Modul Ekonometri

LABORATORIUM PENGEMBANGAN EKONOMI PEMBANGUNAN (LPEP)
FAKULTAS EKONOMI - UNIVERSITAS AIRLANGGA

Jl. Darmawangsa No. 4-6 Surabaya Tlp. (031) 5042157 Fax. (031) 5042157
ORDINARY LEAST SQUARE
A. Regresi Sederhana (OLS Sederhana)

1. Pengantar
Model regresi sederhana adalah suatu model yang melihat hubungan antar dua
variabel. Salah satu variabel menjadi variabel bebas (Independent variable) dan variabel
yang lain menjadi variabel terikat (Dependent variable). Dalam regresi sederhana ini, akan
kita ambil suatu contoh kasus mengenai hubungan antara pengeluaran konsumsi dan
pendapatan di US pada tahun 1996 2005. Persamaan model ini adalah:
Y = 0 + 1X +
Dimana, Y adalah pengeluaran konsumsi, 0 adalah konsumsi autonom, X merupakan
pendapatan dan adalah error term.
2. Prosedur dalam Eviews
Langkah pertama dalam mengoperasikan Eviews adalah dengan mengaktifkan
workfile. Dengan asumsi, data telah dimasukkan dalam program Excel dan telah disimpan.
Tampilkan program Eviews, Klik File New Workfile, sehingga tampak seperti berikut ini
Selanjutnya akan tampak workfile range, yaitu tampilan untuk memasukkan periode
observasi. Dimana terdapat jenis periode, start date, dan end date.
Periode data diisi sesuai dengan data yang telah dientry dalam Excel. Dimana data tersebut
adalah data tahunan, mulai 1996 2005
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id

Lakukan prosedur berikut: Klik Annual (tahunan) Start date: 1996 End date: 2005
- OK
Kemudian kita akan mengimport data, memasukkan data yang akan diolah.
Klik Procs - Import Read Text Lotus - Excel.
Cari dimana file data yang telah disimpan.
Akan muncul tampilan:
Pada Upper left data cell tertulis B2, hal inimenunjukkan bahwa data yang kita tulis dimulai
pada cell B2. Excel 5+ sheet name, menunjukkan di sheet mana data kita entry. Jika pada
sheet 1, maka kita tidak perlu mengisinya. Namun jika data dientry pada sheet kedua dan
seterusnya, maka kita perlu mengisi sesuai dengan sheet tersebut. Name for series or
diisi dengan nama semua variabel yang akan diolah, atau dapat juga diisi dengan jumlah
semua variabel. Misal kita isi dengan X dan Y, kemudian Klik OK
Setelah muncul data yang akan diolah, kemudian blok variable X dan Y - Klik kanan:
Open - as Group. Maka, akan muncul tampilan :

Kemudian Pilih Procs - Make Equation - Equation Specification

Setelah itu ketik data yang akan diolah : Y spasi c spasi X, pilih Method: LS OK.
Variabel
yang kita tulis pertama adalah variabel dependen, selanjutnya adalah konstanta
dan variabel independent.
Maka akan tampak hasil regresi seperti berikut:
Intepretasi Hasil Regresi:

Dari hasil regresi diatas maka akan didapatkan persamaan sebagai berikut:
Y = 24.45455 + 0.509091X
Sebagai
contoh,
apabila
ditanyakan
berapa
tingkat
konsumsi
individu
jika
pendapatan tahun depan diperkirakan sebesar 5000 milyar dollar US?. Maka
Y = 24.45455 + 0.509091(5000)
Y = 2569.91

Jadi, jika pendapatan sebesar 5000 milyar dolar US maka tingkat konsumsi individu adalah
sebesar 2569.91 milyar dolar US.
B. Regresi Berganda
Model regresi berganda merupakan suatu model regresi yang terdiri dari lebih dari
satu variabel independen. Bentuk umum regresi berganda dapat ditulis sebagai berikut:
Y1 = 0 + 1X1 + 2X2 + 3X3 + .+ nXn + ei
Pada intinya, langkah langkah estimasi regresi berganda didalam Eviews tidak jauh
berbeda dengan regresi sederhana seperti yang telah dibahas sebelumnya. Berikut ini adalah
tampilan data yang akan digunakan dalam regresi berganda.
Dengan cara yang sama seperti pada regresi sederhana kita akan meregresi variabell
dependen yaitu ekspor dan variabel independen yang terdiri dari suku bunga, nilai tukar
rupiah, serta inflasi. Dari hasil regresi akan diperoleh estimasi sebagai berikut:
Cara mengintepretasikan hasil regresi sama dengan estimasi pada regresi sederhana.

C. Uji t dan Uji F

Uji t merupakan pengujian terhadap koefisien dari veriabel bebas secara parsial. Uji
ini dilakukan untuk melihat tingkat signifikansi dari veriabel bebas secara individu dalam
mempengaruhi variasi dari variabel terikat.
Hipotesa dalam Uji t adalah:
H0 : i = 0, i = 0, 1,2,...n
H1 : i 0
Pada regresi sederhana maupun regresi berganda, pengujian koefisien 1, 2, dan n
dapat dilakukan dengan Uji t. Pengujian ini dilakukan dengan cara membandingkan tstatistik pada hasil regresi dengan t tabel. Jika nilai t-stat > t-tabel, maka Ho ditolak dan H 1
diterima, dengan kata lain terdapat hubungan antara variabel dependen dan variabel
independen. Sebaliknya jika t-stat < t-tabel, maka Ho diterima dan H 1 ditolak, yang artinya
tidak terdapat hubungan antara variabel dependen dan variabel independen.
Pada contoh kasus diatas, dengan tingkat kepercayaan 95% ( = 5%) maka daerah
kritis untuk menolak Ho adalah t-stat < t
. Kita bisa melihat bahwa pada variabel inflasi
0.025;39
memiliki nilai t-stat sebesar 5,479 sedangkan nilai t-tabel pada t 0.025;39 adalah 2,021. Artinya
nilai t-stat > t-tabel, sehingga hipotesa H 0 ditolak, dapat disimpulkan bahwa terdapat
hubungan antara ekspor dan inflasi.
Pengujian hipotesis dapat juga dilakukan dengan konsep P-Value. Cara ini relatif
lebih mudah dilakukan karena tersedia pada menu Eviews. Konsep ini membandingkan
dengan nilai P-Value. Jika nilai P-Value kurang dari , maka H0 ditolak. Pada contoh kasus
diatas nilai P-Value dari variabel inflasi adalah 0,0000 artinya pada = 1%, 5%, dan 10%
hipotesa H0 ditolak. Artinya pada berbagai tingkat keyakinan tersebut ekspor memiliki
hubungan dengan inflasi.
Sedangkan Uji F merupakan uji model secara keseluruhan. Oleh sebab itu Uji F ini
lebih relevan dilakukan pada regresi berganda. Pada prinsipnya Uji F memiliki konsep yang
tidak jauh berbeda dengan Uji t. Jika Uji t digunakan untuk melihat pengaruh variabel bebas
terhadap variabel terikat secara individu, maka Uji F digunakan untuk melihat pengaruh
variabel bebas terhadap varibel terikat secara bersama-sama. Formulasi dari Uji F adalah
sebagai berikut:
Ho : 1 = 2 = ....= n = 0
H1 : paling tidak salah satu tidak sama dengan nol
Dengan menggunakan konsep P-Value, maka pada contoh diatas P-Value dari F = 0,000012.
Artinya pada = 1%, 5%, dan 10% hipotesa H0 ditolak. Variabel independen dalam
persamaan tersebut secara bersama-sama berpengaruh terhadap variasi dari variabel
dependen.
D. Uji Asumsi Klasik
Dalam melakukan estimasi persamaan linier dengan menggunakan metode OLS,
maka asumsi-asumsi dari OLS harus dipenuhi. Apabila asumsi tersebut tidak dipenuhi maka
tidak akan menghasilkan nilai parameter yang BLUE (Best Linear Unbiased Estimator).
Asumsi BLUE antara lain:

1. Model regresi adalah linier dalam parameter

2. Error term (u) memiliki distribusi normal. Implikasinya, nilai rata-rata kesalahan adalah
nol.
3. Memiliki varian yang tetap (homoskedasticity).
4. Tidak ada hubungan antara variabel bebas dan error term.
5. Tidak ada korelasi serial antara error (no-autocorrelation).
6.
Pada
regresi
linear
berganda
tidak
terjadi
hubungan
antar
variabel
bebas
(multicolinearity).
D.1. Uji Multikolinieritas
Multikolinearitas adalah adanya hubungan linier yang signifikan antara beberapa atau
semua
variabel
independent
dalam
model
regresi.
Untuk
melihat
ada
tidaknya
multikolinieritas dapat dilihat dari koefisien korelasi dari masing-masing variabel bebas. Jika
koefisien korelasi antara masing-masing variabel bebas lebih besar dari 0,8 berarti terjadi
mulikolinieritas.
Lakukan prosedur berikut: Dari workfile Blok semua variabel kecuali c dan resid
Klik kanan: Open As Group
Setelah tampil semua variabel, Klik View Correlation Common Sampel.
Dari tampilan diatas terlihat bahwa antara variabel X 2, X3, X4, X5, dan X6 terjadi
multikolinieritas, karena memiliki nilai Correlation matrix ledih dari 0,8. Cara mengatasi
adanya multikol dapat dilakukan dengan cara: (1) menghilangkan variabel independen, (2)
transformasi variabel, (3) penambahan data. Berikut ini dilakukan cara mengatasi multikol
dengan transformasi data, yaitu penambahan log. Dari hasil tersebut, semua koefisien telah
signifikan.

D.2. Heteroskedasitas
Heteroskedasitas merupakan keadaan dimana varians dari setiap gangguan tidak
konstan.
Uji
heteroskedasitas
dapat
dilakukan
dengan
menggunakan
White
Heteroskedasticity yang tersedia dalam program Eviews. Hasil yang perlu diperhatikan dari
Uji ini adalah nilai F dan Obs*R-Squared. Jika nilai Obs*R-Squared lebih kecil dari X2 tabel
maka tidak terjadi heteroskedastisitas, dan sebaliknya.
Untuk mendeteksi adanya masalah hetero dapat dilihat pada residual dari hasil estimasi. Jika
residual bergerak konstan artinya tidak ada hetero dan jika membentuk suatu pola tertentu
maka mengindikasikan adanya hetero.

Dengan melihat hasil tersebut, dapat diduga terjadi hetero pada hasil estimasi. Dimana
residualnya membentuk suatu pola atau tidak konstan. Untuk membuktikan dugaan tersebut
perlu dilakukan Uji White Hetero.
Lakukan prosedur berikut: Dari hasil Estimasi Klik View Residual test White
Hetero (no cross) - OK
White Heteroskedasticity Test:

F-statistic
8.281590
Obs*R-squared
12.92698
Probability
Probability
0.001508
0.011638
Lakukan pengujian dengan prosedur sebagai berikut:

1. H0 : tidak ada heteroskedastisitas
H1 : ada heteroskedastisitas
2. = 5%, tolak H0 jika Obs*R-square > X2 df = 2 atau P-Value <
3. Karena P- Value = 0.011638 < 0.05 maka tolak H0
4. Kesimpulan adalah dengan tingkat keyakinan 95% maka ada heteroskedastisitas.

