TUGAS I

REVIEW KONSEP PEMODELAN EKONOMETRIKA

oleh:

Pratiwi Dwi Yanti (185090501111019)

PROGRAM STUDI SARJANA STATISTIKA

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BRAWIJAYA
MALANG
2021
• Cari contoh pengujian teori ekonomi mikro maupun makro, menggunakan konsep
pemodelan ekonometrika
• Tidak perlu menggunakan data
• Penjelasan yang diperlukan:
a) Teori yang akan diuji
Teori Permintaan
Permintaan adalah banyaknya jumlah barang yang diminta pada suatu pasar
tertentu. Dengan tingkat harga tetentu pada tingkat pendapatan tertentu dan dalam
periode tertentu. Secara periode permintaan dari seorang individu atau masyarakat
terhadap suatu barang ditentukan oleh antara lain harga barang yang dimaksud,
tingkat pendapatan, jumlah penduduk, selera dan ramalan di masa yang akan datang,
dan harga barang lain atau substitusi. Analisis teori permintaan memfokuskan
hubungan antara permintaan dan perubahan harga, sedangkan faktor lainnya
dianggap tetap (ceteris paribus). Berdasarkan teori ini ditetapkan suatu aturan yang
berlaku secara teoritis mengenai permintaan yang disebut hukum permintaan (Putog,
2000).
Pada hakikatnya hukum permintaan menyatakan bahwa ketika harga produk
per unit mengalami kenaikan, atau menyebabkan jumlah produk yang diminta
mengalami penurunan, dan jika harga produk per unit turun dari harga semula,
berarti jumlah produk yang diminta akan mengalami peningkatan. Dengan kata lain
permintaan berbanding terbalik dengan harga. Di mana hukum permintaan hanya
berlaku jika asumsinya cateris paribus.
Kasus yang ingin saya uji apakah banyak mobil di jalan raya dan banyak
populasi orang yang menggunakan mobil di jalan raya akan berpengaruh dalam
menentukan indeks harga riil rata-rata sebuah mobil. Oleh karena dapat di indikasi
adanya hal-hal sebagai berikut :
i. Semakin banyak jumlah mobil di jalan raya, maka semakin beragam pula
indeks harga rill rata-rata sebuah mobil.
ii. Semakin banyak populasi orang yang menggunakan mobil di jalan raya, maka
semakin beragam pula indeks harga rill rata-rata sebuah mobil.

b) Variabel-variabel yang diperlukan

Price (Y) : Indeks harga riil rata-rata mobil
Stock (X1) : Jumlah mobil di jalan raya (ribuan)
Population (X2) : Populasi dalam jutaan

c) Tipe data yang terlibat

Tipe data yang saya gunakan dalam kasus ini untuk menguji teori permintaan
merupakan data time series, karena data dikumpulkan dengan mengamati penjualan
mobil baru pada tahun 1975-1990

d) Model yang diasumsikan

Model yang diasumsikan pada teori permintaan memiliki hubungan antara price,
stock, dan population dengan ditampilkan dalam model ekonometrika adalah sebagai
berikut :
 Model regresi linier berganda
Yi   0  1Stock i   2 Populationi   i

e) Hipotesis yang diperlukan sesuai teori yang akan diuji

Hipotesis secara simultan :
H0 : Stock dan population secara simultan mempengaruhi price
H1 : Stock dan population secara simultan tidak mempengaruhi price

Hipotesis secara parsial :

H0 : β1 = 0 (Stock berpengaruh signifikan terhadap price)
H1 : β1 ≠ 0 (Stock tidak berpengaruh signifikan terhadap price)

H0 : β2 = 0 (Population berpengaruh signifikan terhadap price

H1 : β2 ≠ 0 (Population tidak berpengaruh signifikan terhadap price

f) Pendugaan parameter model dan analisis lanjutan untuk mengambil kesimpulan

 Pendugaan parameter menggunakan metode Ordinary Least Square (OLS)
pada masing-masing koefisien dengan persamaan regresi linier sebagai berikut :
����� = �1 + �2 ∗ ����� + �3 ∗ ��� + ��
Perlu dilakukan uji-t pada pengujian hipotesis secara parsial dan uji-F pada
hipotesis secara simultan seperti berikut ini :
Uji t
Statistik Uji :
��
�ℎ�� =
�� ��
Keputusan :
�ℎ�� ≤ ������ , maka �0 diterima
�ℎ�� > ������ , maka �0 ditolak

