Bab 2 Ekomet

1/9/2021 BENTUK-BENTUK MODEL REGRESI FUNGSIONAL
Halaman 1
28
2 BENTUK-BENTUK FUNGSIONAL
MODEL REGRESI
Anda akan ingat bahwa perhatian kami dalam buku ini terutama dengan model regresi linier.
els, yaitu, model linier dalam parameter; mereka mungkin atau mungkin tidak linier dalam variabel.
Dalam bab ini kami mempertimbangkan beberapa model yang linier dalam parameter tetapi tidak
tentu begitu dalam variabel. Secara khusus, kita akan membahas model berikut,
yang sering digunakan dalam analisis empiris.
1 Model log-linier atau log ganda di mana regresi dan serta regresinya
semuanya dalam bentuk logaritmik.
2 Model log-lin di mana regresi dan logaritmik tetapi regresi dapat
dalam bentuk log atau linier.
3 Model Lin-log di mana regresi dan dalam bentuk linier, tetapi satu atau lebih regresi
sors dalam bentuk log.
4 Model timbal balik di mana regressor dalam bentuk terbalik.
5 Model regresi variabel standar
Kami akan menggunakan beberapa contoh untuk menggambarkan berbagai model.
2.1 Model log-linier, log ganda atau elastisitas konstan
Kami mempertimbangkan fungsi produksi Cobb–Douglas (CD) yang terkenal, yang mungkin:
dinyatakan sebagai: 1
B2 B3
Q Saya BL1 KSaya Saya (2.1)
di mana Q = output, L = input tenaga kerja, K = modal, dan B 1 adalah konstanta.

Model ini nonlinier dalam parameter dan untuk memperkirakannya seperti apa adanya membutuhkan
teknik estimasi nonlinier. Namun, jika kita mengambil logaritma dari fungsi ini,
kita peroleh
ln Q i = ln B 1 + B 2 ln L i + B 3 ln K i (2.2)
di mana ln menunjukkan logaritma natural.

Menulis ln B 1 = A , kita dapat menulis Persamaan. (2.2) sebagai:
ln Q i = A + B 2 ln L i + B 3 ln K i (2.3)
1 Lihat buku teks ekonomi mikro untuk mengetahui sejarah dan detail produksi Cobb–Douglas
fungsi.
Halaman 2
BENTUK-BENTUK FUNGSIONAL MODEL REGRESI 29
https://translate.googleusercontent.com/translate_f 1/21
Persamaan (2.3) linier dalam parameter A , B 2 , dan B 3 dan oleh karena itu linier
persamaan, meskipun nonlinier dalam variabel Q , L , dan K . 2
Menambahkan istilah kesalahan u i ke Persamaan. (2.3), kami memperoleh LRM berikut:
ln Q i = A + B 2 ln L i + B 3 ln K i + u i (2.4)
Persamaan (2.4) dikenal sebagai log-log , double-log , log-linear , atau elastisitas konstan Saya
model , karena regressand dan regressor keduanya dalam bentuk log.
Fitur yang menarik dari model log-linier adalah bahwa koefisien kemiringan dapat
diartikan sebagai elastisitas. 3 Secara khusus, B 2 adalah (parsial) elastisitas output
sehubungan dengan input tenaga kerja, dengan menganggap semua variabel lainnya konstan (di sini modal, atau
K ). Artinya, memberikan persentase perubahan output untuk persentase perubahan dalam
masukan tenaga kerja, ceteris paribus . 4 Demikian pula, B 3 memberikan elastisitas (sebagian) output dengan
terhadap input modal, dengan menganggap semua input lainnya konstan. Karena elastisitas ini
konstan selama rentang pengamatan, model log ganda juga dikenal sebagai
model elastisitas konstan.
Keuntungan dari elastisitas adalah bahwa mereka adalah bilangan murni , yaitu, tanpa satuan
di mana variabel diukur, seperti dolar, jam kerja, atau jam modal,
karena mereka adalah rasio persentase perubahan.
Sifat lain yang menarik dari fungsi CD adalah jumlah dari parsial
koefisien kemiringan, ( B 2 + B 3 ), memberikan informasi tentang skala pengembalian , yaitu,
respon output terhadap perubahan proporsional dalam input. Jika jumlah ini adalah 1, maka ada
adalah skala hasil konstan – yaitu, menggandakan input akan menggandakan output,
tiga kali lipat input akan tiga kali lipat output, dan seterusnya. Jika jumlah ini kurang dari 1, maka
ada skala hasil yang menurun – yaitu, menggandakan input kurang dari dua kali lipat
memberkati outputnya. Akhirnya, jika jumlah ini lebih besar dari 1, ada hasil yang meningkat untuk
skala – yaitu, menggandakan input lebih dari menggandakan output.
Sebelum menyajikan contoh konkret, perlu dicatat bahwa dalam log-linear
model regresi yang melibatkan beberapa variabel, koefisien kemiringan masing-masing regressor
memberikan elastisitas parsial dari variabel dependen sehubungan dengan variabel itu,
memegang semua variabel lainnya konstan.
Fungsi produksi Cobb–Douglas untuk AS

Untuk mengilustrasikan fungsi CD, kami menyajikan pada Tabel 2.1 data output (seperti yang diukur
berdasarkan nilai tambah, dalam ribuan dolar), input tenaga kerja (jam pekerja, dalam ribuan),
dan input modal (pengeluaran modal, dalam ribuan dolar) untuk pabrik AS
sektor turing. Data adalah cross-sectional, meliputi 50 negara bagian dan Washington, DC, untuk
tahun 2005. Tabel dapat ditemukan di situs web pendamping.
Hasil regresi OLS diberikan pada Tabel 2.2.
2 Perhatikan bahwa A = ln B 1 . Oleh karena itu, B 1 = anti-log ( A ), yang nonlinier. Namun, di sebagian besar aplikasi,
mencegat mungkin tidak memiliki interpretasi ekonomi yang layak.
3 Elastisitas hanyalah rasio persentase perubahan dalam satu variabel dibagi dengan persentase
dalam variabel lain. Misalnya, jika Q adalah kuantitas dan P adalah harga, maka persentase perubahan kuantitas
dibagi dengan persentase harga disebut elastisitas harga.
4 Yaitu,
ln Q QQ/ Q L
B2 ,
ln L II / L Q
di mana kita menggunakan d keriting untuk menunjukkan bahwa kita mengambil turunan parsial.
halaman 3
30 DASAR REGRESI LINEAR
Tabel 2.2 Fungsi Cobb–Douglas untuk AS, 2005.

Variabel Dependen: LOUTPUT
Metode: Kuadrat Terkecil
Contoh: 1 51
Termasuk Pengamatan: 51
Koefisien Std. Kesalahan t-Statistik Masalah.
C 3.887600 0.396228 9.811514 0,0000

LABOR 0,468332 0,098926 4.734170 0,0000
lnCAPITAL 0,521279 0,096887 5.380274 0,0000
R-kuadrat 0,964175 Rata-rata tergantung var 16.94139

Disesuaikan R-kuadrat 0,962683 tergantung SD 1.380870
SE regresi 0.266752 Kriteria info Akaike 0.252028
Jumlah kuadrat penduduk 3.415520 Kriteria Schwarz 0,365665
Log kemungkinan –3.426721 Statistik Durbin–Watson 1.946387
F-statistik 645.9311 Prob(F-statistik) 0,000000
Catatan : L adalah singkatan dari log of.
Interpretasi hasil
Hal pertama yang harus diperhatikan adalah bahwa semua koefisien regresi (yaitu elastisitas) adalah
secara individual sangat signifikan secara statistik, karena nilai p mereka cukup rendah. Kedua,
atas dasar statistik F kita juga dapat menyimpulkan bahwa secara kolektif kedua faktor
input, tenaga kerja dan modal, sangat signifikan secara statistik, karena nilai p -nya juga
sangat rendah. Nilai R 2 0,96 juga cukup tinggi, yang tidak biasa untuk penampang
data yang melibatkan keadaan heterogen. Kriteria Akaike dan Schwarz adalah alternatif
ke R 2 , yang dibahas lebih lanjut nanti dalam bab ini. Statistik Durbin-Watson,
meskipun secara rutin diproduksi oleh Eviews , mungkin tidak selalu berguna dalam cross-sectional
data, meskipun terkadang ini merupakan indikasi kesalahan spesifikasi model, seperti yang akan kami lakukan
tunjukkan di Bab 7 tentang kesalahan spesifikasi.
Interpretasi dari koefisien lnLABOR sekitar 0,47 adalah jika kita
meningkatkan input tenaga kerja sebesar 1%, rata-rata, output naik sekitar 0,47%, memegang
konstanta masukan modal. Demikian pula, dengan mempertahankan input tenaga kerja konstan, jika kita meningkatkan
input modal sebesar 1%, rata-rata, output meningkat sekitar 0,52%. Relatif
berbicara, tampaknya persentase peningkatan input modal berkontribusi lebih terhadap
output daripada persentase kenaikan input tenaga kerja.
Jumlah dari dua koefisien kemiringan adalah sekitar 0,9896, yang mendekati 1. Ini
akan menyarankan bahwa fungsi produksi Cobb-Douglas AS dicirikan oleh:
skala hasil konstan pada tahun 2005. 5
Kebetulan, jika Anda ingin kembali ke fungsi produksi asli yang diberikan di
Persamaan. (2.1), adalah sebagai berikut:
Q i = 48,79 L 0,47 K 0,51 (2.5)
Catatan : 48,79 kira-kira anti-log dari 3,8876. 6
5 Di sini kita tidak akan membahas pertanyaan apakah fungsi produksi untuk Amerika Serikat secara keseluruhan adalah
bermakna atau tidak. Ada banyak literatur tentang topik ini. Tujuan utama kami di sini adalah untuk mengilustrasikan
model log ganda.
6 Ingat bahwa A = ln B 1 , oleh karena itu B 1 = anti-log dari A .
halaman 4
Evaluasi hasil
Meskipun, dinilai dengan kriteria statistik biasa, hasil Cobb–Douglas
fungsi produksi yang diberikan pada Tabel 2.2 terlihat mengesankan, kita harus waspada terhadap
kemungkinan terjadinya heteroskedastisitas . Ini karena "sampel" kami terdiri dari sangat
negara bagian yang beragam, dengan sektor manufaktur yang beragam. Juga, ukuran fisik dan pop-
Saya
kepadatan ulation bervariasi dari satu negara bagian ke negara bagian. Dalam Bab 5, tentang heteroskedastisitas, kita akan
pertimbangkan kembali fungsi produksi Cobb–Douglas untuk melihat apakah kita memiliki masalah
heteroskedastisitas.
Dalam Bab 7, tentang kesalahan spesifikasi, kita juga akan mengetahui apakah istilah kesalahannya normal.
terdistribusi secara merata, untuk uji t dan F sangat bergantung pada asumsi normalitas
tion, terutama jika ukuran sampel kecil. Dalam bab itu kita juga akan mempertimbangkan jika
ada kesalahan spesifikasi dalam fungsi produksi Cobb–Douglas yang digunakan dalam
contoh kita.
Meskipun spesifikasi double-log dari fungsi produksi Cobb–Douglas
adalah standar dalam literatur, untuk tujuan perbandingan kami juga menyajikan hasil dari
fungsi produksi linier, yaitu,
Output i = A 1 + A 2 Tenaga kerja i + A 3 Modal i + u i (2.6)
Hasil regresi ini ditunjukkan pada Tabel 2.3.
Tabel 2.3 Fungsi produksi linier.

