of 23/23
Analisis Regresi Berganda & Pengujian Asumsi OLS Aloysius Deno Hervino [email protected]

Analisis Regresi Berganda & Pengujian Asumsi OLS

  • View
    236

  • Download
    6

Embed Size (px)

DESCRIPTION

Analisis Regresi Berganda & Pengujian Asumsi OLS. Aloysius Deno Hervino [email protected] Analisis Regresi. Adakalanya model regresi sederhana tidak mencerminkan kondisi perilaku variabel ekonomi yang sebenarnya. Analisis regresi hanya bisa dilakukan terhadap suatu fungsi. Syarat Fungsi: - PowerPoint PPT Presentation

Text of Analisis Regresi Berganda & Pengujian Asumsi OLS

  • Analisis Regresi Berganda & Pengujian Asumsi OLSAloysius Deno [email protected]

  • Analisis RegresiAdakalanya model regresi sederhana tidak mencerminkan kondisi perilaku variabel ekonomi yang sebenarnya.Analisis regresi hanya bisa dilakukan terhadap suatu fungsi.Syarat Fungsi:PersamaanDV di kiri dan IV di kananTidak bisa dibolak-balikHubungan tingkah laku, bukan hubungan pasti (identitas)Pengaruh IV terhadap DV harus memiliki landasan teori [ekonomi].

  • LanjutProperti Fungsi:Intersep; Autonomous; Konstanta.Parameter; Koefisien; Slope.Average; Marginal; Elastisitas.

  • Prosedur Analisis RegresiMenetapkan Model EkonomiY = f (X1, X2, X3, , )Menetapkan Hipotesa dan Menyusun Landasan Teori HipotesaOne tailH0 : i = 0 ; HA : i > 0 atau i < 0Two tailH0 : i = 0 ; HA : i 0Mencari DataData PrimerData Sekunder

  • Prosedur Analisis RegresiMembuat Scatter PlotMemilih Model RegresiModel LinierModel Non Linier [log-log; log-lin; lin-log]Melakukan Regresi[Uji Asumsi Klasik] Intepretasi Hasil dan Uji Diagnostik

  • Membuat Scatter Plot dan Memilih Model RegresiGambar (1): Lebih tepat menggunakan model regresi non-linierGambar (2): Lebih tepat menggunakan model regresi linierDari Scatter Plot dapat terdeteksi kebutuhan akan Dummy Independent Variable

  • Analisis RegresiMetode estimasi koef. Regresi menggunakan OLS (BLUE), syaratnya:Hubungan Y dan X adalah linier [parameter]Nilai X tetap untuk observasi yang berulang-ulang (non-stokastik).Tidak ada korelasi antar variabel bebas (multikol)Nilai harapan atau rata-rata dari variabel gangguan (e) adalah nol.Varian dari variabel gangguan adalah sama (homo).Tidak ada korelasi antar variabel gangguan (korelasi serial = autokorelasi).Variabel gangguan berdistribusi normal.

  • LanjutModel Umum

    Yi/t = b0 + b1 X1i/t + b2 X2i/t + + bk Xki/t + ei/t

    b0 intesepbk parameterYi/t DVXki/t IVei/t variabel gangguan/error termi/t Individu/Waktu

  • LanjutMengartikan b1 dan b2 dalam model regresi berganda:b1 mengukur perubahan rata-rata Y terhadap perubahan per unit X1 , sementara X2 diasumsikan tetap. Hal yang sama untuk b2.Jika modelnya non linier misalnya model non linier log-log, maka intepretasi dari masing-masing parameter regresinya adalah elastisitas.

  • LanjutPengujian yang diperlukan:Uji t Koef. Regresi ParsialKoef. Determinasi yang disesuaikan (tidak terkait banyaknya variabel independen).Uji Hipotesis Koef. Regresi secara Menyeluruh (Uji F).Uji Asumsi OLS/Klasik (multikolinieritas, heteroskedastisitas, otokorelasi, dan normalitas).Uji Perubahan Struktural Model Regresi (Uji Chow).Uji Stabilitas Model (CUSUM dan CUSUMQ).Uji validitas model (Ramsey Reset Test)

  • CARA MEMBACA NILAI-NILAI STATISTIK DALAM REGRESINilai t-statistik:

