METODE EKONOMETRIKA

1. Menentukan model ekonomi: dengan cara merumuskan fungsi matematis

yang menggambarkan hubungan variabel ekonomi yang diterangkan oleh
teori. [asumsinya deterministik].
2. Merancang metode statistik untuk memperoleh data sampel yang mewakili
pupulasi yang sebenarnya.
3. Menyusun metode penaksiran (estimasi) parameter hubungan variabel
dalam model. [asumsinya stokastik].
4. Menyusun metode pengujian validitas teori terhadap model yang telah
diestimasi berdasarkan uji statistik dan ekonometrik untuk memperoleh
model yang baik.
5. Mengembangkan metode peramalan dan menarik implikasi kebijakan
berdasarkan parameter yang telah ditaksir dari model yang teruji dengan
baik.

REGRESI SEDERHANA

POPULASI: Y=α + β Xi + µi [tidak diketahui]

dimana: Y = variabel dependen, X = variabel independen

Ui = Variabel gangguan stokastik (stochastic disturbance).
α,β = Parameter .

^ ^ ^
SAMPEL : Y     X i  ei taksiran.
^
dimana: Y = variabel dependen
^
X = variabel independen
ei = faktor gangguan menampung variabel lain yg tidak dimasukkan dalam model.
^ ^
 ,  = Parameter yg akan ditaksir.

ASUMSI-ASUMSI REGRESI LINIER:

1. µi adalah variabel random riil dan memiliki distribusi normal
2. Nilai rerata dari µi setiap periode tertentu adalah nol. Atau E(µi) = 0
3. Varian dari µi adalah konstan setiap periode pengamatan/penarikan sampel yang
berulang. Atau E(µi2 ) = σ2 yang dikenal dengan asumsi homoskedastisitas.
4. Faktor gangguan dari pengamatan yang berbeda-beda (µi, µj) saling independen
(tidak tergantung) dikenal dengan asumsi non autocorrelation.
5. Variabel-variabel bebas tidak berkorelasi. Asumsinya model tidak mengalami
multikolonieritas.
 PENAKSIRAN PARAMETER REGRESI
METODE OLS

Fungsi regresi sebenarnya dari dari populasi, tetapi karena adanya

keterbatasan, didekati dengan perkiraan menggunakan data sampel. Metode
OLS [Ordinary Least Square] menemukan nilai-nilai taksiran α dan β yang
meminimumkan jumlah kuadrat residu ( ei 2 ) .

^ ^ ^
Asumsinya bahwa garis regresi sampel : Y     X i  ei = garis regresi
populasi Y=α + β Xi + µi , dan ei=µ, maka diperoleh:
n n ^ n ^ ^
 ei   (Yi  Y ) =  (Yi     X i ) 2
2

i 1 i i 1

^ ^
Nilai-nilai  dan  yg meminimumkan jumlah kuadrat ei diperoleh dg
menurunkan secara parsial (partial derivative) terhadap fungsi kuadrat
residual (  ei 2 ) dan menyamakan turunan ini dengan 0.
^ ^ ^ ^ ^ ^
  ei /     2  (Yi     X i ) = 0 dan   ei /     2  (Yi     X i )( X i ) =0
2 2

atau:
^ ^
 Y  n     X ……………… (1)
i i
^ ^
 X Y    X    X …….... (2)
2
i i i i

^  ^ 
dari (1) diperoleh :   Y  X ………….….. (3)
^ n X i Yi   Yi  X i
dari (3) (2) diperoleh :   ……(4)
n  X i  ( X i ) 2
2

 
BILA : (Xi- X ) = xi dan (Yi - Y ) = yi maka :

^
x y ^
e 2

e   yi    xi , sehingga σ =Se =
2 2

i i 2 2 2 i
dan
x nk
2 i
i
 ^ ^
RALAT
VARIAN DARI  DAN 

Seberapa dekat garis regresi penaksir terhadap regresi populasi dapat dilihat
^ ^
dari sebaran penaksir  terhadap α dan penaksir  terhadap β.
2 X  2  Xi
2 2
^ ^
Var (  ) =  i
dan Se (  ) =
n x n xi
2 2
i

^ 2 ^ 2
Var (  ) =  dan Se (  ) =
 xi
2
 xi 2

KOEFISIEN DETERMINASI (R2)

Koefisien determinasi menunjukkan seberapa baik estimasi garis regresi mampu

menggambarkan dengan tepat garis regresi sebenarnya (goodness of fit). R2 juga
menunjukkan persentase variasi variabel dependen yang mampu dijelaskan oleh
variasi variabel independen.

