Marlina Ekawaty
TIU: mhs memahami konsep, pendekatan, metodologi
ekonometrika & mampu menerapkannya scr praktis.
ke Pokok Bahasan Sub Bahasan Sumber
Theoritical Applied
Applied Ecm.→ menggunakan alat dr ekm teori unt mempelajari beb bidang khusus ek &
bisnis spt fungsi produksi, investasi, permintaan, penawaran & portofolio
Program statistik → ET, Limdep, Shazam, Micro TSP, Minitap, Eviews, SAS, SPSS, Stata,
Microfit, PcGive
REGRESI: Studi ketergantungan satu var. (v. tergantung, Y) pd ≥ 1
var. lain (v. bebas, X) dg maksud menaksir & at meramal
kan nilai rata2 populasi Y jk nilai X diketahui atau tetap
Ketergantungan statistik (pd var. random/stokhastik: v. yg memp. Distribusi
probabilitas) bukan fungsional/deterministik (F=k[m1.m2/r²], E=mc²).
Tidak berarti hubungan sebab akibat
Contoh: X Y
Umum Tinggi ayah Tinggi anak lelaki
Umur Tinggi anak
Ekonomi Pendapatan disposible Konsumsi
Harga Jumlah permintaan
Upah Tk pengangguran
IHSaham Harga saham A
Biaya iklan Jumlah permintaan
Curah hujan, suhu, cahaya matahari Hasil panen
Regresi Korelasi
Tujuan utama Menaksir nilai rata2 populasi Y mengukur tk hubungan linier 2 var
Sifat analisis Ketergantungan (ada X, Y) Ketidaktergantungan
Perlakuan var. Asimetri: X → nilainya tetap/nonstokhastik, Simetri: kedua var. random
Y → bersifat random, statistik, stokhastik
Istilah & Notasi
X Y
Dependent V. (v bebas) Independent V. (v tidak bebas/tergantung)
Explanatory V. (v yg menjelaskan) Explained V. (v yg dijelaskan)
Predictor (peramal) Predictand (yg diramalkan)
Regressor (yg meregresi) Regressand (yg diregresi)
Stimulus/Control V. (v kendali) Response (tanggapan)
Exogenous (eksogenus) Endogenous (endogenus)
Covariate Outcome
Control V. (v yg mengontrol) Controlled V. (v yg dikontrol)
Regresi Sederhana (simple/two-variable reg.): regresi dg 1 var bebas
Regresi Berganda (multiple reg.): regresi dg ≥1 var bebas
Random= stokhastik, v yg dapat mengambil nilai berapapun dg probabilitas
tertentu
X 1 , X 2 , X 3 ... X k = v bebas ke-1, 2, 3 … k N = jumlah pengamatan populasi
n = jumlah pengamatan sampel
X i = v bebas dg data cross section X t = v bebas dg data time series
Sifat & Sumber Data
Jenis Data: time series, cross section & pooled data
Time series Data Cross Section Data Pooled Data
Data var. dr 1 objek pd > 1 Data var. dr >1 objek Data var. dr >1 objek pd >1 waktu
waktu (tahunan, bulanan, pd 1 waktu
mingguan, harian, 3bulanan)
Dinotasikan dg t Dinotasikan dg i Dinotasikan dg it
Tahunan: GDP, M, I, Data panel/longitudinal/mikropa
nel: objek data cross section yg
sama disurvei slm beb periode
Contoh data:
Sumber data: instansi pemerintah (BPS), lembaga internasional (IMF, World
Bank), swasta, perorangan.
