BAB 4 : HASIL KAJIAN

4.1 Pengenalan
Objektif utama kajian ini adalah untuk mengenalpasti pemboleh ubah-pemboleh ubah
yang mempengaruhi risiko kredit dalam Perbankan Islam di Malaysia. Bab ini akan memaparkan
keputusan empirikal yang berdasarkan model yang dinyatakan dalam bab 3. Analisis yang
digunakan ialah ujian punca unit bagi mengetahui sama ada data pegun atau tidak pegun, analisis
regresi untuk menyelesaikan masalah korelasi, heteroskadasiti dan kenormalan (normaliti).
4.2 Plot Siri Masa

Rajah 4.1 : Plot Siri Masa Bagi Pinjaman Tidak Berbayar


Rajah 4.2 : Plot Siri Masa Bagi Aset Berwajaran Risiko

Rajah 4.3 : Plot Siri Masa Bagi Jumlah Liabiliti

Rajah 4.4: Plot Siri Masa Bagi Bekalan Wang

Rajah 4.5 : Plot Siri Masa Bagi Jumlah Pinjaman

Rajah 4.6 : Plot Siri Masa Bagi Jumlah Aset

Rajah 4.7 : Plot Siri Masa Bagi Jumlah Modal
Graf 4.1 hingga graf 4.7 ada plot siri masa yang merujuk kepada siri masa bagi pemboleh ubah
pinjaman tidak berbayar (PTB), aset berwajaran risiko (ABR), jumlah liabiliti (LB), bekalan
wang (M3), jumlah pinjaman (JP), jumlah aset (JA), jumlah modal (JM), sebelah kiri dari atas
menunjukkan plot siri masa pada tingkap (level) dan pembezaan pertama. Di samping itu, plot
siri masa juga menunjukkan transformasi log asli (natural logarithm transformation) dan plot siri
masa yang mengalami pembezaan pertama serta transformasi log asli (natural logarithm
transformation). Setiap graf sebelah atas jelas menunjukkan plot siri masa adalah stokastik yang
tak pegun jadi, pembezaan pertama diperlukan untuk mengatasi masalah kepegunan supaya
menjadi pegun seperti yang ditunjukkan dalam setiap graf di sebelah bawah. Dalam setiap graf
boleh disimpulkan bahawa dengan meletakkan transformasi log asli (natural logarithm
transformation) membuatkan variasi siri menjadi semakin mengecil. Walau bagaimanapun,
pembezaan pertama serta transformasi log asli (natural logarithm transformation) lebih jelas
menunjukkan variasi berubah-ubah yang lebih kerap. Selain itu, graf varians yang tidak pegun
dapat dilihat selepas purata (mean) menjadi pegun maka, Oleh itu, siri ini boleh dijadikan model.
Bagi memastikan bahawa siri adalah benar-benar pegun maka, kita akan lakukan ujian
kepegunan ADF dalam bentuk pembezaan pertama dan dilogkan pada subtopik seterusnya.





4.3 Statistik Deskriptif
Jadual 4.1 : Statistik Deskriptif
LABR LJA LJM LJP LM3 LPTB LLB
Purata 11.84619 12.42023 9.968616 11.89906 13.87911 8.545075 12.33744
Sisihan piawai 0.306541 0.358436 0.265654 0.394854 0.192933 0.142998 0.36689
Kepencongan -0.168491 -0.116697 -0.049809 -0.026385 0.076199 -0.714524 -0.130702
Kurtosis 1.779979 1.770454 1.537718 1.702639 1.797464 2.580872 1.79074

