A.
Pengantar
a.
Defenisi
Ekonometrika
Secara harfiah, ekonometrika berarti “Pengukuran Ekonomi”
walaupun pengukuruan adalah bagian penting dalam ekonometrika tapi pengertian
tentang ekonetrika jauh lebih luas. Ekonmetrika dapat di defenisikan sebagai
ilmu social dimana prangkat teori ekonomi, matematika, dan statistic
inferensial diterapkan dalam menganalisis fenomena ekonomi. Atau dengan kata
lain proses ini memberikan dukungan empiris untuk model yang disusun dengan
ilmu ekonomi matematis dan untuk memperoleh hasil dengan angka (numerial
Results).
Ekonometrika juga biasa di defenisiskan sebagai
analisis kuantitatif dari fenomena ekonomi yang sebenarnya (Aktual) yang
didasarkan pada pengembangan yang berbarengan dari teori dan pengamatan,
dihubungkan dengan metode inferensi yang sesuai. Misalkan jika dalam studi atau
eksperimen kita menemukan bahwa bahwa ketika harga satu unit barang/jas naik
sebesar satu dollar dan jumlah permintaan turun, katakanlah, 200 Unit, maka
kita bukan hanya menegaskah kaidah tentang permintaan, melainkan dalam proses
tersebut kita juga memberikan taksiran angka-angka mengenai hubungan antara
kedua variable (harga dan jumlah permintaan atau kuantitas).
b.
Alasan
Ekonometrika Merupakan Bidang Ilmu yang Tersendiri
Karena ekonometrika merupakan campuran dari teori
ekonomi, ekonomi matematis, statistika ekonomi dan setatistika matematis yang diramu
menjadi suatu bidang ilmu, tentunya ekonometrika mempunyai metode khusus untuk
menjalankan fungsi dan peranya sebagai Alat ukur ekonomi. Maka ekonmetrika
merupakan mata kuliah (subyek) yang pantas untuk dipelajari karena alasan
berikut.
Pada dasarnya teori ekonomi membuat pernyataan
pernyataan atau hipotesis yang sebagian besar bersifat kualitatif. Contohnya
teori ekonomi mikro yang mengatakan apabila hal lain tetap, pengurangan harga
barang diharapkan dapat meningkatkan permintaan pada barang tersebut. Teori ini mendalilkan adanya hubungan
negative atau kebalikan atara harga dan jumlah permintaan suatu barang tapi
tidak memberikan suatu ukuran dalam angka (numerik) mengenai hubungan keduanya.
Yaitu seberapa banyak permintaan naik atau turun sebagai akibat dari perubahan
harga tersebut. Maka ekonometrika-lah yang memberikan dugaan dalam angka atau
memberikan isi empiris kepada sebagian besar teori ekonomi.
Perhatian utama ekonomi matematis adalah menyatakan
teori ekonommi dalam bentuk matematis (persamaan) tanpa memperhatikan
keterukuran atau pembuktian .ahli ekonmetrika menggunakan persamaan matematis
dan meletakannya sedemikian sehingga memberikan kemungkinan untuk dilakukan
pengujian empiris. Dan pengubahan persamaan matematis ke dalam persamaan
ekonometris ini memerlukan kecerdasan dan kecerdikan.
Statistika ekonomi berfungsi untuk pengumpulan,
pemrosesan, dan penyajian data ekonomi seperti data pengangguran, GNP, harga
dan Sebagainya dalam bentuk Grafik atau table. Tapi statistika ekonomi tidak
bertindak lebih jauh dengan menggunakan data tersebut untuk menguji teori
ekonomi. Dan peran tersebutlah yang di ambil oleh ekonometrika.
Statistika matematika memang memberikan banyak
alat-alat yang digunakan dalam ekonometrika. Tetapi ahli ekonometrika sering
menggunakan metode khusus karena data ekonomi seperti Konsumsi, pendapatan, dan
konsumsi tidak dapat dikendalikan secara langsung, dan pada prinsipnya di kumpulkan
oleh pemerintah dan swasta yang tidak di dapatkan dari hasil percobaan. Hal
inilah yang menciptakan kesalahan pengukuran dalam statistika matematis. Dan
ahli ekonometrikalah di fungsikan untuk mengembangkan metode analisis khusus
untuk menghadapi kesalahan pengukuran tersebut.
c.
