Buku Statistik Terapan-s2
-
Upload
candraputrapradana -
Category
Documents
-
view
180 -
download
18
Transcript of Buku Statistik Terapan-s2
STATISTIK EKONOMI DAN BISNISTeori dan AplikasiPraktis
Oleh :
MADRIS
FAKULTAS EKONOMI(PROGRAM EPP, MKD, MK & MM) UNIVERSITAS HASANUDDIN
MAKASSAR2005
1
KATA PENGANTAR
Puji syukur kita panjatkan ke hadirat Allah SWT, sehingga kumpulan bahan kuliah
Metode Kuantitatif ini dapat disusun lebih sistematis. Bahan kuliah ini diajarkan pada
program Magister Ekonomi Perencanaan Pembangunan (EPP) dalam mata kuliah
Metode Kuantitatif di Unmul Samarinda, Statistika Terapan pada program Magister
Keuangan Daerah (MKD) dalam mata kuliah Statistika Terapan, Magister
Manajemen Keuangan (MK) dalam mata kuliah Metode Kuantitatif dan
Magister Manajemen (MM) dalam mata kuliah Metode Kuantitatif
di lingkungan Fakultas Ekonomi Universitas Hasanuddin.
Benang merah materi kuliah ini adalah Statistika dan Ekonometrika
Terapan yang dapat digunakan untuk analisis “Structural & Forecasting”
Meskipun isi dan cakupan materi kuliah ini masih sangat terbatas, namun diharapkan
pada mahasiswa paling tidak menjadi bahan diskusi untuk mempelajari lebih
mendalam metode kuantitatif, khususnya masalah pemodelan dan aplikasinya.
Untuk itu kepada pembaca yang bijaksana, dimohon memberi sumbang saran untuk
penyerpurnaan bahan kuliah ini semoga di masa datang dapat menjadi
bahan bacaan yang lebih menarik, Amin.
Makassar, 2005.
Penulis,
2
DAFTAR ISI
Judul i
Kata Pengantar ii
I. Data, Variable and Model 1
II. Simple Linear Regression Analysis 5
III. Modeling in Econometrics 10
IV. Multiple Linear Regression Model and Testing Hypothetic 18
V. Special Model in Econometrics 37
VI. Structural Equation Model (SEM) 46
Daftar Pustaka 51
3
I. DATA, VARIABLE AND MODEL
A. Data
Data terbagi atas 2 jenis yakni data cross-section dan data time series.
Gabungan kedua data ini disebut panel data. Data cross-section adalah data
individu, rumah tangga atau satuan unit analisis tertentu, yang diambil pada satu
titik waktu yang sama, jadi variasinya terdapat pada antar individu atau unit
analisis tertentu. Time series adalah data yang tersusun berdasarkan runtut waktu
kejadian, data tersebut untuk sebuah unit analisis yang ada. Jadi variasinya
terdapat pada urutan waktu terjadinya data tersebut, misalnya data perkembangan
harga pupuk, investasi dan lain-lain dari waktu/tahun ke waktu/tahun.
B. Relationships
Ada tiga type hubungan variabel-variabel yang dikenal dalam ilmu
ekonometika yakni :
1. Single-Equation
Yaitu bentuk persamaan tunggal seperti
Cm = f (Y, W)
Dimana :
C = Consumption, adalah variabel terika
Y = Income, adalah variabel bebas
W = Wealth, adalah variabel bebas
2. Multi – Equation
Adalah bentuk persamaan fungsional dimana ada lebih dari satu single
equation, sebagai contoh : katakanlah ada variabel CA, CB, dan CC adalah
pengeluaran untuk mobil masing-masing pengeluaran untuk onderdil, bahan
4
bakar, dan biaya servis dapat dipengaruhi oleh Income (Y) dan Wealth (W)
sehingga model
Multiple Equation dapat ditulis sebagai berikut :
CA = f (Y,W)
CB = f (Y,W) Simple Equation Cm = f(Y,W)
CC = f (Y,W)
C. Variabels
Dalam suatu hubungan antar variabel secara fungsional dikenal dua jenis
variabel yakni variabel terikat (dependent variabel) dan variabel bebas
(independent variabel). Variabel terikat biasa juga disebut variabel endogen
(endogenous variable) yakni variabel dalam sebuah sistem persamaan sedangkan
variabel eksogen (exogenous variable)adalah diluar sistem persamaan simultan.
Variabel endogen bisa merupakan non target atau variabel antara (intermediate
variabel), juga dapat berupa variabel target yakni variabel yang dipengaruhi.
Sama halnya dengan variabel eksogen, dapat dibagi atas dua jenis, yaitu
variabel instrumen atau variabel antara bisa juga variabel non instrumen, yakni
variabel yang mempengaruhi.
Contoh : Y = adalah variabel non target
Z = adalah variabel target
Dilihat dari sisi variabel eksogen, maka variabel X dan Y adalah variabel
instrumen.
Dimana Y adalah variabel instrumen
X adalah variabel non instrumen.
D. Bentuk Hubungan Fungsional
Dalam hukum permintaan, dikatakan bahwa jumlah barang yang diminta
adalah fungsi dari tingkat harga. Hubungan fungsional ini dapat ditulis dalam
bentuk :
1. Linier Q = a + βP
5
2. Semi log log Q = a + βP
3. Dan lain-lain
Untuk analisis bivariat dan multivariat, nilai statistik lainnya yang dapat
diukur adalah koefisien korelasi, koefisien regresi, koefisien determinasi dan standar
error koefisien regresi tersebut. Untuk menghitung nilai-nilai parameter tersebut
digunakan analisis regresi. Analisis regresi terbagi atas beberapa jenis tergantung
pada jumlah variabel dan model matematika dilihat dari :
Variabel
Jika 1 variabel bebas, maka disebut regresi sederhana (simple regression
analysis).
Jika 2 atau lebih variabel bebas maka disebut analisa regresi berganda (multiple
regression analysis)
Linearitas :
Dalam Variabel
Model linear, jika masing-masing variabelnya berpangkat/berderajat satu
Model non linear jika sala satu variabelnya tidak berpangkat satu.
Dalam Parameter
Model linear, jika masing-masing parameternya berpangkat/berderajat satu
Model non linear jika sala satu parameternya tidak berpangkat satu.
6
II. SIMPLE LINEAR REGRESSION ANALYSIS
Analisis regresi berkenaan dengan studi ketergantungan satu variabel, variabel
dependen pada satu atau lebih variabel lainnya, dengan maksud menaksir dan atau
meramalkan nilai rata-rata hitung (mean) atau rata-rata (populasi) variabel dependent.
Jika kita sedang mempelajari ketergantungan satu variabel pada hanya satu variabel
yang menjelaskan, seperti yang terjadi pada belanja konsumsi dan pendapatan riil.
Studi ini dikenal dengan analisa regresi sederhana atau dua variabel.
Tetapi kalau kita sedang, mempelajari ketergantungan satu variabel pada lebih
dari satu variabel yang menjelaskan, misalnya hasil panen, curah hujan, suhum
cahaya matahari dan pupuk, ini dikenal dengan analisa regresi berganda (multiple
regression analysis). Dengan kata lain dalam regresi dua variabel hanya ada satu
variabel yang menjelaskan, sedangkan dalam regresi berganda ada lebih daru satu
variabel yang menjelaskan.
A. Simple Linear Regression Model
1. Hubungan Fungsional
Y = f(x)Yi = B0 + B1Xi + ε1
=
7
=
ei = (Y-)
YY ˆ
YY
Y
Y
Y
B0
0 Xi X
2. Penaksiran Koefisien Regresi
Untuk menaksir persamaan (1) di atas diambil sebuah sampel dengan
observasi sebagai berikut :
Yi = B0 + B1Xi + ε1
Y2 = B0 + B1X2 + ε2
: : : :Yn = B0 + B1Xn + εn
Metode yang digunakan untuk menaksir B0 dan B1 adalah metode kuadrat
terkecil (OLS) yang hendak dicari adalah (penaksir B0) dan (penaksir
B1) sedemikian rupa sehingga meminimalkan.
Σe2 = Σ(Yi - )2
= Σ(Yi - )2, sehingga (turunan parsial)
= 0 dan = 0 e = ε
= -2 Σ(Yi - ) 1 = 0 ΣYi = n + Bi ΣXi
= -2Σ(Yi - ) X1ΣYXi = n ΣXi + BiΣ
Persamaan (2.1) dan (2.2) disebut persamaan normal sehingga :
dan = -
8
Oleh karena nilai observasi (X dan Y) bervariasi, maka akan terdapat juga
nilai-nilai yang bervariasi pada estimator paramternya.
Estimator : - varians B0
- varians B1
- covarians (B0, B1)
B1 = = σ2X =
σ2Y =
cov(XY) =
= =
S2e = =
=
= ; =
=
Jika nilai-nilai Bi terdistribusi mendekati distribusi normal standar, maka
terdistribusi, probabilitinya (t-hitung) dapat dirumuskan sebagai berikut :
; ………. n ≤ 30
9
3. Koefisien Determinasi dan Korelasi
Setelah penaksiran koefisien regresi, maka penaksiran parameter yang
lain, koefisien determinasi (R2) dan koefisien korelasi (r) perlu dilakukan. Hal
ini dimaksudkan untuk mengetahui seberapa besar variasi variabel bebas
dapat dijelaskan variabel (R2).
Demikian juga untuk mengetahui seberapa besar hubungan variabel
bebas dengan variabel terikat (r)
Besaran
Jadi R2 yx = ry . x * ry . x
Atau = =
0 R2yx + 1
-1 ryx + 1
4. Pengujian Hipotesis
Setelah mengetahui nilai-nilai estimator parameter ( , R2), maka perlu
dilakukan pengujian, untuk mengetahui apakah nilai estimator tersebut benar-
benar ada/nyata dalam populasi (signifikan)
= nilai statistik (sampel)
= paramater (populasi)
Hipotesis dapat dilakukan dengan 2 cara :
Menyatakan hipotesa nol (Ho), bahwa variabel bebas (X) tidak
mempunyai pengaruh nyata (signifikan) terhadap variabel terikat (Y)
Ho = B1 = 0 (tidak ada pengaruh)
Hipotesis alternatifnya :
10
- Ha = B1 ≠ 0 (x y = ) atau
- Ha = B1 > 0 (x y = ) atau
- Ha = B1 < 0 (x y = )
5. Penarikan Kesimpulan
Pernyataan Ho ditolak, jika :
t-hitung > t-tabel (signifikan)
Dinyatakan Ho diterima, jika :
t-hitung < t-tabel (tidak signifikan)
t-tabel = . (distribusi probability t)
t-tabel = t(α;df) α = 1 – γ = 1 – 95% = 5%
df = n – k
n = jumlah observasi
k = jumlah variabel
γ = tingkat keyakinan (level of confidence)
6. Prediksi (Forecasting)
Prediksi dilakukan jika modelnya signifikan, dengan menggunakan model :
= + untuk setiap nilai observasi ( ), data berkala
(time series)
.
III. MODELING IN ECONOMETRICS
11
Terima Ho1 - αTolak Ho α/2 α/2 Tolak Ho
-t(α/2;df) +t(α/2;df)
Ekonometri adalah ilmu yang merupakan gabungan teori ekonomi, statistika
dan matematika.
Sebagai contoh :
Dalam teori ekonomi terdapat teori konsumsi
“Pengeluaran konsumsi seseorang akan tergantung pada Tingkat Pendapatannya,
semakin tinggi tingkat pendapatan maka semakin tinggi pula tingkat pengeluaran
konsumsi”
Dalam metematika terdapat persamaan garis linier
Y = a + bX
Dimana : a adalah intercept, dan b merupakan kemiringan/slope
Dalam statistika terdapat Statistik Inferensi
Yaitu penarikan kesimpulan umum dengan menggunakan data sampel untuk
mengetahui sifat populasi.
Maka ketiga ilmu (ekonomi, statistik, matematis) digabungkan menjadi ekonometri.
Dalam teori ekonomi memberikan landasan teori mengenai konsumsi bahwa terdapat
hubungan positif antara tingkat konsumsi dengan tingkat pendapatan. Matematika
memberikan andil bentuk model persamaan liniernya : Y = a + bX, dimana a
merupakan unsur intercept, dan b merupakan slope. Tetapi interprestasi secara ilmu
ekonomis, bila Y adalah tingkat konsumsi dan X adalah tingkat pendapatan, maka a
adalah tingkat konsumsi otonom (outonomous consumption), yakni tingkat konsumsi
jika pendapatan seseorang sama dengan nol, dan b adalah tingkat kecenderungan
mengkonsumsi (marginal propensity to consume, MPC). MPC menyatakan berapa
perubahan tingkat konsumsi jika pendapatannya naik satu satuan. Sedangkan, Ilmu
Statistik digunakan untuk mengetahui apakah a dan b memiliki arti secara statistik.
