EKONOMETRIKA Pertemuan 4 5 Estimasi Parameter Model Regresi

EKONOMETRIKA Pertemuan 4, 5 -Estimasi Parameter Model Regresi -Pengujian Hipotesis dan Interval Konfidensi Dosen Pengampu MK: Dr. Idah Zuhroh, M. M. Evellin D. Lusiana, S. Si, M. Si

Materi n n n Estimasi parameter regresi linier sederhana (OLS) Asumsi-asumsi OLS GOF regresi (Koefisien Determinasi) Sifat-sifat estimator OLS (BLUE) Pengujian hipotesis dan Interval konfidensi

Estimasi Parameter Regresi Linier Sederhana [1] n n Menduga PRF dengan SRF Menggunakan metode Ordinary Least Square (OLS) PRF SRF � Dari dua definisi tersebut:

Estimasi Parameter Regresi Linier Sederhana [2] n Prinsip metode Ordinary Least Square (OLS): n Memilih SRF sedemikian sehingga jumlah kuadrat dari error sekecil mungkin � Penduga parameter model dipilih berdasarkan metode optimasi: � Solusi dari turunan pertama dari masing-masing parameter yang disamadengankan nol

Estimasi Parameter Regresi Linier Sederhana [3] n Diperoleh:

Asumsi-asumsi yang mendasari Metode OLS [1] n Diperlukan karena tujuan kita adalah pengambilan kesimpulan mengenai nilai parameter yang sebenarnya. 1. Linier dalam parameter 2. Nilai variabel independen dianggap non stokastik (fixed) 3. error mempunyai nilai harapan nol 4. Homoskedastisitas: ragam yang sama pada error 5. error tidak saling berkorelasi

Asumsi-asumsi yang mendasari Metode OLS [2] 6. variabel independen dan error saling bebas 7. Jumlah pengamatan harus lebih besar daripada jumlah parameter yang akan diduga 8. Nilai variabel independen harus bervariasi 9. Model regresi harus dispesifikasikan dengan tepat: no specification bias 10. Tidak ada multikolinieritas sempurna

Linier dalam Parameter n n Hanya parameter yang bersifat linier variabel dependen/independen boleh tidak linier

Nilai variabel independen dianggap non stokastik (fixed) n n n Untuk membentuk sebaran nilai-nilai variabel dependen (Y) pada setiap nilai variabel independen (X) Pada X tertentu terdapat beberapa nilai Y Analisis regresi di sini adalah analisis regresi bersyarat pada nilai X

Error mempunyai nilai harapan nol n Dengan syarat nilai X tertentu, error mempunyai rata-rata atau nilai harapan sebesar nol

Homokedastisitas: ragam yang sama pada error � Pada setiap nilai X, populasi Y mempunyai ragam yang sama

Ilustrasi grafis asumsi Heterokesdastisitas

Pada kasus heterokesdastisitas n n Ragam error meningkat seiring dengan meningkatnya nilai X Nilai-nilai Y pada X 1 lebih terpusat di garis regresi populasi (PRF) daripada nilai-nilai Y di X yang lainnya Pengamatan Y berasal dari X= X 1 akan lebih mungkin terletak di dekat PRF daripada Y yang berasal dari X yang lainnya. Pengamatan pada X= X 1 lebih akurat daripada pengamatan pada X selainnya.

Implikasi dari asumsi Homokesdastisitas n Dari asumsi homokesdastisitas, berlaku bahwa: n Ragam dari Y dengan syarat nilai X juga sama untuk setiap kemungkinan nilai X Konstanta Ragam dari konstanta adalah nol, dan kedua suku saling bebas

Error Tidak Berkorelasi n Pada dua nilai X yang berbeda, korelasi / kovarians antar error = 0. � Asumsi ini setara dengan asumsi kebebasan error pada nilai-nilai X yang berbeda.

