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

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

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

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

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

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

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

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.PELANGGARAN ASUMSI KLASIK SOAL Berdasarkan data di bawah ini. G adalah pengeluaran pemerintah. dimana JUB adalah jumlah uang beredar. Regreslah JUB dengan G dan GDP 2. Uji ada atau tidak multikolinearitas 3.

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

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

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.

430332 496.336918 7. Error t-Statistic 5.775879 0. Pada tampilan hasil regresi.7333 39.182968 Sum squared resid 2361.290307 X 0.0000 119.0866 0.944732 S.e) Dependent Variable: Y Method: Least Squares Date: 06/07/01 Time: 09:00 Sample: 1 30 Included observations: 30 Variable Coefficient C 9.06134 7.D.E.590347 Std. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Prob.7183 0. klik View lalu pilih make residual series dan ketik Residual dan kilk OK seperti tampilan berikut ini: 14 .PELANGGARAN ASUMSI KLASIK 29 30 178 191 265 270 Print out berikut adalah hasil regresi OLS dengan model Y = f (X. Caranya sebagai berikut: a.000000 Berdasarkan print-out tersebut dapat dihitung nilai residual (µI) untuk kemudian di kuadratkan dan di Ln kan.028617 22.0538 Durbin-Watson stat 1. of regression 9.28718 Mean dependent var S.153 Log likelihood -108. 0.231386 1.946638 Adjusted R-squared 0.637785 R-squared 0.

dengan demikian dapat diketahui variabel mana yang menyebabkan adanya heteroskedastisitas 15 . 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. 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. Note: Pada uji Park ini. hal ini berarti bahwa tidak ada heteroskedastisitas pada model tersebut.1.PELANGGARAN ASUMSI KLASIK Gambar 8.2. Dari hasil print out tersebut terlihat bahwa koefisien LNX memiliki probabilitas 0.2.8154 (tidak signifikan pada α = 5%).

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

Hasil regresinya adalah sebagai berikut: Dependent Variable: Y Method: Least Squares Date: 06/07/01 Time: 09:01 Sample: 1 12 Included observations: 12 Variable Coefficien Std.84640 S.4550 0.65728 0. dependent var 2 S.E. Error t-Statistic t C 7.84528 Akaike info 3 criterion Sum squared resid 341.PELANGGARAN ASUMSI KLASIK Dengan data yang sama pada uji Park di atas. maka dibuang 20% nilai tengah dari total observasi (6 observasi).08333 14.0000 81.41214 9.86036 Mean dependent 6 var Adjusted R-squared 0. Kita dapat meregres dua kelompok data yaitu kelompok I (obs ke 1 s/d obs ke 12) dan kelompok II (obs ke 19 s/d obs ke 30).673 Schwarz criterion 4 Log likelihood -37.D. of regression 5.600977 61.31711 Prob(F-statistic) 6 Hasil Regresi kelompok I dengan RSS1 = 341.777291 2 6 X 0.849565 9 6 R-squared 0.61567 0.6734 Prob. yaitu observasi ke 13 s/d observasi ke 18.520159 6.53586 0.91466 6. 0.08373 7.1209 F-statistic 5 Durbin-Watson stat 2.000014 Dependent Variable: Y Method: Least Squares Date: 06/07/01 Time: 09:03 Sample: 19 30 17 .

of regression Sum squared resid Log likelihood Durbin-Watson stat 0.PELANGGARAN ASUMSI KLASIK Included observations: 12 Variable Coefficient C -49.965/341.1807 0.00012 8 Hasil regresi kelompok II dengan RSS2 = 1328. tidak ada heteroskedastisitas = 18 . Uji White Hasil uji park bisa berbeda dengan uji Golfeld and Quant.D.56614 -1. 0.882258 0. df = {30 – 6 – 2(2)}/2 = 10) 4.85 F-stat < F-tabel ⇒ c.784081 0.965 -45.6545 5 7.762489 11.965 F-stat = 3.43919 2 0.98 F-stat > F-tabel ⇒ ada heteroskedastisitas = RSS2/RSS1 = 1328. Jika terjadi keraguan maka sebaiknya digunakan uji white yang pada prinsipnya meregres residual yang dikuadratkan dengan variabel bebas pada model.0001 157.27076 1.87845 9 7. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Prob.52807 1328.3136 1 0.02607 7 Mean dependent var S.E. Error t-Statistic 34.95927 7 36.315331 Std.8896 F-tabel (α= 5%. df = {30 – 6 – 2(2)}/2 = 10) = 2.583 3 23.146407 6.6734 Jika digunakan (α= 1%) maka F-tabel (α= 1%.74731 X R-squared Adjusted R-squared S.

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

177697 Adjusted R-squared 0.05.071274 Obs* R.29621 X 0.331 = 5.8043 Sum squared resid 302252.069568 Std.square χ2 tabel dengan (α= 5%.197385 X^2 0.856573 Probability Probability 0.25570 12.990 Obs* R square < χ2 tabel.maka tidak ada heteroskedastisitas Note: df pada χ2 tabel adalah jumlah variabel bebas (regresors) pada regresi model White-test kecuali konstanta.917301 0.064119 2.368760 0. of regression 105.0695 Prob Obs* R square > 0.071274 0. C.7 Log likelihood -180. berikut ditampilkan hasi uji white: White Heteroskedasticity Test: F-statistic 2. Transformasi Logaritma Natural Jika model berikut ini mengandung heteroskedastisitas : Y i = α1 + α2 + u i 20 .39582 2. maka tidak ada heteroskedasitas atau Prob Obs* R square = 0.7731 -0.083329 0.9493 0.917301 Obs*R-squared 5.E. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Prob.5823 12.8018 78.df = 2) = 5.70511 112.116785 S.006707 0.9342 0. Error t-Statistic 191. 0.D.PELANGGARAN ASUMSI KLASIK Dengan data yang sama pada uji park dan goldfeld and quant.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 -12.001700 R-squared 0. PENANGGULANGAN TERHADAP HETEROSKEDASTISITAS 1.8355 Durbin-Watson stat 1.253503 Mean dependent var S.

