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

PELANGGARAN ASUMSI KLASIK Adj. 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. pilih Correlations seperti tampilan berikut : Gambar 4. Jika F* adalah F hitung maka : Jika F* > F tabel. Klik Views. artinya Ho diterima. c. maka hasilnya adalah tidak signifikan tapi apabila diuji secara keseluruhan variabel independentnya maka hasilnya adalah signifikan. artinya Ho ditolak. sebab pada R2 yang rendah (<5%) bisa juga terjadi multikolinearitas. Menggunakan Matriks Korelasi (Correlation Matrix) Langkah-langkahnya adalah sebagai berikut : 1. b. R2 = 0. kemudian dihitung R2nya yaitu dengan uji F (uji signifikansi).9531 df = 7 Dari hasil regresi dapat dilihat bahwa 98 persen dari variasi peneluaran konsumsi dijelaskan oleh pendapatan dan harga barang lain secara bersama-sama. Apabila diuji secara individual. Ha diterima ada multikolinearitas Jika F* < F tabel. Pastikan data sudah siap (berada pada kota group) 2.1 Tampilan Group untuk masuk ke Menu Correlation 4 . Ha diterima tidak ada multikolinearitas d.

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

PELANGGARAN ASUMSI KLASIK Gambar 4.4 Tampilan Correlation Restriction 6 . 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.

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. INTERPRETASI PENGUJIAN WALD TEST • Jika F statistik signifikan (probabilita < 0. • 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.5 Tampilan Layar Uji Wald D. Contoh soal : (soal dibawah ini akan terus digunakan untuk materi praktikum-praktikum selanjutnya) 7 . Jika F statistik tidak signifikan (probabilita > 0.05) maka penghilangan variabel yang mengandung multikolinearitas tidak akan mengubah interpretasi dari persamaan regresinya sehingga penghilangan variabel tersebut diperbolehkan. Dengan kata lain sekalipun variabel tersebut mengandung multikolinearitas namun memiliki pengaruh terhadap variabel dependentnya.PELANGGARAN ASUMSI KLASIK 3.

PELANGGARAN ASUMSI KLASIK Di bawah ini adalah mengenai Jumlah Uang Beredar (JUB) Contoh Soal 1 JUB = f (RSBI. Lakukanlah pengujian multikolinearitas terhadap soal di atas. Jika ada multikolinearitas. sehingga hasilnya akan tampak seperti gambar di bawah ini : 8 . Jawaban Langkah 1 : Masukkan data di atas Langkah 2 : Lakukanlah regresi sesuai dengan model persamaan di atas Langkah 3 : Lakukanlah pengujian multikolinearitas dengan menggunakan correlation matrix. tanggunglangi dan interpretasikan hasilnya. GDP) JUB = α0 + β1RSBI + β2GDP + µ Keterangan : JUB = Jumlah Uang Beredar (US$) RSBI = Tingkat Suku Bunga SBI (%) GDP = Gross Domestic Produsct (US$) Soal : 1. 2.

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

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

11 . ………n Ketidaksamaan inilah yang disebut sebagai heteroskedastisitas. Asumsi ini dapat ditulis sebagai berikut : E (µi2) = δ I = 1.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.

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

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 .

06134 7.336918 7. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Prob.0000 119.28718 Mean dependent var S. of regression 9.590347 Std. Caranya sebagai berikut: a.E.231386 1.7333 39.000000 Berdasarkan print-out tersebut dapat dihitung nilai residual (µI) untuk kemudian di kuadratkan dan di Ln kan. klik View lalu pilih make residual series dan ketik Residual dan kilk OK seperti tampilan berikut ini: 14 .944732 S.182968 Sum squared resid 2361.7183 0.430332 496.0538 Durbin-Watson stat 1. Pada tampilan hasil regresi.e) Dependent Variable: Y Method: Least Squares Date: 06/07/01 Time: 09:00 Sample: 1 30 Included observations: 30 Variable Coefficient C 9.775879 0.153 Log likelihood -108. 0.290307 X 0.637785 R-squared 0.PELANGGARAN ASUMSI KLASIK 29 30 178 191 265 270 Print out berikut adalah hasil regresi OLS dengan model Y = f (X.028617 22. Error t-Statistic 5.D.0866 0.946638 Adjusted R-squared 0.

dengan demikian dapat diketahui variabel mana yang menyebabkan adanya heteroskedastisitas 15 .1. Dari hasil print out tersebut terlihat bahwa koefisien LNX memiliki probabilitas 0.8154 (tidak signifikan pada α = 5%).2.2.PELANGGARAN ASUMSI KLASIK Gambar 8. hal ini berarti bahwa tidak ada heteroskedastisitas pada model tersebut. 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. Note: Pada uji Park ini. Hasil Uji Park Dengan meregres model : LNRES2 = f (LNX) maka diperoleh hasil seperti Gambar 2. jika variabel bebasnya lebih dari 1 maka diregres secara terpisah.

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

520159 6. 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).08333 14.PELANGGARAN ASUMSI KLASIK Dengan data yang sama pada uji Park di atas.53586 0.08373 7.61567 0.84528 Akaike info 3 criterion Sum squared resid 341.86036 Mean dependent 6 var Adjusted R-squared 0. 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.849565 9 6 R-squared 0.91466 6. yaitu observasi ke 13 s/d observasi ke 18.777291 2 6 X 0.0000 81.4550 0.84640 S.D. maka dibuang 20% nilai tengah dari total observasi (6 observasi). Error t-Statistic t C 7.600977 61.1209 F-statistic 5 Durbin-Watson stat 2. 0.E. of regression 5.673 Schwarz criterion 4 Log likelihood -37.6734 Prob. dependent var 2 S.65728 0.41214 9.31711 Prob(F-statistic) 6 Hasil Regresi kelompok I dengan RSS1 = 341.000014 Dependent Variable: Y Method: Least Squares Date: 06/07/01 Time: 09:03 Sample: 19 30 17 .

