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

Meregresikan variabel independent X dengan variabel independent variabel-variabel lain. c. Klik Views. b. sebab pada R2 yang rendah (<5%) bisa juga terjadi multikolinearitas. Pastikan data sudah siap (berada pada kota group) 2.1 Tampilan Group untuk masuk ke Menu Correlation 4 . artinya Ho ditolak. maka hasilnya adalah tidak signifikan tapi apabila diuji secara keseluruhan variabel independentnya maka hasilnya adalah signifikan. Menggunakan Matriks Korelasi (Correlation Matrix) Langkah-langkahnya adalah sebagai berikut : 1. Jika F* adalah F hitung maka : Jika F* > F tabel. 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.PELANGGARAN ASUMSI KLASIK Adj. artinya Ho diterima. Ha diterima ada multikolinearitas Jika F* < F tabel. Apabila diuji secara individual. kemudian dihitung R2nya yaitu dengan uji F (uji signifikansi). R2 = 0.9531 df = 7 Dari hasil regresi dapat dilihat bahwa 98 persen dari variasi peneluaran konsumsi dijelaskan oleh pendapatan dan harga barang lain secara bersama-sama. Juadi kemungkinan besar terdapat Multikolinearitas antara X1 dan X2. Ha diterima tidak ada multikolinearitas d.

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. lalu pilih Cefficient Test dan klik Wald – Coefficient Restrictions. yang setelah itu diuji dengan menggunakan Uji Wald. Salah satu cara utnuk menghilangkan multikolinearitas adalah menghilangkan satu atau lebih variabel bebas yang mempunyai kolinearitas tinggi. Seperti tampilan berikut : 5 . Klik Views. Adapun langkah-langkahnya sebagai berikut : 1. Penambahan data baru dapat menghilangkan Multikolinearitas yang tidak begitu serius. PENANGGULANGAN TERHADAP MULTIKOLINEARITAS Cara menanggulangi multikolinearitas : 1.PELANGGARAN ASUMSI KLASIK Maka hasil yang didapat akan seperti tampilan berikut : Gambar 4. 2.2 Tampilan Correlation Matrix C.

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

Jika F statistik tidak signifikan (probabilita > 0. Dengan kata lain sekalipun variabel tersebut mengandung multikolinearitas namun memiliki pengaruh terhadap variabel dependentnya.05) maka penghilangan variabel yang mengandung multikolinearitas tidak akan mengubah interpretasi dari persamaan regresinya sehingga penghilangan variabel tersebut diperbolehkan. Contoh soal : (soal dibawah ini akan terus digunakan untuk materi praktikum-praktikum selanjutnya) 7 .5 Tampilan Layar Uji Wald D. Hasil akan seperti tampilan berikut : Gambar 4. • Catatan : Perlu diperhatikan bahwa kadang-kadang menghilangkan satu atau lebih variabel independent dapat lebih jelek pengaruhnya dibandingkan dengan membiarkan adanya multikolinearitas dapat lebih jelek pengaruhnya dibandingkan dengan membiarkan adanya multikolinearitas kecuali jika variabel yang dhilangkan itu secara teoritis tidak berpengaruh.05) maka penghilangan variabel bebas yang mengandung multikolinearitas akan mengubah interpretasi dari persamaan regresinya sehingga penghilangan variabel tersebut tidak diperbolehkan. INTERPRETASI PENGUJIAN WALD TEST • Jika F statistik signifikan (probabilita < 0.PELANGGARAN ASUMSI KLASIK 3.

Jawaban Langkah 1 : Masukkan data di atas Langkah 2 : Lakukanlah regresi sesuai dengan model persamaan di atas Langkah 3 : Lakukanlah pengujian multikolinearitas dengan menggunakan correlation matrix. tanggunglangi dan interpretasikan hasilnya. sehingga hasilnya akan tampak seperti gambar di bawah ini : 8 . 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. 2.PELANGGARAN ASUMSI KLASIK Di bawah ini adalah mengenai Jumlah Uang Beredar (JUB) Contoh Soal 1 JUB = f (RSBI. Jika ada multikolinearitas.

Karena korelasi antar kedua variabel tersebut mendekati nilai 1 (1. Langkah 4 dan 5.PELANGGARAN ASUMSI KLASIK Correlation Matrix Lihat gambar Korelasi antara RSBI dan GDP adalah sebesar 0.70. maka antara RSBI dan GDP terdapat multikonearitas yang kuat.74 (lihat kembali teori di atas). lihat penjelasan asisten di depan kelas. (lihat teori penanggulangan). Langkah 5 : Interpretasi sesuai dengan hasil pengujian Wald Test.0000). Catatan : multikolinearitas yang kuat terjadi jika korelasi antar dua atau lebih variabel lebih dari 0. Langkah 4 : Lakukanlah penanggulangan multikonearitas dengan menggunakan Wald test. 9 .

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

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

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

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.

0866 0.637785 R-squared 0.775879 0. Error t-Statistic 5.182968 Sum squared resid 2361.231386 1.0538 Durbin-Watson stat 1. of regression 9.28718 Mean dependent var S.290307 X 0.7333 39.944732 S.0000 119. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Prob.590347 Std.153 Log likelihood -108.06134 7.000000 Berdasarkan print-out tersebut dapat dihitung nilai residual (µI) untuk kemudian di kuadratkan dan di Ln kan.e) Dependent Variable: Y Method: Least Squares Date: 06/07/01 Time: 09:00 Sample: 1 30 Included observations: 30 Variable Coefficient C 9.336918 7. Caranya sebagai berikut: a.E. Pada tampilan hasil regresi.PELANGGARAN ASUMSI KLASIK 29 30 178 191 265 270 Print out berikut adalah hasil regresi OLS dengan model Y = f (X.430332 496.028617 22. 0.D. klik View lalu pilih make residual series dan ketik Residual dan kilk OK seperti tampilan berikut ini: 14 .7183 0.946638 Adjusted R-squared 0.

jika variabel bebasnya lebih dari 1 maka diregres secara terpisah. Tampilan Make Residual Dari residual tersebut dapat dihitung residual kuadrat (µi2) lalu di Ln kan dengan menggunakan Generate pada workfile yaitu: RES2=RESIDUAL^2 LNRES2=LOG(RES2) LNX=LOG(X) Gambar 8.PELANGGARAN ASUMSI KLASIK Gambar 8. Dari hasil print out tersebut terlihat bahwa koefisien LNX memiliki probabilitas 0. hal ini berarti bahwa tidak ada heteroskedastisitas pada model tersebut. Note: Pada uji Park ini. Hasil Uji Park Dengan meregres model : LNRES2 = f (LNX) maka diperoleh hasil seperti Gambar 2.2. dengan demikian dapat diketahui variabel mana yang menyebabkan adanya heteroskedastisitas 15 .8154 (tidak signifikan pada α = 5%).1.2.

