1. Apa yang dimaksud dengan model regresi ? dan bagaimana model regresi
yang ideal?
2. Bagaimana cara mengatasi masalaah autokorelasi?
Jawaban :
1. Model Regresi merupakan perwujudan dari suatu abstraksi berbagai aspek realita /
yang terjadi dalam dunia nyata, yang dibuat untuk satu / berbagai tujuan (Sugiyanto, 2009).
Model ekonomi merupakan penyederhanaan fenomena yang ada di dunia nyata, biasanya
dapat diwujudkan dalam bentuk hubungan-hubungan, diagram, maupun persamaan.
Dimana e merupakan nilai kesalahan / residu yang timbul karena adanya perbedaan
antara nilai aktual setiap Y yang diobservasi untuk setiap nilai X dengan nilai Y yang ditaksir
oleh persamaan regresi untuk nilai-nilai X tertentu. Untuk observasi individual bisa terjadi
nilai residu negatif / positif, sebab adanya variasi random dari nilai Y.
Y =a X b1 1 X b2 2 [Pers. 4.3]
Dalam bentuk ini, persamaannya menjadi linier dan koefisien b 1 dan b 2 langsung
dapat dicari dengan analisis regresi. Koefisien a pada persamaan 4.4 dapat diperoleh dengan
membalikkan transformasi (yakni dengan antilog) nilai log a yang diberikan analisis regresi
tersebut.
Secara matematis, model analisis regresi linier sederhana adalah seperti berikut.
Y = A + BX + e
Y = variabel dependen atau response.
A = intercept atau konstanta.
e = residual atau error.
Sebelum menggunakan analisis regresi, kita harus paham bahwa analisis ini
mensyaratkan bahwa variabel X bersifat fixed atau tetap, sementara variabel Y bersifat random.
Maksudnya, satu nilai variabel X akan memprediksi variabel Y sehingga ada kemungkinan
beberapa variabel Y. Dengan demikian harus ada nilai error atau kesalahan pada variabel Y.
Sebagai contoh ketika pendapatan (X) seseorang sebesar Rp1 juta, maka
pengeluarannya bisa saja sebesar Rp500 ribu, Rp600 ribu, Rp700 ribu, atau seterusnya.
2. Linieritas
Model analisis regresi bersifat linier, artinya kenaikan variabel X harus diikuti secara
proporsional oleh kenaikan variabel Y. Jika dalam pengujian linieritas tidak terpenuhi, maka kita
dapat melakukan transformasi data atau menggunakan model kuadratik, eksponensial atau
model lainnya yang sesuai dengan pola hubungan nonlinier.
3. Varians error yang konstan
Jika kita menggunakan analisis regresi sederhana untuk data time series atau data yang
disusun berdasarkan urutan waktu, maka ada satu asumsi yang harus dipenuhi, yaitu asumsi
autokorelasi.
1. Evaluasi model
Langkah pertama yang harus dilakukan untuk mendeteksi autokorelasi yaitu dengan
mengidentifikasi apakah autokorelasi itu pure autocorrelation atau karena mis-
spesification model. Mis-spesifikasi disini adalah kemungkinan adanya kuadratik model
atau modelnya mengandung kuadratik. Sehingga apabila hasil tersebut masih
mengandung autokorelasi maka autokorelasi tersebut merupakan pure autocorrelation.
Setelah kita mengetahui ternyata pure autocorrelation . maka langkah selajutnya yaitu
salah satunya dengan melakukan transformasi. Transformasi ini dilakukan dengan
mengurangi nilai variabel (bebas dan terikat) pada waktu ke-t, dengan waktu ke-(t-1).
Dimana:
Jika autokorelasi di dalam residual tinggi (p=1), maka kita akan persamaan regresi
tanpa intersep. Sedangkan jika (p=0) maka model regresi yang akan didapat adalah regresi
dengan pembeda pertama.
GLS ini bisa digunakan jika nilai roh didapatkan. Permasalahannya roh didapatkan
dari nilai populasi yang sulit diperoleh. Sehingga perlu dilakukan roh berdasarkan data
sampel.
Permasalahan metode pembeda pertama adalah kita harus mempunyai nilai korelasi
yang kuat. Sehingga untuk korelasi tidak terlalu kuat tidak bisa digunakan.
Sehingga cara selajutnya yaitu dengan menggunakan estimasi roh . salah satu cara
yaitu dengan estimasi Durbin-Watson.
Formula diatas untuk data yang besar. Sedangkan untuk data berukuran kecil,
sebaliknya menggunakan formulasi yang diusulkan oleh Theil-Nagar, yaitu:
Berbeda dengan metode diatas yang menggunakan DW. Sedangkan pada metode ini
menggunakan residual untuk menentukan roh.
Setelah memperoleh roh maka kita akan membentuk model persamaan seperti pada
transformasi yang dilakukan dengan pendekatan Durbin-Watson. Selain cara itu,
bisa digunakan dengan formulasi berikut:
Dari model tersebut akan diperoleh slope dengan melakukan regresi. koefisien itulah
yang menjadi nilai koefisien korelasi yang diestimasi. Langkah selajutnya hampir
sama dengan langkah yang telah dijelaskan diatas.