Nota Topik 1

Topik 1: Ulangkaji & Lanjutan Pengujian Hipotesis Dalam Model Regresi
Semester 2, Sesi 2020/2021
1.1 Regression Analysis: Some Basic Ideas
 Econometrics may be defined as the quantitative analysis of actual economic phenomena

based on the concurrent development of theory and observation, related by appropriate
methods of inference.
 Regression analysis is the main tool of econometrics. It is concerned with the study of the
dependence of one variable (dependent variable) on one or more independent variables,
with a view to estimating and/or predicting the population mean or average value of the
former in terms of the known or fixed values of the latter.
 The specification of simple linear regression model may be written as Yi  1   2 X i  ui
where 1 and  2 are unknown parameters (regression coefficients)

1 and  2 are also known as intercept and slope coefficients, respectively
ui is known as the random error term or disturbance, ui  NID(0,  2 )
 The regression model now can be estimated based on the sample information. The sample
regression function (SRF) or estimated regression equation may be written as
Yî  ˆ1  ˆ2 X i
where Yî is the estimated value of Yi
̂1 and ̂ 2 are the estimated values of 1 and  2 respectively
 The SRF is obtained through the Ordinary Least Squares (OLS) method by minimizing
the residual sum of squares (RSS),  uî2 , where uî  Yi  Yî . The residual term, ûi can be
regarded as an estimate of ui .
 The least squares estimators ̂1 and ̂ 2 are said to be the Best Linear Unbiased
Estimators (BLUE) of 1 and  2 respectively.
 Linear regression refers to a regression that is linear in the parameters. It may or may
not be linear in the independent variables.
 Terminology for simple regression model:
Yi : Dependent variable / Explained variable / Regressand / Endogenous
X i : Independent variable / Explanatory variable / Regressor / Exogenous
Page 1 of 25
 Assumptions of Classical Linear Regression Model / OLS assumptions
a) The regression model is linear in the parameters
b) The values of the regressors, the X’s, are nonstochastic in repeated sampling
c) For given X’s, the mean value of error term ui is zero, E( ui | X i )  0
d) For given X’s, the variance of ui is constant or homoscedastic, Var( u i | X i )   2
e) For given X’s, there is no serial correlation (i.e. no autocorrelation) between the
error terms, Cov( ui , u j | X i , X j )  0 , for i ≠ j
f) The error term ui , is normally and independently distributed, ui  NID(0,  2 )
g) Zero covariance between ui and X i , or Cov( ui X i ) = 0
h) The regression model is correctly specified (no specification error)
i) There is no exact linear relationship in the regressors (no perfect multicollinearity)
1.2 Bentuk Fungsi bagi Model Regresi
Selain model linear, model regresi boleh dispesifikasikan dalam dua bentuk yang lain iaitu,
model log-linear dan model semilog (model lin-log & model log-lin).
 Model log-linear
Pertimbangkan model regresi, Yi  1 X i 2 e ui
Dengan menggunakan transformasi log asli (ln), model log-linear boleh ditulis sebagai:
ln Yi  ln 1   2 ln X i  u i
Pekali cerun  2 mengukur perubahan relatif (relative change) dalam Y bagi suatu
perubahan relatif dalam X, iaitu keanjalan Y terhadap X
d (lnY ) Y Y
2  
d (lnX ) X X
Nilai keanjalan tersebut diandaikan konstan pada mana-mana nilai lnX yang hendak
dikirakan keanjalan. Oleh itu, ia juga dinamakan sebagai constant elasticity model.
Page 2 of 25
 Model semilog (Model log-lin)
a) Pertimbangkan model log-lin , ln Yi  1   2 X i  ui
Pekali cerun  2 mengukur perubahan relatif dalam Y bagi suatu perubahan mutlak
(absolute change) dalam X iaitu,
d (lnY ) Y Y
2  
dX X
Dengan mendarabkan perubahan relatif dalam Y dengan 100, ia menunjukkan peratus

perubahan hampir dalam Y bagi suatu perubahan mutlak dalam X. Ia mengukur semi
elasticity Y terhadap X.
Peratus perubahan sebenar dalam Y boleh didapati dengan rumus berikut.
% Y  100  [exp ( β2 X )  1 ]
Model log-lin biasanya dibentuk untuk mengkaji kadar pertumbuhan bagi Y.
b) Pertimbangkan model Yt  Y0 (1  r ) t di mana Y0 ialah nilai awal bagi Y
dengan t ialah pemboleh ubah masa
r ialah kadar pertumbuhan kompaun (compound growth rate)
Dengan menggunakan transformasi log asli, model log-lin boleh ditulis sebagai:
ln Yt  ln Y0  t ln (1 + r)
katakan 1  ln Y0 dan  2  ln (1 + r), model log-lin boleh ditulis semula sebagai:
ln Yt  1   2 t
Jika  2 didarab dengan 100, ia mengukur kadar pertumbuhan seketika (instantaneous

growth rate) dalam Y. Kadar pertumbuhan kompaun, r dicari dengan menyelesaikan
persamaan  2  ln (1 + r).
 Model semilog (Model lin-log)
Pertimbangkan model lin-log , Yi  1   2 ln X i  u i
Page 3 of 25
Pekali cerun  2 mengukur perubahan mutlak dalam Y bagi suatu perubahan relatif dalam
X iaitu,
dY Y
2  
d (lnX ) X X
Dengan mendarabkan perubahan relatif dalam X dengan 100, ia menunjukkan perubahan

mutlak dalam Y bagi suatu peratus perubahan dalam X. Oleh itu, jika X X berubah
sebanyak 1%, perubahan mutlak dalam Y adalah sebanyak 0.01(  2 ).
Lampiran 1: Benoit, K. 2011. Linear regression models with logarithmic transformations.

