Nama : SilviaSakinatun Nisa

NIM : 048032316
Prodi : Ekonomi Pembangunan

TUGAS TUTORIAL I
EKONOMETRIKA ESPA4312

1. Ekonometrika merupakan sebuah kesatuan disiplin ilmu dari matematika, ekonomi, dan
statistika, jelaskan definisi ekonometrika itu sendiri dalam suatu teori serta gambarkan
metodologinya!
2. Jelaskan teknik variabel dummy dan aturan dalam menggunakan variabel dummy!
3. Jelaskan fungsi uji F beserta langkah-langkah uji F untuk menguji koefisien regresi
berganda!
4. Jelaskan secara singkat kriteria model dan kesalahan spesifikasi dalam ekonometrika!

Jawaban :

1. Ekonometrika (econometrics) dilihat dari akar katanya terdiri dari dua kata yaitu teori
ekonomi (economics) dan pengukuran (metric). Secara umum, ekonometrika dapat
didefinisikan sebagai sebuah disiplin ilmu di dalam menganalisis data-data ekonomi.
Ekonometrika sebagai sebuah disiplin ilmu dibangun dari berbagai disiplin ilmu yaitu teori
ekonomi, matematika dan statistika. Banyak definisi tentang ekonometrika yang telah
dikemukakan oleh para ahli ekonometrika diatara yaitu :
 P.A. Samuelson dan T.C. Koopmans
Ekonometrika adalah analisis kuantitatif dari fenomena-fenomena ekonomi yang
sebenarnya (aktual) yang didasarkan pada pengembangan yang bersamaan antara teori
dengan pengamatan, yang dihubungkan dengan metode inferensi yang sesuai.
 Arthur S. Goldberger
Ekonometrika adalah sebagi ilmu sosial dimana alat-alat teori ekonomi, statistik dan
matematika inferensi diterapkan untuk menganalisis fenomena-fenomena ekonomi.
 Gerhard Tintner,
Ekonometrika adalah hasil dari suatu pandangan khusus atas peranan ilmu ekonomi, yang
terdiri atas penerapan statistik matematik atas data ekonomi untuk memberikan dukungan
empiris terhadap model-model yang disusun dengan ilmu ekonomi matematis dan untuk
memperoleh hasil dalam angka.
Ekonometrika sebagai alat pengukuran dalam ekonomi mempunyai metodologi
tertentu untuk menganalisis data-data ekonomi, bisnis, maupun yang lainnya. Metodologi
ekonometrika pada awal perkembangannya memfokuskan pada bagaimana mendapatkan
estimator yang konsisten dan efisien. Aliran metodologi ini disebut aliran klasik. Metodologi
ekonometrika klasik dimulai dari pernyataan teori. Untuk membuktikan kebenaran teori atau
hipotesis yang kita bangun maka kita membuat suatu model ekonometrika. Setelah spesifikasi
model kita bangun maka langkah selanjutnya adalah melakukan estimasi parameter model
tersebut berdasarkan data yang kita kumpulkan. Kemudian setelah itu kita melakukan
verifikasi bagi estimasi parameter melalui uji statistik. Uji statistik ini diperlukan karena
estimasi model sebagian besar berasal dari data sampel. Uji statistik ini dengan demikian
dilakukan untuk membuat sebuah generalisasi. Jika Verifıkasi ini sesuai dengan teori atau
hinotesis vang kita buat awal maka kita langsung bisa menggunakan parameter estimasi
tersebut untuk melakukan prediksi atau peramalan. Namun jika verifikasi ternyata tidak sesuai
dengan teori atau hipotesis maka kita harus meninjau kembali spesifikasi model yang kita
bangun. Pembentukan model harus kita lakukan kembali pada langkah kedua.
