PENGANTAR EKONOMETRIKA
(DILENGKAPI PENGGUNAAN EVIEWS)
ISBN :
Penerbit :
Danisa Media
Banyumeneng, V/15 Banyuraden, Gamping, Sleman
Telp. (0274) 7447007
Email : danisamedia_yk@yahoo.com
Segala puji bagi Allah yang telah memberikan kami kemudahan sehingga dapat
menyelesaikan bahan ajar EKONOMETRIKA 1. Tanpa pertolongan-Nya penulis
tidak akan sanggup menyelesaikan bahan ajar ini dengan baik. Shalawat dan
salam semoga terlimpahkan kepada baginda tercinta nabi kita yakni Nabi
Muhammad SAW.
Buku ini kami tujukan untuk para mahasiswa yang sedang mengambil mata
kuliah Ekonometri, baik program S1 dan S2 bidang ekonomi. Untuk itu, dalam
buku ini kami menjelaskan berbagai materi tentang konsep dasar regresi, serta
pengujian asumsi klasik dan cara perbaikan pelanggaran asumisi klasik.
Sehingga dengan demikian buku ini akan membantu mereka untuk mendapatkan
kemampuan dalam menganalisis data dengan alat analisis regresi linear.
Semoga buku ini dapat memberikan pengetahuan yang lebih luas kepada
pembaca. Walaupun buku ini memiliki banyak kekurangan. Penulis
membutuhkan kritik dan saran dari pembaca yang membangun. Terima kasih.
Penulis
Halaman Judul
Kata Pengantar
Daftar Isi
Bab 1 Konsep Dasar Ekonometrika 1
Bab 2 Regresi Sederhana 6
Bab 3 Regresi Berganda 36
Bab 4 Variabel Dummy Dalam Regresi 54
Bab 5 Uji Asumsi Klasik 59
Bab 6 Perbaikan Pelanggaran Asumsi Klasik 80
Bab 7 Analisis Regresi dengan EViews 108
Bab 8 Interpolasi Data 117
Bab 9 Menyamakan Tahun Dasar 125
Daftar Pustaka
1
KONSEP DASAR EKONOMETRIKA
Teori Ekonomi
(1)
Spesifikasi model
ekonometrika (2)
Pendugaan parameter
model (4)
Inferensi statistik
(5)
Langkah 1
Model yang akan dibagun harus didasrkan kepada teori ekonomi (Teori
Ekonomi Mikro, Teori Ekonomi Makro dan Teori ekonomi Pembangunan)
Langkah 2
Langkah 3
Langkah 4
Langkah 5
Langkah 6
Inferensi Statistik
Apakah hasil uji statistic dan ekonometrik mendukung teori, jika tidak
mendukung ulangi cek data kembali serta beri alas an pendukung
mengapai hasil tidak sesuai dengan teori.
selain tehnik analisis, data merupakan suatu hal yang akan sangat
mempengaruhi analsis yang akan digunakan dalam ekonometrik. karena
data akan mempengaruhi seberapa besar tingkat presisi dari analisis
tersebut. ada 3 jenis data:
Cross sectional
artinya itu data yang dikumpulkan dalam satu waktu.
Contoh : data PDRB provinsi di Indonesia tahun 2013
Time series
artinya data yang dikumpulkan dalam satu series waktu.
Contoh: data PDRB DIY tahun 1990-2013
Panel
merupakan data gabungan cross sectional dan time series.
Contoh: data PDRB provinsi di seluruh Indonesia tahun 1997-2012
1. Ekonometrika Teoritik
Berkaitan dengan pengembangan metode-metode yang cocok untuk
mengukur hubungan-hubungan ekonomi yang ditetapkan dalam model
ekonometrika.
2. Ekonometrika Terapan
Membahas penggunaan atau penerapan metode ekonomi yang telah
dikembangkan dalam ekonometrik terapan.
2
REGRESI SEDERHANA
2.1. Regresi
Kedua ciri ini disatukan dalam suatu model regresi dengan cara
mempostulatkan bahwa :
1. Ada suatu rencana peluang peubah Y untuk setiap taraf (level) peubah
X.
2. Rataan sebaran-sebaran peluang berubah secara sistematis sejalan
dengan berubahnya nilai peubah X.
Tabel 2.1.
No Y X No Y X No Y X
1 10 11 11 38 42 21 70 74
2 12 14 12 40 45 22 74 79
3 15 17 13 45 49 23 77 85
4 19 22 14 49 52 24 80 88
5 22 24 15 52 55 25 84 90
6 25 28 16 55 57 26 90 95
7 27 30 17 57 60 27 92 97
8 29 31 18 60 65 28 95 99
9 33 35 19 64 67 29 98 110
10 35 40 20 67 71 30 100 120
90
60
Garis Regresi
0 Konsumsi
Gambar 2.1.
Representasi Gambar bagi Model Regresi Linear
Dua model regresi mungkin saja berbeda dalam hal bentuk fungsi
regresinya, dalam hal bentuk sebaran peluang bagi peubah X, atau dalam
hal lainnya lagi. Apapun perbedaannya, konsep sebaran peluang bagi X
untuk Y yang diketahui merupakan pasangan formal bagi diagram pencar
dalam suatu relasi statistik. Begitu pula, kurva regresi, yang menjelaskan
hubungan antara rataan sebaran-sebaran peluang bagi X dengan Y,
merupakan pasangan formal bagi kecenderungan umum bervariasinya X
secara sistematis terhadap Y dalam suatu hubungan statistik.
Ungkapan “peubah bebas” atau “peubah peramal” bagi X dan “peubah tak
bebas” atau “peubah respons” bagi Y dalam suatu model regresi adalah
kebiasaan saja. Tidak ada implikasi bahwa Y bergantung secara kausal
pada X. Betapa pun kuatnya suatu hubungan statistik, ini tidak
2.5.1. Model
Bentuk umum fungsi regresinya linear dapat dituliskan sebagai
berikut:
oleh karena itu peroleh fungsi regresi bagi model (2.1), yaitu :
10 | B A H A N A J A R E K O N O M E T R I K A 1
Karena fungsi regresi menghubungkan rataan sebaran peluang bagi
Y untuk X tertentu dengan nilai X itu sendiri.
3. Nilai teramati Y pada amatan ke-i lebih besar atau lebih kecil
daripada nilai fungsi regresi dengan selisih sebesar i.
4. Setiap suku galat i diasumsikan mempunyai ragam yang sama 2.
oleh karenanya, respons Yi mempunyai ragam yang sama pula :
2 {Yi} = 2 (2.4)
Yi = 0,484499 + 0,9199Xi + i
11 | B A H A N A J A R E K O N O M E T R I K A 1
Y1 = 62
(Y1) = 2.8
E(Y1) = 59.2
E(Y) =0,48+0,92X
2 40 X
0
Pendapatan
Gambar 2.2.
12 | B A H A N A J A R E K O N O M E T R I K A 1
Gambar 2.3. memperlihatkan fungsi regresi :
50
1 = 0,92
Kemirinagn X
0 = 0,4845
0 10 20 30 40 x
Pendapatan
Gambar 2.3.
Fungsi regresi E(Y) = 0,484499 + 0,9199 Xi
13 | B A H A N A J A R E K O N O M E T R I K A 1
Pendekatan Pertama, digunakan suatu prosedur pencarian numerik.
Prosedur ini untuk berbagai nilai dugaan b0 dan b1 yang berbeda
sampai diperoleh nilai dugaan yang meminimumkan.
yi nb0 b1 X i (2.5a)
X 1Yi b0 X i b1 X i2 (2.5b)
X i Yi
X iYi
n X i X Yi Y
b1 (2.6a)
Xi Xi X
2 2
Xi
2
n
1
b0 Yi bi X i Y b1 X (2.6b)
n
dalam hal ini X dan Y berturut-turut adalah rataan Xi dan rataan Yi.
Q
2 (Yi 0 1 X i )
0 (2.7)
Q
2 X i (Yi 0 1 X i )
1 (2.8)
14 | B A H A N A J A R E K O N O M E T R I K A 1
Selanjutnya kedua turunan parsial ini disamakan dengan nol, dan
dengan menggunakan b0 dan b1 untuk menyatakan 0 dan 1 yang
meminimumkan (∑e2), maka:
(Y X ) 0
i 0 1 i
(2.9)
X (Y X ) 0
i i 0 1 i
(2.10)
n X iYi ( X i )( Yi )
b1
n X i2 ( X i )2
(2.11)
b0 Y b1 X (2.12)
Rumus terakhir ini merupakan versi lain dari rumusan yang telah
disajikan di depan, namun akan menghjasilkan nilai yang sama
(pembaca dapat membuktikannya).
Penduga kuadrat terkecil ini ialah penduga tak bias dan merupakan
fungsi linear dari Yi , yaitu:
( X X )Y k Y
i i
( X X ) 2 i i
i
dimana:
ki
(X X ) i
( X X ) 2
i
(2.13)
1
b0 Yi X kiYi bYi i
n (2.14)
dimana:
1
bi ( Xki )
n (2.15)
15 | B A H A N A J A R E K O N O M E T R I K A 1
(jadi baik b1 maupun b0 merupakan kombinasi linear atau fungsi
linear dari Yi ).
Asumsi 3
16 | B A H A N A J A R E K O N O M E T R I K A 1
Asumsi 4
ei2 X i karena asumsi 3
2
Asumsi 5
Tidak ada serial korelasi antara gangguan ei atau gangguan ei tidak saling
berhubungan dengan ej yang lain atau dapat dinyatakan sbb:
Cov ei , e j X i , X j ei (ei ) X i e j E (e j ) X j (2.20)
e X e
i i j Xj
0
Asumsi 6
17 | B A H A N A J A R E K O N O M E T R I K A 1
3. Estimator ̂1 mempunyai varian yang minimum. Estimator yang
tidak bias dengan varian minimum disebut estimator yang efisien
(efficient estimator).
X i2 2
Var (ˆ0 ) (2.22)
n xi2
X i2 2
Se(ˆ0 ) Var (ˆ0 ) (2.23)
n xi2
2
Var ( ˆ1 ) (2.24)
xi2
2
Se( ˆ1 ) Var ( ˆ1 ) (2.25)
xi2
18 | B A H A N A J A R E K O N O M E T R I K A 1
eˆi2
̂
2
(2.26)
nk
dimana: xi X i X
n = jumlah observasi
k = jumlah parameter estimasi yaitu ̂ 0 dan ̂1 .
eˆi2 adalah jumlah residual kuadrat (residual sum of squares =RSS).
n-k dikenal dengan jumlah derajat kebebasan (number of degree of
freedom) disingkat sebagai df. df ini berarti jumlah observasi (n) dikurangi
dengan jumlah paremeter estimasi. Semakin kecil standard error dari
estimator maka semakin kecil variabilitas dari angka estimator dan berarti
semakin dipercaya nilai estimator yang didapat. Bagaimana varian dan
standard error dari estimator mampu membuat keputusan tentang
kebenaran dari estimator akan dijelaskan dalam bab berikutnya.
