Anda di halaman 1dari 20

Jenis data dalam program E-Views :

Jenis Data Keterangan Cara Menuliskan


Annual Pada Start date : 2005
Data tahunan
Pada End date : 2015
Semi-Annual Data semester 2005:1, 2009:2
Quarterly Data kuartalan (tiga bulanan) 2005:1, 2005:4
Monthly Data bulanan 2005:01, 2005:12
Weekly Data mingguan 1/1/2001, 8/31/2001
Daily - 5 days week Data harian, hanya Senin hingga Jumat 1/1/2001, 12/31/2001
Daily - 7 days week Data harian, dari senin sampai Minggu 1/1/2001, 12/31/2001
Integer Data Tidak beraturan atau data cross section 1, dan banyaknya data

Operasi hitungan dalam program E-Views:

Hitungan E-Views Operasi Hitungan


a+b a+b a ditambah b
a–b a–b a dikurangi b
axb axb a dikali b
a÷b a÷b a dibagi b
b
a a^b a pangkat b
√a a^0.5 akar a bisa dihitung dengan a pangkat 0.5
a=b a=b a sama dengan b
a>b a>b a lebih besar daripada b
a<b a<b a lebih kecil daripada b
a>b a>b a lebih besar atau sama dengan b
a<b a<b a lebih kecil atau sama dengan b
a dan b a and b apabila nilai a dan b bukan nilai 0, akan menghasilkan 1, bila tidak, menghasilkan angka 0
a atau b a or b apabila nilai a dan b salah satunya tidak bernilai 0, akan menghasilkan 1, bila tidak,
menghasilkan angka 0

Modul Ekonometrika dengan program E-Views By: Andhika S. Page 1


Fungsi dalam program E-Views :

Fungsi Kegunaan
Lx =LOG(x), untuk menghitung log x
Ex =EXP(x), untuk menghitung eksponensial x
Ax =ABS(x), untuk menghitung nilai absolute x
SQx =SQR(x), untuk menghitung akar x
RND, NRND Untuk menghasilkan bilangan random, bisa uniform atau normal
Rx =@INV(x), kebalikan atau resiprokal dari x
Dx =D(x), untuk menghitung selisih antara x(t)-x(t-1)
Dnx =D(x,n), untuk menghitung selisih dengan lag ke-n
Lx =x(-1), nilai lag 1 dari variabel x
@SUM(x) Menjumlahkan x
@MEAN(x) Menghitung rata-rata x
@VAR(x) Menghitung varians x
@COV(x,Y) Kovarian antara x dan y
@COR(x,y) Korelasi antara x dan y
@DNORM(x) Fungsi densitas normal baku x
@CNORM(x) Nilai CDF Standard Normal Density x
@R, @RBAR(x) Nilai R2 dan Adjusted R2
@SE, @SSR Standard error regression, sum of squared residual
@DW, @F Durbin-Watson dan F-Statistic
@LOGL Nilai log-likelihood function

Modul Ekonometrika dengan program E-Views By: Andhika S. Page 2


Tiga kelompok data dalam ekonometrika :

Data Time Series : terdiri dari satu objek tapi memiliki beberapa
periode waktu. Misal data PDB.
Analisis yang dilakukan didasarkan nilai masa lalu dan pengaruhnya
terhadap variabel tersebut.
Dipengaruhi oleh urutan data
Sangat bergantung kepada lag atau diferensi atau difference.

Data Cross Section : terdiri beberapa objek (misalnya beberapa


Ekonometrika perusahaan/Negara) pada suatu waktu, dan memiliki beberapa
variabel. Analisis Regresi dan Korelasi yang sering digunakan

Data Panel (Pooled Data) : merupakan gabungan antara data time


series dengan cross section. Misal:
Memiliki empat objek (perusahaan 1, 2, 3, dan 4)
Masing-masing perusahaan memiliki tiga variabel
Masing-masing objek memiliki empat periode data
(Januari - April)
Deskriptif Statistik

Mean : Rata-rata, diperoleh dengan menjumlahkan seluruh data dan membaginya dengan cacah data.
Median : Nilai tengah (atau rata-rata dua nilai tengah bila datanya genap) bila datanya diurutkan dari yang
terkecil hingga yang terbesar. Median merupakan ukuran tengah yang tidak mudah terpengaruh oleh
outlier, terutama bila dibandingkan dengan mean.
Max dan Min : Nilai yang paling besar atau paling kecil dari data.
Std.Dev. : Ukuran dispersi atau penyebaran data.