Error Tidak Berkorelasi n n n Asumsi ini disebut dengan ‘tidak ada autokorelasi’ antar error Pada nilai X tertentu, penyimpangan nilai Y dari rata-rata tidak mempunyai pola tertentu (acak). Jika terdapat autokorelasi, maka Y tidak hanya dipengaruhi oleh X, tapi juga dipengaruhi oleh error dari X yang lainnya

variabel independen dan error saling bebas n n n Kovarians di antara error dan variabel independen = 0 PRF dibentuk berdasarkan asumsi bahwa X dan u mempunyai efek aditif (yang terpisah) bagi Y Jika kedua efek tersebut berkorelasi n n Kesulitan dalam menganalisis efek individu dari X dan u Jika keduanya tidak saling bebas n n u semakin besar seiring peningkatan nilai X (korelasi positif) u semakin kecil seiring peningkatan nilai X (korelasi negatif)

Jumlah pengamatan harus lebih besar daripada jumlah parameter yang akan diduga n n Syarat diperolehnya solusi unik dari suatu sistem persamaan (n: jumlah variabel, m: jumlah persamaan, m≥n) Dua parameter regresi bisa diduga jika dipunyai paling sedikit dua titik

Nilai variabel independen harus bervariasi n n n Karena tujuan dari analisis adalah mempelajari perubahan Y seiring dengan perubahan X Dari rumus penduga slope model regresi, penyebut akan bernilai nol jika tidak ada variasi dari nilai X Tidak ada solusi bagi penduga slope ≠ 0

Model regresi harus dispesifikasikan dengan tepat: no specification bias Jika digunakan model 2, maka pada X tertentu, model akan overestimate rata-rata Y bagi titik-titik di antara A dan B Model 1 Model 2

Tidak ada multikolinieritas sempurna n Tidak ada hubungan linier di antara variabel independen yang digunakan

Classical Linier Regression Model n n n Asumsi-asumsi tersebut disebut dengan asumsi pada Classical Linier Regression Model (CLRM) Asumsi tersebut mendasari sifat-sifat penduga OLS secara statistika. Dinyatakan dalam Teorema Gauss Markov

Keakuratan dan standar error dari estimator OLS n n Mempelajari sebaran penarikan contoh dari penduga regresi SRF tidak pernah sama dari sampel satu ke sampel yang lain Nilai estimator juga tidak pernah sama dari satu sampel ke sampel yang lain Suatu estimator dinyatakan akurat jika mempunyai ragam/standar deviasi yang kecil pada sebaran penarikan contohnya.

Sebaran penarikan sampel penduga 1 -tepat, tidak bias -Cukup akurat, ragam kecil Sebaran penarikan sampel penduga 2 -tepat, tidak bias -Kurang akurat, ragam besar

Keakuratan dan standar error dari estimator OLS n Estimator ragam dari estimator OLS

Sifat-sifat penduga OLS: Teorema Gauss Markov n Jika semua asumsi-asumsi CLRM terpenuhi maka estimator OLS akan mempunyai sifat berikut ini: n n n Linier: fungsi linier dari variabel acak di dalam model (Y) Tidak bias: nilai harapan penduga adalah nilai dari parameter Mempunyai ragam terkecil dari semua penduga linier yang tak bias BLUE: (Best Linear Unbiased Estimators) � Estimator OLS menyebar secara normal pula

Goodness of Fit dari garis regresi n Sebagai alat untuk: n n n Menentukan apakah tidak ada alternatif garis lain yang dapat menjelaskan hubungan X dan Y Mengukur seberapa baik model yang diperoleh menjelaskan Y Diperlukan penguraian nilai JK Y di sekitar nilai tengahnya. TSS Total sum square ESS Explained sum square RSS Residual sum square

RSS TSS ESS n Penguraian jumlah kuadrat Y di sekitar nilai mean

n Dari penguraian JK tersebut dapat diturunkan koefisien determinasi berikut: � Sebagai ukuran seberapa besar (dalam proporsi/persen) keragaman total Y dapat dijelaskan oleh model regresi.

