METODE KUANTITATIF :
Statistik Ekonomi:
Berhubungan dgn pengumpulan, pemrosesan dan penyajian data ekonomi dalam grafik dan tabel.
Statistik Matematis (Statistik Inferensi):
Didasarkan pada Teori Probabilitas melalui metode-metode pengukuran yang dibangun atas dasar
ekperimen/percobaan yang terkendali dan terencana dengan cermat.
EKONOMETRIKA
Sebagai Suatu Ilmu
Ekonometrika mengkombinasikan keempat ilmu diatas untuk mengetahui kondisi riil dari hubungan-hubungan
TUJUAN EKONOMETRIKA
Membantu dalam mencapai 3 tujuan berikut:
Membuktikan (verifikasi) atau menguji validitas Teori Ekonomi.
Menghasilkan dugaan-dugaan numerik bagi koefisien-koefisien hubungan ekonomi.
M O D E L
Penyederhanan dan abstraksi dari realitas perilaku ekonomi menjadi bentuk yang lebih sederhana dengan
menerapkan prinsip kehati-hatian.
Model tidak sama dengan Realitas
Tapi model yang baik dapat menerangkan dan
meramalkan sebagian besar dari apa yang terjadi dengan realitas.
Bentuk-bentuk Model:
Matematis Grafis
Skema Diagram
Model Ekonomi:
ketidak-CIRI-CIRI MODEL EKONOMETRIKA
Theorytical Plausibility
Explanatory ability
Accuracy of the estimated of the
parameters
Forecasting ability
Pernyataan Teori Ekonomi
Pengujian teori ekonomi yang menjadi dasar/acuan suatu penelitian.
Misal, Teori Keynes:
Pendapatan dan konsumsi mempunyai hubungan yang positif
Spesifikasi Model
Model Matematika:
Teori yang sudah dinyatakan dispesikasikan ke dlm bentuk model (persamaan)
matematika
Fungsi konsumsi Keynes: C = a + b Y
a = parameter konstanta, a > 0. b = parameter slope, 0<MPC<1.
Model persamaan tunggal
Konsumsi berhubungan linear, positif Bersifat deterministik (pasti)
Model Ekonometrika:
C = a + b Y +
Hubungan antar variabel ekonomi bersifat Stochastik.
= error term, mrpk variabel random
(stochastic) mewakili variabel2 lain yg tidak termasuk kedalam model.
Pengumpulan Data
Sumber data
Definisi
Jenis
Cross section
Estimasi Model
Identifikasi Model:
Prosedur utk mendapatkan koefisien parameter
Menentukan apakah hubungan dpt diestimasi secara statistik
Berhubungan dg masalah perumusan model Misal:
Qd = f(P) : Demand Qs = f(P) : Supply
Qd = Qs : Market clearance
Model diatas meragukan, krn apakah koefisien parameter milik Qd atau Qs.
Agregasi dalam Model:
Agregasi terhadap individual
Agregasi komoditi
Agregasi periode waktu
Agregasi spasial
Misagregasi dalam model menyebabkan: agregasi yang bias
estimasi yang bias
Estimasi Model
Pengujian derajat korelasi antar variabel:
Jika 2 variabel penjelas mempunyai korelasi yg tinggi
maka secara statistik sulit menentukan pengaruh masing-masingnya.
Misal:
Qd = f(P, W) Qd = Demand
P = harga W = upah
Sementara P dan W cenderung naik secara bersamaan, W = f(P).
Estimasi Model
Pemilihan teknik yang tepat: Single equation:
Ordinary Least Squares (OLS)
Indirect Least Squares (ILS)
Two Stage Least Squares (2SLS)
Limited Information of Max. Likelihood (LIML)
Simultaneous equation:
Three Stage Least Squares (3SLS)
Estimasi Model
Pemilihan teknik estimasi tergantung:
Bentuk hubungan dan syarat identifikasi
Persyaratan estimasi: - Unbiasedness - Consistency - Efficiency
Tujuan penelitian ekonometrika
Kesederhanaan teknik
Evaluasi Model
Kriteria a priori ekonomi
Didasarkan atas prinsip-prinsip ekonomi
Kriteria Statistik (first order test):
Didasarkan atas interpretasi nilai-nilai statistik Standar deviasi,
Koefisien. Determinasi (R2)
Nilai F dan nilai t.
