Tutorial Econometric Views

Tutorial Econometric Views
ASISTENSI EKONOMETRIKA TERAPAN
I. PENDAHULUAN
II. REGRESI LINIER TERAPAN
III. PENGUJIAN STATISTIK DAN INTERPRETASI OUTPUT
IV. PELEPASAN ASUMSI
V. MODEL LOGIT DAN PROBIT
VI. PERSAMAAN SIMULTAN
VII. PENGOLAHAN DATA PANEL (POOL DATA)
DAFTAR PUSTAKA
Andri Yudhi Supriadi, SE, ME 1

I. PENDAHULUAN
Secara harfiah ekonometrika berarti pengukuran ekonomi dan merupakan

gabungan dari beberapa displin ilmu (ekonomi, matematika, statistic, dan
statistic matematik). Sebagai contoh, kita ingin melakukan pengukuran
bagaimana harga suatu barang berpengaruh terhadap permintaan.
Dari sisi ilmu ekonomi, kita mengenal teori permintaan yang berbunyi bahwa
harga dan permintaan berhubungan negative artinya jika harga mengalami
peningkatan maka permintaan akan mengalami penurunan, begitu juga
sebaliknya. Namun ilmu ekonomi hanya memberikan ukuran kualitatif (hubungan
negative) dan tidak memberikan informasi kuantitatif berapa permintaan akan
turun jika harga mengalami peningkatan pada satuan tertentu.
Untuk mengetahui ukuran kuantitatif tersebut kita menggunakan ilmu
matematika untuk membuat suatu pemodelan linier dari teori ekonomi
permintaan di atas: Q   0   1 P . Model yang kita buat tidak memiliki error
karena dalam matematika kita berbicara sesuatu yang pasti (populasi).
Dalam kenyataannya tidak mudah untuk mengumpulkan informasi tentang
populasi dan seringkali untuk keperluan penelitian kita menggunakan data
sample yang diupayakan dapat mendekati karakterisitik populasinya. Untuk itu
diperlukan ilmu statistic dalam menentukan metode pengumpulan sample yang
tepat agar dapat mewakili karakteristik populasinya. Sebagai dampak dari
penggunaan sample yang diharapkan dapat mewakili karakteristik populasinya
maka pemodelan yang kita buat tidak lagi terbebas dari error: Qˆ  ˆ 0  ˆ1 P   .
Karena muncul komponen error maka kita dihadapkan pada usaha memperoleh
estimator ( ˆ 0 danˆ1 ) 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

Seiring dengan perkembangan teknologi, perhitungan ekonometrika tidak lagi

serumit dulu. Ada beberapa paket program (software) yang bisa digunakan
sebagai alat bantu pengolahan dan salah satu yang banyak digunakan dalam
dunia pendidikan (khususnya mata kuliah ekonometrik), pemerintah, dan industri
adalah Econometric Views (Eviews). Eviews versi terakhir yang bisa digunakan
adalah Eviews Versi 6, sementara yang banyak digunakan adalah student version
Eviews 3.1. Segala sesuatu mengenai Eviews bisa diakses melalui homepage
http://www.eviews.com.
Sebelum melakukan perhitungan ekonometrika dengan eviews, kita harus
mengenal terlebih dahulu jenis/tipe data yang akan diolah karena masing-masing
data memerlukan perlakuan yang berbeda-beda. Ada tiga jenis/tipe data yang
dapat diolah dengan menggunakan Eviews :
 time series: observasi entitas tunggal selama beberapa periode waktu
bisa berupa data harian, mingguan, bulanan, triwulanan, semesteran
maupun tahunan.
Data konsumsi dan disposible income tahun 1985 - 1990
Tahun Cons Yd
1985 11463.2 12648.4
1986 11876.5 13047.7
1987 12208.7 13158.4
1988 12649.5 13617.0
1989 12892.2 13884.7
1990 13050.4 14153.2
 cross-section: observasi beberapa entitas pada satu periode tertentu
Data konsumsi dan disposible income tahun 1990 di Kab X
Obs Cons Yd
1 11.46 12.64
2 11.56 12.75
3 11.65 12.84
4 11.75 12.96
5 11.87 13.04
 data panel (pool): merupakan kombinasi antara data time series dan
cross-section dimana beberapa entitas diobservasi pada beberapa periode
waktu.
Data konsumsi dan disposible income tahun 1985-1986 di 4 negara
Negara Tahun Cons Yd
Ina 1985 2824.9 3123.6
1986 2849.7 3189.6
Sin 1985 2993.7 3272.6
1986 3012.5 3266.2
Mal 1985 3128.2 3380.1
1986 3147.8 3386.3
Thai 1985 3241.1 3466.9
1986 3241.6 3493.0

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)

II. REGRESI LINIER TERAPAN
II.A Regresi, Kausalitas dan Korelasi
Regresi merupakan metode estimasi utama dalam ekonometrika. Dalam

pengertian modern, regresi adalah studi bagaimana variabel dependen
dipengaruhi oleh satu atau lebih variabel independen dengan tujuan untuk
mengestimasi dan atau memprediksi nilai rata-rata variabel dependen
didasarkan pada nilai variabel independen yang diketahui (Agus
Widarjono, hal. 7).
Regresi berbeda dengan kausalitas, dimana regresi menunjukkan
hubungan satu arah yakni dari var independen ke var dependen
sementara kausalitas menunjukkan hubungan 2 arah. Dalam banyak kasus
perilaku ekonomi, hubungan antar variabel tidak hanya bersifat satu arah
tetapi dua arah. Misalkan hubungan antara pertumbuhan ekonomi dan
jumlah uang beredar. Jika pertumbuhan ekonomi mengalami peningkatan
maka jumlah uang beredar cenderung akan naik. Begitu juga sebaliknya,
jika jumlah uang beredar naik maka roda perekonomian akan bergerak
sehingga mendorong pertumbuhan ekonomi.
Regresi juga berbeda dengan korelasi. Korelasi menunjukkan derajat
keeratan hubungan linier antara satu variabel dengan variabel lainnya.
Korelasi yang tinggi tidak berarti bahwa suatu variabel mempengaruhi
variabel yang lain, kemungkinan hal itu terjadi karena variabel bergerak
dalam arah yang sama atau berkebalikan yang dikenal dengan istilah
trend.
II.B Estimasi Regresi Linier
Seperti telah disebutkan di atas, bahwa tujuan melakukan regresi adalah

estimasi atau prediksi nilai rata-rata variabel dependen didasarkan pada
nilai variabel independen yang diketahui. Misalkan kita ingin mengestimasi
konsumsi rumahtangga (var dependen Y) berdasarkan nilai pendapatan
disposible (var independen X): Y = β0 + β1 X.
Jika data yang kita punya (konsumsi dan pendapatan disposible) diplotkan
dalam sebuah grafik maka akan terlihat pola yang tidak beraturan dan
susah untuk melakukan estimasi/prediksi. Untuk itu diperlukan sebuah
pemodelan linier yang mampu menggambarkan seluruh data yang ada
dengan tingkat keakuratan yang cukup tinggi.
Metode estimasi parameter (koefisien) regresi yang biasa digunakan
adalah metode kuadrat terkecil (Ordinary Least Square). Metode ini
berusaha untuk meminimumkan simpangan kuadrat antara nilai

