Nama: Muhammad Harimas Subarno

Nim : B200150288

ANALISIS REGRESI DUA VARIABEL : BEBERAPA

IDE MENDASAR
pada bab ini dan tiga bab selanjutnya, kita akan memperkenalkan
kepada pembaca teori dasar dari analisis regresi yang paling
sederhana yaitu : regresi bivaria: (dua variable-bivariate ) atau regresi
dua variable, regresi dimana variable dependen (regresan)
berhubungan dengan satu variable penjelas (regresor). Kasus inilah
yang akan dibahas pertama, bukan karena masalah kemudahan,
namun karena alasan bahwa ide-ide dasar dari analisis regresi ini
terkandung dalam analisis regresi sederhana yang mudah dan
mungkin untuk dimengerti, serta dapat diilustrasikan dengan bantuan
grafik dua dimensi.

2.1 sebuah Contoh Hipotesis

Seperti yang di jabarkan pada subbab 1.2 analisis regresi member

penekanan pada mengestimasi dan/atau membuat prediksi dan nilai rerata
(populasi) variable dependen berdasarkan nilai variabel (variable-variabel)
penjelas yang telah diketahui atau ditentukan.

X 80 100 120 140 160 180 200 220 240 260

Y
 55 65 120 80 102 110 120 135 137 180
60 70 79 93 107 115 136 137 145 152
65 74 84 95 110 120 140 140 155 175
70 80 90 103 116 130 144 152 165 178
75 85 94 108 118 135 145 157 175 180
88 98 113 125 140 160 189 185
115 162 191
TOTAL 32 462 445 707 678 750 685 104 966 121
5 3 1

Rerata 65 77 89 101 113 125 137 149 161 173

kondision
al Y, E ( Y
|X)
Pada table tersebut mengacu pada populasi total dari 60 keluarga
disebuah komunitas hipotesis, dengan pendapatan mingguan (X) dan
pengeluaran konsumsi mingguan (Y), yang keluarnya dinyatakan
dalam dollar ke-60 keluarga ini dibagi kedalam 10 kelompok
pendapatan (dari $80 sampai $260) dan pengeluaran mingguan setiap
kelurga dari kelompok-kelompok ini disajikan dalam table. Oleh karena
itu, kita memiliki 10 nilai X yang tetap untuk setiap Y yang berkaitan
dengan nilai X tersebut., sehingga dengan kata lain, terdapat 10
subpopulasi Y.

Ada beberapa variasi yang dapat dipertimbangkan dari pengeluaran

konsumsi mingguan pada setiap kelompok pendapatan, yang dapat
kita lihat dengan jelas pada figure 2.1. Akan tetapi, gambaran yang
secara umum dapat dilihat, dengan mengesampingkan variasi dari
pengeluaran konsumsi mingguan antar kelompok pendapatan), secara
rata-rata pengeluaran konsumsi mingguan meniongkat seiring dengan
peningkatan pendapatan. Untuk melihat seecara lebih jeelas lagi Tabel
 2.1 tersaji rerata, atau rata-rata dari pengeluaran konsumsi mingguan
sehubungan dengan ke-10 tingkat pendapatan.

2.2 Konsep Fungsi Regresi Populasi

Dari diskusi sebelumnya, serta Figur 2.1 dan 2.2, jelas bahwa untuk
setiap rerata kondisional E(Y|X i) adalah sebuah fungsi linear dari Xi,
merupakan nilai X yang telah ditentukan secara simbolis.

E ( Y | Xi ) = F( Xi )

Dimana F (Xi) melambangkan beberapa fungsi dari penjelas X. dalam

contoh yang kita berikan E( Y | Xi ), adalah sebuah fungsi linear dari X i
Persamaan (2.2.1) dikenal sebagai fungsi espektasi kondisonal (conditional
expectation functionCEF) atau lebih pendek lagi dikenal sebagai FRP
(fungsi regresi populasipopulation regretion function). Fungsi ini kurang
lebih menyatakan bahwa nilai ekspektasi dari distrubusi Y dari Xi yang telah
ditetapkan, adalah fungsi yang berhubungan dengan Xi. Dalam terminology
yang lebih singkat lagi, fungsi tersebut menjelaskan bagaiman rerata atau
rata-rata respons Y yang bervariasi mengikuti X.

pendekatan awal atau hipotesisnya adalah kita dapat mengasumsikan

bahwa FRP E(Y|Xi) adalah sebuah funsi linear Xi missal, dari tipe

E(Y|Xi) = 1+2Xi

Dimana 1 dan 2 tidak diketahui, namun merupakan parameter yang

telah ditetapkan atau dikenal sebagai koefisien regresi 1 dan 2 juga
dikenal sebagai intercept dan koefisien kemiringan. Persamaan (2.2.1)
sendiri dikenal sebagai fungsi regresi populasi linear. Beberapa
ungkapan alternative yang digunakan dalam literatur-literatur adalah
model regresi populasi linear atau hanya menyebutkan regresi
populasi linear. Berdasarkan urutan, istilah regresi, persamaan regresi
memiliki arti yang sama ketika digunakan.
 2.3 Makna Istilah Linear

Oleh karena buku ini membahas lebih banyak mengenai model-

model linear,seperti Persamaan (2.2.2),maka sangatlah penting untuk
mengetahui arti sebenarnya dari terminologi linear sebab dapat
diartikan dalam dua cara yang berbeda.

