Académique Documents
Professionnel Documents
Culture Documents
Ekonometrika : “UKURAN-UKURAN
EKONOMI”
Ilmu yang mempelajari analisa kuantitaf dari
fenomena ekonomi dalam artian secara
umum
Gabungan teori ekonomi, matematika
ekonomi, statistika ekonomi dan teknik
komputasi
Metodologi
Y bX
a
n
n . XY X . Y
b
n . X X
2 2
Y bX
a
n
Di mana
eˆ y yˆ
y ( ˆ0 ˆ1 x)
y nˆ 0 ˆ1 x
eˆ / n y ˆ 0 ˆ1 x
Contoh Soal
Saham Deviden Harga Saham xy X2 Y2
(x) (y)
5170 [10(6.7)(65.5)]
ˆ1 7,5072
553 [10(6.7)(6.7)]
SST ( y y ) 2
SSR ( yˆ y ) 2
SSE ( y yˆ ) 2 eˆ 2
SST SSR SSE
SSR SSE
R2 1
SST SST
SST ( y y ) 2 y 2 ny 2
SST 49025 10(65.5) 6122.5
SSE 255.6196
R 1
2
1 0.9582
SST 6122.5
Uji Parsial
Dalam uji pasial, masing-masing koefisien thit
untuk masing-masing koefisien tersebut diuji,
apakah signifikan atau tidak
Bentuk pengujian sama seperti sebelumnya
dua arah atau satu arah
Hipothesis yang diuji:
Ho: b1=0 dan
Ha: b2 0
Uji Signifikansi parsial atau individu
b1 B1 1,015 0
t hit .b1 1,75
Sb1 0,58
b 2 B2 0,410 0
t hit .b 2 2,673
Sb 2 0,1558
ANALISIS REGRESI DAN
KORELASI BERGANDA
Y = a + b1 X1 + b2 X2
Bentuk persaman regresi dengan 3 veriabel independen adalah:
Y = a + b X1 + b2 X2 + b3 X3
Y = a + b1 X1 + b2 X2 + b3X3 + … + bk Xk
Persamaan untuk mendapatkan koefisien
regresi
Prinsip metode ordinary least square(OLS) adalah
meminimumkan jumlah kuadrat deviasi di sekitar
garis regresi. Nilai koefisien regresi a, b1, dan b2
dapat dipecahkan secara simultan.
1 3 8 10
2 4 7 10
3 5 7 8
4 6 7 5
5 6 6 4
6 7 6 3
7 8 6 2
8 9 6 2
9 10 5 1
10 10 5 1
Untuk mendapatkan koefisien regresi, perlu dihitung : Y,
X1, X2, X1Y, X12, X1 X2, X2Y, X22
Y=68 X1 = 63 X2 =46 X1Y= 409 X2Y= 239 X12= 405 X22= 324 X1X2 = 317
Dengan metode eliminasi
68 = 10a + 63b1+ 46b2 …(1)
409 = 63a + 405b1+ 317b2 …(2)
239 = 46a + 317b1+ 324b2 …(3)
Untuk mendapatkan nilai koefisien regresi a, b1, dan b2 dapat
dilakukan dengan Subtitusi antar persamaan
-428,4 = -63a –396,9 b1-289,8b2
…persamaan 1 dikalikan – 6,3
409 = 63a + 405b1 + 317b2 …..…………………. (2)
-19,4 = 0 + 8,1b1 + 27,2b2 ……………………. (4)
( Ŷ Y ) 2
R
2
atau
(Y Y ) 2
n (a. Y b1 . YX 1 b 2 YX 2 ) ( Y) 2
R2
n. Y ( Y)
2 2
n (a. Y b1 . YX 1 b 2 YX 2 ) ( Y) 2
R
2
n. Y ( Y)
2 2
R2
10(15,086)( 68) 1,015( 409) ( 0, 41)( 239) ( 68) 2
(10)(516) (68) 2
R 2 0,939
Korelasi sederhana
n YX1 Y X1
rYX1
n Y Y .n X X
2 2 2
1 1
2
n YX 2 Y X 2
rYX2
n Y Y .n X X
2 2 2
2 2
2
n X1X 2 X1 X 2
rX1X 2
n X 2
1
2
X1 . n X X 2
2
2
2
Coba hitung masing-masing nilai korelasi
tersebut.
