Marlina Ekawaty
TIU: mhs memahami konsep, pendekatan, metodologi
ekonometrika & mampu menerapkannya scr praktis.
ke Pokok Bahasan Sub Bahasan Sumber
Theoritical Applied
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
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 Prinsip kuadrat terkecil memilih a &
sarkan SRF setepat mungkin? Ada b sedemk rupa shg unt sampel ttt
beberapa metode al: OLS, ML Σei² sekecil mungkin. Dg ini didapat:
∑ ( Xi − X )(Yi − Y ) ∑ xi yi
b= =
The Method of Ordinary Least Square ∑ ( Xi − X ) 2 ∑ xi2
∑ (Yi − Yi ) 2 TSS
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
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
→ 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
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 Testing the Funcional Form: Choosing
t (4,6922) (9,6015) betw Linear & Log Linear-MWD Test
r²=0,29711 RSS-2=10005,2 df=12 Ho: Model Linear (Y ad fungsi linear dr X)
1970-1995 Ŷt=62,4226 + 0,0376Xt H₁ : Model Log-Linear (lnY ad f. linear lnX)
t (4,8917) (8,8937) Tahap uji MacKinnon, White & Davidson:
r²=0,7672 RSS-3=23248,3 df=24
-Estimasi model linear, dapatkan nilai Ŷ
F hitung didapat dg rumus:
( RSS R − RSSUR ) / k -Estimasi model log-linear dapatkan nilai
F=
RSSUR /(n1 + n2 − 2k ) ln̂ Y
[ ]
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 WGHUi²=-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
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
poin, ceteris paribus, logit akan turun 1,35. Bunga -1,35209 0,0471