Clr model

Clr model

• 1.
  Classical Linier RegressionModel: Asumsi yang Mendasari Metode Kuadrat Terkecil AZZA AUNILLAH FAHMI ANGGRIAWAN NADIA AMANTA REISA SELVA ULZANA
• 2.
  Asumsi 1 Model RegresiLinear: Model regresi ini linear dalam parameter-parameternya, seperti yang ditunjukkan pada persamaan: Yi = β1 + β2Xi + ui Seperti yang akan dibahas dalam bab 7, model ini dapat diperluas untuk lebih banyak merangkum variabel-variabel penjelas.
• 3.
  Asumsi 2 Nilai XSelalu Tetap atau Nilai X yang Independen Terhadap Faktor Kesalahan: Nilai regresor X selalu dianggap tetap dalam pengambilan sampel yang berulang (regresor selalu tetap) atau pengambilan sampel sejalan dengan pengumpulan variabel Y (regresor stokastik). Pada contoh berikutnya hal tersebut menunjukkan bahwa variabel-variabel x dan faktor kesalahan yang “independen”, yaitu cov (xi, ui) = 0
• 4.
  Asumsi 3 • Nilairerata 0 dari faktor gangguan ui : untuk setiap nilai Xi tertentu, nilai rerata atau nilai ekspektasi dari faktor gangguan acak ui bernilai 0. • Secara simbolis, kita peroleh E(ui | Xi) = 0 atau jka X bersifat tidak stokastik E(ui) =0
• 5.
  Asumsi 4 Homoskedastisitas ataukeseragaman varians dari ui: nilai varians faktor kesalahan atau gangguan adalah sama dengan mengabaikan nilai X. Secara simbolis, Var (ui) = E[ui - E(ui | Xi)]2 = E(ui2 | Xi), karena asumsi 3 = E(ui2), jika Xi bersifat nonstokastik = σ2 Dimana var adalah kependekan dari varians.
• 6.
  Asumsi 5 Tidak AdanyaOtokorelasi Diantara Gangguan: Untuk setiap 2 nilai X yang ada, Xi dan Xj (i tidak sama dengan j ), korelasi antara nilai ui dan uj manapun (i≠j) adalah nol. Secara simbolis, Cov(ui, uj|Xi, Xj) = 0 Cov(ui, uj) = 0, jika Xi bersifat nonstokastik Dimana i dan j merupakan dua observasi yang berbeda, serta dimana cov berarti covarians.
• 7.
  Asumsi 6 Jumlah Observasin Harus Lebih Besar Daripada Jumlah Parameter yang Akan Diestimasi: Dengan kata lain, jumlah observasi harus lebih besar daripada jumlah variabel- variabel penjelasnya.
• 8.
  Asumsi 7 Kriteria DasarPada Variabel x: Nilai x dari sampel tertentu tidak selalu harus sama. Secara teknis, var (x) seharusnya meruppakan angka yang positif. Lebih jauh lagi, tidak ada pencilan (outlier) dari nilai variabel x, yaitu nilai yang menyatakan hubungan yang terlalu besar pada akhir observasi.