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. Yi = α1 + α2Xi + ui E (uiXi) ≠ 0 dan E (ui2) ≠ δu2 Jika diasumsikan (ui2) = δ2 ≠ 0 maka dengan mentransformasikan model regresi tersebut diperoleh model regresi baru sebagai berikut : Yi / Xi = bo / Xi + b1 + ui/Xi Dimana : Var (ui/Xi)2 = 1/Xi2 var (ui)2 = 1/Xi2 δ2 Xi2 = δ2 Homoskedastisitas Maka kesalahan penggangu menjadi homoskedastisitas. Variabel bebas (independen) yang mengandung heteroskedastisitas tersebut diperoleh dari pengujian White-Test. 21 . consistent dan efficient. 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.

31 5.569 .8 R&D 62.1 3. 3 258. 2 6.107 . 8 2.3 122. 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 6.438 .1 225.487 .40 5.9 4.62 6.9 2.163 .65 5.375 .210 .7 5.6 1. 4 494.4 19.7 141.7 Profit 185.454 .1 21.0 101.02 5.2 26.595 .86 9.14 1.828 .7 40.774 .620 .PELANGGARAN ASUMSI KLASIK Soal latihan: Berikut adalah data Biaya R & D.869 . 7 509. 9 178.8 10.5 .10 7.036 .29 5.4 14.884 .1 4.8 13.31 4.40 8.761 .4 13.1 116.8 95.6 80.64 9.3 6.0 1.9 175.9 8.787 .8 9. 7 1.6 35.3 16.6 421.3 11.645 .083 . 1 1.5 276. 9 3.76 1.918 .1 3.278 .3 32.29 4.55 2.5 4.620 . 5 92.751 .4 70.

528 . Jika ada penyakit heteroskedastisitas atau membagi sembuhkanlah dengan dengan yang Transformasi logaritma variabel menyebabkan terjadinya heteroskedastisitas.54 3. Profit.6 18.415 .703 . Lakukanlah regresi terhadap R & D = f(Sales.0 1. 23 .PELANGGARAN ASUMSI KLASIK 17 Minyak 18 Automotif 230.4 a. Lakukanlah Uji White dengan metode cross term b.2 22.e) b.61 4.626 . Interpretasikanlah hasil yang sudah disembuhkan. 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. c.5 293.8 9.

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

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

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

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

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.ρ X2t-1) ut* = (ut . Buat estimasi nilai ρ melalui estimasi fungsi residual ut = ρut-1 +v.25434 Probability Obs*R-squared 8. Lakukanlah penanggulangan autokorelasi 3.PELANGGARAN ASUMSI KLASIK X 2t* = (X 2t .1 C X2. LM-Test b.3 Contoh Soal Autokorelasi Soal yang digunakan adalah contoh soal 1 (praktikum I) Instruksi : 1.00315 .715324 Probability 28 0. Lalu lakukan regresi untuk perbaikan autokorelasi dengan MAKE EQUATION Y2.00245 2 0. ut adalah residual.ut-1ρ) 4. Lakukanlah pengujian autokorelasi dengan menggunakan : a. Durbin-Watson Test 2. 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. pada hasil estimasi ρ = coefficient resid (1) 5. Interpretasikanlah model yang telah ditanggulangi Jawaban 1.

maka terdapat autokorelasi.D. CPI 107.051350 -0. Untuk soal no.905680 Mean dependent var S.088.0 45.484 0.825773 Std.7947 9 22.579. 0 368.8 GDP 1. tahun 1970 -1998 Tahun 1970 1971 1972 IMPOR 39.213.581022 Adjusted R-squared S.039.0 4.894039 GDP -0.590318 9666.0025 -6. CPI suatu Negara.742. Tugas / Quiz 2 Soal 1. 2 dan 3 perhatikan pembahasan asisten di depan kelas.6 1.8894 0.765.6 GDP 4. Perhatikanlah data dibawah ini : Data Impor. Atau untuk pengujian dapat juga membandingkan Obs* R-Squared dengan tabel Chi-Squared.797.466755 19280. 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 = 0.01893 1 0. Error t-Statistic Prob.258673 -3. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.418 RESID(-1) -1.010293 R-squared 0. 0.866.09E+09 -166.9 4. GDP.789838 1.030313 C 1375.8 40.9836 0 5.82 4.128.6 109.142287 0.003155 lebih kecil daripada α (5%).131926 0.0 55.5669 0.9609 1.0 CPI 38.240.5 3 22.425.08477 9 0.PELANGGARAN ASUMSI KLASIK 5 Test Equation: Dependent Variable: RESID Method: Least Squares Date: 03/16/01 Time: 13:27 Variable Coefficien t RSBI 0.5 29 .4 Tahun 1985 1986 1987 IMPOR 338.452.79E12 26403.2817 0.5 41.E.6 113. 0 409.7 1.

2 6.3 38.178.5 22.501.3 144.458.0 176.534. 0 668.0 103.759.0 265. Lakukanlah pengujian Multikolinearitas 3.259.0 130. 0 876.932.8 8.750.054.489.3 7.811.3 7.9 Ln Impor = f (LnCPIt .3 3.0 268.8 38.3 53.2 42.002.9 2. No Obs 1 2 3 4 5 6 7 8 Data Peggunaan BBM pada Mobil Angkutan Kota PBBM KEC TK 39.2 40.5 22.228.901.1 5. 0 498.5 25 25 25 30 . LnGDP) Pertanyaan : 1.803.795. 0 917.986.635.642.400.9 60.0 151.9 2.9 3. 0 477.0 124.2 72.642.108.5 163.131. 0 749.300.0 3.067.2 8.9 6.0 98.5 148. 0 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 70.0 332. 0 536.418.6 103.2 3.823.318.2 152.2 140.6 39.590.7 136. Jika ada multikolinearitas apakah kita dapat membuang variabel yang menyebabkan multikolineritas tersebut ? Soal 2.5 7.5 1.3 124.PELANGGARAN ASUMSI KLASIK 0 447.2 1.0 44.6 65.9 38.031.2 5.7 100 103 106 113 106 109 110 101 66 73 78 92 78 90 92 74 BK 22.295.327. Regresikanlah model di atas 2. 0 589.4 156.366.385.7 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 118.3 5.9 1.574.0 247.5 22.4 90.5 22.6 82.0 212.007.8 56.0 5.4 2.566. 0 803.981.0 249.499.5 99.0 1.441.813.365.9 96.189.907.337.4 2.9 160. 0 490.9 40.185.4 49.