D.3. Autokorelasi
Autokorelasi
menunjukkan
adanya
hubungan
antar
gangguan.
Metode
yang
digunakan dalam mendeteksi ada tidaknya masalah autokorelasi adalah Metode BrueschGodfrey yang lebih dkenal dengan LM-Test. Metode ini didasarkan pada nilai F dan Obs*RSquared. Dimana jika nilai probabilitas dari Obs*R-Squared melebihi tingkat kepercayaan
maka Ho diterima, berarti tidak ada masalah autokorelasi.
Dapat dilihat dari hasil estimasi sepertinya tidak terjadi per masalahan yang
melanggar asumsi klasik. Dimana terlihat bahwa nilai t-statistik signifikan, R2 bagus, dan Uji
F juga signifikan. Namun dalam hasil tersebut terdapat DW stat yang relatif kecil. Nilai DW
yang kecil tersebut merupakan salah satu indikator adanya masalah autokorelasi.
Untuk membuktikan adanya masalah autokorelasi dalam model dapat kita lakukan
dengan melakukan uji LM.
Lakukan prosedur berikut: Dari hasil estimasi Klik View Residual test Serial
Correlation LM test - OK
Breusch-Godfrey Serial Correlation LM Test:

F-statistic
13.24422
Probability
Obs*R-squared
17.36554
Probability
0.000060
0.000169

Lakukan pengujian dengan prosedur berikut:

1. H0 : tidak ada serial correlations/autokorelasi
H1 : ada serial corelation/autokorelasi
2. = 5%, tolak H0 jika Obs*R-square > X2 df = 3 atau P-Value <
3. Karena P- Value = 0.000169 < 0.05 maka tolak H0
4. Kesimpulan adalah dengan tingkat keyakinan 95% maka ada autokorelasi
D.4. Uji Normalitas
Uji normalitas digunakan jika sampel yang digunakan kurang dari 30, karena jika
sampel lebih dari 30 maka error term akan terdistribusi secara normal. Uji ini disebut Jarque
Bera Test. Lakukan Prosedur berikut: Dari hasil estimasi
- View Residual test
Histogram Normality test
Dari hasil diatas maka langkah selanjutnya adalah melakukan uji normalitas error term:
1. H0 : error term terdistribusi normal
H1 : error term tidak terdistribusi normal
2. = 5% maka daerah kritis penolakan H0 adalah P-Value <
3. Karena P-Value = 0,678100 > 0,05 maka H0 diterima
4. Kesimpulan, dengan tingkat keyakinan 95% ( = 5%) maka dapat dikatakan bahwa error
term terdistribusi normal.
10

AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA)

1. Pengantar
ARIMA merupakan suatu teknik yang mengabaikan independent variable dalam
melakukan peramalan. Model ini hanya menggunakan nilai-nilai sekarang dan masa lalu dari
dependent variable untuk melakukan peramalan jangka pendek. Metode ini disebut juga
dengan metode Box-Jenkins. Moving average dikembangkan oleh errornya. Error ini dapat
digunakan untuk memperhitungkan peramalan suatu data.
ARIMA
2. Petunjuk Operasional dalam Eviews
a. Uji Stasioneritas Data
Uji stasioneritas data digunakan untuk melihat apakah data mengandung akar unit
atau tidak. Data time series dikatakan stasioner jika data tersebut tidak mengandung akarakar unit (unit root) dengan kata mean, variance, dan covariant konstan sepanjang waktu.
Pengujian akar-akar unit root dilakukan dengan metode Augmented Dickey Fuller(ADF), yaitu
dengan membandingkan nilai ADFstatistik dengan Mackinnon critical value 1%, 5%, dan 10%.
Data dikatakan stasioner jika nilai ADFstatistik lebih besar dari Mackinnon critical value 1%, 5%,
dan 10% serta nilai probabilitasnya signifikan dibawah 10%. Jika ADF statistik lebih kecil dari
Mackinnon critical value 1%, 5%, dan 10% serta nilai probabilitasnya diatas 10% (tidak
signifikan) maka data dikatakan tidak stasioner.
Lakukan prosedur berikut :
Klik Workfile Klik variabel yang akan di uji View - Unit root test
Lakukan pengujian pada tingkat Level dengan asumsi trend dan intercept -OK
11

Null Hypothesis: GDP has a unit root

Exogenous: Constant, Linear Trend
Lag Length: 1 (Automatic based on SIC, MAXLAG=11)
t-Statistic
Augmented Dickey-Fuller test statistic
-2.215287
Test critical values:
1% level
-4.068290
5% level
-3.462912
10% level
-3.157836
Dari hasil pengujian dapat dilihat nilai ADFstatistik
Prob.*
0.4749
sebesar 2,215287 lebih kecil dari dengan
probabilitas diatas 10%, yaitu 0,4749. Berarti data masih mengandung akar unit, dengan
kata lain data tidak stasioner pada tingkat level. Lakukan kembali pengujian unit root pada
tingkat first difference.
Klik View Unit root test Pilih first difference - Intercept OK
Null Hypothesis: D(GDP) has a unit root

t-Statistic
-6.588446
1% level
-4.068290
5% level
-3.462912
10% level
-3.157836
*MacKinnon (1996) one-sided p-values.
Prob.*
0.0000
12

Dari pengujian yang kedua didapat bahwa nilai ADFstatistik lebih besar dari critical value dan
probabilitasnya signifikan pada tingkat keyakinan 1%. Hal ini berarti data telah stasioner
pada first difference. Secara tidak langsung ordo integrasi telah ditemukan, yaitu d = 1.
Berikutnya adalah penentuan ordo suku AR dan MA.
b. Penentuan Ordo AR MA
Lakukan pengujian correlogram, dengan hasil derajat integrasi yang diperoleh dari
uji unit root dan biarkan Eviews menentukan panjang lag maksimumnya.
Lakukan prosedur berikut ini:
Klik View Correlogram First Difference - OK
Dari grafik diatas terlihat bahwa terjadi pelanggaran garis batang AC pada lag 1, 8, dan 12,
maka kita memiliki kandidat MA (1). Dari grafik batang PAC, terlihat kalau pelanggaran garis
batas juga terjadi pada lag 1, maka diperoleh juga kandidat AR (1). 3 kandidat model yang
13

akan digunakan adalah bentuk ARIMA (1,1,1); ARIMA (1,1,0) atau ARI (1) dan ARIMA
(0,1,1) atau IMA (1). Selanjutnya adalah penentuan model terbaik.
c. Penentuan Model Terbaik.
Untuk model ARIMA (1,1,1) : Klik Quick Estimate equation Ketik: d(gdp) c AR(1)
MA(1) OK
Jangan lupa untuk memberi nama persamaan tersebut, Klik Name Arima OK
Variable
C
AR(1)
MA(1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Inverted AR Roots
Inverted MA Roots
Coefficient
23.50643
0.499690
-0.201502
0.105750
0.084202
34.39166
98171.24
-424.7539
1.994227
.50
.20
Std. Error
t-Statistic
5.942537
3.955622
0.275101
1.816384
0.312614 -0.644572
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
Prob.
0.0002
0.0729
0.5210
23.34535
35.93794
9.947766
10.03338
4.907606
0.009673
Hasil regresi pada model ARIMA (1,1,1) menunjukkan bahwa probabilitas MA(1) tidak
signifikan, yaitu sebesar 0,5210, maka model ini dinyatakan gugur.
Selanjutnya kita akan melihat model yang kedua yaitu model ARI(1) Klik Quick
Estimate equation ketik: d(gdp) c AR(1) OK. Kemudian namai persamaan tersebut,
misal ARI. Begitu pula untuk model yang ketiga yaitu, IMA (1), kembali Klik Quick
Estimate equation ketik: d(gdp) c MA(1) - OK
14

Variable
C
AR(1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Inverted AR Roots
Coefficient
23.44152
0.317238
0.101516
0.090820
34.26717
98636.06
-424.9570
2.034425
.32
Std. Error
t-Statistic
5.412216
4.331223
0.102975
3.080716
Mean dependent var
S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
Prob.
0.0000
0.0028
23.34535
35.93794
9.929234
9.986311
9.490809
0.002791
Variable
C
MA(1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Inverted MA Roots
Coefficient
22.79699
0.258497
0.080866
0.070053
34.65297
102070.4
-430.8843
1.911508
-.26
Std. Error
t-Statistic
4.666313
4.885441
0.104584
2.471667
Mean dependent var
S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
Prob.
0.0000
0.0154
22.93333
35.93448
9.951364
10.00805
7.478367
0.007598
Model ARI(1) dan IMA(1), memiliki nilai probabilitas yang signifikan, hal ini didukung pula
oleh nilai IRM< 1. Maka pemilihan model terbaik akan dilanjutkan dengan pengujian
autokorelasi.
Lakukan uji correlogram Q stat, Klik View residual test correlogram Q statistic - OK
15

Correlogram AR
Correlogram MA
Ternyata kedua model berhasil menyelesikan permasalahan autokorelasi masing-masing,

terlihat dari nilai Q-stat yang tidak signifikan di setiap lag. Maka langkah terakhir pemilihan
model akan bergantung pada nilai SC yang lebih kecil. ARI (1) memiliki nilai SC sebesar
9.986, sementara IMA (1) sebesar 10.00805, maka model ARI(1)- lah yang terbaik.
Model
IMA (1)
ARI (1)
ARIMA (1,1,1)
Adjusted R-square
0.070053
0.09082
0.084202
AIC
9.951364
9.929234
9.947766
SC
10.00805
9.986311
10.03338
d. Peramalan
Dengan menggunakan model ARI(1), kita lakukan pengecekan kelayakan model bagi
peramalan. Dalam hal ini data yang digunakan adalah data asli, yaitu GDP, karena data ini
yang akan diramal. Klik Forecast pilih GDP - OK
16

Terlihat bahwa nilai bias proportion sebesar 0.053880 (dibawah 0.2), sementara covariance
proportion 0.856076 (hampir mendekati 1), maka model ini dapat meramal nilai GDP
kedepan.
Bila
mengasumsi
model
sudah
benar,
maka
langkah
selanjutnya
adalah
memperpanjang range data. Pada menu utama :

Klik Procs Change workfile range (ubah End date menjadi 1992:1) OK
17

Ubah juga sample data : Procs sample ketik tahun yang akan diforcast
Kembali ke estimasi : Procs - Make model Solve OK
Sehingga akan terbentuk variabel forecast gdpf dengan tambahan nilai konsumsi 1992:1
1991:2
1991:3
1991:4
1992:1
4865.329
4888.771
4912.212
4935.654
ARCH/GARCH
18

1. Pengantar
Data time series, terutama seperti data indeks saham, tingkat bunga, nilai tukar, dan
inflasi, sering kali bervolatilitas. Implikasi data yang bervolatilitas adalah variance dari error
tidak konstan. Dengan kata lain mengalami heteroskedatisitas. Implikasi dari adanya
heteroskedatisitas terhadap estimasi OLS tetap tidak bias, tetapi standart error dan interval
keyakinan menjadi terlalu sempit sehingga dapat memberikan sense of precision yang salah.
Untuk menjawab pertanyaan-pertanyaan mengenai volatilitas, peralatan standar
yang digunakan adalah model ARCH/GARCH. Model ini menganggap variance yang tidak
konstan (heteroskedatisitas) bukan suatu masalah, tetapi justru dapat dgunakan untuk
modeling dan peramalan.
Langkah pertama dalam metode ARCH/GARCH adalah melihat apakah data tersebut
mengandung efek ARCH/GARCH. Dalam kasus ini kita akan menguji ada tidaknya efek
ARCH/GARCH dengan menggunakan ARCH LM Test.
Lakukan prosedur berikut: Import data hingga muncul data pada Workfile
Kemudian Klik Quick Estimate Equation pada Equation spesifikation ketik: CPI c OK
19

Sehingga akan muncul hasil estimasi sebagai berikut:
Kemudian lakukan Uji ARCH LM: Dari hasil Estimasi - View Residual test ARCH LM
test
ARCH Test:
F-statistic
Obs*R-squared
6235215.
635.9353
Probability
Probability
0.000000
0.000000
20

Dari hasi uji ARCH LM terlihat nilai probabilitasnya yang signifikan pada 1%, maka dapat
disimpulkan bahwa data tersebut mengandung ARCH effect. Selanjutnya data tersebut dapat
diteruskan dengan metode ARCH.
Lakukan prosedur berikut:
Klik Quick - Estimate Equation Ketik: cpi c Pilih metode: ARCH - OK
Kemudian akan muncul Equation specification.

