KONSEP DASAR ANALISIS REGRESI

Dr. Teguh Hadi Priyono

 Istilah regresi

FRANCIS GALTON HUKUM REGRESI UNIVERSAL

Walaupun ada kecenderungan bagi orang tua yang tinggi mempunyai
anak-anak yang tinggi dan orang tua yang pendek ada
kecenderungan akan mempunyai anak yang pendek. Rata-rata tinggi
badan anak yang lahir dari orang tua yang berbadan tinggi tertentu,
cenderung bergerak atau beregresi menuju rata-rata tinggi badan
populasi scr keseluruhan.

KARL PEARSON REGRESI MENUJU (MEDIOKRASI)

Rata-rata tinggi badan anak laki-laki dari kelompok ayah yang
berbadan tinggi, lebih rendah dari tinggi badan ayahnya. Dan rata-
rata tinggi badan anak laki-laki dari kelompok ayah yang berbadan
pendek, lebih besar dari tinggi badan ayahnya, sehingga meregresi
anak yang berbadan tinggi dan berbadan pendek secra bersama
akan mengarah pada tinggi badan rata-rata semua laki-laki.
Interpretasi Modern Istilah Regresi
Studi mengenai ketergantungan satu variabel yaitu variabel dependen
terhadap satu atau lebih variabel lainnya (variabel independen),
dengan tujuan untuk melakukan estimasi nilai rata-rata variabel
dependen dari nilai yang diketahui atau tetap.

Contoh
1. Regresi Universal Galton
Tujuan regresi untuk memprediksi rata-rata tinggi badan anak laki-
laki dengan mengetahui
Y tinggi badan
X ayahnya
X X
Tinggi Badan Anak

X X
75 X X = Nilai rata-rata
X
X X X X
Laki-laki, inci

X X X X
70 X X
X X
X X X X
X X X
65 X
X
X X
X
60

60 65 70 75 X Gambar 1. Distribusi Hipotesis dr

Tinggi Badan Ayah, inci Tinggi Badan Anak Laki-laki Terkait
dengan Kondisi Tertentu dr Tinggi
 Contoh Regresi
2. Distribusi populasi hipotesis rata-rata anak laki-laki yang diukur
berdasarkan usia yang tetap (fixed). Scr jelas bahwa tidak semua
anak laki-laki pada usia tertentu memiliki tinggi badan yg sama.
Namun, tinggi badan scr rata-rata meningkat seiring meningkatnya
usia. Jadi dengan mengetahui usia, dapat memprediksi rata-rata
Y
tinggi badan
70 pd usia tertentu
X
X
X
dengan menggunakan garis regresi.
X X X
X X X
X X X X
= Nilai rata-rata
60 X X X X X
X X X X
Tinggi, inci

X
X X X X X
X X X X X
X X X
50 X
X
X X
X
40

10 11 12 13 14 X
Umur, Tahun
Gambar 2. Distribusi Hipotesis dr
Tinggi Badan Terkait dengan Kondisi
UmurTertentu
 Contoh Regresi
3.Contoh ekonomi, mempelajari ketergantungan pengeluaran pribadi
dr penghasilan setelah kena pajak (disposible real personal income).
Analisis tsb dapat memperkirakan nilai kecenderungan tambahan
konsumsi (MPC), yg merupakan pengeluaran konsumsi rata-rata.

4.Seorang monopolis dapat menetapkan harga atau output (namun

tidak keduanya). Ingin mengetahui respons permintaan dr sebuah
produk jika terjadi perubahan harga. Elatisitas harga (sensitifitas
harga) dapat diestimasi dr permintaan sebuah produk dan dapat
membantu untuk menentukan tingkat harga yg menghasilkan
keuntungan terbesar.

5.Ahli tenaga kerja, ingin mengetahui tingkat perubahan upah

berkaitan dengan tingkat pengangguran atau Phillips Curve.
 Hubungan statistik vs hubungan
deterministik
Analisis regresi sebagai ketergantungan secara statistik (statistical
dependency), bukan ketergantungan secara fungsi maupun
deterministik antar variabel (fisika klasik). Hubungan statistik
membahas mengenai variabel acak (random) atau variabel stokastik
(stochastic). yaitu variabel yang memiliki distribusi probabilitas.
Sedangkan ketergantungan variabel scr fungsional atau determinan
juga membahas mengenai variabel, namun variabel ini tidak acak
atau non stokastik.
Ketergantungan akan hasil panen thd suhu, curah hujan, sinar
matahari, pupuk (hubungan statistik scr alami). Walaupun variabel-
variabel penjelas tsb sangatlah penting, namun akan sulit untuk
memprediksi hasil panen scr tepat, krn adanya faktor kesalahan
(kesalahan pengukuran). Jadi, adanya batasan dari keragaman scr
acak (random variability) pd variabel dependen dr hasil panen yg
tidak bisa scr sempurna dijelaskan, berapapun variabel penjelas yang
digunakan.
Fenomena deterministik, hukum gravitasi Newton, setiap partikel
menarik partikel lain dgn energi yg berbanding lurus scr proporsional
Regresi vs Sebab Akibat (Kausalitas)
Walaupun analisis regresi membahas mengenai ketergantung satu
variabel thd variabel lainnya, namun tidak selalu berarti ada
hubungan sebab akibat. Analisis regresi menjelaskan hubungan satu
arah, dari variabel independen ke variabel dependen. Hubungan
antar variabel tsb bersifat random (stokastik), Hubungan ini
mencerminkan perilaku ekonomi, sedangkan kausalitas
menunjukkan hubungan dua arah. Dalam banyak kasus hubungan
antar variabel ekonomi tidak hanya hubungan satu arah,tetapi bs
dua arah. Misal; pertumbuhan ekonomi dengan uang beredar.
Hubungan kausalitas tidak terdapat variabel dependen, semua
variabel independen.

