Analisis Regresi

Bambang Eko Afiatno (BEA)

Fakultas Ekonomi dan Bisnis, Universitas Airlangga (FEB–UNAIR), Surabaya
e-mail: afiatno@yahoo.com ; HP: 0812 3314 4181

Analisis Regresi  hubungan dua variabel yg didasarkan pd hub. sebab-akibat (fungsional)  Y = f (X)  Y = variabel Y
disebut variabel dependen/ predicted; X = variabel X disebut variabel independen/ explanatory/ predictor. Makna
sederhana (simple)  hanya 2 variabel yakni Y & X. Jika X (variabel independen) lebih dr satu (X1, X2, X3, . . . . , Xk), maka
disebut majemuk (multiple)  Y = f (X1, X2, X3, . . . . , Xk). Lihat pula analisis korelasi yg berbeda dg regresi (bg terpisah)

Tujuan regresi yaitu “menangkap” fenomena melalui model  Model adalah penyederhanaan/ simplifikasi dari proses
dunia nyata (real world) atau bukan senyatanya/ sesungguhnya  Model ini tertuang dalam bentuk persamaan atau fungsi
 Ada 2 jenis persamaan/ fungsi yaitu deterministik (berdasarkan matematika) dan stokastik (berdasarkan statistika) 
ingat bhw statistika didasarkan pd teori probabilita (menangkap uncertainty/ ketidak-pastian).

Y=5X  X = 10; Y = 50  Model/ persamaan deterministik

Y=5X+ u  X = 10; Y = 50 ; jika u = 0  tepat/ exact (prob. 50%)

u = error term  X = 10; Y = 48 ; jika u = – 2  tidak tepat disebut under estimate (25%) Model stokastik

 X = 10; Y = 55 ; jika u = + 5  tidak tepat disebut over estimate (25%)

Catatan Penting:
 Model regresi merupakan hubungan fungsional (sebab-akibat) dari dua variabel, bukan hubungan identitas, yakni
hubungan dlm operasi aljabar dg notasi sbb: + (pertambahan); – (pengurangan); x (perkalian); & : (pembagian).
 Jika hubungan identitas, maka model yg sesuai adalah jenis model simultan dg jenis variabel endogen (seperti
variabel dependen) dan eksogen (seperti variabel independen)
 Model/ persamaan/ fungsi jenis stokastik  pd variabel dependen Y yaitu terdapat pola distribusi, akibat variabel u
yg mempunyai pola distribusi, di mana untuk variabel u yaitu diasumsikan terdistribusi normal dg rata-2 = 0 (ingat
statistik distribusi normal)  stokastik menjadi seperti deterministik
 Variabel depen Y disebut variabel stokastik & juga variabel u sedangkan variabel independen X disebut variabel
non-stokatik/ fix/ deterministik (ditetapkan)
 Variabel u  stochastic error term/ disturbance/ kesalahan pengganggu/ galat  Keberadaan variabel u
menyebabkan nilai variabel depen Y menjadi tidak menentu (tidak pasti) atau terdapat faktor ketidak-pastian
(uncertainty)  model stokastik berlandaskan teori probabilita
 Regresi  berasal dr kata to regress  melihat kembali ke awal  terkait dg data (masa lampau)

Model/ Persamaan Regresi Sederhana

 Regresi yaitu didasarkan pada hubungan sebab-akibat (fungsional)  Y = f (X)
 Hubungan fungsional tsb berdasarkan teori/ konsep  Jadi, yg menentukan bhw variabel Y sebagai dependen dan
variabel X sebagai indenden adalah teori/ konsep, bukan matematika atau statistika
 Model deterministik  𝑌 = 𝛽0 + 𝛽1 𝑋
 Model stokastik  𝒀 = 𝜷𝟎 + 𝜷𝟏 𝑿 + 𝜺  Model populasi (unknown  parameter )
 𝜷𝟎  parameter/ konstanta/ intercept; 𝜷𝟏  parameter/ koefisien garis/ slope; 𝜺  variabel error-term/
kesalahan pengganggu
 Lihat pd Gambar 1 & 14.1 pd hlm berikut.
 ̂ 𝟎 (baca: beta nol caping/ hat/ cap) dan 𝜷
Model regresi  menghitung parameter sampel 𝜷 ̂ 𝟏 (baca: beta satu
̂ = 𝜷
caping/ hat/ cap)  Jadi, model sampel (hasil estimasi)  𝒀 ̂𝟎 + 𝜷
̂ 𝟏 𝑿  Dg menetapkan nilai tertentu pd
variabel independen (𝑿), maka diperoleh hasil estimasi variabel dependen (𝒀̂ ).
 Statistika/ ekonometrika  mencari/ mengestimasi nilai parameter  Matematika  mencari nilai variabel

