Disusun oleh:
115040100111186
UNIVERSITAS BRAWIJAYA
FAKULTAS PERTANIAN
PROGRAM STUDI AGRIBISNIS
MALANG
2014
I.
PENDAHULUAN
juta ton beras. Namun, angka ini tidak menjamin bahwa Bulog tidak akan mengimpor
beras. Jadi, untuk memenuhi kebutuhan beras nasioanl agaknya Indonesia harus
menempuh jalan panjang demi mencapai swasembada beras.
Permasalahan klasik perberasan di Indonesia adalah adanya kesalahan
kebijakan politik di masa lalu. Beras diangkat menjadi komoditas superior sehingga
menggeser komoditas lainnya. Singkong, jagung, pisang, dan ubi-ubian tergeser oleh
ketergantungan yang tinggi terhadap beras. Indonesia menjadi konsumen beras terbesar
setelah Cina dan India. Rata-rata orang Asia mengonsumsi 65-70 kg beras per kapita,
sedangkan Indonesia mengonsumsi 139 kg beras per kapita.
Berkurangnya lahan pertanian juga menjadi sebuah masalah serius. Banyak
lahan pertanian yang beralih menjadi lahan perkebunan dan perumahan. Lahan yang
beralih fungsi mencapai 100.000 ha, sementara areal sawah baru hanya 40.000 ha. Tentu
saja ini adalah sebuah ketimpangan. Bagaimana bisa memenuhi kebutuhan beras
nasional jika tempat tanamnya saja selalu berkurang? Akhirnya solusi terakhir selalu
berujung pada impor. Padahal impor beras dapat memberikan tekanan tersendiri bagi
petani di Indoesia.
1.2. Tujuan
1. Untuk mengetahui model simultan pada komoditas beras
2. Untuk mengetahui perkembangan permintaan, produksi, harga, impor, dan penawaran
beras tiap tahunnya
3. Untuk mengidentifikasi dan menyusun persamaan simultan antara yang ada di lapang
dan teori yang ada
II.
METODE
Keterangan :
Y1, Y2, ...., YM : sejumlah M variabel endogen
X1, X2, , Xk
u1, u2, , uM
: sejumlah M residual
: observasi
Masukkan
data yang akan
dianalisis
dalam SPSS
Klik Variabel
View lalu ubah
nama menjadi
nama variabel
yang akan
digunakan
Klik Analyze
Klik
Regression
Klik Two
Stage Least
Square
Masukkan
variabel
endogen pada
tiap persamaan
ke kotak
dependent
Masukkan
variabel
eksogen pada
tiap persamaan
ke kotak
explanatory
Masukkan
variabel lain
diluar tiap
persamaan ke
kotak
instrumental
Klik Options
Klik Predicted
Klik Continue
Klik Ok
2.4.2. Validasi
Klik Variabel View
lalu ubah nama Fit
menjadi nama
variabel Prediksi
Klik
Descriptive
statistics
Klik Analyze
Klik
Frequencies
Masukkan variabel
endogen dan
prediksi pada tiap
persamaan ke kotak
variables
Klik Mean
Klik Continue
Klik Statistics
Klik Ok
III.
Persamaan K
k (K-k)
1
12
3
9
2
12
3
9
3
12
4
8
4
12
3
9
5
12
2
10
Berdasarkan tabel order condition diatas
G (G-1)
Keterangan
5
4
Over Identified
5
4
Over Identified
5
4
Over Identified
5
4
Over Identified
5
4
Over Identified
dapat disimpulkan bahwa ke-5 persamaan
dalam model termasuk over identified yang merupakan syarat simultan dikarenakan
memiliki nilai (K-k) > (m-1) sehingga dapat digunakan model 2SLS.
0,108 atau 10,8%. Ini menunjukkan bahwa hanya 10,8% variabel permintaan beras
Indonesia dapat dijelaskan oleh variabel populasi, pendapatan, dan harga beras
Indonesia, sedangkan sisanya 89,2% dijelaskan oleh variabel lain di luar model.
Pada tabel juga didapatkan hasil nilai dari Multiple R sebesar 0,328 yang artinya
tingkat kesesuaian atau tingkat hubungan data observasi dengan data prediksi 1
sesuai sebesar hanya 32,8%.
