BAB 2 MODEL REGRESI LINIER

BAB 2 MODEL REGRESI LINIER Model regresi liner merupakan suatu model yang parameternya linier (bisa saja fungsinya tidak berbentuk garus lurus), dan secara kuantitatif dapat digunakan untuk menganalisis pengaruh suatu variabel terhadap variabel lainnya. Analisis regresi menyangkut studi tentang hubungan antara satu variabel Y yang disebut variabel tak bebas atau variabel yang dijelaskan (dependend variable) dan satu atau lebih variabel X 1, X 2,., X p, yang disebut variabel bebas atau variabel penjelas (independent variable). Persamaan regresi yang hanya terdiri dari satu variabel bebas, maka model tersebut dikenal dengan sebutan regresi linier sederhana (simple regression). Sedangkan jika dalam persamaan regresi terdapat lebih dari satu variabel bebas, maka model yang diperoleh disebut dengan regresi linier Berganda (multiple regression). 2.1 Regresi Linear Sederhana 2.1.1 Regresi Populasi Perhatikan utama regresi pada dasarnya adalah menjelaskan dan mengevaluasi hubungan antara suatu variabel dependen dengan satu atau lebih variabel independen. Kita akan memberi ilustrasi tentang regresi sederhana yang terdiri dari satu variabel independen. Sebagai contoh, diberikan ilustrasi sebagai berikut: menurut model pendekatan tradisional (traditional approach) yang dikemukakan oleh Dornbusch (2000), bahwa perubahan harga saham dipengaruhi oleh nilai tukar. Misalkan jika nilai tukar rupiah terhadap dollar Amerika Serikat mengalami apresiasi (dollar AS depresiasi) maka harga saham di Bursa Efek Indonesia mengalami penguatan, dan seblaiknya jika nilai tukar rupiah terhadap dollar AS mengalami depresiasi (dollar AS apresiasi) maka harga saham di Bursa Efek Indonesia mengalami penurunan dengan asumsi variabel selain harga tetap. Kita asumsikan terdapat hubungan yang linier antara harga saham dan nilai tukar. Hubungan keduannya tidak harus linier, namun untuk penyederhanaan kita asumsikan linier. Hubungan linier kedua dapat kita tulis dalam persamaan regresi berikut:

Y i = β 0 + β 1 X 1 β 1 < 0 (1) dimana Y i = Harga saham; X i = Kurs; i = observasi ke 1,2, 3, n 1 Dalam persamaan (1) tersebut variabel Y yaitu jumlah permintaan barang disebut variabel dependen (dependent variable) sedangkan variabel X yaitu harga barang disebut sebagai variabel independen (independent variable). Persamaan (1) tersebut disebut persamaan regresi populasi. Pesamaan (2) menunjukan nilai harapan (expected value) jumlah permintaan barang. Nilai harapan tersebut dapat dinyatakan dalam persamaan sbb: E(Y 1 ) = β 0 + β 1 X 1 (2) Nilai harapan dapat diinterprestasikan sebagai rata-rata jumlah permintaan barang pada harga tertentu. Jumlah permintaan barang aktual tidak harus sama dengan nilai harapannya. Ada banyak faktor yang mempengaruhi jumlah permintaan barang selain harga. Oleh karena itu, jumlah permintaan barang aktual dapat ditulis sbb: Atau dapat dinyatakan dalam bentuk persamaan sbb; Y 1 = E(Y i ) + e i (3) atau dapat dinyatakan dalam bentuk persamaan sbb: Y i = β 0 + β 1 X i + e i (4) Dimana e i adalah variabel gangguan (disturbance/errors terms) yang nilainya bisa positif atau negatif. Variabel gangguan ini muncul karena hubungan variabel ekonomi adalah hubungan yang acak atau random tidak seperti hubungan variabel dalam matematika yang bersifat deterministik. Pada tingkat harga yang sama, jumlah barang yang dibeli konsumen akan berbeda. Hal ini terjadi karena ada faktor selain harga yang juga bisa mempengaruhi permintaan barang, misalnya selera konsumen. Dengan demikian, variabel gangguan mencerminkan faktor-faktor selain harga yang mempengaruhi jumlah permintaan konsumen tetapi tidak dimasukan dalam persamaan. Oleh karena itu, variabel dependen Y adalah variabel random (random variable) atau stokastik (stochastic variable) yang besar kecilnya tergantung dari variable independen X. 1 Tanda subskrip i menunjukkan observasi untuk data cross section sedangkan untuk observasi data time series diberi tanda subskrip t