Jarque-Bera 5.607031 5.481898 7.518669 5.900759 5.142609 7.762453 5.357246

Kebarangkalian 0.060597 0.064509 0.023299 0.05232 0.076436 0.020626 0.068658
Jumlah 995.0796 1043.3 837.3637 999.5206 1165.845 717.7863 1036.345
Jumlah sisihan
piawai 7.799301 10.66354 5.857501 12.94051 3.089506 1.697212 11.17249
Jadual
Analisis deskriptif yang dilakukan adalah untuk melihat ciri-ciri statistik pemboleh ubah kajian
yang meliputi nilai min, sisihan piawai, kepencongan, kurtosis (kepuncakan) dan variasi serakan
dan (Jarque- Bera). Berdasarkan jadual di atas, didapati bahawa kadar pertumbuhan pemboleh
ubah iaitu jumlah pinjaman (LM3) mencatat nilai purata yang paling tinggi iaitu 13.87911
berbanding pemboleh ubah jumlah liabiliti (LJL), jumlah modal (LJM), Jumlah aset (LJA), aset
berwajaran risiko (DLABR), liability (LLB) dan jumlah pinjaman (LJP). Kesimpulannya,
pertumbuhan LM3 lebih tinggi berbanding yang lain. Mungkin hal ini kerana, kenaikan risiko
kredit begitu berkait rapat dengan bekalan wang yang dikeluarkan Bank negara. Pertambahan
bekalan wang akan menyebabkan kadar bunga menurun. Jadi, kos meminjam untuk tujuan
pelaburan berkurang. Seterusnya, pelaburan dan perbelanjaan agregat akan meningkat. Jika
proses pinjaman dan susulan yang diluluskan begitu banyak sedangkan hutang lapuk bank masih
banyak lagi tertunggal maka, risiko yang tersedia ada akan meningkat disebabkan pertambahan
jumlah pinjaman.
Analisis kepencongan pula menunjukkan bahawa pemboleh ubah LJA, LJP, LLB dan LM3
mempunyai kepencongan positif iaitu data adalah pencong ke kanan. Manakala, pemboleh ubah
LABR, LJM, LLB dan LPTB mempunyai kepencongan negatif iaitu data pencong ke kiri.
Analisis kurtosis pula mendapati bahawa LPTB mempunyai mempunyai puncak taburan yang
tertinggi iaitu 2.580872 (excess kurtosis). Manakala, LJM mempunyai taburan yang paling
rendah iaitu 1.53771 (puncak taburan yang paling rendah dari taburan normal).
Selain itu, nilai sisihan piawai juga dilihat bagi menentukan variasi dalam pemboleh ubah.
Berdasarkan jadual di atas hampir kesemua pemboleh ubah mempunyai variasi yang rendah.
yang mempunyai variasi yang tinggi. Oleh it, hampir kesemua pemboleh ubah mempunyai
kemeruapan yang rendah kerana variasi yang rendah menunjukkan kemeruapan yang rendah.

4.4 Ujian Unit Punca (Dicker-Fuller Tambahan)
Setiap pemboleh ubah dalam model diuji untuk mengenal pasti sama ada siri tersebut pegun pada
tingkap (level). Ianya dapat diuji dengan menggunakan ujian punca unit ADF. Jika siri tersebut
tidak pegun pada tingkap (level), ujian punca unit akan diteruskan dengan menggunakan
pembezaan pertama (first difference). Jika siri tersebut masih tidak pegun pada pembezaan
pertama, kami akan meneruskan ujian punca unit dengan menggunakan pembezaan kedua.
Jadual di bawah menunjukkan hasil ujian punca unit bagi pemboleh ubah LPTB, LJP, LJM, LM3,
LABR, LLB dan LJA pada tingkap (level) dan juga pada pembezaan pertama (first difference)
Pemboleh Ubah Statistik ADF
Tahap Pembezaan
Pertama
Ujian Persamaan
a) Pinjaman Tidak Berbayar
(LPTB)
0.9130 0.0001*** Pintasan
0.8179 0.0000*** Trend dan pintasan
b) Jumlah Pembiayaan (LJP) 0.9897 0.0000*** Pintasan
0.2556 0.0000*** Trend dan pintasan
c) Jumlah Modal (LJM) 0.9156 0.0001*** Pintasan
0.4136 0.0000*** Trend dan pintasan
d) Bekalan Wang (LM3) 0.9289 0.0000*** Pintasan
0.3646 0.0000*** Trend dan pintasan
e) Aset Berwajaran Risiko
(LABR)
0.6839 0.0001*** Pintasan
0.7290 0.0000*** Trend dan pintasan
f) Liabiliti (LLB) 0.4649 0.0001*** Pintasan
0.1973 0.0000*** Trend dan pintasan
g) Jumlah Aset (LJA) 0.5076 0.0001*** Pintasan
0.1755 0.0000*** Trend dan pintasan
Jadual 4.41 : Ujian Punca Unit Dicker-Fuller Tambahan (ADF)
Dimaklumkan bahawa :
*** = bererti (significant) pada 1%
** = bererti (significant) pada 5%
* = bererti (significant) pada 10%
Jadual 4.41 di atas menunjukkan ujian punca unit Dicker-Fuller Tambahan (ADF). ADF
digunakan untuk menentukan sama ada siri tersebut pegun atau tidak pegun.
H : Siri tidak pegun (mempunyai punca unit)
H : Siri pegun
Berdasarkan ujian punca unit, ADF menunjukkan pada tahap ke semua pemboleh ubah iaitu
LPTB, LJP, LJM, LM3, LABR, LLB dan LJA mempunyai punca unit (siri tidak pegun) kerana
nilai-p tidak dapat ditolak pada aras keertian iaitu 1%, 5%, dan 10%. Maka, ujian punca unit
diteruskan dengan menggunakan pembezaan pertama.
Selepas kami menguji data untuk pembezaan pertama menggunakan ujian punca unit sekali lagi,
keputusan seperti di dalam jadual 4.41 menunjukkan nilai-p untuk kesemua pemboleh ubah
kurang daripada aras keertian 1%. Maka, hipotesis nol untuk kesemua pemboleh ubah ditolak
pada aras keertian 1%. Dengan ini, jelaslah menunjukkan model tersebut hanya pegun selepas
pembezaan pertama dilakukan dan kami membuat kesimpulan bahawa perintah (order) data
ialah perintah (order) 1.


