Tugas VCLASS Statistika 2 Minggu ke-13

Nama : Ivan Ignatius

Kelas : 2EA03

NPM : 13216637

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.       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.