https://kenbenoit.net/assets/courses/ME104/logmodels2.pdf
Jadual berikut menunjukkan pengiraan nilai keanjalan (elasticity) dan kesan sut (marginal effect)
secara manual bagi pelbagai bentuk model yang berlainan.
 Y  Y  X 
Model Persamaan Kesan sut,   Keanjalan,  
 X  X  Y 
*
Y  β1  β2 X β2 X
Linear β2  
Y 
Y 
Log-linear ln Y  β1  β2 ln X β2   β2
X
Log-lin ln Y  β1  β2 X β2 (Y ) β 2 ( X )*
*
1 1
Lin-log Y  β1  β2 ln X β2   β2  
X Y 
* nilai keanjalan dikira pada nilai X atau Y (biasa guna Yˆ ) atau kedua-duanya. Jika nilai X dan
Y tidak diberi, keanjalan akan dikira pada nilai min bagi X atau Y atau kedua-duanya.
1.3 Panduan Memilih Bentuk Fungsi
 berdasarkan teori asas ekonomi
 seboleh-bolehnya dapatkan kesan sut dan keanjalan bagi pemboleh ubah bersandar
terhadap pemboleh ubah tak bersandar
 pekali regresi teranggar perlu memenuhi tanda dan saiz yang dijangkakan
 spesifikasikan beberapa model tentatif dan memilih model yang relatifnya lebih baik
berdasarkan kriteria-kriteria tertentu (akan dibincangkan dalam Topik 2).
Page 4 of 25
Contoh 1: Gujarati & Porter, Table 7.9, ms. 221 (Output Eviews diberi dalam Lampiran 2)
Diberi model permintaan per kapita bagi daging ayam adalah seperti berikut:
Y  1   2 X 2   3 X 3   4 X 5   5t  u1 --- (A)
ln Y   1   2 ln X 2   3 ln X 3   4 ln X 5   5t  u 2 --- (B)
ln Y   1   2 X 2   3 X 3   4 X 5  u3 --- (C)
Y  1  2 ln X 2  3 ln X 3  4 ln X 5  u 4 --- (D)
Y = permintaan per kapita daging ayam (paun), X 2 = pendapatan boleh guna benar per kapita ($),
X 3 = harga runcit benar daging ayam (sen per paun), X 5 = harga runcit benar daging lembu (sen
per paun), t = arah aliran masa (time trend, t = 1, 2, 3, ... , 23) dan ln = logaritma asli
Persamaan teranggar bagi setiap model diberi seperti berikut:
Model A: Ŷ  33.22612  0.003731X 2  0.256994 X 3  0.037807 X 5  0.850983 t


Model B: ln Y  3.233559  0.163999 ln X 2  0.354551ln X 3  0.096910 ln X 5  0.018447t

Model C: ln Y  3.551267  0.000369 X 2  0.005871 X 3  0.000096 X 5
Model D: Ŷ  28.66592  13.25393 ln X 2  13.61327 ln X 3  6.48238 ln X 5
a) Tafsirkan pekali cerun separa teranggar bagi X 3 dalam keempat-empat model:
Dengan mengandaikan faktor lain konstan,
Model A: peningkatan harga runcit benar daging ayam sebanyak 1 sen per paun akan
mengurangkan permintaan per kapita daging ayam sebanyak 0.257 paun pada puratanya.
Model B: peningkatan harga runcit benar daging ayam sebanyak 1% akan mengurangkan
permintaan per kapita daging ayam sebanyak 0.3546% pada puratanya.
Model C: peningkatan harga runcit benar daging ayam sebanyak 1 sen per paun akan
mengurangkan permintaan per kapita daging ayam menghampiri 0.587% pada puratanya
(pengurangan sebenar adalah sebanyak 0.585%).
Model D: peningkatan harga runcit benar daging ayam sebanyak 1% akan mengurangkan
permintaan per kapita daging ayam sebanyak 0.136 paun pada puratanya.
Page 5 of 25
b) i) Berdasarkan Model D, apabila X 2 = $500, X 3 = 40 sen per paun dan X 5 = 100

sen per paun, nilai Yˆ = 33.3368 paun.
Dengan mengandaikan faktor lain tetap, peningkatan harga runcit benar daging
lembu sebanyak 1% daripada nilai 100 sen per paun akan meningkatkan
permintaan per kapita daging ayam sebanyak 0.194%.
1  1 
Keanjalan permintaan silang = ˆ4    6.48238    0.194
Y   33.3368 
ii) Diberi X 3 = 48 dan Y = 39.7. Berdasarkan Model A,
X   48 
Keanjalan permintaan harga = ̂ 3  3    0.257    0.311
Y   39.7 
Dengan mengandaikan faktor lain tetap, peningkatan harga runcit benar daging
ayam sebanyak 1% daripada nilai min akan mengurangkan permintaan per kapita
daging ayam sebanyak 0.311% .
iii) Berdasarkan Model D, dengan mengandaikan faktor lain tetap, peningkatan

pendapatan boleh guna benar per kapita daripada $500 kepada $501 akan
meningkatkan permintaan per kapita daging ayam sebanyak 0.0265 paun.
 1  13.25393
Kesan sut pendapatan boleh guna benar per kapita = ˆ 2     0.0265
 X2  500
c) Tafsirkan pekali cerun separa teranggar bagi pemboleh ubah arah aliran masa, t dalam
Model A dan Model B.
Dengan mengandaikan faktor lain konstan,
Model A: permintaan per kapita daging ayam pada puratanya meningkat sebanyak 0.851
paun setiap tahun dalam tempoh 1960-1982.
Model B: Permintaan per kapita daging ayam pada puratanya meningkat sebanyak 1.86%
setiap tahun dalam tempoh 1960-1982.
kadar pertumbuhan kompaun = ( e 0.0184  1 )  100 = 1.86%
Page 6 of 25
1.4 Ujian Pekali Regresi Individu, Ujian Keberertian Model, Ujian Kesamaan Dua
Pekali Regresi dan Batasan Linear Pekali Regresi
Diberi model regresi linear berbilang Y   0  1 X 1   2 X 2   3 X 3  u
a) ujian ke atas pekali cerun separa secara individu
H 0 :  i  b menentang H1 :  i  b (di mana b ialah suatu pemalar)
î   i
statistik ujian t = ; darjah kebebasan, df = n – k
SE ( î )
SE ( î ) ialah ralat piawai teranggar bagi ̂ i dan k ialah bilangan parameter dalam model
b) ujian keberertian model
H 0 : 1   2   3  0 menentang H 1 : sekurang-kurang satu daripada  i  0
ESS /(k  1) R 2 /(k  1)

statistik ujian F =  , df = (k – 1), (n – k)
RSS /(n  k ) (1  R 2 ) /(n  k )
ESS ialah hasil tambah kuasa dua regresi, RSS ialah hasil tambah kuasa dua residuals
c) contoh ujian kesamaan dua pekali cerun separa
H 0 :  2   3 atau (  2   3  0) menentang H 1 :  2   3 atau (  2   3  0)
( ˆ2  ˆ3 )  (  2   3 ) ˆ2  ˆ3

statistik ujian t = = , df = n – k
SE ( ˆ2  ˆ3 ) SE ( ˆ2  ˆ3 )
d) contoh ujian batasan linear ke atas pekali cerun separa
H 0 :  2   3  1 menentang H 1 :  2   3  1
( ˆ2  ˆ3 )  (  2   3 ) ( ˆ  ˆ3 )  1

