Analisis OLS, Ridge, dan Lasso Secara Sederhana

📌 Sumber Ilmiah

Li, M. et al. (2021).
Analysis of Potential Factors Influencing China’s Regional Sustainable Economic Growth.
Applied Sciences, 11, 10832. applsci-11-10832

🌏 Latar Belakang

China dikenal sebagai salah satu negara dengan pertumbuhan ekonomi paling pesat di dunia. Namun pertanyaannya:

Faktor apa yang paling berpengaruh terhadap pertumbuhan ekonomi China?

Apakah perdagangan?
Apakah investasi asing?
Apakah konsumsi masyarakat?
Atau kebijakan fiskal pemerintah?

Penelitian ini mencoba menjawab pertanyaan tersebut dengan pendekatan ekonometrika yang kuat.

📊 Data yang Digunakan

Penelitian menggunakan data tahunan periode 2000–2019.

🎯 Variabel yang Diukur

Variabel Utama (Target)

Pertumbuhan GDP China

Variabel Penjelas

Dibagi menjadi dua kelompok:

🌍 Faktor Eksternal

Perdagangan (Trade)
Nilai tukar
Foreign Direct Investment (FDI)

🏠 Faktor Domestik

Pengeluaran fiskal
Pertumbuhan uang beredar
Konsumsi masyarakat
Belanja pendidikan
Belanja R&D
Sektor jasa (industri tersier)
Perkembangan sektor keuangan
Sektor industri
Properti

🔬 Mengapa Tidak Cukup Menggunakan Regresi Biasa?

Regresi linear biasa (OLS) memiliki rumus: $Y = X\beta + \varepsilon$

Namun ketika banyak variabel saling berkorelasi (multikolinearitas), hasilnya menjadi tidak stabil.

Masalah yang ditemukan dalam penelitian:

Banyak variabel memiliki korelasi tinggi
Koefisien regresi menjadi tidak konsisten
Model sulit dipercaya

Karena itu, peneliti menggunakan metode alternatif.

🧠 Empat Metode yang Dibandingkan

1️⃣ OLS (Ordinary Least Squares)

Metode klasik.
Masalah: sensitif terhadap multikolinearitas.

2️⃣ Stepwise Regression

Metode ini memilih variabel berdasarkan signifikansi statistik.

Masalah:

Bisa menghilangkan variabel penting
Tidak stabil jika data berubah sedikit

3️⃣ Ridge Regression

Menambahkan penalti pada kuadrat koefisien: $\text{Minimize } \sum (y – \hat{y})^2 + \lambda \sum \beta^2$

Tujuannya:

Mengurangi fluktuasi koefisien
Mengatasi multikolinearitas

Namun Ridge tidak menghilangkan variabel.

4️⃣ Lasso Regression (Metode Terbaik)

Menambahkan penalti absolut: $\text{Minimize } \sum (y – \hat{y})^2 + \lambda \sum |\beta|$

Keunggulan:

Bisa menghilangkan variabel tidak penting
Mengurangi overfitting
Lebih stabil

Penelitian menyimpulkan bahwa Lasso memberikan hasil terbaik applsci-11-10832

📈 Hasil Utama Penelitian

Model terbaik menunjukkan bahwa faktor paling dominan adalah:

🥇 Konsumsi Rumah Tangga

Koefisien ≈ 0.65
Artinya:
Jika konsumsi naik 1%, GDP naik sekitar 0.65%.

🥈 Sektor Jasa (Tertiary Industry)

Koefisien ≈ 0.63

Menunjukkan China semakin bergantung pada sektor jasa, bukan manufaktur semata.

🌍 Trade dan FDI

Masih signifikan, tetapi bukan faktor utama.

⚠️ Properti dan R&D

Tidak terlalu signifikan dalam model akhir.

🎯 Apa Artinya Secara Ekonomi?

Temuan ini menunjukkan:

Ekonomi China semakin berbasis konsumsi domestik.
Transformasi menuju sektor jasa berjalan cepat.
Ketergantungan pada properti tidak lagi dominan.
Investasi asing tetap penting, tetapi bukan satu-satunya mesin pertumbuhan.

📌 Pelajaran Metodologis Penting

Jika Anda meneliti data ekonomi dengan:

Banyak variabel
Korelasi tinggi antar variabel
Risiko overfitting

Maka:

Lasso regression adalah pilihan yang sangat tepat.

💡 Implikasi Kebijakan

Untuk menjaga pertumbuhan berkelanjutan:

Dorong konsumsi domestik
Perkuat sektor jasa
Reformasi sistem fiskal
Optimalkan investasi asing berkualitas
Kurangi spekulasi properti

🔎 Kesimpulan

Penelitian ini menunjukkan bahwa pertumbuhan ekonomi modern tidak lagi hanya bergantung pada industri berat atau ekspor.

China kini didorong oleh:

Konsumsi masyarakat
Transformasi struktural
Integrasi global

Secara metodologis, penelitian ini juga membuktikan bahwa:

Dalam kondisi multikolinearitas tinggi, Lasso regression lebih unggul dibanding OLS dan Ridge.

📊 Apa Sebenarnya yang Mendorong Pertumbuhan Ekonomi China?