Anda di halaman 1dari 90

Pengenalan Menu Eviews 4.1 Oleh Dr. Nelmida, SE., M.Si 1

Eviews merupakan salah satu software statistika yang powerful dalam menganalisis data khususnya data time series. Software ini bersifat user friendly karena berbasiskan window dengan berbagai fasilitas seperti data analysis¸ regression, dan forecasting. Dengan Eviews ini kita dapat mengaplikasikan dengan cepat dan mudah metode statistika sesuai dengan perilaku data, dan selanjutnya dengan metode terpilih ini akan digunakan

untuk meramalkan nilai dugaan di masa depan. Beberapa contoh cakupan penggunaan Eviews antara lain: scientific data analysis and evaluation, financial analysis, macroeconomic forecasting, simulation, sales forecasting and cost analysis.

Untuk Menginstal Eviews ini diperlukan beberapa persyaratan kemampuan komputer yang digunakan:

  • 1. Menggunakan processor Minimal A386,486, Pentium atau procesor intel lainnya yang dijalankan dengan Windows 3.1, Windows 95, atau Windows NT.

  • 2. Minimal RAM 4 MB untuk Windows 3.1, untuk Windows 95 dan NT sangat disarankan 8 MB atau lebih.

  • 3. Monitor VGA, Super VGA atau lainnya yang kompartibel.

  • 4. Menggunakan mouse, trackball, atau pen pad.

  • 5. Instalasi program akan membutuhkan sekitar lebih dari 10 MB.

Ketika pertama kali EViews dijalankan akan keluar tampilan sebagai berikut:

 Tampilan awal EViews Menu EViews File Edit Objects View Procs Quick Options Window Help Status
 Tampilan awal EViews
Menu EViews
File
Edit
Objects
View
Procs
Quick
Options
Window
Help
Status Line
Minimize
Close
 Window
Jika Clik
 Minimize, membuat ukuran window kecil
Restore/Maximize

Restore, ukuran window sedang, atau Maximize, ukuran window penuh/besar

Close, menutup window EViews Status line menunjukkan :

  • 1. Tempat pesan suatu perintah

  • 3. Default database

  • 4. Workfile yang aktif

1 Dosen Tetap Jurusan Manajemen Fakultas Ekonomi Bung Hatta Padang. Email: nelmida_fe@yahoo.co.uk.

2.

Default directory

Pembuatan Workfile

Sebelum menjalankan perintah metode statistika yang ada di Eviews, terlebih dahulu harus dibuka file Eviews workfile. Jika belum terdapat data yang dimaksud maka kita harus membuat workfile baru dengan mengimpor dari data Excel spreadsheet.

Dalam modul ini akan digunakan data dari tahun 1996 sampai tahun 2005 dalam file data1.xls Tahapan berikut merupakan langkah membuat workfile data baru

Mengatur waktu dari data File/New/Wokfile ....

2. Default directory Pembuatan Workfile Sebelum menjalankan perintah metode statistika yang ada di Eviews, terlebih dahulu
2. Default directory Pembuatan Workfile Sebelum menjalankan perintah metode statistika yang ada di Eviews, terlebih dahulu

Pilihan waktu dari data , pilihan ini sesuai dengan waktu dari data di Excel spreadsheet

Annual : data tahunan Semi-annual : data per semeter Quarterly : data triwulanan Monthly : data bulanan

Weekly : data mingguan Daily (5 day weeks) : data mingguan 5 hari Daily (7 day weeks) : data harian

Undated

or

beraturan

irregular

:

bukan

data

time

series

atau

tidak

Format Penulisan Waktu : tahun:bulan:hari atau tahun:bulan atau tahun Pada Start date ketik 1996 dan End date ketik 2005 (sesuai dengan date data yang akan diimpor)

OK, akan tampil

OK , akan tampil   Mengimpor Data dari Excel Procs/Impor/ReadText-Lotus-Exel .... , baik pada toolbar

Mengimpor Data dari Excel Procs/Impor/ReadText-Lotus-Exel

....,

baik pada toolbar window

workfile:UNTITLED atau pada window Eviews. Atau dengan perintah

File/Impor/ReadText-Lotus-Exel

....,

dari menu window EViews

 Tentukan lokasi file Excel berada
Tentukan
lokasi
file
Excel
berada

misalnya

di

d:Eviews/data/data1.xls terus pilih menu open

OK , akan tampil   Mengimpor Data dari Excel Procs/Impor/ReadText-Lotus-Exel .... , baik pada toolbar

Ketik 4, pada Names for series or Number of series if names infiles untuk menyatakan banyaknya series variabel yang diimpor.

Perhatikan kesesuaian dengan data di Excel

 OK B2 menunjukkan lokasi sel di Excelspreadsheet yang pertama kali diimpor ke Eviews workfile. Input

OK

B2 menunjukkan lokasi sel di Excelspreadsheet yang pertama kali diimpor ke Eviews workfile. Input angka X Y menunjukkan banyaknya variabel yang diimpor, sedangkan tahun 1996 2005 adalah tahun series data sesuai dengan range yang ditentukan ketika membuat workfile baru.

Maka pada window workfile akan tampak sebagai berikut :

 OK B2 menunjukkan lokasi sel di Excelspreadsheet yang pertama kali diimpor ke Eviews workfile. Input

Save Workfile Save, pada toolbar window workfile, atau File/save, pada menu windows EViews dan tulis nama file DATA (atau apa saja sesuai keinginan kita) pada suatu directori atau drive.

Cara Lain Entri Data atau Copy Data

Pada window workfile atau EViews Objects/New Object

click kiri/New Object

...

.... pada kolom kosong window workfile

Klik
Klik

atau

Klik Kanan  Copy data dari Excel dengan cara : Block data1.xls (dengan judulnya) dan copy
Klik Kanan  Copy data dari Excel dengan cara : Block data1.xls (dengan judulnya) dan copy
Klik Kanan  Copy data dari Excel dengan cara : Block data1.xls
Klik
Kanan
Copy
data
dari Excel dengan
cara
:
Block
data1.xls

(dengan

judulnya) dan copy pada window Excel. Kemudian pindah ke

window Eviews, Klik kanan/paste pada window Series Data. Maka akan tampak sebagai berikut :

Klik Kanan  Copy data dari Excel dengan cara : Block data1.xls (dengan judulnya) dan copy

ORDINARY LEAST SQUARE

A. Regresi Sederhana (OLS Sederhana)

Model regresi sederhana adalah suatu model yang melihat hubungan antar dua variabel. Salah satu variabel menjadi variabel bebas (Independent variable) dan variabel yang lain menjadi variabel terikat (Dependent variable). Dalam regresi sederhana ini, akan kita ambil suatu contoh kasus mengenai hubungan antara pengeluaran konsumsi dan pendapatan di US pada tahun 1996 – 2005 (Gujarati, 2003: 6). Persamaan model ini adalah:

Y =

0 +

1X +

Dimana, Y adalah pengeluaran konsumsi, 0 adalah konsumsi autonom, X

merupakan pendapatan dan adalah error term.

(lokasi file Excel berada di d:Eviews/data/data1.xls:data1) Setelah muncul data yang akan diolah, kemudian blok variable X dan Y - Klik kanan: Open - as Group. Maka, akan muncul tampilan :

ORDINARY LEAST SQUARE A. Regresi Sederhana (OLS Sederhana) Model regresi sederhana adalah suatu model yang melihat

Kemudian Pilih Procs - Make Equation - Equation Specification Setelah itu ketik data yang akan diolah : Y spasi c spasi X, pilih Method:

LS – OK. Variabel yang kita tulis pertama adalah variabel dependen, selanjutnya adalah konstanta dan variabel independent.

Maka akan tampak hasil regresi seperti berikut: Dependent Variable: Y Method: Least Squares Date: 08/24/07 Time:
Maka akan tampak hasil regresi seperti berikut: Dependent Variable: Y Method: Least Squares Date: 08/24/07 Time:

Maka akan tampak hasil regresi seperti berikut:

Maka akan tampak hasil regresi seperti berikut: Dependent Variable: Y Method: Least Squares Date: 08/24/07 Time:

Dependent Variable: Y Method: Least Squares

Date: 08/24/07

Time: 01:18

Sample: 1996 2005 Included observations: 10

Variable

Coefficien

Std. Error

t-Statistic

Prob.

t

  • C 24.45455

6.413817

3.812791

0.0051

  • X 0.509091

0.035743

14.24317

0.0000

R-squared

0.962062

Mean dependent

111.000

 

var

0

Adjusted R-squared 0.957319

S.D. dependent var

31.4289

S.E. of regression

6.493003

Akaike info criterion

6.75618

 

4

Sum squared resid

337.2727

Schwarz criterion

6.81670

 

1

Log likelihood

-

F-statistic

202.867

31.78092

9

Durbin-Watson stat 2.680127

Prob(F-statistic) 0.00000

 

1

Intepretasi Hasil Regresi:

Dari hasil regresi diatas maka akan didapatkan persamaan sebagai berikut:

Y = 24.45455 + 0.509091X

Sebagai contoh, apabila ditanyakan berapa tingkat konsumsi individu jika pendapatan tahun depan diperkirakan sebesar 5000 milyar dollar US?. Maka

Y = 24.45455 + 0.509091(5000) Y = 2569.91 Jadi, jika pendapatan sebesar 5000 milyar dolar US maka tingkat konsumsi individu adalah sebesar 2569.91 milyar dolar US.

