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.
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
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.
- Data pendapatan rumah tangga rata-rata per bulan pada tahun 2019 di Kelurahan
Pasar
- Pagi
• Time Series
plot sangat penting untuk melihat pola data deret waktu yang akan kita analisis lebih
lanjut.
Pemodelan:
CIRI-CIRI
– 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.
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
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.
Komponen :
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
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
Indeks siklus
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
Y=TxSxCxI
CI = factor siklus
C = siklus
CI
Maka I =
C