RIESDY PRASETYO

13820109
Tugas Resume Ekonometrika
Analisis korelasi
Korelasi merupakan teknik analisis yang termasuk dalam salah satu teknik pengukuran asosiasi / hubungan
(measures of association). Pengukuran asosiasi merupakan istilah umum yang mengacu pada sekelompok teknik
dalam statistik bivariat yang digunakan untuk mengukur kekuatan hubungan antara dua variabel. Diantara sekian
banyak teknik-teknik pengukuran asosiasi, terdapat dua teknik korelasi yang sangat populer sampai sekarang, yaitu
Korelasi.
Karakteristik Korelasi
Korelasi mempunyai karakteristik-karakteristik diantaranya:
a. Kisaran Korelasi
Kisaran (range) korelasi mulai dari 0 sampai dengan 1. Korelasi dapat positif dan dapat pula negatif.
b. Korelasi Sama Dengan Nol
Korelasi sama dengan 0 mempunyai arti tidak ada hubungan antara dua variabel. Jika dilihat dari sebaran
data.
c. Korelasi Sama Dengan Satu
Korelasi sama dengan + 1 artinya kedua variabel mempunyai hubungan linier sempurna (membentuk garis
lurus) positif. Korelasi sempurna seperti ini mempunyai makna jika nilai X naik, maka Y juga naik.
Korelasi sama dengan -1 artinya kedua variabel mempunyai hubungan linier sempurna (membentuk garis lurus)
negatif. Korelasi sempurna seperti ini mempunyai makna jika nilai X naik, maka Y turun (dan sebaliknya) .
Analisis Regresi
Dalam kehidupan sehari-hari, seringkali dijumpai hubungan antara suatu variabel dengan satu atau lebih variabel
lain. Di dalam bidang pertanian sebagai contoh, dosis dan jenis pupuk yang diberikan berhubungan dengan hasil
pertanian yang diperoleh, jumlah pakan yang diberikan pada ternak berhubungan dengan berat badannya, dan
sebagainya. Secara umum ada dua macam hubungan antara dua atau lebih variabel, yaitu bentuk hubungan dan
keeratan hubungan. Bila ingin mengetahui bentuk hubungan dua variabel atau lebih, digunakan analisis regresi.
Bila ingin melihat keeratan hubungan, digunakan analisis korelasi.
Analisis regresi adalah teknik statistika yang berguna untuk memeriksa dan memodelkan hubungan diantara
variabel-variabel. Penerapannya dapat dijumpai secara luas di banyak bidang seperti teknik, ekonomi, manajemen,
ilmu-ilmu biologi, ilmu-ilmu sosial, dan ilmu-ilmu pertanian. Pada saat ini, analisis regresi berguna dalam
menelaah hubungan dua variabel atau lebih, dan terutama untuk menelusuri pola hubungan yang modelnya belum
diketahui dengan sempurna, sehingga dalam penerapannya lebih bersifat eksploratif. Analisis regresi
dikelompokkan dari mulai yang paling sederhana sampai yang paling rumit, tergantung tujuan yang berlandaskan
pengetahuan atau teori sementara, bukan asal ditentukan saja.
Regresi Linier Sederhana Regresi linier sederhana bertujuan mempelajari hubungan linier antara dua variabel.
Dua variabel ini dibedakan menjadi variabel bebas (X) dan variabel tak bebas (Y). Variabel bebas adalah variabel
yang bisa dikontrol sedangkan variabel tak bebas adalah variabel yang mencerminkan respon dari variabel bebas.

