Tugas Mkb Pertama

Oleh Nduk Ncus

317,9 KB 30 tayangan 0 unduhan
 
Bagikan artikel

Transkrip Tugas Mkb Pertama

Nama : Kusmaria NRP : H351130271 1. Soal nomor 3.23 Table 3.8 gives data on gross domestic product (GDP) for the United States for the years 1959–1997. Jawaban : a. Plot the GDP data in current and constant (i.e., 1992) dollars against time. - Plot data RGDP dan NGDP terhadap waktu 9,000 8,000 7,000 6,000 5,000 4,000 3,000 2,000 1,000 0 1960 1965 1970 1975 NGDP01 1980 1985 RGDP01 1990 1995 - Plot data diferensial NGDP terhadap waktu 9,000 8,000 7,000 6,000 N GDP 5,000 4,000 3,000 2,000 1,000 0 1,950 1,960 1,970 1,980 1,990 2,000 - Plot data diferensial RGDP terhadap waktu YEAR 8,000 7,000 RGDP 6,000 5,000 4,000 3,000 2,000 1,950 1,960 1,970 1,980 YEAR 1,990 2,000 b. Letting Y denote GDP and X time (measured chronologically starting with 1 for 1959, 2 for 1960, through 39 for 1997), see if the following model fits the GDP data: Yt = β1 + β2 Xt + ut Estimate this model for both current and constant-dollar GDP. Jawaban : - Estimasi model regresi RGDP terhadap waktu Dependent Variable: RGDP Method: Least Squares Sample: 1 39 Included observations: 39 Variable Coefficient Std. Error t-Statistic Prob. YEAR C 128.7820 1907.715 1.966646 45.13298 65.48306 42.26875 0.0000 0.0000 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.991445 0.991214 138.2259 706937.3 -246.5387 4288.031 0.000000 RGDP - Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat 4483.354 1474.662 12.74558 12.83089 12.77619 0.470276 = 1907.715 + 128.782 Xt Estimasi model regresi NGDP terhadap waktu Dependent Variable: NGDP Method: Least Squares Sample: 1 39 Included observations: 39 Variable Coefficient Std. Error t-Statistic Prob. YEAR C 201.9772 -986.3317 9.267489 212.6816 21.79417 -4.637597 0.0000 0.0000 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.927732 0.925779 651.3667 15698308 -306.9959 474.9858 0.000000 NGDP c. How would you interpret β2? Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat = -986.3317 + 201.9772 Xt 3053.213 2390.907 15.84594 15.93125 15.87655 0.040102 Interpretasi β2 pada estimasi RGDP terhadap waktu memiliki koefisien kemiringan sekitar 128,782 menunjukkan tambahan 1 tahun masa periode maka RGDP akan meningkat sebesar 128,782 miliar dollar. - Interpretasi β2 pada estimasi NGDP terhadap waktu memiliki koefisien kemiringan 201,9772 menunjukkan tambahan 1 tahun masa periode maka terjadi peningkatan NGDP sebesar 201,9772 miliar dollar. d. If there is a difference between β2 estimated for current-dollar GDP and that estimated for constant-dollar GDP, what explains the difference? Ada tidaknya perbedaan signifikansi (signifikan atau tidak) β2 ( koefisien waktu) pada NGDP dan RGDP hal ini dilihat dari nilai t- statistic. Dari hasil analisis diatas tstatistic β2 RGDP dan NGDP menunjukkan (t-statistic > t- Tabel) yaitu β2 pada RGDP (65,48 > 1,684) dan β2 pada NGDP (21,79 > 1,684) yang artinya waktu memiliki pengaruh yang signifikan terhadap NGDP maupun RGDP pada taraf nyata 5%. Berdasarkan model estimasi RGDP dan NGDP disimpulkan bahwa pengaruh waktu berdasarkan koefisien β2 signifikan terhadap NGDP dan RGDP dengan nilai – p mendekati nol. e. From your results what can you say about the nature of inflation in the United States over the sample period? Berdasarkan teori ekonomi adanya peningkatan inflasi dari tahun ke tahun akan