ekonometrika
DESCRIPTION
Ekonometrika. Program Studi Statistika Semester Ganjil 2011. Regresi Linier Berganda. Satu peubah respon (endogen) Beberapa peubah penjelas ( eksogen ) Dinotasikan dalam matriks. Penduga OLS. Penduga yang meminimumkan Jumlah kuadrat galat (RSS), dalam notasi matriks :. - PowerPoint PPT PresentationTRANSCRIPT
DR. Rahma Fitriani, S.Si., M.Sc
Ekonometrika
Program Studi StatistikaSemester Ganjil 2011
Regresi Linier Berganda Satu peubah respon (endogen) Beberapa peubah penjelas (eksogen) Dinotasikan dalam matriks
uXβY
nY
Y1
Y
knnn
k
k
k
XXX
XXXXXXXXX
...1
...1
...1
...1
32
33323
23222
13121
X
k
1
β
nu
u1
u
1n kn 1k 1n
Penduga OLS Penduga yang meminimumkan Jumlah kuadrat
galat (RSS), dalam notasi matriks:uu ˆˆ RSS
βXYβXY ˆˆ
RSS
βXYXβY ˆˆ βXXββXYYXβYY ˆˆˆˆ
βXXββXYYY ˆˆˆ2
Penduga OLS RSS akan minimum pada nilai penduga yang
merupakan solusi dari turunan pertama RSS yang disamadengankan nol
0ˆ22ˆ
βXXYX
RSS
YXβXX ˆ
YXXXβ 1ˆ
PENDUGA OLS
DR. Rahma Fitriani, S.Si., M.Sc
Asumsi-asumsi pada regresi linier berganda Sama dengan semua asumsi pada regresi linier
sederhana, dengan tambahan: Tidak ada hubungan linier sempurna di antara dua atau lebih
peubah penjelas (eksogen)
Dengan terpenuhinya asumsi maka penduga OLS akan bersifat: Linier: fungsi linier dari peubah respons (endogen) Tidak bias: nilai harapan penduga adalah nilai parameter Konsisten: untuk n→∞, penduga menuju nilai parameter
yang sebenarnya, dan ragam penduga →0 Ragam yang paling kecil di antara semua penduga yang
mungkin BLUE: Best Linear Unbiased Estimators
Struktur Ragam Peragam dari Penduga
Matriks berukuran k × k Ragam (variance) pada diagonal utama Peragam (covariance) selainnya
βββ ˆˆˆvar E
12 XX
Goodness of Fit dari garis Regresi Berganda R2 pada regresi linier sederhana tidak dapat dipakai
untuk membandingkan dua model dengan jumlah peubah eksogen yang berbeda.
Ketika jumlah peubah X ditambah: Proporsi keragaman Y yang terjelaskan oleh X akan selalu
meningkat. R2 akan selalu meningkat seiring jumlah X, tanpa melihat
penting tidaknya penambahan X dalam model.
Digunakan adjusted R2, Adjusted: disesuaikan terhadap jumlah peubah eksogen X
yang digunakan
Adjusted R2
Dengan penyesuaian terhadap jumlah peubah eksogen
TotalJK GalatJK 1
TotalJK JK Regresi2 R
n-kn-
n-n-kRadjusted
TotalJK
1GalatJK 11Total/JK
Galat/JK 1 2
Adjusted R2 dapat digunakan untuk memilih model mana yang terbaik berdasarkan jumlah peubah eksogen yang dipakai.
Terbaik: Adjusted R2 → 1
Kriteria lain untuk Pemilihan Model Beberapa kriteria digunakan, AIC, FPE, SBC, HQC Semua memberikan penalti terhadap JK Galat:
Semakin banyak peubah eksogen semakin besar penaltinya
Model terbaik (berdasarkan jumlah peubah eksogen) dipilih dari nilai terkecil kriteria-kriteria tersebut.
