analisis regresi berganda pengujian asumsi ols
Download
Skip this Video
Download Presentation
Analisis Regresi Berganda & Pengujian Asumsi OLS

Loading in 2 Seconds...

play fullscreen
1 / 23

Analisis Regresi Berganda & Pengujian Asumsi OLS - PowerPoint PPT Presentation


  • 478 Views
  • Uploaded on

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

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' Analisis Regresi Berganda & Pengujian Asumsi OLS' - sabin


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.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
analisis regresi
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].
lanjut
Lanjut…
  • Properti Fungsi:
    • Intersep; Autonomous; Konstanta.
    • Parameter; Koefisien; Slope.
    • Average; Marginal; Elastisitas.
prosedur analisis regresi
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
prosedur analisis regresi1
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
slide6

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

analisis regresi1
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.
lanjut1
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
lanjut2
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.
lanjut3
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)
slide12

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

pengujian asumsi ols
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.
lanjut4
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
lanjut5
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
lanjut6
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.
lanjut7
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
lanjut8
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.
lanjut9
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.
lanjut10
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.
lanjut11
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.
lanjut12
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.
lanjut13
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
ad