09e01204
DESCRIPTION
esaiTRANSCRIPT
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
PENGGUNAAN METODE DURBIN WATSON DALAM MENYELESAIKAN MODEL
REGRESI YANG MENGANDUNG AUTOKORELASI
SKRIPSI
SITI RAHAYU
020803045
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2009
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
PERSETUJUAN
Judul : PENGGUNAAN METODE DURBIN WATSON DALAM
MENYELESAIKAN MODEL REGRESI YANG
MENGANDUNG AUUTOKORELASI
Kategori : SKRIPSI
Nama : SITI RAHAYU
Nomor Induk Mahasiswa : 020803045
Program Studi : SARJANA (S-1) MATEMATIKA
Departemen : MATEMATIKA
Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN ALAM
(FMIPA) UNIVERSITAS SUMATERA UTARA
Medan, Maret 2009
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Drs. Djakaria Sebayang Drs. Suwarno Ariswoyo, M.Si
NIP.131474685 NIP. 130810774
Diketahui oleh
Departemen Matematika FMIPA USU
Ketua
Dr. Saib Suwilo, M.Sc
NIP. 131796149
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
PERNYATAAN
PENGGUNAAN METODE DURBIN WATSON DALAM MENYELESAIKAN MODEL
REGRESI YANG MENGANDUNG AUTOKORELASI
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Maret 2009
SITI RAHAYU
020803045
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
ABSTRAK
Korelasi serial atau autokorelasi adalah suatu keadaan dimana kesalahan pengganggu dalam
periode tertentu, katakan ie berkorelasi dengan kesalahan pengganggu dari periode lainnya
katakan je . Jadi kesalahan pengganggu tidak bebas, satu sama lain saling berkorelasi, dimana
( , ) 0i jE e e
Apabila kesalahan dari suatu model regresi linier diduga berkorelasi serial, maka model
regresi tersebut bukanlah model regresi yang baik atau dengan kata lain validasi dari model
regresi akan diragukan kecocokannya dengan sebaran data karena dicurigai datanya tidak
independen. Pada skripsi ini akan dibahas mengenai autokorelasi, bagaimana menguji ada
tidaknya autokoleralsi dalam suatu pengamatan, serta tindakan memperbaiki model regresi yang
ternyata mengandung autokorelasi dengan mengunakan metode Durbin Watson.
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
DAFTAR ISI
Abstrak. i
Abstract. ii
Daftar isi iii
Daftar Table.. v
BAB I PENDAHULUAN
1.1 Latar Belakang 1
1.2 Perumusan Masalah 4
1.3 Tujuan Peneliltian 4
1.4 Pembatasan Masalah... 4
1.5 Kerangka Pemikiran 4
1.6 Tinjauan Pustaka 5
BAB II LANDASAN TEORI
2.1 Analisa Regresi 6
2.2 Metode Kuadrat Terkecil (Ordinary Least Square) 6
2.2.1 Prinsip Metode Kuadrat Terkecil... 6
2.2.2 Pengaruh Taksiran Kuadrat Terkecil.. 9
2.3 Uji Hipotesa 10
2.3.1 Uji Signifikan Dari Regresi 11
2.4 Penaksir Parameter.. 12
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
2.5 Turunan Parsial 15
2.6 Analisa Korelasi 16
2.7 Autokorelasi 16
2.7.1 Pengaruh Autokorelasi 17
2.7.2 Alasan Terjadinya Autokorelasi. 19
2.8 Uji Durbin Watson. 20
BAB III PEMBAHASAN
3.1 Mendeteksi Kehadiran Autokorelasi 23
3.1.1 Uji Durbin Watson 23
3.2 Pendugaan Parameter 24
3.3 Tindakan Perbaikan Dengan Pendugaan Berdasarkan Metode
Durbin Watson 25
3.4 Konsekuensi Adanya Autokorelasi Dalam Analisis Regresi .. 26
3.5 Contoh Penerapan 27
BAB IV KESIMPULAN DAN SARAN
4.1 Kesimpulan .. 32
4.2 Saran. 32
DAFTAR PUSTAKA 33
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
DAFTAR TABEL
Tabel 1 Kaidah Keputusan Durbin Watson. 22
Tabel 2 Data Impor dan GNP dari Suatu Negara 28
Tabel 3 Transformasi data dari Table 2 30
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
BAB I
PENDAHULUAN
1.1 Latar Belakang
Suatu model statistika adalah suatu persamaan matematis yang melibatkan variabel bebas dan
variabel tak bebas dari parameter. Persamaan ini digunakan untuk mengetahui hubungan antara
peubah tersebut yang dapat digunakan untuk keperluan pendugaan atau peramalan. Untuk itu
maka peramalan yang terlibat harus diduga terlebih dahulu.
Dalam statistika, hubungan fungsional antara dua variabel atau lebih dinamakan regresi.
Salah satu bentuk hubungan yang sering dibahas dalam statistika adalah hubungan linier. Model
regresi linier merupakan model untuk menganalisis hubungan antar variabel. Hubungan tersebut
dapat digambarkan dalam bentuk persamaan yang menghubungkan anatara variabel terikat Y
dengan variabel bebas 1, 2 ,..., kX X X . Jika variabel Y dihubungkan dengan satu variabel bebas
(X) disebut regresi linier sederhana. Sedangkan jika variabel Y dihubungkan dengan lebih dari
satu variabel bebas (X), maka persamaan regresinya adalah regresi linier berganda.
Persamaan regresi linier dengan k variabel bebas dapat dinyatakan dengan :
1 2 1 3 2 1...i i i k ik iY x x x e = + + + + + . (1.1)
Dengan:
iY = variabel tak bebas / pengamatan ke-i pada variabel yang dijelaskan Y
ix = variabel bebas / pengamatan ke-i pada variabel yang penjelas kx
1 ,, k = parameter / koefisien regresi variabel penjelas kx
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
ie = variabel gangguan / error.
Penjabaran dari persamaan (1.1) adalah sebagai berikut:
1Y = 1 + 2 11x ++ k kx1 + 1e
2Y = 1 + 2 21x ++ k kx2 + 2e (1.2)
nY = 1 + 2 1nx ++ k nkx + ne
Keseluruhan dari persamaan diatas dapat ditulis dengan menggunakan persamaan matriks yaitu :
Y = X + e . (1.3)
1nxY =
nY
YY
2
1
nxkX =
nkn
k
k
XX
XXXX
1
221
111
1
11
=
k
2
1
dan ' = [ ]k 21
' = transpose
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
1kx =
1
2
k
ee
e
dan 'e = [ ]1 2 ke e e
'e = e transpose
Dengan:
Y = Vektor kolom berukuran n x 1 (n baris dan 1 kolom)
X = Matriks berukuran n x k (n baris dan k kolom)
= Vektor kolom berukuran n x 1 (n baris dan 1 kolom)
e = Vektor kolom berukuran n x 1 dari errornya
1 ,, k adalah parameter yang akan ditaksir, dimana dalam pembahasan ini dengan
menggunakan Metode Kuadrat Terkecil (Ordinary Least Square). Penduga dengan OLS akan
menghasilkan taksiran yang diizinkan jika asumsi berikut terpenuhi:
1. Nilai rata-rata kesalahan pengganggu nol, yaitu E( ie ) = 0 untuki = 1,2,,n
2. ie adalah sebuah variabel random riil dan memiliki distribusi normal.
