KATA PEGANTAR
Dengan mengucapkan puji syukur kehadirat Allah Swt, karena
atas limpahan rahmat dan hidayah- Nya penulis dapat menyelesaikan makalah ini .Penulis
menyadari kekurangan serta keterbatasan
pengetahuan dan pengalaman yang dimiliki sehingga dalam penulisan makalah ini
masih banyak kekurangan dan kesalahan. Untuk itu, penulis mengharapkan kritik,
saran dan masukan dari pembaca yang bersifat membangun sebagai bahan koreksi
dan evaluasi demi kesempurnaan makalah ini ke depan,yang tentunya akan memperkaya
ilmu dan wawasan bagi penulis.
Harapan penulis semoga makalah ini bermanfaat bagi yang
membaca serta pihak yang berkepentingan, terutama bagi penulis sendiri.
Terima kasih.
Penulis
i
DAFTAR ISI
KATA PENGANTAR …………………………………………………….. i
DAFTAR ISI ……………………………………………………………..... ii
BAB I PENDAHULUAN …………………………………………………... 1
BAB II PEMBAHASAN ...............……………………………………….. 2
A.
Pengantar ……………………………………………………….. 2
1.
Ekonometrika
2.
Metodologi Ekonometrika
3.
Hubungan antar variabel
B.
Model
Regresi Linear............................................................. 3
BAB III KESIMPULAN ………………………………………………….... iii
DAFTAR
PUSTAKA ………………………………………………………. iv
ii
BAB I
PENDAHULUAN
Latarbelakang
·
Terdapat kejadian– kejadian , kegiatan- kegiatan, atau
masalah- masalah yang saling berhubungan satu sama lain .
·
Dibutuhkan
analisis hubungan antara kejadian
tersebut .
·
Perlu dibahas mengenai bentuk hubungan yang ada
atau diperkirakan ada antara kedua perubah tersebut .
1
BAB II
PEMBAHASAN
A.
PENGANTAR EKONOMETRIKA
I.
Ekonometrika
Suatu
ilmu yg mengkobinasikan teori ekonomi
dan statistik ekonomi dgn tujuan menyelidiki dukungan empiris dr hukum skematik
yg dibangun oleh teori ekonomi Jika data
empiris membenarkan hubungan yg dimaksudkan oleh teori, maka teori tersebut dpt
diterima. kalau tidak, maka harus ditolak .
Defenisi
lain mengenai Ekonometrika yaitu
·
Sebagai
ilmu sosial yg menerapkan peralatan teori ekonomi, matematik, dan statistik
inferensi utk menganalisis fenomena ekonomi.
·
Suatu analisis kuantitatif fenomena ekonomi
nyata berdasarkan perkembangan teori dan pengamatan yang dikaitkan
metode-metode inferensi yang sesuai
II.
METODOLOGI EKONOMETRIKA
·
Spesifikasi, menspesialisaikan hubungan atas dasar teori-teori ekonomi
·
Rancangan
statistik
untuk mendapatkan sampel
·
Penaksiran, (unbiased, konsisten, efisien dan sufficient)
·
Verifikasi, penafsiran ekonomi terhadap hasil2 yg diperoleh
·
Penerapan, mendapatkan ramalan yg dipercaya utk pengambilan kebijakan
ekonomi
III.
Hubungan antara variabel
·
Menjelaskan
apa yang sedang berlaku , biasanya ada outcome atau peristiwa lebih dulu
Contoh : Harga ikan
gembung naik, apa yang menyebabkan
naiknya harga ikan gembung dipasaran ?
·
Hubungannya
hanya dapat diobservasi jika sudah ada outcome (peristiwa)
Harga ikan gembung naik dari Rp 15.000 – Rp 25.000 (dalam periode
waktu 2 minggu)
2
-
Apa yang
akan diobservasi ?
Harga ikan
Kuantitas ikan
Berapa yang diminta
Berapa yang ditawar
Berapa yang
dikeluarkan
-
Untuk
menjelaskan apa yg sedang berlaku:
1.
