MODUL EVIEWS 6

Oleh ;
Tim Penyusun

UNIT PENGEMBANGAN FAKULTAS EKONOMIKA

UNIVERSITAS DIPONEGORO
2011
 BAB I
Mengenal dan Menggunakan EViews 6

A. Memulai EViews
Langkah-langkah menjalankan program EViews adalah sebagai berikut :
1. Sama seperti halnya memulai software berbasis windows , pilih Start Menu Menu
EViews. Kemudian Pilih EViews 6.

Gambar 1.1 : Memulai Program EViews 6

Atau klik dua kali icon EViews 6 yang ada di desktop komputer.
2. Sehingga akan tampak tampilan EViews seperti gambar di bawah ini

Dilarang Memperbanyak Tanpa Seijin Penyusun

1
 MENU
Command Window UTAMA

WORK AREA, tempat berbagai

hasil ditampilkan
STATUS BAR

Gambar 1.2 : Bagian-bagian program EViews 6

Pada EViews 6 terdapat beberapa macam jendela (windows) yang fungsinya berbeda
satu sama lain. Secara ringkas, tampilan-tampilan jendela(window) dalam EViews, antara lain:
Main Window (Jendela Utama) merupakan jendela program EViews. Semua
Jendela yang lain dibuka melalui atau di dalam jendela.
Command Window (Jendela Program) berfungsi untuk mengetikkan perintah
macro EViews, baik untuk menganalisa data maupun menyusun program.
Database Window (Jendela Basisdata) berfungsi melakukan manajemen terhadap
beberapa objek dengan range berbeda.
Workfile Window (Jendela Workfile) berfungsi melakukan manajemen terhadap
beberapa objek dengan range sama.
Object Window (Jendela Objek) berfungsi melakukan manajemen terhadap
objek (unit analisa terkecil dalam EViews).
3. EViews siap digunakan untuk menginput data dengan membuat working file atau melakukan
analisis data. Klik menu FILE NEW untuk melihat tampilan berikut ini :

Gambar 1.3 : Tampilan Awal EViews

Dilarang Memperbanyak Tanpa Seijin Penyusun

2
 Setiap kali akan bekerja dengan EViews, Anda harus membuat dulu workfile ini (Anda tidak
perlu melakukannya jika Anda menjalankan EViews dengan cara batch).

B. Membuat Workfile dan mengimpor data

Pada contoh kali ini, kita akan mengimpor data dari Program Excel. Dalam kasus ini kita akan meneliti
factor-faktor yang mempengaruhi penjualan buanga mawar (rose) di Perusahaan ABC. Untuk meneliti
factor-faktor tersebut, peneliti perusahaan membuat model untuk tujuannya tersebut sebagai berikut :
Di mana : Y = a0 + a1 X1 + a2 X2 + a3 X3
Y = Jumlah Penjualan Bunga Ros, (dalam lusin)
X1 = Rata-rata harga bunga Ros, $/lusin
X2 = Rata-rata promosi, $/lusin
X3 = Rata-rata tingkat pendapatan/kapita, $/week
Dan data-datanya ditampilakan dalam program Ms. Excel di bawah ini :

Gambar 1.4 : Contoh data Excel yang akan diimpor ke Program EViews

Langkah-langkah yang digunakan untuk mengimpor data adalah sebagai berikut :

1. Pilih menu File New Workfile, sehingga di layar akan tampak tampilan berikut ini :

Dilarang Memperbanyak Tanpa Seijin Penyusun

3
 Gambar 1.5 : Tampilan untuk menentukan jenis data dengan EViews 6
Berikut ini adalah jenis data dan cara pendekatan jenis data dalam program EViews
Jenis Data Keterangan Cara Menuliskan
Annual data Tahunan. Pada Start Date : 2010
Pada End Date : 2015
Semi-Annual untuk data 6 bulanan (semester). 2010:1, 2015:2
Quarterly data 3 bulanan (triwulan) 2010:1, 2015:4
Monthly data bulanan. 2010:01, 2015:12
Weekly data mingguan 1/1/2010, 12/30/2015
Daily 5 days week untuk 5 hari seminggu, Senin- 1/1/2010, 12/28/2015
Jumat
Daily 7 days week Untuk 7 hari seminggu, Senin- 1/1/2010, 12/30/2015
Minggu
Integer data Data tidak beraturan, cross 1, dan banyaknya data
section