1 35.10 329.18 61.30 256.2 32.40 1.4 38.4 46.00 19.504. Soal 3.5 109 102 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.00 19.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 39.63 53. Tanggulangilah penyakit tersebut dengan metode yang anda ketahui.29 50.3 32.5 106 90 27.93 22.1 35 33. d.90 219.60 249.646. e) b.01 30.551.10 1.9 32.5 111 102 27. Interpretasikanlah heteroskedastisitas.4 35.382.3 35.00 23.9 36.2 PBBM KEC TK BK 111 95 25 105 81 25 111 95 25 110 92 25 110 92 25 110 92 25 90 52 27.30 1.30 57. Lakukan pengujian heteroskedastisitas dengan Park Test.89 hasil regresi yang sudah bebas dari 31 .77 54.90 259.85 53.1 35.00 22.3 38.3 36.5 103 84 27.00 21.224.68 39.5 103 84 27.58 61.8 38.90 234.00 20.30 1. Golfeld and Quant Test dan White-test.4 38.60 352.491. BK.438.00 26.5 102 81 27.00 27.10 220.2 32.2 32.50 1.80 1.2 32.00 26.349. TK.30 1.5 111 102 27.1 36. c.5 112 103 27.78 33.60 1.5 106 90 27. Lakukan regresi terhadap PBBM = f(KEC.52 26.89 45. YEAR 1973 1974 1975 1976 1977 1978 1979 1980 Data Faktor-Faktor Yang Mempengaruhi Harga Timah HT IHP HTL JPR HA 21.41 19.

057.20 107.50 59.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: 30.60 1.80 780.80 237.50 64.365.00 26.nya.10 1.80 588.49 51.50 77. LnJPR.30 98.80 2.547.084.30 129.90 1. sertakan pula hasil print-out anda.634.20 117.60 1.46 23.10 30.20 233.509.561.499.10 940. Regresilah model LnHT = f (LnIHP.58 27.30 877.85 27.10 620.70 64.90 111.23 25.87 Pertanyaan: a.70 1.50 24.80 66.545.298.378.00 1.40 147. maka sembuhkan penyakit tersebut dengan terlebih dahulu menghitung koefisien ρ.60 81.60 129. Apakah ada penyakit autokorelasi ? (Gunakan D-W test dan LM – Test) c.50 58.469.00 109.60 66.171. Jika ada.90 32.50 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) 26.50 145.50 30.50 234.40 47.10 750.00 418.60 1.98 25.70 1.72 24.80 72.80 38.80 1.50 935.70 1.30 152.296.553.20 709.00 52.80 556.70 427.80 137.79 44.80 555.989.06 39.40 89.749. Kerjakanlah soal-soal di atas pada kertas HVS.20 106.50 51.10 2.00 1. Kumpulkanlah minggu depan pada praktikum IV! BAB V PERSAMAAN SIMULTAN 32 .50 129.60 1.30 525.90 42.20 1.90 1.60 100.50 24.00 35.67 25.00 1.20 1.80 468.62 23. e) dengan terlebih dahulu merubah data dalam bentuk Ln b.60 97.42 61.40 2.40 1.80 727.70 229.352.80 76.195.20 101.00 30.60 444.80 2.01 70.70 36.20 1. LnHA.70 32. LnHTL.023.88 22.72 29.40 69.321.00 66.20 245.20 119.10 66.492.23 54.33 34.18 28.70 347.

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

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

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

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

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

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

0000 100.615342 C 95.69819 0.000032 Std.D.32565 R-squared 0.735081 0. dependent var F-statistic 39 Prob. Error t-Statistic 0. dependent var F-statistic Prob(F-statistic) Prob.004477 4. 0.014026 0.0080 0.601576 Adjusted R0.626663 16.847730 stat Dependent Variable: Q Method: Least Squares Date: 03/18/02 Time: 16:23 Sample: 1970 1991 Included observations: 22 Variable Coefficient X 0.D.39545 14.96355 Std.627636 squared Log likelihood -89. β0. α2.0007 0.096827 10.207526 -2.08825 R-squared 0.34395 .0909 24.025651 Mean dependent var S.002417 3.52976 Durbin-Watson 0.017971 PL -1.0059 0.0000 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 α0.663099 Adjusted R0. yaitu : P= Π0 + Π1 X + Π 2 Pl +Ω1 Q= Π 3 + Π 4 X + Π 5 Pl +Φ2 2.97410 18. β1 dan β2 Langkah-langkah ILS: 1. 0. kemudian masukkan pada koefisien reduced form untuk menaksir koefisien struktural.0014 0. Ambil nilai koefisien dari hasil regresi tersebut. α1.94177 Mean dependent var S.190681 C 94.384484 -3.8636 12.965133 5. Error t-Statistic 0.009026 PL -0.42454 9. Hasil Regresi OLS persamaan reduced form Dependent Variable: P Included observations: 22 Variable Coefficient X 0. Regres persamaan reduced form dengan metode OLS.559637 squared Log likelihood -75.

karena koefisien struktural ditaksir secara langsung dari regresi OLS pada langkah kedua (sedangkan pada ILS mengalami kesulitan dalam menaksir standar error). penerapan TSLS menghasilkan taksiran tunggal (sedangkan ILS menghasilkan taksiran ganda). 3. Regres Variabel Q dengan PF dan RES1. Dengan TSLS tidak ada kesulitan untuk menaksir standar error. 3.PELANGGARAN ASUMSI KLASIK Durbin-Watson stat 2. Buatlah nilai Fitted dan Residual dari regresi tersebut (PF dan RES1).276325 Prob(F-statistic) 0. Untuk persamaan yang overidentified. 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) 1.000160  Two Stage Least Squares (TSLS) Metode TSLS sering digunakan dengan alasan: 1. Q = b11 + b12 PF+ b13 RES1 + b14 X + v 40 . Metode ini dapat diterapkan pada kasus exactly identified. 2. Regres P = a11 + a12 Pl+ a13 X + v 2. Pada kasus ini taksiran TSLS = ILS.