Gunakan
teori (hal-hal yang logika), seperti teori konsumsi, dimana konsumen adalah
rasional yaitu diberi pilihan terbuka dan bebas untuk memilih
2.
Stylized
fact (observasi secara reguler), biasanya di gunakan untuk konfirmasi teori.
·
Historical
data
1.
Perbedaan
min. Cth: pendapatan rumah tangga di kampung dengan di kota. Lakukan uji beda
dengan menguji sampel atau populasi (means atau variance)
2.
Persamaan
distribusi, Cth: pendapatan kampung A 1000/100 dan kampung B 2000/100. Apakah
distribusi pendapatan rumah tangga berbeda? (tidak harus menggunakan regresi)
3.
Independensi.
Untuk melihat 2 variabel berhubungan satu sama lain, jika variabel 1 berlaku
maka variabel 2 pun akan berlaku (non
parametrik = chi square)
4.
Korelasi,
melihat perubahan terhadap 2 variabel , jika yang satu naik maka yang lain pula
akan naik
5.
Regresi,
jika satu varibel naik maka variabel yang satu naik dan jika turun maka yang
satunya akan turun pula. Kebaikannya dapat menkaji banyak variabel
B.
MODEL REGRESI LINEAR
Regresi
Linear
Regresi linear adalah alat statistik yang dipergunakan untuk
mengetahui pengaruh antara satu atau beberapa
variabel terhadap satu buah variabel. Variabel yang mempengaruhi sering
disebut variabel bebas, variabel independen atau variabel penjelas. Variabel yang
dipengaruhi sering disebut dengan variabel terikat atau variabel dependen.
3
Secara umum regresi linear terdiri dari dua, yaitu regresi linear sederhana yaitu dengan satu buah
variabel bebas dan satu buah variabel terikat; dan regresi linear berganda
dengan beberapa variabel bebas dan satu buah variabel terikat.
Regresi Linear
Sederhana
Analisis regresi linear sederhana
dipergunakan untuk mengetahui pengaruh antara satu buah variabel bebas terhadap
satu buah variabel terikat. Persamaan umumnya adalah:
Y = a + b X.
Dengan Y adalah variabel terikat dan X
adalah variabel bebas. Koefisien a adalah konstanta (intercept) yang merupakan
titik potong antara garis regresi dengan sumbu Y pada koordinat kartesius.
Interpretasi Output
1. Koefisien
determinasi
Koefisien determinasi mencerminkan
seberapa besar kemampuan variabel bebas dalam menjelaskan varians variabel
terikatnya. Mempunyai nilai antara 0 – 1 di mana nilai yang mendekati 1 berarti
semakin tinggi kemampuan variabel bebas dalam menjelaskan varians variabel
terikatnya.
2. Nilai
t hitung dan signifikansi
Nilai t hitung > t tabel berarti ada
pengaruh yang signifikan antara variabel bebas terhadap variabel terikat, atau
bisa juga dengan signifikansi di bawah 0,05 untuk penelitian sosial, dan untuk
penelitian bursa kadang-kadang digunakan toleransi sampai dengan 0,10.
3. Persamaan
regresi
Sebagai ilustrasi variabel bebas: Biaya
promosi dan variabel terikat: Profitabilitas (dalam juta rupiah) dan hasil
analisisnya Y = 1,2 + 0,55 X. Berarti interpretasinya:
1.
Jika besarnya biaya promosi meningkat
sebesar 1 juta rupiah, maka profitabilitas meningkat sebesar 0,55 juta rupiah.
4
2. Jika
biaya promosi bernilai nol, maka profitabilitas akan bernilai 1,2 juta rupiah.
Interpretasi terhadap nilai intercept
(dalam contoh ini 1,2 juta) harus hati-hati dan sesuai dengan rancangan
penelitian. Jika penelitian menggunakan angket dengan skala likert antara 1 sampai 5,
maka interpretasi di atas tidak boleh dilakukan karena variabel X tidak mungkin
bernilai nol. Interpretasi dengan skala likert tersebut sebaiknya menggunakan
nilai standardized coefficient sehingga tidak ada konstanta karena
nilainya telah distandarkan.
