Laporan Praktikum Analisis Regresi Terapan Modul VI-Regresi Logistik
Bentuk Alternatif Model Regresi
description
Transcript of Bentuk Alternatif Model Regresi
-
Written by: Rangga Handika
Bentuk Alternatif Model Regresi
1. Persamaan Polinomial (Suku Banyak)
Salah satu variasi dalam model regresi adalah model regresi persamaan polynomial
(suku banyak). Terkadang hubungan antara dependent variable dengan independent
variable(s) tidak cukup dijelaskan dengan hubungan linear biasa tetapi memerlukan
hubungan pangkat dua (kuadrat) atau bahkan lebih.
Contoh pada model regresi sederhana (5.2) sebelumnya:
(5.2)
Ketika hubungan antara return saham BNI dengan return IHSG menjadi suku banyak
menjadi sebagai berikut:
(7.1)
Maka model regresi (7.1) merupakan model regresi dengan persamaan polinomial.
Perintah R:
data
-
Written by: Rangga Handika
lm_7_1 |t|)
(Intercept) -0.0001248 0.0004587 -0.272 0.786
RIHSG$IHSGReturn 1.0748889 0.0371843 28.907 < 2e-16 ***
I(RIHSG$IHSGReturn^2) 0.1130111 0.7742737 0.146 0.884
I(RIHSG$IHSGReturn^3) 61.8338674 11.8398351 5.223 1.92e-07 ***
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 0.02102 on 2379 degrees of freedom
(92 observations deleted due to missingness)
Multiple R-squared: 0.4159, Adjusted R-squared: 0.4151
F-statistic: 564.6 on 3 and 2379 DF, p-value: < 2.2e-16
interpretasi:
Residuals merupakan nilai residu (error) dengan rentang nilai minimal, kuartil pertama, median (kuartil kedua), kuartil ketiga dan maksimal.
Coefficients merupakan angka koefisien hasil estimasi OLS parameter (intercept), 1 (variabel return IHSG RIHSG$IHSGReturn), 2 (variabel return IHSG pangkat dua), dan 3 (variabel return IHSG pangkat tiga). Angka koefisiennya tercatat pada kolom Estimate, beserta nilai standard error ada kolom Std. Error, nilai t-statistic pada kolom t-value dan nilai p-value pada kolom Pr(>|t|). Pada output tersebut, nilai estimasi OLS parameter adalah negatif dan sangat kecil (mendekati nol) tetapi secara statistik tidak signifikan; parameter 1 adalah positif dan signifikan secara statistik pada tingkat keyakinan 99,9 persen (100 persen 0,1 persen), parameter 2 adalah positif kecil dan secara statistik tidak signifikan, sedangkan parameter 3 adalah bernilai positif dan sangat besar dan juga signifikan secara statistik pada tingkat keyakinan 99,9 persen (100
persen 0,1 persen). Setiap kenaikan (positif) 1 satuan return IHSG akan menyebabkan kenaikan (positif) return saham BNI sebesar 1,0748889 satuan, setiap kenaikan (positif) 1
satuan return IHSG pangkat dua (kuadrat) akan menyebabkan kenaikan (positif) return
saham BNI sebesar 0,1130111 satuan, dan setiap setiap kenaikan (positif) 1 satuan return
IHSG pangkat tiga akan menyebabkan kenaikan (positif) return saham BNI sebesar
61.8338674 satuan.
-
Written by: Rangga Handika
Baris Signif. codes: menunjukkan bahwa tanda *** untuk tingkat keyakinan 99,9 persen, tanda ** untuk tingkat keyakinan 99 persen, tanda * untuk tingkat keyakinan 95 persen, dan tanda . untuk tingkat keyakinan 90 persen. Tanda ini akan dimunculkan (jika estimate suatu coefficient secara statistik signifikan) pada sebelah sisi
kanan nilai p-value (angka pada kolom Pr(>|t|)). Pada output di atas, kita mellihat tanda *** di sebelah kanan angka p-value coefficient 1
-
Written by: Rangga Handika
# transformasi data volume BNI menjadi log volume BNI1
RDate = data.frame(RDate) # memformat vektor kolom RDate
LVBBNI
-
Written by: Rangga Handika
Coefficients merupakan angka koefisien hasil estimasi OLS parameter (intercept) dan (variabel log volume saham BNI). Angka koefisiennya tercatat pada kolom Estimate, beserta nilai standard error ada kolom Std. Error, nilai t-statistic pada kolom t-value dan nilai p-value pada kolom Pr(>|t|). Pada output tersebut, nilai estimasi OLS parameter adalah negatif dan signifikan secara statistik pada tingkat keyakinan 99 persen (100 persen 1 persen) sedangkan untuk parameter adalah positif (tetapi sangat kecil) dan signifikan secara statistik pada tingkat keyakinan 99 persen (100 persen 1 persen). Hati hati dalam membaca koefisien untuk variabel yang ditransformasikan,
karena angka 1 di sini menunjukkan setiap satuan hasil natural logaritma suatu bilangan.
