PELANGGARAN ASUMSI KLASIK

BAB I NORMALITAS
Pengujian Normalitas Untuk penerapan OLS untuk regresi linier klasik, diasumsikan bahwa distribusi probabilitas dari gangguan u1 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 u2 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 untuk menghitung J – B hitung (2)Hitung besarnya nilai J-B statistik Dengan rumus:

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 u1 berdistribusi normal dapat ditolak. Bila nilai J-B hitung < nilai X 2 – tabel, maka yang menyatakan bahwa residual u1 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

Diagram 1. Hasil Uji Normalitas : J – B Test

2

PELANGGARAN ASUMSI KLASIK

BAB II MULTIKOLINEARITAS
A. PENGERTIAN Multikolinearitas artinya terdapat korelasi yang signifikan di antara dua atau lebih variabel independent dalam model regresi.

B. CARA MENDETEKSI ADANYA MULTIKOLINEARITAS a. R2 cukup tinggi (0,7 – 1,0) tetapi uji-tnya untuk masingmasing koefisien regresinya menunjukkan tidak signifikan. Misalnya : Y = 24.7747 + 0.9415 X2 – 0.0424 X3 + e Standar error (6.7525) (0.8229) (0.0807) Nilai t (3.6690) (1.1441) (-0.5261) 3

Juadi kemungkinan besar terdapat Multikolinearitas antara X1 dan X2. Ha diterima ada multikolinearitas Jika F* < F tabel. Jika F* adalah F hitung maka : Jika F* > F tabel. pilih Correlations seperti tampilan berikut : Gambar 4. b.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. kemudian dihitung R2nya yaitu dengan uji F (uji signifikansi). Menggunakan Matriks Korelasi (Correlation Matrix) Langkah-langkahnya adalah sebagai berikut : 1. sebab pada R2 yang rendah (<5%) bisa juga terjadi multikolinearitas. Meregresikan variabel independent X dengan variabel independent variabel-variabel lain. artinya Ho diterima. Apabila diuji secara individual. c.PELANGGARAN ASUMSI KLASIK Adj. R2 = 0. maka hasilnya adalah tidak signifikan tapi apabila diuji secara keseluruhan variabel independentnya maka hasilnya adalah signifikan. Klik Views. Ha diterima tidak ada multikolinearitas d.1 Tampilan Group untuk masuk ke Menu Correlation 4 . artinya Ho ditolak. Tingginya nilai R2 merupakan syarata yang cukup (sufficient) akan tetapi bukan merupakan syarat yang penting untuk terjadinya multikorelineartitas. Pastikan data sudah siap (berada pada kota group) 2.

Klik Views. Menambah jumlah data / observasi Y = b1 + b2 X2 + b3 X3 + µ Dimana : Y = konsumsi X2 = pendapatan X3 = harga barang itu sendiri Pendapatan dan harga barang itu sendiri merupakan dua variabel yang saling mempengaruhi sehingga mengakibatkan terjadinya Multikolinearitas. Adapun langkah-langkahnya sebagai berikut : 1. Seperti tampilan berikut : 5 . Penambahan data baru dapat menghilangkan Multikolinearitas yang tidak begitu serius. Salah satu cara utnuk menghilangkan multikolinearitas adalah menghilangkan satu atau lebih variabel bebas yang mempunyai kolinearitas tinggi. 2. yang setelah itu diuji dengan menggunakan Uji Wald.2 Tampilan Correlation Matrix C.PELANGGARAN ASUMSI KLASIK Maka hasil yang didapat akan seperti tampilan berikut : Gambar 4. lalu pilih Cefficient Test dan klik Wald – Coefficient Restrictions. PENANGGULANGAN TERHADAP MULTIKOLINEARITAS Cara menanggulangi multikolinearitas : 1.

4 Tampilan Correlation Restriction 6 .3 Menu Uji Wald Restriction 2.PELANGGARAN ASUMSI KLASIK Gambar 4. Ketik salah satu koefisien dari variabel bebas yang ingin dihilangkan (yang paling tidak signifikan) seperti pada tampilan berikut : Gambar 4.

5 Tampilan Layar Uji Wald D. Contoh soal : (soal dibawah ini akan terus digunakan untuk materi praktikum-praktikum selanjutnya) 7 . Jika F statistik tidak signifikan (probabilita > 0.PELANGGARAN ASUMSI KLASIK 3. • 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.05) maka penghilangan variabel bebas yang mengandung multikolinearitas akan mengubah interpretasi dari persamaan regresinya sehingga penghilangan variabel tersebut tidak diperbolehkan. INTERPRETASI PENGUJIAN WALD TEST • Jika F statistik signifikan (probabilita < 0. Dengan kata lain sekalipun variabel tersebut mengandung multikolinearitas namun memiliki pengaruh terhadap variabel dependentnya. Hasil akan seperti tampilan berikut : Gambar 4.05) maka penghilangan variabel yang mengandung multikolinearitas tidak akan mengubah interpretasi dari persamaan regresinya sehingga penghilangan variabel tersebut diperbolehkan.

PELANGGARAN ASUMSI KLASIK Di bawah ini adalah mengenai Jumlah Uang Beredar (JUB) Contoh Soal 1 JUB = f (RSBI. Lakukanlah pengujian multikolinearitas terhadap soal di atas. 2. 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. tanggunglangi dan interpretasikan hasilnya. GDP) JUB = α0 + β1RSBI + β2GDP + µ Keterangan : JUB = Jumlah Uang Beredar (US$) RSBI = Tingkat Suku Bunga SBI (%) GDP = Gross Domestic Produsct (US$) Soal : 1. sehingga hasilnya akan tampak seperti gambar di bawah ini : 8 . Jika ada multikolinearitas.

74 (lihat kembali teori di atas). Langkah 5 : Interpretasi sesuai dengan hasil pengujian Wald Test.PELANGGARAN ASUMSI KLASIK Correlation Matrix Lihat gambar Korelasi antara RSBI dan GDP adalah sebesar 0. (lihat teori penanggulangan). Langkah 4 dan 5. 9 . lihat penjelasan asisten di depan kelas. Langkah 4 : Lakukanlah penanggulangan multikonearitas dengan menggunakan Wald test. Karena korelasi antar kedua variabel tersebut mendekati nilai 1 (1.70. Catatan : multikolinearitas yang kuat terjadi jika korelasi antar dua atau lebih variabel lebih dari 0.0000). maka antara RSBI dan GDP terdapat multikonearitas yang kuat.

obs 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 JUB 21469 18385 23417 28661 35885 42998 54704 86470 97105 118053 145303 186514 224368 366534 178120 G 585 412 766 971 1075 1304 1829 2495 2771 3554 3744 4504 4960 5955 2945 GDP 75832 62665 86554 93638 113718 134105 156851 198597 228450 269884 287976 372221 456381 557659 283782 Pertanyaan: 1.PELANGGARAN ASUMSI KLASIK SOAL Berdasarkan data di bawah ini. dimana JUB adalah jumlah uang beredar. G adalah pengeluaran pemerintah. Atasilah jika terdapat multikolinearitas 10 . dan Gdp adalah Gross Domestic Product. Uji ada atau tidak multikolinearitas 3. Regreslah JUB dengan G dan GDP 2.

………n Ketidaksamaan inilah yang disebut sebagai heteroskedastisitas.PELANGGARAN ASUMSI KLASIK BAB III HETEROSKEDASTISITAS A. 11 . PENGERTIAN Salah satu asumsi penting dalam analisa regresi adalah variasi gangguan acak (µ) pada 2 setiap variabel bebas adalah homoskedastisitas. 2. Asumsi ini dapat ditulis sebagai berikut : E (µi2) = δ I = 1.

Fungsi yang dianjurkan adalah : = δ 2 Xi β e atau 1n δi2 = δ2 β 1n Xi + vi Karena δ 2 tidak diketahui. dan dilakukan regresi : + β 1n Xi + vi . 3. Kesalahan spesifikasi model Salah satu asumsi dalam analisis regresi adalah model dispesifikasi secara benar. maka δ 2 2 menurun. PENDETEKSIAN HETEROSKEDASTISITAS a. tetapi karena suatu hal variabel tersebut tidak dimasukkan. Jadi sebuah bank yang mempunyai yang lebih sedikit pada laporan bulanan atau peralatan pemrosesan data yang canggih cenderung melakukan kesalahan kuartalan dibandingkan bank tanpa fasilitas tersebut. diharapkan menurun. Dalam hal ini diharapkan δ 2. Park mengasumsikan agar µi2 1n µi 2 = 1n δ 12 2 digunakan sebagai proxy. maka perilaku kesalahan menjadi lebih kecil dengan bertambahnya waktu. Error Learning Model Sebagaimana adanya proses perbaikan yang dilakukan unit-unit ekonomi.PELANGGARAN ASUMSI KLASIK Hal tersebut dikarenakan beberapa hal. B. Jika satu variabel yang semestinya harus dimasukkan. Perbaikan Dalam Pengumpulan Data Dengan meningkatnya mutu tekhnik pengumpulan data. hal itu akan menyebabkan residual dari regresi akan memberikan hasil yang berbeda dengan benar dan varians dari kesalahan tidak konstan. yaitu : 1. Uji Park Uji ini mengasumsikan bahwa δi δi 2 2 adalah fungsi dari variabel vi bebas Xi.

PELANGGARAN ASUMSI KLASIK = α + β 1n Xi + vi Jika β signifikan. maka ada heteroskedasitas dalam data sebab hipotesis pengujian heteroskedasitas adalah : H0 : Tidak ada heteroskedastisitas Ha : 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 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 Y 55 70 75 65 74 80 84 79 90 98 95 108 113 110 125 115 130 135 120 140 144 152 140 137 145 175 189 180 13 X 80 85 90 100 105 110 115 120 125 130 140 145 150 160 165 180 185 190 200 205 210 220 225 230 240 245 250 260 .

336918 7.0538 Durbin-Watson stat 1.D.28718 Mean dependent var S. Error t-Statistic 5.7333 39.PELANGGARAN ASUMSI KLASIK 29 30 178 191 265 270 Print out berikut adalah hasil regresi OLS dengan model Y = f (X.231386 1.590347 Std.7183 0.182968 Sum squared resid 2361. of regression 9. klik View lalu pilih make residual series dan ketik Residual dan kilk OK seperti tampilan berikut ini: 14 .028617 22. 0. Caranya sebagai berikut: a.946638 Adjusted R-squared 0.0866 0.775879 0. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Prob.290307 X 0.06134 7.637785 R-squared 0.e) Dependent Variable: Y Method: Least Squares Date: 06/07/01 Time: 09:00 Sample: 1 30 Included observations: 30 Variable Coefficient C 9.0000 119. Pada tampilan hasil regresi.000000 Berdasarkan print-out tersebut dapat dihitung nilai residual (µI) untuk kemudian di kuadratkan dan di Ln kan.430332 496.153 Log likelihood -108.E.944732 S.

hal ini berarti bahwa tidak ada heteroskedastisitas pada model tersebut.8154 (tidak signifikan pada α = 5%).2.2. Hasil Uji Park Dengan meregres model : LNRES2 = f (LNX) maka diperoleh hasil seperti Gambar 2. Dari hasil print out tersebut terlihat bahwa koefisien LNX memiliki probabilitas 0. jika variabel bebasnya lebih dari 1 maka diregres secara terpisah. dengan demikian dapat diketahui variabel mana yang menyebabkan adanya heteroskedastisitas 15 .1. Note: Pada uji Park ini. Tampilan Make Residual Dari residual tersebut dapat dihitung residual kuadrat (µi2) lalu di Ln kan dengan menggunakan Generate pada workfile yaitu: RES2=RESIDUAL^2 LNRES2=LOG(RES2) LNX=LOG(X) Gambar 8.PELANGGARAN ASUMSI KLASIK Gambar 8.

maka tidak ada heteroskedasitas Uji Goldfeld-Quant ini sangat tepat untuk sampel besar ( n > 30). pertama untuk nilai X yang terkecil. 40% Nilai Terkecil 15%-20% Dihilangkan 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. maka ada heteroskedasitas F hitung < F tabel. dimana n = banyaknya observasi. Kemudian buat dua regresi secara terpisah. Urutkanlah dari variabel bebas X dari yang terkecil yang terbesar 2. Kedua untuk nilai X besar dan hilangkan beberapa data yang ada ditengah. Goldfeld-Quant Test Langkah-langkah pengujiannya adalah sebagai berikut : 1. Contoh: 16 . 4. d = banyaknya data atau nilai observasi yang hilang k = banyaknya parameter yang diperkirakan. Seandainya tidak ada data yang dibuang (d = 0) tes masih berlaku tetapi kemampuan untuk mendeteksi adanya heteroskedasitas agak berkurang. Lakukan uji F dengan menggunakan derajat kebebasan (degree of freedom) sebesar (n-d-2k)/2. Kriteria uji F jika : F hitung > F tabel.PELANGGARAN ASUMSI KLASIK b.

