multikolinieritas dalam regresi linier skripsi · multicollinearity in linear regression. thesis....
TRANSCRIPT
i
MULTIKOLINIERITAS DALAM REGRESI LINIER
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Pendidikan
Program Studi Pendidikan Matematika
Oleh:
Maria Ursula
NIM: 091414084
PROGRAM STUDI PENDIDIKAN MATEMATIKA
JURUSAN PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM
FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2013
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iv
LEMBAR PERSEMBAHAN
Tulisan ini dipersembahkan untuk mereka yang ku cintai
Teruntuk:
TUHAN YESUS KRISTUS yang selalu ada saat penulis
membutuhkan pertolongan-Nya
Bapak , Mamak, dan adik tercinta yang selalu dan tak pernah lelah
memberi dorongan dan motivasi selama penulisan skripsi ini
Teman-teman yang tak pernah lelah memberi semangat dan motivasi
serta kesabaran dalam mendengar keluh kesah penulis selama
penulisan skripsi ini
Almamater Universitas Sanata Dharma Yogyakarta
MOTTO HIDUP
"Kegagalan adalah sesuatu yang bisa kita hindari dengan; tidak
mengatakan apa-apa, tidak melakukan apa-apa dan tidak menjadi
apa-apa."
-Denis Waitley
“Saya telah menemukan paradoks, yaitu bahwa jika kamu mengasihi
sampai kamu tersakiti, maka tidak akan ada lagi sakit hati,
hanya ada lebih banyak kasih.”
- Bunda Theresa
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vi
ABSTRAK
Maria Ursula, 2013. Multikolinieritas dalam Regresi Linier. Skripsi. Program
Studi Pendidikan Matematika, Jurusan Pendidikan Matematika dan Ilmu
Pengetahuan Alam, Fakultas Keguruan dan Ilmu Pendidikan, Universitas
Sanata Dharma, Yogyakarta.
Multikolinieritas merupakan salah satu pelanggaran asumsi di mana
vektor-vektor kolom dari matriks 𝑿 yaitu 𝑋1 ,𝑋2 ,… ,𝑋𝑛 saling tak bebas linier.
Multikolinieritas itu sendiri terbagi dua, yaitu multikolinieritas sempurna dan
multikolinieritas tidak sempurna. Multikolinieritas sempurna adalah suatu kondisi
di mana variabel-variabel bebas berkorelasi secara sempurna, dengan kondisi
sebagai berikut:
𝝀1𝑋1 + 𝝀2𝑋2 + 𝝀3𝑋3 + ⋯+ 𝝀𝑘𝑋𝑘 = 0
Sedangkan multikolinieritas tidak sempurna adalah suatu kondisi di mana
variabel-variabel bebas berkorelasi tetapi tidak secara sempurna, dengan kondisi
sebagai berikut:
𝝀1𝑋1 + 𝝀2𝑋2 + ⋯+ 𝝀𝑘 + 𝑣𝑖 = 0
Di mana 𝑣 merupakan variabel gangguan.
Terjadinya multikolinieritas dalam regresi menyebabkan beberapa hal
yaitu, jika terjadi multikolinieritas sempurna penaksir parameter-parameter regresi
tidak dapat ditentukan, jika multikolinieritas tidak sempurna, penaksir parameter-
parameter regresi masih bisa ditentukan namun dengan tingkat keakuratan yang
rendah.
Multikolinieritas dapat dideteksi dengan cara menguji nilai t dan F, serta
memeriksa nilai VIF. Masalah multikolinieritas ini dapat diperbaiki dengan cara
menggunakan informasi apriori, menggabungkan data cross section dan data time
series, menghilangkan variabel yang berkolinier, dan transformasi variabel.
Kata kunci : Multikolinieritas, Regresi, Regresi Linier, Pelanggaran Asumsi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vii
ABSTRACT
Maria Ursula, 2013. Multicollinearity in Linear Regression. Thesis.
Mathematics Education, Department of Mathematics and Natural Sciences,
Faculty of Teacher Training and Education, Sanata Dharma University,
Yogyakarta.
Multicollinearity is a one of infringement of assumption where the column
vectors from matrix 𝑿 namely 𝑋1 ,𝑋2 ,… ,𝑋𝑛 not mutually linearly independent.
Multicollinearity itself is divided into two, namely perfect multicollinearity and
not perfect multicollinearity. Perfect multicollinearity is a condition, in which the
independent variables are completely correlated, with the following conditions:
𝝀1𝑋1 + 𝝀2𝑋2 + 𝝀3𝑋3 + ⋯+ 𝝀𝑘𝑋𝑘 = 0
Whereas not perfect multicollinearity is a condition in which the
independent variables are correlated yet incompletely, with the following
conditions:
𝝀1𝑋1 + 𝝀2𝑋2 + ⋯+ 𝝀𝑘𝑋𝑘 + 𝑣𝑖 = 0
In which 𝑣 is a variable interference.
The occurrence of multicollinearity in regression causes some cases, if
happen then perfect multicollinearity estimating regression parameters can not be
determined. While the not perfect one, the regression parameters estimator can
still be determined, but with a low level of accuracy.
Multicollinearity can be detected by testing the value of t and F, as well as
examining the value of VIF. Multicollinearity problem can be corrected by using
apriori information, combining cross section and time series data, eliminating
collinear variable, and variable transformation.
Keywords : Multicollinearity, Regression, Linear Regression, infringement of
assumption.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
viii
KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas
berkat, rahmat dan penyertaan-Nya sehingga penulis dapat menyelesaikan skripsi
yang berjudul “Multikolinieritas dalam Regresi Linier” sebagai salah satu
syarat untuk memperoleh gelar Sarjana Pendidikan (S.Pd) pada Fakultas
Keguruan dan Ilmu Pendidikan Universitas Sanata Dharma Yogyakarta.
Penulis menyadari bahwa sejak awal masa perkuliahan hingga masa
penyusunan skripsi ini, penulis telah mendapatkan bimbingan, bantuan dan
pengarahan dari berbagai pihak. Penulis mengucapkan terima kasih kepada:
1. Ibu Ch. Enny Murwaningtyas, M.Si sebagai dosen pembimbing skripsi atas
kesediaan memberikan pengajaran, bimbingan, masukkan, kritik dan saran
selama penyusunan skripsi.
2. Bapak Rohandi, Ph.D., selaku Dekan Fakultas Keguruan dan Ilmu Pendidikan
Universitas Sanata Dharma.
3. Bapak Dr. Marcellinus Andi Rudhito, S.Pd , selaku Ketua Program Studi
Pendidikan Matematika, Universitas Sanata Dharma.
4. Bapak Dominikus Arif Budi Prasetyo, M.Si selaku Dosen Pembimbing
Akademik.
5. Bapak Hongki Julie, S.Pd., M.Si., yang telah banyak membantu penulis dalam
penulisan skripsi ini.
6. Bapak Drs. Sukardjono, M.Pd., dan Bapak D. Arif Budi Prasetyo, S.Si., M.Si.,
yang telah menjadi dosen penguji skripsi, terimakasih atas saran dan
bimbinganna selama ini.
7. Segenap dosen Pendidikan Matematika Sanata Dharma atas segala pengajaran
dan bimbingannya selama perkuliahan.
8. Bu Henny, Pak Sugeng, dan Mas Arif yang telah memberikan pelayanan
administrasi selama penulis kuliah.
9. Perpustakaan Universitas Sanata Dharma yang memberikan fasilitas dan
kemudahan kepada penulis.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ix
10. Bapak Petrus Rimau, mamak Yusta Fatmawati., adikku tersayang (Leonardus
Perta Morizia) yang selalu memberikan doa, semangat, dukungan dan
perhatian selama proses penyusunan skripsi.
11. Yeremia Wedaring Asmoro sebagai sahabat dan rekan kerja selama
penyusunan skripsi atas dukungan, kerjasama, semangat dan doanya.
12. Chintya, Hellen, sebagai sahabat-sahabat terbaik yang selalu memberi
dukungan dan semangat selama penyusunan skripsi.
13. Semua teman-teman PMAT USD atas kebersamaannya selama kuliah S1 di
prodi pendidikan matematika Universitas Sanata Dharma.
14. Teman-teman Kos Odilia (Kak Lina, Menik, Siska, Ecik, Nover, Stefani, Desi,
Gesti, Maya, Vita, Mita, Neno dan Mega) atas dukungan, bantuan dan
kebersamaannya selama tinggal di Yogyakarta.
15. Semua pihak yang penulis tidak dapat sebutkan satu persatu yang turut
membantu selama penyusunan skripsi ini.
Penulis menyadari bahwa skripsi ini masih kurang kesempurnaan, oleh sebab itu
penulis mengharapkan kesediaan pembaca untuk memberikan kritik dan saran
yang membangun. Akhir kata, semoga segala informasi yang ada dalam skripsi ini
dapat bermanfaat bagi pembaca.
Penulis
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xi
DAFTAR ISI
HALAMAN JUDUL .................................................................................... i
HALAMAN PERSETUJUAN PEMBIMBING ............................................. ii
HALAMAN PENGESAHAN ....................................................................... iii
LEMBAR PERSEMBAHAN ........................................................................ iv
PERNYATAAN KEASLIAN KARYA ........................................................ v
ABSTRAK ................................................................................................... vi
ABSTRACT ................................................................................................. vii
KATA PENGANTAR .................................................................................. viii
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH .............. x
DAFTAR ISI ................................................................................................ xi
DAFTAR TABEL ........................................................................................ xiii
BAB I. PENDAHULUAN ............................................................................ 1
A. Latar Belakang .................................................................................. 1
B. Rumusan Masalah ............................................................................. 3
C. Batasan Masalah................................................................................ 4
D. Tujuan Penulisan ............................................................................... 4
E. Metode Penulisan .............................................................................. 4
F. Sistematika Penulisan ....................................................................... 5
BAB II. LANDASAN TEORI ...................................................................... 6
A. KONSEP – KONSEP STATISTIK.................................................... 6
B. PROBABILITAS .............................................................................. 10
C. MATRIKS ........................................................................................ 20
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xii
BAB III. REGRESI LINIER ......................................................................... 33
A. ANALISIS REGRESI LINIER SEDERHANA ................................. 34
B. ANALISIS REGRESI LINIER BERGANDA ................................... 60
C. PENGUJIAN HIPOTESIS ................................................................ 90
BAB IV. MULTIKOLINIERITAS................................................................ 95
A. KONSEKUENSI MULTIKOLINIERITAS ....................................... 98
B. PENDETEKSIAN MULTIKOLINIERITAS ..................................... 103
C. LANGKAH – LANGKAH PERBAIKAN ......................................... 107
BAB V. KESIMPULAN ............................................................................... 125
DAFTAR PUSTAKA ................................................................................... 128
LAMPIRAN ................................................................................................. 129
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiii
DAFTAR TABEL
Tabel 2.1 Tabel Percobaan Pelemparan Dua Buah Mata Uang Logam ........... 11
Tabel 2.2 Tabel Distribusi Peluang Percobaan Pelemparan Sepasang Dadu ... 13
Tabel 4.1 Data Mobil Penumpang ............................................................... 103
Tabel 4.2 Data tahun 1936 - 1952 ................................................................ 108
Tabel 4.3 Hasil pengkombinasian data time series dan cross section ........... 110
Tabel 4.4 Data hasil Pengeluaran Variabel .................................................. 113
Tabel 4.5 Data Belanja Konsumsi, Pendapatan, dan Waktu ......................... 116
Tabel 4.6 Data Hasil Transformasi Diferensial Pertama Sebagai ................. 118
Tabel 4.7 Data Hasil Transformasi Rasio .................................................... 122
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
1
BAB I
PENDAHULUAN
A. Latar Belakang Masalah
Istilah regresi pertama kali diperkenalkan oleh Sir Francis Galton (1822-1911)
yang membandingkan tinggi badan anak laki-laki dengan tinggi badan ayahnya. Dia
mengamati setelah beberapa generasi, anak laki-laki dengan ayah yang postur
tubuhnya sangat tinggi cenderung lebih pendek dari ayahnya, sampai mendekati
suatu besaran tinggi badan tertentu, yang tidak lain adalah tinggi rata-rata seluruh
populasi tinggi anak laki-laki, atau tinggi anak laki-laki pada umumnya. Demikian
pula anak laki-laki dengan ayah yang postur tubuhnya sangat pendek, setelah
beberapa generasi cenderung lebih tinggi dari ayahnya, hingga mendekati rata-rata
seluruh populasi.
Dalam kehidupan sehari-hari sering juga dijumpai hubungan antara suatu
variabel dengan satu atau lebih variabel lain. Variabel yang dipengaruhi disebut
variabel terikat yang dilambangkan dengan Y, sedangkan variabel yang
mempengaruhi disebut variabel bebas yang dilambangkan dengan X. Contohnya
dalam bidang ekonomi, ingin diketahui hubungan antara pengeluaran bulanan dalam
satu keluarga dengan banyaknya pendapatan keluarga tersebut dalam satu bulan.
Dalam bidang pertanian, hubungan antara pupuk, jumlah air yang diberikan dengan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2
hasil panen, juga dalam bidang pendidikan, hubungan antara hasil tes inteligensi
dengan prestasi belajar siswa. Hubungan-hubungan seperti ini dikenal dengan nama
regresi. Hubungan antara variabel bebas dan variabel terikat ini bentuknya bisa linier
ataupun polynomial. Dalam penulisan ini hanya akan dibahas regresi linier.
Analisis regresi yang linier terbagi menjadi dua, yaitu analisis regresi
sederhana dan analisis regresi berganda. Analisis regresi sederhana dimodelkan
dengan bentuk sebagai berikut:
𝑌𝑖 = 𝛽0 + 𝛽1𝑋𝑖 + 𝜀𝑖
Sedangkan analisis regresi berganda dimodelkan dalam bentuk matriks sebagai
berikut:
𝒀 = 𝑿𝜷+ 𝜺
Di mana:
𝒀 =
𝑌1𝑌2⋮⋮𝑌𝑛
𝑿 =
1 𝑋11 𝑋21 ⋯ 𝑋𝑘1
1 𝑋12 𝑋22 ⋯ 𝑋𝑘2
⋮⋮1
⋮⋮
𝑋1𝑛
⋮⋮
𝑋2𝑛
⋮⋮⋯
⋮⋮
𝑋𝑘𝑛
𝜷 =
𝛽0𝛽1𝛽2⋮⋮𝛽𝑘
dan 𝜺 =
𝜀1𝜀2⋮⋮𝜀𝑛
𝒀 = vektor variabel tak bebas berordo 𝑛 × 1
𝑿 = matriks variabel bebas berordo 𝑛 × (𝑘 + 1)
𝜷 = vektor parameter yang tidak diketahui berordo (𝑘 + 1) × 1
𝜺 = vektor gangguan berordo 𝑛 × 1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3
Dari model tersebut ingin dicari parameter-parameter regresinya. Karena tidak
mungkin untuk memperoleh data populasi maka yang dicari adalah penaksir
parameternya saja. Dalam mencari penaksir parameter-parameter tersebut diperlukan
beberapa asumsi yang mendasari.
Ada beberapa asumsi yang mendasari penaksiran parameter-parameter
regresi, salah satunya adalah tidak adanya multikolinieritas. Pelanggaran asumsi tidak
adanya multikolinieritas ini akan menyebabkan beberapa hal dalam regresi, salah
satunya yaitu penaksir parameter-parameter regresi tidak dapat dicari. Jika parameter-
parameter regresi tidak dapat ditentukan, akibatnya model juga tidak dapat
ditentukan. Oleh karena beberapa hal tersebut, multikolinieritas harus diatasi.
Berdasarkan latar belakang di atas penulis memilih judul “Multikolinieritas
dalam Regresi Linier”.
B. Rumusan Masalah
Pokok permasalahan yang akan dibahas dalam tulisan ini adalah sebagai berikut:
1. Apa yang dimaksud dengan multikolinieritas dan apa konsekuensi dari
multikolinieritas?
2. Bagaimana mendeteksi multikolinieritas?
3. Bagaimana memperbaiki model regresi yang terkena multikolinieritas?
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4
C. Batasan Masalah
Dalam penulisan ini, penulis hanya akan membahas model regresi yang linier, dengan
variabel terikat Y dengan variabel bebas X. Dalam penulisan ini, dalam mendeteksi
multikolinieritas hanya menggunakan uji t , uji F, dan memeriksa nilai VIF. Untuk
langkah-langkah perbaikan penulis hanya akan membahas langkah-langkah perbaikan
dengan informasi apriori, menggabungkan data cross section dan data time series,
mengeluarkan sebuah variabel, transformasi variabel, dan penambahan data baru.
D. Tujuan Penulisan
Tujuan yang akan dicapai dalam penulisan ini adalah:
1. Memahami pengertian dari multikolinieritas dan memahami konsekuensi dari
multikolinieritas.
2. Memahami cara-cara mendeteksi multikolinieritas.
3. Memahami langkah-langkah perbaikan model regresi yang mengalami masalah
multikolinieritas.
E. Metode Penulisan
Metode penulisan makalah ini menggunakan metode studi pustaka, yaitu
dengan menggunakan buku-buku pendukung yang berkaitan dengan regresi linier dan
multikolinieritas.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5
F. Sistematika Penulisan
Bab I menjelaskan tentang latar belakang masalah, rumusan masalah,
batasan masalah, tujuan penulisan, manfaat penulisan, metode penulisan, dan
sistematika penulisan.
Bab II menjelaskan tentang landasan teori yang menjadi dasar dari
penulisan skripsi ini.
Bab III menjelaskan tentang regresi linier sederhana, regresi linier
berganda, asumsi-asumsi yang mendasari penaksiran parameter regresi linier
sederhana, asumsi – asumsi yang mendasari penaksiran parameter-parameter regresi
linier berganda, dan pengujian hipotesis.
Bab IV menjelaskan tentang pengertian multikolinieritas, konsekuensi
adanya multikolinieritas, bagaimana mendeteksi multikolinieritas, dan langkah-
langkah perbaikan model regresi yang terkena multikolinieritas.
Bab V berisi kesimpulan .
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6
BAB II
LANDASAN TEORI
A. KONSEP-KONSEP STATISTIK
Dalam pembahasan mengenai regresi linier yang akan dibahas lebih dalam
pada bab III akan sering menggunakan konsep-konsep statistik. Oleh karena itu dalam
subbab ini akan dibahas terlebih dahulu mengenai konsep-konsep statistik di
antaranya adalah populasi dan sampel, variabel dan konstanta, distribusi, dan
distribusi sampel.
Dalam mempelajari statistika tidak lepas dari istilah data, karena statistika
itu sendiri adalah ilmu mengenai pengolahan data. Regresi sebagai bagian dari
statistika, dan multikolinieritas yang merupakan bagian dari regresi juga tidak lepas
dari pengolahan data. Data didalam statistika dapat dibedakan menjadi dua secara
umum, yaitu data populasi dan data sampel. Oleh karena itu penting untuk diketahui
istilah yang berkaitan dengan data, yakni istilah populasi dan sampel.
Definisi 2.1
Populasi adalah keseluruhan pengamatan atau obyek yang menjadi perhatian(Ronald
E. Walpole,1982).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
7
Suatu populasi dikatakan terbatas bila banyaknya objek yang bisa diamati
terbatas. Suatu populasi dikatakan tidak terbatas bila banyaknya objek yang bisa
diamati tidak terbatas. Sifat-sifat populasi disebut parameter.
Definisi 2.2
Sampel adalah himpunan objek pengamatan yang dipilih dari populasi(Gunawan
Sumodiningrat,2012).
Banyaknya objek pengamatan dalam sampel disebut ukuran sampel. Sifat-
sifat sampel disebut statistik. Statistik adalah nilai yang diperoleh dari sampel dan
digunakan untuk menaksir nilai parameter.
Dalam model regresi dikenal adanya variabel bebas dan variabel terikat.
Selain itu akan sering dijumpai istilah variabel random dalam pembahasan mengenai
regresi linier. Untuk itu di dalam subbab ini, sebelum membahas mengenai pengertian
dari variabel bebas dan variabel terikat, terlebih dahulu dibahas mengenai pengertian
dari variabel itu sendiri. Tidak kalah pentingnya ketika mempelajari variabel, perlu
juga dipelajari mengenai istilah konstanta, karena umumnya persamaan matematik
juga melibatkan istilah konstanta tersebut.
Definisi 2.3
Variabel adalah suatu kuantitas homogen yang nilainya dapat berubah pada setiap
waktu yang berbeda(Gunawan Sumodiningrat,2012).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
8
Variabel terbagi dua berdasarkan bisa atau tidaknya variasi dari variabel itu
dikendalikan, yaitu variabel random dan variabel nir-random. Variabel yang
variasinya tidak dapat dikendalikan disebut variabel random, sedangkan variabel yang
variasinya dapat dikendalikan disebut variabel nir-random.
Definisi 2.4
Variabel random ialah suatu fungsi yang mengaitkan suatu bilangan real pada setiap
unsur dalam ruang sampel(Ronald E Walpole dan Raymond H Mayers,1989).
Variabel random dinyatakan dengan huruf besar, misalnya X, sedangkan
nilainya dinyatakan dengan huruf kecil, x. Pembahasan ini penting dalam
menjelaskan sifat variabel terikat Y di dalam analisis regresi linier, baik sederhana
maupun berganda. Variabel random terbagi lagi menjadi dua yaitu variabel diskrit
dan variabel kontinu.
Definisi 2.5
Konstanta adalah suatu besaran yang tidak berubah pada setiap waktu(Gunawan
Sumodiningrat,2012).
Distribusi adalah konsep yang berkaitan dengan tata aturan data. Di dalam
mempelajari asumsi-asumsi dalam regresi akan dibicarakan mengenai bagaimana
distribusi dari variabel gangguan pada model regresi. Sebelum mempelajari hal
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
9
tersebut lebih dalam, maka dibahas terlebih dahulu mengenai hal-hal yang berkaitan
dengan distribusi. Distribusi terbagi dua yaitu distribusi frekuensi dan distribusi
probabilitas.
Definisi 2.6
Distribusi frekuensi adalah suatu bentuk penyajian nilai-nilai pengamatan dari suatu
variabel yang berasal dari sampel menurut tata aturan tertentu(Gunawan
Sumodiningrat,2012).
Distribusi frekuensi dipelajari dengan cara menghitung rerata dan variannya.
Istilah rerata dan varian akan banyak digunakan di bab-bab selanjutnya.
Definisi 2.7
Distribusi probabilitas adalah suatu bentuk penyajian nilai-nilai pengamatan dari
suatu variabel yang berasal dari populasi menurut aturan tertentu(Gunawan
Sumodiningrat,2012).
Variabel-variabel di dalam populasi memiliki distribusi tertentu, oleh sebab
itu setiap nilai dari suatu variabel memiliki probabilitas kejadian tertentu. Setiap nilai
dari suatu variabel ini memiliki sifat random. Seperti halnya distribusi frekuensi
dipelajari dengan mencari rerata dan variannya maka distribusi probabilitas dipelajari
dengan cara menghitung nilai harapan dan variannya.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
B. PROBABILITAS
Seperti yang telah dipaparkan sebelumnya, bahwa di dalam penaksiran
parameter-parameter regresi di dasari beberapa asumsi, salah satunya adalah variabel
gangguan berdistribusi normal. Pada bagian ini akan dibahas mengenai pengertian
dari distribusi normal. Namun sebelum membahas mengenai distribusi normal, akan
dibahas terlebih dahulu mengenai fungsi probabilitas, distribusi probabilitas, baru
setelah itu dibahas mengenai distribusi normal.
Fungsi probabilitas yang akan dipelajari pada subbab ini juga terbagi dua,
yaitu fungsi probabilitas variabel random diskrit dan fungsi probabilitas variabel
random kontinu.
Jika X adalah variabel random diskrit dengan nilai-nilai : 𝑥1,𝑥2, 𝑥3,… , 𝑥𝑛
yang sesuai dengan probabilitas : 𝑓 𝑥1 , 𝑓(𝑥2), 𝑓(𝑥3),… , 𝑓(𝑥𝑛) maka himpunan
pasangan:
𝑥1 ............... 𝑓 𝑥1
𝑥2 .............. 𝑓(𝑥2)
𝑥3 .............. 𝑓(𝑥3)
𝑥𝑛 .............. 𝑓(𝑥𝑛)
disebut fungsi probabilitas diskrit X.
Misalkan dalam pelemparan dua buah mata uang logam sebanyak dua kali.
Banyaknya gambar atau angka yang muncul dalam setiap kali pelemparan dapat
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11
dianggap sebagai variabel random X. Kemungkinan hasil pelemparan dua buah mata
uang tersebut dinyatakan dalam tabel berikut:
Tabel 2.1: Tabel Percobaan Pelemparan Dua Buah Mata Uang Logam
Hasil Lemparan Banyaknya Gambar Probabilitas dari (X) : f(x)
Angka, Angka 0 ¼
Gambar, Gambar 2 ¼
Angka, Gambar 1 ¼
Gambar, Angka 1 ¼
Fungsi probabilitas merupakan grafik yang menggambarkan hubungan
antara X dan f(x), untuk X suatu variabel diskrit.
Jika sebuah variabel random adalah variabel kontinu dalam intervalnya
terdapat sejumlah nilai-nilai yang banyak sekali (tidak terbatas). Distribusi
probabilitas untuk variabel kontinu berupa sebuah fungsi kontinu dari variabel
random, dan disebut fungsi probabilitas density.
Selanjutnya, jika X adalah sebuah variabel random kontinu, maka
probabilitas nilai X dalam interval dari a sampai b adalah:
𝑝 𝑎 < 𝑥 < 𝑏 = 𝑓 𝑥 𝑑(𝑥)𝑏
𝑎
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
Di mana f(x) adalah fungsi probabilitas density. Integral dari 𝑥1 ke 𝑥𝑛 dalam kasus
variabel kontinu analog dengan penjumlahan probabilitas dalam kasus variabel
diskrit. Oleh karena probabilitas X akan memiliki semua nilai sama dengan 1 maka:
𝑝 −∞ < 𝑥 < ∞ = 𝑓 𝑥 𝑑(𝑥)∞
−∞
= 1
Kemudian probabilitas X mempunyai nilai kurang dari atau sama dengan 𝑥0 tertentu
adalah:
𝑝 −∞ < 𝑥 < 𝑥0 = 𝐹 𝑥0 = 𝑓 𝑥 𝑑(𝑥)𝑥0
−∞
Di mana F mencerminkan probabilitas kumulatif dari X.
Seperti halnya fungsi probabilitas yang terbagi menjadi fungsi probabilitas
diskrit dan fungsi probabilitas kontinu, distribusi probabilitas yang akan dipelajari
pada subbab ini terbagi dua yaitu, distribusi peluang diskrit dan distribusi peluang
kontinu.
Definisi 2.8
Distribusi peluang diskrit adalah sebuah tabel atau rumus yang mencantumkan semua
kemungkinan nilai suatu peubah acak diskrit berikut peluangnya(Gunawan
Sumodiningrat,2012).
Contoh 2.1
Tentukan distribusi peluang bagi jumlah bilangan bila sepasang dadu dilemparkan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
Penyelesaian:
Misalkan X adalah peubah acak yang menyatakan jumlah bilangan dari kedua dadu
tersebut. Maka X dapat mengambil sembarang nilai bulat dari 2 sampai 12. Dua dadu
dapat mendarat dalam 36 cara, masing-masing dengan peluang 1
36. 𝑃 𝑋 = 3 =
2
36,
karena jumlah 3 hanya dapat terjadi dalam 2 cara. Dengan memperhatikan
kemungkinan nilai-nilai lainnya. Distribusi peluang yang diperoleh adalah sebagai
berikut:
Tabel 2.2: Tabel Distribusi Peluang Percobaan Pelemparan Sepasang Dadu
x 2 3 4 5 6 7 8 9 10 11 12
P(X = x) 1
36
1
36
1
36
1
36
1
36
1
36
1
36
1
36
1
36
1
36
1
36
Pada distribusi peluang kontinu, tidak mungkin menyajikan semua
kemungkinan data dengan menggunakan tabel. Misalnya ingin diketahui peluang
mengambil secara acak orang yang tingginya tepat 164 cm, di antara orang yang
berusia di atas 21 tahun. Peluang mengambil secara acak orang yang tingginya tepat
164 cm bernilai nol. Hal ini dikarenakan ambilah contoh di antara angka 163.5 dan
164.5 terdapat tak hingga banyaknya ukuran tinggi, dan hanya satu yang tepat 164
cm. Sehingga peluang mengambil secara acak orang yang tingginya 164 cm di antara
tak hingga ukuran tinggi dinilai nol.
Distribusi probabilitas memiliki beberapa sifat yang penting diantaranya
adalah rerata hitung dan varian. Rerata hitung biasanya disebut sebagai nilai harapan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
Dalam pembahasan mengenai regresi linier akan dicari nilai harapan dari variabel Y
berdasarkan nilai dari variabel X tertentu, untuk itu terlebih dahulu dipelajari
mengenai nilai harapan itu sendiri.
Definisi 2.10
misalkan bahwa suatu variabel random X mempunyai distribusi diskrit dengan fungsi
peluang (f.p) dari x adalah f. Nilai harapan dari X, ditulis dengan lambang E(X),
adalah suatu jumlah yang didefinisikan sebagai berikut:
E(X) = 𝑥𝑓(𝑥)𝑥 (2.10.1)
𝑥 𝑓(𝑥)𝑥 < ∞ (2.10.2)
(Abdus Salam, 1989)
Definisi 2.11
jika sebuah Variabel Random X mempunyai suatu distribusi kontinu dengan
fungsi kepadatan peluang (f.d.p) dari X adalah f maka ekspektasi E(X) didefinisikan
sebagai berikut :
E(X) = 𝑥𝑓 𝑥 𝑑𝑥∞
−∞ (2.3)
(Abdus Salam, 1989)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
Teorema 2.1
Jika Y = aX + b , yang mana aX + b adalah konstanta maka E(Y) = aE(X) + b(Abdus
Salam, 1989).
Bukti :
E(Y) = E (aX + b)
= 𝑎𝑥 + 𝑏 𝑓 𝑥 𝑑𝑥∞
−∞
= 𝑎 𝑥𝑓 𝑥 𝑑𝑥∞
−∞+ 𝑏 𝑓 𝑥 𝑑𝑥
∞
−∞
E(Y) = 𝑎𝐸 𝑋 + 𝑏
Definisi 2.12
Misalkan bahwa X adalah sebuah variabel random dengan mean 𝜇 = 𝐸(𝑋). Varians
dari X, ditulis dengan lambang Var(X), didefinisikan sebagai berikut:
Var(X) = 𝐸[(𝑋 − 𝜇)]2
(Abdus Salam,1989)
Sifat-sifat varians:
1. 𝐸(𝑋 − 𝜇)2 = 𝐸 𝑋2 − 𝜇2
Pembuktiannya adalah sebagai berikut:
Diketahui 𝜇 = 𝐸(𝑋)
𝐸(𝑋 − 𝜇)2 = 𝐸(𝑋2 − 2𝜇𝑋 + 𝜇2)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
= 𝐸 𝑋2 − 2𝜇𝐸 𝑋 + 𝜇2
= 𝐸 𝑋2 − 2𝜇𝜇 + 𝜇2
= 𝐸 𝑋2 − 2𝜇2 + 𝜇2
= 𝐸 𝑋2 + 𝜇2
2. Jika 𝑋1 dan 𝑋2 adalah variabel random bebas, maka
𝑣𝑎𝑟 𝑋1 + 𝑋2 = 𝑣𝑎𝑟 𝑋1 + 𝑣𝑎𝑟( 𝑋2)
Bukti :
𝐸 𝑋1 = 𝜇1 dan 𝐸 𝑋2 = 𝜇2 maka
𝐸 𝑋1 + 𝑋2 = 𝜇1 + 𝜇2 , sehingga
𝑉𝑎𝑟 𝑋1 + 𝑋2 = 𝐸[(𝑋1 + 𝑋2 − 𝜇1 − 𝜇2)]2
= 𝐸[((𝑋1 − 𝜇1 ) + (𝑋2 − 𝜇2))2]
= 𝐸[(𝑋1 − 𝜇1 )2 + (𝑋2 − 𝜇2)2 + 2(𝑋1 − 𝜇1 )(𝑋2 − 𝜇2)
= Var(𝑋1) + 𝑉𝑎𝑟 𝑋2 + 2𝐸(𝑋1 − 𝜇1 )(𝑋2 − 𝜇2)
Karena 𝑋1 dan 𝑋2 bebas,
E[(𝑋1 − 𝜇2 ) (𝑋2 − 𝜇2)] = E(𝑋1 − 𝜇1 )E(𝑋2 − 𝜇2)
= (E𝑋1 − 𝜇1)(E𝑋2 − 𝜇2)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
= (𝜇1 − 𝜇1)( 𝜇2 − 𝜇2)
= 0
Maka : 𝑉𝑎𝑟 𝑋1 + 𝑋2 = Var(𝑋1) + 𝑉𝑎𝑟 𝑋2
Kovarian antara dua peubah acak adalah suatu bentuk hubungan antara dua
peubah itu, misalkan apabila nilai X yang besar maka nilai Y juga besar, atau X kecil
maka nilai Y juga kecil. Hubungan yang semacam ini disebut hubungan yang positif.
Sebaliknya nilai X yang besar dengan Y yang kecil, atau X yang kecil maka Y
nilainya besar, maka hubungan demikian disebut hubungan yang negatif. Tanda
kovariansi (+ atau -) menunjukan seperti apa hubungan kedua peubah acak itu,
apakah positif ataukah negatif.
