Modul Ekonometrika 2015 PDF

MODUL LABORATORIUM EKONOMETRIKA
BAB I
PENGENALAN PROGRAM EVIEWS
1.1 PENDAHULUAN
Sejarah perkembangan disiplin ilmu ekonomi tidak terlepas dari

perkembangan teknologi komputer, terutama berkaitan dengan analisis yang
menggunakan metode kuantitatif. Dalam ilmu ekonomi, salah satu mata kuliah
alat yang khusus membahas mengenai metodologi kuantitatif sebagai aplikasi
dari analisis ilmu ekonomi adalah Ekonometrika. Sampai dengan saat ini sudah
banyak dikembangkan metode-metode analisis yang baru disertai alat-alat
analisis serta perangkat lunak (software) yang berisikan program yang digunakan
untuk menganalisis secara kuantitatif permasalahan-permasalahan ekonomi
sebagaimana dibahas dalam ilmu ekonometrika. Diantara perangkat-perangkat
lunak tersebut adalah Microstat, Micro Time Series Program, Limdep, Shazam,
DataFit, Microfit, Stata, Econometric Views (EViews), dan lain-lain.
1.1.1 Apakah Econometrics Views itu ?
Program Eviews merupakan program olah data yang dikeluarkan oleh

Quantitative Micro Software sebagaimana program oleh data Micro TSP yang
berbasais DOS. Eviews merupakan program olah data berbasis windows. Dalam
perkembangannya sampai dengan saat ini, program EViews telah diproduksi
dalam berbagai versi (Versi 3.1, 4.0, 4.1 dan 5.0). Antara program olah data
Micro TSP dengan program olah data EViews mempunyai beberapa kesamaan,
antara lain:
1
 Hampir semua perintah yang digunakan dalam Micro TSP dapat

digunakan dalam EViews.
 Data-data yang telah di-entry dalam Miro TSP juga dapat digunakan atau
dieksekusi oleh EViews.
Perbedaan mendasar antara Micro TSP dan EViews antara lain adalah:
 Micro TSP berbasis DOS, Eviews berbasis WINDOWS.
 Dalam program Eviews disediakan fasilitas tampilan grafik yang hampir
sama dengan tampilan grafik yang ada pada Microsoft Excel, sementara
pada Micro TSP hal tersebut tidak dapat dilakukan dengan baik.
 Lebih banyak metode pengujian yang disediakan oleh Eviews, seperti uji
stasioneritas, uji kointegrasi, uji asumsi klasik, dan sebagainya.
 Adanta kemudahan dalam melakukan pengolahan data dengan metode
pooling data.
 Persamaan regresi, grafik, tabel ataupun sekelompok data yang telah
diestimasi atau dibuat dalam program Eviews dapat disimpan.
 Adanya fleksibilitas program olah data Eviews merubah database,
sehingga hampir semua program olah data yang berbasis worksheet
kompatibel dengan program olah data Eviews, misal Microsoft Excel,
SPSS, Shazam, DataFit.
EViews menyediakan regresi dan alat peramalan pada komputer-komputer

Windows. Dengan EViews anda dapat mengembangkan hubungan statistik dari
data anda dan kemudian menggunakan hubungan tersebut untuk meramalkan
nilai masa depan dari data wilayah dimana EViews dapat digunakan termasuk :
 Peramalan penjualan
 Analisa biaya dan peramalannya
 Analisis keuangan
 Peramalan ekonomi makro
2
 Simulasi
 Analisis data keilmuan dan evaluasi
EViews dalam versi baru adalah seperangkat alat untuk memanipulasi
data runtun waktu (time series) untuk dikembangkan dalam program Time series
Processor (TSP) dalam komputer. Bentuk terdahulu dari EViews adalah Micro
TSP, yang di keluarkan pertama kali pada tahun 1981. Meskipun EViews
dikembangkan oleh para pakar ekonomi dan banyak digunakan untuk
kepentingan ekonomi, tetapi tidak menutup kemungkinan tidak hanya digunakan
untuk data Time Series akan tetapi data Cross-section juga dapat ditangani oleh
EViews.
Data dasar yang dipakai oleh EViews adalah data time series. Setiap seri
diberikan nama dan anda dapat menjalankan operasi hanya dengan
menyebutkan nama dari seri tersebut. EViews menyediakan cara yang sangat
mudah dalam tampilannya untuk memasukkan data time series dari keyboard
atau dari file dalam disket anda, untuk membuat seri baru dari file dalam disket,
untuk membuat seri baru dari file yang sudah ada, untuk menampilkan dan
mencetak seri dan menampilkan analisis statistik dari hubungan antara seri
tersebut.
EViews menggunakan keutamaan tampilan modern dari perangkat lunak
Windows. Anda dapat menggunakan mouse anda sebagai pemandu operasi
dengan menu dan dialog-dialog standar dari Windows. Hasilnya akan ditampilkan
Windows dan dapat dimanipulasi dengan tehnik Windows yang standart. Sebagai
alternatif, anda dapat menggunakan bahasa-bahasa perintah dalam EViews.
Anda dapat memasukkan dan mengedit perintah dalam kolom perintah yang
telah disediakan. Anda dapat membuat dan memasukkan perintah-peritah
tersebut pada keseluruhan proyek penelitian anda.
Beberapa kemampuan dasar EViews yang paling penting adalah :
 Memasukkan, memperluas, dan mengkoreksi data time series anda.
3
 Menghitung seri baru, berdasarkan formula yang memiliki berbagai

kerumitan.
 Menggambar seri pada layar ataupun printer anda, scatter diagram (diagram
berserak), grafik batang dan diagram pie.
 Ordinary Least Squares (regresi berganda), least square dengan autogressive
corection dan two stage least-square (TSLS).
 Non-linier least-square.
 Estimasi linear dan nonlinier dari berbagai macam sistem persamaan
 Estimasi ARCH-GARCH dan peramalannya.
 Estimasi dan analisis dari sistem vector autoregressive (VAR).
 Statistik deskriptif, korelasi, kovarians, crosstabs, autokorelasi, cross-korelasi
dan histogram.
 Autoregresive seasonal dan moving average error proses
 Polynominal distributed lag.
 Peramalan berdasarkan regresi pemecahan metode simultan
 Pengaturan data dasar time series.
 Membaca dan menulis dari data dalam file dengan bentuk standar lembar
kerja
Persyaratan untuk versi Windows
 386. 468 atau prosesor lainnya dengan Microsoft Windows 3.1. Windows 95
atau Windows NT.
 RAM minimal 4 megabytes dengan Windows 3,1 dianjurkan dengan RAM 8
mega atau lebih
 Monitor VGA, SVGA atau jenis lain yang cocok.
 Mouse atau trackball yang cocok untuk Windows
 Sedikitnya tersedia 6 megabites kosong yang dapat digunakan dalam hard
disk
4
1.1.2 Instalasi
Cara menginstall program olah data Eviews relatif mudah. Jika program
olah data Eviews terdapat di CD, masukkan CD program ke CD drive, tunggu
beberapa saat sampai spins-up dan setup program secara langsung. Jika dics
tidak melakukan spins-up, gunakan Windows Explorer, kemudian klik Setup icon.
1.2 CARA MENGOPERASIKAN EVIEWS

1.2.1 Memulai Eviews
Ada beberapa cara untuk dapat memulai bekerja dengan progam olah dara
Eviews. Antara lain:
 Jika program ada dalam folder tersendiri dalam start menu, maka klik
START/PROGRAM/ EVIEWS klik satu kali.
 Jika program mempunyai shortcut pada tampilan layar, maka KLIK DUA
KALI shortcut Eviews.
Jika program diinstal dengan benar, maka akan terlihat tampilan Eviews window
ketika program dijalankan. Tampilan Eviews window akan terlihat seperti di
bawah: Balok judul (title Kotak perintah
bar) (command window)
Menu Utama
(main menu)
Wilayah
kerja
(work area)
Baris status (status line)
Gambar 1.1 Menu Utama Program Olah Data Eviews
5
1) Baris Judul (title bar)

Baris judul (title bar), bertuliskan Econometric Views, berada pada baris
paling atas dari tampilan utama. Ketika EViews sedang aktif dijalankan maka
baris tersebut akan berwarna terang dan akan menjadi gelap ketika tidak aktif
dan anda dapat langsung mengaktifkannya dengan mengklik di wilayah mana
saja dalam wilayah Eviews atau dengan menggunakan ALT-TAB di putar diantara
aplikasi sampai Eviews window aktif.
2) Menu Utama (Main menu)

Dibawah title bar terletak Menu Utama. Menu utama berisikan semua perintah
progam olah data Eviews, yaitu FILE, EDIT, OBJECT, VIEW, PROCS, QUICK,
OPTIONS, WINDOW, dan HELP. Jika kita gerakkan kursor untuk masuk ke dalam
menu utama dan klik kiri pada mouse, maka akan muncul menu ke bawah (drop-
down menu). Kita tinggal klik pada menu kebawah (drop-down menu) pada item
yang akan kita pilih yang akan mempunyai warna yang berbeda (lebih gelap).
Item menu utama Item menu abu-abu dalam kondisi

tidak aktif (tidak tersedia)
Drop-down
menu
Item menu berwarna gelap dalam

kondisi tersedia.
Gambar 1.2 Menu Utama dan Drop-down Menu
6
Kita akan membahas berbagai macam pilihan secara detil berikutnya, tapi untuk
saat ini perhatikan setelah anda memulai EViews, jika anda melihat-lihat
submenu yang ada akan terlihat beberapa submenu tertulis dengan warna hitam
adalah submenu yang dapat anda gunakan dan submenu lainnya berwarna abu-
abu tidak dapat anda gunakan. Sebagai contoh, anda tidak dapat membuat New
object atau store object akan tetapi anda dapat mencetak Print dan Views
Option. Keseluruhan menu yang terdapat dalam menu-menu utama Eviews
dapat dilihat dalam gambar 3 berikut ini.
Gambar 1.3 Item-item Menu Utama Program Eviews
7
3) Jendela Perintah (The Command Window)

Dibawah papan menu terdapat area yang disebut dengan command
Windows. Perintah-perintah EViews dapat ditulis di jendela tersebut (seperti
mengetik perintah dalam program Micro TSP). Perintah akan segera dilaksanakan
begitu anda selesai menekan ENTER.
Insertion point Scroll bar
Drag to resize
Gambar 1.4 Jendela Perintah (Command window)
Papan vertikal dalam jendela perintah dinamakan insert point.