maka tidak ada heteroskedasitas Uji Goldfeld-Quant ini sangat tepat untuk sampel besar ( n > 30). Contoh: 16 . Kemudian buat dua regresi secara terpisah. pertama untuk nilai X yang terkecil.PELANGGARAN ASUMSI KLASIK b. Kriteria uji F jika : F hitung > F tabel. 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. 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. 4. 40% Nilai Terkecil 15%-20% Dihilangkan 40% Nilai terbesar 3. maka ada heteroskedasitas F hitung < F tabel. Kedua untuk nilai X besar dan hilangkan beberapa data yang ada ditengah. d = banyaknya data atau nilai observasi yang hilang k = banyaknya parameter yang diperkirakan. Goldfeld-Quant Test Langkah-langkah pengujiannya adalah sebagai berikut : 1. dimana n = banyaknya observasi.

dependent var 2 S.91466 6.600977 61.673 Schwarz criterion 4 Log likelihood -37.08333 14.53586 0.31711 Prob(F-statistic) 6 Hasil Regresi kelompok I dengan RSS1 = 341.08373 7.0000 81. of regression 5.D.E.PELANGGARAN ASUMSI KLASIK Dengan data yang sama pada uji Park di atas.849565 9 6 R-squared 0.520159 6. Error t-Statistic t C 7.41214 9.84640 S. yaitu observasi ke 13 s/d observasi ke 18.84528 Akaike info 3 criterion Sum squared resid 341. 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. 0.000014 Dependent Variable: Y Method: Least Squares Date: 06/07/01 Time: 09:03 Sample: 19 30 17 .61567 0. maka dibuang 20% nilai tengah dari total observasi (6 observasi). 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).86036 Mean dependent 6 var Adjusted R-squared 0.1209 F-statistic 5 Durbin-Watson stat 2.4550 0.65728 0.6734 Prob.777291 2 6 X 0.

df = {30 – 6 – 2(2)}/2 = 10) = 2.784081 0.00012 8 Hasil regresi kelompok II dengan RSS2 = 1328. tidak ada heteroskedastisitas = 18 .762489 11.74731 X R-squared Adjusted R-squared S.315331 Std.965/341.43919 2 0.27076 1. 0. Jika terjadi keraguan maka sebaiknya digunakan uji white yang pada prinsipnya meregres residual yang dikuadratkan dengan variabel bebas pada model.583 3 23. Error t-Statistic 34.87845 9 7. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.02607 7 Mean dependent var S.PELANGGARAN ASUMSI KLASIK Included observations: 12 Variable Coefficient C -49.56614 -1.D.882258 0.6734 Jika digunakan (α= 1%) maka F-tabel (α= 1%.1807 0. df = {30 – 6 – 2(2)}/2 = 10) 4. Uji White Hasil uji park bisa berbeda dengan uji Golfeld and Quant.146407 6.3136 1 0. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Prob.965 -45.85 F-stat < F-tabel ⇒ c.965 F-stat = 3.98 F-stat > F-tabel ⇒ ada heteroskedastisitas = RSS2/RSS1 = 1328.8896 F-tabel (α= 5%.0001 157.6545 5 7.52807 1328.95927 7 36.E.

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

25570 12.maka tidak ada heteroskedastisitas Note: df pada χ2 tabel adalah jumlah variabel bebas (regresors) pada regresi model White-test kecuali konstanta.8355 Durbin-Watson stat 1.064119 2.197385 X^2 0.PELANGGARAN ASUMSI KLASIK Dengan data yang sama pada uji park dan goldfeld and quant.368760 0.917301 Obs*R-squared 5. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Prob.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 -12.177697 Adjusted R-squared 0.5823 12.006707 0.29621 X 0.9493 0.D. Transformasi Logaritma Natural Jika model berikut ini mengandung heteroskedastisitas : Y i = α1 + α2 + u i 20 . C.square χ2 tabel dengan (α= 5%.df = 2) = 5.7731 -0.917301 0.8043 Sum squared resid 302252. berikut ditampilkan hasi uji white: White Heteroskedasticity Test: F-statistic 2.70511 112.071274 Obs* R.856573 Probability Probability 0.0695 Prob Obs* R square > 0.8018 78.116785 S. of regression 105. PENANGGULANGAN TERHADAP HETEROSKEDASTISITAS 1.331 = 5.39582 2.7 Log likelihood -180.069568 Std. maka tidak ada heteroskedasitas atau Prob Obs* R square = 0.E. 0. Error t-Statistic 191.001700 R-squared 0.05.253503 Mean dependent var S.071274 0.990 Obs* R square < χ2 tabel.9342 0.083329 0.

PELANGGARAN ASUMSI KLASIK Lakukanlah tranformasi seperti model logaritma di bawah ini : LnYi = βi + β2 LnXi Transformasi dalam bentuk logaritma akan memperkecil skala dari observasi dan kemungkinan besar varians juga akan semakin mengecil dan ada kemungkinan homoskedastisitas terpenuhi. 2. 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 . consistent dan efficient. Dengan demikian koefisien regresi dari model baru didapat dengan menggunakan OLS tersebut menjadi unbiased. 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.

3 32.6 35.6 1.761 .884 .7 141.1 116. 2 6.5 276.7 40. 3 258.9 175.6 421.918 .40 5.5 4.1 225.595 .1 21. 9 3.9 2.8 95.4 70.29 5.7 Profit 185.163 .454 . 8 2. 7 509.0 101.3 11.774 .62 6.3 6.8 13.86 9.569 .083 .036 .7 5. 4 494.438 .278 .3 122.1 4.10 7.9 4.65 5.645 .29 4.0 1.5 .3 16.787 . 5 92.76 1.4 13.64 9. 1 1.40 8.8 R&D 62.107 .487 .4 19.828 .02 5. 9 178.375 .2 26.210 .6 80.8 10.751 .31 5.9 8.620 .1 3. 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 14.620 .869 .31 4.PELANGGARAN ASUMSI KLASIK Soal latihan: Berikut adalah data Biaya R & D.14 1.55 2.8 9. 7 1.1 3.

2 22.415 .54 3. Jika ada penyakit heteroskedastisitas atau membagi sembuhkanlah dengan dengan yang Transformasi logaritma variabel menyebabkan terjadinya heteroskedastisitas.626 . c.8 9. 23 . 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.PELANGGARAN ASUMSI KLASIK 17 Minyak 18 Automotif 230.6 18.61 4.703 . Profit.5 293.0 1.528 .e) b. Lakukanlah regresi terhadap R & D = f(Sales. Lakukanlah Uji White dengan metode cross term b.

