EKONOMETRIKA II

FAKULTAS EKONOMI
UNRAM
DR. Iwan HARSONO,SE,.M.Ec
EKONOMETRIKA
Sebagai Suatu Ilmu

Statistik Ekonomi:
Berhubungan dgn pengumpulan, pemrosesan dan
penyajian data ekonomi dalam grafik dan tabel.

Statistik Matematis (Statistik Inferensi):

Didasarkan pada Teori Probabilitas melalui metode-
metode pengukuran yang dibangun atas dasar
ekperimen/percobaan yang terkendali dan terencana
dengan cermat.

Ekonometrika mengkombinasikan keempat ilmu diatas

untuk mengetahui kondisi riil dari hubungan-hubungan
kuantitatif di dlm kehidupan ekonomi modern.
 TUJUAN EKONOMETRIKA

Membantu dalam mencapai 3 tujuan berikut:

 Membuktikan (verifikasi) atau menguji validitas

Teori Ekonomi.
 Menghasilkan dugaan-dugaan numerik bagi
koefisien-koefisien hubungan ekonomi.
 Meramalkan nilai besaran-besaran ekonomi
berdasarkan probabilitas tertentu.
 M O D E L
Penyederhanan dan abstraksi dari realitas perilaku
ekonomi menjadi bentuk yang lebih sederhana dengan
menerapkan prinsip kehati-hatian.
Model tidak sama dengan Realitas
Tapi model yang baik dapat menerangkan dan
meramalkan sebagian besar dari apa yang terjadi dengan
realitas.
Bentuk-bentuk Model:
 Matematis  Grafis
 Skema  Diagram

Model Ekonomi:
Konstruksi teoritis atau kerangka analisis ekonomi
yang terdiri dari himpunan konsep, definisi, asumsi,
persamaan, kesamaan (identitas) dan ketidak-
samaan darimana kesimpulan akan diturunkan.
CIRI-CIRI MODEL EKONOMETRIKA

 Theorytical Plausibility
 Explanatory ability
 Accuracy of the estimated of the
parameters
 Forecasting ability
 Simplicity
 Pernyataan Teori Ekonomi
 Pengujian teori ekonomi yang menjadi
dasar/acuan suatu penelitian.

 Misal, Teori Keynes:

 Pendapatan dan konsumsi mempunyai
hubungan yang positif
 Bila pendapatan seseorang meningkat
maka konsumsinya meningkat, tetapi tidak
sebesar peningkatan pendapatan.
 Spesifikasi Model

 Model Matematika:
 Teori yang sudah dinyatakan dispesikasikan
ke dlm bentuk model (persamaan)
matematika
Fungsi konsumsi Keynes:
C=a+bY
a = parameter konstanta, a > 0.
b = parameter slope, 0<MPC<1.

 Model persamaan tunggal

 Konsumsi berhubungan linear, positif
 Bersifat deterministik (pasti)
 Penetapan restriksi sangat penting
 Model Ekonometrika:
C=a+bY+
 Hubungan antar variabel ekonomi bersifat
Stochastik.
  = error term, mrpk variabel random
(stochastic) mewakili variabel2 lain yg
tidak termasuk kedalam model.

 Pengumpulan Data

 Sumber data
 Definisi
 Jenis
 Cross section
 Time series
 Panel (Gabungan Cross section dan time
series)
 Estimasi Model

Identifikasi Model:
 Prosedur utk mendapatkan koefisien parameter
 Menentukan apakah hubungan dpt diestimasi
secara statistik
 Berhubungan dg masalah perumusan model
Misal:
Qd = f(P) : Demand
Qs = f(P) : Supply
Qd = Qs : Market clearance
 Model diatas meragukan, krn apakah koefisien
parameter milik Qd atau Qs.
 perlu penambahan variabel shifter
 Estimasi Model

Agregasi dalam Model:

 Agregasi terhadap individual
 Agregasi komoditi
 Agregasi periode waktu
 Agregasi spasial
 Misagregasi dalam model menyebabkan:
 agregasi yang bias
 estimasi yang bias
 Estimasi Model

Pengujian derajat korelasi antar variabel:

 Jika 2 variabel penjelas mempunyai korelasi yg
tinggi
maka secara statistik sulit menentukan pengaruh
masing-masingnya.
Misal:
Qd = f(P, W)
Qd = Demand
P = harga
W = upah
 Sementara P dan W cenderung naik secara
bersamaan, W = f(P).
 Oleh krn itu, nilai estimasi tidak akurat.
 Estimasi Model

Pemilihan teknik yang tepat:

 Single equation:
 Ordinary Least Squares (OLS)
 Indirect Least Squares (ILS)
 Two Stage Least Squares (2SLS)
 Limited Information of Max. Likelihood (LIML)

 Simultaneous equation:
 Three Stage Least Squares (3SLS)
 Full Information of Max. Likelihood (FIML)


Pemilihan teknik estimasi tergantung:

 Bentuk hubungan dan syarat identifikasi
 Persyaratan estimasi:
- Unbiasedness
- Consistency
- Efficiency
 Tujuan penelitian ekonometrika
 Kesederhanaan teknik
 Waktu dan biaya

 Kriteria a priori ekonomi
 Didasarkan atas prinsip-prinsip ekonomi

 Kriteria Statistik (first order test):

 Didasarkan atas interpretasi nilai-nilai statistik
Standar deviasi,
Koefisien. Determinasi (R2)
Nilai F dan nilai t.

