Anda di halaman 1dari 14

PENGANTAR APLIKASI EKONOMETRI DENGAN EVIEWS

by: Poltak “ Polsky”Harahap

Eviews merupakan software statistik yang berbasis windows. Eviews digunakan peneliti

sebagai alat JUSTIFIKASI terhadap penelitian yang dilakukan. Eviews dapat digunakan

dalam berbagai analisis ekonomi dan bisnis. Seoarang peneliti dapat menggunakan

Eviews untuk menganalisis data, mengevaluasi model, analisis finansial, peramalan

kondisi ekonomi makro/mikro, simulasi, peramalan penjualan/pembelian, pengukuran

efektivitas kebijakan, dll. Keunggulan dari software eviews adalah eviews mampu

mengolah data ekonomi secara terpisah dan bersama-sama semua bentuk data seperti

runtut waktu (time series), lintas sektoral (cross section), dan panel (pooling).

1. Menjalankan program EVIEWS

Gambar 1

Menjalankan eviews sama dengan software lain dalam computer. Caranya klik icon

eviews dua kali pada desktop, maka akan muncul tampilan eviews seperti gambar diatas.

Menu utama (main menu) dari eviews yakni; File, Edit Objects, Views, Procs, Ouick,
Option, Window dan Help. space kosong dibawah main menu adalah tempat yang

digunakan untuk menulis perintah (command eviews) secara manual.

2. Menciptakan kertas kerja (workfile)

Sebelum menciptakan kertas kerja, konsep dasar yang perlu diketahui adalah memahami

jenis data dalam statistika. Pada eviews ada berbagai jenis data yang bisa dipilih yakni;

• Annual (A) : jenis data dalam bentuk tahunan


• Quarterly(Q) : jenis data dalam bentuk kuartalan
• Monthly (M) : jenis data dalam bulanan
• Weekly (W) : jenis data dalam mingguan
• Undated (U) : jenis data dalam bentuk lintas sektoral (cross section)
Dalam menciptakan kertas kerja ada dua cara yang bisa kita lakukan yakni metode

manual manual dan metode klik-klik. Prakteknya sebagai berikut;

 Metode ketik

Cara: ketik Workfile → nama kertas kerja → jenis data → range data → ok

 Metode klik – klik


Cara: klik file → new → Workfile → pilih jenis data dan tulis range data → ok

3. Memasukan data

Memasukan data bisa menggunakan dua metode yakni metode manual dan metode klik-

klik. Proses kerjanya sebagai berikut;

 Metode ketik

Cara: buat kertas kerja (seperti langkah 2) → ketik read(t=xls, b2) e:\table1_1.xls 2 → ok
Ket: t = xls, data yang dibaca dalam bentuk tabel microsoft excel

b2 = kolom pertama kali data tertera di dalam microsoft excel

e:\table1_1.xls = membaca lokasi data yang ingin dibaca

2 = jumlah variabel dalam data.

INGOT : setelah menulis command, program excel tempat data di save harus di closed!!!!!!!!

 Metode klik-klik

Cara: buat kertas kerja (seperti langkah 2) → klik Quick → empty group (edit series)
→ muncul kertas kerja → copy data excel dikertas kerja → paste data dikertas kerja
4. Melakukan regresi sederhana

 Metode manual

Cara: ketik equation regresi_1.ls y c x → ok


Ket: ls = metode pengujian dalam asumsi klasik. Biasa disebut sebagai metode OLS

(Ordinary Least Squares) atau metode kuadrat terkecil

y c x = cara eviews membaca bentuk persamaan

 Metode klik-klik

Cara: klik Quick → Estimate Equation → ketik persamaan (y c x) → ok → klik name


(nama regresi yang dibuat)
 CARCEP ( Cara CEPAT bro.....!!!!!)