Variabel Dependen: OUTPUT
Contoh: 1 51

C 233621.5 1250364. 0.186843 0,8526
TENAGA KERJA 47.98736 7.058245 6.798766 0,0000
MODAL 9.951890 0,978116 10.17455 0,0000
R-kuadrat 0,981065 Rata-rata tergantung var 43217548

Disesuaikan R-kuadrat 0,980276 tergantung SD 44863661
SE regresi 6300694. Kriteria info Akaike 34.20724
Jumlah kuadrat penduduk 1.91E+15 Kriteria Schwarz 34.32088
Log kemungkinan –869.2846 Statistik Durbin–Watson 1.684519
Koefisien tenaga kerja dan modal dalam regresi ini secara statistik sangat signifikan.
bagus. Jika input tenaga kerja meningkat satu unit, output rata-rata naik sekitar 48
unit, memegang modal konstan. Demikian pula, jika input modal naik satu unit, output,
rata-rata naik sekitar 10 satuan, ceteris paribus . Perhatikan bahwa interpretasi
dari koefisien kemiringan dalam fungsi produksi log-linear dan yang dalam linear
fungsi produksinya berbeda.
Manakah model yang lebih baik, model linier atau model log-linier? Sayangnya,
kita tidak dapat membandingkan kedua model secara langsung, karena variabel dependen dalam keduanya
modelnya berbeda. Juga, kita tidak bisa membandingkan R 2 nilai dari dua model,
karena untuk membandingkan R 2 s dari dua model mana pun, variabel dependennya harus
halaman 5
32 DASAR-DASAR REGRESI LINEAR
sama pada kedua model. Dalam Bagian 2.8 kita akan menunjukkan bagaimana kita dapat membandingkan linear
dan model log-linier.
2.2 Menguji validitas pembatasan linier
Fungsi produksi Cobb–Douglas log-linear dipasang pada data produksi

menunjukkan bahwa jumlah elastisitas output-tenaga kerja dan output-kapital adalah 0,9896,
yaitu sekitar 1. Ini akan menunjukkan bahwa ada skala hasil yang konstan. Bagaimana
apakah kita menguji ini secara eksplisit?
Jika sebenarnya B 2 + B 3 = 1, yang merupakan contoh pembatasan linier , salah satu cara pengujian-
ing untuk skala pengembalian konstan adalah untuk memasukkan pembatasan ini langsung ke dalam
prosedur estimasi. Untuk melihat bagaimana ini dilakukan, kita dapat menulis
B2=1-B3 (2.7) 7
Sebagai hasilnya, kita dapat menulis fungsi produksi Cobb–Douglas log-linear sebagai:
ln Q i = A + (1 – B 3 )ln L i + B 3 ln K i + u i (2.8)
Mengumpulkan istilah, kita dapat menulis Persamaan. (2.8) sebagai:
ln Q i – ln L i = A + B 3 (ln K i – ln L i ) + u i (2.9)
Menggunakan sifat-sifat logaritma, kita dapat menulis persamaan ini sebagai: 8

Q Saya K Saya
ln AB 3 ln kamu
Saya (2.10)
LSaya LSaya
di mana Q i / L i adalah rasio output-tenaga kerja, atau produktivitas tenaga kerja, dan K i / L i adalah modal–
rasio tenaga kerja, dua dari rasio "besar" pembangunan ekonomi dan pertumbuhan.
Dengan kata-kata, Persamaan. (2.10) menyatakan bahwa produktivitas tenaga kerja adalah fungsi tenaga kerja modal
perbandingan. Kami memanggil Persamaan. (2.10) regresi terbatas ( RS ) dan Persamaan asli. (2.4)
regresi tak terbatas ( URS ) untuk alasan yang jelas.
Setelah kami memperkirakan Persamaan. (2.10) dengan OLS, kita dapat memperoleh nilai estimasi B 3 ,
dari mana kita dapat dengan mudah memperoleh nilai B 2 karena pembatasan linear
( B 2 + B 3 = 1). Bagaimana kita memutuskan apakah pembatasan linier itu valid? Untuk menjawab ini
pertanyaan, pertama-tama kami menyajikan hasil regresi berdasarkan Persamaan. (2.10): Tabel 2.4.
Hasil ini menunjukkan bahwa jika rasio modal-tenaga kerja naik sebesar 1%, produksi tenaga kerja
tivity naik sekitar %. Dengan kata lain, elastisitas produktivitas tenaga kerja dengan
sehubungan dengan rasio modal-tenaga kerja adalah , dan koefisien elastisitas ini sangat signifikan.
Perhatikan bahwa R 2 dari sekitar 0,38 tidak dapat dibandingkan secara langsung dengan nilai R 2 dari
Tabel 2.2 karena variabel terikat pada kedua model berbeda.
Untuk menguji validitas regresi linier, pertama-tama kita definisikan:
RSS R = jumlah sisa kuadrat dari regresi terbatas, Persamaan. (2.10)

RSS UR = jumlah sisa kuadrat dari regresi tak terbatas, Persamaan. (2.4)
m = jumlah pembatasan linier (1 dalam contoh ini)
k = jumlah parameter dalam regresi tak terbatas (3 dalam contoh ini)
7 Kita juga dapat menyatakan pembatasan linier sebagai B 3 = 1 – B 2 .

8 Perhatikan bahwa ln XY = ln X + ln Y ; ln( X / Y ) = ln X – ln Y ; ln X k = k ln X (di mana k adalah konstanta), tetapi perhatikan bahwa
ln ( X + Y ) ln X + ln Y .
halaman 6
Tabel 2.4 Fungsi produksi Cobb–Douglas dengan restriksi linier.

Variabel Dependen: LOG(OUTPUT/TENAGA KERJA)
Contoh: 1 51
Variabel Koefisien Std. Kesalahan t-Statistik Masalah. Saya

C 3.756242 0.185368 20.26372 0,0000
LOG(MODAL/TENAGA KERJA) 0,523756 0,095812 5.466486 0,0000
R-kuadrat 0.378823 Rata-rata tergantung var 4.749135

Disesuaikan R-kuadrat 0,366146 tergantung SD 0,332104
Jumlah kuadrat penduduk 3.425582 Kriteria Schwarz 0.291512
Log kemungkinan –3.501732 Prob(F-statistik) 0,000002
F-statistik 29.88247 Statistik Durbin–Watson 1.93684
n = jumlah pengamatan (51 dalam contoh ini).
Sekarang, untuk menguji validitas pembatasan linier, kami menggunakan varian dari statistik F
dibahas dalam Bab 1. 9
(RSS R RSS UR )/ M
F ~ Fmnk,( ) (2.11)
RSS UR // nk )
yang mengikuti distribusi probabilitas F statistik, di mana m dan ( n – k ) adalah