Harapan: model terbaik mempunyai nilai terkecil untuk semua kriteria Tidak selalu terjadi akibat bobot yang berbeda
AIC: lebih banyak digunakan pada data deret waktu
Kriteria lain untuk Pemilihan Model
nke
nAIC 2GalatJK
knkn
nFPE
GalatJK
nke
nSBC
GalatJK
nk
nn
HQC2
lnGalatJK
Akaike Information Criterion
Finite Prediction Error
Schwarz Bayesian Criterion
Hannah and Quinn Criterion
Beberapa Uji Hipotesis Pada Regresi Berganda Uji keberartian koefisien secara individu
Uji t (sama dengan uji t pada kasus regresi linier sederhana)
Uji keberartian koefisien secara simultan Uji F
Uji linear restriction: Uji hubungan linier antara dua atau lebih koefisien: uji F atau uji Wald
(pengembangan uji t)
Uji untuk penambahan atau pengurangan peubah eksogen Uji F atau Uji chi square dengan Likelihood Ratio
Semua uji merupakan perbandingan dari unrestricted model (menggunakan semua peubah eksogen) dan restricted model Jika perbedaan tidak nyata maka restriction tidak berarti secara statistik. Model unrestricted lebih baik digunakan.
Uji F Hipotesis nol: restricted model valid Menduga restricted model dan unrestricted model Memperoleh JK Galat untuk restricted model dan JK Galat
untuk unrestricted model, dan menghitung statistik uji F.
URU knkk
UU
RUUR Fkn
kkF
,~/JKG
/JKGJKG
JKGR: JK galat restricted modelJKGU: JK galat unrestricted modelkU: jumlah peubah eksogen (termasuk konstanta) pada unrestricted modelkR: jumlah peubah eksogen (termasuk konstanta) pada restricted model
Penggunaan uji F untuk Uji keberartian koefisien peubah X secara bersama-sama Uji goodness fit secara keseluruhan
Pada dua model Unrestricted: menggunakan semua peubah eksogen Restricted: hanya menggunakan konstanta (super restricted
model)
tiiiii uXβXβXβXββYU 554433221:
ti uβYR 1:
0: 54320 H
5,,2,0 satu salahsedikit paling:1 iH i
Dari pendugaan masing-masing model diperoleh JKGU dan JKGR kU =k= 5 kR = 1
Terdapat hubungan khusus untuk JKGR
21
2 iiR YuJKG Y1̂
2YYi UJKTotal
kn
k
U
UU
/JKG
1/JKGJKTotal UU
RUUR
knkkF
/JKG
/JKGJKG
kn
k
U
U
/JKG
1/JKRegresi
R2 diperoleh dari model unrestricted.
kn
kFU
U
/JKG
1/JKRegresiTotalJK
JKG1TotalJK
JK Regresi2 R
U
U
U
U
U
U
JKGJKTotal
JKTotalJKRegresi
JKGJKRegresi
U
UU
U
JKTotalJKG1
JKTotalJKRegresi
22
11R
R
knkF
knRkRF
,12
2
~/1
1/
Jika F nyata secara statistik (dari p value), maka terdapat cukup bukti untuk mendukung keberartian model
Uji Chi-Square dengan Likelihood Ratio Perbandingan likelihood dua model, restricted
dan unrestricted Unrestricted model: menggunakan semua peubah
eksogen (sejumlah k) Restricted model: terdapat beberapa peubah yang
tidak digunakan atau ditambahkan (sejumlah m) Hipotesis nol: beberapa parameter bernilai nol Menggunakan statistik uji chi-square:
2~2 muR llLR
Contoh Penggunaan uji Chi-Square untuk menguji pengurangan peubah eksogen Unrestricted Model:
Restricted Model:iiiiii uXβXβXβXββYU 554433221:
iiii uXβXββYR 33221:
0: 540 H
5,4,0 satu salahsedikit paling:1 iH i
Fungsi likelihood dari model regresi:
2
2
12
22
ˆ
21exp
2
1ˆ
21exp
21,
ii
nn
n
i
ii YYYYl
Fungsi likelihood dari model unrestricted:
2
25544332212
51 21exp
2
1,,,
iiiii
nn
XXXXYl
Fungsi likelihood dari model restricted:
2
2332212
31 21exp
2
1,,,
iii
nn
XXYl
Statistik uji chi-square dihitung berdasarkan dua fungsi likelihood tersebut:
22
2~2 muR llLR
Jika statistik uji tersebut nyata secara statistik, maka akan cukup bukti untuk mendukung hipotesis alternatif: Peubah eksogen X4 dan X5 tidak perlu dihilangkan