3. Varian dari ( ie ) = E( ie ) = 2 adalah konstant untuk semua kesalahan pengganggu
(asumsi Homoskedastisitas).
4. Tidak adanya autokorelasi antara kesalahan pengganggu, berarti E( ie je ) = 0, i j
(asumsi nir korelasi serial).
5. Variabel bebas 1X , 2X ,, kX konstan dalam sampling yang terulang dan bebas
terhadap kesalahan pengganggu ie .
Persamaan regresi (1.1) yang berdasarkan kelima asumsi diatas tersebut merupakan
model regresi linier klasik (Supranto,1995).
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
Jika dalammodel regresi diketahui mengandung auokorelasi, berarti model regresi
tersebut telah melanggar asumsi di atas. Untuk itu model regresi tersebut harus diperbaiki karena
model regresi yang mengandung autokorelasi bukanlah model regresi yang baik. Dengan latar
belakang inilah penulis mengambil judul Penggunaan Metode Durbin Watson Dalam
Menyelesaikan Model Regresi Yang mengandung Autokorelasi.
1.2 Perumusan Masalah
Untuk mengetahui apakah suatu model regresi linier mengandung autokorelasi atau tidak, dapat
diuji dengan menggunakan uji Durbin Watson. Jika terbukti model regresi tersebut mengandung
autokorelasi, maka model tersebut tidak lagi efisien digunakan, karena tidak memenuhi asumsi
bahwa tidak adanya autokorelasi dari nilai-nilai galat. Sehingga perlu dilakukan tindakan
perbaikan, dengan membentuk suatu model regresi linier yang baru yang tidak lagi mengandung
autokorelasi, dengan metode Durbin Watson.
1.3 Tujuan Penelitian
Tujuan penulis adalah untuk menyelesaikan model regresi linier yang mengandung autokorelasi
dengan menggunakan suatu metode yaitu Durbin Watson, sehingga diperoleh model regresi
baru yang bisa tepat atau model yang benar dan tidak mengandung autokorelasi lagi.
1.4 Pembatasan Masalah
Pembahasan ini dilakukan dengan menganggap bahwa asumsi-asumsi lain tetap terpenuhi dan
dibatasi pada masalah autokorelasi dan untuk kesalahan yang mengikuti model autokorelasi
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
tingkat satu (First-Order Autoregresive), yaitu kesalahan e pada satu periode sebelumnya. Model
regresi tersebut dinyatakan sebagai berikut :
te = 1 1t t te e = + + t (1.4)
Dengan :
= koefisien autokorelasi
t = variabel random yang tidak berkorelasi
1.5 Kerangka Pemikiran
Dalam penulisan skripsi ini penulis mengambil langkah-langkah sebagai berikut :
Langkah I : Menyelidiki atau menguji apakah pada data pengamatan
terdapat korelasi serial (autokorelasi) atau tidak.
Langkah II : Akan dibahas penyebab terjadinya outokorelasi beserta
penyelesaiannya. Dimana dalam bagian ini penulis
memberikan penyelesaian dari data yang ternyata mengandung
autokorelasi dengan menggunakan metode Durbin Watson.
Langkah III : Diberikan contoh permasalahan serta tindakan penyelesaiannya.
1.6 Tinjauan Pustaka
Dalam pemecahan permasalahan dan penjabaran teori penulis melakukan tinjauan pustaka antara
lain :
1. Maddala.1991, Econometrics, menjelaskan bahwa metode penduga kuadrat terkecil
tidak dapat digunakan secara langsung, pengujian untuk mengetahui ada atau tidaknya
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
korelasi serial yang kekeliruannya mengikuti outoregresi orde pertama adalah Durbin
Watson.
2. Supranto.J, 1995,Ekonometrika Buku Dua, Universitas Indonesia, Jakarta. Dari buku
ini dikutip defenisi dari korelasi serial yaitu korelasi (hubungan) antara nilai-nilai
pengamatan yang tersusun dalam rangkaian waktu (seperti pada data runtun waktu atau
time series data) atau korelasi diantara nilai-nilai pengamatan yang terurut dalam ruang
(data pengamatan merupakan cross-sectional).
3. Ronald J.W dan Thomas H.W,1981, Regresison A Second Course In Statistics. Dari
buku ini dikutip tentang parameter dan interval kepercayaan .
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
BAB II
LANDASAN TEORI
2.1 Analisa Regresi
Pada dasarnya analisa regresi diartikan sebagai suatu analisis yang berkaitan dengan studi ketergantungan dari suatu variabel tak bebas (dependent variable) dengan satu atau lebih variabel penjelas (independent variable) dengan maksud untuk menduga atau memperkirakan nilai rata-rata populasi atau nilai-nilai dari variabel tak bebas berdasarkan nilai-nilai tertentu dari variabel penjelas (variabel bebas). Hubungan antar peubah bebas atau variabel bebas dan variabel tak bebas yang dicocokkan pada data dan ditandai dengan persamaan prediksi yang disebut sebagai persamaan regresi, oleh karena itu regresi linier merupakan suatu persamaan regresi di mana semua variabel yang ada di dalam persamaan itu (baik variabel bebas maupun varibel tak bebas) bersifat linier, begitu juga dengan parameter koefisien regresi itu bersifat linier.
Meskipun analisis regresi berurusan dengan ketergantungan satu variabel pada variabel lain, ini tidak berarti sebab akibat. Suatu hubungan statistik bagaimanapun kuat dan sugestif, tidak pernah dapat menetapkan hubungan sebab-akibat.
2.2 Metode Kuadrat Terkecil (Ordinary Least Square)
2.2.1 Prinsip Metode Kuadrat Terkecil
Perhatikan model regresi linier berikut :
i i iY a bX e= + +
i iY a bX= +
iY = merupakan perkiraan dari Y , karena
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
iY = iY + ie , maka
ie = iY - iY
ie = i iY a bX
yang menunjukkan bahwa ie (kesalahan pengganggu / residual) merupakan selisih antara Y yang sebenarnya (hasil pencatatan / observasi) dengan Y perkiraan, yang dihitung berdasarkan persamaan garis regresi ( iY ). iY disebut juga nilai regresi. Dengan ie adalah residu berdistribusi normal.
