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 ditolak.PELANGGARAN ASUMSI KLASIK Adj. Menggunakan Matriks Korelasi (Correlation Matrix) Langkah-langkahnya adalah sebagai berikut : 1. kemudian dihitung R2nya yaitu dengan uji F (uji signifikansi). maka hasilnya adalah tidak signifikan tapi apabila diuji secara keseluruhan variabel independentnya maka hasilnya adalah signifikan. Tingginya nilai R2 merupakan syarata yang cukup (sufficient) akan tetapi bukan merupakan syarat yang penting untuk terjadinya multikorelineartitas. Apabila diuji secara individual. Meregresikan variabel independent X dengan variabel independent variabel-variabel lain. R2 = 0. c. Juadi kemungkinan besar terdapat Multikolinearitas antara X1 dan X2. b. Klik Views. sebab pada R2 yang rendah (<5%) bisa juga terjadi multikolinearitas. artinya Ho diterima. pilih Correlations seperti tampilan berikut : Gambar 4.1 Tampilan Group untuk masuk ke Menu Correlation 4 . Jika F* adalah F hitung maka : Jika F* > F tabel.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. Ha diterima tidak ada multikolinearitas d. Ha diterima ada multikolinearitas Jika F* < F tabel.

Adapun langkah-langkahnya sebagai berikut : 1.2 Tampilan Correlation Matrix C. 2. PENANGGULANGAN TERHADAP MULTIKOLINEARITAS Cara menanggulangi multikolinearitas : 1. lalu pilih Cefficient Test dan klik Wald – Coefficient Restrictions. 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. Seperti tampilan berikut : 5 . Salah satu cara utnuk menghilangkan multikolinearitas adalah menghilangkan satu atau lebih variabel bebas yang mempunyai kolinearitas tinggi. Penambahan data baru dapat menghilangkan Multikolinearitas yang tidak begitu serius. yang setelah itu diuji dengan menggunakan Uji Wald.PELANGGARAN ASUMSI KLASIK Maka hasil yang didapat akan seperti tampilan berikut : Gambar 4.

Ketik salah satu koefisien dari variabel bebas yang ingin dihilangkan (yang paling tidak signifikan) seperti pada tampilan berikut : Gambar 4.4 Tampilan Correlation Restriction 6 .3 Menu Uji Wald Restriction 2.PELANGGARAN ASUMSI KLASIK Gambar 4.

Contoh soal : (soal dibawah ini akan terus digunakan untuk materi praktikum-praktikum selanjutnya) 7 . Dengan kata lain sekalipun variabel tersebut mengandung multikolinearitas namun memiliki pengaruh terhadap variabel dependentnya. • 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. Jika F statistik tidak signifikan (probabilita > 0. INTERPRETASI PENGUJIAN WALD TEST • Jika F statistik signifikan (probabilita < 0.05) maka penghilangan variabel bebas yang mengandung multikolinearitas akan mengubah interpretasi dari persamaan regresinya sehingga penghilangan variabel tersebut tidak diperbolehkan. Hasil akan seperti tampilan berikut : Gambar 4.5 Tampilan Layar Uji Wald D.05) maka penghilangan variabel yang mengandung multikolinearitas tidak akan mengubah interpretasi dari persamaan regresinya sehingga penghilangan variabel tersebut diperbolehkan.PELANGGARAN ASUMSI KLASIK 3.

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

lihat penjelasan asisten di depan kelas.74 (lihat kembali teori di atas). (lihat teori penanggulangan). Langkah 5 : Interpretasi sesuai dengan hasil pengujian Wald Test.0000). Karena korelasi antar kedua variabel tersebut mendekati nilai 1 (1.PELANGGARAN ASUMSI KLASIK Correlation Matrix Lihat gambar Korelasi antara RSBI dan GDP adalah sebesar 0. 9 . Catatan : multikolinearitas yang kuat terjadi jika korelasi antar dua atau lebih variabel lebih dari 0. Langkah 4 : Lakukanlah penanggulangan multikonearitas dengan menggunakan Wald test.70. Langkah 4 dan 5. maka antara RSBI dan GDP terdapat multikonearitas yang kuat.

G adalah pengeluaran pemerintah. dan Gdp adalah Gross Domestic Product. Regreslah JUB dengan G dan GDP 2. 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. Uji ada atau tidak multikolinearitas 3. dimana JUB adalah jumlah uang beredar. Atasilah jika terdapat multikolinearitas 10 .

………n Ketidaksamaan inilah yang disebut sebagai heteroskedastisitas. 11 .PELANGGARAN ASUMSI KLASIK BAB III HETEROSKEDASTISITAS A. 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.

maka δ 2 2 menurun. Kesalahan spesifikasi model Salah satu asumsi dalam analisis regresi adalah model dispesifikasi secara benar. 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. Error Learning Model Sebagaimana adanya proses perbaikan yang dilakukan unit-unit ekonomi. Dalam hal ini diharapkan δ 2. diharapkan menurun. 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. maka perilaku kesalahan menjadi lebih kecil dengan bertambahnya waktu. yaitu : 1.PELANGGARAN ASUMSI KLASIK Hal tersebut dikarenakan beberapa hal. dan dilakukan regresi : + β 1n Xi + vi . Park mengasumsikan agar µi2 1n µi 2 = 1n δ 12 2 digunakan sebagai proxy. B. 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. Fungsi yang dianjurkan adalah : = δ 2 Xi β e atau 1n δi2 = δ2 β 1n Xi + vi Karena δ 2 tidak diketahui. PENDETEKSIAN HETEROSKEDASTISITAS a. Jika satu variabel yang semestinya harus dimasukkan. 3.

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 .PELANGGARAN ASUMSI KLASIK = α + β 1n Xi + vi Jika β signifikan.

