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 mempertimbangkan fungsi produksi Cobb–Douglas (CD) yang terkenal, yang mungkin:
dinyatakan sebagai: 1
B2 B3
Q Saya BL1 KSaya Saya (2.1)
ln Q i = ln B 1 + B 2 ln L i + B 3 ln K i (2.2)
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
1/9/2021 BENTUK-BENTUK MODEL REGRESI FUNGSIONAL
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.
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
https://translate.googleusercontent.com/translate_f 2/21
1/9/2021 BENTUK-BENTUK MODEL REGRESI FUNGSIONAL
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:
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
BENTUK-BENTUK FUNGSIONAL MODEL REGRESI 31
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,
https://translate.googleusercontent.com/translate_f 3/21
1/9/2021 BENTUK-BENTUK MODEL REGRESI FUNGSIONAL
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.
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)
ln Q i – ln L i = A + B 3 (ln K i – ln L i ) + u i (2.9)
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:
https://translate.googleusercontent.com/translate_f 4/21
1/9/2021 BENTUK-BENTUK MODEL REGRESI FUNGSIONAL
m = jumlah pembatasan linier (1 dalam contoh ini)
k = jumlah parameter dalam regresi tak terbatas (3 dalam contoh ini)
halaman 6
BENTUK-BENTUK FUNGSIONAL MODEL REGRESI 33
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 )
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
halaman 7
34 DASAR REGRESI LINEAR
PDB (yaitu PDB yang disesuaikan dengan inflasi) untuk Amerika Serikat untuk periode 1960-2007. Untuk ini
https://translate.googleusercontent.com/translate_f 5/21
1/9/2021 BENTUK-BENTUK MODEL REGRESI FUNGSIONAL
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
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)
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
BENTUK-BENTUK FUNGSIONAL MODEL REGRESI 35
https://translate.googleusercontent.com/translate_f 6/21
1/9/2021 BENTUK-BENTUK MODEL REGRESI FUNGSIONAL
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.
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.
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
https://translate.googleusercontent.com/translate_f 7/21
1/9/2021 BENTUK-BENTUK MODEL REGRESI FUNGSIONAL
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.
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
BENTUK-BENTUK FUNGSIONAL MODEL REGRESI 37
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.
https://translate.googleusercontent.com/translate_f 8/21
1/9/2021 BENTUK-BENTUK MODEL REGRESI FUNGSIONAL
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
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.
halaman 12
BENTUK-BENTUK FUNGSIONAL MODEL REGRESI 39
Model ini nonlinier di X karena masuk ke model secara terbalik atau timbal balik, tetapi
itu adalah LRM karena parameternya, B s, adalah linier.
https://translate.googleusercontent.com/translate_f 9/21
1/9/2021 BENTUK-BENTUK MODEL REGRESI FUNGSIONAL
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.
1
SFDHO = B 1 B2 kamu
Saya (2.23)
Mengeluarkan
Saya
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
40 DASAR REGRESI LINEAR
https://translate.googleusercontent.com/translate_f 10/21
1/9/2021 BENTUK-BENTUK MODEL REGRESI FUNGSIONAL
bandingkan kedua nilai R 2 karena variabel terikat pada kedua model adalah
sama.
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:
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
BENTUK-BENTUK FUNGSIONAL MODEL REGRESI 41
DPDRB
A2 2 Sebuah
3 waktu (2.25)
Dwaktu
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
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)
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
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.
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
https://translate.googleusercontent.com/translate_f 12/21
1/9/2021 BENTUK-BENTUK MODEL REGRESI FUNGSIONAL
halaman 16
BENTUK-BENTUK FUNGSIONAL MODEL REGRESI 43
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
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 .
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:
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
44 DASAR REGRESI LINEAR
RSS terendah. Untuk menghemat ruang, kami tidak akan mereproduksi hasil transformasi ini
regresi kecuali untuk statistik berikut:
RSS
https://translate.googleusercontent.com/translate_f 13/21
1/9/2021 BENTUK-BENTUK MODEL REGRESI FUNGSIONAL
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.
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
BENTUK-BENTUK FUNGSIONAL MODEL REGRESI 45
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)
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
46 DASAR REGRESI LINEAR
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 .
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:
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
https://translate.googleusercontent.com/translate_f 15/21
1/9/2021 BENTUK-BENTUK MODEL REGRESI FUNGSIONAL
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
BENTUK-BENTUK FUNGSIONAL MODEL REGRESI 47
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.
26 Data ini, berasal dari bank data Datastream , direproduksi dari Heij, C., de Boer, P.,
https://translate.googleusercontent.com/translate_f 16/21
1/9/2021 BENTUK-BENTUK MODEL REGRESI FUNGSIONAL
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
48 DASAR REGRESI LINEAR
mundur yx
Karena intersep dalam model ini tidak signifikan secara statistik, kami dapat menerima
hasil Tabel 2.16, yang mendukung model pasar Persamaan. (2.34)
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
BENTUK-BENTUK FUNGSIONAL MODEL REGRESI 49
(1.16). Untuk rincian lebih lanjut tentang hubungan antara dua R 2 s, pembaca dapat:
lihat artikel oleh Hahn. 28
https://translate.googleusercontent.com/translate_f 17/21
1/9/2021 BENTUK-BENTUK MODEL REGRESI FUNGSIONAL
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
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.
28 Hahn, GJ (1979) Menyesuaikan model regresi tanpa istilah intersep, Journal of Quality Technology ,
9 (2), 56–61.
halaman 23
50 DASAR REGRESI LINEAR
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
https://translate.googleusercontent.com/translate_f 18/21
1/9/2021 BENTUK-BENTUK MODEL REGRESI FUNGSIONAL
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.
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
BENTUK-BENTUK FUNGSIONAL MODEL REGRESI 51
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
https://translate.googleusercontent.com/translate_f 19/21
1/9/2021 BENTUK-BENTUK MODEL REGRESI FUNGSIONAL
( 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
31 Untuk menangani model regresi multivariabel tersebut, kita perlu menggunakan aljabar matriks.
halaman 25
52 DASAR REGRESI LINEAR
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
Yi=B1+ui
https://translate.googleusercontent.com/translate_f 20/21
1/9/2021 BENTUK-BENTUK MODEL REGRESI FUNGSIONAL
diterbitkan oleh Bank Dunia.
https://translate.googleusercontent.com/translate_f 21/21