dimana N = banyaknya observasi


Ῡ = mean dari data
Skewness : Ukuran asimetri distribusi data di sekitar mean.

dimana = estimator deviasi standar yang dihitung melalui rumus


=
Kurtosis : Mengukur ketinggian suatu distribusi.

dimana = estimator bias terhadap varians. Kurtosis suatu data berdistribusi normal adalah 3.
Jarque-Bera : Uji statistik untuk mengetahui apakah data berdistribusi normal.

Modul Ekonometrika dengan program E-Views By: Andhika S. Page 3


Asumsi Model Regresi OLS
1. Hubungan antara Yi, X1i dan X2i bersifat linier.
2. X1i dan X2i bersifat tetap pada setiap observasi (nilai tidak berubah-ubah).
3. Nilai x harus bervariasi.
4. Nilai ei yang diharapkan (expected value) adalah nol, nilai yang diharapkan hanya
dipengaruhi oleh variabel independen.
5. Varian variabel pengganggu ei adalah sama atau bersifat homoskedastis.
6. Tidak ada korelasi serial antarresidual (tidak ada hubungan antara ei dan ej).
7. Tidak ada hubungan antara ei dengan xi.
8. Variabel pengganggu ei berdistribusi normal.
9. Tidak ada multikolinearitas sempurna antarvariabel independen.
10. Jumlah observasi n harus lebih besar daripada jumlah parameter yang diestimasi (variabel
independen).

Modul Ekonometrika dengan program E-Views By: Andhika S. Page 4


Permasalahan Dalam Analisis Regresi Linear

Pengujian Asumsi Klasik

Multikolinearitas Autokorelasi Heteroskedastisitas

Indikasi Terjadi Permasalahan

R2 Tinggi
Variabel X tidak signifikan

Cara Mengatasinya

Biarkan saja model Dengan metode lain Dengan metode lain untuk
mengandung untuk mendeteksi mendeteksi
multikolinearitas. autokorelasi seperti heteroskedastisitas seperti:
Tambahkan data bila Uji Breusch-Godfrey Uji Park
memungkinkan. atau nama lainnya Uji White
Hilangkan salah satu adalah Lagrange Uji Korelasi Spearman
variabel independen, Multiplier. Uji Goldfeld-Quandt
terutama yang Sortcase data. Uji Breusch-Pagan-Godfrey
memiliki hubungan Metode Grafik
linear yang kuat Metode WLS (Weighted Least
dengan variabel lain. Square)
Transformasikan Metode Transformasi
salah satu variabel,
atau melakukan
diferensiasi.

Modul Ekonometrika dengan program E-Views By: Andhika S. Page 5


Model Probabilitas Linier (LPM)
Digunakan untuk menganalisis variabel dependen yang
bersifat kategorik dan nonkategorik.
minus (-) :
Tidak terdistribusi normal, namun tidak menjadi masalah
jika data yang digunakan banyak.
Varian residual bersifat heteroskedastis gunakan WLS
Nilai prediksi Yi tidak selalu terletak di antara 0 dan 1
Nilai koefisien determinasi tidak lagi mampu menjelaskan
kesesuaian garis regresi dengan datanya.
Sehingga muncul analisis model baru yakni logit dan probit.

Model Logit (logistic)


Digunakan untuk menganalisis variabel dependen dengan
kemungkinan di antara 0 dan 1.
Model logit dapat diterapkan dalam 2 (dua) kondisi yang
berbeda.
Data individual (level mikro).
Data kelompok atau replikasi.

Regresi Data Kategorik Model Probit (probability unit)


dikenal juga dengan normit (normal equivalent deviate)
Model probit juga dapat diterapkan dalam 2 (dua) kondisi
yang berbeda.
Data individual (level mikro).
Data kelompok atau replikasi.

