EKONOMETRIKA

REGRESI SEDERHANA 2
Konsep Dasar
Model regresi merupakan suatu cara formal untuk mengekspresikan dua unsur penting suatu
hubungan statistik :
1. Suatu kecenderungan berubahnya peubah tidak bebas Y secara sistematis sejalan dengan
berubahnya peubah besar X.
2. Perpencaran titik-titik di ser kurva hubungan statistik itu.

Kedua ciri ini disatukan dalam suatu model regresi dengan cara mempostulatkan bahwa :
3. Ada suatu rencana peluang peubah Y untuk setiap taraf (level) peubah X.
4. Rataan sebaran-sebaran peluang berubah secara sistematis sejalan dengan berubahnya nilai
peubah X.
Analisis Regresi Linear Sederhana

Regresi Linear Sederhana adalah Metode Statistik yang berfungsi untuk menguji sejauh mana
hubungan sebab akibat antara Variabel Faktor Penyebab (X) terhadap Variabel Akibatnya. Faktor
Penyebab pada umumnya dilambangkan dengan X atau disebut juga dengan Predictor sedangkan
Variabel Akibat dilambangkan dengan Y atau disebut juga dengan Response. Regresi Linear
Sederhana atau sering disingkat dengan SLR (Simple Linear Regression) juga merupakan salah satu
Metode Statistik yang dipergunakan dalam produksi untuk melakukan peramalan ataupun prediksi
tentang karakteristik kualitas maupun Kuantitas.
Bentuk Fungsional Hubungan Regresi
Pemilihan bentuk fungsional hubungan regresi terkait dengan pemilihan
peubah bebasnya. Ada kalanya, teori bilang ilmu bersangkutan bisa
menunjukkan bentuk fungsional yang cocok. Teori belajar, misalnya, mungkin
mengindikasikan bahwa fungsi regresi yang menghubungkan biaya produksi
dengan berapa kali suatu item tertentu telah pernah muncul harus memiliki
bentuk tertentu dengan sifat-sifat asimtotik tertentu pula.
Yang lebih sering dijumpai adalah bahwa bentuk fungsional hubungan regresi
tersebut tidak diketahui sebelumnya, sehingga harus ditetapkan setelah datanya
diperoleh dan dianalisis. Oleh karenanya, fungsi regresi linier atau kuadratik
sering digunakan sebagai suatu model yang cukup memuaskan bagi fungsi
regresi yang tidak diketahui bentuknya. Bahkan, kedua jenis fungsi regresi yang
sederhana itu masih juga sering digunakan meskipun teori yang mendasarinya
menunjukkan bentuk fungsionalnya, terutama bila bentuk fungsional yang
ditunjukkan oleh teori terlalu rumit namun secara logis bisa dihampiri oleh
suatu fungsi linier atau kuadratik.
Kegunaan Analisis Regresi
Analisis regresi setidak-tidaknya memiliki 3 kegunaan, yaitu :
1. Untuk tujuan deskripsi dari fenomena data atau kasus yang sedang diteliti, regresi
mampu mendeskripsikan fenomena data melalui terbentuknya suatu model hubungan
yang bersifat numerik
2. Untuk tujuan control, regresi juga dapat digunakan untuk melakukan pengendalian
(kontrol) terhadap suatu kasus atau hal-hal yang sedang diamati melalui penggunaan
model regresi yang diperoleh, serta
3. Sebagai prediksi. model regresi juga dapat dimanfaatkan untuk melakukan prediksi
variabel terikat
Model Persamaan Regresi Linear Sederhana adalah seperti berikut ini:

Y = a + bX
Dimana :
Y = Variabel Response atau Variabel Akibat (Dependent)
X = Variabel Predictor atau Variabel Faktor Penyebab (Independent)
a = konstanta
b = koefisien regresi (kemiringan); besaran Response yang ditimbulkan oleh Predictor.
Nilai-nilai a dan b dapat dihitung dengan menggunakan Rumus dibawah ini :

a = (Σy) (Σx²) – (Σx) (Σxy)

. n(Σx²) – (Σx)²

b = n(Σxy) – (Σx) (Σy)

. n(Σx²) – (Σx)²
Berikut ini adalah Langkah-langkah dalam melakukan Analisis Regresi
Linear Sederhana :