Contoh: Pengaruh antara kepuasan (X)
terhadap kinerja (Y) dengan skala likert antara 1 sampai dengan 5. Hasil output
yang digunakan adalah standardized coefficients sehingga Y = 0,21 X
dan diinterpretasikan bahwa peningkatan kepuasan kerja akan diikuti dengan
peningkatan kinerja atau penurunan kepuasan kerja juga akan diikuti dengan
penurunan kinerja. Peningkatan kepuasan kerja dalam satu satuan unit akan
diikuti dengan peningkatan kinerja sebesar 0,21 (21%).
Regresi Linear
Berganda
Analisis regresi linear berganda
sebenarnya sama dengan analisis regresi linear sederhana, hanya variabel
bebasnya lebih dari satu buah. Persamaan umumnya adalah:
Dengan Y adalah variabel bebas, dan X
adalah variabel-variabel bebas, a adalah konstanta (intersept) dan b adalah
koefisien regresi pada masing-masing variabel bebas.
Interpretasi terhadap persamaan juga
relatif sama, sebagai ilustrasi, pengaruh antara motivasi (X1), kompensasi (X2) dan kepemimpinan (X3) terhadap
kepuasan kerja (Y) menghasilkan persamaan sebagai berikut:
Y = 0,235 + 0,21 X1 + 0,32 X2 + 0,12 X3
1. Jika
variabel motivasi meningkat dengan asumsi variabel kompensasi dan kepemimpinan
tetap, maka kepuasan kerja juga akan meningkat
2. Jika
variabel kompensasi meningkat, dengan asumsi variabel motivasi dan kepemimpinan
tetap, maka kepuasan kerja juga akan meningkat.
5
3. Jika
variabel kepemimpinan meningkat, dengan asumsi variabel motivasi dan kompensasi
tetap, maka kepuasan kerja juga akan meningkat.
Interpretasi terhadap konstanta (0,235)
juga harus dilakukan secara hati-hati. Jika pengukuran variabel dengan menggunakan
skala Likert antara 1 sampai dengan 5 maka tidak boleh diinterpretasikan bahwa
jika variabel motivasi, kompensasi dan kepemimpinan bernilai nol, sebagai
ketiga variabel tersebut tidak mungkin bernilai nol karena Skala Likert
terendah yang digunakan adalah 1.
Analisis regresi linear berganda
memerlukan pengujian secara serempak dengan menggunakan F hitung. Signifikansi
ditentukan dengan membandingkan F hitung dengan F tabel atau melihat
signifikansi pada output SPSS. Dalam beberapa kasus dapat terjadi bahwa secara
simultan (serempak) beberapa variabel mempunyai pengaruh yang signifikan,
tetapi secara parsial tidak. Sebagai ilustrasi: seorang penjahat takut terhadap
polisi yang membawa pistol (diasumsikan polisis dan pistol secara serempak
membuat takut penjahat). Akan tetapi secara parsial, pistol tidak membuat takut
seorang penjahat. Contoh lain: air panas, kopi dan gula
menimbulkan kenikmatan, tetapi secara parsial, kopi saja belum tentu
menimbulkan kenikmatan.
Penggunaan metode analisis regresi
linear berganda memerlukan asumsi klasik yang secara statistik harus dipenuhi.
Asumsi klasik tersebut meliputi asumsi normalitas, multikolinearitas,
autokorelasi, heteroskedastisitas dan asumsi linearitas (akan dibahas
belakangan).
Langkah-langkah yang lazim dipergunakan
dalam analisis regresi linear berganda adalah 1) koefisien determinasi; 2) Uji
F dan 3 ) uji t. Persamaan regresi sebaiknya dilakukan di akhir analisis karena
interpretasi terhadap persamaan regresi akan lebih akurat jika telah diketahui
signifikansinya. Koefisien determinasi sebaiknya menggunakan adjusted R
Square dan jika bernilai negatif maka uji F dan uji t tidak dapat
dilakukan.