derajat kebebasan pembilang dan penyebut. Perlu dicatat bahwa RSS R adalah
tidak pernah lebih kecil dari RSS UR , jadi rasio F selalu nonnegatif.
Seperti biasa, jika F yang dihitung melebihi nilai F kritis pada tingkat yang dipilih
signifikansi dan derajat kebebasan yang sesuai, kami menolak hipotesis nol;
jika tidak, kami tidak menolaknya.
Dari Tabel 2.2 diperoleh RSS UR = 3.4155, dan dari Tabel 2.4 diperoleh RSS R =
3.4255. Kita tahu bahwa m = 1 dan n = 51. Menempatkan nilai-nilai ini dalam Persamaan. (2.11), pembaca
akan menemukan bahwa nilai F yang diperkirakan adalah sekitar 0,142. Untuk 1 df di pembilang dan 48
df pada penyebut, nilai F ini tidak signifikan; sebenarnya nilai p diperoleh
seperti F (tingkat signifikansi yang tepat) adalah sekitar 0,29. Oleh karena itu kesimpulan dalam
contoh saat ini adalah bahwa estimasi fungsi produksi Cobb–Douglas dalam
Tabel 2.2 mungkin menunjukkan skala hasil konstan. Jadi tidak ada salahnya menggunakan
fungsi produksi diberikan dalam Persamaan. (2.10). Tetapi harus ditekankan bahwa pengujian F
prosedur yang diuraikan di atas hanya berlaku untuk pembatasan linier; itu tidak valid untuk pengujian
pembatasan nonlinier ( s ), seperti B 2 B 3 = 1.
2.3 Log-lin atau model pertumbuhan
Topik yang sangat menarik bagi para ekonom, pemerintah, sektor bisnis, dan
pembuat kebijakan adalah tingkat pertumbuhan variabel ekonomi utama, seperti PDB, uang
pasokan, populasi, pekerjaan, produktivitas dan suku bunga, untuk beberapa nama.
Untuk melihat bagaimana tingkat pertumbuhan variabel ekonomi dapat diukur, kita lanjutkan
sebagai berikut. Untuk lebih spesifik, misalkan kita ingin mengukur laju pertumbuhan real
9 Untuk detailnya, lihat Gujarati/Porter, op cit ., hlm. 243–6.
halaman 7
PDB (yaitu PDB yang disesuaikan dengan inflasi) untuk Amerika Serikat untuk periode 1960-2007. Untuk ini
tujuan, misalkan kita menggunakan model berikut:
PDRB t = PDRB 1960 (1 + r ) t (2.12)
di mana RGDP adalah singkatan dari GDP riil, r adalah tingkat pertumbuhan, dan t adalah waktu yang diukur
secara kronologis.
Persamaan (2.12) adalah rumus bunga majemuk yang terkenal dari keuangan dasar.
Mengambil log natural dari kedua sisi Persamaan. (2.12), kita peroleh
ln PDRB t = ln PDRB 1960 + t ln(1 + r ) (2.13)
Sekarang biarkan B 1 = ln RGDP 1960 dan B 2 = ln (1 + r ), kita dapat menulis Persamaan. (2.13) sebagai
ln RGDP t = B 1 + B 2 t (2.14)
Menambahkan istilah kesalahan u t ke (2.14), kita memperoleh model regresi berikut: 10
ln RGDP t = B 1 + B 2 t + u t (2.15)
Persamaan (2.15) seperti model regresi lainnya; satu-satunya perbedaan adalah di sini
regressornya adalah “time”, yang mengambil nilai 1, 2, …, 47.
Model (2.15) disebut model semilog karena hanya satu variabel (dalam hal ini
regressand) muncul dalam bentuk logaritmik, sedangkan regressor (waktu di sini) ada di
tingkat atau bentuk linier. Untuk tujuan deskriptif kita dapat memanggil (2.15) model log-lin .
Persamaan (2.15) dapat diperkirakan dengan rutinitas OLS biasa. Tapi sebelum kami hadir
hasil regresi, dapat dicatat bahwa koefisien kemiringan B 2 pada (2.14) mengukur
perubahan proporsional atau relatif konstan dalam regresi dan untuk absolut tertentu
perubahan nilai regressor . Itu adalah,
perubahan relatif dalam regresi dan
B 2= (2.16) 11
perubahan mutlak dalam regressor
Dalam praktiknya, kita mengalikan B 2 dengan 100 untuk menghitung persentase perubahan, atau
tingkat pertumbuhan ; 100 kali B 2 juga dikenal sebagai semi-elastisitas dari regressand dengan
hormat kepada regressor.
Hasil regresi
Menggunakan data PDB Riil untuk Amerika Serikat untuk tahun 1960-2007, kami memperoleh hasil yang diberikan
pada Tabel 2.6. Tabel 2.5 , berisi data, dapat ditemukan di situs web pendamping.
Interpretasi hasil
Hasil ini menunjukkan bahwa selama periode 1960-2007 PDB riil AS telah
meningkat dengan laju 3,15% per tahun. Tingkat pertumbuhan ini signifikan secara statistik, untuk
estimasi nilai t sekitar 90,82 sangat signifikan.
Apa interpretasi dari intersep? Jika Anda mengambil anti-log dari 7.8756, Anda
akan diperoleh anti-log (7,8756) = 2632,27, yang merupakan nilai awal PDB riil, yaitu
adalah, nilai pada awal tahun 1960, titik awal kami. Nilai sebenarnya dari PDRB
untuk tahun 1960 adalah sekitar $2501,8 miliar.
10 Kami menambahkan istilah kesalahan untuk memperhitungkan kemungkinan bahwa rumus bunga majemuk mungkin
tidak memegang persis.
11 Pembaca yang akrab dengan kalkulus dapat membedakan Persamaan. (2.14) terhadap t , untuk memperoleh: d(ln PDRB )/d t
= B 2 . Tetapi d(ln RGDP )/d t = (1/ RGDP )(d( RGDP )/d t , yang merupakan perubahan relatif dalam RGDP .
halaman 8
Tabel 2.6 Tingkat pertumbuhan PDB riil, AS, 1960–2007.

Variabel Dependen: LRGDP
Contoh: 1960 2007
Koefisien Std. Kesalahan t-Statistik Masalah. Saya

C 7.875662 0.009759 807.0072 0,0000
WAKTU 0,031490 0,000347 90.81657 0,0000

SE regresi 0,033280 Kriteria info Akaike –3.926969
Jumlah kuadrat penduduk 0,050947 Kriteria Schwarz –3.849003
Log kemungkinan 96.24727 Statistik Durbin–Watson 0.347740
Gambar 2.1 menunjukkan diagram pencar dari log PDB riil dan waktu dan yang dipasang
Garis regresi:
Catatan teknis : Koefisien B 2 memberikan instan (pada suatu titik waktu)
laju pertumbuhan dan bukan senyawa (selama periode waktu) laju pertumbuhan, r . Tetapi
mudah untuk menghitung yang terakhir, mencatat bahwa B 2 = ln(1 + r ). Oleh karena itu, r = anti-log( B 2 ) –
1. Sekarang anti-log ( B 2 ) = 1,03199. Oleh karena itu laju pertumbuhan majemuk adalah 0,03199 atau
sekitar 3,2%, yang sedikit lebih besar dari laju pertumbuhan sesaat sekitar
3,1%. Perbedaannya adalah karena peracikan.
Model tren linier

Misalkan, alih-alih memperkirakan model pertumbuhan (2,14), kami memperkirakan berikut-
model:
RGDP t = A 1 + A 2 kali + u t (2.17)
Gambar 2.1 Log PDB riil, 1960–2007.
halaman 9
36 DASAR REGRESI LINIER
Ini dikenal sebagai model tren linier dan variabel waktu dikenal sebagai
variabel tren . Koefisien kemiringan A 2 dalam model ini memberikan nilai absolut ( bukan relatif
atau persentase) perubahan PDRB per satuan periode waktu. Jika A 2 adalah positif, ada
PDRB tren naik , tetapi jika negatif maka PDRB tren turun atau
setiap kemunduran.
Menggunakan data yang diberikan pada Tabel 2.5 , kami memperoleh hasil pada Tabel 2.7.
Tabel 2.7 Tren PDB AS riil, 1960–2007.

Variabel Dependen: RGDP
Contoh: 1960 2007

C 1664.218 131.9990 12.60781 0,0000
WAKTU 186.9939 4.689886 39.87174 0,0000

Jumlah kuadrat penduduk 9320440. Kriteria Schwarz 15.17570
Log kemungkinan –360.3455 Statistik Durbin–Watson 0,069409
Hasil ini menunjukkan bahwa selama periode 1960–2007, PDB riil di AS meningkat
sekitar $187 miliar per tahun, menunjukkan tren yang meningkat – bukan temuan yang mengejutkan.
Pilihan antara model pertumbuhan (2.15) dan model tren linier dari
(2.17) terserah peneliti individu, meskipun untuk membandingkan PDRB lintas
wilayah atau negara itu adalah pertumbuhan relatif yang mungkin lebih relevan. Perhatikan bahwa
karena variabel dependen dalam model tren log-linear dan linier bukan
sama, tidak tepat untuk membandingkan dua nilai R 2 dalam menentukan model mana
untuk memilih. Tetapi lebih lanjut tentang ini di Bagian 2.7.
Karena kita berurusan dengan data deret waktu, statistik Durbin-Watson, yaitu
ukuran autokorelasi dalam istilah kesalahan, merupakan statistik penting. Dalam Bab
6 pada autokorelasi kita akan melihat bagaimana kita menafsirkan statistik ini. Cukup diperhatikan disini
bahwa jika tidak ada autokorelasi nilai statistik Durbin-Watson adalah sekitar
2; 12 semakin mendekati nol, semakin besar bukti autokorelasi.
2.4 Model Lin-log
Dalam model log-lin, atau pertumbuhan, kami tertarik untuk menemukan persen pertumbuhan di
regressand untuk perubahan unit di regressor. Bagaimana dengan mengukur abs-
perubahan kecapi dalam regresi dan untuk persentase perubahan dalam regresi? Jika itu adalah
tujuan analisis, kita dapat memperkirakan model berikut:
Y i = B 1 + B 2 ln X i + u i (2.18)
Kami memanggil Persamaan. (2.18) model lin-log , untuk alasan yang jelas.
12 Seperti yang akan kami tunjukkan di Bab 6, statistik ini didasarkan pada beberapa asumsi.
halaman 10
Apa koefisien kemiringan B 2 memberitahu kita dalam model ini? Seperti yang kita ketahui, kemiringan
koefisien memberikan perubahan Y untuk perubahan satuan dalam regressor. Jadi,
Perubahan mutlak kamu Perubahan mutlak kamu
B2 (2.19)
Ganti ln x R perubahan elatif dalam X
Ingatlah bahwa perubahan dalam log suatu angka adalah perubahan relatif, atau persentase Saya
berubah, setelah dikalikan dengan 100 .
Membiarkan menunjukkan perubahan kecil, kita dapat menulis (2.19) sebagai
kamu
B2 (2.20)
XX/
Atau,
Δ Y = B 2 (Δ X / X ) (2.21)
Persamaan (2.21) menyatakan bahwa perubahan mutlak pada Y (=∆ Y ) sama dengan waktu kemiringan
perubahan relatif dalam X . Jadi, jika (∆ X / X ) berubah sebesar 0,01 satuan (atau 1%), nilai mutlak
perubahan Y adalah 0,01( B 2 ). Jika dalam suatu aplikasi ditemukan B 2 = 200, perubahan mutlak dalam
Y adalah (0,01)(200) = 2.
Oleh karena itu, ketika kita memperkirakan persamaan seperti (2.18), jangan lupa untuk mengalikan
nilai koefisien kemiringan yang diperkirakan sebesar 0,01 atau (berapa jumlah yang sama)
membaginya dengan 100. Jika Anda tidak mengikuti prosedur ini, Anda mungkin menggambar menyesatkan
kesimpulan dari hasil Anda .
Model lin-log telah digunakan dalam fungsi pengeluaran Engel , dinamai
ahli statistik Jerman Ernst Engel (1821–1896). Engel mendalilkan bahwa "total"
pengeluaran yang dikhususkan untuk makanan cenderung meningkat dalam deret aritmatika sebagai
pengeluaran total meningkat dalam proporsi geometris”. 13 Cara lain untuk mengekspresikan
ini adalah bahwa bagian pengeluaran untuk makanan berkurang dengan meningkatnya pengeluaran total.
Untuk memperjelas hal ini, Tabel 2.8 memberikan data tentang makanan dan minuman nonalkohol
dikonsumsi di rumah (Expfood) dan total pengeluaran rumah tangga (Expend), baik secara
dolar, untuk 869 rumah tangga AS pada tahun 1995. 14 Tabel ini dapat ditemukan di pendamping
situs web.
Regresi bagian pengeluaran makanan (SFDHO) dalam total pengeluaran memberikan
Tabel 2.9.
Semua koefisien yang diestimasi secara individual sangat signifikan secara statistik. NS
interpretasi koefisien kemiringan sekitar -0,08 adalah jika total pengeluaran
meningkat sebesar 1%, rata-rata, bagian pengeluaran untuk makanan dan nonalkohol
minuman turun sekitar 0,0008 unit, sehingga mendukung hipotesis Engel.
Hal ini dapat dilihat lebih jelas pada Gambar 2.2. ( Catatan : Jangan lupa untuk membagi kemiringan
koefisien dengan 100). Atau, koefisien kemiringan dapat diartikan sebagai: Jika total
pengeluaran meningkat sebesar 100%, rata-rata, bagian pengeluaran untuk makanan dan
minuman nonalkohol turun sekitar 0,08 unit.
13 Kutipan ini dikaitkan dengan H. Working (1943) Hukum statistik pengeluaran keluarga, Journal of the
Asosiasi Statistik Amerika , 38 , 43–56.
14 Ini adalah sampel acak dari data yang dikumpulkan untuk sekitar 5.000 rumah tangga dalam Wawancara Triwulanan
Survei Survei Pengeluaran Konsumen yang dilakukan oleh Departemen Tenaga Kerja AS, Biro Tenaga Kerja
Statistik. Data yang digunakan di sini dibahas dalam Christopher Dougherty, Pengantar Ekonometrika , 3rd
edn, Pers Universitas Oxford, 2007.
halaman 11
38 DASAR REGRESI LINIER
Tabel 2.9 Model Lin-log pengeluaran untuk makanan.

