William J. Stevenson Operations Management 8 th edition PENYIMPANGANREGRESI Rosihan Asmara

Permasalahan dalam Model Regresi Linier Berganda Multikolinieritas terjadi bila paling tidak salah satu var. bebas berkorelasi dgn var. bebas lainnya. Multikolinieritas sempurna terjadi bila tdpt hubungan linear antar variabel bebas. 1. Multikolinieritas Akibatnya ? Jika tdpt Multikolinieritas sempurna, parameter tidak dapat diduga dgn metode OLS. Nilai varians besar  standar error besar  selang kepercayaan lebar. Uji-t tidak signifikan Tanda (sign) parameter bisa berlawanan. R 2 tinggi, tp banyak variabel yang tidak signifikan

Multikolinieritas Cara mendeteksi ?  Regresikan setiap variabel bebas X i dgn variabel bebas lainnya yg ada dalam persamaan (auxiliary regression). Jika uji F menunjukkan hasil yang signifikan berarti terdapat kolinearitas antara variabel X i dengan variabel bebas lainnya.  Cek korelasi antar variabel bebas  matrik korelasi. Cara mengatasi ?  Gunakan informasi a priori, berdasarkan keyakinan atau hasil penelitian terdahulu.  Lakukan regresi elementer, kemudian tambahkan satu per satu variabel yg diduga relevan mempengaruhi var terikat.  Menggabungkan data cross-section dan time series  Mengeluarkan salah satu variabel yang kolinier.  Mentransformasikan variabel.  Mencari data tambahan atau data baru

Permasalahan dalam Model Regresi Linier Berganda Heteroskedastisitas terjadi bila varians  i tidak konstan, tapi berubah-ubah pada setiap pengamatan i. Untuk model Y i =  0 +  1 X 1i +  i Var(  i ) bisa kemungkinan semakin besar atau semakin kecil dengan semakin besarnya nilai X 1i. Var(  i ) =  i 2 Misal: (1) Model Konsumsi =  o +  1 Pendapatan +  (2) Model Learning process: Jumlah kesalahan ketik =  0 +  1 pengalaman +  2. Heteroskedastisitas

Pada model (1), Var(  i ) cenderung lebih besar dengan semakin besarnya pendapatan. Pada model (2) Var(  i ) cenderung lebih kecil dengan semakin lama pegalaman dalam mengetik. C Y C =  o +  1 Y K P K =  o -  1 P

Akibat Heteroskedastisitas ?  Karena Var(  i ) tdk konstan, tapi ditentukan oleh X 1i, maka:  x i 2  i 2. Var(b 1 ) =. (  x i 2 ) 2.  Besarnya Var(b 1 ) menyebabkan nilai SE(b 1 ) juga akan besar, sehingga interval kepercayaan menjadi lebih besar dan pada uji-t variabel menjadi tidak signifikan.  Kesimpulan yang diambil dapat menyesatkan. Hasil pendugaan tetap tak bias dan konsisten, akan tetapi varians dr parameter dugaan tdk bisa minimum shg dikatakan tidak efisien  tidak memenuhi syarat BLUE

Cara mendeteksi ?  Metode Grafik Buat diagram plot antara u i 2 dan Ŷ. Heteros- kedastisitas akan terdeteksi apabila sebaran plot menunjukkan pola yang sistematis.  Uji Park Meregresikan u i 2 dengan X 1i dalam bentuk persamaan log linear. ln u i 2 =  o +  1 ln X 1i +  i u i adalah error term pd regresi Y i =  0 +  1 X 1i +  i  Metode Goldfeld-Quant Prinsipnya adalah membagi dua data X 1i bdsrkan urutan terkcil – terbesar dan meregresikan masing2 untuk memperoleh nilai RSS.

Langkah-langkah Metode Goldfeld-Quant:  Urutkan data X 1i berdasarkan urutan terkecil – terbesar  Abaikan bbrp pengamatan (c pengamatan) di sekitar median.  Regresikan pengamatan (N-c)/2 pertama dan kedua, hitung RSS, sehingga didapatkan RSS 1 dan RSS 2.  Hitung rasio kedua RSS ( ): RSS 2 /df 2 = ; df adalah derajat bebas (n-k-1) RSS 1 /df 1  Lakukan uji F, bila > F berarti terjadi heteroskedas- tisitas.

Permasalahan dalam Model Regresi Linier Berganda $Terjadi bila terjadi korelasi antara  i dan  j. $Terjadi korelasi antara variabel itu sendiri pada pengamatan yang berbeda. $Umumnya banyak terjadi pada data time series. 3. Otokorelasi