1 / 24

Analisis Regresi Sederhana

Chapter 4. Analisis Regresi Sederhana. By : Paidi Hidayat. Sejarah Awal Regresi. Bentuk regresi pertama sekali diperkenalkan oleh Francis Galton pada tahun 1886. Galton menemukan bahwa ada kecenderungan hubungan antara tinggi orang tua dan tinggi anak.

grace
Download Presentation

Analisis Regresi Sederhana

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Chapter 4 Analisis Regresi Sederhana By : Paidi Hidayat

  2. SejarahAwalRegresi Bentuk regresi pertama sekali diperkenalkan oleh Francis Galton pada tahun 1886. Galton menemukan bahwa ada kecenderungan hubungan antara tinggi orang tua dan tinggi anak. Hasil studi Galton ini menghasilkan hukum regresi semesta atau Law of Universal Regression.

  3. Konsep Analisis Regresi • Analisis regresi adalah studi tentang hubungan antara variabel dependen dengan satu atau lebih variabel independen. • Analisis regresi digunakan untuk mengetahui hubungan antara variabel dependen dengan variabel independen. • Apabila hanya ada satu variabel dependen dan satu variabel dependen disebut analisis regresi sederhana. • Apabila terdapat beberapa variabel independen disebut analisis regresi berganda.

  4. Tujuan Analisis Regresi • Untuk menaksir nilai rata-rata dari variabel terikat berdasarkan nilai-nilai variabel bebas yang ada. • Untuk menguji hipotesis tentang sifat ketergantungan antarvariabel yakni hipotesis berdasarkan teori ekonomi. • Untuk memprediksi atau meramalkan nilai rata-rata dari variabel terikat berdasarkan nilai variabel bebas yang berada diluar rentang sampel.

  5. Kriteria Ordinary Least Squares (OLS) Garisregresisampel yang baikapabilanilaiprediksinyasedekatmungkindengan data aktualnya. Dengankata lain nilai intercept dan slope yang menyebabkan residual sekecilmungkin.

  6. Variabel Gangguan (error term = e)

  7. Variabel Gangguan (Error term) • Variabel pengganggu (ei) merupakan pengganti semua variabel yang dihilangkan dari model namun secara kolektif mempengaruhi variabel terikat. • Metode OLS merupakan suatu metode yang mengestimasi suatu garis regresi dengan jalan meminimalkan jumlah dari kuadrat kesalahan setiap observasi terhadap garis tersebut. ei = ∑ (Yi – Yi*)2 ei = Yi aktual – Yi prediksi

  8. Pentingnya Variabel Gangguan • Adanya variabel yang dihilangkan atau diabaikan karena peranannya yang kecil. • Perilaku manusia yang tidak dapat sepenuhnya diramalkan atau dijelaskan secara rasional, sehingga e mencerminkan sifat acak (random) dari perilaku manusia. • Ketidaksempurnaan model matematis atau kesalahan dalam memilih bentuk hubungan fungsional antar variabel yang diteliti. • Model yang digunakan terlalu sederhana. • Kesalahan dalam mengumpulkan atau memproses data serta akibat penjumlahan.

  9. Estimator Slope

  10. Estimator Intercept

  11. Asumsi Model Regresi Linier Klasik • Hubungan antara variabel dependen dan independen adalah linier dalam parameter : Yi = b1 + b2Xi + ei • Variabel bebas (Xi) tidak berkorelasi dengan faktor gangguan acak, e (error term). Tetapi jika variabel bebas tersebut bersifat nonstokhastik (nilainya telah ditentukan sebelumnya) maka asumsi ini secara otomatis terpenuhi. • Dengan nilai variabel bebas (Xi) tertentu, maka nilai harapan atau rata-rata dari faktor gangguan acak (ei) adalah nol. E(ei I Xi) = 0

  12. Asumsi Model Regresi Linier Klasik • Varians dari faktor gangguan acak ei adalah konstan atau homoskedastisitas (varians yang sama) var (ei) = σ2 • Tidak ada serial korelasi diantara dua faktor gangguan acak. Asumsi ini menyatakan tidak ada autokorelasi. cov (ei , ej) = 0 • Model regresi ditentukan secara tepat dan sebagai alternatif tidak ada bias spesifikasi pada model yang digunakan.

  13. Kriteria BLUE • Estimator slope adalah linier yaitu linier terhadap variabel stokastik Y sebagai variabel dependen. • Estimator slope tidak bias yaitu nilai rata-rata atau nilai harapan E sama dengan nilai yang sebenarnya. • Estimator slope mempunyai varian yang minimum. Estimator yang tidak bias dengan varian minimum disebut estimator yang efisien (efficient estimator).

  14. KarakteristikGarisRegresi Garisregresimelalui rata-rata sampel X dan Y. Nilai rata-rata Y yang ditaksiradalahsamadengannilai rata-rata Y yang sebenarnya. Nilai rata-rata residual eiadalah nol.

  15. Varian dan Kovarian • Varians adalah bilangan yang menyatakan bervariasinya nilai suatu variabel terhadap nilai rerata hitungnya. Secara definitif adalah selisih nilai pengamatan dengan nilai rerata hitung (rerata penyimpangan kuadrat dari nilai pengamatan dengan nilai rerata hitungnya). • Kovarian adalah bilangan yang menyatakan bervariasinya nilai suatu variabel dalam nisbah asosiatifnya dengan variabel lain.

  16. Faktor Penentu Varian dan Kovarian • Ketidakpastian nilai Y yang menyebabkan ketidakpastian nilai b0, b1 dan hubungan diantaranya. • Semakin besar penyebaran nilai-nilai X maka semakin besar kepercayaan terhadap b0 dan b1. • Semakin besar ukuran sampel (N) maka semakin kecil varian dan kovarian yang ada. • Varian b0 adalah besar apabila nilai-nilai X jauh dari nol. • Perubahan slope, b1 tidak memiliki efek pada intercept dan b0 apabila rata-rata sampel adalah nol. Jika rata-rata sampel positif, kovarian antara b0 dan b1 akan menjadi negatif dan sebaliknya.

  17. Scatter Diagram Analisis Regresi

  18. Analisis Regresi

  19. Standard Error Standard error digunakan untuk mengukur ketepatan estimasi dari estimator intercept dan slope.

  20. Contoh Estimasi

  21. Contoh Estimasi

  22. ^  ^ 2 Hasil Estimasi Eviews  Var (bi)

More Related