Pada situasi model (7.2) ini, maka setiap kenaikan 1 satuan natural logaritma volume
saham BNI akan menaikkan return saham BNI sebesar 0,0007562 satuan return. Kalimat
setiap kenaikan 1 satuan natural logaritma volume saham BNI bermakna kompleks karena kenaikan 1 satuan natural logaritma tidak linear, artinya kenaikan dari 4 ke 5
sangat berbeda dengan kenaikan dari 8 ke 9. Sebagai catatan, kenaikan 1 satuan
logaritma dari 4 ke 5 ekuivalen dengan kenaikan angka volume sekitar 94 (e5-e
4 dimana e
adalah bilangan euler e 2.71828) satuan sedangkan kenaikan 1 satuan logaritma dari 8 ke 9 ekuivalen dengan kenaikan angka volume sekitar 5,122 e
9-e
8 dimana e adalah
bilangan euler e 2.71828) satuan.
Baris Signif. codes: menunjukkan bahwa tanda *** untuk tingkat keyakinan 99,9 persen, tanda ** untuk tingkat keyakinan 99 persen, tanda * untuk tingkat keyakinan 95 persen, dan tanda . untuk tingkat keyakinan 90 persen. Tanda ini akan dimunculkan (jika estimate suatu coefficient secara statistik signifikan) pada sebelah sisi
kanan nilai p-value (angka pada kolom Pr(>|t|)). Pada output di atas, kita mellihat tanda ** di sebelah kanan angka p-value intercept 0,00237 dan tanda ** di sebelah kanan angka p-value coefficient 0,00110.
Nilai standar error residual (komponen error model regresi (7.2)) sebesar 0,02733 dengan 2.401 derajat bebas.
Nilai Goodness of fit model regresi (7.2) sebesar 0,004431 (unadjusted R-squared) dan 0,004016 (adjusted R-squared). Penulis merekomendasikan menggunakan angka adjusted
R-squared. Artinya bahwa variasi (perubahan) dependent variable return saham BNI
dapat dijelaskan 0,40 persen melalui variasi (perubahan) independent variable natural
logaritma dari volume saham BNI sebagaimana diformulasikan pada model regresi (7.2).
Nilai F-statistik adalah 10.69 untuk 1 variabel (variabel volume saham BNI) pada 2.401 derajat bebas dengan nilai p-value 0,001095, yang artinya variabel volume saham BNI
secara statistik signifikan mempengaruhi variabel return saham BNI. Nilai p-value F-
statistik untuk 1 variabel akan sama dengan nilai p-value pada independent variabel
tersebut (perbedaan yang tampak di output antara angka 0,001095 dengan angka 0,00110 hanya karena proses pembulatan).
3. Dummy Variable Pada Independent Variable
Variasi lainnya adalah ketika ada komponen dummy variable pada variable
independent2. Dummy variable (atau juga disebut dichotomous atau indicator variable)
adalah sebuah variabel numerik yang bersifat kualitatif untuk menjelaskan suatu kondisi pada
2 Ada variasi lainnya yaitu dummy variable pada dependent variable. Topik ini adalah topik yang cukup
advanced sehingga tidak dimasukkan dalam pembahasan di buku ini.
-
Written by: Rangga Handika
suatu variabel. Contoh: Nilai suatu variable return diberi angka 0 jika return bernilai negatif
atau nol dan diberi angka 1 jika return bernilai positif. Dummy variable juga biasa digunakan
untuk menganalisa faktor seasonality yang ada pada time series data.
Contoh:
(7.3)
Model regresi (7.3) merupakan ekstensi model regresi (5.2) dengan menambahkan Dummy
Variable return IHSG periode sebelumnya. Nilai dummy variable ini adalah 0 jika return
IHSG periode sebelumnya adalah negatif atau 0 dan 1 jika return IHSG periode sebelumnya
adalah positif). Model regresi (7.3) ini menganalisa apakah return positif indeks periode
sebelumnya berpengaruh terhadap return suatu saham (BNI) yang menjawab hipotesa bahwa
sentimen positif indeks akan memberikan dampak positif pada periode berikutnya.