Kriteria ekonometrika (second order test): Didasarkan atas teori ekonometrika untuk apakah
Pengujian Hipotesis
Menguji apakah hasil estimasi parameter sesuai dengan yang diharapkan teori.
Misal:
C = 230 + 0.45 Y
Ini berarti selama periode pengamatan:
1. Meskipun tidak ada pendapatan, jumlah konsumsi
rata-rata sebesar Rp. 230 (dissaving).
2. Kenaikan pendapatan sebesar Rp. 1000, maka konsumsi meningkat rata-rata sebesar Rp. 450.
Aplikasi Model
Peramalan (forecasting)
Misal: Berapakah pengeluaran konsumsi jika tingkat
pendapatan masyarakat sebesar Rp. 2000.
Model yang sudah dievaluasi: C = 230 + 0.45 Y
C = 230 + 0.45 (2000) C = 1130.
Covariance Dan Korelasi
Covariance merupakan ukuran yang berguna untuk
mengidentifikasi keterkaitan antara X dan Y, atau
merupakan ukuran bagi sensitifitas tiap unit X dan Y yang
telah diamati. Yang terkait dengan covariance adalah
korelasi, yang dirumuskan :
r
xy=
xy/
x.
y=
)
).(
(
)
,
(
Y
Var
X
Var
PENGERTIAN KORELASI DAN REGRESI
KORELASI dan REGRESI merupakan metode yang dapat digunakan untuk mengukur hubungan yang terjadi antar variabel-variabel ekonomi. Misal antara variabel X dan variabel Y.
KORELASI
Korelasi mengukur derajat hubungan antara 2 atau lebih variabel.
X X X X Y Y Y Y Korelasi Linear:
If semua titik (X,Y) pd diagram pencar mendekati bentuk garis lurus.
Korelasi Non-linear:
If semua titik (X,Y) pd diagram pencar tidak membentuk garis lurus.
Korelasi Positif:
If jika arah perubahan kedua variabel sama If X naik, Y juga naik.
Korelasi Negatif:
If jika arah perubahan kedua variabel tidak sama If X naik, Y turun.
Koefisien korelasi ini memiliki nilai yang berkisar
antara –1 sampai 1.
Bila yang diduga adalah koefisien
korelasi sampel
maka :
rxy = sxy / sx. sy =
2 2( )Pengujian Korelasi
Meskipun mungkin telah diperoleh nilai koefisien korelasi
dari hasil perhitungan di atas, namun keberartian nilai
tersebut perlu di uji secara statistik. Hipotesis yang diuji
adalah :
Ho : Koefisien korelasi adalah sama dengan nol
Pengujian koefisien ini dilakukan dengan uji-t, sehingga :
...
dengan derajat bebas = n – 2Kriteria pengujiannya :
Ho ditolak jika nilai t-hitung lebih besar daripada t-tabel
dengan derajat bebas n-2, dan demikian pula sebaliknya.
) 1
(
2
2 r n r
t
Secara empiris, hampir tidak pernah ditemukan korelasi sempurna (semua titik terpencar tepat pada garis).
Nilai r yang mendekati nol menunjukkan derajat hubungan yang lemah.
Koefisien r merupakan estimasi sampel terhadap koefisien korelasi populasi, .
Nilai r mengandung error, sehingga perlu diuji reliabilitasnya.
Konsep dasar Ekonometrik
Ekonometrika merupakan suatu ilmu tersendiri yang merupakan penggabungan dari teori ekonomi, statistik dan matematik, dalam upaya untuk menggambarkan suatu fenomena.
