METODE KUANTITATIF :

PENDEKATAN EKONOMETRIK
Statistik Ekonomi:
Berhubungan dgn pengumpulan, pemrosesan dan
penyajian data ekonomi dalam grafik dan tabel.
Statistik Matematis (Statistik Inferensi):
Didasarkan pada Teori Probabilitas melalui metode-
metode pengukuran yang dibangun atas dasar
ekperimen/percobaan yang terkendali dan terencana
dengan cermat.
EKONOMETRIKA
Sebagai Suatu Ilmu
Ekonometrika mengkombinasikan keempat ilmu diatas
untuk mengetahui kondisi riil dari hubungan-
hubungan kuantitatif di dlm kehidupan ekonomi
modern.
TUJUAN EKONOMETRIKA
Membantu dalam mencapai 3 tujuan berikut:

. Membuktikan (verifikasi) atau menguji validitas
Teori Ekonomi.
. Menghasilkan dugaan-dugaan numerik bagi
koefisien-koefisien hubungan ekonomi.
. Meramalkan nilai besaran-besaran ekonomi
berdasarkan probabilitas tertentu.
M O D E L
Penyederhanan dan abstraksi dari realitas perilaku
ekonomi menjadi bentuk yang lebih sederhana dengan
menerapkan prinsip kehati-hatian.
Model tidak sama dengan Realitas
Tapi model yang baik dapat menerangkan dan
meramalkan sebagian besar dari apa yang terjadi dengan
realitas.
Bentuk-bentuk Model:
Matematis Grafis
Skema Diagram

Model Ekonomi:
Konstruksi teoritis atau kerangka analisis ekonomi
yang terdiri dari himpunan konsep, definisi, asumsi,
persamaan, kesamaan (identitas) dan ketidak-
samaan darimana kesimpulan akan diturunkan.
CIRI-CIRI MODEL EKONOMETRIKA
. Theorytical Plausibility
. Explanatory ability
. Accuracy of the estimated of the
parameters
. Forecasting ability
. Simplicity

Pernyataan Teori Ekonomi
E Pengujian teori ekonomi yang menjadi
dasar/acuan suatu penelitian.

E Misal, Teori Keynes:
+ Pendapatan dan konsumsi mempunyai
hubungan yang positif
+ Bila pendapatan seseorang meningkat
maka konsumsinya meningkat, tetapi tidak
sebesar peningkatan pendapatan.

Spesifikasi Model
E Model Matematika:
+ Teori yang sudah dinyatakan dispesikasikan
ke dlm bentuk model (persamaan)
matematika
Fungsi konsumsi Keynes:
C = a + b Y
a = parameter konstanta, a > 0.
b = parameter slope, 0<MPC<1.

= Model persamaan tunggal
= Konsumsi berhubungan linear, positif
= Bersifat deterministik (pasti)
= Penetapan restriksi sangat penting
EModel Ekonometrika:
C = a + b Y +
= Hubungan antar variabel ekonomi bersifat
Stochastik.
= = error term, mrpk variabel random
(stochastic) mewakili variabel2 lain yg
tidak termasuk kedalam model.



Pengumpulan Data
+ Sumber data
+ Definisi
+ Jenis
= Cross section
= Time series
= Panel (Gabungan Cross section dan time
series)


Estimasi Model
Identifikasi Model:
E Prosedur utk mendapatkan koefisien parameter
E Menentukan apakah hubungan dpt diestimasi
secara statistik
E Berhubungan dg masalah perumusan model
Misal:
Qd = f(P) : Demand
Qs = f(P) : Supply
Qd = Qs : Market clearance
+ Model diatas meragukan, krn apakah koefisien
parameter milik Qd atau Qs.
= perlu penambahan variabel shifter

Agregasi dalam Model:
E Agregasi terhadap individual
E Agregasi komoditi
E Agregasi periode waktu
E Agregasi spasial
= Misagregasi dalam model menyebabkan:
4 agregasi yang bias
4 estimasi yang bias

Estimasi Model

Estimasi Model
Pengujian derajat korelasi antar variabel:
E Jika 2 variabel penjelas mempunyai korelasi yg
tinggi
maka secara statistik sulit menentukan pengaruh
masing-masingnya.
Misal:
Qd = f(P, W)
Qd = Demand
P = harga
W = upah
= Sementara P dan W cenderung naik secara
bersamaan, W = f(P).
= Oleh krn itu, nilai estimasi tidak akurat.

Estimasi Model
Pemilihan teknik yang tepat:
E Single equation:
4 Ordinary Least Squares (OLS)
4 Indirect Least Squares (ILS)
4 Two Stage Least Squares (2SLS)
4 Limited Information of Max. Likelihood (LIML)

E Simultaneous equation:
4 Three Stage Least Squares (3SLS)
4 Full Information of Max. Likelihood (FIML)


Estimasi Model
Pemilihan teknik estimasi tergantung:
4 Bentuk hubungan dan syarat identifikasi
4 Persyaratan estimasi:
- Unbiasedness
- Consistency
- Efficiency
4 Tujuan penelitian ekonometrika
4 Kesederhanaan teknik
4 Waktu dan biaya


Evaluasi Model
E Kriteria a priori ekonomi
= Didasarkan atas prinsip-prinsip ekonomi

E Kriteria Statistik (first order test):
= Didasarkan atas interpretasi nilai-nilai statistik
Standar deviasi,
Koefisien. Determinasi (R
2
)
Nilai F dan nilai t.