Itulah pengertian sederhana mengenai ekonometri. Jadi secara terpisah dapat
dikemukakan masing-masing peran ilmu-ilmu tersebut sebagai berikut :
12
1. Fenomena/kejadian ekonomi – Ilmu Ekonomi
2. Spesifikasi model ekonometri – Ilmu Matematika
3. Penaksiran, verifikasi (inferensi statisitik) – Ilmu Statistik
Ekonometri sebagai suatu ilmu memiliki metodologi sebagai berikut :
Fenomena ekonomi akan memunculkan teori akan fenomena tersebut. Teori
tersebut merupakan generalisasi kejadian yang telah diuji, sebagai contoh teori
Keynes tentang hubungan konsumsi dan pendapatan. Teori Keynes mengatakan
terdapat hubungan positif antara pendapatan dan tingkat pengeluaran seseorang,
artinya semakin tinggi tingkat pendapatan maka semakin tinggi pula tingkat
pengeluaran seseorang.
Untuk lebih menyederhanakan teori Keynes tersebut, maka dibuat
spesifikasi model matematis :
C = a + bY
Dimana :
C adalah tingkat konsumsi
a adalah tingkat konsumsi otonom (tingkat konsumsi pada saat
pendapatan nol)
b adalah kecederungan mengkonsumsi (marginal propensity to consume,
MPC)
Variabel konsumsi disebut dengan variabel tak bebas yaitu variabel yang
besarnya ditentukan oleh besarnya variabel lain. Sedangkan pendapatan disebut
sebagai variabel penjelas (exlnantory variable), yaitu variabel yang besarnya tidak
ditentukan oleh variabel lain.
Begitu pula dengan fungsi tabungan yang mengatakan : tingkat tabungan
memiliki hubungan yang positif dengan tingkat pendapatan seseorang. Artinya
semakin tinggi tingkat pendapatan seseorang maka semakin tinggi pula tingkat
13
tabungan seseorang. Fungsi tabungan tersebut dapat dibuat spesifikasi model
matematis sebagai berikut :
S = -a + dY
Dimana :
S adalah tabungan
-a adalah tabungan otonom (besarnya tabungan saat pendapatan nol)
d adalah kecenderungan menabung (marginal propensity to save, MPS)
Dalam kedua model matematis di atas kedua variabel yang berhubungan
memiliki hubungan yang pasti (deterministik). Dengan kata lain, C (konsumsi)
memiliki hubungan yang pasti dengan tingkat pendapatan. Sebagai contoh, jika
a (konsumsi otonom) sebesar 2000 dan b (MPC) sebesar 0,9 maka besarnya
C (konsumsi) dapat diketahui dengan pasti jika Y (pendapatan) diketahui. Jika
Y (pendapatan) sebesar 10.000 maka menurut model matematis di atas
C (konsumsi) pasti akan sebesar 11.000,- Begitu pula dengan fungsi tabungan,
tingkat tabungan memiliki hubungan yang pasti dengan tingkat pendapatan.
Dalam dunia nyata, hubungan antara dua variabel ekonomis biasanya tidak
pasti. Belum tentu semua orang yang memiliki pendapatan sebesar 10.000 pasti
akan memiliki tingkat konsumsi 11.000. Maka kemudian model matematis yang
deterministik tersebut dimodifikasi menjadi :
C = a + bY + u
S = -a + dY + u
Dimana :
u adalah gangguan (disturbance), kesalahan (error), variabel acak (random).
Faktor gangguan (u), tersebut muncul karena tidak dimaksudkan variabel-
variabel lain yang berpengaruh didalam model. Sebagai contoh, tingkat konsumsi
14
tidak hanya tergantung pada tingkat pendapatan tetap terdapat variabel-variabel
lain yang berpengaruh, seperti : kekayaan, selera, ekspektasi, dan lain-lain.
a. Estimasi (Penaksiran)
Setelah model ekonometri sudah dibuat, maka langkah selanjutnya
menakisr parameter-parameter yang ada di dalam model tersebut. Yaitu menakisr
berapa besar a, b, d dalam model konsumsi dan tabungan di atas. Sebagai contoh,
setelah proses perhitungan maka penaksir a sebesar 2.000; b sebesar 0,9; dan
d sebesar 0,1. Maka kedua model tersebut akan berbentuk :
C = 2000 + 0,9 Y
S = -2000 + 0,1 Y
b. Verifikasi (Inferensi Statistik)
Setelah langkah ke 3 dengan mendapatkan penaksir masing-masing
parameter, maka penaksir tersebut perlu dikaji apakah penaksir tersebut bisa
dipertanggung jawabkan secara statistik dengan pengujian hipotesis (inferensi
statistik). MPC sebesar 0,9 telah memenuhi teori ekonomi, dalam verifikasi
membahas apakah 0,9 bukan merupakan suatu kebetulan proses sampling.
c. Forecasting and Prediction
Setelah menaksir parameter telah kita temukan, dan model sudah kita
bentuk, biasanya model tersebut digunakan untuk meramalkan variabel tak bebas
atas dasar nilai-nilai variabel penjelas yang telah diketahui atau diharapkan untuk
masa yang akan datang.
Analisis mengenai distribusi pasangan variabel disebut analisis bivariat
(bivariate analysis). Analisa ini membutuhkan data yang terdiri dari dua kelompok
hasil observasi atau pengukuran (Xi, Yi). Hubungan antara variabel X dan variabel Y
umumnya dapat dinyatakan :
15
a. Regresi, yaitu pencarian bentuk persamaan atau rata-rata Y bagi X yang tertentu
atau sebaliknya.
b. Korelasi pengukuran tingkat asosiasi atau korelasi antara variabel X dan
variabel Y.
Dalam regresi variabel dapat dibedakan menjadi dua, yaitu :
a. Variabel tak bebas (dependent variabel) adalah variabel yang besarnya ditentukan
model. Variabel tak bebas ini sering disebut pula variabel yang dijelaskan
(explained variabel), variabel yang diramalkan (dredictan), variabel diregresi
(regressand), tanggapan (response).
b. Variabel bebas yang menjelaskan (explanatory variabel) adalah variabel yang
besarnya tidak ditentukan oleh model. Variabel ini sering juga disebut variabel
bebas (independent variabel), variabel peramal (predictor), variabel yang
meregresi (regressor), variabel perangsang atau variabel kendali (stimulus or
control variable).
Dalam persamaan :
C = a + bY + u
Maka C adalah variabel tak bebas (dependent variable), karena besarnya ditentukan
oleh model, sedangkan Y adalah variabel bebas (independent variable). Berdasarkan
jumlah variabel bebas (independent variable), maka analisis regresi dibedakan
menjadi dua, yaitu : analisis regresi sederhana (simple refression analysis) dan
analisis regresi majemuk (multiple regression analysis). Jika persamaan regresi
menunjukkan variable tak bebas hanya tergantung dengan satu variabel bebas maka
analisisnya disebut analisis regresi sederhana (simple regression analysis). Sedangkan
bila variabel tak bebas tergantung dua atau lebih variable bebas maka analisisnya
disebut analisis regresi majemuk (multiple regression analysis).
16
Contoh : Analisis Regresi Dua Variabel
Yang dimaksud dengan regresi dua variabel adalah regresi dimana didalam
model hanya terdapat dua variabel, yaitu : satu variabel bebas (independent variabel)
dan satu variabel bebas. Sebagai contoh dalam model berikut ini :
C = a + bY
Dimana :
C adalah konsumsi
Y adalah pendapatan
a adalah konsumsi otonom (tingkat konsumsi pada saat pendapatan nol)
b adalah kecenderungan mengkonsumsi (MPC).
Dalam contoh di atas terdapat dua variabel, yaitu variabel tingkat konsumsi (C)
sebagai variabel tak bebas, dan variabel tingkat pendapatan (Y) sebagai variabel
penjelas. Belum tentu orang yang memiliki tingkat pendapatan sama akan memiliki
tingkat pengeluaran yang sama pula, seperti dalam contoh hipotesis berikut ini :
Data Hipotetik : Tabel 1. Jumlah Pendapatan dan Pengeluaran di antara 60 RT responden
Jumlah Pendapatan RT (US $)
80 100 120 140 160 180 200 220 240 260
Jumlah Pengeluaran
RT (US $)
55 65 79 80 102 110 120 135 137 150
60 70 84 93 107 115 136 137 145 152
65 74 90 95 110 120 140 140 155 175
70 80 94 103 116 130 144 152 165 178
75 85 98 108 118 135 145 157 175 180
.. 88 .. 113 125 140 .. 160 189 185
.. .. .. 115 .. .. .. 162 .. 191
Total 325 462 445 707 678 750 685 1043 966 1211
Rata-rata 65 77 89 101 112 125 137 149 161 173
17
Sumber : Gujarati, 2003
Dari lima responden yang memiliki tingkat pendapatan sebesar 80, masing-
masing memiliki tingkat pengeluaran konsumsi yang bervariasi 55, 60, 65, 70, 75.
Begitu pula dengan tingkat pendapatan yang lain, meskipun orang memiliki tingkat
pendapatan yang sama belum tentu tingkat pengeluarannya sama. Regresi secara ilmu
ukur merupakan suatu tempat kedudukan rata-rata bersyarat variabel tak bebas untuk
nilai variabel bebas tertentu.
Untuk mengetahui besar a dan b maka diperlukan data C dan Y. Bila data yang
digunakan adalah data keseluruhan populasi maka regresi yang didapat disebut fungsi
regresi populasi (Population Regression Function, PPF). Maka koefisien-koefisien
yang didapat merupakan koefisien-koefisien populasi (sesungguhnya) yang disebut
parameter. C = a + bY + ui
Tetapi bila data yang digunakan hanya sebagian data populasi (hanya menggunakan
sampel) maka garis regresi yang didapat dinamakan fungsi regresi sample (Sampel
Regresion Function, SRF). Sehingga koefisien-koefisien yang didapat bukan
merupakan koefisien yang sesungguhnya (bukan koefisien populasi), tetapi
merupakan koefisien tafsiran (statistic).
C = a’ + b’ Y + ei
18
0
50
100
150
200
250
60 80 100 120 140 160 180 200 220 240 260 280
(Pendapatan) = Y
Konsumsi (C)
Rata-rata Konsumsi : E (Y | X)
Jadi tujuan utama kita dalam analisis regresi adalah untuk menaksir PRF atas dasar
SRF. Untuk mendapatkan penaksir a’ dan b’ seakurat mungkin dapat digunakan
metode kuadrat terkecil (method of ordinary least square, OLS).
Sebagai contoh :
Misalkan data pada tabel 1. di atas adalah data populasi terbatas, yakni sebanyak 60
rumah tangga. Sebuah sampel berukuran n = 10 diambil secara random dan hasilnya
adalah sebagai berikut :
Tabel 2. Data sampel RT yang terpilih
RT Pendapatan (Y) Konsumsi (C)
01
02
03
04
05
06
07
08
09
10
80
100
120
140
160
180
200
220
240
260
70
65
90
95
110
115
120
140
155
150
Sumber : Tabel 1.
Dengan menggunakan metode OLS, maka data pada tabel 2 akan menghasilakan
persamaan regresi (SRF) sebagai berikut :
19
C = 24,45 + 0,51 Y
(6,414) (0,036)
Hasil analisis regresi tersebut, menunjukkan bahwa konsumsi otonom, Co (a)
sebesar US$ 24,45 dan marginal propensity to consume, MPC (b) sebesar 0,51. MPC
= 0,51 tersebut menunjukkan, bahwa jika terjadi kenaikan pendapatan RT
(dispossible income) sebesar US$ 1 misalnya, maka akan mendorong pengeluaran
konsumsi RT sebesar US$ 0,51. Dengan kata lain pengaruh pendapatan terhadap
konsumsi sebesar 0,51. (MPS = 1- MPC = 0,49).
