UJIAN AKHIR SEMESTER

EKONOMETRIKA

Dosen Pengampu: Dr. Scholastika Mariani, M.Si

oleh
Hadi Susanto

(4111412049)

Prodi: Matematika, S1
Rombel: 01

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS NEGERI SEMARANG

2015

UAS EKONOMETRIKA JANUARI 2016

Dipunyai Data Permintaan ayam di Amerika Serikat selama periode 1960 - 1982
Tahun
1960
1961
1962
1963
1964
1965
1966
1967
1968
1969
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982

27.8
29.9
29.8
30.8
31.2
33.3
35.6
36.4
36.7
38.5
40.3
40.5
41.7
40.5
40.7
40.1
42.7
44.1
46.7
50.6
50.1
51.7
52.9

397.5
413.3
439.2
459.7
492.9
528.6
560.3
624.6
666.4
717.7
768.3
843.4
911.5
931.2
1021.5
1165.9
1349.6
1449.4
1575.5
1759.1
1994.2
2258.1
2478.7

42.2
38.1
40.3
39.5
37.3
38.1
39.3
37.8
38.4
40.2
38.5
39.7
39.8
52.2
48.9
58.3
57.9
56.5
63.7
61.6
58.9
66.4
70.4

50.7
52
54
55.3
54.7
63.7
69.8
65.9
64.5
70
73.1
67.9
79.2
95.3
94.2
123.5
129.9
117.6
130.9
129.8
128
141
168.2

78.3
79.2
79.2
79.2
77.4
80.2
80.4
83.9
85.5
93.8
106
104.9
114
124.2
127.6
142.9
143.6
139.2
165.5
203.3
219.6
221.6
232.6

Keterangan:
= konsumsi ayam per kapita
= pendapatan riil per kapita
= harga ayam eceran riil per unit
= harga babi eceran riil per unit
= harga sapi eceran riil per unit

1. Uji asumsi klasik normalitas, autokolerasi, multikoloneritas, heteroskedastisitas,

linieritas. Interpretasikan hasilnya.
2. Uji Analisis Jalur
Interpretasikan hasilnya.

sebagai variabel bebas dengan Lisrel.

JAWABAN:
1. UJI ASUMSI KLASIK
a. UJI NORMALITAS (KOLMOGOROV-SMIRNOV TEST)
Uji normalitas pada model regresi digunakan untuk menguji apakah nilai
residual yang dihasilkan dari regresi terdistribusi secara normal atau tidak.
Model regresi yang baik adalah yang memiliki nilai residual yang
terdistribusi secara normal. Dengan kata lain suatu model regresi dikatakan
baik apabila mempunyai distribusi normal. Dalam pembahasan ini akan
digunakan uji One Sample Kolmogorov-Smirnov dengan menggunakan taraf
signifikansi 0,05. Data dinyatakan berdistribusi normal jika signifikansi lebih
besar dari 5% atau 0,05.
Langkah-langkah:
Inputkan data di SPSS
Langkah pertama yaitu mencari nilai residual, caranya klik Analyze >>
Regression >> Linear
Pada kotak dialog Linear Regression, masukkan variabel Y ke dalam kotak
Dependent, kemudian masukkan variabel X1,X2,X3,X4 ke dalam kotak
Independent(s).
Klik tombol Save, selanjutnya akan terbuka kotak dialog Linear
Regression:

Save,

Pada

Residuals,

beri

tanda

centang

pada

Unstandardized. Kemudian klik tombol Continue. Akan kembali ke

kotak dialog sebelumnya, klik tombol OK. Hiraukan hasil output SPSS, di
halaman Data View akan bertambah satu variabel yaitu residual (RES_1).
Langkah selanjutnya melakukan uji normalitas residual, caranya klik
Analyze >> Non Parametric tests >> 1-Sample K-S.
Selanjutnya akan terbuka kotak dialog One Sample Kolmogorov Smirnov
Test.
Masukkan variabel Unstandardized Residual (RES 1) ke kotak Test
Variable List. Pada Test Distribution, pastikan terpilih Normal. Jika sudah
klik tombol OK. Akan kembali ke kotak dialog sebelumnya. Klik OK,
diperoleh hasil output seperti berikut:

One-Sample Kolmogorov-Smirnov Test

Unstandardized
Residual
N

23

Normal Parametersa,,b

Mean

.0000000

Std. Deviation
Most Extreme Differences

1.78921750

Absolute

.165

Positive

.165

Negative

-.097

Kolmogorov-Smirnov Z

.793

Asymp. Sig. (2-tailed)

.555

a. Test distribution is Normal.

b. Calculated from data.

Interpretasi hasil:
Dari output di atas dapat diketahui bahwa nilai signifikansi (Asymp.Sig 2tailed) sebesar 0,555. Karena signifikansi lebih dari 0,05 (0,555 > 0,05), maka
nilai residual tersebut telah normal. Dengan kata lain model regresi tersebut
berdistribusi normal.

b. UJI AUTOKORELASI (UJI RUN TEST)

Uji

autokorelasi

digunakan

untuk

mengetahui

ada

atau

tidaknya

penyimpangan asumsi klasik autokorelasi yaitu korelasi yang terjadi antara

residual pada satu pengamatan dengan pengamatan lain pada model regresi.
Prasyarat yang harus terpenuhi adalah tidak adanya autokorelasi dalam model
regresi. Metode pengujian yang digunakan pada pembahasan ini adalah
dengan uji Run Test.
Langkah-langkah pengujian autokorelasi data dengan menggunakan uji Run
Test adalah sebagai berikut:
Masukkan data tersebut ke SPSS
Pilih menu Analyze >> Regression >> Linear.

 Masukkan X1, X2, X3,X4 ke kolom Independet(s) dan Y ke kolom

Dependent.
Klik Save >> Centang Unstandardized pada kolom Residuals >> klik
Continue >> klik Ok.
Muncul kolom baru dengan judul RES_1
Pilih menu Analyze >> Nonparametric Test >> klik Runs
Masukkan RES_1 ke kolom Test Variable List >> klik Ok
Diperoleh output sebagai berikut:
Runs Test
Unstandardized
Residual
Test Valuea

.23819

Cases < Test Value

11

Cases >= Test Value

12

Total Cases

23

Number of Runs
Z
Asymp. Sig. (2-tailed)

7
-2.129
.033

a. Median

Interpretasi hasil:
Dapat dilihat dari tabel di atas bahwa nilai Asymp. Sig. (2-tailed) 0,033.
Nilai tersebut kurang dari 0,05, sehingga dapat diduga bahwa terdapat
masalah autokorelasi pada data yang diuji.

c. UJI MULTIKOLINIERITAS (DENGAN MELIHAT NILAI VIF DAN

TOL)
Uji multikolinearitas digunakan untuk mengetahui ada atau tidaknya
penyimpangan asumsi klasik multikolinearitas yaitu adanya hubungan linear
antar variabel independen dalam model regresi. Pada pembahasan ini akan
dilakukan uji multikolinearitas dengan melihat nilai inflation factor (VIF)
pada model regresi.

Langkah-langkah:

Klik Analyze - Regression Linear

Klik variabel Y dan masukkan ke kotak Dependent, kemudian klik

variabel X1,X2,X3,X4 dan masukkan ke kotak Independent

Klik Statistics, kemudian klik Collinearity diagnostics. Klik Continue

Klik OK, pada output anda lihat tabel coefficients pada kolom
collinearity statistics, hasil output coefficients yang di dapat sebagai
berikut:
Coefficientsa
Unstandardized

Standardized

Coefficients

Coefficients

Model

Std. Error

1 (Constant)

37.107

3.757

X1

.005

.005

X2

-.604

X3
X4

Beta

Collinearity Statistics
t

Sig.

