Asumsi

Model
Regresi
Classical
Assumptions
Asumsi 1 :
Linearitas dalam
model

, t = 1, 2, n
dimana :
Yt

= dependent variable

= koefisien regresi

Xt

= independent variable

Ut

= unobserved error term

Asumsi 2 : Beberapa
observasi adalah berbeda

Solusi tidak bisa dicapai jika Sxx = 0, jika semua

Xt adalah sama. Hal ini mengharuskan
tidak Nol.

PROPERTY DARI
ESTIMATOR
1. Tidak bias
Asumsi 3 : Setiap u
adalah variabel acak
dengan (u) = 0,
(rata-rata kesalahan
0).
Asumsi 4 : X adalah given dan
bukan variabel acak,
Cov (Xt, ut) = [(Xt ut)(ut
ut)]
= [(Xtut Xtut
ut2 + ut2)]= 0

Jadi Xt dan ut tidak berkorelasi.

Berdasarkan asumsi 3 dan 4, maka

dan
tidak bias,
dan

PROPERTY DARI
ESTIMATOR
(Lanjutan)
2. Berdasarkan asumsi 2, 3
dan 4 least squares
estimators adalah

konsisten.
kondisi konsistensi : , Cov (Xt,
ut) = 0 dan Var (Xt) 0

3.

Efficiency :

Estimator yang tidak bias

dikatakan lebih efisien jika
memiliki varian yang lebih kecil
dari estimator tidak bias lainnya
asumsi lain yang diperlukan
untuk ut.
Asumsi 5 :
Homoskedastisitas
Pada semua u adalah
terdistribusi secara identiki
dengan varian (2) yang sama,
maka :
Var (ut) = (ut2) =

Asumsi 6 : Serial
Independence
u terdistribusi bebas Cov (ut, us)
= (utus) = 0, untuk t s.

6 Asumsi ini menggambarkan nilai

sisa adalah terdistribusi secara
bebas dan identik.

PROPERTY DARI
ESTIMATOR (Lanjutan)
6 Heteroskedastisitas :
Variance tidak konstan antar
observasi tapi meningkat
dengan semakin
meningkatnya X.
6 Dari asumsi 2 sampai
dengan 6 OLS BLUE
estimator

PROPERTY DARI
ESTIMATOR (Lanjutan)
6 Kesimpulan :

Prosedur OLS untuk

mengestimasi koefisien regresi
dalam model membutuhkan
beberapa propertis :
1. Unbiased (tidak bias)
2. Konsisten
3. Paling efisien

1 dan 2 membutuhkan asumsi :

(ut) = 0 dan Cov (Xt, ut) = 0

3 dan BLUE membutuhkan

asumsi :
Var (ut) =

dan Cov (ut, us) = 0