Definisi 2.13
Kovarians didefinisikan sebagai berikut:
𝜎𝑥𝑦 = 𝑋𝑖 − 𝐸(𝑋) 𝑌𝑖 − 𝐸(𝑌) 𝑝(𝑥𝑖,𝑦𝑖)𝑁𝑖=1 di mana
𝑋𝑖 = nilai variabel acak X ke-i
𝑌𝑖 = nilai variabel acak Y ke-i
𝑝 𝑥𝑖 , 𝑦𝑖 = probabilitas terjadinya 𝑥𝑖 dan 𝑦𝑖
𝑖 = 1,2,… ,𝑁
Selanjutnya akan dibahas mengenai distibusi normal. Distribusi normal
adalah distribusi yang terpenting dalam seluruh bidang statistika. Grafiknya
berbentuk lonceng, disebut kurva normal. Sebaran data di alam digambarkan dengan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
cukup baik oleh kurva normal ini. Pengukuran fisik di bidang seperti percobaan
meteorologi, penelitian curah hujan, dan pengukuran suku cadang yang diproduksi
sering dengan baik dapat diterangkan menggunakan distribusi normal. Di samping itu
variabel gangguan dalam pengukuran ilmiah dapat dihampiri dengan baik oleh
distribusi normal. Semakin sangat banyak titik sampel dalam penelitian kita, maka
semakin data itu menghampiri normal.
Distribusi normal sering disebut distribusi Gauss untuk menghormati Karl
Friedrish Gauss (1777-1855), yang juga menemukan persamaannya waktu meneliti
variabel gangguan dalam pengukuran yang berulang-ulang mengenai bahan yang
sama. Peubah acak kontinu yang kurvanya berbentuk lonceng disebut peubah acak
normal.
Definisi 2.9
Distribusi normal adalah fungsi padat peubah acak normal X, dengan rataan 𝜇 dan
variansi 𝜎2, ialah 𝑛 𝑥;𝜇,𝜎 =1
2𝜋𝜎𝑒−
1
2 (
𝑥−𝜇
𝜎)2
, − ∞ < 𝑥 < ∞ dengan 𝜋 =
3,14159… dan 𝑒 = 2,71828… (Ronald E Walpole dan Raymond H Mayers, 1995).
Bentuk kurva normal ditentukan oleh 𝜇 dan 𝜎. Titik tertinggi kurva normal
berada pada rata-ratanya. Semakin tinggi kurva normal tersebut, semakin ramping
dan runcing bentuk kurvanya, yang menandakan bahwa titik-titik pengamatannya
berkumpul di sekitar rata-rata 𝜇. Runcing dan tumpul suatu kurva normal ditentukan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
oleh simpangan baku 𝜎. Bentuk (𝑥−𝜇
𝜎)2 menandakan kurva normal adalah kurva yang
simetris.
Dengan memperhatikan gambar berikut serta memeriksa turunan pertama
dan kedua dari 𝑛 𝑥; 𝜇,𝜎 dapat diperoleh lima sifat kurva normal berikut:
Gambar 2.1 Kurva Normal dengan Simpangan baku 0.5
1. Modus, titik pada sumbu datar yang memberikan maksimum kurva, terdapat pada
𝑥 = 𝜇;
2. Kurva setangkup terhadap sumbu tegak yang melalui rataan 𝜇;
3. Kurva mempunyai titik belok pada 𝑥 = 𝜇 ± 𝜎, cekung dari bawah bila 𝜇 − 𝜎 <
𝑋 < 𝜇 + 𝜎, dan cekung dari atas untuk nilai x lainnya;
4. Kedua ujung kurva normal mendekati asimptot sumbu datar bila nilai x bergerak
menjauhi 𝜇 baik ke kiri maupun ke kanan;
5. Seluruh luas di bawah kurva dan di atas sumbu datar sama dengan 1.
Setiap hasil pengamatan yang berasal dari sembarang variabel acak normal x
ditransformasikan menjadi variabel acak normal z dengan 𝜇 = 0 dan 𝜎 = 1, untuk
memudahkan dalam membuat tabel distribusi normal. Variabel acak normal z
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
merupakan bentuk baku dari setiap variaabel acak normal x sehingga penyelesaian
setiap persoalan dengan 𝜇 dan 𝜎 yang berbeda dapat diselesaikan dengan satu tabel
standar.
Untuk mengubah distribusi normal menjadi distribusi normal baku adalah
dengan cara mengurangi nilai-nilai variabel X dengan rata-rata 𝜇 dan membaginya
dengan standar deviasi 𝜎 sehingga diperoleh variabel baru Z, yaitu:
𝑍 =𝑋−𝜇
𝜎
𝐸 𝑍 = 𝐸 𝑋−𝜇
𝜎 =
1
𝜎𝐸 𝑋 − 𝜇 =
𝜇−𝜇
𝜎= 0
𝑉𝑎𝑟 𝑍 = 𝐸[𝑍 − 𝐸 𝑍 ]2 = 𝐸(𝑍)2 = 𝐸(𝑋−𝜇
𝜎)2 =
𝜎2
𝜎2 = 1
Sehingga variabel normal baku Z mempunyai rata-rata 𝜇 = 0 dan standar
deviasi 𝜎 = 1.
C. MATRIKS
Pembahasan tentang matriks berguna dalam mempelajari analisis regresi
berganda yang akan dibahas pada bab III. Dalam subbab ini akan dipelajari mengenai
tipe-tipe matriks, operasi matriks, transpose dan submatriks, determinan, invers
matriks persegi, tetapi sebelumnya akan dibahas terlebih dahulu mengenai matriks itu
sendiri.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
Definisi 2.14
Matriks adalah suatu susunan bilangan-bilangan berbentuk segiempat. Bilangan-
bilangan dalam susunan itu disebut elemen dari matriks tersebut(Howard
Anton,2000).
Ukuran matriks atau ordo matriks diberikan oleh jumlah baris (garis
horisontal) dan kolom (vertical) yang menyusunnya. Matriks ditulis dengan huruf
yang dicetak tebal. Jika ada sebuah matriks A yang terdiri 𝑚 baris dan 𝑛 kolom, maka
ordo matriks A adalah × 𝑛 . Dalam pembahasan tentang matriks juga dikenal istilah
skalar, yaitu angka tunggal atau bilangan real. Sebuah besaran skalar adalah matiks
1 × 1. Sebuah matriks dengan hanya satu kolom disebut vektor kolom, dan sebuah
matriks dengan hanya satu baris adalah vektor baris.
Contoh 2.2
𝑨 =
1 2625
−301
𝑩 = 2 1 0 3 −1 𝑪 = 204
Matriks 𝑨 dalam contoh di atas memiliki 4 baris dan 2 kolom, maka ukuran
atau ordo dari matriks A adalah 3 × 2. Matriks 𝑩 hanya terdiri dari satu baris, maka
matriks 𝑩 merupakan vektor baris. Matriks 𝑪 terdiri hanya dari satu kolom, maka
matriks 𝑪 merupakan vektor kolom.
Dalam mempelajari matriks dikenal beberapa tipe-tipe matriks. Tipe-tipe
matriks tersebut di antaranya adalah :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
1. Matriks Persegi
Matriks persegi adalah sebuah matriks yang memiliki jumlah baris dan kolom
sama.
Contoh 2.6
𝑨 = 2 17 9
𝑩 =
5 2 −3 8−103
741
240
102
2. Matriks Diagonal
Sebuah matriks dengan setidaknya satu elemen tidak bernilai nol pada diagonal
utama (terletak pada sudut kiri atas hingga sudut kanan bawah) dan bernilai nol
pada elemen lainnya disebut sebagai matriks diagonal.
Contoh 2.7
𝑨 = 2 00 3
𝑩 = 2 0 000
50
01
3. Matriks Identitas
Sebuah matriks diagonal dengan semua elemen diagonal bernilai 1 disebut
matriks identitas. Matriks identitas dilambangkan dengan I .
Contoh 2.9
𝑰 =
1 0 0 0 00 1 0 0 0000
000
100
010
001
𝑰 = 1 0 000
10
01
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
4. Matriks Simetris
Matriks simetris adalah sebuah matriks persegi dengan elemen yang berada di
atas diagonal utama merupakan cerminan di bawah elemen dari diagonal utama.
Dalam sebuah matriks simetris, matriks = 𝑨𝒕 .
5. Matriks nol
sebuah matriks dengan semua elemennya bernilai nol disebut matriks nol,
dilambangkan dengan 0 .
6. Vektor nol
Sebuah vektor baris atau vektor kolom yang semua elemennya bernilai nol
disebut sebagai vektor nol, dan juga dilambangkan dengan 0 .
7. Matriks yang Sama
Dua matriks didefinisikan sama jika keduanya mempunyai ukuran yang sama dan
elemen-elemen yang berpadanan sama.
Contoh 2.10
𝑨 =
5 2 −3 8−103
741
240
102
𝑩 =
5 2 −3 8−103
741
240
102
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
Pada regresi berganda, dalam mencari rumus penaksir 𝛽 dengan matriks,
melibatkan beberapa operasi matriks. Tidak hanya itu, dalam membuktikan sifat-sifat
dari penaksir, juga menggunakan beberapa operasi matriks. Pada bab IV untuk
membuktikan konsekuensi dari multikolinieritas juga menggunakan beberapa operasi
matriks. Untuk itu penting memahami beberapa operasi matriks, yang akan dibahas
dalam bagian ini. Berikut ini adalah beberapa operasi matriks.
1. Penjumlahan Matriks
Anggap A = 𝑎𝒊𝒋 dan B = 𝑏𝒊𝒋 . jika A dan B adalah matriks yang mempunyai
order yang sama, penjumlahan matriks didefinisikan sebagai
𝑨 + 𝑩 = 𝑪
Di mana C adalah matriks yang mempunyai order yang sama dengan A dan B,
serta diketahui juga bahwa 𝑐𝒊𝒋 = 𝑎𝒊𝒋 + 𝑏𝒊𝒋 untuk semua I dan j, yaitu C didapatkan
dengan menjumlahkan elemen A dan B .
Contoh 2.11
𝑨 = 2 3 4 56 7 8 9
𝑩 = 1 0 −1 3−2 0 1 5
𝑨 + 𝑩 = 𝑪
𝑪 = 2 3 4 56 7 8 9
+ 1 0 −1 3−2 0 1 5
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
= 2 + 1 3 + 0 4 − 1 5 + 36 − 2 7 + 0 8 + 1 9 + 5
𝑪 = 3 3 3 84 7 9 14
2. Pengurangan Matriks
Pengurangan matriks memiliki prinsip yang sama dengan penjumlahan matriks,
kecuali bahwa 𝑨 − 𝑩 = 𝑪 , yaitu jika elemen dari B dikurangi dari elemen yang
berhubungan dengan A untuk mendapatkan C , memberikan order yang sama bagi
A dan B.
3. Perkalian Skalar
Mengalikan sebuah matriks A dengan sebuah skalar 𝜆 (sebuah angka riil), maka
setiap elemen dari matriks akan dikalikan dengan 𝜆 ∶
𝜆𝑨 = 𝜆𝑎𝑖𝑗
4. Perkalian Matriks
Anggap A adalah matriks berorde 𝑚 × 𝑛 dan B adalah matriks yang berorde × 𝑝 ,
maka AB didefinisikan sebagai matriks yang baru C dengan orde 𝑚 × 𝑝, seperti:
𝑐𝑖𝑗 = 𝑎𝑖𝑘𝑏𝑘𝑗𝑛𝑘=1 𝑖 = 1,2,… , 𝑚 𝑗 = 1,2,… , 𝑝
Contoh 2.12
𝑨 = 2 16 3
𝑩 = 2 3 46 7 8
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
𝑨 × 𝑩 = 2 16 3
× 2 3 46 7 8
= 2 × 2 + (1 × 6) 2 × 3 + (1 × 7) 2 × 4 + (1 × 8)
6 × 2 + (3 × 6) 6 × 3 + (3 × 7) 6 × 4 + (3 × 8)
= 10 13 1630 39 48
Sifat-sifat perkalian matriks:
a. Perkalian matriks tidak bersifat komutatif, yaitu AB ≠ BA .
b. Walaupun AB dan BA ada, hasil matriks tidak berada dalam orde yang sama,
jadi jika A adalah matriks 𝑚 × 𝑛 dan B adalah 𝑛 × 𝑚 , AB adalah 𝑚 × 𝑚 ,
sementara BA adalah 𝑛 × 𝑛, dengan demikian AB dan BA berbeda orde.
c. Sebuah vektor baris yang telah dikalikan dengan sebuah vektor kolom adalah
sebuah skalar.
d. Sebuah vektor kolom yang telah dikalikan dengan vektor baris adalah sebuah
matriks.
Di dalam regresi berganda untuk mencari penaksir parameter-parameter
regresi menggunakan bentuk matriks. Di dalam rumusan tersebut memuat suatu
transpose matriks. Untuk memahami perhitungan-perhitungan dalam bab III maupun
di dalam bab IV yang melibatkan transpose matrik, dalam subbab ini dibahas terlebih
dahulu mengenai pengertian dari transpose matriks itu sendiri.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
Definisi 2.15
Jika A adalah sebarang matriks 𝑚 × 𝑛, maka transpose A, dinyatakan dengan 𝑨𝑡 ,
didefinisikan sebagai matriks 𝑛 × 𝑚 yang didapatkan dengan mempertukarkan baris
dan kolom dari A, yaitu kolom pertama dari 𝑨𝑡 adalah baris pertama dari A, kolom
kedua dari 𝑨𝑡 adalah baris kedua dari A, dan sterusnya.
Contoh 2.3
𝑨 = 4 535
10 𝑨𝑡 =
4 3 55 1 0
Pengubahan susunan sebuah vektor baris merupakan sebuah vektor kolom
dan sebaliknya, pengubahan susunan sebuah vektor kolom merupakan sebuah vektor
baris.
Contoh 2.4
𝒙 = 456 𝒙𝑡 = 4 5 6
Dengan matriks A berordo 𝑚 × 𝑛, jika semua kecuali baris 𝑟 dan kolom 𝑠 matriks A
dihapus, matriks yang dihasilkan dari ordo 𝑟 × 𝑠 yang disebut submatriks A.
Contoh 2.5
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
𝑨 = 3 5 783
22
11
Dan baris ketiga dan kolom ketiga matriks A, didapat:
𝑩 = 3 58 2
Matriks 𝑩 adalah sebuah submatriks 𝑨 dengan ordo 2 × 2.
Berikut ini adalah sifat-sifat dari transpose matriks:
a. Pengubahan susunan dari sebuah matriks yang telah mengalami pengubahan
adalah matriks asli itu sendiri. Jadi (𝑨𝑡)𝑡 = 𝑨
b. C = A + B dan 𝑪𝑡 = (𝐀 + 𝐁)𝑡 = 𝑨𝑡 + 𝑩𝑡
c. (𝑨𝑩)𝑡 = 𝑩𝑡𝑨𝑡
(𝑨𝑩𝑪𝑫)𝑡 = 𝑫𝑡𝑪𝑡𝑩𝑡𝑨𝑡
d. 𝑰𝑡 = 𝑰 , 𝑰 adalah matriks identitas
e. 𝜆𝑡 = 𝜆 , 𝜆 adalah sebuah skalar (sebuah angka riil)
f. (𝑨𝜆)𝑡 = 𝑨𝑡𝜆𝑡 = 𝑨𝑡 𝜆 = 𝜆𝑨𝑡
g. Apabila A adalah matriks persegi dengan 𝑨 = 𝑨𝑡 , maka 𝑨 adalah sebuah matriks
simetris.
Determinan dari matriks A dinyatakan dengan det 𝑨 atau dengan simbol 𝑨 ,
di mana berarti “determinan dari”. Proses menemukan nilai sebuah determinan
dikenal sebagai ekspansi dari determinan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
Untuk mencari determinan A berorde 2 × 2 dilakukan perkalian silang secara
berlawanan elemen diagonal utama dan mengurangi produk perkalian silang dengan
elemen diagonal lainnya dari matriks A. Ekspansi dari determinan untuk matriks
berorde 2 × 2 adalah sebagai berikut:
Jika 𝑨 = 𝑎11 𝑎12
𝑎21 𝑎22
Maka 𝑨 = 𝑎11 𝑎12
𝑎21 𝑎22 = 𝑎11𝑎22 − 𝑎12𝑎21
Sedangkan ekspansi dari determinan berorde 3 × 3 adalah sebagai berikut:
Jika 𝑨 = 𝑎11
𝑎12 𝑎13
𝑎21
𝑎31
𝑎22
𝑎32
𝑎23
𝑎33
Maka 𝑨 = 𝑎11𝑎22𝑎33 − 𝑎11𝑎23𝑎32 + 𝑎12𝑎23𝑎31 − 𝑎12𝑎21𝑎33 + 𝑎13𝑎21𝑎32 −
𝑎13𝑎22𝑎31
Sifat-sifat determinan :
1. Sebuah matriks dengan nilai determinan nol disebut sebagai matriks singular,
sedangkan sebuah matriks dengan nilai determinan tidak nol disebut sebagai
matriks nonsingular, di mana matriks singular tidak mempunyai invers.
2. Jika semua elemen dari setiap baris atau kolom matriks A adalah nol,
determinannya adalah nol, jadi,
𝑨 = 0 0 015
49
73 = 0 atau 𝑨 =
0 2 400
49
73 = 0
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
3. 𝑨 = 𝑨𝒕
4. Dengan menukar dua baris atau dua kolom manapun dari matriks A akan
mengubah tanda dari 𝑨 .
5. Jika setiap elemen dari sebuah baris atau sebuah kolom dari matriks A dikalikan
dengan sebuah skalar , maka 𝑨 dikalikan dengan 𝜆.
6. Jika dua baris atau dua kolom sebuah matriks identik, determinannya adalah nol.
7. Jika satu baris atau satu kolom dari sebuah matriks merupakan perkalian baris
atau kolom lainnya, determinannya adalah nol. Jika baris atau kolom manapun
sebuah matriks merupakan kombinasi linear dari baris (kolom) lainnya,
determinannya adalah nol.
8. 𝑨𝑩 = 𝑨 𝑩 , artinya bahwa determinan dari produk dua matriks adalah produk
dari determinannya masing-masing.
Teorema 2.4
Anggap adalah suatu matriks 𝑛 × 𝑛
Jika B adalah matriks yang dihasilkan jika suatu penggandaan suatu baris A
ditambahkan pada baris lainnya atau jika suatu penggandaan suatu kolom
ditambahkan pada kolom lainnya, maka det 𝑩 = det(𝑨) .
Bukti:
𝑩 = 𝑎11 + 𝑘𝑎12 𝑎12 𝑎13
𝑎21 + 𝑘𝑎22 𝑎22 𝑎23
𝑎31 + 𝑘𝑎32 𝑎32 𝑎33
𝑨 =
𝑎11 𝑎12 𝑎13
𝑎21 𝑎22 𝑎23
𝑎31 𝑎32 𝑎33
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
31
𝑩 = 𝑎11 + 𝑘𝑎12 𝑎22𝑎33 + 𝑎12𝑎23 𝑎31 + 𝑘𝑎32 + 𝑎13(𝑎21 + 𝑘𝑎22)𝑎32 −
𝑎12 𝑎21 + 𝑘𝑎22 𝑎33 + 𝑎11 + 𝑘𝑎12 𝑎23𝑎32 + 𝑎13𝑎22(𝑎31 + 𝑘𝑎32)
= (𝑎11𝑎22𝑎33) + 𝑘(𝑎12𝑎22𝑎33) + (𝑎12𝑎23𝑎31) + 𝑘(𝑎12𝑎23𝑎32) + (𝑎13𝑎21𝑎32) +
𝑘(𝑎13𝑎22𝑎32) − (𝑎12𝑎21𝑎33) + 𝑘(𝑎12𝑎22𝑎33) + (𝑎11𝑎23𝑎32) + 𝑘(𝑎12𝑎23𝑎32) +
(𝑎13𝑎22𝑎31) + 𝑘(𝑎13𝑎22𝑎32)
= {(𝑎11𝑎22𝑎33) + (𝑎12𝑎23𝑎31) + (𝑎13𝑎21𝑎32) −[ (𝑎12𝑎21𝑎33) + (𝑎11𝑎23𝑎32) +
(𝑎13𝑎22𝑎31)]} + { 𝑘(𝑎12𝑎22𝑎33) + 𝑘(𝑎12𝑎23𝑎32) + 𝑘(𝑎13𝑎22𝑎32) −
[ 𝑘(𝑎12𝑎22𝑎33) + 𝑘(𝑎12𝑎23𝑎32) + 𝑘(𝑎13𝑎22𝑎32)]}
= 𝑨 + 0
𝑩 = 𝑨
Jika baris ke-i dan kolom ke-j dari matriks A dihapus, determinan dari
submatriks disebut minor dari elemen 𝑎𝑖𝑗 dan dilambangkan dengan 𝑴𝒊𝒋
Kofaktor elemen 𝑎𝑖𝑗 dari sebuah matriks A berorde 𝑁 × 𝑁 dilambangkan dengan 𝑐𝑖𝑗
dinyatakan sebagai
𝑐𝑖𝑗 = (−1)𝑖+𝑗 𝑴𝑖𝑗
Matriks kofaktor adalah sebuah matriks yang diperoleh dengan menggantikan elemen
𝑎𝑖𝑗 dari sebuah matriks A dengan kofaktornya, dilambangkan dengan (cof A).
Sedangkan matrika adjoin adalah pengubahan susunan dari matriks kofaktor, yaitu
(adj 𝐀) = (cof 𝐀)t.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
32
Sebuah invers dari matriks persegi A , dilambangkan dengan 𝑨−1 jika ada
merupakan sebuah matriks persegi yang unik, dan memenuhi :
𝑨𝑨−1 = 𝑨−1𝑨 = 𝑰
Di mana 𝑰 adalah matriks identitas. Sifat-sifat invers matriks :
a. (𝑨𝑩)−1 = 𝑩−1𝑨−1
b. (𝑨−1)𝑡 = (𝑨𝑡)−1
Jika matriks A adalah matriks persegi dan non singular, di mana 𝑨 ≠ 0 ,
invers 𝑨−1 dapat ditemukan sebagai:
𝑨−1 =1
𝑨 (𝑎𝑑𝑗 𝑨)
Berikut ini adalah langkah-langkah dalam mencari invers matriks:
1. Mencari nilai determinan, jika nilainya tidak nol maka lanjut ke langkah nomor
dua.
2. Mengganti setiap elemen 𝑎𝑖𝑗 matriks A dengan kofaktornya untuk mendapatkan
matriks kofaktor.
3. Mengubah susunan dari matriks kofaktor untuk mendapatkan matriks adjoin.
4. Membagi setiap elemen dari matriks adjoin dengan 𝑨 .
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
BAB III
ANALISIS REGRESI
Dalam kehidupan sehari – hari sering ditemui adanya hubungan antar
variabel. Contohnya di dalam bidang ekonomi, adanya hubungan antara pengeluaran
suatu keluarga selama satu bulan dengan pendapatan keluarga tersebut selama satu
bulan. Di dalam bidang pendidikan, adanya hubungan antara hasil tes inteligensi
siswa dengan nilai ulangan kimia siswa, ataupun hubungan antara hasil panen dengan
jenis pupuk dan kadar air di dalam bidang pertanian. Hubungan yang semacam itu di
dalam statistika di namakan regresi.
Definisi 3.1
Analisis regresi berkaitan dengan studi mengenai ketergantungan satu variabel, yaitu
variabel terikat, terhadap satu atau lebih variabel lainnya, yaitu variabel bebas,
dengan tujuan untuk mengestimasi dan/atau memperkirakan nilai rata-rata (populasi)
variabel terikat dari nilai yang diketahui atau nilai tetap dari variabel bebas(Damodar
N. Gujarati,2012).
Variabel yang mempengaruhi variabel lain disebut variabel bebas,
sedangkan variabel yang nilainya dipengaruhi atau tergantung dengan nilai variabel
bebas merupakan variabel terikat. Variabel bebas dilambangkan dengan X, sedangkan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
variabel terikat dilambangkan dengan Y. Bentuk hubungan variabel bebas dan terikat
ini bisa linier, kuadratik, logaritma, eksponensial, atau hiperbola. Dalam penulisan ini
hanya akan dibahas hubungan yang linier.
Pembahasan mengenai analisis regresi ini terdiri dari analisis regresi
sederhana dan analisis regresi berganda. Tetapi sebelumnya terlebih dahulu akan
dibahas mengenai sifat variabel bebas dan variabel terikat.
Variabel bebas diasumsikan bersifat tetap karena memiliki nilai yang sama
dalam berbagai sampel. Nilai dari variabel bebas sudah ditentukan sebelumnya oleh
peneliti. Satu variabel bebas dapat menentukan lebih dari satu variabel terikat.
Variabel terikat bersifat random, karena nilainya ditentukan oleh suatu eksperimen
acak.
A. ANALISIS REGRESI LINIER SEDERHANA
Analisis regresi linier sederhana adalah analisis regresi linier di mana nilai
variabel terikat Y hanya dipengaruhi oleh satu variabel penjelas X. Contoh,
pengeluaran keluarga mingguan dipengaruhi oleh pendapatan mingguan keluarga.
Dengan pengetahuan sebelumnya bahwa hubungan X dan Y yang linier
maka dapat dinyatakan dengan persamaan matematik berikut:
𝑌𝑖 = 𝛽0 + 𝛽1𝑋𝑖 + 휀𝑖 (3.1)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
𝛽0 merupakan intercept atau jarak dari titik O(0,0) dengan titik potong terhadap
sumbu ordinat (sumbu y), 𝛽1 adalah slope atau gradient atau kemiringan garis, 휀𝑖
merupakan galat atau error. 𝛽0 dan 𝛽1 merupakan koefisien-koefisien regresi.
Asumsi-asumsi di dalam regresi linier yang harus dipenuhi, yaitu:
1. 𝐸 휀𝑖 𝑋𝑖 = 0
Dengan kata-kata bahwa nilai harapan bersyarat 휀𝑖 terhadap X tertentu
adalah 0. Nilai-nilai Y untuk X tertentu dapat berada di atas maupun di bawah garis
regresi, jarak antara Y dengan nilai harapannya adalah 휀.
2. 𝑐𝑜𝑣 휀𝑖 , 휀𝑗 = 𝐸 휀𝑖 − 𝐸 휀𝑖 [휀𝑗 − 𝐸 휀𝑗 ]
= 𝐸(휀𝑖휀𝑗 ) karena asusmsi 1
= 0 𝑖 ≠ 𝑗
𝑐𝑜𝑣 휀𝑖 , 휀𝑗 = 0 berarti pula bahwa 휀𝑖 dan 휀𝑗 tidak saling mempengaruhi,
atau tidak berhubungan, atau tidak berkorelasi satu sama lain. Apabila terjadi korelasi
antara 휀 yang satu dengan 휀 yang lainnya maka akan timbul masalah autokorelasi atau
korelasi berurutan, dan yang dikehendaki oleh asumsi 2 adalah tidak ada masalah
autokorelasi, atau 𝑐𝑜𝑣 휀𝑖 , 휀𝑗 = 0.
3. 𝑣𝑎𝑟 휀𝑖 𝑋𝑖 = 𝐸[휀𝑖 − 𝐸 휀𝑖 ]2
= 𝐸[휀𝑖]2 karena asumsi 1
= 𝜎2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
Varians bersyarat 휀𝑖 untuk X tertentu adalah suatu angka konstan positif
yang sama dengan 𝜎2. Apa yang diinginkan oleh asumsi ini adalah varians 휀𝑖 untuk X
tertentu adalah sama. Apabila terjadi pelanggaran terhadap asumsi ini maka akan
muncul masalah heteroskedastisitas, yaitu bilamana varians 휀𝑖 untuk X tertentu tidak
sama.
4. 휀𝑖 berdistribusi normal dengan rata-rata 0 dan varians 𝜎2, ditulis 휀𝑖~𝑁(0,𝜎2).
Asumsi kenormalan ini penting dalam pengujian hipotesis, pada pengambilan
kesimpulan. Jika 휀𝑖 berdistribusi normal, maka tidak dapat dilakukan uji F dan uji
t.
Nilai harapan dari 𝑌 terhadap X tertentu adalah :
𝐸 𝑌 𝑋𝑖 = 𝐸(𝛽0 + 𝛽1𝑋𝑖 + 휀𝑖)
= 𝐸(𝛽0) + 𝛽1𝐸(𝑋𝑖) + 𝐸(휀𝑖)
Karena 𝛽0 , 𝛽1 , 𝑋𝑖 bersifat konstan sehingga 𝐸 𝛽0 = 𝛽0 dan 𝐸 𝑋𝑖 = 𝑋𝑖 dan akibat
dari asumsi 1 di mana 𝐸(휀𝑖) = 0 maka:
𝐸 𝑌 𝑋𝑖 = 𝛽0 + 𝛽1𝑋𝑖 (3.2)
Varians dari 𝑌𝑖 adalah :
Var (𝑌𝑖) = 𝐸[𝑌𝑖 − 𝐸(𝑌𝑖)]2
= 𝐸[𝛽0 + 𝛽1𝑋𝑖 + 휀𝑖 − (𝛽0 + 𝛽1𝑋𝑖)]2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
= 𝐸[𝛽0 + 𝛽1𝑋𝑖 + 휀𝑖 − 𝛽0 − 𝛽1𝑋𝑖)]2
= 𝐸[휀𝑖)]2
Akibat dari asumsi 3 di mana 𝐸[휀𝑖)]2 = 𝜎2 maka;
Var (𝑌𝑖) = 𝜎2 (3.3)
Dari (3.2) dan (3.3) dapat dikatakan bahwa regresi linier sederhana dapat dinyatakan
dengan persamaan 𝑌𝑖 = 𝛽0 + 𝛽1𝑋𝑖 + 휀𝑖 dengan nilai harapan 𝐸 𝑌 𝑋𝑖 = 𝛽0 + 𝛽1𝑋𝑖
dan varians 𝜎2.
Besarnya nilai koefisien-koefisien regresi tidak dapat ditentukan secara
tepat, melainkan merupakan suatu taksiran. Hal ini disebabkan karena tidak mungkin
untuk memperoleh data populasi, namun koefisien-koefisien regresi ini dapat diduga
berdasarkan koefisien-koefisien regresi sampel. Persamaan regresi sampel dinyatakan
sebagai berikut,
𝑌 = 𝑏0 + 𝑏1𝑋𝑖 + 𝑒 (3.4)
Dengan Ý = 𝑏0 + 𝑏1𝑋𝑖 (3.5)
Ý = estimator E Y Xi , 𝑏0= estimator β0; 𝑏1= estimator β
1. 𝑒 di sini menunjukan nilai
galat. 𝑒 dinyatakan analog dengan 휀𝑖 , sehingga 𝑒 dikatakan sebagai estimator 휀𝑖 .
Garis regresi sampel dapat dihasilkan sebanyak n buah. Dari garis-garis
tersebut, tidak ada yang menjamin mana garis yang mewakili garis regresi populasi,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
namun mungkin saja salah satu garis tersebut merupakan garis regresi terbaik yang
mewakili garis regresi yang sesungguhnya.
Untuk mengetahui garis mana yang terbaik yang sesuai dengan garis regresi
yang sesungguhnya, dapat digunakan sebuah metode. Metode ini adalah Metode
Kuadrat Terkecil Biasa atau Ordinary Least Square (OLS) Methode. Metode ini
digunakan untuk menaksir regresi populasi atas dasar regresi sampel seakurat
mungkin, dengan cara mengestimasi β0 dan β
1 setepat mungkin.
Metode Kuadrat Terkecil (Ordinary Least Square Methode)
Jika ketiga asumsi di atas dipenuhi maka penaksir OLS memenuhi beberapa
sifat statistik yang diinginkan, yaitu linier, tidak bias dan varians yang minimum.
Penaksir koefisien regresi tetap dapat ditentukan jika ketiga asumsi tidak dipenuhi,
namun penaksir yang diperoleh tidak memiliki sifat statistik yang diinginkan tersebut.
Metode kuadrat terkecil merupakan salah satu metode yang digunakan untuk
mengestimasi β0 dan β
1. Dari persamaan𝑌𝑖 = 𝛽0 + 𝛽1𝑋𝑖 + 휀, diperoleh;
𝑌𝑖 = Ý𝑖 + 𝑒 (3.6)
𝑒 = 𝑌𝑖 − Ý𝑖
Prinsip dari metode OLS adalah memilih fungsi regresi sampel sedemikian
rupa sehingga jumlah residual (sisa) 𝑒2 = (𝑌𝑖 − Ý𝑖)2 sekecil mungkin.