PELANGGARAN ASUMSI KLASIK Gambar 4.0059 0.00447 4. 0.08825 10.41179 7 8.014026 7 C 94.0007 0.017971 0.D.190681 0.0000 109.56057 5 . Error t-Statistic PL -1.025651 4 R-squared 0. of regression 15.096827 4 X 0. dependent var squared S.4245 9.E.9741 0 8.668 Schwarz criterion resid 41 Prob.38448 -3.090 9 24.1 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.627636 S.23961 Akaike info criterion Sum squared 4412.663099 Mean dependent var Adjusted R0.

2 42 .6981 9 0.52976 0.847730 F-statistic Prob(F-statistic) 18.00003 2 Membuat fitted dari regresi P = a11 + a12 Pl+ a13 X + v Gambar 4.PELANGGARAN ASUMSI KLASIK Log likelihood Durbin-Watson stat -89.

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

000899 -0.PELANGGARAN ASUMSI KLASIK Gambar 4.D.301464 Prob(F-statistic) stat Lakukan langkah yang sama pada persamaan yang lain! 44 Prob.435989 R-squared 0.042096 0. of 8.603999 Mean dependent var Adjusted R0.0029 100.70099 13.537999 S.126833 0.516798 0.39545 7.000677 .7438 0. dependent var squared S.89644 F-statistic Durbin-Watson 2.8636 12.894866 RES1 0.425265 Akaike info criterion regression Sum squared 1277.151495 0. 0.0097 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.59172 3.263313 7. Error t-Statistic t PF 0.732 Schwarz criterion resid Log likelihood -75.E.7744 0.5.178522 2.000262 0.331900 X -0.461684 9.290921 C 46.

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

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

000262 0.70099 17.0317 0 C(6) -0.8636 var Adjusted R0.78409 covariance 7 Equation: P=C(1)+C(2)*Q+C(3)*PL Observations: 22 -------------------------------------------------------------------------------------------------------------------------------R-squared 0.769227 stat C(1) -95.241336 0.0909 3 var Adjusted R-squared 0.594932 0.0071 0 C(3) 0. dependent var 12.847392 0.79096 5 Equation: Q=C(4)+C(5)*P+C(6)*X Observations: 22 -------------------------------------------------------------------------------------------------------------------------------R-squared 0.6411 2.4835 Sum squared resid 8769. of regression 10.25999 S.8238 7 Determinant residual 9.093 Durbin-Watson 1.034507 0.516798 0. dependent var 24.647275 0.224141 0.0117 5 C(5) 0.295822 Mean dependent 100.71162 50 .97410 6 S.D.PELANGGARAN ASUMSI KLASIK 60.69926 2.1190 5 C(2) 1.E.E.343 8 Durbin-Watson stat 1.00116 -0.221698 S.0098 -1.991068 0.230364 0.14298 0.33047 Mean dependent 109.23171 2.93544 Sum squared resid 2272.39545 squared S.D.8106 3 C(4) 46. of regression 21.

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

09682 0. nt -1.11 Hasil regresi : Dependent Variable: P Method: Least Squares Date: 03/19/02 Time: 21:24 Sample: 1970 1991 Included observations: 22 Variable Coefficie Std. Tahap 4 : Lakukan pengujian. maka persamaannya adalah simultan. Gambar 4.384484 -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. Error t-Statistic PL Prob. Jika variabel residual signifikan.0059 52 .19068 0.

84773 0 F-statistic Prob(F-statistic) Membuat Fitted dari hasil regresi Gambar 4.E.004477 4.014026 0.0007 1 94.2396 Akaike info Sum squared resid Log likelihood Durbin-Watson stat 1 criterion 4412.PELANGGARAN ASUMSI KLASIK X C R-squared Adjusted R- 1 7 0.4117 97 8.974 10 8.D.0882 10.025651 0. pilih forecast Membuat Residual dari hasil regresi 53 .5297 6 0.66309 Mean dependent 109.62763 S.0000 5 0.0000 32 9 var 0.42454 9. of regression 15. dependent squared 6 var S.09 09 24.5605 75 18.01797 0.66 Schwarz criterion 8 -89.698 19 0.12 Klik Procs.

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

47201 0.3258 73 14.395 45 7.377 60 0.351585 5 49.86 36 12.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.60213 Mean dependent Prob. 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 0.123740 0. 0.340196 6 0.0001 100.9480 4 2.27898 0 F-statistic Prob(F-statistic) 55 .04209 0.088201 5.3711 9.D.74 Schwarz criterion 0 -75.1770 94 7.E.21980 Akaike info 8 criterion 1283.780205 5.048068 4 0.0000 0.0001 58 8 var 0. Error t-Statistic RESID1 PFIT C R-squared Adjusted Rsquared S.7374 0. dependent 7 var 8.56025 S.