Rentang Nilai Koefisien Determinasi n � � Dari hubungan: Jika model regresi gagal menjelaskan keragaman nilai Y maka: Jika model regresi menjelaskan keragaman nilai Y dengan sempurna maka:

Koefisien Determinasi dan Korelasi n n Koefisien determinasi merupakan kuadrat dari koefisien korelasi, yaitu Di mana:

Contoh: estimasi model regresi untuk teori Keynes (data hipotetik)

u=YYhat u 2 4. 82 23. 21 Xi Xi. Yi X 2 70 80 5600 6400 -90 -41 8100 1681 3690 65. 18 65 100 6500 10000 -70 -46 4900 2116 3220 75. 36 -10. 36 107. 42 90 120 10800 14400 -50 -21 2500 441 1050 85. 55 4. 45 19. 83 95 140 13300 19600 -30 -16 900 256 480 95. 73 -0. 73 0. 53 110 160 17600 25600 -1 100 1 10 105. 91 4. 09 16. 72 115 180 20700 32400 10 4 100 16 40 116. 09 -1. 09 1. 19 120 200 240000 30 9 900 81 270 126. 27 -6. 27 39. 37 140 220 30800 48400 50 29 2500 841 1450 136. 46 3. 54 12. 56 155 240 37200 57600 70 44 4900 1936 3080 146. 64 8. 36 69. 91 150 260 39000 67600 90 39 8100 1521 3510 Total 1110 1700 205500322000 0 0 33000 8890 16800 156. 82 -6. 82 46. 52 1110. 0 2 -0. 01 337. 27 rata 2 170 0 0 3300 1680 111. 00 0. 00 111 20550 32200 X-Xbar Y-Ybar (X-Xbar) * Yhat (Y-Ybar) Yi (X-Xbar)2 (Y-Ybar)2 889 33. 73

Model Estimasi

n Koefisien determinasi

TUGAS n Berdasarkan data yang telah dikumpulkan pada tugas sebelumnya, lakukan estimasi model regresi antara 1 variabel dependen (Y) dan 1 variabel independen (X). Hitung n n n Intersep (β 1) dan koefisien regresi (β 2) Standar error β 1 dan β 2 Koefisien determinasi (R 2)

Uji Hipotesis dan Interval Konfidensi n Dengan asumsi Classical Linier Regression Model (CLRM) penduga OLS menyebar secara normal:

Interval konfidensi [1] n n Interval/selang di mana nilai β yang sebenarnya terletak, pada tingkat kepercayaan/konfidensi tertentu (1 -α) Pembentukan interval konfidensi untuk nilai parameter regresi yaitu Nilai βj dispesifikasikan dalam Ho

Interval Konfidensi [2] n Contoh: berdasarkan estimasi model regresi sebelumnya diketahui Maka interval konfidensi Interpretasi: 95 dari 100 kali sampling akan menghasilkan interval konfidensi yang memuat nilai parameter β 2 yang sebenarnya

Interval Konfidensi dan Uji Hipotesis n Jika Ho : β 2 =0 vs H 1: : β 2 ≠ 0 Maka berdasarkan IK yang ada, diputuskan menolak Ho, karena nilai β 2 =0 berada di luar interval.

Uji Signifikansi Parameter: Uji Parsial Uji satu arah jika dipunyai wawasan ‘a priori’ n Statistik uji: � Tolak atau terima H 0 berdasarkan p-value lalu dibandingkan nilai α tertentu atau nilai t tabel (tα, db), serta sifat pengujian (satu arah atau dua arah)

n Aturan pengambilan keputusan uji hipotesis Tipe hipotesis Ho H 1 Tolak Ho jika Dua arah β 2=β 2* β 2 ≠ β 2 * │t│> tα/2, db Satu arah (kanan) β 2 ≤= β 2* β 2 > β 2 * t > tα, db Satu arah (kiri) β 2 ≥ β 2 * P-value < α β 2 < β 2 * Nilai db untuk - Regresi linier sederhana=n-2 - Regresi linier berganda=n-k-1 t < -tα, db

n n Misal, dengan contoh model regresi sebelumnya: Ho : β 2 =0. 3 vs H 1: : β 2 ≠ 0. 3 Interval konfidensi: Gagal tolak Ho P-value=P(tdb < -t ) + P(tdb > t ) -- dua arah

P-value=P(tdb < -t ) -- satu arah Atau P-value=P(tdb > t ) -- satu arah Sehingga, pengambilan keputusan juga bisa ditentukan berdasar nilai p-value Ho ditolak jika p-value < α