menyebabkan peningkatan GDP suatu negara. Dari hasil persamaan estimasi diatas menunjukkan peningkatan inflasi di US dipengaruhi oleh waktu. Peningkatan inflasi 1 persen akan meningkatkan RGDP sebesar 65,48 persen dan meningkatkan NGDP sebesar 21,79 persen. - 2. Soal nomor 5.8 (a) Terdapat hubungan yang positif antara Y = labor force participation rate (LFPR) of women atau Tingkat partisipasi angkatan kerja wanita antara tahun 1972 dan tahun 1968. (b) uji t H0 : β = 1 H1 : β > 1 Uji yang digunakan adalah uji t karena banyak sampel kecil (n = 19) dan ragam tidak diketahui T = β – β0 = 0,6560 – 1 = - 1,754 Se 0,1961 α = 5% n= 19 df= n-1 = 19 – 1= 18 t α (df) = t 0,05 (18) = 1,734 Tolak H0 jika thit > tα  tolak H0 jika thit > 1,734 Karena thit < t α (df) maka terima H0 (tidak berbeda nyata dari satu) Artinya: belum cukup bukti untuk menyatakan bahwa tingkat partisipasi pekerja wanita tahun 1968 berbeda nyata dengan tingkat partisipasi perkerja wanita tahun 1972 naik (dengan kata lain sama) (c) LFPR = 0,2033 + 0,6560 (0,58)≈ 0,5838. Dengan selang kepercayaan 95% ,nilai interval LFPR = 0,5838 ± 2,11. (d) Tanpa aktual data, pertanyaan pada soal 5.8 (d) tidak bisa dijawab, karena dibutuhkan nilai residual untuk menjawab soal dengan menggunakan metode the Jarque-Bera Test. 3. Soal no 5.9 a. Plot data dan garis regresi 45,000 40,000 SALARY 35,000 30,000 25,000 20,000 15,000 2,000 3,000 4,000 5,000 6,000 7,000 8,000 9,000 SPENDING b. Output : Dependent Variable: SALARY Method: Least Squares Date: 03/09/14 Time: 12:29 Sample: 1 51 Included observations: 51 Variable Coefficient Std. Error t-Statistic Prob. SPENDING C 3.307585 12129.37 0.311704 1197.351 10.61129 10.13017 0.0000 0.0000 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.696781 0.690593 2324.779 2.65E+08 -466.6661 112.5995 0.000000 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat Std error spending : 0,311704 R-squared : 0,696781 = 69,68% RSS : 2324.779 ESS : 2.65E+08 c. interpretasi : Y = Salary X = Spending Y = 12129,37 + 3,307585 x + µ 24356.22 4179.426 18.37906 18.45482 18.40801 1.254380 Spending berpengaruh positif terhadap salary. Setiap kenaikan spending $ 1 maka akan meningkatkan salary sebesar $ 3,307585. Salary tetap sebesar $ 12129,37 d. H0 : koefisien variable spending = 3,0 H1 :koefisien variable spending ≠ 3,0 α = 5% (dua ujung) n = 51 t tab = 2,008 t hit = 10.61129 karena t hit > t tabel maka tolak Ho e. Jika x = 5000 MakaY = 12.129,37 + 3,307585 x + µ Y = 12.129,37 + 3,307585 (5000) Y = 28.667,27 f.Normality test 8 Series: Residuals Sample 1 51 Observations 51 7 6 5 4 3 Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis 1.09e-12 -217.5192 5529.342 -3847.976 2301.414 0.499126 2.807557 Jarque-Bera Probability 2.196273 0.333492 2 1 0 -4000 -3000 -2000 -1000 0 1000 2000 3000 4000 5000 6000 Untuk mendeteksi apakah residualnya berdistribusi normal atau tidak dengan membandingkan nilai JarqueBera (JB) dengan X2 tabel, yaitu : 2 a.Jika nilai JB > X tabel, maka residualnya berdistribusi tidak normal 2 b.Jika nilai JB < X tabel, maka residualnya berdistribusi normal X2 tabel yang disesuaikan dengan jumlah lagnya (V) =2 dan 5% adalah sebesar 5,99%. Analisis hasil output, bahwa nilai JB sebesar 2,196, karena 2,196 < 5,99 maka dapat disimpulkan bahwa residual berdistribusi normal. 