Agribusiness Study of Programme Wiraraja University

Slides:



Advertisements
Presentasi serupa
Outlier Pada Analisis Regresi
Advertisements

Evaluasi Model Regresi
Ekonometrika Program Studi Statistika, semester Ganjil 2012/2013 Dr. Rahma Fitriani, S.Si., M.Sc.
UJI HIPOTESIS.
William J. Stevenson Operations Management 8 th edition PENYIMPANGANREGRESI 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
HETEROSKEDASTISITAS (Heteroscedasticity)
BETYARNINGTYAS CYNTHIA LA SARIMA MUH Tabrani Nuri NURWAHIDA VIEVIEN
Program Studi Statistika Semester Ganjil 2011
Heteroskedastisitas Penyimpangan asumsi ketika ragam galat tidak konstan Ragam galat populasi di setiap Xi tidak sama Terkadang naik seiring dengan nilai.
Uji Asumsi Klasik Pada Regresi Dengan Metode Kuadrat Terkecil (OLS)
Regresi dengan Autokorelasi Pada Error
Ekonometrika Program Studi Statistika, semester Ganjil 2012/2013 Dr. Rahma Fitriani, S.Si., M.Sc.
Ekonometrika Program Studi Statistika, semester Ganjil 2012/2013 Dr. Rahma Fitriani, S.Si., M.Sc.
BAB 15 ANALISIS REGRESI DAN KORELASI LINIER
Asumsi Model Regresi Pemeriksaan Pola Sisaan (Residual) Kutner, Ch. 3
Agribusiness Study of Programme Wiraraja University
REGRESI LINIER SEDERHANA
Pengujian Hipotesis Oleh : Enny Sinaga.
Pengujian Korelasi Diri Pertemuan 16
Bab 4 Estimasi Permintaan
STATISTIKA DALAM KIMIA ANALITIK
Program Studi Statistika Semester Ganjil 2012
Agribusiness Study of Programme Wiraraja University
Program Studi ekonomi pembangunan Semester Ganjil 2012
EKONOMETRIKA Pertemuan 4,5 Estimasi Parameter Model Regresi
Program Studi Statistika, semester Ganjil 2012/2013
Analisis Regresi Berganda
EKONOMETRIKA Pertemuan 11: Pengujian Asumsi-asumsi Klasik (Bagian 2)
Program Studi Statistika, semester Ganjil 2012/2013
EKONOMETRIKA Pertemuan 10: Pengujian Asumsi-asumsi Klasik (Bagian 1)
Program Studi Statistika, semester Ganjil 2012/2013
Program Studi Statistika Semester Ganjil 2012
Agribusiness Study of Programme Wiraraja University
Program Studi Statistika, semester Ganjil 2012/2013
Operations Management
Agribusiness Study of Programme Wiraraja University
EKONOMETRIKA Pertemuan 9: Pengujian Asumsi-asumsi Klasik (Bagian 1)
EKONOMETRIKA Pertemuan 9: Pengujian Asumsi-asumsi Klasik (Bagian 1)
Agribisnis Study of Programme Wiraraja University
Program Studi Statistika, semester Ganjil 2012/2013
Regresi Linier Sederhana dan Korelasi
EKONOMETRIKA Pertemuan 11: Pengujian Asumsi-asumsi Klasik (Bagian 2)
Operations Management
Pertemuan 21 Pemeriksaan penyimpangan regresi
Analisis Regresi Pengujian Asumsi Residual
Agribusiness Study of Programme Wiraraja University
Agribusiness Study of Programme Wiraraja University
Disampaikan Pada Kuliah : Ekonometrika Terapan Jurusan Ekonomi Syariah
Agribusiness Study of Programme Wiraraja University
Uji Asumsi Analisis Regresi Berganda Manajemen Informasi Kesehatan
Agribusiness Study of Programme Wiraraja University
Agribusiness Study of Programme Wiraraja University
Program Studi Statistika, semester Ganjil 2012/2013
REGRESI LINIER BERGANDA
Agribusiness Study of Programme Wiraraja University
Agribusiness Study of Programme Wiraraja University
Uji Asumsi Model Part 1 – Deteksi Pelanggaran Asumsi*
Sebaran Penarikan Contoh
Analisis Regresi Berganda & Pengujian Asumsi OLS
EKONOMETRIKA Pertemuan 11: Pengujian Asumsi-asumsi Klasik (Bagian 1)
Pendugaan Parameter Regresi Logistik
Analisis Multivariat Program S2 Matematika Semester Genap 2011/2012
Model Linier untuk data kontinyu (lanjut)
Simulasi untuk Model-model Statistika
Pendugaan Parameter Statistika Matematika II
Analisis Multivariat Program S2 Matematika Semester Genap 2011/2012
Statistika Matematika II Semester Genap 2011/2012
Transcript presentasi:

Agribusiness Study of Programme Wiraraja University Ekonometrika Agribusiness Study of Programme Wiraraja University Milik Dr. Rahma Fitriani, S.Si., M.Sc., digunakan oleh Arfinsyah Hafid Anwari, MMA

