1 / 12

Evaluasi Model Regresi

Evaluasi Model Regresi. Oleh : Kastana Sapanli. Evalusi Model. Evalusi model dari setiap metode estimasi dilakukan melalui pengujian berdasarkan kriteria ekonomi dan pengujian secara statistik .

hope-meyers
Télécharger la présentation

Evaluasi Model Regresi

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Evaluasi Model Regresi Oleh: KastanaSapanli

  2. EvalusiModel • Evalusimodeldarisetiapmetodeestimasidilakukanmelaluipengujianberdasarkankriteriaekonomi dan pengujian secara statistik. • Evaluasimodelberdasarkankriteriaekonomidan sumberdayadapatdilakukandenganmelihat tanda pada koefisienmasing-masingpeubahbebas. • Dengandemikiansebelumdilakukanestimasimodel, perludisusunhipotesisagardapatdibandingkandenganhasilestimasi, sehinggadapatdiketahuiapakahhasilestimasitersebuttelahsesuai secara ekonomi dan sumberdaya.

  3. EvalusiModel • UjiF • Uji t • Uji Statistik R2 (Koefisien Determinasi) • Multikolinearitas • Heteroskedastisitas • Autokorelasi

  4. Uji F Uji F ditujukanuntukmengetahuiapakahvariabel-variabel independen secara bersama-sama memberipengaruh yang signifikanterhadapvariabeldependennyaatautidak. Langkah-langkah yang harusdilakukandalamUji F adalahsebagaiberikut: PerumusanHipotesis H0: β1 = β2 = …. = βk = 0 H1 : minimaladasatunilaiβ yang tidak sama dengannol Perhitungannilai F-statistik. F-statistikinidapatdiperolehdariperhitungankomputerataudengan manual denganmenggunakan. Bandingkan F-statisticdengan F-Tabel pada αataubandingkanprobabilitasF statistic(prob(F-statistic)) denganα ( tarafnyata 5 %). Jika F-statistic> F-tabel pada αatauprob (F-statistic) < α (0.05), makaterima H1. Artinya, variabel-variabel independen secara bersama-sama berpengaruhsignifikanterhadapvariabeldependennya.

  5. Uji t Uji t dalambeberapabukudisebutsebagaiujistatistikparsial. Ujiinidilakukanuntukmengetahuiapakahmasing-masingparameter bebas yang dipakaiberpengaruhnyataatautidakterhadapparametertidak bebas. Perumusanhipotesis H0: β = β0atauvariabel bebas (Xi) tidakberpengaruhnyataterhadapvariabeltidakbebas (Yi) H1: β β0 atauvariabel bebas (Xi) berpengaruhnyataterhadapvariabeltidakbebas (Yi) Perhitungannilai t-statistik. T-statistikinidapatdiperolehdariperhitungankomputerataudenganmenggunakan cara manual Bandingkandengan t-tabelyaitunilai t padadf n – k dantarafnyata α untukone-tailed testdan α/2 untuktwo-tailed test. TolakH0 ataudapatdisimpulkanbahwakoefisienadalahsignifikanjika p-valuelebihkecildaritarafnyata α (one tailed t-test) atau α/2 (two tailed t-test). Tarafnyata yang digunakanpadapenelitianiniadalah lima persen (5 %).

  6. Uji Statistik R2(Koefisien Determinasi) Nilai R2 menunjukanpersentasevariabeltakbebasdapatdijelaskanolehvariabelbebas. Semakintingginilai R2 makasemakinbaik model karenasemakinbesarkeragamanpeubahdependen yang dapatdijelaskanolehpeubahindependen. Perhitungan R2 dapatdilakukandenganmengikutirumus : 0 ≤ R2 ≤ 1 Dimana : ESS = Error Sum Square atauJumlahKuadratGalat RSS = Regression Sum Square atauJumlahKuadratRegresi TSS = Total Sum Square atauJumlahKuadrat Total = Variabelpengganggu (error term) dari model yang diestimasi Variabeldependen = Variabeldependen rata-rata

  7. Multikolinearitas • Multikolinearitasadalahhubungan linier yang kuatantaravariabelbebasdalampersamaanregresiberganda. • Gejalamultikolinearitasinidapatdideteksidarinilai R2tinggitetapitidakterdapatatausedikitsekalikoefisiendugaan yang berpengaruhnyatadantandakoefisienregresitidaksesuaidenganteori. • Ujiformal untukmenentukanadaatautidaknyamultikolinearitasdilakukanjikaterdapatsuatukeraguanapakahnilaikoefisiendeterminasitermasuktinggiatautidak. Akantetapijikasuatu model sudahdapatditetapkanmemilikinilaikoefisiendeterminasi yang tinggi, uji formal untukmenentukanmultikolinearitasdapatdideteksidaridampak yang ditimbulkanakibatadanyamultikolinearitas. • Multikolinearitasdalampooled data dapatdiatasidenganmemberikanpembobotan (cross section weight) atau GLS, sehingga parameter dugaanpadatarafujitertentumenjadisignifikan .

