Cobaan
Cobaan
FAKULTAS EKONOMI
2019
1
KATA PENGANTAR
Assalamualaikum Wr.Wb
Puji syukur kita panjatkan kehadirat Allah SWT yang telah memberikan
rahmat dan hidayahnya sehingga makalah ini dapat diselesaikan dengan baik.
Makalah ini kami tulis guna memenuhi tugas kelompok mata kuliah Ekonometrika
pada semester tujuh tahun 2019.
Didalam penyusunan makalah ini, Kami sudah berusaha untuk memberikan
dan mencapai hasil yang semaksimal mungkin. Oleh sebab itu pada kesempatan ini,
Kami ingin mengucapkan terimakasih yang sebesar-besarnya khususnya kepada
ibu Putri Sari Margaret Juliyanti Silaban, S.E., M.Si. Selaku dosen pengampu
mata kuliah Ekonometrika.
Dan makalah ini diambil dari berbagai macam referensi yang merupakan
salah satu sarana yang mana harapannya dapat membantu pembaca memahami dan
mendeskripsikan serta untuk mengembangkan secara maksimal potensi yang
dimiliki pembaca, adapun pembahasan yang akan kita bahas Analisis Regresi
Sederhana dan Regresi Berganda. Semoga dengan terselesaikannya makalah ini
dapat menjadi manfaat bagi pembaca sekalian.
Penulis menyadari bahwa makalah ini belumlah sempurna. Oleh karena itu
saran dan kritik yang membangun dari pembaca sangat dibutuhkan untuk
menyempurnakan makalah ini. Karena hanya Allah yang memiliki kesempurnaan
di dunia ini, Lebih dan kurangnya kami mohon maaf.
Wassalamualaikum wr.wb.
Kelompok 1
i
DAFTAR ISI
HALAMAN JUDUL
KATA PENGANTAR ..............................................................................................i
DAFTAR ISI............................................................................................................ii
BAB I PENDAHULUAN .....................................................................................iii
I.1 LATAR BELAKANG .......................................................................................iii
I.2 RUMUSAN MASALAH ..................................................................................iii
I.3 TUJUAN............................................................................................................iv
I.4 MANFAAT .......................................................................................................iv
BAB II PEMBAHASAN ........................................................................................1
II.1 Konsep Regresi Sederhana….………................................................................1
II.1.1 Pengertian Regresi Linier Sederhana..................................................1
II.1.2 Ukuran Tingkat Ketelitian (standart Eror dari OLS)….......................2
II.1 3 Goodness Of Fit…………………......................................................3
II.1.4 Bentuk Fungsional Hubungan Regresi ………...................................7
II.1.5 Uji Hipotesis …………………..........................................................4
II.1.6 Uji Normalitas ……………………………………...................................9
II.1.7 Kecocokan Model………………....................................................10
II.1.8 Regresi Sederhana Dengan Program E-Views…..............................10
II.2 Konsep Regresi Berganda.………...................................................................14
II.2.1 Koefisien Determinasi………...........................................................14
II.2.2 Uji Hipotesis Regresi Keseluruhan (Uji-F) ………...........................15
II.2.3 Pemilihan model fungsi regresi ………............................................16
II.2.4 Identifikasi Model Regresi ………...................................................16
II.2.5 Model terbaik regresi………............................................................16
BAB III PENUTUP .............................................................................................20
III.1 KESIMPULAN ..............................................................................................20
III.2 SARAN ..........................................................................................................20
DAFTAR PUSTAKA ...........................................................................................22
ii
BAB I
PENDAHULUAN
Analisis regresi merupakan salah satu alat statistik yang banyak digunakan
dalam berbagai bidang. Analisis tersebut bertujuan untuk mengetahui hubungan
antara variabel dependen dan variabel independen. Ada beberapa macam tipe dari
analisis regresi. Tipe yang pertama adalah analisis regresi linier sederhana yang
berfungsi untuk mengetahui hubungan linier antara dua variabel, satu variabel
dependent dan satu variabel independent. Tipe kedua adalah analisis regresi linier
berganda yang merupakan model regresi linier dengan satu variabel dependent dan
lebih dari satu variabel independent.