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

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

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

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

Lalu lakukan regresi untuk perbaikan autokorelasi dengan MAKE EQUATION Y2. ut adalah residual.00245 2 0. Durbin-Watson Test 2. Buat estimasi nilai ρ melalui estimasi fungsi residual ut = ρut-1 +v.3 Contoh Soal Autokorelasi Soal yang digunakan adalah contoh soal 1 (praktikum I) Instruksi : 1. Lakukan generate setiap variabel dimana Y21 = Yt – Y (-1) *ρ X22 = X1t – X (-1) *ρ X23 = X2t – X (-1) *ρ Catatan : untuk ρ langsung masukkan angkanya (lihat langkah (4)) 6.2 X2. Lakukanlah pengujian autokorelasi dengan menggunakan : a. pada hasil estimasi ρ = coefficient resid (1) 5. Interpretasikanlah model yang telah ditanggulangi Jawaban 1.PELANGGARAN ASUMSI KLASIK X 2t* = (X 2t . Lakukanlah penanggulangan autokorelasi 3.ut-1ρ) 4.715324 Probability 28 0.1 C X2. Pengujian Autokorelasi dengan menggunakan LM-Test Langkah 1 : Masukanlah data pada Contoh soal 1 (praktikum 1) Langkah 2 : Regresikanlah model tersebut Langkah 3 : Lakukanlah uji LM-Test (Lihat prosedur pengujian LM-Test). sehingga muncul hasil regresi di halaman berikut : Breusch-Godfrey Serial Correlation LM Test: F-statistic 15.00315 . LM-Test b.ρ X2t-1) ut* = (ut .25434 Probability Obs*R-squared 8.

466755 19280.01893 1 0.003155 lebih kecil daripada α (5%).258673 -3.5669 0.051350 -0.142287 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 = 0.866. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.E.425.79E12 26403.0 55. 0 368.240.6 1.0 4.128. Untuk soal no.742.9609 1.6 113. 0 409.765.039.2817 0.579. maka terdapat autokorelasi.D.797.5 3 22.7 1.82 4.8 40. Tugas / Quiz 2 Soal 1.08477 9 0.09E+09 -166.5 41.7947 9 22.0 CPI 38.9 4. 0.894039 GDP -0.088.PELANGGARAN ASUMSI KLASIK 5 Test Equation: Dependent Variable: RESID Method: Least Squares Date: 03/16/01 Time: 13:27 Variable Coefficien t RSBI 0.8894 0.5 29 .4 Tahun 1985 1986 1987 IMPOR 338.030313 C 1375. Error t-Statistic Prob. tahun 1970 -1998 Tahun 1970 1971 1972 IMPOR 39. GDP.905680 Mean dependent var S.418 RESID(-1) -1. CPI suatu Negara.0 45.0025 -6.484 0.8 GDP 1.010293 R-squared 0.789838 1.452. CPI 107. Perhatikanlah data dibawah ini : Data Impor.590318 9666.213.825773 Std.6 GDP 4.6 109.131926 0.9836 0 5. Atau untuk pengujian dapat juga membandingkan Obs* R-Squared dengan tabel Chi-Squared. 2 dan 3 perhatikan pembahasan asisten di depan kelas.581022 Adjusted R-squared S.

499.7 100 103 106 113 106 109 110 101 66 73 78 92 78 90 92 74 BK 22.4 2.2 6.981.7 136.9 160.5 163.259.4 156.932.007.365. 0 749.803. 0 668.3 124.0 3.5 22.0 249.9 60.4 49.0 265.9 3.4 90.0 1. LnGDP) Pertanyaan : 1.0 268.3 3.759.0 212.2 5.5 148. 0 589.400.6 39.002.131.3 7.185.7 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 118.385.9 38.458.907. 0 490.5 22.566.031. 0 803.PELANGGARAN ASUMSI KLASIK 0 447.0 151. Lakukanlah pengujian Multikolinearitas 3.295.0 5. 0 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 70.574. 0 876.3 53.2 72.2 152.9 96.5 1.054.1 5.5 22.0 332.9 6. Jika ada multikolinearitas apakah kita dapat membuang variabel yang menyebabkan multikolineritas tersebut ? Soal 2.2 40.3 7. 0 498.813.590.9 2. 0 536.366.327.5 99.8 8.318.635.986.228.5 25 25 25 30 .2 1.300.4 2.823.189.3 144. 0 917.811. No Obs 1 2 3 4 5 6 7 8 Data Peggunaan BBM pada Mobil Angkutan Kota PBBM KEC TK 39.0 103.5 7. Regresikanlah model di atas 2.0 176. 0 477.108.489.8 38.9 Ln Impor = f (LnCPIt .9 1.642.0 44.0 98.0 247.6 65.534.6 103.0 124.642.3 5.795.418.337.067.178.2 42.901.2 140.441.2 3.3 38.6 82.750.9 40.9 2.501.5 22.8 56.2 8.0 130.

504.00 26.30 1.00 26. YEAR 1973 1974 1975 1976 1977 1978 1979 1980 Data Faktor-Faktor Yang Mempengaruhi Harga Timah HT IHP HTL JPR HA 21.90 259.4 46.68 39.50 1.5 109 102 30 109 102 30 120 130 30 106 95 30 106 95 30 109 102 30 106 95 30 rata-rata mil/galon rata-rata kecepatan (Mil/jam) tenaga kuda kendaraan berat kendaraan (ratus pound) = = = = Pertanyaan: a.2 32.10 220.1 35 33. Interpretasikanlah heteroskedastisitas.4 35.9 36.00 20. e) b.551.30 1.2 32. Lakukan regresi terhadap PBBM = f(KEC.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 27.90 234.2 32.5 111 102 27. Lakukan pengujian heteroskedastisitas dengan Park Test.58 61. Tanggulangilah penyakit tersebut dengan metode yang anda ketahui.00 23.4 38.224.89 45.3 35.30 256.3 32.01 30. TK.646.93 22.60 352.1 35.80 1.438. c.9 32.60 1.85 53.00 19. Golfeld and Quant Test dan White-test.4 38.41 19.491.5 106 90 27.8 38.2 32.52 26.5 103 84 27.5 106 90 27.3 36.5 112 103 27. d.77 54.00 21.89 hasil regresi yang sudah bebas dari 31 .382.18 61. BK. Soal 3.5 102 81 27.3 38.90 219.60 249.00 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 39.30 57.10 1.00 27.78 33.29 50.349.1 35.5 103 84 27.40 1.63 53.1 36.5 111 102 27.00 19.10 329.30 1.