Metodelogi
Ekonometrikan
Metodologi ekonometrika merupakan tahapan yang
harus dilalui untuk melakukan analisis terhadap fenomena ekonomi secara ilmiah.
Tahapan pada metodologi ekonometrika adalah sebagai berikut:
1.
Peryataan teori atau hipotesis
Seperti Teori
Keynesian berkaitan dengan konsumsi, menyatakan bahwa orang (baik wanita maupun
pria) akan meningkatkan konsumsinya seiring dengan meningkatnya pendapatan,
tetapi peningkatan konsumsi tersebut tidaklah sebesar peningkatan pendapatan
mereka.
2.
pesifikasi model matematis berdasarkan teori
Meskipun Keynes telah
menjelaskan adannya hubungan positif antara pendapatan dengan konsumsi, tetapi
Keynes belum menspessifikasikannya dalam model matematis sehingga ahli
matematika membuat spesifikasi matematik berdasarkan teori Keynessian sebagai
berikut:
Y = α + βX
Dimana:
Y = Belanja Konsumsi
X = Pendapatan
α, β= konstanta atau parameter
Koefisien kemiringan β
menyatakan MPC (marginal Propensity of Consume) persamaan di atas menyatakan
bahwa konsumsi berhubungan secara linear dengan pendapatan. Model tersebut
dinamakan model pesamaan tunggal (Single-equation-model) sedangkan kalau
mempunyai lebih dari satu model persamaan banyak (multiequetion) atau model
persamaan simultan (simultaneous-equation).
3. Spesifikasi model ekonometrik berdasarkan teori
Model
matematika mengasumsikan bahwa terdapat hubungan pasti antara pendapatan dan
konsumsi, atau hubugan deterministic. Pada hubungan antar variable ekonomi,
suatu variable tergantung tidak hanya dipengaruhi oleh satu variable bebas
saja, tetapi juga dipengaruhi oleh beberapa variable lain. Untuk mengakomodasi
variable yang tidak diteliti maka fungsi matematik itu diubah menjadi fungsi
statistic sebagai berikut:
Y = α + βX + µ
Diman µ dikenal sebagi
Ganguan (disturbance) atau kesalahan (error) adalah variable acak yang
mempunyai ciri probabilistic yang dirumuskan dengan baik. Factor gangguan
(disturbance Term) µ bias menyatakan semua kekuatan yang mempengaruhi konsumsi
tetapi belum diperhitungkan secara eksplisit.
4. Mendapatkan data
Untuk membuat
estimasi maka diperlukan data. Sumber data dapat berasal dari data primer
maupun data sekunder. Data primer adalah data yang dikumpulkan sendiri oleh
peneliti, langsung dari sumber pertama, sedangkan data sekunder adalah data
yang diterbitkan atau digunakan oleh organisasi yang bukan pengolahnya.
Pengambilan data dapat dilakukan secara cross section maupun time series. Data
cross section adalah data yang dikumpulkan pada satu waktu tertentu pada
beberapa obyek dengan tujuan untuk menggambarkan keadaan, sedangkan data time
series adalah data yang dikumpulkan dari waktu ke waktu pada satu obyek dengan
tujuan untuk menggambarkan perkembangan.
5. Estimasi parameter
dari model ekonometrika
Setelah data dikumpulkan, langkah berikutnya adalah melakukan
estimasi terhadap parameter fungsi konsumsi. Estimasi adalah proses pengukuran
yang di dasarkan pada hasil kuantitatif atau dengan kata lain, tingkat akurasinya
bias diukur dengan angka.
6.
Pengujian
Hipotesis
Pengujian
hipotesis bertujuan untuk menguji kebenaran suatu pernyataan secara
statistik dan menarik kesimpulan apakah menerima atau menolak pernyataan
tersebut Pengambilan data dilakukan secara sampling
sehingga untuk menguji keberartian koefisien regresi itu perlu dilakukan
pengujian secara statistic.
7. Peramalan atau
prediksi
Setelah dilakukan persamaan pada estimasi parameter, persamaan
tersebut dapat digunakan sebagai dasar untuk membuat prediksi.
8. Penggunaan model untuk
tujuan kebijakan
Setelah model
didapatkan maka model tersebut dapat digunakan sebagai dasar untuk merumuskan
kebijakan. Misalkan, jika pengeluaran 40 milyar maka akan mengurangi
pengangguran 4 persen. Berapa tingkat pendapatan yang diperlukan untuk mencapai
target pengeluaran 40 milyar?