4.5 Ujian Kointegrasi
* Menandakan penolakan hipotesis pada aras keertian 0.05
Jadual 4.51 : Ujian Kointegrasi Johansen-Juselius
Jadual 4.51 menunjukkan ujian kointegrasi Johansen-Juselius di mana ianya digunakan untuk
mengenal pasti hubungan jangka panjang antara pemboleh ubah. Berdasarkan jadual 4.51,
terdapat satu persamaan kointegrasi. Justeru, Vector Error Correction Model (VECM) digunakan
untuk menganggar titik keseimbangan jangka panjang (Akbar et al., 2013). Memandangkan data
yang dikaji pegun pada pembezaan pertama, model VAR sudah cukup untuk mengkaji hubungan
antara pemboleh ubah (Sims et al., 1990)



4.6 Pemilihan Lag VAR
Jadual 4.61 : Kriteria Pemilihan Perintah (order) Lag VAR (Lag Order Selection Criteria)
VAR Lag Order Selection Criteria
Null
Hypothesis
Maximum Eigen value Test Trace Test
Stat. Critical
value
P-value Stat. Critical
value
P-value
r = 0*
52.29058 46.23142 0.0101

143.0722 125.6154 0.0028
r 1
32.51741 40.07757 0.2755

90.78157 95.75366 0.1047
r 2 28.38808 33.87687 0.1962 58.26416 69.81889 0.2925
r 3 14.93993 27.58434 0.7530 29.87608 47.85613 0.7253
r 4
7.344205 21.13162 0.9391

14.93616 29.79707 0.7842
r 5
5.727552 14.26460 0.6484

7.591953 15.49471 0.5100
r 6
1.864401 3.841466 0.1721

1.864401 3.841466 0.1721
Endogenous variables: LPTB LJP LJM LM3 LABR LLB LJA
Exogenous variables: C
Date: 05/27/14 Time: 22:04
Sample: 2007M01 2013M12
Included observations: 78


Lag LogL LR FPE AIC SC HQ


0 1204.581 NA 1.09e-22 -30.70721 -30.49571 -30.62254
1 1764.569 1005.106 2.23e-28 -43.80946 -42.11746* -43.13212*
2 1819.426 88.61569* 1.98e-28* -43.95964* -40.78715 -42.68964
3 1860.293 58.68099 2.63e-28 -43.75111 -39.09812 -41.88843
4 1892.213 40.10430 4.74e-28 -43.31315 -37.17967 -40.85781
5 1943.427 55.15347 5.84e-28 -43.36992 -35.75594 -40.32190
6 2013.945 63.28533 5.21e-28 -43.92166 -34.82718 -40.28098


