Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
BJ-IPB
UJI ASUMSI MODEL(Regression Diagnostics with STATA & Solution to Assumption Violations)
oleh
Bambang JuandaDepartemen Ilmu Ekonomi
Fakultas Ekonomi dan Manajemen IPB
https://bambangjuanda.com/
X1
X2
X
Y
f(e)Nilai-nilai y menyebar normal di
sekitar garis regresi.
Utk masing-masing nilai x,
“sebaran” atau ragam disekitar
garis regresi adalah sama.
Garis Regresi
BJ-IPB
Dalil GAUSS-MARKOV
BLUE
•Homogen,
•Bebas (tdk ada
autokorelasi)
Ragam Error Sekitar Garis Regresi
(juga error)
Asumsi Model Regresi Linear:
Peubah acak εi menyebar Normal, bebas dan identik utk i=1,.. ,n.
Untuk uji-t & uji-F
MingguKe (i)
Demand (unit), Y
Harga($), X2
HargaKompetitor,X3
Biaya Iklan, X4
Income ($), X5 Periode (X6)
1 1290 137 94 814 42498 1
2 1177 147 81 896 41399 2
3 1155 149 89 852 39905 3
4 1299 117 92 854 34871 4
5 1166 135 86 810 34239 5
6 1186 143 79 768 44452 6
7 1293 113 91 978 30367 7
8 1322 111 82 821 37757 8
9 1338 109 81 843 40130 9
10 1160 129 82 849 31264 10
11 1293 124 91 797 34610 11
12 1413 117 76 988 41033 12
13 1299 106 90 914 30674 13
14 1238 135 88 913 31578 14
15 1467 117 99 867 41201 15
16 1089 147 76 785 30247 16
17 1203 124 83 817 33177 17
18 1474 103 98 846 37330 18
19 1235 140 78 768 44671 19
20 1367 115 83 856 37950 20
21 1310 119 76 771 43478 21
22 1331 138 100 947 36053 22
23 1293 122 90 831 35333 23
24 1437 105 86 905 44304 24
25 1165 145 96 996 30925 25
26 1328 138 97 929 36867 26
27 1515 116 97 1000 41799 27
28 1223 148 84 951 40684 28
29 1293 134 88 848 43637 29
30 1215 127 87 891 30468 30
Data permintaan produk
detergent baru selama 30
minggu terakhir setelah
dipasarkan pertama kali,
beserta faktor-faktor yang
diperkirakan
mempengaruhinya.
Buatlah dugaan model
permintaan
Ilustrasi:
BJ-IPB
Yi= 850 -5Pt +4.7Prt +.27Advt +.01 Inct +1.3T
Jika Selang Kepercayaan tidak mencakup 0, maka terima H1: bj 0
Contoh Output STATA (Bgm Interpretasinya?)
Disini disajikan output dari Analisis
History dariCommand yang dipakai
Variabel yang adapada dataset
Menulis command disini
BJ-IPB
-50
05
01
00
Resid
uals
1000 1100 1200 1300 1400 1500Fitted values
-2-1
01
23
Sta
nda
rdiz
ed
re
sid
ua
ls
1000 1100 1200 1300 1400 1500Linear prediction
Plot sisaan (juga sisaan baku)
dgn dugaan Y.
Apakah ada outlier (pencilan)?
z0 1.96-1.96
.025
Tolak H 0 Tolak H 0
.025
BJ-IPB
Residual Analysis
Linear, Homoscedasticity, bebas
e
X
BJ-IPB
Residual Analysis
Not Linear
X
e
Heteroskedastisitas
SR
X
Tidak Bebas
X
SR
Bagaimana Uji Statistiknya?
