Pemodelan Ekonometrika - PPT Download

Masuk 
Penelusuran... Penelusuran

Upload presentasi
Kami berharap bahwa Anda menikmati presentasi ini . Untuk

men-download , silahkan rekomendasi presentasi ini kepada
teman-teman Anda dalam jaringan sosial . Tombol yang haris
diklik terletak di bawah posting ini . Terima kasih .
Tombol:
21
Batalkan Download
1 / 19
Presentasi serupa
Pemodelan Ekonometrika 
Diterbitkan oleh Teguh Tan Telah diubah "3 tahun yang lalu
 Sematkan
 Upload presentasi
21
Presentasi berjudul: "Pemodelan Ekonometrika"— Transcript
presentasi:

1 Pemodelan Ekonometrika
Upload presentasi
Muchdie, Ir, MS, Ph.D.
FE-Uhamka
2 Pokok Bahasan teman-teman Andayang
Kriteria Model dalam jaringan sosial . Tombol yang haris
Baik
diklik
Kesalahan Spesifikasi danterletak di bawah posting ini . Terima kasih .
Kosekuensinya
Uji Kesalahan Spesifikasi
Tombol:
Deteksi Variabel yang Kurang Penting
Uji LR untuk Penambahan VariabelUji Ramses untuk Uji Kesalahan
Bentuk Fungsi Regresi
Model Nested dan Non-Nested 21
Uji Model Nested dan Non-Nested
Uji Stabilitas Model
Kriteria Seleksi Model
Batalkan Download
3 Kriteria Model yg Baik Prediksi yg dibuat harus LOGIS

Harus KONSISTEN dengan Teori
Variabel Independen TIDAK BERKORELASI dengan Variabel
Gangguan
Adanya KONSISTENSI parameter
Menunjukkan DATA yang koheren
Model HARUS KOMPLIT
4 Kesalahan Spesifi kasi

Mengeluarkan variabel independen yang relevan
Memasukan variabel independen yang tidak relevan
Menggunakan BENTUK fungsi model yang salah
Kesalahan PENGUKURAN
Spesifikasi yang salah ttg Variabel Gangguan (Error Term)

Mengeluarkan Variabel yg Relevan
Misalkan, model yang relevan adalah :
Pers 9.1 : Yi = βo + β1 X1i + β2 X2i +ei
Karena alasan tertentu, Variabel X2 dihilangkan, sehingga :
Pers 9.2 : Yi = Þo + Þ1 X1i + ei
Karena Pers 9.1 adalah Pers yg benar, maka penggunaan Model 9.2,
maka eror-nya :
Pers 9.3 : ei = e1i + β2 X2i

Konsekuensi Mengeluarkan Variabel Relevan X2
Jika X2 yg dikeluarkan berkorelasi dengan X1, maka estimator Pers
9.2 menjadi BIAS dan TIDAK KONSISTEN .
Jika X1 dan X2 tidak berkorelasi, maka Þ0 masih bias walaupun Þ1
sdh tidak bias.
Taksiran varian variabel gangguan TIDAK TEPAT.
Varian estimator Þ1 BIAS terhadap varian β1. 
Upload presentasi
Akibatnya, interval keyakinan dan uji hipotesis akan memberi
kesimpulan yang salah shg peramalan model yg tdk tepat akan
menghasilkan peramalan yg tidak bisa dipercaya.
Memasukan Variabel yg Tidak Relevan
Misalkan, pada Pers 9.1 dimasukan X3 yang sebenarnya tidak
Tombol:
relevan dgn model :
Pers 9.4 : Yi = Þo+ Þ1X1i + Þ2X2i + Þ3X3i + e3i
Dan variabel gangguan menjadi:
Pers 9.5 : e3i = e1i – Þ3 X3i 21
8 Kesalahan Spesifi kasi Batalkan Download

Akibat Memasukan Variabel Tdk Relevan X3
Estimator yg dihasilkan adalah yang TIDAK BIAS
Taksiran varian variabel gangguan TEPAT
Interval keyakinan dan Uji hipotesis adalah VALID
Namun, estimator dari model ini TIDAK EFISIEN, karena variannya
lbh besar dari varian estimator model yang benar. Akibatnya, model
yang salah ini KURANG tepat.