Tolerance

VIF

9.878

.000

.421

1.013

.325

.019

52.899

.165

-.911

-3.666

.002

.053

18.856

.196

.065

.939

3.039

.007

.034

29.141

.069

.052

.482

1.336

.198

.025

39.841

a. Dependent Variable: Y

Interpretasi hasil:
Dari hasil di atas dapat diketahui nilai variance inflation factor (VIF) keempat
variabel yaitu X1 sebesar 52,899 ; X2 sebesar 18,856 ; X3 sebesar 29,141 ;
dan X4 sebesar 39,841. Semuanya lebih besar dari 10, sehingga bisa diduga
bahwa antar variabel independen terjadi persoalan multikolinearitas.

d. UJI HETEROSKEDASTISITAS (UJI SPEARMAN)

Uji heteroskedastisitas digunakan untuk mengetahui ada atau tidaknya
penyimpangan asumsi klasik heteroskedastisitas yaitu adanya ketidaksamaan
varian dari residual untuk semua pengamatan pada model regresi. Prasyarat
yang harus terpenuhi dalam model regresi adalah tidak adanya gejala
heteroskedastisitas.

Langkah-langkah:

Inputkan data di SPSS

Langkah pertama yaitu mencari nilai unstandardized residual, caranya

klik Analyze >> Regression >> Linear

Pada kotak dialog Linear Regression, masukkan variabel Y ke kotak

Dependent, kemudian masukkan variabel X1,X2,X3,X4 ke kotak
Independent(s).

Klik tombol Save, selanjutnya akan terbuka kotak dialog Linear

Regression:

Save

Pada

Residuals,

beri

tanda

centang

pada

Unstandardized. Kemudian klik tombol Continue. Akan kembali ke

kotak dialog sebelumnya, klik tombol OK. Hiraukan hasil output SPSS,
akan bertambah satu variabel yaitu residual (RES_1).

Langkah selanjutnya mencari nilai absolute residual dari nilai residual di

atas, caranya klik menu Transform >> Compute Variable. Pada kotak
Target Variable, merupakan nama variabel baru yang akan tercipta.
Ketikkan ABS_RES (absolute residual). Kemudian klik pada kotak
Numeric Expression, lalu ketikkan ABS( lalu masukkan variabel
Unstandardized Residual (RES_1) ke kotak Numeric Expression dengan
klik tanda penunjuk, kemudian ketik tanda tutup kurung. Maka
lengkapnya akan tertulis ABS(RES_1), perintah ini untuk menghitung
nilai absolute dari residual. Jika sudah klik tombol OK.

Langkah selanjutnya meregresikan nilai variabel independen dengan

absolute residual.

Caranya klik Analyze >> Regression >> Linear.

Masukkan variabel ABS_RES ke kotak Dependent, kemudian masukkan

varibel X1,X2,X3,X4 ke kotak Independent(s). Selanjutnya klik tombol
OK. Maka hasil pada output Coefficient seperti berikut:
a

Coefficients

Standardized
Model

Unstandardized Coefficients

Coefficients

Sig.

B
1 (Constant)

Std. Error
-1.587

1.637

X1

-.002

.002

X2

.074

X3
X4

Beta
-.970

.345

-1.086

-.722

.480

.072

.924

1.029

.317

-.003

.028

-.136

-.122

.904

.012

.023

.693

.531

.602

a. Dependent Variable: ABS_RES

Interpretasi hasil:
Dari output di atas dapat diketahui bahwa nilai signifikansi keempat
variabel independen lebih dari 0,05. Dengan demikian dapat disimpulkan
bahwa tidak terjadi masalah heteroskedastisitas pada model regresi.

e. UJI LINIERITAS
Langkah-langkah uji kelinieran regresi:

Inputkan data di SPSS

Langkah pertama yaitu mencari nilai unstandardized residual, caranya

klik Analyze >> Regression >> Linear

Pada kotak dialog Linear Regression, masukkan variabel Y ke kotak

Dependent, kemudian masukkan variabel X1,X2,X3,X4 ke kotak
Independent(s) >> Klik Ok.
Diperoleh hasil seperti berikut:
ANOVAb
Model
1Regression

Sum of Squares

Mean Square

1125.151

281.288

70.429

18

3.913

1195.579

22

Residual
Total

df

a. Predictors: (Constant), X4, X2, X3, X1

b. Dependent Variable: Y

F
71.891

Sig.
a

.000

Interpretasi hasil:
Dari tabel di atas dapat dilihat bahwa nilai signifikan = 0,000 <
,

artinya

terdapat

hubungan

linier

antara

variabel

X1,X2,X3,X4 dengan Y.