  8. Heteroskedastisitas • Dalammenurunkansuatu model OLS, diasumsikanbahwa residual utterdistribusisecaraidentikdengan mean = 0 danseluruhnyamemilikivarian residual yang konstan, yaitu σ2 sebesaruntuksetiap t. • Asumsivarian residual inidisebuthomoskedastisitas, yang berartivarian residual tersebarsecaramerataatausemuapengamatanmemilikipenyebaran yang sama. Dalamkenyataannya, asumsiinitidakselaluterpenuhi. Situasitersebutdinamakanheteroskedastisitas. Hal tersebutakanmenyebabkan model menjaditidakefisienmeskipuntidak bias dankonsisten. • Heteroskedastisitasdapatjugadideteksidenganmembandingkansum square residual padaweighted statistics dengansum square residual unweighted statistics. Jikasum square residual padaweighted statisticslebihkecildibandingkandengansum square residual unweighted statisticsmakadapatdisimpulkanterjadiheteroskedastisitas. Masalahheteroskedastisitastersebutdapatdiatasidenganmetodewhite Heteroskedasticity yang diestimasidenganGLS.

  9. Autokorelasi • Suatu model dikatakanmemilikiautokolerasiterjadijikaerror dariperiodewaktu (time series) yang berbedasalingberkorelasi. Masalahautokorelasiiniakanmenyebabkan model menjaditidakefisienmeskipunmasihtidak bias dankonsisten. • Autokorelasimenyebabkanestimasistandar errordanvariankoefisienregresi yang diperolehakanunderestimate. Sehingga R2akanbesardanuji-t, uji-F menjaditidak valid. • Autokorelasiyang kuatdapatmenyebabkanduavariabel yang tidakberhubunganmenjadiberhubungan. Bila OLS digunakan, makaakanterlihatkoefisiensignifikansi, dan R2 yang besarataudisebutjugasebagairegresilancungataupalsu. • UntukmendeteksiadatidaknyaautokorelasidapatdilakukanujiDurbin Watson (DW) yaitudenganmembandingkannilai Durbin-Watson dari model dengan DW-Tabel. • Jikad < dL, makaterjadi auto korelasi. Jika d > 4-dL, makaadaautokorelasidanjika du < d < du–4, dapatdisimpulkantidakadaautokorelasi. Untukmengatasimasalahinidapatdilakukanmetodepembedaanpertama (The First-DiffereceMethode).

  10. Autokorelasi MetodePembedaanPertama (The First-DiffereceMethode) memberikansebuahkriteriauntukmenggunakanmetodeinijikastatistik DW lebihkecildibandingkandengan R2. Padametodepembedaanpertamatersebutdapatdiasumsikanbahwa ρ mendekatisatuataudiasumsikanmempunyaiautokorelasi yang kuat. Akantetapijikadiinginkannilai ρ yang lebihtepat, ρ dapatdiestimasiberdasarkan Durbin Watson. Denganformulasisebagaiberikut. Dimana: = estimasi koefisien korelasi DW = Statistik Durbin-Watson Kemudian data variabelbebasdanvariabelterikatditransformasikandengancara: SetelahditransformasikandapatdilakukanestimasidenganmetodeLeast SquareBiasa.

  11. PeranKomputerDalamAnalisisRegresi • Dalammempelajariketergantungansatuvariabelpadasatuataulebihvariabel lain, analisisregresiseringmelibatkanperhitungan yang lama danmenjemukan. • Kalaujumlahpengamatansangatsedikit, 10 sampai 15, perhitunganinidapatdikerjakandengankalkulatormejaataubahkandengankalkulatorsaku. • Dalamsebagianbesarpersoalan yang sebenarnyamelibatkanjumlahpengamatan yang cukupbesardanbeberapavariabel yang menjelaskan, komputerelektronik modern hampir-hampirmerupakankebutuhanpokok. Karenakecepatan, ketepatan (akurasi), kelenturan (fleksibilitas) dankeserbagunaankalkulatormejaataukalkulatorsakutidaksebandingdengankomputer. • Olehkarenaitudapatdikatakanbahwapadasaatdanjamaninianalisisregresitanpakomputerhampir-hampirtakterpikirkan; keduanyatakmungkinmelepaskandiridariketerkaitansatusama lain.

  12. SEKIAN DAN TERIMA KASIH

More Related