PENGENALAN

EKONOMETR
IKA

9th GRADE
KELOMPOK 5
1. Restiana Pambudi 12020220140168
2. Haris Wahyu Hermanto 12020220130067
3. M. Alif Primordia Patra 12020220130058
4. Syafiqri Aestro Risangaji 12020220130124
5. Galih Abdul Rozaq 12020220130045
6. Anisa Firawati 12020220130100
7. Diah Ari Primastiani 12020220120013
8. Gilang Dito Pratama 12020220130118
9. Ahmad Fahrizal Umar 12020220140165
 Apa itu Ekonometrika?

● Secara literal ekonometrika berarti “ukuran ekonomi”.Meskipun pengukuran adalah bagian penting dalam
ekonometrika,lingkupnya lebih luas dari itu,seperti yang dijelaskan oleh kutipan berikut

● Ekonometrika dapat didefinisikan sebagai ilmu sosial,di mana “perangkat” atau metode dari teori
ekonomi,matematika,dan inferensi statistika yang diaplikasikan pada analisis dari fenomena ekonomi
 Mengapa Ekonometrika menjadi sebuah Disiplin Ilmu Tersendiri?

Sebagaimana yang telah dijelaskan melalui definisi tersebut.Ekonometrika adalah

sebuah campuran dari teori ekonomi,matematika ekonomi,statistika ekonomi,dan
matematika statistika.Akan tetapi,topik ini pantas dipelajari karena alasan berikut
ini :

1. Teori Ekonomi menyusun pernyataan atau hipotesis yang sebagian besar

bersifat kualitatif.Sebagai contoh,teori mikroekonomi yang menyatakan bahwa
penurunan harga dari sebuah komoditas akan menaikkan permintaan komoditas
tersebut dengan syarat hal-hal lain tidak ada yang berubah.
Teori ini tidak memberikan ukuran numerik dari hubungan berikut;artinya tidak
disebutkan jumlah kuantitas berkurang atau bertambah sebagai perubahan dari
harga komoditas tersebut.Tugas dari seorang ahli ekonometrika adalah
menyediakan estimasi numerik tadi.

2. Tujuan utama dari matematika ekonomi adalah untuk menyatakan teori

ekonomi dalam bentuk matematis (persamaan)meskipun teori tersebut belum
tentu dapat diukur atau belum teruji secara empiris.Ekonometrika,seperti yang
telah dijelaskan sebelumnya bertujuan dalam pengujian empiris dari teori
ekonomi
3. Statistik ekonomi, secara umum,bertujuan untuk
mengumpulkan,mengolah,dan menyajikan data ekonomi dalam bentuk atau
tabel.Data yang dikumpulkan merupakan data mentah yang dipakai untuk proses
ekonometrika.Akan tetapi,tugas ahli statistika ekonomi hanyalah sampai disitu
saja.Sedangkan pengujian data adalah tugas ahli Ekonometrika
 Metodologi Ekonometrika

Secara garis besar,metodologi ekonometrika tradisional terdiri atas :

1. Menentukan teori atau hipotesis.

2. Spesifikasi model matematika dari teori.
3. Spesifikasi model statistic atau ekonometrika.
4. Mengumpulkan data.
5. Estimasi parameter dari model ekonometrika.
6. pengujian hipotesis.
7. Peramalan atau prediksi
8. Menggunakan model untuk melakukan pengontrolan atau penyusunan kebijakan
1. Menentukan Teori atau Hipotesis

Keynes pernah berkata bahwa :

“Hukum psikologis yang paling mendasar…adalah bahwa setiap pria(wanita) sebagaimana sudah menjadi kebiasaan
dan secara umum,pasti akan meningkatkan konsumsi ketika pendapatan mereka meningkat,namun tidak sama besar
dengan peningkatan pendapatan tersebut”

Singkatnya,Keynes menetapkan teori MPC (marginal prosperity to consume) yaitu tingkat perubahan konsumsi
untuk satu unit perubahan pada pendapatan.
2. Spesifikasi Model Matematika dari Konsumsi
Walaupun Keynes menetapkan hubungan yang positif antara konsumsi dan pendapatan.ia tidak pernah membuat
spesifikasi secara jelas dari bentuk fungsi hubungan diantara keduanya.
 Seorang ahli matematika ekonomi mungkin akan menyarankan bentuk fungsi berikut sebagai fungsi konsumsi
Keynes:

