Nama : Fachrul Aziz A.

Razak
Npm : 1611021079
Matkul : Ekometrika II
Jurusan : Ekonomi Pembangunan

LATIHAN 4.1

A. Distribusi model lag 4

Dependent Variable: MARKET_CAPITALIZATION_Y

Method: ARDL
Date: 03/26/19 Time: 01:10
Sample (adjusted): 5 60
Included observations: 56 after adjustments
Dependent lags: 4 (Fixed)
Dynamic regressors (4 lags, fixed): OIL_PRICE_ABOVE_BENCHMARK_PR
ICE_$_PER_BARREL_X
Fixed regressors: C

Variable Coefficient Std. Error t-Statistic Prob.*

MARKET_CAPITALIZATION_Y(-1) -0.147055 0.151070 -0.973427 0.3354

MARKET_CAPITALIZATION_Y(-2) 0.022682 0.142925 0.158701 0.8746
MARKET_CAPITALIZATION_Y(-3) 0.018748 0.114485 0.163762 0.8706
MARKET_CAPITALIZATION_Y(-4) -0.075491 0.100482 -0.751288 0.4563
OIL_PRICE_ABOVE_BENCHMARK_PRIC
E_$_PER_BARREL_X -115.5386 51.93364 -2.224735 0.0310
OIL_PRICE_ABOVE_BENCHMARK_PRIC
E_$_PER_BARREL_X(-1) -467.6585 53.45001 -8.749456 0.0000
OIL_PRICE_ABOVE_BENCHMARK_PRIC
E_$_PER_BARREL_X(-2) -474.1232 86.93655 -5.453670 0.0000
OIL_PRICE_ABOVE_BENCHMARK_PRIC
E_$_PER_BARREL_X(-3) -223.7479 107.9527 -2.072648 0.0438
OIL_PRICE_ABOVE_BENCHMARK_PRIC
E_$_PER_BARREL_X(-4) -38.09579 85.85332 -0.443731 0.6593
C 106012.3 18641.39 5.686934 0.0000

R-squared 0.768000 Mean dependent var 74067.00

Adjusted R-squared 0.722608 S.D. dependent var 10468.82
S.E. of regression 5513.716 Akaike info criterion 20.22830
Sum squared resid 1.40E+09 Schwarz criterion 20.58997
Log likelihood -556.3923 Hannan-Quinn criter. 20.36852
F-statistic 16.91951 Durbin-Watson stat 1.938036
Prob(F-statistic) 0.000000

*Note: p-values and any subsequent tests do not account for model selection.

hasil regresi dengan model lag 4 maka menghasilkan lima variable pengamatan
1. Pengurangan segera di kapitalisasi pasar $ 115.540, ceteris paribus.
2. Penurunan kapitalisasi pasar $ 467.700 satu bulan kemudian, ceteris paribus.
3. Penurunan kapitalisasi pasar $ 474.100 dua bulan kemudian, ceteris paribus.
4. Penurunan kapitalisasi pasar $ 223.800 tiga bulan kemudian, ceteris paribus.
5. Penurunan kapitalisasi pasar $ 38.100 empat bulan kemudian, ceteris paribus.
B. Tabel Hasil regresi untuk prediksi jangka panjang saham kembali model lag 4.
p-nilai Lebih rendah
Koefisien Standard error t-Stat Atas 95%
95%
Mencegat 106012.3 18641.39 5.68693 0.0000 68489.17 143535.5

Xt -115.5386 51.93364 -2.2247 0.0310 -220.0756 -11.00157

Xt-1 -467.6585 53.45001 -8.7494 0.0000 -575.2478 -360.0692

Xt-2 -474.1232 86.93655 -5.4536 0.0000 -649.1174 -299.1290

Xt-3 -223.7479 107.9527 -2.0726 0.0438 -441.0453 -6.450438

Xt-4 -38.09579 85.85332 -0.4437 0.6593 -220.0756 -11.00157

C. Distribusi model lag 2

Dependent Variable: MARKET_CAPITALIZATION_Y
Method: ARDL
Date: 03/26/19 Time: 03:01
Sample (adjusted): 3 60
Included observations: 58 after adjustments
Dependent lags: 2 (Fixed)
Dynamic regressors (2 lags, fixed): OIL_PRICE_ABOVE_BENCHMARK_PR
ICE_$_PER_BARREL_X
Fixed regressors: C

Variable Coefficient Std. Error t-Statistic Prob.*

MARKET_CAPITALIZATION_Y(-1) 0.124042 0.109196 1.135954 0.2612

MARKET_CAPITALIZATION_Y(-2) 0.127146 0.092233 1.378528 0.1739
OIL_PRICE_ABOVE_BENCHMARK_PRICE_
$_PER_BARREL_X -127.6951 50.34298 -2.536502 0.0142
OIL_PRICE_ABOVE_BENCHMARK_PRICE_
$_PER_BARREL_X(-1) -444.7425 52.01548 -8.550195 0.0000
OIL_PRICE_ABOVE_BENCHMARK_PRICE_
$_PER_BARREL_X(-2) -346.5545 62.84257 -5.514645 0.0000
C 68334.07 7480.887 9.134487 0.0000