Heteroskedasticity Penyimpangan asumsi ketika ragam galat tidak konstan Ragam galat populasi di setiap Xi tidak sama Terkadang naik seiring dengan nilai Xi Terkadang turun seiring dengan nilai Xi Sering terjadi pada data cross section

Ilustrasi grafis asumsi Homokesdastisitas

Ilustrasi grafis asumsi Heterokesdastisitas

Contoh-contoh kasus dengan Heteroskedastisitas Error learning models Kesalahan semakin sedikit seiring waktu Pada kasus menduga jumlah kesalahan ketik berdasarkan lama jam latihan. Semakin lama jam latihan, rata-rata maupun ragam kesalahan ketik semakin kecil Pada kasus pendapatan dan saving Semakin banyak pendapatan semakin banyak pilihan jumlah uang yang ingin ditabung Semakin banyak pendapatan semakin beragam jumlah saving Adanya pencilan atau sebaran salah satu peubah eksogen yang menjulur Pendapatan , tingkat pendidikan

Kesalahan dalam spesifikasi model Bentuk fungsional yang kurang tepat Tidak menggunakan peubah eksogen yang sesuai Bentuk fungsional yang kurang tepat

Efek dari Heterokesdastisitas Penduga OLS bagi β tetap tidak bias dan konsisten. Heterokesdastisitas meningkatkan ragam dari sebaran penduga β Penduga β bukan lagi penduga yang paling efisien Pada uji t dan uji F terjadi underestimation bagi ragam atau simpangan baku penduga parameter Statistik uji t atau statistik uji F menjadi lebih besar dari yang sebenarnya Lebih sering terjadi penolakan H0 pada uji koefisien parameter Uji-uji tersebut menjadi kurang terpercaya

Efek secara matematis terhadap struktur ragam penduga koefisien Untuk regresi linier sederhana: Dengan modifikasi: Jika ragam tidak konstan maka:

Jika heterokesdastisitas tidak terdeteksi: Pada kasus heterokesdastisitas, ragam berfluktuasi seiring nilai X Ragam penduga β menjadi lebih besar → penduga yang tidak efisien Jika heterokesdastisitas tidak terdeteksi: pada uji t dan uji F digunakan satu nilai penduga ragam, dan dipakai hubungan berikut: Nilai tersebut akan jauh lebih kecil daripada nilai ragam sebenarnya sesuai hubungan di (*)

Underestimated variance or standard deviation: Memberikan nilai statistik uji t atau F yang terlalu besar Lebih sering menghasilkan penolakan H0

Cara mendeteksi Secara grafis Dengan uji statistik Berdasarkan plot residual Dengan uji statistik Breusch-Pagan LM test Glesjer LM test Harvey-Godfrey LM test Park LM test Goldfeld-Quant test White test Pada 1, 2, 3, 4, 6, dibentuk auxiliary regression dengan residual sebagai peubah endogen dan X sebagai peubah eksogen Koefisien determinasi dari auxiliary regression dipakai sebagai statistik uji Pada 5 dilakukan sub sampling berdasarkan nilai X yang menyebabkan heterokesdastisitas

Pendeteksian Heteroskedastisitas secara grafis Y ^ u2 no heteroscedasticity Y ^ u2 yes Y ^ u2 yes Y ^ u2 yes Y ^ u2 yes Y ^ u2 yes

Breusch-Pagan LM test Langkah 1: duga model regresi di atas dan dapatkan penduga residualnya Langkah 2: menduga auxiliary regression berikut di mana peubah bebas yang digunakan adalah peubah-peubah yang mungkin mempengaruhi ragam galat Peubah eksogen X

Langkah 3: formulasikan hipotesis nol dan alternatif Hipotesis nol: kasus homokesdastisitas, tidak ada hubungan antara X dan residual Hipotesis alternatif: kasus heterokesdastisitas, terdapat hubungan antara X dan residual Langkah 4: Dapatkan statistik uji berdasarkan koefisien determinasi dari auxiliary regression R2 Derajat bebas adalah jumlah X yang digunakan di dalam auxiliary regression Langkah 5: Tolak H0 jika ada bukti yang nyata dari statistik uji

Glesjer LM test Langkah 1: duga model regresi di atas dan dapatkan penduga residualnya Langkah 2: menduga auxiliary regression berikut di mana peubah bebas yang digunakan adalah peubah-peubah yang mungkin mempengaruhi ragam galat Peubah eksogen X

Langkah 3: formulasikan hipotesis nol dan alternatif Hipotesis nol: kasus homokesdastisitas, tidak ada hubungan antara X dan residual Hipotesis alternatif: kasus heterokesdastisitas, terdapat hubungan antara X dan residual Langkah 4: Dapatkan statistik uji berdasarkan koefisien determinasi dari auxiliary regression R2 Derajat bebas adalah jumlah X yang digunakan di dalam auxiliary regression Langkah 5: Tolak H0 jika ada bukti yang nyata dari statistik uji

Harvey-Godfrey LM test Langkah 1: duga model regresi di atas dan dapatkan penduga residualnya Langkah 2: menduga auxiliary regression berikut di mana peubah bebas yang digunakan adalah peubah-peubah yang mungkin mempengaruhi ragam galat Peubah eksogen X