Pada tabel Anova merupakan hasil uji F untuk menguji signifikansi
koefisien regresi. Dari hasil perhitungan tabel Anova didapatkan nilai F hitung
sebesar 0,484 dengan tingkat signifikan 0,700. Diketahui jumlah sampel pada data
tersebut sebanyak 16 sampel, sedangkan jumlah variabel baik variabel bebas
maupun terikat pada data sebanyak 4 variabel.
df1 = k 1 = 4 (jumlah variabel) 1 = 3
df2 = n k = 16 (jumlah sampel) 4 = 12
Jika pengujian dilakukan pada = 5%, maka nilai F tabel adalah 3,49.
Dari hasil uji F didapatkan Fhitung = 0,484 sedangkan Ftabel = 3,49. Dari
hasil tersebut menunjukkan jika Fhitung < Ftabel. Jadi, kesimpulan yang didapat
adalah Ha ditolak dan H0 diterima yang artinya populasi, pendapatan, dan harga
beras Indonesia tidak berpengaruh secara signifikan atau nyata terhadap
permintaan beras Indonesia. Dengan demikian model tersebut tidak dapat diterima
sebagai penduga yang baik dan tidak layak untuk digunakan untuk analisis.
Pada tabel Coefficients merupakan uji T untuk menguji signifikansi terhadap
variabel. Misalnya pada Hipotesis 1 adalah populasi, pendapatan, dan harga beras
Indonesia berpengaruh positif terhadap permintaan beras Indonesia. Sedangkan
pada Hipotesis
menunjukkan bahwa semua variabel didapatkan nilai thitung < ttabel. Jadi, kesimpulan
yang didapat adalah terima H0, tolak Ha yang artinya secara parsial populasi,
pendapatan, dan harga beras Indonesia tidak berpengaruh positif terhadap
permintaan beras Indonesia.
Dari hasil uji t untuk hipotesis kedua diatas didapatkan thitung pada variabel populasi
sebesar 1,151, variabel pendapatan sebesar -0,456, dan variabel harga beras
Indonesia sebesar sebesar -1,305 sedangkan ttabel = 2,179. Dari hasil tersebut
menunjukkan bahwa semua variabel didapatkan nilai thitung < ttabel. Jadi, kesimpulan
yang didapat adalah terima H0, tolak Ha yang artinya secara parsial populasi,
pendapatan, dan harga beras Indonesia tidak berpengaruh signifikan atau tidak
nyata terhadap permintaan beras Indonesia.
Pada uji t, juga didapatkan fungsi model sebagai berikut:
Y = + 1X1 + 2X2 + 3X3 + e
Y = -1,755E6 + 34,138Popt - 2,069Incomet - 357,142HBIt + e
Jadi, pada tabel Coefficients didapatkan hasil bahwa variabel populasi mempunyai
tingkat signifikansi 0,272 > = 0,05, variabel pendapatan mempunyai tingkat
signifikansi 0,657 > = 0,05, dan variabel harga beras Indonesia mempunyai
tingkat signifikansi 0,321 > = 0,05 artinya variabel populasi, pendapatan, dan
harga beras Indonesia tidak signifikan dan tidak berpengaruh nyata terhadap
permintaan beras Indonesia.
3.2.2. Persamaan 2
Pada analisis 2 Stage Least Squares untuk persamaan 2 yaitu produksi
beras Indonesia yang dipengaruhi oleh harga beras Indonesia, luas area panen, dan
produkstivitas beras Indonesia. Pada tabel Model Summary didapatkan hasil nilai
dari R square sebesar 0,783 atau 78,3%. Ini menunjukkan bahwa 78,3% variabel
produksi beras Indonesia dapat dijelaskan oleh variabel harga beras Indonesia, luas
area panen, dan produkstivitas beras Indonesia, sedangkan sisanya 22,7%
dijelaskan oleh variabel lain di luar model. Pada tabel juga didapatkan hasil nilai
dari Multiple R sebesar 0,885 yang artinya tingkat kesesuaian atau tingkat
hubungan data observasi dengan data prediksi 2 sesuai sebesar 88,5%.
Pada tabel Anova merupakan hasil uji F untuk menguji signifikansi
koefisien regresi. Dari hasil perhitungan tabel Anova didapatkan nilai F hitung
sebesar 14,430 dengan tingkat signifikan 0,000. Diketahui jumlah sampel pada data
10
11
tingkat kesesuaian atau tingkat hubungan data observasi dengan data prediksi 3
sesuai sebesar 98,7%.