+X 0 < < 1 ( P.3.1)

Di mana Y= Pengeluaran konsumsi dan X = pendapatan,serta dan

Sebagai parameter dari model,secara terpisah dinamakan sebagai koefisien intercept dan kemiringan (slope)
Koefisien kemiringan mengukur nilai dari MPC.Persamaan
ini,yang menjelaskan bahwa konsumsi secara linear berhubungan
dengan pendapatan,merupakan sebuah contoh model matematika
dalam ilmu ekonomi dinamakan fungsi konsumsi.Apabila hanya 1
persamaan seperti contoh diatas maka disebut sebagai model satu
persamaan.Apabila lebih dari 1 persamaan,maka dinamakan model
multipersamaan.
Dalam Persamaan (P.3.1),variabel yang berada di sebelah kiri tanda
sama dengan dinamakan variabel dependen dan variabel yang
berada di sebelah kanan disebut sebagai variable independen atau
variable penjelas.Jadi,dalam fungsi konsumsi Keynes Persamaan
(1.3.1),konsumsi adalah variable dependen dan pendapatan adalah
variable penjelas.
Pengeluaran Konsumsi
 3. Spesifikasi Model Ekonometrika dari Konsumsi
Model matematika dari fungsi konsumsi pada persamaan (P.3.1) kurang berguna bagi ahli ekonometrika,di mana
persamaan tersebut mengasumsikan sebuah hubungan yang tepat atau pasti antara konsumsi dan pendapatan.Akan
tetapi,hubungan di antara variable-variable ekonomi tidak pernah pasti pada kenyataanya.
Untuk dapat menggambarkan hubungan yang tidak pasti antara variabel ekonomi, ahli ekonometrika melakukan
modifikasi pada fungsi konsumsi deterministik menjadi :
 + X + u ( P.3.2)

Di mana u dikenal sebagai faktor gangguan,kesalahan,atau galat dan merupakan sebuah variable acak yang
memiliki sifat-sifat karateristik probabilitas yang cukup terkenal.Faktor gangguan u mungkin mampu mewakili
faktor-faktor lain yang mempengaruhi konsumsi,tetapi belum dijelaskan di persamaan.Persamaan ( P.3.2)
adalah sebuah contoh model ekonometrika.secara teknis persamaan tersebut adalah contoh model regresi linear
Di mana variabel dependen Y (Konsumsi) berhubungan linear terhadap variabel penjelas X
( Pendapatan),tetapi hubungan di antara keduanya tidak bersifat tetap,bergantung pada variasi individual dan
sampel
 Model ekonometrika fungsi konsumsi P.2

Pengel
uaran
Konsu
msi
4. Mengumpulkan Data
Untuk mengestimasi model ekonometrika pada persamaan (P.3.2),
yaitu untuk memperoleh nilai numerik dari β1 dan β2 maka
diperlukan untuk mengumpulkan data.

5. Estimasi Model Ekonometrika

Estimasi numerik dari parameter membuat fungsi konsumsi menjadi
bersifat empiris. Teknik statistik dari analisis regresi merupakan
perangkat atau cara utama untuk mendapatkan nilai estimasinya.
6. Pengujian Hipotesis
Menurut ekonom “positif” seperti Milton Friedman,sebuah teori atau
hipotesis yang tidak bisa dibuktikan secara empiris tidak bisa diterima
sebagai bagian dari pembuktian ilmiah. Sebagai contoh, Keynes
menduga bahwa MPC bernilai positif,tetapi lebih kecil dari 1. Sebelum
menerima hasil tersebut, kita harus memastikan apakah hasil estimasi
tersebut benar bernilai kurang dari satu. Jika benar maka kita dapat
menyimpulkan bahwa teori Keynes benar. Pembuktian kesalahan dari
teori ekonomi berdasarkan sampel merupakan sebuah cabang dari teori
statistik yang dikenal sebagai inferensi atau penarikan kesimpulan
statistik (melalui pengujian terhadap hipotesis yang kita miliki).
7. Peramalan atau Prediksi

