sub mutiple regresi - website staff...
TRANSCRIPT
MULTIPLE REGRESIMULTIPLE REGRESIMULTIPLE REGRESIMULTIPLE REGRESI
1/26/2010 Statistik untuk Bisnis 8 1
Dwi Martani
Masalah dalam multiple regresiMasalah dalam multiple regresiMasalah dalam multiple regresiMasalah dalam multiple regresi
�Multicollinearity Analysis �Auto-Correlations�Heteroskedastisitas
Dummy Variable
1/26/2010 Statistik untuk Bisnis 8 2
�Dummy Variable�Outlier Test�Analysis MLR
1/26/2010 Statistik untuk Bisnis 8 3
MultikolinearitasMultikolinearitasMultikolinearitasMultikolinearitas
MulticollinearityMulticollinearityMulticollinearityMulticollinearity
� Dikenalkan oleh Frisch� Terdapat hubungan linear di antara variabel-
variabel bebas dalam model regresi� Perfect multicollinearity / hubungannya
1/26/2010 Statistik untuk Bisnis 8 4
� Perfect multicollinearity / hubungannya sempurna.
� Multicollinearity tidak sempurna/ Ada hubungan tetapi tidak sempurna
� Variabel-variabel dikatakan orthogonal jika variabel-variabel tersebut tidak berkorelasi
Hakekat MulticollinearityHakekat MulticollinearityHakekat MulticollinearityHakekat Multicollinearity
� Multikollinearitas pada hakekatnya adalah fenomena sampel. Sampel tidak memenuhi asumsi dasar mengenai ketidaktergantungan di antara variabel bebas yang masuk dalam model
� Multikolinearitas adalah persoalan derajat (degree) dan bukan persoalan jenis (kind). Bukan
1/26/2010 Statistik untuk Bisnis 8 5
dan bukan persoalan jenis (kind). Bukan mempersoalkan apakah korelasi variabel bebas positif atau negatif tetapi merupakan persoalan korelasi di antara variabel bebas.
� Mutikolinearitas adalah masalah yang timbul berkaitan dengan adanya hubungan linear di antara variabel bebas. Semakin tinggi hubungannya semakin terlihat moltikolinearitas.
Penyebab MultikolinearitasPenyebab MultikolinearitasPenyebab MultikolinearitasPenyebab Multikolinearitas
� Sifat dari variabel berubah bersama-sama sepanjang waktu.� Penghasilan, tabungan, investasi, konsumsi,
kesempatan kerja cenderung meningkat pada masa makmur dan menurun pada masa
1/26/2010 Statistik untuk Bisnis 8 6
masa makmur dan menurun pada masa depresi.
� Penggunaan nilai lag dari variabel bebas tertentu dalam model regresi
� Multikolinearitas hampir terjadi di semua model ekonomi
Akibat MultikolinearitasAkibat MultikolinearitasAkibat MultikolinearitasAkibat Multikolinearitas
� Penaksir-penaksir dengan menggunakan OLS tidak bisa ditentukan terutama jika moltikolinearitasnya sempurna
� Hasil estimasi tetap tidak bias� Varian dan kovarian (standard error) dari penaksir-penaksir
menjadi besar hingga tak terhingga (molt. Sempurna). Standard error akan menjadi besar sehingga potensi kesalahan tipe II (tidak menolak hipotesis yang salah) akan meningkat.
1/26/2010 Statistik untuk Bisnis 8 7
(tidak menolak hipotesis yang salah) akan meningkat.� R2 tinggi namun tidak satu pun (sangat sedikit) koefisien regresi
yang signifikan secara statistik.� Nilai R2 dan F yang tidak berkolinearitas tidak berpengaruh oleh
munculnya kolinearitas� Taksiran parameter OLS dan standard error akan sensitif
terhadap perubahan dalam data / sampel.
IlustrasiIlustrasiIlustrasiIlustrasi
� Y = a + b1X1 + b2X2 + e� Y = -367,83 + 0,5113 X1 + 0,0427 X2
se (1,0307) (0,0942)t 0,496 0,453R2 = 0,835
1/26/2010 Statistik untuk Bisnis 8 8
R2 = 0,835� Y = a + b1X1 + e� Y = -471,43 + 0,9714X1
se (1,157)t 6,187R2 = 0,861
Pengujian untuk mendeteksi Pengujian untuk mendeteksi Pengujian untuk mendeteksi Pengujian untuk mendeteksi MultikolinearitasMultikolinearitasMultikolinearitasMultikolinearitas
� Koefisien korelasi antar variabel tinggi� Beberapa peneliti secara arbitrer menentukan
0,8 dan tinggi kolinearitasnya jika nilainya lebih tinggi dari 0,8.