B. Regresi Berganda

Model regresi berganda merupakan suatu model regresi yang terdiri dari lebih dari satu variabel independen. Bentuk umum regresi berganda dapat ditulis sebagai berikut:

Y 1 =

0 +

1 X 1 +

2 X 2 +

3 X 3 + ….+

n X n + e i

Pada intinya, langkah – langkah estimasi regresi berganda didalam Eviews tidak jauh berbeda dengan regresi sederhana seperti yang telah dibahas sebelumnya. Berikut ini adalah tampilan data yang akan digunakan dalam regresi berganda.

(lokasi file Excel berada di d:Eviews/data/data1.xls:mul2)

S.E. of regression 6.493003 Akaike info criterion 6.75618 4 Sum squared resid 337.2727 Schwarz criterion 6.81670

Lakukan regresi berganda dengan cara :

Demand for Chickens, United States, 1960- 1982 YEAR = Year Y = Per Capita Consumption of

Demand for Chickens, United States, 1960-

1982

 

YEAR = Year

Y

= Per Capita Consumption of Chickens,

Pounds

 

X2

= Real Disposable Income Per Capita,

$

 

X3

= Real Retail Price of Chicken Per

 

Pound, Cents

 

X4

= Real Retail Price of Pork Per Pound,

Maka akan menghasilkan angka sebagai berikut :

Demand for Chickens, United States, 1960- 1982 YEAR = Year Y = Per Capita Consumption of

Dari hasil regresi diatas maka akan didapatkan persamaan sebagai berikut:

Y = 38.59690942 + 0.004889344622*X2 - 0.6518875293*X3 + 0.2432418207*X4 + 0.1043176111*X5 - 0.07111034011*X6

Dengan cara yang sama seperti pada regresi sederhana kita akan meregresi variabel dependen yaitu ekspor dan veriabel independen yang terdiri dari suku bunga, nilai tukar rupiah, serta inflasi.

(lokasi file Excel berada di d:Eviews/data/data1.xls:auto2)

Dari hasil regresi akan diperoleh estimasi sebagai berikut:

Demand for Chickens, United States, 1960- 1982 YEAR = Year Y = Per Capita Consumption of

Cara mengintepretasikan hasil regresi sama dengan estimasi pada regresi sederhana.

  • C. Uji t dan Uji F

Uji t merupakan pengujian terhadap koefisien dari veriabel bebas secara parsial. Uji ini dilakukan untuk melihat tingkat signifikansi dari veriabel bebas secara individu dalam mempengaruhi variasi dari variabel terikat. Sedangkan Uji F merupakan uji model secara keseluruhan. Oleh sebab itu Uji F ini lebih relevan dilakukan pada regresi berganda. Uji F dilakukan untuk melihat apakah semua koefisien regresi berbeda dengan nol atau dengan kata lain model diterima. Pada regresi sederhana maupun regresi berganda, pengujian koefisien 1 , 2 , dan n dapat dilakukan dengan Uji t. Pengujian ini dilakukan dengan cara membandingkan t-statistik pada hasil regresi dengan t –tabel. Jika nilai t- stat > t-tabel, maka Ho ditolak dan H 1 diterima, dengan kata lain terdapat hubungan antara variabel dependen dan variabel independen. Sebaliknya jika t-stat < t-tabel, maka Ho diterima dan H 1 ditolak, yang artinya tidak terdapat hubungan antara variabel dependen dan variabel independen. Pada contoh kasus diatas, dengan tingkat kepercayaan 95% (α = 5%) maka daerah kritis untuk menolak Ho adalah t-stat < t 0.025;39 . Kita bisa melihat bahwa pada variabel inflasi memiliki nilai t-stat sebesar 5,479 sedangkan nilai t-tabel pada t 0.025;39 adalah 2,021. Artinya nilai t-stat > t-tabel, sehingga hipotesa H 0 ditolak, dapat disimpulkan bahwa terdapat hubungan antara ekspor dan inflasi. Pengujian hipotesis dapat juga dilakukan dengan konsep P-Value. Cara ini relatif lebih mudah dilakukan karena tersedia pada menu Eviews. Konsep ini membandingkan α dengan nilai P-Value. Jika nilai P-Value kurang dari α, maka H0 ditolak. Pada contoh kasus diatas nilai P-Value dari variabel inflasi adalah 0,0000 artinya pada α = 1%, 5%, dan 10% hipotesa H 0 ditolak. Artinya pada berbagai tingkat keyakinan tersebut ekspor memiliki hubungan dengan inflasi.

Pada prinsipnya Uji F memiliki konsep yang tidak jauh berbeda dengan Uji t. Jika Uji t digunakan untuk melihat pengaruh variabel bebas terhadap variabel terikat secara individu, maka Uji F digunakan untuk melihat pengaruh variabel bebas terhadap varibel terikat secara bersama-sama. Formulasi dari Uji F adalah sebagai berikut:

H

o

variabel-

H

1

variabel-

:

1 =

2 = 3 = 0, artinya antara variabel dependen dengan

:

1 π

2 π

variabel independen tidak ada hubungannya n π 0, artinya antara variabel dependen dengan

Variabel independen ada hubungan. Dengan menggunakan konsep P-Value, maka pada contoh diatas P-Value dari F = 0,000012. Artinya pada α = 1%, 5%, dan 10% hipotesa H 0 ditolak dan H 1 diterima. Dimana antara ekspor dengan inflasi, tingkat bunga, dan nilai tukar rupiah terdapat suatu hubungan. Dengan kata lain variabel independen dalam persamaan tersebut secara bersama-sama berpengaruh terhadap variasi dari variabel dependen.

  • D. Uji Asumsi Klasik

Dalam melakukan estimasi persamaan linier dengan menggunakan

metode OLS, maka asumsi-asumsi dari OLS harus dipenuhi. Apabila asumsi tersebut tidak dipenuhi maka tidak akan menghasilkan nilai parameter yang BLUE (Best Linear Unbiased Estimator). Asumsi BLUE antara lain:

  • 1. Model regresi adalah linier dalam parameter

  • 2. Error term (u) memiliki distribusi normal. Implikasinya, nilai rata-rata kesalahan adalah nol.

  • 3. Memiliki varian yang tetap (homoskedasticity).

  • 4. Tidak ada hubungan antara variabel bebas dan error term.

6.

Pada regresi linear berganda tidak terjadi hubungan antar variabel bebas (multicolinearity).

D.1. Uji Normalitas

Uji normalitas digunakan jika sampel yang digunakan kurang dari 30, karena jika sampel lebih dari 30 maka error term akan terdistribusi secara normal. Uji ini disebut Jarque – Bera Test. Lakukan Prosedur berikut: Dari hasil estimasi - View – Residual test – Histogram Normality test

(lokasi file Excel berada di d:Eviews/data/data1.xls:data1)

6. Pada regresi linear berganda tidak terjadi hubungan antar variabel bebas (multicolinearity). D.1. Uji Normalitas Uji

Dari hasil diatas maka langkah selanjutnya adalah melakukan uji normalitas error term:

  • 1. H 0 : error term terdistribusi normal H 1 : error term tidak terdistribusi normal

  • 2. α = 5% maka daerah kritis penolakan H0 adalah P-Value < α

  • 3. Karena P-Value = 0,678100 > 0,05 maka H0 diterima

  • 4. Kesimpulan, dengan tingkat keyakinan 95%( α = 5% ) maka dapat dikatakan bahwa error term terdistribusi normal.

D.2. Uji Multikolinieritas Multikolinearitas adalah adanya hubungan linier yang signifikan antara beberapa atau semua variabel independent dalam model regresi. Untuk melihat ada tidaknya multikolinieritas dapat dilihat dari koefisien korelasi dari masing-masing variabel bebas. Jika koefisien korelasi antara masing-masing variabel bebas lebih besar dari 0,8 berarti terjadi mulikolinieritas. Lakukan prosedur berikut: Dari workfile – Blok semua variabel kecuali c dan resid – Klik kanan: Open – As Group Setelah tampil semua variabel, Klik View – Correlation – Common Sampel.

