Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Uji Asumsi Klasik Pada Regresi Dengan Metode Kuadrat Terkecil (OLS) Oleh: Ari Tjahjawandita.

Presentasi serupa


Presentasi berjudul: "Uji Asumsi Klasik Pada Regresi Dengan Metode Kuadrat Terkecil (OLS) Oleh: Ari Tjahjawandita."— Transcript presentasi:

1

2 Uji Asumsi Klasik Pada Regresi Dengan Metode Kuadrat Terkecil (OLS) Oleh: Ari Tjahjawandita

3 eMateri  Presentasi:  Data:

4 Peringatan  Panduan ini hanya panduan singkat  Sangat tidak disarankan untuk dijadikan panduan utama  Sangat disarankan digunakan/diaplikasikan lebih jauh melalui mata kuliah ekonometrika atau melalui buku ekonometrika, bukan buku panduan sebuah perangkat lunak.

5 Multikolinearitas

6 Apa itu multikolinearitas?Apa itu multikolinearitas? Sebuah masalah yang muncul dalam regresi linear klasik sebagai akibat adanya hubungan antara variabel-variabel penjelas dalam model terlalu erat (bahkan sempurna). 1 x x x 3 +…+ i x i = 0 Misal: x 1 – x 2 = 0 sehingga x 1 = x 2

7 Pernyataan statistik formalnya:Pernyataan statistik formalnya:

8 Apa akibat multikolinearitas?  Memenuhi kriteria Gauss- Markov (BLUE), namun varians dan covarians-nya besar  standard error koefisien regresi cenderung besar, menuju tak hingga  koefisien regresi cenderung tidak signifikan (ingat t ‑ hitung =  i / Se (  i )),  Nilai R 2 bisa sangat tinggi (too good to be true),  Koefisien regresi dan standard error-nya sensitif terhadap perubahan data,  Koefisien regresi tidak bisa ditentukan.

9 Varians & covarians koefisen regresi besarVarians & covarians koefisen regresi besar

10 Koefisien regresi tidak bisa diestimasiKoefisien regresi tidak bisa diestimasi

11 Deteksi masalah multikolinearitasDeteksi masalah multikolinearitas  R 2 tinggi tetapi koefisien regresi yang signifikan hanya sedikit,  Koefisien korelasi pair-wise antara 2 variabel independen mencapai 0,8,  Auxiliary regression: regress salah satu x terhadap x lainnya dan hitung nilai F berdasarkan nilai R 2. Uji H 0 : tidak ada korelasi yang tinggi antara variabel- variabel independen.

12 Remedial masalah multikolinearitas 1.Informasi apriori, Setelah  2 diestimasi,  3 bisa dihitung.

13 2.Gunakan regresi data panel, 3.Keluarkan salah satu variabel, tetapi….. TIDAK MENIMBULKAN MASALAH KESALAHAN SPESIFIKASI, 4.Transformasi variabel (rasio terhadap variabel lain, log, diferens, pertumbuhan), 5.Menambah data, 6.Kurangi kolinearitas dalam regresi polinomial: x n  x n-1, 7.Pilih variabel penjelas berdasarkan analsis faktor dan principal component analysis, tetapi….. TIDAK MENIMBULKAN MASALAH KESALAHAN SPESIFIKASI.

14 Heteroskedastisitas

15 Apa itu heteroskedastisitas?Apa itu heteroskedastisitas? Sebuah masalah yang muncul dalam regresi linear klasik sebagai akibat varians dari error term model yang diestimasi tidak konstan antara periode/cross section. Umum pada data cross-section dan data runtun waktu dengan frekwensi yang tinggi.

16 Pernyataan statistik formalnya:Pernyataan statistik formalnya:

17 Secara grafisSecara grafis Homoskedastis.. x1ix1i x 1 1 =80 x 1 3 =100 yiyi f(y i ) expenditure income Var(u i ) = E(u i 2 )=  2. x 1 2 =90

18 Pola error term yang homoskedastis xixi yiyi 0 Error term tersebar merata

19 . x 1x 1 x11x11 x12x12 yiyi f(y i ) expenditure x13x13.. income Var(u i ) = E(u i 2 )=  i 2 Heteroskedastis

20 Pola error term yang heteroskedastis xtxt ytyt 0 Error term menyebar secara unik

21 Deteksi secara grafis no heteroscedasticity yes

22 Apa akibat heteroskedastisitas?  Estimasi OLS tetap linier dan tidak bias, namun…  tidak minimum, bukan yang terbaik (best), tidak efisien, tidak BLUE (hanya LUE),  t-hitung dan F-hitung tidak bisa dipercaya, karena: oleh karenanya error term tidak akan minimum.