Variabel Dependen: SFDHO
Contoh: 1 869

C 0.930387 0,036367 25.58359 0,0000
LOG(KELUARKAN) –0,077737 0,003591 –21.64822 0,0000

Disesuaikan R-kuadrat 0.350127 tergantung SD 0,085283
Jumlah kuadrat penduduk 4.097984 Kriteria Schwarz –2.503396
Catatan : SFDHO = bagian pengeluaran makanan dan minuman non alkohol secara total
pengeluaran dan Pengeluaran = total pengeluaran rumah tangga.
Meskipun kami telah memasang model lin-log, Gambar 2.2 menunjukkan bahwa hubungan
antara SFDHO dan log (EXPEND) tampaknya nonlinier. Ada metode cap-
turing hubungan nonlinier antar variabel, seperti model timbal balik atau
model regresi polinomial, yang sekarang kita bahas.
2.5 Model timbal balik
Terkadang kita menemukan situasi di mana hubungan antara regresi dan

dan regressor bersifat resiprokal atau invers, seperti pada model regresi berikut:
1
kamu
Saya B 1 B2 kamu
Saya (2.22)
x Saya
Gambar 2.2 SFDHO dan log pengeluaran.
halaman 12
Model ini nonlinier di X karena masuk ke model secara terbalik atau timbal balik, tetapi
itu adalah LRM karena parameternya, B s, adalah linier.
Beberapa sifat dari model ini adalah sebagai berikut. Ketika X meningkat tanpa batas,
suku B 2 (1/ X i ) mendekati nol ( catatan: B 2 adalah konstanta) dan Y mendekati batas
atau nilai asimtotik B 1 . Kemiringan Persamaan. (2.22) diberikan oleh
Dkamu 1 Saya
Saya
B2 .
2
Dx Saya x Saya
Oleh karena itu, jika B 2 positif, kemiringannya negatif di seluruh, dan jika B 2 negatif,
kemiringannya positif di seluruh.
Contoh ilustratif: pengeluaran makanan ditinjau kembali

Di bagian sebelumnya kami memasang model lin-log untuk pengeluaran makanan dalam kaitannya
terhadap total pengeluaran. Mari kita lihat apakah model timbal balik juga dapat dipasang pada hal yang sama
data. Jadi kami memperkirakan (Tabel 2.10)
1
SFDHO = B 1 B2 kamu
Saya (2.23)
Mengeluarkan
Saya
Tabel 2.10 Model resiprokal pengeluaran makanan.

Variabel Dependen: SFDHO
Contoh: 1 869
C 0,077263 0.004012 19.25950 0,0000

1/BELI 1331.338 63.95713 20.81610 0,0000

Disesuaikan R-kuadrat 0.332467 tergantung SD 0,085283
Jumlah kuadrat penduduk 4.209346 Kriteria Schwarz –2.476584
Interpretasi hasil
Kedua koefisien regresi secara statistik sangat signifikan, karena nilai p mereka adalah
praktis nol. Nilai intersep sekitar 0,08 menunjukkan bahwa jika total pengeluaran
meningkat tanpa batas, bagian pengeluaran makanan dan nonalkohol dalam total pengeluaran
diture akhirnya akan menetap menjadi sekitar 8%. Koefisien kemiringan B 2 positif,
menunjukkan bahwa tingkat perubahan SFDHO sehubungan dengan total pengeluaran akan menjadi
negatif di seluruh. Hal ini dapat dilihat lebih jelas dari Gambar 2.3.
Jika Anda membandingkan Gambar 2.2 dan 2.3, Anda akan melihat bahwa mereka serupa dalam penampilan.
Pertanyaan praktisnya adalah: model mana yang lebih baik – lin-log atau timbal balik?
Ini adalah masalah umum dalam pekerjaan empiris - pilihan yang tepat
model. Karena kedua model cocok dengan data dengan cukup baik, sulit untuk memilih antara
dua. Berdasarkan kriteria R 2 , model lin-log memberikan nilai yang sedikit lebih tinggi
nilai, tetapi perbedaan kedua R 2 s tidak terlalu besar. Kebetulan perhatikan bahwa kita bisa
halaman 13
Gambar 2.3 Bagian pengeluaran makanan dalam total pengeluaran.
bandingkan kedua nilai R 2 karena variabel terikat pada kedua model adalah
sama.
2.6 Model regresi polinomial
Mari kita tinjau kembali model tren linier yang dipertimbangkan dalam Persamaan. (2.17) di mana kita mengalami kemunduran
GDP riil (RGDP) pada variabel tren, waktu . Sekarang perhatikan model berikut:
RGDP t = A 1 + A 2 kali + A 3 kali 2 + u t (2.24)
Persamaan (2.24) adalah contoh dari fungsi kuadrat , atau lebih umum, bagian
polinomial derajat ke-on dalam variabel waktu . Jika kita telah menambahkan waktu 3 ke model,
itu akan menjadi persamaan polinomial tingkat ketiga, pangkat tertinggi dari
regressor yang mewakili derajat polinomial.
Hal pertama yang perlu diperhatikan tentang Persamaan. (2.24) adalah bahwa itu adalah LRM, yaitu, linier dalam
parameter, meskipun variabel waktu memasuki model secara linier serta qua-
secara drastis . Kedua , variabel waktu dan waktu 2 secara fungsional berhubungan dan akan menjadi
sangat berkorelasi. Apakah ini akan menciptakan masalah collinearity, yang akan melanggar salah satu dari
asumsi CLRM bahwa tidak ada hubungan linier yang tepat antara
kemunduran? Tidak, karena waktu 2 adalah fungsi waktu yang tidak linier.
Menggunakan data PDRB, kami memperoleh hasil pada Tabel 2.11.
Pertama, perhatikan bahwa semua koefisien yang diperkirakan signifikan secara statistik, dengan asumsi
ing asumsi yang biasa dari model klasik terus. Bagaimana kita menafsirkan ini?
hasil? Dalam Persamaan. (2.17) dengan hanya variabel waktu sebagai regresi, koefisien waktu
adalah sekitar 186,99, menunjukkan bahwa PDRB meningkat dengan jumlah yang konstan
$186,99 miliar per tahun.
Tetapi untuk model kuadrat RGDP meningkat pada tingkat yang meningkat karena keduanya
koefisien waktu dan kuadrat waktu adalah positif. Untuk melihat ini secara berbeda, untuk
model kuadrat diberikan dalam Persamaan. (2.24), laju perubahan PDRB diberikan sebagai
halaman 14
Tabel 2.11 Model polinomial PDB AS, 1960–2007.

Variabel Dependen: RGDP
Contoh: 1960 2007
Koefisien Std. Kesalahan t-Statistik Masalah. Saya

C 2651.381 69.49085 38.15439 0,0000
WAKTU 68.53436 6.542115 10.47587 0,0000
WAKTU^2 2.417542 0,129443 18.67647 0,0000

Jumlah kuadrat penduduk 1065030. Kriteria Schwarz 13.08714
Log kemungkinan –308.2845 Statistik Durbin–Watson 0,462850
DPDRB
A2 2 Sebuah
3 waktu (2.25)
Dwaktu
yang positif karena keduanya A 2 dan A 3 positif.

Catatan : Ruas kiri persamaan ini adalah turunan dari RGDP terhadap waktu.
Menggunakan hasil pada Tabel 2.11, kita memperoleh:
DPDRB
68 .53 2 2 (42. ) waktu
DT (2.26)
6853
. 484 . waktu
Sebagai Persamaan. (2.26) menunjukkan, laju perubahan PDRB tergantung pada waktu di mana
tingkat perubahan diukur. Hal ini sangat kontras dengan model tren linier, Persamaan.
(2.17), yang menunjukkan tingkat perubahan konstan sekitar $187 miliar per tahun. 15
Model log-lin dengan variabel tren kuadrat

Misalkan alih-alih memperkirakan Persamaan. (2.24) bahwa kami memperkirakan model berikut:
ln RGDP t = B 1 + B 2 t + B 3 t 2 + u t (2.27)
Hasil regresi model ini ditunjukkan pada Tabel 2.12.

