Masalah Dalam Estimasi &

Classical Nominal Linear

Regression (CNLRM)

Anggota Kelompok:
• Helmi Nur Anisah B200140241
• Nurul Saadah Ivani B200140244
• Cahya Fatma Arrosyd B200140246
• Galih Prismadani B20014025
Metode Ordinary Least Square

Metode ini digunakan untuk menghitung besarnya α,β

berdasarkan data sampel. Metode OLS ini dapat menghasilkan
nilai residual sekecil mungkin dengan menjumlahkan kuadrat
terkecil. Nilai residual terkecil menunjukkan nilai estimasi yang
dihasilkan dari suatu analisis regresi akan mendekati nilai
aktualnya. Oleh karena itu,kita harus dapat menentukan nilai yg
dapat menghasilkan nilai residual terkecil.

Prinsip: Meminimalkan jumlah kuadrat error

Pencarian estimasi koefisien regresi dapat diperoleh melalui

aljabar matriks, namun dalam kuliah ini akan menggunakan hasil
penghitungan menggunakan komputer
 Asumsi‐Asumsi OLS (Metode
Kuadrat Terkecil)
Asumsi 1
Hubungan antara Y (variabel dependen) dan X (variabel
independen) adalah linier dalam parameter. Model regresi yang linier
dalam parameter dapat dilihat dalam persamaan Y1 = β0 + β1X1 + ei .
Dalam hal ini berhubungan β1 linier terhadap Y.

Asumsi 2
Variabel X adalah variabel tidak stokastik yang nilainya tetap.
Nilai X adalah tetap untuk berbagai observasi yang berulang-ulang.
Kembali dalam kasus hubungan jumlah permintaan barang dengan
tingkat harganya, untuk mengetahui tingkat variasi jumlah permintaan
barang maka kita melakukan berbagai observasi pada tingkat harga
tertentu. Jadi dengan sampel yang berulang-ulang nilai variabel
independen (X) adalah tetap atau dengan kata lain variabel
independen (X) adalah variabel yang dikontrol.
Asumsi 3
Nilai harapan (expected value) atau rata-rata dan
variabel gangguan ei adalah nol
atau dapat dinyatakan sbb: E(ei/Xi)=0
Karena kita mengasumsikan bahwa nilai harapan dan Y hanya
dipengaruhi oleh
variabel independen yang ada atau dapat dinyatakan sbb:
E(Y) =β0 + β1Xi)
Asumsi 4
Varian dari variabel gangguan ei adalah sama
(homoskedastisitas)
Asumsi 5
Tidak ada serial korelasi antara gangguan ei atau gangguan ei
tidak saling
berhubungan dengan ej yang lain atau dapat dinyatakan sbb:
Cov (ei, ej ) = 0; i≠ j
Asumsi 6
Variabel gangguan ei berdistribusi normal e ~ N(0,σ2)

Asumsi 1 sampai 5 dikenal dengan model regresi linier

klasik (Classical Linear Regression Model).
Dengan asumsi-asumsi di atas pada model regresi
linier klasik, model kuadrat terkecil (OLS) memiliki sifat ideal
dikenal dengan teorema Gauss-Markov (Gauss-Markov
Theorem). Metode kuadrat terkecil akan menghasilkan
estimator yang mempunyai sifat tidak bias, linier dan
mempunyai varian yang minimum (best linear unbiased
estimators = BLUE).
 Standar Error dari Estimasi
Kuadrat Terkecil (OLS)

 Estimator yg diperoleh dari metode OLS memiliki sifat acak

dan random atau nilainya berubah-ubah dari satu ke
sampel lainnya. Adanya variabilitas estimator ini, maka
kita membutuhkan ketepatan dari estimator tersebut.
 Indikator yg dapat digunakan untuk mengetahui
ketepatan estimator OLS adalah Standar Eror (Se).
 Semakin kecil nilai Se dari estimator berarti nilai estimator
tersebut semakin dapat dipercaya.
 Sifat-sifat Estimator OLS
Metode kuadrat terkecil akan menghasilkan estimator yang
mempunyai sifat tidak bias, linier dan mempunyai varian yang minimum
(best linear unbiased estimators = BLUE). Suatu estimator β1 dikatakan
mempunyai sifat yang BLUE jika memenuhi kriteria sbb:
1. Estimator β1 adalah linier (linear), yaitu linier terhadap variabel
stokastik Y sebagai variabel dependen
2. Estimator β1 tidak bias, yaitu nilai rata rata atau nilai harapan E(β1)
sama dengan nilai β1 yang sebenarnya.
3. Estimator β1 mempunyai varian yang minimum. Estimator yang
tidak bias dengan varian minimum disebut estimator yang efisien
(efficient estimator)

