,1152
 -0,0056 = nilai yg sebenarnya at menggambarkan efek bersih dr perubahan
X₁ terhadap Y (koefisien regresi parsial dr Y thd X₁ (β₁)
 OLS Estimation of Partial Regression Coefficient
 SRF → Yi = α + β1 X 1i + β 2 X 2i + ei
min ∑ ei2 = ∑ (Yi − α − β1 X 1i − β 2 X 2i ) 2
ESS βˆ1 ∑ yi x1i + βˆ2 ∑ yi x2i
α = Y − β1 X 1 − β 2 X 2 R =
2
=
TSS ∑ yi2
β1 =
( ∑ y x )( ∑ x ) − ( ∑ y x )( ∑ x
i 1i
2
2i i 2i 1i x2i )
( ∑ x )( ∑ x ) − ( ∑ x x )
2
1i
2
2i 1i 2i
2

β2 =
( ∑ y x )( ∑ x ) − ( ∑ y x )( ∑ x
i 2i
2
1i i 1i 1i x2i )
( ∑ x )( ∑ x ) − ( ∑ x x )
2
1i
2
2i 1i 2i
2

 1 X 12 ∑ x22i + X 212
∑ x12i − 2 X 1 X 2 ∑ x1i x2 i  2
var αˆ =  + .σ
 n ∑ x12i ∑ x22i − (∑ x1i x2i ) 2 

seαˆ = + var αˆ ,σˆ =

2 ∑ ui2
n −3
ˆ
var β1 =
∑ x22i
.σ 2
(∑ x1i )(∑ x2i ) − (∑ x1i x2 i )
2 2 2
Contoh:
 Kematian anak (M) dipengaruhi oleh GNPP (Y) dan tk membaca wanita (F)
pd 64 negara didapat Mˆ i = 263,6416 − 0,0056Yi − 2,2316 Fi , R 2 = 0,6981
(11,59) (0,002) (0,21) R²=0,7077
 -0,0056 → ketika Y naik $1, dg F tetap, scr rata2 M akan turun 0,0056 unit. Ketika Y
naik $1000, dg F tetap, scr rata2 M akan turun 5,6 per 1000 kelahiran hidup.
 -2,2316 → dg menjaga Y tetap, ketika F naik 1 unit, scr rata2 M akan turun 2,23
per 1000 kelahiran hidup.
 263,6416 → jk nilai Y dan F nol, rata2 besarnya F adalah 264 per 1000 kelahiran
hidup.
 0,7077 → sekitar 71% variasi M dijelaskan oleh Y dan F
8. MULTIPLE REGRESSION ANALYSIS: THE PROBLEM
OF INFERENCE
1. The Normality Assumption riabel masing2 mengikuti distribusi t
 Jk tujuannya ad mendapatkan esti- dg df N-3. βˆ − β βˆ − β αˆ − α
t= 1 1
, 2 2
,
masi titik, metode OLS cukup me- se( βˆ1 ) se( βˆ2 ) se(α )
madai. Tp jk tujuannya ad estimasi 2. Contoh Ilustratif
& inferensi , mk diperlukan asumsi Mˆ i = 263,6416 − 0,0056Yi − 2,2316 Fi , R 2 = 0,6981
bh Ui mengikuti distribusi normal dg (11,59) (0,002) (0,21) R²=0,7077
rata2 0 & varians σ² hg penaksir OLS (22,74) (-2,82) (-10,63) F=73,8325
bersifat BLUE. (0,00) (0,007) (0,00)
 αˆ , βˆ1 , βˆ2 didistribusikan scr normal dg 3. Uji Hipotesis Koef. Regresi
rata2 sama dg α, β₁, β₂ yg sebenar- Individual
nya. 2 Uji t
( N − 3)σˆ
 σ2 mengikuti distribusi χ² dg df Dg asumsi Ui~N(0,σ²) dpt digunakan
(N-3) dan 3 penaksir OLS didistribu- uji t dg hipotesis:
sikan bebas dr σ̂ . Dg mengganti σ²
2
Ho : β₁=0→ dg F tetap, Y tidak berpenga-
dg penaksir tidak biasnya σ̂ dlm
2
ruh thd M
menghitung kesalahan standar, va-
H₁ : β₁≠0 → dg F tetap, Y berpengaruh
 lanjutan:
 Keputusan dilakukan dg:
a. t=-2,82 sedang t(5%,61)=2,00 → krn
│th│>2,00 mk Ho ditolak
b. Sig=0,007 < α=5% → Ho ditolak
c. df=64-3=61, α=5% dan │th│>2,00
→ Ho ditolak
 Uji t satu sisi: Ho: β₁≤0
H₁ : β₁>0
jk Ho ditolak pd uji 2-sisi, mk Ho pasti
ditolak pd uji 1-sisi.
 Estimasi interval untuk β₁ adalah:
βˆ2 − t α .Se( βˆ2 ) ≤ β ≤ βˆ2 + t α .Se( βˆ2 )
2 2
− 0,0056 − 2(0,002) ≤ β ≤ −0,0056 + 2(0,002)
− 0,0096 ≤ β ≤ −0,0016
Interval -0,0096 – -0,0016 mengandung
koef. β₁ yg benar dg tk keyakinan 95%.
Keputusan: Ho ditolak krn besarnya
β yg diuji tidak berada dlm
interval.
4. Testing the Overall Significance of
the Sample Regression: The F
test
 Hipotesis yg diuji:
Ho: β₁=β₂=0
H₁ : tidak semua β scr simultan ad 0
Ho ditolak
Fh =
jk Fh>Ft
ESS df ESS (k − 1) R 2 (k − 1)
= =
RSS df RSS (n − k ) R 2 (n − k )
Ft dilihat pd df (k-1,n-k) dan α tertentu.
Atau Ho ditolak jk sig. F < α yg digunakan
 Keputusan: Ho ditolak krn Fh
(=73,8325) > Ft (=3,15) unt α (5%)
& df (2,61) → scr bersama2 Y dan F
berpengaruh nyata (signifikan) thd
 lanjutan:
 Kontribusi ‘tambahan’ atau ‘margi  Contoh: fungsi biaya total
nal’ dr X Yˆi = 141,7667 + 63,4777 X i − 12,9615 X i2 + 0,9396 X i3
Penambahan X dlm model regresi sebaik (6,3753) (4,7786) (0,9857) (0,0591)
nya dilakukan jk dapat meningkatkan R .2 cov(βˆ2 − βˆ3 )=-0,0576 R²=0,9983
R2 Ho: β₂=β₃=0 or (β₂-β₃)=0
akan naik, jk absolut t hitung dr X yg βˆ2 − βˆ3
t=
baru ditambahkan lebih besar dr 1. (
var(βˆ2 ) + var(βˆ3 ) − 2 cov βˆ2 , βˆ3 )
Jk penambahan sekelp X menghasilkan t=
− 12,9615 − 0,9396
=
− 13,9011
= − 13,3130
Fh yg lebih besar dr 1, R² akan naik. 0,9867 2 + 0,005912 − 2(− 0,0576) 1,0442

