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

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

PENANGGULANGAN TERHADAP MULTIKOLINEARITAS Cara menanggulangi multikolinearitas : 1.2 Tampilan Correlation Matrix C.PELANGGARAN ASUMSI KLASIK Maka hasil yang didapat akan seperti tampilan berikut : Gambar 4. Salah satu cara utnuk menghilangkan multikolinearitas adalah menghilangkan satu atau lebih variabel bebas yang mempunyai kolinearitas tinggi. Menambah jumlah data / observasi Y = b1 + b2 X2 + b3 X3 + µ Dimana : Y = konsumsi X2 = pendapatan X3 = harga barang itu sendiri Pendapatan dan harga barang itu sendiri merupakan dua variabel yang saling mempengaruhi sehingga mengakibatkan terjadinya Multikolinearitas. Adapun langkah-langkahnya sebagai berikut : 1. Klik Views. lalu pilih Cefficient Test dan klik Wald – Coefficient Restrictions. Penambahan data baru dapat menghilangkan Multikolinearitas yang tidak begitu serius. 2. Seperti tampilan berikut : 5 . yang setelah itu diuji dengan menggunakan Uji Wald.

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

05) maka penghilangan variabel yang mengandung multikolinearitas tidak akan mengubah interpretasi dari persamaan regresinya sehingga penghilangan variabel tersebut diperbolehkan. INTERPRETASI PENGUJIAN WALD TEST • Jika F statistik signifikan (probabilita < 0.PELANGGARAN ASUMSI KLASIK 3.05) maka penghilangan variabel bebas yang mengandung multikolinearitas akan mengubah interpretasi dari persamaan regresinya sehingga penghilangan variabel tersebut tidak diperbolehkan. Contoh soal : (soal dibawah ini akan terus digunakan untuk materi praktikum-praktikum selanjutnya) 7 . Jika F statistik tidak signifikan (probabilita > 0. Hasil akan seperti tampilan berikut : Gambar 4. Dengan kata lain sekalipun variabel tersebut mengandung multikolinearitas namun memiliki pengaruh terhadap variabel dependentnya.5 Tampilan Layar Uji Wald D. • 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.

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

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

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

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

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

PELANGGARAN ASUMSI KLASIK = α + β 1n Xi + vi Jika β signifikan. maka ada heteroskedasitas dalam data sebab hipotesis pengujian heteroskedasitas adalah : H0 : Tidak ada heteroskedastisitas Ha : Ada heteroskedastisitas Contoh: Berikut adalah data hipotetis tentang Pengeluaran Konsumsi (Y) dalam Juta Rp dan Pendapatan (X) dalam juta Rp pertahun pada 30 responden di DKI Jakarta (Sudah di rangking dari yang terkecil ke yang terbesar): No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 Y 55 70 75 65 74 80 84 79 90 98 95 108 113 110 125 115 130 135 120 140 144 152 140 137 145 175 189 180 13 X 80 85 90 100 105 110 115 120 125 130 140 145 150 160 165 180 185 190 200 205 210 220 225 230 240 245 250 260 .

944732 S.182968 Sum squared resid 2361.06134 7. Pada tampilan hasil regresi.0538 Durbin-Watson stat 1.D.000000 Berdasarkan print-out tersebut dapat dihitung nilai residual (µI) untuk kemudian di kuadratkan dan di Ln kan.PELANGGARAN ASUMSI KLASIK 29 30 178 191 265 270 Print out berikut adalah hasil regresi OLS dengan model Y = f (X.946638 Adjusted R-squared 0.7183 0.336918 7. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Prob.637785 R-squared 0.0866 0.0000 119.e) Dependent Variable: Y Method: Least Squares Date: 06/07/01 Time: 09:00 Sample: 1 30 Included observations: 30 Variable Coefficient C 9.231386 1.775879 0.E.590347 Std. Error t-Statistic 5. Caranya sebagai berikut: a.290307 X 0.7333 39. 0.028617 22. of regression 9.153 Log likelihood -108.430332 496.28718 Mean dependent var S. klik View lalu pilih make residual series dan ketik Residual dan kilk OK seperti tampilan berikut ini: 14 .

8154 (tidak signifikan pada α = 5%). Hasil Uji Park Dengan meregres model : LNRES2 = f (LNX) maka diperoleh hasil seperti Gambar 2. dengan demikian dapat diketahui variabel mana yang menyebabkan adanya heteroskedastisitas 15 . hal ini berarti bahwa tidak ada heteroskedastisitas pada model tersebut. Note: Pada uji Park ini.2. jika variabel bebasnya lebih dari 1 maka diregres secara terpisah. Dari hasil print out tersebut terlihat bahwa koefisien LNX memiliki probabilitas 0. 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 8.1.2.

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

61567 0.6734 Prob.PELANGGARAN ASUMSI KLASIK Dengan data yang sama pada uji Park di atas.65728 0.08373 7.E. 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).91466 6.08333 14.520159 6.849565 9 6 R-squared 0.84528 Akaike info 3 criterion Sum squared resid 341. yaitu observasi ke 13 s/d observasi ke 18.777291 2 6 X 0. Error t-Statistic t C 7.31711 Prob(F-statistic) 6 Hasil Regresi kelompok I dengan RSS1 = 341. of regression 5. dependent var 2 S.53586 0. 0.41214 9.673 Schwarz criterion 4 Log likelihood -37.4550 0.0000 81.86036 Mean dependent 6 var Adjusted R-squared 0.D.84640 S.000014 Dependent Variable: Y Method: Least Squares Date: 06/07/01 Time: 09:03 Sample: 19 30 17 .1209 F-statistic 5 Durbin-Watson stat 2. maka dibuang 20% nilai tengah dari total observasi (6 observasi). 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.600977 61.

965 -45. df = {30 – 6 – 2(2)}/2 = 10) = 2.762489 11.85 F-stat < F-tabel ⇒ c.784081 0.PELANGGARAN ASUMSI KLASIK Included observations: 12 Variable Coefficient C -49.965 F-stat = 3. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.52807 1328.8896 F-tabel (α= 5%. tidak ada heteroskedastisitas = 18 .02607 7 Mean dependent var S. Jika terjadi keraguan maka sebaiknya digunakan uji white yang pada prinsipnya meregres residual yang dikuadratkan dengan variabel bebas pada model.6734 Jika digunakan (α= 1%) maka F-tabel (α= 1%.965/341.6545 5 7. Uji White Hasil uji park bisa berbeda dengan uji Golfeld and Quant.3136 1 0.27076 1.98 F-stat > F-tabel ⇒ ada heteroskedastisitas = RSS2/RSS1 = 1328.74731 X R-squared Adjusted R-squared S.87845 9 7.882258 0.0001 157. Error t-Statistic 34.583 3 23.D. 0. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Prob.43919 2 0.1807 0.00012 8 Hasil regresi kelompok II dengan RSS2 = 1328.95927 7 36.56614 -1.146407 6. df = {30 – 6 – 2(2)}/2 = 10) 4.315331 Std.E.

e) : µ2 = f(X1. X12. menspesifikasikan variabel bebas dan variabel tidak bebas. e) Maka model White test mempunyai dua kemungkinan yaitu: Kriteria uji White adalah jika : Obs* R square > χ2 tabel. maka ada heteroskedasitas Prob Obs* R square > 0.05.X22. e) : µ2 = f(X1. Tampilan Layar Menu Uji White Contoh: 19 . seperti pada gambar berikut : Gambar 2. X2. maka tidak ada heteroskedastisitas Langkah-langkah pengujian White Test : 1. X12.e) Maka model White-test nya adalah : µ2 = f(X.3.05. X2. Lakukan estimasi fungsi regresi terlebih dahulu.X2. e) Jika modelnya Model no cross term Model cross term : Y = f(X1.X22. maka tidak ada heteroskedasitas atau Prob Obs* R square < 0. maka ada heteroskedasitas Obs* R square < χ2 tabel. Residual Test. X1X2. 2. Klik View. White Heteroskedasticity (Cross term or no Cross term). X2.PELANGGARAN ASUMSI KLASIK Jika modelnya : Y = f(X.