290307 X 0. Caranya sebagai berikut: a. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Prob. Error t-Statistic 5.182968 Sum squared resid 2361.PELANGGARAN ASUMSI KLASIK 29 30 178 191 265 270 Print out berikut adalah hasil regresi OLS dengan model Y = f (X.430332 496.7333 39.153 Log likelihood -108.336918 7.944732 S.7183 0.D.e) Dependent Variable: Y Method: Least Squares Date: 06/07/01 Time: 09:00 Sample: 1 30 Included observations: 30 Variable Coefficient C 9.E.590347 Std.637785 R-squared 0.0866 0. klik View lalu pilih make residual series dan ketik Residual dan kilk OK seperti tampilan berikut ini: 14 .0000 119.028617 22.946638 Adjusted R-squared 0. 0. of regression 9. Pada tampilan hasil regresi.28718 Mean dependent var S.775879 0.06134 7.000000 Berdasarkan print-out tersebut dapat dihitung nilai residual (µI) untuk kemudian di kuadratkan dan di Ln kan.0538 Durbin-Watson stat 1.231386 1.

hal ini berarti bahwa tidak ada heteroskedastisitas pada model tersebut.1. Note: Pada uji Park ini. dengan demikian dapat diketahui variabel mana yang menyebabkan adanya heteroskedastisitas 15 . jika variabel bebasnya lebih dari 1 maka diregres secara terpisah.8154 (tidak signifikan pada α = 5%).PELANGGARAN ASUMSI KLASIK Gambar 8.2. 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 8.2. Dari hasil print out tersebut terlihat bahwa koefisien LNX memiliki probabilitas 0. Hasil Uji Park Dengan meregres model : LNRES2 = f (LNX) maka diperoleh hasil seperti Gambar 2.

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

PELANGGARAN ASUMSI KLASIK Dengan data yang sama pada uji Park di atas.41214 9.E. of regression 5. 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).84528 Akaike info 3 criterion Sum squared resid 341.08373 7.6734 Prob.61567 0.520159 6.53586 0.0000 81. 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.84640 S.91466 6.4550 0.86036 Mean dependent 6 var Adjusted R-squared 0.1209 F-statistic 5 Durbin-Watson stat 2.000014 Dependent Variable: Y Method: Least Squares Date: 06/07/01 Time: 09:03 Sample: 19 30 17 . maka dibuang 20% nilai tengah dari total observasi (6 observasi).673 Schwarz criterion 4 Log likelihood -37. yaitu observasi ke 13 s/d observasi ke 18. dependent var 2 S.D.777291 2 6 X 0.65728 0.08333 14. Error t-Statistic t C 7.31711 Prob(F-statistic) 6 Hasil Regresi kelompok I dengan RSS1 = 341.849565 9 6 R-squared 0.600977 61.

D.98 F-stat > F-tabel ⇒ ada heteroskedastisitas = RSS2/RSS1 = 1328. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Prob.965 -45.315331 Std.784081 0.0001 157.00012 8 Hasil regresi kelompok II dengan RSS2 = 1328.74731 X R-squared Adjusted R-squared S. df = {30 – 6 – 2(2)}/2 = 10) 4.56614 -1. Jika terjadi keraguan maka sebaiknya digunakan uji white yang pada prinsipnya meregres residual yang dikuadratkan dengan variabel bebas pada model. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.02607 7 Mean dependent var S.6545 5 7.965/341.3136 1 0. Uji White Hasil uji park bisa berbeda dengan uji Golfeld and Quant. tidak ada heteroskedastisitas = 18 .27076 1.1807 0.52807 1328.8896 F-tabel (α= 5%.882258 0.85 F-stat < F-tabel ⇒ c.43919 2 0.965 F-stat = 3.PELANGGARAN ASUMSI KLASIK Included observations: 12 Variable Coefficient C -49.E.762489 11. Error t-Statistic 34.95927 7 36.146407 6. df = {30 – 6 – 2(2)}/2 = 10) = 2. 0.87845 9 7.6734 Jika digunakan (α= 1%) maka F-tabel (α= 1%.583 3 23.

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

177697 Adjusted R-squared 0.E.069568 Std.8355 Durbin-Watson stat 1.116785 S.square χ2 tabel dengan (α= 5%.7 Log likelihood -180. 0.7731 -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 -12.071274 0.25570 12.0695 Prob Obs* R square > 0. of regression 105. Transformasi Logaritma Natural Jika model berikut ini mengandung heteroskedastisitas : Y i = α1 + α2 + u i 20 . C.PELANGGARAN ASUMSI KLASIK Dengan data yang sama pada uji park dan goldfeld and quant.8018 78.990 Obs* R square < χ2 tabel.083329 0. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Prob.5823 12. berikut ditampilkan hasi uji white: White Heteroskedasticity Test: F-statistic 2.9493 0.39582 2.maka tidak ada heteroskedastisitas Note: df pada χ2 tabel adalah jumlah variabel bebas (regresors) pada regresi model White-test kecuali konstanta.006707 0. maka tidak ada heteroskedasitas atau Prob Obs* R square = 0.197385 X^2 0.D.368760 0.917301 Obs*R-squared 5.001700 R-squared 0.05.331 = 5. PENANGGULANGAN TERHADAP HETEROSKEDASTISITAS 1.8043 Sum squared resid 302252.071274 Obs* R.856573 Probability Probability 0.917301 0.df = 2) = 5.064119 2.9342 0.70511 112.253503 Mean dependent var S.29621 X 0. Error t-Statistic 191.

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

210 .1 225.55 2.774 .8 10.6 80.8 R&D 62. 5 92.1 4.31 4.31 5. 2 6.7 5.29 5.620 . 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 6.3 16. 9 178.64 9.5 .3 32.4 13.76 1.278 .7 Profit 185.86 9.9 2.620 .10 7.4 70.751 .828 .884 .6 1.14 1.4 14.083 .569 .0 101.4 19.8 95.40 5.5 4.2 26.918 .3 11.6 421.62 6.7 40.761 .595 . 8 2.375 .1 3.40 8.8 9.02 5.487 . 7 1. 3 258.3 122.3 6.645 .107 .438 . 1 1.0 1.9 4.036 .1 21.65 5.9 175.29 4.7 141.1 116.PELANGGARAN ASUMSI KLASIK Soal latihan: Berikut adalah data Biaya R & D. 9 3.1 3.6 35. 4 494.8 13.5 276.869 . 7 509.9 8.163 .454 .787 .

e) b.4 a.PELANGGARAN ASUMSI KLASIK 17 Minyak 18 Automotif 230.703 .0 1. c. Lakukanlah Uji White dengan metode cross term b.626 . 23 .415 .528 .5 293.54 3.6 18.2 22. Profit.61 4. Lakukanlah regresi terhadap R & D = f(Sales. Interpretasikanlah hasil yang sudah disembuhkan. Jika ada penyakit heteroskedastisitas atau membagi sembuhkanlah dengan dengan yang Transformasi logaritma variabel menyebabkan terjadinya heteroskedastisitas. 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.8 9.