5. Testing the Equality of Two Ho ditolak krn ItI>t kritis → tidak betul
Yi = α +Coef
Regression β 1 X.1i + β 2 X 2i + β 3 X 3i + U i bahwa koef. X₂ dan X₃ ad identik (sama).
6. Restricted Least Square: Testing
Diuji hipotesa: Ho: β₂=β₃=0 or (β₂-β₃)=0 Linear Equality Restrictions
( βˆ2 − βˆ3 ) − ( β 2 − β H₁ :β₂≠β₃ βˆor (β₂-β₃)≠0
ˆ Fungsi produksi Cobb-Douglass
3) 2 − β3
t= =
Se( βˆ2 − βˆ3 ) (
var(βˆ2 ) + var(βˆ3 ) − 2 cov βˆ2 , βˆ3 ) Yi = αX 1βi 1 X 2βi2 eU i
ln Yi = a + β1 ln X 1i + β 2 ln X 2i + U i

Tolak Ho jk t > t kritis atau p value < α yg Constant return to scale →β₁+β₂=1
digunakan
lanjutan:
 Ada 2 pendekatan:  Perlu dilakukan uji F:
a. The t-Test Approach
F=
( RSS R − RSSUR ) / m = (R
2
)
− RR2 / m
UR

t=
( βˆ2 − βˆ3 ) − ( β 2 − β 3 ) RSSUR /(n − k ) (
1 − RUR
2
)
/(n − k )
Se( βˆ − βˆ )
2 3
mengikuti distribusi F dg df (m,n-k)
( βˆ2 − βˆ3 ) − 1
t=  Contoh:
(
var(βˆ2 ) + var(βˆ3 ) − 2 cov βˆ2 , βˆ3 ) lnŶ=-1,6524+0,3397lnL+0,8460lnK
Jk t > t kritis mk hipotesis CRS ditolak (0,0144) (0,0849) (0,0000)
R²=0,9951 RSS-ur=0,0136
b. The F-Test Approach: Restricted
ln(Ŷ/L)=-0,4947+1,0153ln(K/L)
Least Squares
(0,0007) (0,0000)
β₁=1-β₂ R²-r=0,9777 RSS-r=0,0166
ln Yi = α + (1 − β 2 ) ln X 1i + β 2 ln X 2i + U i F=
( RSS R − RSSUR ) / m = (0,0166 − 0,0136) / 1 = 3,75
RSSUR /(n − k ) 0,0136 /(20 − 3)
ln Yi = α + ln X 1i + β 2 (ln X 2i − ln X 1i ) + U i
(ln Yi − ln X 1i ) = α + β 2 (ln X 2i − ln X 1i ) + U Dg df (1,17) dan α=% didapat Ft=4,45 →
Ho diterima, perekonomian Mexico
→ restricted least squares (RLS), bersifat constant return to scale.
bagaimana tahu hasilnya valid?
 lanjutan:
 Hasilnya adalah:
 General F Testing
ln Ct = α + β 1 ln Yt + β 2 ln At + β 3 ln S t + β 4 ln Bt + ut
(1).....Yi = α + β1 X 1i + β 2 X 2i + ... + β n X ni + ui
(2).....H 0 : β1 = β 2 jk dianggap konsumsi ayam tidak
(3).....H 0 : β 2 + β 3 + β 4 = 3 dipengaruhi harga daging sapi dan babi,
(4).....H 0 : β 2 + β 3 + β 4 + β 5 = 0 Ho adalah: H0 : β 3 = β 4 = 0
ln Ct = α + β 1 ln Yt + β 2 ln At
Larger model → unconstrained model (1), Setelah data dimasukkan didapat:
smaller model → constrained model di
ln Ct = 2,19 + 0,34 ln Yt − 0,50 ln At + 0,15 ln S t + 0,09 ln Bt + ut
dapat dr (1) dikurangi beb. X (4), mema
(0,16) (0,08) (0,11) (0,10) (0,10)
sang kendala linear (2) atau (3)
R²ur=0,9823

