P. 1
Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan

Modul Ekonometrika II Revisi 2008 By Syofriza Syofyan

4.86

|Views: 8,825|Likes:
Dipublikasikan oleh syofriza syofyan
Econometric module for economics student. By: Syofriza Syofyan
Econometric module for economics student. By: Syofriza Syofyan

More info:

Published by: syofriza syofyan on Feb 27, 2009
Hak Cipta:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

08/29/2015

pdf

text

original

PELANGGARAN ASUMSI KLASIK

BAB I NORMALITAS
Pengujian Normalitas Untuk penerapan OLS untuk regresi linier klasik, diasumsikan bahwa distribusi probabilitas dari gangguan u1 memiliki nilai rata-rata yang diharapkan sama dengan nol, tidak berkorelasi dan mempunyai varian yang konstan. Dengan asumsi ini OLS estimator atau penaksir akan memenuhi sifat-sifat statistik yang diinginkan seperti unbiased dan memiliki varian yang minimum. Ada beberapa uji untuk mengetahui normal atau tidaknya faktor gangguan u2 antara lain Jargue-Bera test atau J-B test. Uji ini menggunakan hasil estiminasi residual dan chisguare probability distribution. Adapun langkah-langkah untuk mendapatkan nilai J-B hitung adalah sebagai berikut : (1)Hitung Skewness dan Kurtosis untuk menghitung J – B hitung (2)Hitung besarnya nilai J-B statistik Dengan rumus:

Dimana: n = jumlah observasi S = Skewness (Kemencengan) K = Kurtosis (Keruncingan) (3) Bandingkan nilai J-B hitung dengan X 2 – tabel, dengan aturan : Bila nilai J-B hitung > nilai X 2 tabel, maka hipotesis yang menyatakan bahwa residual u1 berdistribusi normal dapat ditolak. Bila nilai J-B hitung < nilai X 2 – tabel, maka yang menyatakan bahwa residual u1 berditribusi normal tidak dapat ditolak. Langkah – langkah pengerjaan : (1) Fasilitas untuk menguji normality menggunakan J-B test disediakan oleh Eviews, caranya, pertama, dengan menampilkan hasil regresi yang akan kita uji (2)Pilh menu Residual Test / Hisrogram - Normality test, dan akan ditampilkan diagram dengan perhitungan J – B statistiknya :

1

PELANGGARAN ASUMSI KLASIK

Diagram 1. Hasil Uji Normalitas : J – B Test

2

PELANGGARAN ASUMSI KLASIK

BAB II MULTIKOLINEARITAS
A. PENGERTIAN Multikolinearitas artinya terdapat korelasi yang signifikan di antara dua atau lebih variabel independent dalam model regresi.

B. CARA MENDETEKSI ADANYA MULTIKOLINEARITAS a. R2 cukup tinggi (0,7 – 1,0) tetapi uji-tnya untuk masingmasing koefisien regresinya menunjukkan tidak signifikan. Misalnya : Y = 24.7747 + 0.9415 X2 – 0.0424 X3 + e Standar error (6.7525) (0.8229) (0.0807) Nilai t (3.6690) (1.1441) (-0.5261) 3

PELANGGARAN ASUMSI KLASIK

Adj. R2 = 0.9531 df = 7 Dari hasil regresi dapat dilihat bahwa 98 persen dari variasi peneluaran konsumsi dijelaskan oleh pendapatan dan harga barang lain secara bersama-sama. Apabila diuji secara individual, maka hasilnya adalah tidak signifikan tapi apabila diuji secara keseluruhan variabel independentnya maka hasilnya adalah signifikan. Juadi kemungkinan besar terdapat Multikolinearitas antara X1 dan X2. b. Tingginya nilai R2 merupakan syarata yang cukup (sufficient) akan tetapi bukan merupakan syarat yang penting untuk terjadinya multikorelineartitas, sebab pada R2 yang rendah (<5%) bisa juga terjadi multikolinearitas. c. Meregresikan variabel independent X dengan variabel independent variabel-variabel lain, kemudian dihitung R2nya yaitu dengan uji F (uji signifikansi). Jika F* adalah F hitung maka : Jika F* > F tabel, artinya Ho ditolak; Ha diterima ada multikolinearitas Jika F* < F tabel, artinya Ho diterima; Ha diterima tidak ada multikolinearitas d. Menggunakan Matriks Korelasi (Correlation Matrix) Langkah-langkahnya adalah sebagai berikut : 1. Pastikan data sudah siap (berada pada kota group) 2. Klik Views, pilih Correlations seperti tampilan berikut :

Gambar 4.1 Tampilan Group untuk masuk ke Menu Correlation 4

PELANGGARAN ASUMSI KLASIK

Maka hasil yang didapat akan seperti tampilan berikut :

Gambar 4.2 Tampilan Correlation Matrix C. PENANGGULANGAN TERHADAP MULTIKOLINEARITAS Cara menanggulangi multikolinearitas : 1. Menambah jumlah data / observasi Y = b1 + b2 X2 + b3 X3 + µ Dimana : Y = konsumsi X2 = pendapatan X3 = harga barang itu sendiri Pendapatan dan harga barang itu sendiri merupakan dua variabel yang saling mempengaruhi sehingga mengakibatkan terjadinya Multikolinearitas. Penambahan data baru dapat menghilangkan Multikolinearitas yang tidak begitu serius. 2. Salah satu cara utnuk menghilangkan multikolinearitas adalah menghilangkan satu atau lebih variabel bebas yang mempunyai kolinearitas tinggi, yang setelah itu diuji dengan menggunakan Uji Wald. Adapun langkah-langkahnya sebagai berikut : 1. Klik Views, lalu pilih Cefficient Test dan klik Wald – Coefficient Restrictions. Seperti tampilan berikut :

5

PELANGGARAN ASUMSI KLASIK

Gambar 4.3 Menu Uji Wald Restriction 2. Ketik salah satu koefisien dari variabel bebas yang ingin dihilangkan (yang paling tidak signifikan) seperti pada tampilan berikut :

Gambar 4.4 Tampilan Correlation Restriction 6

PELANGGARAN ASUMSI KLASIK

3. Hasil akan seperti tampilan berikut :

Gambar 4.5 Tampilan Layar Uji Wald D. INTERPRETASI PENGUJIAN WALD TEST

Jika F statistik signifikan (probabilita < 0,05) maka penghilangan variabel bebas yang mengandung multikolinearitas akan mengubah interpretasi dari persamaan regresinya sehingga penghilangan variabel tersebut tidak diperbolehkan. Dengan kata lain sekalipun variabel tersebut mengandung multikolinearitas namun memiliki pengaruh terhadap variabel dependentnya. Jika F statistik tidak signifikan (probabilita > 0,05) maka penghilangan variabel yang mengandung multikolinearitas tidak akan mengubah interpretasi dari persamaan regresinya sehingga penghilangan variabel tersebut diperbolehkan.

Catatan : Perlu diperhatikan bahwa kadang-kadang menghilangkan satu atau lebih variabel independent dapat lebih jelek pengaruhnya dibandingkan dengan membiarkan adanya multikolinearitas dapat lebih jelek pengaruhnya dibandingkan dengan membiarkan adanya multikolinearitas kecuali jika variabel yang dhilangkan itu secara teoritis tidak berpengaruh. Contoh soal : (soal dibawah ini akan terus digunakan untuk materi praktikum-praktikum selanjutnya) 7

PELANGGARAN ASUMSI KLASIK

Di bawah ini adalah mengenai Jumlah Uang Beredar (JUB)

Contoh Soal 1 JUB = f (RSBI, GDP) JUB = α0 + β1RSBI + β2GDP + µ Keterangan : JUB = Jumlah Uang Beredar (US$) RSBI = Tingkat Suku Bunga SBI (%) GDP = Gross Domestic Produsct (US$) Soal : 1. Lakukanlah pengujian multikolinearitas terhadap soal di atas. 2. Jika ada multikolinearitas, tanggunglangi dan interpretasikan hasilnya. Jawaban Langkah 1 : Masukkan data di atas Langkah 2 : Lakukanlah regresi sesuai dengan model persamaan di atas Langkah 3 : Lakukanlah pengujian multikolinearitas dengan menggunakan correlation matrix, sehingga hasilnya akan tampak seperti gambar di bawah ini :

8

PELANGGARAN ASUMSI KLASIK

Correlation Matrix

Lihat gambar Korelasi antara RSBI dan GDP adalah sebesar 0,74 (lihat kembali teori di atas). Karena korelasi antar kedua variabel tersebut mendekati nilai 1 (1.0000), maka antara RSBI dan GDP terdapat multikonearitas yang kuat. Catatan : multikolinearitas yang kuat terjadi jika korelasi antar dua atau lebih variabel lebih dari 0,70. Langkah 4 : Lakukanlah penanggulangan multikonearitas dengan menggunakan Wald test. (lihat teori penanggulangan). Langkah 5 : Interpretasi sesuai dengan hasil pengujian Wald Test. Langkah 4 dan 5, lihat penjelasan asisten di depan kelas.

9

PELANGGARAN ASUMSI KLASIK

SOAL Berdasarkan data di bawah ini, dimana JUB adalah jumlah uang beredar, G adalah pengeluaran pemerintah, dan Gdp adalah Gross Domestic Product.

obs 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997

JUB 21469 18385 23417 28661 35885 42998 54704 86470 97105 118053 145303 186514 224368 366534 178120

G 585 412 766 971 1075 1304 1829 2495 2771 3554 3744 4504 4960 5955 2945

GDP 75832 62665 86554 93638 113718 134105 156851 198597 228450 269884 287976 372221 456381 557659 283782

Pertanyaan: 1. Regreslah JUB dengan G dan GDP 2. Uji ada atau tidak multikolinearitas 3. Atasilah jika terdapat multikolinearitas

10

PELANGGARAN ASUMSI KLASIK

BAB III HETEROSKEDASTISITAS
A. PENGERTIAN Salah satu asumsi penting dalam analisa regresi adalah variasi gangguan acak (µ) pada
2

setiap

variabel

bebas

adalah

homoskedastisitas. Asumsi ini dapat ditulis sebagai berikut : E (µi2) = δ I = 1, 2, ………n

Ketidaksamaan inilah yang disebut sebagai heteroskedastisitas.

11

PELANGGARAN ASUMSI KLASIK

Hal tersebut dikarenakan beberapa hal, yaitu : 1. Error Learning Model Sebagaimana adanya proses perbaikan yang dilakukan unit-unit ekonomi, maka perilaku kesalahan menjadi lebih kecil dengan bertambahnya waktu. Dalam hal ini diharapkan δ 2. Perbaikan Dalam Pengumpulan Data Dengan meningkatnya mutu tekhnik pengumpulan data, maka δ
2 2

menurun.

diharapkan menurun. Jadi sebuah bank yang mempunyai yang lebih sedikit pada laporan bulanan atau

peralatan pemrosesan data yang canggih cenderung melakukan kesalahan kuartalan dibandingkan bank tanpa fasilitas tersebut. 3. Kesalahan spesifikasi model Salah satu asumsi dalam analisis regresi adalah model dispesifikasi secara benar. Jika satu variabel yang semestinya harus dimasukkan, tetapi karena suatu hal variabel tersebut tidak dimasukkan, hal itu akan menyebabkan residual dari regresi akan memberikan hasil yang berbeda dengan benar dan varians dari kesalahan tidak konstan.

B. PENDETEKSIAN HETEROSKEDASTISITAS a. Uji Park Uji ini mengasumsikan bahwa δi δi
2 2

adalah fungsi dari variabel
vi

bebas Xi. Fungsi yang dianjurkan adalah : = δ 2 Xi β e atau

1n δi2 = δ2 β 1n Xi + vi Karena δ
2

tidak diketahui, Park mengasumsikan agar µi2 1n µi 2 = 1n δ 12
2

digunakan sebagai proxy, dan dilakukan regresi : + β 1n Xi + vi

PELANGGARAN ASUMSI KLASIK

= α + β 1n Xi + vi Jika β signifikan, maka ada heteroskedasitas dalam data sebab hipotesis pengujian heteroskedasitas adalah : H0 : Tidak ada heteroskedastisitas Ha : Ada heteroskedastisitas Contoh: Berikut adalah data hipotetis tentang Pengeluaran Konsumsi (Y) dalam Juta Rp dan Pendapatan (X) dalam juta Rp pertahun pada 30 responden di DKI Jakarta (Sudah di rangking dari yang terkecil ke yang terbesar): No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 Y 55 70 75 65 74 80 84 79 90 98 95 108 113 110 125 115 130 135 120 140 144 152 140 137 145 175 189 180 13 X 80 85 90 100 105 110 115 120 125 130 140 145 150 160 165 180 185 190 200 205 210 220 225 230 240 245 250 260

PELANGGARAN ASUMSI KLASIK

29 30

178 191

265 270

Print out berikut adalah hasil regresi OLS dengan model Y = f (X,e) Dependent Variable: Y Method: Least Squares Date: 06/07/01 Time: 09:00 Sample: 1 30 Included observations: 30 Variable Coefficient C 9.290307 X 0.637785 R-squared 0.946638 Adjusted R-squared 0.944732 S.E. of regression 9.182968 Sum squared resid 2361.153 Log likelihood -108.0538 Durbin-Watson stat 1.590347

Std. Error t-Statistic 5.231386 1.775879 0.028617 22.28718 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

Prob. 0.0866 0.0000 119.7333 39.06134 7.336918 7.430332 496.7183 0.000000

Berdasarkan print-out tersebut dapat dihitung nilai residual (µI) untuk kemudian di kuadratkan dan di Ln kan. Caranya sebagai berikut: a. Pada tampilan hasil regresi, klik View lalu pilih make residual series dan ketik Residual dan kilk OK seperti tampilan berikut ini:

14

PELANGGARAN ASUMSI KLASIK

Gambar 8.1. Tampilan Make Residual Dari residual tersebut dapat dihitung residual kuadrat (µi2) lalu di Ln kan dengan menggunakan Generate pada workfile yaitu: RES2=RESIDUAL^2 LNRES2=LOG(RES2) LNX=LOG(X) Gambar 8.2. Hasil Uji Park

Dengan meregres model : LNRES2 = f (LNX) maka diperoleh hasil seperti Gambar 2.2. Dari hasil print out tersebut terlihat bahwa koefisien LNX memiliki probabilitas 0.8154 (tidak signifikan pada α = 5%), hal ini berarti bahwa tidak ada heteroskedastisitas pada model tersebut. Note: Pada uji Park ini, jika variabel bebasnya lebih dari 1 maka diregres secara terpisah, dengan demikian dapat diketahui variabel mana yang menyebabkan adanya heteroskedastisitas

15

PELANGGARAN ASUMSI KLASIK

b. Goldfeld-Quant Test Langkah-langkah pengujiannya adalah sebagai berikut : 1. Urutkanlah dari variabel bebas X dari yang terkecil yang terbesar 2. Kemudian buat dua regresi secara terpisah, pertama untuk nilai X yang terkecil. Kedua untuk nilai X besar dan hilangkan beberapa data yang ada ditengah.