E Kriteria ekonometrika (second order test):
= Didasarkan atas teori ekonometrika untuk
apakah
nilai estimasi memiliki sifat unbiasedness,
consistency dan efficiency.


Pengujian Hipotesis
E Menguji apakah hasil estimasi parameter sesuai
dengan yang diharapkan teori.
Misal:
C = 230 + 0.45 Y

Ini berarti selama periode pengamatan:
1. Meskipun tidak ada pendapatan, jumlah
konsumsi
rata-rata sebesar Rp. 230 (dissaving).
2. Kenaikan pendapatan sebesar Rp. 1000, maka
konsumsi meningkat rata-rata sebesar Rp. 450.

= Tapi apakah nilai-nilai tersebut secara statistik
significant?

Aplikasi Model
E Peramalan (forecasting)

Misal: Berapakah pengeluaran konsumsi jika
tingkat
pendapatan masyarakat sebesar Rp. 2000.

Model yang sudah dievaluasi:
C = 230 + 0.45 Y
C = 230 + 0.45 (2000)
C = 1130.

E Analisis kebijakan.

Covariance Dan Korelasi
Covariance merupakan ukuran yang berguna untuk
mengidentifikasi keterkaitan antara X dan Y, atau
merupakan ukuran bagi sensitifitas tiap unit X dan Y yang
telah diamati. Yang terkait dengan covariance adalah
korelasi, yang dirumuskan :
r
xy
= o
xy
/ o
x
. o
y
=
) ).( (
) , (
Y Var X Var
Y X Cov
PENGERTIAN KORELASI DAN REGRESI
KORELASI dan REGRESI merupakan metode
yang dapat digunakan untuk mengukur hubungan
yang terjadi antar variabel-variabel ekonomi. Misal
antara variabel X dan variabel Y.
KORELASI
+ Korelasi mengukur derajat hubungan antara 2
atau lebih variabel.
+ Hubungan antara 2 Variabel (Misal X dan Y) dapat
linear, non-linear, positif atau negatif.
X
X
X
X
Y
Y
Y
Y
Korelasi Linear:
If semua titik (X,Y) pd diagram pencar
mendekati bentuk garis lurus.
Korelasi Non-linear:
If semua titik (X,Y) pd diagram pencar
tidak membentuk garis lurus.
Korelasi Positif:
If jika arah perubahan kedua variabel
sama = If X naik, Y juga naik.
Korelasi Negatif:
If jika arah perubahan kedua variabel
tidak sama = If X naik, Y turun.
.
.
. .
. . . .
. . .
.
. .
. . .
. . . .
. . . .
.
.
.
. .
. . . .
. . .
.















.


.































.



.









.

.



.

.







.


.

.








.

Koefisien korelasi ini memiliki nilai yang berkisar
antara 1 sampai 1.

Bila yang diduga adalah koefisien korelasi sampel
maka :
rxy = sxy / sx. sy =

2 2
) ( ) (
) )( (
Y Y X X
Y Y X X
i i
i i
Pengujian Korelasi
Meskipun mungkin telah diperoleh nilai koefisien korelasi
dari hasil perhitungan di atas, namun keberartian nilai
tersebut perlu di uji secara statistik. Hipotesis yang diuji
adalah :

Ho : Koefisien korelasi adalah sama dengan nol
Ha : Koefisien korelasi tidak sama dengan nol, atau berarti
Pengujian koefisien ini dilakukan dengan uji-t, sehingga :

............. dengan derajat bebas = n 2



Kriteria pengujiannya :

Ho ditolak jika nilai t-hitung lebih besar daripada t-tabel
dengan derajat bebas n-2, dan demikian pula sebaliknya.

) 1 (
2
2
r
n r
t

=
Secara empiris, hampir tidak pernah ditemukan
korelasi sempurna (semua titik terpencar tepat
pada garis).
Nilai r yang mendekati nol menunjukkan derajat
hubungan yang lemah.
Koefisien r merupakan estimasi sampel terhadap
koefisien korelasi populasi, .
Nilai r mengandung error, sehingga perlu diuji
reliabilitasnya.
Beberapa catatan tentang nilai r:
Konsep dasar Ekonometrik
Ekonometrika merupakan suatu ilmu tersendiri yang merupakan
penggabungan dari teori ekonomi, statistik dan matematik, dalam
upaya untuk menggambarkan suatu fenomena.
Langkah I:
Kajian teori ekonomi dan penelitian terdahulu
Langkah II:
Formulasi model atau spesifikasi model
Langkah III:
Merancang metode dan prosedur untuk mendapatkan sampel representatif
Langkah IV:
Estimasi model