R-squared 0.725763 Mean dependent var 74273.28

Adjusted R-squared 0.699395 S.D. dependent var 10344.12
S.E. of regression 5671.422 Akaike info criterion 20.22196
Sum squared resid 1.67E+09 Schwarz criterion 20.43511
Log likelihood -580.4370 Hannan-Quinn criter. 20.30499
F-statistic 27.52347 Durbin-Watson stat 2.395926
Prob(F-statistic) 0.000000

*Note: p-values and any subsequent tests do not account for model selection.

hasil regresi dengan model lag 2 maka menghasilkan tiga variable pengamatan
1. Pengurangan segera di kapitalisasi pasar $ 127.700, ceteris paribus.
2. Penurunan kapitalisasi pasar $ 444.700 satu bulan kemudian, ceteris paribus.
3. Penurunan kapitalisasi pasar $ 346.600 dua bulan kemudian, ceteris paribus.
 Tabel Hasil regresi untuk prediksi jangka panjang saham kembali model lag 2
D. .
Koefisie Standard p-nilai Lebih rendah Atas
t-Stat
n error 95% 95%
Menceg 9.13448
68334.07 7480.887 0.0142 53322.57 83345.56
7
at
Xt -127.6951 50.34298 -2.5365 0.0000 -228.7156 -26.67448

Xt-1 -444.7425 52.01548 -8.5501 0.0000 -549.1192 -340.3658

Xt-2 -346.5545 62.84257 -5.5146 0.0000 -472.6573 -220.4516

E. perbedaan antara point B dan D

Misalkan kita memiliki q yang dipilihmax= 4 dalam regresi kapitalisasi pasar pada harga
minyak. Dengan kata lain, kami percaya bahwa empat bulan adalah jangka waktu maksimum
yang kita bisa berharap berita tentang harga minyak berdampak pada kapitalisasi pasar.
Strategi yang diuraikan di atas mengatakan kita harus mulai dengan memperkirakan model
lag didistribusikan dengan panjang lag sama dengan 4. Hasil diberikan dalam Tabel (B).
Karena P-value sesuai dengan penjelasan variabel Xt-4 lebih besar dari 0,05 kita tidak dapat
menolak hipotesis bahwa β4= 0 pada tingkat signifikansi 5%. Dengan demikian, kita drop
variabel ini dari model dan re-estimasi dengan panjang lag ditetapkan sama dengan 2,
menghasilkan hasil pada Tabel D.

P-nilai untuk pengujian β2 = 0 adalah 0,0000, yang jauh kurang dari 0,05. Oleh karena itu
kami menyimpulkan bahwa variabel Xt-3memang termasuk dalam model yang lag
terdistribusi. Oleh karena itu q = 2 adalah panjang lag yang kita pilih untuk model ini.
Dalam formalreport, kami akan menyajikan tabel ini hasil. Karena hasil ini sama dengan
yang dibahas di atas, kita tidak akan mengulangi penafsiran mereka.

LATIHAN 4.2

Gunakan kumpulan data, BADNEWS.XLS. Misalkan Anda percaya bahwa enam bulan
adalah waktu maksimum harga minyak dapat mempengaruhi kapitalisasi pasar dan
karenanya, Anda menetapkan qmax = 6. Menggunakan strategi yang dijelaskan di atas, pilih
panjang lag dari model lag terdistribusi.
Jawab:

Y= Kapitalisasi pasar
X= Harga minyak ($/barel)

Yt= α + β0Xt + β1Xt-1+ β2Xt-2+ β3Xt-3+ β4Xt-4+ β5Xt-5

Coefficient Standard t-Stat P-Value
Error
Intercept 74521,81 1739,897 42,83117 0,0000
Xt -0,002169 0,008520 -0,254635 0,7999
Xt-1 -320,5952 1031,331 -0,310856 0,7570
 Xt-2 -3847,142 12375,97 -0,310856 0,7570
Xt-3 -46165,71 148511,6 -0,310856 0,7570
Xt-4 -553988,5 1782139 -0,310856 0,7570
Xt-5 -6647906 21385657 -0,310858 0,7570

Kesimpulan:
1. Xt =-0,002169. Pada saat harga minyak meningkat $1/barel maka akan mengurangi
kapitalisasi pasar sebanyak $2.169 dengan asumsi ceteris paribus.
2. Xt-1 =-320,5952. Pada saat harga minyak meningkat $1/barel maka akan mengurangi
kapitalisasi pasar sebanyak $320,595 satu bulan kemudian, dengan asumsi ceteris
paribus.
3. Xt-2 =-3847,142. Pada saat harga minyak meningkat $1/barel maka akan mengurangi
kapitalisasi pasar sebanyak $3847,142 dua bulan kemudian, dengan asumsi ceteris
paribus
4. Xt-3= -46165,71. Pada saat harga minyak meningkat $1/barel maka akan mengurangi
kapitalisasi pasar sebanyak $46165,71 tiga bulan kemudian, dengan asumsi ceteris
paribus
5. Xt-4= -553988,5. Pada saat harga minyak meningkat $1/barel maka akan mengurangi
kapitalisasi pasar sebanyak $553988,5 empat bulan kemudian, dengan asumsi ceteris
paribus
6. Xt-5 = -6647906. Pada saat harga minyak meningkat $1/barel maka akan mengurangi
kapitalisasi pasar sebanyak $6647906 lima bulan kemudian, dengan asumsi ceteris
paribus

