Vous êtes sur la page 1sur 5

Variable

Obs

Mean

X
Y

17
17

220.19
96.41176

Std. Dev.
73.38672
19.72216

Min

Max

110.02
64.1

354.93
121.1

. reg Y X
Source

SS

df

MS

Model
Residual

5864.47925
358.938582

1
15

5864.47925
23.9292388

Total

6223.41783

16

388.963614

Coef.

X
_cons

.2608779
38.96907

Fungsi Regresi:

Std. Err.
.0166643
3.856352

t
15.65
10.11

Number of obs
F( 1,
15)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

17
245.08
0.0000
0.9423
0.9385
4.8918

P>|t|

[95% Conf. Interval]

0.000
0.000

.2253588
30.74945

.296397
47.18868

Y = B0 + B1 X
Y =38,96907+ 0,2608779 X

Keterangan:
Y = Indeks Harga Konsumen
X = Jumlah Uang yang Beredar
Ketika Jumlah uang yang beredar = 0, maka nilai Indeks Harga Konsumen
(IHK) adalah sebesar 38,96907. Nilai ini disebut juga titik potong.
Ketika jumlah uag yang beredar naik 1 point, maka nilai Indeks Harga
Konsumen akan naik sebesar 0,2608779.
Kemiringan = B1 = 0,2608779
X
220.19
Elastisitas = B 1 Y =0,2608779 96.41176 =0,5958

( )

. reg lnY lnX


Source

SS

df

MS

Model
Residual

.700977328
.026052184

1
15

.700977328
.001736812

Total

.727029512

16

.045439345

lnY

Coef.

lnX
_cons

.5889647
1.40405

Fungsi Regresi:

Std. Err.
.0293166
.1568134

t
20.09
8.95

Number of obs
F( 1,
15)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

17
403.60
0.0000
0.9642
0.9618
.04168

P>|t|

[95% Conf. Interval]

0.000
0.000

.5264778
1.06981

.6514516
1.73829

ln Y = B0 + B1 ln X
ln Y =1,40405+ 0,5889647 ln X

Keterangan:
Y = Indeks Harga Konsumen
X = Jumlah Uang yang Beredar
Ketika nilai ln X= 0, maka niai ln Y adalah sebesar 1,40405. Nilai ini disebut
juga titik potong.
Ketika jumlah uang yang beredar naik 1%, maka nilai Indeks Harga
Konsumen akan naik sebesar 0,5889647%.
Kemiringan =
Elastisitas =

B1

=0,25788
( YX )=0,5889647 ( 96.41176
220.19 )

B 1=0,5889647

. reg lnY X
Source

SS

df

MS

Model
Residual

.674998312
.0520312

1
15

.674998312
.003468747

Total

.727029512

16

.045439345

lnY

Coef.

X
_cons

.0027988
3.931578

Fungsi Regresi:

Std. Err.
.0002006
.04643

t
13.95
84.68

Number of obs
F( 1,
15)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

17
194.59
0.0000
0.9284
0.9237
.0589

P>|t|

[95% Conf. Interval]

0.000
0.000

.0023712
3.832615

.0032265
4.030541

ln Y = B0 + B1 X
ln Y =3.931578+ 0,0027988 X

Keterangan:
Y = Indeks Harga Konsumen
X = Jumlah Uang yang Beredar
Ketika nilai X= 0, maka niai ln Y adalah sebesar 3,931578. Nilai ini disebut
juga titik potong.
Ketika jumlah uang yang beredar naik 1%, maka nilai Indeks Harga
Konsumen akan naik sebesar 0,27988%.
Kemiringan =
Elastisitas =

B 1 ( Y )=0,0027988 ( 96,41176 )=0,269837


B 1 ( X )=0,0027988 ( 220,19 )=0,6162678

. reg Y lnX
Source

SS

df

MS

Model
Residual

5939.16436
284.253475

1
15

5939.16436
18.9502317

Total

6223.41783

16

388.963614

Coef.

lnX
_cons

54.21256
-192.9661

Fungsi Regresi:

Std. Err.
3.062277
16.38

t
17.70
-11.78

Number of obs
F( 1,
15)
Prob > F
R-squared
Adj R-squared
Root MSE

P>|t|
0.000
0.000

=
=
=
=
=
=

17
313.41
0.0000
0.9543
0.9513
4.3532

[95% Conf. Interval]


47.68547
-227.8793

60.73965
-158.053

Y = B0 + B1 ln X
Y =192.9661+54,21256 ln X

Keterangan:
Y = Indeks Harga Konsumen
X = Jumlah Uang yang Beredar
Ketika nilai ln X= 0, maka niai Y adalah sebesar

192.9661 . Nilai ini disebut

juga titik potong.


Ketika jumlah uang yang beredar naik 1%, maka nilai Indeks Harga
Konsumen akan naik sebesar 0,5421256.
Kemiringan =
Elastisitas =

B1
B1

1
( X1 )=54,21256 ( 220,19
)=0,2462

1
( Y1 )=54,21256( 96,41176
)=0,5623

Model dikatakan baik menurut Gujarati (2006), jika memenuhi beberapa kriteria seperti di
bawah ini:
1. Parsimoni: Suatu model tidak akan pernah dapat secara sempurna menangkap realitas;
akibatnya kita akan melakukan sedikit abstraksi ataupun penyederhanaan dalam
pembuatan model.
2. Mempunyai Identifikasi Tinggi: Artinya dengan data yang ada, parameter-parameter yang
diestimasi harus mempunyai nilai-nilai yang unik atau dengan kata lain, hanya akan ada
satu parameter saja.
3. Keselarasan (Goodness of Fit): Tujuan analisis regresi ialah menerangkan sebanyak
mungkin variasi dalam variabel tergantung dengan menggunakan variabel bebas dalam
model. Oleh karena itu, suatu model dikatakan baik jika eksplanasi diukur dengan
menggunakan nilai adjusted r2 yang setinggi mungkin.
4. Konsitensi Dalam Teori: Model sebaiknya segaris dengan teori. Pengukuran tanpa teori
akan dapat menyesatkan hasilnya.
5. Kekuatan Prediksi: Validitas suatu model berbanding lurus dengan kemampuan prediksi
model tersebut. Oleh karena itu, pilihlah suatu model yang prediksi teoritisnya berasal
dari pengalaman empiris.

Vous aimerez peut-être aussi