Asumsi Model RegresiClassical AssumptionsAsumsi 1 : Linearitas dalam model

, t = 1, 2, n

dimana : Yt= dependent variable,= koefisien regresiXt= independent variableUt= unobserved error termAsumsi 2 : Beberapa observasi adalah berbeda

Solusi tidak bisa dicapai jika Sxx = 0, jika semua Xt adalah sama. Hal ini mengharuskan tidak Nol.

PROPERTY DARI ESTIMATOR 1. Tidak bias Asumsi 3 : Setiap u adalah variabel acak dengan (u) = 0, (rata-rata kesalahan 0).Asumsi 4 : X adalah given dan bukan variabel acak, Cov (Xt, ut) = [(Xt ut)(ut ut)] = [(Xtut Xtut ut2 + ut2)]= 0Jadi Xt dan ut tidak berkorelasi.6 Berdasarkan asumsi 3 dan 4, maka dan tidak bias, dan PROPERTY DARI ESTIMATOR (Lanjutan)2. Berdasarkan asumsi 2, 3 dan 4 least squares estimators adalah konsisten. kondisi konsistensi : , Cov (Xt, ut) = 0 dan Var (Xt) 03. Efficiency : Estimator yang tidak bias dikatakan lebih efisien jika memiliki varian yang lebih kecil dari estimator tidak bias lainnya asumsi lain yang diperlukan untuk ut.Asumsi 5 : HomoskedastisitasPada semua u adalah terdistribusi secara identiki dengan varian (2) yang sama, maka :Var (ut) = (ut2) = 2Asumsi 6 : Serial Independenceu terdistribusi bebas Cov (ut, us) = (utus) = 0, untuk t s.cAsumsi ini menggambarkan nilai sisa adalah terdistribusi secara bebas dan identik.

PROPERTY DARI ESTIMATOR (Lanjutan)2Heteroskedastisitas : Variance tidak konstan antar observasi tapi meningkat dengan semakin meningkatnya X./ Dari asumsi 2 sampai dengan 6 OLS BLUE estimatorPROPERTY DARI ESTIMATOR (Lanjutan)Kesimpulan : Prosedur OLS untuk mengestimasi koefisien regresi dalam model membutuhkan beberapa propertis :1.Unbiased (tidak bias)2.Konsisten3.Paling efisien 1 dan 2 membutuhkan asumsi : (ut) = 0 dan Cov (Xt, ut) = 0 3 dan BLUE membutuhkan asumsi :Var (ut) = 2 dan Cov (ut, us) = 0