Anda di halaman 1dari 8

Nama : istiqomah nur hazizah

Nim : 2001046036

Matkul : statistiK 2

UAS

A. Chi kuadrat
Metode chi kuadrat (X2 ) digunakan untuk mengadakan pendekatan (mengestimate) dari
beberapa factor atau mengevaluasi frekuensi yang diselidiki atau frekuensi hasil observasi
(fo) dengan frekuensi yang diharapkan (fe) dari sampel apakah yang terdapat hubungan atau
perbedaan yang signifikan atau tidak.

Rumus yang digunakan untuk menghitung X 2 yaitu :


( fo−fe)2
χ2 = ∑ keterangan : X2 = nilai chi kuadrat
fe
fo = frekuensi yang diobservasi (frekuensi empiris)
fe = frekuensi yang diharapkan (frekuensi teoritis)

Langkah – Langkah penyelesaian :


1. Membuat hipotesis berbentuk kalimat
2. Mencari frekuensi yang diharapkan (fe) dengan rumus
Fe = ¿ ¿
3. Mencari chi kuadrat dengan rumus
( fo−fe)2
χ2 = ∑
fe
4. Mencari x2tabel dengan rumus
Dk =(k-1) x (b-1)
5. Membuat kesimpulan

B. Uji asumsi klasik teori dan praktek spss


- Kurva normal
Distribusi Kurva Normal merupakan suatu kurva berbentuk lonceng. Penyebab data
tidak normal, karena terdapat dalam data seri yang diambil.
- Nilai ekstrim
Nilai Ekstream adalah nilai yang terlalu rendah dan terlalu tinggi
Penyebab munculnya nilai ekstream yaitu :

1. Kesalahan dalam pengambilan unit sampel. Cara mengatasi: mengganti unti sampel
2. Kesalahan dalam menginput data. Cara mengatasi : memberbaiki input data yang
salah
3. Data memang aneh disbanding lainnya. Cara mengatasi : tambah ukuran sampel
atau dengan membuang data yang aneh tersebut.

- Uji normalitas
Uji normalitas dimaksudkan untuk mengetahui apakah residual terstandarisasi yang
diteliti berdistribusi normal atau tidak
Penyebab tidak normal :
Disebabkan karena terdapat nilai ekstrim dalam data yang diambil
Uji normalitas dapat dilakukan secara :
1. Univariate
Dilakukan dengan menguji normalitas pada semua variabel yang akan dianalisis
2. Multi variate
Dilakukan dengan menguji normalitas pada nilai residual yang telah distandarisasi
cara mengatasi data yang tidak normal :
1. Menambah jumlah data
2. Melakukan transformasi data menjadi Log atau LN atau bentuk lainnya
3. Menghilangkan data yang dianggap sebagai penyebab data tidak normal
4. Dibiarkan saja tetapi kita harus menggunakan alat analisi yang lain

- Uji multikolinieritas
Uji multikolinieritas berarti terjadi kolerasi yang kuat (hamper sempurna) antar variable
bebas. Tetapnya multikolinieritasberkenaan dengan terdapatnya lebih dari satu
hubungan linear pasti, dan istilah kolinieritas berkenaan dengan terdapatnya satu
hubungan linear.
Penyebab :
1. Karena sifat-sifat yang terkandung dalam kebanyakan variable ekonomi berubah
Bersama-sama sepanjang waktu
2. Besaran-besaran ekonomi dipengaruhi oleh factor factor yang sama
Cara mendeteksi uji non- multikolinieritas :

1. Dengan melihat koefesien korelasi antar variable bebas : jika koefisien korelasi antar
variable bebas ≥ 0,7 maka terjadi multikolinier
2. Dengan melihat nilai VIF (varian infloating vactor) : jika nilai VIF ≤ 10 maka tidak
terjadi multikolinier
Cara mengatasi multikolinieritas :
1. Memperbesar ukuran sampel
2. Memasukkan persamaan tambahan kedalam model
3. Menghubungkan data cross section dan data time series
4. Mengeluarkan suatu variabel dan bias spesifikasi
5. Transformasi variabel