4. Soal no 6.14 From the data given in Table 6.8, verify that the estimated elasticity is 1,3338 and that it is not statistically significantly different from 1. Tabel 6.8 Industry Wheat Flour Sugar Paints and varnishes Cement Glass and glassware Ceramics Plywood Cotton textiles Woolen textiles Jute textiles Chemicals Alumunium Iron and steel Bicycles Sewing machines log (V/L) 3.6973 3.4795 4.0004 3.6609 3.2321 3.3418 3.4308 3.3158 3.5062 3.2352 3.8823 3.7309 3.7716 3.6601 3.7554 log W 2.9617 2.8532 3.1158 3.0371 2.8727 2.9745 2.8287 3.0888 3.0086 2.9680 3.0909 3.0881 3.2256 3.1025 3.1354 Answer: Hasil Output: Dependent Variable: LOG__V_L_ Method: Least Squares Date: 03/09/14 Time: 10:46 Sample: 1 15 Included observations: 15 Variable Coefficient Std. Error t-Statistic Prob. C LOG_W -0.452600 1.333785 1.351478 0.446706 -0.334892 2.985821 0.7430 0.0105 R-squared Adjusted Rsquared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.406802 Mean dependent var 3.580020 0.361172 S.D. dependent var 0.237450 0.189786 Akaike info criterion -0.362270 0.468245 Schwarz criterion 4.717025 Hannan-Quinn criter. 8.915129 Durbin-Watson stat 0.010522 -0.267863 -0.363276 1.803048 Uji Hipotesis:  Ho: β = 1  H1 : β ≠ 1  Tingkat signifikansi (α) = 5%  n = 15, k= 1, df = n-k-1 = 15-1-1 =13 Ttabel Two Tailed Table = 0,05: 2 = 0,025 Ttabel (0,025 , 13) = Tolak Ho jika T hitung jatuh pada wilayah kritis ≤ -2,650 dan wilayah kritis ≥ 2,650  = -0,7484  Karena Thitung > Ttabel (-0,7484 > -2,650) maka Tidak Tolak Ho (secara statistik tidak berbeda nyata dari 1). Berdasarkan hasil uji hipotesis maka pernyataan estimated elasticity = 1,3338 dan secara statistical tidak berbeda nyata dari 1, maka pernyataan tersebut benar. 5. Soal no 6.15 Diketahui: Y = GDP Deflator for Domestic Goods X = GDP Deflator for Imports 1968 1969 GDP deflator for domestic goods, Y 1000 1023 GDP deflator for imports, X 1000 1042 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1040 1087 1146 1285 1485 1521 1543 1567 1592 1714 1841 1959 2033 1092 1105 1110 1257 1749 1770 1889 1974 2015 2260 2621 2777 2735 Year Untuk menganalisis hubungan antara harga domestik dan harga dunia, diberikan model di bawah ini: 1. Yt = a1 + a2Xt + ut 2. Yt = b2Xt + ut Ditanya: a. Bagaimana Anda menentukan model terbaik diantara kedua model tersebut? b. Olahlah data sesuai dengan model dan tentukan model mana yang terbaik? c. Adakah model lain yang mungkin sesuai untuk data tersebut? Jawab: a. Untuk menentukan model mana yang akan dipilih, maka dilakukan pengolahan data terlebih dahulu sesuai dengan model yang diminta. Hasil olahan data dievaluasi sesuai dengan kriteria yang memenuhi model terbaik. Adapun kriteria model terbaik yang dimaksud adalah sebagai berikut: 1. Koefisien Determinasi (R2) : Semakin tinggi nilai R2 artinya keragaan data variabel dependent dapat dijelaskan oleh variabel independennya. 2. Signifikansi Model : Model yang diuji harus signifikan. Signifikansi model dapat dilihat melalui uji F. 3. Signifikansi variabel : Variabel independent yang dimasukkan dalam model setidaknya ada satu yang variabel yang berpengaruh signifikan. Signifikansi variabel dapat dilihat melalui uji T pada setiap variabel. b. Hasil pengolahan data pada model 1 dan 2 dengan menggunakan EViews ver 7 diperoleh output sebagai berikut: Model 1. Yt = a1 + a2Xt + ut Dependent Variable: Y Method: Least Squares Date: 03/09/14 Time: 11:49 Sample: 1968 1982 Included observations: 15 Variable Coefficient Std. Error t-Statistic Prob. C X 516.0898 0.533969 40.56311 0.021745 12.72313 24.55642 0.0000 0.0000 R-squared Adjusted Rsquared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.978897 Mean dependent var 1455.733 0.977273 S.D. dependent var 52.13170 Akaike info criterion 345.8076 10.86899 35330.29 Schwarz criterion -79.51742 Hannan-Quinn criter. 