05.253503 Mean dependent var S.8355 Durbin-Watson stat 1.330902 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 -12.069568 Std.001700 R-squared 0.116785 S.071274 Obs* R. C.8043 Sum squared resid 302252.PELANGGARAN ASUMSI KLASIK Dengan data yang sama pada uji park dan goldfeld and quant.071274 0. 0.25570 12. PENANGGULANGAN TERHADAP HETEROSKEDASTISITAS 1. Error t-Statistic 191.E. berikut ditampilkan hasi uji white: White Heteroskedasticity Test: F-statistic 2.177697 Adjusted R-squared 0.8018 78.331 = 5.maka tidak ada heteroskedastisitas Note: df pada χ2 tabel adalah jumlah variabel bebas (regresors) pada regresi model White-test kecuali konstanta.9493 0.D.368760 0.7731 -0.39582 2.990 Obs* R square < χ2 tabel.006707 0.197385 X^2 0. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Prob.917301 Obs*R-squared 5. Transformasi Logaritma Natural Jika model berikut ini mengandung heteroskedastisitas : Y i = α1 + α2 + u i 20 .064119 2.5823 12.square χ2 tabel dengan (α= 5%.917301 0. of regression 105.0695 Prob Obs* R square > 0.856573 Probability Probability 0.29621 X 0.7 Log likelihood -180.df = 2) = 5.9342 0.083329 0. maka tidak ada heteroskedasitas atau Prob Obs* R square = 0.70511 112.

Dengan demikian koefisien regresi dari model baru didapat dengan menggunakan OLS tersebut menjadi unbiased. consistent dan efficient. 2. Variabel bebas (independen) yang mengandung heteroskedastisitas tersebut diperoleh dari pengujian White-Test.PELANGGARAN ASUMSI KLASIK Lakukanlah tranformasi seperti model logaritma di bawah ini : LnYi = βi + β2 LnXi Transformasi dalam bentuk logaritma akan memperkecil skala dari observasi dan kemungkinan besar varians juga akan semakin mengecil dan ada kemungkinan homoskedastisitas terpenuhi. Transformasi Dengan Membagi Persamaan Dengan Variabel Bebas Jika model regresi yang telah diuji terdapat heteroskedastisitas maka salah satu penanggulangannya dapat dilakukan dengan membagi persamaan regresi tersebut dengan variabel bebas (independen) yang mengandung heteroskedastisitas. Yi = α1 + α2Xi + ui E (uiXi) ≠ 0 dan E (ui2) ≠ δu2 Jika diasumsikan (ui2) = δ2 ≠ 0 maka dengan mentransformasikan model regresi tersebut diperoleh model regresi baru sebagai berikut : Yi / Xi = bo / Xi + b1 + ui/Xi Dimana : Var (ui/Xi)2 = 1/Xi2 var (ui)2 = 1/Xi2 δ2 Xi2 = δ2 Homoskedastisitas Maka kesalahan penggangu menjadi homoskedastisitas. 21 .

8 9.62 6.7 Profit 185. 9 178.0 101.645 .31 4.02 5.4 14. 2 6.29 4.6 80.487 .8 R&D 62. 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 6.787 .8 13.5 276.1 4.869 .PELANGGARAN ASUMSI KLASIK Soal latihan: Berikut adalah data Biaya R & D.1 225.454 .2 26. 8 2.4 70.76 1.7 141.7 5.1 3.31 5.86 9.29 5.438 . 7 509.9 2.3 32. 1 1.4 13.9 175.8 95.55 2.14 1.210 .107 .10 7.569 .6 1.1 116.1 3.6 421.64 9. 9 3.8 10.0 1.083 .375 . 4 494.5 4.7 40.884 .163 .620 .3 16.595 .918 .620 .3 122.3 11. 5 92.761 . 3 258.40 8.3 6.774 .828 .278 .4 19.036 . 7 1.751 .40 5.65 5.1 21.9 8.5 .9 4.6 35.

54 3. Lakukanlah regresi terhadap R & D = f(Sales.626 . Jika ada penyakit heteroskedastisitas atau membagi sembuhkanlah dengan dengan yang Transformasi logaritma variabel menyebabkan terjadinya heteroskedastisitas. c. Profit. Interpretasikanlah hasil yang sudah disembuhkan.5 293. 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.e) b.6 18.415 . Lakukanlah Uji White dengan metode cross term b.8 9.61 4. 23 .528 .703 .4 a.2 22.PELANGGARAN ASUMSI KLASIK 17 Minyak 18 Automotif 230.0 1.

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

PELANGGARAN ASUMSI KLASIK ut = Yt . . e.….βkXk ..βkXk c. jumlah variabel independen / bebas (k) serta tingkat signifikansi tertentu (α). Nilai DW hitung dibandingkan dengan DW kritis dengan kriteria penerimaan dan penolakan hipotesis sebagai berikut : HIPOTESIS NOL KEPUTUSAN KRITERIA Ada auto korelasi positif Tolak 0 < d < dl Tidak ada auto korelasi Tidak ada dl < d < du positif keputusan Ada auto korelasi negatif Tolak Tidak ada auto korelasi Tidak negatif Tidak ada auto korelasi keputusan Jangan tolak 4-dl < d < 4 ada 4-du < d < 4-dl du < d < 4du Dari penjelasan di atas dapat dilihat pada gambar di bawah ini : 25 .β1X1 . Hitung Durbin – Watson dengan rumus sebagai berikut : Dimana: t = periode n = jumlah observasi ut = Residual periode t ut-1 = residual periode t-1 d. Hitung Durbin Watson kritis yang terdiri dari nilai kritis dari batas atas (du) dan batas bawah (dl) dengan menggunakan jumlah data (n).β2X2 .βo .

ketik 1. seperti gambar di bawah ini : 26 . serial correlation LM Test. Klik View.PELANGGARAN ASUMSI KLASIK 2.1 Tampilan Layar menu LM Test c. sehingga akan muncul hasil print-out seperti ini : Gambar 3. UJI LANGRANGE MULTIPLIER (LM TEST) Langkah-Langkah Pengujian : a. Estimasi persamaan model dengan OLS b. Kemudian untuk Lags to include. Residual Test.

dimana : # # Jika R2 (T-1) > X2 atau probabilitas R2 (T-1) < 0.ρX2 t-1) + (ut .ρY t-1 = βo . 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 ………………………….05.βoρ + β1X1 t . PENANGGULANGAN TERHADAP AUTOKORELASI Dengan menggunakan “COCHRANE – ORCUTT PROCEDURE” 1.ρY t-1 = (1-ρ) βo + β1(X1 t .ρX1 t-1) + β2 (X2 t .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 . maka tidak ada autokorelasi D.ut–1ρ) Dimana : Yt* = Yt .ρβ1X1 t-1 + β2X2 t + ρβ2X2 t-1 + ut . Buat estimasi persamaan regresi awal dan hitung residualnya (ut) Yt = βo + β1X1t + β2X2 + ut 2. Buat estimasi persamaan regresi untuk periode t-1 Y t-1 = βo + β1X1 t-1 + β2X2 t-1 + ut 3.05.PELANGGARAN ASUMSI KLASIK Gambar 3.ut–1ρ Y t .2 Tampilan Layar menu LM Test (LAGS) d.ρYt-1 βo* = (1-ρ) βo X 1t* = (X 1t .ρ X1t-1) 27 . Lihat hasil print-outnya.

sehingga muncul hasil regresi di halaman berikut : Breusch-Godfrey Serial Correlation LM Test: F-statistic 15.2 X2.715324 Probability 28 0. 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).PELANGGARAN ASUMSI KLASIK X 2t* = (X 2t . Durbin-Watson Test 2. LM-Test b. Buat estimasi nilai ρ melalui estimasi fungsi residual ut = ρut-1 +v.ut-1ρ) 4.25434 Probability Obs*R-squared 8. pada hasil estimasi ρ = coefficient resid (1) 5. ut adalah residual. 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. Lakukanlah penanggulangan autokorelasi 3. Interpretasikanlah model yang telah ditanggulangi Jawaban 1. Lakukanlah pengujian autokorelasi dengan menggunakan : a.3 Contoh Soal Autokorelasi Soal yang digunakan adalah contoh soal 1 (praktikum I) Instruksi : 1.1 C X2.ρ X2t-1) ut* = (ut . Lalu lakukan regresi untuk perbaikan autokorelasi dengan MAKE EQUATION Y2.00245 2 0.00315 .

