NAMA : NOVA FARHANI RAHMA

KELAS : MKS 5D

NIM : 12406193164

MATA KULIAH : EKONOMETRIKA

UAS SEMESTER 5

1. Jelaskan apa yang dimaksud dengan BLUE pada regresi linier!

BLUE Best Linear Unbiased Estimator, artinya pengambilan keputusan melalui uji F dan
uji t tidak boleh bias. Untuk menghasilkan keputusan yang BLUE maka harus dipenuhi
diantaranya tiga asumsi dasar. Tiga asumsi dasar yang tidak boleh dilanggar oleh regresi linear
berganda yaitu :
a. Tidak boleh ada autokorelasi
b. Tidak boleh ada multikolinieritas
c. Tidak boleh ada heteroskedasitas
Apabila salah satu dari ketiga asumsi dasar tersebut dilanggar, maka persamaan regresi
yang diperoleh tidak lagi bersifat BLUE Best Linear Unbised Estimator, sehingga pengambilan
keputusan melalui uji F dan uji t menjadi bias.
2. Pak Ali adalah seorang direktur pemasaran perusahaan Karya Jaya. Ia ingin mengetahui tingkat
hubungan biaya iklan terhadap hasil penjualannya.
X = biaya iklan (dalam puluhan juta rupiah)
Y = hasil penjualan (dalam puluhan juta rupiah)
Dari data yang dimiliki perusahaan Karya Jaya tersebut ditunjukkan nilai-nilai kedua variabel
tersebut adalah:
Biaya iklan (X) 2 5 7 9 12 13 15 17
Hasil penjualan (Y) 3 7 9 12 15 16 20 22

Dari data tersebut, bantulah Pak Ali menentukan tingkat hubungan biaya iklan terhadap hasil
penjualan!
x y 𝑥2 𝑦2 xy
2 3 4 9 6
5 7 25 49 35
7 9 49 81 63
9 12 81 144 108
12 15 144 225 180
13 16 169 256 208
15 20 225 400 300
17 22 289 484 374
80 104 986 1648 1274
3. Diperoleh persamaan regresi sebagai berikut:
Y = 7,43 + 0,207 + 0,164 + 1,226 X
𝑅2 = 0.897
Y = Produksi padi (ton) X = pengalaman petani (tahun)
𝐷1 = 1 ; Petani laki-laki 𝐷2 = 1 ; Lahan milik sendiri
0 ; Petani wanita 0 ; lainnya
a. Apa artinya jika uji-t menunjukan dan signifikan?
Bila nilai signifikan t lebih dari 0,05 maka H0 diterima, artinya baik petani laki-laki maupun
yang punya lahan sendiri terdapat pengaruh yang signifikan antara satu variabel independen
terhadap variabel dependen
b. Berapa rata-rata produksi dari petani laki-laki yang lahannya menyewa dengan pengalaman
sebagai petani 5 tahun?
Rata-rata produksi = 7,43 + 0,207 + 5 = 12,637

4. Bagaimana mendeteksi dan mengatasi multikolinearitas?

Cara mendeteksi adanya Multikolinearitas di dalam model regresi adalah dengan cara:

a. Melihat kekuatan korelasi antar variabel bebas. Jika ada korelasi antar variabel bebas > 0,8
dapat diindikasikan adanya multikolinearitas.
b. Melihat nilai standar error koefisien regresi parsial. Jika ada nilai standar error > 1, maka dapat
diindikasikan adanya multikolinearitas.
c. Melihat rentang confidence interval. Jika rentang confidence interval sangat lebar, maka dapat
diindikasikan adanya multikolinearitas.
d. Melihat nilai Condition Index dan eigenvalue. Jika nilai condition index > 30 dan nilai eigenvalue
< 0,001 dapat diindikasikan adanya multikolinearitas.
e. Melihat nilai Tolerance dan Variance Inflating Factor (VIF). Jika nilai Tolerance < 0,1 dan VIF > 10
dapat diindikasikan adanya multikolinearitas. Sebagian pakar menggunakan batasan Tolerance <
0,2 dan VIF > 5 dalam menentukan adanya multikolinearitas. Para pakar juga lebih banyak
menggunakan nilai Tolerance dan VIF dalam menentukan adanya Multikolinearitas di dalam
model regresi linear berganda dibandingkan menggunakan parameter-parameter yang lainnya.
Hal ini juga dalam prakteknya menggunakan SPSS, kita sudah disuguhkan dengan hasil yang
instant, dimana kita bisa langsung lihat nilai keduanya di dalam output SPSS.

Cara mengatasi multikolinearitas adalah dengan cara:

a. Jika jumlah variabel banyak, maka kita dapat melakukan Analisis Faktor sebelum regresi.
Setelah analisis faktor, variabel baru yang terbentuk kita gunakan sebagai variabel di dalam
model regresi.
b. Dengan cara memilih salah satu diantara variabel bebas yang berkorelasi kuat. Oleh karena itu,
sebelumnya anda harus mencari variabel yang nilai VIFnya tinggi dan nilai korelasinya dengan
variabel bebas lainnya kuat.
c. Dengan cara melakukan operasi matematis antar variabel bebas yang berkorelasi kuat sehingga
didapat variabel baru hasil operasi tersebut yang kemudian dimasukkan ke dalam model regresi
sebagai perwakilan dari variabel yang menjadi sumber operasi matematis tersebut.
d. Melakukan standarisasi terhadap variabel yang menjadi penyebab inklusi perkalian antara
variabel, dimana hasil perkalian setelah standarisasi tersebut yang dimasukkan ke dalam model
bersama-sama dengan variabel yang sudah distandarisasi.

5. Bagaimana cara menggunakan Variabel Dummy? Kapan kita perlu menggunakannya?

Cara menggunaka variabel dummy

Pengambilan keputusan dalam uji ini dapat dilakukan dengan du acara yakni dengan melihat
nilia signifikansi hasil output SPSS atau dengan cara membandingkan nilai t hitung dengan nilai
t tabel.
a. Melihat nilai signifikansi dari output SPSS
- Jika nilai signifikansi lebih kecil dari 0,05 maka ada pengaruh variabel bebas (x)
terhadap variabel terikat (y)
- Sebaliknya, jika nilai signifikansi lebih besar dari 0,05 maka tidak ada pengaruh
variabel bebas (x) terhadap variabel terikat (y).
b. Membandingkan nilai t hitung dengan t tabel
- Jika nilai t hitung lebih besar dari t tabel maka ada pengaruh variabel bebas (x)
terhadap variabel terikat (y).
- Jika nilai t hitung lebih kecil dari t tabel maka tidak ada pengaruh variabel bebas (x)
terhadap variabel terikat (y).
Analisis dengan variabel dummy dilakukan pada saat kita atau tertarik pada
pengaruh variabel independen kategori, atau kita ingin memasukkan variabel kategori
tersebut untuk meningkatkan kualitas penelitian kita.