F=
( RSS R − RSSUR ) / m = (R
2
UR )
− RR2 / m ln Ct = 2,03 + 0,45 ln Yt − 0,38 ln At + ut
RSSUR /(n − k ) (1 − RUR
2
)
/(n − k ) (0,12) (0,02) (0,06) R²r=0,9801

F=
(R
UR )
− RR2 / m ( 0,9823 − 0,9801) / 2
2
= = 1,1224
Df m adalah 1 unt (2) & (3), 4 unt (4). (
1 − RUR
2
)
/(n − k ) (1 − 0,9823) /(23 − 5)
Jk Fh>F(α,m,n-k) → Ho ditolak
 Contoh: konsumsi ayam/kapita (C), dipe F(5%,2,18)=3,55 → Fh<Ft → Ho diterima,
ngaruhi pendapatan disposible/kap (Y), Konsumsi ayam tidak dipengaruhi harga
harga ayam (A), daging (S), & babi (B). daging sapi & babi
 lanjutan:
 Uji F untuk menambah/mengeluark Testing for Structural or Parameter
variabel: Stability of Regr. Models: The Chow
( ESS N − ESS 0 ) /(k N − k 0 ) ( RN2 − RO2 ) /(k N − k O ) Test
F= =
RSS N /(n − k N ) (1 − R ) /(n − k
2
N N ) Model regresi dg data time series, me-
mungkinkan adanya perubahan struk-tural
Jika F>F[α,(k N − k 0 ), (n − k N ) ]→ var X yg dlm hubungan antara X dg Y.
baru sebaiknya dimasukkan model. Perubahan struktural berarti nilai para-
 Contoh: Mˆ i = 157,4244 − 0,0114Yi , r 2 = 0,1528 meter model tidak tetap sama selama
(15,99) (-3,52) r²=0,1662 keseluruhan periode. Hal ini bisa disebab
F=
( 0,7077 − 0,1662) /(3 − 2) = 113.05 kan karena faktor eksternal spt embargo
(1 − 0,7077 ) /(64 − 3) minyak ol OPEC, perubahan kebijakan,…
F(5%;1,61)=4,00 → F>Ft → var. F sebaik Bagaimana menemukan bh perubahan
nya dimasukkan dlm model regresi struktural terjadi? Contoh: fungsi tabu-ngan
USA 1970-1995. Anggap 1982 ter jadi resesi
ekonomi.
1970-1981 Ŷt=1,0161 + 0,0803Xt
t (0,0875) (9,6015)
r²=0,9021 RSS-1=1785,032 df=10
 lanjutan:
 1982-1995 Ŷt=153,4947 + 0,0148Xt
t (4,6922) (9,6015)
r²=0,29711 RSS-2=10005,2 df=12
 1970-1995 Ŷt=62,4226 + 0,0376Xt
t (4,8917) (8,8937)
r²=0,7672 RSS-3=23248,3 df=24
 F hitung didapat dg rumus:
( RSS R − RSSUR ) / k
F=
RSSUR /(n1 + n2 − 2k )
RSS-R=RSS 1970-1995, RSS-UR=RSS-1 + RSS-2
 Jk Fh>Ft  terjadi perubahan struktural
dlm model regresi
( 23248,3 − 11790,252) / 2
 Fh sebesar: F = 11790,252 /(12 + 14 − 2.2) = 10,69
 F(1%,2,22)=5,72
 Karena Fh>Ft Te;ah terjadi perubahan
struktural dlm fungsi tabungan USA
Testing the Funcional Form: Choosing
betw Linear & Log Linear-MWD Test
Ho: Model Linear (Y ad fungsi linear dr X)
H₁ : Model Log-Linear (lnY ad f. linear lnX)
Tahap uji MacKinnon, White & Davidson:
-Estimasi model linear, dapatkan nilai Ŷ
-Estimasi model log-linear dapatkan nilai
ln̂ Y
- Dapatkan Z₁=(lnŶ-ln̂ Y )
-Estimasikan Y terhadap X dan Z₁. Tolak Ho
jk Z₁ signifikan scr statistik (gunakan uji t)
-Dapatkan Z₂=(antiln dr ln̂-Y Ŷ)
-Estimasikan lnY thd ln X dan Z₂. Tolak H₁ jk
Z₂ signifikan scr statistik
Contoh: fungsi permintaan bunga mawar
di Detroit periode 1971-3 sampai 1975-2
 lanjutan:
 Ŷ=9734,22 - 3782,20P + 2815,25Pc
(3,37) (-6,61) (2,97)
 LnˆY=9,23 – 1,76lnP + 1,34 lnPc
(16,23) (-5,90) (2,54)
 Ŷ=9727,57–3783,06P+2817,72Pc+85,23Z₁
(3,22) (-6,33) (2,84) (0,02)
F = 13,44 R² = 0,7707
 Karena Z₁ tidak signifikan scr statistik 
Ho diterima, model yg benar ad model
linear.
 DUMMY VARIABLE REGRESSION MODEL
The Nature of Dummy Variable
 Dlm an. Regresi, var. bebas tidak hanya
berskala rasio (pendapatan, output,
harga, biaya, suhu) tp jg var. kualitatif
yg berskala nominal (jenis kelamin, ras,
warna kulit, daerah geografis,
kewarganegaraan, partai).
 Karena var tsb biasanya menunjukkan
ada atau tidak adanya suatu kualitas
atau suatu atribut (pria atau wanita,
Islam atau non Islam, demokrat atau
republik), var ini pd dasarnya ad skala
nominal yg diberi nilai 1 jk ada atribut
tsb dan nilai 0 jk tidak ada atribut tsb
→ var. dummy.
ANOVA Models
 Yi = α + β₁D₁+ β₂D₂ + Ui
Yi = gaji guru sekolah negeri di neg bag
Di = negara bagian (utara, selatan, barat)
D₁ = 1 → unt neg bag utara
= 0 → unt neg bag lainnya
D₂ = 1 → unt neg bag selatan