61567 0.PELANGGARAN ASUMSI KLASIK Dengan data yang sama pada uji Park di atas.08333 14.000014 Dependent Variable: Y Method: Least Squares Date: 06/07/01 Time: 09:03 Sample: 19 30 17 .E.600977 61.31711 Prob(F-statistic) 6 Hasil Regresi kelompok I dengan RSS1 = 341.4550 0.6734 Prob.86036 Mean dependent 6 var Adjusted R-squared 0.777291 2 6 X 0. maka dibuang 20% nilai tengah dari total observasi (6 observasi).91466 6.520159 6.41214 9.1209 F-statistic 5 Durbin-Watson stat 2.0000 81.673 Schwarz criterion 4 Log likelihood -37. of regression 5.849565 9 6 R-squared 0.65728 0.D. Error t-Statistic t C 7. 0.53586 0. 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). dependent var 2 S.08373 7.84640 S.84528 Akaike info 3 criterion Sum squared resid 341. yaitu observasi ke 13 s/d observasi ke 18. Hasil regresinya adalah sebagai berikut: Dependent Variable: Y Method: Least Squares Date: 06/07/01 Time: 09:01 Sample: 1 12 Included observations: 12 Variable Coefficien Std.

882258 0.85 F-stat < F-tabel ⇒ c.E. Uji White Hasil uji park bisa berbeda dengan uji Golfeld and Quant.56614 -1.583 3 23.27076 1. tidak ada heteroskedastisitas = 18 .6734 Jika digunakan (α= 1%) maka F-tabel (α= 1%.43919 2 0.762489 11.146407 6.3136 1 0.315331 Std. 0. df = {30 – 6 – 2(2)}/2 = 10) = 2.87845 9 7.02607 7 Mean dependent var S.1807 0.8896 F-tabel (α= 5%.98 F-stat > F-tabel ⇒ ada heteroskedastisitas = RSS2/RSS1 = 1328.784081 0. Jika terjadi keraguan maka sebaiknya digunakan uji white yang pada prinsipnya meregres residual yang dikuadratkan dengan variabel bebas pada model.95927 7 36.74731 X R-squared Adjusted R-squared S. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Prob.PELANGGARAN ASUMSI KLASIK Included observations: 12 Variable Coefficient C -49.00012 8 Hasil regresi kelompok II dengan RSS2 = 1328. df = {30 – 6 – 2(2)}/2 = 10) 4. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.965 F-stat = 3.0001 157.52807 1328.6545 5 7.965 -45. Error t-Statistic 34.D.965/341.

X22. Tampilan Layar Menu Uji White Contoh: 19 .X22.e) Maka model White-test nya adalah : µ2 = f(X.PELANGGARAN ASUMSI KLASIK Jika modelnya : Y = f(X. Klik View. maka tidak ada heteroskedastisitas Langkah-langkah pengujian White Test : 1. maka ada heteroskedasitas Prob Obs* R square > 0. e) Maka model White test mempunyai dua kemungkinan yaitu: Kriteria uji White adalah jika : Obs* R square > χ2 tabel. White Heteroskedasticity (Cross term or no Cross term). maka ada heteroskedasitas Obs* R square < χ2 tabel. Residual Test. X12. X2. seperti pada gambar berikut : Gambar 2. X1X2. e) : µ2 = f(X1. e) Jika modelnya Model no cross term Model cross term : Y = f(X1.05. menspesifikasikan variabel bebas dan variabel tidak bebas. 2. Lakukan estimasi fungsi regresi terlebih dahulu.X2. maka tidak ada heteroskedasitas atau Prob Obs* R square < 0. X2. e) : µ2 = f(X1.05. X12. X2.3.

PELANGGARAN ASUMSI KLASIK Dengan data yang sama pada uji park dan goldfeld and quant.70511 112. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Prob.990 Obs* R square < χ2 tabel.7731 -0.064119 2. Error t-Statistic 191.8018 78. PENANGGULANGAN TERHADAP HETEROSKEDASTISITAS 1. of regression 105. 0.083329 0.8355 Durbin-Watson stat 1.116785 S. Transformasi Logaritma Natural Jika model berikut ini mengandung heteroskedastisitas : Y i = α1 + α2 + u i 20 . maka tidak ada heteroskedasitas atau Prob Obs* R square = 0.330902 Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 03/05/04 Time: 09:38 Sample: 1 30 Included observations: 30 Variable Coefficient C -12.05. C.006707 0.856573 Probability Probability 0.071274 0.197385 X^2 0.9493 0.071274 Obs* R.square χ2 tabel dengan (α= 5%.368760 0.001700 R-squared 0.39582 2.7 Log likelihood -180.253503 Mean dependent var S.9342 0.8043 Sum squared resid 302252.25570 12.D.917301 0.df = 2) = 5.917301 Obs*R-squared 5.0695 Prob Obs* R square > 0. berikut ditampilkan hasi uji white: White Heteroskedasticity Test: F-statistic 2.5823 12.29621 X 0.177697 Adjusted R-squared 0.E.331 = 5.069568 Std.maka tidak ada heteroskedastisitas Note: df pada χ2 tabel adalah jumlah variabel bebas (regresors) pada regresi model White-test kecuali konstanta.

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. Yi = α1 + α2Xi + ui E (uiXi) ≠ 0 dan E (ui2) ≠ δu2 Jika diasumsikan (ui2) = δ2 ≠ 0 maka dengan mentransformasikan model regresi tersebut diperoleh model regresi baru sebagai berikut : Yi / Xi = bo / Xi + b1 + ui/Xi Dimana : Var (ui/Xi)2 = 1/Xi2 var (ui)2 = 1/Xi2 δ2 Xi2 = δ2 Homoskedastisitas Maka kesalahan penggangu menjadi homoskedastisitas. Variabel bebas (independen) yang mengandung heteroskedastisitas tersebut diperoleh dari pengujian White-Test. Dengan demikian koefisien regresi dari model baru didapat dengan menggunakan OLS tersebut menjadi unbiased. 21 . consistent dan efficient.PELANGGARAN ASUMSI KLASIK Lakukanlah tranformasi seperti model logaritma di bawah ini : LnYi = βi + β2 LnXi Transformasi dalam bentuk logaritma akan memperkecil skala dari observasi dan kemungkinan besar varians juga akan semakin mengecil dan ada kemungkinan homoskedastisitas terpenuhi. 2.

1 1.8 10.1 4.3 122.55 2.86 9.4 19.31 5. 4 494.3 11.76 1.8 R&D 62.29 5.1 116.438 .1 21.4 13.6 80. Sales dan Profit pada 18 kelompok Industri sebuah negara pada tahun 2000 (dalam Juta US$) No Industri 1 Kontainer dan Pengepakan 2 LKBB 3 Industri Jasa 4 Baja dan Tambang 5 Perumahan dan Konstruksi 6 Perdagangan umum 7 Industri waktu luang 8 Produksi Kertas dan Kayu 9 Makanan 10 Rumah Sakit 11 Pesawat terbang 12 Produk Pelanggan 13 Elektronik dan listrik 14 Kimia 15 Konglomerat 16 Perlengkapan Kantor dan komputer 22 Sales 6.645 .751 . 7 1.9 175.10 7. 8 2.9 8.31 4.8 9.761 . 5 92.107 .569 .595 .0 101.278 . 3 258.1 3.454 .7 40. 2 6.9 4.65 5.5 .7 141.869 .9 2.5 4.0 1.3 6.02 5.40 8.620 .210 .828 .487 .29 4.620 .774 .6 35. 7 509.62 6.64 9. 9 3.918 .787 .2 26.036 .8 95.3 32.1 3.7 5.7 Profit 185.40 5.163 .4 70.1 225.4 14.884 .3 16.6 1.PELANGGARAN ASUMSI KLASIK Soal latihan: Berikut adalah data Biaya R & D.8 13. 9 178.14 1.6 421.083 .5 276.375 .

5 293.0 1. 23 . Profit.415 .61 4.2 22.4 a. Lakukanlah Uji White dengan metode cross term b. Interpretasikanlah hasil yang sudah disembuhkan. Jika ada penyakit heteroskedastisitas atau membagi sembuhkanlah dengan dengan yang Transformasi logaritma variabel menyebabkan terjadinya heteroskedastisitas.PELANGGARAN ASUMSI KLASIK 17 Minyak 18 Automotif 230.6 18. Lakukanlah regresi terhadap R & D = f(Sales.703 . Ujilah apakah ada penyakit heteroskedastisitas dengan Park Test sbb: Ln µi 2 = α + β 1n Sales + e1 dan Ln µi 2 = α + β 1n Profit + e2 c.626 .528 .54 3. c.e) b.8 9.

PENGUJIAN TERHADAP ADANYA AUTOKORELASI 1. Bila kesalahan pengganggu periode t dengan t-1 berkorelasi maka terjadi kasus korelasi serial sederhana tingkat pertama (first order autocorrelation). Pada kondisi ini kesalahan pengganggu tidak bebas tetapi satu sama lain saling berhubungan.PELANGGARAN ASUMSI KLASIK BAB IV AUTOKORELASI A. Tentukan hipotesis Null dan Hipotesis alternatif dengan ketentuan Ho : Tidak ada autokorelasi (positif/negatif) Ha : ada autokorelasi (positif/negatif) b. PENGARUH ADANYA AUTOKORELASI Dengan adanya autokorelasi dengan dugaan parameter OLS masih “UNBIASED” Dan “CONSISTENT” tetapi standar error dari dugaan parameter regresi adalah bias. UJI DURBIN – WATSON Langkah-langkah pengujian autokorelasi dengan Durbin – Watson a. PENGERTIAN Yaitu suatu keadaan dimana kesalahan pengganguan dari periode tertentu (µt) berkorelasi dengan kesalahan pengganggu dari periode sebelumnya (µt-1). C. Estimasi model dengan OLS dan hitung nilai residualnya 24 . sehingga mengakibatkan uji statistik menjadi tidak tepat dan interval kepercayaan menjadi bias (biased confidence intervals). B.

. jumlah variabel independen / bebas (k) serta tingkat signifikansi tertentu (α). Hitung Durbin Watson kritis yang terdiri dari nilai kritis dari batas atas (du) dan batas bawah (dl) dengan menggunakan jumlah data (n). Hitung Durbin – Watson dengan rumus sebagai berikut : Dimana: t = periode n = jumlah observasi ut = Residual periode t ut-1 = residual periode t-1 d.β2X2 . e.PELANGGARAN ASUMSI KLASIK ut = Yt .….βo .βkXk c..β1X1 . 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 Tidak ada auto korelasi Tidak negatif Tidak ada auto korelasi keputusan Jangan tolak 4-dl < d < 4 ada 4-du < d < 4-dl du < d < 4du Dari penjelasan di atas dapat dilihat pada gambar di bawah ini : 25 .βkXk .

sehingga akan muncul hasil print-out seperti ini : Gambar 3. UJI LANGRANGE MULTIPLIER (LM TEST) Langkah-Langkah Pengujian : a. Kemudian untuk Lags to include.1 Tampilan Layar menu LM Test c. Klik View. Estimasi persamaan model dengan OLS b.PELANGGARAN ASUMSI KLASIK 2. seperti gambar di bawah ini : 26 . ketik 1. Residual Test. serial correlation LM Test.

05.PELANGGARAN ASUMSI KLASIK Gambar 3. maka ada autokorelasi Jika R2 (T-1) < X2 atau probabilitas R2 (T-1) > 0.ρX2 t-1) + (ut .ρY t-1 = (1-ρ) βo + β1(X1 t .ρX1 t-1) + β2 (X2 t .1) (Y t-1 = βo + β1X1 t-1 + β2X2 t-1 + ut-1) ρ koefisien autokorelasi ρY t-1 = βoρ + ρβ1X1 t-1 + ρβ2X2 t-1 + ut-1ρ ……………2) Y t = βo + β1X1 t + β2X2 t + ut ρY t-1 = βoρ + ρβ1X1 t-1 + ρβ2X2 t-1 + ut-1ρ Y t .βoρ + β1X1 t .2 Tampilan Layar menu LM Test (LAGS) d.ρY t-1 = βo . Lihat hasil print-outnya.ut–1ρ) Dimana : Yt* = Yt .. Buat estimasi persamaan regresi untuk periode t-1 Y t-1 = βo + β1X1 t-1 + β2X2 t-1 + ut 3. dimana : # # Jika R2 (T-1) > X2 atau probabilitas R2 (T-1) < 0. Buat estimasi persamaan regresi awal dan hitung residualnya (ut) Yt = βo + β1X1t + β2X2 + ut 2. maka tidak ada autokorelasi D.ut–1ρ Y t .05.ρβ1X1 t-1 + β2X2 t + ρβ2X2 t-1 + ut . PENANGGULANGAN TERHADAP AUTOKORELASI Dengan menggunakan “COCHRANE – ORCUTT PROCEDURE” 1.ρ X1t-1) 27 .ρYt-1 βo* = (1-ρ) βo X 1t* = (X 1t . Buat estimasi persamaan koefisien dari serial korelasi (FIRST DIFFERENCE EQUATION) dengan cara : Y t = βo + β1X1 t + β2X2 t + ut ………………………….

