What is Econometrics?

• Econometrics means economic measurement

 What is Econometrics?
• The result of a certain outlook on the role of
economics, consists of the application of
mathematical statistics to economic data to lend
empirical support to the models constructed by
mathematical economics and to obtain numerical
results.
• It may be defined as the quantitative analysis of
actual economic phenomena based on the
concurrent development of theory and
observation, related by appropriate methods of
inference
 Model Matematika
• Fungsi Konsumsi

Y = 1 + 2 X, 0 < 2 <1

Y = pengeluaran untuk konsumsi

X = pendapatan
 1;  2 = parameter (intercept dan koefisien
slope)
 Fungsi Konsumsi
Y

2 = MPC
1

X
 Model Ekonometri
• Fungsi Konsumsi

Y = 1 + 2 X + u

u = disturbance or error term adalah

variabel random (stochastic).
 Fungsi Konsumsi
Y


  

  
u 
  

X
 Skala Pengukuran Variabel
• Skala Rasio
• Skala Interval
• Skala Ordinal
• Skala Nominal
 Model Regresi: 2 Variabel
• Fungsi regresi untuk populasi (PRF)

Yi = 1 + 2 Xi + ui

• Fungsi regresi untuk sampel (Estimated SRF)

Yi  ˆ1  ˆ2 X i  ui
 Yˆ  u
i i
 Metode OLS
(Ordinary Least Square)
• Residual:
uˆi  Yi  Yˆi
 Yˆi  ˆ1  ˆ2 X i

• Jumlah residual adalah sekecil mungkin (bahkan

mungkin sama dengan nol)

 uˆ   (Y  Yˆ )
i i i
 SRF
Y 
 
û3 Yˆi  ˆ1  ˆ2 X i
 û4
  

û1  
û2 


X1 X2 X3 X4 X
 Estimasi 1 and 2
 i 1 2 Xi
Y  nˆ  ˆ

 Yi X i  1  X i   2  X i
ˆ ˆ 2

ˆ1  Y  ˆ2 X

ˆ2  X Y i i

X  nX
i
2 2
 Ukuran Ketepatan
(Standard Error dan Variance)
2
var( ˆ2 ) 
 X i2

se ( ˆ2 ) 
 X i2

X
2

var( ˆ1 )  i
2
n X i
2

X
2

se ( ˆ1 )  i

n X i
2
• 2 dapat diestimasi dari data dengan formula sebagai
berikut:

ˆ 2   i
ˆ
u 2

n2

• ˆ 2 adalah OLS estimator adalah true tetapi unknown

2.
• n-2 adalah jumlah degrees of freedom (df)
•  uˆi2 adalah jumlah residual kuadrat (RSS)
 Properti Least Squares Estimator:
Gauss-Markov Theorem
• The best linear unbiased estimator (BLUE)
of 2.
– Linear: fungsi linear pada variabel random
(dependent variable Y)
– Unbiased: expected value, [E(2)] = true value,
[2].
– Best: mempunyai variance minimum (unbiased
estimator with the least variance is known as an
efficient estimator)
A Measure of “Goodness of Fit”
• Koefisien Determinasi (r2) untuk 2 variabel
sedangkan (R2) untuk lebih dari 2 variabel.
• TSS = ESS + RSS
TSS = Total Sum of Squares
ESS = Explained Sum of Squares
RSS = Residual Sum of Squares
TSS  ESS  RSS
ESS RSS
1 
TSS TSS
ESS
r 
2

TSS
RSS
r  1
2

TSS
• Koefisien Determinasi (r2)
– Measures the proportion or percentage of the
total variation in Y explained by the regression
model
– Tidak negatif
– Besarnya 0  r2  1
 Koefisien Korelasi (r)
• r = ±r2
• Bisa positif atau negative
• Besarnya -1  r  1
 Uji Hipotesis
• Uji Satu Arah:
– Ho : 2  0.3
– H1 : 2 > 0.3
• Uji Dua Arah
– Ho : 2 = 0.3
– H1 : 2  0.3
• Ada 2 Pendekatan:
– Confidence Interval
– Test of Significant (Uji t): Uji t pada koefisien regresi
 Uji t

t
ˆ
2  2

( ˆ
 2  2 ) x
2
i

se( ˆ2 ) ˆ
 Menolak atau Menerima Hipotesis
• Rule of Thumb:
– Jika df = 20 atau lebih dan jika  (level of significant)
adalah 5%, maka H0 = 0 dapat ditolak jika nilai t hitung
melebih 2.
• H0:  2 = 0 ditolak jika

t  ˆ2 / se(ˆ2 )  t / 2 ketika ˆ2  0

Atau

t  ˆ2 / se(ˆ2 )  t / 2 ketika ˆ2  0

Atau

ˆ2
t   t / 2
se( ˆ2 )
 Exact Level of Significant
• p value (probability value):
– Disebut juga observed atau exact level of
significant atau excat probability of
committing a Type I error.
– The lowest significance level at which a null
hypothesis can be rejected
Regression Analysis & Analysis of Variance

