REGRESI
REGRESI
Pada umumnya ilmu ekonomi mempelajari
hubungan-hubungan antara variabel
ekonomi. Hubungan-hubungan yang
fungsional tersebut mendefinisikan
ketergantungan variabel terikat pada
variabel-variabel bebas dalam bentuk yang spesifik --- linear, kuadratik, logaritma, eksponensial atau hiperbola.
Dalam kasus stokastik, setiap nilai X tertentu, variabel terikat (Y) dapat memiliki beberapa nilai dengan probabilitas yang tertentu.
MODEL REGRESI LINIER SEDERHANA
Bentuk paling sederhana dari hubungan stokastik antara dua variabel X dan Y disebut “model regresi linear”
Y
i
X
i
e
iAlasan penyisipan faktor “e” antara lain adalah :
a. Karena kesalahan persamaan
variabel) --- faktor gangguan dapat
mewakili kesalahan-kesalahan dalam
pengukuran baik dalam pencatatan,
pengumpulan maupun pengolahan data.
• Karena ketidaksempurnaan spesifikasi
bentuk matematis model --- mungkin persamaan yang sebenarnya bukan linear atau kesalahan yang berkaitan dengan jumlah persamaan model.
Pembentukan model empiris akan sangat ditentukan oleh bentuk model teoritis yang melandasi kerangka analisa serta keberadaan data / fakta yang terjadi pada keadaan realitanya. Sejumlah model linear tersaji, baik linear dalam variabel dan linear dalam parameter, dapat diturunkan menjadi model estimasi. Adapun bentuk-bentukalternatif model terpilih dapat dirumuskan sebagai berikut : a) Model linear, b) Model Log Linear, c) Model Log Lin, d) Model Lin Log, Model Reciprocal
Model Equation Slope Elasticity
Linear Y = 1 +
2X
Log
Linear LnY =
1 + 2LnX
2(X/Y) A2
Log Lin LnY = 1 + 2X 2(Y) A2(X)
Lin Log Y = 1 + 2lnX 2(1/X) 2(1/Y)
Reciproc
al Y =
1 + 2(1/X)
2(1/X2) -
2(1/XY)
ASUMSI-ASUMSI KLASIK DAN KONSEKUENSINYA
Sejumlah asumsi terhadap penggunaan pendekatan OLS (Ordinary Least Square) sebagai salah satu alat estimasi guna mencapai parameter yang BLUE (Best Linear
Un-biased Estimator) antara lain adalah :
Tetapnya nilai varian (asumsi
homoskedastisitas), tidak berkorelasinya
antar variabel bebas (non Multikolinearitas),
tidak berkore-lasinya antara variabel
non otokorelasi) dan asumsi normalitas.
ASUMSI HOMOSKEDASTISITAS
Salah satu asumsi klasik dalam model regresi linear adalah bahwa variabel pengganggu (e) mempunyai varians yang sama dari satu pengamatan ke pengamatan lainnya, yakni
sebesar 2. Apabila variansnya berbeda
disebut heteroske-dastisitas. Kondisi hetero ini timbul apabila kita menggunakan data cross section.
Cara mengetahui Heteroskedastisitas : (a)
dengan cara me-lihat nature of problem, yaitu
sifat dari masalah yang di-teliti, misalnya dengan melihat hasil penelitian terdahulu /
pengalaman masa lalu, (b) dengan
grafik (graphical method) yaitu dengan menyusun scatter diagram antara :
Apabila scatter diagram itu semakin melebar atau me-nyempit, maka ada kemungkinan
terjadi heteroskedasti-sitas, (c) melalui
pengujian-pengujian.
Untuk pengujian dapat dilakukan dengan :*)
i i
dengan
Y
e
2ˆ
Ataue
i2denganX
iantara
• Data yang tidak dikelompokkan : Uji Park, Uji Gleyser dan Uji korelasi jenjang Spearman
[image:8.720.25.698.34.511.2]*) berdasarkan uji Park, hasil analisis regres untuk menak-sir model Yi = + Xi + i
diperoleh = 36,429; R2 = 0,845; = 0,0589
dengan Sb = 0,011 dan tb hitung = 5,231; artinya ada hubungan yang bermakna antara X dengan Y. Sedangkan berdasarkan hasil regres untuk menaksir ln e2i dengan
menggunakan ln Xi (model ln e2
i = + Xi +
i) diperoleh = - 0,076; R2 = 0,027; =
0,394 dengan Sb = 1,067 dan tb hitung = 0,370; artinya tidak ada hubungan yang
bermakna antara ln e2
i dengan ln Xi yang
Berdasarkan uji Korelasi Rank Spearman (dapat diterap-kan pada sampel yang berukuran kecil) dengan rumus :
1
6
1
2 2n
n
d
r
s iYang dikorelasikan adalah antara kesalahan pengganggu (dalam nilai mutlak) dengan variabel X. Apabila korelasi jenjang Spearman mendekati 1 dan mempunyai makna melalui uji t, maka dianggap ada heteroskedastisitas.
Uji t untuk korelasi ini adalah :
1
2
Diperoleh hasil : t hitung lebih kecil dari pada t tabel, maka hipotesis yang menyatakan ada heteroskedastisitas ditolak (Ha ditolak, Ho diterima).