R2 = proporsi varian Y yang duterangkan oleh linier X terhadap variasi total.

^ ^ ^
Y Yi Y i     X i  ei
 ^
e i
 (Yi  Y ) ei  (Y  Yi ) ESS = Error sum of squares
^  (Jumlah Kuadrat Kesalahan)

TSS (Y  Y ) RSS= Regression sum of squares
Y (Jumlah Kuadrat Regresi)
 ^ ^ 
 (Y  Y )   (Y  Y )   (Y  Y )
i
2
i
2
i
2

TSS = ESS + RSS

0 Xi
ESS RSS ESS RSS
Kita dapat peroleh R  1  
2
1 
TSS TSS TSS TSS
^  ^
 (Y  Y )2  ( xi 2 )
^

R 2 1  (Yi  Y ) 2 atau R 2  atau R 2 

y
  2
 (Y i  Y )2  (Y  Y )
i
2
i

1  
2
e i
atau R 2

y
2
i
 KOEFISEN KORELASI

Koefisen korelasi menggambarkan keeratan hubungan antara dua variable atau

lebih. Koefisien korelasi disimbolkan R untuk korelasi seluruh variable yang
diregresi, dan r sebagai symbol korelasi parsial atau korelasi satu variabel
independent dengan variabel dependennya.
Koefisien korelasi dirumuskan : R  R 2
Atau

r 
n  XY    X   Y 
n
  X 2
    X 2   n   Y 2     Y 2 

Perhatikan Peta Kekuatan Korelasi

 UJI HIPOTESIS:
PENGUJIAN SIGNIFIKANSI PENAKSIR MODEL REGRESI

Uji t digunakan untuk menguji keberartian pengaruh variabel independen

terhadap variabel dependen. Uji t dikenal dengan individual test.
^ ^ ^
^  ^   0 ^ 
t hitung  = ^
dan t hitung   ^
. Jika 0=0 maka t hitung  = ^
Se ( ) Se (  ) Se (  )

Uji t tersebut dipergunakan juga untuk menguji hipotesis:

Hipotesis merupakan dugaan terhadap suatu populasi sebagai jawaban sementara atas
suatu masalah yang terjadi pada populasi yang didekati dangan data sampel. Sering dikatakan,
hipotesis merupakan dugaan sementara mengenai hubungan variabel dengan variabel lainya
(hipotesis teoritis). Hipotesis yang baik mampu menggambarkan hubungan variabel dan
memberikan petunjuk bagaimana menguji hubungan tersebut.
Hipotesis Ho merupakan dasar pengujian statistik atau hal yang berlaku secara umum
atau hipotesis peniadaan. Bentuk H1: Hipotesis alternatif (Ha) merupakan simpulan sementara
mengenai hubungan antar variabel yang sesuai dengan teori atau logika deduktif.

Arah Pengujian Hipotesis

Kesimpulan Uji dua arah

Bila Sig ≤ /2 Ho ditolak
Bila Sig > /2 Ho diterima
Atau jika Hasil test > nilai tabel Ho ditolak. Sebaliknya Hasil test < nilai tabel Ho diterima
Berdasarkan hal tersebut, dapat dinyatakan: Y = a + b X
Hipotesis Ho: X tidak memiliki pengaruh yang signifikan terhadap Y
Ha: X memiliki pengaruh yang signifikan terhadap Y
 ^
Jika t hitung  > t-tabel (pada α dan derajad bebas tertentu), maka ho ditolak, artinya
variable x memiliki pengaruh yang nyata secara statistik. Pada soft ware SPSS, t signifikan
jika probability ≤ 0,05.