Cara: buka workfile (klik window pada main menu) → tekan ctrl pada keyboard → klik
variabel yang mau diestimasi ( klik y dan klik x) → klik kanan mouse → open → ase
equation → muncul workfile → pindahkan variabel constanta ke depan variabel y →
ok
REGRESI BERGANDA
Regresi berganda adalah model regresi yang terdiri dari lebih dari satu
variabel independen. Bentuk umum regresi berganda dapat ditulis
sebagai berikut:
Yt = β0 + β1 Χ1t + β2 Χ2t + β3 Χ3t + ... + βk Χkt + ε t

APLIKASI EVIEWS
Aplikasi metode gergersi berganda ini mengunakan data dari buku
Gujarati edisi 4th chapter 7 topik Multiple Regression Anlaysis. Data
yang diambil dari tabel 7.9 tentang permintaan ayam di USA. Range
data mulai tahun 1960 – 1982.
Yt = β0 + β1 Χ1t + β2 Χ2 t + β3 Χ3t + β4 Χ4t + β5 Χ5t + ε t

Ket:
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, Cents
X5 = Real Retail Price of Beef Per Pound, Cents
X6 = Composite Real Price of Chicken Substitutes Per Pound, Cents
1. Transfer Data
• membuat kertas kerja (Workfile)
ketik workfile → ketik range dan jenis data → OK
• transfer data dari excel ke eviews
Copy data dari excel ( semua variabel kecuali periode) →
Quick → Empty Group

2. Melakukan Regresi
tekan ctrl pada keyboard → klik variabel dependen pertama
kali lalu diikuti variabel independen lainnya → klik kanan →
open → as equation → ok
Hasil regresi sebagai berikut:
Dependent Variable: Y
Method: Least Squares
Date: 12/10/07 Time: 23:09
Sample: 1960 1982
Included observations: 23
Variable Coefficient Std. Error t-Statistic Prob.
C 38.59691 4.214488 9.158150 0.0000
X2 0.004889 0.004962 0.985370 0.3383
X3 -0.651888 0.174400 -3.737889 0.0016
X4 0.243242 0.089544 2.716443 0.0147
X5 0.104318 0.070644 1.476674 0.1580
X6 -0.071110 0.098381 -0.722805 0.4796
R-squared 0.944292 Mean dependent var 39.66957
Adjusted R-squared 0.927908 S.D. dependent var 7.372950
S.E. of regression 1.979635 Akaike info criterion 4.423160
Sum squared resid 66.62224 Schwarz criterion 4.719376
Log likelihood -44.86635 F-statistic 57.63303
Durbin-Watson stat 1.100559 Prob(F-statistic) 0.000000

3. Uji statistika
Uji t
Uji t menjelaskan seberapa besar signifikansi variabel independen (x)
mampu menjelaskan variabel y (dependen). Hipotesa uji t adalah;
H0 diterima, bila nilai t_statistic < t_tabel (1%, 5%, 10%). Artinya
variabel independen tidak signifikan menjelaskan variabel
dependen
Ha diterima, bila nilai t_statistic > t_tabel (1%, 5%, 10%) . Artinya
variabel independen signifikan menjelaskan variabel
dependen.
Cara melihat nilai t_tabel:
Pr = probabilitas, pada tabel uji_t terletak pada bagian atas
menunjukan hipotesi pada satu atau dua sisi.
df = jumlah variabel independen ditambah konstanta
Hipotesis uji_t
Hipotesis positif pada satu:
H0 : β1 ≤ 0
Ha : β1 > 0
Hipotesis negatif pada satu:
H0 : β1 ≥ 0
Ha : β1 < 0
Hipotesi dua sisi
H0 : β1 = 0
Ha : β1 ≠ 0
Menampilkan persamaan regresi
View → Representation → OK
Y = C(1) + C(2)*X2 + C(3)*X3 + C(4)*X4 + C(5)*X5 + C(6)*X6

Y = 38.59690942 + 0.004889344622*X2 - 0.6518875293*X3 + 0.2432418207*X4 +


(9.1581) (0.98537) (-3.737) (2.716)
0.1043176111*X5 - 0.07111034011*X6
(1.476) (-0.722)

Bandingkan nilai t_statistik dengan nilai t_tabel


VARIABE t_statistik t_tabel Keterangan
L (df=6, α=5%)
Constan 9.158 1.943 (satu t_statistik > t_tabel,
ta sisi) signifikan
2.447 (dua
sisi)
X2 0.9853 1.943 (satu t_statistik < t_tabel, tidak
sisi) signifikan
2.447 (dua
sisi)
X3 -3.737 1.943 (satu t_statistik < t_tabel,
sisi) signifikan
2.447 (dua
sisi)
X4 2.716 1.943 (satu t_statistik > t_tabel,
sisi) signifikan
2.447 (dua
sisi)
X5 1.476 1.943 (satu t_statistik < t_tabel, tidak
sisi) signifikan
2.447 (dua
sisi)
X6 -0.722 1.943 (satu t_statistik < t_tabel,
sisi) tidak signifikan
2.447 (dua
sisi)