* indicates lag order selected by the criterion

Jadual 4.61 menunjukkan senarai kriteria iaitu LR (Sequential Modified LR Test Statistic) (diuji
pada aras 5%), FPE (Final Prediction Error), AIC (Akaike Information Criterion), SC (Schwarz
Information Criterion), dan HQ (Hannan-Quinn Information Criterion).
Kriteria ini digunakan untuk memilih lag untuk Vektor Autoregresi (VAR) yang terbaik. Pada
lag 1, terdapat dua kriteria yang memilih lag ini iaitu SC (Schwarz Information Criterion) dan
HQ (Hannan-Quinn Information Criterion).
Walau bagaimanapun, lag 2 dipilih sebagai lag terbaik untuk analisis VAR kerana lag 2 dipilih
oleh tiga kriteria iaitu LR (Sequential Modified LR Test Statistic), FPE (Final Prediction Error),
dan AIC (Akaike Information Criterion). Seterusnya, pada lag 3, 4, 5, dan 6 tiada kriteria yang
dipilih.
Memandangkan lag 2 dipilih oleh tiga kriteria sementara pada lag 1, hanya dua kriteria yang
dipilih, dan lag seterusnya tiada kriteria dipilih, maka kami menggunakan lag 2 sebagai lag
terbaik untuk meneruskan analisis VAR.

Kointegrasi: Pendekatan Vektor Autoregresi (VAR)
Apabila melibatkan lebih dari dua pemboleh ubah Johansen (1998) dan Stock dan Watson (1998)
mencadangkan kaedah lain dalam menguji kointegrasi iaitu Model Vektor Autoregresi.
LPTB LJP LJM LM3 LABR LLB LJA
LPTB(-1) [ 5.06559] [ 2.27788] [ 1.27585] [-0.79191] [ 3.23633] [ 2.72843] [ 2.77703]
LPTB(-2) [ 2.25876] [-2.21474] [ 0.40788] [-0.18881] [-3.21186] [-1.06978] [-1.07428]
LJP(-1) [-1.49211] [ 7.18041] [ 0.62398] [ 0.84056] [-0.50999] [ 0.90835] [ 0.92239]
LJP(-2) [ 1.58282] [-0.74435] [-0.83022] [-0.70484] [ 0.24836] [-0.29548] [-0.26806]
LJM(-1) [ 0.67408] [-0.08273] [ 3.87478] [-2.28691] [ 1.86664] [-0.55853] [-0.59357]
LJM(-2) [-1.08115] [-0.00351] [ 1.31551] [ 2.09659] [-0.32638] [ 0.88666] [ 0.81115]
LM3(-1) [ 0.85745] [-1.82974] [-0.34878] [ 7.09541] [-1.98033] [-0.96595] [-0.88422]
LM3(-2) [-2.02737] [ 1.85695] [ 0.90515] [ 0.08866] [ 1.72404] [ 2.46110] [ 2.35068]
LABR(-1) [ 0.61153] [ 0.51623] [-0.80171] [ 2.96252] [ 5.90693] [ 1.21153] [ 1.34950]
LABR(-2) [ 0.29042] [ 0.27760] [ 0.16635] [-2.67185] [ 1.25739] [-0.12016] [-0.19895]
LLB(-1) [ 0.96503] [ 0.25477] [-4.05270] [ 1.60027] [ 1.13015] [ 2.01584] [ 1.39664]
LLB(-2) [-0.70109] [-1.00831] [ 1.89695] [-1.90482] [-0.02613] [-0.65238] [-0.82781]
LJA(-1) [-1.10899] [-0.06318] [ 3.93813] [-1.52252] [-1.12837] [-1.59507] [-0.99419]
LJA(-2) [ 0.85414] [ 0.93296] [-1.73739] [ 1.87136] [ 0.20234] [ 0.71345] [ 0.90144]
C [ 1.97762] [-0.84145] [-1.75213] [ 1.89816] [ 0.74365] [-2.07364] [-2.04304]

Rajah 4.: Vektor Autoregresi
Jadual di atas menunjukkan nilai pekali bagi model vektor regresi pada aras keertian lima peratus.
Logaritma asli (natural logarithm) untuk pinjaman tak berbayar (PTB) adalah beerti disebabkan
dipengaruhi oleh dirinya sendiri pada lag satu dan