Jika semua data terletak pada garis regresi atau dengan kata lain semua
nilai residual adalah nol maka mempunyai garis regresi yang sempurna.
Tetapi garis regresi yang sempurna ini jarang jumpai. Pada umumnya
yang terjadi adalah êi bisa positif maupun negatif. Jika ini terjadi berarti
merupakan garis regresi yang tidak seratus persen sempurna. Namun
yang harapkan adalah bahwa mencoba mendapatkan garis regresi yang
menyebabkan êi sekecil mungkin. Dalam mengukur seberapa baik garis
regresi cocok dengan datanya atau mengukur persentase total variasi Y
yang dijelaskan oleh garis regresi digunakan konsep koefisien determinasi
(R2).
Konsep koefisein determinasi dapat jelaskan melalui persamaan
sebelumnya sbb:
Yi Yˆi eˆi (2.27 )
Kedua sisi persamaan (2.27) kemudian dikurangi dengan nilai rata-rata Y
(Y ) sehingga akan dapatkan persamaan sbb:
19 | B A H A N A J A R E K O N O M E T R I K A 1
(Yi Y ) adalah variasi di dalam Y dari nilai rata-ratanya dan total dari
penjumlahan kuadrat nilai ini disebut total sum of squares (TSS).
(Yˆi Y ) adalah variasi prediksi Y ( Yˆi ) terhadap nilai rata ratanya atau
variasi garis regresi dari nilai rata-ratanya dan total dari penjumlahan
kuadrat nilai ini disebut explained sum of squares (ESS). (Yi Yˆi ) atau
residual e adalah variasi dari Y yang tidak dijelaskan oleh garis regresi
atau variasi Y yang dijelaskan oleh variabel residual dan nilai total dari
penjumlahan kuadratnya disebut residual sum of squares (RSS). Dengan
demikian maka persamaan (2.28) dapat ditulis kembali menjadi
persamaan sbb:
variasi total (Y Y )
Ŷ
(Yˆ Y ) = variasi karena regresi
Y
Jika garis regresi menjelaskan data dengan baik maka ESS akan
lebih besar dari RSS. Pada kasus ekstrim bila semua garis regresi cocok
dengan datanya maka ESS sama dengan TSS dan RSS sama dengan nol. Di
20 | B A H A N A J A R E K O N O M E T R I K A 1
lain pihak jika garis regresi kurang baik menjelaskan datanya RSS akan
lebih besar dari ESS. Pada kasus ekstrim jika garis regresi tidak
menjelaskan semua variasi nilai Y maka ESS sama dengan nol dan RSS
sama dengan TSS. Oleh karena itu jika nilai ESS lebih besar dari RSS maka
garis regresi menjelaskan dengan proporsi yang besar dari variasi Y
sedangkan jika RSS lebih besar dari ESS maka garis regresi hanya
menjelaskan bagian kecil dari variasi Y.
Dari penjelasan ini dapat didefinisikan bahwa R2 sebagai rasio
antara ESS dibagi dengan TSS. Formula R2 dengan demikian dapat ditulis
sbb:
ESS
R2 (2.32)
TSS
(Yˆi Y ) 2
(Yi Y ) 2
21 | B A H A N A J A R E K O N O M E T R I K A 1
sisanya sebesar 1,11% dijelaskan oleh variabel residual yaitu variabel
diluar model yang tidak dimasukkan dalam model.
Koefisien determinasi hanyalah konsep statistik. mengatakan
bahwa sebuah garis regresi adalah baik jika nilai R2 tinggi dan sebaliknya
bila nilai R2 adalah rendah maka mempunyai garis regresi yang kurang
baik. Namun demikian, harus memahami bahwa rendahnya nilai R 2 dapat
terjadi karena beberapa alasan. Dalam kasus khusus variabel independen
(X) mungkin bukan variabel yang menjelaskan dengan baik terhadap
variabel dependen (Y) walaupun percaya bahwa X mampu menjelaskan Y.
Akan tetapi, dalam regresi runtut waktu (time series) seringkali
mendapatkan nilai R yang tinggi. Hal ini terjadi hanya karena setiap
2
(X i X )(Yi Y )
cov( X i , Yi ) n 1
(2.36)
n 1
n
(X i X )2
var( X i ) n 1
(2.37)
n 1
22 | B A H A N A J A R E K O N O M E T R I K A 1
n
(Y i Y )2
var(Yi ) n 1
(2.38)
n 1
sehingga dapat menulis formula untuk koefisien korelasi sbb:
n
(X i X )(Yi Y )
r n 1
(2.39)
n n
(X
n 1
i X ) 2 (Yi Y ) 2
n 1
Dari tabel 2.1 diketahui data konsumsi dan pendapatan penduduk suatu
daerah sebagai berikut :
23 | B A H A N A J A R E K O N O M E T R I K A 1
Untuk bisa menjawab pertanyaan diatas maka saudara harus buat tabel isian
sebagai berikut :
SUMMARY OUTPUT
Regression Statistics
Multiple R …………….........
R Square …………….....…
Adj R Square ……………....…
Stand Error 1.706706
Observations ……………....…
ANOVA
df SS MS F Sign F
Regression ………….......…. ……………… …………. ………… 7.587E-08
Residual ………….......…. ………………. ….………
Total …………......…. ………………
Jawab:
Missal
Y = konsumsi
X = pendapatan
Maka persamaan regresi Y = b0 + b1X
Persamaan tersebut dapat dicari dengan bantuan table sebagai berikut :
Tahun Y X YX X2
2006 14 15 210 225
2007 17 19 323 361
2008 19 20 380 400
2009 20 22 440 484
2010 22 25 550 625
2011 25 30 750 900
2012 30 32 960 1024
2013 32 34 1088 1156
2014 33 35 1155 1225
2015 37 45 1665 2025
2016 40 50 2000 2500
Σ 289 327 9521 10925
24 | B A H A N A J A R E K O N O M E T R I K A 1
Sehingga dari bantuan table dapat disusun persamaan :
ΣY = n b0 + b1ΣX
Σ YX = b0 ΣX + b1ΣX2
289 = 11 b0 + 327 b1 kalikan 327
9521 = 327 b0 + 10925 b1 11
C = 3,318 + 0,772 Y
Artinya :
Konstatnta = b0 = jika factor lain tidak berubah maka rata-rata konsumsi
3,318 sebesar 3,318 satuan
Koefisien b1=0,772 jika factor lain tetap maka kenaikan pendapatan sebesar
1000 satuan akan meningkatkan konsumsi sebesar 0,772
x 1000 atau sebesar 772 satuan.
Hasil persamaan regresi dapat kita tuliskan ke dalam table berikut ini
Coefficients Stand Error t Stat P-value
Intercept 3,318 ………………….. ……………... 0.060917
Pendapatan 0,772 …………………... ……………… 7.59E-08
25 | B A H A N A J A R E K O N O M E T R I K A 1
Untuk mencarai standar deviasi kita bias menggunakan formula sebagai berikut :
sehingga
sehingga
Ingat : dan
26 | B A H A N A J A R E K O N O M E T R I K A 1
Tahun Y X YX X^2 y x y^2 x^2 Y' u u^2
2006 14 15 210 225 -12.2727 -14.7273 150.6198 216.8926 14.90095 -0.90095 0.811713
2007 17 19 323 361 -9.27273 -10.7273 85.98347 115.0744 17.98958 -0.98958 0.979272
2008 19 20 380 400 -7.27273 -9.72727 52.89256 94.61983 18.76174 0.238261 0.056768
2009 20 22 440 484 -6.27273 -7.72727 39.34711 59.71074 20.30605 -0.30605 0.093669
2010 22 25 550 625 -4.27273 -4.72727 18.2562 22.34711 22.62253 -0.62253 0.387541
2011 25 30 750 900 -1.27273 0.272727 1.619835 0.07438 26.48332 -1.48332 2.200226
2012 30 32 960 1024 3.727273 2.272727 13.89256 5.165289 28.02763 1.972369 3.89024
2013 32 34 1088 1156 5.727273 4.272727 32.80165 18.2562 29.57195 2.428054 5.895445
2014 33 35 1155 1225 6.727273 5.272727 45.2562 27.80165 30.3441 2.655896 7.053784
2015 37 45 1665 2025 10.72727 15.27273 115.0744 233.2562 38.06568 -1.06568 1.135674
2016 40 50 2000 2500 13.72727 20.27273 188.438 410.9835 41.92647 -1.92647 3.71128
Σ 289 327 9521 10925 0 0 744.1818 1204.182 289 0 26.21561
= 26,21561
Sehingga = 2,912846/1204,182=0.002419
= (0,002419)0,5 = 0.049183
Dan = = 2.402449
= 1.549984
Sehingga dapat disusun :
Hasil persamaan regresi dapat kita tuliskan ke dalam table berikut ini
Coefficients Standard Error t Stat P-value
Intercept 3,318 1.549984 2,141046 0.060917
Pendapatan 0,772 0.049183 15.69977 7.59E-08
28 | B A H A N A J A R E K O N O M E T R I K A 1
SUMMARY OUTPUT
Regression Statistics
Multiple R 0.98228
R Square 0.96477
Adjusted R Square ………………
Standard Error 1.706706
Observations ………………...
ANOVA
df SS MS F Significance F
Regression …………….….. …………………..……. ……………… ……………… 7.58751E-08
Residual …………….….. 26.21561 ….…………..
Total …………….…..
= =
Sehingga r2 = 0.96477
29 | B A H A N A J A R E K O N O M E T R I K A 1
Regression Statistics
Multiple R 0.98228
R Square 0.96477 1-R2=0.035
Adj R Square 0.96085
Stand Error 1.706706
Observations 11
ANOVA
df SS MS F Sign F
Regression (k-1) =1 717.9118382 717.91 82.15 7.59E-08
Residual (n-k) =3 ∑u2 = 26.21561 8.73
(k-1)+(n-k) = 4
Total ∑y2 = 744.1274482
30 | B A H A N A J A R E K O N O M E T R I K A 1
hipotesis yang benar dinyatakan sebagai hipotesis alternatif (alternative hypothesis)
dengan simbol Ha. Dalam menguji kebenaran hipotesis dari data sampel, statistika
telah mengembangkan uji t. Uji t merupakan suatu prosedur yang mana hasil sampel
dapat digunakan untuk verifikasi kebenaran atau kesalahan hipotesis nol (H 0).
Keputusan untuk menerima atau menolak H0 dibuat berdasarkan nilai uji statistik
yang diperoleh dari data.