6734 Jika digunakan (α= 1%) maka F-tabel (α= 1%.1807 0.882258 0.52807 1328.8896 F-tabel (α= 5%.27076 1.3136 1 0.146407 6.PELANGGARAN ASUMSI KLASIK Included observations: 12 Variable Coefficient C -49. tidak ada heteroskedastisitas = 18 . Jika terjadi keraguan maka sebaiknya digunakan uji white yang pada prinsipnya meregres residual yang dikuadratkan dengan variabel bebas pada model.583 3 23.74731 X R-squared Adjusted R-squared S.784081 0.43919 2 0.315331 Std. Uji White Hasil uji park bisa berbeda dengan uji Golfeld and Quant.00012 8 Hasil regresi kelompok II dengan RSS2 = 1328.95927 7 36.85 F-stat < F-tabel ⇒ c.0001 157.6545 5 7.56614 -1.02607 7 Mean dependent var S.965 F-stat = 3.98 F-stat > F-tabel ⇒ ada heteroskedastisitas = RSS2/RSS1 = 1328.87845 9 7.762489 11. Error t-Statistic 34.E. df = {30 – 6 – 2(2)}/2 = 10) 4. 0.965/341.965 -45. df = {30 – 6 – 2(2)}/2 = 10) = 2.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Prob. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.

e) Jika modelnya Model no cross term Model cross term : Y = f(X1. e) : µ2 = f(X1.X22. maka ada heteroskedasitas Prob Obs* R square > 0. e) : µ2 = f(X1. X2.e) Maka model White-test nya adalah : µ2 = f(X.PELANGGARAN ASUMSI KLASIK Jika modelnya : Y = f(X.05.3. X1X2. seperti pada gambar berikut : Gambar 2. Tampilan Layar Menu Uji White Contoh: 19 .05. e) Maka model White test mempunyai dua kemungkinan yaitu: Kriteria uji White adalah jika : Obs* R square > χ2 tabel. menspesifikasikan variabel bebas dan variabel tidak bebas. X2. 2. Residual Test. X12. Lakukan estimasi fungsi regresi terlebih dahulu. maka tidak ada heteroskedasitas atau Prob Obs* R square < 0. maka ada heteroskedasitas Obs* R square < χ2 tabel.X22. X12. White Heteroskedasticity (Cross term or no Cross term). Klik View. maka tidak ada heteroskedastisitas Langkah-langkah pengujian White Test : 1. X2.X2.

maka tidak ada heteroskedasitas atau Prob Obs* R square = 0.8043 Sum squared resid 302252.917301 0.8018 78.39582 2.D.990 Obs* R square < χ2 tabel.7 Log likelihood -180.071274 Obs* R.PELANGGARAN ASUMSI KLASIK Dengan data yang sama pada uji park dan goldfeld and quant.maka tidak ada heteroskedastisitas Note: df pada χ2 tabel adalah jumlah variabel bebas (regresors) pada regresi model White-test kecuali konstanta. berikut ditampilkan hasi uji white: White Heteroskedasticity Test: F-statistic 2. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Prob.177697 Adjusted R-squared 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 -12.856573 Probability Probability 0. 0.006707 0. Error t-Statistic 191.5823 12.116785 S. C.001700 R-squared 0.29621 X 0.197385 X^2 0.917301 Obs*R-squared 5.0695 Prob Obs* R square > 0.083329 0.05.069568 Std.8355 Durbin-Watson stat 1.9493 0.331 = 5.E.70511 112.253503 Mean dependent var S.064119 2.df = 2) = 5.square χ2 tabel dengan (α= 5%.25570 12. Transformasi Logaritma Natural Jika model berikut ini mengandung heteroskedastisitas : Y i = α1 + α2 + u i 20 .071274 0. PENANGGULANGAN TERHADAP HETEROSKEDASTISITAS 1. of regression 105.368760 0.9342 0.

consistent dan efficient. 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. Transformasi Dengan Membagi Persamaan Dengan Variabel Bebas Jika model regresi yang telah diuji terdapat heteroskedastisitas maka salah satu penanggulangannya dapat dilakukan dengan membagi persamaan regresi tersebut dengan variabel bebas (independen) yang mengandung heteroskedastisitas. Variabel bebas (independen) yang mengandung heteroskedastisitas tersebut diperoleh dari pengujian White-Test. 21 .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. Dengan demikian koefisien regresi dari model baru didapat dengan menggunakan OLS tersebut menjadi unbiased. 2.

107 .6 421.869 .64 9.083 .8 95.3 11.3 6.210 .02 5.6 1.569 .375 .5 .7 40.1 21. 1 1.8 R&D 62.9 4.3 122.1 3.31 4.4 19.620 .14 1.1 4.40 5. 9 178.454 . 7 1.8 9.5 4.3 32.620 .036 .65 5. 3 258.9 8.645 .31 5. 2 6.9 175.278 .884 .1 225. 9 3.62 6.595 .40 8.7 141.438 .29 4.5 276. 8 2.76 1.7 Profit 185.761 .6 35.8 13.2 26.751 . 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 6.4 13.PELANGGARAN ASUMSI KLASIK Soal latihan: Berikut adalah data Biaya R & D. 5 92.918 .787 .8 10.6 80.4 14.3 16. 4 494.828 .9 2.4 70.29 5.774 .1 116.7 5.0 101.487 .163 .0 1.55 2.10 7. 7 509.86 9.1 3.

c.528 .e) b.8 9.703 . Ujilah apakah ada penyakit heteroskedastisitas dengan Park Test sbb: Ln µi 2 = α + β 1n Sales + e1 dan Ln µi 2 = α + β 1n Profit + e2 c.4 a. Interpretasikanlah hasil yang sudah disembuhkan.415 .PELANGGARAN ASUMSI KLASIK 17 Minyak 18 Automotif 230. Lakukanlah regresi terhadap R & D = f(Sales. 23 .6 18.626 . Profit. Jika ada penyakit heteroskedastisitas atau membagi sembuhkanlah dengan dengan yang Transformasi logaritma variabel menyebabkan terjadinya heteroskedastisitas.2 22.54 3.61 4. Lakukanlah Uji White dengan metode cross term b.0 1.5 293.