Kointegrasi dan Penganggaran Model Pembetulan Ralat (ECM)
Kemungkinan penting yang berlaku daripada keputusan analisis kointegrasi ini adalah apa yang
dinamakan sebagai apa yang dinamakan sebagai teorem representasi Granger (Granger, 1986;
Eagle dan Granger, 1987). Mengikut teorem ini, jika dua pemboleh ubah X
t
dan Y
t
adalah
berkointegrasi, maka terdapat hubungan jangka panjang antara dua pemboleh ubah tersebut.
Sudah tentu, dalam jangka pendek pemboleh ubah ini berkemungkinan tidak seimbang dengan
sebutan ralat akan menjadi ralat yang membetulkan,
t.
Sifat dinamik hubungan
ketidakseimbangan jangka pendek antara dua pemboleh ubah ini selalu dinyatakan sebagai
model pembetulan ralat (ECM-error correction model) yang diperkenalkan oleh Sargan (1964).
Penumpuan adalah pada pemboleh ubah yang bersandar iaitu pinjaman tak berbayar (PTB).
Persamaan yang digunakan adalah seperti di bawah;
D(LPTB) = C(1)*( LPTB(-1) - 9.07110750092*LJA(-1) + 1.27185902873*LJM(-1) + 0.209588717232*LJP(-1) -
2.54564959531*LABR(-1) + 4.67484159682*LM3(-1) + 7.60838521952*LLB(-1) - 39.6376387152 ) +
C(2)*D(LPTB(-1)) + C(3)*D(LPTB(-2)) + C(4)*D(LPTB(-3)) + C(5)*D(LJA(-1)) + C(6)*D(LJA(-2)) +
C(7)*D(LJA(-3)) + C(8)*D(LJM(-1)) + C(9)*D(LJM(-2)) + C(10)*D(LJM(-3)) + C(11)*D(LJP(-1)) +
C(12)*D(LJP(-2)) + C(13)*D(LJP(-3)) + C(14)*D(LABR(-1)) + C(15)*D(LABR(-2)) + C(16)*D(LABR(-3)) +
C(17)*D(LM3(-1)) + C(18)*D(LM3(-2)) + C(19)*D(LM3(-3)) + C(20)*D(LLB(-1)) + C(21)*D(LLB(-2)) +
C(22)*D(LLB(-3)) + C(23)

Coefficient Std. Error t-Statistic Prob.
C(1) -0.233416 0.075819 -3.078592 0.0032
C(2) -0.267896 0.122126 -2.193595 0.0324
C(3) -0.022346 0.142256 -0.157084 0.8757
C(4) -0.030867 0.128477 -0.240252 0.811
C(5) -9.525587 3.874196 -2.458726 0.017
C(6) -10.30403 4.486123 -2.296868 0.0253
C(7) -0.94269 4.071709 -0.231522 0.8177
C(8) 0.699799 0.29144 2.401179 0.0196
C(9) 0.425078 0.310526 1.368896 0.1764
C(10) -0.124297 0.25584 -0.48584 0.6289
C(11) -1.413892 0.661137 -2.138578 0.0368
C(12) -0.634148 0.656975 -0.965254 0.3385
C(13) 0.496136 0.643324 0.771207 0.4438
C(14) -0.057013 0.415648 -0.137166 0.8914
C(15) 0.577388 0.448074 1.288601 0.2027
C(16) 0.004735 0.405339 0.011681 0.9907
C(17) 0.936727 0.589948 1.587813 0.1179
C(18) 0.279177 0.664985 0.419824 0.6762
C(19) 0.287048 0.583136 0.492249 0.6244
C(20) 8.402368 3.554549 2.363835 0.0215
C(21) 9.807758 4.131689 2.373789 0.021
C(22) 1.224736 3.755297 0.326136 0.7455
C(23) 8.45E-05 0.018692 0.004519 0.9964
Jadual
Merujuk jadual di atas kami akan membincangkan mengenai dua isu iaitu samaada terdapat
hubungan sebab dan akibat bagi jangka masa panjang dan hubungan sebab dan akibat bagi
jangka masa pendek. Berdasarkan jadual di atas, nilai pekali C(1) adalah bernilai negatif dan
beerti (significant). Oleh itu, terdapat hubungan sebab dan akibat bagi jangka masa panjang yang
menelusuri pemboleh ubah antara pemboleh ubah tak bersandar hingga ke LPTB.