Pada tabel Anova merupakan hasil uji F untuk menguji signifikansi
koefisien regresi. Dari hasil perhitungan tabel Anova didapatkan nilai F hitung
sebesar 101,352 dengan tingkat signifikan 0,000. Diketahui jumlah sampel pada
data tersebut sebanyak 16 sampel, sedangkan jumlah variabel baik variabel bebas
maupun terikat pada data sebanyak 5 variabel.
df1 = k 1 = 5 (jumlah variabel) 1 = 4
df2 = n k = 16 (jumlah sampel) 5 = 11
Jika pengujian dilakukan pada = 5%, maka nilai F tabel adalah 3,36.
Dari hasil uji F didapatkan Fhitung = 101,351 sedangkan Ftabel = 3,36. Dari
hasil tersebut menunjukkan jika Fhitung > Ftabel. Jadi, kesimpulan yang didapat
adalah Ha diterima dan H0 ditolak yang artinya harga beras dunia, nilai tukar uang,
impor beras, dan harga beras Indonesia tahun kemarin berpengaruh secara
signifikan atau nyata terhadap harga beras Indonesia tahun ini. Dengan demikian
model tersebut dapat diterima sebagai penduga yang baik dan layak untuk
digunakan untuk analisis.
Pada tabel Coefficients merupakan uji T untuk menguji signifikansi terhadap
variabel. Misalnya pada Hipotesis 1 adalah harga beras dunia, nilai tukar uang,
impor beras, dan harga beras Indonesia tahun kemarin berpengaruh positif terhadap
harga beras Indonesia tahun ini. Sedangkan pada Hipotesis 2 adalah harga beras
dunia, nilai tukar uang, impor beras, dan harga beras Indonesia tahun kemarin
berpengaruh terhadap harga beras Indonesia tahun ini.
Jumlah observasi yang digunakan untuk membentuk persamaan ini sebanyak 16.
Pengujian hipotesis dengan = 5%. Sedangkan derajat bebas pengujian adalah n
k = 16 5 = 11. Untuk hipotesis pertama, karena uji satu arah, maka lihat pada df
satu sisi, sedangkan df nya = 11 maka nilai tabel t = 1,796. Untuk hipotesis kedua,
karena uji dua arah, maka lihat pada df dua sisi diatas, dengan df = 11 maka nilai
tabel t = 2,201.
Dari hasil uji t untuk hipotesis pertama diatas didapatkan thitung pada variabel harga
beras dunia sebesar 3,715, variabel nilai tukar uang sebesar 0,451, variabel impor
beras sebesar -0,062, dan variabel harga beras Indonesia tahun kemarin sebesar
5,694 sedangkan ttabel = 1,796. Dari hasil tersebut menunjukkan bahwa pada
variabel nilai tukar uang dan impor beras didapatkan nilai thitung < ttabel. Jadi,
13
kesimpulan yang didapat adalah terima H0, tolak Ha yang artinya secara parsial
variabel nilai tukar uang dan impor beras tidak berpengaruh positif terhadap harga
beras Indonesia tahun ini. Sedangkan pada variabel harga beras dunia dan harga
beras Indonesia tahun kemarin didapatkan nilai thitung > ttabel. Jadi, kesimpulan yang
didapat adalah terima Ha, tolak H0 yang artinya secara parsial variabel harga beras
dunia dan harga beras Indonesia tahun kemarin mempunyai pengaruh positif
terhadap harga beras Indonesia tahun ini atau semakin tinggi harga beras dunia dan
harga beras Indonesia tahun kemarin maka semakin tinggi pula harga beras
Indonesia tahun ini.
Dari hasil uji t untuk hipotesis kedua diatas didapatkan thitung pada variabel harga
beras dunia sebesar 3,715, variabel nilai tukar uang sebesar 0,451, variabel impor
beras sebesar -0,062, dan variabel harga beras Indonesia tahun kemarin sebesar
5,694 sedangkan ttabel = 2,201. Dari hasil tersebut menunjukkan bahwa pada
variabel nilai tukar uang dan impor beras didapatkan nilai thitung < ttabel. Jadi,
kesimpulan yang didapat adalah terima H0, tolak Ha yang artinya secara parsial
variabel nilai tukar uang dan impor beras tidak berpengaruh secara signifikan atau
tidak nyata terhadap harga beras Indonesia tahun ini. Sedangkan pada variabel
harga beras dunia dan harga beras Indonesia tahun kemarin didapatkan nilai thitung >
ttabel. Jadi, kesimpulan yang didapat adalah terima Ha, tolak H0 yang artinya secara
parsial variabel harga beras dunia dan harga beras Indonesia tahun kemarin
mempunyai pengaruh yang signifikan dan nyata terhadap harga beras Indonesia
tahun ini.