- Uji non-heteroskedastisitas
Uji heteroskedastisitas berarti adanya varian dalam model yang tidak sama (konstan)
Penyebab :
Variabel yang digunakan untuk memprediksi, memiliki nilai yang sangat beragam,
sehingga menghasilkan nilai residu yang tidak konstan
Cara mendeteksi :
1. Dengan uji park
Yaitu dengan meregresikan variabel bebas terhadap nilai log-linier kuadrat
2. Dengan uji glejser
Yaitu dengan meregresikan variabel bebas terhadap nilai residu mutlaknya
3. Dengan uji korelasirank spearman
Mengkorelasikan nilai residu dengan variabel bebas dengan menggunakan rank
spearman
Cara mengatasi heteroskedastisitas :
1. Tambah jumlah pengamatan
2. Transformasi data ke bentuk LN atau Log atau bentuk lainnya
- Uji non-autokorelasi
Uji ini dilakukan untuk mengetahui apakah ada korelasi antara anggota serangkaian data
observasi yang diurutkan menurut waktu (time series) atau ruang (cross section)
Penyebab :
1. Adanya kelembaman waktu
2. Adanya bias spesifikasi model
3. Manipulasi data
- Uji linearitas
Uji ini dilakukan untuk mengetahui model yang digunakan. Apakah menggunakan model
linear atau tidak.
Cara mendeteksi :
1. Dengan kurva
2. Dengan uji MWD

C. Analisis regresidalam riset ilmiah


Analisis regresi adalah cara untuk memilah secara matematis variabel yang mana memang
memiliki pengaruh satu sama lainnya, sehingga teknik analisis ini mampu menjawab
serangkaian pertanyaan yang paling penting, di abaikan, dan faktor keduanya berinteraksi
satu sama lain.

Pengertian Analisis Regresi Menurut Para Ahli


Adapun definisi analisis regresi menurut para ahli, antara lain;
1. Nawari (2010), Analisis regresi adalah cara sederhana dalam melakukan investigasi
terkait relasi fungsional antara variabel-variabel berbeda. Relasi antara variabel
tersebut dituliskan dalam sebuah model matematika .

Jenis Analisis Regresi


1. Analisis Regresi Linier
Teknik analisis regresi linier adalah salah satu teknik pemodelan yang paling dikenal, karena
merupakan salah satu metode analisis regresi elit pertama yang diambil oleh orang-orang
pada saat mempelajari pemodelan prediktif.
Perlu diketahui, dalam regresi linier berganda terdapat lebih dari satu variabel independen
dan dalam regresi linier sederhana hanya terdapat satu variabel independen. Dengan
demikian, regresi linier paling baik digunakan hanya jika ada hubungan linier antara variabel
bebas dan variabel terikat.

2. Analisis Regresi Logistik


Regresi logistik biasanya digunakan untuk menentukan probabilitas event=Success and
event=Failure. Setiap kali variabel dependen adalah biner seperti 0/1, Benar / Salah, Ya /
Tidak, regresi logistik digunakan. Dengan demikian, dapat dikatakan bahwa regresi logistik
digunakan untuk menganalisis pertanyaan tertutup dalam survei atau pertanyaan yang
menuntut respons numerik dalam survei.
Perlu diketahui, regresi logistik tidak memerlukan hubungan linier antara variabel dependen
dan variabel independen seperti halnya regresi linier. Regresi logistik menerapkan
transformasi log non-linier untuk memprediksi rasio peluang. Oleh karena itu, ia dengan
mudah menangani berbagai jenis hubungan antara variabel dependen dan variabel
independen

3. Analisis Regresi Polinomial


Regresi polinomial biasanya digunakan untuk menganalisis data lengkung dan ini terjadi
ketika kekuatan variabel independen lebih dari 1. Dalam metode analisis regresi ini, garis
yang paling cocok tidak pernah menjadi ‘garis lurus’ tetapi selalu ‘garis kurva’ cocok dengan
poin data.
Perlu dicatat bahwa regresi polinomial lebih baik digunakan ketika beberapa variabel
memiliki eksponen dan sedikit yang tidak. Selain itu, dapat memodelkan data yang dapat
dipisahkan secara non-linier yang menawarkan kebebasan untuk memilih eksponen yang
tepat untuk setiap variabel dan itu juga dengan kontrol penuh atas fitur pemodelan yang
tersedia

4. Analisis Regresi Bertahap

Analisis regresi bertahap adalah proses semi-otomatis yang dengannya model statistik
dibangun baik dengan menambahkan atau menghapus variabel yang bergantung pada
statistik-t dari koefisien estimasi mereka. Jika digunakan dengan benar, regresi bertahap
akan memberi kita data yang lebih kuat daripada metode apa pun. Ini berfungsi dengan baik
saat kita bekerja dengan sejumlah besar variabel independen.

