Classical Normal

Linear Regression
Model (CNLRM)
Kelompok 4

1. M. Reza Fikri Al Firdaus 180210301001

2. Delvi Milfin 180210301047
3. Nova Prasetyo 180210301109
Classical Normal Linear Regression
Model (CNLRM)
●   dengan teori inferensi statistik klasik yang memiliki dua cabang yaitu estimasi dan pengujian
Dikenal
hipotesis.
Dengan menggunakan metode OLS, dapat mengestimasi parameter , , dan . Berdasarkan asumsi model
regresi linier klasik (CLRM), dapat menunjukkan bahwa penduga parameter ini, , , dan , memenuhi
beberapa sifat statistik yang diinginkan, seperti bias, varian minimum, dll.

Oleh karena itu, karena , , dan adalah variabel acak, kita perlu mengetahui distribusi probabilitasnya,
karena tanpa pengetahuan tersebut maka tidak akan dapat menghubungkannya dengan nilai
sebenarnya.

Distribusi Probabilitas dari gangguan
●   mengetahui distribusi probabilitas dari
untuk
estimator OLS, secara spesifik melihat 2
 
2
dimana ki = xi / . Tapi karena X diasumsikan
tetap, atau nonstochastic, karena regresi ini
adalah analisis regresi bersyarat, bergantung
pada nilai tetap Xi
Melihat persamaan disamping 2
adalah fungsi linier Yi, yang menurut
asumsi nilainya acak. Tetapi karena
Yi = , maka penulisan persamaan
menjadi
  2
Karena ki, β, dan Xi semua nilainya
tetap, 2 pada akhirnya adalah fungsi
linier dari variabel acak
Lanjutan...
 
Karena metode OLS tidak membuat asumsi apapun mengenai sifat
probabilitas dari hal ini cukup membantu dalam mendapatkan inferensi
mengenai FRP dan FRS yang dikenal dengan teori Gauss-Markov.
Dalam konteks regresi diasumsikan bahwa mengikuti distribusi normal.
Dengan menambahkan asumsi kenormalan dalam CLRM, maka akan
didapatkan sebuah hal yang dikenal sebagai Classical Normal Linear
Regression Model (CNLRM).
  Asumsi Kenormalan untuk
●   mengasumsikan bahwa setiap terdistribusikan secara normal dengan
CNLRM
 Rerata :)=0

Varians
  : - )]² = (

 Cov (, ) : - )][- ()]} = (

Disederhanakan menjadi
 
Persamaan diatas mengartikan bahwa , tidak berkorelasi serta terdistribusi sendiri-sendiri (kedua
variabel tidak saling mempengaruhi). Oleh karena itu persamaan diatas dituliskan sebagai

 
Dimana NID singkatan dari terdistribusi secara normal dan independen
Alasan Mengaplikasikan Asumsi
Normalitas
Penggunaan statistik teori limit terpusat (central limit theorem-CLT) yang mampu mengetahui sejumlah variabel acak independen dan
terdistribusi secara identik.

Varian dari CLT menyatakan walau jumlah beberapa variabel tidak independen secara ketat, jumlah variabel masih
terdistribusi normal

Dengan asumsi normalitas, distribusi probabilitas dari estimator OLS dapat secara mudah diturunkan

Distribusi normal merupakan distribusi pembanding yang sederhana dan hanya melibatkan dua parameter
saja (rerata dan varian)

Asumsi normalitas, mampu untukmenggunakan hasil   pengujian stattistik t, F, dan untuk model-model
regresinya.

Terdapat banyak data cross-section dan data time series yang cukup memiliki jumlah sampel besar
 Estimator-estimator tersebut tidak
Memiliki
bias varian minimum
Bersifat konsisten
Sifat-Sifat Estimator , terdistribusi secara normal
  dengan

OLS dibawah Asumsi   ~ N (,)

Normalitas Kemudian variabel Z didefinisikan sebagai

  Z=

Mengikuti distribusi standard normal, yang

merupakan distribusi normal dengan rerata
nol dan varian unit (=1) atau
Z ~ N(0,1)
Lanjutan
…     ~ N(

Kemudian variabel Z didefinisikan sebagai   Z=

(n-2) ( / ) terdistribusi secara (chi-square)

  dengan derajat bebas
(df ) sebesar (n-2).

(, ) terdistribusi secara independent

  dari .

 d memiliki varians minimum dari keseluruhan kelas estimator-

estimator yang tidak bias, apakah linear atau tidak.
Oleh karena itu, estimator kuadrat terkecil adalah estimator
tidak biasa dan terbaik.
 Metode Maximum
Likelihood
Merupakan sebuah metode dari estimasi titik dengan sifat-sifat teoritis
yang lebih kuat dari metode OLS.
Metode ML secara umum dikenal dengan metode sampel besar. Metode
ML merupakan aplikasi yang lebih luas karena bisa diaplikasikan dalam
model regresi yang tidak linear dalam suatu parameter.

Alternatif metode kuadrat kecil ini memberikan kemudahan

dan kelengkapan yang cukup untuk estimasi dan pengujian
hipotesis dari model regresi linear.
 Terimakasi
h

Ekonometrika