Regresi Berganda Regresi berganda seringkali digunakan untuk mengatasi permasalahan analisis regresi yang
melibatkan hubungan dari dua atau lebih variabel bebas. Pada awalnya regresi berganda dikembangkan oleh ahli
ekonometri untuk membantu meramalkan akibat dari aktivitas-aktivitas ekonomi pada berbagai segmen ekonomi.
Misalnya laporan tentang peramalan masa depan perekonomian di jurnal-jurnal ekonomi (Business Week, Wal
Street Journal, dll), yang didasarkan pada model-model ekonometrik dengan analisis berganda sebagai alatnya.
Salah satu contoh penggunaan regresi berganda dibidang pertanian diantaranya ilmuwan pertanian menggunakan
analisis regresi untuk menjajagi antara hasil pertanian (misal: produksi padi per hektar) dengan jenis pupuk yang
digunakan, kuantitas pupuk yang diberikan, jumlah hari hujan, suhu, lama penyinaran matahari, dan infeksi
serangga.
Regresi Kurvilinier Regresi kurvilinier seringkali digunakan untuk menelaah atau memodelkan hubungan fungsi
variabel terikat (Y) dan variabel bebas (X) yang tidak bersifat linier. Tidak linier bisa diartikan bilamana laju
perubahan Y sebagai akibat perubahan X tidak konstan untuk nilai-nilai X tertentu. Kondisi fungsi tidak linier ini
(kurvilinier) seringkali dijumpai dalam banyak bidang. Misal pada bidang pertanian, bisa diamati hubungan antara
produksi padi dengan taraf pemupukan Phospat. Secara umum produksi padi akan meningkat cepat bila pemberian
Phospat ditingkatkan dari taraf rendah ke taraf sedang. Tetapi ketika pemberian dosis Phospat diteruskan hingga
taraf tinggi, maka tambahan dosis Phospat tidak lagi diimbangi kenaikan hasil, sebaliknya terjadi penurunan hasil.
Untuk kasus-kasus hubungan tidak linier, prosedur regresi sederhana atau berganda tidak dapat digunakan dalam
mencari pola hubungan dari variabel-variabel yang terlibat. Dalam hal ini, prosedur analisis regresi kurvilinier
merupakan prosedur yang sesuai untuk digunakan.
Regresi Dengan Variabel Dummy (Boneka) Analisis regresi tidak saja digunakan untuk data-data kuantitatif
(misal : dosis pupuk), tetapi juga bisa digunakan untuk data kualitatif (misal : musim panen). Jenis data kualitatif
tersebut seringkali menunjukkan keberadaan klasifikasi (kategori) tertentu, sering juga dikatagorikan variabel
bebas (X) dengan klasifikasi pengukuran nominal dalam persamaan regresi. Sebagai contoh, bila ingin
meregresikan pengaruh kondisi kemasan produk dodol nenas terhadap harga jual. Pada umumnya, cara yang
dipakai untuk penyelesaian adalah memberi nilai 1 (satu) kalau kategori yang dimaksud ada dan nilai 0 (nol) kalau
kategori yang dimaksud tidak ada (bisa juga sebaliknya, tergantung tujuannya). Dalam kasus kemasan ini, bila
kemasannya menarik diberi nilai 1 dan bila tidak menarik diberi nilai 0. Variabel yang mengambil nilai 1 dan 0
disebut variabel dummy dan nilai yang diberikan dapat digunakan seperti variabel kuantitatif lainnya.
ANALISIS VARIAN
Analisis varians (analysis of variance, ANOVA) adalah suatu metode analisis statistika yang termasuk ke dalam
cabang statistika inferensi. Dalam literatur Indonesia metode ini dikenal dengan berbagai nama lain, seperti analisis
ragam, sidik ragam, dan analisis variansi. Ia merupakan pengembangan dari masalah Behrens-Fisher, sehingga ujiF juga dipakai dalam pengambilan keputusan. Analisis varians pertama kali diperkenalkan oleh Sir Ronald Fisher,
bapak statistika modern. Dalam praktik, analisis varians dapat merupakan uji hipotesis (lebih sering dipakai)
maupun pendugaan (estimation, khususnya di bidang genetika terapan). Secara umum, analisis varians menguji dua
varians (atau ragam) berdasarkan hipotesis nol bahwa kedua varians itu sama. Varians pertama adalah varians
antarcontoh (among samples) dan varians kedua adalah varians di dalam masing-masing contoh (within samples).
Dengan ide semacam ini, analisis varians dengan dua contoh akan memberikan hasil yang sama dengan uji-t untuk
dua rerata (mean).