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
Regresi Linier Berganda

II.C Koefisien Determinasi (Goodnes of Fit)

Sebelumnya telah dijelaskan bahwa dengan menggunakan metode kuadrat
terkecil akan diperoleh estimator yang bersifat BLUE dan kalau berbicara
tentang estimasi maka akan berkaitan erat dengan error. Untuk itu
diperlukan suatu ukuran untuk melihat besarnya proporsi atau persentase
total variasi variabel tak bebas yang dapat dijelaskan oleh variable bebas
dalam model regresi. Ukuran yang dimaksud adalah koefisien
determinasi/Goodnes of Fit (R ). Untuk menjelaskan konsep R2 kita
2
kembali menuliskan persamaan : Yi = Ŷi + e

Dengan sedikit manipulasi formula di atas, diperoleh formula sebagai
berikut: (Y  Y )  (Yˆ  Y )  (Y  Yˆ )  SST  SSR  SSE
Tabel Analysis of Varian (ANOVA)
Sumber Sum square Degree of freedom Mean Square
Regresi SSR  Yˆ  Y k MSR=SSR/k
Error SSE  Y  Yˆ n-k-1 MSE=SSE/n-k-1
Total SST  Y  Y n-1 MST=SST/n-1
* k adalah banyaknya variabel bebas
Karena R2 diartikan sebagai proporsi dugaan terhadap data aslinya maka

SSR
nilainya bisa dihitung dengan formula R 2  . Jika model yang kita
SST
peroleh mampu menjelaskan secara tepat maka nilai SST=SSR artinya R2
= 1 (kasus ini sangat jarang terjadi). Sementara jika estimasinya tidak
tepat maka nilai SSR akan semakin kecil. Itu sebabnya nilai R2 berkisar
antara 0 dan 1. Jika nilai R2 mendekati 1 maka model yang dibuat makin
dapat diandalkan, sedangkan jika nilainya mendekati nol maka model
tidak dapat diandalkan.
Hal yang perlu diperhatikan dari sifat R2 adalah sangat dipengaruhi oleh
banyaknya variable bebas. Semakin banyak variable bebas dimasukkan ke
dalam model, maka nilai R2 akan semakin tinggi. Hal ini tentunya akan
sangat menyesatkan, oleh karena itu harus ada faktor koreksi untuk
mengantisipasi bertambahnya variable bebas. Dengan demikian untuk
kasus regresi linier berganda sebaiknya digunakan Adjusted-R2. Koefisien
ini sudah dihilangkan pengaruh derajat bebasnya, sehingga benar-benar
menunjukkan pengaruh dari variable bebas terhadap variable tak bebas.
Nilai Adjusted-R2 dapat diperoleh dengan formula
n 1
R 2  adj  1  (1  R 2 ) .
n  k 1

II.D Uji Signifikansi Koefisien Regresi (Uji t)

Pengujian ini dilakukan untuk mengetahui apakah variable bebas secara
parsial mempunyai pengaruh yang signifikan terhadap variable tak bebas.
Langkah pengujiannya adalah sebagai berikut :
a. Merumuskan hipotesis
Ho : βi = 0, menyatakan koefisien regresi parameter populasi tidak
berbeda nyata (not significant) dari nol.
H1 : βi ≠ 0, menyatakan koefisien regresi parameter populasi berbeda
nyata (significant) dari nol.
b. Menentukan tingkat signifikansi pengujian (α).
c. Mencari nilai t-statistics dengan formula sebagai berikut :
 
ˆ    1 X2 
t  hit  ,  ˆ   2e *   
 ˆ o
n ( X i ) 2 
 i 
2
X
 n 
 2e
 ˆ 
i ( X i ) 2
 Xi 
2
 2e 
 (Y i  Yî ) 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
Pengujian juga bisa dilakukan dengan membandingkan nilai Prob (t-

stat)
≥ α berarti terima Ho
Prob (t-stat)
< α berarti tolak Ho
II.E Uji Signifikansi Model (Uji Fisher/F)

Pengujian ini dilakukan untuk mengetahui apakah variable bebas secara
overall (model) mempunyai pengaruh yang signifikan terhadap variable
tak bebas. Tahapan uji F adalah sebagai berikut :
a. Merumuskan hipotesis.

Ho: β1 = β2 ….. βi = 0, artinya secara overall tidak ada pengaruh yang

signifikan dari variable bebas terhadap variabel tak bebas.
H1:βi ≠ 0, artinya minimal ada satu variable bebas mempunyai
pengaruh yang signifikan terhadap variable tak bebas.
b. Menentukan tingkat signifikansi pengujian (α).
c. Mencari nilai F-statistics dengan formula sebagai berikut :
 (Yî 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
SSE   (Yi  Yî ) 2  jumlah  kuadrat  error  peramalan
SST  SSR  SSR   (Yi  Y ) 2  jumlah  kuadrat  total

k adalah banyaknya variable bebas dan n adalah banyaknya observasi.
d. Membandingkan nilai F-statistics dengan F-tabel berderajat bebas (α, k,
n-k-1).
≤ F(α, k, n-k-1), berarti terima Ho
F-stat
> F(α, k, n-k-1), berarti tolak Ho
Pengujian juga bisa dilakukan dengan membandingkan nilai Prob (F-

stat)
Prob (F-stat)
II.F Regresi Linier Sederhana dan Berganda
Konsep ini hanya sebutan untuk membedakan dalam penggunaan

banyaknya variabel independen. Jika variabel independen yang digunakan
hanya satu, maka kita menyebutnya Regresi Linier Sederhana. Sementara
jika variabel independen yang digunakan lebih dari satu maka kita
menyebutnya sebagai Regresi Linier Berganda.
Untuk interpretasi persamaan regresi terdapat sedikt perbedaan antara
regresi linier sederhana dan regresi linier berganda
Regresi linier Sederhana : Employ = 69,37 + 0,18 PMDN
F = t2
Goodnes of Fit : R-square

Interpretasi : jika PMDN naik sebesar 1 Trilyun Rp maka employ akan

bertambah sebesar 180 ribu org.
Regresi linier berganda : Employ = 66,64 + 83,84 Wage + 0,06
PMDN
Goodnes of Fit : Adjusted R-square
Interpretasi : jika PMDN naik sebesar 1 Trilyun Rp, dengan asumsi Wage
konstan (ceteris paribus) maka employ akan bertambah sebesar 60 ribu
org.
II.G Regresi Dummy Variabel