PELANGGARAN ASUMSI KLASIK 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 Ket: 30.80 1.00 1.70 32.60 1.30 877.20 117.10 750.10 940.60 97.30 98.80 237.46 23.50 24.80 556.40 147.80 780.378.50 129.60 129.80 137.00 26.50 145.90 111.20 245.00 1.30 525.20 233.87 Pertanyaan: a.58 27.352.80 2. sertakan pula hasil print-out anda.60 81.298.98 25.70 347. maka sembuhkan penyakit tersebut dengan terlebih dahulu menghitung koefisien ρ.80 727.49 51.50 30.195.60 1.171.00 1.18 28.296.00 418.20 1.80 72.365.10 66.60 1.553.00 30.72 24.23 25.nya.50 51. Kumpulkanlah minggu depan pada praktikum IV! BAB V PERSAMAAN SIMULTAN 32 .42 61.50 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) 26.23 54.90 42.60 444.62 23.00 66.10 620.70 1.20 106.469. Regresilah model LnHT = f (LnIHP.01 70.084.499.72 29.492.989.79 44.80 468.06 39. Jika ada.00 109.80 555.057.10 1.023.70 1.00 35.80 38.80 2.00 52.30 152.85 27.634.60 66.10 30.33 34.80 66.70 1.50 935.20 709.20 1.40 2.40 1.50 59.80 588.20 119.70 229. LnHA.20 1.50 58.40 89.60 100.50 234.20 107.88 22.70 36.50 64.70 64.20 101.40 69. e) dengan terlebih dahulu merubah data dalam bentuk Ln b.80 76.90 1.509.50 24.40 47.545.321. Apakah ada penyakit autokorelasi ? (Gunakan D-W test dan LM – Test) c.749.30 129.561. LnJPR.547.70 427.10 2.90 1. Kerjakanlah soal-soal di atas pada kertas HVS. LnHTL.67 25.50 77.90 32.60 1.

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

jika OLS tersebut digunakan untuk meregres sendiri-sendiri. Untuk memecahkan masalah ini harus dilakukan pengujian atau persyaratan agar diketahui koefisien persamaan mana yang ditaksir. B. Qt-1 Dapatkah OLS digunakan untuk menaksir koefisien dalam persamaan simultan?  Tidak dapat. yaitu dengan memasukkan salah satu persamaan pada persamaan yang lain. jika model persamaan tersebut sudah diubah dalam bentuk reduce form. Persyaratan ini disebut Kondisi Identifikasi (condition og identification). maka persamaan tunggal tersebut tidak dapat diperlakukan sebagai sebuah model yang lengkap. Ada dua macam dalil pengujian identifikasi. Karena masing-masing persamaan secara tidak tergantung pada variabel asumsi dari OLS adalah nir-stokastik atau jika stokastik.  Dapat diterapkan. dianggap residual yang stokastik. Masalah Identifikasi dalam Persamaan Simultan Masalah identifikasi sering dijumpai pada model ekonometri yang lebih dari satu persamaan. 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.PELANGGARAN ASUMSI KLASIK - Variabel endogen waktu lampau (lagged endogenous variabel)  Yt-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. Pada kasus ini (M = 2) dan 2 – 1 = 1 ⇒ identified Pada persamaan yang memiliki predermined variable berlaku aturan: K – k ≥ m –1 Jika K – k = m –1. Jika K – k < m –1. Jika M-1 > 1. Jika M-1 < 1. maka persamaan tersebut overidentified .PELANGGARAN ASUMSI KLASIK 1. 35 . maka persamaan tersebut identified. 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. maka persamaan tersebut identified . Jika K – k > m –1. maka persamaan tersebut unidentified . jika tidak maka tidak identified. agar identified maka M-1 = 1. maka persamaan tersebut unidentified.

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

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

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

08825 R-squared 0.663099 Adjusted R0.D.384484 -3. kemudian masukkan pada koefisien reduced form untuk menaksir koefisien struktural.207526 -2. β1 dan β2 Langkah-langkah ILS: 1. α2.0909 24.34395 . dependent var F-statistic 39 Prob.96355 Std.017971 PL -1.0000 109.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 α0.627636 squared Log likelihood -89.000032 Std.626663 16. α1.0059 0. β0.615342 C 95.025651 Mean dependent var S.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. Hasil Regresi OLS persamaan reduced form Dependent Variable: P Included observations: 22 Variable Coefficient X 0.190681 C 94.0007 0.0080 0.39545 14. 0.002417 3.004477 4. Ambil nilai koefisien dari hasil regresi tersebut. yaitu : P= Π0 + Π1 X + Π 2 Pl +Ω1 Q= Π 3 + Π 4 X + Π 5 Pl +Φ2 2.94177 Mean dependent var S.52976 Durbin-Watson 0. dependent var F-statistic Prob(F-statistic) Prob.559637 squared Log likelihood -75.601576 Adjusted R0.69819 0.0014 0.009026 PL -0.32565 R-squared 0.D. Regres persamaan reduced form dengan metode OLS.965133 5.096827 10.8636 12.42454 9. Error t-Statistic 0.014026 0. Error t-Statistic 0.0000 100.97410 18. 0.735081 0.

Regres P = a11 + a12 Pl+ a13 X + v 2.000160  Two Stage Least Squares (TSLS) Metode TSLS sering digunakan dengan alasan: 1. Dengan TSLS tidak ada kesulitan untuk menaksir standar error. Buatlah nilai Fitted dan Residual dari regresi tersebut (PF dan RES1). Q = b11 + b12 PF+ b13 RES1 + b14 X + v 40 . 2. 3. 3. Metode ini dapat diterapkan pada kasus exactly identified. Untuk persamaan yang overidentified. Pada kasus ini taksiran TSLS = ILS. penerapan TSLS menghasilkan taksiran tunggal (sedangkan ILS menghasilkan taksiran ganda). karena koefisien struktural ditaksir secara langsung dari regresi OLS pada langkah kedua (sedangkan pada ILS mengalami kesulitan dalam menaksir standar error). Regres Variabel Q dengan PF dan RES1.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) 1.276325 Prob(F-statistic) 0.

668 Schwarz criterion resid 41 Prob.0059 0.190681 0.017971 0.0007 0.41179 7 8.663099 Mean dependent var Adjusted R0.38448 -3.D.9741 0 8.1 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. of regression 15.56057 5 .00447 4.08825 10.23961 Akaike info criterion Sum squared 4412.E.4245 9.096827 4 X 0.627636 S. Error t-Statistic PL -1. 0.090 9 24.0000 109.PELANGGARAN ASUMSI KLASIK Gambar 4.014026 7 C 94. dependent var squared S.