1
 β1 = ΔY / ΔX
β0 = konstanta/
= koef. garis/ slope
intercept

Gambar 1: Koefisien Garis/ Slope

Y Y Y

Metode OLS (ordinary least squares/ kuadrat terkecil biasa)  meminimumkan jumlah residual (𝜺̂ atau dpt ditulis e
sebagai sampel  estimator untuk 𝜺 sebagai populasi) kuadrat  ∑ 𝜺̂𝟐 atau ∑ 𝒆𝟐 minimum
̂)  e = 𝒀 − 𝒀
Residual (e)  selisih antara data atau aktual (𝒀) dg hasil estimasi/ predicted (𝒀 ̂
𝟐 𝟐
̂𝟎 − 𝜷
̂ ) = ∑(𝒀 − 𝜷
Jadi, OLS  minimum ∑ 𝒆𝟐 = ∑(𝒀 − 𝒀 ̂ 𝟏 𝑿)  turunan parsial pertama = 0 (necessary
condition dlm matematika untuk optimasi)

Diambil satu sampel

(populasi homogen) dan
diobsetrvasi sebanyak n kali

Metode OLS  minimum ∑ 𝒆𝟐

Properti/ sifat OLS (jumlah residual kuadrat)
(Gauss-Markov Theorem)
 BLUE (Best Linear
↓
Unbiased Estimator) Persamaan Normal (Normal Equations)
untuk mencari estimator parameter, di
mana jumlah Persamaan Normal yaitu
sama dengan jumlah parameter
(konstanta & koefisien)

̂ 𝟎 ; b1 = 𝜷
b0 = 𝜷 ̂𝟏

Gambar 2: Proses Estimasi Model Regresi dg Metode OLS

Proses diferensiasi menghasilkan dua persamaan normal/ normal equations, di mana jumlah persamaan normal = jumlah
parameter sbb:
̂ +𝛽
∑ 𝑌 = 𝑛𝛽 ̂ ∑ 𝑋 dan ∑ 𝑌𝑋 = 𝛽 ̂ ∑𝑋 + 𝛽 ̂ ∑ 𝑋2
0 1 0 1

2
Estimator parameter regresi sederhana (sampel) dg metode OLS sbb:
̂𝟎 + 𝜷
̂ = 𝜷
Model Regresi Sampel (estimasi)  𝒀 ̂ 𝟏𝑿 𝛽̂1
Koefisien garis/ slope
𝛽̂1 Deviasi = penjumlahan perkalian selisih nilai data/ aktual dg rata2 
notasi ditulis dlm huruf kecil  jika notasi ditulis dlm huruf kapital/ besar,
maka yg dijumlah adalah variabel, bukan deviasi.

𝛽̂0

Konstanta/ intercept
𝛽̂1 𝑋̅

̂𝟎 & 𝜷
𝜷 ̂ 𝟏  Estimator/ formula

Catatan Estimator OLS: 1)  Properti/ sifat OLS (Gauss-Markov Theorem)  BLUE (Best Linear Unbiased Estimator)
Membaca dr belakang  Estimator yaitu formula/ rumus statistik; Unbiased yaitu nilai ekpektasi koefisien sampel =
̂ ) = 𝜷𝟏 ; Linear yaitu fungsi linier (garis lurus); Best yaitu estimator efisien, artinya varians/
populasi, dpt ditulis E (𝜷 𝟏
sebaran/ dispersi dijamin minimum.
2) Perhitungan estimator OLS dg persamaan aljabar yaitu hanya sesuai untuk regresi sederhana atau regresi
majemuk dg dua variabel independen  lebih dr dua variabel independen  dg metode matriks aljabar krn
persamaan aljabar lebih rumit/ kompleks dlm perhitungan estimator OLS.
Makna Parameter Regresi (Analisis Struktural)

Contoh: Model Populasi  𝑪𝒕 = 𝜷𝟎 + 𝜷𝟏 𝒀𝑫𝒕 + 𝜺𝒕

𝑪𝒕 = konsumsi pd periode ke-t; 𝒀𝑫𝒕 = pendapatan bersih (disposable income) pd periode ke-t; 𝜺𝒕 = kesalahan pengganggu/ error term
pd periode ke-t; 𝜷𝟎 = konstanta; 𝜷𝟏 = koefisien; & t = observasi/ pengamatan berdasarkan runtut waktu/ time series (jenis data) dalam
periode 1,2,3, . . . , n.
Penyusunan model yaitu didasarkan pd teori (ekonomika) atau konsep yg jelas. Hal ini yg menentukan suatu variabel sebagai
dependen atau independen, bukan matematika atau statistika. Model ini didasarkan pd teori konsumsi dr JM.Keynes, di mana pola
konsumsi dipengaruhi oleh pendapatan bersih/disposable income (setelah dikurangi dg pajak pendapatan).
Model sampel/ estimasi dg metode OLS 𝑪 ̂𝟎 + 𝜷
̂𝒕 = 𝜷 ̂ 𝟏 𝒀𝑫𝒕
Misal hasil estimasi ̂
𝑪𝒕 = 𝟓𝟎 + 𝟎, 𝟖 𝒀𝑫𝒕
̂ 𝟏 = 0,8  Jika pendapatan bersih (YD) naik sebesar Rp 100, maka perkiraan konsumsi (𝑪
𝜷 ̂ ) meningkat sebesar Rp 80.
Dalam teori ekonomi (ekonomika) hal ini bermakna bhw 𝜷 ̂ 𝟏 = MPC (marginal propensity to consume) = ∆𝑪
̂ /∆𝒀𝑫 = 0,8.