Aliran utama metodologi ekonometrika telah berubah sejak dekade 1980. Aliran ini
dipelopori oleh Hendry dan Richard. Aliran metodologi ini bersifat top down atau general to
specific. Sebagaimana metodologi klasik, pekerjaan ekonometrika dimulai dari pernyataan
teori atau hipotesis. Langkah berikutnya membuat spesifikasi model dan melakukan estimasi
model yang kita bangun. Namun setelah melakukan estimasi model kita tidak langsung
melakukan verifikasi hasil regresi, tetapi melakukan uji spesifikasi model dan diagnosis
(modeling) terlebih dahulu. Langkah ini diperlukan untuk membuktikan apakah model yang
kita bangun sudah tepat atau tidak bias lagi. Jika model sudah tepat maka kita bisa membuat
generalisasi melalui uji statistik. Selanjutnya hasil estimasi tersebut dapat digunakan untuk
melakukan prediksi atau peramalan. Tetapi, apabila model yang ada belum tepat maka kita
 harus meninjau kembali spesifikasi model yang kita bangun. Pembentukan model harus kita
lakukan kembali pada langkah kedua.

2. Regresi terkadang karena menyesuaikan kebutuhan untuk estimasi dan peramalan terkadang
terdapat variabel kualitatif. Namun, supaya bisa diestimasi maka variabel kualitatif tersebut
harus dikuantitatifkan. Karena variabel kualitatif tersebut berarti tidak adanya sebua atribut.
Salah satu metodenya adalah dengan cara membentuk variabel yang kualtatif tersebut
menajadi variabel dummy dengan mangambil nilai 1 atau 0. Angka 1 menunjukan adanya
atribut, sedangkan 0 menunjukan tidak adanya atribut.
Regresi dengan variabel dummy
a. Regresi variabel kualitatif dengan dua kategori
Misal,
Y1= β0 + β1 X1i + β2 X1i + β3 Di + e1
Dimana:
Y = rata rata produksi per hektar
X1i = rata rata penggunaan pupuk per hektar
D1 = 1 jika lokasi di pulau jawa, 0 jika lokasi diluar jawa
Maka persamaannya menjadi :
Produksi padi di Jawa
E( Yi│Di =1) = ( β0 + β3) + β1 Xi + β2 X1i
Produksi padi di Luar Jawa
E( Yi│Di =0) = β0 + β2 X1i + β2 X1i
Dari kedua persamaan tersebut menunjuka bahwa jka memasukkan variabel independen
kualitatif maka akan menyebabkan produksi dijawa dan luar jawa konstanta atau slope atau
intersepnya berbeda.
b. Regresi variabel kualitatif dengan lebih dari dua kelas
Misal, Dalam hal tingkat pendidikan pekerja dapat dikategorikan menjadi tingkat
pendidikan SMA, diploma, dan sarja (S1). Kita akan memberi contoh variabel kualitatif
dengan lebih dari dua kelas pada gaji karyawan. Apakah tingkat pendidikan
memepengaruhi gaji karyawan. Kita mempunyai tiga atribut untuk variabel kualitatif,
sehingga berdasarkan aturannya maka hanya membutuhkan 2 variabel dummy untuk
membentuk model regresi.
Yi = β0 + β1 D1i + β2 D2i + β3 Xi + ei
Dimana :
Y = gaji karyawan
X = masa kerja karyawan
D1 = 1 jika diploma dan 0 tidak
D2 = 1 jika sarjana, dan 0 jika tidak
Maka persamaan dapat diintrepretasika sebagai berikut :
Karyawan sarjana
E( Yi│Di = 0, D2i =1) = ( β0 + β3) + β1 Xi
Karyawan Diploma
E( Yi│Di = 0, D2i =1) = ( β0 + β2) + β1 Xi
Karyawan SMA
E( Yi│Di = 0, D2i =0) = β0 + β1 Xi
Dalam hal ini kelompok kategori dasar atau pembanding adalah karyawan dengan
pendidikan SMA sehingga β0 merupakan intersep atau karyawn SMA. β2 dan β3
menunjukan berapa besar perbedaan intersep karyawan dengan pendidikan diploma dan
karyawan dengan pendidikan sarjana dibandingkan dengan karyawan SMA.
