Ekonometrika II

GB

Regresi dan Pemilihan

Model

Kelompok 1
Nadia Azhani Sidiq (195020407111036)
Sub Pokok Bahasan
1. Ragam Model: Regresi Linear dan Non Linear
2. Pemilihan Model: Mkinnon-White-Davidson (MWD) Test
3. Aplikasi Model
4. Interpretasi Hasil
Ragam Model Regresi

1. Model Regresi Linear

2. Model Regresi Nonlinear
Ragam Model Regresi
• Analisis regresi berkaitan dengan studi mengenai ketergantungan satu
variabel, yaitu variabel dependen, terhadap variabel penjelas, dengan tujuan
untuk mengestimasi dan/atau memperkirakan nilai rerata (populasi) variabel
dependen dari nilai yang diketahui atau nilai tetap dari variabel penjelas
(dalam sampling berulang-ulang atau repeated sampling).

• Secara umum, terdapat dua jenis bentuk model Regresi dalam Ekonometrika
yaitu Model Regresi Linear dan Model Regresi Nonlinear.
 Pemilihan Model
Regresi (Uji MWD)

Model MWD Test

Model McKinnon-White-Davidson Test
• Uji McKinnon, White, dan Davidson (MWD) digunakan untuk memilih
antara model regresi linear dengan model regresi log-linear
• Untuk mengilustrasikan uji ini, asumsinya adalah sebagai berikut
1. Y adalah fungsi linear dari regressor, X.
2. ln Y adalah fungsi linear dari log regresor, yaitu log X.
• di mana biasanya dan melambangkan hipotesis nol dan alternatif.
Model McKinnon-White-Davidson Test
Uji MWD melibatkan Langkah-Langkah sebagai berikut.
1. Langkah I: Estimasi model linear dan dapatkan nilai Y yang diestimasi. Sebutlah (misal: Ŷ).
2. Langkah II: Estimasi model log-linear dan dapatkan nilai Y yang diestimasi. Sebutlah In f
3. Langkah III: Dapatkan
4. Langkah IV: Regresikan Y terhadap X dan yang didapatkan pada Langkah III. Tolak jika koefisien
secara statistik signifikan dengan uji yang biasa.
5. Langkah V: Dapatkan (antilog dari .
6. Langkah VI: Regresikan log dari Y terhadap log dari X dan . Tolak jika koefisien secara statistik
signifikan dengan uji biasa.
CATATAN!
• Jika model linear pada kenyataannya adalah model yang tepat, variabel yang
terbentuk secara statistik tidak harus signifikan pada Langkah IV (Regresikan
Y terhadap X dan yang didapatkan pada Langkah III. Tolak jika koefisien
secara statistik signifikan dengan uji yang biasa.)
• Nilai Y yang diestimasi dari model linear dan model log-linear (setelah
mengambil nilai antilog untuk perbandingan) seharusnya tidak berbeda
• Hal yang sama dapat diaplikasikan untuk hipotesis alternatif .
 Aplikasi Model

Contoh Soal
(Contoh 8.5 – Gujarati Halaman 333 / 261)
CONTOH
Y = jumlah bunga mawar yang dijual, lusin
= rata-rata harga bunga mawar di tingkat
pedagang besar, $/lusin
= rata-rata harga bunga anyelir di tingkat
pedagang besar, $/lusin
= rata-rata pendapatan bersih mingguan rumah
tangga, $/minggu
= variabel kecenderungan, dengan nilai 1,2 dan
seterusnya untuk menunjukkan periode 1971-III
hingga 1975-II di Kawasan Metropolitan
Detroit.
CONTOH
• Untuk tujuan ilustratif, kita akan menganggap permintaan mawar sebagai fungsi dari harga mawar
dan anyelir, mengeluarkan variabel pendapatan sementara waktu.
• Dua model;
1.Model linear:
2.Model log-linear: ln
• Di mana Y adalah jumlah mawar dalam satua lusin, adalah harga rata-rata mawar ($/lusin), dan
adalah harga rata-rata anyelir ($/lusin).