Hal yang penting dalam hipotesis penelitian yang menggunakan data sampel dengan
menggunakan uji t adalah masalah pemilihan apakah menggunakan dua sisi atau
satu sisi. Uji hipotesis dua sisi dipilih jika tidak punya dugaan kuat atau dasar teori
yang kuat dalam penelitian, sebaliknya memilih satu sisi jika peneliti mempunyai
landasan teori atau dugaan yang kuat.
Misalnya menguji hubungan antara pendapatan terhadap konsumsi pada hitungan
sebelumnya. Karena mempunyai landasan teori atau dugaan yang kuat bahwa
terdapat hubungan yang positif antara jumlah pendapatan terhadap konsumsi maka
menggunakan uji satu sisi. Adapan hipotesis nol dan hipotesis alternatif dapat
dinyatakan sbb:
H0 : 1 ≤ 0 (2.45)
Ha : 1 > 0
Hipotesis nol atau hipotesis salah yakni menyatakan bahwa pendapatan tidak
berpengaruh dan atau berpengaruh negatif terhadap konsumsi yang ditunjukkan
oleh koefiesin 1 0. Sedangkan hipotesis alternatif menyatakan bahwa pendapatan
berpengaruh positif terhadap konsumsi yang ditunjukkan oleh 1 > 0.
Namun misalnya hubungan antara dua variabel dalam persamaan regresi bisa
positif maupun negatif maka prosedur uji hipotesis harus dilakukan dengan uji dua
sisi. Dalam kasus hubungan antara jumlah pendapatan terhadap konsumsi. Jumlah
pendapatan dan konsumsi bisa berhubungan positif atau negatif tergantung dari
jenis barangnya. Jika barang kualitas rendah (inferior) maka hubungan antara
jumlah konsumsi barang dan pendapatan akan negatif yakni semakin tinggi
pendapatan seseorang maka jumlah konsumsi barang inferior akan semakin kecil.
Sedangkan jika barang adalah normal atau barang mewah maka hubungannya akan
positif karena semakin tinggi pendapatan seseorang maka semakin besar jumlah
konsumsi kedua jenis barang ini. Hipotesis dua sisi ini dapat dinyatakan sbb:
H0 : 1 = 0 (2.46)
Ha : 1 0
Dalam hipotesis alternatif disini dinyatakan bahwa pendapatan bisa mempunyai
hubungan positif atau negatif tergantung jenis barangnya dilihat dari koefisien
31 | B A H A N A J A R E K O N O M E T R I K A 1
pendapatan yang nilainya tidak sama dengan nol yakni 1 0. Sedangkan hipotesis
nolnya adalah pendapatan tidak berpengaruh terhadap jumlah konsumsin barang
ditunjukkan oleh nilai koefisien 1 = 0.
Misalkan dalam kasus hubungan antara jumlah pendapatan dan tingkat
konsumsi, kita akan menguji dari data yang pilih dari tahun 2006 sampai dengan
2016. Pertanyaannya, apakah memang terhadap hubungan yang positif antara
pendapatan dan tingkat konsumsi melalui uji t? Karena pendapatan mempunyai
pengaruh yang positif terhadap konsumsi maka uji yang digunakan adalah uji satu
sisi bukan uji dua sisi. Adapun prosedur uji t dengan uji satu sisi adalah sbb:
1. Membuat hipotesis melalui uji satu sisi
Uji hipotesis negatif satu sisi
H0 : 1 ≤ 0 (2.47)
Ha : 1 > 0
2. Menghitung nilai satisitik t ( t hitung) dan mencari nilai t kritis dari tabel
distribusi t pada dan degree of freedom tertentu. Adapun nilai t hitung dapat
dicari dengan formula sbb:
ˆ1 1
t (2.48)
se( ˆ1 )
Dimana 1 merupakan nilai pada hipotesis nol
3. Membandingkan nilai t hitung dengan t kritisnya. Keputusan menolak atau
menerima H0 sbb:
jika nilai t hitung > nilai t kritis maka H0 ditolak atau menerima Ha
jika nilai t hitung < nilai t kritis maka H0 diterima atau menolak Ha
32 | B A H A N A J A R E K O N O M E T R I K A 1
f(t) menolak H0 menerima H0 menolak H0
menerima Ha menolak Ha menerima Ha
- tc 0 tc t
Gambar 2.6.
Daerah penolakan (penerimaan) H0: 1=0 dan Ha: 1 0
33 | B A H A N A J A R E K O N O M E T R I K A 1
H0 : 1 ≤ 0 (2.50)
Ha : 1 > 0
2. Menghitung t hitung dan mencari nilai t kritis dari tabel dengan = 5% dan df
sebesar 9 yakni 11-2. Besarnya t hitung sbb:
0,772
t 15,69 (2.51)
0,049
Dimana nilai 0 merupakan nilai 1 dalam hipotesis nol. Sedangkan nilai t kritis
diperoleh dari t tabel yakni sebesar 1,8331 dengan = 5% dan df 9.
3. Keputusannya karena t hitung lebih besar dari nilai t kritis maka menolak H 0
atau menerima Ha, lihat juga melalui gambar 2.6. Artinya, pendapatan
berpengaruh positif terhadap jumlah konsumsi. Dengan nilai 1 = -225 berarti
jika pendapatan naik satu juta rupiah, maka jumlah konsumsi akan
bertambah sebesar 772 ribu rupiah.
34 | B A H A N A J A R E K O N O M E T R I K A 1
Latihan Soal
Diketahui data permintaan barang Q dan harga barang Q di suatu daerah sebagai
berikut :
35 | B A H A N A J A R E K O N O M E T R I K A 1
BAB
3
REGRESI BERGANDA
Dalam praktek sebetulnya banyak sekali faktor yang mempengaruhi suatu variabel
terikat (dependent Variable), tidak hanya satu variabel. Contoh yang paling nyata
adalah permintaan akan barang X. Permintaan akan barang X oleh konsumen tidak
hanya dipengaruhi oleh faktor harga, tetapi juga bisa dipengaruhi oleh faktor harga
barang lain, pendapatan konsumen dan sebagainya. Untuk membuat analisis
pengaruh berbagai macam faktor independen terhadap variabel dependen bisa
menggunakan analisis regresi berganda.
Ada beberapa asumsi OLS yang digunakan dalam regresi berganda. Selain
enam asumsi pada regresi sederhana, perlu menambah satu asumsi lagi di
dalamnya. Adapun asumsinya sbb:
1. Hubungan antara Y (variabel dependen) dan X (variabel independen)
adalah linier dalam parameter.
36 | B A H A N A J A R E K O N O M E T R I K A 1
2. Nilai X nilainya tetap untuk obervasi yang berulang-ulang (non-stocastic).
Karena variabel independennya lebih dari satu maka ditambah asumsi tidak
ada hubungan linier antara variabel independen atau tidak ada
multikolinieritas antara X1 dan X2 dalam persamaan.
3. Nila harapan (expected value) atau rata-rata dari variabel gangguan ei
adalah nol.
e X i 0 (3.1)
4. Varian dari variabel gangguan ei adalah sama (homoskedastisitas).
ei2 X i karena asumsi 3
2
5. Tidak ada serial korelasi antara variabel gangguan ei atau variabel
gangguan ei tidak saling berhubungan dengan variabel gangguan ej yang
lain.
Cov ei , e j X i , X j ei (ei ) X i e j (e j ) X j (3.3)
ei X i e j X j
0
6. Variabel gangguan ei berdistribusi normal
e ~ N(0, 2)
Jika regresi berganda memenuhi 6 asumsi diatas maka persamaan
(3.3) dapat diartikan sbb:
(Yi X 1i , X 2i ) 0 1 X 1i 2 X 2i ei (3.4)
Arti persamaan (3.4) tersebut adalah nilai harapan (expected value) atau rata-
rata dari Y pada nilai tertentu variabel independen X1 dan X2.
Dalam hal ini mengartikan 1 dan 2 agak sedikit berbeda dari regresi
sederhana sebelumnya. 1 adalah mengukur perubahan rata-rata Y atau nilai
37 | B A H A N A J A R E K O N O M E T R I K A 1
harapan E (YX1, X2), terhadap perubahan per unit X1 dengan asumsi variabel
X2 tetap. Begitu pula 2 adalah mengukur perubahan rata-rata Y atau nilai
harapan E (YX1, X2), terhadap perubahan per unit X2 dengan asumsi variabel
X1 tetap
38 | B A H A N A J A R E K O N O M E T R I K A 1
(Yi ˆ0 ˆ1 X 1i ˆ 2i X 2i ) 2 2 X 1i (Yi ˆ0 ˆ1 X 1i ˆ2 X 2i ) (3.8)
ˆ
1
(Yi ˆ0 ˆ1 X 1i ˆ 2i X 2i ) 2 2 X 2i (Yi ˆ0 ˆ1 X 1i ˆ 2 X 2i ) (3.9)
ˆ
2
Menyamakan persamaan (3.7), (3.8) dan (3.9) dengan nol dan membaginya
dengan 2 maka akan menghasilkan
(Yi ˆ0 ˆ1 X 1i ˆ2 X 2i ) 0 (3.10a)
X 1i (Yi ˆ0 ˆ1 X 1i ˆ2 X 2i ) 0 (3.10b)
X 2i (Yi ˆ0 ˆ1 X 1i ˆ2 X 2i ) 0 (3.10c)
Dengan memanipulasi persamaan (3.10a), (3.10b) dan (3.10c) tersebut maka
akan menghasilkan persamaan yang dikenal dengan persamaan normal
(normal equation) yakni:
ˆ0 Y 1 X 1i 2 X 2i (3.11)
( x1i yi )( x22i ) ( x2i yi )( x1i x2i )
ˆ1 (3.12)
( x12i )( x22i ) ( x1i x2i ) 2
dimana:
xi X i X
yi Yi Y
Y dan X adalah rata-rata
39 | B A H A N A J A R E K O N O M E T R I K A 1
Untuk mendapatkan nilai β0, β1dan β2 menggunakan perkalian matriks
dengan prediksi dua variabel independen, persamaan matriks yang
digunakan adalah sebagai berikut:
y 0 n x1 x2
x1 y 1 x1 x1 x1 x2
2
x y 2 x
2 x1 x 2 x2
2
2
H = bA A
det A1
β = A-1.H dimana A- = 1
det A
dimana det A,
n x1 x2
A= x x x x
1 1
2
1 2
x x x x
2 1 2 2
2
Det A = n. Σx12 Σx22 + Σx1. Σx1x2 .Σx2 + Σx2. Σx1x2 .Σx1 - Σx2. Σx12 .Σx2 - Σx1x2 .
Σx1x2.n - Σx22. Σx1. Σx1
Det A1 = Σy Σx12Σx22 + Σx1. Σx1x2 .Σ2y + Σx2. Σx1x2 .Σx1y - Σx2y. Σx12 .Σx2 - Σx1x2 .