Melalui internet: http://www.portal.euromonitor.com , http://www.bps.go.id,
http://www.lipi.go.id, http://www.ceicdata.com,
http://www.go-indonesia.com/pdbi/, http://www.cides.or.id/, …
Skala data: nominal, ordinal, interval, rasio
TWO-VARIABLES REGRESSION ANALYSIS:
SOME BASIC IDEAS
80 100 120 140 160 180 200 220 240 260 250
55 65 79 80 102 110 120 135 137 150
60 70 84 93 107 115 136 137 145 152
65 74 90 95 110 120 140 140 155 175 200
70 80 94 103 116 130 144 152 165 178
75 85 98 108 118 135 145 157 175 180
88 113 125 140 160 189 185
150
Y=konsumsi
115 162 191
65 77 89 101 113 125 137 149 161 173 Y-Values
X= pendapatan mingguan (80, 100, … , 260)
Y= pengeluaran konsumsi mgan (55, 60,…191)
100
Linear (Y-
N=60 , Ȳ=7272/60=121.20 Values)
50
65, 77, … , 191 = Conditional means of Y =
Conditional Expectation = E(Y/X)
E(Y/X=80)=55(0.2)+60(0.2)+ … +75(0.2)=65
0
X meningkat, mk Y rata2 [E(Y/X)] meningkat → rata2
bersyarat tepat terletak pd garis merah (garis/ kurva
0 100 200 300
regresi) → kurva regresi: tempat kedudukan rata2 X=pendapatan
(harapan) bersyarat Y unt nilai X tertentu
POPULATION REGRESSION FUNCTION
E(Y/Xi) = f(Xi) → PRF
E(Y/Xi)=E(Y/Xi)+E(U/Xi) →
E(Y/Xi)=α+βXi → PRF linear
E(U/Xi)=0, selain pendapatan ada var. lain
α=intersep, β=koefisien yg mempengaruhi pengeluaran
(regresi, persamaan/model regresi) konsumsi. Pengeluaran konsumsi ind
Linear dlm parameter, bukan dlm var. tidak dpt sepenuhnya dijelask hanya dg
var. dlm model regresi
Saat X ↑, Ȳ ↑, apakah Y ind juga ↑ ? Tidak Why ada Ui:
selalu, tp berada di sekitar Ȳ →
- Teori mungkin tidak lengkap
Yi=E(Y/Xi) + Ui, Ui=Stokhastic - Tidak ada data X yg lain
disturbance/error term
- Pengaruh X yg lain kecil & tidak
Yi=α+βXi+Ui sistematis
X=80 → Y1=55=α+β(80)+U1, U1=-10 - Ada kerandoman Y yg tdk terjelaskan
Y2=60=α+β(80)+U2, U2= -5 - Model regresi cukup memasukkan X yg
Y3=65=α+β(80)+U3, U3= 0 relevan (sederhana → Occam)
Y4=70=α+β(80)+U4, U4=5
Y5=75=α+β(80)+U5, U5=10
Bagaimana jk data yg dimiliki ad sampel
bukan populasi? Kita perlu menaksir
PRF dg data sampel.
SAMPLE REGRESSION FUNCTION
Y
X
Sampel-1 Sampel-2
80 70 55
100 65 88
120 90 90
140 95 80
160 110 118
180 115 120
200 120 145
220 140 135
240 155 145
260 150 175
Garis regresi hitam merah
Ŷi=a+bXi+ei→ SRF
Ŷi= penaksir E(Y/Xi)
a = penaksir α
b = penaksir β
e = penaksir U
lanjutan:
Y SRF: Ŷi=a+bXi
SRF ad pendekatan dr PRF, adakah
suatu metode untuk membuat
.Yi pendekatan itu sedekat mungkin?
ei
Ui . Ŷi PRF: E(Y/X)=α+βXi
Bagaimana SRF harus disusun shg a
. E(Y/Xi)
A
sedekat mungkin dg α sebenarnya
& b sedekat mungkin dg β
sebenarnya?
X
Xi
Titik2 di kanan A, SRF overestimate PRF yg
sebenarnya. Titik2 di kiri A, SRF
underestimate PRF yg sebenarnya. Hal
ini tdk bisa dihindari krn fluktuasi
sampling.
2 VARIABLE REGRESSION MODEL: The
Problem of Estimation
Bagaimana mengestimasi PRF berda Prinsip kuadrat terkecil memilih a &
sarkan SRF setepat mungkin? Ada b sedemk rupa shg unt sampel ttt
beberapa metode al: OLS, ML Σei² sekecil mungkin. Dg ini didapat:
( Xi X )(Yi Y ) xi yi
b
The Method of Ordinary Least Square ( Xi X ) 2 xi2
(Yi Yi ) 2 TSS
interval Z t
Se(b) Se(b) ˆ
Pr(b-δ≤β≤b+δ)=1-α
1-α= tk kepercayaan/keyakinan
α= tk signifikansi
mengikuti distribusi t dg df=N-2 → interval
b-δ= batas kepercayaan bawah keyakinan unt β adalah:
b+ δ= batas kepercayaan atas
lanjutan:
Interval keyakinan untuk β adalah: Interval Keyakinan untuk σ² adalah:
Pr t t t 1
2
2 ( N 2)
ˆ
2
2 2
b Pr 12 2 2 1
Pr t t 1 2 2
2 Se(b) 2
2 2
Pr b t .Se(b) b t .Se(b) 1
ˆ 2
2
ˆ 2
Pr ( N 2) 2 ( N 2) 2
2
1
2
1
kritis → Ho ditolak → penting scr statistik Studi ttg komponen2 TSS → An Varians
(statistically significant) (AOF)
Tidak penting scr statistik (statistically Derajat kebebasan TSS=N-1, RSS=N-2,
insignificant) jk t hitung terletak di daerah ESS=1
penerimaan → Ho diterima
Keputusan unt menerima atau menolak Ho :
Jenis Hipt Ho H₁ Keputusan menolak Ho jika:
2 sisi β = β* β ≠ β* |t-h|> t-t , t b , t-t (α, df) , df=n-k
Se(b)
1 sisi-kanan β ≤ β* β > β* k= jumlah parameter (v. bebas + 1)
1 sisi-kiri β ≥ β* β < β* α= tk signifikansi (% kesalahan yg ditolelir) yang
digunakan
p value (sig) < α
P value = tk sig minimal unt menolak Ho:β=0
Aturan 2-t untuk df ≥ 20, Ho:β=0 akan ditolah
pada α=5% jika nilai |t-h|> 2
Aspek praktis uji hipotesa:
a) Arti ‘accepting’ or ‘rejecting’ suatu hipotesa
b) Harapan teori at hasil penelitian sblnya mendasari pembuatan hipotesa. Hipotesa
sebaiknya dibuat sebelum penelitian empiris
c) Tidak ada aturan menetapkan α, tp ekonometrisian menggunakan (1-10)%
d) The exact level of significance : the p value
lanjutan:
F hitung dirumuskan dg: Peramalan Rata-2
MSSdariESS ˆi xi - Besarnya Y untuk Xo=100 ( Yˆ0) adalah:
2 2
F x2 E(Yo/Xo=100)=
MSSdariRSS i ( N 2) 24,4545+0,5091(100)=75,37
- Bisa saja berbeda dr nilai yg sebenarnya →
Digunakan unt menguji Ho:β=0 , Ho ditolak
kesalahan
2 1
peramalan
( X X )2
jk F hitung>F tabel (F kritis) var(Yˆ0 ) 0
Misal F hitung=202,87 > F tabel=5,32 (5%, N x 2
i
Yˆ ( X 0 )
1, 8) → Ho ditolak t 0
Se(Yˆ0 )
Pd regresi sederhana → (t²=F) hitung →
unt Ho: β=0 didapat t hitung=14,26 dan F
Pr a bX 0 t .Se(Yˆ0 ) X 0 a bX 0 t .Se(Yˆ0 ) 1
2 2
hitung=202,87 (=14,26²)
- Besarnya varians dr(100contoh:
ˆ 170 )
var(Y0 ) 42,159 10
1
33000
2
10,4873
Peramalan Se(Yˆ ) 3,2383
0
Misalnya didapat: Yˆi 24,4545 0,5091X i
Hasil regresi dapat digunakan melakukan - Interval keyakinan 95% unt E(Yo/Xo) sebe-
peramalan rata2 dan peramalan indivi- narnya adalah: interval keyakinan unt
dual. fungsi regresi populasi
75,3676 2,306(3,2383) E (Yo / X 100) 75,3676 2,306(3,2383)
67,8965 E (Yo / X 100) 82,8325
lanjutan:
Pelaporan Hasil Analisis Regresi
- Xo=100, dlm penyampelan berulang, 95
Cara yg digunakan:
dari 100 interval (67,8965-82,8325) akan
Yˆi 0,0144 0,7240 X i , F1,11 108,30
meliputi nilai rata2 Y yang sebenarnya
Se (0,9313) (0,0700) r²=0,9065
- Penaksir titik → 75,3676
t (-0,0154) (10,3428) df=11
Peramalan Individual p (0,987) (0,000)
- Untuk Xo=100 besarnya Yo diduga
sebesar
Yˆ0 X 0 24,4545 0,5091(100) 75,3676 Yˆi 24,4545 0,5091X i , F1,8 202,868
(6,4138) (0,0357) r ² = 0,9621
(3,8128) (14,2605) df = 8
→ sama dg peramalan rata2, tetapi (0,005) (0,000)
besar-nya varian adalah 1 ( X 0 X )2
var(Y0 Yˆ0 ) E[Y0 Yˆ0 ] 1
2 2
n x 2
i Evaluasi Hasil Analisis Regresi
Seberapa baik model ?
