Operations Management

Slides:



Advertisements
Presentasi serupa
Evaluasi Model Regresi
Advertisements

MODEL REGRESI DENGAN DUA VARIABEL
Kelompok 2 (3 SE3) Anindita Ardha Pradibtia ( ) Elmafatriza Elisha Ekatama ( ) Muh. Mustakim Hasma ( )
UJI HIPOTESIS.
METODE KUANTITATIF : REGRESI BERGANDA
William J. Stevenson Operations Management 8 th edition PENYIMPANGANREGRESI Rosihan Asmara
William J. Stevenson Operations Management 8 th edition REGRESIBERGANDA Rosihan Asmara
Analisis Regresi Berganda & Pengujian Asumsi OLS
Ekonometrika Program Studi Statistika Semester Ganjil 2011 Dr. Rahma Fitriani, S.Si., M.Sc.
REGRESI LINIER SEDERHANA
VI. ESTIMASI PARAMETER Estimasi Parameter : Metode statistika yang berfungsi untuk mengestimasi/menduga/memperkirakan nilai karakteristik dari populasi.
BETYARNINGTYAS CYNTHIA LA SARIMA MUH Tabrani Nuri NURWAHIDA VIEVIEN
Operations Management
Operations Management
Heteroskedastisitas Penyimpangan asumsi ketika ragam galat tidak konstan Ragam galat populasi di setiap Xi tidak sama Terkadang naik seiring dengan nilai.
Analisis Data: Memeriksa Perbedaan
PENDUGA REGRESI (REGRESSION ESTIMATOR)
KORELASI DAN REGRESI LINEAR SEDERHANA
BAB XIII REGRESI BERGANDA.
RANK FULL MODEL (ESTIMATION)
Hubungan Antar Sifat.
BAB 15 ANALISIS REGRESI DAN KORELASI LINIER
Regresi Linier Berganda
Analisis Regresi. ANALISIS REGRESI Melihat ‘pengaruh’ variable bebas/independet variabel/ thd variable terikat/dependent variabel. Berdasarkan jumlah.
K O N S E P D A S A R A N A L I S I S R E G R E S I
Regresi Linear Dua Variabel
BAB 15 ANALISIS REGRESI DAN KORELASI LINIER
ANALISIS REGRESI & KORELASI
Richard Matias A.muh.Awal Ridha s Alfiani Nur Islami
REGRESI LINIER BERGANDA (MULTIPLE LINEAR REGRESSION)
REGRESI LINIER SEDERHANA
Dosen pengasuh: Moraida hasanah, S.Si.,M.Si
Presented by Kelompok 7 Mirah Midadan Richard Pasolang Reski Tasik
Bab 4 Estimasi Permintaan
Bab 2-5. ANALISIS REGRESI DUA-VARIABEL
MENENTUKAN GARIS LURUS TERBAIK
Operations Management
REGRESI LINEAR DALAM ANALISIS KUANTITATIF
Program Studi Statistika Semester Ganjil 2012
EKONOMETRIKA Pertemuan 4,5 Estimasi Parameter Model Regresi
EKONOMETRIKA Pertemuan 7: Analisis Regresi Berganda Dosen Pengampu MK:
Muchdie, Ir, MS, Ph.D. FE-Uhamka
Analisis Regresi Berganda
ANALISIS REGRESI BERGANDA
REGRESI LINEAR SEDERHANA
ANALISIS REGRESI & KORELASI
Program Studi Statistika Semester Ganjil 2012
Operations Management
Regresi Sederhana : Estimasi
Regresi Linier Sederhana dan Korelasi
Operations Management
PERTEMUAN KE-14 STATISTIK DESKRIPTIF
EKONOMETRIKA Pertemuan 4,5 Estimasi Parameter Model Regresi
Operations Management
MUHAMMAD HAJARUL ASWAD
Regresi Berganda: Penaksiran dan Pengujian Hipotesis
REGRESI LINIER BERGANDA (MULTIPLE LINEAR REGRESSION)
Analisis Regresi.
Disampaikan Pada Kuliah : Ekonometrika Terapan Jurusan Ekonomi Syariah
Agribusiness Study of Programme Wiraraja University
EKONOMETRIKA Ide-ide Dasar Analisis Regresi Sederhana
BAB 7 persamaan regresi dan koefisien korelasi
Uji Asumsi Analisis Regresi Berganda Manajemen Informasi Kesehatan
REGRESI 1 1.OBSERVASI 2.PENGAMATAN 3.PENGUKURAN (Xi, Yi)
Ekonometrika Tutor ……….
EKONOMETRIKA Pertemuan 3: Ide-ide Dasar Analisis Regresi Sederhana
BAB 6 MULTIKOLINIERITAS
Ekonomi Manajerial dalam Perekonomian Global
ANALISIS REGRESI: DUA VARIABEL
1 ANALISIS REGRESI DAN KORELASI BERGANDA Bentuk persamaan regresi dengan dua variabel indenpenden adalah: Y = a + b 1 X 1 + b 2 X 2 Bentuk persaman regresi.
Transcript presentasi:

Operations Management William J. Stevenson Operations Management 8th edition REGRESI Rosihan Asmara http://rosihan.lecture.ub.ac.id http://rosihan.web.id http://rosihan.web.id

Model Regresi Sederhana Yi = 0 + 1 Xi + i 0 dan 1 : parameter dari fungsi yg nilainya akan diestimasi. Bersifat stochastik  untuk setiap nilai X terdapat suatu distribusi probabilitas seluruh nilai Y atau Nilai Y tidak dapat diprediksi secara pasti karena ada faktor stochastik i yang memberikan sifat acak pada Y. Adanaya variabel i disababkan karena:  Ketidak-lengkapan teori  Perilaku manusia yang bersifat random  Ketidak-sempurnaan spesifikasi model  Kesalahan dalam agregasi  Kesalahan dalam pengukuran http://rosihan.web.id

Asumsi-asumsi mengenai i: Y . . . . . Ÿi = b0 + b1 Xi Yi i Yi = 0 + 1 Xi + i Ÿi Variation in Y Systematic Variation Random Variation X Asumsi-asumsi mengenai i: 1. i adalah variabel random yg menyebar normal 2. Nilai rata-rata i = 0, e(i) = 0. 3. Tidak tdpt serial korelasi antar i cov(i,j) = 0 4. Sifat homoskedastistas, var(i) = 2 5. cov(i,Xi) = 0 6. Tidak terdapat bias dalam spesifikasi model 7. Tidak terdapat multi-collinearity antar variebel penjelas http://rosihan.web.id

Fungsi Regresi Populasi Y E(Yi) = 0 + 1 Xi Yi = 0 + 1 Xi + i Nilai rata2 Yi : E(Yi) = 0 + 1 Xi I = Yi - E(Yi) X X1 X2 X3 http://rosihan.web.id

METODE PENAKSIRAN PARAMETER DALAM EKONOMETRIK Metode estimasi yang sering digunakan adalah Ordinary Least Square (OLS). Dalam regresi populasi dikenal pula adanya istilah PRF (Population Regression Function) dan dalam regresi sampel sebagai penduga regresi populasi dikenal istilah SRF (Sample Regression Function). P SRF Y ei ui PRF Yi ^ Yi Xi X http://rosihan.web.id

harus sama dengan nol. E(i/ Xi) = 0 Penaksir kuadrat terkecil adalah mempunyai varian yang minimum yaitu penaksir tadi bersifat BLUE (Best Linear Unbiased Estimator). Asumsi yang harus dipenuhi dalam penaksiran metode OLS adalah sebagai berikut : 1. i adalah sebuah variabel acak atau random yang riil dan memiliki distribusi normal. 2. Nilai harapan dari i yang timbul karena variasi nilai Xi yang diketahui harus sama dengan nol. E(i/ Xi) = 0 3. Tidak terjadi autokorelasi atau serial korelasi. Artinya, Cov(i, j) = Ei – E(i) j – E(j) = E(i, j) = 0 .................... i  j 4. Syarat Homoskedastisiti. Artinya bahwa varian dari i adalah konstan dan sama dengan 2. Var (i / Xi) = Ei – E(i)2 = E(i)2 = 2 5. Tidak terjadi multikolonieritas. Yaitu tidak ada korelasi antara  dengan variabel bebasnya Xi atau : Cov(i , Xi) = E(i – E(i))(Xi – E(Xi)) = 0 http://rosihan.web.id