Persoalan berikutnya adalah apakah sampel yang terpilih tersebut representatif
terhadap populasi . Dengan kata lain, apakah nilai statistik MPC = 0,51 merupakan
estimasi tak bias dari nilai parameter MPC yang ada pada populasi. Untuk hal
tersebut, metoda statistik memberi petunjuk untuk melakukan pengujian (testing
hypotetic) guna meyakinkan hipotetis yang menyatakan bahwa ada pengaruh yang
signifikan pendapatan terhadap konsumsi RT.
20
IV. DATA, VARIABLE AND MODEL
E. Data
Data terbagi atas 2 jenis yakni data cross-section dan data time series.
Gabungan kedua data ini disebut panel data. Data cross-section adalah data
individu, rumah tangga atau satuan unit analisis tertentu, yang diambil pada satu
titik waktu yang sama, jadi variasinya terdapat pada antar individu atau unit
analisis tertentu. Time series adalah data yang tersusun berdasarkan runtut waktu
kejadian, data tersebut untuk sebuah unit analisis yang ada. Jadi variasinya
terdapat pada urutan waktu terjadinya data tersebut, misalnya data perkembangan
harga pupuk, investasi dan lain-lain dari waktu/tahun ke waktu/tahun.
F. Relationships
Ada tiga type hubungan variabel-variabel yang dikenal dalam ilmu
ekonometika yakni :
1. Single-Equation
Yaitu bentuk persamaan tunggal seperti
Cm = f (Y, W)
Dimana :
C = Consumption, adalah variabel terika
Y = Income, adalah variabel bebas
W = Wealth, adalah variabel bebas
2. Multi – Equation
Adalah bentuk persamaan fungsional dimana ada lebih dari satu single
equation, sebagai contoh : katakanlah ada variabel CA, CB, dan CC adalah
pengeluaran untuk mobil masing-masing pengeluaran untuk onderdil, bahan
bakar, dan biaya servis dapat dipengaruhi oleh Income (Y) dan Wealth (W)
sehingga model
21
Multiple Equation dapat ditulis sebagai berikut :
CA = f (Y,W)
CB = f (Y,W) Simple Equation Cm = f(Y,W)
CC = f (Y,W)
3. Simultuneuous Equation
Dalam model ekonomi sering dijumpai adanya suatu kelompok
persamaan untuk menerangkan suatu gejala ekonomi. Sebagai contoh adalah
penaksiran permintaan suatu barang. Data yang tersedia merupakan data pada
saat keseimbangan, yaitu pada perpotongan antara permintaan dan penawaran.
Oleh karena itu, segi penawaran harus pula dalam penaksiran permintaan
suatu barang.
Secara sederhana kedua fungsi dapat dinyatakan sebagai berikut :
Permintaan qD = f(P, Y)
Penawaran qS = f(P, Z)
Dimana qD = qS jumlah barang yang diminta/ditawarkan
P = harga barang tersebut
Y = pendapatan konsumen
Z = musim/iklim.
G. Variabels
Dalam suatu hubungan antar variabel secara fungsional dikenal dua jenis
variabel yakni variabel terikat (dependent variabel) dan variabel bebas
(independent variabel). Variabel terikat biasa juga disebut variabel endogen
(endogenous variable) yakni variabel dalam sebuah sistem persamaan sedangkan
variabel eksogen (exogenous variable)adalah diluar sistem persamaan simultan.
Variabel endogen bisa merupakan non target atau variabel antara (intermediate
variabel), juga dapat berupa variabel target yakni variabel yang dipengaruhi.
22
Sama halnya dengan variabel eksogen, dapat dibagi atas dua jenis, yaitu
variabel instrumen atau variabel antara bisa juga variabel non instrumen, yakni
variabel yang mempengaruhi.
Contoh : Y = adalah variabel non target
Z = adalah variabel target
Dilihat dari sisi variabel eksogen, maka variabel X dan Y adalah variabel
instrumen.
Dimana Y adalah variabel instrumen
X adalah variabel non instrumen.
Skala Variabel
Untuk mengukur suatu variabel terdapat 4 jenis skala pengukuran, yakni :
Skala nominal
Skala ordinal
Skala interval
Skala rasio
H. Bentuk Hubungan Fungsional
Dalam hukum permintaan, dikatakan bahwa jumlah barang yang diminta
adalah fungsi dari tingkat harga. Hubungan fungsional ini dapat ditulis dalam
bentuk :
1. Linier Q = a + βP
2. Semi log log Q = a + βP
3. Dan lain-lain
E. Descriptive Measures
Nilai sentral adalah nilai statistik yang paling awal dihitung dalam statistik
descrptif. Nilai sentral dapat diwakili nilai Mean, Median, dan Modus. Kemudian
disusun nilai-nilai dispersi seperti Range, Deviasi rata-rata, Deviasi Standar dan
Variace, untuk analisis univariat. Untuk analisis bivariat dan multivariat, nilai statistik
23
yang dapat diukur lain koefisien korelasi, koefisien regresi, koefisien determinasi dan
standar error koefisien regresi tersebut. Untuk menghitung nilai-nilai parameter
tersebut digunakan analisis regresi. Analisis regresi terbagi atas beberapa jenis
tergantung pada jumlah variabel dan model matematika dilihat dari :
Variabel
Jika 1 variabel bebas, maka disebut regresi sederhana (simple regression
analysis).
Jika 2 atau lebih variabel bebas maka disebut analisa regresi berganda (multiple
regression analysis)
Linearitas :
Dalam Variabel
Model linear, jika masing-masing variabelnya berpangkat/berderajat satu
Model non linear jika sala satu variabelnya tidak berpangkat satu.
Dalam Parameter
Model linear, jika masing-masing parameternya berpangkat/berderajat satu
Model non linear jika sala satu parameternya tidak berpangkat satu.
24
V. SIMPLE LINEAR REGRESSION ANALYSIS
Analisis regresi berkenaan dengan studi ketergantungan satu variabel, variabel
dependen pada satu atau lebih variabel lainnya, dengan maksud menaksir dan atau
meramalkan nilai rata-rata hitung (mean) atau rata-rata (populasi) variabel dependent.
Jika kita sedang mempelajari ketergantungan satu variabel pada hanya satu variabel
yang menjelaskan, seperti yang terjadi pada belanja konsumsi dan pendapatan riil.
Studi ini dikenal dengan analisa regresi sederhana atau dua variabel.
Tetapi kalau kita sedang, mempelajari ketergantungan satu variabel pada lebih
dari satu variabel yang menjelaskan, misalnya hasil panen, curah hujan, suhum
cahaya matahari dan pupuk, ini dikenal dengan analisa regresi berganda (multiple
regression analysis). Dengan kata lain dalam regresi dua variabel hanya ada satu
variabel yang menjelaskan, sedangkan dalam regresi berganda ada lebih daru satu
variabel yang menjelaskan.
B. Simple Linear Regression Model
7. Hubungan Fungsional
Y = f(x)Yi = B0 + B1Xi + ε1
=
25
=
ei = (Y-)
YY ˆ
YY
Y
Y
Y
B0
0 Xi X
8. Penaksiran Koefisien Regresi
Untuk menaksir persamaan (1) di atas diambil sebuah sampel dengan
observasi sebagai berikut :
Yi = B0 + B1Xi + ε1
Y2 = B0 + B1X2 + ε2
Y3 = B0 + B1X3 + ε3
: : : :
Yn = B0 + B1Xn + εn
Metode yang digunakan untuk menaksir B0 dan B1 adalah metode kuadrat
terkecil (OLS) yang hendak dicari adalah (penaksir B0) dan (penaksir
B1) sedemikian rupa sehingga meminimalkan.
Σe2 = Σ(Yi - )2
= Σ(Yi - )2, sehingga (turunan parsial)
= 0 dan = 0 e = ε
= -2 Σ(Yi - ) 1 = 0 ΣYi = n + Bi ΣXi
= -2Σ(Yi - ) X1ΣYXi = n ΣXi + BiΣ
Persamaan (2.1) dan (2.2) disebut persamaan normal sehingga :
dan = -
26
Oleh karena nilai observasi (X dan Y) bervariasi, maka akan terdapat juga
nilai-nilai yang bervariasi pada estimator paramternya.
Estimator : - varians B0
- varians B1
- covarians (B0, B1)
B1 = = σ2X =
σ2Y =
cov(XY) =
= =
S2e = =
=
= ; =
=
Jika nilai-nilai Bi terdistribusi mendekati distribusi normal standar, maka
terdistribusi, probabilitinya (t-hitung) dapat dirumuskan sebagai berikut :
; ………. n ≤ 30
27
9. Koefisien Determinasi dan Korelasi
Setelah penaksiran koefisien regresi, maka penaksiran parameter yang
lain, koefisien determinasi (R2) dan koefisien korelasi (r) perlu dilakukan. Hal
ini dimaksudkan untuk mengetahui seberapa besar variasi variabel bebas
dapat dijelaskan variabel (R2).
Demikian juga untuk mengetahui seberapa besar hubungan variabel
bebas dengan variabel terikat (r)
Besaran
Jadi R2 yx = ry . x * ry . x
Atau = =
0 R2yx + 1
-1 ryx + 1
10. Pengujian Hipotesis
Setelah mengetahui nilai-nilai estimator parameter ( , R2), maka perlu
dilakukan pengujian, untuk mengetahui apakah nilai estimator tersebut benar-
benar ada/nyata dalam populasi (signifikan)
= nilai statistik (sampel)
= paramater (populasi)
Hipotesis dapat dilakukan dengan 2 cara :
Menyatakan hipotesa nol (Ho), bahwa variabel bebas (X) tidak
mempunyai pengaruh nyata (signifikan) terhadap variabel terikat (Y)
Ho = B1 = 0 (tidak ada pengaruh)
Hipotesis alternatifnya :
28
- Ha = B1 ≠ 0 (x y = ) atau
- Ha = B1 > 0 (x y = ) atau
- Ha = B1 < 0 (x y = )
11. Penarikan Kesimpulan
Pernyataan Ho ditolak, jika :
t-hitung > t-tabel (signifikan)
Dinyatakan Ho diterima, jika :
t-hitung < t-tabel (tidak signifikan)
t-tabel = . (distribusi probability t)
t-tabel = t(α;df) α = 1 – γ = 1 – 95% = 5%
df = n – k
n = jumlah observasi
k = jumlah variabel
γ = tingkat keyakinan (level of confidence)
12. Prediksi (Forecasting)
Prediksi dilakukan jika modelnya signifikan, dengan menggunakan model :
= + untuk setiap nilai observasi ( ), data berkala
(time series).
29
Terima Ho1 - αTolak Ho α/2 α/2 Tolak Ho
-t(α/2;df) +t(α/2;df)
VI. MODELING IN ECONOMETRICS
Ekonometri adalah ilmu yang merupakan gabungan teori ekonomi, statistika
dan matematika.
Sebagai contoh :
Dalam teori ekonomi terdapat teori konsumsi
“Pengeluaran konsumsi seseorang akan tergantung pada Tingkat Pendapatannya,
semakin tinggi tingkat pendapatan maka semakin tinggi pula tingkat pengeluaran
konsumsi”
Dalam metematika terdapat persamaan garis linier
Y = a + bX
Dimana : a adalah intercept, dan b merupakan kemiringan/slope
Dalam statistika terdapat Statistik Inferensi
Yaitu penarikan kesimpulan umum dengan menggunakan data sampel untuk
mengetahui sifat populasi.
Maka ketiga ilmu (ekonomi, statistik, matematis) digabungkan menjadi ekonometri.
Dalam teori ekonomi memberikan landasan teori mengenai konsumsi bahwa terdapat
hubungan positif antara tingkat konsumsi dengan tingkat pendapatan. Matematika
memberikan andil bentuk model persamaan liniernya : Y = a + bX, dimana a
merupakan unsur intercept, dan b merupakan slope. Tetapi interprestasi secara ilmu
ekonomis, bila Y adalah tingkat konsumsi dan X adalah tingkat pendapatan, maka a
adalah tingkat konsumsi otonom (outonomous consumption), yakni tingkat konsumsi
jika pendapatan seseorang sama dengan nol, dan b adalah tingkat kecenderungan
mengkonsumsi (marginal propensity to consume, MPC). MPC menyatakan berapa
perubahan tingkat konsumsi jika pendapatannya naik satu satuan. Sedangkan, Ilmu
Statistik digunakan untuk mengetahui apakah a dan b memiliki arti secara statistik.
