Professional Documents
Culture Documents
Nota Topik 2
Nota Topik 2
Walaupun pemboleh ubah tak bersandar, X 2 bukan berbentuk linear, tetapi model ini masih
dianggap sebagai model regresi linear dan boleh dianggar dengan kaedah OLS kerana parameter
2 yang berhubung dengan pemboleh ubah X 2 berbentuk linear.
Walaupun korelasi antara pemboleh ubah X dan X 2 adalah kuat, tetapi ia tidak menunjukkan
multicollineariti yang serius kerana X 2 bukan fungsi linear bagi X.
Model kuadratik dibentuk untuk mengkaji kesan pertambahan atau pengurangan marginal bagi
suatu pemboleh ubah tak bersandar ke atas pemboleh ubah bersandar.
Rajah berikut menunjukkan corak perubahan purata nilai Y bagi peningkatan nilai X.
Page 1 of 18
Topik 2: Spesifikasi Model dan Ujian Diagnostik
Semester 2, Sesi 2020/2021
Contoh 1: Gujarati & Porter, Table 7.9, ms. 221 (Output Eviews diberi dalam Lampiran 4)
Diberi model permintaan per kapita bagi daging ayam adalah seperti berikut:
Y 1 2 X 2 3 X 3 4 X 6 5 X 62 v 2
X 6 ialah harga komposit benar barang pengganti bagi daging ayam (dalam sen per paun).
Dependent Variable: Y
Included observations: 23
Kesan sut harga komposit benar barang pengganti ke atas permintaan per kapita ayam diberi oleh
Yˆ X 6 0.3647 0.0032 X 6 . Dapat diperhatikan bahawa kesan sut bukan lagi konstan tetapi
bergantung kepada nilai X 6 . Dalam konteks ini, pekali teranggar α̂4 dan α̂5 tidak dapat ditafsir
secara berasingan.
Dengan mengandaikan faktor lain konstan, permintaan per kapita ayam adalah maksimum pada
harga komposit benar barang pengganti bagi ayam sama dengan 113.97 sen per paun.
Oleh itu, pada paras X 6 < 113.97 sen per paun, peningkatan harga komposit benar dalam barang
pengganti bagi ayam akan menyebabkan purata permintaan per kapita ayam bertambah pada
kadar yang semakin berkurangan.
Sebagai contoh, pada nilai X 6 = 65.8, kesan sut harga komposit benar barang pengganti ke atas
permintaan per kapita ayam ialah 0.1541 paun manakala kesan sut harga komposit benar barang
pengganti ke atas permintaan per kapita ayam pada nilai X 6 = 100 ialah sebanyak 0.0447 paun.
Page 2 of 18
Topik 2: Spesifikasi Model dan Ujian Diagnostik
Semester 2, Sesi 2020/2021
Berdasarkan contoh di atas, pemboleh ubah interaksi X 1 X 2 dimasukkan dalam model regresi
jika didapati bahawa
i) hubungan antara Y dan X 1 adalah berbeza pada nilai X 2 yang berlainan dan
ii) hubungan antara Y dan X 2 adalah berbeza pada nilai X 1 yang berlainan
Y
Kesan separa X 1 ke atas Y diberi oleh 1 3 X 2 dan ia bergantung pada X 2
X 1
Y
Kesan separa X 2 ke atas Y diberi oleh 2 3 X 1 dan ia bergantung pada X 1
X 2
Contoh 2:
Katakan PR 0 1 BR 2 SF 3 ( BRSF ) u
PR = harga rumah (dalam RM ribu), BR = bilangan bilik tidur, SF = saiz rumah (dalam kaki
persegi), BRSF = BR SF (interaksi antara bilangan bilik tidur dan saiz rumah)
Dependent Variable: PR
Included observations: 88
Dengan menggunakan ujian satu sisi, keputusan ujian t ke atas parameter yang berhubung
dengan pemboleh ubah interaksi (BRSF) menunjukkan keputusan yang signifikan pada α = 0.05.