Langkah V: Menguji hipotesis/ verifikasi menggunakan statistik inferensi
(Uji-t, Uji-F, dll)
Langkah VII: Interpretasi hasil
No

Yes
Langkah VIII: Kesimpulan
Model Persamaan Ekonometrik
Model Persamaan Tunggal
Model Persamaan Simultan
Model
Persamaan
Sederhana
Model
Persamaan
Berganda
Persamaan Linear
Bentuk Model Persamaan Persamaan Non-Linear
Model Regresi Sederhana
Y
i
= |
0
+ |
1
X
i
+
i
|
0
dan |
1
: parameter dari fungsi yg nilainya akan
diestimasi.
Bersifat stochastik = untuk setiap nilai X terdapat suatu
distribusi probabilitas seluruh nilai Y atau Nilai Y tidak
dapat diprediksi secara pasti karena ada faktor
stochastik
i
yang memberikan sifat acak pada Y.
Adanaya variabel
i
disababkan karena:
C Ketidak-lengkapan teori
C Perilaku manusia yang bersifat random
C Ketidak-sempurnaan spesifikasi model
C Kesalahan dalam agregasi
C Kesalahan dalam pengukuran

.
.
.
.

. .
.
.

i
= b
0
+ b
1
X
i
Y
i

i
X
Y
Y
i
= |
0
+ |
1
X
i
+
i
Variation
in Y
Systematic
Variation
Random
Variation
0
Asumsi-asumsi mengenai
i
:

1.
i
adalah variabel random yg menyebar normal
2. Nilai rata-rata
i
= 0, e(
i
) = 0.
3. Tidak tdpt serial korelasi antar
i
cov(
i
,
j
) = 0
4. Sifat homoskedastistas, var(
i
) = o
2

5. cov(
i
,X
i
) = 0
6. Tidak terdapat bias dalam spesifikasi model
7. Tidak terdapat multi-collinearity antar variebel penjelas
X
1
X
2
X
3

Fungsi Regresi Populasi
E(Y
i
) = |
0
+ |
1
X
i
X
Y
Y
i
= |
0
+ |
1
X
i
+
i


Nilai rata2 Y
i
:
E(Y
i
) = |
0
+ |
1
X
i


I
= Y
i
- E(Y
i
)



METODE PENAKSIRAN PARAMETER DALAM
EKONOMETRIK
Metode estimasi yang sering digunakan adalah Ordinary Least Square
(OLS). Dalam regresi populasi dikenal pula adanya istilah PRF
(Population Regression Function) dan dalam regresi sampel sebagai
penduga regresi populasi dikenal istilah SRF (Sample Regression
Function).
Y
i

e
i

u
i

0
X X
i

Y
X Y
^ ^ ^
| + o =
X ) Y ( E | + o =
SRF
PRF
P
Yi
^
Penaksir kuadrat terkecil adalah mempunyai varian yang minimum yaitu
penaksir tadi bersifat BLUE (Best Linear Unbiased Estimator). Asumsi yang
harus dipenuhi dalam penaksiran metode OLS adalah sebagai berikut :

1.
i
adalah sebuah variabel acak atau random yang riil dan memiliki distribusi
normal.
2. Nilai harapan dari
i
yang timbul karena variasi nilai X
i
yang diketahui
harus sama dengan nol. E(
i
/ X
i
) = 0
3. Tidak terjadi autokorelasi atau serial korelasi. Artinya,
Cov(
i
,
j
) = E|
i
E(
i
)||
j
E(
j
)|
= E(
i
,

j
)
= 0 .................... i = j
4. Syarat Homoskedastisiti. Artinya bahwa varian dari
i
adalah konstan dan
sama dengan o
2
.
Var (
i
/ X
i
) = E|
i
E(
i
)|
2

= E(
i
)
2

= o
2

5. Tidak terjadi multikolonieritas. Yaitu tidak ada korelasi antara dengan
variabel bebasnya X
i
atau :
Cov(
i
, X
i
) = E(
i
E(
i
))(X
i
E(X
i
))
= 0

Pengujian statistik SECARA PARSIAL mendasarkan pada hipotesis :

Uji Konstanta Intersep H0 : 0 = 0
H1 : 0 0

Uji Koeff. X H0 : 1 = 0
H1 : 1 0
REGRESI LINEAR SEDERHANA
Y = 0 + 1 X
Pengujian statistik model secara keseluruhan dilakukan dengan uji-F.
Uji F mendasarkan pada dua hipotesis, yaitu :

H0 : Semua koefisien variabel bebas adalah 0 (nol)
H1 : Tidak seperti tersebut di atas
Sehingga dapat disajikan hasil sebagai berikut :

Konsumsi = 24.455 + 0.509*Income R
2
= 0.962
S.E (6.414) (0.036)
t-hitung = 3.813 14.243
F hit = 202,868
Df = 8


Dalam pengertian ekonomi dapat dikatakan bahwa jika terdapat kenaikan
income sebesar $ 1 per bulan maka akan mempengaruhi kenaikan pula
pada konsumsi sebesar $ 0.509. Demikian juga bila terjadi penurunan
income sebesar $ 1 per bulan maka akan berdampak pada penurunan
konsumsi sebesar $ 0.509.

