Makalah Ekonometrika 3MA
Makalah Ekonometrika 3MA
Makalah Ekonometrika 3MA
EKONOMETRIKA
Disusun oleh:
JEMBER
GENAP 2021/2022
KATA PENGANTAR
Assalamualaikum Wr.Wb
Puji syukur senantiasa kita panjatkan kepada ALLAH SWT yang telah memberikan limpahan
rahmat , taufik dan hidayah –Nya sehingga kami dapat menyelesaikan makalah ini. Shalawat
serta salam tak lupa kita curahkan kepada Nabi Muhammad SAW yang telah menunjukkan
jalan kebaikan dan kebenaran di dunia dan akhirat.
Adapun judul makalah ini adalah “ Regresi Linear Berganda “ . Type equation here .Makalah
ini disusun guna memenuhi tugas mata kuliah EKONOMETRIKA dan juga khalayak ramai
sebagai bahan penambah ilmu pengetahuan serta informasi yang sangat bermanfaat.
Maka dari itu kami sebagai penyusun makalah ini mohon kritik, saran, dan pesan semua yang
membaca makalah ini terutama dosen mata kuliah Ekonometrika yang kami harapkan sebagai
bahan koreksi untuk kami.
Wassalamualaikum Wr.Wb
Jember,
DAFTAR ISI
BAB 1
PENDAHULUAN
Analisis regresi linier berganda mempunyai lebih dari satu variabel bebas,sering
menimbbulkan masalah karena terjadinya hubungan kuat dua variabel bebasnya yang
mengakibatkan terjadinya kolenieritas ganda (multikolonierty). Gejala ini menimbulkan
masalah dalam pemodelan regresi. Kolerasi yang sangat tinggi akan menghasilkan
penaksiran yang berbias,tidak stabil dan mungkin jauh dari nilai sasaran sehingga alat
yang di hasilkan menjadi besar dan variansi parameternya semakin tak hingga. Metode
kuadrat terkecil akan memberikan efek dari kolenieritas yang tingginya nilai koefisien
determinasi tetapi tidak diikuti dengan hasil uji coba hipotesis yang signifikan.
Sebelum menarik sempel dari suatu populasi terkadang di peroleh informasi yang
mengenai parameter yang akan diestimasi. Jika informasi tersebut ingin dimasukkan
dalam analisis data, maka estimasi parameter regresi dengan metode kuadrat terkeciltidak
memungkinkan untukmemasukkan informasi tersebut. Oleh karena itu, diperlukan
metode bayesien untuk menyelesaikan permasalahan tersebut.
1.2 RUMUSAN MASALAH
1.3 TUJUAN
Adapun tujuan di tuliskannya masalah ini, diantaranya :
1. Mengetahui apa yang dimaksud dengan analisis regresi
2. Mengetahui penjelasan tentang regresi linier berganda
3. Mengetahui sistematika regresi linear berganda
BAB II
PEMBAHASAN
Regresi linear berganda ingin menguji pengaruh dua atau lebih variable
independen (explanatory) terhadap satu variable dependen dan umumnya dinyatakan
dalam persamaan sebgai berikut :
Model estimasi yang di gunakan untuk membentuk persamaan regresi diatas adalah
metode ordinary least squere (OLS) yang di perkenalkan oleh seorang ahli matematika
dari Jerman Carl Friedrich Gauss. Seperti diketahui tujuan dari analisis regresi adalah
tidak hanya mengestimasi nilai β1 dan β2, tetapi juga ingin menarik inferensi nilai yang
benar dari β1 dan β2. Misalkan kita ingin mengatahui seberapa dekat nilai β1 dan β2
berdasarkan sampel terhadap nilai sesungguhnya β1 dan β2 berdasarkan populasinya.
Dengan demikian kita tidak hanya menspesifikasi bentuk model fungsional ,tetapi kita
juga harus membuat asumsi bagaimana nilai Y diperoleh. Seperti terlihat pada persamaan
diatas nilai Y tergantung dari kedua nilai X dan μ. Jadi untuk menaksir nilai Y , kita harus
mengetahui asumsi tentang nilai X dan μ diperoleh. Oleh sebab itu mengetahui asumsi
tentang nilai X dan nilai kesalahan μ sangatlah penting untuk mengestimasi dan
interpretasi terhadap regresi.