Perintah R (melanjutkan script R pada sub-bagian 1. Dan 2. sebelumnya):
DIHSGReturn = 0)
# menyusun series dummy variable return IHSG
# 1 jika positif dan 0 jika negatif atau 0
DIHSGReturn
-
Written by: Rangga Handika
lm_7_3 |t|)
(Intercept) -6.866e-05 6.706e-04 -0.102 0.918
VAREG_7_3$X 1.201e+00 2.994e-02 40.095 |t|). Pada output tersebut, nilai estimasi OLS parameter adalah negatif dan sangat kecil (mendekati nol) dan secara statistik tidak signifikan; parameter 1 adalah positif dan signifikan secara statistik pada tingkat keyakinan 99,9 persen (100 persen 0,1 persen) sedangkan parameter 2 adalah negatil kecil dan tidak signifikan secara statistik. Setiap kenaikan (positif) 1 satuan return IHSG akan menyebabkan kenaikan (positif) return
saham BNI sebesar 1,201 satuan sedangkan setiap keberadaan sentimen positif berupa
return IHSG yang positif pada periode sebelumnya ternyata justru menyebabkan
penurunan (negatif) return saham BNI sebanyak 0,0005324 satuan.
Baris Signif. codes: menunjukkan bahwa tanda *** untuk tingkat keyakinan 99,9 persen, tanda ** untuk tingkat keyakinan 99 persen, tanda * untuk tingkat keyakinan 95 persen, dan tanda . untuk tingkat keyakinan 90 persen. Tanda ini akan dimunculkan (jika estimate suatu coefficient secara statistik signifikan) pada sebelah sisi
kanan nilai p-value (angka pada kolom Pr(>|t|)). Pada output di atas, kita mellihat tanda *** di sebelah kanan angka p-value coefficient 1
-
Written by: Rangga Handika
Nilai standar error residual (komponen error model regresi (5.3)) sebesar 0,02124 dengan 2.342 derajat bebas. Ada informasi disebutkan bahwa sebanyak 129 observasi
dieliminasi karena ketiadaan data (missing values).
Nilai Goodness of fit model regresi (7.3) sebesar 0,4073 (unadjusted R-squared) dan 0,4068 (adjusted R-squared). Penulis merekomendasikan menggunakan angka adjusted R-
squared. Artinya bahwa variasi (perubahan) dependent variable return saham BNI dapat
dijelaskan 40,68 persen melalui variasi (perubahan) independent variables return IHSG
dan dummy independent variable return positif IHSG periode sebelumnya sebagaimana
dijelaskan pada persamaan model regresi (7.3).
Nilai F-statistik adalah 804,8 untuk 2 variabel (variabel return IHSG dan dummy variabel return IHSG periode sebelumnya) pada 2.342 derajat bebas dengan nilai p-value < 2.2e-
16 (lebih kecil daripada angka 2 x 10-16
), yang artinya variabel return IHSG dan dummy
variabel return IHSG periode sebelumnya secara bersama-sama (keduanya) signifikan
secara statistik dalam mempengaruhi variabel return saham BNI.
Contoh lainnya:
(7.4.A)
(7.4.B)
Model regresi (7.4.A) dan (7.4.B) merupakan model yang menganalisa apakah faktor
musiman (seasonality) kuartalan memberikan pengaruh pada return saham BNI. Angka
Dummy Variablesnya adalah sebagai berikut:
Q1 = bernilai 1 jika data pada kuartal pertama dan 0 jika tidak pada kuartal pertama
Q2 = bernilai 1 jika data pada kuartal kedua dan 0 jika tidak pada kuartal kedua
Q3 = bernilai 1 jika data pada kuartal ketiga dan 0 jika tidak pada kuartal ketiga
Q4 = bernilai 1 jika data pada kuartal keempat dan 0 jika tidak pada kuartal keempat
Untuk diperhatikan bahwa jika kita memasukkan komponen intercept ( ) pada persamaan
regresi tersebut, maka kita tidak bisa memasukkan keempat dummy variables tersebut, hanya
tiga karena dummy variabel yang keempat tercermin secara tidak langsung pada intercept
tersebut. Jika kita memasukkan keempat dummy variables dan intercept ( ) pada suatu
persamaan regresi maka akan terjadi permasalahan yang disebut sebagai dummy variable trap
(Brooks, 2008 Chapter 9). Dengan demikian, persamaan regresi yang benar adalah hanya
memasukkan tiga dummy variables dan intercept ( ) sebagaimana model regresi (7.4.A)
atau memasukkan seluruh empat dummy variables dan tidak memasukkan intercept ( )
sebagaimana model (7.4.B).