40% Nilai Terkecil

15%-20% Dihilangkan

40% Nilai terbesar

3. Buatlah rasio RSS (Residual Sum of Square = error sum if square) dari regresi kedua terhadap regresi pertama (RSS2/RSS1) untuk mendapatkan nilai F hitung. 4. Lakukan uji F dengan menggunakan derajat kebebasan (degree of freedom) sebesar (n-d-2k)/2, dimana n = banyaknya observasi, d = banyaknya data atau nilai observasi yang hilang k = banyaknya parameter yang diperkirakan. Kriteria uji F jika : F hitung > F tabel, maka ada heteroskedasitas F hitung < F tabel, maka tidak ada heteroskedasitas Uji Goldfeld-Quant ini sangat tepat untuk sampel besar ( n > 30). Seandainya tidak ada data yang dibuang (d = 0) tes masih berlaku tetapi kemampuan untuk mendeteksi adanya heteroskedasitas agak berkurang. Contoh: 16

PELANGGARAN ASUMSI KLASIK

Dengan data yang sama pada uji Park di atas, maka dibuang 20% nilai tengah dari total observasi (6 observasi), yaitu observasi ke 13 s/d observasi ke 18. Kita dapat meregres dua kelompok data yaitu kelompok I (obs ke 1 s/d obs ke 12) dan kelompok II (obs ke 19 s/d obs ke 30). Hasil regresinya adalah sebagai berikut: Dependent Variable: Y Method: Least Squares Date: 06/07/01 Time: 09:01 Sample: 1 12 Included observations: 12 Variable Coefficien Std. Error t-Statistic t C 7.41214 9.53586 0.777291 2 6 X 0.65728 0.08373 7.849565 9 6 R-squared 0.86036 Mean dependent 6 var Adjusted R-squared 0.84640 S.D. dependent var 2 S.E. of regression 5.84528 Akaike info 3 criterion Sum squared resid 341.673 Schwarz criterion 4 Log likelihood -37.1209 F-statistic 5 Durbin-Watson stat 2.31711 Prob(F-statistic) 6 Hasil Regresi kelompok I dengan RSS1 = 341.6734

Prob. 0.4550 0.0000 81.08333 14.91466 6.520159 6.600977 61.61567 0.000014

Dependent Variable: Y Method: Least Squares Date: 06/07/01 Time: 09:03 Sample: 19 30 17

PELANGGARAN ASUMSI KLASIK

Included observations: 12 Variable Coefficient C -49.74731 X R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.882258 0.784081 0.762489 11.52807 1328.965 -45.27076 1.315331

Std. Error t-Statistic 34.56614 -1.43919 2 0.146407 6.02607 7 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

Prob. 0.1807 0.0001 157.583 3 23.6545 5 7.87845 9 7.95927 7 36.3136 1 0.00012 8

Hasil regresi kelompok II dengan RSS2 = 1328.965 F-stat = 3.8896 F-tabel (α= 5%, df = {30 – 6 – 2(2)}/2 = 10) = 2.98 F-stat > F-tabel ⇒ ada heteroskedastisitas = RSS2/RSS1 = 1328.965/341.6734

Jika digunakan (α= 1%) maka F-tabel (α= 1%, df = {30 – 6 – 2(2)}/2 = 10) 4.85 F-stat < F-tabel ⇒ c. Uji White Hasil uji park bisa berbeda dengan uji Golfeld and Quant. Jika terjadi keraguan maka sebaiknya digunakan uji white yang pada prinsipnya meregres residual yang dikuadratkan dengan variabel bebas pada model. tidak ada heteroskedastisitas =

18

PELANGGARAN ASUMSI KLASIK

Jika modelnya

: Y = f(X,e)

Maka model White-test nya adalah : µ2 = f(X, X2, e) Jika modelnya Model no cross term Model cross term : Y = f(X1,X2, e) : µ2 = f(X1, X2, X12,X22, e) : µ2 = f(X1, X2, X12,X22, X1X2, e)

Maka model White test mempunyai dua kemungkinan yaitu:

Kriteria uji White adalah jika : Obs* R square > χ2 tabel, maka ada heteroskedasitas Obs* R square < χ2 tabel, maka tidak ada heteroskedasitas atau Prob Obs* R square < 0.05, maka ada heteroskedasitas Prob Obs* R square > 0.05, maka tidak ada heteroskedastisitas Langkah-langkah pengujian White Test : 1. Lakukan estimasi fungsi regresi terlebih dahulu, menspesifikasikan variabel bebas dan variabel tidak bebas. 2. Klik View, Residual Test, White Heteroskedasticity (Cross term or no Cross term), seperti pada gambar berikut :

Gambar 2.3. Tampilan Layar Menu Uji White Contoh: 19

PELANGGARAN ASUMSI KLASIK

Dengan data yang sama pada uji park dan goldfeld and quant, berikut ditampilkan hasi uji white: White Heteroskedasticity Test: F-statistic 2.917301 Obs*R-squared 5.330902 Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 03/05/04 Time: 09:38 Sample: 1 30 Included observations: 30 Variable Coefficient C -12.29621 X 0.197385 X^2 0.001700 R-squared 0.177697 Adjusted R-squared 0.116785 S.E. of regression 105.8043 Sum squared resid 302252.7 Log likelihood -180.8355 Durbin-Watson stat 1.856573

Probability Probability

0.071274 0.069568

Std. Error t-Statistic 191.7731 -0.064119 2.368760 0.083329 0.006707 0.253503 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

Prob. 0.9493 0.9342 0.8018 78.70511 112.5823 12.25570 12.39582 2.917301 0.071274

Obs* R- square χ2 tabel dengan (α= 5%,df = 2)

= 5.331 = 5.990

Obs* R square < χ2 tabel, maka tidak ada heteroskedasitas atau Prob Obs* R square = 0.0695 Prob Obs* R square > 0.05,maka tidak ada heteroskedastisitas Note: df pada χ2

tabel adalah jumlah variabel bebas

(regresors) pada regresi model White-test kecuali konstanta. C. PENANGGULANGAN TERHADAP HETEROSKEDASTISITAS 1. Transformasi Logaritma Natural Jika model berikut ini mengandung heteroskedastisitas : Y i = α1 + α2 + u i 20

PELANGGARAN ASUMSI KLASIK

Lakukanlah tranformasi seperti model logaritma di bawah ini : LnYi = βi + β2 LnXi Transformasi dalam bentuk logaritma akan memperkecil skala dari observasi dan kemungkinan besar varians juga akan semakin mengecil dan ada kemungkinan homoskedastisitas terpenuhi. 2. Transformasi Dengan Membagi Persamaan Dengan Variabel Bebas Jika model regresi yang telah diuji terdapat heteroskedastisitas maka salah satu penanggulangannya dapat dilakukan dengan membagi persamaan regresi tersebut dengan variabel bebas (independen) yang mengandung heteroskedastisitas. Variabel bebas (independen) yang mengandung heteroskedastisitas tersebut diperoleh dari pengujian White-Test. Yi = α1 + α2Xi + ui E (uiXi) ≠ 0 dan E (ui2) ≠ δu2 Jika diasumsikan (ui2) = δ2 ≠ 0 maka dengan mentransformasikan model regresi tersebut diperoleh model regresi baru sebagai berikut : Yi / Xi = bo / Xi + b1 + ui/Xi Dimana : Var (ui/Xi)2 = 1/Xi2 var (ui)2 = 1/Xi2 δ2 Xi2 = δ2 Homoskedastisitas Maka kesalahan penggangu menjadi homoskedastisitas. Dengan demikian koefisien regresi dari model baru didapat dengan menggunakan OLS tersebut menjadi unbiased, consistent dan efficient.

21

PELANGGARAN ASUMSI KLASIK

Soal latihan: Berikut adalah data Biaya R & D, Sales dan Profit pada 18 kelompok Industri sebuah negara pada tahun 2000 (dalam Juta US$) No Industri 1 Kontainer dan Pengepakan 2 LKBB 3 Industri Jasa 4 Baja dan Tambang 5 Perumahan dan Konstruksi 6 Perdagangan umum 7 Industri waktu luang 8 Produksi Kertas dan Kayu 9 Makanan 10 Rumah Sakit 11 Pesawat terbang 12 Produk Pelanggan 13 Elektronik dan listrik 14 Kimia 15 Konglomerat 16 Perlengkapan Kantor dan komputer 22 Sales 6,375 .3 11,62 6.4 14,65 5.1 21,86 9.2 26,40 8.3 32,40 5.6 35,10 7.7 40,29 5.4 70,76 1.6 80,55 2.8 95,29 4.0 101,31 4.1 116,14 1.3 122,31 5.7 141,64 9.9 175,02 5.8 R&D 62. 5 92. 9 178. 3 258. 4 494. 7 1,083 .0 1,620 .6 421. 7 509. 2 6,620 .1 3,918 .6 1,595 .3 6,107 .5 4,454 .1 3,163 .8 13,210 .7 Profit 185. 1 1,569 .5 276. 8 2,828 .1 225. 9 3,751 .9 2,884 .1 4,645 .7 5,036 .4 13,869 .9 4,487 .8 10,278 .9 8,787 .3 16,438 .8 9,761 .4 19,774 .5

PELANGGARAN ASUMSI KLASIK

17 Minyak 18 Automotif

230,61 4.5 293,54 3.0

1,703 .8 9,528 .2

22,626 .6 18,415 .4

a. Lakukanlah regresi terhadap R & D = f(Sales, Profit,e) b. Ujilah apakah ada penyakit heteroskedastisitas dengan Park Test sbb: Ln µi 2 = α + β 1n Sales + e1 dan Ln µi 2 = α + β 1n Profit + e2 c. Lakukanlah Uji White dengan metode cross term b. Jika ada penyakit heteroskedastisitas atau membagi sembuhkanlah dengan dengan yang Transformasi logaritma variabel

menyebabkan terjadinya heteroskedastisitas. c. Interpretasikanlah hasil yang sudah disembuhkan.

