Professional Documents
Culture Documents
Abstract
Simple regression analysis is an analysis of the relationship of the dependent variable (Y) with one
independent variable (X). Reggression model is obtained by estimating the parameters with Ordinary
Least Square (OLS). But the method of OLS is highly susceptible to outliers , because outliers can
influence the results of the estimation model of OLS. Outliers can be detected by using DFFITS test, this
test can detect outliers which affect the results of the data analysis. Hence, we need robust regression
which is stout to outlier. Research on robust regression being estimated by using the estimation Method
Of Moment (MM). MM estimation is a combination of M estimation and S estimation, where the M
estimation made estimator has high efficiency and S estimation guaranted high value of Breakdown
Point. The purpose of this research is to know the influence of the exchange rate of the Rupiah against the
Dollar (X) against share price Golden Retailindo Tbk (Y), where stock price data contains outlier. From
the results of the analysis we obtained the regression equation that States the relationship between stock
price Golden Retailindo Tbk with the exchange rate of the Rupiah against the Dollar is
Yˆ 541,07 - 0,015 X based on a regression model that the shares price of Golden Retailindo Tbk will be
decreassing Rp. 0,015 if the exchange rate is increasing Rp. 1,00 and if the exchange rate is not
considered then the share price is Rp. 541,07.
Keywords: dffits, method of moment (mm), ordinary least square, outlier, robust regression
outlier yaitu konstanta dengan c = 4,685 untuk Point dan efisiensi statistik yang dikenalkan
pembobot Tukey Bisquare. oleh Yohai (1987). Langkah pertama dalam
estimasi ini adalah mencari Estimator S,
Regresi Robust
kemudian menetapkan parameter-parameter
Prosedur regresi robust dirancang untuk
regresi menggunakan estimasi M. Estimasi S
mengurangi pengaruh dari pencilan yang
menjamin nilai Breakdown Point tinggi dan
mempunyai pengaruh tinggi jika metode OLS
estimasi M membuat estimator mempunyai
digunakan. Oleh karena itu prosedur regresi
efisiensi tinggi. Pada umumnya digunakan
robust cenderung untuk mengabaikan residual
fungsi Tukey Bisquare β baik pada estimasi S
yang berhubungan dengan pencilan-pencilan
maupun estimasi M. Bentuk dari metode
yang besar. Disamping tidak sensitif jika
estimasi Method Of Moment (MM) adalah
terdapat kasus pencilan, prosedur regresi robust
(Yohai, 1987):
mempunyai tingkat efisiensi yang sama dengan
k
90% - 95% dibanding metode OLS jika di
bawah distribusi normal. Regresi robust ini n
y -
i ∑
xij j
dikembangkan oleh Rousseeuw dan Leroy pada
tahun 1987.
MM arg min
∑
j 0
ˆS
(8)
i 1
Regresi robust ditujukan untuk
mengakomo-dasi adanya keanehan data,
sekaligus meniadakan identifikasi adanya data dengan fungsi pembobot Tukey bisquare adalah:
pencilan dan juga bersifat otomatis dalam 2
u 2
menanggulangi data pencilan. Analisis regresi 1 i , ui c
robust ini tidak membuat galat model menjadi c
normal namun model yang dihasilkan oleh
metode ini memiliki tingkat keakuratan yang ((ui )
wi = = 0, ui c
lebih tinggi dari model yang dihasilkan oleh ei
model OLS (Soemartini, 2007). Dalam
mendeteksi pencilan, metode regresi robust (9)
yang sering digunakan adalah Huber estimasi ei
M, estimasi dengan Breakdown Point, dan Dimana u i = dan c= 4,685
̂ s
gabungan dari dua metode tersebut.
Jika data terkontaminasi pencilan pada Metode estimasi MM juga menggunakan
variabel bebas (X), estimasi M tidak dapat WLS (Weighted Least Square) untuk mencari
bekerja dengan baik. Estimasi M tidak dapat estimasi parameter regresi. Dengan model
mengidentifikasi bad observation yang berarti persamaan dalam bentuk matriks adalah:
tidak dapat membedakan good leverage point βˆ (m) (X T W (m)X) 1 (X T W (m)Y)
J (10)
dan bad leverage point. Untuk mengatasi hal dimana:
tersebut, estimasi high breakdown sangat
diperlukan. Salah satu estimasi yang 1 X1 Y1
1 X2 Y2
X , Y
mempunyai nilai high breakdown point adalah
estimasi S. bentuk estimator S adalah (Chen,
2002):
1 X n Yn
s arg min ˆ S (e1 , e1 ,..., en ) (5)
1 1 1
XT
dengan
X1 X2 X n
n n
n (ei ) (
2
e) 2
w1 0 0
i 1 i 1 i
ˆ s (6)
n(n 1) 0 w2 0
W (m)
Estimasi M akan menjaga ke-Robust-an 0
dengan mengatasi pencilan vertikal, yaitu
0 0 wn
pencilan yang terdapat pada variabel terikat (Y).
m = iterasi ke- i dimana i = 1,2, . . .hingga
Estimator M yang meminimumkan fungsi ρ
konvergen
(fungsi obyektif) dari residualnya. Estimator M
dapat ditulis sebagai berikut: Proses pembobotan pada iterasi dilakukan
sampai kovergen yaitu selisih nilai
n n k
min
(ei ) min
i 1
yi
xij j
ˆ ( m1) dan ( m) mendekati 0, dengan m
i 1 j 0 banyaknya iterasi.