High Variance Inflation Factors (VIF)
1/26/2010 Statistik untuk Bisnis 8 9
� High Variance Inflation Factors (VIF)� VIF adalah estimasi seberapa besar
multikolinearitas meningkatkan varian pada suatu koefisien estimasi sebuah variabel
� Multikolinearitas dikatakan berat jika nilai VIF melebihi 10
Perbaikan MultikolinearitasPerbaikan MultikolinearitasPerbaikan MultikolinearitasPerbaikan Multikolinearitas
� Membiarkan saja� Multikolienaritas tidak akan selalu mengurangi
nilai t.� Perbaikan multikolinearitas perlu
dipertimbangkan hanya apabila
1/26/2010 Statistik untuk Bisnis 8 10
dipertimbangkan hanya apabila konsekuensinya menyebabkan nilai t tidak signifikan atau estimasi regresi menjadi tidak reliabel.
� Menghapuskan variabel dapat membahayakan karena muncul bias spesifikasi
Perbaikan MultikolinearitasPerbaikan MultikolinearitasPerbaikan MultikolinearitasPerbaikan Multikolinearitas
� Menghapus variabel yang berlebihan� Cara menghapus dengan melihat R2 dan t,
variabel yang dihapus adalah yang dapat meningkatkan R2 dan t-nya variabel lain yang masih ada.
1/26/2010 Statistik untuk Bisnis 8 11
masih ada.� Dukungan teori, mana variabel yang paling
mempengaruhi
Perbaikan Multikolinearitas Perbaikan Multikolinearitas Perbaikan Multikolinearitas Perbaikan Multikolinearitas ---- contohcontohcontohcontoh
� Menghapus variabel yang berlebihan� Cara menghapus dengan melihat R2 dan t,
variabel yang dihapus adalah yang dapat meningkatkan R2 dan t-nya variabel lain yang masih ada.
1/26/2010 Statistik untuk Bisnis 8 12
masih ada.� Dukungan teori, mana variabel yang paling
mempengaruhi
Perbaikan Multikolinearitas contohPerbaikan Multikolinearitas contohPerbaikan Multikolinearitas contohPerbaikan Multikolinearitas contoh� Y = a + b1X1 + b2X2 + e� Y = -367,83 + 0,5113 X1 + 0,0427 X2
se (1,0307) (0,0942)t 0,496 0,453R2 = 0,835
� Y = a + b1X1 + e� Y = -471,43 + 0,9714X1
1/26/2010 Statistik untuk Bisnis 8 13
� Y = -471,43 + 0,9714X1se (1,157)t 6,187R2 = 0,861
� Y = a + b2X2 + e� Y = -199,44 + 0,08876X2
se (0,01443)t 6,153R2 = 0,860
Perbaikan MultikolinearitasPerbaikan MultikolinearitasPerbaikan MultikolinearitasPerbaikan Multikolinearitas
� Transformasi variabel motikolinearitas� Membentuk sebuah kombinasi dari variabel-
variabel moltikolinearitas. � Contoh dibentuk X3 = X1 + x2
Melakukan transformasi persamaan menjadi
1/26/2010 Statistik untuk Bisnis 8 14
� Melakukan transformasi persamaan menjadi persamaan beda pertama (first difference equation)
� Dibentuk ΔXt = Xt – Xt-1
Perbaikan MultikolinearitasPerbaikan MultikolinearitasPerbaikan MultikolinearitasPerbaikan Multikolinearitas
� Memperbesar ukuran sampel� Data yang lebih besar akan memungkinkan
hasil estimasi yang lebih akurat daripada data uanelih sedikit, karena ukuran data yang lebih besar secara normal akan mengurangi varian
1/26/2010 Statistik untuk Bisnis 8 15
besar secara normal akan mengurangi varian koefisien estimasi yang akibatnya akan menurunkan moltikolinearitas.
� Misal dengan melakukan pool data �mengumpulkan kombinasi data cross section dengan data times series
Perbaikan MultikolinearitasPerbaikan MultikolinearitasPerbaikan MultikolinearitasPerbaikan Multikolinearitas
� Memperbesar ukuran sampel� Data yang lebih besar akan memungkinkan
hasil estimasi yang lebih akurat daripada data uanelih sedikit, karena ukuran data yang lebih besar secara normal akan mengurangi varian
1/26/2010 Statistik untuk Bisnis 8 16
besar secara normal akan mengurangi varian koefisien estimasi yang akibatnya akan menurunkan moltikolinearitas.
