Prediksi Permintaan Pasar Softdrink dengan Penambahan

Variabel Teori Ekonomi Menggunakan Ordinary Least Square

(OLS) dengan rekristrik non-sample information.

Panji Adhipura
Program Studi Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Teknologi Bandung, Jalan Ganesha 10 Bandung, 40132, Indonesia

*E-mail : panji.adhipura@students.itb.ac.id

Abstrak
Penelitian ini membahas estimasi parameter  dan  2 koefisien regresi linier dalam
ekonometrika. Koefisien adalah ukuran yang paling umum digunakan sebagai goodness of
fit suatu regresi sebagai Best Linear Unbiased Estimator (BLUE). Penelitian ini difokuskan
pada penjualan minuman ringan dengan variabel kontrol untuk harga minuman ringan, harga
barang lain dan pendapatan masyarakat. Oleh karena itu, data diolah dengan menggunakan
python dan dilakukan simulasi montecarlo. Secara umum, peneliti mengaitkan estimasi
variabel dengan good fit R2 dalam mengindikasikan kemampuan variabel independen untuk
"menjelaskan" variabel dependen. Dalam kasus ini, peneliti mengusulkan model linier
melakukan estimasi parameter menggunakan ordinary least squares (OLS) dan OLS dengan
penambahan rekristrik tambahan sebagai non-sampel information. Hasil eksperimen
menunjukan estimasi dengan menggunakan OLS (jika diberikan non-sample information)
memiliki kemampuan yang lebih baik dari OLS yang hanya mengandalkan informasi sampel
saja.

Kata kunci: ekonometrika, fungsi permintaan, ordinary least square (OLS), simulasi
montecarlo

Abstract
This paper attempts to discuss the parameter estimation of  and  2 coefficient of linear
regression. The coefficient is the most commonly used measure of the goodness of fit of a
regression line as Best Linier Unbiased Estimator (BLUE). Reserach focused on soft drink
sale with independent variable prices for soft drinks, prices for other goods and people's
income. Therefore, the data is processed using python and montecarlo simulation is
performed. In general, researchers associate a variabel estimatioin with a good fit and it
can be considered as indicative of a strong ability of the independent variables to "explain
" the dependent variable. In this case, investigators proposed model must be linear and
include a constant or intercept term and be estimated using only ordinary least squares
(OLS) and additional recristed OLS as non-sample information. Furthermore, the results of
the estimation experiment using OLS (if given non-sample information) which has a better
capability than OLS which only relies on sample information.

Keywords: econometrics, demand function, ordinary least square (OLS),

montecarlo simulation

1
1. PENDAHULUAN
Ekonometrika terkait dengan pengukuran hubungan ekonomi. Istilah ekonometrika
terbentuk dari dua kata Yunani, yaitu “oikonomίa” (economy) dan “mέtron” (measure).
Ekonometrika adalah kombinasi dari teori ekonomi, matematika ekonomi dan statisitk, tetapi
ketiga aspek tersebut berbeda satu sama lain.
Ekonometrika dapat dipertimbangkan sebagai integrasi ilmu ekonomi, matematika dan
statistika untuk tujuan menyajikan nilai numerik untuk parameter dari suatu hubungan ekonomi
(contoh : elastisitas, nilai marginal dan ukuran ekonomi lainnya) dan memverifikasi teori
ekonomi. Ekonometrika adalah bentuk khusus dari analisis dan penelitian ekonomi yang
diformulasikan dalam bentuk matematika dan dikombinasikan dengan pengukuran empiris dari
fenomena ekonomi. Berawal dari hubungan ekonomi, kita menyatakan dalam bentuk
matematika yang dapat diukur, kita kemudian menggunakan metode khusus, yang disebut
metode ekonometrika dalam tujuan untuk memperoleh dugaan numerik dari koefisien dalam
hubungan ekonomi. Metode ekonometrika adalah metode statistika yang secara khusus
disesuaikan terhadap kekhasan fenomena ekonomi. Kebanyakan sifat penting dari hubungan
ekonomi mencakup sebuah elemen acak (elemen random), yang mana sering diabaikan dalam
teori ekonomi dan matematika ekonomi yang menyatakan hubungan secara eksak antara
berbagai besaran-besaran ilmu ekonomi. Ekonometrika telah membangun metode untuk
mempetimbangkan komponen acak (randon component) dari hubungan ekonomi.
Contoh kasus ekonometrika yaitu, saat kita ingin mengetahui hubungan permintaan soft
drink dengan harga soft drink tersebut, harga barang lain dan pendapatan masyarakat. Kita
dapat memprediksi jumlah permintaan soft drink berdasarkan dengan variable yang sudah
diketahui harga soft drink, harga barang lain serta pendapatan masyarakat. Penyelesaian model
ekonometrik berdasarkan dua unsut dasar yaitu Teori dan Fakta. Teori dijabarkan dalam bentuk
model khususnya model ekonometrik. Model merupakan rangkuman teori yang relevan dalam
suatu sistem yang ipertimbangkan.
Hal yang terpenting dalam model ekonometrik adalah spesifikasi dari suatu model yang
mencerminkan suatu fenomena yang akan dikaji, diukur dan diuji. Unsur lain yang penting
adalah fakta, yang merupakan kejadian di dunia nyata yang akan dilakukan suatu investivigasi.
Fakta tersebut dijelaskan dalam suatu data set yang mewakili suatu observasi yang relevant.
Data tersebut dilakukan refinement untuk dapat dilakukan estimasi model ekonometrik.
Selanjutnya, diperlukan teknik ekonometrik untuk melakukan estimasi model ekonometrik.
Secara umum, artikel ini akan mebahas penaksiran terhadap parameter β, σ2 dan Cov(β)
dari data set (31 minggu) konsumsi rumah tangga, melakukan pengujian hipotesa baik secara
parsial dari parameter β maupun secara bersama-sama serta baik yang memiliki pembatas
maupun yang tidak memiliki pembatas, membandingkan penaksir-penaksir terhadap parameter
β dan σ2 yang dihasilkan oleh metoda OLS, melakukan simulasi Monte Carlo sebanyak 1 juta
kali untuk melakukan penaksiran terhadap parameter β, σ2 dan Cov(β) serta pengujian hipotesis
dan membandingkan kesesuaian hasil eksperimen dengan hasil teoritisnya.

2
 Tujuan dari penelitian ekonometrika adalah mencapai estimasi/pendugaan numerik
terbaik atas parameter dalam hubungan ekonomi dan menggunakannya untuk memprediksi
atau meramal nilai variabel ekonomi. Peramalan adalah suatu hal yang pokok dalam penelitian
ekonometrika.
Sebelum melakukan peramalan dengan teknik simulasi, model ekonometrika yang
digunakan harus divalidasi terlebih dahulu untuk melihat kesesuaian data aktual dengan nilai
dugaan variabel. Kita harus mempertahankan apakah fungsi yang diestimasi membentuk secara
cukup oleh bagian luar data sampel, yang dipresentasikan oleh variasi rata-ratanya.
Metode yang akan digunakan pada eksperimen ini adalah metoda literatur dengan
menggunakan data-data eksperimental. Kemudian dilakukan kalkulasi estimasi terhadap
beberapa parameter dengan beberapa metoda pendekatan dan bantuan komputer dengan
menggunakan perangkat lunak Jupyter Notebook yang memiliki source engine python 3.7.
Dilanjutkan dengan melakukan pengujian hipotesa dan membandingkan semua hasil
eksperimennya dengan hasil teori. Model regresi yang digunakan untuk eksperimen adalah
model statistik linier normal.