-
Written by: Rangga Handika
Perintah R:
data
-
Written by: Rangga Handika
colnames(VAREG_7_4)
-
Written by: Rangga Handika
Coefficients:
Estimate Std. Error t value Pr(>|t|)
VAREG_7_4$Q1 0.000677 0.001094 0.619 0.536
VAREG_7_4$Q2 0.001267 0.001082 1.171 0.242
VAREG_7_4$Q3 0.001554 0.001086 1.431 0.153
VAREG_7_4$Q4 -0.001194 0.001097 -1.089 0.276
Residual standard error: 0.02711 on 2471 degrees of freedom
Multiple R-squared: 0.002014, Adjusted R-squared: 0.0003984
F-statistic: 1.247 on 4 and 2471 DF, p-value: 0.289
interpretasi:
output Model (7.4.A)
Residuals merupakan nilai residu (error) dengan rentang nilai minimal, kuartil pertama, median (kuartil kedua), kuartil ketiga dan maksimal.
Coefficients merupakan angka koefisien hasil estimasi OLS parameter (intercept, yang mencerminkan dummy variable kuartal keempat), 1 (dummy variabel kuartal 1), 2 (dummy variabel kuartal 2) dan 3 (dummy variabel kuartal 3), koefisiennya pada kolom Estimate, beserta nilai standard error ada kolom Std. Error, nilai t-statistic pada kolom t-value dan nilai p-value pada kolom Pr(>|t|). Pada output tersebut, nilai estimasi OLS parameter adalah negatif dan secara statistik tidak signifikan; parameter 1 adalah positif dan secara statistik tidak signifikan; parameter 2 adalah positif dan secara statistik tidak signifikan sedangkan parameter 3 adalah positif dan secara statistik signifikan pada tingkat keyakinan 90 persen (100 persen 10 persen). Dengan demikian, hanya pada kuartal ketiga yang secara statistik signifikan memberikan kenaikan return
yang positif sebesar 0,002748 satuan kepada return saham BNI. Sementara itu
keberadaan kuartal pertama, kuartal kedua dan kuartal keempat secara statistik tidak
signifikan mempengaruhi return saham BNI berturut-turut sebesar positif 0,001871
(kuartal pertama) ; positif 0,002461 (kuartal kedua) ; dan negatif 0,001194 (kuartal
keempat).
Baris Signif. codes: menunjukkan bahwa tanda *** untuk tingkat keyakinan 99,9 persen, tanda ** untuk tingkat keyakinan 99 persen, tanda * untuk tingkat keyakinan 95 persen, dan tanda . untuk tingkat keyakinan 90 persen. Tanda ini akan dimunculkan (jika estimate suatu coefficient secara statistik signifikan) pada sebelah sisi
kanan nilai p-value (angka pada kolom Pr(>|t|)). Pada output di atas, kita mellihat tanda *** di sebelah kanan angka p-value coefficient 3 0,0751. Artinya hanya keberadaan kuartal ketiga yang memberikan dampak terhadap return saham BNI.
Nilai standar error residual (komponen error model regresi (7.4.A)) sebesar 0,02711 dengan 2.471 derajat bebas.
Nilai Goodness of fit model regresi (7.4.A) sebesar 0,001548 (unadjusted R-squared) dan 0,000336 (adjusted R-squared). Penulis merekomendasikan menggunakan angka adjusted
R-squared. Artinya bahwa variasi (perubahan) dependent variable return saham BNI
dapat dijelaskan 0,03 persen melalui faktor musiman (seasonality) kuartalan
sebagaimana dijelaskan pada persamaan model regresi (7.4.A).
Nilai F-statistik adalah 1,277 pada 2.471 derajat bebas dengan nilai p-value 0,2805, yang artinya faktor musiman (seasonality) kuartalan secara bersama-sama (keempat kuartal)
tidak signifikan secara statistik dalam mempengaruhi variabel return saham BNI.
-
Written by: Rangga Handika
output Model (7.4.B)
Residuals merupakan nilai residu (error) dengan rentang nilai minimal, kuartil pertama, median (kuartil kedua), kuartil ketiga dan maksimal.
