Anda di halaman 1dari 92

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK

BAB I NORMALITAS

Pengujian Normalitas

Untuk penerapan OLS untuk regresi linier klasik, diasumsikan bahwa distribusi probabilitas dari gangguan u 1 memiliki nilai rata-rata yang diharapkan sama dengan nol, tidak berkorelasi dan mempunyai varian yang konstan. Dengan asumsi ini OLS estimator atau penaksir akan memenuhi sifat-sifat statistik yang diinginkan seperti unbiased dan memiliki varian yang minimum. Ada beberapa uji untuk mengetahui normal atau tidaknya faktor gangguan u 2 antara lain Jargue-Bera test atau J-B test. Uji ini menggunakan hasil estiminasi residual dan chisguare probability distribution.

Adapun langkah-langkah untuk mendapatkan nilai J-B hitung adalah sebagai berikut :

(1)Hitung Skewness dan Kurtosis (2)Hitung besarnya nilai J-B statistik Dengan rumus:

(2)Hitung besarnya nilai J-B statistik Dengan rumus: untuk menghitung J – B hitung Dimana: n =

untuk menghitung J – B hitung

J-B statistik Dengan rumus: untuk menghitung J – B hitung Dimana: n = jumlah observasi S

Dimana: n = jumlah observasi

S

= Skewness (Kemencengan)

K

= Kurtosis (Keruncingan)

(3) Bandingkan nilai J-B hitung dengan X 2 – tabel, dengan aturan :

Bila nilai J-B hitung > nilai X 2 tabel, maka hipotesis yang menyatakan bahwa residual u 1 berdistribusi normal dapat ditolak. Bila nilai J-B hitung < nilai X 2 – tabel, maka yang menyatakan bahwa residual u 1 berditribusi normal tidak dapat ditolak.

Langkah – langkah pengerjaan :

(1) Fasilitas untuk menguji normality menggunakan J-B test disediakan oleh Eviews, caranya, pertama, dengan menampilkan hasil regresi yang akan kita uji (2)Pilh menu Residual Test / Hisrogram - Normality test, dan akan ditampilkan diagram dengan perhitungan J – B statistiknya :

1

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK
PELANGGARAN ASUMSI KLASIK Diagram 1. Hasil Uji Normalitas : J – B Test 2

Diagram 1. Hasil Uji Normalitas : J – B Test

2

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK

BAB II MULTIKOLINEARITAS

A. PENGERTIAN

Multikolinearitas artinya terdapat korelasi yang signifikan di antara dua atau lebih variabel independent dalam model regresi.

dua atau lebih variabel independent dalam model regresi. B. CARA MENDETEKSI ADANYA MULTIKOLINEARITAS a. R 2

B. CARA MENDETEKSI ADANYA MULTIKOLINEARITAS

a. R 2 cukup tinggi (0,7 – 1,0) tetapi uji-tnya untuk masing- masing koefisien regresinya menunjukkan tidak signifikan.

Misalnya : Y = 24.7747 + 0.9415 X2 – 0.0424 X3 + e

Standar error

Nilai t

(6.7525)

(0.8229)

(0.0807)

(3.6690)

(1.1441)

(-0.5261)

3

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK

Adj. R 2 = 0.9531 df = 7

Dari hasil regresi dapat dilihat bahwa 98 persen dari variasi peneluaran konsumsi dijelaskan oleh pendapatan dan harga barang lain secara bersama-sama. Apabila diuji secara individual, maka hasilnya adalah tidak signifikan tapi apabila diuji secara keseluruhan variabel independentnya maka hasilnya adalah signifikan. Juadi kemungkinan besar terdapat Multikolinearitas antara X 1 dan X 2.

b. Tingginya nilai R 2 merupakan syarata yang cukup (sufficient) akan tetapi bukan merupakan syarat yang penting untuk terjadinya multikorelineartitas, sebab pada R 2 yang rendah (<5%) bisa juga terjadi multikolinearitas. c. Meregresikan variabel independent X dengan variabel independent variabel-variabel lain, kemudian dihitung R 2 - nya yaitu dengan uji F (uji signifikansi). Jika F* adalah F hitung maka :

Jika F* > F tabel, artinya Ho ditolak; Ha diterima ada multikolinearitas Jika F* < F tabel, artinya Ho diterima; Ha diterima tidak ada multikolinearitas

d. Menggunakan Matriks Korelasi (Correlation Matrix) Langkah-langkahnya adalah sebagai berikut :

1. Pastikan data sudah siap (berada pada kota group)

2. Klik Views, pilih Correlations seperti tampilan berikut :

2. Klik Views, pilih Correlations seperti tampilan berikut : Gambar 4.1 Tampilan Group untuk masuk ke

Gambar 4.1 Tampilan Group untuk masuk ke Menu Correlation

4

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK

Maka hasil yang didapat akan seperti tampilan berikut :

Maka hasil yang didapat akan seperti tampilan berikut : Gambar 4.2 Tampilan Correlation Matrix C. PENANGGULANGAN

Gambar 4.2 Tampilan Correlation Matrix

C. PENANGGULANGAN TERHADAP MULTIKOLINEARITAS Cara menanggulangi multikolinearitas :

1. Menambah jumlah data / observasi

+ b 2 X 2 + b 3 X 3 +

Y = b 1

Dimana :

Y

= konsumsi

X

X

2

3

= pendapatan = harga barang itu sendiri

Pendapatan dan harga barang itu sendiri merupakan dua variabel yang saling mempengaruhi sehingga mengakibatkan terjadinya Multikolinearitas. Penambahan data baru dapat menghilangkan Multikolinearitas yang tidak begitu serius.

2. Salah satu cara utnuk menghilangkan multikolinearitas adalah menghilangkan satu atau lebih variabel bebas yang mempunyai kolinearitas tinggi, yang setelah itu diuji dengan menggunakan Uji Wald. Adapun langkah-langkahnya sebagai berikut :

1. Klik Views, lalu pilih Cefficient Test dan klik Wald – Coefficient Restrictions. Seperti tampilan berikut :

5

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK
PELANGGARAN ASUMSI KLASIK Gambar 4.3 Menu Uji Wald Restriction 2. Ketik salah satu koefisien dari variabel

Gambar 4.3 Menu Uji Wald Restriction

2. Ketik salah satu koefisien dari variabel bebas yang ingin dihilangkan (yang paling tidak signifikan) seperti pada tampilan berikut :

dihilangkan (yang paling tidak signifikan) seperti pada tampilan berikut : Gambar 4.4 Tampilan Correlation Restriction 6

Gambar 4.4 Tampilan Correlation Restriction

6

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK

3. Hasil akan seperti tampilan berikut :

ASUMSI KLASIK 3. Hasil akan seperti tampilan berikut : Gambar 4.5 Tampilan Layar Uji Wald D.

Gambar 4.5 Tampilan Layar Uji Wald

D. INTERPRETASI PENGUJIAN WALD TEST

Jika F statistik signifikan (probabilita < 0,05) maka penghilangan variabel bebas yang mengandung multikolinearitas akan mengubah interpretasi dari persamaan regresinya sehingga penghilangan variabel tersebut tidak diperbolehkan. Dengan kata lain sekalipun variabel tersebut mengandung multikolinearitas namun memiliki pengaruh terhadap variabel dependentnya.

Jika F statistik tidak signifikan (probabilita > 0,05) maka penghilangan variabel yang mengandung multikolinearitas tidak akan mengubah interpretasi dari persamaan regresinya sehingga penghilangan variabel tersebut diperbolehkan.

Catatan : Perlu diperhatikan bahwa kadang-kadang menghilangkan satu atau lebih variabel independent dapat lebih jelek pengaruhnya dibandingkan dengan membiarkan adanya multikolinearitas dapat lebih jelek pengaruhnya dibandingkan dengan membiarkan adanya multikolinearitas kecuali jika variabel yang dhilangkan itu secara teoritis tidak berpengaruh.

Contoh soal :

(soal

dibawah

ini

akan

terus

digunakan

untuk

materi praktikum-praktikum selanjutnya)

7

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK

Di bawah ini adalah mengenai Jumlah Uang Beredar (JUB)

Di bawah ini adalah mengenai Jumlah Uang Beredar (JUB) Contoh Soal 1 JUB = f (RSBI,

Contoh Soal 1

JUB = f (RSBI, GDP) JUB = 0 + 1 RSBI + 2 GDP +

Keterangan :

JUB

=

Jumlah Uang Beredar (US$)

RSBI =

Tingkat Suku Bunga SBI (%)

GDP

=

Gross Domestic Produsct (US$)

Soal :

1. Lakukanlah pengujian multikolinearitas terhadap soal di atas. 2. Jika ada multikolinearitas, tanggunglangi dan interpretasikan hasilnya.

Jawaban

Langkah 1 :

Masukkan data di atas Langkah 2 :

Lakukanlah regresi sesuai dengan model persamaan di atas Langkah 3 :

Lakukanlah pengujian multikolinearitas dengan menggunakan correlation matrix, sehingga hasilnya akan tampak seperti gambar di bawah ini :

8

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK

Correlation Matrix

PELANGGARAN ASUMSI KLASIK Correlation Matrix Lihat gambar Korelasi antara RSBI dan GDP adalah sebesar 0,74 (lihat

Lihat gambar Korelasi antara RSBI dan GDP adalah sebesar 0,74 (lihat kembali teori di atas). Karena korelasi antar kedua variabel tersebut mendekati nilai 1 (1.0000), maka antara RSBI dan GDP terdapat multikonearitas yang kuat. Catatan : multikolinearitas yang kuat terjadi jika korelasi antar dua atau lebih variabel lebih dari 0,70.

Langkah 4 :

Lakukanlah penanggulangan multikonearitas dengan menggunakan Wald test. (lihat teori penanggulangan).

Langkah 5 :

Interpretasi sesuai dengan hasil pengujian Wald Test.

Langkah 4 dan 5, lihat penjelasan asisten di depan kelas.

9

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK

SOAL

Berdasarkan data di bawah ini, dimana JUB adalah jumlah uang beredar, G adalah pengeluaran pemerintah, dan Gdp adalah Gross Domestic Product.

obs

JUB

G

GDP

1983

21469

585

75832

1984

18385

412

62665

1985

23417

766

86554

1986

28661

971

93638

1987

35885

1075

113718

1988

42998

1304

134105

1989

54704

1829

156851

1990

86470

2495

198597

1991

97105

2771

228450

1992

118053

3554

269884

1993

145303

3744

287976

1994

186514

4504

372221

1995

224368

4960

456381

1996

366534

5955

557659

1997

178120

2945

283782

Pertanyaan:

1. Regreslah JUB dengan G dan GDP

2. Uji ada atau tidak multikolinearitas

3. Atasilah jika terdapat multikolinearitas

10

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK

BAB III HETEROSKEDASTISITAS

A. PENGERTIAN Salah satu asumsi penting dalam analisa regresi adalah variasi

gangguan acak ( ) pada setiap variabel bebas adalah homoskedastisitas. Asumsi ini dapat ditulis sebagai berikut :

E (

i 2 ) =

2 I = 1, 2, ………n

Ketidaksamaan inilah yang disebut sebagai heteroskedastisitas.

berikut : E ( i 2 ) = 2 I = 1, 2, ………n Ketidaksamaan inilah

11

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK

Hal tersebut dikarenakan beberapa hal, yaitu :

1. Error Learning Model Sebagaimana adanya proses perbaikan yang dilakukan unit-unit ekonomi, maka perilaku kesalahan menjadi lebih kecil dengan

bertambahnya waktu. Dalam hal ini diharapkan 2 menurun.

2. Perbaikan Dalam Pengumpulan Data Dengan meningkatnya mutu tekhnik pengumpulan data, maka 2 diharapkan menurun. Jadi sebuah bank yang mempunyai peralatan pemrosesan data yang canggih cenderung melakukan kesalahan yang lebih sedikit pada laporan bulanan atau kuartalan dibandingkan bank tanpa fasilitas tersebut.

3. Kesalahan spesifikasi model Salah satu asumsi dalam analisis regresi adalah model dispesifikasi secara benar. Jika satu variabel yang semestinya harus dimasukkan, tetapi karena suatu hal variabel tersebut tidak dimasukkan, hal itu akan menyebabkan residual dari regresi akan memberikan hasil yang berbeda dengan benar dan varians dari kesalahan tidak konstan.

B. PENDETEKSIAN HETEROSKEDASTISITAS a. Uji Park

Uji ini mengasumsikan bahwa i 2 adalah fungsi dari variabel bebas Xi. Fungsi yang dianjurkan adalah :

i

2 =

1n i 2 =

2 Xi e vi atau

2

1n Xi + v i

Karena 2 tidak diketahui, Park mengasumsikan agar i 2 digunakan sebagai proxy, dan dilakukan regresi :

1n i 2

=

1n

12

2 +

1n Xi + v i

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK

=

+

1n Xi + v i

Jika signifikan, maka ada heteroskedasitas dalam data sebab

hipotesis pengujian heteroskedasitas adalah :

H 0 : Tidak ada heteroskedastisitas

H a : Ada heteroskedastisitas

Contoh:

Berikut adalah data hipotetis tentang Pengeluaran Konsumsi (Y)

dalam Juta Rp dan Pendapatan (X) dalam juta Rp pertahun pada

30 responden di DKI Jakarta (Sudah di rangking dari yang terkecil

ke yang terbesar):

No

Y

X

1

55

80

2

70

85

3

75

90

4

65

100

5

74

105

6

80

110

7

84

115

8

79

120

9

90

125

10

98

130

11

95

140

12

108

145

13

113

150

14

110

160

15

125

165

16

115

180

17

130

185

18

135

190

19

120

200

20

140

205

21

144

210

22

152

220

23

140

225

24

137

230

25

145

240

26

175

245

27

189

250

28

180

260

13

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK

29 178

265

30 191

270

Print out berikut adalah hasil regresi OLS dengan model Y = f

(X,e)

Dependent Variable: Y Method: Least Squares

Date: 06/07/01

Sample: 1 30 Included observations: 30

Time: 09:00

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C

9.290307

5.231386

1.775879

0.0866

X

0.637785

0.028617

22.28718

0.0000

R-squared

0.946638

Mean dependent var

119.7333

Adjusted R-squared

0.944732

S.D. dependent var

39.06134

S.E. of regression

9.182968

Akaike info criterion

7.336918

Sum squared resid

2361.153

Schwarz criterion

7.430332

Log likelihood

-108.0538

F-statistic

496.7183

Durbin-Watson stat

1.590347

Prob(F-statistic)

0.000000

Berdasarkan print-out tersebut dapat dihitung nilai residual ( I )

untuk kemudian di kuadratkan dan di Ln kan. Caranya sebagai

berikut:

a. Pada tampilan hasil regresi, klik View lalu pilih make residual

series dan ketik Residual dan kilk OK seperti tampilan berikut

ini:

14
14

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK

Gambar 8.1. Tampilan Make Residual

Dari residual tersebut dapat dihitung residual kuadrat ( i 2 ) lalu di Ln kan dengan menggunakan Generate pada workfile yaitu:

RES2=RESIDUAL^2

LNRES2=LOG(RES2)

LNX=LOG(X) Gambar 8.2. Hasil Uji Park

LNRES2=LOG(RES2) LNX=LOG(X) Gambar 8.2. Hasil Uji Park Dengan meregres model : LNRES2 = f (LNX) maka

Dengan meregres model : LNRES2 = f (LNX) maka diperoleh hasil seperti Gambar 2.2.

Dari hasil print out tersebut terlihat bahwa koefisien LNX

memiliki probabilitas 0.8154 (tidak signifikan pada = 5%), hal ini berarti bahwa tidak ada heteroskedastisitas pada model tersebut.

Note: Pada uji Park ini, jika variabel bebasnya lebih dari 1 maka diregres secara terpisah, dengan demikian dapat diketahui variabel mana yang menyebabkan adanya heteroskedastisitas

15

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK

b. Goldfeld-Quant Test

Langkah-langkah pengujiannya adalah sebagai berikut :

1. Urutkanlah dari variabel bebas X dari yang terkecil yang

terbesar

2. Kemudian buat dua regresi secara terpisah, pertama untuk

nilai X yang terkecil. Kedua untuk nilai X besar dan hilangkan

beberapa data yang ada ditengah.

nilai X besar dan hilangkan beberapa data yang ada ditengah. 40% Nilai Terkecil 15%-20% Dihilangkan 40%

40%

Nilai Terkecil

beberapa data yang ada ditengah. 40% Nilai Terkecil 15%-20% Dihilangkan 40% Nilai terbesar 3. Buatlah rasio

15%-20%

Dihilangkan

yang ada ditengah. 40% Nilai Terkecil 15%-20% Dihilangkan 40% Nilai terbesar 3. Buatlah rasio RSS (

40%

Nilai terbesar

3. Buatlah rasio RSS (Residual Sum of Square = error sum if

square) dari regresi kedua terhadap regresi pertama

(RSS2/RSS1) untuk mendapatkan nilai F hitung.

4. Lakukan uji F dengan menggunakan derajat kebebasan

(degree of freedom) sebesar (n-d-2k)/2, dimana

n

= banyaknya observasi,

d

= banyaknya data atau nilai observasi yang hilang

k

= banyaknya parameter yang diperkirakan.

Kriteria uji F jika :

F

hitung > F tabel, maka ada heteroskedasitas

F

hitung < F tabel, maka tidak ada heteroskedasitas

Uji Goldfeld-Quant ini sangat tepat untuk sampel besar ( n > 30).

Seandainya tidak ada data yang dibuang (d = 0) tes masih

berlaku tetapi kemampuan untuk mendeteksi adanya

heteroskedasitas agak berkurang.

Contoh:

16

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK

Dengan data yang sama pada uji Park di atas, maka dibuang

20% nilai tengah dari total observasi (6 observasi), yaitu

observasi ke 13 s/d observasi ke 18. Kita dapat meregres dua

kelompok data yaitu kelompok I (obs ke 1 s/d obs ke 12) dan

kelompok II (obs ke 19 s/d obs ke 30). Hasil regresinya adalah

sebagai berikut:

Dependent Variable: Y

Method: Least Squares

Date: 06/07/01

Sample: 1 12 Included observations: 12

Time: 09:01

Variable

Coefficien

Std. Error

t-Statistic

Prob.

t

C

7.41214

9.53586

0.777291

0.4550

2

6

X

0.65728

0.08373

7.849565

0.0000

9

6

R-squared

0.86036

Mean dependent

81.08333

6

var

Adjusted R-squared

0.84640

S.D. dependent var

14.91466

2

S.E. of regression

5.84528

Akaike info

6.520159

3

criterion

Sum squared resid

341.673

Schwarz criterion

6.600977

4

Log likelihood

-37.1209

F-statistic

61.61567

5

Durbin-Watson stat

2.31711

Prob(F-statistic)

0.000014

6

Hasil Regresi kelompok I dengan RSS1 = 341.6734

Dependent Variable: Y Method: Least Squares

Date: 06/07/01 Sample: 19 30

Time: 09:03

17

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK

Included observations: 12

Variable

Coefficient

Std. Error t-Statistic

Prob.

C

-49.74731

34.56614 -1.43919

0.1807

 

2

X

0.882258

0.146407

6.02607

0.0001

 

7

R-squared

0.784081

Mean dependent var

157.583

 

3

Adjusted R-squared

0.762489

S.D. dependent var

23.6545

 

5

S.E. of regression

11.52807

Akaike info criterion

7.87845

 

9

Sum squared resid

1328.965

Schwarz criterion

7.95927

 

7

Log likelihood

-45.27076

F-statistic

36.3136

 

1

Durbin-Watson stat

1.315331

Prob(F-statistic)

0.00012

 

8

Hasil regresi kelompok II dengan RSS2 = 1328.965

F-stat

=

RSS2/RSS1

=

1328.965/341.6734

= 3.8896

F-tabel ( = 5%, df = {30 – 6 – 2(2)}/2 = 10)

= 2.98

F-stat > F-tabel

ada heteroskedastisitas

Jika digunakan ( = 1%) maka

F-tabel ( = 1%, df = {30 – 6 – 2(2)}/2 = 10)

4.85

F-stat < F-tabel

tidak ada heteroskedastisitas

c. Uji White

=

Hasil uji park bisa berbeda dengan uji Golfeld and Quant. Jika

terjadi keraguan maka sebaiknya digunakan uji white yang pada

prinsipnya meregres residual yang dikuadratkan dengan variabel

bebas pada model.

18

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK

Jika modelnya

: Y = f(X,e)

Maka model White-test nya adalah : 2 = f(X, X 2 , e)

Jika modelnya

: Y = f(X 1 ,X 2 , e)

Maka model White test mempunyai dua kemungkinan yaitu:

Model no cross term

Model cross term

: 2 = f(X 1 , X 2 , X 1 2 ,X 2 2 , e)

: 2 = f(X 1 , X 2 , X 1 2 ,X 2 2 , X 1 X 2 , e)

Kriteria uji White adalah jika :

Obs* R square > 2

Obs* R square < 2

atau Prob Obs* R square < 0.05, maka ada heteroskedasitas Prob Obs* R square > 0.05, maka tidak ada heteroskedastisitas

tabel, maka ada heteroskedasitas

tabel, maka tidak ada heteroskedasitas

Langkah-langkah pengujian White Test :

1. Lakukan estimasi fungsi regresi terlebih dahulu, menspesifikasikan variabel bebas dan variabel tidak bebas. 2. Klik View, Residual Test, White Heteroskedasticity (Cross term or no Cross term), seperti pada gambar berikut :

(Cross term or no Cross term), seperti pada gambar berikut : Gambar 2.3. Tampilan Layar Menu

Gambar 2.3. Tampilan Layar Menu Uji White

Contoh:

19

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK

Dengan data yang sama pada uji park dan goldfeld and quant,

berikut ditampilkan hasi uji white:

White Heteroskedasticity Test:

F-statistic

2.917301

Probability

0.071274

Obs*R-squared Test Equation:

5.330902

Probability

0.069568

Dependent Variable: RESID^2 Method: Least Squares

 

Date: 03/05/04

Time: 09:38

Sample: 1 30 Included observations: 30

Variable

Coefficient

Std. Error

t-Statistic

Prob.

C

-12.29621

191.7731

-0.064119

0.9493

X

0.197385

2.368760

0.083329

0.9342

X^2

0.001700

0.006707

0.253503

0.8018

R-squared

0.177697

Mean dependent var

78.70511

Adjusted R-squared

0.116785

S.D. dependent var

112.5823

S.E. of regression

105.8043

Akaike info criterion

12.25570

Sum squared resid

302252.7

Schwarz criterion

12.39582

Log likelihood

-180.8355

F-statistic

2.917301

Durbin-Watson stat

1.856573

Prob(F-statistic)

0.071274

Obs* R- square

Obs* R square < 2

atau

Prob Obs* R square

Prob Obs* R square > 0.05,maka tidak ada heteroskedastisitas

= 5.331

2

tabel dengan ( = 5%,df = 2)

= 5.990

tabel, maka tidak ada heteroskedasitas

= 0.0695

Note: df pada 2 tabel adalah jumlah variabel bebas

(regresors) pada regresi model White-test kecuali konstanta.

C. PENANGGULANGAN TERHADAP HETEROSKEDASTISITAS

1. Transformasi Logaritma Natural

Jika model berikut ini mengandung heteroskedastisitas :

Y i =

1

+

2 + u i

20

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK

Lakukanlah tranformasi seperti model logaritma di bawah ini :

LnY i = i + 2 L n X i

Transformasi dalam bentuk logaritma akan memperkecil skala dari observasi dan kemungkinan besar varians juga akan semakin mengecil dan ada kemungkinan homoskedastisitas terpenuhi.

2. Transformasi Dengan Membagi Persamaan Dengan Variabel Bebas Jika model regresi yang telah diuji terdapat heteroskedastisitas maka salah satu penanggulangannya dapat dilakukan dengan membagi persamaan regresi tersebut dengan variabel bebas (independen) yang mengandung heteroskedastisitas. Variabel bebas (independen) yang mengandung heteroskedastisitas tersebut diperoleh dari pengujian White-Test.

Y i =

1

+

2 X i + u i

E (u i X i ) π 0 dan E (u i 2 ) π u 2

Jika diasumsikan (u i 2 ) = 2 π 0 maka dengan mentransformasikan model regresi tersebut diperoleh model regresi baru sebagai berikut :

Y i / X i = bo / X i + b 1 + u i /X i

Dimana : Var (u i /X i ) 2 = 1/X i 2 var (u i ) 2 = 1/X i 2 2 X i 2 = 2

Homoskedastisitas Maka kesalahan penggangu menjadi homoskedastisitas. Dengan demikian koefisien regresi dari model baru didapat dengan menggunakan OLS tersebut menjadi unbiased, consistent dan efficient.

21

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK

Soal latihan:

Berikut adalah data Biaya R & D, Sales dan Profit pada 18 kelompok

Industri sebuah negara pada tahun 2000 (dalam Juta US$)

No

Industri

Sales

R & D

Profit

1

Kontainer dan Pengepakan

6,375

62.

185.

.3

5

1

2

LKBB

11,62

92.

1,569

6.4

9

.5

3

Industri Jasa

14,65

178.

276.

5.1

3

8

4

Baja dan Tambang

21,86

258.

2,828

9.2

4

.1

5

Perumahan dan Konstruksi

26,40

494.

225.

8.3

7

9

6

Perdagangan umum

32,40

1,083

3,751

5.6

.0

.9

7

Industri waktu luang

35,10

1,620

2,884

7.7

.6

.1

8

Produksi Kertas dan Kayu

40,29

421.

4,645

5.4

7

.7

9

Makanan

70,76

509.

5,036

1.6

2

.4

10

Rumah Sakit

80,55

6,620

13,869

2.8

.1

.9

11

Pesawat terbang

95,29

3,918

4,487

4.0

.6

.8

12

Produk Pelanggan

101,31

1,595

10,278

4.1

.3

.9

13

Elektronik dan listrik

116,14

6,107

8,787

1.3

.5

.3

14

Kimia

122,31

4,454

16,438

5.7

.1

.8

15

Konglomerat

141,64

3,163

9,761

9.9

.8

.4

16

Perlengkapan Kantor dan komputer

175,02

13,210

19,774

5.8

.7

.5

22

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK

17 Minyak

230,61

1,703

22,626

4.5

.8

.6

18 Automotif

293,54

9,528

18,415

3.0

.2

.4

a. Lakukanlah regresi terhadap R & D = f(Sales, Profit,e)

b. Ujilah apakah ada penyakit heteroskedastisitas dengan Park Test

sbb:

Ln i 2

Ln

i 2

=

=

+

+

1n Sales

1n Profit + e 2

+ e 1 dan

c. Lakukanlah Uji White dengan metode cross term

b. Jika ada penyakit heteroskedastisitas sembuhkanlah dengan

yang

Transformasi

logaritma

atau

membagi

dengan

variabel

menyebabkan terjadinya heteroskedastisitas.

c. Interpretasikanlah hasil yang sudah disembuhkan.

23

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK

BAB IV AUTOKORELASI

A. PENGERTIAN Yaitu suatu keadaan dimana kesalahan pengganguan dari periode

tertentu ( t ) berkorelasi dengan kesalahan pengganggu dari periode

sebelumnya ( t-1 ). Pada kondisi ini kesalahan pengganggu tidak bebas tetapi satu sama lain saling berhubungan. Bila kesalahan pengganggu periode t dengan t-1 berkorelasi maka terjadi kasus korelasi serial sederhana tingkat pertama (first order autocorrelation).

B. PENGARUH ADANYA AUTOKORELASI Dengan adanya autokorelasi dengan dugaan parameter OLS masih “UNBIASED” Dan “CONSISTENT” tetapi standar error dari dugaan parameter regresi adalah bias, sehingga mengakibatkan uji statistik menjadi tidak tepat dan interval kepercayaan menjadi bias (biased confidence intervals).

C. PENGUJIAN TERHADAP ADANYA AUTOKORELASI 1. UJI DURBIN – WATSON

Langkah-langkah pengujian autokorelasi dengan Durbin – Watson

a. Tentukan

hipotesis

Null

dan

Hipotesis

alternatif

dengan

ketentuan Ho : Tidak ada autokorelasi (positif/negatif) Ha : ada autokorelasi (positif/negatif)

b. Estimasi model dengan OLS dan hitung nilai residualnya

24

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK

u t = Yt - o - 1 X 1 -

2 X 2 -

k X k -

-

k X k

c. Hitung Durbin – Watson dengan rumus sebagai berikut :

k c. Hitung Durbin – Watson dengan rumus sebagai berikut : Dimana: t = periode n

Dimana: t = periode n = jumlah observasi u t = Residual periode t u t-1 = residual periode t-1 d. Hitung Durbin Watson kritis yang terdiri dari nilai kritis dari batas atas (du) dan batas bawah (dl) dengan menggunakan jumlah data (n), jumlah variabel independen / bebas (k) serta

tingkat signifikansi tertentu ( ).

e. Nilai

DW

hitung

dibandingkan

dengan

DW

kritis

dengan

kriteria penerimaan dan penolakan hipotesis sebagai berikut :

HIPOTESIS NOL

KEPUTUSAN

KRITERIA

 

Ada auto korelasi positif

Tolak

0 < d < dl

 

Tidak

ada

auto

korelasi

Tidak

ada

dl < d < du

 

positif

keputusan

 

Ada auto korelasi negatif

Tolak

4-dl < d < 4

Tidak

ada

auto

korelasi

Tidak

ada

4-du <

d

<

negatif

keputusan

4-dl

Tidak ada auto korelasi

Jangan tolak

du < d < 4- du

Dari penjelasan di atas dapat dilihat pada gambar di bawah ini :

25

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK
PELANGGARAN ASUMSI KLASIK 2. UJI LANGRANGE MULTIPLIER (LM TEST) Langkah-Langkah Pengujian : a. Estimasi persamaan model

2. UJI LANGRANGE MULTIPLIER (LM TEST) Langkah-Langkah Pengujian :

a. Estimasi persamaan model dengan OLS

b. Klik View, Residual Test, serial correlation LM Test, sehingga akan muncul hasil print-out seperti ini :

LM Test, sehingga akan muncul hasil print-out seperti ini : Gambar 3.1 Tampilan Layar menu LM

Gambar 3.1 Tampilan Layar menu LM Test

c. Kemudian untuk Lags to include, ketik 1, seperti gambar di bawah ini :

26

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK
PELANGGARAN ASUMSI KLASIK Gambar 3.2 Tampilan Layar menu LM Test (LAGS) d. Lihat hasil print-outnya, dimana

Gambar 3.2 Tampilan Layar menu LM Test (LAGS)

d. Lihat hasil print-outnya, dimana :

# Jika R 2 (T-1) > X 2 atau probabilitas R 2 (T-1) < 0.05,

maka ada autokorelasi

# Jika R 2 (T-1) < X 2 atau probabilitas R 2 (T-1) > 0.05,

maka tidak ada autokorelasi

D. PENANGGULANGAN TERHADAP AUTOKORELASI Dengan menggunakan “COCHRANE – ORCUTT PROCEDURE”

1. Buat estimasi persamaan regresi awal dan hitung residualnya (u t ) Y t = o + 1 X 1t + 2 X 2 + u t

2. Buat estimasi persamaan regresi untuk periode t-1

Y t-1 = o +

1 X 1 t-1 +

2 X 2 t-1 +

u t

3. Buat estimasi persamaan koefisien dari serial korelasi (FIRST

DIFFERENCE EQUATION) dengan cara :

Y t = o + 1 X 1 t + 2 X 2 t + u t …………………………

(Y t-1 = o + 1 X 1 t-1 + 2 X 2 t-1 + u t-1 ) koefisien autokorelasi Y t-1 = o + 1 X 1 t-1 + 2 X 2 t-1 + u t-1 ……………2)

1)

X 2 t - 1 + u t - 1 ……………2) 1) Y t = o

Y t = o + 1 X 1 t + 2 X 2 t + u t

Y t-1 = o

Y t - Y t-1

Y

+

1 X 1 t-1 +

2 X 2 t-1 +

u t-1

=

o

-

o

+ 1 X 1 t - 1 X 1 t-1 + 2 X 2 t + 2 X 2 t-1 + u t -

u

t1

t - Y t-1 = (1- ) o + 1 (X 1 t - X 1 t-1 ) + 2 (X 2 t - X 2 t-1 ) + (u t - u t1 )

Dimana : Yt* o*

= Yt - Y t-1 = (1- ) o

X 1t * = (X 1t -

X 1t-1 )

27

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK

X 2t * = (X 2t -

u t *

X 2t-1 )

= (u t - u t-1 )

4.

Buat estimasi nilai

melalui estimasi fungsi residual u t

= u t-1

+v, u t adalah residual, pada hasil estimasi = coefficient resid

(1)

5.

Lakukan generate setiap variabel dimana Y 21 = Y t – Y (-1) * X 22 = X 1t – X (-1) * X 23 = X 2t – X (-1) * Catatan : untuk langsung masukkan angkanya (lihat langkah

(4))

6.

Lalu lakukan regresi untuk perbaikan autokorelasi dengan MAKE EQUATION

Y 2,1 C X 2,2 X 2,3

Contoh Soal Autokorelasi

Soal yang digunakan adalah contoh soal 1 (praktikum I)

Instruksi :

1. Lakukanlah pengujian autokorelasi dengan menggunakan :

a. LM-Test

b. Durbin-Watson Test

2. Lakukanlah penanggulangan autokorelasi

3. Interpretasikanlah model yang telah ditanggulangi

Jawaban

1. Pengujian Autokorelasi dengan menggunakan LM-Test Langkah 1 :

Masukanlah data pada Contoh soal 1 (praktikum 1)

Langkah 2 :

Regresikanlah model tersebut

Langkah 3 :

Lakukanlah uji LM-Test (Lihat prosedur pengujian LM-Test), sehingga muncul hasil regresi di halaman berikut :

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 15.25434 Probability

Obs*R-squared

8.715324

Probability

0.00245

2

0.00315

28

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK

Test Equation:

Dependent Variable: RESID Method: Least Squares

5

Date: 03/16/01 Variable

Time: 13:27 Coefficien

Std. Error

t-Statistic

Prob.

t

RSBI

0.894039

0.789838

1.131926

0.2817

GDP

-0.030313

0.051350

-0.590318

0.5669

C

RESID(-1)

1375.418 9666.484 0.142287 0.8894 -1.010293 0.258673 -3.905680 0.0025

R-squared 0.581022

Mean dependent var

-6.79E-

 

12

Adjusted R-squared

0.466755

S.D. dependent var

26403.5

 

3

S.E. of regression

19280.82

Akaike info criterion

22.7947

 

9

Sum squared resid

4.09E+09

Schwarz criterion

22.9836

 

0

Log likelihood

-166.9609

F-statistic

5.08477

 

9

Durbin-Watson stat

1.825773

Prob(F-statistic)

0.01893

 

1

HASIL REGRESI LM-TEST

Lihatlah hasil regresi di atas :

Probabilita Obs* R-Squared = 0.003155 lebih kecil daripada (5%),

maka terdapat autokorelasi. Atau untuk pengujian dapat juga

membandingkan Obs* R-Squared dengan tabel Chi-Squared.

Untuk soal no. 2 dan 3 perhatikan pembahasan asisten di depan kelas.

Tugas / Quiz 2

Soal 1.

Perhatikanlah data dibawah ini :

Data Impor, GDP, CPI suatu Negara, tahun 1970 -1998

Tahun

IMPOR

CPI

GDP

Tahun

IMPOR

CPI

GDP

1970

39,866.0

38.8

1,039.7

1985

338,088.

107.6

4,213.0

0

1971

45,579.0

40.5

1,128.6

1986

368,425.

109.6

4,452.9

0

1972

55,797.0

41.8

1,240.4

1987

409,765.

113.6

4,742.5

29

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK
       

0

   

1973 70,499.0

44.4

1,385.5

1988

447,189.

118.3

5,108.3

0

1974 103,811.0

49.3

1,501.0

1989

477,365.

124.0

5,489.1

0

1975 98,185.0

53.8

1,635.2

1990

498,337.

130.7

5,803.2

0

1976 124,228.0

56.9

1,823.9

1991

490,981.

136.2

5,986.2

0

1977 151,907.0

60.6

2,031.4

1992

536,458.

140.3

6,318.9

0

1978 176,002.0

65.2

2,295.9

1993

589,441.

144.5

6,642.3

0

1979 212,007.0

72.6

2,566.4

1994

668,590.

148.2

7,054.3

0

1980 249,750.0

82.4

2,795.0

1995

749,574.

152.4

7,400.5

0

1981 265,067.0

90.9

3,131.3

1996

803,327.

156.9

7,813.2

0

1982 247,642.0

96.5

3,259.2

1997

876,366.

160.5

8,300.8

0

1983 268,901.0

99.6

3,534.9

1998

917,178.

163.0

8,759.9

0

1984 332,418.0

103.9

3,932.7

 

Ln Impor = f (LnCPI t , LnGDP)

Pertanyaan :

1. Regresikanlah model di atas

2. Lakukanlah pengujian Multikolinearitas

3. Jika ada multikolinearitas apakah kita dapat membuang variabel yang menyebabkan multikolineritas tersebut ?

Soal 2.

 

Data Peggunaan BBM pada Mobil Angkutan Kota

 

No Obs

PBBM

KEC

TK

BK

1

39.6

100

66

22.5

2

39.3

103

73

22.5

3

38.9

106

78

22.5

4

38.8

113

92

22.5

5

38.2

106

78

22.5

6

42.2

109

90

25

7

40.9

110

92

25

8

40.7

101

74

25

30

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK

9

40

111

95

25

10

39.3

105

81

25

11

38.8

111

95

25

12

38.4

110

92

25

13

38.4

110

92

25

14

38.4

110

92

25

15

46.9

90

52

27.5

16

36.3

112

103

27.5

17

36.1

103

84

27.5

18

36.1

103

84

27.5

19

35.4

111

102

27.5

20

35.3

111

102

27.5

21

35.1

102

81

27.5

22

35.1

106

90

27.5

23

35

106

90

27.5

24

33.2

109

102

30

25

32.9

109

102

30

26

32.3

120

130

30

27

32.2

106

95

30

28

32.2

106

95

30

29

32.2

109

102

30

30

32.2

106

95

30

Ket:

Pertanyaan:

PBBM = rata-rata mil/galon KEC = rata-rata kecepatan (Mil/jam) TK = tenaga kuda kendaraan BK = berat kendaraan (ratus pound)

a. Lakukan regresi terhadap PBBM = f(KEC, TK, BK, e) b. Lakukan pengujian heteroskedastisitas dengan Park Test, Golfeld and Quant Test dan White-test. c. Tanggulangilah penyakit tersebut dengan metode yang anda ketahui. d. Interpretasikanlah hasil regresi yang sudah bebas dari heteroskedastisitas.

Soal 3.

Data Faktor-Faktor Yang Mempengaruhi Harga Timah

YEAR

HT

IHP

HTL

JPR

HA

1973

21.89

45.10

220.40

1,491.00

19.00

1974

22.29

50.90

259.50

1,504.00

19.41

1975

19.63

53.30

256.30

1,438.00

20.93

1976

22.85

53.60

249.30

1,551.00

21.78

1977

33.77

54.60

352.30

1,646.00

23.68

1978

39.18

61.10

329.10

1,349.00

26.01

1979

30.58

61.90

219.60

1,224.00

27.52

1980

26.30

57.90

234.80

1,382.00

26.89

31

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK

1981

30.70

64.80

237.40

1,553.70

26.85

1982

32.10

66.20

245.80

1,296.10

27.23

1983

30.00

66.70

229.20

1,365.00

25.46

1984

30.80

72.20

233.90

1,492.50

23.88

1985

30.80

76.50

234.20

1,634.90

22.62

1986

32.60

81.70

347.00

1,561.00

23.72

1987

35.40

89.80

468.10

1,509.70

24.50

1988

36.60

97.80

555.00

1,195.80

24.50

1989

38.60

100.00

418.00

1,321.90

24.98

1990

42.20

106.30

525.20

1,545.40

25.58

1991

47.90

111.10

620.70

1,499.50

27.18

1992

58.20

107.80

588.60

1,469.00

28.72

1993

52.00

109.60

444.40

2,084.50

29.00

1994

51.20

119.70

427.80

2,378.50

26.67

1995

59.50

129.80

727.10

2,057.50

25.33

1996

77.30

129.30

877.60

1,352.50

34.06

1997

64.20

117.80

556.60

1,171.40

39.79

1998

69.60

129.80

780.60

1,547.60

44.49

1999

66.80

137.10

750.70

1,989.80

51.23

2000

66.50

145.20

709.80

2,023.30

54.42

2001

98.30

152.50

935.70

1,749.20

61.01

2002

101.40

147.10

940.90

1,298.50

70.87

Ket:

HT =

Harga Timah (cent/pound) Indeks Harga Produksi Harga Timah di London (Poundsterling) Jumlah Pembangunan Rumah/th Harga Alumunium (cent/pound)

IHP =

HTL =

JPR =

HA =

Pertanyaan:

a. Regresilah model LnHT = f (LnIHP, LnHTL, LnJPR, LnHA, e) dengan terlebih dahulu merubah data dalam bentuk Ln

b. Apakah ada penyakit autokorelasi ? (Gunakan D-W test dan LM – Test)

c. Jika ada, maka sembuhkan penyakit tersebut dengan terlebih dahulu menghitung koefisien - nya.

Kerjakanlah soal-soal di atas pada kertas HVS, sertakan pula hasil print-out anda. Kumpulkanlah minggu depan pada praktikum IV!

BAB V PERSAMAAN SIMULTAN

32

PELANGGARAN ASUMSI KLASIK

PELANGGARAN ASUMSI KLASIK

A. Pengertian

Suatu himpunan persamaan dimana variabel dependen dalam satu atau lebih persamaan juga merupakan variabel independen dalam beberapa persamaan yang lain.

Suatu model yang mempunyai hubungan sebab akibat antara variabel dependen dan variabel independennya, sehingga suatu variabel dapat dinyatakan sebagai variabel dependen maupun independen dalam persamaan yang lain.

Misalnya:

1. X = f (Y)

tetapi

Qt = f (P) tetapi

Y = f (X) P = f (Qt)

2. Jumlah uang beredar M = a 0 + b 1 Y 1 + u 1