2. UJI ANALISIS JALUR DENGAN LISREL DENGAN X2,X3,X4 SEBAGAI

VARIABEL BEBAS
Diagram jalurnya sebagai berikut:

Diagram jalur tersebut terdiri atas dua persamaan struktural di mana X2, X3, dan
X4 disebut sebagai variabel eksogen serta Y dan X1 sebagai variabel endogen.
Dituliskan struktur persamaan model penaksir sebagai berikut:
Sub struktur persamaan 1:
Sub struktur persamaan 2:
Langkah-langkah:

Menyiapkan data dalam format SPSS dengan nama file UAS.sav

Menjalankan progam Lisrel

Klik menu file >> import data in free format (cari data dengan nama file
UAS.sav) klik OK. Jika tidak ada, Ubah Files of type: SPSS for
Windows(*.sav). pada kotak save as ketikan nama file UAS.psf lalu klik save
sehingga muncul tampilan berikut:

Klik menu Data >> Define Variable,pilih salah satu variabel lalu klik variable
type, klik ordinal dan beri tanda check pada Apply to all lalu klik Ok

Membuat path diagram yang baru dengan cara klik menu File >> New, lalu
pilih bagian Path Diagram seperti pada gambar:

Beri nama file path diagramnya dengan cara ketik UAS.pth pada kotak File
name, sehingga akan muncul gambar berikut:

Tambahkan variabel ke dalam model dengan cara klik menu setup >>
Variables...

Klik tombol add/read variables pada kotak Observed Variables (bagian kiri)
sehingga muncul gambar:

Pada bagian Read from file diubah menjadi PRELIS System File lalu klik
Browse dan buka file UAS.psf lalu klik ok

Klik tombol next >, sehingga muncul kotak dialog, lalu Isikan jumlah
sampelnya (115) karena terdiri dari 23 responden dan 5 variabel klik OK,

Beri tanda silang variabel endogen X1 dan Y, lalu drag nama variabel
masing-masing ke kotak diagram, serta buat pola hubungan dengan Drawing
Bar seperti pada gambar berikut:

Atur output yang dikehendaki dengan cara klik Output >> LISREL output >>
Estimation... setelah muncul kotak dialog klik Next. Lalu beri tanda check
Print All lalu klik OK.

Membuat lisrel syntax dengan cara klik menu Setup >> Build LISREL
Syntax sehingga akan muncul:

Jalankan Syntak dengan cara klik menu File >> Run

Diperoleh gambar output sebagai berikut:

Buka file UAS bertype OUT File maka diperoleh output sebagai berikut:
DATE: 1/11/2016
TIME: 14:38

LISREL 8.80 (STUDENT EDITION)

BY
Karl G. Jreskog and Dag Srbom

This program is published exclusively by

Scientific Software International, Inc.
7383 N. Lincoln Avenue, Suite 100
Lincolnwood, IL 60712, U.S.A.
Phone: (800)247-6113, (847)675-0720, Fax: (847)6752140
Copyright by Scientific Software International, Inc.,
1981-2006
Use of this program is subject to the terms specified
in the
Universal Copyright Convention.
Website: www.ssicentral.com

The following lines were read from file

E:\coba\uas.LPJ:

DA NI=5 NO=115 MA=CM

RA FI='E:$$coba$$UAS.psf'
SE
2 1 3 4 5 /
MO NX=3 NY=2 BE=FU GA=FI PS=SY
FR BE(2,1) GA(1,1) GA(1,2) GA(1,3) GA(2,1) GA(2,2) GA(2,3)
PD
OU
Number
Number
Number
Number
Number
Number

of
of
of
of
of
of

Input Variables 5
Y - Variables
2
X - Variables
3
ETA - Variables 2
KSI - Variables 3
Observations
23