(lokasi file Excel berada di d:Eviews/data/data1.xls:mul2)

Dari tampilan diatas terlihat bahwa antara variabel X , X , X , X , dan
Dari tampilan diatas terlihat bahwa antara variabel X , X , X , X , dan

Dari tampilan diatas terlihat bahwa antara variabel X 2 , X 3 , X 4 , X 5 , dan X 6 terjadi multikolinieritas, karena memiliki nilai Correlation matrix lebih dari 0,8. Cara mengatasi adanya multikol dapat dilakukan dengan cara: (1) menghilangkan variabel independent, (2) transformasi variabel, (3) penambahan data. Berikut ini dilakukan cara mengatasi multikol dengan transformasi data, yaitu penambahan log. Dari hasil tersebut, semua koefisien telah signifikan.

Dari tampilan diatas terlihat bahwa antara variabel X , X , X , X , dan

D.3. Heteroskedasitas Heteroskedasitas merupakan keadaan dimana varians dari setiap gangguan tidak konstan. Uji heteroskedasitas dapat dilakukan dengan menggunakan White Heteroskedasticity yang tersedia dalam program Eviews. Hasil yang peril diperhatikan dari Uji ini adalah nilai F dan Obs*R-Squared. Jika nilai Obs*R-Squared lebih kecil dari X 2 tabel maka tidak terjadi heteroskedastisitas, dan sebaliknya

(lokasi file Excel berada misalnya di d:Eviews/data/data1.xls:het2)

Untuk mendeteksi adanya masalah hetero dapat dilihat pada residual dari hasil estimasi. Jika residual bergerak konstan

Untuk mendeteksi adanya masalah hetero dapat dilihat pada residual dari hasil estimasi. Jika residual bergerak konstan artinya tidak ada hetero dan jika membentuk suatu pola tertentu maka mengindikasikan adanya hetero.

Dependent Variable: PROFIT Method: Least Squares

Date: 08/26/07 Sample: 1 18

Time: 22:40

Included observations: 18

 

Variable

Coefficien

Std. Error

t-Statistic

Prob.

t

RD

0.369500

0.305947

1.207726

0.2459

SALES

0.068854

0.014112

4.879106

0.0002

C

791.5363

1214.194

0.651903

0.5243

R-squared

0.810248

Mean dependent

8102.45

 

var

0

Adjusted R-squared 0.784947

S.D. dependent var

7281.31

 

5

S.E. of regression

3376.620

Akaike info criterion

19.2381

 

5

Sum squared resid

1.71E+08

Schwarz criterion

19.3865

 

5

Log likelihood

-

F-statistic

32.0252

170.1433

1

Durbin-Watson stat 2.853771

Prob(F-statistic) 0.00000

 

4

Untuk mendeteksi adanya masalah hetero dapat dilihat pada residual dari hasil estimasi. Jika residual bergerak konstan

Dengan melihat hasil tersebut, dapat diduga terjadi hetero pada hasil estimasi. Dimana residualnya membentuk suatu pola atau tidak konstan.

Untuk membuktikan dugaan tersebut perlu dilakukan Uji White Hetero. Lakukan prosedur berikut: Dari hasil Estimasi Klik View – Residual test – White Hetero (no cross) - OK

Dengan melihat hasil tersebut, dapat diduga terjadi hetero pada hasil estimasi. Dimana residualnya membentuk suatu pola

White Heteroskedasticity Test:

F-statistic

8.281590

Probability

0.001508

Obs*R-squared

12.92698

Probability

0.011638

Dengan melihat hasil Obs*R-Squared sebesar 12,92698 > 9,48773 (nilai kritis Chi square (X 2 ) pada α = 5%), maka dapat disimpulkan bahwa pada estimasi tersebut terjadi hetero. Cara lain yaitu dengan melihat nilai probabilitas dari nilai chi squares. Pada hasil diatas nilai probabilitasnya sebesar 0,011638 artinya terjadi hetero pada tingkat α = 1%. Semakin besar nilai probabilitasnya berarti semakin tidak terjadi hetero.

D.4. Autokorelasi

Autokorelasi menunjukkan adanya hubungan antar gangguan. Metode yang digunakan dalam mendeteksi ada tidaknya masalah autokorelasi adalah Metode Bruesch-Godfrey yang lebih dkenal dengan LM-Test. Metode ini didasarkan pada nilai F dan Obs*R-Squared. Dimana jika nilai probabilitas dari Obs*R-Squared melebihi tingkat kepercayaan maka Ho diterima, berarti tidak ada masalah autokorelasi.

(lokasi file Excel berada misalnya di d:Eviews/data/data1.xls:auto2)

Dengan melihat hasil tersebut, dapat diduga terjadi hetero pada hasil estimasi. Dimana residualnya membentuk suatu pola

Dapat dilihat dari hasil estimasi sepertinya tidak terjadi per masalahan yang melanggar asumsi klasik. Dimana terlihat bahwa nilai t-statistik signifikan., R2 bagus, dan Uji F juga signifikan. Namun dalam hasil tersebut

terdapat DW stat yang relatif kecil. Nilai DW yang kecil tersebut merupakan salah satu indikator adanya masalah autokorelasi. Untuk membuktikan adanya masalah autokorelasi dalam model dapat kita lakukan dengan melakukan uji LM. Lakukan prosedur berikut: Dari hasil estimasi – Klik View – Residual test – Serial Correlation LM test - OK

terdapat DW stat yang relatif kecil. Nilai DW yang kecil tersebut merupakan salah satu indikator adanya

Breusch-Godfrey Serial Correlation LM Test:

F-statistic

13.24422

Probabili

0.000060

 

ty

Obs*R-squared

17.36554

Probabili

0.000169

 

ty

Dari hasil test diatas dapat disimpulkan bahwa dalam hasil estimasi tersebut terjadi masalah autokorelasi. Hal ini dapat dilihat dari nilai probabilitas kurang dari tingkat keyakinan (α = 1%) maka Ho ditolak yang berarti dalam model terdapat autokorelasi.

AUTOREGRESSIVE INTEGRATED MOVING AVERAGE

1. Pengantar

(ARIMA)

ARIMA merupakan suatu teknik yang mengabaikan independent variable dalam melakukan peramalan. Model ini hanya menggunakan nilai- nilai sekarang dan masa lalu dari dependent variable untuk melakukan peramalan jangka pendek. Metode ini disebut juga dengan metode Box- Jenkins.

2. Petunjuk Operasional dalam Eviews a. Uji Stasioneritas Data

Uji stasioneritas data digunakan untuk melihat apakah data mengandung akar unit atau tidak. Data time series dikatakan stasioner jika data tersebut tidak mengandung akar-akar unit (unit root) dengan kata mean, variance, dan covariant konstan sepanjang waktu. Pengujian akar-akar unit root dilakukan dengan metode Augmented Dickey Fuller(ADF), yaitu dengan membandingkan nilai ADF statistik dengan Mackinnon critical value 1%, 5%, dan 10%. Data dikatakan stasioner jika nilai ADF statistik lebih besar dari Mackinnon critical value 1%, 5%, dan 10% serta nilai probabilitasnya signifikan dibawah 10%. Jika ADF statistik lebih kecil dari Mackinnon critical value 1%, 5%, dan 10% serta nilai probabilitasnya diatas 10% (tidak signifikan) maka data dikatakan tidak stasioner. Lakukan prosedur berikut :

Klik Workfile – Klik variabel yang akan di uji – View - Unit root test (lokasi file Excel berada di d:Eviews/data/data2 ARIMA.xls)

Uji stasioneritas data digunakan untuk melihat apakah data mengandung akar unit atau tidak. Data time series

Lakukan pengujian pada tingkat Level dengan asumsi trend dan intercept -OK

Uji stasioneritas data digunakan untuk melihat apakah data mengandung akar unit atau tidak. Data time series

Augmented Dickey-Fuller Test Equation Dependent Variable: D(GDP) Method: Least Squares

Date: 10/22/07

Time: 20:59

Sample(adjusted): 1970:3 1991:4 Included observations: 86 after adjusting endpoints

Variable

Coefficien

Std. Error

t-Statistic

Prob.

t

GDP(-1)

-

0.035508 -2.215287 0.0295

 

0.078661

D(GDP(-1)) 0.355794 0.102691 3.464708 0.0008

C

234.9729

98.58764

2.383391

0.0195

@TREND(1970:1) 1.892199 0.879168 2.152260 0.0343

R-squared

0.152615

Mean dependent

23.3453

 

var

5

Adjusted R-squared 0.121613

S.D. dependent var

35.9379

 

4

S.E. of regression

33.68187

Akaike info criterion

9.91719

 

1

Sum squared resid

93026.38

Schwarz criterion

10.0313

 

5

Log likelihood

-

F-statistic

4.92276

422.4392

2

Durbin-Watson stat 2.085875

Prob(F-statistic) 0.00340

 

6

Dari hasil pengujian dapat dilihat nilai ADF statistik sebesar 2,215287 lebih kecil dari dengan probabilitas diatas 10%, yaitu 0,4749. Berarti data masih mengandung akar unit, dengan kata lain data tidak stasioner pada tingkat level. Lakukan kembali pengujian unit root pada tingkat first difference.

