Bab 2-5. ANALISIS REGRESI DUA-VARIABEL 2/10/2018 Bab 2-5. ANALISIS REGRESI DUA-VARIABEL Bab 2. Beberapa Ide Dasar Konsep Fungsi Regresi Populasi (PRF), Regresi “linear”, Spesifikasi Stokhastik, Fungsi Regresi Sampel (SRF) Metode Kuadrat Terkecil Biasa (OLS), Asumsi Model Regresi Linear Klasik, Sifat Penaksir OLS, Koefisien Determinasi Bab 3. Masalah Penaksiran Bab 4. Asumsi Kenormalan: Model Regresi Linear normal Klasik Distribusi Probabilitas µi , Sifat-sifat Pe-naksir OLS menurut Asumsi Kenormalan, Metode Kemungkinan Terbesar (ML) Penaksiran Selang (Ide Dasar, Distribusi normal, t, 2, F), Pengujian Hipotesis (Pendekatan Selang-Keyakinan, Pende-katan Test-Of-Significance), Analisis Regresi dan Analisis Varians, Peramalan Bab 5. Penaksiran Selang dan Pengujian Hipotesis 2/10/2018

Bab 2. BEBERAPA IDE DASAR CONTOH HIPOTESIS X (Pendapatan) 80 100 120 140 160 180 200 220 240 260 Y (Belanja) 55 60 65 70 75 74 85 88 79 84 90 94 98 93 95 103 108 113 115 102 107 110 116 118 125 130 135 136 144 145 137 152 157 162 155 165 175 189 150 178 185 191 Total 325 462 445 707 678 750 685 1043 966 1211 Mean 77 89 101 149 161 173 Gujarati, Ekonometrika Dasar, hal. 20. 2/10/2018

IDE DASAR … Mean Bersyarat: E(Y|X) CONTOH HIPOTESIS X (Pendapatan) 80 100 120 140 160 180 200 220 240 260 Y (Belanja) 55 60 65 70 75 74 85 88 79 84 90 94 98 93 95 103 108 113 115 102 107 110 116 118 125 130 135 136 144 145 137 152 157 162 155 165 175 189 150 178 185 191 Total 325 462 445 707 678 750 685 1043 966 1211 Mean 77 89 101 149 161 173 Gujarati, Ekonometrika Dasar, hal. 20. 2/10/2018

Dimana letak dari Fungsi Regresi Populasi ? Distribusi bersyarat konsumsi untuk berbagai tingkat pendapatan … [data hipotesis] Dimana letak dari Fungsi Regresi Populasi ? Mean Bersyarat dari Y ? 2/10/2018

Fungsi Regresi Populasi E(Y|X) = 0 + 1 X Keterkaitan antara Distribusi bersyarat dengan Fungsi Regresi Populasi [data hipotesis] Fungsi Regresi Populasi E(Y|X) = 0 + 1 X Mean Bersyarat dari Y 2/10/2018

Model Regresi Linear: LRM Gujarati, Ekonometrika Dasar, hal. 23. Model linear dalam PARAMETER Model linear dalam VARIABEL YA TIDAK LRM (model regresi linear) NLRM (model regresi non linear) Y = 0 + 1 X1 Y = 0 + 1 X12 Y = 0 +(1 X1) Y = 0 +(1 X12) 2/10/2018

Spesifikasi Stokhastik untuk PRF Yi = 0 + 1 Xi + µi Pengganti untuk semua variabel yang tidak dimasukkan atau dihilangkan dari model (Teori tidak lengkap) Mengikuti prinsip pisau cukur OCCAM (Jika kita bisa menjelaskan perilaku Y dengan baik dengan dua atau tiga variabel yang menjelaskan dan bila teori tidak cukup kuat menyarankan variabel lain mana yang di-masukkan, kenapa kita harus menambah-kan lebih banyak variabel?) Tidak ada informasi kuantitatif mengenai variabel-variabel tertentu yang secara teori patut dimasukkan dalam model regresi Pengaruh beberapa variabel mungkin sedemikian kecil dan paling-paling tidak sistematis (random) 2/10/2018

Fungsi Regresi Sampel: SRF Regresi didasarkan pada sampel kedua (X vs Y2): SRF2 Fungsi Regresi Populasi: PRF Regresi didasarkan pada sampel pertama (X vs Y1): SRF1 mean 2/10/2018

Bab 3. MASALAH PENAKSIRAN Metode Kuadrat Terkecil Biasa (OLS), Asumsi Model Regresi Linear Klasik, Sifat Penaksir OLS, Koefisien Determinasi. Gujarati, Ekonometrika Dasar, hal. 34-53. 2/10/2018

Metode Kuadrat Terkecil Biasa: OLS … [1] X Y (0,0) 1 2/10/2018

Metode Kuadrat Terkecil Biasa: OLS … [2] X Y (0,0) e3 e4 e1 e2 Min  ei2 X1 X2 X3 2/10/2018

Contoh Yang Menjelaskan … [minitab output] 2/10/2018

Garis Regresi sampel di atas … Y 111 (Y) 170 (X) Y = 24,4545 + 0,5091 X  1 24,4545 X 2/10/2018

Garis Regresi dan Batas Ramalan … [output MINITAB] Y = 24,4545 + 0,5091 X 2/10/2018

TUGAS: Pekerjaan Rumah Bab 2: No 2.2, 2.3, 2.4, 2.6 dan 2.7 Bab 3: No 3.8, 3.9 dan 3.12. Bab 4: No 4.1. Bab 5: 5.2, 5.7 dan 5.9. 2/10/2018