30
Itulah pengertian sederhana mengenai ekonometri. Jadi secara terpisah dapat
dikemukakan masing-masing peran ilmu-ilmu tersebut sebagai berikut :
4. Fenomena/kejadian ekonomi – Ilmu Ekonomi
5. Spesifikasi model ekonometri – Ilmu Matematika
6. Penaksiran, verifikasi (inferensi statisitik) – Ilmu Statistik
Ekonometri sebagai suatu ilmu memiliki metodologi sebagai berikut :
Fenomena ekonomi akan memunculkan teori akan fenomena tersebut. Teori
tersebut merupakan generalisasi kejadian yang telah diuji, sebagai contoh teori
Keynes tentang hubungan konsumsi dan pendapatan. Teori Keynes mengatakan
terdapat hubungan positif antara pendapatan dan tingkat pengeluaran seseorang,
artinya semakin tinggi tingkat pendapatan maka semakin tinggi pula tingkat
pengeluaran seseorang.
Untuk lebih menyederhanakan teori Keynes tersebut, maka dibuat
spesifikasi model matematis :
C = a + bY
Dimana :
C adalah tingkat konsumsi
a adalah tingkat konsumsi otonom (tingkat konsumsi pada saat
pendapatan nol)
b adalah kecederungan mengkonsumsi (marginal propensity to consume,
MPC)
Variabel konsumsi disebut dengan variabel tak bebas yaitu variabel yang
besarnya ditentukan oleh besarnya variabel lain. Sedangkan pendapatan disebut
sebagai variabel penjelas (exlnantory variable), yaitu variabel yang besarnya tidak
ditentukan oleh variabel lain.
Begitu pula dengan fungsi tabungan yang mengatakan : tingkat tabungan
memiliki hubungan yang positif dengan tingkat pendapatan seseorang. Artinya
31
semakin tinggi tingkat pendapatan seseorang maka semakin tinggi pula tingkat
tabungan seseorang. Fungsi tabungan tersebut dapat dibuat spesifikasi model
matematis sebagai berikut :
S = -a + dY
Dimana :
S adalah tabungan
-a adalah tabungan otonom (besarnya tabungan saat pendapatan nol)
d adalah kecenderungan menabung (marginal propensity to save, MPS)
Dalam kedua model matematis di atas kedua variabel yang berhubungan
memiliki hubungan yang pasti (deterministik). Dengan kata lain, C (konsumsi)
memiliki hubungan yang pasti dengan tingkat pendapatan. Sebagai contoh, jika
a (konsumsi otonom) sebesar 2000 dan b (MPC) sebesar 0,9 maka besarnya
C (konsumsi) dapat diketahui dengan pasti jika Y (pendapatan) diketahui. Jika
Y (pendapatan) sebesar 10.000 maka menurut model matematis di atas
C (konsumsi) pasti akan sebesar 11.000,- Begitu pula dengan fungsi tabungan,
tingkat tabungan memiliki hubungan yang pasti dengan tingkat pendapatan.
Dalam dunia nyata, hubungan antara dua variabel ekonomis biasanya tidak
pasti. Belum tentu semua orang yang memiliki pendapatan sebesar 10.000 pasti
akan memiliki tingkat konsumsi 11.000. Maka kemudian model matematis yang
deterministik tersebut dimodifikasi menjadi :
C = a + bY + u
S = -a + dY + u
Dimana :
u adalah gangguan (disturbance), kesalahan (error), variabel acak (random).
Faktor gangguan (u), tersebut muncul karena tidak dimaksudkan variabel-
variabel lain yang berpengaruh didalam model. Sebagai contoh, tingkat konsumsi
32
tidak hanya tergantung pada tingkat pendapatan tetap terdapat variabel-variabel
lain yang berpengaruh, seperti : kekayaan, selera, ekspektasi, dan lain-lain.
d. Estimasi (Penaksiran)
Setelah model ekonometri sudah dibuat, maka langkah selanjutnya
menakisr parameter-parameter yang ada di dalam model tersebut. Yaitu menakisr
berapa besar a, b, d dalam model konsumsi dan tabungan di atas. Sebagai contoh,
setelah proses perhitungan maka penaksir a sebesar 2.000; b sebesar 0,9; dan
d sebesar 0,1. Maka kedua model tersebut akan berbentuk :
C = 2000 + 0,9 Y
S = -2000 + 0,1 Y
e. Verifikasi (Inferensi Statistik)
Setelah langkah ke 3 dengan mendapatkan penaksir masing-masing
parameter, maka penaksir tersebut perlu dikaji apakah penaksir tersebut bisa
dipertanggung jawabkan secara statistik dengan pengujian hipotesis (inferensi
statistik). MPC sebesar 0,9 telah memenuhi teori ekonomi, dalam verifikasi
membahas apakah 0,9 bukan merupakan suatu kebetulan proses sampling.
f. Forecasting and Prediction
Setelah menaksir parameter telah kita temukan, dan model sudah kita
bentuk, biasanya model tersebut digunakan untuk meramalkan variabel tak bebas
atas dasar nilai-nilai variabel penjelas yang telah diketahui atau diharapkan untuk
masa yang akan datang.
Analisis mengenai distribusi pasangan variabel disebut analisis bivariat
(bivariate analysis). Analisa ini membutuhkan data yang terdiri dari dua kelompok
hasil observasi atau pengukuran (Xi, Yi). Hubungan antara variabel X dan variabel Y
umumnya dapat dinyatakan :
33
c. Regresi, yaitu pencarian bentuk persamaan atau rata-rata Y bagi X yang tertentu
atau sebaliknya.
d. Korelasi pengukuran tingkat asosiasi atau korelasi antara variabel X dan
variabel Y.
Dalam regresi variabel dapat dibedakan menjadi dua, yaitu :
c. Variabel tak bebas (dependent variabel) adalah variabel yang besarnya ditentukan
model. Variabel tak bebas ini sering disebut pula variabel yang dijelaskan
(explained variabel), variabel yang diramalkan (dredictan), variabel diregresi
(regressand), tanggapan (response).
d. Variabel bebas yang menjelaskan (explanatory variabel) adalah variabel yang
besarnya tidak ditentukan oleh model. Variabel ini sering juga disebut variabel
bebas (independent variabel), variabel peramal (predictor), variabel yang
meregresi (regressor), variabel perangsang atau variabel kendali (stimulus or
control variable).
Dalam persamaan :
C = a + bY + u
Maka C adalah variabel tak bebas (dependent variable), karena besarnya ditentukan
oleh model, sedangkan Y adalah variabel bebas (independent variable). Berdasarkan
jumlah variabel bebas (independent variable), maka analisis regresi dibedakan
menjadi dua, yaitu : analisis regresi sederhana (simple refression analysis) dan
analisis regresi majemuk (multiple regression analysis). Jika persamaan regresi
menunjukkan variable tak bebas hanya tergantung dengan satu variabel bebas maka
analisisnya disebut analisis regresi sederhana (simple regression analysis). Sedangkan
bila variabel tak bebas tergantung dua atau lebih variable bebas maka analisisnya
disebut analisis regresi majemuk (multiple regression analysis).
Contoh Analisis Regresi Dua Variabel
34
Yang dimaksud dengan regresi dua variabel adalah regresi dimana didalam
model hanya terdapat dua variabel, yaitu : satu variabel bebas (independent variabel)
dan satu variabel bebas. Sebagai contoh dalam model berikut ini :
C = a + bY
Dimana :
C adalah konsumsi
Y adalah pendapatan
a adalah konsumsi otonom (tingkat konsumsi pada saat pendapatan nol)
b adalah kecenderungan mengkonsumsi (MPC).
Dalam contoh di atas terdapat dua variabel, yaitu variabel tingkat konsumsi (C)
sebagai variabel tak bebas, dan variabel tingkat pendapatan (Y) sebagai variabel
penjelas. Belum tentu orang yang memiliki tingkat pendapatan sama akan memiliki
tingkat pengeluaran yang sama pula, seperti dalam contoh hipotesis berikut ini :
Data Hipotetik : Tabel 1. Jumlah Pendapatan dan Pengeluaran di antara 60 RT responden
Jumlah Pendapatan RT (US $)
80 100 120 140 160 180 200 220 240 260
Jumlah Pengeluaran
RT (US $)
55 65 79 80 102 110 120 135 137 150
60 70 84 93 107 115 136 137 145 152
65 74 90 95 110 120 140 140 155 175
70 80 94 103 116 130 144 152 165 178
75 85 98 108 118 135 145 157 175 180
.. 88 .. 113 125 140 .. 160 189 185
.. .. .. 115 .. .. .. 162 .. 191
Total 325 462 445 707 678 750 685 1043 966 1211
Rata-rata 65 77 89 101 112 125 137 149 161 173
Sumber : Gujarati, 2003
35
Dari lima responden yang memiliki tingkat pendapatan sebesar 80, masing-
masing memiliki tingkat pengeluaran konsumsi yang bervariasi 55, 60, 65, 70, 75.
Begitu pula dengan tingkat pendapatan yang lain, meskipun orang memiliki tingkat
pendapatan yang sama belum tentu tingkat pengeluarannya sama. Regresi secara ilmu
ukur merupakan suatu tempat kedudukan rata-rata bersyarat variabel tak bebas untuk
nilai variabel bebas tertentu.
Untuk mengetahui besar a dan b maka diperlukan data C dan Y. Bila data yang
digunakan adalah data keseluruhan populasi maka regresi yang didapat disebut fungsi
regresi populasi (Population Regression Function, PPF). Maka koefisien-koefisien
yang didapat merupakan koefisien-koefisien populasi (sesungguhnya) yang disebut
parameter.
C = a + bY + ui
Tetapi bila data yang digunakan hanya sebagian data populasi (hanya menggunakan
sampel) maka garis regresi yang didapat dinamakan fungsi regresi sample (Sampel
Regresion Function, SRF). Sehingga koefisien-koefisien yang didapat bukan
merupakan koefisien yang sesungguhnya (bukan koefisien populasi), tetapi
merupakan koefisien tafsiran (statistic).
36
0
50
100
150
200
250
60 80 100 120 140 160 180 200 220 240 260 280
(Pendapatan) = Y
Konsumsi (C)
Rata-rata Konsumsi : E (Y | X)
C = a’ + b’ Y + ei
Jadi tujuan utama kita dalam analisis regresi adalah untuk menaksir PRF atas dasar
SRF. Untuk mendapatkan penaksir a’ dan b’ seakurat mungkin dapat digunakan
metode kuadrat terkecil (method of ordinary least square, OLS).
Sebagai contoh :
Misalkan data pada tabel 1. di atas adalah data populasi terbatas, yakni sebanyak 60
rumah tangga. Sebuah sampel berukuran n = 10 diambil secara random dan hasilnya
adalah sebagai berikut :
Tabel 2. Data sampel RT yang terpilih
RT Pendapatan (Y) Konsumsi (C)
01
02
03
04
05
06
07
08
09
10
80
100
120
140
160
180
200
220
240
260
70
65
90
95
110
115
120
140
155
150
Sumber : Tabel 1.
37
Dengan menggunakan metode OLS, maka data pada tabel 2 akan menghasilakan
persamaan regresi (SRF) sebagai berikut :
C = 24,45 + 0,51 Y
(6,414) (0,036)
Hasil analisis regresi tersebut, menunjukkan bahwa konsumsi otonom, Co (a)
sebesar US$ 24,45 dan marginal propensity to consume, MPC (b) sebesar 0,51. MPC
= 0,51 tersebut menunjukkan, bahwa jika terjadi kenaikan pendapatan RT
(dispossible income) sebesar US$ 1 misalnya, maka akan mendorong pengeluaran
konsumsi RT sebesar US$ 0,51. Dengan kata lain pengaruh pendapatan terhadap
konsumsi sebesar 0,51. (MPS = 1- MPC = 0,49).
Persoalan berikutnya adalah apakah sampel yang terpilih tersebut representatif
terhadap populasi . Dengan kata lain, apakah nilai statistik MPC = 0,51 merupakan
estimasi tak bias dari nilai parameter MPC yang ada pada populasi. Untuk hal
tersebut, metoda statistik memberi petunjuk untuk melakukan pengujian (testing
hypotetic) guna meyakinkan hipotetis yang menyatakan bahwa ada pengaruh yang
signifikan pendapatan terhadap konsumsi RT. Untuk lebih jelasnya lihat pembahasan
lebih jauh pada sub bahasan selanjutnya.