 Kriteria ekonometrika (second order test):

 Didasarkan atas teori ekonometrika untuk
apakah
nilai estimasi memiliki sifat unbiasedness,
consistency dan efficiency.
 Pengujian Hipotesis

 Menguji apakah hasil estimasi parameter sesuai

dengan yang diharapkan teori.
Misal:
C = 230 + 0.45 Y

Ini berarti selama periode pengamatan:

1. Meskipun tidak ada pendapatan, jumlah
konsumsi
rata-rata sebesar Rp. 230 (dissaving).
2. Kenaikan pendapatan sebesar Rp. 1000, maka
konsumsi meningkat rata-rata sebesar Rp. 450.

 Tapi apakah nilai-nilai tersebut secara statistik

significant?
 Aplikasi Model

 Peramalan (forecasting)

Misal: Berapakah pengeluaran konsumsi jika

tingkat
pendapatan masyarakat sebesar Rp. 2000.

Model yang sudah dievaluasi:

C = 230 + 0.45 Y
C = 230 + 0.45 (2000)
C = 1130.

 Analisis kebijakan.
 Covariance Dan Korelasi

Covariance merupakan ukuran yang berguna untuk

mengidentifikasi keterkaitan antara X dan Y, atau
merupakan ukuran bagi sensitifitas tiap unit X dan Y yang
telah diamati. Yang terkait dengan covariance adalah
korelasi, yang dirumuskan :
Cov ( X , Y )
rxy = xy / x. y =
(Var X ).(Var Y )
PENGERTIAN KORELASI DAN REGRESI
KORELASI dan REGRESI merupakan metode
yang dapat digunakan untuk mengukur hubungan
yang terjadi antar variabel-variabel ekonomi. Misal
antara variabel X dan variabel Y.

KORELASI
 Korelasi mengukur derajat hubungan antara 2
atau lebih variabel.
 Hubungan antara 2 Variabel (Misal X dan Y)
dapat linear, non-linear, positif atau negatif.
Y .
. Korelasi Linear:
If semua titik (X,Y) pd diagram pencar
. . mendekati bentuk garis lurus.
.. ..
. .. X
.
Y . . Korelasi Non-linear:
. . . If semua titik (X,Y) pd diagram pencar
.. .. tidak membentuk garis lurus.
. . . .
. X
Y .
. Korelasi Positif:
. . If jika arah perubahan kedua variabel
.. .. sama  If X naik, Y juga naik.
. .. X
.
Y
. .

Korelasi Negatif:
. .
.. ..

If jika arah perubahan kedua variabel

. ..

tidak sama  If X naik, Y turun.

.

X
Koefisien korelasi ini memiliki nilai yang berkisar
antara –1 sampai 1.

Bila yang diduga adalah koefisien korelasi sampel

maka :
 
 ( X i  X )(Yi  Y )
rxy = sxy / sx. sy =  
 ( X i  X ) (Yi  Y )2
2
Pengujian Korelasi
Meskipun mungkin telah diperoleh nilai koefisien korelasi
dari hasil perhitungan di atas, namun keberartian nilai
tersebut perlu di uji secara statistik. Hipotesis yang diuji
adalah :

Ho : Koefisien korelasi adalah sama dengan nol

Ha : Koefisien korelasi tidak sama dengan nol, atau berarti
Pengujian koefisien ini dilakukan dengan uji-t, sehingga :
r n2
t  ............. dengan derajat bebas = n – 2
(1  r 2 )

Kriteria pengujiannya :

Ho ditolak jika nilai t-hitung lebih besar daripada t-tabel

dengan derajat bebas n-2, dan demikian pula sebaliknya.
Beberapa catatan tentang nilai r:

 Secara empiris, hampir tidak pernah ditemukan

korelasi sempurna (semua titik terpencar tepat
pada garis).
 Nilai r yang mendekati nol menunjukkan derajat
hubungan yang lemah.
 Koefisien r merupakan estimasi sampel terhadap
koefisien korelasi populasi, .
 Nilai r mengandung error, sehingga perlu diuji
reliabilitasnya.
Konsep dasar Ekonometrik
Ekonometrika merupakan suatu ilmu tersendiri yang merupakan
penggabungan dari teori ekonomi, statistik dan matematik, dalam
upaya untuk menggambarkan suatu fenomena.
Langkah I:
Kajian teori ekonomi dan penelitian terdahulu