Menurut Gujarati (2003) ada 11 asumsi yang mendasari model regresi linear
klasik dengan menggunakan metode ordinary least squere (OLS) atau yang di kenal
dengan asumsi klasik.
a.Model regresi linear artinya linear dalam parameer seperti dalam persamaan dibawah
ini:
Yi = α + β1Xi + μi
b. Nilai X diasumsikan non-stokastik :artinya nilai X dianggap tetap dalam sampel yang
berulang
c. Nilai rata rata kesalahan μi adalah nol, atau E (μi | ιx ) = 0
d. Homokedastisitas : artinya variance kesalahan sama untuk setiap periode (Homo=
sama , Skedastisitas = sebaran ) dan dinyatakan dalam bentuk matematis Var (μi | ιx)
=σ²
e. Tidak ada autokorelasi antar kesalahan (antara μi dan μjntidak ada korelasi ) atau
secara sistematis Cov (μi ,μj | ιx,ιx ¿ = 0
f. Antara μi dan ιχ saling bebas,sehingga Cov (μi |ιχ ¿=0
g. Umlah observasi, n harus lebih besar dari pada jumlah para meter yang diestimasi
(jumlah variabel bebas)
h. Adanya variabilitas dalam nilai ιχ , artinya nilai ιχ harus berbeda.
i. Model regresi telah di spesifikasi secara benar. Dengan kata laintidak ada bias
(kesalahan) spesifikasi dalam model yang di gunakan dalam analisis empirik.
j. Tidak ada multikolineritas yang sempurna antara variabel bebas.
k. Nilai kesalahan μi terdistribusi secara normal atau μi N (0 , σ 2)
Apabila kesebelas asumsi klasik terpenuhi, maka menurut teorema Gauss Markov
metode estimasi ordinary least square akan menghasilkan unbiased linear estimator
dan varian minimum atau sering disebut dengan BLUE (Best Linear Unbiased
Estimator).
Ketepatan fungsi regresi sampel dalam menaksir nilai aktual dapat di ukur dari
Goodness of fit. Secara statistik dapat diukur dari nilai determinasi, nilai statistik F
dan nilai statistik t. Perhitungan statistik disebut signifikan secara statistik apabila
nilai uji statistiknya berada dalam daerah kritis (daerah dimana H0 ditolak).
Sebaliknya disebut tidak signifikan bila nilai uji statistiknya berada dalam daerah
dimana H0 tidak dapat ditolak.
H0 : β1 = β2 = …… βk = 0
Pengambilan Keputusan :
ESS | df ESS | (k – l)
F= =
RSS | df RSS | (n – k)
Secara sistematis nilai F dapat juga dinyatakan dalam rumus berikut :
R2| (k – 1)
F=
(1 – R2) | (n – k)
Dapat disimpulkan jika R2=0 maka F=0. Semakin besar nilai R2, maka
semakin besar nilai F. Namun jika R2 = 1, maka F tak terhingga.
Kasus yang ingin dianalisis, apakah gaji akhir (Salary) dipengaruhi oleh
gaji awal (Salbegin), lamanya pendidikan (Educ) dan pengalaman kerja
sebelumnya (Prevecp). Secara matematis dapat dituliskan sebagai berikut:
Salary = α + β1Salbegin + β2Educ + β3Prevexp + µ
Buka File multiple_reg
Menu Analize Regression Linear .. tampak di Layar Linear
Regression
Pada kotak Dependent isikan variabel Salary
Pada kotak Independent isikan variabel salbegin, Educ dan Prevexp
Pada kotak method pilih Enter
Abaikan yang lain dan tekan Ok
Hasil output SPSS
Koefisien Determinasi
Model Summary
a.
Preditors : (Constant), Prevexp, Salbegin, Educ