Pertanyaan-pertanyaan
yang sering muncul
1.
Dalam uji regresi sederhana apakah
perlu menginterpretasikan nilai F hitung?Uji F adalah uji kelayakan model (goodness
of fit) yang harus dilakukan dalam analisis regresi linear. Untuk analisis
regresi linear sederhana Uji F boleh dipergunakan atau tidak, karena uji F akan
sama hasilnya dengan uji t.
6
2. Kapan menggunakan uji dua arah
dan kapan menggunakan uji dua arah?Penentuan arah adalah berdasarkan masalah
penelitian, tujuan penelitian dan perumusan hipotesis. Jika hipotesis sudah
menentukan arahnya, maka sebaiknya digunakan uji satu arah, tetapi jika
hipotesis belum menentukan arah, maka sebaiknya menggunakan uji dua arah.
Penentuan arah pada hipotesis berdasarkan tinjauan literatur. Contoh hipotesis
dua arah: Terdapat pengaruh antara kepuasan terhadap kinerja. Contoh hipotesis
satu arah: Terdapat pengaruh positif antara kepuasan terhadap kinerja. Nilai t
tabel juga berbeda antara satu arah dan dua arah. Jika menggunakan
signifikansi, maka signifikansi hasil output dibagi dua terlebih dahulu, baru dibandingkan
dengan 5%.
3. Apa bedanya korelasi dengan
regresi?
Korelasi adalah hubungan dan regresi
adalah pengaruh. Korelasi bisa berlaku bolak-balik, sebagai contoh A
berhubungan dengan B demikian juga B berhubungan dengan A. Untuk regresi tidak
bisa dibalik, artinya A berpengaruh terhadap B, tetapi tidak boleh dikatakan B
berpengaruh terhadap A. Dalam kehidupan sehari-hari kedua istilah itu (hubungan
dan pengaruh) sering dipergunakan secara rancu, tetapi dalam ilmu statistik sangat berbeda. A berhubungan dengan B belum
tentu A berpengaruh terhadap B. Tetapi jika A berpengaruh terhadap B maka pasti
A juga berhubungan dengan B. (Dalam analisis lanjut sebenarnya juga ada
pengaruh yang bolak-balik yang disebut dengan recursive, yang tidak
dapat dianalisis dengan analisis regresi tetapi menggunakan structural
equation modelling).
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 dapat dipergunakan pada analisis regresi linear sederhana dan uji
autokorelasi tidak perlu diterapkan pada data cross sectional.
7
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
dilakukan dengan persamaan regresi, tetapi tidak perlu diuji asumsi klasik.
Setidaknya ada lima uji asumsi klasik,
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 yanglain.
1. Uji Normalitas
1. Uji Normalitas
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
masing-masing variabel. Hal ini tidak dilarang tetapi model regresi memerlukan
normalitas pada nilai residualnya bukan pada masing-masing variabel penelitian.
Pengertian normal secara sederhana
dapat dianalogikan dengan sebuah kelas. Dalam kelas siswa yang bodoh sekali dan
pandai sekali jumlahnya hanya sedikit dan sebagian besar berada pada kategori
sedang atau rata-rata. Jika kelas tersebut bodoh semua maka tidak normal, atau
sekolah luar biasa. Dan sebaliknya jika suatu kelas banyak yang pandai maka
kelas tersebut tidak normal atau merupakan kelas unggulan. Pengamatan data yang
normal akan memberikan nilai ekstrim rendah dan ekstrim tinggi yang sedikit dan
kebanyakan mengumpul di tengah. Demikian juga nilai rata-rata, modus dan median
relatif dekat.
