terje mahan
DESCRIPTION
makalah tentang hukumTRANSCRIPT
Persamaan Regresi Model
Impor penuh pandang ini analisis regresi akan menjadi lebih jelas seperti yang kita
kemajuan, tetapi beberapa contoh sederhana akan membuat konsep dasar cukup jelas.
contoh
1 Mempertimbangkan kembali hukum Galton regresi universal. Galton tertarik untuk
mencari tahu ada stabilitas dalam distribusi ketinggian dalam suatu populasi. Namun
dalam modern melihat perhatian kita adalah tidak dengan penjelasan ini melainkan
dengan mencari tahu bagaimana rata-rata
tinggi anak berubah, mengingat tingginya ayah. Dengan kata lain, perhatian kita adalah
dengan pra dicting tinggi rata-rata anak-anak mengetahui ketinggian nenek moyang
mereka. Untuk melihat bagaimana hal ini dapat dilakukan, pertimbangkan Beralih ke
contoh ekonomi, ekonom mungkin tertarik dalam mempelajari de- yang
pendence pengeluaran konsumsi pribadi pada setelah pajak atau disposable in pribadi
yang nyata
datang. Analisis tersebut dapat membantu dalam memperkirakan kecenderungan
mengkonsumsi marjinal
(MPC), yaitu rata-rata perubahan pengeluaran konsumsi untuk, misalnya, bernilai dolar
dari
perubahan pendapatan riil monopoli yang dapat memperbaiki harga atau output (tetapi
tidak keduanya) mungkin ingin mengetahui
respon dari permintaan sebuah produk untuk perubahan harga. Seperti percobaan dapat
memungkinkan estimasi
elastisitas harga
(yaitu, respon harga) dari permintaan untuk
produk dan dapat membantu menentukan harga yang paling menguntungkan.
5. ekonom tenaga kerja mungkin ingin mempelajari laju perubahan upah uang dalam
kaitannya dengan
tingkat pengangguran. Data historis yang ditampilkan dalam scattergram diberikan
Single-Persamaan Regresi Model
8 Akhirnya, seorang ahli agronomi mungkin tertarik dalam mempelajari ketergantungan
tertentu
hasil panen, mengatakan, gandum, suhu, curah hujan, jumlah sinar matahari, dan pupuk.
seperti
analisis ketergantungan dapat memungkinkan prediksi atau peramalan hasil panen rata-
rata,
diberikan informasi mengenai variabel penjelas.
Pembaca dapat menyediakan sejumlah contoh seperti ketergantungan satu variabel pada
satu
atau lebih variabel lain. Teknik-teknik analisis regresi yang dibahas dalam teks ini
dirancang khusus untuk mempelajari ketergantungan tersebut antara variabel.
Tingkat pengangguran,%. xample, adalah statistik di alam dalam arti bahwa variabel
penjelas, meskipun
tentu penting, tidak akan memungkinkan agronomi untuk memprediksi hasil panen persis
karena
kesalahan yang terlibat dalam mengukur variabel-variabel ini serta sejumlah faktor lain
(variabel)
yang secara kolektif mempengaruhi hasil tetapi mungkin sulit untuk mengidentifikasi
secara individual. Dengan demikian, ada
pasti ada beberapa "intrinsik" atau acak variabilitas dalam variabel dependen-hasil panen
yang
tidak dapat sepenuhnya dijelaskan tidak peduli berapa banyak variabel penjelas kita
mempertimbangkan.