Coefficients merupakan angka koefisien hasil estimasi OLS parameter 1 (dummy variabel kuartal 1), 2 (dummy variabel kuartal 2), 3 (dummy variabel kuartal 3) dan 4 (dummy variabel kuartal 4), koefisiennya pada kolom Estimate, beserta nilai standard error ada kolom Std. Error, nilai t-statistic pada kolom t-value dan nilai p-value pada kolom Pr(>|t|). Pada output tersebut, nilai estimasi OLS parameter parameter 1 adalah positif dan secara statistik tidak signifikan; parameter 2 adalah positif dan secara statistik tidak signifikan; parameter 3 adalah positif dan secara statistik tidak signifikan; sedangkan parameter 4 adalah negatif dan secara statistik tidak signifikan . Dengan demikian, tidak ada faktor musiman (kuartalan) yang mempengaruhi return saham BNI.
Keberadaan kuartal pertama, kuartal kedua, kuartal ketiga dan kuartal keempat secara
statistik tidak signifikan mempengaruhi return saham BNI berturut-turut sebesar positif
0,000677 (kuartal pertama) ; positif 0,001267 (kuartal kedua) ; positif 0,001554 (kuartal
ketiga) dan dan negatif 0,001194 (kuartal keempat).
Baris Signif. codes: menunjukkan bahwa tanda *** untuk tingkat keyakinan 99,9 persen, tanda ** untuk tingkat keyakinan 99 persen, tanda * untuk tingkat keyakinan 95 persen, dan tanda . untuk tingkat keyakinan 90 persen. Tanda ini akan dimunculkan (jika estimate suatu coefficient secara statistik signifikan) pada sebelah sisi
kanan nilai p-value (angka pada kolom Pr(>|t|)). Pada output di atas, kita mellihat bahwa tidak ada tanda signifikansi pada keempat faktor musiman (seasonality) kuartalan
tersebut. Artinya tidak ada faktor musiman (seasonality) kuartalan yang mempengaruhi
return saham BNI.
Nilai standar error residual (komponen error model regresi (7.4.B)) sebesar 0,02711 dengan 2.471 derajat bebas.
Nilai Goodness of fit model regresi (7.4.B) sebesar 0,002014 (unadjusted R-squared) dan 0,0003984 (adjusted R-squared). Penulis merekomendasikan menggunakan angka
adjusted R-squared. Artinya bahwa variasi (perubahan) dependent variable return saham
BNI dapat dijelaskan 0,04 persen (pembulatan) melalui faktor musiman (seasonality)
kuartalan sebagaimana dijelaskan pada persamaan model regresi (7.4.B).
Nilai F-statistik adalah 1,247 pada 2.471 derajat bebas dengan nilai p-value 0,289, yang artinya faktor musiman (seasonality) kuartalan secara bersama-sama (keempat kuartal)
tidak signifikan secara statistik dalam mempengaruhi variabel return saham BNI.
Kesimpulan hasil output regresi model (7.4.A) dan model (7.4.B) adalah bahwa faktor
musiman (seasonality) kuartalan tidak mepengaruhi return saham BNI.
5. Tehnik Regresi dengan Data Outliers
Data ekstrim (outliers) terkadang menyebabkan analisa regresi menjadi kompleks. Hal
ini dikarenakan model OLS regresi standar melakukan inferensi berdasarkan mostly
distributed values, sehingga nilai ekstrim merupakan hal yang tidak lazim. Ada beberapa hal
yang perlu dicermati ketika menemukan nilai ekstrim dalam suatu data kita:
-
Written by: Rangga Handika
1. Nilai ekstrim terkadang merupakan kesalahan pencatatan data. Pada situasi ini kita perlu
melakukan double-checks atas nilai ekstrim tersebut. Jika memang terjadi kesalahan
pencatatan data, maka nilai ekstrim bisa dikeluarkan dari observasi.
2. Nilai ekstrim memang benar ada, akan tetapi jumlahnya sangat sedikit dan bukan
merupakan karakteristik utama data. Nilai ekstrim tersebut timbul karena terjadi sesuatu
yang sangat luar biasa dan di luar kewajaran. Jika memang karena hal ini, maka kita juga
bisa mengeluarkan nilai ekstrim tersebut dari observasi.
3. Nilai ekstrim merupakan karakteristik khas suatu data yang memang wajar terjadi,
contohnya pada harga listrik (power market) di Australia (disebut sebagai price spikes).