IV. MULTIPLE LINEAR REGRESSION MODEL
AND TESTING HYPOTETIC
Pengertian “multiple regresion model” mengacu pada jumlah variabel bebas yang
lebih dari satu, sedangkan “linear regression model” mengacu pada parameter yang
berbentuk linear. Sebagai contoh :
1. Y = B0 + B1X1 + B2X2 + … + BiXi + i ;
(Model linear)
2. Y =A KαLβeμ InY = lnA + 1nK + lnL + μ
38
(Model Cobb-Douglas).
Metode estimasi nilai-nilai parameter pada model multiple sama saja pada model
simple, yakni menggunakan metode OLS atau lainnya. Ada kecenderungan bahwa,
semakin banyak jumlah variabel bebas semakin besar R2 Kecilnya nilai R2
menunjukkan atau boleh jadi masih banyaknya variabel yang relevan (subtantif) tidak
dimasukkan dalam model. Namun nilai R2 pada data time series lebih besar dari pada
R2 pada data cross-section.
Oleh karena nilai-nilai parameter seperti, koefisien regresi, koefisien diterminasi
dan koefisien korelasi merupakan nilai-nilai statistik (statistic value), yakni
merupakan karakteristik data sampel (empiris) dengan kata lain bukan nilai-nilai
parameter yang sesungguhnya (karakteristik populasi), maka mutlak dilakukan uji
statistik untuk menetapkan bahwa niali-nilai statistik tersebut tidak bias (tidak
berbeda) terhadap nilai parameter pada level of signifikan yang digunakan.
1. Uji Hipotesis
Pengujian hipotesis secara parsial dimaksudkan untuk menguji apakah
terdapat hubungan/pengaruh yang signifikan oleh masing-masing variabel
bebas terhadap variabel terikat. Dikatakan signifikan jika merupakan
estimator tak bias dari
observasi
estimasi
Pengujian hipotesis persil untuk model regresi berganda, prinsipnya sama
dengan pengujian hipotesis pada regresi sederhana yakni :
- Ho = Bi = 0- Ha = Bi ≠ 0
- Ha = Bi > 0- Ha = Bi < 0
t =
39
t-tabel = t (α ; df)
1 – α = γ
α = 1 – γ
Jika terdapat n observasi, maka persamaan simultan
Y1 = B0 + B1X11 + B2X21 + …….. + BkXk1 + e1
Y2 = B0 + B1X12 + B2X22 + …….. + BkXk2 + e2
Yn = B0 + B1X1n + B2X2n + …….. + BkXkn + en
Notasi matriks; Y = X + e
=
+
Dengan metode OLS, akan didapatkan nilai-nilai parameter estimasi
i = 1, 2, 3, ……………, k
Koefisien Diterminasi
Koefisien determinasi untuk model regresi berganda, menjelaskan,
bahwa seberapa besar pengaruh variabel bebas secara simultan (bersama-
sama) terhadap variabel terikat. Atau seberapa besar keseluruhan variasi bebas
dapat menjelaskan variabel terikat (terdapat sebagian orang) ?
0 R2 1
0% R2 100%
40
Besar kecilnya R2 tidak dapat dijadikan alasan bahwa model tersebut “baik”,
sebab besar kecilnya nilai R2 tergantung pada : jumlah variabel, bebas,
semakin banyak variabel bebas, maka R2 semakin besar.
Asumsi-Asumsi OLS.
1. Linearity model yakni linearity to parameter, bukan ke variabel.
2. Rata-rata gangguan (error) sama dengan nol ; E (e) = 0
3. No autocorrelation artinya tidak ada korelasi antar error (e1 Ж e2) artinya
nilai variabel terikat hanya ditentukan oleh variabel bebas, bukan oleh
error term.
4. Homoscchedasticity : error (ei) (en) masing-masing mempunyai
distribusi yang sama e ~ N (0, σ2e) normal of error distribution
Var e1 = var e2
= var en
5. No multicollinearity : tidak terjadi korelasi yang erat antar variabel bebas,
batas toleransi maksimum koefisien korelasi 0,70
6. Error tidak berkolerasi dengan variabel bebas; E(Xe) = 0
7. Variabel x adalah variabel yang non stohastic (no measurement error in x),
sehingga Bi merupakan transformasi linier dari Y
Estimator OLS (Ordinary Least Square Method)
Metode estimator pada persamaan regresi berganda sama dengan pada
persamaan sederhana yang berbeda hanya jumlah variabel bebasnya yang
lebih dari satu (K > 1)
Y = f (X1, X2, ………. Xn)
Yi = B0 + B1Xli + B2X21 + .................... + BkXki + ei
41
Terima Ho1 - αTolak Ho α/2 α/2 Tolak Ho
-t(α/2;df) +t(α/2;df)
2. Uji Hipotesis Simultan
Pengujian hipotesis secara simultan (serempak) dimaksudkan untuk menguji
apakah terdapat pengaruh yang signifikan variabel bebas secara bersama-sama
terhadap variabel terikat (terdapat sebagian orang saja) ?
Y1 = B0 + B1Xli + B2X2i + …………. + BkXk + ei
= + + + ……….. + + ei
Oleh karena itu prosedur pengujian hipotesisnya adalah :
a. Ho : B1 = B2 = Bk = 0
Ha : B1 = B2 = Bk ≠ 0 (paling tidak, ada satu parameter tidak sama)
b. Nilai Kritis F (a ; df) ; df (v1, v2)
v1 = k
v2 = n – k – 1
k = jumlah variabel bebas
n = jumlah observasi
c. F statistic = Fo =
Atau Fo =
Tabel ANOVA (Analysis of Variance)
Source of Variance
Sun Square (ss)
Degree of Feedom (df)
Mean square ss/df
Fo
Regresi Regressor
k
Residial Sisa
n – k – 1
Total n - 1 - -
d. Kesimpulan
Jika F hitung < F (α ; df), maka Ho diterima (tidak signifikan)
42
Jika F hitung > (α ; df), maka Ho ditolak atau H1 ditolak atau H1 diterima
(signifikan) artinya model regresi tersebut layak digunakan untuk analisis
struktur dan forecasting.
3. Uji Multikolinearitas
Multikolinearitas adalah hubungan eksak linear antar variabel bebas,
konsekwensi multikolinearitas adalah invalidnya signifikasi variabel,
multikolineritas di duga terjadi apabila, nilai R kuadrat cukup tinggi (lebih
besar dari 0,8) nilai F tinggi, nilai statistik t semua atau hampir semua
variabel bebas tidak signifikan dan terdapat nilai koefisien korelasi antar
variabel bebas lebih dari 0,70.
Untuk mengeleminasi multikolinearitas, maka hal-hal yang dapat dilakukan
antara lain :
Tambah jumlah sampel
Keluarkan salah satu variabel yang berkorelasi tinggi (lebih dari 0,70)
Gabung variabel yang berkorelasi tinggi tersebut sepanjang satuannya
sama seperti PMA dan PMDM
Jika salah satu alternatif dilakukan, maka didapat R kuadrat lebih kecil dari
model semula dan ini berarti multikolinearitas teratasi.
4. Uji Heteroskedastisitas
Heteroskedastisitas adalah situasi tidak konstannya variance,
konsekwensi heteroskedastisitas adalah biasanya variance, sehingga uji
signifikasi terjadi infalid, salah satu cara mendeteksi (menguji)
heteroskedastitistas adalah dengan melakukan uji Glesjer. Uji Glesjer
43
1 – α = 0,95Daerah penerimaan
Ho α = 0,05 daerah penerimaan Ho
F(α ; df)
dilakukan dengan cara meregresi nilai absolut residual dari model yang
diestimasi terhadap variabel-variabel bebas. Misalnya jika model y = f(X1, X2)
maka model regresi Glesjer adalah = f (X1, X2).
Selain dengan uji Glesjer, dapat pula dilakukan dengan metode Park, uji park
dilakukan dengan meregresi logaritma residual kuadrat terhadap semua
variabel bebas.
Apabila uji Ho = heterokedastisitas, signifikan, berarti varians regresi yang
diestimasi adalah heterokedastisitas, dapat diatasi dengan jala
mentransformasi variabel, misalnya dengan mengalogaritmakan data, untuk
kemudian diregresi.
5. Uji Autokorelasi
Autokorelasi adalah adanya hubungan antar residual pada satu
pengamatan dengan pengamatan lain. Konsekwensi autokorelasi adalah
biasanya varians dengan nilai yang lebih kecil dari nilai yang sebenarnya,
sehingga nilai R kuadrat dan F-statistik yang dihasilkan cenderung sangat
berlebih (overstimated). Cara mendeteksi adanya autokorelasi adalah dengan
membandingkan nilai Durbin Waston (DW) statistik hitung dengan DW
statistik tabel.
Pedoman pengambilan keputusan ada tidaknya autokorelasi adalah
sebagai berikut :
Daerah I ; DW < 1.10 : autokorelasi
Daerah II ; 1,11 < DW < 1,54 : inkonklusi / ragu-ragu
Daerah III ; 1,55 < DW < 2,46 : nonautokorelasi
Daerah IV ; 2,47 < DW < 2,9 : inkonklusi / ragu-ragu
Daerah V ; DW > 2,91 : autokorelasi
Apabil DW jatuh pada daerah ragu-ragu maka keputusan tepulang pada
peneliti.
44
Contoh : Penerapan model regresi berganda (multiple regression model) dalam analisis fungsi konsumsi pada perekonomian dua sektor
Dalam literatur ekonomi makro, terdapat istilah model makro empat sektor
(perekonomian terbuka), yakni Y = C + I + G + (X – M) dan model makro tiga
sektor ((perekonomian tertutup), yakni Y = C + I + G.
Analog dengan kedua model tersebut, maka dibentuk model makro
perekonomian dua sektor, yakni Y = C + G, model ini mempunyai syarat
keseimbangan :
Y = C + G .............................................................................................(1)
C = a + b Yd .........................................................................................(2)
Yd = Y – Tx .............................................................................................(3)
T = To ...................................................................................................(4)
G = Go...................................................................................................(5)
Apabila nilai dari variabel C, G dan T disubtitusi dalam syarat keseimbangan (1),
maka akan diperoleh formula untuk menentukan tingkat keseimbangan dalam
model dua sektor tersebut sebagai berikut :
Y = {1/(a – b)} (a – bTo + Go) ............................................................(6)
Dalam model makro dua sektor, pajak bersifat eksogen (exogeneous), maka
pengganda konsumsi, pengeluaran pemerintah dan pajak masing-masing sebagai
berikut :
Pangganda konsumsi (kC) = dY/dC = 1/(1 – b) ..................................................(7)
Pengganda pengeluaran pemerintah (kG) = dY/dG = 1/(1 – b) ..........................(8)
Pengganda pajak (kT = dY/dT = -b / (1 – b) .......................................................(9)
1. Pembentukan Model Ekonometri
Berdasarkan model makro dua sektor tersebut di atas, maka dibentuk model
fungsi regresi sebagai berikut :
45
Ct = f(Yt, Gt, Ct – 1).............................................................................(10)
Dari model hubungan fungsional di atas, maka dapat dibentuk dua jenis model
persamaan ekonometrik sebagai berikut :
a. Model Linear
Ct = Bo + B1Yt + B2Yt + B3Gt + B4Ct – 1 + M ...................................(11)
Dimana :
Ct = Konsumsi masyarakat, Indonesia (1983 = 100, milyar Rp)
Yt = Produk domestik bruto, Indonesia (1983 = 100, milyar Rp)
Gt = Pengeluaran pemerintah, Indonesia (1983 = 100, milyar Rp)
Ct = Konsumsi masyarakat tahun lalu, Indonesia (1983 = 100 milyar Rp)
M = error term
Parameter-parameter yang akan diestimasi adalah :
Bo = kontanta
B1, B2, dan B3, masing-masing koefisien regresi yang menjelaskan tentang:
besarnya pengaruh (absolut) masing-masing variabel bebas (Yt, Gt, dan Ct-1)
terhadap variabel terikat (Ct), dimana :
B1 = dYt/dCt (MPC = marginal propencity to Consume)
B2 = dGt/dCt (pangganda pengeluaran pemerintah)
B4 = dCt-1/dCt (MPC tahun lalu)
b. Model Cobb-Douglas
B1 B2 B3 MCt = Bo Yt Gt Ct-t e ................................................................(12)
InCt = InBo + B1lnYt + B2lnGt + B3InCt – 1 + M ...............................(13)
Dimana
Parameter-parameter yang akan diestimasi :
46
InBo = konstanta
B1, B2, B3 dan B4, masing-masing koefisien regresi yang menjelaskan
tentang : besarnya pengaruh (relatif) masing-masing variabel bebas (Yt, Gt
dan Ct – 1) terhadap variabel terikat (Ct), yakni :
B1 = (dCt/Ct) / (dYt/Yt) : elastisitas konsumsi atas pendapatan PDB
B2 = (dCt/Ct) / (dGt/Gt) : Elastisitas konsumsi atas pengeluaran
pemerintah
B4 = (dCt/Ct) / (dCt – 1 / Ct-t) : Elastisitas konsumsi masyarakat tahun
lalu.