Dalam fenomena deterministik, di sisi lain, kita berurusan dengan hubungan dari jenis,
misalnya, dipamerkan oleh hukum gravitasi Newton, yang menyatakan: Setiap partikel di
alam semesta
menarik setiap partikel lain dengan kekuatan berbanding lurus dengan produk dari massa
mereka
dan berbanding terbalik dengan kuadrat jarak antara mereka. Secara simbolis Regresi
dibandingkan Korelasi
Terkait erat dengan tetapi secara konseptual sangat jauh berbeda dari analisis regresi
adalah
analisis korelasi, di sini tujuan utamanya adalah untuk mengukur kekuatan atau gelar dari
asosiasi linear antara dua variabel. studi secara rinci dalam Bab 3, mengukur kekuatan ini
(linear) asosiasi. Sebagai contoh, kita
mungkin tertarik untuk mencari korelasi (koefisien) antara merokok dan kanker paru-
paru,
antara skor pada statistik dan pemeriksaan matematika, antara nilai SMA
dan nilai perguruan tinggi, dan sebagainya. Dalam analisis regresi, seperti telah
disebutkan, kita tidak primar-
ily tertarik pada tindakan demikian. Sebaliknya, kami mencoba untuk memperkirakan
atau memprediksi nilai rata-rata
satu variabel berdasarkan nilai-nilai tetap variabel lain. Dengan demikian, kita mungkin
ingin tahu kita dapat memprediksi Rata-rata pada pemeriksaan statistik dengan
mengetahui siswa skor pada pemeriksaan matematika. Regresi dan korelasi memiliki
beberapa perbedaan mendasar yang patut menyebutkan. Dalam analisis regresi ada
asimetri dalam cara dependen dan jelas ariables diperlakukan. Variabel terikat
diasumsikan statistik, acak, atau-cerita chastic, yakni, memiliki distribusi probabilitas.
Variabel penjelas, di sisi lain tangan, diasumsikan memiliki nilai tetap (dalam
pengambilan sampel berulang), Tapi seperti yang akan kita lihat dalam Bab 3, analisis
regresi klasik didasarkan pada asumsi bahwa model yang digunakan dalam analisis
adalah model yang benar. Oleh karena itu, arah kausalitas mungkin implisit dalam model
didalilkan. Sangat penting untuk dicatat bahwa variabel penjelas mungkin intrinsik
stokastik, tapi untuk tujuan
analisis regresi kita mengasumsikan bahwa nilai-nilai mereka tetap dalam sampling
berulang (yaitu, mengasumsikan nilai-nilai yang sama dalam berbagai sampel), sehingga
membuat mereka berlaku nonrandom atau nonstochastic.
Sumber Data Data yang digunakan dalam analisis empiris dapat dikumpulkan oleh lembaga pemerintah (misalnya, Departemen Perdagangan), sebuah lembaga internasional (misalnya, Dana Moneter Internasional [IMF] atau Bank Dunia), sebuah organisasi swasta (misalnya, Standard & Poor Corporation), atau seorang individu. Secara harfiah, ada ribuan lembaga tersebut mengumpulkan data untuk satu tujuan atau yang lain. Internet Internet telah benar-benar merevolusi pengumpulan data. Jika Anda hanya "surfing net" denganKe yword (misalnya, nilai tukar), Anda akan dibanjiri dengan semua jenis sumber data. dalam A ppendix E kami memberikan beberapa situs yang sering dikunjungi yang menyediakan
ekonomi dan data keuangan dari segala macam. Sebagian besar data yang dapat didownload tanpa banyak biaya. Anda mungkin semut untuk bookmark berbagai situs yang mungkin menyediakan Anda dengan data ekonomi yang berguna. Data yang dikumpulkan oleh berbagai lembaga mungkin xperimental atau nonexperimental. Dalam data eksperimen, seringkali dikumpulkan dalam ilmu alam, penyidik mungkin ingin mengumpulkan data sambil memegang faktor-faktor tertentu teratur untuk menilai dampak dari beberapa aktor pada fenomena tertentu. Misalnya, dalam menilai dampak dari obesitas pada darah tekanan, peneliti ingin mengumpulkan data sambil memegang konstan makan, merokok, dan kebiasaan minum orang-orang untuk meminimalkan pengaruh ini variables pada tekanan darah. Dalam ilmu-ilmu sosial, data yang satu umumnya pertemuan yang nonexperimental di alam, yaitu, tidak tunduk pada kontrol peneliti. xample, data pada GNP, pengangguran, harga saham, dll, tidak langsung di bawah kendali penyidik. Seperti yang kita akan melihat, kurangnya kontrol sering menimbulkan masalah khusus bagi peneliti dalam menjepit turun penyebab pasti atau penyebab yang mempengaruhi situasi tertentu. Misalnya, apakah uang pasokan yang menentukan (nominal) GDP atau itu sebaliknya .