● Jika model yang dipilih tidak menyangkal teori yang sedang dipertimbangkan, maka dapat digunakan untuk
memprediksi nilai masa depan dari variabel dependen, atau perkiraan, variabel Y berdasarkan nilai masa
depan yang diketahui dari penjelas, atau predictor, variabel X.
● Misalkan kita ingin memprediksi pengeluaran konsumsi rata-rata untuk tahun 2006. Nilai PDB tahun tersebut
adalah 11319.4 miliar dolar. Maka diperoleh persamaan (P.3.3) berikut:
●Ŷ 2006 =  299.5913 + 0.7218 (11319.4)
= 7870.7516
Nilai PDB rata-rata pengeluaran konsumsi perkiraan adalah sekitar 7870
miliar dolar. Nilai aktual dari pengeluaran konsumsi yang dilaporkan pada
tahun 2006 adalah 8044 miliar dolar. Maka, menurunkan perkiraan
pengeluaran konsumsi aktual sekitar 174 miliar dolar (1,5 %) dari nilai
PDB aktual tahun 2006.
Penggunaan lain dari model estimasi Persamaan (P.3.3). Misalkan presiden
memutuskan untuk mengusulkan pengurangan pajak penghasilan, sebagai
akibat dari perubahan kebijakan yang diusulkan, pengeluaran investasi
meningkat. Dalam teori makroekonomi perubahan senilai satu dolar dalam
pengeluaran investasi diberikan oleh income multiplier M, sebagai
berikut:
Jika menggunakan MPC sebesar 0,72 yang diperoleh dari
Persamaan (1.3.3), pengali ini menjadi sekitar M = 3,57. Artinya,
peningkatan (penurunan) satu dolar dalam investasi pada akhirnya
akan menyebabkan peningkatan (penurunan) pendapatan lebih dari
tiga kali lipat. Dengan demikian, perkiraan kuantitatif MPC
memberikan informasi yang berharga untuk tujuan kebijakan.
Dengan mengetahui MPC, seseorang dapat memprediksi arah
pendapatan, pengeluaran konsumsi, dan pekerjaan di masa depan
setelah perubahan kebijakan fiskal pemerintah.
8. Menggunakan Model untuk melakukan Pengontrolan atau Penyusunan Kebijakan

● Anggap kita sudah mengestimasi fungsi konsumsi dari persamaan (P.3.3). Kemudian, pemerintah yakin bahwa
pengeluaran konsumsi bernilai sekitar 8.750 miliar dolar (harga konstan tahun 2000) akan dapat
mempertahankan tingkat pengangguran pada level 4.2 persen (sama seperti pada awal tahun 2006). Berapakah
level pendapatan yang dapat menjamin bahwa pengeluaran konsumsi akan sebesar yang di targetkan?

● Jika hasil regresi yang diberikan pada persamaan (P.3.3) dapat kita percayai, kita dapat lakukan perhitungan
seperti berikut dengan aritmatika sederhana.
8.750 = -299,5913 + 0,7218 (PDB2006)
Yang menghasilkan X = 12.537, kurang lebih. Hal ini dapat kita
artikan bahwa dengan level pendapatan sekitar 12.537 (miliar)
dolar, dengan asumsi MPC bernilai 0.72, kita akan menghasilkan
pengeluaran konsumsi sebesar 8.750 miliar dolar.
● Seperti yang telah dibuktikan oleh perhitungan tersebut, model estimasi dapat digunakan untuk kontrol atau
penyususnan kebijakan. Dengan gabungan antara kebijakan fiskal dan moneter yang tepat, pemerintah dapat
memanipulasi variabel kontrol X untuk menghasilkan jumlah variabel target Y yang diinginkan.

● Figur P.4 meringkas anatomi dari permodelan ekonemtrika klasik.

