EKONOMETRIKA
Adanya korelasi antara anggota serangkaian data observasi baik itu data time series atau data cross section.
Ada korelasi antara satu variabel gangguan dengan variabel gangguan lain.
Pada data runtut waktu (time-series) seringkali terjadi saling pengaruh antara variabel independen. Jadi data runtut waktu mengandung autokrelasi.
Autokorelasi bisa positif bisa juga negatif.
Konsekuen
Penaksir (estimator) tidak lagi efisien
Nilai hitung δ2 (degree of freedom) akan bias
Nilai R2 yang dihasilkan akan lebih tinggi daripada yang seharusnya
Nilai variance dan kesalahan baku yang akan digunakan tidak akan efisien
Penyebab
Adanya Inertia
Bias Spesifikasi Model kasus variabel yang tidak dimasukkan
Adanya Fenomena Laba-Laba
Manipulasi data
Adanya Kelembaman Waktu
U
j
i
A
u
t
o
k
o
r
e
l
a
s
i
Durbin - Watson
Hal-hal yang harus dipenuhi:
Model regresi yang dilakukan harus menggunakan konstanta
Variabel bebas adalah non-stokastik
Kesalahan pengganggu (residual) diperoleh dengan otoregresif order pertama
Model regresi tidak meliputi nilai kelembaman dari var. Terikat sebagai var. Penjelas
Dalam melakukan regresi, tidak boleh ada
data yang hilang
Durbin - Watson
Rumus Uji DW
DW = Σ (e – et-1)2
Σ et2
Ket:
DW = Nilai Derbin-Watson test
e = Nilai Residual
et-1 = Nilai Residual satu periode sebelumnya
Durbin - Watson
Langkah-Langkah uji DW
Membuat persamaan regresi
Hitung nilai prediksinya (Ŷ)
Hitung nilai residualnya (Y - Ŷ) atau e
Kuadratkan nilai residualnya (Y - Ŷ)2 atau e2
Lag-kan satu nilai residualnya (Y - Ŷ)t-1 atau et-1
Kurangkan nilai residual dengan nilai residual
yang telah di Lag-kan satu à e – et-1
Durbin - Watson
Kuadratkan nilai e – et-1 à (e – et-1)2
Masukkan hasil perhitungan diatas kedalam rumus DW
Menarik Kesimpulan uji korelasi dengan kriteria
Lagrange-Multipler
Langkah-Langkah uji LM
Membuat persamaan regresi
Hitung nilai prediksinya (Ŷ)
Hitung nilai residualnya (Y - Ŷ) atau µ
Kuadratkan nilai residualnya (Y - Ŷ)2 atau µ2
Cari nilai rata-rata Y
Kurangkan nilai Y dengan Y rata-rata
Kuadratkan nilai Y yang telah dikurangi
Menghitung nilai X2 hitung dengan rumus
X2 = (n-1)*R2
Menarik Kesimpulan
Jika X2hitung > X2tabel maka adanya masalah otokorelasi dan
Jika X2hitung <= X2tabel maka tidak terjadi masalah otokorelasi.
Dengan X2tabel = X2df(α, n-1)
T
r
e
a
t
m
e
n
t
Generalized Difference Equation
Metode ini dilakukan dengan melakukan transformasi dari persamaan regresi linier biasa dengan memasukkan unsur ρ dalam model persamaan.
Generalized Difference Equation
Persamaan awal
Yt = β0 + β1Xt + e
Persamaan setelah transformasi
Yt – ρYt-1 =β0 (1-ρ) + β1 (Xt – ρ Xt-1) + e
Dengan ρ = Σ et et-1
Σ e2
... Trims ...
EKONOMETRIKA
EKONOMETRIKA
Adanya korelasi antara anggota serangkaian data observasi baik itu data time series atau data cross section.
Ada korelasi antara satu variabel gangguan dengan variabel gangguan lain.
Pada data runtut waktu (time-series) seringkali terjadi saling pengaruh antara variabel independen. Jadi data runtut waktu mengandung autokrelasi.
Autokorelasi bisa positif bisa juga negatif.