2 42 .52976 0.PELANGGARAN ASUMSI KLASIK Log likelihood Durbin-Watson stat -89.6981 9 0.847730 F-statistic Prob(F-statistic) 18.00003 2 Membuat fitted dari regresi P = a11 + a12 Pl+ a13 X + v Gambar 4.

Membuat residual dari regresi P = a11 + a12 Pl+ a13 X + v Gambar 4.4.3.PELANGGARAN ASUMSI KLASIK Gambar 4. 43 .

516798 0.042096 0.70099 13.178522 2.D. dependent var squared S.290921 C 46.0097 0.89644 F-statistic Durbin-Watson 2.732 Schwarz criterion resid Log likelihood -75.301464 Prob(F-statistic) stat Lakukan langkah yang sama pada persamaan yang lain! 44 Prob.435989 R-squared 0.461684 9.126833 0.000899 -0. Error t-Statistic t PF 0.603999 Mean dependent var Adjusted R0.PELANGGARAN ASUMSI KLASIK Gambar 4.7438 0.59172 3.000677 .0029 100.8636 12. of 8. 0.151495 0.E.000262 0.537999 S.425265 Akaike info criterion regression Sum squared 1277.331900 X -0. Hasil regresi Q=b0 + b1 PF + b2 RES1 + b3X + e Dependent Variable: Q Method: Least Squares Date: 03/18/02 Time: 22:51 Sample: 1970 1991 Included observations: 22 Variable Coefficien Std.5.894866 RES1 0.7744 0.263313 7.39545 7.

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

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

PELANGGARAN ASUMSI KLASIK Gambar 4. kemudian klik OK. Gambar 4. Procs kemudian klik estimate. . System: UNTITLED Estimation Method: Two-Stage Least Squares Date: 03/18/02 Time: 15:52 Sample: 1970 1991 Instruments: PL X C Coefficien Std.10.9. Hasil regresi persamaan simultan dengan menggunakan System. Pilih Two Stage Least Squares (TSLS) dan Simultaneous. Error t 49 t-Statistic Prob. Klik.

516798 0.000262 0.847392 0.D.4835 Sum squared resid 8769.14298 0.093 Durbin-Watson 1.221698 S. dependent var 12.PELANGGARAN ASUMSI KLASIK 60.79096 5 Equation: Q=C(4)+C(5)*P+C(6)*X Observations: 22 -------------------------------------------------------------------------------------------------------------------------------R-squared 0.0098 -1.25999 S.034507 0.343 8 Durbin-Watson stat 1.78409 covariance 7 Equation: P=C(1)+C(2)*Q+C(3)*PL Observations: 22 -------------------------------------------------------------------------------------------------------------------------------R-squared 0.241336 0.647275 0.71162 50 .39545 squared S.E.8238 7 Determinant residual 9.69926 2.295822 Mean dependent 100.594932 0.991068 0.70099 17. of regression 10.33047 Mean dependent 109.00116 -0.93544 Sum squared resid 2272.0117 5 C(5) 0.8636 var Adjusted R0.0909 3 var Adjusted R-squared 0.D.23171 2.E. dependent var 24.6411 2.8106 3 C(4) 46.1190 5 C(2) 1.769227 stat C(1) -95.0317 0 C(6) -0. of regression 21.230364 0.0071 0 C(3) 0.97410 6 S.224141 0.

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.

maka persamaannya adalah simultan. nt -1. Gambar 4.09682 0. Error t-Statistic PL Prob.384484 -3.0059 52 . Jika variabel residual signifikan.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.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.19068 0. Tahap 4 : Lakukan pengujian.

0007 1 94.5605 75 18.12 Klik Procs.0000 32 9 var 0.09 09 24.025651 0.42454 9.84773 0 F-statistic Prob(F-statistic) Membuat Fitted dari hasil regresi Gambar 4. of regression 15.0000 5 0.4117 97 8.62763 S.5297 6 0.PELANGGARAN ASUMSI KLASIK X C R-squared Adjusted R- 1 7 0. pilih forecast Membuat Residual dari hasil regresi 53 .014026 0.01797 0.004477 4.E.0882 10.66 Schwarz criterion 8 -89.2396 Akaike info Sum squared resid Log likelihood Durbin-Watson stat 1 criterion 4412.D.66309 Mean dependent 109.698 19 0.974 10 8. dependent squared 6 var S.

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

9480 4 2. Error t-Statistic RESID1 PFIT C R-squared Adjusted Rsquared S.86 36 12.0001 58 8 var 0.0000 0.47201 0.395 45 7.60213 Mean dependent Prob.3711 9.74 Schwarz criterion 0 -75. 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 0.1770 94 7.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.340196 6 0.27898 0 F-statistic Prob(F-statistic) 55 .048068 4 0.3258 73 14.088201 5.351585 5 49. 0.21980 Akaike info 8 criterion 1283.0001 100.D.377 60 0.E.7374 0. dependent 7 var 8.780205 5.04209 0.56025 S.123740 0.

96513 0. 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. dependent squared 7 var S.86 36 12.D.0080 2 3 0.0014 6 95.3256 5. maka persamaannya adalah simultan.9635 5 2. Error t-Statistic PL X C R-squared Adjusted R- Prob.735081 0.PELANGGARAN ASUMSI KLASIK Tahap 3 : Regres variabel endogen yang lain (Pt) fitted yang telah dibuat.60157 Mean dependent 100.1785 05 7. Jika variabel residual signifikan.395 45 7.E.55963 S.0001 60 6 var 0.626663 16. pada residual dan Tahap 4 : Lakukan pengujian.207526 -2.002417 3.00902 0.3272 83 14. nt -0.55 Schwarz criterion 1 -75. of regression 8.22560 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 .0000 5 0.343 95 0.61534 0.94177 0.

2396 Akaike info Sum squared resid Log likelihood Durbin-Watson stat Kesimpulan : 8 criterion 4412.96616 0. nt 0.697 93 0.PELANGGARAN ASUMSI KLASIK Included observations: 22 Variable Coefficie Std.04034 -2.66309 0 Mean dependent 109.339955 0.14449 0.425041 0.345906 6.11202 0.974 10 8.88690 8 F-statistic Prob(F-statistic) Nilai Residual tidak signifikan. jadi tidak terjadi hubungan simultan antara kedua persamaan tersebut. Error t-Statistic RESID2 QF2 C R-squared Adjusted R- Prob.7376 5 2.935 35.62763 S. dependent squared 2 var S.09 09 24. 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 .0079 2 0. of regression 15.0000 32 6 var 0.5605 84 18.70 Schwarz criterion 9 -89.E.0000 1 -103.D.105759 0.5298 7 0.4118 06 8.