̂ 𝟎 = 50  Jika pendapatan bersih (YD) sebesar Rp 0, maka perkiraan konsumsi (𝑪

𝜷 ̂ ) sebesar Rp 50. Dalam teori ekonomi
̂
(ekonomika) hal ini bermakna bhw 𝜷𝟎 = autonomous consumption  konsumsi minimal supaya orang bisa tetap hidup
atau dg kata lain makna otonomus yaitu konsumsi yg tidak terpengaruh oleh pendapatan atau variabel/ faktor lainnya.
̂ ) sebesar Rp 450
Jika pendapatan bersih (YD), misalkan selama seminggu sebesar Rp 500, maka perkiraan konsumsi (𝑪
̂ ).
selama seminggu  estimasi/ prediksi terhadap nilai variabel dependen (𝑪

Kinerja Model Regresi Sederhana

1. Koefisien Determinasi (r2)  notasi koef.determinasi untuk regresi majemuk R2. Notasi koef. determinasi untuk
regresi sederhana dg huruf kecil (r2) krn koefisien korelasi (r) kuadrat = koef. determinasi. Secara umum notasi
koef. determinasi ditulis dlm huruf kapital/ besar, R2.
𝒃𝒖𝒓𝒖𝒌 ← 𝟎 ≤ 𝒓𝟐 ≤ 𝟏 → 𝒃𝒂𝒊𝒌
Koef.determinasi  Goodness of Fit  ketepatan data dg model/ grs regresi

3
 Residual

Regresi

𝑢̂2 = 𝑒 2
Total

Variasi Total = 1 = Variasi Regresi + Variasi Residual

Contoh: hasil estimasi  ̂

𝑪𝒕 = 𝟓𝟎 + 𝟎, 𝟖 𝒀𝑫𝒕
r2 = 0,910  Koefisien Determinasi  Hal itu berarti bhw kinerja model tersebut relatif baik (mendekati angka
satu), yakni pendapatan bersih (YD) mampu menjelaskan konsumsi (C) sebesar 91% sedangkan sisanya 9%
disebabkan oleh faktor-2 lain dan keacakan data (randomness).

Catatan Penting:
 kinerja model lainnya yaitu Koefisien Determinasi Adjusted (𝑹 ̅ 𝟐 ) Artinya, koef.determinasi disesuaikan dg
derajat kebebasan (df/ degree of freedom) krn sensitif thdp signifikansi uji parameter (uji t)  agar 𝑹𝟐 ↑ (naik),
maka jumlah variabel indpenden (X) perlu ditambah (X ↑) sehingga d.f. menjadi turun (ingat df = n – 1 – k; di
mana: n = jumlah observasi; 1 = jumlah konstanta; k = jumlah koefisien/ variabel bebas)  d.f. terkait dg Tabel
Distribusi Statistik t (semakin kecil d.f., semakin besar nilai Tabel t yg berakibat pd uji parameter model bisa
̅ 𝟐 lebih sesuai/ cocok untuk evaluasi kinerja model regresi majemuk drpd 𝑹𝟐
tidak signifikan/ sensitif)  Jadi, 𝑹
(𝑹̅ 𝟐 ≤ 𝑹𝟐 )  materi kuliah Regresi Majemuk (Multiple Regression)
 koef. determinasi yg relatif kecil yaitu tidak selalu berarti model buruk/ jelek, khususnya untuk jenis data kerat
lintang (cross section)  yg penting bhw parameter model regresi tsb yaitu signifikan & tidak melanggar asumsi
klasik (asumsi regresi
 koef. determinasi (𝑹𝟐 ) juga bisa negatif (𝑹𝟐 < 0) dan lebih dr satu (𝑹𝟐 > 1), jika model tidak terdapat konstanta.

2. Efisiensi Statistik  diukur melalui sebaran atau dispersi data (varians atau deviasi standar) yg minimum  jarak
antara data/ aktual dan garis regresi (estimasi)  Ada dua ukuran efisiensi statistik yaitu a) untuk persamaan/
model regresi (biasa disebut SEE/ standard error of equation atau standard error of estimate) ; dan b) untuk
parameter (konstanta dan koefisien) pd model regresi.

Catatan: efisiensi statistik adalah relatif  terbaik mutlak yaitu perlu komparasi

a) Varians & Standar Error of Equation

* Varians Error of Equation (VEE) * Standar Error of Equation (SEE)

𝜎̂ = 𝑆𝐸𝐸
𝑢̂2 = 𝑒 2 d.f.= n – 2 = n – 1 – k
n = jumlah observasi
1 = jumlah konstanta
k = jumlah koefisien/ variabel indpenden

(∑ 𝑋𝑖 𝑌𝑖 − 𝑛𝑋̅ 𝑌̅)2
VEE = (∑ 𝑌𝑖2 − 𝑛 𝑌̅ 2 ) − SEE = √VEE
∑ 𝑋𝑖2 − 𝑛 𝑋̅ 2

4
 b) Varians (Var) & Standar Error (SE) of Parameters

∑ 𝑋𝑖2
Var (𝛽̂0 ) = VEE SE (𝛽̂0 ) = √Var (𝛽̂0 )
𝑛 (∑ 𝑋𝑖2 − 𝑛 𝑋̅ 2 )