variabel independen X adalah variabel tetap atau non-stotastik. Sedangkan variabel gangguan e variabel random atau stokastik. Secara umum variabel gangguan ini disebabkan oleh dua hal. Yang pertama, variabel gangguan muncul karena model yang digunakan terlalu sederhana tidak mencerminkan realitas. Misalnya kasus dalam permintaan barang diatas dimana kita hanya memasukan variabel harga saja sebagai satu-satunya faktor yang mempengaruhi jumlah permintaan barang. Sumber kedua munculnya variabel gangguan berhubungan dengan perilaku variabel ekonomi yang mencerminkan perilaku manusia. Misalnya jika variabel harga merupakan satu-satunya faktor yang mempengaruhi jumlah permintaaan barang belum tentu tingkat jumlah permintaan barang dari setiap konsumen akan sama dari waktu ke waktu. Persamaan (1) tersebut menjelaskan bahwa hubungan Y dan X merupakan hubungan linier. Hubungan linier dapat digambarkan dalam bentuk garis lurus di dalam sebuah garis dengan β 0 sebagai intersep (konstanta) dan β 1 adalah kemiringan (slope) dari garis lurus yang kita peroleh. Gambar dari persamaan (1) tersebut disebut dengan garis regresi populasi, lihat gambar 1 Y Β 0 Β 0 E(Y i ) = β 0 + β I X I 0 Gambar 1 Garis Regresi Populasi 2.1.2 Regresi Sampel Persamaan regresi populasi persamaan (1) sulit diketahui. Regresi populasi ini hanya dapat diestimasi dengan menggunakan data sampel. Kembali ke dalam regresi populasi tentang jumlah permintaan barang. Persamaan regresi sampel untuk menjelaskan hubugan antara jumlah permintaan barang dengan tingkat harganya dapat dinyatakan dalam persamaan sbb: Y 1 = β 0 + β 1 X i β 1 <0 (5)

Persamaan (5) ini kalau kita gambarkan dalam bentuk grafik merupakan garis lurus dengan intersep sebesar β 0 dan slope β 1. Garis lurus kita dapatkan regresi sampel dimana β 0 dan β 1 merupakan estimasi parameter dari populasi β 0 dan β 1. Y 1 di dalam persamaan (5) tersebut disebut nilai prediksi (predicted value) dari nilai aktual Y. Y 1 disebut nilai prediksi (predicted value) dari kita dapat memprediksi jumlah permintaan barang untuk setiap harganya. Nilai prediksi jumlah permintaan barang tentu tidak harus sama dengan nilai jumlah permintaan aktualnya. Perbedaan antara jumlah permintaan yang diprediksi dengan jumlah permintaan aktual disebut residual (residual). Dengan demikian, jumlah perminaan barang aktual dapat ditulis dalam bentuk persamaan sbb: Y i = Y i + e i (6) Atau dapat ditulis dalam persamaan sbb: Y 1 = β 0 + β 1 X 1 + e i (7) Y Y 1 e 1 Y 1 E(Y 1 ) E(Y i ) = β 0 + β I X I E(Y i ) = β 0 + β I X I X 1 X Gambar 2 Garis Regresi Populasi dan Sampel Perbedaan antara garis regresi populasi dan sampel dapat dilihat dalam gambar 2. Di dalam gambar 2. tersebut, untuk obeservasi i (X i ) nilai Y i aktualnya adalah Y sedangkan nilai harapan regresi populasi adalah E (Y i ). Perbedaan antara Y i dengan E(Y) adalah gangguan (e i ). Sedangkan nilai prediksi dari regresi sampel adalah Y i dan pembedaan antara Y i dengan Y i disebut residual (e i ). Pada obeservasi i tersebut nilai prediksi regresi sampel terlalu tinggi (overestimate) terhadap nilai harapan E(Y) regresi populasi. Dalam gambar tersebut semua titik disebelah kiri titik A menghasilkan prediksi regresi sampel terlalu tinggi sedangkan pada sebelah kanan A