Σx1x2. Σy - Σx22. Σx1. Σx1y
Det A2 = n. Σx1y Σx22 + Σy. Σx1x2 .Σx2 + Σx2. Σx2y .Σx1 - Σx2. Σx1y .Σx2 – Σx2y .
Σx1x2.n - Σx22. Σy. Σx1
Det A3 = n Σx12. Σx2y + Σx1.Σx1y .Σx2 + Σy. Σx1x2 .Σx1 - Σx2. Σx12 .Σy – Σx1x2.
Σx1y.n - Σx2y. Σx1. Σx1
40 | B A H A N A J A R E K O N O M E T R I K A 1
demi efisiensi waktu apalagi kalau mempunyai variabel independen lebih
dari dua maka harus menggunakan program komputer untuk olahan regresi
seperti Eviews, Sazam, Rats dsb untuk menghitung koefisien regresi
berganda.
Setelah mendapatkan estimator OLS berupa koefisien regresi parsial,
maka selanjutnya bisa mendapatkan varian dan standard error dari
koefisien regresi untuk mengetahui reliabilitas estimator tersebut. Formula
untuk menghitung varian dan standard error untuk ˆ0 , ˆ1 dan ˆ 2 sbb:
2
var(ˆ1 ) (3.14)
x 2
1i (1 r122 )
(X 1i X 1 )( X 2i X 2 )
r n 1
(3.18)
n n
(X
n 1
1i X1 ) 2
(X
n 1
2i X2) 2
41 | B A H A N A J A R E K O N O M E T R I K A 1
ˆ k
P t c k tc 1 (3.22)
se(ˆk )
dimana tc adalah nilai kritis tabel distribusi t dengan derajat kebebasan
sebesar (n-k) sehingga P(t t c ) / 2 . Penyusunan kembali persamaan
(3.22) akan menghasilkan interval estimasi untuk koefisien regresi sbb:
P ˆk t c se(ˆi ) i ˆi t c se(ˆi ) 1 (3.23)
Persamaan (4.23) tersebut bisa sederhanakan sbb:
ˆ t se(ˆ ), ˆ t se(ˆ )
i c i i c i (3.24)
Dimana (1-) merupakan interval keyakinan untuk koefisien regersi . Jika
misalnya =5%, artinya 95% interval estimasi dari sampel mengandung
kebenaran 95% dari populasi.
Yi 0 1 X 1i 2 X 2i ... k X ki ei (3.28)
maka ei N(0, 2) dan Yi N(0, 2). Karena estimator i adalah fungsi
linier terhadap variabel dependen Y maka estimator i akan juga mempunyai
distribusi normal dengan rata-rata i dan varian sebesar var(i) sbb:
ˆ k N k , var( k ) (3.29)
ˆk k
Z N(0,1) untuk k =1, 2, ..., k (3.30)
var( k )
42 | B A H A N A J A R E K O N O M E T R I K A 1
Jika mengganti var( k ) dengan var(ˆk ) maka akan mendapatkan variabel
random t sbb:
ˆk k
t t(n-k) (3.31)
var(ˆ k )
43 | B A H A N A J A R E K O N O M E T R I K A 1
Dimana 1* merupakan nilai pada hipotesis nol
4. Bandingkan nilai t hitung untuk masing-masing estimator dengan t
kritisnya dari tabel. Keputusan menolak atau menerima H0 sbb:
jika nilai t hitung > nilai t kritis maka H0 ditolak atau menerima Ha
jika nilai t hitung < nilai t kritis maka H0 diterima atau menolak Ha
Tabel 3.1.
Analisys of Varian (ANOVA)
Sumber
SS (sum of squares) df MSS (mean sum of squares)
variasi
ESS ˆ1yi x1i ˆ2 yi x2i eˆi2 k-1 ( ˆ1yi x1i ˆ2 yi x2i eˆi2 )/k-1
RSS ei2 n-k (ei2 ) / n k ˆ 2
TSS y i2 n-1
44 | B A H A N A J A R E K O N O M E T R I K A 1
Dengan hipotesis bahwa semua variabel independen tidak berpengaruh
terhadap variabel dependen yakni 1= 2 = . . . = k = 0 maka uji F dapat
diformulasikan sbb:
ESS /(k 1)
F (3.43)
RSS /(n k )
Dimana n= jumlah observasi dan k = jumlah parameter estimasi termasuk
intersep atau konstanta.
Formula uji statistik F ini bisa dinyatakan dalam bentuk formula yang
lain dengan cara memanipulasi persamaan (3.43) tersebut yaitu:
ESS /(k 1)
F
(TSS ESS ) /(n k )
( ESS / TSS ) /(k 1)
F (3.44)
(TSS ESS / TSS ) /(n k )
45 | B A H A N A J A R E K O N O M E T R I K A 1
Yi 0 1 X 1i 2 X 2i ei (.46)
Untuk menguji apakah koefisien regresi (1dan 2) secara bersama-sama
atau secara menyeluruh berpengaruh terhadap variabel dependen, prosedur
uji F dapat dijelaskan sbb:
1. Membuat hipotesis nol (H0) dan hipotesis alternatif (Ha) sbb:
H0 : 1=2 = . . . = k = 0 (2.47)
Ha : 12 . . . k 0
2. Mencari nilai F hitung dengan formula seperti pada persamaan (2.45)
dan nilai F kritis dari tabel distribusi F. Nilai F kritsis berdasarkan
besarnya dan df dimana besarnya ditentukan oleh numerator (k-1)
dan df untuk denominator (n-k).
3. Keputusan menolak atau menerima H0 sbb:
Jika F hitung > F kritis, maka menolak H0 dan sebaliknya jika F hitung <
F kritis maka menerima H0
46 | B A H A N A J A R E K O N O M E T R I K A 1
variabel independen X, sedangkan RSS yakni eˆi2 tergantung dari jumlah
variabel independen X di dalam model. Dengan demikian jika jumlah variabel
independen X bertambah maka eˆi2 akan menurun. Mengingat bahwa nilai
koefisien determinasi tidak pernah menurun maka harus berhati-hati
membandingkan dua regresi yang mempunyai variabel dependen Y sama
tetapi berbeda dalam jumlah variabel independen X. Kehati-hatian ini perlu
karena tujuan regresi metode OLS adalah mendapatkan nilai koefisien
determinasi yang tinggi.
Salah satu persoalan besar penggunaan koefisien determinasi R 2
dengan demikian adalah nilai R2 selalu menaik ketika menambah variabel
independen X dalam model walaupun penambahan variabel independen X
belum tentu mempunyai justifikasi atau pembenaran dari teori ekonomi
ataupun logika ekonomi. Para ahli ekonometrika telah mengembangkan
alternatif lain agar nilai R2 tidak merupakan fungsi dari variabel independen.
Sebagai Alternatif digunakan R2 yang disesuaikan (adjusted R2) dengan rumus
sebagai berikut :
( eˆi2 ) /(n k )
R 2 1 (3.49)
(Yi Y ) 2 /(n 1)
47 | B A H A N A J A R E K O N O M E T R I K A 1
Tabel 3.2
Diketahui data permintaan akan suatu barang, harga barang dan
pendapatan masyarakat sebagai berikut :
Pertanyaan : (a) carilah persamaan regresi dan (b) ujilah secara statitik
apakah harga dan pendapatan mempengaruhi permintaan secara signifikan,
© serta berapa besarnya koefisien determinasinya dan apa artinya
Jawab
48 | B A H A N A J A R E K O N O M E T R I K A 1
buat persamaan
ΣY = n b0 + b1ΣX1 + b2ΣX2
ΣYX1 = b0 ΣX1 + b1ΣX1^2 + b2ΣX1X2
ΣYX2 = b0 ΣX2 + b1ΣX1X2 + b2ΣX2^2
1) 164 = 10 b0 + 66 b1 + 350 b2
2) 1,044 = 66 b0 + 450 b1 + 2,230 b2
3) 6,187 = 350 b0 + 2,230 b1 + 13,100 b2
hilangkan b0
1) 164 = 10 b0 + 66 b1 + 350 b2 kali 66
2) 1,044 = 66 b0 + 450 b1 + 2,230 b2 10
hilangkan b0
49 | B A H A N A J A R E K O N O M E T R I K A 1
3962880 = 0 b0 + -1486080 b1 + 8256000 b2
6183648 = 0 b0 + -1486080 b1 + 12110400 b2 kurangkan
-2220768 = 0 b0 + 0 b1 + -3854400 b2
b2 = 0.5762
b1 = 0.5342
b0 = -7.292
Y X1 X2 y x1 x2 x 1x 2 x1 2 X22 Y' u u2 y2
10 8 20 -6.4 1.4 -15 -21 1.96 225 8.5055 1 2.23359 40.96
11 9 25 -5.4 2.4 -10 -24 5.76 100 11.921 -1 0.84741 29.16
11 7 27 -5.4 0.4 -8 -3.2 0.16 64 12.004 -1 1.00879 29.16
13 6 30 -3.4 -0.6 -5 3 0.36 25 13.199 0 0.03945 11.56
16 7 33 -0.4 0.4 -2 -0.8 0.16 4 15.461 1 0.29012 0.16
17 6 36 0.6 -0.6 1 -0.6 0.36 1 16.656 0 0.11860 0.36
18 5 40 1.6 -1.6 5 -8 2.56 25 18.426 0 0.18150 2.56
20 6 44 3.6 -0.6 9 -5.4 0.36 81 21.265 -1 1.60005 12.96
23 7 45 6.6 0.4 10 4 0.16 100 22.375 1 0.39020 43.56
25 5 50 8.6 -1.6 15 -24 2.56 225 24.188 1 0.65988 73.96
164 66 350 0 0 0 -80 14 850 164 0 7.369589 244
50 | B A H A N A J A R E K O N O M E T R I K A 1
HASIL PERHITUNGAN REGRESI
SUMMARY OUTPUT
Regression Statistics
Multiple R 0.984808
R Square 0.969846 = ESS/TSS
Adjusted R Square 0.961231 0.96123
Standard Error 1.02606
Observations 10
ANOVA
df SS MS F Sign F
Regression 2 237 118.51 112.57 4.76E-06
Residual 7 7.369 1.05
Total 9 244
51 | B A H A N A J A R E K O N O M E T R I K A 1
Hasil Regresi
52 | B A H A N A J A R E K O N O M E T R I K A 1
LATIHAN SOAL
53 | B A H A N A J A R E K O N O M E T R I K A 1
BAB
4
VAIABEL DUMMY DALAM REGRESI
Nama lain Regresi Dummy adalah Regresi Kategori. Re-gresi ini menggunakan
prediktor kualitatif (yang bukan dummy dinamai prediktor kuantitatif).
Pembahasan pada regresi ini hanya untuk satu macam variabel dummy dan
dikhususkan pada penaksiran parameter dan kemaknaan pengaruh prediktor.
Pembahasan akan dilakukan dengan menggunakan berbagai contoh.
