Oleh ;
Tim Penyusun
BAB I
Mengenal dan Menggunakan EViews 6
A.
Memulai EViews
memulai
software
berbasis
MENU
UTAMA
Command Window
WORK AREA, tempat berbagai
hasil ditampilkan
STATUS BAR
berbeda
satu sama lain. Secara ringkas, tampilan-tampilan jendela(window) dalam EViews, antara lain:
Main Window (Jendela Utama) merupakan jendela program EViews. Semua
Jendela yang lain dibuka melalui atau di dalam jendela.
Command Window (Jendela Program) berfungsi untuk mengetikkan perintah
macro EViews, baik untuk menganalisa data maupun menyusun program.
Database Window (Jendela Basisdata) berfungsi melakukan manajemen terhadap
beberapa objek dengan range berbeda.
Workfile Window (Jendela Workfile) berfungsi melakukan manajemen terhadap
beberapa objek dengan range sama.
Object
Window
(Jendela
Objek)
berfungsi
melakukan
manajemen terhadap
Setiap kali akan bekerja dengan EViews, Anda harus membuat dulu workfile ini (Anda tidak
perlu melakukannya jika Anda menjalankan EViews dengan cara batch).
B.
Pada contoh kali ini, kita akan mengimpor data dari Program Excel. Dalam kasus ini kita akan meneliti
factor-faktor yang mempengaruhi penjualan buanga mawar (rose) di Perusahaan ABC. Untuk meneliti
factor-faktor tersebut, peneliti perusahaan membuat model untuk tujuannya tersebut sebagai berikut :
Di mana : Y = a0 + a1 X1 + a2 X2 + a3 X3
Y = Jumlah Penjualan Bunga Ros, (dalam lusin)
X1 = Rata-rata harga bunga Ros, $/lusin
X2 = Rata-rata promosi, $/lusin
X3 = Rata-rata tingkat pendapatan/kapita, $/week
Dan data-datanya ditampilakan dalam program Ms. Excel di bawah ini :
Gambar 1.4 : Contoh data Excel yang akan diimpor ke Program EViews
Berikut ini adalah jenis data dan cara pendekatan jenis data dalam program EViews
Jenis Data
Annual
Keterangan
Cara Menuliskan
data Tahunan.
Semi-Annual
2010:1, 2015:2
Quarterly
2010:1, 2015:4
Monthly
data bulanan.
2010:01, 2015:12
Weekly
data mingguan
1/1/2010, 12/30/2015
Integer data
Data
tidak
beraturan,
section
2. Pada pilihan Start date, isikan dengan angka 1990 dan pada End Date, isikan angka 2005 (
sesuai dengan data yang ada pada tabel di atas). Isian yang lain, seperti WF dan Page, kita
kosongi dahulu karena belum akan kita gunakan.
3. Pilih OK. Untuk menuju tampilan di bawah ini
Sekarang Anda sudah membuat sebuah Workfile untuk mengerjakan berbagai analisis. Langkah
selanjutnya adalah kita akan mengimpor data dari program Ms. Excel. Sebelum mengimpor data,
tutup program Ms. Excel tempat data kita berada. Karena EViews tidak dapat membaca data yang
sedang dibuka oleh program lain.
4. Pilih menu File Import Read-Lotus-Excel
Gambar 1.7 : Menu untuk mengimpor data dari program teks atau spreadsheet
5. Pilih nama file dan jenis file yang akan diimpor. Dalam kasus ini, kita pilih jenis Excel (*.xls).
kemudian pilih nama file yang akan diinput. Diakhiri dengan mengklik OK
Tentukan
Jenis
Filenya
Gambar 1.7 : Menu untuk mengimpor data dari program teks atau spreadsheet
6. Pada tampilan windows berikutnya, kita diminta untuk menentukan posisi awal (Upper Left Data
Cell). Pada table yang kita buat. Upper Left Data Cell berada di cell B2 (data pertama variable
Y). Pada isian di bawahnya, isikan bentuk model yang akan kita analisis yaitu Y X1 X2 X3.
Berarti nantinya kita akan mempunya 4 variabel, yaitu variable y, x1,x2,x3
Setelah mengklik OK, maka tampilan workfile akan tampak seperti gambar berikut ini.