� Misal dengan melakukan pool data �mengumpulkan kombinasi data cross section dengan data times series
OtokorelasiOtokorelasiOtokorelasiOtokorelasi
� Otokorelasi merupakan pelanggaran asumsi klasik �� pengamatan-pengamatan yang berbeda tidak
terdapat korelasi antara error termOtokorelasi terjadi pada kebanyakan pada
1/26/2010 Statistik untuk Bisnis 8 18
� Otokorelasi terjadi pada kebanyakan pada serangkaian data times series� Error term pada pada satu periode waktu
secara sistematis tergantung pada error term pada periode waktu yang lain
Otokorelasi murniOtokorelasi murniOtokorelasi murniOtokorelasi murni
� Otokorelasi murni � asumsi klasik yang menyatakan bahwa tidak ada korelasi antar error term pada periode pengamatan yang berbeda dilanggar dalam sebuah persamaan yang telah terspesifikasi dengan benar
� Otokorelasi urutan pertama (first order autocorrelation) �pengamatan error term saat ini merupakan suatu fungsi pengamatan error term sebelumnya.
1/26/2010 Statistik untuk Bisnis 8 19
pengamatan error term sebelumnya.� Et = pEt-1 + e� Besarnya p menggambarkan kekuatan otokorelasi� -1 < p < 1
� Otokorelasi urutan kedua (second order autocorrelation)� Et = p1Et-1 + p2Et-2+ e
Otokorelasi positf dan negatifOtokorelasi positf dan negatifOtokorelasi positf dan negatifOtokorelasi positf dan negatif
� Otokorelasi positif p>0� Error term cenderung memiliki arah yang
sama dari satu periode waktu ke periode waktu berikutnya
Otokorelasi negatif
1/26/2010 Statistik untuk Bisnis 8 20
� Otokorelasi negatif� Error term memiliki kecenderungan berubah
tanda dari negatif ke positif dan seterusnya saling berganti tanda pada pengamatan-pengamatan.
Otokorelasi tidak murniOtokorelasi tidak murniOtokorelasi tidak murniOtokorelasi tidak murni
� Otokorelasi tidak murni � otokorelasi yang disebabkan oleh kesalahan spesifikasi seperti menghilangkan variabel yang penting atau bentuk fungsi yang salah� Error term pada persamaan yang tidak terspesifikasi
1/26/2010 Statistik untuk Bisnis 8 21
� Error term pada persamaan yang tidak terspesifikasi dengan benar didalamnya termasuk efek variabel penting yang dihilangkan.
� Memperbaiki otokorelasi tidak murni dengan mencoba untuk menemukan variabel yang dihilangkan sehingga bentuk fungsi menjadi benar.
� Y = b0 + b1X1 + b2X2 + Et� Y = b0 + b1X1 + Et* dimana Et* = b2X2 + Et
Konsekuensi OtokorelasiKonsekuensi OtokorelasiKonsekuensi OtokorelasiKonsekuensi Otokorelasi
� Otokorelasi murni tidak menyebabkan bias koefisien-koefisen estimasi� Sifat OLS adalah minimum varian bagi
estimator-estimator tidak bias linearOtokorelasi meningkatkan varian padda
1/26/2010 Statistik untuk Bisnis 8 22
� Otokorelasi meningkatkan varian padda distribusi koefisien estimasi
� Otokorelasi menyebabkan OLS menaksir terlalu rendah atas Standard error koefisien
Pengujian OtokorelasiPengujian OtokorelasiPengujian OtokorelasiPengujian Otokorelasi
� Uji Durbin Watson secara umum digunakan untuk menguji otokorelasi
� Statistik d Durbin Watson digunakan untuk menentukan otokorelasi urutan pertama pada error term.
