MODUL PELATIHAN EKONOMETRI

LEVEL BASIC

14-15 MARET 2009

FAKULTAS EKONOMI UNIVERSITAS AIRLANGGA SURABAYA

ORDINARY LEAST SQUARE

A. Regresi Sederhana (OLS Sederhana) 1. Pengantar Model regresi sederhana adalah suatu model yang melihat hubungan antar dua variabel. Salah satu variabel menjadi variabel bebas (Independent variable) dan variabel yang lain menjadi variabel terikat (Dependent variable). Dalam regresi sederhana ini, akan kita ambil suatu contoh kasus mengenai hubungan antara pengeluaran konsumsi dan pendapatan di US pada tahun 1996 2005 (Gujarati, 2003: 6). Persamaan model ini adalah: Y = 0 + 1X + Dimana, Y adalah pengeluaran konsumsi, 0 adalah konsumsi autonom, X merupakan pendapatan dan adalah error term. 2. Prosedur dalam Eviews Langkah pertama dalam mengoperasikan Eviews adalah dengan mengaktifkan workfile. Dengan asumsi, data telah dimasukkan dalam program excel dan telah disimpan. Tampilkan program Eviews, Klik File New Workfile, sehingga tampak seperti berikut ini

Selanjutnya akan tampak workfile create, yaitu tampilan untuk memasukkan periode observasi. Dimana terdapat jenis periode, start date, dan end date.

Periode data diisi sesuai dengan data yang telah dientry dalam Excel. Dimana data tersebut adalah data tahunan (annual). Pada kolom frequency pilih sesuai dengan jenis data, jika data adalah tahunan maka pilih annual. Pada kolom start date diisi sesuai dengan data tahun pertama, sedangkan end date diisi dengan data tahun terakhir.

Lakukan prosedur berikut: Klik Annual (tahunan) Start date: 1996 End date: 2005 - OK Maka akan muncul layar workfile sebagai berikut:

Kemudian kita akan mengimport data, memasukkan data yang akan diolah. Klik Procs - Import Read Text Lotus - Excel. Carilah dimana file data yang telah disimpan.

Akan muncul tampilan:

Pada Upper left data cell tertulis B2, hal ini menunjukkan bahwa data yang kita tulis dimulai pada cell B2. Excel 5+ sheet name, menunjukkan di sheet mana data kita entry. Jika pada sheet 1, maka kita tidak perlu mengisinya. Namun jika data dientry pada sheet kedua dan seterusnya, maka kita perlu mengisi sesuai dengan sheet tersebut. Name for series or diisi dengan nama semua variabel yang akan diolah, atau dapat juga diisi dengan jumlah semua variabel. Misal kita isi dengan X dan Y, kemudian Klik OK

akan muncul data yang akan diolah, kemudian blok variable X dan Y - Klik kanan: Open - as Group. 5

Setelah itu Maka, akan muncul tampilan :

Kemudian Pilih Procs - Make Equation - Equation Specification Setelah itu ketik data yang akan diolah : Y spasi c spasi X, pilih Method: LS OK. Variabel yang kita tulis pertama adalah variabel dependen, selanjutnya adalah konstanta dan variabel independent.

Maka akan tampak hasil regresi seperti berikut:

Dependent Variable: Y Method: Least Squares Date: 08/24/07 Time: 01:18 Sample: 1996 2005 Included observations: 10 Variable Coefficient C 24.45455 X 0.509091 R-squared 0.962062 Adjusted R-squared 0.957319 S.E. of regression 6.493003 Sum squared resid 337.2727 Log likelihood -31.78092

Std. Error t-Statistic 6.413817 3.812791 0.035743 14.24317 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic

Prob. 0.0051 0.0000 111.0000 31.42893 6.756184 6.816701 202.8679

Durbin-Watson stat

2.680127

Prob(F-statistic)

0.000001

Intepretasi Hasil Regresi: Dari hasil regresi diatas maka akan didapatkan persamaan sebagai berikut: Y = 24.45455 + 0.509091X Sebagai contoh, apabila ditanyakan berapa tingkat konsumsi individu jika pendapatan tahun depan diperkirakan sebesar 5000 milyar dollar US?. Maka Y = 24.45455 + 0.509091(5000) Y = 2569.91 Jadi, jika pendapatan sebesar 5000 milyar dolar US maka tingkat konsumsi individu adalah sebesar 2569.91 milyar dolar US. B. Regresi Berganda Model regresi berganda merupakan suatu model regresi yang terdiri dari lebih dari satu variabel independen. Bentuk umum regresi berganda dapat ditulis sebagai berikut: Y1 = 0 + 1X1 + 2X2 + 3X3 + .+ nXn + ei Pada intinya, langkah langkah estimasi regresi berganda didalam Eviews tidak jauh berbeda dengan regresi sederhana seperti yang telah dibahas sebelumnya. Berikut ini adalah tampilan data yang akan digunakan dalam regresi berganda.

