Saturday, May 4, 2013

Financial Statistics: Analisis Regresi

Financial Statistic, Analisis Regresi, Statistik Keuangan, Tahapan analisis persamaan regresi, Cara regresi pada Eviews, OLS Ordinary Least Square Analisis, Uji Normalitas, Uji Multikolinieritas, Uji Heteroskedastisitas, Uji Otokorelasiinancial Statistics: Minitab, Excel, E-Views, demikian nama diklat yang saya ikuti pada tanggal 8 s.d. 12 April 2013 yang diselenggarakan oleh Pusdiklat Keuangan Umum, BPPK. Analisis regresi dan statistika dasar merupakah dua materi yang dipelajari pada hari pertama diklat dan disampaikan oleh Dr. Khamami Herusantoso.

Jika dalam analisis korelasi kita mencoba mencari tahu arah dan seberapa kuat hubungan antar variabel yang diamati, dalam analisis regresi kita akan mencoba mencari tahu seberapa besar perubahan yang terjadi pada variabel dependen yang diakibatkan oleh perubahan yang terjadi pada variable independen-nya. Jika hanya terdapat satu variabel independen, disebut analisis regresi sederhana. Jika terdapat beberapa variabel independen, analisisnya disebut dengan analisis regresi berganda. Secara matematis, persamaan regresi linier dapat ditulis sebagai berikut:
Regresi linier sederhana: Y = a + b1X1 + e

Regresi linier berganda: Y = a + b1X1 + b2X2 + .... + e
Dari persamaan di atas dapat dikatakan bahwa, setiap perubahan satu satuan pada variabel independen (X1) akan mengakibatkan perubahan variabel dependen (Y) sebesar b1. Dimana e adalah standar eror yang mewakili variabel-varibel lain yang mempengaruhi Y, namun tidak terwakili di dalam model.

Setelah pengolahan data dilakukan (baik itu dengan menggunakan software Minitab, E-views, SPSS atau Microsoft Excel), membaca output dari pengolahan data adalah hal yang sangat penting karena berkaitan erat dengan justifikasi seberapa baik persamaan regresi yang kita bangun untuk dijadikan model sebagai alat prediksi. Berikut adalah beberapa hal yang dapat dijadikan pertimbangan dalam memilih model regresi terbaik yang dibentuk, yaitu:
  1. Koefisien Determinasi (Goodness of Fit) yang dinotasikan dengan R2. Koefisien ini menunjukan seberapa besar variasi dari variabel dependen dapat diterangkan oleh variabel independen. Jika nilai koefisien determinasi semakin mendekati angka 1, berarti semakin besar kemampuan variabel independen menjelaskan variabel dependennya. Namun menurut Winarno (2009), salah satu masalah dalam penggunaan Radalah bias terhadap jumlah variabel independen yang ditambahkan ke dalam model. Untuk menghindari kesalahan, dianjurkan untuk melihat pula nilai adjusted R2 dalam mengevaluasi pemilihan model terbaik.
  2. Adjusted R2 dikembangkan oleh Henry Theil untuk mengatas kelemahan point 1 di atas. Penambahan variabel independen dalam suatu model akan memperkecil nilai adjusted R2. Semakin besar nilai adjusted Rsemakin baik model yang dibangun.
  3. Akaike Information Criterion (AIC), dikembangkan oleh ahli statistik Jepang Prof. Hirotugu Akaike pada tahun 1974 untuk menguji kecocokan suatu model. Semakin kecil nilai AIC, semakin baik kualitas suatu model.
  4. Schwarz Information Criterion (SIC), sama halnya dengan AIC, semakin kecil nilai SIC semakin baik pula model yang dibangun.
Namun perlu diingat bahwa dalam analisis regresi (dikenal juga dengan istilah Ordinary Least Square Analysis) terdapat beberapa asumsi klasik yang harus dipenuhi agar nilai penduga koefisien regresi yang dihasilkan bersifat Best Linier Unbiased Estimate (BLUE). Pemenuhan asumsi klasik tersebut dapat dilakukan melalui Uji Normalitas, Uji Multikolinieritas, Uji Heteroskedastisitas, dan Uji Otokorelasi.

***to be continued***

 
© 2008 GandhiAnwar.Com. All rights reserved. Powered by Gandhi Anwar