Pada order : pilih ARCH 1, tanpa merubah yang lainnya - 0K
21

22

ERROR CORRECTION MODEL (ECM)

1. Pengantar
Kointegrasi dapat diartikan sebagai suatu hubungan jangka panjang (long term
relationship/ekuilibrium) antara variabel-variabel yang tidak stasioner. Keberadaan hubungan
kointegrasi memberikan peluang bagi data-data yang secara individual tidak stasioner untuk
menghasilkan sebuah kombinasi linier diantara mereka sehingga tercipta kondisi yang
stasioner. Secara sederhana, dua variabel disebut terkointegrasi jika hubungan kedua
variabel
tersebut
dalam
jangka
panjang
akan
mendekati
atau
mencapai
kondisi
equilibriumnya. Error Correction Model (ECM) merupakan model yang digunakan untuk
mengoreksi persamaan regresi antara variabel-variabel yang secara individual tidak stasioner
agar kembali ke nilai equilibriumnya di jangka panjang, dengan syarat utama berupa
keberadaan hubungan kointegrasi diantara variabel-variabel penyusunnya. Ada banyak cara
untuk melakukan uji kointegrasi, namun dalam modul ini hanya memaparkan Engle-Granger
Cointegration Test.
2. Petunjuk Operasional Dalam Eviews.
Pada kasus ini, uji stasioneritas juga dilakukan pada setiap variabel. Dengan cara
yang sama seperti pada modul sebelumnya, maka didapat bahwa hasil sebagai berikut:
Null Hypothesis: D(PDI) has a unit root
1% level
5% level
t-Statistic
-9.592898
-4.068290
-3.462912
Prob.*
0.0000
23

10% level
-3.157836
Null Hypothesis: D(PCE) has a unit root

1% level
5% level
10% level
t-Statistic
-7.567202
-4.068290
-3.462912
-3.157836
Prob.*
0.0000
Dimana kedua variabel stasioner pada tingkat first difference. Selanjutnya, kedua variabel
diregresi sehingga dihasilkan bentuk output Eviews sebagai berikut:
Dependent Variable: PCE

Method: Least Squares
Included observations: 88
Variable
Coefficient
PDI
0.967250
C
-171.4412
R-squared
0.994051
Adjusted R-squared
0.993981
S.E. of regression
35.92827
Sum squared resid
111012.3
Log likelihood
-439.0292
Durbin-Watson stat
0.531629
Std. Error
t-Statistic
0.008069
119.8712
22.91725 -7.480880
Mean dependent var
S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
Prob.
0.0000
0.0000
2537.042
463.1134
10.02339
10.07969
14369.10
0.000000
Hasil estimasi ini dapat ditulis ulang menjadi :

PCEt = -171.4412 + 0.967250 PDIt + ut
Residual dari persamaan regresi antara variabel PCE dan PDI diuji stasioneritasnya dengan
unit root test.
24

Null Hypothesis: RESID02 has a unit root

1% level
5% level
10% level
t-Statistic
-3.779071
-2.591813
-1.944574
-1.614315
Augmented Dickey-Fuller Test Equation

Dependent Variable: D(RESID02)
Variable
Coefficient
Std. Error
t-Statistic
RESID02(-1)
-0.275312
0.072852 -3.779071
R-squared
0.142205
Mean dependent var
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
0.142205
24.25937
50612.48
-400.3706
S.D. dependent var

Schwarz criterion
Durbin-Watson stat
Prob.*
0.0002
Prob.
0.0003
0.405877
26.19315
9.226911
9.255255
2.277512
Hasil unit root test dapat ditulis dalam bentuk persamaan sebagai berikut:
t = -0275132ut-1
Hasil test unit root dari residual (u), kita bandingkan dengan nilai , hasil perhitungan.
Rumus untuk nilai adalah:
= + 1T-1 + 2T-2
T= jumlah observasi
Jika nilai nilai > t-statistik, maka Ho ditolak, ada kointegrasi. Dan sebaliknya.
Bentuk persamaan regresi ECM adalah sebagai berikut:
PCEt = 0 + 1PDI + 2ut-1 + t
Hasil regresi Eviews akan menghasilkan output pada tabel dibawah ini:
Dependent Variable: D(PCE)
Method: Least Squares
Variable
Coefficient
C
11.69183
D(PDI)
0.290602
Std. Error
2.195675
0.069660
t-Statistic
5.324936
4.171715
Prob.
0.0000
0.0001
25

RESID02(-1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
-0.086706
0.171727
0.152006
16.84283
23829.19
-367.6026
1.923381
0.054180 -1.600311
Mean dependent var
S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
0.1133
16.90345
18.29021
8.519601
8.604632
8.707918
0.000366
Hasil regresi ECM dapat dituliskan menjadi:

PEt = 11.69183 + 0.2906 PDIt 0.0867 t-1
VECTOR AUTOREGRESSIONS (VAR)
1. Pengantar
Metode Vector Autoregression (VAR) pertama kali dikembangkan oleh Christoper
Sims (1980). Kerangka analisis yang praktis dalam model ini akan memberikan informasi
yang sistematis dan mampu menaksir dengan baik informasi dalam persamaan yang
dibentuk dari data time series. Selain itu perangkat estimasi dalam model VAR mudah
digunakan dan diintepretasikan. Perangkat estimasi yang akan digunakan dalam model VAR
ini adalah fungsi impulse respon dan variance decompotition.
Ada beberapa keuntungan dari VAR (Gujarati, 1995:387) yaitu :
1. VAR mampu melihat lebih banyak variabel dalam menganalisis fenomena ekonomi
jangka pendek dan jangka panjang.
2. VAR mampu mengkaji konsistensi model empirik dengan teori ekonometrika.
3. VAR mampu mencari pemecahan terhadap persoalan variabel runtun waktu yang tidak
stasioner ( non stasionary ) dan regresi lancung ( spurious regresion ) atau korelasi
lancung ( spurious correlation ) dalam analisis ekonometrika.
26

Metode yang ditekankan pada penerapan model VAR adalah (Gujarati, 2003:853) :
1.
Kemudahan dalam penggunaan, tidak perlu mngkhawatirkan tentang

penentuan variabel endogen dan variabel eksogen. Semua variabel dianggap sebagai
variabel endogen.
2.
Kemudahan dalam estimasi, metode Ordinary Least Square (OLS)

dapat diaplikasikan pada tiap persamaan secara terpisah.
3.
Forecast atau peramalan yang dihasilkan pada beberapa kasus

ditemukan lebih baik daripada yang dihasilkan oleh model persamaan simultan yang
kompleks.
4.
Impulse Respon Function (IRF). IRF melacak respon saat ini dan masa
depan setiap variabel akibat perubahan atau shock suatu variabel tertentu.
5.
Variance Decompotition, memberikan informasi mengenai kontribusi

(persentase) varians setiap variabel terhadap perubahan suatu variabel tertentu.
Di sisi lain, terdapat beberapa kritik terhadap model VAR menyangkut permasalahan
berikut (Gujarati, 2003:853) :

1.
Model VAR merupakan model yang atheoritic atau tidak berdasarkan teori, hal ini
tidak seperti pada persamaan simultan. Pada persamaan simultan, pemilihan
variabel yang akan dimasukkan dalam persamaan memegang peranan penting dalam
mengidentifikasi model.
2.
Pada model VAR penekanannya terletak pada forecasting atau peramalan sehingga
model ini kurang cocok digunakan dalam menganalisis kebijakan.
3.
Permasalahan yang besar dalam model VAR adalah pada pemilihan lag length atau
panjang lag yang tepat. Karena semakin panjang lag, maka akan menambah jumlah
parameter yang akan bermasalah pada degrees of freedom.
4.
Variabel yang tergabung pada model VAR harus stasioner. Apabila tidak stasioner,
perlu dilakukan transformasi bentuk data, misalnya melalui first difference.
5.
Sering ditemui kesulitan dalam menginterpretasi tiap koefisien pada estimasi model
VAR, sehingga sebagian besar peneliti melakukan interpretasi pada estimasi fungsi
impulse respon dan variance decompotition.
Ada beberapa hal yang penting dalam melakukan estimasi menggunakan model
VECM (Harris,1995: 76) yaitu :

1.
Data yang digunakan harus stasioner
2.
Identifikasi bentuk model
3.
Penentuan lag length optimal

Salah satu prosedur yang harus dilakukan dalam estimasi model ekonomi dengan
data time series adalah dengan menguji stasioneritas pada data atau disebut juga stationary
stochastic
process.
Data
time
series
dikatakan
stasioner
jika
data
tersebut
tidak
mengandung akar-akar unit (unit root) dengan kata mean, variance, dan covariant konstan
sepanjang waktu. Pengujian akar unit dilakukan dengan metode Augmented Dickey Fuller
27

(ADF), yaitu dengan membandingkan nilai ADF statistik dengan Mackinnon critical value 1%,
5%, dan 10%.
Lakukan prosedur berikut :
Workfile Klik variabel yang akan di uji View - Unit root test
Kita akan menguji data pada tingkat level I(0). Jika nilai ADFstatistik lebih besar dari Mackinnon
critical value, maka data tidak mengandung unit root sehingga data dikatakan stasioner.
Demikian pula sebaliknya, jika nilai ADFstatistik lebih kecil dari t-statistik pada Mackinnon
critical value berarti terdapat unit root sehingga data dikatakan tidak stasioner.
Null Hypothesis: M1 has a unit root
t-Statistic
-0.931216
1% level
-4.211868
5% level
-3.529758
10% level
-3.196411
Prob.*
0.9419
Dari hasil pengujian ternyata variabel M1 pada tingkat level tidak stasioner. Hal ini
dapat dilihat pada nilai ADF test statistic yang lebih kecil dari test critical values-nya, baik
1%, 5%, dan 10%. Selain itu juga terlihat nilai probabilitas yang lebih besar dari = 10%.
Jika dari hasil uji stasioneritas berdasarkan uji ADF diperoleh data seluruh variabel belum
stasioner pada level, maka untuk memperoleh data yang stasioner dapat dilakukan dengan
cara differencing data, yaitu dengan mengurangi data tersebut dengan data periode
sebelumnya, sehingga akan diperoleh data dalam bentuk first difference.
Setelah data dirubah kedalam bentuk first difference maka diperoleh hasil sebagai
berikut:
Null Hypothesis: D(M1) has a unit root
t-Statistic
-5.065505
1% level
-4.219126
5% level
-3.533083
10% level
-3.198312
Prob.*
0.0011
28