Jika sebelumnya kita membahas regresi untuk data kuantitatif, bagaimana
jika data untuk variable independennya berupa data kualitatif, misalnya
data jenis kelamin, tingkat pendidikan, status pernikahan, dll. Untuk data
jenis ini (kualitatif) agar bisa dibuat persamaan regresinya perlu dilakukan
transformasi menjadi data biner yang bernilai 0 atau 1 dan kita
mengenalnya sebagai dummy variabel.
Untuk regresi dengan dummy variable, yang perlu diperhatikan adalah
syarat pembentukan jumlah dummy variable yaitu banyaknya kategori
dikurangi satu.
Misalkan kita ingin melihat pengaruh dari jenis kelamin (L/P), pendidikan
(SD/SMP/SMA/UNI) dan masa kerja (thn) terhadap tingkat upah dan
diperoleh data sebagai berikut :
Upah Sex Edu MKerja
5000 L SD 2
7500 P SMP 3
10000 P SMA 2
15000 L UNI 1
Agar data di atas bisa diolah dengan eviews maka perlu dilakukan
transformasi/perubahan untuk data Sex dan Edu dengan memanfaatkan
nilai dummy (0 dan 1)
Untuk data sex, karena terdiri dari 2 kategori maka hanya dibutuhkan 1
variabel dummy (D1; nilai 0 untuk L dan 1 untuk P). Sementara untuk
data Edu karena terdiri dari 4 kategori maka dibutuhkan 3 dummy variable
(D2 nilai 1 untuk SD dan 0 lainnya; D3 nilai 1 untuk SMP dan 0 lainnya;
D4 nilai 1 untuk SMA dan 0 lainnya). Akibatnya bentuk data di atas akan
berubah menjadi :
Upah D1 D2 D3 D4 MKerja
5000 0 1 0 0 2
7500 1 0 1 0 3
10000 1 0 0 1 2
15000 0 0 0 0 1

Sehingga persamaan regresi yang diperoleh adalah sebagai berikut:

Upah = β0 + β1 D1+ β2 D2+ β3 D3 + β4 D4 + β5 Mkerja
Jika kita diminta untuk melakukan estimasi berapa gaji yang diperoleh
seorang pegawai berjenis kelamin perempuan dan berpendidikan SMA,
maka kita tinggal memasukan nilai D1=1, D2=0, D3=0, D4=1 ke dalam
persamaan di atas dan diperoleh persamaan estimasi yg baru sbb:
Upah = β0 + β1 (1) + β2 (0)+ β3 (0) + β4 (1) + β5 Mkerja
Upah = β0 + β1 + β4 + β5 Mkerja

III. PENGUJIAN STATISTIK DAN INTERPRETASI OUTPUT
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 :
Employee Wage PMDN

Tahun
(ribu org) (rp) (milyar rp)
1986 65,655.03 26.358 4,125.84
1987 67,878.35 29.889 11,404.05
1988 69,828.24 33.565 15,680.95
1989 70,743.57 34.009 21,907.01
1990 73,436.96 44.418 59,878.40
1991 74,229.31 54.385 41,084.80
1992 76,214.33 61.037 29,341.70
1993 77,042.28 72.223 39,450.40
1994 80,042.35 94.000 34,429.60
1995 78,322.16 111.223 69,853.00
1996 83,900.14 122.500 100,715.20
1997 85,405.53 137.757 119,872.90
1998 87,672.45 155.133 60,749.30
1999 88,816.86 181.056 53,550.00
2000 89,837.73 224.328 92,410.40
2001 90,807.42 278.625 58,672.90
Tahapan yang perlu dilakukan untuk melakukan estimasi dengan bantuan

aplikasi Eviews adalah sebagai berikut:
 Klik dua kali icon Eviews 4.1
 File-New-Workfile
 Pada workfile range pilih “Annual” start date “1986 dan end date “2001”
 Lakukan impor data Excel dengan cara Procs-Impor-Read Text Lotus Excell
kemudian cari lokasi dari File Excel yang akan diimpor

 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)
Dependent Variable: EMPLOY

Method: Least Squares
Date: 02/29/08 Time: 11:27
Sample: 1986 2001
Included observations: 16
Variable Coefficient Std. Error t-Statistic Prob.
C 68178.85 1318.091 51.72544 0.0000
WAGE 101.7588 10.38527 9.798373 0.0000
R-squared 0.872737 Mean dependent var 78739.54
Adjusted R-squared 0.863646 S.D. dependent var 8219.185
S.E. of regression 3035.023 Akaike info criterion 18.99029
Sum squared resid 1.29E+08 Schwarz criterion 19.08687
Log likelihood -149.9224 F-statistic 96.00811
Durbin-Watson stat 0.606556 Prob(F-statistic) 0.000000
Berdasarkan output diatas, persamaan yang diperoleh adalah sebagai berikut:
Employ = 68178.85 + 101.7588 Wage

Std error 1318.091 10.38527
R-squared 0.872737
Persamaan di atas merupakan persamaan regresi yang menjelaskan hubungan

antara wage sebagai variabel independen dengan employ sebagai variabel
dependen. Persamaan regresi ini terdiri dari intersep sebesar 68178.85 dan slope
sebesar 101.7588.
Dengan memperhatikan output di atas, Wage berpengaruh positif terhadap
Employ artinya jika Wage naik maka Employ juga akan naik. Secara statistik
dengan memperhatikan nilai t-stat yang dibandingkan dengan t tabel atau Prob
yang dibandingkan dengan nilai α maka dapat diketahui bahwa variabel wage
berpengaruh significan terhadap employ dimana jika Wage naik sebesar 1 (satu)

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”
Dependent Variable: EMPLOY

Date: 02/29/08 Time: 11:33
Sample: 1986 2001
C 66645.66 1242.147 53.65358 0.0000
WAGE 83.84187 10.97728 7.637766 0.0000
PMDN 0.066757 0.025082 2.661524 0.0196
S.E. of regression 2533.985 Akaike info criterion 18.68033
Sum squared resid 83474044 Schwarz criterion 18.82520
Untuk kasus regresi berganda, analisis/evaluasi output pada umumnya sama

seperti regresi linier berganda, perbedaannya adalah:
 Tambahkan uji F untuk melakukan pengujian pengaruh variabel independen
secara bersama-sama terhadap variabel dependen
 Gunakan Adjusted R-squared sebagai Goodnes of fit
 Dalam melakukan interpretasi gunakan asumsi ceteris paribus terhadap
variabel independen lainnya (dengan asumsi variabel lain konstan, jika wage
naik sebesar 1 (satu) rupiah maka Employ (jumlah orang yang bekerja) akan
bertambah sebesar 84 orang)
Secara umum evaluasi hasil regresi meliputi:

 Tanda koefisien regresi
 Uji signifikansi baik secara parsial dengan uji t maupun secara overall dengan
uji F
 Seberapa baik model yang diperoleh mampu menjelaskan variasi variabel
dependen melalui variabel independen
 Uji asumsi-asumsi metoda kuadrat terkecil (heteroskedastisitas,
multikolinieritas, autokorelasi)

IV. PELEPASAN ASUMSI
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
Model regresi taksiran Yî  ˆ o  ˆ1 X 1i
Sehingga  i  Yi  Yî  Yi  E (Yi )
E ( i )  E (Yi )  E ( E (Yi )  E (Yi )  E (Yi )  0
Cara yang paling sederhana untuk mengetahui kenormalan suatu distribusi

adalah dengan membuat histogram sisaan dan membandingkannya
dengan distribusi normal.
Cara pengujian lain bisa mengggunakan Jarque-Bera Statistics (JB)
dengan memanfaatkan Eviews 4.0. Tahapan uji kenormalan adalah
sebagai berikut :
a. Merumuskan hipotesis
Ho : ξi mengikuti distribusi normal
H1 : ξi tidak mengikuti distribusi normal
b. Menentukan tingkat signifikansi pengujian (α)
c. Mencari nilai JB-statistics dengan formula sebagai berikut :
n  k  1  2 ( K  3) 2 
JB  hit  S   , dimana
6  4 
n adalah banyaknya observasi dan k adalah banyaknya variable bebas
1  (Yi  Y ) 3 
S adalah ukuran kemencengan kurva (Skewness) S  
n  


1  (Yi  Y ) 4 
K adalah ukuran keruncingan kurva (Kurtosis) K  
n  



d. Membandingkan nilai JB-statistics dengan χ2 df

≤ χ2df, berarti terima Ho
JB-stat
> χ2df, berarti tolak Ho
Pengujian juga bisa dilakukan dengan membandingkan nilai Prob (JB-

stat)
Prob (JB-stat)
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:
Auto (+) Grey Tdk Ada Grey Auto (-)

0 dL dU 2 4-dU 4-dL 4 d
DW-stat, tidak valid untuk digunakan apabila model mengandung

lag dependent variable.
 Menggunakan Correlograms dan Q stats, jika tidak ada autokorelasi
maka nilai ACF, PACF pada seluruh lag mendekati Nol dan seluruh
Q-stat tidak signifikan.

 Uji statistik yang lebih powerfull adalah menggunakan Breusch-

Godfrey (BG) Test. Nilai statistic dari BG-test (obs*R-squared) akan
mengikuti distribusi Chi-square dengan dof sebanyak lagnya.
Secara umum hipotesis yg digunakan adalah :
Ho : 1 = 2 = ……….. = I = 0
H1 : 1 = 2 = ……….. = I  0
Jika nilai obs*Rsquare < chi-square maka tidak ada autokorelasi
Akibat yang ditimbulkan jika terjadi autokorelasi adalah meskipun hasil
estimasinya unbiased, namun standar error koefisien regresinya terlalu
rendah sehingga hasil pengujian secara parsial cenderung signifikan.
Untuk mengatasinya dapat dilakukan dengan beberapa cara :
 Mentransformasi variable terikat dan bebas dengan Y*t = Yt – rYt-1 ;
X*t = Xt – rXt-1
 Metode pembedaan pertama (first difference) : Y*t = Yt – Yt-1 ;
X*t = Xt – Xt-1; disini r diasumsikan = 1
 Prosedur iterasi Cochrane-Orcutt, kecenderungannya adalah
Autoregressive pertama [AR(1)] atau Autoregressive kedua [AR(2)]
IV.E. APLIKASI EVIEWS
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 :

Hasil pengujian secara parsial dengan menggunakan uji t menunjukkan

bahwa GDP dan MPI berpengaruh secara signifikan terhadap impor, begitu
juga dengan hasil pengujian secara overall dengan uji F. Koefisien tanda
juga sesuai dimana jika GDP naik maka impor juga akan meningkat,
sementara jika MPI (indeks harga impor) naik maka impor akan
berkurang. Selanjutnya berdasarkan nilai Adjusted Rsquare, model yang
diperoleh mampu menjelaskan perilaku impor sebesar 90,9%.
Berdasarkan penjelasan di atas, maka dapat diindikasikan bahwa model
yang diperoleh tidak ada masalah dengan multikolinieritas.
Untuk mendeteksi multikolinieritas bisa juga dilakukan dengan cara

melihat matriks korelasi antar variabel bebas dengan tahapan sebagai
berikut :
 Blok (highlight) variabel bebas yang akan dilihat korelasinya, dalam
hal ini variabel GDP dan MPI lalu klik-kanan-open as group
 Pilih tombol view-correlation
GDP MPI
GDP 1 0.92534183096
MPI 0.92534183096 1
 Tenyata terdapat hubungan yang kuat antara GDP dan MPI dengan
nilai korelasi sebesar 0,92
 Karena model yang dihasilkan cukup baik dari sisi uji t, uji f,
koefisien tanda, dan Rsquare maka meski ada multikolinieritas
model yang diperoleh tidak perlu diperbaiki
Untuk menguji heteroskedastisitas, kita tidak bisa mendeteksi hanya
dengan melihat Output tapi harus melakukan pengujian White
Heteroskedastisitas dengan tahapan sebagai berikut :
 Buka kembali persamaan yang akan diuji
 Pilih tombol View-Residual Test-White Heteroskedasticity (cross
term)

White Heteroskedasticity Test:
F-statistic 0.256548 Probability 0.930235
Obs*R-squared 1.632861 Probability 0.897247
Test Equation:
Dependent Variable: RESID^2
Date: 12/03/07 Time: 14:17
Sample: 1980 2001
C -40359701 56386114 -0.715774 0.4844
GDP 543.3534 718.4695 0.756265 0.4605
GDP^2 -0.000374 0.002165 -0.172845 0.8649
GDP*MPI -1.233629 4.865153 -0.253564 0.8031
MPI -313173.7 615854.5 -0.508519 0.6180

MPI^2 1474.416 2904.152 0.507692 0.6186

R-squared 0.074221 Mean dependent var 8990131.
Adjusted R-squared -0.215085 S.D. dependent var 9063696.
S.E. of regression 9990993. Akaike info criterion 35.29927
Sum squared resid 1.60E+15 Schwarz criterion 35.59682
 Dengan membandingkan nilai Obs*Rsquared terhadap nilai chi

square dengan dof 5 (1.632 < 11.07) atau membandingkan Prob
dengan alpha=5% (0.89 > 0.05) maka dapat disimpulkan bahwa
model tidak mengandung heteroskedastisitas
Selanjutnya untuk menguji ada tidaknya autokorelasi bisa

digunakan Durbin Watson Statistics. Dari tabel diperoleh DL =
1.147 dan DU = 1.541; 4 - DU = 2.549. Karena nilai DW-stat (1.473)
kurang dari DU maka tidak dapat disimpulkan apakah ada
autokorelasi atau tidak (Grey Area).
Metode lain yang bisa digunakan untuk menguji autokorelasi adalah

dengan melihat Correlogram dan Q Statistics dengan tahapan sebagai
berikut :
 Pilih tombol View-Residual Test-Correlogram Q Statistics
 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 :
 Pilih tombol View-Residual Test-Serial Correlation LM test
 Seperti halnya uji white heteroskedasticity, uji BG-test juga

menggunakan nilai stat Obs*Rsquared yang dibandingkan dengan
nilai chi square dengan dof sebanyak lagnya. Karena hasil pengujian
menunjukkan bahwa obs*rsquared (5.50) < chi square tabel (5.99)
maka dapat disimpulkan bahwa model yang diperoleh tidak ada
masalah dengan autokorelasi.

