Assalamualaikum warahmatullahi wabarakatuh. Berjumpa lagi di Kuliah Ekonometrika bersama saya. Pada kesempatan kali ini saya akan membahas terkait dengan aplikasi moda regresi dan pengembangan. Jadi teman-teman, pada...
kesempatan ini, saya akan menjelaskan beberapa spesifikasi dari model regresi. Kemudian kita akan lihat bagaimana teori-teori yang sudah kita pelajari pada tayangan sebelumnya, seperti apakah yang dimaksudkan dengan regresi, bagaimana kondisi gauss-markov atau asumsi regresi klasik, bagaimana pelanggaran dari asumsi itu bisa terjadi. Nanti akan kita lihat termasuk bagaimana penggunaan dari perangkat lunak untuk dari mengantar regresi tersebut.
Nah, saya akan mulai dengan spesifikasi model. Pada tayangan bisa dilihat yang kita sebutkan dengan multiple regression atau regresi berganda. Di sini kita meregresikan variable dependent. dengan lebih dari satu variable independen.
Sebagai contoh, pada nomor 1 adalah regresi produksi petani ke I dengan variable yang diduga memengaruhi pertama adalah jumlah tenaga kerja yang digunakan oleh petani tersebut dan yang kedua adalah jumlah pupuk kure yang digunakan. Nah, karena ada dua variable independen yang diduga memengaruhi produksi, maka kita katakan ini sebagai regresi berganda. Yang kedua, Kedua, kita lihat persamaannya kita tambahkan dengan variable independen yang ketiga, yaitu kuadrat dari jumlah urea yang digunakan oleh petani. Jadi kalau teman-teman menyusun di dalam mendapatkan hasil regresi, kolom pertama adalah misalnya produksi padi petani ke-I, kolom kedua adalah jumlah tenaga kerja yang digunakan, kolom ketiga adalah jumlah pupuk urea yang digunakan, maka kolom keempat adalah... Jumlah pupuk kura yang digunakan pada kolom ketiga kita kuadratkan.
Lalu kita lakukan regresi dengan variable dependennya adalah tingkat produksi dari petani tersebut. Nah, yang ketiga adalah yang kita sebut dengan log model atau model logaritma. Jadi, tidak ada yang kita sebut dengan double log. Karena di dalam buku teks lazimnya disebut sebagai logaritmic model atau log model. Nah, di sini kita melakukan logaritma.
terhadap data produksi petani, logaritma dari jumlah tenaga kerja yang digunakan, dan logaritma dari jumlah pembungkuran yang digunakan. Lalu masing-masing dari logaritma untuk variabel tersebut kita regresikan. Nah, karena ini adalah transformasi dari bentuk fungsi produksi yang lazim disebut sebagai fungsi produksi kop doglas. Mungkin teman-teman masih ingat, kalau saya sebutkan di dalam bentuk persamaan awal, YI sama dengan A besar dikali dengan TK pangkat B1 dikali dengan Urea pangkat B2.
Nah, boleh kita tambahkan kalau kita ingin ada error term, berarti adalah E pangkat Epsilon. Nah, kalau kita lelunkan, maka kita akan memperoleh seperti di persamaan 3, L produksi I sama dengan B0. yang merupakan A besar atau konstanta tadi di dalam persamaan awal plus B1 len TKI karena TK pangkat B1, kalau dilenkan sama dengan B1 kali len TK plus B2 len urea plus VI sebagai len dari E yang merupakan bilangan natural adalah 1 berarti merupakan galak plus VI jadi kalau di persamaan awal Sama awal tadi saya sampaikan epsilon, sebetulnya bisa juga kita tulis dengan vi. Nah, yang keempat, selain dari fungsi Cobb-Douglas, kemudian fungsi kwadratik seperti pada persamaan 2, di sini tetap linear pada parameter ya, teman-teman. Jangan lupa, persamaan 2 bukan tidak linear pada parameter.