Langkah I:
Kajian teori ekonomi dan penelitian terdahulu
Langkah II:
Formulasi model atau spesifikasi model
Langkah III:
Merancang metode dan prosedur untuk mendapatkan sampel representatif
Langkah IV:
Estimasi model
Langkah V: Menguji hipotesis/ verifikasi menggunakan statistik inferensi (Uji-t, Uji-F, dll)
Langkah VII: Interpretasi hasil
No
Model Persamaan
Ekonometrik
Model Persamaan
Tunggal Model Persamaan Simultan
Model Persamaa
n
Sederhan a
Model Persamaa
n
Berganda
Persamaan Linear Bentuk Model
Persamaan
Model Regresi Sederhana
Y
i=
0+
1X
i+
i 0 dan 1 : parameter dari fungsi yg nilainya akan
diestimasi.
Bersifat stochastik untuk setiap nilai X terdapat suatu distribusi probabilitas seluruh nilai Y atau Nilai Y tidak dapat diprediksi secara pasti karena ada faktor
stochastik i yang memberikan sifat acak pada Y.
Adanaya variabel i disababkan karena:
Ketidak-lengkapan teori
.
.
.
.
. .
.
.
Ÿi = b0 + b1 Xi
Yi
Ÿi
iX
Y
Y
i=
0+
1X
i+
iVariation in Y Systematic Variation Random Variation
0
Asumsi-asumsi mengenai
i:
1. i adalah variabel random yg menyebar normal
2. Nilai rata-rata i = 0, e(i) = 0.
3. Tidak tdpt serial korelasi antar i cov(i,j) = 0 4. Sifat homoskedastistas, var(i) = 2
5. cov(i,Xi) = 0
6. Tidak terdapat bias dalam spesifikasi model
X
1X
2X
3Fungsi Regresi Populasi
E(Y
i) =
0+
1X
iX
Y
Y
i=
0+
1X
i+
iNilai rata2 Y
i:
METODE PENAKSIRAN PARAMETER
DALAM EKONOMETRIK
Metode estimasi yang sering digunakan adalah Ordinary Least Square (OLS). Dalam regresi populasi dikenal pula adanya istilah PRF (Population Regression Function) dan dalam regresi sampel sebagai penduga regresi populasi dikenal istilah SRF (Sample
Regression Function).
Yi ei
ui
0 Xi X
Y Y X
^ ^ ^ X ) Y (
E
SRF
PRF
P
Penaksir kuadrat terkecil adalah mempunyai varian yang minimum yaitu penaksir tadi bersifat BLUE (Best Linear Unbiased Estimator). Asumsi yang harus dipenuhi dalam penaksiran metode OLS adalah sebagai berikut :
1. i adalah sebuah variabel acak atau random yang riil dan memiliki distribusi
normal.
2. Nilai harapan dari i yang timbul karena variasi nilai Xi yang diketahui
harus sama dengan nol. E(i/ Xi) = 0
3. Tidak terjadi autokorelasi atau serial korelasi. Artinya, Cov(i, j) = Ei – E(i) j – E(j)
= E(i,j)
= 0 ... i j
4. Syarat Homoskedastisiti. Artinya bahwa varian dari i adalah konstan dan sama dengan 2.
Var (i / Xi) = Ei – E(i)2
= E(i)2
= 2
5. Tidak terjadi multikolonieritas. Yaitu tidak ada korelasi antara dengan
Pengujian statistik SECARA PARSIAL mendasarkan pada hipotesis :
Uji Konstanta Intersep H0 : ß0 = 0 H1 : ß0 ≠ 0
Uji Koeff X H0 : ß1 = 0
H1 : ß1 ≠ 0
REGRESI LINEAR SEDERHANA
Y =
ß0
+
ß1
X
Pengujian statistik model secara keseluruhan dilakukan dengan uji-Ff
Uji F mendasarkan pada dua hipotesis, yaitu :
Sehingga dapat disajikan hasil sebagai berikut :
Konsumsi = 24f455 + 0f509*Income R2 = 0f962
SfE (6f414) (0f036) t-hitung = 3f813 14f243
F hit = 202,868 Df = 8
Dalam pengertian ekonomi dapat dikatakan bahwa jika terdapat kenaikan income sebesar $ 1 per bulan maka akan mempengaruhi kenaikan pula pada konsumsi sebesar $ 0f509f Demikian juga bila terjadi penurunan income sebesar $ 1 per bulan maka akan berdampak pada penurunan konsumsi sebesar $ 0f509f
Estimasi Parameter
Model Regresi Sederhana
Y
i=
0+
1X
i+
iMetode Kuadrat Terkecil
(Ordinary Least Square – OLS):
Prinsip: Meminimumkan nilai error – mencari
jumlah
penyimpangan kuadrat (
i2) terkecil.