Variabel c dan resid secara otomatis sudah bertambah dalam program EViews.
Dilarang Memperbanyak Tanpa Seijin Penyusun
2. Klik kanan pada daerah yang diblok. Pilih menu Open As Group
4. Kita bias mengubah dan menampahkan data pada group yang kita buat. Caranya, klik tombol
(Edit +/-) yang ada di sudut kanan atas. Kemudian editlah data yang diinginkan. Apabila
sudah selesei, klik lagi tombol
BAB II
ANALISIS DATA REGRESI
A.
Regresi Sederhana
Salah satu kegunaan program EViews adalah menghitung persamaan regresi. Pada kasus ini kita
akan menghitung persamaan regresi untuk factor-faktor yang mempengaruhi penjualan bunga mawar
yang digambarkan oleh model
Yt a0 + a1 X1 + a2 X2 +at ut
1. Dari data workfile yang tttelah kita buka tadi,
pilih menu Quick Estimate Equation
2. Kemudian akan tampak windows Equation
Estimation.
dengan
Isikan
menuliskan
persamaan
y
sebagai
regresinya
variable
least square dan sampel akan secara otomatis mengikuti dari data yang kita tampilkan di
workfile.
4. Ada baiknya output di atas kita copikan terlebih dahulu pada lembar kerja yang lain, misalkan
dalam file MsWord. Perintah kerjanya sama seperti biasa kita melakukan copy dan paste diantara
dua jendela.
Kemudian pada posisi semua sudah kena blok, klik kana pada mouse Copy dan Ok. Pindah
sekarang ke jendela MsWord, dan tempatkan kursor di daerah yang akan ditempatkan output
tersebut. Berikutnya gunakan perintah paste di MsWord atau Ctrl-V.
Selain itu, output tersebut harus diberi nama, karena suatu saat kita perlu mengeluarkannya
kembali. Caranya, masih tetap berada di jendela output, klik icon Name, kemudian cantumkan
nama obyeknya yang baru pada kolom
5. Apabila ingin menamilkan grafik yang menunjukkan antara data dan nilai prediksinya, serta
residual regresinya, klik tombol Resids sehingga akan tampil gambar sebagai berikut :
10
6. Klik View | Pilih Representation | sehingga diperoleh fungsi persamaan sebagai berikut :
11
B.
Std. Error
t-Statistic
Prob.
13354.60
-3628.186
2633.755
-19.25394
6485.419
635.6282
1012.637
30.69465
2.059173
-5.708031
2.600888
-0.627274
0.0619
0.0001
0.0232
0.5422
0.777929
0.722411
1076.291
13900824
-132.1020
14.01227
0.000316
7645.000
2042.814
17.01275
17.20589
17.02264
2.316836
Tabel 2.1 : Tampilan Persamaan regersi dalam bentuk tabel setelah diekspor ke Ms. Word
Persamaan Regresinya
Y = 13354.6016273 - 3628.18590451*X1 + 2633.75481796*X2 - 19.2539446358*X3
12
UJi
Nilai
Keterangan
Menunjukkan kemampuan model. Variabel
R-squared
0.777929
Adjusted R-squared
0.722411
S.E. of regression
1076.291
13900824
Log likelihood
-132.1020
F-statistic
14.01227
Prob(F-statistic)
0.000316
7645.000
2042.814
17.01275
Schwarz criterion
17.20589
Hannan-Quinn criter.
17.02264
Durbin-Watson stat
2.316836
13
C.
variabel dalam model tersebut dapat mewakili permasalahan yang diteliti, karena dapat menjelaskan
variasi yang terjadi pada variabel dependennya. Nilai R 2
) menunjukan variabel dalam model yang dibentuk tidak dapat menjelaskan variasi dalam
variabel terikat.
Nilai koefisien determinasi akan cenderung semakin besar bila jumlah variabel bebas dan
jumlah data yang diobservasi semakin banyak. Oleh karena itu, maka digunakan ukuran adjusted
R2 ( R 2 ), untuk menghilangkan bias akibat adanya penambahan jumlah variabel bebas dan
jumlah data yang diobservasi.