Jadi, tetap memenuhi asumsi OLS, Ordinary Least Squares, atau kondisi Gosmarkov, dimana... linear dalam parameter karena B3 nya bukan yang di kuadrat tetapi ureanya yang dikuadratkan. Nah, terakhir yang keempat, kita punya fungsi produksi yang kita sebut dengan translock. Ini adalah modifikasi dari modal regresi berganda yang dapat ditulis dengan lengkap sesuai pada tayangan.
kayangan yaitu learn produksi sama dengan b0 dan seterusnya dimana nanti kita mengalihkan learn urea dikuadratkan dibagi dua lintai kaki dikuadratkan dibagi dua lalu ada Loon TKI diinteraksikan dengan Loon Urea, dan kalau ditulis secara lengkap, kita sebut sebagai fungsi produksi transloan. Nah, ini adalah beberapa contoh saja dari spesifikasi model regresi yang nanti teman-teman bisa terapkan, lalu kita bisa mengevaluasi kira-kira dari berbagai alternatif model tersebut, mana yang kita anggap robust atau yang kita anggap sebagai terbaik. Ingat, ekonomatik model seharusnya... wrong, but some are useful nah disinilah implementasi dari Palsava ini dimana kita bisa mempunyai banyak alternatif dari modal regresi dan tentu tidak ada yang mutlak benar salah satu dari sebegian banyak alternatif tersebut nah ada lagi contoh yang paling banyak digunakan di dalam analisis modal regresi untuk ilmu ekonomi manajemen atau bisnis yang kita sebut dengan lip Limited Dependent Variable. Nah, kalau teman-teman pernah mendengarkan istilah Logit, Probit, Tobit, semuanya masuk dalam klasifikasi Limited Dependent Variable.
Di tahun 80 dan 90-an, banyak sekali mahasiswa yang studi menempuh doktor di Indonesia yang menggunakan model ini untuk menjawab permasalahan penelitian mereka. Sebagai contoh, apa saja fasilitas yang diperlukan untuk menjawab permasalahan penelitian mereka? faktor yang mempengaruhi orang mengembalikan kredit dengan lancar atau tidak lancar nah ini dengan menarik bisa dianalisis menggunakan seperti fungsi login atau probit, ada juga yang disebut dengan Tobit nah kita lihat saja sebagai contoh satu dulu yaitu regresi logistik regresi logistik atau login ini awalnya berbentuk kurva S, dimana variable dependenya nah Ini bersifat kategorik.
Karena dia bersifat kategorik, misalnya untuk model regresi binar, maka nilai dependent kita berikan 1, katakanlah misalnya untuk yang mengembalikan kredit lancar, 0 untuk yang tidak lancar. Ini kita sebut login binar atau binary logistic regression. Tetapi kita bisa juga mempunyai variable dependent di dalam regresi logistik lebih dari 2 kategori. Misalnya, Misalnya 1, 2, 3, 4, 5. Sesuai dengan NPL, Non Performance Loan yang ada di Bank Indonesia. Maka kita sebutlah persamaannya Multinominal Logit.
Nah, ini teman-teman bisa pelajari lebih dalam lagi. Nah, yang jelas teman-teman harus bisa membedakan mana yang disebut dengan Logit, mana yang disebut dengan Probit, dan mana yang disebut dengan Tobit. Nah, khusus untuk Tobit yang di...