40 = 1,870 + 0,616 X
0,616 X = 40 – 1,870
X = 38,130/0,616
X = 61,899
Dengan demikian jika
pemerintah hendak mengurangi pengangguran sampai 4 persen, pemerintah harus
mendorong pendapatan hingga mencapai 61,899 milyar. Oleh sebab itu untuk mengurangi
pengangguran sebesar 4 persen, pemerintah dapat merumuskan kebijakan untuk
meningkatkan pendapatan sehingga pada gilirannya dapat mengurangi
pengagngguran.
B.
Model Regresi Persamaan Tunggal
a. Analisis Regresi
1. Asal Sejarah Istilah
Regresi
Istilah Regresi diperkenalkan oleh francis galton. Dalam satu
makalah yang terkenal, galton menemukan bahwa meskipun ada kecendrungan bagi
orang tua yang tinggi mempunyai anak-anak yang tinggi dan bagi orang tua yang
pendek untuk mempunyai anak-anak yang pendek. Dia mengamati ada kecendrungan
bagi rata-rata tinggi anak dengan orang tua yang mempunyai tinggi tertentu untuk
bergerak atau mundur (regress) kea rah tinggi rata-rata seluruh populasi.
2. Penafsiran Modern
Regresi
Di era modern ada perubahan defenisi regresi, secara umum
analisis regresi berkenaan dengan studi ketergantungan satu variable, variable
tak bebas, pada satu atau lebih variable lain, dengan maksud menaksir atau
meramalkan nilai rata-rata hitung (Mean) atau rata-rata populasi variable tak
bebas.
3. Ketergantungan
statistik Vs Fungsional
Dalam analisis regresi akan kita temukan ketergantungan diantara
variable yang bersifat statistik, bukan fungsional atau deterministic, seperti
pada ilmu fisika klasik. Kita akan menghadapi variable random (acak) Atau
stokhastik.
4. Regresi dan penyebab
(Sebab-Akibat)
Suatu hubungan statistik bagaimanapun kuat dan sugestif, tidak
pernah dapat menetapkan hubungan sebab akibat. Jadi gagasan kita harus dating
dari luar statistik seperti teori atau lainya.
5. Regresi vs Korelasi
Analisis korelasi yang tujuan utamanya adalah untuk mengukur
kuat atau derajat hubungan linear antara dua vaiabel, sangat erat hubunganya
tetapi sangat berbeda dalam konsep analisis regresi. Dalam nalisis regresi ada asimetri bagaimana
variable tidak bebas dan variable yangmenjelaskan diberlakukan. Variable bebas
di asumsikan bersifat statistic, random, atau stokhastik, yaitu mempunyai
distribusi probabilitas.
6. Istilah dan notasi
Dalam literature istilah variabel tidak bebas (Dependent
variable) dan variable yang menjelaskan (Explanatory Variabel) digambarkan dengan
berbagai cara. Diantanya:
Variabel
Bebas
( Dependent Variable)
|
Variabel
yang menjelaskan
(
Explanatory Variable)
|
↓↑
|
↓↑
|
Variabel
yang dijelaskan
(explaned
Variable)
|
Variabel
bebas
(independent
Variable)
|
↓↑
|
↓↑
|
Yang
diramalkan (predictand)
|
Peramal
(Predictor)
|
↓↑
|
↓↑
|
Yang
diregresi(Regressand)
|
Yang
meregresi (Regressor)
|
↓↑
|
↓↑
|
Tanggapan
(Response)
|
Perangsang
atau variable kendali
(stimulus
or control variable)
|
7. Peranan Komputer dalam
analisis regresi
Dalam mempelajari ketergantungan satu variable pada satu atau
lebih variable lain, analisis regresi sering melibatkan pergitungan yang lama
dan majemuk. Maka peran computer dengan segudang kecanggiihanya membantu dalam
perhitungan tersebut.
8. Analisis regresi
adalah ketergantungan
Variable tidak bebas, pada satu atau lebih variable lain,
variable yang menjelaskan. Tujuanya adalah untuk menaksir dan meramalkan nilai
rata-rata (Mean) Atau nilai rata variable tak bebas atas dasar nilai tetap
(fixed) variable yang menjelaskan yang diketahui.
b. Analisis Regresi
Dua-Variabel
Dalam bab ini kita
membahas beberapa ide pundamental analisis regresi. Mulai dengan konsep kunci
fungsi regresi populasi (PRF), dan kita mengembangkan konsep PRF Linear dan ide
PRF stokhastik dan membahas secara rinci sifat dan peranan faktor gangguan
(Disturbance Term) Stokhastik u1.
c. Model Regresi
Dua-Variabel Masalah Penaksiran.
