KELOMPOK 2

Ratna Kamila Melati 191410057

Habibatu Soleha 191410063
Riza Fathul Adzim 191410078
MODEL REGRESI DUA
VARIABEL: MASALAH
ESTIMASI
 Bentuk Metode Ordinary Least Square (OLS)

• Merupakan salah satu metode dalam analisis regresi berganda untuk

pengaruh variabel bebas terhadap variabel tidak bebas. Metode OLS
akan menghasilkan estimasi yang terbaik dibandingkan dengan metode
lain jika semua asumsi klasik terpenuhi. Model regresi dengan dua
variabel umumnya dituliskan dengan simbol berbeda berdasarkan
sumber data yang digunakan.
• Fungsi regresi yang menggunakan data populasi (FRP) umumnya menuliskan simbol konstanta dan
koefisien regresi dalam huruf besar sebagai berikut:

Y = A + BX + e

• Fungsi regresi yang menggunakan data sampel (SRF) umumnya menuliskan simbol konstanta dan
koefisien regresi dengan huruf kecil, sebagai berikut:
Y = a +bX + e
Keterangan:
A atau a = konstanta atau intercept
B atau b = koefisien regresi, yang juga menggambarkan tingkat elastisitas variabel independen
Y = variabel dependen
X = variabel independen
 Metode Kuadrat Terkecil Biasa (OLS)

Perhitungan konstanta (a) dan koefisien regresi (b) dalam suatu fungsi regresi linier sederhana
dengan metode OLS dapat dilakukan dengan rumus-rumus sebagai berikut:

Mencari nilai b:

b=

mencari nilai a:

a=
Langkah awal yang kita lakukan adalah mengadakan perhitungan–perhitungan dan pengembangan data (menentukan nilai
x12, dan Y2 dan XY), agar sesuai komponen rumus dan diaplikasikan ke dalam rumus

Nilai a dan b baru dapat dikatakan valid (tidak bias) apabila telah memenuhi beberapa asumsi, yang terkenal dengan
sebutan asumsi klasik. Asumsi yang harus dipenuhi dalam OLS ada 3 asumsi, yaitu:

1. Asumsi nilai harapan bersyarat (conditonal expected value) dari ei dengan syarat x sebesar xi mempunyai nilai nol
2. Kovarian ei dan ej mempunyai nilai nol. Nilai nol dalam asumsi ini menjelaskan bahwa antara ei dan ej tidak ada
korelasi serial atau tidak berkorelasi (autocorrelation)
3. Varian ei dan ej sama dengan simpangan baku (standar deviasi)

Asumsi Dinyatakan dalam E Dinyatakan dalam Y Digunakan untuk membahas

1 E (ei/Xi) = 0 E (Yi/Xi) = A + Bxi Multikolinearitas

2 Kov (ei , ej) = 0, i j Kov (Yi, Yj) = 0, i j Autokorelasi

3 Var (ei/Xi) = Var (Yi/Xi) = Heteroskedasitas

 Regresi Linier Klasik
1. Model regresi berbentuk linier dari segi parameternya

= + +

2. Variabel penjelas X tidak borkerelasi dengan faktor gangguan acak u, akan tetapi jika variabel X itu
bersifat nonstokhastik
3. Dengan nilan Xi yang tertentu, nilai rata-rata atau nilai harapan dari faktor gangguan acak u adalah
nol
4. Varians dari masing-masing u adalah konstan, atau homoskedastis (homo artinya sama dengan
skedatis artinya varians)
5. Tidak ada korelasi diantara dua faktor kesalahan acak
6. Model regresi ditentukan secara tepat. Sebagai alternatif, tidak ada bias spesifikasi atau kesalahan
spesifikasi pada model yang digunakan dalam analisis empiris.
 Standar Error Least Square

Standart error least square adalah standar deviasi disekitar garis estimasi regresi yang mengukur
variabilitas nilai Y aktual dari Y prediksi, disimbolkan dengan SXY. Meskipun metode kuadrat
terkecil (OLS) menghasilkan garis estimasi dengan jumlah variasi minimum (kecuali jika koefisien
determinasi R2 = 1) persamaan regresi bukanlah prediktor yang sempurna.
 Koefisien Determinasi R2

• Pada intinya mengukur seberapa jauh kemampuan model dalam menerangkan variasi variabel
terikat.
• Koefisien determinasi sering disebut sebagai kecocokan regresi (goodness of fit of regression) jika
residual kecil karena sebetulnya didasarkan dari kesalahan (error)
• Koefisien ini dilambangkan dengan R2 adalah satu ukuran yang digunakan untuk mengetahui
pengarih variabel independen terhadap varians variabel dependen dengan
0 < R2 < 1
• Determinasi adalah diantara nol dan satu (0 < R 2 < 1)
• R2 menunjukkan seberapa besar sumbang X (pengaruh X) terhadap Y
• Besaran ini sering disebut ukuran ketepatan model, semakin mendekati satu berarti model yang
dibangun sedemikian dapat menggambarkan hubungan antara dua variabel (bebas dan tak bebas)
 Contoh soal
Misalnya saja kita ingin meneliti pengaruh bunga deposito jangka waktu 1 bulan (var X = bulan
depan) terhadap terjadinya inflasi di Indonesia (var Y = inflasi) pada kurun waktu Januari 2001 –
Oktober 2002, yang datanya tertera sebagai berikut:

Observasi Y X

jan 01 8.28 13.06

feb 01 9.14 13.81

mar 01 10.62 13.97

apr 01 10.51 13.79

mei 01 10.82 14.03

jun 01 12.11 14.14

jul 01 13.04 14.39

agus 01 12.23 14.97

sept 01 13.01 15.67

okt 01

nov 01
12.47

12.91
15.91

16.02
• = 4800,525
des 01 12.55 16.21

jan 02 14.42 16.19

feb 02 15.13 15.88

mar 02 14.08 15.76

apr 02 13.3 15.55

mei 02 12.93 15.16

jun 02 11.43 14.85

jul 02 10.05 14.22

agus 02 10.6 13.93

sept 02 10.48 13.58

okt 02 10.33 13.13

jumlah 260,49 324,22

Setelah mendapatkan hitung-hitungan hasil pengembangan data, maka angka-angka tersebut dapat
secara langsung dimasukkan kedalam rumus, sebagai berikut:

Mencari nilai b:

b=
b=
=
=
= 1, 4497
 Dengan diketahuinya nilai b, maka nilai a juga dapat ditentukan, karena rumus pencarian a terkait
dengan nilai b.

Mencari nilai a:

a=
=
=
= -9,5421

Maka persamaan regresinya diperoleh:

= -9,5241 + 1,4497 x
THANKS!