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

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

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

Buat estimasi persamaan regresi untuk periode t-1 Y t-1 = βo + β1X1 t-1 + β2X2 t-1 + ut 3.ρX2 t-1) + (ut .ρY t-1 = βo . PENANGGULANGAN TERHADAP AUTOKORELASI Dengan menggunakan “COCHRANE – ORCUTT PROCEDURE” 1.05.ρYt-1 βo* = (1-ρ) βo X 1t* = (X 1t .. maka ada autokorelasi Jika R2 (T-1) < X2 atau probabilitas R2 (T-1) > 0.ρ X1t-1) 27 .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 .ut–1ρ) Dimana : Yt* = Yt .ut–1ρ Y t .05. Buat estimasi persamaan regresi awal dan hitung residualnya (ut) Yt = βo + β1X1t + β2X2 + ut 2.PELANGGARAN ASUMSI KLASIK Gambar 3.βoρ + β1X1 t . dimana : # # Jika R2 (T-1) > X2 atau probabilitas R2 (T-1) < 0.ρX1 t-1) + β2 (X2 t .ρY t-1 = (1-ρ) βo + β1(X1 t . Lihat hasil print-outnya. maka tidak ada autokorelasi D. Buat estimasi persamaan koefisien dari serial korelasi (FIRST DIFFERENCE EQUATION) dengan cara : Y t = βo + β1X1 t + β2X2 t + ut ………………………….2 Tampilan Layar menu LM Test (LAGS) d.ρβ1X1 t-1 + β2X2 t + ρβ2X2 t-1 + ut .

Lakukanlah penanggulangan autokorelasi 3.ρ X2t-1) ut* = (ut .2 X2.PELANGGARAN ASUMSI KLASIK X 2t* = (X 2t . LM-Test b.3 Contoh Soal Autokorelasi Soal yang digunakan adalah contoh soal 1 (praktikum I) Instruksi : 1.1 C X2. Lakukanlah pengujian autokorelasi dengan menggunakan : a. 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. Interpretasikanlah model yang telah ditanggulangi Jawaban 1. Durbin-Watson Test 2.00315 . sehingga muncul hasil regresi di halaman berikut : Breusch-Godfrey Serial Correlation LM Test: F-statistic 15. Buat estimasi nilai ρ melalui estimasi fungsi residual ut = ρut-1 +v.ut-1ρ) 4. pada hasil estimasi ρ = coefficient resid (1) 5. Lalu lakukan regresi untuk perbaikan autokorelasi dengan MAKE EQUATION Y2.00245 2 0. ut adalah residual. 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).25434 Probability Obs*R-squared 8.715324 Probability 28 0.

866.765.213.0 CPI 38.003155 lebih kecil daripada α (5%).142287 0.240.425. GDP.01893 1 0.797.5669 0.5 41.0025 -6.7 1. Error t-Statistic Prob. Tugas / Quiz 2 Soal 1.466755 19280.030313 C 1375.128. CPI 107.418 RESID(-1) -1.8 40.09E+09 -166.051350 -0.9 4.6 113.825773 Std.088.9836 0 5. 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 45.08477 9 0.9609 1. 2 dan 3 perhatikan pembahasan asisten di depan kelas.E.894039 GDP -0. Perhatikanlah data dibawah ini : Data Impor.742.452.82 4.5 3 22. CPI suatu Negara.131926 0. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.039.7947 9 22.5 29 . Atau untuk pengujian dapat juga membandingkan Obs* R-Squared dengan tabel Chi-Squared.590318 9666.0 4.PELANGGARAN ASUMSI KLASIK 5 Test Equation: Dependent Variable: RESID Method: Least Squares Date: 03/16/01 Time: 13:27 Variable Coefficien t RSBI 0.581022 Adjusted R-squared S. 0.6 109.6 GDP 4.4 Tahun 1985 1986 1987 IMPOR 338.258673 -3.0 55.79E12 26403.8894 0.905680 Mean dependent var S.2817 0.8 GDP 1. 0 368. tahun 1970 -1998 Tahun 1970 1971 1972 IMPOR 39. maka terdapat autokorelasi.789838 1.010293 R-squared 0.579. Untuk soal no.484 0.D.6 1. 0 409.

3 7.0 98.9 96. 0 536.2 40.185.2 72.067.5 99.0 124.4 2.3 7.795.131.0 103. Jika ada multikolinearitas apakah kita dapat membuang variabel yang menyebabkan multikolineritas tersebut ? Soal 2.0 265.534.6 103.981.901.501.366.6 65.0 44.574.3 3.813.759.7 136.3 144.823. Regresikanlah model di atas 2.0 332.642.3 124.499.3 38.0 249. 0 490.2 152.0 151.5 22.5 148.228.0 3.1 5.9 40.0 1. 0 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 70.5 7.458.9 2.327.259.385.365.8 8. LnGDP) Pertanyaan : 1.4 156.9 38.031.2 140. 0 803.750.803.3 53. 0 749.400.3 5. No Obs 1 2 3 4 5 6 7 8 Data Peggunaan BBM pada Mobil Angkutan Kota PBBM KEC TK 39.2 6.0 268.2 5.635.9 1.9 Ln Impor = f (LnCPIt .5 163.002.5 25 25 25 30 .8 38.9 160.811. 0 498.441.2 8.337.2 1.642. 0 477.4 49.0 5.489.0 212.5 22. Lakukanlah pengujian Multikolinearitas 3.7 100 103 106 113 106 109 110 101 66 73 78 92 78 90 92 74 BK 22.PELANGGARAN ASUMSI KLASIK 0 447.0 176.9 2.8 56.590.007. 0 589.5 22. 0 876.189.5 22. 0 668.7 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 118.0 247.2 42.5 1.108.0 130.9 60. 0 917.907.932.2 3.6 82.318.6 39.295.418.9 3.986.4 90.566.178.9 6.4 2.054.300.