digunakan adalah data tersensor yaitu misalnya ada rumah tangga yang tidak sama sekali mengkonsumsi susu atau ada yang sebagian mengkonsumsi susu tetapi bervariasi, sehingga kita bisa mempunyai data yang sama dengan 0, tetapi ada yang sekian persen, katakanlah misalnya kalau dia mencapai konsumsi ideal 100 persen, maka ada yang 20 persen dari konsumsi ideal, ada yang 70 persen kalau nilainya bervariasi dan dari 0 kemudian sampai dengan 1, jadi bukan 0 atau 1, maka ini kita sebut persamaan regresinya sebagai topik. Nah, nanti teman-teman bisa mencoba di perangkat lunak, mengestimasi sesuai dengan definisi varia, variable dependent tadi yang bersifat limited atau kategorik apakah misalnya 1 atau 0 0-1 atau bisa juga yang 12345 yang bersifat multi nominal Nah sekarang kita akan masuk ke dalam aplikasi regresi untuk berbagai spesifikasi model tadi, tetapi untuk kesempatan dalam tayangan ini, kita bahas dulu model regresi berganda, karena kita ingin fokus. pada apakah mode regresi kita sudah memenuhi kondisi gosmarkop yang sesuai yang diinginkan. Nah, contoh topik kita sesuai yang ada pada tayangan adalah determinan konsumsi Provinsi Jambi.
Di sini kita... Punya data 40 tahun, mulai dari tahun 1980 sampai 2019, untuk variable ada 4, PDRB, konsumsi, investasi, dan suku bunga atau R. Nah, tadi di sini judulnya adalah determinan konsumsi provinsi jami.
Maka tentu meskipun ada di kolom 1, PDRB bukanlah variable dependent. Yang menjadi variable dependent adalah konsumsinya, sedangkan PDRB bukanlah variable dependent. DRB, investasi, dan suku bunga adalah variable independen yang diduga mengaruhi konsumsi di Provinsi Jambi selama 40 tahun tersebut nah kalau kita menggunakan perangkat unak seperti E-Views, seperti teman-teman lihat pada tayangan, jadi nanti kalau teman-teman mau belajar E-Views Stata, ataupun ART, atau ART Studio teman-teman bisa membaca buku aplikasi Ekonometrika yang sudah saya tulis, tetapi sekali lagi ini adalah Ini adalah buku ajar, ini bukan buku teks. Jadi kalau buku teks itu, kalau menurut definisi saya harus berbahasa PBB. Kalau yang saya tulis ini adalah buku ajar.
Nah nanti contoh di sini, kalau menggunakan e-views, kita memasukkan variable yang kita analisis ke dalam perangkat lunak, kita ketik konsumsi, PDRB, investasi, suku bunga, dan ada C sebagai konstanta. Nah kemudian kalau sudah kita run, maka kita bisa memperoleh hasil. Nah teman-teman di sana... bisa melihat, waktu di tayangan awal, saya membahas tentang kriteria ekonomi dan kriteria statistika, nah disini yang di dalam lingkaran merah, itu adalah dua-duanya kriteria statistika di kolom kanan atas itu adalah probability dari nilai koefisien atau p-value kalau p-value atau probability ini nilainya kurang dari maka kita katakan kita bisa menolakkan 0 pada tarap 95% atau misalnya di dalam contoh kita hanya variable investasi yang bernilai p-value-nya kurang dari artinya PDRB, suku bunga, termasuk juga konstanta tidak berpengaruh signifikan pada tingkat konsumsi di Provinsi Jambi jadi hanya variable investasi yang berpengaruh nyata pada tarap 95% bahkan 99% karena nilai p-value-nya Nah kriteria statistika yang kedua adalah R kuadrat, di mana nilainya sebesar Apa maknanya variasi di dalam konsumsi Provinsi Jambi dapat dijelaskan oleh variasi di dalam PDRB investasi.
Dan suku bunga atau ketiga variable independen yang kita masukkan ke dalam model Nah, teman-teman yang dari fakultas ekonomi dan manajemen atau ekonomi dan bisnis Tentu juga harus mengevaluasi kriteria ekonomi Itu dilihat dari tanda atau sign Di sini tidak ada magnitude Saya ulangi Untuk tanda, di sini kita lihat suku bunga tandanya negatif Kalau suku bunga tandanya negatif Tandanya negatif berarti sesuai atau tidak dengan hipotesis? Kalau secara teori berarti sesuai. Suku bunga naik, konsumsi turun. Investasi, tandanya positif. Koefisiennya Berarti sudah sesuai juga dengan teori.