Bab 2
kita membahas konsep regresi dalam arti luas. Dalam bab ini kita
mendekati subjek agak formal. Secara khusus, ini dan tiga bab berikut
memperkenalkan pembaca dengan teori yang mendasari analisis regresi sederhana
mungkin, yaitu, bivariat, atau dua variabel, regresi dimana variabel dependen (yang
regressand) adalah terkait dengan variabel penjelas tunggal (regressor yang). Kasus ini-
pertimbangan , bukan karena kecukupan praktis, tetapi karena menyajikan dasar
ide analisis regresi sesederhana mungkin dan beberapa ide-ide ini dapat diilustrasikan
dengan bantuan grafik dua dimensi. Selain itu, seperti akan kita lihat, yang lebih umum
multiple analisis regresi yang regressand tersebut terkait dengan satu atau lebih regressors
adalah dalam banyak hal perpanjangan logis dari kasus dua variabel.
2.1 Hipotesis Contoh
Seperti tercantum dalam Bagian 1.2, analisis regresi sebagian besar berkaitan dengan
memperkirakan dan / atau memprediksi (populasi) berarti nilai variabel tergantung pada
dasar diketahui atau nilai-nilai variabel penjelas (s) tetap. dia Signifikansi dari Stochastic
Gangguan Term , istilah gangguan
adalah pengganti untuk semua variabel mereka yang
dihilangkan dari model tetapi yang secara kolektif mempengaruhi
. Pertanyaan yang jelas adalah: Mengapa tidak
memperkenalkan variabel-variabel ini ke dalam model secara eksplisit? Dinyatakan lain,
mengapa tidak mengembangkan model regresi berganda dengan banyak variabel
mungkin? Alasannya banyak.
1. gueness teori: Teori, jika ada, menentukan perilaku Y mungkin, dan
sering, tidak lengkap. Kita mungkin tahu bahwa pendapatan mingguan tertentu X
pengaruh mingguan pengeluaran konsumsi Y , Tapi kami mungkin bodoh atau tidak
yakin tentang variabel lain
mempengaruhi Y. Oleh karena itu, dapat digunakan sebagai pengganti untuk semua
variabel yang dikecualikan atau dihilangkan ables dari model.
2. Tidak tersedianya data:
Bahkan jika kita tahu apa beberapa variabel dikecualikan adalah dan
Oleh karena itu mempertimbangkan regresi berganda daripada regresi sederhana, kita
mungkin tidak memiliki
informasi kuantitatif tentang variabel-variabel ini. Itu adalah pengalaman yang umum di
empiris analisis bahwa data kita idealnya ingin memiliki sering tidak tersedia. Misalnya,
dalam
Prinsip kita bisa memperkenalkan kekayaan keluarga sebagai variabel penjelas selain
datang variabel untuk menjelaskan pengeluaran konsumsi keluarga. Namun sayangnya,
informasi pada kekayaan keluarga umumnya tidak tersedia. Oleh karena itu, kita
mungkin terpaksa untuk menghilangkan kekayaan variable dari model kami meskipun
relevansi teoritis yang besar dalam menjelaskan konsumsi expenditure.