0014 6 95. Jika variabel residual signifikan.D.207526 -2.96513 0.0080 2 3 0.94177 0.27632 5 F-statistic Prob(F-statistic) Hasil regresi dari P = b0 + b1 RESID2 + b2 Qfit + e Dependent Variable: P Method: Least Squares Date: 03/20/02 Time: 08:20 Sample: 1970 1991 56 .60157 Mean dependent 100.3256 5.9635 5 2. pada residual dan Tahap 4 : Lakukan pengujian. of regression 8. maka persamaannya adalah simultan.55963 S.55 Schwarz criterion 1 -75.626663 16.86 36 12.735081 0.61534 0.1785 05 7. Error t-Statistic PL X C R-squared Adjusted R- Prob.395 45 7.343 95 0.0000 5 0. nt -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.0001 60 6 var 0.E.00902 0.PELANGGARAN ASUMSI KLASIK Tahap 3 : Regres variabel endogen yang lain (Pt) fitted yang telah dibuat. dependent squared 7 var S.002417 3.22560 Akaike info Sum squared resid Log likelihood Durbin-Watson stat 6 criterion 1285.3272 83 14.

425041 0.88690 8 F-statistic Prob(F-statistic) Nilai Residual tidak signifikan.70 Schwarz criterion 9 -89.2396 Akaike info Sum squared resid Log likelihood Durbin-Watson stat Kesimpulan : 8 criterion 4412.5605 84 18.96616 0.0079 2 0. jadi tidak terjadi hubungan simultan antara kedua persamaan tersebut.14449 0.935 35.974 10 8. dependent squared 2 var S. nt 0. Error t-Statistic RESID2 QF2 C R-squared Adjusted R- Prob. of regression 15.04034 -2. 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 .5298 7 0.11202 0.345906 6.0000 1 -103.09 09 24.7376 5 2.66309 0 Mean dependent 109.PELANGGARAN ASUMSI KLASIK Included observations: 22 Variable Coefficie Std.E.0000 32 6 var 0.339955 0.D.4118 06 8.62763 S.697 93 0.105759 0.

7 462. 1 802. 5 639.365 2 485.015 .4 4.4 4. 4 710. 0 606.0 3.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 3.151 .099 . 58 R 6. 2 901.1 22 5.5 .511 .697 .9 1.7 1.8 4.5 10 7.269 .0 4.9 1. 2 555.7 3.5 11 4.760 M PMDN 626.7 4.311 . 436.4 66 7.2 66 5. 4 713.578 .998 .123 .5 62 4.9 26 6. 1 855.084 .1 78 7. 5 561. 8 543.4 4. 9 1.

3 3.309 .158 .376 . 3 902.4 3. 2 673. 9 1.505 .900 .0 40 7.4 2.4 6.1 .8 3.3 6.3 5.732 .9 5.0 1.1 40 4.6 1.277 .754 .7 1.591 . 8 936.9 3.707 .913 .6 60 5.242 .1 1.126 .062 .499 .813 . 5 907.343 . 3 829.113 .3 5.0 3.1 1.1 5.028 0 735.7 3.909 . 5 863.2 8.021 .8 00 7.368 .994 .0 17 11.6 7. 4 857.9 20 8.831 . 4 655.6 60 6.4 6. 3 715. 7 879.7 7.6 1.7 50 9.3 4.5 70 3.3 74 13.1 2.347 .393 59 72 10.0 50 6.676 .6 3.132 .5 2.2 5.430 .0 7.641 .4 70 5.717 .1 2. 7 871.0 4.4 90 3.7 76 11.9 6.0 2.495 . 8 977.473 .0 30 6. 5 899.912 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 .484 .7 2.880 .5 1.912 .PELANGGARAN ASUMSI KLASIK .599 .0 90 5.4 3. 6 615.813 .107 .8 7.0 84 8.9 6.1 4.5 90 5.6 4.140 .4 6.159 .

7 8.PELANGGARAN ASUMSI KLASIK .6 4.566 .3 1.380 .7 .515 1998 1999 .643 .5 8.669 .8 50 4.8 1.8 .875 . 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 .9 4.7 80 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.

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

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

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

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

PELANGGARAN ASUMSI KLASIK 12. 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 ..C7)( -BRDt + BRDt + BLNPDBt + BIHSGt .(13) Dimana : d0 = C0 d1 = C1 d2 = C2 d3 = C3 BLNVOLt) 14.(12) 13.BLNVOLt)…. Dari persamaan (11) dapat diperoleh persamaan WCM DLNVOLt = C0 + C1 DRDt + C2 DLNPDBt + C3 DIHSGt + (C1+C4+ C7 -1) BRDt + (C2+C5+ C7 -1) BLNPDBt +(C3+C6 C7 -1) BIHSGt + (1. Persamaan (12) dapat dituliskan dalam bentuk lain DLNVOLt = d0 + d1 DRDt + d2 DLNPDBt + d3 DIHSGt + d4 BRDt + d5 BLNPDBt + d6 BIHSGt + d7 ECT…..

apakah data yang digunakan stasioner atau tidak.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. 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. 1981) yang ditunjukkan dengan persamaan sebagai berikut : : DXt = a0 + a1 BXt +∑ biBiDXt : DXt = Xt . pengujian terhadap perilaku data runtun waktu (time series) atau integrasinya dapat dipandang sebagai uji prasyarat bagi digunakannya pendekatan kointegrasi. Pendekatan ini dapat pula dianggap sebagai uji teori ekonomi dan merupakan bagian yang penting dalam perumusan dan estimasi sebuah model dinamis (Insukindro.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). Pengujian dilakukan dengan menggunakan dua pengujian yang dikembangkan DF oleh Dickey dan Fuller (1979. o UJI AKAR-AKAR UNIT Uji Akar-Akar Unit dipandang sebagai uji stasionaritas karena pengujian ini pada prinsipnya bertujuan untuk mengamati apakah koefisien tertentu dari model otoregresif yang ditaksir mempunyai nilai satu atau tidak.