Xj ; Y^
Stasioner: Model dlm Keseimbangan Jangka Panjang
0.1
.2.3
.4
Den
sity
-2 -1 0 1 2 3Standardized residuals
Kernel density estimate
Normal density
kernel = epanechnikov, bandwidth = 0.4814
Kernel density estimate
.kdensity se, normal name (kdens, replace)
-50
05
01
00
Resid
uals
-50 0 50Inverse Normal
.qnorm e, name(q, replace) msize(small)
0.0
00
.25
0.5
00
.75
1.0
0
Norm
al F
[(e-m
)/s]
0.00 0.25 0.50 0.75 1.00Empirical P[i] = i/(N+1)
.pnorm e, name(p, replace) msize(small)
BJ-IPB
Uji Kenormalan dari SisaanH0: ɛ normalH1: ɛ tdk normal
Note : merupakan syarat cukup, bukansyarat perlu Multikolinearitas
Demand
P
Pr
Advertise
Income
mingguke-t
1000 1200 1400 1600
100
150
100 150
80
90
100
80 90 100
800
900
1000
800 900 1000
30000
35000
40000
45000
30000350004000045000
0
10
20
30
graph matrix Demand P Pr Advertise Income T, half pwcorr Demand P Pr Advertise Income T, sig
Model: Yi = b1 X1 + b2 X2 +…+ bk Xk + εi
01
k
i
ii XC sisaan ,01
ii
k
i
ii vvXCPerfect Muticollinerity High Muticollinerity
ji xxr
Multikollinearitas dapat juga korelasi sederhananya r rendah
BJ-IPB
Konsekuensinya (dan Juga mendeteksinya) :
Masih bersifat Tak Bias, tapi tidak berarti ragamnya harus kecil
Tidak bisa (sulit) memisahkan pengaruh masing-masing peubah bebas,karena besar
Koefisien sulit diinterpretasi (Asumsi Ceteris Paribus?)
R2 tinggi, tapi tidak ada (sedikit) koefisien yang nyata, bahkan tandanya bisa terbalik
Koefisien korelasi sederhana atau tinggi.
2ˆ
ˆib
Besar Tapi Bias, Tidak ˆ 2
ˆ i
iEb
bb
lainnya 2 XfXutkR jj
sisaan ,01
ii
k
i
ii vvXCHubungan Linear Tidak Sempurna (tinggi) :
VIF : Variance Inflation Factor = Kenaikan karena korelasi
antara peubah penjelas.
λ = akar ciri matriks (X`X)
Aturan praktis : kolinearitas jika K ≥ 30; atau K ≥ (VIFjmax)1/2………(Berk 1977)
22
2
1
1ˆ
jj
jRx
Var
b
21
1
jR
jVar b
21
min
max
K
. vif
Variable | VIF 1/VIF
-------------+----------------------
Advertise | 1.35 0.738247
Pr | 1.26 0.794679
T | 1.13 0.887160
Income | 1.06 0.939379
P | 1.01 0.985940
-------------+----------------------
Mean VIF | 1.16
BJ-IPB
*Untuk Masalah High Multicollinearity, selama
multicollinearity tidak mengganggu regresi (tidak ada
indikasi banyak yang tidak signifikan dan logis tandanya,
dengan R2 tinggi) maka modelnya digunakan saja
Mengatasi Multicollinearity dengan First Difference
Yi,t = β1 + β2 X2i,t + β3 X3i,t + Ui,t (1)
Yi,t-1 = β1 + β2 X2i,t-1 + β3 X3i,t-1 + Ui,t-1
(Yi,t - Yi,t-1) = β2 (X2i,t - X2i,t-1) – β3 (X3i,t – X3i,t-1) + Vi,t (2)
Implikasi menduga model (2):
- Sering dapat menghilangkan multicollinearity dari X2 dan X3 tanpa merubah makna koefisien βj dari model awal (1).
- Jika yg “terbaik” memakai constant β0 dalam (2), misalnya data dalamlogaritma, maka βj diinterpretasikan bagaimana pengaruh perbedaanpertumbuhan dlm X mempengaruhi perbedaan pertumbuhan dlm Y
Mengatasi Multicollinearity: Manfaatkan Informasi sebelumnya; Mengeluarkan peubah dengan
kolinearitas tinggi (Kesalahan Spesifikasi); Transformasi data dengan pembedaan pertama
(first differnce) utk data time series; Menggunakan PCA , Ridge Regression berbias tapi
Var(bi ) kecil; Menggabungkan data ‘cross section’ dan ‘time series”; Penambahan data baru;
Cek kembali asumsi waktu membuat model .