3. Variabel inti dibandingkan variabel perifer:
Asumsikan di ex-pendapatan konsumsi kami
cukup bahwa selain pendapatan X 1, jumlah anak per keluarga X 2 , jenis kelamin X 3 ,
agama X 4 , pendidikan X 5 , dan wilayah geografis X 6
juga mempengaruhi pengeluaran konsumsi. Tapi itu cukup
kemungkinan bahwa pengaruh gabungan dari semua atau beberapa variabel-variabel ini
mungkin sangat kecil dan yang terbaik
nonsystematic atau acak yang secara praktis dan untuk pertimbangan biaya tidak
membayar untuk memperkenalkan mereka ke dalam model secara eksplisit. Satu harapan
bahwa efek gabungan mereka dapat diperlakukan sebagai variabel acak
4. Keacakan intrinsik dalam perilaku manusia:
Bahkan jika kita berhasil dalam memperkenalkan semua variabel yang relevan ke dalam
model, ada pasti ada beberapa "intrinsik" keacakan dalam individual Y
yang tidak dapat dijelaskan tidak peduli seberapa keras kita mencoba. Gangguan, yang
mungkin sangat baik mencerminkan keacakan intrinsik ini.
5. lantai variabel proksi:
Meskipun model regresi klasik (untuk dikembangkan di
Bab 3) mengasumsikan bahwa variabel Ydan X diukur secara akurat, bab 3
Seperti tercantum dalam Bab 2, tugas pertama kami adalah untuk memperkirakan fungsi
regresi populasi (PRF) atas dasar fungsi regresi sampel (SRF) seakurat mungkin.
Bab 4
klasik normal Regresi linear Model (CNLRM)
Apa yang dikenal sebagai teori klasik dari inferensi statistik terdiri dari dua cabang,
yaitu, estimasi dan pengujian ypothesis. Kami
sejauh ini dibahas topik estimation dari parameter (dua variabel) model regresi linear.
Dengan menggunakan metode OLS kami mampu mengestimasi parameter , dan . Di
bawah asumsi dari model regresi linier lassical
(CLRM), kami mampu menunjukkan bahwa estimator dari
parameter ini, dan memenuhi beberapa sifat statistik yang diinginkan, seperti
unbiasedness, varians minimum, dll (Ingat properti BIRU.) Perhatikan bahwa, karena ini
adalah estimator, nilai-nilai mereka akan berubah dari sampel ke sampel. Oleh karena itu,
penduga ini adalah variabel acak. Tapi estimasi adalah setengah pertempuran. Pengujian
hipotesis adalah setengah lainnya. Ingatlah bahwa dalam analisis regresi tujuan kami
adalah tidak hanya untuk memperkirakan fungsi regresi sampel
(SRF), tetapi juga menggunakannya untuk menarik kesimpulan tentang fungsi regresi
populasi (PRF), sebagaimana ditegaskan dalam Bab 2 Jadi, kami ingin mengetahui
seberapa dekat adalah yang benar
Bab 5 Dua-Variabel Regresi: Interval estimasi dan Pengujian Hipotesis
Hati-hati menguji hipotesis terlalu banyak; semakin Anda menyiksa data, semakin besar
kemungkinan mereka
mengaku, tetapi pengakuan yang diperoleh dibawah paksaan mungkin tidak dapat
diterima di pengadilan ilmiah
pendapat. Seperti yang ditunjukkan dalam Bab 4, estimasi dan pengujian hipotesis
merupakan dua utama cabang statistik klasik. Teori estimasi terdiri dari dua bagian: titik
estimasi dan perkiraan interval. Kita telah membahas estimasi titik secara menyeluruh di
sebelumnya dua bab di mana kami memperkenalkan OLS dan ML metode estimasi titik.