Setelah Menaksir
Regresi Populasi (PRF) atas dasar fungsi regresi sampel (SRF) seakurat mungkin.
Kemudian sekarang ada bebrapa metode penyususnan SRF, tetapi terkait analisis
regresi, metode yang paling luas digunakan adalah metode kuadrat terkecil biasa
(method OF ordinary least squares (OLS). Metode kuadrat terkecil Biasa (OLS) dikemukakan
oleh Carl Friedrich Gaus seorang Ahli Mate-Matika Jerman.
d. Asumsi Kenormalan :
Model Regresi Linear Normal Klasik
Dalam bab ini kita
membahas model regresi dua variabel dengan mengasumsikan bahwa populasi
gangguan (Disturbances) µ1 di distribusikan secara normal. Dalam bab
ini juga telah membahas secara singkat metode alternative penaksiran titik,
yaitu metode kemungkinanterbesar (ML) tetapi dengan asumsi kenormalan,
penaksira ML biasanya sama dengan penaksiran OLS terutama kalau pengukuran
sampel besar.
e. Regresi Dua-Variabel :
Penaksiran Selang dan Pengujian Hipotesis
Dalam Bab ini kita
membahas tentang pengujian hipotesis, secara sederhana pengujian hipotesis
berkenaan dengan pertanyaan: Apakah penemuan tertentu cocok dengan hipotesi
yang di kemukakan atau tidak? Ada dua pendekatan yang saling melengkapi
pertanyaan ini yakni selang keyakinan dan pengujian tingkat penting. Selang
keyakinan memberikan sekumpulan hipotesis yang layak mengenai nilai para meter
yang tidak diketahui. Dalam pengujian tingkat penting menggunakan statistic uji
atau kriteria. Statistic uji biasanya mengikuti distribusi probabilitas seperti
distribusi normal, t, atau chi kuadrat, dan kalau statistic uji yang dihitung
melebihi melebihi nilai kritis, hipotesis nol bias ditolak, kalau sebaliknya
bias di terima.
f.
Analisis Regresi Majemuk : Masalah Penaksiran
Dalam Bab ini kita
akan diperkenalkan dengan model regresi majemuk yang paling sederhana yakni
regresi linear tiga variable.model tiga variable memperkenalkan beberapa
kkonsep baru , seperti Koefisien Regresi parsial, koefesien korelasi parsial,
koefesien regresi majemuk, R2 yang tidak disesuaikan maupun yang disesuaikan
dan koefisien diterminasi parsial. Kita akan membahas bagaimana hubungan antara
koefisien-koefisien dan perangkap dalam mengiinterpretasikan koefisiensi
korelasi sederhana.
g. Analisis Regresi
Majemuk : Masalah Inferensi
Dalam bab ini kita
menutup analisis regresi dalam bentuk yang paling murni yaitu dengan asumsi
ideal model linear klasik.dan mengkaji bagaimana menangani masalah kembar
penaksiran dan inferensi, bagaimana untuk menaksir koefisien regresi sederhana
dan parsial serta kesalahan standandarnya, koefisien korelasi sederhana dan
parsial, dan koefisien determinasi sederhana dan majemuk. Juga kita telah
melihat bagaimana penaksir berkaitan dengan nilai populasinya dengan
menggunakan teknik selang keyakinan, pengujian hipotesis, dan analisis varians.
h. Pendekatan Matriks
Untuk model regresi Linear
Bab ini menyajikan
model regresi linear klasik meliputi k Variabel
(y dan x2, x3,….. , xk) dalam notasi
aljabar matriks. Manfaat besar aljabar matriks dibandingkan dengan aljabar
sekala r adalah bahwa aljabar matrik memberikan metode yang ringkas untuk
menangani model regresi yang meliputi berapapun banyaknya variable.
C.
Penyimpangan Asumsi Model Klasik
Bab ini membahas
secara panjang lebar model regresi linear normal klasik dan menunjukan
bagaimana model tadi dapat digunakan untuk menangani problem kembar inferensi
statistik. Dalambagian ini ada beberapa asumsi menyederhanakan yaitu :
1.