491.224.1 36. BK.4 38.5 111 102 27. Golfeld and Quant Test dan White-test.10 220.1 35.90 259.00 22.504.00 26.58 61.78 33. e) b.41 19.00 23.8 38.29 50.00 26.382. Lakukan pengujian heteroskedastisitas dengan Park Test.89 hasil regresi yang sudah bebas dari 31 .349.2 32.90 219. YEAR 1973 1974 1975 1976 1977 1978 1979 1980 Data Faktor-Faktor Yang Mempengaruhi Harga Timah HT IHP HTL JPR HA 21.5 102 81 27.85 53.5 111 102 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 27.9 32.50 1.93 22.5 109 102 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.551.3 38.2 32.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 39.4 35. c.52 26.438.30 1.5 106 90 27.00 19. d.4 38.77 54.60 1.90 234. Soal 3.89 45.9 36.40 1. Lakukan regresi terhadap PBBM = f(KEC.68 39.00 19.1 35 33.00 27.646.3 36.10 1.30 57.1 35.00 21. Interpretasikanlah heteroskedastisitas.60 249.80 1.18 61.5 106 90 27.10 329.3 35.2 32. Tanggulangilah penyakit tersebut dengan metode yang anda ketahui.3 32. TK.63 53.2 32.5 103 84 27.5 112 103 27.60 352.30 256.5 103 84 27.30 1.01 30.30 1.00 20.4 46.

40 147.30 129.749.40 89.98 25. Jika ada.00 26.40 2.80 76.70 64. Regresilah model LnHT = f (LnIHP.50 51.80 555.60 129.01 70.20 107.023.469. Kumpulkanlah minggu depan pada praktikum IV! BAB V PERSAMAAN SIMULTAN 32 .00 52.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. sertakan pula hasil print-out anda.90 32.50 58. Apakah ada penyakit autokorelasi ? (Gunakan D-W test dan LM – Test) c. LnHTL.20 1.70 347.20 245.06 39.79 44.50 935.352.321.90 111.20 233.90 1.60 81.20 1.70 427.80 137.60 100.492.10 620.80 1.40 69.80 38. maka sembuhkan penyakit tersebut dengan terlebih dahulu menghitung koefisien ρ.30 525.70 36.20 101.296.20 106.545.nya.195.80 556.80 72.62 23.60 444.58 27.80 780.378.70 1.00 418.10 1.70 1.634.30 877.365.50 59.20 119.20 1.60 1.00 1.30 152.90 1.60 66.40 47. e) dengan terlebih dahulu merubah data dalam bentuk Ln b.80 727.60 97.70 1.80 468.87 Pertanyaan: a.40 1.00 109.80 588.553.80 2.00 30.509.18 28.057.49 51.30 98.50 30.50 24.80 2.72 29.23 54.50 129.20 709.50 24. Kerjakanlah soal-soal di atas pada kertas HVS.23 25.88 22.00 35.50 64.67 25.084.90 42.60 1.85 27.46 23.60 1.00 66.10 750.50 77.42 61.80 237.561.70 229.72 24.989.50 234.00 1.70 32.80 66.10 66.33 34.10 30.00 1.20 117.50 145.10 2.10 940.547. LnJPR.298.50 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) 26.499.171. LnHA.60 1.

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

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

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

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

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

α0 .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.PELANGGARAN ASUMSI KLASIK α1 P . 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 .β1 P = β0 .

Hasil Regresi OLS persamaan reduced form Dependent Variable: P Included observations: 22 Variable Coefficient X 0.97410 18.94177 Mean dependent var S.0909 24.615342 C 95.017971 PL -1.207526 -2.8636 12. α2. Ambil nilai koefisien dari hasil regresi tersebut. 0.D.627636 squared Log likelihood -89.663099 Adjusted R0.965133 5. Error t-Statistic 0.735081 0.52976 Durbin-Watson 0.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 α0.42454 9. dependent var F-statistic Prob(F-statistic) Prob. β0.025651 Mean dependent var S.0014 0. dependent var F-statistic 39 Prob.0000 109.39545 14. Regres persamaan reduced form dengan metode OLS. 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 0.0007 0.32565 R-squared 0.601576 Adjusted R0.69819 0.096827 10. kemudian masukkan pada koefisien reduced form untuk menaksir koefisien struktural.009026 PL -0. 0. β1 dan β2 Langkah-langkah ILS: 1.0080 0. yaitu : P= Π0 + Π1 X + Π 2 Pl +Ω1 Q= Π 3 + Π 4 X + Π 5 Pl +Φ2 2.0059 0.96355 Std.004477 4.34395 .08825 R-squared 0.559637 squared Log likelihood -75.000032 Std.626663 16.384484 -3.014026 0.002417 3.190681 C 94.0000 100.D. Error t-Statistic 0.

Regres P = a11 + a12 Pl+ a13 X + v 2. Regres Variabel Q dengan PF dan RES1. 3. penerapan TSLS menghasilkan taksiran tunggal (sedangkan ILS menghasilkan taksiran ganda). 3.PELANGGARAN ASUMSI KLASIK Durbin-Watson stat 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. Untuk persamaan yang overidentified. Dengan TSLS tidak ada kesulitan untuk menaksir standar error. 2.000160  Two Stage Least Squares (TSLS) Metode TSLS sering digunakan dengan alasan: 1.276325 Prob(F-statistic) 0. Buatlah nilai Fitted dan Residual dari regresi tersebut (PF dan RES1). Pada kasus ini taksiran TSLS = ILS. 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 . Metode ini dapat diterapkan pada kasus exactly identified.

4245 9.E. Error t-Statistic PL -1.627636 S.025651 4 R-squared 0.PELANGGARAN ASUMSI KLASIK Gambar 4.38448 -3.668 Schwarz criterion resid 41 Prob. of regression 15.41179 7 8.017971 0.090 9 24.56057 5 .00447 4.014026 7 C 94.190681 0.0059 0. 0.9741 0 8.663099 Mean dependent var Adjusted R0.0000 109.0007 0.08825 10.23961 Akaike info criterion Sum squared 4412. dependent var squared S.D.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.096827 4 X 0.