BJ-IPB
Mendeteksi (Uji) Heteroskedastisitas
Uji Heteroskedastisitas :
• Ho :
• H1 : tergantung pendugaan yang dianggap akan menghasilkankoreksi heteroskedastisitas yang paling diinginkan.
Uji Park, Uji Glejser, Uji Korelasi Pangkat Spearman, UjiGoldfeld-Quandt, Uji Breusch-Pagan, dan Uji White
22
2
2
1 ... N
BJ-IPB
5. UJI BREUSCH-PAGAN ( Econometrica, Vol 47, 1979 )
Misal Model : Yi=α + β xi + εi
dengan asumsi umum:
z dapat merupakan peubah bebas x atau suatukelompok peubah bebas selain x.
> gunakan
> Lakukan Regresi:
> Jika εi ~Normal, statistik ujinya:
Jika nyata (H1 heteroskedastisitas), koreksinyamenggunakan peubah z tersebut.
)(2
ii zf
N
i
i
22
menghitunguntuk
ii
i
i vz
2
2
)(2
2p
JKR
. hettest e
Breusch-Pagan / Cook-Weisberg test for
heteroskedasticity
Ho: Constant variance
Variables: e
chi2(1) = 1.69
Prob > chi2 = 0.1931
. hettest P Pr Advertise Income T
Breusch-Pagan / Cook-Weisberg test for
heteroskedasticity
Ho: Constant variance
Variables: P Pr Advertise Income T
chi2(5) = 4.79
Prob > chi2 = 0.4421
. hettest, iid
Breusch-Pagan / Cook-Weisberg test for
heteroskedasticity
Ho: Constant variance
Variables: fitted values of Demand
chi2(1) = 0.01
Prob > chi2 = 0.9074BJ-IPB
6. WHITE TEST (Econometrica, Vol. 48, 1980)
• Tidak perlu asumsi kenormalan seperti BP-test.
• Dengan asumsi umum :
Dengan R2 sebagai ukuran `goodness of fit`.
Jika homoskedastisitas,
,2
iii vz
2
)(
2
pNR . imtest, white
White's test for Ho: homoskedasticity
against Ha: unrestricted heteroskedasticity
chi2(20) = 24.84
Prob > chi2 = 0.2074
Cameron & Trivedi's decomposition of IM-test
---------------------------------------------------
Source | chi2 df p
---------------------+-----------------------------
Heteroskedasticity | 24.84 20 0.2074
Skewness | 13.71 5 0.0175
Kurtosis | 1.81 1 0.1783
---------------------+-----------------------------
Total | 40.37 26 0.0359
---------------------------------------------------BJ-IPB
Deskripsi Komponen Error:(usahakan sekecil mungkin)
1. Kesalahan pengukuran dan proxy dari peubah respons Y maupun peubah penjelas X1, X2, ..., dan Xp.
2. Asumsi bentuk fungsi f yang salah. Mungkin ada bentukfungsi lainnya yang lebih cocok, linear maupun non-linear.
3. Omitted relevant variables. Peubah (variable) yang seharusnya dimasukkan ke dalam model, dikeluarkan karenaalasan-alasan tertentu (misalnya penyederhanaan, atau data sulit diperoleh dan lain-lain).
4. Pengaruh faktor-faktor lain yang belum terpikirkan atau tidak dapat diramalkan (unpredictable effects).
Digunakan Seni dalam Memodifikasi (Mengembangkan) ModelBJ-IPB
. ovtest
Ramsey RESET test using powers of the fitted values of Demand
Ho: model has no omitted variables
F(3, 21) = 1.85
Prob > F = 0.1692
. ovtest,rhs
Ramsey RESET test using powers of the independent variables
Ho: model has no omitted variables
F(15, 9) = 1.77
Prob > F = 0.1952
Apakah Ada Omitted relevant Variables
Bagaimana jika ada OV? Lihat video Model dengan Dummy Variable!