Menunjukkan dimana huruf-huruf yang anda ketik pada keyboard akan
ditempatkan. Jika anda telah mengetik sesuatu pada jendela perintah, anda
dapat memindahkan insert point dengan meng-klik pada tempat baru dengan
mouse.
8
Anda dapat mengatur besarnya jendela perintah dengan menempatkan

kursor pada tepi bahwah jendela perintah. Kemudian men-drag mouse anda
(menekan bagian kiri mouse dengan menahannya beberapa saat) ke bawah atau
ke atas sesuai dengan keinginan anda.
Jika insertion point tidak nampak, berarti command window tidak aktif;
untuk mudahnya klik di sembarang tempat dalam command window untuk
menginformasikan kepada Eviews, perintah-perintah (commands) apa yang ingin
kita masukkan.
Kita dapat memindahkan insert point ke perintah awal, mengedit
perintah yang ada, dan kemudian tekan ENTER untuk melaksanakan versi edit
dari perintah (command).
Jendela perintah (command window) menyediakan pula Windows cut-
and-paste sehingga kita dapat dengan mudah memindahkan teks diantara
command window, ke dalam teks window EViews lainnya, dan program window
lainnya. Isi dari area command mungkin juga dapat disimpan secara langsung ke
dalam teks untuk penggunaan terakhir: pastikan bahwa command window aktif
dengan meng-klik di sembarang tempat di window, dan kemudian pilih File/Save
As...
Dari menu utama.
Jika kita memasukkan lebih banyak lagi perintah (command) dibanding
yang disiapkan dalam window, EViews akan kembali ke window ke bentuk
window yang standar. Untuk mudahnya gunakan scroll bar atau gunakan panah
atas (up) dan bawah (down) di sisi kanan dari window untuk melihat berbagai
bagian dalam daftar perintah eksekusi awal.
Kita mungkin akan menemukan bahwa ukuran command window terlalu
besar atau terlalu kecil dari yang dibutuhkan. Kita dapat merubah ukuran
command window dengan menempatkan kursor pada bagian bawah command
window, dan dengan menggunakan mouse untuk menggeser dan men-drag
9
window ke atas atau ke bawah. Lepaskan mouse jika ukuran command window
sudah seperti yang kita inginkan.
4) Baris Status (The Status Line)

Pada setiap bagian paling bawah dari tampilan EViews terdapat baris
status (status line) yang terbagi dalam tiga bagian. Bagian kiri terkadang berisi
pesan-pesan dari EViews. Pesan tersebut dapat dihilangkan dengan mengklik
pada bagian kiri dari status line. Bagian tengah memperlihatkan directory yang
sedang digunakan dimana EViews akan mencari data program. Sedangkan bagian
paling kanan menunjukkan file yang sedang aktif. Ketika anda baru memulai
EViews tidak ada file yang sedang aktif dalam memori.
Message area Default database
Clear message
Default directory Current workfile
Gambar 1.5 Status line
Ketika pertama kali program Eviews dijalankan, kotak pesan akan bertuliskan
WELCOME TO EVIEWS. Pesan ini akan berubah apabila program Eviews telah
dioperasikan untuk perhitungan. Misalnya, menghitung perubahan jumlah
penjualan (DSALE). Setelah perintah perhitungan DSALE dimasukkan, maka akan
muncul pesan DSALE SUCCESFULLY COMPUTED.
5) Wilayah Kerja (work area)

Wilayah kerja pada bagian tengah Windows adalah wilayah kerja dimana
EViews akan menampilkan bermacam obyek Windows yang dibuka. Bayangkan
10
area kerja ini sebagai kertas-kertas yang mungkin anda letakkan diatas meja
kerja anda sebagai pekerjaan anda. Windows akan menyusunnya dengan wilayah
yang anda pakai atau sedang anda aktifkan diatas wilayah yang tidak anda
kerjakan.
Anda dapat memindahkan area kerja dengan mengklik pada titlebar
kemudian mendragnya ke lokasi baru. Anda dapat mengubah ukurannya dengan
mengklik sudut kanan bawah dan mendrag sudut tersebut ke lokasi baru.
1.2.2 Menutup Program Olah Data Eviews

Untuk dapat menutup program olah data Eviews, setidaknya ada 4 cara
yang dapat dilakukan:
1. Membuka menu utama:
FILE
CLOSE
EXIT
Atau dengan cara:
FILE
EXIT
2. Meng-klik icon Eviews di kiri paling atas.

3. Meng-klik icon tanda (X) yang terletak di sebelah kanan atas.
4. Menekan tombol ALT+F4 secara bersamaan.
1.3 LATIHAN
Mari kita lihat apakah EViews bekerja dengan baik, dan mulai belajar
menggunakannya, dengan latihan di bawah ini :
 Klik pada File hingga submenu terlihat kebawah, kemudian klik pada New
dan kemudian Workfile. Akan muncul kotak dialog kemudian kursor akan
berada pada kotak Start Date, ketik 1990, kemudian gunakan mouse untuk
11
memindahkan kursor ke sebelah kanannya yaitu kotak End Date, klik di

dalam kotak dan ketik 1994 kemudian klik OK.
Akan tampak pada monitor anda file kerja, dua hal yang telah ada dalam file
kerja yaitu C sebagai vektor parameter dan sebuah seri yang dinamakan
dengan resid.Anda akan menambahkan dua atau lebih seri kedalam file kerja.
 Klik pada menu Quick kemudian Empty Group (Edit series) akan nampak
seperti lembar kerja. Klik pada cell abu-abu di sebelah kanan Obs. Ketik Sales
kemudian Enter. Klik pada cell dibawahnya kemudian ketik 163 diikuti
dengan Enter, lanjutkan dengan mengisi cell dibawahnya dengan mengklik
dan kemudian isi dengan 178, 212, 202 dan 204. kemudian klik pada sel tepat
disebelah kanan sales dan isi dengan Orders. Kemudian isi lima sel di bawah
dengan 173, 221, 200, 240 dan 227.
 Kemudian klik pada Print pada bagian atas sebelah kiri tampilan anda dan
anda akan dapat melihat hasil dari lembar kerja anda yang berisi dua seri
yang telah anda isi tadi.
 Kemudian, klik View pada bagian atas sebelah kiri anda, kemudian Graph,
anda akan melihat sebuah grafik dari seri anda.
 Akhirnya, klik Procs dan Make Equation, akan tampil dialog yang berisi
regresi least square dari sales dan order, tanpa intersep. Jika anda mengklik
OK (tanda Check berwarna hijau) anda akan segera melihat hasil dari regresi
tersebut.
Untuk mengakhiri, doble klik pada tanda silang di sudut paling kanan atas di layar
anda. Dengan demikian secara otomatis anda akan menutup program EViews.
Sebelum anda benar-benar keluar dari EViews akan ada beberapa pertanyaan
yang perlu anda respon, apakah anda akan menghapus obyek yang belum anda
beri nama (you want to delete untitled object) jawablah Yes. Jika anda ingin
menyimpannya, dan apakah anda ingin menyimpan file yang baru saja anda
kerjakan, jawablah No dengan mengklik tombol merah dengan tanda silang. Jika
anda memang tidak ingin menyimpannya.
12
Jika semuanya telah berjalan dengan lancar, EViews telah berjalan

dengan baik dan anda telah menguasai operasi dasar dari program ini.
Pendekatan Tampilan dan Perintah (The Visual Approach and

Command)
EViews menggunakan tampilan grafis standar dari Windows dan
Machintosh. Kelebihannya, anda lebih mudah untuk mengakses ke setiap
wilayah program tanpa harus menghafal begitu banyak command atau perintah.
Cara pengoperasian seperti inilah yang disebut dengan pendekatan tampilan.
EViews juga menerima perintah-perintah. Setiap perintah yang anda ketik
dijendela perintah akan segera dijalankan begitu anda selesai menekan tombol
enter. Sebagai contoh untuk mengulangi materi dasar yang baru saja anda
peroleh dapat dilakukan dengan perintah-perintah dibawah ini :
CREATE A 90 94
DATA SALES ORDERS
(memasukkan data)
PRINT SALES ORDERS
PLOT (P) SALES ORDERS
STATS SALES ORDERS
LS SALES ORDERS
EXIT
Sebagian orang menerima lebih cepat dengan menggunakan perintah
dibandingkan dengan pendekatan tampilan, dan sebagian besar perintah-
perintah Micro TSP ada dan dapat digunakan dalam EViews oleh karena itu bagi
anda yang telah berpengalaman dengan Micro TSP akan lebih mudah
menjalankan EViews dengan pendekatan perintah.
13
BAB II
ENTRY DATA
Ada beberapa tahapan yang dapat dilakukan untuk membuat file baru
dan memasukkan dalam program pengolah data Eviews, yaitu:
2.1MEMBUAT LEMBAR KERJA (WORKFILE)
1. Membuat lembar kerja baru (new workfile) dari menu utama:

FILE
NEW
WORKFILE
akan muncul tampilan workfile range.
Gambar 2.1 Tampilan Workfile Range
Dalam kotak workfile range terdapat workfile frequency data yang menunjukkan
jenis data (tahunan, semesteran, kuartalan, bulanan, mingguan, harian (5 dan 7
hari) dan undated (cross section).
2. Cara penulisan pada kotak START DATE dan END DATE
Annual 1990 2005
Semi-annual 1990:1 2005:2
14
Quarterly 1990:1 2005:4

Monthly 1990:1 2005:12
Weekly/Daily 1/1/1990 12/31/2005
Undated/Irregular 1 100
3. Setelah memasukkan informasi ke workfile range, klik OK dan akan muncul
tampilan workfile yang dibuat. Misal data dalam bentuk irregular dari 1
sampai 100, maka akan muncul tampilan workfile:
Gambar 2.2 Tampilan workfile
4. Untuk entry data bisa dilakukan dengan beberapa cara:

a. Dari menu utama:
OBJECT
NEW OBJECT
SERIES
15
Gambar 2.3 Tampilan New Object

OK.
Name for object bisa diisi dengan dua cara
(i) Dapat diabaikan. Tapi series data yang akan dimasukkan belum
mempunyai nama. Penamaan dilakukan melalui workfile data,
klik
NAME
Y (nama variabel)
(ii) Tuliskan nama variabel pada kotak dialog Name for object,
kemudian klik OK
b. Dari menu WORKFILE,
OBJECT
NEW OBJECT
c. Dari menu utama
QUICK
EMPTY GROUP (EDIT SERIES).
OBS (untuk penamaan klik kotak yang sejajar dengan obs)
X (nama variabel)
ENTER.
16
3 2
1 Klik ke atas
1
2 Klik dlm kotak obs
kedua
3 Enter Name
4 Enter data ke sel
Label kotak obs

4
kedua
Gambar 2.4 Tampilan Empty Group
d. Copy dan Paste

Window memberikan fasilitas dengan cara yang mudah untuk
memindahkan data di dalam Eviews dan antara Eviews dengan aplikasi
software lainnya. Demikian juga untuk memindahkan data dari Excel
aplikasi Windows lainnya dengan memberikan fasilitas copy-dan-paste
dari Windows.
Langkah-langkah copy-paste:
 Buka lembar kerja di Excel. Langkah pertama adalah menyorot sel
yang akan diimpor ke dalam Eviews. Sebagai contoh jika file yang
akan diimpor seperti dalam gambar 5 , maka kolom dengan judul
PCON dan GDP akan digunakan sebagai nama variabel Eviews, anda
harus menyorot kedua kolom tersebut, dan tidak perlu mengcopy
kolom periode data. Klik kolom B, drag ke kolom C. dua kolom dalam
lembar kerja akan tersorot.:
17
Gambar 2.5 File dalam bentuk Excel (.xls) yang akan di copy-paste
 Pilih Edit/Copy untuk meng-copy data ke clipboard.