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

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

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

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

Interpretasikanlah model yang telah ditanggulangi Jawaban 1.ρ X2t-1) ut* = (ut .00245 2 0. ut adalah residual.1 C X2.00315 . LM-Test b. sehingga muncul hasil regresi di halaman berikut : Breusch-Godfrey Serial Correlation LM Test: F-statistic 15. 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. Lalu lakukan regresi untuk perbaikan autokorelasi dengan MAKE EQUATION Y2. Lakukanlah penanggulangan autokorelasi 3.25434 Probability Obs*R-squared 8.ut-1ρ) 4. Buat estimasi nilai ρ melalui estimasi fungsi residual ut = ρut-1 +v.715324 Probability 28 0. Durbin-Watson Test 2.PELANGGARAN ASUMSI KLASIK X 2t* = (X 2t . Lakukanlah pengujian autokorelasi dengan menggunakan : a. 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). pada hasil estimasi ρ = coefficient resid (1) 5.3 Contoh Soal Autokorelasi Soal yang digunakan adalah contoh soal 1 (praktikum I) Instruksi : 1.2 X2.

5 41.905680 Mean dependent var S. 0 409. 2 dan 3 perhatikan pembahasan asisten di depan kelas.581022 Adjusted R-squared S.088. 0 368.742.4 Tahun 1985 1986 1987 IMPOR 338.010293 R-squared 0.240. GDP.8 40.128.418 RESID(-1) -1.213. Perhatikanlah data dibawah ini : Data Impor. Untuk soal no.894039 GDP -0.82 4.08477 9 0.6 GDP 4.142287 0.030313 C 1375.003155 lebih kecil daripada α (5%).5669 0.797.484 0.0 45.6 113.2817 0.0 55. tahun 1970 -1998 Tahun 1970 1971 1972 IMPOR 39.7947 9 22.258673 -3.590318 9666.452.0025 -6. Tugas / Quiz 2 Soal 1.8 GDP 1.5 3 22.039.0 4.051350 -0.866. Error t-Statistic Prob. CPI suatu Negara.6 1.7 1.131926 0.425.9836 0 5. Atau untuk pengujian dapat juga membandingkan Obs* R-Squared dengan tabel Chi-Squared.9 4.789838 1.9609 1.765.825773 Std.09E+09 -166. maka terdapat autokorelasi.579.D. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.01893 1 0.5 29 .E.6 109. 0.79E12 26403. CPI 107.8894 0. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) HASIL REGRESI LM-TEST Lihatlah hasil regresi di atas : Probabilita Obs* R-Squared = 0.0 CPI 38.466755 19280.PELANGGARAN ASUMSI KLASIK 5 Test Equation: Dependent Variable: RESID Method: Least Squares Date: 03/16/01 Time: 13:27 Variable Coefficien t RSBI 0.

803.295.108.7 100 103 106 113 106 109 110 101 66 73 78 92 78 90 92 74 BK 22.5 22.4 49.9 160.4 2. Regresikanlah model di atas 2.366.0 98.0 151.2 140.932.4 156.131.0 44.9 2.4 2.3 5.189. 0 876.0 249.642. No Obs 1 2 3 4 5 6 7 8 Data Peggunaan BBM pada Mobil Angkutan Kota PBBM KEC TK 39.418.5 148.0 124.8 8.327.566.5 163.5 7.823.635.5 22.9 6.5 25 25 25 30 .007.318.300.6 82.3 3. 0 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 70.337. Lakukanlah pengujian Multikolinearitas 3. 0 477.458. 0 536.259.067.8 56.9 38.2 152.2 1.0 5.2 8.0 247.054.574.0 265.6 39.228.9 96.9 60.3 124.441.9 Ln Impor = f (LnCPIt .907.178.0 332.031.8 38.5 1.759.3 144. 0 917.534.2 5.3 38.9 40.5 22.590.2 40.1 5.811.0 268.2 42.986.501. Jika ada multikolinearitas apakah kita dapat membuang variabel yang menyebabkan multikolineritas tersebut ? Soal 2.4 90. 0 668.9 2.3 53.400.0 212. 0 749.7 136.9 1.0 3.3 7.6 103.499.2 3.0 103.3 7.PELANGGARAN ASUMSI KLASIK 0 447.2 6.6 65.981.0 130.750. 0 498.901.795.7 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 118. 0 490.185. 0 803.9 3.0 176.385.002.5 22.2 72. LnGDP) Pertanyaan : 1.642.813. 0 589.0 1.5 99.365.489.

78 33.30 1. Interpretasikanlah heteroskedastisitas. YEAR 1973 1974 1975 1976 1977 1978 1979 1980 Data Faktor-Faktor Yang Mempengaruhi Harga Timah HT IHP HTL JPR HA 21. TK.504.00 26.1 35 33.5 111 102 27.41 19.10 220.551.9 36.18 61.85 53.2 32.2 32.5 103 84 27.1 35.646.00 23.00 26.50 1.5 103 84 27.60 249.349. Lakukan regresi terhadap PBBM = f(KEC.382.60 352.89 hasil regresi yang sudah bebas dari 31 .30 1. Tanggulangilah penyakit tersebut dengan metode yang anda ketahui.2 32.2 32.00 22.68 39.3 35. c.00 27.30 57.58 61. Golfeld and Quant Test dan White-test.9 32.5 109 102 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.90 259.00 19.491.90 219.4 35.10 1.3 36.224.40 1.5 106 90 27. d.5 112 103 27.00 21.80 1.4 38.1 35.1 36.5 111 102 27.5 102 81 27.4 38.10 329. BK.30 256.01 30.77 54.5 106 90 27.89 45.90 234.3 32.93 22.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 39.52 26. e) b.3 38.8 38.60 1.29 50.00 20.4 46. Soal 3.00 19.2 PBBM KEC TK BK 111 95 25 105 81 25 111 95 25 110 92 25 110 92 25 110 92 25 90 52 27.438. Lakukan pengujian heteroskedastisitas dengan Park Test.30 1.63 53.