Nilai rata-rata bersayrat dari unsur gangguan
populasi ս1, tergantung
kepada nilai tertentu variable yang menjelaskan (X) Adalah Nol.
2.
Varians bersyarat dari
ս1 adalah
konstan atau homo homokodastik.
3.
Tidak ada auto
korelasi dalam gangguan.
4.
Variabel yang
menjelaskan adalah nonstokastik (yaitu tetap dalam penyampelan berulang) atau
jika skokastik, didistribusikan secara independen dari gangguan ս1.
5.
Tidak ada multi
kolinieritas diantara variable yang menjelaskan x.
6.
ս didistribusikan secara normsl dnegan rata-rata varians yang diberikan
oleh asumsi 1 dan 2.
Dengan asumsi-asumsi tersebut, kita melihat bahwa penaksir
kuadrat-terkecil biasa (OLS) dari koefisien regresi adalah penaksir tak bias
linear terbaik (BLUE), dan dengan asumsi kenormalan, didistribusikan secara
normal.
a.
Multikolinearitas
Satu dari asumsi model
linear klasik adalah tidak adanya multikolinearitas diantara variable yang
menjelaskan yaitu diantara X. di interprestasikan secara luas,
multikolinearitas berhubungan dnegan situasi dimana ada hubungan linear baik
yang pasti ataupun mendekati pasti diantara variable. Mekipun tidak ada metode
yang pasti dalam mendetekse kolinearitas tapi ada beberapa indicator untuk itu
yaitu .
1.
Ketika R2
sangat itnggi tetapi tak satupun koefisien regresi penting (Signifikan) secara
statistic dalam uji T yang konvensional.
2.
Dengan memeriksa
korelasi derajat Nola tau sederhana antara dua variable tadi.apabila
kolerasinya tinggi biasanya multikolinearitasnya sebagai penyebabnya.
3.
Tetapi korelasi
derajat nol sering menyesatkan yang meliputi lebih dari dua variable X karna
ada kemungkinan korelasi derajat Nol yang rendah dan mendapatkan
multikolinearitas tinggi.
4.
Jika R2 tinggi
tetapi korelasi parsia rendah multikolinearitas merupakan satu kemungkinan.
5.
Suatu R1i
yang tinggi akan menguraikan bahwa Xi sangat berkorelasi
dengan sisa variable X.
b.
Heteroskedasitas
Dalam bab ini kita
mengisi validitas asumsi ini dan ingin mengetahui apa yang terjadi jika asumsi
ini tidak dipenuhi. Satu asumsi peting medel regresi linear klasik adlah
varians setiap unsur disturbance սi.
Suatu angka konstan yang sama dengan ơ, ini merupakan asumsi homoskedesitas,
atau penyebaran (scendasticity) sama (homo). Yaitu varians yang menggunakan
lambing.
E (սi2 ) = ơ2 I = 1, 2, ….,N
c.
Autokorelasi
Autokorelasi dapat
didefinisikan sebagai korelasi antara anggota serangkkaian observasi yang di
urutkan menurut waktu (seperti dalam data deret waktu) atau ruang (seperti
dalam data cross-sectional). Dalam kontek regresi, model regresi linear klasik
mengasumsikan bahwa auto korelasi seperti itu tidak terdapat dalam disturbansi
atau gangguan սi. Dengan menggunakan
lambang
E (սi սi) = 0 I ≠ j
Unsur gangguan yang
berhubungan dengan observasi tidak dipengaruhi oleh unsur disturbansi atau
gangguan yang berhubungan dengan pengamatan lain yang manapun. Jika semua
asumsi model regresi linear klasik semua dipenuhi, teori gausmarkov menyatakan bahwa
dalam kelas semua penaksir tak bias linear, maka penaksir OLS lah yang di
pakaikarena variasinya lebih minimum. Sebagai hasilnya, jika penaksiran OLS di
pakai dalam situasi autokorelasi adapun konsekuensinya adalah selang keyakinan
menjadi lebar secara tak perlu dan pengujian arti (signifikan) terlalu kuat.
Jika kita mengabaikan batas masalah autokorelasi dan trus
menerapkanformula OLS klasik konsekuensinya nampaknya akan lebih jauh, dan
lebih serius.
D.