2. Hipotesis
a. Produk Domestik Bruto (PDB) berpengaruh positif dan signifikan terhadap
konsumsi masyarakat.
b. Pengeluaran pemerintah (rutin dan pembangunan) berpengaruh positif dan
signifikan terhadap konsumsi tahun sekarang, dengan alasan bahwa konsumsi
masyarakat tahun lalu akan meningkatkan penerimaan masyarakat (disisi lain)
dan pada akhirnya akan mendorong konsumsi masyarakat periode berikutnya.
Sebelum membahas data empiris dengan menggunakan model ekonometri (model
regresi berganda di atas), maka berikut ini diketengahkan sepintas tentang
Analisis Regresi, Asumsi Klasik dan Pengujian Hipotesnya secara teoritis. Hal ini
dimaksudkan sebagai acuan untuk melakukan interpretasi terhadap nilai-nilai
statistik dan pengujian hipotesisnya sebagai berikut.
3. Analisis Data
a. Data
Data yang digunakan dalam analisis ini adalah data time series, seperti pada
tabel berikut :
Tabel 1
47
Nilai Konsumsi Masyarakat, Produk Domestik Bruto, Pengeluaran Pemerintah dan Penerimaan Pajak Pemerintah, Indonesia (1980 – 2002).
Milyar rupiah, 1983 = 100)
Sumber : Hasil estimasi
b. Hasil Analisis dan Pembahasan
Analisis data digunakan dengan menggunakan dua model seperti yang telah
disebutkan di atas :
1. Model Linear
48
Ct = Bo + B1Yt + B2Gt + B3Ct – 1 + M
Dengan menggunakan paket komputer SPSS for Windows, maka didapat
hasil regresi berganda seperti pada print – out terlampir (lampiran 1)
Berdasarkan hasil print-out tersebut, maka persamaan regresi hasil
estimasi dapat ditulis sebagai berikut :
Ct^ = bo + b1Yt + b2Gt + b3Ct – 1
Ct^ = 445.615 + 0,234 Yt + 1.061Gt + 0.418 Ct – 1
Untuk lebih jelasnya dapat dilihat pada Tabel 2 sebagai berikut :
Tabel 2
Nilai-Nilai Statistik Hasil Estimasi (Ct = Variabel Terikat).
Variabel Bebas
Estimasi parameter bi
Standar Error SE (bi)
t-hitung t (n-k)
Sign-t Sign-F
Konstant 445.615 107.042 0.416 0.682 0.000
Yt 0.231 0.066 3.496 0.003
Gt 1.061 0.527 2.012 0.059
Ct-1 0.418 0.156 2.689 0.015
R2 = 0,993 R2 adjusted 0,993 F-hitung 929.948
Sumber : Hasil analisis pada lampiran 1Catatan : Variabel-variabel : Ct : Y; Yt = X1; Gt = X2; dan Ct – 1 = X3
2. Interpretasi Secara Ekonometri
a) Uji Parsial
Varibel Produk Domestik Bruto (Yt = X1)
Dari hasil regresi yang ada, nampak bahwa koefisien regresi B1 =
0,231 Hal ini menunjukkan, bahwa MPC (Marginal Propencity to
Consume) = 0,231 atau MPS (Marginal Propencity to Saving)
sebesar 0,769. Angka ini menunjukkan, bahwa pengaruh PDB
49
terhadap konsumsi masyarakat sebesar 0,231. Artinya, jika
pendapatan (PDB) naik 1 satuan rupiah, maka pengeluaran
masyarakat untuk konsumsi akan naik sebesar 0,231 satuan rupiah,
asumsi variabel lain konstan (ceteris paribus). Seandainya data ini
dapat dipercaya (valid), Angka ini cukup bagus untuk Indonesia,
karena kebanyakan negara-negara sedang berkembang justru
terjadi keadaan sebaliknya, dimana mempunyai MPC rata-rata di
atas 0,70.
Pengaruh PDB (Yt) terhadap pengeluaran konsumsi masyarakat
cukup signifikan, dimana ditandai dengan t-hitung lebih besar
daripada t-tabel (3,496 > 2,101) pada level of signifikan 5% (two
tailed test). Atau dapat dilihat pada nilai signifikan-t yang lebih
kecil daripada level of signifikan 0,05 (0,025 < 0,05).
Variabel Pengeluaran Pemerintah (Gt = X2)
Nampak bahwa pengaruh pengeluaran pemerintah terhadap
pengeluaran konsumsi masyarakat sebesar 1,061. Angka ini
menunjukkan bahwa jika terjadi perubahan anggaran pemerintah
(realisasi APBN) sebesar 1 satuan rupiah, maka akan mendorong
perubahan pengeluaran masyarakat untuk konsumsi sebesar 1,061
satuan rupiah. Nampaknya angka ini kurang realistik, sebab sulit
dipercaya, misalnya jika terjadi kenaikan anggaran rutin (gaji
pegawai negeri) sebesar Rp 1 milyar, maka belanja masyarakat
untuk konsumsi akan naik sebesar Rp 1,061 milyar.
Untung, pengaruh pengeluaran pemerintah ini terhadap
pengeluaran konsumsi masyarakat tidak signifikan pada level of
signifikan 0,05. Sehingga dengan demikian angka koefisien regresi
(B2 = 1.061) tidak layak digunakan sebagai analisis struktur model
tersebut. Indikasi, bahwa pengaruh pengeluaran pemerintah
50
terhadap konsumsi masyarakat tidak signifikan pada level of
signifikan 5%, dimana ditandai dengan nilai t-hitung lebih kecil
daripadai t-tabel (2,012 < 2,101). Bukti lain adalah nilai sign-t
lebih besar daripada level of signifikan (0,059 > 0,05).
Variabel Konsumsi Masyarakat Tahun Sebelumnya (Ct – 1 = X3)
Pengaruh pengeluaran konsumsi masyarakat tahun sebelumnya
terhadap pengeluaran masyarakat tahun sekarang (current year),
nampak cukup signifikan pada level of signifikan 1%. Hal ini
ditandai dengan nilai t-hitung lebih besar daripada nilai t-tabel
(2,689 > 2,1.01), atau nilai signifikan t-nya lebih kecil daripada
level of signifikan (0,008 < 0,01).
Besarnya pengaruh pengeluaran konsumsi masyarakat tahun lalu
terhadap pengeluaran konsumsi masyarakat tahun berjalan, sebesar
0,418. Angka ini menunjukkan, bahwa jika terjadi peningkatan
pengeluaran konsumsi masyarakat sebesar 1 satuan, maka akan
mendorong pengeluaran masyarakat tahun berikutnya sebesar
0,418 satuan. Dengan kata lain, pola konsumsi masyarakat tahun
sekarang, linear dengan pola konsumsi tahun berikutnya. Angka
ini juga menjelaskan, bahwa kecenderungan orang yang menerima
pendapatan dari tambahan (satu satuan) pengeluaran konsumsi
masyarakat tersebut, akan menabung sebesar sebesar 0,582 satuan,
dan akan membelanjakan untuk konsumsi tahun berikutnya sebesar
0,418 satuan.
b) Uji Simultan
Bila kita perhatikan nilai R-kuadrat (koefisien Determinasi)
sebesar 0,993, maka hal tersebut menunjukkan bahwa variasi variabel
terikat yang dapat dijelaskan oleh model atau keseluruhan variabel
51
bebas, sebesar 99,3%, sisanya 0,7% dijelaskan oleh variabel yang
tidak dimasukkan dalam model (error term).
Angka R-kuadrat = 0,993 yang cukup tinggi ini, secara
ekonometri patut dicurigai terjadi multikolinearitas dalam model
tersebut, namun jika kita perhatikan uji parsialnya ternyata hampir
semua variabel bebas berpengaruh nyata terhadap variabel terikat.
Angka R-kuadrat yang tinggi tersebut, dimungkinkan karena data
yang digunakan adalah data time series dan jumlah series- nya 22
tahun.
Meskipun terdapat satu variabel bebas tidak signifikan pengaruhnya
terhadap variabel terikat, namun secara simultan cukup signifikan. Hal
tersebut, ditandai dimana nilai F-hitung lebih besar daripada F-tabel =
F(0,01; 3 : 18) pada level of signifikan dimana (929,948 > 5,08). Atau dapat
ditandai, dimana nilai sign F. lebih kecil daripada level of signifikan
(0,000 < 0,01 atau 0,05).
Kemudian jika kita perhatian nilai Durbin Watson (DW), dimana
DW = 1,919, maka dalam model regresi tersebut tidak terjadi
outokorelasi (no outocorrelation). Sebab daerah antara 1,55 < DW <
2,46 menunjukkan tidak ada otokorelasi atau serial korelasi. Artinya
tidak ada hubungan residual antar satu pengamatan dengan
pengamatan yang lain atau pengamatan berikutnya (salah satu asumsi
klasik).
Dapat disimpulkan, bahwa model linear ini layak digunakan untuk
analisis struktur dan forecasting (kebajikan).
c) Model Cobb-Douglas
B1 B2 B3 MCt = Bo Yt Gt Ct-t e (12)
InCt = InBo + B1lnYt + B2lnGt + B3InCt – 1 + M
52
Dengan menggunakan paket komputer SPSS for Windows, maka
didapat hasil regresi berganda seperti pada print-out terlampir
(Lampiran 1)
Berdasarkan hasil print-out tersebut, maka persamaan regresi
hasil estimasi dapat ditulis sebagai berikut :
InCt^ = Inbo + b1lnYt + b2lnGt + b3lnCt – 1
InCt^ = In 0,234 + 0,322 InYt + 0,131 InGt + 0,532 lnCt-1
Untuk lebih jelasnya dapat dilihat pada Tabel 2 sebagai berikut :
Tabel 3Nilai-nilai Statistik Hasil Estimasi (InCt = Variabel Terikat)
Variabel Bebas
Estimasi parameter bi
Standar Error SE (bi)
t-hitung t (n-k)
Sign-t Sign-F
Konstant 0.234 0.485 0.485 0.634 0.000
InY 0.322 0.143 2.256 0.037
InGt 0.131 0.079 1.663 0.114
InCt-1 0.532 0.134 3.966 0.001
R2 = 0,993 R2 adjusted 0,993 F-hitung 929.948
Sumber : Hasil analisis pada lampiran-2Catatan : Variabel-variabel : InCt=InY;InYt = InXI;InGt=lnGt=lnX2;
Ct-1 = lnX3
3. Interpretasi Secara Ekonometri
a) Uji Parsial
Variabel Produk Domestik Bruto (lnYt = lnX1)
Dari hasil regresi yang ada, nampak bahwa koefisien regresi B1 =
0,322. Hal ini menunjukkan, bahwa elastisitas pengeluaran
konsumsi masyarakat untuk PDB sebesar 0,322/ Artinya, jia PDB
53
berubah 1 persen, maka pengeluaran konsumsi masyarakat akan
berubah sebesar 0,322 persen, asumsi variabel lain konstan (ceteris
paribus).
Seandainya data ini dapat dipercaya (valid), maka ini
menunjukkan bahwa dorongan untuk menabung sangat tinggi,
sehingga akan mendorong pembentukan modal domestik yang
tinggi, dan pada gilirannya pertumbuhan ekonomi meningkat.
Pengaruh PDB (lnYt) terhadap pengeluaran konsumsi masyarakat
cukup signifikan, dimana ditandai dengan t-hitung lebih besar
daripada t-tabel (2,256 > 2,101) pada level of signifikan 5% (two
tailed test). Atau dapat dilihat pada nilai signifikan t yang lebih
kecil daripada level of signifikan (0,037 < 0,05).