23

PELANGGARAN ASUMSI KLASIK

BAB IV AUTOKORELASI
A. PENGERTIAN Yaitu suatu keadaan dimana kesalahan pengganguan dari periode tertentu (µt) berkorelasi dengan kesalahan pengganggu dari periode sebelumnya (µt-1). Pada kondisi ini kesalahan pengganggu tidak bebas tetapi satu sama lain saling berhubungan. Bila kesalahan pengganggu periode t dengan t-1 berkorelasi maka terjadi kasus korelasi serial sederhana tingkat pertama (first order autocorrelation). B. PENGARUH ADANYA AUTOKORELASI Dengan adanya autokorelasi dengan dugaan parameter OLS masih “UNBIASED” Dan “CONSISTENT” tetapi standar error dari dugaan parameter regresi adalah bias, sehingga mengakibatkan uji statistik menjadi tidak tepat dan interval kepercayaan menjadi bias (biased confidence intervals). C. PENGUJIAN TERHADAP ADANYA AUTOKORELASI 1. UJI DURBIN – WATSON Langkah-langkah pengujian autokorelasi dengan Durbin – Watson a. Tentukan hipotesis Null dan Hipotesis alternatif dengan ketentuan Ho : Tidak ada autokorelasi (positif/negatif) Ha : ada autokorelasi (positif/negatif) b. Estimasi model dengan OLS dan hitung nilai residualnya 24

PELANGGARAN ASUMSI KLASIK

ut = Yt - βo - β1X1 - β2X2 - βkXk - ….. - βkXk c. Hitung Durbin – Watson dengan rumus sebagai berikut :

Dimana:

t = periode n = jumlah observasi ut = Residual periode t ut-1 = residual periode t-1

d. Hitung Durbin Watson kritis yang terdiri dari nilai kritis dari batas atas (du) dan batas bawah (dl) dengan menggunakan jumlah data (n), jumlah variabel independen / bebas (k) serta tingkat signifikansi tertentu (α). e. Nilai DW hitung dibandingkan dengan DW kritis dengan kriteria penerimaan dan penolakan hipotesis sebagai berikut : HIPOTESIS NOL KEPUTUSAN KRITERIA Ada auto korelasi positif Tolak 0 < d < dl Tidak ada auto korelasi Tidak ada dl < d < du positif keputusan Ada auto korelasi negatif Tolak Tidak ada auto korelasi Tidak negatif Tidak ada auto korelasi keputusan Jangan tolak 4-dl < d < 4 ada 4-du < d < 4-dl du < d < 4du Dari penjelasan di atas dapat dilihat pada gambar di bawah ini :

25

PELANGGARAN ASUMSI KLASIK

2. UJI LANGRANGE MULTIPLIER (LM TEST) Langkah-Langkah Pengujian : a. Estimasi persamaan model dengan OLS b. Klik View, Residual Test, serial correlation LM Test, sehingga akan muncul hasil print-out seperti ini :

Gambar 3.1 Tampilan Layar menu LM Test c. Kemudian untuk Lags to include, ketik 1, seperti gambar di bawah ini :

26

PELANGGARAN ASUMSI KLASIK

Gambar 3.2 Tampilan Layar menu LM Test (LAGS) d. Lihat hasil print-outnya, dimana : # # Jika R2 (T-1) > X2 atau probabilitas R2 (T-1) < 0.05, maka ada autokorelasi Jika R2 (T-1) < X2 atau probabilitas R2 (T-1) > 0.05, maka tidak ada autokorelasi D. PENANGGULANGAN TERHADAP AUTOKORELASI Dengan menggunakan “COCHRANE – ORCUTT PROCEDURE” 1. Buat estimasi persamaan regresi awal dan hitung residualnya (ut) Yt = βo + β1X1t + β2X2 + ut 2. Buat estimasi persamaan regresi untuk periode t-1 Y t-1 = βo + β1X1 t-1 + β2X2 t-1 + ut 3. Buat estimasi persamaan koefisien dari serial korelasi (FIRST DIFFERENCE EQUATION) dengan cara : Y t = βo + β1X1 t + β2X2 t + ut …………………………..1) (Y t-1 = βo + β1X1 t-1 + β2X2 t-1 + ut-1) ρ koefisien autokorelasi ρY t-1 = βoρ + ρβ1X1 t-1 + ρβ2X2 t-1 + ut-1ρ ……………2) Y t = βo + β1X1 t + β2X2 t + ut ρY t-1 = βoρ + ρβ1X1 t-1 + ρβ2X2 t-1 + ut-1ρ Y t - ρY t-1 = βo - βoρ + β1X1 t - ρβ1X1 t-1 + β2X2 t + ρβ2X2 t-1 + ut - ut–1ρ Y t - ρY t-1 = (1-ρ) βo + β1(X1 t - ρX1 t-1) + β2 (X2 t - ρX2 t-1) + (ut - ut–1ρ) Dimana : Yt* = Yt - ρYt-1 βo* = (1-ρ) βo X 1t* = (X 1t - ρ X1t-1) 27

PELANGGARAN ASUMSI KLASIK

X 2t* = (X 2t - ρ X2t-1) ut* = (ut - ut-1ρ) 4. Buat estimasi nilai ρ melalui estimasi fungsi residual ut = ρut-1 +v, ut adalah residual, pada hasil estimasi ρ = coefficient resid (1) 5. Lakukan generate setiap variabel dimana Y21 = Yt – Y (-1) *ρ X22 = X1t – X (-1) *ρ X23 = X2t – X (-1) *ρ Catatan : untuk ρ langsung masukkan angkanya (lihat langkah (4)) 6. Lalu lakukan regresi untuk perbaikan autokorelasi dengan MAKE EQUATION Y2,1 C X2,2 X2,3

Contoh Soal Autokorelasi Soal yang digunakan adalah contoh soal 1 (praktikum I) Instruksi : 1. Lakukanlah pengujian autokorelasi dengan menggunakan : a. LM-Test b. Durbin-Watson Test 2. Lakukanlah penanggulangan autokorelasi 3. Interpretasikanlah model yang telah ditanggulangi Jawaban 1. Pengujian Autokorelasi dengan menggunakan LM-Test Langkah 1 : Masukanlah data pada Contoh soal 1 (praktikum 1) Langkah 2 : Regresikanlah model tersebut Langkah 3 : Lakukanlah uji LM-Test (Lihat prosedur pengujian LM-Test), sehingga muncul hasil regresi di halaman berikut : Breusch-Godfrey Serial Correlation LM Test: F-statistic 15.25434 Probability Obs*R-squared 8.715324 Probability 28 0.00245 2 0.00315

PELANGGARAN ASUMSI KLASIK

5 Test Equation: Dependent Variable: RESID Method: Least Squares Date: 03/16/01 Time: 13:27 Variable Coefficien t RSBI 0.894039 GDP -0.030313 C 1375.418 RESID(-1) -1.010293 R-squared 0.581022 Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.466755 19280.82 4.09E+09 -166.9609 1.825773

Std. Error

t-Statistic

Prob. 0.2817 0.5669 0.8894 0.0025 -6.79E12 26403.5 3 22.7947 9 22.9836 0 5.08477 9 0.01893 1

0.789838 1.131926 0.051350 -0.590318 9666.484 0.142287 0.258673 -3.905680 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

HASIL REGRESI LM-TEST Lihatlah hasil regresi di atas : Probabilita Obs* R-Squared = 0.003155 lebih kecil daripada α (5%), maka terdapat autokorelasi. Atau untuk pengujian dapat juga membandingkan Obs* R-Squared dengan tabel Chi-Squared. Untuk soal no. 2 dan 3 perhatikan pembahasan asisten di depan kelas. Tugas / Quiz 2 Soal 1. Perhatikanlah data dibawah ini :
Data Impor, GDP, CPI suatu Negara, tahun 1970 -1998 Tahun 1970 1971 1972 IMPOR 39,866.0 45,579.0 55,797.0 CPI 38.8 40.5 41.8 GDP 1,039.7 1,128.6 1,240.4 Tahun 1985 1986 1987 IMPOR 338,088. 0 368,425. 0 409,765. CPI 107.6 109.6 113.6 GDP 4,213.0 4,452.9 4,742.5

29

PELANGGARAN ASUMSI KLASIK
0 447,189. 0 477,365. 0 498,337. 0 490,981. 0 536,458. 0 589,441. 0 668,590. 0 749,574. 0 803,327. 0 876,366. 0 917,178. 0

1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984

70,499.0 103,811.0 98,185.0 124,228.0 151,907.0 176,002.0 212,007.0 249,750.0 265,067.0 247,642.0 268,901.0 332,418.0

44.4 49.3 53.8 56.9 60.6 65.2 72.6 82.4 90.9 96.5 99.6 103.9

1,385.5 1,501.0 1,635.2 1,823.9 2,031.4 2,295.9 2,566.4 2,795.0 3,131.3 3,259.2 3,534.9 3,932.7

1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998

118.3 124.0 130.7 136.2 140.3 144.5 148.2 152.4 156.9 160.5 163.0

5,108.3 5,489.1 5,803.2 5,986.2 6,318.9 6,642.3 7,054.3 7,400.5 7,813.2 8,300.8 8,759.9

Ln Impor = f (LnCPIt , LnGDP) Pertanyaan : 1. Regresikanlah model di atas 2. Lakukanlah pengujian Multikolinearitas 3. Jika ada multikolinearitas apakah kita dapat membuang variabel yang menyebabkan multikolineritas tersebut ?

Soal 2.
No Obs 1 2 3 4 5 6 7 8 Data Peggunaan BBM pada Mobil Angkutan Kota PBBM KEC TK 39.6 39.3 38.9 38.8 38.2 42.2 40.9 40.7 100 103 106 113 106 109 110 101 66 73 78 92 78 90 92 74 BK 22.5 22.5 22.5 22.5 22.5 25 25 25

30

PELANGGARAN ASUMSI KLASIK
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Ket: 40 39.3 38.8 38.4 38.4 38.4 46.9 36.3 36.1 36.1 35.4 35.3 35.1 35.1 35 33.2 32.9 32.3 32.2 32.2 32.2 32.2 PBBM KEC TK BK 111 95 25 105 81 25 111 95 25 110 92 25 110 92 25 110 92 25 90 52 27.5 112 103 27.5 103 84 27.5 103 84 27.5 111 102 27.5 111 102 27.5 102 81 27.5 106 90 27.5 106 90 27.5 109 102 30 109 102 30 120 130 30 106 95 30 106 95 30 109 102 30 106 95 30 rata-rata mil/galon rata-rata kecepatan (Mil/jam) tenaga kuda kendaraan berat kendaraan (ratus pound)

= = = =

Pertanyaan: a. Lakukan regresi terhadap PBBM = f(KEC, TK, BK, e) b. Lakukan pengujian heteroskedastisitas dengan Park Test, Golfeld and Quant Test dan White-test. c. Tanggulangilah penyakit tersebut dengan metode yang anda ketahui. d. Interpretasikanlah heteroskedastisitas. Soal 3.
YEAR 1973 1974 1975 1976 1977 1978 1979 1980 Data Faktor-Faktor Yang Mempengaruhi Harga Timah HT IHP HTL JPR HA 21.89 45.10 220.40 1,491.00 19.00 22.29 50.90 259.50 1,504.00 19.41 19.63 53.30 256.30 1,438.00 20.93 22.85 53.60 249.30 1,551.00 21.78 33.77 54.60 352.30 1,646.00 23.68 39.18 61.10 329.10 1,349.00 26.01 30.58 61.90 219.60 1,224.00 27.52 26.30 57.90 234.80 1,382.00 26.89

hasil

regresi

yang

sudah

bebas

dari

31

PELANGGARAN ASUMSI KLASIK 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 Ket: 30.70 64.80 237.40 1,553.70 32.10 66.20 245.80 1,296.10 30.00 66.70 229.20 1,365.00 30.80 72.20 233.90 1,492.50 30.80 76.50 234.20 1,634.90 32.60 81.70 347.00 1,561.00 35.40 89.80 468.10 1,509.70 36.60 97.80 555.00 1,195.80 38.60 100.00 418.00 1,321.90 42.20 106.30 525.20 1,545.40 47.90 111.10 620.70 1,499.50 58.20 107.80 588.60 1,469.00 52.00 109.60 444.40 2,084.50 51.20 119.70 427.80 2,378.50 59.50 129.80 727.10 2,057.50 77.30 129.30 877.60 1,352.50 64.20 117.80 556.60 1,171.40 69.60 129.80 780.60 1,547.60 66.80 137.10 750.70 1,989.80 66.50 145.20 709.80 2,023.30 98.30 152.50 935.70 1,749.20 101.40 147.10 940.90 1,298.50 HT = Harga Timah (cent/pound) IHP = Indeks Harga Produksi HTL = Harga Timah di London (Poundsterling) JPR = Jumlah Pembangunan Rumah/th HA = Harga Alumunium (cent/pound) 26.85 27.23 25.46 23.88 22.62 23.72 24.50 24.50 24.98 25.58 27.18 28.72 29.00 26.67 25.33 34.06 39.79 44.49 51.23 54.42 61.01 70.87

Pertanyaan: a. Regresilah model LnHT = f (LnIHP, LnHTL, LnJPR, LnHA, e) dengan terlebih dahulu merubah data dalam bentuk Ln b. Apakah ada penyakit autokorelasi ? (Gunakan D-W test dan LM – Test) c. Jika ada, maka sembuhkan penyakit tersebut dengan terlebih dahulu menghitung koefisien ρ- nya. Kerjakanlah soal-soal di atas pada kertas HVS, sertakan pula hasil print-out anda. Kumpulkanlah minggu depan pada praktikum IV!

