EKONOMETRIKA

MATERI 3
A. Poin –poin materi
1. Sifat dasar regresi
2. Menafsirkan model regresi
3. Fungsi regresi populasi dan sampel
4. Makna istilah “Linier”
B. Uraian Materi
1. Sifat Dasar Regresi
Seperti yang telah dibahas sebelumnya, bahwa regresi adalah alat utama dalam
ekonometrika. Interpretasi istilah regresi modern agak sedikit berbeda. Secara jelas dapat
dikatakan “Analisis regresi berkaitan dengan studi mengenai ketergantungan satu
variabel (variabel dependen) terhadap satu atau lebih variabel lainnya (variabel
independen), dengan tujuan untuk mengestimasi dan atau memperkirakan nilai rerata atau
rata-rata variabel dependen dari nilai yang diketahui atau nilai tetap dari variabel
independen”.
Di dalam regresi akan dilihat pengaruh perubahan suatu variabel terhadap variabel
lain. Variabel yang mempengaruhi disebut variabel bebas (independent variable) dengan
simbol X, sedangkan yang dipengaruhi disebut variabel terikat (dependent variable)
dengan simbol Y. Berdasarkan variabel bebas, regresi dibagi menjadi 2, yaitu regresi
sederahana dan regresi berganda.
Sederhana: banyak variabel bebas tepat satu
x y
Regresi

Ganda: banyak variabel bebas lebih dari satu

x1
x2
x3
. y
.
.
xn
 Persamaan umum regresi linier sederhana adalah

̂0 + 𝛽
𝑌̂ = 𝛽 ̂1 𝑋
Keterangan:
𝑌̂ = Variabel terikat yang akan diduga
X = Variabel bebas
̂0 = konstanta
𝛽
̂1 = koefisien regresi
𝛽

Hubungan didalam model regresi disebut sebagai hubungan regresional yang

menunjukkan prakiraan/estimasi pengaruh perubahan nilai variabel bebas terhadap
variabel terikatnya
Perbedaan antara nilai Y riil dengan nilai Y taksiran adalah error atau kesalahan
prakiraan. Dengan demikian nilai Y dapat dituliskan dalam persamaan regresi sebagai
berikut:
̂0 + 𝛽
𝑌=𝛽 ̂1 𝑋 + 𝑒

Error (e) di dalam memprediksi nilai-nilai dalam ekonomi dan bisnis tidak dapat
dihindari karena banyak faktor yang mempengaruhi nilai tersebut.Biasanya yang dapat
dilakukan hanyalah meminimumkannya. Oleh karena itu, kita harus memilih metode
untuk mencari nilai pembentuk persamaan regresi yang dapat meminimumkan error yaitu
dengan ordinary least square = OLS (metode kuadrat terkecil) atau menggunkan aplikasi
SPSS.
2. Menafsirkan model regresi
Setelah mendapatkan nilai 𝛽0 dan 𝛽1 maka akan diperoleh persamaan regresinya.
Selanjutnya kita harus mempu menginterpretasi/menafsirkan persamaan regresi sehingga
dapat menarik kesimpulan dari teori atau permasalahan yang di teliti. Persamaan umum
regresi linier sederhana:
̂0 + 𝛽
𝑌̂ = 𝛽 ̂1 𝑋

Interpretasi persamaan diatas:

1) 𝛽0 merupakan angka konstanta. Jika nilai konstanta yang negatif dapat diabaikan
(tidak menjadi persoalan), selama model regresi yang diuji sudah memenuhi asumsi
 (misal normalitas untuk regresi sederhana). Selama nilai slope 𝛽1 tidak nol maka
tanda negative pada konstanta dapat diabaikan.
2) Angka konstan merupakan konstanta 𝛽0 diinterpretasikan jika nilai 𝛽1= 0 maka nilai
𝑌̂ sebesar 𝛽0 saja.
3) Jika nilai 𝛽1positif berarti “setiap nilai X bertambah 1 satuan, maka nilai 𝑌̂ akan
bertambah sebesar 𝛽1 .
4) Jika nilai 𝛽1negatif berarti “setiap nilai X bertambah 1 satuan, maka nilai 𝑌̂ akan
berkurang sebesar 𝛽1 .
Contoh:
1) Akan dilakukan suatu penelitian terhadap hubungan antara biaya iklan dan tingkat
penjualan sebuah perusahaan makanan (dalam ratusan ribu rupiah). Kemudian setelah
mendapatkan data dan di lakukan analisis menggunakan SPSS di peroleh persamaan
regresinya
𝑌̂1 = −9,36 + 2,7X
a) Jika tidak ada biaya iklan maka penjualan sebesar Rp 936.000, 00.
b) Jika biaya iklan naik Rp 100.000,00 maka tingkat penjualan akan bertambah Rp
270.000,00.
2) Akan dilakukan penelitian mengenai “Pengaruh strees kerja terhadap kinerja
pegawai”. Kemudian setelah mendapatkan data dan di lakukan analisis menggunakan
SPSS di peroleh persamaan regresinya
𝑌̂1 = 35,420 − 0,511X
a) Jika tidak ada stress kerja maka nilai konsisten kinerja pegawai sebesar 35,420
poin.
b) Jika biaya iklan naik 1% maka kinerja pegawai berkurang 0,51 poin.
3. Regresi populasi dan sampel
a. Regresi populasi
Regresi memiliki dua pengertian fungsi regresi yang berbeda yaitu fungsi regresi
populasi (population regression function = PRF) dan fungsi regresi sampel (sample
regression function = SRF).
Misalnya dalam estimasi fungsi permintaan barang (Y) dengan variabel bebas tingkat
harga (X). Hukum ekonomi menyatakan bahwa hubungan antara X dan Y adalah
 negatif, karena apabila tingkat harga naik—permintaan akan barang akan turun.
Dengan asumsi bahwa data X dan Y tersedia, maka nilai yang akan dicari adalah rata-
rata pengharapan populasi atau nilai rata-rata populasi Y pada berbagai tingkat harga
(X). Penggambaran dari model ini akan berbentuk garis regresi populasi (population
regression line = PRL). PRL menyatakan bahwa nilai rata-rata dari variabel tak bebas
Y akan berhubungan dengan setiap nilai variabel bebas X. Secara matemnatis, PRL
dapat dinyatakan sebagai berikut:

E(Y X i )   0  1 X i

di mana E(Y X i ) atau E(Y) adalah berarti rata-rata atau pengharapan akan nilai Y

pada berbagai tingkat X i ,  0 dan  1 masing-masing disebut pula dengan parameter

atau koefisien regresi.  0 adalah koefisien intersep atau konstanta dan  1 adalah
koefisien slope atau kemiringan. Koefisien slope mengukur tingkat perubahan rata-
rata Y per unit akibat perubahan X. Bentuk persamaan matematis PRL sebagaimana
yang disajikan dalam persamaan di atas fungsi regresi populasi (PRF) dalam bentuk
linier.
b. Regresi Sampel
Selanjutnya, dari PRF, dapat pula dikembangkan konsep fungsi regresi sampel
(SRF). Hal ini penting, karena dalam dunia nyata, data populasi sangat sulit untuk
didapatkan atau ditemukan, sehingga salah satu langkah yang dapat dilakukan adalah
mengambil sampel dari populasi tersebut. Adapun bentuk dari persamaan SRF adalah
sebagai berikut:

Yˆi  b0  b1 X i
di mana:

Yˆi = Penaksir dari E(Y X i ) atau penaksir rata-rata kondisional populasi.

b0 dan b1 = Masing-masing adalah penaksir dari  0 dan  1 .

Dengan demikian SRF digunakan sebagai pendekatan untuk mengestimasi PRF.
Penggunaan SRF harus memperhatikan kenyataan bahwa dalam dunia nyata terdapat
unsur ketidakpastian (tidak ada hubungan yang pasti). Untuk mengakomodasi faktor
 ketidakpastian, maka ditambahkan dengan pengganggu atau faktor acak ( u i ).
Persamaan (2.1) dan (2.2) dapat ditulis kembali sebagai berikut:
(i) Yi   0  1 X i  ui  Bentuk PRF Stokastik

(ii) Yi  b0  b1 X i  ui  Bentuk SRF Stokastik

4. Makna Istilah “Linier”

Istilah atau pengertian linieritas dalam ekonometrika sangat penting, di mana
menurut Intriligator, karena: pertama, banyak hubungan-hubungan dalam ekonomi dan
hubungan-hubungan dalam ilmu sosial secara alamiah adalah linier. Kedua, penerapan
asumsi linieritas hanya terhadap parameter, bukan terhadap variabel model. Gujarati
menunjukkan bahwa linieritas dapat dilihat adri sisi variabel dan parameter. Penjelasan
dari konsep linieritas lebih lanjut adalah sebagai berikut :
a) Linier Variabel
Arti pertama dan mungkin lebih alamiah dari linieritas adalah bahwa nilai rata-rata
kondisional dari variabel Y merupakan fungsi linier terhadap X i sebagaimana
disajikan dalam bentuk umum persamaan regresi. Sedangkan bentuk fungsi non-linier
dalam variabel antara lain adalah :
E (Y )   0   1 X i2 (i)

E (Y )   0  1 (1 / X i ) (ii)
Kedua persamaan di atas dinamakan persamaan yang tidak linier, karena persamaan
(i) berpangkat 2, sementara persamaan (ii) dinyatakan dalam bentuk kebalikan
(inverse).

b) Linier Parameter
Linieritas parameter terjadi jika rata-rata kondisional dari variabel tak bebas
merupakan suatu fungsi linier terhadap parameter ß; fungsi tadi mungkin linier atau
tidak linier dalam variabel X. Dalam arti lain, bahwa suatu fungsi dikatakan linier
dalam parameter, kalau  1 bersifat pangkat 1. dengan definisi ini, persamaan di atas

merupakan model linier dalam parameter karena  0 dan  1 adalah linier.

 Lebih lanjut, bentuk fungsi persamaan dibawah ini tidak dikatakan sebagai fungsi
linier, karena  1 tidak berpangkat 1.

(2.7) E (Y )  β 0  β12 X i

Dari dua interpretasi linieritas di atas, linieritas dalam parameter adalah relevan untuk
pengembangan teori regresi. Dalam analisis regresi linier sederhana, linier berarti
linier dalam parameter.