Professional Documents
Culture Documents
Ekomtr DSR
Ekomtr DSR
Y = 1 + 2 X, 0 < 2 <1
2 = MPC
1
X
Model Ekonometri
• Fungsi Konsumsi
Y = 1 + 2 X + u
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
Yi ˆ1 ˆ2 X i ui
Yˆ u
i i
Metode OLS
(Ordinary Least Square)
• Residual:
uˆi Yi Yˆi
Yˆi ˆ1 ˆ2 X i
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 nˆ 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
n2
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
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
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
1
ln Yi 1 2 ui
Xi
Regresi Berganda
• Model regresi dengan 3 variabel
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
se ˆ var ˆ
1 1
var ˆ2
3ix 2
* 2
se ˆ var ˆ
2 1
ˆ
var 3
x 2
2i
* 2
se ˆ var ˆ
3
3
ˆ
2 ui
ˆ 2
n3
• Koefisien Determinasi
R
2 ESS
1
RSS
1
uˆi 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 )
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
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
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.
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