Regresi Dengan Eviews

REGRESI DENGAN EVIEWS
Dr. Werner R. Murhadi

www.wernermurhadi.wordpress.com
Pada kesempatan ini kita akan menggunakan Eviews untuk
melakukan analisis data dengan menggunakan pooled data.
Contoh: Kita akan menguji pengaruh variabel IO (Institutional
ownership), AKB (aliran kas bebas) dan IOS (Investment
oppportunity set) terhadap DPR (dividend payout ratio).
Sampel terdiri dari 10 perusahaan (A s/d J) dengan masa
pengamatan selama 4 tahun.
10 perusahaan, mulai th 2006 - 2009
Cell yang akan mulai diimport
Variabel setelah c2 yang akan diimport
Statistik Deskriptif
Membuat Model regresi
Hasil ini akan sama persis dg
menggunakan program SPSS
Asumsi Klasik 1: Multikolinearitas
Asumsi Regresi Klasik: Tidak ada hubungan exact collinearity antara
variabel Independen (variable- variable X); misalnya: antara X2 dan X3
tidak ada hubungan exact linear (X2= 4X3).
Konsekuensi Multicollinearity
Konsekuensi adanya multicollinearity yang tinggi:
Meskipun masih BLUE, namun estimator OLS mempunyai varians dan
covarians yg besar shg sulit utk menentukan estimasi yg tepat.
Konfiden interval lebih melebar. the confidence intervals tend to be
much wider, leading to the acceptance of the zero null hypothesis
(i.e., the true population coefficient is zero) more readily.
t ratio cenderung utk statistically insignificant (Ho: =0 diterima).
Namun demikian R2 dapat sangat tinggi.
Estimator OLS dan standard errors-nya sensitive thd perubahan kecil
dlm data.
Identifikasi Multikolinearitas:
Koefisien Determinasinya tinggi, tapi signifikanasi parameter rendah
(tidak signifikan)
Korelasi yang tinggi antar veriaber regresor /independen (> 0.90)
Tolerance (TOL) dan variance inflation factor (VIF)
Tolerance = 1 R^2
VIF = 1 tolerance
Dimana R^2 adalah koefisien korelasi antara xi dengan var explanatory
lainnya. Bila mana VIF > 5 menunjukan kolinearitar tinggi. Terdapat
masalah multikol
Koefisien Determinasi tinggi
Signifikansi
Paramater Rendah
X1, X2, X5
MENGATASI MULTIKOLINIERITAS
Combining cross-sectional and time series data.
Melakukan kombinasi data crosssectional dan data time-series, yang
dikenal sebagai pooling the data atau Data Panel
Dropping a variable(s) and specification bias.
Cara termudah adalah drop salah satu variable yang mempunyai
kolinieritas yang tinggi dan parameter yang tidak signifikan.
Signifikansi parameter rendah (X1= GNP deflator; X2,= GNP; X5=
org non-intitusi >14 th)
Korelasi Tinggi : X1 vs X2 dan X2 vs X5 dan X1 vs X5
Kerjakan lagi Regresi dg menghilangkan X5 atau X2 atau X1 atau
ketiganya.
Dropping a variable(s) and specification bias.
Transformation of variables.
First difference
Ratio Transfornation:
Cara ini juga digunakan utk mengatasi heteroscedastisity.
Transformation of variables.
First difference
Asumsi Klasik 2: Autokorelasi
Asumsi Klasik: No serial correlation, cov (ui , uj ) = 0, i j
KONSEKUENSI
Adanya autokorelasi, maka estimator OLS:
linear unbiased, consistent dan asymptotically normally distributed,
tidak lagi efficient (tidak varians minimum - tdk BLUE).
Identifikasi Autokorelasi:
Durbin Watson (Ho: No Auto; dan H1: Auto)
Nilai DW untuk Deteksi Autokorelasi
Melanjutkan dari uji DW
P Value < 5%
Signifikan H1
diterima berarti
ada autokorelasi
Mengatasi Autokorelasi
Kembali ke file 12-4 waktu menguji DW
Masukaan Spec persamaan spt uji
DW, kmdn pindah ke options
Hasil Koefisien Regresi sama, namun standar error
lebih besar sehingga t-test yang lebih kecil. (note:
OLS underestimate stand error).
Asumsi Klasik 3: Heteroskedastisitas
Penyebab varians ui adalah variabel (tidak konstan):
1. Sejalan proses belajar (the error-learning models) manusia, kesalahan
(error) perilaku makin mengecil seiring berjalannya waktu. Dalam kasus ini,
SD(^2 )-i akan mengecil.
2. Dengan income meningkat, orang lebih mempunyai kebebasan dan lebih
banyak pilihan utk penggunakan income-nya. Sehingga SD-I akan
meningkat sejalan dg peningkatan income.
3. Perbaikan teknik pengumpulan data akan menurunkan SD-i.
4. Kesalahan spesifikasi model:
Kesalahan spesifikasi model yg dikarenakan menghilangkan variable
penting dlm model.
Dlm fungsi demand bila tidak dimasukan harga komoditi complementary
maka SD-i tidak konstan.
Kesalahan tranformasi data (mis. Rasio / first diff)
Kesalahan bentuk fungsi (mis. Linier vs log-linier model).
Menguji Heteroskedastisitas
1. White Test (menu Eviews): (a) No cross term ; & (b) Cross term
Model :
Dari persamaan tsb di-estimasi kofisien model dan estimasi residual.
Kemudian dimodelkan kembali:
Hipotesa:
Ho: homosedastik
Hi : heterosedastik
Statistik Uji :
Keputusan: Tolak Ho bila p-value < (5% atau 10%).
Dengan menggunakan data Gujarati (11-5)
Apakah mengandung Hetero? Uji dengan White
Nilai P value chi squere
cukup kecil shg H1
diterima ada hetero
2. Uji Glesjer ,
Dimana setelah melakukan regresi biasa dan memperoleh nilai residual
Maka residual tersebut diabsolut kan dan menjadi variabel dependen, se
dangkan independen nya tetap.
[Res] = + . Ind1
Nilai P value chi
squere cukup kecil
shg H1 diterima
ada hetero
Mengatasi Heteroscedastics:
White Heteroscedasticity /Robust Standar Error
Generalized Least Square/ Weight Least Square
White Hetero
Dalam menu Quick , Estimation Equation , pilih option ,
heteroscedastisity consistent koefisient covarian.
Dibandingkan dengan sebelumnya (tanpa Robust SE) maka,
Standar error intercept menurun dan SE koefisien slope
meningkat sedikit.
Setelah ini lakukan lagi uji white untuk melihat hetero.

Regresi Dengan Eviews

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Regresi Dengan Eviews

Diunggah oleh

Hak Cipta:

Format Tersedia

REGRESI DENGAN EVIEWS

Dr. Werner R. Murhadi

Anda mungkin juga menyukai