- untuk contoh didapat var=52,6470 → 1. Kesesuaian tanda koefisien dg teori
interval
(58,6353 Y0 / X 0
keyakinan 95% didapat
92,0925) sebesar
2. Kesignifikanan koefisien scr statistik
3. Kebaikansuaian model (koefisien deter-
→ lebih lebar drp interval keyakinan unt minasi)
nilai rata2 Yo
Sebelumnya pastikan kenormalan dr Ui
Lanjutan:
Uji Normalitas
histogram residual
normal probability plot
S 2 ( K 3) 2
jarque-Bera (JB) test → JB n 6 24
(S=koefisien Skewness, K=koefisien
Kurtosis)
mengikuti distribusi χ² dg df=2, jika nilai p
- Sangat rendah → residual didistribusikan
scr tidak normal
- Tinggi → residual didistribusikan secara
normal
Atau jk nilai JB dibandingkan χ² adalah:
-> residual didistribusikan scr tidak
normal
-< residual didistribusikan scr normal
Extensions of the Two-Variable Linear
Regression Model
1. Regression Through the Origin Hasil: (a) ei tidak tentu nol, (b) r²
→ Yi = βXi + Ui bisa negatif → perlu berhati2
Misal: CAPM dr teori portofolio menggunakannya.
modern → ( ERi r f ) i ( ERm r f ), hip. Sebaiknya menggunakan model dg
Pendapatan permanen Milton intersep krn (a) intersep bs tidak
Friedman (Cp ~ Yp), teori an. Biaya signifikan scr statistik, (b) modei
(VC ~ Q) , teori monete ris (inf ~ Sm) interceptless bs menimbulkan
Estimasi fungsi: specification error.
Yi ˆX i ei Yi ˆ ˆX i ei Contoh: p-153
X Y x .y Yt =1.156Xt Yt=-0.447 + 1.171Xt
i i
i i
X i
2
x 2
i
Se (0.074396) (0.3629) (0.075386)
p (0.000) (0.2188) (0.000)
var( )
2
,ˆ
2 ei2 2 2 ei
2
→ e₁ = -0,0056.e₂
se (0,0019) r²=0,1152
-0,0056 = nilai yg sebenarnya at menggambarkan efek bersih dr perubahan
X₁ terhadap Y (koefisien regresi parsial dr Y thd X₁ (β₁)
OLS Estimation of Partial Regression Coefficient
SRF → Yi 1 X 1i 2 X 2i ei
min ei2 (Yi 1 X 1i 2 X 2i ) 2
ESS ˆ1 yi x1i ˆ2 yi x2i
Y 1 X 1 2 X 2 R
2
TSS yi2
1
y x x y x x
i 1i
2
2i i 2i 1i x2i
x x x x
2
1i
2
2i 1i 2i
2
2
y x x y x x
i 2i
2
1i i 1i 1i x2i
x x x x
2
1i
2
2i 1i 2i
2
1 X 12 x22i X 212
x12i 2 X 1 X 2 x1i x2i 2
var ˆ .
n x12i x22i ( x1i x2i ) 2
5. Testing the Equality of Two Ho ditolak krn ItI>t kritis → tidak betul
Regression
Yi Coef
1 X.1i 2 X 2i 3 X 3i U i bahwa koef. X₂ dan X₃ ad identik (sama).
6. Restricted Least Square: Testing
Diuji hipotesa: Ho: β₂=β₃=0 or (β₂-β₃)=0 Linear Equality Restrictions
H₁ :β₂≠β₃
( ˆ ˆ ) ( )
or (β₂-β₃)≠0
ˆ ˆ
Fungsi produksi Cobb-Douglass
t 2 3 2 3
2 3
F
RSS R RSSUR / m R
RR2 / m
2
UR ln Ct 2,03 0,45 ln Yt 0,38 ln At ut
RSSUR /(n k ) 1 RUR
2
/(n k )
Df m adalah 1 unt (2) & (3), 4 unt (4).