Pada uji t, juga didapatkan fungsi model sebagai berikut:
Y = + 1X1 + 2X2 + 3X3 + 4X4 + e
Y = -595,597 + 0,813HBDt + 0,028ERt - 1,354E5MBIt + 0,697HBIt-1 + e
Jadi, pada tabel Coefficients didapatkan hasil bahwa variabel harga beras dunia
mempunyai tingkat signifikansi 0,03 < = 0,05, variabel nilai tukar uang
mempunyai tingkat signifikansi 0,661 > = 0,05, variabel impor beras mempunyai
tingkat signifikansi 0,951 > = 0,05, dan variabel harga beras Indonesia tahun
kemarin mempunyai tingkat signifikansi 0,000 < = 0,05 artinya variabel yang
signifikan dan paling berpengaruh terhadap harga beras Indonesia tahun ini adalah
variabel harga beras dunia dan harga beras Indonesia tahun kemarin yang artinya
setiap kenaikan harga beras dunia sebesar 1 dollar maka akan meningkatkan ratarata harga beras Indonesia tahun ini sebesar 0,813 dollar. Sedangkan, setiap
14
kenaikan harga beras Indonesia tahun kemarin sebesar 1 dollar maka akan
meningkatkan rata-rata harga beras Indonesia tahun ini sebesar 0,697 dollar.
3.2.4. Persamaan 4
Pada analisis 2 Stage Least Squares untuk persamaan 2 yaitu impor beras
yang dipengaruhi oleh produksi beras Indonesia, harga beras dunia, dan harga
beras Indonesia. Pada tabel Model Summary didapatkan hasil nilai dari R square
sebesar 0,635 atau 63,5%. Ini menunjukkan bahwa 63,5% variabel impor beras
dapat dijelaskan oleh variabel produksi beras Indonesia, harga beras dunia, dan
harga beras Indonesia, sedangkan sisanya 36,5% dijelaskan oleh variabel lain di
luar model. Pada tabel juga didapatkan hasil nilai dari Multiple R sebesar 0,797
yang artinya tingkat kesesuaian atau tingkat hubungan data observasi dengan data
prediksi 4 sesuai sebesar 79,7%.
Pada tabel Anova merupakan hasil uji F untuk menguji signifikansi
koefisien regresi. Dari hasil perhitungan tabel Anova didapatkan nilai F hitung
sebesar 6,954 dengan tingkat signifikan 0,006. Diketahui jumlah sampel pada data
tersebut sebanyak 16 sampel, sedangkan jumlah variabel baik variabel bebas
maupun terikat pada data sebanyak 4 variabel.
df1 = k 1 = 4 (jumlah variabel) 1 = 3
df2 = n k = 16 (jumlah sampel) 4 = 12
Jika pengujian dilakukan pada = 5%, maka nilai F tabel adalah 3,49.
Dari hasil uji F didapatkan Fhitung = 6,954 sedangkan Ftabel = 3,49. Dari
hasil tersebut menunjukkan jika Fhitung > Ftabel. Jadi, kesimpulan yang didapat
adalah Ha diterima dan H0 ditolak yang artinya produksi beras Indonesia, harga
beras dunia, dan harga beras Indonesia berpengaruh secara signifikan atau nyata
terhadap impor beras. Dengan demikian model tersebut dapat diterima sebagai
penduga yang baik dan layak untuk digunakan untuk analisis.
Pada tabel Coefficients merupakan uji T untuk menguji signifikansi terhadap
variabel. Misalnya pada Hipotesis 1 adalah produksi beras Indonesia, harga beras
dunia, dan harga beras Indonesia berpengaruh positif terhadap impor beras.
Sedangkan pada Hipotesis 2 adalah produksi beras Indonesia, harga beras dunia,
dan harga beras Indonesia berpengaruh terhadap impor beras.
Jumlah observasi yang digunakan untuk membentuk persamaan ini sebanyak 16.