Linear dalam Variabel

Arti paling pertama dan mungkin yang paling alamiah dari

linearitas adalah ekspektasi kondisional Y adalah sebuah fungsi linear
Xi,sebagai contoh,Persamaan (2.2.2).6 Secara geometris,kurva regresi
dalam kasus ini adalah sebuah garis [Link]
interprestasinya,sebuah fungsi regresi seperti E(YX i ) = 1+2Xi2,bukan
merupakan fungsi linear karena variabel X muncul dengan sebuah
pangkat atau indeks 2.

Linearitas dalam Parameter

Interprestasi kedua dari linearitas adalah bahwa ekspektasi kondisional

dari Y , E(Y Xi) adalah sebuah fungsi linear dari parameter-parameternya,;
bisa saja linear atau bisa juga tidak linear untuk variabel X-nya. 7 Dalam
Interprestasi ini, E( Y Xi) = 1+2Xi2 adalah model regresi (dalam
parameter) [Link] melihatnya lebih lanjut,misal : X bernilai [Link]
karena itu,E( Y X = 3 ) = 1+92, yang jelas linear dalam parameter 1 dan
[Link] model yang disajikan dalam Figur 2.3 adalah model regresi
linear (MRL),yaitu model linear dalam parameter.

Dari kedua interprestasi mengenai linearitas,linearitas dalam

parameter relevan terhadap pembentukan teori regresi yang baru saja
[Link] karena itu,dari sekarang terminologi regresi linear akan
selalu berarti sebuah regresi yang linear dalam parameter-
parameternya; -nya (yaitu parameternya) berpangkat satu
[Link] untuk variabel penjelasnya,atau X-nya,bisa saja linear
 atau tidak [Link] skematis,terdapat pada Tabel2.3 . Jadi, E(YX i)
= 1 + 2Xi,yang linear untuk keduanya,parameter dan variabel,atau
MRL,dan juga E(YXi ) = 1 + 2Xi2 , yang linear dalam
parameter,namun tidak linear dalam variabel X.

2.4 Spesifikasi Stokastik dari FRP

Jelas terlihat dari Figur 2.1 bahwa pendapatan keluarga

meningkat,maka pengeluaran konsumsi keluarga secara rata-rata
meningkat [Link] demikian,bagaimana dengan pengeluaran
konsumsi keluarga secara individual sehubungan dengan tingkat
pendapatannya (tertentu)? Jelas terlihat dari Tabel 2.1 dan Figur 2.1
bahwa pengeluaran konsumsi keluarga secara individual tidak harus
selalu meningkat seiring dengan peningkatan tingkat
[Link] contoh,dari tabel 2.1,kita dapat melihat bahwa
sehubungan dengan tingkat pendapatan $100,ada satu keluarga yang
pengeluaran konsumsinya $65,lebih kecil dibandingkan dengan
pengeluaran konsumsi dari dua keluarga yang pendapatan
mingguannya hanya $[Link] tetapi,perhatikan bahwa pengeluaran
konsumsi rata-rata dari keluarga dengan pendapatan mingguan
sebesar $100 lebih besar dibandingkan dengan pengeluaran konsumsi
keluarga dengan pendapatan mingguan sebesar $80 ($77
dibandingkan dengan $65).

menyatakan deviasi dari seorang individu Y i , di sekitar nilai

ekspektasinya adalah sebagai berikut:

Ui = Yi E(YXi)

Atau

Yi = E(YXi) + ui
 Di mana deviasi, ui, adalah sebuah variabel acak yang tidak dapat
diamati dan dapat mengambil nilai positif maupun [Link],secara
teknis, ui dikenal sebagai faktor gangguan stokastik ( stochastic
disturbance) atau faktor kesalahan stokastik ( stochastic error term
).

2.5 Signifikansi Faktor Gangguan Stokastik

Seperti yang telah dibahas pada Subbab 2.4, faktor gangguan

ui,merupakan pengganti dari semua variabel yang telah dihilangkan
dari model,namun secara kolektif memengaruhi [Link] yang
jelas adalah: Mengapa tidak mengenalkan variabel-variabel tersebut ke
dalam model secara eksplisit? Atau,jika dibalik,mengapa tidak
mengembangkan model regresi majemuk saja dengan variabel
sebanyak mungkin? Ada banyak alasan yang mendasarinya.

1. Kerancuan teori

2. Ketidaktersediaan data

3. Variabel inti (core variable)

4. Keacakan intrinsik pada perilaku manusia

5. Variabel yang diproksi secara tidak tepat

6. Prinsip parsimoni

7. Bentuk fungsi yang salah

Untuk semua alasan ini,gangguan stokastik u i memiliki peran

yang penting dalam analisis regresi,yang akan kita lihat lebih lanjut
dalam buku ini.

Fungsi Regresi Sampel

 Dengan menegaskan kembali pembahasan kita,bahwa selama ini
kita telah membahas mengenai nilai Y yang berhubungan dengan
sebuah nilai tetap X, kita telah secara terang-terangan menghindari
pemikiran dalam pengumpulan sampel (perhatikan bahwa data dalam
tabel 2.1 merepresentasikan populasi bukan sampel).Namun
demikian,sudah saatnya bagi kita untuk menghadapi permasalahan
dalam sampling,untuk beberapa kasus praktik yang kita miliki
hanyalah nilai sampel Y yang berhubungan dengan beberapa nilai X
yang [Link] karena itu,tugas kita sekarang adalah
mengestimasikan FRP berdasarkan informasi sampel.