Regresi Berganda
Pokok Bahasan
Model Regresi Berganda
Estimasi OLS Thd Koefisien Regresi Berganda
Interval Estimasi Koefisien Regresi Berganda
Uji t Koefisien Regresi Parsial
Koefisien Determinasi Yg Disesuaikan
Uji Hipotesis Koefisien Regresi Menyeluruh:
Uji F
Uji Perubahan Struktural Model Regresi : Uji
Chow
Model Regresi Berganda
Model regresi sederhana tidak mencerminkan kondisi yang
sesungguhnya karena banyak faktor yang mempengaruhi variabel dependen
Model regresi berganda: model yang memiliki lebih dari satu
variabel independen
Yi = βo + β1 X1i + β2X2i +...+ βk Xki + ei 4.1
Model regresi berganda dengan dua variabel independen
Yi = βo + β1 X1i + β2X2i + ei 4.2
• dimana: Y= Variabel dependent, X1 dan X2 adalah variabel
independen dan ei adalah variabel gangguan, βo intercept, β1 dan β2
Metode OLS dan Program Komputer
Estimator, βo ,β1 danβ2 masih dapat dengan mudah dihitung secara
manual menggunakan metode OLS.
Utk menghemat waktu digunakan menggunakan software komputer
yang umum dan mudah.
Misal, analisis ekspor pakaian jadi Indonesia ke Jepang menggunakan
data 1985-2000 menggunakan model regresi berganda sebagai berikut :
Yi = βo + β1 X1t + β2X2t + et
• dimana: Y = ekspor pakaian jadi ke Jepang (ton), X1 = harga pakaian
ekspor (US$/ton , X2 = kurs Rupiah thd Yen (Rp/Yen) dan t = waktu
observasi
Estimasi Ekspor Pakaian Jadi ke Jepang
Variable Coefficient Std Error T-Statistic Prob
C R-squared O,911347 Mean dependent var 37913,01
Adj R-squared 0,897709 SD dependent var 34949,41
SE of regression 11177,88 Akaike info criterion 21,64862
Sum square resd 162E+09 Schwarz criterion 21,79348
Log likelihood -170,1890 F-statistic 66,81992
Durbin-Watson 2,161663 Prob (F-statistic) 0,000000
Dependent Variable : Y Method : Least Squares
Contoh lain : Produksi Padi di Indonesia
Regresi produksi padi menggunakan data
cross-section
dari 23 Provinsi di Indonesia Tahun 1994
dengan model regresi berganda log-liniear.
lnYi = βo + β1 ln X1i + β2 ln X2i + β3 ln X3i + ei
• dimana: Y= Rata-rata produksi (kg/ha), X1 = Rata-rata penggunaan bibit (kg/ha), X2 = Rata-rata penggunaan pestisida (kg/ha), X3 =
Estimasi Produksi Padi di Indonesia 1985-2000
Variable Coefficient Std Error T-Statistic Prob
C
R-squared 0,862508 Mean dependent var 8,263121
Adj R-squared 0,840799 SD dependent var 0,245757
SE of regression 0,098057 Akaike info criterion -1,64977
Sum square resd 0,182688 Schwarz criterion -1,45229
Log likelihood 22,97231 F-statistic 39,72996
Durbin-Watson 2,303450 Prob (F-statistic) 0,000000
Dependent Variable : log (Y) Method : Least Squares
Interval Estimasi Koef Regresi Berganda
Agar estimator sampel, βi, yg sedekat mungkin
dgn estimator populasi βi, digunakan interval
estimasi yg dihitung menggunakan distribusi t.
Untuk βo : βo ± t
(n-k), α/2Se (βo)
Untuk βi : βi ± t
(n-k), α/2Se (βi) i =1,2,...k
Contoh :
Menggunakan data ekspor pakaian jadi ke Jepang, dengan
α = 5%, nilai t-kritis untuk α =5% dan df=13, t-tabel=
2,160, maka interval untuk masing-masing β
0, β
1dan β
2adalah :
βo
[-4067 ± 2,16(4584,454)]
β
1
[7,815 ± 2,16(1,8186)]
β
2
[1001,855 ± 2,16(130,3073)]
Sehingga interval estimator β
0, β
1dan β
2:
βo terletak antara : -5057,92< β
0<-3077,076
β
1terletak antara : 3,8868 <β
1<11,7432
Uji t Koefisien Regresi Parsial
Prosedur uji t utk koefisien regresi parsial :
Membuat hipotesis melalui uji satu sisi atau dua sisi
Uji hipotesis positif satu sisi Ho : β1 = 0 dan Ha : β1 >0 Uji hipotesis negatif satu sisi Ho : β1 = 0 dan Ha : β1<0 Uji hipotesis dua sisi Ho : β1 = 0 dan Ha : β1 ≠ 0
Ulangi langkah pertama tersebut untuk β2.
Menghitung nilai t hitung untuk β1 dan β2 dan mencari nilai t-kritis dari tabel distribusi t pada α dan degree of freedom tertentu, dimana t = [(β1 –β1*)/Se(β1)]
Membandingkan nilai t hitung dengan t-kritisnya
Koefisien Determinasi
•
Nilai R
2akan bertambah jika jumlah variabel X
bertambah. Ini terjadi secara sistematis karena
penggunaan metode OLS, oleh karena itu digunakan
R2 yang telah disesuaikan.