D. Tugas / Quiz 2 Soal 1.7 1.5 41.01893 1 0.9836 0 5. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) HASIL REGRESI LM-TEST Lihatlah hasil regresi di atas : Probabilita Obs* R-Squared = 0.003155 lebih kecil daripada α (5%).240.797.128. Error t-Statistic Prob.484 0.051350 -0.5669 0.0 CPI 38. 0.PELANGGARAN ASUMSI KLASIK 5 Test Equation: Dependent Variable: RESID Method: Least Squares Date: 03/16/01 Time: 13:27 Variable Coefficien t RSBI 0.789838 1.08477 9 0.5 3 22. maka terdapat autokorelasi. 0 368.088.8 GDP 1.452.0 4.765. CPI suatu Negara.466755 19280.8 40.0 55.142287 0.825773 Std.0 45. GDP.82 4.213.425.742.590318 9666.866.894039 GDP -0.4 Tahun 1985 1986 1987 IMPOR 338.2817 0. tahun 1970 -1998 Tahun 1970 1971 1972 IMPOR 39.09E+09 -166. Untuk soal no. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.258673 -3.6 113.131926 0.581022 Adjusted R-squared S.6 1.905680 Mean dependent var S. Perhatikanlah data dibawah ini : Data Impor. 0 409.010293 R-squared 0.418 RESID(-1) -1.8894 0.039.7947 9 22.579.9 4.0025 -6.9609 1. 2 dan 3 perhatikan pembahasan asisten di depan kelas.5 29 .030313 C 1375. Atau untuk pengujian dapat juga membandingkan Obs* R-Squared dengan tabel Chi-Squared. CPI 107.6 109.6 GDP 4.E.79E12 26403.

0 103.0 3. 0 803.5 148.400.4 2.228. 0 498.0 151. 0 490.5 22.823.300. 0 668.007.3 5.2 140.6 65.3 53.295.0 265. 0 917.3 124.2 40.5 163.189.642.0 212.385.365.750.932.2 8. Regresikanlah model di atas 2.590.981.7 100 103 106 113 106 109 110 101 66 73 78 92 78 90 92 74 BK 22.002.3 144.6 103.185.108.9 6.259.366.3 38.0 268.2 72.131.327.907.9 160.2 3.803.0 124.813.9 96.067.9 Ln Impor = f (LnCPIt .4 2.0 1.811.4 156.0 176.9 1.901. 0 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 1983 1984 70. 0 876.PELANGGARAN ASUMSI KLASIK 0 447.6 39.795.0 332.5 99.1 5. LnGDP) Pertanyaan : 1.9 2.8 56.489.5 22.2 6. 0 749.5 7.5 25 25 25 30 .759.2 5.574.3 7.318.031.0 249.6 82.0 130. Lakukanlah pengujian Multikolinearitas 3. No Obs 1 2 3 4 5 6 7 8 Data Peggunaan BBM pada Mobil Angkutan Kota PBBM KEC TK 39. 0 589.534.2 152.337.0 247.178.9 60.4 90.3 3.499.0 44.2 1.7 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 118.418.7 136.3 7.501.9 2.986.8 38. 0 536.9 3.642.9 38.2 42.4 49.441.5 1.0 5.635.054.8 8.458.5 22.9 40.566. 0 477.5 22. Jika ada multikolinearitas apakah kita dapat membuang variabel yang menyebabkan multikolineritas tersebut ? Soal 2.0 98.

60 249.89 hasil regresi yang sudah bebas dari 31 .3 32. d.224.78 33.60 352.4 35.93 22.10 220. e) b.00 22.00 19. Interpretasikanlah heteroskedastisitas.90 219.491.438.85 53.00 26.646.30 57.551. BK. 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 27.90 234.40 1.01 30.9 32.349.89 45.50 1.30 1.4 38.30 1.2 32.68 39.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 1.5 111 102 27.1 35.1 36.8 38.5 102 81 27.504. TK.3 38.77 54. c.3 35. YEAR 1973 1974 1975 1976 1977 1978 1979 1980 Data Faktor-Faktor Yang Mempengaruhi Harga Timah HT IHP HTL JPR HA 21.00 19.80 1.10 329.90 259.41 19. Soal 3.4 38.10 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.5 106 90 27. Golfeld and Quant Test dan White-test. Tanggulangilah penyakit tersebut dengan metode yang anda ketahui.4 46.00 21.63 53.60 1.29 50.2 32.30 256.18 61.382.52 26.9 36.5 111 102 27.1 35.00 27.5 103 84 27.5 106 90 27.2 32.1 35 33.5 103 84 27.58 61. Lakukan pengujian heteroskedastisitas dengan Park Test.00 26.5 112 103 27.00 23.00 20.2 32.3 36.

60 129.60 1.10 620.195.60 97.40 147.057.90 32.50 77.80 780.20 119.80 2.30 98.00 109. Kerjakanlah soal-soal di atas pada kertas HVS.42 61.321. sertakan pula hasil print-out anda.989.62 23.50 64.00 1.23 54.20 107.00 66.49 51.00 26.00 35.50 59.20 1.20 233.06 39.80 468.70 1.10 940.40 69.80 38.88 22.20 117.60 81.87 Pertanyaan: a.33 34.80 727.70 229.492.01 70.90 42.10 30.80 588.10 750.80 137.20 101.70 427.72 24. Kumpulkanlah minggu depan pada praktikum IV! BAB V PERSAMAAN SIMULTAN 32 .85 27.00 1.10 66.023.171.60 444.469. Regresilah model LnHT = f (LnIHP.10 2.365.80 66.749.30 877.23 25.298.60 66.10 1.80 555.40 89.18 28.50 24. Jika ada.00 30. LnHTL.00 52.70 1.634.80 76.60 100. e) dengan terlebih dahulu merubah data dalam bentuk Ln b.46 23.60 1.PELANGGARAN ASUMSI KLASIK 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 Ket: 30.50 145.40 47.20 1.50 24.80 72.30 129.50 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) 26.30 152. maka sembuhkan penyakit tersebut dengan terlebih dahulu menghitung koefisien ρ.60 1.79 44.40 1. LnJPR.60 1.90 1.70 1.378.50 935.50 234.70 64.72 29.084.545.30 525.20 709.296. Apakah ada penyakit autokorelasi ? (Gunakan D-W test dan LM – Test) c.352.20 106.20 1.561.80 1.70 32.499.90 1.547.80 2.50 30.553.nya.50 51.80 556.70 347.50 129.20 245.00 418.67 25.509.90 111.50 58.58 27.00 1. LnHA.70 36.80 237.40 2.98 25.