Pemodelan dengan regresi telah banyak digunakan mulai dari bidang sosial,
ekonomi, kimia, kesehatan, dan sebagainya. Dengan model regresi yang dihasilkan,
dapat diketahui variabel-variabel yang secara signifikan mempengaruhi variabel
yang lain. Untuk bisa memperoleh variabel-variabel yang berpengaruh tersebut
maka model yang diperoleh harus dapat memenuhi asumsi-asumsi yang berlaku di
dalam regresi.
iii
I.2.5 Bagaimana langkah-langkah dalam menggunakan analisis regresi sederhana
dan berganda dalam eviews?
I.3 TUJUAN
I.3.1 Untuk mengetahui makna regresi sederhana dan berganda
I.3.2 Untuk mengetahui asumsi dalam analisis regresi sederhana dan berganda
I.3.3 Untuk mengetahui parameter-parameter analisis regresi sederhana dan
berganda.
I.3.4 Untuk mengetahui model-model dalam analisis regresi sederhan adan
berganda.
I.3.5 Untuk mengetahui langkah-langkah dalam menggunakan analisis regresi
sederhana dan berganda dalam eviews.
I.4 MANFAAT
1). Bagi penulis :
Untuk menambah wawasan mengenai analisis regresi sederhana dan regresi
berganda, sekaligus memenuhi tugas matakuliah Ekonometrika.
2). Bagi pembaca :
Untuk menambah wawasan mengenai analisis regresi sederhana dan regresi
berganda.
iv
BAB II
PEMBAHASAN
Istilah regresi pertama kali digunakan dalam statistik oleh Sir Francis Galton
pada tahun 1877. Galton membuat penelitian yang menunjukkan bahwa sifat tinggi
badan anak yang dilahirkan ternyata menurun (regress) dari tinggi badan orang
tuanya. Kemudian Galton menggunakan kata “regresi” untuk menamakan analisis
proses prediksi keterkaitan antara variabel tinggi badan anak dengan tinggi badan
orang tuanya. Perkembangan selanjutnya para peneliti menggunakan istilah
multiple regression atau regresi berganda untuk menjelaskan pengaruh beberapa
variabel bebas (independent) terhadap variabel terikat (dependent).
Kegunaan regresi dalam penelitian salah satunya adalah memprediksi nilai
variabel terikat (biasanya dinotasikan dengan huruf Y) apabila variabel bebas
(biasanya dinotasikan dengan huruf X) telah diketahui. Analisis regresi adalah
analisis satu arah (non-recursive).
Asumsi umum atau prasyarat analisis regresi diantaranya:
1. Data yang dianalisis jenis data interval atau ratio
2. Data dipilih secara random
3. Data yang dihubungkan berdistribusi normal
4. Data yang dihubungkan berpola linear
5. Data yang dihubungkan mempunyai pasangan yang sama sesuai dengan subjek
yang sama.
Y = Variabel dependen
a = Konstanta
x = Variabel independen
e = error
Pada analisis regresi terdapat dua jenis variabel, yaitu: variabel bebas
(sebagai variabel predictor) dan variabel terikat. Variabel bebas sering dinotasikan
dengan X1, X2, X3, X4…, dan seterusnya. Sedangkan variabel terikat (dependent)
dinotasikan dengan Y.
Koefisien (b) regresi linier adalah nilai dari variabel (X) yang bisa bermakna
positif atau negatif, yang fungsinya mempengaruhi variabel (Y). Jika nilai variabel
X positif maka akan berpengaruh naik terhadap variabel Y, akan tetapi jika nilai
variabel X ternyata negatif justru akan berpengaruh turun terhadap variabel Y.
Makna positif (+) atau negatif (-) tersebut diinterpretasikan dalam besaran satuan.
Jika positif maka naik sebesar satu satuan, jika negatif maka turun sebesar satu
satuan.