8
Uji normalitas dapat dilakukan dengan
uji histogram, uji normal P Plot, uji Chi Square, Skewness dan Kurtosis atau
uji Kolmogorov Smirnov. Tidak ada metode yang paling baik atau paling tepat.
Tipsnya adalah bahwa pengujian dengan metode grafik sering menimbulkan
perbedaan persepsi di antara beberapa pengamat, sehingga penggunaan uji
normalitas dengan uji statistik bebas dari keragu-raguan, meskipun tidak ada
jaminan bahwa pengujian dengan uji statistik lebih baik dari pada pengujian
dengan metode grafik.
Jika residual tidak normal tetapi dekat
dengan nilai kritis (misalnya signifikansi Kolmogorov Smirnov sebesar 0,049)
maka dapat dicoba dengan metode lain yang mungkin memberikan justifikasi
normal. Tetapi jika jauh dari nilai normal, maka dapat dilakukan beberapa
langkah yaitu: melakukan transformasi data, melakukan trimming data outliers
atau menambah data observasi. Transformasi dapat dilakukan ke dalam bentuk
Logaritma natural, akar kuadrat, inverse, atau bentuk yang lain tergantung dari
bentuk kurva normalnya, apakah condong ke kiri, ke kanan, mengumpul di tengah
atau menyebar ke samping kanan dan kiri.
2. Uji Multikolinearitas
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. Sebagai ilustrasi, adalah model regresi
dengan variabel bebasnya motivasi, kepemimpinan dan kepuasan kerja dengan
variabel terikatnya adalah kinerja. Logika sederhananya adalah bahwa model
tersebut untuk mencari pengaruh antara motivasi, kepemimpinan dan kepuasan
kerja terhadap kinerja. Jadi tidak boleh ada korelasi yang tinggi antara
motivasi dengan kepemimpinan, motivasi dengan kepuasan kerja atau antara
kepemimpinan dengan kepuasan kerja.
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).
9
Beberapa alternatif cara untuk
mengatasi masalah multikolinearitas adalah sebagai berikut:
1. Mengganti atau mengeluarkan variabel
yang mempunyai korelasi yang tinggi.
2. Menambah jumlah observasi.
2. Menambah jumlah observasi.
3. Mentransformasikan data ke dalam
bentuk lain, misalnya logaritma natural, akar kuadrat atau bentuk first
difference delta.
4. Dalam tingkat lanjut dapat digunakan
metode regresi bayessian yang masih jarang sekali digunakan.
3. Uji Heteroskedastisitas
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.
Deteksi heteroskedastisitas dapat
dilakukan dengan metode scatter plot dengan memplotkan nilai ZPRED (nilai prediksi)
dengan SRESID (nilai residualnya). Model yang baik didapatkan jika tidak
terdapat pola tertentu pada grafik, seperti mengumpul di tengah, menyempit
kemudian melebar atau sebaliknya melebar kemudian menyempit. Uji statistik yang
dapat digunakan adalah uji Glejser, uji Park atau uji White.
Beberapa alternatif solusi jika model menyalahi asumsi
heteroskedastisitas adalah dengan mentransformasikan ke dalam bentuk logaritma,
yang hanya dapat dilakukan jika semua data bernilai positif. Atau dapat juga
dilakukan dengan membagi semua variabel dengan variabel yang mengalami gangguan
heteroskedastisitas.
4. Uji Autokorelasi
4. Uji Autokorelasi
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
10
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.
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. Model regresi pada penelitian di
Bursa Efek Indonesia di mana periodenya lebih dari satu tahun biasanya
memerlukan uji autokorelasi.
Beberapa uji statistik yang sering
dipergunakan adalah uji Durbin-Watson, uji dengan Run Test dan jika data
observasi di atas 100 data sebaiknya menggunakan uji Lagrange Multiplier.