BAB V PERSAMAAN SIMULTAN

32

PELANGGARAN ASUMSI KLASIK

A. Pengertian  Suatu himpunan persamaan dimana variabel dependen dalam satu atau lebih persamaan juga merupakan variabel independen dalam beberapa persamaan yang lain.  Suatu model yang mempunyai hubungan sebab akibat antara variabel dependen dan variabel independennya, sehingga suatu variabel dapat dinyatakan sebagai variabel dependen maupun independen dalam persamaan yang lain. Misalnya: 1. X = f (Y) tetapi Y = f (X) Qt = f (P) tetapi P = f (Qt) 2. Jumlah uang beredar M = a0 + b1 Y1 + u1 Y1 = b0 + b1M1 + b2I2 + u1 3. Fungsi demand : Q = b0 + b1P1 + b2P2+ b3Y1+ u1 Fungsi produksi : P = b0 + b1Q1 + b2W2 + v1 Variabel dalam persamaan simultan: • Variabel endogen/ endogenous variable : variabel dependen pada persamaan simultan (jumlahnya sama dengan jumlah persamaan dalam model simultan). • Variabel yang sudah diketahui nilainya/ predetermined variable : variabel ini diperlakukan sebagai variabel yang nir stokastik yang nilai-nilainya sudah tertentu atau sudah ditentukan. Predetermined variable dibedakan menjadi dua, yaitu: Variabel eksogen : - Variabel eksogen sekarang  Xt , Pt

- Variabel eksogen waktu lampau  Xt-1, Pt-1

33

PELANGGARAN ASUMSI KLASIK

-

Variabel endogen waktu lampau (lagged endogenous variabel)  Yt-1, Qt-1

Dapatkah OLS digunakan untuk menaksir koefisien dalam persamaan simultan?  Tidak dapat, jika OLS tersebut digunakan untuk meregres sendiri-sendiri. Karena masing-masing persamaan secara tidak tergantung pada variabel

asumsi dari OLS adalah nir-stokastik atau jika stokastik, dianggap residual yang stokastik. Jika hanya dilakukan regresi pada salah satu model regresi, maka persamaan tunggal tersebut tidak dapat diperlakukan sebagai sebuah model yang lengkap.  Dapat diterapkan, jika model persamaan tersebut sudah diubah dalam bentuk reduce form, yaitu dengan memasukkan salah satu persamaan pada persamaan yang lain. B. Masalah Identifikasi dalam Persamaan Simultan Masalah identifikasi sering dijumpai pada model ekonometri yang lebih dari satu persamaan. Untuk memecahkan masalah ini harus dilakukan pengujian atau persyaratan agar diketahui koefisien persamaan mana yang ditaksir. Persyaratan ini disebut Kondisi Identifikasi (condition og identification). Ada dua macam dalil pengujian identifikasi, yaitu Order condition dan Rank condition. Notasi yang dipergunakan adalah: M = jumlah variabel endogen dalam model m = jumlah variabel endogen dalam persamaan K = Jumlah variabel predetermined dalam model k = Jumlah variabel predetermined dalam persamaan

34

PELANGGARAN ASUMSI KLASIK

1. Order Conditions Syarat identifikasi suatu persamaan struktural: Pada persamaan simultan sejumlah M persamaan (yang tidak mempunyai predetermined variable) M-1≥1 Jika M-1 = 1, maka persamaan tersebut identified. Jika M-1 > 1, maka persamaan tersebut overidentified. Jika M-1 < 1, maka persamaan tersebut unidentified. Qt = α0 + α1Pt + u1t Qt = β0 + β1Pt + u2t

Contoh:

Fungsi Demand Fungsi Supply

Pada model ini Pt dan Qt merupakan variable endogen tanpa predetermined variable, agar identified maka M-1 = 1, jika tidak maka tidak identified. Pada kasus ini (M = 2) dan 2 – 1 = 1 ⇒ identified Pada persamaan yang memiliki predermined variable berlaku aturan: K – k ≥ m –1 Jika K – k = m –1, maka persamaan tersebut identified . Jika K – k > m –1, maka persamaan tersebut overidentified . Jika K – k < m –1, maka persamaan tersebut unidentified .

35

PELANGGARAN ASUMSI KLASIK

Contoh:

Fungsi Demand

Qt = α0 + α1Pt + α2 It + u1t-

……………(1) Fungsi Supply ……… (2) Pada model ini Pt dan Qt merupakan variable endogen dan It adalah predetermined variable. Persamaan (1) : K – k < m – 1 atau 1 – 1 < 2 – 1 ⇒ Unidentified Persamaan (2) : M – 1 = 1 atau 2 – 1 = 1 Indentified Catatan Persamaan yang dapat diselesaikan dengan sistem persamaan simultan adalah persamaan yang identified dan over identified. 2. Rank Conditions. Suatu persamaan yang mempunyai M persamaan dikatakan identified, sekurang-kurangnya mempunyai satu determinan berdimensi (M-1) yang tidak sama dengan nol. Kesimpulan : Jika K – k = m –1, dan rank dari matriks A adalah (M-1), maka persamaan tersebut exactly identified . Jika K – k > m –1, dan rank dari matriks A adalah (M-1), maka persamaan tersebut overidentified . Jika K – k ≥ m –1, dan rank dari matriks A adalah kurang dari (M-1), maka persamaan tersebut underidentified . Jika K – k < m –1, dan rank dari matriks A adalah kurang dari (M-1), maka persamaan tersebut unidentified. ⇒ Qt = β0 + β1Pt + u2t………………

36

PELANGGARAN ASUMSI KLASIK

C. Metode Persamaan Simultan  Indirect Least Squares (ILS) Metode ILS dilakukan dengan cara menerapkan metode OLS pada persamaan reduced form. Asumsi yang harus dipenuhi dalam penggunaan prosedur ILS: 1. Persamaan strukturalnya harus exactly identified. 2. Variabel residual ini Contoh: Diketahui suatu model persamaan simultan adalah sebagai berikut : Qd= α0 + α1 P+ α2 X + v Qs= β0 + β1 P + β2 Pl + u Dimana: Qd = Jumlah barang yang diminta Qs = Jumlah barang yang ditawarkan P = harga barang X = Income Pl = harga Input Persamaan reduce form-nya adalah sebagai berikut : P= Π0 + Π1 X + Π 2 Pl +Ω1 Q= Π 3 + Π 4 X + Π 5 Pl +Φ2 Persamaan Reduce Form dapat dicari dengan langkah sebagai berikut:  Selesaikan persamaan Qd = Qs = β0 + β1 P + β2 Pl + u 37 tidak dari persamaan maka akan reduced form-nya harus menyebabkan bias pada memenuhi semua asumsi stokastik dari teknik OLS. Jika asumsi terpenuhi, penaksiran koefisiennya.

α0 + α1 P+ α2 X + v

PELANGGARAN ASUMSI KLASIK

α1 P - β1 P = β0 - α0 - α2 X + β2 Pl + u - v  β0 − α 0   α 2   β2   u−v  − P =   α − β  X +  α − β  Pl +  α − β       α − β  1 1 1  1  1  1 1   1 P = ∏0 + ∏1 X + ∏3 Pl + Ω  Kemudian substitusikan persamaan P diatas dengan salah satu persamaan Q, misalnya dengan Qd Qd = α0 + α1 P+ α2 X + v  β0 − α0   α2   β2   u−v  − Q d = α0 + α1   α − β  X +  α − β  Pl +  α − β  + α2 X + v      α − β  1 1 1  1  1  1 1   1

 α1β 0 − α1α 0   α1α 2   α1β 2   α1u − α1v    α − β  −  α − β  X +  α − β  Pl +  α − β         1 1 1 1   1  1  1  + α2 X + v Q d = α0 + 

 α1β 0 − α1α 0   α1α 2   α1β 2   α1u − α1v    α − β  −  α − β  X +  α − β  Pl +  α − β         1 1 1 1 1  + α X + v   1  1  1 Q d = α0 +  2 Lalu samakan semua penyebutnya dengan α1 − β 1  α 0α1 − α 0 β1   +   Qd =  α1 − β1   α1β 0 − α1α 0   α1α 2   αβ   α u − α1v   −  X +  1 2  Pl +  1  α − β  α − β  α − β   α −β   1 1 1 1 1  +    1  1  1

 α 1α 2 − β 1α 2   α −β  1 1

  α v − β 1v  X +  1   α −β     1 1 

 α β − α 0 β1   α 2 β1   α1β 2   α1u − β1v  Qd =  1 0  α − β  −  α − β  X +  α − β  Pl +  α − β         1 1 1 1 1     1  1  1 Qd = ∏ +∏ X +∏ Pl +Φ 3 4 5 38

PELANGGARAN ASUMSI KLASIK

Dari persamaan reduce form-nya diperoleh 6 koefisien reduksi yaitu: Π0 Π1 Π2 Π3 Π4 dan Π5 yang akan digunakan untuk menaksir 6 koefisien

structural yaitu α0, α1, α2, β0, β1 dan β2 Langkah-langkah ILS: 1. Regres persamaan reduced form dengan metode OLS, yaitu : P= Π0 + Π1 X + Π 2 Pl +Ω1 Q= Π 3 + Π 4 X + Π 5 Pl +Φ2 2. Ambil nilai koefisien dari hasil regresi tersebut, kemudian masukkan pada koefisien reduced form untuk menaksir koefisien struktural. Hasil Regresi OLS persamaan reduced form Dependent Variable: P Included observations: 22 Variable Coefficient X 0.017971 PL -1.190681 C 94.08825 R-squared 0.663099 Adjusted R0.627636 squared Log likelihood -89.52976 Durbin-Watson 0.847730 stat Dependent Variable: Q Method: Least Squares Date: 03/18/02 Time: 16:23 Sample: 1970 1991 Included observations: 22 Variable Coefficient X 0.009026 PL -0.615342 C 95.32565 R-squared 0.601576 Adjusted R0.559637 squared Log likelihood -75.96355

Std. Error t-Statistic 0.004477 4.014026 0.384484 -3.096827 10.42454 9.025651 Mean dependent var S.D. dependent var F-statistic Prob(F-statistic)

Prob. 0.0007 0.0059 0.0000 109.0909 24.97410 18.69819 0.000032

Std. Error t-Statistic 0.002417 3.735081 0.207526 -2.965133 5.626663 16.94177 Mean dependent var S.D. dependent var F-statistic 39

Prob. 0.0014 0.0080 0.0000 100.8636 12.39545 14.34395

PELANGGARAN ASUMSI KLASIK

Durbin-Watson stat

2.276325

Prob(F-statistic)

0.000160

 Two Stage Least Squares (TSLS) Metode TSLS sering digunakan dengan alasan: 1. Untuk persamaan yang overidentified, penerapan TSLS menghasilkan taksiran tunggal (sedangkan ILS menghasilkan taksiran ganda). 2. Metode ini dapat diterapkan pada kasus exactly identified. Pada kasus ini taksiran TSLS = ILS. 3. Dengan TSLS tidak ada kesulitan untuk menaksir standar error, karena koefisien struktural ditaksir secara langsung dari regresi OLS pada langkah kedua (sedangkan pada ILS mengalami kesulitan dalam menaksir standar error). CONTOH METODE 1 UNTUK TSLS: Persamaan simultan adalah sebagai berikut : Qd= a11 + a12 P+ a13 X + v Qs= b11+ b12 P + b12 Pl + u Langkah-langkah TSLS: (untuk persamaan 1) 1. Regres P = a11 + a12 Pl+ a13 X + v 2. Buatlah nilai Fitted dan Residual dari regresi tersebut (PF dan RES1). 3. Regres Variabel Q dengan PF dan RES1. Q = b11 + b12 PF+ b13 RES1 + b14 X + v

40

PELANGGARAN ASUMSI KLASIK

Gambar 4.1 Hasil regresi P = a11 + a12 Pl+ a13 X + v Dependent Variable: P Method: Least Squares Date: 03/18/02 Time: 22:56 Sample: 1970 1991 Included observations: 22 Variable Coefficient Std. Error t-Statistic PL -1.190681 0.38448 -3.096827 4 X 0.017971 0.00447 4.014026 7 C 94.08825 10.4245 9.025651 4 R-squared 0.663099 Mean dependent var Adjusted R0.627636 S.D. dependent var squared S.E. of regression 15.23961 Akaike info criterion Sum squared 4412.668 Schwarz criterion resid 41

Prob. 0.0059 0.0007 0.0000 109.090 9 24.9741 0 8.41179 7 8.56057 5

PELANGGARAN ASUMSI KLASIK

Log likelihood Durbin-Watson stat

-89.52976 0.847730

F-statistic Prob(F-statistic)

18.6981 9 0.00003 2

Membuat fitted dari regresi P = a11 + a12 Pl+ a13 X + v

Gambar 4.2

42

PELANGGARAN ASUMSI KLASIK

Gambar 4.3. Membuat residual dari regresi P = a11 + a12 Pl+ a13 X + v

Gambar 4.4.