Menarik untuk dicatat bahwa pada Tabel 2.11 tren dan koefisien kuadrat tren
positif, sedangkan pada Tabel 2.12 koefisien tren positif tetapi tren-
istilah kuadrat adalah negatif. Hal ini menunjukkan bahwa meskipun tingkat pertumbuhan PDRB
positif, itu meningkat pada tingkat yang menurun. Untuk melihat ini dengan jelas, membedakan Persamaan.
(2.27) sehubungan dengan waktu, kami memperoleh (setelah menekan istilah kesalahan)
DDi PDRB
B2 2 B 3t (2.28) 16
DT
15 Jika Anda mengambil turunan kedua dari Persamaan. (2.24) sehubungan dengan waktu, Anda akan mendapatkan nilai 4.84.
Jadi itu adalah laju perubahan laju perubahan yang konstan dari waktu ke waktu. (Perhatikan bahwa detik positif
turunan menyiratkan bahwa PDRB meningkat pada tingkat yang meningkat.)
16 Ingatlah bahwa d ln Y /d X = (1/ Y )d Y /d X , yang merupakan perubahan relatif pada Y . Jika dikalikan dengan 100, itu akan
menjadi persentase perubahan Y atau tingkat pertumbuhan di Y . Hal yang perlu diingat adalah bahwa perubahan dalam
log dari variabel adalah perubahan relatif.
halaman 15
42 DASAR-DASAR REGRESI LINEAR
Tabel 2.12 Model polinomial log PDB AS, 1960–2007.

Variabel Dependen: LRGDP
Contoh: 1960 2007

C 7.833480 0,012753 614.2239 0,0000
WAKTU 0,036551 0,001201 30.44292 0,0000
WAKTU^2 –0,000103 2.38E-05 –4.348497 0,0001

Log kemungkinan 104.6665 Statistik Durbin–Watson 0,471705
Itu adalah,
1 DPDRB
B2 2 B t3 (2.29)
PDRB DT
Tetapi sisi kiri dari persamaan ini adalah tingkat pertumbuhan PDRB.
Laju pertumbuhan PDRB B 2 2 B t3
(2.30)
0 .0365 0 0002
. T
Sebagai Persamaan. (2.30) menunjukkan, laju pertumbuhan PDRB menurun pada laju 0,0002
per satuan waktu.
Perhatikan baik-baik bahwa dalam Persamaan. (2.24) kami mengukur tingkat perubahan PDRB ,
tetapi dalam Persamaan. (2.27) kami mengukur tingkat pertumbuhan PDRB . Secara dimensi, ini
adalah langkah-langkah yang berbeda.
2.7 Pilihan bentuk fungsional
Masalah praktis dalam melakukan pekerjaan empiris adalah memutuskan bentuk fungsional dari
model regresi yang mungkin sesuai dalam situasi tertentu. Dalam dua-variabel
model regresi pilihan ini sangat sering tidak sulit karena kita selalu dapat memplot
regressand dan regressor (tunggal) dan secara visual memutuskan bentuk fungsional.
Tetapi ketika datang ke model regresi berganda, pilihan ini tidak mudah, karena
sulit untuk menggambar plot multi-dimensi.
Oleh karena itu, dalam praktiknya, kita perlu mengetahui sifat-sifat model yang kita miliki
dibahas dalam bab ini. Salah satu cara untuk mencapai ini adalah dengan mempertimbangkan kemiringan dan
koefisien elastisitas dari berbagai model, yang diringkas dalam Tabel 2.13.
Jika ada lebih dari satu regresi dalam model, seseorang dapat menghitung kemiringan parsial
dan koefisien elastisitas parsial, dengan menganggap variabel lain dalam model konstan. 17
17 Misalnya, untuk model Y = B 1 + B 2 X + B 3 X 2 , koefisien kemiringannya adalah d Y /d X = B 2 + 2 B 3 X dan

koefisien elastisitas adalah (d Y /d X )( X / Y ) = ( B 2 + 2 B 3 X ) ( X / Y ) dan elastisitas ini akan tergantung pada nilai X
dan Y .
halaman 16
Tabel 2.13 Ringkasan bentuk fungsional.
Model Membentuk Lereng Elastisitas
Dkamu Dkamu x
Dx Dx kamu
Linier Y = B 1 + B 2X B2 x
Saya
B2 *
kamu
Log-linear ln Y = B 1 + B 2 ln X kamu B2
B2
x
Log-lin ln Y = B 1 + B 2 X B2(Y) B2(X)*

Lin-log Y = B 1 + B 2 ln X 1 1
B2 B2 *
x kamu
Timbal-balik 1 1 1
kamu B1 B2 B2 B2 *
2
x x XY
Catatan : * menunjukkan bahwa koefisien elastisitas adalah variabel, tergantung pada nilai yang diambil
oleh X atau Y atau keduanya. Jika tidak ada X dan Y yang ditentukan, elastisitas ini sering dievaluasi pada
nilai rata - rata X dan Y , yaitu X dan Y .
2.8 Membandingkan model linier dan log-linier
Masalah yang sering ditemui dalam penelitian adalah pilihan antara linier dan
model log-linier. 18 Pertimbangkan diskusi kita tentang fungsi produksi untuk
ekonomi AS. Persamaan (2.4) adalah contoh dari fungsi produksi log-linear,
Fungsi Cobb–Douglas, sedangkan Persamaan. (2.6) adalah contoh dari fungsi produksi linier
tion. Manakah model yang lebih baik untuk data yang diberikan pada Tabel 2.1 ? Kami sudah memberikan
hasil pemasangan model ini masing-masing pada Tabel 2.2 dan 2.3.
Dengan sendirinya, kedua model cocok dengan data dengan baik. Tapi kita tidak bisa langsung membandingkan
dua model, karena variabel terikat pada kedua model berbeda. Tapi sederhana
transformasi variabel dependen dapat membuat dua model sebanding.
Kami melanjutkan sebagai berikut:
Langkah 1 : Hitung mean geometrik (GM) dari variabel dependen; panggilan

itu Q *. 19 Untuk data pada Tabel 2.1 , GM dari variabel output adalah
e 16,94139 = 22842628.
~
Langkah 2 : Bagi Q i dengan Q* untuk mendapatkan: ( QQi saya
/ Q *) =
~
Langkah 3 : Perkirakan Persamaan. (2.4) menggunakan
Q i sebagai pengganti Q i sebagai variabel dependen (yaitu
~
gunakanQln sebagai variabel terikat).
saya
~
Langkah 4 : Perkirakan Persamaan. (2.6) menggunakan
Q i sebagai variabel dependen bukan Q i .
Variabel dependen yang ditransformasikan sekarang dapat dibandingkan. Jalankan trans-

membentuk regresi, memperoleh jumlah sisa kuadrat (RSS) (katakanlah RSS 1 untuk
model linier dan RSS 2 untuk model log-linier) dan pilih model yang memiliki
18 Dalam model log-linear regresi dan dalam bentuk log, tetapi regresi bisa dalam bentuk log atau linier
membentuk.
19 Rata -rata geometrik dari Y 1 dan Y 2 adalah ( Y 1 Y 2 ) 1/2 , GM dari Y 1 , Y 2 dan Y 3 adalah ( Y 1 Y 2 Y 3 ) 1/3 dan seterusnya.
halaman 17
RSS terendah. Untuk menghemat ruang, kami tidak akan mereproduksi hasil transformasi ini
regresi kecuali untuk statistik berikut:
RSS
model log-linear 3.4155
model linier 3.6519
Karena RSS dari model log-linear lebih rendah, kita dapat memilihnya daripada model linear
model, meskipun kedua RSS cukup dekat. Tetapi tes yang lebih formal tersedia.
Jika hipotesis nol adalah bahwa kedua model cocok dengan data dengan baik, kita dapat
hitung 20
n RSS 1 2
ln ~ 1 (2.31)
2 RSS 2
di mana RSS 1 adalah RSS dari model linier dan RSS 2 adalah RSS dari log-linear
model. Jika (lambda) yang dihitung melebihi nilai chi-kuadrat kritis untuk 1 df,
kita dapat menolak hipotesis nol dan menyimpulkan bahwa itu adalah produksi log-linear
fungsi yang merupakan model yang lebih baik. Namun, jika yang dihitung lebih kecil dari kritis
nilai, kami gagal menolak hipotesis nol, dalam hal ini kedua model melakukan
baik-baik saja. 21
Untuk contoh kita, dapat ditunjukkan bahwa = 1,7062. Chi-kuadrat kritis 5%
nilai untuk 1 df. adalah 3,841. Karena nilai chi-kuadrat yang dihitung dari 1,7062 adalah banyak
kurang dari nilai chi-kuadrat kritis, kita dapat menyimpulkan bahwa kedua model berkinerja
sama baiknya.
Karena model log-linier mudah diinterpretasikan dalam hal elastisitas tenaga kerja dan
modal dan parameter skala pengembalian, kita dapat memilih model itu dalam praktiknya.
2.9 Regresi pada variabel standar
Dalam berbagai contoh yang dibahas sejauh ini, regresi dan regresi tidak
harus dinyatakan dalam satuan pengukuran yang sama. Jadi dalam Cobb–Douglas
fungsi produksi yang dibahas sebelumnya output, input tenaga kerja dan input modal adalah
diukur dalam satuan pengukuran yang berbeda. Hal ini mempengaruhi interpretasi regresi
koefisien sion, karena ukuran koefisien regresi (parsial) tergantung pada
unit pengukuran variabel.
Tetapi masalah ini dapat dihindari jika kita mengekspresikan semua variabel dalam standar
bentuk . Dalam bentuk standar kami menyatakan nilai setiap variabel sebagai deviasi
dari nilai rata-rata dan membagi perbedaan dengan standar deviasi dari variabel itu
mampu, seperti
*
Y Saya
Y *
x Saya x
kamu
Saya ; x Saya (2.32)
S kamu Sx
di mana S Y dan S X adalah simpangan baku sampel dan Y dan X adalah sampelnya
rata-rata dari Y dan X , masing-masing. Y* dan
i X i * disebut variabel standar .
20 Lihat Gary Koop, Pengantar Ekonometrika , Wiley, Chichester, Inggris, 2008, hlm. 114–15.
21 Jika RSS 2 > RSS 1 , masukkan yang pertama ke dalam pembilang Persamaan. (2.31) dan RSS 1 dalam penyebut. null
hipotesis di sini adalah bahwa kedua model berkinerja sama baiknya. Jika hipotesis ini ditolak, maka itu adalah linier
model yang lebih disukai daripada model log-linear.
halaman 18
Sangat mudah untuk membuktikan bahwa nilai rata-rata dari variabel standar selalu nol
dan nilai simpangan bakunya selalu 1, tidak peduli apa maksud aslinya dan
nilai simpangan baku adalah. Menarik juga untuk dicatat bahwa variasi standar
abel adalah apa yang disebut angka murni (yaitu bebas unit) . Ini karena pembilangnya
dan penyebut variabel standar diukur dalam satuan yang sama dari
pengukuran. Saya
Jika sekarang Anda menjalankan regresi berikut:
* *
kamu
Saya B 1 BX2* * *
Saya kamu
Saya (2.33)
Anda akan adalah bnol.

menemukan* bahwa i 22
Koefisien regresi berbintang disebut koefisien beta , 23 atau standar-
koefisien ized , sedangkan koefisien regresi variabel tidak terstandarisasi adalah
disebut koefisien tidak standar .
Koefisien kemiringan dalam regresi ini diinterpretasikan sebagai berikut: jika standar-
regressor ized meningkat satu unit standar deviasi, rata-rata, standar
regresi dan meningkat sebesar B* 2Satuan simpangan baku. Hal yang perlu diingat adalah,
tidak seperti regresi OLS biasa, kami mengukur dampak regresi bukan dalam istilah
dari unit asli di mana Y dan X diukur, tetapi dalam unit standar deviasi.
Perlu ditambahkan bahwa jika kita memiliki lebih dari satu regressor, kita dapat menstandardisasi semua
para regressor. Untuk mengilustrasikannya, kami meninjau kembali fungsi produksi linier untuk AS
dipertimbangkan sebelumnya (lihat Tabel 2.3) dan perkirakan kembali menggunakan output standar, tenaga kerja
dan variabel modal. Hasilnya ditunjukkan pada Tabel 2.14.
Tabel 2.14 Fungsi produksi linier menggunakan variabel standar.

