Diskusi 4 Ekonomi Manajerial [PDF]

Citation preview

NAMA



: IGUSTI AYU AGUNG ARI ARSANDI PUTRI



NIM



: 041330857 DISKUSI 4 EKONOMI MANAJERIAL



Saudara Mahasiswa, silahkan diskusikan topik berikut ini…! 1. Apa yang dimaksud dengan model regresi ?  dan bagaimana model regresi yang ideal? 2. Bagaimana cara mengatasi masalaah autokorelasi? JAWABAN 1. Regresi adalah suatu metode analisis statistik yang digunakan untuk melihat pengaruh antara dua atau lebih banyak variabel. Hubungan variabel tersebut bersifat fungsional yang diwujudkan dalam suatu model matematis. Pada analisis regresi, variabel dibedakan menjadi dua bagian, yaitu variabel respons (response variable) atau biasa juga disebut variabel bergantung (dependent variable), dan variabel explanatory atau biasa disebut penduga (predictor variable) atau disebut juga variabel bebas (independent variable). Regresi terbagi menjadi beberapa jenis, yaitu regresi sederhana (linier sederhana dan nonlinier sederhana) dan regresi berganda (linier berganda atau nonlinier berganda). Analisis regresi adalah sebuah Teknik statistic yang digunakan untuk menemukan derajat ketergantungan satu variable (variable dependen) terhadap satu variable lainnya arau lebih (variable indepeden). Teknik ini diterapkan untuk mencari nilai dari koefisien-koefisien suatu fungsi yang sedang dianalisis, untuk analisis regresi, membutuhkan sejumlah observasi, baik untuk variable dependen (Y) maupun variabel-variabel independent (X) dalam fungsi yang dikaji. Selanjutnya, analisis regresi ini memungkinkan untuk menarik kesimpulan dari pola hubungan yang ditunjukkan dari sejumlah observasi tersebut.



Model regresi ideal Analisis regresi sederhana adalah sebuah metode pendekatan untuk pemodelan hubungan antara satu variabel dependen dan satu variabel independen. Dalam model



regresi, variabel independen menerangkan variabel dependennya. Dalam analisis regresi sederhana, hubungan antara variabel bersifat linier, di mana perubahan pada variabel X akan diikuti oleh perubahan pada variabel Y secara tetap. Sementara pada hubungan nonlinier, perubahan variabel X tidak diikuti dengan perubahan variabel Y secara proporsional. Misalnya pada model kuadratik, perubahan X diikuti oleh kuadrat dari variabel X, hubungan demikian tidak bersifat linier. Secara matematis, model analisis regresi linier sederhana adalah seperti berikut. Y = A + BX + e Y = variabel dependen atau response. A = intercept  atau konstanta. B = koefisien regresi atau slope. e = residual atau error. Model regresi linier sederhana yang ideal harus memenuhi beberapa asumsi-asumsi berikut. 1. Eksogenitas yang lemah Sebelum menggunakan analisis regresi, kita harus paham bahwa analisis ini mensyaratkan bahwa variabel X bersifat fixed atau tetap, sementara variabel Y bersifat random. Maksudnya, satu nilai variabel X akan memprediksi variabel Y sehingga ada kemungkinan beberapa variabel Y. Dengan demikian harus ada nilai error atau kesalahan pada variabel Y. Sebagai contoh ketika pendapatan (X) seseorang sebesar Rp1 juta, maka pengeluarannya bisa saja sebesar Rp500 ribu, Rp600 ribu, Rp700 ribu, atau seterusnya. 2. Linieritas



Model analisis regresi bersifat linier, artinya kenaikan variabel X harus diikuti secara proporsional oleh kenaikan variabel Y. Jika dalam pengujian linieritas tidak terpenuhi, maka kita dapat melakukan transformasi data atau menggunakan model kuadratik, eksponensial atau model lainnya yang sesuai dengan pola hubungan nonlinier. 3. Varians error  yang konstan Ini menjelaskan bahwa varians error atau varians residual yang tidak berubahubah pada response yang berbeda. Asumsi ini lebih dikenal dengan asumsi homoskedastisitas. Mengapa



varians error perlu



konstan?



Sebab,



jika



konstan



maka



variabel error  dapat membentuk model sendiri dan mengganggu model utama. Oleh karena itu, penanggulangan permasalahan heteroskedastisitas/non-homoskedastisitas dapat diatasi dengan menambahkan model varians error ke dalam model atau model ARCH/GARCH. 4. Autokorelasi untuk data time series Jika kita menggunakan analisis regresi sederhana untuk data time series atau data yang disusun berdasarkan urutan waktu, maka ada satu asumsi yang harus dipenuhi, yaitu asumsi autokorelasi. Asumsi ini melihat pengaruh variabel lag  waktu sebelumnya terhadap variabel Y. Jika ada gangguan autokorelasi, artinya ada pengaruh variabel lag waktu sebelumnya terhadap variabel Y. Sebagai contoh, model kenaikan harga BBM terhadap inflasi. Jika ditemukan autokorelasi, maka artinya terdapat pengaruh lag waktu terhadap inflasi. Artinya, inflasi hari ini atau bulan ini bukan dipengaruhi oleh kenaikan BBM pada hari ini, namun dipengaruhi oleh kenaikan BBM sebelumnya (satu hari atau satu bulan tergantung data yang dikumpulkan).



1. berikut ada beberapa langkah dalam mengatasi autokorelasi:  a. Evaluasi model Langkah pertama yang harus dilakukan untuk mendeteksi autokorelasi yaitu dengan mengidentifikasi apakah autokorelasi itu pure autocorrelation atau karena mis-spesification model. Mis-spesifikasi disini adalah kemungkinan adanya kuadratik model atau modelnya mengandung kuadratik. Sehingga apabila hasil tersebut masih mengandung autokorelasi maka autokorelasi tersebut merupakan



pure



autocorrelation.



b. Generalized Least Squared(GLS) Setelah kita mengetahui ternyata pure autocorrelation . maka langkah selajutnya yaitu salah satunya dengan melakukan transformasi. Transformasi ini dilakukan dengan mengurangi nilai variabel (bebas dan terikat) pada waktu ke-t, dengan Pertama,



waktu kita



memulai



dan



Sehingga akan membentuk persamaan umum berikut:



ke-(t-1). dengan



regresi



biasa.



Atau bisa dibentuk menjadi:



Dimana:



     



Jika autokorelasi di dalam residual tinggi (p=1), maka kita akan persamaan



regresi tanpa intersep. Sedangkan jika (p=0) maka model regresi yang akan didapat adalah regresi



dengan



pembeda



pertama.



             GLS ini bisa digunakan jika nilai roh didapatkan. Permasalahannya roh didapatkan dari nilai populasi yang sulit diperoleh. Sehingga perlu dilakukan roh berdasarkan data sampel.



c. First-Difference Method (Pembeda Pertama) Metode ini dapat digunakan jika statistic Durbin-Watson lebih kecil dibandingkan koefisien determinasi (DW