Di dalam metodologi penelitian dikenal ada sebuah variabel yang disebut dengan
dummy variable. Variabel ini bukan jenis lain dari variabel dependen-
independen, namun menunjukkan sebuah variabel yang nilainya telah
ditentukan oleh peneliti. Donald Cooper dan Pamela Schindler (2000)
mendefinisikan dummy variable sebagai sebuah variabel nominal yang
digunakan di dalam regresi berganda dan diberi kode 0 dan 1. Nilai 0 biasanya
menunjukkan kelompok yang tidak mendapat sebuah perlakuan dan 1
menunjukkan kelompok yang mendapat perlakuan. Dalam regresi berganda,
aplikasinya bisa berupa perbedaan jenis kelamin (1 = laki-laki, 0 = perempuan),
ras (1 = kulit putih, 0 = kulit berwarna), pendidikan (1 = sarjana, 0 = non-
sarjana).
54 | B A H A N A J A R E K O N O M E T R I K A 1
Masalah di sini adalah bukan pada konsep variabel ini dan aplikasinya di dalam
riset, namun bagaimana dummy variable harus diterjemahkan atau
dialihbahasakan ke dalam bahasa Indonesia. Sepengetahuan saya, beberapa
orang membiarkannya tetap dummy dan menulisnya miring menjadi "variabel
dummy" (perhatikan bahwa ia diindonesiakan dengan membiarkan dummy
dalam bahasa aslinya). Sebagian orang lain menyerapnya ke dalam bahasa
Indonesia menggunakan azas bunyi sehingga menjadi "variabel dami". Sebagian
yang lain menyebutnya "variabel boneka" karena dummy di dalam bahasa Inggris
bisa berarti boneka.
Variabel dummy hanya mempunyai 2 (dua) nilai yaitu 1 dan nilai 0, serta diberi
simbol D. Dummy memiliki nilai 1 (D=1) untuk salah satu kategori dan nol (D=0)
untuk kategori yang lain. D = 1 untuk suatu kategori (laki- laki, kulit putih,
sarjana dan sebagainya). D = 0 untuk kategori yang lain (perempuan, kulit
berwarna, non-sarjana dan sebagainya). Nilai 0 biasanya menunjukkan
kelompok yang tidak mendapat sebuah perlakuan dan 1 menunjukkan kelompok
yang mendapat perlakuan. Dalam regresi berganda, aplikasinya bisa berupa
perbedaan jenis kelamin (1 = laki-laki, 0 = perempuan), ras (1 = kulit putih, 0 =
kulit berwarna), pendidikan (1 = sarjana, 0 = non-sarjana).
Variabel dummy hanya mempunyai 2 (dua) nilai yaitu 1 dan nilai 0, serta
diberi simbol D. D = 1 untuk suatu kategori (wanita, Batak, Islam, damai
dan sebagainya). D = 0 untuk kategori yang lain (pria, Jawa, Kristen,
perang dan sebagainya). Variabel dummy digunakan sebagai upaya untuk
melihat bagaimana klasifikasi-klasifikasi dalam sampel berpengaruh
terhadap parameter pendugaan. Variabel dummy juga mencoba membuat
kuantifikasi dari variabel kualitatif. pertimbangkan model berikut ini:
55 | B A H A N A J A R E K O N O M E T R I K A 1
.
56 | B A H A N A J A R E K O N O M E T R I K A 1
4.3. Contoh Kasus :
Dimana :
D (dummy variabel)
jika D = 1 sebelum terjadinya krisis ekonomi dan
jika D = 0 setelah krisis ekonomi.
57 | B A H A N A J A R E K O N O M E T R I K A 1
Diperoleh hasil sebagai berikut :
58 | B A H A N A J A R E K O N O M E T R I K A 1
BAB
5
UJI ASUMSI KLASIK
Model regresi linier klasik (OLS) berlkitaskan serangkaian asumsi. Tiga di antara
beberapa asumsi regresi klasik yang akan diketengahkan dalam penelitian ini
adalanh (lihat Maddala, 1992, hal. 229-269):
1. Non-autokorelasi.
Non-autokorelasi adalah keadaan dimana tidak terdapat hubungan antara
kesalahan-kesalahan (error) yang muncul pada data runtun waktu (time
series).
2. Homoskedastisitas.
Homoskedastisitas adalah keadaan dimana erros dalam persamaan regresi
memiliki varians konstan.
3. Non-multikolinearitas.
Non-multikolinearitas adalah keadaan dimana tidak ada hubungan antar
variabel-variabel penjelas dalam persamaan regresi.
59 | B A H A N A J A R E K O N O M E T R I K A 1
5.1. UJI MULTIKOLINEARITAS
Konsekuensi multikonearitas:
1. Kesalahan stkitar cenderung semakin besar dengan meningkatnya
tingkat korelasi antar variabel.
2. Karena besarnya kesalahan stkitar, selang keyakinan untuk
parameter populasi yang relevan cenderung lebih besar.
60 | B A H A N A J A R E K O N O M E T R I K A 1
3. Taksiran koefisian dan kesalahan stkitar regresi menjadi sangat
sensitif terhadap sedikit perubahan dalam data.
Kasus
61 | B A H A N A J A R E K O N O M E T R I K A 1
model awal lebih besar daripada nilai R kuadrat regresi antar variabel
penjelas
62 | B A H A N A J A R E K O N O M E T R I K A 1
Koutsoyiannis, 1977: 184-185: Gujarati, 1995: 365-267 dan Gujarati,
1999: 348-349)
1. Penaksir OLS tetap tak bias dan konsisten tetapi tidak lagi efisien
dalam sampel kecil dan besar.
2. Variansnya tidak lagi minimum.
63 | B A H A N A J A R E K O N O M E T R I K A 1
otokorelasi (Gujarati, 1995: 402-406. Koutsoyiannis, 1977: 203-204,
Arief, 1993: 38-41):
64 | B A H A N A J A R E K O N O M E T R I K A 1
penafsir OLS akan mengalami hal-hal sebagai berikut (Arief, 1993: 41,
Sumodiningrat, 1994: 241-244, Ramanathan, 1996: 452-, Gujarati,
1995: 410-415 dan Gujarati, 1999: 381-382).
Harus diakui bahwa tidak ada prosedur estimasi yang dapat menjamin
mampu mengeliminiasi masalah otokorelasi karena secara alamiah,
perilaku otokorelasi biasanya tidak diketahui. Oleh karen itu, dalam
beberapa kasus, orang atau penggunaan ekonometrika mungkin akan
merubah bentuk fungsi persamaan regresinya misalnya, dalam bentuk
log atau first difference. Hal ini menunjukkan bahwa pendeteksian
terhadap ada-tidaknya otokorelasi merupakan suatu hal yang sangat
diperlukan. Berkaitan dengan hal tersebut, di bawah ini akan
ditawarkan beberapa cara atau metode untuk mendeteksi ada-
tidaknya otokorelasi (Arief, 1993: 41-46, Sumodiningrat, 1994: 234-
240, Ramanthan, 1996: 452-458, Gujarati, 1995: 415-426 dan
Kautsoyiannis, 1977: 211-227, Thomas 1997: 302-307 Maddala, 1992:
229-268).
Autokorelasi terjadi bila nilai gangguan dalam periode tertentu
berhubungan dengan nilai gangguan sebelumnya. Asumsi non-
autokorelasi berimplikasi bahwa kovarians ui dan uj sama dengan no l:
Model ini diperkenalkan oleh J. Durbin dan G.S Watson tahun 1951.
Deteksi autokorelasi dilakukan dengan membandingkan nilai statiatik
Durbin Watson hitung dengan Durbin Watson tabel. Mekanisme uji
Durbin Watson adalah sebagai berikut :
65 | B A H A N A J A R E K O N O M E T R I K A 1
d < 4-du, terima Ho
4-du = d = 4-dL, pengujian tidak menyakinkan
6. Apabila Ho adalah dua ujung, yaitu bahwa tidak ada serial korelasi
baik positif maupun negatif, maka jika
d < dL, tolak Ho
d > 4-dL, tolak Ho
du < d < 4-du, terima Ho
dL = d = du, pengujian tidak menyakinkan
4-du = d = 4-dL, pengujian tidak menyakinkan
Konsekuensi autokorelasi:
1. Penaksir tidak efisien, selang keyakinanya menjadi lebar secara tak
perlu dan pengujian signifikansinya kurang kuat.
2. Variasi residual menaksir terlalu rendah.
3. Pengujian arti t dan F tidak lagi sahih dan memberi kesimpulan
yang menyesatkan mengenai arti statistik dari koefisien regresi
yang ditaksir.
4. Penaksir memberi gambaran populasi yang menyimpang dari nilai
populasi yang sebenarnya.
66 | B A H A N A J A R E K O N O M E T R I K A 1
Contoh Kasus
67 | B A H A N A J A R E K O N O M E T R I K A 1
Klik View Residual Diagnostics kemudian pilih Serial
Correlation LM test
68 | B A H A N A J A R E K O N O M E T R I K A 1
Untuk medeteksi adanya serial korelasi dengan membandingkan
nilai X2 hitung dengan X2 tabel (probabilitasnya), yakni :
69 | B A H A N A J A R E K O N O M E T R I K A 1
a. Jika probabilitas F statistic > 0,05, maka hipotesis yang
menyatakan bahwa model bebas dari masalah serial korelasi
diterima.
b. Jika probabilitas F statistic < 0,05, maka hipotesis yang
menyatakan bahwa model bebas dari masalah serial korelasi
ditolak.
Analisis Hasil Ouput : karena Jika probabilitas F statistic 0,75 >
0,05, maka hipotesis yang menyatakan bahwa model bebas dari
masalah serial korelasi diterima.
Klik OK
70 | B A H A N A J A R E K O N O M E T R I K A 1
Untuk mendeteksi apakah residualnya berdistribusi normal atau tidak
dengan membandingkan jilai Jarque Bera (JB) dengan X2 tabel, yaitu :
Hasil Analisis Output : probabilitas Jarque Bera (JB)0,289 > 0,05, maka
residualnya berdistribusi normal
71 | B A H A N A J A R E K O N O M E T R I K A 1
Klik OK
72 | B A H A N A J A R E K O N O M E T R I K A 1
a. Jika probabilitas F statistic > 0,05, maka hipotesis yang menyatakan
bahwa model linear adalah diterima.
b. Jika probabilitas F statistic < 0,05, maka hipotesis yang menyatakan
bahwa model linear adalah ditolak.
Analisis Hasil Output karena Jika probabilitas F statistic 0,00 < 0,05, maka
hipotesis yang menyatakan bahwa model linear adalah ditolak.
Uji Linearitas
Analisis Hasil Output karena Jika probabilitas F statistic 0,13 > 0,05, maka
hipotesis yang menyatakan bahwa model linear adalah diterima.
