EKONOMETRIKA Sifat Dasar Analisis Regresi Kelompok 1 Feybe Arsella Manoppo Sari Aprilliani Adrianto Endi Harmianto

CONTENT 1.1 Asal Mula Istilah Regresi Pada Bab ini akan di jelaskan tentang Sifat Dasar dari Analisis Regresi. CONTENT 1.1 Asal Mula Istilah Regresi 1.2 Interpretasi Modern Dari Regresi 1.3 Perbedaan Ketergantungan Secara Statistik dan Fungsional 1.4 Regresi Hubungan Sebab Akibat dan Korelasi 1.5 Regresi Versus Korelasi 1.6 Terminologi dan Notasi 1.7 Sifat dan Sumber Data untuk Analisis Ekonomi

1.1 Asal Mula Istilah Regresi Galton telah dibuktikan oleh temannya yang bernama Karl Pearson. Ia menemukan bahwa rata-rata tinggi anak dari kelompok orangtua yang tinggi ternyata lebih kecil dari tinggi ayahnya, dan rata-rata tinggi anak dari kelompok orangtua yang pendek ternyata lebih besar daripada tinggi ayah, jadi seolah-olah semua anak yang tinggi dan yang pendek bergerak menuju ke rata-rata tinggi dari seluruh orang laki-laki. Menurut istilah Galton: regression to mediocrity. Istilah regresi diperkenalkan oleh seseorang yang bernama Francis Galton. Menurut hasil penelitian Francis Galton, meskipun ada kecenderungan bagi ara orangtua yang tinggi untuk mempunyai anak yang tinggi dan orangtua yang pendek untuk mempunyai anak yang pendek, distribusi mengenai tinggi dari suatu populasi tidak berubah dari generasi ke generasi. Hukum regresi yang universal dari

1.2 Interpretasi Modern Dari Regresi Analisis regresi berkenaan dengan studi ketergantungan dari satu variabel yang disebut variabel tidak bebas (dependent variable), pada satu atau lebih variabel, yaitu variabel penjelas, dengan tujuan untuk memperkirakan dan atau meramalkan nilai rata-rata dari variabel tidak bebas apabila nilai variabel penjelas sudah diketahui. Variabel penjelas sering disebut variabel bebas (independent variable) atau explanatory variable.

1.3 Perbedaan Ketergantungan Secara Statistik dan Fungsional Regresi berkenaan dengan ketergantungan statistik (statistical dependent), bukan ketergantungan fungsional secara deterministik. Hubungan antarvariabel secara statistik berkenaan dengan variabel yang acak atau stokastik (random or stochastic variables), yaitu variabel yang mempunyai distribusi probabilitas (probability distribution). Di dalam hubungan fungsional (functional relationship) variabelnya tidak acak atau stokastik. Hubungan semacam ini, misalnya dipergunakan untuk menunjukkan hukum gaya berat dari Newton (Newton’s law of gravity) Yang secara simbolik, F = k(m1m2/r2), dimana F = daya, m1 dan m2 = massa masing-masiing partikel, r = jarak, k = konstan, untuk mengukur proporsionalitas. EXAMPLE

1.4 Regresi Hubungan Sebab Akibat dan Korelasi “Hubungan statistik, sebagaimanapun kuatnya, tidak akan pernah bisa membangun hubungan sebab dan akibat. Hubungan sebab dan akibat harus berasal dari luar statistik, yang berakhir pada beberapa teori atau yang lainnya” Dalam semua contoh pada subbab 1.2 hal yang perlu digaris bahawi adalah hubungan statistikal itu sendiri tidak dapat medinyatakan secara logikal segabai hubungan sebab dan akibat. Untuk menganggap hubungan sebab dan akibat, satu hal yang harus menarik untuk konsiderisasi teoritikal

1.5 Regresi Versus Korelasi Regresi dan korelasi memiliki perbedaan mendasar yang sama yang layak disebut. Dalam analisis regresi ada asimetri dalam cara variabel dependen dan jelas yang diperlakukan. Variabel terikat diasumsikan statistik, acak, atau stokastik, yaitu, memiliki distribusi probabilitas . Variabel penjelas, di sisi lain, diasumsikan memiliki nilai tetap (dalam pengambilan sampel berulang) yang dibuat eksplisit dalam definisi regresi diberikan dalam Subbab 1.2.

1.6 Terminologi dan Notasi Jika kami sedang mempelajari ketergantungan pada variabel hanya variabel penjelas tunggal, seperti yang dari pengeluaran konsumsi pada pendapatan riil, studi semacam ini dikenal sebagai sederhana, atau dua - variabel, analisis regresi . Namun, jika kita sedang mempelajari ketergantungan satu variabel pada lebih dari pada variabel penjelas, seperti pada tanaman - hasil, curah hujan, suhu , sinar matahari , dan contoh pupuk , ini dikenal sebagai analisis regresi ganda. Dengan kata lain, dalam regresi dua variabel ada lebih dari satu variabel penjelas.

1.7 Sifat dan Sumber Data untuk Analisis Ekonomi Keberhasilan setiap analisis ekonometrik akhirnya tergantung pada ketersediaan data yang sesuai Jenis Data Data Series Time Cross-Section Pooled Data Data panel, Longitudinal atau Micropanel

DATA SERIES TIME CROSS SECTION Data tersebut dapat dikumpulkan secara berkala, seperti harian (misalnya, harga saham, laporan cuaca), mingguan (misalnya, angka jumlah uang beredar), bulanan [misalnya, tingkat pengangguran, Indeks Harga Konsumen (IHK)], kuartalan (misalnya, GPD), setiap tahunnya (misalnya, anggaran pemerintah), quinquennially, yaitu, setiap 5 tahun (misalny, sensus manufaktur), atau decennially (misalnya, konsensus dari populasi). CROSS SECTION Data pada satu atau lebih variabel yang dikumpulkan pada poin yang sama dalam waktu, seperti sensus penduduk yang dilakukan oleh Biro Sensus setiap 10 tahun (yang terbaru berada di tahun 2000), survei konsumen pengeluaran yang dilakukan oleh University of Michigan, dan tentu saja, jajak pendapat Gallup dan organisasi othe3r upteen

POOLED DATA Dalam Pemusatan, atau digabungkan, data elemen dari kedua time-series dan data cross-section Data panel, Longitudinal atau Micropanel Ini adalah tipe khusus dari data yang dikumpulkan di mana unit cross-sectional yang sama (misalnya, keluarga atau perusahaan) yang disurvei dari waktu ke waktu. Sebagai contoh, Departemen Perdagangan AS karies keluar sensus perumahan secara berkala