statistik ujian t = = 2 , df = n – k
SE ( ˆ2  ˆ3 ) SE ( ˆ2  ˆ3 )
dengan SE ( βˆ 2  βˆ3 )  V ( βˆ 2 )  V ( βˆ3 )  2 Cov ( βˆ 2 , βˆ3 )
Secara umumnya, SE (a î  b ˆ j )  a 2V ( î )  b 2V ( ˆ j )  2ab Cov ( î , ˆ j ) . Nilai varian dan
kovarian bagi parameter teranggar boleh diperoleh daripada matriks varian-kovarian.
Page 7 of 25
 Ujian kesamaan dua pekali cerun separa dan ujian batasan linear ke atas pekali cerun
separa juga boleh dilakukan dengan menggunakan pendekatan ujian F.
Prosedur ujian F:
1. Anggar model asal (model tidak terbatas) dan dapatkan RSSUR .
2. Bentuk model terbatas dengan menggantikan batasan yang diuji ke dalam model
tidak terbatas
3. Anggar model terbatas dan dapatkan RSS R .
( RSS R  RSSUR ) / m
4. Kira statistik ujian, F  , df = m, (n – k)
RSSUR /( n  k )
RSS R dan RSSUR masing-masing ialah hasil tambah kuasa dua residuals bagi
model terbatas dan model tidak terbatas
m ialah bilangan batasan dan k ialah bilangan parameter yang dianggar dalam
model tidak terbatas
 Contoh-contoh batasan lain yang boleh diuji dengan Ujian F termasuk
a) H 0 :  1  3 3 b) H 0 : 1   2  0 (2 batasan)
c) H 0 : 1   2   3 (2 batasan) d) H 0 : 1   2 , H 0 :  2   3  1 (2 batasan)
Contoh 2: Gujarati & Porter, Table 7.9, ms. 221
ln Y  1   2 ln X 2   3 ln X 3   4 ln X 4   5 ln X 5  u
Keputusan penganggaran
Dependent Variable: LNY
Variable Coefficient Std. Error t-Statistic Prob.
LNX2 0.342555 0.083266 4.113970 0.0007

LNX3 -0.504592 0.110894 -4.550212 0.0002
LNX4 0.148545 0.099673 1.490334 0.1535
LNX5 0.091105 0.100716 0.904568 0.3776
C 2.189792 0.155715 14.06283 0.0000
R-squared 0.982313 Sum squared resid 0.013703

F-statistic 249.9282 Prob(F-statistic) 0.000000
Page 8 of 25
a) Uji pada aras keertian 1% sama ada log harga runcit benar daging lembu ( ln X 5 )
mempengaruhi log permintaan per kapita daging ayam ( ln Y ).
Pasangan hipotesis yang diuji: H 0 :  5  0 vs. H 1 :  5  0
H 0 gagal ditolak sebab t = 0.9046 < t 0.005,18 = 2.878 (nilai-p = 0.3776 > α = 0.01)
Tiada bukti statistik bahawa log harga runcit benar daging lembu mempengaruhi log
permintaan per kapita daging ayam.
b) Uji pada aras keertian 5% sama ada log permintaan per kapita daging ayam ( ln Y )
berhubung secara positif dengan log pendapatan boleh guna benar per kapita ( ln X 2 ).
Pasangan hipotesis yang diuji: H 0 : β2  0 vs. H 1 :  2  0
H 0 ditolak sebab t = 4.114 > t 0.05,18 = 1.734 (nilai-p satu sisi = 0.00035 < α = 0.05)
Terdapat bukti statistik bahawa log permintaan per kapita daging ayam berhubung secara
positif dengan log pendapatan boleh guna benar per kapita.
c) Pada aras keertian 5%, uji sama ada keanjalan permintaan harga adalah anjal satu.
Pasangan hipotesis yang diuji: H 0 :  3  1 vs. H 1 :  3  1
βˆ3  β3 - 0.504592  1
Statistik ujian t =   4.4674
SE ( βˆ3 ) 0.110894
H 0 ditolak sebab t = 4.4674 > t 0.025,18 = 2.101 (nilai-p = 0.0003 <  = 0.05).
Terdapat bukti statistik bahawa keanjalan permintaan harga bukan anjal satu.
Ringkasan Output Eviews
Wald Test:
Test Statistic Value df Probability
t-statistic 4.467387 18 0.0003
Null Hypothesis: C(2)=-1
Normalized Restriction (= 0) Value Std. Err.
1 + C(2) 0.495408 0.110894
Page 9 of 25
d) Uji keberertian model regresi yang dibentuk pada  = 0.01
H 0 :  2   3   4   5  0 vs. H 1 : sekurang-kurangnya satu daripada  i  0
H 0 ditolak sebab F = 249.93 > F0.01, 4 ,18 = 4.58 (nilai-p = 0.000 < α = 0.01)
Terdapat bukti statistik bahawa model regresi yang dibentuk bererti.
e) Uji kesamaan pekali cerun separa β4  β5 dengan ujian t pada  = 0.05.
Pasangan hipotesis yang diuji: H 0 : β4  β5  0 vs. H 1 :  4   5  0
Matriks varian-kovarian bagi ̂ i
LNX2 LNX3 LNX4 LNX5 C

LNX2 0.006933 0.005771 -0.006575 -0.007056 -0.006559
LNX3 0.012298 -0.008232 -0.007323 -0.015165
LNX4 0.009935 0.004664 0.010061
LNX5 0.010144 0.007159
C 0.024247
SE ( βˆ4  βˆ5 )  0.009935  0.010144  2 (0.004664 )  0.1037
0.148545  0.091105
statistik ujian t =  0.554
0.1037
H 0 gagal ditolak sebab t = 0.554 < t 0.025,18 = 2.101 (nilai-p = 0.5864 >  = 0.05). Batasan
didapati sah.
Wald Test:
t-statistic 0.554000 18 0.5864
Null Hypothesis: C(3)=C(4)
Normalized Restriction (= 0) Value Std. Err.
C(3) - C(4) 0.057441 0.103683
Page 10 of 25
f) Katakan model asal ln Y  1   2 ln X 2   3 ln X 3   4 ln X 4   5 ln X 5  u dikenakan

