Anda di halaman 1dari 0

MODUL EVIEWS 6

Oleh ;
Tim Penyusun

UNIT PENGEMBANGAN FAKULTAS EKONOMIKA


UNIVERSITAS DIPONEGORO
2011

BAB I
Mengenal dan Menggunakan EViews 6
A.

Memulai EViews

Langkah-langkah menjalankan program EViews adalah sebagai berikut :


1. Sama seperti halnya

memulai

software

berbasis

windows , pilih Start Menu Menu

EViews. Kemudian Pilih EViews 6.

Gambar 1.1 : Memulai Program EViews 6

Atau klik dua kali icon

EViews 6 yang ada di desktop komputer.

2. Sehingga akan tampak tampilan EViews seperti gambar di bawah ini

Dilarang Memperbanyak Tanpa Seijin Penyusun

MENU
UTAMA

Command Window
WORK AREA, tempat berbagai
hasil ditampilkan
STATUS BAR

Gambar 1.2 : Bagian-bagian program EViews 6

Pada EViews 6 terdapat beberapa macam jendela (windows) yang fungsinya

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

objek (unit analisa terkecil dalam EViews).


3. EViews siap digunakan untuk menginput data dengan membuat working file atau melakukan
analisis data. Klik menu FILE NEW untuk melihat tampilan berikut ini :

Gambar 1.3 : Tampilan Awal EViews

Dilarang Memperbanyak Tanpa Seijin Penyusun

Setiap kali akan bekerja dengan EViews, Anda harus membuat dulu workfile ini (Anda tidak
perlu melakukannya jika Anda menjalankan EViews dengan cara batch).
B.

Membuat Workfile dan mengimpor data

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

Langkah-langkah yang digunakan untuk mengimpor data adalah sebagai berikut :


1. Pilih menu File New Workfile, sehingga di layar akan tampak tampilan berikut ini :

Dilarang Memperbanyak Tanpa Seijin Penyusun

Gambar 1.5 : Tampilan untuk menentukan jenis data dengan EViews 6

Berikut ini adalah jenis data dan cara pendekatan jenis data dalam program EViews
Jenis Data
Annual

Keterangan

Cara Menuliskan

data Tahunan.

Pada Start Date : 2010


Pada End Date : 2015

Semi-Annual

untuk data 6 bulanan (semester).

2010:1, 2015:2

Quarterly

data 3 bulanan (triwulan)

2010:1, 2015:4

Monthly

data bulanan.

2010:01, 2015:12

Weekly

data mingguan

1/1/2010, 12/30/2015

Daily 5 days week

untuk 5 hari seminggu, Senin- 1/1/2010, 12/28/2015


Jumat

Daily 7 days week

Untuk 7 hari seminggu, Senin- 1/1/2010, 12/30/2015


Minggu

Integer data

Data

tidak

beraturan,

cross 1, dan banyaknya data

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

Dilarang Memperbanyak Tanpa Seijin Penyusun

Gambar 1.6 : Layar Kerja Program EViews 6

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

Dilarang Memperbanyak Tanpa Seijin Penyusun

PILIH FILE YANG


AKAN DIINPUT

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

Gambar 1.8 : Menentukan variabel yang akan diimpor

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

Gambar 1.9 : Layar kerja setelah mengimpor variabel

7. Agar tidak berulangkali melakukan langkah-langkah di atas, sebaiknyaworkfile tersebut kita


simpan dengan memilih menu FileSave As kemudian beri nama file.
Apabila ingin menjalankan program EViews dilain waktu, kita cukup membuka dengan menu
File Open EViews Workfile kemudian pilih nama filenya.
C.

Menampilkan dan Mengedit Data


Setelah workfile siap kita buat, maka untuk melihat data yang baru saja kita impor, langkah-

langkahnya adalah sebagai berikut :


1. Pilihlah variable yang akan kita lihat y, x1, x2,x3 (tampilan akan berbeda urutannya jika kita
mengklik sebaliknya). Klik dulu variable y, kemudian tekan tombol CTRL dan kliklah variable
x1, x2, dan x3 secara berurutan. Yang akan tampak di layar seperti gambar di bawah ini :

Gambar 1.10 : Memilih variabel

2. Klik kanan pada daerah yang diblok. Pilih menu Open As Group

Dilarang Memperbanyak Tanpa Seijin Penyusun

Gambar 1.11 : Menu untuk menampilkan data

3. Sehingga akan muncul data group yang tadi kita pilih.

Gambar 1.10 : Data yang ditampilkan dalam program EViews

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

untuk mengakhiri mode edit.