Klik View Unit root test – Pilih first difference - Intercept – OK

GDP(-1) - 0.035508 -2.215287 0.0295 0.078661 D(GDP(-1)) 0.355794 0.102691 3.464708 0.0008 C 234.9729 98.58764 2.383391 0.0195

Null Hypothesis: D(GDP) has a unit root Exogenous: Constant, Linear Trend

Lag Length: 0 (Automatic based on SIC, MAXLAG=4)

 

t-Statistic

Prob.*

Augmented Dickey-Fuller test statistic

-6.588446

0.0000

Test critical values:

1% level

-4.068290

5% level

-3.462912

10% level

-3.157836

*MacKinnon (1996) one-sided p-values.

 

Augmented Dickey-Fuller Test Equation Dependent Variable: D(GDP,2) Method: Least Squares

Date: 10/22/07

Time: 21:00

Sample(adjusted): 1970:3 1991:4 Included observations: 86 after adjusting endpoints

 

Variable

Coefficien

Std. Error

t-Statistic

Prob.

 

t

D(GDP(-1))

-

  • 0.103584 0.0000

-6.588446

 

0.682459

C

17.25493

  • 7.965990 0.0332

2.166074

@TREND(1970:1)

-

  • 0.149731 0.8508

-0.188649

 

0.028246

R-squared

0.343833

Mean dependent

0.20697

 

var

7

Adjusted R-squared 0.328022

S.D. dependent var

42.0444

 

1

S.E. of regression

34.46559

Akaike info criterion

9.95206

 

1

Sum squared resid

98593.78

Schwarz criterion

10.0376

 

8

Log likelihood

-

F-statistic

21.7461

 

424.9386

3

Durbin-Watson stat 2.035932

Prob(F-statistic) 0.00000

 

0

Dari pengujian yang kedua didapat bahwa nilai ADF statistik lebih besar dari critical value dan probabilitasnya signifikan pada tingkat keyakinan 1%. Hal ini berarti data telah stasioner pada first difference. Secara tidak langsung ordo integrasi telah ditemukan, yaitu d = 1. Berikutnya adalah penentuan ordo suku AR dan MA.

b. Penentuan Ordo AR – MA

Lakukan pengujian correlogram, dengan hasil derajat integrasi yang diperoleh dari uji unit root dan biarkan Eviews menentukan panjang lag maksimumnya.

Lakukan prosedur berikut ini:

Klik View – Correlogram – First Difference - OK

Cara melihat stasioner atau tidaknya model bisa di lihat dari nilai AC dan PAC dibandingkan dengan
Cara melihat stasioner atau tidaknya model bisa di lihat dari nilai AC dan PAC dibandingkan dengan

Cara melihat stasioner atau tidaknya model bisa di lihat dari nilai AC dan PAC dibandingkan

dengan + 1.96 ( dengan +1.96( ) =
dengan + 1.96 (
dengan
+1.96(
) =

), atau sama

+ 1.96 (0.1066)= -0.208 sd +

0.208

Jadi kalau AC dan PAC ada diantara -0.208 sd + 0.208 maka datanya stasioner namun jika diluar angka -0.208 sd + 0.208 maka tidak stasioner

Tampak pada lag(1) AC dan PAC

Dari grafik diatas terlihat bahwa terjadi pelanggaran garis batang AC pada lag 1, 8, dan 12, maka kita memiliki kandidat MA (1). Dari grafik batang PAC, terlihat kalau pelanggaran garis batas juga terjadi pada lag 1, maka diperoleh juga kandidat AR (1). 3 kandidat model yang akan digunakan adalah bentuk

ARIMA (1,1,1); ARIMA (1,1,0) atau ARI (1) dan ARIMA (0,1,1) atau IMA (1). Selanjutnya adalah penentuan model terbaik.

c. Penentuan Model Terbaik. Untuk model ARIMA (1,1,1) : Klik Quick – Estimate equation – Ketik:

d(gdp) c AR(1) MA(1) – OK Jangan lupa untuk memberi nama persamaan tersebut, Klik Name – Arima – OK

ARIMA (1,1,1); ARIMA (1,1,0) atau ARI (1) dan ARIMA (0,1,1) atau IMA (1). Selanjutnya adalah penentuan

Variable

Coefficien

Std. Error

t-Statistic

Prob.

 

t

C

23.50643

5.942537 3.955622 0.0002

AR(1)

0.499690 0.275101 1.816384 0.0729

MA(1)

-

0.312614 -0.644572 0.5210

 

0.201502

R-squared

0.105750

Mean dependent

23.3453

 

var

5

Adjusted R-squared 0.084202

S.D. dependent var

35.9379

 

4

S.E. of regression

34.39166

Akaike info criterion

9.94776

 

6

Sum squared resid

98171.24

Schwarz criterion

10.0333

 

8

Log likelihood

-

F-statistic

4.90760

 

424.7539

6

Durbin-Watson stat 1.994227

Prob(F-statistic) 0.00967

 

3

Inverted AR Roots

.50

Inverted MA Roots

.20

Hasil regresi pada model ARIMA (1,1,1) menunjukkan bahwa probabilitas MA(1) tidak signifikan, yaitu sebesar 0,5210, maka model ini dinyatakan gugur. Selanjutnya kita akan melihat model yang kedua yaitu model ARI(1)

Klik Quick – Estimate equation – ketik: d(gdp) c AR(1) – OK. Kemudian namai persamaan tersebut, misal ARI. Begitu pula untuk model yang ketiga yaitu, IMA (1), kembali Klik Quick – Estimate equation – ketik: d(gdp) c MA(1) - OK

Variable Coefficien Std. Error t-Statistic Prob. t C 23.44152 5.412216 4.331223 0.0000 AR(1) 0.317238 0.102975 3.080716

Variable

Coefficien

Std. Error

t-Statistic

Prob.

t

C

23.44152

5.412216

4.331223

0.0000

AR(1)

0.317238

0.102975

3.080716

0.0028

R-squared

0.101516

Mean dependent

23.3453

 

var

5

Adjusted R-squared 0.090820

S.D. dependent var

35.9379

 

4

S.E. of regression

34.26717

Akaike info criterion

9.92923

 

4

Sum squared resid

98636.06

Schwarz criterion

9.98631

 

1

Log likelihood

-

F-statistic

9.49080

424.9570

9

Durbin-Watson stat 2.034425

Prob(F-statistic) 0.00279

 

1

Inverted AR Roots

.32

Variable

Coefficien

Std. Error

t-Statistic

Prob.

t

C

22.79699

4.666313

4.885441

0.0000

MA(1)

0.258497

0.104584

2.471667

0.0154

R-squared

0.080866

Mean dependent

22.9333

 

var

3

Adjusted R-squared 0.070053

S.D. dependent var

35.9344

 

8

S.E. of regression

34.65297

Akaike info criterion

9.95136

 

4

Sum squared resid

102070.4

Schwarz criterion

10.0080

 

5

Log likelihood

-

F-statistic

7.47836

430.8843

7

Durbin-Watson stat 1.911508

Prob(F-statistic) 0.00759

 

8

Inverted MA Roots

-.26

Model ARI(1) dan IMA(1), memiliki nilai probabilitas yang signifikan, hal ini

didukung pula oleh nilai IRM< 1. Maka pemilihan modeol terbaik akan dilanjutkan dengan pengujian autokorelasi. Lakukan uji correlogram Q stat, Klik View – residual test – correlogram Q statistic - OK

Correlogram AR Correlogram MA Ternyata kedua model berhasil menyelesikan permasalahan autokorelasi masing-masing, terlihat dari nilai Q-stat

Correlogram AR

Correlogram MA

Ternyata kedua model berhasil menyelesikan permasalahan autokorelasi masing-masing, terlihat dari nilai Q-stat yang tidak signifikan di setiap lag. Maka langkah terakhir pemilihan model akan bergantung pada nilai SC yang lebih kecil. ARI (1) memiliki nilai SC sebesar 9.986, sementara IMA (1) sebesar 10.00805, maka model ARI(1)- lah yang terbaik.