Kalau tidak ada kesalahan pengganggu, maka Y akan sama dengan iY . Kesalahan pengganggu ini yang menyebabkan suatu perkiraan/ramalan Y tidak tepat. Dengan metode kuadrat terkecil kita peroleh a dan b yang membuat 2 minimumie = . Itulah sebabnya mengapa
cara ini disebut least square error. Menurut teori kalkulus, untuk membuat 21
minimumn
ii
e=
= , kita harus menurunkannya dua kali, mula-mula terhadap a , kemudian terhadap b , dan menyamakannya dengan nol, caranya sebagai berikut :
2
2
2 ( )( 1) 0
2 ( )( ) 0
ii i
ii i i
e Y a bXae Y a bX X
b
= =
= =
Setelah disederhanakan, kita peroleh persamaan normal sebagai berikut :
2
(1)
(2) i i
i i i i
na b X Ya X b X X Y
+ =
+ =
Kalau dari (1) kita bagi n, maka a + bX = Y
Maka,
a Y bX= , 1 1, i iX X Y Yn n= = (2.1)
Untuk mendapatkan rumus b, masukkan a ke (2),
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
( )
( ){ }
2
22
22
i i i i i i
ii ii i i
i i i i i i
Y Xb X b X X Yn n
XX Y b b X X Yn n
b X X n X Y X Y n
+ =
+ =
=
( )22i i i i
i i
n X Y X Ybn X X
=
(2.2)
Atau
2 kalau
i ii i
i
i i
X Yb x X XX
y Y Y
= =
=
(2.3)
ix dan iy (huruf kecil) dalam bentuk deviasi terhadap rata-rata X dan Y , a dan b disebut pemerkira kuadarat terkecil (least square estimator) .
Pemerkira (disebut juga penduga atau penaksir) kuadarat terkecil a dan b dinyatakan dalam nilai-nilai observasi dari sampel sebanyak n pasang nilai ( ix , iy ) dan merupakan pemerkira tunggal (point estimator), maksudnya dari suatu sampel tertentu hanya dihitung satu nilai a dan satu nilai b sebagai perkiraan parameter A dan B. Pemerkira a dan b tersebut setelah dihitung berdasarkan suatu sampel tertentu akan diperoleh nilai a dan b yang memungkinkan untuk penggambaran kurva garis regresi Y a bX= + yang mempunyai sifat-sifat sebagai berikut :
1. Melalui titik koordinat ( , )X Y , hal ini jelas ditunjukkan oleh persamaan (2.1), dimana a Y bX=
2. Rata-rata Y (Y ) sama dengan Y , yaitu rata-rata Y perkiraan sama dengan rata-rata
Y observasi.
i i
i
i
i
1
Y =a+bX
=(Y-bX)+bX
=Y-bX+bX
=Y+b(X -X), jumlahkan untuk seluruh nilai sampel ( ), oleh karena
( ) 0, maka (bagi dengan n), maka
jadi,
i i
i i
i
in
Y nY b X X
X X X nX
Y nY
Y Y
Y Y
= +
= =
=
=
=
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
3. Rata-rata kesalahan pengganggu nilainya nol
1
( )
( )
( ( )) 0, kemudian bagi dengan , maka 0Jadi, rata-rata kesalahan pengganggu, 0
i i i i i
i i i
i i i
i i in
e Y Y Y a bXe Y a bX
e Y Y bX bX
Y Y b X X n e ee
= =
=
= +
= = = =
=
Kemudian perhatikan uraian berikut :
a) , jumlahkan untuk seluruh , (bagi dengan )
b)
( ) ( ) ( ) ( ), 0Maka, (2.4)
, (2.5)
i i i
i i i
i
i i i
i i i
i i i i i
Y a bX e iY na b X e n
Y a bX e
Y Y a a b X X e e e
y bx ey bx maka e y y
= + +
= + +
= + +
= + + =
= +
=
Jadi, (2.5) menunjukkan persamaan garis regresi linier sederhana (simple linear regression) yang dinyatakan dalam bentuk deviasi.
2.2.3 Pengaruh Taksiran Kuadrat Terkecil
Jika kesalahan e dalam model regresi berkorelasi, maka diperoleh bentuk penaksir kuadrat
terkecil
menjadi :
')'( 1 XXX
+= (2.6)
ini berarti }')'({)( 1 XXXEE
+=
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
1
1
( ) [( ' ) ' ]( ) ( ' ) ' ( ), dimana ( ) 0
E E X X XE X X X E E
= +
= + ==
Ini sendiri menunjukkan bahwa masih tetap merupakan penaksir tak bias dari meskipun kesalahan berkorelasi. Selanjutnya akan dicari Mean, Variansi, Covariansi dari kesalahan yang berkorelasi sebagai berikut :
1. Mean
=
= =
=
00)()(
rrt
r
rrt
rt EEE
Dari asumsi 0)( =tE untuk semua t, maka 0)( =rtE , jadi
0)( =tE . (2.7)
2. Variansi 2
0
2 )(
=
=
rrt
rt EE
+++=
=
=
=
=
4220
2
0
22
1(
)var()(
)()(
rrt
r
rrt
r E
asumsikan bahwa :
212 )()'( ttEE +==
2
2
2221
221
2
1
)(2)()(
=
+=
++= tttt EEE
maka variansinya adalah :
22
2
1
= untuk semua t .. (2.8)
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
2.3 Uji Hipotesa
Untuk memeriksa suatu model regresi mengandung autokorelasi dari nilai-nilai galat, maka kita harus mengujinya terlebih dahulu. Setelah diperoleh penduga parameter parameter model regresi linear (1.2) serta variansinya, maka perlu dilakukan uji hipotesa terhadap parameter-parameter tersebut untuk mengetahui seberapa jauh keberhasilan model tersebut dalam menjelaskan variabel respon.