Ukuran tingkat ketelitia diukur dari standart eror estimator yang diperoleh
dari metode OLS adalah variabel yang sifat aslinya random yaitu nilainya berubah
dari satu sampel ke sampel yang lainnya . oleh karena itu kita membutuhkan
ketepatan dari estimator 𝛽0 dan 𝛽1 . di dalam statistika untuk mengetahui ketepatan
2
estimator OLS ini diukur dengan menggunakan kesalahan standart error .standart
eror bagi estimator 𝛽0 dan 𝛽1 :
∑ 𝑋12
𝑉𝑎𝑟(𝛽° ) =
𝑛 ∑ 𝑋12
∑ 𝑋12
𝑆𝑒(𝛽° ) = √ 𝜎
∑ 𝑋12
𝜎
𝑉𝑎𝑟(𝛽1 ) =
∑ 𝑋12
𝜎
𝑆𝑒(𝛽1 ) = √
∑ 𝑋12
∑ 𝑒12
𝜎=
𝑛−𝑘
Semakin kecil standart eror dari estimator maka semakin kecil variabilitas
dari angka estimator dan berarti semakin dipercaya nilai estimator yang didapat
bagaimana varian dan kesalahan standar dari estimator mampu membuat keputusan
tentang kebenaran dari estimator akan dijelaskan dalam subbab berikutnya .
3
II.1.4 Bentuk Fungsional Hubungan Regresi
Pemilihan bentuk fungsional hubungan regresi terkait dengan pemilihan
peubah bebasnya. Ada kalanya, teori bilang ilmu bersangkutan bisa menunjukkan
bentuk fungsional yang cocok. Teori belajar, misalnya, mungkin mengindikasikan
bahwa fungsi regresi yang menghubungkan biaya produksi dengan berapa kali
suatu item tertentu telah pernah muncul harus memiliki bentuk tertentu dengan
sifat-sifat asimtotik tertentu pula.
Yang lebih sering dijumpai adalah bahwa bentuk fungsional hubungan
regresi tersebut tidak diketahui sebelumnya, sehingga harus ditetapkan setelah
datanya diperoleh dan dianalisis. Oleh karenanya, fungsi regresi linier atau
kuadratik sering digunakan sebagai suatu model yang cukup memuaskan bagi
fungsi regresi yang tidak diketahui bentuknya. Bahkan, kedua jenis fungsi regresi
yang sederhana itu masih juga sering digunakan meskipun teori yang mendasarinya
menunjukkan bentuk fungsionalnya, terutama bila bentuk fungsional yang
ditunjukkan oleh teori terlalu rumit namun secara logis bisa dihampiri oleh suatu
fungsi linier atau kuadratik.
1. Model
Bentuk umum fungsi regresinya linear dapat dituliskan sebagai berikut:
Yi = β0 + β1Xi + εi
Dalam hal ini :
Yi adalah nilai perubahan respons dalam amatan ke-i
β 0 dan β 1 adalah parameter
Xi adalah konstanta yang diketahui, yaitu nilai peubah bebas dari amatan ke-i
ε 1 adalah suku galat yang bersifat acak dengan rataan E{εi} = 0 dan ragam σ2{εi}
= σ2; εi dan εj tidak berkorelasi sehingga peragam (covariance) σ{εI, εj} = 0 untuk
semua i, j; i ≠ j
i = 1, 2, . . . ., n
Model regresi tersebut dikatakan sederhana, linear dalam parameter, dan
linier dalam peubah bebas. Dikatakan “sederhana” karena hanya ada satu peubah
bebas, “linear dalam parameter” karena tidak ada parameter yang muncul sebagai
salah satu eksponen atau dikalikan atau dibagi oleh parameter lain, dan “linear
dalam peubah bebas” sebab peubah ini di dalam model berpangkat satu. Model
4
yang linear dalam parameter dan linear dalam peubah bebas juga dinamakan model
ordo-pertama.
2. Makna Parameter Regresi
Kedua parameter β0 dan β1 dalam model regresi . dinamakan koefisien
regresi. β1 adalah kemiringan (slope) garis regresi. Kemiringan menunjukkan
perubahan rataan sebaran peluang bagi Y untuk stiap kenaikan X satu satuan.
Parameter β0 adalah nilai intersep Y garis regresi tersebut. Bila cakupan model
tidak mencakup X = 0, maka β0 mempunyai makna sebagai rerata.
5
parameter dapat dilihat dalam persamaan (2.16). Dalam hal ini berhubungan
linier terhadap Y.