 

Model

Adjusted R-

AIC

SC

square

IMA (1)

0.070053

  • 9.951364 10.00805

 

ARI (1)

0.09082

  • 9.929234 9.986311

 

ARIMA (1,1,1)

0.084202

  • 9.947766 10.03338

 

d. Peramalan

 

Dengan menggunakan model ARI(1), kita lakukan pengecekan kelayakan model bagi peramalan. Dalam hal ini data yang digunakan adalah data asli,

yaitu GDP, karena data ini yang akan diramal. Klik Forecast – pilih GDP - OK

Terlihat bahwa nilai bias proportion sebesar 0.053880 (dibawah 0.2), sementara covariance proportion 0.856076 (hampir mendekati 1),

Terlihat bahwa nilai bias proportion sebesar 0.053880 (dibawah 0.2), sementara covariance proportion 0.856076 (hampir mendekati 1), maka

model ini dapat meramal nilai GDP kedepan. Bila mengasumsi model sudah benar, maka langkah selanjutnya adalah memperpanjang range data. Pada menu utama :

Klik Procs – Change workfile range (ubah End date menjadi 1992:1) – OK

Ubah juga sample data : Procs – sample – ketik tahun yang akan
Ubah juga
sample data
:
Procs
– sample
ketik
tahun
yang akan

diforcast

Kembali ke estimasi : Procs - Make model – Solve – OK

Ubah juga sample data : Procs – sample – ketik tahun yang akan diforcast Kembali ke
Ubah juga sample data : Procs – sample – ketik tahun yang akan diforcast Kembali ke
Ubah juga sample data : Procs – sample – ketik tahun yang akan diforcast Kembali ke

Jangan lupa diganti tahun estimasi yang diinginkan Contoh :

1970:1 1992:1

Langkah berikutnya anda buka ar1

Langkah berikutnya anda klik menu solve Sehingga akan terbentuk konsumsi 1992:1 variabel forecast gdpf dengan tambahan

Langkah berikutnya anda klik menu solve

Langkah berikutnya anda klik menu solve Sehingga akan terbentuk konsumsi 1992:1 variabel forecast gdpf dengan tambahan

Sehingga akan terbentuk konsumsi 1992:1

variabel forecast gdpf dengan tambahan nilai

1991:2

4865.329

1991:3

4888.771

1991:4

4912.212

1992:1

4935.654

ARCH/GARCH

1. Pengantar

Data time series, terutama seperti data indeks saham, tingkat bunga, nilai tukar, dan inflasi, sering kali bervolatilitas. Implikasi data yang bervolatilitas adalah variance dari error tidak constant. Dengan kata lain mengalami heteroskedatisitas. Implikasi dari adanya heteroskedatisitas terhadap estimasi OLS tetap tidak bias, tetapi standart error dan interval keyakinan menjadi terlalu sempit sehingga dapat memberikan sense of precision yang salah. Untuk menjawab pertanyaan-pertanyaan mengenai volatilitas, peralatan standar yang digunakan adalah model Autoregressive Conditional Heteroskedasticity Model (ARCH)/ Generalized Autoregressive Conditional Heteroskedasticity Model (GARCH). Model ini menganggap variance yang tidak constant (heteroskedatisitas) bukan suatu masalah, tetapi justru dapat digunakan untuk modeling dan peramalan.

(lokasi file Excel berada di d:Eviews/data/data3 ARCH.xls)

(lokasi file Excel berada di d:Eviews/data/data3 ARCH.xls)

(lokasi file Excel berada di d:Eviews/data/data3 ARCH.xls)
(lokasi file Excel berada di d:Eviews/data/data3 ARCH.xls)
(lokasi file Excel berada di d:Eviews/data/data3 ARCH.xls)
ARCH Test: F-statistic 6235215. Probabilit 0.000000 y Obs*R-squared 635.9353 Probabilit 0.000000 y Tampak hasil pengujian dengan

ARCH Test:

F-statistic

6235215.

Probabilit

0.000000

 

y

Obs*R-squared

635.9353

Probabilit

0.000000

 

y

Tampak hasil pengujian dengan menggunakan ARCH LM Test menunjukkan hasil yang signifikan, oleh karena itu secara statistik kita menolak H nul (Ho) yang berarti varian residual tidak konstan atau dengan kata lain model yang digunakan mengandung unsur ARCH.

Model Estimasi ARCH

Untuk mengestimasi model ARCH dapat dilakukan dengan cara :

quick/estimate equation

ARCH Test: F-statistic 6235215. Probabilit 0.000000 y Obs*R-squared 635.9353 Probabilit 0.000000 y Tampak hasil pengujian dengan

Kemudian pilih metode estimasinya dengan menggunakan ARCH, lalu klik metode tersebut sehingga aka muncul tampilan sebagai berikut :

Pada tampilan ini kalau menghendaki model ARCH saja maka isi dengan (0) pada ARCH specification order

Pada tampilan ini kalau menghendaki model

ARCH saja maka isi dengan (0) pada ARCH specification order

Pada tampilan ini kalau menghendaki model ARCH saja maka isi dengan (0) pada ARCH specification order

Sehingga akan menghasilan model estimasi sebagai berikut :

Dependent Variable: CPI Method: ML - ARCH (Marquardt)

Date: 10/25/07

Time: 12:29

Sample(adjusted): 2 637 Included observations: 636 after adjusting endpoints Convergence achieved after 14 iterations

Variance backcast: ON

Coefficien

Std. Error

z-Statistic

Prob.

t

  • C 24.37509

66.22193

2.716787

0.0066

AR(1)

0.981749

0.004680

209.7636

0.0000

Variance Equation

 
  • C 52.58769 10.16186 0.0000

534.3886

ARCH(1)

-

67.88467

11.90989 -5.699856 0.0000

R-squared

0.999511

Mean dependent

70.6462

var

3

Adjusted R-squared 0.999508

S.D. dependent var

48.2501

 

9

S.E. of regression

1.069711

Akaike info criterion

7.95114

 

7

Sum squared resid

723.1859

Schwarz criterion

7.97916

 

7

Log likelihood

-

F-statistic

430432.

2524.465

6

Durbin-Watson stat 0.029878

Prob(F-statistic) 0.00000

 

0

Inverted AR Roots

.98

Tampak ARCH menunjukkan hasil yang signifikan berarti kesalahan prediksi (residual) CPI dipengaruhi oleh residual kuadrat periode sebelumnya ARCH(1). Namun dengan memasukkan unsur persamaan ARCH ini, apakah kemudian model terbebas dari unsur ARCH? Lakukan pengujian dengan klik

View/Residual Test/ARCH LM Test

ARCH Test: F-statistic 0.091028 Probability 0.76297 4 Obs*R-squared 0.091302 Probability 0.76252 8 Test Equation: Dependent Variable:

ARCH Test:

F-statistic

0.091028

Probability

0.76297

 

4

Obs*R-squared

0.091302

Probability

0.76252

 

8

Test Equation:

Dependent Variable: STD_RESID^2 Method: Least Squares

 

Date: 10/25/07

Time: 12:37

Sample(adjusted): 3 637 Included observations: 635 after adjusting endpoints

 

Variable

Coefficien

Std. Error

t-Statistic

Prob.

t

C

0.008176

0.004775

1.712304

0.0873

STD_RESID^2(-1)

0.011991

0.039745

0.301708

0.7630

R-squared

0.000144

Mean dependent

0.00827

 

var

5

Adjusted R-squared

-

S.D. dependent var

0.11995

0.001436

6

S.E. of regression

0.120042

Akaike info criterion

-

 

1.39879

9

Sum squared resid

9.121638

Schwarz criterion

-

 

1.38477

2

Log likelihood

446.1188

F-statistic

0.09102

 

8

Durbin-Watson stat 2.000168

Prob(F-statistic)

0.76297

 

4

Tampak hasil perhitungan menunjukkan nilai prob sebesar 0.762528 (lebih besar dari 0.05), dengan demikian pada lag (1) secara statistik tidak signifikan sehingga kita menerima hipotesis nul (Ho) yang berarti varian residual konstan atau dengan kata lain model yang digunakan sudah tidak mengandung unsur ARCH.