= 0 → unt neg bag
 Ŷi = 48014,65 + 1524,10D₁ - 1721,03D₂
(25,85) (0,65) (-0,70)
(0,00) (0,52) (0,49)
 Rata2 gaji guru di barat ad 48014,65, gaji
guru di utara lebih tinggi 1524,10 dan
gaji guru di selatan lebih rendah 1721,03
 Tp ternyata perbedaan tsb tidak
signifikan → scr statistik rata2 gaji guru
sekolah negeri di barat, utara dan
selatan ad sama
 Lanjutan:
Caution in the Use of Dummy Var.  Jk var kualitatif mempunyai > 1 kate-gori,
 Jumlah var dummy ad sebanyak katagori penentuannya terserah peneliti
dikurangi 1. Misal tk pendidikan ada 4  Untuk menghindari the dummy var trap
katagori, berarti jumlah var dummy ada 3 dg menggunakan var dummy sebanyak
kategori dg model interceptless
D₁=1, SD D₂=1, SMP D₃=1,SMU
Yi = β₁D₁ + β₂D₂ + β₃D₃
SD 1 0 0 D₁=1 → daerah di barat
SMP 0 1 0 D₂=1 → daerah di utara
SMU 0 0 1 D₃=1 → daerah di selatan
Yi=48014,62D₁+49538,73D₂+46293,59D₃
PT 0 0 0
(25,85) (33,90) (28,51)
 Kategori yg mempunyai nilai 0 disebut Koefisien menunjukkan rata2 gaji di setiap
sbg kategori dasar/pembanding, neg bag.
perbandingan dibuat dg kategori tsb.
ANOVA Models with 2 Qualitative
 Konstanta menunjukkannilai rata2 dr
Vars
kategori dasar
Ŷi = 8,81 + 1,10D₁ - 1,67D₂ R²=0,032
 Koefisien di depan var dummy disebut
(21,95) (2,37) (-3,45)
differential intercept coef krn
menunjukan sebrp banyak nilai kategori (0,00) (0,02) (0,00)
dg dummy 1 berbeda dr kategori D₁ = 1, status perkawinan menikah
Lanjutan:
 MULTICOLLINEARITY
Asumsi ke-8 CLRM ad tidak terjadi multiko-  Sumber terjadinya multikol (Montgomery
linearitas diantara regressor dlm model & Peck):
regresi. - Metode pengumpulan data yg digunakan
The Nature of Multicollinearity - Kendala pd model at populasi yg diambil
 Multikol adalah: sampelnya
- Terjadinya hubungan linear yg sempurna - Spesifikasi model
at tepat diantara beberapa at semua v. - Model overdetermined (jk jumlah X > n)
bebas dlm model regresi. - Unt data time series, regresor mengikuti
X₁ X₂ X₂. X₂=5X₁ ada koli- pola trend umum: menaik at menurun dr
10 50 52 nearitas ant X₂ dg waktu ke waktu. Misalnya pendapatan,
X₁ r₁₂=1 kekayaan dan penduduk mempengaruhi
15 75 75 pengeluaran konsumsi
X₂. dg X₁ berkorela
18 90 97 Estimation in the Presence of Multicoll.
si kuat r₁₂.=0,996
24 120 129  Perfect  koef. regresi tidak tertentu &
Y
30 150 152 standar error tidak terbatas
X₁X₁ X₂X₂
 High but imperfect  koef. regresi dpt
- Terjadinya hubungan linear yg kuat walau- diperoleh tp standar error besar
pun tidak sempurna antar v. bebasnya
 Theoretical Consequences of Multicollinerity
Dlm kasus near multikol estimator2 OLS  Contoh ilustratif
masih bersifat BLUE: Ĉi = 24,775 + 0,942Yi – 0,042Wi R²=0,9635
 Theoritical (3,669) (1,144) (-0,526) df=7 F=92,40
- Tidak bias
- Mempunyai varians minimum Ŵi= 7,545 + 10,191Yi R²=0,9979
- Merp fenomena regresi sampel walau (0,256) (62,041)
pun var2 X tidak berhubungan linear pd
populasi, tp pd sampel tertentu yg diam- Ĉi = 24,455 + 0,510Yi R²=0,9621
bil mungkin berhubungan (3,813) (14,243)
 Practical
- Walaupun BLUE, estimator OLS memiliki Ĉi = 24,411 + 0,0498Wi R²=0,9567
varians & kovarians yg besar  sulit men (3,551) (13,29)
dapatkan estimator yg akurat
- Interval kepercayaancenderung sangat LnĈi = -0,468+0,805.lnYi+0,202.lnW-0,003.I
lebar  menerima Ho (0,000) (0,000) (0,000) (0,000)
- t hitung cenderung tidak sig scr statistik R²=0,9996 F=37832,59 p-F=0,000
walaupun R² sangat tinggi 0,805  elastisitas pendapatan 0,805, artinya:
- Esrimator OLS & Se-nya sensitif thd peru- dg W dan I tetap, jk pendapatan (y) naik 1%,
mk rata2 konsumsi (C) akan naik 0,805%.
bahan kecil dlm data
 Detection of Multicollinearity
Multikol pd dasarnya ad fenomena - Tolerance & Variance Inflation Factor
sampel, deteksi keberadaan Jk VIF>10 kolinear tinggi,
multikol: Tol~0 kolinear tinggi, Tol~1 kolinear