Uji Multikolinearitas
73 | B A H A N A J A R E K O N O M E T R I K A 1
kurs = b0 + b1 infasi+ b2 bunga) …………………………......... (5.4)
(kurs c inflasi bunga)
74 | B A H A N A J A R E K O N O M E T R I K A 1
Untuk persamaan (1) nilai R2 adalah sebesar 0,951 selanjutnya disebut
R21
Untuk persamaan (2) nilai R2 adalah sebesar 0,0276 selanjutnya disebut
R22
Untuk persamaan (3) nilai R2 adalah sebesar 0,296 selanjutnya disebut
R23
Untuk persamaan (4) nilai R2 adalah sebesar 0,312 selanjutnya disebut
R24
75 | B A H A N A J A R E K O N O M E T R I K A 1
Hasil Analisis Output : menunjukan bahwa R21 > R22, R23, R24 maka dalam
model tidak ditemukan adanya multikolinearitas
Uji Heteroskedastisitas
Uji White
Lakukan estimasi persamaan regresi bergkita diatas, setelah itu klik view
residula diagnostics heteroskedastisitas Test
76 | B A H A N A J A R E K O N O M E T R I K A 1
Apabila nilai X2 hitung (nilai Obs* R squared) > nilai X2 tabel, misalnya
dengan derajat kepercayaan α = 5%, baik untuk cross terms maupun no
cross terms maka dapat disimpulkan model diatas tidak lolos uji
heteroskedasitisitas.
Hasil analisis output, berdasarkan table output diatas, tampak bahwa nilai
nilai Obs* R squared 27,11 , probabilitas X2 0,0013 < 0,05 maka tidak lolos
uji heteroskedastisitas.
77 | B A H A N A J A R E K O N O M E T R I K A 1
Kita uji dengan uji white kembali, diperoleh :
78 | B A H A N A J A R E K O N O M E T R I K A 1
Hasil analisis output, berdasarkan table output diatas, tampak bahwa nilai
nilai Obs* R squared 10,04, probabilitas X2 > 0,05 maka Ho diterima atau
model tidak mengandung heteroskedastisitas.
Uji Autokorelasi
Dari hasil regresi Investasi = f(inflasi, bunga, kurs) dapat kita lihat nilai dw
yaitu sebesar 1,985. Nilai dw ini kemudian kita bandingkan dengan dw
table.
Karena nila dw diantara du < dw < 4-du, terima Ho, maka dapat
disimpulkan bahwa H0 diterima artinya model tersebut tidak mengandung
autokorelasi.
79 | B A H A N A J A R E K O N O M E T R I K A 1
BAB
6
PERBAIKAN PELANGGARAN
ASUMSI KLASIK
6.1. Multikolinearitas
80 | B A H A N A J A R E K O N O M E T R I K A 1
punya pilihan selain tetap menggunakan model untuk analisis regresi
walaupun mengandung masalah multikolinieritas.
Dengan Perbaikan
a. Menghilangkan Variabel Independen
Ketika kita menghadapi persoalan serius tentang
multikolinieritas, salah satu metode sederhana yang bisa dilakukakan
adalah dengan menghilangkan salah satu variabel independen yang
mempunyai hubungan linier kuat. Misalnya dalam kasus hubungan
antara tabungan dengan pendapatan dan kekayaan, kita bisa
menghilangkan variabel independen kekayaan.
Akan tetapi menghilangkan variabel independen di dalam suatu
model akan menimbulkan bias spesifikasi model regresi. Masalah bias
spesifikasi ini timbul karena kita melakukan spesifikasi model yang
salah di dalam analisis. Ekonomi teori menyatakan bahwa pendapatan
dan kekayaan merupakan faktor yang mempengaruhi tabungan
sehingga kekayaan harus tetap dimasukkan di dalam model.
b. Transformasi Variabel
Misalnya kita menganalisis perilaku tabungan masyarakat
dengan pendapatan dan kekayaan sebagai variabel independen. Data
yang kita punyai adalah data time series. Dengan data time series ini
maka diduga akan terjadi multikolinieritas antara variabel independen
pendapatan dan kekayaan karena data keduanya dalam berjalannya
waktu memungkinkan terjadinya trend yakni bergerak dalam arah
yang sama. Ketika pendapatan naik maka kekayaan juga mempunyai
trend yang naik dan sebaliknya jika pendapatan menurun diduga
kekayaan juga menurun.
Dalam mengatasi masalah multikolinieritas tersebut, kita bisa
melakukan transformasi variabel. Misalnya kita mempunyai model
regresi time series sbb:
Yt 0 1 X 1t 2 X 2t et (6.1)
dimana :
Y = tabungan;
X1 = pendapatan;
X2 = kekayaan
81 | B A H A N A J A R E K O N O M E T R I K A 1
Yt 1 0 1 X 1t 1 2 X 2t 1 et 1 (6.2)
Yt Yt 1 ( 1 X 1t 1 X 1t 1 ) ( 2 X 2t 2 X 2t 1 ) (et et 1 ) (6.3)
Yt Yt 1 1 ( X 1t X 1t 1 ) 2 ( X 2t X 2t 1 ) vt (6.4)
dimana vt = et – et-1
c. Penambahan Data
Masalah multikolinieritas pada dasarnya merupakan
persoalan sampel. Oleh karena itu, masalah multikolinieritas
seringkali bisa diatasi jika kita menambah jumlah data. Kita kembali ke
model perilaku tabungan sebelumnya pada contoh 6.5. dan kita tulis
kembali modelnya sbb:
Yi 0 1 X 1i 2 X 2i ei (6.5)
82 | B A H A N A J A R E K O N O M E T R I K A 1
Ketika kita menambah jumlah data karena ada masalah
multikolinieritas antara X1 dan X2 maka x1i2 akan menaik sehingga
menyebabkan varian dari ̂1 akan mengalami penurunan. Jika varian
mengalami penurunan maka otomatis standard error juga akan
mengalami penurunan sehingga kita akan mampu mengestimasi
1 lebih tepat. Dengan kata lain, jika multikolinieritas menyebabkan
variabel independen tidak signifikan mempengaruhi variabel
dependen melalui uji t maka dengan penambahan jumlah data maka
sekarang variabel independen menjadi signifikan mempengaruhi
variabel dependen.
Tabel 6.1.
Perkembangan Ekspor, Konsumsi, impor,
angkatan kerja dan populasi
83 | B A H A N A J A R E K O N O M E T R I K A 1
Tahun Eks Cons Imp AK Pop
2011 1914268 4340605 3472484 118515710 244808254
2012 1945064 4858331 3886665 120426769 248037853
2013 2026120 5456626 2359212 122125092 251268276
2014 2046740 6035674 2580527 124061112 254454778
Dari hasil output regresi diatas dapat kita susun persamaan sebagai
berikut :
84 | B A H A N A J A R E K O N O M E T R I K A 1
Konsekuensi multikearitas adalah invalidnya signifikansi variable maupun
besaran koefisien variable dan konstanta. Multikolinearitas diduga terjadi
apabila estimasi menghasilkan nilai R kuadrat yang tinggi (lebih dari 0.8),
nilai F tinggi, dan nilai t-statistik semua atau hampir semua variabel
penjelas tidak signifikan. (Gujarati, 2003)
Dependent Variable: AK
Method: Least Squares
Date: 01/09/17 Time: 04:49
Sample: 1990 2014
Included observations: 25
Jika kita bandingkan R12 regresi LS EKS C CONS IMP AK POP dengan R22
regresi LS AK IMP CONS POP C, maka R12 = 0.959611lebih kecil dari
R22 = 0.964931, sehingga dapat disimpulkan model diatas
mengandung multikolearitas.
85 | B A H A N A J A R E K O N O M E T R I K A 1
Cara menghilangkan multikonearitas :
Hasil regresi diatas : R kuadrat yang tinggi (lebih dari 0.8), nilai F tinggi,
dan nilai t-statistik hampir semua variabel penjelas signifikan.
6.2. Heteroskedastisitas
86 | B A H A N A J A R E K O N O M E T R I K A 1
a. Varian Variabel gangguan Diketahui (i2 )
Yi 0 i ei
(6.8)
i i i i
Metode White
Jika kita tidak mengetahui besaranya varian variabel gangguan
maka kita tidak mungkin bisa menggunakan metode WLS. OLS
estimator sebenarnya menyediakan estimasi parameter yang
konsisten jika terjadi heteroskedastisitas tetapi standard errors OLS
yang biasa tidak tepat untuk membuat sebuah kesimpulan. White
kemudian menggembangkan perhitungan standard errors
heteroskedastisitas yang dikoreksi (heteroscedasticity-corrected
standard errors). Untuk menjelaskan metode White ini kita ambil
contoh regresi sederhana sbb:
Yi 0 1 X i ei (6.11)
Dimana var(ei ) i2
Jika model mempunyai varian variabel gangguan yang tidak sama maka
varian estimator tidak lagi efisien. Varian estimator ̂1 menjadi:
ˆ xi2 i2
var(1 ) (6.12)
( xi2 ) 2
ˆ xi2 ei2
var(1 ) (6.13)
( xi2 ) 2
88 | B A H A N A J A R E K O N O M E T R I K A 1
Metode White tentang heteroscedasticity-corrected standard
errors didasarkan pada asumsi bahwa variabel gangguan et tidak saling
berhubungan atau tidak ada serial korelasinya. Untuk itu maka Newey,
Whitney dan Kennneth West menggembangkan metode dengan
memasukkan masalah unsur autokoralsi (6.13)
Yi 0 1 X i ei (6.14)
Y X e
0 1 i i
Xi Xi Xi Xi
1
0 1 X i vi (6.16)
Xi
ei
dimana vi
Xi
2
e
E (vi2 ) E i karena persamaan (6.16)
X
i
89 | B A H A N A J A R E K O N O M E T R I K A 1
1
(ei2 ) (6.17)
Xi
1 2
Xi
Xi
2 Karena persamaan (6.15)
E (ei2 ) 2 X i2 (6.18)
Yi e
0 1 i
Xi Xi Xi Xi
1
0 1 vi (6.19)
Xi
90 | B A H A N A J A R E K O N O M E T R I K A 1
Contoh Kasus 6.2:
Tabel 6.2.
Perkembangan Ekspor, Konsumsi, impor,
angkatan kerja dan populasi
91 | B A H A N A J A R E K O N O M E T R I K A 1
Dependent Variable: IMP
Method: Least Squares
Date: 01/09/17 Time: 05:38
Sample: 1990 2014
Included observations: 25
Karena nilai Prob. Chi-Square(14) 0,0461 lebih kecil dari 0,05, maka
dapat disimpulkan model diatas mengandung heteroskedastisitas.