Konsekuen
Penaksir (estimator) tidak lagi efisien
Nilai hitung δ2 (degree of freedom) akan bias
Nilai R2 yang dihasilkan akan lebih tinggi daripada yang seharusnya
Nilai variance dan kesalahan baku yang akan digunakan tidak akan efisien
Penyebab
Adanya Inertia
Bias Spesifikasi Model kasus variabel yang tidak dimasukkan
Adanya Fenomena Laba-Laba
Manipulasi data
Adanya Kelembaman Waktu
U
j
i
A
u
t
o
k
o
r
e
l
a
s
i
Durbin - Watson
Hal-hal yang harus dipenuhi:
Model regresi yang dilakukan harus menggunakan konstanta
Variabel bebas adalah non-stokastik
Kesalahan pengganggu (residual) diperoleh dengan otoregresif order pertama
Model regresi tidak meliputi nilai kelembaman dari var. Terikat sebagai var. Penjelas
Dalam melakukan regresi, tidak boleh ada
data yang hilang
Durbin - Watson
Rumus Uji DW
DW = Σ (e – et-1)2
Σ et2
Ket:
DW = Nilai Derbin-Watson test
e = Nilai Residual
et-1 = Nilai Residual satu periode sebelumnya
Durbin - Watson
Langkah-Langkah uji DW
Membuat persamaan regresi
Hitung nilai prediksinya (Ŷ)
Hitung nilai residualnya (Y - Ŷ) atau e
Kuadratkan nilai residualnya (Y - Ŷ)2 atau e2
Lag-kan satu nilai residualnya (Y - Ŷ)t-1 atau et-1
Kurangkan nilai residual dengan nilai residual
yang telah di Lag-kan satu à e – et-1
Durbin - Watson
Kuadratkan nilai e – et-1 à (e – et-1)2
Masukkan hasil perhitungan diatas kedalam rumus DW
Menarik Kesimpulan uji korelasi dengan kriteria
Lagrange-Multipler
Langkah-Langkah uji LM
Membuat persamaan regresi
Hitung nilai prediksinya (Ŷ)
Hitung nilai residualnya (Y - Ŷ) atau µ
Kuadratkan nilai residualnya (Y - Ŷ)2 atau µ2
Cari nilai rata-rata Y
Kurangkan nilai Y dengan Y rata-rata
Kuadratkan nilai Y yang telah dikurangi
Menghitung nilai X2 hitung dengan rumus
X2 = (n-1)*R2
Menarik Kesimpulan
Jika X2hitung > X2tabel maka adanya masalah otokorelasi dan
Jika X2hitung <= X2tabel maka tidak terjadi masalah otokorelasi.
Dengan X2tabel = X2df(α, n-1)
T
r
e
a
t
m
e
n
t
Generalized Difference Equation
Metode ini dilakukan dengan melakukan transformasi dari persamaan regresi linier biasa dengan memasukkan unsur ρ dalam model persamaan.
Generalized Difference Equation
Persamaan awal
Yt = β0 + β1Xt + e
Persamaan setelah transformasi
Yt – ρYt-1 =β0 (1-ρ) + β1 (Xt – ρ Xt-1) + e
Dengan ρ = Σ et et-1
Σ e2
... Trims ...
EKONOMETRIKA
UNTUK DOSEN Materi Sosialisasi Pengelolaan Kinerja Akademik DosenAdrianAgoes9
sosialisasi untuk dosen dalam mengisi dan memadankan sister akunnya, sehingga bisa memutakhirkan data di dalam sister tersebut. ini adalah untuk kepentingan jabatan akademik dan jabatan fungsional dosen. penting untuk karir dan jabatan dosen juga untuk kepentingan akademik perguruan tinggi terkait.
ppt profesionalisasi pendidikan Pai 9.pdfNur afiyah
Pembelajaran landasan pendidikan yang membahas tentang profesionalisasi pendidikan. Semoga dengan adanya materi ini dapat memudahkan kita untuk memahami dengan baik serta menambah pengetahuan kita tentang profesionalisasi pendidikan.
1. Analisa Regresi Linear Berganda
Tujuannya :
1.Mengetahui pengaruh antara dua atau lebih variabel independent dengan
satu variabel dependen
2. Memprediksi nilai dari variabel dependen apabila nilai dua variable
independent mengalami kenaikan atau penurunan
3. Mengetahui arah hubungan variabel dependen dan dua independent apakah
negative atau positif
4. Mengetahui hasil uji hipotesis menggunakan uji t dan uji signifikansi dan uji F
5. Rumus ;
Y = a + b1X1 + b2X2 + …bnXn
Bayu Fitri Hutami, SE, MT
2. Judul : Analisa Pengaruh Citra STPT dan Kualitas Pelayanan terhadap Kepuasan
Mahasiswa
Variabel Bebas (X1) : Citra STPT
Variabel Bebas (X2) : Kualitas Pelayanan
Variabel Tidak Bebas (Y) : Kepuasan Mahasiswa
1. Buat Variabel nya di Variabel View
Bayu Fitri Hutami, SE, MT
6. 5. Pndahkan elemen variabel dari kotak kiri ke kanan
Bayu Fitri Hutami, SE, MT
7. 6.Klik Ok dan lihat hasil ouputnya
Output 1
Variables Entered/Removedb
Model
Variables
Entered
Variables
Removed Method
1 Kualitas_Pelaya
nan,
Citra_STPT
. Enter
a. All requested variables entered.
