1 / 20

TATAP MUKA 11

TATAP MUKA 11. UJI ASUMSI KLASIK & INTERPRETASI REGRESI SERTA MEKANISME UJI ANOVA. HETEROSKEDASTICITY. Diartikan sebagai : terjadinya hubungan antara variabel error (e) dengan variabel (x), ini membuat varians masing2 dari X adalah besar & tidak efisien dalam memprediksi nilai Y, shg

myrna
Download Presentation

TATAP MUKA 11

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. TATAP MUKA 11 UJI ASUMSI KLASIK & INTERPRETASI REGRESI SERTAMEKANISME UJI ANOVA

  2. HETEROSKEDASTICITY Diartikan sebagai : terjadinya hubungan antara variabel error (e) dengan variabel (x), ini membuat varians masing2 dari X adalah besar & tidak efisien dalam memprediksi nilai Y, shg nilai standart deviasi menjadi besar. CARA MENDETEKSI HETEROSKEDASTICITY: 1. Metode Grafik melalui diagram pencar (scatter Plot), bila data menunjukkan pola yg sistematik (beraturan) maka dalam regresi terjadi gejala heteroskedasticity.

  3. 2. Metode Rank Spearman Dilakukan melalui pengujian koefisien korelasi Rank Spearman Method: t.hitung rank Spearman > t.tabel rank Spearman = data dalam regresi homoskedasticity. t.hitung rank Spearman < t.tabel rank Spearman = data dalam regresi heteroskedasticity

  4. Penanggulangan Heteroskedasticity Dapat dilakukan melalui pendekatan transformasi Log: Log Y = ßo + ß1.Log X1 + ß2.Log X2 + e Dengan model diatas, rank data diperkecil menjadi misal 80 menjadi 1,9030899 atau 8 menjadi 0,9030899 jadi yang asalnya merupakan besaran 10 kali lipat, sekarang tinggal kira-kira dua kali lipat saja, maka varians akan semakin kecil serta data menjadi semakin homoskedasticity.

  5. AUTOKORELASI Autokorelasi dapat diartikan : korelasi yg terjadi di antara anggota observasi yg terletak berderet secara series dalam runtun waktu (data time series) atau korelasi antara tempat yg berderet kalau datanya cross-sectional. Dalam model regresi tidak di per- bolehkan terjadi autokorelasi diantara komponen2 data yang akan di analisa.

  6. PENYEBAB AUTOKORELASI 1. Inertia: data umumnya yg digunakan berbentuk kumulatif bukan individual series. Shg nilai data pada satu titik lebih besar dari data sebelumnya. 2. Manipulasi Data: menggunakan data tahunan menjadi triwulanan dgn cara membagi tiga data tahunan scr langsung

  7. MENDETEKSI ADANYA AUTOKORELASI • Dalam praktek scr umum, metode yg sering digunakan adalah: Durbin-Watson Method. • Dalam regresi linier tidak terjadi autokorelasi jika nilai Durbin-Watson : 1,70 – 2,30

  8. PENANGGULANGAN AUTOKORELASI Memakai metode First Differens dengan formulasi sebagai berikut: Y = bo + b1X1 + b2X2 + b3X3 + e menjadi: Y-(Yt-1)=bo+b1(X1-X1t-1)+b2(X2-X2t-1) +b3(X3-X3t-1)+e.

  9. MENGAPA PERLU DATA LINIER “ dalam melakukan analisa antar variabel, yg ingin dilacak adalah kekuatan interaksi dan kontribusi variabel satu terhadap variabel lainnya, jika data yg digunakan tidak linier maka scr statistik hasil analisa tidak dapat menjawab hipotesis atau hasil analisa tak mencerminkan kondisi yg diharap, berarti estimasinya tdk estimated dan prediksinya tidak Predicted “

  10. SEPULUH INDIKATOR KEMISKINAN Hidup Serba Kekurangan Menempati Rumah Tidak Sehat Umumnya lantai Rumah Masih Tanah Tidak Ada Fasilitas sanitasi Tidak Ada Sumber Air Bersih Penghasilan Maksimum Per Bulan Rp.600.000,- Pendidikan Sangat Terbelakang Tidak Cukup Gizi Tidak Terjangkau Sarana Kesehatan Tempat Tinggal Tidak Tetap Sumber: Suara Pembaruan, 30 April 2004, Halaman 20.