LATIHAN MANUAL REGRESSIONS

Berdasarkan data sample table berikut, bentuklah fungsi regresinya. Cari Varian, Standar
Error, korelasi, korelasi deterministik, dan uji t untuk menguji pengaruh harga terhadap
permintaan. Ujilah Ho yang menyatakan harga Mocin tidak mempengaruhi permintaan
Mocin di Palembang.

Data Permintaan Sepeda Motor Cina (Mocin) di Palembang

Agen 1 2 3 4 5 6 7 8
P (Juta) 9,94 9,87 9,88 9,91 9,92 9,89 9,93 9,90
Qd (Unit) 84 100 99 93 90 97 88 94
Jawab
Agen P Q PQ P2 p q p2 q2 pq ^ e e2
Qd

1 9,94 84 834.96 98.8036 0.0350 -9.1250 0.0012 83.2656 -0.3194 85.25 -1.25 1.5625
2 9,87 100 987.00 97.4169 -0.0350 6.8750 0.0012 47.2656 -0.2406 101.00 -1.00 1
3 9,88 99 978.12 97.6144 -0.0250 5.8750 0.0006 34.5156 -0.1469 98.75 0.25 0.0625
4 9,91 93 921.63 98.2081 0.0050 -0.1250 0.0000 0.0156 -0.0006 92.00 1.00 1
5 9,92 90 892.80 98.4064 0.0150 -3.1250 0.0002 9.7656 -0.0469 89.75 0.25 0.0625
6 9,89 97 959.33 97.8121 -0.0150 3.8750 0.0002 15.0156 -0.0581 96.50 0.50 0.25
7 9,93 88 873.84 98.6049 0.0250 -5.1250 0.0006 26.2656 -0.1281 87.50 0.50 0.25
8 9,90 94 930.60 98.0100 -0.0050 0.8750 0.0000 0.7656 -0.0044 94.25 -0.25 0.0625
Juml 79.24 745.00 7,378.28 784.8764 0.0000 0.0000 0.0042 216.8750 -0.9450 0.00 4.25
Rata2 9.91 93.13 1,844.57 98.1096

^  0,9450 ^
    225 ; dan   93,13  (225 * 9,91)  2321.75 ; Nilai  2  4,25 / 8  2  0,7083
0,0042
^ 0.7083  225
Var   168,6428 dan Se    168,6428 12,9863 maka t ^    17,3260 .
0,0042  12,9862
^
Persamaan regresinya; Qd  2.321,75  225P  225 2 . 0 , 0042
R2   0 , 98 dan R = 0,99.
SE (128,6) (12,987) 216 , 8750
t (18,05) (-17,326)***

Nilai t tabel pada  =0.05; dengan df=n-2 adalah 1,943. Oleh karena t-hitung  > t tabel
maka Ho ditolak, artinya pengaruh harga terhadap permintaan adalah nyata secara statistik
pada taraf =5%, dimana 98 persen variasi permintaan Mocin mampu dijelaskan oleh variasi
harganya. Hubungan kedua variabel tersebut juga sangat kuat, sebesar 0,99.
Cross chek:

Coefficientsa

Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Significance
1 (Constant) 2321.750 128.632 18.050 .000
HARGA MOTOR -225.000 12.987 -.990 -17.326 .000
a. Dependent Variable: JUMLAH PERMINTAAN MOTOR

Signifikan Jika significance < =0,05.

Model Summary

Adjusted Std. Error of

Model R R Square R Square the Estimate
1 .990a .980 .977 .84163
a. Predictors: (constant) HARGA MOTOR...

ANOVAb

Sum of
Model Squares df Mean Square F Significance
1 Regression 212.625 1 212.625 300.176 .000a
Residual 4.250 6 .708
Total 216.875 7
a. Predictors: (constant) HARGA MOTOR...
b. Dependent Variable: JUMLAH PERMINTAAN MOTOR