Kemudian PDRB, nilainya berapa? Nah, khusus untuk PDRB, di sini karena seperti pendapatan pada fungsi konsumsi, inilah yang merupakan tidak hanya sign, tetapi juga magnitude. Di mana nilainya harus Nah disini nilai dari koefisien PDRB ternyata relatif kecil sekali yaitu mendekati Padahal harusnya untuk Provinsi Jambi mungkin nilai koefisien dari PDRB dalam memengaruhi konsumsi seharusnya di atas Nah inilah merupakan evaluasi atau uji diagnostik model.
Nah kemudian kita lakukan uji untuk asumsi atau kondisi Gaus Markov. Yang pertama kita lakukan. lakukan uji LM untuk melihat ada autokorrelasi atau tidak. Ternyata dengan uji LM terhadap residual, jadi nanti teman-teman bisa melihat ada pilihan pada residual untuk dilakukan uji LM, maka H0 tidak dapat ditolak.
Kalau artinya tidak ditolak, berarti kita yang memiliki H0 tidak ada autokorrelasi, sudah boleh senang, gembira, karena tidak ada pelanggaran asumsi. Karena hormonnya tidak ada Autokorelasi sedangkan H1-nya atau H alternatifnya ada autokorelasi Nah sekali lagi H alternatif atau H1 bukanlah sesuatu yang selalu diinginkan Apalagi di dalam ekonometrika Nah untuk yang Yang kedua, kondisi heteroskedasisitas kalau kita lakukan pengujian dengan uji wide, ternyata hasilnya kita memperoleh p-value yang dilingkari nilainya kurang dari Sebagaimana penjelasan saya pada tayangan terdapat. dahulu, jika p-value kurang dari berarti kita tolak H0.
Nah, tolak H0 berarti tidak homoskedasitas atau terjadi heteroskedasitas. Berarti di dalam hasil estimasi kita tadi yang di awal ini, ini ada gejala atau terjadi heteroskedasitas yang nantinya harus kita perbaiki. Nah, kalau kita ingin memperbaiki heteroskedasitas karena kita menggunakan perangkat lunak, kita langsung...
langsung bisa mengestimasi dengan menggunakan yang saya sebut dalam tayangan sebelumnya yaitu GLS atau Generalized Lease Squares. Nah kalau kita lakukan estimasi ulang dengan menggunakan GLS, kita memperoleh sekarang model dimana hanya investasi tetap yang mempengaruhi konsumsi sedangkan PDRB dan suku bunga masih tidak berpengaruh nyata pada tarap 95%. Sedangkan R kuadrat itu naik jadi karena JLS nya memang lebih efisien dari OLS sehingga kita memiliki sekarang R kuadrat yang sedikit lebih tinggi yaitu nah apakah kita perlu melakukan deteksi multikolinearitas?
