Asumsi-Asumsi pada Model Resgresi

y i=b0 +b1 x i1 +b 2 xi 2 +. ..+b k x ik +e i

Model regresi sampel/contoh: ; i=1, 2, 3, ..., n.

mempunyai asumsi sebagai berikut:

1. E ( e i ) =0
2. Var ( e i ) =σ 2
3 . E ( ei e j )=0 ,i≠ j
4 . e ~ N ( 0 ,σ 2 )
Asumsi ini harus dipenuhi jika akan dilakukan analisis statistika

Autokorelasi

Persamaan regresi linier berganda:

y i=b0 +b1 x i1 +b 2 xi 2 +. ..+b k x ik +e i
, , i=1, 2, 3, ..., n.

Asumsi E(eiej) =0 , i≠ j
Jika E(ei-ej) ≠ 0, i ≠ j maka terdapat autokorelasi (serial korelasi).

Regresi sampel untuk banyak sampel n

n y 1 =n X k+1 k+1 b1 + n e1

I. Sifat Dasar Autokorelasi :

Autokorelasi didefinisikan sebagai :
- Korelasi antara serangkaian observasi yang diurutkan menurut waktu (seperti
dalam data menurut urutan waktu atau time series data) atau menurut ruang
(seperti data cross-sectional)
- Dalam regresi autokorelasi didefinisiskan sebagai : terddapat hubungan dalam
error (ei) .

Data time series ( data deretan waktu ) adalah data yang disusun menurut urutan
waktu seperti penjualan suatu produk setiap hari, harga barang setiap minggu atau

1
 pendapatan negara setiap tahun, kesempatan kerja di AS untuk periode 1950 s.d
1975

Data cross-sectional adalah data pada waktu tertentu seperti data yang
berhubungan dengan anggota populasi, pada saat tertentu misal data konsumsi
keluarga tahun 1998, atau Nilai Statistika tahun 2019 di Jurusan Matematika .

Alasan terjadinya Autokorelasi :

1. Alasan Inersia
 (terjadi pada data urutan waktu)
Data pada suatu waktu tertentu akan dipengaruhi oleh waktu sebelumnya.
Contoh : harga pada suatu waktu tertentu dipengaruhi oleh harga sebelumnya.
Catatan : Autokorelasi sering terjadi pada data urutan waktu.
2. Bias Spesifikasi (Variabel )
 (Pada kasus ada variabel/peubah yang tidak dimasukkan kedalam model
tersebut).

Misal :
y=β 0 + β1 x 1i + β 2 x 2
Ada x1 yang lain yang terlupakan.
3. Bias Spesifikasi (Model)
 (Pada kasus bentuk fungsi atau model yang salah)
2
Misal : model y=β 0 + β1 x + β 2 x diduga dengan model linier

y=β 0 + β1 x sehingga antara e e masih ada suatu pola.

i, j

II. Konsekuensi Autokorelasi

1. Penaksir yang didapat tidak efisien (ragamnya tidak minimum).
2. Jika pada masalah autokorelasi, pendugaan menggunakan rumus OLS yang
biasa maka :
2
a. Var(e i )= σ σ^ 2 sebenarnya.
^
menaksir terlalu rendah

ditaksir terlalu rendah maka Var( β i )

2
b. Karena σ^ juga terlalu rendah.

2
 σ^ 2
Var ( β^ i )=
∑ ( x i − x̄ )2 => Ini rendah
β^ i
t hit =
√Var ( β^ ) i => Uji t tinggi
a. Sehingga uji t dan F tidak sah lagi (diragukan kebenarannya)

III. Pendeteksian Korelasi dengan,

1. Metode Grafik
 Dengan membuat Plot ei dengan i

Plot z-residual dg t

2.5

1.5

0.5
z-resid

0
0 2 4 6 8 10 12 14 16
-0.5

-1

-1.5

-2
t

2. Dengan Statistik Durbin Watson

n
∑ ( ei −e i−1)2
d= i =2 n
∑ ei 2
i=2 => untuk data yang sedikit atau
n

d≈2 1−
( ) ∑ e i ei −1
i=2
n
∑ ei 2
i=2
=> data yang banyak

Jika ρ^ didefinisikan sebagai korelasi serial (karelasi antara ei dengan ei-1) maka

3
 ∑ ei e i−1

ρ^ = ∑ e i2
d=2 ( 1− ρ^ )

∑ e i ei−1 ∑ ei e i−1
r= =

Maka
√∑ e 2∑ e
i i−1
2 ∑ e i2
ρ^ = -1  d = 2(1-(-1)) = 4
ρ^ = 0  d = 2(1-(0)) = 2
ρ^ = 1  d = 2(1-(1)) = 0

Mekanisme/cara pengujian dengan Statistik Durbin Watson (pengujian Durbin

Watson) sebagai berikut :
1. Lakukan regresi OLS dan dapatkan ei (error)
2. Hitunglah statistik Durbin Watson (d)
3. Untuk n yang ditentukan lihat tabel pengujian Durbin Watson dL dan dU.
4. Kriteria pengujian Durbin Watson

Ho : ρ^ =0
H1 : ρ^ ≠0
d < dL  tolak H0
d > 4 – dL  tolak H0
4 – d < dL  tolak H0
dU < d < 4 – dU  terima H0
dL < d < dU  ragu-ragu
4 – dU < d < 4 – dL  ragu-ragu

4
Soal :
Data berikut ini adalah belanja konsumsi perorang pada tahun 1956 sampai dengan
1970. Ini dilihat bagaimana hubungan belanja konsumsi dengan waktu (tahun)

No. y x
1 281,4 1956=1
2 288,1 1957=2 xi = waktu (tahun)
3 290,0 1958=3 y = belanja konsumsi
4 307,3 1959=4
5 316,1 1960=5 a. Carilah persamaan regresi
y=β 0 + β1 x i
6 322,5 1961=6 b. Periksa d (Durbin Watson).
7 338,4 1962=7 c. Apakah terjadi autokorelasi ?
8 353,3 1963=8
9 373,7 1964=9
10 397,7 1965=10
11 418,1 1966=11
12 430,1 1967=12
13 452,7 1968=13
14 469,1 1969=14
15 476,9 1970=15