Ekonometrika

Program Studi Statistika

Semester Ganjil 2011

Dr. Rahma Fitriani, S.Si., M.Sc

Analisis Regresi 2 Peubah (Analisis Regresi
Sederhana)
 Menduga rata-rata peubah tak bebas berdasarkan nilai
peubah (satu) bebas yang diketahui
 Diilustrasikan dengan data dari Gujarati (2003), dengan
populasi beranggotakan 60 keluarga
 Xi: pendapatan/minggu per keluarga
 Yi: konsumsi/minggu per keluarga
 i= 1, …, 60 (60 keluarga yang diamati)
 Dari 60 keluarga tersebut dikelompokkan ke dalam 10
kelas pendapatan

Dr. Rahma Fitriani, S.Si., M.Sc

 Sebaran Bersyarat dari
konsumsi/minggu untuk
beberapa kelas
pendapatan

Dr. Rahma Fitriani, S.Si., M.Sc

 Untuk setiap kelas pendapatan/minggu terdapat variasi
jumlah konsumsi/minggu
 Secara rata-rata jumlah konsumsi/minggu meningkat
seiring dengan pendapatan/minggu.

X  80

Rata-rata
konsumsi/minggu
pada pendapatan
$80

E Y X  80  65
Dr. Rahma Fitriani, S.Si., M.Sc
Konsep Fungsi Regresi Populasi (Population
Regression Function – PRF)
 Nilai harapan bersyarat: E Y X 
 Rata-rata nilai Y untuk X tertentu

 PRF: garis yang menghubungkan

nilai harapan bersyarat untuk seluruh
kemungkinan nilai X

Dr. Rahma Fitriani, S.Si., M.Sc

Konsep Fungsi Regresi Populasi (PRF)
E Y X i   f  X i 

 Jika diasumsikan bahwa hubungan kedua peubah

tersebut linier, maka digunakan fungsi linier dari X:

E Y X i   1   2 X i

Model/Persamaan Regresi

Dibutuhkan metode tertentu untuk

menduga parameter model (intersep
dan slope)
Dr. Rahma Fitriani, S.Si., M.Sc
Arti dari Linier
 Linier dalam peubah
 Linier dalam parameter

E Y X i   1   2 X i Linier dalam peubah

E Y X i   1   2 X i2 Non Linier dalam peubah

E Y X i   1   2 X i Linier dalam parameter

E Y X i   1   22 X i Non Linier dalam parameter

Dr. Rahma Fitriani, S.Si., M.Sc

Arti dari Linier
E Y X i   1   2 X i

Linier dalam peubah maupun parameter

 Di dalam analisis regresi sederhana, LINIER berarti linier
dalam PARAMETER
 Parameter berpangkat paling tinggi 1
 Diperbolehkan pangkat lebih dari satu untuk peubah

E Y X i   1   2 X i
Keduanya Linier
dalam paramater:
Model Regresi Linier
E Y X i   1   2 X i2 Sederhana

Dr. Rahma Fitriani, S.Si., M.Sc

  Semuanya Linier
dalam parameter

Dr. Rahma Fitriani, S.Si., M.Sc

Dr. Rahma Fitriani, S.Si., M.Sc
Fungsi Regresi Populasi Secara Stokastik
 Untuk model konsumsi sebagai fungsi dari pendapatan,
 Dimungkinkan bahwa faktor selain pendapatan juga
mempengaruhi konsumsi
 Tidak semua titik tepat pada garis regresi
 Faktor-faktor lain tsb dirangkum dalam komponen
error/galat

Yi  E Y X i   ui  1   2 X i  ui

Garis Error/galat
Komponen Deterministik Komponen Stokastik

Dr. Rahma Fitriani, S.Si., M.Sc

 Y1  55  1   2  80  u1
Y2  60  1   2  80  u2

Y3  65  1   2  80  u3

Y4  70  1   2  80  u4

Y5  75  1   2  80  u5
 Nilai harapan di ruas kiri Yi  E Y X i   ui
dan kanan dengan syarat X
pada komponen stokastik E Yi X i   E  E Y X i    E  ui X i 

Dr. Rahma Fitriani, S.Si., M.Sc

 Nilai harapan konstan adalah konstan itu sendiri

E Yi X i   E Y X i   E  ui X i 

E Y X i   E Yi X i  Tujuan dari analisis

regresi

E Yi X i   E Yi X i   E  ui X i 

E  ui X i   0 Asumsi utama
untuk galat/error

Dr. Rahma Fitriani, S.Si., M.Sc

Keutamaan dari Komponen Stokastik
Galat/Error
Mengapa tidak menggunakan sebanyak-banyaknya
peubah yang mungkin mempengaruhi konsumsi? (Tidak
hanya pendapatan)

 Teori yang belum pasti

 Ketidaktersediaan data
 Peubah utama vs peubah tambahan
 Sifat alami perilaku manusia (acak)
 Peubah proxy yang kurang berkualitas
 Model sesederhana mungkin (Principle of Parsimony)
 Kemungkinan hubungan fungsional yang kurang tepat
Dr. Rahma Fitriani, S.Si., M.Sc
Fungsi Regresi Sampel (Sample Regression
Function – SRF)
 Data pendapatan dan konsumsi: diasumsikan berasal
populasi 60 keluarga
 Fungsi Regresi Populasi (PRF)
 Secara praktek: tidak mungkin memperoleh informasi
secara keseluruhan dari populasi
 Pengambilan sampel pasangan nilai pendapatan (X) dan
konsumsi (Y) dari populasi tersebut
 Menduga PRF berdasarkan informasi dari sampel
 Akibat fluktuasi sampel: kemungkinan pendugaan tidak
akurat

Dr. Rahma Fitriani, S.Si., M.Sc

 Pasangan konsumsi dan pendapatan dari
 2 sampel berukuran 10 keluarga yang diambil dari populasi 60 keluarga

Dr. Rahma Fitriani, S.Si., M.Sc

  Garis regresi dari dua sampel yang berbeda tersebut:

Dua garis yang berbeda

Yang mana yang lebih

tepat menggambarkan
populasi?

Fungsi Regresi Populasi

Dalam prakteknya tidak
akan pernah diketahui

Dr. Rahma Fitriani, S.Si., M.Sc

 Fungsi Regresi Sampel (SRF)

 Regresi yang dibentuk dari sampel

 Dipakai untuk menduga regresi populasi
 Tidak akan pernah sama untuk sampel yang berbeda

Yˆi  ˆ1  ˆ2 X i

Yˆi : penduga untuk E Y X i  ˆ1 : penduga untuk 1
ˆ : penduga untuk 
2 2

Untuk masing-masing titik Yi  ˆ1  ˆ2 X i  uˆi

Komponen galat sampel dengan asumsi yang
sama seperti galat populasi
Dr. Rahma Fitriani, S.Si., M.Sc
Tujuan Analisis Regresi
 Menduga PRF dengan SRF
 Dengan adanya sampel yang berfluktuasi, SRF hanya
pendekatan dari PRF

Dr. Rahma Fitriani, S.Si., M.Sc

 SRF underestimate PRF
untuk X di kiri titik A

SRF overestimate PRF

untuk X di kanan titik A

Bagaimana membentuk SRF

sedekat mungkin dengan
PRF?

Dr. Rahma Fitriani, S.Si., M.Sc