V. MODEL LOGIT DAN PROBIT
Jika pada pembahasan-pembahasan sebelumnya kita melakukan regresi dengan

variabel dependent berupa data kuantitatif, bagaimana halnya dengan regresi
jika data yang digunakan untuk variabel dependent adalah variabel kualitatif ?
Misalkan suatu keluarga harus memutuskan apakah membeli mobil atau tidak,
atau mungkin sebuah keluarga yang telah memiliki beberapa orang anak ingin
memutuskan apakah mengikuti program asuransi atau tidak. Untuk
mengestimasi masalah diatas, ada dua buah model yang akan dibahas yaitu
model logistik dan model probit/normit.
V.A. Model Logit
Persamaan distribusi logistik :
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.
Misalkan kita ingin melakukan analisis keputusan sebuah keluarga untuk

membeli mobil atau tidak. Sebagai variabel dependent kita gunakan data
binari dengan nilai 1=memiliki mobil dan 0=tidak memiliki mobil.
Sedangkan variabel independen adalah tingkat pendapatan dalam juta
rupiah.
Untuk pengolahan dengan Eviews, tahapannya adalah sebagai berikut :
 Membuat workfile baru : File-New-Workfile, definisikan jenis datanya

(time series, cross section)
 Membuat persamaan Logit : Procs-Make equation

 Pada kotak equation specification definsikan variabel dependent

intercept dan variabel independent, kemudian pilih Logit pada Binary
estimation method
 Pada kotak estimation setting pilih metode Binar
 Dengan memperhatikan output diatas, ada beberapa perbedaan dalam

melakukan pengujian statistik, khususnya pengujian secara overall
dimana untuk model ini kita gunakan LR-stat sebagai pengganti F-
stat. Begitu juga dengan koefisien determinasi R-squared, sebagai
gantinya bisa kita gunakan McFadden R-squared. Bentuk lain yang
bisa digunakan sebagai Goodness of Fit adalah CountR 2 

 obs _ tepat
 obs
Expectation-Prediction Evaluation for Binary Specification
Equation: UNTITLED
Date: 11/06/12 Time: 12:40
Success cutoff: C = 0.5
Estimated Equation Constant Probability

Dep=0 Dep=1 Total Dep=0 Dep=1 Total
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
*Change in "% Correct" from default (constant probability) specification

**Percent of incorrect (default) prediction corrected by equation

 Begitu juga pada saat melakukan interpretasi model, jika diperhatikan

persamaan distribusi logistik di awal, hasil estimasi dari model Logit
menghasilkan nilai Z bukan probabilita kepemilikan mobil. Jika kita
interpretasikan secara langsung model di atas “jika income naik
sebesar 1 juta rupiah maka estimasi logit akan naik sebesar 0,442611”.
Agar interpretasi lebih bermakna maka kita melakukan antilog terhadap
nilai koefisien INC diperoleh nilai sebesar 1,556767, maknanya “jika
income bertambah sebesar 1 juta rupiah maka ratio antara peluang
memiliki mobil dibandingkan dengan peluang tidak memiliki mobil
(odds ratio) akan bertumbuh sebesar 55,68%.
Atau bisa juga diinterpretasikan (sesuai dengan tanda koefisien):
Analisis peluang :“jika income bertambah, maka peluang memiliki

mobil juga akan bertambah” ;
Analisis odds ratio: “jika income bertambah 1 juta rupiah maka

peluang memiliki mobil terhadap peluang tidak memiliki mobil (odds
ratio) akan bertumbuh sebesar (eβi - 1)*100”.
Marjinal efek pada pada tingkat income tertentu, jika income

bertambah sebesar 1 juta rupiah maka peluang memiliki mobil akan
e   X
bertambah sebesar β*P*(1-P) atau 
(1  e   X ) 2
 Pertanyaan berikutnya adalah berapa peluang memiliki mobil jika

income yang diperoleh sebesar 10 juta rupiah ?
Langkah pertama: Own = -6,253437 + 0,442611 (10) = -1,82733
Langkah berikutnya menghitungan peluang dengan formula :
ez e 1,82733
P (Y  1 | X )    0,138557
1  e z 1  e 1,82733
Ternyata jika suatu keluarga memiliki income sebesar 10 juta rupiah,
maka peluang keluarga tersebut memiliki mobil sebesar 13,8 persen
V.B. Model Probit
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.

Interpretasi hasil output:

“Jika income bertambah, maka peluang memiliki mobil juga akan
bertambah”
Marjinal efek pada tingkat income tertentu:
“Jika income bertambah 1 juta, maka peluang memiliki mobil akan
bertumbuh sebesar Φ(β0+β1X)*β1 *100“
Dengan pertanyaan yang sama, berapakah peluang memiliki mobil jika

income sebesar 10 juta rupiah ?
Langkah pertama: Own = -3,506479 + 0,249255 (10) = -1,01393
Peluang memiliki mobil = P (Z < -1,01393) = 0.5 - 0.3438 = 0.1562
Ternyata dengan menggunakan model Probit, peluang memiliki mobil
sebesar 15,62 persen lebih tinggi dibandingkan dengan estimasi logit.
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

Karakterisitik Model Logit VS Probit
Jika diperhatikan grafik diatas, model logit mempunyai tingkat

penyesuaian yang lebih lambat dibandingkan dengan model probit.
Dimana untuk setiap nilai index yang bernilai negatif, nilai probit < logit;
namun untuk nilai index positif nilai probit > logit.
Hubungan antara koefisien Logit dan Probit:
22
 log it   probit *
7 3