Model Tobit (limited dependent variable)


Variabel dependennya terbatas sehingga disebut model
sensor atau censored model.
Tidak seperti data cross section yang dapat dianalisis
dengan OLS. Persamaan tobit harus dianalisis
menggunakan prosedur yang diajukan oleh James Heckman
berikut ini:
Estimasi probabilitas Y=1 dengan model probit.
Estimasi model dengan menambah sebuah variabel (yang
disebut inverse Mills ratio atau hazard rate) yang diturunkan
dari estimasi dengan model probit.
Menghasilkan estimasi yang konsisten namun lebih efisien
jika menggunakan model maximum likelihood.

Modul Ekonometrika dengan program E-Views By: Andhika S. Page 6


Analisis data runtut waktu (time series analysis)

Model Asumsi
Data periode sekarang dipengaruhi oleh data pada
Autoregressive (AR)
periode sebelumnya.
Data periode sekarang dipengaruhi oleh nilai
Moving Average (MA)
residual data pada periode sebelumnya.
Data periode sekarang dipengaruhi oleh data
Autoregressive Moving Average (ARMA) pada periode sebelumnya dan juga oleh nilai
residual data periode sebelumnya.
Mirip dengan ARMA, kecuali data harus didiferen
Autoregressive Integrated Moving Average (ARIMA) dulu. Diferen inilah yang membedakan ARMA
dengan ARIMA.

Menurut Gujarati (2003) ada lima pendekatan dalam peramalan ekonomi berbasis data runtut
waktu (time series):
1. Exponential smoothing method.
2. Single-equation regression method.
3. Simultaneous-equation regression model.
4. Autoregressive integrated moving average (ARIMA) model.
5. Vector autoregression.

Langkah Pengujian AR(1)

AR Uji Stationeritas Uji Akar Unit


ViewCorrelogram…Ok ViewUnit Root Test..Ok

Quick  Estimation Equation…(least squares)


Example. Ihsg c ma(1) and then Ok.

c memiliki nilai t-statistik yang tidak signifikan


koefisien AR (t-statistik signifikan)

View residual tests Correlogram - Q-stat Klik Ok


(untuk mengetahui apakah residual bersifat random atau tidak)

Random jika grafik batang, semuanya berada di dalam garis Barlett.

Estimasi:

Dari tampilan hasil analisis klik Forecast


Checklist Do graph (grafik) dan Forecast evaluation (mengevaluasi kesalahan estimasi)
Ok.

Modul Ekonometrika dengan program E-Views By: Andhika S. Page 7


Langkah Pengujian MA(1)

MA Uji Stationeritas Uji Akar Unit


ViewCorrelogram…Ok ViewUnit Root Test..Ok

Moving
Moving Average
Average (MA)
(MA)
Memperkirakan
Memperkirakan nilai
nilai Yt
Yt dengan
dengan
Quick  Estimation Equation…(least squares)
menggunakan
menggunakan nilai
nilai YY pada
pada periode
periode Example. Ihsg c ma(1) and then Ok.
sebelum-sebelumnya,
sebelum-sebelumnya, jugajuga dapat
dapat
memperkirakan
memperkirakan nilai
nilai Yt
Yt dengan
dengan
menggunakan
menggunakan nilai
nilai residualnya.
residualnya. c memiliki nilai t-statistik signifikan
koefisien MA (t-statistik signifikan)

View residual tests Correlogram - Q-stat Klik Ok


(untuk mengetahui apakah residual bersifat random atau tidak)

Random
Random jika
jika grafik
grafik batang,
batang, semuanya
semuanya berada
berada di
di dalam
dalam garis Barlett.
garis Barlett

Random = White Noise

Tidak
Tidak Random
Random
Batang-batang
Batang-batang pada grafik autokorelasi yang menurun dengan perlahan
Batang
Batang keluar dari garis Barlett pada grafik autokorelasi parsial
Nilai
Nilai probabilitas
probabilitas yang
yang semuanya
semuanya sangat
sangat kecil
kecil atau
atau mendekati
mendekati nol
nol

Sehingga
Sehingga model
model MA(1)
MA(1) tidak
tidak begitu
begitu cocok
cocok untuk
untuk menganalisis
menganalisis data
data IHSG
IHSG yang
yang digunakan.
digunakan.

Langkah Pengujian ARMA(1,1)

Uji Stationeritas Uji Akar Unit


ARMA(1,1)
ViewCorrelogram…Ok ViewUnit Root Test..Ok

Quick  Estimation Equation…(least squares)


Example. Ihsg c ar(1) ma(1) and then Ok.