Interpretasikanlah model yang telah ditanggulangi Jawaban 1. Lakukan generate setiap variabel dimana Y21 = Yt – Y (-1) *ρ X22 = X1t – X (-1) *ρ X23 = X2t – X (-1) *ρ Catatan : untuk ρ langsung masukkan angkanya (lihat langkah (4)) 6.00315 .715324 Probability 28 0. 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).PELANGGARAN ASUMSI KLASIK X 2t* = (X 2t . Durbin-Watson Test 2. Lakukanlah penanggulangan autokorelasi 3. Lalu lakukan regresi untuk perbaikan autokorelasi dengan MAKE EQUATION Y2.ρ X2t-1) ut* = (ut . pada hasil estimasi ρ = coefficient resid (1) 5.2 X2.1 C X2. sehingga muncul hasil regresi di halaman berikut : Breusch-Godfrey Serial Correlation LM Test: F-statistic 15.00245 2 0. Buat estimasi nilai ρ melalui estimasi fungsi residual ut = ρut-1 +v.ut-1ρ) 4.3 Contoh Soal Autokorelasi Soal yang digunakan adalah contoh soal 1 (praktikum I) Instruksi : 1. LM-Test b. Lakukanlah pengujian autokorelasi dengan menggunakan : a.25434 Probability Obs*R-squared 8. ut adalah residual.

2 dan 3 perhatikan pembahasan asisten di depan kelas.5669 0.5 41.0 45.579.590318 9666.8 40.866.6 113.131926 0.PELANGGARAN ASUMSI KLASIK 5 Test Equation: Dependent Variable: RESID Method: Least Squares Date: 03/16/01 Time: 13:27 Variable Coefficien t RSBI 0. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) HASIL REGRESI LM-TEST Lihatlah hasil regresi di atas : Probabilita Obs* R-Squared = 0.088.08477 9 0.894039 GDP -0.425.051350 -0.8894 0. CPI suatu Negara.7 1.213.258673 -3.581022 Adjusted R-squared S.030313 C 1375.6 1.2817 0.5 29 .142287 0.240.825773 Std.0 CPI 38. Perhatikanlah data dibawah ini : Data Impor.0 55. Error t-Statistic Prob.128.4 Tahun 1985 1986 1987 IMPOR 338.742.82 4. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.418 RESID(-1) -1. GDP.9 4. 0 368.765.466755 19280. Tugas / Quiz 2 Soal 1.010293 R-squared 0.6 109.452.E.79E12 26403.D.039.9836 0 5. tahun 1970 -1998 Tahun 1970 1971 1972 IMPOR 39.484 0.7947 9 22. maka terdapat autokorelasi.6 GDP 4.797. 0.905680 Mean dependent var S. Untuk soal no.003155 lebih kecil daripada α (5%). Atau untuk pengujian dapat juga membandingkan Obs* R-Squared dengan tabel Chi-Squared.0 4.01893 1 0.9609 1.09E+09 -166. CPI 107.0025 -6.8 GDP 1. 0 409.5 3 22.789838 1.

8 8.590. 0 917.9 3.4 156.566.441.4 49.0 249.2 40.5 25 25 25 30 .5 22.7 100 103 106 113 106 109 110 101 66 73 78 92 78 90 92 74 BK 22.7 136.0 268.2 8.811.813.8 38.6 103.574.489.3 7.189.131.9 Ln Impor = f (LnCPIt .4 2. 0 490.1 5.0 176.7 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 118.981.3 144.0 3. 0 668.259.0 98.795. 0 876.300.0 247.3 38.2 152.6 82.635.4 2. LnGDP) Pertanyaan : 1.3 5.2 3.499. 0 536.228.6 65.5 22.5 22.5 1.0 212.337.2 42.2 6. Lakukanlah pengujian Multikolinearitas 3.0 44.2 72.007.2 5. 0 498.0 124.002.327.6 39.3 3.295.9 2.9 1.0 103.385.0 151.318.3 124.8 56.0 265.458.0 130.3 7.5 163. 0 803.5 22.PELANGGARAN ASUMSI KLASIK 0 447. No Obs 1 2 3 4 5 6 7 8 Data Peggunaan BBM pada Mobil Angkutan Kota PBBM KEC TK 39.2 1.054.642.365.534.5 99.366. 0 589.9 160.9 38.901.932.418.9 96.178.907. 0 477.803.5 148.642.823.3 53.0 332.501.0 5.2 140.9 40. Regresikanlah model di atas 2.185.108. 0 749.759.0 1.400.750.9 6. Jika ada multikolinearitas apakah kita dapat membuang variabel yang menyebabkan multikolineritas tersebut ? Soal 2.9 2.031.986.067.5 7.4 90. 0 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 70.9 60.

5 106 90 27.00 23.10 220.5 109 102 30 109 102 30 120 130 30 106 95 30 106 95 30 109 102 30 106 95 30 rata-rata mil/galon rata-rata kecepatan (Mil/jam) tenaga kuda kendaraan berat kendaraan (ratus pound) = = = = Pertanyaan: a.2 32.89 45. BK.00 20.30 1.PELANGGARAN ASUMSI KLASIK 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 Ket: 40 39.60 249.551.50 1.30 1.382.4 35.5 112 103 27.2 PBBM KEC TK BK 111 95 25 105 81 25 111 95 25 110 92 25 110 92 25 110 92 25 90 52 27.491.58 61.10 1.349.60 352.1 36.3 35.504.1 35.00 21.1 35.18 61.2 32.3 38.9 36.2 32. Tanggulangilah penyakit tersebut dengan metode yang anda ketahui.4 38.63 53.224.00 19. YEAR 1973 1974 1975 1976 1977 1978 1979 1980 Data Faktor-Faktor Yang Mempengaruhi Harga Timah HT IHP HTL JPR HA 21.80 1.00 19. Golfeld and Quant Test dan White-test.00 26.5 111 102 27. Soal 3. d.5 102 81 27.68 39.4 46.52 26.30 256.5 103 84 27.5 106 90 27.30 1.90 259.5 111 102 27.00 27.10 329.89 hasil regresi yang sudah bebas dari 31 .29 50.60 1. c.1 35 33.3 32. e) b.646.2 32.8 38.5 103 84 27.77 54.00 26.00 22.41 19.93 22. Lakukan regresi terhadap PBBM = f(KEC.40 1.438.90 219.85 53. Interpretasikanlah heteroskedastisitas.30 57.3 36. TK. Lakukan pengujian heteroskedastisitas dengan Park Test.4 38.9 32.78 33.01 30.90 234.

20 1. maka sembuhkan penyakit tersebut dengan terlebih dahulu menghitung koefisien ρ.50 234.00 52.72 24.80 2.98 25. Jika ada.50 24.30 877.80 556.00 30.00 1.20 117.50 51.20 1.90 1. Regresilah model LnHT = f (LnIHP.352.20 101.60 66.70 1.80 780.553.499.70 32.20 709.00 1.10 940.378.469.80 237.60 100.50 58.60 1.46 23.80 1.989. Kumpulkanlah minggu depan pada praktikum IV! BAB V PERSAMAAN SIMULTAN 32 .88 22.365.00 1.20 245.40 47.40 1.nya.70 64.87 Pertanyaan: a.20 106.20 107.561.30 129.10 66.01 70.30 152.80 137.195.60 81.023.60 129.60 97.50 HT = Harga Timah (cent/pound) IHP = Indeks Harga Produksi HTL = Harga Timah di London (Poundsterling) JPR = Jumlah Pembangunan Rumah/th HA = Harga Alumunium (cent/pound) 26.67 25.00 26. e) dengan terlebih dahulu merubah data dalam bentuk Ln b.42 61.50 59.80 72.50 935.60 444.80 38.00 35.084.90 32.79 44.80 727.057.50 30. sertakan pula hasil print-out anda.23 25.50 64.90 111. LnJPR.40 2.50 129.33 34.90 1.10 750.85 27.80 66.70 229.10 1.20 1.30 98.10 2.321.10 30.634.70 1.50 145.70 347.00 418.171.80 468.30 525.00 109.50 24.40 69.80 76.23 54.60 1.80 555.60 1.20 119.40 89. Kerjakanlah soal-soal di atas pada kertas HVS.545.58 27.20 233. LnHTL.PELANGGARAN ASUMSI KLASIK 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 Ket: 30.72 29.62 23.547.10 620.60 1.296.00 66.70 36.90 42.80 588.492.70 427. LnHA.49 51.40 147.50 77.509.80 2.18 28.06 39.298.749.70 1. Apakah ada penyakit autokorelasi ? (Gunakan D-W test dan LM – Test) c.

X = f (Y) tetapi Y = f (X) Qt = f (P) tetapi P = f (Qt) 2.Variabel eksogen sekarang  Xt . Misalnya: 1. Pengertian  Suatu himpunan persamaan dimana variabel dependen dalam satu atau lebih persamaan juga merupakan variabel independen dalam beberapa persamaan yang lain. sehingga suatu variabel dapat dinyatakan sebagai variabel dependen maupun independen dalam persamaan yang lain. Pt-1 33 . Pt .PELANGGARAN ASUMSI KLASIK A. Fungsi demand : Q = b0 + b1P1 + b2P2+ b3Y1+ u1 Fungsi produksi : P = b0 + b1Q1 + b2W2 + v1 Variabel dalam persamaan simultan: • Variabel endogen/ endogenous variable : variabel dependen pada persamaan simultan (jumlahnya sama dengan jumlah persamaan dalam model simultan). • Variabel yang sudah diketahui nilainya/ predetermined variable : variabel ini diperlakukan sebagai variabel yang nir stokastik yang nilai-nilainya sudah tertentu atau sudah ditentukan. yaitu: Variabel eksogen : . Predetermined variable dibedakan menjadi dua. Jumlah uang beredar M = a0 + b1 Y1 + u1 Y1 = b0 + b1M1 + b2I2 + u1 3.  Suatu model yang mempunyai hubungan sebab akibat antara variabel dependen dan variabel independennya.Variabel eksogen waktu lampau  Xt-1.

yaitu dengan memasukkan salah satu persamaan pada persamaan yang lain. Masalah Identifikasi dalam Persamaan Simultan Masalah identifikasi sering dijumpai pada model ekonometri yang lebih dari satu persamaan. Ada dua macam dalil pengujian identifikasi. dianggap residual yang stokastik. jika model persamaan tersebut sudah diubah dalam bentuk reduce form. Persyaratan ini disebut Kondisi Identifikasi (condition og identification).PELANGGARAN ASUMSI KLASIK - Variabel endogen waktu lampau (lagged endogenous variabel)  Yt-1. Karena masing-masing persamaan secara tidak tergantung pada variabel asumsi dari OLS adalah nir-stokastik atau jika stokastik. yaitu Order condition dan Rank condition.  Dapat diterapkan. B. Jika hanya dilakukan regresi pada salah satu model regresi. maka persamaan tunggal tersebut tidak dapat diperlakukan sebagai sebuah model yang lengkap. Untuk memecahkan masalah ini harus dilakukan pengujian atau persyaratan agar diketahui koefisien persamaan mana yang ditaksir. Qt-1 Dapatkah OLS digunakan untuk menaksir koefisien dalam persamaan simultan?  Tidak dapat. jika OLS tersebut digunakan untuk meregres sendiri-sendiri. Notasi yang dipergunakan adalah: M = jumlah variabel endogen dalam model m = jumlah variabel endogen dalam persamaan K = Jumlah variabel predetermined dalam model k = Jumlah variabel predetermined dalam persamaan 34 .

maka persamaan tersebut identified. maka persamaan tersebut unidentified . Order Conditions Syarat identifikasi suatu persamaan struktural: Pada persamaan simultan sejumlah M persamaan (yang tidak mempunyai predetermined variable) M-1≥1 Jika M-1 = 1. Pada kasus ini (M = 2) dan 2 – 1 = 1 ⇒ identified Pada persamaan yang memiliki predermined variable berlaku aturan: K – k ≥ m –1 Jika K – k = m –1. agar identified maka M-1 = 1. Jika K – k < m –1. Jika K – k > m –1. jika tidak maka tidak identified. maka persamaan tersebut overidentified . maka persamaan tersebut overidentified. Jika M-1 > 1. maka persamaan tersebut unidentified. Jika M-1 < 1. Qt = α0 + α1Pt + u1t Qt = β0 + β1Pt + u2t Contoh: Fungsi Demand Fungsi Supply Pada model ini Pt dan Qt merupakan variable endogen tanpa predetermined variable. 35 . maka persamaan tersebut identified .PELANGGARAN ASUMSI KLASIK 1.