2.3.1 Uji Signifikan dari Regresi
Uji ini menentukan ada atau tidaknya hubungan linier antara variabel respon dengan sekumpulan variabel penjelas.
pjHH
ji
p
,...,2,1,0
0210===
=====
Statistika penguji untuk 01 == jH adalah
E
R
E
R
MSMS
knSSkSSF =
=)1/(
/0 . (2.9)
Berdistribusi F dengan derajat kebebasan n-k-1, dimana k = p+1. Disini jumlah kuadrat total dipartisi menjadi jumlah kuadrat regresi dan jumlah kuadrat residual, yaitu :
Y R ESS SS SS=
Dengan: eeSSE '=
Maka : = YYSSE ' YX ''2
Dan karena
2
1'
n
ii
Y
YSS Y Y
n=
=
. (2.10)
Maka ESS dapat pula ditulis sebagai berikut :
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
==
=
2
1
2
1 ''n
YYX
n
YYY
n
ii
n
ii
.. (2.11)
Atau : E Y RSS SS SS=
n
YYXSS
n
ii
R
2
1'
==
.. (2.12)
Aturan keputusan :
Jika nilai 01,0 , HFF knk > ditolak pada tingkat signifikan
Jika nilai 01,0 , HFF knk < diterima pada tingkat signifikan
Nilai distribusi F diperoleh dari tabel 2 pada lampiran, berdasarkan tingkat signifikansi yang
digunakan dan derajat kebebasan k dan n-k-1.
2.4. Penaksiran Parameter
Teori penaksiran digolongkan menjadi penaksiran titik dan penaksiran selang. Sedangkan cara
melakukan penaksiran ada bermacam-macam diantaranya cara momen, simpangan kuadrat
terkecil, kemungkinan maksimum ataupun sifat penaksiran tak bias linear yang terbaik.
Misalkan sebuah nilai statistik terdistribusi dengan ciri suatu parameter populasi .
Parameter adalah parameter yang akan ditaksir dengan nilai taksiran yang dapat
mengambil bentuk apa saja seperti rata- rata, ragam, simpangan baku atau koefisien regresi dan
lainlain. Statistik yang digunakan untuk memperoleh nilai taksiran disebut penaksir atau fungsi
keputusan. Penaksir sendiri juga merupakan peubah acak.
Untuk menaksir sebuah parameter perlu dilakukan penarikan contoh yang
representative. Tentu saja, sebelum melakukan penaksiran perlu diketahui terlebih dahulu
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
karakteristik populasi seperti bentuk distribusinya, parameterparameter lain kecuali dan
sebagainya, walaupun kadangkala informasi tentang populasi sangatlah minim.
Suatu penaksiran akan menghasilkan bermacammacam penaksir. Diantara penaksir
penaksir itu haruslah dipilih mana yang terbaik yang dapat dipakai sebagai penghampir
parameter populasi. Oleh karena itu terlebih dahulu penulis mengetahui ciriciri penaksir yang
baik dan penaksir yang tidak baik. Penaksir yang baik harus memenuhi beberapa syarat,
tergantung kepada besar ukuran contohnya. Pada bab ini akan diuraikan beberapa defenisi
berkaitan dengan kriteria penaksir yang baik. Kriteria penaksir yang baik meliputi ketakbiasan,
efisiensi, dan konsistensi.
(1) Ketakbiasan
Statistik dikatakan penaksir tak bias dari parameter jika ( )E = = Jika
( )E maka ( )E dinamakan bias. Kriteria ketakbiasan ini menyatakan bahwa
distribusi dari penaksir, yaitu mempunyai rataan sama dengan .
Misalkan, dari populasi berdistribusi ( )1,N diambil sampel yaitu ., 21 nXXX Maka
X ( )nXXXn +++= 211 merupakan penaksir tak bias dari , karena :
( ) ( ) ( )
( ) ( ) ( ){ } .11
11
21
2121
==++=
++=
++=
nn
XEXEXEn
XXXEn
XXXn
EXE
n
nn
Tetapi kriteria tak bias saja tak cukup selama variansi sebagai ukuran penyebaran suatu
penaksir tak bias diketahui. Yang diinginkan penaksir tak bias dengan variansi terkecil yang
merupakan kriteria efisiensi.
(2) Efisiensi
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
Jika 1 dan 2 adalah penaksir tak bias untuk parameter , maka 1 dinamakan lebih
efisien dari 2 jika Va ( ) ( )1 2 var < r. Kriteria ini menyatakan bahwa penaksir yang
mempunyai penyimpangan terkecil dari rataannya adalah yang paling efisien.
(3) Konsistensi
Penaksir parameter dikatakan konsiten bila nilai taksiran akan sama dengan parameter
yang ditaksir dengan bertambahnya ukuran contoh sampai tak terhingga. Bila ukuran contoh
semakin besar, penaksir akan mendekati titik tertentu, bias semakin kecil demikian pula
dengan nilai ragamnya. Jadi,penduga adalah penaksir konsisten bagi parameter populasi.
Adapun besar kesalahan kuadrat rata rata penaksir terdiri atas ragam dan bias kuadrat yang
dihitung sebagai berikut:
( ) ( )( ) ( )
( ) ( ) ( ) [ ]
2
2
2
2
MSE E
E E E
E E E E E E
=
= +
= + +
Misalnya membuktikan bahwa X adalah
( ) ( ) ( )
( ) 0limlim
0
2
2
2
=
+=
+=
nXMSE
n
XbiasXragamXMSE
nn
Jadi X adalah penaksir yang konsisten bagi
2.5 Turunan Parsial
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
Misalkan ( )yxfz ,= fungsi 2 variabel yang terdefenisi disekitar titik ( )yx, . Turunan parsial dari f terhadap x adalah turunan z terhadap x dan y tetap konstan
Turunan parsial ( )yxfz ,= terhadap x ditulis:
( ) ( )yxfyxfx
zx
,, =
= didefenisikan sebagai berikut:
( ) ( ) ( ) ( )h
yxfyhxfyxfyxfx hx
,,lim,,0
+==
Turunan parsial ( )yxfz ,= terhadap y ditulis:
( ) ( )yxfyxfy
zy
,, =
= didefenisikan sebagai berikut:
( ) ( ) ( ) ( )k
yxfkyxfyxfyxfy ky
,,lim,,0
+==
2.6 Analisa Korelasi
Analisa korelasi merupakan suatu analisis yang digunakan untuk mengukur keeratan hubungan
antar variabel. Perhitungan derajat keeratan didasarkan pada persamaan regresi. Derajat keeratan
di antara dua variabel disebut koreladi sederhana (simple correlation), derajat keeratan yang
berkaitan dengan tiga atau lebih variabel disebut sebagai korelasi berganda (multiple
correlation).
Analisa regresi dari korelasi sederhana menunjukkan hubungan antara dua variabel, yakni
1 variabel bebas dan 1 variabel tak bebas. Sedangkan analisa regresi berganda dan analisa
korelasi berganda menggunakan tiga atau lebih variabel, satu varibel tak bebas dan dua atau
lebih variabel bebas.
Perlu diingat bahwa tingginya tingkat korelasi tidak menunjukkan hubngan sebab akibat
antar variabel, mungkin diperoleh korelasi yang tinggi antar dua variabel namun tidak
mempunyai hubungan.