43

PELANGGARAN ASUMSI KLASIK

Gambar 4.5. Hasil regresi Q=b0 + b1 PF + b2 RES1 + b3X + e Dependent Variable: Q Method: Least Squares Date: 03/18/02 Time: 22:51 Sample: 1970 1991 Included observations: 22 Variable Coefficien Std. Error t-Statistic t PF 0.516798 0.178522 2.894866 RES1 0.042096 0.126833 0.331900 X -0.000262 0.000899 -0.290921 C 46.70099 13.59172 3.435989 R-squared 0.603999 Mean dependent var Adjusted R0.537999 S.D. dependent var squared S.E. of 8.425265 Akaike info criterion regression Sum squared 1277.732 Schwarz criterion resid Log likelihood -75.89644 F-statistic Durbin-Watson 2.301464 Prob(F-statistic) stat Lakukan langkah yang sama pada persamaan yang lain! 44

Prob. 0.0097 0.7438 0.7744 0.0029 100.8636 12.39545 7.263313 7.461684 9.151495 0.000677

PELANGGARAN ASUMSI KLASIK

Langkah-langkah TSLS: (untuk persamaan 2) 1. Regres Q = a11 + a12 Pl+ a13 X + v 2. Buatlah nilai Fitted dan Residual dari regresi tersebut (QF dan RES2). 3. Regres Variabel P dengan QF dan RES2. P = b11 + b12 QF+ b13 RES2 + b14 X + v Metode 2 TSLS: Buka Workfile, pilih variabel yang dikehendaki akan diregresi , kemudian Klik estimation Setelah muncul Equation Specification, pilih method TSLS Tuliskan instrument variable , Klik OK Buatlah regresi P = a11 + a12 Q+ a13 Pl + v

Gambar 4.6 Hasil Regresi dengan Two Stage Least Squares (TSLS). Dependent Variable: P Method: Two-Stage Least Squares 45

PELANGGARAN ASUMSI KLASIK

Date: 03/18/02 Time: 16:40 Sample: 1970 1991 Included observations: 22 Instrument list: PL X Variable Coefficien t PL 0.034507 Q 1.991068 C -95.71162 R-squared 0.330473 Adjusted R0.259996 squared S.E. of 21.48358 regression F-statistic 9.408793 Prob(F-statistic) 0.001446

Std. Error

t-Statistic

Prob. 0.8119 0.0103 0.1272 109.0909 24.97410 8769.343 1.790965

0.142983 0.241336 0.699260 2.847392 60.00985 -1.594932 Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat

Dependent Variable: Q Method: Two-Stage Least Squares Date: 03/18/02 Time: 16:42 Sample: 1970 1991 Included observations: 22 Instrument list: X PL Variable Coefficie Std. Error t-Statistic nt P 0.51679 0.231710 2.23036 8 4 X -0.00026 0.001167 -0.22414 2 1 C 46.7009 17.64115 2.64727 9 5 R-squared 0.29582 Mean dependent 2 var Adjusted R0.22169 S.D. dependent var squared 8 S.E. of 10.9354 Sum squared resid regression 4 F-statistic 8.11581 Durbin-Watson stat 0 Prob(F-statistic) 0.00283 3

Prob. 0.0380 0.8250 0.0159 100.863 6 12.3954 5 2272.09 3 1.76922 7

46

PELANGGARAN ASUMSI KLASIK

 System Method / Full Information Method Dalam metode ini, seluruh persamaan dalam model diperhitungkan bersama-sama dan ditaksir secara simultan dengan memperhatikan seluruh batasan yang ada dalam sistem persamaan dalam model. Contoh Metode System dengan menggunakan Eviews: Klik Object, kemudian pilih New object

Gambar 4.7 Pilih System kemudian klik OK

47

PELANGGARAN ASUMSI KLASIK

Gambar 4.8

Tuliskan INST diikuti variabel instrumen-nya atau predetermined variabel Inst x Pl P= C(1) + C(2) *Q+ C(3)* PL Q= C(4) + C(5) *P+ C(6)* X

48

PELANGGARAN ASUMSI KLASIK

Gambar 4.9. Klik, Procs kemudian klik estimate. Pilih Two Stage Least Squares (TSLS) dan Simultaneous, kemudian klik OK.

Gambar 4.10. Hasil regresi persamaan simultan dengan menggunakan System. System: UNTITLED Estimation Method: Two-Stage Least Squares Date: 03/18/02 Time: 15:52 Sample: 1970 1991 Instruments: PL X C Coefficien Std. Error t 49

t-Statistic

Prob.

PELANGGARAN ASUMSI KLASIK

60.0098 -1.594932 0.1190 5 C(2) 1.991068 0.69926 2.847392 0.0071 0 C(3) 0.034507 0.14298 0.241336 0.8106 3 C(4) 46.70099 17.6411 2.647275 0.0117 5 C(5) 0.516798 0.23171 2.230364 0.0317 0 C(6) -0.000262 0.00116 -0.224141 0.8238 7 Determinant residual 9.78409 covariance 7 Equation: P=C(1)+C(2)*Q+C(3)*PL Observations: 22 -------------------------------------------------------------------------------------------------------------------------------R-squared 0.33047 Mean dependent 109.0909 3 var Adjusted R-squared 0.25999 S.D. dependent var 24.97410 6 S.E. of regression 21.4835 Sum squared resid 8769.343 8 Durbin-Watson stat 1.79096 5 Equation: Q=C(4)+C(5)*P+C(6)*X Observations: 22 -------------------------------------------------------------------------------------------------------------------------------R-squared 0.295822 Mean dependent 100.8636 var Adjusted R0.221698 S.D. dependent var 12.39545 squared S.E. of regression 10.93544 Sum squared resid 2272.093 Durbin-Watson 1.769227 stat

C(1)

-95.71162

50

PELANGGARAN ASUMSI KLASIK

Berikut adalah data yang digunakan dalam bagian simultan ini:

UJI HAUSMAN

Uji

Hausman

dilakukan

untuk

mengetahui

apakah

terdapat

hubungan simultan antara dua persamaan regresi yang ada. Persamaan simultan adalah sebagai berikut : Qd= a11 + a12 P+ a13 X + v Qs= b11+ b12 P + b12 Pl + u Persamaan reduce form-nya adalah sebagai berikut : 51

PELANGGARAN ASUMSI KLASIK

P= η11+ η 12 X + η 13 Pl +Ω Q= η 14 + η 15 X + η 16 Pl +Ω

 Variabel endogen: P Tahap 1 : Meregresikan Pt pada variabel-variabel eksogen (X) dan (Pl) Tahap 2 : Dapatkan residual dan fitted dari regresi di atas (masukkan dalam data / variable) Tahap 3 : Regres variabel endogen yang lain (Qt) pada residual dan fitted yang telah dibuat. Tahap 4 : Lakukan pengujian. Jika variabel residual signifikan, maka persamaannya adalah simultan.

Gambar 4.11 Hasil regresi : Dependent Variable: P Method: Least Squares Date: 03/19/02 Time: 21:24 Sample: 1970 1991 Included observations: 22 Variable Coefficie Std. Error t-Statistic PL

Prob.

nt -1.19068 0.384484 -3.09682 0.0059 52

PELANGGARAN ASUMSI KLASIK

X C R-squared Adjusted R-

1 7 0.01797 0.004477 4.014026 0.0007 1 94.0882 10.42454 9.025651 0.0000 5 0.66309 Mean dependent 109.09 09 24.974 10 8.4117 97 8.5605 75 18.698 19 0.0000 32

9 var 0.62763 S.D. dependent

squared 6 var S.E. of regression 15.2396 Akaike info Sum squared resid Log likelihood Durbin-Watson stat 1 criterion 4412.66 Schwarz criterion 8 -89.5297 6 0.84773 0 F-statistic Prob(F-statistic)

Membuat Fitted dari hasil regresi Gambar 4.12

Klik Procs, pilih forecast

Membuat Residual dari hasil regresi

53

PELANGGARAN ASUMSI KLASIK

Klik Procs, pilih Make Residual Series

Gambar 4.13

Beri nama RESID1

Gambar 4.14

54

PELANGGARAN ASUMSI KLASIK

Buatlah regresi Q = b0 + b1 Resid1 + b2 Pfit + e Hasil regresi di atas adalah sebagai berikut : Dependent Variable: Q Method: Least Squares Date: 03/19/02 Time: 21:29 Sample: 1970 1991 Included observations: 22 Variable Coefficie Std. Error t-Statistic RESID1 PFIT C R-squared Adjusted Rsquared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat  Variabel endogen : Qt Tahap 1 : Meregresikan Qt pada variabel-variabel eksogen (X dan Pl) Tahap 2 : Dapatkan residual dan fitted dari regresi di atas (masukkan dalam data / variable) nt 0.04209 0.123740 0.340196 6 0.47201 0.088201 5.351585 5 49.3711 9.780205 5.048068 4 0.60213 Mean dependent

Prob. 0.7374 0.0000 0.0001 100.86 36 12.395 45 7.1770 94 7.3258 73 14.377 60 0.0001 58

8 var 0.56025 S.D. dependent 7 var 8.21980 Akaike info 8 criterion 1283.74 Schwarz criterion 0 -75.9480 4 2.27898 0 F-statistic Prob(F-statistic)

55

PELANGGARAN ASUMSI KLASIK

Tahap 3 : Regres variabel endogen yang lain (Pt) fitted yang telah dibuat.

pada residual dan

Tahap 4 : Lakukan pengujian. Jika variabel residual signifikan, maka persamaannya adalah simultan. Hasil regresi dari Q = b0 + b1 PL +b2 X +e Dependent Variable: Q Method: Least Squares Date: 03/19/02 Time: 21:31 Sample: 1970 1991 Included observations: 22 Variable Coefficie Std. Error t-Statistic PL X C R-squared Adjusted R-

Prob.

nt -0.61534 0.207526 -2.96513 0.0080 2 3 0.00902 0.002417 3.735081 0.0014 6 95.3256 5.626663 16.94177 0.0000 5 0.60157 Mean dependent 100.86 36 12.395 45 7.1785 05 7.3272 83 14.343 95 0.0001 60

6 var 0.55963 S.D. dependent

squared 7 var S.E. of regression 8.22560 Akaike info Sum squared resid Log likelihood Durbin-Watson stat 6 criterion 1285.55 Schwarz criterion 1 -75.9635 5 2.27632 5 F-statistic Prob(F-statistic)

Hasil regresi dari P = b0 + b1 RESID2 + b2 Qfit + e Dependent Variable: P Method: Least Squares Date: 03/20/02 Time: 08:20 Sample: 1970 1991 56

PELANGGARAN ASUMSI KLASIK

Included observations: 22 Variable Coefficie Std. Error t-Statistic RESID2 QF2 C R-squared Adjusted R-

Prob.

nt 0.14449 0.425041 0.339955 0.7376 5 2.11202 0.345906 6.105759 0.0000 1 -103.935 35.04034 -2.96616 0.0079 2 0.66309 0 Mean dependent 109.09 09 24.974 10 8.4118 06 8.5605 84 18.697 93 0.0000 32

6 var 0.62763 S.D. dependent

squared 2 var S.E. of regression 15.2396 Akaike info Sum squared resid Log likelihood Durbin-Watson stat Kesimpulan : 8 criterion 4412.70 Schwarz criterion 9 -89.5298 7 0.88690 8 F-statistic Prob(F-statistic)

Nilai Residual tidak signifikan, jadi tidak terjadi hubungan simultan antara kedua persamaan tersebut.

Soal Simultan: Diketahui model persamaan simultan adalah sebagai berikut : R t = a 0 + a 1 Mt + a 2 Y t + u Yt = b0 + b1 Rt + b2 It + v Dimana: Rt = Suku bunga Mt =Jumlah uang beredar 57

PELANGGARAN ASUMSI KLASIK

Yt =GDP It =PMDN Tugas : Buatlah model Reduce Form dari persamaan di atas Lakukan Uji Hausman Buatlah regresi dengan menggunakan TSLS dan System Interpretasikan secara lengkap

Data-datanya sebagai berikut: YEAR 1970 1971 1972 1973 1974 1975 1976 1977 1978 GDP 3,578 .0 3,697 .7 3,998 .4 4,123 .4 4,099 .0 4,084 .4 4,311 .7 4,511 .8 4,760 M PMDN 626. 436. 4 710. 1 802. 1 855. 2 901. 9 1,015 .9 1,151 .7 1,269 .9 1,365 2 485. 8 543. 0 606. 5 561. 7 462. 2 555. 5 639. 4 713. 58 R 6.5 62 4.5 11 4.4 66 7.1 78 7.9 26 6.1 22 5.2 66 5.5 10 7.5

PELANGGARAN ASUMSI KLASIK

.6 4,912 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 .1 4,900 .9 5,021 .0 4,913 .3 5,132 .3 5,505 .2 5,717 .1 5,912 .4 6,113 .3 6,368 .4 6,591 .9 6,707 .9 6,676 .4 6,880 .0 7,062 .6 7,347 .7 7,343 .8 7,813 .2 8,159

.5 1,473 .1 1,599 .1 1,754 .6 1,909 .5 2,126 .0 2,309 .7 2,495 .4 2,732 .1 2,831 .1 2,994 .3 3,158 .4 3,277 .6 3,376 .8 3,430 .7 3,484 .4 3,499 .0 3,641 .9 3,813 .3 4,028

0 735. 4 655. 3 715. 6 615. 2 673. 7 871. 5 863. 4 857. 7 879. 3 902. 8 936. 5 907. 3 829. 5 899. 8 977. 9 1,107 .0 1,140 .6 1,242 .7 1,393 59

72 10.0 17 11.3 74 13.7 76 11.0 84 8.7 50 9.8 00 7.6 60 6.0 30 6.0 50 6.9 20 8.0 40 7.4 70 5.4 90 3.5 70 3.1 40 4.6 60 5.5 90 5.0 90 5.1

PELANGGARAN ASUMSI KLASIK

.5 8,515 1998 1999 .7 8,875 .8

.9 4,380 .6 4,643 .7

.3 1,566 .8 1,669 .7

80 4.8 50 4.7 60

PRAKTIKUM V

ANALISIS MODEL DINAMIS Isu Statistik Model Dinamis ♣ Pembentukan model dinamis merupakan satu hal yang penting dalam pembentukan model ekonomi dan analisis yang menyertainya. Hal ini disebabkan karena sebagian besar analisis ekonomi berkaitan erat dengan analisis runtun waktu (time series) yang sering diwujudkan oleh hubungan antara perubahan suatu besaran ekonomi dan kebijakan ekonomi pada 60

PELANGGARAN ASUMSI KLASIK

waktu tertentu dan pengaruhnya terhadap gejala dan perilaku ekonomi pada waktu yang lain. ♣ Pada dasarnya spesifikasi Model Linier Dinamik (MDL) lebih ditekankan pada struktur dinamis hubungan jangka pendek (short run) antara wariabel tak bebas dengan variabel bebas. Selain itu pula, teori ekonomi tidak terlalu banyak bercerita tentang model dinamis (jangka pendek) tetapi lebih memusatkan perilaku variabel dalam keseimbangan atau dalam hubungan jangka panjang (Insukindro, 1996:1). Sebenarnya perilaku jangka panjang (long run) dari suatu model akan lebih penting, karena teori ekonomi selalu berbicara dalam konteks tersebut dan juga karena hasil pengujian teori akan selalu berfokus kepada sifat jangka panjang (Insukrindo, 1996b:85). ♣ Modul ini akan membahas sekaligus mempraktekkan isu statistik model dinamik, khususnya pendekatan kointegrasi dan beberapa model linier dinamis, yaitu Error Correction Model (ECM) dan Partial Adjustment Model (PAM). A. ERROR CORRECTION MODEL (ECM) Secara umum ECM sering dipandang sebagai salah satu model dinamik yang sangat terkenal dan banyak diterapkan dalam studi empirik terutama sejak kegagalan PAM dalam menjelaskan perilaku dinamik permintaan uang berdasarkan konsep stok penyangga dan munculnya pendekatan kointegrasi dalam analisis ekonomi time series. Insukindro (1999:1-2) menyatakan bahwa ECM relatif lebih unggul bila dibandingkan dengan PAM, misalnya karena kemampuan yang dimiliki ECM dalam meliputi banyak variabel dalam menganalisis fenomena ekonomi jangka pendek dan jangka panjang serta mengkaji konsisten atau tidaknya model empirik dengan teori ekonometrika, serta dalam usaha mencari pemecahan 61

PELANGGARAN ASUMSI KLASIK

terhadap persoalan variabel time series yang tidak stasioner dan regresi lancung atau korelasi lancung.