Uji F
Uji F digunakan untuk menjelaskan seberapa besar keseluruhan

variabel independen mampu menjelaskan variabel dependen. Hipotesa

uji F adalah;

H0 diterima, bila nilai F_statistic < F_tabel atau (1%, 5%, 10%). Artinya

seluruh variabel independen tidak signifikan menjelaskan

variabel dependen

Ha diterima, bila nilai F_statistic > F_tabel (1%, 5%, 10%) . Artinya

seluruh variabel independen signifikan menjelaskan variabel

dependen.

Cara menghitung F_tabel


R 2 /( k −1)
F=
(1 − R 2 ) /( n − k )

ket: (k – 1) = numerator
(n – k) = denominator
k = jumalah variabel independen ditambah konstanta
n = jumlah observasi
0.94 /( 6 −1)
F=
(1 − 0.94 ) /( 23 − 6)

0.94 / 5
F=
0.06 / 17
0.188
F=
0.00352
F = 53,40
Cara melihat F_tabel
F (numerator(k – 1), denominator(n – k), α=5%) = 2.81
Bandingkan nilai F_tabel dengan F_hitung
Nilai F_hitung > nilai F_tabel, berarti Ha diterima yang artinya semua
variabel independen mampu menjelaskan variabel dependen.

Uji adjusted R2
uji adjusted R2 dimaksudkan untuk mengukur seberapa besar proporsi
model dmampu menjelaskan variabel dependen.
hasil perhitungan eviews menunjukan nilai adjusted R2 = 0.9279,
artinya permintaan ayam ke USA mampu dijelaskan model sebesar
92,79% sedangkan sisanya sebesar 7,21% dijelaskan variabel lain di
luar model.

4. Uji Normalitas
Penerapan metode OLS untuk regresi linear klasik memilik asumsi
bahwa distribusi dari variabel penggangu ( εt ) mempunyai nilai rata-
rata yang diharapkan sama dengan nol, tidak berkorelasi dan
mempunyai varian yang konstan. Uji yang digunakan untuk
mengetahui noramal atau tidaknya variabel penggangu ( εt ) adalah
Jarque Bera Test. Pedoman dari J_B test adalah:
 Bila nilai JB hitung > nilai χ2-tabel, maka hipotesis
yang menyatakan bahwa residual, ut adalah berdistribusi normal
ditolak.
 Bila nilai JB hitung < nilai χ2-tabel, maka hipotesis
yang menyatakan bahwa residual, ut adalah berdistribusi normal
tidak dapat ditolak.
Aplikasi dalam eviews:
view → residual test → Histogram – normality Test → OK
10
Series: Residuals
Sample 1960 1982
8 Observations 23

Mean -1.15E-14
6 Median 0.098389
Maximum 3.133900
Minimum -3.632498
4 Std. Dev. 1.740196
Skewness -0.075973
Kurtosis 2.153137
2
Jarque-Bera 0.709421
Probability 0.701377
0
-4 -3 -2 -1 0 1 2 3 4
Dari tabel diatas ditemukan bahwa nilai Jarque Berra sebesar
0.709421. sedangkan nilai χ2_tabel (α = 5%, df=5) = 11.07. Karena nilai
J_B test < nilai χ2-tabel , maka dapat disimpulkan bahwa residual dari
model permintaan ayam USA berdistribusi normal.