PELANGGARAN ASUMSI KLASIK Contoh: Fungsi Demand Qt = α0 + α1Pt + α2 It + u1t- ……………(1) Fungsi Supply ……… (2) Pada model ini Pt dan Qt merupakan variable endogen dan It adalah predetermined variable. dan rank dari matriks A adalah kurang dari (M-1). maka persamaan tersebut exactly identified . sekurang-kurangnya mempunyai satu determinan berdimensi (M-1) yang tidak sama dengan nol. Persamaan (1) : K – k < m – 1 atau 1 – 1 < 2 – 1 ⇒ Unidentified Persamaan (2) : M – 1 = 1 atau 2 – 1 = 1 Indentified Catatan Persamaan yang dapat diselesaikan dengan sistem persamaan simultan adalah persamaan yang identified dan over identified. Suatu persamaan yang mempunyai M persamaan dikatakan identified. Jika K – k > m –1. dan rank dari matriks A adalah kurang dari (M-1). dan rank dari matriks A adalah (M-1). dan rank dari matriks A adalah (M-1). maka persamaan tersebut unidentified. Kesimpulan : Jika K – k = m –1. maka persamaan tersebut underidentified . 2. maka persamaan tersebut overidentified . Jika K – k ≥ m –1. Jika K – k < m –1. ⇒ Qt = β0 + β1Pt + u2t……………… 36 . Rank Conditions.

Asumsi yang harus dipenuhi dalam penggunaan prosedur ILS: 1. Metode Persamaan Simultan  Indirect Least Squares (ILS) Metode ILS dilakukan dengan cara menerapkan metode OLS pada persamaan reduced form.PELANGGARAN ASUMSI KLASIK C. Persamaan strukturalnya harus exactly identified. Jika asumsi terpenuhi. Variabel residual ini Contoh: Diketahui suatu model persamaan simultan adalah sebagai berikut : Qd= α0 + α1 P+ α2 X + v Qs= β0 + β1 P + β2 Pl + u Dimana: Qd = Jumlah barang yang diminta Qs = Jumlah barang yang ditawarkan P = harga barang X = Income Pl = harga Input Persamaan reduce form-nya adalah sebagai berikut : P= Π0 + Π1 X + Π 2 Pl +Ω1 Q= Π 3 + Π 4 X + Π 5 Pl +Φ2 Persamaan Reduce Form dapat dicari dengan langkah sebagai berikut:  Selesaikan persamaan Qd = Qs = β0 + β1 P + β2 Pl + u 37 tidak dari persamaan maka akan reduced form-nya harus menyebabkan bias pada memenuhi semua asumsi stokastik dari teknik OLS. penaksiran koefisiennya. 2. α0 + α1 P+ α2 X + v .

α0 .PELANGGARAN ASUMSI KLASIK α1 P .β1 P = β0 .α2 X + β2 Pl + u .v  β0 − α 0   α 2   β2   u−v  − P =   α − β  X +  α − β  Pl +  α − β       α − β  1 1 1  1  1  1 1   1 P = ∏0 + ∏1 X + ∏3 Pl + Ω  Kemudian substitusikan persamaan P diatas dengan salah satu persamaan Q. misalnya dengan Qd Qd = α0 + α1 P+ α2 X + v  β0 − α0   α2   β2   u−v  − Q d = α0 + α1   α − β  X +  α − β  Pl +  α − β  + α2 X + v      α − β  1 1 1  1  1  1 1   1  α1β 0 − α1α 0   α1α 2   α1β 2   α1u − α1v    α − β  −  α − β  X +  α − β  Pl +  α − β         1 1 1 1   1  1  1  + α2 X + v Q d = α0 +   α1β 0 − α1α 0   α1α 2   α1β 2   α1u − α1v    α − β  −  α − β  X +  α − β  Pl +  α − β         1 1 1 1 1  + α X + v   1  1  1 Q d = α0 +  2 Lalu samakan semua penyebutnya dengan α1 − β 1  α 0α1 − α 0 β1   +   Qd =  α1 − β1   α1β 0 − α1α 0   α1α 2   αβ   α u − α1v   −  X +  1 2  Pl +  1  α − β  α − β  α − β   α −β   1 1 1 1 1  +    1  1  1  α 1α 2 − β 1α 2   α −β  1 1   α v − β 1v  X +  1   α −β     1 1   α β − α 0 β1   α 2 β1   α1β 2   α1u − β1v  Qd =  1 0  α − β  −  α − β  X +  α − β  Pl +  α − β         1 1 1 1 1     1  1  1 Qd = ∏ +∏ X +∏ Pl +Φ 3 4 5 38 .

34395 . Hasil Regresi OLS persamaan reduced form Dependent Variable: P Included observations: 22 Variable Coefficient X 0. α2.017971 PL -1.000032 Std. yaitu : P= Π0 + Π1 X + Π 2 Pl +Ω1 Q= Π 3 + Π 4 X + Π 5 Pl +Φ2 2.384484 -3. dependent var F-statistic Prob(F-statistic) Prob.627636 squared Log likelihood -89.0909 24.0080 0.94177 Mean dependent var S.626663 16.559637 squared Log likelihood -75.0000 109.096827 10. dependent var F-statistic 39 Prob. Regres persamaan reduced form dengan metode OLS. Ambil nilai koefisien dari hasil regresi tersebut.207526 -2.PELANGGARAN ASUMSI KLASIK Dari persamaan reduce form-nya diperoleh 6 koefisien reduksi yaitu: Π0 Π1 Π2 Π3 Π4 dan Π5 yang akan digunakan untuk menaksir 6 koefisien structural yaitu α0.0007 0.8636 12. kemudian masukkan pada koefisien reduced form untuk menaksir koefisien struktural.601576 Adjusted R0.190681 C 94.96355 Std.0014 0.735081 0.0000 100.08825 R-squared 0.97410 18.42454 9. α1.847730 stat Dependent Variable: Q Method: Least Squares Date: 03/18/02 Time: 16:23 Sample: 1970 1991 Included observations: 22 Variable Coefficient X 0. β1 dan β2 Langkah-langkah ILS: 1. 0. 0.014026 0.009026 PL -0. Error t-Statistic 0.0059 0.D.002417 3.615342 C 95.663099 Adjusted R0. Error t-Statistic 0.025651 Mean dependent var S.69819 0. β0.965133 5.39545 14.32565 R-squared 0.D.004477 4.52976 Durbin-Watson 0.

000160  Two Stage Least Squares (TSLS) Metode TSLS sering digunakan dengan alasan: 1. Regres Variabel Q dengan PF dan RES1. 2. CONTOH METODE 1 UNTUK TSLS: Persamaan simultan adalah sebagai berikut : Qd= a11 + a12 P+ a13 X + v Qs= b11+ b12 P + b12 Pl + u Langkah-langkah TSLS: (untuk persamaan 1) 1. penerapan TSLS menghasilkan taksiran tunggal (sedangkan ILS menghasilkan taksiran ganda). 3. Metode ini dapat diterapkan pada kasus exactly identified. Pada kasus ini taksiran TSLS = ILS. Untuk persamaan yang overidentified. Dengan TSLS tidak ada kesulitan untuk menaksir standar error. karena koefisien struktural ditaksir secara langsung dari regresi OLS pada langkah kedua (sedangkan pada ILS mengalami kesulitan dalam menaksir standar error). Q = b11 + b12 PF+ b13 RES1 + b14 X + v 40 .276325 Prob(F-statistic) 0. Regres P = a11 + a12 Pl+ a13 X + v 2. 3.PELANGGARAN ASUMSI KLASIK Durbin-Watson stat 2. Buatlah nilai Fitted dan Residual dari regresi tersebut (PF dan RES1).

025651 4 R-squared 0.9741 0 8.PELANGGARAN ASUMSI KLASIK Gambar 4.627636 S.0007 0. 0.017971 0.56057 5 .663099 Mean dependent var Adjusted R0. Error t-Statistic PL -1.090 9 24.08825 10. of regression 15.23961 Akaike info criterion Sum squared 4412.00447 4.096827 4 X 0.014026 7 C 94.41179 7 8. dependent var squared S.0000 109.D.38448 -3.1 Hasil regresi P = a11 + a12 Pl+ a13 X + v Dependent Variable: P Method: Least Squares Date: 03/18/02 Time: 22:56 Sample: 1970 1991 Included observations: 22 Variable Coefficient Std.4245 9.190681 0.0059 0.E.668 Schwarz criterion resid 41 Prob.

52976 0.6981 9 0.2 42 .847730 F-statistic Prob(F-statistic) 18.00003 2 Membuat fitted dari regresi P = a11 + a12 Pl+ a13 X + v Gambar 4.PELANGGARAN ASUMSI KLASIK Log likelihood Durbin-Watson stat -89.

43 .3.PELANGGARAN ASUMSI KLASIK Gambar 4. Membuat residual dari regresi P = a11 + a12 Pl+ a13 X + v Gambar 4.4.

290921 C 46.000899 -0. of 8.7744 0. dependent var squared S.D.70099 13.151495 0.0097 0.042096 0.8636 12.263313 7.E.59172 3.537999 S.126833 0. Hasil regresi Q=b0 + b1 PF + b2 RES1 + b3X + e Dependent Variable: Q Method: Least Squares Date: 03/18/02 Time: 22:51 Sample: 1970 1991 Included observations: 22 Variable Coefficien Std. 0.178522 2. Error t-Statistic t PF 0.7438 0.425265 Akaike info criterion regression Sum squared 1277.435989 R-squared 0.PELANGGARAN ASUMSI KLASIK Gambar 4.516798 0.000677 .331900 X -0.39545 7.894866 RES1 0.5.461684 9.732 Schwarz criterion resid Log likelihood -75.301464 Prob(F-statistic) stat Lakukan langkah yang sama pada persamaan yang lain! 44 Prob.603999 Mean dependent var Adjusted R0.89644 F-statistic Durbin-Watson 2.000262 0.0029 100.

Buatlah nilai Fitted dan Residual dari regresi tersebut (QF dan RES2). kemudian Klik estimation Setelah muncul Equation Specification. P = b11 + b12 QF+ b13 RES2 + b14 X + v Metode 2 TSLS: Buka Workfile. Dependent Variable: P Method: Two-Stage Least Squares 45 . Klik OK Buatlah regresi P = a11 + a12 Q+ a13 Pl + v Gambar 4.6 Hasil Regresi dengan Two Stage Least Squares (TSLS). Regres Variabel P dengan QF dan RES2. 3. pilih method TSLS Tuliskan instrument variable .PELANGGARAN ASUMSI KLASIK Langkah-langkah TSLS: (untuk persamaan 2) 1. pilih variabel yang dikehendaki akan diregresi . Regres Q = a11 + a12 Pl+ a13 X + v 2.

PELANGGARAN ASUMSI KLASIK

Date: 03/18/02 Time: 16:40 Sample: 1970 1991 Included observations: 22 Instrument list: PL X Variable Coefficien t PL 0.034507 Q 1.991068 C -95.71162 R-squared 0.330473 Adjusted R0.259996 squared S.E. of 21.48358 regression F-statistic 9.408793 Prob(F-statistic) 0.001446

Std. Error

t-Statistic

Prob. 0.8119 0.0103 0.1272 109.0909 24.97410 8769.343 1.790965

0.142983 0.241336 0.699260 2.847392 60.00985 -1.594932 Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat

Dependent Variable: Q Method: Two-Stage Least Squares Date: 03/18/02 Time: 16:42 Sample: 1970 1991 Included observations: 22 Instrument list: X PL Variable Coefficie Std. Error t-Statistic nt P 0.51679 0.231710 2.23036 8 4 X -0.00026 0.001167 -0.22414 2 1 C 46.7009 17.64115 2.64727 9 5 R-squared 0.29582 Mean dependent 2 var Adjusted R0.22169 S.D. dependent var squared 8 S.E. of 10.9354 Sum squared resid regression 4 F-statistic 8.11581 Durbin-Watson stat 0 Prob(F-statistic) 0.00283 3

Prob. 0.0380 0.8250 0.0159 100.863 6 12.3954 5 2272.09 3 1.76922 7

46

PELANGGARAN ASUMSI KLASIK

 System Method / Full Information Method Dalam metode ini, seluruh persamaan dalam model diperhitungkan bersama-sama dan ditaksir secara simultan dengan memperhatikan seluruh batasan yang ada dalam sistem persamaan dalam model. Contoh Metode System dengan menggunakan Eviews: Klik Object, kemudian pilih New object

Gambar 4.7 Pilih System kemudian klik OK

47

PELANGGARAN ASUMSI KLASIK

Gambar 4.8

Tuliskan INST diikuti variabel instrumen-nya atau predetermined variabel Inst x Pl P= C(1) + C(2) *Q+ C(3)* PL Q= C(4) + C(5) *P+ C(6)* X

48

Procs kemudian klik estimate. .9.10. Pilih Two Stage Least Squares (TSLS) dan Simultaneous.PELANGGARAN ASUMSI KLASIK Gambar 4. Klik. Error t 49 t-Statistic Prob. kemudian klik OK. Hasil regresi persamaan simultan dengan menggunakan System. Gambar 4. System: UNTITLED Estimation Method: Two-Stage Least Squares Date: 03/18/02 Time: 15:52 Sample: 1970 1991 Instruments: PL X C Coefficien Std.