Jika salah satu tidak signifikan maka tidak


dilanjutkan atau mencari ARMA(p,q) dengan
mengganti nilai 1 dengan angka lain yang
diperkirakan akan mendatangkan hasil yang
baik. Dengan mengulang langkah
QuickEstimation Equation…

View residual tests Correlogram - Q-stat Klik Ok


(untuk mengetahui apakah residual bersifat random atau tidak)

Modul Ekonometrika dengan program E-Views By: Andhika S. Page 8


Langkah Pengujian ARIMA atau dikenal dengan metode Box Jenkins
Data harus bersifat stationer terlebih dahulu. Mean dan varians data time series bersifat konstan
dan kovarians-nya tidak terpengaruh oleh waktu.
Jika data time series sudah didiferen sebanyak d kali agar stationer dan diterapkan pada model
ARMA(p,q) maka persamaan kita menjadi ARIMA(p,d,q).
Langkah Pengujian ARIMA:

Identifikasi model dengan memilih p, d, q sementara. Correlogram


Partial correlogram

Dapat gunakan OLS


Estimasi parameter dengan program komputer. ataupun estimasi
nonlinier

View residual tests


Diagnosis residual apakah sudah bersifat white
Correlogram - Q-stat
noise. Bila belum ulangi langkah 1.
Klik Ok

Lakukan perkiraan data masa yang akan datang. Lakukan Forecast

Uji Stationeritas Uji Akar Unit


ARIMA
ViewCorrelogram…Ok ViewUnit Root Test..Ok

Quick  Estimation Equation…(least squares)


Example. (jika diferensi 1) maka d(Ihsg) c ar(1) ma(1) and then klik Ok.
(jika diferensi 2) maka d(d(Ihsg)) c ar(1) ma(1) and then klik Ok.

Jika hasil tidak signifikan, mencari model yang baik, misal: Jika
Jika hasil
hasil signifikan,
signifikan, maka
maka model
model
d(Ihsg) c ar(2) ma(1) dapat
dapat digunakan.
digunakan.
d(Ihsg) c ar(1) ma(2) Kemudian
d(Ihsg) c ar(2) ma(2) Diagnosis residual dan
dan Forecast
d(Ihsg) c ar(3) ma(3)

Membandingkan nilai AIC dan SIC


NilaiAR(1)MA(1)ARMA(1,1)ARIMA(p, d, q)KesimpulanAICNilai lebih rendah dikatakan model
baikSICAIC = Akaike info criterion
SIC = Schwarz criterion

Modul Ekonometrika dengan program E-Views By: Andhika S. Page 9


Analisis yang digunakan untuk menghadapi suatu kondisi
ARCH model OLS telah terjadi pelanggaran asumsi klasik, terutama
autokorelasi dan heteroskedastisitas pada data time series.

GARCH Analisis yang digunakan untuk memperbaiki model ARCH.

ARCH = AutoRegressive Conditional Heteroscedasticity


GARCH = Generalized AutoRegressive Conditional
Heteroscedasticity
Jenis Keterangan
GARCH(1,1) Persamaan standar ARCH/GARCH:

Varian bersyarat (karena tergantung periode sebelumnya) memiliki tiga bagian,


yaitu:
- Rata-rata
- Volatilitas periode sebelumnya (disebut ARCH)
- Varian periode sebelumnya (disebut GARCH)
ARCH in mean (ARCH-M)
TARCH (Treshold ARCH) Varian bersyarat dihitung dengan:

Dengan dt=1 bila <0, dan dt=0 bila tidak.


Pada Program E-Views, koefisien ditunjukkan oleh (RESID<0)*ARCH(1).
Model ini biasanya digunakan pada analisis harga saham yang terpengaruh oleh
berita buruk berbeda dengan berita baik. Pengaruh berita baik ditunjukan oleh α
sedang pengaruh berita buruk oleh (α + γ). Bila γ>0, berarti ada leverage effect,
pengaruh berita buruk lebih besar dan bersifat volatile. Jika γ≠0, pengaruh berita
baik dan buruk bersifat asimetris.
EGARCH (Exponential GARCH) Varian bersyarat dihitung dengan rumus:

Karena berbentuk log, maka leverage effect-nya bersifat ekponensial (bukan


kuadratik), sehingga selalu bersifat nonnegative. Keberadaan leverage effect diuji
dengan hipotesis nul .
Component ARCH Pada GARCH(1,1), persamaan berikut ini:
Menunjukkan pembalikan rata-rata
terhadap yang bersifat konstan sepanjang waktu. Sebaliknya model Component
GARCH memungkinkan pembalikan rata-rata pada berbagai tingkat dengan
persamaan:

Modul Ekonometrika dengan program E-Views By: Andhika S. Page 10


Asymmetric Component Digunakan untuk menggabungkan antara Component ARCH dengan model
asimetris TARCH.