VEE
Var (𝛽̂1 ) = SE (𝛽̂1 ) = √Var (𝛽̂1 )
∑ 𝑋𝑖2 − 𝑛 𝑋̅ 2

3. Uji Parsial (Uji t atau Uji Parameter)  uji hipotesis untuk masing-2 parameter (konstanta dan koefisien)
̂
̂ i ) = 𝛽î
tobs (𝜷  ∀ 𝑖 =0&1
SE (𝛽i )
for all

H0 : 𝜷i = 0  parameter populasi = 0  parameter tsb tidak dapat dipakai sebagai prediktor/ penduga
H1 : 𝜷i ≠ 0  parameter populasi ≠ 0  parameter tsb dapat dipakai sebagai prediktor/ penduga

Dg d.f. = n – 1 – k = 30 – 1 – 1 = 30 – 2 = 28  uji dua sisi (two-tailed) sehingga α = 5%/2 = 2,5%  nilai

kritis t ±2,5%; 28 = 2,048 (lihat pd Lampiran 1: Tabel Statistik Distribusi t).

Misal:
̂
𝛽
̂ 0) = 0 50 ̂ 0 ) = 1,85 sehingga H0 diterima
tobs (𝜷 ̂ =
27,027
= 1,85  Nilai kritis Tabel t = 2,048 > tobs (𝜷
SE (𝛽0 )
atau H1 ditolak. Hal ini berarti bhw konstanta (autonomous consumption) dlm model konsumsi tsb tidak
dapat dipakai sebagai penduga yg signifikan 97,5% atau dg kesalahan (α) = 2,5%. Selanjutnya, jika tingkat
kesalahan diubah menjadi α = 10%/2 = 5%  nilai kritis t ±5%; 28 = 1,701 (lihat Lampiran 1: Tabel Statistik
Distribusi t), maka H0 ditolak atau H1 diterima. Hal ini berarti bhw konstanta (autonomous consumption)
dlm model konsumsi tsb dapat dipakai sebagai penduga yg signifikan 95% atau dg kesalahan (α) = 5%.
̂
̂ 1 ) = 𝛽1̂ = 0,80 = 2,15 Nilai kritis Tabel t = 2,048 < tobs (𝜷
tobs (𝜷 ̂ 0 ) = 2,15 sehingga H0 ditolak atau
SE (𝛽1 ) 0,372
H1 diterima. Hal ini berarti bhw koefisien (MPC/ marginal propensity to consume) dlm model konsumsi
tsb dapat dipakai sebagai penduga yg signifikan 97,5% atau dg kesalahan (α) = 2,5%. Selanjutnya, jika
tingkat kesalahan diubah menjadi α = 1%/2 = 0,5%  nilai kritis t ±0,5%; 28 = 2,763 (lihat Lampiran 1: Tabel
Statistik Distribusi t), maka H0 diterima atau H1 ditolak. Hal ini berarti bhw konstanta (MPC/ marginal
propensity to consume) dlm model konsumsi tsb tidak dapat dipakai sebagai penduga yg signifikan 99,5%
atau dg kesalahan (α) = 0,5%.

Catatan:
1) Uji hipotesis atau uji t untuk parameter (konstanta & koefisien)  mencari nilai statistik untuk parameter
sampel sebagai estimasi parameter regresi populasi
2) Formula/ estimator untuk parameter yg diperoleh dr metode OLS mencari nilai absolut (nilai estimasi)
untuk parameter regresi populasi berdasarkan sampel
3) Perubahan tingkat kesalahan (α) dapat mengubah kesimpulan dlm uji hipotesis (nilai statistik).
4) Ingat, ada dua jenis kesalahan dalam uji hipotesis yaitu kesalahan pertama (α Error) dan kesalahan
kedua (β Error).

5
 4. Uji Simultan (Uji F)  uji untuk seluruh koefisien model regresi (model regresi sederhana hanya terdapat
satu koefisien)  lebih sesuai untuk model regresi majemuk.
Selain itu, uji F juga dapat dipakai menguji koefisien determinasi (r2) karena r2 menjelaskan peranan
koefisien model sedangkan uji F menguji seluruh koefisien model regresi.
Formula F d.f. (uji F)  df = numerator ; denumerator
𝛽̂1 ∑ 𝑥𝑖
2 2 numerator = 1 ; denumerator = n – 2
𝐹= Nilai kritis F  F numerator; denumerator; α
∑ 𝑒 2 (𝑛 − 2)
𝑖
F 1; 28; 1% = 7,636  lihat pd Lampiran 2:
𝛽̂12 ∑ 𝑥𝑖2 Tabel Statistik Distribusi F
=
VEE Distribusi F yaitu hanya di kanan (selalu positif)

H0 : 𝜷1 = 0  koefisien populasi = 0  koefisien tsb tidak dapat dipakai sebagai prediktor/ penduga
H1 : 𝜷1 ≠ 0  koefisien populasi ≠ 0  koefisien tsb dapat dipakai sebagai prediktor/ penduga  untuk regresi
majemuk yaitu dinyatakan paling tidak terdapat satu koefisien ≠ 0
Misal: Hasil perhitungan Fobs = 60,867  Fobs > Ftabel sehingga H0 ditolak atau H1 diterima. Hal ini berarti
bhw koefisien (MPC/ marginal propensity to consume) dlm model konsumsi tsb dapat dipakai sebagai
penduga yg signifikan 99% atau dg kesalahan (α) = 1%. Hal ini juga mengindikasikan bhw koefisien
determinasi r2 = 0,910 yaitu signifikan 99%.
Catatan:
1) Pd umumnya perhitungan Fobs menggunakan ANOVA (analysis of variance) dari sisi analisis regresi.
2) Distribusi Statistik F ≅ Distribusi Statistik t kuadrat (notasi ≅ ekuivalen)

