3.

3 Sifat-Sifat yang Dimiliki Pemerkira berdasarkan metode kuadrat terkecil dan

koefisien determinasi

Pemerkira a dan b yang diperoleh dengan menggunakan metode kuadrat terkecil

(least square method) disebut best linear unbiased estimator, disingkat dengan
BLUE. Seperti disebutkan dalam lampiran 1, suatu pemerkira, katakan 𝜃መ (dibaca
teta topi atau cap) dikatakan pemerkira linear tanpa bias atau terbaik (BLUE) dari
parameter 𝜃(teta), kalau:
• Linear,
• Tak bias (unbiased),
• Mempunyai variance terkecil di dalam kelas seluruh pemerkira tanpa bias dari
𝜃.

Dengan perkataan lain, suatu pemerkira disebut BLUE kalau linear (fungsi linear
dari variabel Y dalam metode regresi) dan efisien (tanpa bias dan terbaik).
Teori Gauss-Markov: berdasarkan seluruh asumsi dari model regresi linear klasik
(the classical linear regresion model), pemerkira hasil metode kuadrat terkecil,
dalam kelas pemerkira linear tak bias, mempunyai varian terkecil (minimum),
disingkat BLUE (best linear unbiased estimators).
 Koefisien Determinasi, Suatu Ukuran
Ketepatan/Kecocokan
 ketepatan/kecocokan garis regresi terhadap suatu
himpunan data hasil observasi/pencatatan.
 Koefisien determinasi merupakan kuadrat koefisien
korelasi r 2

σ xi yi
 Rumus Koefisien Korelasi: r = , di mana
nSx Sy

σ x2i σ y2i
 Sx = dan Sy =
n n
 rumus tersebut dapat disederhanakan menjadi:
σ xi yi
 (1) r = atau (3.24)
σ x2i σ y2i

n σ xi yi −σ xi σ yi
 2 r= (3.25)
n σ x2i − σ xi 2 n σ y2i − σ yi 2
 Ada hubungan yang menarik antara koefisien regresi b dengan koefisien regresi r. Persamaan regresi Y෡=
a + bX, kalau kita terapkan pada data hasil observasi (Xi,Yi) akan diperoleh hubungan sebagai berikut.

σ x i yi σ x i yi σ y2i /n σ x i yi σ y2i /n
 b= σ x2i
= σ x2i
.σ = .
y2i /n
σ x2i σ x2i σ y2i /n

σ x i yi σ y2i /n Sy
 = . =r
Sx
σ x2i σ x2i σ x2i /n

Sy
 Jadi, b = r
Sx
 yi = bxi + εi → yi = yො i + ei , sebab yො i = bxi
 σ yi2 = σ yො i + ei 2 = σ yො i2 + 2 σ yො i ei + σ e2i
 padahal σ yො i ei = σ bxi ei = b σ xi ei
σ xi yi
 = b σ xi yi − bxi , b = σ x2i
→ b σ xi2 = σ xi yi
 = b σ xi yi − b2 σ xi2
 = b σ xi yi − b σ xi2 = 0
 Jadi, σ yi2 = σ yො i2 + σ e2i
jumlah variasi variabel Y terhadap rata-ratanya ഥ Y dapat dipecah menjadi dua komponen. Komponen pertama
2 ෡ ෡
σ yො i adalah variasi Y terhadap rata-ratanya (Y). Komponen pertama ini sering disebut jumlah kuadrat yang
berasal dari pengaruh linear X terhadap Y.
Komponen kedua σ e2i disebut residual atau variasi Y terhadap garis regresi linear yang dihitung
berdasarkan metode kuadrat terkecil.
σ yො i2 dan σ e2i sering disebut explained dan unexplained variation.
y2i
σෝ σ bxi 2 b2 σ x2i σ xi yi σ xi yi σ x2i
σ y2i
= σ y2i
= σ y2i
= σ x2i σ x2i σ y2i
σ x i yi σ x i yi
= σ x2i σ y2i
= r2
y2i
σෝ
Jadi, σ = r2
y2i
σ yi2 = σ yො i2 + σ e2i dibagi σ yi2
σ y2i y2i
σෝ σ e2i
σ y2i
=σ 2 +σ
yi y2i
σ e2i
1 = r2 + σ
y2i

2 σ e2i
r =1−σ
y2i