5. Uji Linearitas
uji linearitas sangat penting dilakukan karena uji ini untuk memeriksa
kembali apakah spesifikasi model yang digunakan sudah benar atau
tidak. uji yang digunakan untuk melihat linearitas adalah uji Ramsey
Reset Test. adapun hipotesa uji ini adalah:
H0 diterima bila nilai F_hitung < F_tabel , artinya spesifikasi model yang
digunakan dalam bentuk linear.
Ha diterima, bila nilai F_hitung > F_tabel , artinya spesifikasi model yang
digunakan dalam bentuk non linear.
aplikasi dalam eviews:
view → Stability Test → Ramsey Reset Test → number of
fitted terms:2 → OK
Ramsey RESET Test:
F-statistic 22.26999 Probability 0.000032
Log likelihood ratio 31.70775 Probability 0.000000
Test Equation:
Dependent Variable: Y
Method: Least Squares
Date: 02/28/08 Time: 08:31
Sample: 1960 1982
Included observations: 23
Variable Coefficient Std. Error t-Statistic Prob.
C 245.5496 100.7320 2.437654 0.0277
X2 0.055015 0.020105 2.736407 0.0153
X3 -6.307119 2.622131 -2.405342 0.0295
X4 2.325378 0.977217 2.379591 0.0310
X5 1.105911 0.442868 2.497157 0.0246
X6 -0.790239 0.296259 -2.667395 0.0176
FITTED^2 -0.187502 0.097781 -1.917570 0.0744
FITTED^3 0.001191 0.000752 1.582972 0.1343
R-squared 0.985966 Mean dependent var 39.66957
Adjusted R-squared 0.979416 S.D. dependent var 7.372950
S.E. of regression 1.057804 Akaike info criterion 3.218476
Sum squared resid 16.78425 Schwarz criterion 3.613430
Log likelihood -29.01247 F-statistic 150.5422
Durbin-Watson stat 1.653524 Prob(F-statistic) 0.000000

nilai F_tabel { numerator (k -1), denominator (n – k), α = 5%) = (7, 15,


α = 5%) adalah 2.71 dan nilai F_hitung adalah 22.26 karena nilai F_hitung >
F_tabel berarti Ha diterima, artinya dugaan sementara spesifikasi model
yang digunakan belum benar dalam bentuk linear.

Seorang peneliti yang cerdik dan teliti tidak langsung memutuskan


bahwa model yang dibentuk salah. akan tetapi peneliti tersebut harus
mencari solusi terhadap masalah yang muncul. Akhirnya peneliti ini
menemukan solusi untuk menyelesaikan masalah ini dengan
melakukan proses smoothing data. caranya adalah dengan
melogaritmakan semua variabel.
Cara di Eviews: klik procs → klik generate series → mis ketik
lnY=log(Y) → lakukan langkah serupa untuk semua variabel
→ lalu variabel yang sudah dalam bentuk logaritma
diregresikan.
Hasil estimasinya sebagai berikut:
Ramsey RESET Test:
F-statistic 2.550666 Probability 0.111301
Log likelihood ratio 6.732924 Probability 0.034512

Test Equation:
Dependent Variabel: LNY
Method: Least Squares
Date: 02/28/08 Time: 08:14
Sample: 1960 1982
Included observations: 23
Variabel Coefficient Std. Error t-Statistic Prob.
C 31.81236 44.78067 0.710404 0.4884
LNX2 9.517659 12.90866 0.737308 0.4723
LNX3 -16.03462 21.86352 -0.733396 0.4746
LNX4 9.951008 13.57678 0.732943 0.4749
LNX5 9.510382 12.69428 0.749187 0.4653
LNX6 -12.55564 16.88211 -0.743724 0.4685
FITTED^2 -6.670779 10.09300 -0.660931 0.5187
FITTED^3 0.553698 0.910014 0.608450 0.5520
R-squared 0.990736 Mean dependent var 3.663887
Adjusted R-squared 0.986413 S.D. dependent var 0.187659
S.E. of regression 0.021874 Akaike info criterion -4.538789
Sum squared resid 0.007177 Schwarz criterion -4.143835
Log likelihood 60.19608 F-statistic 229.1659
Durbin-Watson stat 2.092574 Prob(F-statistic) 0.000000
nilai F_tabel { numerator (k -1), denominator (n – k), α = 5%) = (7, 15,
α = 5%) adalah 2.71. nilai F_hitung adalah 2.55. karena nilai F_hitung < F_tabel
berarti H0diterima, artinya spesifikasi model yang digunakan sudah
benar dalam bentuk linear.

REFRENSI BOOK: Read Gujarati 4th edition chapter 7 “Multiple


Regression Analysis”
Material for the next meeting : The Asumption of the Classical
Model, chapter 10 in Gujarati 4th edition

………..MAOLIATE DAN MATUR NUWUN


NJEH……..