Pokok Bahasan dlam Ekonometrika.
a. Model Autoregresif dan
Lag yang di distribusikan
(Distributed-Leg)
Dalam ilmu ekonomi
ketergantungan suatu variable Y atau variable yang tak bebas atas variable lain
X (Variabel yang menjelaskan) jarang bersifat seketika.sangat sering Y bereaksi
terhadap X dengan selang waktu. Selang waktu tersebut dinakan lag, dan yang
memperhitungkan itu disebut model regresi yang melibatkan variable lag atau
model regresi lag (lagged Regresion Models). Ada dua jenis variabel leg yakni
variabel nonstokastik atau yang stokastik,
b. Regresi ats variabel
Dummy
Variabel dummy atau
dikenal variabel kualitatif merupakan variabel bebas selain variabel yang
dinyatakan secara kualitatif y sepeti pendapatan, harga, hasil dll, tapi juga
variabel yang pada dasarnya bersifat kualitatif seperti jenis kelamin, ras,
agama dll. Karena variabel seperti itu menunjukan adanya atau tidak adanya
kualitas atau ciri-ciri, salah satu metodenya adalah dengan metode kuantitatif
yakni mengambil nilai 1 atau 0. Nah variabel yang mengambil nilai seperti 0 dan
1 disebut variabel dummy, nama lainya adalah variabel indicator, variabel
binary (2 angka), variabel bersifat kategori, variabel kualitatif, dan variabel
yang membagi dua (dichotomous). Suatu model regresi mungkin berisi model
variabel yang menjelaskan yang secara eksklusif bersifat dummy, atau pada
dasarnya kualitatif. Model seperti itu disebut model analisis varians (AOV)
sebagai Contoh:
Yi
= α +βD + սi
Dimana Y = Variabel
Signifikan (Gaji, Harga, dll)
Di = 1 Jika variabel Dummy
(Laki-Laki)
= 0 Jika lainya (yaitu pengajar wanita)
c. Regresi Atas Variabel
Tak Bebas Dummy
Dalam bab ini kita
membahas model-model dimana variabel tak bebas bersifat dikotomi, mengambil
niali 1 atau 0 antara iya dan tidak. Model dengan variabel tak bebas dummy jika
dinyatakan dalam pungsi linear dari variabel yang menjelaskan baik bersifat
kuantitatif atau kualitatif maupun keduanya tetap disebut model probabilitas
linear (LPM)
d. Model persamaan
tunggal : beberapa pokok bahasan lanjutan
Seringkali kita
mengsumsikan secara implisit bahwa variabel tak bebas Y dan variabel yang
menjelaskan di ukur tanpa satupun kesalahan, asumsi yang kita perhitungkan
dengan akurat itu memang harus betul-betul dari proses perhitungan ybukan dari
taksiran ataupun pembulatan. Sayangnya hal yang ideal ini tidak di jumpai di
lapangan dengan berbagai alasan seperti kesalahan pengukuran merupakan
kesalahan yang mungkin akan menimbulkan kesulitan, seperti yang di tunjukan
dalam pola berikut :
Yi*
= α + βXi + սi
Yi* = belanja Konsumsi permanen
Xi =
Pendapatan saat ini
ui = gangguan
stokastik
E.
Model Persamaan Simultan
Pengamatan sepintas
lalu atas pekerjaan empiris dalam bisnis dan ekonomi akan menunjukan banyak
hubungan ekonomi merupakan jenis persamaan tunggal. Tettapi ada situasi dimana
ada aliran pengaruh aliran dua arah diantara variabel ekonomis. Yaitu satu
variabel ekonomis mempengaruhi variabel ekonomis lain dan sebaliknya seperti
nilai uang terhadap bunga.
a. Model Persamaan Simultan
Model ini berbanding terbalik dengan model persamaan tunggal
dimana hanya ada satu persamaan yang menhubungkan satu variabel tak bebas atau
tunggal dengan sejumlah variabel yang menjelaskan baik yan non stokastik atau
jika stokastik, dan didistribbusikan secara bebas dari unsur gangguan
stokastik.
b. Masalah Identifikasi
Yang dimaksud dengan masalah identifikasi adalah apakah taksiran
dari parameter persamaan structural dapat diperoleh dari koefisien bentuk yang direduksi
dan di taksir. Jika ini dapat dilakukan maka kita mengatakan persamaan itu
terindentifikasikan. Suatu persamaan yang diidentifikasikan bias berupa tepat
(sepenuhnya) jika nilai angka yang unik dari parameter structural dapat
diperoleh.
c. Metode Persamaan Simultan
Jika kita sumsikan bahwa persamaan dalam model persamaan
simultan diidentifikasikan (baik terlalu atau tepat) ada beberapa metode
penaksiran yaitu metode persamaan tunggal dan metode system. Metode persamaan
tunggal untuk kesalahan spesifikasi dan sebagainya. Cirinya adalah orang dapat
menaksir satu persamaan tunggal dalam model persamaan majemuk tanpa
mengkhawatirkan terlalu banyak mengenai persamaan lain dari model.
