Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Analisis Regresi Berganda & Pengujian Asumsi OLS Aloysius Deno Hervino

Presentasi serupa


Presentasi berjudul: "Analisis Regresi Berganda & Pengujian Asumsi OLS Aloysius Deno Hervino"— Transcript presentasi:

1

2 Analisis Regresi Berganda & Pengujian Asumsi OLS Aloysius Deno Hervino

3 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].

4 Lanjut… Properti Fungsi: – Intersep; Autonomous; Konstanta. – Parameter; Koefisien; Slope. – Average; Marginal; Elastisitas.

5 Prosedur Analisis Regresi 1.Menetapkan Model Ekonomi Y = f (X 1, X 2, X 3, …,  ) 2.Menetapkan Hipotesa dan Menyusun Landasan Teori Hipotesa One tailH 0 :  i = 0 ; H A :  i > 0 atau  i < 0 Two tailH 0 :  i = 0 ; H A :  i  0 3.Mencari Data Data Primer Data Sekunder

6 Prosedur Analisis Regresi 4.Membuat Scatter Plot 5.Memilih Model Regresi Model Linier Model Non Linier [log-log; log-lin; lin-log] 6.Melakukan Regresi 7.[Uji Asumsi Klasik] Intepretasi Hasil dan Uji Diagnostik

7 Membuat Scatter Plot dan Memilih Model Regresi DV IV DV IV (1) (2) 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

8 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.

9 Lanjut… Model Umum Y i/t = b 0 + b 1 X 1i/t + b 2 X 2i/t + … + b k X ki/t + e i/t b 0  intesep b k  parameter Y i/t  DV X ki/t  IV e i/t  variabel gangguan/error term i/t  Individu/Waktu

10 Lanjut… Mengartikan b 1 dan b 2 dalam model regresi berganda: – b 1  mengukur perubahan rata-rata Y terhadap perubahan per unit X 1, sementara X 2 diasumsikan tetap. Hal yang sama untuk b 2. – Jika modelnya non linier misalnya model non linier log-log, maka intepretasi dari masing-masing parameter regresinya adalah elastisitas.

11 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)

12 CARA MEMBACA NILAI-NILAI STATISTIK DALAM REGRESI Nilai t-statistik: Hipotesa satu arah Hipotesa positif H 0 = nol H a > nol Hipotesa negatif H 0 = nol H a < nol t-stat > t-tabel : H 0 ditolak t-stat < t-tabel : H 0 diterima t-stat < t-tabel : H 0 ditolak t-stat > t-tabel : H 0 diterima Hipotesa dua arah H 0 = 0 H a  0 |t-stat| >|t-tabel| : H 0 ditolak |t-stat| <|t-tabel| : H 0 diterima

13 Nilai F-statistik: Jika nilai F-stat > F-tabel : Semua variabel independen memiliki joint impact terhadap variabel dependen Nilai R 2 : Jika R 2 = a artinya semua variabel independen yang ada dalam model dapat menerangkan (a*100) persen variasi dari variabel dependen

14 Pengujian Asumsi OLS Multikolinieritas – Deteksi Nilai R 2 tinggi namun hanya sedikit variabel independen yang signifikan. Korelasi parsial antar variabel independen. Regresi Auxiliary  Membuat regresi antar variabel independen. Metode Klien – Membandingkan nilai R 2 regresi auxiliary dengan R 2 regresi awal. – Rule of thumb-nya, jika R 2 Auxiliary > R 2 awal  mengandung unsur multikol, dan sebaliknya.

15 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

16 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

17 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.

18 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

19 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.

20 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 RSS 1 dan RSS 2. – Hitung rasionya [(RSS 2 /df)/(RSS 1 /df)] bandingkan dengan F tabel.

21 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.

22 Lanjut… – Deteksi Metode Durbin-Watson (DW) – d u = < d <= (4-d u ) Metode Breusch-Godfrey – LM-test – Penyembuhan Nilai rho atau koef. Model AR(1) diketahui. Nilai rho tidak diketahui namun bisa dicari melalui estimasi.

23 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.

24 Lanjut… Nilai rho tidak diketahui – Estimasi nilai rho » Metode Diferensi Tingkat Pertama  R 2 > d » Berenblutt-Webb. » Statistik d Durbin Watson » Metode 2 langkah Durbin » Metode Cochrane-Orcutt


Download ppt "Analisis Regresi Berganda & Pengujian Asumsi OLS Aloysius Deno Hervino"

Presentasi serupa


Iklan oleh Google