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
Untuk melihat korelasi antara variabel bebas dan tak bebas dapat dilihat melauli formula:
{ }{ }i i i
2 2 2 2i i i
n X Y ( X )( Y)rn Y ( Y) n X ( X )
=
(2.13)
dengan r adalah koefisien korelasi antar variabel.
2.7 Autokorelasi
Salah satu asumsi penting dari beberapa asumsi model linier klasik adalah bentuk gangguan dari
pengamatan yang berbeda ( , )i je e bersifat bebas. Dengan kata lain asumsi ini mengharuskan
tidak terdapatnya korelasi diri atau korelasi serial (autokorelasi) di antara bentuk ie yang ada
dalam fungsi regresi populasi.
Pada dasarnya autokorelasi dapat didefinisikan sebagai korelasi di antara nilai-nilai
pengamatan yang terurut dalam waktu (time series data) atau nilai-nilai pengamatan yang terurut
dalam ruang (cross-sectional data).
Autokorelasi berkaitan dengan hubungan antara nilai-nilai yang berurutan dari variabel
yang sama. Dengan demikian terlihat adanya perbedaan pengertian antara autokorelasi dengan
korelasi. Yang mana sama-sama mengukur derajat keeratan hubungan. Korelasi mengukur
derajat keeratan hubungan di antara dua buah variable yang berbeda, sedangkan autokorelasi
mengukur derajat keeratan hubungan di antara nilai-nilai yang berurutan pada variable yang
sama atau pada variable itu sendiri.
2.7.1. Pengaruh Autokorelasi
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
Autokorelasi merupakan kasus khusus dari korelasi. Dimana autokorelasi berkaitan antara
hubungan antara nilai-nilai yang berurutan dari variabel yang sama atau variabel itu sendiri.
Timbulnya masalah kesalahan yang berkorelasi serial biasanya disebabkan oleh salah
satu asumsi yang tidak terpenuhi. Meskipun adanya autokorelasi, koefisien penduga parameter
masih bersifat tak bias, dalam pengertian bahwa nilai harapan sama dengan parameter yang
sesungguhnya, hanya saja varians dari koefisien penduga itu akan menjadi lebih besar. Dengan
demikian apabila bentuk gangguan mempunyai autokorelasi, maka varians dari penduga Metode
Kuadrat Terkecil akan menjadi lebih besar dari pada penduga lainnya. Sehingga penaksiran
dengan menggunakan Metode Kuadrat Terkecil tidak akan menghasilkan parameter seperti yang
diinginkan.
Apabila bentuk gangguan menunjukkan atau memperlihatkan adanya korelasi serial atau
autokorelasi, maka hal ini akan berpengaruh pada nilai galat baku (standart error) dari parameter
dugaan atau galat baku dari koefisien penduga parameter model. Seperti telah dikemukakan
dalam pembatasan masalah pada BAB I, bahwa error kesalahan diasumsikan memenuhi
hubungan :
et = et-1 + t . (2.14)
dimana adalah koefisien autokorelasi dengan nilai (-1<
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
Selanjutnya substitusikan 1t pada persamaan (2.14), sehingga diperoleh :
et = (et-2 + t-1 ) + t = 2 (et-2 +t-r ) + t
selanjutnya substitusikan 2t , sehingga diperoleh :
et (et-3 + t-2 ) + t-1 + t
dan apabila langkah tersebut dilakukan terus menerus untuk periode (r besar), maka diperoleh :
et = t + t-1 + 2 t-2 +
maka :
0
0 1 1 1 1
t t t-1
t t t-1
(1 )Y * = (Y Y )X * (X )
rt t r
r
t t t t t
e
Y X X Y
X
=
=
= + + +
=
sehingga 0)( =tE
2.7.2 Alasan Terjadinya Autokorelasi
Terjadinya autokorelasi diantara nilai-nilai dari variabel gangguan e dapat diakibatkan karena
beberapa hal berikut:
1. Adanya variabel-variabel penjelas yang dihilangkan dari model. Seperti diketahui bahwa
kebanyakan variabel-variabel ekonomi cenderung mengandung autokorelasi, dimana
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
nilai-nilai dari periode sekarang akan tergantung pada periode sebelumnya. Jika variabel
yang memiliki sifat autokorelasi ini dihilangkan atau dikeluarkan dari model atau
dipisahkan dari sekumpulan variabel penjelas yang lain, maka jelas hal ini akan
berpengaruh yang direfleksikan dalam variabel gangguan e , sehingga nilai-nilai dari
gangguan akan mengandung autokorelasi. Kasus ini sering disebut sebagai quasi-
autocorrelation, krena merupakan pola autokorelasi dari variabel penjelas (X) yang
dihilangkan yang muncul dalam model regresi itu, bukan menunjukkan pola perilaku dari
nilai-nilai e yang sesungguhnya.
2. Adanya kesalahan spesifikasi bentuk matematik dari model. Jika kita merumuskan atau
menetapkan bentuk matematik yang berbeda dari bentuk hubungan yang sesungguhnya,
maka nilai-nilai gangguan akan menunjukkan autokorelasi.
3. Adanya fenomenal Cobweb, di mana nilai variabel yang sekarang bereaksi atau
ditentukan oleh variabel sebelumnya.
4. Di dalam analisis regresi yang melibatkan data deret waktu, jika model regeresi
mengikutsertakan tidak hanya nilai-nilai sekarang, tetapi juga nilai-nilai pada waktu yang
lalu sebagai variabel penjelas, maka variabel itu disebut sebagai model distribusi lags.
5. Adanya manipulasi data. Di dalam anlisis empirik, data mentah sering dimanipulasi.
Sebelum membahas manipulasi data, maka perlu dikemukakan di sini bahwa kata
manipulasi tidak berkaitan dengan hal-hal negatif seperti memalsukan data, mengarang
data, dan sebagainya, tetapi manipulasi data yang dimaksudkan di sini adalah suatu
teknik mengubah data yang berkonotasi positif, di mana teknik mengubah data atau
memperkirakan data itu dapat dibenarkan tetapi sering menimbulkan masalah yang
berkaitan dengan betuk gangguan.
2.8 Uji Durbin Watson Uji ini dikemukakan oleh statistikawan J. Durbin dan G.S. Watson, sehingga uji ini dikenal
dengan nama Uji Durban-Watson. Uji ini hanya cocok untuk pola regresi diri order pertama yang
mengambil bentuk :
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
1t t te e = +
Adapun beberapa asumsi yang melandasi Uji Durban Watson ini antara lain :
1. Uji Durbin Watson diterapkan untuk model regresi yang mencakup parameter 0 ,
dengan kata lain dipergunakan untuk model regresi yang mengandung intersep.