i= Y
i-
0-
1X
i
i2= (Y
i-
0-
1X
i)
2
i2=
(Y
i-
0-
1X
i)
2
i2minimum jika:
Sederhanakan, maka didapat:
(Xi – X) (Yi – Y)
b1 =
(Xi – X)2
b0 = Y - b1X dimana
b0 dan b1 nilai penduga untuk 0 dan 1.
X dan Y adlh nilai rata2 pengamatan X dan Y
Standar error:
2½
SE(b
1)
=
(X
i– X)
2 Xi2 ½
SE(b0)=
N (Xi – X)2
Yi = 1 + 2 Xi + i
Yi = 1 + 2 Xi + i
Ŷi = 1 + 2 Xi
Yi = Ŷi + i
i = Yi - Ŷi
Persamaan umum Regresi sederhana
1 dan 2 adalah nilai estimasi
untuk parameter
Ŷi = nilai estimasi model
i = nilai residual
(1)
(2)
(3)
(4)
(5)
Metode Ordinary Least Squares (OLS)
n XiYi – Xi Yi
2 =
n Xi2 – (X i)2
(Xi – X)(Yi – Y) =
(Xi – X)2
n xiyi =
x2
(Xi )2 Y
i – Xi XiYi
1 =
n Xi2 – (X i)2
= Y – 2X
Standard error of the estimates
Var(2) = 2 / Xi2
2
Se(2) = Var(2) = =
Xi2 X i2
Xi2
Var(1) = 2 n xi2
Xi2 Se(1) = Var(1) = 2 n xi2
i2
2 = i2 = yi2 – 22 xi2
n – 2
Koefisien Determinasi
•
TSS
RSS
ESS TSS = RSS + ESS
ESS RSS 1 = +
TSS TSS
(Ŷi - Y)2 i2
= +
(Yi - Y)2 (Y
i - Y)2
ESS
(Ŷ
i- Y)
2r
2= =
TSS
(Y
i- Y)
2atau
ESS
i2
= 1
–= 1
–TSS
(Y
i- Y)
2X Y
Y
1 + 2 Xi
Atau:
xi2
r2 = 22
yi2
(xi yi)2
=
MODEL
REGRESSI LINIER BERGANDA
Model yg memperlihatkan hubungan antara satu variable terikat (dependent variable) dgn beberapa variabel bebas (independent variables).
Y
i=
0+
1X
1i+
2X
2i+ … +
kX
ki+
idimana: i = 1, 2, 3, …. N (banyaknya pengamatan)
0, 1, 2, …, k adalah parameter yang nilainya
diduga melalui model:
Dalam konsep dasarnya pengujian statistik SECARA PARSIAL mendasarkan pada hipotesis :
Uji Konstanta Intersep H0 : ß0 = 0
H1 : ß0 ≠ 0
Uji Koeff Xi H0 : ßi = 0
H1 : ßi ≠ 0
REGRESI LINEAR BERGANDA
Tujuan
untuk mengetahui pengaruh (kontribusi) proses/ mekanisme yang disusundalam praktikum terhadap pencapaian nilai ujian akhir praktikum, yaitu melalui penilaian atas
latihan di kelas dan penilaian atas laporan
praktikumfDengan demikian dapat dibuat spesifkasi
modelnya sebagai berikut :
Y = ß0 + ß1X1 + ß2X2 --- (model 1)
Dimana :
Y : Nilai ujian akhir
X1 : Nilai pretest
Dari hasil di atas selanjutnya dapat disusun persamaan berikut :
N_Akhir = -25f450 + 0f542 Latihan + 0f771 Laporan R2 = 0f702
SE (9f351) (0f089) (0f132)
T-Hitf 2f722 6f067 5f828
F-hit = 73,02 Df = 62
Interpretasi Hasil :
Pengujian statistik baik uji keseluruhan (Uji-F) dan uji koefsien variabel dalam model (Uji-t) memiliki kesamaan dengan analisis
regresi linear sederhanaf Hipotesis uji-F adalah : H0 :
ß0 = ß1 = ß2 = 0
H1 : ß0, ß1, ß2 ≠ 0
Sedangkan uji koefsien atau pengujian secara parsial memiliki hipotesis sebagai berikut :
Pengujian untuk intersep : H0 : ß0 = 0
H1 : ß0 ≠ 0
Pengujian untuk ß1 : H0 : ß1 = 0
H1 : ß1 ≠ 0
Pengujian untuk ß2 : H0 : ß2 = 0
Hasil analisis di atas menunjukkan bahwa model secara statistik adalah memang dapat digunakan, terbukti dari nilai F-hit sebesar 73.02 yang signifikan pada tingkat alpha 5% atau 0.05 Artinya bahwa ß0, ß1, ß2 mempengaruhi secara nyata terhadap N_Akhir (nilai Akhir).