2. Pada pilihan Start date, isikan dengan angka 1990 dan pada End Date, isikan angka 2005 (
sesuai dengan data yang ada pada tabel di atas). Isian yang lain, seperti WF dan Page, kita
kosongi dahulu karena belum akan kita gunakan.
3. Pilih OK. Untuk menuju tampilan di bawah ini

Dilarang Memperbanyak Tanpa Seijin Penyusun

4
 Gambar 1.6 : Layar Kerja Program EViews 6

Sekarang Anda sudah membuat sebuah Workfile untuk mengerjakan berbagai analisis. Langkah
selanjutnya adalah kita akan mengimpor data dari program Ms. Excel. Sebelum mengimpor data,
tutup program Ms. Excel tempat data kita berada. Karena EViews tidak dapat membaca data yang
sedang dibuka oleh program lain.
4. Pilih menu File Import Read-Lotus-Excel

Gambar 1.7 : Menu untuk mengimpor data dari program teks atau spreadsheet
5. Pilih nama file dan jenis file yang akan diimpor. Dalam kasus ini, kita pilih jenis Excel (*.xls).
kemudian pilih nama file yang akan diinput. Diakhiri dengan mengklik OK

Dilarang Memperbanyak Tanpa Seijin Penyusun

5
 PILIH FILE YANG
AKAN DIINPUT

Tentukan
Jenis
Filenya

Gambar 1.7 : Menu untuk mengimpor data dari program teks atau spreadsheet
6. Pada tampilan windows berikutnya, kita diminta untuk menentukan posisi awal (Upper Left Data
Cell). Pada table yang kita buat. Upper Left Data Cell berada di cell B2 (data pertama variable
Y). Pada isian di bawahnya, isikan bentuk model yang akan kita analisis yaitu Y X1 X2 X3.
Berarti nantinya kita akan mempunya 4 variabel, yaitu variable y, x1,x2,x3

Gambar 1.8 : Menentukan variabel yang akan diimpor

Setelah mengklik OK, maka tampilan workfile akan tampak seperti gambar berikut ini.
Variabel c dan resid secara otomatis sudah bertambah dalam program EViews.

Dilarang Memperbanyak Tanpa Seijin Penyusun

6
 Gambar 1.9 : Layar kerja setelah mengimpor variabel
7. Agar tidak berulangkali melakukan langkah-langkah di atas, sebaiknyaworkfile tersebut kita
simpan dengan memilih menu FileSave As kemudian beri nama file.
Apabila ingin menjalankan program EViews dilain waktu, kita cukup membuka dengan menu
File Open EViews Workfile kemudian pilih nama filenya.

C. Menampilkan dan Mengedit Data

Setelah workfile siap kita buat, maka untuk melihat data yang baru saja kita impor, langkah-
langkahnya adalah sebagai berikut :
1. Pilihlah variable yang akan kita lihat y, x1, x2,x3 (tampilan akan berbeda urutannya jika kita
mengklik sebaliknya). Klik dulu variable y, kemudian tekan tombol CTRL dan kliklah variable
x1, x2, dan x3 secara berurutan. Yang akan tampak di layar seperti gambar di bawah ini :

Gambar 1.10 : Memilih variabel

2. Klik kanan pada daerah yang diblok. Pilih menu Open As Group

Dilarang Memperbanyak Tanpa Seijin Penyusun

7
 Gambar 1.11 : Menu untuk menampilkan data
3. Sehingga akan muncul data group yang tadi kita pilih.

Gambar 1.10 : Data yang ditampilkan dalam program EViews

4. Kita bias mengubah dan menampahkan data pada group yang kita buat. Caranya, klik tombol

(Edit +/-) yang ada di sudut kanan atas. Kemudian editlah data yang diinginkan. Apabila

sudah selesei, klik lagi tombol untuk mengakhiri mode edit.