    Hipotesa satu arahHipotesa positifH0 = nolHa > nolHipotesa negatifH0 = nolHa < nolt-stat > t-tabel : H0 ditolakt-stat < t-tabel : H0 diterimat-stat < t-tabel : H0 ditolakt-stat > t-tabel : H0 diterimaHipotesa dua arahH0 = 0Ha 0|t-stat| >|t-tabel| : H0 ditolak|t-stat|

  • Nilai F-statistik:Jika nilai F-stat > F-tabel : Semua variabel independen memiliki joint impact terhadap variabel dependenNilai R2 :Jika R2 = a artinya semua variabel independen yang ada dalam model dapat menerangkan (a*100) persen variasi dari variabel dependen

  • Pengujian Asumsi OLSMultikolinieritasDeteksiNilai R2 tinggi namun hanya sedikit variabel independen yang signifikan.Korelasi parsial antar variabel independen.Regresi Auxiliary Membuat regresi antar variabel independen.Metode KlienMembandingkan nilai R2 regresi auxiliary dengan R2 regresi awal.Rule of thumb-nya, jika R2 Auxiliary > R2 awal mengandung unsur multikol, dan sebaliknya.

  • LanjutPenyembuhanDoing nothing BLUE tidak asumsi tidak adanya multikolinieritasAdanya multiko akan berdampak sulitnya memperoleh standar error yang kecil.Doing somethingMenghilangkan variabel independen yang memiliki korelasi yang kuat.Transformasi variabelBentuk diferensi pertama kelemahannya mungkin terjadi korelasi serial (otokorelasi) Melanggar asumsi OLS.Penambahan Data

  • LanjutHeteroskedastisitasDeteksiInformalPola residual (Homo = tidak pasti; Hetero = tertentu)FormalMetode ParkMetode GlejserMetode Korelasi SpearmanMetode GoldFeld-QuandtMetode Breusch-PaganMetode White

  • LanjutMetode ParkHetero muncul karena residual tergantung dari variabel independen.Prosedur:Estimasi regresi awal, lalu perolah residualnya.Estimasi regresi antara residual kuadrat dengan variabel independen.Jika variabel independen signifikan, maka mengandung heteroskedastisitas.

  • LanjutMetode GlejserHetero karena varian variabel gangguan nilainya tergantung dari variabel independen.Prosedur:Regresikan nilai absolut variabel gangguan dengan variabel independen.Indikator simpulan sama dengan Park

  • LanjutMetode Korelasi SpearmanProsedur:Peroleh residual dari estimasi model awal.Absolutkan nilai residualnya, lalu diurutkan. Lakukan hal yang sama untuk variabel X.Cari korelasi antara keduanya.Gunakan uji t Jika t hitung > t tabel, maka terdapat heteroskedastisitas.

  • LanjutMetode GoldFeld-QuandtMemperbaiki kelemahan Park dan GlejserHetero varian variabel gangguan merupakan fungsi positif dari variabel independen.Prosedur:Urutkan data sesuai dengan nilai X (kecil besar)Hilangkan observasi yang ditengah.Membagi data yang tersisa (n c)Buat regresi pada masing-masing kelompok secara terpisah [(n c)/2].Peroleh nilai RSS1 dan RSS2.Hitung rasionya [(RSS2/df)/(RSS1/df)] bandingkan dengan F tabel.

  • LanjutAutokorelasiAdanya autokorelasi dalam regresi maka estimatorMetode OLS masih linierMetode OLS masih tidak biasMetode OLS tidak memiliki varian yang minimum lagi.Menyebabkan perhitungan standard error tidak bisa dipercaya.Uji t dan F tidak bisa digunakan sebagai evaluasi hasil regresi.

  • LanjutDeteksiMetode Durbin-Watson (DW)du = < d
  • LanjutNilai rho diketahuiTransformasi persamaan metode generalized difference equation.Prosedur:Model awal dan residual mengikuti pola AR(1).Buat persamaan dengan lag satu dari model regresi awal.Kalikan kedua sisi dengan rho yang diperoleh dari pers. AR(1)Kurangi pers. Awal dengan pers. tadi.

  • LanjutNilai rho tidak diketahuiEstimasi nilai rhoMetode Diferensi Tingkat Pertama R2 > dBerenblutt-Webb.Statistik d Durbin WatsonMetode 2 langkah DurbinMetode Cochrane-Orcutt