Kasus hasil panen, tidak ada alasan statistik untuk mengasumsikan

bahwa curah hujan tidak tergantung hasil panen. Kenyataan bahwa
hasil panen sbg variabel dependen thd curah hujan (asumsi variabel
lain tidak berpengaruh), terjadi pemikiran scr statistik. Logika
mengatakan, bahwa hubungan scr terbalik tidak dapat dilakukan,
dimana tidak mungkin untuk mengontrol curah hujan dengan
membuat variasi atas hasil panen.

Hubungan statistik scr logis dengan sendirinya tidak dapat

 REGRESI VS KORELASI
Analisis korelasi berhubungan scr dekat dengan regresi, namun scr
konsep sangat berbeda. Analisis korelasi obyek utama adalah
mengukur kekuatan atau keeratan hubungan antara satu variabel
dengan variabel lainnya.

KORELASI ;
Mengukur kekuatan atau tingkat hubungan linier di antara dua
variabel
Tidak ada perbedaan antara variabel dependen dan independen
Semua variabel bersifat random (stokastik)

REGRESI :
Mengukur kekuatan hubungan, estimasi atau perkiraan dari rata-
rata dari nilai variabel dependen
Terdapat perbedaan antara variabel dependen dan independen
Variabel bersifat stokastik dan non stokastik
 Istilah dan Notasi

Y X
Variabel dependen Variabel independen
Variabel yang Variabel penjelas
dijelaskan
Variabel yang Variabel yang
diprediksi memperkirakan
Variabel regresan Variabel regresor
Variabel respon Variabel stimulus
Variabel endogen Variabel eksogen
Variabel hasil Variabel kovariat
Variabel yang Variabel kontrol
dikontrol
Variabel stokastik Variabel non stokastik
 Sifat dan Sumber Data
Tipe data : data time series, data cross section, data pool
Sumber data
Ketepatan data
Pengukuran variabel : skala rasio, skala interval, skala ordinal,
skala nominal
 observasi yg seharusnya tidak dimasukkan tetapi dimasukkan).
Walaupun data eksperiman, kesalahan pengukuran dapat timbul
Ketepatan Data
karena perkiraan atau pembulatan.
Data survey, permasalahan adanya kuesioner yg tidak dijawab scr
lengkap, sehingga tidak mencerminkan perilaku scr keseluruhan
(sample selectivity bias). Permasalahan selanjutnya dari kuesioner
yang masuk, ternyata tidak semua pertanyaan dijawab terutama
pertanyaan yang sensitif yang berkaitan dgn keuangan.
Metode pengambilan sampel dapat bervariasi, sehingga
menyulitkan untuk melakukan komparasi hasil.
Data ekonomi umumnya tersedia pd tingkatan agregat, misal data
makro (inflasi, pertumbuhan, PDB, TK). Data agregat mungkin tdk
dapat menginformasikan kondisi individual atau unit mikro.
Alasan kerahasiaan, data yang diterbitkan hanya dalam bentuk
agregat tk tinggi, misal Internal Revenue Service, tidak
diperbolehkan memberikan informasi mengenai pengembalian
pajak individu.
Catatan; Peneliti sebaiknya selalu mengingat bahwa hasil
penelitian akan selalu setara kualitasnya dgn kualitas
data (GIGO)
 Skala Pengukuran
1.Nominal: Skala ini menempatkan angka sebagai atribut objek.
Tidak memiliki efek evaluatif karena hanya menempatkan angka
ke dalam kategori tanpa struktur, tidak memiliki peringkat dan
tidak ada jarak; (jenis kelamin, mata angin, warna). Contoh; Pria
= 1 dan Wanita = 0
2.Ordinal: Skala ordinal memiliki peringkat, tapi tidak ada jarak
posisional objektif antar angka karena angka yang tercipta
bersifat relatif subjektif. Skala ini menjadi dasar dalam skala
likert , (sangat memuaskan, memuaskan, tidak memuaskan,
sangat tidak memuaskan). Contoh; Sangat Tidak Setuju = 1,
Tidak Setuju = 2, Tidak Tahu = 3, Setuju = 4, Sangat Setuju = 5
3.Interval: Skala interval adalah skala ordinal yang memiliki poin
jarak objektif dalam keteraturan kategori peringkat, tapi jarak
yang tercipta sama antar masing-masing angka. (umur, suhu,
pendidikan). Contoh; Umur 20-30 tahun = 1, Umur 31-40 tahun
= 2, Umur 41-50 tahun = 3
4.Rasio: Skala rasio adalah skala interval yang memiliki nol
mutlak. (pendapatan, konsumsi, tabungan)
TERIMA KASIH