I. PENDAHULUAN
DAFTAR PUSTAKA
I. PENDAHULUAN
Karena muncul komponen error maka kita dihadapkan pada usaha memperoleh
estimator ( ˆ 0 danˆ1 ) yang efisien dengan varian minimum (BLUE – Best Linier
Unbiased Estimate). Selanjutnya kita juga akan melakukan pengujian apakah
terdapat pengaruh yang signifikan variable independent terhadap variable
dependent. Untuk kepentingan-kepentingan tersebut, maka diperlukan ilmu
statistic matematik. Dari penjelasan di atas, cukup jelas bahwa untuk
mempelajari ilmu ekonometrika kita memerlukan pemahaman yang cukup
terhadap ilmu ekonomi, matematika, statistic dan statistic matematik.
Secara umum ada beberapa tahapan dalam ekonometrika (Gujarati, 3):
Merumuskan hipotesa
Menentukan model matematika
Menentukan model statistik atau ekonometrika
Mengumpulkan data dan estimasi parameter
Uji hipotesa
Peramalan
Menggunakan model sebagai kontrol kebijakan
Setelah membahas gambaran umum mengenai ilmu ekonometrika dan jenis data
yang bisa digunakan, maka pada bagian akhir bab ini akan dibahas mengenai
aplikasi Eviews, khususnya bagaimana memulai kerja dengan Eviews.
Untuk mulai mengoperasikan Eviews, klik Icon Eviews dua kali sehingga
muncul window sebagai berikut :
Selanjutnya kita akan memulai membuat file kerja (workfile) dengan cara File-
New-Workfile sehingga muncul window sebagai berikut :
Berikutnya kita diminta mengisi kotak Frequency sesuai dengan jenis data yang
kita punya, apakah data tahunan, semesteran, bulanan atau mungkin data cross
section (undated or irregular) serta kotak Range sesuai dengan awal dan akhir
data yang akan diolah.
Jika data yang kita punya data tahunan 1985 – 1990 maka pada
Frequency kita pilih Annual sementara Start date 1985 dan End date 1990
Jika data yang kita punya data bulanan Januari 1985 – Oktober 2007
maka pada Frequency kita pilih Monthly sementara Start date 1985:1 dan
End date 2007:10
Jika data yang kita punya data cross section pada tahun 2000 untuk 33
propinsi maka pada Frequency kita pilih Undated or irregular sementara
Start date 1 dan End date 33
Layar berikutnya yang akan tampil adalah sebagai berikut :
Tampilan di atas adalah workfile untuk data tahunan 1985 – 1990, dan Eviews
secara otomatis menyediakan variabel C (konstanta) dan resid (residual) yang
belum ada isinya (masih kosong). File ini akan selalu berubah tergantung pada
model terakhir yang diolah (running Eviews). Jika diperhatikan, workfile yang
baru saja kita buat belum di Save (masih Untitled) untuk itu lakukan File-Save as
dan beri nama Latihan. Secara otomatis Eviews akan menyimpan file workfile
tadi dengan nama Latihan.wf1
Selanjutnya kita akan melakukan impor data dari Excel. Misalkan kita memiliki
file Excel (C:\latih.xls) yang berisi data konsumsi (Cons) dan disposible income
(Yd) tahun 1985 – 1990. Data tersebut terletak pada sheet “tahunan”, dan data
pertama (konsumsi tahun 1985) yang akan diimpor dimulai pada kolom “B” baris
“3”, maka prosedur impor dengan Eviews adalah Procs-Impor-Read Text Lotus
Excel (cari file Excel yang akan diimpor dan pastikan file Excel tersebut tidak
sedang dibuka) sehingga muncul window sebagai berikut:
Pada kotak “Data Order” kita diminta untuk memilih urutan data yang sudah
tersedia dalam bentuk Excel. Karena data yang kita punya diurutkan menurut
kolom maka pilhan default “by observation” tidak perlu diganti
Pad kotak berikutnya “Upper-left data cell” isikan posisi baris dan kolom data
pertama yang akan diimpor. Data pertama yang akan diimpor berada pada
posisi baris 3 kolom B maka isikan “B3”
Pada kotak berikutnya “Excel 5+ sheet name” isikan nama worksheet tempat
data yang akan diimpor. Karena data yang akan diimpor berada pada
worksheet tahunan, maka isikan “tahunan”
Kotak terakhir yang harus diisi adalah “Name for series or Number if named in
file”. Disini kita diminta untuk mengisikan nama variabel jika dalam Excel
belum didefinisikan nama variabelnya (isikan “kons yd”, antar variabel
dipisahkan dengan spasi). Namun jika dalam Excel sudah didefinisikan nama
variabelnya maka kita cukup mengisi jumlah variabel yang akan diimpor
(isikan angka “2”).