PELANGGARAN ASUMSI KLASIK Log likelihood Durbin-Watson stat -89.52976 0.00003 2 Membuat fitted dari regresi P = a11 + a12 Pl+ a13 X + v Gambar 4.2 42 .6981 9 0.847730 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. 43 .3.

461684 9.537999 S.894866 RES1 0.7744 0.PELANGGARAN ASUMSI KLASIK Gambar 4.126833 0.5.178522 2.000677 .D.000899 -0.331900 X -0.000262 0.516798 0.0097 0.290921 C 46.E.732 Schwarz criterion resid Log likelihood -75. of 8. Error t-Statistic t PF 0.8636 12.042096 0.7438 0.39545 7.0029 100.263313 7. dependent var squared S.70099 13.425265 Akaike info criterion regression Sum squared 1277. 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.59172 3.89644 F-statistic Durbin-Watson 2.151495 0. 0.603999 Mean dependent var Adjusted R0.301464 Prob(F-statistic) stat Lakukan langkah yang sama pada persamaan yang lain! 44 Prob.435989 R-squared 0.

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

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. System: UNTITLED Estimation Method: Two-Stage Least Squares Date: 03/18/02 Time: 15:52 Sample: 1970 1991 Instruments: PL X C Coefficien Std. Gambar 4. Procs kemudian klik estimate.9. . Hasil regresi persamaan simultan dengan menggunakan System.PELANGGARAN ASUMSI KLASIK Gambar 4. Pilih Two Stage Least Squares (TSLS) dan Simultaneous. Klik.10. kemudian klik OK.

E.295822 Mean dependent 100.14298 0.093 Durbin-Watson 1.0098 -1.71162 50 .78409 covariance 7 Equation: P=C(1)+C(2)*Q+C(3)*PL Observations: 22 -------------------------------------------------------------------------------------------------------------------------------R-squared 0.034507 0.8636 var Adjusted R0.4835 Sum squared resid 8769. of regression 10.343 8 Durbin-Watson stat 1.23171 2.E. of regression 21.1190 5 C(2) 1. dependent var 12.000262 0.79096 5 Equation: Q=C(4)+C(5)*P+C(6)*X Observations: 22 -------------------------------------------------------------------------------------------------------------------------------R-squared 0.0317 0 C(6) -0.D.PELANGGARAN ASUMSI KLASIK 60.224141 0.221698 S.8106 3 C(4) 46.D.00116 -0.0909 3 var Adjusted R-squared 0.991068 0.241336 0.25999 S.93544 Sum squared resid 2272.69926 2.769227 stat C(1) -95.39545 squared S. dependent var 24.516798 0.6411 2.8238 7 Determinant residual 9.847392 0.97410 6 S.647275 0.230364 0.594932 0.33047 Mean dependent 109.0071 0 C(3) 0.0117 5 C(5) 0.70099 17.

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.

0059 52 . nt -1.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.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. Gambar 4.09682 0. maka persamaannya adalah simultan.384484 -3. Tahap 4 : Lakukan pengujian. Jika variabel residual signifikan.19068 0. Error t-Statistic PL Prob.

5605 75 18.12 Klik Procs.66 Schwarz criterion 8 -89.2396 Akaike info Sum squared resid Log likelihood Durbin-Watson stat 1 criterion 4412. dependent squared 6 var S.014026 0.0882 10.D.01797 0.0000 5 0.0000 32 9 var 0.E.698 19 0.025651 0.09 09 24.5297 6 0.62763 S.004477 4.PELANGGARAN ASUMSI KLASIK X C R-squared Adjusted R- 1 7 0.42454 9. of regression 15.84773 0 F-statistic Prob(F-statistic) Membuat Fitted dari hasil regresi Gambar 4.974 10 8.0007 1 94.66309 Mean dependent 109.4117 97 8. pilih forecast Membuat Residual dari hasil regresi 53 .

pilih Make Residual Series Gambar 4.13 Beri nama RESID1 Gambar 4.PELANGGARAN ASUMSI KLASIK Klik Procs.14 54 .

56025 S.47201 0.27898 0 F-statistic Prob(F-statistic) 55 .D.0000 0.04209 0.340196 6 0.86 36 12.351585 5 49.9480 4 2.60213 Mean dependent Prob.21980 Akaike info 8 criterion 1283.E.3258 73 14.1770 94 7.395 45 7.780205 5. Error t-Statistic RESID1 PFIT C R-squared Adjusted Rsquared S. dependent 7 var 8.048068 4 0. 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 0.3711 9.74 Schwarz criterion 0 -75.123740 0.0001 100.088201 5.0001 58 8 var 0.7374 0. 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.377 60 0.

55963 S.343 95 0.395 45 7. Error t-Statistic PL X C R-squared Adjusted R- Prob.002417 3.1785 05 7. pada residual dan Tahap 4 : Lakukan pengujian. maka persamaannya adalah simultan.3272 83 14.0001 60 6 var 0. dependent squared 7 var S.PELANGGARAN ASUMSI KLASIK Tahap 3 : Regres variabel endogen yang lain (Pt) fitted yang telah dibuat.86 36 12.96513 0.0000 5 0.60157 Mean dependent 100.00902 0.D.626663 16.0080 2 3 0. Jika variabel residual signifikan.3256 5.0014 6 95. of regression 8.94177 0.22560 Akaike info Sum squared resid Log likelihood Durbin-Watson stat 6 criterion 1285. 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. nt -0.735081 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 .E.207526 -2.55 Schwarz criterion 1 -75.9635 5 2.61534 0.

0079 2 0. of regression 15.339955 0.7376 5 2.425041 0.5605 84 18.11202 0.105759 0.0000 32 6 var 0.70 Schwarz criterion 9 -89. 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 .PELANGGARAN ASUMSI KLASIK Included observations: 22 Variable Coefficie Std.935 35.4118 06 8.66309 0 Mean dependent 109. Error t-Statistic RESID2 QF2 C R-squared Adjusted R- Prob.88690 8 F-statistic Prob(F-statistic) Nilai Residual tidak signifikan.697 93 0.E.62763 S.5298 7 0. dependent squared 2 var S.D.0000 1 -103. jadi tidak terjadi hubungan simultan antara kedua persamaan tersebut.345906 6. nt 0.2396 Akaike info Sum squared resid Log likelihood Durbin-Watson stat Kesimpulan : 8 criterion 4412.09 09 24.04034 -2.14449 0.974 10 8.96616 0.