60 66. Kumpulkanlah minggu depan pada praktikum IV! BAB V PERSAMAAN SIMULTAN 32 .80 237.20 106.67 25.80 780.70 36.553.70 64.10 30.90 111.10 750.492.72 29. LnHA.084.40 89.60 100.80 137.509.40 2. Regresilah model LnHT = f (LnIHP.30 525.00 52.20 117.30 152.20 1.50 59.00 35.352. Kerjakanlah soal-soal di atas pada kertas HVS.365.23 25.00 109. Jika ada.749.20 101.50 64. LnJPR.33 34.60 444.70 347.72 24.023.00 66.298.80 555.30 129.62 23.296.634.50 129.46 23.20 709.80 66. e) dengan terlebih dahulu merubah data dalam bentuk Ln b.50 77.60 1.87 Pertanyaan: a.18 28.98 25.90 42.40 69.88 22.80 727.80 72.20 245.80 2.00 26.20 1.49 51.989.50 24.50 58.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. Apakah ada penyakit autokorelasi ? (Gunakan D-W test dan LM – Test) c.60 1.195.10 2.42 61.10 940.90 1.80 38.80 556.70 1.50 30.40 1.70 1.40 47.20 119.00 30.00 1.499.50 51.nya.58 27.10 66.60 81.10 1.70 32.60 97.00 1.70 1.10 620.60 129.80 588.60 1.378.20 107.23 54.60 1.321. maka sembuhkan penyakit tersebut dengan terlebih dahulu menghitung koefisien ρ.171.469.50 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) 26.20 1.90 32. LnHTL.70 427.20 233.00 418.561.06 39.50 24.057.547.40 147.85 27.50 935.80 76.00 1.50 234.50 145.80 1.545. sertakan pula hasil print-out anda.80 468.80 2.01 70.79 44.30 98.90 1.30 877.70 229.

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

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

Jika K – k < m –1. 35 . maka persamaan tersebut identified.PELANGGARAN ASUMSI KLASIK 1. maka persamaan tersebut unidentified . maka persamaan tersebut overidentified . jika tidak maka tidak identified. agar identified maka M-1 = 1. Jika K – k > m –1. Jika M-1 > 1. maka persamaan tersebut unidentified. maka persamaan tersebut identified . maka persamaan tersebut overidentified. 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. 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. Jika M-1 < 1. Pada kasus ini (M = 2) dan 2 – 1 = 1 ⇒ identified Pada persamaan yang memiliki predermined variable berlaku aturan: K – k ≥ m –1 Jika K – k = m –1.

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

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

β1 P = β0 .α0 . 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 .α2 X + β2 Pl + u .PELANGGARAN ASUMSI KLASIK α1 P .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.

002417 3. Ambil nilai koefisien dari hasil regresi tersebut.0000 100.32565 R-squared 0. 0. β0.0059 0.D.39545 14. dependent var F-statistic 39 Prob.014026 0.96355 Std.615342 C 95.601576 Adjusted R0.559637 squared Log likelihood -75.096827 10.97410 18. α2.0007 0. dependent var F-statistic Prob(F-statistic) Prob. β1 dan β2 Langkah-langkah ILS: 1. α1.004477 4.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 α0.34395 .8636 12.52976 Durbin-Watson 0. 0.000032 Std.69819 0.42454 9.0014 0. Error t-Statistic 0.190681 C 94.626663 16. kemudian masukkan pada koefisien reduced form untuk menaksir koefisien struktural.0000 109. Regres persamaan reduced form dengan metode OLS.965133 5. Hasil Regresi OLS persamaan reduced form Dependent Variable: P Included observations: 22 Variable Coefficient X 0.384484 -3.207526 -2.0909 24.663099 Adjusted R0.627636 squared Log likelihood -89.D.017971 PL -1.735081 0. Error t-Statistic 0.025651 Mean dependent var S.0080 0.08825 R-squared 0.94177 Mean dependent var S.009026 PL -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. yaitu : P= Π0 + Π1 X + Π 2 Pl +Ω1 Q= Π 3 + Π 4 X + Π 5 Pl +Φ2 2.

3. Regres P = a11 + a12 Pl+ a13 X + v 2. Regres Variabel Q dengan PF dan RES1.PELANGGARAN ASUMSI KLASIK Durbin-Watson stat 2.276325 Prob(F-statistic) 0. Untuk persamaan yang overidentified. 2. penerapan TSLS menghasilkan taksiran tunggal (sedangkan ILS menghasilkan taksiran ganda). Metode ini dapat diterapkan pada kasus exactly identified. 3. 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 . 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. Pada kasus ini taksiran TSLS = ILS. Dengan TSLS tidak ada kesulitan untuk menaksir standar error.000160  Two Stage Least Squares (TSLS) Metode TSLS sering digunakan dengan alasan: 1. Buatlah nilai Fitted dan Residual dari regresi tersebut (PF dan RES1).

0007 0. dependent var squared S.9741 0 8.41179 7 8. 0.0000 109.627636 S.096827 4 X 0.014026 7 C 94. of regression 15.PELANGGARAN ASUMSI KLASIK Gambar 4.017971 0.08825 10.23961 Akaike info criterion Sum squared 4412.190681 0.D.E. Error t-Statistic PL -1.4245 9.668 Schwarz criterion resid 41 Prob.56057 5 .38448 -3.663099 Mean dependent var Adjusted R0.0059 0.00447 4.1 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.025651 4 R-squared 0.090 9 24.

2 42 .6981 9 0.52976 0.PELANGGARAN ASUMSI KLASIK Log likelihood Durbin-Watson stat -89.847730 F-statistic Prob(F-statistic) 18.00003 2 Membuat fitted dari regresi P = a11 + a12 Pl+ a13 X + v Gambar 4.

PELANGGARAN ASUMSI KLASIK Gambar 4. Membuat residual dari regresi P = a11 + a12 Pl+ a13 X + v Gambar 4. 43 .4.3.

537999 S.331900 X -0.7438 0.290921 C 46.425265 Akaike info criterion regression Sum squared 1277.E.5. 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.461684 9.8636 12.178522 2.000262 0.435989 R-squared 0.39545 7.0097 0.126833 0.7744 0. of 8. 0.894866 RES1 0. Error t-Statistic t PF 0.516798 0.732 Schwarz criterion resid Log likelihood -75.000677 .263313 7.042096 0.59172 3.000899 -0. dependent var squared S.D.PELANGGARAN ASUMSI KLASIK Gambar 4.0029 100.89644 F-statistic Durbin-Watson 2.151495 0.603999 Mean dependent var Adjusted R0.70099 13.301464 Prob(F-statistic) stat Lakukan langkah yang sama pada persamaan yang lain! 44 Prob.