Tahapan di atas hanya bisa digunakan untuk melakukan impor data time series
dan cross section. Untuk data panel/pool, setelah mengisi “workfile range” pilih
Object-New Object sehingga muncul Window sebagai berikut :
Pada kotak “type object” pilih “Pool” sementara pada kotak “Name for object”
isikan nama object sesuai pilihan misalkan “panel”, selanjutnya akan muncul
Window sebagai berikut
Disini kita diminta mengidentifikasi cross section yang akan digunakan dengan
urutan sesuai data aslinya (Excel). Yang perlu diingat adalah awali dengan
underscore sebelum mengisikan nama cross sectionnya (_Ina dst).
Berikutnya untuk melakukan impor data pilih Proc-Import pool data (ASCII, XLS,
WK?) sehingga muncul window sebagai berikut :
Pada kotak “Series order” pilih default “in column” jika urutan data menurut
kolom.
Pada kotak “Group observation” pilih default “By cross section” jika data
dikelompokkan menurut cross section.
Pada kotak “Upper left data cell” isikan data pertama yang akan diimpor.
Pada kotak “Excel 5+ sheet name” isikan nama worksheet dimana data yang
akan diimpor disimpan.
Pada kotak “Ordinary and Pool (specified with ?) series to read” isikan nama
variabel yang akan diimpor secara berurutan. Pastikan nama variabel
tersebut diakhiri dengan tanda tanya (Cons? dst)
Untuk menampilkan data yang telah diimpor, pada window object Panel pilih
“View spreadsheet (stacked data)” dan isikan nama variabel yang akan
ditampilkan (jangan lupa akhiri dengan tanda tanya setelah nama variabel)
sebenarnya (Y) terhadap nilai dugaan (Ŷ) dari variabel terikat atau dengan
kata lain meminimumkan error kuadrat [∑ξi2 = (Yi - Ŷi)2]. Penaksiran
koefisien-koefisien regresi dari suatu model regresi linier dengan
menggunakan metode OLS akan menghasilkan penaksir yang bersifat
BLUE (Best Linear Unbiased Estimate) sesuai dengan teorema Gauss-
Markov. Untuk menghasilkan penaksir yang bersifat BLUE, ada beberapa
asumsi yang harus dipenuhi :
a. ξi adalah variabel random yang memiliki distribusi Normal(0, σ2).
b. E (ξi | Xi) = 0, untuk setiap i.
Error yang positif dapat saling menghapuskan dengan error yang
negatif, sehingga rata-rata kesalahan error peramalan adalah sama
dengan nol.
c. Tidak ada kesalahan dalam spesifikasi model.
Untuk mendeteksi ada tidaknya kesalahan dalam spesifikasi model bisa
menggunakan Wstate’s general heteroscedastisity test with cross term.
(Gujarati; 2003)
d. Variabel bebas adalah fixed.
e. Var (ξi | Xi) = σ2;
Artinya varian ξi konstan di dalam setiap periode (tidak ada masalah
heteroskedastisitas atau disebut homoskedastisitas).
f. Cov (ξi , ξj) = 0, untuk setiap i ≠ j.