 Tempatkan (pasting) ke dalam Series baru.
 Start EViews dan buat workfile baru atau panggil yang sudah ada,
yang mencakup data tahunan dalam lembar kerja Excel (dalam
contoh: 1967-1993). Pastikan bahwa sampel yang ditentukan
mencakup observasi yang sama denngan yang akan dicopy ke
clipboard.
 Pilih Quick/Empty Group (Edit Series). Catat bahwa spreadsheet
terbuka dalam edit mode sehingga tidak memerlukan untuk meng-
klik tombol Edit +/- .
18
Gambar 2.6 File dalam bentuk Excel yang sudah di paste di EViews
anda sudah membuat workfile dengan data tahunan dengan rentang

waktu dari 1967-1993. Baris pertama dari spreadsheet Eviews berlabel
1967. jika anda akan meletakkan dalam nama series, anda harus meng-
klik panah ke atas dari scroll bar untuk membuat ruang untuk nama
series.
Tempatkan kursor di sel kiri-atas, dengan arah ke kanan dari label obs
kedua. Kemudian pililh Edit/Paste dari menu utama( Edit +/- di toolbar).
Lembar kerja kelompok sekarang memuat data dari clipboard.
e. Impor Data
Sebelum melakukan impor data pastikan terlebih dahulu bahwa
sudah tersedia workfile range sesuai dengan data yang dimiliki. Impor
bisa dilakukan melalui dua cara:
Dari tampilan workfile atau menu utama:
PROCS
IMPORT
Read text-Lotus-Excel
19
Gambar 2.7 Impor Data
Pilih file yang akan diimpor

Open file, ada beberapa pilihan format file:
1) dalam bentuk excel
Jika file yang diimpor adalah Excel, maka awal mulai sel data yang akan
diimpor. Contoh data yang akan diimpor di sini dimulai dari sel B2. perlu
dicatat bahwa ketika akan mengimpor data dari Excel, maka file yang akan
diimpor tersebut harus ditutup terlebih dahulu.
Gambar 2.8 File dalam bentuk Excel (.xls)
20
Akan muncul kotak dialog sepreti tampilan dibawah ini:

Jenis impor file Sudut kiri atas dari data Nama lembar yang
diimpor
Masukkan
nama series
atau jumlah
series
Sampel data
yang dibaca
Tombol shortcut reset dampel
Gambar 2.9 Kotak Dialog Impor Data Excel
Anda akan menemui versi yang sangat berbeda dari dialog ini jika data dibaca
dari file Lotus, atau Excel 4. Sekarang mengisi kotak dialog:
Pertama, perlu diinformasikan apakah data disusun berdasarkan observasi (by

observation) atau berdasarkan series (by series). By observation berarti bahwa
semua data untuk observasi pertama diikuti oleh semua data untuk observasi
kedua, dst. By series berarti bahwa semua data untuk variabel pertama diikuti
oleh semua data untuk variabel kedua, dst. Interpretasi lain untuk "by
observation" adalah bahwa variabel disusun dalam kolom sementara "by row"
mengimplikasikan bahwa semua observasi untuk variabel berada dalam baris
tunggal. Dalam contoh lembar kerja Excel diatas, dilakukan dengan by
observation karena tiap-tiap series dipisahkan dalam kolom. Jika data Excel
21
untuk GDP dan PCON terdapat dalam satu baris maka dibaca by series. Setelah
semua informasi dalam kotak dialog terisi, maka tekan ENTER, sehingga akan
tampak tambahan dua variabel baru GDP dan PCON dalam workfile, seperti di
bawah ini.
Gambar 2.10 Tampilan nama variabel dalam Workfile setelah impor

data dari Excel.
2) dalam bentuk ASCII (text)

Jika anda memilih untuk membaca dari file ASCII, EViews akan membuka
dialog Impor Text ASCII. Anda harus mengisi dialog untuk membaca dari
file tsb. Kotak dialog untuk impor data file ASCII lebih rumit dibanding
kotak dialog untuk lembar kerja dalam file excel.
22
Gambar 2.11 Kotak Dialog untuk impor data dari file dalam bentuk text (ASCII)
Beberapa hal yang harus diperhatikan jika mengimpor data dari file ASCII:
 Pada sebelah bawah kotak dialog ditampilkan data 16K pertama dari file yang
akan diimpor. Anda dapat menggunakan informasi ini untuk menentukan
berbagai pilihan format dalam dialog.
 Anda harus mengisi beberapa informasi:
 Nama series (Names for series) atau jumlah series dalam file.
Jika file tidak memuat nama series, atau jika anda tidak ingin
menggunakan nama dalam file, tulis nama series supaya terlihat di file, di
pisahkan dengan spasi. Jika nama-nama series terletak dalam file sebelum
memulai data, anda dapat memberikan kepada Eviews untuk
menggunakan nama-nama itu dengan memasukkan jumlah yang
mewakili jumlah series untuk dibaca.
Jika mungkin, hindarilah menggunakan tanda kurung dan simbol
matematika seperti "*", "+", "-", "/", "^" dalam nama. Jika EViews
mencoba membaca nama dari file dan menemukan nama yang tidak
valid, maka ia akan mencoba merubah nama (rename) series menjadi
23
nama yang valid dengan memindahkan karakter yang tidak valid dengan
underscore dan angka. Sebagai contoh, jika series diberi nama X(-3)
dalam file, EViews akan merubah nama series menjadi X__3_01. Jika
X__3_01 sudah menjadi salah satu nama series, maka EViews akan
menamakan dengan X__3_02, dst.
Jika EViews tidak bisa memberi nama series anda, mungkin karena
namanya terbalik, atau karena namanya digunakan oleh obyek bukanlah
nama series, maka series akan diberi nama SER01, SER02, dst.
Perlu diperhatikan bahwa kita harus sangat berhati-hati dalam
memberikan nama series, karena jika nama dalam daftar mempunyai
nama dengan series yang sudah ada sebelumnya, maka data dari seies
yang sudah ada sebelumnya akan diganti dengan data series yang baru
dimasukkan.
 Urutan data (data order).
Perlu untuk menspesifikasikan bagaimana data disusun dalam file. Jika
data disusun by observation maka tiap-tiap series berada dalam kolom,
pilih dalam Kolom. Jika data disusun by series maka semua data dari
series pertama diikuti oleh semua data dari series kedua, dst, pilih dalam
Baris.
 Sampel yang diimpor.
Anda harus menspesifikasikan sampel di mana data akan ditempatkan
dari file. EViews mengisi dialog dengan sampel yang ada dalam workfile,
tetapi anda dapat mengedit bentangan sampel atau menggunakan
tombol reset sampel untuk merubah sampel input. Sampel input sampel
hanya menge-set sampel untuk prosedur impor, tidak merubah sampel
workfile.
EViews mengisikan semua observasi dalam sampel yang ada
menggunakan data dalam file input.. ada beberapa aturan yang harus
diperhatikan:
24
a. EViews memberikan nilai semua observasi dalam sampel input.

Observasi diluar sample input tidak akan dirubah.
b. Jika hanya terdapat sedikit nilai dalam file input, EViews akan
memberikan NA untuk observasi kestra dalam sampel.
c. Sekali semua data dalam sampel dibaca, sisa dari file input akan
diabaikan.
EViews menyaring beberapa baris pertama dari file sumber dan
menentukan pilihan format dalam dialog berdasarkan apa yang
ditemukan. Bagaimanapun, seting ini didasarkan pada jumlah baris dan
mungkin tidak tepat. Anda harus merubah pada pilihan ini.
 Delimiters.
Delimiters adalah karakter dalam file yang digunakan untuk memisahkan
observasi. Anda dapat menspesifikasikan multiple delimiters dengan
memilih masukan yang tepat. Tab, Comma, dan Space adalah bentuk-
bentuk delimiter. Pilihan Alpha memperlaklukan 26 karakter dari alfabet
sebgai delimiter.
 Rectangular File Layout Options.
Untuk memperlakukan file ASCII sebagai file rectangular, pilih File laid
out as rectangle di kanan-atas kotak dialog. Jika file rectangular, EViews
membaca file seperti set garis, dengan tiap-tiap garis baru menunjukkan
observasi baru atau series baru, jika kita tidak mengaktifkan opsi
rectangular, EViews memperlakukan keseluruhan file sebagai satu
bentang panjang yang dipisahkan oleh delimiter.
Dengan membuat file sebagai rectangular membuat ASCII dibaca dengan
mudah jika EViews mengetahui berapa banyak nilai yang diperkirakan
dalam baris tertentu. Jik file rectangular, anda dapat menginformasikan
kepada Eviews untuk melompati kolom dan/atau baris.
25
Sebagai contoh, dalam file konsumsi Srilangka dibawah ini, ada empat
baris yang harus dilompati sebelum sampai ke data, dan terdapat satu
kolom yang harus dilompati (skip)
Gambar 2.12 Tampilan data dalam bentuk ASCII (Text)
 Series Headers
Pilihan ini memberitahukan kepada Eviews berapa banyak sel yang harus
ditutup antara judul series dengan data dalam file, baik gap dalam kolom
maupun dalam baris. Untuk file yang rectangular, penutupan ditentukan
oleh baris (untuk data dalam kolom) atau dengan kolom (untuk data
dalam baris). Sebagai contoh untuk data konsumsi Srilangka diatas, tidak
ada gap antara judul series dan data sehingga series hader offset = 1
 Miscellaneous Options.
Tanda kutip dengan ‘not” tunggal. Perlakuan Eviews terhadap sesuatu di
dalam pasangan double tanda kutip sebagai satu string, kecuali jika ia
adalah angka.
26
 Currency
Pilihan ini untuk menspesifikasikan simbol mata uang. Sebagai contoh,
jika kita memasukkan data dengan Rp 100 (akan dicatat sebagai NA atau
diloncati) kecuali kita menspesifikasikan “Rp” sebagai delimiter. Jika kita
masukkan “Rp” dalam pilihan Currency, maka Rp 100 akan dibaca sebagai
angka 100
 Text for NA.
Pilihan ini untuk menspesifikasikan kode untuk observasi yang hilang. This
option allows you to specify a code for missing observations. Ketiadaan
data adalah NA. Anda dapat menggunakan pilihan ini untuk membaca file
data yang menggunakan nilai spesial untuk mengindikasikan nilai yang
hilang, seperti “.”, atau “-99”. Anda dapat menspesifikasikan hanya stu
kode untuk observasi yang hilang. Keseluruhan tanda Text for NA akan
diperlakukan sebagai kode nilai yang hilang
 Setelah semua informasi dalam kotak dialog terisi, maka tekan OK atau
ENTER, sehingga akan tampak tambahan dua variabel baru GDP dan
PCON dalam workfile, seperti di bawah ini. Pada tampilan workfile akan
muncul tambahan dua variabel baru (GDP dan PCON)
Gambar 2.13 Tambahan variabel baru GDP dan PCON dalam workfile
27
2.2 MENAMPILKAN DATA

Ada beberapa yang bisa dipakai untuk menampilkan data
1. Menampilkan beberapa data
View
Show
Gambar 2.14 Menampilkan data dari Tampilan Workfile
kemudian akan muncul dialog: (Pilih variabel apa saja yang igin ditampilkan)
Contoh:
Gambar 2.15 Kotak Dialog Show
OK atau ENTER
2. Menampilkan data bisa melalui jendela perintah (command window):
28
SHOW GDP PCON

ENTER
1. Menampilkan data bisa dilakukan juga melalui GROUP yang terdiri dari satu
atau lebih variabel yang akan diolah. Membuat GROUP: pilih variabel yang
akan tergabung dalam group (CTRL+klik), klik kanan OPEN / GROUP
2.
Gambar 2.16 Meampilkan data dengan GROUP
Tampilan data secara kelompok dalam workfile Eviews:
Gambar 2.17 Worksheet dalam eviews setelah entry atau impor data
29
2.3 MENGEDIT DATA