Beberapa cara untuk menanggulangi masalah autokorelasi adalah dengan
mentransformasikan data atau bisa juga dengan mengubah model regresi ke dalam
bentuk persamaan beda umum (generalized difference equation). Selain itu juga
dapat dilakukan dengan memasukkan variabel lag dari variabel terikatnya menjadi
salah satu variabel bebas, sehingga data observasi menjadi berkurang1
5. Uji Linearitas
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
11
diidentifikasikan secara teori sesuai
atau tidak dengan hasil observasi yang ada. Uji linearitas dapat menggunakan
uji Durbin-Watson, Ramsey Test atau uji Lagrange Multiplier.
a.
Regresi Linear dengan Variabel
Moderating
Variabel moderating adalah variabel
yang memperkuat atau memperlemah hubungan antara satu variabel dengan variabel
lain. Sebagai contoh: seorang suami menyayangi istrinya. Dengan hadirnya
seorang anak, maka rasa sayang tersebut bertambah. Berarti variabel anak
merupakan moderating antara rasa saya suami terhadap istri. Contoh lain:
kompensasi memperkuat pengaruh antara kepuasan kerja terhadap kinerja. Artinya
kepuasan kerja berpengaruh terhadap kinerja, dan adanya kompensasi yang tinggi
maka pengaruh antara kepuasan kerja terhadap kinerja menjadi lebih meningkat.
Metode analisis regresi linear dengan variabel moderating:
1. Multiple Regression Analysis (MRA)
Metode ini dilakukan dengan menambahkan
variabel perkalian antara variabel bebas dengan variabel moderatingnya,
sehingga persamaan umumnya adalah sebagai berikut: Y = a + b1 X1 + b2 X2 + b3
X1 X2 dengan Y adalah kinerja, X1 adalah kepuasan kerja, X2 kompensasi dan X1
X2 adalah perkalian antara kepuasan kerja dengan kompensasi. Hipotesis
moderating diterima jika variabel X1 X2 mempunyai pengaruh signifikan terhadap
Y, tidak tergantung apakah X1 dan X2 mempunyai pengaruh terhadap Y atau tidak.
Model ini biasanya menyalahi asumsi multikolinearitas atau adanya korelasi yang
tinggi antara variabel bebas dalam model regresi, sehingga menyalahi asumsi
klasik. Hampir tidak ada model MRA yang terbebas dari masalah
multikolinearitas, sehingga sebenarnya model ini tidak disarankan untuk
dipergunakan.
2. Absolut residual
Model ini mirip dengan MRA, tetapi
variabel moderating didekati dengan selisih mutlak (absolut residual) antara
variabel bebas dengan variabel moderatingnya. Penerimaan hipotesis juga sama,
dan model ini masih riskan terhadap gangguan multikolinearitas meskipun risiko
itu lebih kecil dari pada dengan metode MRA
12
3. Residual
Model ini menggunakan konsep lack of
fit yaitu hipotesis moderating diterima terjadi jika terdapat ketidakcocokan
dari deviasi hubungan linear antara variabel independen.
Langkahnya adalah dengan meregresikan antara
kepuasan kerja terhadap kompensasi dan dihitung nilai residualnya. Pada program
SPSS dengan klik Save pada regreesion, lalu klik pada usntandardized residual.
Nilai residual kemudian diambil nilai absolutnya lalu diregresikan antara
kinerja terhadap absolut residual. Hipotesis moderating diterima jika nilai t
hitung adalah negatif dan signifikan. Model ini terbebas dari gangguan
multikolinearitas karena hanya menggunakan satu variabel bebas.
Pertanyaan-pertanyaan yang sering muncul:
1. Ada model regresi moderating dengan
MRA tetapi output memenuhi uji multikolinearitas?
Hampir tidak ada model moderating
dengan MRA yang terbebas dari gangguan multikolinearitas. Banyak output pada
skripsi yang dimanipulasi agar tampaknya memenuhi asumsi multikolinearitas
padahal sebenarnya tidak. Hal ini banyak terjadi di mana (maaf) dosen tidak
terlalu menguasai statistik secara baik. Penulis sendiri belum pernah melihat
tabulasi data yang memenuhi model moderating dengan metode MRA.