Artinya error peramalan ke-i tidak berkorelasi dengan error peramalan
ke-j (tidak ada masalah autokorelasi).
g. Cov (ξi , Xi) = 0
Error peramalan tidak berkorelasi dengan variabel Xi. Jika asumsi rata-
rata kesalahan peramalan sama dengan nol terpenuhi maka asumsi ini
terpenuhi.
h. Tidak ada masalah multikolinieritas
Artinya tidak ada hubungan/korelasi yang cukup kuat antara sesama
variabel bebas dalam model.
Dengan metode kuadrat terkecil diperooleh formula untuk mengestimasi
koefisien regresi sebagai berikut :
Regresi Linier Sederhana
ˆ 0 Y ˆ1 X ˆ1
( X X )(Y Y )
(X X ) 2
2e
ˆ
i ( X i ) 2
Xi
2
2e
(Y i Yˆi ) 2
Y 2
ˆ o Y ˆ1 XY
n k 1 n k 1
dimana k adalah banyaknya variable bebas dan n adalah banyaknya
observasi.
d. Membandingkan nilai t-statistics dengan t-tabel berderajat bebas
(α/2,n-k-1).
≤ t(α/2, n-k-1), berarti terima Ho
|t-stat|
> t(α/2, n-k-1), berarti tolak Ho
(Yˆi Y )2 R2
F hit k k , dimana
(Yi Yi )
ˆ 2
1 R2
n k 1 n k 1
SSR (Yˆ Y ) 2 jumlah kuadrat regresi
i
Upah = β0 + β1 + β4 + β5 Mkerja
Jika pada bab sebelumnya kita membahas teori dari regresi, maka pada bab ini
akan dicoba pembahasan mengenai aplikasi dari Evieiws untuk ekonometrika
terapan. Misalkan kita akan melakukan estimasi bagaimana dampak dari
pengupahan dan investasi dalam negeri terhadap penyerapan tenaga kerja di
Indonesia selama periode 1986 sampai dengan 2001. Data yang dibutuhkan
sudah tersedia dalam bentuk Excel (Latih.xls;sheet “empl”; posisi data pertama
baris “3” kolom “B”) sebagai berikut :
Isikan “B3” untuk upper left data cell, “Empl” untuk Excel5+ sheet nama dan
“employ wage pmdn” untuk names for series or number if named in file
Sampai langkah di atas kita sudah berhasil melakukan impor data dari Excel ke
Eviews. Selanjutnya kita bisa melakukan pengolahan berdasarkan data yang
sudah diimpor.
Untuk menampilkan data yang sudah diimpor, cukup lakukan “Blok/Sorot”
variabel apa saja yang diperlukan dengan cara tekan (dan jangan dilepas)
tombol “CTRL dan klik kiri mouse” kemudian lakukan klik kanan mouse dan pilih
open as group. Biasakan untuk meng-klik terlebih dahulu variabel dependen baru
diikuti dengan variabel independen.
Setelah data tersebut ditampilkan, jika ingin melakukan pemodelan dengan
Eviews tahapannya adalah sebagai berikut:
Procs-make equation
Isikan “Employ C Wage” pada kotak Equation Specification (artinya kita akan
melakukan estimasi employ berdasarkan nilai wage : Employ = ß0 + ß1 Wage)
rupiah maka Employ (jumlah orang yang bekerja) akan bertambah sebesar 102
ribu orang.
Dengan memperhatikan nilai R-squared dapat diketahui bahwa model yang
diperoleh mampu menjelaskan penyerapan tenaga kerja di Indonesia selama
periode 1986 s/d 2001 sebesar 87,27 persen.
Jika ingin melakukan regresi dengan variabel bebas lebih dari satu (regresi
berganda) pada kotak Equation specification isikan “Employ C Wage PMDN”
Dalam estimasi persamaan regresi, agar estimator yang dihasilkan bersifat BLUE
(Best Linier Unbiased Estimate) ada beberapa asumsi yang harus dipenuhi
• Y dan X berhubungan linier dalam parameter
• Rata-rata dari residual = nol
• Varian dari residual konstan (homoskedastisitas)
• Tidak ada hubungan antar residual (tidak ada autokorelasi)
• Residual berdistribusi normal
IV.A. NORMALITAS
Pemeriksaan terhadap asumsi kenormalan dimaksudkan untuk mengetahui
distribusi sisaan. Secara teori dapat dibuktikan bahwa E (ξi) = 0.