Ada beberapa cara mengedit atau merubah data yang sudah kita masukkan ke
dalam EViews
a. Untuk melakukan edit data, dari tampilan GROUP,
EDIT+/-. Dan pengeditan data bisa dilakukan. Setelah selesai, klik
EDIT+/- sekali lagi.
b. Menghapus Variabel – dari tampilan workfile, klik variabel yang akan
dihapus, klik DELETE.
c. Memperluas/memperkecil workfile range: dari Workfile (atau menu
utama),
PROCS
CHANGE WORKFILE (dan ubahlah range yang diinginkan)
Gambar 2.18 Ubah range dan sample
Range atau sampel dirubah dengan merubah rentang periode dalam kotak
star date dan/atau end date.
30
Gambar 2.19 Kotak dialog untuk merubah sampel
d. Mengubah sample – ada 4 cara:

1. dari Menu Utama: Klik PROCS / SAMPLE
2. dari Menu Utama: klik QUICK / SAMPLE
3. dari workfile: klik PROCS / SAMPLE
4. dari workfile: klik SAMPLE
2.4 OPERASI PERSAMAAN MATEMATIKA
Ada beberapa operasi perhitungan yang dapat dilakukan, dengan

formulasi yang disediakan dalam Eviews (lihat tabel Operasi Persamaan
MAtematika). Operasi matematika biasanya dilakukan untuk membuat series
data baru berdasar data yang ada. Perintah dilakukan melalui GENR (generate
series).
Tabel 2.1 Operasi Persamaan Matematika
+ Penambahan
- Pengurangan
* Perkalian
/ Pembagian
^ Pangkat
> Lebih besar dari; X > Y memiliki nilai 1 jika X lebih besar dari
Y dan sebaliknya.
< Kurang dari; X < Y memiliki nilai 1 jika X kurang dari Y dan 0
jika sebaliknya
= Sama dengan; X=Y memiliki nilai 1 jika X sama dengan Y dan 0
jika sebaliknya.
<> Tidak sama dengan; X <> Y memiliki niulai 1 jika X berbeda
dari Y dan 0 jika sebaliknya.
<= Kurang dari atau sama dengan; X <= Y memiliki nilai 1 jika X
31
tidak melebihi Y dan 0 jika sebaliknya

>= Lebih dari atau sama dengan; X >= Y memiliki nilai 1 jika Y
tidak melebihi X dan 0 jika sebaliknya.
AND Logikal AND; X AND Y memiliki nilai 1 jika keduanya X dan Y
bukan 0.
OR Logikal OR; X OR Y memiliki nilai 1 jika X atau T bukan 0.
D(X) Diferensial pertama dari X, X – X (- 1)
D(X,n) Diferensial ke-n dari X; (1-L) X, dimana L adalah lag-nya
LOG(X) Logaritma dari (X)
DLOG(X) Diferensial pertama dari logaritma
LOG(X) – LOG(X(-1))
DLOG(X,n) Diferensial ke-n dari log (X):
(1 – L)LOG(X), dimana 1 adalah lag-nya
ABS (X) Nilai absolut
SQR (X) Akar kuadrat
SIN(X) Sinus
COS(X) cosinus
@SIN(X) Arc sinus
@ACOS(X) Arc cosinus
RND Distribusi nomor random antara 0 dan 1
NRND Distribusi normal random dari nomor 0 sebagai rata-rata dan
1 sebagai varians
@PCH(X) Perubahan persen (desimal), (X-X(-1))/X(-1)
@INV(X) Invers atau resiprokal, 1/X
@DNORM(X) Distribusi normal standar
@CNORM(X) Distribusi normal kumulatif
@LOGIT(X) 1
Log dari
1  e x
Setidaknya ada 4 cara untuk memanggil perintah GENR, antara lain:

1. Dari command window: misal akan membuat variabel logaritma untuk
UK, maka ketik GENR LGDP=LOG(GDP) – ENTER.
2. Dari Menu Utama: klik PROCS / GENERATE SERIES
3. Dari Menu Utama: klik QUICK / GENERATE SERIES
4. Dari menu workfile: klik GENR
32
Gambar 2.20 Membuat/memformulasikan series baru
2.5 MENAMPILKAN STATISTIK DESKRIPTIF

Statistik Deskriptif (descriptive statistics) menghitung dan memperlihatkan
tabel yang berisikan yang berisikan rata-rata (means), median, nilai maksimum
dan minimum, deviasi standar dan statistik deskriptif lainnya dari satu atau
beberapa variabel dalam kelompok.
 Mean (X )
Merupakan nilai rata-rata dari observasi data (sampel)
 Median (Md)
Merupakan nilai tengah dari observasi data (sampel)
 Maximum
Merupakan nilai tertinggi dari sampel data
 Minimum
Merupakan nilai terendah dari sampel data
 Std Dev (S)
Merupakan dispersi/penyebaran nilai observasi (sampel) terhadap nilai rata-
ratanya.
33
deviasi standar ditentukan dengan
 N 
s     yt  y  /  N  1 
2
 t 1 
di mana N adalah jumlah observasi dalam sampel dan y adalah rata-rata
variabel.
Dalam suatu distribusi normal:

68,27 % observasi berada antara X + 1s, sedangkan 31,73 % berada sebelum
X – 1s atau sesudah X + 1s.
95, 45 % observasi berada antara X + 2s, sedangkan 4,55 % berada sebelum
99,73 % observasi berada antara X + 3s, sedangkan 0,27 % berada sebelum
-3s X +3s
 Skewness
Merupakan kemencengan dimana jika semua sampel diplotkan dan
dihubungkan maka akan membentuk suatu kurva yang tidak simetris.
Jika nilai skewness semakin mendekati nol, kurva semakin simetris sedangkan
semakin jauh, semakin menceng.
 yt  y 
N 3
1
s
N
  ˆ 
t 1   
di mana ̂ adalah suatu estimator untuk deviasi standar yang didasarkan
pada estimator bias untuk varian. Skewness dari suatu distribusi yang
simetrik, sepreti distribusi normal, adalah nol. Skewness yang positif berarti
34
distribusinya mempunyai ekor lebih panjang ke kanan dan skewness negatif

mengimplikasikan bahwa distribusinya mempunyai ekor yang lebih panjang ke
kiri.
Mo=Md=X MoMd X XmdMo

Simetris Skewness positif Skweness negatif
 Kurtosis
Kurtosis mengukur kerucingan atau kedataran dari distribusi variabel. Kurtosis
dihitung berdasarkan rumus:
 yt  y 
N 4
1
K
N
  ˆ 
t 1   
di mana ̂ adalah suatu estimator untuk deviasi standar yang didasarkan
pada estimator bias untuk varian.
Ukuran Kurtosis:
 Jika nilai kurtosis lebih dari 3 maka disebut Leptokurtik (runcing)
 Jika nilainya sama dengan 3 maka disebut Mesokurtik (normal)
 Jika kurang dari 3 maka disebut plantikurtik (tumpul)
Mesokurtik Leptokurtik Plantikurtik
35
 Jarque-Bera
Jarque-Bera adalah uji statistik untuk menguji apakah variabel terdistribusi
secara normal. Uji statistik mengukur selisih skewness dan kurtosis variabel
dari distribusi normalnya. Statistik dihitung dengan:
N  k  2  K  3 
2
Jarque  Bera  S  
6  4 

di mana S adalah skewness, K adalah kurtosis, dan k mewakili jumlah
koefisien yang diestimasi yang digunakan untuk membuat series.
Di bawah hipotesis nol dari distribusi normal, statistik Jarque-Bera
didistribusikan dengan 2 derajad kebebasan (degrees of freedom). The reported
Probabilitas yang dicatat adalah probabilitas bahwa statistik Jarque-Bera
melebihi (dalam nilai absolut) nilai yang diobservasi di bawah hipotesis nol- nilai
probabilitas yang kecil mendorong untuk menolak hipotesis nol distribusi
normal. Untuk contoh perhitungan uji statistik JB untuk variabel GDP (lihat
histogram GDP), kita menerima hipotesis distribusi normal pada tingkat 5%.
Gambar 2.21 Histogram dan statistik deskriptif dari variabel GDP
36
Tampilan statistik deskriptif yang bisa dihadirkan antara lain: mean, median,
maksimum, minimum, standar deviasi, skewness, kurtosis, dan Jarque-Bera.
Untuk melihat tampilan statistik deskriptif, setelah data muncul, klik menu
View yang terletak di kiri atas workfile, pilih Descriptive Stats, kemudian
tinggal pilih apakah deskripsi statistik akan menampilkan data secara
bersama-sama (Common Sample) atau sendiri-sendiri (Individual Sample).
Gambar 2.22 Menampilkan Statistik Deskriptif
Contoh tampilan Common Sample:
Gambar 2.23 Tampilan Statistik Deskriptif
37
Selain statistik deskriptif yang berisi Mean, Median, Modus, Standar Deviasi
dan Jarque Berra statistik, beberapa tampilan lain bisa dilihat, seperti
diagram garis, diagram balok, scatter diagram, dll, seperti pada pilihan Menu
View pada tampilan Group dibawah ini.
Gambar 2.24 Menu Statistik dalam Eviews
Gambar 2.25 Diagram Garis
38
Gambar 2.26 Diagram Balok
Gambar 2.27 Diagram Scater Plot dengan garis regresi sederhana
39
LAMPIRAN DATA YANG DIGUNAKAN UNTUK CONTOH
Table 17.5 Private consumption expenditure and GDP, Sri Lanka

YEAR PCON GDP
1967 61284 78221
1968 68814 83326
1969 76766 90490
1970 73576 92692
1971 73256 94814
1972 67502 92590
1973 78832 101419
1974 80240 105267
1975 84477 112149
1976 86038 116078
1977 96275 122040
1978 101292 128578
1979 105448 136851
1980 114570 144734
1981 120477 152846
1982 133868 164318
1983 148004 172414
1984 149735 178433
1985 155200 185753
1986 154165 192059
1987 155445 191288
1988 157199 196055
1989 158576 202477
1990 169238 223225
1991 179001 233231
1992 183687 242762
1993 198273 259555
Sumber: Gujarati, 2003, “Basic Econometrics”.
40
BAB III
REGRESI DAN KORELASI
Pengertian Regresi dan Korelasi
Hubungan antar variabel dapat dideteksi melalui regresi dan korelasi.