BJ-IPB
. reg Demand P Pr Advertise Income T, robust
Linear regression Number of obs = 30
F(5, 24) = 35.86
Prob > F = 0.0000
R-squared = 0.9147
Root MSE = 33.64
------------------------------------------------------------------------------
| Robust
Demand | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
P | -5.03264 .4812339 -10.46 0.000 -6.025857 -4.039422
Pr | 4.743503 1.234807 3.84 0.001 2.194987 7.292019
Advertise | .2774435 .1426347 1.95 0.064 -.0169401 .5718271
Income | .0106579 .0015425 6.91 0.000 .0074743 .0138414
T | 1.309092 .649164 2.02 0.055 -.0307167 2.648901
_cons | 850.0416 135.453 6.28 0.000 570.4804 1129.603
------------------------------------------------------------------------------
Cara Memperbaiki Ketika ada Heteroskedastisitas Saja
BJ-IPB
AUTOCORRELATION (SERIAL CORRELATION)
-8
-6
-4
-2
0
2
4
6
1 7
13
19
25
31
37
43
49
55
61
67
73
79
85
91
97
10
3
10
9
11
5
12
1
12
7
13
3
13
9
14
5
15
1
15
7
16
3
16
9
17
5
18
1
18
7
19
3
19
9
Err
or
Periode Waktu-5
-4
-3
-2
-1
0
1
2
3
4
5
2 8
14
20
26
32
38
44
50
56
62
68
74
80
86
92
98
10
4
11
0
11
6
12
2
12
8
13
4
14
0
14
6
15
2
15
8
16
4
17
0
17
6
18
2
18
8
19
4
20
0
Err
or
Periode Waktu
Autokorelasi Positif: et = 0.9 et-1 + ut Autokorelasi Negatif: et = -0.9 et-1 + vt
-4
-3
-2
-1
0
1
2
3
1 5 9
13
17
21
25
29
33
37
41
45
49
53
57
61
65
69
73
77
81
85
89
93
97
10
1
10
5
10
9
11
3
11
7
12
1
12
5
12
9
13
3
13
7
14
1
14
5
14
9
15
3
15
7
16
1
16
5
16
9
17
3
17
7
18
1
18
5
18
9
19
3
19
7
Erro
r
Periode Waktu
Tidak ada
Autokorelasi :
et = vt
Inovasi
(white noise error):
vt ~ N(0,v2)
Uji Durbin Watson
122
2
1
t
tt
e
eeDW
Note : - Tidak berlaku untuk model tanpa konstanta, N ≥ 15
- Nilai Statistik DW Tergantung juga dari sekuens
(pergerakan) nilai X; Tabel DW: dU dan dL tergantung:
k: jml peubah bebas tanpa konstanta
N: jml pengamatan
H1 : ρ > 0 H1 : ρ < 0
H0 : ρ = 0
2 4
Nilai DW Keputusan4-dL < DW< 4 Tolak H0; ada autokorelasi negatif
4-dU < DW< 4-dL Tidak tentu, coba uji yang lain
dU < DW< 4-dU Terima H0
dL < DW< dU Tidak tentu, coba uji yang lain
0 < DW< dL Tolak H0; ada autokorelasi positif
BJ-IPB
Selang Nilai Statistik Durbin-Watson serta Keputusannya
. tsset T
time variable: T, 1 to 30
delta: 1 unit
. Dwstat /* estat dwatson */
Durbin-Watson d-statistic(6,30) = 1.723945
. estat durbinalt /*dgn uji stat Khi2 with p-value */
Durbin's alternative test for autocorrelation
-------------+----------------------------------------------
lags(p) | chi2 df Prob > chi2
-------------+----------------------------------------------
1 | 0.485 1 0.4864
-------------+----------------------------------------------
H0: no serial correlation
. estat bgodfrey /* bgodfrey */
Breusch-Godfrey LM test for autocorrelation
------------+----------------------------------
lags(p) | chi2 df Prob > chi2
------------+----------------------------------
1 | 0.619 1 0.4314
------------+----------------------------------
H0: no serial correlation
*Untuk Data Time Series/Data Panel,
Harus Ditentukan Time Variabel nya"
*Mengecek Apakah Ada Indikasi Autokorelasi
atau Tidak (Durbin-Watson d-statistic)*
BJ-IPB
Sering terjadi dalam Time Series Data
Penyebab : Korelasi dalam komponen Measurement Error (Inertia, Siklus Bisnis) efek
kumulatif dari Ommited Variables (Bias dalam Spesifikasi)
Dugaan OLS tetap tidak bias tapi standar errornya bias ke bawah (underestimate)
Mempengaruhi efisiensi penduga OLS
KOREKSI UNTUK (FIRST ORDER) AUTOCORRELATION Model (8.6)
),0( ~ ,..2,1,.. 2
tt33221 ektkttt NTtXXXY bbbb
AR (1) 2
1 ,0 10 ; ~ v
bsi
tttt Nvv ɛt dan vt bebas
BJ-IPB
1
21
12
11
21
2
21111
2
222
122
, korelasi koef ,varvar
,,
,
,,
1
tt
tt
tttt
kktt
ttttttt
vvttt
CovCov
Cov
vEECov
VarEVar
Koefisien βcenderung signifikan, padahal tidak !