Analisis, melalui program EViews dapat diestimasi nilai Adjusted R2 = 0,7224 menandakan
bahwa variasi dari perubahan penjualan mawar (Y) mampu dijelaskan secara serentak oleh variabelvariabel
harga mawar (X1), promosi (X2) dan X3 (pendapatan per kapita) sebesar 72,24%,
sedangkan sisanya sebesar 27,76% dijelaskan oleh faktor-faktor lain yang tidak masuk dalam model.
b) Uji t- Statistik
Uji t-statistik digunakan untuk menguji pengaruh variabel-variabel bebas terhadap variabel
tak bebas secara parsial. Uji t-statistik biasanya berupa pengujian hipotesa :
Ho = Variabel bebas tidak mempengaruhi variabel tak bebas
H1 = Variabel bebas mempengaruhi variabel tak bebas
Dengan menguji dua arah dalam tingkat signifikansi = dan df = n k ( n = jumlah observasi, k
= jumlah parameter ) maka hasil pengujian akan menunjukan :
14
Dari hasil uji t-statistik, bisa disimpulkan bahwa hanya variabel tingkat harga bunga ros
dan promosi yang signifikan mempengaruhi variabel penjualan bunga rose sedangkan
variabel tingkat tingkat pendapatan/kapita tidak signifikan mempengaruhi penjualan bunga
ros.
c) Analisis Variansi/Uji F-Statistik
Uji F-statistik ialah untuk menguji pengaruh variabel bebas terhadap variabel tak bebas secara
keseluruhan. Uji F-statistik biasanya berupa :
Ho = Variabel bebas tidak mempengaruhi variabel tak bebas
H1 = Variabel bebas mempengaruhi variabel tak bebas
Jika dalam pengujian kita menerima Ho maka dapat kita simpulkan bahwa tidak terdapat
hubungan yang linier antara dependen variabel dengan independen variabel.
Dari hasil uji F-statistik didapat bahwa nilai F-statistik signifikan pada
0.000316 (0,3%) hal ini mengindikasikan bahwa secara keseluruhan, semua variabel
15
a) Autokolerasi
Penaksiran model regresi linier mengandung asumsi bahwa tidak terdapat autokorelasi di
antara disturbance terms. Autokorelasi
ini
umumnya
terjadi
pada
data
time
series.
Konsekuensi dari adanya autokorelasi pada model ialah bahwa penaksir tidak efisien dan uji t
serta uji F yang biasa tidak valid walaupun hasil estimasi tidak bias (Gujarati,2003).
Pengujian yang bisa digunakan untuk meneliti kemungkinan terjadinya autokorelasi adalah uji
Durbin-Watson ( D-W ).
Kriteria Pengujian Autokorelasi
Null Hipotesis
Hasil Estimasi
Kesimpulan
Ho
0 < dw < dl
Tolak
Ho
dl dw du
H1
4 dl < dw < 4
Tolak
H1
4 du dw 4 dl
du < dw < 4 - du
Diterima
16
Jika kita uji berdasarkan tabel Durbin-Watson di atas maka dicari terlebih dahulu nilai dl dan du
pada = 5% dengan n=16 dan k (jumlah variabel independen)= 3 yaitu dl=0,8572 dan dU=1,527
sehingga didapat :
positif
tidak tentu
tidak tentu
Autokorelasi
0
dl=0,8572
negatif
autokorelasi
du=1,527
2,1
3
4-du=2,47
4-dl= 3,1428
karena 2,33 berada di daerah tidak ada autokorelasi maka bisa disimpulkan bahwa model tidak
mengandung masalah autokorelasi.
b) Heterokesdasitisitas
Heteroskedastisitas sering terjadi pada model yang menggunakan data cross section, karena
data tersebut menghimpun data yang mewakili berbagai ukuran (Sritua, 1993). Konsekuensi
logis dari adanya heteroskedastisitas ialah bahwa penaksir tetap tak bias dan konsisten tetapi
penaksir tadi tidak lagi efisien baik dalam sampel kecil maupun sampel besar.
Terdapat beberapa metode untuk mengidentifikasi adanya heteroskedastisitas, antara lain: metode
grafik, metode Park, metode rank Spearman, metode Lagrangian Multiflier (LM test) dan white
heteroscedasticity test.
