Kesalahan Standar Estimasi (Standard Error of the Estimate)

Loading...

Kesalahan Standar Estimasi adalah standar deviasi di sekitar garis estimasi regresi yang mengukur variabilitas nilai Y aktual dari Y prediksi, disimbolkan dengan SYX. Kesalahan prediksi dalam regresi biasanya disebut dengan error term atau residual.

Meskipun metode kuadrat-terkecil (OLS) menghasilkan garis estimasi dengan jumlah variasi minimum (kecuali jika koefisien determinasi r2 = 1) persamaan regresi bukanlah prediktor yang sempurna. Setiap estimasi menggunakan regresi OLS pasti mengandung kesalahan prediksi atau error term.

Namun, dengan menggunakan metode regresi OLS ini error term bisa ditekan sekecil mungkin, senormal mungkin, serta sestabil mungkin. Dengan demikian akan dihasilkan estimasi yang dapat dipercaya atau sering disebut dengan istilah BLUE (best linier unbiased estimation).

grafik kesalahan standar estimasi

Variabilitas di sekitar garis regresi ditunjukkan pada gambar di atas, yang menyajikan scatter plot dan garis regresi untuk data penjualan motor. Kita dapat melihat dari gambar itu bahwa beberapa nilai berada di atas garis regresi dan nilai lainnya berada di bawah garis regresi. Pada contoh tersebut, kesalahan standar estimasi (Standard Error) sama dengan 0,158 unit, seperti output Excel di bawah ini.

contoh kesalahan standar estimasi

Bila kita hitung secara manual kita bisa menggunakan rumus:

penghitungan kesalahan standar estimasi

Bila kita hitung menggunakan rumus tersebut, seperti ini

rumus kesalahan standar estimasi

Hasilnya sama dengan penghitungan yang dilakukan komputer kan…..

Sama seperti standar deviasi mengukur variabilitas di sekitar rata-rata, kesalahan standar estimasi mengukur variabilitas di sekitar garis estimasi. Kesalahan standar estimasi akan sangat penting untuk menentukan apakah ada hubungan signifikan secara statistik antara variabel X dan Y atau uji t.

Demikianlah bahasan kami tentang kesalahan standar estimasi pada model regresi OLS. Semoga tulisan singkat ini dapat membantu Anda semua yang sedang mulai belajar ekonometrika atau statistika.

Akhir kata, terima kasih telah bersedia mampir di maglearning.id, dan mohon maaf bila ada salah kurangnya. Salam belajar dengan menyenangkan, kapan saja di mana saja.

Loading...

3 comments

Tinggalkan Balasan