Langkah II:
Formulasi model atau spesifikasi model

Langkah III:
Merancang metode dan prosedur untuk mendapatkan sampel representatif

Langkah IV:
Estimasi model

No
Langkah V: Menguji hipotesis/ verifikasi menggunakan statistik inferensi
(Uji-t, Uji-F, dll)
Yes
Langkah VII: Interpretasi hasil

Langkah VIII: Kesimpulan

 Model Persamaan Ekonometrik

Model Persamaan Tunggal Model Persamaan Simultan

Model Model
Persamaan Persamaan
Sederhana Berganda

Bentuk Model Persamaan Persamaan Non-Linear

Persamaan Linear
 Model Regresi Sederhana
Yi = 0 + 1 Xi + i

 0 dan 1 : parameter dari fungsi yg nilainya akan

diestimasi.
 Bersifat stochastik  untuk setiap nilai X terdapat suatu
distribusi probabilitas seluruh nilai Y atau Nilai Y tidak
dapat diprediksi secara pasti karena ada faktor
stochastik i yang memberikan sifat acak pada Y.
 Adanya variabel i disababkan karena:
 Ketidak-lengkapan teori
 Perilaku manusia yang bersifat random
 Ketidak-sempurnaan spesifikasi model
 Kesalahan dalam agregasi
 Kesalahan dalam pengukuran
Y .
Yi Ÿ i = b 0 + b1 X i
.
. i Yi = 0 + 1 Xi + i
.
Ÿi Variation Systematic Random
. . in Y Variation Variation
.
0 . X

Asumsi-asumsi mengenai i:

1. i adalah variabel random yg menyebar normal
2. Nilai rata-rata i = 0, e(i) = 0.
3. Tidak tdpt serial korelasi antar i cov(i,j) = 0
4. Sifat homoskedastistas, var(i) = 2
5. cov(i,Xi) = 0
6. Tidak terdapat bias dalam spesifikasi model
7. Tidak terdapat multi-collinearity antar variebel penjelas
Fungsi Regresi Populasi

Y
E(Yi) = 0 + 1 Xi

Yi = 0 + 1 Xi + i

Nilai rata2 Yi :
E(Yi) = 0 + 1 Xi
I = Yi - E(Yi)
X
X1 X2 X3
METODE PENAKSIRAN PARAMETER DALAM
EKONOMETRIK
Metode estimasi yang sering digunakan adalah Ordinary Least
Square (OLS). Dalam regresi populasi dikenal pula adanya istilah
PRF (Population Regression Function) dan dalam regresi sampel
sebagai penduga regresi populasi dikenal istilah SRF (Sample
Regression Function).
P ^ ^ ^
Y  X SRF
Y ei
ui
E(Y)    X PRF

^Yi Yi

0 Xi X
Penaksir kuadrat terkecil adalah mempunyai varian yang minimum yaitu
penaksir tadi bersifat BLUE (Best Linear Unbiased Estimator). Asumsi yang
harus dipenuhi dalam penaksiran metode OLS adalah sebagai berikut :

1. i adalah sebuah variabel acak atau random yang riil dan memiliki distribusi
normal.
2. Nilai harapan dari i yang timbul karena variasi nilai Xi yang diketahui
harus sama dengan nol. E(i/ Xi) = 0
3. Tidak terjadi autokorelasi atau serial korelasi. Artinya,
Cov(i, j) = Ei – E(i) j – E(j)
= E(i, j)
= 0 .................... i  j
4. Syarat Homoskedastisiti. Artinya bahwa varian dari i adalah konstan dan
sama dengan 2.
Var (i / Xi) = Ei – E(i)2
= E(i)2
= 2
5. Tidak terjadi multikolonieritas. Yaitu tidak ada korelasi antara  dengan
variabel bebasnya Xi atau :
Cov(i , Xi) = E(i – E(i))(Xi – E(Xi))
= 0
 REGRESI LINEAR SEDERHANA

Y = ß0 + ß1 X

Pengujian statistik SECARA PARSIAL mendasarkan pada

hipotesis :

Uji Konstanta Intersep H0 : ß0 = 0

H1 : ß0 ≠ 0

Uji Koeff. X H0 : ß1 = 0
H1 : ß1 ≠ 0
Pengujian statistik model secara keseluruhan dilakukan dengan uji-
F.
Uji F mendasarkan pada dua hipotesis, yaitu :

H0 : Semua koefisien variabel bebas adalah 0 (nol)

