Nama : Azei Mei Dilla

NIM : 043427297
Fakultas : FE/Fakultas Ekonomi
Kode/Nama MK : ESPA4312/Ekonometrika
Tugas :1

1. Tingkat pengukuran
a. Skala Pengukuran Nominal : Skala pengukuran ini merupakan skala pengukuran
yang paling paling sederhana. Pada dasarnya skala ini hanya digunakan untuk
membedakan antara data yang satu dengan data lainnya tanpa membuat adanya
tingkatan. Misalkan jenis kelamin, perempuan dan laki-laki, dimana kita ketahui
bahwa dari jenis kelamin tersebut tidak dapat dikatakan bahwa jenis kelamin laki-
laki lebih tinggi tingkatannya atau sebaliknya. Data yang termasuk data nominal
juga pasti akan termasuk ke dalam data kategorik
b. Skala Pengukuran Ordinal : Skala pengukuran selanjutnya adalah skala
pengukuran ordinal. Skala pengukuran ini hampir mirip dengan pengukuran
nominal, hanya saja di skala pengukuran ini tingkatan dari data diperhatikan.
Misalkan tingkat pendidikan SD, SMP, SMA. Tentunya tingkat pendidikan SD
akan lebih rendah jika dibandingkan dengan dua tingkat lainnya, dan sebaliknya.
Data yang digunakan untuk skala pengukuran ini juga menggunakan data kategorik.
c. Skala Pengukuran Interval dan Rasio : Skala pengukuran selanjutnya adalah
interval dan rasio. Data yang digunakan umumnya bukan merupakan data kategorik
lagi, melainkan data kuantitatif. Dalam skala interval akan terdapat interval atau
jarak, dan skala pengukuran ini digunakan untuk membedakan namun juga untuk
mengurutkan. Misalkan tinggi badan. Sedangkan skala pengukuran rasio hampir
sama persis dengan skala pengukuran interval, hanya saja pada rasio memiliki nilai
0 mutlak. Misalkan ketika suhu mencapai nilai 0 derajat berarti akan menunjukkan
suhu yang dingin. Namun ketika tinggi badan bernilai 0, itu akan terasa cukup
mustahil.
d. Rasio : Rasio adalah skala pengukuran kuantitatif yang memudahkan kita untuk
mencari perbedaan antar variabel dan memberi urutan data. Skala pengukuran ini
memungkinkan untuk melakukan semua jenis perhitungan dan dan menarik
kesimpulan pasti. Perbedaannya dengan interval adalah rasio tidak memiliki nilai
negatif. Contoh skala pengukuran rasio adalah data ukuran tinggi badan. Tidak
 mungkin ada tinggi badan yang memiliki nilai 0 bahkan negatif. Jika nilainya 0,
maka data itu dianggap tidak ada.

2. BLUE adalah singkatan dari Best Linear Unbiased Estimation dimana di dalam model
regresi, ada beberapa syarat yang harus dipenuhi agar model peramalan yang dibuat
menjadi valid sebagai alat peramalan. Syarat-syarat tersebut apabila dipenuhi
semuanya, maka model regresi linear tersebut dikatakan BLUE. Data dinyatakan
memenuhi kriteria BLUE (Best Linier Unbiased Estimator) apabila pada data
dinyatakan tidak mengandung autokorelasi. Untuk mengetahui apakah dari data yang
ada terdapat autokorelasi atau tidak, dapat menggunakan uji Runs Page 7 26 Test.

3. Variabel dummy adalah variabel yang digunakan untuk mengkuantitatifkan variabel

yang bersifat kualitatif (misal: jenis kelamin, ras, agama, perubahan kebijakan
pemerintah, perbedaan situasi dan lain-lain). Variabel dummy merupakan variabel yang
bersifat kategorikal yang diduga mempunyai pengaruh terhadap variabel yang bersifat
kontinue. Variabel dummy sering juga disebut variabel boneka, binary, kategorik atau
dikotom. Variabel dummy hanya mempunyai 2 (dua) nilai yaitu 1 dan nilai 0, serta
diberi simbol D. Dummy memiliki nilai 1 (D=1) untuk salah satu kategori dan nol
(D=0) untuk kategori yang lain. D = 1 untuk suatu kategori (laki- laki, kulit putih,
sarjana dan sebagainya). D = 0 untuk kategori yang lain (perempuan, kulit berwarna,
non-sarjana dan sebagainya). Nilai 0 biasanya menunjukkan kelompok yang tidak
mendapat sebuah perlakuan dan 1 menunjukkan kelompok yang mendapat perlakuan.
Dalam regresi berganda, aplikasinya bisa berupa perbedaan jenis kelamin (1 = laki-laki,
0 = perempuan), ras (1 = kulit putih, 0 = kulit berwarna), pendidikan (1 = sarjana, 0 =
non-sarjana).

4. Koefisien determinasi (R Squre) bermakna sumbangan pengaruh yang diberikan

variabel bebas atau independent (X) terhadap variabel terikat atau variabel dependent
(Y), atau dengan kata lain, nilai koefisien determinasi ini berguna untuk memprediksi
dan melihat seberapa besar kontribusi pengaruh yang diberikan variabel X secara
simultan (bersama-sama) terhadap variabel Y. Besarnya angka koefisien determinasi
adalah 0, 84968 atau sama dengan 84,968%. Angka tersebut mengandung arti bahwa
variabel (X) secara bersama-sama (simultan) berpengaruh terhadap variabel Y
 sedangkan sisanya 15,032% dipengaruhi oleh variabel lain di luar persamaan regresi
atau variabel yang tidak diteliti

5. Kesalahan spesifikasi model :

a. Hasil running model menunjukkan tanda koefisien regresi yang
merepresentasikan arah hubungan antara variabel  penjelas dan 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).
b. Variabel penjelas  yang secara teori dan realitas seharusnya  berpengaruh kuat
terhadap variabel respon tidak signifikan secara statistik.