dari model
Uji Wald (pengembangan Uji t) Pengujian linear restriction Misalkan:
Dengan hipotesis bahwa koefisien-koefisien tsb mempunyai hubungan linier, misalkan:
iiii uXβXββY 33221
1: 320 ββH
333222ˆvar,~ˆ,ˆvar,~ˆ βNββNβ
322232ˆˆvar,~ˆˆ ββNββ
Ragam dari jumlah dua penduga tersebut:
323232ˆ,ˆcov2ˆvarˆvarˆˆvar ββββββ
Dengan sifat tersebut, dapat dilakukan uji t, berdasarkan hipotesis nol:
1: 320 ββH
32
3232
ˆˆvar
ˆˆ
ββ
ββββt
3
3232
32 ~ˆ,ˆcov2ˆvarˆvar
1ˆˆ
nt
ββββ
ββ
Uji ini tidak direkomendasikan, terutama jika linear restriction melibatkan lebih dari 2 parameter
Uji F untuk pengujian Linear Restriction Pengujian linear restriction Misalkan:
Dinyatakan sebagai unrestricted model
Dengan hipotesis bahwa koefisien-koefisien tsb mempunyai hubungan linier, misalkan:
iiii uXβXββY 33221
1: 320 ββH
iiii uXβXββY 32221 1
Modifikasi dari unrestricted model:
Unrestricted model
Lakukan transformasi pada peubah endogen dan eksogen:
iiii uXβXββY 32221 1
iiiii uXXββXY 32213
iii uXββY ** 221
iii XYY 3* iii XXX 322 *
Restricted model
3/JKGJKGJKG
/JKG/JKGJKG
nknkkF
U
UR
UU
RUUR
Dari pendugaan masing-masing model diperoleh JKGU dan JKGR
kU =3 kR = 2
Jika statistik uji F ini nyata maka cukup bukti untuk menolak hipotesis tentang hubungan linier yang ada Selainnya maka hubungan linier dapat diterima
Interpretasi Koefisien Pada Multiple RegressionContoh kasus: Observasi pada 900 karyawan suatu
perusahaan Hubungan antara gaji (wage) dan
lama tahun pendidikan (educ), tahun pengalaman kerja (exper), lama tahun bekerja di perusahaan yang sama
(tenure) Digunakan model log lin:
Perubahan Gaji dalam persen Perubahan Gaji bebas satuan
Output Software Model 1: OLS, using observations 1-900 Dependent variable: l_WAGE
coefficient std. error t-ratio p-value --------------------------------------------------------- const 5.52833 0.112795 49.01 8.70e-256 *** EDUC 0.0731166 0.00663568 11.02 1.44e-026 *** EXPER 0.0153578 0.00342531 4.484 8.29e-06 *** TENURE 0.0129641 0.00263073 4.928 9.90e-07 ***
Mean dependent var 6.786164 S.D. dependent var 0.420312 Sum squared resid 135.2110 S.E. of regression 0.388465 R-squared 0.148647 Adjusted R-squared 0.145797 F(3, 896) 52.14758 P-value(F) 4.53e-31 Log-likelihood -424.0434 Akaike criterion 856.0868 Schwarz criterion 875.2964 Hannan-Quinn 863.4250
Log-likelihood for WAGE = -6531.59
Uji statistik bagi koefisien-koefisien nyata, secara serempak maupun masing-masing
Model berarti secara statistik, walaupun R2 kecil
^l_WAGE = 5.53 + 0.0731*EDUC + 0.0154*EXPER + 0.0130*TENURE (0.113)(0.00664) (0.00343) (0.00263)
n = 900, R-squared = 0.149 (standard errors in parentheses)
Secara teori ekonomi: Tingkat Pendidikan berhubungan positif dengan gaji Pengalaman kerja berhubungan positif dengan gaji Masa kerja berhubungan positif dengan gaji
Interpretasi Masing-masing koefisien
Semua tanda koefisien bersesuaian dengan teori ekonomi
^l_WAGE = 5.53 + 0.0731*EDUC + 0.0154*EXPER + 0.0130*TENURE (0.113)(0.00664) (0.00343) (0.00263)
n = 900, R-squared = 0.149 (standard errors in parentheses)
1 tahun peningkatan tingkat pendidikan meningkatkan gaji sebesar 7.31% dengan menganggap peubah bebas lainnya konstan
1 tahun bertambahnya pengalaman kerja meningkatkan gaji sebesar 1.54% dengan menganggap peubah bebas lainnya konstan
1 tahun bertambahnya masa kerja di perusahaan meningkatkan gaji sebesar 1.3% dengan menganggap peubah bebas lainnya konstan