Asumsi 2 : Variabel X adalah variabel tidak stokastik yang nilainya tetap.
Nilai X adalah tetap untuk berbagai observasi yang berulang-ulang.
Kembali dalam kasus hubungan jumlah permintaan barang dengan tingkat
harganya, untuk mengetahui tingkat variasi jumlah permintaan barang maka
melakukan berbagai observasi pada tingkat harga tertentu. Jadi dengan
sampel yang berulang-ulang nilai variabel independen (X) adalah tetap atau
dengan kata lain variabel independen (X) adalah variabel yang dikontrol.
Asumsi 3 : Nila harapan (expected value) atau rata-rata dari variabel
gangguan ei adalah nol atau harganya, untuk mengetahui tingkat variasi
jumlah permintaan barang maka melakukan berbagai observasi pada tingkat
harga tertentu. Jadi dengan sampel yang berulang-ulang nilai variabel
independen (X) adalah tetap atau dengan kata lain variabel independen (X)
adalah variabel yang dikontrol. Karena mengasumsikan bahwa nilai
harapan dari Y hanya dipengaruhi oleh variabel independen yang ada atau
dapat dinyatakan sbb:
Asumsi 4 : Varian dari variabel gangguan ei adalah sama
(homoskedastisitas) harganya, untuk mengetahui tingkat variasi jumlah
permintaan barang maka melakukan berbagai observasi pada tingkat harga
tertentu. Jadi dengan sampel yang berulang-ulang nilai variabel independen
(X) adalah tetap atau dengan kata lain variabel independen (X) adalah
variabel yang dikontrol. harganya, untuk mengetahui tingkat variasi jumlah
permintaan barang maka melakukan berbagai observasi pada tingkat harga
tertentu. Jadi dengan sampel yang berulang-ulang nilai variabel independen
(X) adalah tetap atau dengan kata lain variabel independen (X) adalah
variabel yang dikontrol.
Asumsi 5 : Tidak ada serial korelasi antara gangguan ei atau gangguan ei
tidak saling berhubungan dengan ej yang lain ,untuk mengetahui tingkat
variasi jumlah permintaan barang maka melakukan berbagai observasi pada
tingkat harga tertentu. Jadi dengan sampel yang berulang-ulang nilai
6
variabel independen (X) adalah tetap atau dengan kata lain variabel
independen (X) adalah variabel yang dikontrol.
Hal yang penting dalam hipotesis penelitian yang menggunakan data sampel
dengan menggunakan uji t adalah masalah pemilihan apakah menggunakan dua sisi
atau satu sisi. Uji hipotesis dua sisi dipilih jika tidak punya dugaan kuat atau dasar
teori yang kuat dalam penelitian, sebaliknya memilih satu sisi jika peneliti
mempunyai landasan teori atau dugaan yang kuat. Misalnya menguji hubungan
antara pendapatan terhadap konsumsi pada hitungan sebelumnya. Karena
mempunyai landasan teori atau dugaan yang kuat bahwa terdapat hubungan yang
positif antara jumlah pendapatan terhadap konsumsi maka menggunakan uji satu
sisi. Adapan hipotesis nol dan hipotesis alternatif dapat dinyatakan sbb:
H0 : β1 ≤ 0
Ha : β1 > 0
7
Hipotesis nol atau hipotesis salah yakni menyatakan bahwa pendapatan
tidak berpengaruh dan atau berpengaruh negatif terhadap konsumsi yang
ditunjukkan oleh koefiesin β1≥0. Sedangkan hipotesis alternatif menyatakan bahwa
pendapatan berpengaruh positif terhadap konsumsi yang ditunjukkan oleh β1 > 0.
9
maka kita menolak hipotesis bahwa residual mempunyai distribusi normal
karena nilai statistik JB tidak sama dengan nol.