akan menghasilkan prediksi regresi sampel yang terlalu rendah (underestimate) dibandingkan dengan regresi populasi. 2.2 Metode Kuadrat Terkecil (Ordinary Least Squares = OLS) Persoalan penting didalam pembuatan garis regresi sampel adalah begaimana kita bisa mendapatkan garis regresi yang baik. Garis regresi sampel yang baik ini terjadi jika nilai prediksinya sedekat mungkin dengan data aktualnya. Dengan kata lain kita mencari nilai β 0 dan β 1 yang menyebabkan residual sekecil mungkin. Pada sub-bab ini akan dibahas metode klasik yang disebut metode metode kuadrat terkecil (ordinary least squares = OLS). Y 1 = β 0 + β 1 X 1 + e i (8) Sebagaimana pembahasan sebelumnya, persamaan (8) tersebut merupakan prediksi dan nilai prediksi ini akan berbeda dengan nilai aktualnya. Perbedaan nilai aktual dengan nilai prediksi disebut residual (e i ) dan dapat ditulis sbb: Y 1 = Y 1 + e i (9) Persamaan (9) tersebut bisa kita tulis dalam bentuk persamaan yang lain sbb: e 1 = Y 1 - Y 1 (10) e 1 = Y 1 - β 0 - β 1 X 1 (11) Berdasarkan persamaan (11) tersebut, jika nilai residual adalah kecil maka perbedaan antara aktual dan prediksi adalah kecil. Artinya, jika kita ingin mendapatkan garis regresi yang baik residualnya harus sekecil mungkin. Misalkan kita mempunyai 6 data sampel jumlah permintaan barang (Y) dan harganya (X). Kita plot data tersebut dalam bentuk diagram pancar atau sketergram (scattergram), lihat gambar 3. Y 0 X 1 X 2 X 3 X 4 X 5 X 6 X Gambar 2.3. Berbagai Garis Regresi Sampel 3 2 1

Dari diagram pencar ini kemudian kita bisa menarik sebanyak mungkin garis regresi sampel, misalnya kita ambil 3 garis regresi. Sebuah garis regresi dikatakan garis regresi yang baik jika garis tersebut bisa sedekat mungkin dengan data aktualnya. Atau dengan kata lain garis regresi yang baik terjadi jika residualnya sekecil mungkin. Pertanyaan yang muncul, bagaimana caranya kita mendapatkan residual sekecil mungkin sehingga bisa mendapatkan garis regresi yang terbaik. Jika kita menjumlahkan semua residual ini kita memang bisa mendapatkan jumlah residual ei yang sedikit mungkin. Namun, kemungkinan kita mendapatkan jumlah residual ei sebesar nol bisa juga terjadi. Padahal faktanya ada beberapa residual ei yang jaraknya jauh dari garis regresi baik dibawahnya maupun diatasnya. Hal ini terjadi karena kita memberi timbangan yang sama kepada setiap residual ei tanpa melihat jauh dekat jaraknya. Misalnya e 1, e 2, e 3, e 4, e 5, dan e 6 masing-masing jaraknya -1, +1, -4, +4, -2 dan +2. Jumlah nilai dari residual e i adalah nol meskipun e 3 dan e 4 mempunyai jarak yang lebih jauh dari garis regresi dibandingkan dengan e 1 dan e 2. Kita bisa menghindari permsalahan kemungkinan terjadinya jumlah nilai residual ei sebesar nol dengan memberi timbangan kepada masing-masing residual e i. Salah satu caranya adalah dengan mengkuadratkan masing-masing residual e i. Dengan mengkuadratkannya maka kita memberi timbangan yang lebih besar kepada residualnya e i. Yang mempunyai jarak yang lebar seperti residual e 3 maupun e 4. Metode mencari nilai residual sekecil mungkin dengan menjumlahkan kuadrat residual ini disebut dengan metode kuadrat terkecil (ordinary least squares). Metode Ordinary Least Square (OLS) yang akan menjamin jumlah residual kuadrat sekecil mungkin dapat dijelaskan sbb: Σe 2 i = Σ (Y i Y i ) 2 (12) Σe 2 i = Σ (Y i β 0 -β 1 Y i ) 2 (13) Dengan mengkuadratkan residual ei dan kemudian menjumlahkannya, maka metode kuadrat terkecil ini akan memberi timbangan yang lebih besar kepada e 3 dan e 4 daripada e 1 dan e 2. Metode ini akan menjamin bahwa jumlah nilai e i sebesar nol tidak mungkin terjadi sebagaimana metode sebelumnya karena lebarnya jarak e i akan juga menyebabkan lebarnya Σe 2 i.