Dilarang Memperbanyak Tanpa Seijin Penyusun

8
 BAB II
ANALISIS DATA REGRESI

A. Regresi Sederhana
Salah satu kegunaan program EViews adalah menghitung persamaan regresi. Pada kasus ini kita
akan menghitung persamaan regresi untuk factor-faktor yang mempengaruhi penjualan bunga mawar
yang digambarkan oleh model
Yt a0 + a1 X1 + a2 X2 +at ut

1. Dari data workfile yang tttelah kita buka tadi,

pilih menu Quick Estimate Equation
2. Kemudian akan tampak windows Equation
Estimation. Isikan persamaan regresinya
dengan menuliskan y sebagai variable
dependen, c adalah konstanta, dan x1-x3
sebagai variable independen.
3. Metode regresi yang disediakan ada beberapa
Gambar 2.1 : Menu untuk melakukan analisis
cara. Namun pada kasus ini kita pilih metode Regresi

least square dan sampel akan secara otomatis mengikuti dari data yang kita tampilkan di
workfile.

Gambar 2.2 : Menuliskan persamaan regresi dengan metode kuadrat terkecil

Dilarang Memperbanyak Tanpa Seijin Penyusun

9
 Gambar 2.3 : Tampilan Hasil Analisis Regresi
4. Ada baiknya output di atas kita copikan terlebih dahulu pada lembar kerja yang lain, misalkan
dalam file MsWord. Perintah kerjanya sama seperti biasa kita melakukan copy dan paste diantara
dua jendela. Blok semua output di atas dengan cara menyorotinya menggunakan mouse.
Kemudian pada posisi semua sudah kena blok, klik kana pada mouse Copy dan Ok. Pindah
sekarang ke jendela MsWord, dan tempatkan kursor di daerah yang akan ditempatkan output
tersebut. Berikutnya gunakan perintah paste di MsWord atau Ctrl-V.
Selain itu, output tersebut harus diberi nama, karena suatu saat kita perlu mengeluarkannya
kembali. Caranya, masih tetap berada di jendela output, klik icon Name, kemudian cantumkan
nama obyeknya yang baru pada kolom disiapkan oleh EViews secara default, yaitu eq1

Gambar 2.4 : Memberikan Nama Pada Hasil Output

5. Apabila ingin menamilkan grafik yang menunjukkan antara data dan nilai prediksinya, serta
residual regresinya, klik tombol Resids sehingga akan tampil gambar sebagai berikut :

Dilarang Memperbanyak Tanpa Seijin Penyusun

10
 Gambar 2.5 : Tampilan Grafik Dta, Prediksi, dan Residualnya

6. Klik View | Pilih Representation | sehingga diperoleh fungsi persamaan sebagai berikut :

Gambar 2.6 : Tampilan Persamaan regersi pada EViews

Dilarang Memperbanyak Tanpa Seijin Penyusun

11
B. Membaca Regresi Sederhana dengan EViews
Dependent Variable: Y
Method: Least Squares
Date: 10/14/11 Time: 01:04
Sample: 1990 2005
Included observations: 16

Coefficient Std. Error t-Statistic Prob.