Seperti telah diketahui bahwa :
Model regresi populasi Yi = βo + β1X1i = Ŷi + ξi
IV.B. HETEROSKEDASTISITAS
Definisi : variasi error peramalan tidak sama untuk semua pengamatan [
E(u2i)=2i ]
Cara mendeteksi, dapat dilakukan dengan berbagai cara :
a. plot e2i terhadap yi atau xi , tidak disarankan karena keterbatasan
pengamatan
b. menggunakan uji statistik “White Heteroscedasticity” dengan
hipotesis: (lebih lengkap baca Gujarati).
Nilai white test akan mengikuti distribusi chi-square dengan dof
sebanyak variable bebasnya.
Ho : Homoskedastisitas
H1 : Heteroskedastisitas
Jika nilai n*R2 2 keputusannya adalah terima Ho (begitu juga
sebaliknya)
c. Akibat yang ditimbulkan jika asumsi tersebut dilanggar:
nilai koefisien un-biased
varians estimasi koefisien regresi tdk minimal lagi, sehingga
cenderung menghasilkan keputusan bahwa variable yang diuji
tidak signifikan pengaruhnya. “Yang perlu diperhatikan adalah,
jika dalam suatu model regresi ada masalah
heteroskedastisitas sementara hasil pengujian parsial (uji-
t) dan overall (uji-F) menunjukkan bahwa pengaruhnya
signifikan maka masalah tersebut tidak perlu diatasi”
d. Untuk mengatasinya dapat dilakukan dengan beberapa cara:
transformasi ke dalam bentuk double log, weighted least square atau
menggunakan GLS (Generalized Least Square)
IV.C. MULTIKOLINIERITAS
Definisi : ada keterkaitan/korelasi yang kuat antar variable bebas
Untuk mendeteksinya dapat dilakukan dengan berbagai cara :
R2 yang cukup tinggi, hasil pengujian overall signifikan namun hasil
pengujian parsial semua atau beberapa tidak signifikan;
bisa juga menggunakan matriks korelasi, jika nilainya lebih dari
0.75 maka bisa diasumsikan terjadi multikolinieritas.
Akibat yang ditimbulkan hampir sama dengan heteroskedastisitas dan
tanda koefisien regresi bisa berubah (yang seharusnya (+) menjadi (–)
atau sebaliknya)
Untuk mengatasinya :
tidak perlu dilakukan perbaikan karena estiamtornya masih bersifat
BLUE (dengan catatan seluruh hasil pengujian signifikan)
mengeluarkan variable bebas yang menyebabkan mulkolinieritas
(perlu ketelitian dan pengalaman),
menggabungkan data cross-section dengan data time series
(semakin banyak data, multikolinieritas akan cenderung turun),
tranformasi variable (first difference)
distributed lag model, atau
principal component analysis.
IV.D. AUTOKORELASI
Definisi : adanya korelasi antara data-data pengamatan, munculnya suatu
data dipengaruhi data sebelumnya. Kondisi ini umumnya terjadi pada data
time series, sementara pada data cross section tidak terjadi.
Untuk mendeteksinya dapat dilakukan dengan menggunakan beberapa
cara :
Menggunakan statistik Durbin-Watson (DW-Stat) dengan aturan
sebagai berikut:
Misalkan kita ingin mengetahui apakah ada asumsi yang dilanggar dalam
persamaan impor sebagai fungsi dari GDP dan MPI. Setelah dilakukan
impor data dari Excell dan melakukan estimate diperoleh output sebagai
berikut :
Karena nilai ACF, PACF pada seluruh lag mendekati Nol (berada
pada jalur garis putus-putus) dan seluruh Q-stat tidak signifikan
maka dapat disimpulkan bahwa model yang diperoleh tidak ada
masalah dengan autokorelasi
Metode lain yang bisa digunakan dan lebih powerfull untuk menguji
autokorelasi adalah BG-test dengan tahapan sebagai berikut :
ez
P (Y 1 | X ) ; dim ana _ z 0 1 X
1 ez
e adalah nilai logaritma natural (2,718) dan P adalah peluang pada tingkat
X tertentu.
