Operations

MODEL Management
REGRESI
NON-LINEAR

William J. Stevenson

8th edition
PENGANTAR:
Perilaku ekonomi dalam kenyataannya jarang memiliki hubungan linear, karena
itu perlu dibangun model non-linear supaya lebih dekat dengan kenyataan.
Model-model non linear secara umum dapat dikelompokkan menjadi 2, yakni:
1. Model non-linear yang secara intrinsik linear atau linear dalam parameter.,
yaitu model non-linear yang dapat dirubah bentuknya menjadi linear dengan
melakukan transpormasi tertentu. Model seperti ini dapat diestimasi dengan
OLS, seperti fungsi produksi Cobb-Douglass:
Q = β0Kβ1Lβ2ε
Ditransformasikan dengan logarithma natural:
Ln Q = Ln β0 + β1Ln K + β2 Ln L + Ln ε
2. Model non-linear yang memang secara intrinsik non-linear atau non linear
dalam parameter. Model seperti ini tidak dapat diestimasi dengan metode
OLS.
a
Q = -------------
1 + eb+cx
 CONTOH:
1. Fungsi Produksi :
 TPP=Q = f (L, T, M);
L = lahan, T=T. kerja, M=modal)

Fungsi Produksi Type Cobb-Douglas)

 TPP= Q = β0Lβ1Tβ2Mβ3ε

Dilinearkan menjadi:
 Ln Q = Ln β0 + β1Ln L + β2 Ln T +
β3Ln M + Ln ε

Model Cobb-Douglas dapat Model Non-linear fungsi produksi

menentukan Skala Usaha : sangat banyak, tapi yang
β1+ β2 + β3 > 1 : Increasing return to scale paling sederhana dan
β1+ β2 + β3 = 1 : Constant return to scale terkenal adalah model
β1+ β2 + β3 < 1 : decreasing return to scale Cobb-Douglass.
Perbedaan hasil regresi berganda dengan model regresi logaritma
natural
Regression Analysis: PRO versus LHN, TKM, MDL Regression Analysis: LnPRO versus LnLHN, LnTKM, LnMDL

Analysis of Variance Analysis of Variance

Source DF Adj SS Adj MS F-Value P-Value Source DF Adj SS Adj MS F-Value P-Value
Regression 3 697763933 232587978 12299.96 0.000 Regression 3 48.1590 16.0530 12196.17 0.000
LHN 1 4394768 4394768 232.41 0.000 LnLHN 1 0.2836 0.2836 215.43 0.000
TKM 1 498407 498407 26.36 0.000 LnTKM 1 0.0550 0.0550 41.78 0.000
MDL 1 1548158 1548158 81.87 0.000 LnMDL 1 0.1200 0.1200 91.16 0.000
Error 236 4462679 18910 Error 236 0.3106 0.0013
Total 239 702226612 Total 239 48.4697

Model Summary Model Summary

S R-sq R-sq(adj) R-sq(pred) S R-sq R-sq(adj) R-sq(pred)

137.512 99.36% 99.36% 99.32% 0.0362799 99.36% 99.35% 99.34%

Coefficients Coefficients
Term Coef SE Coef T-Value P-Value VIF Term Coef SE Coef T-Value P-Value VIF
Constant -32.8 20.8 -1.57 0.117 Constant 1.219 0.164 7.44 0.000
LHN 12.825 0.841 15.24 0.000 58.97 LnLHN 0.5802 0.0395 14.68 0.000 55.34
TKM 0.646 0.126 5.13 0.000 28.15 LnTKM 0.1628 0.0252 6.46 0.000 22.26
MDL 0.02307 0.00255 9.05 0.000 29.15 LnMDL 0.2736 0.0287 9.55 0.000 30.63

Regression Equation Regression Equation

PRO = -32.8 + 12.825 LHN + 0.646 TKM + 0.02307 MDL LnPRO = 1.219 + 0.5802 LnLHN + 0.1628 LnTKM + 0.2736 LnMDL
TC 2. Fungsi Biaya :

 Modelnya cenderung dalam

bentuk kubik atau kuadratik:

TC =f(Q1, Q2, Q3).