760 M PMDN 626.4 4.123 .084 . 5 639.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. 5 561.7 1.5 10 7.311 .697 .998 .4 4.9 26 6.269 . 4 713.8 4.7 4. 9 1.5 62 4.2 66 5.7 3. 0 606.5 .9 1. 436. 2 555.1 22 5. 7 462. 1 855.5 11 4.4 66 7.9 1. 58 R 6.099 .015 .511 .151 . 2 901. 8 543.1 78 7.0 4. 1 802.0 3.365 2 485.578 . 4 710.4 4.

3 5.4 70 5.343 .277 .0 30 6.9 3.0 17 11.7 1.3 4.0 40 7.9 5.484 .1 1.813 .7 7.8 3. 2 673.132 .717 .368 .140 .6 4.0 7.1 2.430 .8 00 7.7 3.309 .0 4.1 2.754 .028 0 735.912 .4 90 3.7 76 11.021 .1 40 4.4 6. 5 863.676 . 5 907.4 2. 6 615.9 20 8.505 .6 1.4 6.499 .1 1.6 60 5.7 50 9.376 .0 50 6. 3 829.0 2.9 6.159 .909 .0 84 8.2 5. 3 902.PELANGGARAN ASUMSI KLASIK .813 . 4 655.912 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 .393 59 72 10. 7 871.347 .113 .0 3.242 .4 3.7 2. 4 857.5 90 5.495 .880 .473 . 3 715.3 74 13.0 90 5.707 .3 5.158 .3 6.0 1.6 1.126 . 8 936.591 .6 3.8 7.913 .5 1.2 8.9 6.3 3.107 .994 .900 .732 .1 5.6 7. 8 977.4 3.641 . 5 899.599 .1 .062 .5 2.4 6.1 4.5 70 3.831 . 7 879. 9 1.6 60 6.

566 .7 80 4.515 1998 1999 .875 .8 50 4.643 .380 . 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 .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.3 1.8 1.8 .669 .PELANGGARAN ASUMSI KLASIK .7 .5 8.9 4.7 8.

Selain itu pula. 1996b:85). ♣ Modul ini akan membahas sekaligus mempraktekkan isu statistik model dinamik. A.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. serta dalam usaha mencari pemecahan 61 . ♣ Pada dasarnya spesifikasi Model Linier Dinamik (MDL) lebih ditekankan pada struktur dinamis hubungan jangka pendek (short run) antara wariabel tak bebas dengan variabel bebas. khususnya pendekatan kointegrasi dan beberapa model linier dinamis. 1996:1). karena teori ekonomi selalu berbicara dalam konteks tersebut dan juga karena hasil pengujian teori akan selalu berfokus kepada sifat jangka panjang (Insukrindo. 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. Insukindro (1999:1-2) menyatakan bahwa ECM relatif lebih unggul bila dibandingkan dengan PAM. yaitu Error Correction Model (ECM) dan Partial Adjustment Model (PAM). 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.

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

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

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

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

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

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

X2) Lakukan regresi dengan OLS. yaitu Y = a0 + a1 X1 + a2 X2 + e Kemudian ambil nilai residualnya (RESID) Lakukan pengujian stasionarotas variabel residual regresi persamaan OLS pada derajat nol dengan persamaan sbb: 68 . yaitu Y = a0 + a1 X1 + a2 X2 + e Kemudian ambil nilai Durbin-Watson (DW) yang merupakan nilai CRDW Statistik Bandingkan nilai CRDW Statistik dengan DW Engle-Granger Jika nilai CRDW Statistik lebih besar dari DW Engle-Granger.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. dan sebaliknya Pengujian Kointegrasi dengan DF dan ADF Langkah-langkah yang harus dilakukan : Jika Y = f (X1. Pengujian Kointegrasi dengan CRDW Langkah-langkah yang harus dilakukan : Jika Y = f (X1. ternyata Uji CRDW (Cointegration-Regression Durbin-Watson). 1992b:262) Pengujian ini dilakukan untuk mengetahui apakah dalam jangka panjang terdapat hubungan antara variabel independen dengan variabel dependennya. X2) Lakukan regresi dengan OLS. Engle dan Granger (1987) berpendapat bahwa dari tujuh uji statistik yang digunakan untuk menguji hipotesis null mengenai tidak adanya kointegrasi. DF (Dickey-Fuller) dan ADF (Augmented Dickey-Fuller) merupakan uji statistik yang paling disukai untuk menguji ada tidaknya kointegrasi tersebut. 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 . UNIT ROOT TEST Ketik variabel yang akan diuji. misalnya LNVOL Untuk pengujian DF. Langkah-langkah pengujian ECM : 1.PELANGGARAN ASUMSI KLASIK DF : DEt = p1DEt ADF : Det = q1Bet + ∑ wi Bi DEt Dapat dikatakan data berkointegrasi jika nilai T-Statistik dari p1 dan q1 lebih besar dari nilai DF Tabel dan ADF Tabel Engle & Granger. Uji Akar-Akar Unit (Unit Root Test) Klik QUICK. SERIES STATISTICS.

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

PELANGGARAN ASUMSI KLASIK

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

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

PELANGGARAN ASUMSI KLASIK

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

5 0.54988

var Akaike info

33 1.7928

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

47 Durbin-Watson 1.90041 stat 1

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

72

PELANGGARAN ASUMSI KLASIK

1st

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

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

47527 0.019 4 0.7811 0.3554 Schwarz 74 criterion -24.0169 0.3703 0. MAKE RESIDUAL SERIES dan beri nama R01 Klik VIEW. dependent 56 var 0.2) D(LNVOL(-2).00944 -1.7148 S. Uji Kointegrasi Lakukan regresi dengan OLS (gambar 1.043 5 0.2) D(LNVOL(-3).04 763 0.014 934 18.PELANGGARAN ASUMSI KLASIK D(LNVOL(-1).31384 2. of regression Sum squared resid Log likelihood Durbin-Watson stat 44 0.6221 0.005 205 1.17543 2.41949 1.E.5367 Akaike info 68 criterion 8.6346 0.2) C 0.25135 2.595 F-statistic 30 2.4) Klik PROCS.7567 3 Mean 3 89 dependent var 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 .072 7 0.79429 1) R-squared Adjusted Rsquared S.11123 84 5 3 0.029 432 1.D.083 2 -0.000 000 74 5 7 @TREND(1992: -0.052 5 0.748 303 2.0317 98 Prob(F-statistic) 3.02221 56 2 3 0.86222 90 2 9 0.

