1 / 19

Pemodelan Ekonometrika

Pemodelan Ekonometrika. Muchdie , Ir , MS, Ph.D. FE- Uhamka. Kriteria Model yang Baik Kesalahan Spesifikasi dan Kosekuensinya Uji Kesalahan Spesifikasi Deteksi Variabel yang Kurang Penting Uji LR untuk Penambahan VariabelUji Ramses untuk Uji Kesalahan Bentuk Fungsi Regresi

lee-drake
Download Presentation

Pemodelan Ekonometrika

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. PemodelanEkonometrika Muchdie, Ir, MS, Ph.D. FE-Uhamka

  2. Kriteria Model yang Baik • KesalahanSpesifikasidanKosekuensinya • UjiKesalahanSpesifikasi • DeteksiVariabel yang KurangPenting • Uji LR untukPenambahanVariabelUji Ramses untukUjiKesalahanBentukFungsiRegresi • Model Nested dan Non-Nested • Uji Model Nested dan Non-Nested • UjiStabilitas Model • KriteriaSeleksi Model PokokBahasan

  3. PrediksiygdibuatharusLOGIS • HarusKONSISTEN denganTeori • VariabelIndependenTIDAK BERKORELASIdenganVariabelGangguan • AdanyaKONSISTENSI parameter • MenunjukkanDATA yang koheren • Model HARUS KOMPLIT Kriteria Model ygBaik

  4. Mengeluarkanvariabelindependen yang relevan • Memasukanvariabelindependen yang tidakrelevan • Menggunakan BENTUK fungsi model yang salah • Kesalahan PENGUKURAN • Spesifikasi yang salahttgVariabelGangguan (Error Term) KesalahanSpesifikasi

  5. MengeluarkanVariabelygRelevan • Misalkan, model yang relevanadalah : • Pers 9.1 : Yi= βo+ β1X1i + β2 X2i +ei • Karenaalasantertentu, Variabel X2 dihilangkan, sehingga : • Pers 9.2 : Yi = Þo+ Þ1 X1i + ei • KarenaPers 9.1 adalahPersygbenar, makapenggunaan Model 9.2,makaeror-nya : KesalahanSpesifikasi • Pers 9.3 : ei= e1i + β2X2i

  6. KonsekuensiMengeluarkanVariabelRelevan X2 • Jika X2ygdikeluarkanberkorelasidengan X1, maka estimator Pers 9.2 menjadi BIAS dan TIDAK KONSISTEN . • Jika X1dan X2tidakberkorelasi, makaÞ0 masih bias walaupun Þ1sdhtidak bias. • Taksiranvarianvariabelgangguan TIDAK TEPAT. • Varian estimator Þ1 BIAS terhadapvarianβ1. • Akibatnya, interval keyakinandanujihipotesisakanmemberikesimpulan yang salahshgperamalan model ygtdktepatakanmenghasilkanperamalanygtidakbisadipercaya. KesalahanSpesifikasi

  7. MemasukanVariabelygTidakRelevan • Misalkan, padaPers 9.1 dimasukan X3 yang sebenarnyatidakrelevandgn model : • Pers 9.4 : Yi= Þo+ Þ1X1i + Þ2X2i+ Þ3X3i + e3i • Dan variabelgangguanmenjadi: • Pers 9.5 : e3i= e1i – Þ3 X3i KesalahanSpesifikasi

  8. AkibatMemasukanVariabelTdkRelevan X3 • Estimator ygdihasilkanadalah yang TIDAK BIAS • TaksiranvarianvariabelgangguanTEPAT • Interval keyakinandanUjihipotesisadalahVALID • Namun, estimator dari model iniTIDAK EFISIEN, karenavariannyalbhbesardarivarian estimator model yang benar. Akibatnya, model yang salahiniKURANGtepat. KesalahanSpesifikasi

  9. KesalahanBentukFungsiRegresi • Misalkan, karenaalasantertentu, penelitimemilih model log linier : • Pers 9.6 : lnYi= Þo+ Þ1 lnX1i + Þ2lnX2i+ e4i • Padahal model yang benaradalah model linier sepertipada Pers. 9.1. Kesalahanspesifikasi model dinyatakan : • Pers 9.7 : Yi*= Þo*+ Þ1*X1i*+ Þ2* X2i*+ ei* KesalahanSpesifikasi • Dimana :Yi* = Y+ ý dan Xi* = X + ÿ, dimana ý dan ÿ merupakanbesarnyakesalahanpengukuran , penelititdkmenggunakan data X dan Y tetapiproxinya, Yi*dan Xi*.

