EKONOMETRIKA

“SIFAT DASAR ANALISIS REGRESI”

DISUSUN OLEH :

NAMA : RESKIANA (60600113005)

RESKI PURNAWATI (60600113045)

KELAS : C

JURUSAN MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI ALAUDDIN MAKASSAR
2016
A. Asal Mula Istilah Regresi
Istilah regresi diperkenalkan oleh seseorang yang bernama Francis Galton.
Menurut hasil penelitian Francis Galton, meskipun ada kecenderungan bagi para
orang tua yang tinggi mempunyai anak yang tinggi dan orang tua yang pendek
mempunyai anak yang pendek, distribusi mengenai tinggi dari suatu populasi
tidak berubah dari generasi ke generasi. Menurut penjelasannya, ada suatu
kecenderungan untuk rata-rata anak dari orang tua dengan tinggi tertentu bergerak
menuju nilai rata-rata dari seluruh populasi. Penemuan itu ditulis dalam artikel
berjudul Family Likeness in Stature (Proceedings of Royal Society, London, vol.
40, 1886).
Hukum regresi yang universal dari Galton telah dibuktikan oleh kawannya
yang bernama Karl Pearson, dengan jalan mengumpulkan lebih dari seribu catatan
mengenai tinggi dari para anggota kelompok keluarga. Karl Pearson menemukan
bahwa rata-rata tinggi anak dari kelompok orang tua yang tinggi ternyata lebih
kecil dari tinggi ayahnya, dan rata-rata tinggi anak dari kelompok orang tua yang
pendek ternyata lebih besar daripada tinggi ayah, jadi seolah-olah semua anak
yang tinggi dan yang pendek bergerak menuju ke rata-rata tinggi dari seluruh
orang laki-laki. Menurut istilah Galton: regression to mediocrity. Dari uraian
diatas, bisa disimpulkan bahwa pada umumnya tinggi anak mengikuti tinggi
orang tua.

B. Interpretasi Modern Tentang Regresi

Analisis regresi berkenaan dengan studi ketergantungan dari satu variabel
yang disebut variabel tidak bebas (dependent variable), pada satu atau lebih
variabel, yaitu variabel yang menerangkan, dengan tujuan untuk memperkirakan
 atau meramalkan nilai rata-rata dari variabel tidak bebas apabila nilai variabel
yang menerangkan sudah diketahui. Variabel yang menerangkan sering disebut
variabel bebas (independent variable) atau explanatory variables.
Nilai perkiraan untuk waktu yang akan datang dari variabel sosial dan
ekonomi disebut ramalan, Sangat berguna untuk dasar perencanaan.

C. Perbedaan Antara Ketergantungan Secara Statistik & Fungsional

1) Ketergantungan Statistik
Hubungan antar variabel secara statistik berkenaan dengan variabel yang
random atau variabel yang stokastik (random or stochastic variable), yaitu
variabel yang mempunyai distribusi probabilitas .
2) Ketergantungan Fungsional
Di dalam hubungan fungsional (functional relationship), variabelnya tidak
acak (nonrandom).

Contoh Ketergantungan Secara Statistik :

Jumlah produksi padi (Y) tidak hanya dipengaruhi oleh jumlah pupuk (X1), tetapi
dipengaruhi juga oleh faktor-faktor lainnya, seperti tersedianya bibit (X2), luas
sawah yang ditanami (X3), curah hujan (X4) dan masih ada faktor-faktor lainnya
lagi. Sehingga nilai Y dengan menggunakan garis regresi tidak tepat 100%
Ketidaktepatan ini disebabkan ada berbagai kesalahan (error).

Penyebab kesalahan (Error) tersebut :

• kesalahan dalam mengukur variabel
• kesalahan karena tidak semua variabel yang dimasukkan mempengaruhi Y
• kesalahan krn fungsi yg tdk cocok
 • kesalahan asumsi-asumsi

Didalam Ekonometri yang digunakan adalah hubungan statistik, yaitu

hubungan yang memperhitungkan adanya berbagai “kesalahan”, minimal
kesalahan dalam pengukuran variabel (measurement’s error). Oleh karena itu
bentuk fungsinya, bukan Y = a + b X tetapi : Y = a + b X + e, dimana e :
kesalahan pengganggu (error).

D. Sifat-Sifat Regresi
1. Sifat regresi bukan hubungan sebab-akibat
Hubungan statistik bukan merupakan hubungan sebab-akibat dan bukan
hubungan yg eksak (exact relationship). Artinya jika nilai x diketahui sekian,
maka nilai Y tidak harus sekian tetapi kita katakan “rata-rata” Y akan
mencapai sekian, hal ini disebabkan karena yang mempengaruhi Y bukan
hanya X saja, tetapi ada faktor lainnya.
2. Konsep fungsi regresi populasi
Dalam kenyataan, sebenarnya kita tdk bisa meneliti populasi secara
keseluruhan (complete enumeration), shg bentuk fungsi populasi mrpk
persoalan “empiris. Dalam analisis regresi lebih ditekankan membuat
perkiraan (estimate) dr koefisien berdasarkan hasil penelitian “sampel”.
Fungsi regresi populasi merupakan fungsi regresi sebenarnya, tetapi dlm
prakteknya kita tidak pernah tahu, krn yg kita teliti biasanya adalah sampel
dan bukan populasi.

3. Fungsi regresi sampel

Fungsi regresi populasi merupakan fungsi regresi sebenarnya, dalam
praktiknya kita tidak tahu, sebab kita hanya menyelidiki sampel, bukan
populasi. Dengan demikian yang kita analisis adalah fungsi regresi sampel sbg
 perkiraan fungsi regresi populasi. Fungsi regresi inilah yang sering digunakan
untuk meramalkan Y jika variabel bebas (X) diketahui. Dalam hal ini maka
regresi sampel merupakan pendekatan (approximation) garis regresi
sebenarnya (populasi), maka peran pengambilan sampel yg mewakili populasi
menjadi “penting”.
4. Linearitas
a) Linearitas dalam variabel
Suatu fungsi Y=f(X) dikatakan linear dlm X, jk X pangkat satu
Contoh : E(Y/Xi) = A + B Xi,
A : intercept, yi jarak titik asal ke titik perpotongan antara regresi &
sumbu tegak
B : koefisien arah (slope) atau koefisien regresi
A sebetulnya merupakan nilai E (Y/Xi) kalau Xi = 0
A & B disbt koefisien sebenarnya atau parameter
Persamaan tersebut nilai X muncul dengan pangkat satu.
b) Linearitas dalam parameter
Dalam pengertian ini, E(Y/Xi) merrpakan linear dari parameter A, tetapi B
bisa tidak linear dalam variable.
Contoh : E(Y/Xi) = A + BX2 merupakan linear dalam variabel, tetapi
bukan fungsi linear dalam parameter