- R² tinggi (>0,8) tp t hitung sedikit yg sig. rendah
- Korelasi berpasangan tinggi diant var. X - Scatterplot (gb. 10.4 hal.341)
(regresi dg 2 var. X) koef. Korelasi derj  Remedial Measures
0 ant 2 var. X ad tinggi (>0,8) Jk multikol ad parah, yg dapat dilakukan ad:
- Pemeriksaan korelasi parsial  R² model - Do nothing
tinggi, tp r² (Y dg X₂, Y dg X₃, R X2 Y dg X₄) ren-
. X X ... X /( k − 2)
Fi = i 2 3 k - Follow some rule of the thumb
dah (Farrar & Glauber) (1 − R X2 . X X ... X ) /(n − k + 1)
- Regresi auxillary 
i 2 3 k
a. A priori information
b. Kombinasi data time series dg cross
jk Fi>F kritis dg df (k-2) & (n-k+1) Xi
section
memp kolinear dg X lainnya, apakah Xi
perlu dikeluarkan dr R X2model
. X X ... X regresi?
i 2 3 k
c. Mengeluarkan var X yg berkolinear tinggi
Klein’ rule of thumb  jk >R² d. Transformasi var  bentuk differensi
model berarti ada masalah multikol pertama, bentuk rasio
parah e. Menambah at menggunakan data baru
- Eigenvalue & Condition Index f. An faktor, an komponen utama
Jk 100<k<1000  multikol sedang-kuat,
 lanjutan:
 Jk tujuan regresi ad prediksi , multikol Deteksi multikol
tidak masalah, tp tidak jk tujuannya jg
X₁ X₂ X₃ X₄ X₅
estimasi parameter yg dpt diandalkan.
 Regresi data Longley
0,992
Var. Koefisien Prob. R² value Tol=1-R²
0,621 0,604
C -3482259, 0,0036
0,465 0,446 -0,18
X₁ 15,06187 0,8631 0,9926 0,0074
0,989 0,991 0,686 0,364
X₂ -0,035819 0,3127 0,9994 0,0006
0,991 0,995 0,668 0,417 0,994
X₃ -2,020230 0,0025 0,9702 0,0298
X₄ -1,033227 0,0009 0,7213 0,2787  Perbaikan:
X₅ -0,051104 0,8262 0,9970 0,0030 - Memasukkan PNB riil, RGNP=X₂/X₁
X₆ 1829,151 0,0030 0,9986 0,0014 - Mengeluarkan X₆, X₃
R²=0,9955 F=330,2853 (0,000) DW=2,56 Var. Koefisien Prob.
C 65720,37 0,0000
 Gejala multikol:
RGNP 9,736496 0,0002
- R² tinggi tp 3 X tidak sig scr statistik (X₁, X₂
X₄ -0,687966 0,0541
& X₅)
X₅ -0,299537 0,0562
- Korelasi berpasangan cukup tinggi
R²=0,9955 F=211,10(0,00)
- R² regresi penyokong tinggi kecuali X₄
 HETEROSCEDASTICITY
Asumsi CLRM ad Ui dlm PRF ad homo Estimasi OLS Dg adanya Heterosk.
skedastik (memp varians yg sama)  Penaksir OLS tetap tidak bias & konsisten
berapapun X  E(Ui²)=σ² i=1,2, tp tidak efisien dlm sampel besar at kecil.
…,n Metode General LS (GLS)
Alasan varians Ui bersifat variabel:
- Mengikuti model kesalahan belajar, Deteksi Heteroskedastisitas
misal nya kesalahan ketik dg makin  Metode informal
seringnya praktek mengetik - Sifat dr masalah
- Makin tinggi pendapatan, makin tinggi - Metode grafis
discretionary income – pilihan  Metode formal
pembagian pendapatannya makin Uji Bentuk Pengujian
banyak
Park LnU²=α+β.lnX Jk β signifikan scr
- Tehnik pengumpulan data makin baik statistik berarti
Glejser |Ui|=α+β.X
terjadi heteroske-
- Kewujudan outlier |Ui|=α+β. √X dastisitas
- Spesifikasi model yg tidak benar |Ui|=α+β.1/X
- Skewness dlm dist ≥1 var X dlm model |Ui|= (α+β.1/√X)
- David Henry: transformasi data yg tidak |Ui|=√(α+β.X)
tepat, bentuk fungsional model tdk |Ui|=√(α+β.X²)
tepat
 lanjutan:
 Ŷi=1992,3452+0,2329Xi R²=0,4375 Contoh:
(2,1275) (2,3333) n=90 Yi Xi Ŷi Ui RU RX d d²
BF 12,4 12,1 11,37 1,03 9 4 5 25
Uji Park  LnUi²=35,817-2,8099.lnXi
DF 14,4 21,4 15,64 1,24 10 9 1 1
R²=0,0595 (0,934) (-0,667)
EF 14,6 18,7 14,40 0,20 4 7 -3 9
Uji Glejser  |Ui|=407,2783-0,0203Xi FI 16,0 21,7 15,78 0,22 5 10 -5 25
R²=0,0127 (0,6432) (-0,3012) IM 11,3 12,5 11,56 0,26 6 5 1 1
- Uji Spearmen’s Rank Correlation LSM 10,0 10,4 10,59 0,59 7 2 5 25
MIT 16,2 20,8 15,37 0,83 8 8 0 0
Lakukan regresi, dapatkan Ui
NEF 10,4 10,2 10,50 0,10 3 1 2 4
Ranking besarnya |Ui| dr yg terkecil/terbe
PFB 13,1 16,0 13,16 0,06 2 6 -4 16
sar. Ranking besarnya Xi atau Yi, cari 2
beda kedua ranking & hitung:
r = 1 − 6  ∑2di  WF 11,3 12,0 11,33 1,03 1 3 -2 4
rs n − 2 s  n ( n −1) 
Hitung t =
Tot 0 110