67 ADF : D2Xt = g0 + g1 T + g2 BDXt +∑ hi Bi D2Xt dimana . Kemudian nilai TStatistik tersebut dibandingkan dengan nilai kritis statistik DF dan ADF tabel untuk mengetahui ada atau tidaknya akar-akar unit. jika ternyata data tersebut tidak stasioner pada derajat pertama (Insukindro. 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. Jika ei dan g2 sama dengan satu (nilai statistik DF dan ADF lebih besar dari nilai statistik DF dan ADF tabel). maka variabel tersebut dikatakan stasioner pada derajat pertama. dimana N adalah jumlah observasi (sampel) Nilai DF dan ADF untuk hipotesis bahwa a1=0 dan c2=0 ditunjukkan dengan nilai T-Statistik pada koefisien regresi BXt.PELANGGARAN ASUMSI KLASIK k = N1/3. 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. o UJI DERAJAT INTEGRASI Pengujian ini dilakukan untuk mengetahui pada derajat atau order diferensi ke berapa data yang diteliti akan stasioner. 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 . DF (Dickey-Fuller) dan ADF (Augmented Dickey-Fuller) merupakan uji statistik yang paling disukai untuk menguji ada tidaknya kointegrasi tersebut. 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.(Insukindro. Engle dan Granger (1987) berpendapat bahwa dari tujuh uji statistik yang digunakan untuk menguji hipotesis null mengenai tidak adanya kointegrasi. maka artinya terdapat kointegrasi. X2) Lakukan regresi dengan OLS.PELANGGARAN ASUMSI KLASIK o UJI KOINTEGRASI Dalam melakukan Uji Kointegrasi harus diyakini terlebih dahulu bahwa variabel-variabel terkait dalam pendekatan ini memiliki derajat integrasi yang sama atau tidak. 1992b:262) Pengujian ini dilakukan untuk mengetahui apakah dalam jangka panjang terdapat hubungan antara variabel independen dengan variabel dependennya. dan sebaliknya Pengujian Kointegrasi dengan DF dan ADF Langkah-langkah yang harus dilakukan : Jika Y = f (X1. ternyata Uji CRDW (Cointegration-Regression Durbin-Watson).

SERIES STATISTICS. Langkah-langkah pengujian ECM : 1. pilih AUGMENTED DICKEY FULLER (pada Test Type) LEVEL (pada Test for unit root in) TREND AND INTERCEPT (pada Include in test equation) LAG yang diperoleh dari pembulatan N1/3 69 . pilih AUGMENTED DICKEY FULLER (pada Test Type) LEVEL (pada Test for unit root in) INTERCEPT (pada Include in test equation) LAG yang diperoleh dari pembulatan N1/3 Untuk pengujian ADF. misalnya LNVOL Untuk pengujian DF. 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.

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

3554 Schwarz 74 criterion -24.6221 0.052 5 0.083 2 -0.043 5 0.86222 90 2 9 0. MAKE RESIDUAL SERIES dan beri nama R01 Klik VIEW. dependent 56 var 0.17543 2.005 205 1.41949 1.00944 -1. Uji Kointegrasi Lakukan regresi dengan OLS (gambar 1.D. of regression Sum squared resid Log likelihood Durbin-Watson stat 44 0.79429 1) R-squared Adjusted Rsquared S.3703 0.7811 0.2) D(LNVOL(-3).072 7 0.748 303 2.11123 84 5 3 0.019 4 0.029 432 1.2) C 0.7148 S.0317 98 Prob(F-statistic) 3.6346 0.7567 3 Mean 3 89 dependent var 0.E.47527 0.2) D(LNVOL(-2).5367 Akaike info 68 criterion 8.000 000 74 5 7 @TREND(1992: -0.0169 0.04 763 0.014 934 18.25135 2.31384 2.PELANGGARAN ASUMSI KLASIK D(LNVOL(-1). 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 .02221 56 2 3 0.4) Klik PROCS.595 F-statistic 30 2.

628 0 -1.4 R01 Gambar 5.950 .PELANGGARAN ASUMSI KLASIK lnvol rd lnpdb Gambar 5.5 Hasil Uji Kointegrasi ADF Test Statistic -2.5442 61 1% Critical Value* 5% Critical 75 -2.

0492 0.395 205 1.20550 0.25321 28 0.D. 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.831 2 0.PELANGGARAN ASUMSI KLASIK Value 10% Critical 4 -1.2682 2 Mean 5 0.21488 63 5 5 0.23830 -2.0443 0.801 7 -0.17506 0. dependent 00 var 0.018 524 0.016 0 0.911 209 0.1997 S.9404 76 Prob(F-statistic) .017 362 98 dependent var 0.113 F-statistic 70 1.54426 08 4 1 0.571 152 3.6063 0. of regression Sum squared resid Log likelihood Durbin-Watson stat 4.738 5 0.4613 Akaike info 70 criterion 6.33681 18 9 2 0. t.515 731 1.8115 Schwarz 87 criterion -21.Prob. Aplikasi ECM Cari variabel ECT dengan cara: Klik GENR lalu ketik 76 ent Error Statistic -0. R01(-1) D(R01(-1)) D(R01(-2)) D(R01(-3)) R-squared Adjusted Rsquared S.22925 0.620 Value 6 *MacKinnon critical values for rejection of hypothesis of a unit root.0692 0.E.

Prob.6 Hasil Regresi ECM Dependent Variable: D(LNVOL) Method: Least Squares Date: 03/07/04 Time: 07:24 Sample(adjusted): 1992:2 2001:4 Included observations: 39 after adjusting endpoints Variable Coeffici Std. C ent Error Statistic -9.93512 -3. ESTIMATE EQUATION Pada Equation Specification ketiklah: D(LNVOL) C D(RD) D(LNPDB) D(IHSG) RD(-1) LNPDB(-1) IHSG(-1) ECT Gambar 5.0025 77 .29069 0. t.6586 2.PELANGGARAN ASUMSI KLASIK ECT=RD(-1)+LNPDB(-1)+IHSG(-1)-LNVOL(-1) Dalam e-views :BX Xt – Xt-1 = X(-1) = D(X) atau bentuk first diference Klik QUICK.