Penurunan ECM 1. Persamaan yang digunakan adalah: LNVOLt = f (RDt, LNPDBt, IHSGt)1 LNVOLt* = a0 + a1 RDt + a2 LNPDBt + a3 IHSGt…..(1) 2. Membentuk fungsi biaya kuadrat tunggal dalam ECM Ct = b1 (LNVOLt – LNVOLt*)2 + b2 [(1-B) LNVOLt – f (1-B) zt]2…..(2) Dimana : b1 (LNVOLt – LNVOLt*)2 = biaya ketidakseimbangan b2 [(1-B) LNVOLt – f (1-B) zt]2 = biaya penyesuaian zt = f (RDt, LNPDBt, IHSGt) 3. Minimisasi diperoleh: ∂ Ct = 2b1 (LNVOLt – LNVOLt*) + 2b2 [(1-B) LNVOLt – f (1-B) zt] = 0 b1 (LNVOLt – LNVOLt*) + b2 [(1-B) LNVOLt – f (1-B) zt] = 0 b1 LNVOLt – b1 LNVOLt* + b2 LNVOLt - b2 B LNVOLt – b2 f (1-B) zt = 0 b1 LNVOLt – b2 LNVOLt = b1 LNVOLt* + b2 B LNVOLt + b2 f (1-B) zt (b1 - b2) LNVOLt = b1 LNVOLt* + b2 B LNVOLt + b2 f (1-B) zt b1 b1+b2 jika : b1 b = ------1

fungsi

biaya

tersebut

terhadap

LNVOLt sehingga

b2 b1+b2 b2 (1-b) = --------

b2 b1+b2 b1+b2 1= ---------

LNVOLt = -------- LNVOLt* + ------- BLNVOLt + ------- f (1-B)zt

VOL=Volume Perdagangan Saham, RD = Suku Bunga Deposito, PDB = Produk Domestik Bruto dan IHSG = Indeks Harga Saham Gabungan.

62

PELANGGARAN ASUMSI KLASIK

b1+b2 maka

b1+b2

b1+b2

LNVOLt = b LNVOLt* + (1-b) B LNVOLt (1-B) f (1-b) zt…..(3) 4. Dengan mensubstitusikan persamaan (1) ke persamaan (1), didapat LNVOLt = b LNVOLt* + (1-b) B LNVOLt (1-B) f (1-b) zt LNVOLt = b (a0 + a1 RDt + a2 LNPDBt + a3 IHSGt) + (1-b) LNVOLt (1-B) f (1-b) zt LNVOLt = a0b + a1b RDt + a2b LNPDBt + a3b IHSGt + (1-b) LNVOLt (1-B) f (1-b) zt…..(4) 5. Pemecahan komponen koefisien (1-b) f (1-B) terhadap masingmasing variabel LNVOLt = a0b + (a1b+(1-b)f1) RDt – (1-b)f1 BRDt+ (a2b+(1-b)f2) LNPDBt - (1-b)f2 BLNPDBt + (a3b+(1-b) IHSGt - (1-b)f3 BIHSGt + (1-b) BLNVOLt…..(5)

6. Persamaan (5) merupakan persamaan dinamik LNVOLt = C0 + C1 RDt + C2 LNPDBt + C3 IHSGt + C4 BRDt + C5 BLNPDBt + C6 BIHSGt + C7 BLNVOLt…..(6) Dimana : C0 = a0b C1 = a1b + (1-b)f1 C2 = a2b + (1-b)f2 C3 = a3b + (1-b)f3 C4 = -(-1-b) f1 C5 = -(-1-b) f2 C6 = -(-1-b) f3 C7 = (-1-b)

7. Melalui proses paramitasi, persamaan (6) dapat diubah ke dalam bentuk ECM 63

PELANGGARAN ASUMSI KLASIK

LNVOLt = C0 + C1(RDt–RDt-1+RDt-1) + C2(LNPDBt-LNPDBt-1+LNPDB t1

) + C3(IHSGt-IHSG t-1+IHSG t-1) + C4 BRDt + C5 BLNPDBt + C6 BIHSGt + C7 BLNVOLt…..(7)

Dimana

: C7 = (1-b) DLNVOLt = LNVOLt - LNVOLt-1 LNVOLt – LNVOL(-1) BLNVOLt = LNVOL(-1)

8. Persamaan (7) dapat dituliskan dalam bentuk LNVOLt - BLNVOLt = C0 + C1(DRDt-BRDt) + C2(DLNPDBt-BLNPDBt) + C3(DIHSGt-BIHSGt) + C4 BRDt + C5 BLNPDBt + C6 BIHSGt + C7 BLNVOLt - BLNVOLt…..(8) 9. Dari persamaan (8) dapat diperoleh persamaan ECM tanpa ECT DLNVOLt = C0 + C1 DRDt + C2 DLNPDBt + C3 DIHSGt + (C1+C4) BRDt + (C2+C5) BLNPDBt +(C3+C6) BIHSGt + (C7-1)[( BRDt + BLNPDBt + BIHSGt) - ( BRDt + BLNPDBt + BIHSGt ) + BLNVOLt]…..(9) 10. Dalam bentuk lain, persamaan (8) dapat dituliskan sebagai berikut : DLNVOLt = C0 + C1 DRDt + C2 DLNPDBt + C3 DIHSGt + (C1+C4) BRDt + (C2+C5) BLNPDBt +(C3+C6) BIHSGt + (C7-1) BLNVOLt…..(10) 11. Selain itu, persamaan (9) juga dapat dituliskan sebagai berikut : DLNVOLt = C0 + C1 DRDt + C2 DLNPDBt + C3 DIHSGt + (C1+C4+ C7-1) BRDt + (C2+C5+ C7-1) BLNPDBt +(C3+C6 C7-1) BIHSGt + (C7 -1)( BRDt - BRDt - BLNPDBt - BIHSGt+ BLNVOLt)…..(11) 64

PELANGGARAN ASUMSI KLASIK

12. Dari persamaan (11) dapat diperoleh persamaan WCM DLNVOLt = C0 + C1 DRDt + C2 DLNPDBt + C3 DIHSGt + (C1+C4+ C7 -1) BRDt + (C2+C5+ C7 -1) BLNPDBt +(C3+C6 C7 -1) BIHSGt + (1- C7)( -BRDt + BRDt + BLNPDBt + BIHSGt - BLNVOLt)…..(12) 13. Persamaan (12) dapat dituliskan dalam bentuk lain DLNVOLt = d0 + d1 DRDt + d2 DLNPDBt + d3 DIHSGt + d4 BRDt + d5 BLNPDBt + d6 BIHSGt + d7 ECT…..(13) Dimana : d0 = C0 d1 = C1 d2 = C2 d3 = C3 BLNVOLt) 14. Persamaan (13) diubah ke dalam bentuk logaritma natural d4 = C1+C4+ C7 -1 d5 = C2+C5+ C7 -1 d6 = C3+C6 C7 -1 d7 = (1- C7)

ECT = ( -BRDt + BRDt + BLNPDBt + BIHSGt -

PENDEKATAN KOINTEGRASI Pendekatan Kointegrasi merupakan isu statistik yang tidak dapat diabaikan yang berkaitan erat 65 dengan pengujian terhadap kemungkinan adanya hubungan keseimbangan jangka panjang antara

PELANGGARAN ASUMSI KLASIK

variabel-variabel ekonomi seperti yang dikehendaki teori ekonomi. Pendekatan ini dapat pula dianggap sebagai uji teori ekonomi dan merupakan bagian yang penting dalam perumusan dan estimasi sebuah model dinamis (Insukindro, 1992:250). Berkaitan dengan isu tersebut, pengujian terhadap perilaku data runtun waktu (time series) atau integrasinya dapat dipandang sebagai uji prasyarat bagi digunakannya pendekatan kointegrasi. Untuk itulah pertama-tama harus diamati perilaku data ekonomi runtun waktu yang akan digunakan yang artinya bahwa pengamat harus yakin terlebih dahulu, apakah data yang digunakan stasioner atau tidak, yang antara lain dapat dilakukan dengan Uji Akar-Akar Unit (Testing for Unit Root) dan Uji Derajat Integrasi (Testing for Degree on Integration). o UJI AKAR-AKAR UNIT Uji Akar-Akar Unit dipandang sebagai uji stasionaritas karena pengujian ini pada prinsipnya bertujuan untuk mengamati apakah koefisien tertentu dari model otoregresif yang ditaksir mempunyai nilai satu atau tidak.

Pengujian dilakukan dengan menggunakan dua pengujian yang dikembangkan DF oleh Dickey dan Fuller (1979, 1981) yang ditunjukkan dengan persamaan sebagai berikut : : DXt = a0 + a1 BXt +∑ biBiDXt : DXt = Xt - Xt-1 BXt = Xt-1 T = Trend waktu B = Operasi kelambaman ke periode t (backward lag operator) 66 ADF : DXt = c0 + c1 T+ c2 BXt +∑diBiDXt Dimana

PELANGGARAN ASUMSI KLASIK

k = N1/3, dimana N adalah jumlah observasi (sampel) Nilai DF dan ADF untuk hipotesis bahwa a1=0 dan c2=0 ditunjukkan dengan nilai T-Statistik pada koefisien regresi BXt. Kemudian nilai TStatistik tersebut dibandingkan dengan nilai kritis statistik DF dan ADF tabel untuk mengetahui ada atau tidaknya akar-akar unit. o UJI DERAJAT INTEGRASI Pengujian ini dilakukan untuk mengetahui pada derajat atau order diferensi ke berapa data yang diteliti akan stasioner. Pengujian ini dilakukan pada Uji Akar-Akar Unit (langkah pertama di atas), jika ternyata data tersebut tidak stasioner pada derajat pertama (Insukindro, 1992b: 261-262), maka persamaan untuk derajat integrasi ditunjukkan dengan persamaan sebagai berikut : DF : D2Xt = e0 + e1 BDXt +∑ fi Bi D2Xt : D2Xt = DXt -DXt-1 BDXt = DXt-1 T = Trend waktu B = Operasi kelambaman ke periode t (backward lag operator) k = N1/3, dimana N adalah jumlah observasi (sampel) Nilai statistik DF dan ADF untuk mengetahui pada derajat berapa suatu data akan stasioner dapat dilihat pada nilai T-Statistik pada koefisien regresi BDXt pada persamaan di atas. Jika ei dan g2 sama dengan satu (nilai statistik DF dan ADF lebih besar dari nilai statistik DF dan ADF tabel), maka variabel tersebut dikatakan stasioner pada derajat pertama. 67 ADF : D2Xt = g0 + g1 T + g2 BDXt +∑ hi Bi D2Xt dimana

PELANGGARAN ASUMSI KLASIK

o UJI KOINTEGRASI Dalam melakukan Uji Kointegrasi harus diyakini terlebih dahulu bahwa variabel-variabel terkait dalam pendekatan ini memiliki derajat integrasi yang sama atau tidak.(Insukindro, 1992b:262)

Pengujian ini dilakukan untuk mengetahui apakah dalam jangka panjang terdapat hubungan antara variabel independen dengan variabel dependennya. Engle dan Granger (1987) berpendapat bahwa dari tujuh uji statistik yang digunakan untuk menguji hipotesis null mengenai tidak adanya kointegrasi, ternyata Uji CRDW (Cointegration-Regression Durbin-Watson), DF (Dickey-Fuller) dan ADF (Augmented Dickey-Fuller) merupakan uji statistik yang paling disukai untuk menguji ada tidaknya kointegrasi tersebut. Pengujian Kointegrasi dengan CRDW Langkah-langkah yang harus dilakukan : Jika Y = f (X1, X2) Lakukan regresi dengan OLS, yaitu Y = a0 + a1 X1 + a2 X2 + e Kemudian ambil nilai Durbin-Watson (DW) yang merupakan nilai CRDW Statistik Bandingkan nilai CRDW Statistik dengan DW Engle-Granger Jika nilai CRDW Statistik lebih besar dari DW Engle-Granger, maka artinya terdapat kointegrasi, dan sebaliknya Pengujian Kointegrasi dengan DF dan ADF Langkah-langkah yang harus dilakukan : Jika Y = f (X1, X2) Lakukan regresi dengan OLS, yaitu Y = a0 + a1 X1 + a2 X2 + e Kemudian ambil nilai residualnya (RESID) Lakukan pengujian stasionarotas variabel residual regresi persamaan OLS pada derajat nol dengan persamaan sbb: 68