2. Variabel variabel penjelas X , adalah nonstokastik, atau bersifat tetap dalam penarikan
contoh yang berulang (Repeated Sampling)
3. Bentuk gangguan te dibangkitkan melalui pola regresi diri order pertama dengan
mengambil bentuk : 1t t te e = +
4. Model regresi tidak mencakup nilai nilai lag dari variabel tak bebas sebagai suatu
variabel penjelas.
5. Tidak ada parameter yang hilang dalam data, dengan demikian uji Durbin Watson dapat
digunakan untuk model regresi yang dibangun berdasarkan data yang lengkap, terutama
untuk data deret waktu.
Uji Durbin Watson ini sendiri dirumuskan sebagai berikut :
=
=
= n
tt
n
ttt
e
eed
1
2
2
21)(
.. (3.15)
Kebaikan dari statistik Uji d Durbin Watson ini sendiri adalah bahwa perhitungannya didasarkan
atas ie , perkiraan residual pengganggu ie yang secara rutin dihitung didalam analisis regresi.
Karena 2te dan 2 1te hanya berbeda satu pengamatan, maka keduanya dapat dianggap sama. Sehingga 2te = 2 1te , maka persamaan (3.1) dapat ditulis kembali sebagai berikut ;
2112~
t
tt
eee
d (2.16)
Gkan koefisien korelasi dapat ditentukan dengan formula :
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
= 2 1
t
tt
eee
(2.17)
Sebagai penduga dari koefisien autokorelasi tingkat satu )( , yang nilainya berada pada
11
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
Dengan demikian statistik d Tidak ada autokorelasi yang dihitung berdasarkan persamaan
(3.1) akan dibandingkan atau dilihat hasilnya dari tabel keputusan Durbin-Watson untuk
memperoleh kesimpulan apakah perlu menolak atau menerima 0H . Kadah keputusan dari Uji
Durbin-Watson dapat diikuti dalam tabel 1.
Masalah yang mendasar dari Uji Durbin-Watson ini adalah tidak diketahui secara tepat
mengenai distribusi dari statistik d ini sendiri. Meski demikian Durbin-Watson telah berhasil
menghitung batas atas Ud dan batas bawah Ld dari nilai nilai kritis tersebut.
Tabel 1
Kadah Keputusan Durbin-Watson
Hiptesis nol ( 0H ) Keputusan Jika
Tidak ada Autokorelasi positif
Tidak ada Autokorelasi positif
Tidak ada Autokorelasi Negatif
Tidak ada Autokorelasi Negatif
Tidak ada Autokorelasi Positif atau Negatif
Tolak 0H
Tidak ada
Tolak 0H
Tidak ada
Tarima 0H
Ldd
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
BAB III
PEMBAHASAN
3.2 Mendeteksi Kehadiran Autokorelasi
Masalah autokorelasi mempunyai akibat yang cukup serius dalam suatu model regresi. Ada
beberapa cara untuk mendeteksi ada tidaknya autokorelasi dalam pengamatan yang sedang
diselidiki, untuk pengamatan ini dipakai uji Durbin Watson.
3.2.1 Uji Durban Watson
Statistik d Durbn Watson didefenisikan sebagai berikut :
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
=
=
= n
tt
n
ttt
e
eed
1
2
2
21)(
Mekanisme tes Durbin Watson adalah sebagai berikut, dengan mengasumsikan bahwa
asumsi yang mendasari tes telah terpenuhi :
1. Lakukan regresi OLS dan dapatkan residual ie .
2. Hitung d dari persamaan diatas.
3. Untuk ukuran sampel tertentu dan banyaknya variabel yang menjelaskan tertentu,
dapatkan nilai kritis dL dan dU.
4. Jika hipotesa H0 adalah bahwa tidak ada autokorelasi positif, maka
d < dL : menolak H0
d < dU : tidak menolak H0
dL d dU : pengujian tidak meyakinkan
5. Jika hipotesa H0 adalah bahwa tidak ada autokorelasi negatif, maka
d > 4- dL : menolak H0
d > 4- dU : tidak menolak H0
4- dU d 4- dL : pengujian tidak meyakinkan
6. Jika hipotesa H0 adalah dua-ujung , bahwa tidak ada autokorelasi baik positif atau
negatif, maka
d < dL : menolak H0
d > 4 dL : menolak H0
dU < d < 4 - dU : tidak menolak H0
atau jika, dL d dU dan 4 dU d 4- dL , maka pengujian tidak meyakinkan.
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
Seperti langkah tadi menunjukkan kelemahan besar dari tes d adalah bahwa jika d tadi
jatuh dalam daerah yang meragukan, jadi tidak dapat disimpulkan apakah autokorelasi ada atau
tidak ada. Sehingga memungkinkan untuk menggunakan tes lain harus juga di perhatikan.
3.2 Pendugaan parameter .
Ada prosedur alternatif yang dapat digunakan untuk mengetahui apakah suatu model memiliki
autokorelasi, dan dapat diduga besaran autokorelasi itu, yang mana besaran autokorelasi perlu
diduga agar dapat melakukan tindakan perbaikan bila ditemukan adanya autokorelasi pada suatu
model regresi.Untuk mengetahui apakah terdapat autokorelasi atau tidak maka diuji terhadap
koefisien penduga parameter , yaitu .
Prosedur dapat dilakukan sebagai berikut: H0 : = 0 ; yang menunjukkan bahwa koefisien autokorelasi sama dengan nol berarti tidak
terdapat autokorelasi. H0 : 0 ; yang menunjukkan adanya autokorelasi, baik autokorelasi positif atau
autokorelasi negative. Untuk mengetahui nilai dugaan para meter , yaitu , maka dapat ditentukan dengan menggunakan formula berikut :
12
21
2
n
t tt
n
tt
e e
e
=
=
=
(3.4)
Varians dapat diduga menggunakan formula berikut :
2
21
2
var( ) nt
t
s
e
=
=
(3.5)
dengan :
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
22
2 2
221
2 2
( )
( 1)
n
t tnt
t nt
tt
e ee
es
n k
=
=
=
=
(3.6)
Dalam persamaan (3.6) yang dimaksud dengan (n-1) adalah banyaknya pengamatan yang
digunakan untuk membangun model regresi, maka data akan kehilangan satu nilai pengamatan
dimana pengamatan pertama tidak dapat dipergunakan karena nilai untuk 1te pada pengamatan
pertama tidak ada. Sedangkan k adalah banyaknya parameter yang diduga dalam model
autokorelasi dan dilihat dari pola regresi diri 1t t te e = + , maka jelas banyaknya parameter
yang diduga adalah 1, yaitu regresi diri orde pertama .