Model regresi sederhana adalah suatu model yang melihat hubungan antar
dua variabel. Salah satu variabel menjadi variabel bebas (Independent variable) dan
variabel yang lain menjadi variabel terikat (Dependent variable). Dalam regresi
sederhana ini, akan kita ambil suatu contoh kasus mengenai hubungan antara
10
pengeluaran konsumsi dan pendapatan di US pada tahun 1996 – 2005 (Gujarati,
2003: 6). Persamaan model ini adalah:
Y = 0 + 1X +
Setelah muncul data yang akan diolah, kemudian blok variable X dan Y - Klik
kanan: Open - as Group. Maka, akan muncul tampilan :
Setelah itu ketik data yang akan diolah : Y spasi c spasi X, pilih Method: LS –
OK. Variabel yang kita tulis pertama adalah variabel dependen, selanjutnya adalah
konstanta dan variabel independent.
11
Maka akan tampak hasil regresi seperti berikut:
Dependent Variable: Y
12
Date: 08/24/07 Time: 01:18
Included observations: 10
Dari hasil regresi diatas maka akan didapatkan persamaan sebagai berikut:
Y = 24.45455 + 0.509091X
Y = 24.45455 + 0.509091(5000)
Y = 2569.91
Jadi, jika pendapatan sebesar 5000 milyar dolar US maka tingkat konsumsi individu
adalah sebesar 2569.91 milyar dolar US.
13
II.2 Konsep Regresi Berganda
Pada regresi berganda dimana kita memiliki lebih dari satu variabel
independen, kita perlu mengevaluasi pengaruh semua variabel independen terhadap
variabel dependen dengan Uji F. Uji F statistik ini di dalam regresi berganda dapat
digunakan untuk menguji signifikansi koefisien determinasi. Nilai F statistik dapat
digunakan untuk mengevaluasi hipotesis apakah tidak ada variabel independen
yang menjelaskan variasi Y disekitar nilai rata- rata dengan derajat kepercayaan
(degree of freedom) k-1 dan n-k tertentu. Dimana kriteria uji F adalah :
Ada beberapa bentuk fungsi regresi. Tapi ada dua bentuk model yang
seringkali digunakan dalam penelitian yang menggunakan analisis regresi yaitu
model linier dan model log-linier.
15
II.2.3 Pemilihan model fungsi regresi
16
Semua Kemungkinan Regresi (All Possible Regression)
Metode semua kombinasi yang mungkin adalah metode yang umumnya
digunakan. Di dalam metode tersebut ada beberapa kriteria yang digunakan yaitu
R2 yang disesuaikan, S2 (rataan kuadrat sisa) dan Cp Mallows. Penentuan
persamaan mana yang terbaik untuk dipilih dilakukan melalui evaluasi pola-pola
yang teramati. Pilih model terbaik diantara semua kemungkinan berdasarkan
berbagai suatu kriteria tertentu. Untuk menentukan model yang terbaik dapat
digunakan kombinasi dari beberapa kriteria. Namun prosedur ini cenderung tidak
praktis karena harus memeriksa semua kemungkinan, itu juga berarti bahwa kita
harus memeriksa sejumlah besar persamaan regresi yang ada.
Regresi “Himpunan Bagian Terbaik” (Best Subset Regression)
Sekarang dengan sudah tersedia solusi komputer yang sangat cepat untuk
memilih himpunan bagian terbaik dari variabel-variabel peramal Xi dalam analisis
regresi berganda. Tiga kriteria dapat digunakan untuk menentukan himpunan
bagian terbaik yaitu nilai R2 maksimum, nilai R2 terkoreksi maksimum dan
statistikCp Mallows. Prosedur Best Subset Regression memiliki beberapa
kelemahan: (1) Cenderung menghasilkan persamaan regresi dengan terlalu banyak
peramal. (2) Jika K diambil terlalu kecil, persamaan regresi yang paling masuk akal
untuk dipilih mungkin malah tidak muncul dalam himpunan ‘K terbaik’, meskipun
mengkin muncul ditempat lain. (3) Belum ada informasi tercetak yang dengan
mudah dapat diperoleh mengenai bagaimana berbagai himpunan bagian tersebut
diperoleh.