Koefisien latihan 0.542 dapat diartikan jika Nilai Laporan tetap maka kenaikan 1 satuan nilai latihan akan cenderung menaikkan nilai ujian sebesar 0.542.
Demikian juga untuk pengaruh nilai Laporan. Jika nilai laporan naik 1 satuan maka akan cenderung meningkatkan nilai ujian Akhir sebesar 0.771.
Hal yang lebih menarik sebenarnya adalah faktor apa yang tersembunyi di balik angka-angka tersebut. Hal ini
ESTIMASI MODEL
REGRESSI LINIER BERGANDA
Model: Y
i=
0+
1X
1i+
2X
2i+
i(
y
ix
1i) (
x
22i
) – (
y
ix
2i) (
x
1ix
2i)
b
1=
(
x
21i) (
x
22i) – (
x
1ix
2i)
2(
y
ix
2i) (
x
21i) – (
y
ix
1i) (
x
1ix
2i)
b
2=
(
x
21i
) (
x
22i) – (
x
1ix
2i)
2b
0,
b
1dan b
2nilai penduga untuk
0,
1dan
2.
Model penduga: Ŷ
i= b
0+ b
1X
1i+ b
2X
2iESTIMASI MODEL
REGRESSI LINIER BERGANDA
1 X
21
x
22i– X
22
x
21i– 2 X
1X
2
x
1ix
2ivar(b
0)
= +
2n (
x
21i
) (
x
22i) – (
x
1ix
2i)
2
x
21ivar(b
1) =
(
x
21i
)(
x
22i) – (
x
1ix
2i)
2
x
21ivar(b
1) =
(
x
21i
)(
x
22i) – (
x
1ix
2i)
2
2
2se(b
i) = var(b
i)
Utk i = 0, 1, 2.
i2
2=
n – 3
i2=
y
2i– b
1
y
ix
1i– b
2
y
iAsumsi-asumsi
Model Regresi Linier Berganda
Nilai rata-rata disturbance term adalah nol,
E(i) = 0.
Tidak tdpt serial korelasi (otokorelasi) antar i Cov(i,j) = 0 untuk i j.
Sifat homoskedastisitas:
Var(i) = 2 sama utk setiap i
Covariance antara i dan setiap var bebas adalah nol. Cov(i,Xi) = 0
Tidak tdpt multikollinieritas antar variebel bebas.
Data Kualitatif dalam Model Regressi
(Penggunaan Dummy Variable)
Variabel Dummy adlh variabel yg
merepresentasikan kuantifikasi dari variabel
kualitatif. Misal: jenis kelamin, pendidikan,
lokasi, situasi, musim, & kualitas.
Jika data kualitatif tsb memiliki
m
kategori,
maka jumlah variabel dummy yg dicantumkan
didlm model adalah
(m-1)
.
Kesimpulan yg diambil dari keberadaan variabel
dummy didlm model adlh
perbedaan nilai
antar
kategori ybs.
Variabel dummy sering juga disebut variabel
boneka, binary, kategorik atau dikotom.