603.0180 Durbin-Watson stat 0.000000 10.96340 10.86798 0.854173 Model 2. Yt = b2Xt + ut Dependent Variable: Y Method: Least Squares Date: 03/09/14 Time: 11:51 Sample: 1968 1982 Included observations: 15 Variable Coefficient Std. Error t-Statistic Prob. X 0.794952 0.025502 31.17174 0.0000 R-squared Adjusted Rsquared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.716115 Mean dependent var 1455.733 0.716115 S.D. dependent var 184.2492 Akaike info criterion 345.8076 13.33480 475268.7 Schwarz criterion -99.01097 Hannan-Quinn criter. 13.38200 13.33429 0.193719 1. Model Yt = a1 + a2Xt + ut R2 0.978897 Model Signifikan (P value < α:5%) 2. Yt = b2Xt + ut 0.716115 NA Variabel Signifikan (P value < α:5%) Signifikan (P value < α:5%) Berdasarkan hasil output maka dapat disimpulkan bahwa model 1 lebih baik dibandingkan dengan model 2 karena memenuhi kriteria model terbaik. 3. Terdapat model lain yang sesuai dengan data tersebut yakni: a. Log Yt = Log c1 + Log c2Xt + ut. Dengan menggunakan model Log tersebut maka didapatkan output sebagai berikut: Dependent Variable: LOG(Y) Method: Least Squares Date: 03/09/14 Time: 11:52 Sample: 1968 1982 Included observations: 15 Variable Coefficient Std. Error t-Statistic Prob. C LOG(X) 2.493590 0.642829 0.181777 0.024506 13.71784 26.23129 0.0000 0.0000 R-squared Adjusted Rsquared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.981457 Mean dependent var 7.256167 0.980031 S.D. dependent var 0.034331 Akaike info criterion 0.242944 -3.781969 0.015322 Schwarz criterion 30.36477 Hannan-Quinn criter. 688.0806 Durbin-Watson stat 0.000000 -3.687562 -3.782974 0.938864 b. Log Yt = c1 + c2Xt + ut. Dengan menggunakan model semi Log tersebut maka didapatkan output sebagai berikut: Dependent Variable: LOG(Y) Method: Least Squares Date: 03/09/14 Time: 13:19 Sample: 1968 1982 Included observations: 15 Variable Coefficient Std. Error t-Statistic Prob. C X 6.603887 0.000371 0.041276 2.21E-05 159.9932 16.75208 0.0000 0.0000 R-squared Adjusted R- 0.955727 Mean dependent var 0.952321 S.D. dependent var 7.256167 0.242944 squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.053048 Akaike info criterion -2.911674 0.036583 Schwarz criterion 23.83756 Hannan-Quinn criter. 280.6324 Durbin-Watson stat 0.000000 -2.817268 -2.912680 0.481045 c. Yt = c1 + Log c2Xt + ut. Dengan menggunakan model semi Log tersebut maka didapatkan output sebagai berikut: Dependent Variable: Y Method: Least Squares Date: 03/09/14 Time: 13:19 Sample: 1968 1982 Included observations: 15 Variable Coefficient Std. Error t-Statistic Prob. C LOG(X) -5317.963 914.2804 269.3675 36.31466 -19.74240 25.17662 0.0000 0.0000 R-squared Adjusted Rsquared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.979903 Mean dependent var 1455.733 0.978357 S.D. dependent var 50.87363 Akaike info criterion 345.8076 10.82013 33645.64 Schwarz criterion -79.15099 Hannan-Quinn criter. 633.8621 Durbin-Watson stat 0.000000 10.91454 10.81913 0.919075 Berdasarkan hasil output di atas, maka ketiga model tersebut memenuhi kriteria model terbaik. Jika dibandingkan antara ketiganya maka model Log merupakan model terbaik. 