Dengan cara yang sama seperti pada regresi sederhana kita akan meregresi variabel dependen yaitu ekspor dan veriabel independen yang terdiri dari suku bunga, nilai tukar rupiah, serta inflasi. Dari hasil regresi akan diperoleh estimasi sebagai berikut:

Cara mengintepretasikan hasil regresi sama dengan estimasi pada regresi sederhana. C. Uji t dan Uji F

Uji t merupakan pengujian terhadap koefisien dari veriabel bebas secara parsial. Uji ini dilakukan untuk melihat tingkat signifikansi dari variabel bebas secara individu dalam mempengaruhi variasi dari variabel terikat. Sedangkan Uji F merupakan uji model secara keseluruhan. Oleh sebab itu Uji F ini lebih relevan dilakukan pada regresi berganda. Uji F dilakukan untuk melihat apakah semua koefisien regresi berbeda dengan nol atau dengan kata lain model diterima. Pada regresi sederhana maupun regresi berganda, pengujian koefisien 1, 2, dan n dapat dilakukan dengan Uji t. Pengujian ini dilakukan dengan cara membandingkan t-statistik pada hasil regresi dengan t tabel. Jika nilai t-stat > ttabel, maka Ho ditolak dan H1 diterima, dengan kata lain terdapat hubungan antara variabel dependen dan variabel independen. Sebaliknya jika t-stat < t-tabel, maka Ho diterima dan H1 ditolak, yang artinya tidak terdapat hubungan antara variabel dependen dan variabel independen. Pada contoh kasus diatas, dengan tingkat kepercayaan 95% ( = 5%) maka daerah kritis untuk menolak Ho adalah t-stat < t
0.025;39

. Kita bisa melihat bahwa

pada variabel inflasi memiliki nilai t-stat sebesar 5,479 sedangkan nilai t-tabel pada t0.025;39 adalah 2,021. Artinya nilai t-stat > t-tabel, sehingga hipotesa H 0 ditolak, dapat disimpulkan bahwa terdapat hubungan antara ekspor dan inflasi. Pengujian hipotesis dapat juga dilakukan dengan konsep P-Value. Cara ini relatif lebih mudah dilakukan karena tersedia pada menu Eviews. Konsep ini membandingkan dengan nilai P-Value. Jika nilai P-Value kurang dari , maka H0 ditolak. Pada contoh kasus diatas nilai P-Value dari variabel inflasi adalah 0,0000 artinya pada = 1%, 5%, dan 10% hipotesa H0 ditolak. Artinya pada berbagai tingkat keyakinan tersebut ekspor memiliki hubungan dengan inflasi. Pada prinsipnya Uji F memiliki konsep yang tidak jauh berbeda dengan Uji t. Jika Uji t digunakan untuk melihat pengaruh variabel bebas terhadap variabel terikat secara individu, maka Uji F digunakan untuk melihat pengaruh variabel bebas terhadap varibel terikat secara bersama-sama. Formulasi dari Uji F adalah sebagai berikut: Ho : 1 = 2 = 3 = 0, artinya antara variabel dependen dengan variabelvariabel independen tidak ada hubungannya H1 : 1 2 n 0, artinya antara variabel dependen dengan variabel-

