EKONOMETRIKA

Nur Ain Afrilia Widarni

Ordinary Least Square (OLS)

Metode Kuadrat Terkecil
 Ordinary Least Square
• Merupakan metode regresi yang
meminimalkan jumlah kesalahan (error)
kuadrat.

• Prinsip dalam OLS sendiri adalah untuk

meminimalisasi perbedaan jumlah kuadrat
kesalahan (sum of square) antara nilai
observasi Y dengan Yˆ
 Model Regresi Linier Berganda

• Penulisan model sangat beragam perlu

dimengerti karena penulisan model sendiri
hanya bertujuan sebagai teknik anotasi untuk
memudahkan interpretasi.
 ESTIMASI MODEL
REGRESSI LINIER BERGANDA

Model: Yi = 0 + 1 X1i + 2 X2i + i

Model penduga: Ŷi = b0 + b1 X1i + b2 X2i

b0, b1 dan b2 nilai penduga untuk 0, 1 dan 2.

(yi x1i) (x22i ) – (yi x2i) (x1i x2i)

b1 =
(x21i ) (x22i ) – (x1i x2i)2

(yi x2i) (x21i ) – (yi x1i) (x1i x2i)

b2 =
(x21i ) (x22i ) – (x1i x2i)2

b0 = Yi – b1X1i – b2 X2i
Model Regresi Linier Berganda
• Dalam konsep dasarnya pengujian statistik
SECARA PARSIAL mendasarkan pada hipotesis :

• Uji Konstanta Intersep

H0 : ß0 = 0
H1 : ß0 ≠ 0

• Uji Koeff. Xi
H0 : ßi = 0
H1 : ßi ≠ 0
 Contoh :
Tujuan untuk mengetahui KINERJA GURU
SDN 2 KEDIRI dengan Kemampuan Kerja dan
Kepemimpinan Direktif Kepala Sekolah sebagai X1
dan X2

No X1 X2 Y X1.Y X2.Y X1.X2 (X1)2 (X2)2 YPred Y-Ypred (Y-Ypred)2

.
1 10 7 23 230 161 70 100 49
2 2 3 7 14 21 6 6 4
3 4 2 15 60 30 8 8 16
4 6 4 17 102 68 24 24 36
5 8 6 23 184 138 48 48 64

• Penggunaan metode OLS dalam regresi linier
berganda dimaksudkan untuk mendapatkan
aturan dalam mengestimasi parameter yang
tidak diketahui. Prinsip dalam OLS
• sendiri adalah untuk meminimalisasi
perbedaan jumlah kuadrat kesalahan (sum of
square) antara nilai observasi Y dengan Yˆ
• Nilai b1 dan b2 tergantung pada jumlah sampel yang
ditarik. Penambahan atau pengurangan akan
mengakibatkan perubahan rentangan nilai b.
• Perubahan rentang nilai b1 dan b2 diukur dengan
standar error (disturbance) . Semakin besar standar
error mencerminkan nilai b sebagai penduga
populasi semakin kurang representatif.
• Sebaliknya, semakin kecil standar error maka
keakuratan daya penduga nilai b terhadap populasi
semakin tinggi.
 • Perbandingan antara nilai b dan standar error
ini memunculkan nilai t, yang dapat
dirumuskan sebagai berikut:

• Nilai t hitung masing-masing parameter, maka dapat digunakan

untuk mengetahui signifikan tidaknya variabel penjelas dalam
mempengaruhi variabel terikat.
• Apabila nilai t hitung lebih besar dibandingkan dengan nilai t
tabel, maka variabel penjelas tersebut signifikan.
• Sebaliknya, jika nilai t hitung lebih kecil darit tabel, maka
variabel penjelas tersebut tidak signifikan.
 PERSYARATAN : BLUE

1. Multikolinieritas

Multikolinieritas terjadi bila paling tidak salah satu var.

bebas berkorelasi dgn var. bebas lainnya.
Multikolinieritas sempurna terjadi bila tdpt hubungan
linear antar variabel bebas.

Akibatnya ?

 Jika tdpt Multikolinieritas sempurna, parameter

tidak dapat diduga dgn metode OLS.
 Nilai varians besar  standar error besar  selang
kepercayaan lebar.
 Uji-t tidak signifikan
 Tanda (sign) parameter bisa berlawanan.
 R2 tinggi, tp banyak variabel yang tidak signifikan
2. Heteroskedastisitas

Heteroskedastisitas terjadi bila varians i tidak konstan,

tapi berubah-ubah pada setiap pengamatan i.
Untuk model
Yi = 0 + 1 X1i + i
Var(i ) bisa kemungkinan semakin besar atau semakin
kecil dengan semakin besarnya nilai X1i. Var(i ) = i2
Misal:
(1) Model Konsumsi = o + 1 Pendapatan + 
(2) Model Learning process:
Jumlah kesalahan ketik = 0 + 1 pengalaman + 
3. Autokorelasi

Terjadi bila terjadi korelasi antara i dan j.

Terjadi korelasi antara variabel itu sendiri pada
pengamatan yang berbeda.
Umumnya banyak terjadi pada data time series.

i = nilai residual

i = Yi - Ŷi