6. Soal no7.19 a. Model 2. Dari nilai Adjusted R Square menunjukkan nilai sebesar 0,978590 = 97,8%. Artinya bahwa variabel Y (konsumsi ayam per kapita) dipengaruh sebesar 97,8% oleh pendapatan (X2), harga ayam (X3) dan harga babi (X4) sedangkan sisanya 2,2% dipengaruhi oleh variabel lain di luar pendapatan, harga ayam dan harga babi. b. Koef Ln X2 = 0,405924 Koef Ln X3 = -0,438825 Setiap kenaikan pendapatan (X2) sebesar satu satuan ($) maka konsumsi ayam per kapita diduga akan naik 0,405924 Setiap kenaikan harga ayam (X3) sebesar satu satuan ($) maka konsumsi ayam per kapita diduga akan turun 0,438825 Perbedaan antara spesifikasi (2) dengan spesikasi (4) adalah pada spesifikasi (2) hanya terdapat 1 barang subsitusi yakni daging babi saja. Sedangkan pada spesifikasi (4) melibatkan 2 jenis barang subsitusi yakni daging babi dan daging sapi. Pada spesifikasi (2) dapat diketahui variable disposable income (X2)dan variable harga ayam memiliki nilai probability < 0.05 menunjukan bahwa variable tersebut memberikan pengaruh nyata terhadap konsumsi ayam perkapita (Y). Namun untuk variable harga daging babi (X3) tidak memberikan pengaruh nyata terhadap konsumsi ayam perkapita (Y) karena nilai p>0.05 (0.2395). Pada spesifikasi (4) dapat diketahui variable disposable income (X2)dan variable harga ayam memiliki nilai probability < 0.05 menunjukan bahwa variable tersebut memberikan pengaruh nyata terhadap konsumsi ayam perkapita (Y). Namun untuk variable harga daging babi (X3) dan daging sapi (X4) tidak memberikan pengaruh nyata terhadap konsumsi ayam perkapita (Y). c. Untuk uji t maka mengikuti persyaratan berikut. Sig < 5%  signif Prob < 5%  signif Artinya kita harus fokus pada harga barang subtitusi, yaitu babi dan daging 0,1535 > 0,05  secara parsial variabel harga babi (X4) tidak berpengaruh terhadap konsumsi ayam per kapita 0,3776 > 0,05  secara parsial variabel harga daging (X5) tidak berpengaruh terhadap konsumsi ayam per kapita Maka dari itu, kedua harga harus dirata-ratakan sebagai harga subtitusi agar fungsi permintaan signifikan. e. Lebih memilih fungsi (5) karena menggunakan harga subtitusi, meskipun variabel harga rata-rata babi dan daging tidak berpengaruh signifikan, namun durbin-watson lebih besar yaitu 1,910653 dimana terjadi korelasi yang kuat (hampir sempurna) antar variabel bebas. f. Pada fungsi (4) ketika harga ayam naik, maka harga babi dan daging diduga akan turun (dilihat dari koefisien). Begitu juga sebaliknya. Pada fungsi (5) ketika harga ayam naik, maka harga rata-rata babi dan daging diguga akan naik juga (dilihat dari koefisien). Begitu juga sebaliknya. g. Berdasarkan tabel di atas diperoleh angka R2 (R Square) sebesar 0,980303 atau (98%). Hal ini menunjukkan bahwa prosentase sumbangan pengaruh variabel independen (pendapatan, harga ayam serta harga rata-rata babi dan daging) terhadap variabel dependen (konsumsi ayam per kapita) sebesar 98%. Atau variasi variabel independen yang digunakan dalam model (pendapatan, harga ayam serta harga rata-rata babi dan daging) mampu menjelaskan sebesar 98% variasi variabel dependen (konsumsi ayam per kapita). Sedangkan sisanya sebesar 2% dipengaruhi atau dijelaskan oleh variabel lain yang tidak dimasukkan dalam model 5. Adjusted R Square adalah nilai R Square yang telah disesuaikan, nilai ini selalu lebih kecil dari R Square