Arsip

Archive for the ‘statistik’ Category

Analisis Uji Heteroskedastisitas dengan Menggunakan SPSS

Januari 31, 2012 3 komentar

Uji Heteroskedastisitas bertujuan menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Pendeteksian ada tidaknya heteroskedastisitas bisa dilakukan dengan menggunakan metode Glejser Test, yaitu dengan cara meregresikan nilai absolute residual terhadap variabel independent. Kali ini saya akan membahas uji heteroskedastisitas dengan uji Glejser dengan SPSS versi 17.

Langkah pertama adalah membuat Absolute Residual (Abs_res). Dalam menguji heteroskedastisitas, Abs_res ini nanti akan menjadi variabel dependennya.

1. Pilih Transform -> compute variable

Kolom target variable diisi nama variabel baru (misal: Abs_res). Lalu pilih “All” pada kolom Function group. Bawahnya pilih “Abs” kemudian double klik. maka pada kolom Numeric Expression akan muncul kata “ABS”. Lalu masukkan variabel Unstandardized Residual (Res_1) yg telah dibuat ke kolom numeric expression. Cara membuat Res_1 dapat lihat disini: (Klik disini.)

Lalu OK. Abs_res akan muncul di Data View.

Baca selanjutnya…

Iklan

Uji Asumsi Klasik – Autokorelasi

Desember 18, 2010 1 komentar

Definisi

Autokorelasi adalah korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu (seperti dalam data urutan waktu) atau ruang (seperti dalam data cross-sectional).

Konsekuensi

1.      Penduga-penduga koefisien regresi yang diperoleh tetap merupakan penduga-penduga yang tidak bias.

2.      Varian variabel gangguan menjadi tidak efisien jika dibandingkan dengan tidak adanya autokorelasi. Varian variabel gangguan mungkin sekali akan dinilai terlalu rendah, sehingga akibatnya uji statistik yang digunakan terhadap koefisien regresi penduga berkurang pula kemaknaannya, dan mungkin menjadi tidak berarti sama sekali.

Cara mendeteksi autokorelasi

1.      Metode Grafik

2.      Percobaan d dari Durbin-Watson (DW)

Mekanisme tes Durbin-Watson:

a.       Menentukan hipotesis nol (H0) dan hipotesis alternatifnya (Ha) Baca selanjutnya…

Heteroskedastisitas

Juni 26, 2010 1 komentar

Definisi

Heteroskedastisitas adalah gangguan ui yang tidak mempunyai varian yang sama atau tidak samanya varian (simpangan data).

Asumsi ini dapat ditulis sebagai berikut:

E (u2i) = σ2 i = 1, 2, …., n

Contoh heterokedastisitas, misalnya:

  • Kesalahan orang yang baru belajar mengetik. Semakin dia berlatih, kesalahan yang dilakukan semakin sedikit.
  • Meningkatnya pendapatan, tabungan secara rata-rata juga meningkat. Keluarga yang berpendapatan tinggi secara rata-rata menabung lebih banyak daripada keluarga berpendapatan rendah, tetapi variabilitas dalam tabungannya juga lebih besar.

Penyebab terjadinya heterokedastisitas:

  • Sifat data variabel yang diikutsertakan ke dalam model.

Varian Y akan semakin besar dengan makin besarnya nilai X. tingginya varian Yi tersebut akan berarti pula tingginya varian ei.

Sifat data yang digunakan dalam analisis.

Konsekuensi heteroskedastisitas

  • Penduga OLS yang diperoleh tetap memenuhi persyaratan tidak bias.
  • Varian yang diperoleh menjadi tidak efisien/ Baca selanjutnya…

Multikolinearitas dalam Regresi

Mei 28, 2010 8 komentar

Yap, ini saatnya saya membahas multikol alias penyimpangan asumsi di dalam model regresi.

Lalu apa sih multikolinearitas itu?  🙄

Multikolinearitas adalah adanya hubungan linier yang sempurna/ pasti diantara beberapa/ semua variabel yang menjelaskan dari model regresi.