25999 S.23171 2.D.594932 0.647275 0.70099 17.0117 5 C(5) 0.00116 -0.14298 0.8238 7 Determinant residual 9.0317 0 C(6) -0.1190 5 C(2) 1.295822 Mean dependent 100.0071 0 C(3) 0.8106 3 C(4) 46.230364 0. dependent var 24.D.516798 0.93544 Sum squared resid 2272.6411 2.E.8636 var Adjusted R0.000262 0.224141 0.E.093 Durbin-Watson 1.79096 5 Equation: Q=C(4)+C(5)*P+C(6)*X Observations: 22 -------------------------------------------------------------------------------------------------------------------------------R-squared 0.241336 0.769227 stat C(1) -95. of regression 10.847392 0.PELANGGARAN ASUMSI KLASIK 60.39545 squared S.034507 0. dependent var 12.0098 -1.97410 6 S.69926 2.4835 Sum squared resid 8769.991068 0.343 8 Durbin-Watson stat 1.0909 3 var Adjusted R-squared 0. of regression 21.33047 Mean dependent 109.71162 50 .78409 covariance 7 Equation: P=C(1)+C(2)*Q+C(3)*PL Observations: 22 -------------------------------------------------------------------------------------------------------------------------------R-squared 0.221698 S.

Persamaan simultan adalah sebagai berikut : Qd= a11 + a12 P+ a13 X + v Qs= b11+ b12 P + b12 Pl + u Persamaan reduce form-nya adalah sebagai berikut : 51 .PELANGGARAN ASUMSI KLASIK Berikut adalah data yang digunakan dalam bagian simultan ini: UJI HAUSMAN  Uji Hausman dilakukan untuk mengetahui apakah terdapat hubungan simultan antara dua persamaan regresi yang ada.

PELANGGARAN ASUMSI KLASIK P= η11+ η 12 X + η 13 Pl +Ω Q= η 14 + η 15 X + η 16 Pl +Ω  Variabel endogen: P Tahap 1 : Meregresikan Pt pada variabel-variabel eksogen (X) dan (Pl) Tahap 2 : Dapatkan residual dan fitted dari regresi di atas (masukkan dalam data / variable) Tahap 3 : Regres variabel endogen yang lain (Qt) pada residual dan fitted yang telah dibuat. maka persamaannya adalah simultan. Error t-Statistic PL Prob.19068 0. Jika variabel residual signifikan.384484 -3.11 Hasil regresi : Dependent Variable: P Method: Least Squares Date: 03/19/02 Time: 21:24 Sample: 1970 1991 Included observations: 22 Variable Coefficie Std. nt -1.09682 0. Tahap 4 : Lakukan pengujian. Gambar 4.0059 52 .

12 Klik Procs. dependent squared 6 var S.D.0882 10.2396 Akaike info Sum squared resid Log likelihood Durbin-Watson stat 1 criterion 4412.E.0000 5 0.004477 4.0007 1 94.974 10 8.025651 0. of regression 15.5605 75 18.01797 0.4117 97 8.PELANGGARAN ASUMSI KLASIK X C R-squared Adjusted R- 1 7 0.014026 0.42454 9. pilih forecast Membuat Residual dari hasil regresi 53 .09 09 24.66 Schwarz criterion 8 -89.84773 0 F-statistic Prob(F-statistic) Membuat Fitted dari hasil regresi Gambar 4.0000 32 9 var 0.698 19 0.66309 Mean dependent 109.5297 6 0.62763 S.

pilih Make Residual Series Gambar 4.PELANGGARAN ASUMSI KLASIK Klik Procs.14 54 .13 Beri nama RESID1 Gambar 4.

60213 Mean dependent Prob.3711 9. 0.123740 0.1770 94 7.04209 0.D.9480 4 2.74 Schwarz criterion 0 -75.340196 6 0.PELANGGARAN ASUMSI KLASIK Buatlah regresi Q = b0 + b1 Resid1 + b2 Pfit + e Hasil regresi di atas adalah sebagai berikut : Dependent Variable: Q Method: Least Squares Date: 03/19/02 Time: 21:29 Sample: 1970 1991 Included observations: 22 Variable Coefficie Std.351585 5 49.47201 0.395 45 7.0000 0. Error t-Statistic RESID1 PFIT C R-squared Adjusted Rsquared S.0001 100.0001 58 8 var 0.048068 4 0.3258 73 14.56025 S.86 36 12. dependent 7 var 8.780205 5. of regression Sum squared resid Log likelihood Durbin-Watson stat  Variabel endogen : Qt Tahap 1 : Meregresikan Qt pada variabel-variabel eksogen (X dan Pl) Tahap 2 : Dapatkan residual dan fitted dari regresi di atas (masukkan dalam data / variable) nt 0.088201 5.7374 0.21980 Akaike info 8 criterion 1283.377 60 0.27898 0 F-statistic Prob(F-statistic) 55 .E.

22560 Akaike info Sum squared resid Log likelihood Durbin-Watson stat 6 criterion 1285. nt -0. Error t-Statistic PL X C R-squared Adjusted R- Prob.0001 60 6 var 0.60157 Mean dependent 100. pada residual dan Tahap 4 : Lakukan pengujian.D.0000 5 0.0014 6 95.626663 16.96513 0.86 36 12.3272 83 14.9635 5 2. Hasil regresi dari Q = b0 + b1 PL +b2 X +e Dependent Variable: Q Method: Least Squares Date: 03/19/02 Time: 21:31 Sample: 1970 1991 Included observations: 22 Variable Coefficie Std.207526 -2.0080 2 3 0.343 95 0.3256 5. Jika variabel residual signifikan.94177 0.27632 5 F-statistic Prob(F-statistic) Hasil regresi dari P = b0 + b1 RESID2 + b2 Qfit + e Dependent Variable: P Method: Least Squares Date: 03/20/02 Time: 08:20 Sample: 1970 1991 56 . of regression 8.E.002417 3.1785 05 7.735081 0.00902 0.PELANGGARAN ASUMSI KLASIK Tahap 3 : Regres variabel endogen yang lain (Pt) fitted yang telah dibuat. dependent squared 7 var S.395 45 7.61534 0.55 Schwarz criterion 1 -75.55963 S. maka persamaannya adalah simultan.

5298 7 0.D.105759 0. Soal Simultan: Diketahui model persamaan simultan adalah sebagai berikut : R t = a 0 + a 1 Mt + a 2 Y t + u Yt = b0 + b1 Rt + b2 It + v Dimana: Rt = Suku bunga Mt =Jumlah uang beredar 57 . dependent squared 2 var S.974 10 8.PELANGGARAN ASUMSI KLASIK Included observations: 22 Variable Coefficie Std. jadi tidak terjadi hubungan simultan antara kedua persamaan tersebut.14449 0.0000 1 -103.96616 0.935 35. Error t-Statistic RESID2 QF2 C R-squared Adjusted R- Prob.66309 0 Mean dependent 109. nt 0.62763 S.697 93 0. of regression 15.09 09 24.425041 0.7376 5 2.0079 2 0.345906 6.2396 Akaike info Sum squared resid Log likelihood Durbin-Watson stat Kesimpulan : 8 criterion 4412.339955 0.5605 84 18.88690 8 F-statistic Prob(F-statistic) Nilai Residual tidak signifikan.4118 06 8.04034 -2.E.11202 0.70 Schwarz criterion 9 -89.0000 32 6 var 0.

4 4.365 2 485.4 66 7.697 .4 4. 5 561.123 .PELANGGARAN ASUMSI KLASIK Yt =GDP It =PMDN Tugas : Buatlah model Reduce Form dari persamaan di atas Lakukan Uji Hausman Buatlah regresi dengan menggunakan TSLS dan System Interpretasikan secara lengkap Data-datanya sebagai berikut: YEAR 1970 1971 1972 1973 1974 1975 1976 1977 1978 GDP 3.2 66 5. 7 462. 8 543.8 4.151 . 2 555.7 1.7 4.5 62 4. 436.9 1. 5 639.5 11 4.4 4.5 10 7.015 . 58 R 6.0 4.7 3.099 .578 . 2 901.1 22 5.760 M PMDN 626. 9 1. 4 713. 4 710.0 3.5 . 1 802. 0 606.084 .511 .269 .9 26 6.1 78 7.998 .9 1. 1 855.311 .

376 .343 .9 6.158 .3 3.309 .0 1.1 5.676 .028 0 735.0 84 8.5 70 3.4 3.909 .113 . 5 907.499 .0 40 7.3 6.1 1.4 2.347 .4 6.3 4.7 1. 2 673.8 00 7.132 .0 3.3 5.3 5.1 2.062 .6 1.7 76 11.6 7.1 1.107 .880 .5 1.0 4.0 17 11.6 60 5. 7 879. 5 863. 8 936.994 .393 59 72 10.6 1.913 .813 .6 4.0 7.2 8.717 . 8 977.0 90 5.6 60 6.7 50 9.505 . 4 857.591 .7 3.641 .1 2.732 .2 5.242 .484 .1 .126 .159 .9 3.813 .9 5.140 .4 6.5 2.1 40 4.1 4.707 .9 6.277 .4 90 3.430 .7 7.4 3.599 .0 50 6.473 . 3 715.754 .8 3.6 3.021 .8 7.PELANGGARAN ASUMSI KLASIK .368 . 6 615. 9 1.4 70 5.0 30 6.900 .912 .495 .912 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 .3 74 13. 5 899.831 . 7 871.4 6. 3 829. 4 655.5 90 5.7 2.0 2. 3 902.9 20 8.

6 4.7 8.380 .PELANGGARAN ASUMSI KLASIK .8 50 4.566 .9 4.7 80 4.3 1.669 .7 .8 . Hal ini disebabkan karena sebagian besar analisis ekonomi berkaitan erat dengan analisis runtun waktu (time series) yang sering diwujudkan oleh hubungan antara perubahan suatu besaran ekonomi dan kebijakan ekonomi pada 60 .875 .515 1998 1999 .7 60 PRAKTIKUM V ANALISIS MODEL DINAMIS Isu Statistik Model Dinamis ♣ Pembentukan model dinamis merupakan satu hal yang penting dalam pembentukan model ekonomi dan analisis yang menyertainya.643 .5 8.8 1.

PELANGGARAN ASUMSI KLASIK waktu tertentu dan pengaruhnya terhadap gejala dan perilaku ekonomi pada waktu yang lain. yaitu Error Correction Model (ECM) dan Partial Adjustment Model (PAM). Sebenarnya perilaku jangka panjang (long run) dari suatu model akan lebih penting. A. teori ekonomi tidak terlalu banyak bercerita tentang model dinamis (jangka pendek) tetapi lebih memusatkan perilaku variabel dalam keseimbangan atau dalam hubungan jangka panjang (Insukindro. Selain itu pula. ♣ Pada dasarnya spesifikasi Model Linier Dinamik (MDL) lebih ditekankan pada struktur dinamis hubungan jangka pendek (short run) antara wariabel tak bebas dengan variabel bebas. khususnya pendekatan kointegrasi dan beberapa model linier dinamis. 1996:1). ♣ Modul ini akan membahas sekaligus mempraktekkan isu statistik model dinamik. serta dalam usaha mencari pemecahan 61 . ERROR CORRECTION MODEL (ECM) Secara umum ECM sering dipandang sebagai salah satu model dinamik yang sangat terkenal dan banyak diterapkan dalam studi empirik terutama sejak kegagalan PAM dalam menjelaskan perilaku dinamik permintaan uang berdasarkan konsep stok penyangga dan munculnya pendekatan kointegrasi dalam analisis ekonomi time series. Insukindro (1999:1-2) menyatakan bahwa ECM relatif lebih unggul bila dibandingkan dengan PAM. 1996b:85). misalnya karena kemampuan yang dimiliki ECM dalam meliputi banyak variabel dalam menganalisis fenomena ekonomi jangka pendek dan jangka panjang serta mengkaji konsisten atau tidaknya model empirik dengan teori ekonometrika. karena teori ekonomi selalu berbicara dalam konteks tersebut dan juga karena hasil pengujian teori akan selalu berfokus kepada sifat jangka panjang (Insukrindo.

