PENGUJIAN PARAMETER

DAN ASUMSI KLASIK

Brodjol Sutijo
Pengujian Parameter Model
• Pengujian parameter model digunakan untuk mengetahui komponen
mana yang mempunyai peranan dalam menentukan besarnya respon
• Pengujian ini dilakukan jika hasil dari pengujian model dengan
menggunakan pendekatan analisis varian menunjukkan model layak
untuk digunakan
• Pengujian dilakukan terhadap dugaan nilai parameter β0 dan β1
beserta selang kepercayaan untuk dugaan parameter tersebut
Pengujian Parameter

•  Pengujian •  Pengujian
Vs Vs
Ho ditolak jika |thit|> tα/2;(n-2) Ho ditolak jika |thit|> tα/2;(n-2)
Pengujian Parameter
• Pengujian
  • Pengujian
 
Vs Vs

Ho ditolak jika |thit|> 2,306 Ho ditolak jika |thit|> 2,306

Ho ditolak karena |thit|> 2,306

Ho tidak ditolak karena |thit|< 2,306
Interval Kepercayaan Parameter

•  Selang kepercayaan (1-α) untuk •  Selang kepercayaan (1-α) untuk

Batas Bawah Batas Bawah
BB = - tα/2;(n-2) BB = - tα/2;(n-2)

Batas Atas Batas Atas

Interval Kepercayaan Parameter
• Selang
  kepercayaan 95% untuk • Selang
  kepercayaan 95% untuk
Batas Bawah Batas Bawah
BB = – 2,306(3,0908) BB = 2,306 (0,4054)
= 4,17 – 7,127 = -2,957 = 1,324 – 0,9348 = 0,389
Batas Atas Batas Atas

4,17 + 7,127 = 11,297 ,2588

Interval memuat nilai nol sehingga Interval tidak memuat nilai nol
nilai pengaruhnya terhadap respon sehingga nilai pengaruhnya terhadap
tidak nyata/ signifikan respon nyata/ signifikan
Asumsi Klasik

•  Suatu model yang didasarkan pada suatu data dikatakan valid jika nilai
residual/error/sisaan/ galat memenuhi asumsi :
• Identik (I) : setiap observasi/ residual mempunyai varian yang sama atau
homogen
• Independen (I) : antara pengamatan/ residual satu dengan yang lain tidak
saling mempengaruhi atau saling bebas
• Distribusi Normal : Observasi mengikuti distribusi normal dengan mean
sebesar µ dan varian sebesar .
• Secara singkat dinyatakan
Untuk residual nilai rata-rata :
• Sehingga
Identik

•  Untuk mengetahui suatu residual bersifat identik atau mempunyai

varian yang sama dapat dilakukan pengecekan dengan :
• Plot harga mutlak antara residual terhadap urutan pengamatan
• Plot disekitar nilai tertentu dan tidak berpola dikatakan identik
• Plot berpola dikatakan tidak identik (berpola berarti masih bisa dimodelkan lagi)

• Membuat interval untuk nilai varian setiap observasi

• Menentukan nilai varian dari residual

• i = 1, 2, 3, . . . , n

• Jika ada nilai menunjukkan rsidual mempunyai varian tidak homogen/ identik
Identik
• Contoh : Menggunakan contoh regesi
• Plot nilai harga mutlak terhadap urutan pengamatan
Scatterplot of |ei| vs obs

2,5

2,0

• Plot nilai varian residual i

|ei|

1,5

1,0
Scatterplot of e^2 vs obs
7

0,5
0 2 4 6 8 10
6
obs
5

e^2
3
Dari gambar telihat plot ada pola,
2
tetapi nilai varian ke i pada masih 1

lebih kecil dari nilai 2 (2KTE = 0

2(3,057)=6,114) , jadi bisa 0 2 4

obs
6 8 10

disimpulkan residual identik

Independen
•  Independen : apakah antara hasil pengamatan satu dengan hasil
pengamatan yang lain tidak saling mempengaruhi
• Pengujian :
• Plot antara ei dengan ei+1 jika tidak berpola dikatakan independen
• Pengujian dengan statistik Uji Durbin-Watson (DW)
Hipotesis :

Statistik Uji :

Nilai DW disekitar 2 menunjukkan residual independen  (1,75 – 2,25)

Independen

• Contoh : obs e(i) e(i-1) e(i)-e(i-1) e(i)^2 (e(i)-e(i-1))^2

1 -1,7622 3,1052
dari contoh analisis regresi 2 -1,0865 -1,7622 0,6757 1,1805 0,4565
3 -0,7892 -1,0865 0,2973 0,6228 0,0884
4 -0,7622 -0,7892 0,0270 0,5809 0,0007
5 0,9135 -0,7622 1,6757 0,8345 2,8079
6 -1,1135 0,9135 -2,0270 1,2399 4,1088
7 -1,7622 -1,1135 -0,6486 3,1052 0,4207
8 2,5622 -1,7622 4,3243 6,5647 18,6998
9 1,8865 2,5622 -0,6757 3,5588 0,4565
10 1,9135 1,8865 0,0270 3,6615 0,0007
jumlah 0,0000 -1,9135 3,6757 24,4541 27,0402

• DW = 27,0402/24,4541 = 1,1
• Nilai DW bernilai 1,1 jauhdari 2, sihingga dapat dikatan residual tidak
independen, atau antara hasil pengamatan satu dengan hasil pengamatan yang
lain ada ketergantungn
Distribusi Normal

•  Pengujian distribusi normal dengan menggunakan plot normal

• Urutkan nilai residual mulai min s/d max
• Hitung probabilitas urutan ke i
• Buat plot antara residual terurut dengan probabilitasnya, jika plot membentuk garis lurus,
maka dikatakan berdistribusi normal
• Contoh
urutan ei pi
1 -1,7622 0,05 Scatterplot of Pi vs S(ei)
2 -1,7622 0,15 1,0

3 -1,1135 0,25
4 -1,0865 0,35 0,8

5 -0,7892 0,45
0,6
6 -0,7622 0,55

Pi
7 0,9135 0,65 0,4
8 1,8865 0,75
9 1,9135 0,85 0,2

10 2,5622 0,95
0,0
-2 -1 0 1 2 3
S(ei)