  10. VariabelGangguan e dlmPersamaan • Misalkan, adadua model sebagaiberikut : • Pers 9.8 : Yi= βXi ei • Pers 9.9 : Yi= ÞXi +ei • Jikapers 9.8 adalahPers yang benar, apakahestimator pers 9.9 yaitu Þ tidak bias terhadapβ? • Jikayamakatidakadakesalahanspesifikasiberkaitandenganvariabelgangguan. • Jikatidak, makakesalahanspesifikasivariabelgangguanmerupakansumberkesalahanspesifikasi. KesalahanSpesifikasi

  11. DeteksiAdanyaVariabelTdkPenting • MelaluiUji t danUji F, misalkan : • Pers 9.10 : Yi= βo+ β1X1i + β2X2i+ β3X3i +…+ βkX3k + ei • Menggunakanmetode stepwise regresion, lakukanregresiterhadapvariabel X1, kemudiandengan X2Contoh : gunakan model yang mengkajifaktor-faktor yang mempengaruhiangkakematianbayidi Indonesia, tahun 1999 dari 26 Provinsi. UjiKesalahanSpesifikasi

  12. DeteksiAdanyaVariabelTdkPenting • MelaluiUji Likelihood Ratio, misal: • Pers 9.12 : Yi= βo+ β1X1i + β2X2i+ ei • Jika X2adalahvariabel yang tidakpenting, atauβ2 =0, sehinggamodelnyamenjadi : • Pers 9.13 : Yi= βo+ β1X1i + ei • Melaluimanipulasifungsi log-likelihood,diperolehduafungsiyaitu RLLF (Restricted Log Likelihood Function) dan ULLFR (Unrestricted Log Likelihood Function), diperoleh : UjiKesalahanSpesifikasi • Pers 9.16 : LR = 2 (ULLF – RLLF)

  13. DeteksiPenambahanVariabelPenting • MelaluiUji Likelihood Ratio, misal: • Pers 9.18 : Yi= βo+ β1X1i + β2X2i+ ei • Karenaalasantertentu, penelitimenambahkanvariabel X3, sehinggamenjadi : • Pers 9.19 : Yi= βo+ β1X1i + β2X2i+ β3X3i + ei • Melaluimanipulasifungsi log-likelihood,diperolehduafungsiyaitu RLLF (Restricted Log Likelihood Function) dan ULLFR (Unrestricted Log Likelihood Function), diperoleh : UjiKesalahanSpesifikasi • Pers 9.20 : LR = 2 (ULLF – RLLF)

  14. DeteksiKesalahanBentukFungsiRegresi • MelaluiUji Ramsey, UjiKesalahanSpesifikasiRegresi (Regression Specification Error Test=RESET) • Misalkan, model regresiadalah : • Pers 9.23 : Yi= βo+ β1X1i + β2X2i • Langkah-LangkahUji Ramsey adalah : • LakukanregresiPers 9.23 dankemudiandapatkannilaiestimasi Y. • RegresikembaliPers 9.23 denganmemasukannilai Y sebagaivariabelindependendalamberbagaibentuk. Ramsey menyarakandalambentukpangkat n+1, sehinggadiperolehpersamaan : UjiKesalahanSpesifikasi • Pers 9.24 : Yi= βo+ β1X1i + β2X2i + + β3Yi2+ β4Yi3+β5Yi4

  15. DeteksiKesalahanBentukFungsiRegresi • MelaluiUji Ramsey, UjiKesalahanSpesifikasiRegresi (Regression Specification Error Test=RESET) • Langkahselanjutnya, Hitungatauperolehnilai F,dgn formula : • Pers 9.24 : F = {(Rb2 – Rl2)/k1}/{(1 – Rb2)/(n – k2)} • Jika F hitung > F tabelmakabentukpersamaansecarasignifikanTIDAK TEPAT. • Sebaliknya,Jika F hitung < F tabel, maka model persamaandimaksudSUDAH TEPAT. • KeuntunganMetodeUji Ramsey adalahtidakperlumengajukanalternatif model persamaan, kelemahannyajika model yang diajukantidaktepat, tidaktersediaalternatifnya. UjiKesalahanSpesifikasi

  16. Para akhliEkonometrikatelahmengembangkanUji Diagnosis untukmemilih model yang ada (competeting model) • Model 1 : Yi = βo+β1 X1i+β2X2i+β3X3i+ β4X4i +ei • Model 2 : Yi = βo+β1 X1i+β2X2i+ei • Model 2 merupakankasuskhususdari Model 1, sehingga Model 1 Model 2disebutModel Nested danModel 1disebutModel Non-Nested. • Model Nested dapatdiujimenggunakanUji F, Uji t, Uji LR, Uji Wald danUji LM. Uji Model Nested

  17. Model Non-nested adalah model yang bukanmerupakanbagiandari model yang lain. • Misalkan, adadua model : • Model 1: Yi= βo+ β1X1i + β2X2i+ β3X3i + ei • Model 2: Yi= Þo+ Þ1Z1i + Þ2Z2i+ Þ3Z3i + ei • DenganUjiGoodness of Fit, model yang dipilihadalah model denganKoefisienhDeterminasi yang tertinggi. Uji Model Non-Nested

  18. Data, baik data time-seriesmaupun data cross-section, seringkalitidakstabil. • Ujistabilitas model adalahsebuahproseduruntukmengetahuiapakah parameter model bersifatstabildalampenelitian. • Untukmengujistabilitas parameter sudahdikembangkanbeberapauji, sepertiUji Chow, Uji Recursive Residual, Uji CUSUM danUjiPrediksi Chow (Chow’s Forecast Test) UjiStabilitas Model

  19. Kriteria R2danAdjusted R2, kriteriainididasarkanpadaidebagaimanameminimumkanstrandar error dariregresi. • Kriteria Mallow Cp, yang didasarkanatasbagaimanameminimumkan mean-squared error dariprediksi. • KriteriaAkaike(Akaike’s Information Criterion = AIC) danSchwarz (Schwarz’s Information Criterion=SIC), kriteriainididasarkanmetodeMaximum Likelihood (ML) KriteriaSeleksi Model

More Related