Jika ρ diketahui, gunakan prosedur generalized differencing untuk dapat dugaan efisien
Dari Model (8.6) Model (8.15):
22*11
2
12*
1
12*
112*
1
21t1
*
**221
*1
var1dan 1
1,1Y
informasi, kehilangan tidak supaya
,0 v,: dimana
)19.6(...1
~
v1
kk
v
bsi
ttktktkt
tktktttt
var
YXY
NXXX
vXXYYY
bbb
Jika ρ =1 gunakan prosedur first differencing
KOREKSI UNTUK (FIRST ORDER) AUTOCORRELATION Model (8.6)
(8.15)
BJ-IPB
Jika ρ tidak diketahui,
Prosedur Cochrane-Orcutt (JASA, Vol 44, 1949)
1. Duga Model
2. Duga Model Sisaan
3. Gunakan transformasi generalized differencing dengan menggunakan
tersebut dan duga model
4. Dengan revisi ini, cari:
5. Kembali ke langkah (2) sampai
ttktktt eXXY ˆdapat ...221 bbb
ˆˆˆ1 ttt vee
OLStktktt vXXY bbbb ˆdapat ...1 **
221
*
OLSbktkttt XXYe bbb ....ˆˆ 221
kali 20 setelah atau 005.0,01.01 ii
Note : Teknik iterasi ini dapat mengarah ke lokal minimum dari JKS
BJ-IPB
ˆ
ˆˆ1
simpan
vee ttt
t
tttt
e
vPQe
hitung
simpan
....21 bb
keciliii 2i
ctttt PYPQ 4321 bbbb
b
bbbb
simpan
1 *
4
*
3
*
21
*
tvPYPQctttt
?
TIDAK
STOP
YA
TAHAPAN COCHRANE ORCUTT
BJ-IPB
Cara Memperbaiki Ketika Ada Autokorelasi Saja.prais Demand P Pr Advertise Income T, corc /*Cochrane-Orcutt: dw=1.72 dw=1.98
Cochrane-Orcutt AR(1) regression -- iterated estimates
Source | SS df MS Number of obs = 29
-------------+---------------------------------- F(5, 23) = 55.59
Model | 321090.945 5 64218.1889 Prob > F = 0.0000
Residual | 26569.1725 23 1155.18141 R-squared = 0.9236
-------------+---------------------------------- Adj R-squared = 0.9070
Total | 347660.117 28 12416.4328 Root MSE = 33.988
------------------------------------------------------------------------------
Demand | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
P | -4.94969 .4515793 -10.96 0.000 -5.883853 -4.015527
Pr | 4.704062 .9997766 4.71 0.000 2.635867 6.772258
Advertise | .3065104 .1051807 2.91 0.008 .0889276 .5240932
Income | .0108495 .001339 8.10 0.000 .0080796 .0136194
T | 1.241002 .9509074 1.31 0.205 -.7260995 3.208104
_cons | 811.3141 147.6442 5.50 0.000 505.8888 1116.739
-------------+----------------------------------------------------------------
rho | .1635468
------------------------------------------------------------------------------
Durbin-Watson statistic (original) 1.723945
Durbin-Watson statistic (transformed) 1.970123BJ-IPB
Prosedur Hilderth –Lu (Michigan State Univ, Agricultural Experimen
Station, Technical Bulletin 276, 1960)
Spesifikasi nilai-nilai ρ yang akan diuji, misal : 0, 0.1, 0,2,…, 0.9, 1
untuk ρ > 0
Duga model (6.19) untuk masing-masing nilai ρ
Pilih ρ yang mempunyai JKS minimum sebagai model terbaik
Prosedur dapat dilanjutkan lagi di sekitar ρbest tersebut, sampai dapat
tingkat akurasi yang diinginkan
Note : Teknik ini dpt merupakan penduga kemungkinan maks bagi ρ
UJI AUTOCORRELATION
• Metoda Grafik Plotkan (et, t) atau (et, et-1)
Uji H0: ρ = 0 vs H1 : ρ ≠ 0 ρ > 0
ρ < 0
BJ-IPB
.prais Demand P Pr Advertise Income T /* Hilderth-Lu: dw=1.72 menjadi dw=1.97 */
Prais-Winsten AR(1) regression -- iterated estimates
Source | SS df MS Number of obs = 30