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

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

Jika M-1 < 1. maka persamaan tersebut overidentified. maka persamaan tersebut identified . Jika K – k < m –1. Order Conditions Syarat identifikasi suatu persamaan struktural: Pada persamaan simultan sejumlah M persamaan (yang tidak mempunyai predetermined variable) M-1≥1 Jika M-1 = 1. maka persamaan tersebut identified. maka persamaan tersebut overidentified . maka persamaan tersebut unidentified. 35 . 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. 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.PELANGGARAN ASUMSI KLASIK 1. jika tidak maka tidak identified. maka persamaan tersebut unidentified . agar identified maka M-1 = 1. Jika M-1 > 1.

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

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

α2 X + β2 Pl + u .α0 .β1 P = β0 .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 .

663099 Adjusted R0.0014 0.847730 stat Dependent Variable: Q Method: Least Squares Date: 03/18/02 Time: 16:23 Sample: 1970 1991 Included observations: 22 Variable Coefficient X 0.004477 4. dependent var F-statistic Prob(F-statistic) Prob.34395 . kemudian masukkan pada koefisien reduced form untuk menaksir koefisien struktural.0000 100.0059 0. Ambil nilai koefisien dari hasil regresi tersebut. β1 dan β2 Langkah-langkah ILS: 1.735081 0.42454 9.0909 24. dependent var F-statistic 39 Prob.8636 12. α1.32565 R-squared 0.626663 16. Error t-Statistic 0.559637 squared Log likelihood -75.52976 Durbin-Watson 0.965133 5. α2.0007 0.D. 0. Regres persamaan reduced form dengan metode OLS.000032 Std.615342 C 95.69819 0.96355 Std.096827 10.017971 PL -1.39545 14.D.0000 109.207526 -2.627636 squared Log likelihood -89.002417 3. Hasil Regresi OLS persamaan reduced form Dependent Variable: P Included observations: 22 Variable Coefficient X 0.025651 Mean dependent var S. β0.009026 PL -0.08825 R-squared 0.0080 0. yaitu : P= Π0 + Π1 X + Π 2 Pl +Ω1 Q= Π 3 + Π 4 X + Π 5 Pl +Φ2 2.190681 C 94.601576 Adjusted R0.014026 0.97410 18.384484 -3. Error t-Statistic 0.94177 Mean dependent var S. 0.PELANGGARAN ASUMSI KLASIK Dari persamaan reduce form-nya diperoleh 6 koefisien reduksi yaitu: Π0 Π1 Π2 Π3 Π4 dan Π5 yang akan digunakan untuk menaksir 6 koefisien structural yaitu α0.

Regres Variabel Q dengan PF dan RES1. Metode ini dapat diterapkan pada kasus exactly identified. 2. 3. Dengan TSLS tidak ada kesulitan untuk menaksir standar error.PELANGGARAN ASUMSI KLASIK Durbin-Watson stat 2. karena koefisien struktural ditaksir secara langsung dari regresi OLS pada langkah kedua (sedangkan pada ILS mengalami kesulitan dalam menaksir standar error). CONTOH METODE 1 UNTUK TSLS: Persamaan simultan adalah sebagai berikut : Qd= a11 + a12 P+ a13 X + v Qs= b11+ b12 P + b12 Pl + u Langkah-langkah TSLS: (untuk persamaan 1) 1. penerapan TSLS menghasilkan taksiran tunggal (sedangkan ILS menghasilkan taksiran ganda). Untuk persamaan yang overidentified. Q = b11 + b12 PF+ b13 RES1 + b14 X + v 40 . Buatlah nilai Fitted dan Residual dari regresi tersebut (PF dan RES1).000160  Two Stage Least Squares (TSLS) Metode TSLS sering digunakan dengan alasan: 1. Pada kasus ini taksiran TSLS = ILS. 3. Regres P = a11 + a12 Pl+ a13 X + v 2.276325 Prob(F-statistic) 0.

56057 5 . of regression 15.627636 S.017971 0.00447 4.9741 0 8.014026 7 C 94.1 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. Error t-Statistic PL -1.0059 0.668 Schwarz criterion resid 41 Prob.41179 7 8.PELANGGARAN ASUMSI KLASIK Gambar 4. 0.D.190681 0.38448 -3.E.08825 10.096827 4 X 0. dependent var squared S.23961 Akaike info criterion Sum squared 4412.0007 0.4245 9.663099 Mean dependent var Adjusted R0.090 9 24.0000 109.025651 4 R-squared 0.

847730 F-statistic Prob(F-statistic) 18.2 42 .52976 0.6981 9 0.00003 2 Membuat fitted dari regresi P = a11 + a12 Pl+ a13 X + v Gambar 4.PELANGGARAN ASUMSI KLASIK Log likelihood Durbin-Watson stat -89.

PELANGGARAN ASUMSI KLASIK Gambar 4. Membuat residual dari regresi P = a11 + a12 Pl+ a13 X + v Gambar 4. 43 .3.4.

461684 9.435989 R-squared 0.89644 F-statistic Durbin-Watson 2.7744 0.000677 .425265 Akaike info criterion regression Sum squared 1277.126833 0.151495 0.E.516798 0.5.732 Schwarz criterion resid Log likelihood -75. 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.042096 0.39545 7.178522 2. dependent var squared S.8636 12. of 8. Error t-Statistic t PF 0.301464 Prob(F-statistic) stat Lakukan langkah yang sama pada persamaan yang lain! 44 Prob.331900 X -0.PELANGGARAN ASUMSI KLASIK Gambar 4.894866 RES1 0.0029 100.290921 C 46.D.7438 0.59172 3.603999 Mean dependent var Adjusted R0.000262 0.263313 7.0097 0.000899 -0.537999 S.70099 13.

pilih method TSLS Tuliskan instrument variable . Regres Variabel P dengan QF dan RES2. Regres Q = a11 + a12 Pl+ a13 X + v 2.PELANGGARAN ASUMSI KLASIK Langkah-langkah TSLS: (untuk persamaan 2) 1. Dependent Variable: P Method: Two-Stage Least Squares 45 . Klik OK Buatlah regresi P = a11 + a12 Q+ a13 Pl + v Gambar 4. 3.6 Hasil Regresi dengan Two Stage Least Squares (TSLS). pilih variabel yang dikehendaki akan diregresi . kemudian Klik estimation Setelah muncul Equation Specification. Buatlah nilai Fitted dan Residual dari regresi tersebut (QF dan RES2). P = b11 + b12 QF+ b13 RES2 + b14 X + v Metode 2 TSLS: Buka Workfile.

PELANGGARAN ASUMSI KLASIK

Date: 03/18/02 Time: 16:40 Sample: 1970 1991 Included observations: 22 Instrument list: PL X Variable Coefficien t PL 0.034507 Q 1.991068 C -95.71162 R-squared 0.330473 Adjusted R0.259996 squared S.E. of 21.48358 regression F-statistic 9.408793 Prob(F-statistic) 0.001446

Std. Error

t-Statistic

Prob. 0.8119 0.0103 0.1272 109.0909 24.97410 8769.343 1.790965

0.142983 0.241336 0.699260 2.847392 60.00985 -1.594932 Mean dependent var S.D. dependent var Sum squared resid Durbin-Watson stat

Dependent Variable: Q Method: Two-Stage Least Squares Date: 03/18/02 Time: 16:42 Sample: 1970 1991 Included observations: 22 Instrument list: X PL Variable Coefficie Std. Error t-Statistic nt P 0.51679 0.231710 2.23036 8 4 X -0.00026 0.001167 -0.22414 2 1 C 46.7009 17.64115 2.64727 9 5 R-squared 0.29582 Mean dependent 2 var Adjusted R0.22169 S.D. dependent var squared 8 S.E. of 10.9354 Sum squared resid regression 4 F-statistic 8.11581 Durbin-Watson stat 0 Prob(F-statistic) 0.00283 3