511 .0 4.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. 5 639.7 4.099 . 58 R 6. 0 606.9 26 6.365 2 485. 2 901.998 . 1 855.4 4. 5 561. 2 555.0 3.7 1.5 10 7.578 .9 1. 9 1.015 . 4 710. 7 462. 8 543.4 4. 1 802.1 22 5.269 .7 3.151 .697 .4 4.760 M PMDN 626.5 62 4.8 4.2 66 5.4 66 7. 4 713.311 .9 1.5 . 436.123 .084 .5 11 4.1 78 7.

676 .0 50 6.641 . 5 863.813 .495 .591 . 6 615. 7 879. 7 871.599 .347 .0 1.0 4. 2 673.368 .6 4.1 1.900 . 5 907.0 90 5.4 90 3.5 90 5.1 2.909 . 8 936.8 00 7.158 .113 .912 .484 .343 . 3 902.1 5.831 . 4 857.7 7.3 3.754 .132 .3 5.107 . 3 829.4 2.9 5.0 7.2 8.6 3.7 76 11.912 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 .7 1.0 30 6.0 84 8.4 70 5.7 3.242 .4 3.0 40 7.4 6.3 4.021 .376 .309 .9 3.1 40 4.707 .0 2.062 . 4 655.9 6.9 20 8.732 .913 .1 2.8 7.473 .880 . 3 715.7 2.5 70 3.393 59 72 10.1 1.6 7.159 .4 6.7 50 9.PELANGGARAN ASUMSI KLASIK .499 .505 .277 .717 .3 5.3 6.0 17 11. 5 899.9 6.6 60 5.140 . 9 1.8 3.1 .994 .5 2.5 1. 8 977.813 .1 4.4 3.028 0 735.4 6.126 .2 5.6 1.3 74 13.430 .0 3.6 60 6.6 1.

643 .9 4.7 80 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 .669 .5 8.8 1.8 .8 50 4.PELANGGARAN ASUMSI KLASIK .3 1.380 .515 1998 1999 .7 8.7 .6 4.7 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.566 .875 .

♣ Modul ini akan membahas sekaligus mempraktekkan isu statistik model dinamik. ♣ Pada dasarnya spesifikasi Model Linier Dinamik (MDL) lebih ditekankan pada struktur dinamis hubungan jangka pendek (short run) antara wariabel tak bebas dengan variabel bebas. 1996:1). yaitu Error Correction Model (ECM) dan Partial Adjustment Model (PAM). 1996b:85).PELANGGARAN ASUMSI KLASIK waktu tertentu dan pengaruhnya terhadap gejala dan perilaku ekonomi pada waktu yang lain. Selain itu pula. Insukindro (1999:1-2) menyatakan bahwa ECM relatif lebih unggul bila dibandingkan dengan PAM. Sebenarnya perilaku jangka panjang (long run) dari suatu model akan lebih penting. serta dalam usaha mencari pemecahan 61 . 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. khususnya pendekatan kointegrasi dan beberapa model linier dinamis. karena teori ekonomi selalu berbicara dalam konteks tersebut dan juga karena hasil pengujian teori akan selalu berfokus kepada sifat jangka panjang (Insukrindo. teori ekonomi tidak terlalu banyak bercerita tentang model dinamis (jangka pendek) tetapi lebih memusatkan perilaku variabel dalam keseimbangan atau dalam hubungan jangka panjang (Insukindro. 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.

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

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

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

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

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

o UJI DERAJAT INTEGRASI Pengujian ini dilakukan untuk mengetahui pada derajat atau order diferensi ke berapa data yang diteliti akan stasioner. jika ternyata data tersebut tidak stasioner pada derajat pertama (Insukindro. 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. maka variabel tersebut dikatakan stasioner pada derajat pertama. 1992b: 261-262).PELANGGARAN ASUMSI KLASIK k = N1/3. 67 ADF : D2Xt = g0 + g1 T + g2 BDXt +∑ hi Bi D2Xt dimana . Pengujian ini dilakukan pada Uji Akar-Akar Unit (langkah pertama di atas). Kemudian nilai TStatistik tersebut dibandingkan dengan nilai kritis statistik DF dan ADF tabel untuk mengetahui ada atau tidaknya akar-akar unit. Jika ei dan g2 sama dengan satu (nilai statistik DF dan ADF lebih besar dari nilai statistik DF dan ADF tabel). 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. 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 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 . 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. 1992b:262) Pengujian ini dilakukan untuk mengetahui apakah dalam jangka panjang terdapat hubungan antara variabel independen dengan variabel dependennya. dan sebaliknya Pengujian Kointegrasi dengan DF dan ADF 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.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. X2) Lakukan regresi dengan OLS. 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. ternyata Uji CRDW (Cointegration-Regression Durbin-Watson). maka artinya terdapat kointegrasi.(Insukindro.

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

PELANGGARAN ASUMSI KLASIK QUIC SERIES STATISTIC UNIT ROOT TEST Gambar 5.1 LNVO 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

595 F-statistic 30 2.083 2 -0.2) C 0.072 7 0.79429 1) R-squared Adjusted Rsquared S.029 432 1. Uji Kointegrasi Lakukan regresi dengan OLS (gambar 1.052 5 0.7148 S.0317 98 Prob(F-statistic) 3.014 934 18.3554 Schwarz 74 criterion -24.41949 1.D.04 763 0.47527 0.019 4 0.6221 0.E.00944 -1.005 205 1.PELANGGARAN ASUMSI KLASIK D(LNVOL(-1). dependent 56 var 0.4) Klik PROCS.02221 56 2 3 0.3703 0.0169 0.11123 84 5 3 0.86222 90 2 9 0.25135 2.2) D(LNVOL(-3).5367 Akaike info 68 criterion 8.7567 3 Mean 3 89 dependent var 0.043 5 0.748 303 2.000 000 74 5 7 @TREND(1992: -0. MAKE RESIDUAL SERIES dan beri nama R01 Klik VIEW.17543 2.31384 2.2) D(LNVOL(-2). of regression Sum squared resid Log likelihood Durbin-Watson stat 44 0. 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 .7811 0.6346 0.