36325 S.15618 0.14045 -4.00082 4.53959 0. of regression Sum squared resid Log likelihood Durbin-Watson stat 03 3 9 0.52711 0.6257 0.8847 37 4.0001 93 6 7 0.93282 1.61371 0. dependent 2 var 0.80681 0.09167 Schwarz 5 criterion -22.0001 6 0.D.1018 09 0.34067 0.0968 97 0.4259 4 5 2 0.5993 91 1.09043 0.04310 0.79569 0.25746 3.48054 9 Mean 2 0.0027 32 8 dependent var 0.02645 0.63249 0.13932 4.47829 Akaike info 2 criterion 7.45543 0.0042 0 8 6 -0.6289 0.5434 93 1.PELANGGARAN ASUMSI KLASIK D(RD) D(LNPDB) D(IHSG) RD(-1) LNPDB(-1) IHSG(-1) ECT R-squared Adjusted Rsquared S.5439 3 4 0 0.90542 5 Prob(F-statistic) 78 .098 F-statistic 12 1.13892 -4.00356 0.0001 18 2 6 0.0001 2 1 1 -0.E.

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

3367 0.0193 -0.030 0.0000 -0.0481 0.000 0.000 0.0004 D(RD) 405 58 645 08 272 27 20 28 D(LNP -0.0000 -0.08375 -0.0004 0.0001 -0.3374 -0.0194 587 28 23 57 417 80 2 56 13 .0004 0.0000 -0.0482 DB) 791 645 64 41 145 4 83 23 D(IHSG -0.3345 C 44 405 791 127 24 89 53 87 -0.019 0.003 0.0296 0.976 -0.334 0.0000 0.02973 -0.747 -0.0193 0.047 -0.0018 -0.000 -0.0837 0.3374 -0.000 -0.008 1.001 0.0194 RD(-1) 24 272 145 058 28 90 59 17 LNPDB -0.0296 0.6149 -0.003 -0.008 0.0000 0.001 0.0193 1) ECT 53 420 183 056 59 51 99 56 -0.0197 -0.0297 (-1) 089 127 54 81 390 0 51 32 IHSG(.PELANGGARAN ASUMSI KLASIK Gambar 5.0303 0.000 0.0000 -0.0192 -0.7470 0.0000 ) 127 08 41 01 058 1 56 57 0.0482 0.7 Hasilnya adalah sebagai berikut: D(LNP D(IHS LNPDB(.3334 -0.06629 -0.3334 -0.048 -0.000 -0.00008 -0.0193 -0.047 0.000 0.0000 -0.0000 0.0.976 -0.IHSG(- C D(RD) DB) G) RD(-1) 1) 1) ECT 8.

06112 -0.ect 1) Hasil perhitungannya sebagai berikut: (1) Ct (2) Matriks Var- ? ? (3)=(1)*(2) Ct*Matriks Var- Covarian Covar 1.029732 0.581 1.ect 1/ect -C1/ect rd(-1).5720 0.98897 0.ect c.06155 038 82 13 -0.581 -15.ect rd(-1).0297 9 0.ect rd(-1).581 -1. (1) Ct 1/ect -Co/ect (2) Matriks Var-Covarian (3)=(1)*(2) Ct*Matriks VarCovar ? ? ? ? ? ? ect.01935 0.066290 1.c ect.14004 -132.ect c.ect lnpdb(-1).08982 038 0 130.PELANGGARAN ASUMSI KLASIK Langkah 2: Dapatkan nilai koefisien jangka panjang yang dkalikan dengan nilai Var-Covarnya.06106 -0.0194 -0.ect ihsg(.ihsg(1/ect -C3/ect 1).ect c.0194 -0.06094 038 94 13 6 -0.581 -1.178856 320.0194 7 6 9 170.ect 1).01941 0.3345 7 2 489 878.ihsg(-1).084 038 615 13 -0.5642 0.rd(-1) ect.019728 1.ect ihsg(-1).01930.0194 0.614944 1.33458 5.270 0.ect lnpdb(lnpdb(1/ect -C2/ect 1).0194 -0.lnpdb(-1) ect.019299 2 2 81 .

0655402 0.061559 0.084 17472.0844 89 0.086312 92 754 0.061122 -0.17885 829 6 0.061 -0.060942 0.0075186 0.281795 0.Transpose Standar Varian T-stat Covar dari Ct eror 5. lalu varian.061 -0.115525 -132.1844 5. standar error dan nilai t-statnya sebagai berikut: (7)=Coeff/( (3)=(1)*(2) (4) (5)=(3)*(4) (6)=√(5) 6) Ct*Matriks Var. Dapatkan nilai Ct yang ditranspose.086710 31 04 0.061066 -0.1222199 Pada kolom (7) tertera nilai T-stat yang siap untuk dibaca untuk dapat ditarik suatu kesimpulan.140042 042 489 27 6 -0.200146 68 866 11.0400587 0.06094 122 2 0.PELANGGARAN ASUMSI KLASIK 56 Langkah 3.140 -132.178856 0.0074498 0.732 132. Hasil regresi ECM dapat dilaporkan sebagai berikut: Hasil regresi ECM jangka pendek Dependent Variabel:D(LNVOL) 82 .089 0.06155 066 9 0.089829 0.