ryx1
ryx 2
rx1x 2
KORELASI PARSIAL: Hubungan variabel
dengan asumsi variabel lain tetap
ryx1 . x 2
ryx 2 . x1
rx1x 2 . y
Kesalahan Baku (standar error pendugaan)
( Ŷ Y )
2
S
n ( k 1)
Y . X 1X 2
SY . X1 X 2
Y 2
a Y b1 X 1Y b2 X 2Y
n3
516 (15,086 x 68) (1,01524 409) (0,41 x 239)
SY.X1X 2
10 3
SY.X1X 2 0,72
Kesalahan baku penduga (standar error
estimation Sb)
Yaitu seberapa nilai penduga yaitu b1 dan b2
dari nilai sebenarnya (parameter populasi)
S y . x1x 2
Sb1 0,580
2
(X n X1 )(1 rX1X 2 )
2 2
1
15
10
5
0
1 2 3 4 5 6 7 8 9 10
n – (k+1) 10 – (2+1)
Y Y'
SY.X1X 2
( Ŷ Y ) 2
3.58
0,72
n (1 k ) 10 (2 1)
S y . x1x 2
Sb 2
2
(X n X 2 )(1 rX1X 2 )
2 2
2
Sb 2 0,156
Uji Signifikansi parsial atau individu
b1 B1 1,015 0
t hit .b1 1,75
Sb1 0,58
b 2 B2 0,410 0
t hit .b 2 2,673
Sb 2 0,1558
Uji Parsial
R 2 /( k 1)
F
(1 R 2 ) /( n 3)
0 ,933 /( 3 1)
F 0 ,4665 / 0 ,0096 48 ,73881
( 1 0 ,933) /( 10 3 )
UJI GLOBAL ATAU UJI SIGNIFIKANSI
SERENTAK (UJI F)
Tolak Ho
Terima
Ho
F-Hitung=
F-Tabel=4,74
48,74
Tampilan printout Regresi Berganda
a = 1.000.044.
b1= 792.852,6.
b2= 3,378.
Persamaan regresi yang didapat adalah
sebagai berikut :
Y = 1.000.044 + 792.852,6 X1 + 3,378 X2
Dimana, Y = Penjualan, X1 = Harga dan X2
= Biaya Promosi
Model Unstandardized Standardized t Sig.
Coefficients Coefficeient
B Std.Error Beta
Y X X
1 0 X 1 1 1
1
X Y 0 X
Semilog Model, terdiri dari dua model :
Model Log-Lin
ln Y 1 2 X u
perubahan _ relatif _ dalam _ Y
2
perubahan _ absolut _ dalam _ X
Y 1 2 ln X u
perubahan _ absolut _ dalam _ Y
2
perubahan _ relatif _ dalam _ X
Contoh bentuk fungsional regresi :
Bentuk Lin-Lin
Bentuk Log-log
LnGNP 5,244 0,794 Ln Im por
R 2 95,6%
Model Lin-Log
Y 0 1 D1 2 D2
Di mana :
Y = rata-rata gaji guru negeri per hari
X = pengeluaran pemerintah per hari untuk pendidikan
D1 = 1 Jika guru tersebut tinggal di Jakarta
0 Jika guru tersebut tinggal di kota luar jakarta
D2 = 1 Jika guru tersebut suku Jawa
0 Jika guru tersebut bukan dari suku jawa
Hasil dari analisa regresi tersebut adalah sebagai berikut :
Y 13269,11 1373,51D1 1144,157D2 32889 X
t = (9,5) (-2,08) (1,32) (10,3)
R 2 0,7266
Analisa : Koefisien D2 tidak signifikan pada tingkat alpha 5%.
Sedangkan koefisen variabel yang lian signifikan secara statistik.
Jika pengeluaran Pemerintah untuk pendidikan naik satu rupiah,
maka gaji guru rata-rata akan naik sebesar 3,2889 rupiah.
Dari hasil diatas dapat diinterpretasikan adalah :
Bahwa gaji guru rata-rata yang tinggal di kota Jakarta dan ber suku Jawa
adalah Rp. 10451 per hari.
Gaji guru yang tinggal di Jakarta dan bukan suku Jawa adalah rata-rata Rp.
11596 per hari
Gaji rata-rata guru yang tinggal di kota luar jakarta dan berasal dari suku
Jawa adalah Rp. 12125 per hari
Dan rata-rata gaji guru yang tinggal di luar Jakarta dan bukan dari suku Jawa
adalah Rp. 13269 per hari
CHOW TEST atau variabel dummy?
Penyebab Multikolinearitas :
Terbatasnya variabel independen karena adanya
keterbatasan dalam pengumpulan data.
Kendala Model pada populasi yang diamati. Contoh diuji
pengaruh antara Konsumsi Listrik dengan Pendapatan dan
Luas Rumah
Variabel Independen yang berjumlah lebih banyak dari jumlah
observasinya (n)
Data yang bersifat time series, dimana semua data memiliki
pertumbuhan yang sama.
Deteksi ada tidaknya multikolinearitas :
1. Koefisien determinasi yang tinggi, dan nilai signifikannsi t rendah pada setiap
variabel X
2. Koefisien korelasi diantara variabel X tinggi (diatas 0,5)
3. Nilai Koefisien parsial yang tinggi. r 2 r 2 2r r r
2
R3.12 31 32 31 32 12
1 r122
4. Auxiliary Regression. Dimana nilai F auxiliary harus dihitung. Jika nilai F
auxiliary lebih tinggi dari nilai F table, maka dapat dikatakan terdapat
multkolinearitas. 2
Rxi xk /( k 2)
F
(1 Rxi2 xk ) /( n k 1)
5. Eigen value dan Condition Index (CI)
Condition Number (k) = maximum eigen value/eigen value
Condition Index (CI) = k0,5
Jika 100 k 1000 maka terjadi multikolinearitas ringan. Jika k > 1000 maka
terjadi multikoliner berat. Dan jika CI> 30 juga dapat dianggap terjadi
multikoliner serius.