C 13354.60 6485.419 2.059173 0.0619

X1 -3628.186 635.6282 -5.708031 0.0001
X2 2633.755 1012.637 2.600888 0.0232
X3 -19.25394 30.69465 -0.627274 0.5422

R-squared 0.777929 Mean dependent var 7645.000

Adjusted R-squared 0.722411 S.D. dependent var 2042.814
S.E. of regression 1076.291 Akaike info criterion 17.01275
Sum squared resid 13900824 Schwarz criterion 17.20589
Log likelihood -132.1020 Hannan-Quinn criter. 17.02264
F-statistic 14.01227 Durbin-Watson stat 2.316836
Prob(F-statistic) 0.000316

Tabel 2.1 : Tampilan Persamaan regersi dalam bentuk tabel setelah diekspor ke Ms. Word

Persamaan Regresinya
Y = 13354.6016273 - 3628.18590451*X1 + 2633.75481796*X2 - 19.2539446358*X3

Dilarang Memperbanyak Tanpa Seijin Penyusun

12
 UJi Nilai Keterangan
Menunjukkan kemampuan model. Variabel
R-squared 0.777929 independen mampu menjelaskan pengaruhnya
sebanyak 77,79% terhadap variable dependen
Nilai R2 yang sudah disesuaikan. (akan
Adjusted R-squared 0.722411
dijelaskan pada penjelasan berikutnya)
S.E. of regression 1076.291 Standar error dari persamaan regresi
Sum squared resid 13900824 Jumlah nilai residual kuadrat
Nilai log likehood yang dihitung dari nilai
Log likelihood -132.1020
koefisien estimasi
Uji serempakpengaruh semua variable
F-statistic 14.01227 independen (x1,x2,x3) terhadap variable
dependen (y)
Prob(F-statistic) 0.000316 Probabilitas nilai uji F-statistik.
Mean dependent var 7645.000 Nilai mean rata-rata variable dependen (y)
S.D. dependent var 2042.814 Standar deviasi variable dependen (y)
Digunakan untuk menguji kelayakan model
selain menggunakan Uji F. Semakin kecil AIC,
Akaike info criterion 17.01275 semakin baik modelnya. Namun nilai ini baru
dapat dibandingkan apabila ada model lain yang
juga sudah dihitung AIC-nya
Sama seperti AIC, SIC digunakan untuk
Schwarz criterion 17.20589 menguji kelayakan model. Semakin kecil SIC,
semakin baik modelnya.
Sama seperti AIC, HQC digunakan untuk
Hannan-Quinn criter. 17.02264 menguji kelayakan model. Semakin kecil HQC,
semakin baik modelnya.
Nilai Durbin Watson yang digunakan untuk
Durbin-Watson stat 2.316836
mengetahui apakah ada autokolerasi
Tabel 2.2 : Penjelasan Hasil Regresi

Dilarang Memperbanyak Tanpa Seijin Penyusun

13
C. Analisa Model Regresi
1. Pengujian Statistik
a) Uji Koefisien Determinasi ( R 2 )
Koefisien determinasi ( R2 ), digunakan untuk mengukur seberapa besar variabel- variabel
bebas dapat menjelaskan variabel terikat. Koefisien ini menunjukan seberapa besar variasi total pada
variabel terikat yang dapat dijelaskan oleh variabel bebasnya dalam model regresi tersebut. Nilai dari
koefisien determinasi ialah antara 0 hingga 1. Nilai R 2 yang mendekati 1 menunjukan bahwa
variabel dalam model tersebut dapat mewakili permasalahan yang diteliti, karena dapat menjelaskan
variasi yang terjadi pada variabel dependennya. Nilai R 2 sama dengan atau mendekati 0 ( nol
) menunjukan variabel dalam model yang dibentuk tidak dapat menjelaskan variasi dalam
variabel terikat.
Nilai koefisien determinasi akan cenderung semakin besar bila jumlah variabel bebas dan
jumlah data yang diobservasi semakin banyak. Oleh karena itu, maka digunakan ukuran adjusted
R2 ( R 2 ), untuk menghilangkan bias akibat adanya penambahan jumlah variabel bebas dan
jumlah data yang diobservasi.
Analisis, melalui program EViews dapat diestimasi nilai Adjusted R2 = 0,7224 menandakan
bahwa variasi dari perubahan penjualan mawar (Y) mampu dijelaskan secara serentak oleh variabel-
variabel harga mawar (X1), promosi (X2) dan X3 (pendapatan per kapita) sebesar 72,24%,
sedangkan sisanya sebesar 27,76% dijelaskan oleh faktor-faktor lain yang tidak masuk dalam model.