Pengujian hipotesis dengan = 5%. Sedangkan derajat bebas pengujian adalah n
k = 16 4 = 12. Untuk hipotesis pertama, karena uji satu arah, maka lihat pada df
15
satu sisi, sedangkan df nya = 12 maka nilai tabel t = 1,782. Untuk hipotesis kedua,
karena uji dua arah, maka lihat pada df dua sisi diatas, dengan df = 12 maka nilai
tabel t = 2,179.
Dari hasil uji t untuk hipotesis pertama diatas didapatkan thitung pada variabel
produksi beras Indonesia sebesar -2,815, variabel harga beras dunia sebesar 1,128,
dan variabel harga beras Indonesia sebesar -0.189, sedangkan ttabel = 1,782. Dari
hasil tersebut menunjukkan bahwa semua variabel didapatkan nilai thitung < ttabel.
Jadi, kesimpulan yang didapat adalah terima H0, tolak Ha yang artinya secara
parsial variabel produksi beras Indonesia, harga beras dunia dan harga beras
Indonesia tidak berpengaruh positif terhadap produksi beras Indonesia.
Dari hasil uji t untuk hipotesis kedua diatas didapatkan thitung pada variabel
produksi beras Indonesia sebesar -2,815, variabel harga beras dunia sebesar 1,128,
dan variabel harga beras Indonesia sebesar -0.189 sedangkan ttabel = 2,179. Dari
hasil tersebut menunjukkan bahwa semua variabel didapatkan nilai thitung < ttabel.
Jadi, kesimpulan yang didapat adalah terima H0, tolak Ha yang artinya secara
parsial variabel produksi beras Indonesia, harga beras dunia dan harga beras
Indonesia tidak berpengaruh secara signifikan atau tidak nyata terhadap produksi
beras Indonesia.
Pada uji t, juga didapatkan fungsi model sebagai berikut:
Y = + 1X1 + 2X2 + 3X3 + e
Y = 2355376,493 - 1,060PBIt + 459,881HBDt 37,412HBIt + e
Jadi, pada tabel Coefficients didapatkan hasil bahwa variabel produksi beras
Indonesia mempunyai tingkat signifikansi 0,016 > = 0,05, variabel harga beras
dunia mempunyai tingkat signifikansi 0,281 > = 0,05, dan variabel harga beras
Indonesia mempunyai tingkat signifikansi 0,853 > = 0,05 artinya variabel
produksi beras Indonesia, harga beras dunia dan harga beras Indonesia tidak
signifikan dan tidak berpengaruh nyata terhadap permintaan beras Indonesia.
Lapang
Keterangan
Persamaan 1
Populasi
16
Pendapatan
akan bertambah.
Tidak sesuai dengan teori
Karena kebalikan dari teori, jika
pendapatan naik maka akan
menurunkan permintaan beras.
Sesuai dengan teori
Karena jika harga beras Indonesia tahun
ini naik maka permintaan beras akan
berkurang.
Persamaan 2
Produktivitas beras
Indonesia tahun ini
Persamaan 3
Persamaan 4
Persamaan 5
Permintaan beras
Indonesia tahun ini
DBIt
N
Valid
Missing
Mean
SBIt
PBIt
HBIt
MBIt
Fit for
Fit for
DBIt,
PBIt,
MOD_1
MOD_2
Equation 1 Equation 1
Fit for
Fit for
MBIt,
SBIt,
MOD_3
MOD_4
MOD_5
Equation 1
Equation 1 Equation 1
16
16
16
16
16
16
16
16
16
16
E6
E6
2.4796875E3
9.4218944 3.9063125
E5
18
E6
Prediksi
DBIt
PBIt
HBIt
MBIt
SBIt
2769278,0
2119585,0
1041,0
280978,0
2831000,0
Prediksi
1
3337572,5
3392090,0
2252667,0
1125,0
309290,0
2959000,0
3964030,0
2306484,0
1215,0
329730,0
4073471,0
2329811,0
1256,0
226271,0
3489930,0
2453881,0
1260,0
2943923,0
2059576,0
3374606,0
Prediksi 2
Prediksi 3
Prediksi 4
Prediksi 5
2357667,6
888,4
530785,0
3034027,4
3366837,8
2354282,6
1061,7