𝑒2 = (𝑌𝑖 − Ý𝑖)2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
= (𝑌𝑖 − 𝑏0 − 𝑏1𝑋𝑖)2
Agar memperoleh hasil yang minimum, langkah pertama adalah (𝑌𝑖 − 𝑏0 − 𝑏1𝑋𝑖)2
diturunkan secara parsial terhadap 𝑏0 dan menyamakan hasil yang diperoleh sama
dengan nol, sehingga diperoleh
𝜕 𝑒2𝑛𝑖=1
𝜕𝑏0=
𝜕 𝑌𝑖−𝑏0−𝑏1𝑋𝑖 2𝑛
𝑖=1
𝜕𝑏0
𝜕 𝑌𝑖−𝑏0−𝑏1𝑋𝑖 2𝑛
𝑖=1
𝜕𝑏0= 0
−2 𝑌𝑖 − 𝑏0 − 𝑏1𝑋𝑖 𝑛𝑖=1 = 0
𝑌𝑖 − 𝑏0 − 𝑏1𝑋𝑖 𝑛𝑖=1 = 0
𝑌𝑖 −𝑛𝑖=1 𝑏0 −𝑛
𝑖=1 𝑏1𝑋𝑖 = 0𝑛𝑖=1
𝑌𝑖 −𝑛𝑖=1 𝑛𝑏0 − 𝑏1 𝑋𝑖 = 0𝑛
𝑖=1
𝑛𝑏0 = 𝑌𝑖 −
𝑛
𝑖=1
𝑏1 𝑋𝑖
𝑛
𝑖=1
𝑏0 = 𝑌𝑖−
𝑛𝑖=1 𝑏1 𝑋𝑖
𝑛𝑖=1
𝑛 (3.7)
Demikian pula untuk mengestimasi β1 (𝑌𝑖 − 𝑏0 − 𝑏1𝑋𝑖)
2 diturunkan secara parsial
terhadap 𝑏1, dan menyamakan hasilnya dengan nol seperti berikut ini,
𝜕 𝑒2𝑛𝑖=1
𝜕𝑏1=
𝜕 𝑌𝑖−𝑏0−𝑏1𝑋𝑖 2𝑛
𝑖=1
𝜕𝑏1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
40
𝜕 𝑌𝑖−𝑏0−𝑏1𝑋𝑖 2𝑛
𝑖=1
𝜕𝑏1= 0
−2 𝑋𝑖𝑛𝑖=1 𝑌𝑖 − 𝑏0 − 𝑏1𝑋𝑖 = 0
𝑋𝑖𝑛𝑖=1 𝑌𝑖 − 𝑏0 − 𝑏1𝑋𝑖 = 0
𝑋𝑖𝑛𝑖=1 𝑌𝑖 − 𝑋𝑖
𝑛𝑖=1 𝑏0 − 𝑋𝑖
𝑛𝑖=1 𝑏1𝑥𝑖 = 0
𝑋𝑖𝑛𝑖=1 𝑌𝑖 − 𝑏0 𝑋𝑖
𝑛𝑖=1 − 𝑏1 𝑋𝑖
2𝑛𝑖=1 = 0 (3.8)
Dari persamaan (3.7) di mana 𝑏0 = 𝑌𝑖−
𝑛𝑖=1 𝑏1 𝑋𝑖
𝑛𝑖=1
𝑛 dan disubstitusikan ke persamaan
(3.8), sehingga,
𝑋𝑖
𝑛
𝑖=1
𝑌𝑖 − 𝑌𝑖 −
𝑛𝑖=1 𝑏1 𝑋𝑖
𝑛𝑖=1
𝑛 𝑋𝑖
𝑛
𝑖=1
− 𝑏1 𝑋𝑖2
𝑛
𝑖=1
= 0
𝑛 𝑋𝑖
𝑛
𝑖=1
𝑌𝑖 − 𝑌𝑖 −
𝑛
𝑖=1
𝑏1 𝑋𝑖
𝑛
𝑖=1
𝑋𝑖
𝑛
𝑖=1
− 𝑛𝑏1 𝑋𝑖2
𝑛
𝑖=1
= 0
𝑛 𝑋𝑖
𝑛
𝑖=1
𝑌𝑖 − 𝑋𝑖
𝑛
𝑖=1
𝑌𝑖 + 𝑏1 𝑋𝑖
𝑛
𝑖=1
2𝑛
𝑖=1
− 𝑛𝑏1 𝑋𝑖2
𝑛
𝑖=1
= 0
𝑛 𝑋𝑖
𝑛
𝑖=1
𝑌𝑖 − 𝑋𝑖
𝑛
𝑖=1
𝑌𝑖 + 𝑏1 𝑋𝑖
𝑛
𝑖=1
2
− 𝑛 𝑋𝑖2
𝑛
𝑖=1
𝑛
𝑖=1
= 0
𝑏1 𝑋𝑖
𝑛
𝑖=1
2
− 𝑛 𝑋𝑖2
𝑛
𝑖=1
= 𝑋𝑖
𝑛
𝑖=1
𝑌𝑖
𝑛
𝑖=1
− 𝑛 𝑋𝑖
𝑛
𝑖=1
𝑌𝑖
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
41
𝑏1 = 𝑋𝑖
𝑛𝑖=1 𝑌𝑖
𝑛𝑖=1 −𝑛 𝑋𝑖
𝑛𝑖=1 𝑌𝑖
𝑋𝑖𝑛𝑖=1
2−𝑛 𝑋𝑖
2𝑛𝑖=1
(3.9)
Dengan menyelesaikan bagian pembilang persamaan (3.9), didapat:
𝑋𝑖
𝑛
𝑖=1
𝑌𝑖
𝑛
𝑖=1
− 𝑛 𝑋𝑖
𝑛
𝑖=1
𝑌𝑖 = 𝑛 𝑋𝑖
𝑛
𝑖=1
𝑌𝑖 − 𝑋𝑖
𝑛
𝑖=1
𝑌𝑖
𝑛
𝑖=1
= 𝑛 𝑋𝑖
𝑛
𝑖=1
𝑌𝑖 − 𝑋𝑖
𝑛
𝑖=1
𝑌𝑖
𝑛
𝑖=1
+ 𝑋𝑖
𝑛
𝑖=1
𝑌𝑖 − 𝑋𝑖
𝑛
𝑖=1
𝑌𝑖
𝑛
𝑖=1
𝑛
𝑖=1
= 𝑛 𝑋𝑖𝑛𝑖=1 𝑌𝑖 − 𝑛
𝑋𝑖𝑛𝑖=1
𝑛 𝑌𝑖
𝑛𝑖=1 + 𝑛
𝑌𝑖𝑛𝑖=1
𝑛 𝑋𝑖
𝑛𝑖=1 + 𝑛2 𝑋𝑖
𝑛𝑖=1 𝑌𝑖
𝑛𝑖=1
𝑛2
= 𝑛 𝑋𝑖
𝑛
𝑖=1
𝑌𝑖 − 𝑋 𝑌𝑖
𝑛
𝑖=1
− 𝑌 𝑋𝑖
𝑛
𝑖=1
+ 𝑛𝑋𝑌
= 𝑛 𝑋𝑖
𝑛
𝑖=1
𝑌𝑖 − 𝑋 𝑌𝑖
𝑛
𝑖=1
− 𝑌 𝑋𝑖
𝑛
𝑖=1
+ 𝑋𝑌
= 𝑛 𝑋𝑖 𝑌𝑖 − 𝑋 𝑌𝑖 − 𝑌 𝑋𝑖 + 𝑋𝑌
𝑛
𝑖=1
= 𝑛 (𝑛𝑖=1 𝑋𝑖 − 𝑋 )(𝑌𝑖 − 𝑌 ) (3.10)
Di mana 𝑋𝑖
𝑛= 𝑋 dan
𝑌𝑖
𝑛= 𝑌 , dengan menyelesaikan bagian penyebut persamaan,
didapat,
𝑋𝑖
𝑛
𝑖=1
2
− 𝑛 𝑋𝑖2
𝑛
𝑖=1
= 𝑛 𝑋𝑖2
𝑛
𝑖=1
− 𝑋𝑖
𝑛
𝑖=1
2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
42
= 𝑛 𝑋𝑖2
𝑛
𝑖=1
− 2 𝑋𝑖
𝑛
𝑖=1
2
+ 𝑋𝑖
𝑛
𝑖=1
2
= 𝑛 𝑋𝑖2
𝑛
𝑖=1
− 2𝑛 𝑋𝑖
𝑛𝑖=1
𝑛 𝑋𝑖
𝑛
𝑖=1
+ 𝑛2 𝑋𝑖
𝑛𝑖=1
𝑛
𝑋𝑖𝑛𝑖=1
𝑛
= 𝑛 𝑋𝑖2
𝑛
𝑖=1
− 2 𝑋𝑖
𝑛𝑖=1
𝑛 𝑋𝑖
𝑛
𝑖=1
+ 𝑛 𝑋𝑖
𝑛𝑖=1
𝑛
𝑋𝑖𝑛𝑖=1
𝑛
= 𝑛 𝑋𝑖2
𝑛
𝑖=1
− 2𝑋 𝑋𝑖
𝑛
𝑖=1
+ 𝑋 𝑋
= 𝑛 𝑋𝑖2 − 2𝑋 𝑋𝑖 + 𝑋 𝑋
𝑛
𝑖=1
= 𝑛 𝑋𝑖 − 𝑋 2 𝑛𝑖=1 (3.11)
Maka dari persamaan (3.10) dan (3.11) diperoleh,
𝑏1 =𝑛 (𝑛
𝑖=1 𝑋𝑖 –𝑋 )(𝑌𝑖−𝑌 )
𝑛 𝑋𝑖−𝑋 2 𝑛𝑖=1
𝑏1 = (𝑛
𝑖=1 𝑋𝑖 –𝑋 )(𝑌𝑖−𝑌 )
𝑋𝑖−𝑋 2 𝑛𝑖=1
Di mana didefinisikan 𝑥𝑖 = 𝑋𝑖 –𝑋 dan 𝑦𝑖 = 𝑌𝑖 –𝑌 , sehingga
𝑏1 = 𝑥𝑖
𝑛𝑖=1 𝑦𝑖
𝑥𝑖 2 𝑛
𝑖=1
(3.12)
Dan 𝑏0 = 𝑌𝑖−
𝑛𝑖=1 𝑏1 𝑋𝑖
𝑛𝑖=1
𝑛=
𝑌𝑖
𝑛− 𝑏1
𝑋𝑖
𝑛
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
43
𝑏0 = 𝑌 − 𝑏1𝑋 (3.13)
Menurut Teori Gauss-Markov yaitu estimator OLS merupakan estimator
terbaik jika memiliki sifat linier, tidak bias, dan memiliki varians yang minimum
(best linear unbiased estimator disingkat BLUE). Sifat-sifat tersebut dibuktikan
dengan langkah-langkah berikut:
1. Penaksir-penaksir kuadrat terkecil merupakan fungsi linier dari Y
Terlebih dahulu akan dibuktikan 𝑥𝑖 = 0
Dari definisi 𝑥𝑖 , di mana 𝑥𝑖 = 𝑋𝑖 –𝑋 maka;
𝑥𝑖 = (𝑋𝑖 –𝑋 𝑖)
= (𝑋𝑖 –𝑋 𝑖)
= 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 − 𝑛 𝑋
= 𝑋𝑖 − 𝑛 𝑋𝑖
𝑛
= 𝑋𝑖 − 𝑋𝑖
𝑥𝑖 = 0 (3.14)
Selanjutnya akan dibuktikan 𝑏1 adalah penaksir linier dari Y
Dari persamaan (3.12) di mana 𝑏1 = 𝑥𝑖
𝑛𝑖=1 𝑦𝑖
𝑥𝑖 2 𝑛
𝑖=1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
44
Dari definisi 𝑦𝑖 di mana 𝑦𝑖 = 𝑌𝑖 –𝑌 , maka
𝑏1 = 𝑥𝑖
𝑛𝑖=1 𝑦𝑖
𝑥𝑖 2 𝑛
𝑖=1
= 𝑥𝑖(𝑌𝑖 –𝑌 )
𝑥𝑖2
= 𝑥𝑖(𝑌𝑖 )
𝑥𝑖 2 −
𝑌 𝑥𝑖)
𝑥𝑖 2
Akibat dari persamaan (3.14) di mana 𝑥𝑖 = 0 maka;
= 𝑥𝑖(𝑌𝑖 )
𝑥𝑖 2 −
𝑌 𝑥𝑖)
𝑥𝑖 2
= 𝑥𝑖(𝑌𝑖 )
𝑥𝑖2 (3.15)
𝑏1 = 𝑘𝑖𝑌𝑖 (3.16)
di mana 𝑘𝑖 didefinisikan 𝑥𝑖
𝑥𝑖2 , Jadi terbukti bahwa 𝑏1 merupakan fungsi linier dari Y
Akan dibuktikan 𝑏0 merupakan fungsi linier dari Y
dari persamaan (3.13) di mana 𝑏0 = 𝑌 − 𝑏1𝑋 , maka;
𝑏0 = 𝑌 − 𝑏1𝑋
= 𝑌𝑖
𝑛− 𝑏1𝑋
Subtitusi persamaan (3.16) di mana 𝑏1 = 𝑘𝑖𝑌𝑖 sehingga;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45
= 𝑌𝑖
𝑛− 𝑏1𝑋
= 𝑌𝑖
𝑛− 𝑘𝑖𝑌𝑖 𝑋
𝑏0 = (1
𝑛− 𝑘𝑖𝑋 ) 𝑌𝑖 (3.17)
Jadi terbukti bahwa 𝑏0 merupakan fungsi linier dari Y.
2. Penaksir-penaksir tersebut tidak bias
Sebelumnya akan dibuktikan 𝑘𝑖 = 0, 𝑘𝑖𝑋𝑖 = 1, 𝑘𝑖2 =
1
𝑥𝑖2
𝑘𝑖 = 0
Definisi 𝑘𝑖 di mana 𝑘𝑖 = 𝑥𝑖
𝑥𝑖2 , maka;
𝑘𝑖 = (𝑥𝑖
𝑥𝑖2)
= 𝑥𝑖
𝑥𝑖2
Karena dari persamaan (3.14) di mana 𝑥𝑖 = 0 , maka;
𝑘𝑖 = 0 (3.18)
𝑘𝑖𝑋𝑖 = 𝑘𝑖(𝑥𝑖 + 𝑋 )
= 𝑘𝑖𝑥𝑖 + 𝑋 𝑘𝑖
Karena dari persamaan (3.18) di mana 𝑘𝑖 = 0, maka;
𝑘𝑖𝑋𝑖 = 𝑘𝑖𝑥𝑖
Definisi 𝑘𝑖 di mana 𝑘𝑖 = 𝑥𝑖
𝑥𝑖2 , maka;
𝑘𝑖𝑋𝑖 = 𝑥𝑖𝑥𝑖
𝑥𝑖2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
46
= 𝑥𝑖
2
𝑥𝑖2
𝑘𝑖𝑋𝑖 = 1 (3.19)
Karena 𝑘𝑖 = 𝑥𝑖
𝑥𝑖2 , maka;
𝑘𝑖2 = (
𝑥𝑖
𝑥𝑖2)2
= 𝑥𝑖
𝑥𝑖2 (
𝑥𝑖
𝑥𝑖2)
= 𝑥𝑖
2
𝑥𝑖2 (
1
𝑥𝑖2)
= 𝑥𝑖
2
𝑥𝑖2 (
1
𝑥𝑖2)
𝑘𝑖2 =
1
𝑥𝑖2 (3.20)
Bentuk lain dari 𝑏0 yaitu;
Dari persamaan (3.17) di mana 𝑏0 = (1
𝑛− 𝑘𝑖𝑋 ) 𝑌𝑖 , maka
𝑏0 = (1
𝑛− 𝑘𝑖𝑋 ) 𝑌𝑖
substitusi persamaan (3.1) di mana 𝑌𝑖 = 𝛽0 + 𝛽1𝑋𝑖 + 휀𝑖
𝑏0 = 1
𝑛− 𝑘𝑖𝑋 (𝛽0 + 𝛽1𝑋𝑖 + 휀𝑖)
= 1
𝑛 𝛽0 + 𝛽1𝑋𝑖 + 휀𝑖 − 𝑋 𝑘𝑖 (𝛽0 + 𝛽1𝑋𝑖 + 휀𝑖)
= 𝛽0 + 𝛽1 𝑋𝑖
𝑛+
휀𝑖
𝑛− 𝑋 𝛽0 𝑘𝑖 − 𝛽1𝑋 𝑘𝑖𝑋𝑖 − 𝑋 𝑘𝑖 휀𝑖
Dari persamaan (3.18) di mana 𝑘𝑖 = 0 dan persamaan (3.19) di mana 𝑘𝑖𝑋𝑖 = 1 ,
maka;
𝑏0= 𝛽0 + 𝛽1𝑋 + 휀𝑖
𝑛− 𝛽1𝑋 − 𝑋 𝑘𝑖 휀𝑖
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
47
𝑏0 =𝛽0 + 휀𝑖
𝑛− 𝑋 𝑘𝑖 휀𝑖 (3.21)
Selanjutnya akan dibuktikan 𝐸 𝑏0 = 𝛽0
substitusi persamaan (3.21) di mana 𝑏0=𝛽0 + 휀𝑖
𝑛− 𝑋 𝑘𝑖 휀𝑖 ,
𝐸 𝑏0 = 𝐸 𝛽0 + 휀𝑖
𝑛− 𝑋 𝑘𝑖 휀𝑖
= 𝛽0 +1
𝑛 𝐸(휀𝑖) − 𝑋 𝑘𝑖 𝐸(휀𝑖)
Karena asumsi 1 di mana 𝐸 휀𝑖 = 0, maka;
= 𝛽0 +1
𝑛 𝐸(휀𝑖) − 𝑋 𝑘𝑖 𝐸(휀𝑖)
𝐸 𝑏0 = 𝛽0 (3.22)
Jadi terbukti bahwa 𝐸 𝑏0 = 𝛽0
Bentuk lain dari 𝑏1 adalah;
Dari persamaan (3.16), di mana 𝑏1 = 𝑘𝑖𝑌𝑖 , maka;
𝑏1 = 𝑘𝑖𝑌𝑖
Substitusi dengan persamaan (3.1) di mana 𝑌𝑖 = 𝛽0 + 𝛽1𝑋𝑖 + 휀𝑖
𝑏1 = 𝑘𝑖(𝛽0 + 𝛽1𝑋𝑖 + 휀𝑖)
= 𝛽0 𝑘𝑖 + 𝛽1 𝑘𝑖𝑋𝑖 + 𝑘𝑖휀𝑖
Karena persamaan (3.18) di mana 𝑘𝑖 = 0 dan persamaan (3.19) di mana 𝑘𝑖𝑋𝑖 =
1, maka;
𝑏1 = 𝛽1 + 𝑘𝑖휀𝑖 (3.23)
Akan dibuktikan 𝐸 𝑏1 = 𝛽1
Substitusi persamaan (3.23) di mana 𝑏1 = 𝛽1 + 𝑘𝑖휀𝑖
𝐸 𝑏1 = 𝐸(𝛽1 + 𝑘𝑖휀𝑖)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
48
= 𝛽1 + 𝑘𝑖𝐸(휀𝑖)
Karena asumsi 1 di mana 𝐸(𝑢𝑖) = 0, maka;
𝐸 𝑏1 = 𝛽1 (3.24)
3. Penaksir-penaksir tersebut memiliki varian yang minimum
Sebelumnya akan ditentukan terlebih dahulu varians 𝑏1 dan varians 𝑏0 . Dari
persamaan (3.24) di mana 𝐸 𝑏1 =𝛽1 , maka;
Var 𝑏1 = 𝐸(𝑏1 − 𝐸(𝑏1))2
= 𝐸(𝑏1 − 𝛽1)2
Substitusi persamaan (3.23) di mana 𝑏1 = 𝛽1 + 𝑘𝑖휀𝑖
= 𝐸(𝑏1 − 𝛽1)2
= 𝐸(𝛽1 + 𝑘𝑖휀𝑖 − 𝛽1)2
= 𝐸( 𝑘𝑖휀𝑖)2
= 𝐸(𝑘12휀1
2 + 𝑘22휀2
2 + ⋯ + 2𝑘1𝑘2휀1휀2 + ⋯ + 2𝑘𝑛−1𝑘𝑛휀𝑛−1휀𝑛)
= 𝐸( 𝑘𝑖2휀𝑖
2 + 2 𝑘𝑖𝑘𝑗휀𝑖휀𝑗 )
= 𝑘𝑖2𝐸 휀𝑖
2 + 2 𝑘𝑖𝑘𝑗𝐸(휀𝑖휀𝑗 )
dari asumsi 3 di mana 𝐸 휀𝑖2 = 𝜎2 dan asumsi 2 di mana 𝐸 휀𝑖휀𝑗 = 0
= 𝑘𝑖2𝜎2
Dari persamaan (3.20) di mana 𝑘𝑖2 =
1
𝑥𝑖2 , maka;
Var 𝑏1 = 𝜎2 1
𝑥𝑖2 (3.25)
Dari persamaan (3.22) di mana 𝑏0 = 𝛽0 , maka;
Var (𝑏0) = 𝐸(𝑏0 − 𝐸(𝑏0))2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
49
Var (𝑏0) = 𝐸(𝑏0 − 𝛽0)2
Substitusi persamaan (3.21) di mana 𝑏0=𝛽0 + 휀𝑖
𝑛− 𝑋 𝑘𝑖 휀𝑖
Var (𝑏0) = 𝐸(𝑏0 − 𝛽0)2
= 𝐸(𝛽0 +1
𝑛 (휀𝑖) − 𝑋 𝑘𝑖 휀𝑖 − 𝛽0)2
= 𝐸(1
𝑛 (휀𝑖) − 𝑋 𝑘𝑖 휀𝑖)
2
= 𝐸( [(1
𝑛− 𝑋 𝑘𝑖)휀𝑖]
2
= 𝜎2 (1
𝑛− 𝑋 𝑘𝑖)
2
= 𝜎2 1
𝑛2 −2
𝑛𝑋 𝑘𝑖 + 𝑋 2𝑘𝑖
2
Var (𝑏0) = 𝜎2(𝑛1
𝑛2 −2
𝑛𝑋 𝑘𝑖 + 𝑋 2 𝑘𝑖
2)
Karena persamaan (3.18) di mana 𝑘𝑖 = 0 dan persamaan (3.20) di mana
𝑘𝑖2 =
1
𝑥𝑖2, maka ;
= 𝜎2(𝑛1
𝑛2 −2
𝑛𝑋 𝑘𝑖 + 𝑋 2 𝑘𝑖
2)
= 𝜎2(1
𝑛+
𝑋 2
𝑥𝑖2)
= 𝜎2( 𝑥𝑖
2+𝑛𝑋 2
𝑛 𝑥𝑖2 )
= 𝜎2( (𝑋𝑖−𝑋 )2+𝑛𝑋 2
𝑛 𝑥𝑖2 )
= 𝜎2( (𝑋𝑖
2−2𝑋𝑖𝑋 +𝑋 2)+𝑛𝑋 2
𝑛 𝑥𝑖2 )
= 𝜎2( (𝑋𝑖
2−2𝑋𝑖𝑋 +𝑋 2)+𝑛𝑋 2
𝑛 𝑥𝑖2 )
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
50
= 𝜎2( 𝑋𝑖
2−2( 𝑋𝑖)
2
𝑛𝑋𝑖𝑋 +2
( 𝑋𝑖)2
𝑛
𝑛 𝑥𝑖2 )
Var (𝑏0) = 𝜎2( 𝑋𝑖
2
𝑛 𝑥𝑖2) (3.26)
Untuk menentukan varians 𝑏0 dan 𝑏1 minimum perlu dibandingkan dengan
varians dari beberapa penaksir 𝑏* yang tidak bias. Dimisalkan 𝑏1* = 𝑤𝑖𝑌𝑖 di mana
𝑤𝑖 ≠ 𝑘𝑖 tetapi 𝑤𝑖 = 𝑘𝑖 + 𝑐𝑖 , sehingga
𝑏1* = 𝑤𝑖(𝛽0 + 𝛽1𝑋𝑖 + 휀𝑖)
= (𝑤𝑖𝛽0 + 𝛽1𝑤𝑖𝑋𝑖 + 휀𝑖𝑤𝑖)
= 𝛽0 𝑤𝑖 + 𝛽1 𝑤𝑖𝑋𝑖 + 휀𝑖𝑤𝑖
𝐸(𝑏1*) = 𝛽0𝐸 𝑤𝑖 + 𝛽1𝐸 𝑤𝑖𝑋𝑖 + 𝑤𝑖 𝐸(휀𝑖)
Karena asumsi 1 di mana 𝐸(휀𝑖) = 0 , maka;
𝐸(𝑏1*) = 𝛽0𝐸 𝑤𝑖 + 𝛽1𝐸 𝑤𝑖𝑋𝑖 + 𝑤𝑖 𝐸(휀𝑖)
= 𝛽0𝐸 𝑤𝑖 + 𝛽1𝐸 𝑤𝑖𝑋𝑖 (3.27)
Karena 𝑏* penaksir yang tidak bias, maka pada persamaan (3.18) 𝑤𝑖 = 0
dan 𝑤𝑖𝑋𝑖 = 1, dan diketahui 𝑤𝑖 = 𝑘𝑖 + 𝑐𝑖 , maka,
𝑤𝑖 = 𝑘𝑖 + 𝑐𝑖
= 𝑘𝑖 + 𝑐𝑖
Karena pada persamaan (3.18) 𝑘𝑖 = 0, maka haruslah 𝑐𝑖 = 0
𝑤𝑖𝑋𝑖 = (𝑘𝑖 + 𝑐𝑖)𝑋𝑖
= 𝑘𝑖𝑋𝑖+ 𝑐𝑖𝑋𝑖
Karena pada persamaan (3,19) 𝑘𝑖𝑋𝑖 = 1 ,maka haruslah
𝑐𝑖𝑋𝑖 = 𝑐𝑖𝑥𝑖 + 𝑋 𝑐𝑖 = 0 sehingga 𝑤𝑖𝑋𝑖 = 1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
51
Selanjutnya akan dibuktikan 𝑏1 memiliki varians yang minimum.
Bukti :
Var (𝑏1*)= 𝐸[ 𝑏1∗ − 𝛽1
2]
= 𝐸[(𝑤𝑖휀𝑖)2]
= 𝜎2 𝑤𝑖2
= 𝜎2 (𝑘𝑖 + 𝑐𝑖)2
= 𝜎2( 𝑘𝑖2 + 𝑐𝑖
2 + 2 𝑘𝑖 𝑐𝑖)
= 𝜎2( 𝑘𝑖2 + 𝑐𝑖
2 + 2 𝑥𝑖𝑐𝑖
𝑥𝑖2 )
karena 𝑐𝑖𝑥𝑖 = 𝑐𝑖𝑋𝑖 = 0
Var (𝑏1 ∗) = 𝜎2( 𝑘𝑖2 + 𝑐𝑖
2)
Var (𝑏1*) = 𝜎2 𝑘𝑖2 +𝜎2 𝑐𝑖
2
Dari persamaan (3.25) di mana Var 𝑏1 = 𝜎2 1
𝑥𝑖2
Var (𝑏1*)= 𝜎2 𝑘𝑖2 +𝜎2 𝑐𝑖
2
= var (𝑏1)+ 𝜎2 𝑐𝑖2 (3.28)
Oleh karena 𝑐𝑖2 selalu positif, maka Var (𝑏1*) > var (𝑏1), hanya apabila 𝑐𝑖
2 = 0
maka Var (𝑏1*) = var (𝑏1). Hal ini menunjukan bahwa 𝑏1 memiliki varians yang
minimum.
Selanjutnya Akan dibuktikan bahwa 𝑏0 memiliki varians yang minimum, namun
sebelumnya akan dilakakan langkah-langkah berikut ini,
Dimisalkan 𝑏0∗ = (
1
𝑛− 𝑤𝑖𝑋 ) 𝑌𝑖
Substitusi persamaan (3,1) di mana 𝑌𝑖 = 𝛽0 + 𝛽1𝑋𝑖 + 휀𝑖 , ke dalam persamaan 𝑏0∗ ;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
52
𝑏0∗ = (
1
𝑛− 𝑤𝑖𝑋 ) 𝛽0 + 𝛽1𝑋𝑖 + 휀𝑖
𝑏0∗ = 𝛽0(1 − 𝑋 𝑤𝑖) + 𝛽1(𝑋 − 𝑋 𝑤𝑖𝑋𝑖) + (
1
𝑛− 𝑤𝑖𝑋 ) 휀𝑖
𝐸(𝑏0∗) = 𝛽0(1 − 𝑋 𝐸 𝑤𝑖) + 𝛽1(𝑋 − 𝑋 𝐸 𝑤𝑖𝑋𝑖) +𝐸(
휀𝑖
𝑛− 𝑋 𝑤𝑖휀𝑖)
𝐸(𝑏0∗) = 𝛽0(1 − 𝑋 𝐸 𝑤𝑖) + 𝛽1𝐸(𝑋 − 𝑋 𝑤𝑖𝑋𝑖) +
𝐸(휀𝑖)
𝑛− 𝑋 𝐸 𝑤𝑖휀𝑖
Karena asumsi 1 di mana 𝐸 휀𝑖 = 0 , maka;
𝐸(𝑏0∗) = 𝛽0(1 − 𝑋 𝐸 𝑤𝑖) + 𝛽1𝐸(𝑋 − 𝑋 𝑤𝑖𝑋𝑖) +
𝐸(휀𝑖)
𝑛− 𝑋 𝐸 𝑤𝑖휀𝑖
𝐸(𝑏0∗) = 𝛽0(1 − 𝑋 𝐸 𝑤𝑖) + 𝛽1𝐸(𝑋 − 𝑋 𝑤𝑖𝑋𝑖) −𝑋 𝐸 𝑤𝑖휀𝑖
Agar 𝐸(𝑏0∗) = 𝛽0 maka 𝑤𝑖 = 0, 𝑤𝑖𝑋𝑖 = 1, dan 𝑤𝑖휀𝑖 = 0, diketahui 𝑤𝑖 = 𝑘𝑖 +
𝑐𝑖 sehingga 𝑐𝑖 = 0 dan 𝑐𝑖𝑋𝑖 = 0.
Akan dibuktikan 𝑏0 memiliki varians yang minimum
Var (𝑏0∗) = 𝐸[ 𝑏0
∗ − 𝐸(𝑏0∗ ]2
Dari persamaan (3.21) di mana 𝐸 𝑏0 = 𝛽0, maka;
Var (𝑏0∗) = 𝐸[ 𝑏0
∗ − 𝛽0 ]2
= 𝐸( [(1
𝑛− 𝑋 𝑤𝑖)휀𝑖]
2
= 𝜎2 (1
𝑛− 𝑋 𝑤𝑖)
2
= 𝜎2 (𝑛1
𝑛2 + 𝑋 2 𝑤𝑖2 − 2
1
𝑛 𝑋 𝑤𝑖)
= 𝜎2 (1
𝑛+ 𝑋 2 𝑤𝑖
2 −2
𝑛 𝑋 𝑤𝑖 )
karena definisi 𝑤𝑖 = 𝑘𝑖 + 𝑐𝑖 dan 𝑤𝑖 = 0, maka ;
= 𝜎2 (1
𝑛+ 𝑋 2 𝑤𝑖
2 −2
𝑛 𝑋 𝑤𝑖 )
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
53
= 𝜎2 (1
𝑛+ 𝑋 2 (𝑘𝑖 + 𝑐𝑖)
2)
= 𝜎2 (1
𝑛+ 𝑋 2 𝑘𝑖
2 + 𝑋 2 𝑐𝑖2)
= 𝜎2 (1
𝑛+ 𝑋 2 𝑘𝑖
2 + 𝑋 2 𝑐𝑖2)
= 𝜎2 (1
𝑛+ 𝑋 2 𝑘𝑖
2) + 𝜎2𝑋 2 𝑐𝑖2
= 𝜎2 1
𝑛+ 𝑋 2 1
𝑥𝑖2 + 𝜎2𝑋 2 𝑐𝑖
2
Dari proses persamaan (3.26) di mana Var (𝑏0) = 𝜎2 1
𝑛+ 𝑋 2 1
𝑥𝑖2 , maka;
= var (𝑏0) + 𝜎2𝑋 2 𝑐𝑖2 (3.29)
Oleh karena 𝑐𝑖2 selalu positif, maka Var (𝑏0*) > var (𝑏0), hanya apabila 𝑐𝑖
2 = 0
maka Var (𝑏0*) = var (𝑏0). Hal ini menunjukan bahwa 𝑏0 memiliki varians yang
minimum.
Data yang ada di dalam statistika cenderung berubah-ubah dari satu sampel
ke sampel lainnya, maka estimasi akan berubah dengan sendirinya (ipso facto),
karena hal tersebut diperlukan sebuah keakuratan dari sebuah estimator. Keakuratan
sebuah estimator tersebut diukur berdasarkan standar error-nya. Standar error adalah
sebuah alat ukur keakuratan estimator. Standar error dapat dicari dengan cara sebagai
berikut;
𝑆𝑒 𝑏0 = 𝑉𝑎𝑟(𝑏0) (3.30)
Di mana Var (𝑏0) = 𝜎2( 𝑋𝑖
2
𝑛 𝑥𝑖2) (dari persamaan (3.26)), sehingga persamaan (3.30)
menjadi,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
54
𝑆𝑒 𝑏0 = 𝜎2( 𝑋𝑖
2
𝑛 𝑥𝑖2)
𝑆𝑒 𝑏0 = 𝜎 ( 𝑋𝑖
2
𝑛 𝑥𝑖2) (3.31)
𝑆𝑒 𝑏1 = 𝑉𝑎𝑟(𝑏1) (3.32)
Di mana Var 𝑏1 = 𝜎2 1
𝑥𝑖2 ( dari persamaan (3.25)), sehingga persamaan (3.32)
menjadi,
𝑆𝑒 𝑏1 = 𝜎2 1
𝑥𝑖2
𝑆𝑒 𝑏1 = 𝜎 1
𝑥𝑖2 (3.33)
Di mana 𝑆𝑒 adalah standar error dan 𝑉𝑎𝑟 adalah varians. Standar error tidak lain
adalah standar deviasi sebuah distribusi sampling dari sebuah estimator.
Kebaikan suatu garis regresi diukur dengan koefisien determinasi. Koefisien
determinasi adalah ukuran ikhtisar yang mengatakan seberapa baik garis regresi
sampel mencocokan data. Koefisien determinasi untuk kasus dua variabel
dilambangkan dengan 𝑟2 sedangkan untuk regresi berganda dilambangkan dengan
𝑅2.
Sebelum membahas lebih jauh mengenai koefisien determinasi, terlebih
dahulu akan dibahas mengenai bentuk simpangan regresi. Bentuk simpangan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
55
merupakan bentuk alternatif di mana baik X maupun Y dinyatakan sebagai
simpangan dari nilai rata-ratanya.