Y^ t = $74521,81+ $320,5952 + $3847,142+ $46165,71+ $ 553988,5 + $ 6647906 =

$6.647.906
Setelah enam bulan, efek penambah satu dolar pada harga minyak maka
akan menurunkan kapitalisasi pasar sebesar $ 6.647.906

Lampiran

Y terhadap X Y terhadap Xt-1

Y terhadap Xt-2 Y terhadap Xt-3

Y terhadap Xt-4 Y terhadap Xt-5

Latihan 4.8 regresi kompensasi eksekutif pada keuntungan

Excel kumpulan data EXECUTIVE.XLS memuat data Y = kompensasi eksekutif,
X=keuntungan, W = persentase perubahan dalam penjualan dan Z = persentase perubahan
utang.
a) Jalankan regresi Y pada X dan menginterpretasikan hasil.
b) Jalankan regresi Y pada W dan satu dari Y onz dan menginterpretasikan hasil.
c) Buat variabel baru, V, dengan membagi X dengan 100. Apa yang unit dalam hal yang
V diukur?
d) Jalankan regresi Y pada V. Bandingkan hasil Anda dengan yang untuk (a). Bagaimana
Anda menafsirkan estimasi koefisien Anda? Bagaimana berbeda antara a) dan d)?
e) Percobaan dengan skala variabel dependen dan penjelas (yaitu dengan membagi
mereka dengan konstan) dan melihat apa efek ini pada perkiraan koefisien Anda.
Jawab:
a. Regresi Y dan X

Dependent Variable: Y
Method: Least Squares
Date: 03/24/19 Time: 18:47
Sample: 1 70
Included observations: 70

Variable Coefficient Std. Error t-Statistic Prob.

C 0.599965 0.112318 5.341646 0.0000

X 0.000842 0.000117 7.227937 0.0000

R-squared 0.434479 Mean dependent var 1.138571

Adjusted R-squared 0.426162 S.D. dependent var 0.928189
S.E. of regression 0.703122 Akaike info criterion 2.161583
Sum squared resid 33.61789 Schwarz criterion 2.225826
Log likelihood -73.65540 Hannan-Quinn criter. 2.187101
F-statistic 52.24308 Durbin-Watson stat 2.045447
Prob(F-statistic) 0.000000

Y = β0 + β1X + ei
Y^ = 0,59965 + 0,000842
t stat = (5,3416) (7,2279)
F stat = 52,2430
R2 = 0,4344
Ŕ 2 = 0,4261
S.E. Regresi = 0,7031

Interprtasi c (koefisien)
Jika Persentase perubahan utang = 0 , maka nilai kompenasasi eksekutif tetap akan
sebesar 0,59965

Interpertasi X (Keuntungan)
Setiap penambahan satu satuan perubahan Keuntungan akan menaikan kompensasi eksekutif
0,000842 ribu dollar dengan variabel lainnya tetap.

b. Regresi Y pada W

Dependent Variable: Y
Method: Least Squares
Date: 03/26/19 Time: 4:34
Sample: 1 70
Included observations: 70

Variable Coefficient Std. Error t-Statistic Prob.

C 1.179225 0.145842 8.085653 0.0000

W -0.005860 0.013535 -0.432991 0.6664

R-squared 0.002749 Mean dependent var 1.138571

Adjusted R-squared -0.011916 S.D. dependent var 0.928189
S.E. of regression 0.933702 Akaike info criterion 2.728837
Sum squared resid 59.28241 Schwarz criterion 2.793080
Log likelihood -93.50931 Hannan-Quinn criter. 2.754355
F-statistic 0.187481 Durbin-Watson stat 1.619435
Prob(F-statistic) 0.666391

Y = β0 - β1W + ei
Y^ = 1,179225 - 0,005860
t stat = (8,0856) (-0,4329)
F stat = 0,1874
R2 = 0,0027
Ŕ 2 = -0,0119
S.E. Regresi = 0,9337

Interprtasi c (koefisien)
Jika Persentase perubahan penjualan = 0 , maka nilai kompenasasi eksekutif tetap akan
sebesar 1,179225
Interpertasi W (Persentase perubahan dalam penjualan)
Setiap penambahan satu persen perubahan penjualan akan menurunkan kompensasi eksekutif
0,005860 ribu dollar dengan variabel lainnya tetap.

c. Regresi Y pada Z

Dependent Variable: Y
Method: Least Squares
Date: 03/26/19 Time: 05:56
Sample: 1 70
Included observations: 70

Variable Coefficient Std. Error t-Statistic Prob.