 Memilih Model yang Tepat atau Berkompetisi

Ketika pemerintah (misal: US Department of Commerce) mengumpulkan data ekonomi, Misal: data pada Tabel
Pi, mereka belum memiliki memikirkan kira-kira teori ekonomi Apakah yang dapat diaplikasi ke data tersebut.
Kemudian, bagaimana seseorang dapat Memastikan bahwa data tersebut dapat digunakan untuk membuktikan
teori konsumsi Keynes? Apakah karena fungsi konsumsi Keynes (garis regresi) pada figur P.3 sangat Mendekati
titik-titik data aktual? Apakah mungkin terdapat model konsumsi lain (teori lain) Yang mungin lebih sesuai
untuk data-data tersebut? Sebagai contoh, Milton Friedman pernah Mengembangkan sebuah model konsumsi
yang dinamakan sebagai hipotesis pendapatan Tetap. Robert Hal juga pernah mengembangkan sebuah model
konsumsi yang dinamakan Sebagai hipotesis daur hidup pendapatan tetap.” Apakah salah satu atau kedua dari
model Ini juga sesuai untuk data pada Tabel P.1?
Singkatnya, pertanyaan praktis yang dihadapi oleh para peneliti dalam hal ini adalah Bagaimana memilih di antara
hipotesis-hipotesis atau model-model yang menjelaskan Fenomena ekonomi yang diteliti, seperti hubungan
konsumsi-pendapatan. Seperti yang Pernah dikemukakan oleh Miller :
“Konfirmasi akan kebenaran sebuah teori bisa saja tanpa data, terkecuali hipotesis mampu Menggambarkan data
yang ada dibanding cara lainnya.... Sebuah hipotesis semakin Kuat jika berhasil membuktikan dan sekaligus
melemahkan hipotesis yang masuk akal Lainnya.”
Kemudian, bagaimana seseorang dapat memilih di antara model atau hipotesis yang ada? Berikut adalah saran yang
diberikan oleh Clive Granger yang patut untuk diingat:

Saya ingin menyarankan pada Anda jika nanti di masa depan Anda akan mempresentasikan Sebuah teori atau model
empiris baru, perlu Anda pertanyakan bahwa:
(1) Apakah tujuannya? Apakah keputusan ekonomi yang bisa dijelaskan?
(2) Apakah terdapat bukti yang bisa digunakan untuk membandingkan kualitas dari Teori/model kita terhadap
teori/model lainnya?
Saya berpikir bahwa perhatian terhadap pertanyaan-pertanyaan tersebut akan Menguatkan hasil penelitian dan
diskusi ekonomi. Selanjutnya dalam buku ini, kita akan melihat bagaimana hipotesis-hipotesis akan bersaing Untuk
mencoba menjelaskan berbagai fenomena ekonomi. Sebagai contoh, mahasiswa Ekonomi cukup mengenal konsep
fungsi produksi, di mana menjelaskan hubungan antara Output dan input (misal: kapital dan tenaga kerja) secara
mendasar. Dalam referensi, dua model yang paling dikenal adalah fungsi produksi Cobb - Douglas dan constant
elasticity of subtitution (CES). Dengan data yang tersedia baik data output dan input, kita akan mencoba
mengetahui fungsi produksi paling tepat, jika ada, yang menggambarkan data, Delapan langkah metode
ekonometrika Klasik yang dijelaskan sebelumnya sama-sama dapat digunakan untuk menguji kedun hipotesis ini.
 1.4 Tipe-tipe Ekonometrika

Ekonometrika dibagi menjadi dua kategori, yakni Ekonometrika teoritis dan Ekonometrika terapan, yang mana
masing-masing dari keduanya dapat dilakukan dengan menggunakan pendekatan klasik atau Bayesian.

Ekonometrika teoritis berkaitan dengan pengembangan metode yang tepat untuk mengukur hubungan ekonomi
yang ditentukan oleh model ekonometrika. Dalam aspek ini, ekonometrika sangat bersandar pada statistik
matematika, seperti misalnya Least square (kuadrat terkecil). Ekonometrika teoretis harus menguraikan asumsi
metode ini, sifat-sifatnya, dan apa yang terjadi pada sifat-sifat ini ketika seseorang atau lebih asumsi metode tidak
terpenuhi.