Page 3 of 18
Topik 2: Spesifikasi Model dan Ujian Diagnostik
Semester 2, Sesi 2020/2021
Pˆ R
0.032621 0.023448 BR
SF
Pˆ R
Didapati ̂ 3 > 0 dan 0
SF
Ini bermakna tambahan saiz rumah (SF) akan menyebabkan peningkatan yang lebih tinggi dalam
harga rumah (PR) bagi bilangan bilik tidur (BR) yang semakin banyak.
Sebagai contoh, jika bilangan bilik tidur, BR = 1, tambahan satu kaki persegi saiz rumah akan
meningkatkan harga rumah sebanyak RM56 secara puratanya. Jika BR = 4, tambahan satu kaki
persegi saiz rumah akan meningkatkan harga rumah sebanyak RM126.4 secara puratanya. Oleh
itu, kesan tambahan saiz rumah ke atas harga rumah bukan lagi konstan pada bilangan bilik tidur
yang berlainan.
Akan tetapi, pekali regresi teranggar bagi pemboleh ubah SF tidak boleh ditafsirkan kerana ia
mengukur kesan tambahan saiz rumah pada bilangan bilik tidur (BR) sama dengan 0. Begitu juga
untuk pekali regresi teranggar bagi pemboleh ubah BR kerana ia mengukur kesan tambahan
bilangan bilik tidur pada saiz rumah sama dengan 0 kaki persegi. Oleh itu,
i) saiz rumah mempengaruhi harga rumah melalui kesan interaksinya dengan bilangan bilik
tidur
ii) bilangan bilik tidur mempengaruhi harga rumah melalui kesan interaksinya dengan saiz
rumah
Pemboleh ubah taraf pendidikan pekerja (educ) terbahagi kepada 4 kategori iaitu tiada
pendidikan formal (educ = 1), pendidikan rendah (educ = 2), pendidikan menengah (educ = 3),
pendidikan tertiari (educ = 4).
Pertimbangkan model regresi dengan pemboleh ubah dami yang berikut untuk mengkaji upah
mingguan pekerja.
WI 1 2 AGE 3 DS 4 DT u
WI = upah mingguan (dalam rupees), AGE = umur (dalam tahun), DS = pemboleh ubah dami
bagi jantina (1 – lelaki dan 0 – wanita), DT = pemboleh ubah dami bagi taraf pendidikan tertiari
(1 – tertiari, 0 – selainnya)
Page 4 of 18
Topik 2: Spesifikasi Model dan Ujian Diagnostik
Semester 2, Sesi 2020/2021
Dalam model di atas, dengan mengandaikan umur pekerja malar, 3 mengukur perbezaan upah
mingguan pekerja lelaki berbanding pekerja wanita tanpa mengambil kira taraf pendidikan
pekerja manakala 4 mengukur perbezaan upah mingguan pekerja berpendidikan tertiari
berbanding pekerja tidak berpendidikan tertiari tanpa mengambil kira jantina pekerja.
Jika kita ingin mengkaji perbezaan upah mingguan dengan mengambil kira jantina dan taraf
pendidikan pekerja secara bersama, pemboleh ubah dami interaksi (DSDT = DS DT) perlu
dimasukkan ke dalam model seperti berikut
WI 1 2 AGE 3 DS 4 DT 5 ( DSDT ) u
Kategori rujukan dalam model di atas ialah pekerja wanita tidak berpendidikan tertiari. Oleh itu,
fungsi upah mingguan pekerja lelaki berpendidikan tertiari (DS = 1 & DT = 1) diberi oleh:
WI ( 1 3 4 5 ) 2 AGE
Base group: pekerja wanita tidak berpendidikan tertiari (DS = 0 & DT = 0) - WI 1 2 AGE
i) 3 mengukur perbezaan upah mingguan antara pekerja lelaki dan wanita yang tidak
berpendidikan tertiari manakala ( 3 + 5 ) mengukur perbezaan upah mingguan antara
pekerja lelaki dan wanita yang berpendidikan tertiari.
ii) 4 mengukur perbezaan upah mingguan antara pekerja wanita berpendidikan tertiari dan
tidak berpendidikan tertiari manakala ( 4 + 5 ) mengukur perbezaan upah mingguan
antara pekerja lelaki berpendidikan tertiari dan tidak berpendidikan tertiari.