5. Analisis Regresi Ridge


Regresi ridge didasarkan pada metode kuadrat terkecil biasa yang digunakan untuk
menganalisis data multikolinearitas (data di mana variabel independen sangat berkorelasi).
Kolinearitas dapat dijelaskan sebagai hubungan yang hampir linier antara variabel.
D. ANALISIS JALUR (path analysis)
 Cross section

- Beberapa obyek diamati bersama-sama pada periode waktu tertentu

- Data pendapatan rumah tangga rata-rata per bulan pada tahun 2019 di Kelurahan
Pasar
- Pagi

• Time Series

- Satu obyek diamati selama sekian periode secara teratur


- Data pertumbuhan ekonomi di Kota Samarinda dari tahun 2000 s.d 2019 •
Longitudinal/Panel
- Beberapa obyek diamati bersama-sama selama kurun waktu tertentu (gabungan
cross section dan time series)
- Data pertumbuhan ekonomi di 10 kabupaten (n = 10) dan kota di Kalimantan timur
dari tahun 2016 s.d 2019 (t = 4) Plot Deret Waktu Time Series
 Plot deret waktu

plot sangat penting untuk melihat pola data deret waktu yang akan kita analisis lebih
lanjut.
Pemodelan:

CIRI-CIRI

– Melibatkan banyak variabel (multi variabel)


– Multihubungan / berupa sistem persamaan – Model berjenjang / bersrtuktur – Analisis
secara simultan (multivariat)

– Dimensi data besar → multi unit satuan; momen (rata-rata) sangat beragam
– PENYERAGAMAN: Unit satuan & Momen
 ANALISIS REGRESI
- Regresi: upaya mempelajari hubungan antar variabel, dan tidak
pernah mempermasalahkan mengapa hubungan tersebut ada
(atau tidak ada) dan juga apakah hubungan antara Y dengan X
dikarenakan oleh X-nya itu sendiri atau variabel lain.
- Bilamana variabel yang terlibat lebih dari dua (banyak variabel), di
dalam analisis regresi juga tidak pernah dipermasalahkan struktur
hubungannya, dimana semua variabel penjelas dianggap
berpengaruh langsung terhadap variabel tergantung.

Langkah – Langkah analisis phat

1. Langkah pertama : merancang model berdasarkan konsep dan teori Misal, secara
logika (teori, hasil penelitian, empiris):
 Variabel ED dan EXP berpengaruh terhadap EARN.
 INCOME dipengaruhi oleh ED, EXP dan EARNS.
 Variabel EARN, INCOME dan SIZE berpengaruh ke SAVING.
2. Langkah kedua : Periksa ASUMSI
 Hubungan antar variabel: linier (time series yang tidak ada
 mengandung pola musiman dan siklus ) dan aditif
 Model rekursif
 Variabel endogen minimal dalam skala interval
 Variabel diukur tanpa kesalahan (instrumen valid dan reliabel)
 Model dispesifikasikan dengan benar (berdasarkan teori dan konsep)
3. Langkah ketiga: Perhitungan Koefisien Jalur
• Metode perhitungan koefisien jalur terdapat tiga cara:
– Pendekatan matriks korelasi; bila model tidak berjenjang (p = Rx-1 Ry)
– Koefisien regresi dilanjutkan dengan suatu perhitungan matematik {pi= bi (Sxi
/Sy)}
– Koefisien regresi standardize
• Pada tulisan ini dipilih metode yang terakhir, yaitu regresi standardize,
hal ini mengingat metode ini yang dipandang paling sederhana.
• Di samping itu, perhitungan goodness of fit berupa Koefisien
Determinasi Total dapat dilakukan secara sederhana, dan pelaksanaan
Theory Triming dapat dilakukan dengan mudah.
4. - Langkah keempat : pemeriksaan validitas model