Modul Ekonometrika dengan program E-Views By: Andhika S. Page 11


Lakukan regresi OLS lengkap dengan uji asumsi klasik
QuickEstimation Equation…

Lakukan teknik WLS dan uji lain untuk mengatasi permasalahan heteroskedastisitas.
Selanjutnya gunakan Correlogram-Q-Statistics untuk mengatasi masalah autokorelasi.

Jika OLS dan WLS tidak dapat digunakan maka gunakan teknik GARCH(1,1)
QuickEstimation Equation…(pilih method ARCH) Ok
ARCH-M pilih None

Jika GARCH(1,1) tidak dapat digunakan maka gunakan teknik ARCH-M


QuickEstimation Equation…(pilih method ARCH) Ok
ARCH-M pilih Std.Dev.
Klik Option pilih Coefficient Covariance, klik Ok dan klik Ok sekali lagi

Lakukan pengujian Correlogram-Q-Statistics dan Uji Akar Unit.


Untuk uji akar unit, hal yang dilakukan membuat variabel baru.
Klik lembar kerja .wf1 (bukan hasil analisis)
Klik Object  New Object pilih Series dan beri nama resid01
Klik Genr pada isian persamaan isikan dengan resid01 = resid  Ok
Klik 2 (dua) kali variabel resid01
Klik ViewUnit Root Test…Lalu pilih Trend and Intercept Ok
Hasil uji akar unit jika |ADF| masih lebih besar dibanding dengan nilai kritis absolut pada
alpha 5% disimpulkan residual masih mengandung masalah autokorelasi.

Jika ARCH-M tidak dapat digunakan maka gunakan teknik TARCH


QuickEstimation Equation…(pilih method ARCH) Ok
ARCH-M pilih Std.Dev.
Model pilih TARCH
Variance Regressors masukkan salah satu variabel independend kedalam varian residualnya
Klik Option pilih Heteroskedasticity Consistent Variance, klik Ok dan klik Ok sekali lagi.

Jika
Jika hasil
hasil analisis
analisis sudah
sudah baik
baik lakukan
lakukan ujiuji korelogram
korelogram residual.
residual. Sebelum
Sebelum menampilkan
menampilkan korelogram,
korelogram,
diperbaharui
diperbaharui isi
isi variabel
variabel resid01
resid01 dengan
dengan melakukan
melakukan langkah
langkah 3-4-5
3-4-5 uji
uji akar
akar unit
unit (jika
(jika ingin
ingin membuat
membuat
variabel
variabel baru,
baru, resid02
resid02 lakukan
lakukan dari
dari langkah
langkah 1).
1).
Uji
Uji akar
akar unit
unit tidak
tidak perlu
perlu dilakukan,
dilakukan, karena
karena apabila
apabila statistik
statistik Q
Q tidak
tidak signifikan
signifikan berarti
berarti residual
residual sudah
sudah
memiliki varian yang konstan atau sudah stationer.
memiliki varian yang konstan atau sudah stationer.

Lakukan uji normalitas ViewResidual TestsHistogram - Normality Test.

Modul Ekonometrika dengan program E-Views By: Andhika S. Page 12


Sebagai alternatif pencarian model yang baik gunakan GARCH(1,1) dengan Regresor Varian
Dimana memasukan salah satu variabel independen ke dalam persamaan varian residualnya.
1. Tuliskan persamaan Y c X1 X2 ar(1) kedalam Estimation Equation…
2. Isikan salah satu variabel pada bingkai Variance regressors (boleh memasukkan lebih dari
satu variabel).
3. Klik option aktifkan bingkai Coefficient covariance  Ok
Jika hasil analisis menunjukkan bahwa semua koefisien signifikan, selanjutnya perlu dilakukan uji
autokorelasi di antara residualnya, dengan membuat korelogram dari residualnya. Sehingga perlu
diperbaharui isi variabel resid01 dan kerjakan langkah 3-4-5 seperti yang telah diuraikan.
Last, menguji apakah data terdistribusi normal atau tidak dengan cara
ViewResidual TestsHistogram - Normality Test.
Interpretasikan hasil, jika probabilitas < 0.05 maka model dapat dikatakan tidak baik.