3.3 Tindakan Perbaikan dengan Pendugaan Berdasarkan Metode Dua Tahap Durbin
Usaha perbaikan terhadap model yang regresi yang mengandung autokorelasi adalah dengan
membangun persamaan beda umum, untuk dapat membangun persamaan regresi beda umum,
perlu menduga koefisien autokorelasi ( ), agar dipergunakan dalam mentransformasikan
variabel asli dan X Y kedalam *tX dan tY * .
Untuk menjelaskan metode ini, maka bayangkan teerdapat suatu persamaan beda umum,
yang dapat dinyatakan sebagai berikut:
0 1 1 1 1(1 )t t t t tY X X Y = + + + (3.1)
Prosedur pendugaan berdasarkan metode dua tahap Durbin dapat mengikuti langkah berikut :
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
1. Pada tahap pertama , meregresikan tX terhadap tY , 1tX dan 1tY , berdasarkan OLS di
duga koefisien regresi dari 1tY untuk dipergunakan sebagai koefisien dugaan bagi
parameter autokorelasi. Jadi koefisien regresi dari 1tY dianggap merupakan , sebagai
dugaan dari .
2. Setelah memperoleh nilai dugaan , maka transformasikan variable-variabel yang asli
dalam variable-variabel transformasi berikut :
-1* ( )t t tY Y Y= (3.2)
-1* ( )t t tX X X= (3.3)
Kemudian berdasarkan variabel transformasi *tY dan *tX , dibangun model regresi
dengan menggunakan OLS.
3.4 Konsekuensi Dari Adanya Outokorelasi Dalam Analisis Regresi
Apabila bentuk gangguan menunjukkan atau memperlihatkan adanya autokorelasi, maka hal ini
akan berpengaruh kepada nilai galat baku (Standard Error) dari parameter dugaan atau galat
baku dari koefisien penduga parameter model. Dengan adanya bentuk gangguan autokorelasi ini
mengakibatkan ragam galat yang diduga memiliki nilai yang lebih rendah dari pada yang
sesungguhnya. Konsekuensi dari menduga ragam galat yang rendah ini akan berakibat lebih
lanjut dan bersifat serius dalam pendugaan ragam koefisien penduga parameter. Dengan adanya
kasus autokorelasi dalam variabel gangguan mengakibatkan pengaruh dari variabel bebas itu
menjadi nyata secara statistik. Jelas hal ini akan memberikan kesimpulan yang salah karena
keadaan sesungguhnya tidak diberikan, sehingga dapat berakibat kesimpulan yang ditarik akan
salah, karena tidak menggambarkan keadaan yang sebenarnya.
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
3.5 Contoh Penerapan
Untuk memperoleh gambaran yang lebih jelas tentang kegunaan teori yang telah diuraikan, maka
didalam bab ini penulis sajikan sebuah contoh pemakaiannya.
Data yang digunakan dalam contoh ini dikutip dari Buku Ekonometrika Terapan Dua,
yaitu tentang data impor )( tY dan GNP dari suatu negara (data hipotesis) selama 20 tahun. Data
diukur dalam milyar rupiah harga constan tahun tertentu yang datanya disajikan dalam tabel 2
berikut :
Tabel 2
Data Impor dan GNP dari suatu Negara
t tX tY tY
t 1t
1
2
3
4
5
6
7
21777
22418
22308
23319
24180
24893
25310
3748
4010
3711
4004
4151
4569
4582
3632
3812
3781
4064
4305
4505
4622
116
198
-70
-60
-154
64
-40
-
116
198
-70
-60
-154
64
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
8
9
10
11
12
13
14
15
16
17
18
19
20
25799
25886
26868
28134
29091
29450
30705
32372
33152
33764
34411
35429
36200
4697
4753
5062
5669
5628
5736
5946
6501
6549
6705
7104
7609
8100
4758
4783
5058
5412
5680
5781
6132
6599
6817
6989
7170
7455
7671
-61
-30
4
257
-52
-45
-186
-98
-268
-284
-66
154
429
-40
-61
-30
4
257
-52
-45
-186
-98
-268
-284
-66
154
Dikutip dari Buku Ekonometrika Terapan 2,Vincent,Gaspar.
Data dalam tabel diatas akan diuji apakah terdapat autokorelasi atau tidak dengan
menggunakan Metode Kuadrat Terkecil (OLS).
Langkah-langkah untuk menyelesaikan contoh penerapan di atas adalah sebagai berikut:
1. Menentukan persamaan regresi dari table 2. Dengan menggunakan OLS diperoleh persamaan regresi :
2, 465,29 0,28 tY X= +
2. Hipotesis : 01
H tidak ada autokorelasiH ada autokorelasi
=
=
3. Taraf signifikan yang digunakan adalah 0,05 =
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
4. Dengan derajat kebebasan ( 1) (20 1) 1 18n k = =
5. Uji Durbin Watson
Sekarang akan dipastikan apakah model regresi yang di atas yang dibangun berdasarkan
Metode Kudrat Terkecil (OLS) terdapat autokorelasi atau tidak, maka di sini akan
digunakan Uji Durban-Watson.
=
=20
2
2 561324t
t ; =
=20
2
21 390739
tt
=
=20
21 906.207
ttt ;
202
1574780t
t
=
=
Statistika Durbin Watson ditentukan dengan menggunakan formula (3.1), sebagai
berikut ;
=
=
= n
tt
n
ttt
e
eed
1
2
2
21)(
=
=
=
=
=
+
20
1
2
20
21
20
2
21
20
22
tt
tt
tt
t
et
e
eeee
= 933.0574780
)207906(2390739561324=
+
Dari tabel Durban Watson dapat dita bahwa untuk taraf nyata 5% dengan k = 1 dan n =
20, diperoleh :
201.1=Ld dan 411.1=Ud
6. Kriteria penolakan Durbin Watson.
7. Kriteria penolakan hipotesis yang digunakan adalah riteria penolakan Durbin Watson
sesuai dengan tabel 1.
8. Kesimpulan
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
Dapat disimpulkan bahwa H0 di tolak, yang menyatakan bahwa tidak ada autokorelasi,
karena d yang di hitung berada dalam nilai:
0 < d < Ld = 0 < d < 1.201
Dengan demikian regresi tidak memenuhi asumsi tentang tidak adanya autokorelasi dari
nilai gangguan, karena berdasarkan pengujian menunjukkan bahwa model regresi impor
terhadap GNP mengandung autokorelasi untuk itu perlu dilakukan tindakan perbaikan
terhadap model regresi yang mengandung autokorelasi.