Pelaporan Standar Hasil Analisis Regresi

̂
𝑪𝒕 = 𝟓𝟎 + 𝟎, 𝟖 𝒀𝑫𝒕
SE (Standard Error) (27,027) (0,372) r2 = 0,910 SEE = 6,493
t observasi (1,850) (2,150) df = 28 Fobs = 60,867
Catatan Umum (Penting) 
1) Belajar Statistika atau Ekonometrika harus paham betul ttg Probabilita dan Inferensial (uji hipotesis)  memahami
aljabar penjumlahan & aljabar matriks  buku math-stat
2) Kuantitatif (Matematika & Statistika atau Ekonometrika) adalah alat analisis penting dlm ilmu ekonomi (ekonomika)
 sebagai dasar model adalah teori (ekonomika atau ilmu lainnya yg relevan) atau konsep
3) Statistika membantu dlm memahami data (mencari, mengolah, mempelajari, & menganalisis) yg bersumber dr BPS,
BI, Kemenkeu, & beberapa sumber data lainnya dr institusi (domestik & internasional) yg credible (dapat dipercaya)
 ekonom sangat bergantung pada data sebagai gambaran dr fenomena ekonomi-sosial untuk mendukung analisis
ekonomi  bukan mencari informasi dan data secara sembarangan & tidak jelas sumber atau asal-usulnya alias
berita bohong (hoax).

6
Konsep Koefisen Regresi
Secara umum koefisien yaitu mengukur perubahan (Δ  delta)

Perubahan (Δ)
Marjinal
Absolut
(unit: Rp, kg, meter, dll)
β1 = ΔC / ΔYD = MPC

model linier, misal:

Koefisien fungsi konsumsi
C = β0 + β1 YD + ε
β

Perubahan (Δ) Elastisitas

Relatif β1 = (ΔQ / Q) / (ΔK / K) =
(persentase, %) Elastisitas Modal

model non-linier, misal:

fungsi produksi Cobb-Douglas (CD)
Q = β0 Kβ1 Lβ2 eu → e = log nat = 2,718...
ln Q = ln β0 + β1 ln K + β2 ln L + ln u
Analisis Koefisien Regresi Majemuk
Contoh, model produksi Cobb-Douglas sebagai model non-linier (intrinsically linear) yg dapat ditransformasi menjadi model
linier (dlm parameter)  koefisien menunjukkan elastisitas atau perubahan relatif dlm persentase (%)
𝑄 = 𝛽0 𝐾𝛽1 𝐿𝛽2 𝑒 𝑢
 e = logaritma natural = 2,71828…
ln 𝑄 = ln 𝛽0 + 𝛽1 ln 𝐾 + 𝛽2 ln 𝐿 + ln 𝑢
𝑄 ∗ = 𝛽0∗ + 𝛽1 𝐾 ∗ + 𝛽2 𝐿∗ + 𝑢∗
Hasil estimasi  𝑄̂ ∗ = 𝛽̂0∗ + 𝛽̂1 𝐾 ∗ + 𝛽̂2 𝐿∗
Makna 𝜷 ̂ 𝟏  ketika kapital/ modal (K) naik sebesar 1%, maka output (Q) akan naik sebesar 𝜷̂ 𝟏 % dengan anggapan
seluruh variabel bebas lainnya (L) tetap/ konstan (ceteris paribus). Koefisien ini disebut elastisitas kapital/ modal.
Makna 𝜷 ̂ 𝟐  ketika tenaga kerja (L) naik sebesar 1%, maka output (Q) akan naik sebesar 𝜷 ̂ 𝟐 % dengan anggapan seluruh
variabel bebas lainnya (K) tetap/ konstan (ceteris paribus). Koefisien ini disebut elastisitas tenaga kerja.

Koefisien Korelasi dan Determinasi Parsial

Formula koefisien korelasi (r) sederhana (Simple/ Zero

Order) dapat ditulis --

1) Koefisien Korelasi Parsial  hubungan antara dua variabel yg independen dr pengaruh variabel lainnya 
Misalkan, model Y = f (X1, X2)  hubungan dua variabel yg independen yaitu antara Y & X1 sedangkan X2 tidak
mempengaruhi hubungan antara Y & X1. Secara konsep bhw koef.korelasi parsial serupa dg koef.regresi parsial.
Jadi, dr model tsb dapat ditulis makna koef.korelasi parsial sbb:
rYX1. X2 = koef.korelasi parsial antara Y & X1 sedangkan X2 konstan
rYX2. X1 = koef.korelasi parsial antara Y & X2 sedangkan X1 konstan
rX1X2.Y = koef.korelasi parsial antara X1 & X2 sedangkan Y konstan