23 Bukti

24 Deteksi masalah heteroskedastisitas: Uji Heteroskedastisitas White (LM test) Uji Heteroskedastisitas White (tanpa cross-term):

25 Uji Heteroskedastisitas White (dengan cross-term):

26 Remedial masalah heteroskedastisitas: Metode Weighted Least Square (WLS) Bila Y i =  1 +  2 X 2 +  3 X 3 + u i E ( u i ) = 0, E ( u i, u j ) = 0 i  j Var ( u i 2 ) =  i 2 =  2 Z ( X 2 ) =  2 Z i 2 =  2 E ( Y i ) 2 Transformasi semua variabel dalam model menjadi:

27 Masalahnya  2 dan Z tidak diketahui. Plot residual dan kuadrat residual terhadap salah satu variabel independen. Lalu bagaimana menentukan Z ? X3X3 uiui ^ X3X3 u2u2 ^

28 X3X3 uiui ^ X3X3 u2u2 ^ Bila polanya seperti berikut:

29 Otokorelasi/ Korelasi Serial

30 Apa itu otokorelasi?Apa itu otokorelasi? Bila error term di satu periode memiliki korelasi dengan error term di periode lainnya.

31 Macam & sifat otokorelasiMacam & sifat otokorelasi  Hanya terdapat pada data runtun waktu (time series).  First order autocorrelation: bila berkorelasi dengan error term satu periode sebelumnya/sesudahnya.  Second order autocorrelation: bila berkorelasi dengan error term dua periode sebelumnya/sesudahnya, dst.  Otokorelasi negatif: bila berkorelasi negatif dengan error term di periode lainnya.  Otokorelasi positif: bila berkorelasi positif dengan error term di periode lainnya.

32 Pernyataan statistik formalnya:Pernyataan statistik formalnya:

33 Apa akibat otokorelasi?Apa akibat otokorelasi?  Estimasi OLS tetap linier dan tidak bias, namun…  sama seperti heteroskedastisitas, tidak minimum, bukan yang terbaik (best), tidak efisien, tidak BLUE (hanya LUE), , standard error koefisien regresi cenderung besar, sehingga t-hitungnya kecil, sehingga koefisiennya menjadi tidak signifikan.

34 Bukti

35 Deteksi masalah otokorelasi: Uji Breusch-Godfrey (LM test) 1.Estimasi model OLS dan hitung u t. 2.Regress u t terhadap semua variabel independen, ditambah u t -1, u t -2, u t -3,…, u t-i u t =  1 +  2 x t + u t -1 + u t -2 + u t -3 + … + u t-p + v t 3.Hitung nilai BG-statistik = ( n - p ) R 2 ~  2 p is jumlah of orde kelambanan 4.Bila BG >  2 p, tolak Ho (ada otokorelasi) Bila BG <  2 p, jangan tolak Ho (tidak ada otokorelasi)

36 Remedial masalah otokorelasiRemedial masalah otokorelasi  Transformasi semua variabel ke bentuk first difference,  Tambahkan data Trend sebagai variabel penjelas,  Cochrane-Orcutt Two-Step procedure (CORC),  Prais-Winsten transformation,  Durbin’s Two-Step method,  Gunakan AR(1), yaitu variabel dependen dalam bentuk kelambanan (lag) sebagai variabel penjelas.

37 Cochrane-Orcutt Two-step procedure (CORC) (1) RegressY t =  1 +  2 X t + u t (2) Regressu t =  u t-1 + v t (3) Gunakan  untuk mentranformasi variabel: Y t * = Y t -  Y t-1 Y t =  1 +  2 X t + u t X t * = X t -  X t-1  Y t-1 =  1  +  2  X t-1 +  u t-1 (Y t -  Y t-1 ) =  1 (1-  ) +  2 (X t -  X t-1 ) + (u t -  u t-1 ) (4) RegressY t * =  1 * +  2 * X t * + u t * (5) Kalau berdasarkan BG test masih ada otokorelasif, ulangi lagi langkahnya dengan menggunakan u t * ^ ^ ^ Generalized Least Squares (GLS) method ^ ^ ^ ^ ^ ^ ^ ^ ^ ^

38 (8) RegressY t ** =  1 ** +  2 ** X t ** + u t ** Dimana(Y t -  Y t-1 ) =  1 (1 -  ) +  2 (X t -  X t-1 ) + (u t -  u t-1 ) (9) Ulangi langkahnya sampai (  -  < 0.01) ^ ^ ^ ^ ^ ^ ^ ^ ^ ^ ^ ^ ^ (6) Regress u t * =  u t-1 * + v t ’ ^ ^   (1 - ) DW 2 2 ^ ^ Diperoleh  dari tahap kedua mengestimasi  ^ ^ (7) Gunakan  untuk mentransformasi variabel ^ ^ ^ Y t ** = Y t -  Y t-1 Y t =  1 +  2 X t + u t ^ X t ** = X t -  X t-1  Y t-1 =  1  +  2  X t-1 +  u t-1 ^ ^ ^ ^ ^ ^ ^ ^ ^ ^

39 Terima kasihTerima kasih


Download ppt "Uji Asumsi Klasik Pada Regresi Dengan Metode Kuadrat Terkecil (OLS) Oleh: Ari Tjahjawandita."

Presentasi serupa


Iklan oleh Google