Diskusi 4 Ekonomi Manajerial

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.

Dengan menganggap bahwa Y merupakan fungsi dari X / beberapa Variabel X serta

setelah kita mendapatkan data tentang variabel-variabel ini maka kita dapat menentukan
bentuk ketergantungan variabel Y terhadap variabel-variabel X tersebut. Analisis Regresi
mensyaratkan bahwa ketergantungan tersebut dinyatakan dalam bentuk yang linier
(berpangkat 1) sebagai berikut :

Y =a+b 1 X 1+ b 2 X 2+ …+bnXn+e [Pers. 4.2]

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.

Hubungan nonlinier antara nilai-nilai X dengan Y, seperti fungsi kuadratik, kubik,

hiperbolik, dan lain-lain, dapat juga digunakan bila cocok dengan pola sebaran datanya.
Bentuk nonlinier yang paling lazim adalah :

Y =a X b1 1 X b2 2 [Pers. 4.3]

Dimana variabel-variabel independennya, X1 dan X2 mempunyai pengaruh

multiplikatif terhadap variabel dependen Y. Hubungan garis lengkung ini dapat dinyatakan
sebagai suatu hubungan garis lurus dengan transformasi logaritma. Dengan melogaritmakan
nilai Y, X1, dan X2 kita dapat membuat persamaan 4.3 di atas menjadi :

log Y =log a+b1 log X 1 +b 2 log X 2 [Pers. 4.4]

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.

Analisis regresi merupakan suatu metode atau teknik analisis hipotesis

penelitian untuk menguji ada tidaknya perngaruh antara variabel satu dengan variabel
lain, yang dinyatakan dalam bentuk persamaan matematik (regresi).
 Terdapat dua jenis dasar regresi yaitu, regresi linear sederhana dan regresi
linear berganda. Kalau regresi linear sederhana menggunakan satu variabel
independen untuk menjelaskan atau memprediksi hasil dari variabel dependen Y.
Sedangkan regresi linear multiples atau berganda berfungsi untuk mencari pengaruh
dari dua atau lebih variabel independent (variabel bebas atau X) terhadap variabel
dependent (variabel terikat Y). Dengan demikian secara sederhana dapat dikatakan
bahwa, apabila kita ingin mengetahui ada tidaknya pengaruh satu variabel X terhadap
variabel Y maka digunakan analisis regresi sederhana. Sementara apabila kita ingin
mengetahui pengaruh dua variabel X atau lebih terhadap variabel Y maka digunakan
analisis regresi linear ganda (multiples).

Model Regresi Ideal / Sederhana

Analisis regresi sederhana adalah sebuah metode pendekatan untuk pemodelan

hubungan antara satu variabel dependen dan satu variabel independen. Dalam model regresi,
variabel independen menerangkan variabel dependennya. Dalam analisis regresi sederhana,
hubungan antara variabel bersifat linier, di mana perubahan pada variabel X akan diikuti oleh
perubahan pada variabel Y secara tetap.

Sementara pada hubungan nonlinier, perubahan variabel X tidak diikuti dengan

perubahan variabel Y secara proporsional. Misalnya pada model kuadratik, perubahan X diikuti
oleh kuadrat dari variabel X, hubungan demikian tidak bersifat linier.

Secara matematis, model analisis regresi linier sederhana adalah seperti berikut.

Y = A + BX + e
Y = variabel dependen atau response.

A = intercept atau konstanta.

B = koefisien regresi atau slope.

e = residual atau error.

Seperti apa model regresi linier yang ideal?

Model regresi linier sederhana yang ideal harus memenuhi beberapa asumsi-asumsi
berikut.

1. Eksogenitas yang lemah

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

Ini menjelaskan bahwa varians error atau varians residual yang tidak berubah-ubah

pada response yang berbeda. Asumsi ini lebih dikenal dengan asumsi homoskedastisitas.

Mengapa varians error perlu konstan? Sebab, jika konstan maka variabel error dapat

membentuk model sendiri dan mengganggu model utama. Oleh karena itu, penanggulangan
permasalahan heteroskedastisitas/non-homoskedastisitas dapat diatasi dengan menambahkan
model varians error ke dalam model atau model ARCH/GARCH.

4. Autokorelasi untuk data time series

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.

Asumsi ini melihat pengaruh variabel lag waktu sebelumnya terhadap variabel Y. Jika

ada gangguan autokorelasi, artinya ada pengaruh variabel lag waktu sebelumnya terhadap
variabel Y.

Sebagai contoh, model kenaikan harga BBM terhadap inflasi. Jika ditemukan

autokorelasi, maka artinya terdapat pengaruh lag waktu terhadap inflasi. Artinya, inflasi hari ini
atau bulan ini bukan dipengaruhi oleh kenaikan BBM pada hari ini, namun dipengaruhi oleh
kenaikan BBM sebelumnya (satu hari atau satu bulan tergantung data yang dikumpulkan).

(Sumber Referensi : BMP EKMA 4312 Modul 4 Halaman : 4.5,

https://lifepal.co.id/media/regresi/).

2. Berikut cara mengatasi masalaah 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.

2. Generalized Least Squared(GLS)

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).

Pertama, kita memulai dengan regresi biasa.

Dan

Sehingga akan membentuk persamaan umum berikut:

Atau bisa dibentuk menjadi:

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.

1. First-Difference Method (Pembeda Pertama)

            Metode ini dapat digunakan jika statistic Durbin-Watson lebih kecil

dibandingkan koefisien determinasi (DW<R2). Sehingga dengan nilai DW yang kecil,
maka pada residual terdapat autokorelasi yang kuat. Jika autokorelasi kuat, kita
dapat mengasumsikan roh = 1. Sehingga menggunakan metode pembeda pertama.
2. Estimasi roh dengan Durbin Watson

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:

Dimana: k adalah jumlah koefisien termasuk intercept

Setelah memperoleh modelnya dimasukkan ke model umum tadi sehingga akan
membentuk model baru yang akan dilakukan analisis regresi. Kemudian hasilnya
diharapkan sudah tidak mengadung autokorelasi.

3. Estimasi roh berdasarkan residual

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.

3. Newey – West Method.

Pada metode mengasumsikan bahwa sampel yang digunakan besar. Dalam
perhitungannya digunakan software-software statistic salah satunya adalah E-views.

(Sumber Referensi : https://statistikceria.blogspot.com/2012/12/mengatasi-uji-autokorelasi-

part2.html).