1/26/2010 Statistik untuk Bisnis 8 23
error term.� Asumsi Durbin Watson:
� Model regresi melibatkan intersep� Otokorelasi adalah otokorelasi urutan pertama� Model regresi tidak lagi memasukkan variabel
dependen sebagai variabel independen
Statistik durbin WatsonStatistik durbin WatsonStatistik durbin WatsonStatistik durbin Watson
� Formula
� Otokorelasi memiliki nilai ekstrim positif d=0Et = Et-1 maka Et – Et-1 = 0, d=0
2
1
21
2
)(
)(
∑
∑ −−=
t
t
t
t
t
E
EEd
1/26/2010 Statistik untuk Bisnis 8 24
Et = Et-1 maka Et – Et-1 = 0, d=0� Otokorelasi memiliki nilai ekstrim negatif d=4
Et = - Et-1 maka Et – Et-1 = 2, substitusikan dalam persamaan diperoleh d≈4
� Tidak ada otokorelasi d = 2
Pengujian Statistik Durbin WatsonPengujian Statistik Durbin WatsonPengujian Statistik Durbin WatsonPengujian Statistik Durbin Watson
� Pengujian Durbin Watson tidak biasa digunakan dalam dua hal :� Tidak pernah menguji hipotesis dari sisi negatif
karena Otokorelasi negatif dari nilai residual sulit diterangkan secara teoritas baik dalam analisis ekonomi dan bisnis. Keberadaannya sering
1/26/2010 Statistik untuk Bisnis 8 25
diterangkan secara teoritas baik dalam analisis ekonomi dan bisnis. Keberadaannya sering merupakan otokorelasi tidak murni yang disebabkan oleh kesalahan spesifikasi.
� Uji Durbin Watson tidak tersimpulkan, selain ada area diterima dan tidak diterima ada area tidak tersimpulkan
Pengujian Statistik Durbin WatsonPengujian Statistik Durbin WatsonPengujian Statistik Durbin WatsonPengujian Statistik Durbin Watson
� Tahap pengujian :� Cari nilai residu dengan OLS dan hitung statistik d� Menentukan ukuran sampel dan jumlah variabel
independen kemudian lihat dalam tabel statistik Durbin Watson untuk mendapatkan nilai kritis d
1/26/2010 Statistik untuk Bisnis 8 26
Durbin Watson untuk mendapatkan nilai kritis d yaitu dUpper dan dLower
� Hipotesis H0: p <= 0 ; H1 : p > 0d > dL tolak hod < dU tidak tolak hodL< d < dU tidak dapat disimpulkan
�
Durbin WatsonDurbin WatsonDurbin WatsonDurbin Watson
� Durbin Watson tidak membedakan otokorelasi murni dan tidak murni
� Otokorelasi negatif memandakan suatu isyarat bahwa otokorelasi adalah tidak murni
1/26/2010 Statistik untuk Bisnis 8 27
isyarat bahwa otokorelasi adalah tidak murni� Jika korelasinya murni maka GLS digunakan
untuk memperbaiki
1/26/2010 Statistik untuk Bisnis 8 28
HeteroskedastisitasHeteroskedastisitasHeteroskedastisitasHeteroskedastisitas
HeteroskedastisitasHeteroskedastisitasHeteroskedastisitasHeteroskedastisitas
� Asumsi OLS adalah varian residual bersifat homoskedastis atau bersifat konstan.
� Varian resisul tidak konstan �heteroskedastisitas.
� Heteroskedastisitas sering terjadi pada data
1/26/2010 Statistik untuk Bisnis 8 29
� Heteroskedastisitas sering terjadi pada data cross section.
� Error term terdistribusi normal dengan variab tidak konstan meliputi semua pengamatan.
� Varian error berkorelasi dengan variabel independen
Penyebab HeteroskedastisitasPenyebab HeteroskedastisitasPenyebab HeteroskedastisitasPenyebab Heteroskedastisitas
� Data dari satu atau lebih variabel mengandung nilai dengan jarak (range) yang lebar antara data paling kecil dengan data yang paling besar.Perbedaan laju pertumbuhan antara variabel
1/26/2010 Statistik untuk Bisnis 8 30
� Perbedaan laju pertumbuhan antara variabel dependen dan independen signifikan pada periode pengamatan untuk data times series.