Di dalam matematika, untuk mendapatkan nilai minimum dalam sebuah fungsi maka syaratnya adalah turunan pertama dari fungsi tersebut sama dengan nol. Oleh karena itu untuk mendapatkan Σe 2 i sekecil mungkin caranya dengan melakukan diferensiasi (turunan) pada persamaan (13). karena fungsi Σe 2 i dalam persamaan (13) tersebut adalah fungsi dari β 0 dan β i, maka persamaan tersebut harus dideferensiasikan secara parasial terhadap β 0 dan β i. Dengan melakukan diferensiasi parsial maka akan menghasilakan nilai estimasi β 0 dan β i yang menyebabkan nilai dari Σe 2 i sekecil mungkin. Proses diferensiasi parsial (13) akan menghasilkan estimator β 0 dan β i sbb: β 1 = nσx i Y i ΣX i ΣY i (14) nσx 2 i (ΣX i ) 2 = Σ(X i X) (Y i -Y) Σ(X i X) 2 = Σx i y i Σx 2 i Β0 = ΣX 2 i ΣYi ΣX i Σx i Y i (15) nσx 2 i (ΣX i ) 2 = ΣY i _ β 1 ΣX i n n = Y - βix dimana x1 = X, X, V, Y, Y dan X adalah rata-rata serta n adalah jumlah observasi. 2.3 Asumsi-Asumsi Metode Kuadrat Terkecil Metode OLS yang dikenal sebagai metode Gaussian merupakan landasan utama di dalam teori ekonometrika. Metode OLS ini dibangun dengan menggunakan asumsi-asumsi tertentu. Misalkan kita mempunyai model regresi populasi sederhana sbb:

Y 1 = β 0 + β 1 X 1 + e i (16) Asumsi yang berkaitan dengan model garis regresi linier dua variabel tersebut adalah sbb: 1. Asumsi 1 Hubungan antara Y (variabel dependen) dan X (variabel independen) adalah linier dalam parameter. Model regresi yang linier dalam parameter dapat dilihat dalam persamaan (16). Dalam hal ini berhubungan β 1 linier terhadap Y. 2. Asumsi 2 Variabel X adalah variabel tidak stokastik yang nilainya tetap. Nilai X adalah tetap untuk berbagai observasi yang berulang-ulang. Kembali dalam kasus hubungan jumlah permintaan barang dengan tingkat harganya, untuk mengetahui tingkat variasi jumlah permintaan barang maka kita melakukan berbagai observasi pada tingkat harga tertentu. Jadi dengan sampel yang berulang-ulang nilai variabel independen (X) adalah tetap atau dengan kata lain variabel independen (X) adalah variabel yang dikontrol. 3. Asumsi 3 Nilai harapan (expected value) atau rata-rata dan variabel gangguan e i adalah nol atau dapat dinyatakan sbb: E(e i /X i )=0 (17) Karena kita mengasumsikan bahwa nilai harapan dan Y hanya dipengaruhi oleh variabel independen yang ada atau dapat dinyatakan sbb: E(Y) =β0 + β1x i ) (18) 4. Asumsi 4 Varian dari variabel gangguan e i adalah sama (homoskedastisitas) atau dapat dinyatakan sbb: 5. Asumsi 5 Tidak ada serial korelasi antara gangguan e i atau gangguan e i tidak saling berhubungan dengan e j yang lain atau dapat dinyatakan sbb: Cov (e i, e j ) = 0; i j 6. Asumsi 6 Variabel gangguan e i berdistribusi normal