satu batasan linear dan berubah menjadi
Y X
ln Y *   1   2 ln X 2   3 ln X 3   4 ln X *  v , dengan Y *  dan X *  5
X4 X4
Apakah batasan yang dikenakan? Seterusnya, uji kesahan batasan linear tersebut dengan
menggunakan ujian F.
 Y  X 
ln    α1  α2 ln X 2  α3 ln X 3  α4 ln  5   v
 X4   X4 
ln Y  α1  α2 ln X 2  α3 ln X 3  α4 ln X 5  ( 1  α4 ) ln X 4
Dengan membandingkan pekali model terbatas dan model tidak terbatas, didapati α4  β5
dan 1  α4  β4 . Maka batasan yang dikenakan ialah  4   5  1 .
Pasangan hipotesis yang diuji: H 0 :  4   5  1 vs. H 1 :  4   5  1
RSS R = 0.028669 (Rujuk Output EViews dalam Lampiran 2).
(0.028669  0.013703) / 1
Statistik ujian F =  19.659
0.013703 / 18
H 0 ditolak sebab F = 19.659 > F0.05 ,1,18 = 4.41 (nilai-p = 0.0003 <  = 0.05). Batasan
didapati tidak sah.
Wald Test:
Null Hypothesis: C(3)+C(4)=1
F-statistic 19.65992 (1, 18) 0.0003
1.5 Ujian Pemilihan Bentuk Fungsi: (i) Model Linear dan Model Log-Lin, (ii) Model
Log-Linear dan Model Lin-Log
Pertimbangkan model linear dan model log-lin berikut
Model linear : Y   0  1 X 1   2 X 2  u
Model log-lin : ln Y  λ0  λ1 X 1  λ2 X 2  v
Page 11 of 25
Prosedur Ujian Box-Cox:
Langkah 1: Rescale cerapan asal Y dengan min geometri bagi Y, katakan YG
 ln Y
YG didefinisikan secara implisit oleh persamaan ln YG 
N
Pemboleh ubah Y yang terlaras ditakrifkan sebagai Y *  Y / YG
Langkah 2: anggarkan model linear terlaras dengan menggunakan Y * sebagai pemboleh ubah
bersandar, iaitu Y *   0  1 X 1   2 X 2  w
Langkah 3: Ujikan hipotesis, H 0 : kedua-dua model secara empirik adalah sama
N  RSS L 
statistik ujian, L = ln  
2  RSS LL 
dengan RSS L ialah RSS daripada model linear terlaras

RSS LL ialah RSS daripada model log-lin
H 0 ditolak jika L > nilai kritikal =  2 ( , 1)
Dalam konteks ini, model dengan RSS yang lebih kecil akan dipilih.
Pertimbangkan dua model berikut.
Model linear : CM   0  1 FLR   2 PGNP   3TFR  u
Model log-lin : ln CM  λ0  λ1FLR  λ2 PGNP  λ3TFR  v
Keputusan penganggaran model log-lin

Dependent Variable: LNCM
Included observations: 64
FLR -0.010588 0.002242 -4.722220 0.0000

PGNP -8.13E-05 1.70E-05 -4.785069 0.0000
TFR 0.226256 0.037884 5.972284 0.0000
C 4.150182 0.297356 13.95696 0.0000
Sum squared resid 7.508970 Mean dependent var 4.750002
Page 12 of 25
Nota: Nilai R 2 , R 2 , RSS, dan ralat piawai teranggar bagi model tidak boleh dibandingkan
kerana pemboleh ubah bersandar kedua-dua model adalah berbeza.
Untuk memilih antara model linear dan model log-lin, prosedur ujian Box-Cox digunakan.
Rescale nilai asal CM dengan menggunakan persamaan berikut.
CM
ACM  4.750002
, dengan ACM ialah nilai terlaras bagi CM
e
Keputusan penganggaran model linear terlaras dengan menggunakan nilai ACM
Dependent Variable: ACM
FLR -0.015296 0.002146 -7.128663 0.0000

PGNP -4.77E-05 1.62E-05 -2.934275 0.0047
TFR 0.111335 0.036255 3.070883 0.0032
C 1.456135 0.284568 5.117003 0.0000
Sum squared resid 6.877013
64  6.877013 
Statistik ujian L = ln   2.813
2  7.508970 
Oleh kerana L = 2.813 <  02.05 ,1  3.841 , hipotesis nol yang menyatakan kedua-dua model secara
empirik adalah sama gagal ditolak.
Lampiran 3: Pemilihan antara model linear dan log-linear dengan ujian MacKinnon, White dan
Davidson (MWD)
1.6 Interpretasi dan Ujian Pekali bagi Pemboleh ubah Dami
Pemboleh ubah dami digunakan untuk mengkuantifikasi ciri-ciri atau kategori pemboleh ubah
kualitatif. Ia mengambil nilai 1 bagi menunjukkan kewujudan sesuatu ciri atau 0 bagi
menunjukkan ketiadaan sesuatu ciri. Kategori rujukan ialah kategori bagi pemboleh ubah
kualitatif yang tidak diwakili oleh pemboleh ubah dami. Ia sentiasa menjadi asas perbandingan.
Contoh 4: Pertimbangkan (a) model linear, WI  1   2 AGE   3 DS  u dan

(b) model semilog, ln WI  1   2 AGE   3 DS  v
WI = upah mingguan (dalam rupees), AGE = umur pekerja, DS = pemboleh ubah dami bagi
jantina (1 – lelaki dan 0 – wanita)
Gunakan data fail upahindia.wf1 untuk menganggar kedua-dua model di atas.
Page 13 of 25
Keputusan penganggaran model linear. (Output Eviews diberi dalam Lampiran 2)


WI  20.91768 + 4.477024 AGE – 71.37875 DS
S.E. (31.3691) (0.8849) (27.3837)
Sig. 0.5063 0.0000 0.0104
Dengan mengandaikan umur pekerja konstan, upah mingguan pekerja lelaki adalah 71.4 rupees
lebih rendah berbanding pekerja wanita pada puratanya. Pada aras keertian 1%, terdapat bukti
menunjukkan upah mingguan pekerja lelaki lebih rendah berbanding pekerja wanita (nilai-p bagi
ujian satu sisi = 0.0052). Tanpa mengambil kira jantina pekerja, pertambahan satu tahun dalam
umur pekerja akan meningkatkan upah mingguan sebanyak 4.48 rupees pada puratanya.
Nota: Spesifikasi model di atas mengandaikan tidak wujud perbezaan pekali cerun dalam fungsi
upah mingguan antara pekerja lelaki dan wanita. Oleh itu, fungsi upah mingguan yang
diterbitkan daripada persamaan teranggar BUKAN fungsi upah mingguan sebenar yang
diperoleh dengan menggunakan sampel pekerja yang berkaitan.
Persamaan teranggar upah mingguan pekerja lelaki (DS = 1) yang diterbit daripada model ialah

WI  – 50.46107 + 4.477024 AGE
Persamaan teranggar upah mingguan pekerja wanita (DS = 0) yang diterbit daripada model ialah