10

Variabel independen ada hubungan. Dengan menggunakan konsep P-Value, maka pada contoh diatas P-Value dari F = 0,000012. Artinya pada = 1%, 5%, dan 10% hipotesa H0 ditolak dan H1 diterima. Dimana antara ekspor dengan inflasi, tingkat bunga, dan nilai tukar rupiah terdapat suatu hubungan. Dengan kata lain variabel independen dalam persamaan tersebut secara bersama-sama berpengaruh terhadap variasi dari variabel dependen. D. Uji Asumsi Klasik Dalam melakukan estimasi persamaan linier dengan menggunakan metode OLS, maka asumsi-asumsi dari OLS harus dipenuhi. Apabila asumsi tersebut tidak dipenuhi maka tidak akan menghasilkan nilai parameter yang BLUE (Best Linear Unbiased Estimator). Asumsi BLUE antara lain: 1. Model regresi adalah linier dalam parameter 2. Error term (u) memiliki distribusi normal. Implikasinya, nilai rata-rata kesalahan adalah nol. 3. Memiliki varian yang tetap (homoskedasticity). 4. Tidak ada hubungan antara variabel bebas dan error term. 5. Tidak ada korelasi serial antara error (no-autocorrelation). 6. Pada regresi linear berganda tidak terjadi hubungan antar variabel bebas (multicolinearity). D.1. Uji Multikolinieritas Multikolinearitas adalah adanya hubungan linier yang signifikan antara beberapa atau semua variabel independent dalam model regresi. Untuk melihat ada tidaknya multikolinieritas dapat dilihat dari koefisien korelasi dari masingmasing variabel bebas. Jika koefisien korelasi antara masing-masing variabel bebas lebih besar dari 0,8 berarti terjadi mulikolinieritas. Pada contoh regresi dibawah ini terlihat bahwa banyak variabel yang tidak signifikan, hal ini merupakan salah satu petunjuk terjadinya pelanggaran asumsi klasik. Pengujian pertama dilakukan untuk mengetahui ada tidaknya multikoliniaritas.

11

Lakukan prosedur berikut: Dari workfile Blok semua variabel kecuali c dan resid Klik kanan: Open As Group

Setelah tampil semua variabel, Klik View Correlation Common Sampel. Sehingga akan muncul tampilan berikut ini:

12

Dari tampilan diatas terlihat bahwa antara variabel X1, X2, X3, X4, dan X5 terjadi multikolinieritas, karena memiliki nilai Correlation matrix lebih dari 0,8. Cara mengatasi adanya multikol dapat dilakukan dengan cara: (1) menghilangkan variabel independen, (2) transformasi variabel, (3) penambahan data. Berikut ini dilakukan cara mengatasi multikol dengan transformasi data, yaitu penambahan log.

Dari hasil tersebut, semua koefisien telah signifikan. D.2. Heteroskedasitas Heteroskedasitas merupakan keadaan dimana varians dari setiap gangguan tidak konstan. Uji heteroskedasitas dapat dilakukan dengan menggunakan White Heteroskedasticity yang tersedia dalam program Eviews. Hasil yang perlu diperhatikan dari Uji ini adalah nilai F dan Obs*R-Squared. Jika nilai Obs*RSquared lebih kecil dari X2 tabel maka tidak terjadi heteroskedastisitas, dan sebaliknya. 13

Dependent Variable: PROFIT Method: Least Squares Date: 08/26/07 Time: 22:40 Sample: 1 18 Included observations: 18 Variable Coefficient ADVER 0.369500 SALES 0.068854 C 791.5363 R-squared 0.810248 Adjusted R-squared 0.784947 S.E. of regression 3376.620 Sum squared resid 1.71E+08 Log likelihood -170.1433 Durbin-Watson stat 2.853771

Std. Error t-Statistic 0.305947 1.207726 0.014112 4.879106 1214.194 0.651903 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

Prob. 0.2459 0.0002 0.5243 8102.450 7281.315 19.23815 19.38655 32.02521 0.000004

Untuk mendeteksi adanya masalah hetero dapat dilihat pada residual dari hasil estimasi. Jika residual bergerak konstan artinya tidak ada hetero dan jika membentuk suatu pola tertentu maka mengindikasikan adanya hetero.

14

Dengan melihat hasil tersebut, dapat diduga terjadi hetero pada hasil estimasi. Dimana residualnya membentuk suatu pola atau tidak konstan. Untuk membuktikan dugaan tersebut perlu dilakukan Uji White Hetero. Lakukan prosedur berikut: Dari hasil Estimasi Klik View Residual test White Hetero (no cross) - OK

White Heteroskedasticity Test: F-statistic 8.281590 Obs*R-squared 12.92698

Probability Probability

0.001508 0.011638

15

Dengan melihat hasil Obs*R-Squared sebesar 12,92698 > 9,48773 (nilai kritis Chi square (X2) pada = 5%), maka dapat disimpulkan bahwa pada estimasi tersebut terjadi hetero. Cara lain yaitu dengan melihat nilai probabilitas dari nilai chi squares. Pada hasil diatas nilai probabilitasnya sebesar 0,011638 artinya terjadi hetero pada tingkat = 1%. Semakin besar nilai probabilitasnya berarti semakin tidak terjadi hetero. D.3. Autokorelasi Autokorelasi menunjukkan adanya hubungan antar gangguan. Metode yang digunakan dalam mendeteksi ada tidaknya masalah autokorelasi adalah Metode Bruesch-Godfrey yang lebih dkenal dengan LM-Test. Metode ini didasarkan pada nilai F dan Obs*R-Squared. Dimana jika nilai probabilitas dari Obs*R-Squared melebihi tingkat kepercayaan maka Ho diterima, berarti tidak ada masalah autokorelasi.