2. DASAR TEORI
2.1. Model Ekonomi
Pada ekperimen ini akan melakukan estimasi fungsi permintaan pasar untuk suatu produk.
Fungsi permintaan pasar pada suatu barang dan jasa merupakan penjumlahan dari fungsi
permintaan individu. Total permintaan pasar untuk produk Y, adalah:

Y  DY ( Px PY I )
dengan D x adalah fungsi permintaan padar untuk barang Y. Permintaan pasar untuk produk Y
bergantung pada harga barang Y ( Py ) , harga barang X ( Py ) serta pendapatan masyarakat.
Untuk memperoleh kurva permintaan pasar untuk barang Y yaitu dengan menjadikan Py
sebagai variabel bebas sedangkan variabel lainnya ( Px, I ) konstan.
Untuk mengetahui bagaimana pengaruh perubahan harga barang Y terhadap permintaan pasar
barang X maka digunakan konsep price elasticity of demand yaitu :

YPY  ln Y
 Y ,P  
Y
PY  ln PY
Bila nilai  Y , PY  1 maka barang tersebut bersifat inelastis,  Y , PY  1 barang tersebut
bersifat unitary elastis, dan jika  Y , PY  1 maka barang tersebut bersifat elastis. Sedangkan
untuk mengetahui pengaruh perubahan harga barang lain (X) terhadap permintaan barang Y
digunakan konsep cross-price elasticity of demand yaitu :

3
 YX  ln Y
 Y ,P  
X
PY  ln PX

Bila nilai  Y , PX  0 merupakan kategori barang subtitusi dan jika  y , PX  0 merupakan

kategori barang komplementer.
Selanjutnya untuk mengetahui pengaruh perubahan pendapatan (income) masyarakat
terhadap permintaan pasar barang Y digunakan konsep income elasticity of demand adalah :

YI  ln Y
 Y ,I  
IY  ln I
Bila nilai  Y , I  0 merupakan barang non-given artinya produk tidak akan mengalami
permintaan yang meningkat ketika harga naik ataupun turun ketika harga turun. Sebaliknya
bila  Y , I  0 adalah barang given artinya produk akan mengalami permintaan yang
meningkat ketika harga naik ataupun turun ketika harga turun.
Salah satu sifat yang dimiliki fungsi permintaan pasar adalah homogenous of degree zero
pada semua harga dan pendapatan. Sesuai dengan teorema Euler maka dapat ditunjukan
bahwa :

Y Y Y
Py  Px  I 0
Py Px I
bila persamaan tersebut dibagi dengan Y, maka diperoleh:

Y Py Y Px Y I
  0
Py Y Px Y I Y
sehingga dari persama dapat diperoleh  Y , PY   Y , PX   Y , I  0 . Informasi ini merupakan non-
sample information yang akan digunakan dalam pengujian hipotesis.

2.2.Model Statistik Linear

Model statistik linier, istilah linier ini ditujukan pada parameter 𝛽 terhadap y. Model statistik
linier pada saat observasi ke t dapat dinyatakan dengan:

𝑦𝑡 = 𝛽1 𝑥𝑡1 + 𝛽2 𝑥𝑡2 + ⋯ + 𝛽𝐾 𝑥𝑡𝐾 + 𝑒𝑡

keterangan :
 Variabel 𝑦𝑡 disebut variabel endogin (endogenous variable) yang bersifat stokastik.
 𝑥𝑡𝑘 , 𝑘 = 1,2, ⋯ , 𝐾 disebut variabel eksogin (exogenous variable) yang nilainya tetap.
 𝛽1 , 𝛽2 , ⋯ , 𝛽𝐾 disebut parameter yang konstan.
 𝑒𝑡 disebut residu (disturbance term) yang bersifat stokastik (statistik).

Model diatas dapat dituliskan lengkap untuk seluruh 𝑡 = 1,2, ⋯ , 𝑇

4
 𝑦1 = 𝛽1 𝑥11 + 𝛽2 𝑥12 + ⋯ + 𝛽𝐾 𝑥1𝐾 + 𝑒1
𝑦2 = 𝛽1 𝑥21 + 𝛽2 𝑥22 + ⋯ + 𝛽𝐾 𝑥2𝐾 + 𝑒2
⋮ ⋮ ⋱ ⋮
𝑦𝑇 = 𝛽1 𝑥𝑇1 + 𝛽2 𝑥𝑇2 + ⋯ + 𝛽𝐾 𝑥𝑇𝐾 + 𝑒𝑇

dan dapat ditulis dalam notasi matriks menjadi

𝑦1 𝑥11 𝑥12 … 𝑥1𝐾 𝛽1 𝑒1
𝑦2 𝑥 𝑥22 ⋯ 𝑥2𝐾 𝛽 𝑒2
( ⋮ ) = ( 21 ) ( 2) + ( ⋮ )
⋮ ⋮ ⋱ ⋮ ⋮
𝑦𝑇 𝑥𝑇1 𝑥𝑇2 … 𝑥𝑇𝐾 𝛽𝐾 𝑒𝑇
𝑦 = 𝑋 𝛽 + 𝑒
dengan
𝑦∶𝑇𝑥1
𝑋∶𝑇𝑥𝐾
𝛽∶𝐾𝑥1
𝑒∶𝑇𝑥1

Dari dua penafsiran linier tadi, linieritas dalam parameter sangat relevan dengan
pengembangan teori regresi. Jadi, istilah regresi linier akan selalu berarti suatu regresi yang
linier dalam parameter, yaitu parameter β tetapi regresi tadi mungkin linier atau tidak dalam
variabel bebas (variabel yang menjelaskan) yaitu variabel X.

2.2.1. Estimasi dengan Ordinary Least Square

Dari model statistik linier, digunakan asumsi yaitu:
1. 𝐸(𝑒𝑡 ) = 0, 𝑡 = 1,2, ⋯ , 𝑇
𝜎 2 , 𝑢𝑛𝑡𝑢𝑘 𝑖 = 𝑗
2. 𝑐𝑜𝑣(𝑒𝑖 , 𝑒𝑗 ) = 𝐸(𝑒𝑖 𝑒𝑗 ) = {
0, 𝑢𝑛𝑡𝑢𝑘 𝑖 ≠ 𝑗
Asumsi kelak akan dipergunakan untuk melihat sifat-sifat dari penaksir parameter 𝛽 dan 𝜎 2 .
𝐸(𝑒1 ) 0
𝐸(𝑒2)
= [ ] = [0] = 0𝑇𝑥1
⋮ ⋮
𝐸(𝑒𝑇 ) 0

Dengan asumsi diatas dapat dinyatakan dengan matriks variansi-kovariansi

𝑐𝑜𝑣(𝑒) = 𝐸(𝑒𝑒 ′ )
𝑒1
𝑒2
= 𝐸 [( ⋮ ) (𝑒1 𝑒2 … 𝑒𝑇 )]
𝑒𝑇
𝑒1 𝑒1 𝑒1 𝑒2 ⋯ 𝑒1 𝑒𝑇
𝑒 𝑒 𝑒2 𝑒2 ⋯ 𝑒2 𝑒𝑇
=𝐸 [ 2 1 ]
⋮ ⋮ ⋱ ⋮
𝑒𝑇 𝑒1 𝑒𝑇 𝑒1 ⋯ 𝑒𝑇 𝑒1

5
 𝐸(𝑒1 𝑒1 ) 𝐸(𝑒1 𝑒2 ) ⋯ 𝐸(𝑒1 𝑒𝑇 )
𝐸(𝑒2 𝑒1 ) 𝐸(𝑒2 𝑒2 ) ⋯ 𝐸(𝑒2 𝑒𝑇 )
=[ ]
⋮ ⋮ ⋱ ⋮
𝐸(𝑒𝑇 𝑒1 ) 𝐸(𝑒𝑇 𝑒1 ) ⋯ 𝐸(𝑒𝑇 𝑒1 )
𝑣𝑎𝑟(𝑒1 𝑒1 ) 𝑐𝑜𝑣(𝑒1 𝑒2 ) ⋯ 𝑐𝑜𝑣(𝑒1 𝑒𝑇 )
𝑐𝑜𝑣(𝑒2 𝑒1 ) 𝑣𝑎𝑟(𝑒2 𝑒2 ) ⋯ 𝑐𝑜𝑣(𝑒2 𝑒𝑇 )
=[ ]
⋮ ⋮ ⋱ ⋮
𝑐𝑜𝑣(𝑒𝑇 𝑒1 ) 𝑐𝑜𝑣(𝑒𝑇 𝑒1 ) ⋯ 𝑣𝑎𝑟(𝑒𝑇 𝑒1 )
𝜎2 0 ⋯ 0
2
= [ 0 𝜎 ⋯ 0]
⋮ ⋮ ⋱ ⋮
0 0 ⋯ 𝜎2
1 0 ⋯ 0
= 𝜎 2 [0 1 ⋯ 0] = 𝜎 2 𝐼𝑇
⋮ ⋮ ⋱ ⋮
0 0 ⋯ 1

sehingga dapat dinyatakan dengan

𝐸(𝑒) = 0𝑇𝑥1
𝑐𝑜𝑣(𝑒) = 𝜎 2 𝐼𝑇

Parameter 𝛽 sekalipun kostan akan tetapi nilainya belum diketahui. Dengan data y dan X yang
sudah diperoleh, parameter 𝛽 dapat ditaksir. Parameter 𝛽 akan ditaksir dengan menggunakan
kriteria yang meminimumkan jumlah kuadrat residu.
𝑆(𝛽) = 𝑒 ′ 𝑒
= (𝑦 − 𝑋𝛽)′(𝑦 − 𝑋𝛽)
= 𝑦 ′ 𝑦 − 𝑦 ′ 𝑋𝛽 − 𝛽 ′ 𝑋 ′ 𝑦 + 𝛽′𝑋′𝑋𝛽

Syarat perlu untuk meminimumkan 𝑆(𝛽) adalah

𝜕𝑆(𝛽)
= 0 − 𝑋 ′ 𝑦 − 𝑋 ′ 𝑦 + 2𝑋 ′ 𝑋𝛽̂ = 0
𝜕𝛽

dapat ditulis menjadi persamaan normal (normal equation)

𝑋 ′ 𝑋𝛽̂ = 𝑋′𝑦

Bila (𝑋 ′ 𝑋)−1 ada maka didapat penaksir untuk 𝛽

𝛽̂ = (𝑋 ′ 𝑋)−1 𝑋′𝑦

penaksir 𝛽̂ disebut ordinary least square (OLS) estimator untuk 𝛽.