Page 5 of 18
Topik 2: Spesifikasi Model dan Ujian Diagnostik
Semester 2, Sesi 2020/2021
Dependent Variable: WI
Sample: 1 114 IF DP=1
Included observations: 42
Dengan mengandaikan umur pekerja konstan, purata upah mingguan pekerja lelaki yang tidak
berpendidikan tertiari adalah 96.1 rupees lebih rendah berbanding pekerja wanita yang tidak
berpendidikan tertiari; purata upah mingguan pekerja lelaki yang berpendidikan tertiari adalah
66.5 rupees lebih tinggi berbanding pekerja lelaki yang tidak berpendidikan tertiari; purata upah
mingguan pekerja lelaki berpendidikan tertiari pula adalah 29.5 rupees lebih rendah berbanding
pekerja wanita tidak berpendidikan tertiari.
Keputusan ujian t ke atas H 0 : 5 0 menunjukkan kesan interaksi antara jantina dan taraf
pendidikan adalah signifikan pada = 0.10.
Salah satu andaian klasik model regresi linear ialah model perlu dispesifikasi dengan betul. Jika
andaian ini gagal dipenuhi, ia akan menimbulkan masalah ralat spesifikasi.
Pada umumnya, ralat spesifikasi (specification errors) terdiri daripada 4 jenis iaitu:
Data bagi pemboleh ubah bersandar, Y dan pemboleh ubah tak bersandar X yang digunakan
dalam analisis regresi secara implisitnya diandaikan diukur tanpa sebarang ralat. Akan tetapi,
Page 6 of 18
Topik 2: Spesifikasi Model dan Ujian Diagnostik
Semester 2, Sesi 2020/2021
andaian tersebut tidak realistik kerana pengumpulan data biasanya melibatkan nonresponse
errors sementara pemprosesan data pula mungkin melibatkan rounded off errors, reporting
errors dan computing errors. Di samping itu, missing values bagi sesuatu data mungkin
ditangani dengan cara interpolation atau extrapolation.
Penganggar yang terhasil masih saksama tetapi tidak cekap kerana mempunyai nilai
varian dan ralat piawai yang relatifnya lebih besar berbanding model tanpa ralat
pengukuran.
Sebutan ralat bagi model dengan ralat pengukuran akan berkorelasi dengan pemboleh
ubah tak bersandar. Oleh kerana ia tidak memenuhi andaian klasik model regresi linear
yang menyatakan bahawa pemboleh ubah tak bersandar dan sebutan ralat adalah tidak
berkorelasi, penganggar OLS yang terhasil bukan sahaja bias tetapi juga tidak konsisten
iaitu kesan bias tersebut tidak akan hilang walaupun saiz sampel besar.
i) Jika X 3 berkorelasi dengan X 2 , ̂1 dan ̂ 2 adalah penganggar yang bias iaitu
E (ˆ1 ) 1 dan E (ˆ 2 ) 2 serta tidak konsisten. Kesan bias tidak akan hilang
walaupun saiz sampel besar. Nilai dijangka bagi penganggar ̂ 2 diberi oleh
E (ˆ 2 ) 2 3b32
Page 7 of 18
Topik 2: Spesifikasi Model dan Ujian Diagnostik
Semester 2, Sesi 2020/2021
iii) Varian bagi ̂ 2 ialah penganggar yang bias bagi varian bagi ̂ 2 . Akibatnya, ujian t dan
ujian F ke atas parameter akan menghasilkan keputusan yang tidak tepat.
Sekiranya dua pemboleh ubah tak bersandar menunjukkan korelasi yang tinggi, salah satu
kaedah mengurangkan masalah multicollineariti yang serius ialah dengan menggugurkan salah
satu pemboleh ubah tersebut.