7
 Formula koef.korelasi parsial dr model & makna tsb dapat ditulis sbb:
𝑟𝑌𝑋1. − 𝑟𝑌𝑋2 𝑟𝑋1𝑋2
𝑟𝑌𝑋1.𝑋2 =
2 )(1 2 )
√(1 − 𝑟𝑌𝑋2 − 𝑟𝑋1𝑋2
𝑟𝑌𝑋2. − 𝑟𝑌𝑋1 𝑟𝑋1𝑋2
𝑟𝑌𝑋2.𝑋1 =
2 )(1 2 )
√(1 − 𝑟𝑌𝑋1 − 𝑟𝑋1𝑋2
𝑟𝑋1𝑋2. − 𝑟𝑌𝑋1 𝑟𝑌𝑋2
𝑟𝑋1𝑋2.𝑌 =
2 )(1 2 )
√(1 − 𝑟𝑌𝑋1 − 𝑟𝑌𝑋2
Koef.korelasi parsial di atas disebut koef.korelasi ordo-pertama (first-order correlation coefficients).
2) Koefisien Determinasi Parsial  Lebih jauh, jika koef.korelasi parsial dikuadratkan (𝒓𝟐𝒓𝒀𝑿𝟏.𝑿𝟐 ), maka hal itu
koef.determinasi parsial. Artinya, bahwa proporsi variasi variabel dependen Y yg dijelaskan oleh variabel bebas X1
saja, tanpa variabel bebas lainnya, yakni X2.

Variabel/ Koefisien Baku (Standardized Variables/ Coefficients)  Tujuan melakukan standarisasi atau pembakuan
adalah untuk menyamakan ukuran variabel/ koefisien dalam unit sehingga memudahkan untuk analisis komparasi/
perbandingan karena ukuran variabel dlm unit yg tidak sama, misal: ha (luas) dg kg (berat) atau dalam nilai mata uang/
monetisasi (Rp) dsb.  Proses pengolahan standarisasi dalam variabel sbb:

Secara umum model semacam ini dapat ditulis menjadi sbb:

Konsekuensi dg standarisasi variabel yaitu model tsb tidak mempunyai konstanta (=0) karena nilai rata-2/ mean untk Y & X
̅&𝑿
(𝒀 ̅ ) sama dengan nol.  akibat hal ini yaitu koef.determinasi (r2) tidak dapat diterapkan krn tidak mempunyai
konstanta atau mulai dr titik nol/ asal;  Koefisien garis (𝜷∗𝟐 ) tsb dinamakan koefisien baku/ beta (standardized/ beta
coefficients). Formulasi Koefisien Baku
sx
 *j   j  j  1, 2 , 3,...., k ( tidak termasuk konstanta j = 0 )
sy

Pada prinsipnya koefisien

Model tersebut merupakan
AR dengan Datanormalisasi/ penyekalaan (normalized)
Solusi Otokorelasi Koef.dari koefisien/ parameter regresi
Baku
terhadap standar deviasi (masing-2 variabel,
Variabel Koefisienbaik variabel dependen Y maupun seluruh
Koefisien Modelvariabel
Awal independen (X1, X2,...,Xk).
Tujuan normalisasi adalah untuk menghindarkan
(Est-EViews)perbedaan
Bakuukuran variabel danOutput-SPSS
varian yang berbeda pula. Dengan
demikian koefisien baku dari
IPYmasing-masing variabel dapat
0.593943 diperbandingkan secara langsung.
0.60542 0.59800
L 1.328475 0.57300 0.60000
IGY 0.751850 0.53374
8 0.54200
GYG 0.021779 0.18997 0.17800
REY -5.850696 -0.15410 -0.14400
DUM -3.958809 -0.24770 -0.22600
Uji Simultan (Uji Statistik F) untuk Regresi Majemuk

H0 : 𝜷j = 0  koefisien populasi = 0  koefisien tsb tidak dapat dipakai sebagai prediktor/ penduga
H1 : 𝜷j ≠ 0  paling tidak terdapat satu koefisien populasi ≠ 0 koefisien tsb dapat dipakai sebagai prediktor/
penduga atau paling tidak terdapat satu koefisien ≠ 0
𝜷j → j = 1,2, … , 𝑘  k = jumlah seluruh variabel bebas
Catatan:  d.f. (uji F)  df = numerator ; denumerator  df = k ; n – 1 – k ;
Misal,:model sbb: Y = f (X1, X2) ; jumlah variabel bebas (k) = 2; jumlah observasi (n) = 12 ; α = 5%
Nilai kritis F = F 2; 9; 5% = 4,256 (lihat pd Lampiran 2 Tabel Distribusi F).

Ingat bahwa uji statistik F juga dapat dipergunakan untuk menguji koef. determinasi (R2) krn uji statistik F yaitu
menguji seluruh koefisien, tidak termasuk konstanta sdgkan koef. determinasi (R2) menghitung peranan variasi pd
seluruh variabel independen.