Dummy memiliki nilai 1 (D=1) utk salah satu
MODEL REGRESI LINEAR DENGAN DUMMY VARIABEL
Variabel dummy digunakan sebagai upaya untuk melihat bagaimana klasifikasi-klasifikasi dalam sampel berpengaruh terhadap parameter pendugaan. Variabel dummy juga mencoba membuat kuantifikasi dari variabel kualitatif.
Kita pertimbangkan model berikut ini:
I. Y = a + bX + c D1 (Model Dummy Intersep) II. Y = a + bX + c (D1X) (Model Dummy Slope)
Dummy
Intersep
Dummy
Slope
Dummy
Kombinasi
Y0
Y= (a + c) + bX1
Y’= a + bX1 Y= a + bX1 + cD1 Model Dummy Intersep
Y= a + bX1 + cD1X1 Model Dummy Slope
Y= a + (b+c).X1
Y’= a + bX1
Y= a + bX1 + cD1X1+ dD1 Model Dummy
Kombinasi
Y= (a+d) + (b+c).X1
ANOVA Model:
Y
i=
+
D
i+
Misal :
Yi = Penghasilan Karyawan Di = 1 untuk laki-laki
= 0 untuk wanita E(YiDi=0) =
E(YiDi=1) = +
Dummy sebagai Variabel Bebas:
o Yi D=0 o o o o o x x x x x x D=1 +
Interpretasi:
Apakah jenis kelamin berpengaruh thdp penghasilan.
Berapa perbedaan penghasilan antara laki2 dan
ANCOVA Model: (gabungan kuantitatif & kualitatif) 1. Satu kuantitatif, satu kualitatif dg 2 kategori.
Yi = 1 + 2Di + Xi +
Xi = Masa kerja
E(YiXi, Di=0) = 1+Xi
E(YiXi, Di=1) = (1+2)+Xi
Dummy sebagai Variabel Bebas:
o o o o o o x x x
x x x
Masa kerja
Yi
1+Xi
(1+ 1)+Xi
Interpretasi:
Apakah jenis kelamin dan masa kerja berpengaruh thdp peng-hasilan. Pada masa kerja ter-tentu, brp perbedaan penghasilan
2. Satu kuantitatif, satu kualitatif dg 3 kategori.
Misal: Selain masa kerja, penghasilan karyawan juga dipengaruhi oleh tingkat pendidikan (tdk tamat
SMU, tamat SMU, Sarjana)
Yi = 1 + 2D1i + 3D2i + Xi +
D1i = 1 untuk tamat SMU = 0 Lainnya
D2i = 1 untuk Sarjana = 0 Lainnya
Sebagai kategori dasar adlh tidak tamat SMU
E(YiXi, D1i=0, D2i=0) = 1+Xi (tdk tamat
SMU)
E(YiXi, D1i=1, D2i=0) = (1+2)+Xi (Tamat
SMU)
E(Y X, D1=0, D2=1) = ( + )+ X
Satu kuantitatif, satu kualitatif dg 3 kategori.
1+
X
i(
1+
2)+
X
i(
1+
3)+
X
i1
2 3
Yi
Masa kerja
Asumsi:
3>
2Interpretasi:
3. Satu kuantitatif, dua kualitatif dg 2 kategori.
D1i = 1 untuk Laki-laki = 0 untuk wanita D2i = 1 untuk kota = 0 untuk desa
Misal: D1 adalah dummy jenis kelamin (laki2/wanita), dan D2 adlh dummy tempat kerja (kota/desa).
Yi
D1=0, D2=0 D1=1, D2=0 D1=0, D2=1 D1=1, D2=1
MULTIKOLINEARITAS DALAM
REGRESI LINEAR
Jika suatu model mempunyai beberapa variable, dan
sebagian dari variable diantara mereka akan menjelaskan
hubungan linier secara pasti, maka hal ini dikenal
sebagai
multikolinierity
.
Hubungan yang erat antara variabel independen akan
berdampak pada
bias pendugaan parameter
dan
semakin
tingginya nilai standart error yang dihasilkan
dalam
Permasalahan dalam
Model Regresi Linier Berganda
Multikolinieritas terjadi bila paling tidak salah satu var. bebas berkorelasi dgn var. bebas lainnya.