[ ]
2
1− rs
rs = 1 − 6 10 (110
100−1) = 0,3333

10 −2
unt df 8, th tidak
Jk t hitung > t kritis (pd α dan df=n-2)  t = 0,3333 = 0,9998
1−0 , 3333
sig pd α=10% 
terjadi heteroskedastisitas. Jk X lebih dr
tidak ada bukti terjadi hub sistematik
1, dihitung |Ui| & tiap X scr terpisah &
antara X dg absolut Ui, tdk terjadi hete-
hitung t-nya.
roskedastisitas
 Lanjutan:
- Uji White’s General Heteroscedasticity Ho : ρ=0
Estimasi model regresi Y=α+β₁X₁+β₂X₂ , da- Jk Ho diterima, ρ tidak sig scr statistik (dg
patkan Ui. uji t)  tidak terjadi heterosk
Estimasi Ui²=f(X₁,X₂,X₁²,X₂²,X₁X₂), dapatkan Jk model double log  Ui² diregresikan
R²-nya  hitung n.R² mengikuti distri- pada (lnŶi)²
busi χ² dg df= jumlah var bebas dr reg-resi Perbaikan:
Ui²
a. Jk σ² diketahui  metode Weight LS
Jk n.R² > χ² kritis  terdapat heterosk. Yi  1
 ˆ  X i   ui 
= αˆ *  + β *   +  
Contoh: LnYi=α+β₁.lnX₁+β₂.lnX₂+Ui σi σi
  σi  σi 
Uji WGHUi²=-5,84+2,56lnX₁+0,69lnX₂- Yi  1  X
= 3406,639  + 154,153 i
 2
, R = 0,9993
0,41(lnX₁)²-0,05(lnX₂)²+0,0015(lnX₁. lnX₂) σi σi   σi 
R²=0,1148 n.R²=41.0,1148=4,7068 Yi = 3417,833 + 148,767 X i , R 2 = 0,9383