Dalam bab ini kita pertama mempertimbangkan estimasi interval dan kemudian
mengambil topik hipotesis
pengujian, topik erat terkait dengan estimasi interval. Statistik Prasyarat
Sebelum kita menunjukkan mekanisme yang sebenarnya membangun interval
kepercayaan dan pengujian hipotesis statistik, diasumsikan bahwa pembaca akrab dengan
fundamental yang konsep mental probabilitas dan statistik. Meskipun tidak pengganti
untuk kursus dasar dalam statistik,
Bab 6 Ekstensi dari Linear Dua Variabel-regresi Model
Beberapa aspek analisis regresi linier dapat dengan mudah diperkenalkan dalam kerangka
dari model regresi linear dua variabel yang kita telah membahas sejauh ini. kami pertama mempertimbangkan kasus regression melalui titik asal, yaitu situasi di mana antar Istilah kecuali bahwa, , Tidak hadir dari model. Kemudian kita mempertimbangkan pertanyaan tentang unit pengukuran, yaitu, bagaimana Y dan X variables diukur dan apakah perubahan dalam unit pengukuran mempengaruhi hasil regresi. Akhirnya, kami mempertimbangkan pertanyaan tentang bentuk fungsional dari model regresi linear. Model Sejauh ini kita telah mempertimbangkan bahwa adalah linear dalam parameter maupun variabel. Tapi ingat bahwa teori regresi dikembangkan dalam bab-bab sebelumnya hanya memerlukan bahwa parameter linear; variabel mungkin atau mungkin tidak masuk linear dalam model. Dengan mempertimbangkan model yang linear dalam parameter tetapi tidak harus dalam variabel, kita menunjukkan dalam bab ini bagaimana dua orang model ariable dapat menangani beberapa masalah praktis yang menarik. Setelah ide-ide yang diperkenalkan dalam bab
ini dipertahankan, ekstensi mereka ke beberapa model regresi cukup mudah, seperti yang akan kami tunjukkan di Bab 7 dan 8
Bab 7 Regresi Analisis: Masalah Estimasi
Model dua variabel yang diteliti secara ekstensif dalam bab-bab sebelumnya sering tidak
memadai di praktek. Dalam contoh-pendapatan konsumsi kita (Contoh 3.1), misalnya,
diasumsikan implisit bahwa hanya pendapatan X berkaitan dengan konsumsi Y . Tetapi
teori ekonomi jarang sehingga sederhana untuk, selain pendapatan, sejumlah variabel lain
yang juga kemungkinan akan mempengaruhi konsumsi pengeluaran tion. Sebuah contoh
nyata adalah kekayaan konsumen. Sebagai contoh lain, permintaan komoditas cenderung
tidak hanya tergantung pada harga sendiri tetapi juga pada harga barang bersaing atau
pelengkap lainnya, pendapatan konsumen, status sosial, dan lain-lain Oleh karena itu, kita
perlu memperluas model regresi dua variabel sederhana kami untuk menutupi model
melibatkan lebih dari dua variabel. Menambahkan variabel membawa kita ke
pembahasan model regresi, yaitu model dimana variabel dependen, atau regressand,
Y tergantung pada dua atau lebih variabel penjelas, atau regressors.
Kemungkinan model regresi berganda yang paling sederhana adalah regresi tiga variabel,
dengan satu variabel dependen dan dua variabel penjelas. Dalam hal ini dan bab
selanjutnya kita wajib mempelajari model ini. Sepanjang, kita prihatin dengan beberapa
model regresi linier, yaitu, model linear dalam parameter; mereka mungkin atau mungkin
tidak linier dalam variable
Bab 8 Regresi Analisis: Masalah dari Inference
Bab ini, merupakan kelanjutan dari Bab 5, memperluas gagasan estimasi interval dan
hipo-
pengujian tesis dikembangkan di sana untuk model yang melibatkan tiga variabel atau
lebih. meskipun dalam
banyak cara konsep yang dikembangkan dalam Bab 5 dapat diterapkan lugas untuk
model regresi berganda, beberapa fitur tambahan yang unik untuk model tersebut, dan itu
adalah
fitur ini yang akan menerima lebih banyak perhatian dalam bab ini.
8.1 Normalitas Asumsi Sekali Lagi
Kami
tahu sekarang bahwa jika tujuan tunggal kami adalah estimasi titik parameter
model regresi, metode kuadrat terkecil biasa (OLS), yang tidak membuat
asumsi tentang distribusi probabilitas gangguan
u