950 .4 R01 Gambar 5.5 Hasil Uji Kointegrasi ADF Test Statistic -2.PELANGGARAN ASUMSI KLASIK lnvol rd lnpdb Gambar 5.5442 61 1% Critical Value* 5% Critical 75 -2.628 0 -1.

6063 0.22925 0. R01(-1) D(R01(-1)) D(R01(-2)) D(R01(-3)) R-squared Adjusted Rsquared S.831 2 0.2682 2 Mean 5 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.8115 Schwarz 87 criterion -21.PELANGGARAN ASUMSI KLASIK Value 10% Critical 4 -1. t.113 F-statistic 70 1.0443 0.Prob.911 209 0.738 5 0. of regression Sum squared resid Log likelihood Durbin-Watson stat 4.17506 0. Aplikasi ECM Cari variabel ECT dengan cara: Klik GENR lalu ketik 76 ent Error Statistic -0.395 205 1.1997 S.016 0 0.515 731 1.20550 0.9404 76 Prob(F-statistic) .017 362 98 dependent var 0.0692 0.33681 18 9 2 0.D.4613 Akaike info 70 criterion 6.54426 08 4 1 0.25321 28 0.0492 0.620 Value 6 *MacKinnon critical values for rejection of hypothesis of a unit root. dependent 00 var 0.571 152 3.21488 63 5 5 0.23830 -2.E.801 7 -0.018 524 0.

0025 77 .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. C ent Error Statistic -9.29069 0.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.6586 2.93512 -3.Prob. ESTIMATE EQUATION Pada Equation Specification ketiklah: D(LNVOL) C D(RD) D(LNPDB) D(IHSG) RD(-1) LNPDB(-1) IHSG(-1) ECT Gambar 5.

09043 0.80681 0.48054 9 Mean 2 0.D.45543 0.E.93282 1.34067 0.47829 Akaike info 2 criterion 7.00356 0.0001 2 1 1 -0.13892 -4.09167 Schwarz 5 criterion -22.02645 0.52711 0.36325 S. of regression Sum squared resid Log likelihood Durbin-Watson stat 03 3 9 0.25746 3.0001 6 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.13932 4.04310 0.6289 0.53959 0.61371 0.15618 0.5439 3 4 0 0.6257 0.14045 -4.00082 4.0042 0 8 6 -0.0968 97 0.0027 32 8 dependent var 0.8847 37 4.90542 5 Prob(F-statistic) 78 .5434 93 1.5993 91 1.79569 0.1018 09 0. dependent 2 var 0.098 F-statistic 12 1.4259 4 5 2 0.63249 0.0001 18 2 6 0.

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. 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.

0192 -0.6149 -0.0000 -0.0000 ) 127 08 41 01 058 1 56 57 0.3345 C 44 405 791 127 24 89 53 87 -0.00008 -0.IHSG(- C D(RD) DB) G) RD(-1) 1) 1) ECT 8.0193 1) ECT 53 420 183 056 59 51 99 56 -0.3374 -0.008 0.PELANGGARAN ASUMSI KLASIK Gambar 5.0000 -0.000 -0.0000 -0.000 0.334 0.7 Hasilnya adalah sebagai berikut: D(LNP D(IHS LNPDB(.02973 -0.000 0.048 -0.0.3374 -0.0194 RD(-1) 24 272 145 058 28 90 59 17 LNPDB -0.0004 D(RD) 405 58 645 08 272 27 20 28 D(LNP -0.0000 -0.001 0.747 -0.0000 0.000 -0.003 -0.000 0.0001 -0.06629 -0.3367 0.0296 0.001 0.0194 587 28 23 57 417 80 2 56 13 .0482 DB) 791 645 64 41 145 4 83 23 D(IHSG -0.047 0.047 -0.0000 -0.0481 0.0482 0.0018 -0.0303 0.0004 0.0837 0.0004 0.0193 -0.976 -0.08375 -0.008 1.000 -0.0000 0.0193 -0.0297 (-1) 089 127 54 81 390 0 51 32 IHSG(.000 0.0000 0.976 -0.0296 0.7470 0.0193 0.3334 -0.3334 -0.003 0.019 0.030 0.0197 -0.

029732 0.01935 0.01930.0297 9 0.066290 1.ect ihsg(-1).ect 1) Hasil perhitungannya sebagai berikut: (1) Ct (2) Matriks Var- ? ? (3)=(1)*(2) Ct*Matriks Var- Covarian Covar 1.0194 0.06106 -0.ect rd(-1).178856 320.ect c.5720 0.581 -15.ect rd(-1).lnpdb(-1) ect.08982 038 0 130.14004 -132.0194 -0.01941 0.270 0.019299 2 2 81 .33458 5.ect c.0194 -0.06155 038 82 13 -0.c ect.019728 1.06094 038 94 13 6 -0.06112 -0.ect lnpdb(lnpdb(1/ect -C2/ect 1).581 -1.ect c.ect 1/ect -C1/ect rd(-1).ect 1).084 038 615 13 -0.0194 -0. (1) Ct 1/ect -Co/ect (2) Matriks Var-Covarian (3)=(1)*(2) Ct*Matriks VarCovar ? ? ? ? ? ? ect.3345 7 2 489 878.581 1.581 -1.98897 0.PELANGGARAN ASUMSI KLASIK Langkah 2: Dapatkan nilai koefisien jangka panjang yang dkalikan dengan nilai Var-Covarnya.5642 0.0194 7 6 9 170.ihsg(1/ect -C3/ect 1).ect ihsg(.614944 1.ihsg(-1).ect lnpdb(-1).rd(-1) ect.

Transpose Standar Varian T-stat Covar dari Ct eror 5.061122 -0.178856 0.084 17472. Dapatkan nilai Ct yang ditranspose.089829 0.281795 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.140042 042 489 27 6 -0.17885 829 6 0.061066 -0.1844 5.140 -132.0844 89 0.061 -0.0074498 0.086312 92 754 0.0075186 0.060942 0.115525 -132.732 132.089 0.06094 122 2 0.1222199 Pada kolom (7) tertera nilai T-stat yang siap untuk dibaca untuk dapat ditarik suatu kesimpulan.200146 68 866 11. Hasil regresi ECM dapat dilaporkan sebagai berikut: Hasil regresi ECM jangka pendek Dependent Variabel:D(LNVOL) 82 . lalu varian.PELANGGARAN ASUMSI KLASIK 56 Langkah 3.061 -0.0655402 0.06155 066 9 0.086710 31 04 0.061559 0.