•
R
2bar =
1 -
[(∑e
i2)/(n-k)/ ∑(Y
i–Ybar)
2/(n-1)]
•
Koefisien determinasi regresi berganda sama dengan
koefisien determinasi regresi sederhana.
•
R
2= ESS/TSS = 1 – (RSS/TSS)
•
R
2= 1 – [(∑e
i2)/ ∑y
i2)]
Uji Hipotetis Koefisien Regresi
Secara Menyeluruh : Uji F
• Uji F adalah uji pengaruh semua variabel independen
terhadap variabel dependen, dimana Uji F dapat dijelaskan dengan menggunakan analisis varian (ANOVA)
Sumber
Variasi Squares)SS (Sum df sum of squareMSS (Mean F
ESS ∑(Yi – Ybar)2 k-1 ESS/k-1
(ESS/k-1) (RSS/n-k)
RSS ∑(Yi - Yi)2 n-k RSS/n-k
TSS ∑(Yi – Ybar)2 n-1 TSS/n-1
Uji F Koefisien Regresi Menyeluruh
Prosedur uji F utk koefisien regresi menyeluruh:
Membuat hipotesis nol dan hipotesisi alternatif :
Ho : β1 = β2 = ...βk = 0
Ha : β1 ≠ β2 ≠...βk ≠ 0
Menghitung nilai F hitung denmgan formula 4.36
dan mencari nilai F-tabel dari tabel distribusi F pada α dan degree of freedom tertentu.
Membandingkan nilai F-hitung dengan F-tabel
Uji Perubahan Struktural Model Regresi
Penggunaan data time series menganggap tidak
terjadi perubahan struktural pada semua periode waktu penelitian.
Faktanya, semakin panjang periode waktu
pengamatan memungkinkan terjadi perubahan-perubahan, baik berupa perubahan internal
maupun karena faktor-faktor eksternal.
Pertanyaannya apakah perubahan-perubahan
ini dapat dijelaskan oleh model regresi.
Gregory C. Chow mengembangkan suatu uji untuk
Uji Chow
Asumsi Uji Chow :
◦ Variabel gangguan e pada dua periode pengamatan mempunyai distribusi yang normal.
◦ Variabel gangguan juga mempunyai varian yang sama (homoskedastik).
◦ Variabel gangguan tidak saling berhubungan.
Uji Chow :
• Untuk memahami Uji Chow, gunakan kasus analisis impor
Indonesia 1980-2002. Dalam priode ini diduga ada perubahan kebijakan impor, dari substitusi impor ke promosi ekspor.
• Menggunakan model linier akan diuji apakah terjadi perubahan struktural akibat perubahan kebijakan industrialisasi di Indonesia. • Periode penelitian dibagi dua, yaitu periode 1980-1990 dengan
Uji Chow
Persamaan pada kebijakan substitusi impor
1980-1990
◦
Y
t= δ
o+ δ
1X
1t+ δ
2X
2t+e
t
4.39
Persamaan pada kebijakan promosi ekspor
1991-2002
◦
Y
t= λ
o+ λ
1X
1t+ λ
2X
2t+e
t4.40
Uji Chow :
• Jika ada perubahan struktural kemungkinan hasil dari
dua model regresi itu adalah beda dalam hal intercept
atau berbeda slope. Tetapi jika tidak ada perubahan struktural maka kita dapat menggabungkan regresi n1
Uji Chow
Prosedur Uji Chow :
• Estimasi pers (4.38) dan dapatkan RSS1 (Residual Sum of
Squares) dengan df = (n1 + n2 – k), RSS1 merupakan restricted
RSSR karena dianggap bahwa δo = λo ; δ1 = λ1 ; δ2 = λ2.
• Estimasi pers (4.39) dan (4.40) secara terpisah, dapatkan RSS2
dengan df=(n1-k) dan RSS3 dengan df=(n2-k). Selanjutnya,
dapatkan unrestricted RSSUR dengan df=(n1 +n2 – 2k) dgn cara
menambahkan RSS2 dan RSS3.
• Dengan asumsi Chow, uji perubahan struktural dapat dilakukan
melalui Uji F = [(RSSR – RSSUR)/k ] dibagi dengan [(RSSUR)/(n1 +
n2 - 2k ].
• Jika F-hitung > F-tabel, tolak Ho yg menyatakan tidak ada
perubahan struktural atau terima Ha yang menyatakan ada
Contoh Uji Chow
• Analisis kasus permintaan impor Indonesia 1980-2002.
Apakah terjadi perubahan struktural karena kebijakan industrialisasi pada periode tersebut ?
• Langkah 1 : Periode 1980-2002
Contoh Uji Chow
• Langkah 3: Hitung nilai F, diperoleh = 0,6650 • Nilai F-tabel dng α = 5% dengan df (3,17)= 3,49 • Karena F-hitung < F-tabel , terima Ho, artinya
selama periode penelitian 1980-2002 tidak
ditemukan adanya perubahan struktural. Jelasnya, perubahan kebijakan industrialisasi tidak