Secara konseptual analisis regresi dan regresi adalah berbeda. Regresi adalah
studi ketergantungan satu variabel (variabel tak bebas) pada satu atau lebih
variabel lain (variabel yang menjelaskan), dengan maksud untuk menaksir
dan/atau meramalkan nilai rata-rata hitung (mean) atau rata-rata (populasi)
variabel tak bebas, dalam pengambilan sampel berulang-ulang dari variabel yang
menjelaskan (explanatory variable). Menurut Gujarati (2003: 124), ada 3 (tiga)
tujuan dari regresi. Pertama, untuk mengestimasi nilai rata-rata variabel tak
bebas dan nilai rata-rata variabel bebas tertentu. Kedua, untuk menguji hipotesis
mengenai sifat alamiah ketergantungan—hipotesis sebagaimana yang
disarankan oleh teori ekonomi. Dan ketiga, untuk memprediksi atau meramalkan
nilai rata-rata variabel tak bebas dan nilai rata-rata variabel bebas tertentu.
Pada bagian lain, analisis korelasi adalah mengukur kekuatan (strength)
atau tingkat hubungan (degree of association) antara dua variabel. Tingkat
hubungan antara dua variabel disebut pula dengan korelasi sederhana (simple
correlation), sementara tingkat hubungan antara tiga variabel atau lebih disebut
dengan korelasi berganda (multiple correlation).
Menurut Koutsoyiannis (1977:31-32), korelasi dapat dibedakan menjadi
dua, yaitu korelasi linier (linear correlation) dan korelasi non-linier (nonlinear
correlation). Suatu korelasi dikatakan linier apabila hubungan dari semua titik
dari X dan Y dalam suatu scatter diagram mendekati suatu garis (lurus).
Sedangkan suatu korelasi dikatakan non-linier apabila semua titik dari X dan Y
41
dalam suatu scatter diagram mendekati kurva. Baik korelasi linier maupun non-
linier dapat bersifat positif, negatif maupun tidak terdapat korelasi.
X X
(a) Korelasi Linier Positif (b) Korelasi Non-Linier Positif
Y Y
X X
(c) Korelasi Linier Negatif (d) Korelasi Non-Linier Negatif
X
(e) Korelasi Nol
Gambar 3.1. Bentuk-Bentuk Korelasi Linier dan non-Linier
42
A. Fungsi Regresi Populasi dan Fungsi Regresi Sampel
Regresi memiliki dua pengertian fungsi regresi yang berbeda yaitu fungsi
regresi populasi (population regression function = PRF) dan fungsi regresi sampel
(sample regression function = SRF). Misalnya dalam estimasi fungsi permintaan
barang (Y) dengan variabel penjelas tingkat harga (X). Hukum ekonomi
menyatakan bahwa hubungan antara X dan Y adalah negatif, karena apabila
tingkat harga naik—permintaan akan barang akan turun. Dengan asumsi bahwa
data X dan Y tersedia, maka nilai yang akan dicari adalah rata-rata pengharapan
atau populasi (expected or population mean) atau nilai rata-rata populasi
(population average value of Y) pada berbagai tingkat harga (X). Penggambaran
dari model ini akan berbentuk garis regresi populasi (population regression line =
PRL). PRL menyatakan bahwa nilai rata-rata dari variabel tak bebas Y akan
berhubungan dengan setiap nilai variabel bebas X. Secara matemnatis, PRL dapat
dinyatakan sebagai berikut:
(1) E (Y X i )   0   1 X i
di mana E (Y X i ) atau E(Y) adalah berarti rata-rata atau pengharapan akan nilai
Y pada berbagai tingkat X i ,  0 dan  1 masing-masing disebut pula dengan
parameter atau koefisien regresi.  0 adalah koefisien intersep atau konstanta
dan  1 adalah koefisien slope atau kemiringan. Koefisien slope mengukur

tingkat perubahan rata-rata Y per unit akibat perubahan X.
Bentuk persamaan matematis PRL sebagaimana yang disajikan dalam
persamaan (1) di atas fungsi regresi populasi (PRF) dalam bentuk linier.
Selanjutnya, dari PRF, dapat pula dikembangkan konsep fungsi regresi sampel
(SRF). Hal ini penting, karena dalam dunia nyata, data populasi sangat sulit untuk
didapatkan atau ditemukan, sehingga salah satu langkah yang dapat dilakukan
adalah mengambil sampel dari populasi tersebut. Adapun bentuk dari
persamaan SRF adalah sebagai berikut:
43
(2) Yî  b0  b1 X i
di mana:
Yî = Penaksir dari E (Y X i ) atau penaksir rata-rata kondisional populasi.
b0 dan b1 = Masing-masing adalah penaksir dari  0 dan  1 .
Dengan demikian SRF digunakan sebagai pendekatan untuk mengestimasi

PRF. Penggunaan SRF harus memperhatikan kenyataan bahwa dalam dunia nyata
terdapat unsur ketidakpastian (tidak ada hubungan yang pasti). Untuk
mengakomodasi faktor ketidakpastian, maka dalam persamaan (1) ataupun (2)
ditambahkan dengan pengganggu atau faktor acak ( u i ). Persamaan (1) dan (2)
dapat ditulis kembali sebagai berikut:
(3) Yi   0   1 X i  u i  Bentuk PRF Stokastik
(4) Yi  b0  b1 X i  u i  Bentuk SRF Stokastik
Selanjutnya persamaan (4) dapat diestimasi dengan menggunakan

metode OLS. Dimasukkannya unsur pengganggu dalam persamaan (4) di atas
tidak lain karena [Gujarati, 2003: 45-47; Maddala, 1992: 64-65; Kennedy, 1996: 3
dan Sumodiningrat, 1994: 101.10]:
1. Ketidakjelasan atau ketidaklengkapan teori (vagueness of theory).

2. Ketidaktersediaan data (unavailability of data).
3. Variabel pusat versus variabel pinggiran (core variable versus peripheral
variable).
4. Kesalahan manusiawi (intrinsic randomness in human behavior).
5. Kurangnya variabel pengganti (poor proxy variables).
6. Prinsip kesederhanaan (principle of parsimony).
7. Kesalahan bentuk fungsi (wrong functional form).
44
B. Pengertian Istilah Linier
Istilah atau pengertian linieritas dalam ekonometrika sangat penting, di

mana menurut Intriligator, dkk (1996:20-21), karena: pertama, banyak
hubungan-hubungan dalam ekonomi dan hubungan-hubungan dalam ilmu sosial
secara alamiah adalah linier. Kedua, penerapan asumsi linieritas hanya terhadap
parameter, bukan terhadap variabel model. Ketiga, ketika suatu model
ditransformasi dalam model linier, maka bentuk transformasi seperti dalam
bentuk logaritma dapat dipakai dalam beberapa kasus, dan keempat, dengan
asumsi linieritas, beberapa fungsi yang halus (any smooth function) dapat
didekati dengan tingkat ketepatan yang lebih besar ketika menggunakan bentuk
fungsi linier. Gujarati (2003:42-43) menunjukkan bahwa linieritas dapat dilihat
dari sisi variabel dan parameter. Penjelasan dari konsep linieritas lebih lanjut
adalah sebagai berikut :
1. Linieritas dalam Variabel
Arti pertama dan mungkin lebih alamiah dari linieritas adalah bahwa nilai
rata-rata kondisional dari variabel Y merupakan fungsi linier terhadap X i
sebagaimana disajikan dalam persamaan (1) atau (3) ataupun dalam persamaan
(2) dan (4). Sedangkan bentuk fungsi non-linier dalam variabel antara lain adalah:
(5) E (Y )   0   1 X i2
(6) E (Y )   0   1 (1 / X i )
Persamaan (5) dan (6) di atas dinamakan persamaan yang tidak linier, karena
persamaan (5) berpangkat 2, sementara persamaan (6) dinyatakan dalam bentuk
kebalikan (inverse).
45
Y Y
Slope β 2 adalah sama dalam Slope β 2 adalah berbeda dalam
setiap titik dalam kurva setiap titik dalam kurva
Kuantitas Barang
Kuantitas Barang
β2
β2
1
1
β2
1 β2
1
X X
Harga Harga
(a) (b)
Gambar 3.2 Kurva Permintaan Linier Dan Non-Linier
Sebagaimana disajikan dalam gambar (2), untuk persamaan regresi (1),

slope (tingkat perubahan dalam E(Y)) adalah tetap sama pada berbagai titik X.
Akan tetapi misalnya untuk persamaan (6), tingkat perubahan rata-rata dari Y
adalah berbeda-beda atau bervariasi pada setiap titik X dalam garis regresi.
Dengan kata lain, suatu fungsi Y = f(X) dikatakan linier, jika X memiliki pangkat
satu dan/atau tidak dikalikan atau dibagi dengan variabel lain.
2. Linieritas dalam Parameter
Linieritas parameter terjadi jika rata-rata kondisional dari variabel tak

bebas merupakan suatu fungsi linier terhadap parameter ß; fungsi tadi mungkin
linier atau tidak linier dalam variabel X. Dalam arti lain, bahwa suatu fungsi
dikatakan linier dalam parameter, kalau  1 bersifat pangkat 1. dengan definisi
ini, persamaan (5) dan (6) di atas merupakan model linier dalam parameter
karena  0 dan  1 adalah linier.
Lebih lanjut, bentuk fungsi persamaan (7) tidak dikatakan sebagai fungsi linier,
karena  1 tidak berpangkat 1.
46
(7) E (Y )  β 0  β12 X i
Dari dua interpretasi linieritas di atas, linieritas dalam parameter adalah

relevan untuk pengembangan teori regresi. Dalam ekonometrika seringkali
dijumpai bahwa regresi linier selalu diartikan dengan suatu regresi dalam
parameter ß; regresi tadi mungkin linier atau tidak linier dalam variabel penjelas
X.
C. Regresi Linier Bersyarat Sederhana dan Berganda
Model linier (bersyarat) sederhana adalah regresi linier yang hanya

melibatkan dua variabel, satu variabel tak bebas serta satu variabel bebas.
Sedangkan apabila variabel tak bebas dipengaruhi oleh lebih dari satu variabel
bebas (X), katakanlah X 2 dan X 3 , maka bentuk persamaan regresi tersebut
dinamakan dengan regresi linier berganda (multiple linear regression). Secara

matematis, regresi linier berganda dapat ditulis sebagai berikut:
(8) E (Y )  β1  β 2 X 2i  β3 X 3i
di mana E (Y )  E (Y X 2 , X 3 )
Dalam bentuk PRF yang stokastik dari persamaan (8) adalah:
(9) Yi  β1  β 2 X 2i  β3 X 3i  u i
 E (Y )  u i
Persamaan (9) menyatakan bahwa beberapa nilai individual Y terdiri dari

dua komponen, yaitu:
i. Komponen sistematik atau deterministik, ( β1  β2 X 2i  β3 X 3i ) di mana secara
sederhana merupakan nilai rata-rata E(Y) pada titik-titik garis regresi populasi.
47
ii. Komponen non-sistematik atau acak, ui yang ditentukan oleh faktor-faktor lain
di luar X 2 dan X 3 .
D. Metode Kuadrat Terkecil dalam Model Regresi Linier Sederhana
Ada berbagai metode yang dapat digunakan untuk mengestimasi

parameter-parameter hubungan ekonomi dari SRF sebagai penaksir yang benar
untuk PRF. Salah satunya adalah metode kuadrat terkecil (Ordinary Least Squares
= OLS) atau sering pula disebut dengan metode kuadrat terkecil klasik (Classical
Least Squares = CLS). Metode ini dikemukakan oleh Carl Friedrich Gauss, seorang
ahli matematik Jerman.
Koutsoyiannis (1977:48), mengemukakan beberapa alasan yang
mendasari mengapa digunakan OLS/CLS, yaitu:
i. Estimasi parameter yang diperoleh dengan menggunakan OLS mempunyai
beberapa ciri optimal.
ii. Prosedur perhitungan dari OLS sangat sederhana dibandingkan dengan metode
ekonometrika yang lainnya serta kebutuhan data tidak berlebihan.
iii. OLS dapat digunakan dalam range hubungan ekonomi yang luas dengan
tingkat ketepatan yang memuaskan.
iv. Mekanisme perhitungan OLS secara sederhana dapat dimengerti.
v. OLS merupakan komponen vital bagi banyak tehnik ekonometri yang lain.
Untuk dapat memahami pendekatan Gauss ini, misalkan akan diestimasi
PRF untuk model regresi sederhana berikut ini (Gujarati, 1995:58-65):
(10) Yi  β0  β1 X i  ui
Oleh karena PRF dalam persamaan (10) di atas tidak dapat diamati secara
langsung, maka didekati dengan SRF dengan bentuk persamaan berikut:
(11) Yi  b0  b1 X i  ei
48
di mana: residual, ei merupakan perbedaan antara nilai Y aktual dengan nilai Y
yang diestimasi atau ei  Yi  Yî
(12) ei  Yi  b0  b1 X i
Nilai b0 dan b1 dikatakan sebagai penaksir terbaik dari β 0 dan β1
apabila memiliki nilai ei yang sekecil mungkin. Dengan menggunakan metode
estimasi yang biasa dipakai dalam ekonometrika, yaitu OLS, pemilihan b0 dan b1
dapat dilakukan dengan memilih nilai jumlah kuadrat residual (residual sum of
squared=RSS), e 2
i yang paling kecil. Atau dapat ditulis sebagai berikut:
e   (Yi  Yî ) 2   (Yi  b0  b1 X i )