• Studi tentang TSS dikenal juga dengan Analysis of

Variance (ANOVA) dari pandangan Analisis regresi

MSS of ESS
F
MSS of RSS
 2  xi
ˆ 2 2


 ui /( n  2)
ˆ 2

ˆ22  xi2

ˆ 2
 Uji Normalitas
• Histogram of Residuals
• Normal Probability Plot
• Uji Jarque-Bera
– H0: JB = 0 [ residual (ui) terdistribusi normal]
– JB mengikuti distribusi chi-square dengan df =
2 (2tabel = 5.99147) atau juga bisa
menggunakan p value
 Uji JB untuk normalitas
 S 2 ( K  3) 
JB  n  
6 24 

• H0 : JB = 0.7769
• p value = 0.6781
• H0 tidak dapat menolak (artinya residual
terdistribusi normal)
• Asumsi
1. Linier dalam parameter (i)
2. Nilai X adalah tetap dalam repeated sampling
3. Rata-rata disturbance adalah nol [E(ui/Xi = 0]
4. Homoscedasticity, mempunyai variance yang
konstant [var (ui/Xi = 2]
5. No autocorrelation: tidak ada korelasi antar
disturbance [cov (ui,uj/Xi,Xj ) = 0]
6. Tidak ada korelasi antara ui dengan Xi [cov
(ui,Xi) = 0]
7. Jumlah observasi (n) lebih besar dari jumlah
parameter (i)
8. Nilai X bervariasi, nilai X dalam sejumlah
sampel tertentu tidak boleh sama
9. Model regresi sudah terspesifikasi dengan
benar
10. Tidak ada multikolinieritas
• Rata-rata Pengeluaran Konsumsi Keluarga per
minggu (Y)
• Pendapatan Keluarga (X)

Tahun Y( $) X ($)
1996 70 80
1997 65 100
1998 90 120
1999 95 140
2000 110 160
2001 115 180
2002 120 200
2003 140 220
2004 155 240
2005 150 260
 Regresi Fungsi Non-Linier
• Model Log-Linier
• Model Semilog
• Model Reciprocal
• Model Logarithmic reciprocal
 Model Log-Linier
 2 ui
Yi  1 X i e
ln Yi  ln 1   2 ln X i  ui
ln Yi  1   2 ln X i  ui
dY X
2  *
dX Y
 Model Semilog
• Model Log-Lin

ln Yt  1   2 X t  ui
(Yt  Yt 1 ) / Yt 1 dY / Y
2  
( X t  X t 1 ) dX t
relative change in regresand

absolute change in regressor
• Model Lin-Log

Yt  1   2 ln X t  ui
(Yt  Yt 1 ) dY
2  
( X t  X t 1 ) / X t 1 dX / X
dY 1
 2
dX X
• Model Reciprocal

 1 
Yi  1   2    ui
 Xi 

• Model Logarithmic reciprocal

 1 
ln Yi  1   2    ui
 Xi 
 Regresi Berganda
• Model regresi dengan 3 variabel

Yi  ˆ1  ˆ2 X 2i  ˆ3 X 3i  uˆi

• OLS estimator:
– RSS  i adalah sekecil mungkin
ˆ
u 2

 uˆ   ˆ1  ˆ2 X 2i  ˆ3 X 3i 

2 2
min i

– Untuk minimum maka turunan pertamanya harus sama dengan nol

ˆ1  Y  ˆ2 X 2  ˆ3 X 3
 y x  x    y x  x
2
x 
ˆ2  i 2i 3i i 3i 2 i 3i

 x  x    x x 
2
2i
2
3i 2 i 3i
2

 y x  x    y x  x
2
x 
ˆ3  i 3i 2i i 2i 2 i 3i

 x  x    x x 
2
2i
2
3i 2 i 3i
2
  1 X 22  x32i  X 32  x22i  2 X 2 X 3  x2i x3i 
 
var ˆ1     *  2

 x2i  x3i   x2i x3i 

2
 n 2 2


 
se ˆ   var ˆ
1  1

 

var ˆ2  
 3ix 2 
 *  2

  x2i  x3i   x2i x3i  

2 2 2

 
se ˆ   var ˆ
2  1
 ˆ 

var  3  
 x 2
2i

 * 2

  x2i  x3i   x2i x3i  

2 2 2

 
se ˆ   var ˆ
3  
3

ˆ 
2  ui
ˆ 2

n3
• Koefisien Determinasi
R 
2 ESS
 1
RSS
 1
 uˆi 2

TSS TSS  yi2

ˆ2  yi x2i  ˆ3  yi x3i

 i
y 2

• Koefisien Korelasi
R  R2
• Koefisien Determinasi yang disesuaikan (adjusted
R2):
– diasosiasikan dengan df