dan angka ini bisa memiliki harga negatif. Menurut Santoso (2001) bahwa untuk regresi dengan lebih dari dua variabel bebas digunakan Adjusted R2 sebagai koefisien determinasi. Dari nilai Adjusted R Square menunjukkan nilai sebesar 0,977193 = 97,7%. Artinya bahwa variabel Y (konsumsi ayam per kapita) dipengaruh sebesar 97,7% oleh pendapatan (X2), harga ayam (X3) dan harga subtitusi (X6) sedangkan sisanya 2,3% dipengaruhi oleh variabel lain di luar pendapatan, harga ayam dan harga subtitusi. Standard Error of the Estimate adalah suatu ukuran banyaknya kesalahan model regresi dalam memprediksikan nilai Y. Dari hasil regresi di dapat nilai 0,028340 (satuan lb), hal ini berarti banyaknya kesalahan dalam prediksi konsumsi ayam per kapita sebesar 0,028340. Sebagai pedoman jika Standard error of the estimate kurang dari standar deviasi Y, maka model regresi semakin baik dalam memprediksi nilai Y. 7. Soal 8.13 Hasil regresi: Log C = 4,30 – 1,34 log P + 0,17 log Y Se = (0,91) (0,32) (0,20) R2 = 0,27 Dimana C = konsumsi rokok/tahun P = harga real rokok/pak Y = GDP real Pertanyaan : a. Apakah elastisitas permintaan rokok berpengaruh terhadap harga? Ed = = -1,34 . = -1,32 . = -4,18 Ed dimutlakan menjadi 4,18, Ed > 1 berarti elastis yang artinya ketika harga rokok naik maka jumlah permintaan rokok akan turun. Hitungan secara statistik brdasarkan model persamaan Log C = 4,30 – 1,34 log P + 0,17 logY Mencairi t hitung (pengaruh harga rokok secara individu terhadap permintaan rokok): T hitung = = = 4,1875 T tabel dengan tingkat kepercayaan 5 % = 0,679 (Df = 45, karena t hitung > t tabel maka pengaruh harga rokok secara induvidu signifikan terhadap permintaan rokok, yang artinya ketika harga rokok naik Rp.1 maka permintaan rokok turun 1,34 pack) Jadi, perhitungan antara matematika ekonomi dengan signifikasi statistik hasilnya sama. Yaitu ketika harga rokok naik maka permintaan rokok akan turun. b. apakah elastisitas pedapatan berpengaruh terhadap permintaan rokok? = = 0,17. = 0,17 . = 0,85 menunjukan elastisitas pedapatan, > 0 berarti inelastis yang artinya jika pendapatan naik maka jumlah permintaan rokok akan naik pula. Hitungan secara statistik brdasarkan model persamaan Log C = 4,30 – 1,34 log P + 0,17 logY Mencairi t hitung (pengaruh harga rokok secara individu terhadap permintaan rokok): T hitung = = = 0,85 T tabel dengan tingkat kepercayaan 5 % = 0,679 (Df = 45, karena t hitung > t tabel maka pengaruh pendapatan secara individu signifikan terhadap permintaan rokok, yang artinya ketika pendapatan naik Rp.1 maka permintaan rokok naik sebesar 0,17 pack). Jadi, perhitungan antara matematika ekonomi dengan signifikasi statistik hasilnya sama. Yaitu ketika pendapatan secara individu naik maka permintaan rokok akan naik pula. c. Bagaimana ketika menggunakan R2 berdasarkan adjusted R2 ? Jika diketahui (Adjusted R square) = 0,27 Dengan n= 46, k = 2 maka mencari R square, dari = 1- ( 1 - ) 0,27 = 1- (1- ) 0,27 = 1- (1- ) 1,0227 0,27 = 1- (1,0227-1,0227 0,27 = -0,0227 + 1,0227 0,2927 = 1,0227 = 0,286 % ) (Adjusted R square) yaitu rumusnya : Jadi (Adjusted R square) digunakan ketika model persamaannya adalah regresi berganda, sedangkan digunakan ketika regresi sederhana. Nilai = 0,286 % artinya bahwa 28,6% Konsumsi Rokok perpack/tahun di United states tahun 1996 dipengaruhi oleh faktor harga real perpack , dan pendapatan real percapita. Sedangkan 71,4 % karena faktor-faktor lain yang tidak dapat dijelaskan dalam persamaan regresi tersebut. (Adjusted R square) adalah nilai R square yang telah disesuaikan, nilai ini selalu lebih kecil dari R square. 