2
(13)Minimisasi: 2
i
Dengan menggunakan metode turunan parsial (partial differentiation),

diperoleh:
(14)   ei2 / b0  2 (Yi  b0  b1 X i )(1)
(15)   ei2 / b1  2 (Yi  b0  b1 X i )( X i )
Dengan optimasi kondisi order pertama sama dengan nol, maka diperoleh:
(16)  Yi  nb1  b2  X i
(17)  Yi X i  b1  X i  b2  X i2
di mana n adalah jumlah sampel. Persamaan simultan ini dikenal sebagai

persamaan normal (kuadrat terkecil).
Dari (16) dan (17) di atas, belum diketahui besarnya nilai b (nilai koefisien
b0 dan b1 ). Untuk menyelesaikan permasalahan ini, maka dapat ditempuh
dengan cara berikut:
49
(18) b0  Y  b1 X
b0 
 X Y   X  X Y
i
2
i i i i
n X  ( X ) i
2
i
2
di mana b0 adalah nilai penaksir dari β 0 .
Selanjutnya, b1 sebagai nilai penaksir dari β1 adalah dicari sebagai berikut:
n X i Yi   X i  Yi
(19) b1 
n X i2  ( X i ) 2

 ( X  X )(Y  Y )
i i
(X  X ) i
2

x yi i
x 2
i
di mana X dan Y adalah rata-rata sampel dari X dan Y dan xi  ( X i  X ) dan
y i  (Yi  Y ) .
Penaksir yang diperoleh dalam persamaan di atas di kenal sebagai

penaksir OLS. Ciri-ciri penaksir OLS adalah:
1. Penaksir dinyatakan semata-mata dalam besaran yang bisa diamati, yaitu
besaran sampel.
2. Penaksir merupakan penaksir titik yaitu dengan sampel tertentu, tiap
penaksir akan memberikan hanya satu nilai (titik) tunggal parameter populasi
yang relevan.
3. Sekali estimasi kuadrat terkecil diperoleh dari data yang dimiliki, maka garis
regresi sampel dapat dengan mudah diperoleh. Garis regresi yang diperoleh
mempunyai sifat-sifat sebagai berikut:
1) Garis regresi tadi melalui rata-rata sampel Y dan X, yang dibuktikan oleh
Y  b0  b1 X .
50
2) Nilai rata-rata Y yang diestimasi Y = Yî adalah sama dengan nilai rata-rata
Y yang sebenarnya karena Y  Y , di mana dalam kenyataannya nilai
(X i  X)  0.
3) Nilai rata-rata residual, ei = 0.
4) Nilai residual, ei tidak berkorelasi dengan nilai estimasi Yi , Yî .
5) Nilai residual, ei tidak berkorelasi dengan X i , yaitu e Xi i  0.
E. Menghitung Nilai t Statistik
Parameter yang diperoleh dalam estimasi OLS, masih perlu dipertanyakan

apakah bersifat signifikan atau tidak. Uji signifikansi dimaksudkan untuk
mengverifikasi kebenaran atau kesalahan hipotesis nol yang dibuat (Gujarati,
2003: 129). Salah satu cara untuk menguji hipotesis yang melihat signifiknasi
pengaruh variabel independen terhadap variabel dependen adalah uji t. Secara
sederhana, untuk menghitung nilai t statistik dari b2 dalam model regresi ganda
adalah:
b2  B2
(20)t statistik =
se(b2 )
di mana B2  β 2 .
Jika dimisalkan hipotesis nol ( H 0 ) : B2  B2* , maka persamaan (33) dapat ditulis:
b2  B2*
(21)t statistik =
se(b2 )
Dengan menggunakan uji t dalam pembuatan keputusan, maka setidaknya ada

tiga pengetahuan yang sangat dibutuhkan, yaitu:
1. Tingkat derajat kebebasan (degree of freedom). Besar Degree of freeom (df)
ditentukan berdasar (n – k), dimana n adalah jumlah observasi dan k adalah
51
jumlah parameter termasuk konstanta. Sehingga bila dalam regresi

sederhana terdapat satu variable penjelas dan satu konstanta maka df = n-2,
sedangkan dalam regresi berganda dengan 2 varibale penjelas maka df= n-3
2. Tingkat signifikansi (α) dapat dipilih pada kisaran 1 %; 5 % atau 10 %.
3. Apakah menggunakan uji dua sisi ataukah satu sisi. Penetapan uji satu atau
dua sisi tergantung pada hipotesis yang dibuat oleh peneliti. Apabila peneliti
menduga bahwa variabel penjelas memilih arah pengaruh yang pasti,
misalnya negatif atau positif maka, uji t yang digunakan adalah uji satu sisi
(Ho: b2 > 0, atau Ho: b2 < 0). Sedangkan bila tidak diketahui secara pasti arah
pengaruhnya maka digunakan uji dua sisi dengan Ho: b2 = 0.
Apabila nilai t statistik lebih besar dibandingkan dengan nilai t tabel (kritisnya),
maka hipotesis nol yang mengatakan bahwa b2 = 0 ditolak. Begitu pula
sebaliknya, apabila nilai t statistik lebih kecil dibandingkan dengan nilai t tabel,
maka hipotesis nol yang mengatakan bahwa b2 = 0 harus ditolak.
F. Koefisien Determinasi: Suatu Ukuran Kebaikan-Kesesuaian
Uji kebaikan-kesesuaian (goodness of fit) garis regresi terhadap

sekumpulan data merupakan kelengkapan lain dari estimasi OLS. Tujuan dari uji
goodness of fit adalah untuk mengetahui sejauh mana garis regresi sampel cocok
dengan data. Hal ini berkaitan dengan harapan kita agar semua pengamatan
terletak pada garis regresi, sehingga akan diperoleh kesesuaian yang sempurna.
Kesesuaian semacam itu tidak akan terjadi karena adanya unsur pengganggu
menyebabkan tidak mungkin diperoleh nilai kesesuaian yang sempurna.
Untuk lebih memudahkan, nilai koefisien determinasi regresi dua variabel
dinamakan dengan r 2 , sementara untuk nilai koefisien determinasi regresi
berganda dinamakan dengan R 2 . Nilai r 2 , dapat diamati dari persamaan (22):
(22) Yi  Yî  ei
52
Misalkan persamaan (22) disajikan dalam bentuk yang sedikit berbeda, tetapi
ekuivalen dengan bentuk sebagaimana, disajikan dalam gambar 3.3:
(Yi  Y ) (Yî  Y ) (Yi  Yî )

Variasi dalam Yi dari Variasi dalam Yi yang Yang tidak dapat
nilai nilai rata-ratanya dijelaskan oleh X (  Yî ) di dijelaskan atau variasi
residual
sekitar nilai nilai rata-ratanya
(Catatan: Y  Yˆ )
Yi Garis fungsi regresi sampel
ui = karena residual
(Yi - Y ) = Total Ŷi
(Ŷi - Y ) = Karena regresi
X
0 Xi
Gambar 3.3 Perincian Variasi Y i
Besaran r2 (R2) yang didefinisikan di atas dikenal dengan koefisien determinasi

(coefficient of determination) dan biasanya digunakan untuk mengukur kebaikan-
sesuai suatu garis regresi. Nilai atau besaran r2 (R2) hanyalah salah satu dan
bukan satu-satunya kriteria untuk memilih dan/atau mengukur ketepatan suatu
regresi atau model (Insukindro, 1998:1-2). Secara verbal adalah:
53
r2 (R2) mengukur yang didefinisikan proporsi atau prosentase dari

variasi variabel Y mampu dijelaskan oleh variasi (himpunan)
variabel X.
Lebih lanjut, berdasarkan uraian di atas, maka perlu diketahui berapa ciri atau
sifat dari r2 (R2) yaitu:
a. Nilai r2 (R2) merupakan besaran non negatif, karena berdasarkan formulasi
persamaan (2.46) misalnya, tidak mungkin r2 (R2) akan bernilai negatif.
b. Nilai r2 (R2) adalah terletak 0 ≤ r2 (R2) ≤ 1. Suatu nilai r2 (R2) sebesar 1 berarti
suatu kesesuaian sempurna (hampir tidak pernah terjadi), sedangkan nilai r2
(R2) sebesar nol berarti tidak ada hubungan antara variabel tak bebas dengan
variabel yang menjelaskan (variabel bebas) atau prosentase dari variasi
variabel Y tidak mampu dijelaskan oleh variasi dari variabel X.
G. Koefisien Korelasi
Koefisien korelasi, r untuk regresi sederhana dan R untuk regresi

berganda mempunyai hubungan yang sangat erat dengan r2 (R2), walaupun
secara konseptual berbeda. Koefisien korelasi mengukur hubungan antara
variabel tak bebas (Y) dengan variabel bebas (X).
Formulasi dari r (R) adalah sebagai berikut:
(36)r (R) =
 ( X  X )(Y  Y )
i i
 ( X  X )  (Y  Y )
i
2
i
2
(37)r (R) =
x y i i
x y2
i
2
i
Atau dapat juga dilakukan dengan mengambil nilai akar r2 (R2).
(38) r   r 2
54
Ada beberapa sifat r (R), yaitu:

a. Nilai r (R) dapat positif atau negatif, tandanya tergantung pada tanda faktor
pembilang dari persamaan (47), yaitu mengukur kovarian sampel kedua
variabel.
b. Nilai r (R) terletak antara batas -1 dan +1, yaitu -1 ≤ r (R) ≤ 1.
c. Sifat dasarnya simetris, yaitu koefisien korelasi antara X dan Y (rXY atau RXY)
sama dengan koefisien korelasi antara Y dan X (rXY RXY).
d. Tidak tergantung pada titik asal dan skala.
e. Kalau X dan Y bebas secara statistik, maka koefisien korelasi antara mereka
adalah nol, tetapi kalau r (R) = 0, ini tidak berarti bahwa kedua variabel
adalah bebas (tidak ada hubungan).
f. Nilai r (R) hanyalah suatu ukuran hubungan linier atau ketergantungan linier
saja; r (R) tadi tidak mempunyai arti untuk menggambarkan hubungan non-
linier.
g. Meskipun nilai r (R) adalah ukuran linier antara dua variabel, tetapi tidak
perlu berarti adanya hubungan sebab akibat (causal).
H. Membandingkan Dua Nilai Koefisien Determinasi
Satu konsep penting lagi berkaitan dengan koefisien determinasi adalah