WI  20.91768 + 4.477024 AGE
Keputusan penganggaran model semilog. (Output Eviews diberi dalam Lampiran 2)

ln WI  3.749323 + 0.032786 AGE – 0.611427 DS
S.E. (0.1724) (0.0049) (0.1505)
Sig. 0.0000 0.0000 0.0001
Nilai [exp(  3 ) – 1] x 100 mengukur semi elasticity bagi pemboleh ubah dami iaitu perbezaan
min upah mingguan (dalam %) pekerja lelaki berbanding pekerja wanita.
Perbezaan min upah mingguan (dalam %) pekerja lelaki berbanding pekerja wanita ialah
(e 0.6114  1)100  45.74%
Dengan mengandaikan umur pekerja konstan, min upah mingguan pekerja lelaki adalah 45.7%
lebih rendah berbanding pekerja wanita. Pada aras keertian 1%, keputusan ujian t menunjukkan
perbezaan tersebut adalah signifikan (nilai-p bagi ujian dua sisi = 0.0001). Tanpa mengambil kira
jantina pekerja, pertambahan satu tahun dalam umur pekerja akan meningkatkan upah mingguan
sebanyak 3.33% pada puratanya.
Page 14 of 25
1.7 Ujian Kestabilan Struktur Model Regresi Dengan Pemboleh ubah Dami
 Ia digunakan untuk menguji sama ada terdapat perubahan struktur (structural change)
atau kestabilan parameter (parameter stability) model regresi teranggar dalam tempoh
masa atau unit keratan rentas yang berlainan. Pendekatan menggunakan pemboleh ubah
dami dapat mengatasi kelemahan dalam ujian Chow (Gujarati & Porter, ms.258-259)
 Contoh ujian kestabilan struktur dalam dua sampel:
Sampel A : Y   1  2 X  u1
Sampel B : Y   1   2 X  u2
Jika parameter kedua-dua sampel stabil / tiada perubahan struktur,  1   1 dan  2   2
 Panduan umum pembentukan model dengan menggunakan pemboleh ubah dami:
i) wujudkan m – 1 pemboleh ubah dami di mana m ialah bilangan sampel
Bilangan pemboleh ubah dami yang diwujudkan ialah m – 1 bagi mengelakkan

masalah perfect multicollinearity
ii) wujudkan sebutan interaksi (interaction term) antara setiap pemboleh ubah dami
dengan setiap satu pemboleh ubah tak bersandar kuantitatif dalam model
 Berdasarkan contoh di atas, model regresi dengan satu pemboleh ubah dami, D yang
dibentuk adalah seperti berikut:
Y   1   2 D   3 X   4 ( DX )  u
dengan D = 1 jika Sampel B; D = 0, jika Sampel A

 2 ialah pembeza pintasan (intercept differential)
 4 ialah pembeza pekali cerun (slope differential)
DX ialah sebutan interaksi antara pemboleh ubah dami, D dengan pemboleh ubah tak
bersandar kuantitatif, X yang diwujudkan untuk mengambil kira perbezaan pekali cerun.
 Jika diandaikan E(u) = 0, fungsi regresi bagi kedua-dua sampel boleh diterbitkan daripada
model di atas.
Sampel A : E(Y| D = 0, X) =  1   3 X
Sampel B : E(Y| D = 1, X) = ( 1   2 )  ( 3   4 ) X
Page 15 of 25
 Jika parameter kedua-dua sampel stabil / tiada perubahan struktur, maka batasan yang
diuji ialah H 0 :  2   4  0 (setara dengan hipotesis  1   1 dan  2   2 )
 Jika H 0 ditolak, boleh disimpulkan bahawa berlaku perubahan struktur dalam fungsi
yang dikaji.
 Seterusnya ujian ke atas H 0 :  2  0 dan H 0 :  4  0 boleh dijalankan secara individu

untuk menentukan sama ada perbezaan berlaku pada pintasan atau pekali cerun atau
kedua-duanya.
 Dengan menjalankan hipotesis-hipotesis di atas, 4 kesimpulan yang mungkin diperoleh

diringkaskan dalam rajah berikut.
Contoh 5a: Pertimbangkan model semilog, ln WI  α1  α2 AGE  α3 EXP  ε
Bentuk satu model untuk membandingkan fungsi upah mingguan pekerja lelaki dan wanita.
ln WI  α1  α2 AGE  α3 EXP  α4 DS  α5 DSAGE  α6 DSEXP  u
WI = upah mingguan, AGE = umur, EXP = bilangan tahun pengalaman kerja, DS = pemboleh
ubah dami bagi jantina (1 – lelaki dan 0 – wanita), DSAGE = DS x AGE dan DSEXP = DS x EXP
Page 16 of 25
Fungsi upah mingguan pekerja lelaki (DS = 1) diberi oleh
ln WI  (α1  α4 )  (α2  α5 ) AGE  (α3  α6 ) EXP  u1
Fungsi upah mingguan pekerja wanita (DS = 0) diberi oleh
ln WI  α1  α2 AGE  α3 EXP  u2
α 4 ialah perbezaan pintasan, α5 ialah perbezaan pekali cerun bagi AGE dan α6 ialah perbezaan
pekali cerun bagi EXP antara fungsi upah mingguan pekerja lelaki dan wanita.
Untuk menguji sama ada fungsi upah mingguan berbeza antara pekerja lelaki dan wanita,
pasangan hipotesis berikut dibentuk.
H 0 : α 4  α5  α 6  0
H 1 : sekurang-kurangnya satu daripada parameter berbeza daripada sifar
Contoh 5b: Gujarati & Porter, Table 8.9, ms. 255
Katakan model tabungan diberi sebagai SAV  β1  β 2 INC  ε
SAV = tabungan (billion dollars), INC = pendapatan boleh guna (billion dollars)
Uji sama ada fungsi tabungan berbeza secara bererti antara tempoh tahun 1970-1979, 1980-1987
dan 1988-1995 pada  = 0.05.
Oleh kerana kita hendak menguji sama ada fungsi tabungan berbeza secara bererti antara 3
tempoh masa, sebanyak dua pemboleh ubah dami (katakan D1 dan D2 ) perlu diwujudkan. Di
samping itu, interaksi pemboleh ubah penerang, INC dengan setiap pemboleh ubah dami juga
perlu dimasukkan ke dalam model regresi yang berikut:
SAV  1   2 INC   3 D1   4 D2   5 ( D1  INC )   6 ( D2  INC )  u
dengan D1 = 1 jika tahun 1980-1987 ; 0 selainnya

D2 = 1 jika tahun 1988-1995 ; 0 selainnya
Berdasarkan keputusan penganggaran berikut, persamaan teranggar bagi tabungan dalam ketiga-
tiga tempoh boleh diperoleh.
Page 17 of 25
Dependent Variable: SAV
Sample: 1970 1995
INC 0.058127 0.022520 2.581138 0.0178