R 2
 1
 uˆ 2
i /( n  k )
y i
2
/( n  1)
• Latihan
– Fungsi dengan 3 Variabel
– Fungsi Cobb-Douglas
Structural Change/Parameter Stability:
Chow Test
• Structural Change
– Faktor Eksternal:
• Embargo Minyak; Perang
– Perubahan Kebijakan:
• Berubahnya regim nilai tukar dari fixed XR ke
flexible XR
• Perubahan dalam penetapan upah minimum
• Uji F
– RSSUR = RSS1 + RSS2 dengan df = n1+n2-2k

F
RSS R  RSSUR  / m
RSS UR / df

atau

F
R
 RR2 / m
2

 
UR
1  RUR
2
/( n  k )

• Latihan: Regresi Saving dan Income

– Periode Resesi 1970-1981 di US
– PeriodePasca resesi 1982-1995
– Periode 1970-1995
F
23248.3  1785.032  10005.22  / 2
1785.032  10005.22 / 12  14  4
 10.69

• H0: MR1 dan MR2 = MR3

• Fhitung > Ftabel = 5.72 (num = 2; denum = 22;
 = 1%)
• Ada structural change
• Dalam Chow test tidak bisa melihat apakah
perbedaan disebabkan oleh intercept atau
slope atau keduanya.
• Hal ini bisa diatasi dengan menggunakan
variabel dummy
 Variabel Dummy
• Variabel dengan skala Nominal
– Variabel indikator
– Variabel katagori
– Variabel kualitative
– Variabel dummy
• Variabel dummy mempunyai nilai 0 dan 1
• Berdasarkan persoalan pada structural
change, maka akan ada empat kemungkinan
– Coincident regressions (sama intercept dan
slope)
– Parallel regressions (intercept berbeda tetapi
slope sama)
– Concurrent regression (intercept sama tetapi
slope berbeda)
– Dissimilar regression (intercept dan slope
berbeda)
• St = 1 + 2D1 + 1Yt + 2(DtYt) + ut
• S = Saving
• Y = income
• t = waktu
• D = 1 untuk periode 1982-1995(pasca
resesi)
• D = 0 untuk periode 1970-1981(resesi)
• Membuat dummy dalam eviews

smpl @ first 70
series dummy = 0
smpl @ last 82
series dummy = 1
 Mulkolinieritas
• Ada hubungan linier diantara
beberapa atau semua variabel
bebas dalam model regresi
• Contoh hubungan multikol dalam variabel
bebas:

X2 X3 X3*
10 50 52
15 75 75
18 90 97
24 120 129
30 150 152
 Konsekuensi Multikol
• Meskipun OLS estimator adalah BLUE
tetapi variance dan covariancenya sangat
besar sehingga sulit membuat estimasi yang
tepat.
• Atau confidence intervals cederung besar
sehingga cederung menerima H0.
 Tanda Adanya Multikolinieritas

• R2 sangat tinggi sekitar 0.8

• F test, umumnya menolak H0 (significant F)
• t test tidak ada atau sedikit yang significant
(menerima H0)
• High pair-wise correlation among
regressors, in excess of 0.8
• If the VIF of a variable exceeds 10, the
variable is said to highly collinear
• If the TOL of a variable less than 0.10,
the variable is said to highly collinear
 r23 VIF TOL
0,00 1,00 1,00
0,50 1,33 0,75
0,70 1,96 0,51
0,80 2,78 0,36
0,90 5,26 0,19
0,95 10,26 0,10
0,995 100,25 0,01
0,999 500,25 0,00
 Remedial Measures
• Do nothing
• A priori information
• Combining cross-sectional and time series data
• Dropping a variable(s) and specification bias
• Transformation of variables
• Additional or new data
• Reducing multicollinearity in polynomial
regrresions
– Multivariate statistical techniques such as factor
analysis; principal components or ridge
regression are often employed to solve the
problem of multicollinearity
 Heteroscedasticity
• Variance ui tidak konstan