TC = β0 + β1Q + β2Q2 + β3Q3 + ε

 Model ini sudah dalam bentuk

linear dalam parameter, sehingga
bisa langsung dianalisis dengan
menggunakan metode OLS.
Bandingkan hasil regresi model kubik dan kuadratik
Regression Analysis: COST versus PRO, PRO^2, PRO^3 Regression Analysis: COST versus PRO, PRO^2

Analysis of Variance Analysis of Variance

Source DF Adj SS Adj MS F-Value P-Value Source DF Adj SS Adj MS F-Value P-Value
Regression 3 347933 115978 5660.63 0.000 Regression 2 347704 173852 8136.15 0.000
PRO 1 5621 5621 274.33 0.000 PRO 1 45732 45732 2140.23 0.000
PRO^2 1 223 223 10.91 0.001 PRO^2 1 0 0 0.02 0.892
PRO^3 1 229 229 11.17 0.001 Error 237 5064 21
Error 236 4835 20 Lack-of-Fit 200 4400 22 1.23 0.234
Lack-of-Fit 199 4171 21 1.17 0.294 Pure Error 37 664 18
Pure Error 37 664 18 Total 239 352768
Total 239 352768
Model Summary
Model Summary
S R-sq R-sq(adj) R-sq(pred)
S R-sq R-sq(adj) R-sq(pred) 4.62254 98.56% 98.55% 98.21%
4.52642 98.63% 98.61% 96.32%
Coefficients
Coefficients
Term Coef SE Coef T-Value P-Value VIF
Term Coef SE Coef T-Value P-Value VIF Constant 3.10 1.16 2.68 0.008
Constant 7.93 1.84 4.32 0.000 PRO 22.191 0.480 46.26 0.000 7.56
PRO 18.75 1.13 16.56 0.000 43.92 PRO^2 0.0056 0.0412 0.14 0.892 7.56
PRO^2 0.665 0.201 3.30 0.001 188.06
PRO^3 -0.03285 0.00983 -3.34 0.001 66.93
Regression Equation
Regression Equation
COST = 3.10 + 22.191 PRO + 0.0056 PRO^2
COST = 7.93 + 18.75 PRO + 0.665 PRO^2 - 0.03285 PRO^3
 3. Fungsi Permintaan:
P
Qd Qs  Qd = f(Pq, Ps, Pc, P, S)

Model Linear berganda:

 Qd = β0 + β1Pq + β2Ps + β3Pc + β4P +
β5S + ε.
Model Non-linear Tipe Cobb-Douglas
 Qd = β0Pqβ1PSβ2PCβ3Pβ4Sβ5ε
Dilinearkan dengan model logaritma
Q natural
 Ln Qd= Ln β0 + β1Ln Pq+ β2Ln Ps +
4. Fungsi Penawaran: β3 Ln Pc + β4LnP + β5Ln S
 Qs = f(Pq, Ps, Pc, T, B) +Lnε.
Fungsi penawaran juga bisa dirumuskan dalam bentuk linear
berganda atau logarithma natural
5. Model Pertumbuhan Penduduk :
Nt= N0 (1+r)t.
Ln Nt = Ln N0 + t Ln (1+r).
Jika Nt = Y ; Ln N0 = β0 ; Ln (1+r)= β1
Yt = β0 + β1 t
6. Model Eksponensial
Y = eβo + β1X1 + ………βkXku
ditransformasikan menjadi:
Ln Y = Ln β0 + β1Ln X1 + ………+ βkLn Xk + Ln U

