Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Kuliah 10 Time Series Usman Bustaman, M.Sc.. * Asumsi Model Regresi: * Linear regression assumes that… * 1. The relationship between X and Y is linear.

Presentasi serupa


Presentasi berjudul: "Kuliah 10 Time Series Usman Bustaman, M.Sc.. * Asumsi Model Regresi: * Linear regression assumes that… * 1. The relationship between X and Y is linear."— Transcript presentasi:

1 Kuliah 10 Time Series Usman Bustaman, M.Sc.

2 * Asumsi Model Regresi: * Linear regression assumes that… * 1. The relationship between X and Y is linear * 2. Y is distributed normally at each value of X * 3. The variance of Y at every value of X is the same (homogeneity of variances) * 4. The observations are independent * Bagaimana mengetahui/mendeteksi bahwa asumsi tsb terpenuhi atau tidak?

3 * Langkah awal: deteksi pola sebaran variabel bebas X Terdapat perulangan No special pattern Data berakhiran nol M = median, H = Q1, Q3 Sebaran data simetris

4

5 Maksud- nya?

6  heteroskedasticity  Multicollinearity or Serial correlation  outlier  Non normality  Omitted variable bias

7 * Graphicle check: Plot residual vs predictor or residual vs fitted value... menghasilkan pola residual non linear (curvilinear) Pola non linier diprediksi menggunakan model linier... Why?

8 * Graphicle check: Plot residual vs predictor or residual vs fitted value Karakteristik pola linier Rata-2 = 0, varians konstan (stabil)  Null plot

9 * Berbagai macam pola non linier Non linier Kombinasi Non linier & varians yg tidak konstan

10 * Mengukur “derajat kelinieran” dari hubungan antara variabel bebas dan tak bebas * Koefisien determinasi R 2 : *  mengukur proporsi dari variasi nilai Y yang dapat diterangkan oleh variabel X secara linier. * Ingat, salah paham ttg R 2 : 1.R 2 tinggi  prediksi semakin baik …. 2.R 2 tinggi  model regresi cocok dgn datanya … 3.R 2 rendah (mendekati nol)  tidak ada hubungan antara variabel X dan Y …

11

12

13

14 * Apa komentar anda terhadap gambar berikut?

15 * Pencilan dapat muncul dari variabel Y atau X atau dari kedua-2nya. Perhatikan pencilan 1-4 pada gambar ini: Pencilan karena nilai Y|X : …… Pencilan karena nilai X : ……

16 * Pencilan kadang mempengaruhi estimasi model regresi kadang tidak juga… * Pencilan 1  berpengaruh / tidak berpengaruh * Pencilan 2  berpengaruh / tidak berpengaruh * Pencilan 3  berpengaruh / tidak berpengaruh * Pencilan 4  berpengaruh / tidak berpengaruh

17 * Permasalahan timbul jika variabel bebas X tdd > 1 variabel. * Plot residual seperti sebelumnya tidak begitu membantu mendeteksi variabel mana yang menyebabkan pencilan yg mempengaruhi hasil estimasi regresi. *  menggunakan statistik: * Komponen h ii dari Hat matrix * Studentized residual * Cook’s Distance * DFFFits … * DFBetas …

18 * Komponen h ii dari hat matrix

19 p = banyaknya parameter dlm model

20 * N = 77

21 * Studentized residual: * Ciri-2: * Jika  obs. ke-i adalah distance outlier

22 * Cook’s Distance, D i * Ciri-2

23 * Lakukan transformasi data: * Akar * Logaritma * Fungsi trigonometri * Dll * Box Cox transformation…

24 * Heteroskedasticity * Serial correlation * Multicollinerity * Normality * Omitted variables

25

26 Prototype

27 * Error learning  misal: belajar mengetik * Sampel yang beragam  rumahtangga dgn pendptn, perusahaan berbagai level * Adanya outlier * Omitting variables * Sebaran data tidak normal * incorrect data transformation (e.g., ratio or first difference transformations) and * incorrect functional form (e.g., linear versus log–linear models) *  lebih sering terjadi pada data cross section

28 * BLUE? * Linear Unbiased but not efficient

29 * Bagaimana estimasi yg diperoleh terkait varians yg tidak konstan? * - Signifikansi ? * - CI ? *  misleading …

30 * Nature of problem (functional form review ) * Periksa Grafik residual * Tes statistik

31

32

33 H0: homoskedastic H1: heteroskedastic

34

35 * Goldfeld-Quandt Test: the heteroscedastic variance, σ 2 i, is positively related to one of the explanatory variables in the regression model, ex:  *  σ 2 i would be larger, the larger the values of Xi * Weakness: * - depend on which c is arbitrary, * - for X > 1 Var, which X is correct to be ordered?

36

37 * Y = Income, * X = Consumption, * n = 30, * c = 4

38 * Y = Income, X = Consumption, n = 30, c = 4

39 * Breusch–Pagan–Godfrey Test * Weakness: - large sample needed  for small sample, depend much on normality assumption Ex:  So, H0:  Homoskedastic

40 ESS = SSR

41

42 * White’s General Heteroscedasticity Test. * Weakness: more variables will consume more df. H0: homoskedastic Or H0: , df = # parameter -1

43

44 Obtain residual, then estimate

45

46 Reparameterize before analize !

47

48 * Practically, run OLS first, then run: *  consistent estimator  large sample needed

49

50

51

52 * Run the following (weighted) regression: * Compare with the unweighted Apa perbedaan kedua model ini?

53 * White suggests: * For RLB:

54

55

56 * Pelajari Gujarati, Basic Econometrics, 14 th edition, * Ch. 11, section 11.7


Download ppt "Kuliah 10 Time Series Usman Bustaman, M.Sc.. * Asumsi Model Regresi: * Linear regression assumes that… * 1. The relationship between X and Y is linear."

Presentasi serupa


Iklan oleh Google