C 1.039026 0.113176 9.180615 0.0000
Z 0.033150 0.012708 2.608570 0.0112

R-squared 0.090965 Mean dependent var 1.138571

Adjusted R-squared 0.077597 S.D. dependent var 0.928189
S.E. of regression 0.891449 Akaike info criterion 2.636218
Sum squared resid 54.03834 Schwarz criterion 2.700461
Log likelihood -90.26765 Hannan-Quinn criter. 2.661736
F-statistic 6.804636 Durbin-Watson stat 1.575368
Prob(F-statistic) 0.011169

Y = β0 + β1Z + ei
Y^ = 1,039026 + 0,033150
t stat = (9,1806) (2,6085)
F stat = 6,8046
R2 = 0,0909
Ŕ 2 = 0,0775
S.E. Regresi = 0,8914

Interprtasi c (koefisien)
Jika Persentase perubahan utang = 0 , maka nilai kompenasasi eksekutif tetap akan
sebesar 1,039026
Interpertasi Z (Persentase perubahan utang)
Setiap penambahan satu persen perubahan utang akan menaikan kompensasi eksekutif
0,033150 ribu dollar dengan variabel lainnya tetap.

d. Rgresi Y dan V

Dependent Variable: Y
Method: Least Squares
Date: 03/26/19 Time: 07:31
Sample: 1 70
Included observations: 70

Variable Coefficient Std. Error t-Statistic Prob.

C 0.599965 0.112318 5.341646 0.0000

V 0.084233 0.011654 7.227937 0.0000

R-squared 0.434479 Mean dependent var 1.138571

Adjusted R-squared 0.426162 S.D. dependent var 0.928189
S.E. of regression 0.703122 Akaike info criterion 2.161583
Sum squared resid 33.61789 Schwarz criterion 2.225826
Log likelihood -73.65540 Hannan-Quinn criter. 2.187101
F-statistic 52.24308 Durbin-Watson stat 2.045447
Prob(F-statistic) 0.000000
Perbandingan antara variabel X dan V Variabel X
Y = β0 + β1X + ei
Y^ = 0,59965 + 0,000842
Sedangkan
Variabel V
Y = β0 + β1V + ei
Y^ = 0,599965 + 0,084233
Dengan hasil dari regresi keduanya β0 menghasilkan nilai regresi yang sama karena tidak
adanya perbedaan angka variabel pada data Y( Kompensasi Eksekutif) = Variabel tetap
sedangkan pada variabel Bebas X dan V terdapat perbedaan hal ini terjadi karena X
(Keuntungan) dibagi 100 dengan konstan yang menghasilkan V( Keuntungan Baru) hal ini
lah menyebabkan perbedaan Variabel bebas antar X dan V

Latihan 4.9 regresi kompensasi eksekutif pada keuntungan

Menggunakan data dalam EXECUTIVE.XLS,menjalankan regresi Y pada X dan grafis dan

numerik membandingkan nilai aktual dan dipasang. Dalam Excel ini dapat dilakukan dengan
menjalankan regresi dengan kotak diklik berlabel “Line Fit Plot” di menu Regression (yaitu
melihat kolom berlabel “Residual Output” dan grafik display yang menyertainya).

Jawab :

RESIDUAL OUTPUT
Observ Predicted Residu Compen Profits Change Change
ation Compensation als sation ($million in sales in debt
($million) ($millio ) last ($million
n) year )
($milli
on)
1 0.900676 - 0.7 357 27.9 0
0.20068
2 0.640397 0.05960 0.7 48 1.7 0
3
3 1.385014 - 0.8 932 14.5 0
0.58501
4 0.908257 - 0.7 366 17.9 0
0.20826
5 0.669878 0.13012 0.8 83 2.2 0
2
6 0.618496 -0.6185 0.0 22 5.1 0
7 0.656401 -0.6564 0.0 67 4 -6.6
8 0.947846 - 0.6 413 0 0
0.34785
9 1.017759 - 0.3 496 0.4 -1.1
0.71776
10 0.985751 - 0.5 458 6.5 0
 0.48575
11 0.727999 -0.328 0.4 152 3.9 0
12 0.696832 0.30316 1.0 115 3.9 12.2
8
13 1.411968 - 0.9 964 18.3 0
0.51197
14 0.986593 0.21340 1.2 459 3.9 0
7
15 0.954585 0.04541 1.0 421 19 0
5
16 1.208967 0.09103 1.3 723 -2.6 0
3
17 0.815601 0.28439 1.1 256 3.4 0
9
18 0.847609 - 0.5 294 0.5 0
0.34761
19 1.703413 - 0.7 1310 6.2 0
1.00341
20 1.128104 -0.5281 0.6 627 8.6 0
21 1.201386 0.19861 1.4 714 7.3 0
4
22 0.827393 - 0.6 270 1.2 0
0.22739
23 0.643766 - 0.4 52 3.4 0
0.24377
24 0.65977 - 0.2 71 13.7 0
0.45977
25 0.713679 - 0.4 135 0 0
0.31368
26 0.642081 - 0.6 50 0.9 0
0.04208
27 0.753268 - 0.6 182 3.5 0
0.15327
28 0.669036 0.03096 0.7 82 0.5 0
4
29 0.620181 - 0.5 24 2 0
0.12018
30 1.557691 - 1.3 1137 25.2 0
0.25769
31 0.764219 - 0.7 195 1.3 0
0.06422
32 0.873721 0.32627 1.2 325 1 0
9
33 0.701044 0.29895 1.0 120 3.1 0
6
34 0.837501 -0.2375 0.6 282 8.8 0
35 0.792015 0.00798 0.8 228 3.3 0
5
36 0.895622 - 0.6 351 8.5 2.4
0.29562
37 1.897991 - 1.0 1541 14.3 6
0.89799
38 1.99907 0.90093 2.9 1661 4 0
39 2.932368 - 1.3 2769 1.5 0
1.63237
40 1.029552 - 1.0 510 0.4 0
0.02955
41 0.76843 0.13157 0.9 200 3.6 0
 42 1.171063 0.02893 1.2 678 0.2 -0.8
7
43 1.537475 1.36252 2.9 1113 25.5 29.7
5
44 2.434553 - 1.4 2178 -2.9 18.3
1.03455
45 1.504624 - 1.0 1074 12.3 -1.5
0.50462
46 1.093568 0.70643 1.8 586 1.5 0
2
47 2.480038 0.41996 2.9 2232 2.5 24
2
48 0.677459 - 0.3 92 8.3 -20.1
0.37746
49 1.139054 1.46094 2.6 640 4.5 15.6
6
50 2.843081 - 2.0 2663 1.1 0
0.84308
51 1.379117 0.22088 1.6 925 7.9 7.7
3
52 1.023655 0.97634 2.0 503 3.7 6.2
5
53 0.997543 0.20245 1.2 472 0.7 0
7
54 0.89141 0.80859 1.7 346 2.1 10.7
55 0.883829 0.81617 1.7 337 16.7 13.9
1
56 0.600715 - 0.2 1 9 9.1
0.40071
57 1.436395 -0.5364 0.9 993 4 15.3
58 1.92663 0.57337 2.5 1575 2.4 0
59 0.6345 -0.5345 0.1 41 0.1 0.8
60 2.706624 1.19337 3.9 2501 1.7 -2.4
6
61 2.540686 2.75931 5.3 2304 1.8 -8.1
4
62 0.624392 - 0.1 29 39.7 1.7
0.52439
63 2.699886 - 1.9 2493 3.4 0
0.79989
64 0.65977 0.44023 1.1 71 12.9 -1.7
65 0.755795 -0.1558 0.6 185 23.1 7.5
66 0.875406 - 0.6 327 4.1 5.8
0.27541
67 0.944477 0.75552 1.7 409 9.4 29.2
3
68 0.698517 1.70148 2.4 117 26.7 33.5
3
69 0.750741 - 0.4 179 6.1 0
0.35074
70 0.797069 0.40293 1.2 234 4.3 2.9
1

