Pemodelan

Ekonometrika
Muchdie, Ir, MS, Ph.D.
FE-Uhamka
Pokok Bahasan
KriteriaModel yang Baik
Kesalahan Spesifikasi dan
Kosekuensinya
Uji Kesalahan Spesifikasi
◦ Deteksi Variabel yang Kurang Penting
◦ Uji LR untuk Penambahan VariabelUji
Ramses untuk Uji Kesalahan Bentuk
Fungsi Regresi
Model Nested dan Non-Nested
Uji Model Nested dan Non-Nested
Uji Stabilitas Model
Kriteria Seleksi Model
Kriteria Model yg Baik
Prediksi yg dibuat harus LOGIS
Harus KONSISTEN dengan Teori
Variabel Independen TIDAK
BERKORELASI dengan Variabel
Gangguan
Adanya KONSISTENSI parameter
Menunjukkan DATA yang koheren
Model HARUS KOMPLIT
Kesalahan Spesifikasi
Mengeluarkan variabel independen yang
relevan
Memasukan variabel independen yang
tidak relevan
Menggunakan BENTUK fungsi model yang
salah
Kesalahan PENGUKURAN
Spesifikasi yang salah ttg Variabel
Gangguan (Error Term)
Kesalahan Spesifikasi
Mengeluarkan Variabel yg Relevan
 Misalkan, model yang relevan adalah :

Pers 9.1 : Yi = βo + β1 X1i + β2 X2i +ei

 Karena alasan tertentu, Variabel X2
dihilangkan, sehingga :

Pers 9.2 : Yi = Þo + Þ1 X1i + ei

 Karena
Pers 9.1 adalah Pers yg benar, maka
penggunaan Model 9.2, maka eror-nya :

Pers 9.3 : ei = e1i + β2 X2i

Kesalahan Spesifikasi
Konsekuensi Mengeluarkan Variabel Relevan X2
 Jika X2 yg dikeluarkan berkorelasi dengan X1, maka
estimator Pers 9.2 menjadi BIAS dan TIDAK
KONSISTEN .
 Jika X1 dan X2 tidak berkorelasi, maka Þ0 masih bias
walaupun Þ1 sdh tidak bias.
 Taksiran varian variabel gangguan TIDAK TEPAT.
 Varian estimator Þ BIAS terhadap varian β .
1 1
 Akibatnya,
interval keyakinan dan uji hipotesis
akan memberi kesimpulan yang salah shg
peramalan model yg tdk tepat akan menghasilkan
peramalan yg tidak bisa dipercaya.
Kesalahan Spesifikasi
Memasukan Variabel yg Tidak Relevan
 Misalkan,
pada Pers 9.1 dimasukan X3 yang
sebenarnya tidak relevan dgn model :

Pers 9.4 : Yi = Þo+ Þ1X1i + Þ2X2i + Þ3X3i + e3i

 Dan variabel gangguan menjadi:

Pers 9.5 : e3i = e1i – Þ3 X3i

Kesalahan Spesifikasi
Akibat Memasukan Variabel Tdk Relevan X3
Estimator yg dihasilkan adalah yang TIDAK
BIAS
Taksiran varian variabel gangguan TEPAT
Interval keyakinan dan Uji hipotesis adalah
VALID
Namun, estimator dari model ini TIDAK
EFISIEN, karena variannya lbh besar dari
varian estimator model yang benar. Akibatnya,
model yang salah ini KURANG tepat.
Kesalahan Spesifikasi
Kesalahan Bentuk Fungsi Regresi
 Misalkan,
karena alasan tertentu, peneliti memilih
model log linier :
Pers 9.6 : lnYi = Þo+ Þ1 lnX1i + Þ2 lnX2i + e4i
 Padahal model yang benar adalah model linier
seperti pada Pers. 9.1. Kesalahan spesifikasi
model dinyatakan :

Pers 9.7 : Yi* = Þo*+ Þ1* X1i* + Þ2* X2i* + ei*

 Dimana : Yi* = Y + ý dan Xi* = X + ÿ, dimana ý dan ÿ
merupakan besarnya kesalahan pengukuran , peneliti tdk
menggunakan data X dan Y tetapi proxinya, Yi* dan Xi*.
Kesalahan Spesifikasi
Variabel Gangguan e dlm Persamaan
 Misalkan, ada dua model sebagai berikut :

Pers 9.8 : Yi = βXi ei

Pers 9.9 : Yi = ÞXi + ei
 Jika pers 9.8 adalah Pers yang benar, apakah
estimator pers 9.9 yaitu Þ tidak bias terhadap β?
 Jika ya maka tidak ada kesalahan spesifikasi
berkaitan dengan variabel gangguan.
 Jika tidak, maka kesalahan spesifikasi variabel
gangguan merupakan sumber kesalahan spesifikasi.
Uji Kesalahan Spesifikasi
Deteksi Adanya Variabel Tdk Penting
 Melalui Uji t dan Uji F, misalkan :
Pers 9.10 : Yi = βo+ β1X1i + β2X2i + β3X3i +…+ βkX3k + ei