Variabel Dependen: OUTPUTSTAR
Contoh: 1 51

C 2.52E–08 0,019666 1.28E–06 1.0000
BINTANG KERJA 0,402388 0,059185 6.798766 0,0000

CAPITALSTAR 0.602185 0,059185 10.17455 0,0000
R-kuadrat 0,981065 Rata-rata tergantung var 5.24E-09

Disesuaikan R-kuadrat 0,980276 tergantung SD 1.000.000
SE regresi 0.140441 Kriteria info Akaike –1.031037
Catatan : Variabel STAR adalah variabel standar.
Seperti yang diharapkan, istilah intersep adalah nol. Kedua variabel standar memiliki indi-
dampak yang signifikan secara visual pada keluaran (standar). Interpretasi dari koefisien
efisien sekitar 0,40 adalah bahwa jika input tenaga kerja meningkat satu unit standar deviasi,
* * b *X*
kamu * adalah nol
22 Perhatikan bahwa:
1 b 2 , tetapi nilai rata-rata dari variabel standar adalah nol, jadi b i
ipso facto .
23 Jangan bingung dengan koefisien ini dengan teori portofolio modern, di mana koefisien beta
adalah ukuran volatilitas harga aset.
halaman 19
nilai rata-rata output naik sekitar 0,40 unit standar deviasi, ceteris
paribus . Interpretasi dari koefisien kapital sekitar 0,60 adalah jika kapital
input meningkat satu unit standar deviasi, rata-rata, output meningkat sekitar
0,60 unit standar deviasi.
Koefisien beta kadang-kadang digunakan untuk menilai kepentingan relatif dari
regresi. Pada pandangan ini, orang akan menganggap koefisien beta modal pada Tabel
2.14 sebagai yang relatif lebih penting daripada koefisien beta tenaga kerja dalam tabel itu.
Namun, menurut Richard Berk, koefisien beta bukanlah indikator yang baik untuk
kepentingan relatif dari regressor individu. Dia menulis: 'Secara implisit, standar-
koefisien ized mengubah istilah dengan jumlah yang tidak dapat dibandingkan dalam proses mencoba
untuk memproduksi komparabilitas'. 24
Kozlowski dkk . juga berpendapat bahwa koefisien beta bukanlah indikator yang baik dari
pentingnya regressor individu ketika ada interkorelasi di antara mereka. 25
Pesannya adalah bahwa seseorang harus berhati-hati dalam menggunakan koefisien beta untuk
tujuan perbandingan.
Tetapi perhatikan bahwa apakah kita menggunakan variabel standar atau tidak standar, t, F,
dan R 2 nilai tetap sama, sehingga tidak mempengaruhi inferensi statistik .
2.10 Regresi melalui titik asal: model zero-intercept
Meskipun sebagian besar model regresi mengandung konstanta, atau intersep, istilah, ada:
kesempatan di mana istilah intersep tidak termasuk dalam model. Salah satu contohnya adalah
model penetapan harga aset modal (CAPM) yang terkenal dari teori portofolio, yang, dalam
bentuk premi risiko, dapat dinyatakan sebagai:
(ER i – r f ) = i (ER m – r f ) (2.34)
dimana ER i = tingkat pengembalian yang diharapkan dari sekuritas i ; ER m = tingkat pengembalian yang diharapkan pada
portofolio pasar, sebagaimana diwakili oleh indeks saham komposit S&P 500 atau Dow
indeks saham Jones; r f = tingkat pengembalian bebas risiko, katakanlah, pengembalian pada Treasury AS 90-hari
Tagihan; dan i = koefisien beta , yang merupakan ukuran risiko sistematis yang tidak dapat
dihilangkan melalui diversifikasi portofolio.
Koefisien beta mengukur sejauh mana penyesuaian risiko keamanan ke- i
tingkat pengembalian bergerak dengan tingkat pengembalian pasar yang disesuaikan dengan risiko.
Koefisien beta lebih besar dari 1 menunjukkan keamanan yang mudah berubah, dan koefisien beta
kurang dari 1 menunjukkan keamanan defensif. Koefisien beta 1 berarti sekuritas
tingkat pengembalian yang disesuaikan dengan risiko bergerak dengan tingkat pengembalian yang disesuaikan dengan risiko di pasar
ket, satu untuk satu.
Untuk tujuan estimasi, CAPM sering dinyatakan sebagai:
Ri–rf=i(Rm–rf)+ui (2.35)
di mana R i dan R m adalah tingkat pengembalian yang diamati. Persamaan (2.35) diketahui dalam
literatur sebagai Model Pasar , mitra empiris CAPM teoritis.
Jika CAPM berlaku, orang tidak akan mengharapkan istilah konstan dalam regresi (2,35).
Untuk memudahkan pemaparan, mari
24 Berk, RA, Analisis Regresi: Kritik Konstruktif , Sage Publications, California, 2004, hlm. 118.
25 Kozlowski, LT, Mehta, NY, Sweeney, CT, Schwartz, SS, Vogler, GP, Jarvis, MJ dan West, R.
J. (1998) Filter ventilasi dan kandungan nikotin tembakau dalam rokok dari Kanada, Tobacco Control , 7 ,
369–75.
halaman 20
Y i = R i – r f = tingkat pengembalian sekuritas i melebihi tingkat pengembalian bebas risiko
X i = R m – r f = tingkat pengembalian di pasar melebihi tingkat pengembalian bebas risiko
Kami sekarang dapat mengekspresikan model pasar sebagai
Yi=B2Xi+ui (2.36) Saya

Dengan menggunakan OLS, kita peroleh (lihat Latihan 2.8)
n
XY
1 ii
Saya
B2 (2.37)
n 2
x
1 Saya
Saya
2
var ( B
)2
n 2 (2.38)
Saya
1
x Saya
2
2 saya e
ˆ (2.39)
n 1
Sebuah fitur penting dari model zero-intercept adalah bahwa jumlah kuadrat
dan istilah lintas produk adalah istilah mentah, dalam arti bahwa mereka tidak dinyatakan sebagai
penyimpangan variabel dari nilai rata-ratanya. Hal ini sangat kontras dengan
Model regresi OLS, dengan intersep, di mana jumlah kuadrat dan hasil kali silang
istilah variabel dikoreksi rata-rata; yaitu, mereka dinyatakan sebagai penyimpangan
dari nilai rata-rata mereka. Juga, perhatikan bahwa perkiraan varians kesalahan yang diberikan dalam
Persamaan. (2.39) memiliki ( n – 1) derajat kebebasan, karena hanya satu koefisien yang diestimasi.
Untuk memperkirakan Persamaan. (2.35), Anda harus menginstruksikan paket perangkat lunak Anda untuk menekan
istilah konstan.
Contoh ilustratif: CAPM dari pasar saham Inggris

Tabel 2.15 di situs web pendamping memberikan data pengembalian berlebih Y t (%) pada indeks
dari 104 saham di sektor barang konsumsi siklis dan kelebihan pengembalian X t (%) pada
indeks pasar saham keseluruhan untuk Inggris untuk data bulanan untuk periode 1980-1999,
untuk total 240 pengamatan. Kelebihan pengembalian adalah pengembalian yang melebihi pengembalian tanpa risiko
aset. 26
Berdasarkan Stata 12, hasil regresi (2.36) adalah seperti yang ditunjukkan pada Tabel 2.16.
Hasil ini menunjukkan bahwa estimasi koefisien beta secara statistik sangat signifikan.
tidak bisa. Namun, perhatikan bahwa R 2 yang dilaporkan , yang dikenal sebagai R 2 mentah , tidak sebanding
dengan R 2 konvensional yang diperoleh dalam model dengan intersep hadir. NS
alasan disebut raw R 2 adalah karena dihitung dari mentah (yaitu tidak dikoreksi rata-rata)
jumlah kuadrat dan hasil kali silang. Oleh karena itu, harus diambil dengan sebutir
garam. Beberapa paket perangkat lunak tidak melaporkan R 2 nilai regresi zero-intercept
model.
Sebagai perbandingan, kami menyajikan hasil regresi intersep-sekarang tradisional
model sion (Tabel 2.17).
26 Data ini, berasal dari bank data Datastream , direproduksi dari Heij, C., de Boer, P.,
Franses, PH, Kloek, T., dan van Dijk, HK, Metode Ekonometrika dengan Aplikasi dalam Bisnis dan
Ekonomi . Oxford University Press, Oxford, 2004, hlm. 751. Rincian lebih lanjut dari data dapat ditemukan di ini
buku.
halaman 21
Tabel 2.16 Model pasar dari pasar saham Inggris.
regresi yx, tidak konstan

Sumber SS df NONA Jumlah ob = 240
F( 1, 239) = 241,24
Model 7427.63434 1 7427.63434 Prob > F = 0,0000

Sisa 7358.57819 239 30.7890301 R-kuadrat = 0.5023
Sesuaikan R-kuadrat = 0.5003
Jumlah 14786.2125 240 61.6092189 Root MSE = 5.5488
kamu koefisien Std. Berbuat salah.T P>|t| [Konf.95% Selang]

x 1.155512 .0743956 15.53 0,000 1.008958 1.302067
Tabel 2.17 Model pasar dengan intersep.
mundur yx
Sumber SS df NONA Jumlah ob = 240

F( 1, 238) = 241.34
Model 7414.37699 1 7414.37699 Prob > F = 0,0000
Sisa 7311.87732 238 30,7221736 R-kuadrat = 0.5035
Sesuaikan R-kuadrat = 0.5014

Jumlah 14726.2543 239 61.6161268 Root MSE = 5.5428
kamu koefisien Std. Berbuat salah.T P>|t| [Konf.95% Selang]

x 1.171128 .0753864 15.54 0,000 1.022619 1.319638
_kontra –.4474811 .3629428 -1.23 0.219 –1.162472 .2675095
Karena intersep dalam model ini tidak signifikan secara statistik, kami dapat menerima
hasil Tabel 2.16, yang mendukung model pasar Persamaan. (2.34)
Model mencegat atau mencegat nol?