Variabel Pengeluaran Pemerintah (lnGt = lnX2)
Nampaknya bahwa pengaruh pengeluaran pemerintah terhadap
pengeluaran konsumsi masyarakat sebesar 0,0131. Angka ini
menunjukkan bahwa jika terjadi perubahan anggaran pemerintah
(reaisasi APBN) sebesar 1 persen, maka akan mendorong
perubahan pengeluaran masyarakat untuk konsumsi sebesar 0,131
persen, asumsi ceteri paribus. Nampaknya angka ini tidak realistis,
sebab jika terjadi kenaikan anggaran rutin (gaji pegawai negeri)
misalnya naik Rp 1 milyar, maka belanja masyarakat untuk
konsumsi akan naik hanya sebesar Rp 131 juta.
Angka elastisitas pengeluaran konsumsi masyarakat untuk
pengeluaran pemerintah yang tidak realistik ini, ternyata jika
dilakukan uji hipotesis, pengaruh pengeluaran pemerintah ini
terhadap pengeluaran konsumsi masyarakat tidak signifikan pada
level of signifikan 0,05. Sehingga dengan demikian angka
koefisien regresi (B2 = 0,131) tidak layak digunakan sebagai
54
analisis struktur. Indikasi, bahwa pengaruh pengeluaran
pemerintah terhadap konsumsi masyarakat tidak signifikan pada
level of signifikan 5%, ditandai dengan nilai t-hitung lebih kecil
daripada t-tabel (1,663 < 2,101). Bukti lain adalah nilai sign-t lebih
besar daripada level of signifikan (0,114 > 0,05).
Variabel Konsumsi Masyarakat Tahun Sebelumnya (lnCt-1=lnX3)
Pengaruh pengeluaran konsumsi masyarakat tahun sebelumnya
terhadap pengeluaran masyarakat tahun sekarang (current year),
nampaknya cukup signifikan pada Level of signifikan 1%. Hal ini
ditandani dengan nilai t-hitung lebih besar daripada nilai t-tabel
(3,966 > 2.101), atau nilai signifikan t-nya lebih kecil daripada
level of signifikan (0,001 < 0,01).
Besarnya pengaruh pengeluaran konsumsi masyarakat tahun lalu
terhadap pengeluaran konsumsi masyarakat tahun berjalan, sebesar
0,532. Angka ini menunjukkan, bahwa jika terjadi peningkatan
pengeluaran konsumsi masyarakat sebesar 1 persen, maka akan
mendorong pengeluaran masyarakat tahun berikutnya sebesar
0,532 persen.
b) Uji Simultan
Bila kita perhatikan nilai R-kuadrat (koefisien determinasi) sebesar
0,991, maka hal tersebut menunjukkan bahwa variasi variabel terikat
yang dapat dijelaskan oleh model atau keseluruhan variabel bebas,
sebesar 99,1%, sisanya 0,9% dijelaskan oleh variabel yang tidak
dimasukkan dalam model (error term).
Angka R-kuadrat = 0,991 yang cukup tinggi ini, secara ekonmeteri
patut dicurigai terjadi multikolinearitas dalam model tersebut, namun
jika kita perhatikan uji persialnya ternyata hampir semua variabel
bebas berpengaruh nyata terhadap variabel terikat. Angka R-kuadrat
55
yang tinggi tersebut, dimungkinkan karena data yang digunakan
adalah data time series dan jumlah series-nya 22 tahun.
Meskipun terdapat satu variabel bebas tidak signifikan pengaruhnya
terhadap variabel terikat, namun secara simultan cukup signifikan. Hal
tersebut, dintai dimana nilai F-hitung lebih besar daripada F-tabel =
F(0,001; 3 : 18) pada level of signifikan dimana (757,173 > 5,08). Atau
dapat ditandai, dimana nilai sign. F lebih kecil daripada level of
signifikan (0,000 < 0,01).
Jika kita perhatikan nilai Durbin Watson (DW), dimana DW = 1,550,
maka dalam model regresi tersebut tidak terjadi outokorelasi. Sebab
daerah antara 1,55 < DW < 2,46 menunjukkan tidak ada otokorelasi
dan daerah antara 1,10 < DW < 1,54 (inkonklusif/ragu-ragu). Artinya
tidak ada hubungan residual antara satu pengamatan dengan
pengamatan yang lain atau pengamatan berikutnya.
Dapat disimpulkan, bahwa model linear ini layak digunakan untuk
analisis struktur dan forecasting (kebijakan).
Adapun tidak signifikan variabel pengeluaran pemerintah terhadap
pengeluaran konsumsi masyarakat, diduga karena variabel
pengeluaran pemerintah mengandung dua unsur, yakni pengeluaran
rutin dan pengeluaran pembangunan. Pengeluaran pembangunan
dicurigai tidak signifikan pengaruhnya terhadap pengeluaran konsumsi
masyarakat pada tahun yang sama. Dengan demikian, sehingga
pengaruh pengeluaran pemerintah (secara totalitas) terhadap
pengeluaran konsumsi masyarakat bias.
56
V. SPECIAL MODEL IN ECONOMETRICS
A. Two-Stage Equation Model
Syaratnya : yaitu ada 2 model yang menentukan model yang lain :
Misalnya : hubungan X Y Z
Y = f(X)
Z = f(Y)
Katakan : X = APBD
Y = PDRB
Z = Kesempatan Kerja
Model I : Y = B0 + B1X + e1 = + X
Model II : Z = α0 + α1Y + e2
Estimatornya :
Supaya tidak terjadi autokorelasi antara model I dan model II pada errornya, yaitu
e1 dan e2, maka estimator.
Model II adalah :
Z = f ( )
= α0 + α1 (B0 + B1X) + ei
= (α0 + α1B0 ) + α1B1X + ei
= α0 + α1 (B0 + B1X) + e2
= (α0 + α1B0) + α1B1X + e2
= γ0 + γ1X + e2
Persamaan Regresi Estimasi :
Dimana X = APBD
Z = Kesempatan Kerja
B. Two-Stage Equation Model dalam Simultaneous
57
Yaitu model regresi dua tahap, asumsinya ada 2 model yang saling berhubungan
Contoh :
Model 1 : Income Function
Ylt = B10 + …+ B1Y2t + γ11Xlt + γ12X2t + elt
Model 2 : Money – supply Function
Y2t = B20 + B2tYlt + e2t
Dimana :
Y1 = income
Y2 = stock of money
X1 = investment expenditure
X2 = govert – expenditure
Variabel X1 dan X2 disebut variabel exogenous sedangkan
Variabel Y1 dan dan Y2 disebut variabel endogen
Metode Estimasi dan Langkah-Lankahnya
1. Identifikasi apakah jumlah variabel endogen sama dengan jumlah persamaan
(syarat perlu) variabel endogen (2) = Ylt dan Y2t ada dua persamaan (I dan II)
harus sama.
2. Harus memenuhi syarat, yaitu teridentifikasi :
K < G – 1 : tidak teridentifikasi
K = G – 1 : teridentifikasi
K > G – 1 : terlalu teridentifikasi
Pada model (I) dan (II) di atas, terlihat bahwa :
Model (I) terdapat K = 2, yaitu X1 dan X2
Model (I + II) terdapat G = 2, yaitu Ylt dan Y2t
Oleh karena persamaan I + II teridentifikasi, maka persamaan II dapat
diestimasi, secara Two Stage Eq Model
Caranya :
Estimasi Ylt, sehingga :
58
Ylt = + Y2t + Xlt + X2
Y2t = f( )
Hal ini dilkukan supaya tidak terjadi autokorelasi antara elt dan e2t ini penting
supaya kita terhindar dari apa yang disebut “Simultaneous Bias”.
C. Distributiopn Lag Model
Distribusi lag model digunakan untuk menangkap kejadian dimana Yt selain
dipengaruhi oleh Xt juga dipengaruhi oleh Xt-1
Yt = f(Xt) = B0 + B1Xt + e
Period : 1995t
1996t + 1
1997t + 2
1998t + 3
Efek terhahadap Y B1Xt B21Xt B3Xt B4Xt
Sehingga :
Yt = B0 + Xt + B1 γt-1 + B2Xt-2 + Bt-k + et
Data :
Ot X Y
t – k …….. ……..t – k + 1 …….. ……..t – k + 2 …….. ……..
t – 2 …….. ……..t – 3 …….. ……..T …….. ……..
Misalnya investasi 5 tahun ; 4 ; 3 ; 3 dan 1 tahun yang lalu masih tetap mempengaruhi
output tahun sekarang. Oleh karena itu perlu memasukkan nilai investasi sebelumnya.
D. Regression on Dummy Variable
Dummy variabel (variabel boneka/bayangan) dapat kita jumpai pada variabel
bebas dan variabel terikat
1. Regression on Dummy Independent Variable
59
Variable dummy digunakan untuk variabel katagorik baik pengkatagorian yang
bersifat nominal, ordinal maupun interval.
Contoh :
Yi = f(Xi, Di)
Yi = B0 + BiX + B2Di + μ
Dimana : Yi dan X1 masing-masing tabungan dan pendapatan, dan Di adalah
variabel dummy dengan dua indikator, Di = 1 pada saat krisis moneter, Di = 0
pada saat pasca krisis moneter.
Atau
Zi = f(Xi, Di)
Zi = α0 + α1X1 + α2Di + μi
Dimana; Zi dan Xi masing-masing tabungan dan pendapatan, dan Di adalah
variabel dummy dengan dua indikator, Di = 1 jika responden tinggal diperkotaan,
Di = 0 jika responden tinggal dipedesaan.
Estimasi Persamaan Regresi
Di kota : Di = 1 ;
Atau E(Yi\Di) = 1,Xi) = (α0 + α2) + α1Xi
Di pedesaan : Di = 0 ;
Atau E(Yi\Di) = 0,Xi) =
Nilai estimasi α2 menunjukkan perbedaan interect antara fungsi tabungan di
perkotaan dibanding di pedesaan, jika a2 = positif, maka hal tersebut
60
Ykota = (α0 + α2) + Xi
Ydesa = + Xi
Y
(α0 + a2)
α0
Xi
menunjukkan, bahwa tabungan diperkotaan lebih tinggi dibanding tabungan di
pedesaan sebanyak . Demikian sebaliknya, jika = negatif, maka tabungan di
perkotaan lebih sedikit, sebesar dibanding dipedesaan.
Contoh (Gujarati, 1988 : 447)
= - 1.7502 + 0,1504Xi + 1.4839Di
Yi = SavingXi = IncomeDi = 1; reconstruction period (krisis moneter)Di = 0; postreconstruction period (pasca krisis moneter)
= (-1.7502 + 1.4839) + 0,1504Xi
= -0,2663 + 0,1504Xi
= -1.7502 + 0,1504Xi
Hipotesisnya :
Ho = Bi = 0 (tidak terjadi perbedaan yang signifikan)H1 = B1 ≠ 0 (terjadi perbedaan yang signifikan)
2. Regression on Dummy Dependent Variable
(Logit Model atau model Logistik)
61
Saving
= 0,2663 + 0,1504Xi
= -1.7502 + 0,1504Xi
Income
0,2663
1,7502
Model analisis regresi yang membahas tentang variabel katagori pada variabel
terikat adalah model logit dan juga disebut model logistik. Misalkan kita ingin
studi tentang partisipasi angkatan kerja, sebagai fungsi dari tingkat
pengangguran, rata-rata tingkat upah, pendapatan keluarga, pendidikan dan
lain-lain.
Angkatan kerja sebagai variabel akan mempunyai dua nilai, yaitu bekerja dan
tidak bekerja, variabel terikat akan diberi dua indikator yakni jika angkata
kerja tersebut bekerja, maka nilainya = 1, sedangkan apabila tidak bekerja
nilainya = 0, supaya lebih kongkrit, model regresinya dapat ditulis sebagai
berikut : Y = B0 + B1X1 + B2X2 + μ
Dimana Y = 1; jika bekerja di sektor informal
Y = 0; jika bekerja di sektor formal
X1 = jenis kelamin responden
X2 = pendidikan responden
Μ = error term
Oleh karena ada dua nilai Yi, maka juga hanya ada dua nilai untuk μi; yaitu (1-
B0 – B1X1 – B2X2) dan (0 – B0 – B1X1 – B2X2).