Secara keseluruhan rata-rata dari hasil regresi tersebut tidak signifikan karena dapat dilihat
hasil residual output yaitu jumlah prediksi melampaui data yang sebelumnya .
 Profits ($million) Line Fit Plot
Compensaton ($million)
6.0 Compensation
4.0 ($million)
2.0 Predicted
0.0 Compensation
($million)
0 500 1000 1500 2000 2500 3000
Profits ($million)

Dari grafik diatas ialah menghubungkan variabel bebas dan variabel terikat dimana baik
permintaan atas dasar data aktual maupun prediksi.

Normal Probability Plot

Compensaton ($million)

6
4
2
0
0 20 40 60 80 100 120
Sample Percentle

Dari grafik diatas ialah presentil untuk variabel terikat yang dapat disimpulkan bahwa
sebesar 99,28% berpengaruh terhadap variabel bebas.

Latihan 4.10 regresi kompensasi eksekutif pada keuntungan

a) Menggunakan data dalam EXECUTIVE.XLS(Lihat Latihan 4.1) menjalankan regresi Y pada

X dan grafis dan numerik membandingkan residual. Dalam Excel ini dapat dilakukan dengan
kotak berlabel “Residual” dan “Plot Residual” di menu regresi diklik. Bagaimana Anda
menafsirkan residual? Apakah ada outlier?
b) Ulangi pertanyaan (a) untuk variabel lainnya, W dan Z di set data ini.

Jawab :
a)
RESIDUAL OUTPUT
Observatio Predicted Residua
n Compensation ls
($million)
1 0.900676 -
0.20068
2 0.640397 0.05960
3
3 1.385014 -
0.58501
4 0.908257 -
0.20826
5 0.669878 0.13012
2
6 0.618496 -0.6185
7 0.656401 -0.6564
8 0.947846 -
0.34785
9 1.017759 -
0.71776
10 0.985751 -
0.48575
11 0.727999 -0.328
12 0.696832 0.30316
8
13 1.411968 -0.51197
14 0.986593 0.21340
7
15 0.954585 0.04541
5
16 1.208967 0.09103
3
17 0.815601 0.28439
9
18 0.847609 -
0.34761
19 1.703413 -
1.00341
20 1.128104 -0.5281
21 1.201386 0.19861
4
22 0.827393 -
0.22739
23 0.643766 -
0.24377
24 0.65977 -
0.45977
25 0.713679 -
0.31368
26 0.642081 -
0.04208
27 0.753268 -
0.15327
28 0.669036 0.03096
4
29 0.620181 -
0.12018
30 1.557691 -
0.25769
31 0.764219 -
0.06422
32 0.873721 0.32627
9
33 0.701044 0.29895
6
34 0.837501 -0.2375
35 0.792015 0.00798
5
36 0.895622 -
0.29562
37 1.897991 -
0.89799
38 1.99907 0.90093
39 2.932368 -
1.63237
40 1.029552 -
0.02955
41 0.76843 0.13157
42 1.171063 0.02893
7
43 1.537475 1.36252
5
44 2.434553 -
1.03455
45 1.504624 -
0.50462
46 1.093568 0.70643
2
47 2.480038 0.41996
2
48 0.677459 -
0.37746
49 1.139054 1.46094
6
50 2.843081 -
0.84308
51 1.379117 0.22088
3
52 1.023655 0.97634
5
53 0.997543 0.20245
7
54 0.89141 0.80859
55 0.883829 0.81617
1
56 0.600715 -
0.40071
57 1.436395 -0.5364
58 1.92663 0.57337
59 0.6345 -0.5345
60 2.706624 1.19337
6
61 2.540686 2.75931
4
62 0.624392 -
0.52439
63 2.699886 -
0.79989
64 0.65977 0.44023
65 0.755795 -0.1558
66 0.875406 -
0.27541
67 0.944477 0.75552
3
68 0.698517 1.70148
3
69 0.750741 -
0.35074
70 0.797069 0.40293
1
 Profits ($million) Residual Plot
3
2
Residuals

