PENGANTAR

EKONOMETRIKA
Pertemuan 6

TONY ARDIAN
Metode Ordinary Least Squares
(OLS)
Metode Ordinary Least Square merupakan salah
satu metode dalam analisis regresi berganda
 untuk mengetahui pengaruh variabel bebas
terhadap variabel tak bebas. Metode Ordinary
Least Square akan menghasilkan estimasi yang
terbaik dibanding dengan metode lain jika
semua asumsi klasik terpenuhi. Sebaliknya, jika
asumsi klasik tidak terpenuhi akan
menghasilkan estimator yang jelek.
Metode Ordinary Least Square (OLS)
Metode Ordinary Least Square (OLS) ditemukan
oleh seorang matematikawan dari Jerman, Carl
Friedrich Gauss, dimana metode OLS adalah
metode yang digunakan untuk mengestimasi
suatu garis regresi dengan cara mencari nilai
 minimal untuk jumlah kuadrat kesalahan antara
nilai prediksi dengan nilai kenyataannya. Oleh
karena itu, metode ini disebut Least Square.
Metode Ordinary Least Square (OLS)
dimana jumlah error keseluruhan adalah
sebagai berikut,

Apabila persamaan linear-nya sebagai berikut,

Maka, persamaan jumlah kuadrat error

keseluruhannya adalah sebagai berikut,

 Notasi matriks untuk jumlah kuadrat error

(∑𝜀𝑖2) adalah sebagai berikut,
Seperti yang kita ketahui bahwa didalam analisis regresi, terdapat
beberapa kali pengamatan, sehingga terdapat beberapa (n) persamaan
liner, yang bergantung dari jumlah pengamatan yang dilakukan,

Persamaan diatas, dapat ditulisakan dalam bentuk matriks-nya

sebagai berikut,

atau secara sederhana dapat ditulis 𝒀 = 𝑿𝜷 + 𝜺

Catatan : Huruf tebal menunjukkan bahwa elemen-elemen yang ada
didalam persamaan tersebut berbentuk matriks
 Metode Ordinary Least Squares (OLS)
Yi = 1 + 2 Xi + (1)
i Persamaan umum Regresi
sederhana
Yi = 1 + 2 Xi + i(2)
1 dan 2 adalah nilai estimasi
Ŷi = 1 + 2 Xi (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
2 = 1 =
n  Xi – (Xi)
2 2
n  Xi2 – (Xi)2
(Xi – X)(Yi – Y)
= = Y – 2 X
(Xi – X)2
Koefisien parameter untuk 1 dan 2
n xiyi
=
 x i2
Standard error of the estimates

Var(2) = 2 /  Xi2

2 
Se(2) = Var(2) = =
 X i2  X i2

 Xi2
Var(1) = 2
n  xi2

 X i2
Se(1) = Var(1) = 2
n  xi2

  i2
2 =  i2 =  yi2 – 22  xi2
n–2
 (xi yi) 2
=  yi 2 –
 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
atau r2 = 22
ESS  i2  yi 2
= 1 – = 1–
TSS  (Yi - Y)2
 (xi yi) 2
=
 xi2  yi2