950 .5 Hasil Uji Kointegrasi ADF Test Statistic -2.628 0 -1.4 R01 Gambar 5.5442 61 1% Critical Value* 5% Critical 75 -2.PELANGGARAN ASUMSI KLASIK lnvol rd lnpdb Gambar 5.

t.25321 28 0. Aplikasi ECM Cari variabel ECT dengan cara: Klik GENR lalu ketik 76 ent Error Statistic -0.33681 18 9 2 0.801 7 -0.018 524 0.E.22925 0.571 152 3.1997 S. of regression Sum squared resid Log likelihood Durbin-Watson stat 4.21488 63 5 5 0.PELANGGARAN ASUMSI KLASIK Value 10% Critical 4 -1.0692 0.6063 0.8115 Schwarz 87 criterion -21.9404 76 Prob(F-statistic) .620 Value 6 *MacKinnon critical values for rejection of hypothesis of a unit root. dependent 00 var 0.911 209 0.0443 0.2682 2 Mean 5 0.395 205 1.113 F-statistic 70 1.20550 0.54426 08 4 1 0.016 0 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.017 362 98 dependent var 0. R01(-1) D(R01(-1)) D(R01(-2)) D(R01(-3)) R-squared Adjusted Rsquared S.515 731 1.831 2 0.D.0492 0.738 5 0.4613 Akaike info 70 criterion 6.23830 -2.Prob.17506 0.

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 -9.93512 -3.0025 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.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.6586 2.Prob. t.

09043 0.48054 9 Mean 2 0.13892 -4.8847 37 4.25746 3.13932 4.6257 0.5434 93 1.61371 0.80681 0.15618 0.79569 0.5439 3 4 0 0.098 F-statistic 12 1. of regression Sum squared resid Log likelihood Durbin-Watson stat 03 3 9 0.E.0001 18 2 6 0.0027 32 8 dependent var 0.93282 1.34067 0.6289 0.04310 0.0001 2 1 1 -0.0001 6 0.PELANGGARAN ASUMSI KLASIK D(RD) D(LNPDB) D(IHSG) RD(-1) LNPDB(-1) IHSG(-1) ECT R-squared Adjusted Rsquared S.90542 5 Prob(F-statistic) 78 .1018 09 0.0968 97 0.52711 0.45543 0.D.14045 -4.5993 91 1.00082 4.4259 4 5 2 0.63249 0.00356 0.36325 S. dependent 2 var 0.53959 0.0042 0 8 6 -0.02645 0.09167 Schwarz 5 criterion -22.0001 93 6 7 0.47829 Akaike info 2 criterion 7.

PELANGGARAN ASUMSI KLASIK Besarnya koefisien regresi jangka panjang untuk intercept / konstanta. 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 . 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.

0296 0.0004 0.003 0.0193 0.3345 C 44 405 791 127 24 89 53 87 -0.000 -0.0303 0.7 Hasilnya adalah sebagai berikut: D(LNP D(IHS LNPDB(.0000 -0.048 -0.3367 0.3374 -0.IHSG(- C D(RD) DB) G) RD(-1) 1) 1) ECT 8.0194 587 28 23 57 417 80 2 56 13 .PELANGGARAN ASUMSI KLASIK Gambar 5.0000 0.0193 1) ECT 53 420 183 056 59 51 99 56 -0.0.3334 -0.0000 -0.0194 RD(-1) 24 272 145 058 28 90 59 17 LNPDB -0.0482 DB) 791 645 64 41 145 4 83 23 D(IHSG -0.047 0.0004 D(RD) 405 58 645 08 272 27 20 28 D(LNP -0.0018 -0.000 -0.047 -0.0482 0.0000 0.0192 -0.0004 0.976 -0.0000 ) 127 08 41 01 058 1 56 57 0.02973 -0.019 0.0193 -0.6149 -0.008 0.0000 -0.0000 -0.0197 -0.008 1.000 0.000 -0.0000 -0.0001 -0.0000 0.001 0.000 0.000 0.0297 (-1) 089 127 54 81 390 0 51 32 IHSG(.976 -0.7470 0.003 -0.0296 0.3334 -0.06629 -0.0481 0.747 -0.030 0.0837 0.08375 -0.0193 -0.3374 -0.001 0.334 0.000 0.00008 -0.

581 1.33458 5.06155 038 82 13 -0.lnpdb(-1) ect.084 038 615 13 -0.ect rd(-1).0297 9 0.01930.178856 320.581 -1.ect lnpdb(lnpdb(1/ect -C2/ect 1).ect 1/ect -C1/ect rd(-1).581 -1.c ect.614944 1.019728 1.08982 038 0 130.0194 -0.019299 2 2 81 .06112 -0.ihsg(1/ect -C3/ect 1).581 -15.066290 1.ect rd(-1).01941 0. (1) Ct 1/ect -Co/ect (2) Matriks Var-Covarian (3)=(1)*(2) Ct*Matriks VarCovar ? ? ? ? ? ? ect.0194 -0.3345 7 2 489 878.029732 0.ihsg(-1).ect 1) Hasil perhitungannya sebagai berikut: (1) Ct (2) Matriks Var- ? ? (3)=(1)*(2) Ct*Matriks Var- Covarian Covar 1.0194 -0.PELANGGARAN ASUMSI KLASIK Langkah 2: Dapatkan nilai koefisien jangka panjang yang dkalikan dengan nilai Var-Covarnya.0194 0.06094 038 94 13 6 -0.5642 0.ect ihsg(.ect c.ect ihsg(-1).06106 -0.270 0.ect c.ect c.ect lnpdb(-1).98897 0.ect 1).0194 7 6 9 170.rd(-1) ect.01935 0.5720 0.14004 -132.

1844 5.086710 31 04 0.06094 122 2 0.Transpose Standar Varian T-stat Covar dari Ct eror 5.178856 0. standar error dan nilai t-statnya sebagai berikut: (7)=Coeff/( (3)=(1)*(2) (4) (5)=(3)*(4) (6)=√(5) 6) Ct*Matriks Var.1222199 Pada kolom (7) tertera nilai T-stat yang siap untuk dibaca untuk dapat ditarik suatu kesimpulan.084 17472.061559 0. Dapatkan nilai Ct yang ditranspose.06155 066 9 0.061 -0.061066 -0.17885 829 6 0.732 132.0075186 0.PELANGGARAN ASUMSI KLASIK 56 Langkah 3.089829 0.200146 68 866 11.086312 92 754 0.061 -0.0844 89 0.060942 0.061122 -0.140042 042 489 27 6 -0.0074498 0. Hasil regresi ECM dapat dilaporkan sebagai berikut: Hasil regresi ECM jangka pendek Dependent Variabel:D(LNVOL) 82 .140 -132. lalu varian.089 0.115525 -132.0400587 0.0655402 0.281795 0.

