BAB 6

ANALISIS REGRESI BERGANDA

(Masalah Penaksiran)

Model Tiga Variabel: Notasi dan Asumsi.

PRF:
Yi = β1 + β2 X2i + β3 X3i + µi {miu}

Menurut Yule:
Yi = β1.23 + β12.3 X2i + β13.2 X3i + µi
Indeks 1: Variabel Tidak Bebas (Y)
Indeks 2: Variabel Eksplanatori (X2)
Indeks 3: Variabel Eksplanatori (X3)
β1.23 : Intersep (konstanta), menggambarkan pengaruh
rerata semua variabel yang tidak dimasukkan ke
dalam model regresi terhadap Variabel Y, atau
Nilai rerata Variabel Y, jika X 2 dan X3 tidak ada
perubahan atau sama dengan 0.
β12.3 : Koefisien regresi parsial Variabel X2. Menentukan
pengaruh x2 terhadap Y.

48
 β13.2 : Koefisien regresi parsial Variabel X 3. Pengaruh X3
terhadap Y apabila X2 konstan.

Asumsi Model Regresi:

E(µi) = 0, untuk tiap i.{terjadi korelasi}
Covariance (µi, µj) = 0, dimana i ≠ j. {tidak terjadi multi
korelasi}
Variance (µi) = σ2, untuk tiap i.
Covariance (µi, X2i) = Covariance (µi, X3i) = 0
Tidak terjadi Multikolinearitas.

Multikolinearitas adalah Situasi adanya hubungan yang

pasti antar variabel eksplanatori (X).

Hubungan Kolinear (Ketergantungan Linear)

λ 2 X2i + λ 3 X3i = 0, X2i dan X3i kolinear.

Hubungan Bebas linear (Linearly independent)

49
 λ 2 = λ 3 = 0, X2i dan X3i bebas linear.

Penaksiran Persamaan Regresi Berganda

Harapan bersyarat (Conditional Expectation)

E(Yi│ X2i , X3i) = β1.23 + β12.3 X2i + β13.2 X3i

Artinya: Nilai rerata Y untuk nilai variabel X yang tetap.

Arti Koefisien Regresi Parsial

β12.3 : Perubahan nilai rerata Y atau E(Yi│ X2i , X3i), untuk setiap perubahan
Variabel X2, dengan menjaga X3 konstan.

β13.2 : Perubahan nilai rerata Y atau E(Yi│ X3i , X2i), untuk setiap perubahan
Variabel X3, dengan menjaga X2 konstan.

Penaksiran Ordinary Least Square (OLS) dan Maximum Loglikelyhood (ML)

Koefisien Regresi Parsial

Penaksir OLS:

Bentuk SRF:

Yi = β1.23 + β12.3 X2i + β13.2 X3i + ei

Prosedur OLS:

Residual Sum Square (RSS atau Σ ei2) se minimal mungkin.

Minimal Σ ei2 = Σ (Yi - β1.23 - β12.3 X2i - β13.2 X3i)2, maka:

50
 Yi head = β1.23 head + β12.3 head rerata X2i + β13.2 head rerata X3i

Maka akan diperoleh:

Intersep (konstanta):

β1.23 head = rerata Y - β12.3 head rerata X2i - β13.2 head rerata X3i

dengan menggunakan notasi huruf kecil untuk menggambarkan

penyimpangan rerata sampel, maka akan diperoleh nilai koefisien regresi
untuk Variabel X2 dan X3, sebagai berikut:

β12.3 head = ((Σ yi x2i)(Σ x3i2) – (Σ yi x3i)(Σ x2i x3i))/((Σ x2i2)(Σ x3i2) – (Σ x2i x3i)2

β13.2 head = ((Σ yi x3i)(Σ x2i2) – (Σ yi x3i)(Σ x2i x3i))/((Σ x2i2)(Σ x3i2) – (Σ x2i x3i)2

Varian dan Kesalahan Standar Penaksir OLS

Varian:

σ 2 head = Σ ei2 / N – 3

N – 3 adalah Degree of Fredoom (df = N – k – 1), di mana k = 2.

Kesalahan Standar (e)

Σ ei2 = Σ yi2 - β12.3 head Σ yi x2i - β13.2 head Σ yi x3i

RSS = TSS – ESS

51
 Sifat Penaksir OLS:

Tidak bias linear dan Varian Minimal (Best Linear Unbiased

Estimator /BLUE).

Kalau x nya ada 2 terjadi 1 hubungan, x ada 3 terjadi 3 hubungan, x ada 5

terjadi 10 hubungan.

Koefisien Determinasi Ganda (R2) dan Koefisien Korelasi Ganda (R).

R2 adalah Proporsi variasi dalam Y yang dijelaskan oleh variabel X2 dan X3

secara bersama-sama.

R2 = ESS/TSS, dimana bernilai 0≤ R2≤1

R adalah mengukur tingkat hubungan antara variabel Y dengan variabel X2

dan X3 secara bersama-sama.

Dalam praktek koefisien determinasi ganda (R2) lebih penting dibanding

koefisien korelasi ganda (R).

Contoh: Fungsi Produksi COBB-DOUGLAS.

Yi = β1.23 X2i β12.3 X3i β13.2

Ditransformasikan menjadi:

Ln Yi = Ln β1.23 + β12.3 Ln X2i + β13.2 Ln X3i

Y adalah Hasil (Output)

X2 adalah Input Tenaga Kerja

X3 adalah Input Modal

β12.3 dan β13.2 : mengukur elastisitas output terhadap upah dan modal.
52
 β12.3 + β13.2 : Tanggapan output terhadap proporsional input.

Bila = 1, terdapat pengaruh dengan skala yang konstan

(Constant Return to Scale atau melipatduakan input akan
melipatduakan output)

Bila < 1: Decreasing Return to Scale atau melipatduakan

input memberikan output kurang dari dua kali lipat.

Bila >1: Increasing Return to Scale atau melipatduakan

input memberikan output lebih dari dua kali lipat.

Contoh: Ln Yi = - 3,3384 + 1,4988 Ln X2 + 0,4899 Ln X3

Adjusted R2 (Koefisien Determinasi yang Disesuaikan).

Sifat penting R2 adalah Nilai yang merupakan fungsi yang tidak pernah
menurun (Nondecreasing Function) karena semakin banyak variabel
yang digunakan maka akan semakin besar nilai koofisien.

R2 = ESS/TSS

= 1 – RSS/TSS

= 1 – Σ ei2/ Σ yi2

Σ yi2 : adalah TSS, tergantung banyaknya Variabel X.

Σ ei2 : adalah RSS, tergantung banyaknya Variabel X, termasuk Variabel

intersep.

Adjusted R2 = 1 – ((Σ ei2/N-k)/( Σ yi2/N-1)

Atau

Adjusted R2 = 1 – σ2head/sy2head

53
 Atau

Adjusted R2 = 1 – (1-R2)(N-1/N-k)

Bila k>1, maka Adjusted R2 < R2

Koefisien Korelasi Parsial

r12.3 : Hubungan antara Y dengan X2, dengan menjaga X3 konstan.

r13.2 : Hubungan antara Y dengan X3, dengan menjaga X2 konstan.

r23.1 : Hubungan antara X2 dengan X3, dengan menjaga Y konstan.

Signifikan = bermakna

Tidak signifikan = tidak bermakna

54