Dr. Masarina Flukeria, M.S.E., M.P.P.

Video ini membahas konsep Ordinary Least Square (OLS) dalam analisis regresi untuk mencari nilai alpha. OLS atau kuadrat terkecil penting untuk mendapatkan Minimum Error dalam Simple Linear Regression maupun Multiple Linear Regression. Dalam proses ini, error perlu dikuadratkan agar tujuan Minimum Error tercapai. Melalui perhitungan yang tepat, alpha dapat diperoleh dengan rumus Y bar dikurangi beta X bar. Proses ini penting untuk memprediksi koefisien dalam model regresi ekonomi. Semoga penjelasan ini membantu memahami konsep Ordinary Least Square dalam analisis regresi.

Oke tadi saya sudah sempat mengatakan OLS, OLS itu apa?

Atau kita bisa bilang kita akan belajar kuadrat terkecil.

Mengapa kita perlu belajar OLS atau kuadrat terkecil ini?

Karena kalau belajar Simple Linear Regression maupun Multiple Linear Regression,

kamu harus bisa mendapatkan yang namanya Minimum Error.

Supaya kamu bisa mendapatkan Minimum Error.

Nah sekarang kita lihat lagi contoh berikutnya.

Error itu bisa Error yang positif ataupun Error yang negatif.

Kalau kamu hanya just sum, sum Error seperti ini, apa yang terjadi?

Plus dengan negatif saling menghilangkan kan?

Artinya kalau ingin mendapatkan Minimum Error, sigma semua Error,

kalau saya bilang sigma E itu artinya semua Error disum ya,

maka semua Error itu tidak sekedar seperti ini,

artinya tujuan mendapatkan Minimum Error itu bisa tercapai.

Tidak semata-mata sigma E, tapi sigma E kuadrat.

Dan ketika kamu sudah mendapatkan sigma E kuadrat,

maka disinilah fungsi dari ordinary least square.

Mari kita lihat baik-baik supaya kita bisa tahu

mengapa OS ini penting banget ketika belajar regresi.

Model kamu YI sama dengan alpha plus beta XI plus EI.

kamu kan sebenarnya berhadapan dengan sampel.

Sebenarnya alpha sama beta ini itu kan hasil dari sampel,

Makanya koefisienya itu diprediksi dengan cara seperti ini.

kamu kan berusaha membuat model tentang pertumbuhan ekonomi,

tapi kamu hanya fokus pada satu variable, yaitu variable informasi.

Maka prediksi model kamu itu adalah seperti ini.

Dengan demikian, EI itu sama dengan YI dikurangi dengan...

Ini sama dengan YI dikurangi dengan alpha plus beta XI.

Tadi saya bilang kamu harus dapat yang namanya sigma EI kwadrat.

Ini kan kunci dari ordinary least square.

Berarti kamu harus dapat yang namanya sigma...

Sekarang, tadi kan kamu harus mendapatkan yang namanya minimum error.

Lalu bagaimana caranya kamu bisa mendapatkan alpha yang ini...

Kita kerjakan dulu yang alphanya seperti apa.

Artinya disini kamu perlu membuat yang namanya diferensial untuk E dan alpha.

Ini adalah 2 sigma YI minus alpha minus beta XI.

Ini saya tulis aja ya supaya kelihatan stepnya.

Minus 2 sigma YI minus alpha minus beta XI.