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

Gambar 4. .9. Klik.10. Error t 49 t-Statistic Prob. kemudian klik OK. Pilih Two Stage Least Squares (TSLS) dan Simultaneous. System: UNTITLED Estimation Method: Two-Stage Least Squares Date: 03/18/02 Time: 15:52 Sample: 1970 1991 Instruments: PL X C Coefficien Std.PELANGGARAN ASUMSI KLASIK Gambar 4. Procs kemudian klik estimate. Hasil regresi persamaan simultan dengan menggunakan System.

847392 0.14298 0.295822 Mean dependent 100.8636 var Adjusted R0.241336 0.0317 0 C(6) -0.093 Durbin-Watson 1.E.25999 S. of regression 21.8106 3 C(4) 46. dependent var 24.0117 5 C(5) 0.70099 17.224141 0.97410 6 S.647275 0.79096 5 Equation: Q=C(4)+C(5)*P+C(6)*X Observations: 22 -------------------------------------------------------------------------------------------------------------------------------R-squared 0. dependent var 12.0909 3 var Adjusted R-squared 0.93544 Sum squared resid 2272.78409 covariance 7 Equation: P=C(1)+C(2)*Q+C(3)*PL Observations: 22 -------------------------------------------------------------------------------------------------------------------------------R-squared 0.8238 7 Determinant residual 9.343 8 Durbin-Watson stat 1.23171 2.000262 0.230364 0.0098 -1.71162 50 .39545 squared S.594932 0.33047 Mean dependent 109.769227 stat C(1) -95.D.6411 2.4835 Sum squared resid 8769.00116 -0.221698 S.PELANGGARAN ASUMSI KLASIK 60.69926 2.991068 0.1190 5 C(2) 1.034507 0.D.516798 0.E.0071 0 C(3) 0. of regression 10.

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.

Tahap 4 : Lakukan pengujian. maka persamaannya adalah simultan. Error t-Statistic PL Prob. Gambar 4.11 Hasil regresi : Dependent Variable: P Method: Least Squares Date: 03/19/02 Time: 21:24 Sample: 1970 1991 Included observations: 22 Variable Coefficie Std.0059 52 .384484 -3.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. Jika variabel residual signifikan. nt -1.09682 0.19068 0.

D.025651 0.66309 Mean dependent 109.014026 0. of regression 15.01797 0. dependent squared 6 var S.004477 4.0882 10.66 Schwarz criterion 8 -89.4117 97 8.698 19 0.E.2396 Akaike info Sum squared resid Log likelihood Durbin-Watson stat 1 criterion 4412.PELANGGARAN ASUMSI KLASIK X C R-squared Adjusted R- 1 7 0.62763 S. pilih forecast Membuat Residual dari hasil regresi 53 .974 10 8.0007 1 94.84773 0 F-statistic Prob(F-statistic) Membuat Fitted dari hasil regresi Gambar 4.09 09 24.42454 9.5605 75 18.0000 5 0.5297 6 0.0000 32 9 var 0.12 Klik Procs.

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

86 36 12.1770 94 7.3711 9.351585 5 49.123740 0.088201 5.60213 Mean dependent Prob. Error t-Statistic RESID1 PFIT C R-squared Adjusted Rsquared S.E.048068 4 0.56025 S.340196 6 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. 0.377 60 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.7374 0.780205 5.21980 Akaike info 8 criterion 1283.0000 0.0001 100.9480 4 2.D.0001 58 8 var 0. dependent 7 var 8.74 Schwarz criterion 0 -75.04209 0.27898 0 F-statistic Prob(F-statistic) 55 .395 45 7.3258 73 14.47201 0.

Jika variabel residual signifikan.343 95 0.9635 5 2.55963 S.1785 05 7.735081 0.00902 0. nt -0.55 Schwarz criterion 1 -75.94177 0.0080 2 3 0. of regression 8.626663 16.86 36 12.395 45 7.207526 -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.96513 0. dependent squared 7 var S.002417 3. pada residual dan Tahap 4 : Lakukan pengujian.22560 Akaike info Sum squared resid Log likelihood Durbin-Watson stat 6 criterion 1285.27632 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 .PELANGGARAN ASUMSI KLASIK Tahap 3 : Regres variabel endogen yang lain (Pt) fitted yang telah dibuat. maka persamaannya adalah simultan.0001 60 6 var 0.3256 5.61534 0.E.0014 6 95.60157 Mean dependent 100.3272 83 14.0000 5 0.D. Error t-Statistic PL X C R-squared Adjusted R- Prob.

D.697 93 0.935 35. jadi tidak terjadi hubungan simultan antara kedua persamaan tersebut. Error t-Statistic RESID2 QF2 C R-squared Adjusted R- Prob.339955 0.0000 1 -103.0000 32 6 var 0.E.66309 0 Mean dependent 109.62763 S. 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 .04034 -2.0079 2 0. nt 0.345906 6.5298 7 0.96616 0.2396 Akaike info Sum squared resid Log likelihood Durbin-Watson stat Kesimpulan : 8 criterion 4412. dependent squared 2 var S. of regression 15.105759 0.4118 06 8.PELANGGARAN ASUMSI KLASIK Included observations: 22 Variable Coefficie Std.88690 8 F-statistic Prob(F-statistic) Nilai Residual tidak signifikan.09 09 24.5605 84 18.7376 5 2.14449 0.974 10 8.70 Schwarz criterion 9 -89.425041 0.11202 0.

7 3.7 4. 8 543.015 .123 .4 4.578 .0 4.998 . 9 1.084 .511 .5 10 7. 2 901.8 4. 1 802. 5 639.2 66 5.5 .9 26 6.9 1.4 66 7. 2 555.1 78 7. 7 462.760 M PMDN 626.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 3.7 1.269 . 4 713.4 4. 4 710.365 2 485. 58 R 6. 0 606.311 . 5 561.9 1.4 4.151 .1 22 5. 1 855.5 11 4.5 62 4. 436.099 .697 .0 3.