2. Bagaimana model regresi moderating
dengan dua buah variabel bebas?
Model dengan MRA menjadi Y = a + b1 X1
+ b2 X2 + b3 X3 + b4 X1 X2 + b5 X1 X3 + b6 X2 X3 + bb X1 X2 X3 di mana X3
adalah variabel moderating (he he…jadi panjang banget kan). Hipotesis diterima
jika X1 X2 X3 signifikan, tetapi hampir pasti model ini menyalahi asumsi
multikolinearitas. Sebaiknya digunakan model residual dengan lack of fit.
3. Bagaimana merancang model regresi
dengan moderating pada penelitian?
Model moderating ditentukan dengan
tinjauan teoretis, sehingga analisis dengan moderating hanya mengkonfirmasi
saja teori tersebut apakah cocok dengan model empiris. Tidak boleh menggunakan
alat statistik moderating untuk mengidentifikasikan bahwa variabel itu
merupakan variabel moderating.
13
b.
Regresi Linear dengan Variabel
Intervening
Variabel intervening adalah variabel
antara atau variabel mediating. Model regresi dengan variabel intervening
merupakan hubungan bertingkat sehingga
jika dengan analisis regresi harus
menggunakan analisis jalur (path analysis) atau disarankan menggunakan metode
structural equation modelling (SEM). Metode SEM akan dibahas belakangan dengan
menggunakan Program AMOS atau LISREL
Regresi dengan variabel intervening
dipergunakan untuk melihat pengaruh tidak langsung antara satu variabel
terhadap variabel yang lain. Sebagai contoh: Gaya Evaluasi Atasan (GEA)
mempunyai pengaruh terhadap Kinerja Manajerial (KM) melalui Tekanan Kerja (TK).
GEA mempunyai pengaruh langsung terhadap KM tetapi juga bisa mempunyai pengaruh
tidak langsung terhadap KM melalui TK. GEA diinterpretasikan mempunyai pengaruh
tidak langsung terhadap KM melalui TK jika pengaruh GEA terhadap TK signifikan
dan pengaruh TK terhadap KM juga signifikan. Dalam suatu kasus bisa saja
variabel mempunyai pengaruh langsung terhadap suatu variabel dan pengaruh tidak
langsung terhadap variabel tersebut melalui variabel yang lain.
14
BAB III. KESIMPULAN
Berdasarkan beberapa
definisi tersebut, maka didapatkan kesimpulan bahwa ekonometrika adalah suatu
disiplin ilmu yang merupakan gabungan dari teori ekonomi, matematika ekonomi,
dan statistika ekonomi. Teori ekonomi, hanya menyatakan secara kualitatif suatu
hubungan dalam suatu pernyataan atau postulat atau hipotesis.
Secara umum regresi linear terdiri dari dua, yaitu regresi
linear sederhana yaitu dengan satu buah variabel bebas dan satu buah variabel
terikat; dan regresi linear berganda dengan beberapa variabel bebas dan satu
buah variabel terikat. Analisis regresi linear merupakan metode statistik yang
paling jamak dipergunakan dalam penelitian-penelitian sosial, terutama
penelitian ekonomi. Program komputer yang paling banyak digunakan adalah SPSS (Statistical
Package For Service Solutions).
15
DAFTAR PUSTAKA
Tintner,
Gerhard, “Methodology of Mathematical Economics and Econometrics”, The
University of Chicago Press, Chicago, 1968, p. 74.
(Arthur S, Goldberger, Econometric Theory, 1964)
(samuelson, koopmans, dan stone, Econometrica, 1954)
Samuelson,
P. A., T. C. Koopmans, & J. R. N. Stone, “Report of the Evaluative
Committee for Econometrica”, Econometrica, vol. 22, no. 2, April 1954, pp.
141-146.
Goldberger, Arthur S., “Economic Theory”, John
Wiley & Sons, New York, 1964, p. 1
16
0 Response to "MAKALAH EKONOMETRIKA"
Post a Comment