  11. KONSEP KESEMPATAN KERJA PADAT KARYA RETUILLING PROGRAM BANTUAN MODAL USAHA UMKM

  12. TUJUAN DASAR REGRESI 1. Mengukur Korelasi Parsial 2. Mengukur Korelasi Ganda 3. Mengetahui Determinasi Parsial 4. Mengukur Determinasi Ganda 5. Standart Deviasi Model 6. Uji t dan Uji F 7. Level of Significant masing-masing X thd Y 8. Persamaan Estimasi dan Interpretasinya

  13. PENYAJIAN HASIL ANALISA Y =kesempatankerja X1 =padatkarya X2 =program retailling X3 =bantuan modal usaha

  14. KesalahanHipotesa • Adakemungkinan yang dapatterjadibahwahasilanalisatidaksesuaidenganharapan, karenavariabel yang diperkirakansignifikanternyatatidaksignifikan. Jikainiterjadimakavariansivariabel independent sebenarnyatidakhomogenterhadapvariabel dependent. Ataudengankata lain variansivariabelpenggangguterhadapvariabel dependent masihbesar (variansitidaksamanol). Solusi yang dapatdilakukanadalah: • Menggantivariabel yang tidaksignifikan • Meningkatkanjumlahamatan • Mengubahpersamaan model menjadipersamaanLogaritma

  15. Scatter Diagram Diameter 270 260 250 240 230 220 210 200 190 Bor 1Bor 2Bor 3 254 234 200 263 218 222 241 235 197 237 227 206 251 216 204 • • • • • • • • • • • • • • • 1 2 3 Bor

  16. Perhitungan Bor 1Bor 2Bor 3 254 234 200 263 218 222 241 235 197 237 227 206 251 216 204 x1 = 249.2 x2 = 226.0 x3 = 205.8 x = 227.0 n1 = 5 n2 = 5 n3 = 5 N = 15 k = 3 SSB = 5 [ (249.2 – 227)2 + (226 – 227)2 + (205.8 – 227)2 ] = 4716.4 SSW = (254 – 249.2)2 + (263 – 249.2)2 +…+ (204 – 205.8)2 = 1119.6 MSB = 4716.4 / (3-1) = 2358.2 MSW = 1119.6 / (15-3) = 93.3

  17. H0: μ1 = μ2 = μ3 HA: μi not all equal  = .05 df1= 2 df2 = 12 Solusi StatistikUji: Keputusan: Kesimpulan: Critical Value: F = 3.885 Tolak H0 at  = 0.05 Terdapat minimal 1 mean yang berbedadariketigamatabor  = .05 0 Reject H0 Do not reject H0 F= 25.275 F.05 = 3.885

  18. TEST ANOVA – Ide μA μB μC Idedasar test ANOVA adalahperbedaan rata-rata populasiditentukanolehduafaktoryaituvariasi data dalam 1 sampeldanvariasi data antarsampel. Perbedaan rata-rata antarpopulasinyatajikavariasi data antarsampelbesarsedangkanvariasi data dalam 1 sampelkecil.

  19. TEST ANOVA 1. Hipotesa H0: μ1= μ2= μ3 = …. H1: tidaksemua rata-rata populasisama 2. Tentukantingkatsignifikanα 3. Daerah kritis Test statistiknyaadalah F-test dengan dimana MST : Mean Squares of Treatments (between groups) MSE : Mean Squares of Errors (within errors) Dengan k : Jumlahgrupdan n adalahbanyak total semua data. Derajatkebebasan F adalah (v1=k-1) untukpembilangdan (v2=n-k) untukpenyebut. Tentukannilaikritis Fα(v1,v2) = Fkritis. Tolak H0 jikaFhitung> Fkritis

  20. SOlusi – Testing Hipotesis 1. Hipotesa H0: μ1= μ2= μ3 = μ4 H1: tidaksemua rata-rata populasisama 2. tingkatsignifikanα = 5% 3. Daerah kritis Test statistiknyaadalah F-test. F(v1,v2) = MST/MSE dengan dengan v1=k-1 = 4-1 = 3 dan v2= n-k = 22-4 = 18 Nilaikritis F0.025 (3,18) = 3.16 Tolak H0 jika F> 3.16 4. Perhitungan • Fhitung = MST/MSE = 296.89/33.02 = 8.99 5. Keputusan : Karena F > 3.16 maka H0 ditolak 5. Kesimpulan : Tidaksemua rata-rata grupsama

More Related