𝛽̂ = (𝑋 ′ 𝑋)−1 𝑋′𝑦
= (𝑋 ′ 𝑋)−1 𝑋 ′ (𝑋𝛽 + 𝑒)
= (𝑋 ′ 𝑋)−1 𝑋 ′ 𝑋𝛽 + (𝑋 ′ 𝑋)−1 𝑋 ′ 𝑒

6
 = 𝛽 + (𝑋 ′ 𝑋)−1 𝑋 ′ 𝑒
atau
𝛽̂ − 𝛽 = (𝑋 ′ 𝑋)−1 𝑋′𝑒

kedua ruas diekspektasikan dan diperoleh

𝛽̂ = 𝛽 + (𝑋 ′ 𝑋)−1 𝑋 ′ 𝑒
𝐸(𝛽̂ ) = 𝐸[𝛽 + (𝑋 ′ 𝑋)−1 𝑋 ′ 𝑒]
= 𝛽 + (𝑋 ′ 𝑋)−1 𝑋 ′ 𝐸(𝑒)
= 𝛽 + (𝑋 ′ 𝑋)−1 𝑋 ′ 0
=𝛽

Sifat 𝛽̂ memperlihatkan bahwa 𝛽̂ merupakan penaksir yang tak bias (unbiased estimator) bagi
parameter 𝛽.
Sifat kedua dari 𝛽̂ , yaitu 𝑐𝑜𝑣(𝛽̂ ).
′
𝑐𝑜𝑣(𝛽̂ ) = 𝐸 [(𝛽̂ − 𝐸(𝛽̂ )) (𝛽̂ − 𝐸(𝛽̂ )) ]
′
= 𝐸 [(𝛽̂ − 𝛽)(𝛽̂ − 𝛽) ]
= 𝐸[(𝑋 ′ 𝑋)−1 𝑋 ′ 𝑒𝑒 ′ 𝑋(𝑋 ′ 𝑋)−1 ]
= (𝑋 ′ 𝑋)−1 𝑋 ′ 𝐸(𝑒𝑒 ′ )𝑋(𝑋 ′ 𝑋)−1
= (𝑋 ′ 𝑋)−1 𝑋 ′ (𝜎 2 𝐼𝑇 )𝑋(𝑋 ′ 𝑋)−1
= 𝜎 2 (𝑋 ′ 𝑋)−1 𝑋′𝑋(𝑋 ′ 𝑋)−1
= 𝜎 2 (𝑋 ′ 𝑋)−1

𝑣𝑎𝑟(𝛽̂1 ) 𝑐𝑜𝑣(𝛽1 𝛽2 )𝑐𝑜𝑣(𝛽1 𝛽𝐾 )

⋯

𝑐𝑜𝑣(𝛽̂ ) = 𝑐𝑜𝑣(𝛽2 𝛽1
) 𝑣𝑎𝑟(𝛽̂1 )
⋯ 𝑐𝑜𝑣(𝛽2 𝛽𝐾 )
⋮ ⋮ ⋱ ⋮
[𝑐𝑜𝑣(𝛽𝐾 𝛽1 ) 𝑐𝑜𝑣(𝛽𝐾 𝛽2 ) ⋯ 𝑣𝑎𝑟(𝛽̂𝐾 ) ]

Jadi, sifat penaksir 𝛽̂ adalah

𝐸(𝛽̂ ) = 𝛽
𝑐𝑜𝑣(𝛽̂ ) = 𝜎 2 (𝑋′𝑋)−1

Setelah didapat penaksir 𝛽̂ maka nilai taksiran untuk y adalah

𝑦̂ = 𝑋𝛽̂

sedangkan nilai taksiran untuk e adalah

𝑒̂ = 𝑦 − 𝑋𝛽̂
= 𝑦 − 𝑦̂
= 𝑦 − 𝑋(𝑋 ′ 𝑋)−1 𝑋′𝑦

7
 = [𝐼𝑇 − 𝑋(𝑋 ′ 𝑋)−1 𝑋′] 𝑦
= 𝑀𝑦

dengan M adalah
𝑀 = 𝐼𝑇 − 𝑋(𝑋 ′ 𝑋)−1 𝑋′

Sifat-sifat dari M adalah :

1. Simetri
𝑀′ = [𝐼𝑇 − 𝑋(𝑋 ′ 𝑋)−1 𝑋′] = 𝐼𝑇 − 𝑋(𝑋 ′ 𝑋)−1 𝑋 ′ = 𝑀

2. Matriks idempoten
𝑀′ 𝑀 = 𝑀𝑀 = [𝐼𝑇 − 𝑋(𝑋 ′ 𝑋)−1 𝑋′][𝐼𝑇 − 𝑋(𝑋 ′ 𝑋)−1 𝑋′]
= 𝐼𝑇 − 𝑋(𝑋 ′ 𝑋)−1 𝑋 ′ − 𝑋(𝑋 ′ 𝑋)−1 𝑋 ′ + 𝑋(𝑋 ′ 𝑋)−1 𝑋 ′ 𝑋(𝑋 ′ 𝑋)−1 𝑋 ′
= 𝐼𝑇 − 𝑋(𝑋 ′ 𝑋)−1 𝑋 ′ − 𝑋(𝑋 ′ 𝑋)−1 𝑋 ′ + 𝑋(𝑋 ′ 𝑋)−1 𝑋 ′
= 𝐼𝑇 − 𝑋(𝑋 ′ 𝑋)−1 𝑋 ′
=𝑀

Sifat lain dari M adalah bahwa M orthogonal terhadap X

𝑀𝑋 = [𝐼𝑇 − 𝑋(𝑋 ′ 𝑋)−1 𝑋 ′ ]𝑋
= 𝑋 − 𝑋(𝑋 ′ 𝑋)−1 𝑋 ′ 𝑋
=𝑋−𝑋
=0

dari sifat M ini maka dapat ditulis dengan

𝑒̂ = 𝑀𝑦 = 𝑀(𝑋𝛽 + 𝑒) = 𝑀𝑋𝛽 + 𝑀𝑒 = 0 + 𝑀𝑒 = 𝑀𝑒

Penaksir 𝜎 2 akan ditaksir dengan memanfaatkan sifat-sifat M. dimulai dengan melihat sifat
(𝑒̂ ′𝑒̂ )1𝑥1
𝑒̂ ′ 𝑒̂ = (𝑀𝑒)′ 𝑀𝑒
= 𝑒 ′ 𝑀′ 𝑀𝑒
= 𝑒 ′ 𝑀𝑒

Bila kedua ruas diekspektasikan dan digunakan sifat operator 𝑡𝑟 1 maka didapat:

𝐸(𝑒̂ ′ 𝑒̂ ) = 𝐸(𝑒 ′ 𝑀𝑒) = 𝐸(𝑡𝑒(𝑒 ′ 𝑀𝑒)) = 𝐸(𝑡𝑟(𝑀𝑒𝑒 ′ )) = 𝑡𝑟(𝐸(𝑀𝑒𝑒 ′ )) = 𝑡𝑟(𝑀𝐸(𝑒𝑒 ′ ))

= 𝑡𝑟(𝑀(𝜎 2 𝐼𝑇 )) = 𝜎 2 𝑡𝑟(𝑀) = 𝜎 2 𝑡𝑟(𝐼𝑇 − 𝑋(𝑋 ′ 𝑋)−1 𝑋 ′ )
= 𝜎 2 (𝑡𝑟(𝐼𝑇 ) − 𝑡𝑟(𝑋(𝑋 ′ 𝑋)−1 𝑋 ′ ) = 𝜎 2 (𝑇 − 𝑡𝑟((𝑋 ′ 𝑋)−1 𝑋 ′ 𝑋))
= 𝜎 2 (𝑇 − 𝑡𝑟(𝐼𝐾 )) = 𝜎 2 (𝑇 − 𝐾)

8
Dari hasil di atas dapat disimpulkan
𝑒̂ ′ 𝑒̂ 𝑒′𝑀𝑒
𝐸[ ] = 𝐸[ ] = 𝜎2
𝑇−𝐾 𝑇−𝐾
Sehingga

𝑒̂ ′𝑒̂ 𝑒′𝑀𝑒
𝜎̂ 2 = =
𝑇−𝐾 𝑇−𝐾

maka
𝐸(𝜎̂ 2 ) = 𝜎 2

Dengan kata lain 𝜎̂ 2 adalah penaksir yang tidak bias (unbiased estimator) untuk 𝜎 2 .