PELANGGARAN ASUMSI KLASIK

DF

: DEt = p1DEt

ADF : Det = q1Bet + ∑ wi Bi DEt Dapat dikatakan data berkointegrasi jika nilai T-Statistik dari p1 dan q1 lebih besar dari nilai DF Tabel dan ADF Tabel Engle & Granger. Langkah-langkah pengujian ECM : 1. Uji Akar-Akar Unit (Unit Root Test) Klik QUICK, SERIES STATISTICS, UNIT ROOT TEST Ketik variabel yang akan diuji, misalnya LNVOL Untuk pengujian DF, pilih AUGMENTED DICKEY FULLER (pada Test Type) LEVEL (pada Test for unit root in) INTERCEPT (pada Include in test equation) LAG yang diperoleh dari pembulatan N1/3 Untuk pengujian ADF, pilih AUGMENTED DICKEY FULLER (pada Test Type) LEVEL (pada Test for unit root in) TREND AND INTERCEPT (pada Include in test equation) LAG yang diperoleh dari pembulatan N1/3

69

PELANGGARAN ASUMSI KLASIK

QUIC
SERIES STATISTIC

UNIT ROOT TEST

Gambar 5.1

LNVO

Gambar 5.2

70

PELANGGARAN ASUMSI KLASIK

Hasil Uji Akar-Akar Unit dengan ADF untuk LNVOL ADF Test Statistic -1.4037 1% Critical Value* -4.232 92 4 5% Critical Value -3.538 6 10% Critical Value -3.200 9 *MacKinnon critical values for rejection of hypothesis of a unit root. Augmented Dickey-Fuller Test Equation Dependent Variable: D(LNVOL) Method: Least Squares Date: 02/19/03 Time: 20:42 Sample(adjusted): 1993:1 2001:4 Included observations: 36 after adjusting endpoints Variable Coeffici Std. tProb. LNVOL(-1) D(LNVOL(-1)) D(LNVOL(-2)) D(LNVOL(-3)) C ent Error Statistic -0.2962 0.21101 -1.40379 0.1706 22 5 2 -0.2807 0.23443 -1.19777 0.2404 97 2 7 0.03281 0.22566 0.14540 0.8854 2 1 2 0.02204 0.18786 0.11736 0.9074 9 4 7 3.92859 2.45344 1.60125 0.1198

7 2 9 @TREND(1992: 0.02679 0.03055 0.87679 0.3876 1) R-squared Adjusted R2 7 0 0.27264 Mean dependent 2 0.15141 var S.D. dependent 71 0.1030 42 0.5969

PELANGGARAN ASUMSI KLASIK

squared S.E. of regression Sum squared resid Log likelihood

5 0.54988

var Akaike info

33 1.7928

7 criterion 04 9.07127 Schwarz criterion 2.0567 1 -26.270 F-statistic Prob(F-statistic) 24 2.2490 31 0.0750 63

47 Durbin-Watson 1.90041 stat 1

2. Uji Derajat Integrasi Klik QUICK, SERIES STATISTICS, UNIT ROOT TEST Ketik variabel yang akan diuji, misalnya LNVOL Untuk pengujian DF, pilih AUGMENTED DICKEY FULLER (pada Test Type) 1st DIFFERENCE (pada Test for unit root in) INTERCEPT (pada Include in test equation) LAG yang diperoleh dari pembulatan N1/3 Untuk pengujian ADF, pilih AUGMENTED DICKEY FULLER (pada Test Type) 1st DIFFERENCE (pada Test for unit root in) TREND AND INTERCEPT (pada Include in test equation) LAG yang diperoleh dari pembulatan N1/3

72

PELANGGARAN ASUMSI KLASIK

1st

Gambar 5.3 Hasil Uji Derajat Integrasi dengan ADF untuk LNVOL ADF Test Statistic -4.5853 67 1% Critical Value* 5% Critical Value 10% Critical -4.241 2 -3.542 6 -3.203

Value 2 *MacKinnon critical values for rejection of hypothesis of a unit root. Augmented Dickey-Fuller Test Equation Dependent Variable: D(LNVOL,2) Method: Least Squares Date: 02/19/03 Time: 20:55 Sample(adjusted): 1993:2 2001:4 Included observations: 35 after adjusting endpoints Variable Coeffici Std. t- Prob. D(LNVOL(-1)) ent Error Statistic -2.2767 0.49653 -4.58536 79 1 73 7 0.000 1

PELANGGARAN ASUMSI KLASIK

D(LNVOL(-1),2) D(LNVOL(-2),2) D(LNVOL(-3),2) C

0.7811 0.41949 1.86222 90 2 9 0.6346 0.31384 2.02221 56 2 3 0.3703 0.17543 2.11123 84 5 3 0.6221 0.25135 2.47527

0.072 7 0.052 5 0.043 5 0.019 4 0.083 2 -0.029 432 1.005 205 1.748 303 2.014 934 18.04 763 0.000 000

74 5 7 @TREND(1992: -0.0169 0.00944 -1.79429 1) R-squared Adjusted Rsquared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat 44 0.7567 3 Mean 3

89 dependent var 0.7148 S.D. dependent 56 var 0.5367 Akaike info 68 criterion 8.3554 Schwarz 74 criterion -24.595 F-statistic 30 2.0317 98 Prob(F-statistic)

3. Uji Kointegrasi Lakukan regresi dengan OLS (gambar 1.4) Klik PROCS, MAKE RESIDUAL SERIES dan beri nama R01 Klik VIEW, UNIT ROOT TEST dari dialog box R01 Pilih AUGMENTED DICKEY FULLER (pada Test Type) LEVEL (pada Test for unit root in) NONE (pada Include in test equation) LAG yang diperoleh dari pembulatan N1/3

74

PELANGGARAN ASUMSI KLASIK

lnvol rd lnpdb

Gambar 5.4

R01

Gambar 5.5 Hasil Uji Kointegrasi ADF Test Statistic -2.5442 61 1% Critical Value* 5% Critical 75 -2.628 0 -1.950

PELANGGARAN ASUMSI KLASIK

Value 10% Critical

4 -1.620

Value 6 *MacKinnon critical values for rejection of hypothesis of a unit root. Augmented Dickey-Fuller Test Equation Dependent Variable: D(R01) Method: Least Squares Date: 02/19/03 Time: 21:16 Sample(adjusted): 1993:1 2001:4 Included observations: 36 after adjusting endpoints Variable Coeffici Std. t- Prob. R01(-1) D(R01(-1)) D(R01(-2)) D(R01(-3)) R-squared Adjusted Rsquared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat 4. Aplikasi ECM Cari variabel ECT dengan cara: Klik GENR lalu ketik 76 ent Error Statistic -0.6063 0.23830 -2.54426 08 4 1 0.0492 0.22925 0.21488 63 5 5 0.0692 0.20550 0.33681 18 9 2 0.0443 0.17506 0.25321 28 0.2682 2 Mean 5 0.016 0 0.831 2 0.738 5 0.801 7 -0.018 524 0.515 731 1.395 205 1.571 152 3.911 209 0.017 362

98 dependent var 0.1997 S.D. dependent 00 var 0.4613 Akaike info 70 criterion 6.8115 Schwarz 87 criterion -21.113 F-statistic 70 1.9404 76 Prob(F-statistic)

PELANGGARAN ASUMSI KLASIK

ECT=RD(-1)+LNPDB(-1)+IHSG(-1)-LNVOL(-1) Dalam e-views :BX Xt – Xt-1 = X(-1) = D(X) atau bentuk first diference

Klik QUICK, ESTIMATE EQUATION Pada Equation Specification ketiklah:

D(LNVOL) C D(RD) D(LNPDB) D(IHSG) RD(-1) LNPDB(-1) IHSG(-1) ECT

Gambar 5.6 Hasil Regresi ECM Dependent Variable: D(LNVOL) Method: Least Squares Date: 03/07/04 Time: 07:24 Sample(adjusted): 1992:2 2001:4 Included observations: 39 after adjusting endpoints Variable Coeffici Std. t- Prob. C ent Error Statistic -9.6586 2.93512 -3.29069 0.0025 77

PELANGGARAN ASUMSI KLASIK

D(RD) D(LNPDB) D(IHSG) RD(-1) LNPDB(-1) IHSG(-1) ECT R-squared Adjusted Rsquared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

03 3 9 0.02645 0.04310 0.61371 0.5439 3 4 0 0.93282 1.15618 0.80681 0.4259 4 5 2 0.00356 0.00082 4.34067 0.0001 2 1 1 -0.6257 0.14045 -4.45543 0.0001 93 6 7 0.79569 0.25746 3.09043 0.0042 0 8 6 -0.6289 0.13892 -4.52711 0.0001 18 2 6 0.63249 0.13932 4.53959 0.0001 6 0.48054 9 Mean 2 0.1018 09 0.5993 91 1.5434 93 1.8847 37 4.0968 97 0.0027 32

8 dependent var 0.36325 S.D. dependent 2 var 0.47829 Akaike info 2 criterion 7.09167 Schwarz 5 criterion -22.098 F-statistic 12 1.90542 5 Prob(F-statistic)

78

PELANGGARAN ASUMSI KLASIK

Besarnya koefisien regresi jangka panjang untuk intercept / konstanta, RD, LNPDB dan IHSG adalah: β0 C0= ----ECT β4+ECT C1= --------ECT β5+ECT C2= --------ECT β6+ECT C3= --------ECT Untuk melakukan uji-t dalam jangka pendek dapat dilakukan dengan melihat koefisien t-stat atau prob t-stat yang ada pada print out, namun dalam jangka panjang perlu dihitung dengan prosedur sbb: Menghitung Nilai T-Stat Jangka Panjang Langkah 1. Dapatkan nilai penaksir varian-kovarian parameter dengan memilih covariance matriks pada equation box (Lihat tampilan berikut) Koefisien jangka panjang untuk IHSGt Koefisien jangka panjang untuk LNPDBt Koefisien jangka panjang untuk RDt Koefisien jangka panjang untuk konstanta

79

PELANGGARAN ASUMSI KLASIK

Gambar 5.7 Hasilnya adalah sebagai berikut: D(LNP D(IHS LNPDB(- IHSG(-

C D(RD) DB) G) RD(-1) 1) 1) ECT 8.6149 -0.003 -0.976 -0.001 0.3374 -0.7470 0.3334 -0.3345 C 44 405 791 127 24 89 53 87 -0.003 0.0018 -0.008 0.0000 -0.000 -0.0001 -0.0004 0.0004

D(RD) 405 58 645 08 272 27 20 28 D(LNP -0.976 -0.008 1.3367 0.0000 -0.047 0.08375 -0.0481 0.0482 DB) 791 645 64 41 145 4 83 23 D(IHSG -0.001 0.0000 0.0000 0.0000 -0.000 0.00008 -0.0000 0.0000 ) 127 08 41 01 058 1 56 57 0.3374 -0.000 -0.047 -0.000 0.0197 -0.0303 0.0193 -0.0194

RD(-1) 24 272 145 058 28 90 59 17 LNPDB -0.747 -0.000 0.0837 0.0000 -0.030 0.06629 -0.0296 0.0297 (-1) 089 127 54 81 390 0 51 32 IHSG(- 0.3334 -0.000 -0.048 -0.000 0.0193 -0.0296 0.0192 -0.0193 1) ECT 53 420 183 056 59 51 99 56 -0.334 0.0004 0.0482 0.0000 -0.019 0.02973 -0.0193 0.0194 587 28 23 57 417 80 2 56 13

PELANGGARAN ASUMSI KLASIK

Langkah 2: Dapatkan nilai koefisien jangka panjang yang dkalikan dengan nilai Var-Covarnya. (1) Ct 1/ect -Co/ect (2) Matriks Var-Covarian (3)=(1)*(2) Ct*Matriks VarCovar ? ? ? ? ? ?

ect,ect c,ect c,ect c,c ect,ect rd(-1),ect 1/ect -C1/ect rd(-1),ect rd(-1),rd(-1) ect,ect lnpdb(-1),ect lnpdb(lnpdb(1/ect -C2/ect 1),ect 1),lnpdb(-1) ect,ect ihsg(-1),ect ihsg(- ihsg(-1),ihsg(1/ect -C3/ect 1),ect 1) Hasil perhitungannya sebagai berikut: (1) Ct (2) Matriks Var-

?

?

