Materi Ekonometrika untuk S2
Regresi
Eni Sumarminingsih, SSi, MM
Analisis
regresi linier merupakan analisis
yang digunakan untuk mengetahui dan
mempelajari suatu model hubungan
fungsional linier antara peubah respon
(Y) dengan peubah penjelas (X)
Peubah respon : peubah yang nilainilainya ditentukan berdasarkan nilainilai dari satu atau lebih peubah penjelas
Peubah penjelas : peubah yang nilainilainya dapat ditentukan atau diatur
atau yang nilainya dapat diamati
Model Umum
Secara
umum model regresi linier
sederhana didefinisikan sebagai
dengan i = 1, 2, 3, …, n
Pendugaan Parameter
Model
duga regresi sebagai berikut
b0 dan b1 secara berurutan adalah
nilai duga untuk β0 dan β1.
Nilai b0 dan b1 didapatkan dengan
menggunakan metode kuadrat
terkecil (MKT) yakni metode
pendugaan dengan
meminimumkan jumlah kuadrat
galat (JKgalat/S):
S akan mempunyai nilai minimum
jika turunan parsial pertama
terhadap β0 dan β1 adalah nol
dengan
mensubstitusikan (b0, b1)
untuk (β0, β1) dan dengan
penyederhanaan dua persamaan
turunan parsial tersebut diperoleh
Persamaan ini disebut dengan
persamaan-persamaan normal yang
darinya didapatkan penyelesaian
berikut:
Jika
SXY =
=
SXX = =
SYY = =
Maka b1 = SXY / SXX
Contoh
No.
Y
X
1
0.971
3.0
2
0.979
4.7
3
0.982
8.3
4
0.971
9.3
5
0.957
9.9
6
0.961
11.0
7
0.956
12.3
8
0.972
12.5
9
0.889
12.6
10
0.961
15.6
No.
Y
X
11
0.982
16.7
12
0.975
18.8
13
0.942
18.8
14
0.932
18.9
15
0.908
21.7
16
0.970
21.9
17
0.985
22.8
18
0.933
24.2
19
0.858
24.2
20
0.987
25.8
;
SXX = =
SXY =
=
b1 = SXY / SXX = -1,3536 / 866,93 =
-0,00156
= 0,978
Jadi persamaan regresinya adalah
Tabel Analisis Ragam Regresi
Linier Sederhana
Sumber
Keragaman
Derajat Bebas
(db)
Jumlah Kuadrat
(JK)
Kuadrat Tengah
(KT)
Model
1
KTM =
Galat
n–2
KTG=JKGalat/dbGalat
Total
n–1
Sumber
Keragaman
Derajat Bebas
(db)
Jumlah Kuadrat
(JK)
Kuadrat Tengah
(KT)
Model
1
0,002114
0,002114
Galat
18
0,020461
0,001137
Total
19
0,022575
Asumsi
yang melandasi model
regresi , dengan i = 1, 2, …, n,
adalah
REGRESI LINIER BERGANDA
Model
Umum
Yang diduga dengan
Pendugaan Parameter
Menggunakan
Metode MKT
Dari proses peminimuman JKGalat didapatkan persamaan normal
sebagai berikut:
……………………………………………………………………………………
…
Dalam
notasi matriks,
dengan,
; ; ;
JK
Galat dalam notasi mastriks
dinyatakan sebagai,
=
Dengan
prosedur yang sama yaitu MKT
dengan menurunkan secara parsial
terhadap b dan menyamakannya
dengan nol, diperoleh:
=0
Analisis Ragam dalam Notasi
Matriks
SK
db
JK
KT
Model
k–1
KTM = JKModel/dbModel
Galat
n–k
KTG=JKGalat/dbGalat
Total
n–1
Asumsi Regresi Linier
Klasik
Terdapat
beberapa asumsi klasik yang melandasi analisis
regresi linier berganda yakni
1. Nilai rata-rata bersyarat dari unsur εi yang tergantung
pada nilai tertentu peubah penjelas X adalah nol atau E(εi)
= 0, untuk i = 1, 2, …, n.
2. Ragam bersyarat dari εi adalah konstan (homoskedastik)
atau V(εi) = σ2, untuk i = 1, 2, …, n.
3. Tidak ada autokorelasi dalam galat atau Cov(εi, εj) = 0 di
mana i ≠ j.
4. Peubah penjelas X bersifat non-stokastik yaitu tetap dalam
penyampelan berulang atau jika stokastik, didistribusikan
secara independen dari galat atau Cov(Xi, εi) = 0.
5. Tidak ada multikolinieritas di antara peubah penjelas X
atau Cov(Xi, Xj) = 0 di mana i ≠ j.