Prob. 0.0380 0.8250 0.0159 100.863 6 12.3954 5 2272.09 3 1.76922 7

46

PELANGGARAN ASUMSI KLASIK

 System Method / Full Information Method Dalam metode ini, seluruh persamaan dalam model diperhitungkan bersama-sama dan ditaksir secara simultan dengan memperhatikan seluruh batasan yang ada dalam sistem persamaan dalam model. Contoh Metode System dengan menggunakan Eviews: Klik Object, kemudian pilih New object

Gambar 4.7 Pilih System kemudian klik OK

47

PELANGGARAN ASUMSI KLASIK

Gambar 4.8

Tuliskan INST diikuti variabel instrumen-nya atau predetermined variabel Inst x Pl P= C(1) + C(2) *Q+ C(3)* PL Q= C(4) + C(5) *P+ C(6)* X

48

Error t 49 t-Statistic Prob. Gambar 4. System: UNTITLED Estimation Method: Two-Stage Least Squares Date: 03/18/02 Time: 15:52 Sample: 1970 1991 Instruments: PL X C Coefficien Std. . Hasil regresi persamaan simultan dengan menggunakan System. Klik. Pilih Two Stage Least Squares (TSLS) dan Simultaneous.PELANGGARAN ASUMSI KLASIK Gambar 4.10. kemudian klik OK. Procs kemudian klik estimate.9.

221698 S.23171 2.847392 0.69926 2.00116 -0.0098 -1.33047 Mean dependent 109.14298 0.224141 0.71162 50 .1190 5 C(2) 1.8636 var Adjusted R0.0071 0 C(3) 0.343 8 Durbin-Watson stat 1. of regression 21.594932 0.93544 Sum squared resid 2272.8106 3 C(4) 46.E.230364 0.E.647275 0. of regression 10.0117 5 C(5) 0.093 Durbin-Watson 1.000262 0.70099 17.295822 Mean dependent 100.39545 squared S.0317 0 C(6) -0.0909 3 var Adjusted R-squared 0. dependent var 12.034507 0.6411 2.25999 S.516798 0.D.D.97410 6 S.79096 5 Equation: Q=C(4)+C(5)*P+C(6)*X Observations: 22 -------------------------------------------------------------------------------------------------------------------------------R-squared 0. dependent var 24.241336 0.8238 7 Determinant residual 9.78409 covariance 7 Equation: P=C(1)+C(2)*Q+C(3)*PL Observations: 22 -------------------------------------------------------------------------------------------------------------------------------R-squared 0.PELANGGARAN ASUMSI KLASIK 60.4835 Sum squared resid 8769.991068 0.769227 stat C(1) -95.

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

PELANGGARAN ASUMSI KLASIK P= η11+ η 12 X + η 13 Pl +Ω Q= η 14 + η 15 X + η 16 Pl +Ω  Variabel endogen: P Tahap 1 : Meregresikan Pt pada variabel-variabel eksogen (X) dan (Pl) Tahap 2 : Dapatkan residual dan fitted dari regresi di atas (masukkan dalam data / variable) Tahap 3 : Regres variabel endogen yang lain (Qt) pada residual dan fitted yang telah dibuat.19068 0. Gambar 4.384484 -3. Tahap 4 : Lakukan pengujian.11 Hasil regresi : Dependent Variable: P Method: Least Squares Date: 03/19/02 Time: 21:24 Sample: 1970 1991 Included observations: 22 Variable Coefficie Std. Jika variabel residual signifikan.0059 52 . Error t-Statistic PL Prob. nt -1. maka persamaannya adalah simultan.09682 0.

698 19 0.09 09 24.84773 0 F-statistic Prob(F-statistic) Membuat Fitted dari hasil regresi Gambar 4.66309 Mean dependent 109.62763 S. dependent squared 6 var S. of regression 15.025651 0.PELANGGARAN ASUMSI KLASIK X C R-squared Adjusted R- 1 7 0.004477 4.0007 1 94.5297 6 0.0000 5 0.66 Schwarz criterion 8 -89.2396 Akaike info Sum squared resid Log likelihood Durbin-Watson stat 1 criterion 4412.E.5605 75 18. pilih forecast Membuat Residual dari hasil regresi 53 .01797 0.0882 10.974 10 8.D.4117 97 8.12 Klik Procs.42454 9.0000 32 9 var 0.014026 0.

pilih Make Residual Series Gambar 4.13 Beri nama RESID1 Gambar 4.14 54 .PELANGGARAN ASUMSI KLASIK Klik Procs.

9480 4 2.7374 0.27898 0 F-statistic Prob(F-statistic) 55 .47201 0.PELANGGARAN ASUMSI KLASIK Buatlah regresi Q = b0 + b1 Resid1 + b2 Pfit + e Hasil regresi di atas adalah sebagai berikut : Dependent Variable: Q Method: Least Squares Date: 03/19/02 Time: 21:29 Sample: 1970 1991 Included observations: 22 Variable Coefficie Std.340196 6 0.56025 S.86 36 12.E.048068 4 0.3711 9.088201 5. 0.780205 5.60213 Mean dependent Prob.0001 58 8 var 0.04209 0.21980 Akaike info 8 criterion 1283.1770 94 7.395 45 7.351585 5 49. of regression Sum squared resid Log likelihood Durbin-Watson stat  Variabel endogen : Qt Tahap 1 : Meregresikan Qt pada variabel-variabel eksogen (X dan Pl) Tahap 2 : Dapatkan residual dan fitted dari regresi di atas (masukkan dalam data / variable) nt 0.74 Schwarz criterion 0 -75.D.0001 100. dependent 7 var 8.0000 0.3258 73 14.123740 0. Error t-Statistic RESID1 PFIT C R-squared Adjusted Rsquared S.377 60 0.

Jika variabel residual signifikan.96513 0.343 95 0.PELANGGARAN ASUMSI KLASIK Tahap 3 : Regres variabel endogen yang lain (Pt) fitted yang telah dibuat.D.3272 83 14.55963 S. Error t-Statistic PL X C R-squared Adjusted R- Prob.0001 60 6 var 0.735081 0. maka persamaannya adalah simultan.E.94177 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.00902 0. pada residual dan Tahap 4 : Lakukan pengujian.86 36 12.60157 Mean dependent 100.61534 0. of regression 8.22560 Akaike info Sum squared resid Log likelihood Durbin-Watson stat 6 criterion 1285.395 45 7.0000 5 0.002417 3.9635 5 2.27632 5 F-statistic Prob(F-statistic) Hasil regresi dari P = b0 + b1 RESID2 + b2 Qfit + e Dependent Variable: P Method: Least Squares Date: 03/20/02 Time: 08:20 Sample: 1970 1991 56 .207526 -2.0014 6 95.1785 05 7.0080 2 3 0.626663 16.55 Schwarz criterion 1 -75.3256 5. dependent squared 7 var S. nt -0.

5605 84 18.14449 0.PELANGGARAN ASUMSI KLASIK Included observations: 22 Variable Coefficie Std.11202 0.04034 -2.96616 0.4118 06 8. dependent squared 2 var S. nt 0. Soal Simultan: Diketahui model persamaan simultan adalah sebagai berikut : R t = a 0 + a 1 Mt + a 2 Y t + u Yt = b0 + b1 Rt + b2 It + v Dimana: Rt = Suku bunga Mt =Jumlah uang beredar 57 .2396 Akaike info Sum squared resid Log likelihood Durbin-Watson stat Kesimpulan : 8 criterion 4412.339955 0.974 10 8. of regression 15.70 Schwarz criterion 9 -89.D.697 93 0.105759 0.E.88690 8 F-statistic Prob(F-statistic) Nilai Residual tidak signifikan.09 09 24.0000 1 -103.345906 6. Error t-Statistic RESID2 QF2 C R-squared Adjusted R- Prob.5298 7 0.0079 2 0. jadi tidak terjadi hubungan simultan antara kedua persamaan tersebut.935 35.62763 S.425041 0.7376 5 2.0000 32 6 var 0.66309 0 Mean dependent 109.