Akan tetapi tindakan ini akan menyebabkan berlakunya ralat spesifikasi yang dibincangkan di
atas. Selain itu, penyingkiran pemboleh ubah tak bersandar yang relevan dan bentuk fungsi yang
salah juga merupakan dua punca berlakunya masalah heteroskedastisiti dan autokorelasi.
Mengesan Penyingkiran Pemboleh ubah Relevan dan Bentuk Fungsi yang Salah
Langkah 1: Anggarkan model terbatas (2.2) di atas dan dapatkan nilai residuals, û .
Langkah 2: Jika model tak terbatas (2.1) ialah model yang betul, residuals yang diperoleh
sepatutnya berkorelasi dengan X 3 . Seterusnya, jalankan regresi auxiliary berikut
uˆ 1 2 X 2 3 X 3 v --- (2.3)
Statistik ujian = nR 2
Statistik ujian secara asimptot (i.e. dalam keadaan saiz sampel besar) bertaburan
khi kuasa dua dengan darjah kebebasan = bilangan batasan.
Langkah 4: Jika statistik ujian khi kuasa dua melebihi nilai kritikal atau nilai-p bagi ujian khi
kuasa dua kurang daripada aras keertian α, kita boleh menyimpulkan bahawa
model (2.2) tersalah spesifikasi.
Diberi model permintaan per kapita bagi ayam yang betul ialah
Y 1 2 X 2 3 X 3 4 X 22 5 X 32 v --- (A)
Y 1 2 X 2 3 X 3 u --- (B)
Page 8 of 18
Topik 2: Spesifikasi Model dan Ujian Diagnostik
Semester 2, Sesi 2020/2021
Dependent Variable: Y
Dependent Variable: Y
Keputusan penganggaran menunjukkan kesan pendapatan boleh guna benar per kapita ( X 2 ) dan
harga runcit benar ayam ( X 3 ) ke atas permintaan per kapita ayam terkurang anggar beberapa
kali ganda dalam model yang tersalah spesifikasi.
Seperti yang dijangkakan, ralat piawai bagi pekali cerun teranggar dalam model yang tersalah
spesifikasi adalah lebih rendah berbanding dengan model yang betul. Dalam konteks ini, wujud
trade-off antara ketidaksaksamaan (biased) dan kecekapan (efficiency) penganggar.
Page 9 of 18
Topik 2: Spesifikasi Model dan Ujian Diagnostik
Semester 2, Sesi 2020/2021
Pada aras keertian 1%, statistik DW bagi model yang salah (Model B) menunjukkan ralat
berautokorelasi positif pada order pertama, d = 0.4327 < d L 0.938 . Statistik DW bagi model
yang betul (Model A) pula menunjukkan ralat tidak berautokorelasi pada order pertama, d U =
1.534 < d = 1.701 < 4 d U = 2.466. Oleh itu, masalah autokorelasi order pertama yang wujud
besar kemungkinan disebabkan oleh masalah ralat spesifikasi.
R-squared 0.746278
Semasa menjalankan ujian LM, Model A ialah model tak terbatas manakala Model B ialah
model terbatas. Statistik ujian melebihi nilai kritikal 02.05 , 2 5.991 . Oleh itu, boleh disimpulkan
bahawa Model B tersalah spesifikasi.
Page 10 of 18
Topik 2: Spesifikasi Model dan Ujian Diagnostik
Semester 2, Sesi 2020/2021
i) Penganggar OLS adalah saksama dan konsisten iaitu E (ˆ1 ) 1 , E (ˆ 2 ) 2 dan
E (ˆ 3 ) 3 0 .
iii) Penganggar OLS adalah tidak cekap kerana varian bagi ̂1 dan ̂ 2 adalah lebih besar
berbanding varian bagi ̂ 1 dan ̂ 2 .
Penyertaan pemboleh ubah tak bersandar yang tidak relevan bukan sahaja menjejaskan
kecekapan penganggar dan mungkin menimbulkan masalah multicollineariti yang serius.