1. Tentukan Tujuan dari melakukan Analisis Regresi Linear Sederhana

2. Identifikasikan Variabel Faktor Penyebab (Predictor) dan Variabel Akibat
(Response)
3. Lakukan Pengumpulan Data
4. Hitung X², Y², XY dan total dari masing-masingnya
5. Hitung a dan b berdasarkan rumus diatas.
6. Buatkan Model Persamaan Regresi Linear Sederhana.
7. Lakukan Prediksi atau Peramalan terhadap Variabel Faktor Penyebab atau
Variabel Akibat.
Koefisien Korelasi (r)
Konsep yang sangat erat kaitannya dengan koefisien determinasi (R2) adalah koefisien
korelasi (r). R2 adalah koefisien yang menjelaskan hubungan antara variabel dependen (Y)
dengan variabel independen (x) dalam suatu model. Sedangkan koefisien korelasi (r)
mengukur derajat keeratan antara dua variabel. Koefisien korelasi (r) antara X dan Y dapat
didefinisikan sbb:
ORDINARY LEAST SQUARE (OLS)
Pengertian 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. ... OLS merupakan metode regresi yang
meminimalkan jumlah kesalahan (error) kuadrat.
Dalam model regresi linear sederhana untuk mengetahui hubungan antara
dua variabel yang salah satu variabel menjadi variabel dependent (tak
bebas) dan variabel lainnya independent (variabel bebas). Dalam analisis
regresi linear, hasil akhir yang diperoleh adalah fungsi regresi populasi
yang didapat dari fungsi regresi sampel yang nantinya dapat digunakan
untuk estimasi.
Ada beberapa metode yang dapat digunakan untuk mengestimasi fungsi regresi, salah
satunya adalah OLS (Ordinary Linear Square). OLS merupakan metode estimasi fungsi
regresi yang paling sering digunakan. Kriteria OLS adalah "Line of Best Fit" atau dengan
kata lain jumlah kuadrat dari deviasi antara titik-titik observasi dengan garis regresi
adalah minimum.
Dalam model regresi linear memiliki beberapa asumsi dasar yang harus dipenuhi untuk
menghasilkan estimasi yang BLUE, yaitu : Homoscedastic, no-multicollinearity dan no-
autocorrelation.