e ~ N(0,σ 2 ) Asumsi 1 sampai 5 dikenal dengan model regresi linier klasik (Classical Linear Regression Model). Dengan asumsi-asumsi di atas pada model regresi linier klasik, model kuadrat terkecil (OLS) memiliki sifat ideal dikenal dengan teorema Gauss-Markov (Gauss- Markov Theorem). Metode kuadrat terkecil akan menghasilkan estimator yang mempunyai sifat tidak bias, linier dan mempunyai varian yang minimum (best linear unbiased estimators = BLUE). Suatu estimator β 1 dikatakan mempunyai sifat yang BLUE jika memenuhi kriteria sbb: 1. Estimator β 1 adalah linier (linear), yaitu linier terhadap variabel stokastik Y sebagai variabel dependen 2. Estimator β 1 tidak bias, yaitu nilai rata rata atau nilai harapan E(β 1 ) sama dengan nilai β 1 yang sebenarnya. 3. Estimator β 1 mempunyai varian yang minimum. Estimator yang tidak bias dengan varian minimum disebut estimator yang efisien (efficient estimator) Dengan demikian jika persamaan (16) memenuhi asumsi-asumsi tersebut di atas maka nilai koefisien β 1 dalam persamaan tersebut dapat diartikan sebagai nilai harapan (expected value) atau rata-rata dan nilal Y pada nilai tertentu variabel independen X. Catatan penting dalam teorema Gauss-Markov adalah bahwa teorema ini tidak berlaku kepada estimator yang tidak linier (nonlinear). Estimator yang tidak linier mungkin juga mempunyai varian yang lebih kecil dan model regresi linier klasik. 2.4 Standard Error dari OLS Regresi sampel yang kita lakukan merupakan cara untuk mengestimasi regresi populasi. Karena itu, estimator β 0 dan β 1 yang diperoleh dan metode OLS adalah variabel yang sifatnya acak atau random yaitu nilainya berubah dari satu sampel ke sampel yang lain. Adanya variabilitas estimator ini maka kita membutuhkan ketepatan dari estimator β 0 dan β 1. Di dalam statistika untuk mengetahui ketepatan estimator OLS ni diukur dengan menggunakan kesalahan standar (Standard error). Semua variabel dalam perhitungan standard error di atas dapat diestimasi dari data yang ada kecuali σ 2. Σe 2 i adalah jumlah residual kuadrat (residual sum of squares = RSS). n-k dikenal dengan jumlah derajat kebebasan (number of degree of freedom)

disingkat sebagai df. df Ini berarti jumlah observasi (n) dikurangi dengan jumlah parameter estimasi. Semakin kecil standard error dan estimator maka semakin kecil variabilitas dan angka estimator dan berarti semakin dipercaya nilai estimator yang didapat. 2.5 Koefisien Determinasi (R 2 ) Hingga kini kita baru berhubungan dengan masalah estimasi dan koefisien regresi, standard error dan estimator. Sekarang tibalah pembahasan tentang seberapa baik garis regresi menjelaskan datanya (goodness of fit). Artinya bagaimana garis regresi yang dibentuk sesuai dengan data. Jika semua data terletak pada garis regresi atau dengan kata lain semua nilai residual adalah nol maka kita mempunyai garis regresi yang sempurna. Tetapi garis regresi yang sempurna ini jarang terjadi. Pada umumnya yang terjadi adalah e i bisa positif maupun negatif Jika in terjadi berarti merupakan garis regresi yang tidak seratus persen sempurna. Namun yang kita harapkan adalah bahwa kita mencoba mendapatkan garis regresi yang menyebabkan e i sekecil mungkin. Dalam mengukur seberapa baik garis regresi cocok dengan datanya atau mengukur persentase total variasi Y yang dijelaskan oleh garis regresi digunakan konsep koefisien determinasi (R 2 ). 2.6 Koefisien Korelasi (r) Konsep yang sangat erat kaitannya dengan koefisien determinasi (R 2 ) adalah koefisien korelasi (r). R 2 adalah koefisien yang menjelaskan hubungan antara variabel dependen (Y) dengan variabel independen (Y) dalam suatu model. Sedangkan koefisien korelasi (r) mengukur derajat keeratan antara dua variabel. Nilai koefisien korelasi (r) ini mempunyai nilai antar -1 dan 1. Nilai positif berarti mempunyai korelasi searah sedangkan negatif berarti mempunyai korelasi yang berlawanan arah.