7 871.717 .484 .3 4.277 .7 76 11.591 .707 .732 . 2 673.1 4.343 .0 3. 6 615.909 . 5 863.8 3.0 17 11. 3 715.2 5.9 6.0 30 6.6 60 5.7 2.159 .4 2.368 .505 . 4 655.347 .6 1. 4 857.6 60 6. 8 977.7 1.0 50 6. 3 829.8 00 7.6 4.994 . 5 899.8 7.6 1.1 .9 5.900 .0 4.913 .242 . 5 907.PELANGGARAN ASUMSI KLASIK .3 5.4 70 5.7 3.4 6.6 7.473 .3 74 13.4 6.912 .9 3.1 1.126 .4 6.309 .9 6.4 3.599 .3 6.5 1.1 5.132 .0 1.831 . 9 1. 3 902.0 84 8.393 59 72 10.5 90 5.499 .0 7.813 .5 2.021 . 7 879.641 .5 70 3.813 .495 .113 .430 .3 5.2 8.028 0 735.1 40 4.0 90 5.4 3.0 2.7 50 9.880 .912 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 .6 3.158 .9 20 8.107 .1 2.676 .062 .754 .1 1.376 .7 7.0 40 7.4 90 3.140 .1 2.3 3. 8 936.

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 .7 80 4.5 8.643 .7 8.7 .3 1.515 1998 1999 .8 1.380 .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.8 50 4.669 .6 4.566 .9 4.875 .8 .PELANGGARAN ASUMSI KLASIK .

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

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

(3) 4. persamaan (6) dapat diubah ke dalam bentuk ECM 63 . 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 . 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….(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….(4) 5. Melalui proses paramitasi.(1-b)f2 BLNPDBt + (a3b+(1-b) IHSGt .(6) Dimana : C0 = a0b C1 = a1b + (1-b)f1 C2 = a2b + (1-b)f2 C3 = a3b + (1-b)f3 C4 = -(-1-b) f1 C5 = -(-1-b) f2 C6 = -(-1-b) f3 C7 = (-1-b) 7. Persamaan (5) merupakan persamaan dinamik LNVOLt = C0 + C1 RDt + C2 LNPDBt + C3 IHSGt + C4 BRDt + C5 BLNPDBt + C6 BIHSGt + C7 BLNVOLt…..(1-b)f3 BIHSGt + (1-b) BLNVOLt…... Dengan mensubstitusikan persamaan (1) ke persamaan (1).

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

C7)( -BRDt + BRDt + BLNPDBt + BIHSGt . Persamaan (12) dapat dituliskan dalam bentuk lain DLNVOLt = d0 + d1 DRDt + d2 DLNPDBt + d3 DIHSGt + d4 BRDt + d5 BLNPDBt + d6 BIHSGt + d7 ECT….BLNVOLt)….(12) 13. Persamaan (13) diubah ke dalam bentuk logaritma natural d4 = C1+C4+ C7 -1 d5 = C2+C5+ C7 -1 d6 = C3+C6 C7 -1 d7 = (1.C7) 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.PELANGGARAN ASUMSI KLASIK 12. Dari persamaan (11) dapat diperoleh persamaan WCM DLNVOLt = C0 + C1 DRDt + C2 DLNPDBt + C3 DIHSGt + (C1+C4+ C7 -1) BRDt + (C2+C5+ C7 -1) BLNPDBt +(C3+C6 C7 -1) BIHSGt + (1..

1992:250).PELANGGARAN ASUMSI KLASIK variabel-variabel ekonomi seperti yang dikehendaki teori ekonomi. pengujian terhadap perilaku data runtun waktu (time series) atau integrasinya dapat dipandang sebagai uji prasyarat bagi digunakannya pendekatan kointegrasi. 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. 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. Berkaitan dengan isu tersebut. yang antara lain dapat dilakukan dengan Uji Akar-Akar Unit (Testing for Unit Root) dan Uji Derajat Integrasi (Testing for Degree on Integration). Untuk itulah pertama-tama harus diamati perilaku data ekonomi runtun waktu yang akan digunakan yang artinya bahwa pengamat harus yakin terlebih dahulu.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 . apakah data yang digunakan stasioner atau tidak.

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

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

pilih AUGMENTED DICKEY FULLER (pada Test Type) LEVEL (pada Test for unit root in) TREND AND INTERCEPT (pada Include in test equation) LAG yang diperoleh dari pembulatan N1/3 69 . UNIT ROOT TEST Ketik variabel yang akan diuji. Uji Akar-Akar Unit (Unit Root Test) Klik QUICK.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. 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. Langkah-langkah pengujian ECM : 1. SERIES STATISTICS. misalnya LNVOL Untuk pengujian DF.

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

019 4 0.31384 2.000 000 74 5 7 @TREND(1992: -0.7567 3 Mean 3 89 dependent var 0.11123 84 5 3 0.6346 0.072 7 0.D. 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 .7148 S.005 205 1.595 F-statistic 30 2.00944 -1.79429 1) R-squared Adjusted Rsquared S.47527 0.0169 0.2) C 0.029 432 1.0317 98 Prob(F-statistic) 3.014 934 18. MAKE RESIDUAL SERIES dan beri nama R01 Klik VIEW.748 303 2. of regression Sum squared resid Log likelihood Durbin-Watson stat 44 0.02221 56 2 3 0.052 5 0.4) Klik PROCS. Uji Kointegrasi Lakukan regresi dengan OLS (gambar 1.083 2 -0.2) D(LNVOL(-3).17543 2.04 763 0.25135 2.6221 0. dependent 56 var 0.043 5 0.41949 1.E.2) D(LNVOL(-2).3554 Schwarz 74 criterion -24.86222 90 2 9 0.PELANGGARAN ASUMSI KLASIK D(LNVOL(-1).5367 Akaike info 68 criterion 8.3703 0.7811 0.

628 0 -1.950 .5 Hasil Uji Kointegrasi ADF Test Statistic -2.4 R01 Gambar 5.5442 61 1% Critical Value* 5% Critical 75 -2.PELANGGARAN ASUMSI KLASIK lnvol rd lnpdb Gambar 5.