df=5, α=5% χ² kritis =11,0705  tdk Y X σᵢ Yᵢ/σᵢ Xᵢ/σᵢ

terdapat heteroskedastisitas 3396 1 742,2 4,5664 0,0013
- Uji Koenker-Bassett (KB) 3787 2 851,4 1,4480 0,0023
Yi = α + β1 X 1 + β 2 X 2 + ... + β k X k + ui
4013 3 727,8 5,5139 0,0041
uˆ 2 = δ + ρ (Yˆ ) 2 + v
i i i
4104 4 805,06 5,0978 0,0050
 Lanjutan:
b. Jk σ² tidak diketahui 1. Tk kematian balita
- Varians & Se White’s Heterosc-Consistent Mi=263,64-0,0056Yi-2,2316Fi
(robust Se), tersedia dlm program (0,000) (0,007) (0,000)
statistik Uji Park Ui²=854,40+5,70Mi
Ŷi=832,91-1834,2Xi+1587,04Xi² (1,201) (1,243)
OLS Se= (327,3) (829,0) (519,1) Uji Glejser|Ui|=22,313+0,065Mi
t = (2,54) (-2,21) (3,06) (2,809) (1,262)
White Se=(460,9) (1243,0) (830,0)
2. Pengeluaran riset
t= (1,81) (-1,48) (1,91)
Ri=1338+0,044Si
- Varians
Asumsi
Ui ttgYi=α+β.X+Ui
pola heteroskedastisitas
(0,27) (1,58)
proporsional
Uji ParkUi²=-72493719+916,1Si
to Xᵢ² Yi
= α
+β + ui
=α 1
+ β + vi
Xi Xi Xi Xi
(-1,32) (3,01)
to Xᵢ Yi
Xi
= α
Xi
+ β Xi + ui
Xi
=α 1
Xi
+ β X i + vi Uji Glejser|Ui|=-1003+0,04639Mi
to Yi² Yi
E (Yi ) = α
E (Yi ) +β Xi
E (Yi ) + ui
E (Yi ) =α 1
E (Yi ) +β Xi
E (Yi ) + vi (-0,43) (3,62)
Transform. ln LnYi=α+β.lnXi+Ui Uji WhiteUi²=-46746325+578Si+0,000846Si²
n=14 R²=0,435 (-0,42) (0,44) (0,27)
n.R²=6,090 > χ²(2,5%=5,99147)terdapat hete-
roskedastisitas
Contoh:
 AUTOKORELASI
 Ad korelasi antar anggota seri observasi Penawaran komoditi pertanian:
yg diurutkan berdasar waktu (serial cor- Q st = α + β Pt −1 + ut
relation) at ruang (spatial autocorrela- - Transformasi data
tion)  cov(u , u / X , X ) = E (u u ) = 0, i ≠ j
i j i j i j Keterlambatan (lag) Ct = α + β 1Yt + β 2Ct −1 + ut
 model autoregresif at bentuk (first)
kesalahan pengganggu observasi tidak
difference ∆Y=∆X+Ui
dipengaruhi ol kesalahan pengganggu
observasi lain - Manipulasi data (perata-rataan,
interpola si, ekstrapolasi)
 Kenapa terjadi autokorelasi?
- Non-stationaritas
- Inertia
Karakteristik data (mean, var, cov) ad time
Data time series (GNP, IHK, Q, kesempatan
invariant (tidak berubah dr waktu ke
kerja, pengangguran) menunjukkan pola
waktu)
siklus.
 Konsekuensi Autokorelasi
- Bias spesifikasi (var X yg tidak dimasuk
kan, bentuk fungsional model yg salah) - Sifat penaksir OLS: tidak bias, konsisten,
tidak efisien  konsekuensi:
- Fenomena Cobweb
a. Interval keyakinan menjadi lebar & uji
Terjadi pd penawaran banyak hasil pertani-
signifikansi tidak akurat
an (S bereaksi thd P 1 periode sblnya)
 lanjutan:
b. Uji signifikansi t dan F tidak sah & dpt - Uji Breusch-Godfrey (LM test)
memberikan kesimpulan yg salah Yt = f ( X t ) → ut → ut = f ( X t , ut −1 , ut − 2 ,..., ut − p ) → R 2
c. Penaksir OLS sensitif thd fluktuasi (n − p) R 2 > χ 2 → terjadi − autokorelasi
penyampelan
df χ² = p
 Deteksi Autokorelasi
 Jk terjadi Autokorelasi, bagaimana?
- Metode grafis
a. Apakah autokorelasinya murni?
Membuat scatterplot Ut dg waktu
b. Transformasi model regresi dg model
- Durbin-Watson d (autokorelasi first GLS
dorder)
< dL Autokorelasi positif
c. Menggunakan metode Newey-West
d > 4-dL Autokorelasi negatif unt dapat Se penduga OLS yg telah
dL < d < 4-dU Tidak terdapat autokorelasi dikoreksi dr autokorelasi
dL ≤ d ≤ dU d. Tetap menggunakan metode OLS
Ragu-ragu, tidak meyakinkan
4-dU ≤ d ≤ 4-dL

Asumsi:
a. Model dg konstanta, tidak memasukkan
Y(t-1) sbg var bebas
b. X nonstokastik
 Konsumsi AS
Variables Coefficient Std.Error t-Statistics Prob.
1947-2000
Konstanta -0,467711 0,042778 -10,93343 0,0000
Ln(Income) 0,804873 0,017498 45,99836 0,0000
Ln(Wealth) 0,201270 0,017593 11,44060 0,0000
V. dependent:
Interest -0,002689 0,000762 -3,529265 0,0009
Ln(Konsumsi)
R-squared 0,999560 Mean dependent var.
Adjusted R-adjusted 0,999533 7,826093
n=54
S.E. of regression 0,011934 S.D. dependent var. 0,552368
Sum squared resid. 0,007121 F-statistics 37832,59
Log likehood 164,5880 Prob. (F-statistics) 0,000000
Durbin-Watson stat. 1,289219
Variables Coefficient Std.Error t-Statistics Prob. Hasil estimasi
Konstanta -0,399833 0,070954 -5,635112 0,0000 dg Skema
Ln(Income) 0,845854 0,029275 28,89313 0,0000 autokorelasi(1)
Ln(Wealth) 0,159131 0,027462 5,794501 0,0000
Interest 0,001214 0,000925 1,312986 0,1954
AR(1)/C(-1) 0,612443 0,100591 6,088462 0,0000 V. dependent:
R-squared 0,999688 Mean dependent var. 7,843871
Ln(Konsumsi)
Adjusted R-adjusted 0,999662 S.D. dependent var.
S.E. of regression 0,009954 0,541833 n=53
Sum squared resid. 0,004756 F-statistics 38503,91
Log likehood 171,7381 Prob. (F-statistics) 0,000000
Durbin-Watson stat. 1,874724
 15. QUALITATIVE RESPONSE REGRESSION
MODELS
 Bagaimana jk var tergantung dr fungsi regresi adalah kualitatif? Misalnya
kepemilikan kartu kredit-asuransi jiwa, walikota terpilih, keputusan pembelian
barang, … jk pilihan 2  biner/dikotomi  LPM, Logit, Probit/Normit
 Linear Probability Model (LPM)
Yi = α + βXi + Ui , Yi= kepemilikan rumah  Yi=1 : keluarga punya rumah,
Yi=0 : keluarga tidak punya rumah, Xi = pendapatan
E(Yi/Xi)=α+βXi  probabilita suatu keluarga memiliki rumah Yi Probabilitas
Yi mengikuti distribusi Bernoulli  E(Yi)=0(1-Pi)+1.Pi=Pi 1 Pi
0≤E(Yi/Xi)≤1 0 1-Pi
- Walaupun penduga OLS tidak bias, Ui tidak terdistribusi normal (Bernoulli) tp
seiring dg peningkatan n penduganya akan cenderung terdistribusi normal
- Varians Ui bersifat heteroskedastis
var(Ui)=Pi(1-Pi) , Pi= E(Yi/Xi)=α+βXi  var Ui tergantung nilai X , bisa diperbaiki
Yi α X u
dg WLS = + β i + i , wi = Yˆi (1 − Yˆi )
wi wi wi wi
 lanjutan:
- Nilai probabilitas Pi ada kemungkinan tidak memenuhi 0≤E(Yi/Xi)≤1
- Nilai R² diragukan sbg goodness of fit (lebih kecil)
Contoh: a. Kepemilikan rumah
Y 1 X
Ŷi = -0,9457 +0,1021Xi , r²=0,8048  w
= − i
1, 2456
w
+ 0,1196
w
, r = 0,9214
i 2