Dengan demikian jika persamaan Y1 = β0 + β1X1 + ei

memenuhi asumsi-asumsi tersebut di atas maka nilai koefisien β1 dalam
persamaan tersebut dapat diartikan sebagai nilai harapan (expected
value) atau rata-rata dan nilal Y pada nilai tertentu variabel
independen X.
 Koefisien Determinan r 2

Koefisien determinasi merupakan ukuran ringkas yg

menginformasikan kepada kita seberapa baik sebuah garis regresi
sampel sesuai dengan datanya.Dalam mengukur seberapa baik
garis regresi cocok dengan datanya atau mengukur persentase
total variasi Y yang dijelaskan oleh garis regresi digunakan konsep
koefisien determinasi (R2).

Sifat r2 yang perlu diperhatikan:

1. Besarnya tidak pernah negatif.
2. Batasannya 0 ≤ r2 ≤ 1.
 Contoh
Hubungan konsumsi-pendapatan di amerika serikat 1960-
2005.
Ýt= - 2999,5913 + 0,7218 Xt
Var (ß1)= 827,4195 se(ß1)=28,7649
Var (ß2)=0,0000195 se(ß2)=0,004423
r2= 0,9983 σ2= 73,56689

Nilai interceptt pada contoh negatif, menunjukkan tidak ada

intrepetasi ekonomi yang layak. Intrepetasi secara harfiah
bahwa nilai PDB adalah nol, rata-rata tingkat PCE akan
menjadi sebuah nilai negatif dari 299 miliar dilor. Nilai r2
0,9983 menjelaskan aproksimasi 99% variasi dalam PCE yang
dijelaskan oleh varians PDB. Nilai ini cukup tinggi
mempertibangkan r2 dapat mmendekati 1.
Classical Nominal Linear
Regression (CNLRM)
Distribusi probabilitas dari
gangguan u1
Dalam konteks umum gangguan u1 ini terdistribusi normal .
Dengan menambahkan kenormalan ini akan mendapatkan
CNLRM.
 Asumsi kenormalan untuk
u1
CNLRM mengasumsikan setiap u1 terdistribusi secara normal
dengan:
Rerata: E(u1)=0
Variants: E(u1-E(u1))2 =E(u12)=œ2
disederhanakan ui ~N(0, œ2 )
~ = terdistribusi
N = distribusi normal
Variabel yang terdistribusi normal memiliki kovarians atau korelasi
nol yang berarti independensi dari ke dua variabel.
Mengasumsi kenormalan karena ada alasan, yaitu:
1. Maka dari itu akan memberikan justifikasi secara teori
atas asumsi kenormalam dari u1
2. Dengan CLT walaupun beberapa variabel tidak
independen secara ketat masih dapat terdistribusi secara
normal.
3. Dapat membuat pengujian hipotesis akan menuju
langsung pada pokok pembahasan.
4. Distribusi normal sudah dikenal dan sifatteoritisnya telah
ditelaah dalam statistik matematis.
5. Asumsi kenormalan berperan penting dalam
menggunakan hasil pengujian statistik.
 Sifat-sifat estimator-estimator OLS
dibawah asumsi kenormalan
1. estimator-estimator tidak bias.
2. Memiliki varians minimum (estimator tidak bias atau
efisien).
3. Bersifat konsisten, semakin besar ukuran sampel ,
estimator semakin berkonvergen ke nilai populasi yang
sebenarnya.
4. Beta 1 terdistribusi normal.
Rerata : E(ß1)=01
5. Beta 2 terdistribusi normal
6. Mmbantu dalam membuat informasi sebenarnya yang
diestimasi.
Kenormalan dapat menurunkan distribusi probabilitas dapat
membuat interval kepercayaan dan pengujian hipotesis
 Metode maximum likelihood

Metode ini memiliki teoritis yang lebih kuat. Metode ini

disebut metode sampel besar dimana diaplikasikan dalam
regresi yang tidak linier dalam satu parameter.
Thanks