EKONOMETRIKA Pertemuan 9: Pengujian Asumsi-asumsi Klasik (Bagian 1)

Slides:



Advertisements
Presentasi serupa
Outlier Pada Analisis Regresi
Advertisements

Evaluasi Model Regresi
UJI HIPOTESIS.
Analisis Regresi Berganda & Pengujian Asumsi OLS
BETYARNINGTYAS CYNTHIA LA SARIMA MUH Tabrani Nuri NURWAHIDA VIEVIEN
Heteroskedastisitas Penyimpangan asumsi ketika ragam galat tidak konstan Ragam galat populasi di setiap Xi tidak sama Terkadang naik seiring dengan nilai.
UJI ASUMSI KLASIK.
Erni Tri Astuti Sekolah Tinggi Ilmu Statistik
Analisis Data: Memeriksa Perbedaan
Regresi dengan Pencilan
UJI ASUMSI KLASIK.
Uji Asumsi Klasik Oleh : Boyke Pribadi.
Uji Asumsi Klasik Pada Regresi Dengan Metode Kuadrat Terkecil (OLS)
Korelasi Fungsi : Mempelajari Hubungan 2 (dua) variabel Var. X Var. Y.
Ekonometrika Program Studi Statistika, semester Ganjil 2012/2013 Dr. Rahma Fitriani, S.Si., M.Sc.
PEMBAHASAN Hasil SPSS 21.
Uji Residual (pada regresi Linier)
11 Pebruari 2008 hadi paramu ekonometrika dan analisis multivariat 1 Asumsi Dalam Metode OLS Kuliah III.
Regresi Linier Berganda
Agribusiness Study of Programme Wiraraja University
PERTEMUAN 6 Teknik Analisis dan Penyajian Data
Anas Tamsuri UJI STATISTIK UJI STATISTIK.
FEB Univ. 17 Agustus 1945 Jakarta
Analisis Korelasi dan Regresi linier
UJI ASUMSI KLASIK & GOODNESS OF FIT MODEL REGRESI LINEAR
STATISTIK II Pertemuan 14: Analisis Regresi dan Korelasi
STATISTIKA Pertemuan 10: Analisis Regresi dan Korelasi
STATISTIK II Pertemuan 10-11: Analisis Regresi dan Korelasi
Program Studi Statistika Semester Ganjil 2012
EKONOMETRIKA Pertemuan 4,5 Estimasi Parameter Model Regresi
EKONOMETRIKA Pertemuan 7: Analisis Regresi Berganda Dosen Pengampu MK:
Program Studi Statistika, semester Ganjil 2012/2013
Pertemuan Ke-7 REGRESI LINIER BERGANDA
Asumsi Klasik (Multikolinieritas)
Analisis Regresi Berganda
Uji Asumsi Klasik MULTIKOLINIERITAS 2. AUTOKORELASI
EKONOMETRIKA Pertemuan 11: Pengujian Asumsi-asumsi Klasik (Bagian 2)
STATISTIK II Pertemuan 14: Analisis Regresi dan Korelasi
Program Studi Statistika, semester Ganjil 2012/2013
EKONOMETRIKA Pertemuan 10: Pengujian Asumsi-asumsi Klasik (Bagian 1)
STATISTIK II Pertemuan 12: Asumsi Analisis Regresi Dosen Pengampu MK:
Uji Asumsi Klasik Multikolinearitas Normalitas
Program Studi Statistika Semester Ganjil 2012
Program Studi Statistika, semester Ganjil 2012/2013
Agribusiness Study of Programme Wiraraja University
EKONOMETRIKA Pertemuan 9: Pengujian Asumsi-asumsi Klasik (Bagian 1)
ANALISIS DASAR DALAM STATISTIKA
EKONOMETRIKA Pertemuan 11: Pengujian Asumsi-asumsi Klasik (Bagian 2)
STATISTIK II Pertemuan 12-13: Asumsi Analisis Regresi
EKONOMETRIKA Pertemuan 4,5 Estimasi Parameter Model Regresi
REGRESI BERGANDA dan PENGEMBANGAN Nori Sahrun., S.Kom., M.Kom
Eksperimen Desain (week 3)
Analisis Jalur (Path Analysis).
REGRESI LINIER BERGANDA (MULTIPLE LINEAR REGRESSION)
Disampaikan Pada Kuliah : Ekonometrika Terapan Jurusan Ekonomi Syariah
Agribusiness Study of Programme Wiraraja University
EKONOMETRIKA Ide-ide Dasar Analisis Regresi Sederhana
Uji Asumsi Analisis Regresi Berganda Manajemen Informasi Kesehatan
STATISTIK II Pertemuan 13-14: Analisis Regresi dan Korelasi
STATISTIK II Pertemuan 12: Analisis Regresi dan Korelasi
EKONOMETRIKA Pertemuan 3: Ide-ide Dasar Analisis Regresi Sederhana
STATISTIK II Pertemuan 13: Asumsi Analisis Regresi Dosen Pengampu MK:
BAB 6 MULTIKOLINIERITAS
Agribusiness Study of Programme Wiraraja University
UJI ASUMSI KLASIK.
Analisis Regresi Berganda & Pengujian Asumsi OLS
EKONOMETRIKA Pertemuan 11: Pengujian Asumsi-asumsi Klasik (Bagian 1)
Regresi Linier dan Korelasi
STATISTIK II Pertemuan 10-11: Analisis Regresi dan Korelasi
Seminar Hasil Penelitian PENGARUH GAYA KEPEMIMPINAN, MOTIVASI KERJA, DISIPLIN KERJA TERHADAP KINERJA KARYAWAN PADA PD.PASAR MAKASSAR RAYA DEVY DAMAYANTI.
Transcript presentasi:

EKONOMETRIKA Pertemuan 9: Pengujian Asumsi-asumsi Klasik (Bagian 1) Dosen Pengampu MK: Evellin D. Lusiana, S.Si, M.Si

Pengujian Asumsi-asumsi Klasik Normality Multicollinearity Heteroskedasticity Autocorrelation

Asumsi Normalitas Pelanggaran, dengan kemungkinan penyebab: Distribusi variabel dependen tidak normal Pelanggaran asumsi linieritas (kesalahan spesifikasi model) Distribusi residual menjulur karena adanya pencilan/outlier Ukuran sampel yang terlalu kecil Efek pelanggaran: Pencilan/outlier berpengaruh besar terhadap estimator (bias) Hasil pengujian tidak sah Selang kepercayaan terlalu lebar atau terlalu sempit

Asumsi Normalitas Bagaimana mendeteksinya? Normal probability plot Histogram dari residual/error Chi square goodness test of fit Anderson Darling normality test Jarque Berra normality test Jika dilanggar, bagaimana memperbaikinya? Transformasi non linier pada penyebab 1 atau 2 Pada penyebab 3, pencilan/outlier harus dievaluasi penyebabnya Murni kesalahan: pencilan dapat dibuang Apa adanya: pencilan memberikan informasi tambahan pada hasil analisis Perbesar ukuran sampel untuk penyebab 4 Transformasi: sesuaikan dengan permasalahan teori ekonomi yang ingin dianalisis Ukuran sampel yang diperbesar dapat memperbaikinya

Uji Jarque-Bera Ho: residual/error berdistribusi normal H1 : residual/error tidak berdistribusi normal Di mana: n = jumlah pengamatan S = koefisien skewness K = koefisien kurtosis. Ho ditolak jika p-value statistik uji Jarque-Bera tidak signifikan (p-value<α=0.05).

Contoh 1: Pendapatan Rumput Laut X Y 21600 8550000 28800 10001666.67 18000 6577500 60000 26725000 30000 9532500 12095000 43200 15132500 24000 6159333.333 11804166.67 14400 6656666.667 9420000 16000 7735000 32000 14440833.33 56000 28923958.33 19200 10871428.57 7972857.143 30720 11840000 64000 19350000 96000 29575000 9400000 X = Hasil produksi rumput laut (kg/th) Y = Pendapatan petani rumput laut (Rp) Model yang diestimasi:

Deteksi Normalitas: Uji Jarque Bera P-value=0.028716 < α=0.05 Keputusan: Tolak Ho Kesimpulan: error tidak berdistribusi normal (asumsi dilanggar)

Penanganan Normalitas Ada observasi yang memiliki residual diatas 8000000 (outlier), shg observasi ini harus dihilangkan dari analisis