b. Dependent Variable: Kepuasan_Mahasiswa
Penjelasan :
Semua Variabel baik Variabel Bebas dan Variabel Tidak Bebas dalam penelitian ini dimasukkan dalam
pengolahan data
Variabel bebas yang dimasukkan dalam pengolahan data adalah Citra STPT dan Kualitas Pelayanan
Variabel tidak bebas yang dimasukkan dalam pengolahan data adalah Kepuasan Mahasiswa
Bayu Fitri Hutami, SE, MT
8. Output 2
Model Summary
Model R R Square
Adjusted R
Square
Std. Error of the
Estimate
1 .706a
.498 .439 .14494
a. Predictors: (Constant), Kualitas_Pelayanan, Citra_STPT
-Nilai R adalah nilai koefisien korelasi sebesar positif 0,706 sedangkan nilai R Square
merupakan nilai koefisien penentu atau KP.
- Dalam kasus ini nilai Rsquare sebesar 0,498 yang diperoleh dari r = (0,706)² , sehingga
besarnya pengaruh variabel citra STPT terhadap kepuasan mahasiswa sebesar KP = r² x 100%
Perhitungan :
KP = r² x 100%
KP = (0,706)² x 100%
KP = 0,498 x 100%
KP = 49,84
KP = R.Square = 49,84
-Artinya : Hanya sebesar 49,84% Citra STPT dan Kualitas Pelayanan mempengaruhi Kepuasan
Mahasiswa sedangkan sisanya sebesar 50,15% ( 100 – 49,84) Kepuasan Mahasiswa dipengaruhi
Faktor lain
- Adjusted R Square adalah nilai R² yang disesuaikan
- -Std.Error of Estimation adalah ukuran kesalahan standar dari penaksiran.
Bayu Fitri Hutami, SE, MT
9. Output 3
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig.
B Std. Error Beta
1 (Constant) 1.248 .324 3.846 .001
Citra_STPT .375 .100 .648 3.756 .002
Kualitas_Pelayanan .149 .114 .225 1.305 .209
a. Dependent Variable: Kepuasan_Mahasiswa
Persamaan:
Y = a +b1 x1 + b2 x2
X1X2 = Variabel Independen ( Citra STPT dan Kualitas Pelayanan )
Y = Variabel dependen yang diprediksikan (Kepuasan Mahasiswa)
a = Nilai Konstanta
b1b2 = Nilai Koefisien Regresi
Sehingga Persamaan Regresi Linear Berganda menjadi
Y = 1,248 + 0,375 X1 + 0,149 X2
Interprestasi :
-Konstanta sebesar 1,248 artinya , jika Citra STPT dan Kualitas Pelayanan bernilai nol maka
Kepuasan Mahasiswa bernilai 1,248 atau tetap
-Koefisien regresi variable Citra STPT sebesar 0,375, artinya jika Citra STPT mengalami
kenaikan satu satuan maka Kepuasan Mahasiswa akan mengalami peningkatan sebesar 0,375
satu satuan
- Koefisien regresi variable Kualitas Pelayanan sebesar 0,149 artinya jika Kualitas Pelayanan
mengalami kenaikan satu satuan maka Kualitas Pelayanan akan mengalami peningkatan sebesar
0,149 satu satuan
Bayu Fitri Hutami, SE, MT
10. Bayu Fitri Hutami, SE, MT
Rumus df
Dengan menggunakan tingkat keyakinan 95%, alpha =5%,
df_1 = (jumlah var -1)
df_2 = (jumlah data resp. – jumlah variabel - 1) atau ( n – k - 1 ).
11. Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig.