Kecuali ada alasan teoretis yang kuat, bukanlah ide yang baik untuk menekan
mencegat istilah untuk berbagai alasan. 27 Pertama , jumlah residu selalu nol
dalam model regresi dengan istilah intersep, tetapi ini tidak perlu terjadi di
model regresi zero-intercept. Kedua , para R 2 nilai untuk mencegat dan tidak ada-antar
model cept tidak sebanding karena dalam model intersep, R 2 adalah proporsinya
variasi, yang diukur dengan jumlah kuadrat di sekitar rata-rata Y, yang
diperhitungkan oleh regresi. Untuk model tanpa-intersep R 2 adalah proporsinya
variasi di sekitar titik asal (yaitu di sekitar nilai nol) yang diperhitungkan oleh
regresi. Perbedaan antara dua nilai R 2 dapat dilihat dengan mudah dari Persamaan.
27 Namun, seperti yang ditunjukkan Henry Theil, jika intersep sebenarnya tidak ada, koefisien kemiringan mungkin
diperkirakan dengan presisi yang lebih besar dibandingkan dengan intersep yang disertakan dalam model. Lihat Pengantarnya untuk
Ekonometrika , Prentice-Hall, Englewood Cliffs, New Jersey, 1978, hal. 76.
halaman 22
(1.16). Untuk rincian lebih lanjut tentang hubungan antara dua R 2 s, pembaca dapat:
lihat artikel oleh Hahn. 28
2.11 Ukuran kecocokan Saya
Jika Anda melihat berbagai cetakan komputer yang diberikan dalam tabel sebelumnya, Anda akan
amati bahwa ada beberapa ukuran “kesesuaian” dari model yang diestimasi;
yaitu, seberapa baik model menjelaskan variasi dalam regresi dan. Langkah-langkah ini
meliputi: (1) koefisien determinasi, R 2 , (2) disesuaikan R 2 , biasanya dilambangkan dengan R 2 ,
(3) Kriteria Informasi Akaike, dan (4) Kriteria Informasi Schwarz.
1 R 2 ukuran
Seperti disebutkan sebelumnya, ini mengukur proporsi variasi dalam regresi dan
dijelaskan oleh regresor. Itu terletak antara 0 dan 1, 0 menunjukkan kurangnya
cocok dan 1 menunjukkan sangat cocok. R 2 biasanya terletak dalam batas-batas; semakin dekat
ke 0, lebih buruk kecocokannya, dan semakin dekat ke 1, semakin baik kecocokannya. Kekurangan dari ini
Ukurannya adalah dengan memasukkan lebih banyak regresi ke dalam model, kita secara umum dapat meningkatkan
yang R 2 nilai. Ini karena R 2 adalah fungsi peningkatan dari jumlah regressor
dalam modelnya.
Meskipun kita telah mendefinisikan R 2 sebagai rasio ESS untuk TSS, juga dapat dihitung
sebagai koefisien korelasi kuadrat antara aktual Y dan diperkirakan Y (= Y )
dari model regresi, di mana Y adalah regresi dan, yaitu:
( Yiiy )2
R2 (2.40)
2 2
YSaya
y Saya
di mana y Saya (Y Saya

Y ) dan kamu
Saya (Y Saya
Y ).
2 Disesuaikan R 2
Kami telah membahas penyesuaian R 2 (= R 2 ). Disesuaikan dengan R 2 digunakan untuk membandingkan
dua atau lebih model regresi yang memiliki variabel terikat yang sama, tetapi berbeda
jumlah regressor. Karena disesuaikan R 2 biasanya lebih kecil dari disesuaikan
R 2 , tampaknya memberikan penalti untuk menambahkan lebih banyak regressor ke model.
3 Kriteria Informasi Akaike (AIC)

Seperti disesuaikan R 2 , kriteria AIC menambahkan penalti agak lebih keras untuk menambahkan
lebih banyak variabel ke model. Dalam bentuk logaritmiknya, AIC didefinisikan sebagai berikut:
2k RSS
ln AIC ln (2.41)
n n
di mana RSS = jumlah sisa kuadrat dan 2 k / n adalah faktor penalti.

Kriteria AIC berguna dalam membandingkan dua atau lebih model. Model dengan
AIC terendah biasanya dipilih. Kriteria AIC juga digunakan untuk sampel dan
out-of-sampel kinerja peramalan model regresi.
4 Kriteria Informasi Schwarz (SIC)
28 Hahn, GJ (1979) Menyesuaikan model regresi tanpa istilah intersep, Journal of Quality Technology ,
9 (2), 56–61.
halaman 23
Ini adalah alternatif dari kriteria AIC, yang dalam bentuk lognya dapat dinyatakan sebagai:
k RSS
ln SIC ln n ln (2.42)
n n
Faktor penalti di sini adalah [( k / n ) ln n ], yang lebih keras daripada AIC. Seperti AIC,
semakin rendah nilai SIC, semakin baik modelnya. Juga, seperti AIC, SIC dapat digunakan untuk
membandingkan kinerja peramalan dalam sampel atau di luar sampel dari suatu model.
Harus ditambahkan bahwa ide di balik penambahan faktor penalti adalah milik Occam
pisau cukur , yang menurutnya "deskripsi harus dibuat sesederhana mungkin sampai"
terbukti tidak memadai”. Ini juga dikenal sebagai prinsip hemat .
Berdasarkan prinsip ini, manakah kriteria yang lebih baik, AIC atau SIC? Paling sering
kedua kriteria ini memilih model yang sama, tetapi tidak selalu. Atas dasar teori,
AIC mungkin lebih disukai, tetapi dalam praktiknya seseorang dapat memilih kriteria SIC, karena mungkin:
pilih model yang lebih pelit, hal-hal lain tetap sama. 29 Eviews pres-
memenuhi kedua kriteria ini.
Jika Anda membandingkan model tren linier yang diberikan pada Tabel 2.7 dengan tren kuadrat
model yang diberikan pada Tabel 2.12, Anda akan menemukan bahwa untuk model linier nilai Akaike adalah
15.0 dan untuk model kuadrat adalah –4.23. Di sini Anda akan memilih kuadrat
model tren. Berdasarkan kriteria Schwarz, nilai-nilai ini adalah 15,17 untuk garis
model tren telinga dan –4.12 untuk model tren kuadrat. Sekali lagi, Anda akan memilih
model terakhir berdasarkan kriteria ini. Namun, untuk tren kuadrat mod-
el, nilai Akaike -4,23 lebih negatif daripada nilai Schwarz -4,12, memberikan
Akaike sedikit unggul dalam pilihan.
Mungkin menarik untuk dicatat bahwa untuk LRM kedua kriteria ini terkait dengan:
Uji F sebagai berikut: “Untuk ukuran sampel yang cukup besar n , perbandingan nilai AIC
sesuai dengan uji F dengan nilai kritis 2 dan SIC sesuai dengan uji F dengan
log nilai kritis ( n ).” 30
Jika kita berhadapan dengan model regresi nonlinier dalam parameter, diperkirakan dengan
metode kemungkinan maksimum (ML), kebaikan kecocokan diukur dengan kemungkinan
hood ration (LR) statistik , yang dijelaskan dalam Lampiran Bab 1, yang
membahas metode ML. Di Bagian III kita akan membahas model di mana kita menggunakan LR
statistik.
2.12 Ringkasan dan kesimpulan
Dalam bab ini kami mempertimbangkan berbagai model regresi linier – yaitu, model
yang linier dalam parameter atau dapat dibuat linier dengan transformasi yang sesuai.
Setiap model berguna dalam situasi tertentu. Dalam beberapa aplikasi lebih dari satu mod-
el mungkin cocok dengan data. Kami membahas fitur unik dari setiap model dalam hal kemiringan
dan koefisien elastisitas.
Dalam membandingkan dua atau lebih model berdasarkan R 2 kami menunjukkan bahwa
variabel dependen dalam model ini harus sama. Secara khusus, kami membahas
pilihan antara model linier dan log-linier, dua model yang umum digunakan dalam
riset.
29 Untuk diskusi tentang manfaat relatif dari berbagai kriteria pemilihan model, lihat Diebold, FX,
Elements of Forecasting , 3rd edn, Thomson/South-Western Publishers, 2004, hlm. 87–90.
30 Lihat Heij, C., de Boer, P., Franses, PH, Kloek, T., dan van Dijk, HK, Metode Ekonometrika dengan
Aplikasi dalam Bisnis dan Ekonomi , Oxford University Press, Oxford, Inggris, 2004, hlm. 280.
halaman 24
Meskipun kita telah membahas berbagai model dalam hal dua variabel atau
model regresi linier tiga variabel untuk tujuan ekspositori, mereka dapat dengan mudah
diperluas ke model regresi yang melibatkan sejumlah regresi. 31 Kita juga bisa
memiliki model di mana beberapa regresi linier dan beberapa log-linear.
Kami secara singkat membahas peran variabel standar dalam analisis regresi. A
variabel standar memiliki mean nol dan standar deviasi satuan. Oleh karena itu, semua Saya
variabel dalam model adalah unit standar deviasi. Namun, kami memperingatkan agar tidak
menggunakan besarnya koefisien standar sebagai ukuran relatif
pentingnya regressor. Ini karena rentang nilai regressor
mempengaruhi koefisien standar.
Kita dapat mengevaluasi model dalam hal tanda-tanda yang diharapkan dari koefisien regresi
ilmuwan, signifikansi statistik mereka dalam hal nilai t koefisien, atau
Uji F jika kita tertarik pada signifikansi bersama dari dua variabel atau lebih. Kita dapat
menilai kinerja keseluruhan model dalam hal R 2 . Jika kita membandingkan dua
atau lebih model regresi, kita dapat menggunakan R 2 yang disesuaikan atau Akaike atau Schwarz
kriteria informasi.
Kami juga membahas bagaimana kami dapat menggabungkan pembatasan linier dalam memperkirakan regresi
model sion. Pembatasan seperti itu sering disarankan oleh teori ekonomi.
Akhirnya, kami juga membahas regresi melalui model asal . Meskipun menggunakan-
ful dalam beberapa situasi, secara umum kita harus menghindari menjatuhkan intersep dari
model regresi.
Latihan
2.1 Pertimbangkan fungsi produksi berikut, yang dikenal dalam literatur sebagai
fungsi produksi transendental ( TPF ).
B2 B 3 BL BK
Q Saya BL1 KSaya
e Saya
4 Saya 5 Saya
di mana Q , L , dan K masing-masing mewakili output, tenaga kerja, dan modal.

