pengukuran ekonomi
LITERATUR
1. Ekonometrika Dasar: Damodar Gujarati: Penerbit Erlangga
Jakarta.
2. Ekonometrika : Untuk Analisis Ekonomi dan Keuangan, Oleh :
Nachrowi D. Nachrowi dan Hardius Usman, LPFE-UI, Jakarta.
3. Ekonometrika Terapan Oleh: Catur Sugianto, BPFE-UGM,
Jogjakarta.
4. R.S. Pindyck and D.L. Rubinfel (1998) Econometrics, Models, and
Economic Forecasts
5. Mudrajad Kuncoro, Metode Kuantitatif.
6. Nurimansyah Hasibuan, Pengantar Ekonometrika.
7. Jurnal-jurnal terkait
LITERATUR
Basic Econometrics, Fourth Edition, Gujarati, The McGrow-Hill Companies,
2004.
Introductory Econometrics, A.Modern Approach-2E, Jeffrey M.Wooldridge.
Econometric Analysis of Panel Data, Third Edition, Badi H. Baltagi, John Wiley
& Sons, Ltd, 2005.
RUANG LINGKUP
1. Dasar model regresi linear.
2. Interpretasi geometrik dari metode kuadrat terkecil.
3. Analisis dasar hasil regresi.
4. Koefisien signifikansi dan selang kepercayaan.
5. Problem dalam model regresi linear.
Teori
Ekonomi Statistik
Matematika
METODOLOGI EKONOMETRIKA
Yi = β1 + β2Xi + ui ; i= 1, 2, ……., N
β0 : intercept Yi : variabel endogen ui : error term
βi : koefisien Xi : variabel eksogen N : observasi
dy b0 + b1Xi
b0 dx
Xi
Langkah-langkah secara matematis untuk
meminimalkan nilai penyimpangan/error term
(ui) sbb:
ui = Yi - β1 + β2Xi
ui dapat bernilai positif, negatif atau nol, karena
metode OLS sesungguhnya mencari jumlah
penyimpangan kuadrat (Σui 2), maka diperlukan
ui2, sehingga:
ui2 = (Yi - β1 + β2Xi) 2
Σui2 = Σ(Yi - β1 + β2Xi) 2
Kalau masing-masing ui2 terkecil,
maka Σui2 akan terkecil.
Prinsip OLS : kita perlu menaksir β1 dan β2 ,
sehingga Σui2 minimum.
Agar Σui2 minimum bila:
u12 0 2 (Y1 1 2 X 1 ) 0
1
u12 0 2 (Y1 1 2 X 1 ) 0
2
Confidence
Coefi- Interval
Variable SE t (df = 7)
cient
Lower Upper
SE : Standard Error
t (df) : t-statistic
t /2 : t-table
C. Asumsi Klasik
1. Model regresi adalah linear. Y = b0 + biXi + Ui
2. Nilai yang diharapkan dari variabel pengganggu (error
term) adalah nol. E (Ui | Xi) = 0
3. Kovarian antara variabel pengganggu (Ui) dan variabel
Xi adalah nol. Cov (UiXi) = 0
4. Varian variabel residu (pengganggu) adalah sama atau
homokedastisitas. Var (Ui | Xi) = 2
5. Tidak ada autokorelasi antar variabel pengganggu.
Cov (UiUj | XiXj) = 0
6. Tidak ada korelasi sempurna atau mendekati
sempurna antar variabel bebas. Xi Xj
PENYIMPANGAN ASUMSI KLASIK
• Umumnya makin banyak regressor, maka goodness of fit (R2) cenderung semakin
tinggi, dan tidak banyak regressor yang signifikan, bila dalam model terjadi
kolinearitas. Tetapi secara bersama-sama regressor tersebut dapat signifikan.
• Contoh di atas, terjadi hubungan x2 dan x1 adalah x2=10x1 + bilangan random.
Misalnya model yang ditaksir menghasilkan :
Y = 12,8 – 1,414x1 + 0,202 x2 + ui
Standar error (SE) (4,696) (1,199) (0,117)
t =(2,726) (-1,179) (1,721)
R2 = 0,982
Contoh di atas, terjadi hubungan x2 dan x1 adalah x2=10x1 + bilangan random.