𝑌𝑖 = 𝑏0 + 𝑏1𝑋𝑖 + 𝑒𝑖 (3.4)
Kedua ruas dijumlahkan
𝑌𝑖 = 𝑛𝑏0 + 𝑏1 𝑋𝑖 + 𝑒𝑖
karena 𝑒𝑖 = 0, maka
𝑌𝑖 = 𝑛𝑏0 + 𝑏1 𝑋𝑖 + 𝑒𝑖
= 𝑛𝑏0 + 𝑏1 𝑋𝑖
kedua ruas dibagi dengan n
𝑌𝑖
𝑛 = 𝑏0 + 𝑏1
𝑋𝑖
𝑛
𝑌 = 𝑏0 + 𝑏1𝑋 (3.34)
Dengan mengurangkan (3.34) dengan (3.4), diperoleh,
𝑌𝑖 − 𝑌 = (𝑏0 + 𝑏1𝑋𝑖 + 𝑒𝑖) − 𝑏0 + 𝑏1𝑋
𝑌𝑖 − 𝑌 = 𝑏1 𝑋𝑖 − 𝑋 + 𝑒𝑖
dari definisi 𝑥𝑖 dan 𝑦𝑖 di mana 𝑥𝑖 = 𝑋𝑖 − 𝑋 dan 𝑦𝑖 = 𝑌𝑖 − 𝑌 , sehingga;
𝑌𝑖 − 𝑌 = 𝑏1 𝑋𝑖 − 𝑋 + 𝑒𝑖
𝑦𝑖 = 𝑏1𝑥𝑖 + 𝑒𝑖 (3.35)
Sehingga
𝑒𝑖 = 𝑦𝑖 − 𝑏1𝑥𝑖 (3.36)
Persamaan (3.34) ini merupakan persamaan dalam bentuk simpangan.
Ý = 𝑏0 + 𝑏1𝑋𝑖 (3.5)
Kedua ruas dijumlahkan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
56
Ý = 𝑛 𝑏0 + 𝑏1 𝑋𝑖
Kedua ruas dibagi dengan n
Ý
𝑛 = 𝑏0 + 𝑏1
𝑋𝑖
𝑛
Ý = 𝑏0 + 𝑏1𝑋 (3.37)
Dengan mengurangkan (3.37) dengan (3.5) diperoleh;
Ý − Ý = (𝑏0 + 𝑏1𝑋𝑖) − 𝑏0 + 𝑏1𝑋
Ý − Ý = 𝑏1 𝑋𝑖 − 𝑋 (3.38)
𝑦 𝑖 didefinisikan Ý − Ý , dan dari definisi 𝑥𝑖 di mana𝑥𝑖 = 𝑋𝑖 − 𝑋 ,sehingga persamaan
(3.37) menjadi:
𝑦 𝑖 = 𝑏1𝑥𝑖 (3.39)
akan dibuktikan 𝑦 𝑖𝑒𝑖 = 0
𝑦 𝑖 = 𝑏1𝑥𝑖 (3.40)
kedua ruas dikalikan dengan 𝑒𝑖
𝑦 𝑖 = 𝑏1𝑥𝑖
𝑦 𝑖𝑒𝑖 = 𝑏1𝑥𝑖𝑒𝑖
kedua ruas dijumlahkan
𝑦 𝑖𝑒𝑖 = 𝑏1 𝑥𝑖𝑒𝑖
Substitusi persamaan (3.36) di mana 𝑒𝑖 = 𝑦𝑖 − 𝑏1𝑥𝑖
𝑦 𝑖𝑒𝑖 = 𝑏1 𝑥𝑖𝑒𝑖
= 𝑏1 𝑥𝑖(𝑦𝑖 − 𝑏1𝑥𝑖)
= 𝑏1 𝑥𝑖𝑦𝑖 − 𝑏1 𝑥𝑖2)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
57
= 𝑏1 𝑥𝑖𝑦𝑖 𝑥𝑖
2
𝑥𝑖2 − 𝑏1
2 𝑥𝑖2
= 𝑏1 𝑥𝑖𝑦𝑖
𝑥𝑖2 𝑥𝑖
2 − 𝑏12 𝑥𝑖
2
Dari persamaan (3.12) di mana 𝑏1 = 𝑥𝑖
𝑛𝑖=1 𝑦𝑖
𝑥𝑖 2 𝑛
𝑖=1
, maka;
= 𝑏1𝑏1 𝑥𝑖2 − 𝑏1
2 𝑥𝑖2
= 𝑏12 𝑥𝑖
2 −𝑏12 𝑥𝑖
2
𝑦 𝑖𝑒𝑖 = 0 (3.41)
Untuk menghitung 𝑟2 dilakukan langkah-langkah berikut ini:
𝑦𝑖 = 𝑏1𝑥𝑖 + 𝑒𝑖 (3.35)
Dari persamaan (3.39) di mana 𝑦 𝑖 = 𝑏1𝑥𝑖 , maka;
𝑦𝑖 = 𝑏1𝑥𝑖 + 𝑒𝑖
𝑦𝑖 = 𝑦 𝑖 + 𝑒
kedua ruas dikuadratkan,
𝑦𝑖2 = 𝑦 𝑖
2 + 𝑒2 + 2𝑦 𝑖𝑒
kedua ruas dijumlahkan
𝑦𝑖2 = 𝑦 𝑖
2 + 𝑒2 + 2 𝑦 𝑖𝑒
Dari persamaan (3.41) di mana 𝑦 𝑖𝑒𝑖 = 0, maka;
= 𝑦 𝑖2 + 𝑒2 + 2 𝑦 𝑖𝑒
𝑦𝑖2 = 𝑦 𝑖
2 + 𝑒2
= (𝑏1𝑥𝑖)2 + 𝑒2
𝑦𝑖2 = 𝑏1
2 𝑥𝑖2 + 𝑒2 (3.42)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
58
Di mana 𝑦𝑖2 = (𝑌𝑖 − 𝑌 )2 adalah variasi total dari nilai Y nyata untuk
rerata sampelnya yang dapat juga dinamakan total jumlah kuadrat( total sum of
squares-TSS). 𝑦 𝑖2 = (Ý − Ý )2 = (Ý − 𝑌 )2 =𝑏1
2 𝑥𝑖
2 adalah penjelasan atas
jumlah kuadrat (explained sum of squares-ESS). 𝑒2 adalah residual atau variasi
nilai Y yang tidak terjelaskan di sekitar garis regresi, lebih dikenal RSS, sehingga
persamaan (3.42) dapat ditulis:
TSS = ESS + RSS (3.43)
𝑟2 didefinisikan sebagai berikut:
𝑟2 =𝐸𝑆𝑆
𝑇𝑆𝑆
=𝑏1
2 𝑥𝑖2
𝑦𝑖2 (3.44)
Dari persamaan (3.42) di mana 𝑦𝑖2 = 𝑏1
2 𝑥𝑖2 + 𝑒2 maka, 𝑏1
2 𝑥𝑖2 = 𝑦𝑖
2 −
𝑒2
Sehingga,
=𝑏1
2 𝑥𝑖2
𝑦𝑖2
= 𝑦𝑖
2− 𝑒2
𝑦𝑖2
= 𝑦𝑖
2
𝑦𝑖2 −
𝑒2
𝑦𝑖2
𝑟2 = 1 − 𝑒2
𝑦𝑖2 (3.45)
atau dalam bentuk lain sebagai berikut;
𝑟2 = 1 −𝑅𝑆𝑆
𝑇𝑆𝑆 (3.46)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
59
Dari persamaan (3.45), jika taksiran memiliki ketepatan sempurna, maka:
𝑒2 = 0 , sehingga;
𝑟2 = 1 − 𝑒2
𝑦𝑖2 (3.47)
= 1 − 0
𝑟2 = 1 (3.48)
Nilai 𝑟2 = 1 menunjukan ketepatan terbaik ( best fit). Jika garis regresi sampel adalah
garis horizontal (𝑏1 = 0) maka;
𝑦𝑖2 = 𝑏1
2 𝑥𝑖2 + 𝑒2 (3.49)
= 0 + 𝑒2
𝑦𝑖2 = 𝑒2 (3.50)
Akibat dari persamaan (3.50) adalah
𝑟2 = 1 − 𝑒2
𝑦𝑖2 (3.51)
= 1 − 𝑦𝑖
2
𝑦𝑖2
= 1 − 1
𝑟2 = 0 (3.52)
Dari persamaan (3.45) di mana 𝑟2 =𝑏1
2 𝑥𝑖2
𝑦𝑖2 dan (3.15) di mana 𝑏1 =
𝑥𝑖(𝑦𝑖 )
𝑥𝑖2
diperoleh:
𝑟2 =( 𝑥𝑖𝑦𝑖 )
( 𝑥𝑖2)
2
2 𝑥𝑖2
𝑦𝑖2
𝑟2 =( 𝑥𝑖𝑦𝑖 )
2
𝑥𝑖2 𝑦𝑖
2 (3.53)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
60
Dari persamaan (3.51) dan (3.52) dapat disimpulkan bahwa batas-batas 𝑟2 adalah nol
dan 1, 0 ≤ 𝑟2 ≤ 1. Berikut ini adalah sifat-sifat dari 𝑟2 :
1. Besarnya tidak pernah negatif
2. Batasannya adalah 0 ≤ 𝑟2 ≤ 1
Dari persamaan (3.53) dapat diperoleh nilai r, di mana r adalah koefisien
korelasi :
𝑟 =( 𝑥𝑖𝑦𝑖 )
𝑥𝑖2 𝑦𝑖
2 (3.54)
B. ANALISIS REGRESI LINIER BERGANDA
Analisis regresi linier berganda adalah analisis regresi linier yang terdiri dari
satu variabel terikat Y, dan lebih dari satu variabel bebas X. Contoh, pengeluaran
konsumsi mingguan keluarga dipengaruhi oleh pendapatan mingguan dan kekayaan.
Analisis regresi linier berganda dirumuskan dengan persamaan,
𝑌𝑖 = 𝛽0 + 𝛽1𝑋1𝑖 + 𝛽2𝑋2𝑖 + ⋯ + 𝛽𝑘𝑋𝑘𝑖 + 휀𝑖 (3.55)
𝑖 = (1,2,3,… , 𝑛)
Di mana Y adalah variabel tak bebas, 𝑋2, 𝑋3, ⋯𝑋𝑛 adalah variabel bebas, 𝑘 adalah
banyaknya variabel bebas 휀𝑖 adalah faktor gangguan. 𝛽0 adalah intercept, 𝛽1 sampai
𝛽𝑘 adalah koefisien regresi, i adalah pengamatan ke i, serta n adalah banyaknya
pengamatan. Oleh karena “i” menunjukan pengamatan ke-i, maka terdapat “n”
persamaan.
𝑌1 = 𝛽0 + 𝛽1𝑋11 + 𝛽2𝑋21 + ⋯ + 𝛽𝑘𝑋𝑘1 + 휀1
𝑌2 = 𝛽0 + 𝛽1𝑋12 + 𝛽2𝑋22 + ⋯ + 𝛽𝑘𝑋𝑘2 + 휀2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
61
… … … … … … …
… … … … … … …
𝑌𝑛 = 𝛽0 + 𝛽1𝑋1𝑛 + 𝛽2𝑋2𝑛 + ⋯ + 𝛽𝑘𝑋𝑘𝑛 + 휀𝑛
Persamaan-persamaan tersebut dapat ditulis dalam bentuk matriks:
𝒀 = 𝑿𝜷 + 𝜺 (3.56)
Di mana:
𝒀 =
𝑌1
𝑌2
⋮⋮𝑌𝑛
𝑿 =
1 𝑋11 𝑋21 ⋯ 𝑋𝑘1
1 𝑋12 𝑋22 ⋯ 𝑋𝑘2
⋮⋮1
⋮⋮
𝑋1𝑛
⋮⋮
𝑋2𝑛
⋮⋮⋯
⋮⋮
𝑋𝑘𝑛
𝜷 =
𝛽0
𝛽1
𝛽2
⋮⋮𝛽𝑘
dan 𝜺 =
휀1휀2
⋮⋮휀𝑛
(3.57)
𝒀 = vektor variabel tak bebas berordo 𝑛 × 1
𝑿 = matriks variabel bebas berordo 𝑛 × (𝑘 + 1)
𝜷 = vektor parameter yang tidak diketahui berordo (𝑘 + 1) × 1
𝜺 = vektor gangguan berordo 𝑛 × 1
Asumsi-asumsi di dalam regresi berganda adalah sebagai berikut:
1. Dalam persamaan (3.57) diketahui 𝜺 =
휀1휀2
⋮휀𝑛
, maka ;
𝐸(𝜺) = 𝐸
휀1휀2
⋮휀𝑛
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
=
𝐸(휀1)
𝐸(휀2)⋮
𝐸(휀𝑛)
Karena asumsi 1 dalam regresi sederhana di mana (휀𝑖) = 0 , maka;
𝐸(𝜺) =
𝐸(휀1)
𝐸(휀2)⋮
𝐸(휀𝑛)
=
00⋮0
𝐸(𝜺) = 𝟎
Di mana 𝜺 merupakan matriks berordo 𝑛 × 1 dan 𝟎 merupakan matriks nol.
2. Asumsi-asumsi lain yang ada pada regresi sederhana adalah:
𝑐𝑜𝑣 휀𝑖 , 휀𝑗 = 𝐸 휀𝑖 − 𝐸 휀𝑖 [휀𝑗 − 𝐸 휀𝑗 ]
= 𝐸(휀𝑖휀𝑗 ) karena asusmsi 1
= 0 𝑖 ≠ 𝑗
𝑣𝑎𝑟 휀𝑖 휀𝑗 = 𝐸[휀𝑖 − 𝐸 휀𝑖 ]2
= 𝐸[휀𝑖]2 karena asumsi 1
= 𝜎2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
63
Dalam regresi berganda kedua asumsi tersebut dapat dinyatakan sebagai berikut;
𝐸[𝜺]2 = 𝐸(𝜺𝜺𝒕)
Jadi 𝜺𝜺𝑻 =
휀1휀2
⋮⋮휀𝑛
휀1휀2휀3 ⋯휀𝑛
𝜺𝜺𝑻 =
휀1
2 휀1휀2 휀1휀3⋯ 휀1휀𝑛
휀2휀1 휀22 휀2휀3
⋯ 휀2휀𝑛
⋮⋮
휀𝑛휀1
⋮⋮
휀𝑛휀2
⋮⋮
휀3휀1
⋮⋮⋯
⋮⋮
휀𝑛2
Dan 𝐸(𝜺𝜺𝑻) =
𝐸[휀1
2] 𝐸[휀1휀2] 𝐸[휀1휀3] ⋯ 𝐸[휀1휀𝑛 ]
𝐸[휀2휀1] 𝐸[휀22] 𝐸[휀2휀3] ⋯ 𝐸[휀2휀𝑛 ]
⋮⋮
𝐸[휀𝑛휀1]
⋮⋮
𝐸[휀𝑛휀2]
⋮⋮
𝐸[휀3휀1]
⋮⋮⋯
⋮⋮
𝐸[휀𝑛2]
Karena asumsi kovarians dan varians dalam regresi sederhana , maka;
𝐸(𝜺𝜺𝑻) =
𝜎휀
2 0 0 ⋯ 0
0 𝜎휀2 0 ⋯ 0
⋮⋮0
⋮⋮0
⋮⋮0
⋮⋮⋯
⋮⋮
𝜎휀2
Jadi:
𝐸 𝜺𝜺𝒕 = 𝜎휀2
1 0 0 ⋯ 00 1 0 ⋯ 0⋮⋮0
⋮⋮0
⋮⋮0
⋮⋮⋯
⋮⋮1
=𝜎휀2𝐼𝑛 di mana 𝐼𝑛 adalah matriks identitas.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
64
Matriks di atas merupakan matriks varians-kovarians dari faktor gangguan 𝜺𝑖 .
Elemen-elemen diagonal utama matriks yang dimulai dari sudut kiri atas hingga sudut
kanan bawah akan menjadi varians, dan elemen yang tidak berada pada diagonal
utama akan menjadi kovarians. Apabila elemen-elemen pada diagonal utama tidak
sama dengan 𝜎휀2 maka akan terjadi heteroskedastisitas, dan apabila elemen lain yang
tidak berada pada diagonal utama tidak sama dengan nol, maka terjadi otokorelasi.
3. X adalah suatu himpunan bilangan yang tetap dalam pengamatan yang berulang.
4. Tidak ada multikolinieritas
Sebelum membahas penaksir , akan dibahas terlebih dahulu mengenai
regresi sampel untuk regresi berganda. Persamaan regresi sampel dalam regresi linier
berganda yaitu:
𝑌𝑖 = 𝑏0 + 𝑏1𝑋1𝑖 + 𝑏2𝑋2𝑖 + ⋯ + 𝑏𝑘𝑋𝑘𝑖 + 𝑒𝑖 (3.58)
Persamaan regresi sampel dalam bentuk matriks yaitu:
𝒀 = 𝑿𝒃 + 𝒆 (3.59)
Atau
𝒆 = 𝒀 − 𝑿𝒃 (3.60)
Penaksir-penaksir dalam regresi linier berganda juga dicari dengan
menggunakan OLS. Prinsip dari OLS untuk regresi linier berganda juga sama dengan
regresi linier sederhana yaitu meminimumkan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
65
𝑒2 = 𝑒12 + 𝑒2
2 + 𝑒32 + ⋯ + 𝑒𝑛
2𝑛𝑖=1 (3.61)
Persamaan (3.61) dinyatakan dalam bentuk matriks sebagai berikut:
𝑒2 = 𝑒1𝑒2 …𝑒𝑛
𝑒1
𝑒2
⋮⋮𝑒𝑛
𝑛𝑖=1 = 𝒆𝑻𝒆 (3.62)
Jadi
𝒆𝟐 = 𝒆𝒕𝒆
= (𝒀 − 𝑿𝒃 )𝑡(𝒀 − 𝑿𝒃 )
𝒆𝟐 = 𝒆𝒕𝒆 = 𝒀𝑡𝒀 − 𝒃𝒕𝑿𝒕𝒀 − 𝒀𝒕𝑿𝒃 + 𝒃𝒕𝑿𝒕𝑿𝒃 (3.63)
Sesuai dengan sifat-sifat transpose matriks, ( 𝑿𝒃 )𝑡 = 𝒃𝒕𝑿𝒕. Selanjutnya akan
dibuktikan bahwa 𝒃𝒕𝑿𝒕𝒀 = 𝒀𝒕𝒃𝑿.
Bukti:
𝒃𝒕𝑿𝒕𝒀 = (𝒃𝒕𝑿𝒕𝒀)𝒕 jika matriks 𝒃𝒕𝑿𝒕𝒀 merupakan matriks simetri dan merupakan
matriks skalar berordo 1 x 1, maka:
Diketahui :
𝒃 adalah vektor berordo (𝑘 + 1) × 1, maka 𝒃𝒕 vektor berordo 1 × (𝑘 + 1), 𝑿
merupakan matriks yang berordo 𝑛 × 𝑘 + 1 , maka 𝑿𝒕 adalah matriks yang berordo
𝑘 + 1 × 𝑛, Y adalah vektor berordo 𝑛 × 1 . Sesuai dengan definisi mengenai
perkalian matriks yaitu jika A adalah sebuah matriks 𝑚 × 𝑛 dan B adalah sebuah
matriks 𝑚 × 𝑛 maka AB adalah matriks 𝑚 × 𝑚, dan sesuai dengan sifat asosiatif
perkalian matriks sehingga (𝒃𝒕𝑿𝒕)𝒀 = 𝒃𝒕(𝑿𝒕𝒀) maka (𝑿𝒕𝒀) adalah matriks yang
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
66
berordo 𝑘 + 1 × 1, maka 𝒃𝒕(𝑿𝒕𝒀) adalah matriks yang berordo 1 × 1 . Maka
𝒃𝒕𝑿𝒕𝒀 merupakan matriks skalar. Karena matriks 𝒃𝒕𝑿𝒕𝒀 merupakan matriks skalar
maka terbukti 𝒃𝒕𝑿𝒕𝒀 = (𝒃𝒕𝑿𝒕𝒀)𝒕 , sehingga sesuai dengan sifat transpose matriks;
𝒃𝒕𝑿𝒕𝒀 = (𝒃𝒕𝑿𝒕𝒀)𝒕
𝒃𝒕𝑿𝒕𝒀 = 𝒀𝒕𝒃𝑿 (3.64)
Persamaan (3.63) menjadi :
𝒆𝒕𝒆 = 𝒀𝑡𝒀 − 𝟐𝒃𝒕𝑿𝒕𝒀 + 𝒃𝒕𝑿𝒕𝑿𝒃 (3.65)
Persamaan (3.65) diturunkan secara parsial, agar 𝒆𝒕𝒆 = 𝒀𝑡𝒀 − 𝟐𝒃𝒕𝑿𝒕𝒀 +
𝒃𝒕𝑿𝒕𝑿𝒃 minimum, kemudian persamaan tersebut disamakan dengan nol, sebagai
berikut:
𝛿(𝒆𝒕𝒆)
𝛿𝑏=
𝛿(𝒀𝑡𝒀−𝟐𝒃𝒕𝑿𝒕𝒀+𝒃𝒕𝑿𝒕𝑿𝒃 )
𝛿𝑏
0 = −2𝑿𝒕𝒀 + 𝟐𝑿𝒕𝑿𝒃
Bukti :
𝒀𝑡𝒀 = 𝑦1 𝑦2⋯ 𝑦𝑛
𝑦1
𝑦2
⋮𝑦𝑛
= 𝑦1𝑦1 + 𝑦2𝑦2 + ⋯ + 𝑦𝑛𝑦𝑛
= 𝑦12 + 𝑦2
2 + ⋯ + 𝑦𝑛2
Sehingga 𝜕(𝒀𝑡𝒀)
𝜕𝑏=
𝜕 𝑦12+ 𝑦2
2+⋯+ 𝑦𝑛2
𝜕𝑏 = 0
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
67
𝑏𝒕𝑿𝒕𝒀 = 𝑏0 𝑏1 𝑏2 ⋯ 𝑏𝑘
1𝑥11𝑥12
⋮𝑥1𝑘
1 1𝑥21 𝑥31𝑥22 𝑥32
⋮ ⋮𝑥2𝑘 𝑥3𝑘
⋯⋯⋯……
1𝑥𝑛1𝑥𝑛2
⋮𝑥𝑛𝑘
𝑦1
𝑦2𝑦3
⋮𝑦𝑛
= 𝑏0 𝑏1 𝑏2 ⋯ 𝑏𝑘
𝑦1 + 𝑦2 + 𝑦3 + ⋯ + 𝑦𝑛
𝑥11𝑦1 + 𝑥21𝑦2 + 𝑥31𝑦3 + ⋯ + 𝑥𝑛1𝑦𝑛
𝑥12𝑦1 + 𝑥22𝑦2 + 𝑥32𝑦3 + ⋯ + 𝑥𝑛2𝑦𝑛
…………………………………𝑥1𝑘𝑦1 + 𝑥2𝑘𝑦2 + 𝑥3𝑘𝑦3 + ⋯ + 𝑥𝑛𝑘𝑦𝑛
=
𝑏0 𝑦1 + 𝑦2 + 𝑦3 + ⋯ + 𝑦𝑛 + 𝑏1 𝑥11𝑦1 + 𝑥21𝑦2 + 𝑥31𝑦3 + ⋯ + 𝑥𝑛1𝑦𝑛
+𝑏2 𝑥12𝑦1 + 𝑥22𝑦2 + 𝑥32𝑦3 + ⋯ + 𝑥𝑛2𝑦𝑛
+ ⋯ + 𝑏𝑘 (𝑥1𝑘𝑦1 + 𝑥2𝑘𝑦2 + 𝑥3𝑘𝑦3 + ⋯ + 𝑥𝑛𝑘𝑦𝑛)
Sehingga
𝜕 𝒃𝒕𝑿𝒕𝒀
𝜕𝑏0 =
𝜕 𝑏0 𝑦1+ 𝑦2+𝑦3+⋯+𝑦𝑛 + 𝑏1 𝑥11𝑦1+ 𝑥21𝑦2+𝑥31𝑦3+⋯+𝑥𝑛1𝑦𝑛
+𝑏2 𝑥12𝑦1+ 𝑥22𝑦2+𝑥32𝑦3+⋯+𝑥𝑛2𝑦𝑛
+⋯+ 𝑏𝑘 (𝑥1𝑘𝑦1+ 𝑥2𝑘𝑦2+𝑥3𝑘𝑦3+⋯+𝑥𝑛𝑘 𝑦𝑛 )
𝜕𝑏0
= 𝑦1 + 𝑦2 + 𝑦3 + ⋯ + 𝑦𝑛
𝜕 𝒃𝒕𝑿𝒕𝒀
𝜕𝑏1 =
𝜕 𝑏 𝑦1+ 𝑦2+𝑦3+⋯+𝑦𝑛 + 𝑏1 𝑥11𝑦1+ 𝑥21𝑦2+𝑥31𝑦3+⋯+𝑥𝑛1𝑦𝑛
+𝑏2 𝑥12𝑦1+ 𝑥22𝑦2+𝑥32𝑦3+⋯+𝑥𝑛2𝑦𝑛
+⋯+ 𝑏𝑘 (𝑥1𝑘𝑦1+ 𝑥2𝑘𝑦2+𝑥3𝑘𝑦3+⋯+𝑥𝑛𝑘 𝑦𝑛 )
𝜕𝑏1
= 𝑥11𝑦1 + 𝑥21𝑦2 + 𝑥31𝑦3 + ⋯ + 𝑥𝑛1𝑦𝑛
𝜕 𝒃𝒕𝑿𝒕𝒀
𝜕𝑏2 =
𝜕 𝑏0 𝑦1+ 𝑦2+𝑦3+⋯+𝑦𝑛 + 𝑏1 𝑥11𝑦1+ 𝑥21𝑦2+𝑥31𝑦3+⋯+𝑥𝑛1𝑦𝑛
+𝑏2 𝑥12𝑦1+ 𝑥22𝑦2+𝑥32𝑦3+⋯+𝑥𝑛2𝑦𝑛
+⋯+ 𝑏𝑘 (𝑥1𝑘𝑦1+ 𝑥2𝑘𝑦2+𝑥3𝑘𝑦3+⋯+𝑥𝑛𝑘 𝑦𝑛 )
𝜕𝑏2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
68
= 𝑥12𝑦1 + 𝑥22𝑦2 + 𝑥32𝑦3 + ⋯ + 𝑥𝑛2𝑦𝑛
𝜕 𝒃𝒕𝑿𝒕𝒀
𝜕 𝑏𝑘 =
𝜕 𝑏0 𝑦1+ 𝑦2+𝑦3+⋯+𝑦𝑛 + 𝑏1 𝑥11𝑦1+ 𝑥21𝑦2+𝑥31𝑦3+⋯+𝑥𝑛1𝑦𝑛
+𝑏2 𝑥12𝑦1+ 𝑥22𝑦2+𝑥32𝑦3+⋯+𝑥𝑛2𝑦𝑛
+ ⋯+ 𝑏𝑘 (𝑥1𝑘𝑦1+ 𝑥2𝑘𝑦2+𝑥3𝑘𝑦3+⋯+𝑥𝑛𝑘 𝑦𝑛 )
𝜕 𝑏𝑘
= 𝑥1𝑘𝑦1 + 𝑥2𝑘𝑦2 + 𝑥3𝑘𝑦3 + ⋯ + 𝑥𝑛𝑘𝑦𝑛
Jadi
𝜕 𝒃𝒕𝑿𝒕𝒀
𝜕 𝑏𝑘=
𝜕(𝒃𝒕𝑿𝒕𝒀)
𝜕 𝑏0
𝜕(𝒃𝒕𝑿𝒕𝒀)
𝜕 𝑏1
𝜕(𝒃𝒕𝑿𝒕𝒀)
𝜕 𝑏2
⋮𝜕(𝒃𝒕𝑿𝒕𝒀)
𝜕 𝑏𝑘
=
𝑦1
+ 𝑦2
+ 𝑦3
+ ⋯ + 𝑦𝑛
𝑥11𝑦1+ 𝑥21𝑦2
+ 𝑥31𝑦3+ ⋯ + 𝑥𝑛1𝑦𝑛
𝑥12𝑦1+ 𝑥22𝑦2
+ 𝑥32𝑦3+ ⋯ + 𝑥𝑛2𝑦𝑛
⋮𝑥1𝑘𝑦1
+ 𝑥2𝑘𝑦2+ 𝑥3𝑘𝑦3
+ ⋯ + 𝑥𝑛𝑘𝑦𝑛
=
1𝑥11𝑥12
⋮𝑥1𝑘
1 1𝑥21 𝑥31𝑥22 𝑥32
⋮ ⋮𝑥2𝑘 𝑥3𝑘
⋯⋯⋯……
1𝑥𝑛1𝑥𝑛2
⋮𝑥𝑛𝑘
𝑦1
𝑦2𝑦3
⋮𝑦𝑛
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
69
= 𝑿𝒕𝒀
Perhatikan bahwa
𝒃𝒕𝑿𝒕𝑿
= 𝑏0 𝑏1 𝑏2 ⋯ 𝑏𝑘
1
𝑥11𝑥12
⋮
𝑥1𝑘
1 1𝑥21 𝑥31𝑥22 𝑥32
⋮ ⋮𝑥2𝑘 𝑥3𝑘
⋯
⋯⋯…
…
1
𝑥𝑛1𝑥𝑛2
⋮
𝑥𝑛𝑘
1
11⋮
1
𝑥11 𝑥12
𝑥21 𝑥22𝑥31 𝑥32
⋮ ⋮𝑥𝑛1 𝑥𝑛2
⋯
⋯⋯…
…
𝑥1𝑘
𝑥2𝑘𝑥3𝑘
⋮
𝑥𝑛𝑘
𝑏0
𝑏1
𝑏2
⋮
𝑏𝑘
= 𝑏0 + 𝑏1𝑥11 + 𝑏2𝑥12 … + 𝑏𝑘𝑥1𝑘 𝑏0 + 𝑏1𝑥21 + 𝑏2𝑥22 … + 𝑏𝑘𝑥2𝑘
𝑏0 + 𝑏1𝑥31 + 𝑏2𝑥32 … + 𝑏𝑘𝑥3𝑘 … . 𝑏0 + 𝑏1𝑥𝑛1 + 𝑏2𝑥𝑛2 … + 𝑏𝑘𝑥𝑛𝑘 ×