( a ) Bagaimana Anda akan linierisasi fungsi ini? ( Petunjuk : logaritma.)
( b ) Apa interpretasi dari berbagai koefisien dalam DPK?
( c ) Berdasarkan data pada Tabel 2.1 , perkirakan parameter DPK .
( d ) Misalkan Anda ingin menguji hipotesis bahwa B 4 = B 5 = 0. Bagaimana caranya?
menguji hipotesis ini? Tunjukkan perhitungan yang diperlukan. ( Petunjuk : dibatasi
kuadrat terkecil.)
( e ) Bagaimana Anda menghitung elastisitas output-tenaga kerja dan output-kapital?
untuk model ini? Apakah mereka konstan atau variabel?
2.2 Bagaimana Anda menghitung elastisitas output-tenaga kerja dan output-modal untuk
fungsi produksi linier yang diberikan pada Tabel 2.3?
2.3 Untuk data pengeluaran makanan yang diberikan pada Tabel 2.8, lihat apakah model berikut cocok:
datanya dengan baik:
2
SFDHO i = B 1 + B 2 Pengeluaran i + B 3 Pengeluaran
Saya
dan bandingkan hasil Anda dengan yang dibahas dalam teks.
31 Untuk menangani model regresi multivariabel tersebut, kita perlu menggunakan aljabar matriks.
halaman 25
2.4 Apakah masuk akal untuk menstandardisasi variabel dalam log-linear Cobb–Douglas?
fungsi produksi dan memperkirakan regresi menggunakan variabel standar?
Mengapa atau mengapa tidak? Tunjukkan perhitungan yang diperlukan.
2.5 Tunjukkan bahwa koefisien determinasi, R 2 , juga dapat diperoleh sebagai
korelasi kuadrat antara nilai Y aktual dan nilai Y yang diperkirakan dari
model regresi (= Y i ), di mana Y adalah variabel dependen. Perhatikan bahwa
koefisien korelasi antara variabel Y dan X didefinisikan sebagai:
yxii
R
2 2
xySaya Saya
dimana y i = Y i – Y ; x i = X i – X . Perhatikan juga bahwa nilai rata-rata dari Y i dan Y adalah

sama, yaitu Y .
2.6 Tabel 2.18 di situs web pendamping memberikan data lintas negara untuk 83 negara
pada PDB per pekerja untuk tahun 1997 dan Indeks Persepsi Korupsi untuk tahun 1998. 32
( a ) Plot indeks persepsi korupsi terhadap PDB per pekerja.
( b ) Berdasarkan plot ini, model apa yang cocok untuk menghubungkan
indeks persepsi ruptur terhadap PDB per pekerja?
( c ) Presentasikan hasil analisis Anda.
( d ) Jika Anda menemukan hubungan positif antara korupsi dan PDB per kapita,
bagaimana Anda akan merasionalisasi hasil ini?
2.7 Tabel 2.19 di situs web pendamping memberikan data kesuburan dan data terkait lainnya untuk
64 negara. 33 Kembangkan model yang sesuai untuk menjelaskan kematian anak, pertimbangkan
ing berbagai bentuk fungsi dan ukuran kecocokan yang dibahas dalam
bab.
2.8 Verifikasi Persamaan. (2,37), (2,38) dan (2,39). Petunjuk : Minimalkan:
2 2
kamu
Saya (YBX
Saya 2 )
2.9 Pertimbangkan model berikut tanpa regresi apa pun.
Yi=B1+ui
Bagaimana Anda mendapatkan perkiraan B 1 ? Apa arti dari perkiraan

nilai? Apakah itu masuk akal?
32 Sumber: http://www.transparency.org/new/pressrelease/1998_corruption_perceptions_index (untuk

indeks korupsi) © Transparency International 1998. Semua Hak Dilindungi Undang-Undang. Transparansi Internasional
Indeks Persepsi Korupsi mengukur tingkat persepsi korupsi sektor publik di negara-negara dan
wilayah di seluruh dunia. Indeks tahun 1998 menilai negara-negara dengan rentang 0 (sangat korup) hingga 10 (sangat
membersihkan); sumber: http://www.worldbank.org/research/growth/ (untuk PDB per pekerja).
33 Sumber: Mukkherjee, C., White, H., dan Whyte, M., Ekonometrika dan Analisis Data untuk Pengembangan
Negara , Routledge, London, 1998, hal. 456. Data ini diperoleh dari Indikator Pembangunan Dunia,
diterbitkan oleh Bank Dunia.

Bab 2 Ekomet

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Bab 2 Ekomet

Diunggah oleh

Hak Cipta:

Format Tersedia

1/9/2021 BENTUK-BENTUK MODEL REGRESI FUNGSIONAL

Kami akan menggunakan beberapa contoh untuk menggambarkan berbagai model.

2.1 Model log-linier, log ganda atau elastisitas konstan

di mana Q = output, L = input tenaga kerja, K = modal, dan B 1 adalah konstanta.

di mana ln menunjukkan logaritma natural.

Fungsi produksi Cobb–Douglas untuk AS

Tabel 2.2 Fungsi Cobb–Douglas untuk AS, 2005.

Koefisien Std. Kesalahan t-Statistik Masalah.

C 3.887600 0.396228 9.811514 0,0000

lnCAPITAL 0,521279 0,096887 5.380274 0,0000

R-kuadrat 0,964175 Rata-rata tergantung var 16.94139

Q i = 48,79 L 0,47 K 0,51 (2.5)

Catatan : 48,79 kira-kira anti-log dari 3,8876. 6

Output i = A 1 + A 2 Tenaga kerja i + A 3 Modal i + u i (2.6)

Hasil regresi ini ditunjukkan pada Tabel 2.3.

Tabel 2.3 Fungsi produksi linier.

Koefisien Std. Kesalahan t-Statistik Masalah.

MODAL 9.951890 0,978116 10.17455 0,0000

R-kuadrat 0,981065 Rata-rata tergantung var 43217548

2.2 Menguji validitas pembatasan linier

Fungsi produksi Cobb–Douglas log-linear dipasang pada data produksi

Mengumpulkan istilah, kita dapat menulis Persamaan. (2.8) sebagai:

Menggunakan sifat-sifat logaritma, kita dapat menulis persamaan ini sebagai: 8

RSS R = jumlah sisa kuadrat dari regresi terbatas, Persamaan. (2.10)

7 Kita juga dapat menyatakan pembatasan linier sebagai B 3 = 1 – B 2 .

Tabel 2.4 Fungsi produksi Cobb–Douglas dengan restriksi linier.

Variabel Koefisien Std. Kesalahan t-Statistik Masalah. Saya

R-kuadrat 0.378823 Rata-rata tergantung var 4.749135

n = jumlah pengamatan (51 dalam contoh ini).

yang mengikuti distribusi probabilitas F statistik, di mana m dan ( n – k ) adalah

2.3 Log-lin atau model pertumbuhan

9 Untuk detailnya, lihat Gujarati/Porter, op cit ., hlm. 243–6.

ln PDRB t = ln PDRB 1960 + t ln(1 + r ) (2.13)

Menambahkan istilah kesalahan u t ke (2.14), kita memperoleh model regresi berikut: 10

Tabel 2.6 Tingkat pertumbuhan PDB riil, AS, 1960–2007.

Koefisien Std. Kesalahan t-Statistik Masalah. Saya

R-kuadrat 0,994454 Rata-rata tergantung var 8.647156

Model tren linier

RGDP t = A 1 + A 2 kali + u t (2.17)

Gambar 2.1 Log PDB riil, 1960–2007.

Tabel 2.7 Tren PDB AS riil, 1960–2007.

Koefisien Std. Kesalahan t-Statistik Masalah.

WAKTU 186.9939 4.689886 39.87174 0,0000

R-kuadrat 0.971878 Rata-rata tergantung var 6245.569

2.4 Model Lin-log

Tabel 2.9 Model Lin-log pengeluaran untuk makanan.

Koefisien Std. Kesalahan t-Statistik Masalah.

LOG(KELUARKAN) –0,077737 0,003591 –21.64822 0,0000

R-kuadrat 0.350876 Rata-rata tergantung var 0.144736

2.5 Model timbal balik

Terkadang kita menemukan situasi di mana hubungan antara regresi dan

Gambar 2.2 SFDHO dan log pengeluaran.

Contoh ilustratif: pengeluaran makanan ditinjau kembali

Tabel 2.10 Model resiprokal pengeluaran makanan.

Koefisien Std. Kesalahan t-Statistik Masalah.

C 0,077263 0.004012 19.25950 0,0000

R-kuadrat 0,333236 Rata-rata tergantung var 0.144736

Gambar 2.3 Bagian pengeluaran makanan dalam total pengeluaran.

2.6 Model regresi polinomial

RGDP t = A 1 + A 2 kali + A 3 kali 2 + u t (2.24)

Tabel 2.11 Model polinomial PDB AS, 1960–2007.

Koefisien Std. Kesalahan t-Statistik Masalah. Saya

WAKTU^2 2.417542 0,129443 18.67647 0,0000