Contoh :
Estimasi Parameter
Model Regresi Sederhana
Y
i
= |
0
+ |
1
X
i
+
i

Metode Kuadrat Terkecil
(Ordinary Least Square OLS):
Prinsip: Meminimumkan nilai error mencari
jumlah penyimpangan kuadrat (E
i
2
) terkecil.

i
= Y
i
- |
0
- |
1
X
i


i
2

= (Y
i
- |
0
- |
1
X
i
)
2
E
i
2
= E (Y
i
- |
0
- |
1
X
i
)
2
E
i
2
minimum jika:
cE
i
2
/c|
0
= 0 = 2 E(Y
i
- |
0
- |
1
X
i
) = 0
cE
i
2
/c|
1
= 0 = 2 E X
i
(Y
i
- |
0
- |
1
X
i
) = 0
Sederhanakan, maka didapat:
E (X
i
X) (Y
i
Y)
b
1
=
E (X
i
X)
2


b
0
= Y - b
1
X

dimana
b
0
dan b
1
nilai penduga untuk |
0
dan |
1
.
X dan Y adlh nilai rata2 pengamatan X dan Y
Standar error:
o
2

SE(b
1
)

=
E (X
i
X)
2




E X
i
2

SE(b
0
)

=
N E(X
i
X)
2


o
o diduga dengan s, dimana:
s = (E
i
2
/n-2)
2
dan
i
2
= (Y
i
Y)
2
Y
i
= |
1
+ |
2
X
i
+
i

Y
i
= |
1
+ |
2
X
i
+
i

i
= |
1
+ |
2
X
i



Y
i
=
i
+
i

i
=

Y
i
-
i
Persamaan umum Regresi
sederhana


|
1
dan |
2
adalah nilai estimasi
untuk parameter


i = nilai estimasi model

i
= nilai residual

(1)


(2)


(3)


(4)

(5)


Metode Ordinary Least Squares (OLS)
n X
i
Y
i
X
i
Y
i

|
2
=
n X
i
2
(X
i
)
2


(X
i
X)(Y
i
Y)
=
(X
i
X)
2


n x
i
y
i

=
x
i
2

(X
i
)
2
Y
i
X
i
X
i
Y
i

|
1
=
n X
i
2
(X
i
)
2


= Y |
2
X

Koefisien parameter untuk |
1
dan |
2

Standard error of the estimates
Var(|
2
) = o
2
/ X
i
2

o
2
o
Se(|
2
) = Var(|
2
) = =
X
i
2
X
i
2



X
i
2

Var(|
1
) = o
2


n x
i
2


X
i
2

Se(|
1
) = Var(|
1
) = o
2

n x
i
2



i
2

o
2
=
i
2
= y
i
2
|
2
2
x
i
2

n 2
(x
i
y
i
)

2

= y
i
2

x
i
2
Koefisien Determinasi

TSS
RSS
ESS
TSS = RSS + ESS

ESS RSS
1 = +
TSS TSS

(
i
- Y)
2

i
2

= +
(Y
i
- Y)
2
(Y
i
- Y)
2
ESS (
i
- Y)
2

r
2
= =
TSS (Y
i
- Y)
2

atau
ESS
i
2

= 1 = 1
TSS (Y
i
- Y)
2
X
Y
Y
|
1
+ |
2
X
i
Atau:
x
i
2


r
2
= |
2
2


y
i
2


(x
i
y
i
)

2
=
x
i
2
y
i
2

MODEL
REGRESSI LINIER BERGANDA
Model yg memperlihatkan hubungan antara satu variable
terikat (dependent variable) dgn beberapa variabel bebas
(independent variables).
Y
i
= |
0
+ |
1
X
1i
+ |
2
X
2i
+ + |
k
X
ki
+
i
dimana: i = 1, 2, 3, . N (banyaknya pengamatan)

|
0
, |
1
, |
2
, , |
k
adalah parameter yang nilainya
diduga melalui model:

Y
i
= b
0
+ b
1
X
1i
+ b
2
X
2i
+ + b
k
X
ki
Dalam konsep dasarnya pengujian statistik SECARA PARSIAL mendasarkan
pada hipotesis :

Uji Konstanta Intersep H0 : 0 = 0
H1 : 0 0

Uji Koeff. Xi H0 : i = 0
H1 : i 0
REGRESI LINEAR BERGANDA
Y = 0 + 1 X + 2 X + . + n Xn
untuk mengetahui pengaruh (kontribusi) proses/
mekanisme yang disusun dalam praktikum terhadap pencapaian nilai
ujian akhir praktikum, yaitu melalui penilaian atas latihan di kelas
dan penilaian atas laporan praktikum.
Dengan demikian dapat dibuat spesifikasi modelnya sebagai berikut :

Y = 0 + 1X1 + 2X2 --------------------- (model 1)

Dimana :
Y : Nilai ujian akhir
X1 : Nilai pretest
X2 : Nilai Laporan
Contoh :
Dari hasil di atas selanjutnya dapat disusun persamaan berikut :