Aturan Penggunaan Teknik Variabel Dummy
 Kalau variabel kualitatif ada dua kelas maka hanya digunakan 1 variabel dummy,
karena satu variabel dummy sudah mampu membedekan dua atribut (n-1).
 Nilai 1 dan 0 pada variabel dummy bersifat manasuka atau arbiter. Maksutnya
bergantung pada kita menandai nilai 1 dan 0 (biasanya diberikan keterangan).
 Kelompok atau kategori dalam variabel dummy yang bernilai 0 merupakn kategori
dasar sebagai kelompok pengontrol (β0)
 Koefisisen β2 pada variabel dummy disebut koefisien intersep pembeda karena ini
menunjukan berapa besar perbedan intersep yang bernilai 1 dengan intersep dari
kelompok pengontrol.
3. Uji-F digunakan untuk menunjukkan apakah keseluruhan model layak atau tidak. Sering juga
disebut Goodness of Fit. Justifikasinya sederhana, yaitu jika Fhitung > Ftabel atau
Signifikansi < 0,05 (5%) maka dinyatakan bahwa model tersebut dinyatakan layak dan
pengujian bisa terus dilanjutkan. Sedangkan jika Fhitung < Ftabel atau Signifikansi > 0,05
(5%) maka model dinyatakan tidak sesuai, dan harus dilakukan perubahan terlebih dahulu,
seperti dengan transformasi data, penambahan atau pengurangan data, atau bisa juga dengan
mengeluarkan variabel bebas atau bahkan menambahkan variabel bebas.
Langkah-langkah uji F untuk menguji koefisien regresi berganda :
 Berdasarkan nilai signifikansi (Sig,) dari output Anova
Berdasarkan tabel output SPSS diatas, diketahui nilai Sig. adalah sebesar 0,000. Karena
nilai Sig. 0,000 < 0,05, maka sesuai dengan dasar pengambilan keputusan dalam uji F
dapat disimpulkan bahwa hipotesis diterima atau dengan kata lain motivasi (X1) dan
minat (X2) secara simultan berpengaruh terhadap prestasi (Y).
 Berdasarkan Perbandingan Nilai F Hitung dengan F Tabel
Berdasarkan tabel output SPSS di atas, diketahui nilai F hitung adalah sebesar 23,450.
Karena nilai F hitung 23,450 > F tabel 4,10, maka sebagaimana dasar pengambilan
keputusan dalam uji F dapat disimpulkan bahwa hipotesis diterima atau dengan kata lain
motivasi (X1) dan minat (X2) secara simultan berpengaruh terhadap prestasi (Y).
Catatan: F tabel di cari pada distribusi nilai r tabel statistik pada signifikansi 5% atau 0,05
dengan menggunakan rumus F tabel = (k; n-k). Dimana "k" adalah jumlah variabel
independen (variabel bebas atau X) sementara "n" adalah jumlah responden atau sampel
penelitian. Dalam penelitian ini jumlah "k" adalah 2 yakni variabel motivasi (X1) dan
variabel minat (X2). Sementara jumlah "n " adalah 12 orang siswa (responden).
Selanjutnya nilai ini kita masukkan ke dalam rumus, maka menghasilkan angka (2; 12-2)
= (2; 10), angka ini kemudian kita jadikan acuan untuk mencari atau melihat nilai F tabel
pada distribusi nilai F tabel statistik. Maka ditemukan nilai F tabel adalah sebesar 4,10.
Kesimpulan: Berdasarkan kedua pembahasan dalam uji F diatas, maka kita dapat
membuat sebuah kesimpulan bahwa motivasi (X1) dan minat (X2) secara simultan
(bersama-sama) berpengaruh terhadap prestasi (Y).Setelah kita mengetahui bahwa "ada
 pengaruh simultan" maka selanjutnya kita akan mencari berapa % pengaruh yang
diberikan kedua variabel tersebut secara simultan.