B Std. Error Beta
1 (Constant) 1.248 .324 3.846 .001
Citra_STPT .375 .100 .648 3.756 .002
Kualitas_Pelayanan .149 .114 .225 1.305 .209
a. Dependent Variable: Kepuasan_Mahasiswa
UJI T Hitung Regresi Linear Sederhana (secara Parsial)
Pengujian koefisien regresi secara parsial
Tujuannya : Mengetahui apakah variable independent Citra STPT secara parsial berpengaruh
terhadap variable dependen Kualitas Pelayanan
Tahap Uji
1.Tentukan Hipotesis ( memilih two tail atau uji dua sisi )
Ho : Tidak ada pengaruh secara parsial Citra STPT terhadap Kepuasan Mahasiswa
Ha : Ada pengaruh secara parsial Citra STPT terhadap Kepuasan Mahasiswa
2. Tentukan t. hitung
Dari output SPSS diperoleh t. hitung Citra STPT sebesar 3,756
3. Tentukan t table
Tabel distribusi t dicari pada α = 5% : 2 = 2,5% ( uji 2 sisi ) = 0,025
derajat bebas (df) = n-k-1
dimana n=jumlah responden
k = jumlah variable independen
Sehingga : df = 20 – 2 -1
df = 17
Nilai t tabel dengan df= 18 dan signifikansi 0,025 adalah 2,110
4. Tentukan Kriteria Pengujian
-Ho diterima jika – t tabel ≤ t hitung ≤ t tabel
-Ho ditolak jika -t hitung < -t tabel atau t hitung > t tabel
5. Bandingkan t hitung dengan t tabel
3,756 > 2,101
6. Kesimpulan :
Karena t hitung > dari t tabel maka Ho ditolak artinya Citra STPT secara parsial berpengaruh
terhadap Kepuasan Mahasiswa
Bayu Fitri Hutami, SE, MT
12. Coefficientsa
Model
Unstandardized Coefficients
Standardized
Coefficients
t Sig.
B Std. Error Beta
1 (Constant) 1.248 .324 3.846 .001
Citra_STPT .375 .100 .648 3.756 .002
Kualitas_Pelayanan .149 .114 .225 1.305 .209
a. Dependent Variable: Kepuasan_Mahasiswa
UJI T Hitung Regresi Linear Sederhana (secara Parsial)
Pengujian koefisien regresi secara parsial
Tujuannya : Mengetahui apakah variable independent Kualitas Pelayanan secara parsial
berpengaruh terhadap variable dependen Kepuasan Mahasiswa
Tahap Uji
1.Tentukan Hipotesis ( memilih two tail atau uji dua sisi )
Ho : Tidak ada pengaruh secara parsial Kualitas Pelayanan terhadap Kepuasan Mahasiswa
Ha : Ada pengaruh secara parsial Kualitas Pelayanan terhadap Kepuasan Mahasiswa
2. Tentukan t. hitung
Dari output SPSS diperoleh t. hitung Kualitas Pelayanan sebesar 1,305
3. Tentukan t table
Tabel distribusi t dicari pada α = 5% : 2 = 2,5% ( uji 2 sisi ) = 0,025
derajat bebas (df) = n-k-1
dimana n=jumlah responden
k = jumlah variable independen
Sehingga : df = 20 – 2 -1
df = 17
Nilai t tabel dengan df= 18 dan signifikansi 0,025 adalah 2,110
4. Tentukan Kriteria Pengujian
-Ho diterima jika – t tabel ≤ t hitung ≤ t tabel
-Ho ditolak jika -t hitung < -t tabel atau t hitung > t tabel
5. Bandingkan t hitung dengan t tabel
1,305 < 2,11
6. Kesimpulan :
Karena t hitung > dari t tabel maka Ho diterima artinya Kualitas Pelayanan secara parsial tidak
berpengaruh terhadap Kepuasan Mahasiswa
Bayu Fitri Hutami, SE, MT
13. ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression .355 2 .177 8.446 .003a
Residual .357 17 .021
Total .712 19
a. Predictors: (Constant), Kualitas_Pelayanan, Citra_STPT
b. Dependent Variable: Kepuasan_Mahasiswa
UJI F (Uji Koefisien regresi secara simultan )
Tujuan : Uji F digunakan untuk menguji apakah variable independent secara simultan
berpengaruh terhadap variable dependen
Tahap Uji
1.Tentukan Hipotesis ( memilih two tail atau uji dua sisi )
Ho : Tidak ada pengaruh secara simultan Citra STPT dan Kualitas Pelayanan terhadap Kepuasan
Mahasiswa
Ha : Ada pengaruh secara simultan Citra STPT dan Kualitas Pelayanan terhadap Kepuasan
Mahasiswa
2. Tentukan F. hitung
Dari output SPSS diperoleh F hitung Kualitas Pelayanan sebesar 8,446
3. Tentukan F table
Tabel distribusi F dicari pada α = 5% : 2 = 2,5% ( uji 2 sisi ) = 0,025
derajat bebas (df1) = k-1
dimana : k = jumlah variable
Sehingga : df1 = 3 -1
df1 = 2
derajat bebas (df2) = n - k-1
dimana : k = jumlah variable, n=responden
Sehingga : df2 = 20 - 3 -1
df2 = 17
Hasil diperoleh F tabel sebesar ; 3,592
4. Tentukan Kriteria Pengujian
-Ho diterima jika F hitung ≤ F tabel
-Ho ditolak jika F hitung > F tabel
5. Bandingkan F hitung dengan F tabel
8,446 > 3,592
Bayu Fitri Hutami, SE, MT