Data finansial seperti cadangan devisa, nilai tukar, maupun tingkat suku bunga mempunyai
karakteristik tersendiri dibandingkan data deret waktu ( time series). Beberapa karakteristik dari
data finansial yaitu menunjukan volatilitas yang tinggi mengikuti periode waktu, sedangkan
variansi/ragam adalah konstan untuk data jangka waktu yang panjang.
Dalam beberapa periode terdapat variansi/ragam data finansial relatif tinggi. Keadaan ini disebut
conditionally heteroskedastic . Jika terdeteksi adanya conditionally heteroskedastic maka model
autoregressive moving average (ARMA) tidak akurat lagi untuk digunakan. Model deret waktu
(time series) yang mengakomodir adanya heteroskedastic / heteroskedastisitas adalah ARCH
(Autoregressive Conditional Heteroscedasticity ) / GARCH (General Autoregressive Conditional
Heteroscedasticity).
Variabel-variabel ekonomi biasanya nonstasioner dan mempunyai sifat kointegrasi, sehingga
model statistik yang dibentuk harus dapat mengatasi dan mencerminkan sifat tersebut. Metode
yang sesuai dengan permasalahan ini adalah metode VAR (Vector Autoregression).
Metode ARCH/GARCH fungsinya untuk mengetahui ada tidaknya volatilitas dari masing-masing
variabel yang diteliti. Selanjutnya dengan metode VAR akan selidiki pengaruh volatilitas dari
variabel nilai tukar, suku bunga, IHSG dan neto ekspor terhadap volatilitas cadangan devisa. Hasil
model VAR yang diperoleh tersebut kemudian digunakan untuk melakukan uji berikutnya yaitu uji
kointegrasi Johansen untuk mengetahui hubungan keseimbangan jangka panjang dan Vector
Error Correction Mechanism (VECM) untuk mengetahui hubungan keseimbangan jangka pendek.

Modul Ekonometrika dengan program E-Views By: Andhika S. Page 13


Mengapa menggunakan panel data, menurut Baltagi (2005):
1. Controlling for individual heterogeneity.
2. Panel data give more informative data, more variability, less collinearity among the
variables, more degrees of freedom and more efficiency .
3. Panel data are better able to study the dynamics of adjustment.
4. Panel data are better able to identify and measure effects that are simply not detectable in
pure cross-section or pure time-series data .
5. Panel data models allow us to construct and test more complicated behavioral models
than purely cross-section or time-series data .
6. Micro panel data gathered on individuals, firms and households may be more accurately
measured than similar variables measured at the macro level.
7. Macro panel data on the other hand have a longer time series and unlike the problem of
nonstandard distributions typical of unit roots tests in time-series analysis, Chapter 12
shows that panel unit root tests have standard asymptotic distributions.

Limitations of panel data include:


1. Design and data collection problems.
2. Distortions of measurement errors.
3. Selectivity problems.

1. OLS untuk dapatkan µ


2. GLS untuk FE (Fixed Effect)
3. GLS untuk RE (Random Effect)

Meng-input data panel


Sebenarnya tidak ada perlakuan khusus dalam meng- input data panel, jika dalam dalam analisis
regresi dengan data silang hanya perlu membuat variabel saja, pada data panel hanya perlu
ditambah dengan satu variabel lagi, yaitu nama perusahaan/negara/wilayah dan sebagainya.
Untuk lebih jelas perhatikan gambar berikut ini:

Modul Ekonometrika dengan program E-Views By: Andhika S. Page 14


1. Jalankan program E-Views buka file kerja dengan data tahunan, periode 2001 hingga
2004.
2. Klik tombol Object  New Object  pilih Pool dan namai objek tersebut dengan nama
iklan  klik Ok.
3. Klik tombol Procs  Import Pool data (ASCII,XLS,WK?)… lalu isikan nama file yang akan
diimpor.
4. Ubah isian Upper-left data cell menjadi C2 (semula B2, seperti biasanya). Pada bingkai
Ordinari and Pool, isikan tiga variabel yang akan di- input (dalam satu baris, tiap variabel
cukup diberi jarak satu spasi), masing-masing diakhiri dengan tanda Tanya (?). Klik Ok.
5. Jendela Pool:Iklan biarkan saja, karena dalam mengolah data penel menggunakan jendela
ini.

Data Panel/Pool (digunakan minimal dengan program E-Views 5.1)


Siapkan data panel yang anda miliki dalam bentuk file excel sehingga berbentuk
Propinsi 11 (DI. ACEH)
Propinsi 12 (Sum. Utara)
Propinsi 13 (Sum. Barat)
Tahun hhc_11 hhc_12 hhc_13 pc_11 pc_12 pc_13 gc_11 gc_12 gc_13
1993 3585867 9640899 3170980 39335 142070 69789 749383 1582850 879213
1994 3997613 10375013 3398551 44176 160469 69549 766880 1641098 896798
1995 4051535 10766529 3665808 45194 177012 74758 777087 1727578 934463
1996 4180572 11601029 4027448 46958 206956 78187 813554 1778635 977448
1997 4256956 14962294 4440232 47583 219492 85976 883824 1986876 992773
1998 3980107 13270701 4167695 46587 220372 94013 969750 2016423 998187

1. Masuk ke program Eviews, kemudian click Quick/Empty Group


2. Pilih waktu dari data, click yearly dan pada End date tulis 1998.
3. Block work file excel anda (termasuk judul), namun hanya untuk kategori tertentu saja,
misal hhc_11 sampai hhc_12 atau pc_11 sampai pc_13. Kemudian copy
1. Masuk kembali ke Empty Group di Eviews, block kolom paling kiri dan paste
2. Setelah itu click X(close)
3. Pada tampilan berikutnya pilih name dan Group01 anda ganti sesuai dengan nama yang
anda inginkan misalnya untuk hhc_11 sampai hhc_12 diberi nama hhc saja.
4. Lakukan hal yang sama untuk kategori berikutnya, misal jika yang pertama adalah hhc,
maka berikutnya adalah pc dan gc

Perhatian :
Jikalau anda ingin membuat persamaan atau melakukan regresi dengan menggunakan Pool
Data, tahapan yang harus anda lakukan setelah membuat work file pada Eviews adalah:
1. Click Object/ New Object/ Pool .... OK.
2. Dalam tampilan baru, masukkan identifier anda misalnya _11 _12 _13.
3. Kemudian click Estimate, pada dependen variabel masukkan variabel dependen anda
diikuti dengan ?. Misalnya hhc?. Sedangkan pada common coeficient masukkan
variabel bebas anda diikuti dengan ?. Misal gc? atau m?
4. Jika anda menginginkan intercept yang berbeda untuk masing-masing identifier; pada
intercept pilih fixed effect atau random effect, atau jika tidak, pilih common effect.

Modul Ekonometrika dengan program E-Views By: Andhika S. Page 15


Model Data Panel yang standar ada tiga :

1. Pool (konstanta ai=a sama setiap individu)


2. Fixed Effect (FE) atau sama saja LSDV (ai berbeda setiap individu/crossection)

3. Random Effect/RE (ai berbeda setiap individu/crossection).

Bila digunakan FE/LSDV dan ditambahkan dummy variabel, maka akan terjadi
kombinasi linier antara dummy dan konstanta ai sehingga terjadi singular matrik
(inverse matrik x’x adalah zero, atau dalam istilah E-views adalah near singular
matrix).

Kemungkinan Solusinya:

1. Yang mudah adalah gunakan model Pool (kontanta ai sama setiap observasi). jadi
untuk menginterpretasikan pengaruh variabel dummy terhadap dependent variabel
gunakan dummy tersebut. Jadi kalau modelnya pool, tidak perlu ditest (Chow test-
Pool/FE) karena pada model FE akan singular matrix; Tapi untuk melihat
indvidual effect gunakan model FE tanpa dummy variabel.
2. Gunakan model RE saja (tanpa test Hausman) karena model FE akan singular
matrix.

3. Variabel dummy dimodifikasi dengan perkalian variabel dummy dengan salah satu
variabel independen. misalnya (tarif x variabel dummy). Jika dummy-nya adalah
(1=OPEC, 0=non OPEC), jadi variabel baru (tarif x dummy) mempunyai arti
interaksi tarif negara-negara OPEC/NON-OPEC terhadap dependent variabel
(ekpor). Maka Model FE dapat dicoba (kemungkinan tidak singular matrik karena
dummy sudah dimodifikasi).

Modul Ekonometrika dengan program E-Views By: Andhika S. Page 16


ERROR CORRECTION MODEL (ECM)
(Program E-Views 4.1)

Digunakan apabila variabel


independen dan variabel dependen,
ECM merupakan data time series,
sehingga masing-masing variabel
bersifat tidak stationer.

Ada beberapa cara untuk mengetahui data bersifat stationer atau tidak.

Metode Grafik Uji Akar Unit (Unit Root)

View  Graph  Line Buka salah satu variable yang akan dibuat
(double klik nama variabelnya).
View  Unit Root Test...
Klik Ok.

Lolos Tidak Lolos

t-statistics > tabel McKinnon. t-statistics < tabel McKinnon.


Prob < 0,05. Prob > 0,05.

Data cukup didiferensi saja. Dengan cara:


View  Unit Root Test…
Check List 1st difference  Klik Ok
(jika masih tidak stationer klik 2nd, dst)

Note :
Dengan langkah-langkah yang sama. Periksalah apakah data variabel tersebut bersifat stationer
atau tidak.

Modul Ekonometrika dengan program E-Views By: Andhika S. Page 17


2 variabel yang tidak stationer sebelum dideferensi namun
Uji Kointegrasi stationer pada tingkat diferensi pertama, kemungkinan
terjadi kointegrasi (terdapat hubungan jangka panjang
diantara keduanya).

Engle-Granger (EG) Cointegrating Regression Durbin-Watson Johansen


(CRDW)

Tampilkan variabel independent dan dependent yang akan diuji kointegrasinya


View  Cointegration Test...  Klik Ok.
Bandingkan nilai Trace Statistic dengan nilai kritis pada tingkat keyakinan 5%
maupun 1%.

Terkointegrasi Tidak Terkointegrasi

Trace Statistic < 1% maupun 5% Trace Statistic < 1% maupun 5%

Note :
Yang baik tidak terkointegrasi.

Modul Ekonometrika dengan program E-Views By: Andhika S. Page 18


∆Y = Variable Dependent
∆Xt = Variable Independent
KKt-1 = koreksi kesalahan atau residual lag 1 dari persamaan awal

Y  b0  b1X t  b2 KK t 1  et Jika kedua (X dan Y) data yang dianalisis tidak stationer


tetapi saling berkointegrasi, berarti ada hubungan jangka
Model Koreksi Kesalahan panjang (keseimbangan) antara kedua variabel tersebut.
(Error Correction Model) Dalam jangka pendek ada kemungkinan terjadi
(ECM) ketidakseimbangan (disekuilibrium). Maka diperlukan
adanya koreksi dengan model koreksi kesalahan.

Engle-Granger

Tahap Pertama Tahap Kedua

Menghitung nilai residual dari Melakukan analisis regresi dengan


persamaan regresi awal. memasukkan residual dari langkah
pertama.

- Quick  Estimate Equation…


- Tuliskan persamaan Example: telpon c gaji - Quick  Estimate Equation…
- LS – Least Square (NLS and ARMA) - Tuliskan persamaan
- Klik Ok Example: d(telpon) c d(gaji) resid01(-1)
- Klik Procs  Make Residual Series (resid01) - LS – Least Square (NLS and ARMA)
- Klik Ok - Klik Ok

Nilai statistic t pada residual > 2 dan nilai prob < 0,05.
(Error Correction Model yang digunakan Valid).

Modul Ekonometrika dengan program E-Views By: Andhika S. Page 19


DAFTAR PUSTAKA

Baltagi, 2005. Econometric Analysis of Panel Data. Third Edition. John Wiley & Sons Ltd, England.
Gujarati, Damodar N., 1995. Basic Econometrics. McGraw-Hill College, New York.

Modul Ekonometrika dengan program E-Views By: Andhika S. Page 20

Anda mungkin juga menyukai