084 .0 4.4 4.5 10 7.998 . 2 901.269 . 1 855. 1 802.760 M PMDN 626.578 .0 3.697 .5 62 4.9 1.5 . 2 555.511 .015 . 58 R 6. 4 710.1 22 5.1 78 7. 436.9 1.5 11 4. 9 1. 0 606. 5 561.4 66 7.8 4.123 .4 4.151 .7 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. 4 713.4 4. 5 639.2 66 5.311 .7 1. 7 462. 8 543.099 .365 2 485.9 26 6.7 4.

0 50 6.0 90 5. 9 1.6 1.484 .5 70 3.7 2.1 1.8 7.8 00 7.0 7.158 .4 6.9 6.277 .676 .0 1.0 4.368 .0 17 11.3 5.3 6.3 3.900 .913 .7 3.0 30 6.6 60 6.505 . 8 936.717 .7 50 9. 5 899. 3 715. 4 857.7 1.393 59 72 10.4 3.499 .8 3.909 .347 .495 .062 .107 .3 74 13.1 40 4.343 .912 .140 .6 1.1 1.0 2.4 2.113 .641 .4 6.7 7. 5 907.242 .5 90 5.994 .309 .473 . 6 615.3 5.707 .9 6.2 5.1 2. 5 863.6 4.9 5.912 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 .1 5.028 0 735.813 .1 4.1 2.PELANGGARAN ASUMSI KLASIK .132 . 7 879.599 . 2 673. 3 902.126 . 4 655.021 .0 84 8.7 76 11.0 3.5 2.591 .4 70 5.6 3.6 60 5.2 8.4 3.4 6.0 40 7.9 3.4 90 3.5 1. 7 871.6 7.3 4. 8 977.9 20 8.813 .754 .831 . 3 829.1 .430 .880 .732 .376 .159 .

6 4. Hal ini disebabkan karena sebagian besar analisis ekonomi berkaitan erat dengan analisis runtun waktu (time series) yang sering diwujudkan oleh hubungan antara perubahan suatu besaran ekonomi dan kebijakan ekonomi pada 60 .380 .8 50 4.8 .PELANGGARAN ASUMSI KLASIK .9 4.515 1998 1999 .875 .7 80 4.8 1.7 .3 1.669 .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.643 .7 8.566 .5 8.

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

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

.(3) 4. Dengan mensubstitusikan persamaan (1) ke persamaan (1).(4) 5..(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)f2 BLNPDBt + (a3b+(1-b) IHSGt . persamaan (6) dapat diubah ke dalam bentuk ECM 63 ..(1-b)f3 BIHSGt + (1-b) BLNVOLt….(5) 6. Pemecahan komponen koefisien (1-b) f (1-B) terhadap masingmasing variabel LNVOLt = a0b + (a1b+(1-b)f1) RDt – (1-b)f1 BRDt+ (a2b+(1-b)f2) LNPDBt . Melalui proses paramitasi..PELANGGARAN ASUMSI KLASIK b1+b2 maka b1+b2 b1+b2 LNVOLt = b LNVOLt* + (1-b) B LNVOLt (1-B) f (1-b) zt…. didapat LNVOLt = b LNVOLt* + (1-b) B LNVOLt (1-B) f (1-b) zt LNVOLt = b (a0 + a1 RDt + a2 LNPDBt + a3 IHSGt) + (1-b) LNVOLt (1-B) f (1-b) zt LNVOLt = a0b + a1b RDt + a2b LNPDBt + a3b IHSGt + (1-b) LNVOLt (1-B) f (1-b) zt…. Persamaan (5) merupakan persamaan dinamik LNVOLt = C0 + C1 RDt + C2 LNPDBt + C3 IHSGt + C4 BRDt + C5 BLNPDBt + C6 BIHSGt + C7 BLNVOLt….

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

PELANGGARAN ASUMSI KLASIK 12.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 . 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…. 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.(13) Dimana : d0 = C0 d1 = C1 d2 = C2 d3 = C3 BLNVOLt) 14.(12) 13..BLNVOLt)….

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

o UJI DERAJAT INTEGRASI Pengujian ini dilakukan untuk mengetahui pada derajat atau order diferensi ke berapa data yang diteliti akan stasioner. Kemudian nilai TStatistik tersebut dibandingkan dengan nilai kritis statistik DF dan ADF tabel untuk mengetahui ada atau tidaknya akar-akar unit. dimana N adalah jumlah observasi (sampel) Nilai statistik DF dan ADF untuk mengetahui pada derajat berapa suatu data akan stasioner dapat dilihat pada nilai T-Statistik pada koefisien regresi BDXt pada persamaan di atas. Jika ei dan g2 sama dengan satu (nilai statistik DF dan ADF lebih besar dari nilai statistik DF dan ADF tabel). 67 ADF : D2Xt = g0 + g1 T + g2 BDXt +∑ hi Bi D2Xt dimana . maka persamaan untuk derajat integrasi ditunjukkan dengan persamaan sebagai berikut : DF : D2Xt = e0 + e1 BDXt +∑ fi Bi D2Xt : D2Xt = DXt -DXt-1 BDXt = DXt-1 T = Trend waktu B = Operasi kelambaman ke periode t (backward lag operator) k = N1/3. maka variabel tersebut dikatakan stasioner pada derajat pertama. 1992b: 261-262). jika ternyata data tersebut tidak stasioner pada derajat pertama (Insukindro. Pengujian ini dilakukan pada Uji Akar-Akar Unit (langkah pertama di atas).PELANGGARAN ASUMSI KLASIK k = N1/3. 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.

1992b:262) Pengujian ini dilakukan untuk mengetahui apakah dalam jangka panjang terdapat hubungan antara variabel independen dengan variabel dependennya. yaitu Y = a0 + a1 X1 + a2 X2 + e Kemudian ambil nilai Durbin-Watson (DW) yang merupakan nilai CRDW Statistik Bandingkan nilai CRDW Statistik dengan DW Engle-Granger Jika nilai CRDW Statistik lebih besar dari DW Engle-Granger. dan sebaliknya Pengujian Kointegrasi dengan DF dan ADF Langkah-langkah yang harus dilakukan : Jika Y = f (X1. 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 . ternyata Uji CRDW (Cointegration-Regression Durbin-Watson).(Insukindro. Pengujian Kointegrasi dengan CRDW Langkah-langkah yang harus dilakukan : Jika Y = f (X1. 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. X2) Lakukan regresi dengan OLS. DF (Dickey-Fuller) dan ADF (Augmented Dickey-Fuller) merupakan uji statistik yang paling disukai untuk menguji ada tidaknya kointegrasi tersebut. maka artinya terdapat kointegrasi.PELANGGARAN ASUMSI KLASIK o UJI KOINTEGRASI Dalam melakukan Uji Kointegrasi harus diyakini terlebih dahulu bahwa variabel-variabel terkait dalam pendekatan ini memiliki derajat integrasi yang sama atau tidak.

Uji Akar-Akar Unit (Unit Root Test) Klik QUICK. 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 .PELANGGARAN ASUMSI KLASIK DF : DEt = p1DEt ADF : Det = q1Bet + ∑ wi Bi DEt Dapat dikatakan data berkointegrasi jika nilai T-Statistik dari p1 dan q1 lebih besar dari nilai DF Tabel dan ADF Tabel Engle & Granger. pilih AUGMENTED DICKEY FULLER (pada Test Type) LEVEL (pada Test for unit root in) INTERCEPT (pada Include in test equation) LAG yang diperoleh dari pembulatan N1/3 Untuk pengujian ADF. misalnya LNVOL Untuk pengujian DF. SERIES STATISTICS. Langkah-langkah pengujian ECM : 1. UNIT ROOT TEST Ketik variabel yang akan diuji.