Jika kita ingin mengetahui kesesuaian menyertakan pemboleh ubah X 3 ke dalam model, ujian t
ke atas parameter 3 boleh dijalankan. Bagi kesesuaian menyertakan satu set pemboleh ubah,
katakan X 3 dan X 4 ke dalam model, ujian F bagi batasan linear boleh digunakan untuk menguji
hipotesis H 0 : 3 4 0 .
i) sebelum ujian keberertian dijalankan, kita seharusnya mempunyai satu model tentatif
ii) ujian t dan ujian F tidak boleh digunakan untuk membentuk model regresi secara iteratif.
Diberi model permintaan per kapita bagi ayam yang betul ialah
Y 1 2 X 2 3 X 3 4 X 22 5 X 32 v --- (A)
Y 1 2 X 2 3 X 3 4 X 22 5 X 32 6 X 7 7 X 8 u --- (C)
Page 11 of 18
Topik 2: Spesifikasi Model dan Ujian Diagnostik
Semester 2, Sesi 2020/2021
dengan X 7 dan X 8 ialah dua pemboleh ubah yang tidak relevan di mana nilainya dijana dengan
menggunakan nombor rawak normal piawai.
Dependent Variable: Y
Jika dibandingkan dengan keputusan penganggaran Model A dalam ms.9, nilai anggaran pekali
cerun dan pintasan tidak menunjukkan perbezaan yang besar, tetapi nilai ralat piawai teranggar
bagi pintasan dan pekali cerun yang terhasil daripada Model C didapati lebih besar daripada
Model A. Oleh itu, penambahan kedua-dua pemboleh ubah yang tidak relevan telah menjejaskan
kecekapan penganggar OLS.
Seperti yang dijangkakan, ujian t ke atas parameter 6 dan 7 secara individu menunjukkan
keputusan yang tidak signifikan. Selain itu, keputusan ujian F yang berikut juga tidak
menyokong penyertaan dua pemboleh ubah yang tidak relevan ke dalam model.
Keputusan ujian F
Null Hypothesis : C(5)=C(6)=0
Page 12 of 18
Topik 2: Spesifikasi Model dan Ujian Diagnostik
Semester 2, Sesi 2020/2021
i) TSS tidak berubah; ESS menjadi besar; RSS menjadi kecil (TSS = ESS + RSS)
Oleh itu, semakin banyak pemboleh ubah tak bersandar ditambahkan ke dalam
ESS
model, R 2 akan semakin meningkat. Maka, pemilihan model berdasarkan
TSS
R 2 yang tinggi adalah tidak sesuai.
iii) darjah kebebasan yang berhubung dengan RSS iaitu (n – k) menjadi kecil
Oleh itu, penambahan lebih banyak pemboleh ubah tak bersandar ke dalam model
RSS
mungkin meningkatkan nilai varian teranggar, ˆ 2 jika pengurangan
nk
dalam RSS tidak cukup untuk offset pengurangan dalam (n – k).
ii) R 2 mengukur kebagusan padanan dalam sampel (in-sample) data yang digunakan,
tetapi ia tidak semestinya meramal cerapan yang berada di luar sampel (out-of-
sample) dengan baik.
Sebagai penalti kepada penambahan pemboleh ubah tak bersandar secara berterusan, R 2
merupakan statistik kebagusan padanan yang lebih sesuai digunakan untuk perbandingan
model (dalam keadaan di mana pemboleh ubah bersandar adalah sama).
Ini disebabkan R 2 menyelaraskan darjah kebebasan yang berhubung dengan RSS dan
RSS /( n k )
TSS seperti yang ditunjukkan oleh rumus R 2 1
TSS /( n 1)
Page 13 of 18
Topik 2: Spesifikasi Model dan Ujian Diagnostik
Semester 2, Sesi 2020/2021
iii) Penambahan pemboleh ubah tak bersandar ke dalam model akan meningkatkan
R 2 jika nilai mutlak statistik ujian t bagi parameter yang berhubung dengan
pemboleh ubah tak bersandar tersebut melebihi 1
iv) Nilai bagi varian teranggar ˆ 2 akan berkurangan jika dan hanya jika R 2
meningkat.
