1 / 27

EKONOMETRIKA

EKONOMETRIKA. Kelompok 3. Misna Alisa A1A310025 Faisal Rahman A1A310035 Adirta Risandi A1A310040 Muhammad Shodiqin A1A310043 Rusiyana A1A310045. ANALISIS REGRESI LINEAR BERGANDA: PERSOALAN ESTIMASI. Arti Regresi Linear Berganda dan Model Tiga Variabel.

xandy
Download Presentation

EKONOMETRIKA

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. EKONOMETRIKA

  2. Kelompok 3 Misna Alisa A1A310025 Faisal Rahman A1A310035 AdirtaRisandi A1A310040 Muhammad Shodiqin A1A310043 Rusiyana A1A310045

  3. ANALISIS REGRESI LINEAR BERGANDA: PERSOALAN ESTIMASI

  4. ArtiRegresi Linear Bergandadan Model TigaVariabel Apabiladalampersamaangarisregresitercakuplebihdariduavariabeltermasukvariabeltidakbebas Y), makaregresiinidisebutgarisregresi linear berganda(multiple linear regression). Dalamregresi linear berganda, variabeltidakbebas Y tergantungduaataulebihvariabel.

  5. Adabeberapacarauntukmenuliskanpersamaanregresi linear berganda yang mencakupduaataulebihvariabel, yaitusebagaiberikut. Populasi :Yi= A + B1X1i + B2X2i + ... + BkXki+ i Atau : Yi= B1+ B2X2i + B3X3i + ... + BkXki+ i Sampel: Yi= a + b1X1i + b2X2i + ... + bkXki+ ei atau : Yi= b1 + b2X2i + b3X3i + ... +bkXki+ ei

  6. Untuk model dengan 3 variabel, berarti k = 3, satuvariabeltidakbebas Y danduavariabel bebasX2dan X3. Y = B1 + B2X2 + B3X3 +  (5.5) Sedangkanuntuksampelditulissebagaiberikut. Yi= b1 + b2X2i +b3X3i + ei(5.6) i= b1 b2X2i + b3X3i, I = 1, 2, …,n ei= Yi – i= perkiraankesalahanpengganggu. Selanjutnya, untukmenjelaskanpengertianmasing-masingkoefisienregresiparsial(partial coefficient of regression),regresi (5.2) dan (5.40 ditulissebagaiberikut. Populasi: Yi = B1.23 + B12.3X2i + B13.2X3i + I (5.7) Sampel: Yi = b1.23 + b12.3X12.3+ b13.2X3i + ei(5.8) Ῠi= b1.23 + b12.3X2i + b13.2X3i

  7. Ῠ i=b1.234 + b12.34X2 + b13.24X3 + b14.23X4 Misalnya: = hasilpenjualan (perkiraanatauramalan) X2 = biayaadvertensi X3 = pendapatan X4 = harga, atau = produksipadi (perkiraanatauramalan) X2 =pupuk X3 = bibit X4 = luassawah

  8. Contohcaramembacauntukpersamaan regeresiadalah : b12.3 = besarnyapengaruh X2 terhadap Y kalau X3 tetap b13.2 = besarnyapengaruh X3 terhadap Y kalau X2 tetap b12.345 = besarnyapengaruh X2 terhadap Y kalau X3, X4, dan X5 tetap b14.235 = besarnyapengaruh X4terhadapY,kalau X2,X3, dan X5 tetap b15.234 = besarpengaruhnya X5 terhadapY,kalau X2,X3, dan X4tetap

  9. 5.1.1 Asumsidalam Model RegresiBerganda Untuk model regresi linear 3 variabelataulebih, kitapergunakanasumsi-asumsisebagaiberikut. E(i) = untuksetiap I, I = 1, 2,…,n. (5.9) Kov(i,j) = 0, I  j (5.10) Var(i) = setiapi, i = 1, 2,…, n (5.11) kov(i, X2i) = kov(i, X3i) = 0 (5.12) K1X2i + k2X3i = 0 (5.13)

  10. 5.2 InterpretasiPersamaanRegresiBerganda, Arti, dan Cara EstimasiKoefisienRegresiParsialsertaVariannya. Perhatikanpersamaan (5.7) berikut. Yi = B1.23 + B12.3X2i + B13.2X3i + i Apabilakitamengambilnilaiharapanbersyarat (conditional expectation) terhadap Y, makaolehkarena E(i) = 0, kitaperolehhasilberikut. E(Yi/X2,X3) = B1.23 + B12.3X2 + B13.2X3 (5.14)

  11. 5.2.1 ArtiKoefisienRegresiParsial • Artikoefisienregresiparsialadalahsebagaiberikut. B mengukurperubahan rata-rata ataunilaiharapan Y, yaitu E(Y/X2,X3), kalau X2berubahsebesarsatusatuan (unit), dimana X2 berubahsatusatuan, diman X3konstan. B13.2 mengukurbesarnyaperubahan Y kalau X3 berubahsebesarsatusatuan, diman X2 konstan. Denganmenggunakanbahasakalkulus B12.3 dan B13.2 merupakanturunanparsial E(Y/X2,X3) terhadap X2dan X3.