Uji F
Statistik Uji :
���������
�ℎ�� =
�������
Keputusan :
�ℎ�� ≤ ������ , maka �0 diterima
�ℎ�� > ������ , maka �0 ditolak

Interpretasi :
Pada metode OLS yang digunakan terdapat p-value yang digunakan untuk
mengetahui hubungan suatu variabel secara signifikan. Suatu variabel dikatakan
signifikan jika p-value < 0.05, maka �0 ditolak. Sehingga dapat dikatakan
bahwa terdapat hubungan antar variabel dependen dan independen.

Setelah melakukan pendugan parameter perlu dilakukan evaluasi hasil estimasi

yang meliputi 3 hal berikut :
i. Adanya kriteria ekonomi secara apriori dimana tanda dan ukuran harus
sesuai dengan teori ekonomi.
ii. Adanya kriteria statistika, hasil yang baik ialah yang menghasilkan
koefisien determinasi yang tingi, standar error rendah, dan hipotesis null
ditolak pada pengujian hipotesis baik secara simultan (Uji t) maupun
parsial (Uji F).
iii. Adanya kriteria ekonometrika yang memenuhi salah satu dari asumsi
klasik sebagai beikut :
• Uji Normalitas
Uji normalitas terdiri dari melihat apakah nilai residual
berdistribusi normal atau tidak. Model regresi yang baik adalah memiliki
residual yang berdistribusi normal. Oleh karena itu, uji normalitas tidak
dilakukan untuk setiap variabel, tetapi untuk nilai residual. Kesalahan yang
sering terjadi yaitu dilakukan uji normalitas untuk masing-masing variabel.
Ini tidak dilarang, tetapi model regresi membutuhkan normalitas dari
residual, bukan variabel penelitian.
Uji normalitas dapat dilakukan dengan uji histogram, normal P-
Plot, Chi-square, Skewness and Kurtosis atau Kolmogorov-Smirnov.
Tidak ada cara yang lebih baik atau lebih cocok. Sarannya adalah bahwa
menguji metode pemetaan akan membuat beberapa pemirsa merasa
berbeda. Oleh karena itu, kami tidak dapat menjamin bahwa uji statistik
lebih unggul daripada uji skematik, tetapi tidak ada keraguan tentang
penggunaan uji normalitas dalam uji statistik. Jika residu tidak normal
tetapi mendekati nilai kritis (misalnya, rata-rata Kolmogorov Smirnov
0,049), metode lain dapat digunakan yang memungkinkan normalisasi.
Namun, jika Anda jauh dari nilai normal, Anda dapat mengambil
beberapa langkah, seperti mengubah data, memotong pencilan, dan
menambahkan pengamatan. Transformasi bisa dalam bentuk logaritma
natural, akar kuadrat, inversi, atau bentuk lainnya, tergantung dari bentuk
normal kurva, baik itu kiri, kanan, tengah, maupun kanan dan kiri.

• Uji Multikolinearitas
Uji multikolinieritas dirancang untuk mengetahui apakah terdapat
korelasi yang tinggi antara variabel bebas model regresi multikolinear. Jika
terdapat korelasi yang tinggi antara variabel independen, maka hubungan
antara variabel independen dengan variabel dependen akan terganggu.
Alat yang sama yang sering digunakan untuk mengukur perbedaan
pada patogen yang berbeda adalah varians hasil (VIF), Pearson
mempengaruhi varians dari fungsi independen atau mempertimbangkan
nilai dan ukuran eigen.