E(u2i) ≠ 2 i = 1, 2, …, n
 Mendeteksi Heteroscedasticity
• Secara Informal
– Nature of the Problem:
• Regresi konsumsi pada pendapatan memungkinkan
residual variance meningkat seiring dengan
meningkatnya pendapatan
• Umumnya terjadi pada data cross section
• Menggunakan data usaha kecil, menengah dan besar
secara bersamaan
– Metode Grafis
uˆ
• Bisa melihat residual squared i
2
White’s General Heteroscedasticity Test

• Regresi dengan 3 variabel dibawah ini

Yi  1   2 X 2i   3 X 3i  ui
 Prosedur White test
• Step 1: Dapatkan residuals (ui), dari regresi 3 variabel
• Step 2: Regres model auxiliary regression dibawah ini

uˆ i2   1   2 X 2i   3 X 3i   4 X 22i   5 X 32i   6 X 2i X 3i  vi
• Step 3: Hypothesis nol: tidak ada heteroscedasticity
Dapatkan nilai R2, kemudian kalikan dengan n (jumlah
sampel). Selama ada 5 regresor maka df-nya ada 5.
n  R 2 ~ asy  df2
• Step 4: Jika chi-square hitung melebihi chi-square tabel
pada taraf signifikansi yang dipilih maka disimpulkan
ada heteroscedasticity
• White test dapat digunakan untuk menguji
heteroscedasticity murni atau specification
error atau keduanya.
– Model no cross product untuk menguji
heteroscedasticity murni.
– Model cross-product untuk heteroscedasticity
dan specification bias.
 Autokorelasi
• Adanya korelasi diantara 2 time series
u1, u2, …, u10 dan u2, u3, …, u11
• E(ui uj) ≠ 0 di mana i = j
 Konsekuensi Autokorelasi
• OLS estimators: linier, unbiased dan
variance tidak lagi terdistribusi secara
normal sehingga variance tidak lagi
minimum
• Estimators menjadi tidak efisien dan tidak
lagi BLUE.
• Akhirnya, t, F and 2 menjadi tidak valid.
 The Nature of Problem
• Umumnya terjadi pada data time series
• Lags
– Pada regresi time series konsumsi pada pendapatan juga
tergantung pada konsumsi sebelumnya.

Consumptiont  1   2 incomet   3 consumptiont 1  ut

Regresi ini dikenal dengan autoregression karena pada variabel
bebas terdapat lag variabel dependen
• Adanya manipulasi atau interpolasi
• Data yang tidak stasioner
• Autocorrelation dapat positive ataupun
negative
• Umumnya data time series ekonomi
menunjukan autokorelasi positif karena
data cenderung bergerak naik atau
turun
 Mendeteksi Autokorelasi
• Metode Grafis
• Durbin-Watson Test
• Durbin Waston d sangat rendah. Dan
menurut Maddala: d < R2.
• General Test pada Autokorelasi:
– Breusch-Godfrey (BG) Test
Durbin-Waston d test


t 2 t t 1 
t n
ˆ  ˆ 2
u u
d
t 1
t n
ˆ
u 2
t
 Reject Indeci Do not reject H0 Indeci Reject
H0 sion sion H*0

0 dL dU 2 4 - dU 4 - dL 4

• H0 : Tidak ada autokorelasi positive

• H*0: Tidak ada autokorelasi negative
 BG test atau LM test
• Yt = 1 + 2Xt + ut
• ut = 1ut-1 + 2ut-2 + … +put-p + t
• Hipotesis nol:
– H0: 1 = 2 = … = p = 0 ( No serial
correlation)
• Regres ût pada original Xt dan ût-1, ût-2, …,
ût-p.
– ût = 1 + 2Xt + ̂1 ût-1 + ̂ 2 ût-2 + … + ̂ p ût-p + t
• (n-p) kalikan dengan nilai R2 dari auxiliary
regression, mengikuti distribusi chi-square
dengan p df:
– (n-p)*R2  p2
– Jika (n-p) *R2 melebihi nilai chi-square
tabel pada level significant yang dipilih, maka
kita tolak hipotesis nol.
– Pada kasus ini sedikitnya ada satu rho yang
secara statistik signifikan berbeda dengan nol.
 Mengatasi Autokorelasi
• Jika  diketahui:
– Generalized atau quasi, difference equation
– Prais-Winsten transformation
–  sulit untuk diketahui dalam realita
•  tidak diketahui tetapi bisa diestimasi
– Dengan metode First-Difference