Sedangkan, Ekonometrika terapan menggunakan alat ekonometrika teoretis untuk mempelajari beberapa bidang
khusus ekonomi dan bisnis, seperti fungsi produksi, investasi fungsi, fungsi permintaan dan penawaran, teori
portofolio, dll.
 1.5 Prasyarat Matematika dan Statistik

Pembaca buku ini diasumsikan akrab dengan konsep dasar estimasi statistik dan pengujian hipotesis, serta aljabar
matriks. Namun, dalam buku ini terdapat beberapa lampiran yang berguna untuk sekedar mengingat kembali
atau membantu pembaca yang masih kurang paham.

● Lampiran A berisi gambaran umum yang luas namun nonteknis dari konsep-konsep statistik dasar.
● Lampiran B memberikan ringkasan singkat terkait hasil utama dari aljabar matriks.
● Lampiran C memberikan ringkasan teori regresi dasar dalam matriks notasi.
 1.6 Peran Komputer

Pada masa ini, analisis regresi dilakukan dengan menggunakan komputer dan perangkat lunak statistik, seperti
ET, LIMDEP, SHAZAM, MICRO TSP, MINITAB, EVIEWS, SAS, SPSS, STATA, Microfit, PcGive,
dan BMD.

Perangkat-perangkat lunak tersebut memiliki teknik dan tes ekonometrika yang memiliki banyak manfaat, salah
satunya untuk melakukan eksperimen Monte Carlo, yang mana akan sering dibahas dalam materi-materi
selanjutnya.

Eksperimen Monte Carlo adalah latihan yang memungkinkan pembaca untuk menghargai sifat-sifat beberapa
statistik metode yang dibahas dalam buku ini.
 10 Dasar Asumsi Klasik
Asumsi 1. Model regresi linear dalam parameternya.

Asumsi 2. Nilai regresor, X, tetap atau nilai X berdiri sendiri terhadap faktor kesalahan.
Kita membutuhkan kovarians nol antara uᵢ dan setiap variable X.

Asumsi 3. Untuk X tertentu, nilai rerata gangguan uᵢ adalah nol.

Asumsi 4. Untuk X tertentu, varians gangguan uᵢ konstan atau homoskedastis.

Asumsi 5. Untuk X tertentu, tidak ada otokorelasi, atau korelasi seri, di antara faktor
gangguan.
Asumsi 6. Jumlah observasi n harus lebih besar dari jumlah parameter yang
diestimasi.

Asumsi 7. Terdapat variasi yang cukup pada nilai variable X.

Asumsi 8. Tidak ada kolinearitas yang pasti di antara variable X.

Asumsi 9. Model secara benar terspesifikasi sehingga tidak terdapat bias

spesifikasi.

Asumsi 10. Faktor (gangguan) stokastik uᵢ terdistribusi secara normal.

 Berdasarkan asumsi dari CLRM, dalam estimator kuadrat terkecil terkandung sifat ideal
atau optimum. Sifat-sifat ini dimasukkan dalam teori Gauss-Markov yang terkenal.
Sebuah estimator, misalkan estimator OLS, yang dikatakan merupakan estimator
terbaik, linear, dan tidak bias (best linear unbiased estimator-BLUE) jika memiliki sifat-
sifat sebagai berikut:
1. Bersifat linear, dimana merupakan fungsi linear dari sebuah variabel acak, seperti
variabel dependen Y dalam sebuah model regresi.
2. Bersifat tidak bias, di mana nilai rata-rata atau nilai ekspektasinya, E, sama dengan
nilai sebenarnya,
3. Memiliki varians minimum dari semua kelompok estimator-estimator yang linear dan
tidak bias; sebuah estimator tidak bias dengan dengan varians terkecil dikenal sebagai
estimator yang efisien (efficient estimator).
 6

5
5

4 4
4

3 3
3

2 2
2

1 1
1 0.5 0.5
0.3 0.3 0.2
0
1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
β^ Efficient

β^ dikatakan efficient karena memiliki range minimum, atau rentang kesalahan yang kecil.
Menurut Gauss-Markov estimator OLS harus memenuhi kriteria B.L.U.E yaitu :

- Best, parameter dikatakan best ketika memiliki minimum variant atau minim
error.

- Linear, Model dalam regresi sesuai dengan kaidah OLS.

- Unbiased, nilai ekspektasi sama dengan nilai populasi β^ (Nilai Ekspektasi) = β

(Nilai Sampel)

- Estimator, model regresi yang terbentuk memiliki varians dengan nilai terkecil
Asumsi-asumsi BLUE antara lain:
• Model regresi adalah linier pada parameter-parameternya.