Aplikasi Eviews Regresi Sederhana IHSGi = β0 + β1 KURSi + ei Dependent Variable: IHSG Method: Least Squares Date: 07/10/11 Time: 20:11 Sample: 2005M07 2011M07 Included observations: 73 Variable Coefficient Std. Error t-statistic Prob. C 34.46993 4.739034 7.273621 0.0000 KURS -2.930811 0.517650-5.661766 0.0000 R-squared 0.311051 Mean dependent var 7.639475 Adjusted R-squared 0.301348 S.D. dependent var 0.384003 S.E. of regression 0.320971 Akaike info criterion 0.592082 Sum squared resid 7.314582 Schwarz criterion 0.654834 Log likelihood -19.61099 F-statistic 32.05560 Durbin-Watson stat 0.077023 Prob(F-statistic) 0.000000 8.4 8.0.8.4.0 7.6 7.2 6.8 -.4 -.8 2006 2007 2008 2009 2010 2011 Residual Actual Fitted

2.2. Model Regresi Berganda REGRESI BERGANDA: PENAKSIRAN DAN PENGUJIAN HIPOTESIS Model regresi berganda yaitu model regresi dengan lebih dari satu variabel penjelas (variabel bebas) yang mempengaruhi variabel terikat. Misalkan variabel Indeks Harga Saham Gabungan (IHSG) dipengaruhi oleh nilai tukar (Kurs) dan Suku Bunga Bank Indonesia (SBI). Contoh Aplikasi Eviews Model Regresi Sederhana IHSG i = β 0 + β 1 Kurs i + e i Dependent Variable: IHSG Method: Least Squares Date: 10/02/10 Time: 20:59 Sample: 2005M07 2010M08 Included observations: 62 Variable Coefficient Std. Error t-statistic Prob. C 5508.523 872.9456 6.310271 0.0000 KURS -0.366675 0.090323-4.059578 0.0001 R-squared 0.215483 Mean dependent var 1975.761 Adjusted R-squared 0.202408 S.D. dependent var 606.7348 S.E. of regression 541.8628 Akaike info criterion 15.45963 Sum squared resid 17616920 Schwarz criterion 15.52825 Log likelihood -477.2485 F-statistic 16.48017 Durbin-Watson stat 0.058467 Prob(F-statistic) 0.000144

Model Regresi Berganda IHSG i = β 0 + β 1 Kurs i + SBI i + e i Dependent Variable: IHSG Method: Least Squares Date: 10/02/10 Time: 21:05 Sample: 2005M07 2010M08 Included observations: 62 Variable Coefficient Std. Error t-statistic Prob. C 8071.793 412.3610 19.57458 0.0000 KURS -0.409795 0.039426-10.39410 0.0000 SBI -242.0085 15.08479-16.04321 0.0000 R-squared 0.853702 Mean dependent var 1975.761 Adjusted R-squared 0.848742 S.D. dependent var 606.7348 S.E. of regression 235.9703 Akaike info criterion 13.81247 Sum squared resid 3285238. Schwarz criterion 13.91539 Log likelihood -425.1865 F-statistic 172.1428 Durbin-Watson stat 0.397930 Prob(F-statistic) 0.000000 Estimation Command: ===================== LS IHSG C KURS SBI Estimation Equation: ===================== IHSG = C(1) + C(2)*KURS + C(3)*SBI Substituted Coefficients: ===================== IHSG = 8071.792837-0.4097954024*KURS - 242.0084526*SBI Model Regresi Berganda IHSG i = β0 + DJIA1i + β2sbi2i + β3kurs3i +U1i Dependent Variable: IHSG Method: Least Squares Date: 07/10/11 Time: 21:10 Sample: 2005M07 2011M07 Included observations: 73 Variable Coefficient Std. Error t-statistic Prob. C 35.32114 2.016671 17.51458 0.0000 DJIA -0.153888 0.049106-3.133810 0.0025 SBI -0.133611 0.008158-16.37816 0.0000 KURS -2.758970 0.209257-13.18462 0.0000