-------------+---------------------------------- F(5, 24) = 64.98
Model | 359748.347 5 71949.6694 Prob > F = 0.0000
Residual | 26574.3631 24 1107.26513 R-squared = 0.9312
-------------+---------------------------------- Adj R-squared = 0.9169
Total | 386322.71 29 13321.4728 Root MSE = 33.276
------------------------------------------------------------------------------
Demand | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
P | -4.942767 .4329967 -11.42 0.000 -5.836428 -4.049106
Pr | 4.727132 .9196112 5.14 0.000 2.829148 6.625116
Advertise | .3059542 .1023091 2.99 0.006 .0947985 .5171098
Income | .0108744 .0012673 8.58 0.000 .0082587 .01349
T | 1.215408 .8595042 1.41 0.170 -.5585214 2.989338
_cons | 808.4952 140.1572 5.77 0.000 519.2249 1097.766
-------------+----------------------------------------------------------------
rho | .1649401
------------------------------------------------------------------------------
Durbin-Watson statistic (original) 1.723945
Durbin-Watson statistic (transformed) 1.982764
Cara Memperbaiki Ketika Ada Autokorelasi Saja
BJ-IPB
. newey Demand P Pr Advertise Income T, lag(1)
Regression with Newey-West standard errors Number of obs = 30
maximum lag: 1 F( 5, 24) = 47.72
Prob > F = 0.0000
------------------------------------------------------------------------------
| Newey-West
Demand | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
P | -5.03264 .3984715 -12.63 0.000 -5.855044 -4.210235
Pr | 4.743503 1.047782 4.53 0.000 2.580987 6.90602
Advertise | .2774435 .1244426 2.23 0.035 .0206066 .5342805
Income | .0106579 .0011968 8.91 0.000 .0081878 .013128
T | 1.309092 .7158978 1.83 0.080 -.1684485 2.786632
_cons | 850.0416 118.1745 7.19 0.000 606.1414 1093.942
------------------------------------------------------------------------------
2 Cara Alternatif
Memperbaiki Ketika ada Heteroskedastisitas dan Autoorelasi
BJ-IPB
. prais Demand P Pr Advertise Income T, robust
Prais-Winsten AR(1) regression -- iterated estimates
Linear regression Number of obs = 30
F(5, 24) = 39.70
Prob > F = 0.0000
R-squared = 0.9312
Root MSE = 33.276
------------------------------------------------------------------------------
| Semirobust
Demand | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
P | -4.942767 .4746745 -10.41 0.000 -5.922447 -3.963087
Pr | 4.727132 1.117928 4.23 0.000 2.419841 7.034423
Advertise | .3059542 .1302068 2.35 0.027 .0372205 .5746878
Income | .0108744 .0014499 7.50 0.000 .0078819 .0138668
T | 1.215408 .7019573 1.73 0.096 -.2333606 2.664177
_cons | 808.4952 144.116 5.61 0.000 511.0544 1105.936
-------------+----------------------------------------------------------------
rho | .1649401
------------------------------------------------------------------------------
Durbin-Watson statistic (original) 1.723945
Durbin-Watson statistic (transformed) 1.982764
BJ-IPB
1.Pendekatan Regressi klasik: Menduga model dulu, kemudian dilihat (diuji) apakah asumsi tentang error (ε) dipenuhi (ragam homogen/sama, dantidak ada autokorelasi). Dalam konteks data deret waktu, error tsb bersifatStasioner.