VI. PERSAMAAN SIMULTAN
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).
VI.A Reduced Form

Dua persamaan struktural harus dapat diselesaikan untuk menjelaskan
variabel endogen (C dan Y) sebagai fungsi dari predetermined variabel (I).
Reformulasi dari model tersebut disebut persamaan reduced form dari
sistem persamaan simultan. Untuk mendapatkan persamaan reduced
form, langkah pertama adalah mensubstitusikan Y persamaan identitas ke
persamaan behavioral sehingga akan menghasilkan persamaan sbb:
Ct = 0 + 1 (Ct + It ) + et
Ct - 1 Ct = 0 + 1 It + et
0  1
Ct   1 It  et
1  1 1  1 1  1
Ct   1   2 I t  vt
Dengan mensubstusikan persamaan reduced form C ke persamaan

identitias Y diperoleh persamaan reduced form sebagai berikut :

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.
VI.B Identifikasi Persamaan Simultan
Masalah identifikasi berkaitan dengan apakah kita bisa mengestimasi

koefisien persamaan structural dari koefisien reduced form atau tidak. Ada
tiga kemungkinan yang terjadi yaitu tidak teridentifikasi (under identified),
tepat teridentifikasi (exactly identified), dan terlalu teridentifikasi (over
identified). Untuk melakukan prosedur identifikasi sebuah persamaan
simultan bisa menggunakan First Order Condition (syarat perlu) dan
Second Order Condition (syarat cukup)
Syarat Perlu (Order Condition-FOC)

Jika K-k < m-1 maka persamaan tersebut under identified
Jika K-k = m-1 maka persamaan tersebut exactly identified
Jika K-k > m-1 maka persamaan tersebut over identified
Dimana
K adalah banyaknya predetermined variable dalam model
k adalah banyaknya predetermined variable dalam persamaan
m adalah banyaknya endogen variable dalam persamaan
Syarat Cukup (Rank Condition-SOC)

Dalam melakukan identifikasi model persamaan simutan, selain
menggunakan syarat perlu seperti yang telah diuraikan sebelumnya, juga
bisa menggunakan syarat cukup dengan prosedur sebagai berikut:
 Tuliskan parameter dari seluruh persamaan dalam bentuk table

 Hapus baris koefisien dari suatu persamaan yang ingin diuji

identifikasinya
 Hapus kolom yang koefisiennya tidak sama dengan nol dari
persamaan yang ingin diuji
 Hitung determinan matriks berukuran G-1 (G adalah banyaknya
persamaan)
Jika paling sedikit ada satu matrik berukuran G-1 memiliki determinan
tidak sama dengan Nol, maka persamaan tersebut teridentifikasi.
Identifikasi Persamaan Simultan
Rank Condition (SOC)
Order Condition (FOC) Under Identified Identified
Under Identified Unidentified
Identified Unidentified Identified
Over Indentified Unidentified Over identifed
Sebagai latihan, tentukan variabel endogen dan exogen serta identifikasi

persamaan berikut dengan syarat perlu dan cukup!
Y1t = β10 + β12Y2t + β13Y3t + δ11X1t + U1t

Y2t = β20 + β23Y3t + δ 21X1t + δ22X2t + U2t
Y3t = β30 + β31Y1t + δ 31X1t + δ32X2t + U3t
Y4t = β40 + β41Y1t + β42Y2t + δ43X3t + U4t
VI.C Estimasi Persamaan Simultan
Pada pembahasan sebelumnya, kita sering menggunakan metode OLS

untuk melakukan estimasi persamaan regresi. Namun kita tidak bisa
menggunakan metode OLS untuk mengestimasi salah satu persamaan
dalam model persamaan simultan jika satu atau lebih predtermined
variabel berkorelasi dengan residual karena estimator yang didapatkan
tidak lagi konsisten. Ada beberapa metode yang dapat digunakan untuk
mengestimasi persamaan simultan, yaitu
Indirect Least Square (ILS)

Metode ini digunakan jika model persamaan simultan tepat teridentifikasi.
Adapun prosedur dari ILS untuk mengestimasi persamaan struktural
adalah sebagai berikut :
 Mendapatkan persamaan reduced form dari persamaan struktural
 Estimasi OLS terhadap persamaan reduced form secara individual
 Mendapatkan koefisien persamaan struktural dari reduced form

Two Stage Least Square (2SLS)

Metode ini digunakan jika model persamaan simultan terlalu teridentifikasi.
Dalam banyak kasus, persamaan simultan yang terlalu teridentifikasi
seringkali dijumpai daripada persamaan simultan yang tepat
teridentifikasi. Sebagai contoh, persamaan simultan pada model
persamaan pendapatan dan penawaran uang sebagai berikut :
Fungsi Pendapatan : GDPt = 10 + 11 M2t + 12 It+ 13 Gt + e1t
Fungsi Penawaran Uang : M2t = 20 + 21 GDPt + 22 GDPt-1+ 23 M2t-1 + e1t
Pada persamaan pertama, pendapatan dipengaruhi banyaknya penawaran
uang, investasi, dan pengeluaran pemerintah.
Sementara pada persamaan kedua banyaknya penawaran uang ditentukan
oleh Bank Sentral atas dasar pendapatan masyarakat.
Berdasarkan identifikasi dengan memperhatikan banyak variable endogen
dan eksogen baik dalam model maupun persamaan :
Fungsi Pendapatan :
 variabel endogen (GDPt dan M2t) dan
 variabel eksogen (It dan Gt)
Fungsi Penawaran Uang :
 variabel endogen (M2t dan GDPt) dan
 variabel eksogen (GDPt-1 dan M2t-1)
Model persamaan simultan :
 variabel endogen (M2t dan GDPt) dan
 variabel eksogen (GDPt-1, M2t-1, It dan Gt)
Dengan memperhatikan formula di atas, maka kita bisa melakukan
identifikasi apakah persamaan tersebut under, exactly atau over identified
Fungsi Pendapatan :
K-k = 4 - 2 = 2; m – 1 = 2 – 1 = 1 sehingga K-k > m-1 maka
kesimpulannya persamaan terlalu teridentifikasi
Fungsi Penawaran uang :
K-k = 4 - 2 = 2; m – 1 = 2 – 1 = 1 sehingga K-k > m-1 maka
kesimpulannya persamaan terlalu teridentifikasi
Karena model persamaan terlalu teridentifikasi, maka digunakan
metode TSLS dengan tahapan eviews sebagai berikut.
VI.D Aplikasi Eviews

Misalkan kita memiliki data Excel yang berisi variabel GDP, M2, I, dan G
dengan persamaan seperti di atas. Langkah estimasi persamaan simultan
dengan Eviews adalah sebagai berikut:

 Membuat workfile baru : File-New-Workfile. Tentukan workfile range

sesuai dengan jenis data yang kita punya (time series, cross
section, atau panel)
 Membuat sistem persamaan simultan dengan cara meng-click
tombol Object-New Object Pilih System pada jendela workfie
 Definisikan system persamaan simultan dengan cara menuliskan

variabel instrumen dan persamaan apa saja yang akan diolah.
 Untuk melakukan estimasi persamaan simultan cukup meng-click

tombol estimate pada jendela system lalu memilih metode Two
Stage Least Square

 Untuk mengetahui apakah model persamaan simultan yang kita

peroleh cukup valid digunakan dalam simulasi kebijakan dan
proyeksi, dihitung nilai U-Theil dengan formula sebagai berikut :
 (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 :