Null Hypothesis: D(R) has a unit root
t-Statistic
-4.478920
1% level
-4.226815
5% level
-3.536601
10% level
-3.200320
Prob.*
0.0053
Baik pada variabel M1 dan R data telah stasioner pada tingkat first difference. Dapat dilihat
bahwa nilai ADF test statistic kedua variabel lebih besar dari nilai test critical values-nya dan
nilai probabilitas keduanya signifikan pada = 1%. Sehingga kedua variabel tersebut telah
stasioner.
b. Penetuan Lag Optimal
Penentuan jumlah lag dalam model VAR ditentukan pada kriteria informasi yang
direkomendasikan oleh Final Prediction Error (FPE), Aike Information Criterion (AIC),
Schwarz Criterion (SC), dan Hannan-Quinn (HQ). Tanda bintang menunjukkan lag optimal
yang direkomendasikan oleh kriteria diatas.
Tandai seluruh variabel Klik kanan Open as VAR OK
Dari VAR Estimation - Pilih View Lag Structure - Lag Length Criteria
29

VAR Lag Order Selection Criteria

Endogenous variables: M1 R
Exogenous variables: C
Date: 08/23/07 Time: 07:32
Sample: 1979:1 1988:4
Included observations: 37
Lag
LogL
LR
FPE
0
-449.4532
NA
1.36E+08
1
-350.3133
182.2030
794237.8
2
-341.5657
15.13099*
616075.2*
3
-339.9341
2.645821
704361.8
* indicates lag order selected by the criterion
AIC
24.40288
19.26018
19.00355*
19.13157
Dari hasil diatas terlihat bahwa semua tanda bintang
SC
24.48995
19.52141
19.43893*
19.74111
HQ
24.43357
19.35227
19.15704*
19.34646
berada pada lag 2. Hal ini
menunjukkan bahwa lag optimal terletak pada lag 2.

c. Uji Kausalitas Granger
Uji Kausalitas Granger digunakan untuk melihat arah hubungan suatu variabel
dengan variabel yang lain. Bagaimana pengaruh x terhadap y dengan melihat apakah nilai
sekarang dari y bisa dijelaskan dengan nilai historis y serta melihat apakah penambahan lag
x bisa meningkatkan kemampuan menjelaskan model. Adapun persamaan Granger-Causality
adalah:
n
Yt 1 j Yt j 2 j X t j u1t
j 1
j 1
j 1
j 1
X t 1 j Yt j 2 j X t j u 2 t
Ada beberapa kasus yang dapat diintepretasikan dari persamaan Granger Causality
diatas (Gujarati,2003:696-697) :
1.
Unidirectional causality dari Y ke X, artinya kausalitas satu arah dari Y ke X terjadi

jika koefisien lag Y pada persamaan Yt adalah secara statistik signifikan berbeda
dengan nol, koefisien lag X pada persamaan Xt sama dengan nol,
2.
Unindirectional causality dari X ke Y, artinya kausalitas satu arah dari X ke Y terjadi

jika koefisien lag X pada persamaan Xt adalah secara statistik signifikan berbeda
30

dengan nol dan koefisien lag Y pada persamaan Yt secara statistik signifikan sama
dengan nol.
3.
Feedback/bilaterall causality, artinya kausalitas timbal balik yang terjadi jika

koefisien lag Y dan lag X adalah secara statistik signifikan berbeda dengan nol pada
kedua persamaan Yt dan Xt di atas.
4.
Independence, artinya tidak saling ketergantungan yang terjadi jika koefisien lag Y
dan lag X adalah secara statistik sama dengan nol pada masing-masing persamaan
Yt dan Xt diatas.
Sedangkan hipotesis statistik untuk pengujian kausalitas dengan menggunakan
pendekatan Granger adalah :

t
Ho :
i 1
it
H1 :
i 1
it
0
0
artinya suatu variabel tidak mempengaruhi variabel lain
artinya suatu variabel mempengaruhi variabel lainnya.

Tandai semua variabel Klik kanan, pilih Open as Group
Setelah workfile semua variabel muncul pilih: View Granger Causality
Pairwise Granger Causality Tests

Lags: 2
Null Hypothesis:
R does not Granger Cause M1
M1 does not Granger Cause R
Dari
hasil
pengujian
Obs
38
Granger
F-Statistic
12.9266
3.22343
disebutkan
bahwa
Probability
7.1E-05
0.05263
Ho
menyatakan
tidak
mempengaruhi M1 dan M1 tidak mempengaruhi R. Dengan melihat nilai probabilitas sebesar

7.1E-05 maka Ho ditolak, berarti R mempengaruhi M1. Selanjutnya untuk pernyataan yang
kedua, dengan probabilitas 0.05263 dan pada = 1% maka Ho ditolak. Sehingga M1
mempengaruhi R. Dari pengujian Granger diatas dapat disimpulkan bahwa kedua variabel
mempunyai hubungan 2 arah atau saling mempengaruhi.
31

d. Estimasi VAR
Pada kasus ini persamaan VAR dapat ditulis sebagai berikut:
n
M 1t j M 1t j j Rt j u1t
j 1
j 1
j 1
j 1
Rt j M 1t j j Rt j u 2t
Dari Workfile, tandai semua variabel Klik kanan Open as VAR pilih
Unrestricted VAR OK.
Vector Autoregression Estimates

Standard errors in ( ) & t-statistics in [ ]
D(M1)
D(R)
D(M1(-1))
0.169618
0.001629
(0.17182)
(0.00056)
[ 0.98719]
[ 2.90445]
D(M1(-2))
0.257899
(0.16435)
[ 1.56921]
-0.000413
(0.00054)
[-0.76871]
D(R(-1))
-235.9120
(53.3880)
[-4.41882]
0.161317
(0.17432)
[ 0.92541]
D(R(-2))
-7.438080
(58.2922)
[-0.12760]
0.137387
(0.19033)
[ 0.72183]
32

222.8912
(113.810)
[ 1.95844]
R-squared
0.414380
Adj. R-squared
0.341178
Sum sq. resids
7187605.
S.E. equation
473.9332
F-statistic
5.660741
Log likelihood
-277.7743
Akaike AIC
15.28510
Schwarz SC
15.50279
Mean dependent
405.9368
S.D. dependent
583.8926
Determinant Residual
Covariance
Log Likelihood (d.f. adjusted)
Akaike Information Criteria
Schwarz Criteria
Untuk melihat apakah
-0.533556
(0.37161)
[-1.43580]
0.250815
0.157166
76.62843
1.547462
2.678264
-65.96965
3.836198
4.053889
-0.026126
1.685579
536064.1
-349.0536
19.40830
19.84369
variabel M1 mempengaruhi R dan sebaliknya dapat dilihat dengan
cara membandingkan nilai t-statistic hasil estimasi dengan nilai t-tabel. Jika nilai t-statistic
lebih besar dari nilai t-tabelnya, maka dapat dikatakan bahwa variabel M1 mempengaruhi R.
e. Fungsi Impulse Respon
Untuk mengetahui pengaruh shock dalam perekonomian maka digunakan metode
impulse respon function. Selama koefisien pada persamaan struktural VAR di atas sulit untuk
diintepretasikan maka banyak praktisi menyarankan menggunakan impulse respon function.
Fungsi impulse respon menggambarkan tingkat laju dari shock variabel yang satu terhadap
variabel yang lainnya pada suatu rentang periode tertentu. Sehingga dapat dilihat lamanya
pengaruh dari shock suatu variabel terhadap variabel lain sampai pengaruhnya hilang atau
kembali ke titik keseimbangan. Fungsi ini akan melacak respon dari variabel tergantung
apabila terdapat shock dalam u1 dan u2.
Lakukan Prosedur berikut ini:
Dari Hasil Estimasi VAR View Impulse Respon
Impulse Respon Multiple graph - Analytic
33

Dari hasil diatas, dapat diintepretasikan sebagai berikut:
Pada kuadran kanan atas, menunjukkan perubahan variabel M1 dalam merespon

adanya shock/perubahan variabel R. Pada awal periode, adanya shock pada R
direspon negatif oleh M1 hingga periode ke-2, yaitu mencapai titik tertinggi. Setelah
periode ke-2 mulai bergerak naik hingga periode ke -5, kemudian bergerak
menghimpit titik keseimbangan.
Pada kuadran kiri bawah, menunjukkan perubahan variabel R dalam merespon

adanya shock/perubahan variabel M1. Pada awal periode, adanya shock pada M1
direspon positif oleh R hingga periode ke-3. Setelah periode ke-3, kembali ketitik
keseimbangan hingga lebih dari periode lebih dari ke-10.
f. Variance Decompositions
Variance
decompotition
akan
memberikan
informasi
mengenai
proporsi
dari
pergerakan pengaruh shock pada sebuah variabel terhadap shock variabel yang lain pada
periode saat ini dan periode yang akan datang.
Lakukan Prosedur berikut:
Dari hasil estimasi VAR View Variance Decompotition
Variance Decompotition Table None (standart Errors)
34

Period
1
2
3
4
5
6
7
8
9
10
Variance Decomposition of D(M1):

S.E.
D(M1)
473.9332
100.0000
600.7910
63.20104
617.5066
60.58988
618.7257
60.37357
619.1933
60.35171
619.2605
60.35639
619.2820
60.35240
619.2870
60.35144
619.2886
60.35114
619.2889
60.35113
D(R)
0.000000
36.79896
39.41012
39.62643
39.64829
39.64361
39.64760
39.64856
39.64886
39.64887
Period
1
2
3
4
5
6
7
8
9
10
Variance Decomposition of D(R):

S.E.
D(M1)
1.547462
0.335039
1.753751
20.38336
1.787127
19.67987
1.789185
19.63479
1.790513
19.61104
1.790990
19.61349
1.791009
19.61517
1.791011
19.61527
1.791013
19.61530
1.791014
19.61528
D(R)
99.66496
79.61664
80.32013
80.36521
80.38896
80.38651
80.38483
80.38473
80.38470
80.38472
Dari hasil di atas, dapat di intepretasikan sebagai berikut:
Pada tabel pertama, menjelaskan tentang variance decompotition dari variabel M1,
variabel apa saja dan seberapa besar variabel tersebut mempengaruhi variabel M1.
Pada periode pertama, variabel M1 dipengaruhi oleh variabel itu sendiri (100%).
Namun pada periode kedua variabel R memberikan kontribusinya sebesar 36,79%,
nilai ini terus meningkat hingga periode ke-10 sebesar 39,64%.
Pada tabel kedua, menjelaskan tentang variance decompotition dari variabel R. Pada
awal periode, variabel M1 memberikan pengaruhnya sebesar 0,33%. Pada periode
ke-2, pengaruhnya mulai meningkat hingga 20,38%. Kemudian menurun sebesar
1% hingga periode ke-10, yaitu sebesar 19,61%
35

g. Forecast
Metode VAR juga dapat digunakan untuk meramal data di periode yang akan datang.
Lakukan prosedur berikut: Klik Procs Change Workfile Range (Ubah End date:
1989:4)
Ubah juga pada sampel, Klik Procs Sample Ubah End date: 1989:4
Kembali ke estimasi VAR, Klik Procs Make Model Solve OK
Maka di kertas kerja akan muncul data baru yang didalamnya terdapat data periode yang
diramalkan.
Vector Error Correction Model(VECM)

