Nama : NUROH HERIAWATI
Kelas : 2EA03
NPM : 15216597
Tugas VCLASS
M13
1. APAKAH SEBAB-SEBAB AUTOKORELASI
1. Kesalahan model (linier – non linier)
2. Penggunaan Lag (inertia) è data observasi pada periode sebelumnya dan periode sekarang, kemungkinan besar akan saling ketergantungan (interdependence)
3. fenomena cobweb è Munculnya fenomena sarang laba-laba terutama terjadi pada penawaran komoditi sektor pertanian è Misalnya, panen komoditi permulaan tahun dipengaruhi oleh harga yang terjadi pada tahun sebelumnya è ui tidak lagi bersifat acak (random), tetapi mengikuti suatu pola yaitu sarang laba-laba.
4. Tidak memasukkan variabel yang penting
5. Manipulasi data
2. Penggunaan Lag (inertia) è data observasi pada periode sebelumnya dan periode sekarang, kemungkinan besar akan saling ketergantungan (interdependence)
3. fenomena cobweb è Munculnya fenomena sarang laba-laba terutama terjadi pada penawaran komoditi sektor pertanian è Misalnya, panen komoditi permulaan tahun dipengaruhi oleh harga yang terjadi pada tahun sebelumnya è ui tidak lagi bersifat acak (random), tetapi mengikuti suatu pola yaitu sarang laba-laba.
4. Tidak memasukkan variabel yang penting
5. Manipulasi data
2. FAKTOR-FAKTOR YANG DAPAT MENYEBABKAN TIMBULNYA
MASALAH AUTOKORELASI, ADALAH
a) untuk melihat apakah terjadi korelasi antara
suatu periode t dengan periode sebelumnya (t -1)
b) 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.
c) Uji autokorelasi hanya dilakukan pada data time
series (runtut waktu) dan tidak perlu dilakukan pada data cross section
seperti pada kuesioner di mana pengukuran semua variabel dilakukan secara
serempak pada saat yang bersamaan.
3. APAKAH YG DIMAKSUD DENGAN PENGUJIAN AUTOKORELASI
Autokorelasi adalah keadaan dimana variabel gangguan pada periode tertentu
berkorelasi dengan variabel gangguan pada periode lain. Sifat autokorelasi
muncul bila terdapat korelasi antara data yang diteliti, baik itu
data jenis runtut waktu (time series) atau data kerat silang (cross section).
Masalah autokorelasi lebih sering muncul pada data time series, karena sifatnya
lekat dengan kontinyuitas dan adanya sifat ketergantungan antar data, sedangkan
pada cross section hal itu kecil kemungkinan terjadi.
4. DALAM UJI DURBIN-WATSON (DW TEST). TERDAPAT
BEBERAPA ASUMSI PENTING YANG HARUS DIPATUHI, APAKAH ITU
uji dengan Run Test dan jika data observasi di
atas 100 data sebaiknya menggunakan uji Lagrange Multiplier.
5. COBA JELASKAN APA YANG DIMAKSUD DENGAN ASUMSI
KLASIK
Asumsi klasik adalah suatu syarat yang harus ada atau dipenuhi
dalam regresi linear sederhana atau regresi linear berganda dengan menghasilkan
nilai parameter yang memenuhi asumsi tidak ada autokorelasi, tidak ada
multikolinearitas, dan tidak ada heteroskedasitas sehingga menghasilkan hasil
regresi yang BLUE (best, linear, unbiased, estimator).
6. SEBUTKAN APA SAJA ASUMSI-ASUMSI YANG DITETAPKAN!
a. Asumsi 1: Linear Regression Model.
b. Asumsi 2: X values are fixed in repeated sampling.
c. Asumsi 3: Zero mean value of disturbance ui
d. Asumsi 4: Homoscedasticity or equal variance of ui
e. Asumsi 5: No autocorrelation between the disturbances
f. Asumsi 6: Zero covariance between ui and Xi
g. Asumsi 7: The number of observations n must be greater than the
number of parameters to be estimated
h. Asumsi 8: Variability in X values
i. Asumsi 9: The regression model is correctly specified
j. Asumsi 10: There is no perfect multicollinearity
7. COBA JELASKAN MENGAPA TIDAK SEMUA ASUMSI PERLU
LAKUKAN PENGUJIAN!
Karena asumsi-asumsi tersebut telah memenuhi asumsi regresi dan nilai
yang diperoleh telah bersifat BLUE (Best, Linear, Unbiased, Estimator).
8. JELASKAN APA YANG DIMAKSUD DENGAN AUTOKORELASI !
Autokorelasi adalah korelasi yang terjadi
antar observasi dalam satu variabel
9. JELASKAN KENAPA AUTOKORELASI TIMBUL !
1. Kesalahan dalam pembentukan model, artinya model yang digunakan
untuk menganalisis regresi tidak didukung oleh teori-teori yang relevan dan
mendukung.
2.Tidak memasukkan variabel yang penting. Variabel penting yang
dimaksud adalah variabel yang diperkirakan signifikan mempengaruhi variabel Y.
3.Manipulasi data.
4. Menggunakan data yang tidak empiris.
10. BAGAIMANA CARA MENDETEKSI MASALAH AUTOKORELASI?
a. Uji Durbin Watson
b. Uji Breucsh Godfrey
c. Uji Durbin Watson h
d. The Engle’s ARCH Test.