1
0
0 500 1000 1500 2000 2500 3000
-1
-2
Profits ($million)

Normal Probability Plot

Compensaton ($million)

6
4
2
0
0 20 40 60 80 100 120
Sample Percentle

b)
RESIDUAL OUTPUT
Observatio Predicted Residual
n Compensatio s
n ($million)
1 0.709368 -0.00937
2 1.107425 -0.40743
3 0.912955 -0.11295
4 0.861298 -0.1613
5 1.099829 -0.29983
6 1.055769 -1.05577
7 0.829142 -0.82914
8 1.133253 -0.53325
9 1.08662 -0.78662
10 1.034499 -0.5345
11 1.074001 -0.674
12 1.52381 -0.52381
13 0.855221 0.044779
14 1.074001 0.125999
15 0.844586 0.155414
16 1.172755 0.127245
17 1.081597 0.018403
18 1.125657 -0.62566
19 1.039057 -0.33906
20 1.002593 -0.40259
21 1.022344 0.377656
22 1.115022 -0.51502
23 1.081597 -0.6816
24 0.925109 -0.72511
25 1.133253 -0.73325
26 1.11958 -0.51958
27 1.080078 -0.48008
28 1.125657 -0.42566
29 1.102867 -0.60287
30 0.750389 0.549611
31 1.113503 -0.4135
32 1.11806 0.08194
33 1.086155 -0.08616
34 0.999555 -0.39955
35 1.083117 -0.28312
36 1.0926 -0.4926
37 1.137211 -0.13721
38 1.072481 1.827519
39 1.110464 0.189536
40 1.127176 -0.12718
41 1.078559 -0.17856
42 1.100719 0.099281
43 1.840858 1.059142
44 1.852027 -0.45203
45 0.891075 0.108925
46 1.110464 0.689536
47 1.980141 0.919859
48 0.266073 0.033927
49 1.64005 0.95995
50 1.116541 0.883459
51 1.297124 0.302876
52 1.305631 0.694369
53 1.122618 0.077382
54 1.495853 0.204147
55 1.392017 0.307983
56 1.33203 -1.13203
57 1.636586 -0.73659
58 1.09679 1.40321
59 1.16123 -1.06123
60 1.018938 2.881062
61 0.807262 4.492738
62 0.592769 -0.49277
63 1.081597 0.818403
64 0.874585 0.225415
65 1.058817 -0.45882
66 1.284806 -0.68481
67 2.067031 -0.36703
68 1.962731 0.437269
69 1.040576 -0.64058
70 1.174845 0.025155
 Change in sales last year ($million) Residual Plot
5
Residuals
0
-10 0 10 20 30 40 50
-5
Change in sales last year ($million)

Change in debt ($million) Residual Plot

5
Residuals

0
-30 -20 -10 0 10 20 30 40
-5
Change in debt ($million)

Normal Probability Plot

Compensaton ($million)

6
4
2
0
0 20 40 60 80 100 120
Sample Percentle

Latihan 4.11. Regresi kompensasi eksekutif atas laba

a) Menggunakan data dalam EXECUTIVE. XLS (lihat latihan 4.1) menjalankan regresi
Y pada X menggunakan Excel, apa itu R2?
b) Hitung korelasi antara Y dan X.
c) Diskusikan hubungan antara jawaban Anda dalam (a) dan (b).
d) Mengulang (a) untuk berbagai regresi yang melibatkan variabel W, X, Y dan Z dalam
kumpulan data. Komentari kesesuaian dari masing-masing regresi ini.
 JAWABAN :

a. R2 artinya bahwa variabel bebas hanya dapat menjelaskan variabel terikat sebesar
0.49 atau 49,5244% , sisanya dijelaskan oleh varibel di luar varibel bebas.
b. korelasinya sebesar 0,674264
c. R square menjelaskan bagaimana variabel bebas menjelaskan variabel terikat,
Sedangkan korelasi adalah menjelaskan hubungan antara variabel bebas secara
beresama sama dengan varibel terikat. Apabila R square semakn tinggi maka
korelasinya semakin tinggi. Dari data di atas maka R squrenya sebesar
49,5244%dan korelasinya tinggi pula yaitu sebesar 0,674264.
d. - Jika semua variabel bebas sama dengan 0 maka akan menaikan kompensasi
sebesar 0.565673.
- Jika kenaikan profit sebesar 1 satuan maka akan menaikan compensasi
sebesar 0.000808 % dengan asumsi variabel lain tetap.
- Jika kenaikan Perubahan penjualan tahun lalu sebesar 1 satuan maka akan
menurunkan compensasi sebesar -0.003975% dengan asumsi variabel lain
tetap.
- Jika kenaikan Perubahan hutang sebesar 1 satuan maka akan menaikan
compensasi sebesar0,027966 % dengan asumsi variabel lain tetap.