8. Soal 8.14 From a sample of 209 firm, Wooldridge obtained the following regression results : Log (salary) = 4.32 + 0.280 log (sales) + 0.0174 roe + 0.00024 ros Se = (0.32) (0.035) (0.0041) (0.00054) 2 R = 0.283 JAWAB : Thit = ROS = Sales = =8 ROE = = 4,2439 = 0,4444 a. Interpretasikan regresi tersebut  Jika penjualan naik sebesar Rp 1,- maka salary akan meningkat sebesar 0,280  Jika ROE naik sebesar Rp 1,- maka salary akan meningkat sebesar 0,0174  Jika ROS naik sebesar Rp 1,- maka salary akan meningkat sebesar 0,00024 b. Which of the coefficients are individually statistically significant at the 5% level df = n – k = 209 – 3 = 206 tα/2 = t0,05/2 = t0,025 = 1,96 -α/2 = 0,025 -1,96  Sales : thit = 8 α/2 = 0,025 1,96 ttabel = 1,96 Karena thit > ttabel , thit berada pada wilayah tolak H0, maka menunjukkan bahwa sales berpengaruh segnifikan terhadap salary α/2 = 0,025 1,96  ROE : thit = 4,2439 ttabel = 1,96 Karena thit > ttabel , thit berada pada wilayah tolak H0, maka menunjukkan bahwa ROE berpengaruh segnifikan terhadap salary α/2 = 0,025 1,96  ROS : thit = 0,44 ttabel = 1,96 Karena thit < ttabel , thit berada pada wilayah terima H0, maka menunjukkan bahwa ROS tidak berpengaruh segnifikan terhadap salary α/2 = 0,025 1,96 9. Soal 9.2 Persamaan Regresi Ŷi = 1286 + 104.97X2i − 0.026X3i + 1.20X4i + 0.69X5i − 19.47X6i + 266.06X7i − t = (4.67) (3.70) (−3.80) (0.24) (0.08) (−0.40) (6.94) 118.64X8i − 110.61X9i (−3.04) (−6.14) R2 = 0.383 n = 1543 where Y = X2 = X3 = X4 = X5 = X6 = X7 = X8 = X9 = wife’s annual desired hours of work, calculated as usual hours of work per year plus weeks looking for work after-tax real average hourly earnings of wife husband’s previous year after-tax real annual earnings wife’s age in years years of schooling completed by wife attitude variable, 1 = if respondent felt that it was all right for a woman to work if she desired and her husband agrees, 0 = otherwise attitude variable, 1 = if the respondent’s husband favored his wife’s working, 0 = otherwise number of children less than 6 years of age number of children in age groups 6 to 13 a. Do the signs of the coefficients of the various nondummy regressors make economic sense? Justify your answer. b. How would you interpret the dummy variables, X6 and X7? Are these dummies statistically significant? Since the sample is quite large, you may use the “2-t” rule of thumb to answer the question. c. Why do you think that age and education variables are not significant factors in a woman’s labor force participation decision in this study? Jawab: a. Tanda (+)/(-) tidak menentukan koefisien signifikan atau non signifikan terhadap Y, untuk itu perlu dilakukan uji t terlebih dahulu untuk mengetahuinya. Menentukan t tabel: 1. Uji hipotesis: Ho = µ = 0 (non signifikan) H1 = µ ≠ 0 (signifikan) 2. Wilayah kritis (=0,05) 3. Statistik Uji: (t hitung > t tabel pada saat (+) dan t hitung < t tabel pada saat (-) maka tolak Ho. X2 = t hitung (3,70) > t tabel (1,96)  signifikan X3 = t hitung -3,80 < t tabel -1,96  signifikan X4 = t hitung 0,24 < t tabel 1,96  non signifikan X5 = t hitung 0,08 < t tabel 1.96  non signifikan X8 = t hitung -3,04 < t tabel -1,96  signifikan X9 = t hitung -6,14 < t