6.
Eni Sumarminingsih, SSi, MM
Analisis
regresi linier merupakan analisis
yang digunakan untuk mengetahui dan
mempelajari suatu model hubungan
fungsional linier antara peubah respon
(Y) dengan peubah penjelas (X)
Peubah respon : peubah yang nilainilainya ditentukan berdasarkan nilainilai dari satu atau lebih peubah penjelas
Peubah penjelas : peubah yang nilainilainya dapat ditentukan atau diatur
atau yang nilainya dapat diamati
Model Umum
Secara
umum model regresi linier
sederhana didefinisikan sebagai
dengan i = 1, 2, 3, …, n
Pendugaan Parameter
Model
duga regresi sebagai berikut
b0 dan b1 secara berurutan adalah
nilai duga untuk β0 dan β1.
Nilai b0 dan b1 didapatkan dengan
menggunakan metode kuadrat
terkecil (MKT) yakni metode
pendugaan dengan
meminimumkan jumlah kuadrat
galat (JKgalat/S):
S akan mempunyai nilai minimum
jika turunan parsial pertama
terhadap β0 dan β1 adalah nol
dengan
mensubstitusikan (b0, b1)
untuk (β0, β1) dan dengan
penyederhanaan dua persamaan
turunan parsial tersebut diperoleh
Persamaan ini disebut dengan
persamaan-persamaan normal yang
darinya didapatkan penyelesaian
berikut:
Jika
SXY =
=
SXX = =
SYY = =
Maka b1 = SXY / SXX
Contoh
No.
Y
X
1
0.971
3.0
2
0.979
4.7
3
0.982
8.3
4
0.971
9.3
5
0.957
9.9
6
0.961
11.0
7
0.956
12.3
8
0.972
12.5
9
0.889
12.6
10
0.961
15.6
No.
Y
X
11
0.982
16.7
12
0.975
18.8
13
0.942
18.8
14
0.932
18.9
15
0.908
21.7
16
0.970
21.9
17
0.985
22.8
18
0.933
24.2
19
0.858
24.2
20
0.987
25.8
;
SXX = =
SXY =
=
b1 = SXY / SXX = -1,3536 / 866,93 =
-0,00156
= 0,978
Jadi persamaan regresinya adalah
Tabel Analisis Ragam Regresi
Linier Sederhana
Sumber
Keragaman
Derajat Bebas
(db)
Jumlah Kuadrat
(JK)
Kuadrat Tengah
(KT)
Model
1
KTM =
Galat
n–2
KTG=JKGalat/dbGalat
Total
n–1
Sumber
Keragaman
Derajat Bebas
(db)
Jumlah Kuadrat
(JK)
Kuadrat Tengah
(KT)
Model
1
0,002114
0,002114
Galat
18
0,020461
0,001137
Total
19
0,022575
Asumsi
yang melandasi model
regresi , dengan i = 1, 2, …, n,
adalah
REGRESI LINIER BERGANDA
Model
Umum
Yang diduga dengan
Pendugaan Parameter
Menggunakan
Metode MKT
Dari proses peminimuman JKGalat didapatkan persamaan normal
sebagai berikut:
……………………………………………………………………………………
…
Dalam
notasi matriks,
dengan,
; ; ;
JK
Galat dalam notasi mastriks
dinyatakan sebagai,
=
Dengan
prosedur yang sama yaitu MKT
dengan menurunkan secara parsial
terhadap b dan menyamakannya
dengan nol, diperoleh:
=0
Analisis Ragam dalam Notasi
Matriks
SK
db
JK
KT
Model
k–1
KTM = JKModel/dbModel
Galat
n–k
KTG=JKGalat/dbGalat
Total
n–1
Asumsi Regresi Linier
Klasik
Terdapat
beberapa asumsi klasik yang melandasi analisis
regresi linier berganda yakni
1. Nilai rata-rata bersyarat dari unsur εi yang tergantung
pada nilai tertentu peubah penjelas X adalah nol atau E(εi)
= 0, untuk i = 1, 2, …, n.
2. Ragam bersyarat dari εi adalah konstan (homoskedastik)
atau V(εi) = σ2, untuk i = 1, 2, …, n.
3. Tidak ada autokorelasi dalam galat atau Cov(εi, εj) = 0 di
mana i ≠ j.
4. Peubah penjelas X bersifat non-stokastik yaitu tetap dalam
penyampelan berulang atau jika stokastik, didistribusikan
secara independen dari galat atau Cov(Xi, εi) = 0.
5. Tidak ada multikolinieritas di antara peubah penjelas X
atau Cov(Xi, Xj) = 0 di mana i ≠ j.
6.