Hal ini menjadi tantangan para ahli permodelan data untuk melakukan permodelan dan
manajemen risiko atas nilai ekstrim tersebut. Untuk menghadapi nilai ekstrim semacam
ini, memang diperlukan model khusus yang mampu merekonstruksi pergerakan variabel
yang terjadi.
Sub bab ini membahas 2 (dua) contoh model regresi yang digunakan untuk menghadapi
nilai ekstrim. Kedua model tersebut adalah resistant regression dan quantile regression.
Resistant regression adalah tehnik regresi yang robust untuk menghadapi permasalahan
kehadiran nilai ekstrim dengan menghasilkan nilai estimasi yang stabil walaupun ada
sejumlah (hingga persentase tertentu) nilai ekstrim. Tehnik yang digunakan dalam contoh
resistant regression di sini adalah tehnik Rousseeuw dan Leroy (1987), Marazzi (1993) dan
Rousseeuw dan Hubert (1997). Software R menyediakan fitur untuk menjalankan tehnik
tersebut dengan package MASS (Ripley et al., 2015).
Contoh penerapan resistant regression pada suatu model regresi:
(7.5)
dimana:
CA : saldo current account (US Dolar)
STD : persentase utang jangka pendek
CD : persentase utang concessional
Berdasarkan data keuangan (terdapat pada file DATA_KEUANGAN_3.csv) cross
section 18 negara tentang persentase utang jangka pendek (STD), persentase utang
concessional (CD) dan saldo current account (CA) dalam juta US Dolar pada tahun 20 pada
tahun 20103.
3 Sumber data http://www.imf.org/external/data.htm
-
Written by: Rangga Handika
Perintah R:
data75
-
Written by: Rangga Handika
Residual standard error: 7487 on 16 degrees of freedom
Multiple R-squared: 0.1904, Adjusted R-squared: 0.08916
F-statistic: 1.881 on 2 and 16 DF, p-value: 0.1846
> rownames(data75)[-okdata]
[1] "Thailand" "Malaysia"
Resistant regression model (7.5)
Call:
lm(formula = data75$CA ~ data75$STD + data75$CD, subset = okdata)
Residuals:
Min 1Q Median 3Q Max
-4382 -2383 -1325 1378 12021
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1714.77 2974.96 0.576 0.573
data75$STD -249.72 159.97 -1.561 0.141
data75$CD 12.01 41.31 0.291 0.775
Residual standard error: 4486 on 14 degrees of freedom
Multiple R-squared: 0.1865, Adjusted R-squared: 0.07026
F-statistic: 1.605 on 2 and 14 DF, p-value: 0.2358
interpretasi:
Model OLS (7.5)
Residuals merupakan nilai residu (error) dengan rentang nilai minimal, kuartil pertama, median (kuartil kedua), kuartil ketiga dan maksimal.
Coefficients merupakan angka koefisien hasil estimasi OLS parameter (intercept), 1 (variabel STD) dan 2 (variabel CD), koefisiennya pada kolom Estimate, beserta nilai standard error ada kolom Std. Error, nilai t-statistic pada kolom t-value dan nilai p-value pada kolom Pr(>|t|). Pada output tersebut, nilai estimasi OLS parameter adalah negatif dan sangat besar tetapi secara statistik tidak signifikan; parameter 1 adalah positif dan sangat besar tetapi secara statistik tidak signifikan (hampir signifikan
pada tingkat keyakinan 90 persen) sedangkan parameter 2 adalah positif kecil dan tidak signifikan secara statistik. Setiap kenaikan (positif) 1 satuan persentase utang jangka
pendek akan menyebabkan kenaikan (positif) saldo current account sebesar 271,842 juta
US Dolar dan setiap kenaikan (positif) 1 satuan persentase utang concessional akan
menyebabkan kenaikan (positif) saldo current account sebesar 2,866 juta US Dollar.
Baris Signif. codes: menunjukkan bahwa tanda *** untuk tingkat keyakinan 99,9 persen, tanda ** untuk tingkat keyakinan 99 persen, tanda * untuk tingkat keyakinan 95 persen, dan tanda . untuk tingkat keyakinan 90 persen. Tanda ini akan dimunculkan (jika estimate suatu coefficient secara statistik signifikan) pada sebelah sisi
kanan nilai p-value (angka pada kolom Pr(>|t|)). Pada output di atas, tidak ada tanda di sebelah kanan angka p-value coefficient 1 0,113 dan 2 0,967. Artinya variable utang jangka pendek dan utang concessional tidak secara signifikan memperngaruhi saldo
current account.