TI

Covariance Matrix
X1
Y
X2
X3
X4

X1
381733.83
4312.82
6399.09
20830.14
31368.04

X2

X3

X4

54.34
68.84
236.81
354.97

123.64
379.89
531.55

1240.51
1706.05

2651.93

Y
39.68

X2
48.00

X3
90.40

X4
124.44

Means
X1
1035.07

TI

Parameter Specifications
BETA
X1
Y

X1
0
1

Y
0
0

GAMMA
X1
Y

X2
2
5

X3
3
6

X4
4
7

X2
8
9
11

X3

X4

10
12

13

PHI
X2
X3
X4
PSI
X1
14

Y
15

X1
16

Y
17

ALPHA

TI

Number of Iterations =

LISREL Estimates (Maximum Likelihood)

BETA
X1
Y

X1
- 0.01
(0.00)
1.04

Y
- - -

X2
-8.65
(7.35)
-1.18

X3
6.84
(2.54)
2.69

GAMMA
X1

X4
9.16
(1.14)
8.06

-0.60
(0.16)
-3.77

0.20
(0.06)
3.12

0.07
(0.05)
1.37

X2

X3

X4

54.34
68.84
236.81
354.97

123.64
379.89
531.55

1240.51
1706.05

2651.93

X3

X4

1240.51
(402.48)
3.08
1706.05
(571.26)
2.99

2651.93
(860.40)
3.08

Covariance Matrix of Y and X

X1
381733.83
4312.82
6399.09
20830.14
31368.04

X1
Y
X2
X3
X4

Mean Vector of Eta-Variables

X1
1035.07

Y
39.68

PHI
X2
123.64
(40.12)
3.08
379.89
(125.17)
3.03
531.55
(179.24)
2.97

X2

X3

X4

PSI
Note: This matrix is diagonal.
X1
7216.30
(2341.28)
3.08

Y
3.20
(1.04)
3.08

Squared Multiple Correlations for Structural Equations

X1
0.98

Y
0.94

Squared Multiple Correlations for Reduced Form

X1
0.98

Y
0.94

Reduced Form
X2
-8.65
(7.35)
-1.18
-0.65
(0.16)
-4.07

X1
Y

X3
6.84
(2.54)
2.69
0.23
(0.06)
4.20

X4
9.16
(1.14)
8.06
0.12
(0.02)
4.68

ALPHA
X1
-308.19
(158.60)
-1.94

Y
37.11
(3.66)
10.15

Goodness of Fit Statistics

Degrees of Freedom = 0
Minimum Fit Function Chi-Square = 0.0 (P = 1.00)
Normal Theory Weighted Least Squares Chi-Square = 0.00 (P = 1.00)
The Model is Saturated, the Fit is Perfect !

Time used:

0.031 Seconds

Interpretasi hasil:
Diperoleh informasi The Model is Saturated, the Fit is Perfect ! pada
Goodness of Fit Statistics, artinya model tersebut adalah model terbaik.

Dari output diperoleh:

Kesimpulan kesimpulan:
Diperoleh persamaan strukturalnya:
Sub struktur persamaan 1: X1 = -8,65 X2 + 6,84 X3 + 9,16 X4
Sub struktur persamaan 2: Y = -0,60 X2 + 0,20 X3 + 0,07 X4 + 0,01 X1
Dari diagram di atas dapat dicari Penghitungan Pengaruh

X2 terhadap X1 sebesar -8,65

X3 terhadap X1 sebesar 6,84

X4 terhadap X1 sebesar 9,16

X2 terhadap Y sebesar -0,60

X3 terhadap Y sebesar 0.20

X4 terhadap Y sebesar 0,07

X1 terhadap Y sebesar 0,01

Berdasarkan nilai GFI, model tersebut merupakan model yang baik.