806812 4. (Insukindro.PELANGGARAN ASUMSI KLASIK Variable C D(RD) D(LNPDB) D(IHSG) Coefficient -9. Error 2.258015861 0. 1990b:93) Penurunan PAM 1.065540172 Interpretasikanlah hasil tersebut dengan terlebih dahulu melihat signifikansi dari masing-masing variabelnya.27061515 132.000821 t-Statistic -3.010597695 0.156185 0.086312754 t-Statistic -0.935123 0. Namun harus diakui bahwa pendekatan ini juga banyak mendapatkan dengan kritikan dari para ahli ekonomi sehubungan kelambanan variabel dependennya.115525041 0. Anda juga disarankan untuk menguji pelanggaran asumsi klasiknya terlebih dahulu.003562 Std.61371 0.200146866 0..(1) 83 .18446 0.658603 0.340671 Variable C D(RD) D(LNPDB) D(IHSG) Hasil Regresi ECM jangka panjang Dependent Variabel:D(LNVOL) Coefficient Std.026453 0. IHSGt) LNVOLt* = a0 + a1 RDt + a2 LNPDBt + a3 IHSGt…. B.08671004 2. 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. Persamaan yang digunakan dalam penelitian ini adalah: LNVOLt = f (RDt.043104 1.932824 0.290699 0. LNPDBt.005656953 0.122219936 11.28179472 0.

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

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

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

E. dependent 9 var 0.0001 8 1 1 0.96823 2 Prob(F-statistic) 87 .625 13 1.68386 0. t.30030 0.13443 2.0023 68 6 3 0.5890 48 1.42846 0.72105 0.82015 -3.80817 0.19 83 0.36804 3.0000 00 2 dependent var 0.6321 24 103. C RD LNPDB IHSG LNVOL(-1) R-squared Adjusted Rsquared S.01115 0.Prob.00076 4.91494 S.0006 5 1 9 0.667 F-statistic 52 1.4188 47 1.01630 0.4987 1 6 5 1.3073 2.92390 9 Mean 6 14.46342 Akaike info 1 criterion 7. of regression Sum squared resid Log likelihood Durbin-Watson stat ent Error Statistic -9.40156 0.30180 Schwarz 3 criterion -22.D.00336 0.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.36581 0.0102 7 0.

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

64648 12.96607 12.4300 .99000 13.23850 RD 22.20067 13.68000 16.31020 12.96114 13.38319 14.82730 11.9700 469.2500 573.40376 11.36489 11.81044 15.08830 14.50000 12.44361 13.62329 11.00 313.44023 11.7580 360.73000 16.7000 594.3000 637.9610 588.66362 14.51102 11.28000 16.76637 11.13845 11.87932 IHSG 27806.57630 11.85000 16.20000 13.20175 11.53000 21.61000 15.8400 585.20467 11.68842 11.65874 13.3920 274.25909 11.30000 14.33549 14.85000 15.45000 20.38485 11.90752 12.2400 513.42000 16.7650 492.10708 11.52725 11.87000 14.85433 13.72000 12.6000 298.29515 11.3460 419.70000 89 LNPDB 11.2700 493.20526 11.3350 310.68878 12.6410 492.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 11.2950 497.93000 17.31172 12.10320 12.3730 457.67095 11.71611 11.40000 12.6400 428.09017 11.66000 16.49000 18.

33218 16.24295 15.2 74.9 55 57.78097 12.5 48.03914 12.42000 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 15.8 63.1100 421.0300 Soal Latihan Analisa Dinamis Indeks Kompensasi.9400 676.4 78.71811 12.25206 16.4700 392.35552 15.92000 19.14160 16.5 4.61649 16.06588 16.8 50.91442 12.44000 12.33300 14.9 5.29066 12.54629 12.6 52.3 77.73000 26.13545 16.73062 12.9 5.6 62 63.9 5.61649 15.4 71.9 65.6200 662.7 5.6800 401.54645 12.06000 28.2 90 5.6 .35616 12.6 4.4 82.5 5.16000 16.6 3.9 72.5500 546.3200 381.49166 12.4200 445.1500 398.86551 662.2 4.14846 15.46563 16.82277 12.50000 21.5 6.9200 583.42000 15.17000 13.9200 276.4 67.8 3.54152 12.48000 11.7 84.7 5.66534 12.5 3.0200 547.4 65.51892 12.01000 13.5 83.5 73.01539 15.69000 22.2700 515.53388 12.8 3.7 67 69.51655 16.5 59.64958 12.39000 16.93115 16.9 69.23479 15.0300 393.00305 12.99000 22.35000 20.46000 15.3300 416.12000 13.84576 12.4 65.97000 14.36453 16.0500 437.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 61.29000 30.6200 392.98580 17.8 76.61704 16.97000 28.9 80.2300 724.89000 11.9 73.47827 15.7100 541.

Lakukanlah Uji akar-akar unit.9 93 93.5 5.3 5.8 7.1 6.6 7.1 5.7 91.3 100 100.3 99.7 80.2 7 6.4 4.4 104.5 101.9 95.7 9. uji derajat integrasi dan uji kointegrasi pada data diatas untuk mengetahui apakah model yang digunakan merupakan model dinamis atau bukan.8 78.4 107.8 96.8 7.5 114 8.5 89.9 4.7 84.5 100 99. 91 .6 105.2 96.4 82 81.7 99.9 96.5 89.4 86.6 6.5 90.5 7.1 5.3 75.5 97.9 89. Data diatas menunjukkan Indeks kompensasi.5 79.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 84.8 80.5 4. indeks produktivitas dan tingkat pengangguran dalam persen.6 87 88.7 100.9 6.1 7.2 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).3 92.4 91.6 9.9 91 91.2 5.6 110.6 5. Pertanyaan: a.7 7.7 89.3 95.5 6.7 80.9 99.9 102.7 95.3 107.5 7.3 97.8 87.

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

Sign up to vote on this title
UsefulNot useful