Error 2.61371 0.258015861 0.010597695 0. B. Persamaan yang digunakan dalam penelitian ini adalah: LNVOLt = f (RDt.(1) 83 . (Insukindro.003562 Std.122219936 11.28179472 0. PARTIAL ADJUSTMENT MODEL (PAM) ♣ Model penyesuaian parsial selama dua dekade dapat dikatakan sangat sukses digunakan dalam analisis ekonomi khususnya dalam konteks permintaan uang dengan menggunakan data kuartalan.065540172 Interpretasikanlah hasil tersebut dengan terlebih dahulu melihat signifikansi dari masing-masing variabelnya.08671004 2.935123 0.156185 0.043104 1.200146866 0.000821 t-Statistic -3. Error -15.932824 0. LNPDBt.290699 0.086312754 t-Statistic -0.658603 0.115525041 0. IHSGt) LNVOLt* = a0 + a1 RDt + a2 LNPDBt + a3 IHSGt…. Anda juga disarankan untuk menguji pelanggaran asumsi klasiknya terlebih dahulu.PELANGGARAN ASUMSI KLASIK Variable C D(RD) D(LNPDB) D(IHSG) Coefficient -9.026453 0..27061515 132.18446 0.806812 4. 1990b:93) Penurunan PAM 1.340671 Variable C D(RD) D(LNPDB) D(IHSG) Hasil Regresi ECM jangka panjang Dependent Variabel:D(LNVOL) Coefficient Std. Namun harus diakui bahwa pendekatan ini juga banyak mendapatkan dengan kritikan dari para ahli ekonomi sehubungan kelambanan variabel dependennya.005656953 0.

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

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

PELANGGARAN ASUMSI KLASIK 1.8 Hasil Regresi PAM 86 . Ketik persamaan regresi yang diinginkan. misalnya LNVOL C RD LNPDB IHSG LNVOL(-1) Gambar 5. Pada menu utama. Pastikan data sudah siap dalam workfile 2. klik QUICK dan pilih ESTIMATE EQUATION 3.

30180 Schwarz 3 criterion -22.96823 2 Prob(F-statistic) 87 .3073 2.72105 0.0001 8 1 1 0.4188 47 1.D.0102 7 0.E.42846 0.92390 9 Mean 6 14.667 F-statistic 52 1.80817 0.36581 0. dependent 9 var 0.46342 Akaike info 1 criterion 7.82015 -3.0006 5 1 9 0.625 13 1.01115 0.5890 48 1.30030 0.4987 1 6 5 1.68386 0.36804 3.13443 2. C RD LNPDB IHSG LNVOL(-1) R-squared Adjusted Rsquared S.40156 0.91494 S.19 83 0. t.6321 24 103.01630 0.Prob.00076 4.00336 0. of regression Sum squared resid Log likelihood Durbin-Watson stat ent Error Statistic -9.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.0023 68 6 3 0.0000 00 2 dependent var 0.

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

6400 428.51102 11.8400 585.85433 13.38319 14.61000 15.00 313.53000 21.57630 11.66000 16.73000 16.52725 11.44023 11.40376 11.20467 11.50000 12.36489 11.96114 13.25909 11.49000 18.7000 594.31172 12.87000 14.81044 15.70000 89 LNPDB 11.65874 13.76637 11.6410 492.2400 513.10708 11.23850 RD 22.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 11.44361 13.30000 14.99000 13.68842 11.7650 492.68000 16.90752 12.3730 457.40000 12.93000 17.45000 20.3920 274.9700 469.64648 12.67095 11.28000 16.38485 11.62329 11.08830 14.72000 12.4300 .09017 11.20526 11.85000 16.96607 12.82730 11.6000 298.13845 11.71611 11.20067 13.29515 11.87932 IHSG 27806.42000 16.20000 13.2700 493.3000 637.3350 310.2950 497.10320 12.31020 12.33549 14.20175 11.2500 573.85000 15.3460 419.9610 588.68878 12.66362 14.7580 360.

35616 12.35000 20.6200 392.06588 16.9 80.2300 724.5 83.5 5.7100 541.6 .13545 16.8 3.97000 14.2700 515.9200 276.0300 Soal Latihan Analisa Dinamis Indeks Kompensasi.4 78.3 77.33218 16.39000 16.5 59.86551 662.5500 546.1100 421.17000 13.8 3.2 90 5.36453 16.42000 12.29066 12.01539 15.92000 19.6800 401.33300 14.9 65.42000 15.03914 12.0300 393.82277 12.91442 12.73000 26.84576 12.7 5.97000 28.14846 15.6 4.16000 16.0500 437.78097 12.9200 583.61704 16.01000 13.93115 16.54152 12.2 4.46000 15.8 76.9 73.9 5.6 52.51655 16.51892 12.99000 22.29000 30.4700 392.1500 398.35552 15.06000 28.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 61.6200 662.64958 12.71811 12.53388 12.49166 12.47827 15.6 62 63.4200 445.4 65.23479 15.48000 11.44000 12.14160 16.3200 381.0200 547.89000 11.5 4.61649 16.7 84.9 5.6 3.5 48.9 72.9400 676.25206 16.4 71.54645 12.69000 22.9 55 57.5 6.8 63.4 67.2 74.61649 15.4 65.5 73.12000 13.54629 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 15.7 5.7 67 69.9 5.4 82.9 69.66534 12.46563 16.00305 12.24295 15.3300 416.50000 21.73062 12.5 3.8 50.98580 17.

9 93 93.6 105.1 5.5 100 99.3 99.5 79.4 86.5 7.6 87 88. indeks produktivitas dan tingkat pengangguran dalam persen.4 82 81.8 80.6 9.6 5.7 84. Pertanyaan: a.6 110.8 7.9 96.3 5.7 91.4 107.8 87.9 89.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 84.5 90.3 100 100.3 97.6 7.5 89. 91 .5 5.2 5.3 92.2 96.9 4.7 89.8 7.2 7 6.4 104.8 96.4 91.4 4. Lakukanlah Uji akar-akar unit.1 7.7 95.8 78.1 6.9 102. uji derajat integrasi dan uji kointegrasi pada data diatas untuk mengetahui apakah model yang digunakan merupakan model dinamis atau bukan.7 99.7 7.5 101.3 107.1 5.5 97.3 75.5 89.9 99.7 9.7 100.7 80.5 114 8.9 91 91.7 80.5 6.9 6. Data diatas menunjukkan Indeks kompensasi.9 95.5 4.6 6.3 95.2 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.

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