Contoh multikolinearitas misalnya:

Y=a+b1X1+b2X2+e

Y=konsumsi, X1=pendapatan dan X2=kekayaan. Semakin besar pendapatan, maka kekayaan juga semakin besar/meningkat (mempunyai kolinearitas yang tinggi). Oleh karena itu, terjadi multikolinearitas.

Penyebab multikolinearitas dalam model regresi, antara lain:

  1. Kesalahan teoritis dalam pembentukan model fungsi regresi yang dipergunakan/ memasukkan variabel bebas yang hampir sama, bahkan sama.
  2. Terlampau kecilnya jumlah pengamatan yang akan dianalisis dengan model regresi.

Ternyata multikolinearitas juga mempunyai konsekuensi atau efek di dalam model regresi, antara lain

  1. Walaupun koefisien regresi dari variabel X dapat ditentukan (determinate), tetapi kesalahan standarnya akan cenderung semakin besar dengan meningkatnya tingkat korelasi antara peningkatan variabel bebas.
  2. Karena besarnya kesalahan standar, selang keyakinan untuk parameter populasi yang relevan cenderung untuk lebih besar. Baca selanjutnya…

Metode Kuadrat Terkecil Biasa (OLS)

November 12, 2009 Tinggalkan komentar

Dalam menyusun SRF, banyak metode yang digunakan salah satunya metode kuadrat terkecil biasa. Metode ini pertama kali dikemukkan oleh Carl Friedrich Gauss, seorang ahli matematika dari Jerman.

Metode kuadrat terkecil (OLS) atau metode kemungkinan maksimum (method of maximum likehood) adalah salah satu metoda yang paling populer dalam menyelesaikan masalah hitung perataan.

Metode kuadrat terkecil biasa dikemukakan oleh Carl Friedrich Gauss. Gauss membuat asumsi-asumsi sebagai berikut.

Asumsi 1

E(ui‌‌‌‌‌‌| Xi) = 0

Artinya nilai yang diharapkan bersyarat (conditional expected value) dari ui, tergantung pada Xi tertentu, adalah nol.

Asumsi 2

cov(ui , uj) = E[uiE(ui)][ujE(uj)]

= E(ui , uj)       karena asumsi 1

= 0                   i ≠ j

Dimana i dan j dua pengamatan yang berbeda dan dimana cov berarti kovarians. Baca selanjutnya…

Contoh Regresi Berganda Model Lengkap

Agustus 19, 2009 9 komentar

Contoh Regresi Model Lengkap

  • Regresi model lengkap dalam bentuk pelaporan hasil analisis regresi:

IA =   -68524,17 C – 471,7618 R + 5,644708 KURS + 120,3749 INF +       4194,235 LIB +3,395582 EKS – 0,162682 IA(-1)

(38773,30)    (1184,052)    (3,066207)    (334,3041)    (2156,570)    (0,681727)    (0,211055)

(-1,767303)    (-0,398430)    (1,840942)    (0,360076)    (-1,944864)    (4,980852)    (-0,770803)

R² = 0,907767

D = 2,040009

F hit = 29,52616 Baca selanjutnya…

Pengujian Hipotesis Distribusi Uji T dan F Pada Model Regresi Berganda

Juli 17, 2009 78 komentar

Analisis regresi berganda (Multivariate Regression) merupakan suatu model dimana variabel terikat tergantung pada dua atau lebih variabel bebas. Analisis ini digunakan untuk mengetahui pengaruh variabel bebas/ independen terhadap variabel terikat.

Analisis regresi berganda dapat dinyatakan dengan persamaan berikut.

Y = a + b1X1 + b2X2 + …… + bnXn

Dimana:

Y adalah variabel tak bebas/ terikat

X adalah variabel-variabel bebas

a adalah konstanta (intersept)

b adalah koefisien regresi/ nilai parameter

Pengujian Hipotesis Distribusi t Pada Model Regresi Berganda

Uji t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel bebas secara individual dalam menerangkan variasi variabel terikat. Tujuan dari uji t adalah untuk menguji koefisien regresi secara individual. Baca selanjutnya…

%d blogger menyukai ini: