SILABUS EKONOMETRIKA 1. Silabus, pembagian kelompok, kontrak kuliah 2. Pendahuluan 3. Konsep Dasar Analisis Regresi 4. Analisis regresi 2 variabel 5. Model regresi 2 variabel: Masalah dalam estimasi 6. Classical Normal Linear Regression Model (CNLRM) 7. Regresi dua variabel: estimasi interval dan pengujian hipotesis CLASSICAL LINEAR REGRESSION MODEL – ASUMSI YANG MENDASARI METODE KUADRAT TERKECIL
CLRM dikenal dengan uji asumsi klasik
CLRM merupakan asumsi yang diperlukan dalam analisis regresi linear dengan ordinary least square CLRM juga sering disebut dengan The Gaussian Standard (Carl Friedrich Gauss.), yang terdiri dari 10 item, namun yang sering kita jumpai dalam berbagai penelitian, atau berbagai buku statistik terapan hanya 4 atau 5. THE GAUSSIAN STANDARD Asumsi 1: Linear Regression Model. Asumsi 2: X values are fixed in repeated sampling. Asumsi 3: Zero mean value of disturbance ui Asumsi 4: Homoscedasticity or equal variance of ui Asumsi 5: No autocorrelation between the disturbances Asumsi 6: Zero covariance between ui and Xi Asumsi 7: The number of observations n must be greater than the number of parameters to be estimated Asumsi 8: Variability in X values Asumsi 9: The regression model is correctly specified Asumsi 10: There is no perfect multicollinearity ASUMSI 1: LINEAR REGRESSION MODEL.
Model regresi haruslah linear, meskipun bisa saja sebenarnya
variabel terikat Y dengan variabel bebas X tidak linear. Istilah linear sebenarnya ada dua macam, yaitu linearitas pada variabel dan linearitas pada parameter. linearitas pada variabel adalah jika digambarkan dalam grafik maka akan berbentuk garis lurus. Misalnya persamaan Y = a + bX. Atau dikatakan jika X mempunyai pangkat 1. Linearitas pada parameter adalah merujuk kepada koefisiennya yaitu b. Jadi persamaan Y = a + b X^2 dapat disebut linear jika koefisien b mempunyai pangkat 1. Asumsi yang diperlukan dalam regresi linear adalah linearitas pada parameter, bukan linearitas pada variabel. ASUMSI 2: X VALUES ARE FIXED IN REPEATED SAMPLING.
Nilai variabel X diasumsikan stokastik atau dianggap
tetap dalam sampel yang berulang. Misal:
Gaji (juta) Pengeluaran (juta)
3 2,5 3 2 3 3 4 3 4 2,5 5 4,5 5 4 ASUMSI 3: ZERO MEAN VALUE OF DISTURBANCE UI
Nilai Y hasil prediksi dengan model
regresi tentunya mempunyai kesalahan atau tidak tepat sama dengan nilai Y pada data. Selisihnya sering disebut dengan disturbance dan sering disimbolkan dengan ui. ASUMSI 4: HOMOSCEDASTICITY OR EQUAL VARIANCE OF UI
Homo berarti sama, scedasticity berarti
sebaran. Jadi varians dari error atau disturbance haruslah sama pada masing- masing nilai X. Sebagai contoh, ada 3 orang dengan gaji 3 juta sehingga memberikan tiga buah error dan mempunyai varians. Varians ini harus sama (equal) dengan varians error pada nilai X yang lain misalnya 4 juta dan seterusnya. ASUMSI 5: NO AUTOCORRELATION BETWEEN THE DISTURBANCES
Asumsi ini masih berkaitan dengan
nilai error, yaitu bahwa untuk sembarang 2 buah nilai X, maka kedua error itu tidak berkorelasi (atau mempunyai korelasi 0). ASUMSI 6: ZERO COVARIANCE BETWEEN UI AND XI
Artinya nilai variabel bebas (Xi) dengan error (ui)
tidak berkorelasi. Diasumsikan bahwa Y adalah dipengaruhi oleh X dan u, sehingga X dan u harus tidak saling berkorelasi. Jika X dan u berkorelasi, maka tidak mungkin mencari pengaruh masing-masing terhadap Y. Jika X berkorelasi positif dengan u, maka jika X meningkat u juga meningkat, atau jika X menurun maka u juga menurun (juga sebaliknya jika berkorelasi negatif). ASUMSI 7: THE NUMBER OF OBSERVATIONS N MUST BE GREATER THAN THE NUMBER OF PARAMETERS TO BE ESTIMATED
Jika ada dua parameter yang akan
dicari nilainya maka tentunya tidak mungkin diselesaikan dengan satu persamaan (observasi). ASUMSI 8: VARIABILITY IN X VALUES
Harus ada variasi nilai dalam variabel
X. Jika X nilainya sama untuk semua observasi maka tentunya tidak dapat diestimasi. ASUMSI 9: THE REGRESSION MODEL IS CORRECTLY SPECIFIED
Model regresi yang dibangun haruslah benar
dalam arti sesuai dengan teori yang telah dikembangkan. Statistik hanyalah untuk menguji teori atau fenomena tertentu. Jika menggunakan variabel yang sembarangan (atau tidak berdasarkan teori tertentu) maka model regresi yang dihasilkan juga patut dipertanyakan. ASUMSI 10: THERE IS NO PERFECT MULTICOLLINEARITY
Tidak ada hubungan linear yang tinggi
antara variabel-variabel bebas dalam model regresi. Jadi asumsi ini tentunya tidak bisa diterapkan pada regresi dengan satu variabel bebas (regresi linear sederhana). Dalam uji asumsi klasik, tidak semua uji harus dilakukan. Hanya asumsi ke 4,5,10 yang perlu dilakukan uji sendiri ditambah uji normalitas. Gujarati (2004:93) menulis ‘The assumption that the disturbances ui are normally distributed is not a part of the CLRM’.
Classical Normal Selanjutnya adalah uji normalitas atau Linear Regression Model (CNLRM)