Adapun estimator yang BLUE, adalah

1. Best, hasil model regresi adalah terbaik dan menghasilkan error yang kecil.
2. Linear, model yang digunakan dalam regresi sesuai kaidah model OLS yaitu linear dan
pangkat variabel-variabelnya paling tinggi adalah satu
3. Unbiased, nilai yang diharapkan (hasil estimasi menggunakan model regresi) sama
dengan nilai yang benar
Estimator, model regresi yang terbentuk memiliki varians yang minimal dari estimator
lainnya.
Asumsi-asumsi yang BLUE :
1. Model regresi adalah linear dalam parameter
2. Error term berdistribusi normal, implikasinya Y dan distribusi sampling koefisien
regresi memiliki distribusi normal. Sehingga nilai harapan dan rata-rata kesalahan
(error) adalah nol.
3. Varians tetap (homoscedastic)
4. Tidak ada hubungan variabel bebas dengan error term
5. Tidak ada autocorrelation antara error term
6. Pada regresi linear berganda hubungan antarvariabel bebas (multicolinearity) tidak
terjadi.
Hasil estimasi yang bersifat BLUE, sebagai berikut :
1. Efisien, hasil nilai estimasi memiliki varians yang minimum dan tidak bias
2. Tidak bias (unbiased), hasil estimasi sesuai dengan parameter
3. Konsisten, jika ukuran sampel ditambah tanpa batas, maka hasil nilai
estimasi akan mendekati parameter populasi sebenarnya. (jika memenuhi
asumsi normal, dimana error term berdistribusi normal standar dengan mena
nol dan standar deviasi satu)
4. Intercept nilai dependent saat nilai independent nol memiliki distribusi
normal
5. Koefisien regresi akan memiliki distribusi normal
Uji Hipotesis
Hipotesis merupakan pernyataan tentang sifat populasi sedangkan uji hipotesis adalah suatu
prosedur untuk pembuktian kebenaran sifat populasi berdasarkan data sampel.
Seseorang yang melakukan penelitian akan lebih banyak menggunakan data sampel daripada
data populasi. Dari sampel yang diambil kemudian dapat jadikan sebagai alat untuk verifikasi
kebenaran populasi. Di dalam melakukan penelitian berdasarkan sampel, seorang peneliti
dengan demikian harus menyatakan secara jelas hipotesis penelitian yang dilakukan untuk
dibuktikan kebenarannya melalui penelitian dari data sampel.
Dalam statistika, hipotesis yang ingin uji kebenarannya tersebut biasanya
bandingkan dengan hipotesis yang salah yang nantinya akan tolak. Hipotesis
yang salah dinyatakan sebagai hipotesis nol (null hypothesis) disimbolkan H0
dan hipotesis yang benar dinyatakan sebagai hipotesis alternatif (alternative
hypothesis) dengan simbol Ha.
Dalam menguji kebenaran hipotesis dari data sampel, statistika telah
mengembangkan uji t. Uji t merupakan suatu prosedur yang mana hasil sampel
dapat digunakan untuk verifikasi kebenaran atau kesalahan hipotesis nol (H0).
Keputusan untuk menerima atau menolak H0 dibuat berdasarkan nilai uji statistic yang
diperoleh dari data. Hal yang penting dalam hipotesis penelitian yang menggunakan data
sampel dengan menggunakan uji t adalah masalah pemilihan apakah menggunakan dua sisi
atau satu sisi. Uji hipotesis dua sisi dipilih jika tidak punya dugaan kuat atau dasar teori yang
kuat dalam penelitian, sebaliknya memilih satu sisi jika peneliti mempunyai landasan teori
atau dugaan yang kuat.
Misalnya menguji hubungan antara pendapatan terhadap konsumsi pada hitungan
sebelumnya. Karena mempunyai landasan teori atau dugaan yang kuat bahwa terdapat
hubungan yang positif antara jumlah pendapatan terhadap konsumsi maka menggunakan uji
satu sisi.
Adapan hipotesis nol dan hipotesis alternatif dapat dinyatakan sbb:

2. Menghitung nilai satisitik t ( t hitung) dan mencari nilai t kritis dari tabel distribusi t pada  dan
degree of freedom tertentu. Adapun nilai t hitung dapat dicari dengan formula sbb:
Dimana ˆ1 merupakan nilai pada hipotesis nol
3. Membandingkan nilai t hitung dengan t kritisnya. Keputusan menolak atau
menerima H0 sbb:

 jika nilai t hitung > nilai t kritis maka H0 ditolak atau menerima Ha

 jika nilai t hitung < nilai t kritis maka H0 diterima atau menolak Ha

Jika menolak hipotesis nol H0 atau menerima hipotesisi alternatif Ha berarti secara
statistik variabel independen signifikan mempengaruhi variabel dependen dan
sebaliknya jika menerima H0 dan menolak H1 berarti secara statistik variabel
independen tidak signifikan mempengaruhi variabel dependen.
Daerah penolakan (penerimaan) H0 : 1 =0 dan Ha : 1  0
Keputusan menolak hipotesis nol (H0) atau menerima
hipotesis alternatif Ha dapat juga dijelaskan melalui
distribusi probabilitas t seperti terlihat dalam gambar.
Nilai tc diperoleh dari nilai t kritis dari distribusi tabel t
dengan  dan degree offreedom tertentu.
Contoh Kasus Analisis Regresi Linear Sederhana