2.2.2. Sifat – sifat Estimator OLS

Estimator β mempunyai sifat – sifat sebagai berikut :
1. 𝐸(𝛽̂ ) = 𝛽 (penaksir tak bias)
2. 𝑐𝑜𝑣(𝛽̂ ) = 𝐸 (𝛽̂ − 𝐸(𝛽̂ )) (𝛽̂ − 𝐸(𝛽̂ )) = 𝜎 2 (𝑋 ′ 𝑋)−1

Teorema Gauss Markov mengatakan bahwa penaksir kuadrat terkecil dalam penaksir linier
tak bias mempunyai variasi minimum. Jadi 𝛽̂ linier, tak bias dan mempunyai variasi
minimum dalam semua penaksir tak bias linier dari 𝛽, maka 𝛽̂ biasanya disebut penaksir tak
bias linier terbaik (BLUE = Best Linier Unbiased Estimator).

2.2.3. Estimator restrected OLS.

Metoda statistika biasa dimaksudkan untuk mengolah informasi dari sampel sedangkan
ekonometrika akan mengolah informasi dari sampel maupun dari non-sampel. Informasi non-
sampel akan datang dari teori ekonomi. Informasi non-sampel pada model statistika linier
melalui pembatasan pada parameternya yang berbentuk:

𝑅𝛽 = 𝑟
dengan
𝑅 ∶𝐽𝑥𝐾
𝛽∶𝐾𝑥1
𝑟∶𝐽𝑥1

Permasalahan yang dihadapi adalah masalah optimisasi dengan pembatas

𝑚𝑎𝑥 ′
𝛽 𝑆 = (𝑦 − 𝑋𝛽) (𝑦 − 𝑋𝛽)
𝑠. 𝑡 𝑅𝛽 = 𝑟

9
Kasus menggunakan model non-sample information 𝛽2 + 𝛽3 + 𝛽4 + 𝛽5 = 0

yang bisa dituliskan sebagai masalah optimisasi tanpa pembatas dari fungsi Lagrangean ℒ
𝑚𝑎𝑥 ′
𝛽,𝜆 ℒ = (𝑦 − 𝑋𝛽) (𝑦 − 𝑋𝛽) + 𝜆(𝑟 − 𝑅𝛽)
= 𝑦 ′ 𝑦 − 2𝛽 ′ 𝑋 ′ 𝑦 + 𝛽 ′ 𝑋𝑋𝛽 + 2𝜆′(𝑟 − 𝑅𝛽)

dengan 𝜆 adalah lagrange multiplier yang berukuran 𝐽 𝑥 1.

Syarat perlu untuk permasalahan diatas adalah

𝜕ℒ ′ ′
= −2𝑋 ′ 𝑦 + 2𝑋 ′ 𝑋𝛽 ∗ − 2(𝜆∗ 𝑅) = 0
𝜕𝛽
𝜕ℒ
= 𝑟 − 𝑅𝛽 ∗ = 0
𝜕𝜆

dan diperoleh
𝛽 ∗ = (𝑋 ′ 𝑋)−1 𝑋 ′ 𝑦 + (𝑋 ′ 𝑋)−1 𝑅′𝜆∗
= 𝛽̂ + (𝑋 ′ 𝑋)−1 𝑅′𝜆∗

yang bila dikalikan dengan R akan menjadi

𝑅𝛽 ∗ = 𝑅𝛽̂ + 𝑅(𝑋 ′ 𝑋)−1 𝑅′𝜆∗

𝑟 = 𝑅𝛽̂ + 𝑅(𝑋 ′ 𝑋)−1 𝑅′𝜆∗
atau
𝜆∗ = (𝑅(𝑋 ′ 𝑋)−1 𝑅 ′ )−1 (𝑟 − 𝑅𝛽̂ )

sehingga akan diperoleh

𝛽 ∗ = 𝛽̂ + (𝑋 ′ 𝑋)−1 𝑅′(𝑅(𝑋 ′ 𝑋)−1 𝑅 ′ )−1 (𝑟 − 𝑅𝛽̂ )

atau
𝛽 ∗ = (𝛽 + (𝑋 ′ 𝑋)−1 𝑋′𝑒) + (𝑋 ′ 𝑋)−1 𝑅′(𝑅(𝑋 ′ 𝑋)−1 𝑅′ )−1 (𝑟 − 𝑅(𝛽 + (𝑋 ′ 𝑋)−1 𝑋 ′ 𝑒))
= 𝛽 + (𝑋 ′ 𝑋)−1 𝑋 ′ 𝑒 − (𝑋 ′ 𝑋)−1 𝑅′(𝑅(𝑋 ′ 𝑋)−1 𝑅 ′ )−1 𝑅(𝑋 ′ 𝑋)−1 𝑋 ′ 𝑒
= 𝛽 + [𝐼 − (𝑋 ′ 𝑋)−1 𝑅′(𝑅(𝑋 ′ 𝑋)−1 𝑅′ )−1 𝑅](𝑋 ′ 𝑋)−1 𝑋 ′ 𝑒
= 𝛽 + 𝑀∗ (𝑋 ′ 𝑋)−1 𝑋′𝑒

dengan
𝑀∗ = 𝐼 − (𝑋 ′ 𝑋)−1 𝑅′(𝑅(𝑋 ′ 𝑋)−1 𝑅′)−1 𝑅

Sifat-sifat 𝛽 ∗ yang dapat diturunkan adalah

𝐸(𝛽 ∗ ) = 𝐸[𝛽 + 𝑀∗ (𝑋 ′ 𝑋)−1 𝑋 ′ 𝑒]

10
 =𝛽
′
𝑐𝑜𝑣(𝛽 ∗ ) = 𝐸 [(𝛽 ∗ − 𝐸(𝛽 ∗ ))(𝛽∗ − 𝐸(𝛽 ∗ )) ]
= 𝐸[(𝛽 ∗ − 𝛽)(𝛽 ∗ − 𝛽)′ ]
′
= 𝐸[𝑀∗ (𝑋 ′ 𝑋)−1𝑋 ′ 𝑒𝑒 ′ 𝑋(𝑋 ′ 𝑋)−1 𝑀∗ ]
′
= 𝜎 2 𝑀∗ (𝑋 ′ 𝑋)−1 (𝑋 ′ 𝑋)(𝑋 ′ 𝑋)−1 𝑀∗
′
= 𝜎 2 𝑀∗ (𝑋 ′ 𝑋)−1 𝑀∗
= 𝜎 2 𝑀∗ (𝑋 ′ 𝑋)−1
= 𝜎 2 [𝐼 − (𝑋 ′ 𝑋)−1 𝑅′(𝑅(𝑋 ′ 𝑋)−1 𝑅 ′ )−1 𝑅](𝑋 ′ 𝑋)−1
= 𝜎 2 (𝑋 ′ 𝑋)−1 −
𝜎 2 (𝑋 ′ 𝑋)−1 𝑅′(𝑅(𝑋 ′ 𝑋)−1 𝑅′ )−1 𝑅(𝑋 ′ 𝑋)−1
= 𝑐𝑜𝑣(𝛽̂ ) −
𝜎 2 (𝑋 ′ 𝑋)−1 𝑅′(𝑅(𝑋 ′ 𝑋)−1 𝑅′ )−1 𝑅(𝑋 ′ 𝑋)−1

adalah definit defisit positif. Sehingga  * lebih superior dibandingkan dengan ˆ .

Sedangkan untuk kasus retriksi yang keliru 𝛽2 + 𝛽3 + 𝛽4 + 𝛽5 = 0.1, hal yang sama
dilakukan seperti pada 𝛽2 + 𝛽3 + 𝛽4 + 𝛽5 = 0 tapi nilai 𝑅𝛽 diganti dengan 0.1 maka sifat-
sifat  * (  * st ) bila pembatas salah adalah:

1. 𝐸(𝛽 ∗ ) = 𝐸[𝛽 + 𝑀∗ (𝑋 ′ 𝑋)−1 𝑋 ′ 𝑒]=𝛽 + (𝑋 ′ 𝑋)−1 𝑅′(𝑅(𝑋 ′ 𝑋)−1 𝑅 ′ )−1 (𝑟 − 𝑅𝛽) ≠ 𝛽

penaksir yang bias
2. 𝑐𝑜𝑣(𝛽 ∗ ) = 𝑐𝑜𝑣(𝛽̂ ) − 𝜎 2 (𝑋 ′ 𝑋)−1 𝑅′(𝑅(𝑋 ′ 𝑋)−1 𝑅 ′ )−1 𝑅(𝑋 ′ 𝑋)−1

sedangkan,
−1
′ 𝑋)−1 𝑅 ′ )
𝑐𝑜𝑣(𝛽̂ ) − 𝑐𝑜𝑣(𝛽 ∗ ) = 𝜎 2 (𝑋 ′ 𝑋)−1 𝑅′(𝑅(𝑋 𝑅(𝑋 ′ 𝑋)−1

juga matrik positif semidefinit. Maka dapat ditarik suatu kesimpulan bahwa  * mempunyai
presisi yang lebih superior dari ˆ yang hanya mengandalkan sample information. Demikian
pula,  * lebih superior dari  * st (dari restriksi yang salah).