(7)
Estimasi Method Of Moment (MM)
menggabungkan estimasi High Breakdown
12,7
u 48(1) = = 0,786 Berdasarkan hasil dari Weighted Least Square
24,4
(WLS) diatas maka diperoleh model dari
4. Menghitung nilai wi (1) dengan sebagai estimasi S untuk Iterasi 1 adalah
berikut: Yˆ 555 ,38 0,016 X
2
ui (1)
2 Akan tetapi pada iterasi 1 belum
wi (1) 1 dengan c =1,547 dan konvergen karena selisih antara model dari
c
estimasi OLS dengan iterasi 1 belum mendekati
0, dengan menggunakan hasil dari perhitungan
pada iterasi 1 akan digunakan untuk menghitung
i=1,2,...48
2
model pada iterasi 2 dan seterusnya sampai
1,505 2 konvergen, yaitu model pada iterasi ke-m sama
w1(1) 1 0,003 karena u1 c
(1)
dengan model pada iterasi ke-(m+1). Hasil
1,547 perhitungan untuk iterasi lanjutan dapatdilihat
1,021 2
2 pada lampiran. Model yang diperoleh dari hasil
w2 (1)
1 0,319 karena u 2 (1) c iterasi ditampilkan pada Tabel 3.
1,547 Berdasarkan hasil iterasi pada Tabel 3.
diketahui bahwa iterasi telah konvergen pada
2 iterasi 15 dikarenakan model pada iterasi 15 dan
0,521 2 iterasi 14 sama. Sehingga diperoleh model
w48 (1)
1 0,786 karena u 48(1) c
1,547 terbaik untuk Estimasi S adalah :
Yˆ 462,2 0,007 X
.
5. Setelah diperoleh nilai pembobot maka dapat Setelah diperoleh model terbaik dari
dihitung koefisien regresi dengan Estimasi S maka selanjutnya dapat dihitung
menggunakan metode Weighted Least nilai residual dan mencari pembobot awal
Square dengan persamaan sebagai berikut: untuk estimasi MM.
Tabel 3. Model Regresi Dengan Estimasi S
βˆ J (1) (X T W (1)X) 1 (X T W (1)Y) , dimana:
Tahap Model Regresi
1 12.938,29 310
1 12658,30 326
Yˆ 540,74 0,015 X
Y OLS
X
Iterasi 1 Yˆ 555,4 0,016 X
1 9.537,38 385 Iterasi 2 Yˆ 557,1 0,016 X
1 1 1 Iterasi 3 Yˆ 553,8 0,016 X
XT
12 .938 , 29 12 .658 ,30 9.537 ,38 Iterasi 4 Yˆ 547,1 0,015 X
0,003 0 0 Iterasi 5 Yˆ 536,4 0,014 X
0 0,319 0
W (1) Iterasi 6 Yˆ 519,6 0,012 X
0
Iterasi 7 Yˆ 498,3 0,010 X
0 0 0,786
Iterasi 8 Yˆ 480,5 0,008 X
3,408053 0,0003275
T (1) 1
Iterasi 9 Yˆ 469,9 0,007 X
8
(X W X)
0,0003275 0,0000000317
Iterasi 10 Yˆ 465,1 0,007 X
Iterasi 11 Yˆ 463,2 0,007 X
11463 ,05 Yˆ 462,5 0,007 X
(X T W (1)Y)
Iterasi 12
117601905 , 4 Iterasi 13 Yˆ 462,3 0,007 X
0(1)
(X T W (1)X) 1 (X T W (1)Y)
Iterasi 14 Yˆ 462,2 0,007 X
1(1) Iterasi 15 Yˆ 462,2 0,007 X
3,408053 0,0003275 11463 ,05 Iterasi 16 Yˆ 462,2 0,007 X
117601905 ,4
0 ,0003275 0,0000000317 8
Perhitungan pembobot awal estimasi MM
hampir sama dengan estimasi S yaitu
0(1) 555,38 menentukan nilai Yˆ dan nilai eI kemudian
1(1) 0,016 menghitung nilai dari ˆ (1) , nilai ˆ (1) pada
Gujarati, D.N. (2004). Basic Sukirno, Sudono. 2003.” Makro Ekonomi Teori
Econometrics.4th.ed. New Jersey: Prentice Pengantar”. Jakarta:Edisi Ketiga. Rajawali
Hall. Pers.
Montgomery, C. D., & Peck, A. E. (1982). Widarjono, Agus. 2007. Ekonometrika Teori
Introduction To Linear Regression dan Aplikasi untuk Ekonomi dan
Analysis. New York: John Wiley & Sons Bisnis.Edisi Kedua.Yogyakarta.Fakultas
Inc. Ekonomi UII.
Sen A. dan Srivasta, M. 1990.”Regression Yohai, V. J. (1987), “High Breakdown Point
Analysis”: Theory, Method, and and High Efficiency Robust Estimates for
Applications. New York: Springer-Verlag. Regression”, Annals of Statistics, Vol.15.
Soemartini.2007.”Outlier(Pencilan)”.Bandung.
UNPAD.