(0,12) (0,02) (0,06) R²r=0,9801
Jk Fh>F(α,m,n-k) → Ho ditolak F
R
UR
RR2 / m 0,9823 0,9801/ 2
2
1,1224
Contoh: konsumsi ayam/kapita (C), dipe
1 RUR
2
/(n k ) 1 0,9823/(23 5)
ngaruhi pendapatan disposible/kap (Y), harga
ayam (A), daging (S), & babi (B). F(5%,2,18)=3,55 → Fh<Ft → Ho diterima,
Konsumsi ayam tidak dipengaruhi harga
daging sapi & babi
lanjutan:
Uji F untuk menambah/mengeluark Testing for Structural or Parameter
variabel: Stability of Regr. Models: The Chow
F
ESS N ESS 0 /(k N k 0 ) RN2 RO2 /(k N kO )
Test
RSS N /( n k N ) 1 R /(n k
2
N N ) Model regresi dg data time series, me-
mungkinkan adanya perubahan struk-tural
Jika F>F[α,(k N k0 ), (n k N ) ]→ var X yg dlm hubungan antara X dg Y.
baru sebaiknya dimasukkan model. Perubahan struktural berarti nilai para-
Contoh: Mˆ i 157,4244 0,0114Yi , r 2 0,1528 meter model tidak tetap sama selama
(15,99) (-3,52) r²=0,1662 keseluruhan periode. Hal ini bisa disebab
F
0,7077 0,1662/(3 2) 113.05 kan karena faktor eksternal spt embargo
1 0,7077 /(64 3) minyak ol OPEC, perubahan kebijakan,…
F(5%;1,61)=4,00 → F>Ft → var. F sebaik Bagaimana menemukan bh perubahan
nya dimasukkan dlm model regresi struktural terjadi? Contoh: fungsi tabu-ngan
USA 1970-1995. Anggap 1982 ter jadi resesi
ekonomi.
1970-1981 Ŷt=1,0161 + 0,0803Xt
t (0,0875) (9,6015)
r²=0,9021 RSS-1=1785,032 df=10
lanjutan:
1982-1995 Ŷt=153,4947 + 0,0148Xt Testing the Funcional Form: Choosing
t (4,6922) (9,6015) betw Linear & Log Linear-MWD Test
r²=0,29711 RSS-2=10005,2 df=12 Ho: Model Linear (Y ad fungsi linear dr X)
1970-1995 Ŷt=62,4226 + 0,0376Xt H₁ : Model Log-Linear (lnY ad f. linear lnX)
t (4,8917) (8,8937)
Tahap uji MacKinnon, White & Davidson:
r²=0,7672 RSS-3=23248,3 df=24
-Estimasi model linear, dapatkan nilai Ŷ
F hitung didapat dg rumus:
RSS R RSSUR / k -Estimasi model log-linear dapatkan nilai
F
RSSUR /( n1 n2 2k ) ln̂ Y
Practical
- Walaupun BLUE, estimator OLS memiliki Ĉi= 24,411 + 0,0498Wi R²=0,9567
(3,551) (13,29)
varians & kovarians yg besar sulit men
dapatkan estimator yg akurat
Ln = -0,468+0,805.lnYi+0,202.lnW-0,003.I
- Interval kepercayaancenderung sangat Ĉi
(0,000) (0,000) (0,000) (0,000)
lebar menerima Ho
R²=0,9996 F=37832,59 p-F=0,000
- t hitung cenderung tidak sig scr statistik
0,805 elastisitas pendapatan 0,805, artinya: dg
walaupun R² sangat tinggi W dan I tetap, jk pendapatan (y) naik 1%, mk
- Esrimator OLS & Se-nya sensitif thd peru- rata2 konsumsi (C) akan naik 0,805%.