Misalnya model yang ditaksir menghasilkan :
Y = 12,8 – 1,414x1 + 0,202 x2
Standar error (SE) (4,696) (1,199) (0,117)
t =(2,726) (-1,179) (1,721)
R2 = 0,982
• Tidak ada cara yang spesifik untuk mengatasi kolinearitas, tetapi ada
beberapa cara dapat dilakukan:
1. Informasi Apriori. Misalnya: Y = 0 + 1X1 + 2X2 + u
di mana Y = konsumsi, X1 = pendapatan dan X2 = kekayaan, X1 dan X2
cenderung sangat kolinear.
MISALNYA ada teori atau studi empiris yang mengatakan bahwa dampak
dampak X2 terhadap Y lebih kecil dibanding dampak X1 terhadap Y atau
lebih spesifik lagi misalnya ΔY terhadap X2 25% ΔY terhadap X1.
Akibatnya dalam model kita dapat tambahkan informasi:
2 = 0,25 1, sehingga kita dapat melakukan perubahan regresi sebagai
berikut:
Y = 0 + 1X1 + 0,251X2 + u
Y = 0 + 1 (X1 + 0,25X2) + u
Y = 0 + 1X + u
Di mana X = X1+ 0,25X2
setelah 1 ditaksir, maka 2 dapat dicari melalui hubungan formula berikut:
2 = 0,251.
CONTOH ILUSTRATIF: Kons Pend Kekayaan
(Y) (X2) (X3)
• Dari tabel sebelah diperoleh regresi:
40 50 500
Ỳ = 24,77 + 0,94X2i - 0,04X3i 50 65 659
65 80 856
(SE) = (6,75) (0,82) (0,08)
t = (3,67) (1,14) (-0,52) 90 110 1136
Asumsi yang harus dipenuhi agar taksiran parameter dalam model bersifat BLUE:
1. Cov ( ui, uj ) = 0; i≠j artinya tidak ada korelasi antara uidan uj untuk i≠j ( E (ui, uj) =
i≠ j ).
jadi otokorelasi adalah korelasi antara variabel itu sendiri, pada pengamatan yang
berbeda waktu atau individu. Otokorelasi sering terjadi pada data time series.
2. Cara mendeteksi, dapat dilakukan dengan melihat pola hubungan antara residu (ui)
dan variabel bebas atau waktu (X)
(ui) (ui)
` (Waktu/X) (Waktu/X)
DAMPAK DARI OTOKORLASI YANG DIPEROLEH DENGAN MENGGUNAKAN OLS
TIDAK LAGI BLUE, NAMUN MASIH TAK BIAS, DAN KONSISTEN. SEHINGGA
INTERVAL KEPERCAYAAN MENJADI LEBIH LEBAR, DAN UJI SIGNIFIKAN KURANG
KUAT. AKIBATNYA UJI t DAN UJI F TIDAK DAPAT DILAKUKAN, ATAU HASILNYA
TIDAK AKAN BAIK. SECARA KONSEPTUAL:
* Ada otokorelasi bila E (ui, uj) ≠ 0; i≠j
* Tidak ada otokorelasi bila E (ui, uj) = 0; i≠j
MENDETEKSI OTOKORLASI
Uji Durbin-Watson merupakan yang paling populer, cara :
1. hitung d dengan formula:
N
Σ (ût– ût-1)2
t=2 PERLU DIINGAT MODEL:
d = --------------- Yt = β1 + β2X1 + ut SEHINGGA:
N Ût = Yt – β1 – β2 Xt SELANJUTNYA:
Σ ût 2
t=2
Σ ût– ût-1
d = 2 (1 - -------------)= 2(1-ρ) ρ = koefisien otokorelasi
Σût2 -1≤ ρ ≤1. SEHINGGA -0 ≤ d ≤ 4
di mana :
Σ (ût– ût-1) 1. Pada saat ρ= 0, d=2; tidak ada korelasi
ρ = ---------------- 2. Pada saat ρ= 1, d=0; ada korelasi positif
Σ(ût2 ) 3. Pada saat ρ=-1, d=4; ada korelasi positif
PENGAMATAN KASAR:
Bila d dekat dengan 2, ρ akan dekat dengan 0, jadi tidak ada korelasi.