P(Dep=1)<=C 16 3 19 0 0 0
P(Dep=1)>C 3 18 21 19 21 40
Total 19 21 40 19 21 40
Correct 16 18 34 0 21 21
% Correct 84.21 85.71 85.00 0.00 100.00 52.50
% Incorrect 15.79 14.29 15.00 100.00 0.00 47.50
Total Gain* 84.21 -14.29 32.50
Percent Gain** 84.21 NA 68.42
Model lain yang bisa digunakan untuk mengestimasi adalah model probit.
Jika model logit didasarkan pada distribusi logistic maka model probit
didasarkan pada distribusi normal dengan persamaan sebagai berikut :
Z 0 1 X Z 2
1
P(Y 1 | X )
2
e 2
dz
Estimasi dengan Eviews secara umum hampir sama dengan di atas, hanya
saja pada kotak Binary estimation method pilih Probit.
Untuk menentukan model mana yang terbaik, kita bisa melihat dan
membandingkan nilai McFadden Rsquare. Sedangkan untuk melihat
seberapa tepat hasil estimasi model dibandingkan dengan nilai aktualnya
bisa digunakan Count R2 dengan formula sebagai berikut :
CountR 2
obs _ tepat
obs
Dimana yang dimaksud dengan obs tepat adalah observasi dengan
residual terletak antara -0,5 s/d 0,5
Dalam banyak situasi ekonomi, variable ekonomi tidak hanya bersifat satu arah
namun bersifat saling mempengaruhi. Jika sebelumnya kita mempelajari
persamaan tunggal dimana variable dependen dipengaruhi oleh satu atau lebih
variable independen, maka pada persamaan simultan hubungan variable bersifat
dua arah. Misalkan kita memiliki model ekonomi makro yang terdiri dari dua
persamaan yang bekerja bersama-sama sebagai berikut :
Ct = 0 + 1 Yt + et
Yt = Ct + It
Dimana C adalah konsumsi, Y adalah pendapatan, I adalah investasi, e adalah
residual (error term), dan t adalah waktu.
Persamaan pertama (fungsi konsumsi) menggambarkan perilaku ekonomi
sehingga disebut persamaan perilaku (behavioral equation). Sedangkan
persamaan kedua (fungsi pendapatan ) merupakan persamaan identitas karena
sisi kiri sama dengan sisi kanan. Kedua persamaan tersebut disebut sebagai
persamaan struktural karena menggambarkan struktur ekonomi.
Dalam persamaan simultan kita mengenal dua jenis variabel yaitu endogen
variabel dan predetermined variabel. Variabel endogen adalah variabel yang
nilainya ditentukan dari model (berada di sebelah kiri tanda sama dengan),
dalam contoh ini adalah C dan Y. Sementara predetermined variabel terdiri dari
variabel exogen (current dan lag) dan lag endogen. Nilai dari variabel exogen
ditentukan dari luar model (tidak pernah di sebelah kiri tanda sama dengan).
0 1
Ct 1 It et
1 1 1 1 1 1
Ct 1 2 I t vt
0 1 1
Yt It et I t
1 1 1 1 1 1
0 1 (1 ) ) 1
Yt It et
1 1 1 1 1 1
0 1 1
Yt It et
1 1 1 1 1 1
Yt 1 3 I t v t
Nilai parameter persamaan reduced form di atas (2 dan 4) memiliki
makna sebagai angka multiplier investasi dan menjelaskan efek perubahan
investasi terhadap nilai keseimbangan konsumsi dan pendapatan.
Selanjutnya persamaan reduced form tersebut dapat digunakan untuk
mengestimasi nilai konsumsi dan pendapatan pada berbagai tingkat
investasi.
Yang perlu diingat, untuk menemukan persamaan reduced form jumlah
persamaan struktural harus sebanyak variabel endogen.