H1 : Tidak seperti tersebut di atas
 Contoh :
Sehingga dapat disajikan hasil sebagai berikut :

Konsumsi = 24.455 + 0.509*Income R2 =

0.962
S.E (6.414) (0.036)
t-hitung = 3.813 14.243
F hit = 202,868
Df =8

Dalam pengertian ekonomi dapat dikatakan bahwa jika terdapat

kenaikan income sebesar $ 1 per bulan maka akan
mempengaruhi kenaikan pula pada konsumsi sebesar $ 0.509.
Demikian juga bila terjadi penurunan income sebesar $ 1 per
bulan maka akan berdampak pada penurunan konsumsi sebesar
$ 0.509.
 Estimasi Parameter
Model Regresi Sederhana
Yi = 0 + 1 Xi + i
Metode Kuadrat Terkecil
(Ordinary Least Square – OLS):
Prinsip: Meminimumkan nilai error – mencari
jumlah penyimpangan kuadrat (i2) terkecil.
i = Yi - 0 - 1 Xi
i2 = (Yi - 0 - 1 Xi)2
i2 =  (Yi - 0 - 1 Xi)2
i2 minimum jika:
i2 /0 = 0  2 (Yi - 0 - 1 Xi) = 0
i2 /1 = 0  2  Xi (Yi - 0 - 1 Xi) = 0
Sederhanakan, maka didapat:
 (Xi – X) (Yi – Y)
b1 =
 (Xi – X)2

b0 = Y - b1X
dimana
b0 dan b1 nilai penduga untuk 0 dan 1.
X dan Y adlh nilai rata2 pengamatan X dan Y

Standar error:
2  Xi2 ½
½
SE(b1) = 
SE(b1) = N (Xi – X)2
 (Xi – X)2
 diduga dengan s, dimana:

s = (i2 /n-2)2 dan i2 = (Yi – Y)2

 Metode Ordinary Least Squares (OLS)
Yi = 0 + 1 Xi + (1)
i Persamaan umum Regresi
sederhana
Yi = 0 + 1 Xi + i(2)
1 dan 2 adalah nilai estimasi
Ŷi = 0 + 1Xi (3) untuk parameter

Yi = Ŷi + i (4) Ŷi = nilai estimasi model

Ŷi Y – X(5)Y i = nilai residual

i = Yi n- X (Xi ) 2
Yi – Xi XiYi
i i i i
1 = 0 =
n  Xi – (Xi)
2 2
n  Xi2 – (Xi)2
(Xi – X)(Yi – Y)
= = Y – 1 X
(Xi – X)2
Koefisien parameter untuk 0 dan 1
n xiyi
=
 xi 2
Standard error of the estimates

Var(1) = 2 /  Xi2

2 
Se(1) = Var(1) = =
 Xi2  Xi2

 Xi2
Var(0) = 2
n  xi2

 Xi2
Se(0) = Var(1) = 2
n  xi 2

 i2
2 =  i2 =  yi2 – 12  xi2
n–2
 (xi yi) 2
=  yi2 –
 x2
 Koefisien Determinasi
• 1 + 2 X i
Y RSS
TSS TSS = RSS + ESS
ESS
Y ESS RSS
1= +
TSS TSS
 (Ŷi - Y)2  i2
X = +
 (Yi - Y)2  (Yi - Y)2
ESS  (Ŷi - Y)2
r2 = = Atau:
TSS  (Yi - Y) 2
 xi2
r2 = 22
atau  yi2
ESS  i2
= 1– = 1–
TSS  (Yi - Y)2  (xi yi) 2
=
 xi2  yi2
 MODEL
REGRESSI LINIER BERGANDA
Model yg memperlihatkan hubungan antara satu variable
terikat (dependent variable) dgn beberapa variabel bebas
(independent variables).

Yi = 0 + 1 X1i + 2 X2i + … + k Xki + i

dimana: i = 1, 2, 3, …. N (banyaknya pengamatan)

0, 1, 2, …, k adalah parameter yang nilainya

diduga melalui model:

Yi = b0 + b1 X1i + b2 X2i + … + bk Xki

 REGRESI LINEAR BERGANDA

Y = ß0 + ß1 X + ß2 X + …. + ßn Xn

Dalam konsep dasarnya pengujian statistik SECARA PARSIAL

mendasarkan pada hipotesis :

Uji Konstanta Intersep H0 : ß0 = 0

H1 : ß0 ≠ 0

Uji Koeff. Xi H0 : ßi = 0
H1 : ßi ≠ 0
 Contoh :
Tujuan untuk mengetahui pengaruh (kontribusi) proses/
mekanisme yang disusun dalam praktikum terhadap pencapaian
nilai ujian akhir praktikum, yaitu melalui penilaian atas latihan di
kelas dan penilaian atas laporan praktikum.