Ada uji yang lebih spesifik, menggunakan tabel Durbin-Watson dengan
melihat dU dan dL
Langka-langkah uji Durbin-Watson
1. Run OLS sehingga diperoleh ûi
2. Hitung d. (dalam paket program statistik, nilai d sudah dihitung)
3. Bila besar n dan k diketahui, dU dan dL dapat dicari dalam tabel
4. Gunakan aturan uji Durbin-Watson sbb:
HIPOTESIS Ho : ρ ≠ 1
Ho* : ρ ≠ -1
Bandingkan nilai d yang dihitung dengan nilai dU dan dL dari tabel dengan aturan sbb :
1. Bila d < dL tolak Ho ; berarti d korelasi positif atau kecenderungannya ρ = 1
2. Bila dL ≤ d ≤ dU ; kita tidak akan mengambil keputusan apa-apa
3. Bila dU <d ≤ 4 – dU ; jangan tolak Ho maupun Ho*
4. Bila 4 - dU ≤ d ≤ 3 - dL ; kita tidak dapat mengambil keputusan apa.
5. Bila d > 4 – dL ; tolak Ho* ; berarti ada korelasi negatif
d dL dU 4-dU 4-dL 4
Cara pengobatan Otokorelasi
Secara umum otokorelasi sulit untuk mengatasinya. Transfprmasi
logaritma dapat mengurangi korelasi. Bila terdapat data negatif
yang menyulitkan untuk ditransformasi logaritma.
HASIL REGRESI Y = ∫(X1, X2)
• Dependent Variable: Y
• Method: Least Squares
• Date: 11/03/07 Time: 14:35
• Sample: 1 30
• Included observations: 30
•
• Variable Coefficient Std. Error t-Statistic Prob.
•
• C -1.052573 1.748428 -0.602011 0.5661
• X1 0.722191 0.184921 3.905416 0.0059
• X2 0.501384 0.199165 2.517422 0.0400
•
• R-squared 0.729662 Mean dependent var 6.000000
• Adjusted R-squared 0.652423 S.D. dependent var 2.108185
• S.E. of regression 1.242894 Akaike info criterion 3.516088
• Sum squared resid 10.81350 Schwarz criterion 3.606863
• Log likelihood -14.58044 F-statistic 9.446776
• Durbin-Watson stat 1.593215 Prob(F-statistic) 0.010272
LANGKAH-LANGKAHnya SBB:
• Urutan pengamatan berdasarkan nilai X dari kecil ke besar
• Abaikan beberapa pengamatan sekitar median, katakanlah sebanyak c
pengamatan
• Sisanya, masih ada (N-c) pengamatan.
• Lakukan regresi pada pengamatan (N-c/2) yang pertama, hitung RSS1,
Residual Sum of Squares pertama.
• Lakukan regresi pada pengamatan (N-c/2) yang kedua, hitung RSS2,
Residual Sum of Squares kedua.
1. Hitung λ = (RSS2/df2) / (RSS1/df1) ; df = degree of freedom: banyaknya
pengamatan dikurangi banyaknya parameter yang ditaksir.
2. Lakukan Uji F. Bila λ > F, tolak hipotesis yang menyatakan yang
menyatakan data mempunyai varian yang homoskedastisitas.
Cara mengatasi heteroskedastisitas
1. Metode Generalized Least Squares (GLS)
Model 1/σi
Yi = βo + β1Xi + ui dengan Var (ui ) = σi2
2. Transformasi Logaritma
Cara tersebut di atas cukup rumit, karena memerlukan
pengetahuan matematika dan statistika, cara yang sering
digunakan adalah transformasi logaritma.
Prinsip ini akan membuat perbedaan nilai akan lebih kecil.
Katakanlah angka 10 dan 5, perbedaannya adalah 5. akan
tetapi beda antara ln 10 = 2,3 dan ln5=1,6, perbedaannya
dapat lebih kecil.sehingga diharapkan data yang hetero
dapat menjadi homos.
• TABLE I.1 DATA ON Y (PERSONAL CONSUMPTION EXPENDITURE)
• Year Y X