• Uji Heteroskedastisitas
Dalam pengujian heteroskedastisitas, dievaluasi apakah terdapat
perbedaan antara pengujian residual dengan pengujian lainnya. Salah satu
model regresi yang memenuhi syarat adalah kemiripan varians residual
satu pengamatan dan pengamatan lainnya yang disebut homoskedastisitas.
Bukti heterodaktisitas dapat ditunjukkan dengan menggunakan metode
hamburan plot dengan memplotkan nilai ZPRED (nilai prediksi) dengan
SRESID (nilai residual). Model yang baik adalah ketika grafik tidak
memiliki pola tertentu, seperti konvergen di tengah, sempit dan zoom in
 atau z zoom in dan out. Tes Glejser, tes Park atau tes Wei dapat digunakan
sebagai tes.
Beberapa solusi alternatif, jika model melanggar asumsi
heterogenitas, adalah mengubahnya menjadi bentuk logaritmik. Ini hanya
mungkin jika semua datanya bagus. Atau semua variabel dapat dibagi
dengan variabel yang mengalami gangguan heterosaktik.

• Uji Autokorelasi
Uji autokorelasi untuk melihat apakah terdapat korelasi antara
periode t dengan periode sebelumnya (t -1). Sederhananya, analisis regresi
menguji pengaruh variabel independen terhadap variabel dependen
sehingga tidak ada korelasi antara observasi dengan informasi observasi
sebelumnya.
Uji autokorelasi hanya dilakukan pada data deret waktu (time
series) dan tidak harus dilakukan pada data cross-sectional seperti pada
kuesioner yang semua variabel diukur secara bersamaan. Model regresi
dalam penelitian di Bursa Efek Indonesia di mana pengujian autokorelasi
biasanya diperlukan selama lebih dari satu tahun. Beberapa uji statistik
yang umum digunakan adalah uji Durbin-Watson, uji coba dan uji jalan
serta jika data observasi di atas 100 data maka uji pengali Lagrange harus
digunakan. Beberapa cara untuk menyelesaikan masalah autokorelasi
adalah dengan mengkonversi data atau mengubah model regresi menjadi
persamaan yang beraneka ragam. Selain itu dapat juga dilakukan dengan
memasukkan variabel lag dari variabel dependen ke dalam salah satu
variabel independen, sehingga data observasi berkurang sebesar 1.

• Uji Linearitas
Uji garis digunakan untuk melihat apakah model bawaan memiliki
korelasi linier atau tidak. Ukuran ini jarang digunakan dalam beberapa
studi karena model ini biasanya dikembangkan atas dasar studi teoritis di
mana hubungan antara kebebasan yang berbeda dan perbedaan keuntungan
masyarakat adalah linier. Hubungan antar variabel yang secara teoritis
bukan merupakan hubungan linier tidak dapat dianalisis dengan regresi
linier, seperti masalah elastisitas.
Jika ada hubungan antara dua variabel yang belum diketahui linier,
uji linier tidak dapat digunakan untuk memberikan penyesuaian apakah
hubungannya linier. Uji linieritas digunakan untuk memastikan apakah
properti linier antara dua variabel yang diidentifikasi dalam teori cocok
dengan pengamatan. Uji linieritas dapat dilakukan dengan menggunakan
uji Durbin-Watson, uji Ramsey, atau uji pengali Lagrange.

 Analisis Lanjutan
Analisis lanjutan yang sesuai dengan tipe data time series pada kasus ini
adalah dengan menggunakan asumsi autokorelasi, dimana dalam melakukan
uji autokorelasi perlu dilakukan beberapa pemeriksaan, antara lain :
i. Melakukan pemeriksaan dengan mendapatkan sisaan dan melakukan
pemeriksaan secara grafis. Setelah itu melakukan uji Durbin Watson untuk
memastikan hasil pemeriksaan grafis.
ii. Uji Breusch Godfrey untuk menguji sifat non autokorelasi secara ARIMA
(p d q).
iii. Kesimpulan yang dapat diambil ketika menggunkan uji autokorelasi adalah
seperti berikut ini :
Penduga OLS pada model perlu dilakukan uji asumsi autokorelasi. Jika
pada asumsi non autokorelasi terdeteksi adanya autokorelasi, maka penduga
OLS untuk koefisien regresi menjadi tidak lagi efisien karena ragam besar
dan tidak lagi memenuhi penduga yang bersifat BLUE. Sehingga adanya
autokorelasi pada asumsi non autokorelasi akan berefek pada struktur
ragam ˆ , yang efeknya pada hasil uji tidak valid karena menggunakan
ragam yang salah. Namun pada asumsi autokorelasi langsung dapat
diinterpretasikan.