EKONOMETRIKA

EKONOMETRIKA
Sifat Dasar
Analisis Regresi
Kelompok 1
Feybe Arsella Manoppo
Sari Aprilliani
Adrianto
Endi Harmianto
Pada Bab ini akan di jelaskan tentang Sifat Dasar dari Analisis Regresi.
CONTENT
1.1 Asal Mula Istilah Regresi
1.2 Interpretasi Modern Dari Regresi
1.3 Perbedaan Ketergantungan Secara Statistik dan
Fungsional
1.4 Regresi Hubungan Sebab Akibat dan Korelasi
1.5 Regresi Versus Korelasi
1.6 Terminologi dan Notasi
1.7 Sifat dan Sumber Data untuk Analisis Ekonomi
1.1 Asal Mula Istilah Regresi
Galton telah dibuktikan oleh temannya
yang bernama Karl Pearson. Ia
Istilah regresi diperkenalkan oleh seseorang
menemukan bahwa rata-rata tinggi anak
yang bernama Francis Galton. Menurut
dari kelompok orangtua yang tinggi
hasil penelitian Francis Galton, meskipun
ternyata lebih kecil dari tinggi ayahnya,
ada kecenderungan bagi ara orangtua yang
dan rata-rata tinggi anak dari kelompok
tinggi untuk mempunyai anak yang tinggi
orangtua yang pendek ternyata lebih
dan orangtua yang pendek untuk
besar daripada tinggi ayah, jadi seolahmempunyai anak yang pendek, distribusi
olah semua anak yang tinggi dan yang
mengenai tinggi dari suatu populasi tidak
pendek bergerak menuju ke rata-rata
berubah dari generasi ke generasi. Hukum
tinggi dari seluruh orang laki-laki.
regresi yang universal dari
Menurut istilah Galton: regression to
mediocrity.
1.2 Interpretasi Modern Dari Regresi
Analisis regresi berkenaan dengan studi ketergantungan dari satu
variabel yang disebut variabel tidak bebas (dependent variable), pada
satu atau lebih variabel, yaitu variabel penjelas, dengan tujuan untuk
memperkirakan dan atau meramalkan nilai rata-rata dari variabel
tidak bebas apabila nilai variabel penjelas sudah diketahui. Variabel
penjelas sering disebut variabel bebas (independent variable) atau
explanatory variable.
1.3 Perbedaan Ketergantungan Secara Statistik dan
Fungsional
Regresi berkenaan dengan ketergantungan statistik (statistical
dependent), bukan ketergantungan fungsional secara deterministik.
Hubungan antarvariabel secara statistik berkenaan dengan variabel
yang acak atau stokastik (random or stochastic variables), yaitu
variabel yang mempunyai distribusi probabilitas (probability
distribution). Di dalam hubungan fungsional (functional relationship)
variabelnya tidak acak atau stokastik.
EXAMPLE
Hubungan semacam ini, misalnya dipergunakan untuk
menunjukkan hukum gaya berat dari Newton (Newton’s law of
gravity)
Yang secara simbolik, F = k(m1m2/r2), dimana
F = daya,
m1 dan m2 = massa masing-masiing partikel,
r = jarak,
k = konstan, untuk mengukur proporsionalitas.
1.4 Regresi Hubungan Sebab Akibat dan Korelasi
“Hubungan statistik, sebagaimanapun kuatnya, tidak akan pernah
bisa membangun hubungan sebab dan akibat. Hubungan sebab dan
akibat harus berasal dari luar statistik, yang berakhir pada beberapa
teori atau yang lainnya”
Dalam semua contoh pada subbab 1.2 hal yang perlu
digaris bahawi adalah hubungan statistikal itu sendiri
tidak dapat medinyatakan secara logikal segabai
hubungan sebab dan akibat. Untuk menganggap hubungan
sebab dan akibat, satu hal yang harus menarik untuk
konsiderisasi teoritikal
1.5 Regresi Versus Korelasi
Regresi dan korelasi memiliki
perbedaan mendasar yang sama yang
layak disebut. Dalam analisis regresi
ada asimetri dalam cara variabel
dependen dan jelas yang diperlakukan.
Variabel terikat diasumsikan statistik,
acak, atau stokastik, yaitu, memiliki
distribusi probabilitas . Variabel
penjelas, di sisi lain, diasumsikan
memiliki nilai tetap (dalam
pengambilan sampel berulang) yang
dibuat eksplisit dalam definisi regresi
diberikan dalam Subbab 1.2.
1.6 Terminologi dan Notasi
Jika kami sedang mempelajari ketergantungan pad
variabel hanya variabel penjelas tunggal, seperti
yang dari pengeluaran konsumsi pada pendapatan
riil, studi semacam ini dikenal sebagai sederhana,
atau dua - variabel, analisis regresi . Namun, jika
kita sedang mempelajari ketergantungan satu
variabel pada lebih dari pada variabel penjelas,
seperti pada tanaman - hasil, curah hujan, suhu ,
sinar matahari , dan contoh pupuk , ini dikenal
sebagai analisis regresi ganda. Dengan kata lain,
dalam regresi dua variabel ada lebih dari satu
variabel penjelas.
1.7 Sifat dan Sumber Data untuk Analisis Ekonomi
Keberhasilan setiap analisis ekonometrik akhirnya tergantung
pada ketersediaan data yang sesuai
Jenis Data
Data Series Time
Cross-Section
Pooled Data
Data panel, Longitudinal atau
Micropanel
DATA SERIES TIME
Data tersebut dapat dikumpulkan secara berkala, seperti harian (misalnya,
harga saham, laporan cuaca), mingguan (misalnya, angka jumlah uang
beredar), bulanan [misalnya, tingkat pengangguran, Indeks Harga
Konsumen (IHK)], kuartalan (misalnya, GPD), setiap tahunnya (misalnya,
anggaran pemerintah), quinquennially, yaitu, setiap 5 tahun (misalny,
sensus manufaktur), atau decennially (misalnya, konsensus dari populasi).
CROSS SECTION
Data pada satu atau lebih variabel yang dikumpulkan pada poin yang sama
dalam waktu, seperti sensus penduduk yang dilakukan oleh Biro Sensus
setiap 10 tahun (yang terbaru berada di tahun 2000), survei konsumen
pengeluaran yang dilakukan oleh University of Michigan, dan tentu saja,
jajak pendapat Gallup dan organisasi othe3r upteen
POOLED DATA
Dalam Pemusatan, atau digabungkan, data elemen
dari kedua time-series dan data cross-section
Data panel, Longitudinal atau Micropanel
Ini adalah tipe khusus dari data yang dikumpulkan
di mana unit cross-sectional yang sama (misalnya,
keluarga atau perusahaan) yang disurvei dari waktu
ke waktu. Sebagai contoh, Departemen Perdagangan
AS karies keluar sensus perumahan secara berkala