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

Regresi Linier Berganda Satu peubah respon (endogen) Beberapa peubah penjelas (eksogen) Dinotasikan dalam matriks

Penduga OLS Penduga yang meminimumkan Jumlah kuadrat galat (RSS), dalam notasi matriks:

Penduga OLS RSS akan minimum pada nilai penduga yang merupakan solusi dari turunan pertama RSS yang disamadengankan nol PENDUGA OLS

Asumsi-asumsi pada regresi linier berganda Sama dengan semua asumsi pada regresi linier sederhana, dengan tambahan: Tidak ada hubungan linier sempurna di antara dua atau lebih peubah penjelas (eksogen) Dengan terpenuhinya asumsi maka penduga OLS akan bersifat: Linier: fungsi linier dari peubah respons (endogen) Tidak bias: nilai harapan penduga adalah nilai parameter Konsisten: untuk n→∞, penduga menuju nilai parameter yang sebenarnya, dan ragam penduga →0 Ragam yang paling kecil di antara semua penduga yang mungkin BLUE: Best Linear Unbiased Estimators DR. Rahma Fitriani, S.Si., M.Sc

Struktur Ragam Peragam dari Penduga Matriks berukuran k × k Ragam (variance) pada diagonal utama Peragam (covariance) selainnya

Goodness of Fit dari garis Regresi Berganda R2 pada regresi linier sederhana tidak dapat dipakai untuk membandingkan dua model dengan jumlah peubah eksogen yang berbeda. Ketika jumlah peubah X ditambah: Proporsi keragaman Y yang terjelaskan oleh X akan selalu meningkat. R2 akan selalu meningkat seiring jumlah X, tanpa melihat penting tidaknya penambahan X dalam model. Digunakan adjusted R2, Adjusted: disesuaikan terhadap jumlah peubah eksogen X yang digunakan

Adjusted R2 Dengan penyesuaian terhadap jumlah peubah eksogen Adjusted R2 dapat digunakan untuk memilih model mana yang terbaik berdasarkan jumlah peubah eksogen yang dipakai. Terbaik: Adjusted R2 → 1

Kriteria lain untuk Pemilihan Model Beberapa kriteria digunakan, AIC, FPE, SBC, HQC Semua memberikan penalti terhadap JK Galat: Semakin banyak peubah eksogen semakin besar penaltinya Model terbaik (berdasarkan jumlah peubah eksogen) dipilih dari nilai terkecil kriteria-kriteria tersebut. Harapan: model terbaik mempunyai nilai terkecil untuk semua kriteria Tidak selalu terjadi akibat bobot yang berbeda AIC: lebih banyak digunakan pada data deret waktu

Kriteria lain untuk Pemilihan Model Akaike Information Criterion Finite Prediction Error Schwarz Bayesian Criterion Hannah and Quinn Criterion

Beberapa Uji Hipotesis Pada Regresi Berganda Uji keberartian koefisien secara individu Uji t (sama dengan uji t pada kasus regresi linier sederhana) Uji keberartian koefisien secara simultan Uji F Uji linear restriction: Uji hubungan linier antara dua atau lebih koefisien: uji F atau uji Wald (pengembangan uji t) Uji untuk penambahan atau pengurangan peubah eksogen Uji F atau Uji chi square dengan Likelihood Ratio Semua uji merupakan perbandingan dari unrestricted model (menggunakan semua peubah eksogen) dan restricted model Jika perbedaan tidak nyata maka restriction tidak berarti secara statistik. Model unrestricted lebih baik digunakan.

Uji F Hipotesis nol: restricted model valid Menduga restricted model dan unrestricted model Memperoleh JK Galat untuk restricted model dan JK Galat untuk unrestricted model, dan menghitung statistik uji F. JKGR: JK galat restricted model JKGU: JK galat unrestricted model kU: jumlah peubah eksogen (termasuk konstanta) pada unrestricted model kR: jumlah peubah eksogen (termasuk konstanta) pada restricted model

Penggunaan uji F untuk Uji keberartian koefisien peubah X secara bersama-sama Uji goodness fit secara keseluruhan Pada dua model Unrestricted: menggunakan semua peubah eksogen Restricted: hanya menggunakan konstanta (super restricted model)

Dari pendugaan masing-masing model diperoleh JKGU dan JKGR kU =k= 5 kR = 1 Terdapat hubungan khusus untuk JKGR

R2 diperoleh dari model unrestricted. Jika F nyata secara statistik (dari p value), maka terdapat cukup bukti untuk mendukung keberartian model

Uji Chi-Square dengan Likelihood Ratio Perbandingan likelihood dua model, restricted dan unrestricted Unrestricted model: menggunakan semua peubah eksogen (sejumlah k) Restricted model: terdapat beberapa peubah yang tidak digunakan atau ditambahkan (sejumlah m) Hipotesis nol: beberapa parameter bernilai nol Menggunakan statistik uji chi-square:

Contoh Penggunaan uji Chi-Square untuk menguji pengurangan peubah eksogen Unrestricted Model: Restricted Model:

Fungsi likelihood dari model regresi: Fungsi likelihood dari model restricted: Fungsi likelihood dari model unrestricted:

Statistik uji chi-square dihitung berdasarkan dua fungsi likelihood tersebut: Jika statistik uji tersebut nyata secara statistik, maka akan cukup bukti untuk mendukung hipotesis alternatif: Peubah eksogen X4 dan X5 tidak perlu dihilangkan dari model

Uji Wald (pengembangan Uji t) Pengujian linear restriction Misalkan: Dengan hipotesis bahwa koefisien-koefisien tsb mempunyai hubungan linier, misalkan:

Ragam dari jumlah dua penduga tersebut: Dengan sifat tersebut, dapat dilakukan uji t, berdasarkan hipotesis nol: Uji ini tidak direkomendasikan, terutama jika linear restriction melibatkan lebih dari 2 parameter

Uji F untuk pengujian Linear Restriction Misalkan: Dinyatakan sebagai unrestricted model Dengan hipotesis bahwa koefisien-koefisien tsb mempunyai hubungan linier, misalkan: Unrestricted model Modifikasi dari unrestricted model:

Lakukan transformasi pada peubah endogen dan eksogen: Restricted model

Dari pendugaan masing-masing model diperoleh JKGU dan JKGR kU =3 kR = 2 Jika statistik uji F ini nyata maka cukup bukti untuk menolak hipotesis tentang hubungan linier yang ada Selainnya maka hubungan linier dapat diterima

Interpretasi Koefisien Pada Multiple Regression Contoh kasus: Observasi pada 900 karyawan suatu perusahaan Hubungan antara gaji (wage) dan lama tahun pendidikan (educ), tahun pengalaman kerja (exper), lama tahun bekerja di perusahaan yang sama (tenure) Digunakan model log lin: Perubahan Gaji dalam persen Perubahan Gaji bebas satuan

Output Software Model 1: OLS, using observations 1-900 Dependent variable: l_WAGE coefficient std. error t-ratio p-value --------------------------------------------------------- const 5.52833 0.112795 49.01 8.70e-256 *** EDUC 0.0731166 0.00663568 11.02 1.44e-026 *** EXPER 0.0153578 0.00342531 4.484 8.29e-06 *** TENURE 0.0129641 0.00263073 4.928 9.90e-07 *** Mean dependent var 6.786164 S.D. dependent var 0.420312 Sum squared resid 135.2110 S.E. of regression 0.388465 R-squared 0.148647 Adjusted R-squared 0.145797 F(3, 896) 52.14758 P-value(F) 4.53e-31 Log-likelihood -424.0434 Akaike criterion 856.0868 Schwarz criterion 875.2964 Hannan-Quinn 863.4250 Log-likelihood for WAGE = -6531.59

Model berarti secara statistik, walaupun R2 kecil Uji statistik bagi koefisien-koefisien nyata, secara serempak maupun masing-masing Model berarti secara statistik, walaupun R2 kecil Secara teori ekonomi: Tingkat Pendidikan berhubungan positif dengan gaji Pengalaman kerja berhubungan positif dengan gaji Masa kerja berhubungan positif dengan gaji ^l_WAGE = 5.53 + 0.0731*EDUC + 0.0154*EXPER + 0.0130*TENURE (0.113)(0.00664) (0.00343) (0.00263) n = 900, R-squared = 0.149 (standard errors in parentheses)

Interpretasi Masing-masing koefisien ^l_WAGE = 5.53 + 0.0731*EDUC + 0.0154*EXPER + 0.0130*TENURE (0.113)(0.00664) (0.00343) (0.00263) n = 900, R-squared = 0.149 (standard errors in parentheses) Semua tanda koefisien bersesuaian dengan teori ekonomi 1 tahun peningkatan tingkat pendidikan meningkatkan gaji sebesar 7.31% dengan menganggap peubah bebas lainnya konstan 1 tahun bertambahnya pengalaman kerja meningkatkan gaji sebesar 1.54% dengan menganggap peubah bebas lainnya konstan 1 tahun bertambahnya masa kerja di perusahaan meningkatkan gaji sebesar 1.3% dengan menganggap peubah bebas lainnya konstan