(Y f Y )2
n
U Theil
Y f
Y
n n
Dimana
Yf adalah variabel endogen hasil forecast
Y adalah variabel endogen aktual
Jika nilai U-theil mendekati Nol maka persamaan yang kita
peroleh cukup valid untuk digunakan dalam simulasi kebijakan dan
proyeksi.
Selanjutnya untuk melakukan simulasi kebijakan atau proyeksi
dengan menggunakan persamaan simultan harus ditentukan
terlebih dahulu nilai-nilai variable eksogen.
Misalkan pemerintah menetapkan Pengeluaran (G) sebesar $1500 Milyar,
sementara Investasi (I) sebesar $1000 Milyar, Bagaimana dampaknya
terhadap pendapatan (GDP) dan jumlah uang beredar (M2) ?
Untuk melakukan simulasi di atas masuk ke windows Workfile dan pilih
Procs/Change workfile range selanjutnya muncul output berikut :
Latihan
Variabel Endogen :
INF KURS M1 DEVISA
Variabel Eksogen :
BUNGA3 IMP EXPORT KURS(-1) PU PLN
System: UNTITLED
Estimation Method: Two-Stage Least Squares
Date: 06/10/06 Time: 11:21
Sample: 1999:1 2003:2
Instruments: C BUNGA3 EXPORT KURS(-1) PU PLN IMP
Misalkan kita memiliki data panel dalam bentuk Excel dengan struktur
seperti di atas. Series 6 tahun (1985 – 1990) dengan cross section
sebanyak 4 unit observasi dan data tersebut dikelompokkan menurut
cross sectionnya. Maka untuk mengimpor data tersebut ke dalam
bentuk Eviews langkah yang harus ditempuh adalah sbb :
Karena data panel yang kita punya adalah series tahunan, maka
aktifkan pilihan annual pada Workfile Frequency dan isikan start
date 1985 serta end date 1990
Click tombol Procs-Import Pool Data (ASCII, XLS, WK?), cari lokasi file
Excell yang akan diimpor. Selanjutnya akan muncul dialog box dan
lakukan pengisian sesuai dengan format Excell yang telah kita buat
(pengelompokkan data, kolom-baris data, nama sheet, dan nama
variable-diakhiri tanda tanya).
Untuk menampilkan data panel yang telah diimpor, pada jendela POOL
click tombol View-Spreadsheet (stacked-data)
Jika F stat > F table, maka metode Fixed Effect lebih baik
untuk mengestimasi data panel
Dimana :
N adalah banyaknya cross section
T adalah banyaknya series
e adalah residual pooled least square
LM mengikuti distribusi chi-square dengan dof banyaknya
variable independent
H = Q’ Var(Q)-1 Q
Dimana:
Q = (βfe – βre)
Var (Q) = Var (βfe) – Var (βre)
Untuk pengujian ini EVIEWS tidak menyediakan tool secara
langsung namun kita bisa membuat pemrograman/perintah
sendiri untuk melakukan pengujian tersebut melalui Jendela
Command sbb:
Estimasi metode fixed effect
Panel.ls(f) cons? Yd?
Vector beta_fx=panel.@coefs
Matrix covar_fx=panel.@cov
Vector b_fixed=@subextract(beta_fx,1,1,1,1)
Matrix cov_fixed=@subextract(covar_fx,1,1,1,1)
Vector beta_rd=panel.@coefs
Matrix covar_rd=panel.@cov
Vector b_random=@subextract(beta_rd,2,1,2,1)
Matrix cov_random=@subextract(covar_rd,2,2,2,2)
Hausmann test
Matrix b_diff=b_fixed-b_random
Matrix var_diff=cov_fixed-cov_random
Matrix Hsman=@transpose(b_diff)*@inverse(var_diff)*b_diff
DAFTAR PUSTAKA
Ekonometrika Terapan Teori dan Aplikasi Untuk Ekonomi dan Bisnis, Agus
Widarjono, Yogyakarta
Tutorial Eviews