Nilai standar error residual (komponen error model regresi (7.5)) sebesar 7.487 dengan 16 derajat bebas.
-
Written by: Rangga Handika
Nilai Goodness of fit model regresi (7.5) sebesar 0,1904 (unadjusted R-squared) dan 0,08916 (adjusted R-squared). Penulis merekomendasikan menggunakan angka adjusted
R-squared. Artinya bahwa variasi (perubahan) dependent variable saldo current account
dapat dijelaskan 8,92 (pembulatan) persen melalui variasi (perubahan) independent
variables utang jangka pendek dan utang concessional sebagaimana dijelaskan pada
persamaan model regresi (7.5).
Nilai F-statistik adalah 1,881 untuk 2 variabel (variabel utang jangka pendek dan variabel utang concessional) pada 16 derajat bebas dengan nilai p-value 0,1846, yang
artinya variabel utang jangka pendek dan variabel utang concessional secara bersama-
sama (keduanya) secara statistik tidak signifikan dalam mempengaruhi variabel saldo
current account.
"Thailand" "Malaysia
Menunjukkan nilai ekstrim terdapat pada data negara (baris) Thailand dan Malaysia.
Resistant regression model (7.5)
Residuals merupakan nilai residu (error) dengan rentang nilai minimal, kuartil pertama, median (kuartil kedua), kuartil ketiga dan maksimal.
Coefficients merupakan angka koefisien hasil estimasi OLS parameter (intercept), 1 (variabel STD) dan 2 (variabel CD), koefisiennya pada kolom Estimate, beserta nilai standard error ada kolom Std. Error, nilai t-statistic pada kolom t-value dan nilai p-value pada kolom Pr(>|t|). Pada output tersebut, nilai estimasi OLS parameter adalah positif dan sangat besar tetapi secara statistik tidak signifikan; parameter 1 adalah negatif dan besar tetapi secara statistik tidak signifikan (mendekati signifikan pada
tingkat keyakinan 90 persen) sedangkan parameter 2 adalah positif kecil dan tidak signifikan secara statistik. Setiap kenaikan (positif) 1 satuan persentase utang jangka
pendek akan menyebabkan penurunan (negatif) saldo current account sebesar 249,72 juta
US Dolar dan setiap kenaikan (positif) 1 satuan persentase utang concessional akan
menyebabkan kenaikan (positif) saldo current account sebesar 12,01 juta US Dollar.
Baris Signif. codes: menunjukkan bahwa tanda *** untuk tingkat keyakinan 99,9 persen, tanda ** untuk tingkat keyakinan 99 persen, tanda * untuk tingkat keyakinan 95 persen, dan tanda . untuk tingkat keyakinan 90 persen. Tanda ini akan dimunculkan (jika estimate suatu coefficient secara statistik signifikan) pada sebelah sisi
kanan nilai p-value (angka pada kolom Pr(>|t|)). Pada output di atas, tidak ada tanda di sebelah kanan angka p-value coefficient 1 0,141 dan 2 0,775. Artinya variable utang jangka pendek dan utang concessional tidak secara signifikan memperngaruhi saldo
current account.
Nilai standar error residual (komponen error model regresi (7.5)) sebesar 4.486 dengan 14 derajat bebas.
Nilai Goodness of fit model regresi (7.5) sebesar 0,1865 (unadjusted R-squared) dan 0,07026 (adjusted R-squared). Penulis merekomendasikan menggunakan angka adjusted
R-squared. Artinya bahwa variasi (perubahan) dependent variable saldo current account
dapat dijelaskan 7,03 (pembulatan) persen melalui variasi (perubahan) independent
variables utang jangka pendek dan utang concessional sebagaimana dijelaskan pada
persamaan model regresi (7.5).
Nilai F-statistik adalah 1,605 untuk 2 variabel (variabel utang jangka pendek dan variabel utang concessional) pada 14 derajat bebas dengan nilai p-value 0,2358, yang
artinya variabel utang jangka pendek dan variabel utang concessional secara bersama-
sama (keduanya) secara statistik tidak signifikan dalam mempengaruhi variabel saldo
current account.
-
Written by: Rangga Handika
Quantile regression adalah tehnik regresi yang melakukan regresi pada dependent
variable pada tingkat kuartil (quantile) tertentu pada suatu nilai independent variable terkait
(conditional on independent variable). Tehnik quantile regression dikembangkan oleh
Koenker dan Hallock (2001) dan Koenker (2005) melalui package quantreg.