423845,5
3151388,2
3032000,0
3402170,5
2299665,3
1192,7
403449,9
3252742,7
3089000,0
3445910,7
2199243,1
1289,9
395128,2
3148147,7
118830,0
3165000,0
3540037,4
2294708,8
1325,7
265322,3
2944748,7
1430,0
544023,0
3374000,0
3565126,2
1884777,1
1459,1
752287,4
3361529,1
2094195,0
1461,0
1099306,0
3659000,0
3632153,7
1866394,3
1595,7
727773,1
4061308,7
3977884,0
2191986,0
1525,0
1296984,0
3670000,0
3831501,4
2244857,5
1727,5
650247,4
4371595,0
3328465,0
1488269,0
2572,0
1274365,0
3714000,0
3575600,8
1483817,9
2337,2
1623642,7
4257191,4
4439453,0
1493933,0
2640,0
2153153,0
4547000,0
3720405,2
1637871,0
2522,3
1328130,0
5423031,5
4102519,0
1690004,0
2989,0
1478519,0
4721000,0
3695172,1
1840473,6
3220,2
1431022,9
4598171,7
3368570,0
1725467,0
3745,0
1284470,0
4740000,0
3512832,0
1803452,2
3866,5
1578997,9
4274312,5
3160562,0
1755354,0
3619,0
970562,0
4740000,0
3639566,4
1797962,6
3909,5
1298641,8
3883539,6
3284303,0
1631918,0
4212,0
997200,0
4570000,0
3552761,6
1711211,7
3626,7
1304726,4
3931122,4
3514290,0
2051645,0
4110,0
1119790,0
4670000,0
3868754,3
2122372,5
4384,3
1046266,9
4103952,2
3922160,0
2241747,0
5475,0
1591560,0
5020000,0
3419131,3
1987764,2
5267,5
1314763,7
4704191,2
3569095,9
1992907,6
2479,7
942189,4
3906312,5
3569095,9
1992907,6
2479,7
942189,4
3906312,5
Data prediksi
3569095,9
1992907,6
2479,7
942189,4
3906312,5
3569095,9
1992907,6
2479,7
942189,4
3906312,5
19
IV.
KESIMPULAN
Berikut adalah nilai dari Estimasi parameter dari empat persamaan yang
menjelaskan model Perberasan Indonesia adalah sebagai berikut dibawah ini:
1. DBIt = -1,755E6 + 34,138Popt - 2,069Incomet - 357,142HBIt + e
Variabel populasi, pendapatan, dan harga beras Indonesia tidak signifikan dan tidak
berpengaruh nyata terhadap permintaan beras Indonesia.
2. PBIt = 129212,279 - 57,026HBIt - 0,012LAPt + 395749,379YBIt + e
Variabel yang signifikan dan paling berpengaruh terhadap produksi beras Indonesia
adalah variabel produktivitas beras Indonesia yang artinya setiap kenaikan produktivitas
beras Indonesia sebesar 1 unit maka akan meningkatkan rata-rata produksi beras
Indonesia sebesar 395749,379 unit.
3.
20
DAFTAR PUSTAKA
Djalal, Nachrowi dkk. 2002. Penggunaan Teknik Ekonometri Pendekatan Populer dan
Praktis Dilengkapi Teknik Analisis dan Pengolahan data dengan Menggunakan Paket
Program SPSS. Jakarta : PT. RajaGrafindo Persada.
Fuad, Ainun. 2011. Pengertian Data Time Series. http://ririez.blog.uns.ac.id/2010/10/26/timeseries-dan-komponen-komponennya/. Diakses pada tanggal 3 Mei 2014.
Gujarati, N damodar. 2006. Dasar dasar ekonometrika. United states military academy.
West point
Koutsoyiannis, A. 1978. Theory of Econometrics. Second edition. The Macmillan Press Ltd.
U.S.A.
Lains, Alfian. 2002. Ekonometrika Teori dan Aplikasi Jilid I. Jakarat : Pustaka LP3ES
Indonesia.
Pradhanaarya,
Romy.2010.
Teori
Persamaan
Simultan.
21
LAMPIRAN
Persamaan 1 Model 1: DBlt = Popt+ Incomet + HBIt + e
Your trial period for SPSS for Windows will expire in 14 days.
* 2-Stage Least Squares.
TSET MXNEWVAR=1.
2SLS DBlt WITH Incomet Popt HBlt
/INSTRUMENTS HBlt_1 Incomet Popt Ert SBlt PBlt YBlt LAPt MBlt HBDt HBlt
/CONSTANT
/SAVE PRED.