Dengan demikian dapat dibuat spesifikasi modelnya sebagai

berikut :

Y = ß0 + ß1X1 + ß2X2 --------------------- (model 1)

Dimana :
Y : Nilai ujian akhir
X1 : Nilai pretest
X2 : Nilai Laporan
Interpretasi Hasil :
Dari hasil di atas selanjutnya dapat disusun persamaan berikut :

N_Akhir = -25.450 + 0.542 Latihan + 0.771 Laporan R2 = 0.702

SE (9.351) (0.089) (0.132)
T-Hit. 2.722 6.067 5.828
F-hit = 73,02
Df = 62
Pengujian statistik baik uji keseluruhan (Uji-F) dan uji koefisien variabel dalam model
(Uji-t) memiliki kesamaan dengan analisis regresi linear sederhana. Hipotesis uji-F
adalah : H0 : ß0 = ß1 = ß2 = 0
H1 : ß0, ß1, ß2 ≠ 0

Sedangkan uji koefisien atau pengujian secara parsial memiliki hipotesis sebagai
berikut :

Pengujian untuk intersep : H0 : ß0 = 0

H1 : ß0 ≠ 0
Pengujian untuk ß1 : H0 : ß1 = 0
H1 : ß1 ≠ 0

Pengujian untuk ß2 : H0 : ß2 = 0
H1 : ß2 ≠ 0
Hasil analisis di atas menunjukkan bahwa model secara
statistik adalah memang dapat digunakan, terbukti dari nilai
F-hit sebesar 73.02 yang signifikan pada tingkat alpha 5%
atau 0.05 Artinya bahwa ß0, ß1, ß2 mempengaruhi secara
nyata terhadap N_Akhir (nilai Akhir).

Kekuatan pengaruh dari kedua variabel dalam menjelaskan

variabel N_Akhir sebesar 70.2 % sedangkan sisanya yaitu
sekitar 29.8% merupakan pengaruh dari variabel lain yang
tidak dipertimbangkan dalam model.
Koefisien latihan 0.542 dapat diartikan jika Nilai Laporan
tetap maka kenaikan 1 satuan nilai latihan akan cenderung
menaikkan nilai ujian sebesar 0.542.

Demikian juga untuk pengaruh nilai Laporan. Jika nilai

laporan naik 1 satuan maka akan cenderung meningkatkan
nilai ujian Akhir sebesar 0.771.

Hal yang lebih menarik sebenarnya adalah faktor apa yang

tersembunyi di balik angka-angka tersebut. Hal ini
memerlukan informasi yang bersifat kualitatif untuk
mengungkap :
 ESTIMASI MODEL
REGRESSI LINIER BERGANDA
Model: Yi = 0 + 1 X1i + 2 X2i + i
Model penduga: Ŷi = b0 + b1 X1i + b2 X2i
b0, b1 dan b2 nilai penduga untuk 0, 1 dan 2.

(yi x1i) (x22i ) – (yi x2i) (x1i x2i)

b1 =
(x21i ) (x22i ) – (x1i x2i)2

(yi x2i) (x21i ) – (yi x1i) (x1i x2i)

b2 =
(x21i ) (x22i ) – (x1i x2i)2

b0 = Yi – b1X1i – b2 X2i
ESTIMASI MODEL
REGRESSI LINIER BERGANDA
1 X21 x22i – X22 x21i – 2 X1 X2 x1i x2i

var(b0) = +
2
n (x21i ) (x22i ) – (x1i x2i)2
x21i
var(b1) = 2 se(bi) = var(bi)
(x21i )(x22i ) – (x1i x2i)2 Utk i = 0, 1, 2.
x21i
var(b1) = 2
(x21i )(x22i ) – (x1i x2i)2

i2 i2 = y2i – b1 yi x1i – b2 yi

2 =
n–3 x2i
 Asumsi-asumsi
Model Regresi Linier Berganda
(Agar hasil estimasi dapat diinterpretasikan dengan baik - BLUE)

 Nilai rata-rata disturbance term adalah nol,

E(i) = 0.
 Tidak tdpt serial korelasi (otokorelasi) antar i
Cov(i,j) = 0 untuk i  j.
 Sifat homoskedastisitas:
Var(i) = 2 sama utk setiap i
 Covariance antara i dan setiap var bebas adalah
nol. Cov(i,Xi) = 0
 Tidak tdpt multikollinieritas antar variebel bebas.
 Model dispesifikasi dengan baik
 Data Kualitatif dalam Model Regressi
(Penggunaan Dummy Variable)