Dapat dilihat dari hasil estimasi sepertinya tidak terjadi permasalahan yang melanggar asumsi klasik. Dimana terlihat bahwa nilai t-statistik signifikan., R2 bagus, dan Uji F juga signifikan. Namun dalam hasil tersebut terdapat DW stat yang relatif kecil. Nilai DW yang kecil tersebut merupakan salah satu indikator adanya masalah autokorelasi. Untuk membuktikan adanya masalah autokorelasi dalam model dapat kita lakukan dengan melakukan uji LM. 16

Lakukan prosedur berikut: Dari hasil estimasi Klik View Residual test Serial Correlation LM test - OK

Breusch-Godfrey Serial Correlation LM Test: F-statistic 13.24422 Probability Obs*R-squared 17.36554 Probability

0.000060 0.000169

Dari hasil test diatas dapat disimpulkan bahwa dalam hasil estimasi tersebut terjadi masalah autokorelasi. Hal ini dapat dilihat dari nilai probabilitas kurang dari tingkat keyakinan ( = 1%) maka Ho ditolak yang berarti dalam model terdapat autokorelasi. D.4. Uji Normalitas Uji normalitas digunakan jika sampel yang digunakan kurang dari 30, karena jika sampel lebih dari 30 maka error term akan terdistribusi secara normal. Uji ini disebut Jarque Bera Test. Lakukan Prosedur berikut: Dari hasil estimasi Histogram Normality test - View Residual test

17

Dari hasil diatas maka langkah selanjutnya adalah melakukan uji normalitas error term: 1. H0 : error term terdistribusi normal H1 : error term tidak terdistribusi normal 2. = 5% maka daerah kritis penolakan H0 adalah P-Value < 3. Karena P-Value = 0,678100 > 0,05 maka H0 diterima 4. Kesimpulan, dengan tingkat keyakinan 95% ( = 5% ) maka dapat dikatakan bahwa error term terdistribusi normal.

ERROR CORRECTION MODEL (ECM) 1. Pengantar Kointegrasi dapat diartikan sebagai suatu hubungan jangka panjang (long term relationship/ekuilibrium) antara variabel-variabel yang tidak stasioner. Keberadaan hubungan kointegrasi memberikan peluang bagi data-data yang secara individual tidak stasioner untuk menghasilkan sebuah kombinasi linier diantara mereka sehingga tercipta kondisi yang stasioner. Secara sederhana, dua variabel disebut terkointegrasi jika hubungan kedua variabel tersebut dalam jangka panjang akan mendekati atau mencapai kondisi equilibriumnya. Error Correction Model (ECM) merupakan model yang digunakan untuk mengoreksi

18

persamaan regresi antara variabel-variabel yang secara individual tidak stasioner agar kembali ke nilai equilibriumnya di jangka panjang, dengan syarat utama berupa keberadaan hubungan kointegrasi diantara variabel-variabel penyusunnya. Ada banyak cara untuk melakukan uji kointegrasi, namun dalam modul ini hanya memaparkan Engle-Granger Cointegration Test. 2. Petunjuk Operasional Dalam Eviews. a. Uji Stasioneritas Data Pada kasus ini, uji stasioneritas juga dilakukan pada setiap variabel. Dengan cara yang sama seperti pada modul sebelumnya, maka didapat bahwa hasil sebagai berikut:
Null Hypothesis: D(PDI) has a unit root Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level Null Hypothesis: D(PCE) has a unit root Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values. t-Statistic -7.567202 -4.068290 -3.462912 -3.157836 Prob.* 0.0000 t-Statistic -9.592898 -4.068290 -3.462912 -3.157836 Prob.* 0.0000

Dimana kedua variabel stasioner pada tingkat first difference. Selanjutnya, kedua variabel diregresi sehingga dihasilkan bentuk output Eviews sebagai berikut:

Dependent Variable: PCE Method: Least Squares Date: 08/24/07 Time: 17:18

19

Sample: 1970:1 1991:4 Included observations: 88 Variable Coefficient PDI 0.967250 C -171.4412 R-squared 0.994051 Adjusted R-squared 0.993981 S.E. of regression 35.92827 Sum squared resid 111012.3 Log likelihood -439.0292 Durbin-Watson stat 0.531629

Std. Error t-Statistic 0.008069 119.8712 22.91725 -7.480880 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

Prob. 0.0000 0.0000 2537.042 463.1134 10.02339 10.07969 14369.10 0.000000

Hasil estimasi ini dapat ditulis ulang menjadi : PCEt = -171.4412 + 0.967250 PDIt + ut Residual dari persamaan regresi antara variabel PCE dan PDI diuji stasioneritasnya dengan unit root test.