N_Akhir = -25.450 + 0.542 Latihan + 0.771 Laporan R2 = 0.702
SE (9.351) (0.089) (0.132)
T-Hit. 2.722 6.067 5.828
F-hit = 73,02
Df = 62
Pengujian statistik baik uji keseluruhan (Uji-F) dan uji koefisien variabel dalam model
(Uji-t) memiliki kesamaan dengan analisis regresi linear sederhana. Hipotesis uji-F
adalah : H0 : 0 = 1 = 2 = 0
H1 : 0, 1, 2 0

Sedangkan uji koefisien atau pengujian secara parsial memiliki hipotesis sebagai berikut :

Pengujian untuk intersep : H0 : 0 = 0
H1 : 0 0
Pengujian untuk 1 : H0 : 1 = 0
H1 : 1 0
Pengujian untuk 2 : H0 : 2 = 0
H1 : 2 0
Hasil analisis di atas menunjukkan bahwa model secara
statistik adalah memang dapat digunakan, terbukti dari nilai
F-hit sebesar 73.02 yang signifikan pada tingkat alpha 5%
atau 0.05 Artinya bahwa 0, 1, 2 mempengaruhi secara
nyata terhadap N_Akhir (nilai Akhir).

Kekuatan pengaruh dari kedua variabel dalam menjelaskan
variabel N_Akhir sebesar 70.2 % sedangkan sisanya yaitu
sekitar 29.8% merupakan pengaruh dari variabel lain yang
tidak dipertimbangkan dalam model.
Koefisien latihan 0.542 dapat diartikan jika Nilai Laporan
tetap maka kenaikan 1 satuan nilai latihan akan cenderung
menaikkan nilai ujian sebesar 0.542.


Demikian juga untuk pengaruh nilai Laporan. Jika nilai
laporan naik 1 satuan maka akan cenderung meningkatkan
nilai ujian Akhir sebesar 0.771.

Hal yang lebih menarik sebenarnya adalah faktor apa yang
tersembunyi di balik angka-angka tersebut. Hal ini
memerlukan informasi yang bersifat kualitatif untuk
mengungkap :

ESTIMASI MODEL
REGRESSI LINIER BERGANDA
Model: Y
i
= |
0
+ |
1
X
1i
+ |
2
X
2i
+
i
(Ey
i
x
1i
) (Ex
2
2i
) (Ey
i
x
2i
) (Ex
1i
x
2i
)
b
1
=
(Ex
2
1i
) (Ex
2
2i
) (Ex
1i
x
2i
)
2
(Ey
i
x
2i
) (Ex
2
1i
) (Ey
i
x
1i
) (Ex
1i
x
2i
)
b
2
=
(Ex
2
1i
) (Ex
2
2i
) (Ex
1i
x
2i
)
2
b
0
,

b
1
dan b
2
nilai penduga untuk |
0
, |
1
dan |
2
.
Model penduga:
i
= b
0
+ b
1
X
1i
+ b
2
X
2i
b
0
= Y
i
b
1
X
1i
b
2
X
2i
ESTIMASI MODEL
REGRESSI LINIER BERGANDA
1 X
2
1
Ex
2
2i
X
2
2
Ex
2
1i
2 X
1
X
2
Ex
1i
x
2i


var(b
0
)

= +
o
2

n (Ex
2
1i
) (Ex
2
2i
) (Ex
1i
x
2i
)
2
Ex
2
1i

var(b
1
) =
(Ex
2
1i
)(Ex
2
2i
) (Ex
1i
x
2i
)
2
Ex
2
1i

var(b
1
) =
(Ex
2
1i
)(Ex
2
2i
) (Ex
1i
x
2i
)
2
o
2
o
2
se(b
i
) = var(b
i
)
Utk i = 0, 1, 2.
E
i
2
o
2
=
n 3

E
i
2
= Ey
2
i
b
1
Ey
i
x
1i
b
2
Ey
i
x
2i

Asumsi-asumsi
Model Regresi Linier Berganda
Nilai rata-rata disturbance term adalah nol,
E(
i
) = 0.
Tidak tdpt serial korelasi (otokorelasi) antar
i
Cov(
i
,
j
) = 0 untuk i = j.
Sifat homoskedastisitas:
Var(
i
) = o
2
sama utk setiap i
Covariance antara
i
dan setiap var bebas adalah
nol. Cov(
i
,X
i
) = 0
Tidak tdpt multikollinieritas antar variebel bebas.
Model dispesifikasi dengan baik
(Agar hasil estimasi dapat diinterpretasikan dengan baik - BLUE)
Data Kualitatif dalam Model Regressi
(Penggunaan Dummy Variable)
Variabel Dummy adlh variabel yg
merepresentasikan kuantifikasi dari variabel
kualitatif. Misal: jenis kelamin, pendidikan,
lokasi, situasi, musim, & kualitas.
Jika data kualitatif tsb memiliki m kategori,
maka jumlah variabel dummy yg dicantumkan
didlm model adalah (m-1).
Kesimpulan yg diambil dari keberadaan variabel
dummy didlm model adlh perbedaan nilai antar
kategori ybs.
Variabel dummy sering juga disebut variabel
boneka, binary, kategorik atau dikotom.
Dummy memiliki nilai 1 (D=1) utk salah satu
kategori dan nol (D=0) untuk kategori yang lain.
MODEL REGRESI LINEAR DENGAN DUMMY
VARIABEL
Variabel dummy digunakan sebagai upaya untuk
melihat bagaimana klasifikasi-klasifikasi dalam sampel
berpengaruh terhadap parameter pendugaan. Variabel
dummy juga mencoba membuat kuantifikasi dari
variabel kualitatif.