2 70 .PELANGGARAN ASUMSI KLASIK QUIC SERIES STATISTIC UNIT ROOT TEST Gambar 5.1 LNVO 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

052 5 0.5367 Akaike info 68 criterion 8.31384 2.7811 0. of regression Sum squared resid Log likelihood Durbin-Watson stat 44 0.595 F-statistic 30 2.79429 1) R-squared Adjusted Rsquared S.3554 Schwarz 74 criterion -24.E.019 4 0.D.11123 84 5 3 0.47527 0.748 303 2.7148 S.86222 90 2 9 0.25135 2.072 7 0. Uji Kointegrasi Lakukan regresi dengan OLS (gambar 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 .083 2 -0.04 763 0.41949 1.0317 98 Prob(F-statistic) 3.00944 -1. dependent 56 var 0.2) D(LNVOL(-3).029 432 1.02221 56 2 3 0. MAKE RESIDUAL SERIES dan beri nama R01 Klik VIEW.7567 3 Mean 3 89 dependent var 0.6346 0.3703 0.17543 2.014 934 18.000 000 74 5 7 @TREND(1992: -0.005 205 1.2) C 0.2) D(LNVOL(-2).4) Klik PROCS.PELANGGARAN ASUMSI KLASIK D(LNVOL(-1).0169 0.6221 0.043 5 0.

4 R01 Gambar 5.628 0 -1.PELANGGARAN ASUMSI KLASIK lnvol rd lnpdb Gambar 5.5 Hasil Uji Kointegrasi ADF Test Statistic -2.950 .5442 61 1% Critical Value* 5% Critical 75 -2.

25321 28 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.6063 0. Aplikasi ECM Cari variabel ECT dengan cara: Klik GENR lalu ketik 76 ent Error Statistic -0.831 2 0. dependent 00 var 0.9404 76 Prob(F-statistic) .2682 2 Mean 5 0.20550 0.0443 0.1997 S.23830 -2. t. of regression Sum squared resid Log likelihood Durbin-Watson stat 4.PELANGGARAN ASUMSI KLASIK Value 10% Critical 4 -1.54426 08 4 1 0.801 7 -0.Prob.571 152 3.738 5 0.E. R01(-1) D(R01(-1)) D(R01(-2)) D(R01(-3)) R-squared Adjusted Rsquared S.515 731 1.D.016 0 0.0492 0.620 Value 6 *MacKinnon critical values for rejection of hypothesis of a unit root.33681 18 9 2 0.0692 0.113 F-statistic 70 1.018 524 0.22925 0.911 209 0.17506 0.21488 63 5 5 0.8115 Schwarz 87 criterion -21.4613 Akaike info 70 criterion 6.395 205 1.017 362 98 dependent var 0.

ESTIMATE EQUATION Pada Equation Specification ketiklah: D(LNVOL) C D(RD) D(LNPDB) D(IHSG) RD(-1) LNPDB(-1) IHSG(-1) ECT Gambar 5.29069 0.0025 77 . t. C ent Error Statistic -9.6 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.6586 2.Prob.PELANGGARAN ASUMSI KLASIK ECT=RD(-1)+LNPDB(-1)+IHSG(-1)-LNVOL(-1) Dalam e-views :BX Xt – Xt-1 = X(-1) = D(X) atau bentuk first diference Klik QUICK.93512 -3.

47829 Akaike info 2 criterion 7.04310 0.6257 0.0001 2 1 1 -0.14045 -4.5439 3 4 0 0.4259 4 5 2 0.0042 0 8 6 -0.0001 93 6 7 0.63249 0.61371 0.25746 3.36325 S.15618 0.13892 -4.80681 0.1018 09 0. dependent 2 var 0.93282 1.5993 91 1. of regression Sum squared resid Log likelihood Durbin-Watson stat 03 3 9 0.13932 4.0968 97 0.00356 0.52711 0.48054 9 Mean 2 0.D.8847 37 4.098 F-statistic 12 1.PELANGGARAN ASUMSI KLASIK D(RD) D(LNPDB) D(IHSG) RD(-1) LNPDB(-1) IHSG(-1) ECT R-squared Adjusted Rsquared S.6289 0.45543 0.00082 4.09167 Schwarz 5 criterion -22.79569 0.90542 5 Prob(F-statistic) 78 .09043 0.02645 0.53959 0.5434 93 1.0001 18 2 6 0.E.0027 32 8 dependent var 0.34067 0.0001 6 0.

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 . RD. namun dalam jangka panjang perlu dihitung dengan prosedur sbb: Menghitung Nilai T-Stat Jangka Panjang Langkah 1.PELANGGARAN ASUMSI KLASIK Besarnya koefisien regresi jangka panjang untuk intercept / konstanta. LNPDB dan IHSG adalah: β0 C0= ----ECT β4+ECT C1= --------ECT β5+ECT C2= --------ECT β6+ECT C3= --------ECT Untuk melakukan uji-t dalam jangka pendek dapat dilakukan dengan melihat koefisien t-stat atau prob t-stat yang ada pada print out.

0000 -0.3345 C 44 405 791 127 24 89 53 87 -0.048 -0.3334 -0.0192 -0.0303 0.003 0.7470 0.3334 -0.0296 0.047 -0.000 0.0018 -0.0193 1) ECT 53 420 183 056 59 51 99 56 -0.001 0.0482 DB) 791 645 64 41 145 4 83 23 D(IHSG -0.0194 587 28 23 57 417 80 2 56 13 .000 0.0296 0.0000 -0.3374 -0.0193 -0.030 0.0001 -0.976 -0.000 0.0000 0.3367 0.334 0.0194 RD(-1) 24 272 145 058 28 90 59 17 LNPDB -0.047 0.0000 -0.00008 -0.0481 0.0193 0.008 0.000 -0.976 -0.0297 (-1) 089 127 54 81 390 0 51 32 IHSG(.0004 D(RD) 405 58 645 08 272 27 20 28 D(LNP -0.PELANGGARAN ASUMSI KLASIK Gambar 5.003 -0.0000 0.3374 -0.7 Hasilnya adalah sebagai berikut: D(LNP D(IHS LNPDB(.08375 -0.747 -0.0193 -0.IHSG(- C D(RD) DB) G) RD(-1) 1) 1) ECT 8.06629 -0.0000 -0.0.000 0.008 1.0000 -0.02973 -0.0004 0.6149 -0.0004 0.019 0.0000 ) 127 08 41 01 058 1 56 57 0.0197 -0.001 0.0837 0.000 -0.0482 0.0000 0.000 -0.

066290 1.0194 7 6 9 170.0194 -0.0194 -0.01941 0.ect rd(-1).14004 -132.ihsg(-1).98897 0.ect 1).3345 7 2 489 878.rd(-1) ect.ect lnpdb(lnpdb(1/ect -C2/ect 1).581 -1.ect c.ect c.270 0.c ect.581 1.5720 0.ect lnpdb(-1).ect ihsg(.ect ihsg(-1).0194 0.0194 -0.178856 320.ect c.029732 0.ihsg(1/ect -C3/ect 1).ect 1) Hasil perhitungannya sebagai berikut: (1) Ct (2) Matriks Var- ? ? (3)=(1)*(2) Ct*Matriks Var- Covarian Covar 1.ect 1/ect -C1/ect rd(-1).0297 9 0.06094 038 94 13 6 -0.581 -15.5642 0.019299 2 2 81 .08982 038 0 130.01930.614944 1.01935 0. (1) Ct 1/ect -Co/ect (2) Matriks Var-Covarian (3)=(1)*(2) Ct*Matriks VarCovar ? ? ? ? ? ? ect.06106 -0.lnpdb(-1) ect.06155 038 82 13 -0.581 -1.ect rd(-1).PELANGGARAN ASUMSI KLASIK Langkah 2: Dapatkan nilai koefisien jangka panjang yang dkalikan dengan nilai Var-Covarnya.084 038 615 13 -0.33458 5.06112 -0.019728 1.