2.2.4. Koefisien Determinasi R2

Koefisien determinasi (R2) merupakan suatu ukuran yang menyatakan seberapa baik garis
T 2

regresi sampel mencocokkan data. Regression Sum of Square (SSR) =  (y - y) yang

i 1

menyatakan variasi nilai Y yang ditaksir disekitar rata – ratanya. Sedangkan Error Sum

11
 T 2

Square (SSE) =  '  ( y  X )' ( y  X ) dan Total Sum of Square (SST) = =  (y - y) . SST
i -1

menyatakan total variasi nilai Y sebenarnya di sekitar rata-rata sampelnya.

Hubungan SSR, SSE dan SST adalah SST = SSR + SSE. Hubungan ini menunjukkan bahwa
total variasi dalam nilai Y yang diobservasi di sekitar nilai rata-ratanya dapat dipisahkan ke
dalam dua bagian. Sebagian yang diakibatkan oleh garis regresi dan bagian lain diakibatkan
oleh kekuatan random karena tidak semua pengamatan Y yang sebenarnya terletak pada garis
yang dicocokkan.
Koefisien Determinasi (R2) dapat dihitung melalui formula:

SSR SSE  '

R2   1  2
SST SST T

 (y - y)
i 1

Sedangkan Adjusting R2 dapat dihitung melalui formula:

 '
Adj ( R 2 ) 
SSR
 1
SSE
 T K
2
SST SST T

 (y - y)
i 1

T -1
Maka dapat dikatakan bahawa R2 mengukur prosentase total variabel dalam Y yang dijelaskan
oleh model regresi. Nilai R2 terletak diantara 0 dan 1. Nilai R2 sebesar 1 berarti kecocokan
sempurna, sedangkan nilai R2 sebesar 0 berarti tidak ada hubungan antara variabel tak bebas
dengan variabel yang menjelaskan.

2.3. Pengujian Hipotesa

Pengujian hipotesa secara statistik untuk melihat suatu apakah dugaan suatu penaksir sesuai
dengan parameternya berdasarkan data sample yang tersedia. Pengertian sesuai disini adalah
dengan tingkat kesalahan tertentu kita percaya bahwa dugaaan kita tentang penaksir sama
dengan parameternya. Jadi bila suatu teori atau pengalaman sebelumnya membawa kita untuk
percaya bahwa koefisien kemiringan (gradien) sebenarnya dari β, apakah β yang diamati,
misalkan nilainya ˆ yang diperoleh dari sampel konsisten dengan hipotesa yang dinyatakan
yaitu β? Jika konsisten, hipotesa dapat diterima, jika tidak maka hipotesa akan ditolak.
Secara statistik, hipotesa yang dinyatakan dikenal sebagai hipotesa nol dan dilambangkan
dengan lambang H0. Hipotesa nol ini biasanya diuji terhadap hipotesa alternatif, yang
dinyatakan dengan H1. Pengujian hipotesa berkaitan denga suatu prosedur untuk memutuskan
apakah menerima atau menolak hipotesa. Pendekatan yang akan dipakai dalam eksperimen ini
adalah pengujian arti / penting (test of significence). Pendekatan ini mengatakan bahwa variabel
(statistik atau penaksir) yang sedang dipertimbangkan mempunyai distribusi probabilitas dan

12
bahwa pengujian hipotesa meliputi pembuatan pernyataan mengenai nilai-nilai parameter
seperti itu.
Suatu statistik dikatakan signifikan secara statistik (statistically significant) jika nilai statistik
uji (statistik hitung) terletak didalam daerah kritis. Dalam kasus ini, hipotesa nol ditolak.
Sedangkan suatu pengujian dikatakan secara statistik tidak signifikan (statictically
insignificant) jika nilai statistik uji terletak dalam daerah penerimaan. Dalam situasi ini,
hipotesa nol bisa diterima.
Tahap inferensi selanjutnya setelah parameter 𝛽 tertaksir adalah pengujian terhadap 𝛽. Bentuk
umum pengujian hipotesis terhadap 𝛽 adalah:
𝐻0 ∶ 𝑅𝛽 = 𝑟
𝐻1 ∶ 𝑅𝛽 ≠ 𝑟
dengan kasus khusus
𝑅=𝐼
𝑟 = 𝛽0
sehingga
𝐻0 ∶ 𝛽 = 𝛽0
𝐻1 ∶ 𝛽 ≠ 𝛽0
dengan
𝛽̂ ~𝑁(𝛽, 𝜎 2 (𝑋 ′ 𝑋)−1 )
𝛽̂ − 𝛽~𝑁(0, 𝜎 2 (𝑋 ′ 𝑋)−1 )
𝑅(𝛽̂ − 𝛽)~𝑁(0, 𝜎 2 𝑅(𝑋 ′ 𝑋)−1 𝑅′)

max[𝑙̃ (𝛽, 𝜎 2 |𝑦, 𝑋)]

𝛾𝑗 =
max[𝑙̃ (𝛽, 𝜎 2 |𝑦, 𝑋, 𝑅𝛽 = 𝑟)]
diperoleh F hitungnya
𝑇 − 𝐾 (𝑅𝛽̂ − 𝑟)′(𝑅′(𝑋 ′ 𝑋)−1 𝑅)−1 (𝑅𝛽̂ − 𝑟)/𝜎 2
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 =
𝐽 𝑒 ′ 𝑀𝑒/𝜎 2
𝑇 − 𝐾 (𝑅𝛽̂ − 𝑟)′(𝑅′(𝑋 ′ 𝑋)−1 𝑅)−1 (𝑅𝛽̂ − 𝑟)
=
𝐽 𝑒̂ ′ 𝑒̂
dimana
(𝑅𝛽̂ − 𝑟)′(𝑅′(𝑋 ′ 𝑋)−1 𝑅)−1 (𝑅𝛽̂ − 𝑟)/𝜎 2 ~ 𝜒𝐽2
𝑒 ′ 𝑀𝑒 2
~ 𝜒𝑇−𝐾
𝜎2

Pengujian hipotesa yang akan dilakukan pada eksperimen ini terbatas pada empat kondisi
dengan menggunakan tingkat kesalahan α = 5%, yaitu:
1. Pengujian hipotesa untuk masing – masing parameter βi dengan i=1,2,3,4,5:
𝐻0 ∶ 𝛽 = 𝛽0

13
 𝐻1 ∶ 𝛽 ≠ 𝛽0

2. Pengujian hipotesa untuk penampilan model secara utuh (keseluruhan);

𝐻0 ∶ 𝛽2 = 𝛽3 = 𝛽4 = 𝛽5 = 0
𝐻1 ∶ lainnya

3. Pengujian hipotesa untuk suatu restriksi yang benar, yaitu:

𝐻0 ∶ 𝛽2 = 𝛽3 = 𝛽4 = 𝛽5 = 0
𝐻1 ∶ lainnya

4. Pengujian hipotesa untuk suatu restriksi yang salah, yaitu:

𝐻0 ∶ 𝛽2 = 𝛽3 = 𝛽4 = 𝛽5 = 0.1
𝐻1 ∶ lainnya

Dari keempat kondisi tersebut test pengujian yang digunakan adalah t-test serta F test. Kondisi
pertama akan digunakan uji t, sedangkan kondisi ke dua dan keemapat akan digunakan uji F
baik yang tanpa restriksi maupun yang tidak.
Selanjutnya untuk melakukan Simulasi Monte Carlo dengan parameter 𝛽 dan 𝜎 2 yang
diketahui nilainya. Kemudian bangkitkan errornya yang berdistribusi normal dengan meannya
nol dan 𝜎 2 yang diketahuinya. Kemudian lakukan simulasi log(𝑦𝑡 ) dari informasi yang telah
diketahui, lakukan penaksiran 𝛽, 𝛽̂ , 𝑑𝑎𝑛 𝛽 ∗ dengan menggunakan cara yang sama seperti di
atas dan dilakukan sebanyak 100.000 kali iterasi.