tabel -1,96  signifikan 4. Kesimpulan Pendapatan istri (X2), (X3), jumlah anak kurang dari 6 tahun (X 8 ), dan jumlah anak dalam kelompok usia 6-13 tahun (X9) signifikan terhadap jam kerja istri (Y). Umur istri (X4) dan pendidikan (X5) non signifikan terhadap jumlah jam kerja istri (Y) pada = 0,05 b. Interpretasi dummy: X6 = Jika responden merasa bahwa itu tidak masalah bagi seorang wanita untuk bekerja jika ia dikehendaki dan suaminya menyetujui, maka akan menurunkan jam kerja istri (Y) sebesar 19,47 satuan. X7= Jika suami responden menghendaki istrinya bekerja maka Y akan meningkat sebesar 266,06 satuan. Statistik uji: X6 = t hitung -0,4 > t tabel - 1,96  non signifikan X7 = t hitung 6,94 > t tabel 1,96  signifikan Kesimpulan : Variabel dummy X6 tidak berpengaruh terhadap Y secara signifikan pada = 5% Variabel dummy X7 berpengaruh nyata terhadap Y secara signifikan pada = 5% Dengan menggunakan (2-t): X6 = t hitung (2+0,4) = 2,4 > t tabel - 1,96  signifikan X7 = t hitung (2-6,94)= - 4,94 < t tabel 1,96  signifikan Kesimpulan: Variabel dummy X6 berpengaruh terhadap Y secara signifikan pada = 5% Variabel dummy X7 berpengaruh terhadap Y secara signifikan pada = 5% c.Variabel Umur dan pendidikan tidak berpengaruh nyata terhadap faktor keputusn partisipasi angkatan kerja wanita karena setelah melakukan uji t diapatkan hasil X 4 dan X5 jatuh pada wilayah terima H0 sehingga tidak signifikan terhadap Y. 10. Soal 9.8 Fungsi yang diestimasi oleh R. J. Miller mengenai curahan waktu tenaga kerja oleh FDI pada 91 bank: ln Y = 2.41 + 0.3674 ln X1 + 0.2217 ln X2 + 0.0803 ln X3 - 0.1755D1 + 0.2799D2 + 0.5634D3 – 0.2572D4 (0.0628) (0.0628) (0.0287) (0.2905) (0.1044) (0.1657) (0.0787) R2 = 0.766 Dimana Y = jam kerja perusahaan FDI X1 = aset total bank X2 = total jumlah kantor di bank X3 = rasio klasifikasi pinjaman untuk total pinjaman pada bank D1 = 1 jika rating manajemen “baik” D2 = 1 jika rating manajemen “ adil” D3 = 1 jika rating manajemen “memuaskan” D4 = 1 jika pemeriksaan dilakukan bersama-bersama dengan negara Jawab: t hit = t hit X1= = 7,7 t hit X2= = 3,5 t hit X3= = 2,79 t hit D1= = 0,6 t hit D2= = 2,6 t hit D3= = 3,4 t hit D4= = 3,2 T tabel = Df = n-k = 91-7 = 84 t tabel (α:df) (0,025: 84) = 0,678 a. Interpretasi X1 = Jika aset bank naik 1% maka diduga rata-rata jam kerja perusahaan FDI akan naik sebesar 36,7%, ceteris paribus. X2 = Jika jumlah kantor di bank bertambah 1% maka rata-rata jam kerja perusahaan FDI akan naik sebesar 22,17%, ceteris paribus. X3 = Jika rasio klasifikasi pinjaman untuk total pinjaman pada bank bertambah 1% maka jam kerja perusahaan FDI naik sebesar 8,03% b. Dalam menginterpretasikan model diatas terdapat masalah karena Model Log-Log ini tidak dapat dibentuk dari data dummy yang mempunyai nilai = 0 karena Ln(0) = ≈ c. Cara menginterpretasikan koefisien dummy adalah o D1= Rata-rata jika rating manajemen “baik” maka akan lebih rendah jam kerja perusahaan FDI sebesar 17,55 %, ceteris paribus. o D2 = Rata-rata jika rating manajemen “adil” maka akan lebih tinggi jam kerja perusahaan FDI sebesar 27,99 % , ceteris paribus. o D3 = Rata-rata jika rating manajemen “memuaskan” maka akan lebih tinggi jam kerja perusahaan FDI sebesar 56,34% , ceteris paribus. o D4 = Jika rating manajemen “adil” maka akan lebih rendah jam kerja perusahaan FDI sebesar 25,72 % , ceteris paribus.

Judul: Tugas Mkb Pertama

Oleh: Nduk Ncus


Ikuti kami