R2 yang disesuaikan (adjusted R2 = R 2 ). Nilai ini sangat bermanfaat, terutama
ketika hendak membandingkan dua nilai R2 dari suatu model regresi yang
mempunyai variabel tak bebas yang sama, akan tetapi berbeda dalam variabel
bebasnya. Sebagaimana dinyatakan,
(39)R2 = 1 – (RSS/TSS),
maka selanjutnya dapat dihitung nilai R 2 dengan menggunakan formulasi berikut
ini:
55
RSS /(n  k )
(40) R 2  1
TSS /(n  1)
RSS /(n  1)
 1
TSS /(n  k )
Dengan memasukkan persamaan (39) ke dalam persamaan (40), diperoleh:
(n  k )
(41) R 2  1  (1  R 2 )
(n  1)
Gambaran besaran nilai R 2 adalah sebagai berikut:

a. Jika k (jumlah parameter) lebih besar dari satu (k > 1), maka R 2 ≤ R 2 —
bahwa adanya peningkatan atau kenaikan jumlah variabel penjelas dalam
suatu model, R 2 akan meningkat kurang dari R 2 (nilai R 2 yang tidak
disesuaikan). Hal ini terjadi, karena dalam R 2 berkaitan dengan derajat
kebebasan akibat penambahan variabel penjelas baru dalam model,
sementara R 2 tidak memperhitungkan hal tersebut.
b. Walaupun nilai R 2 selalu positif, dalam nilai R 2 dapat saja negatif.
I. INTERPRETASI HASIL
Dalam menginterpretasikan estimasi regresi dengan metode OLS, yang
diinterpretasikan adalah hasil rregresi yang signifikan.
 Linear
Y   0  1 X 1   2 X 2
jika X1 dan X2 sama dengan nol maka besarnya Y sama dengan konstantanya
yaitu 0.
Jika X1 meningkat 1 satuan maka Y juga akan meningkat1 satuan dan Jika X1
turun 1 satuan maka Y juga akan menurub 1 satuan (hubungannya positif).
Begitu juga dengan X2, jika X2 meningkat 1 satuan maka Y juga akan
56
meningkat 2 satuan dan Jika X2 turun 1 satuan maka Y juga akan

meningkat 2 satuan
 Semi-Log
Y   0  1 X 1   2 X 2
Jika X1 dan X2 sama dengan nol maka besarnya Y sama dengan konstantanya
yaitu 1%, dan jika X1 turun 1 satuan maka Y juga akan menurun 1%,
(hubungannya positif)
Lain halnya dengan X2, jika X2 meningkat 1 satuan maka Y akan menurun 1%
satuan, dan jika X2 turun 1 satuan maka Y akan meningkat 1%, satuan
(hubungannya negatif)
 Double log
Log Y   0   1 X 1   2 X 2
Jika X1 dan X2 sama dengan nol maka besarnya Y sama dengan konstantanya
yaitu o.
Jika X1 meningkat 1% maka Y akan meningkat 1%, dan jika X1 turun 1%maka
Y juga akan menurun 1% (hubungannya positif). Begitu juga dengan X2, Jika
X2 meningkat 1% maka Y akan meningkat 2%, dan jika X2 turun 1% maka Y
juga akan menurun 2%.
J. Contoh Aplikasi Regresi dengan OLS dengan program EViews

Dimisalkan bahwa persamaan yang akan diestimasi pengeluaran konsumsi
yang dipengaruhi oleh besarnya pendapatan. Fungsi konsumsinya adalah sebagai
berikut:
PCONt =f(GDPt)
Atau dapat ditulis:
57
PCONt = a0 + a1GDPt + et
di mana:
PCONt = nilai konsumsi nominal pada tahun t
GDPt = pendapatan domestik bruto pada tahun t
Untuk melakukan estimasi terhadap persamaan di atas dapat dilakukan

dengan beberapa cara:
(1) Dari Command window:
ketik LS PCON C GDP
ENTER
(2) Dari menu utama:
QUICK
ESTIMATE EQUATION
EQUATION SPECIFICATION
PCON C GDP (persamaan yang akan diestimasi)
LS (metode estimasi)
OK.
Gambar 3.4 Kotak dialog berisi spesifikasi persamaan yang diestimasi
58
Pilih Metode yang akan dipakai (LS,TSLS, dsb)

Tekan OK atau ENTER
Akan muncul hasil sebagai berikut:
Gambar 3.5 Tampilan hasil estimasi regresi persamaan konsumsi
Jika kita ingin melihat tampilan persamaan regresi fungsi konsumsi

dengan angka hasil estimasi, maka klik:
VIEW
REPRESENTATION
Akan muncul tampilan representasi sebagai:
59
Gambar 3.6 Representasi hasil estimasi persamaan regresi
Memberi nama persamaan (equation) agar tersimpan dalam workfile,

dengan cara:
Klik OBJECT, pilih NAME.... ,atau
langsung klik dari menu NAME,
Gambar 3.7 Memberi nama persamaan (equation)
akan muncul kotak dialog, beri nama persamaan (misal EQ01)
60
Gambar 3.8 kotak dialog untuk memberi nama persamaan
Pada workfile akan bertambah dengan icon persamaan dengan nama

eq01
gambar 3.9 tampilan workfile dengan tambahan series equation 1 (= eq01)
Untuk menampilkan Residual persamaan, pilih

VIEW,
ACTUAL, FITTED, RESIDUAL GRAPH
Akan muncul tampilan Residual seperti yang kita pilih:
61
Gambar 3.10 Tampilan Tabel Residual Persamaan Konsumsi
Residual dapat juga ditampilkan langsung dari tampilan Equation dengan

menekan RESIDS, akan muncul tampilan:
Gambar 3.11 Tampilan Grafik Residual Persamaan Konsumsi
Untuk menyimpan residual dalam bentuk series, klik PROCS, MAKE

RESIDUAL SERIES
62
Gambar 3.12 tampilan untuk menyimpan residual
maka akan muncul kotal dialog:
gambar 3.13 kotak dialog untuk menyimpan residual
dan pada workfile akan tersimpan series baru yaitu residual dari
persamaan 1 (EQ01) dengan nama resid01.
Gambar 3.14 tampilan Workfile dengan series residual (resid01)
63
Untuk dapat menampilkan prediksi atau forecating dari persamaan dari

tampilan Equation, tekan FORECAST, akan muncul dialog:
Gambar 3.15 kotak dialog untuk melihat peramalan konsumsi

Jika nama untuk hasil prediksi pada kotak sudah sesuai keinginan (misal:
pconf), tekan OK, akan muncul:
Gambar 3.16 Tampilan Grafik Perdiksi Persamaan Konsumsi
64
LATIHAN 1
Table 6.4 Fertility and other data for 64 countries
CM = child mortality PGNP = per capita GNP in 1980
FLR = female literacy rate TFR = total fertility rate
CM = 0 + 1 FLR + 2 PGNP + 0 TFR + i.
CM FLR PGNP TFR CM FLR PGNP TFR
128 37 1870 6.66 142 50 8640 7.17
204 22 130 6.15 104 62 350 6.6
202 16 310 7 287 31 230 7
197 65 570 6.25 41 66 1620 3.91
96 76 2050 3.81 312 11 190 6.7
209 26 200 6.44 77 88 2090 4.2
170 45 670 6.19 142 22 900 5.43
240 29 300 5.89 262 22 230 6.5
241 11 120 5.89 215 12 140 6.25
55 55 290 2.36 246 9 330 7.1
75 87 1180 3.93 191 31 1010 7.1
129 55 900 5.99 182 19 300 7
24 93 1730 3.5 37 88 1730 3.46
165 31 1150 7.41 103 35 780 5.66
94 77 1160 4.21 67 85 1300 4.82
96 80 1270 5 143 78 930 5
148 30 580 5.27 83 85 690 4.74
98 69 660 5.21 223 33 200 8.49
161 43 420 6.5 240 19 450 6.5
118 47 1080 6.12 312 21 280 6.5
269 17 290 6.19 12 79 4430 1.69
189 35 270 5.05 52 83 270 3.25
126 58 560 6.16 79 43 1340 7.17
12 81 4240 1.8 61 88 670 3.52
167 29 240 4.75 168 28 410 6.09
135 65 430 4.1 28 95 4370 2.86
107 87 3020 6.66 121 41 1310 4.88
72 63 1420 7.28 115 62 1470 3.89
128 49 420 8.12 186 45 300 6.9
27 63 19830 5.23 47 85 3630 4.1
152 84 420 5.79 178 45 220 6.09
224 23 530 6.5 142 67 560 7.2
Sumber: Gujarati, 2003,”Basic Econometrics”.
65
Berdasar data tersebut:

1. Entry-lah data keempat variabel tersebut.
2. Lakukan penyimpanan dengan nama COBA1.
3. Lakukan estimasi regresi korelasi berganda dengan metode Ordinary
Least Square (OLS).
66
BAB IV
Pemilihan Model dan Bentuk Fungsi Model Empiris
Pada bagian ini akan dibahas pemilihan model dan bentuk fungsi model
empirik berdasarkan teori ekonometrika. Dalam analisis ekonometrika,
pemilihan model merupakan salah satu langkah yang penting di samping
pembentukan model teoritis dan model yang dapat ditaksir, estimasi, pengujian
hipotesis, peramalan (forecasting) dan analisis mengenai implikasi kebijakan dari
model tersebut. Terlebih lagi jika analisis dikaitkan dengan pembentukan model
dinamis yang perumusan-nya dipengaruhi oleh berbagai faktor, seperti perilaku
atau tindak-tanduk pelaku ekonomi, peranan dan kebijaksanaan penguasa
ekonomi, faktor-faktor kelembagaan dan pandangan pembuat model terhadap
realitas yang dihadapi (Insukindro, 1992: 3; Insukindro dan Aliman, 1999).
Tentu saja agar suatu model estimasi dapat dipilih sebagai model empirik
yang baik dan mempunyai daya prediksi serta peramalan dalam sampel, perlu
dipenuhi syarat-syarat dasar antara lain: model itu dibuat sebagai suatu
perpsepsi mengenai fenomena ekonomi aktual yang dihadapi dan didasarkan
pada teori ekonomika yang sesuai, lolos uji baku dan berbagai uji diagnosis
asumsi klasik, tidak menghadapi persoalan regresi lancung atau korelasi lancung
dan residu regresi yang ditaksir adalah stasioner khususnya untuk analisis data
runtun waktu (Insukindro, 1999: 3). Langkah-langkah tersebut dimaksudkan agar
peneliti dapat terhindar dari kesalahan spesifikasi (specification error). Johnston
dan DiNardo (1997: 109-112) mengatakan bahwa kesalahan spesifikasi dapat
disebabkan oleh 3 kemungkinan yaitu kemungkinan kesalahan yang disebabkan
oleh variabel gangguan (disturbances), variabel penjelas (explanatory variable)
dan parameter.
67
Berkaitan dengan kemungkinan kesalahan spesifikasi yang disebabkan oleh
variabel bebas (independent variable) misalnya, salah satu hal penting yang perlu
diperhatikan dalam studi empirik adalah penentuan bentuk fungsi (functional
form) dari model yang akan diestimasi. Pertanyaan yang sering muncul berkaitan
dengan isu yang disebut terakhir adalah apakah bentuk fungsi adalah linier atau
log-linier. Dalam kenyataannya, sering dijumpai seorang peneliti dengan
menggunakan informasi a priori (feeling) langsung menetapkan bentuk fungsi
model estimasi dinyatakan dalam bentuk log-linier. Hal ini karena bentuk log-
linier diyakini mampu mengurangi tingkat veriasi data yang akan digunakan (data
lebih halus). Namun, dalam studi empirik keputusan untuk menetapkan bentuk
fungsi model yang diestimasi perlu diuji apakah memang model tersebut sesuai
dengan argumen teori dan perilaku variabel yang sedang diamati dan persepsi si
pembuat model mengenai fenomena yang sedang dihadapi.
A. Memilih Model Empirik yang baik
1. Kriteria Statistik
Paling tidak terdapat 10 kriteria statistika yang dapat digunakan untuk