Kesalahan Bentuk Fungsi Regresi
Misalkan, karena alasan tertentu, peneliti memilih model log linier :
Pers 9.6 : lnYi = Þo+ Þ1 lnX1i + Þ2 lnX2i + e4i
Padahal model yang benar adalah model linier seperti pada Pers
Kesalahan spesifikasi model dinyatakan :
Pers 9.7 : Yi* = Þo*+ Þ1* X1i* + Þ2* X2i* + ei*
Dimana : Yi* = Y + ý dan Xi* = X + ÿ, dimana ý dan ÿ merupakan
besarnya kesalahan pengukuran , peneliti tdk menggunakan data X
dan Y tetapi proxinya, Yi* dan Xi*.

Variabel Gangguan e dlm Persamaan
Misalkan, ada dua model sebagai berikut :
Pers 9.8 : Yi = βXi ei
Pers 9.9 : Yi = ÞXi + ei
Jika pers 9.8 adalah Pers yang benar, apakah estimator pers 9.9 yaitu
Þ tidak bias terhadap β?
Jika ya maka tidak ada kesalahan spesifikasi berkaitan dengan
variabel gangguan.
Jika tidak, maka kesalahan spesifikasi variabel gangguan merupakan
sumber kesalahan spesifikasi.
11 Uji Kesalahan Spesifi kasi
Deteksi Adanya Variabel Tdkpresentasi
Penting 
Upload
Melalui Uji t dan Uji F, misalkan :
Pers 9.10 : Yi = βo+ β1X1i + β2X2i + β3X3i +…+ βkX3k + ei
Menggunakan metode Kamistep wise regresion,
berharap lakukan
bahwa Anda regresipresentasi
menikmati terhadap ini . Untuk
variabel X1, kemudian dengan X2, silahkan
men-download Contoh rekomendasi
: gunakan model yang ini kepada
presentasi
mengkaji faktor-faktor yang mempengaruhi
teman-teman Anda dalamangka kematian
jaringan sosial . bayi di yang haris
Tombol
Indonesia, tahun dari 26 Provinsi.
Tombol:
Deteksi Adanya Variabel Tdk Penting
Melalui Uji Likelihood Ratio, misal :
Pers 9.12 : Yi = βo+ β1X1i + β2X2i + ei 21
Jika X2 adalah variabel yang tidak penting, atau β2 =0, sehingga
modelnya menjadi :
Pers 9.13 : Yi = βo+ β1X1i + ei Batalkan Download
Melalui manipulasi fungsi log-likelihood, diperoleh dua fungsi yaitu
RLLF (Restricted Log Likelihood Function) dan ULLFR (Unrestricted Log
Likelihood Function), diperoleh :
Pers 9.16 : LR = 2 (ULLF – RLLF)

Deteksi Penambahan Variabel Penting
Melalui Uji Likelihood Ratio, misal :
Pers 9.18 : Yi = βo+ β1X1i + β2X2i + ei
Karena alasan tertentu, peneliti menambahkan variabel X3,
sehingga menjadi :
Pers 9.19 : Yi = βo+ β1X1i + β2X2i + β3X3i + ei
Melalui manipulasi fungsi log-likelihood, diperoleh dua fungsi yaitu
RLLF (Restricted Log Likelihood Function) dan ULLFR (Unrestricted Log
Likelihood Function), diperoleh :
Pers 9.20 : LR = 2 (ULLF – RLLF)

Deteksi Kesalahan Bentuk Fungsi Regresi
Melalui Uji Ramsey, Uji Kesalahan Spesifikasi Regresi (Regression
Specification Error Test=RESET)
Misalkan, model regresi adalah :
Pers 9.23 : Yi = βo+ β1X1i + β2X2i
Langkah-Langkah Uji Ramsey adalah :
Lakukan regresi Pers 9.23 dan kemudian dapatkan nilai estimasi Y.
Regresi kembali Pers 9.23 dengan memasukan nilai Y sebagai
variabel independen dalam berbagai bentuk. Ramsey menyarakan
dalam bentuk pangkat n+1, sehingga diperoleh persamaan :
Pers 9.24 : Yi = βo+ β1X1i + β2X2i + + β3Yi2 + β4Yi3 +β5Yi4
Deteksi Kesalahan Bentuk 
UploadFungsi Regresi
presentasi
Melalui Uji Ramsey, Uji Kesalahan Spesifikasi Regresi (Regression
Specification Error Test=RESET)
Langkah selanjutnya, Hitung
Kami atau peroleh
berharap nilai F,menikmati
bahwa Anda dgn formula :
presentasi ini . Untuk
Pers 9.24 : F = {(Rb2men-download
– Rl2)/k1}/{(1 – Rb2)/(n – k2)}
, silahkan rekomendasi presentasi ini kepada
Jika F hitung > F tabel maka bentuk
teman-teman persamaan
Anda dalam secara
jaringan sosialsignifikan
. Tombol yang haris
TIDAK TEPAT. diklik terletak di bawah posting ini . Terima kasih .
Sebaliknya, Jika F hitung < F tabel, maka model persamaan dimaksud
SUDAH TEPAT. Tombol:
Keuntungan Metode Uji Ramsey adalah tidak perlu mengajukan
alternatif model persamaan, kelemahannya jika model yang
diajukan tidak tepat, tidak tersedia alternatifnya.
21
16 Uji Model Nested

