Ordinary Least Square (OLS) dengan STATA (2011)

-
Pengantar Regresi linear adalah teknik statistika yang memberikan pendugaan dari kemiringan suatu garis lurus (linear) dan posisi dimana garis tersebut memotong sumbu y, berdasarkan sejumlah informasi mengenai hubungan antar variabel. Memberikan pendugaan nilai a dan b, berdasarkan sejumlah informasi mengenai x dan y, pada persamaan berikut: y=a+b.x
  •  x disebut variabel independent, karena nilainya tidak tergantung variabel lain.
  • y disebut variabel dependent, karena nilainya tergantung nilai x.
  • a dan b disebut parameter, a adalah intercept dan b adalah slope.
Regresi linear sederhana, apabila variabel dependent hanya ditentukan oleh satu variabel independent. Contohnya: y = a + b.x + e. Sedangkan Jika Regresi Linear berganda, apabila variabel dependent ditentukan oleh lebih dari satu variabel independent. Contohnya: y = a + b1.x1 + b2.x2 + …. + bn.xn + e. Dimana, e = error term = perbedaan antara y aktual dengan y hasil estimasi garis regresi. Metode yang digunakan untuk mengestimasi parameter garis regresi disebut metode Ordinary Least Square (OLS).

Metode ini meminimisasi jumlah dari error yang dikuadratkan dari setiap observasi. Pada dasarnya, model regresi dengan OLS dibangun atas asumsi CLRM (Classical Linier Regression Model). Asumsi tersebut memiliki properti sesuai dengan Gauss-Markov Theorem yang menuntut adanya karakteristik Best Linier Unbiassed dari penduga /estimatornya (Gujarati,2003), yakni:
  • Linier. Estimator OLS merupakan fungsi linier dari variabel acak (random). Contoh: variabel terikat Y dalam model regresi
  • Tidak Bias. Nilai rata-rata atau nilai ekspektasi dari estimator sama dengan
    nilai aktual/sesungguhnya
  • Varians Minimum. Estimator OLS memiliki nilai varians minimum. Kriteria ini penting untuk memastikan bahwa estimator efisien. Dengan kata lain, estimator yang tidak bias dengan varians terkecil dapat dikatakan sebagai estimator yang efisien.
Atau lebih lengkapnya pada bab OLS di Gujarati (2003) ada 10 Asumsi Klasik regresi Linear, yaitu:
  1. Model linear dalam parameter.
  2. Nilai x tetap dalam pengambilan sampel yang diulang.
  3. Nilai rata-rata dari error sama dengan nol.
  4. Homoskedastis yaitu nilai varians dari setiap error sama.
  5. Tidak ada korelasi antar error.
  6. Covarians antara ui dan xi adalah nol.
  7. Banyaknya observasi n harus lebih besar daripada banyaknya parameter yang diestimasi.
  8. Nilai dari xi harus bervariasi (tidak boleh sama).
  9. Model regresi dispesifikasikan dengan benar.
  10. Tidak ada multikolinearitas sempurna. 
Aplikasi melakukan Regresi Linear pada program STATA dapat dilihat di Modul atau bahan materi Ordinary Least Square (OLS) dengan STATA (2011).


Dapat didownload di:

Scribd:

Modul Ordinary Least Square (OLS) dengan STATA (2011)



4shared:

Modul Ordinary Least Square (OLS) dengan STATA (2011) 



-as-

Komentar

Posting Komentar

Postingan populer dari blog ini

Random Effect Model (REM)

-
W alaupun FEM atau LSDV mudah untuk diaplikasikan, tidak dapat dipungkiri penerapannya akan menimbulkan konsekuensi ( trade off ) yang mungkin cukup mahal. Penambahan dummy variables ke dalam model dapat mengurangi banyaknya derajat kebebasan ( degree of freedom ) yang pada akhirnya akan mengurangi efisiensi dari parameter yang diestimasi. Menurut Gujarati (2003), jika dummy variables adalah untuk merepresentasikan ketidaktahuan tentang model yang sebenarnya, maka kita dapat menggunakan disturbance term untuk merepresentasikan ketidaktahuan tentang model yang sebenarnya. Hal ini dikenal sebagai model efek acak ( random effect model atau REM ).
Baca selengkapnya

Linear Probability Model (LPM), Logit Model, dan Probit Model (Normit Model) dengan STATA (2011)

-
Gambar
Model dengan variabel dependen yang bersifat diskrit, maka estimasi dengan menggunakan regresi liner akan terasa dipaksakan, karena estimator yang dihasilkan tidak lagi bersifat BLUE (Best Linier Unbiased Estimator). Hal ini disebabkan: varian error-nya tidak terdistribusi normal, estimator tidak efisien akibat heteroskedastis, dan R² tidak dapat digunakan sebagai pengukur Goodness of Fit.   Oleh karenanya, untuk menghasilkan estimator persamaan yang BLUE, penelitian ini menggunakan q ualitative response regression model. Terdapat tiga pendekatan untuk mengembangkan model yang menjelaskan model regresi binary response yaitu:  Linear Probability Model (LPM)  Logit Model  Probit Model (Normit Model)  Jika dilihat secara grafik perbedaan antara jasil estimasi menggunakan Linear dan Logistik (Probit dan Logit) terhadap model dengan variabel dependen yang bersifat diskrit, maka dapat dilihat seperti berikut:
Baca selengkapnya