MODEL REGRESI DUA

VARIABEL : MASALAH DALAM

ESTIMASI
Nama :

1. Aqmarina Pangestuty (B200170300)

2. Fery Azhar Ferdiansyah (B200170308)
3. Shindy Ayu Wulandari (B200170319)
3.1 Metode Ordinary Least Square

Kita mengestimasinya dari FRS :

Memilih FRS sedemikian rupa sehingga jumlah

kuadrat dari error sekecil mungkin :
Dengan menyelesaikan persamaan normal tersebut
secara simultan, kita akan memperoleh :
Karakteristik statistik dari estimator OLS
1. Estimator OLS dinyatakan secara
individu sebagai jumlah yang
dapat diobservasi.
2. estimator- estimator tersebut
adalah estimator titik.
3. Jika estimator dihasilkan dari data
sampel, garis regresi sampel dapat
dengan mudah didapatkan.
 Classical Linear Regression Model : Asumsi
3.2 Yang Mendasari Metodr Kuadrat Terkecil

1. Model Regresi Linier : linier dalam parameternya

2. Nilai X selalu Tetap atau Nilai X yang Independen terhadap
Faktor Kesalahan
3. Nilai Rerata Nol dari Faktor gangguan Ui
 Classical Linear Regression Model : Asumsi
3.2 Yang Mendasari Metodr Kuadrat Terkecil

4. Homoskidastisitas atau Keseragaman Varians dari Ui

 Classical Linear Regression Model : Asumsi
3.2 Yang Mendasari Metodr Kuadrat Terkecil

5. Tidak Adanya Otokorelasi diantara gangguan

6. Jumlah Observasi N harus lebih besar daripada umlah

parameter yang akan diestimasi
7. Kriteria Dasar pada Variabel X
 Keakuratan Aatu Stadndard Error dari
3.3 Estimasi Kuadrat Terkecil

Standard error dan estimasi OLS :

𝜎2
𝑣𝑎𝑟 𝛽መ2 = var = varians
∑𝑥𝑖2
𝜎 se = standard error
መ
𝑠𝑒 𝛽2 = 𝜎2 = varians yang konstan
∑𝑥𝑖2
∑𝑥𝑖2
𝑣𝑎𝑟 𝛽መ1 = 𝜎2
𝑛 ∑𝑥𝑖2

∑𝑥𝑖2
𝑠𝑒 𝛽መ1 = 2𝜎
𝑛∑𝑥𝑖
Jumlah residual yang dikuadratkan (residual sum of squares) :
∑𝑥𝑢ො 𝑖2
(∑𝑥𝑖 𝑥∑𝑥2 2
𝑖) 𝑢
ො𝑖
∑𝑥𝑢ො 𝑖2 = ∑𝑦𝑖2 −
∑𝑥𝑖2

Nilai posisitif akar dari 𝜎 2 :

∑𝑢ො 𝑖2
𝜎2 =
𝑛−2
Fitur-fitur varians (dan juga standard error) dari
∑𝑥 𝑢ො 𝑖2
𝛽መ1 𝑑𝑎𝑛 𝛽መ2 :

1. Varians dari 𝛽መ2 berbanding lurus terhadap 𝜎 2 , namun ber

banding terbalik terhadap ∑𝑢ො 𝑖2 .
2. Varians dari 𝛽መ1 berbanding lurus terhadap 𝜎 2 dan ∑𝑋𝑖2 , n
amun berbanding terbalik terhadap ∑𝑥𝑖2 dan besarnya uk
uran sampel n.
3. Nilai 𝛽መ1 𝑑𝑎𝑛 𝛽መ2 tidak akan bervariasi dari sampel ke
sampel.
𝜎2
𝑐𝑜𝑣 𝛽መ1 , 𝛽መ2 = −𝑋ത
∑𝑥𝑖2
 Sifat-Sifat Estimator Kuadarat Terkecil : Teori
3.4 Gauss-Markovv

1. Bersifat linear.
2. Bersifat tidak bias.
3. Memiliki varians minimum dari semua kelompok
estimator-estimator yang linear dan tidak bias.
Distribusi sampling
 Koefisien Determinasi r2 : sebuah ukuran meng
3.5 enai “Goodness of Fit”

Y X Y X Y X

(a) (b) (c) (d)

Y X
Y=X
Y X
(e) (f) (g)
Penghitungan r2
• ∑𝑦𝑖2 = 𝛽መ22 ∑𝑥𝑖2 + ∑𝑢ො 𝑖2
TSS = ∑𝑦𝑖2 = ∑(𝒀𝟏 − 𝒀
ഥ )𝟐
ഥ )𝟐 = 𝛽መ22 ∑𝑥𝑖2
෡𝟏 − 𝒀
ESS = ∑(𝒀
𝒖𝟐𝒊
RSS = ∑ෝ
TSS = ESS + RSS

𝐄𝐒𝐒 𝐑𝐒𝐒
r2 = atau r2 = 𝟏 − 𝐓𝐒𝐒
𝐓𝐒𝐒
Dua sifat dari r2 :
1. Besarnya tidak pernah negatif.
2. Batasannya adalah 0 ≤ r2 ≤ 1

Perhitungan r2 secara cepat :

(∑𝒙𝒊 𝒚𝒊 )𝟐
r2 =
∑𝒙𝟐𝒊 ∑𝒚𝟐𝒊
ESS dan RSS dinyatakan berdasaaarkan definisi r2
TSS = ESS + RSS
 ∑𝒚𝟐𝒊 = r2 ∑𝒚𝟐𝒊 + (1-r2) ∑𝒚𝟐𝒊

Koefisien korelasi sampel

𝒏∑𝑿𝒊 𝒀𝒊 −(∑𝑿𝒊 )(∑𝒀𝒊 )

r=
𝒏∑𝑿𝟐𝒊 −(∑𝑿𝟏 )𝟐 𝒀𝟐𝒊 −(∑𝒀𝟏 )𝟐
Koefisien kuadrat dari korelasi antara Yi
sebenarnya dan Yi yang diestimasi.