𝑏0 + 𝑏1𝑥11 + 𝑏2𝑥12 + ⋯ + 𝑏𝑘𝑥1𝑘
𝑏0 + 𝑏1𝑥21 + 𝑏2𝑥22 + ⋯ + 𝑏𝑘𝑥2𝑘 𝑏0 + 𝑏1𝑥31 + 𝑏2𝑥32 + … + 𝑏𝑘𝑥3𝑘
…………………………………………𝑏0 + 𝑏1𝑥𝑛1 + 𝑏2𝑥𝑛2 + … + 𝑏𝑘𝑥𝑛𝑘
=
𝑏0 + 𝑏1𝑥11 + 𝑏2𝑥12 + ⋯ + 𝑏𝑘𝑥1𝑘 𝑏0 + 𝑏1𝑥11 + 𝑏2𝑥12 + ⋯ + 𝑏𝑘𝑥1𝑘 +
𝑏0 + 𝑏1𝑥21 + 𝑏2𝑥22 + ⋯ + 𝑏𝑘𝑥2𝑘 𝑏0 + 𝑏1𝑥21 + 𝑏2𝑥22 + ⋯ + 𝑏𝑘𝑥2𝑘 +
𝑏0 + 𝑏1𝑥31 + 𝑏2𝑥32 + ⋯ + 𝑏𝑘𝑥3𝑘 𝑏0 + 𝑏1𝑥31 + 𝑏2𝑥32 + … + 𝑏𝑘𝑥3𝑘 +
… + 𝑏0 + 𝑏1𝑥𝑛1 + 𝑏2𝑥𝑛2 + ⋯ + 𝑏𝑘𝑥𝑛𝑘 (𝑏0 + 𝑏1𝑥𝑛1 + 𝑏2𝑥𝑛2 + … + 𝑏𝑘𝑥𝑛𝑘 )
(3.66)
Hasil perkalian ruas kanan persamaan (3.66) bagian pertama:
𝑏0 + 𝑏1𝑥11 + 𝑏2𝑥12 + ⋯ + 𝑏𝑘𝑥1𝑘 𝑏0 + 𝑏1𝑥11 + 𝑏2𝑥12 + ⋯ + 𝑏𝑘𝑥1𝑘
= 𝑏0 𝑏0 + 𝑏1𝑥11 + 𝑏2𝑥12 + ⋯ + 𝑏𝑘𝑥1𝑘 + 𝑏1𝑥11 𝑏0 + 𝑏11𝑥11 + 𝑏2𝑥12 + ⋯ + 𝑏𝑘𝑥1𝑘
+𝛽2𝑥12 𝑏0 + 𝑏1𝑥11 + 𝑏2𝑥12 + ⋯ + 𝛽 𝑘𝑥1𝑘 + ⋯+ 𝛽𝑘𝑥1𝑘 𝑏0 + 𝑏11𝑥11 + 𝑏2𝑥12 + ⋯ + 𝛽 𝑘𝑥1𝑘
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
70
=
𝑏02 + 𝑏0 𝑏1𝑥11 + 𝑏0 𝑏2𝑥12 + ⋯ + 𝑏0𝑏𝑘𝑥1𝑘 +
𝑏1𝑥11𝑏0 + 𝑏12𝑥11
2 + 𝑏1𝑥11 𝑏2𝑥12 + ⋯ + 𝑏11𝑥11𝑏𝑘𝑥1𝑘 +
𝑏2𝑥12𝑏0 + 𝑏2𝑥12 𝑏1𝑥11 + 𝑏22𝑥12
2 + ⋯ + 𝑏2𝑥12𝑏𝑘𝑥1𝑘 + ⋯ +
𝑏𝑘𝑥1𝑘𝑏0 + 𝑏𝑘𝑥1𝑘 𝑏1𝑥11 + 𝑏𝑘𝑥1𝑘𝑏2𝑥12 + ⋯ + 𝑏𝑘2𝑥1𝑘
2
(1 )
Hasil perkalian ruas kanan persamaan (3.66) bagian kedua:
𝑏0 + 𝑏1𝑥21 + 𝑏2𝑥22 + ⋯ + 𝑏𝑘𝑥2𝑘 𝑏0 + 𝑏1𝑥21 + 𝑏2𝑥22 + ⋯ + 𝑏𝑘𝑥2𝑘
= 𝑏0 𝑏0 + 𝑏1𝑥21 + 𝑏2𝑥22 + ⋯ + 𝑏𝑘𝑥2𝑘 + 𝑏1𝑥21 𝑏0 + 𝑏1𝑥21 + 𝑏2𝑥22 + ⋯ + 𝑏𝑘𝑥2𝑘
+𝑏2𝑥22 𝑏0 + 𝑏1𝑥21 + 𝑏2𝑥22 + ⋯ + 𝑏𝑘𝑥2𝑘 + ⋯ + 𝑏𝑘𝑥2𝑘 𝑏0 + 𝑏1𝑥21 + 𝑏2𝑥22 + ⋯ + 𝑏𝑘𝑥2𝑘
=
𝑏0
2 + 𝑏0 𝑏1𝑥21 + 𝑏0 𝑏2𝑥22 + ⋯ + 𝑏0𝑏𝑘𝑥2𝑘 +
𝑏1𝑥21𝑏0 + 𝑏12𝑥21
2 + 𝑏1𝑥21 𝑏2𝑥22 + ⋯ + 𝑏1𝑥21𝑏𝑘𝑥2𝑘 +
𝑏2𝑥22𝑏0 + 𝑏2𝑥22 𝑏1𝑥21 + 𝑏22𝑥22
2 + ⋯ + 𝑏2𝑥22𝑏𝑘𝑥2𝑘 + ⋯ +
𝑏𝑘𝑥2𝑘𝑏0 + 𝑏𝑘𝑥2𝑘 𝑏1𝑥21 + 𝑏𝑘𝑥2𝑘𝑏2𝑥22 + ⋯ + 𝑏𝑘2𝑥2𝑘
2
( 2 )
Hasil perkalian ruas kanan persamaan (3.66) bagian ketiga:
𝑏0 + 𝑏1𝑥31 + 𝑏2𝑥32 + … + 𝑏𝑘𝑥3𝑘 𝑏0 + 𝑏1𝑥31 + 𝑏2𝑥32 + … + 𝑏𝑘𝑥3𝑘
= 𝑏0 𝑏0 + 𝑏1𝑥31 + 𝑏2𝑥32 + …+ 𝑏𝑘𝑥3𝑘 + 𝑏1𝑥31 𝑏0 + 𝑏1𝑥31 + 𝑏2𝑥32 + …+ 𝑏𝑘𝑥3𝑘
+𝑏2𝑥32 𝑏0 + 𝑏1𝑥31 + 𝑏2𝑥32 + …+ 𝑏𝑘𝑥3𝑘 + ⋯ + 𝑏𝑘𝑥3𝑘 𝑏0 + 𝑏1𝑥31 + 𝑏2𝑥32 + …+ 𝑏𝑘𝑥3𝑘
=
𝑏0
2 + 𝑏0 𝑏1𝑥31 + 𝑏0 𝑏2𝑥32 + ⋯ + 𝑏0𝑏𝑘𝑥3𝑘 +
𝑏1𝑥31𝑏0 + 𝑏12𝑥31
2 + 𝑏1𝑥31 𝑏2𝑥22 + ⋯ + 𝑏1𝑥31𝑏𝑘𝑥3𝑘 +
𝑏2𝑥32𝑏0 + 𝑏2𝑥32 𝑏1𝑥31 + 𝑏22𝑥32
2 + ⋯ + 𝑏2𝑥32𝑏𝑘𝑥3𝑘 + ⋯ +
𝑏𝑘𝑥3𝑘𝑏0 + 𝑏𝑘𝑥3𝑘 𝑏1𝑥31 + 𝑏𝑘𝑥3𝑘𝑏2𝑥32 + ⋯ + 𝑏𝑘2𝑥3𝑘
2
( 3 )
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
71
Hasil perkalian ruas kanan persamaan (3.67) bagian terakhir:
𝑏0 + 𝑏1𝑥𝑛1 + 𝑏2𝑥𝑛2 + … + 𝑏𝑘𝑥𝑛𝑘 (𝑏0 + 𝑏1𝑥𝑛1 + 𝑏2𝑥𝑛2 + … + 𝑏𝑘𝑥𝑛𝑘 )
= 𝑏0 (𝑏0 + 𝑏1𝑥𝑛1 + 𝑏2𝑥𝑛2 + … + 𝑏𝑘𝑥𝑛𝑘 ) + 𝑏1𝑥𝑛1(𝑏0 + 𝑏1𝑥𝑛1 + 𝑏2𝑥𝑛2 + … + 𝑏𝑘𝑥𝑛𝑘 )
+𝑏2𝑥𝑛2(𝑏0 + 𝑏1𝑥𝑛1 + 𝑏2𝑥𝑛2 + … + 𝑏𝑘𝑥𝑛𝑘 ) + ⋯ + 𝑏𝑘𝑥𝑛𝑘 (𝑏0 + 𝑏1𝑥𝑛1 + 𝑏2𝑥𝑛2 + … + 𝑏𝑘𝑥𝑛𝑘 )
=
𝑏0
2 + 𝑏0 𝑏1𝑥𝑛1 + 𝑏0 𝑏2𝑥𝑛2 + ⋯ + 𝑏0𝑏𝑘𝑥𝑛𝑘 +
𝑏1𝑥𝑛1𝑏0 + 𝑏12𝑥𝑛1
2 + 𝑏1𝑥𝑛1 𝑏2𝑥𝑛2 + ⋯ + 𝑏1𝑥𝑛1𝑏𝑘𝑥𝑛𝑘 +
𝑏2𝑥𝑛2𝑏0 + 𝑏2𝑥𝑛2 𝑏1𝑥𝑛1 + 𝑏22𝑥𝑛2
2 + ⋯ + 𝑏2𝑥𝑛2𝑏𝑘𝑥𝑛𝑘 + ⋯ +
𝑏𝑘𝑥𝑛𝑘𝑏0 + 𝑏𝑘𝑥𝑛𝑘 𝑏1𝑥𝑛1 + 𝑏𝑘𝑥𝑛𝑘𝑏2𝑥𝑛2 + ⋯ + 𝑏𝑘2𝑥𝑛𝑘
2
( 4 )
Kemudian persamaan 1, 2, 3, dan 4 diturunkan Terhadap 𝑏,
𝒃𝒕𝑿𝒕𝑿𝜷 =
𝜕(𝒃𝒕𝑿𝒕𝑿𝜷)
𝜕 𝑏0
𝜕(𝒃𝒕𝑿𝒕𝑿𝜷)
𝜕 𝑏1
𝜕(𝒃𝒕𝑿𝒕𝑿𝜷)
𝜕 𝑏2
⋮𝜕(𝒃𝒕𝑿𝒕𝑿𝜷)
𝜕 𝑏𝑘
hasilnya adalah:
persamaan 1,2,3,4 diturunkan terhadap 𝑏0
=
𝜕
𝑏02 + 𝑏0 𝑏1𝑥11 + 𝑏0 𝑏2𝑥12 + ⋯ + 𝑏0𝑏𝑘𝑥1𝑘 +
𝑏1𝑥11𝑏0 + 𝑏12𝑥11
2 + 𝑏1𝑥11 𝑏2𝑥12 + ⋯ + 𝑏1𝑥11𝑏𝑘𝑥1𝑘 +
𝑏2𝑥12𝑏0 + 𝑏2𝑥12 𝑏1𝑥11 + 𝑏22𝑥12
2 + ⋯ + 𝑏2𝑥12𝑏𝑘𝑥1𝑘 + ⋯ +
𝑏𝑘𝑥1𝑘𝑏0 + 𝑏𝑘𝑥1𝑘 𝑏1𝑥11 + 𝑏𝑘𝑥1𝑘𝑏2𝑥12 + ⋯ + 𝑏𝑘2𝑥1𝑘
2
𝜕𝑏0
= 2𝑏0 + 𝑏1𝑥11 + 𝑏2𝑥12 + ⋯ + 𝑏𝑘𝑥1𝑘 + 𝑏1𝑥11 + 𝑏2𝑥12 + ⋯ + 𝑏𝑘𝑥1𝑘
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
72
= (2𝑏0 + 2𝑥11𝑏1 + 2𝑥12𝑏2 + ⋯ + 2𝑥1𝑘𝑏𝑘 ) ( 1a )
𝜕
𝑏02 + 𝑏0 𝑏1𝑥21 + 𝑏0 𝑏2𝑥22 + ⋯ + 𝑏0𝑏𝑘𝑥2𝑘 +
𝑏1𝑥21𝑏0 + 𝑏12𝑥21
2 + 𝑏1𝑥21 𝑏2𝑥22 + ⋯ + 𝑏1𝑥21𝑏𝑘𝑥2𝑘 +
𝑏2𝑥22𝑏0 + 𝑏2𝑥22 𝑏1𝑥21 + 𝑏22𝑥22
2 + ⋯ + 𝑏2𝑥22𝑏𝑘𝑥2𝑘 + ⋯ +
𝑏𝑘𝑥2𝑘𝑏0 + 𝑏𝑘𝑥2𝑘 𝑏1𝑥21 + 𝑏𝑘𝑥2𝑘𝑏2𝑥22 + ⋯ + 𝑏𝑘2𝑥2𝑘
2
𝜕𝑏0
= 2𝑏0 + 𝑏1𝑥21 + 𝑏2𝑥22 + ⋯ + 𝑏𝑘𝑥2𝑘 + 𝑏1𝑥21 + 𝑏2𝑥22 + ⋯ + 𝑏𝑘𝑥2𝑘
= 2𝑏0 + 2 𝑥21𝑏1 + 2 𝑥22𝑏2 + ⋯ + 2 𝑥2𝑘𝑏𝑘 ( 2a )
𝜕
𝑏02+𝑏0𝑏1𝑥31+ 𝑏0 𝑏2𝑥32+⋯+𝑏0𝑏𝑘𝑥3𝑘 +
𝑏1𝑥31𝑏0+ 𝑏12𝑥31
2+ 𝑏1𝑥31 𝑏2𝑥22 +⋯+𝑏1𝑥31𝑏𝑘𝑥3𝑘 +
𝑏2𝑥32𝑏0+𝑏2𝑥32 𝑏1𝑥31+ 𝑏22𝑥32
2+⋯+𝑏2𝑥32𝑏𝑘𝑥3𝑘 +⋯+
𝑏𝑘𝑥3𝑘𝑏 0+𝑏𝑘𝑥3𝑘 𝑏1𝑥31+ 𝑏𝑘𝑥3𝑘𝑏2𝑥32+⋯+𝑏𝑘2𝑥3𝑘
2
𝜕𝑏0
= 2𝑏0 + 𝑥31𝑏1 + 𝑥32𝑏2 + ⋯ + 𝑥3𝑘𝑏𝑘 + 𝑥31𝑏1 + 𝑥32𝑏2 + ⋯ + 𝑥3𝑘𝑏𝑘
= 2𝑏0 + 2 𝑥31𝑏1 + 2 𝑥32𝑏2 + ⋯ + 2𝑥3𝑘𝑏𝑘 ( 3a )
𝜕
𝑏02+𝑏0 𝑏1𝑥𝑛1+ 𝑏0 𝑏2𝑥𝑛2+⋯+𝑏0𝑏𝑘𝑥𝑛𝑘 +
𝑏1𝑥𝑛1𝑏0+ 𝑏12𝑥𝑛1
2+ 𝑏1𝑥𝑛1 𝑏2𝑥𝑛2+⋯+𝑏1𝑥𝑛1𝑏𝑘𝑥𝑛𝑘 +
𝑏2𝑥𝑛2𝑏0+𝑏2𝑥𝑛2 𝑏1𝑥𝑛1+ 𝑏22𝑥𝑛2
2+⋯+𝑏2𝑥𝑛2𝑏𝑘𝑥𝑛𝑘 +⋯+
𝑏𝑘𝑥𝑛𝑘 𝑏0+𝑏𝑘𝑥𝑛𝑘 𝑏1𝑥𝑛1+ 𝑏𝑘𝑥𝑛𝑘 𝑏2𝑥𝑛2+⋯+𝑏𝑘2𝑥𝑛𝑘
2
𝜕𝑏0
= 2𝑏0 + 𝑏1𝑥𝑛1 + 𝑏2𝑥𝑛2 + ⋯ + 𝑥𝑛𝑘𝑏𝑘 + 𝑏1𝑥𝑛1 + 𝑏2𝑥𝑛2 + ⋯ + 𝑥𝑛𝑘𝑏𝑘
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
73
= 2𝑏0 + 2 𝑏1𝑥𝑛1 + 2 𝑏2𝑥𝑛2 + ⋯ + 2 𝑥𝑛𝑘𝑏𝑘 ( 4a )
Jadi hasil keseluruhan 𝒃𝒕𝑿𝒕𝑿𝜷 yang diTurunkan Terhadap 𝑏0 adalah:
𝜕(𝒃𝒕𝑿𝒕𝑿𝜷)
𝜕𝑏0= (2𝑏0 + 2𝑏1𝑥11 + 2𝑏2𝑥12 + ⋯ + 2𝑥1𝑘𝑏𝑘) + 2𝑏0 + 2 𝑏1𝑥21 +
2 𝑏2𝑥22 + ⋯ + 2 𝑥2𝑘𝑏𝑘 + 2𝑏0 + 2 𝑏1𝑥31 + 2 𝑏2𝑥32 + ⋯ +
2𝑥3𝑘𝑏𝑘 + ⋯ + 2𝑏0 + 2 𝑏1𝑥𝑛1 + 2 𝑏2𝑥𝑛2 + ⋯ + 2 𝑥𝑛𝑘𝑏𝑘
Persamaan 1, 2, 3, dan 4 diTurunkan Terhadap 𝑏1, hasilnya adalah:
𝜕
𝑏02+𝑏0 𝑏1𝑥11 + 𝑏0 𝑏2𝑥12 +⋯+𝑏0𝑏𝑘𝑥1𝑘 +
𝑏1𝑥11𝑏0+ 𝑏12𝑥11
2+ 𝑏1𝑥11 𝑏2𝑥12 +⋯+𝑏1𝑥11𝑏𝑘𝑥1𝑘 +
𝑏2𝑥12𝑏0+𝑏2𝑥12 𝑏1𝑥11+ 𝑏22𝑥12
2+⋯+𝑏2𝑥12𝑏𝑘𝑥1𝑘 +⋯+
𝑏𝑘𝑥1𝑘𝑏0+𝑏𝑘𝑥1𝑘 𝑏1𝑥11+ 𝑏𝑘𝑥1𝑘𝑏2𝑥12+⋯+𝑏𝑘2𝑥1𝑘
2
𝜕𝑏1
= 𝑥11𝑏0 + 𝑥11𝑏0 + 2𝑥112𝑏1 + 𝑥11 𝑥12𝑏2 + ⋯ + 𝑥1𝑘𝑥11𝑏𝑘 + 𝑥11𝑥12 𝑏2 + ⋯
+ 𝑥1𝑘 𝑥11𝑏𝑘
= (2𝑥11𝑏0 + 2𝑥112𝑏1 + 2𝑥11 𝑥12𝑏2 + ⋯ + 2𝑥1𝑘 𝑥11𝑏𝑘) ( 1b )
𝜕
𝑏02+𝑏0 𝑏1𝑥21 + 𝑏0 𝑏2𝑥22 +⋯+𝑏0𝑏𝑘𝑥2𝑘 +
𝑏1𝑥21𝑏0+ 𝑏12𝑥21
2+ 𝑏1𝑥21 𝑏2𝑥22 +⋯+𝑏1𝑥21𝑏𝑘𝑥2𝑘 +
𝑏2𝑥22𝑏0+𝑏2𝑥22 𝑏1𝑥21+ 𝑏22𝑥22
2+⋯+𝑏2𝑥22𝑏𝑘𝑥2𝑘 +⋯+
𝑏𝑘𝑥2𝑘𝑏0+𝑏𝑘𝑥2𝑘 𝑏1𝑥21+ 𝑏𝑘𝑥2𝑘𝑏2𝑥22+⋯+𝑏𝑘2𝑥2𝑘
2
𝜕𝑏1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
74
= 𝑥21𝑏0 + 𝑥21𝑏0 + 2𝑥212𝑏1 + 𝑥21 𝑥22𝑏2 + ⋯ + 𝑥2𝑘𝑥21𝑏𝑘 + 𝑥21 𝑥22𝑏2 + ⋯
+ 𝑥2𝑘 𝑥21𝑏𝑘
= (2𝑥21𝑏0 + 2𝑥212𝑏1 + 2 𝑥21 𝑥22𝑏2 + ⋯ + 2 𝑥2𝑘 𝑥21𝑏𝑘) ( 2b )
𝜕
𝑏02+𝑏0 𝑏1𝑥31 + 𝑏0 𝑏2𝑥32 +⋯+𝑏0𝑏𝑘𝑥3𝑘 +
𝑏1𝑥31𝑏0+ 𝑏12𝑥31
2+ 𝑏1𝑥31 𝑏2𝑥22 +⋯+𝑏1𝑥31𝑏𝑘𝑥3𝑘 +
𝑏2𝑥32𝑏0+𝑏2𝑥32 𝑏1𝑥31+ 𝑏22𝑥32
2+⋯+𝑏2𝑥32𝑏𝑘𝑥3𝑘 +⋯+
𝑏𝑘𝑥3𝑘𝑏0+𝑏𝑘𝑥3𝑘 𝑏1𝑥31+ 𝑏𝑘𝑥3𝑘𝑏2𝑥32+⋯+𝑏𝑘2𝑥3𝑘
2
𝜕𝑏1
= 𝑥31𝑏0 + 𝑥31𝑏0 + 2𝑥312𝑏1 + 𝑥31 𝑥32𝑏2 + ⋯ + 𝑥3𝑘𝑥31𝑏𝑘 + 𝑥31𝑥32𝑏2 + ⋯
+ 𝑥3𝑘 𝑥31𝑏𝑘
= (2𝑥31𝑏0 + 2𝑥312𝑏1 + 2𝑥31 𝑥32𝑏2 + ⋯ + 2𝑥3𝑘 𝑥31𝑏𝑘) ( 3b )
𝜕
𝑏02+𝑏0 𝑏1𝑥𝑛1+ 𝑏0 𝑏2𝑥𝑛2+⋯+𝑏0𝑏𝑘𝑥𝑛𝑘 +
𝑏1𝑥𝑛1𝑏0+ 𝑏12𝑥𝑛1
2+ 𝑏1𝑥𝑛1 𝑏2𝑥𝑛2+⋯+𝑏1𝑥𝑛1𝑏𝑘𝑥𝑛𝑘 +
𝑏2𝑥𝑛2𝑏0+𝑏2𝑥𝑛2 𝑏1𝑥𝑛1+ 𝑏22𝑥𝑛2
2+⋯+𝑏2𝑥𝑛2𝑏𝑘𝑥𝑛𝑘 +⋯+
𝑏𝑘𝑥𝑛𝑘 𝑏0+𝑏𝑘𝑥𝑛𝑘 𝑏1𝑥𝑛1+ 𝑏𝑘𝑥𝑛𝑘 𝑏2𝑥𝑛2+⋯+𝑏𝑘2𝑥𝑛𝑘
2
𝜕𝑏1
= 𝑥𝑛1𝑏0 + 𝑥𝑛1𝑏0 + 2𝑥𝑛12𝑏1 + 𝑥𝑛1 𝑥𝑛2𝑏2 + ⋯ + 𝑥𝑛𝑘𝑥𝑛1𝑏𝑘 + 𝑥𝑛1 𝑥𝑛2𝑏2 + ⋯
+ 𝑥𝑛𝑘𝑥𝑛1𝑏𝑘
= (2𝑥𝑛1𝑏0 + 2𝑥𝑛12𝑏1 + 2 𝑥𝑛1 𝑥𝑛2𝑏2 + ⋯ + 2 𝑥𝑛𝑘𝑥𝑛1𝑏𝑘) ( 4b )
Jadi hasil keseluruhan 𝒃𝒕𝑿𝒕𝑿𝜷 yang diTurunkan Terhadap 𝑏1 adalah:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
75
𝜕(𝒃𝒕𝑿𝒕𝑿𝜷)
𝜕𝑏1= (2𝑥11𝑏0 + 2𝑥11
2𝑏1 + 2𝑥11 𝑥12𝑏2 + ⋯ + 2𝑥1𝑘 𝑥11𝑏𝑘) + (2𝑥21𝑏0
+ 2𝑥212𝑏1 + 2 𝑥21 𝑥22𝑏2 + ⋯ + 2 𝑥2𝑘 𝑥21𝑏𝑘) + (2𝑥31𝑏0 + 2𝑥31
2𝑏1
+ 2𝑥31 𝑥32𝑏2 + ⋯ + 2𝑥3𝑘 𝑥31𝑏𝑘) + ⋯ + (2𝑥𝑛1𝑏0 + 2𝑥𝑛12𝑏1
+ 2 𝑥𝑛1 𝑥𝑛2𝑏2 + ⋯ + 2 𝑥𝑛𝑘𝑥𝑛1𝑏𝑘)
Persamaan 1,2 ,3 , dan 4 diTurunkan Terhadap 𝑏2, hasilnya adalah:
𝜕
𝑏02+𝑏0 𝑏1𝑥11 + 𝑏0 𝑏2𝑥12 +⋯+𝑏0𝑏𝑘𝑥1𝑘 +
𝑏1𝑥11𝑏0+ 𝑏12𝑥11
2+ 𝑏1𝑥11 𝑏2𝑥12 +⋯+𝑏1𝑥11𝑏𝑘𝑥1𝑘 +
𝑏2𝑥12𝑏0+𝑏2𝑥12 𝑏1𝑥11+ 𝑏22𝑥12
2+⋯+𝑏2𝑥12𝑏𝑘𝑥1𝑘 +⋯+
𝑏𝑘𝑥1𝑘𝑏0+𝑏𝑘𝑥1𝑘 𝑏1𝑥11+ 𝑏𝑘𝑥1𝑘𝑏2𝑥12+⋯+𝑏𝑘2𝑥1𝑘
2
𝜕𝑏2
= 𝑥12𝑏0 + 𝑥11𝑥12 𝑏1 + 𝑥12𝑏0 + 𝑥11 𝑥12𝑏1 + 2 𝑥122𝑏2 + ⋯ + 𝑥12𝑥1𝑘𝑏𝑘 + ⋯
+ 𝑥12𝑥1𝑘𝑏𝑘
= (2𝑥12𝑏0 + 2𝑥11𝑥12 𝑏1 + 2 𝑥122𝑏2 + ⋯ + 2𝑥12𝑥1𝑘𝑏𝑘) ( 1c )
𝜕
𝑏02+𝑏0 𝑏1𝑥21 + 𝑏0 𝑏2𝑥22 +⋯+𝑏0𝑏𝑘𝑥2𝑘 +
𝑏1𝑥21𝑏0+ 𝑏12𝑥21
2+ 𝑏1𝑥21 𝑏2𝑥22 +⋯+𝑏1𝑥21𝑏𝑘𝑥2𝑘 +
𝑏2𝑥22𝑏0+𝑏2𝑥22 𝑏1𝑥21+ 𝑏22𝑥22
2+⋯+𝑏2𝑥22𝑏𝑘𝑥2𝑘 +⋯+
𝑏𝑘𝑥2𝑘𝑏0+𝑏𝑘𝑥2𝑘 𝑏1𝑥21+ 𝑏𝑘𝑥2𝑘𝑏2𝑥22+⋯+𝑏𝑘2𝑥2𝑘
2
𝜕𝑏2
= 𝑥22𝑏0 + 𝑥21𝑥22 𝑏1 + 𝑥22𝑏0 + 𝑥21 𝑥22𝑏1 + 2 𝑥222𝑏2 + ⋯ + 𝑥22𝑥2𝑘𝑏𝑘 + ⋯
+ 𝑥22𝑥2𝑘𝑏𝑘
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
76
= (2𝑥22𝑏0 + 2𝑥21𝑥22 𝑏1 + 2 𝑥222𝑏2 + ⋯ + 2𝑥22𝑥2𝑘𝑏𝑘) ( 2c )
𝜕
𝑏02+𝑏0 𝑏1𝑥31 + 𝑏0 𝑏2𝑥32 +⋯+𝑏0𝑏𝑘𝑥3𝑘 +
𝑏1𝑥31𝑏0+ 𝑏12𝑥31
2+ 𝑏1𝑥31 𝑏2𝑥22 +⋯+𝑏1𝑥31𝑏𝑘𝑥3𝑘 +
𝑏2𝑥32𝑏0+𝑏2𝑥32 𝑏𝑘𝑥31+ 𝑏22𝑥32
2+⋯+𝑏2𝑥32𝑏𝑘𝑥3𝑘 +⋯+
𝑏𝑘𝑥3𝑘𝑏0+𝑏𝑘𝑥3𝑘 𝑏1𝑥31+ 𝑏𝑘𝑥3𝑘𝑏2𝑥32+⋯+𝑏𝑘2𝑥3𝑘
2
𝜕𝑏2
= 𝑥32𝑏0 + 𝑥31𝑥32 𝑏1 + 𝑥32𝑏0 + 𝑥31 𝑥32𝑏1 + 2 𝑥322𝑏2 + ⋯ + 𝑥32𝑥3𝑘𝑏𝑘 + ⋯
+ 𝑥32𝑥3𝑘𝑏𝑘
= (2𝑥32𝑏0 + 2𝑥31𝑥32 𝑏1 + 2 𝑥322𝑏2 + ⋯ + 2𝑥32𝑥3𝑘𝑏𝑘) ( 3c )
𝜕
𝑏02+𝑏0 𝑏1𝑥𝑛1+ 𝑏0 𝑏2𝑥𝑛2+⋯+𝑏0𝑏𝑘𝑥𝑛𝑘 +
𝑏1𝑥𝑛1𝑏0+ 𝑏12𝑥𝑛1
2+ 𝑏1𝑥𝑛1 𝑏2𝑥𝑛2+⋯+𝑏1𝑥𝑛1𝑏𝑘𝑥𝑛𝑘 +
𝑏2𝑥𝑛2𝑏0+𝑏2𝑥𝑛2 𝑏1𝑥𝑛1+ 𝑏22𝑥𝑛2
2+⋯+𝑏2𝑥𝑛2𝑏𝑘𝑥𝑛𝑘 +⋯+
𝑏𝑘𝑥𝑛𝑘 𝑏0+𝑏𝑘𝑥𝑛𝑘 𝑏1𝑥𝑛1+ 𝑏𝑘𝑥𝑛𝑘 𝛽 2𝑥𝑛2+⋯+𝑏𝑘2𝑥𝑛𝑘
2
𝜕𝑏2
= 𝑥𝑛2𝑏0 + 𝑥𝑛1𝑥𝑛2 𝑏1 + 𝑥𝑛2𝑏0 + 𝑥𝑛1 𝑥𝑛2𝑏1 + 2 𝑥𝑛22𝑏2 + ⋯ + 𝑥𝑛2𝑥𝑛𝑘𝑏𝑘 + ⋯
+ 𝑥𝑛2𝑥𝑛𝑘𝑏𝑘
= (2𝑥𝑛2𝑏0 + 2𝑥𝑛1𝑥𝑛2 𝑏1 + 2 𝑥𝑛22𝑏2 + ⋯ + 2𝑥𝑛2𝑥𝑛𝑘𝑏𝑘) ( 4c )
Jadi hasil keseluruhan 𝒃𝒕𝑿𝒕𝑿𝜷 yang diTurunkan Terhadap 𝑏2 adalah:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
77
𝜕(𝒃𝒕𝑿𝒕𝑿𝜷)
𝜕𝑏2= (2𝑥12𝑏0 + 2𝑥11𝑥12 𝑏1 + 2 𝑥12
2𝑏2 + ⋯ + 2𝑥12𝑥1𝑘𝑏𝑘) + (2𝑥22𝑏0
+ 2𝑥21𝑥22 𝑏1 + 2 𝑥222𝑏2 + ⋯ + 2𝑥22𝑥2𝑘𝑏𝑘) + (2𝑥32𝑏0 + 2𝑥31𝑥32 𝑏1
+ 2 𝑥322𝑏2 + ⋯ + 2𝑥32𝑥3𝑘𝑏𝑘) + ⋯ + (2𝑥𝑛2𝑏0 + 2𝑥𝑛1𝑥𝑛2 𝑏1 + 2 𝑥𝑛2
2𝑏2
+ ⋯ + 2𝑥𝑛2𝑥𝑛𝑘𝑏𝑘)
Persamaan 1, 2, 3, dan 4 diTurunkan Terhadap 𝛽 𝑘 , hasilnya adalah:
𝜕
𝜕 𝑏02+𝑏0 𝑏1𝑥11 + 𝑏0 𝑏2𝑥12 +⋯+𝑏0𝑏𝑘𝑥1𝑘 +
𝑏1𝑥11𝑏0+ 𝑏12𝑥11
2+ 𝑏1𝑥11 𝑏2𝑥12 +⋯+𝑏1𝑥11𝑏𝑘𝑥1𝑘 +
𝑏2𝑥12𝑏0+𝑏2𝑥12 𝑏1𝑥11+ 𝑏22𝑥12
2+⋯+𝑏2𝑥12𝑏𝑘𝑥1𝑘 +⋯+
𝑏𝑘𝑥1𝑘𝑏0+𝑏𝑘𝑥1𝑘 𝑏1𝑥11+ 𝑏𝑘𝑥1𝑘𝑏2𝑥12+⋯+𝑏𝑘2𝑥1𝑘
2
𝜕𝑏𝑘
= 𝑥1𝑘𝑏0 + 𝑥11𝑥1𝑘𝑏1 + 𝑥12𝑥1𝑘𝑏2 + ⋯
+ 𝑥1𝑘𝑏0 + 𝑥11 𝑥1𝑘𝑏1 + 𝑥12𝑥1𝑘𝑏2 + ⋯ + 2 𝑥1𝑘2𝑏𝑘
= (2𝑥1𝑘𝑏0 + 2𝑥11𝑥1𝑘 𝑏1 + 2𝑥12𝑥1𝑘𝑏2 + ⋯ + 2 𝑥1𝑘2𝑏𝑘) ( 1d )
𝜕
𝑏02+𝑏0 𝑏1𝑥21 + 𝑏0 𝑏2𝑥22 +⋯+𝑏0𝑏𝑘𝑥2𝑘 +
𝑏1𝑥21𝑏0+ 𝑏12𝑥21
2+ 𝑏1𝑥21 𝑏2𝑥22 +⋯+𝑏1𝑥21𝑏𝑘𝑥2𝑘 +
𝑏2𝑥22𝑏0+𝑏2𝑥22 𝑏1𝑥21+ 𝑏22𝑥22
2+⋯+𝑏2𝑥22𝑏𝑘𝑥2𝑘 +⋯+
𝑏𝑘𝑥2𝑘𝑏0+𝑏𝑘𝑥2𝑘 𝑏1𝑥21+ 𝑏𝑘𝑥2𝑘𝛽 2𝑥22+⋯+𝑏𝑘2𝑥2𝑘
2
𝜕𝑏𝑘
= 𝑥2𝑘𝑏0 + 𝑥21𝑥2𝑘 𝑏1 + 𝑥22𝑥2𝑘𝑏2 + ⋯
+ 𝑥2𝑘𝑏0 + 𝑥21 𝑥2𝑘𝑏1 + 𝑥22𝑥2𝑘𝑏2 + ⋯ + 2 𝑥2𝑘2𝑏𝑘
= (2𝑥2𝑘𝑏0 + 2𝑥21𝑥2𝑘 𝑏1 + +2𝑥22𝑥2𝑘𝑏2 + ⋯ + 2 𝑥2𝑘2𝑏𝑘) ( 2d )
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
78
𝜕
𝑏02+𝑏0 𝑏1𝑥31 + 𝑏0 𝑏2𝑥32 +⋯+𝑏0𝑏𝑘𝑥3𝑘 +
𝑏1𝑥31𝑏0+ 𝑏12𝑥31
2+ 𝑏1𝑥31 𝑏2𝑥22 +⋯+𝑏1𝑥31𝑏𝑘𝑥3𝑘 +
𝑏2𝑥32𝑏0+𝑏2𝑥32 𝑏1𝑥31+ 𝑏22𝑥32
2+⋯+𝑏2𝑥32𝑏𝑘𝑥3𝑘 +⋯+
𝑏𝑘𝑥3𝑘𝑏0+𝑏𝑘𝑥3𝑘 𝑏1𝑥31+ 𝑏𝑘𝑥3𝑘𝛽 2𝑥32+⋯+𝑏𝑘2𝑥3𝑘
2
𝜕𝑏𝑘
= 𝑥3𝑘𝑏0 + 𝑥31𝑥3𝑘 𝑏1 + 𝑥32𝑥3𝑘𝑏2 + ⋯
+ 𝑥3𝑘𝑏0 + 𝑥31 𝑥3𝑘𝑏1 + 𝑥32𝑥3𝑘𝑏2 + ⋯ + 2 𝑥3𝑘2𝑏𝑘
= (2𝑥3𝑘𝑏0 + 2𝑥31𝑥3𝑘 𝑏 1 + 2𝑥32𝑥3𝑘𝑏2 + ⋯ + 2 𝑥3𝑘2𝑏𝑘) ( 3d )
𝜕
𝑏02+𝑏0 𝑏1𝑥𝑛1+ 𝑏0 𝑏2𝑥𝑛2+⋯+𝑏0𝑏𝑘𝑥𝑛𝑘 +
𝑏1𝑥𝑛1𝑏0+ 𝑏12𝑥𝑛1
2+ 𝑏1𝑥𝑛1 𝑏2𝑥𝑛2+⋯+𝑏1𝑥𝑛1𝑏𝑘𝑥𝑛𝑘 +
𝑏2𝑥𝑛2𝑏0+𝑏2𝑥𝑛2 𝑏1𝑥𝑛1+ 𝑏22𝑥𝑛2
2+⋯+𝑏2𝑥𝑛2𝑏𝑘𝑥𝑛𝑘 +⋯+
𝑏𝑘𝑥𝑛𝑘 𝑏0+𝑏𝑘𝑥𝑛𝑘 𝑏1𝑥𝑛1+ 𝑏𝑘𝑥𝑛𝑘 𝑏2𝑥𝑛2+⋯+𝑏𝑘2𝑥𝑛𝑘
2
𝜕𝑏𝑘
= 𝑥𝑛𝑘𝑏0 + 𝑥𝑛1𝑥𝑛𝑘 𝑏1 + 𝑥𝑛2𝑥𝑛𝑘𝑏2 + ⋯
+ 𝑥𝑛𝑘𝑏0 + 𝑥𝑛1 𝑥𝑛𝑘𝑏1 + 𝑥𝑛2𝑥𝑛𝑘𝑏2 + ⋯ + 2 𝑥𝑛𝑘2𝑏𝑘
= (2𝑥𝑛𝑘𝑏0 + 2𝑥𝑛1𝑥𝑛𝑘 𝑏1 + 2𝑥𝑛2𝑥𝑛𝑘𝑏2 + ⋯ + 2 𝑥𝑛22𝑏𝑘) ( 4d )
Jadi hasil keseluruhan 𝒃𝒕𝑿𝒕𝑿𝜷 yang diTurunkan Terhadap 𝑏𝑘 adalah:
𝜕(𝒃𝒕𝑿𝒕𝑿𝜷)
𝜕𝑏𝑘= (2𝑥1𝑘𝑏0 + 2𝑥11𝑥1𝑘 𝑏1 + 2𝑥12𝑥1𝑘𝑏2 + ⋯ + 2 𝑥1𝑘
2𝑏𝑘) + (2𝑥2𝑘𝑏0
+ 2𝑥21𝑥2𝑘 𝑏1 + +2𝑥22𝑥2𝑘𝑏2 + ⋯ + 2 𝑥2𝑘2𝑏𝑘) + (2𝑥3𝑘𝑏0 + 2𝑥31𝑥3𝑘 𝑏1
+ 2𝑥32𝑥3𝑘𝑏2 + ⋯ + 2 𝑥3𝑘2𝑏𝑘) + ⋯ + (2𝑥𝑛𝑘𝑏0 + 2𝑥𝑛1𝑥𝑛𝑘 𝑏1
+ 2𝑥𝑛2𝑥𝑛𝑘𝑏2 + ⋯ + 2 𝑥𝑛22𝑏𝑘)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
79
Jadi
𝜕(𝒃𝒕𝑿𝒕𝑿𝜷)
𝜕𝑏=
2
𝑏0 + 𝑏1𝑥11 + 𝑏2𝑥12 + ⋯ + 𝑥1𝑘𝑏𝑘 + 𝑏0 + 𝑏1𝑥21 + 𝑏2𝑥22 + ⋯ + 𝑥2𝑘𝑏𝑘
+ 𝑏0 + 𝑏1𝑥31 + 𝑏2𝑥32 + ⋯ + 𝑥3𝑘𝑏𝑘 + ⋯ + 𝑏0 + 𝑏1𝑥𝑛1 + 𝑏2𝑥𝑛2 + ⋯ + 𝑥𝑛𝑘
𝑥11 𝑏0 + 𝑥11𝑏1 + 𝑥12𝑏2 + ⋯ + 𝑥1𝑘𝑏𝑘 + 𝑥21(𝑏0 + 𝑥21𝑏1 + 𝑥22𝑏2 + ⋯ + 𝑥2𝑘𝑏𝑘)
+ 𝑥31 𝑏0 + 𝑥31𝑏1 + 𝑥32𝑏2 + ⋯ + 𝑥3𝑘𝑏𝑘 + ⋯ + 𝑥𝑛1(𝑏0 + 𝑥𝑛1𝑏1 + 𝑥𝑛2𝑏2 + ⋯+ 𝑥𝑛𝑘𝑏𝑘)
𝑥12 𝑏0 + 𝑥11𝑏1 + 𝑥12𝑏2 + ⋯ + 𝑥1𝑘𝑏𝑘 + 𝑥22 𝑏0 + 𝑥21𝑏1 + 𝑥22𝑏2 + ⋯ + 𝑥2𝑘𝑏𝑘 +
𝑥32 𝑏0 + 𝑥31 𝑏1 + 𝑥32𝑏2 + ⋯+ 𝑥3𝑘𝑏𝑘 + ⋯ + 𝑥𝑛2 𝑥𝑛2𝑏0 + 𝑥𝑛1 𝑏1 + 𝑥𝑛2𝑏2 + ⋯ + 𝑥𝑛𝑘 𝑏𝑘 ⋮⋮
𝑥1𝑘 𝑏0 + 𝑥11 𝑏1 + 𝑥12𝑏2 + ⋯ + 𝑥1𝑘𝑏𝑘 + 𝑥2𝑘 𝑏0 + 𝑥21 𝑏1 + +𝑥22𝑏2 + ⋯ + 𝑥2𝑘𝑏𝑘 +𝑥3𝑘(𝑏0 + 𝑥31 𝑏1 + 𝑥32𝑏2 + ⋯ + 𝑥3𝑘𝑏𝑘) + ⋯ + 𝑥𝑛𝑘 (𝑏0 + 𝑥𝑛1 𝑏1 + 𝑥𝑛2𝑏2 + ⋯ + 𝑥𝑛𝑘𝑏𝑘)
= 2
1𝑥11𝑥12
⋮𝑥1𝑘
1 1𝑥21 𝑥31𝑥22 𝑥32
⋮ ⋮𝑥2𝑘 𝑥3𝑘
⋯⋯⋯……
1𝑥𝑛1𝑥𝑛2
⋮𝑥𝑛𝑘
𝑏0 + 𝑏1𝑥11 + 𝑏2𝑥12 + ⋯ + 𝑏𝑘𝑥1𝑘
𝑏0 + 𝑏1𝑥21 + 𝑏2𝑥22 + ⋯ + 𝑏𝑘𝑥2𝑘 𝑏0 + 𝑏1𝑥31 + 𝑏2𝑥32 + …+ 𝑏𝑘𝑥3𝑘
…………………………………………𝑏0 + 𝑏1𝑥𝑛1 + 𝑏2𝑥𝑛2 + … + 𝑏𝑘𝑥𝑛𝑘
= 𝟐
1𝑥11𝑥12
⋮𝑥1𝑘
1 1𝑥21 𝑥31𝑥22 𝑥32
⋮ ⋮𝑥2𝑘 𝑥3𝑘
⋯⋯⋯……
1𝑥𝑛1𝑥𝑛2
⋮𝑥𝑛𝑘
111⋮1
𝑥11 𝑥12
𝑥21 𝑥22𝑥31 𝑥32
⋮ ⋮𝑥𝑛1 𝑥𝑛2
⋯⋯⋯……
𝑥1𝑘
𝑥2𝑘𝑥3𝑘
⋮𝑥𝑛𝑘
𝑏0
𝑏1
𝑏2
⋮𝑏𝑘
= 𝟐𝑿𝒕𝑿𝒃 (3.67)
karena 𝒆𝒕𝒆 = 𝒀𝑡𝒀 − 𝟐𝒃𝒕𝑿𝒕𝒀 + 𝒃𝒕𝑿𝒕𝑿𝒃 maka
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
80
𝜕 𝒆𝒕𝒆
𝜕𝒃=
𝜕 𝒀𝑡𝒀−𝟐𝒃𝒕𝑿𝒕𝒀+𝒃𝒕𝑿𝒕𝑿𝒃
𝜕𝒃
𝜕 𝒆𝒕𝒆
𝜕𝒃= −2𝑿𝑡𝒀 + 2𝑿𝑡𝑿𝒃
0 = −𝟐𝑿𝒕𝒀 + 𝟐𝑿𝒕𝑿𝒃
𝟐𝑿𝒕𝒀 = 𝟐𝑿𝒕𝑿𝒃
𝑿𝒕𝒀 = 𝑿𝒕𝑿𝒃
𝑿𝒕𝑿𝒃 = 𝑿𝒕𝒀
𝒃 = 𝑿𝒕𝒀𝟏
𝑿𝒕𝑿
𝒃 = (𝑿𝒕𝑿)−𝟏𝑿𝒕𝒀 (𝑿𝒕𝑿)−𝟏 ≠ 𝟎 (3.68)
seperti pada analisis regresi sederhana yang memiliki sifat-sifat penaksir,
dalam analisis regresi berganda juga akan dibahas mengenai sifat-sifat penaksir
regresi berganda.