Koefisien Determinasi Total : = Rm2 = Pe21 Pe22….. P2ep

= = 1 – (0.844)2(0.518)2 (0.729)2= 0.8984

Model dapat menjelaskan 89.84 % informasi yang terkandung dalam

data atau kontribusi pengaruh variabel-variabel exogen (endogen)

terhadap variabel endogen (lainnya) sebesar 89.84 %, sedangkan

sisanya 10.16 % dipengaruhi oleh variabel lain di luar model dan error

- Theory triming
Uji validasi koefisien path pada setiap jalur untuk pengaruh langsung: nilai sig.
dari uji t, yaitu pengujian koefisien regresi variabel dibakukan secara parsiil.
5. Langkah kelima: Interpretasi
Koefisien determinasi total (𝑅𝑚2): informasi yang dapat dijelaskan
oleh model sebesar 89.84 %. Angka ini cukup besar, sehingga model
layak digunakan dan dapat dilakukan interpretasi lebih lanjut.

E. ANALISIS TIME SERIES


Time series adalah kumpulan data statistic yang merupakan hasil pengamatan setiap interval
waktu tertentu (deret berkala)
Time series (deret berkala) yaitu berbasis waktu
- Suatu deret berkala merupakan suatu himpunan observasi dimana variabel yang
digunakan diukur dalam ururtan priode waktu, misalnya tahunan, bulanan,
triwulan dan sebagainya
- Tujuan dari deret berkala adalah untuk menemukan pola data secara historis dan
mengekstrapolasikan pola tersebut untuk masa yang akan dating
- Peramalan didasarkan pada nilai variabel yang telah lalu dan atau peramalan
kesalahan masa lalu

Komponen :

- Komponen tren (trend component)


Merepresentasikan suatau perubahan dari waktu ke waktu (cenderung naik
atau turun).
- Komponen siklis (cyclical component)
Merepresentasikan rangkaian titik-titik dengan pola siklis (pergerakan secara
siklis /naik turun) diatas atau dibawah garis tren dalam kurun waktu satu tahun
- Komponen musim (seasonal component)
Merepresentasikan pola berulang dengan durasi kurang dari 1 tahun dalam
suatu deret berkala.
- Komponen tak beraturan (irregular component)
Mengukur simpangan nilai deret berkala sebenarnya dari yang diharapkan
berdasarkan komponen lain.
Metode analisis trend
1. Metode semi rata rata
 Membagi data menjadi 2 bagian
 Menghitung rata rata kelompok
 Menghitung perubahan trend dengan rumus :
(k 2−k 1)
b=
(tahun dasar k 2−tahun dasar k 1)
 Merumuskan persamaan trend Y = a + bX
2. Metode kuadratis
Adalah contoh metode non linear Y = a + bX +Cx

Moving average

Upaya untuk memuluskan data sebuah time series sehingga fakror siklis, musiman,
dan random biasa dihilangkan atau diminimalisasikan dampaknya, sehingga pada
akhirnya didapat sebuah trend data.

Rata rata data yang dipengaruhi sebelum dan sesudahnya secara terbatas agar dapat
menjadi lebih smooth atau landai.

Rata rata data untuk n priode, yang saling sambung menyambung antar data time
saries.

MA(n) =
∑ data¿
n

Metode least square

Model trend yang mampu memprediksi data data di masa mendatang atau
perkiraan yang mempunyai kesalahan minimal mulai metode kuadrat minimum
(meminimumkan hasil kuadrat antara data asli dengan data prediksi)

Variasi musiman

Variasi musiman berhubungan dengan perubahan atau fluktuasi dalam musim


musim tertentu atau tahunan

Metode perhitungan variasi musim

- Metode rata rata sederhana :


[ratarata perkuartal x 100 ]
=
ratarata total
- Metode rata rata dengan tren :
nilai data asli
Indeks musim = x 100
nilai tren
- Metode rata rata dengan gerak :

Indeks rasio = nilai ratio x nilai factor koreksi


data asli
Nilai ratio =
data rata ratabergerak
(100 x n)
Factor koreksi =
jumlah rata rata selama n

Indeks siklus

Komponen data berkala

Y=TxSxCxI

Y
Dimana Y, T dan S diketahui, maka CI diperoleh dengan cara : = T.C.I
s
T.C.I adalah data normal , maka unsur tren (T) dikeluarkan

TCI
C.I =
T
KET ;

T = tren

S = variasi musim

C = siklus

I = gerak tak beraturan

Indeks gerak tak beraturan

Komponen data berkala sudah diketahui

Y=TxSxCxI

CI = factor siklus

C = siklus

CI
Maka I =
C

Anda mungkin juga menyukai