. (Insukindro. Error 2.005656953 0.026453 0.065540172 Interpretasikanlah hasil tersebut dengan terlebih dahulu melihat signifikansi dari masing-masing variabelnya.806812 4. IHSGt) LNVOLt* = a0 + a1 RDt + a2 LNPDBt + a3 IHSGt….PELANGGARAN ASUMSI KLASIK Variable C D(RD) D(LNPDB) D(IHSG) Coefficient -9.932824 0.003562 Std. B.086312754 t-Statistic -0. LNPDBt.08671004 2.200146866 0.000821 t-Statistic -3.340671 Variable C D(RD) D(LNPDB) D(IHSG) Hasil Regresi ECM jangka panjang Dependent Variabel:D(LNVOL) Coefficient Std. PARTIAL ADJUSTMENT MODEL (PAM) ♣ Model penyesuaian parsial selama dua dekade dapat dikatakan sangat sukses digunakan dalam analisis ekonomi khususnya dalam konteks permintaan uang dengan menggunakan data kuartalan.(1) 83 .61371 0. Namun harus diakui bahwa pendekatan ini juga banyak mendapatkan dengan kritikan dari para ahli ekonomi sehubungan kelambanan variabel dependennya. Anda juga disarankan untuk menguji pelanggaran asumsi klasiknya terlebih dahulu.935123 0.010597695 0.043104 1.27061515 132.258015861 0.290699 0. Persamaan yang digunakan dalam penelitian ini adalah: LNVOLt = f (RDt.156185 0.18446 0.28179472 0.115525041 0.122219936 11. Error -15.658603 0. 1990b:93) Penurunan PAM 1.

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

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

PELANGGARAN ASUMSI KLASIK 1. Pada menu utama. misalnya LNVOL C RD LNPDB IHSG LNVOL(-1) Gambar 5.8 Hasil Regresi PAM 86 . Ketik persamaan regresi yang diinginkan. klik QUICK dan pilih ESTIMATE EQUATION 3. Pastikan data sudah siap dalam workfile 2.

36581 0.0000 00 2 dependent var 0.40156 0.0001 8 1 1 0.01115 0.96823 2 Prob(F-statistic) 87 . C RD LNPDB IHSG LNVOL(-1) R-squared Adjusted Rsquared S.667 F-statistic 52 1.0102 7 0.00336 0.625 13 1.00076 4.80817 0.91494 S.19 83 0.68386 0.0006 5 1 9 0.E.13443 2.Prob.36804 3.5890 48 1.0023 68 6 3 0.72105 0.D.6321 24 103. t.92390 9 Mean 6 14.46342 Akaike info 1 criterion 7.4987 1 6 5 1.4188 47 1.42846 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.01630 0.30180 Schwarz 3 criterion -22.30030 0.82015 -3.3073 2. dependent 9 var 0. of regression Sum squared resid Log likelihood Durbin-Watson stat ent Error Statistic -9.

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

82730 11.13845 11.76637 11.96607 12.38319 14.6400 428.20526 11.9700 469.70000 89 LNPDB 11.20067 13.3350 310.64648 12.44023 11.62329 11.68000 16.68842 11.85000 15.52725 11.85433 13.53000 21.20175 11.61000 15.42000 16.2500 573.40000 12.33549 14.71611 11.28000 16.3460 419.73000 16.36489 11.08830 14.44361 13.68878 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 11.23850 RD 22.45000 20.66362 14.3920 274.99000 13.3000 637.29515 11.8400 585.93000 17.65874 13.31020 12.57630 11.9610 588.4300 .90752 12.87932 IHSG 27806.72000 12.10708 11.67095 11.51102 11.96114 13.2400 513.20467 11.20000 13.10320 12.85000 16.49000 18.2950 497.25909 11.09017 11.50000 12.38485 11.6000 298.00 313.6410 492.7580 360.3730 457.66000 16.87000 14.7650 492.30000 14.40376 11.81044 15.31172 12.7000 594.2700 493.

54645 12.6 4.2700 515.5 3.53388 12.13545 16.36453 16.7 5.25206 16.23479 15.91442 12.9 55 57.46563 16.7 84.93115 16.8 3.14846 15.6 .1500 398.42000 12.98580 17.06588 16.4700 392.86551 662.6 52.8 76.9200 276.6 3.33218 16.97000 14.9 69.2 74.2 90 5.5 6.35616 12.2 4.5 4.3 77.46000 15.73062 12.4 82.50000 21.4 78.64958 12.9 72.29000 30.44000 12.61649 16.61704 16.29066 12.69000 22.97000 28.7 5.42000 15.4 65.4 71.14160 16.54152 12.99000 22.0300 Soal Latihan Analisa Dinamis Indeks Kompensasi.3200 381.51655 16.9400 676.12000 13.5 5.9 5.5 73.48000 11.4 67.0200 547.92000 19.71811 12.9 73.6 62 63.54629 12.24295 15.01539 15.6200 662.39000 16.8 3.66534 12.7 67 69.4 65.0500 437.2300 724.9 5.5 48.9 80.73000 26.5500 546.9200 583.35000 20.89000 11.06000 28.17000 13.8 50.00305 12.84576 12.16000 16.49166 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 15.6800 401.51892 12.0300 393.9 65.4200 445.61649 15.3300 416.82277 12.8 63.47827 15.7100 541.6200 392.33300 14.5 59.35552 15.1100 421.78097 12.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 61.5 83.01000 13.03914 12.9 5.

indeks produktivitas dan tingkat pengangguran dalam persen.9 4.9 6.8 87.5 6.4 107.5 114 8.4 104.8 96.5 97.7 99.3 95.5 90. Data diatas menunjukkan Indeks kompensasi.6 105.9 95.4 4.3 97.7 89.9 93 93. uji derajat integrasi dan uji kointegrasi pada data diatas untuk mengetahui apakah model yang digunakan merupakan model dinamis atau bukan. Pertanyaan: a.9 96.1 5.1 6.8 7.4 91.6 7.1 7.8 80.6 110.9 91 91.3 92.7 84.1 5.2 5.6 5.7 80.8 78.2 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).5 7.9 89.5 101.9 99.7 80.3 107.7 9.3 5.5 89.3 100 100.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 84.7 91.6 6.9 102. Lakukanlah Uji akar-akar unit.5 5.4 82 81.6 87 88.8 7.5 100 99.7 100.5 89.3 75.2 96.6 9. 91 .2 7 6.5 7.3 99.7 7.4 86.5 4.5 79.7 95.

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

Sign up to vote on this title
UsefulNot useful