2.Pendekatan (terkini) Regressi Deret Waktu: Data harus stasioner dulu, kemudian baru diduga modelnya. Penentuan ordo/lag, juga dugaanparameternya, dari data yang sudah stasioner.
Jika dipaksakan pada data deret waktu yg belum stasioner, analisisnya“dapat” menyesatkan. Namun jika errornya memenuhi asumsi klasik ataustasioner, model tsb tetap valid.
• Faktanya, hampir semua data deret waktu bersifat tidak stasioner.
• Ekonometrika menggunakan data deret waktu perlu ditangani dan dianalisis secara berbeda
© Bambang Juanda & Junaidi:
Ekonometrika Deret Waktu
BJ-IPB
Perbedaan Pendekatan Regresi Klasikdengan Ekonometrika Deret Waktu
Semoga bermanfaatSampai ketemu di topik yang lain
Terima kasih(Salam, BJ)
Departemen Ilmu EkonomiFakultas Ekonomi dan ManajemenInstitut Pertanian Bogor
BJ-IPB
1. Langsung (direct relationship): P Qd
2. Tidak Langsung (indirect relationship):
bunga(i) Investasi (I) GDP (Y)
3. Aditif: 𝑄 = 𝛽0 + 𝛽1𝐾 + 𝛽2𝐿
4. Mutiplikatif: 𝑄 = 𝜷𝟎𝐾𝜷𝟏𝐿𝜷𝟐, 𝛽2: elastisitas
5. Saling ketergantungan
(interdependent):
6. Semu (spurious relationship): A ? B
Beberapa Pola Hubungan
BJ-IPB
Jika Selang Kepercayaan tidak mencakup 0, maka terima H1: bj 0
PR: Apakah Model dapat menjelaskankeragaman permintaan produk tsb?
PR: Faktor apa saja yang memengaruhi permintaan produk tsb?
BJ-IPB
Contoh Output STATA (Bgm Interpretasinya?) Model Aditif
Jika Selang Kepercayaan tidak mencakup 0, maka terima H1: bj 0
PR: Apakah Model dapat menjelaskankeragaman permintaan produk tsb?
PR: Faktor apa saja yang memengaruhi permintaan produk tsb?
BJ-IPB
Contoh Output STATA (Bgm Interpretasinya?) Model Multiplikatif
BJ-IPB
Tahapan Pemodelan Empiris
untuk menguji hipotesis, perlu diperiksa dulu apakah modelnya sudah “terspesifikasi dengan benar dengan melihat asumsi error”
Hipotesis Penelitian Bab 9.4
300
04
00
05
00
06
00
07
00
0
20 40 60 80 100 120(m2)
P_Rumah(xRp100.000) yhat, Lokasi == Baik
yhat, Lokasi == Biasa
Dugaan Model dg Dummy
Y= 3587 +24.8 Ukuran
Y= 2742 +24.8 Ukuran
. ovtest
Ramsey RESET test using powers of the fitted
values of Nilai_Rumah
Ho: model has no omitted variables
F(3, 24) = 8.56
Prob > F = 0.0005
Model: Y= 2742 +24.8 Ukuran + 845 Lok
BJ-IPB
Ɛt tdk memenuhi asumi,
Ada OV
300
04
00
05
00
06
00
07
00
0
20 40 60 80 100 120(m2)
P_Rumah(xRp100.000) yhat, Lokasi == Baik
yhat, Lokasi == Biasa
Y= 3250 +29.7 Ukuran
Y= 3080 +20 Ukuran
Model: Y= 3080 +20 Ukuran + 170 Lok + 9.7 (Uk x Lok). estat ovtest
Ramsey RESET test using powers of the
fitted values of Nilai_Rumah
Ho: model has no omitted variables
F(3, 23) = 0.67
Prob > F = 0.5806
BJ-IPB
Ɛt sdh memenuhi asumi,
Tidak Ada OV
Dugaan Model dg Dummy Interaksi