BAB X OLAH DATA: DENGAN EVIEWS

Transkripsi

1 BAB X OLAH DATA: ORDINARY LEAST SQUARES (OLS) DENGAN EVIEWS

2 Pendahuluan Olah data dengan analisis regresi adalah salah satu analisis yang paling populer dan luas pemakaiannya terutama dengan metode Ordinary Least Squares (OLS). OLS ini sering digunakan untuk mengolah data OLS ini sering digunakan untuk mengolah data secara statistik.

3 Manfaat Olah data OLS denganeviews digunakan untuk pengolahan data secara sederhana. Hampir seluruh ilmu memerlukan dan menggunakan olah data OLS ini terutama dalam memecahkan masalah masalah penelitian sederhana.

4 Relevansi Materi ini relevan dan menjadi aplikasi pokok dalam statistik terutama kaitannya dengan olah data sederhana.

5 Learning Outcome Mahasiswa mampu mengolah data sesuai Mahasiswa mampu mengolah data sesuai model menggunakan OLS di Eviews.

6 OLS Model regresi yang baik adalah model regresi yang dapat menghasilkan nilai residual terkecil. Semakin kecil nilai residual yang dihasilkan, maka semakin baik hasil dari model regresi tersebut. Nilai residual terkecil menunjukkan nilai estimasi yang dihasilkan dari suatu analisis regresi akan mendekati nilai aktualnya. Oleh karena itu, kita harus dapat menentukan nilai i dan yangdapat menghasilkan nilai i residual terkecil. Metode yang dapat digunakan untuk menentukan nilai koefisien koefisien regresi tersebut adalah metode kuadrat terkecil (ordinary least square/ols). Mtd Metode OLS dapat menghasilkan nilai residual sekecil mungkin dengan menjumlahkan kuadrat residual.

7 Asumsi Asumsi OLS Hubungan antara variabel dependen dan independen adalah linier dalam parameter. Variabel variabel independen adalah variabel variabel non stokastik yang bernilai tetap untuk bebagai observasi yang berulang ulang. Tidak ada hubungan linier antara variabel independen atau tidak ada multikolinearitas antara variabel variabel independen. Nilai harapan (expected value) atau rata rata dari variabel gangguan (residual/e i ) adalah nol. Varian dari variabel gangguan (e i ) adalah sama setiap periode waktu atau bersifat homoskedastis. Tidak ada serial korelasi antara gangguan e i yang satu dengan e i yang lain atau tidak ada autokorelasi. Variabel gangguan e i berdistribusi normal Covariance antara u i dan x i adalah dlhnol Banyaknya observasi (n) harus lebih besar dari banyaknya parameter yang diestimasi Nilai variabel penjelas harus bervariasi atau var(x) harus bernilai positif

8 Dengan asumsi asumsi di atas, metode OLS akan menghasilkan estimator yang bersifat tidak bias, linier, dan memiliki varian minimum (best linear unbiased estimators BLUE).

9 Kriteria estimator yang memiliki sifat BLUE adalah: dlh Linier Estimator βˆk linier terhadap variabel stokastik Y, sebagai variabel dependen. Tidak bias Estimator βˆ k tidak bias, yaitu nilai rata rata atau nilai harapan sama dengan nilai β k yang sebenarnya. Memiliki varian minimum Estimator βˆk memiliki nilai varian yang minimum.

10 Standard Error OLS Estimator yang diperoleh dari metode OLS memiliki sifat acak dan random atau nilainya berubah ubah dari satu ke sampel lainnya. Adanya variabilitas estimator ini maka kita membutuhkan ketepatan dari estimator tersebut. Indikator yang dapat digunakan untuk mengetahui ketepatan estimator OLS adalah standard error (Se). Semakin kecil nilai Se dari estimator, maka semakin kecil pula variabilitas dariangkaestimator angka estimator, yang berarti nilai estimator tersebut semakin dapat dipercaya.

11 Olah Data OLS Keterangan: Yˆ = ˆ β + ˆ β1xx 0 β ˆ : variabel iblterikat/dependen d Yˆ X : variabel penjelas/independen ˆβ 0 : konstanta (intercept) ˆ β 1 : slope/koefisien regresi parsial

12 Model regresi akan menghasilkan nilai estimasi dari variabel dependen ( Yˆ ), namun nilai estimasi tersebut sangat mungkin berbeda dengan nilai aktualnya ( Y). Perbedaan antara nilai estimasi Y ( ŶY ) dan nilai aktual Y disebut dengan residual ( ê). Y t = ˆ β ˆ 0 + β1x + eˆ

13 Residual ( êe ) sering pula disebut dengan variabel gangguan (disturbance/error terms). Nilai residual ( êˆ ) dapat positif maupun negatif. Variabel gangguan dapat muncul karena hubungan antara variabel variabel ekonomi bersifat acak (random), dan tidak seperti hubungan antara variabel variabel dalam matematika yang bersifat deterministik.

14 Contoh : Olah Data OLS Melakukan Regeresi dengan Metode OLS Contoh 1: Pengeluaran = f(gaji) * Data telah tersedia Model dari fungsi tersebut: Pengeluara n = α + α Gaji 0 1 Untuk dapat melakukan estimasi atau regresi terhadap persamaan di atas, maka dalam program olah data e views, salah satu cara yang dapat dilakukan adalah: meng klik menu utama QUICK.

15 Dengan cara ini adalah klik QUICK KLIK ESTIMATE EQUATION akan muncul kotak dialog EQUATION SPECIFICATION. Dalam kotak dialog Equation Specification, ketik Pengeluaran C Gaji Klik OK.

16 Hasil Estimasi Regresi Sederhana sebagai berikut: Pengeluaran = 1434,32 + 0,2106 Gaji Se (490,46) (0,019) R 2 =0,696

17 Tugas : Latihan Dengan data di bawah ini lakukan olah data regresi OLS dengan Eviews. Dimana Y adalah Pendapatan dan C adalah Konsumsi. Modelnya adalah: C = α + βy Dimana dipengaruhi pendapatan. konsumsi oleh Data sbb: obs Y C

18

19 Daftar Pustaka Gujarati, Damodar N Basic Econometrics 4th edition.singapore: Mc Graw Hill, Maddala, GS G.S Introduction to Econometrics. Third Edition. Chichester: John Wiley&Sons ltd. Wahyu, Winarno Wing Analisis Ekonometrika dan Statistika ik dengan Ei Eviews, Yogyakarta: UPP STIM YKPN.