REGRESI LINEAR SEDERHANA Y = ß0 + ß1 X Pengujian statistik SECARA PARSIAL mendasarkan pada hipotesis : Uji Konstanta Intersep H0 : ß0 = 0 H1 : ß0 ≠ 0 Uji Koeff. X H0 : ß1 = 0 H1 : ß1 ≠ 0 Pengujian statistik model secara keseluruhan dilakukan dengan uji-F. Uji F mendasarkan pada dua hipotesis, yaitu : H0 : Semua koefisien variabel bebas adalah 0 (nol) H1 : Tidak seperti tersebut di atas http://rosihan.web.id

Contoh : Sehingga dapat disajikan hasil sebagai berikut : Konsumsi = 24.455 + 0.509*Income R2 = 0.962 S.E (6.414) (0.036) t-hitung = 3.813 14.243 F hit = 202,868 Df = 8 Dalam pengertian ekonomi dapat dikatakan bahwa jika terdapat kenaikan income sebesar $ 1 per bulan maka akan mempengaruhi kenaikan pula pada konsumsi sebesar $ 0.509. Demikian juga bila terjadi penurunan income sebesar $ 1 per bulan maka akan berdampak pada penurunan konsumsi sebesar $ 0.509. http://rosihan.web.id

Model Regresi Sederhana Estimasi Parameter Model Regresi Sederhana Yi = 0 + 1 Xi + i Metode Kuadrat Terkecil (Ordinary Least Square – OLS): Prinsip: Meminimumkan nilai error – mencari jumlah penyimpangan kuadrat (i2) terkecil. i = Yi - 0 - 1 Xi i2 = (Yi - 0 - 1 Xi)2 i2 =  (Yi - 0 - 1 Xi)2 i2 minimum jika: i2 /0 = 0  2 (Yi - 0 - 1 Xi) = 0 i2 /1 = 0  2  Xi (Yi - 0 - 1 Xi) = 0 http://rosihan.web.id

s = (i2 /n-2)2 dan i2 = (Yi – Y)2 Sederhanakan, maka didapat:  (Xi – X) (Yi – Y) b1 =  (Xi – X)2 b0 = Y - b1X dimana b0 dan b1 nilai penduga untuk 0 dan 1. X dan Y adlh nilai rata2 pengamatan X dan Y Standar error: 2 ½ SE(b1) =  (Xi – X)2  Xi2 ½ SE(b0) = N (Xi – X)2   diduga dengan s, dimana: s = (i2 /n-2)2 dan i2 = (Yi – Y)2 http://rosihan.web.id

Metode Ordinary Least Squares (OLS) Yi = 1 + 2 Xi + i Yi = 1 + 2 Xi + i Ŷi = 1 + 2 Xi Yi = Ŷi + i i = Yi - Ŷi (1) (2) (3) (4) (5) Persamaan umum Regresi sederhana 1 dan 2 adalah nilai estimasi untuk parameter Ŷi = nilai estimasi model i = nilai residual n XiYi – Xi Yi 2 = n  Xi2 – (Xi)2 (Xi – X)(Yi – Y) = (Xi – X)2 n xiyi  xi2 (Xi )2 Yi – Xi XiYi 1 = n  Xi2 – (Xi)2 = Y – 2X Koefisien parameter untuk 1 dan 2 http://rosihan.web.id

Standard error of the estimates Var(2) = 2 /  Xi2 2  Se(2) = Var(2) = =  Xi2  Xi2  Xi2 Var(1) = 2 n  xi2 Se(1) = Var(1) = 2  i2 2 =  i2 =  yi2 – 22  xi2 n – 2  (xi yi) 2 =  yi2 –  xi2 http://rosihan.web.id

Koefisien Determinasi 1 + 2 Xi Y • RSS TSS TSS = RSS + ESS ESS RSS 1 = + TSS TSS  (Ŷi - Y)2  i2 = +  (Yi - Y)2  (Yi - Y)2 ESS Y X ESS  (Ŷi - Y)2 r2 = = TSS  (Yi - Y)2 atau ESS  i2 = 1 – = 1 – TSS  (Yi - Y)2 Atau:  xi2 r2 = 22  yi2  (xi yi) 2 =  xi2  yi2 http://rosihan.web.id