bahan kecil dlm data
Detection of Multicollinearity
Multikol pd dasarnya ad fenomena - Tolerance & Variance Inflation Factor
sampel, deteksi keberadaan multikol: Jk VIF>10 kolinear tinggi,
- R² tinggi (>0,8) tp t hitung sedikit yg sig. Tol~0 kolinear tinggi, Tol~1 kolinear
- Korelasi berpasangan tinggi diant var. X rendah
(regresi dg 2 var. X) koef. Korelasi derj - Scatterplot (gb. 10.4 hal.341)
0 ant 2 var. X ad tinggi (>0,8) Remedial Measures
- Pemeriksaan korelasi parsial R² model
Jk multikol ad parah, yg dapat dilakukan ad:
tinggi, tp r² (Y dg X₂, Y dg X₃, Y dg X₄) ren- - Do nothing
dah (Farrar & Glauber) R X2 . X X ... X /(k 2) - Follow some rule of the thumb
- Regresi auxillary Fi (1 R 2
i 2 3 k
X . X X ... X ) /( n k 1)
i 2 3 k
a. A priori information
jk Fi>F kritis dg df (k-2) & (n-k+1) Xi
memp kolinear dg X lainnya, apakah Xi b. Kombinasi data time series dg cross
perlu dikeluarkan dr model regresi? Klein’ section
rule of thumb jkR X2 . X X ... X >R² model
i 2 3 k
c. Mengeluarkan var X yg berkolinear tinggi
berarti ada masalah multikol parah d. Transformasi var bentuk differensi
- Eigenvalue & Condition Index pertama, bentuk rasio
Jk 100<k<1000 multikol sedang-kuat, e. Menambah at menggunakan data baru
k>1000 multikol parah, k=max eigen f. An faktor, an komponen utama
value/min eigenvalue.
lanjutan:
Jk tujuan regresi ad prediksi , multikol Deteksi multikol
tidak masalah, tp tidak jk tujuannya jg
X₁ X₂ X₃ X₄ X₅
estimasi parameter yg dpt diandalkan.
Regresi data Longley
0,992
Var. Koefisien Prob. R² value Tol=1-R²
0,621 0,604
C -3482259, 0,0036
0,465 0,446 -0,18
X₁ 15,06187 0,8631 0,9926 0,0074
0,989 0,991 0,686 0,364
X₂ -0,035819 0,3127 0,9994 0,0006
0,991 0,995 0,668 0,417 0,994
X₃ -2,020230 0,0025 0,9702 0,0298
X₄ -1,033227 0,0009 0,7213 0,2787 Perbaikan:
X₅ -0,051104 0,8262 0,9970 0,0030 - Memasukkan PNB riil, RGNP=X₂/X₁
X₆ 1829,151 0,0030 0,9986 0,0014 - Mengeluarkan X₆, X₃
R²=0,9955 F=330,2853 (0,000) DW=2,56 Var. Koefisien Prob.
C 65720,37 0,0000
Gejala multikol:
RGNP 9,736496 0,0002
- R² tinggi tp 3 X tidak sig scr statistik (X₁, X₂
X₄ -0,687966 0,0541
& X₅)
X₅ -0,299537 0,0562
- Korelasi berpasangan cukup tinggi
R²=0,9955 F=211,10(0,00)
- R² regresi penyokong tinggi kecuali X₄
HETEROSCEDASTICITY
Asumsi CLRM ad Ui dlm PRF ad homo Estimasi OLS Dg adanya Heterosk.
skedastik (memp varians yg sama) Penaksir OLS tetap tidak bias & konsisten
berapapun X E(Ui²)=σ² i=1,2,…,n tp tidak efisien dlm sampel besar at kecil.