D1 146.5421 55.74608 2.628743 0.0161
D2 81.30755 75.09473 1.082733 0.2918
D1INC -0.050045 0.028792 -1.738140 0.0976
D2INC -0.032636 0.027363 -1.192699 0.2469
C 24.35853 27.10167 0.898783 0.3795
Sum squared resid 11006.63  RSS model tidak terbatas
Persamaan teranggar bagi tabungan dalam tempoh tahun 1970-1979 ( D1 = 0, D2 = 0) diberi oleh
SÂV  24.35853 + 0.058127 INC
SÂV  170.90063 + 0.008082 INC
SÂV  105.66608 + 0.025491 INC
Nota: Persamaan teranggar yang diterbitkan di atas sama dengan keputusan penganggaran yang
diperoleh daripada EViews selepas membuat pemilihan sampel. (Rujuk Output EViews
dalam Lampiran 2).
Ujian hipotesis berikut dijalankan untuk menguji sama ada terdapat perubahan struktur dalam
fungsi tabungan bagi ketiga-tiga tempoh di atas.
H 0 : 3  4  5  6  0
(23248.3  11006.63) / 4
RSS model terbatas, RSS R = 23248.3; Statistik ujian F = = 5.561
11006.63 / 20
Wald Test: Null Hypothesis: C(2)=C(3)=C(4)=C(5)=0
F-statistic 5.561041 (4, 20) 0.0035
Page 18 of 25
H 0 ditolak sebab F = 5.561 > F0.05, 4, 20 = 2.87 (nilai-p = 0.0035 <  = 0.05). Maka terdapat
perubahan struktur dalam fungsi tabungan bagi ketiga-tiga tempoh yang dikaji.
Keputusan ujian t ke atas parameter  3 dan  5 yang masing-masing signifikan pada aras
keertian 5% dan 10% menunjukkan pintasan dan pekali cerun bagi fungsi tabungan berbeza
antara tempoh 1980-1987 dan 1970-1979.
- ˆ2  0.058 menunjukkan dalam tempoh 1970-1979, jika pendapatan boleh guna meningkat 1
billion dollars, tabungan akan meningkat sebanyak 0.0581 billion dollars secara puratanya
- ˆ5  0.05 menunjukkan dalam tempoh 1980-1987, jika pendapatan boleh guna meningkat
1 billion dollars, kesan peningkatan ke atas tabungan adalah 0.05 billion dollars lebih rendah
berbanding tempoh 1970-1979, iaitu hanya meningkat sebanyak 0.008 billion dollars.
Keputusan ujian t ke atas parameter  4 dan  6 yang masing-masing tidak signifikan pada aras
keertian 10% menunjukkan pintasan dan pekali cerun bagi fungsi tabungan tidak berbeza antara
tempoh 1988-1995 dan 1970-1979.
Nota: Ujian CUSUM atau CUSUM of Squares boleh digunakan untuk menentukan breakpoint
atau tahun perubahan struktur berlaku. (Rujuk Output EViews dalam Lampiran 2).
1.8 Ujian Kenormalan Ralat, Heteroskedastisiti dan Autokorelasi
a) Ujian kenormalan ralat, ui
 Andaian ini adalah penting supaya prosedur ujian t dan ujian F adalah sah dalam konteks
saiz sampel yang kecil.
H 0 : sebutan ralat bertaburan normal

H 1 : sebutan ralat tidak bertaburan normal
 S 2 ( K  3) 2 
Statistik Ujian Jarque-Bera (JB) = n   
6 24 
dengan n ialah saiz sampel, S ialah pekali kepencongan (skewness) bagi residuals dan K
ialah pekali kurtosis bagi residuals
 Statistik JB, secara asimptot (i.e. dalam keadaan saiz sampel besar) bertaburan khi kuasa
dua dengan darjah kebebasan, df = 2.
 Penganggar OLS masih BLUE walaupun andaian kenormalan ralat tidak dipenuhi.
 Dalam data set yang besar, sungguhpun andaian kenormalan tidak dipenuhi, ujian t dan
ujian F masih sah secara asimptot (valid asymptotically).
Page 19 of 25
b) Ujian heteroskedastisiti: Ujian White
Diberi model regresi linear berbilang Y   0  1 X 1   2 X 2  u
Langkah 1: Anggarkan model regresi di atas dan dapatkan residuals, û .
Langkah 2: Lakukan regresi bantuan (auxiliary)
uˆ 2   0   1 X 1   2 X 2   3 X 12   4 X 22  v
Langkah 3: Uji hipotesis
H 0 : 1   2   3   4  0 (homoskedastisiti)
2 2
Statistik ujian = n Raux , dengan Raux = pekali penentuan model auxiliary
 Statistik ujian secara asimptot (i.e. dalam keadaan saiz sampel besar) bertaburan khi
kuasa dua dengan darjah kebebasan sama dengan bilangan pemboleh ubah tak bersandar
dalam regresi auxiliary.
 Regresi auxiliary di atas digunakan untuk menguji masalah heteroskedastisiti tulen. Jika
sebutan cross-product dimasukkan ke dalam model auxiliary,
uˆ 2   0  1 X 1   2 X 2   3 X 12   4 X 22   5 X 1 X 2  v
ia menguji kedua-dua masalah heteroskedastisiti dan ralat spesifikasi.
 Dalam konteks saiz sampel yang besar, jika masalah heteroskedastisiti dikesan, ralat
piawai teranggar bagi penganggar OLS boleh diperbaiki dengan menggunakan kaedah
Huber-White-Hinkley heteroscedasticity consistent standard errors and covaraince. Ralat
piawai yang terhasil mungkin lebih besar atau lebih kecil berbanding dengan ralat piawai
teranggar OLS.
c) Ujian autokorelasi: Ujian Breusch-Godfrey (BG)
Diberi model regresi linear berbilang Y   0  1 X 1   2 X 2  ut , dengan struktur ralat

berbentuk autoregresif order-p, AR(p) iaitu
ut  1ut 1   2ut 2  ......   p ut  p   t
Page 20 of 25
dengan  i ialah pekali autokovarian dengan  1   i  1 bagi i = 1, 2, ..., p

 t ialah white noise error term yang memenuhi andaian standard OLS.
Langkah 1: Anggarkan model regresi di atas dan dapatkan residuals, ût .
Langkah 2: Lakukan regresi auxiliary berikut:
uˆt   0  1 X 1   2 X 2  1uˆt 1   2uˆt 2  ...   p uˆt  p   t
Langkah 3: Uji hipotesis
H 0 : 1   2  ......   p  0 (tiada autokorelasi order-p)