b) Uji t- Statistik
Uji t-statistik digunakan untuk menguji pengaruh variabel-variabel bebas terhadap variabel
tak bebas secara parsial. Uji t-statistik biasanya berupa pengujian hipotesa :
Ho = Variabel bebas tidak mempengaruhi variabel tak bebas
H1 = Variabel bebas mempengaruhi variabel tak bebas
Dengan menguji dua arah dalam tingkat signifikansi = dan df = n k ( n = jumlah observasi, k
= jumlah parameter ) maka hasil pengujian akan menunjukan :

Dilarang Memperbanyak Tanpa Seijin Penyusun

14
 Dari hasil uji t-statistik, bisa disimpulkan bahwa hanya variabel tingkat harga bunga ros
dan promosi yang signifikan mempengaruhi variabel penjualan bunga rose sedangkan
variabel tingkat tingkat pendapatan/kapita tidak signifikan mempengaruhi penjualan bunga
ros.

c) Analisis Variansi/Uji F-Statistik

Uji F-statistik ialah untuk menguji pengaruh variabel bebas terhadap variabel tak bebas secara
keseluruhan. Uji F-statistik biasanya berupa :
Ho = Variabel bebas tidak mempengaruhi variabel tak bebas
H1 = Variabel bebas mempengaruhi variabel tak bebas
Jika dalam pengujian kita menerima Ho maka dapat kita simpulkan bahwa tidak terdapat
hubungan yang linier antara dependen variabel dengan independen variabel.

Dari hasil uji F-statistik didapat bahwa nilai F-statistik signifikan pada =
0.000316 (0,3%) hal ini mengindikasikan bahwa secara keseluruhan, semua variabel
independen mampu menjelaskan variabel dependennya yaitu penjualan bunga ros.

2. Uji Asumsi-asumsi Klasik Dalam Regresi

Secara teoritis telah diungkapkan bahwa salah satu metode pendugaan parameter dalam model
regresi linear adalah Ordinary Least Square (OLS). Metode OLS digunakan berlandaskan pada
sejumlah asumsi tertentu. Ada beberapa asumsi yang harus dipenuhi, pada prinsipnya model
regresi linear yang dibangun sebaiknya tidak boleh menyimpang dari asumsi BLUE (Best, Linear,
Unbiased dan Estimator), dalam pengertian lain model yang dibuat harus lolos dari
penyimpangan asumsi adanya serial korelasi, normalitas, linearitas, heteroskedastisitas dan
multikolinearitas. Selanjutnya, kita akan melakukan uji asumsi klasik tersebut.

Dilarang Memperbanyak Tanpa Seijin Penyusun

15
 a) Autokolerasi
Penaksiran model regresi linier mengandung asumsi bahwa tidak terdapat autokorelasi di
antara disturbance terms. Autokorelasi ini umumnya terjadi pada data time series.
Konsekuensi dari adanya autokorelasi pada model ialah bahwa penaksir tidak efisien dan uji t
serta uji F yang biasa tidak valid walaupun hasil estimasi tidak bias (Gujarati,2003).
Pengujian yang bisa digunakan untuk meneliti kemungkinan terjadinya autokorelasi adalah uji
Durbin-Watson ( D-W ).
Kriteria Pengujian Autokorelasi

Null Hipotesis Hasil Estimasi Kesimpulan

Ho 0 < dw < dl Tolak

Ho dl dw du Tidak ada Kesimpulan

H1 4 dl < dw < 4 Tolak

H1 4 du dw 4 dl Tidak ada kesimpulan

Tidak ada otokorelasi, du < dw < 4 - du Diterima

baik positif maupun
negatif
Tabel 2.3 : Kriteria Autokolerasi
Sumber: Basic Econometrics, Damodar Gujarati(2003)