Null Hypothesis: RESID02 has a unit root Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values. t-Statistic -3.779071 -2.591813 -1.944574 -1.614315 Prob.* 0.0002

20

Augmented Dickey-Fuller Test Equation Dependent Variable: D(RESID02) Variable Coefficient Std. Error t-Statistic RESID02(-1) -0.275312 0.072852 -3.779071 R-squared 0.142205 Mean dependent var Adjusted R-squared 0.142205 S.D. dependent var S.E. of regression 24.25937 Akaike info criterion Sum squared resid 50612.48 Schwarz criterion Log likelihood -400.3706 Durbin-Watson stat

Prob. 0.0003 -0.405877 26.19315 9.226911 9.255255 2.277512

Hasil unit root test dapat ditulis dalam bentuk persamaan sebagai berikut: t = -0275132ut-1 Bentuk persamaan regresi ECM adalah sebagai berikut: PCEt = 0 + 1PDI + 2ut-1 + t Hasil regresi Eviews akan menghasilkan output pada tabel dibawah ini:
Dependent Variable: D(PCE) Method: Least Squares Variable Coefficient C 11.69183 D(PDI) 0.290602 RESID02(-1) -0.086706 R-squared 0.171727 Adjusted R-squared 0.152006 S.E. of regression 16.84283 Sum squared resid 23829.19 Log likelihood -367.6026 Durbin-Watson stat 1.923381

Std. Error t-Statistic 2.195675 5.324936 0.069660 4.171715 0.054180 -1.600311 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

Prob. 0.0000 0.0001 0.1133 16.90345 18.29021 8.519601 8.604632 8.707918 0.000366

Hasil regresi ECM dapat dituliskan menjadi: PEt = 11.69183 + 0.2906 PDIt 0.0867 t-1

21

n
1

Model
No constant, No trend Constant, No trend Constant, With trend Constant, No trend Constant, With trend Constant No trend Constant With trend

Size (%)
1 5 10 1 5 10 1 5 10 1 5 10 1 5 10 1 5 10 1 5 10

Obs.
600 600 560 600 600 600 600 600 600 600 600 600 600 560 600 560 560 600 600 600 600

-2,5658 -1,9393 -1,6156

-3,4335 -2,8621 -2,5671 -3,9638 -3,4126 -3,1279 -3,9001 -3,3377 -3,0462 -4,3266 -3,7809 -3,4959 -4,2981 -3,7429 -3,4518 -4,6676 -4,1193 -3,8344

1 -1,960 -0,398 -0,181

-5,999 -2,738 -1,438 -8,353 -4,039 -2,418 -10,534 -5,967 -4,069 -15,531 -9,421 -7,203 -13,790 -8,352 -6,241 -18,492 -12,024 -9,188

2 -10,04 0,0 0,0

-29,25 -8,36 -4,48 -47,44 -17,83 -7,58 -30,03 -8,98 -5,73 -34,03 -15,06 -4,01 -46,37 -13,41 -2,79 -49,35 -13,13 -4,85

22

Constant No trend Constant With trend Constant No trend Constant, With trent

1 5 10 1 5 10 1 5 10 1 5 10

560 560 600 600 560 560 520 560 600 600 600 600

-4,6493 -4,1000 -3,8110 -4,9695 -4,4294 -4,1474 -4,9587 -4,4185 -4,1327 -5,2497 -4,7154 -4,4345

-17,188 -10,745 -8,317 -22,504 -14,501 -11,165 -22,140 -13,641 -10,638 -26,606 -17,432 -13,654

-59,20 -21,57 -5,19 -50,22 -19,54 -9,88 -37,29 -21,16 -5,48 -49,56 -16,50 -5,77

Constant, No trend Constant, With trend

1 5 10 1 5 10

480 480 480 480 480 480

-5,2400 -4,7048 -4,4242 -5,5127 -4,9767 -4,6999

-26,278 -17,120 -13,347 -30,735 -20,883 -16,445

-41,65 -11,17 0,0 -52,50 -9,05 0,0

23

24