Latihan 4.12. Regresi kompensasi eksekutif atas keuntungan

Menggunakan data dalam EXECUTIVE. XLS memeriksa berbagai plot XY yang melibatkan
variabel X, Y, W dan Z (lihat Latihan 4.1 untuk definisi variabel-variabel ini) tampaknya ada
hubungan nonlinear antara setiap pasang variabel?

JAWABAN :
Berdasarkan data XY yang di plot maka benar bahwa adanya hubungan yang nonlinear antar
setiap pasangan variabel karena jika kita menarik garis lurus seperti pada plot, kita dapat
melihat titik tersebut memilki jarak yang cukup jauh jauh dari garis. Sedangkan syarat linear
yaitu ketika kita menarik garis lurus maka titik-titik nya harus dekat dengan garis lurus.

LATIHAN 4.13

Kumpulan data EX46.XLS berisi dua variabel, berlabel Y dan X.

a) Buat plot XY dari dua variabel ini. Apakah hubungan antara Y dan X tampak linier?
b) Hitung akar kuadrat dari variabel X. Perhatikan fungsi Excel untuk akar kuadrat
adalah SQRT.
c) Buat plot-XY dari akar kuadrat X terhadap Y. Apakah hubungan ini tampak linier?

Jawab:

Profits ($million)
3000
2500
2000
Profits ($million)
1500
1000
500
0
0.0 1.0 2.0 3.0 4.0 5.0 6.0

Dari plot tersebut dapat diketahui bahwa hubungan y dengan x adalah tidak liniear dimana
hubungan antara y dan x tidak mengikuti garis lurus karena peningkatan atau penurunan
kuantitas disatu variabel tidak diikuti secara liniear oleh peningkatan atau penurunan
kuantitas divarianel lainnya.
b) Hitung akar kuadrat dari variabel X. Perhatikan fungsi Excel untuk akar kuadrat adalah
SQRT.

Jawab:
Nilai hasil rata-rata akar kuadrat dari variabel X adalah sebesar 0.83666
0.83666
0.83666
0.89442
7
0.83666
0.89442
7
0
0
0.77459
7
0.54772
3
0.70710
7
0.63245
6
1
0.94868
3
1.09544
5
1
1.14017
5
1.04880
9
0.70710
7
0.83666
0.77459
7
1.18321
6
0.77459
7
0.63245
6
0.44721
4
0.63245
6
0.77459
7
0.77459
7
0.83666
0.70710
7
1.14017
5
0.83666
1.09544
5
1
0.77459
7
 0.89442
7
0.77459
7
1
1.70293
9
1.14017
5
1
0.94868
3
1.09544
5
1.70293
9
1.18321
6
1
1.34164
1
1.70293
9
0.54772
3
1.61245
2
1.41421
4
1.264911
1.41421
4
1.09544
5
1.30384
1.30384
0.44721
4
0.94868
3
1.581139
0.31622
8
1.97484
2
2.30217
3
0.31622
8
1.37840
5
1.04880
9
 0.77459
7
0.77459
7
1.30384
1.54919
3
0.63245
6
1.09544
5

c) Buat plot XY dari akar kuadrat X terhadap Y. Apakah hubungan ini tampak linier?
Jawab:
Dilihat dari plot tersebut hubungannya tidak liniear

Profits ($million)
3000

2500

2000
Profits ($million)
1500

1000

500

0
0 0.5 1 1.5 2 2.5

Latihan 4.17

Untuk pertanyaan ini, gunakan set data EXECUTIVE.XLS dengan Y = kompensasi eksekutif, X=
laba, W= perubahan penjualan dan Z = perubahan hutang. Lakukan regresi berganda analisis
kumpulan data ini menangani masalah yang diangkat dalam bab ini. Misalnya, Anda mungkin ingin:
 a) Tekan kembali Y pada X1, X2 dan X3 dan tafsirkan secara verbal estimasi koefisien yang
Anda dapatkan.

Jawab:

Dependent Variable: Y
Method: Least Squares
Date: 03/24/19 Time: 20:02
Sample: 1 70
Included observations: 70

Coefficien
Variable t Std. Error t-Statistic Prob.

