Metode Revealed Comparative Adventage RCA

2. Tata cara pengolahan data dengan metode Ordinary Least Square OLS relatif lebih mudah dibandingkan dengan metode ekonometrika yang lain, serta tidak membutuhkan data yang terlalu banyak. 3. Metode Ordinary Least Square OLS telah banyak digunakan dalam penelitian ekonomi dengan berbagai macam hubungan antar variabel dengan hasil yang memuaskan. 4. Mekanisme pengolahan data dengan metode Ordinary Least Square OLS mudah dipahami. 5. Metode Ordinary Least Square OLS juga merupakan bagian dari kebanyakan metode ekonometrika yang lain meskipun dengan penyesuaian di beberapa bagian. Syarat untuk menggunakan metode OLS menurut Gauss Markov 1821 adalah penduga koefisien regresi harus bersifat BLUE Best Linier Unbiased Estimated, bila persyaratan tersebut dipenuhi maka metode OLS dapat memberikan penduga koefisien regresi yang baik. Akan tetapi, sifat tersebut di dasarkan pada berbagai asumsi yang tidak boleh dilanggar agar penduga tetap bersifat BLUE. Teorema tersebut dikenal dengan sebutan Teorema Gauss Markov. Asumsi-asumsi atau persyaratan yang melandasi estimasi koefisien regresi dengan metode OLS berdasarkan teori Gauss-Markov sebagai berikut : 1. E µ i = 0 atau Eµ i X i = 0 atau EY i = β 1 + β 2 X i µ i menyatidakan variabel-variabel lain yang memengaruhi Y i akan tetapi tidak terwakili dalam model. 2. Tidak ada korelasi antara µ i dan µ j {covµ i µ j = 0};I tidak sama dengan j. Artinya, pada saat X i sudah terobservasi, deviasi Y i dari rata-rata populasi mean tidak menunjukkan adanya pola {covµ i µ j = 0}. 3. Homoskedastisitas : yaitu besarnya µ i sama atau var µ i = σ 2 untuk setiap i. 4. Kovarian antara varian µ i dan X 1 nol. {covµ i µ j = 0}. Asumsi tersebut sama artinya bahwa tidak ada korelasi antara µ i dan X 1 atau bila X i non random maka E µ i ,µ j = 0. 5. Model regresi dispesifikan secara benar. Hal-hal yang perlu diperhatikan adalah : a. Model harus berpijak pada landasan teori b. Perhatikan variabel-variabel yang diperlukan c. Bagaimana bentuk fungsinya Sifat yang dimiliki oleh estimator pada model OLS dengan memenuhi asumsi-asumsi di atas adalah Best Linear Unbiased Estimator BLUE. Ragam minimum efisien dan konsisten serta berasal dari model yang linear. Selain itu, dari contoh sample akan mendekati nilai populasi.

3.2.3.1. Regresi Komponen Utama

Regresi komponen utama Principal Component Regression merupakan salah satu metode yang digunakan untuk mengatasi masalah multikolinieritas Joliffe, 1986. Analisis pada regresi komponen utama pada dasarnya mentransformasikan peubah-peubah bebas yang berkorelasi menjadi peubah- peubah baru yang orthogonal dan tidak berkorelasi. Analisis ini bertujuan untuk menyederhanakan peubah-peubah yang diamati dengan cara mereduksi dimensinya. Pendugaan dengan regresi komponen utama akan menghasilkan nilai dugaan yang memiliki tingkat ketelitian yang lebih tinggi, dengan jumlah kuadrat sisaan yang lebih kecil dibandingkan dengan pendugaan yang menggunakan metode kuadrat terkecil Gasperz, 1992. Dengan menggunakan konsep aljabar linier tentang diagonalisasi matriks, matriks korelasi R atau matriks ragam peragam ∑ dengan dimensi pxp, simetrik, dan nonsingular, dapat direduksi menjadi matriks diagonal D dengan pengali awal dan pengali akhir suatu matriks orthogonal V V’ R V = D dimana ƛ 1 ≥ ƛ 2 ≥ ... ≥ ƛ p ≥ 0 adalah akar ciri dari matriks R yang merupakan unsur-unsur diagonal matriks D, sedangkan kolom-kolom matriks V v 1, v 2.... v p adalah vektor ciri dari R. Apabila peubah yang diamati mempunyai satuan pengukuran yang berbeda perlu dibakukan. Dalam hal ini komponen utama diturunkan dari matriks korelasi R. Matriks peragam ∑ digunakan apabila semua peubah yang diamati diukur dengan satuan pengukuran yang sama. Peubah bebas pada regresi komponen utama merupakan kombinasi linier dari peubah asal Z, dimana Z merupakan hasil pembekuan dari peubah X yang disebut sebagai komponen utama. Komponen utama ke-j dapat dinyatakan dalam persamaan W = v 1j Z 1 + v 2j Z 2 +....+v pj Z p . Komponen utama merupakan komponen yang menjelaskan sebagian besar dari keragaman yang dikandung oleh gugusan data yang telah dibakukan. Komponen W menjelaskan keragaman yang semakin lama semakin kecil sampai