(∑𝒚 ෝ
𝒚 ) 𝟐
𝟐 𝒊 𝒊
𝒓 =
(∑𝒚𝟐𝒊 )(∑ෝ 𝒚𝟐𝒊 )
• Yi = Y sebenarnya
෡i = Y yang diestimasi
• Y
ഥ = 𝑌ത෠ = rerata dari Y
• Y
 3.6 Sebuah Contoh Numeris
∑ 𝑦𝑖 𝑥𝑖 131,7856
𝛽෠2 = = = 0,7240;
∑ 𝑥𝑖2 182
𝛽෠1 = 𝑌ത − 𝛽෠2 𝑋ത = 8,6747 − 0,7240𝑥12 = −0,0144
2
∑ 𝑢ො 𝑖2 9,8301
𝜎ො = = = 0,8936; 𝜎ො = 0,9453
n−2 11
𝜎ො 2 0,8936
෠
𝑣𝑎𝑟 𝛽2 = = = 0,0049; 𝑠𝑒 𝛽෠2 = 0,0049 = 0,0700
∑𝑥 2 182
2
∑ 𝑥𝑖 2.054
𝑣𝑎𝑟 𝛽෠1 = 2 = = 0,8681; 𝑠𝑒 𝛽෠1 = 0,8681 = 0,9317
∑
𝑛 𝑥𝑖 13(182)
2
∑ 𝑢ො 𝑖2 9,8301
𝑟 =1− =1− = 0,9065; 𝑟 = 0,9065 = 0,9521
∑(𝑌 − 𝑌) ത 150,1188
𝑌෠𝑖 = −0,144 + 0,7240𝑋𝑖
3.7 Contoh-Contoh Ilustratif

Hubungan Konsumsi
Pendapatan di Amerika
Serikat, 1960-2005

𝑌෠𝑖 = −299,5913 + 0,7218𝑋𝑖

𝑣𝑎𝑟 𝛽መ1 = 827,4195
𝑠𝑒 𝛽መ1 = 28,7649
𝑣𝑎𝑟 𝛽መ2 = 0,0000195
𝑠𝑒 𝛽መ2 = 0,004423
𝑟 2 = 0,9983
𝜎ො 2 = 73,56689
Pengeluaran Makanan di
India

𝐹.෣
𝐸𝑥𝑝𝑖 = 94,2087 + 0,4368𝑇. 𝐸𝑥𝑝𝑖
𝑣𝑎𝑟 𝛽መ1 = 2560,9401
𝑠𝑒 𝛽መ1 = 50,8563
𝑣𝑎𝑟 𝛽መ2 = 0,0061
𝑠𝑒 𝛽መ2 = 0,0783
𝑟 2 = 0,3698
𝜎ො 2 = 4469,6913
Permintaan Terhadap Telepon Seluler
dan PC dalam Hubungannya dengan
Pendapatan Per Kapita Pribadi

Permintaan Telepon Seluler :

𝑌෠𝑖 = 14,4773 + 0,0022𝑋𝑖
𝑠𝑒 𝛽መ1 = 6,1523;
𝑠𝑒 𝛽መ1 = 0,00032; 𝑟 2 = 0,6023

Permintaan PC :
𝑌෠𝑖 = −6,5833 + 0,0018𝑋𝑖
𝑠𝑒 𝛽መ1 = 2,7437; 𝑠𝑒 𝛽መ1 = 0,00014
; 𝑟 2 = 0,8290
3.8 Sebuah Catatan tentang Percobaan Monte Carlo

Untuk memperkenalkan ide-ide dasarnya, pertimbangkan FRP

dua variabel ini :
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑢𝑖

Tahapan :
1. Misalkan nilai mulai nyata dari sebuah parameter adalah;
𝛽1 = 20 dan 𝛽2 = 0,6
2. Pilih jumlah sampelnya, n = 25
3. Tetapkan nilai X untuk setiap observasi
4. Jika melihat tabel angka acak , pilih 25 buah nilai, dan namai dengan 𝑢𝑖
5. Karena telah mengetahui 𝛽1 , 𝛽2 , 𝑋𝑖 , 𝑑𝑎𝑛 𝑢𝑖 , maka akan mendapatkan nil
ai 𝑌𝑖 sebanyak 25 buah
6. Dengan menggunakan kedua puluh lima nilai 𝑌𝑖 telah terbentuk, lalu regres
ikan kedua puluh lima nilai X yang didapatkan dari tahap ketiga sehingga
didapatkan 𝛽1 , 𝛽2 , dan estimator-estimator OLS
7. Anggap ulangi percobaan ini berulang kali sebanyak 99 kali, setiap kali me
nggunakan nilai-nilai 𝛽1 , 𝛽2 , dan X
8. Ambil rata-rata dari keseratus estimasi ini dan berikan nama sebagai 𝛽෠1ҧ da
n 𝛽෠2ҧ
9. Jika nilai rata-rata ini hampir sama dengan nilai nyata dari 𝛽1 𝑑𝑎𝑛 𝛽2 yang
diasumsikan pada tahap pertama, percobaan Monte Carlo ini dapat dikatak
an telah “menghasilkan” estimator-estimator OLS yang tidak bias.
THANK YOU