6. Tolerance dan Variance Inflation factor (VIF). Nilai VIF > 10 dan nilai TOL yang
mendekati 0, maka dideteksi terjadi Multikolinearitas.
1 1
VIF TOL
1 r 212 VIF
Mengatasi Masalah Multikolinearitas :
sales
t s hirt s old promotion promotion
per month girls cost Model Summaryb
Pearson Correlation t s hirt s old per month 1,000 ,250 ,708
sales promotion girls ,250 1,000 ,082 Adjusted Std. Error of Durbin-W
promotion cost ,708 ,082 1,000 Model R R Square R Square the Es timate ats on
Sig. (1-tailed) t s hirt s old per month . ,194 ,002 1 ,734a ,538 ,455 13,210 2,113
sales promotion girls ,194 . ,390 a. Predictors: (Constant), promotion cost, sales promotion girls
promotion cost ,002 ,390 .
b. Dependent Variable: t s hirt sold per month
N t s hirt s old per month 14 14 14
sales promotion girls 14 14 14
promotion cost 14 14 14
ANOVAb
Sum of
Model Squares df Mean Square F Sig.
1 Regres sion 2239,249 2 1119,624 6,416 ,014a
Residual 1919,608 11 174,510
Total 4158,857 13
a. Predic tors : (Const ant), promot ion c ost , sales promotion girls
b. Dependent Variable: t shirt sold per month Coeffi cientsa
Unstandardized St andardiz ed
Coeffic ient s Coeffic ient s Correlations Collinearity Statist ics
Model B St d. Error Beta t Sig. Zero-order Partial Part Tolerance VIF
1 (Const ant) 74,122 50,754 1,460 ,172
sales promotion girls 1,976 2,103 ,193 ,940 ,368 ,250 ,273 ,192 ,993 1,007
promotion cos t 12,335 3,663 ,692 3,368 ,006 ,708 ,713 ,690 ,993 1,007
a. Dependent Variable: t shirt sold per month
a
Co llin earity Diag nostics
Variance P roportions
sales
Condit ion promotion promotion
Model Di mension Ei genvalue Index (Const ant) girls cost
1 1 2,901 1,000 ,00 ,02 ,00
2 ,097 5,468 ,01 ,98 ,01
3 ,002 34,463 ,99 ,00 ,99
a. Dependent Variable: t shirt sold per m onth
Autokorelasi
Manipulasi data
Non stasioner
Hal yang terjadi akibat dari otokorelasi adalah :
Kriteria pengujian :
otokorelasi positif
H0 terima jika d > du
Ho tolak jika d < dl
Jika dl < d < du, maka tidak ada kesimpulan
otokorelasi negatif
Ho terima jika (4 – d) > du
Ho tolak jika (4-d) < dl
Jika dl < (4-d) < du, maka tidak ada kesimpulan
Contoh Kasus
Model Summaryb
Koefisien determinasi
Stepwise Regression
Uji Normalitas Data
Histogram
Dependent Variable: t shirt sold per month
6
2
Frequency
sales
t s hirt s old promotion promotion
per month girls cost
N 14 14 14
Normal Parameters a,b Mean 252,71 4,14 13,814
Std. Deviation 17,886 1,748 1,0037
Most Extreme Absolute ,128 ,240 ,117
Differences Positive ,086 ,240 ,117
Negative -,128 -,114 -,095
Kolmogorov-Smirnov Z ,480 ,900 ,437
As ymp. Sig. (2-tailed) ,975 ,393 ,991
a. Test distribution is Normal.
b. Calculated from data.
Statistic Std. Error
t shirt sold per month Mean 252.7143 4.78026
Median 253.5000
Variance 319.912
Penyebab :
Data yang mengikuti learning model
Scatterplot
Dependent Variable: t shirt sold per month
290
280
270
260
250
240
230
220
230 240 250 260 270 280
1 193
2 226
3 240
4 244
5 257
6 260
7 274
8 297
9 350
10 420
Hitung taksiran Y, dari hasil Eviews:
Y = 166,4667 + 19,9333X
P = (0,0000) (0,00002)
R2 = 0,8409
Regresikan kembali model diatas dengan bentuk kuadrat atau
bentuk kubik dan dengan menambahkan variabel X,
menjadi :
Y=
Hasil Output E views adalah sbb:
Y = 2140,215 + 476,5521X – 0,0919X2 + 0,0001X3
P= (0,0000) (0,0000) (0,0000) (0,0000)
R2 = 0,9983