Ujian Wald
Apabila ingin membukti sama ada terdapat hubungan sebab dan akibat dalam jangka masa
pendek maka, ujian Wald perlu dilakukan seperti ditunjukkan dalam jadual di bawah beserta
persamaan yang dirujuk.
D(LPTB) = C(1)*( LPTB(-1) - 9.07110750092*LJA(-1) + 1.27185902873*LJM(-1) +
0.209588717232*LJP(-1) - 2.54564959531*LABR(-1) + 4.67484159682*LM3(-1) +
7.60838521952*LLB(-1) - 39.6376387152 ) + C(2)*D(LPTB(-1)) + C(3)*D(LPTB(-2)) +
C(4)*D(LPTB(-3)) + C(5)*D(LJA(-1)) + C(6)*D(LJA(-2)) + C(7)*D(LJA(-3)) + C(8)*D(LJM(-
1)) + C(9)*D(LJM(-2)) + C(10)*D(LJM(-3)) + C(11)*D(LJP(-1)) + C(12)*D(LJP(-2)) +
C(13)*D(LJP(-3)) + C(14)*D(LABR(-1)) + C(15)*D(LABR(-2)) + C(16)*D(LABR(-3)) +
C(17)*D(LM3(-1)) + C(18)*D(LM3(-2)) + C(19)*D(LM3(-3)) + C(20)*D(LLB(-1)) +
C(21)*D(LLB(-2)) + C(22)*D(LLB(-3)) + C(23)

Ujian Wald
Ujian
Statistik
Nilai df Probabiliti Keputusan
LJA
H0: C(5)=C(6)=C(7)=0 statistik F 2.841733 (3, 57) 0.0457
Ada hubungan jangka
pendek
H1: C(5)=C(6)=C(7)0 Khi-kuasa
dua
8.525199 3 0.0363
LJM
H0: C(8)=C(9)=C(10)=0 statistik F 2.612789 (3, 57) 0.06
Ada hubungan jangka
pendek
H1: C(8)=C(9)=C(10)0
Khi-kuasa
dua
7.838366 3 0.0495
LJP
H0: C(11)=C(12)=C(13)=0 statistik F 1.91622 (3, 57) 0.1372
Tiada hubungan jangka
pendek
H1: C(11)=C(12)=C(13)0
Khi-kuasa
dua
5.748661 3 0.1245
LABR
H0: C(14)=C(15)=C(16)=0 statistik F 0.587826 (3, 57) 0.6255
Tiada hubungan jangka
pendek
H1: C(14)=C(15)=C(16)0
Khi-kuasa
dua
1.763479 3 0.6229
LM3
H0: C(17)=C(18)=C(19)=0 statistik F 1.043369 (3, 57) 0.3804
Tiada hubungan jangka
pendek
H1: C(17)=C(18)=C(19)0
Khi-kuasa
dua
3.130108 3 0.372
LLB
H0: C(20)=C(21)=C(22)=0 statistik F 2.836919 (3, 57) 0.046
Ada hubungan jangka
pendek
H1: C(20)=C(21)=C(22)0
Khi-kuasa
dua
8.510756 3 0.0366
Jadual:
Kesimpulannya, pemboleh ubah LJA, LJM dan LLB terdapat hubungan jangka pendek.
Manakala, LJP, LABR dan LM3 tiada hubungan jangka pendek.

Ujian Chow
Hubungan antara pemboleh ubah bebas dan pemboleh ubah bersandar boleh dikaitkan dengan
perubahan struktur (atau juga dikenali sebagi ketakstabilan struktur atau anjakan struktur); iaitu
hubungan yang wujud berkemungkinan telah berubah daripad satu tempoh masa kepada tempoh
masa yang lain. Dengan kata lain, apabila kita menggunakan model regresi yang melibatkan data
siri masa, kemungkinan berlaku perubahan struktur dalam hubungan antara pemboleh ubah
bersandar dan pemboleh ubah tak bersandar. Perubahan struktur ini kita merujuk nilai parameter
bagi model yang tidak kekal melalui seluruh tempoh masa. Perubahan struktur yang berlaku ini
boleh disebabkan oleh pengaruh luaran seperti tindakan Bank Negara Malaysia (BNM) dalam
mengawal risiko kredit manakala pengaruh dalaman pula disebabkan oleh perubahan dasar BNM.
Oleh itu, ujian statistik bagi perubahan struktur ini dikenali sebagai ujian Chow, iaitu sempena
nama Gregory Chow (1960).