Multikolinieritas sempurna terjadi bila tdpt hubungan linear antar variabel bebas.
1. Multikolinieritas
Akibatnya ?
Jika tdpt Multikolinieritas sempurna, parameter tidak dapat diduga dgn metode OLS.
Nilai varians besar standar error besar selang kepercayaan lebar.
Uji-t tidak signifikan
Multikolinieritas
Cara mendeteksi ?
Regresikan setiap variabel bebas Xi dgn variabel
bebas lainnya yg ada dalam persamaan (auxiliary regression). Jika uji F menunjukkan hasil yang signifikan berarti terdapat kolinearitas antara variabel Xi dengan variabel bebas lainnya.
Cek korelasi antar variabel bebas matrik korelasi.
Cara mengatasi ?
Gunakan informasi a priori, berdasarkan keyakinan
atau hasil penelitian terdahulu.
Lakukan regresi elementer, kemudian tambahkan satu per satu variabel yg diduga relevan mempengaruhi var terikat.
Menggabungkan data cross-section dan time series
Mengeluarkan salah satu variabel yang kolinier. Mentransformasikan variabel.
Permasalahan dalam
Model Regresi Linier Berganda
Heteroskedastisitas terjadi bila varians i tidak konstan, tapi berubah-ubah pada setiap pengamatan i.
Untuk model
Yi = 0 + 1 X1i + i
Var(i ) bisa kemungkinan semakin besar atau semakin kecil dengan semakin besarnya nilai X1i. Var(i ) = i2
Misal:
(1) Model Konsumsi = o + 1 Pendapatan + (2) Model Learning process:
Jumlah kesalahan ketik = 0 + 1 pengalaman +
Pada model (1), Var(i ) cenderung lebih besar dengan semakin besarnya pendapatan.
Pada model (2) Var(i ) cenderung lebih kecil dengan semakin lama pegalaman dalam mengetik.
C
Y
C = o + 1 Y
K
P
Akibat Heteroskedastisitas ?
• Karena Var(i ) tdk konstan, tapi ditentukan oleh X1i , maka:
xi2 i2.
Var(b1) =.
( xi2)2.
• Besarnya Var(b1) menyebabkan nilai SE(b1) juga akan
besar, sehingga interval kepercayaan menjadi lebih besar dan pada uji-t variabel menjadi tidak signifikan.
• Kesimpulan yang diambil dapat menyesatkan.
Cara mendeteksi
?
Metode Grafk
Buat diagram plot antara u
i2dan Ŷ.
Heteros-kedastisitas akan terdeteksi apabila sebaran
plot menunjukkan pola yang sistematis.
Uji Park
Meregresikan u
i2dengan X
1i
dalam bentuk
persamaan log linear.
ln u
i2=
o
+
1ln X
1i+
iu
iadlh error term pd regresi
Y
i=
0+
1X
1i+
i
Metode Goldfeld-Quant
Langkah-langkah Metode Goldfeld-Quant:
Urutkan data X1i berdasarkan urutan terkecil – terbesar
Abaikan bbrp pengamatan (c pengamatan) di sekitar median.
Regresikan pengamatan (N-c)/2 pertama dan kedua, hitung RSS, sehingga didapatkan RSS1 dan RSS2.
Hitung rasio kedua RSS ():
RSS2/df2
= ; df adalah derajat bebas (n-k-1)
RSS1/df1
heteroskedas-Permasalahan dalam
Model Regresi Linier Berganda
Terjadi bila terjadi korelasi antara i dan j.
Terjadi korelasi antara variabel itu sendiri pada
pengamatan yang berbeda.
Umumnya banyak terjadi pada data time series.
Model Persamaan Simultan
Model Persamaan Simultan
Y1
i=
10+
11Y2
i+
12X
i+
1iY2
i=
0+
1Y1
i+
3X
i+
2iY1, Y2 = Variabel Endogen (Saling terikat) – stochastic
X1 = Variabel eksogen
1i,
2i= Error - stochastic
Merupakan suatu sistem persamaan yg menggambar-kan
saling ketergantungan antar variabel
Estimasi parameter suatu persamaan tidk dpt dilakukan
tanpa mempertimbangkan irformasi pada persamaan
lainnya.