Alasan varians Ui bersifat variabel: Metode General LS (GLS)
- Mengikuti model kesalahan belajar,
misal nya kesalahan ketik dg makin Deteksi Heteroskedastisitas
seringnya praktek mengetik Metode informal
- Makin tinggi pendapatan, makin tinggi - Sifat dr masalah
discretionary income – pilihan
- Metode grafis
pembagian pendapatannya makin
banyak Metode formal
- Uji Bentuk Pengujian
Tehnik pengumpulan data makin baik
Park LnU²=α+β.lnX Jk β signifikan scr
- Kewujudan outlier statistik berarti
Glejser |Ui|=α+β.X
- Spesifikasi model yg tidak benar terjadi heteroske-
|Ui|=α+β. √X dastisitas
- Skewness dlm dist ≥1 var X dlm model
|Ui|=α+β.1/X
- David Henry: transformasi data yg tidak
|Ui|= (α+β.1/√X)
tepat, bentuk fungsional model tdk tepat
|Ui|=√(α+β.X)
Masalah heteroskedastisitas sering |Ui|=√(α+β.X²)
ditemui dlm data ceoss section
lanjutan:
Ŷi=1992,3452+0,2329Xi R²=0,4375 Contoh:
(2,1275) (2,3333) n=90 Yi Xi Ŷi Ui RU RX d d²
BF 12,4 12,1 11,37 1,03 9 4 5 25
Uji Park LnUi²=35,817-2,8099.lnXi
DF 14,4 21,4 15,64 1,24 10 9 1 1
R²=0,0595 (0,934) (-0,667)
EF 14,6 18,7 14,40 0,20 4 7 -3 9
Uji Glejser |Ui|=407,2783-0,0203Xi FI 16,0 21,7 15,78 0,22 5 10 -5 25
R²=0,0127 (0,6432) (-0,3012) IM 11,3 12,5 11,56 0,26 6 5 1 1
- Uji Spearmen’s Rank Correlation LSM 10,0 10,4 10,59 0,59 7 2 5 25
MIT 16,2 20,8 15,37 0,83 8 8 0 0
Lakukan regresi, dapatkan Ui
NEF 10,4 10,2 10,50 0,10 3 1 2 4
Ranking besarnya |Ui| dr yg terkecil/terbe
PFB 13,1 16,0 13,16 0,06 2 6 -4 16
sar. Ranking besarnya Xi atau Yi, cari 2
beda kedua ranking & hitung:
r 1 6 2di WF 11,3 12,0 11,33 1,03 1 3 -2 4
rs n 2 s n ( n 1)
Hitung t
Tot 0 110
2
1 rs
rs 1 6 10 (110
1001) 0,3333
0 , 3333 10 2
unt df 8, th tidak
Jk t hitung > t kritis (pd α dan df=n-2) t 0,9998
10 , 3333
sig pd α=10%
terjadi heteroskedastisitas. Jk X lebih dr
tidak ada bukti terjadi hub sistematik
1, dihitung |Ui| & tiap X scr terpisah &
antara X dg absolut Ui, tdk terjadi hete-
hitung t-nya.
roskedastisitas
Lanjutan:
- Uji White’s General Heteroscedasticity Ho : ρ=0
Estimasi model regresi Y=α+β₁X₁+β₂X₂ , da- Jk Ho diterima, ρ tidak sig scr statistik (dg
patkan Ui. uji t) tidak terjadi heterosk
Estimasi Ui²=f(X₁,X₂,X₁²,X₂²,X₁X₂), dapatkan Jk model double log Ui² diregresikan
R²-nya hitung n.R² mengikuti distri- pada (lnŶi)²
busi χ² dg df= jumlah var bebas dr reg-resi Perbaikan:
Ui²
a. Jk σ² diketahui metode Weight LS
Jk n.R² > χ² kritis terdapat heterosk. Yi 1 ˆ Xi ui
ˆ * *
Contoh: LnYi=α+β₁.lnX₁+β₂.lnX₂+Ui i i i i
Uji WGHUi²=-5,84+2,56lnX₁+0,69lnX₂- Yi 1 X
3406,639 154,153 i , R 2 0,9993
0,41(lnX₁)²-0,05(lnX₂)²+0,0015(lnX₁. lnX₂) i i i
R²=0,1148 n.R²=41.0,1148=4,7068 Yi 3417,833 148,767 X i , R 2 0,9383
Asumsi:
a. Model dg konstanta, tidak memasukkan
Y(t-1) sbg var bebas
b. X nonstokastik
c. Ut mengikuti distribusi normal
Konsumsi AS
Variables Coefficient Std.Error t-Statistics Prob.
1947-2000
Konstanta -0,467711 0,042778 -10,93343 0,0000
Ln(Income) 0,804873 0,017498 45,99836 0,0000
Ln(Wealth) 0,201270 0,017593 11,44060 0,0000
V. dependent:
Interest -0,002689 0,000762 -3,529265 0,0009
Ln(Konsumsi)
R-squared 0,999560 Mean dependent var.