Model Estimasi GARCH

Untuk mengestimasi model GARCH dapat dilakukan dengan cara :

quick/estimate equation

Kemudian pilih metode estimasinya dengan menggunakan GARCH, lalu klik metode tersebut sehingga aka muncul tampilan sebagai

Kemudian pilih metode estimasinya dengan menggunakan GARCH, lalu klik metode tersebut sehingga aka muncul tampilan sebagai berikut :

Kemudian pilih metode estimasinya dengan menggunakan GARCH, lalu klik metode tersebut sehingga aka muncul tampilan sebagai

Pada tampilan ini kalau

menghendaki model

GARCH saja maka isi dengan (1) pada GARCH specification order

Sehingga akan menghasilan model estimasi sebagai berikut :

Dependent Variable: CPI Method: ML - ARCH (Marquardt)

Date: 10/25/07

Time: 12:48

Sample(adjusted): 2 637 Included observations: 636 after adjusting endpoints Failure to improve Likelihood after 26 iterations

Variance backcast: ON

 

Coefficien

Std. Error

z-Statistic

Prob.

t

C

98.39845

11.72393

8.392958

0.0000

AR(1)

1.172699

0.024129

48.60187

0.0000

 

Variance Equation

 

C

1102.365

160.9089

6.850866

0.0000

ARCH(1)

-

1.669584

-2.803013

0.0051

4.679865

GARCH(1)

-

0.051387

-18.87462

0.0000

0.969905

R-squared

0.960115

Mean dependent

70.6462

 

var

3

Adjusted R-squared 0.959862

S.D. dependent var

48.2501

 

9

S.E. of regression

9.666630

Akaike info criterion

8.00914

 

9

Sum squared resid

58963.00

Schwarz criterion

8.04417

 

4

Log likelihood

-

F-statistic

3797.38

 

2541.909

7

Durbin-Watson stat 0.000473

Prob(F-statistic)

0.00000

 

0

Inverted AR Roots

1.17

Estimated AR process is nonstationary

 

Tampak GARCH menunjukkan hasil yang signifikan berarti varian kesalahan prediksi (residual) CPI dipengaruhi oleh varian residual periode sebelumnya GARCH(1). Nilai ARCH juga menunjukkan hasil yang signifikan berarti varian kesalahan prediksi (residual) CPI dipengaruhi oleh varian residual kuadrat periode sebelumnya GARCH(1)

Namun dengan memasukkan unsur persamaan GARCH ini, apakah kemudian model terbebas dari unsur ARCH? Lakukan pengujian dengan klik View/Residual Test/ARCH LM Test

2541.909 7 Durbin-Watson stat 0.000473 Prob(F-statistic) 0.00000 0 Inverted AR Roots 1.17 Estimated AR process is
 

ARCH Test:

F-statistic

405.6918

Probability

0.00000

 

0

Obs*R-squared

248.0180

Probability

0.00000

 

0

Test Equation:

Dependent Variable: STD_RESID^2 Method: Least Squares

 

Date: 10/25/07

Time: 12:53

Sample(adjusted): 3 637 Included observations: 635 after adjusting endpoints

 

Variable

Coefficien

Std. Error

t-Statistic

Prob.

t

C

0.160692

0.018725

8.581812

0.0000

STD_RESID^2(-1)

0.618926

0.030728

20.14179

0.0000

R-squared

0.390580

Mean dependent

0.42540

 

var

4

Adjusted R-squared 0.389617

S.D. dependent var

0.43019

 

3

S.E. of regression

0.336097

Akaike info criterion

0.66031

 

1

Sum squared resid

71.50446

Schwarz criterion

0.67433

 

8

Log likelihood

-

F-statistic

405.691

207.6488

8

Durbin-Watson stat 3.192647

Prob(F-statistic)

0.00000

0

Tampak hasil perhitungan menunjukkan nilai prob sebesar 0.000 (lebih kecil dari 0.05), dengan demikian pada lag (1) secara statistik signifikan sehingga kita menolak hipotesis nul (Ho) yang berarti varian residual tidak konstan atau dengan kata lain model yang digunakan sudah masih mengandung unsur ARCH.

ERROR CORRECTION MODEL (ECM)

1. Pengantar

Kointegrasi dapat diartikan sebagai suatu hubungan jangka panjang (long term relationship/ekuilibrium) antara variabel-variabel yang tidak stasioner. Keberadaan hubungan kointegrasi memberikan peluang bagi data- data yang secara individual tidak stasioner untuk menghasilkan sebuah kombinasi linier diantara mereka sehingga tercipta kondisi yang stasioner. Secara sederhana, dua variabel disebut terkointegrasi jika hubungan kedua variabel tersebut dalam jangka panjang akan mendekati atau mencapai

kondisi equilibriumnya. Error Correction Model (ECM) merupakan model yang digunakan untuk mengoreksi persamaan regresi antara variabel-variabel yang secara individual tidak stasioner agar kembali ke nilai equilibriumnya di jangka panjang, dengan syarat utama berupa keberadaan hubungan kointegrasi diantara variabel-variabel penyusunnya. Ada banyak cara untuk melakukan uji kointegrasi, namun dalam modul ini hanya memaparkan Engle- Granger Cointegration Test.

2. Petunjuk Operasional Dalam Eviews. a. Uji Stasioneritas Data

Pada kasus ini, uji stasioneritas juga dilakukan pada setiap variabel. Dengan cara yang sama seperti pada modul sebelumnya, maka didapat bahwa hasil sebagai berikut:

(lokasi file Excel berada di d:Eviews/data/data4 ECM.xls)

Null Hypothesis: D(PDI) has a unit root

 

t-Statistic

Prob.*

Augmented Dickey-Fuller test statistic

-9.592898

0.0000

Test critical values:

1% level

-4.068290

5% level

-3.462912

10% level

-3.157836

Null Hypothesis: D(PCE) has a unit root

 

t-Statistic

Prob.*

Augmented Dickey-Fuller test statistic

-7.567202

0.0000

Test critical values:

1% level

-4.068290

5% level

-3.462912

10% level

-3.157836

*MacKinnon (1996) one-sided p-values.

Dimana kedua variabel stasioner pada tingkat first difference. Selanjutnya, kedua variabel diregresi sehingga dihasilkan bentuk output Eviews sebagai berikut:

Dimana kedua variabel stasioner pada tingkat first difference . Selanjutnya, kedua variabel diregresi sehingga dihasilkan bentuk

Dependent Variable: PCE Method: Least Squares

Date: 08/24/07

Time: 17:18

Sample: 1970:1 1991:4

 

Included observations: 88

Variable

Coefficien

Std. Error

t-Statistic

Prob.

t

PDI

0.967250 0.008069 119.8712 0.0000

 

C

-

22.91725 -7.480880 0.0000

171.4412

R-squared

0.994051

Mean dependent

2537.04

 
 

var

 

2

Adjusted R-squared 0.993981

S.D. dependent var

463.113

 
 

4

S.E. of regression

35.92827

Akaike info criterion

10.0233

 
 

9

Sum squared resid

111012.3

Schwarz criterion

10.0796

 
 

9

Log likelihood

-

F-statistic

14369.1

 

439.0292

0

Durbin-Watson stat 0.531629

Prob(F-statistic) 0.00000

 
 

0

Hasil estimasi ini dapat ditulis ulang menjadi :

 

PCE t = -171.4412 + 0.967250 PDI t + u t

Residual dari persamaan regresi antara stasioneritasnya dengan unit root test.

variabel

PCE

dan

PDI

diuji

Null Hypothesis: RESID01 has a unit root Exogenous: None Lag Length: 0 (Automatic based on SIC,
Null Hypothesis: RESID01 has a unit root Exogenous: None Lag Length: 0 (Automatic based on SIC,

Null Hypothesis: RESID01 has a unit root Exogenous: None Lag Length: 0 (Automatic based on SIC, MAXLAG=11)

 

t-Statistic

Prob.*

Augmented Dickey-Fuller test statistic

-3.779071

0.0002

Test critical values:

1% level

-2.591813

5% level

-1.944574

10% level

-1.614315

*MacKinnon (1996) one-sided p-values.

 

Augmented Dickey-Fuller Test Equation Dependent Variable: D(RESID01) Method: Least Squares

Date: 10/25/07

Time: 13:20

Sample(adjusted): 1970:2 1991:4 Included observations: 87 after adjusting endpoints

 

Variable

Coefficien

Std. Error

t-Statistic

Prob.

 

t

RESID01(-1)

-

0.072852

-3.779071

0.0003

 

0.275312

R-squared

0.142205

Mean dependent

-

 

var

0.40587

 

7

Adjusted R-squared 0.142205

S.D. dependent var

26.1931

S.E. of regression

24.25937

Sum squared resid

50612.48

Log likelihood

-

Akaike info criterion

9.22691

1

Schwarz criterion

9.25525

5

Durbin-Watson stat

2.27751

2

 

400.3706

∆û t = -0275132u t -1 Hasil uji unit root dari residual (u) kita bandingkan dengan nilai

=

0 +

1 T -1 +

2 T -2

Bentuk persamaan regresi ECM adalah sebagai berikut:

 

∆PCE t = α 0 + α 1 ∆PDI + α 2 u t-1 +

t

Dependent Variable: D(PCE) Method: Least Squares

Variable

 

Coefficien

Std. Error

t-Statistic

Prob.

