1 / 23

Analisis Regresi Berganda & Pengujian Asumsi OLS

Analisis Regresi Berganda & Pengujian Asumsi OLS. Aloysius Deno Hervino adhervino@gmail.com. Analisis Regresi. Adakalanya model regresi sederhana tidak mencerminkan kondisi perilaku variabel ekonomi yang sebenarnya. Analisis regresi hanya bisa dilakukan terhadap suatu fungsi. Syarat Fungsi:

sabin
Télécharger la présentation

Analisis Regresi Berganda & Pengujian Asumsi OLS

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. Analisis Regresi Berganda & Pengujian Asumsi OLS Aloysius Deno Hervino adhervino@gmail.com

  2. Analisis Regresi • Adakalanya model regresi sederhana tidak mencerminkan kondisi perilaku variabel ekonomi yang sebenarnya. • Analisis regresi hanya bisa dilakukan terhadap suatu fungsi. • Syarat Fungsi: • Persamaan • DV di kiri dan IV di kanan • Tidak bisa dibolak-balik • Hubungan tingkah laku, bukan hubungan pasti (identitas) • Pengaruh IV terhadap DV harus memiliki landasan teori [ekonomi].

  3. Lanjut… • Properti Fungsi: • Intersep; Autonomous; Konstanta. • Parameter; Koefisien; Slope. • Average; Marginal; Elastisitas.

  4. Prosedur Analisis Regresi • Menetapkan Model Ekonomi • Y = f (X1, X2, X3, …, ) • Menetapkan Hipotesa dan Menyusun Landasan Teori Hipotesa • One tail H0 : i = 0 ; HA : i > 0 atau i < 0 • Two tail H0 : i = 0 ; HA : i  0 • Mencari Data • Data Primer • Data Sekunder

  5. Prosedur Analisis Regresi • Membuat Scatter Plot • Memilih Model Regresi • Model Linier • Model Non Linier [log-log; log-lin; lin-log] • Melakukan Regresi • [Uji Asumsi Klasik] Intepretasi Hasil dan Uji Diagnostik

  6. DV DV IV IV (2) (1) Membuat Scatter Plot dan Memilih Model Regresi 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

  7. Analisis Regresi • Metode estimasi koef. Regresi menggunakan OLS (BLUE), syaratnya: • Hubungan Y dan X adalah linier [parameter] • Nilai X tetap untuk observasi yang berulang-ulang (non-stokastik). • Tidak ada korelasi antar variabel bebas (multikol) • Nilai harapan atau rata-rata dari variabel gangguan (e) adalah nol. • Varian dari variabel gangguan adalah sama (homo). • Tidak ada korelasi antar variabel gangguan (korelasi serial = autokorelasi). • Variabel gangguan berdistribusi normal.

  8. Lanjut… • Model Umum Yi/t = b0 + b1 X1i/t + b2 X2i/t + … + bk Xki/t + ei/t • b0 intesep • bk parameter • Yi/t  DV • Xki/t  IV • ei/t  variabel gangguan/error term • i/t  Individu/Waktu

  9. Lanjut… • Mengartikan b1 dan b2 dalam model regresi berganda: • b1 mengukur perubahan rata-rata Y terhadap perubahan per unit X1 , sementara X2 diasumsikan tetap. Hal yang sama untuk b2. • Jika modelnya non linier misalnya model non linier log-log, maka intepretasi dari masing-masing parameter regresinya adalah elastisitas.

  10. Lanjut… • Pengujian yang diperlukan: • Uji t Koef. Regresi Parsial • Koef. Determinasi yang disesuaikan (tidak terkait banyaknya variabel independen). • Uji Hipotesis Koef. Regresi secara Menyeluruh (Uji F). • Uji Asumsi OLS/Klasik (multikolinieritas, heteroskedastisitas, otokorelasi, dan normalitas). • Uji Perubahan Struktural Model Regresi (Uji Chow). • Uji Stabilitas Model (CUSUM dan CUSUMQ). • Uji validitas model (Ramsey Reset Test)

  11. CARA MEMBACA NILAI-NILAI STATISTIK DALAM REGRESI Nilai t-statistik:

  12. 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

  13. Pengujian Asumsi OLS • Multikolinieritas • Deteksi • Nilai R2 tinggi namun hanya sedikit variabel independen yang signifikan. • Korelasi parsial antar variabel independen. • Regresi Auxiliary  Membuat regresi antar variabel independen. • Metode Klien • Membandingkan nilai R2 regresi auxiliary dengan R2 regresi awal. • Rule of thumb-nya, jika R2 Auxiliary > R2 awal  mengandung unsur multikol, dan sebaliknya.