515 731 1.113 F-statistic 70 1.2682 2 Mean 5 0.PELANGGARAN ASUMSI KLASIK Value 10% Critical 4 -1.017 362 98 dependent var 0.54426 08 4 1 0.Prob. 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.17506 0. of regression Sum squared resid Log likelihood Durbin-Watson stat 4. t.831 2 0.22925 0.0443 0.33681 18 9 2 0.016 0 0.1997 S.4613 Akaike info 70 criterion 6.738 5 0.D. Aplikasi ECM Cari variabel ECT dengan cara: Klik GENR lalu ketik 76 ent Error Statistic -0.0492 0.0692 0.801 7 -0.23830 -2. R01(-1) D(R01(-1)) D(R01(-2)) D(R01(-3)) R-squared Adjusted Rsquared S.E.20550 0.911 209 0.018 524 0. dependent 00 var 0.395 205 1.6063 0.571 152 3.25321 28 0.9404 76 Prob(F-statistic) .21488 63 5 5 0.8115 Schwarz 87 criterion -21.620 Value 6 *MacKinnon critical values for rejection of hypothesis of a unit root.

C ent Error Statistic -9. t.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.0025 77 .29069 0. ESTIMATE EQUATION Pada Equation Specification ketiklah: D(LNVOL) C D(RD) D(LNPDB) D(IHSG) RD(-1) LNPDB(-1) IHSG(-1) ECT Gambar 5.Prob.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.93512 -3.6586 2.

47829 Akaike info 2 criterion 7.0027 32 8 dependent var 0.0001 18 2 6 0.13892 -4. dependent 2 var 0.14045 -4.D.25746 3.45543 0.0968 97 0.5434 93 1.09043 0.15618 0.52711 0.PELANGGARAN ASUMSI KLASIK D(RD) D(LNPDB) D(IHSG) RD(-1) LNPDB(-1) IHSG(-1) ECT R-squared Adjusted Rsquared S.09167 Schwarz 5 criterion -22.13932 4.02645 0.61371 0.90542 5 Prob(F-statistic) 78 .80681 0.00356 0.53959 0.48054 9 Mean 2 0.0001 6 0.63249 0.E.36325 S.34067 0.0001 2 1 1 -0.1018 09 0.93282 1.0001 93 6 7 0.6289 0.098 F-statistic 12 1.8847 37 4.04310 0.5439 3 4 0 0.5993 91 1.6257 0.4259 4 5 2 0.79569 0.0042 0 8 6 -0. of regression Sum squared resid Log likelihood Durbin-Watson stat 03 3 9 0.00082 4.

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

019 0.000 0.000 -0.0000 -0.001 0.008 0.000 0.0004 0.0000 0.0193 1) ECT 53 420 183 056 59 51 99 56 -0.3374 -0.0000 ) 127 08 41 01 058 1 56 57 0.0482 DB) 791 645 64 41 145 4 83 23 D(IHSG -0.08375 -0.0.3374 -0.0297 (-1) 089 127 54 81 390 0 51 32 IHSG(.976 -0.000 -0.008 1.0000 0.0296 0.0000 -0.0197 -0.0000 -0.334 0.0018 -0.7 Hasilnya adalah sebagai berikut: D(LNP D(IHS LNPDB(.PELANGGARAN ASUMSI KLASIK Gambar 5.3334 -0.0194 RD(-1) 24 272 145 058 28 90 59 17 LNPDB -0.6149 -0.0193 0.0296 0.000 -0.00008 -0.030 0.747 -0.0481 0.048 -0.0837 0.02973 -0.0000 0.06629 -0.0001 -0.0004 0.003 -0.0004 D(RD) 405 58 645 08 272 27 20 28 D(LNP -0.0193 -0.001 0.7470 0.000 0.000 0.0194 587 28 23 57 417 80 2 56 13 .0482 0.0193 -0.3345 C 44 405 791 127 24 89 53 87 -0.0303 0.0000 -0.0000 -0.003 0.0192 -0.976 -0.047 0.3334 -0.047 -0.IHSG(- C D(RD) DB) G) RD(-1) 1) 1) ECT 8.3367 0.

0194 -0.08982 038 0 130.581 -1.33458 5.ect 1/ect -C1/ect rd(-1).3345 7 2 489 878.084 038 615 13 -0.06112 -0.019299 2 2 81 . (1) Ct 1/ect -Co/ect (2) Matriks Var-Covarian (3)=(1)*(2) Ct*Matriks VarCovar ? ? ? ? ? ? ect.ect ihsg(-1).01941 0.ihsg(1/ect -C3/ect 1).ect rd(-1).178856 320.c ect.ect 1).270 0.01930.rd(-1) ect.0194 -0.0194 0.06094 038 94 13 6 -0.ect c.ect c.ect lnpdb(lnpdb(1/ect -C2/ect 1).5720 0.ect rd(-1).06106 -0.ect ihsg(.ect lnpdb(-1).14004 -132.PELANGGARAN ASUMSI KLASIK Langkah 2: Dapatkan nilai koefisien jangka panjang yang dkalikan dengan nilai Var-Covarnya.066290 1.ect 1) Hasil perhitungannya sebagai berikut: (1) Ct (2) Matriks Var- ? ? (3)=(1)*(2) Ct*Matriks Var- Covarian Covar 1.lnpdb(-1) ect.581 1.ect c.581 -15.614944 1.5642 0.06155 038 82 13 -0.0194 7 6 9 170.0297 9 0.029732 0.0194 -0.01935 0.ihsg(-1).019728 1.98897 0.581 -1.

0844 89 0.178856 0.061122 -0.086312 92 754 0.17885 829 6 0.PELANGGARAN ASUMSI KLASIK 56 Langkah 3. lalu varian.140042 042 489 27 6 -0.061066 -0. Dapatkan nilai Ct yang ditranspose.0400587 0.0075186 0.060942 0.1222199 Pada kolom (7) tertera nilai T-stat yang siap untuk dibaca untuk dapat ditarik suatu kesimpulan. Hasil regresi ECM dapat dilaporkan sebagai berikut: Hasil regresi ECM jangka pendek Dependent Variabel:D(LNVOL) 82 .086710 31 04 0.Transpose Standar Varian T-stat Covar dari Ct eror 5.089 0.140 -132.115525 -132.061 -0.200146 68 866 11.061 -0.089829 0.0074498 0. standar error dan nilai t-statnya sebagai berikut: (7)=Coeff/( (3)=(1)*(2) (4) (5)=(3)*(4) (6)=√(5) 6) Ct*Matriks Var.06094 122 2 0.06155 066 9 0.1844 5.732 132.084 17472.281795 0.061559 0.0655402 0.