• Variabel bebas adalah bukan stokastik (memiliki nilai yang tetap untuk stemple yang
berulang) dan tidak ada hubungan linier yang persis antara dua atau lebih peubah-
peubah bebas (no-multicolinearity).

• Error term atau galat mempunyai nilai harapan nol, EE(εi) =0

• Error term atau mempunyai varians konstan untuk semua observasi

(homoskedasticity), E(ε2) = σ2.
 OLS (Ordinary Least Square)

OLS (Ordinary Least Square) adalah suatu metode ekonometrik dimana

terdapat variable independen yang merupakan variable penjelas dan variable
dependen yaitu variable yang dijelaskan dalam suatu persamaan linier. Dalam
OLS hanya terdapat satu variable dependen, sedangkan untuk variable
independen jumlahnya bisa lebih dari satu. Jika variable bebas yang digunakan
hanya satu disebut dengan regresilinier sederhana, sedangkan jika variable
bebas yang digunakan lebih dari satu disebut sebagai regresi linier majemuk.

OLS merupakan metode regresi yang meminimalkan jumlah kesalahan (error)

kuadrat.
 Uji terhadap pelanggaran asumsi OLS
Beberapa solusi untuk mendeteksi maupun untuk mengatasi masalah pelanggaran asumsi OLS dapat
dilakuan dengan cara sebagai berikut :

1. Masalah multikolinieritas
Multikolinearitas atau kolinearitas jamak ialah pelanggaran asumsi OLS dimana terdapat hubungan yang
signifikan antara variable-variabel independen dalam sebuah sistem persamaan structural. Sejumlah
prosedur dapat dilakukan sebagai indikasi dari terjadinya multikolinearitas, yaitu:

a. Nilai R-squared yang tinggi dan diikuti dengan nilai F-stat yang signifikan, namun sebagian besar nilai
dari t-stat tidak signifikan.
b. Tingkat correlation antar 2variabel bebas. Jika nilai korelasi antar variable tersebut cukup tinggi
(biasanya>0.8), maka diindikasikan terjadi masalah multikolinearitas dalam persamaan tersebut.
c. Besarnya codition number yang berkaitan dengan variable bebas bernilai lebih dari 20 atau 30. Nilai
condition number dapat diperoleh dengan prosedur pemisahan matriks variable-variabel bebas.
 Beberapa cara untuk memecahkan masalah multikolinearitas adalah :

a. Mengurangi variable bebas dalam model yang memiliki korelasi yang tinggi.
b. Mengubah bentuk model persamaan.
c. Menambah data atau memilih sampel baru.
d. Mentransformasikan variable, misalnya dapat dilakukan dengan mengubah
variable yang masih bernilai nominal menjadi variable riil.
2. Masalah Heteroskedastisitas
Heteroskedastisitas adalah pelanggaran asumsi OLS yang menyebabkan parameter yang kita
duga menjadi tidak efisien akibat besaran varians selalu berubah-ubah. Dalam mendeteksi ada
atau tidaknya masalah heteroskedastisitas dapat dilakukan dengan uji White Heteroskedasticity
(no cross term) jika variable bebas berjumlah sedikit atau White Heteroskedasticity (cross
term) jika jumlah variable bebas ang digunakan dalam model adalah banyak.

3. Masalah Autokorelasi
Salah satu asumsi dari metode OLS adalah tidak adanya korelasi serial antar error sedangkan
autokorelasi adalah terjadinya korelasi serial antara error. Pelanggaran asumsi OLS ini akan
menyebabkan parameter yang kita duga menjadi tidak efisien. Untuk mendeteksi ada tidaknya
autokorelasi pada first degree, kita dapat menggunakan nilai Durbin-Watson (DW) dari hasil
regresi. Jika nilai DW semakin mendekati 2 maka asumsi no-autocorelation kita terima. Namun
untuk melihat tingkat autokorelasi pada degree yang lebih tinggi kita gunakan uji Breausch-
Godfrey Lagrange Multiplyer (LM)
GAMBAR KURVA OLS
Thank you