betul kenapa? karena kita memiliki R kuadrat yang tinggi yaitu tapi hanya 1 dari 3 variable independen yang berpengaruh nyata ... Nah ini adalah gejala adanya multi kolonialitas Maka kita keluarkanlah nilai VIF yang tersedia di perangkat lunak juga Dalam hal ini adalah masih e-views Ternyata nilai VIFnya untuk variable PDRP dan variable investasi Jauh di atas 5 atau 10 yaitu 400an Sedangkan untuk suku bunga nilainya hanya 2 Maka kita akan lakukan pembuatan buangan variabel yaitu salah satu PDRB atau investasi nah kemudian nanti kita lanjutkan sebab ada satu prosedur yang tadi saya lewatkan yaitu transformasi model bukan mengubah teknik estimasinya yaitu apa data asli semuanya kita lemkan jadi sekarang kita lemkan data awal tadi sehingga kita sekarang mengetik di perangkat lunaknya loan konsumsi loan PDRB investasi, tetapi ingat nah, teman-teman, kalau datanya dalam persen seperti suku bunga maka kita tidak boleh melunkan variable tersebut sehingga suku bunga tetap saja nah, sekarang setelah dilunkan, kita regresikan lagi ternyata kita memperoleh hasil yang berbeda dimana dengan data load, ternyata yang signifikan berpengaruh pada konsumsi di profesi jami hanya PDRB, sedangkan ini investasi dan suku bunga tidak dengan arsquare nya sebesar persen Nah kalau kita lakukan uji otokorelasi ternyata tidak ada otokorelasi lalu kalau kita lakukan uji heteroskedasisitas ini ternyata sekarang kita tidak tolak Hano nah terbukti bukan di dalam tayangan sebelumnya saya sampaikan salah satu cara untuk mengurangi kemungkinan heteroskedasisitas adalah dengan dilengkan data variabel yang kita regresikan ternyata terbuktikan pada saat kita menggunakan data yang sudah dalam bentuk learn hasil regresi menunjukkan tidak ada heterosklerosisitas karena kita tidak tolakan nol pada ujiwan nah untuk vif dari deteksi multikolonialitas hasilnya masih sama dengan data yang tidak dilengkan disini untuk PDRB dan investasi nilainya bahkan lebih besar vif-nya diatas 500 sedangkan Untuk suku bunga sekarang menjadi Nah Apa yang harus kita lakukan dari berbagai estimasi yang kita lakukan?
Tadi kita melakukan dengan GLS, lalu data kita coba ubah dengan ledan seterusnya. Nah, dalam hal ini jelas bahwa karena ada indikasi multikolonialitas yang serius, kita coba dengan membuang salah satu variable, apakah PDRB atau investasi. Nah, Di sini kita tidak melihat kondisi awal di mana investasi signifikan atau PDRB signifikan karena berbeda kan pada saat kita datanya asli atau dilengkan.
Pada saat asli yang berpengaruh nyata adalah investasi, pada saat dengan data lern yang berpengaruh nyata adalah PDRB. Nah, secara teori yang lebih berpengaruh pada konsumsi yang lebih dekat adalah apa? Tentu PDRB.
Maka kita harus mempertahankan PDRB dan yang coba kita buang adalah investasi. Di sinilah. Sekali lagi, ingat pasafa econometrics Econometrics models are wrong, but some are useful Just once Econometrics models are wrong, but some are useful Nah, di sini, kalau kita coba estimasi lagi Tanpa menggunakan investasi Maka kita memperoleh hasil R-square-nya Tetapi yang berpengaruh nyata hanya PDRB dan suku bunga tetap tidak nyata.
Nah, kalau kita lihat sekarang, dari deteksi multikolonialitas, ternyata dua-dua variable tersebut nilainya jauh lebih kecil dari 5 atau 10, yaitu 1, sehingga memang tidak ada lagi multikolonialitas yang serius. Nah, kalau kita menggunakan data LUN, ternyata juga tetap sama, ya LUN PDRB dan suku bunga, suku bunga tidak berpengaruh nyata, hanya PDRB yang berpengaruh nyata, lalu hasil dari VIF juga Tidak menunjukkan tidak ada gejala multikulineritas yang serius. Nah, dari sini teman-teman bisa belajar bahwa kalau teman-teman ingin PDRB-nya nyata, R-nya nyata, dan seterusnya, mungkin itu tidak bisa diperoleh dengan berbagai revisi dari model awal.
Mengapa? Karena memang kalau kita melakukan estimasi model, tidak berarti semua variable independen harus berpengaruh nyata. Kalau sudah harus berpengaruh nyata, semuanya mengapa kita melakukan kajian atau riset justru dari riset kita ingin membedakan mana yang berpengaruh nyata mana yang tidak terima kasih, semangat Assalamualaikum Warahmatullahi Wabarakatuh