Hubungan dua-arah atau simultan antar bbrp Variabel
Terdapat korelasi antara
dan variabel penjelas;
Contoh:
Contoh:
Model Persamaan Simultan
Model Persamaan Simultan
1f Model Permintaan dan Penawaran
1f Model Permintaan dan Penawaran
Fungsi Permintaan: Q
dt
=
o+
1P
t+
1t;
1< 0.
Fungsi Penawaran: Q
st
=
o+
1P
t+
2t;
1> 0.
Keseimbangan:
Q
dt
= Q
stP
2f Model Pendapatan Nasional Keynes
2f Model Pendapatan Nasional Keynes
Fungsi Konsumsi: C
t=
o+
1Y
t+
t;
0 <
1<
1.
Identitas Pendapatan: Y
t= C
t+ I
t;
3f Model Ekonomi Makro
3f Model Ekonomi Makro
Fungsi Konsumsi: C
t=
o+
1Yd
t+
1t;
0 <
1<
1.
Fungsi Pajak:
T
t=
o+
1Y
t+
2t; 0 <
1<
1.
Fungsi Investasi:
I
t=
o+
1r
t+
3t;
1<
0.
Definisi:
Yd
t= Y
t- T
tPengeluaran Pem:
G
t=
Ĝ
Beberapa Istilah dlm Model Persamaan
Simultan:
1. Persamaan Struktural/Perilaku:
Persamaan yang dapat menggambarkan:
• Struktur atau perilaku dari fenomena ekonomi yang diamati.
• Perilaku variabel endogen terhadap perubahan-perubahan variabel penjelas pada persamaan yang bersangkutan
2. Persamaan Identitas:
• Persamaan yg tdk dpt menunjukkan perilaku variabel endogen.
• Dibentuk oleh perkalian, pembagian, penambahan atau pengurangan beberapa variabel.
3. Persamaan Direduksi (reduced-form equation):
Persamaan dimana variabel endogen hanya dipengaruhi variabel predetermined dan gangguan stochastic.
4. Variabel Endogen:
• Variabel yg nilainya akan ditentukan melalui model.
• Variabel yg dipengaruhi oleh dan mempengaruhi variabel lain
5. Variabel Predetermined (eksogen dan lag endogen):
Model Persamaan Simultan
Model Persamaan Simultan
Identifkasi Model:
Identifkasi Model:
Tujuan: Mengidentifikasi model sblm dilakukan
estimasi
Untuk mengetahui apakah estimasi parameter dapat
dilakukan melalui persamaan reduced-form dr sistem
persamaan simultan.
Persamaan Teridentifikasi (unidentified) jika estimasi
parameter tidak dapat dilakukan melalui persamaan
reduced-form.
Persamaan Teridentifikasi (identified) jika estimasi parameter dpt dilakukan melalui persamaan reduced-form dr sistem
persamaan simultan.
Teridentifikasi Tepat (just identfied),
Jika masing-masing nilai parameter bersifat unik (hanya mempunyai satu nilai)
Teridentifikasi Berlebih (over identified),
Model Persamaan Simultan
Model Persamaan Simultan
Identifkasi Model:
Identifkasi Model:
Metode:
Order Condition
Suatu persamaan teridentifikasi jika jumlah variabel
yang dikeluarkan dari persamaan tersebut, tetapi
masuk kedalam persamaan2 lain pada model minimal
sama dengan jumlah persamaan dalam model
dikurangi dengan satu.
(K – M)
(G – 1)
Dimana:
G = jmlh persamaan dlm model (= jmlh Var Endogen)
K = Jumlah semua variabel dalam model
Model Persamaan Simultan
Model Persamaan Simultan
Identifkasi Model:
Identifkasi Model:
Diagram Keterkaitan Variabel
Diagram Keterkaitan Variabel
Pada Model Persamaan Simultan
Pada Model Persamaan Simultan
P
Qd
Qs
Model Permintaan dan Penawaran
I
Pop
Pa
Pr