DV DV
(1) IV (2) IV
b0 intesep
bk parameter
Yi/t DV
Xki/t IV
ei/t variabel gangguan/error term
i/t Individu/Waktu
Lanjut…
• Mengartikan b1 dan b2 dalam model regresi
berganda:
– b1 mengukur perubahan rata-rata Y
terhadap perubahan per unit X1 , sementara
X2 diasumsikan tetap. Hal yang sama untuk
b2.
– Jika modelnya non linier misalnya model
non linier log-log, maka intepretasi dari
masing-masing parameter regresinya
adalah elastisitas.
Lanjut…
• Pengujian yang diperlukan:
– Uji t Koef. Regresi Parsial
– Koef. Determinasi yang disesuaikan (tidak terkait
banyaknya variabel independen).
– Uji Hipotesis Koef. Regresi secara Menyeluruh (Uji F).
– Uji Asumsi OLS/Klasik (multikolinieritas,
heteroskedastisitas, otokorelasi, dan normalitas).
– Uji Perubahan Struktural Model Regresi (Uji Chow).
– Uji Stabilitas Model (CUSUM dan CUSUMQ).
– Uji validitas model (Ramsey Reset Test)
CARA MEMBACA NILAI-NILAI STATISTIK DALAM REGRESI
Nilai t-statistik:
Nilai R2 :
Jika R2 = a artinya semua variabel
independen yang ada dalam model dapat
menerangkan (a*100) persen variasi dari
variabel dependen
Pengujian Asumsi OLS
• Multikolinieritas
– Deteksi
• Nilai R2 tinggi namun hanya sedikit variabel independen yang
signifikan.
• Korelasi parsial antar variabel independen.
• Regresi Auxiliary Membuat regresi antar variabel
independen.
• Metode Klien
– Membandingkan nilai R2 regresi auxiliary dengan R2 regresi awal.
– Rule of thumb-nya, jika R2 Auxiliary > R2 awal mengandung
unsur multikol, dan sebaliknya.
Lanjut…
– Penyembuhan
• Doing nothing
– BLUE tidak asumsi tidak adanya multikolinieritas
– Adanya multiko akan berdampak sulitnya memperoleh
standar error yang kecil.
• Doing something
– Menghilangkan variabel independen yang memiliki korelasi
yang kuat.
– Transformasi variabel
» Bentuk diferensi pertama kelemahannya mungkin
terjadi korelasi serial (otokorelasi) Melanggar asumsi
OLS.
– Penambahan Data
Lanjut…
• Heteroskedastisitas
– Deteksi
• Informal
– Pola residual (Homo = tidak pasti; Hetero = tertentu)
• Formal
– Metode Park
– Metode Glejser
– Metode Korelasi Spearman
– Metode GoldFeld-Quandt
– Metode Breusch-Pagan
– Metode White
Lanjut…
– Metode Park
• Hetero muncul karena residual tergantung dari variabel
independen.
• Prosedur:
– Estimasi regresi awal, lalu perolah residualnya.
– Estimasi regresi antara residual kuadrat dengan variabel
independen.
– Jika variabel independen signifikan, maka mengandung
heteroskedastisitas.
Lanjut…
– Metode Glejser
• Hetero karena varian variabel gangguan nilainya
tergantung dari variabel independen.
• Prosedur:
– Regresikan nilai absolut variabel gangguan dengan variabel
independen.
– Indikator simpulan sama dengan Park
Lanjut…
– Metode Korelasi Spearman
• Prosedur:
– Peroleh residual dari estimasi model awal.
– Absolutkan nilai residualnya, lalu diurutkan. Lakukan hal yang
sama untuk variabel X.
– Cari korelasi antara keduanya.
– Gunakan uji t Jika t hitung > t tabel, maka terdapat
heteroskedastisitas.
Lanjut…
– Metode GoldFeld-Quandt
• Memperbaiki kelemahan Park dan Glejser
• Hetero varian variabel gangguan merupakan fungsi positif
dari variabel independen.
• Prosedur:
– Urutkan data sesuai dengan nilai X (kecil – besar)
– Hilangkan observasi yang ditengah.
– Membagi data yang tersisa (n – c)
– Buat regresi pada masing-masing kelompok secara terpisah [(n –
c)/2].
– Peroleh nilai RSS1 dan RSS2.
– Hitung rasionya [(RSS2/df)/(RSS1/df)] bandingkan dengan F tabel.
Lanjut…
• Autokorelasi
– Adanya autokorelasi dalam regresi maka estimator
• Metode OLS masih linier
• Metode OLS masih tidak bias
• Metode OLS tidak memiliki varian yang minimum lagi.
– Menyebabkan perhitungan standard error tidak bisa
dipercaya.
– Uji t dan F tidak bisa digunakan sebagai evaluasi hasil regresi.
Lanjut…
– Deteksi
• Metode Durbin-Watson (DW)
– du = < d <= (4-du)
• Metode Breusch-Godfrey
– LM-test
– Penyembuhan
• Nilai rho atau koef. Model AR(1) diketahui.
• Nilai rho tidak diketahui namun bisa dicari melalui
estimasi.
Lanjut…
• Nilai rho diketahui
– Transformasi persamaan metode generalized difference
equation.
– Prosedur:
» Model awal dan residual mengikuti pola AR(1).
» Buat persamaan dengan lag satu dari model regresi awal.
» Kalikan kedua sisi dengan rho yang diperoleh dari pers.
AR(1)
» Kurangi pers. Awal dengan pers. tadi.
Lanjut…
• Nilai rho tidak diketahui
– Estimasi nilai rho
» Metode Diferensi Tingkat Pertama R2 > d
» Berenblutt-Webb.
» Statistik d Durbin Watson
» Metode 2 langkah Durbin
» Metode Cochrane-Orcutt