CATATAN:
• Sebuah perkiraan, bahwa dan nilainya diekspektasikan negatif, dan dan nilainya diekspektasikan
positif.
• Koefisien kemiringan pada model log-linear adalah koefisien elastisitas.
CONTOH
• Maka hasil regresi adalah sebagai berikut:

ln = 9.2278 − 1.7607 + 1.3398

t = (16.2349) (−5.9044) (2.5407)

F = 17.50 = 0.7292
CONTOH
• Seperti yang ditunjukkan sebelumnya, baik model linear maupun log-linear
tampaknya cukup sesuai dengan data: Parameter memiliki tanda yang
diharapkan, serta nilai t dan yang secara statistik signifikan.
• Untuk menentukan diantara model-model ini yang menjadi dasar uji MWD,
pertama-tama kita menguji hipotesis yang menyatakan bahwa model yang
sebenarnya adalah model linear. Kemudian ikuti Langkah IV dari uji tersebut
sehingga kita dapatkan regresi seperti berikut:

Yˆt = 9727.5685 − 3783.0623 + 2817.7157 + 85.2319

t= (3.2178) (−6.3337) (2.8366) (0.0207)

F = 13.44 = 0.7707
CONTOH
• Oleh karena itu, koefisien secara statistik tidak signifikan (nilai p dari nilai t
yang diestimasi adalah 0,98), kita tidak menolak hipotesis yang menyatakan
bahwa model yang sebenarnya adalah model linear.
• Anggap kita ingin mengubah haluan dan mengasumsikan bahwa model yang
sebenarnya adalah model log-linear, kita ikuti Langkah VI dari uji MWD
sehingga kita dapatkan hasil regresi seperti berikut:

= 9.1486 − 1.9699 + 1.5891 − 0.0013

t = (17.0825) (−6.4189) (3.0728) (−1.6612)

F = 14.17 = 0.7798
CONTOH
• Koefisien secara statistik signifikan pada tingkat sekitar 12% (nilai p =
0,1225).
• Oleh karena itu, kita menolak hipotesis yang menyatakan bahwa model yang
sebenarnya adalah model log-linear pada tingkat signifikan tertentu
• .Tentu saja, apabila seseorang berpegang pada tingkat signifikan konvensional
1 atau 5%, maka seseorang tersebut mereka tidak dapat menolak hipotesis
yang menyatakan bahwa model yang sebenarnya adalah model log-linear.
• Namun ada kemungkinan bahwa kita tidak dapat menolak kedua model.
Interpretasi Hasil
INTERPRETASI HASIL
• Hasil pengujian signifikasi terhadap dan dapat memberikan hasil sebagai
berikut:
a) Signifikan dan Signifikan
Jika hasil pengujian signifikansi keduanya adalah signifikan maka dapat disimpulkan
bahwa kedua model (linear dan log-linear) adalah sama-sama benar. Keduanya dapat
digunakan untuk estimasi model
b) Signifikan dan Tidak Signifikan
Memiliki arti bahwa model Log-Linear adalah yang paling tepat sehingga
pengujian berikutnya harus dilakukan pada model ini.
INTERPRETASI HASIL
• Hasil pengujian signifikasi terhadap dan dapat memberikan hasil sebagai
berikut:
a) Tidak Signifikan dan Signifikan
Memiliki arti bahwa model Linear adalah yang paling tepat sehingga pengujian
berikutnya harus dilakukan pada model ini.
b) Tidak Signifikan dan Tidak Signifikan
Kondisi ini merupakan kebalikan dari kondisi kedua Z yang signifikan, namun
memiliki makna yang berbeda. Jika kedua variabel Z signifikan berarti bahwa
kedua model adalah benar, maka kebalikannya adalah kedua model adalah tidak
benar.
THANK YOU!

Questions? 