7. Model Resiprokal
1
Y = --------------------------------------
β0 + β1X1 + ………+ βkXk + U

dimodifikasi menjadi : 1/Y = β0 + β1X1 + ………+ βkXk + U

tasi Model Regresi:
1. Pada model regresi linear sederhana atau model regresi berganda,
koefien regresinya merupakan nilai marginal dari variabel penjelas
terhadap variabel yang dijelaskan.
Contoh (1) Fungsi Konsumsi C:
C = 100 +0,75 Yd
Angka 0,75 yang dikenal dengan MPC (marginal propencity to
consume) adalah merupakan nilai marginal pendapatan impossible(Yd)
terhadap konsumsi rumah tangga. Diinterpretasikan setiap peningkatan
1 (milyar) pendapatan imposibel (Yd) akan meningkatkan konsumsi
rumahtangga (C) sebesar 0,75 (milyar).
Contoh (2) Fungsi Produksi:
Q = - 32,786 + 12,825 LHN + 0,646 TKM + 0,023 MDL
Jika Lahan meningkat satu unit ( 1 are), citeris varibus maka akan
meningkatkan produksi sebanyak 12,825 (kg). Begitu juga interpretasi
utk Tenaga Kerja Manusia (TKM) dan Modal (MDL).
tasi Model Regresi:
2. Pada model logarithma natural atau logarithma biasa (seperti
pada model fungsi Cobb-Douglass yang ditransformasikan),
maka koefisien regresinya merupakan nilai elastisitas
produksi dari variabel-variabel penjelas yang ada.
Ln Q = Ln 1,219 + 0,580 Ln LHN + 0,163 Ln TKM + 0,274
Ln MDL
Koefisien regresinya diinterpretasikan:
Jika lahan meningkat 1 persen (citeris varibus), maka akan
meningkatkan produksi sebanyak 0,580 persen. Begitu juga jika
tenaga kerja manusia menigkat 1% maka akan meningkatkan
produksi 0,163 persen; dan jika modal yang meningkat 1%,
maka akan meningkatkan produksi 0,274 persen.
3. Bgmn membuktikan bahwa nilai koefisien regresi fungsi
produksi merupakan nilai elastisitas dari faktor produksinya.
Soal
Tahun Y L K
1. Misalkan data produksi (Y)
1958 16607.7 275.5 17803.7
dengan input produksi tenaga 1959 17511.3 274.4 18096.8
kerja (L) dan modal (K) 1960 20171.2 269.7 18271.8
mempunyai hubungan seperti 1961 20932.9 267.0 19167.3
tampak pada Tabel. Coba 1962 20406.0 267.8 19647.6
saudara analisis dgn 1963 20831.6 275.0 20803.5
menggunakan regresi bergan- 1964 24806.3 283.0 22076.6
da dan regresi model Cobb- 1965 26465.8 300.7 23445.2
1966 27403.0 307.5 24939.0
Douglass. interpretsaikan
1967 28628.7 303.7 26713.7
hasilnya secara statistik dan
1968 29904.5 304.7 29957.8
bagaimana skala produksinya. 1969 27508.2 298.6 31585.9
Bandingkan hasilnya mana 1970 29035.5 295.5 33474.5
yang lebih baik, bila 1971 29281.5 299.0 34821.8
dipergunakan untuk 1972 31535.8 288.1 41794.3
meramalkan ?,
n Hasil Regresi Berganda dan Regresi Log.Natural
Regression Analysis: Y versus L, K Regression Analysis: Ln Y versus Ln L, Ln K

Analysis of Variance Analysis of Variance

Source DF Adj SS Adj MS F-Value P-Value Source DF Adj SS Adj MS F-Value P-Value
Regression 2 302524653 151262327 60.34 0.000 Regression 2 0.53804 0.269019 48.07 0.000
L 1 41307178 41307178 16.48 0.002 Ln L 1 0.04314 0.043144 7.71 0.017
K 1 75447951 75447951 30.10 0.000 Ln K 1 0.12897 0.128970 23.04 0.000
Error 12 30081287 2506774 Error 12 0.06716 0.005597
Total 14 332605940 Total 14 0.60520

Model Summary Model Summary

S R-sq R-sq(adj) R-sq(pred) S R-sq R-sq(adj) R-sq(pred)
1583.28 90.96% 89.45% 87.47% 0.0748100 88.90% 87.05% 84.23%

Coefficients Coefficients
Term Coef SE Coef T-Value P-Value VIF Term Coef SE Coef T-Value P-Value VIF
Constant -28067 9432 -2.98 0.012 Constant -3.34 2.45 -1.36 0.198
L 147.9 36.4 4.06 0.002 1.63 Ln L 1.499 0.540 2.78 0.017 1.95
K 0.4036 0.0736 5.49 0.000 1.63 Ln K 0.490 0.102 4.80 0.000 1.95

Regression Equation Regression Equation

Y = -28067 + 147.9 L + 0.4036 K Ln Y = -3.34 + 1.499 Ln L + 0.490 Ln K