1 / 17

Analisis Regresi Linier

Analisis Regresi Linier. Hadi Paramu Fakultas Ekonomi Universitas Jember ( disampaikan di STIE Bulungan Tarakan ) 23 September 2013. Definisi Analisis Regresi.

adolfo
Download Presentation

Analisis Regresi Linier

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. AnalisisRegresi Linier Hadi Paramu FakultasEkonomiUniversitasJember (disampaikandi STIE BulunganTarakan) 23 September 2013

  2. DefinisiAnalisisRegresi • Analisisregresimerupakanstudi (kajian) tentangdependensisuatuvariabel (variabeldependen) padasatuataubeberapavariabel lain (variabelindependen) untukmengestimasidan/ataumemprediksi mean atau average value darivariabeldependen.

  3. ApaVariabelitu? • Variable  vary dan able. • Variabel  sesuatu yang nilainyadapatbervariasi • Ciriutamavariabeladalahvariasi (variabilitas) • Tidakbersifatkonstan. • Apa yang terjadijikasalahsatujenisvariabeldalam model regresitidakbervariasi?

  4. Type Data • Data Time Series: data yang bersifatruntutwaktu (time series), seperti data harian, mingguandst. • Data cross-section: data yang dikumpulkandari unit analisis (responden) padatitikwaktu yang sama. • Data Pooled (Pooling): data yang bersifatgabunganantara time series dan cross section.

  5. AsumsiMetode Ordinary Least Square • Linier dalam Parameter danVariabel • Nilai X bersifattetapuntuk repeated sampling • Mean dari disturbance (residual) bernilainol • Homoscedasticityatauvarians yang samapada residual. • Tidakadaotokorelasiantar residual

  6. AsumsiMetode Ordinary Least Square • Covariance antara residual danvariabelindependensamadengannol • Jumlahobservasi (n) haruslebihbanyakdari parameter yang akandiestimasi. • Ada variability darinilai X. • Model regresitidakmemiliki specification bias • Tidakadamultikolinieritasantar explanatory variable

  7. AlurKerjaAnalisisRegresi Linier

  8. Model Regresi Linier

  9. Model Regresi Linier

  10. HasilAnalisis KoefisienDeterminasi yang disesuaikan KoefisienDeterminasi KoefisienKorelasi

  11. HasilAnalisis Probabilitasterjadinya F-hitung Angka F-hitung

  12. HasilAnalisis DEBTi = 0,166 – 0,05BIUTi + 0,007AGENi + 0,043RISBISi + 0,07UKURi + ei

  13. Multikolinieritas VIF > =2, 5, 10 berartimultikolinieritasterjadi

  14. Multikolinieritas • Apa yang harusdilakukanjikamultikolinieritasterjadi? • Biarkansaja • Buangvariabel yang bersifatmultikolinier

  15. Heteroskedastisitas • Dapatkannilai residual untuksetiapobservasi • Buatauxilliary regression (regresi bantu)  absolut residual sebagaivariabeldependen-nya. • Jikakoefisienpadaauxilliary regression bersifatsignifikan, heteroskedastisitasterjadi. • Untukmengatasiheteroskedastisitas metode weighted least square

  16. Otokorelasi • Uji yang gunakan Durbin-Watson test • Menu  Analyse, Regression, statitic, durbinwatson. • Setelahangka Durbin-Watson hitungdiperoleh lakukanujiotokorelasi • Jikaadaotokorelasi, gunakanpendekatandifferensial  Xt – Xt-1 danYt– Yt-1

  17. Semogabermanfaat

More Related