Uji Heteroskedastisitas dengan metode Whites General Heterocedasticity
Metode pengujian dengan metode White ini tidak menggunakan asumsi normalitas
sehingga sangat mudah untuk diimplementasikan dan sangat cocok dengan model logit
yang berdistribusi Logistic (Gujarati,2003).
17
18
c) Uji Multikolinieritas
Tahapan pengujian melalui program EViews dengan pendekatan koralasi parsial dengan
tahapan sebagai berikut :
1. Lakukan regresi seperti contoh di atas :
Y = a0 + a1 X1 + a2 X2 + a3 X3 ................................................................ (R1)
2. Kemudian lakukan estimasi regresi untuk :
X1 = b0 + b1 X2 + b2 X3 ........................................................................ (R2)
X2 = b0 + b1 X1 + b2 X3 ........................................................................ (R3)
X3 = b0 + b1 X2 + b2 X1 ........................................................................ (R4)
19
20
Untuk Persamaan (1) nilai R2 adalah sebesar 0,77 selanjutnya kita sebut R1
Untuk Persamaan (1) nilai R2 adalah sebesar 0,34 selanjutnya kita sebut R2
Untuk Persamaan (1) nilai R2 adalah sebesar 0,28 selanjutnya kita sebut R3
Untuk Persamaan (1) nilai R2 adalah sebesar 0,16 selanjutnya kita sebut R4
Ketentuan :
Bila nilai R1 > R2, R3, R4 maka model tidak diketemukan adanya multikolinearitas.
Bila nilai R1 < R2, R3, R4 maka model diketemukan adanya multikolinearitas.
Analisis Hasil Output, menunjukkan bahwa nilai R1 > R2,
R3,
harus
memenuhi
sifat
kenormalan,
karena jika tidak normal dapat menyebabkan varians infinitif (ragam tidak hingga atau ragam
Dilarang Memperbanyak Tanpa Seijin Penyusun
21
yang sangat besar). Hasil pendugaan yang memiliki varians infinitif menyebabkan pendugaan
dengan metode OLS akan menghasilkan nilai dugaan yang not meaningful (tidak berarti). Salah
satu metode yang banyak digunakan untuk menguji Normalitas adalah Jarque-Bera test.
Pada program EViews, pengujian normalitas dilakukan dengan Jarque-Bera test. JarqueBera test mempunyai distribusi chi square dengan derajat bebas dua. Jika hasil Jarque-Bera test
lebih besar dari nilai chi square pada =5 persen, maka tolak hipotesis nul yang berarti tidak
berdistribusi normal. Jika hasil Jarque- Bera test lebih kecil dari nilai chi square pada =5 persen,
maka terima hipotesis nul yang berarti error term berdistribusi normal.
Pada tampilan output EViews, pilih View Residual Tests dan Histogram Normality Test.
22
Untuk mendeteksi apakah residualnya berdistribusi normal atau tidak dengan membandingkan nilai
Jarque Bera (JB) dengan X2 tabel, yaitu :
a. Jika nilai JB > X2 tabel, maka residualnya berdistribusi tidak normal.
b. Jika nilai JB < X2 tabel, maka residualnya berdistribusi normal.
Analisis Hasil Output, bahwa nilai JB sebesar 1,4529. Karena 1,4529 < 7, 82 maka dapat
disimpulkan bahwa residual berdistribusi normal.
Selain itu bisa diketahui juga dari tingkatprobability sebesar 0,483 (p > 5 %) maka dapat
disimpulkan bahwa residual berdistribusi normal.
23
DAFTAR PUSTAKA
Enders, W. 1995. Applied Econometric Time Series. John Wiley & Sons, Inc.New York.
Koutsoyiannis, A. 1978. Theory of Econometrics.
USA.
Khoirunnurrofiq. 2003. Modul Pengenalan Singkat EViews Version 3.1. Laborotium Komputer
Fakultas Ekonomi, Universitas Indonesia, Jakarta.
Rahmanta.2009. APLIKASI EVIEWS DALAM EKONOMETRIKA. Fakultas Pertanian Universitas
Sumatera Utara. Medan
Winarno, Wahyu Wing. 2009. Analisis Ekonometrika dan Statistika dengan EViews. UPP STIM YKPN.
Yogyakarta
24