Ekonomi Manajerial D4

1. Apa yang dimaksud dengan analisis regresi? Dan bagaimana model regresi yang ideal?
2. Bagaimana cara mengatasi masalah autokorelasi?

Jawab :
1. Analisis regresi adalah sebuah Teknik statistic yang digunakan untuk menemukan derajak
ketergantungan satu variabel (variabel dependen) terhadap satu variabel lainnya atau lebih
(variabel independent). Teknik ini dapat diterapkan untuk mencari nilai dari koefisien-koefisien
suatu fungsi yang sedang dianalisis. Untuk analisis regresi, kita membuthhkan sejumlah
observasi, baik untuk variabel dependen (Y) maupun variabel-variabel independent (X) dalam
fungsi yang dikaji. Selanjutnya, analisis regresi ini memungkinkan kita untuk menarik
kesimpulan dari pola hubungan yang ditunjukkan dari sejumlah observasi tersebut. Ada 2 jenis
analisis regresi didasarkan pada jenis data yang digunakan dalam analisis regresi, yaitu analisis
regresi runtut-waktu (time series) dan analisis regresi seksi-silang (cross-section).
Analisis regresi, diantaranya dilakukan dalam rangka melakukan penaksiran dan/atau peramalan
(prediksi) nilai dari elemen model regresi. Penaksiran merupakan proses untuk menemukan nilai
dari koefisien-koefisien suatu fungsi pada saat sekarang (current values).
Analisis regresi penting dalam perusahaan karena manajer perlu mengetahui pengaruh perubahan
variabel tertentu terhadap berbagai elemen kinerja (seperti penjualan, inovasi, pencapain
keuangan, dan sebagainya) dan ingin mengetahui apakah perubahan dari nilai setiap variabel
tersebut akan mempunyai dampak menguntungkan atau tidak terhadap laba atau kekayaan bersih
(net worth) suatu perusahaan.
Model regresi yang ideal haerus memenuhi beberapa asumsi:
a. Eksogenitas yang lemah, dalam model regresi linier memberi syarat bahwa variabel X
bersifat tetap, sementara variabel Y bersifat acak atau berubah. Dimana satu nilai variabel X
akan memprediksi variabel Y sehingga ada kemungkinan beberapa variabel Y. dengan
befitum harus ada nilai kesalahan pada variabel Y.
b. Linieritas, model analisis regresi bersifat linier, artinya kenaikan variabel X harus diikuti
secara proporsional oleh kenaikan variabel Y. jika dalam pengujian linieritas tidak
terpenuhi, mkan kita dapat melakukan transformasi data atau menggunakan model
kuadratik, eksponesial atau model lainnya yang sesuai dengan pola hubungan nonlinier.
c. Varians error yang konstan, karena jika konstan maka variabel error dapat membentuk
model sendiri dan mengganggu model utama. Sehingga penganggulangan permasalahan
heteroskedastisitas bisa diatasi dengan mengambahkan model varians error ke dalam model
ARCH/GARCH.
d. Otokorelasi untuk data time series, asumsi ini melihat pengarus variabel lag waktu
sebelumnya terhadap variabel Y. jika ada gangguan otokorelasi, artinya ada pengaruh
variabel lag waktu sebelumnya terhadap variabel Y.

2. Otokorelasi merupakan suatu keadaan di mana variabel pengganggu (error term) pada periode
tertentu berkorelasi dengan variabel pengganggu pada periode lain sehingga variabel gangguan
tidak acak (sugiyanto, 2009). Otokorelasi (atau dikenal juga sebagai korelasi serial) hanya
muncul dalam data runtut waktu dan ditandai oleh atau menunjukka pola siklus atau lainnya
karena observasi-observasi X disusun secara kronologis, pol aini menujukka bahwa beberapa
variabel dependen.
Otokorelasi dapat dihilangkan dengan cara menambahkan variabel yang dianggap menjelaskan
perubahan yang sistematis tersebut ke dalam persamaan regresi. Sebagai contoh, bila residu
 nampak mengikuti pola siklus maka variabel-variabel dummy dibutuhkan untuk menghitung
variasi musim. Jika siklusnya lebih Panjang dan nampaknya berhubungan dengan keadaan
perekonomian maka variabel yang dapat mencerminkan pendapatan nasional, seperti PDB dapat
ditambahkan untuk menghilangkan otokorelasi tersebut. Residu yang cenderung terus-menerus
naik atau turun dapat dihilangkan dengan menambahkan variabel waktu sebagai variabel
independent.

Sumber referensi:
Lincolin Arsyad. 2022. BMP EKMA4312 Ekonomi Manajerial Modul 4. Pamulang, Tangerang
Selatan: Universitas Terbuka.
https://www.jojonomic.com/blog/analisis-regresi/