Kita pertimbangkan model berikut ini:
I. Y = a + bX + c D1 (Model Dummy Intersep)
II. Y = a + bX + c (D1X) (Model Dummy Slope)
III. Y = a + bX + c (D1X) + d D1 (Kombinasi)
Dummy
Intersep
Dummy
Slope
Dummy
Kombinasi
Y
0
Y= (a + c) + bX1
Y= a + bX1
Y= a + bX1 + cD1
Model Dummy
Intersep
Y= a + bX1 + cD1X1
Model Dummy
Slope
Y= a + (b+c).X1
Y= a + bX1
Y= a + bX1 + cD1X1+ dD1
Model Dummy
Kombinasi
Y= (a+d) + (b+c).X1
Y= a + bX1
ANOVA Model:
Y
i
= o + |D
i
+
Misal :
Y
i
= Penghasilan Karyawan
D
i
= 1 untuk laki-laki
= 0 untuk wanita
E(Y
i
|D
i
=0) = o
E(Y
i
|D
i
=1) = o + |
Dummy sebagai Variabel Bebas:
o
Y
i

D=0
o
o
o
o
o
x
x
x
x x
x
D=1
o
o+|
|
Interpretasi:
Apakah jenis kelamin berpengaruh thdp penghasilan.
Berapa perbedaan penghasilan antara laki2 dan
wanita.
O = L
x = P
ANCOVA Model: (gabungan kuantitatif & kualitatif)
1. Satu kuantitatif, satu kualitatif dg 2 kategori.
Y
i
= o
1
+ o
2
D
i
+ |X
i
+
X
i
= Masa kerja
E(Y
i
|X
i
, D
i
=0) = o
1
+|X
i

E(Y
i
|X
i
, D
i
=1) = (o
1
+o
2
)+|X
i

Dummy sebagai Variabel Bebas:
o
o
o
o
o
o
x
x
x
x
x
x
Masa kerja
Y
i

o
1
+|X
i
(o
1
+ o
1
)+|X
i
Interpretasi:
Apakah jenis kelamin dan
masa kerja berpengaruh
thdp peng-hasilan. Pada
masa kerja ter-tentu, brp
perbedaan penghasilan
antara Laki dan wanita.
2. Satu kuantitatif, satu kualitatif dg 3 kategori.
Misal: Selain masa kerja, penghasilan karyawan juga
dipengaruhi oleh tingkat pendidikan (tdk tamat
SMU, tamat SMU, Sarjana)
Y
i
= o
1
+ o
2
D1
i
+ o
3
D2
i
+ |X
i
+
D1
i
= 1 untuk tamat SMU
= 0 Lainnya
D2
i
= 1 untuk Sarjana
= 0 Lainnya
Sebagai kategori dasar adlh tidak tamat SMU
E(Y
i
|X
i
, D1
i
=0, D2
i
=0) = o
1
+|X
i
(tdk tamat
SMU)
E(Y
i
|X
i
, D1
i
=1, D2
i
=0) = (o
1
+o
2
)+|X
i
(Tamat
SMU)
E(Y
i
|X
i
, D1
i
=0, D2
i
=1) = (o
1
+o
3
)+|X
i

(Sarjana)
Dummy sebagai Variabel Bebas:
Satu kuantitatif, satu kualitatif dg 3 kategori.
o
1
+|X
i
(o
1
+o
2
)+|X
i
(o
1
+o
3
)+|X
i
o
1
o
2
o
3
Y
i

Masa kerja
= Asumsi: o
3
>o
2
Interpretasi:
Apakah Masa kerja dan tkt pendidikan berpengaruh
thdp penghasilan?. Brp besar perbedaan penghasilan
menurut tkt pendidikan pd masa kerja tertentu?.
3. Satu kuantitatif, dua kualitatif dg 2 kategori.