Dapatkan nilai Ct yang ditranspose. lalu varian.089829 0.061066 -0.0074498 0.281795 0.200146 68 866 11.0655402 0.732 132.086710 31 04 0.0400587 0.061122 -0.115525 -132.178856 0.06094 122 2 0.1222199 Pada kolom (7) tertera nilai T-stat yang siap untuk dibaca untuk dapat ditarik suatu kesimpulan.089 0.061559 0. standar error dan nilai t-statnya sebagai berikut: (7)=Coeff/( (3)=(1)*(2) (4) (5)=(3)*(4) (6)=√(5) 6) Ct*Matriks Var.140042 042 489 27 6 -0.17885 829 6 0.Transpose Standar Varian T-stat Covar dari Ct eror 5.086312 92 754 0.084 17472.1844 5.061 -0. Hasil regresi ECM dapat dilaporkan sebagai berikut: Hasil regresi ECM jangka pendek Dependent Variabel:D(LNVOL) 82 .140 -132.PELANGGARAN ASUMSI KLASIK 56 Langkah 3.0844 89 0.0075186 0.060942 0.061 -0.06155 066 9 0.

LNPDBt.122219936 11.065540172 Interpretasikanlah hasil tersebut dengan terlebih dahulu melihat signifikansi dari masing-masing variabelnya.258015861 0.(1) 83 .115525041 0. Error 2.61371 0.658603 0..27061515 132.156185 0.086312754 t-Statistic -0.08671004 2. PARTIAL ADJUSTMENT MODEL (PAM) ♣ Model penyesuaian parsial selama dua dekade dapat dikatakan sangat sukses digunakan dalam analisis ekonomi khususnya dalam konteks permintaan uang dengan menggunakan data kuartalan.28179472 0.010597695 0. Anda juga disarankan untuk menguji pelanggaran asumsi klasiknya terlebih dahulu.290699 0. Namun harus diakui bahwa pendekatan ini juga banyak mendapatkan dengan kritikan dari para ahli ekonomi sehubungan kelambanan variabel dependennya. IHSGt) LNVOLt* = a0 + a1 RDt + a2 LNPDBt + a3 IHSGt….935123 0.026453 0. Error -15.000821 t-Statistic -3.200146866 0. B.18446 0.005656953 0.043104 1.932824 0. Persamaan yang digunakan dalam penelitian ini adalah: LNVOLt = f (RDt.003562 Std. (Insukindro.PELANGGARAN ASUMSI KLASIK Variable C D(RD) D(LNPDB) D(IHSG) Coefficient -9.340671 Variable C D(RD) D(LNPDB) D(IHSG) Hasil Regresi ECM jangka panjang Dependent Variabel:D(LNVOL) Coefficient Std.806812 4. 1990b:93) Penurunan PAM 1.

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

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

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

00336 0.0000 00 2 dependent var 0.E.36804 3.92390 9 Mean 6 14.D.0102 7 0.72105 0.01115 0.19 83 0.4987 1 6 5 1.30030 0.4188 47 1.36581 0.01630 0.667 F-statistic 52 1.13443 2.30180 Schwarz 3 criterion -22.46342 Akaike info 1 criterion 7.6321 24 103.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.91494 S.0001 8 1 1 0.0023 68 6 3 0.0006 5 1 9 0.96823 2 Prob(F-statistic) 87 .68386 0.82015 -3.3073 2.625 13 1.40156 0. t. dependent 9 var 0.Prob.80817 0.5890 48 1.00076 4.42846 0. C RD LNPDB IHSG LNVOL(-1) R-squared Adjusted Rsquared S. of regression Sum squared resid Log likelihood Durbin-Watson stat ent Error Statistic -9.

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

3920 274.08830 14.44023 11.73000 16.57630 11.82730 11.29515 11.3730 457.38485 11.09017 11.76637 11.85000 15.93000 17.10320 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 11.81044 15.36489 11.62329 11.2500 573.8400 585.20526 11.23850 RD 22.85433 13.53000 21.20467 11.6000 298.9700 469.3000 637.7000 594.71611 11.99000 13.10708 11.6410 492.68000 16.90752 12.28000 16.68878 12.96114 13.33549 14.67095 11.65874 13.42000 16.40376 11.2400 513.9610 588.4300 .66362 14.7580 360.2700 493.87000 14.00 313.3460 419.2950 497.72000 12.40000 12.51102 11.70000 89 LNPDB 11.45000 20.87932 IHSG 27806.68842 11.52725 11.96607 12.50000 12.20175 11.61000 15.7650 492.31172 12.44361 13.64648 12.38319 14.6400 428.66000 16.25909 11.49000 18.13845 11.20067 13.85000 16.20000 13.30000 14.3350 310.31020 12.

00305 12.2700 515.9200 276.49166 12.61649 16.23479 15.99000 22.03914 12.9 5.13545 16.69000 22.4 78.9 69.2300 724.9 73.61649 15.9 80.42000 15.53388 12.5500 546.48000 11.51655 16.01539 15.9 65.47827 15.98580 17.7 84.1100 421.91442 12.5 4.29000 30.54629 12.5 5.14160 16.44000 12.54645 12.5 6.4 67.4 71.89000 11.9 5.2 74.35616 12.73062 12.51892 12.9400 676.3200 381.06000 28.2 4.97000 14.17000 13.16000 16.5 59.39000 16.8 3.35000 20.6200 662.24295 15.33300 14.9 72.97000 28.82277 12.92000 19.6 3.8 63.54152 12.1500 398.29066 12.35552 15.6 .7 5.46000 15.7 5.42000 12.4 82.46563 16.7 67 69.8 50.3300 416.06588 16.78097 12.4 65.0200 547.9 5.0500 437.8 76.86551 662.12000 13.3 77.6 4.5 3.6 62 63.9200 583.33218 16.71811 12.6800 401.84576 12.4700 392.50000 21.9 55 57.8 3.93115 16.0300 Soal Latihan Analisa Dinamis Indeks Kompensasi.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 61.4 65.5 83.7100 541.6200 392.6 52.66534 12.64958 12.5 48.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 15.73000 26.01000 13.0300 393.36453 16.25206 16.61704 16.14846 15.5 73.4200 445.2 90 5.

1 5. Pertanyaan: a.5 79.6 9.5 101.9 93 93.9 89.5 7.4 86.7 89.7 91.5 89.5 4.3 75.8 7.8 87.7 99.1 7.5 100 99.5 97.2 5.7 84.6 7.8 7.6 87 88. Lakukanlah Uji akar-akar unit.7 95.4 104.4 4.7 7.1 6.5 90.9 99.7 80.5 5.9 95.9 6.4 107.5 6.9 4.7 9.2 96.5 89.2 Seorang peneliti dan ingin melihat apakah ada pengaruh tingkat besarnya produktivitas tingkat pengangguran terhadap kompensasi yang diberikan oleh suatu perusahaan pada karyawannya (baik dalam jangka pendek maupun dalam jangka panjang). Data diatas menunjukkan Indeks kompensasi. uji derajat integrasi dan uji kointegrasi pada data diatas untuk mengetahui apakah model yang digunakan merupakan model dinamis atau bukan.1 5.3 107.2 7 6.3 99. indeks produktivitas dan tingkat pengangguran dalam persen.9 96. 91 .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 84.6 110.3 100 100.4 82 81.8 78.5 7.3 97.8 80.6 105.7 80.4 91.6 6.3 95.5 114 8.3 5.7 100.9 102.9 91 91.3 92.8 96.6 5.

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

Sign up to vote on this title
UsefulNot useful