“The three golden rules of econometrics are test, test, & test.”
David Forbes Hendry, Oxford, UK – 1980

saat ini hidup dalam suasana pandemi Covid–19

ingat pesan ibu, patuhi protokol kesehatan dengan wajib 3M, yaitu:
Memakai masker yang baik & benar, Menjaga jarak & menghindari kerumunan, dan Mencuci tangan pakai sabun
salam sehat dan sukses selalu
salam tangguh, merdeka!!!
***** B1A *****

9
Lampiran 1:

TABEL - t
One-tailed 0,25 0,20 0,15 0,10 0,05 0,025 0,01 0,005 0,0005
Two-tailed 0,50 0,40 0,30 0,20 0,10 0,050 0,02 0,010 0,0010
d.f.
1 1,0000 1,3764 1,9626 3,0777 6,3138 12,7062 31,8205 63,6567 636,6192
2 0,8165 1,0607 1,3862 1,8856 2,9200 4,3027 6,9646 9,9248 31,5991
3 0,7649 0,9785 1,2498 1,6377 2,3534 3,1824 4,5407 5,8409 12,9240
4 0,7407 0,9410 1,1896 1,5332 2,1318 2,7764 3,7469 4,6041 8,6103
5 0,7267 0,9195 1,1558 1,4759 2,0150 2,5706 3,3649 4,0321 6,8688

6 0,7176 0,9057 1,1342 1,4398 1,9432 2,4469 3,1427 3,7074 5,9588

7 0,7111 0,8960 1,1192 1,4149 1,8946 2,3646 2,9980 3,4995 5,4079
8 0,7064 0,8889 1,1081 1,3968 1,8595 2,3060 2,8965 3,3554 5,0413
9 0,7027 0,8834 1,0997 1,3830 1,8331 2,2622 2,8214 3,2498 4,7809
10 0,6998 0,8791 1,0931 1,3722 1,8125 2,2281 2,7638 3,1693 4,5869

11 0,6974 0,8755 1,0877 1,3634 1,7959 2,2010 2,7181 3,1058 4,4370

12 0,6955 0,8726 1,0832 1,3562 1,7823 2,1788 2,6810 3,0545 4,3178
13 0,6938 0,8702 1,0795 1,3502 1,7709 2,1604 2,6503 3,0123 4,2208
14 0,6924 0,8681 1,0763 1,3450 1,7613 2,1448 2,6245 2,9768 4,1405
15 0,6912 0,8662 1,0735 1,3406 1,7531 2,1314 2,6025 2,9467 4,0728

16 0,6901 0,8647 1,0711 1,3368 1,7459 2,1199 2,5835 2,9208 4,0150

17 0,6892 0,8633 1,0690 1,3334 1,7396 2,1098 2,5669 2,8982 3,9651
18 0,6884 0,8620 1,0672 1,3304 1,7341 2,1009 2,5524 2,8784 3,9216
19 0,6876 0,8610 1,0655 1,3277 1,7291 2,0930 2,5395 2,8609 3,8834
20 0,6870 0,8600 1,0640 1,3253 1,7247 2,0860 2,5280 2,8453 3,8495

21 0,6864 0,8591 1,0627 1,3232 1,7207 2,0796 2,5176 2,8314 3,8193

22 0,6858 0,8583 1,0614 1,3212 1,7171 2,0739 2,5083 2,8188 3,7921
23 0,6853 0,8575 1,0603 1,3195 1,7139 2,0687 2,4999 2,8073 3,7676
24 0,6848 0,8569 1,0593 1,3178 1,7109 2,0639 2,4922 2,7969 3,7454
25 0,6844 0,8562 1,0584 1,3163 1,7081 2,0595 2,4851 2,7874 3,7251

26 0,6840 0,8557 1,0575 1,3150 1,7056 2,0555 2,4786 2,7787 3,7066

27 0,6837 0,8551 1,0567 1,3137 1,7033 2,0518 2,4727 2,7707 3,6896
28 0,6834 0,8546 1,0560 1,3125 1,7011 2,0484 2,4671 2,7633 3,6739
29 0,6830 0,8542 1,0553 1,3114 1,6991 2,0452 2,4620 2,7564 3,6594
30 0,6828 0,8538 1,0547 1,3104 1,6973 2,0423 2,4573 2,7500 3,6460

40 0,6807 0,8507 1,0500 1,3031 1,6839 2,0211 2,4233 2,7045 3,5510

60 0,6786 0,8477 1,0455 1,2958 1,6706 2,0003 2,3901 2,6603 3,4602
120 0,6765 0,8446 1,0409 1,2886 1,6577 1,9799 2,3578 2,6174 3,3735
~ 0,6745 0,8416 1,0364 1,2816 1,6449 1,9600 2,3263 2,5758 3,2905