Variabel Dummy adlh variabel yg

merepresentasikan kuantifikasi dari variabel
kualitatif. Misal: jenis kelamin, pendidikan,
lokasi, situasi, musim, & kualitas.
Jika data kualitatif tsb memiliki m kategori,
maka jumlah variabel dummy yg dicantumkan
didlm model adalah (m-1).
Kesimpulan yg diambil dari keberadaan variabel
dummy didlm model adlh perbedaan nilai antar
kategori ybs.
Variabel dummy sering juga disebut variabel
boneka, binary, kategorik atau dikotom.
Dummy memiliki nilai 1 (D=1) utk salah satu
kategori dan nol (D=0) untuk kategori yang lain.
 MODEL REGRESI LINEAR DENGAN DUMMY
VARIABEL
Variabel dummy digunakan sebagai upaya untuk
melihat bagaimana klasifikasi-klasifikasi dalam sampel
berpengaruh terhadap parameter pendugaan. Variabel
dummy juga mencoba membuat kuantifikasi dari
variabel kualitatif.

Kita pertimbangkan model berikut ini:

I. Y = a + bX + c D1 (Model Dummy Intersep)
II. Y = a + bX + c (D1X) (Model Dummy Slope)
III. Y = a + bX + c (D1X) + d D1 (Kombinasi)
Model Dummy Model Dummy Model Dummy
Intersep Slope Kombinasi
Y= a + bX1 + cD1 Y= a + bX1 + cD1X1 Y= a + bX1 + cD1X1+ dD1

Y= (a+d) + (b+c).X1
Y Y= a + (b+c).X1
Y= (a + c) + bX1

Y’= a + bX1 Y’= a + bX1

Y’= a + bX1

Dummy Dummy Dummy

Intersep Slope Kombinasi
 Dummy sebagai Variabel Bebas:
ANOVA Model:
Yi =  + Di +  Yi

Misal : o
+
Yi = Penghasilan Karyawan
o
o
o
o
o
Di = 1 untuk laki-laki

= 0 untuk wanita x
x x

E(YiDi=0) =  x
x
x O =L
x = P
E(YiDi=1) =  + 
D=0 D=1
Interpretasi:
Apakah jenis kelamin berpengaruh thdp penghasilan.
Berapa perbedaan penghasilan antara laki2 dan
wanita.
 Dummy sebagai Variabel Bebas:
ANCOVA Model: (gabungan kuantitatif & kualitatif)
1. Satu kuantitatif, satu kualitatif dg 2 kategori.
Yi = 1 + 2Di + Xi + 
(1+ 1)+Xi
Xi = Masa kerja Yi

E(YiXi, Di=0) = 1+Xi

o
o
o
o
E(YiXi, Di=1) = (1+2)+Xi
o
1+Xi
o
x
x x
Interpretasi: x
Apakah jenis kelamin dan x
x
masa kerja berpengaruh
thdp peng-hasilan. Pada
masa kerja ter-tentu, brp
perbedaan penghasilan Masa kerja
antara Laki dan wanita.
Dummy sebagai Variabel Bebas:
2. Satu kuantitatif, satu kualitatif dg 3 kategori.
Misal: Selain masa kerja, penghasilan karyawan juga
dipengaruhi oleh tingkat pendidikan (tdk tamat
SMU, tamat SMU, Sarjana)
Yi = 1 + 2D1i + 3D2i + Xi + 
D1i = 1 untuk tamat SMU
= 0 Lainnya
D2i = 1 untuk Sarjana
= 0 Lainnya
Sebagai kategori dasar adlh tidak tamat SMU
E(YiXi, D1i=0, D2i=0) = 1+Xi (tdk tamat
SMU)
E(YiXi, D1i=1, D2i=0) = (1+2)+Xi (Tamat
SMU)
E(YiXi, D1i=0, D2i=1) = (1+3)+Xi
 Satu kuantitatif, satu kualitatif dg 3 kategori.

Yi
(1+3)+Xi  Asumsi: 3>2

(1+2)+Xi
1+Xi
3
2

1

Masa kerja
Interpretasi:
Apakah Masa kerja dan tkt pendidikan berpengaruh
thdp penghasilan?. Brp besar perbedaan penghasilan
menurut tkt pendidikan pd masa kerja tertentu?.
 3. Satu kuantitatif, dua kualitatif dg 2 kategori.

Misal: D1 adalah dummy jenis kelamin (laki2/wanita),

dan D2 adlh dummy tempat kerja (kota/desa).

Yi = 1 + 2D1i + 3D2i + Xi + 

Yi
D1=1, D2=1
D1=0, D2=1

D1i = 1 untuk Laki-laki D1=1, D2=0

= 0 untuk wanita
D2i = 1 untuk kota D1=0, D2=0
= 0 untuk desa

Masa kerja
 MULTIKOLINEARITAS DALAM
REGRESI LINEAR

Jika suatu model mempunyai beberapa variable, dan

sebagian dari variable diantara mereka akan menjelaskan
hubungan linier secara pasti, maka hal ini dikenal
sebagai multikolinierity.