Caranya Pengujian Autokorelasi di EViews :

Dari hasil estimasi model (eq.01) terlihat nilai durbin-watson di sebelah kiri paling bawah :

Gambar 2.7 : Nilai durbin Watson pada persamaan regersi EViews

Dilarang Memperbanyak Tanpa Seijin Penyusun

16
 Jika kita uji berdasarkan tabel Durbin-Watson di atas maka dicari terlebih dahulu nilai dl dan du
pada = 5% dengan n=16 dan k (jumlah variabel independen)= 3 yaitu dl=0,8572 dan dU=1,527
sehingga didapat :

positif tidak tentu tidak ada autokorelasi tidak tentu negatif

Autokorelasi autokorelasi
0 dl=0,8572 du=1,527 2,31 4-du=2,47 4-dl= 3,1428

karena 2,33 berada di daerah tidak ada autokorelasi maka bisa disimpulkan bahwa model tidak
mengandung masalah autokorelasi.

b) Heterokesdasitisitas
Heteroskedastisitas sering terjadi pada model yang menggunakan data cross section, karena
data tersebut menghimpun data yang mewakili berbagai ukuran (Sritua, 1993). Konsekuensi
logis dari adanya heteroskedastisitas ialah bahwa penaksir tetap tak bias dan konsisten tetapi
penaksir tadi tidak lagi efisien baik dalam sampel kecil maupun sampel besar.
Terdapat beberapa metode untuk mengidentifikasi adanya heteroskedastisitas, antara lain: metode
grafik, metode Park, metode rank Spearman, metode Lagrangian Multiflier (LM test) dan white
heteroscedasticity test.
Uji Heteroskedastisitas dengan metode Whites General Heterocedasticity
Metode pengujian dengan metode White ini tidak menggunakan asumsi normalitas
sehingga sangat mudah untuk diimplementasikan dan sangat cocok dengan model logit
yang berdistribusi Logistic (Gujarati,2003).

Dilarang Memperbanyak Tanpa Seijin Penyusun

17
Pengujian Heterosskedastisitas di EViews :

Klik View | Residual test |

pilih heteroscedaticity test |
pilih white | OK

Gambar 2.8 : Cara Mengukur Nilai Hetereskesdasitas

Dari hasil estimasi didapat bahwa : Obs*R-squared =13,91 dengan p-value=0,86.

Uji hipotesis :
Ho : Tidak ada heteroskedastisitas
H1 : Ada heteroskedastisitas
Pengujian :
Jika p-value < =5% maka Ho ditolak
Karena p-value= 0,86 > =5% maka Ho tidak ditolak, sehingga bisa disimpulkan bahwa
tidak ada heteroskedastisitas di dalam model.

Dilarang Memperbanyak Tanpa Seijin Penyusun

18
 c) Uji Multikolinieritas
Tahapan pengujian melalui program EViews dengan pendekatan koralasi parsial dengan
tahapan sebagai berikut :

1. Lakukan regresi seperti contoh di atas :

Y = a0 + a1 X1 + a2 X2 + a3 X3 ................................................................ (R1)

2. Kemudian lakukan estimasi regresi untuk :

X1 = b0 + b1 X2 + b2 X3 ........................................................................ (R2)

X2 = b0 + b1 X1 + b2 X3 ........................................................................ (R3)

X3 = b0 + b1 X2 + b2 X1 ........................................................................ (R4)

Gambar 2.8 : Output Nilai Regresi 1

Dilarang Memperbanyak Tanpa Seijin Penyusun

19
 Gambar 2.9 : Output Nilai Regresi 2

Gambar 2.10 : Output Nilai Regresi 3

Dilarang Memperbanyak Tanpa Seijin Penyusun

20
 Gambar 2.11 : Output Nilai Regresi 4

Untuk Persamaan (1) nilai R2 adalah sebesar 0,77 selanjutnya kita sebut R1

Untuk Persamaan (1) nilai R2 adalah sebesar 0,34 selanjutnya kita sebut R2

Untuk Persamaan (1) nilai R2 adalah sebesar 0,28 selanjutnya kita sebut R3

Untuk Persamaan (1) nilai R2 adalah sebesar 0,16 selanjutnya kita sebut R4

Ketentuan :
Bila nilai R1 > R2, R3, R4 maka model tidak diketemukan adanya multikolinearitas.
Bila nilai R1 < R2, R3, R4 maka model diketemukan adanya multikolinearitas.