Contoh penerapan quantile regression pada suatu model regresi (5.3):
Perintah R:
data
-
Written by: Rangga Handika
# menggambar hasil estimasi parameter (alpha dan beta)
# untuk berbagai tingkat quantile, dari 0.05 s/d 0.95
output:
Model OLS (5.2) sama seperti output regresi OLS (5.2) di sub bab 5.3.
Call:
lm(formula = RBNI$BNIReturn ~ RIHSG$IHSGReturn)
Residuals:
Min 1Q Median 3Q Max
-0.142250 -0.010305 -0.001269 0.008988 0.181666
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -0.0002867 0.0004338 -0.661 0.509
RIHSG$IHSGReturn 1.2028554 0.0297064 40.491 |t|)
(Intercept) -0.01026 0.00043 -23.90992 0.00000
RIHSG$IHSGReturn 1.08104 0.02153 50.21166 0.00000
Call: rq(formula = lm_5_2, tau = 0.5)
tau: [1] 0.5
Coefficients:
Value Std. Error t value Pr(>|t|)
(Intercept) -0.00134 0.00036 -3.68150 0.00024
RIHSG$IHSGReturn 1.03857 0.02287 45.40933 0.00000
Call: rq(formula = lm_5_2, tau = 0.75)
tau: [1] 0.75
Coefficients:
Value Std. Error t value Pr(>|t|)
(Intercept) 0.00827 0.00050 16.41924 0.00000
RIHSG$IHSGReturn 1.08277 0.02315 46.77631 0.00000
-
Written by: Rangga Handika
interpretasi:
Model OLS (5.2)
Sama dengan interpretasi model OLS (5.2) pada sub bagian 5.3. Quantile Regression model (5.2)
tau memaparkan nilai persentil dari suatu quantile regression, 0.25 untuk kuartil pertama, 0.5 untuk kuartil kedua (median), dan 0.75 untuk kuartil ketiga.
Coefficients merupakan angka koefisien hasil estimasi OLS parameter (intercept), dan (variabel return IHSD), koefisiennya pada kolom Estimate, beserta nilai standard error ada kolom Std. Error, nilai t-statistic pada kolom t-value dan nilai p-value pada kolom Pr(>|t|). Pada output tersebut, nilai estimasi quantile regression parameter adalah -0,01026 (kuartil pertama), -0,00134 (kuartil kedua), 0,00827 (kuartil ketiga) dan
untuk parameter adalah 1,08104 (kuartil pertama),1,03857 (kuartil kedua), 1,08277 (kuartil ketiga). Hasil ini mengindikasikan bahwa model regresi (5.2) relatif stabil untuk
berbagai jenis kuartil.
Grafik output menunjukkan bahwa nilai estimasi intercept berada di kisaran -0,03 sampai dengan 0,02 dan untuk berada di kisaran 1 sampai dengan 1,4 untuk tingkatan observasi 0,05 sampai dengan 0,95. Hasil ini menunjukkan bahwa secara umum model
(5.2) menunjukkan kestabilan estimasi parameter.
-
Written by: Rangga Handika
Daftar Pustaka
Brooks, C. 2008. Introductory Econometrics for Finance 2nd
edition, Cambridge University
Press, New York USA.
Hill, R. C., Griffiths, W. E. & Lim, G. C. 2011. Principles of Econometrics 4th
edition, John
Wiley & Sons Inc., NJ USA.
Kleiber, C. & Zeileis, A. 2008. Applied Econometrics With R, Springer, Spring Street, NY.
Koenker, R. 2005. Quantile Regression, Cambridge University Press, Cambridge.
Koenker, R. & Hallock, K. F. 2001. Quantile Regression, Journal of Economic Perspectives,
15(4), 143 156. Marazzi, A. 1993. Algorithms, Routines and S Functions for Robust Statistics, Wadsworth
and Brooks/Cole.
Ripley, B., Venables, B., Bates, D. M., Hornik, K., Gebhardt, A. & Firth, D. 2015. Package
MASS, CRAN. Rousseeuw, P. J. & Hubert, M. 1997. L1-Statistical Procedures and Related Topics, IMS
Lecture Notes, 31, 201214. Rousseeuw, P. J. & Leroy, A. M. 1987. Robust Regression and Outlier Detection, Wiley.