2 2
Statistik ujian = n Raux , dengan Raux = pekali penentuan model auxiliary
 Statistik ujian secara asimptot (i.e. dalam keadaan saiz sampel besar) bertaburan khi
kuasa dua dengan darjah kebebasan sama dengan p.
 Ujian BG mengandaikan varian bagi ut adalah konstan (homoskedastik).
 Ujian BG dikenali sebagai Ujian Durbin’s M jika struktur ralat AR(1) diuji.
 Kelebihan Ujian BG berbanding Ujian Durbin-Watson:
i) boleh digunakan dalam model regresi yang mempunyai lat pemboleh ubah
bersandar, (i.e. Yt 1 , Yt 2 , etc.) sebagai pemboleh ubah penerang
ii) boleh menguji struktur ralat berbentuk moving average (MA) order-q
iii) boleh menguji struktur ralat berbentuk autoregressive (AR) dengan order yang
lebih tinggi daripada satu
 Dalam konteks saiz sampel yang besar, jika masalah autokorelasi dikesan, ralat piawai
teranggar bagi penganggar OLS boleh diperbaiki dengan menggunakan kaedah
Heteroscedasticity and Autocorrelation-Consistent standard errors & covariance. Ralat
piawai yang terhasil mungkin lebih besar atau lebih kecil berbanding dengan ralat piawai
teranggar OLS.
 Kaedah tersebut boleh memperbaiki ralat piawai teranggar OLS dalam keadaan di mana
kedua-dua masalah heteroskedastisiti dan autokorelasi dikesan.
Page 21 of 25
ln Y  1   2 ln X 2   3 ln X 3   4 ln X 6  u
Dependent Variable: LNY

LNX2 0.481286 0.068188 7.058251 0.0000

LNX3 -0.350628 0.079394 -4.416310 0.0003
LNX6 -0.061035 0.129960 -0.469645 0.6440
C 2.029865 0.118682 17.10338 0.0000
R-squared 0.980303 Mean dependent var 3.663887

Adjusted R-squared 0.977193 S.D. dependent var 0.187659
S.E. of regression 0.028340 Akaike info criterion -4.132296
Sum squared resid 0.015260 Schwarz criterion -3.934819
Log likelihood 51.52141 Hannan-Quinn criter. -4.082631
F-statistic 315.2063 Durbin-Watson stat 1.910653
Prob(F-statistic) 0.000000
a) Uji sama ada sebutan ralat bertaburan normal.
7
Series: Resi duals
6 Sample 1960 1982
Observations 23
5
Mean 1.07e-15
4 Medi an -0.004940
Maxi mum 0.053612
3 Minimum -0.046486
Std. Dev. 0.026337
2
Skewness 0.647826
Kurtosis 2.796973
1
0 Jarque-Bera 1.648272
-0.04 -0.02 0.00 0.02 0.04 0.06 Probabil ity 0.438614
H 0 : sebutan ralat bertaburan normal gagal ditolak sebab

statistik ujian JB = 1.648 <  02.05, 2 = 5.991 (nilai-p = 0.439 > α = 0.05)
Oleh itu, sebutan ralat memenuhi andaian kenormalan.
Page 22 of 25
b) Uji sama ada varian bagi sebutan ralat konstan.
Keputusan ujian White (tanpa sebutan cross-product)

Heteroscedasticity Test: White
Null hypothesis: Homoskedasticity
F-statistic 0.211049 Prob. F(6,16) 0.9680

Obs*R-squared 1.686800 Prob. Chi-Square(6) 0.9461
Scaled explained SS 1.034253 Prob. Chi-Square(6) 0.9843
Dependent Variable: RESID^2
C -0.072089 0.151496 -0.475847 0.6406

LNX2 0.016452 0.049359 0.333318 0.7432
LNX2^2 -0.001196 0.003577 -0.334439 0.7424
LNX3 0.030930 0.098660 0.313498 0.7580
LNX3^2 -0.003676 0.012741 -0.288502 0.7767
LNX6 -0.019508 0.097780 -0.199504 0.8444
LNX6^2 0.001970 0.010220 0.192743 0.8496
R-squared 0.073339
H 0 : varian bagi sebutan ralat adalah konstan gagal ditolak sebab statistik ujian = 1.687 <
 02.01,6 = 16.812 (nilai-p = 0.946 > α = 0.01)
Oleh itu, varian bagi sebutan ralat adalah konstan @ andaian homoskedastisiti dipenuhi.
c) Uji sama ada sebutan ralat berautokorelasi.
Bagi menguji struktur ralat AR(1), ujian Durbin-Watson boleh digunakan.
n = 23, k’ = 3, pada α = 0.05 : d L = 1.078 dan dU = 1.660.
Oleh kerana dU  1.660  d  1.911  4  dU  2.340 , sebutan ralat tidak berautokorelasi

pada order pertama (i.e. H 0 :   0 gagal ditolak)
Bagi menguji order lebih tinggi, katakan AR(2), ut  1ut 1   2ut 2   t , guna ujian BG.
H 0 : tiada korelasi bersiri sehingga pada lag 2 ditolak sebab statistik ujian = 4.991 >
 02.10, 2 = 4.605 (nilai-p = 0.0824 < α = 0.10)
Oleh itu, sebutan ralat berautokorelasi pada order kedua.
Oleh kerana hanya parameter  2 sahaja yang signifikan pada aras keertian 5% di bawah
ujian t (nilai-p = 0.0449), struktur ralat boleh ditulis dalam bentuk ut   2ut 2   t
Page 23 of 25
Keputusan ujian BG
Breusch-Godfrey Serial Correlation LM Test:

Null hypothesis: No serial correlation at up to 2 lags
F-statistic 2.355829 Prob. F(2,17) 0.1250

Obs*R-squared 4.991241 Prob. Chi-Square(2) 0.0824
Dependent Variable: RESID
LNX2 -0.023910 0.065500 -0.365038 0.7196

LNX3 -0.062887 0.088572 -0.710009 0.4873
LNX6 0.079903 0.133081 0.600405 0.5562
C 0.035566 0.117011 0.303951 0.7649
RESID(-1) -0.043503 0.243343 -0.178775 0.8602
RESID(-2) -0.508152 0.234725 -2.164877 0.0449
R-squared 0.217010
1.9 Pengesanan Masalah Multikolinearliti yang Serius
 Salah satu andaian klasik OLS ialah tidak wujud hubungan linear yang tepat antara
pemboleh ubah tidak bersandar atau tidak berlaku multikolinearliti sempurna. Oleh itu,
multikolinearliti berkait rapat dengan isu sejauh manakah seriusnya masalah ini dalam
analisis regresi dan bukan berkaitan dengan kewujudan masalah tersebut.
Diberi model regresi linear berbilang Y   0  1 X 1   2 X 2   3 X 3  u
Cara-cara mengesan masalah multikolinearliti yang serius:
a) Pekali penentuan R 2 yang tinggi (melebihi 0.8) tetapi tiada atau hanya beberapa
keputusan ujian t yang signifikan.
b) Nilai mutlak pekali korelasi mudah antara pasangan pemboleh ubah tidak bersandar lebih
besar daripada 0.8 (syarat cukup tetapi bukan syarat perlu)
c) Variance Inflation Factor (Centered VIF) bagi pemboleh ubah tidak bersandar, X j
1
melebihi 10 (iaitu apabila R 2j melebihi 0.9), di mana VIF j  .
1  R 2j
Dalam konteks ini, pemboleh ubah tidak bersandar X j dikatakan mempunyai kolinearliti
yang tinggi dengan pemboleh ubah tidak bersandar yang lain dalam model dan perlu
pertimbangkan sama ada ia patut dikeluarkan daripada model atau tidak.
Page 24 of 25
Nota: R 2j ialah pekali penentuan bagi model regresi bantu (auxiliary) X j ke atas semua
pemboleh ubah tidak bersandar yang lain dalam model.
d) Condition number kurang daripada 0.001 dan variance-decompositions proportions bagi