ˆ 2 (1 R 2 ) S y2
Selain R 2 , statistik AIC dan SIC juga memberi penalti kepada penambahan pemboleh
ubah tak bersandar secara berterusan ke dalam model.
2k
RSS 2k RSS
i) AIC = e n
atau ln AIC = + ln
n n n
k
RSS k RSS
ii) SIC = n n atau ln SIC = ln (n) + ln
n n n
2k k
Faktor penalti bagi AIC ialah manakala bagi SIC ialah ln (n)
n n
Semasa perbandingan model dibuat, model yang melaporkan nilai AIC atau SIC yang
lebih kecil akan dipilih.
Kedua-dua AIC dan SIC boleh digunakan untuk menilai prestasi peramalan dalam sampel
dan luar sampel bagi sesuatu model.
Page 14 of 18
Topik 2: Spesifikasi Model dan Ujian Diagnostik
Semester 2, Sesi 2020/2021
Model A Model B
R-squared 0.9774 0.9108
Adjusted R-squared 0.9723 0.9019
S.E. of regression 1.2261 2.3092
Akaike info criterion 3.4352 4.6328
Schwarz criterion 3.6821 4.7809
Berdasarkan kriteria pemilihan model yang diringkaskan dalam jadual di atas, spesifikasi Model
A (dengan memasukkan sebutan kuadratik) adalah lebih baik kerana mempunyai nilai R 2 yang
lebih besar, nilai ralat piawai teranggar, AIC dan SIC yang lebih kecil berbanding Model B.
Y 0 1 X 1 2 X 2 3 X 3 4 X 4 5 X 5 u --- (2.5)
Y 0 1 X 1 2 X 2 3 X 3 u --- (2.6)
Berdasarkan contoh di atas, model (2.6) dikatakan tersarang (nested) dalam model (2.5) kerana ia
adalah subset atau kes khas bagi model (2.5).
Untuk menentukan sama ada model (2.5) lebih baik berbanding model (2.6), batasan
4 5 0 boleh diuji dengan ujian F. Sekiranya batasan ini gagal ditolak, ini bermakna
spesifikasi model (2.6) adalah lebih baik. Selain ujian F, ujian Lagrange Multiplier (LM) yang
dibincangkan sebelum ini juga boleh digunakan untuk memilih antara dua model tersarang.
2.7 Pemilihan Antara Dua Model Tak Tersarang (Non-nested): Discriminant Approach
Y 0 1 X 1 2 X 2 u --- (2.7)
Y 0 1 Z 1 2 Z 2 v --- (2.8)
Berdasarkan contoh di atas, model (2.7) dan model (2.8) adalah model tak tersarang (non-nested)
kerana model (2.7) bukan satu kes khas bagi model (2.8) dan sebaliknya.
Walaupun kedua-dua model mempunyai pemboleh ubah tak bersandar yang sepunya (katakan
Z1 dimasukkan ke dalam model (2.7) dan X 2 dimasukkan ke dalam model (2.8), tetapi ia masih
dianggap model tak tersarang kerana model (2.7) tidak mengandungi Z 2 dan model (2.8) tidak
mengandungi X 1 .
Page 15 of 18
Topik 2: Spesifikasi Model dan Ujian Diagnostik
Semester 2, Sesi 2020/2021
Sekiranya kedua-dua model mempunyai pemboleh ubah tak bersandar yang sama tetapi dalam
bentuk fungsi yang berlainan, model tersebut juga dianggap tak tersarang. Sebagai contoh,
bandingkan model (2.8) dengan model (2.9) yang berikut:
Y 0 1 ln Z1 2 ln Z 2 w --- (2.9)
Berdasarkan discriminant approach, pemilihan antara dua model yang tak tersarang dilakukan
berdasarkan statistik kebagusan padanan seperti R 2 atau R 2 dan kriteria pemilihan model yang
lain seperti varian teranggar ( ˆ 2 ), AIC dan SIC yang dibincangkan sebelum ini.