92 | B A H A N A J A R E K O N O M E T R I K A 1
Konsekuensi dari terjadi heteroskedastisitas dapat mengakibatkan
penduga OLS yang diperoleh tetap memenuhi persyaratan tak bias, tetapi
varian yang diperoleh menjadi tidak efisien, artinya varian cenderung
membesar sehingga tidak lagi merupakan varian yang kecil. Dengan
demikian model perlu diperbaiki dulu agar pengaruh dari
heteroskedastisitas hilang (Gujarati, 2003)
.
Perbaikan heteroskedastisitas dapat dilakukan melalui :
a. Melalui Logaritma
Lakukan regresi
LS LOG(IMP) C LOG(CONS) lOG(EKS) LOG(AK) LOG(POP)
Dependent Variable: LOG(IMP)
Method: Least Squares
Date: 01/09/17 Time: 05:51
Sample: 1990 2014
Included observations: 25
93 | B A H A N A J A R E K O N O M E T R I K A 1
Heteroskedasticity Test: White
Hipotesis:
H0: tidak ada heteroskedastisitas
H1: ada heteroskedastisitas
94 | B A H A N A J A R E K O N O M E T R I K A 1
heteroskedastisitas karena sesungguhnya pembobot yang diberikan
bergantung pada pola sebaran sisaan terhadap variabel bebas maupun
variabel terikat. Oleh karena itu, dalam penelitian ini faktor pembobot
yang akan dianalisis adalah 1 , 1 , 1 , dan 1 (dimana σ = residual
X 1 X 1 E Yi i
kuadrat).
Tabel 6.3.
Variabel baru setelah pembobotan
95 | B A H A N A J A R E K O N O M E T R I K A 1
Lakukan regresi LS IMP2 C CONS2 EKS2 AK2 POP2
Method: Least Squares
Date: 01/09/17 Time: 05:47
Sample: 1990 2014
Included observations: 25
96 | B A H A N A J A R E K O N O M E T R I K A 1
6.3. Autokorelasi
Yt 0 1 X t et (6.21)
et et 1 vt 1 1 (6.22)
Yt 0 1 X t et (6.23)
et et 1 vt 1 1 (6.24)
97 | B A H A N A J A R E K O N O M E T R I K A 1
Yt 1 0 1 X t 1 et 1 (6.25)
Jika kedua sisi dalam persamaan (6.25) dikalikan dengan maka akan
menghasilkan persamaan sbb:
Yt 1 0 1 X t 1 et 1 (6.26)
Yt Yt 1 0 0 1 X t 1 X t 1 et et 1
Yt Yt 1 0 (1 ) 1 X t 1 X t 1 vt
0 (1 ) 1 ( X t X t 1 ) vt (6.27)
dimana vt et et 1 dan memenuhi asumsi OLS seperti persamaan
(6.24)
Yt 0 t X t vt (6.28)
Dimana Yt (Yt Yt 1 ); 0 0 (1 ); 1 1 ; X t ( X t X t 1 )
98 | B A H A N A J A R E K O N O M E T R I K A 1
1 maka model mengandung autokorelasi baik positif maupun
negatif. Ketika nilai dari = +1, masalah autokorelasi dapat
disembuhkan dengan diferensi tingkat pertama metode generalized
difference equation. Misalkan kita mempunyai model sederhana
seperti persamaan (6.29) sebelumnya, metode diferensi tingkat
pertama (first difference) dapat dijelaskan sbb:
Yt 0 1 X t et (6.29)
Yt Yt 1 0 (1 ) 1 X t 1 X t 1 et et 1 (6.30)
Yt Yt 1 1 ( X t X t 1 ) (et et 1 ) (6.31)
Atau dapat ditulis menjadi persamaan sbb:
Yt 1 X t vt (6.32)
Yt 0 1 X t 2T et (6.33)
dimana T adalah trend, nilainya mulai satu pada awal periode dan
terus menaik sampai akhir periode. Residual et dalam persamaan
(6.24) tersebut mengikuti autoregresif tingkat pertama.
Transformasi persamaan (6.34) dengan metode first difference akan
menghasilkan persamaan sbb:
Yt 1 X 1t 2 vt (6.34)
99 | B A H A N A J A R E K O N O M E T R I K A 1
dimana residual vt et et 1
Pada proses diferensi tingkat pertama persamaan (6.32)
menghasilkan persamaan (6.33) yang mempunyai konstanta
sedangkan diferensi pertama pada persamaan (6.34) tanpa
menghasilkan konstanta.
t
2
g 2
n
(6.34)
e
1
t
t
d 2(1 ˆ ) (6.35)
100 | B A H A N A J A R E K O N O M E T R I K A 1
d
ˆ 1 (6.36)
2
Sebagaimana pembahasan sebelumnya, kita bisa mencari nilai
dari estimasi statistik pada persamaan (6.36) di atas. Asumsi first
difference menyatakan bahwa ˆ 1 hanya terjadi jika d=0 di dalam
persamaan (6.36). Begitu pula jika d = 2 maka ˆ 0 dan bila d =4
maka ˆ 1 . Persamaan tersebut hanya suatu pendekatan tetapi
kita bisa menggunakan nilai statistik d untuk mendapatkan nilai .
Di dalam sampel besar kita dapat mengestimasi dari persamaan
(6.36) dan menggunakan yang kita dapatkan untuk model
generalized difference equation dalam persamaan (6.13)
sebelumnya.
Yt Yt 1 0 0 1 X t 1 X t 1 et et 1 (6.37)
Yt 0 (1 ) 1 X t 1 1 X t 1 Yt 1 vt (6.38)
Dimana vt (et et 1 )
101 | B A H A N A J A R E K O N O M E T R I K A 1
5) Estimasi Dengan Metode Cochrane-Orcutt
Uji ini merupakan uji alternatif untuk memperoleh nilai
yang tidak diketahui. Metode Cochrane-Orcutt sebagaimana metode
yang lain menggunakan nilai estimasi residual et untuk memperoleh
informasi tentang nilai (Pindyck, S and Daniel. L, 1998). Untuk
menjelaskan metode ini kita misalkan mempunyai model regresi
sederhana sbb:
Yt 0 1 X t et (6.39)
et et 1 vt (6.40)
102 | B A H A N A J A R E K O N O M E T R I K A 1
4. Karena kita tidak mengetahui apakah nilai ̂ yang diperoleh dari
persamaan (6.41) adalah nilai estimasi yang terbaik, maka masukan
nilai 0 0 (1 ˆ ) dan 1 yang diperoleh dalam persamaan (6.43)
ke dalam persamaan awal (6.39) dan kemudian dapatkan
residualnya êt sbb:
eˆt Yt ˆ0 ˆ1 X t (6.44)
Karena kita tidak juga mengetahui apakah langkah kedua ini mampu
mengetimasi nilai yang terbaik maka kita dapat melanjutkan pada
langkah ketiga dan seterusnya. Pertanyaannya, sampai berapa langkah
kita harus berhenti melakukan proses iteratif untuk mendapatkan nilai .
Menurut Cochrane-Orcutt, estimasi nilai akan kita hentikan jika nilainya
sudah terlalu kecil.
Contoh Kasus :
Tabel 6.4.
Perkembangan Ekspor, Konsumsi, impor, dan populasi
103 | B A H A N A J A R E K O N O M E T R I K A 1
Tahun Eks Cons Imp Pop
2002 878823 1231965 985572 217369087
2003 930554 1372078 1097662 220307809
2004 1056442 1532888 1226311 223268606
2005 1231826 1785596 1428477 226254703
2006 1347685 2092656 1674125 229263980
2007 1462818 2510504 2259453 232296830
2008 1602275 2999957 2699961 235360765
2009 1447012 3290996 2961896 238465165
2010 1667918 3858822 3472940 241613126
2011 1914268 4340605 3906545 244808254
2012 1945064 4858331 3886665 248037853
2013 2026120 5456626 2359212 251268276
2014 2046740 6035674 2580527 254454778
Perbaikan Autokorelasi
Tabel 6.5.
Pembentukan Variabel Baru Ekspor, Konsumsi, impor,
dan populasi
105 | B A H A N A J A R E K O N O M E T R I K A 1
Tahun log(Eks)* log(Cons)* log(Imp)* log(Pop)*
2007 2.826753 2.957237 2.964261 3.812645
2008 2.846909 2.99153 2.970694 3.815227
2009 2.781106 2.989612 2.968776 3.817819
2010 2.866917 3.036838 3.016002 3.820415
2011 2.893139 3.050284 3.029448 3.823018
2012 2.867485 3.071392 2.999403 3.825603
2013 2.881441 3.095176 2.7838 3.828122
2014 2.876182 3.111507 2.940825 3.830534
Dimana :
Log(ekst)* = Log(ekst)-0.5446*Log(ekst-1)
Log(const)* = Log(const)-0.5446*Log(const-1)
Log(impt)* = Log(impt)-0.5446*Log(impt-1)
Log(popt)* = Log(popt)-0.5446*Log(popt-1)
106 | B A H A N A J A R E K O N O M E T R I K A 1
Lakukan Uji Autokorelasi dengan uji LM
Pilih : view Residual Diagnostics Serial Correlation LM Test
masukan angka 2 OK
107 | B A H A N A J A R E K O N O M E T R I K A 1
BAB
7
ANALISIS REGRESI
DENGAN EVIEWS
Model regresi sederhana dilakukan jika bermaksud meramalkan bagaimana
keadaan (naik turunnya) variabel dependen (kriterium), bila ada satu variabel
independen sebagai prediktor dimanipulasi (dinaik turunkan nilainya),
Persamaan yang diperoleh dari regresi sederhana adalah Y = β0 + β1 X + µ
Tiga model persamaan tunggal yang umum digunakan adalah OLS, ILS, dan 2SLS
(Gujarati dan Porter, 2009), Ordinary least square (OLS) merupakan metode
estimasi yang sering digunakan untuk mengestimasi fungsi regresi populasi dan
fungsi regresi sampel, Kriteria OLS adalah “line best fit” atau jumlah kuadrat dari
deviasi antara titik-titik observasi dengan garis regresi adalah minimum,
(penjelasan OLS, ILS dan 2SLS secara teknis dapat baca di Buku Gujarati dan
Porter, 2009, Dasar-dasar ekonometrika, Jakarta : Salemba Empat),
108 | B A H A N A J A R E K O N O M E T R I K A 1
Tabel 7.1
Data Inflasi, GDP, Harga Minyak dan Tingkat Bunga riil
Tahun 1990 sd 2012
109 | B A H A N A J A R E K O N O M E T R I K A 1
7.1. PENYELESAIAN
Klik Quick empty groups edit, buka excel dan copy data dari
excel dan paste di eviews, lalu ganti nama untuk ser01, ser02, ser03
dan ser04 dengan Inflasi, GDP, Poil dan Bunga.