  14. Lanjut… • Penyembuhan • Doing nothing • BLUE tidak asumsi tidak adanya multikolinieritas • Adanya multiko akan berdampak sulitnya memperoleh standar error yang kecil. • Doing something • Menghilangkan variabel independen yang memiliki korelasi yang kuat. • Transformasi variabel • Bentuk diferensi pertama  kelemahannya mungkin terjadi korelasi serial (otokorelasi)  Melanggar asumsi OLS. • Penambahan Data

  15. Lanjut… • Heteroskedastisitas • Deteksi • Informal • Pola residual (Homo = tidak pasti; Hetero = tertentu) • Formal • Metode Park • Metode Glejser • Metode Korelasi Spearman • Metode GoldFeld-Quandt • Metode Breusch-Pagan • Metode White

  16. Lanjut… • Metode Park • Hetero muncul karena residual tergantung dari variabel independen. • Prosedur: • Estimasi regresi awal, lalu perolah residualnya. • Estimasi regresi antara residual kuadrat dengan variabel independen. • Jika variabel independen signifikan, maka mengandung heteroskedastisitas.

  17. Lanjut… • Metode Glejser • Hetero karena varian variabel gangguan nilainya tergantung dari variabel independen. • Prosedur: • Regresikan nilai absolut variabel gangguan dengan variabel independen. • Indikator simpulan sama dengan Park

  18. Lanjut… • Metode Korelasi Spearman • Prosedur: • Peroleh residual dari estimasi model awal. • Absolutkan nilai residualnya, lalu diurutkan. Lakukan hal yang sama untuk variabel X. • Cari korelasi antara keduanya. • Gunakan uji t  Jika t hitung > t tabel, maka terdapat heteroskedastisitas.

  19. Lanjut… • Metode GoldFeld-Quandt • Memperbaiki kelemahan Park dan Glejser • Hetero varian variabel gangguan merupakan fungsi positif dari variabel independen. • Prosedur: • Urutkan data sesuai dengan nilai X (kecil – besar) • Hilangkan observasi yang ditengah. • Membagi data yang tersisa (n – c) • Buat regresi pada masing-masing kelompok secara terpisah [(n – c)/2]. • Peroleh nilai RSS1 dan RSS2. • Hitung rasionya [(RSS2/df)/(RSS1/df)] bandingkan dengan F tabel.

  20. Lanjut… • Autokorelasi • Adanya autokorelasi dalam regresi maka estimator • Metode OLS masih linier • Metode OLS masih tidak bias • Metode OLS tidak memiliki varian yang minimum lagi. • Menyebabkan perhitungan standard error tidak bisa dipercaya. • Uji t dan F tidak bisa digunakan sebagai evaluasi hasil regresi.

  21. Lanjut… • Deteksi • Metode Durbin-Watson (DW) • du = < d <= (4-du) • Metode Breusch-Godfrey • LM-test • Penyembuhan • Nilai rho atau koef. Model AR(1) diketahui. • Nilai rho tidak diketahui namun bisa dicari melalui estimasi.

  22. Lanjut… • Nilai rho diketahui • Transformasi persamaan  metode generalized difference equation. • Prosedur: • Model awal dan residual mengikuti pola AR(1). • Buat persamaan dengan lag satu dari model regresi awal. • Kalikan kedua sisi dengan rho yang diperoleh dari pers. AR(1) • Kurangi pers. Awal dengan pers. tadi.

  23. Lanjut… • Nilai rho tidak diketahui • Estimasi nilai rho • Metode Diferensi Tingkat Pertama  R2 > d • Berenblutt-Webb. • Statistik d Durbin Watson • Metode 2 langkah Durbin • Metode Cochrane-Orcutt

More Related