Ganti tahun 1999 dengan tahun

2000 lalu klik OK. Selanjutnya
kembali pilih Procs/sample
hingga muncul output berikut :
Sama seperti sebelumnya ubah

tahun 1999 menjadi 2000 lalu klik
OK.
Selanjutnya lakukan pengisian

data untuk variable eksogen
tahun 2000.
Berikutnya untuk melakukan

proyeksi, masuk ke jendela
system persamaan simultan
kemudian pilih Procs/make
model dan klik Solve
Hasil proyeksi menunjukkan bahwa dengan menetapkan pengeluaran sebesar

$1500 Milyar dan Investasi sebesar $1000 Milyar maka diprediksi pemerintah
memperoleh pendapatan sebesar $7648 Milyar dengan jumlah uang beredar
sebesar $4448 Milyar.
Latihan
INF = C(10) + C(11)*KURS + C(12)*M1 + C(13)*BUNGA3 + C(14)*IMP

KURS = C(20) + C(21)*INF + C(22)*KURS(-1)
M1 = C(30) + C(31)*BUNGA3 + C(32)*DEVISA
DEVISA = C(40) + C(41)*EXPORT + C(42)*PU + C(43)*PLN
Keterangan variabel :
INF : inflasi
KURS : kurs mata uang asing (US dollar) terhadap rupiah

M1 : jumlah uang beredar

BUNGA3 : bunga triwulan
IMP : impor
EXPORT : ekspor
PU : pinjaman umum (dalam negeri)
PLN : pinjaman luar negeri
Variabel Endogen :
INF KURS M1 DEVISA
Variabel Eksogen :
BUNGA3 IMP EXPORT KURS(-1) PU PLN
Penggunaan simbol C(10) s/d C(43) hanya untuk memudahkan identifikasi,

bahwa koefisien C(10) adalah koefisien intercept untuk persamaan yang
pertama. Sementara koefisien C(43) adalah koefisien regresi untuk persamaan
ke-4 dan variabel ke-3.
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
Coefficient Std. Error t-Statistic Prob.
C(10) -38.06546 5.605611 -6.790600 0.0000

C(11) -0.001048 0.000657 -1.593473 0.1170
C(12) 0.000103 2.10E-05 4.887880 0.0000
C(13) 2.085493 0.150587 13.84913 0.0000
C(14) 0.001120 0.000395 2.837808 0.0064
C(20) 2249.404 2093.207 1.074621 0.2874
C(21) -58.92565 51.40193 -1.146370 0.2568
C(22) 0.806247 0.260885 3.090430 0.0032
C(30) -291545.7 86492.03 -3.370782 0.0014
C(31) 2074.978 1448.026 1.432970 0.1577
C(32) 14.38120 2.563205 5.610632 0.0000
C(40) 52893.51 7596.736 6.962663 0.0000
C(41) 0.637410 0.264828 2.406886 0.0196
C(42) -0.300073 0.217726 -1.378214 0.1739
C(43) -0.230054 0.048437 -4.749553 0.0000
Determinant residual covariance 2.12E+20
Equation: INF = C(10) + C(11)*KURS + C(12)*M1 + C(13)*BUNGA3 + C(14)*IMP

Observations: 17
--------------------------------------------------------------------------------------------------------

S.E. of regression 1.571850 Sum squared resid 29.64855

Durbin-Watson stat 1.996867
Equation: KURS = C(20) + C(21)*INF + C(22)*KURS(-1)

Observations: 17
--------------------------------------------------------------------------------------------------------
S.E. of regression 956.3409 Sum squared resid 12804232
Equation: M1 = C(30) + C(31)*BUNGA3 + C(32)*DEVISA

Observations: 17
--------------------------------------------------------------------------------------------------------
S.E. of regression 16644.80 Sum squared resid 3.88E+09
Equation: DEVISA = C(40) + C(41)*EXPORT + C(42)*PU + C(43)*PLN

Observations: 17
--------------------------------------------------------------------------------------------------------
S.E. of regression 1322.358 Sum squared resid 22732186

VII. PENGOLAHAN DATA PANEL
Dalam pengolahan regresi dengan menggunakan paket program EVIEWS, ada

tiga jenis data yang bisa digunakan yaitu data time series, cross section dan data
panel (kombinasi antara data time series dan cross section). Pada saat kita
menemukan series data yang pendek, pengolahan tidak dapat dilakukan karena
terbentur dengan kendala syarat minimum data. Sementara itu pada saat kita
menemukan data cross section dengan jumlah unit observasi yang terbatas,
maka hasil yang diperoleh kurang tepat untuk menggambarkan perilaku dari
model yang diteliti. Masalah-masalah tersebut dapat diatasi dengan
menggunakan data panel (pool data) sehingga dihasilkan estimasi yang lebih
baik karena terjadi peningkatan jumlah observasi (banyaknya cross section x
banyaknya series data).
VII.A Entry Data Panel
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 :
 Double click icon Eviews

 Membuat workfile baru dengan perintah File-New-Workfile
 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
 Pada jendela Workfile, click tombol Object-New Object-Pool
 Definisikan cross section dengan cara seperti dibawah ini
 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)

VII.B Regresi Data Panel

Dalam analisis data panel, ada tiga macam metode pengolahan yang bisa
kita lakukan yaitu metode kuadrat terkecil (Pooled Least Square), metode
efek tetap (fixed effect), metode efek acak (random effect).
VII.B.1 Metode Pooled Least Square

Metode ini adalah yang paling sederhana, dimana diasumsikan
tidak terdapat perbedaan baik antar series maupun antar cross
section. Langkah yang harus ditempuh untuk menggunakan
metode ini adalah sbb :
 Pada jendela POOL click tombol Procs-Estimate
 Pada dialog box di atas, isikan variable dependent pada

kotak Dependent Variable sementara variable independent
isikan pada kotak Regressors and AR() terms. Pada kotak
Intercept pilih Common.