Hubungan yang erat antara variabel independen akan

berdampak pada bias pendugaan parameter dan semakin
tingginya nilai standart error yang dihasilkan dalam
analisis. Kemungkinan paling jelas dari hal ini adalah
besarnya peluang untuk ditolaknya hipotesis alternatif
berkenaan dengan pendugaan parameter.
 Permasalahan dalam
Model Regresi Linier Berganda
1. Multikolinieritas
Multikolinieritas terjadi bila paling tidak salah satu var.
bebas berkorelasi dgn var. bebas lainnya.
Multikolinieritas sempurna terjadi bila tdpt hubungan
linear antar variabel bebas.

Akibatnya ?
 Jika tdpt Multikolinieritas sempurna, parameter
tidak dapat diduga dgn metode OLS.
 Nilai varians besar  standar error besar  selang
kepercayaan lebar.
 Uji-t tidak signifikan
 Tanda (sign) parameter bisa berlawanan.
 R2 tinggi, tp banyak variabel yang tidak signifikan
 Multikolinieritas
Cara mendeteksi ?
 Regresikan setiap variabel bebas Xi dgn variabel
bebas lainnya yg ada dalam persamaan (auxiliary
regression). Jika uji F menunjukkan hasil yang
signifikan berarti terdapat kolinearitas antara
variabel Xi dengan variabel bebas lainnya.
 Cek korelasi antar variabel bebas  matrik
korelasi.
Cara mengatasi ?
 Gunakan informasi a priori, berdasarkan keyakinan
atau hasil penelitian terdahulu.
 Lakukan regresi elementer, kemudian tambahkan
satu per satu variabel yg diduga relevan
mempengaruhi var terikat.
 Menggabungkan data cross-section dan time series
 Mengeluarkan salah satu variabel yang kolinier.
 Mentransformasikan variabel.
 Mencara data tambahan atau data baru
Permasalahan dalam
Model Regresi Linier Berganda
2. Heteroskedastisitas
Heteroskedastisitas terjadi bila varians i tidak konstan,
tapi berubah-ubah pada setiap pengamatan i.
Untuk model
Yi = 0 + 1 X1i + i
Var(i ) bisa kemungkinan semakin besar atau semakin
kecil dengan semakin besarnya nilai X1i. Var(i ) = i2
Misal:
(1) Model Konsumsi = o + 1 Pendapatan + 
(2) Model Learning process:
Jumlah kesalahan ketik = 0 + 1 pengalaman + 
Pada model (1), Var(i ) cenderung lebih besar dengan
semakin besarnya pendapatan.

C C = o + 1 Y

Pada model (2) Var(i ) cenderung lebih kecil dengan

semakin lama pegalaman dalam mengetik.

K =  o - 1 P

P
Akibat Heteroskedastisitas ?

• Karena Var(i ) tdk konstan, tapi ditentukan oleh X1i , maka:

 xi2 i2.
Var(b1) =.
( xi2)2.
• Besarnya Var(b1) menyebabkan nilai SE(b1) juga akan
besar, sehingga interval kepercayaan menjadi lebih besar
dan pada uji-t variabel menjadi tidak signifikan.
• Kesimpulan yang diambil dapat menyesatkan.

Hasil pendugaan tetap tak bias dan konsisten, akan

tetapi varians dr parameter dugaan tdk bisa minimum
shg dikatakan tidak efisien
 tidak memenuhi syarat BLUE
Cara mendeteksi ?

 Metode Grafik
Buat diagram plot antara ui2 dan Ŷ. Heteros-
kedastisitas akan terdeteksi apabila sebaran
plot menunjukkan pola yang sistematis.
 Uji Park
Meregresikan ui2 dengan X1i dalam bentuk
persamaan log linear.
ln ui2 = o + 1 ln X1i + i
ui adlh error term pd regresi Yi = 0 + 1 X1i +
i
 Metode Goldfeld-Quant
Prinsipnya adlh membagi dua data X1i bdsrkan
urutan terkcil – terbesar dan meregresikan
masing2 untuk memperoleh nilai RSS.
Langkah-langkah Metode Goldfeld-Quant:

 Urutkan data X1i berdasarkan urutan terkecil –

terbesar
 Abaikan bbrp pengamatan (c pengamatan) di sekitar
median.
 Regresikan pengamatan (N-c)/2 pertama dan kedua,
hitung RSS, sehingga didapatkan RSS1 dan RSS2.
 Hitung rasio kedua RSS ():
RSS2/df2
= ; df adalah derajat bebas (n-k-1)
RSS1/df1
 Lakukan uji F, bila  > F berarti terjadi heteroskedas-
tisitas.
Permasalahan dalam
Model Regresi Linier Berganda
3. Otokorelasi
 Terjadi bila terjadi korelasi antara i dan j.
 Terjadi korelasi antara variabel itu sendiri pada
pengamatan yang berbeda.
 Umumnya banyak terjadi pada data time series.
 Model Persamaan Simultan
 Merupakan suatu sistem persamaan yg menggambar-kan
saling ketergantungan antar variabel
 Estimasi parameter suatu persamaan tidk dpt dilakukan
tanpa mempertimbangkan irformasi pada persamaan
lainnya.
 Hubungan dua-arah atau simultan antar bbrp Variabel
Y1i = 10 + 11Y2i + 12 Xi + 1i
Y2i = 0 + 1Y1i + 3 Xi + 2i

Y1, Y2 = Variabel Endogen (Saling terikat) – stochastic

X1 = Variabel eksogen
1i, 2i = Error - stochastic
 Terdapat korelasi antara  dan variabel penjelas;
cov(i,Xi)  0.
(Penyimpangan asumsi OLS)
 Model Persamaan Simultan
1. Model Permintaan dan Penawaran
Fungsi Permintaan: Qdt = o + 1Pt + 1t ; 1< 0.
Fungsi Penawaran: Qst = o + 1Pt + 2t ; 1> 0.
Keseimbangan: Qdt = Qst P
2. Model Pendapatan Nasional Keynes
Fungsi Konsumsi: Ct = o + 1Yt + t ; 0 < 1< 1.
Identitas Pendapatan: Yt = Ct + It ;
3. Model Ekonomi Makro
Fungsi Konsumsi: Ct = o + 1Ydt + 1t ; 0 < 1< 1.
Fungsi Pajak: Tt = o + 1Yt + 2t ; 0 < 1 < 1.
Fungsi Investasi: It = o + 1 rt + 3t ; 1 < 0.
Definisi: Ydt = Y t - Tt
Pengeluaran Pem: Gt = Ĝ
Identitas Pendapatan: Yt = Ct + It + Gt
Beberapa Istilah dlm Model Persamaan Simultan:
1. Persamaan Struktural/Perilaku:
Persamaan yang dapat menggambarkan:
• Struktur atau perilaku dari fenomena ekonomi yang
diamati.
• Perilaku variabel endogen terhadap perubahan-perubahan
variabel penjelas pada persamaan yang bersangkutan
2. Persamaan Identitas:
• Persamaan yg tdk dpt menunjukkan perilaku variabel
endogen.
• Dibentuk oleh perkalian, pembagian, penambahan atau
pengurangan beberapa variabel.
3. Persamaan Direduksi (reduced-form equation):
Persamaan dimana variabel endogen hanya dipengaruhi
variabel predetermined dan gangguan stochastic.
4. Variabel Endogen:
• Variabel yg nilainya akan ditentukan melalui model.
• Variabel yg dipengaruhi oleh dan mempengaruhi variabel
lain
5. Variabel Predetermined (eksogen dan lag endogen):
 Model Persamaan Simultan
Identifikasi Model:

Tujuan: Mengidentifikasi model sblm dilakukan

estimasi
Untuk mengetahui apakah estimasi parameter dapat
dilakukan melalui persamaan reduced-form dr sistem
persamaan simultan.
Persamaan Teridentifikasi (unidentified) jika estimasi
parameter tidak dapat dilakukan melalui persamaan
reduced-form.
Persamaan Teridentifikasi (identified) jika estimasi parameter
dpt dilakukan melalui persamaan reduced-form dr sistem
persamaan simultan.
 Teridentifikasi Tepat (just identfied),
Jika masing-masing nilai parameter bersifat unik (hanya
mempunyai satu nilai)
 Teridentifikasi Berlebih (over identified),
Jika masing2 nilai parameter mempunyai lbh dari satu
 Model Persamaan Simultan
Identifikasi Model:
Metode:
 Order Condition
Suatu persamaan teridentifikasi jika jumlah variabel
yang dikeluarkan dari persamaan tersebut, tetapi
masuk kedalam persamaan2 lain pada model minimal
sama dengan jumlah persamaan dalam model
dikurangi dengan satu.

(K – M)  (G – 1)
Dimana:
G = jmlh persamaan dlm model (= jmlh Var Endogen)
K = Jumlah semua variabel dalam model
M = Jumlah variabel dalam persamaan yang
diidentifikasi

 Rank Condition
 Model Persamaan Simultan
Identifikasi Model:
CONTOH
 Diagram Keterkaitan Variabel
Pada Model Persamaan Simultan

Model Permintaan dan Penawaran

Qd P Qs

I Pa Pr
Pop E
S T

= Var Endogen = Var Eksogen