R-squared 0.894755 Mean dependent var 7.639475 Adjusted R-squared 0.890179 S.D. dependent var 0.384003 S.E. of regression 0.127256 Akaike info criterion -1.232000 Sum squared resid 1.117387 Schwarz criterion -1.106496 Log likelihood 48.96801 F-statistic 195.5380 Durbin-Watson stat 0.576247 Prob(F-statistic) 0.000000 Estimation Command: ===================== LS IHSG C DJIA SBI KURS Estimation Equation: ===================== IHSG = C(1) + C(2)*DJIA + C(3)*SBI + C(4)*KURS Substituted Coefficients: ===================== IHSG = 35.32114316-0.1538882084*DJIA - 0.1336108444*SBI - 2.758970034*KURS 8.4 8.0 7.6.4.2 7.2 6.8.0 -.2 -.4 2006 2007 2008 2009 2010 2011 Residual Actual Fitted DESKRIPTIF STATISTIK DJIA IHSG KURS SBI Mean 8.341239 7.639475 9.154621 8.537671 Median 8.313232 7.742623 9.127470 8.250000 Maximum 9.293289 8.271027 9.386160 12.75000 Minimum 7.797587 6.956631 9.057752 6.500000 Std. Dev. 0.337361 0.384003 0.073074 2.016715

Skewness 1.805001-0.122698 1.654533 0.840114 Kurtosis 6.044454 1.903486 5.337166 2.621422 Jarque-Bera 67.83165 3.840296 49.92063 9.023073 Probability 0.000000 0.146585 0.000000 0.010982 Sum 608.9104 557.6817 668.2873 623.2500 Sum Sq. Dev. 8.194490 10.61702 0.384467 292.8339 Observations 73 73 73 73 KOEFISIEN KORELASI ANTARVARIABEL DJIA 1 IHSG KURS SBI DJIA IHSG KURS SBI - - 0.3368614392 0.1379551973 36805 81872 34591-0.3368614392 36805 1-0.1379551973 81872 0.3906150038 34591-0.5577198989-0.5577198989 30713 30713 1-0.7929307621 35818 0.3906150038-0.7929307621 35818 0.0731816627 917925 0.0731816627 917925 1 Uji Heteroskedastisitas White Heteroskedasticity Test: F-statistic 1.537887 Probability 0.192926 Obs*R-squared 7.485466 Probability 0.186965

Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 10/02/10 Time: 21:06 Sample: 2005M07 2010M08 Included observations: 62 Variable Coefficient Std. Error t-statistic Prob. C -1633662. 2528323. -0.646144 0.5208 KURS 311.0399 430.8780 0.721875 0.4734 KURS^2-0.020799 0.019654-1.058242 0.2945 KURS*SBI 14.37513 14.75326 0.974369 0.3341 SBI 1363.175 162939.8 0.008366 0.9934 SBI^2-7338.578 3541.340-2.072260 0.0429 R-squared 0.120733 Mean dependent var 52987.71 Adjusted R-squared 0.042227 S.D. dependent var 106523.3 S.E. of regression 104250.0 Akaike info criterion 26.03874 Sum squared resid 6.09E+11 Schwarz criterion 26.24459 Log likelihood -801.2008 F-statistic 1.537887 Durbin-Watson stat 0.673808 Prob(F-statistic) 0.192926