Model Description
Type of Variable
Equation 1
DBlt
dependent
Incomet
Popt
HBlt
HBlt_1
instrumental
Ert
instrumental
SBlt
instrumental
PBlt
instrumental
YBlt
instrumental
LAPt
instrumental
MBlt
instrumental
HBDt
instrumental
MOD_1
Model Summary
Equation 1
Multiple R
.285
R Square
.081
Adjusted R Square
-.149
494977.968
22
ANOVA
Sum of Squares
Equation 1 Regression
df
Mean Square
2.593E11
8.642E10
Residual
2.940E12
12
2.450E11
Total
3.199E12
15
Sig.
.353
.788
Coefficients
Unstandardized Coefficients
B
Equation 1
(Constant)
Std. Error
Beta
-796348.806
5093426.675
Incomet
-1.590
4.508
Popt
27.592
HBlt
-276.023
Sig.
-.156
.878
-.130
-.353
.730
28.942
.898
.953
.359
335.934
-.836
-.822
.427
Coefficient Correlations
Incomet
Equation 1
Correlations
Popt
HBlt
Incomet
1.000
-.241
.440
Popt
-.241
1.000
-.937
HBlt
.440
-.937
1.000
23
Model Description
Type of Variable
Equation 1
PBlt
dependent
HBlt
LAPt
YBlt
HBlt_1
instrumental
Incomet
instrumental
Popt
instrumental
Ert
instrumental
DBlt
instrumental
SBlt
instrumental
MBlt
instrumental
HBDt
instrumental
MOD_2
Model Summary
Equation 1
Multiple R
.885
R Square
.783
Adjusted R Square
.729
163627.600
ANOVA
Sum of Squares
Equation 1 Regression
df
Mean Square
1.160E12
3.866E11
Residual
3.213E11
12
2.677E10
Total
1.481E12
15
24
Sig.
14.441
.000
Coefficients
Unstandardized Coefficients
B
Equation 1
(Constant)
Std. Error
Beta
105564.530
413852.259
HBlt
-23.949
250.198
LAPt
-.024
397250.891
YBlt
Sig.
.255
.803
-.107
-.096
.925
.095
-.286
-.257
.802
70308.055
.771
5.650
.000
Coefficient Correlations
HBlt
Equation 1
Correlations
LAPt
YBlt
HBlt
1.000
-.993
.162
LAPt
-.993
1.000
-.154
YBlt
.162
-.154
1.000
Model Description
Type of Variable
Equation 1
HBlt
dependent
HBDt
Ert
MBlt
HBlt_1
25
Incomet
instrumental
Popt
instrumental
DBlt
instrumental
SBlt
instrumental
PBlt
instrumental
YBlt
instrumental
LAPt
instrumental
MOD_3
Model Summary
Equation 1
Multiple R
.987
R Square
.974
Adjusted R Square
.964
265.546
ANOVA
Sum of Squares
Equation 1 Regression
Residual
Total
df
Mean Square
28588207.678
7147051.919
775663.760
11
70514.887
29363871.437
15
Sig.
101.355
.000
Coefficients
Unstandardized Coefficients
B
Equation 1
(Constant)
Std. Error
-596.724
226.958
HBDt
.814
.219
Ert
.027
MBlt
HBlt_1
Beta
Sig.
-2.629
.023
.373
3.719
.003
.057
.067
.471
.647
-1.031E-5
.000
-.004
-.058
.955
.698
.122
.600
5.738
.000
26
Coefficient Correlations
HBDt
Equation 1
Correlations
Ert
MBlt
HBlt_1
HBDt
1.000
-.503
.060
-.197
Ert
-.503
1.000
-.530
-.585
.060
-.530
1.000
.169
-.197
-.585
.169
1.000
MBlt
HBlt_1
Model Description
Type of Variable
Equation 1
MBlt
dependent
PBlt
HBDt
HBlt
HBlt_1
instrumental
Incomet
instrumental
Popt
instrumental
Ert
instrumental
DBlt
instrumental
SBlt
instrumental
YBlt
instrumental
LAPt
instrumental
MOD_4
27
Model Summary
Equation 1
Multiple R
.794
R Square
.630
Adjusted R Square
.538
398465.697
ANOVA
Sum of Squares
Equation 1 Regression
df
Mean Square
3.246E12
1.082E12
Residual
1.905E12
12
1.588E11
Total
5.151E12
15
Sig.
6.814
.006
Coefficients
Unstandardized Coefficients
B
Equation 1
(Constant)
Std. Error
Beta
2289869.339
851187.893
-1.027
.375
HBDt
448.367
HBlt
-29.021
PBlt
Sig.