F-statistic 9.982078 Prob. F(7,70) 0
Log likelihood ratio 58.14906 Prob. Chi-Square(7) 0
Wald Statistic 69.87455 Prob. Chi-Square(7) 0
Jadual 4:
H
0
: Tiada perubahan struktur
H
1
: Ada perubahan struktur
Merujuk jadual di atas, pemisahan sampel adalah pada tahun 2010 iaitu tahun 2007 hingga 2009
dan 2009 hingga 2013. Statistik F adalah 9.982078 yang melebihi 2.63 aras keertiaan lima. Oleh
peratus. Oleh itu, H
0
ditolak pada aras keertian lima peratus. Kesimpulannya, tiada perubahan
struktur.



Korelasi siri sisa ( Residual Serial Correlation LM Tests)
Lags LM-Stat Prob

Jadual:

Jadual di atas menunjukkan ujian sisa yang tak bersandar pada aras keertian lima peratus. Semua
lag adalah tidak beerti oleh itu, sisa adalah tak bersandar. Kesimpulannya, anggaran yang
menyatakan sisa adalah tak bersandar sudah terbukti.
Ujian Normaliti
Komponen Kepencongan
Khi-kuasa
dua df Prob. Komponen Kurtosis
Khi-kuasa
dua df Prob.
1 -0.127365 0.221698 1 0.6377 1 5.461938 20.70889 1 0.0000
2 0.044127 0.026612 1 0.8704 2 3.680234 1.580956 1 0.2086
3 -0.33441 1.528347 1 0.2164 3 4.225799 5.133828 1 0.0235
4 -0.307226 1.289970 1 0.2561 4 3.681398 1.586368 1 0.2078
5 -0.322353 1.420125 1 0.2334 5 4.648155 9.281088 1 0.0023
6 0.187868 0.482357 1 0.4874 6 2.919421 0.022184 1 0.8816
7 -1.417674 27.46727 1 0.0000 7 7.662182 74.26448 1 0.0000
Jumlah 32.43638 7 0.0000 Jumlah 112.5778 7 0.0000
Jadual
Jadual di atas menunjukkan ujian normaliti bagi sisa (residual). Kepencongan dan kurtosis
dugunakan untuk mengetahui sama ada sisa (residual) adalah normal atau tidak dengan
menggunakan nilai p. Pada aras keertian lima peratus bagi kepencongan komponen yang ke tujuh
iaitu log asli (natural logarithm) liabiliti adalah bukan multivariate sisa (residual) normal
manakala, yang lain adalah multivariate sisa normal (residual) yang normal. Jumlah
kepencongan bagi tujuh komponen menunjukkan bahawa komponenkomponen adalah bukan
multivariate normal kerana 0.0000<0.05. Di samping itu, kurtosis log asli (natural logarithm)
Komponen Jarque-Bera df Prob.
1 20.93059 2 0.0000
1 63.21879 0.0833
2 52.44457 0.3420
2 1.607568 2 0.4476
3 6.662175 2 0.0358
4 2.876338 2 0.2374
5 10.70121 2 0.0047
6 0.504541 2 0.7770
7 101.7317 2 0.0000
Jumlah 145.0142 14 0.0000
Jadual:
Jadual di atas menunjukkan ujian Jarque-Bera yang digunakan untuk mengetahui sama ada
taburan bertabur normal atau tidak.
H
0
: sisa adalah multivariat yang normal
H
1
: sisa bukan multivariat yang normal
Pada aras keertian lima peratus logaritma asli (natural logarithm) bagi jumlah pinjaman (JP),
bekalan wang (M3), liabiliti (LB) adalah bertaburan multivariat yang normal kerana nilai
kebarangkalian adalah melebihi 0.05. Manakala, yang lain adalah tidak bertaburan multivariat
yang normal. Kesimpulannya, H
0
ditolak pada ars keertian lima peratus dan sisa adalah bukan
multivariate yang normal.

Ujian Heteroskadasiti

Khi- kuasa dua df Prob.
724.7227 784 0.9357
Jadual
H
0
: sisa bukan (residual) heteroskadasiti
H
1
: sisa adalah (residual) heteroskadasiti
Jadual di atas adalah ujian untuk heteroskadasiti bagi sisa. Pada aras keertian lima peratus, sisa
bukan (residual) heteroskadasiti.