VII.B.2 Metode Fixed Effect

Pada metode ini diasumsikan bahwa terdapat perbedaan baik
antar series maupun antar cross section. Perbedaan yang
dimaksud disini bisa berbeda dalam intercept maupun slope
(secara umum, konsep ini sama dengan konsep dummy
variable). Yang akan dibahas berikut ini adalah perbedaan antar
cross section. Langkah yang harus ditempuh untuk
mengestimasi dengan EVIEWS hampir sama dengan Pooled
Least Square, hanya saja pada kotak Intercept pilih Fixed
Effects.
VII.B.3 Metode Random Effect
Pada metode fixed effect, penggunaan dummy variable akan

berkonsekwensi pada berkurangnya derajat bebas (degree of
freedom-dof) yang pada akhirnya berdampak pada efisiensi dari
parameter yang diestimasi. Untuk mengatasi hal ini,
penggunaan dummy untuk menggambarkan perbedaan antar
series maupun antar cross section diganti dengan memasukan
komponen perbedaan tersebut ke dalam error. Metode ini
dikenal dengan random effect atau juga dikenal sebagai Error
Componen Model. Dengan menggunakan metode ini, maka
penggunaan derajat bebas dapat dihemat yang pada gilirannya
akan berimplikasi pada hasil estimasi yang semakin efisien.
Langkah pengolahan dengan EVIEWS, hampir sama dengan
metode sebelumnya hanya saja pada kotak Intercept pilih
Random Effects.

VII.B.4 Pemilihan Metode Yang Terbaik
Karena dalam pengolahan data panel kita dapat menggunakan

ketiga metode tersebut, pertanyaan berikutnya adalah metode
terbaik mana yang bisa digunakan ?
Untuk memilih salah satu dari ketiga model tersebut bisa
dilakukan prosedur sebagai berikut :
Pooled Least Square vs Fixed Effect

Ho : Pooled Least Square
H1 : Fixed Effect
R fe  R pool
2 2
SSR1  SSR 2
F N 1  N 1
1  R fe
2
SSR 2
NT  N  k NT  N  k
Dimana :
SSR1 adalah Sum Square Residual Pooled Least Square
SSR2 adalah Sum Square Residual Fixed Effect
N adalah banyaknya cross section
T adalah banyaknya series
K adalah banyaknya variable bebas
F stat mengikuti distribusi F dengan dof N-1; NT-N-k

Jika F stat > F table, maka metode Fixed Effect lebih baik
untuk mengestimasi data panel
Pooled Least Square vs Random Effect

Ho : Pooled Least Square
H1 : Random Effect
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
Jika LM > chi-square, maka metode Random Effect lebih

baik untuk mengestimasi data panel.
Fixed Effect vs Random Effect

Ho : Random Effect
H1 : Fixed Effect
Untuk pengujian ini, digunakan uji Hausmann yang mengikuti
distribusi Chi-Square dengan derajat bebas sebanyak variable
independent. Formulanya adalah sebagai berikut :
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)
Estimasi metode random effect

Panel.ls(r) cons? Yd?

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
Jika nilai Hausmann > Chi-square maka metode fixed

effect lebih baik untuk mengestimasi data panel.

DAFTAR PUSTAKA
Basic Econometrics, Damodar Gujarati
Ekonometrika Terapan Teori dan Aplikasi Untuk Ekonomi dan Bisnis, Agus
Widarjono, Yogyakarta
Handout mata kuliah ekonometrika terapan, Dr Anton Hendranata
Tutorial Eviews

Tutorial Econometric Views

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Tutorial Econometric Views

Diunggah oleh

Hak Cipta:

Format Tersedia

Tutorial Econometric Views

ASISTENSI EKONOMETRIKA TERAPAN

II. REGRESI LINIER TERAPAN

III. PENGUJIAN STATISTIK DAN INTERPRETASI OUTPUT

IV. PELEPASAN ASUMSI

V. MODEL LOGIT DAN PROBIT

VI. PERSAMAAN SIMULTAN

VII. PENGOLAHAN DATA PANEL (POOL DATA)

Andri Yudhi Supriadi, SE, ME 1

Secara harfiah ekonometrika berarti pengukuran ekonomi dan merupakan

Andri Yudhi Supriadi, SE, ME 2

Seiring dengan perkembangan teknologi, perhitungan ekonometrika tidak lagi

Andri Yudhi Supriadi, SE, ME 3

Andri Yudhi Supriadi, SE, ME 4

Andri Yudhi Supriadi, SE, ME 5

Andri Yudhi Supriadi, SE, ME 6

Andri Yudhi Supriadi, SE, ME 7

II. REGRESI LINIER TERAPAN

II.A Regresi, Kausalitas dan Korelasi

Regresi merupakan metode estimasi utama dalam ekonometrika. Dalam

II.B Estimasi Regresi Linier

Seperti telah disebutkan di atas, bahwa tujuan melakukan regresi adalah

Andri Yudhi Supriadi, SE, ME 8

Regresi Linier Berganda

Andri Yudhi Supriadi, SE, ME 9

II.C Koefisien Determinasi (Goodnes of Fit)

kembali menuliskan persamaan : Yi = Ŷi + e

Karena R2 diartikan sebagai proporsi dugaan terhadap data aslinya maka

Andri Yudhi Supriadi, SE, ME 10

II.D Uji Signifikansi Koefisien Regresi (Uji t)

Pengujian juga bisa dilakukan dengan membandingkan nilai Prob (t-

II.E Uji Signifikansi Model (Uji Fisher/F)

Andri Yudhi Supriadi, SE, ME 11

Ho: β1 = β2 ….. βi = 0, artinya secara overall tidak ada pengaruh yang

SSE   (Yi  Yˆi ) 2  jumlah  kuadrat  error  peramalan

SST  SSR  SSR   (Yi  Y ) 2  jumlah  kuadrat  total

Pengujian juga bisa dilakukan dengan membandingkan nilai Prob (F-

II.F Regresi Linier Sederhana dan Berganda

Konsep ini hanya sebutan untuk membedakan dalam penggunaan

Andri Yudhi Supriadi, SE, ME 12

Interpretasi : jika PMDN naik sebesar 1 Trilyun Rp maka employ akan

II.G Regresi Dummy Variabel

Andri Yudhi Supriadi, SE, ME 13

Sehingga persamaan regresi yang diperoleh adalah sebagai berikut:

Andri Yudhi Supriadi, SE, ME 14

III. PENGUJIAN STATISTIK DAN INTERPRETASI OUTPUT

Employee Wage PMDN

1986 65,655.03 26.358 4,125.84

1987 67,878.35 29.889 11,404.05

1988 69,828.24 33.565 15,680.95

1989 70,743.57 34.009 21,907.01

1990 73,436.96 44.418 59,878.40

1991 74,229.31 54.385 41,084.80

1992 76,214.33 61.037 29,341.70

1993 77,042.28 72.223 39,450.40

1994 80,042.35 94.000 34,429.60

1995 78,322.16 111.223 69,853.00

1996 83,900.14 122.500 100,715.20

1997 85,405.53 137.757 119,872.90

1998 87,672.45 155.133 60,749.30

1999 88,816.86 181.056 53,550.00

2000 89,837.73 224.328 92,410.40

2001 90,807.42 278.625 58,672.90

Tahapan yang perlu dilakukan untuk melakukan estimasi dengan bantuan