  12. Misalkan, sekarangkitamenaikantenagakerjasatusatuan, makaakanterjadikenaikanpada Y (disebut the gross marginal product of labouri). Dapatkahkitamemisahkan pengaruhtenagakerja (X2) terhadap output(Y) dari pengaruhfaktor lain? Kalautidak, seolah-olahkenaikan Y hanyadimonopolioleh X2, padahal X3terhadap Y, kitaharus mengontrolpengaruh X3. Jugauntukmenghitungandil tenagakerja (X2) terhadap Y, kitaharusmengontrol pengaruh X2. Bagaimanacaramengontrolpengaruhsuatuvariabelkalau akandihitungandilsuatuvariabelterhadapkenaikan Y? seperticontoh, kitaakanmengontrolpengaruh linear modal (X3) didalammengukurpengaruh (X2) terhadap Y kalau X2 berubah (naik) satusatuan. Caranyasebagaiberikut.

  13. Tahap 1 : Buatregresi Y terhadap X3saja, sebagaiberikut. Yi = b1.3 + b13X3i + wi(5.15) Persamaan (5.15) regresi linear sederhana, wi= kesalahanpengganggu. Tahap 2 : Buatregresi X2terhadap X3 saja, sebagaiberikut. X2i = b2.3 – b23X3i + vi (5.16) Dimana vi = kesalahanpengganggu. Sekarangwi= Yi – b1.3 – b13X3i wi= Yi –i’ i= b1.3 + b13X3i Dan V1 = X2i - b2.3 – b23 X3i V1 = X2i - 2i’ 2i = b2.3 + b23 X3i Dimanaidan2i merupakannilaiperkiraan / ramalandariregresi (5.15 dan 5.16).

  14. Tahap 3 : Buatregresiwiterhadap vi sebagaiberikut. Wi = a0 + a1 vi + zi Dimanazi = kesalahanpengganggu. Di sini a1merupakanperkiraanbesarnya pengaruh X2 terhadap Y (the net marginalproduct of labor ) ataukoefisienregresi ( koefesienarah ) dari Y terhadap X2’ yaitu merupakanperkiraandari B12.3.

  15. 5.2.2. Cara EstimasiKoefisienRegresiParsial Cara EstimasiKoefisienRegresiParsial

  16. 5.2.3 Varian don Standard Error KoefisienRegresiPersial Varian don Standard Error KoefisienRegresiPersial

  17. 5.3 KoefisienDeterminasidanKorelasiBerganda • Y1 = b1.23 + b12.3X21 + b13.2X3i + ei = Yi + ei

  18. Contohuntukmeramalkanproduksipadiinikalaudituliskanpersamaanregresinyamenjadi: • Y = B1 + B2 + B3X3 + B4X4 + B5X5 + B6X6 + B7X7 + • atauperkiraannyaberdasarkan data sampel: • Y = bi +b2X2 + b3X3 + b4X4 + b5X5 + b6X6 + b7X7 + e • ataupadaumumnya: • Y = B1 + B2X2 + B3X3 + ... + B1X1 + ... + BkXk + • atauperkiraannyaberdasarkan data sampel: • Y = b1 + b2X2 + b3X3 + ... + b1X1 + ... + bkXk + e

  19. Berikutinicontohpenggunaanfungsiproduksicobb-douglas. Y – B1.23 12.3 13.2 setelahdiambillognyadenganbilanganpokok e, In Yi = B0 + B12.3 In X2i+ B13.2 In X3i dimana: Y = output, 2 = tenagakerjadalamsatuan, X3= modal, B0 = In B1.23

  20. CONTOH SOAL. 5.1

  21. CONTOH SOAL 5.2

  22. 5.4 KOEFISIEN KORELASI PARSIAL DAN HUBUNGAN BERBAGAI KOEFISIEN KORELASI DAN REGRESI.

  23. Untuk hubungan tiga variabel ,X2,X3 dan Y, dapat dihitung tiga koefisien korelasi, yaitu:

  24. CONTOH SOAL 5.3

  25. 5.5 HUBUNGAN BERBAGAI KOEFISIEN KORELASI DAN REGRESI, YANG SEDERHANA, PARSIAL, DAN BERGANDA. • 5.5.1 hubunganantarakoefisienregresiparsial, sederhana, dankoefisienkorelasisederhana. • 5.5.2 HubunganAntaraKoefisienRegresiParsialdanKoefisienKorelasiParsial • 5.5.3 HubunganAntara R2denganKoefisienKorelasiSederhanadanParsial

  26. CONTOH SOAL 5.4 Berdasarkan data soal 5.3

  27. Terimakasih

More Related