9. Tindakan perbaikan
Karena pada model masih terdapat autokorelasi maka perlu dilakukan tindakan perbaikan
dengan menggunakan transformasi data srbagai berikut
Tabel 3
Transformasi data dari tabel 2
Tahun Ke-i Y X 1tY 1tX tY * tX *
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
3748
4010
3711
4004
4151
4569
4582
4697
4753
5062
5669
5628
5736
5946
6501
6549
6705
7104
7609
8100
-
22418
22308
23319
24180
24893
25310
25799
25886
26868
28134
29091
29450
30705
32372
33152
33764
34411
35429
36200
-
3748
4010
3711
4004
4151
4569
4582
4697
4753
5062
5669
5628
5736
5946
6501
6549
6705
7104
7609
-
21777
22418
22308
23319
24180
24893
25310
25799
25886
26868
28134
29091
29450
30705
32372
33152
33764
34411
35429
-
2016
1578
2030
2021
2361
2151
2259
2254
2533
2976
2612
2742
2894
3338
3090
3221
3537
3830
4052
-
10833
10382
11451
11774
12029
12067
12334
12161
13097
13840
14124
13974
15038
16037
15930
16127
16449
17122
17352
Dari tabel 2 diatas ; terlihat bahwa proses pembedaan data telah mengakibatkan kehilangan satu
buah pemgamatan yang pertama (t = 1), sehingga pendugaan terhadap persamaan regresi beda
umum hanya menggunakan n 1 = 19 buah data Y* dan X*. untuk kasus regresi yang
mengandung autokorelasi maka akan diduga parameter autokorelasi berdasarkan formula :
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
12
21
2
n
t tt
n
tt
e e
e
=
=
=
Sehingga di peroleh nilai = 0,532
Setelah diperoleh nilai = 0,532 maka engan menggunakan metode kuadrat terkecil, diperoleh
persamaan regresi sebagai berikut :
11 532,0157,0296,0972,943.2
++= tttt YXXY ................ (4.1)
Gunakan yang diperoleh untuk mentransformasikan variabel asli ke dalam bentuk
transformasi berikut:
)532,0(
)532,0(
1*
1*
=
=
tt
ttt
XXXYYY
296,0
779,1377)532,01(*1
0*0
=
==
Selanjutnya akan diuji autokorelasi dengan Uji Durbin-Watson, sebagai berikut :
=
=
= n
tt
n
ttt
e
eed
1
2
2
21)(
= 647.1428389
)14875(2341953393420=
+
Dari kriteria penolakan Durbin Watson, untuk k = 1 ; n = 19 dan taraf nyata 05.0= maka
diperoleh 180,1=Ld dan 401,1=Ud
10. Kesimpulan.
Oleh karena d yang dihitung berada dalam selang penerimaan 0H , yaitu terletak dalam
selang 599,2401,14
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
autokorelasi negatif dari nilai-nilai gangguan. Maka persamaan regresi (4.1) adalah model
regresi yang tepat.
Usaha perbaikan terhadap model regresi (3.8) yang mengandung autokorelasi adalah
dengan membangun persamaan regresi beda umum. Untuk itu perlu menduga parameter
koefisien autokorelasi agar dipergunakan dalam mentransformasikan variabel asli Y dan X
kedalam variabel transformasi *Y dan *X
Untuk kasus model regresi (3.8) yang mengandung autokorelasi, maka akan diduga
parameter autokorelasi berdasarkan formula (3.3) dan diperoleh hasil
= 0.532. Setelah
diperoleh
, maka dapat dirumuskan kembali model regresi (3.8) menjadi persamaan beda
umum sebagai berikut :
( tY - 0.532 1tY ) = *0 + *1 ( tX - 0.532 1tX ) + t
Dengan :
*0 = 0 (1-
) = 0.468 0
t = t - 0.532 1t
Persamaan di atas dapat ditulis secara sederhana sebagai berikut :
*tY = *0 + *1 *tX + t
Dengan : *tY = ( tY - 0.532 1tY )
*tX = ( tX - 0.532 1tX )
t = 2,3,4,...,20
BAB IV
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
KESIMPULAN DAN SARAN
4.1. KESIMPULAN
Dari pembahasan yang telah dikaji didapat kesimpulan sebagai berikut :
1. Terjadinya masalah autokorelasi mengakibatkan penaksiran parameter yang
menggunakan metode kuadrat terkecil tetap menghasilkan penduga yang tak bias, tetapi
varian penduganya tidak minimum lagi. Bahkan taksiran dari 2 menjadi taksiran yang
bias. Dengan demikian penguji untuk parameter akan membuat kesimpulan yang salah.
2. Cara yang digunakan untuk mendeteksi atau menguji ada atau tidaknya autokorelasi
adalah dengan menggunakan metode Uji Durbin-Watson.
3. Model regresi yang mengandung autokorelasi bukanlah model yang tepat untuk
menggambarkan keadaan yang sebenarnya.
4. Model regresi yang mengandung autokorelasi di perbaiki dengan menggunakan Metode
Dua Tahap Durbin, sehingga model yang terakhir dengan menggunakan Uji Dua Tahap
Durbin adalah model yang tepat untuk menggambarkan keadaan yang sesungguhnya
4.2 SARAN
1. Karena penyelesaian sistem persamaan dalam hal terdapat autokorelasi cukup sulit
diselesaikan, maka jika data deret waktu berganda dimana kekeliruannya berkorelasi
serial tidak terlepas dari transformasi data untuk menghilangkan autokorelasi dalam
model guna membentuk model regresi yang baru.
2. Dalam data deret waktu sebelum digunakan sebaiknya lebih dahulu diuji autokorelasi
dari residual dengan menggunakan statistik uji Durbin watson atau uji lain dalam hal ini
modelnya mengikuti AR(1) atau penguji lain yang sesuai.
DAFTAR PUSTAKA
-
Siti Rahayu : Penggunaan Metode Durbin Watson Dalam Menyelesaikan Model Regresi Yang Mengandung Autokorelasi, 2009. USU Repository 2009
Gaspers, Vincent. 1991. Ekonometrika Terapan Dua. Tarsito.Bandung.
Gurajati, Damodar N. 1997. Ekonometrika Dasar. Penerbit Erlangga. Jakarta.
Maddala, G.S. 1990. Econometrics. University Of Florida. Florida. USA.
Nachrowi, Nachrowi J. 2002. Penggunaan Tehnik Ekonometrika. PT. Raja Grafindo Persada.
Jakarta.
Ronald, J.W. and Thomas, H.W. 1981.Regression A Second Course In Statistic. Jhon Wileyand
Son.New York.
Supranto, J. 2005. Ekonometrika Buku Satu. Penerbit Ghalia Indonesia. Ciawi. Bogor.
Supranto, J. 1995. Ekonometrika Buku Dua. LPPE. Universitas Indonesia. Jakarta.