(3)=(1)*(2) Ct*Matriks Var-

Covarian Covar 1.581 -15.270 0.0194 -0.33458 5.14004 -132.084 038 615 13 -0.3345 7 2 489

878.614944 1.581 -1.5642 0.0194 -0.01941 0.06106 -0.06155 038 82 13 -0.0194 7 6 9

170.019728 1.581 1.98897 0.0194 0.08982 038 0 130.029732 0.0297 9

0.178856

320.066290 1.581 -1.5720 0.0194 -0.01935 0.06112 -0.06094 038 94 13 6 -0.01930.019299 2 2

81

PELANGGARAN ASUMSI KLASIK

56

Langkah 3. Dapatkan nilai Ct yang ditranspose, lalu varian, standar error dan nilai t-statnya sebagai berikut: (7)=Coeff/( (3)=(1)*(2) (4) (5)=(3)*(4) (6)=√(5) 6) Ct*Matriks Var- Transpose Standar Varian T-stat Covar dari Ct eror 5.140 -132.084 17472.732 132.1844 5.140042 042 489 27 6 -0.115525 -132.0844 89 0.061 -0.06155 066 9 0.061066 -0.061559 0.089 0.17885 829 6 0.089829 0.178856 0.061 -0.06094 122 2 0.061122 -0.060942 0.0074498 0.086312 92 754 0.0655402 0.0400587 0.200146 68 866 11.281795 0.0075186 0.086710 31 04 0.1222199

Pada kolom (7) tertera nilai T-stat yang siap untuk dibaca untuk dapat ditarik suatu kesimpulan. Hasil regresi ECM dapat dilaporkan sebagai berikut: Hasil regresi ECM jangka pendek Dependent Variabel:D(LNVOL) 82

PELANGGARAN ASUMSI KLASIK

Variable C D(RD) D(LNPDB) D(IHSG)

Coefficient -9.658603 0.026453 0.932824 0.003562

Std. Error 2.935123 0.043104 1.156185 0.000821

t-Statistic -3.290699 0.61371 0.806812 4.340671

Variable C D(RD) D(LNPDB) D(IHSG)

Hasil Regresi ECM jangka panjang Dependent Variabel:D(LNVOL) Coefficient Std. Error -15.27061515 132.18446 0.010597695 0.08671004 2.258015861 0.200146866 0.005656953 0.086312754

t-Statistic -0.115525041 0.122219936 11.28179472 0.065540172

Interpretasikanlah hasil tersebut dengan terlebih dahulu melihat signifikansi dari masing-masing variabelnya. Anda juga disarankan untuk menguji pelanggaran asumsi klasiknya terlebih dahulu.

B. PARTIAL ADJUSTMENT MODEL (PAM) ♣ Model penyesuaian parsial selama dua dekade dapat dikatakan sangat sukses digunakan dalam analisis ekonomi khususnya dalam konteks permintaan uang dengan menggunakan data kuartalan. Namun harus diakui bahwa pendekatan ini juga banyak mendapatkan dengan kritikan dari para ahli ekonomi sehubungan kelambanan variabel dependennya.

(Insukindro, 1990b:93) Penurunan PAM 1. Persamaan yang digunakan dalam penelitian ini adalah: LNVOLt = f (RDt, LNPDBt, IHSGt) LNVOLt* = a0 + a1 RDt + a2 LNPDBt + a3 IHSGt…..(1) 83

PELANGGARAN ASUMSI KLASIK

2. Membentuk fungsi biaya kuadrat tunggal Ct = b1 (LNVOLt – LNVOLt*)2 + b2 [(1-B) LNVOLt]2…..(2) Dimana : b1 (LNVOLt – LNVOLt*)2 = biaya ketidakseimbangan b2 [(1-B) LNVOLt]2 = biaya penyesuaian B = backward lag operator 3. Minimisasi diperoleh: ∂ Ct = 2b1 (LNVOLt – LNVOLt*) + 2b2 [(1-B) LNVOLt] = 0 b1 (LNVOLt – LNVOLt*) + b2 [(1-B) LNVOLt] = 0 b1 LNVOLt – b1 LNVOLt* + b2 LNVOLt - b2 B LNVOLt = 0 b1 LNVOLt – b2 LNVOLt = b1 LNVOLt* + b2 B LNVOLt (b1 - b2) LNVOLt = b1 LNVOLt* + b2 B LNVOLt b1 b1+b2 jika : b1 b = ------b1+b2 maka LNVOLt = b LNVOLt* + (1-b) B LNVOLt…..(3) 4. Dengan mensubstitusikan persamaan (1) ke persamaan (1), didapat LNVOLt = b LNVOLt* + (1-b) B LNVOLt LNVOLt = b (a0 + a1 RDt + a2 LNPDBt + a3 IHSGt) + (1-b) LNVOLt LNVOLt = a0b + a1b RDt + a2b LNPDBt + a3b IHSGt + (1-b) LNVOLt…..(4) 84 b2 b1+b2 b2 (1-b) = -------b1+b2 b1+b2 1= --------b1+b2 fungsi biaya tersebut terhadap LNVOLt sehingga

LNVOLt = -------- LNVOLt* + ------- BLNVOLt

PELANGGARAN ASUMSI KLASIK

5. Dapat diestimasikan dalam studi empiris, karena semua variabelnya dapat diobservasi, dimana dalam operasionalnya dapat dituliskan sebagai berikut : LNVOLt = β0 + β1 RDt + β2 LNPDBt + β3 IHSGt + β4 LNVOLt Dimana : β0 = a0b β1 = a1b β2 = a2b Catatan : Koefisien kelambaman variabel dependen haruslah: - terletak di antara 0 dan 1 0 < β4 < 1 - Signifikan secara statistik dan bertanda positif (+) β0 C0= --------(1 - β4) β1 C1= ---------(1 - β4) β2 C2= ----------(1 - β4) β3 C3= ----------(1 - β4) Koefisien jangka panjang untuk IHSGt Koefisien jangka panjang untuk LNPDBt Koefisien jangka panjang untuk RDt Koefisien jangka panjang untuk konstanta β3 = a3b β4 = (1-b)

Langkah-Langkah pengujian PAM : 85

PELANGGARAN ASUMSI KLASIK

1. Pastikan data sudah siap dalam workfile 2. Pada menu utama, klik QUICK dan pilih ESTIMATE EQUATION 3. Ketik persamaan regresi yang diinginkan, misalnya LNVOL C RD LNPDB IHSG LNVOL(-1)

Gambar 5.8 Hasil Regresi PAM 86

PELANGGARAN ASUMSI KLASIK

Dependent Variable: LNVOL Method: Least Squares Date: 03/07/04 Time: 09:35 Sample(adjusted): 1992:2 2001:4 Included observations: 39 after adjusting endpoints Variable Coeffici Std. t- Prob. C RD LNPDB IHSG LNVOL(-1) R-squared Adjusted Rsquared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat ent Error Statistic -9.3073 2.82015 -3.30030 0.0023 68 6 3 0.01115 0.01630 0.68386 0.4987 1 6 5 1.40156 0.36804 3.80817 0.0006 5 1 9 0.00336 0.00076 4.42846 0.0001 8 1 1 0.36581 0.13443 2.72105 0.0102 7 0.92390 9 Mean 6 14.625 13 1.5890 48 1.4188 47 1.6321 24 103.19 83 0.0000 00

2 dependent var 0.91494 S.D. dependent 9 var 0.46342 Akaike info 1 criterion 7.30180 Schwarz 3 criterion -22.667 F-statistic 52 1.96823 2 Prob(F-statistic)

87

PELANGGARAN ASUMSI KLASIK

Untuk menghitung nilai t-stat untuk koefisien jangka panjang, dapat dilakukan dengan cara yang sama dengan metode pada model ECM dimana matriks Ct dan matriks Var-Covar yang digunakan adalah sebagai berikut: (1) Ct 1/(1-β
4

(2) Matriks Var-Covarian Lnvol(-1),lnvol(c, lnvol(-1) c,c Rd,lnvol(-1) rd,rd Lnpdb, lnvol(-

(3)=(1)*(2) Ct*Matriks VarCovar ? ?

-Co/(1-β4)1) c, lnvol(-1) Lnvol(-1),lnvol(1/(1-β -C1/(1-β 1) 4) 4) rd, lnvol(-1) ) 1/(1-β -C2/(1-β
4

?

?

β4, β4 1) lnpdb, lnvol(-1) Lnpdb,lnpdb 1/(1-β -C3/(1-β β4, β4 Ihsg, lnvol(-1) )
4

)

?

?

4

)

4

)

ihsg, lnvol(-1)

ihsg,ihsg

?

?

Langkah selanjutnya silahkan anda cobakan sendiri.

88

PELANGGARAN ASUMSI KLASIK

DATA UNTUK ANALISIS MODEL DINAMIS obs 1992:1 1992:2 1992:3 1992:4 1993:1 1993:2 1993:3 1993:4 1994:1 1994:2 1994:3 1994:4 1995:1 1995:2 1995:3 1995:4 1996:1 1996:2 1996:3 1996:4 LNVOL 11.64648 12.20175 11.40376 11.90752 12.31172 12.68878 12.85433 13.10320 12.96607 12.44361 13.20067 13.31020 12.96114 13.65874 13.66362 14.08830 14.33549 14.38319 14.81044 15.23850 RD 22.53000 21.45000 20.49000 18.93000 17.73000 16.61000 15.30000 14.20000 13.40000 12.72000 12.50000 12.99000 13.87000 14.85000 15.66000 16.28000 16.68000 16.42000 16.85000 16.70000 89 LNPDB 11.10708 11.13845 11.20467 11.20526 11.25909 11.29515 11.09017 11.36489 11.38485 11.44023 11.51102 11.52725 11.57630 11.62329 11.67095 11.68842 11.71611 11.76637 11.82730 11.87932 IHSG 27806.00 313.6000 298.3920 274.3350 310.7580 360.3460 419.9610 588.7650 492.3730 457.2950 497.9700 469.6400 428.6410 492.2700 493.2400 513.8400 585.7000 594.2500 573.3000 637.4300

PELANGGARAN ASUMSI KLASIK

1997:1 1997:2 1997:3 1997:4 1998:1 1998:2 1998:3 1998:4 1999:1 1999:2 1999:3 1999:4 2000:1 2000:2 2000:3 2000:4 2001:1 2001:2 2001:3 2001:4

15.14846 15.61649 15.93115 16.14160 16.35552 15.47827 15.23479 15.33300 14.98580 17.33218 16.06588 16.61649 16.25206 16.13545 16.01539 15.51655 16.36453 16.46563 16.24295 15.61704

16.39000 16.16000 16.42000 15.92000 19.50000 21.69000 22.97000 28.29000 30.06000 28.73000 26.99000 22.35000 20.12000 13.44000 12.42000 12.17000 13.01000 13.97000 14.46000 15.48000

11.89000 11.91442 12.00305 12.03914 12.29066 12.35616 12.51892 12.49166 12.54629 12.54152 12.53388 12.54645 12.64958 12.66534 12.71811 12.73062 12.78097 12.82277 12.84576 12.86551

662.2300 724.5500 546.6800 401.7100 541.4200 445.9200 276.1500 398.0300 393.6200 662.0200 547.9400 676.9200 583.2700 515.1100 421.3300 416.3200 381.0500 437.6200 392.4700 392.0300

Soal Latihan Analisa Dinamis Indeks Kompensasi,Indeks Produktivitas dan Tingkat Pengangguran pada Beberapa perusahaan Besar di Suatu Negara Tahu Indeks Indeks Produktivitas Tkt Pengangguran (%) n 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 Kompensasi 60 61.8 63.9 65.4 67.9 69.4 71.9 73.8 76.3 77.4 78.9 80.4 82.7 84.5 83.5 48.8 50.6 52.9 55 57.5 59.6 62 63.4 65.4 65.7 67 69.9 72.2 74.5 73.2 90 5.5 6.7 5.5 5.7 5.2 4.5 3.8 3.8 3.6 3.5 4.9 5.9 5.6 4.9 5.6

PELANGGARAN ASUMSI KLASIK

1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999

84.4 86.8 87.9 89.5 89.7 89.5 89.5 90.9 91 91.3 92.7 95.8 96.3 97.3 95.9 96.5 97.5 100 99.9 99.7 99.3 99.7 100.4 104.3 107.3

75.8 78.5 79.8 80.7 80.7 80.4 82 81.7 84.6 87 88.7 91.4 91.9 93 93.9 95.2 96.3 100 100.5 101.9 102.6 105.4 107.6 110.5 114

8.5 7.7 7.1 6.1 5.8 7.1 7.6 9.7 9.6 7.5 7.2 7 6.2 5.5 5.3 5.6 6.8 7.5 6.9 6.1 5.6 5.4 4.9 4.5 4.2

Seorang

peneliti dan

ingin

melihat

apakah

ada

pengaruh

tingkat besarnya

produktivitas

tingkat

pengangguran

terhadap

kompensasi yang diberikan oleh suatu perusahaan pada karyawannya (baik dalam jangka pendek maupun dalam jangka panjang). Data diatas menunjukkan Indeks kompensasi, indeks produktivitas dan tingkat pengangguran dalam persen. Pertanyaan: a. Lakukanlah Uji akar-akar unit, uji derajat integrasi dan uji kointegrasi pada data diatas untuk mengetahui apakah model yang digunakan merupakan model dinamis atau bukan. 91

PELANGGARAN ASUMSI KLASIK

b. Jika hasil pengujian menganjurkan penggunaan model dinamis, gunakanlah model ECM, jika tidak lakukanlah regresi OLS. c. Interpretasikanlah hasil regresi yang telah anda peroleh

92

You're Reading a Free Preview

Mengunduh
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->