Langkah 3: formulasikan hipotesis nol dan alternatif Hipotesis nol: kasus homokesdastisitas, tidak ada hubungan antara X dan residual Hipotesis alternatif: kasus heterokesdastisitas, terdapat hubungan antara X dan residual Langkah 4: Dapatkan statistik uji berdasarkan koefisien determinasi dari auxiliary regression R2 Derajat bebas adalah jumlah X yang digunakan di dalam auxiliary regression Langkah 5: Tolak H0 jika ada bukti yang nyata dari statistik uji

Park LM test Langkah 1: duga model regresi di atas dan dapatkan penduga residualnya Langkah 2: menduga auxiliary regression berikut di mana peubah bebas yang digunakan adalah peubah-peubah yang mungkin mempengaruhi ragam galat Peubah eksogen X

Langkah 3: formulasikan hipotesis nol dan alternatif Hipotesis nol: kasus homokesdastisitas, tidak ada hubungan antara X dan residual Hipotesis alternatif: kasus heterokesdastisitas, terdapat hubungan antara X dan residual Langkah 4: Dapatkan statistik uji berdasarkan koefisien determinasi dari auxiliary regression R2 Derajat bebas adalah jumlah X yang digunakan di dalam auxiliary regression Langkah 5: Tolak H0 jika ada bukti yang nyata dari statistik uji

Goldfeld-Quant Test Ide dasar: jika ragam sama untuk seluruh pengamatan (homoskedastic) maka: Ragam dari sub sampel pertama akan sama dengan ragam dari sub sampel kedua Uji dapat dilakukan jika diketahui peubah mana yang paling berhubungan dengan galat residual Dari plot antara residual dengan masing-masing peubah eksogen Kelemahan: Jika heteroskedastisitas disebabkan oleh lebih dari satu peubah eksogen Tidak dapat dilakukan pada data deret waktu Lebih sesuai untuk regresi linier sederhana dengan satu peubah eksogen

Langkah 1: Tentukan peubah eksogen yang paling berhubungan dengan ragam galat. Urutkan pengamatan untuk peubah ini dari yang terbesar ke yang terkecil Langkah 2: Bagi pengamatan terurut menjadi dua sub sampel yang sama besar c pengamatan di tengah dihilangkan 2 sub sampel beranggotakan ½(n - c) pengamatan Sub sampel I beranggotakan pengamatan dengan nilai-nilai besar Sub sampel II beranggotakan pengamatan dengan nilai-nilai kecil

Langkah 3: Lakukan analisis regresi untuk Y terhadap X yang digunakan di langkah 1, pada masing-masing sub sampel Dapatkan JK Residual untuk masing-masing model Langkah 4: Hitung statistik uji F sbb: JKG1 adalah JK Galat dengan nilai terbesar. k jumlah parameter yang diduga Langkah 5: Tolak H0 jika ada bukti yang nyata dari statistik uji

Bagaimana menentukan nilai c, jumlah pengamatan di tengah yang dihapuskan? Umumnya digunakan 1/6 atau 1/3 dari jumlah pengamatan

White’s test Uji LM yang mempunyai kelebihan dari uji-uji yang lain Tidak memerlukan pengetahuan awal tentang peubah eksogen penyebab heteroskedastisitas Tidak sensitif terhadap asumsi kenormalan Dapat dipakai untuk regresi dengan k parameter (k-1 peubah eksogen) Untuk ilustrasi digunakan regresi dengan 2 peubah eksogen

White’s test Langkah 1: duga model regresi di atas dan dapatkan penduga residualnya Langkah 2: menduga auxiliary regression berikut Semua peubah eksogen digunakan Digunakan pangkat dua dari semua peubah eksogen Interaksi yang mungkin antara semua peubah eksogen

Langkah 3: formulasikan hipotesis nol dan alternatif Hipotesis nol: kasus homokesdastisitas, tidak ada hubungan antara X dan residual Hipotesis alternatif: kasus heterokesdastisitas, terdapat hubungan antara X dan residual Langkah 4: Dapatkan statistik uji berdasarkan koefisien determinasi dari auxiliary regression R2 Langkah 5: Tolak H0 jika ada bukti yang nyata dari statistik uji

Metode mengatasinya Weighted least square White method

Weighted Least Square Jika penyebab heterokesdastisitas diketahui, informasi ini dapat digunakan untuk menerapkan metode Weighted Least Square (WLS) Sebagai ilustrasi dari penerapan WLS: misalkan ragam galat berhubungan dengan suatu peubah zi Bagi persamaan regresi dengan zt

Dengan hubungan tersebut, dapat dibentuk ragam yang konstan, sbb: Parameter diperoleh dari model dengan peubah yang sudah diboboti oleh zt

White’s Method Heteroskedasticity – consistent estimation method Dipakai ketika penyebab heteroskedastisitas tidak diketahui Diberikan koreksi tertentu dari White, pada penduga ragam dan simpangan baku dari metode OLS. White’s heteroskedasticity – corrected standard errors ~ Robust Standard Errors.