3. PROSEDUR EKSPERIMEN
Langkah- langkah yang ditempuh dalam melakukan ekperimen pada penelitian ini adalah
sebagai berikut:
1. Melakukan analisi permalahan sesuai dengan tugas ekperimen 1 dan menyusun landasan
teori ekonomi tentang fungsi permintaan. Dari kajian teori tentang fungsi permintaan
terhadap komoditi dibentuk dalam suatu model:
log(𝑦) = 𝛽1 + 𝛽2 log(𝑋1 ) + 𝛽3 log(𝑋2 ) + 𝛽4 log(𝑋3 ) + 𝛽5 log(𝑋4 )
dan diperoleh non sample information adalah 𝛽2 = 𝛽3 = 𝛽4 = 𝛽5 = 0
2. Melakukan penarikan sampel secara acak melalui observasi lapangan yang dalam hal ini
adalah telah ditentukan oleh panduan tugas.
3. Langkah selanjutnya dengan bantuan pengolahan data Program Jupiter Lab menggunakan
bahasa pemrograman python dengan data yang tersedia dari variabel y berukuran 31x1 dan
variabel independen berukuran 31x4.
4. Melakukan penaksiran terhadap β dan σ2 dari data X dan y yang telah diperoleh dapat
dilakukan penaksiran terhadap β dan σ2.

14
5. Menaksir β dengan Ordinary Least Square (OLS)
6. Menaksir σ2 yang tak bias dengan menggunakan penaksir β OLS
7. Menaksir Cov (β), dengan menggunakan penaksir σ2 OLS
8. Mengulangi penaksiran terhadap β, σ2 dan Cov (β) dengan pembatas benar yaitu 𝛽2 = 𝛽3 =
𝛽4 = 𝛽5 = 0.
9. Mengulangi penaksiran terhadap β, σ2 dan Cov (β) dengan pembatas benar yaitu 𝛽2 = 𝛽3 =
𝛽4 = 𝛽5 = 0.1.
10. Membandingkan hasil-hasil penaksiran.
11. Melakukan pengujian hipotesa dengan 4 kondisi sebagaimana yang telah dijelaskan
pada Bagian 2.3. Pengujian Hipotesa.
12. Menghitung koefisien determinasi R2 dan adjusting R2 (R2 yang disesuaikan)
13. Melakukan simulasi Monte Carlo pengulangan eksperimen, yaitu langkah 4 sampai
dengan langkah 11 hingga 1 juta.
14. Menghitung proporsi hipotesa yang tertolak pada langkah 11 untuk masing-masing
hipotesa sesuai dengan simulasi Monte Carlo.
15. Membandingkan hasil eksperimen dengan hasil teoritisnya
16. Mengamati dan menganalisa hasil eksperimen dan menyusun laporan

4. HASIL DAN ANALISA EKSPERIMEN

Dengan menggunakan sesuai dengan panduan tugas adalah sebagai berikut:

A= [[81.7000 1.7800 6.9500 1.1100 25088.0000]

[56.9000 2.2700 7.3200 0.6700 26561.0000]
[64.1000 2.2100 6.9600 0.8300 25510.0000]
[65.4000 2.1500 7.1800 0.7500 27158.0000]
[65.4000 2.1500 7.1800 0.7500 27158.0000]
[64.1000 2.2600 7.4600 1.0600 27162.0000]
[58.1000 2.4900 7.4700 1.1000 27583.0000]
[61.7000 2.5200 7.8800 1.0900 28235.0000]
[65.3000 2.4600 7.8800 1.1800 29413.0000]
[57.8000 2.5400 7.9700 0.8800 28713.0000]
[63.5000 2.7200 7.9600 1.3000 30000.0000]
[65.9000 2.6000 8.0900 1.1700 30533.0000]
[48.3000 2.8700 8.2400 0.9400 30373.0000]
[55.6000 3.0000 7.9600 0.9100 31107.0000]
[47.9000 3.2300 8.3400 1.1000 31126.0000]
[57.0000 3.1100 8.1000 1.5000 32506.0000]
[51.6000 3.1100 8.4300 1.1700 32408.0000]
[54.2000 3.0900 8.7200 1.1800 33423.0000]
[51.7000 3.3400 8.8700 1.3700 33904.0000]
[55.9000 3.3100 8.8200 1.5200 34528.0000]
[52.1000 3.4200 8.5900 1.1500 36019.0000]
[52.5000 3.6100 8.8300 1.3900 34807.0000]
[44.3000 3.5500 8.8600 1.6000 35943.0000]

15
 [57.7000 3.7200 8.9700 1.7300 37323.0000]
[51.6000 3.7200 9.1300 1.3500 36682.0000]
[53.8000 3.7000 8.9800 1.3700 38054.0000]
[50.0000 3.8100 9.2500 1.4100 36707.0000]
[46.3000 3.8600 9.3300 1.6200 38411.0000]
[46.8000 3.9900 9.4700 1.6900 38823.0000]
[51.7000 3.8900 9.4900 1.7100 38361.0000]
[49.9000 4.0700 9.5200 1.6900 41593.0000]]

Sedangkan parameter yang digunakan untuk simulasi Monte Carlo adalah :

𝛽1 −3.2084
𝛽2 −1.0294
𝛽 = 𝛽3 = −0.5714 dan 𝜎 2 = 0.0036
𝛽4 0.2157
[𝛽5 ] [ 0.9180 ]

Dengan menggunakan data tersebut, maka dilakukan penglohan data menggunakan Jupyter
Lab dengan menggunakan bahasa pemrograman python.

4.1. Penarikan sampel satu kali

Hasil penarikan sample satu kali sebagaiman data yang tersedia dalam panduan akan disusun
berdasarkan perbandingan hasil estimasi baik koefisien maupun varians serta hipotesis yang
berlaku.

4.1.1. Perbandingan ˆ ,  * ,  * sl β terhadap β

Dari hasil pengolah didapat perbandingan sebagai berikut:

Tabel 4.1.1. Perbandingan ˆ ,  * ,  * sl β terhadap β

Parameter β i=1 i=2 i=3 i=4 i=5

Nilai Parameter βi -4.7978 -1.2994 0.1868 0.1667 0.9458

Taksiran ˆ i OLS -3.1117 -1.0155 -0.574 0.212 0.9078

Taksiran  i* RLS-Benar -4.7318 -1.2966 0.1902 0.168 0.9385

Taksiran  sl* RLS-Salah -5.0767 -1.3565 0.3529 0.1586 0.9450

Hasil tersebut menunjukan bahwa taksiran β* restricted LS yang benar mempunyai perbedaan
selisih yang paling kecil dengan nilai βi yang sebenarnya. Ini berarti taksiran *βdengan
restricted yang benar lebih dekat dengan nilai βi sebenarnya. Sedangkan taksiran  sl* dengan
restriksi yang salah mempunyai perbedaan selisih yang cukup besar dengan nilai βi yang
sebenarnya. Hasil taksiran βi OLS Ini sesuai dengan hasil teoretisnya bahwa apabila kita dapat
memperoleh informasi non sample maka nilai taksiran akan mendekati nilai yang sebenarnya.

16
4.1.2. Perbandingan ˆ 2 ,  2 ,  sl2 terhadap  2
*

Dari hasil pengolah didapat perbandingan sebagai berikut:

Tabel 4.1.2. Tabel Perbandingan ˆ ,  * ,  * sl β terhadap β

Parameter  2 i=1
Nilai Parameter  2 i 0.0036

Taksiran OLS ̂ 2 0.00346

0.00380
Taksiran RLS-Benar  2
*

Taksiran RLS-Salah  sl2 0.00397

Taksiran OLS mempunyai perbedaan selisih 0.00014 dengan nilai yang sebenarnya dan
taksiran dan dengan restri yang benar maupun yang salah mempunyai perbedaan selisih 0.0002
dan 0.00037 dengan nilai yang sebenarnya. Ternyata dari hasil tersebut taksiran dengan OLS
lebih mendekati dengan sebenarnya dibandingkan dengan yang restricted (RLS).