Adjusted R-adjusted 0,999533 7,826093
n=54
S.E. of regression 0,011934 S.D. dependent var. 0,552368
Sum squared resid. 0,007121 F-statistics 37832,59
Log likehood 164,5880 Prob. (F-statistics) 0,000000
Durbin-Watson stat. 1,289219
Variables Coefficient Std.Error t-Statistics Prob. Hasil estimasi
Konstanta -0,399833 0,070954 -5,635112 0,0000 dg Skema
Ln(Income) 0,845854 0,029275 28,89313 0,0000 autokorelasi(1)
Ln(Wealth) 0,159131 0,027462 5,794501 0,0000
Interest 0,001214 0,000925 1,312986 0,1954
AR(1)/C(-1) 0,612443 0,100591 6,088462 0,0000 V. dependent:
Ln(Konsumsi)
R-squared 0,999688 Mean dependent var. 7,843871
Adjusted R-adjusted 0,999662 S.D. dependent var.
S.E. of regression 0,009954 0,541833 n=53
Sum squared resid. 0,004756 F-statistics 38503,91
Log likehood 171,7381 Prob. (F-statistics) 0,000000
Durbin-Watson stat. 1,874724
15. QUALITATIVE RESPONSE REGRESSION
MODELS
Bagaimana jk var tergantung dr fungsi regresi adalah kualitatif? Misalnya
kepemilikan kartu kredit-asuransi jiwa, walikota terpilih, keputusan pembelian
barang, … jk pilihan 2 biner/dikotomi LPM, Logit, Probit/Normit
Linear Probability Model (LPM)
Yi = α + βXi + Ui , Yi= kepemilikan rumah Yi=1 : keluarga punya rumah,
Yi=0 : keluarga tidak punya rumah, Xi = pendapatan
E(Yi/Xi)=α+βXi probabilita suatu keluarga memiliki rumah Yi Probabilitas
Yi mengikuti distribusi Bernoulli E(Yi)=0(1-Pi)+1.Pi=Pi 1 Pi
0≤E(Yi/Xi)≤1 0 1-Pi
- Walaupun penduga OLS tidak bias, Ui tidak terdistribusi normal (Bernoulli) tp
seiring dg peningkatan n penduganya akan cenderung terdistribusi normal
- Varians Ui bersifat heteroskedastis
var(Ui)=Pi(1-Pi) , Pi= E(Yi/Xi)=α+βXi var Ui tergantung nilai X , bisa diperbaiki
Yi X u
dg WLS i i , wi Yˆi (1 Yˆi )
wi wi wi wi
lanjutan:
- Nilai probabilitas Pi ada kemungkinan tidak memenuhi 0≤E(Yi/Xi)≤1
- Nilai R² diragukan sbg goodness of fit (lebih kecil)
Contoh: a. Kepemilikan rumah
Yi 1 X
Ŷi = -0,9457 +0,1021Xi , r²=0,8048 1,2456 0,1196 i , r 2 0,9214
wi wi wi
(-7,698) (12,515) n = 40 (-10,332) (17,454) n=28
α=-0,9457 probabilitas keluarga dg pendapatan 0 memiliki rumah ad 0%
β=0,1021 jika pendapatan naik $1 (000), mk probabilitas keluarga akan memiliki rumah
naik rata2 10,21%
X=12000 Yi=-0,9457 + 0,1021(12000) = 0,2795 probabilitas keluarga dg pendapatan
$12,000 akan memiliki rumah ad 28%
b. Penggunaan kartu debit Y=1 : pakai kartu debit
Variabel Model-1 Model-2
=0 : tidak pakai kartu debit
Konstanta 0,361* 0,3631*
Pemilik saldo rekening lebih besar cenderung memakai
Saldo 0,00028* 0,00028*
kartu debit dlm transaksi
JTA -0,0269 -0,0269
Jumlah transaksi melalui ATM (JTA) tidak mempengaruhi
pemakaian kartu debit. Tanda negatif mungkin disebab Bunga -0,3019* -0,3019*
poin, ceteris paribus, logit akan turun 1,35. Bunga -1,35209 0,0471