Model A : WI 1 2 AGE 3 DR 4 DM 5 DT 6 DS u
WI = upah mingguan (dalam rupees), AGE = umur pekerja, DR = pemboleh ubah dami taraf
pendidikan rendah (1 – rendah, 0 – selainnya), DM = pemboleh ubah dami taraf pendidikan
menengah (1 – menengah, 0 – selainnya), DT = pemboleh ubah dami taraf pendidikan tertiari
(1 – tertiari, 0 – selainnya), DS = pemboleh ubah dami jantina (1 – lelaki dan 0 – wanita).
Ringkasan keputusan penganggaran dari segi kriteria statistik adalah seperti berikut. (Output
Eviews diberi dalam Lampiran 4)
Model A dan Model B ialah model tak tersarang. Berdasarkan discriminant approach, Model A
dipilih kerana mempunyai nilai R 2 yang lebih besar serta nilai ralat piawai teranggar dan AIC
yang lebih kecil. Akan tetapi, kesemua statistik tidak menunjukkan perbezaan yang besar.
2.8 Pemilihan Antara Dua Model Tak Tersarang (Non-nested): Discerning Approach
Langkah 1: Anggar model (2.8) dan dapatkan nilai teranggar bagi Y, katakan Yˆ *
Langkah 2: Tambahkan Yˆ * sebagai pemboleh ubah penerang tambahan ke dalam model (2.7)
dan anggarkan model berikut
Y 0 1 X 1 2 X 2 3Yˆ * u
Page 16 of 18
Topik 2: Spesifikasi Model dan Ujian Diagnostik
Semester 2, Sesi 2020/2021
Yˆ * mewakili pengaruh pemboleh ubah penerang yang tiada dalam model (2.7)
Jika 3 0 gagal ditolak, pengaruh tersebut tidak signifikan, model (2.7) dipilih
Langkah 4: Anggar model (2.7) dan dapatkan nilai teranggar bagi Y, katakan Ŷ **
Langkah 5: Tambahkan Ŷ ** sebagai pemboleh ubah penerang tambahan ke dalam model (2.8)
dan anggarkan model berikut
Y 0 1 Z 1 2 Z 2 3Yˆ ** v
Ŷ ** mewakili pengaruh pemboleh ubah penerang yang tiada dalam model (2.8)
Jika 3 0 gagal ditolak, pengaruh tersebut tidak signifikan, model (2.8) dipilih
Hipotesis 3 0
Hipotesis 3 0
Gagal ditolak Ditolak
Gagal ditolak terima kedua-dua model terima model (2.8)
Ditolak terima model (2.7) tolak kedua-dua model
Daripada jadual di atas, dapat diperhatikan bahawa i) jika kedua-dua model ditolak, apakah
model yang sesuai untuk menerangkan gelagat pemboleh ubah bersandar? ii) jika kedua-dua
model diterima, ini bermakna data yang digunakan tidak memadai untuk membezakan antara dua
hipotesis yang diuji. Tambahan lagi, ujian J hanya sesuai digunakan dalam keadaan saiz sampel
yang besar.
Page 17 of 18
Topik 2: Spesifikasi Model dan Ujian Diagnostik
Semester 2, Sesi 2020/2021
Dependent Variable: WI
H 0 : 6 0 ditolak pada aras keertian 5%. Ini bermakna pengaruh pemboleh ubah penerang
yang tiada dalam Model B adalah signifikan. Maka Model A dipilih.
H 0 : 7 0 gagal ditolak pada aras keertian 5%. Ini bermakna pengaruh pemboleh ubah
penerang yang tiada dalam Model A adalah tidak signifikan. Maka Model A dipilih.
Oleh itu, spesifikasi Model A adalah lebih baik. Kesimpulan ujian Davidson-MacKinnon J
didapati sama dengan kesimpulan yang diperoleh dengan menggunakan discriminant approach.
iii) In the scatter plot, when the residuals grow as the predicted values of the dependent
variable grow, consider using the logarithm of the dependent variable. This is an instance
of what’s known as heteroscedasticity which refers to any situation where the residuals
vary systematically with the size of the dependent variable.
Page 18 of 18