i i i
(-7,698) (12,515) n = 40 (-10,332) (17,454) n=28
α=-0,9457  probabilitas keluarga dg pendapatan 0 memiliki rumah ad 0%
β=0,1021  jika pendapatan naik $1 (000), mk probabilitas keluarga akan memiliki
rumah naik rata2 10,21%
X=12000  Yi=-0,9457 + 0,1021(12000) = 0,2795  probabilitas keluarga dg pendapatan
$12,000 akan memiliki rumah ad 28%
b. Penggunaan kartu debit  Y=1 : pakai kartu debit Variabel Model-1 Model-2
=0 : tidak pakai kartu debit Konstanta 0,361* 0,3631*
Pemilik saldo rekening lebih besar cenderung memakai Saldo 0,00028* 0,00028*
kartu debit dlm transaksi JTA -0,0269 -0,0269
Jumlah transaksi melalui ATM (JTA) tidak mempengaruhi Bunga -0,3019* -0,3019*
pemakaian kartu debit. Tanda negatif mungkin disebab R² 0,1056 0,1056
kan transaksi ATM dikenakan biaya
 Untuk mengatasi kelemahan LPM diperlukan model yg menggambarkan:
peningkatan Pi krn naiknya Xi tidak memenuhi batas 0-1 dan hubungan Xi dg
Pi ad non linear  scr grafis berupa kurva berbentuk S : CDF

Cummulative distribution Function (CDF) 1 P

 Model Logit  CDF logistik
1 1 eZ
Pi = = = , Z = α + βX i  fungsi dist logistik
1 + e − ( ε + φX i ) 1 + e − Zi 1 + e Z
- ̴ 0 ̴
X
Jk Pi
1− P =
ad
1 probabilitas
→
Pi
=
1 + e Zmemiliki rumah
 P  maka
= e Z → L = ln i = Z = α + β X
i i   i i
1 + eZ 1 − Pi 1 + e−Z  1 − Pi   model logit, contoh:

Hasil estimasi nilai MK dg metode ML Eviews-6: Li=-13,0213+2,8261.I+0,0951.N+2,3786.D

Mc Fadden R²=0,3740 LR stat(df=3)=15,40419(0,0015) (0,0082) (0,0252) (0,5014) (0,0255)
- t diganti Z, F diganti LR stat mengikuti dist χ²
- R² diganti R² hitung atau R² Mc Fadden
β₁=2,8261jk IPK naik 1 unit, ceteris paribus, scr rata2 logit meningkat 2,83 unit
N tidak berpengaruh signifikan, tp scr serentak I, N dan D berpengaruh signifikan
β₃=2,3786e^2,3786=10,7897 mhs yg mendapat metode mengajar baru, probabilitas
mendapat nilai A ad 10 kali lebih besar
 lanjutan:
Li=-13,0213+2,8261(3,92)+0,0951(29)+2,3786(0)=0,814912Pi=0,69351
probabilitas mhs mendapat nilai A ad 69,3511A
R²=26/32=0,8125 , R²mf=0,3740
Variabel Koefisien Prob.
Penggunaan kartu debit  Konstanta -0,57490 0,4644
 Tanda koef sama dg yg dihasilkan LPM Saldo 0,00125 0,0735

 Koef bunga = -1,35209  jk bunga naik 1 JTA -0,12023 0,2008

poin, ceteris paribus, logit akan turun 1,35. Bunga -1,35209 0,0471

 Antiln -1,35209 = 0,2587  jk bunga diba- LR Statistic 6,60733 0,0855

yarkan ke rekening, scr rata2 sekitar 25% nasabah yg bersedia menggunakan

kartu debit.
 R²mf=0,0805
 Secara bersama2 variabel Saldo, JTA, dan Bunga berpengaruh signifikan thd
penggunaan kartu debit dalam transaksi.
Model Probit (Normit)  CDF normal
LPM Probit
Koefisien Prob. Koefisien Prob.
Konstanta -1,4980 0,0079 -7,4523 0,0033
I 0,4638 0,0078 1,6258 0,0191
N 0,0104 0,5943 0,0517 0,5374
D 0,3785 0,0110 1,4263 0,0165
R² = 0,4159 , DW=2,35 LR Stat = 15,5458 (0,0014)
F = 6,6456 R²mf = 0,3774