C 0.565674 0.132710 4.262468 0.0001

X1 0.000808 0.000114 7.113061 0.0000
-
X2 0.003975 0.010214 -0.389150 0.6984
X3 0.027966 0.010003 2.795741 0.0068

1.13857
R-squared 0.495245 Mean dependent var 1
0.92818
Adjusted R-squared 0.472302 S.D. dependent var 9
2.10505
S.E. of regression 0.674263 Akaike info criterion 1
2.23353
Sum squared resid 30.00558 Schwarz criterion 6
- 2.15608
Log likelihood 69.67678 Hannan-Quinn criter. 7
2.01360
F-statistic 21.58553 Durbin-Watson stat 1
Prob(F-statistic) 0.000000

Y = β0 + β1X1 + β2X2 + β3X3 + ei

Y^ = 0,565674 + 0,000808 – 0,003975 + 0,027966
t stat = (4,262) (7,113) (-0,389) (2,795)
F stat = 21,585
R2 = 0,495 ( menjelaskan bahwa variabel bebas memiliki tingkat signifikan 49,5%)
Ŕ 2 = 0,472
S.E. Regresi = 0,672

Interpertasi X1 (Keuntungan)
Setiap penambahan satu satuan kompensasi eksekutif perubahan Keuntungan akan
menaikan kompensasi eksekutif 0,000808 ribu dollar dengan variabel lainnya tetap.

Interpertasi X2 (Persentase perubahan dalam penjualan)

Setiap penambahan satu persen kompensasi eksekutif perubahan penjualan akan
menurunkan kompensasi eksekutif 0,003975 ribu dollar dengan variabel lainnya tetap.

Interpertasi X3 (Persentase perubahan utang)

Setiap penambahan satu persen kompensasi eksekutif perubahan utang akan menaikan
kompensasi eksekutif 0,027966 ribu dollar dengan variabel lainnya tetap.

b) Diskusikan signifikansi statistik dari koefisien. Apakah ada variabel penjelas yang bisa
dijatuhkan?
Jawab:
  Uji t pada X1
H 0 = β2 ≤ 0
H a = β2 > 0
α=0.05 atau dengan tingkat kepercayaan 95%
derajat kebebasan = n-k-1
= 70 – 3 – 1
= 66
t-stat = 7.113061
t hitung atau t kritis ( 0.05;66) = 1.997

Daerah terima Daerah tolak

H0 H0

0 1.997 t

jadi karena t statistic (t hitung) yaitu 7.113061 lebih besar dari t table
yaitu 1.997 maka H0 ditolak. Dengan demikian, kesimpulannya adalah
laba berpengaruh positif pada kompensasi eksekutif. Jika jumlah laba
bertambah satu maka kompensasi eksekutif akan bertambah sebesar
0,565674 dollar dengan tingat keyakinan 95% dan cateris paribus atau
variabel bebas lain dianggap konstan.

 Uji t Pada X2

H 0 = β2 ≤ 0
H a = β2 > 0
α=0.05 atau dengan tingkat kepercayaan 95%
derajat kebebasan = n-k-1
= 70 – 3 – 1
= 66
t-stat = -0.389150
t hitung atau t kritis ( 0.05;66) = 1.997
 Daerah terima Daerah tolak
H0 H0

0 1.997 t

jadi karena t statistic (t hitung) yaitu -0.389150 lebih kecil dari t table yaitu
1.997 maka H0 diterima. Dengan demikian, kesimpulannya adalah
penjualan berpengaruh negatif terhadap kompensasi eksekutif. Jika jumlah
penjualan bertambah satu-satuan maka kompensasi eksekutif akan
berkurang sebesar -0.389150 dollar dengan tingkat keyakinan 95% dan
cateris paribus atau variabel bebas lain dianggap konstan.

 Uji t pada X3

H 0 = β2 ≤ 0
H a = β2 > 0
α=0.05 atau dengan tingkat kepercayaan 95%
derajat kebebasan = n-k-1
= 70 – 3 – 1
= 66
t-stat = 2.795741
t hitung atau t kritis ( 0.05;66) = 1.997

Daerah terima Daerah tolak

H0 H0

0 1.997 t

jadi karena t statistic (t hitung) yaitu 2.795741 lebih besar dari t table
yaitu 1.997 maka H0 ditolak. Dengan demikian, kesimpulannya adalah
 perubahan hutang berpengaruh positif terhadap kompensasi eksekutif. Jika
jumlah perubahan hutang bertambah satu-satuan maka kompensasi
eksekutif akan bertambah sebesar 2.795741 dengan tingkat keyakinan
95% dan cateris paribus atau variabel bebas lain dianggap konstan.

Jadi dari uji yang telah dilakukan diatas dapat kita

ketahui bahwa variabel W= perubahan penjualan
berpengaruh negatif terhadap variabel Y.

c) Diskusikan kecocokan regresi.

Jawab:

Dari regresi yang telah dilakukan memiliki kecocokan dengan uji t yang dilakukan
bahwa variabel X= laba, dan Z = perubahan hutang berpengaruh positif terhadap variabel Y
Sedangkan variabel. W= perubahan penjualan berpengaruh negatif tehadap Y.

d) Hitung matriks korelasi. Melalui pertimbangan ini dan hasil regresi, diskusikan masalah
multikolinieritas

Jawab:

Variance Inflation Factors

Date: 03/24/19 Time: 21:06
Sample: 1 70
Included observations: 70

Uncentere
Coefficient d Centered
Variable Variance VIF VIF

C 0.017612 2.711755 NA
X1 1.29E-08 1.844347 1.032535
X2 0.000104 1.865124 1.092102
X3 0.000100 1.221946 1.083022

Karena nilai VIF keduanya 1,0325, maka dapat dikategorikan bahwa hasil estimasi
mengalami multikolinieritas rendah