Lebih tepat menggunakan model regresi non-linier Gambar (2)

Eviews ~ regresi

Angelina Ika Rahutami Unika Soegijapranata Gasal 2011/2012

• Yang dapat menggunakan Regressi hanya Fungsi

•

Fungs

i Y = f (X₁, X₂, …, X_n)

Y: variabel dependen (DV; = 1)

X_i = variabel independen (IV; 1  X_i  n) Misal ada 3 IV:

Y = f (X₁, X₂, X₃, )

: n – 3 ; ceteris paribus; residual ( = Y – )Yˆ ALAT ANALISIS REGRESI

• Syarat Fungsi

1. Persamaan

2. DV di kiri, IV di kanan 3. Tidak bisa ulang-alik

4. Hubungan tingkah laku; bukan hubungan pasti

5. Pengaruh IV terhadap DV harus ada landasan teori ekonominya

• Properti Fungsi

oIntercept; autonomous;

konstanta

oParameter, koefisien, slope oAverage, Marginal,

Elastisitas

PROSEDUR ANALISIS REGRESI

1. Menetapkan Model Ekonomi Y = f (X₁, X₂, X₃, …, )

2. Menetapkan Hipotesa dan Menyusun Landasan Teori Hipotesa

a. One tail H₀ : _i = 0

H_A : _i > 0 atau _i < 0 b. Two tail H₀ : _i = 0

H_A : _i  0 3. Mencari data

A. Primair  Cross Section B. Secondair  Time Series 4. Membuat Scatter Plot

5. Memilih Model Regresi A. Linier

B. Non-linier

7. Intepretasi hasil dan test diagnostik

6. Melakukan Regresi

4 a.i.r/ekonometrika/2011

1. Menetapkan Model Ekonomi

• Menyusun sendiri

o Penyusun bertanggungjawab pada kualitas ilmiah dari model tersebut (Spesifikasi Model)

o Dasar Teori hubungan DV dan IV harus jelas

•Menggunakan model yang sudah ada o Bisa diambil dari artikel, jurnal, dll o Dilarang plagiat

2. Menetapkan Hipotesa dan Menyusun Landasan Teori

• Dasar: Teori Ekonomi atau Kenyataan Ekonomi

• One-Tail: Jika Reasonable Sure hanya ada satu arah hubungan DV-IV

• Two-Tail: Jika Otherwise

• Jumlah hipotesa = jumlah IV + 1

3. Mencari Data

• Data Cross Section. Minimal 100

• Data Time Series. Minimal 15

• Melengkapi data:

Proksi, backcast, forecast, tetapi jangan intrapolasi.

{Backcast: P_t = (P_t+1/1+g) Forecast: P_t+1

=P_t(1+g) untuk time series}

• Jika tidak ada data: penelitian batal

• g = pertumbuhan rata-rata

4. Membuat Scatter Plot dan Memilih Model Regresi

DV

IV

DV

(1) (2) IV

Gambar (1): Lebih tepat menggunakan model regresi non-linier

Gambar (2): Lebih tepat menggunakan model regresi linier

Dari Scatter Plot dapat terdeteksi

kebutuhan akan Dummy Independent Variable

5. Pemilihan Model Regresi Linier dan Non Linier

• Ditentukan oleh Scatter Plot

• Diperkuat oleh perbandingan R² dan F- Statistik

• Jika ingin pasti, lihat Catatan 1

• Pada Model Non Linier langsung

diperoleh nilai elastisitas dari parameter regresi

• Pada Model Linier, elastisitas harus dihitung

 Dari Command window:

◦ ketik LS IMPORTS C GDP

◦ ENTER

 Dari menu utama:

◦ QUICK

◦ ESTIMATE EQUATION

◦ EQUATION SPECIFICATION

◦ Y C X1…. (persamaan yg akan diestimasi)

◦ LS (metode estimasi)

◦ OK

 Dari workfile,

◦ pilih variabel sesuai urutan dengan CTRL+KLIK,

◦ OPEN (klik kanan)

◦ AS EQUATION

◦ EQUATION SPECIFICATION

◦ Y C X1… (persamaan yang akan diestimasi)

◦ LS (metode estimasi)

◦ OK.

Regresi

CARA MEMBACA PARAMETER-PARAMETER DALAM REGRESI

Jika Modelnya Linier: Y = A₀ + B₁ X₁ Arti A₀ :

Jika X₁ tidak berpengaruh maka nilai Y adalah A₀

Arti B₁ :

Jika X₁ naik satu satuan maka nilai Y naik B₁ satuan (jika bertanda +)

Jika Modelnya Non Linier:

Y = A_o X₁^B1 atau Ln Y = Ln A₀ + B₁ Ln X₁ Arti A₀ :

• Nilai A₀ diperoleh dengan mencari antilog dari Ln A₀

• A₀ adalah nilai Y , jika X₁ tidak berpengaruh

Arti B₁ :

Jika X₁ naik satu persen maka Y akan naik B₁ persen (jika bertanda +)

Jika X₁ naik satu persen maka Y akan turun

B₁ persen (jika bertanda -)a.i.r/ekonometrika/2011 ¹²

CARA MEMBACA NILAI-NILAI STATISTIK DALAM REGRESI

Nilai t-statistik:

Hipotesa satu arah Hipotesa positif

H₀ = nol H_a > nol

Hipotesa negatif H₀ = nol

H_a < nol t-stat > t-tabel : H₀ ditolak

t-stat < t-tabel : H₀ diterima

t-stat < t-tabel : H₀ ditolak t-stat > t-tabel : H₀ diterima Hipotesa dua arah

H₀ = 0 |t-stat| >|t-tabel| : H₀ ditolak

Nilai F-statistik:

Jika nilai F-stat > F-tabel : Semua variabel independen memiliki joint impact terhadap variabel dependen

Nilai R² :

Jika R² = a artinya semua variabel

independen yang ada dalam model dapat menerangkan (a*100) persen variasi dari variabel dependen

Misal, R² = 0,852 n = 44 k = 6 (termasuk intercept)

k n

1 ) n

R 1

( 1 )

R

adjusted (

R

^{2 2 2}



 





833 ,

6 0 44

1 ) 44 852 ,

0 1

(

1 



 



Modified R² = (1 – ^k/_n) R²

= (1 – ⁶/₄₄) (0,852)

R² , Adjusted R² , dan Modified R²

Maka