D1
i
= 1 untuk Laki-laki
= 0 untuk wanita
D2
i
= 1 untuk kota
= 0 untuk desa
Misal: D1 adalah dummy jenis kelamin (laki2/wanita),
dan D2 adlh dummy tempat kerja (kota/desa).
Masa kerja
Y
i

D1=0, D2=0
D1=1, D2=0
D1=0, D2=1
D1=1, D2=1
Y
i
= o
1
+ o
2
D1
i
+ o
3
D2
i
+ |X
i
+
MULTIKOLINEARITAS DALAM
REGRESI LINEAR
Jika suatu model mempunyai beberapa variable, dan
sebagian dari variable diantara mereka akan menjelaskan
hubungan linier secara pasti, maka hal ini dikenal
sebagai multikolinierity.
Hubungan yang erat antara variabel independen akan
berdampak pada bias pendugaan parameter dan semakin
tingginya nilai standart error yang dihasilkan dalam
analisis. Kemungkinan paling jelas dari hal ini adalah
besarnya peluang untuk ditolaknya hipotesis alternatif
berkenaan dengan pendugaan parameter.
Permasalahan dalam
Model Regresi Linier Berganda
Multikolinieritas terjadi bila paling tidak salah satu var.
bebas berkorelasi dgn var. bebas lainnya.
Multikolinieritas sempurna terjadi bila tdpt hubungan
linear antar variabel bebas.
1. Multikolinieritas
Akibatnya ?
- Jika tdpt Multikolinieritas sempurna, parameter
tidak dapat diduga dgn metode OLS.
- Nilai varians besar = standar error besar = selang
kepercayaan lebar.
- Uji-t tidak signifikan
- Tanda (sign) parameter bisa berlawanan.
- R
2
tinggi, tp banyak variabel yang tidak signifikan
Multikolinieritas
Cara mendeteksi ?
Regresikan setiap variabel bebas X
i
dgn variabel
bebas lainnya yg ada dalam persamaan (auxiliary
regression). Jika uji F menunjukkan hasil yang
signifikan berarti terdapat kolinearitas antara
variabel X
i
dengan variabel bebas lainnya.
Cek korelasi antar variabel bebas = matrik
korelasi.
Cara mengatasi ?
Gunakan informasi a priori, berdasarkan keyakinan
atau hasil penelitian terdahulu.
Lakukan regresi elementer, kemudian tambahkan
satu per satu variabel yg diduga relevan
mempengaruhi var terikat.
Menggabungkan data cross-section dan time series
Mengeluarkan salah satu variabel yang kolinier.
Mentransformasikan variabel.
Mencara data tambahan atau data baru
Permasalahan dalam
Model Regresi Linier Berganda
Heteroskedastisitas terjadi bila varians
i
tidak konstan,
tapi berubah-ubah pada setiap pengamatan i.
Untuk model
Y
i
= |
0
+ |
1
X
1i
+
i
Var(
i
) bisa kemungkinan semakin besar atau semakin
kecil dengan semakin besarnya nilai X
1i
. Var(
i
) = o
i
2

Misal:
(1) Model Konsumsi = o
o
+ o
1
Pendapatan +
(2) Model Learning process:
Jumlah kesalahan ketik = |
0
+ |
1
pengalaman +
2. Heteroskedastisitas
Pada model (1), Var(
i
) cenderung lebih besar dengan
semakin besarnya pendapatan.
Pada model (2) Var(
i
) cenderung lebih kecil dengan
semakin lama pegalaman dalam mengetik.
C
Y
C = o
o
+ o
1
Y
K
P
K = o
o
- o
1
P
Akibat Heteroskedastisitas ?
Karena Var(
i
) tdk konstan, tapi ditentukan oleh X
1i
,
maka:
E x
i
2
o
i
2.

Var(b
1
) =.
(E x
i
2
)
2.

Besarnya Var(b
1
) menyebabkan nilai SE(b
1
) juga akan
besar, sehingga interval kepercayaan menjadi lebih
besar dan pada uji-t variabel menjadi tidak signifikan.
Kesimpulan yang diambil dapat menyesatkan.
Hasil pendugaan tetap tak bias dan konsisten, akan
tetapi varians dr parameter dugaan tdk bisa minimum
shg dikatakan tidak efisien
= tidak memenuhi syarat BLUE
Cara mendeteksi ?
Metode Grafik
Buat diagram plot antara u
i
2
dan . Heteros-
kedastisitas akan terdeteksi apabila sebaran
plot menunjukkan pola yang sistematis.
Uji Park
Meregresikan u
i
2
dengan X
1i
dalam bentuk
persamaan log linear.
ln u
i
2
=
o
+
1
ln X
1i
+ c
i

u
i
adlh error term pd regresi Y
i
= |
0
+ |
1
X
1i
+

i
Metode Goldfeld-Quant

Prinsipnya adlh membagi dua data X
1i
bdsrkan
urutan terkcil terbesar dan meregresikan
masing2 untuk memperoleh nilai RSS.
Langkah-langkah Metode Goldfeld-Quant:
Urutkan data X
1i
berdasarkan urutan terkecil
terbesar
Abaikan bbrp pengamatan (c pengamatan) di sekitar
median.
Regresikan pengamatan (N-c)/2 pertama dan kedua,
hitung RSS, sehingga didapatkan RSS
1
dan RSS
2
.
Hitung rasio kedua RSS ():
RSS
2
/df
2