Seorang Ekonom ingin mempelajari Hubungan antara Pendapatan

dengan Jumlah Konsumsi yang diakibatkannya, sehingga dapat
memprediksi atau meramalkan jumlah barang yang dikonsumsi jika
pendapatan orang tersebut berubah-ubah. Ekonom tersebut kemudian
mengambil data selama 30 hari terhadap rata-rata (mean) pendapatan
dan Jumlah konsumsi.
Cara pengerjaan
Penyelesaian
Penyelesaiannya mengikuti Langkah-langkah dalam Analisis Regresi
Linear Sederhana adalah sebagai berikut :
Langkah 1 : Penentuan Tujuan
Tujuan : Memprediksi Jumlah konsumsi jika pendapatan berubah-
ubah
Langkah 2 : Identifikasikan Variabel Penyebab dan Akibat
Varibel Faktor Penyebab (X) : Pendapatan,
Variabel Akibat (Y) : Jumlah konsumsi
 Tanggal Rata-rata Pendapatan Jumlah Konsumsi
Langkah 3 : Pengumpulan Data 1
2
24
22
10
5
Berikut ini adalah data yang berhasil dikumpulkan 3 21 6
4 20 3
selama 30 hari (berbentuk tabel) : 5 22 6
6 19 4
7 20 5
8 23 9
9 24 11
10 25 13
11 21 7
12 20 4
13 20 6
14 19 3
15 25 12
16 27 13
17 28 16
18 25 12
19 26 14
20 24 12
21 27 16
22 23 9
23 24 13
24 23 11
25 22 7
26 21 5
27 26 12
28 25 11
29 26 13
30 27 14
Langkah 4 : Hitung X², Y², XY dan total dari Rata-rata Jumlah
Tanggal Pendapatan (X) Konsumsi
X2 Y2 XY
masing-masingnya (Y)
1 24 10 576 100 240
Berikut ini adalah tabel yang telah dilakukan 2 22 5 484 25 110
3 21 6 441 36 126
perhitungan X², Y², XY dan totalnya : 4 20 3 400 9 60
5 22 6 484 36 132
6 19 4 361 16 76
7 20 5 400 25 100
8 23 9 529 81 207
9 24 11 576 121 264
10 25 13 625 169 325

25 22 7 484 49 154
26 21 5 441 25 105
27 26 12 676 144 312
28 25 11 625 121 275
29 26 13 676 169 338
30 27 14 729 196 378
Jumlah 699 282 16.487 3.112 6.861
 Contoh Kasus Analisis Regresi Linear Sederhana

Menghitung Konstanta (a) : Menghitung Koefisien Regresi (b)

a = (Σy) (Σx²) – (Σx) (Σxy) b = n(Σxy) – (Σx) (Σy)
. n(Σx²) – (Σx)² . n(Σx²) – (Σx)²
a = (282) (16.487) – (699) (6.861) b = 30 (6.861) – (699) (282)
30 (16.487) – (699)² . 30 (16.487) – (699)²
a = -24,38 b = 1,45
Langkah 6 : Buat Model Persamaan Regresi
Y = a + bX
Y = -24,38 + 1,45X
Langkah 7 : Lakukan Prediksi atau Peramalan terhadap Variabel Faktor
Penyebab atau Variabel Akibat
I. Prediksikan Jumlah pendapatan jika pendapatan tinggi (Variabel X), contohnya : 30
Y = -24,38 + 1,45 (30)
Y = 19,12
Jadi Jika pendapatan mencapai 30 (dalam jutaan), maka akan diprediksikan akan
terdapat 19,12 tingkat konsumsi yang dilakukan.
II. Jika tingkat konsumsi (Variabel Y) yang ditargetkan hanya boleh 4, maka berapakah
pendapatan yang diperoleh untuk mencapai tingkat konsumsi tsb?
4 = -24,38 + 1,45X
1,45X = 4 + 24,38
1,45X = 28,38
X = 28,38 / 1,45
X = 19,57
Jadi Prediksi pendapatan yang paling sesuai untuk mencapai tingkat konsumsi tsb adalah
sekitar 19,57
Kerjakan Tugas Berikut ini
Seorang Kepala Gudang ingin mempelajari Hubungan antara Suhu
Ruangan dengan Jumlah Cacat yang diakibatkannya, sehingga dapat
memprediksi atau meramalkan jumlah cacat produksi jika suhu ruangan
tersebut tidak terkendali. Kepala Gudang tersebut kemudian mengambil
data selama 30 hari terhadap rata-rata (mean) suhu ruangan dan Jumlah
Cacat Produksi. Kemudian hitunglah jika rata-rata cacat produk tertinggi
yaitu 70 dan jika tingkat cacat sebesar 10.
Berikut ini adalah data yang berhasil dikumpulkan selama 30 hari (berbentuk tabel) :
SELESAI