1. Pengantar
VECM merupakan bentuk VAR yang terestriksi. Restriksi tambahan ini harus
diberikan karena keberadaan bentuk data yang tidak stasioner namun terkointegrasi. VECM
kemudian memanfaatkan informasi restriksi kointegrasi tersebut kedalam spesifikasinya.
36

Karena itulah VECM sering disebut sebagai desain VAR bagi series nonstasioner yang
memiliki hubungan kointegrasi.
Spesifikasi VECM merestriksi hubungan jangka panjang variabel-variabel endogen
agar konvergen ke dalam hubungan kointegrasinya, namun tetap membiarkan keberadaan
dinamisasi jangka pendek. Istilah kointegrasi dikenal juga sebagai istilah error, karena
deviasi terhadap ekuilibrium jangka panjang dikoreksi secara bertahap melalui series parsial
penyesuaian jangka pendek.
Uji stasioneritas data dalam kasus ini digunakan untuk melihat tingkat kestasioneritasan
suatu data. Jika dalam suatu data terdapat derajat integrasi yang berbeda maka
diindikasikan adanya kointegrasi. Dengan prosedur yang sama seperti modul sebelumya,
didapat hasil uji kointegrasi sebagai berikut:
y
I(1) = I(0)
r
I(1)
b. Penentuan Lag Optimal

Prosedur penentuan lag optiomal ini sama dengan ketika kita menentukan lag optimal pada
metode VAR. Namun, terdapat perbedaan jumlah lag pada VECM. Ketika lag optimal pada
VAR adalah p, maka lag pada VECM adalah p-1.
Prosedurnya: Tandai semua variabel Klik kanan: as VAR.
Dari hasil estimasi VAR View - Lag Structure - Lag Length Criteria
Lag
0
1
2
3
4
5
6
LogL
45.06723
257.3937
272.7921
281.1133
319.0398
328.3972
329.5543
LR
NA
407.3201
28.59704
14.94429
65.79086
15.65928
1.865521
FPE
8.51E-05
1.34E-06
1.18E-06
1.20E-06
6.65E-07
6.63E-07*
7.82E-07
AIC
-0.858515
-5.008034
-5.138614
-5.124762
-5.715099
-5.722392*
-5.562333
SC
-0.779383
-4.691508*
-4.584692
-4.333446
-4.686387
-4.456286
-4.058831
HQ
-0.826508
-4.880006
-4.914564
-4.804691
-5.299006*
-5.210278
-4.954197
37

7
8
335.7140
348.0830
9.553857
18.42718*
8.36E-07
7.89E-07
-5.504368
-5.573122
-3.763472
-3.594830
-4.800211
-4.772944
Berdasarkan hasil penentuan lag optimal, Lag optimal pada VAR adalah 5 (tanda bintang
yang paling banyak). Maka lag optimal pada VECM adalah 4
c. Uji Kointegrasi
Lakukan prosedur berikut : Tandai semua variabel Klik kanan: as VAR pilih VEC
Cointegration pilih no.5 OK
Kemudian muncul hasil estimasi VEC, Pilih View
- Cointegration test pilih no.6
(summary) - OK
38

Akan muncul hasil sebagai berikut:
Perhatikan letak tanda bintang, tanda bintang menunjukkan lag yang digunakan. Dari hasil
regresi tersebut terdapat dua kriteria, yaitu SC dan AIC. Keputusan penentuan kriteria
antara SC dan AIC tidak dipermasalahkan. Selain penentuan lag, dari hasil tersebut juga
diperlukan dalam menentukan spesifikasi deterministik. Penentuannya adalah dengan
melihat letak tanda bintang berada pada kolom apa Dari hasil tersebut, berdasarkan kriteria
yang kita pilih, misalnya AIC, maka spesifikasi deterministiknya adalah Linear intercept and
trend
Setelah tren data diketahui, langkah selanjutnya adalah menentukan apakah data
tersebut terkointegrasi atau tidak. Penentuan ini dapat dilihat dengan membandingkan nilai
Max-Eigen dan nilai trace-nya. Jika nilai Max-Eigen dan nilai trace-nya lebih besar dari nilai
kritis 1% dan 5% maka data terkointegrasi.
Unrestricted Cointegration Rank Test
39

Hypothesized
No. of CE(s) Eigenvalue
Trace
Statistic
5 Percent
1 Percent
Critical Value Critical Value
None **
0.235046
51.74072
42.44
48.45
At most 1
0.186624
24.67886
25.32
30.45
At most 2
0.037078
3.816108
12.25
16.26
*(**) denotes rejection of the hypothesis at the 5%(1%) level
Trace test indicates 1 cointegrating equation(s) at both 5% and 1% levels
Hypothesized
No. of CE(s) Eigenvalue
Max-Eigen
Statistic
5 Percent
1 Percent
Critical Value Critical Value
None *
0.235046
27.06186
25.54
30.34
At most 1 *
0.186624
20.86275
18.96
23.65
At most 2
0.037078
3.816108
12.25
16.26
*(**) denotes rejection of the hypothesis at the 5%(1%) level
Max-eigenvalue test indicates 2 cointegrating equation(s) at the 5% level
Max-eigenvalue test indicates no cointegration at the 1% level
Berdasarkan hasil uji kointegrasi, terlihat bahwa nilai Trace statistic lebih besar dari
nilai kritis 5% dan 1%. Selain itu, nilai Max-Eigen juga lebih besar nilai kritis 5%, maka
dapat disimpulkan bahwa data tersebut terkointegrasi. Hal ini menujukkan behwa terdapat
hubungan jangka panjang antara variabel y, m, dan r. Terkointegrasinya suatu data
menunjukkan sinyal yang tepat untuk menggunakan metode VECM. Selanjutnya kita dapat
menentukan estimasi VECM.
d. Estimasi VECM
Dalam estimasi VECM ini akan menunjukkan hubungan antara variabel satu dengan
variabel lain baik dalam jangka panjang maupun jangka pendek. Pada tabel bagian atas
menunjukkan hubungan antar variabel dalam jangka panjang, sedangkan bagian bawah
menunjukkan hubungan jangka pendek.
Prosedur: Dari hasil kointegrasi sebelumnya, pilih estimate pastikan lag pada lag
optimal check lagi spesifikasinya sesuai dengan hasil uji kointegrasi Johansen
pada endogenous variabel, pastikan variabel dependent ada didepan OK
Cointegrating Eq:
Y(-1)
CointEq1
1.000000
M(-1)
0.261660
(0.05059)
[ 5.17208]
R(-1)
-0.173293
(1.07856)
[-0.16067]
@TREND(1)
-0.014203
(0.00183)
[-7.78090]
40

C
Error Correction:
CointEq1
-13.45238
D(Y)
0.007934
(0.01536)
[ 0.51661]
D(M)
-4.783336
(0.92859)
[-5.15120]
D(R)
0.006771
(0.01736)
[ 0.38998]
D(Y(-1))
-0.308585
(0.09643)
[-3.20015]
19.62085
(5.83017)
[ 3.36540]
0.334980
(0.10901)
[ 3.07303]
D(Y(-2))
-0.272241
(0.10212)
[-2.66585]
14.05796
(6.17436)
[ 2.27683]
0.124763
(0.11544)
[ 1.08075]
D(Y(-3))
-0.238260
(0.09873)
[-2.41319]
12.22537
(5.96948)
[ 2.04798]
0.170040
(0.11161)
[ 1.52351]
D(Y(-4))
0.554164
(0.09161)
[ 6.04945]
14.92603
(5.53857)
[ 2.69492]
0.269248
(0.10355)
[ 2.60006]
D(M(-1))
0.000507
(0.00354)
[ 0.14322]
0.199383
(0.21420)
[ 0.93084]
-0.000312
(0.00400)
[-0.07795]
D(M(-2))
-0.001527
(0.00299)
[-0.51060]
0.126259
(0.18082)
[ 0.69827]
-0.000339
(0.00338)
[-0.10032]
D(M(-3))
-0.000698
(0.00241)
[-0.29027]
0.100044
(0.14542)
[ 0.68797]
0.000161
(0.00272)
[ 0.05934]
D(M(-4))
0.000885
(0.00170)
[ 0.52177]
0.052163
(0.10253)
[ 0.50876]
0.000283
(0.00192)
[ 0.14776]
D(R(-1))
-0.098170
(0.09380)
[-1.04656]
-4.973172
(5.67144)
[-0.87688]
-0.304232
(0.10604)
[-2.86907]
D(R(-2))
-0.114581
(0.09638)
[-1.18881]
-5.638503
(5.82742)
[-0.96758]
-0.127013
(0.10896)
[-1.16574]
D(R(-3))
-0.069431
(0.09694)
[-0.71626]
-6.977150
(5.86081)
[-1.19048]
-0.076394
(0.10958)
[-0.69716]
D(R(-4))
-0.194061
(0.09286)
[-2.08987]
-1.270933
(5.61428)
[-0.22638]
-0.087437
(0.10497)
[-0.83297]
0.008921
(0.00325)
[ 2.74250]
0.683735
0.636477
0.038467
0.021027
14.46814
254.2770
-0.430221
(0.19668)
[-2.18740]
0.566555
0.501788
140.6189
1.271342
8.747515
-160.0249
-0.006475
(0.00368)
[-1.76076]
0.200525
0.081063
0.049157
0.023770
1.678571
241.8940
R-squared
Adj. R-squared
Sum sq. resids
S.E. equation
F-statistic
Log likelihood
41

Akaike AIC
-4.757961
Schwarz SC
-4.395469
Mean dependent
0.007178
S.D. dependent
0.034876
Determinant Residual
Covariance
Log Likelihood
Log Likelihood (d.f. adjusted)
Akaike Information Criteria
Schwarz Criteria
3.446038
3.808530
0.026289
1.801172
3.99E-07
-4.512752
-4.150260
5.69E-05
0.024796
336.7935
314.1878
-5.310650
-4.119605
e. Fungsi Impulse Respon