Para akhli Ekonometrika telah mengembangkan Uji Diagnosis untuk Download
Batalkan
memilih model yang ada (competeting model)
Model 1 : Yi = βo+β1 X1i+β2X2i+β3X3i+ β4X4i +ei
Model 2 : Yi = βo+β1 X1i+β2X2i+ei
Model 2 merupakan kasus khusus dari Model 1, sehingga Model 1
Model 2 disebut Model Nested dan Model 1 disebut Model Non-
Nested.
Model Nested dapat diuji menggunakan Uji F, Uji t, Uji LR, Uji Wald
dan Uji LM.
17 Uji Model Non-Nested Model 1: Yi = βo+ β1X1i + β2X2i +

β3X3i + ei
Model Non-nested adalah model yang bukan merupakan bagian
dari model yang lain.
Misalkan, ada dua model :
Model 1: Yi = βo+ β1X1i + β2X2i + β3X3i + ei
Model 2: Yi = Þo+ Þ1Z1i + Þ2Z2i + Þ3Z3i + ei
Dengan Uji Goodness of Fit, model yang dipilih adalah model
dengan Koefisienh Determinasi yang tertinggi.
18 Uji Stabilitas Model

Data, baik data time-series maupun data cross-section, seringkali
tidak stabil.
Uji stabilitas model adalah sebuah prosedur untuk mengetahui
apakah parameter model bersifat stabil dalam penelitian.
Untuk menguji stabilitas parameter sudah dikembangkan beberapa
uji, seperti Uji Chow, Uji Recursive Residual, Uji CUSUM dan Uji
Prediksi Chow (Chow’s Forecast Test)
19 Kriteria Seleksi Model

Kriteria R2 dan Adjusted R2, kriteria ini didasarkan pada ide
bagaimana meminimumkan strandar error dari regresi.
Kriteria Mallow Cp, yang didasarkan atas bagaimana
meminimumkan mean-squared error dari prediksi. 
Upload presentasi
Kriteria Akaike (Akaike’s Information Criterion = AIC) dan Schwarz
(Schwarz’s Information Criterion=SIC), kriteria ini didasarkan metode
Maximum Likelihood (ML)
Tombol:
Download ppt "Pemodelan Ekonometrika"
21
 Presentasi serupa
Batalkan Download

Upload presentasi

Tombol:
21
Batalkan Download
© 2022 SlidePlayer.info Inc. Tanggapan Do Not Sell Tentang proyek
All rights reserved.
Pengaturan dan alat privasi My Personal SlidePlayer
Tanggapan Information  Syarat penggunaan
Upload presentasi
Penelusuran... Penelusuran
Tombol:
21
Batalkan Download

Pemodelan Ekonometrika - PPT Download

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Pemodelan Ekonometrika - PPT Download

Diunggah oleh

Hak Cipta:

Format Tersedia

Masuk 

Kami berharap bahwa Anda menikmati presentasi ini . Untuk

3 Kriteria Model yg Baik Prediksi yg dibuat harus LOGIS

4 Kesalahan Spesifi kasi

5 Kesalahan Spesifi kasi

6 Kesalahan Spesifi kasi

8 Kesalahan Spesifi kasi Batalkan Download

9 Kesalahan Spesifi kasi

10 Kesalahan Spesifi kasi

13 Uji Kesalahan Spesifi kasi

14 Uji Kesalahan Spesifi kasi

16 Uji Model Nested

17 Uji Model Non-Nested Model 1: Yi = βo+ β1X1i + β2X2i +

18 Uji Stabilitas Model

19 Kriteria Seleksi Model

Kami berharap bahwa Anda menikmati presentasi ini . Untuk

Anda mungkin juga menyukai