Classical Normal Linear

Regression Model (CNLRM)

 flashback
a. Populasi adalah totalitas dari semua objek atau individu yang memiliki karakteristik
tertentu, jelas dan lengkap yang akan di teliti (bahan penelitian).
Contoh : Populasi mahasiswa IAIN, populasi mahasiswa ekonomi pembangunan.
b. Sampel adalah bagian dari populasi yang di ambil melalu cara-cara tertentu yang jga
memilki karakteristik tertentu, jelas dan lengkap yang di anggap bisa mewakili populasi.
Contoh: peneliti lingkungan hanya meneliti beberapa milli liter air untuk menentukan
kualitas air pada suatu sungai atau danau
c. Statistik adalah kumpulan data dalam bentuk angka maupun bukan angka yang disusun
dalam bentuk tabel (daftar) dan atau diagram yang menggambarkan atau berkaitan
dengan suatu masalah tertentu dan menggunakan data sumber yang berasal dari
sampel.
Contoh statistik ekonomi sekumpulan angka-angka yang berkaitan dengan masalah
ekonomi
d. Parameter adalah nilai yang saling terkait dan menggunakan sumber data yang berasal
dari populasi dan dapat digunakan unuk menarik kesimpulan mengenai karakter
populasi.
Contoh : - mean , standar deviasi , koefisien korelasi, Rata-rata nilai ujian Ekonometrika
mahasiswa . - Median nilai ujian Statistika mahasiswa
e. Konsep dasar dari analisis regresi dinyatakan pada suatu nilai amatan (X) tertentu yang
acak terhadap banyaknya kemungkinan nilai dari variabel terikat (Y) yang muncul
tersebar dan mengikuti distribusi normal dengan rata-rata E(Y) dan varians (sigma
kuadrat) tertentu.
 Classical Normal Linear Regression Model
(Uji Asumsi Klasik)
• merupakan asumsi yang diperlukan dalam analisis regresi
linear dengan ordinary least square (OLS).
• CNLRM juga sering disebut dengan The Gaussian Standard
• Jika hasil regresi telah memenuhi asumsi-asumsi regresi maka nilai
estimasi yang diperoleh akan bersifat BLUE: (Best, Linear,
Unbiased, Estimator.)
• Hasil regresi dikatakan Best apabila garis regresi yang dihasilkan
guna melakukan estimasi atau peramalan dari sebaran data,
menghasilkan error yang terkecil.
 Asumsi CNLRM
• Asumsi 1: Linear Regression Model (Model regresi harus linear)
• Asumsi 2: X values are fixed in repeated sampling (nilai variabel
eksplanatoris tetap pada sampel berulang.)
• Asumsi 3: Zero mean value of disturbance ei (nilai rata-rata dari
disturbance term error ε adalah nol)
• Asumsi 4: Homoscedasticity or equal variance of ei (homoskedastisitas
atau varians εi sama untuk seluruh observasi)
• Asumsi 5: No autocorrelation between the disturbances
• Asumsi 6: Zero covariance between ei 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 (Model regresi
dispesifikasikan dengan benar)
• Asumsi 10: There is no perfect multicollinearity
 Asumsi 1: Linear Regression Model

• Asumsi yang diperlukan dalam regresi linear adalah

linearitas pada parameter dan linearitas pada variabel.
• Linear dalam model artinya model yang digunakan dalam
analisis regresi telah sesuai dengan kaidah model OLS
dimana variabel-variabel penduganya hanya berpangkat satu.
• Sedangkan linear dalam parameter menjelaskan bahwa
parameter yang dihasilkan merupakan fungsi linear dari
sampel dan merujuk kepada koefisiennya yaitu b.
 PEMERIKSAAN ASUMSI:

 Linieritas, 30

Plot antara nilai-nilai

residual (ei) dengan nilai-
20

nilai Xi , Jika pencaran

titik yang terbentuk
10

tersebar secara acak di

sekitar nol, maka asumsi 0
Unstandardized Residual

linieritas terpenuhi.
-10

-20
1 2 3 4 5 6 7 8

Umur Mobil (tahun)

Agung Priyo Utomo (STIS Jakarta) 6

 Asumsi 2: X values are fixed in
repeated sampling
• Nilai variabel X diasumsikan tetap dalam
sampel yang berulang.
• Contoh:
Pendapatan/bulan Konsumsi/bulan
3 2.5
3 2
3 3
3 3
4 2,5
5 4,5
5 4
 Asumsi 3: Zero mean value of disturbance e

• Nilai Y hasil prediksi dengan model regresi

tentunya mempunyai kesalahan atau tidak tepat
sama dengan nilai Y pada data. Selisihnya sering
disebut dengan disturbance error dan sering
disimbolkan dengan u atau e. Nilai ini harus
mempunyai rata-rata sama dengan 0 (eksak).
Ketika kita telah mendaptkan garis lurus pada
model, maka nilai Y yang sebenarnya bisa berada
di atas atau di bawah garis lurus tersebut, akan
tetapi jumlahnya akan seimbang sehingg rata-
ratanya sama dengan 0.
 Asumsi 4: Homoscedasticity or equal
variance of ei (homoskedastisitas atau
varians ei sama untuk seluruh observasi)
• Homo = equal
scedasticity = disperse/ scatter/ sebaran
Varian: jumlah kuadrat seluruh deviasi nilai individu terhadap nilai kelompok.
Varian dari error atau disturbance harus sama pada masing-masing nilai X.
Homoskedastisitas, atau variabel pengganggu e memiliki variance yang sama
sepanjang observasi dari berbagai nilai X. Ini berarti data Y pada setiap X
memiliki rentangan yang sama. Jika rentangannya tidak sama, maka
disebut heteroskedastisitas
 PEMERIKSAAN ASUMSI:

Homoskedastisitas,
30

Sama halnya seperti pada 20

linieritas jika plot antara ei

dengan Xi menunjukkan 10

pola yang acak, atau plot

antara ei dengan Y^i 0
Unstandardized Residual

menunjukkan pola acak,

maka asumsi kesamaan -10

varians (homoskedastisitas)
terpenuhi -20
40 60 80 100 120 140 160

Unstandardized Predicted Value

10
 Asumsi 5: No autocorrelation
between the disturbances
• Tidak ada autokorelasi antara variabel e pada setiap nilai xi
• Autokorelasi adalah keadaan dimana variabel gangguan pada periode tertentu
berkorelasi dengan variabel gangguan pada periode lain.
• Umumnya banyak terjadi pada data time series
• Sebab munculnya autokorelasi:
1. Kesalahan dalam pembentukan model,
2. Tidak memasukkan variabel yang penting.
3. Manipulasi data
4. Menggunakan data yang tidak empiris

• Asumsi ini masih berkaitan dengan nilai error, yaitu bahwa untuk 2 buah nilai X, maka
kedua error itu tidak berkorelasi (atau mempunyai korelasi 0).
Contoh:
error pada X sebesar 3 juta dengan Y sebesar 2,5 juta dengan error pada X sebesar 3 juta
dengan Y sebesar 2 juta tidak berkorelasi.
persamaan Y = b0 + b1 X + e dengan e adalah error. Jika ada korelasi antara e dgn e-1 (error
sebelumnya) maka model akan gagal, karena Y pada model harusnya dipengaruhi oleh X
saja, akan dipengaruhi oleh e.
Asumsi 6: Zero covariance between ei
and Xi
• Variabel X dan disturbance e tidak berkorelasi
• Artinya nilai variabel bebas (Xi) dengan error (ei) tidak berkorelasi.
Diasumsikan bahwa Y adalah dipengaruhi oleh X dan e, sehingga X dan e
harus tidak saling berkorelasi. Jika X dan e berkorelasi, maka tidak
mungkin mencari pengaruh masing-masing terhadap Y. Jika X berkorelasi
positif dengan e, maka jika X meningkat e juga meningkat, atau jika X
menurun maka e juga menurun (juga sebaliknya jika berkorelasi negatif).
Sehingga sulit untuk mengisolasi pengaruh X dan e terhadap Y. Asumsi ini
sebenarnya akan terpenuhi secara otomatis jika X merupakan stokastik
karena untuk X bernilai tetap, e akan berubah
 Asumsi 7: The number of observations n must be
greater than the number of parameters to be
estimated

• Jumlah observasi atau besar sampel (n) harus

lebih besar dari jumlah parameter yang
diestimasi.
• Jika ada dua parameter yang akan dicari
nilainya maka tentunya tidak mungkin
diselesaikan dengan satu persamaan
(observasi).
 Asumsi 8: Variability in X values

• Variabel X harus memiliki variabilitas. Jika nilai

X selalu sama sepanjang observasi maka tidak
bisa dilakukan regresi.
• 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 secara benar telah terspesifikasi. Artinya, tidak
ada spesifikasi yang bias, karena semuanya telah sesuai
dengan teori.
• Model regresi yang dibangun haruslah benar dalam arti sesuai
dengan teori yang telah dikembangkan. Seperti telah
dijelaskan bahwa statistik hanyalah untuk menguji teori atau
fenomena tertentu. Jadi jika menggunakan variabel yang
sembarangan (atau tidak berdasarkan teori tertentu) maka
model regresi yang dihasilkan juga patut dipertanyakan.
 PEMERIKSAAN ASUMSI:
Normal P-P Plot of Regression
 Normalitas, Dependent Variable: Harga Jual Mobil ($00s)
1.00
Plot antara residual
yang diurutkan e(i)
dengan nilai harapannya .75

E(e(i)) (Normal
Probability Plot) .50
Jika pencaran titik-titik
Expected Cum Prob

nya membentuk atau

mendekati suatu garis .25

linier maka asumsi

kenormalan terpenuhi. 0.00
0.00 .25 .50 .75 1.00

Observed Cum Prob

Agung Priyo Utomo (STIS Jakarta) 16

 Asumsi 10: There is no perfect
multicollinearity
• Tidak ada multikolinearitas antara variabel penjelas.
• Tidak ada hubungan yang tinggi antara variabel-variabel bebas
dalam model regresi. Jadi asumsi ini tidak bisa diterapkan pada
regresi dengan satu variabel bebas (regresi linear sederhana).
• Jika suatu model mempunyai beberapa variable, dan sebagian dari
variable diantara mereka akan menjelaskan hubungan linier secara
pasti, maka hal ini dikenal sebagai multikolinierity.
• Hubungan yang erat antara variabel independen akan berdampak
pada bias pendugaan parameter dan semakin tingginya nilai
standart error yang dihasilkan dalam analisis. Kemungkinan paling
jelas dari hal ini adalah besarnya peluang untuk ditolaknya hipotesis
alternatif berkenaan dengan pendugaan parameter.
 Kesimpulan

Secara teoritis model OLS akan

menghasilkan estimasi nilai parameter
model penduga yang sahih bila dipenuhi
asumsi Tidak ada Autokorelasi, Tidak Ada
Multikolinearitas, dan Tidak ada
Heteroskedastisitas, dan data terdistribusi
normal (normalitas)