11. APA KONSEKUENSI DARI ADANYA MASALAH AUTOKORELASI DALAM MODEL ?
a. Estimator yang dihasilkan masih unbiased, konsisten, dan
asymptotical normally distributed. Tetapi tidak lagi efisien->varians tidak
minimum (tidak BLUE)
b. Estimasi standard error dan varian koefisien regresi yang
didapat akan ‘underestimate’.
c. Pemerikasaan terhadap residualnya akan menemui
permasalahan.
d. Autokorelasi yang kuat dapat pula menyebabkan dua variabel yang
tidak berhubungan menjadi berhubungan. Biasa disebut spourious regression.
Hal ini terlihat dari R2.
12. JELASKAN APA YANG DIMAKSUD DENGAN HETEROSKEDASTISITAS !
Uji heteroskedastisitas adalah untuk
melihat apakah terdapat ketidaksamaan varians dari residual satu ke
pengamatan ke pengamatan yang lain.
13. JELASKAN KENAPA HETEROSKEDASTISITAS TIMBUL !
Heteroskedastisitas muncul apabila kesalahan atau residual dari
model yang diamati tidak memiliki varians yang konstan dari satu observasi ke
observasi lainnya (Kuncoro, 2001:112). Masalah heteroskedastisitas lebih sering
muncul dalam data cross section dari pada data time series (Kuncoro, 2001:112;
Setiaji, 2004:17 ).
14. BAGAIMANA CARA MENDETEKSI MASALAH HETEROSKEDASTISITAS ?
Pengujian heteroskedastisitas menggunakan uji grafik, dapat
dilakukan dengan membandingkan sebaran antara nilai prediksi variabel terikat
dengan residualnya, yang output pendeteksiannya
akan tertera berupa sebaran data pada scatter plot Pengujian
heteroskedastisitas menggunakan uji Arch dilakukan dengan cara melakukan
regresi atas residual, dengan model yang dapat dituliskan e2 = a + bŶ2+ u.
15. APA
KONSEKUENSI DARI ADANYA MASALAH HETEROSKEDASTISITAS DALAM MODEL ?
Munculnya masalah heteroskedastisitas yang mengakibatkan nilai Sb
menjadi bias, akan berdampak pada nilai t dan nilai F yang menjadi tidak
dapat ditentukan. Karena nilai t dihasilkan dari hasil bagi antara b
dengan Sb.
16. JELASKAN APA YANG DIMAKSUD DENGAN MULTIKOLINEARITAS !
Multikolinieritas adalah suatu keadaan dimana terjadi korelasi
linear yang “perfect ” atau eskak diantara variabel penjelas
yang dimasukkan ke dalam model. Tingkat kekuatan hubungan antar variabel
penjelas dapat ditrikotomikan lemah, tidak berkolinear, dan sempurna.
17. JELASKAN KENAPA MULTIKOLINEARITAS TIMBUL !
Multikolinieritas timbul karena nilai koefisien regresi (b)
masing-masing variabel bebas dan standar error nya (S b) cenderung bias
dalam arti tidak dapat ditentukan kepastian nilainya.
18. BAGAIMANA CARA MENDETEKSI MASALAH MULTIKOLINEARITAS?
Cara mendeteksi ada tidaknya multikolinieritas dengan menghitung
nilai korelasi antar variabel dengan menggunakan Spearman’s Rho Correlation dapat dilakukan apabila data dengan skala ordinal (Kuncoro, 2001:
114). Sementara untuk data interval atau nominal dapat dilakukan dengan Pearson
Correlation
19. APA KONSEKUENSI DARI ADANYA MASALAH MULTIKOLINEARITAS DALAM MODEL?
Pengujian multikolinearitas merupakan tahapan penting yang harus
dilakukan dalam suatu penelitian, karena apabila belum terbebas dari masalah
multikolinearitas akan menyebabkan nilai koefisien regresi (b) masing-masing
variabel bebas dan nilai standar error -nya (Sb)
cenderung bias, dalam arti tidak dapat ditentukan kepastian nilainya, sehingga
akan berpengaruh pula terhadap nilai t (Setiaji, 2004: 26).
20. JELASKAN APA YANG DIMAKSUD DENGAN NORMALITAS!
Normalitas adalah untuk menguji aspek variabel pengganggu (e)
memiliki distribusi normal atau tidak yang dapat dilakukan sebelum atau
setelah tahapan analisis regresi.
21. JELASKAN KENAPA NORMALITAS TIMBUL!
Normalitas timbul karena mempunyai dua kemungkinan, yaitu apakah
variabel pengganggu pada data berdistribusi normal atau tidak normal.
22. BAGAIMANA CARA MENDETEKSI MASALAH NORMALITAS?
Beberapa cara dapat dilakukan untuk melakukan uji normalitas
antara lain :
1. Menggunakan metode numerik yang membandingkan nilai statistik,
yaitu antara nilai median dengan nilai mean. Data dikatakan normal jika
perbandingan anatara mean dan median menghasilkan nilai yang kurang lebih sama.
2. Menggunakan formula Jarque Bera (JB test)
3. Mengamati sebaran data, dengan melakukan hitungan-hitungan
berapa prosentase data observasi dan berada di area mana. Untuk
menentukan posisi normal dari sebaran data, langkah awal yag dilakukan adalah
menghitung standar deviasi.
23. APA KONSEKUENSI DARI ADANYA MASALAH NORMALITAS DALAM MODEL?
Konsekuensi normalitas dalam model berdampak pada nilai t dan
F karena pengujian terhadap keduanya diturunkan dari asumsi bahwa
data Y atau e berdistribusi normal.
24. BAGAIMANA CARA MENANGANI JIKA DATA TERNYATA TIDAK NORMAL?
Apabila data tidak normal, maka diperlukan upaya untuk mengatasi
seperti : memotong data yang out liers, memperbesar sampel, atau melakukan
transformasi data.
Tidak ada komentar:
Posting Komentar