 

t

C

11.69183

2.195675 5.324936 0.0000

D(PDI)

 

0.290602 0.069660 4.171715 0.0001

RESID01(-1)

-

0.054180 -1.600311 0.1133

 

0.086706

R-squared

0.171727

Mean dependent

16.9034

 

5

Adjusted R-squared 0.152006

var S.D. dependent var

18.2902

1

S.E. of regression

16.84283

Akaike info criterion

8.51960

 

1

Sum squared resid

23829.19

Schwarz criterion

8.60463

 

2

Log likelihood

 

-

F-statistic

 

8.70791

 

367.6026

8

Durbin-Watson stat 1.923381

Prob(F-statistic) 0.00036

 

6

Hasil unit root test dapat ditulis dalam bentuk persamaan sebagai berikut:

Jika nilai t-statistik > dari nilai , maka residual tersebut (u) terkointegrasi.

Berdasarkan perhitungan nilai r = -2.899, sehingga karena nilai t-statistik lebih besar dari nilai (-3.779071) maka residualnya teritegrasi

Hasil regresi Eviews akan menghasilkan output pada tabel dibawah ini:

Hasil regresi ECM dapat dituliskan menjadi:

∆PĈE t = 11.69183 + 0.2906 ∆PDI t – 0.0867 û t-1

Dari persamaan diatas dapat dikatakan bahwa dalam jangka pendek PDI mempunyai hubungan positif dengan PCE. Dapat dikatakan bahwa MPC dalam jangka pendek sebesar 0.2906. Sedangkan MPC dalam jangka panjang sebesar 0.967250 (didapat dari regresi awal).

Tabel Respon Surface For Critical Value Cointegration Test

n

Model

Size(%)

Obs.

1

2

1

No constant

   
  • 1 -2,5658

    • 600 -1,960

 

-10,04

No trend

  • 5 -1,9393

    • 600 -0,398

0,0

10

  • 560 -1,6156

-0,181

0,0

1

Constant

  • 1 -3,4335

    • 600 -5,999

-29,25

No trend

  • 5 -2,8621

    • 600 -2,738

-8,36

10

  • 600 -2,5671

-1,438

-4,48

1

Constant

  • 1 -3,9638

    • 600 -8,353

-47,44

With trend

  • 5 -3,4126

    • 600 -4,039

-17,83

10

  • 600 -3,1279

-2,418

-7,58

2

Constant

  • 1 -3,9001

    • 600 -10,534

-30,03

No trend

  • 5 -3,3377

    • 600 -5,967

-8,98

10

  • 600 -3,0462

-4,069

-5,73

2

Constant

  • 1 -4,3266

    • 600 -15,531

-34,03

With trend

  • 5 -3,7809

    • 560 -9,421

-15,06

10

  • 600 -3,4959

-7,203

-4,01

3

Constant

  • 1 -4,2981

    • 560 -13,790

-46,37

No trend

  • 5 -3,7429

    • 560 -8,352

-13,41

10

  • 600 -3,4518

-6,241

-4,85

3

Constant

  • 1 -4,6676

    • 600 -18,492

-59,20

With trend

  • 5 -4,1193

    • 600 -12,024

-21,57

10

  • 600 -3,8344

-9,188

-5,19

4

Constant

  • 1 -4,6493

    • 560 -17,188

-59,20

No trend

  • 5 -4,1000

    • 560 -10,745

-21,57

10

  • 600 -3,8110

-8,317

-5,19

4

Constant

  • 1 -4,9695

    • 600 -22,504

-50,22

With trend

  • 5 -4,4294

    • 560 -14,501

-19,54

10

  • 560 -4,1474

-11,165

-9,88

5

Constant

  • 1 -4,9587

    • 520 -22,140

-37,29

No trend

  • 5 -4,4185

    • 560 -13,641

-21,16

   

10

 
  • 600 -4,1327

-10,638

-5,48

  • 5 Constant

  • 1 -5,2497

    • 600 -26,606

-49,56

With trend

  • 5 -4,7154

    • 600 -17,432

-16,50

10

  • 600 -4,4245

-13,654

-5,77

  • 6 Constant

  • 1 -5,2400

    • 480 -26,278

-41,65

No trend

  • 5 -4,7048

    • 480 -17,120

-11,17

10

  • 480 -4,4242

-13,347

0,0

  • 6 Constant

  • 1 -5,5127

    • 480 -30,735

-52,50

With trend

  • 5 -4,9161

    • 480 -20,883

-9,05

10

  • 480 -4,6999

-16,445

0,0

VECTOR AUTOREGRESSIONS (VAR)

1. Pengantar Metode Vector Autoregression (VAR) pertama kali dikembangkan oleh Christoper Sims (1980). Kerangka analisis yang praktis dalam model ini akan memberikan informasi yang sistematis dan mampu menaksir dengan baik informasi dalam persamaan yang dibentuk dari data time series. Selain itu perangkat estimasi dalam model VAR mudah digunakan dan diintepretasikan. Perangkat estimasi yang akan digunakan dalam model VAR ini adalah fungsi impulse respon dan variance decompotition.

Ada beberapa keuntungan dari VAR (Gujarati, 1995:387) yaitu :

  • 1. VAR mampu melihat lebih banyak variabel dalam menganalisis fenomena ekonomi jangka pendek dan jangka panjang.

  • 2. VAR mampu mengkaji konsistensi model empirik dengan teori ekonometrika.

  • 3. VAR mampu mencari pemecahan terhadap persoalan variabel runtun waktu yang tidak stasioner ( non stasionary ) dan regresi lancung ( spurious regresion ) atau korelasi lancung ( spurious correlation ) dalam analisis ekonometrika.

Metode

yang

ditekankan

(Gujarati, 2003:853) :

  • 1. Kemudahan

pada penerapan model VAR adalah

dalam

penggunaan,

tidak

perlu

mengkhawatirkan tentang penentuan variabel endogen dan variabel eksogen. Semua variabel dianggap sebagai variabel endogen.

  • 2. Kemudahan dalam estimasi, metode Ordinary Least Square (OLS) dapat diaplikasikan pada tiap persamaan secara terpisah.

  • 3. Forecast atau peramalan yang dihasilkan pada beberapa kasus ditemukan lebih baik daripada yang dihasilkan oleh model persamaan simultan yang kompleks.

  • 4. Impulse Respon Function (IRF). IRF melacak respon saat ini dan masa depan setiap variabel akibat perubahan atau shock suatu variabel tertentu.

5.

Variance Decompotition, memberikan informasi

mengenai kontribusi (persentase) varians setiap variabel terhadap perubahan suatu variabel tertentu. Di sisi lain, terdapat beberapa kritik terhadap model VAR menyangkut permasalahan berikut (Gujarati, 2003:853) :

  • 1. Model VAR merupakan model yang atheoritic atau tidak berdasarkan teori, hal ini tidak seperti pada persamaan simultan. Pada persamaan simultan, pemilihan variabel yang akan dimasukkan dalam persamaan memegang peranan penting dalam mengidentifikasi model.

  • 2. model

Pada

VAR

penekanannya

terletak

pada

forecasting

atau

peramalan

sehingga

model

ini

kurang

cocok

digunakan

dalam

menganalisis kebijakan.

  • 3. Permasalahan yang besar dalam model VAR adalah pada pemilihan lag length atau panjang lag yang tepat. Karena semakin panjang lag, maka akan menambah jumlah parameter yang akan bermasalah pada degrees of freedom.

  • 4. Variabel yang tergabung pada model VAR harus stasioner. Apabila tidak stasioner, perlu dilakukan transformasi bentuk data, misalnya melalui first difference.

  • 5. Sering ditemui kesulitan dalam menginterpretasi tiap koefisien pada

estimasi model VAR, sehingga sebagian besar peneliti melakukan interpretasi pada estimasi fungsi impulse respon dan variance decompotition. Ada beberapa hal yang penting dalam melakukan estimasi menggunakan model VECM (Harris,1995: 76) yaitu :

  • 1. Data yang digunakan harus stasioner

  • 2. Identifikasi bentuk model

  • 3. Penentuan lag length optimal

2. Prosedur dalam Eviews a. Uji Stasioneritas Data Salah satu prosedur yang harus dilakukan dalam estimasi model ekonomi dengan data time series adalah dengan menguji stasioneritas pada data atau disebut juga stationary stochastic process. Data time series dikatakan stasioner jika data tersebut tidak mengandung akar-akar unit (unit root) dengan kata mean, variance, dan covariant konstan sepanjang waktu. Pengujian akar-akar unit root dilakukan dengan metode Augmented Dickey Fuller ( ADF), yaitu dengan membandingkan nilai ADF statistik dengan Mackinnon critical value 1%, 5%, dan 10%. Lakukan prosedur berikut :

Workfile – Klik variabel yang akan di uji – View - Unit root test

(lokasi file Excel berada di d:Eviews/data/data5 VAR.xls)

Kemudian akan muncul tampilan seperti dibawah ini : Kita akan menguji data pada tingkat level I(0).

Kemudian akan muncul tampilan seperti dibawah ini :

Kemudian akan muncul tampilan seperti dibawah ini : Kita akan menguji data pada tingkat level I(0).