B.(1) 83 .010597695 0.122219936 11.065540172 Interpretasikanlah hasil tersebut dengan terlebih dahulu melihat signifikansi dari masing-masing variabelnya. Namun harus diakui bahwa pendekatan ini juga banyak mendapatkan dengan kritikan dari para ahli ekonomi sehubungan kelambanan variabel dependennya.340671 Variable C D(RD) D(LNPDB) D(IHSG) Hasil Regresi ECM jangka panjang Dependent Variabel:D(LNVOL) Coefficient Std.200146866 0.932824 0.258015861 0. Anda juga disarankan untuk menguji pelanggaran asumsi klasiknya terlebih dahulu. LNPDBt.026453 0. Persamaan yang digunakan dalam penelitian ini adalah: LNVOLt = f (RDt. 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.806812 4.935123 0. Error 2.156185 0. (Insukindro.08671004 2.043104 1.086312754 t-Statistic -0.658603 0. Error -15.18446 0.PELANGGARAN ASUMSI KLASIK Variable C D(RD) D(LNPDB) D(IHSG) Coefficient -9.290699 0.005656953 0. 1990b:93) Penurunan PAM 1.28179472 0.000821 t-Statistic -3.115525041 0.27061515 132..003562 Std.61371 0. IHSGt) LNVOLt* = a0 + a1 RDt + a2 LNPDBt + a3 IHSGt….

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

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

Pada menu utama.PELANGGARAN ASUMSI KLASIK 1. misalnya LNVOL C RD LNPDB IHSG LNVOL(-1) Gambar 5. Ketik persamaan regresi yang diinginkan. klik QUICK dan pilih ESTIMATE EQUATION 3.8 Hasil Regresi PAM 86 . Pastikan data sudah siap dalam workfile 2.

96823 2 Prob(F-statistic) 87 .82015 -3.46342 Akaike info 1 criterion 7.42846 0.4987 1 6 5 1.5890 48 1.625 13 1.30030 0.0001 8 1 1 0.Prob.D.80817 0.6321 24 103. t.667 F-statistic 52 1.0023 68 6 3 0.40156 0.30180 Schwarz 3 criterion -22.01115 0.0000 00 2 dependent var 0.0006 5 1 9 0.4188 47 1.13443 2.E.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 0.36804 3.01630 0.0102 7 0.00336 0.3073 2.92390 9 Mean 6 14.36581 0. of regression Sum squared resid Log likelihood Durbin-Watson stat ent Error Statistic -9. dependent 9 var 0.91494 S.72105 0.00076 4.68386 0. C RD LNPDB IHSG LNVOL(-1) R-squared Adjusted Rsquared S.

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

3920 274.90752 12.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 11.3730 457.42000 16.70000 89 LNPDB 11.87932 IHSG 27806.49000 18.61000 15.23850 RD 22.3460 419.73000 16.85433 13.25909 11.87000 14.68878 12.38319 14.85000 15.20000 13.28000 16.4300 .40000 12.3000 637.08830 14.7000 594.85000 16.10320 12.53000 21.20467 11.96607 12.44023 11.51102 11.2700 493.62329 11.36489 11.57630 11.6400 428.8400 585.66362 14.00 313.20067 13.44361 13.52725 11.7650 492.29515 11.45000 20.31020 12.33549 14.31172 12.40376 11.7580 360.50000 12.76637 11.67095 11.10708 11.3350 310.2400 513.2500 573.72000 12.96114 13.38485 11.82730 11.20526 11.6000 298.30000 14.65874 13.81044 15.71611 11.93000 17.2950 497.20175 11.68842 11.64648 12.9610 588.66000 16.68000 16.99000 13.9700 469.13845 11.09017 11.6410 492.

4 71.64958 12.6 4.14846 15.13545 16.7 67 69.73000 26.4200 445.25206 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 61.46563 16.61704 16.54645 12.9200 583.73062 12.9 5.9 65.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 15.9 55 57.5 83.2300 724.51892 12.7 5.98580 17.29000 30.9 69.93115 16.91442 12.6 52.7 84.9 5.86551 662.53388 12.9200 276.46000 15.33300 14.03914 12.61649 16.69000 22.4 65.44000 12.06000 28.4 65.16000 16.9 73.6 62 63.01000 13.5 73.8 3.06588 16.5 3.35000 20.54152 12.23479 15.92000 19.3200 381.2700 515.7100 541.6 3.9400 676.5 6.89000 11.6 .3300 416.8 76.61649 15.97000 14.0300 393.6800 401.14160 16.9 72.50000 21.42000 15.00305 12.54629 12.12000 13.17000 13.47827 15.8 50.0500 437.3 77.4 78.9 80.78097 12.99000 22.5 4.51655 16.39000 16.6200 392.8 63.82277 12.42000 12.5 48.5 59.84576 12.5500 546.01539 15.9 5.4 67.1100 421.97000 28.49166 12.6200 662.36453 16.35616 12.33218 16.66534 12.24295 15.2 4.2 90 5.8 3.71811 12.0200 547.0300 Soal Latihan Analisa Dinamis Indeks Kompensasi.7 5.35552 15.4700 392.1500 398.5 5.48000 11.29066 12.4 82.2 74.

indeks produktivitas dan tingkat pengangguran dalam persen.9 91 91.9 99.7 80.5 89.3 97.2 7 6.5 4.5 7. Data diatas menunjukkan Indeks kompensasi.6 87 88. uji derajat integrasi dan uji kointegrasi pada data diatas untuk mengetahui apakah model yang digunakan merupakan model dinamis atau bukan.6 110.1 5.3 99.2 96. 91 .2 5.7 84.7 80.5 100 99.3 75.7 95.5 5.2 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).9 93 93.3 107. Lakukanlah Uji akar-akar unit.3 92.5 114 8.6 5.1 7.4 82 81.9 4.8 7.6 6.3 100 100.1 5.8 80.5 97.5 79.9 96.4 107.6 9.6 7.4 104.5 7.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 84.9 102.3 95.8 96.9 95.5 6.4 4. Pertanyaan: a.6 105.9 89.5 101.8 87.7 99.5 90.8 78.7 7.7 89.5 89.7 91.4 86.9 6.7 9.4 91.1 6.7 100.8 7.3 5.

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