dua atau lebih pemboleh ubah lebih besar daripada 0.5. (Metodologi yang digunakan
dalam EViews).
Rujuk Contoh 6: Berdasarkan output-output berikut, dapatkah anda mengesan masalah

multikolinearliti yang serius? Jelaskan.
Matriks pekali korelasi mudah antara pemboleh ubah tidak bersandar
Correlation
LNX2 LNX3 LNX6
Probability
LNX2 1.000000
-----
LNX3 0.907175 1.000000

0.0000 -----
LNX6 0.986924 0.934570 1.000000

0.0000 0.0000 -----
Statistik VIF
Coefficient Uncentered Centered

Variable Variance VIF VIF
LNX2 0.004650 6168.205 41.38882

LNX3 0.006303 2679.713 8.495150
LNX6 0.016890 10378.34 57.88691
Eigenvalues, condition number dan variance decomposition proportions

Coefficient Variance Decomposition
Eigenvalues 0.023909 0.016314 0.001705 4.18E-07

Condition 1.75E-05 2.56E-05 0.000245 1.000000
Variance Decomposition Proportions
Associated Eigenvalue
Variable 1 2 3 4
LNX2 0.642935 0.267289 0.089726 4.98E-05

LNX3 0.616645 0.228768 0.154575 1.18E-05
LNX6 0.887727 0.112263 3.65E-06 6.35E-06
C 0.144798 0.832983 0.022218 3.53E-07
Page 25 of 25

Nota Topik 1

Uploaded by

Copyright:

Available Formats

Nota Topik 1

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Nota Topik 1

Uploaded by

Copyright:

Available Formats

Topik 1: Ulangkaji & Lanjutan Pengujian Hipotesis Dalam Model Regresi

Semester 2, Sesi 2020/2021

1.1 Regression Analysis: Some Basic Ideas

 Econometrics may be defined as the quantitative analysis of actual economic phenomena

 The specification of simple linear regression model may be written as Yi  1   2 X i  ui

where 1 and  2 are unknown parameters (regression coefficients)

Yˆi  ˆ1  ˆ2 X i

where Yˆi is the estimated value of Yi

̂1 and ̂ 2 are the estimated values of 1 and  2 respectively

 Terminology for simple regression model:

Yi : Dependent variable / Explained variable / Regressand / Endogenous

X i : Independent variable / Explanatory variable / Regressor / Exogenous

 Assumptions of Classical Linear Regression Model / OLS assumptions

a) The regression model is linear in the parameters

c) For given X’s, the mean value of error term ui is zero, E( ui | X i )  0

d) For given X’s, the variance of ui is constant or homoscedastic, Var( u i | X i )   2

f) The error term ui , is normally and independently distributed, ui  NID(0,  2 )

g) Zero covariance between ui and X i , or Cov( ui X i ) = 0

h) The regression model is correctly specified (no specification error)

i) There is no exact linear relationship in the regressors (no perfect multicollinearity)

1.2 Bentuk Fungsi bagi Model Regresi

Pertimbangkan model regresi, Yi  1 X i 2 e ui

 Model semilog (Model log-lin)

a) Pertimbangkan model log-lin , ln Yi  1   2 X i  ui

Dengan mendarabkan perubahan relatif dalam Y dengan 100, ia menunjukkan peratus

Peratus perubahan sebenar dalam Y boleh didapati dengan rumus berikut.

Model log-lin biasanya dibentuk untuk mengkaji kadar pertumbuhan bagi Y.

b) Pertimbangkan model Yt  Y0 (1  r ) t di mana Y0 ialah nilai awal bagi Y

dengan t ialah pemboleh ubah masa

r ialah kadar pertumbuhan kompaun (compound growth rate)

katakan 1  ln Y0 dan  2  ln (1 + r), model log-lin boleh ditulis semula sebagai:

Jika  2 didarab dengan 100, ia mengukur kadar pertumbuhan seketika (instantaneous

 Model semilog (Model lin-log)

Pertimbangkan model lin-log , Yi  1   2 ln X i  u i

Dengan mendarabkan perubahan relatif dalam X dengan 100, ia menunjukkan perubahan

Lampiran 1: Benoit, K. 2011. Linear regression models with logarithmic transformations.

1.3 Panduan Memilih Bentuk Fungsi

 berdasarkan teori asas ekonomi

Persamaan teranggar bagi setiap model diberi seperti berikut:

Model A: Ŷ  33.22612  0.003731X 2  0.256994 X 3  0.037807 X 5  0.850983 t

Model D: Ŷ  28.66592  13.25393 ln X 2  13.61327 ln X 3  6.48238 ln X 5

a) Tafsirkan pekali cerun separa teranggar bagi X 3 dalam keempat-empat model:

Dengan mengandaikan faktor lain konstan,

b) i) Berdasarkan Model D, apabila X 2 = $500, X 3 = 40 sen per paun dan X 5 = 100

ii) Diberi X 3 = 48 dan Y = 39.7. Berdasarkan Model A,

iii) Berdasarkan Model D, dengan mengandaikan faktor lain tetap, peningkatan

Dengan mengandaikan faktor lain konstan,

kadar pertumbuhan kompaun = ( e 0.0184  1 )  100 = 1.86%

Diberi model regresi linear berbilang Y   0  1 X 1   2 X 2   3 X 3  u

a) ujian ke atas pekali cerun separa secara individu

H 0 :  i  b menentang H1 :  i  b (di mana b ialah suatu pemalar)

b) ujian keberertian model

H 0 : 1   2   3  0 menentang H 1 : sekurang-kurang satu daripada  i  0

ESS /(k  1) R 2 /(k  1)

c) contoh ujian kesamaan dua pekali cerun separa

H 0 :  2   3 atau (  2   3  0) menentang H 1 :  2   3 atau (  2   3  0)

( ˆ2  ˆ3 )  (  2   3 ) ˆ2  ˆ3

d) contoh ujian batasan linear ke atas pekali cerun separa

( ˆ2  ˆ3 )  (  2   3 ) ( ˆ  ˆ3 )  1

dengan SE ( βˆ 2  βˆ3 )  V ( βˆ 2 )  V ( βˆ3 )  2 Cov ( βˆ 2 , βˆ3 )