F.
Suatu peninjauan kembali beberapa konsep statistik
a. Ruang Sampel, Titik Sampel,
dan Kejadian
Ruang Sampel adalah kumpulan dari semua hasil yang yang mungkin
dari satu experiment random atau change. Dan tiap anggota dari ruang sampel ini
disebut dengan titik sampel. Jadi dalam exsperimen melemparkan dua mata uang
ruang sampel terdiri dari empat hasil yang mungkin = HH, HT, TH, dan TT Dimana
HH berarti head pada lemparan pertama dan juga head pada lemparan kedua, HT
berarti suatu head pada lemparan pertama dan tail pada lemparan kedua dan
seterunya. Masing-masing kejadian tadi merupakan titik sampel.
Suatu kejadian
(Event) adalah bagian (subset) dari ruang sampel.jadi, jika kita misalkan A
menggambarkan terjadinya suatu head atau tail, maka dari hasil yang mungkin
taddi hanya dua yang termasuk pada A, yaitu HT dan TH. Dalam kursus ini A
merupakan suatu kejadian.
b. Probabilitas dan
Variabel Random
Misalkan A merupakan suatu kejadian dalam banyaknya percobaan
dalam kejadian A dari suatu exsperimen jika m dalam hasil tadi menguntungkan
dari jumlah exsperimen. Kita mendefenisikan m/n sebagai prekuensi relative dari
kejadian A. maka frekuensi relative ini akan memberikan suatu pendekatan yang
sangat baik dari probabilitas.
Variabel Random adalah suatu variabel yang nilainya ditentukan
oleh hasil suatu exsperiman random. Dan biasanya dinotasikan dengan huruf X,Y,Z
dan seterusnya.
G.
Dasar-Dasar Aljabar matriks
Suatu matriks adalah
sautu barisan segi empat dari angka angka atau unsur yang di atur dalam baris
dan kolom. Tepatnya suatu matriks dari ordo, atau dimensi M dengan N ( ditulis
sebagai M x N) adalah kumpulan dari M x N unsur yang disusun dalam M baris N
kolom.
 |
a11 a12
a13 …. A1N
A = [Aij] =
a21 a22
a23 …. a2n
……………………
aM1 aM2 aM3 aMN
H.
Kesimpulan
Secara bahasa, econometrics berarti ecomonic measurement atau
pengukuran ekonomi. Meskipun, pengukuran merupakan bagian penting dari sebuah
ekonometrika, akan tetapi ekonometrika merupakan suatu kajian sangat luas. Secara
sederhana dapat dipahami bahwa ekonometrika merupakan gabungan dari teori
ekonomi, matematika ekonomi, dan statistika ekonomi yang bertujuan untuk
menguji hipotesis dan meramal (forecasting) suatu trend saat ini ataupun masa
depan.
Metodologi ekonometrika merupakan tahapan yang
harus dilalui untuk melakukan analisis terhadap fenomena ekonomi secara ilmiah.
Tahapan pada metodologi ekonometrika adalah sebagai berikut:
1)
Peryataan teori atau
hipotesis
2)
pesifikasi model
matematis berdasarkan teori
3)
Spesifikasi model ekonometrik berdasarkan teori
4)
Mendapatkan data
5)
Estimasi parameter
dari model ekonometrika
6)
Pengujian Hipotesis
7)
Peramalan atau
prediksi
8)
Penggunaan model untuk
tujuan kebijakan
Empat
elemen dasar ekonometrika yaitu:
- Suatu sampel data
- Model ekonometrika
- Metode estimasi
- Beberapa metode penarikan kesimpulan.
- Dalam ekonometrik, data berasal dari dua sumber: Experiments dan Non-Exsperiment observation
kedua sumber tersebut dapat di kategorikan menjadi tiga tipe :
1. Time sries data
2. Cross- Sectional data
3. Panel data
No comments:
Post a Comment