EKONOMETRIKA
Rifatin aprilia (fafa Apriel)
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
Rifatin aprilia (fafa Apriel)
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
Pengujian hipotesis :
Adalah sebauah metode pengambilan keputusan yang didasarkan dari analisis data, baik dari percobaan yang terkontrol, maupun dari observasi (tidak terkontrol). Dalam statistik sebuah hasil bisa dikatakan signifikan secara statistik jika kejadian tersebut hampir tidak mungkin disebabkan oleh faktor yang kebetulan, sesuai dengan batas
2. Merupakan salah satu metode untuk menentukan hubungan sebab-akibat antara satu variabel dan variabel yang lainnya atau metode peramalan yang dikenal dalam statistik . Regresi Fungsi : Analisis regresi berguna untuk mengetahui pengaruh antara variable bebas (yang juga dikenal dengan prediktor) yang disimbolkan dengan X dan variable terikat (yang juga dikenal dengan kriterium) yang disimbolkan dengan Y.
3. Model Regresi: Regresi Linier Regresi Parabola Regresi Hiperbola Regresi Pangkat Tiga Apa bedanya dengan korelasi? Analisis Regresi = Analisis statistika yang memanfaatkan hubungan antara dua atau lebih peubah kuantitatif sehingga salah satu peubah dapat diramalkan dari peubah lainnya. Korelasi = mengukur keeratan HUBUNGAN LINEAR dari dua variabel
15. Hasil Penelitian Hubungan Pengaruh Penggunaan Waktu Belajar Terhadap IPK Kelas 3E 3,1 120 menit U 21 3,4 120 menit T 20 2,7 30 menit S 19 2,8 30 menit R 18 2,8 120 menit Q 17 3,4 120 menit P 16 3,1 60 menit O 15 2,8 30 menit N 14 3,2 60 menit M 13 2,8 60 menit L 12 2,8 60 menit K 11 2,4 60 menit J 10 2,2 60 menit I 9 2,0 60 menit H 8 2,8 60 menit G 7 3,4 120 menit F 6 2,5 30 menit E 5 2,9 60 menit D 4 3,0 120 menit C 3 2,8 180 menit B 2 3,3 180 menit A 1 y IPK X (lama belajar) Nama No
16. ” Output SPSS” REGRESSION /DESCRIPTIVES MEAN STDDEV CORR SIG N /MISSING LISTWISE /STATISTICS COEFF OUTS R ANOVA COLLIN TOL CHANGE ZPP /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT X /METHOD=ENTER Y /SCATTERPLOT=(*SRESID ,*ZPRED) /RESIDUALS HIST(ZRESID) NORM(ZRESID). Regression Total sampel yang digunakan Rata-rata IPK yaitu : 2,3 Rata-rata Lama belajar :82,8
17. Sig.0,009 0,05 > 0,009 maka yang menyatakan variabel y dan x tidak berhubungan,ditolak Ada hubungan antara lama belajar dengan hasil IPK adalah 0,514,hubunganya sedang
18. R square = 0,246 mengindikasikan sedikit hubungan antara x dan y sebesar 26,4 %
19. Uji Hipotesa koefisien Regresi H o : B = 0 Vs Hi : B = 0 Dipilih tingkat sig.= 0,05 0,05 > 0,017
20.
21. Kesimpulan : Karena standar error yang terlalu besar yaitu 44.582 ,maka Model linier ini yang terbentuk antara variabel x (lama belajar ) dengan nilai IPK variabel y adalah: y = 47.8 % seharusnya standar error itu tidak lebih dari 5 %