1. Linier
Akan dibuktikan sifat linier dari penaksir 𝒃
𝒃 = (𝑿𝒕𝑿)−𝟏𝑿𝒕𝒀 (3.69)
Substitusi persamaan (3.56) yaitu 𝒀 = 𝑿𝜷 + 𝜺 ke dalam persamaan (3.69),
sehingga;
𝒃 = (𝑿𝒕𝑿)−𝟏𝑿𝒕(𝑿𝜷 + 𝜺 )
= (𝑿𝒕𝑿)−𝟏𝑿𝒕𝑿𝜷 + (𝑿𝒕𝑿)−𝟏𝑿𝒕𝜺
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
81
Karena berdasarkan sifat matriks (𝑿𝒕𝑿)−𝟏𝑿𝒕𝑿 = 𝑰 , maka
𝒃 = 𝜷 + (𝑿𝒕𝑿)−𝟏𝑿𝒕𝜺 (3.70)
Persamaan (3.70) menunjukan bahwa 𝒃 merupakan fungsi linier dari 𝜷 dan 𝜺
2. Tidak bias
Akan dibuktikan sifat tidak bias dari penaksir 𝒃
𝐸 𝒃 = 𝐸(𝜷 + 𝑿𝑻𝑿 −𝟏𝑿𝑻𝜺)
= 𝐸(𝜷) + 𝑿𝑻𝑿 −𝟏𝑿𝑻𝐸(𝜺)
Karena 𝐸 𝜺 = 0 menurut asumsi 1 maka;
𝐸 𝒃 = 𝜷 (3.71)
Persamaan (3.40) menunjukan bahwa penaksir 𝒃 merupakan penaksir yang tidak
bias.
3. Varian minimum
Sebelum varian minimum dibuktikan, terlebih dahulu ditentukan varian dari
penaksir 𝑏.
Diketahui bahwa 𝑉𝑎𝑟 𝒃 = 𝐸[(𝒃 − 𝜷)2]
= 𝐸[ 𝒃 − 𝜷 𝒃− 𝜷 𝑡]
𝑉𝑎𝑟 𝑏 = 𝐸[ 𝒃 − 𝜷 𝒃 − 𝜷 𝑡]
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
82
Akan ditentukan terlebih dahulu bentuk lain dari , dan kerena pada persamaan
(3.70) di mana 𝒃 = 𝜷 + (𝑿𝒕𝑿)−𝟏𝑿𝒕𝜺, maka ;
𝒃 − 𝜷 = 𝜷 + (𝑿𝒕𝑿)−𝟏𝑿𝒕𝜺 − 𝜷
𝒃 − 𝜷 = (𝑿𝒕𝑿)−𝟏𝑿𝒕𝜺 (3.72)
Selanjutnya akan ditentukan 𝑉𝑎𝑟 𝒃 ,
𝑉𝑎𝑟 𝒃 = 𝐸[ 𝑏 − 𝛽 𝑏 − 𝛽 𝑡]
Substitusikan persamaan (3.41) di mana 𝒃 − 𝜷 = (𝑿𝒕𝑿)−𝟏𝑿𝒕𝜺 ke dalam
persamaan di atas, sehingga;
𝑉𝑎𝑟 𝒃 = 𝐸[ (𝑿𝒕𝑿)−𝟏𝑿𝒕𝜺 (𝑿𝒕𝑿)−𝟏𝑿𝒕𝜺 𝑡]
Berdasarkan sifat-sifat matriks di mana (𝑨𝑩)𝑡 = 𝑩𝒕𝑨𝒕 dan 𝑨𝒕 𝑡 , maka
persamaan di atas menjadi;
𝑉𝑎𝑟 𝒃 = 𝐸[ (𝑿𝒕𝑿)−𝟏𝑿𝒕𝜺 (𝑿𝒕𝑿)−𝟏𝑿𝒕𝜺 𝑡]
= 𝐸[ (𝑿𝒕𝑿)−𝟏𝑿𝒕𝜺 𝜺𝑡𝑿𝒕 (𝑿𝒕𝑿)−𝟏 𝑡]
= 𝐸[ (𝑿𝒕𝑿)−𝟏𝑿𝒕𝜺 𝜺𝑡𝑿𝒕 (𝑿𝒕𝑿)−𝟏 𝑡]
= 𝐸[ (𝑿𝒕𝑿)−𝟏𝑿𝒕𝜺 𝜺𝑡𝑿𝒕 (𝑿𝒕𝑿)𝒕 −1]
= 𝐸[(𝑿𝒕𝑿)−𝟏𝑿𝒕𝜺𝜺𝑡𝑿𝒕 𝑿𝒕𝑿 −1]
= 𝑿𝒕𝑿 −𝟏𝑿𝒕𝐸(𝜺𝜺𝑡)𝑿𝒕 𝑿𝒕𝑿 −1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
83
Berdasarkan asumsi 4 di mana 𝐸 𝜺𝜺𝒕 = 𝜎휀2𝐼𝑛 , maka:
𝑉𝑎𝑟 𝒃 = 𝑿𝒕𝑿 −𝟏𝑿𝒕𝜎휀2𝐼𝑛𝑿
𝒕 𝑿𝒕𝑿 −1
Karena 𝜎휀2 merupakan sebuah skalar ( sebuah angka riil) sedangkan 𝐼𝑛 dapat
diabaikan, maka;
𝑉𝑎𝑟 𝒃 = 𝜎휀2 𝑿𝒕𝑿 −𝟏𝑿𝒕𝑿𝒕 𝑿𝒕𝑿 −1
Karena 𝑿𝒕𝑿𝒕 𝑿𝒕𝑿 −1 = 𝐼 maka;
𝑉𝑎𝑟 𝒃 = 𝜎휀2 𝑿𝒕𝑿 −𝟏𝑰
𝑉𝑎𝑟 𝒃 = 𝜎휀2 𝑿𝒕𝑿 −𝟏 (3.73)
Selanjutnya akan dibuktikan bahwa penaksir yang diperoleh memiliki varians
yang minimum. Langkah-langkah dalam membuktikan bahwa penaksir memiliki
varians yang minimum sama dengan langkah-langkah membuktikan varians
minimum pada regresi sederhana. Untuk membuktikan varian penaksir tersebut
memiliki varian yang minimum maka perlu dibandingkan dengan penaksir tidak
bias lainnya. Misalkan 𝑏∗ adalah penaksir lain yang juga tidak bias, di mana
𝑏∗ = (𝑿𝑻𝑿)−𝟏𝑿𝒕 + 𝑩)𝒀 di mana 𝑩 merupakan matriks berordo (k x n) yang
diketahui.
Akan dibuktikan pertama-tama sifat linier dari 𝑏∗ . Selanjutnya dengan
mensubstitusi persamaan (3.29) di mana 𝒀 = 𝑿𝜷 + 𝜺 ke dalam persamaan
𝑏∗ = (𝑿𝑻𝑿)−𝟏𝑿𝒕 + 𝑩)𝒀 maka;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
84
𝑏∗ = (𝑿𝑻𝑿)−𝟏𝑿𝒕 + 𝑩)(𝑿𝜷 + 𝜺)
𝑏∗ = 𝑿𝑻𝑿 −𝟏𝑿𝒕 𝑿𝜷 + 𝜺 + (𝑩 𝑿𝜷 + 𝜺 )
Terbukti bahwa 𝑏∗ merupakan fungsi linier dari 𝜷 dan 𝜺.
Selanjutnya dicari nilai harapan dari 𝑏∗
𝐸(𝑏∗) = 𝐸[ 𝑿𝑻𝑿 −𝟏𝑿𝒕 𝑿𝜷 + 𝜺 + (𝑩 𝑿𝜷 + 𝜺 )]
= 𝐸[ 𝑿𝑻𝑿 −𝟏𝑿𝒕𝑿𝜷 + 𝑿𝑻𝑿 −𝟏𝑿𝒕𝜺 + 𝑩(𝑿𝜷) + 𝑩𝜺]
= 𝐸(𝑰𝜷) + 𝑿𝑻𝑿 −𝟏𝑿𝒕𝐸(𝜺) + 𝐸(𝑩 𝑿𝜷 ) + 𝑩𝐸(𝜺)
berdasarkan asumsi 1 di mana 𝐸 𝜺 = 0 maka persamaan di atas menjadi;
𝐸(𝑏∗) = 𝜷 + 𝑩𝑿𝜷 (3.74)
Karena 𝑏∗ merupakan penaksir yang tidak bias, maka haruslah 𝐸(𝑏∗) = 𝜷
akibatnya 𝑩𝑿𝜷 = 0. Selanjutnya akan ditentukan varian dari 𝑏∗
𝑣𝑎𝑟(𝑏∗) = 𝐸[ 𝑏∗ − 𝛽 𝑏∗ − 𝛽 𝑡]
Dengan mensubtitusi 𝑏∗ = (𝑿𝒕𝑿)−𝟏𝑿𝒕 + 𝑩)𝒀 , maka;
𝑣𝑎𝑟(𝑏∗) = 𝐸[ 𝑏∗ − 𝛽 𝑏∗ − 𝛽 𝑡]
= 𝐸[ (𝑿𝒕𝑿)−𝟏𝑿𝒕 + 𝑩)𝒀 − 𝛽 (𝑿𝒕𝑿)−𝟏𝑿𝒕 + 𝑩)𝒀 − 𝛽 𝑡]
Substitusi persamaan (3.29) di mana 𝒀 = 𝑿𝜷 + 𝜺 ke dalam persamaan di atas
maka;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
85
𝑣𝑎𝑟(𝑏∗) = 𝐸[ (𝑿𝒕𝑿)−𝟏𝑿𝒕 + 𝑩)𝒀 − 𝛽 (𝑿𝒕𝑿)−𝟏𝑿𝒕 + 𝑩)𝒀 − 𝛽 𝑡]
= 𝐸[ (𝑿𝒕𝑿)−𝟏𝑿𝒕 + 𝑩)(𝑿𝜷 + 𝜺) − 𝛽 (𝑿𝒕𝑿)−𝟏𝑿𝒕 + 𝑩)(𝑿𝜷 + 𝜺) − 𝛽 𝑡]
= 𝐸[{ 𝑿𝒕𝑿 −𝟏𝑿𝒕𝑿𝜷 + 𝑿𝒕𝑿 −𝟏𝑿𝒕𝜺 + 𝑩𝑿𝜷 + 𝑩𝜺) − 𝛽}{ 𝑿𝒕𝑿 −𝟏𝑿𝒕𝑿𝜷 +
𝑿𝑻𝑿 −𝟏𝑿𝒕𝜺 + 𝑩𝑿𝜷 + 𝑩𝜺) –𝛽}𝑡 ]
= 𝐸{𝑰𝜷 + 𝑿𝑻𝑿 −𝟏𝑿𝒕𝜺 + 𝑩𝑿𝜷 + 𝑩𝜺) − 𝛽}{𝑰𝜷 + 𝑿𝑻𝑿 −𝟏𝑿𝒕𝜺 + 𝑩𝑿𝜷 +
𝑩𝜺) – 𝛽}𝑡 ]
= 𝐸{𝜷 + 𝑿𝑻𝑿 −𝟏𝑿𝒕𝜺 + 𝑩𝑿𝜷 + 𝑩𝜺) − 𝛽}{𝜷 + 𝑿𝑻𝑿 −𝟏𝑿𝒕𝜺 + 𝑩𝑿𝜷 + 𝑩𝜺) – 𝛽}𝑡 ]
= 𝐸[ 𝑿𝑻𝑿 −𝟏𝑿𝒕𝜺 + 𝑩𝑿𝜷 + 𝑩𝜺) ( 𝑿𝑻𝑿 −𝟏𝑿𝒕𝜺 + 𝑩𝑿𝜷 + 𝑩𝜺)) 𝑡]
Karena diketahui 𝑩𝑿𝜷 = 0 maka ;
𝑣𝑎𝑟(𝑏∗) = 𝐸[ 𝑿𝑻𝑿 −𝟏𝑿𝒕𝜺 + 𝑩𝜺) ( 𝑿𝑻𝑿 −𝟏𝑿𝒕𝜺 + 𝑩𝜺)) 𝑡]
= 𝐸[ 𝑿𝑻𝑿 −𝟏𝑿𝒕𝜺 + 𝑩𝜺) ( 𝑿𝑻𝑿 −𝟏𝑿𝒕𝜺 + 𝑩𝜺)) 𝑡]
Berdasarkan sifat-sifat transposisi matriks yaitu (𝑨 + 𝑩)𝒕 = 𝑨𝒕 + 𝑩𝒕 maka
persamaan di atas menjadi;
𝑣𝑎𝑟(𝑏∗) = 𝐸[ 𝑿𝒕𝑿 −𝟏𝑿𝒕𝜺 + 𝑩𝜺) ( 𝑿𝑻𝑿 −𝟏𝑿𝒕𝜺) 𝑡 + 𝑩𝜺 𝑡)]
= 𝐸[ 𝑿𝒕𝑿 −𝟏𝑿𝒕𝜺 + 𝑩𝜺) (𝜺𝒕𝑿 𝑿𝑻𝑿 −𝟏) + 𝑩𝑡𝜺𝒕)]
Karena perkalian matriks bersifat distributif, maka;
𝑣𝑎𝑟(𝑏∗) = 𝐸[ 𝑿𝒕𝑿 −𝟏𝑿𝒕𝜺 + 𝑩𝜺) (𝜺𝒕𝑿 𝑿𝑻𝑿 −𝟏) + 𝑩𝑡𝜺𝒕)]
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
86
= 𝐸[ 𝑿𝒕𝑿 −𝟏𝑿𝒕 + 𝑩)𝜺𝜺𝒕 (𝑿 𝑿𝑻𝑿 −𝟏) + 𝑩𝑡)]
= ( 𝑿𝒕𝑿 −𝟏𝑿𝒕 + 𝑩)𝑬(𝜺𝜺𝒕 )(𝑿 𝑿𝑻𝑿 −𝟏) + 𝑩𝑡)
Berdasarkan asumsi 4 di mana 𝐸 𝜺𝜺𝒕 = 𝜎휀2𝐼𝑛 , maka:
𝑣𝑎𝑟(𝑏∗) = ( 𝑿𝒕𝑿 −𝟏𝑿𝒕 + 𝑩)𝑬(𝜺𝜺𝒕 )(𝑿 𝑿𝑻𝑿 −𝟏) + 𝑩𝑡)
= ( 𝑿𝒕𝑿 −𝟏𝑿𝒕 + 𝑩)𝜎휀2𝐼𝑛(𝑿 𝑿𝑻𝑿 −𝟏) + 𝑩𝑡)
Karena 𝜎휀2 merupakan merupakan sebuah skalar ( sebuah angka riil) sedangkan
𝐼𝑛 dapat diabaikan, maka;
𝑣𝑎𝑟(𝑏∗) = ( 𝑿𝒕𝑿 −𝟏𝑿𝒕 + 𝑩)𝜎휀2𝐼𝑛(𝑿 𝑿𝒕𝑿 −𝟏) + 𝑩𝑡)
= 𝜎휀2𝐼𝑛( 𝑿𝒕𝑿 −𝟏𝑿𝒕 + 𝑩)(𝑿 𝑿𝒕𝑿 −𝟏) + 𝑩𝑡)
= 𝜎휀2𝐼𝑛( 𝑿𝒕𝑿 −𝟏𝑿𝒕(𝑿 𝑿𝒕𝑿 −𝟏 + 𝑩(𝑿 𝑿𝒕𝑿 −𝟏+ 𝑿𝒕𝑿 −𝟏𝑿𝒕𝑩𝑡 +
𝑩𝑩𝒕)
= 𝜎휀2𝐼𝑛( 𝑿𝑻𝑿 −𝟏𝑰 + 𝑩(𝑿 𝑿𝒕𝑿 −𝟏+ 𝑿𝒕𝑿 −𝟏𝑿𝒕𝑩𝑡 + 𝑩𝑩𝒕)
Karena diketahui 𝑩𝑿𝜷 = 0 maka 𝑩𝑿 = 𝟎 dan menurut sifat matriks di mana
(𝑩𝑿)𝒕 = 𝑿𝒕𝑩𝒕, maka persamaan di atas menjadi;
𝑣𝑎𝑟(𝑏∗) = 𝜎휀2𝐼𝑛( 𝑿𝒕𝑿 −𝟏 + 𝑩(𝑿 𝑿𝒕𝑿 −𝟏+ 𝑿𝒕𝑿 −𝟏𝑿𝒕𝑩𝑡 + 𝑩𝑩𝒕)
= 𝜎휀2𝐼𝑛( 𝑿𝒕𝑿 −𝟏 + 𝑩𝑩𝒕)
𝑣𝑎𝑟(𝑏∗) = 𝜎휀2𝐼𝑛 𝑿
𝒕𝑿 −𝟏 + 𝜎휀2𝐼𝑛𝑩𝑩𝒕
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
87
𝑣𝑎𝑟(𝑏∗) = 𝑣𝑎𝑟(𝑏) + 𝜎휀2𝐼𝑛𝑩𝑩𝒕 (3.75)
Dari persamaan (3.44) 𝜎휀2𝐼𝑛𝑩𝑩𝒕 selalu bernilai positif, karena kuadrat dari
suatu bilangan bernilai positif, dan bentuk lain dari 𝑩𝑩𝒕 adalah 𝑩2 maka dapat
disimpulkan bahwa 𝑣𝑎𝑟(𝑏∗) lebih besar senilai 𝜎휀2𝐼𝑛𝑩𝑩𝒕 dari 𝑣𝑎𝑟(𝑏), sehingga
terbukti bahwa 𝑣𝑎𝑟(𝑏) memiliki varians yang minimum.
Seperti pada analisis regresi sederhana dibahas mengenai koefisien
determinasi, untuk mengukur kebaikan garis regresi, di dalam regresi berganda juga
akan dibahas mengenai koefisien determinasi. Koefisien determinasi untuk regresi
berganda di lambangkan dengan 𝑅2. Secara matematis koefisien determinasi 𝑅2
didefinisikan sebagai berikut:
𝑅2 =𝑗𝑢𝑚𝑙𝑎 𝑘𝑢𝑎𝑑𝑟𝑎𝑡 𝑦𝑎𝑛𝑔 𝑏𝑖𝑠𝑎 𝑑𝑖𝑑𝑒𝑓𝑖𝑛𝑖𝑠𝑖𝑘𝑎𝑛 (𝐸𝑆𝑆)
𝑗𝑢𝑚𝑙𝑎 𝑡𝑜𝑡𝑎𝑙 𝑘𝑢𝑎𝑑𝑟𝑎𝑡 (𝑇𝑆𝑆)
selanjutnya akan ditentukan bentuk lain dari ESS dan TSS. Langkah-
langkahnya adalah sebagai berikut:
Telah didefinisikan sebelumnya bahwa 𝑦𝑖 = 𝑌𝑖 − 𝑌 , kemudian kedua ruas
dikuadratkan, sehingga;
𝑦𝑖 = 𝑌𝑖 − 𝑌
𝑦𝑖2 = (𝑌𝑖 − 𝑌 )2
= (𝑌𝑖)2 − 2𝑌𝑖𝑌 + (𝑌 )2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
88
Kedua ruas dijumlahkan, sehingga:
𝑦𝑖2 = (𝑌𝑖)
2 − 2𝑌𝑖𝑌 + (𝑌 )2
𝑦𝑖2 = (𝑌𝑖)
2 − 2𝑌 𝑌𝑖 + 𝑛(𝑌 )2
= (𝑌𝑖)2 − 2
𝑌𝑖
𝑛 𝑌𝑖 + 𝑛(
𝑌𝑖
𝑛)(
𝑌𝑖
𝑛)
= (𝑌𝑖)2 − 2
𝑌𝑖2
𝑛+ 𝑛(
𝑌𝑖2
𝑛2 )
= (𝑌𝑖)2 − 2
𝑌𝑖2
𝑛+ (
𝑌𝑖2
𝑛)
𝑦𝑖2 = (𝑌𝑖)
2 −1
𝑛 𝑌𝑖
2 (3.76)
(𝑌𝑖)2 dalam bentuk matriks adalah 𝒀𝒕𝒀 , sehingga persamaan (3.70) menjadi:
𝑦𝑖2 = (𝑌𝑖)
2 −1
𝑛 𝑌𝑖
2
𝑦𝑖2 = 𝒀𝒕𝒀 −
1
𝑛 𝑌𝑖
2 (3.77)
Persamaan (3.71) di atas merupakan variasi kuadrat total atau TSS dan RSS adalah
residual atau variasi nilai Y yang tidak dapat dijelaskan, di mana RSS = 𝑒2. Jumlah
kuadrat yang bisa dijelaskan atau ESS adalah :
TSS = ESS + RSS (3.78)
ESS = TSS - RSS
= 𝑦𝑖2 – 𝑒2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
89
Substitusi persamaan (3.71) di mana 𝑦𝑖2 = 𝒀𝒕𝒀 −
1
𝑛 𝑌𝑖
2 ke dalam persamaan di
atas, menjadi:
ESS = 𝑦𝑖2 – 𝑒2
= 𝒀𝒕𝒀 −1
𝑛 𝑌𝑖
2 – 𝑒2
Substitusi persamaan (3.63) di mana 𝒆𝟐 = 𝒆𝒕𝒆 ke dalam persamaan di atas,
sehingga:
= 𝒀𝒕𝒀 −1
𝑛 𝑌𝑖
2 – 𝑒2
= 𝒀𝒕𝒀 −1
𝑛 𝑌𝑖
2 – 𝒆𝒕𝒆
𝐸𝑆𝑆 = 𝒀𝒕𝒀– 𝒆𝒕𝒆 −1
𝑛 𝑌𝑖
2 (3.79)
Dari persamaan (3.63) di mana 𝒆𝒕𝒆 = 𝒀𝑡𝒀 − 𝟐𝒃𝒕𝑿𝒕𝒀 + 𝒃𝒕𝑿𝒕𝑿𝒃 dan karena
𝑿𝒕𝑿𝒃 = 𝑿𝒕𝒀 𝑿𝒕𝒀 (dari persamaan),
maka:
𝒆𝒕𝒆 = 𝒀𝑡𝒀 − 𝟐𝒃𝒕𝑿𝒕𝒀 + 𝒃𝒕𝑿𝒕𝑿𝒃
= 𝒀𝑡𝒀 − 𝟐𝒃𝒕𝑿𝒕𝒀 + 𝒃𝒕𝑿𝒕𝒀
𝒆𝒕𝒆 = 𝒀𝑡𝒀 − 𝒃𝒕𝑿𝒕𝒀
𝒃𝒕𝑿𝒕𝒀 = 𝒀𝑡𝒀 − 𝒆𝒕𝒆 (3.80)
Substitusi persamaan (3.48) ke dalam persamaan (3.47) sehingga:
𝐸𝑆𝑆 = 𝒀𝒕𝒀– 𝒆𝒕𝒆 −1
𝑛 𝑌𝑖
2
𝐸𝑆𝑆 = 𝒃𝒕𝑿𝒕𝒀 −1
𝑛 𝑌𝑖
2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
90
Karena telah didefinisikan bahwa 𝑅2 =𝑗𝑢𝑚𝑙𝑎 𝑘𝑢𝑎𝑑𝑟𝑎𝑡 𝑦𝑎𝑛𝑔 𝑏𝑖𝑠𝑎 𝑑𝑖𝑑𝑒𝑓𝑖𝑛𝑖𝑠𝑖𝑘𝑎𝑛 (𝐸𝑆𝑆)
𝑗𝑢𝑚𝑙𝑎 𝑡𝑜𝑡𝑎𝑙 𝑘𝑢𝑎𝑑𝑟𝑎𝑡 (𝑇𝑆𝑆)
maka:
𝑅2 =𝑗𝑢𝑚𝑙𝑎 𝑘𝑢𝑎𝑑𝑟𝑎𝑡 𝑦𝑎𝑛𝑔 𝑏𝑖𝑠𝑎 𝑑𝑖𝑑𝑒𝑓𝑖𝑛𝑖𝑠𝑖𝑘𝑎𝑛 (𝐸𝑆𝑆)
𝑗𝑢𝑚𝑙𝑎 𝑡𝑜𝑡𝑎𝑙 𝑘𝑢𝑎𝑑𝑟𝑎𝑡 (𝑇𝑆𝑆)
𝑅2 =𝒃𝒕𝑿𝒕𝒀 −
1
𝑛 𝑌𝑖
2
𝒀𝒕𝒀−1
𝑛 𝑌𝑖
2
𝑅2 =𝒃𝒕𝑿𝒕𝒀 −𝑛𝑌 2
𝒀𝒕𝒀−𝑛𝑌 2 (3.81)
C. PENGUJIAN HIPOTESIS
Pada pembahasan sebelumnya, telah dibahas mengenai peramalan hubungan
antara variabel terikat dengan satu atau lebih variabel penjelas, meramalkan nilai
harapan dari variabel terikat dipandang dari satu atau lebih variabel penjelas, dan
menduga nilai dari parameter-parameter regresi. Dalam sub bab ini akan dibahas
mengenai pengambilan kesimpulan, yaitu dengan pengujian hipotesis.