Impulse respon pada kasus ini mempunyai fungsi yang sama dengan impulse
respon pada VAR. Fungsi impulse respon menggambarkan tingkat laju dari shock variabel
yang satu terhadap variabel yang lainnya pada suatu rentang periode tertentu. Sehingga
dapat dilihat lamanya pengaruh dari shock suatu variabel terhadap variabel lain sampai
pengaruhnya hilang atau kembali ke titik keseimbangan. Fungsi ini akan melacak respon dari
variabel tergantung apabila terdapat shock dalam u1 dan u2.
Lakukan Prosedur berikut ini:
Dari Hasil Estimasi VECM View Impulse Respon
Impulse Respon Multiple graph - Analytic
Cara membaca impulse respon dalam VECM juga sama dengan membaca impulse respon
dalam VAR. Pada kuadran atas tengah menggambarkan bagaimana respon dari variabel Y
ketida ada shock/perubahan pada variabel M. Pada awal periode perubahan pada variabel M
direspon positif oleh Y hingga periode ke-3, kemudian kembali ke titik keseimbangan hingga
periode ke-4. Setelah periode ke-4, kembali direspon positif hingga periode ke-7, dan
seterusnya. Cara analisis yang sama juga berlaku untuk kuadran-kuadran yang lain.
42

f. Variance Decompotition
Variance
decompotition
akan
memberikan
informasi
mengenai
proporsi
dari
pergerakan pengaruh shock pada sebuah variabel terhadap shock variabel yang lain pada
periode saat ini dan periode yang akan datang. Fungsi variance decompotition pada VAR dan
VECM adalah sama
Lakukan Prosedur berikut:
Dari hasil estimasi VECM View Variance Decompotition
Variance Decompotition Table None (standart Errors)
1
2
3
4
5
6
7
8
9
10
Variance Decomposition
S.E.
Y
0.021139
100.0000
0.025839
97.57081
0.028262
96.09882
0.029422
95.01546
0.037348
93.50825
0.040533
92.78137
0.042433
92.01668
0.043511
91.52031
0.048385
91.46999
0.050719
91.23877
of Y:
M
0.000000
1.638515
1.419300
1.339942
1.188237
1.416427
1.307736
1.262838
1.179670
1.264402
R
0.000000
0.790677
2.481880
3.644598
5.303511
5.802205
6.675588
7.216850
7.350343
7.496827
1
2
3
4
5
6
7
8
9
10
S.E.
Y
1.278729
0.340643
1.321457
5.858214
1.327996
5.930684
1.336317
5.878751
1.338717
5.932915
1.339175
5.977487
1.346131
6.836227
1.349543
7.194223
1.349951
7.206192
1.350541
7.237450
of M:
M
99.65936
93.57737
92.79204
91.87353
91.72344
91.67374
90.73443
90.27748
90.23991
90.16444
R
0.000000
0.564415
1.277274
2.247720
2.343645
2.348770
2.429338
2.528300
2.553895
2.598108
1
2
3
4
5
6
7
8
9
10
S.E.
Y
0.023764
0.974576
0.030144
9.346332
0.034270
12.11273
0.037618
15.28430
0.040741
20.03636
0.043801
24.49639
0.046135
25.91246
0.048313
27.02703
0.050671
28.67368
0.053074
30.49034
of R:
M
0.007788
0.437286
0.823662
0.878929
1.020732
1.151648
1.164449
1.147191
1.201958
1.251721
R
99.01764
90.21638
87.06360
83.83677
78.94291
74.35196
72.92309
71.82578
70.12436
68.25794
Period
Period
Period
Cara membaca variance decompotition ini sama dengan sebelumnya ketika VAR.
Pada tabel pertama, menunjukkan variance decompotition dari variabel Y. Pada awal periode
baik variabel M maupun R tidak memberikan pengaruh apa-apa terhadap Y. Sehingga pada
awal periode. Variabel Y dipengaruhi oleh variabel itu sendiri. Pada periode ke-2 baik variabel
M maupun R mulai memberikan pengaruhnya, walaupun kontribusinya sangat kecil. Hingga
43

periode ke-10 kedua variabel tersebut memberikan pengaruh yang kecil terhadap Y, kurang
dari 10%. Analisis yang sama juga dilakukan untuk variance decompotition yang lain.
PERSAMAAN SIMULTAN
1. Sifat Dasar Model Persamaan Simultan

Sebuah sistem persamaan simultan merupakan persamaan di mana variabel
tak bebas dalam satu atau lebih persamaan juga merupakan variabel bebas di
dalam persamaan lainnya. Maka, sebuah variabel memiliki dua peranan sekaligus
sebagai variabel bebas dan variabel tak bebas. Dalam sebuah persamaan simultan
dikenal istilah istilah sebagai berikut:
a. Sistem persamaan simultan atau model adalah suatu himpunan persamaan
dimana
variabel
tak
bebas
dalam
satu
atau
lebih
persamaan
juga
merupakan variabel bebas dalam beberapa persamaan lainnya, yaitu

keadaan dimana didalam sistem persamaan suatu variabel sekaligus
memiliki dua peranan yaitu sebagai variabel tak bebas dan variabel bebas.
b. Variabel endogen adalah variabel tak bebas dalam persamaan simultan yang
nilainya ditentukan di dalam sistem persamaan, walaupun variabel-variabel
tersebut mungkin juga muncul sebagai variabel bebas didalam system
persamaan. Variabel endogen dianggap bersifat stokastik.
c. Variabel predetermined adalah variabel yang nilainya tidak ditentukan secara
langsung di dalam system. Variabel ini ditetapkan lebih dulu dan nilainya
ditetapkan
lebih
dulu
(nonstokastik).
Variabel
predetermined
terbagi
menjadi dua kategori, yaitu variabel eksogen dan variabel lag endogen.
44

Variabel lag dikategorikan sebagai predetermine dengan asumsi tidak ada

korelasi serial dengan error di dalam persamaan yang mengandung variabel
lag tersebut.
d. Model struktural adalah model yang terdiri dari beberapa persamaan yang
dibentuk berdasarkan landasan teori. Model ini dapat dianggap pula sebagai
model dasar.
e. Bentuk persamaan sederhana/reduksi adalah sebuah penyelesaian system
persamaan simultan dimana variabel endogen dinyatakan dalam variabel
predetermine dan error. Persamaan reduksi diperoleh dengan memecahkan
sistem persamaan structural sedemikian rupa sehingga bisa dinyatakan
setiap variabel endogen dalam model sebagai fungsi hanya dari variabel
eksogen atau predetermined variables dan error dalam modal. Secara
umum, juga bisa dinyatakan dalam bentuk implisit maupun eksplisit. Cara
implisit lebih mudah dilakukan, sedangkan cara eksplisit cukup susah karena
harus mencari besarnya nilai-nilai koefisien.
2. Contoh Model Persaman Simultan

a. Model permintaan dan penawaran.
Fungsi permintaan
Qtd 0 1 Pt u1t
1< 0
Fungsi penawaran
Qts 0 1 Pt u 2t
1> 0
Dimana Qd adalah kuantitas yang diminta, Q s adalah kuantitas yang ditawarkan,

dan t adalah waktu.
b. Model Keynes untuk menetapkan pendapatan.
Fungsi konsumsi
C t 0 1Yt u t
Fungsi pendapatan
Yt C t I t ( S t )
0<1<1
Dimana C adalah belanja konsumsi, Y adalah pendapatan, I adalah Investasi

(diasumsikan bersifat eksogen), dan S adalah tabungan.
c. Model upah dan harga
Wt 0 1UN t 2 Pt u1t
Pt 0 1Wt 2 Rt 3 M t u 2t
Dimana W adalah tingkat perubahan upah uang, UN adalah tingkat penganggur, P
adalah tingkat perubahan harga, R
adalah tingkat perubahan biaya modal, M
45

adalah tingkat perubahan harga bahan baku yang diimpor, T adalah waktu, dan u 1,
u2 adalah gangguan stokastik
3. Masalah Identifikasi/Pengidentifikasian
Pengidentifikasian
adalah
menaksir
angka
dari
parameter
persamaan
struktural apakah dapat diperoleh dari koefisien bentuk yang direduksi dapat
ditaksir. Jika ini dapat dilakukan, kita mengatakan bahwa persamaan tertentu
diidentifikasikan (identified). Suatu persamaan yang diidentifikasikan bisa berupa
tepat (sepenuhnya) diidentifikasikan (exactly atau fully atau just identified) atau
terlalu diidentifikasikan (overidentified).
Dikatakan tepat diidentifikasikan jika nilai angka yang unik dari parameter
struktural dapat diperoleh. Dikatakan terlalu diidentifikasikan (overidentified) jika
lebih dari satu nilai angka dapat diperoleh untuk beberapa parameter persamaan
struktural.
3.1 Tidak Diidentifikasikan

Misal pada model persamaan permintaan dan penawaran diatas. Kondisi
keseimbangan bahwa permintaan sama dengan penawaran, didapatkan,
0 1 Pt u1t 0 1 Pt u 2t
maka harga equilibrium (reduced form),
0 0
1 1
u u1t
vt 2 t
1 1
0
Pt 0 vt ,
dimana:
kemudian Q equilibrium,
1 0 0 1
1 1
u 1u1t
wt 1 2t
1 1
t
Qt t wt ,
dimana:
3.2 Just Identification

Misalnya mengikuti persamaan demand and supply :
Demand Function : Qt 0 1 Pt 2 X t u1t
Supply Function
: Qt 0 1 Pt u 2t
1 < 0, 2 > 0
1 > 0
X = pendapatan konsumen, sebagai eksogen variabel.

Dengan mekanisme keseimbangan pasar, supply = demand:
0 1 Pt 2 X t u1t 0 1 Pt u 2t
46

didapatkan Pt:
0 0
1 1
2
Pt 0 1 X t vt , dimana reduced form: 1
1 1
u u1t
vt 2t
1 1
0
kemudian Qt :
1 0 0 1
1 1

3 2 1
1 1
u 1u1t
wt 1 2 t
1 1
2
Qt 2 3 X t wt , dimana :
Koefisien reduce form :
0 2 1 0 dan 1
3
1
3.3 Overidentification
Dalam fungsi demand : Qt 0 1 Pt 2 X t 3 Rt u1t
Fungsi supply : Qt 0 1 Pt 2 Pt 1 u 2t
Dimana, R merepresentasikan kekayaan (wealth).
Dengan cara yang sama didapat equilibrium harga dan kuantitas:
Pt 0 1 X t 2 Rt 3 Pt 1 vt
Qt 4 5 X t 6 X t 7 Pt 1 wt
2
1 1
2
3
1 1

5 2 1
1 1
7 1 2
1 1
u u1t
vt 2 t
1 1
1
dimana,
0 0
1 1
3
2
1 1
0 1
4 1 0
1 1

6 3 1
1 1
u 1u1t
wt 1 2t
1 1
0
3.4 Melakukan Identifikasi

Order and Rank Condition merupakan aturan yang menjadi acuan apakah
suatu sistem persamaan dapat diselesaikan sehingga nilai koefisien persamaan
47

struktural dapat diperoleh. Menurut Order and Rank Condition, agar sebuah sistem
persamaan simultan dengan M persamaan struktural dapat diidentifikasi maka
setidaknya harus memiliki M-1 variabel endogen. Jika jumlah variabel endogen
tepat M-1 maka persamaan tersebut dikatakan exactly identified dan jika jumlah
variabel endogen lebih dari M-1 maka persamaan tersebut dikatakan over identified
atau agar sebuah sistem persamaan simultan dengan M persamaan struktural
dapat diselesaikan, jumlah variabel predetermine yang ada dalam persamaan
tersebut harus tidak kurang dari jumlah variabel endogen yang ada dalam
persamaan dikurangi satu.
Maka, M = jumlah variabel endogen dalam model
m = jumlah variabel endogen pada setiap persamaan struktural
K = jumlah variabel predetermine dalam model
k = jumlah variabel predetermine pada setiap persamaan struktural dalam
model
a. Jika K-k = m-1 maka persamaan tersebut dikatakan exactly (just) identified
b. Jika K-k > m-1 maka persamaan tersebut over identified
c. Jika K-k < m-1 maka persamaan tersebut under identified
4. Metode Menyelesaikan Persamaan Simultan
a. Indirect Least Square (ILS/ Metode kuadrat terkecil tidak langsung)
Metode ini digunakan pada persamaan struktural yang tepat teridentifikasi
(exactly identified). Langkah-langkah penyelesaian ILS adalah sebagai berikut:
1. Mengubah persamaan struktural menjadi bentuk persamaan reduksi
2. Menerapkan metode OLS (Ordinary Least Square) untuk setiap persamaan
reduksi.
3. Mendapatkan nilai estimasi dari koefisien struktural asli dari koefisien reduksi
yang ditaksir dari langkah kedua..
b. Two Stage Least Square (2SLS/ Metode Kuadrat Terkecil Dua Tahap)
2SLS
digunakan
untuk
memperoleh
nilai
parameter
struktural
pada
persamaan yang teridentifikasi berlebih. Metode ini dapat diterapkan pada suatu
sistem persamaan individu dalam sistem tanpa memperhitungkan persamaan lain
secara langsung dalam sistem.
5. Aplikasi Pada Eviews
Menyelesaikan persamaan simultan dengan sistem just identified. Misalnya
model permintaan dan penawaran :
Fungsi demand : Qt 0 1 Pt 2 X t u1t
d
Fungsi supply
: Qt 0 1 Pt u 2t
s
Berikut ini ada tiga cara yang dapat dipilih:

5.1 METODE 2SLS BERTAHAP
48

Langkah pertama untuk Eviews sama seperti olah data time series atau
cross section yaitu import data. Buka Eviews Klik File New Workfile.
Muncul Workfile Range
Pilih Frequency dan Range data sesuai data yang digunakan. Klik OK.
Pada tampilan Workfile, Klik Procs Import Read Text-Lotus-Excel.
Cari data excel sesuai dengan tempat data disimpan. Klik Open.
Pada Workfile, Klik semua variabel Klik kanan Open as Group.
Kemudian Klik Procs Make Equation Masukkan variable dalam Equation

Specification Estimasi dengan metode Least Square Klik OK.
Pada estimasi pertama adalah P sebagai endogent variabel dan X sebagai eksogent
variabel.
49

Hasil regresi persamaan pertama :
Selanjutnya pada Equation, Klik View Actual, Fitted, Residual Actual,

Fitted, Residual Table. Maka akan muncul tampilan tabel residual grafiknya.
Tampilannya seperti berikut:
50

Blok seluruh data Fitted dan copy ke Group. Caranya Blok semua data dalam
kolom Fitted Klik kanan Copy.
Buka Group, Klik Edit+/- tempatkan kursor pada kolom kosong sebelah
variabel X kemudian Klik kanan Paste. Pastikan data telah terkopi dengan
lengkap dan benar.
Kemudian pada Group, Klik Procs Make Equation Tulis persamaan pada
Equation Specification, Q menjadi endogen variabel, Fitted menjadi eksogen
variabel Method Least Square Klik OK.
51

Hasil regresi persamaan model simultan seperti berikut:
2. METODE 2SLS (LANGSUNG)

Langkah awal sama seperti sebelumnya yaitu membuat workfile dan
mengimpor data. Jika data sudah selesai diimpor kedalam workfile maka seperti
tampilan berikut:
Blok data p,q, x Klik kanan Open as Equation.
52

Muncul Equation Specification, ketik endogen variabel dan eksogen variabel. Pilih
Method Two-Stage Least Squares.
Pada Equation Specification, Q sebagai endogen variabel dan P sebagai eksogen

variabel. Klik OK. Estimation Setting menggunakan Two Stage Least Squares.
Klik OK.
Hasil regresi persamaan simultan tampak sebagai berikut:
53

3. METODE ILS
Buka Workfile dan Import data kedalam Workfile. Kemudian Blok
seluruh variabel dan Klik kanan Open as Group.
Ketik Q menjadi endogen variabel dan X menjadi variabel eksogen di dalam

kolom Equation Specification. Estimation setting gunakan Method Least
Square Klik OK.
Hasil regresi persamaan pertama sebagai berikut:
54

Kemudian lakukan copy object untuk melakukan regresi persamaan kedua. Pada
Equation Klik Objects Copy Object. Kemudian di Equation yang baru buat
estimasi seperti tampilan dibawah ini. P menjadi endogen variabel dan X menjadi
eksogen variabel. Estimation Setting menggunakan Method Least Square.
Hasil regresi persamaan kedua telah didapatkan. Dua hasil regresi yang ada
menjadi sumber untuk mendapatkan persamaan model awal. Ambil koefisien dari
kedua hasil regresi ini dan kita hitung koefisien untuk persamaan awal.
55

Panel Data
1. Pengantar
Data panel atau pooled data adalah kombinasi dari data time series dan data
cross section. Dengan menggabungkan data time series dan cross section
(pooling), maka jumlah observasi bertambah secara signifikan tanpa melakukan
treatment apapun terhadap data.
Ada tiga metode yang bisa digunakan untuk bekerja dengan data panel.
Menurut Verbeek (2000:313-19) metode yang pertama adalah pendekatan pooled
least square (PLS) secara sederhana menggabungkan (pooled) seluruh data time
series dan cross section dan kemudian mengestimasi model dengan menggunakan
metode ordinary least square (OLS). Kedua, pendekatan fixed effect (FE)
memperhitungkan kemungkinan bahwa peneliti menghadapi masalah omitted
variables dimana omitted variables mungkin membawa perubahan pada intercept
time series atau cross section. Model dengan FE menambahkan dummy variables
untuk mengizinkan adanya perubahan intercept ini. Ketiga, pendekatan efek acak
(random
effect)
memperbaiki
efisiensi
proses
least
square
dengan
memperhitungkan error dari cross section dan time series.

a. Pooled least square
Yit = 1 + 2 + 3X3it +....+ nXnit + uit
....................(3.1)
b. Fixed effect
Yit = 1 + 2D2 + .....+ nDn + 2X2it + ...+ nXnit + uit
....................(3.2)
c. Random effect
Yit = 1 + 2X2it + ...+ nXnit + it + uit
....................(3.3)
56

1.1 Pemilihan Model Estimasi dalam Data Panel

Untuk menentukan metode antara pooled least square dan fixed effect dengan
menggunakan uji F sedangkan uji Hausman digunakan untuk memilih antara
random effect atau fixed effect. Dalam fixed effect, bentuk umum regresi data
panel adalah (Aulia, 2004:28):
Yit = 1 + 2X2it + 3X3it + ... + nXnit + uit
.....................(3.4)
Selain itu, dalam teknik estimasi model regresi data panel, terdapat uji F dan uji
Hausman. Uji F dapat digunakan untuk memilih teknik dengan model pooled least
square (PLS) atau model fixed effect dengan rumus sebagai berikut (Gujarati,
2003:643):
( R 2 ur R 2 r ) /( m )
(1 R 2 ur ) /( n k )
....................( 3.5)
Di mana:
R2r
= R2 model PLS
R2ur
= R2 model FEM
= jumlah restricted variabel
= jumlah sample
= jumlah variabel penjelas
Hipotesis nol dari pada restricted F test adalah :

H0 = Model Pooled Least Square (restricted)
H1 = Model Fixed Effect (unrestricted)
Dari rumus diatas, jika kita mendapatkan hasil nilai F
hitung
> F
tabel
pada
tingkat keyakinan ( ) tertentu maka kita menolak hipotesis H 0 yang menyatakan

kita harus memilih teknik PLS, sehingga kita menerima hipotesis H1 yang
menyatakan kita harus menggunakan model Fixed Effect untuk teknik estimasi
dalam penelitian ini.
Sedangkan uji Hausman digunakan untuk memilih antara metode fixed
effect atau metode random effect. Uji Hausman didapatkan melalui command
eviews yang terdapat pada direktori panel (Widarjono, 2005:272). Rumus untuk
mendapatkan nilai Chi Square uji Hausman adalah:
Matrix b_diff
= b_fixed b_random
Matrix var_diff
= cov_fixed cov_random
Matrix qform
= @transpose(b_diff)*@inverse(var_diff)*b_diff
Hipotesis nol dari pada uji Hausman adalah :

H0 = random effect
57

H1 = fixed effect
Apabila Chi Sqare hitung > Chi Square tabel dan p-value signifikan maka H0 ditolak
dan model fixed effect lebih tepat untuk digunakan ( Aulia, 2004:31).
Misal kita ingin mengetahui bagaimana investasi (Y) tergantung pada nilai
perusahaan (X2) dan stok modal (X3). Untuk hal tersebut ada empat data
perusahaan yaitu General Electric (GE), General Motor (GM), U.S. Steel (US), dan
Westinghouse (WEST). Data untuk tiap perusahaan dengan tiga variabel tersebut
tersedia untuk periode 1935-1954. Maka ada empat cross-sectional units dan 20
time period. Untuk keseluruhan terdapat 80 observasi. X2 dan X3 diperkirakan
berhubungan positif terhadap Y.
Pooling atau combining semua 80 observasi, kita dapat menulis fungsi
investasi sebagai berikut:
Yit 1 2 X 2it 3 X 3it u it
i 1,2,3,4
t 1,2,...,20
i menunjukkan unit cross-sectional ke-i dan t menunjukkan periode waktu i.

Untuk menganalisa fungsi investasi dari empat perusahaan tadi maka kita lakukan
olah data dengan menggunakan perangkat Eviews. langkah-langkahnya adalah:
Buka program Eviews. Klik File New Workfile
Selanjutnya akan muncul Workfile baru.
58

Pada Workfile tersebut Klik Objects New Object.
Selanjutnya pada direktori New Object pilih Pool dan Klik OK.
Setelah Klik OK muncul Pool. Dibawah cross section identifiers kita isikan unit
cross-section. Kita tulis GE, GM, US, West sesuai dengan data yang ada dalam
program excel.
59

Setelah itu masih tetap pada Pool, Klik Procs Import Pool data.
Kemudian kita cari file data panel yang telah disimpan sebelumnya.
Maka tampilan pada Eviews akan tampak sebagai berikut:
60

Dalam Excel Spreadsheet import:

Pada Series order: pilih In Columns.
Pada Upper left data cell: ketik C2 karena data dimulai pada cell C2.
Pada Ordinary and Pool series to read: ketik Y? X2? X3?.
Pada Excel5 + sheet name : kita tulis sesuai sheet lokasi data kita.
Setelah semua lengkap Klik OK, maka pada lembar Workfile akan muncul data
yang telah kita import.
Pada lembar Pool, Klik Procs Estimate.
Kemudian muncul Pooled Estimation :
61

a. Pooled least square (PLS) atau Common

Pada dependent variable : Ketik Y?
Pada common coefficient : Ketik X2? dan X3?.
Pada Intercept : Pilih none, common, fixed effect, atau random effect.
Misal kita Klik Common OK. Maka estimasi pooled least square tampak sebagai
berikut:
Maka persamaannya menjadi : it = - 63,30 + 0,11X2it + 0,3X3it + uit

Selanjutnya kita coba dengan model fixed efect. Pada Pool Klik Objects Copy
Object. Kemudian muncul dua Pool yang sama.
62

Beri nama salah satu Pool dengan Klik Name Object Name, misalnya kita beri
nama pls karena menunjukkan hasil estimasi pooled least square.
b. Fixed Effect
Pada Pool yang belum kita beri nama Klik Estimate dan langkahnya sama
seperti semula. Sekarang pada Intercept Klik fixed effect OK.
Estimasi Fixed effect akan muncul sebagai berikut:
63