Kita akan menguji data pada tingkat level I(0). Jika nilai ADF statistik lebih besar dari Mackinnon critical value, maka data tidak mengandung unit root sehingga data dikatakan stasioner. Demikian pula sebaliknya, jika nilai ADF statistik lebih kecil dari t-statistik pada Mackinnon critical value berarti terdapat unit root sehingga data dikatakan tidak stasioner.

Null Hypothesis: M1 has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=9)

 

t-Statistic

Prob.*

Augmented Dickey-Fuller test statistic

-0.931216

0.9419

Test critical values:

1% level

-4.211868

5% level

-3.529758

10% level

-3.196411

*MacKinnon (1996) one-sided p-values.

Dari hasil pengujian ternyata variabel M1 pada tingkat level tidak stasioner. Hal ini dapat dilihat pada nilai ADF test statistic yang lebih kecil dari test critical values-nya, baik 1%, 5%, dan 10%. Selain itu juga terlihat nilai probabilitas yang lebih besar dari α = 10%. Jika dari hasil uji stasioneritas berdasarkan uji ADF diperoleh data seluruh variabel belum stasioner pada level, maka untuk memperoleh data yang stasioner dapat dilakukan dengan

cara differencing data, yaitu dengan mengurangi data tersebut dengan data periode sebelumnya, sehingga akan diperoleh data dalam bentuk first difference. Setelah data dirubah kedalam bentuk first difference maka diperoleh hasil sebagai berikut:

Null Hypothesis: D(M1) has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic based on SIC, MAXLAG=9)

 

t-Statistic

Prob.*

Augmented Dickey-Fuller test statistic

-5.065505

0.0011

Test critical values:

1% level

-4.219126

5% level

-3.533083

10% level

-3.198312

*MacKinnon (1996) one-sided p-values.

 

Null Hypothesis: D(R) has a unit root Exogenous: Constant, Linear Trend Lag Length: 1 (Automatic based on SIC, MAXLAG=9)

 
 

t-Statistic

Prob.*

Augmented Dickey-Fuller test statistic

-4.478920

0.0053

Test critical values:

1% level

-4.226815

5% level

-3.536601

10% level

-3.200320

*MacKinnon (1996) one-sided p-values.

Baik pada variabel M1 dan R data telah stasioner pada tingkat first difference. Dapat dilihat bahwa nilai ADF test statistic kedua variabel lebih besar dari nilai test critical values-nya dan nilai probabilitas keduanya signifikan pada α = 1%. Sehingga kedua variabel tersebut telah stasioner.

b. Penetuan Lag Optimal

Penentuan jumlah lag dalam model VAR ditentukan pada kriteria informasi yang direkomendasikan oleh Final Prediction Error (FPE), Aike Information Criterion (AIC), Schwarz Criterion (SC), dan Hannan-Quinn (HQ). Tanda bintang menunjukkan lag optimal yang direkomendasikan oleh kriteria diatas. Lakukan prosedur berikut:

Tandai seluruh variabel – Klik kanan – Open – as VAR – OK

cara differencing data, yaitu dengan mengurangi data tersebut dengan data periode sebelumnya, sehingga akan diperoleh data
Dari VAR Estimation - Pilih View – Lag Structure - Lag Length Criteria VAR Lag Order

Dari VAR Estimation - Pilih View – Lag Structure - Lag Length Criteria

Dari VAR Estimation - Pilih View – Lag Structure - Lag Length Criteria VAR Lag Order

VAR Lag Order Selection Criteria

Endogenous variables: M1 R Exogenous variables: C

Date: 08/23/07

Time: 07:32

 

Sample: 1979:1 1988:4 Included observations: 37

 

Lag

LogL

LR

FPE

AIC

SC

HQ

  • 0 -449.4532

NA

1.36E+08

24.40288

24.48995

24.43357

  • 1 -350.3133

182.2030

794237.8

19.26018

19.52141

19.35227

  • 2 -341.5657

15.13099*

616075.2*

19.00355*

19.43893*

19.15704*

  • 3 -339.9341

2.645821

704361.8

19.13157

19.74111

19.34646

* indicates lag order selected by the criterion

Dari hasil diatas terlihat bahwa semua tanda bintang berada pada lag 2. Hal ini menunjukkan bahwa lag optimal terletak pada lag 2.

c. Uji Kausalitas Granger Uji Kausalitas Granger digunakan untuk melihat arah hubungan suatu variabel dengan variabel yang lain. Bagaimana pengaruh x terhadap y dengan melihat apakah nilai sekarang dari y bisa dijelaskan dengan nilai historis y serta melihat apakah penambahan lag x bisa meningkatkan kemampuan menjelaskan model. Adapun persamaan Granger-Causality adalah:

 

n

Y

t

=

j =

1

 

n

X

t

=

 

j =

1

1

j

Y

t j

1

j

Y

t j

n + j = 1 n + j = 1
n
+
j = 1
n
+
j = 1

2

j

X

t j

+

u

1

t

2

j

X

t

j

+

u

2

t

Dalam penelitian ini, ada beberapa kasus yang dapat diintepretasikan dari persamaan Granger Causality diatas (Gujarati,2003:696-697) :

  • 1. Unidirectional causality dari Y ke X, artinya kausalitas satu arah dari Y ke X terjadi jika koefisien lag Y pada persamaan Y t adalah secara statistik signifikan berbeda dengan nol, koefisien lag X pada persamaan Xt sama dengan nol,

  • 2. Unindirectional causality dari X ke Y, artinya kausalitas satu arah dari X ke Y terjadi jika koefisien lag X pada persamaan X t adalah secara statistik signifikan berbeda dengan nol dan koefisien lag Y pada persamaan Y t secara statistik signifikan sama dengan nol.

  • 3. Feedback/bilaterall causality, artinya kausalitas timbal balik yang terjadi jika koefisien lag Y dan lag X adalah secara statistik signifikan berbeda dengan nol pada kedua persamaan Y t dan X t di atas.

  • 4. Independence, artinya tidak saling ketergantungan yang terjadi jika koefisien lag Y dan lag X adalah secara statistik sama dengan nol pada masing-masing persamaan Y t dan X t diatas.

Sedangkan hipotesis statistik untuk pengujian kausalitas dengan menggunakan pendekatan Granger adalah :

t H : = 0 o it i = 1 t H 1 : π 0
t
H
:
= 0
o
it
i
=
1
t
H 1 :
π 0
it
i
=
1

artinya suatu variabel tidak mempengaruhi variabel lain

artinya suatu variabel mempengaruhi variabel lainnya.

Lakukan prosedur berikut:

Tandai semua variabel – Klik kanan, pilih Open – as Group Setelah workfile semua variabel muncul pilih: View – Granger Causality

Pairwise Granger Causality Tests Lags: 2 Null Hypothesis: Obs F-Statistic Probability R does not Granger Cause

Pairwise Granger Causality Tests Lags: 2

Null Hypothesis:

Obs

F-Statistic

Probability

R does not Granger Cause M1

38

12.9266

7.1E-05

M1 does not Granger Cause R

3.22343

0.05263

Dari hasil pengujiann Granger disebutkan bahwa Ho menyatakan R tidak mempengaruhi M1 dan M1 tidak mempengaruhi R. Dengan melihat nilai probabilitas sebesar 7.1E-05 maka Ho ditolak, berarti R mempengaruhi M1. Selanjutnya untuk pernyataan yang kedua, dengan probabilitas 0.05263 dan pada α = 1% maka Ho ditolak. Sehingga M1 mempengaruhi R. Dari pengujian Granger diatas dapat disimpulkan bahwa kedua variabel mempunyai hubungan 2 arah atau saling mempengaruhi.

d. Estimasi VAR

Pada kasus ini persamaan VAR dapat ditulis sebagai berikut:

1

  • M

t

=

R

t

=

+

n n + M 1 + j t j j = 1 j = 1 n
n
n
+
M 1
+
j
t
j
j =
1
j
=
1
n
n
M 1
+
j
t
j
j
j =
1
j
=
1

j

R

t j

+

u

1 t

R

t

j

+

u

2 t

Dari Workfile, tandai semua variabel – Klik kanan – Open – as VAR – pilih Unrestricted VAR – OK.

Pairwise Granger Causality Tests Lags: 2 Null Hypothesis: Obs F-Statistic Probability R does not Granger Cause

Vector Autoregression Estimates Standard errors in ( ) & t-statistics in [ ]

 

D(M1)

D(R)

D(M1(-1))

0.169618 0.001629 (0.17182) (0.00056)

[ 0.98719]

[ 2.90445]

D(M1(-2))

0.257899 -0.000413

(0.16435)

(0.00054)

[ 1.56921]

[-0.76871]