4.1.3. Perbandingan Cov ( ˆ ), Cov (  * ), dan Cov(  * sl )

Dari hasil pengolah didapat perbandingan sebagai berikut:

Nilai Taksiran Cov ( ˆ )

12.1460 0.5617 0.3520 0.0949 -1.3029

0.5617 0.0531 -0.0599 0.0033 -0.0476

0.3520 -0.0599 0.2957 -0.0092 -0.0877

0.0949 0.0033 -0.0092 0.0057 -0.0077

-1.3029 -0.0476 -0.0877 -0.0077 0.1486

Nilai Taksiran Cov (  * )

12.2370 0.4238 0.9135 0.0740 -1.4114

0.4238 0.0248 0.0255 -0.0016 -0.0486

0.9135 0.0255 0.0768 0.0041 -0.1064

0.0740 -0.0016 0.0041 0.0054 -0.0079

-1.4114 -0.0486 -0.1064 -0.0079 0.1630

17
Nilai Taksiran Cov(  * sl )

12.7593 0.4419 0.9524 0.0772 -1.4715

0.4419 0.0258 0.0266 -0.0017 -0.0507
0.9524 0.0266 0.0801 0.0043 -0.1110
0.0772 -0.0017 0.0043 0.0056 -0.0082
-1.4715 -0.0507 -0.1110 -0.0082 0.1699

Taksiran Cov (  * ) dengan restricted yang benar sama hampir sama dengan taksiran Cov(  * sl )
dengan restricted yang salah. Kedua kovarians tersebut mempunyai perbedaan yang tidak
terlalu jauh dengan Cov ( ˆ ) hasil OLS.

4.1.4. Pengujian Hipotesis

Dari hasil pengolah didapat perbandingan sebagai berikut:

Tabel 4.1.4. Pengujian Hipotesis

Hipotesis Statistik Uji t, F Kesimpulan

Maing-masing parameter
𝐻0 ∶ 𝛽1 = 0 0.7508 Terima H0
𝐻0 ∶ 𝛽2 = 0 19.424 Tolak H0
𝐻0 ∶ 𝛽3 = 0 1.1142 Terima H0
𝐻0 ∶ 𝛽4 = 0 7.9339 Tolak H0
𝐻0 ∶ 𝛽5 = 0 5.5462 Tolak H0
Model Keseluruhan 32.5417 Tolak H0
Ho : 𝛽2 = 𝛽3 = 𝛽4 = 𝛽5 = 0 R2-Adj: 79.7%
Restriksi Benar 2.5856 Terima H0
Ho : 𝛽2 = 𝛽3 = 𝛽4 = 𝛽5 = 0 R2-Adj: 77.7%
Restriksi Salah 4.2252 Tolak H0
Ho ∶ 𝛽2 = 𝛽3 = 𝛽4 = 𝛽5 = 0.1 R2-Adj: 76.7%

*) t tabel (dk=25, α=5%)= 2,060 dan -2,060 ; F tabel (dk=4,25; α=5%=2,76): Tolak Ho
jika Statistik Uji t (F) > Tabel.

Dari hasil pengujian secara masing-masing koefien hanya ˆ 2 , ˆ 4 , ˆ5 yang ditolak berbeda
dengan nol. Dengan demikian harga soft drink, harga barang dan jasa lain serta pendapatan

18
konsumen mempunyai pengaruh signifikan terhadap kuantitas permintaan soft drink. Namun
untuk harga minuman lain tidak memberikan pengaruh secara signifikan terhadap banyaknya
permintaan soft drink.
Untuk pengujian secara keseluruhan (bersama-sama) Ho : 𝛽2 = 𝛽3 = 𝛽4 = 𝛽5 = 0 adalah
ditolak dengan demikian koefisien tersebut sangat signifcant berbeda dengan nol. Oleh karena
itu, model tersebut sangat cocok dan dapat digunakan untuk peramalan permintaan soft drink.
Ini berarti bahwa non-sample information yang diperoleh dari teori mikroekonomi berlaku.
Sehingga bila semua harga dan pendapatam naik dalam proporsi yang sama, maka tidak akan
ada perubahan dalam permintaan terhadap soft drink.Variasi variabel independen (secara
bersama-sama harga soft drink, harga minuman lainnya, harga barang lainnya, dan income)
dapat menjelaskan variasi variabel dependent (jumlah permintaan soft drink) sebesar 79.7%.
Untuk pengujian restriksi salah mengalami penerimaan Ho, sehingga memang benar bahwa
fungsi permintaan tersebut mempunya sifat homogenitas.

4.2. Simulasi Montecarlo

Hasil simulasi Monte Carlo dilakukan untuk melihat pengaruh paramer dan pengujian bila
sampel diperbesar dengan yang diperlukan untuk seluruh replikasi: 0:07:30.821203.

4.2.1. Perbandingan ˆ ,  * ,  * sl β terhadap β

Dari hasil pengolah didapat perbandingan sebagai berikut:

Tabel 4.2.1. Perbandingan ˆ ,  * ,  * sl β terhadap β hasil simulasi montecarlo

Parameter β i=1 i=2 i=3 i=4 i=5

Nilai Parameter βi 4.7978 -1.2994 -0.1867 0.5405 0.9456

Taksiran ˆ i OLS 4.8025 -1.2990 -0.1873 0.5406 0.9452

Taksiran  i* RLS-Benar 4.8008 -1.2993 -0.1865 0.5405 0.9453

Taksiran  sl* RLS-Salah 4.4559 -1.3591 -0.0238 0.5312 0.9518

Hasil tersebut menunjukan bahwa Taksiran  i* RLS-Benar yang benar mempunyai perbedaan
selisih yang paling kecil dengan nilai βi yang sebenarnya. Ini berarti taksiran β* dengan
restricted yang benar lebih dekat dengan nilai βi sebenarnya. Ini sesuai dengan hasil teoritisnya,
 
bahwa   *   atau dengan kata lalu penaksir β OLS adalah penaksir yang tak bias.
Sedangkan taksiran  sl* dengan restriksi yang salah mempunyai perbedaan selisih yang cukup
besar dengan nilai βi yang sebenarnya. Hasil taksiran βi OLS Ini sesuai dengan hasil teoretisnya
bahwa apabila kita dapat memperoleh informasi non sample maka nilai taksiran akan
mendekati nilai yang sebenarnya.

19
Nilai rata-rata dari masing-masing penaksir tidak tepat sama dengan nilai 𝛽 karena simulasi
dilakukan berkali-kali dengan menggunakan sampel acak dari distribusi Normal. Hal ini
mengakibatkan perubahan secara berkali-kali terhadap nilai penaksir yang dicari. Namun,
semakin besar ukuran sampel yang digunakan, nilai rata-rata dari penaksir parameter akan
semakin mendekati nilai 𝛽. Ini sesuai dengan hukum bilangan besar. Meskipun nilai rata-rata
tidak tepat sama dengan nilai 𝛽, kita dapat mencari tahu metode mana yang paling efisien,
artinya metode manakah yang memiliki nilai rata-rata yang paling mendekati nilai 𝛽.
Dari masing-masing penaksir 𝛽 tersebut, untuk melihat cara penaksiran 𝛽 yang paling efisien,
salah satunya adalah dengan melihat rata-rata dari panjang jarak atau besarnya selisih antara
nilai penaksir parameter dengan nilai parameter yang sebenarnya atau dikenal dengan istilah
Bias. Berikut ini adalah formula dari Bias:
𝐵𝐼𝐴𝑆𝛽̂ = 𝐸(𝛽̂ − 𝛽)
𝛽̂ yang digunakan dalam simulasi ini adalah rata-rata dari penaksir parameter 𝛽 yang dihitung
dalam simulasi. Berdasarkan hasil perhitungan pada simulasi, BIAS dari ketiga penaksir
parameter ini diperoleh:
Karena 𝐵𝐼𝐴𝑆 menggambarkan besarnya jarak atau selisih antara penaksir dengan nilai
parameter yang sebenarnya, maka tanda minus hanya mengindikasikan arah dari perbedaan
jaraknya. Dengan demikian, nilai 𝐵𝐼𝐴𝑆 yang menandakan jarak terdekatlah yang menunjukkan
penaksir parameter terbaik. Untuk itu, di antara ketiga penaksir tersebut, penaksir 𝛽 ∗
merupakan penaksir paling efisien.
Hasil perbandingan parameter tersebut dapat dilihat secara grafik pada gambar 4.1 Salah satu
cara yang digunakan untuk mengetahui distribusi dari suatu peubah acak adalah dengan melihat
sebaran datanya yaitu dengan memplot data dari peubah acak yang akan dicari tahu
distribusinya menggunakan histogram. Apabila yang akan dilakukan adalah
membandingkannya dengan sebara data dari distribusi Normal, maka plot yang digunakan
adalah plot histogram dengan memunculkan kurva dari distribusi Normal. Berdasarkan
simulasi, berikut adalah plot sebaran data dari ketiga penaksir parameter yang dilakukan:

a. Distribusi 𝛽̂
Berikut adalah plot sebaran data dari masing-masing penaksir 𝛽̂𝑖 , 𝑖 = 1,2, … ,5
.

Dari kurva pada grafik di atas, seluruh nilai 𝛽̂𝑖 yang diperoleh dapat diasumsikan berdistribusi
Normal (tercakup secara keseluruhan), maka dapat disimpulkan bahwa distribusi dari 𝛽̂ adalah
Normal.