Dilarang Memperbanyak Tanpa Seijin Penyusun

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

dependen, c adalah konstanta, dan x1-x3


sebagai variable independen.
3. Metode regresi yang disediakan ada beberapa
cara. Namun pada kasus ini kita pilih metode

Gambar 2.1 : Menu untuk melakukan analisis


Regresi

least square dan sampel akan secara otomatis mengikuti dari data yang kita tampilkan di
workfile.

Gambar 2.2 : Menuliskan persamaan regresi dengan metode kuadrat terkecil

Dilarang Memperbanyak Tanpa Seijin Penyusun

Gambar 2.3 : Tampilan Hasil Analisis Regresi

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.

Blok semua output di atas dengan cara menyorotinya menggunakan mouse.

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

disiapkan oleh EViews secara default, yaitu eq1

Gambar 2.4 : Memberikan Nama Pada Hasil Output

5. Apabila ingin menamilkan grafik yang menunjukkan antara data dan nilai prediksinya, serta
residual regresinya, klik tombol Resids sehingga akan tampil gambar sebagai berikut :

Dilarang Memperbanyak Tanpa Seijin Penyusun

10

Gambar 2.5 : Tampilan Grafik Dta, Prediksi, dan Residualnya

6. Klik View | Pilih Representation | sehingga diperoleh fungsi persamaan sebagai berikut :

Gambar 2.6 : Tampilan Persamaan regersi pada EViews

Dilarang Memperbanyak Tanpa Seijin Penyusun

11

B.

Membaca Regresi Sederhana dengan EViews


Dependent Variable: Y
Method: Least Squares
Date: 10/14/11 Time: 01:04
Sample: 1990 2005
Included observations: 16
Coefficient
C
X1
X2
X3
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)

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

Mean dependent var


S.D. dependent var
Akaike info criterion
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat

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

Dilarang Memperbanyak Tanpa Seijin Penyusun

12

UJi

Nilai

Keterangan
Menunjukkan kemampuan model. Variabel

R-squared

0.777929

independen mampu menjelaskan pengaruhnya


sebanyak 77,79% terhadap variable dependen
Nilai R2 yang sudah disesuaikan. (akan

Adjusted R-squared

0.722411

S.E. of regression

1076.291

Standar error dari persamaan regresi

Sum squared resid

13900824

Jumlah nilai residual kuadrat

Log likelihood

-132.1020

dijelaskan pada penjelasan berikutnya)

Nilai log likehood yang dihitung dari nilai


koefisien estimasi
Uji serempakpengaruh semua variable

F-statistic

14.01227

independen (x1,x2,x3) terhadap variable


dependen (y)

Prob(F-statistic)

0.000316

Probabilitas nilai uji F-statistik.

Mean dependent var

7645.000

Nilai mean rata-rata variable dependen (y)

S.D. dependent var

2042.814

Standar deviasi variable dependen (y)


Digunakan untuk menguji kelayakan model
selain menggunakan Uji F. Semakin kecil AIC,

Akaike info criterion

17.01275

semakin baik modelnya. Namun nilai ini baru


dapat dibandingkan apabila ada model lain yang
juga sudah dihitung AIC-nya
Sama seperti AIC, SIC digunakan untuk

Schwarz criterion

17.20589

menguji kelayakan model. Semakin kecil SIC,


semakin baik modelnya.
Sama seperti AIC, HQC digunakan untuk

Hannan-Quinn criter.

17.02264

menguji kelayakan model. Semakin kecil HQC,


semakin baik modelnya.

Durbin-Watson stat

2.316836

Nilai Durbin Watson yang digunakan untuk


mengetahui apakah ada autokolerasi

Tabel 2.2 : Penjelasan Hasil Regresi

Dilarang Memperbanyak Tanpa Seijin Penyusun

13

C.