Menghilangkan Data Outlier Sample: 1 20 abs(resid) < 8000000 Artinya, observasi yg diikutkan dalam analisis adalah yg residualnya kurang dari 8000000

Normalitas Tanpa Outlier P-value=0.069352 > α=0.05 Keputusan: Terima Ho Kesimpulan: error/residual berdistribusi normal (asumsi terpenuhi)

Model yang digunakan adalah yang memenuhi asumsi normalitas Model estimasi yang diperoleh:

Asumsi Multikolinieritas Terdapat hubungan linier di antara variabel independen Multikolinieritas sempurna: Satu variabel independen adalah fungsi linier dari variabel independen yang lain

Multikolinieritas tak sempurna Terjadi jika terdapat hubungan linier yang tidak sempurna antar peubah eksogen Dengan v sebagai error random yang tidak sama dengan nol Kasus ini sering terjadi pada kasus terapan Bagaimana mengidentifikasi seberapa serius derajat multikolinieritas yang terjadi.

Efek dari Multikolinieritas Estimator OLS tetap dapat diestimasi dan bersifat BLUE. Namun, varians yang dihasilkan memiliki nilai yang cukup besar Selang kepercayaan (interval konfidensi) menjadi lebih lebar Statistik uji t dari satu atau beberapa parameter tidak signifikan (terima Ho), walaupun nilai R2 tinggi Tanda bagi estimator parameter berkebalikan dengan teori apriorinya

Deteksi Multikolinearitas Koefisien korelasi Pearson Koefisien korelasi Pearson antar variabel independen, misalnya korelasi antar X1 dan X2 yang dihitung dengan rumus Dapat menunjukkan adanya multikolineritas serius jika r12 ≥ 0.9. Cara ini efektif bila terdapat 2 variabel independen dalam model.

Deteksi Multikolinearitas Koefisien determinasi (R2) Regresi Auxiliary Regresi auxiliary adalah model regresi antar suatu variabel independen dengan sisa variabel independen lainnya. Misal, bila dalam satu model terdapat 3 variabel independen yaitu X1, X2, dan X3 maka ada 3 model regresi auxiliary yang dapat terbentuk yakni X1 terhadap X2 dan X3 (R21), X2 terhadap X1 dan X3 (R22), serta X3 terhadap X1 dan X2 (R23). Multikolinearitas terjadi apabila terdapat koefisien determinasi auxiliary yang bernilai lebih besar dari koefisien determinasi model regresi asli (R2j>R2 ). Cara ini efektif bila terdapat 3 atau lebih variabel independen dalam model.

Deteksi Multikolinearitas Variance Inflation Factors (VIF) VIF dan Tolerance dihitung berdasarkan nilai koefisien determinasi regresi auxiliary ( R2j) yaitu Rule of thumb yang biasa digunakan sebagai acuan adalah jika VIF>10, maka terdeteksi adanya multikolinieritas.

Penanganan Multikolinearitas Tidak melakukan apa-apa/tanpa perbaikan (do nothing) Menghilangkan variabel independen Transformasi variabel Penambahan data

Contoh: Data Pendapatan Y = wage/pendapatan ($) X1 = usia/age (tahun) X2 = lama pendidikan/educ (tahun) X3 = pengalaman/exper (tahun)

Deteksi Multikolinearitas: VIF

Deteksi Multikolinearitas: VIF VIF > 10  Asumsi non-multikolinearitas dilanggar Untuk penanganan, hilangkan salah satu variabel X1 atau X3 (karena dua variabel ini VIF nya terlampau besar). Misal, yang dihilangkan adalah X1

Deteksi Multikolinearitas: VIF (tanpa X1) VIF < 10  Asumsi non-multikolinearitas terpenuhi

Model tanpa multikolinieritas

TUGAS Cari skripsi/TA yang menggunakan metode analisis regresi berganda Ambil data yang digunakan skripsi Gunakan (n-5) data pertama (n=banyaknya data/ukuran sampel) Lakukan analisis regresi (interpretasi model, uji simultan dan uji parsial) serta uji asumsi normalitas dan non-multikolinearitas Apabila terdapat pelanggaran asumsi, maka lakukan tindakan penanganan