The Simple

Regression
Model
ANGGOTA :
1. MATTHEW GILBERT SINAGA 1907511031
2. RIZAL RESUBUN 1907511013
• SUB POKOK BAHASAN :
 Definisi Model Regresi Sederhana
 Properti OLS pada Sampel Data Apa Pun
 Nilai dan Varians yang Diharapkan dari Estimator
OLS
 Regresi melalui Asal dan Regresi secara Konstan
Definisi Model Regresi Sederhana

Regresi sederhana adalah sebuah metodependekatan pemodelan hubungan antara satu variabel dependen dan
satu variabel indenpenden. Sebagian besar analisis ekonometrik terapan dimulai dengan premis berikut: y dan x
adalah dua variabel, mewakili beberapa populasi, dan kami tertarik untuk “menjelaskan y istilah dari x, "Atau"
mempelajari caranya.
Persamaan sederhananya adalah memiliki rumus :

Persamaan (2.1), yang diasumsikan berlaku dalam

populasi yang diminati, mendefinisikan model regresi
linier sederhana. Itu juga disebut model regresi linier
dua variabel atau bivariat linier.
Konsep Dasar
Model regresi merupakan suatu cara formal untuk
mengekspresikan dua unsur penting suatu hubungan statistik :
1. Suatu kecenderungan berubahnya peubah tidak bebas Y
secara sistematis sejalan dengan berubahnya peubah besar
X.
2. Perpencaran titik-titik di ser kurva hubungan statistik itu.
Properti OLS pada  a. Nilai dan Sisa yang Dipasang

Sampel Data Perkiraan intersep dan kemiringan, dan , telah

diperoleh untuk sampel data yang diberikan.
Diberikan dan , kita bisa mendapatkan nilai yang
pas ŷi untuk setiap observasi.
Menurut definisi, setiap nilai pas ŷi berada di garis
regresi OLS. Sisa OLS terkait dengan observasi i, ,
adalah perbedaan antara dan nilai pasnya, seperti
yang diberikan dalam persamaan Jika positif, garis
underpredicts ; jika negatif, garis terlalu
memprediksi . Yang ideal kasus untuk observasi i
adalah ketika = 0, tetapi dalam banyak kasus,
setiap sisa tidak sama dengan nol. Dengan kata
lain, tidak ada titik data yang benar-benar berada di
garis OLS.
 b. Properti aljabar statistic OLS

 (1) Jumlahnya, dan oleh karena itu, rata-rata sampel dari

Properti OLS pada residu OLS adalah nol. Secara matematis,

Sampel Data

(2) Sampel kovarians antara regressor dan sisa OLS adalah

nol. Secara sistematis,

(3) Poin (,) selalu di garis regresi OLS. Dengan kata lain,
jika kita mengambil persamaan,
 Nilai dan Varians yang Diharapkan dari Estimator OLS

• Ketidaksesuaian OLS
• Untuk referensi di masa mendatang, akan berguna untuk memberi nomor pada asumsi ini menggunakan
awalan "SLR" untuk regresi linier sederhana. Asumsi pertama mendefinisikan model populasi.
 Nilai dan Varians yang Diharapkan dari Estimator OLS

• Ketidaksesuaian OLS
• Asumsi berikutnya mendefinisikan kegagalan asumsi random sampling .
 Kita dapat menulis (2.47) dalam istilah sampel acak
sebagai

dimana u adalah kesalahan atau gangguan untuk observasi

saya ( Misalnya, orang saya, perusahaan saya, kota saya, dan
seterusnya).
 Ini adalah asumsi yang sangat lemah — tentu saja tidak layak untuk
ditekankan, namun tetap diperlukan. Jika x bervariasi dalam populasi, sampel
acak pada x biasanya mengandung variasi, kecuali populasi variasi minimal
atau ukuran sampel kecil.
 
Untuk sampel acak, asumsi ini menyatakan bahwa E=0, untuk semua I =
1, 2,…, n. Selain membatasi hubungan antara u dan x dalam populasi, nol
bersyarat asumsi rata-rata — ditambah dengan asumsi pengambilan
sampel acak — memungkinkan kemudahan teknis penyederhanaan.
  Varians dari Pengukur OLS
Selain mengetahui bahwa distribusi
sampling dari berpusat tentang β1 ( tidak

Nilai dan Varians bias), itu penting untuk mengetahui seberapa

jauh kita bisa berharap untuk menjauh dari β1
rata-rata. Antara lain, ini memungkinkan kita
yang Diharapkan untuk memilih penaksir terbaik di antara
semua, atau setidaknya kelas luas, penaksir
dari Estimator yang tidak bias. Itu ukuran penyebaran dalam
distribusi (dan ) yang paling mudah untuk

OLS dikerjakan adalah varians atau akar

kuadratnya, deviasi standar.
  ketidakberpihakan OLS tanpa Asumsi SLR.5: memainkan asumsi
homoskedastisitas tidak berperan dalam menunjukkan itu dan tidak bias.
Asumsi SLR.5 menyederhanakan varians perhitungan untuk dan dan karena ini
menyiratkan bahwa kuadrat terkecil biasa memiliki sifat efisiensi tertentu.
Memperkirakan
Varians Kesalahan
Kita dapat menggunakan persamaan untuk
menulis residual sebagai fungsi dari kesalahan:

 Meskipun nilai yang diharapkan sama β0, dan juga

untuk, Meskipun nilai yang diharapkan sama β0,
dan juga untuk, tidak sama dengan . Perbedaan di
antara mereka memang memiliki nilai yang
diharapkan dari nol.
 Regresi melalui Asal dan Regresi secara Konstan
• Dalam kasus yang jarang terjadi, kami ingin memberlakukan batasan itu, kapan x = 0, nilai yang diharapkan
dari y adalah nol. Ada hubungan tertentu yang masuk akal. Misalnya, jika pendapatan (x) adalah nol, maka
pendapatan pajak pendapatan (y) juga harus nol. Selain itu, ada pengaturan di mana model yang awalnya
memiliki intersep bukan nol diubah menjadi model tanpa intersep.
•  Secara formal, sekarang kita memilih penduga kemiringan, yang kita sebut , dan sederet.
Thank You