2.690
.020
-.551
-2.742
.018
403.006
.490
1.113
.288
194.783
-.069
-.149
.884
Coefficient Correlations
PBlt
Equation 1
Correlations
HBDt
HBlt
PBlt
1.000
-.216
.380
HBDt
-.216
1.000
-.907
HBlt
.380
-.907
1.000
Validasi
FREQUENCIES VARIABLES=FIT_1 FIT_2 FIT_3 FIT_4
/STATISTICS=MEAN
/ORDER=ANALYSIS.
28
Frequencies
[DataSet0]
Statistics
Fit for DBlt,
Valid
Missing
Mean
16
16
16
16
3.5690959E6
1.9929076E6
2.4796875E3
9.4218944E5
Frequency Table
Fit for DBlt, MOD_1 Equation 1
Cumulative
Frequency
Valid
Percent
Valid Percent
Percent
3362391.90586545
6.2
6.2
6.2
3388943.03043378
6.2
6.2
12.5
3420097.52848555
6.2
6.2
18.8
3457743.41953907
6.2
6.2
25.0
3485800.58678754
6.2
6.2
31.2
3534124.94995997
6.2
6.2
37.5
3536604.79153205
6.2
6.2
43.8
3557150.99668346
6.2
6.2
50.0
3574061.835776
6.2
6.2
56.2
3575200.36841984
6.2
6.2
62.5
3612580.31552106
6.2
6.2
68.8
3637961.71807396
6.2
6.2
75.0
3674117.51216297
6.2
6.2
81.2
3690229.89853461
6.2
6.2
87.5
3769606.79246875
6.2
6.2
93.8
3828918.34975593
6.2
6.2
100.0
16
100.0
100.0
Total
29
Percent
Valid Percent
Percent
1486516.99024614
6.2
6.2
6.2
1634801.38955798
6.2
6.2
12.5
1716232.60622276
6.2
6.2
18.8
1793349.44217431
6.2
6.2
25.0
1812123.25476764
6.2
6.2
31.2
1838362.96066124
6.2
6.2
37.5
1860981.94438377
6.2
6.2
43.8
1883335.6305913
6.2
6.2
50.0
1995047.53283056
6.2
6.2
56.2
2110837.80689665
6.2
6.2
62.5
2201244.00392974
6.2
6.2
68.8
2237060.09457543
6.2
6.2
75.0
2293831.17337858
6.2
6.2
81.2
2303911.45672774
6.2
6.2
87.5
2357814.79255437
6.2
6.2
93.8
2361070.9205018
6.2
6.2
100.0
16
100.0
100.0
Total
Percent
Valid Percent
Percent
887.74539911816
6.2
6.2
6.2
1061.14850221246
6.2
6.2
12.5
1192.20518513122
6.2
6.2
18.8
1289.08276187603
6.2
6.2
25.0
1324.47804868756
6.2
6.2
31.2
1459.21596507144
6.2
6.2
37.5
1597.70424712607
6.2
6.2
43.8
30
1728.9380411718
6.2
6.2
50.0
2336.78313940043
6.2
6.2
56.2
2525.53707906362
6.2
6.2
62.5
3220.01403828123
6.2
6.2
68.8
3625.94440758805
6.2
6.2
75.0
3865.51089166692
6.2
6.2
81.2
3908.49550458201
6.2
6.2
87.5
4383.75493929005
6.2
6.2
93.8
5268.44184973295
6.2
6.2
100.0
16
100.0
100.0
Total
Percent
Valid Percent
Percent
275867.508085915
6.2
6.2
6.2
401669.126853205
6.2
6.2
12.5
409340.60461774
6.2
6.2
18.8
428240.236575884
6.2
6.2
25.0
531098.867863336
6.2
6.2
31.2
651601.56204904
6.2
6.2
37.5
726138.081297164
6.2
6.2
43.8
749605.286450259
6.2
6.2
50.0
1056158.97992021
6.2
6.2
56.2
1296824.25328834
6.2
6.2
62.5
1306456.85835197
6.2
6.2
68.8
1316748.55819247
6.2
6.2
75.0
1329220.27274159
6.2
6.2
81.2
1420812.31985884
6.2
6.2
87.5
1570925.98963006
6.2
6.2
93.8
1604322.49422397
6.2
6.2
100.0
16
100.0
100.0
Total
31
32