4. Mengutip dari Harvey (1991) yang mengatakan bahwa suatu analisis ekonometrika sebuah
model empirik dapat dikatagorikan kedalam model yang baik, apabila memenuhi syarat :
 Parsimony
Yaitu model yang dibentuk disederhanakan sedemikian rupa sehingga hanya variabel
yang dianggap penting dan dipilih yang dimasukkan ke dalam model dan apabila model
tersebut mencakup sejumlah kecil parameter.
 Identifiability
Model yang baik adalah model yang dapat mengestimasi satu himpunan nilai-nilai
parameter yang unik untuk satu himpunan data yang tertentu. Jadi, suatu model yang
tidak mempunyai identifiability berarti model tersebut dapat mengestimasi lebih dari satu
himpunan nilai parameter yang konsisten dengan data.
 Data Coherency
Model yang koheren dengan data artinya model tersebut cukup mampu menjelaskan.
kriteria ini tidak lain merupakan kriteria keserasian atau goodness of fit dan biasanya
didekati dengan menggunakan koefisien determinasi (coefficient of determination) r2 dari
suatu regeresi linear.
 Data Admissbility
Model yang baik tidak mempunyai kemampuan untuk memprediksi besaran ekonomi
yang menyimpang dari kendala definisi ekonomika.
 Theoreticall Consistency
Model yang baik tentu saja model yang konsisten dengan teori ekonomika atau
setidaknya konsisten dengan teori pesaingnya.
 Predictive ower
Model yang baik haruslah mempunyai kemampuan untuk mengprediksi di dalam sampel.
 Encompassing
Model yang baik jika dia dapat mengungguli model pesaingnya dalam arti bahwa dia
dapat menjelaskan temuan-temuan yang dihasilkan oleh model pesaing.
 Dalam ekonometrika, ketika kita bekerja dengan model-model struktural, yakni model
dimana hubungan antara variabel dalam model didasarkan pada suatu kerangka teori
ekonomi, keselahan spesifikasi model kerap kali terjadi. Setidaknya, ada dua gejala yang
dapat dijadikan acuan untuk mengetahui kalau model yang kita gunakan mengalami kesalahan
spesifikasi. Dua gejala tersebut adalah sebagai berikut:
 Hasil running model menunjukkan bukti adanya koefisien regresi yang
merepresentasikan arah hubungan antara variabel penjelas dengan variabel respon
berseberangan atau tidak sesuai dengan teori. Meski tidak selalu merupakan gejala
terjadinya kesalahan spesifikasi, kehadiran gejala ini merupakan warning akan terjadinya
kesalahan spesifikasi. Apalagi, jika arah hubungan yang berlawanan tersebut sama sekali
tidak make sense (masuk akal).
 Variabel penjelas yang secara teori dan realitas seharusnya berpengaruh kuat terhadap
variabel respon tidak signifikan secara statistik.
Solusi untuk Kesalahan Spesifikasi Model jika terdapat kesalahan spesifikasi model,
kerangka hubungan antara variabel ketika membangun model harus dievaluasi apakah benar-
benar telah sesuai dengan teori atau tidak. Misalnya, apakah variabel penjelas yang kita
gunakan benar-benar eksogen atau tidak (terjadi endogenitas atau dual causality).
Jika hubungan antar variabel dalam model sudah sesuai teori, langkah selanjutnya yang
penting untuk memastikan tidak terjadi penghilangan variabel (omitted variable) ketika
membangun model, yaitu adanya variabel penjelas yang cukup penting dalam menjelaskan
variabel respon namun tidak dimasukkan ke dalam model.
Terakhir, model yang digunakan harus dipastikan telah memenuhi asumsi teoritas yang
mendasarinya. Misalnya, asumsi Gauss Markov yang disyaratkan dalam estimasi parameter
regresi dengn Ordinary Least Squares (OLS) agar diperoleh penduga yang Best, Linear, and
Unbiased (BLUE). Pelanggaran asumsi merupakan masalah klasik yang seringkali
memusingkan ketika bekerja dengan menggunakan model regresi.