Analisis Hasil Output, menunjukkan bahwa nilai R1 > R2, R3, R4 maka dalam model tidak
diketemukan adanya multikolinearitas.

d) Uji Normalitas
Uji distribusi normal adalah uji untuk mengukur apakah data kita memiliki distribusi
normal sehingga dapat dipakai dalam statistik parametrik (statistik inferensial). Pendugaan
persamaan dengan menggunakan metode OLS harus memenuhi sifat kenormalan,
karena jika tidak normal dapat menyebabkan varians infinitif (ragam tidak hingga atau ragam

Dilarang Memperbanyak Tanpa Seijin Penyusun

21
 yang sangat besar). Hasil pendugaan yang memiliki varians infinitif menyebabkan pendugaan
dengan metode OLS akan menghasilkan nilai dugaan yang not meaningful (tidak berarti). Salah
satu metode yang banyak digunakan untuk menguji Normalitas adalah Jarque-Bera test.
Pada program EViews, pengujian normalitas dilakukan dengan Jarque-Bera test. Jarque-
Bera test mempunyai distribusi chi square dengan derajat bebas dua. Jika hasil Jarque-Bera test
lebih besar dari nilai chi square pada =5 persen, maka tolak hipotesis nul yang berarti tidak
berdistribusi normal. Jika hasil Jarque- Bera test lebih kecil dari nilai chi square pada =5 persen,
maka terima hipotesis nul yang berarti error term berdistribusi normal.

Pada tampilan output EViews, pilih View Residual Tests dan Histogram Normality Test.

Gambar 2.12 : Uji Normalitas dengan EViews

Dilarang Memperbanyak Tanpa Seijin Penyusun

22
 Gambar 2.13 : Output Uji Normalitas EViews

Untuk mendeteksi apakah residualnya berdistribusi normal atau tidak dengan membandingkan nilai
Jarque Bera (JB) dengan X2 tabel, yaitu :

a. Jika nilai JB > X2 tabel, maka residualnya berdistribusi tidak normal.

b. Jika nilai JB < X2 tabel, maka residualnya berdistribusi normal.

Analisis Hasil Output, bahwa nilai JB sebesar 1,4529. Karena 1,4529 < 7, 82 maka dapat
disimpulkan bahwa residual berdistribusi normal.
Selain itu bisa diketahui juga dari tingkatprobability sebesar 0,483 (p > 5 %) maka dapat
disimpulkan bahwa residual berdistribusi normal.

Dilarang Memperbanyak Tanpa Seijin Penyusun

23
 DAFTAR PUSTAKA

Enders, W. 1995. Applied Econometric Time Series. John Wiley & Sons, Inc.New York.

Koutsoyiannis, A. 1978. Theory of Econometrics. Second Edition. Harper & Row Publishers, Inc.
USA.

Khoirunnurrofiq. 2003. Modul Pengenalan Singkat EViews Version 3.1. Laborotium Komputer
Fakultas Ekonomi, Universitas Indonesia, Jakarta.

Rahmanta.2009. APLIKASI EVIEWS DALAM EKONOMETRIKA. Fakultas Pertanian Universitas

Sumatera Utara. Medan

Winarno, Wahyu Wing. 2009. Analisis Ekonometrika dan Statistika dengan EViews. UPP STIM YKPN.
Yogyakarta

Dilarang Memperbanyak Tanpa Seijin Penyusun

24