20
b. Distribusi  *
Selanjutnya, berikut adalah histogram untuk penaksir 𝛽𝑖∗ , 𝑖 = 1,2, … ,5 :

Dari kurva pada grafik di atas, seluruh nilai 𝛽𝑖∗ yang diperoleh dapat diasumsikan berdistribusi
Normal (tercakup secara keseluruhan), maka dapat disimpulkan bahwa distribusi dari 𝛽𝑖∗ adalah
Normal.

c. Distribusi 
Berikut adalah plot histogram untuk 𝛽𝑖̅ untuk 𝑖 = 1,2,3,4,5 :

Dari kurva pada grafik di atas, seluruh nilai 𝛽𝑖̅ yang diperoleh dapat diasumsikan berdistribusi
Normal (tercakup secara keseluruhan), maka dapat disimpulkan bahwa distribusi dari 𝛽𝑖̅ adalah
Normal.

4.1.2. Perbandingan ˆ 2 ,  2 ,  sl2 terhadap  2

*

Dari hasil pengolah didapat perbandingan sebagai berikut:

Tabel 4.1.2. Perbandingan ˆ 2 ,  2 ,  sl2 terhadap  2 setelah dilakukan simulasi montecarlo
*

Parameter  2 i=1
Nilai Parameter  2 i 0.0036

Taksiran OLS ̂ 2 0.00359

0.00346
Taksiran RLS-Benar  2
*

Taksiran RLS-Salah  sl2 0.00397

Taksiran OLS ̂ 2 sama dengan nilai  2 yang sebenarnya. Ini sesuai dengan hasil teoritisnya,
bahwa  2 OLS adalah penaksir yang efisien yaitu penaksir yang tak bias dengan variasi yang

21
minimum. Sedangkan rata-rata taksiran  2 dengan pembatas yang benar cenderung lebih
*

dekat ke nilai yang sebenarnya daripada rata-rata taksiran  sl2 dengan pembatas yang salah
terhadap nilai yang sebenarnya.

4.2.3. Perbandingan Cov ( ˆ ), Cov (  * ), dan Cov(  * sl )

Dari hasil pengolah didapat perbandingan sebagai berikut:

Nilai Taksiran Cov ( ˆ )

12.1441 0.5617 0.352 0.0949 -1.3028

0.5617 0.0531 -0.0601 0.0033 -0.0475
0.352 -0.0601 0.2965 -0.0093 -0.0879
0.0949 0.0033 -0.0093 0.0057 -0.0077
-1.3028 -0.0475 -0.0879 -0.0077 0.1486

Nilai Taksiran Cov (  * )

11.1333 0.3858 0.8307 0.0674 -1.284

0.3858 0.0225 0.0232 -0.0015 -0.0443
0.8307 0.0232 0.0698 0.0038 -0.0968
0.0674 -0.0015 0.0038 0.0049 -0.0072
-1.284 -0.0443 -0.0968 -0.0072 0.1482

Nilai Taksiran Cov(  * sl )

11.1333 0.3858 0.8307 0.0674 -1.284

0.3858 0.0225 0.0232 -0.0015 -0.0443
0.8307 0.0232 0.0698 0.0038 -0.0968
0.0674 -0.0015 0.0038 0.0049 -0.0072
-1.284 -0.0443 -0.0968 -0.0072 0.1482

22
Taksiran Cov (  * ) dengan restricted yang benar sama hampir sama dengan taksiran Cov(  * sl )
dengan restricted yang salah. Kedua kovarians tersebut mempunyai perbedaan yang tidak
terlalu jauh dengan Cov ( ˆ ) hasil OLS.

4.2.4. Pengujian Hipotesis

Tabel 4.2.4. Pengujian Hipotesis setelah dilakukan simulasi montecarlo
Hipotesis Proporsi Ho Ditolak (%)
Maing-masing parameter
𝐻0 ∶ 𝛽1 = 0 3.562 %
𝐻0 ∶ 𝛽2 = 0 100.000%
𝐻0 ∶ 𝛽3 = 0 0.163 %
𝐻0 ∶ 𝛽4 = 0 17.788 %
𝐻0 ∶ 𝛽5 = 0 21.909 %
Model Keseluruhan 100%
Ho : 𝛽2 = 𝛽3 = 𝛽4 = 𝛽5 = 0
Restriksi Benar 0%
Ho : 𝛽2 = 𝛽3 = 𝛽4 = 𝛽5 = 0
Restriksi Salah 0%
Ho ∶ 𝛽2 = 𝛽3 = 𝛽4 = 𝛽5 = 0.1

Dari hasil pengujian secara masing-masing koefien hanya ˆ 2 yang secara konsisten ditolak
berbeda dengan nol. Dengan demikian hanya harga soft drink yang mempunyai pengaruh
terhadap permintaan kuantitas soft drink secara konsiten.
Sedangkan untuk pengujian secara keseluruhan (bersama-sama) 𝐻𝑜 ∶ 𝛽2 = 𝛽3 = 𝛽4 = 𝛽5 =
0 adalah 100% ditolak dengan demikian koefisien tersebut sangat signifikan berbeda dengan
nol. Oleh karena itu, model tersebut sangat cocok dan dapat digunakan untuk peramalan
permintaan soft drink.
Untuk pengujian restriksi salah mengalami penerimaan Ho (100%), sehingga memang benar
bahwa fungsi permintaan tersebut mempunya sifat homogenitas.

5. KESIMPULAN
Kesimpulan dalam penelitian ini adalah sebagai berikut:
1. Dalam eksperimen ini digunakan dua metode pendekatan untuk analisis regresi, yaitu
metode OLS (Ordinary least square) dan RLS (Restricted least square). Hasil dari
eksperimen menunjukkan bahwa metode kuadrat terkecil (OLS) menghasilkan penaksir
yang tak bias dan mempunyai variasi yang minimum dalam kelas semua penaksir linier
dari β (BLUE). Hal ini sesuai dengan Gauss Markow Theorem yang memberikan
landasan teoritis mengenai metode OLS ini. Terbukti dengan hasil ekperimen
   
E (ˆ )   , E  *   , E (ˆ 2 )   2 dan E  2   2
*

23
2. Dari simulasi sebelumnya dapat disimpulkan bahwa secara umum harga soft drink X1,
harga barang dan jasa lainnya X2, X3, dan income X4 mempengaruhi jumlah soft drink
yang dikonsumsi sekelompok keluarga. Namun, bila sample diperbesar mendekati
populasi (nilai sebesarnya) maka hanya harga soft drink saja yang mempengaruhi
kuantitas permintaan akan soft drink.
3. Dalam kasus retriksi 𝛽2 + 𝛽3 + 𝛽4 + 𝛽5 = 0 memberikan proporsi penolakan yang lebih
kecil sehingga dapat disimpulkan bila harga semua barang dan income naik dalam
proporsi yang sama maka tidak ada perubahan dalam sistem.
4. Untuk kasus retriksi 𝛽2 + 𝛽3 + 𝛽4 + 𝛽5 = 0,1 𝐻0 tidak ditolak. Ini berarti bahwa non-
sample information yang diperoleh dari teori mikroekonomi berlaku. Sehingga bila
semua harga dan income naik dalam proporsi yang sama, maka tidak akan ada perubahan
dalam permintaan terhadap soft drink.
5. Namun, demikian model tersebut secara bersama-sama (harga soft drink, harga minuman
lainnya, harga barang lainnya, dan income) dapat digunakan untuk untuk peramalan
permintaan akan soft drink.
6. Hasil nilai R2 adjusted dapat disimpulkan bahwa terdapat hubungan antara variabel yang
menjelaskan dengan variabel tak bebasnya. Dengan nilai R2 cukup tinggi (79.7%) yang
dihasilkan dalam eksperimen ini, berarti kecocokan data sudah baik.

6. RANGKUMAN
1. Metode OLS (Ordinary least square) dan RLS (Restricted least square) menghasilkan
penaksir yang tak bias dan mempunyai variasi yang minimum dalam kelas semua
 
penaksir linier dari β (BLUE) dengan E (ˆ )   , E  *   , E (ˆ 2 )   2 dan

 
E  2  2.
*

2. Penaksiran dengan menggunakan restricted least squre (bila diberikan non sample
information) mempunyai kemampuan yang lebih baik denga OLS yang hanya
mengandalkan informsi sampel saja.

DAFTAR PUSTAKA
Griffiths, William E., et. al., 1993. Learning and Practicing Econometrics, John Wiley & Son,
Inc.
Johnston, Jack,. Dkk. Econometric Methods Fourth Edition. MacGraw-Hill. 1997.

Judge, George G., et. al., 1988. Introduction to The Theory and Practice of Econometrics,
Second Edition, John Wiley & Son, Inc.
Nicholson, Walter., 1998. Microecomic Theory, Sevent Edition, The Dryden Press.

24