BLNVOLt + ------. IHSGt) 3.(2) Dimana : b1 (LNVOLt – LNVOLt*)2 = biaya ketidakseimbangan b2 [(1-B) LNVOLt – f (1-B) zt]2 = biaya penyesuaian zt = f (RDt.LNVOLt* + ------. LNPDBt. RD = Suku Bunga Deposito.. Penurunan ECM 1. 62 .b2) LNVOLt = b1 LNVOLt* + b2 B LNVOLt + b2 f (1-B) zt b1 b1+b2 jika : b1 b = ------1 fungsi biaya tersebut terhadap LNVOLt sehingga b2 b1+b2 b2 (1-b) = -------- b2 b1+b2 b1+b2 1= --------- LNVOLt = -------. Minimisasi diperoleh: ∂ Ct = 2b1 (LNVOLt – LNVOLt*) + 2b2 [(1-B) LNVOLt – f (1-B) zt] = 0 b1 (LNVOLt – LNVOLt*) + b2 [(1-B) LNVOLt – f (1-B) zt] = 0 b1 LNVOLt – b1 LNVOLt* + b2 LNVOLt .b2 B LNVOLt – b2 f (1-B) zt = 0 b1 LNVOLt – b2 LNVOLt = b1 LNVOLt* + b2 B LNVOLt + b2 f (1-B) zt (b1 . PDB = Produk Domestik Bruto dan IHSG = Indeks Harga Saham Gabungan.f (1-B)zt VOL=Volume Perdagangan Saham. Persamaan yang digunakan adalah: LNVOLt = f (RDt.. IHSGt)1 LNVOLt* = a0 + a1 RDt + a2 LNPDBt + a3 IHSGt….(1) 2. LNPDBt. Membentuk fungsi biaya kuadrat tunggal dalam ECM Ct = b1 (LNVOLt – LNVOLt*)2 + b2 [(1-B) LNVOLt – f (1-B) zt]2….PELANGGARAN ASUMSI KLASIK terhadap persoalan variabel time series yang tidak stasioner dan regresi lancung atau korelasi lancung.

PELANGGARAN ASUMSI KLASIK b1+b2 maka b1+b2 b1+b2 LNVOLt = b LNVOLt* + (1-b) B LNVOLt (1-B) f (1-b) zt….(5) 6.(3) 4. didapat LNVOLt = b LNVOLt* + (1-b) B LNVOLt (1-B) f (1-b) zt LNVOLt = b (a0 + a1 RDt + a2 LNPDBt + a3 IHSGt) + (1-b) LNVOLt (1-B) f (1-b) zt LNVOLt = a0b + a1b RDt + a2b LNPDBt + a3b IHSGt + (1-b) LNVOLt (1-B) f (1-b) zt…..(4) 5..(1-b)f2 BLNPDBt + (a3b+(1-b) IHSGt .(6) Dimana : C0 = a0b C1 = a1b + (1-b)f1 C2 = a2b + (1-b)f2 C3 = a3b + (1-b)f3 C4 = -(-1-b) f1 C5 = -(-1-b) f2 C6 = -(-1-b) f3 C7 = (-1-b) 7.(1-b)f3 BIHSGt + (1-b) BLNVOLt…. Pemecahan komponen koefisien (1-b) f (1-B) terhadap masingmasing variabel LNVOLt = a0b + (a1b+(1-b)f1) RDt – (1-b)f1 BRDt+ (a2b+(1-b)f2) LNPDBt . Melalui proses paramitasi.. persamaan (6) dapat diubah ke dalam bentuk ECM 63 .. Dengan mensubstitusikan persamaan (1) ke persamaan (1). Persamaan (5) merupakan persamaan dinamik LNVOLt = C0 + C1 RDt + C2 LNPDBt + C3 IHSGt + C4 BRDt + C5 BLNPDBt + C6 BIHSGt + C7 BLNVOLt….

.BLNVOLt….LNVOLt-1 LNVOLt – LNVOL(-1) BLNVOLt = LNVOL(-1) 8.(11) 64 .BLNPDBt . persamaan (9) juga dapat dituliskan sebagai berikut : DLNVOLt = C0 + C1 DRDt + C2 DLNPDBt + C3 DIHSGt + (C1+C4+ C7-1) BRDt + (C2+C5+ C7-1) BLNPDBt +(C3+C6 C7-1) BIHSGt + (C7 -1)( BRDt . Selain itu. Dari persamaan (8) dapat diperoleh persamaan ECM tanpa ECT DLNVOLt = C0 + C1 DRDt + C2 DLNPDBt + C3 DIHSGt + (C1+C4) BRDt + (C2+C5) BLNPDBt +(C3+C6) BIHSGt + (C7-1)[( BRDt + BLNPDBt + BIHSGt) . Dalam bentuk lain.BIHSGt+ BLNVOLt)….(8) 9. Persamaan (7) dapat dituliskan dalam bentuk LNVOLt ..(10) 11.BLNVOLt = C0 + C1(DRDt-BRDt) + C2(DLNPDBt-BLNPDBt) + C3(DIHSGt-BIHSGt) + C4 BRDt + C5 BLNPDBt + C6 BIHSGt + C7 BLNVOLt ..( BRDt + BLNPDBt + BIHSGt ) + BLNVOLt]….(9) 10.BRDt . persamaan (8) dapat dituliskan sebagai berikut : DLNVOLt = C0 + C1 DRDt + C2 DLNPDBt + C3 DIHSGt + (C1+C4) BRDt + (C2+C5) BLNPDBt +(C3+C6) BIHSGt + (C7-1) BLNVOLt…..(7) Dimana : C7 = (1-b) DLNVOLt = LNVOLt ..PELANGGARAN ASUMSI KLASIK LNVOLt = C0 + C1(RDt–RDt-1+RDt-1) + C2(LNPDBt-LNPDBt-1+LNPDB t1 ) + C3(IHSGt-IHSG t-1+IHSG t-1) + C4 BRDt + C5 BLNPDBt + C6 BIHSGt + C7 BLNVOLt….

PELANGGARAN ASUMSI KLASIK 12. Dari persamaan (11) dapat diperoleh persamaan WCM DLNVOLt = C0 + C1 DRDt + C2 DLNPDBt + C3 DIHSGt + (C1+C4+ C7 -1) BRDt + (C2+C5+ C7 -1) BLNPDBt +(C3+C6 C7 -1) BIHSGt + (1.. Persamaan (12) dapat dituliskan dalam bentuk lain DLNVOLt = d0 + d1 DRDt + d2 DLNPDBt + d3 DIHSGt + d4 BRDt + d5 BLNPDBt + d6 BIHSGt + d7 ECT….C7) ECT = ( -BRDt + BRDt + BLNPDBt + BIHSGt - PENDEKATAN KOINTEGRASI Pendekatan Kointegrasi merupakan isu statistik yang tidak dapat diabaikan yang berkaitan erat 65 dengan pengujian terhadap kemungkinan adanya hubungan keseimbangan jangka panjang antara . Persamaan (13) diubah ke dalam bentuk logaritma natural d4 = C1+C4+ C7 -1 d5 = C2+C5+ C7 -1 d6 = C3+C6 C7 -1 d7 = (1..C7)( -BRDt + BRDt + BLNPDBt + BIHSGt .(12) 13.BLNVOLt)….(13) Dimana : d0 = C0 d1 = C1 d2 = C2 d3 = C3 BLNVOLt) 14.

apakah data yang digunakan stasioner atau tidak. yang antara lain dapat dilakukan dengan Uji Akar-Akar Unit (Testing for Unit Root) dan Uji Derajat Integrasi (Testing for Degree on Integration). Berkaitan dengan isu tersebut. 1992:250).PELANGGARAN ASUMSI KLASIK variabel-variabel ekonomi seperti yang dikehendaki teori ekonomi. Pendekatan ini dapat pula dianggap sebagai uji teori ekonomi dan merupakan bagian yang penting dalam perumusan dan estimasi sebuah model dinamis (Insukindro. pengujian terhadap perilaku data runtun waktu (time series) atau integrasinya dapat dipandang sebagai uji prasyarat bagi digunakannya pendekatan kointegrasi. Untuk itulah pertama-tama harus diamati perilaku data ekonomi runtun waktu yang akan digunakan yang artinya bahwa pengamat harus yakin terlebih dahulu. Pengujian dilakukan dengan menggunakan dua pengujian yang dikembangkan DF oleh Dickey dan Fuller (1979.Xt-1 BXt = Xt-1 T = Trend waktu B = Operasi kelambaman ke periode t (backward lag operator) 66 ADF : DXt = c0 + c1 T+ c2 BXt +∑diBiDXt Dimana . o UJI AKAR-AKAR UNIT Uji Akar-Akar Unit dipandang sebagai uji stasionaritas karena pengujian ini pada prinsipnya bertujuan untuk mengamati apakah koefisien tertentu dari model otoregresif yang ditaksir mempunyai nilai satu atau tidak. 1981) yang ditunjukkan dengan persamaan sebagai berikut : : DXt = a0 + a1 BXt +∑ biBiDXt : DXt = Xt .

dimana N adalah jumlah observasi (sampel) Nilai statistik DF dan ADF untuk mengetahui pada derajat berapa suatu data akan stasioner dapat dilihat pada nilai T-Statistik pada koefisien regresi BDXt pada persamaan di atas. jika ternyata data tersebut tidak stasioner pada derajat pertama (Insukindro. maka variabel tersebut dikatakan stasioner pada derajat pertama.PELANGGARAN ASUMSI KLASIK k = N1/3. Kemudian nilai TStatistik tersebut dibandingkan dengan nilai kritis statistik DF dan ADF tabel untuk mengetahui ada atau tidaknya akar-akar unit. 67 ADF : D2Xt = g0 + g1 T + g2 BDXt +∑ hi Bi D2Xt dimana . 1992b: 261-262). dimana N adalah jumlah observasi (sampel) Nilai DF dan ADF untuk hipotesis bahwa a1=0 dan c2=0 ditunjukkan dengan nilai T-Statistik pada koefisien regresi BXt. maka persamaan untuk derajat integrasi ditunjukkan dengan persamaan sebagai berikut : DF : D2Xt = e0 + e1 BDXt +∑ fi Bi D2Xt : D2Xt = DXt -DXt-1 BDXt = DXt-1 T = Trend waktu B = Operasi kelambaman ke periode t (backward lag operator) k = N1/3. Pengujian ini dilakukan pada Uji Akar-Akar Unit (langkah pertama di atas). Jika ei dan g2 sama dengan satu (nilai statistik DF dan ADF lebih besar dari nilai statistik DF dan ADF tabel). o UJI DERAJAT INTEGRASI Pengujian ini dilakukan untuk mengetahui pada derajat atau order diferensi ke berapa data yang diteliti akan stasioner.

dan sebaliknya Pengujian Kointegrasi dengan DF dan ADF Langkah-langkah yang harus dilakukan : Jika Y = f (X1. DF (Dickey-Fuller) dan ADF (Augmented Dickey-Fuller) merupakan uji statistik yang paling disukai untuk menguji ada tidaknya kointegrasi tersebut. X2) Lakukan regresi dengan OLS. X2) Lakukan regresi dengan OLS. yaitu Y = a0 + a1 X1 + a2 X2 + e Kemudian ambil nilai residualnya (RESID) Lakukan pengujian stasionarotas variabel residual regresi persamaan OLS pada derajat nol dengan persamaan sbb: 68 . yaitu Y = a0 + a1 X1 + a2 X2 + e Kemudian ambil nilai Durbin-Watson (DW) yang merupakan nilai CRDW Statistik Bandingkan nilai CRDW Statistik dengan DW Engle-Granger Jika nilai CRDW Statistik lebih besar dari DW Engle-Granger. maka artinya terdapat kointegrasi. ternyata Uji CRDW (Cointegration-Regression Durbin-Watson). 1992b:262) Pengujian ini dilakukan untuk mengetahui apakah dalam jangka panjang terdapat hubungan antara variabel independen dengan variabel dependennya.PELANGGARAN ASUMSI KLASIK o UJI KOINTEGRASI Dalam melakukan Uji Kointegrasi harus diyakini terlebih dahulu bahwa variabel-variabel terkait dalam pendekatan ini memiliki derajat integrasi yang sama atau tidak.(Insukindro. Pengujian Kointegrasi dengan CRDW Langkah-langkah yang harus dilakukan : Jika Y = f (X1. Engle dan Granger (1987) berpendapat bahwa dari tujuh uji statistik yang digunakan untuk menguji hipotesis null mengenai tidak adanya kointegrasi.

Uji Akar-Akar Unit (Unit Root Test) Klik QUICK. pilih AUGMENTED DICKEY FULLER (pada Test Type) LEVEL (pada Test for unit root in) TREND AND INTERCEPT (pada Include in test equation) LAG yang diperoleh dari pembulatan N1/3 69 . UNIT ROOT TEST Ketik variabel yang akan diuji. misalnya LNVOL Untuk pengujian DF. Langkah-langkah pengujian ECM : 1. SERIES STATISTICS. pilih AUGMENTED DICKEY FULLER (pada Test Type) LEVEL (pada Test for unit root in) INTERCEPT (pada Include in test equation) LAG yang diperoleh dari pembulatan N1/3 Untuk pengujian ADF.PELANGGARAN ASUMSI KLASIK DF : DEt = p1DEt ADF : Det = q1Bet + ∑ wi Bi DEt Dapat dikatakan data berkointegrasi jika nilai T-Statistik dari p1 dan q1 lebih besar dari nilai DF Tabel dan ADF Tabel Engle & Granger.

1 LNVO Gambar 5.PELANGGARAN ASUMSI KLASIK QUIC SERIES STATISTIC UNIT ROOT TEST Gambar 5.2 70 .

PELANGGARAN ASUMSI KLASIK

Hasil Uji Akar-Akar Unit dengan ADF untuk LNVOL ADF Test Statistic -1.4037 1% Critical Value* -4.232 92 4 5% Critical Value -3.538 6 10% Critical Value -3.200 9 *MacKinnon critical values for rejection of hypothesis of a unit root. Augmented Dickey-Fuller Test Equation Dependent Variable: D(LNVOL) Method: Least Squares Date: 02/19/03 Time: 20:42 Sample(adjusted): 1993:1 2001:4 Included observations: 36 after adjusting endpoints Variable Coeffici Std. tProb. LNVOL(-1) D(LNVOL(-1)) D(LNVOL(-2)) D(LNVOL(-3)) C ent Error Statistic -0.2962 0.21101 -1.40379 0.1706 22 5 2 -0.2807 0.23443 -1.19777 0.2404 97 2 7 0.03281 0.22566 0.14540 0.8854 2 1 2 0.02204 0.18786 0.11736 0.9074 9 4 7 3.92859 2.45344 1.60125 0.1198

7 2 9 @TREND(1992: 0.02679 0.03055 0.87679 0.3876 1) R-squared Adjusted R2 7 0 0.27264 Mean dependent 2 0.15141 var S.D. dependent 71 0.1030 42 0.5969

PELANGGARAN ASUMSI KLASIK

squared S.E. of regression Sum squared resid Log likelihood

5 0.54988

var Akaike info

33 1.7928

7 criterion 04 9.07127 Schwarz criterion 2.0567 1 -26.270 F-statistic Prob(F-statistic) 24 2.2490 31 0.0750 63

47 Durbin-Watson 1.90041 stat 1

2. Uji Derajat Integrasi Klik QUICK, SERIES STATISTICS, UNIT ROOT TEST Ketik variabel yang akan diuji, misalnya LNVOL Untuk pengujian DF, pilih AUGMENTED DICKEY FULLER (pada Test Type) 1st DIFFERENCE (pada Test for unit root in) INTERCEPT (pada Include in test equation) LAG yang diperoleh dari pembulatan N1/3 Untuk pengujian ADF, pilih AUGMENTED DICKEY FULLER (pada Test Type) 1st DIFFERENCE (pada Test for unit root in) TREND AND INTERCEPT (pada Include in test equation) LAG yang diperoleh dari pembulatan N1/3

72

PELANGGARAN ASUMSI KLASIK

1st

Gambar 5.3 Hasil Uji Derajat Integrasi dengan ADF untuk LNVOL ADF Test Statistic -4.5853 67 1% Critical Value* 5% Critical Value 10% Critical -4.241 2 -3.542 6 -3.203

Value 2 *MacKinnon critical values for rejection of hypothesis of a unit root. Augmented Dickey-Fuller Test Equation Dependent Variable: D(LNVOL,2) Method: Least Squares Date: 02/19/03 Time: 20:55 Sample(adjusted): 1993:2 2001:4 Included observations: 35 after adjusting endpoints Variable Coeffici Std. t- Prob. D(LNVOL(-1)) ent Error Statistic -2.2767 0.49653 -4.58536 79 1 73 7 0.000 1

79429 1) R-squared Adjusted Rsquared S.5367 Akaike info 68 criterion 8.014 934 18.41949 1.6346 0.2) D(LNVOL(-3).D. Uji Kointegrasi Lakukan regresi dengan OLS (gambar 1.7811 0.595 F-statistic 30 2.PELANGGARAN ASUMSI KLASIK D(LNVOL(-1).86222 90 2 9 0. dependent 56 var 0.25135 2.052 5 0.4) Klik PROCS.748 303 2.029 432 1.3554 Schwarz 74 criterion -24.072 7 0.0317 98 Prob(F-statistic) 3.17543 2. UNIT ROOT TEST dari dialog box R01 Pilih AUGMENTED DICKEY FULLER (pada Test Type) LEVEL (pada Test for unit root in) NONE (pada Include in test equation) LAG yang diperoleh dari pembulatan N1/3 74 . MAKE RESIDUAL SERIES dan beri nama R01 Klik VIEW.2) C 0.7148 S.6221 0.000 000 74 5 7 @TREND(1992: -0.083 2 -0.31384 2.0169 0.2) D(LNVOL(-2).47527 0.3703 0.043 5 0.019 4 0.00944 -1.04 763 0.005 205 1.11123 84 5 3 0. of regression Sum squared resid Log likelihood Durbin-Watson stat 44 0.7567 3 Mean 3 89 dependent var 0.02221 56 2 3 0.E.

5442 61 1% Critical Value* 5% Critical 75 -2.5 Hasil Uji Kointegrasi ADF Test Statistic -2.4 R01 Gambar 5.PELANGGARAN ASUMSI KLASIK lnvol rd lnpdb Gambar 5.950 .628 0 -1.

20550 0.4613 Akaike info 70 criterion 6.1997 S.738 5 0.25321 28 0.17506 0.831 2 0.8115 Schwarz 87 criterion -21.801 7 -0.620 Value 6 *MacKinnon critical values for rejection of hypothesis of a unit root.33681 18 9 2 0.0692 0.0492 0.6063 0.2682 2 Mean 5 0.22925 0.9404 76 Prob(F-statistic) .Prob.23830 -2. t.113 F-statistic 70 1.017 362 98 dependent var 0. R01(-1) D(R01(-1)) D(R01(-2)) D(R01(-3)) R-squared Adjusted Rsquared S.016 0 0.018 524 0. dependent 00 var 0. Augmented Dickey-Fuller Test Equation Dependent Variable: D(R01) Method: Least Squares Date: 02/19/03 Time: 21:16 Sample(adjusted): 1993:1 2001:4 Included observations: 36 after adjusting endpoints Variable Coeffici Std.395 205 1.0443 0.54426 08 4 1 0.21488 63 5 5 0.911 209 0.E. Aplikasi ECM Cari variabel ECT dengan cara: Klik GENR lalu ketik 76 ent Error Statistic -0.571 152 3.PELANGGARAN ASUMSI KLASIK Value 10% Critical 4 -1.D.515 731 1. of regression Sum squared resid Log likelihood Durbin-Watson stat 4.

ESTIMATE EQUATION Pada Equation Specification ketiklah: D(LNVOL) C D(RD) D(LNPDB) D(IHSG) RD(-1) LNPDB(-1) IHSG(-1) ECT Gambar 5.PELANGGARAN ASUMSI KLASIK ECT=RD(-1)+LNPDB(-1)+IHSG(-1)-LNVOL(-1) Dalam e-views :BX Xt – Xt-1 = X(-1) = D(X) atau bentuk first diference Klik QUICK. t.0025 77 .6586 2.29069 0.93512 -3. C ent Error Statistic -9.Prob.6 Hasil Regresi ECM Dependent Variable: D(LNVOL) Method: Least Squares Date: 03/07/04 Time: 07:24 Sample(adjusted): 1992:2 2001:4 Included observations: 39 after adjusting endpoints Variable Coeffici Std.

of regression Sum squared resid Log likelihood Durbin-Watson stat 03 3 9 0.1018 09 0.098 F-statistic 12 1.8847 37 4.80681 0.5439 3 4 0 0.4259 4 5 2 0.14045 -4.6257 0.5434 93 1.D.0001 18 2 6 0.13892 -4.47829 Akaike info 2 criterion 7.52711 0.E.25746 3.0027 32 8 dependent var 0.00082 4.0001 93 6 7 0.63249 0.53959 0.6289 0.45543 0.61371 0.90542 5 Prob(F-statistic) 78 .0968 97 0. dependent 2 var 0.36325 S.PELANGGARAN ASUMSI KLASIK D(RD) D(LNPDB) D(IHSG) RD(-1) LNPDB(-1) IHSG(-1) ECT R-squared Adjusted Rsquared S.15618 0.02645 0.34067 0.0001 2 1 1 -0.04310 0.48054 9 Mean 2 0.5993 91 1.09167 Schwarz 5 criterion -22.0001 6 0.09043 0.79569 0.93282 1.13932 4.00356 0.0042 0 8 6 -0.

namun dalam jangka panjang perlu dihitung dengan prosedur sbb: Menghitung Nilai T-Stat Jangka Panjang Langkah 1. Dapatkan nilai penaksir varian-kovarian parameter dengan memilih covariance matriks pada equation box (Lihat tampilan berikut) Koefisien jangka panjang untuk IHSGt Koefisien jangka panjang untuk LNPDBt Koefisien jangka panjang untuk RDt Koefisien jangka panjang untuk konstanta 79 .PELANGGARAN ASUMSI KLASIK Besarnya koefisien regresi jangka panjang untuk intercept / konstanta. RD. LNPDB dan IHSG adalah: β0 C0= ----ECT β4+ECT C1= --------ECT β5+ECT C2= --------ECT β6+ECT C3= --------ECT Untuk melakukan uji-t dalam jangka pendek dapat dilakukan dengan melihat koefisien t-stat atau prob t-stat yang ada pada print out.

976 -0.001 0.0296 0.0004 0.0192 -0.047 0.000 -0.000 -0.0303 0.0193 -0.003 -0.0197 -0.0482 0.0004 0.008 1.00008 -0.0000 ) 127 08 41 01 058 1 56 57 0.IHSG(- C D(RD) DB) G) RD(-1) 1) 1) ECT 8.6149 -0.0001 -0.0194 RD(-1) 24 272 145 058 28 90 59 17 LNPDB -0.0.048 -0.0000 -0.06629 -0.0481 0.3334 -0.3374 -0.334 0.0018 -0.000 0.02973 -0.003 0.001 0.030 0.000 0.3367 0.0194 587 28 23 57 417 80 2 56 13 .747 -0.000 0.0000 -0.7 Hasilnya adalah sebagai berikut: D(LNP D(IHS LNPDB(.047 -0.0000 0.0000 0.08375 -0.0296 0.976 -0.000 -0.0297 (-1) 089 127 54 81 390 0 51 32 IHSG(.0000 -0.3334 -0.0193 1) ECT 53 420 183 056 59 51 99 56 -0.0004 D(RD) 405 58 645 08 272 27 20 28 D(LNP -0.3345 C 44 405 791 127 24 89 53 87 -0.0000 -0.019 0.000 0.0193 0.0837 0.7470 0.0000 -0.008 0.3374 -0.PELANGGARAN ASUMSI KLASIK Gambar 5.0193 -0.0482 DB) 791 645 64 41 145 4 83 23 D(IHSG -0.0000 0.

019728 1.06106 -0.581 -1.ihsg(1/ect -C3/ect 1).ect rd(-1).084 038 615 13 -0.06155 038 82 13 -0.ect c.614944 1.c ect.0194 -0.PELANGGARAN ASUMSI KLASIK Langkah 2: Dapatkan nilai koefisien jangka panjang yang dkalikan dengan nilai Var-Covarnya.ect c.ect ihsg(.ect 1/ect -C1/ect rd(-1).06094 038 94 13 6 -0.066290 1.01935 0.06112 -0.0194 0.270 0.0297 9 0.ect c.14004 -132.3345 7 2 489 878.ect lnpdb(lnpdb(1/ect -C2/ect 1).0194 -0.08982 038 0 130.5720 0.98897 0.rd(-1) ect.178856 320.ihsg(-1).581 -15.581 -1.019299 2 2 81 .33458 5.581 1.lnpdb(-1) ect.5642 0.0194 -0.ect rd(-1).ect ihsg(-1).01941 0.0194 7 6 9 170.ect lnpdb(-1).029732 0.01930.ect 1) Hasil perhitungannya sebagai berikut: (1) Ct (2) Matriks Var- ? ? (3)=(1)*(2) Ct*Matriks Var- Covarian Covar 1.ect 1). (1) Ct 1/ect -Co/ect (2) Matriks Var-Covarian (3)=(1)*(2) Ct*Matriks VarCovar ? ? ? ? ? ? ect.

061122 -0.0655402 0.1844 5. Hasil regresi ECM dapat dilaporkan sebagai berikut: Hasil regresi ECM jangka pendek Dependent Variabel:D(LNVOL) 82 .1222199 Pada kolom (7) tertera nilai T-stat yang siap untuk dibaca untuk dapat ditarik suatu kesimpulan.115525 -132.200146 68 866 11.089829 0.06094 122 2 0.281795 0.PELANGGARAN ASUMSI KLASIK 56 Langkah 3.0844 89 0.140042 042 489 27 6 -0.140 -132.06155 066 9 0.060942 0.061559 0.061 -0. lalu varian.086312 92 754 0.17885 829 6 0. Dapatkan nilai Ct yang ditranspose.732 132.0074498 0.084 17472.Transpose Standar Varian T-stat Covar dari Ct eror 5.089 0.061066 -0.061 -0.0400587 0. standar error dan nilai t-statnya sebagai berikut: (7)=Coeff/( (3)=(1)*(2) (4) (5)=(3)*(4) (6)=√(5) 6) Ct*Matriks Var.086710 31 04 0.0075186 0.178856 0.

IHSGt) LNVOLt* = a0 + a1 RDt + a2 LNPDBt + a3 IHSGt….115525041 0.156185 0.200146866 0.27061515 132. Namun harus diakui bahwa pendekatan ini juga banyak mendapatkan dengan kritikan dari para ahli ekonomi sehubungan kelambanan variabel dependennya. LNPDBt.000821 t-Statistic -3. Anda juga disarankan untuk menguji pelanggaran asumsi klasiknya terlebih dahulu.258015861 0.043104 1.003562 Std.28179472 0. (Insukindro. B.065540172 Interpretasikanlah hasil tersebut dengan terlebih dahulu melihat signifikansi dari masing-masing variabelnya.PELANGGARAN ASUMSI KLASIK Variable C D(RD) D(LNPDB) D(IHSG) Coefficient -9. PARTIAL ADJUSTMENT MODEL (PAM) ♣ Model penyesuaian parsial selama dua dekade dapat dikatakan sangat sukses digunakan dalam analisis ekonomi khususnya dalam konteks permintaan uang dengan menggunakan data kuartalan.(1) 83 .806812 4.290699 0.005656953 0. 1990b:93) Penurunan PAM 1.658603 0.010597695 0.122219936 11.61371 0. Error -15.932824 0.086312754 t-Statistic -0.026453 0..340671 Variable C D(RD) D(LNPDB) D(IHSG) Hasil Regresi ECM jangka panjang Dependent Variabel:D(LNVOL) Coefficient Std. Error 2. Persamaan yang digunakan dalam penelitian ini adalah: LNVOLt = f (RDt.935123 0.18446 0.08671004 2.

..b2) LNVOLt = b1 LNVOLt* + b2 B LNVOLt b1 b1+b2 jika : b1 b = ------b1+b2 maka LNVOLt = b LNVOLt* + (1-b) B LNVOLt….b2 B LNVOLt = 0 b1 LNVOLt – b2 LNVOLt = b1 LNVOLt* + b2 B LNVOLt (b1 . Membentuk fungsi biaya kuadrat tunggal Ct = b1 (LNVOLt – LNVOLt*)2 + b2 [(1-B) LNVOLt]2….(3) 4.LNVOLt* + ------.PELANGGARAN ASUMSI KLASIK 2. Minimisasi diperoleh: ∂ Ct = 2b1 (LNVOLt – LNVOLt*) + 2b2 [(1-B) LNVOLt] = 0 b1 (LNVOLt – LNVOLt*) + b2 [(1-B) LNVOLt] = 0 b1 LNVOLt – b1 LNVOLt* + b2 LNVOLt . Dengan mensubstitusikan persamaan (1) ke persamaan (1). didapat LNVOLt = b LNVOLt* + (1-b) B LNVOLt LNVOLt = b (a0 + a1 RDt + a2 LNPDBt + a3 IHSGt) + (1-b) LNVOLt LNVOLt = a0b + a1b RDt + a2b LNPDBt + a3b IHSGt + (1-b) LNVOLt….(2) Dimana : b1 (LNVOLt – LNVOLt*)2 = biaya ketidakseimbangan b2 [(1-B) LNVOLt]2 = biaya penyesuaian B = backward lag operator 3.(4) 84 b2 b1+b2 b2 (1-b) = -------b1+b2 b1+b2 1= --------b1+b2 fungsi biaya tersebut terhadap LNVOLt sehingga LNVOLt = -------.BLNVOLt ..

β4) β2 C2= ----------(1 . karena semua variabelnya dapat diobservasi. Dapat diestimasikan dalam studi empiris.β4) β3 C3= ----------(1 .PELANGGARAN ASUMSI KLASIK 5.β4) β1 C1= ---------(1 .Signifikan secara statistik dan bertanda positif (+) β0 C0= --------(1 . dimana dalam operasionalnya dapat dituliskan sebagai berikut : LNVOLt = β0 + β1 RDt + β2 LNPDBt + β3 IHSGt + β4 LNVOLt Dimana : β0 = a0b β1 = a1b β2 = a2b Catatan : Koefisien kelambaman variabel dependen haruslah: .β4) Koefisien jangka panjang untuk IHSGt Koefisien jangka panjang untuk LNPDBt Koefisien jangka panjang untuk RDt Koefisien jangka panjang untuk konstanta β3 = a3b β4 = (1-b) Langkah-Langkah pengujian PAM : 85 .terletak di antara 0 dan 1 0 < β4 < 1 .

Pastikan data sudah siap dalam workfile 2. misalnya LNVOL C RD LNPDB IHSG LNVOL(-1) Gambar 5.PELANGGARAN ASUMSI KLASIK 1. Ketik persamaan regresi yang diinginkan.8 Hasil Regresi PAM 86 . klik QUICK dan pilih ESTIMATE EQUATION 3. Pada menu utama.

0006 5 1 9 0.E.40156 0.667 F-statistic 52 1.4987 1 6 5 1. C RD LNPDB IHSG LNVOL(-1) R-squared Adjusted Rsquared S.68386 0.0102 7 0.D.0023 68 6 3 0.625 13 1.91494 S.72105 0.13443 2.36581 0. t.01630 0.01115 0.5890 48 1.30030 0.96823 2 Prob(F-statistic) 87 .4188 47 1.0001 8 1 1 0.3073 2.80817 0.19 83 0. of regression Sum squared resid Log likelihood Durbin-Watson stat ent Error Statistic -9.92390 9 Mean 6 14.00076 4.6321 24 103. dependent 9 var 0.82015 -3.42846 0.36804 3.0000 00 2 dependent var 0.46342 Akaike info 1 criterion 7.30180 Schwarz 3 criterion -22.Prob.PELANGGARAN ASUMSI KLASIK Dependent Variable: LNVOL Method: Least Squares Date: 03/07/04 Time: 09:35 Sample(adjusted): 1992:2 2001:4 Included observations: 39 after adjusting endpoints Variable Coeffici Std.00336 0.

lnvol(-1) Lnvol(-1).rd Lnpdb. lnvol(-1) c. lnvol(-1) ) 4 ) ? ? 4 ) 4 ) ihsg. lnvol(- (3)=(1)*(2) Ct*Matriks VarCovar ? ? -Co/(1-β4)1) c.PELANGGARAN ASUMSI KLASIK Untuk menghitung nilai t-stat untuk koefisien jangka panjang. lnvol(-1) ihsg. lnvol(-1) ) 1/(1-β -C2/(1-β 4 ? ? β4.lnvol(1/(1-β -C1/(1-β 1) 4) 4) rd.c Rd. β4 1) lnpdb.lnvol(-1) rd. lnvol(-1) Lnpdb.ihsg ? ? Langkah selanjutnya silahkan anda cobakan sendiri.lnpdb 1/(1-β -C3/(1-β β4. dapat dilakukan dengan cara yang sama dengan metode pada model ECM dimana matriks Ct dan matriks Var-Covar yang digunakan adalah sebagai berikut: (1) Ct 1/(1-β 4 (2) Matriks Var-Covarian Lnvol(-1). 88 . β4 Ihsg.lnvol(c.

7000 594.6000 298.99000 13.49000 18.82730 11.87932 IHSG 27806.7650 492.09017 11.8400 585.93000 17.68000 16.36489 11.29515 11.33549 14.4300 .64648 12.3920 274.68842 11.85000 16.96607 12.52725 11.70000 89 LNPDB 11.10708 11.28000 16.2700 493.20175 11.72000 12.9610 588.87000 14.45000 20.20526 11.PELANGGARAN ASUMSI KLASIK DATA UNTUK ANALISIS MODEL DINAMIS obs 1992:1 1992:2 1992:3 1992:4 1993:1 1993:2 1993:3 1993:4 1994:1 1994:2 1994:3 1994:4 1995:1 1995:2 1995:3 1995:4 1996:1 1996:2 1996:3 1996:4 LNVOL 11.20000 13.10320 12.31172 12.20467 11.31020 12.23850 RD 22.50000 12.96114 13.3350 310.7580 360.66000 16.44023 11.66362 14.73000 16.30000 14.3000 637.85000 15.2950 497.13845 11.44361 13.38319 14.51102 11.53000 21.57630 11.3730 457.08830 14.00 313.67095 11.25909 11.68878 12.2400 513.6400 428.2500 573.71611 11.76637 11.81044 15.38485 11.65874 13.62329 11.42000 16.85433 13.9700 469.90752 12.40376 11.6410 492.61000 15.20067 13.3460 419.40000 12.

73000 26.6 62 63.5 83.2300 724.4 65.6200 662.3300 416.61704 16.50000 21.35552 15.33218 16.9 5.9 5.9 73.47827 15.36453 16.48000 11.71811 12.35000 20.98580 17.39000 16.2 90 5.29066 12.42000 15.53388 12.61649 16.17000 13.3 77.01539 15.5 5.8 76.84576 12.8 63.49166 12.2700 515.9200 583.82277 12.35616 12.51655 16.5 73.5500 546.24295 15.01000 13.9 55 57.12000 13.78097 12.23479 15.29000 30.5 4.54152 12.9 69.0200 547.64958 12.54645 12.42000 12.6 4.61649 15.4 78.8 50.0500 437.5 48.00305 12.4 67.5 59.8 3.7 5.6200 392.14846 15.4 71.13545 16.46563 16.0300 Soal Latihan Analisa Dinamis Indeks Kompensasi.7 84.03914 12.9 80.46000 15.66534 12.4 65.4200 445.7 5.33300 14.69000 22.6 3.9 5.89000 11.54629 12.5 3.06000 28.8 3.9 65.2 4.51892 12.73062 12.6 52.44000 12.PELANGGARAN ASUMSI KLASIK 1997:1 1997:2 1997:3 1997:4 1998:1 1998:2 1998:3 1998:4 1999:1 1999:2 1999:3 1999:4 2000:1 2000:2 2000:3 2000:4 2001:1 2001:2 2001:3 2001:4 15.9400 676.6 .14160 16.9200 276.06588 16.16000 16.9 72.Indeks Produktivitas dan Tingkat Pengangguran pada Beberapa perusahaan Besar di Suatu Negara Tahu Indeks Indeks Produktivitas Tkt Pengangguran (%) n 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 Kompensasi 60 61.4 82.2 74.97000 28.97000 14.93115 16.1500 398.86551 662.7 67 69.3200 381.91442 12.5 6.4700 392.6800 401.1100 421.0300 393.7100 541.25206 16.99000 22.92000 19.

3 95.6 6. 91 .4 86.6 7.9 93 93.9 99.5 5.5 90.9 96.2 5.8 87.3 75.3 107.4 107.4 104.8 7.4 91. indeks produktivitas dan tingkat pengangguran dalam persen. Data diatas menunjukkan Indeks kompensasi.7 95.7 80.7 91.3 97.8 78.6 105.7 99.5 6.5 97.PELANGGARAN ASUMSI KLASIK 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 84.4 4.5 89.2 7 6. uji derajat integrasi dan uji kointegrasi pada data diatas untuk mengetahui apakah model yang digunakan merupakan model dinamis atau bukan.1 5.3 5.7 9.5 7.8 80.6 87 88.5 114 8.5 100 99.5 7.3 92.9 89.9 4. Pertanyaan: a.9 6.5 79.7 80.8 7.8 96.2 Seorang peneliti dan ingin melihat apakah ada pengaruh tingkat besarnya produktivitas tingkat pengangguran terhadap kompensasi yang diberikan oleh suatu perusahaan pada karyawannya (baik dalam jangka pendek maupun dalam jangka panjang).7 89.5 4.5 101.6 9.1 6.6 5.7 7.9 102.2 96.1 5.9 95.4 82 81.3 99.7 100.3 100 100.9 91 91.1 7. Lakukanlah Uji akar-akar unit.7 84.5 89.6 110.

c. Jika hasil pengujian menganjurkan penggunaan model dinamis. gunakanlah model ECM.PELANGGARAN ASUMSI KLASIK b. jika tidak lakukanlah regresi OLS. Interpretasikanlah hasil regresi yang telah anda peroleh 92 .

Sign up to vote on this title
UsefulNot useful