Uji Asumsi Klasik

Uji asumsi klasik adalah persyaratan statistik yang harus dipenuhi pada analisis regresi linear berganda yang
berbasis ordinary least square (OLS). Jadi analisis regresi yang tidak berdasarkan OLS tidak memerlukan
persyaratan asumsi klasik, misalnya regresi logistik atau regresi ordinal. Demikian juga tidak semua uji asumsi
klasik harus dilakukan pada analisis regresi linear, misalnya uji multikolinearitas tidak dilakukan pada analisis
regresi linear sederhana dan uji autokorelasi tidak perlu diterapkan pada data cross sectional.
Uji asumsi klasik juga tidak perlu dilakukan untuk analisis regresi linear yang bertujuan untuk menghitung nilai
pada variabel tertentu. Misalnya nilai return saham yang dihitung dengan market model, atau market adjusted
model. Perhitungan nilai return yang diharapkan dapat dilakukan dengan persamaan regresi, tetapi tidak perlu diuji
asumsi klasik. Uji asumsi klasik yang sering digunakan yaitu uji multikolinearitas, uji heteroskedastisitas, uji
normalitas, uji autokorelasi dan uji linearitas. Tidak ada ketentuan yang pasti tentang urutan uji mana dulu yang
harus dipenuhi. Analisis dapat dilakukan tergantung pada data yang ada. Sebagai contoh, dilakukan analisis
terhadap semua uji asumsi klasik, lalu dilihat mana yang tidak memenuhi persyaratan. Kemudian dilakukan
perbaikan pada uji tersebut, dan setelah memenuhi persyaratan, dilakukan pengujian pada uji yang lain.
1. Uji Normalitas
adalah untuk melihat apakah nilai residual terdistribusi normal atau tidak. Model regresi yang baik adalah memiliki
nilai residual yang terdistribusi normal. Jadi uji normalitas bukan dilakukan pada masing-masing variabel tetapi
pada nilai residualnya. Sering terjadi kesalahan yang jamak yaitu bahwa uji normalitas dilakukan pada masingmasing variabel. Hal ini tidak dilarang tetapi model regresi memerlukan normalitas pada nilai residualnya bukan
pada masing-masing variabel penelitian.
2. Uji Multikolinearitas
adalah untuk melihat ada atau tidaknya korelasi yang tinggi antara variabel-variabel bebas dalam suatu model
regresi linear berganda. Jika ada korelasi yang tinggi di antara variabel-variabel bebasnya, maka hubungan antara
variabel bebas terhadap variabel terikatnya menjadi terganggu. Alat statistik yang sering dipergunakan untuk
menguji gangguan multikolinearitas adalah dengan variance inflation factor (VIF), korelasi pearson antara
variabel-variabel bebas, atau dengan melihat eigenvalues dan condition index (CI).
Beberapa alternatif cara untuk mengatasi masalah multikolinearitas adalah sebagai berikut:
1.

Mengganti

atau

mengeluarkan

variabel

yang

mempunyai

korelasi

yang

tinggi.

2.

Menambah jumlah observasi.

3.

Mentransformasikan data ke dalam bentuk lain, misalnya logaritma natural, akar kuadrat atau bentuk first

difference delta.
3. Uji Heteroskedastisitas
adalah untuk melihat apakah terdapat ketidaksamaan varians dari residual satu ke pengamatan ke pengamatan yang
lain. Model regresi yang memenuhi persyaratan adalah di mana terdapat kesamaan varians dari residual satu
pengamatan

ke

pengamatan

yang

lain

tetap

atau

disebut

homoskedastisitas.

4. Uji Autokorelasi
adalah untuk melihat apakah terjadi korelasi antara suatu periode t dengan periode sebelumnya (t -1). Secara
sederhana adalah bahwa analisis regresi adalah untuk melihat pengaruh antara variabel bebas terhadap variabel
terikat, jadi tidak boleh ada korelasi antara observasi dengan data observasi sebelumnya. Sebagai contoh adalah

pengaruh antara tingkat inflasi bulanan terhadap nilai tukar rupiah terhadap dollar. Data tingkat inflasi pada bulan
tertentu, katakanlah bulan Februari, akan dipengaruhi oleh tingkat inflasi bulan Januari. Berarti terdapat gangguan
autokorelasi pada model tersebut. Contoh lain, pengeluaran rutin dalam suatu rumah tangga. Ketika pada bulan
Januari suatu keluarga mengeluarkan belanja bulanan yang relatif tinggi, maka tanpa ada pengaruh dari apapun,
pengeluaran pada bulan Februari akan rendah.
5. Uji Linearitas
Uji linearitas dipergunakan untuk melihat apakah model yang dibangun mempunyai hubungan linear atau tidak. Uji
ini jarang digunakan pada berbagai penelitian, karena biasanya model dibentuk berdasarkan telaah teoretis bahwa
hubungan antara variabel bebas dengan variabel terikatnya adalah linear. Hubungan antar variabel yang secara teori
bukan merupakan hubungan linear sebenarnya sudah tidak dapat dianalisis dengan regresi linear, misalnya masalah
elastisitas. Jika ada hubungan antara dua variabel yang belum diketahui apakah linear atau tidak, uji linearitas tidak
dapat digunakan untuk memberikan adjustment bahwa hubungan tersebut bersifat linear atau tidak. Uji linearitas
digunakan untuk mengkonfirmasikan apakah sifat linear antara dua variabel yang diidentifikasikan secara teori
sesuai atau tidak dengan hasil observasi yang ada. Uji linearitas dapat menggunakan uji Durbin-Watson, Ramsey
Test atau uji Lagrange Multiplier.
ANALISIS REGRESI PEUBAH RESPON KUALITATIF
Analisis regresi digunakan ini variabel respon yang bersifat kualitatif, misalnya respon siswa-siswa yang diberikan
perlakuan tertentu dalam suatu ujian apakah lulus atau tidak lulus, mutu baik atau jelek, dan sebagainya. Model
yang dapat digunakan dalam permasalahan yang variabel respon
kualitatif adalah:
1. Model Peluang Linear
Bentuk fungsional dari model peluang linear tidak lain merupakan model regresi linear dengan variabelvariabelnya merupakan variabel dummy (dapat salah satu variabel tak bebas yang bersifat dummy), atau variabel
tak bebas dan variable bebas yang bersifat dummy). Dengan kata lain model peluang linear mengambil bentuk
regresi linear dengan variabel tak bebas bersifat dummy, sedangkan variable bebas dapat mengambil bentuk salah
satu apakah dummy atau bukan dummy. Bentuk model peluang linear adalah :