Uji Signifikansi Parameter: Uji Serentak Dalam hal ini, k=1 n Tabel Analisis Varians (ANOVA) Sumber Variasi Sum square (SS) Derajat bebas (db) Mean Square (MS) Regresi RSS p ESS/p Error ESS n-p-1 RSS/(n-p-1) Total TSS n-1 � Tolak H 0 jika � F > F tabel (F(k, (n-k-1)); α) � P-value < α F MS of ESS / MS of RSS

Pelaporan hasil analisis regresi n Berdasarkan data hipotetik pendapatan-pengeluaran sebelumnya: se = (6. 4138) (0. 0357) R 2 = 0. 9621 t = (3. 8128) (14. 2605) df = 8 p = (0. 002571) (0. 000000289) F(1, 8) = 202. 87 n n Nilai intersep populasi yang sebenarnya adalah tidak sama dengan nol (p=0. 002571) intersep berpengaruh signifikan Seandainya nilai MPC sebenarnya adalah nol, maka kesempatan untuk memperoleh MPC=0. 5091 adalah hampir tidak ada sama sekali. Sehingga nilai MPC yang sebenarnya adalah tidak sama dengan nol (p=0. 00000289) pendapatan berpengaruh signifikan terhadap pengeluaran

Evaluasi Hasil analisis Regresi n n n Pertama, apakah tanda estimator sesuai dengan yang diharapkan oleh teori? Kedua, jika teori menyatakan bahwa hubungan bersifat signifikan, maka p-value haruslah sangat kecil Ketiga, seberapa baik model regresi menjelaskan variasi pengeluaran konsumsi? Gunakan nilai R 2 di mana semakin tinggi berarti semakin baik.

Pengenalan Eviews: Input Data n Siapkan data excel (Table 3 -2. xls)

n n Buka software Eviews 6. 0. buat workfile baru, pilih File New Workfile. Lalu buat workfile yang bersifat Unstructured/undated. Dan pada kolom Observations diisi 10 (jumlah data).

n n Impor data dari Excel. Pilih File Import Read Text. Lotus-Excel Pilih data Excel yang sudah disiapkan yaitu Table 3 -2. xls. Open.

Interpretasi • Setiap peningkatan $1 pendapatan, akan meningkatkan pengeluaran sebesar $0. 5091 • R 2 sebesar 0. 9621 atau 96. 21% menunjukkan bahwa 96. 21% keragaman variabel pengeluaran dapat dijelaskan oleh besarnya pendapatan, sedangkan 3. 79% sisanya dijelaskan variabel lain di luar model.

Uji Asumsi Normalitas Error/Residual n n n Histogram residual bila bentuk histogram menyerupai lonceng (distribusi normal), maka asumsi normalitas terpenuhi Normal probability plot bila nilai-nilai residual berada di sekitar garis lurus (garis normal), asumsi terpenuhi Uji Jarque-Bera bila p-value tidak signifikan, maka asumsi terpenuhi n = jumlah pengamatan S = koefisien skewness K = kurtosis coefficient.

Uji Normalitas : EViews

Uji Normalitas: Contoh Data Hipotetik Pendapatan-Pengeluaran n Karena p-value Jarque-Bera lebih besar dari α=0. 05 (tidak signifikan), maka diputuskan bahwa asumsi normalitas terpenuhi

n QQ-Plot

Contoh 2: Pengeluaran Makanan di India (Table 2 -8)

n P-value untuk intersep dan totalexp (pengeluaran total) bernilai sangat kecil (kurang dari α=0. 05), sehingga disimpulkan bahwa keduanya berpengaruh signifikan terhadap foodexp (pengeluaran pangan)

n Model estimasi CM n Interpretasi n n Setiap peningkatan 1 rupee pengeluaran total, akan meningkatkan pengeluaran pangan sebesar 0. 4368 rupee. R 2 sebesar 0. 3698 atau 36. 98% menunjukkan bahwa 36. 98% keragaman variabel pengeluaran pangan di India dapat dijelaskan oleh besarnya pengeluaran total, sedangkan 63. 02% sisanya dijelaskan variabel lain di luar model.

n n Apakah asumsi normalitas terpenuhi? Karena p-value Jarque-Bera lebih besar dari α=0. 05 (tidak signifikan), maka diputuskan bahwa asumsi normalitas terpenuhi