Analisa Model Regresi


1. Pengujian Statistik
a) Uji Koefisien Determinasi ( R 2 )
Koefisien determinasi ( R2 ), digunakan untuk mengukur seberapa besar variabel- variabel
bebas dapat menjelaskan variabel terikat. Koefisien ini menunjukan seberapa besar variasi total pada
variabel terikat yang dapat dijelaskan oleh variabel bebasnya dalam model regresi tersebut. Nilai dari
koefisien determinasi ialah antara 0 hingga 1. Nilai R 2

yang mendekati 1 menunjukan bahwa

variabel dalam model tersebut dapat mewakili permasalahan yang diteliti, karena dapat menjelaskan
variasi yang terjadi pada variabel dependennya. Nilai R 2

sama dengan atau mendekati 0 ( nol

) 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 :

Dilarang Memperbanyak Tanpa Seijin Penyusun

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

independen mampu menjelaskan variabel dependennya yaitu penjualan bunga ros.


2. Uji Asumsi-asumsi Klasik Dalam Regresi
Secara teoritis telah diungkapkan bahwa salah satu metode pendugaan parameter dalam model
regresi linear adalah Ordinary Least Square (OLS). Metode OLS digunakan berlandaskan pada
sejumlah asumsi tertentu. Ada beberapa asumsi yang harus dipenuhi, pada prinsipnya model
regresi linear yang dibangun sebaiknya tidak boleh menyimpang dari asumsi BLUE (Best, Linear,
Unbiased dan Estimator), dalam pengertian lain model yang dibuat harus lolos dari
penyimpangan asumsi adanya serial korelasi, normalitas, linearitas, heteroskedastisitas dan
multikolinearitas. Selanjutnya, kita akan melakukan uji asumsi klasik tersebut.

Dilarang Memperbanyak Tanpa Seijin Penyusun

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

Tidak ada Kesimpulan

H1

4 dl < dw < 4

Tolak

H1

4 du dw 4 dl

Tidak ada kesimpulan

Tidak ada otokorelasi,


baik positif maupun
negatif

du < dw < 4 - du

Diterima

Tabel 2.3 : Kriteria Autokolerasi

Sumber: Basic Econometrics, Damodar Gujarati(2003)


Caranya Pengujian Autokorelasi di EViews :
Dari hasil estimasi model (eq.01) terlihat nilai durbin-watson di sebelah kiri paling bawah :

Gambar 2.7 : Nilai durbin Watson pada persamaan regersi EViews

Dilarang Memperbanyak Tanpa Seijin Penyusun

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 ada autokorelasi

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).

Dilarang Memperbanyak Tanpa Seijin Penyusun

17

Pengujian Heterosskedastisitas di EViews :


Klik View | Residual test |
pilih heteroscedaticity test |
pilih white | OK

Gambar 2.8 : Cara Mengukur Nilai Hetereskesdasitas

Dari hasil estimasi didapat bahwa : Obs*R-squared =13,91 dengan p-value=0,86.


Uji hipotesis :
Ho : Tidak ada heteroskedastisitas
H1 : Ada heteroskedastisitas
Pengujian :
Jika p-value < =5% maka Ho ditolak
Karena p-value= 0,86 > =5% maka Ho tidak ditolak, sehingga bisa disimpulkan bahwa
tidak ada heteroskedastisitas di dalam model.

Dilarang Memperbanyak Tanpa Seijin Penyusun

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)

Gambar 2.8 : Output Nilai Regresi 1

Dilarang Memperbanyak Tanpa Seijin Penyusun

19

Gambar 2.9 : Output Nilai Regresi 2

Gambar 2.10 : Output Nilai Regresi 3

Dilarang Memperbanyak Tanpa Seijin Penyusun

20

Gambar 2.11 : Output Nilai Regresi 4

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,

R4 maka dalam model tidak

diketemukan adanya multikolinearitas.


d) Uji Normalitas
Uji distribusi normal adalah uji untuk mengukur apakah data kita memiliki distribusi
normal sehingga dapat dipakai dalam statistik parametrik (statistik inferensial). Pendugaan
persamaan dengan

menggunakan metode OLS

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.

Gambar 2.12 : Uji Normalitas dengan EViews

Dilarang Memperbanyak Tanpa Seijin Penyusun

22

Gambar 2.13 : Output Uji Normalitas EViews

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.

Dilarang Memperbanyak Tanpa Seijin Penyusun

23

DAFTAR PUSTAKA
Enders, W. 1995. Applied Econometric Time Series. John Wiley & Sons, Inc.New York.
Koutsoyiannis, A. 1978. Theory of Econometrics.
USA.

Second Edition. Harper & Row Publishers, Inc.

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

Dilarang Memperbanyak Tanpa Seijin Penyusun

24