2. Model Logit (Logit Model)

Model logit didasarkan pada fungsi peluang logistik komulatif yang dispesifikasikan, sebagai berikut:

3. Model Probit (Probit Model)

Apabila model logit menggunakan fungsi peluang logistik kumulatif, maka model probit menggunakan fungsi
peluang normal kumulatif, oleh karena itu kadang-kadang model probit disebut dengan model normit (normit
model). Pada prinsipnya model probit serupa dengan model logit, kecuali model logit menggunakan fungsi peluang
logistik kumulatif sedangkan model probit menggunakan fungsi peluang normal kumulatif. Model probit dapat
dinyatakan sebagai berikut :

REGRESI DENGAN VARIABEL MODERASI

Variabel Moderating
Variabel yang akan memperkuat atau memperlemah hubungan antara variabel bebas dengan variabel
tergantung.
Variabel Intervening
Merupakan variabel antara yang fungsinya memediasi hubungan antara variabel bebas dengan varibel
tergantung.
TIGA METODE YANG DIGUNAKAN UNTUK MELAKUKAN UJI REGRESI DENGAN VARIABEL
MODERASI
1. Uji Interaksi
Uji interaksi sering disebut dengan Moderated Regression Analysis (MRA). Merupakan aplikasi khusus
regresi linier berganda dimana dalam persamaan regresinya mengandung unsur interaksi (perkalian dua atau lebih
variabel independen).
2. Uji Nilai Selisih Mutlak
Dilakukan dengan mencari nilai selisih mutlak dari variabel independen.
3. Uji Residual
Dilakukan dengan menguji pengaruh deviasi (penyimpangan) dari suatu model. Fokusnya adalah
ketidakcocokan (pack of fit) yang dihasilkan dari deviasi hubungan antar variabel independen.
SEM: Definisi
Model persamaan structural (Structural Equation Modeling) adalah generasi kedua teknik analisis multivariate
yang memungkinkan peneliti untuk menguji hubungan antara variabel yang kompleks baik untuk memperoleh
gambaran menyeluruh mengenai keseluruhan model. SEM merupakan gabungan dari dua metode statistik yang
terpisah yaitu analisis factor yang dikembang di fakultas psikologi dan psikometri, serta model persamaan simultan
(simultaneous equation modeling) yang dikembangkan oleh disiplin ilmu ekonomi, khususnya di ekonometrika
(Ghozali, 2008). Penggunaan SEM juga sudah dilakukan oleh jurusan Teknik Industri pada penelitian yang
berhubungan dengan bauran pemasaran, kebijakan perusahaan industry, kinerja perusahaan, perilaku konsumen,
keputusan manager produksi dan lain-lain (Minto, 2007).
Tidak seperti analisis multivariate biasa (regresi berganda, analisis faktor), SEM dapat menguji keduanya secara
bersama-sama.
1. Model struktural: hubungan antara konstruk independen dan dependen
2. Model measurement: hubungan (nilai loading) antara indikator dengan konstruk (variabel laten)
Digabungkan pengujian model structural dan pengukuran tersebut memungkinkan peneliti untuk:

1. Menguji kesalahan pengukuran (measurement error) sebagai bagian yang tidak terpisahkan dari Structural
Equation Modeling
2. Melakukan analisis faktor bersamaan dengan pengujian hipotesis