� Dalam data sendiri terdapat heteroskedastisitas
Konsekuensi HeteroskedastisitasKonsekuensi HeteroskedastisitasKonsekuensi HeteroskedastisitasKonsekuensi Heteroskedastisitas
� Koefisien tetap tidak bias namun nilai koefisien berfluktuasi tajam jika model diperbaharui dengan menambah data atau sampel yang berbeda.Estimasi menjadi tidak akurat
1/26/2010 Statistik untuk Bisnis 8 31
� Estimasi menjadi tidak akurat
Mendeteksi HeteroskedastisitasMendeteksi HeteroskedastisitasMendeteksi HeteroskedastisitasMendeteksi Heteroskedastisitas
� Banyak cara untuk mendeteksi Heteroskedastisitas diantaranya ;� Gambar grafik nilai residu
� Jika dalam plot grafik nilai residu membentuk pola yang makin meningkat (menjauhi nol)
1/26/2010 Statistik untuk Bisnis 8 32
pola yang makin meningkat (menjauhi nol) dengan semakin meningkatnya variabel independen
� Uji godlfeld Quant� Uji Park
Cara mengatasi HeteroskedastisitasCara mengatasi HeteroskedastisitasCara mengatasi HeteroskedastisitasCara mengatasi Heteroskedastisitas
� Mentransformasi data dengan suatu faktor yang tepat � GLS
� Mentransformasi data dalam bentuk translog� Membagi variabel dengan nilai tertentu
1/26/2010 Statistik untuk Bisnis 8 33
� Membagi variabel dengan nilai tertentu � Melogaritmakan variabel tersebut (logVar)
Variabel DummyVariabel DummyVariabel DummyVariabel Dummy
� Variabel dummy digunakan untuk menjelaskan variabel kualitatif terutama variabel dummy yang bersifat ada atau tidak ada.� Misal pria dan wanita; kulit hitam dan putih;
1/26/2010 Statistik untuk Bisnis 8 35
� Misal pria dan wanita; kulit hitam dan putih; � Variabel dummy sering disebut variabel
indikator, variabel kategorik, variabel kualitatif atau variabel dikotomi
� Variabel dummy hanya memiliki dua nilai 0 dan 1
Variabel DummyVariabel DummyVariabel DummyVariabel Dummy
� Variabel dummy akan mempengaruhi nilai konstanta untuk observasi yang nilai dummy 1.
� Variabel dummy dapat digunakan untuk mengukur perubahan suatu fungsi sepanjang waktu yaitu dengan memasukkan tahun
1/26/2010 Statistik untuk Bisnis 8 36
mengukur perubahan suatu fungsi sepanjang waktu yaitu dengan memasukkan tahun sebagai dummy variabel.
� Variabel dummy dapat digunakan dalam analisis musiman dengan memasukkan variabel dummy kuartal
Variabel Dummy Variabel Dummy Variabel Dummy Variabel Dummy ---- InteraksiInteraksiInteraksiInteraksi
� Variabel dapat digunakan untuk mengukur perubahan slope jika variabel dummy tersebut diinteraksikan dengan variabel independen.
� Contoh Y = a + b1X1 + b2D1Y = a + b1X1 + b2(X1*D1)
1/26/2010 Statistik untuk Bisnis 8 37
Y = a + b1X1 + b2(X1*D1)untuk D=0 � Y = a + b1X1untuk D=1 � Y = a + (b1+b2)X1
� Pencantuman variabel dummy harus dapat dipastikan bahwa pengaruhnya akan mempengaruhi konstanta atau slope
Dummy sebagai dependen VariabelDummy sebagai dependen VariabelDummy sebagai dependen VariabelDummy sebagai dependen Variabel
� Jika variabel terikat memiliki sifat kualitatif maka variabel dummy dapat mewakilinya sebagai variabel terikat :� Faktor yang menentukan penugasan audit diterima
atau tidak� Faktor yang mempengaruhi seorang direksi
1/26/2010 Statistik untuk Bisnis 8 38
� Faktor yang mempengaruhi seorang direksi diperpanjang masa tugasnya
� Kelemahan dari fungsi ini � Variabel error tidak terdistribusi secara normal� Asumsi homoskedastisitas tidak valid� Predicted value dari variabel terikat dapat keluar dari
interval 0 sampai dengan 1 � cara mengatasinya dengan model logit
OUTLIEROUTLIEROUTLIEROUTLIER
� Outlier adalah data yang sangat ekstrem: sangat besar atau sangat kecil.
� Data dikatakan sangat ekstrem “biasanya digunakan” ukuran 3 standard deviasi.
� Jika terdapat outlier maka langkah yang dilakukan adalah membuang data tersebut
1/26/2010 Statistik untuk Bisnis 8 39
adalah membuang data tersebut� Dengan sistem dapat ditentukan batas outlier yang
dikehendaki oleh peneliti, sehingga data yang dimasukkan dalam regresi hanyalah data yang tidak mengandung outlier.
� Penghapusan data harus dilakukan dengan hati-hati karena justru dapat menghilangkan karakteristik dari sampel