Dalam model semacam ini B1 diartikan sebagai kenaikan probabilitas, untuk
responden bekerja (Y = 1), bila pendapatan keluarga (X1) atau bila pendidikan
responden (X2) naik satu satuan. E(Yi|Xi =
Yi
Probabilitas
0 1 - Pi
1 Pi
Total 1
E(Yi) = 0(1 – Pi) + 1(Pi)
= Pi
62
Maka E(Yi|Xi = B0 + B1X1 = Pi
0 ≤ E(Yi|Xi ≤ 1
Persamaan umum model logistik
Model Estimasinya :
2. Asumsi Model Logistik
1. Pemakaian Model Logistik, adalah bahwa In dan Xi mempunyai
hubungan linear. Untuk melinearkan model ini diperlukan sebanyak-banyaknya observasi untuk setiap nilai variabel. Pengecekan dapat
dilakukan dengan membuat diagram pencar antara In dengan Xi.
2. Uji μ merupakan indicator satu-nol, maka asumsi hubungan mutlak berlaku.
3. Uji hipotesis untuk model ini menggunakan wold (w)
63
E(Yi|Xi
1
0 Xi
4. 0 < E(Yi|Xi atau Pi < 15. Model logistik tidak dapat diestimati dengan metode OLS, satu-satunya
cara untuk mengestimasi model logistic adalah maximum Likelihood Method (MLM).
Li = ;
Dimana : μi = N
=
Interpretasi hasil analisis regresi logistik dapat dibahas melalui kasus
berikut :
Misalkan sebuah studi tentang sektor informal :
Y = f(X)
Y =
Yi = sektor ekonomi dengan dua indikator yakni Y = 1, jika
disektor informal
Xi = jenis kelamin
= proporsi laki-laki yang bekerja di sektor informal
μ = erroe term
hasil regresi logistik
Y = = 0,6484 – 02552 sex
Proporsi laki-laki yang bekerja disektor informal
Sex = 1 = 0,6484 – 02552 (1)
= 0,3932
64
=
= 1,482/2,482
= 0,597 (proporsi/probabilitas laki-laki yang bekerja disektor
informal)
Proporsi perempuan yang bekerja disektor informal
Sex = 0 = 0,6484 – 02552 (0)
= 0,6484
=
= 0,6566 = 0,6566 (proporsi/probabilitas perempuan yang
bekerja disektor informal)
Statistik Odd-Ratio (OR)
In OR(sex) =
= -0,2552
OR (sex) = exp (-0,2552)
= 0,77
Artinya, kemungkinan masuknya laki-laki bekerja di sektor informal 0,77 kali
bandingkan dengan perempuan (0,77 : 1 = Laki-laki : Perempuan)
VI. STRUCTURAL EQUATION MODEL (SEM)
SEM, pada dasarnya merupakan model simultaneous, oleh karenanya asumsi-
asumsi model SEM adalah sama dengan asumsi model simultaneous tersebut. SEM,
belakangan jadi populer setelah program (solfware) AMOS memfasilitasi model
65
SEM tersebut. Sebab perangkat lunak komputer seperti SPSS, SAS, EVIEWS dan
yang lainnya tidak tersedia dengan komplit untuk model simultaneous.
Berikut ini akan dikemukakan metode pembentukan model SEM disertai
REDUCED FORM sebagai berikut :
Model Kinerja Karyawan
Untuk melakukan pengujian hipotesis pengaruh masing-msinng
peluang karier, stres, komitmen organisasional dan kepuasan kerja terhadap
kinerja dosen, baik secara langsung maupun tidak, maka digunakan model
regresi bertahap ganda (multiple-stages equation) yang lebih populer disebut
SEM (Structural Equation Model).
Skema : Model struktural : Pengaruh peluang karir, stres, komitmen organisasional, kepuasan kerja terhadap kinerja karyawan
Keterangan :
X1 = Peluang karir (Variabel Eksogen)X2 = Stres (Variabel Endogen)X3 = Komitmen organisasional (Variabel Endogen)y1 = Kepuasan kerja (Variabel Endogen)
66
X1
X2
X3
Y1 Y2
Π1
Π4
Π3
Π2
γ1
γ2
γ3
α1
β1
β2
y2 = Kinerja karyawan (Variabel Endogen)
Dari Model struktural di atas (Skema 5), nampak bahwa ada
empat model hubungan fungsional yang secara matematis dapat dilihat pada
model (5.1), (5.2), (5.3), dan (5.4) di atas. Dari model hubungan fungsional
(model teoretis), masing-masing model tersebut, maka dibentuk model
stocastic untuk mengestimasi (memprediksi) besarnya pengaruh masing-
masing variabel bebas terhadap variabel terikat :
X2 = α1 + α1X1 + e1 (1)
X3 = β0 + β1X1 + β2X2 + e2 (2)
Y1 = γ0 + γ1X1 + γ2X2 + γ3X3 + e3 (3)
Y2 = Π0 + Π1X1 + Π2X2 + Π3X3 + Π4Y1 + e4 (4)
X2 = α0 + α1X1 + e1 (5)
- β2X2 + X3 = β0 + β1X1 + e2 (6)
- γ2X2 – γ3X3 + γ1 = γ0 + γ1X1 + e3 (7)
- Π2X2 – Π3X3 – Π4Y1+ Y2 = γ0 + γ1X1 + e4 (8)
Dari model (6. 9), (6.10), (6.11) dan (6.12) di atas maka dirubah
dalam bentuk matriks untuk mecari nilai-nilai parameter αi, βi, γi , dan Πi
sebagai berikut :
= (9)
67
(A) (Y) (C)
Dengan demikian, maka Y = A-1 C, dimana :
A-1 = Invers (A); 1 = -------- Adjoint (A), | A |
Sedemikianrupa, sehingga didapat :
Determinant (A) = | A | = 1,
Adj. (A) =
Dengan demikian persamaan matriks menjadi : (10)
=
Berdasarkan persamaan matriks di atas, maka didapat persamaan model
estimasi untuk, masing-masing fungsi X2, fungsi X3, fungsi Y1 dan fungsi Y2
sebagai berikut :
X2 = α0 + α1X1 + e1; (11)
68
X3 = α0β2 + α1β2X1 + B2e1 + β0 + β1X1 + e2
= (α0β2 + β0) + β1X1 + α1β2X1 + (β2e2 + e2)
= (α0β1 + β0) + (α1β2 + β1) X1 + (β2e2 + e2)
= Ө0 + Ө1 X1 + μ1 (12)
Y1 = [α0 (β2 γ3 + γ2)] + [α1X1 (β2 γ3 + γ2)] + [e1 (β2 γ3 + γ2)]
+ [γ3 (β0) + [γ3 (β1X1)] + [γ3 (e2)] + [γ0 + γ1X1 + e3]
= [α0 β2 γ3 + α0 γ2 + β0 γ3 + γ0] + α1β2 γ3X1 + α1 γ2X1 + β1 γ3X1
+ γ1X1 + [e1 β2 γ3 + e1 γ2+ e3]
= (α0 β2 γ3 + α0 γ2 + β0 γ3 + γ0) + (γ1 + α1 γ2 + β1 γ3 + α1 β2 γ3)X1 + μ3
= ∂0 + ( ∂1 )X1 + μ2 (13)
Y2 = α0 (β2 γ3 Π4 + β2 Π3 + γ2 Π4 + Π2) + α1X1 (β2 γ3 Π4+ β2 Π3
+ γ2 Π4 + Π2) + e1 (β2 γ3 + γ2) + β0 (Π3 + γ3 Π4)
+ β1X1 (Π3 + γ3 Π4) + e2 (Π3 + γ3 Π4) + γ0 (Π4)
+ γ1X1 (Π4) + e3 (Π4) + Π0 + Π1X1 + e4
= {Π0 + α0 (β2 γ3 Π4 + β2 Π3 + γ3 Π4 + Π2)}
+ { α1β2 γ3 Π4 X1+ α1β2 Π3 X1+ α1 γ2 Π4 X1 + α1Π2 X1 + β1 Π3 X1
+ β1 γ3 Π4 X1 + γ1 Π4 X1+ Π1X1}
+ e1 (β2 γ3 + γ2) + e2 (Π3 + γ3 Π4) + e3 (Π4) + e4
= {Π0 + α0 (β2 γ3 Π4 + β2 Π3 + γ3 Π4 + Π2)}
+ (α1β2 γ3 Π4 + α1β2 Π3 + α1 γ2 Π4 + α1Π2 + β1 Π3
+ β1 γ3 Π4 + γ1 Π4 + Π1 ) X1
+ e1 (β2 γ3 + γ2) + e2 (Π3 + γ3 Π4) + e3 (Π4) + e4
= Ω0 + Ω1 X1 + μ3 (14)
Dimana :
(1) PENGARUH LANGSUNG (DIRECT EFFECT)
α1 = pengaruh langsung X1 terhadap X2.
69
β1 = Pengaruh langsung, X1 terhadap X3
α1β2 = Pengaruh X1 mulalui X2 terhadap X3
γ1 = Pengaruh langsung X1 terhadap Y1
(2) PENGARUH TIDAK LANGSUNG (INDIRECT EFFECT)
α1γ2 = pengaruh X1 terhadap Y1 melalui X2
β1 γ3 = pengaruh X1 terhadap Y1 melalui X3
α1 β1 γ3 = pengaruh X1 melalui X2 dan X3 terhadap Y1
Π1 = pengaruh X1 terhadap Y2
γ1 Π4 = pengaruh X1 melalui Y1 terhadap Y2
α1 γ2 Π4 = pengaruh X1 melalui X2 dan Y1 terhadap Y2
α1Π2 = pengaruh X1 melalui X2 terhadap Y2
β1Π3 = pengaruh X1 melalui X3 terhadap Y2
β1 γ3 Π4 = pengaruh X1 melalui X3 dan Y1 terhadap Y2
α1β2 Π3 = pengaruh X1 melalui X2 dan X3 terhadap Y2
α1β2γ3Π4 = pengaruh X1 melalui X2 dan X3 serta Y1 terhadap Y2
(3) PENGARUH TOTAL (TOTAL EFFECT)
Ө1 = Total pengaruh langsung dan tidak langsun X1 terhadap X3
∂1 = Total pengaruh langsung dan tidak langsung X1 terhadap Y1
Ω1 = Total pengaruh langsung dan tidak langsung X1 terhadap Y2
Model kinerja karyawan ini dimaksudkan untuk menguji hubungan
kausalitas antara variabel peluang karier, stres, komitmen organisasional,
kepuasan kerja dengan kinerja karyawan.
DAFTAR PUSTAKA
Doronbusch, Rudiger and Standley Fisher, 1990. Macroeconomics 5th Edition, MacGraw-Hill, Singapore.
70
Johnston J. Econometrics Method, International Student Edition, McGraw-Hill, Singapore, 1988.
Gujarati, Damodar “Basic Econometrics”, International Edition, 5th Ed., McGraw-Hill, 2003.
----------, “Essential of Econometries”, Internasional Student Ed, McGraw-Hill, Tokyo, 1992
Kmenta Jan, “Element of Econometries”, The Macmillan, N. Y. 1991
Maddala, G. S, “Econometrie”, International Student ed, McGraw-Hill, Tokyo, 1977
Malinvaud, ‘Statistical Methods of Econometric” 2nd ed. North Holland, N. Y 1970.
Pyndyck, Rubinfelt, “Econometries Model and Economics Forecast”, International Student ed, Singapore, 1981.
Ferdinand, Augusty,. Structural Equation Modeling dalam Penelitian Manajemen : Aplikasi Model-model Rumit dalam Penelitian untuk Tesis & Disertasi Doktor, FE-Undip, Semarang, 2002.
Lampiran
ANATOMY OF ECONOMETRIC MODELLING
(I)
71
ECOMETRIC THEORY
(II)
MATHEMATICAL MODEL OF THEORY
(III)
ECONOMETRIC MODEL OF THEORY
(IV)
DATA (SAMPEL)
(V)
ESTIMATION
(MODEL ESTIMATION)
(VI)
HYPHOTETIC TESTING
(VII)
FORECASTING
PROSES MODELING :
MISALNYA FUNGSI KONSUMSI
1. MODEL TEORETIS :
C = f ( Yd); Y – T = Yd
2. MODEL MATEMATIK :
72
C = Co + mpc Yd
3. MODEL EKONOMETRI :
C = Co^ + mpc^ Yd +
4. MODEL ESTIMASI :
C^ = Co^ + mpc^ Yd
Model Regresi Linear Sederhana
Yi = o + 1Xi + iDimana :Xi = -Independent variable -Explanatory variable -Regressor -Predictor -Eksogenous (Stimulus or Control) variable (variable bebas)
Yi = -Dependent variable -Explained variable -Regressand -Predictand -Endogenous (variable terikat) o = Constant1 = Koefisien Regresi i = Error Term
73