Sebelum membahas pengujian hipotesis lebih lanjut, akan dibahas terlebih
dahulu mengenai asumsi kenormalan, di mana residual 휀𝑖 berdistribusi normal,
dengan rata-rata 0 , dan varians 𝜎2, secara matematis ditulis:
𝜺~𝑁(𝟎,𝜎2𝑰)
Symbol ~ berarti terdistribusi sebagai dan N merupakan singkatan dari
distribusi normal.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
91
𝑏 merupakan variabel acak sehingga memiliki sebuah distribusi, dan
distribusi dari 𝑏 sangat tergantung dengan distribusi 휀𝑖 . Salah satu sifat distribusi
normal bahwa sebuah kombinasi linier dari variabel terdistribusi normal merupakan
distribusi normal itu sendiri. Dari persamaan (3.63) di mana = 𝜷 + (𝑿𝒕𝑿)−𝟏𝑿𝒕𝜺 ,
terbukti bahwa 𝒃 merupakan fungsi linier dari 𝜺, berdasarkan sifat dari distribusi
normal tersebut maka b juga berdistribusi normal, sehingga secara matematis ditulis:
𝒃~𝑁(𝜷,𝜎2(𝑿𝒕𝑿)−𝟏)
Pengujian hipotesis yaitu langkah-langkah atau prosedur yang dilakukan
dengan tujuan untuk memutuskan apakah menerima atau menolak hipotesis mengenai
parameter populasi.
Pada pembahasan mengenai pengujian hipotesis ini akan sering dijumpai
istilah menerima atau menolak hipotesis. Menolak hipotesis berarti menyimpulkan
bahwa hipotesis itu salah, sedangkan menerima hipotesis bukan berarti hipotesis
tersebut benar, artinya tidak cukup informasi dari sampel untuk menyimpulkan bahwa
hipotesis harus ditolak. Hipotesis yang dirumuskan dengan harapan untuk ditolak
disebut hipotesis nol, dilambangkan 𝐻0. Menolak 𝐻0 mengakibatkan penerimaan
hipotesis lain yakni hipotesis alternatif yang dilambangkan 𝐻1.
Dalam pengujian hipotesis ada dua jenis kesalahan , yaitu kesalahan jenis I
dan keslalahan jenis II. Kesalahan jenis I adalah kesalahan akibat menolak 𝐻0,
padahal 𝐻0 benar, sehingga sesungguhnya harus diterima. Kesalahan jenis II adalah
kesalahan akibat menerima 𝐻0 padahal 𝐻0 salah sehingga sesungguhnya harus
ditolak.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
92
Probabilitas melakukan kesalahan tipe I disebut tingkat signifikansi yang
ditulis dengan 𝛼, sedangkan probabilitas melakukan kesalahan tipe II dilambangkan
dengan 𝛽. Nilai 𝛼 diharapkan sekecil mungkin sehingga sebisa mungkin tidak
melakukan kesalahan tipe I, demikian juga 𝛽 sekecil mungkin, sehingga tidak
melakukan kesalahan tipe II. Selain tingkat signifikansi 𝛼 juga digunakan suatu nilai
𝑝 (nilai probabilitas) yaitu tingkat signifikansi yang tepat atau probabilitas yang tepat
dalam melakukan kesalahan tipe I, dalam menentukan peluang melakukan kesalahan
tipe I. apabila nilai 𝑝 sangat kecil maka peluang melakukan kesalah tipe I juga sangat
kecil.
Terdapat dua jenis pengujian dalam uji hipotesis, yaitu uji satu arah dan uji
dua arah. Uji satu arah mempunyai bentuk sebagai berikut:
𝐻0:𝛽0 ≤ 𝛽1 atau 𝐻0:𝛽0 ≥ 𝛽1
𝐻1: 𝛽0 > 𝛽1 𝐻1: 𝛽0 < 𝛽1
Sedangkan uji dua arah mempunyai bentuk sebagai berikut:
𝐻0:𝛽0 = 𝛽1 atau 𝐻1:𝛽0 ≠ 𝛽1
Untuk menguji hipotesis nol koefisien regresi individual menggunakan uji t .
𝑡 =𝑏𝑘−𝛽
𝑆𝑒(𝑏𝑘) (3.82)
Di mana 𝑘 merupakan banyaknya variabel dalam persamaan regresi, dengan
derajat bebas −𝑘 , di mana 𝑛 merupakan banyaknya data.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
93
Aturan pengambilan keputusan:
Diketahui model regresi linier dengan variabel bebas 𝑘:
𝑌𝑖 = 𝛽0 + 𝛽1𝑋1𝑖 + 𝛽2𝑋2𝑖 + ⋯ + 𝛽𝑘𝑋𝑘𝑖 + 휀𝑖
Untuk menguji hipotesis
𝐻0: 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑘 (semua koefisien kemiringan secara simultan adalah nol)
𝐻1: Tidak semua koefisien kemiringan secara simultan adalah nol
Statistik hitung :
𝐹 =𝐸𝑆𝑆/((𝑘 + 1) − 1)
𝑅𝑆𝑆/(𝑛 − (𝑘 + 1))
Jika 𝐹 > 𝐹𝛼( 𝑘 + 1 − 1, 𝑛 − 𝑘 + 1 ), 𝐻0 ditolak. 𝐹𝛼( 𝑘 + 1 − 1, 𝑛 − 𝑘 + 1 )
adalah nilai 𝐹 kritis pada tingkat signifikansi 𝛼 , dengan derajat bebas pembilang
𝑘 + 1 − 1 dan derajat bebas penyebut 𝑛 − 𝑘 + 1 .
Koefisien determinasi 𝑅2 memiliki hubungan yang penting dengan 𝐹, hal
tersebut ditunjukan sebagai berikut:
𝐹 =𝐸𝑆𝑆/((𝑘+1)−1)
𝑅𝑆𝑆/(𝑛−(𝑘+1))
=𝐸𝑆𝑆/((𝑘+1)−1)
(𝑇𝑆𝑆−𝐸𝑆𝑆)/(𝑛−(𝑘+1))
=(𝐸𝑆𝑆
𝑇𝑆𝑆)/((𝑘+1)−1)
(1−𝐸𝑆𝑆/𝑇𝑆𝑆)/(𝑛−(𝑘+1))
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
94
Sesuai definisi sebelumnya di mana 𝑅2 =𝐸𝑆𝑆
𝑇𝑆𝑆 maka;
𝐹 =𝑅2/((𝑘+1)−1)
(1−𝑅2)/(𝑛−(𝑘+1)) (3.83)
Dari hubungan antara 𝑅2 dan , dapat dilihat bahwa jika nilai 𝑅2 = 0 maka 𝐹 bernilai
0 , sedangkan jika 𝑅2 bernilai 1 maka 𝐹 akan bernilai tak hingga.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
95
BAB IV
MULTIKOLINIERITAS
Pada bab sebelumnya telah dibahas mengenai beberapa asumsi yang harus
dipenuhi, salah satunya adalah asumsi mengenai tidak adanya multikolinieritas.
Dalam bab ini akan dibahas mengenai konsekuensi karena adanya multikolinieritas,
pendeteksian multikolinieritas dan langkah-langkah perbaikan, namun sebelumnya
akan dibahas terlebih dahulu mengenai definisi dari multikolinieritas itu sendiri.
Definisi 4.1 Bebas Linier
Jika S = 𝑣1 , 𝑣2, … , 𝑣3 adalah suatu himpunan vektor-vektor tak kosong, maka
persamaan vektor
𝑘1𝑣1 + 𝑘2𝑣2 + ⋯ + 𝑘𝑟𝑣𝑟 = 0
Mempunyai paling tidak satu penyelesaian, yaitu:
𝑘1 = 0, 𝑘2 = 0, … , 𝑘𝑟 = 0
Jika ini adalah satu-satunya penyelesaian, maka S disebut suatu himpunan
yang bebas secara linier. Jika ada penyelesaian-penyelesaian lainnya, maka S disebut
himpunan yang tak bebas secara linier.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
96
Definisi 4.2 Multikolinieritas
Misalkan X adalah matriks berordo 𝑚 × 𝑛 , jika vektor-vektor kolom dari matriks 𝑿
yaitu 𝑋1 , 𝑋2, … , 𝑋𝑛 saling tak bebas linier, maka terdapat multikolinieritas pada
matriks X tersebut.
Multikolinieritas terbagi dua, yaitu multikolinieritas sempurna dan
multikolinieritas tidak sempurna. Multikolinieritas sempurna adalah suatu kondisi di
mana variabel-variabel bebas berkorelasi secara sempurna, dengan kondisi sebagai
berikut:
𝝀1𝑋1 + 𝝀2𝑋2 + 𝝀3𝑋3 + ⋯ + 𝝀𝑘𝑋𝑘 = 0 (4.1)
Di mana 𝝀1, 𝝀2 , … , 𝝀𝑘 adalah konstanta yang sedemikian rupa sehingga
tidak semuanya bernilai nol secara bersamaan.
Misalkan bahwa 𝝀1 ≠ 0 maka ;
𝝀1𝑋1 = −𝝀2𝑋2 − 𝝀3𝑋3 − ⋯ − 𝝀𝑘𝑋𝑘
𝑋1 = −𝝀𝟐
𝝀1𝑋2 −
𝝀𝟑
𝝀1𝑋3 − ⋯ −
𝝀𝒌
𝝀1𝑋𝑘
Hubungan yang terjadi di antara dua variabel bebas di atas menunjukan
multikolinieritas yang sempurna. Perubahan nilai 𝑋1 akan mempengaruhi nilai 𝑋
lainnya, sehingga sulit untuk melihat secara terpisah pengaruh masing-masing
variabel-variabel bebas tersebut.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
97
Multikolinieritas tidak sempurna adalah suatu kondisi di mana variabel-
variabel bebas berkorelasi tetapi tidak secara sempurna, dengan kondisi sebagai
berikut:
𝝀1𝑋1 + 𝝀2𝑋2 + ⋯ + 𝝀𝑘 + 𝑣𝑖 = 0 (4.2)
di mana 𝑣𝑖 adalah faktor gangguan. Misalkan bahwa 𝝀1 ≠ 0 maka ;
𝝀1𝑋1 = −𝝀2𝑋2 − 𝝀3𝑋3 − ⋯ − 𝝀𝑘𝑋𝑘 − 𝑣𝑖
𝑋1 = −𝝀𝟐
𝝀1𝑋2 −
𝝀𝟑
𝝀1𝑋3 − ⋯ −
𝝀𝒌
𝝀1𝑋𝑘−𝑣𝑖
Dalam hal ini besarnya perubahan nilai 𝑋1 mempengaruhi nilai 𝑋 lainnya. Pada kasus
multikolinieritas yang tidak sempurna ini perubahan nilai variabel bebas juga
dipengaruhi faktor gangguan 𝑣𝑖 .
Sebelum membahas multikolinieritas secara lebih mendalam, terlebih
dahulu akan dijelaskan beberapa hal berikut:
1. Multikolinieritas pada hakikatnya adalah fenomena sampel. Dalam model regresi
secara teoritis, diasumsikan bahwa variabel bebas X mempunyai pengaruh yang
terpisah terhadap variabel terikat Y. Karena adanya multikolinieritas maka pengaruh
terpisah dari variabel bebas tersebut sulit untuk mengetahui pengaruh individual dari
masing-masing variabel bebas tersebut. Variabel bebas mungkin berkorelasi dalam
satu sampel, akan tetapi tidak mungkin berkorelasi dengan variabel bebas yang
berlainan sampel, untuk itu multikolinieritas merupakan fenomena sampel.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
98
2. Multikolinieritas adalah persoalan derajat dan bukan persoalan jenis. Multikolinieritas
bukanlah persoalan mengenai apakah korelasi di antara variabel-variabel bebas itu
positif atau negatif, tetapi merupakan persoalan mengenai ada tidaknya korelasi di
antara variabel-variabel bebas.
A. KONSEKUENSI MULTIKOLINIERITAS
Terjadinya masalah multikolinieritas dalam regresi linier menyebabkan
beberapa konsekuensi. Konsekuensi jika di antara dua variabel bebas terdapat
multikolinieritas adalah:
1. Jika multikolinieritas sempurna penaksir-penaksir kuadrat terkecil tidak bisa
ditentukan.
𝒃 = (𝑿𝒕𝑿)−𝟏𝑿𝒕𝒀 (3.61)
Penaksir-penaksir kuadrat terkecil bisa ditentukan apabila (𝑿𝒕𝑿)−𝟏 ada, dengan kata
lain determinan dari 𝑿𝒕𝑿 tidak nol. Selanjutnya akan dibuktikan determinan dari 𝑿𝒕𝑿
tidak nol
Pembuktiannya sebagai berikut:
𝑿𝒕𝑿 =
1𝑋11
𝑋12
⋮𝑋1𝑘
1 1𝑋21 𝑋31
𝑋22 𝑋32
⋮ ⋮𝑋2𝑘 𝑋3𝑘
⋯⋯⋯……
1𝑋𝑛1
𝑋𝑛2
⋮𝑋𝑛𝑘
111⋮1
𝑋11 𝑋12
𝑋21 𝑋22
𝑋31 𝑋32
⋮ ⋮𝑋𝑛1 𝑋𝑛2
⋯⋯⋯……
𝑋1𝑘
𝑋2𝑘
𝑋3𝑘
⋮𝑋𝑛𝑘
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
99
=
𝑛 𝑋1𝑖
𝑛𝑖=1
𝑋2𝑖𝑛𝑖=1
⋮ 𝑋𝑘𝑖
𝑛𝑖=1
𝑋1𝑖𝑛𝑖=1 𝑋2𝑖
𝑛𝑖=1
𝑋1𝑖2𝑛
𝑖=1 𝑋1𝑖𝑋2𝑖𝑛𝑖=1
𝑋1𝑖𝑋2𝑖𝑛𝑖=1 𝑋2𝑖
2𝑛𝑖=1
⋮ ⋮ 𝑋1𝑖𝑋𝑘𝑖
𝑛𝑖=1 𝑋2𝑖𝑋𝑘𝑖
𝑛𝑖=1
⋯⋯⋯……
𝑋𝑘𝑖𝑛𝑖=1
𝑋1𝑖𝑋𝑘𝑖𝑛𝑖=1
𝑋2𝑖𝑋𝑘𝑖𝑛𝑖=1
⋮ 𝑋𝑘𝑖
2𝑛𝑖=1
(4.3)
Misalkan terjadi multikolinieritas sempurna antara variabel bebas 𝑋1 dengan 𝑋2,
sehingga :
𝝀2𝑋2 = −𝝀1𝑋1 𝝀2 ≠ 0
𝑋2 =−𝝀1
𝝀2𝑋1 dimisalkan
−𝝀1
𝝀2= 𝑎, sehingga:
𝑋2 = 𝑎𝑋1 (4.4)
Dengan mensubstitusikan persamaan (4.4) ke dalam matriks persamaan (4.3) ,
diperoleh:
𝑿𝒕𝑿 =
𝑎
𝑛 𝑋1𝑖
𝑛𝑖=1
𝑋1𝑖𝑛𝑖=1
⋮ 𝑋𝑘𝑖
𝑛𝑖=1
𝑋1𝑖𝑛𝑖=1 𝑎 𝑋1𝑖
𝑛𝑖=1
𝑋1𝑖2𝑛
𝑖=1 𝑎 𝑋1𝑖2𝑛
𝑖=1
𝑎 𝑋1𝑖2𝑛
𝑖=1 𝑎2 𝑋1𝑖2𝑛
𝑖=1
⋮ ⋮ 𝑋1𝑖𝑋𝑘𝑖
𝑛𝑖=1 𝑎 𝑋1𝑖𝑋𝑘𝑖
𝑛𝑖=1
⋯⋯⋯……
𝑋𝑘𝑖𝑛𝑖=1
𝑋1𝑖𝑋𝑘𝑖𝑛𝑖=1
𝑎 𝑋1𝑖𝑋𝑘𝑖𝑛𝑖=1
⋮ 𝑋𝑘𝑖
2𝑛𝑖=1
Menurut teorema 2.4 yaitu:
Anggap adalah suatu matriks 𝑛 × 𝑛
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
100
Jika B adalah matriks yang dihasilkan jika suatu penggandaan suatu baris A
ditambahkan pada baris lainnya atau jika suatu penggandaan suatu kolom
ditambahkan pada kolom lainnya, maka det 𝑩 = det(𝑨) .
Dengan melakukan transformasi kolom elementer pada matriks X , maka:
𝑿𝒕𝑿 =
𝑎
𝑛 𝑋1𝑖
𝑛𝑖=1
𝑋1𝑖𝑛𝑖=1
⋮ 𝑋𝑘𝑖
𝑛𝑖=1
𝑋1𝑖𝑛𝑖=1 𝑎 𝑋1𝑖
𝑛𝑖=1
𝑋1𝑖2𝑛
𝑖=1 𝑎 𝑋1𝑖2𝑛
𝑖=1
𝑎 𝑋1𝑖2𝑛
𝑖=1 𝑎2 𝑋1𝑖2𝑛
𝑖=1
⋮ ⋮ 𝑋1𝑖𝑋𝑘𝑖
𝑛𝑖=1 𝑎 𝑋1𝑖𝑋𝑘𝑖
𝑛𝑖=1
⋯⋯⋯……
𝑋𝑘𝑖𝑛𝑖=1
𝑋1𝑖𝑋𝑘𝑖𝑛𝑖=1
𝑎 𝑋1𝑖𝑋𝑘𝑖𝑛𝑖=1
⋮ 𝑋𝑘𝑖
2𝑛𝑖=1
𝐾32(−𝑎)
𝑿𝒕𝑿 =
𝑎
𝑛 𝑋1𝑖
𝑛𝑖=1
𝑋1𝑖𝑛𝑖=1
⋮ 𝑋𝑘𝑖
𝑛𝑖=1
𝑋1𝑖𝑛𝑖=1 0
𝑋1𝑖2𝑛
𝑖=1 0
𝑎 𝑋1𝑖2𝑛
𝑖=1 0⋮ ⋮
𝑋1𝑖𝑋𝑘𝑖𝑛𝑖=1 0
⋯⋯⋯……
𝑋𝑘𝑖𝑛𝑖=1
𝑋1𝑖𝑋𝑘𝑖𝑛𝑖=1
𝑎 𝑋1𝑖𝑋𝑘𝑖𝑛𝑖=1
⋮ 𝑋𝑘𝑖
2𝑛𝑖=1
Menurut sifat-sifat determinan matriks yang menyatakan bahwa jika setiap elemen
baris (kolom) matriks bujur sangkar A bernilai 0, maka 𝑨 = 0 , maka karena setiap
elemen kolom ketiga matriks 𝑿𝒕𝑿 bernilai 0 , dapat disimpulkan bahwa 𝑿𝒕𝑿 = 0
Oleh karena 𝑿𝒕𝑿 = 0 , maka (𝑿𝒕𝑿)−𝟏 tidak ada, sehingga penaksir b tidak dapat
ditentukan.
2. Jika multikolinieritas tidak sempurna varians dari penaksir-penaksir menjadi tak
terhingga besarnya. Dalam notasi matriks Varians-kovarians b = 𝜎𝜀2 𝑿𝒕𝑿 −𝟏 .
Bukti yang diberikan berikut ini tidak jauh berbeda dengan bukti yang diberikan pada
yang pertama.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
101
Dengan memeriksa nilai 𝑿𝒕𝑿 untuk kasus multikolinieritas tidak sempurna:
𝑿𝒕𝑿 =
𝑛 𝑋1𝑖
𝑛𝑖=1
𝑋2𝑖𝑛𝑖=1
⋮ 𝑋𝑘𝑖
𝑛𝑖=1
𝑋1𝑖𝑛𝑖=1 𝑋2𝑖
𝑛𝑖=1
𝑋1𝑖2𝑛
𝑖=1 𝑋1𝑖𝑋2𝑖𝑛𝑖=1
𝑋1𝑖𝑋2𝑖𝑛𝑖=1 𝑋2𝑖
2𝑛𝑖=1
⋮ ⋮ 𝑋1𝑖𝑋𝑘𝑖
𝑛𝑖=1 𝑋2𝑖𝑋𝑘𝑖
𝑛𝑖=1
⋯⋯⋯……
𝑋𝑘𝑖𝑛𝑖=1
𝑋1𝑖𝑋𝑘𝑖𝑛𝑖=1
𝑋2𝑖𝑋𝑘𝑖𝑛𝑖=1
⋮ 𝑋𝑘𝑖
2𝑛𝑖=1
Misalkan terjadi multikolinieritas tidak sempurna antara variabel bebas 𝑋1 dengan
𝑋2, sehingga :
𝝀2𝑋2 = −𝝀1𝑋1 + 𝑣𝑖 𝝀2 ≠ 0
𝑋2 =−𝝀1
𝝀2𝑋1 + 𝑣𝑖 dimisalkan
−𝝀1
𝝀2= 𝑎, sehingga:
𝑋2 = 𝑎𝑋1 + 𝑣𝑖 (4.5)
Dengan mensubstitusikan persamaan (4.5) ke dalam matriks X , diperoleh:
𝑿𝒕𝑿 =
𝑎
𝑛 𝑋1𝑖
𝑛𝑖=1
𝑋1𝑖𝑛𝑖=1
⋮ 𝑋𝑘𝑖
𝑛𝑖=1
+ 𝑣𝑖𝑛𝑖=1
𝑋1𝑖𝑛𝑖=1 𝑎 𝑋1𝑖 +𝑛
𝑖=1 𝑣𝑖𝑛𝑖=1
𝑋1𝑖2𝑛
𝑖=1 𝑎 𝑋1𝑖2𝑛
𝑖=1
𝑎 𝑋1𝑖2𝑛
𝑖=1 𝑎2 𝑋1𝑖2 + 𝑣𝑖
𝑛𝑖=1
𝑛𝑖=1
⋮ ⋮ 𝑋1𝑖𝑋𝑘𝑖
𝑛𝑖=1 𝑎 𝑋1𝑖𝑋𝑘𝑖
𝑛𝑖=1
⋯⋯⋯……
𝑋𝑘𝑖𝑛𝑖=1
𝑋1𝑖𝑋𝑘𝑖𝑛𝑖=1
𝑎 𝑋1𝑖𝑋𝑘𝑖𝑛𝑖=1
⋮ 𝑋𝑘𝑖
2𝑛𝑖=1
Dengan melakukan transformasi kolom elementer pada matriks X , maka:
𝑿 =
𝑎
𝑛 𝑋1𝑖
𝑛𝑖=1
𝑋1𝑖𝑛𝑖=1
⋮ 𝑋𝑘𝑖
𝑛𝑖=1
+ 𝑣𝑖𝑛𝑖=1
𝑋1𝑖𝑛𝑖=1 𝑎 𝑋1𝑖 +𝑛
𝑖=1 𝑣𝑖𝑛𝑖=1
𝑋1𝑖2𝑛
𝑖=1 𝑎 𝑋1𝑖2𝑛
𝑖=1
𝑎 𝑋1𝑖2𝑛
𝑖=1 𝑎2 𝑋1𝑖2 + 𝑣𝑖
𝑛𝑖=1
𝑛𝑖=1
⋮ ⋮ 𝑋1𝑖𝑋𝑘𝑖
𝑛𝑖=1 𝑎 𝑋1𝑖𝑋𝑘𝑖
𝑛𝑖=1
⋯⋯⋯……
𝑋𝑘𝑖𝑛𝑖=1
𝑋1𝑖𝑋𝑘𝑖𝑛𝑖=1
𝑎 𝑋1𝑖𝑋𝑘𝑖𝑛𝑖=1
⋮ 𝑋𝑘𝑖
2𝑛𝑖=1
𝐾32(−𝑎)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
102
𝑿 =
𝑎
𝑛 𝑋1𝑖
𝑛𝑖=1
𝑋1𝑖𝑛𝑖=1
⋮ 𝑋𝑘𝑖
𝑛𝑖=1
+ 𝑣𝑖𝑛𝑖=1
𝑋1𝑖𝑛𝑖=1 𝑣𝑖
𝑛𝑖=1
𝑋1𝑖2𝑛
𝑖=1 0
𝑎 𝑋1𝑖2𝑛
𝑖=1 𝑣𝑖𝑛𝑖=1
⋮ ⋮ 𝑋1𝑖𝑋𝑘𝑖
𝑛𝑖=1 0
⋯⋯⋯……
𝑋𝑘𝑖𝑛𝑖=1
𝑋1𝑖𝑋𝑘𝑖𝑛𝑖=1
𝑎 𝑋1𝑖𝑋𝑘𝑖𝑛𝑖=1
⋮ 𝑋𝑘𝑖
2𝑛𝑖=1
Matriks di atas menunjukan bahwa nilai 𝑿𝒕𝑿 tergantung pada nilai galat 𝑣𝑖 . Jika 𝑣𝑖
sangat kecil dan mendekati nol maka nilai 𝑿𝒕𝑿 juga sangat kecil dah mendekati nol.
Jika 𝑿𝒕𝑿 mendekati nol, maka 𝟏
𝑿𝒕𝑿 mendekati tak hingga besarnya, sehingga
elemen-elemen dalam matiks 𝑿𝒕𝑿 −𝟏 menjadi semakin besar, akibatnya nilai varians
dan kovariansnya juga semakin besar. Jika varians nilainya mendekati tak hingga,
demikian nilai standar errornya mendekati tak hingga. Jika standar errornya tinggi
maka tingkat keakuratan dari estimasi rendah.
Hal tersebut dapat dilihat dalam persamaan berikut :
𝜎𝜀2 𝑿𝒕𝑿 −𝟏 = 𝜎𝜀
2 𝟏
𝑿𝒕𝑿 𝑎𝑑𝑗 𝑿𝒕𝑿
3. Akibat dari tingginya standar error, maka rasio t dari satu atau lebih koefisien tidak
signifikan secara statistik. Hal ini dapat diperlihatkan dengan persamaan berikut:
𝑡 =𝑏𝑘−𝛽
𝑆𝑒(𝑏𝑘) (3.82)
di mana 𝐻0: 𝛽 = 0 ditolak jika :
𝑡 = 𝑏𝑘−𝛽
𝑆𝑒(𝑏𝑘) > 𝑡𝛼
2;𝑛−(𝑘+1) 𝑘 adalah banyaknya variabel bebas.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
103
Semakin besar nilai standar errornya, maka nilai t akan semakin kecil, jika standar
errornya mendekati tak hingga, maka nilai t menjadi sangat kecil, sehingga peluang
untuk menerima hipotesis nol yang menyatakan bahwa nilai populasi yang
sebenarnya adalah nol, sangat besar. Dengan nilai t yang sangat kecil, yang berarti
dalam pengujian hipotesis tidak dapat dilihat pengaruh individual dari variabel bebas
X .
B. PENDETEKSIAN MULTIKOLINIERITAS
Kasus multikolinieritas dapat dideteksi dengan memperhatikan beberapa hal
yang akan diberikan pada sub bab ini. Berikut adalah tanda-tanda keberadaan
multikolinieritas:
1. Jika nilai t kecil, sedangkan nilai 𝑅2 tinggi maka terindikasi adanya multikolinieritas.
Nilai 𝑅2 yang tinggi, sehingga nilai F menjadi signifikan, hal ini dapat diperlihatkan
dengan persamaan berikut:
𝐹 =𝑅2/((𝑘+1)−1)
(1−𝑅2)/(𝑛−(𝑘+1)) (3.83)
Dari hubungan tersebut dapat dilihat bahwa semakin meningkat nilai 𝑅2 maka nilai F
juga semakin meningkat. Jika nilai 𝑅2 mendekati 1 , maka nilai F mendekati tak
hingga. Dengan F yang besar, maka semakin mungkin untuk menolak hipotesis nol.
Dengan nilai F yang tinggi maka dalam pengujian hipotesis berarti menunjukan
pengaruh bersama variabel bebas X terhadap variabel terikat Y yang signifikan. Maka
dengan memeriksa nilai F dan t, yakni jika F yang dihitung melebihi 𝐹𝑖 kritis
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
104
sedangkan nilai t lebih kecil dari t kritis, berarti mungkin terjadi masalah
multikolinieritas.
𝐻0: 𝛽𝑗 = 0 ditolak jika
𝐹 > 𝐹𝛼[ 𝑘+1 −1,𝑛− 𝑘+1 ] di mana 𝑘 adalah banyaknya variabel bebas.
Contoh 4.1 :
Tabel 4.1 : Data Mobil Penumpang
Tahun 𝑌 𝑋1 𝑋2 𝑋3 𝑋4 𝑋5
1971 10227 112.0 121.3 776.8 4.89 79367
1972 10872 111.0 125.3 839.6 4.55 82153
1973 11350 111.1 133.1 949.8 7.38 85064
1974 8775 117.5 147.7 1038.4 8.61 86794
1975 8539 127.6 161.2 1142.8 6.16 85846
1976 9994 135.7 170.5 1252.6 5.22 88752
1977 11046 142.9 181.5 1379.3 5.50 92017
1978 11164 153.8 195.3 1551.2 7.78 96048
1979 10559 166.0 217.7 1729.3 10.25 98824
1980 8979 179.3 247.0 1918.0 11.28 99303
1981 8535 190.2 272.3 2127.6 13.73 100397
1982 7980 197.6 286.6 2261.4 11.20 99526
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
105
1983 9179 202.6 297.4 2428.1 8.69 100834
1984 10394 208.5 307.6 2670.6 9.65 105005
1985 11039 215.2 318.5 2841.1 7.75 107150
1986 11450 224.4 323.4 3022.1 6.31 109597
Dengan menggunakan SPSS diperoleh parameter-parameter 𝛽0 = 2933.906 ,
𝛽1 = 50.538 , 𝛽2 = −103.504 , 𝛽3 = 6.116 , 𝛽4 = −105.979 , 𝛽4 = 0.124 ,
sehingga model regresinya adalah :
𝑌 = 2933.906 + 50.538𝑋1 − 103.504𝑋2 + 6.116𝑋3 − 105.979𝑋4 + 0.124𝑋5
Dan di dapat juga nilai-nilai t yaitu 𝑡0 = 0.356 , 𝑡1 = 0.725 , 𝑡2 = −2.024 , 𝑡3 =
1.647 , 𝑡4 = −0.97 , 𝑡5 = 1.009 dan nilai 𝑅2 = 0.755 . Dengan tingkat signifikansi
sebesar 0.05 dan oleh karena 𝑡0, 𝑡1, 𝑡2, 𝑡3 , 𝑡4 , 𝑡5 < 𝑡𝛼
2;𝑛−(𝑘+1) = 2.228 menunjukan
nilai t yang tidak signifikan, maka 𝐻0: 𝛽 = 0 diterima. Akan tetapi nilai 𝑅2 = 0.755
dan nilai F = 6.147 > F tabel = 3.33 menunjukan nilai yang signifikan, akibatnya 𝐻0
yang menyatakan nilai 𝛽 secara keseluruhan sama dengan nol ditolak. Kasus
semacam ini menandakan adanya masalah multikolinieritas d dalam model regresi.
2. Memeriksa nilai VIF. Varians dan kovarians yang besar dapat dilihat dengan variance
inflating factor (VIF), yang didefinisikan sebagai:
𝑉𝐼𝐹 =1
1−𝑟𝑖𝑗2 (4.6)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
106
Di mana 𝑟 adalah koefisien korelasi, yang dinyatakan dengan persamaan matematik:
𝑟 =( 𝑥𝑖𝑦𝑖 )
𝑥𝑖2 𝑦𝑖
2 (3.53)
Pada kasus multikolinieritas yang dipandang berkorelasi adalah variabel bebas x ,
sehingga untuk mencari r antara variabel bebas, persamaan (3.53) menjadi:
𝑟𝑖𝑗 =( 𝑥𝑖𝑥𝑗 )
𝑥𝑖2 𝑥𝑗
2
𝑟𝑖𝑗2 =
( 𝑥𝑖𝑥𝑗 )2
𝑥𝑖2 𝑥𝑗
2
Sehingga persamaan (4.6) dapat dinyatakan dengan bentuk sebagai berikut:
𝑉𝐼𝐹 =1
1−𝑟𝑖𝑗2
𝑉𝐼𝐹 =1
1− 𝑥𝑖𝑥𝑗
2
𝑥𝑖2 𝑥𝑗
2
(4.7)
VIF menunjukan bagaimana varians dari sebuah estimator ditingkatkan oleh
keberadaan multikolinieritas. Jika nilai 𝑟2 mendekati 1, VIF mendekati tak hingga.
Hal tersebut menunjukan besarnya kolinieritas meningkat, varians dari sebuah
estimator juga meningkat. Pendeteksian multikolinieritas umumnya menggunakan
VIF, sehingga dalam penulisan ini akan banyak digunakan perhitungan menggunakan
VIF.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
107
Contoh 4.2:
Dengan menggunakan data yang sama pada contoh 4.1 diperoleh nilai-nilai VIF
dengan menggunakan SPSS yaitu 𝑉𝐼𝐹1 = 242.517, 𝑉𝐼𝐹2 = 427.281, 𝑉𝐼𝐹3 =
228.578 , 𝑉𝐼𝐹4 = 4.848 ,𝑉𝐼𝐹5 = 38.788 . Nilai 𝑉𝐼𝐹1, 𝑉𝐼𝐹2, 𝑉𝐼𝐹3, 𝑉𝐼𝐹5 > 10
mengindikasikan adanya masalah multikolinieritas yang sangat tinggi di dalam model
regresi.