Untuk regresi berganda, pengujian dilakukan
untuk sewtiap X terhadap variabel
Apabila ada pengaruh heteroskedastisitas, di mana varians berbeda, maka model itu akan : • Mempunyai koefisien regresi yang masih
BLUE
• Varians b tidak lagi minimum • Kemampuan prediksi rendah
• Terjadi misleading, misalnya t, F, R tinggi tapi heteros-kedastis atau t, F dan R rendah yang juga heteroske-dastis.
Jalan keluar yang bisa ditempuh apabila ada
heteroske-dastis adalah melakukan
OTOKORELASI
Dalam suatu model regresi asumsi yang
harus dipenuhi adalah tidak adanya
oyokorelasi antara kesalahan peng-ganggu periode t dengan kesalahan pengganggu pada pe-riode (t – 1) atau tidak ada serial korelasi.
Sebab-sebab terjadinya otokorelasi antara
lain adalah : (1) kelambanan : besar
kemungkinan terjadi pada data histo-ris. Perubahan situasi ekonomi biasanya tidak terjadi de-ngan segera, biasa lamban, dan tergantng besarnya penga-ruh variabel-variabel yang ikut menentukan panjangnya
si-klus dan kecepatan perubahan; (2)
spesifikasi bias : apabila dalam suatu model
tidak mengikutsertakan suatu atau beberapa variabel, padahal variabel tersebut relevan,
maka dapat menimbulkan otokorelasi
variabel penjelas); (3) kesalahan spesifikasi bentuk model matematis yang dipilih
sebagai model empiris : misalnya yang
seharusnya model itu non linier, tetapi
dipaksa secara linier, maka akan
menimbulkan otokorelasi pada kesa-lahan
pengganggu; (4) pengaruh time lag :
apabila variabel dependen tidak hanya dipengaruhi oleh variabel indepen-den, tetapi juga oleh variabel dependen pada periode sebe-lumnya.
Pengujian Nonotokorelasi
Cara untuk menguji apakah model tersebut
bersifat otoko-relasi atau tidak dapat
Untuk mendeteksi adanya otokorelasi Durbin – Watson mempergunakan rumus :
1 2 2 2 1 t t t t te
e
e
d
Uji otokorelasi positif
Durbin – Watson menyatakan bahwa apabila angka statis-tik d 0, maka ada otokorelasi
positif.
Ho : Tidak otokorelasi positif Ha : Ada otokorelasi positif Di mana :
d < dL berarti d adalah bermakna (signifikan) sehingga menerima hipotesis alternatif yang
menyatakan ada otokorelasi positif.
d > dU berarti d adalah tidak bermakna (tidak
signifikan) sehingga menerima hipotesis
nol yang menyatakan tidak ada otokorelasi
positif.
dL < d < dU berarti pengujian tidak dapat
memberikan keputusan (inconclusive ---
Uji otokorelasi negatif
Pada kasus otokorelasi negatif , pengujiannya adalah :
d > 4 – dL berarti d adalah bermakna
(signifikan) sehingga menerima hipotesis
alternatif yang menyatakan ada otokorelasi
negatif.
d < 4 – dU berarti d adalah tidak bermakna
(tidak signi- fikan) sehingga menerima
hipotesis nol yang menyatakan tidak ada
otokorelasi negatif.
4 – dU < d < 4 – dL berarti pengujian tidak
dapat membe- rikan keputusan (inconclusive
Uji otokorelasi dua sisi
Pada kasus otokorelasi uji dua sisi , pengujiannya adalah :
d < dL berarti d adalah bermakna (signifikan)
sehingga me- nerima hipotesis yang
menyatakan ada otokorelasi.
d > 4 – dL berarti d adalah bermakna
(signifikan) sehingga menerima hipotesis
yang menyatakan ada otokore- lasi.
MULTIKOLINEARITAS
Multikolinearitas atau kolinearitas ganda merupakan suatu keadaan di mana hubungan linier yang sempurna antara variabel-variabel penjelas atau variabel bebas.
Untuk mendeteksi atau mengetahui suatu model regres mempunyai kolinearitas ganda atau tidak dapat dilakukan :
1) Berdasarkan tanda-tanda : (a) koefisien determinasi gan-da tinggi; (b) koefisien korelasi tinggi; (c) nilai F hitung tinggi; (d) tidak satupun (sedikit sekali) variabel-variabel bebasnya memiliki uji t yang siginifikan.
model tersebut mempunyai lebih dari dua variabel bebas, dan diperolej korelasi antara dua variabel rendah tidak berati model tersebut tidak ada kolinearitas ganda.
3. Apabila nilai determinan dari (X – X) adalah sangat kecil, dapat dijadikan petunjuk terjadinya kolinearitas ganda dan apabila sama dengan nol, berati kolinearitas ganda itu adalah sempurna.
4. Apbila koefisien determinasi gandanya
tinggi, tetapi koefisien determinasi
partialnya rendah dibandingkan dengan koefisien determinasi simultannya, berarti ada kolineraitas ganda.
Akibat adanya multikolinearitas antara lain adalah :
1. Dengan semakin meningkatnya
kolinearitas, probabili-tas melakukan
kesalahan tipe 2 pada hipotesis (meneri-ma hipotesis yang pada hakekatnya salah) akan semakin besar.
2. Pengujian masing-masing koefisien regresi tidak satupun yang bermakna --- atau hanya satu yang bermakna (walaupun koefisien determinasinya tinggi)
Terapi yang dapat digunakan dengan adanya multikoli-nearitas antara lain adalah :
2. Mengeluarkan salah satu variabel bebasnya dari model.
3. Mentransformasi variabel yang ada dalam model.