Hasil fixed effect menjadi :

it = -245,79 + 161,57D2i + 339,63D3i + 186,56D3i + 0,1X2it +0,3X3it + uit
c. Random Effect
Setelah mendapatkan hasil regresi fixed effect, sekarang kita coba melihat hasil
regresi random effect. Caranya sama yaitu pada Pool Klik Objects Copy
Object. Pada Pool baru Klik Estimate.
Untuk mendapatkan hasil regresi random effect pada Pooled Estimation pilih
Intercept Random Effect.
Hasil random effect seperti berikut:
64

Persamaan random effect : it = -73,03 + 0,1X2it + 0,34X3it + i +uit

Catatan: Pertama apabila nilai random effect dari keempat perusahaan dijumlah
maka hasilnya nol. Kedua, Nilai rata-rata random error component, it, adalah nilai
intersep common sebesar -73,03. Nilai random effect GE sebesar 169,92
menunjukkan seberapa besar perbedaan komponen random error dari GE dari nilai
intersep common. Ketiga, nilai R2 diperoleh dari transformed GLS regression.
Kembali ke Eviews, kita beri nama Pool estimasi pooled least square, fixed effect
dan random effect. Estimasi pooled least square telah kita namakan pls. Jika
estimasi fixed effect kita beri nama fix, kemudian estimasi random effect diberi
nama ran maka pada Workfile muncul ketiga Pool hasil common, fixed effect, dan
random effect. Hasilnya terlihat pada tampilan berikut:
d. Uji Hausman
Jika kita ingin menjalankan program tes Hausman ada beberapa langkah
yang harus dijalankan. Pertama, Workfile tersebut kita simpan dalam Eviews data.
Caranya Klik File Save As. Cari Program Eviews Example Files Data.
Beri nama filenya misal lat2 lalu Klik OK.
65

Kemudian Klik File Open Program.
Cari Folder Eviews folder Example files folder cpr Hausman. prg
Open
Pada program Hausman ada beberapa command yang harus disesuaikan menurut
Workfile kita. Command tersebut adalah :
load..\data\lat2 (sesuai dengan tempat dan nama data disimpan)
Pada estimate fixed effects and store results:
fix.ls(f) y? x2? x3?
vector beta = fix.@coefs
matrix covar = fix.@cov
66

Pada keep only slope coefficients:

!nrow=@rows(beta)
vector b_fixed = @subextract(beta,1,1,!nrow,1)
matrix cov_fixed = @subextract(covar,1,1,!nrow,!nrow)
Pada estimate random effects and store results:
ran.ls(r) y? x2? x3?
beta = ran.@coefs
covar = ran.@cov
Pada keep only slope coefficients:
!nrow=@rows(beta)
vector b_gls = @subextract(beta,2,1,!nrow,1)
matrix cov_gls = @subextract(covar,2,2,!nrow,!nrow)
Setelah membuat command pada Program Hausman Klik Run
Pada Run Program, isi Program name or path sesuai dengan lokasi Workfile
disimpan. Jika sudah Klik OK
67

Hasil tes Hausman akan muncul seperti di bawah ini. Ada dua nilai yaitu chi-square
dan nilai probabilitas. Dari nilai tersebut kita dapat menentukan apakah H 0 ditolak
atau diterima.
68

ARCH/GARCH
1. Pengantar
Data time series, terutama seperti data indeks saham, tingkat bunga, nilai tukar, dan
inflasi, sering kali bervolatilitas. Implikasi data yang bervolatilitas adalah variance dari error
tidak konstan. Dengan kata lain mengalami heteroskedatisitas. Implikasi dari adanya
heteroskedatisitas terhadap estimasi OLS tetap tidak bias, tetapi standart error dan interval
keyakinan menjadi terlalu sempit sehingga dapat memberikan sense of precision yang salah.
Untuk menjawab pertanyaan-pertanyaan mengenai volatilitas, peralatan standar
yang digunakan adalah model ARCH/GARCH. Model ini menganggap variance yang tidak
konstan (heteroskedatisitas) bukan suatu masalah, tetapi justru dapat dgunakan untuk
modeling dan peramalan.
Langkah pertama dalam metode ARCH/GARCH adalah melihat apakah data tersebut
mengandung efek ARCH/GARCH. Dalam kasus ini kita akan menguji ada tidaknya efek
ARCH/GARCH dengan menggunakan ARCH LM Test.
Lakukan prosedur berikut: Import data hingga muncul data pada Workfile
Regresi variabel tersebut dengan OLS: return c - OK
Sehingga akan tampak hasil regresi seperti dibawah ini:
Langkah kedua adalah melihat apakah terdapat efek ARCH pada residu dari model OLS yang
ada. Ada beberapa cara untuk menguji efek ARCH, yaitu:
1. ARCH LM Test
Lakukan prosedur berikut: Dari hasil regresi OLS Klik View Residual test - ARCH
LM Test
69

Cara membaca test tersebut sama dengan ketika kita menguji ada tidaknya Autokorelasi.
Dengan melihat probabilitas F-statistik dan Obs*R-squared yang kurang dari 10%, maka Ho
yang menyatakan tidak ada efek ARCH, ditolak. Kesimpulannya adalah terdapat efek ARCH.
2. Correlogram Squared Residual
Jika persamaan varian pada model benar, maka Q-stat adalah signifikan, autokorelation dan
Korelasi parsial mendekati nol pada semua lag. Bila memang ada efek ARCH/GARCH pada
residu, maka dapat digunakan ARCH/GARCH untuk mengolah data.
Langkah selanjutnya adalah mengestimasi dengan menggunakan metode ARCH/GARCH.

Lakukan prosedur berikut: Quick Estimate Equation Ketik: return c pilih metode ARCH
Order ARCH :1 - OK
70

Maka akan terlihat hasil estimasi sebagai berikut:
Pemilihan model yang baik berdasarkan pada signifikansi probabilitas dan nilai AIC dan SC
terkecil. Pada hasil estimasi diatas menunjukkan probabilitas semua parameter telah
significan. Untuk melihat apaka model ini sudah efektif, kita dapat membandingkan dengan
model lain. Misalnya dengan memasukkan suku GARCH.
Kembali pada box Equation Specification, Rubah order dengan menambahkan angka 1 pada
pilihan order.. Maka akan didapat hasil sebagai berikut:
Ternyata nilai AIC dan SC pada model kedua lebih besar dari model pertama. Maka model
pertama lebih baik daripada model kedua. Cara yang sama dapat dilakukan untuk mencarai
model yang terbaik.
71

72

Modul Ekonometri

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Modul Ekonometri

Diunggah oleh

Hak Cipta:

Format Tersedia

LABORATORIUM PENGEMBANGAN EKONOMI PEMBANGUNAN (LPEP)

FAKULTAS EKONOMI - UNIVERSITAS AIRLANGGA

ORDINARY LEAST SQUARE

A. Regresi Sederhana (OLS Sederhana)

LABORATORIUM PENGEMBANGAN EKONOMI PEMBANGUNAN (LPEP)

Akan muncul tampilan:

LABORATORIUM PENGEMBANGAN EKONOMI PEMBANGUNAN (LPEP)

Kemudian Pilih Procs - Make Equation - Equation Specification

dan variabel independent.

Maka akan tampak hasil regresi seperti berikut:

Intepretasi Hasil Regresi:

LABORATORIUM PENGEMBANGAN EKONOMI PEMBANGUNAN (LPEP)

LABORATORIUM PENGEMBANGAN EKONOMI PEMBANGUNAN (LPEP)

C. Uji t dan Uji F

. Kita bisa melihat bahwa pada variabel inflasi

LABORATORIUM PENGEMBANGAN EKONOMI PEMBANGUNAN (LPEP)

1. Model regresi adalah linier dalam parameter

LABORATORIUM PENGEMBANGAN EKONOMI PEMBANGUNAN (LPEP)

LABORATORIUM PENGEMBANGAN EKONOMI PEMBANGUNAN (LPEP)

White Heteroskedasticity Test:

Lakukan pengujian dengan prosedur sebagai berikut:

LABORATORIUM PENGEMBANGAN EKONOMI PEMBANGUNAN (LPEP)

Breusch-Godfrey Serial Correlation LM Test:

LABORATORIUM PENGEMBANGAN EKONOMI PEMBANGUNAN (LPEP)

Lakukan pengujian dengan prosedur berikut:

- View Residual test

Histogram Normality test

LABORATORIUM PENGEMBANGAN EKONOMI PEMBANGUNAN (LPEP)

AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (ARIMA)

LABORATORIUM PENGEMBANGAN EKONOMI PEMBANGUNAN (LPEP)

Null Hypothesis: GDP has a unit root

sebesar 2,215287 lebih kecil dari dengan

Null Hypothesis: D(GDP) has a unit root

LABORATORIUM PENGEMBANGAN EKONOMI PEMBANGUNAN (LPEP)

LABORATORIUM PENGEMBANGAN EKONOMI PEMBANGUNAN (LPEP)

LABORATORIUM PENGEMBANGAN EKONOMI PEMBANGUNAN (LPEP)

LABORATORIUM PENGEMBANGAN EKONOMI PEMBANGUNAN (LPEP)

Ternyata kedua model berhasil menyelesikan permasalahan autokorelasi masing-masing,

LABORATORIUM PENGEMBANGAN EKONOMI PEMBANGUNAN (LPEP)

memperpanjang range data. Pada menu utama :

LABORATORIUM PENGEMBANGAN EKONOMI PEMBANGUNAN (LPEP)

LABORATORIUM PENGEMBANGAN EKONOMI PEMBANGUNAN (LPEP)

LABORATORIUM PENGEMBANGAN EKONOMI PEMBANGUNAN (LPEP)

Sehingga akan muncul hasil estimasi sebagai berikut:

LABORATORIUM PENGEMBANGAN EKONOMI PEMBANGUNAN (LPEP)

Kemudian akan muncul Equation specification.

LABORATORIUM PENGEMBANGAN EKONOMI PEMBANGUNAN (LPEP)

LABORATORIUM PENGEMBANGAN EKONOMI PEMBANGUNAN (LPEP)

ERROR CORRECTION MODEL (ECM)

LABORATORIUM PENGEMBANGAN EKONOMI PEMBANGUNAN (LPEP)

Null Hypothesis: D(PCE) has a unit root

Dependent Variable: PCE

Hasil estimasi ini dapat ditulis ulang menjadi :

LABORATORIUM PENGEMBANGAN EKONOMI PEMBANGUNAN (LPEP)

Null Hypothesis: RESID02 has a unit root

Augmented Dickey-Fuller Test Equation

S.D. dependent var

LABORATORIUM PENGEMBANGAN EKONOMI PEMBANGUNAN (LPEP)

Hasil regresi ECM dapat dituliskan menjadi:

VECTOR AUTOREGRESSIONS (VAR)

LABORATORIUM PENGEMBANGAN EKONOMI PEMBANGUNAN (LPEP)

Kemudahan dalam penggunaan, tidak perlu mngkhawatirkan tentang

Kemudahan dalam estimasi, metode Ordinary Least Square (OLS)

Forecast atau peramalan yang dihasilkan pada beberapa kasus