 Menggunakan metode step wise regresion,

lakukan regresi terhadap variabel X1, kemudian
dengan X2 Contoh : gunakan model yang
mengkaji faktor-faktor yang mempengaruhi
angka kematian bayi di Indonesia, tahun 1999
dari 26 Provinsi.
Uji Kesalahan Spesifikasi
Deteksi Adanya Variabel Tdk Penting
 Melalui Uji Likelihood Ratio, misal :
Pers 9.12 : Yi = βo+ β1X1i + β2X2i + ei
 JikaX2 adalah variabel yang tidak penting, atau
β2 =0, sehingga modelnya menjadi :
Pers 9.13 : Yi = βo+ β1X1i + ei
 Melaluimanipulasi fungsi log-likelihood, diperoleh dua fungsi
yaitu RLLF (Restricted Log Likelihood Function) dan ULLFR
(Unrestricted Log Likelihood Function), diperoleh :

Pers 9.16 : LR = 2 (ULLF – RLLF)

Uji Kesalahan Spesifikasi
Deteksi Penambahan Variabel Penting
 Melalui Uji Likelihood Ratio, misal :
Pers 9.18 : Yi = βo+ β1X1i + β2X2i + ei
 Karena alasan tertentu, peneliti menambahkan
variabel X3, sehingga menjadi :
Pers 9.19 : Yi = βo+ β1X1i + β2X2i + β3X3i + ei
 Melaluimanipulasi fungsi log-likelihood, diperoleh dua fungsi
yaitu RLLF (Restricted Log Likelihood Function) dan ULLFR
(Unrestricted Log Likelihood Function), diperoleh :

Pers 9.20 : LR = 2 (ULLF – RLLF)

Uji Kesalahan Spesifikasi
Deteksi Kesalahan Bentuk Fungsi Regresi
 Melalui Uji Ramsey, Uji Kesalahan Spesifikasi
Regresi (Regression Specification Error Test=RESET)
 Misalkan, model regresi adalah :

Pers 9.23 : Yi = βo+ β1X1i + β2X2i

 Langkah-Langkah Uji Ramsey adalah :
 Lakukan regresi Pers 9.23 dan kemudian dapatkan
nilai estimasi Y.
 Regresi kembali Pers 9.23 dengan memasukan nilai
Y sebagai variabel independen dalam berbagai
bentuk. Ramsey menyarakan dalam bentuk pangkat
n+1, sehingga diperoleh persamaan :
Pers 9.24 : Yi = βo+ β1X1i + β2X2i + + β3Yi2 + β4Yi3 +β5Yi4
Uji Kesalahan Spesifikasi
Deteksi Kesalahan Bentuk Fungsi Regresi
 Melalui Uji Ramsey, Uji Kesalahan Spesifikasi
Regresi (Regression Specification Error Test=RESET)
 Langkah selanjutnya, Hitung atau peroleh nilai F, dgn formula :

Pers 9.24 : F = {(Rb2 – Rl2)/k1}/{(1 – Rb2)/(n – k2)}

 Jika F hitung > F tabel maka bentuk persamaan secara
signifikan TIDAK TEPAT.
 Sebaliknya, Jika F hitung < F tabel, maka model persamaan
dimaksud SUDAH TEPAT.
 Keuntungan Metode Uji Ramsey adalah tidak perlu
mengajukan alternatif model persamaan, kelemahannya
jika model yang diajukan tidak tepat, tidak tersedia
alternatifnya.
Uji Model Nested
 Para akhli Ekonometrika telah mengembangkan
Uji Diagnosis untuk memilih model yang ada
(competeting model)
 Model 1 : Yi = βo+β1 X1i+β2X2i+β3X3i+ β4X4i +ei
 Model 2 : Yi = βo+β1 X1i+β2X2i+ei
 Model 2 merupakan kasus khusus dari Model 1,
sehingga Model 1 Model 2 disebut Model
Nested dan Model 1 disebut Model Non-
Nested.
 Model Nested dapat diuji menggunakan Uji F,
Uji t, Uji LR, Uji Wald dan Uji LM.
Uji Model Non-Nested
 Model Non-nested adalah model yang bukan
merupakan bagian dari model yang lain.
 Misalkan, ada dua model :

Model 1: Yi = βo+ β1X1i + β2X2i + β3X3i + ei

Model 2: Yi = Þo+ Þ1Z1i + Þ2Z2i + Þ3Z3i + ei

 Dengan Uji Goodness of Fit, model yang dipilih

adalah model dengan Koefisienh Determinasi
yang tertinggi.
Uji Stabilitas Model
Data, baik data time-series maupun data
cross-section, seringkali tidak stabil.
Uji stabilitas model adalah sebuah
prosedur untuk mengetahui apakah
parameter model bersifat stabil dalam
penelitian.
Untuk menguji stabilitas parameter sudah
dikembangkan beberapa uji, seperti Uji
Chow, Uji Recursive Residual, Uji
CUSUM dan Uji Prediksi Chow (Chow’s
Forecast Test)
Kriteria Seleksi Model
Kriteria R2 dan Adjusted R2, kriteria ini
didasarkan pada ide bagaimana
meminimumkan strandar error dari regresi.
Kriteria Mallow Cp, yang didasarkan atas
bagaimana meminimumkan mean-squared
error dari prediksi.
Kriteria Akaike (Akaike’s Information
Criterion = AIC) dan Schwarz (Schwarz’s
Information Criterion=SIC), kriteria ini
didasarkan metode Maximum Likelihood
(ML)