= ; df adalah derajat bebas (n-k-1)
RSS
1
/df
1

Lakukan uji F, bila > F berarti terjadi heteroskedas-
tisitas.
Permasalahan dalam
Model Regresi Linier Berganda
Terjadi bila terjadi korelasi antara
i
dan
j
.
Terjadi korelasi antara variabel itu sendiri pada
pengamatan yang berbeda.
Umumnya banyak terjadi pada data time series.
3. Otokorelasi
Model Persamaan Simultan
Y1
i
= |
10
+ |
11
Y2
i
+ |
12
X
i
+
1i

Y2
i
= |
0
+ |
1
Y1
i
+ |
3
X
i
+
2i


Y1, Y2 = Variabel Endogen (Saling terikat) stochastic
X1 = Variabel eksogen

1i
,
2i
= Error - stochastic

Merupakan suatu sistem persamaan yg menggambar-kan
saling ketergantungan antar variabel
Estimasi parameter suatu persamaan tidk dpt dilakukan
tanpa mempertimbangkan irformasi pada persamaan
lainnya.
Hubungan dua-arah atau simultan antar bbrp Variabel
Terdapat korelasi antara dan variabel penjelas;
cov(
i
,X
i
) = 0.
(Penyimpangan asumsi OLS)
Contoh:
Model Persamaan Simultan
1. Model Permintaan dan Penawaran
Fungsi Permintaan: Q
d
t
= o
o
+ o
1
P
t
+
1t
;

o
1
< 0.
Fungsi Penawaran: Q
s
t
= |
o
+ |
1
P
t
+

2t
; |
1
> 0.
Keseimbangan: Q
d
t
= Q
s
t
P
2. Model Pendapatan Nasional Keynes
Fungsi Konsumsi: C
t
= o
o
+ o
1
Y
t
+
t
;

0 < o
1
<
1.
Identitas Pendapatan: Y
t
= C
t
+ I
t
;
3. Model Ekonomi Makro
Fungsi Konsumsi: C
t
= o
o
+ o
1
Yd
t
+
1t
;

0 < o
1
<
1.
Fungsi Pajak: T
t
= |
o
+ |
1
Y
t
+

2t
; 0 < |
1
<
1.
Fungsi Investasi: I
t
=
o
+
1
r
t
+

3t
;
1
<
0.
Definisi: Yd
t
= Y
t
- T
t
Pengeluaran Pem: G
t
=
Identitas Pendapatan: Y
t
= C
t
+ I
t
+ G
t
Beberapa Istilah dlm Model Persamaan Simultan:
1. Persamaan Struktural/Perilaku:
Persamaan yang dapat menggambarkan:
Struktur atau perilaku dari fenomena ekonomi yang
diamati.
Perilaku variabel endogen terhadap perubahan-perubahan
variabel penjelas pada persamaan yang bersangkutan
2. Persamaan Identitas:
Persamaan yg tdk dpt menunjukkan perilaku variabel
endogen.
Dibentuk oleh perkalian, pembagian, penambahan atau
pengurangan beberapa variabel.
3. Persamaan Direduksi (reduced-form equation):
Persamaan dimana variabel endogen hanya dipengaruhi
variabel predetermined dan gangguan stochastic.
4. Variabel Endogen:
Variabel yg nilainya akan ditentukan melalui model.
Variabel yg dipengaruhi oleh dan mempengaruhi variabel
lain
5. Variabel Predetermined (eksogen dan lag endogen):
Variabel yg nilainya ditetapkan seblmnya, tdk melalui
model.
Variabel yg hanya menpengaruhi variabel lain.
Model Persamaan Simultan
Identifikasi Model:
Tujuan: Mengidentifikasi model sblm dilakukan
estimasi
Untuk mengetahui apakah estimasi parameter dapat
dilakukan melalui persamaan reduced-form dr sistem
persamaan simultan.
Persamaan Teridentifikasi (unidentified) jika estimasi
parameter tidak dapat dilakukan melalui persamaan
reduced-form.
Persamaan Teridentifikasi (identified) jika estimasi parameter
dpt dilakukan melalui persamaan reduced-form dr sistem
persamaan simultan.
O Teridentifikasi Tepat (just identfied),
Jika masing-masing nilai parameter bersifat unik (hanya
mempunyai satu nilai)
O Teridentifikasi Berlebih (over identified),
Jika masing2 nilai parameter mempunyai lbh dari satu
nilai.
Model Persamaan Simultan
Identifikasi Model:
Metode:
E Order Condition
Suatu persamaan teridentifikasi jika jumlah variabel
yang dikeluarkan dari persamaan tersebut, tetapi
masuk kedalam persamaan2 lain pada model minimal
sama dengan jumlah persamaan dalam model
dikurangi dengan satu.

(K M) > (G 1)
Dimana:
G = jmlh persamaan dlm model (= jmlh Var Endogen)
K = Jumlah semua variabel dalam model
M = Jumlah variabel dalam persamaan yang
diidentifikasi

E Rank Condition
Model Persamaan Simultan
Identifikasi Model:
CONTOH
Diagram Keterkaitan Variabel
Pada Model Persamaan Simultan
P Qd Qs
Model Permintaan dan Penawaran
I
Pop
Pa Pr
E
T S
= Var Endogen = Var Eksogen