Dengan adanya masalah multikolinieritas yang tinggi di dalam model
regresi akan menimbulkan dampak-dampak yang sebelumnya telah di bahas, untuk
itu perlu dilakukan adanya tindakan perbaikan.
C. LANGKAH – LANGKAH PERBAIKAN
Masalah multikolinieritas telah menyebabkan beberapa konsekuensi yang
telah dipaparkan sebelumnya bagi penduga. Karena dalam hal peramalan diinginkan
penduga yang seakurat mungkin dan bersifat BLUE, maka multikolinieritas dapat
menjadi masalah yg serius dalam regresi. Masalah multikolinieritas dapat
dihilangkan. Ada beberapa teknik yang biasanya digunakan dalam pengentasan
masalah multikolinieritas. Berikut ini adalah beberapa teknik perbaikan dalam
mengatasi masalah multikolinieritas.
1. Informasi apriori
Anggap bahwa spesifikasi yang benar dari suatu model adalah
𝑌𝑖 = 𝛽0 + 𝛽1𝑋𝑖 + 𝛽2𝑋2𝑖 + 𝜀𝑖 (4.8)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
108
dan juga ditemukan bahwa 𝑋1 kolinier dengan 𝑋2 . Mencari informasi apriori dengan
cara menemukan nilai yang pasti dari 𝛽1 dan 𝛽2 dari sumber – sumber ekstra, maka
informasi tersebut dapat digunakan untuk menaksir pengaruh dari variabel yang
terdapat di dalam model. Misalnya secara apriori dipercaya bahwa 𝛽2 = 0.1𝛽1. maka
persamaan (4.7) menjadi:
𝑌𝑖 = 𝛽0 + 𝛽1𝑋𝑖 + 0.1𝛽1𝑋2𝑖 + 𝜀𝑖
= 𝛽0 + 𝛽1𝑋𝑗 + 𝜀𝑖
Di mana 𝑋𝑗 = 𝑋𝑖 + 0.1𝑋2𝑖
2. Mengombinasikan data cross-section dengan data time series (pooling the data)
Misalkan ingin dipelajari permintaan mobil di AS dan diasumsikan memiliki data
time series mengenai jumlah yang terjual, harga rata-rata mobil, dan pendapatan
konsumen. Anggap bahwa :
𝑙𝑛𝑌𝑡 = 𝛽0 + 𝛽1𝑙𝑛𝑃𝑡 + 𝛽2𝑙𝑛𝐼𝑡 + 𝑢𝑡
Di mana 𝑌 = jumlah mobil yang terjual, 𝑃 = harga rata-rata, 𝐼 = pendapatan, dan t =
waktu. Tujuannya adalah untuk mengestimasi elastisitas harga 𝛽1 dan pendapatan 𝛽2
Pada data time series , variabel harga rata-rata dan pendapatan cenderung sangat
kolinier, sehingga akan dijumpai masalah multikolinieritas. Tobin, seorang ahli
statistika memberikan jalan keluar untuk masalah ini, yaitu dengan menggunakan
bantuan dari data cross-section. Misalkan dari data cross section diketahui estimasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
109
mengenai pendapatan 𝛽2 . Agara lebih memahami pembahasan ini, diberikan sebuah
contoh.
Contoh 4.3
Tabel 4.2 : Data tahun 1936 - 1952
Tahun 𝑌 𝑋1 𝑋2 𝑋3
1936 62.8 43.41 17.10 3.96
1937 65.0 46.44 18.65 5.48
1938 63.9 44.35 17.09 4.37
1939 67.5 47.82 19.28 4.51
1940 71.3 51.02 23.24 4.88
1941 76.6 58.71 28.11 6.37
1945 86.3 87.69 30.29 8.96
1946 95.7 76.73 28.26 9.76
1947 98.3 75.91 27.91 9.31
1948 100.3 77.62 32.30 9.85
1949 103.2 78.01 31.39 7.21
1950 108.9 83.57 35.61 7.39
1951 108.5 90.59 37.58 7.98
1952 111.4 95.47 35.17 7.42
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
110
Klein dan Goldberger berusaha untuk menyesuaikan model regresi berikut pada
perekonomian AS :
𝑌𝑖 = 𝛽0 + 𝛽1𝑋1𝑖 + 𝛽2𝑋2𝑖 + 𝛽3𝑋3𝑖 + 𝜀𝑖 (4.9)
Di mana 𝑌 = konsumsi, 𝑋2 = pendapatan upah, 𝑋3 = pendapatan nonupah dan
nonpertanian, dan 𝑋4 = pendapatan pertanian. Akan tetapi, oleh karena 𝑋2 , 𝑋3, dan 𝑋4
diperkirakan untuk berkolinier kuat, mereka memperoleh estimasi 𝛽2 dan 𝛽3 dari
analisis cross-section sebagai berikut : 𝛽2 = 0.75𝛽1 dan 𝛽3 = 0.625𝛽1 . Dengan
menggunakan estimasi-estimasi ini, mereka merumuskan fungsi konsumsi sebagai
berikut :
𝑌𝑖 = 𝛽0 + 𝛽1(𝑋𝑖 + 0.75𝑋2𝑖 + 0.625𝑋3𝑖) + 𝜀𝑖 = 𝛽0 + 𝛽1𝑍𝑖 + 𝑢𝑖
Di mana 𝑍𝑖 = 𝑋𝑖 + 0.75𝑋2𝑖 + 0.625𝑋3𝑖 .
Menurut hasil perhitungan dengan SPSS, diperoleh parameter-parameter 𝛽0 =
18.702 𝛽1 = 0.380, 𝛽2 = 1.419 , dan 𝛽3 = 0.533 maka pendugaan persamaan (4.9)
adalah :
𝑌 = 18.702 + 0.380𝑋𝑖 + 1.419𝑋2𝑖 + 0.533𝑋3𝑖
dan diperoleh nilai 𝑉𝐼𝐹1 = 12.297 , 𝑉𝐼𝐹2 = 9.230 , 𝑉𝐼𝐹3 = 2.977
dengan diperoleh nilai 𝑉𝐼𝐹1 = 12.297 > 10 menandakan adanya multikolinieritas di
dalam regresi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
111
Perbaikan :
Setelah melakukan teknik perbaikan dengan pengkombinasian data time series dan
data cross-section, maka data dari tabel 4.3 menjadi :
Tabel 4.3 : Hasil pengkombinasian data time series dan cross section
Tahun 𝑌 Z
1936 62.8 59
1937 65.0 64
1938 63.9 60
1939 67.5 65
1940 71.3 72
1941 76.6 84
1945 86.3 120
1946 95.7 100
1947 98.3 100
1948 100.3 110
1949 103.2 110
1950 108.9 110
1951 108.5 120
1952 111.4 130
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
112
Dengan menggunakan SPSS diperoleh penduga parameter-parameter 𝛽0 = 22.584
dan 𝛽1 = 0.693, sehingga diperoleh persamaan:
𝑌 = 22.584 + 0.693𝑍𝑖 (4.10)
dan juga diperoleh nilai VIF = 1 < 10, maka model persamaan (4.10) bebas dari
masalah multikolinieritas. Karena didapat nilai 𝛽1 = 0.693 , maka :
𝛽3 = 0.625𝛽1
= 0.625(0.693)
= 0.43
𝛽2 = 0.75𝛽1
= 0.75 × 0.693
= 0.52
Sehingga model regresi setelah dilakukan perbaikan adalah sebagai berikut :
𝑌 = 22.584 + 0.693𝑋1𝑖 + 0.52𝑋2𝑖 + 0.43𝑋3𝑖 ` (4.11)
Karena model tersebut sudah terbebas dari masalah multikolinieritas maka di
lanjutkan dengan pengujian hipotesis untuk menjamin model tersebut layak
digunakan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
113
a) Hipotesis
𝐻0: 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑘 = 0
𝐻1: ada 𝛽𝑗 ≠ 0
b) Dipilih tingkat signifikansi 0.05
c) Statistik uji 𝐹 =𝑅2/((𝑘+1)−1)
(1−𝑅2)/(𝑛−(𝑘+1))
Dengan menggunakan perhitungan SPSS diperoleh nilai 𝐹 = 79.982
d) Daerah penolakan
𝐹 > 𝐹𝛼[ 𝑘+1 −1,𝑛− 𝑘+1 ]
𝐹𝛼[ 𝑘+1 −1,𝑛− 𝑘+1 ] = 4.75
e) Kesimpulan
Karena 𝐹 = 79.982 > 4.75 maka 𝐻0: 𝛽𝑗 = 0 , yang berarti bahwa secara simultan
variabel bebas mempengaruhi Y.
3. Mengeluarkan suatu variabel
Apabila diketahui dua variabel bebas berrhubungan secara linier, maka mengeluarkan
salah satu variabel dapat mananggulangi masalah multikolinieritas, akan tetapi hal ini
akan menyebabkan bias spesifikasi. Contoh berikut diberikan untuk lebih memahami
pembahasan ini.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
114
Contoh 4.4
Diketahui persamaan (4.8)
𝑌𝑖 = 𝛽1 + 𝛽2𝑋2𝑖 + 𝛽3𝑋3𝑖 + 𝛽4𝑋4𝑖 + 𝜀𝑖
Dari data pada tabel 4.3 diketahui bahwa terdapat problem multikolinieritas yang
serius, dalam contoh ini akan digunakan perbaikan multikolinieritas dengan
mengeluarkan sebuah variabel. Misalkan variabel yang dikeluarkan adalah variabel
𝑋1, sehingga data menjadi :
Tabel 4.4 : Data hasil Pengeluaran Variabel
Tahun 𝑌 𝑋2 𝑋3
1936 62.8 17.10 3.96
1937 65.0 18.65 5.48
1938 63.9 17.09 4.37
1939 67.5 19.28 4.51
1940 71.3 23.24 4.88
1941 76.6 28.11 6.37
1945 86.3 30.29 8.96
1946 95.7 28.26 9.76
1947 98.3 27.91 9.31
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
115
1948 100.3 32.30 9.85
1949 103.2 31.39 7.21
1950 108.9 35.61 7.39
1951 108.5 37.58 7.98
1952 111.4 35.17 7.42
Dengan perhitungan menggunakan SPSS diperoleh parameter-parameter 𝛽0 =
17.690, 𝛽2 = 2.185 , dan 𝛽3 = 1.410 maka pendugaan persamaan (4.8) menjadi :
𝑌 = 17.690 + 2.185𝑋3𝑖 + 1.410𝑋4𝑖
dan nilai 𝑉𝐼𝐹3 = 2.190 < 10 dan 𝑉𝐼𝐹4 = 2.190 < 10 maka model regresi tersebut
terbebas dari masalah multikolinieritas. Seperti pada contoh sebelumnya, setelah
terbebas dari masalah multikolinieritas selanjutnya dilakukan uji F untuk menjamin
model tersebut layak digunakan.
f) Hipotesis
𝐻0: 𝛽𝑗 = 0
𝐻1: ada 𝛽𝑗 ≠ 0
g) Dipilih tingkat signifikansi 0.05
h) Statistik uji 𝐹 =𝑅2/((𝑘+1)−1)
(1−𝑅2)/(𝑛−(𝑘+1))
Dengan menggunakan perhitungan SPSS diperoleh nilai 𝐹 = 53.422
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
116
i) Daerah penolakan
𝐹 > 𝐹𝛼[ 𝑘+1 −1,𝑛− 𝑘+1 ]
𝐹𝛼[ 𝑘+1 −1,𝑛− 𝑘+1 ] = 3.98
j) Kesimpulan
Karena 𝐹 = 53.422 > 3.98 maka 𝐻0: 𝛽𝑗 = 0 , yang berarti bahwa secara simultan
variabel bebas mempengaruhi Y.
4. Transformasi variabel
Teknik perbaikan dengan transformasi variabel terbagi dua yaitu transformasi
diferensial pertama dan transformasi rasio.
Transformasi diferensial pertama
Misalkan mempunyai data deretan-waktu dan mempunyai persamaan regresi
berganda sebagai berikut:
𝑌𝑡 = 𝛽0 + 𝛽1𝑋1𝑡 + 𝛽2𝑋2𝑡 + ⋯ + 𝛽𝑘𝑋𝑘𝑡 + 𝜀𝑡 (4.12)
berlaku pada waktu t sehingga harus juga berlaku pada waktu t – 1, karena sifat
aslinya yang acak. Maka:
𝑌𝑡−1 = 𝛽0 + 𝛽1𝑋1𝑡−1 + 𝛽2𝑋2𝑡−1 + ⋯ + 𝛽𝑘𝑋𝑘𝑡−1 + 𝜀𝑡−1 (4.13)
Dengan mengurangi persamaan (4.13) dari persamaan (4.12), di dapat
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
117
𝑌𝑡 − 𝑌𝑡−1 = 𝛽0
+ 𝛽1𝑋1𝑡 + 𝛽
2𝑋2𝑡 + ⋯ + 𝛽𝑘𝑋𝑘𝑡 + 𝜀𝑡 − (𝛽
0+ 𝛽
1𝑋1,𝑡−1 + 𝛽
2𝑋2,𝑡−1 +
… + 𝛽𝑘𝑋𝑘𝑡−1 + 𝜀𝑡−1 )
= 𝛽0 + 𝛽1𝑋1 + 𝛽2𝑋2 + ⋯ + 𝛽𝑘𝑋𝑘𝑡 + 𝜀𝑡 − 𝛽0 − 𝛽1𝑋1,𝑡−1 − 𝛽2𝑋2,𝑡−1 − ⋯
−𝛽𝑘𝑋𝑘𝑡−1 − 𝜀𝑡−1
𝑌𝑡 − 𝑌𝑡−1 = 𝛽1(𝑋
𝑡− 𝑋𝑡−1) + 𝛽
2(𝑋
2𝑡− 𝑋2𝑡−1) + ⋯ + 𝛽
𝑘(𝑋
𝑘𝑡− 𝑋𝑘𝑡−1) + 𝑣𝑡 (4.14)
Di mana 𝑣𝑡 = 𝜀𝑡 − 𝜀𝑡−1
Contoh berikut akan membantu dalam memahami pembahasan berikut ini.
Contoh 4.5
Tabel 4.5 : Data Belanja Konsumsi, Pendapatan, dan Waktu
𝑋1 𝑋2 𝑌
1839 1 1673
1844 2 1688
1831 3 1666
1881 4 1735
1883 5 1749
1910 6 1756
1969 7 1815
2016 8 1867
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
118
2126 9 1948
2239 10 2048
2336 11 2128
2404 12 2165
2487 13 2257
2535 14 2316
2595 15 2324
𝑌 = belanja konsumsi
𝑋1 = pendapatan per kapita
𝑋2 = waktu
Contoh 4.3 ingin mengetahui pengaruh pendapatan per kapita dan waktu, terhadap
belanja konsumsi, dari periode 1956-1970. Data tersebut dimodelkan sebagai berikut:
𝑌𝑖 = 𝛽0 + 𝛽1𝑋𝑖 + 𝛽2𝑋2𝑖 + 𝜀𝑖 (4.15)
Penyelesaian :
Berdasarkan perhitungan dengan menggunakan SPSS diperoleh estimasi parameter-
parameter 𝛽0 = 300.286 , 𝛽1 = 0.742 , 𝛽2 = 8.044 , sehingga persamaan (4.12)
menjadi
𝑌 = 300.286 + 0.742𝑋1𝑖 + 8.044𝑋2𝑖 (4.16)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
119
dan juga diperoleh nilai 𝑉𝐼𝐹1 = 15.130 > 10 dan 𝑉𝐼𝐹2 = 15.130 > 10 yang
menandai adanya masalah multikolinieritas yang serius. Dengan teknik perbaikan
transformasi diferensial pertama diperoleh:
𝑌𝑡 = 𝛽0 + 𝛽1𝑋𝑡 + 𝛽2𝑋2𝑡 + 𝜀𝑡 (4.17)
Berlaku pada waktu t sehingga harus juga berlaku pada waktu t-1
𝑌𝑡−1 = 𝛽0 + 𝛽1𝑋𝑡−1 + 𝛽2𝑋2𝑡−1 + 𝜀𝑡−1 (4.18)
Dengan mengurangkan persamaan (4.14) dari persamaan (4.13)
𝑌𝑡 − 𝑌𝑡−1 = 𝛽0 + 𝛽1𝑋1 + 𝛽2𝑋2 − 𝛽0 + 𝛽1𝑋𝑡−1 + 𝛽2𝑋2𝑡−1 + 𝑣𝑡
= 𝛽0 + 𝛽1𝑋1 + 𝛽2𝑋2 − 𝛽0 − 𝛽1𝑋𝑡−1 − 𝛽2𝑋2𝑡−1
𝑌𝑡 − 𝑌𝑡−1 = 𝛽1(𝑋1 − 𝑋𝑡−1) + 𝛽2(𝑋2 − 𝑋2𝑡−1) + 𝑣𝑡 (4.19)
𝑣𝑡 = 𝜀𝑡 − 𝜀𝑡−1
Tabel 4.6 : Data hasil transformasi diferensial pertama sebagai
𝑋𝑡 − 𝑋𝑡−1 𝑋2𝑡 − 𝑋2𝑡−1 𝑌𝑡 − 𝑌𝑡−1
5 1 15
-13 1 -22
50 1 69
2 1 14
27 1 7
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
120
59 1 59
47 1 52
110 1 81
113 1 100
97 1 80
68 1 37
83 1 92
48 1 59
60 1 8
Dengan menggunakan spss diperoleh VIF sebesar 1 < 10 , dan nilai model regresi
setelah dilakukan transformasi variabel mengalami bebas multikolinieritas. Dari data
tersebut juga diperoleh parameter-parameter 𝛽1 = 2.645 , 𝛽2 = 0.812 , sehingga
persamaan (4.12) menjadi
𝑌 𝑡 − 𝑌 𝑡−1 = 𝛽1(𝑋1 − 𝑋𝑡−1) + 𝛽2(𝑋2 − 𝑋2𝑡−1) (4.20)
= 2.645 (𝑋1 − 𝑋𝑡−1) + 0.812(𝑋2 − 𝑋2𝑡−1)
𝑌 𝑡 = 2.645 (𝑋1 − 𝑋𝑡−1) + 0.812(𝑋2 − 𝑋2𝑡−1) − 𝑌 𝑡−1 (4.21)
Uji F untuk menjamin kelayakan model regresi adalah sebagai berikut:
a. 𝐻0: 𝛽𝑗 = 0
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
121
𝐻1: tidak semua nilai 𝛽 sama dengan nol
b. Dipilih tingkat signifikansi 𝛼 = 0.05
c. Statistik uji : 𝐹 =𝑅2/((𝑘+1)−1)
(1−𝑅2)/(𝑛−(𝑘+1))
𝐹 tabel 𝐹𝛼; 𝑘+1 −1,𝑛−(𝑘+1) = 3.98
d. Hitungan berdasarkan SPSS diperoleh nilai 𝐹 = 33.608
e. Kesimpulan : karena 𝐹 ℎ𝑖𝑡𝑢𝑛𝑔 > 3.98 maka 𝐻0: 𝛽𝑗 = 0 di tolak , yang berarti
secara simultan, variabel bebas mempengaruhi Y.
Transformasi rasio
Diberikan model berikut ini :
𝑌𝑡 = 𝛽0 + 𝛽1𝑋𝑡 + 𝛽2𝑋2𝑡 + 𝜀𝑡 (4.23)
Di mana 𝑌 adalah pengeluaran konsumsi dalam dolar, 𝑋2 adalah PDB, dan 𝑋3 adalah
total populasi. Diketahui PDB dan populasi saling berhubungan secara linier, salah
satu solusi bagi masalah ini adalah dengan pembagian persamaan (4.21) dengan 𝑋3,
sehingga didapat:
𝑌𝑡
𝑋2= 𝛽0
1
𝑋2+ 𝛽1
𝑋2𝑡
𝑋2+ 𝛽2 +
𝑢𝑡
𝑋2 (4.24)
Transformasi seperti ini dapat mengurangi kolinieritas pada variabel aslinya. Untuk
lebih memahami pembahasan ini, di berikan contoh berikut.
Contoh 4.7
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
122
Dengan menggunakan permasalah dan data dalam contoh (4.3) yang mana
menggunakan teknik perbaikan transformasi diferensial pertama, pada contoh ini
digunakan teknik perbaikan transformasi rasio.
Pada data tabel 4.5 antara pendapatan per kapita dan waktu diketahui saling
berhubungan linier, maka sesuai dengan teknik dalam transformasi rasio, dilakukan
pembagian persamaan (4.12) dengan 𝑋2.
𝑌𝑖
𝑋𝑖=
𝛽0
𝑋𝑖+
𝛽1𝑋𝑖
𝑋𝑖+
𝛽2𝑋2𝑖
𝑋𝑖+
𝜀𝑖
𝑋𝑖
𝑌𝑖
𝑋𝑖= 𝛽0
1
𝑋𝑖+ 𝛽1 + 𝛽2
𝑋2𝑖
𝑋𝑖+
𝜀𝑖
𝑋𝑖
𝑊𝑖 = 𝛽0𝐾𝑖 + 𝛽1 + 𝛽2𝐿𝑖 + 𝑣𝑖 (4.25)
Di mana 𝑊𝑖 =𝑌𝑖
𝑋𝑖 , 𝐾𝑖 =
1
𝑋𝑖, 𝐿𝑖 =
𝑋2𝑖
𝑋𝑖 , 𝑣𝑖 =
𝜀𝑖
𝑋𝑖
Dengan hasil transformasi variabel bebas 𝑋2 pada persamaan , maka data tabel 4.5
menjadi :
Tabel 4.7 : Data Hasil Transformasi Rasio
𝐾𝑖 𝐿𝑖 𝑊𝑖
0.000544 0.000544 0.909734
0.000542 0.001085 0.915401
0.000546 0.001638 0.909885
0.000532 0.002127 0.922382
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
123
0.000531 0.002655 0.928837
0.000524 0.003141 0.919372
0.000508 0.003555 0.921788
0.000496 0.003968 0.926091
0.00047 0.004233 0.916275
0.000447 0.004466 0.914694
0.000428 0.004709 0.910959
0.000416 0.004992 0.900582
0.000402 0.005227 0.907519
0.000394 0.005523 0.913609
0.000385 0.00578 0.895568
Dengan perhitungan menggunakan SPSS diperoleh parameter-parameter 𝛽0 =
−0.001 , 𝛽1 = −0.030 , 𝛽2 = 0.002 , sehingga persamaan (4.22) menjadi :
𝑊𝑖 = −0.001 𝐾𝑖 − 0.030 + 0.002𝐿𝑖 + 𝑣𝑖
𝑌 𝑖
𝑋𝑖= −0.001
1
𝑋𝑖− 0.030 + 0.002
𝑋2𝑖
𝑋𝑖 (4.26)
Dari perhitungan juga diperoleh nilai 𝑉𝐼𝐹1 = 7.633 < 10 dan 𝑉𝐼𝐹3 = 7.633 < 10 ,
yang berarti model regresi di atas bebas dari masalah multikolinieritas. Selanjutnya
dilakukan uji F untuk menjamin kelayakan model regresi.
f. 𝐻0: 𝛽𝑗 = 0
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
124
𝐻1: tidak semua nilai 𝛽 sama dengan nol
g. Dipilih tingkat signifikansi 𝛼 = 0.05
h. Statistik uji : 𝐹 =𝑅2/((𝑘+1)−1)
(1−𝑅2)/(𝑛−(𝑘+1))
𝐹 tabel 𝐹𝛼; 𝑘+1 −1,𝑛−(𝑘+1) = 3.89
i. Hitungan berdasarkan SPSS diperoleh nilai 𝐹 = 11.434
j. Kesimpulan : karena 𝐹 ℎ𝑖𝑡𝑢𝑛𝑔 > 3.89 maka 𝐻0: 𝛽𝑗 = 0 di tolak , yang berarti
secara simultan, variabel bebas mempengaruhi Y.
5. Penambahan data baru atau pengadaan data baru
Karena problem multikolinieritas merupakan cirri-ciri dari sebuah sampel, ada
kemungkinan sampel lain melibatkan variabel kolinier yang sama dengan
kemungkinan permasalahan yang tidak serius seperti pada sampel yang pertama.
Salah satu solusi untuk mengatasi masalah multikolinieritas adalah dengan
menambah data baru atau meningkatkan ukuran sampel.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
125
BAB V
KESIMPULAN
Multikolinieritas merupakan salah satu pelanggaran asumsi di mana vektor-
vektor kolom dari matriks 𝑿 yaitu 𝑋1,𝑋2 ,… ,𝑋𝑛 saling tak bebas linier. Atau dengan
kata lain variabel-variabel bebas di dalam model regresi berhubungan secara linier.
Multikolinieritas itu sendiri terbagi dua, yaitu multikolinieritas sempurna dan
multikolinieritas tidak sempurna. Multikolinieritas sempurna adalah suatu kondisi di
mana variabel-variabel bebas berkorelasi secara sempurna, dengan kondisi sebagai
berikut:
𝝀1𝑋1 + 𝝀2𝑋2 + 𝝀3𝑋3 +⋯+ 𝝀𝑘𝑋𝑘 = 0
Sedangkan multikolinieritas tidak sempurna adalah suatu kondisi di mana variabel-
variabel bebas berkorelasi tetapi tidak secara sempurna, dengan kondisi sebagai
berikut:
𝝀1𝑋1 + 𝝀2𝑋2 +⋯+ 𝝀𝑘 + 𝑣𝑖 = 0
Di mana 𝑣 merupakan variabel gangguan.
Konsekuensi-konsekuensi yang muncul karena adanya multikolinieritas
adalah, jika multikolinieritas sempurna, maka penduga parameter-parameter tidak
dapat ditentukan, jika multikolinieritas tidak sempurna, maka penduga parameter-
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
126
parameter regresi masih dapat ditentukan, akan tetapi varians dari data tersebut
menjadi sangat besar, akibatnya standar error juga menjadi sangat besar. Dengan
standar error yang besar, menandakan tingkat keakuratan dalam pendugaan
parameter-parameter regresi sangat rendah.
Cara-cara mendeteksi adanya multikolinieritas yaitu dengan memeriksa nilai
t dan nilai F. Apabila nilai t sangat rendah maka peluang untuk menerima hipotesis
nol yang menyatakan bahwa nilai parameter = 0 , sangat tinggi. Akan tetapi nilai F
tinggi, maka peluang untuk menolak hipotesis nol yang menyatakan nilai parameter 𝛽
secara bersamaan sama dengan nol sangat tinggi. Dari dua hal ini, secara individu
nilai parameter = 0 , akan tetapi secara bersama nilai parameter 𝛽 ≠ 0 , menandakan
adanya masalah multikolinieritas di dalam regresi. Selain memeriksa nilai i dan nilai
F , juga dengan memeriksa nilai VIF, yang secara matematis dinyatakan sebagai
berikut:
𝑉𝐼𝐹 =1
1−𝑟𝑖𝑗2
Di mana 𝑟 adalah koefisien korelasi, yang dinyatakan dengan persamaan matematik:
𝑟 =( 𝑥𝑖 𝑦𝑖 )
𝑥𝑖2 𝑦𝑖2
Langkah – langkah perbaikan dalam menanggulangi masalah
multikolinieritas di antaranya adalah dengan informasi apriori, menggabungkan data
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
127
cross section dengan data time series , menghilangkan variabel yang berkolinier, dan
transformasi variabel.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
128
DAFTAR PUSTAKA
Suharjo, Bambang. 2008. Analisis Regresi Terapan dengan SPSS. Yogyakarta: Graha
Ilmu.
Walpole, E., Ronald, dan Myers, H., Raymond. 1995. Ilmu Peluang dan Statistika untuk
Insinyur dan Ilmuwan. Bandung: ITB.
M.A., Supranto, J., 2001. Statistik. Jakarta: Erlangga.
Walpole, E., Ronald. 1995. Pengantar Statistika. Jakarta: PT Gramedia Pustaka Utama.
Spiegel, R., Munray, Schiller, John, dan Srinivasan, Alu, R.. 2004. Probabilitas dan
Statistik. Jakarta: Erlangga.
Sunyoto, Danang. 2010. Uji khi Kuadrat dan Regresi. Yogyakarta: Graha Ilmu.
Anton, Howard. 2000. Dasar-dasar Aljabar Linier. Batam: Interaksara.
Sumodiningrat, Gunawan. 2012. Ekonometrika Pengantar. Yogyakarta: UGM.
JR., Ayers, Frank. 1984. Matriks. Bandung: Erlangga.
Gujarati, N., Damodar, dan Porter, C., Dawn. 2012. Dasar-dasar Ekonometrika. Jakarta:
Salemba Empat.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
129
LAMPIRAN
Lampiran 1
Langkah – langkah uji multikolinieritas dengan SPSSv.16
1. Buka file yang akan dianalisis, kemudian pilih : Analyze – Regression – Linear –
pengisian
2. Pengisian :
a) Variabel Dependent : Masukan variabel terikat
b) Variabel Independent : Masukan variabel bebas
c) Klik Statistic : pilih Estimates – Model fit – Collinearity diagnostic
d) Klik continue. Klik OK
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
130
Lampiran 2
Contoh 4.1
Uji Multikolinieritas
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 1.532E7 5 3064954.373 6.147 .007a
Residual 4986259.886 10 498625.989
Total 2.031E7 15
a. Predictors: (Constant), X5, X4, X2, X3, X1
b. Dependent Variable: Y
Coefficientsa
Model
Unstandardized
Coefficients
Standardized
Coefficients
t Sig.
Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 2933.906 8172.257 .359 .727
X1 50.538 69.701 1.769 .725 .485 .004 242.517
X2 -103.504 51.147 -6.554 -2.024 .071 .002 427.281
X3 6.116 3.714 3.901 1.647 .131 .004 228.578
X4 -105.979 151.943 -.241 -.697 .501 .206 4.848
X5 .124 .123 .985 1.009 .337 .026 38.788
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
131
Coefficientsa
Model
Unstandardized
Coefficients
Standardized
Coefficients
t Sig.
Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 2933.906 8172.257 .359 .727
X1 50.538 69.701 1.769 .725 .485 .004 242.517
X2 -103.504 51.147 -6.554 -2.024 .071 .002 427.281
X3 6.116 3.714 3.901 1.647 .131 .004 228.578
X4 -105.979 151.943 -.241 -.697 .501 .206 4.848
X5 .124 .123 .985 1.009 .337 .026 38.788
a. Dependent Variable: Y
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
132
Lampiran 3
Contoh 4.3 dan Contoh 4.4
Uji Multikolinieritas
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 4096.604 2 2048.302 53.422 .000a
Residual 421.760 11 38.342
Total 4518.364 13
a. Predictors: (Constant), X3, X2
b. Dependent Variable: Y
Coefficientsa
Model
Unstandardized
Coefficients
Standardized
Coefficients
t Sig.
Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 17.690 6.943 2.548 .027
X2 2.185 .359 .831 6.095 .000 .457 2.190
X3 1.410 1.227 .157 1.149 .275 .457 2.190
a. Dependent Variable: Y
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
133
Lampiran 4
Hasil Perbaikan contoh 4.3
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 3928.895 1 3928.895 79.982 .000a
Residual 589.469 12 49.122
Total 4518.364 13
a. Predictors: (Constant), Z
b. Dependent Variable: Y
Coefficientsa
Model
Unstandardized
Coefficients
Standardized
Coefficients
t Sig.
Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 22.584 7.455 3.029 .010
Z .693 .077 .932 8.943 .000 1.000 1.000
a. Dependent Variable: Y
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
134
Lampiran 5
Hasil Perbaikan contoh 4.4
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 4096.604 2 2048.302 53.422 .000a
Residual 421.760 11 38.342
Total 4518.364 13
a. Predictors: (Constant), X3, X2
b. Dependent Variable: Y
Coefficientsa
Model
Unstandardized
Coefficients
Standardized
Coefficients
t Sig.
Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 17.690 6.943 2.548 .027
X2 2.185 .359 .831 6.095 .000 .457 2.190
X3 1.410 1.227 .157 1.149 .275 .457 2.190
a. Dependent Variable: Y
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
135
Lampiran 6
Contoh 4.5 dan contoh 4.7
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 828144.478 2 414072.239 2.514E3 .000a
Residual 1976.855 12 164.738
Total 830121.333 14
a. Predictors: (Constant), X2, X1
b. Dependent Variable: Y
Coefficientsa
Model
Unstandardized
Coefficients
Standardized
Coefficients
t Sig.
Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 300.286 78.318 3.834 .002
X1 .742 .048 .855 15.610 .000 .066 15.130
X2 8.044 2.984 .148 2.696 .019 .066 15.130
a. Dependent Variable: Y
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
136
Lampiran 7
Hasil perbaikan contoh 4.5
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression 13183.425 1 13183.425 33.068 .000a
Residual 4784.075 12 398.673
Total 17967.500 13
a. Predictors: (Constant), X1
b. Dependent Variable: Y
Coefficientsa
Model
Unstandardized
Coefficients
Standardized
Coefficients
t Sig.
Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) 2.645 9.308 .284 .781
X1 .812 .141 .857 5.751 .000 1.000 1.000
a. Dependent Variable: Y
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
137
Lampiran 8
Hasil perbaikan contoh 4.7
ANOVAb
Model Sum of Squares df Mean Square F Sig.
1 Regression .001 2 .000 11.434 .002a
Residual .000 12 .000
Total .001 14
a. Predictors: (Constant), Li, Ki
b. Dependent Variable: Wi
Coefficientsa
Model
Unstandardized
Coefficients
Standardized
Coefficients
t Sig.
Collinearity Statistics
B Std. Error Beta Tolerance VIF
1 (Constant) .744 .042 17.684 .000
Ki 296.258 69.946 1.982 4.236 .001 .131 7.633
Li 8.023 2.551 1.471 3.145 .008 .131 7.633
a. Dependent Variable: Wi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI