P. 1
Pengujian Kesalahan Asumsi Klasik

Pengujian Kesalahan Asumsi Klasik

|Views: 1,236|Likes:
Dipublikasikan oleh Einal Abidin

More info:

Published by: Einal Abidin on Jan 21, 2012
Hak Cipta:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

06/08/2013

pdf

text

original

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

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

yang setelah itu diuji dengan menggunakan Uji Wald. Penambahan data baru dapat menghilangkan Multikolinearitas yang tidak begitu serius. 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. Seperti tampilan berikut : 5 . lalu pilih Cefficient Test dan klik Wald – Coefficient Restrictions. Klik Views.2 Tampilan Correlation Matrix C. 2. Salah satu cara utnuk menghilangkan multikolinearitas adalah menghilangkan satu atau lebih variabel bebas yang mempunyai kolinearitas tinggi.PELANGGARAN ASUMSI KLASIK Maka hasil yang didapat akan seperti tampilan berikut : Gambar 4. PENANGGULANGAN TERHADAP MULTIKOLINEARITAS Cara menanggulangi multikolinearitas : 1. Adapun langkah-langkahnya sebagai berikut : 1.

Ketik salah satu koefisien dari variabel bebas yang ingin dihilangkan (yang paling tidak signifikan) seperti pada tampilan berikut : Gambar 4.3 Menu Uji Wald Restriction 2.4 Tampilan Correlation Restriction 6 .PELANGGARAN ASUMSI KLASIK Gambar 4.

05) maka penghilangan variabel bebas yang mengandung multikolinearitas akan mengubah interpretasi dari persamaan regresinya sehingga penghilangan variabel tersebut tidak 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. INTERPRETASI PENGUJIAN WALD TEST • Jika F statistik signifikan (probabilita < 0. Contoh soal : (soal dibawah ini akan terus digunakan untuk materi praktikum-praktikum selanjutnya) 7 .5 Tampilan Layar Uji Wald D. Jika F statistik tidak signifikan (probabilita > 0. Dengan kata lain sekalipun variabel tersebut mengandung multikolinearitas namun memiliki pengaruh terhadap variabel dependentnya.05) maka penghilangan variabel yang mengandung multikolinearitas tidak akan mengubah interpretasi dari persamaan regresinya sehingga penghilangan variabel tersebut diperbolehkan. Hasil akan seperti tampilan berikut : Gambar 4.PELANGGARAN ASUMSI KLASIK 3.

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

Catatan : multikolinearitas yang kuat terjadi jika korelasi antar dua atau lebih variabel lebih dari 0. Langkah 5 : Interpretasi sesuai dengan hasil pengujian Wald Test. maka antara RSBI dan GDP terdapat multikonearitas yang kuat.PELANGGARAN ASUMSI KLASIK Correlation Matrix Lihat gambar Korelasi antara RSBI dan GDP adalah sebesar 0. (lihat teori penanggulangan).74 (lihat kembali teori di atas).70. Karena korelasi antar kedua variabel tersebut mendekati nilai 1 (1.0000). lihat penjelasan asisten di depan kelas. 9 . Langkah 4 dan 5. Langkah 4 : Lakukanlah penanggulangan multikonearitas dengan menggunakan Wald test.

G adalah pengeluaran pemerintah. Uji ada atau tidak multikolinearitas 3. dan Gdp adalah Gross Domestic Product. Atasilah jika terdapat multikolinearitas 10 .PELANGGARAN ASUMSI KLASIK SOAL Berdasarkan data di bawah ini. dimana JUB adalah jumlah uang beredar. 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. Regreslah JUB dengan G dan GDP 2.

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

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

0. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Prob.775879 0.946638 Adjusted R-squared 0.290307 X 0.000000 Berdasarkan print-out tersebut dapat dihitung nilai residual (µI) untuk kemudian di kuadratkan dan di Ln kan.0538 Durbin-Watson stat 1.0866 0. Error t-Statistic 5.153 Log likelihood -108.028617 22.590347 Std.E.231386 1.182968 Sum squared resid 2361. Pada tampilan hasil regresi.7333 39.637785 R-squared 0.28718 Mean dependent var S.7183 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 119.06134 7. of regression 9.944732 S. Caranya sebagai berikut: a.336918 7.D. klik View lalu pilih make residual series dan ketik Residual dan kilk OK seperti tampilan berikut ini: 14 .PELANGGARAN ASUMSI KLASIK 29 30 178 191 265 270 Print out berikut adalah hasil regresi OLS dengan model Y = f (X.430332 496.

2. 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. hal ini berarti bahwa tidak ada heteroskedastisitas pada model tersebut. jika variabel bebasnya lebih dari 1 maka diregres secara terpisah.PELANGGARAN ASUMSI KLASIK Gambar 8.1. dengan demikian dapat diketahui variabel mana yang menyebabkan adanya heteroskedastisitas 15 . Note: Pada uji Park ini. Hasil Uji Park Dengan meregres model : LNRES2 = f (LNX) maka diperoleh hasil seperti Gambar 2.8154 (tidak signifikan pada α = 5%).2. Dari hasil print out tersebut terlihat bahwa koefisien LNX memiliki probabilitas 0.

Kemudian buat dua regresi secara terpisah. Kriteria uji F jika : F hitung > F tabel. Kedua untuk nilai X besar dan hilangkan beberapa data yang ada ditengah. Seandainya tidak ada data yang dibuang (d = 0) tes masih berlaku tetapi kemampuan untuk mendeteksi adanya heteroskedasitas agak berkurang. Urutkanlah dari variabel bebas X dari yang terkecil yang terbesar 2.PELANGGARAN ASUMSI KLASIK b. 4. d = banyaknya data atau nilai observasi yang hilang k = banyaknya parameter yang diperkirakan. maka tidak ada heteroskedasitas Uji Goldfeld-Quant ini sangat tepat untuk sampel besar ( n > 30). Contoh: 16 . 40% Nilai Terkecil 15%-20% Dihilangkan 40% Nilai terbesar 3. dimana n = banyaknya observasi. Buatlah rasio RSS (Residual Sum of Square = error sum if square) dari regresi kedua terhadap regresi pertama (RSS2/RSS1) untuk mendapatkan nilai F hitung. Goldfeld-Quant Test Langkah-langkah pengujiannya adalah sebagai berikut : 1. Lakukan uji F dengan menggunakan derajat kebebasan (degree of freedom) sebesar (n-d-2k)/2. pertama untuk nilai X yang terkecil. maka ada heteroskedasitas F hitung < F tabel.

31711 Prob(F-statistic) 6 Hasil Regresi kelompok I dengan RSS1 = 341.6734 Prob.61567 0.65728 0.1209 F-statistic 5 Durbin-Watson stat 2.84528 Akaike info 3 criterion Sum squared resid 341. 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). of regression 5.849565 9 6 R-squared 0.91466 6.000014 Dependent Variable: Y Method: Least Squares Date: 06/07/01 Time: 09:03 Sample: 19 30 17 .520159 6.53586 0.600977 61.84640 S.08333 14.D.86036 Mean dependent 6 var Adjusted R-squared 0.41214 9. yaitu observasi ke 13 s/d observasi ke 18. maka dibuang 20% nilai tengah dari total observasi (6 observasi). Error t-Statistic t C 7.777291 2 6 X 0. 0.0000 81.E.4550 0.08373 7. dependent var 2 S. 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.673 Schwarz criterion 4 Log likelihood -37.PELANGGARAN ASUMSI KLASIK Dengan data yang sama pada uji Park di atas.

965/341.87845 9 7.PELANGGARAN ASUMSI KLASIK Included observations: 12 Variable Coefficient C -49. df = {30 – 6 – 2(2)}/2 = 10) 4.02607 7 Mean dependent var S.882258 0.D. df = {30 – 6 – 2(2)}/2 = 10) = 2.1807 0.0001 157.27076 1. 0.965 -45.00012 8 Hasil regresi kelompok II dengan RSS2 = 1328.85 F-stat < F-tabel ⇒ c.784081 0.74731 X R-squared Adjusted R-squared S.95927 7 36. Jika terjadi keraguan maka sebaiknya digunakan uji white yang pada prinsipnya meregres residual yang dikuadratkan dengan variabel bebas pada model.6545 5 7. Error t-Statistic 34. Uji White Hasil uji park bisa berbeda dengan uji Golfeld and Quant.52807 1328.8896 F-tabel (α= 5%.315331 Std.56614 -1.43919 2 0. tidak ada heteroskedastisitas = 18 .146407 6. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.762489 11.583 3 23.98 F-stat > F-tabel ⇒ ada heteroskedastisitas = RSS2/RSS1 = 1328.965 F-stat = 3. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Prob.E.6734 Jika digunakan (α= 1%) maka F-tabel (α= 1%.3136 1 0.

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

917301 0.PELANGGARAN ASUMSI KLASIK Dengan data yang sama pada uji park dan goldfeld and quant. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Prob.006707 0.064119 2.8043 Sum squared resid 302252.368760 0.069568 Std. berikut ditampilkan hasi uji white: White Heteroskedasticity Test: F-statistic 2.D.917301 Obs*R-squared 5. PENANGGULANGAN TERHADAP HETEROSKEDASTISITAS 1.df = 2) = 5.05.7 Log likelihood -180.071274 0.0695 Prob Obs* R square > 0.E.25570 12.856573 Probability Probability 0.083329 0.071274 Obs* R. Transformasi Logaritma Natural Jika model berikut ini mengandung heteroskedastisitas : Y i = α1 + α2 + u i 20 . 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.maka tidak ada heteroskedastisitas Note: df pada χ2 tabel adalah jumlah variabel bebas (regresors) pada regresi model White-test kecuali konstanta.9342 0.990 Obs* R square < χ2 tabel.177697 Adjusted R-squared 0.square χ2 tabel dengan (α= 5%.70511 112. of regression 105.29621 X 0.8355 Durbin-Watson stat 1.8018 78. Error t-Statistic 191.197385 X^2 0. maka tidak ada heteroskedasitas atau Prob Obs* R square = 0.5823 12.253503 Mean dependent var S.7731 -0.331 = 5.39582 2.9493 0.116785 S. C.001700 R-squared 0.

consistent dan efficient. Dengan demikian koefisien regresi dari model baru didapat dengan menggunakan OLS tersebut menjadi unbiased. Variabel bebas (independen) yang mengandung heteroskedastisitas tersebut diperoleh dari pengujian White-Test.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. 21 . 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. 2.

PELANGGARAN ASUMSI KLASIK Soal latihan: Berikut adalah data Biaya R & D. 8 2.1 225.6 1.8 13.4 14.40 5.751 .9 4.86 9.5 276.3 6.884 .7 Profit 185.774 .869 .761 .595 . 3 258.278 .40 8.1 21.645 . 2 6.1 4.163 .76 1.210 .0 1.918 .569 .828 .487 . 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 6.8 R&D 62.4 13.1 3.65 5.1 116.29 4.55 2.5 .036 .3 11.10 7.5 4.6 421.787 . 9 178.7 5. 7 509.31 4.3 32.14 1.9 175. 5 92.9 2.620 .375 .438 .4 70.7 40.02 5. 9 3.3 16.62 6.2 26.0 101.4 19.6 80.3 122.8 10.8 95.9 8.1 3.083 . 7 1.7 141.64 9.107 .29 5.454 . 4 494.620 .6 35.8 9.31 5. 1 1.

2 22.0 1. Lakukanlah regresi terhadap R & D = f(Sales.415 .528 . c.61 4. 23 .626 .8 9.5 293.703 . Interpretasikanlah hasil yang sudah disembuhkan. Profit.4 a. 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.54 3. Lakukanlah Uji White dengan metode cross term b.e) b.6 18.PELANGGARAN ASUMSI KLASIK 17 Minyak 18 Automotif 230. Jika ada penyakit heteroskedastisitas atau membagi sembuhkanlah dengan dengan yang Transformasi logaritma variabel menyebabkan terjadinya heteroskedastisitas.

C. Pada kondisi ini kesalahan pengganggu tidak bebas tetapi satu sama lain saling berhubungan. 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. Estimasi model dengan OLS dan hitung nilai residualnya 24 . PENGUJIAN TERHADAP ADANYA AUTOKORELASI 1. sehingga mengakibatkan uji statistik menjadi tidak tepat dan interval kepercayaan menjadi bias (biased confidence intervals). Bila kesalahan pengganggu periode t dengan t-1 berkorelasi maka terjadi kasus korelasi serial sederhana tingkat pertama (first order autocorrelation). B. Tentukan hipotesis Null dan Hipotesis alternatif dengan ketentuan Ho : Tidak ada autokorelasi (positif/negatif) Ha : ada autokorelasi (positif/negatif) b.PELANGGARAN ASUMSI KLASIK BAB IV AUTOKORELASI A. PENGERTIAN Yaitu suatu keadaan dimana kesalahan pengganguan dari periode tertentu (µt) berkorelasi dengan kesalahan pengganggu dari periode sebelumnya (µt-1).

PELANGGARAN ASUMSI KLASIK ut = Yt . e.β1X1 . Hitung Durbin – Watson dengan rumus sebagai berikut : Dimana: t = periode n = jumlah observasi ut = Residual periode t ut-1 = residual periode t-1 d.βkXk . Hitung Durbin Watson kritis yang terdiri dari nilai kritis dari batas atas (du) dan batas bawah (dl) dengan menggunakan jumlah data (n). .βkXk c.βo .β2X2 . jumlah variabel independen / bebas (k) serta tingkat signifikansi tertentu (α). 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 ..….

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

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

sehingga muncul hasil regresi di halaman berikut : Breusch-Godfrey Serial Correlation LM Test: F-statistic 15.00315 .00245 2 0. ut adalah residual.25434 Probability Obs*R-squared 8. Lakukanlah pengujian autokorelasi dengan menggunakan : a. Lalu lakukan regresi untuk perbaikan autokorelasi dengan MAKE EQUATION Y2.ut-1ρ) 4. Interpretasikanlah model yang telah ditanggulangi Jawaban 1.3 Contoh Soal Autokorelasi Soal yang digunakan adalah contoh soal 1 (praktikum I) Instruksi : 1. Durbin-Watson Test 2.715324 Probability 28 0.PELANGGARAN ASUMSI KLASIK X 2t* = (X 2t . LM-Test b.ρ X2t-1) ut* = (ut . pada hasil estimasi ρ = coefficient resid (1) 5.1 C X2. Lakukanlah penanggulangan autokorelasi 3. 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). 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. Buat estimasi nilai ρ melalui estimasi fungsi residual ut = ρut-1 +v.2 X2.

484 0. Error t-Statistic Prob. 0 368.5669 0.742.9 4.08477 9 0.258673 -3.5 29 .797.9836 0 5.7947 9 22. 2 dan 3 perhatikan pembahasan asisten di depan kelas.466755 19280.240. CPI 107.579. tahun 1970 -1998 Tahun 1970 1971 1972 IMPOR 39.D.0 55. CPI suatu Negara. 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. 0.039.905680 Mean dependent var S.5 3 22.6 1.7 1.PELANGGARAN ASUMSI KLASIK 5 Test Equation: Dependent Variable: RESID Method: Least Squares Date: 03/16/01 Time: 13:27 Variable Coefficien t RSBI 0.088.0 4.8894 0.452.128.825773 Std.8 GDP 1. Untuk soal no.0 CPI 38.E.789838 1. Perhatikanlah data dibawah ini : Data Impor. maka terdapat autokorelasi. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.6 113.6 109.866. GDP.01893 1 0.213.051350 -0.79E12 26403.425.5 41.09E+09 -166.590318 9666.418 RESID(-1) -1.0025 -6. Atau untuk pengujian dapat juga membandingkan Obs* R-Squared dengan tabel Chi-Squared.82 4. Tugas / Quiz 2 Soal 1.2817 0.9609 1. 0 409.142287 0.030313 C 1375.131926 0.894039 GDP -0.8 40.6 GDP 4.765.0 45.581022 Adjusted R-squared S.003155 lebih kecil daripada α (5%).010293 R-squared 0.4 Tahun 1985 1986 1987 IMPOR 338.

9 1.5 99.0 103.2 42.441.811.9 60.7 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 118.189.3 7.9 6.0 124.9 96.5 148.295.400.0 1. 0 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 70. No Obs 1 2 3 4 5 6 7 8 Data Peggunaan BBM pada Mobil Angkutan Kota PBBM KEC TK 39. 0 589.3 144.501.566.901. 0 803.2 40.635. 0 917.2 8.054.4 2.2 5. 0 490.2 72.590.002. Regresikanlah model di atas 2.6 39.318.0 98.0 265.178.2 1.499.0 247.3 38.7 136.9 2.365.5 163.3 7.489.385.0 5.981.0 176.6 103.418.259. 0 876.642.300.574.4 156. 0 749.067.823.9 160.5 1.4 2.366. 0 498.5 22.327.803.0 332.2 152.4 49.007.759.750.795.5 22.813.228.642.8 38.9 40.0 3.5 22. LnGDP) Pertanyaan : 1. 0 536.3 124.534.185.2 6.108. 0 477.9 3.932.0 130.458.6 82.5 7.337.8 56.0 268.9 Ln Impor = f (LnCPIt .9 2.3 5.907.5 25 25 25 30 .4 90.3 53.031.0 249. Lakukanlah pengujian Multikolinearitas 3.986.0 44.1 5.2 3.0 212.3 3.9 38.8 8.6 65.131.PELANGGARAN ASUMSI KLASIK 0 447. Jika ada multikolinearitas apakah kita dapat membuang variabel yang menyebabkan multikolineritas tersebut ? Soal 2.5 22.0 151.2 140. 0 668.7 100 103 106 113 106 109 110 101 66 73 78 92 78 90 92 74 BK 22.

2 32.2 PBBM KEC TK BK 111 95 25 105 81 25 111 95 25 110 92 25 110 92 25 110 92 25 90 52 27.00 22. Tanggulangilah penyakit tersebut dengan metode yang anda ketahui.5 103 84 27.4 38. Lakukan pengujian heteroskedastisitas dengan Park Test.63 53.90 219.5 102 81 27.41 19.30 256.01 30.89 hasil regresi yang sudah bebas dari 31 .00 26.00 19.5 112 103 27.30 1.9 32.60 1.68 39.77 54.93 22.30 1.90 234.10 329.4 35.1 35.29 50.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 39.5 109 102 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.5 106 90 27.8 38.60 352.9 36.1 35 33.00 27.3 32. d. c.3 36.349.551.80 1.10 220.5 111 102 27.2 32.00 26.58 61.00 19.3 35.60 249.00 20.00 21.646.5 106 90 27.2 32.85 53.3 38.52 26.78 33.1 36.00 23.224.10 1. Interpretasikanlah heteroskedastisitas.89 45.438. YEAR 1973 1974 1975 1976 1977 1978 1979 1980 Data Faktor-Faktor Yang Mempengaruhi Harga Timah HT IHP HTL JPR HA 21.90 259. TK. e) b.40 1.18 61.2 32.1 35.4 46.491.30 1. Lakukan regresi terhadap PBBM = f(KEC.382.30 57. Soal 3. Golfeld and Quant Test dan White-test. BK.4 38.50 1.504.5 111 102 27.5 103 84 27.

90 111.42 61.60 1.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: 30.20 119.057.40 1.00 109.378.20 117.80 556.50 58.60 1.70 427.352. LnJPR.60 66.88 22.321.20 245.80 727.365.01 70.80 237.20 1.10 66. Regresilah model LnHT = f (LnIHP.70 1.00 30.70 347.80 1.60 81.298.553.60 100.30 525.00 1.509.79 44.90 1. Kerjakanlah soal-soal di atas pada kertas HVS.60 1.00 35.80 588. LnHA.10 1.40 69.85 27.00 66.60 97.492.98 25.20 709.547.90 1.90 32.80 555.80 2.023.10 750.80 76.50 77.87 Pertanyaan: a. Apakah ada penyakit autokorelasi ? (Gunakan D-W test dan LM – Test) c.46 23.80 72.50 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) 26.70 64.00 1.90 42.60 129.70 32.20 1.50 30.23 54.50 145.749.40 2.20 106.30 98.00 52.80 66.084.20 107.62 23. Kumpulkanlah minggu depan pada praktikum IV! BAB V PERSAMAAN SIMULTAN 32 .545.80 780.469.00 1.20 1.50 234.00 418.171.00 26.67 25.70 1.40 147.80 468.72 24.561.50 64. LnHTL.634.10 30.10 940.72 29.40 89.60 444.30 152.70 1.80 137.49 51.20 101.33 34.20 233.50 24.60 1.50 129.30 877.58 27.989. sertakan pula hasil print-out anda.195.10 2.30 129.50 51.nya. Jika ada. e) dengan terlebih dahulu merubah data dalam bentuk Ln b.499.23 25.80 2.18 28. maka sembuhkan penyakit tersebut dengan terlebih dahulu menghitung koefisien ρ.50 24.50 59.296.10 620.70 229.40 47.70 36.06 39.80 38.50 935.

X = f (Y) tetapi Y = f (X) Qt = f (P) tetapi P = f (Qt) 2. sehingga suatu variabel dapat dinyatakan sebagai variabel dependen maupun independen dalam persamaan yang lain.Variabel eksogen sekarang  Xt . • Variabel yang sudah diketahui nilainya/ predetermined variable : variabel ini diperlakukan sebagai variabel yang nir stokastik yang nilai-nilainya sudah tertentu atau sudah ditentukan. 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.PELANGGARAN ASUMSI KLASIK A. Jumlah uang beredar M = a0 + b1 Y1 + u1 Y1 = b0 + b1M1 + b2I2 + u1 3. 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). Pt-1 33 .Variabel eksogen waktu lampau  Xt-1. Pt . yaitu: Variabel eksogen : . Misalnya: 1. Predetermined variable dibedakan menjadi dua.

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 . Ada dua macam dalil pengujian identifikasi.  Dapat diterapkan. jika model persamaan tersebut sudah diubah dalam bentuk reduce form. Qt-1 Dapatkah OLS digunakan untuk menaksir koefisien dalam persamaan simultan?  Tidak dapat. yaitu dengan memasukkan salah satu persamaan pada persamaan yang lain. yaitu Order condition dan Rank condition.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. Masalah Identifikasi dalam Persamaan Simultan Masalah identifikasi sering dijumpai pada model ekonometri yang lebih dari satu persamaan. dianggap residual yang stokastik. Persyaratan ini disebut Kondisi Identifikasi (condition og identification). B. maka persamaan tunggal tersebut tidak dapat diperlakukan sebagai sebuah model yang lengkap. Jika hanya dilakukan regresi pada salah satu model regresi. Untuk memecahkan masalah ini harus dilakukan pengujian atau persyaratan agar diketahui koefisien persamaan mana yang ditaksir.

maka persamaan tersebut unidentified . 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. 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. jika tidak maka tidak identified. Jika M-1 < 1. Jika K – k < m –1. 35 . maka persamaan tersebut identified. 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. Jika M-1 > 1. maka persamaan tersebut overidentified. Jika K – k > m –1. agar identified maka M-1 = 1. maka persamaan tersebut overidentified .PELANGGARAN ASUMSI KLASIK 1.

2. dan rank dari matriks A adalah kurang dari (M-1). Suatu persamaan yang mempunyai M persamaan dikatakan identified. maka persamaan tersebut underidentified .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. Jika K – k < m –1. dan rank dari matriks A adalah kurang dari (M-1). Kesimpulan : Jika K – k = m –1. 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. Rank Conditions. dan rank dari matriks A adalah (M-1). sekurang-kurangnya mempunyai satu determinan berdimensi (M-1) yang tidak sama dengan nol. maka persamaan tersebut unidentified. dan rank dari matriks A adalah (M-1). maka persamaan tersebut overidentified . Jika K – k > m –1. Jika K – k ≥ m –1. maka persamaan tersebut exactly identified . ⇒ Qt = β0 + β1Pt + u2t……………… 36 .

α0 + α1 P+ α2 X + v . 2. Asumsi yang harus dipenuhi dalam penggunaan prosedur ILS: 1. Persamaan strukturalnya harus exactly identified. Metode Persamaan Simultan  Indirect Least Squares (ILS) Metode ILS dilakukan dengan cara menerapkan metode OLS pada persamaan reduced form. Jika asumsi terpenuhi. penaksiran koefisiennya. 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.PELANGGARAN ASUMSI KLASIK C.

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 .PELANGGARAN ASUMSI KLASIK α1 P .α0 .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.

8636 12. β1 dan β2 Langkah-langkah ILS: 1. dependent var F-statistic 39 Prob. yaitu : P= Π0 + Π1 X + Π 2 Pl +Ω1 Q= Π 3 + Π 4 X + Π 5 Pl +Φ2 2.002417 3.D.94177 Mean dependent var S.52976 Durbin-Watson 0.847730 stat Dependent Variable: Q Method: Least Squares Date: 03/18/02 Time: 16:23 Sample: 1970 1991 Included observations: 22 Variable Coefficient X 0.601576 Adjusted R0.014026 0.735081 0.42454 9.000032 Std.96355 Std.627636 squared Log likelihood -89. Hasil Regresi OLS persamaan reduced form Dependent Variable: P Included observations: 22 Variable Coefficient X 0.0014 0.32565 R-squared 0.009026 PL -0.69819 0. Error t-Statistic 0.0007 0.096827 10.615342 C 95.004477 4.626663 16.34395 .08825 R-squared 0. 0. Error t-Statistic 0.025651 Mean dependent var S.559637 squared Log likelihood -75. 0.39545 14.D.207526 -2. kemudian masukkan pada koefisien reduced form untuk menaksir koefisien struktural.0000 100. Ambil nilai koefisien dari hasil regresi tersebut.017971 PL -1.965133 5. α2.97410 18.0000 109. Regres persamaan reduced form dengan metode OLS.0059 0.384484 -3.663099 Adjusted R0.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. dependent var F-statistic Prob(F-statistic) Prob.0080 0. β0. α1.190681 C 94.0909 24.

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

00447 4.025651 4 R-squared 0.4245 9.D. of regression 15.38448 -3.41179 7 8.017971 0. Error t-Statistic PL -1.668 Schwarz criterion resid 41 Prob.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.E.096827 4 X 0.23961 Akaike info criterion Sum squared 4412.PELANGGARAN ASUMSI KLASIK Gambar 4.0059 0. 0.190681 0.663099 Mean dependent var Adjusted R0.0000 109.014026 7 C 94.9741 0 8.08825 10. dependent var squared S.56057 5 .0007 0.627636 S.090 9 24.

00003 2 Membuat fitted dari regresi P = a11 + a12 Pl+ a13 X + v Gambar 4.52976 0.6981 9 0.PELANGGARAN ASUMSI KLASIK Log likelihood Durbin-Watson stat -89.2 42 .847730 F-statistic Prob(F-statistic) 18.

PELANGGARAN ASUMSI KLASIK Gambar 4.4. Membuat residual dari regresi P = a11 + a12 Pl+ a13 X + v Gambar 4.3. 43 .

894866 RES1 0. Error t-Statistic t PF 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.89644 F-statistic Durbin-Watson 2.000262 0. of 8.70099 13.126833 0.7744 0.290921 C 46.603999 Mean dependent var Adjusted R0.D.8636 12.425265 Akaike info criterion regression Sum squared 1277.7438 0.0029 100. dependent var squared S.435989 R-squared 0. 0.263313 7.39545 7.516798 0.000899 -0.461684 9.537999 S.0097 0.151495 0.301464 Prob(F-statistic) stat Lakukan langkah yang sama pada persamaan yang lain! 44 Prob.732 Schwarz criterion resid Log likelihood -75.E.042096 0.59172 3.5.PELANGGARAN ASUMSI KLASIK Gambar 4.000677 .331900 X -0.178522 2.

P = b11 + b12 QF+ b13 RES2 + b14 X + v Metode 2 TSLS: Buka Workfile.6 Hasil Regresi dengan Two Stage Least Squares (TSLS). Dependent Variable: P Method: Two-Stage Least Squares 45 . Regres Q = a11 + a12 Pl+ a13 X + v 2. pilih method TSLS Tuliskan instrument variable . 3. Buatlah nilai Fitted dan Residual dari regresi tersebut (QF dan RES2). kemudian Klik estimation Setelah muncul Equation Specification. pilih variabel yang dikehendaki akan diregresi .PELANGGARAN ASUMSI KLASIK Langkah-langkah TSLS: (untuk persamaan 2) 1. Klik OK Buatlah regresi P = a11 + a12 Q+ a13 Pl + v Gambar 4. Regres Variabel P dengan QF dan RES2.

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

Error t 49 t-Statistic Prob. Pilih Two Stage Least Squares (TSLS) dan Simultaneous. . Klik.10. 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. Hasil regresi persamaan simultan dengan menggunakan System. Procs kemudian klik estimate.9. kemudian klik OK.PELANGGARAN ASUMSI KLASIK Gambar 4.

6411 2.78409 covariance 7 Equation: P=C(1)+C(2)*Q+C(3)*PL Observations: 22 -------------------------------------------------------------------------------------------------------------------------------R-squared 0.0317 0 C(6) -0.241336 0.0909 3 var Adjusted R-squared 0.69926 2. of regression 10.8106 3 C(4) 46.0117 5 C(5) 0. of regression 21.4835 Sum squared resid 8769.14298 0.594932 0.33047 Mean dependent 109.PELANGGARAN ASUMSI KLASIK 60.E.991068 0.97410 6 S.295822 Mean dependent 100.1190 5 C(2) 1.000262 0.093 Durbin-Watson 1.8636 var Adjusted R0.847392 0.D.71162 50 .8238 7 Determinant residual 9.E.224141 0.79096 5 Equation: Q=C(4)+C(5)*P+C(6)*X Observations: 22 -------------------------------------------------------------------------------------------------------------------------------R-squared 0.23171 2.221698 S. dependent var 12.70099 17.769227 stat C(1) -95.647275 0.034507 0.343 8 Durbin-Watson stat 1.00116 -0.39545 squared S.25999 S.516798 0. dependent var 24.230364 0.93544 Sum squared resid 2272.0071 0 C(3) 0.0098 -1.D.

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. 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 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. nt -1. Error t-Statistic PL Prob. maka persamaannya adalah simultan.19068 0. Gambar 4. Jika variabel residual signifikan.384484 -3.0059 52 .09682 0. Tahap 4 : Lakukan pengujian.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.

09 09 24. dependent squared 6 var S.D.2396 Akaike info Sum squared resid Log likelihood Durbin-Watson stat 1 criterion 4412.66 Schwarz criterion 8 -89.0000 5 0.66309 Mean dependent 109.974 10 8.E.698 19 0.0007 1 94.014026 0.004477 4.0000 32 9 var 0.84773 0 F-statistic Prob(F-statistic) Membuat Fitted dari hasil regresi Gambar 4.12 Klik Procs.01797 0.5297 6 0.PELANGGARAN ASUMSI KLASIK X C R-squared Adjusted R- 1 7 0.025651 0.4117 97 8.42454 9. of regression 15.0882 10. pilih forecast Membuat Residual dari hasil regresi 53 .5605 75 18.62763 S.

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

0000 0.780205 5.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.47201 0.340196 6 0.04209 0. dependent 7 var 8.56025 S.D.1770 94 7.123740 0.395 45 7.9480 4 2. 0.0001 100.3711 9.E.088201 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 0.74 Schwarz criterion 0 -75.86 36 12.7374 0.3258 73 14. Error t-Statistic RESID1 PFIT C R-squared Adjusted Rsquared S.048068 4 0.21980 Akaike info 8 criterion 1283.377 60 0.0001 58 8 var 0.351585 5 49.60213 Mean dependent Prob.27898 0 F-statistic Prob(F-statistic) 55 .

1785 05 7. Error t-Statistic PL X C R-squared Adjusted R- Prob.E.002417 3. of regression 8.D. pada residual dan Tahap 4 : Lakukan pengujian.0000 5 0. maka persamaannya adalah simultan.55 Schwarz criterion 1 -75.9635 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.3272 83 14.0001 60 6 var 0.60157 Mean dependent 100.55963 S.3256 5.27632 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 .207526 -2.626663 16.61534 0.735081 0.22560 Akaike info Sum squared resid Log likelihood Durbin-Watson stat 6 criterion 1285.86 36 12. dependent squared 7 var S.00902 0. nt -0.96513 0.94177 0.0080 2 3 0.PELANGGARAN ASUMSI KLASIK Tahap 3 : Regres variabel endogen yang lain (Pt) fitted yang telah dibuat. Jika variabel residual signifikan.0014 6 95.343 95 0.395 45 7.

PELANGGARAN ASUMSI KLASIK Included observations: 22 Variable Coefficie Std.7376 5 2.5605 84 18. Error t-Statistic RESID2 QF2 C R-squared Adjusted R- Prob.04034 -2.14449 0. nt 0.5298 7 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 .697 93 0.66309 0 Mean dependent 109.425041 0.88690 8 F-statistic Prob(F-statistic) Nilai Residual tidak signifikan.345906 6. of regression 15.09 09 24. jadi tidak terjadi hubungan simultan antara kedua persamaan tersebut.935 35.0079 2 0.2396 Akaike info Sum squared resid Log likelihood Durbin-Watson stat Kesimpulan : 8 criterion 4412.62763 S.96616 0. dependent squared 2 var S.70 Schwarz criterion 9 -89.974 10 8.E.D.0000 32 6 var 0.0000 1 -103.11202 0.339955 0.105759 0.4118 06 8.

4 4.7 4.4 66 7.9 26 6.0 3.1 22 5.099 .578 .0 4.7 3.1 78 7. 8 543. 5 639.9 1.5 11 4. 2 555.4 4. 1 855.2 66 5.311 .269 . 5 561.123 .8 4. 58 R 6. 4 713.084 . 7 462. 0 606.015 .697 .7 1.151 .5 10 7.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 3.5 62 4.4 4.511 .998 . 436.365 2 485.5 . 2 901.9 1. 9 1.760 M PMDN 626. 4 710. 1 802.

0 17 11. 2 673.473 . 5 907.368 .3 5.2 8.2 5.0 1.1 40 4.4 70 5.9 6.0 90 5. 4 655.813 .309 .7 76 11.707 .159 . 3 902. 8 977.140 .7 1.0 7.6 4.831 .107 .0 3.676 .505 .113 .343 .3 6.7 2.813 .4 6.4 3.028 0 735.9 3.717 .484 .9 6. 8 936.0 2.3 5.5 1.4 6.3 3.5 70 3.4 3.9 20 8.4 2.909 .6 1. 3 715.0 50 6.754 .277 .7 50 9.7 7.3 74 13.021 .5 90 5.599 .430 .0 30 6.913 .6 60 5.PELANGGARAN ASUMSI KLASIK .7 3.8 00 7.9 5.4 90 3.1 4.132 .6 7.3 4.641 .994 . 6 615. 7 871.6 3.499 . 7 879.880 .158 .912 .376 .900 .6 60 6. 4 857. 3 829.1 .126 .0 4.8 3.912 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 . 5 899.4 6.1 1.591 .495 .393 59 72 10.6 1.1 2.242 .1 1.062 .1 5.5 2.1 2.8 7.0 84 8. 9 1.347 .0 40 7.732 . 5 863.

643 .PELANGGARAN ASUMSI KLASIK .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.7 .6 4. 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 .8 .380 .8 50 4.669 .8 1.7 80 4.7 8.5 8.875 .566 .3 1.9 4.

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. A. serta dalam usaha mencari pemecahan 61 . khususnya pendekatan kointegrasi dan beberapa model linier dinamis. Insukindro (1999:1-2) menyatakan bahwa ECM relatif lebih unggul bila dibandingkan dengan PAM. 1996b:85). teori ekonomi tidak terlalu banyak bercerita tentang model dinamis (jangka pendek) tetapi lebih memusatkan perilaku variabel dalam keseimbangan atau dalam hubungan jangka panjang (Insukindro. 1996:1). yaitu Error Correction Model (ECM) dan Partial Adjustment Model (PAM). 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. Sebenarnya perilaku jangka panjang (long run) dari suatu model akan lebih penting. 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. ♣ Modul ini akan membahas sekaligus mempraktekkan isu statistik model dinamik.PELANGGARAN ASUMSI KLASIK waktu tertentu dan pengaruhnya terhadap gejala dan perilaku ekonomi pada waktu yang lain.

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

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…. persamaan (6) dapat diubah ke dalam bentuk ECM 63 . Melalui proses paramitasi... Persamaan (5) merupakan persamaan dinamik LNVOLt = C0 + C1 RDt + C2 LNPDBt + C3 IHSGt + C4 BRDt + C5 BLNPDBt + C6 BIHSGt + C7 BLNVOLt….(5) 6. 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 ..(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.. Dengan mensubstitusikan persamaan (1) ke persamaan (1).(1-b)f2 BLNPDBt + (a3b+(1-b) IHSGt .(4) 5.(1-b)f3 BIHSGt + (1-b) BLNVOLt….PELANGGARAN ASUMSI KLASIK b1+b2 maka b1+b2 b1+b2 LNVOLt = b LNVOLt* + (1-b) B LNVOLt (1-B) f (1-b) zt….(3) 4.

BLNVOLt = C0 + C1(DRDt-BRDt) + C2(DLNPDBt-BLNPDBt) + C3(DIHSGt-BIHSGt) + C4 BRDt + C5 BLNPDBt + C6 BIHSGt + C7 BLNVOLt . 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…. 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) . Selain itu.(9) 10.(10) 11.BIHSGt+ BLNVOLt)…..LNVOLt-1 LNVOLt – LNVOL(-1) BLNVOLt = LNVOL(-1) 8.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….(8) 9..BLNPDBt . Dalam bentuk lain..(11) 64 .BRDt ..(7) Dimana : C7 = (1-b) DLNVOLt = LNVOLt . Persamaan (7) dapat dituliskan dalam bentuk LNVOLt ..BLNVOLt…. 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 .( BRDt + BLNPDBt + BIHSGt ) + BLNVOLt]….

(13) Dimana : d0 = C0 d1 = C1 d2 = C2 d3 = C3 BLNVOLt) 14.(12) 13.C7)( -BRDt + BRDt + BLNPDBt + BIHSGt .PELANGGARAN ASUMSI KLASIK 12. Persamaan (12) dapat dituliskan dalam bentuk lain DLNVOLt = d0 + d1 DRDt + d2 DLNPDBt + d3 DIHSGt + d4 BRDt + d5 BLNPDBt + d6 BIHSGt + d7 ECT….BLNVOLt)….. 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.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.

PELANGGARAN ASUMSI KLASIK variabel-variabel ekonomi seperti yang dikehendaki teori ekonomi.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 . Berkaitan dengan isu tersebut. 1981) yang ditunjukkan dengan persamaan sebagai berikut : : DXt = a0 + a1 BXt +∑ biBiDXt : DXt = Xt . yang antara lain dapat dilakukan dengan Uji Akar-Akar Unit (Testing for Unit Root) dan Uji Derajat Integrasi (Testing for Degree on Integration). pengujian terhadap perilaku data runtun waktu (time series) atau integrasinya dapat dipandang sebagai uji prasyarat bagi digunakannya pendekatan kointegrasi. apakah data yang digunakan stasioner atau tidak. Pengujian dilakukan dengan menggunakan dua pengujian yang dikembangkan DF oleh Dickey dan Fuller (1979. 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. Pendekatan ini dapat pula dianggap sebagai uji teori ekonomi dan merupakan bagian yang penting dalam perumusan dan estimasi sebuah model dinamis (Insukindro. 1992:250). Untuk itulah pertama-tama harus diamati perilaku data ekonomi runtun waktu yang akan digunakan yang artinya bahwa pengamat harus yakin terlebih dahulu.

Jika ei dan g2 sama dengan satu (nilai statistik DF dan ADF lebih besar dari nilai statistik DF dan ADF tabel). 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 . maka variabel tersebut dikatakan stasioner pada derajat pertama. 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.PELANGGARAN ASUMSI KLASIK k = N1/3. 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. 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. Pengujian ini dilakukan pada Uji Akar-Akar Unit (langkah pertama di atas). 1992b: 261-262). jika ternyata data tersebut tidak stasioner pada derajat pertama (Insukindro. o UJI DERAJAT INTEGRASI Pengujian ini dilakukan untuk mengetahui pada derajat atau order diferensi ke berapa data yang diteliti akan stasioner.

Engle dan Granger (1987) berpendapat bahwa dari tujuh uji statistik yang digunakan untuk menguji hipotesis null mengenai tidak adanya kointegrasi. 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.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. Pengujian Kointegrasi dengan CRDW Langkah-langkah yang harus dilakukan : Jika Y = f (X1. 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 .(Insukindro. ternyata Uji CRDW (Cointegration-Regression Durbin-Watson). 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. dan sebaliknya Pengujian Kointegrasi dengan DF dan ADF Langkah-langkah yang harus dilakukan : Jika Y = f (X1. 1992b:262) Pengujian ini dilakukan untuk mengetahui apakah dalam jangka panjang terdapat hubungan antara variabel independen dengan variabel dependennya. maka artinya terdapat kointegrasi. X2) Lakukan regresi dengan OLS.

misalnya LNVOL Untuk pengujian DF. SERIES STATISTICS. 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 . 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. UNIT ROOT TEST Ketik variabel yang akan diuji. Langkah-langkah pengujian ECM : 1.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. Uji Akar-Akar Unit (Unit Root Test) Klik QUICK.

2 70 .1 LNVO Gambar 5.PELANGGARAN ASUMSI KLASIK QUIC SERIES STATISTIC UNIT ROOT TEST Gambar 5.

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

3554 Schwarz 74 criterion -24.014 934 18.043 5 0.0317 98 Prob(F-statistic) 3.86222 90 2 9 0.E. 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 .3703 0.2) C 0.47527 0.7567 3 Mean 3 89 dependent var 0.595 F-statistic 30 2.052 5 0.7811 0.6346 0.11123 84 5 3 0.083 2 -0.029 432 1.019 4 0. of regression Sum squared resid Log likelihood Durbin-Watson stat 44 0.4) Klik PROCS.25135 2.000 000 74 5 7 @TREND(1992: -0.31384 2. Uji Kointegrasi Lakukan regresi dengan OLS (gambar 1.0169 0.005 205 1.7148 S.2) D(LNVOL(-2).00944 -1.5367 Akaike info 68 criterion 8.748 303 2.79429 1) R-squared Adjusted Rsquared S.6221 0.02221 56 2 3 0.41949 1.17543 2.072 7 0.2) D(LNVOL(-3). dependent 56 var 0.D. MAKE RESIDUAL SERIES dan beri nama R01 Klik VIEW.04 763 0.PELANGGARAN ASUMSI KLASIK D(LNVOL(-1).

5 Hasil Uji Kointegrasi ADF Test Statistic -2.5442 61 1% Critical Value* 5% Critical 75 -2.628 0 -1.950 .4 R01 Gambar 5.PELANGGARAN ASUMSI KLASIK lnvol rd lnpdb Gambar 5.

54426 08 4 1 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.9404 76 Prob(F-statistic) .801 7 -0.6063 0. t.0492 0.016 0 0.831 2 0.0443 0.20550 0.23830 -2.515 731 1.113 F-statistic 70 1. R01(-1) D(R01(-1)) D(R01(-2)) D(R01(-3)) R-squared Adjusted Rsquared S.PELANGGARAN ASUMSI KLASIK Value 10% Critical 4 -1.21488 63 5 5 0.017 362 98 dependent var 0.33681 18 9 2 0.17506 0.395 205 1.4613 Akaike info 70 criterion 6.8115 Schwarz 87 criterion -21.2682 2 Mean 5 0. Aplikasi ECM Cari variabel ECT dengan cara: Klik GENR lalu ketik 76 ent Error Statistic -0.738 5 0.E.018 524 0.D. dependent 00 var 0.620 Value 6 *MacKinnon critical values for rejection of hypothesis of a unit root.Prob.571 152 3. of regression Sum squared resid Log likelihood Durbin-Watson stat 4.22925 0.1997 S.0692 0.25321 28 0.911 209 0.

6586 2.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.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. ESTIMATE EQUATION Pada Equation Specification ketiklah: D(LNVOL) C D(RD) D(LNPDB) D(IHSG) RD(-1) LNPDB(-1) IHSG(-1) ECT Gambar 5.93512 -3. C ent Error Statistic -9.Prob.29069 0. t.0025 77 .

5434 93 1.5993 91 1.0027 32 8 dependent var 0.00082 4.80681 0.1018 09 0.47829 Akaike info 2 criterion 7.0968 97 0.53959 0.6289 0.14045 -4.52711 0.48054 9 Mean 2 0.00356 0.0042 0 8 6 -0.0001 2 1 1 -0.13932 4. of regression Sum squared resid Log likelihood Durbin-Watson stat 03 3 9 0.45543 0.5439 3 4 0 0.79569 0.0001 93 6 7 0.PELANGGARAN ASUMSI KLASIK D(RD) D(LNPDB) D(IHSG) RD(-1) LNPDB(-1) IHSG(-1) ECT R-squared Adjusted Rsquared S.61371 0.098 F-statistic 12 1. dependent 2 var 0.0001 18 2 6 0.34067 0.63249 0.09043 0.93282 1.6257 0.90542 5 Prob(F-statistic) 78 .E.25746 3.13892 -4.0001 6 0.4259 4 5 2 0.02645 0.15618 0.D.04310 0.36325 S.8847 37 4.09167 Schwarz 5 criterion -22.

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 . namun dalam jangka panjang perlu dihitung dengan prosedur sbb: Menghitung Nilai T-Stat Jangka Panjang Langkah 1.PELANGGARAN ASUMSI KLASIK Besarnya koefisien regresi jangka panjang untuk intercept / konstanta. 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. RD.

0303 0.019 0.976 -0.02973 -0.000 -0.003 -0.0000 -0.0001 -0.0000 0.0193 1) ECT 53 420 183 056 59 51 99 56 -0.008 0.3334 -0.08375 -0.7470 0.0004 0.0000 -0.048 -0.0000 -0.3334 -0.030 0.0194 RD(-1) 24 272 145 058 28 90 59 17 LNPDB -0.0194 587 28 23 57 417 80 2 56 13 .0000 ) 127 08 41 01 058 1 56 57 0.0193 0.06629 -0.008 1.0000 -0.7 Hasilnya adalah sebagai berikut: D(LNP D(IHS LNPDB(.3374 -0.0197 -0.3374 -0.000 0.3367 0.0000 0.001 0.0297 (-1) 089 127 54 81 390 0 51 32 IHSG(.0192 -0.0193 -0.047 -0.PELANGGARAN ASUMSI KLASIK Gambar 5.0004 0.3345 C 44 405 791 127 24 89 53 87 -0.976 -0.001 0.0837 0.0482 DB) 791 645 64 41 145 4 83 23 D(IHSG -0.0193 -0.IHSG(- C D(RD) DB) G) RD(-1) 1) 1) ECT 8.0481 0.000 -0.0.003 0.0000 0.0018 -0.000 0.047 0.000 -0.00008 -0.000 0.6149 -0.0004 D(RD) 405 58 645 08 272 27 20 28 D(LNP -0.334 0.000 0.0482 0.0000 -0.0296 0.747 -0.0296 0.

ihsg(-1).0297 9 0.ect rd(-1).01941 0.06106 -0.PELANGGARAN ASUMSI KLASIK Langkah 2: Dapatkan nilai koefisien jangka panjang yang dkalikan dengan nilai Var-Covarnya.084 038 615 13 -0.rd(-1) ect.06155 038 82 13 -0.581 -1.01935 0.3345 7 2 489 878.019728 1.0194 -0.98897 0.ect c.06094 038 94 13 6 -0.ect c.178856 320.08982 038 0 130.019299 2 2 81 .ect lnpdb(lnpdb(1/ect -C2/ect 1).614944 1.029732 0.lnpdb(-1) ect.ect c.33458 5.581 -1.581 1.ect ihsg(.0194 7 6 9 170.0194 0.14004 -132.c ect.ihsg(1/ect -C3/ect 1).ect ihsg(-1).ect rd(-1).ect 1) Hasil perhitungannya sebagai berikut: (1) Ct (2) Matriks Var- ? ? (3)=(1)*(2) Ct*Matriks Var- Covarian Covar 1.5720 0.581 -15.0194 -0.270 0.06112 -0.01930.0194 -0. (1) Ct 1/ect -Co/ect (2) Matriks Var-Covarian (3)=(1)*(2) Ct*Matriks VarCovar ? ? ? ? ? ? ect.ect 1/ect -C1/ect rd(-1).ect 1).ect lnpdb(-1).066290 1.5642 0.

17885 829 6 0.061 -0. Dapatkan nilai Ct yang ditranspose.084 17472.061559 0.0844 89 0. lalu varian.061 -0.178856 0.115525 -132.089829 0. standar error dan nilai t-statnya sebagai berikut: (7)=Coeff/( (3)=(1)*(2) (4) (5)=(3)*(4) (6)=√(5) 6) Ct*Matriks Var. Hasil regresi ECM dapat dilaporkan sebagai berikut: Hasil regresi ECM jangka pendek Dependent Variabel:D(LNVOL) 82 .086312 92 754 0.0074498 0.732 132.140042 042 489 27 6 -0.061066 -0.1222199 Pada kolom (7) tertera nilai T-stat yang siap untuk dibaca untuk dapat ditarik suatu kesimpulan.089 0.060942 0.061122 -0.1844 5.0400587 0.06155 066 9 0.0075186 0.281795 0.200146 68 866 11.Transpose Standar Varian T-stat Covar dari Ct eror 5.140 -132.06094 122 2 0.PELANGGARAN ASUMSI KLASIK 56 Langkah 3.086710 31 04 0.0655402 0.

(Insukindro.026453 0. 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. Error -15. LNPDBt.(1) 83 .08671004 2. Anda juga disarankan untuk menguji pelanggaran asumsi klasiknya terlebih dahulu.28179472 0.290699 0.115525041 0.340671 Variable C D(RD) D(LNPDB) D(IHSG) Hasil Regresi ECM jangka panjang Dependent Variabel:D(LNVOL) Coefficient Std.086312754 t-Statistic -0.258015861 0.932824 0.156185 0.003562 Std. B.27061515 132. Persamaan yang digunakan dalam penelitian ini adalah: LNVOLt = f (RDt.935123 0. Namun harus diakui bahwa pendekatan ini juga banyak mendapatkan dengan kritikan dari para ahli ekonomi sehubungan kelambanan variabel dependennya.010597695 0. IHSGt) LNVOLt* = a0 + a1 RDt + a2 LNPDBt + a3 IHSGt…..043104 1.122219936 11.658603 0.18446 0.61371 0. 1990b:93) Penurunan PAM 1.200146866 0. Error 2.005656953 0.806812 4.PELANGGARAN ASUMSI KLASIK Variable C D(RD) D(LNPDB) D(IHSG) Coefficient -9.065540172 Interpretasikanlah hasil tersebut dengan terlebih dahulu melihat signifikansi dari masing-masing variabelnya.000821 t-Statistic -3.

.b2 B LNVOLt = 0 b1 LNVOLt – b2 LNVOLt = b1 LNVOLt* + b2 B LNVOLt (b1 .(3) 4.b2) LNVOLt = b1 LNVOLt* + b2 B LNVOLt b1 b1+b2 jika : b1 b = ------b1+b2 maka LNVOLt = b LNVOLt* + (1-b) B LNVOLt….PELANGGARAN ASUMSI KLASIK 2.(4) 84 b2 b1+b2 b2 (1-b) = -------b1+b2 b1+b2 1= --------b1+b2 fungsi biaya tersebut terhadap LNVOLt sehingga LNVOLt = -------.BLNVOLt .. 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 .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. Membentuk fungsi biaya kuadrat tunggal Ct = b1 (LNVOLt – LNVOLt*)2 + b2 [(1-B) LNVOLt]2….

β4) β1 C1= ---------(1 . karena semua variabelnya dapat diobservasi.PELANGGARAN ASUMSI KLASIK 5.terletak di antara 0 dan 1 0 < β4 < 1 .β4) β3 C3= ----------(1 .Signifikan secara statistik dan bertanda positif (+) β0 C0= --------(1 .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 . Dapat diestimasikan dalam studi empiris.β4) β2 C2= ----------(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: .

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

0102 7 0.625 13 1.92390 9 Mean 6 14.Prob.0006 5 1 9 0.0001 8 1 1 0.3073 2.46342 Akaike info 1 criterion 7.96823 2 Prob(F-statistic) 87 . dependent 9 var 0.00336 0.68386 0.13443 2.01115 0.36581 0.00076 4.36804 3.42846 0.30180 Schwarz 3 criterion -22.01630 0.72105 0.4987 1 6 5 1.667 F-statistic 52 1. of regression Sum squared resid Log likelihood Durbin-Watson stat ent Error Statistic -9.0023 68 6 3 0.91494 S.5890 48 1. t.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.19 83 0.4188 47 1.6321 24 103.40156 0.D.0000 00 2 dependent var 0. C RD LNPDB IHSG LNVOL(-1) R-squared Adjusted Rsquared S.80817 0.E.82015 -3.30030 0.

88 .c Rd. lnvol(-1) ) 1/(1-β -C2/(1-β 4 ? ? β4.lnvol(-1) rd.PELANGGARAN ASUMSI KLASIK Untuk menghitung nilai t-stat untuk koefisien jangka panjang. lnvol(-1) Lnvol(-1). lnvol(-1) ) 4 ) ? ? 4 ) 4 ) ihsg. lnvol(-1) Lnpdb. 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).ihsg ? ? Langkah selanjutnya silahkan anda cobakan sendiri.lnpdb 1/(1-β -C3/(1-β β4.lnvol(1/(1-β -C1/(1-β 1) 4) 4) rd. lnvol(-1) ihsg. lnvol(-1) c. β4 Ihsg. lnvol(- (3)=(1)*(2) Ct*Matriks VarCovar ? ? -Co/(1-β4)1) c.lnvol(c.rd Lnpdb. β4 1) lnpdb.

3730 457.10708 11.61000 15.65874 13.66000 16.9610 588.9700 469.6400 428.71611 11.50000 12.44361 13.33549 14.67095 11.08830 14.20467 11.36489 11.76637 11.40000 12.66362 14.6410 492.96607 12.25909 11.29515 11.52725 11.7000 594.20000 13.64648 12.23850 RD 22.20526 11.99000 13.70000 89 LNPDB 11.93000 17.2400 513.7650 492.40376 11.62329 11.13845 11.85433 13.73000 16.87932 IHSG 27806.38485 11.90752 12.3920 274.57630 11.20067 13.85000 15.51102 11.10320 12.72000 12.68000 16.8400 585.09017 11.31172 12.3460 419.44023 11.2950 497.31020 12.2500 573.38319 14.7580 360.96114 13.4300 .28000 16.30000 14.3350 310.00 313.68842 11.87000 14.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 11.85000 16.3000 637.53000 21.42000 16.81044 15.6000 298.2700 493.68878 12.49000 18.20175 11.82730 11.45000 20.

4 78.8 3.78097 12.35616 12.42000 12.33300 14.61649 15.42000 15.9 5.29000 30.48000 11.9 69.33218 16.5 5.54152 12.98580 17.9 72.25206 16.91442 12.73000 26.7 5.7 67 69.49166 12.93115 16.03914 12.4200 445.7 5.39000 16.5500 546.35552 15.9400 676.8 50.36453 16.9 73.29066 12.1100 421.61649 16.12000 13.0300 393.0200 547.89000 11.6800 401.6 52.84576 12.4 65.6 3.01000 13.8 76.61704 16.00305 12.82277 12.54629 12.8 63.24295 15.7 84.69000 22.51655 16.9 65.6 62 63.3 77.16000 16.2 4.4 65.9 55 57.9 5.50000 21.06588 16.73062 12.2700 515.46000 15.3300 416.2300 724.9 80.54645 12.4 82.9200 583.7100 541.44000 12.5 48.86551 662.5 73.66534 12.14160 16.6 .64958 12.53388 12.0500 437.92000 19.3200 381.01539 15.5 83.46563 16.9 5.51892 12.06000 28.14846 15.2 74.4 67.9200 276.5 6.5 4.97000 28.6 4.5 59.8 3.47827 15.99000 22.1500 398.5 3.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 15.71811 12.97000 14.35000 20.6200 392.4 71.0300 Soal Latihan Analisa Dinamis Indeks Kompensasi.23479 15.13545 16.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 61.17000 13.4700 392.6200 662.2 90 5.

9 93 93.5 101.4 4.1 5.5 7.7 89.4 107.6 5.6 110.7 99.5 5.1 7.8 96.1 5.5 79.9 99.9 96. Lakukanlah Uji akar-akar unit.3 92.7 95.3 75.4 82 81.8 78.6 87 88.8 87. uji derajat integrasi dan uji kointegrasi pada data diatas untuk mengetahui apakah model yang digunakan merupakan model dinamis atau bukan.1 6.4 86.8 7.2 96.6 105.9 89.8 80.2 5.5 89.2 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 80.7 7.3 95.3 5.6 9.7 91.5 7.6 7.5 114 8.3 100 100.5 4.6 6. Data diatas menunjukkan Indeks kompensasi.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. Pertanyaan: a. 91 .3 97.5 6.3 99.5 97.9 91 91.7 84.8 7.7 9.4 91.3 107.9 6.7 80.2 7 6. indeks produktivitas dan tingkat pengangguran dalam persen.7 100.5 100 99.9 95.5 90.4 104.9 102.5 89.9 4.

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

You're Reading a Free Preview

Mengunduh
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->