10
Lampiran 2:
TABEL - F
d.f. Numerator
Denumerator a 1 2 3 4 5 6 7 8 9 10

1 0,1000 39,864 49,500 53,593 55,833 57,240 58,204 58,906 59,439 59,857 60,195
0,0500 161,446 199,499 215,707 224,583 230,160 233,988 236,767 238,884 240,543 241,882
0,0250 647,793 799,482 864,151 899,599 921,835 937,114 948,203 956,643 963,279 968,634
0,0100 4052,185 4999,340 5403,534 5624,257 5763,955 5858,950 5928,334 5980,954 6022,397 6055,925
2 0,1000 8,526 9,000 9,162 9,243 9,293 9,326 9,349 9,367 9,381 9,392
0,0500 18,513 19,000 19,164 19,247 19,296 19,329 19,353 19,371 19,385 19,396
0,0250 38,506 39,000 39,166 39,248 39,298 39,331 39,356 39,373 39,387 39,398
0,0100 98,502 99,000 99,164 99,251 99,302 99,331 99,357 99,375 99,390 99,397
3 0,1000 5,538 5,462 5,391 5,343 5,309 5,285 5,266 5,252 5,240 5,230
0,0500 10,128 9,552 9,277 9,117 9,013 8,941 8,887 8,845 8,812 8,785
0,0250 17,443 16,044 15,439 15,101 14,885 14,735 14,624 14,540 14,473 14,419
0,0100 34,116 30,816 29,457 28,710 28,237 27,911 27,671 27,489 27,345 27,228
4 0,1000 4,545 4,325 4,191 4,107 4,051 4,010 3,979 3,955 3,936 3,920
0,0500 7,709 6,944 6,591 6,388 6,256 6,163 6,094 6,041 5,999 5,964
0,0250 12,218 10,649 9,979 9,604 9,364 9,197 9,074 8,980 8,905 8,844
0,0100 21,198 18,000 16,694 15,977 15,522 15,207 14,976 14,799 14,659 14,546
5 0,1000 4,060 3,780 3,619 3,520 3,453 3,405 3,368 3,339 3,316 3,297
0,0500 6,608 5,786 5,409 5,192 5,050 4,950 4,876 4,818 4,772 4,735
0,0250 10,007 8,434 7,764 7,388 7,146 6,978 6,853 6,757 6,681 6,619
0,0100 16,258 13,274 12,060 11,392 10,967 10,672 10,456 10,289 10,158 10,051
6 0,1000 3,776 3,463 3,289 3,181 3,108 3,055 3,014 2,983 2,958 2,937
0,0500 5,987 5,143 4,757 4,534 4,387 4,284 4,207 4,147 4,099 4,060
0,0250 8,813 7,260 6,599 6,227 5,988 5,820 5,695 5,600 5,523 5,461
0,0100 13,745 10,925 9,780 9,148 8,746 8,466 8,260 8,102 7,976 7,874
7 0,1000 3,589 3,257 3,074 2,961 2,883 2,827 2,785 2,752 2,725 2,703
0,0500 5,591 4,737 4,347 4,120 3,972 3,866 3,787 3,726 3,677 3,637
0,0250 8,073 6,542 5,890 5,523 5,285 5,119 4,995 4,899 4,823 4,761
0,0100 12,246 9,547 8,451 7,847 7,460 7,191 6,993 6,840 6,719 6,620
8 0,1000 3,458 3,113 2,924 2,806 2,726 2,668 2,624 2,589 2,561 2,538
0,0500 5,318 4,459 4,066 3,838 3,688 3,581 3,500 3,438 3,388 3,347
0,0250 7,571 6,059 5,416 5,053 4,817 4,652 4,529 4,433 4,357 4,295
0,0100 11,259 8,649 7,591 7,006 6,632 6,371 6,178 6,029 5,911 5,814
9 0,1000 3,360 3,006 2,813 2,693 2,611 2,551 2,505 2,469 2,440 2,416
0,0500 5,117 4,256 3,863 3,633 3,482 3,374 3,293 3,230 3,179 3,137
0,0250 7,209 5,715 5,078 4,718 4,484 4,320 4,197 4,102 4,026 3,964
0,0100 10,562 8,022 6,992 6,422 6,057 5,802 5,613 5,467 5,351 5,257
10 0,1000 3,285 2,924 2,728 2,605 2,522 2,461 2,414 2,377 2,347 2,323
0,0500 4,965 4,103 3,708 3,478 3,326 3,217 3,135 3,072 3,020 2,978
0,0250 6,937 5,456 4,826 4,468 4,236 4,072 3,950 3,855 3,779 3,717
0,0100 10,044 7,559 6,552 5,994 5,636 5,386 5,200 5,057 4,942 4,849
28 0,1000 2,894 2,503 2,291 2,157 2,064 1,996 1,943 1,900 1,865 1,836
0,0500 4,196 3,340 2,947 2,714 2,558 2,445 2,359 2,291 2,236 2,190
0,0250 5,610 4,221 3,626 3,286 3,063 2,903 2,782 2,687 2,611 2,547
0,0100 7,636 5,453 4,568 4,074 3,754 3,528 3,358 3,226 3,120 3,032
29 0,1000 2,887 2,495 2,283 2,149 2,057 1,988 1,935 1,892 1,857 1,827
0,0500 4,183 3,328 2,934 2,701 2,545 2,432 2,346 2,278 2,223 2,177
0,0250 5,588 4,201 3,607 3,267 3,044 2,884 2,763 2,669 2,592 2,529
0,0100 7,598 5,420 4,538 4,045 3,725 3,499 3,330 3,198 3,092 3,005
30 0,1000 2,894 2,503 2,291 2,157 2,064 1,996 1,943 1,900 1,865 1,836
0,0500 4,196 3,340 2,947 2,714 2,558 2,445 2,359 2,291 2,236 2,190
0,0250 5,610 4,221 3,626 3,286 3,063 2,903 2,782 2,687 2,611 2,547
0,0100 7,636 5,453 4,568 4,074 3,754 3,528 3,358 3,226 3,120 3,032

11