Prosedur Eliminasi Langkah Maju (Forward Elimination Procedure)
Metode seleksi maju adalah langkah maju di mana peubah bebas
dimasukkan satu demi satu menurut urutan besar pengaruhnya terhadap model, dan
berhenti bila semua yang memenuhi syarat telah masuk. Dimulai dengan
memeriksa matriks korelasi kemudian mengambil peubah bebas yang
menghasilkan koefisien korelasi maksimum, dan tidak dipersoalkan apakah
korelasi positif atau negatif karena yang diperhatikan hanyalah eratnya hubungan
antara suatu peubah bebas dengan Y sedangkan arah hubungan tidak menjadi
persoalan. Bila nilai Fhitung lebih kecil dari yang ditetapkan untuk pemasukan
17
peubah bebas ke dalam model maka 𝑋𝑗 tidak jadi masuk, begitu juga sebaliknya.
Persamaannya dari prosedur eliminasi langkah maju adalah sebagai berikut:
𝐹= 𝐽𝐾𝑅 (𝑋𝑗|𝑋𝑖)𝑠2 (𝑋𝑖,𝑋𝑗)=𝐽𝐾𝑅 (𝑋𝑖,𝑋𝑗)−𝐽𝐾𝑅 (𝑋𝑗) 𝑠2(𝑋𝑖,𝑋𝑗) [4.8]
Keteragan = Jumlah
: JKR kuadrat
regresi
𝑆2 = Rataan
kuadrat
sisa
𝑋𝑖,𝑋𝑗 = Peubah
bebas ke i
dan ke j
18
masuk kedua adalah variabel yang korelasi parsialnya tertinggi dan masih
signifikan, setelah variabel tertentu masuk ke dalam model maka variabel lain yang
ada di dalam model dievaluasi, jika ada variabel yang tidak signifikan maka
variabel tersebut dikeluarkan.
Metode PRESS (Prediction Sum of Square)
Metode PRESS (Prediction Sum of Square) merupakan bentuk cross-
validasi yang digunakan dalam analisis regresi untuk memberikan ukuran ringkasan
fit dari model untuk sampel pengamatan yang sendiri tidak digunakan untuk
memperkirakan model. Hal ini dihitung sebagai jumlah kuadrat dari residual
prediksi untuk pengamatan mereka. Penggunaan pengamatan dengan pengecualian
pengamatan ke i untuk memprediksikan respons pengamatan ke i dan yi,
selanjutnya selisih antara yi dengan prediksi dikuadratkan lalu jumlahkan untuk i =
1,2, ... , n (Allen,1974). Lambang PRESSP menyatakan bahwa model dengan p
parameter yang digunakan. Adapun rumusnya yaitu:
PRESSp = Σ(𝑦𝑖𝑛𝑖=1− 𝑦̂(i) )2
Model yang baik adalah model yang menghasilkan PRESSP yang kecil
dalam kelompok p parameter. Sesunggunya metode ini merupakan gabungan dari
semua kombinasi yang mungkin, prediksi dan analisis sisa.
19
BAB III
PENUTUP
III.1 KESIMPULAN
Kesimpulan yang dapat kami tarik dari pembahasan di atas adalah Regresi
dalam statistika adalah salah satu metode untuk menentukan tingkat pengaruh suatu
variabel terhadap variabel yang lain. Regresi linier bertujuan mempelajari
hubungan linier antara dua variabel. Dua variabel ini dibedakan menjadi variabel
bebas (X) dan variabel tak bebas (Y).
III.2 SARAN
Bagi Mahasiswa
Ekonometrika merupakan ilmu terapan yang sangat erat dalam dunia
pendidikan terutama kegiatan yang berkaitan dengan penelitian, untuk itu
kita para mahasiswa perlu untuk mengetahui dan memahami ilmu
ekonometrika, karena materi yang dibahas merupakan materi pokok yang
harus dikuasai dan dipahami dengan baik oleh para mahasiswa khususnya
20
bagi mahasiswa fakultas ekonomi, sehingga mahasiswa dapat mengetahui
dan dapat mempraktikkannya kedalam bidang akademik khususnya
penelitian serta untuk memudahkan dalam mata kuliah Ekonometrika.
.
Bagi pembaca
Diharapkan dengan adanya makalah ini dapat membantu pembaca
dalam memahami materi-materi ekonometrika khususnya materi analisis
regresi sederhana dan berganda.
21
DAFTAR PUSTAKA
22