110 | B A H A N A J A R E K O N O M E T R I K A 1
Langkah 3, Membuat Equation
Klik OK
111 | B A H A N A J A R E K O N O M E T R I K A 1
Hasil
Interpretasi :
Dari persamaan regresi diatas maka dapat disimpulkan :
GDP dan tingkat BUNGA memiliki hubungan negatif signifikan dengan
inflasi, sedangkan POIL memiliki pengaruh positif signifikan terhadap
inflasi. 75,24 persen variable bebas dapat menjelaskan variable terikat,
sisanya 24,76 dijelaskan oleh variable diluar model.
Pada hasil uji yang berinama “eq01”, klik Views – Residual Diagnostics -
Histogram – Normality test
112 | B A H A N A J A R E K O N O M E T R I K A 1
7.2. INTERPRETASI HASIL
113 | B A H A N A J A R E K O N O M E T R I K A 1
Kemudian akan muncul
Klik OK
114 | B A H A N A J A R E K O N O M E T R I K A 1
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 04/11/15 Time: 19:29
Sample: 1990 2012
Included observations: 23
Presample missing value lagged residuals set to zero.
Hasil analisis output berdasarkan tabel diatas, tampak bahwa nilai Obs
probabilitas F-statistic 0,8274 > 0,05 maka dapat disimpulkan model
diatas bebas dari masalah serial korelasi diterima.
115 | B A H A N A J A R E K O N O M E T R I K A 1
Pilih White
Tekan OK
Hasil analisis output berdasarkan tabel diatas, tampak bahwa nilai Obs*R
squared 0,095, probabilitas X2 > 0,05 maka dapat disimpulkan model
diatas tidak mengandung heteroskedastisitas.
116 | B A H A N A J A R E K O N O M E T R I K A 1
BAB
8
INTERPOLASI DATA
Buku Insukindro yang berjudul ekonomi uang dan bank yang didalamnya
terdapat cerita tentang interpolasi data. Interpolasi data merupakan metode
pemecahan data menjadi data triwulan atau bentuk kuartalan, dimana data
setahun dibagi menjadi empat data dalam bentuk kuartalan.
Yt1=1/4{Yt-4,5/12(Yt-Yt-1)}
Yt2=1/4{Yt-1,5/12(Yt-Yt-1)}
Yt3=1/4{Yt+1,5/12(Yt-Yt-1)}
Yt4=1/4{Yt+4,5/12(Yt-Yt-1)}
117 | B A H A N A J A R E K O N O M E T R I K A 1
Muncul tampilan seperti di bawah ini :
Jika kita ingin melakukan interpolasi data dari data tahunan ke data
kuartalan (misalnya) maka pada Frequency pilih Annual. Kemudian
isikan dengan tahun yang sesuai dengan data anda, misalnya:
118 | B A H A N A J A R E K O N O M E T R I K A 1
Klik Quick Empty Group (Edit Series)
Isikan data :
Tahun GDP
2000 213.634
2001 223.817
2002 232.749
2003 241.291
2004 259.578
2005 274.014
2006 287.921
2007 306.373
2008 324.768
2009 336.093
2010 357.201
119 | B A H A N A J A R E K O N O M E T R I K A 1
Setelah mengisikan data anda, kembali ke Workfile dan pilih Store
Pada kolom Store GDP as berikan nama variabel anda (misalnya “gdp”)
Pada kolom Store in pilih Individual.DB? files
120 | B A H A N A J A R E K O N O M E T R I K A 1
Pada kolom Path for DB Files : pilih lokasi penyimpanan yang anda
inginkan. Lokasi ini harus anda ingat karena kita akan menggunakannya
kembali.
121 | B A H A N A J A R E K O N O M E T R I K A 1
pada kolom Frequency, anda pilih Quarterly (jika interpolasi anda dari
data tahunan ke data kuartalan) atau Monthly (jika data yang anda
inginkan adalah dari data tahunan ke data bulanan)
Isikan Start date dan End date sesuai dengan data anda (misal Start date
2000 dan End date 2010)
122 | B A H A N A J A R E K O N O M E T R I K A 1
Akan muncul tampilan seperti di bawah ini:
123 | B A H A N A J A R E K O N O M E T R I K A 1
124 | B A H A N A J A R E K O N O M E T R I K A 1
BAB
9
MENYAMAKAN TAHUN DASAR
Misalkan kita ingin mencari data tentang PDB (Produks Domestik Bruto) suatu
Negara yang diambil dari buku statististik berbagai terbitan, dan kita telah
peroleh data PDRB sebagai berikut :
125 | B A H A N A J A R E K O N O M E T R I K A 1
Sekilas data diatas kelihatan benar, sehingga data tersebut siap diolah. Maka
agar kita tidak terjebak kepada data yang kurang valid maka perlu kita cek
pertumbuhan PDB nya terlebih dahulu sebagai berikut :
Setelah kita susun ulang kedalam table, ternyata kita dapatkan informasi sebagai
berikut :
PDB
Tahun PDB(2000=100) (2010=100)
2003 123,456
2004 129,629
2005 136,110
2006 141,555 Dari table tersebut ada 2
2007 150,048 kemungkinan data disusun :
2008 157,550 1. Data PDB berdasar harga
2009 163,852 konstan tahun 2000
2010 173,683 2. Data PDB berdasar harga
2011 267,548 konstan tahun 2010
2012 278,250
2013 286,597
2014 298,061
2015 312,964
Sumber : data hipotesis
126 | B A H A N A J A R E K O N O M E T R I K A 1
Langkah-langkan untuk menyamakan tahun dasar
Pertama kita cari pertumbuhan PDB tahun 2011, misalkan PDB tahun 2011
tumbuh sebesar 4,72 persen. Maka kita cari dulu PDB tahun 2010 berdasarkan
tahun dasar 2010 dan didapatkan angka sebesar 255.490.96.
PDB
Tahun PDB(2000=100) (2010=100)
2003 123,456
2004 129,629
2005 136,110
2006 141,555
2007 150,048
2008 157,550
2009 163,852
2010 173,683 255.491
2011 267,548
2012 278,250
2013 286,597
2014 298,061
2015 312,964
Dan lakukan untuk tahun 2007 sampai dengan tahun 2003 dengan cara yang
sama, sehingga diperoleh hasil sebagai berikut :
127 | B A H A N A J A R E K O N O M E T R I K A 1
PDB
Tahun PDB(2000=100) (2010=100)
2003 123,456 181,606
2004 129,629 190,686
Hasil perhitungan
2005 136,110 200,220
PDB berdasar
2006 141,555 208,229
tahun dasar 2010
2007 150,048 220,723
2008 157,550 231,759
2009 163,852 241,029
2010 173,683 255,491
2011 181,880 267,548
2012 189,155 278,250
2013 194,830 286,597
2014 202,623 298,061
2015 212,754 312,964
Jika data yang kita inginkan adalah PDB tahun dasar 2000 maka caranya
adalah sebagai berikut :
PDB
Tahun PDB(2000=100) (2010=100)
2003 123,456 181,606
2004 129,629 190,686
2005 136,110 200,220
2006 141,555 208,229
2007 150,048 220,723
2008 157,550 231,759
2009 163,852 241,029
2010 173,683 255,491
2011 181,880 267,548 Diperoleh dari
2012 189,155 278,250
2013 286,597
2014 298,061
2015 312,964
Diperoleh dari
128 | B A H A N A J A R E K O N O M E T R I K A 1
Dan lakukan untuk tahun 2013 sampai dengan tahun 2015 dengan cara yang
sama, sehingga diperoleh hasil sebagai berikut :
PDB
Tahun PDB(2000=100) (2010=100)
2003 123,456 181,606
2004 129,629 190,686
2005 136,110 200,220
2006 141,555 208,229
2007 150,048 220,723
2008 157,550 231,759
2009 163,852 241,029
2010 173,683 255,491
2011 181,880 267,548
2012 189,155 278,250
2013 194,830 286,597
2014 202,623 298,061
2015 212,754 312,964
Walaupun data yang diperoleh berbeda berdasarkan tahun dasar tetapi hasil
perhitungan pertumbuhan PDB nya tetap sama. Lihat hasilnya sebagai berikut :
PDB
Tahun PDB(2000=100) Pertumbuhan (2010=100) Pertumbuhan
2003 123,456 181,606
2004 129,629 5.00 190,686 5.00
2005 136,110 5.00 200,220 5.00
2006 141,555 4.00 208,229 4.00
2007 150,048 6.00 220,723 6.00
2008 157,550 5.00 231,759 5.00
2009 163,852 4.00 241,029 4.00
2010 173,683 6.00 255,491 6.00
2011 181,880 4.72 267,548 4.72
2012 189,155 4.00 278,250 4.00
2013 194,830 3.00 286,597 3.00
2014 202,623 4.00 298,061 4.00
2015 212,754 5.00 312,964 5.00
129 | B A H A N A J A R E K O N O M E T R I K A 1
DAFTAR PUSTAKA
Agus Widarjono, Ekonometrika Teori dan Aplikasi untuk Ekonomi dan Bisnis,
Edisi Kedua, Cetakan Kesatu, Penerbit Ekonisia Fakultas Ekonomi UII
Yogyakarta 2007.
Baltagi, Bagi (2005). Econometric Analysis of Panel Data, Third Edition. John
Wiley & Sons.
130 | B A H A N A J A R E K O N O M E T R I K A 1
Koutsoyiannis, A (1977). Theory of Econometric An Introductory Exposition of
Econometric Methods 2nd Edition, Macmillan Publishers LTD.
Maddala, G.S (1992). Introduction to Econometric, 2nd Edition, Mac-Millan
Publishing Company, New York.
131 | B A H A N A J A R E K O N O M E T R I K A 1
AGUS TRI BASUKI adalah Dosen Fakultas Ekonomi di Universitas
Muhammadiyah Yogyakarta sejak tahun 1994. Mengajar Mata Kuliah Statistik,
Ekonometrik, Matematika Ekonomi dan Pengantar Ekonomi. S1 diselesaikan di
Program Studi Ekonomi Pembangunan Universitas Gadjah Mada Yogyakarta
tahun 1993, kemudian pada tahun 1997 melanjutkan Magister Sains di
Pascasarjana Universitas Padjadjaran Bandung jurusan Ekonomi Pembangunan.
Dan saat ini penulis sedang melanjutkan Program Doktor Ilmu Ekonomi di
Universitas Sebelas Maret Surakarta.
Penulis selain mengajar di Universitas Muhammadiyah Yogyakarta juga
mengajar diberbagai Universitas di Yogyakarta. Selain sebagai dosen, penulis
juga menjadi konsultan di berbagai daerah di Indonesia.
Selain Buku Ekonometrika dan Aplikasi dalam Ekonomi, penulis juga menyusun
Buku :
1. Pengantar Teori Ekonomi,
2. Statistik Untuk Ekonomi dan Bisnis,
3. Electronic Data Processing
4. Analisis Regresi Dalam Penelitian Ekonomi dan Bisnis
5. Analisis Statistik dengan SPSS
132 | B A H A N A J A R E K O N O M E T R I K A 1