memilih sebagaimana tersaji pada tabel 1. Pertama, akaike information criterion
(AIC), yang dikembangkan oleh Akaike tahun 1970 dan 1974, kedua, final
prediction error (FPE) yang dikembangkan oleh Hsiao sejak tahun 1978. Ketiga,
generalized cross validation (GCV), yang dikembangkan oleh Crave dan Wahba
tahun 1974. Keempat, Hannan Quin (HQ) yang dikembangkan oleh Hannan dan
Quinn tahun 1979. Kelima, RICE yang dikembangkan oleh Rice tahun 1984,
Keenam, SCHWARZ, yang dikembangkan oleh Schwarz tahun 1980. Ketujuh,
68
SGMASQ. Kedelapan, SHIBATA yang dikembangkan oleh Shibata tahun 1981.

Kesembilan, Prediction Criterion (PC) yang dikembangkan oleh amemiya tahun
1980 dan terakhir kesepuluh, Residual Variance Criterion (RVC) yang
dikembangkan oleh Theil tahun 1961.
Seperti terlihat pada tabel 4.1, secara umum kesepuluh kriteria itu
menggunakan nilai residual sum of squres (RSS) tertimbang (weighted), sehingga
dapat dipakai sebagai beberapa alternatif pesaing bagi koefisien determinan
dalam pemilihan model. Jika dalam pemilihan model dengan pendekatan R 2
dipilih koefisien determinan yang maksimun, maka dalam analisis dengan 10
kriteria di atas dipilih kriteria yang mempunyai nilai paling kecil (minimun)
diantara berbagai model yang digunakan. Melalui kriteria-kriteria ini dapat pula
dikurangi atau dihindarkan adanya sindrom R 2. Disamping itu besaran-besaran
tersebut dapat pula digunakan untuk menentukan kesederhanaan atau efisiensi
jumlah variabel bebas yang diliput dalam suatu model. Kriteria-kriteria ini juga
dapat digunakan untuk menentukan variabel kelambanan (lag variable) dalam uji
kausalitas dan uji derajat integrasi.
Tabel 4.1. Rumus Kriteria Statistika Seleksi Model
Nama Rumus Nama Rumus
 RSS  2 k / T   RSS  kj
1. AIC  T e 6. SCHWARZ  T  T T
   
 RSS  T  k  RSS    k 
2. FPE  T T k 7. SGMASQ  T   1   T 
   
 RSS    k 
2
 RSS  T  2k
3. GCV  T   1   T  8. SHIBATA  T  T
   
 RSS   RSS   T 
 T   ln T 
2k
 T    T  k 
T
4. HQ 9. PC
 
 j 
1
 RSS    2k   RSS  T
5. RICE  T   1   T  10. RVC  T   T  k
  j
Keterangan :
RSS = residual sum of squares
T = Jumlah data/observasi
k = Jumlah variabel penjelas ditambah dengan konstanta
69
kj = Jumlah variabel penjelas tanpa konstanta
Untuk dapat menerapkan atau mengaplikasikan kriteria-kriteria

pemilihan model di atas, akan digunakan dua model yaitu model A untuk model
berbentuk linier dan model B untuk non-linier.
A. UKRt = a1 + a2 YRt + a3 IRt + a4 IFt + ut  Model Linier
B. LUKRt = b1 + b2 LYRt + b3 IRt + b4 IFt + et  Model Log-Linier
Beberapa langkah yang perlu ditempuh adalah sebagai berikut :

1. Lakukan regresi atau estimasi dengan menggunakan model berikut dan
perhatikan nilai RSS-nya (sum of squares residual) [lihat tampilan 1 dan 2]
(1) UKRt = a1 + a2 YRt + ut
(2) LUKRt = b1 + b2 LYRt + et
Tampilan persamaan (1) : perintahnya : UKR C YR ------- ENTER

Dependent Variable: UKR
Method: Least Squares
Date: 01/28/03 Time: 17:29
Sample: 1984:2 1997:4
Included observations: 55
Variable Coefficient Std. Error t-Statistic Prob.
C 8.010008 2.339959 3.423141 0.0012
YR 0.152335 0.004614 33.01384 0.0000
R-squared 0.953627 Mean dependent var 81.61662
Adjusted R-squared 0.952752 S.D. dependent var 24.23217
S.E. of regression 5.267233 Akaike info criterion 6.196573
Sum squared resid 1470.418 Schwarz criterion 6.269567
Log likelihood -168.4058 F-statistic 1089.914
Durbin-Watson stat 0.836843 Prob(F-statistic) 0.000000
70
Tampilan persamaan (2) : perintahnya: LUKR C LYR ------- ENTER

Dependent Variable: LUKR
Date: 01/28/03 Time: 17:35
Sample: 1984:2 1997:4
C -1.126309 0.177725 -6.337369 0.0000
LYR 0.894869 0.028951 30.91004 0.0000
S.E. of regression 0.067290 Akaike info criterion -2.523918
Sum squared resid 0.239983 Schwarz criterion -2.450924
Log likelihood 71.40774 F-statistic 955.4306

perhatikan nilai RSS-nya (sum of squares residual) (lihat tampilan 3 dan 4)
(3) UKRt = a1 + a2 YRt + a3 IRt + ut
(4) LUKRt = b1 + b2 LYRt + b3 IRt + et
Tampilan persamaan (3): perintahnya: UKR C YR IR -------- ENTER

Date: 01/28/03 Time: 17:37
Sample: 1984:2 1997:4
C 14.72520 3.805130 3.869828 0.0003
YR 0.154722 0.004588 33.72538 0.0000
IR -0.471929 0.215135 -2.193639 0.0328
71
Tampilan persamaan (4): perintahnya: LUKR C LYR IR ----ENTER

Date: 01/28/03 Time: 17:39
Sample: 1984:2 1997:4
C -1.125527 0.171049 -6.580148 0.0000
LYR 0.911847 0.028837 31.62021 0.0000
IR -0.006290 0.002754 -2.284324 0.0265

perhatikan nilai RSS-nya (sum of squares residual) (lihat tampilan 5 dan 6)
(5) UKRt = a1 + a2 YRt + a3 IRt + a4 IFt + ut

(6) LUKRt = b1 + b2 LYRt + b3 IRt + b4 IFt + et
Tampilan persamaan (5) : perintahnya:UKR C YR IR IF-----ENTER

Date: 01/28/03 Time: 17:41
Sample: 1984:2 1997:4
C 16.60252 5.737667 2.893601 0.0056
YR 0.153232 0.005731 26.73507 0.0000
IR -0.468135 0.216995 -2.157355 0.0357
IF -0.183464 0.417071 -0.439886 0.6619
72
Tampilan persamaan (6): perintahnya:LUKR C LYR IR IF-- ENTER

Date: 01/28/03 Time: 17:39
Sample: 1984:2 1997:4
C -1.125527 0.171049 -6.580148 0.0000
LYR 0.911847 0.028837 31.62021 0.0000
IR -0.006290 0.002754 -2.284324 0.0265
4. Lakukan perhitungan untuk menentukan variabel yang akan digunakan

sebagai model empiris dengan menggunakan beberapa rumus kriteria
statistik untuk menyeleksi model (tabel 1), dengan pedoman sebagai
berikut:
 Bila hasil perhitungan langkah 1> hasil perhitungan langkah II,
maka tambahan variabel baru yang baru masuk dalam model
harus diterima, sebaliknya, bila hasil perhitungan langkah 1 < hasil
perhitungan langkah II, maka tambahan variabel baru yang baru
masuk dalam model harus ditolak
 Bila hasil perhitungan langkah II > hasil perhitungan langkah III,
maka tambahan variabel baru yang baru masuk dalam model
harus diterima, sebaliknya, bila hasil perhitungan langkah II < hasil
perhitungan langkah III, maka tambahan variabel baru yang baru
masuk dalam model harus ditolak
73
Tabel 4.2: Hasil Perhitungan Rumus Seleksi Kriteria Model
 RSS  2 k / T 
Langkah  T e
 
Bentuk linier Bentuk log-linier
I 1470.418  4 55   0.239983  4 55 
 55   e  55   e
 28.67  0.00
II 1345.872  6 55   0.218097  4 55 
 55   e  55   e
   
 27.32  0.00
III 1340.785   0.218097 
 55   e 55  55   e 55
8 8
   
 28.32  0.00
 RSS  T  k
Langkah  T T k
 
Bentuk linier Bentuk log-linier
I 1470.418  55  2  0.239983  55  2
 55   55  2  55   55  2
   
 28.75  0.00
II 1345.872  55  3  0.218097  55  3
 55   55  3  55   55  3
   
 27.29  0.00
III 1340.785  55  4  0.218079  55  4
 55   55  4  55   55  4
 27.66  0.00
Keterangan :
T = 55
k = 2 (langkah I), k = 3 (langkah II), k = 4 (langkah III),
kj = 2 (langkah I), kj = 3 (langkah II), kj = 4 (langkah III)
Tabel 4.2 menyajikan hasil perhitungan memilih model dengan
menggunakan rumus AIC dan FPE. Hasil perhitungan tersebut
menunjukkan bahwa model persamaan 3 dan 4 merupakan kandidat
model empiris yang relatif lebih baik dibandingkan dengan model
persamaan 1, 2, 5, dan 6, hal ini karena model persamaan 3 mempunyai
nilai estimasi AIC dan FPE yang lebih kecil dibandingkan dengan nilai
estimasi AIC dan FPE untuk model persamaan 1 dan 5. hal serupa untuk
74
model persamaan 4 mempunyai nilai estimasi AIC dan FPE yang lebih
kecil dibandingkan dengan nilai estimasi AIC dan FPE untuk model
persamaan 2 dan 6. Dari kedua bentuk model ini, kemudian akan diuji
lebih lanjut dengan menggunakan uji MWD, uji B-M uji Zarembka untuk
menentukan bentuk fungsi model empirik yang paling layak.
2. Omitted Test
Test ini dilakukan menguji apakah variabel baru bisa ditambahkan dalam
model. Jika variabel baru memberikan kontribusi yang signifikan pada model,
berarti variabel tersebut tidak bisa diabaikan dan harus dimasukkan dalam
model.
(1) UKRt = a1 + a2 YRt + a3 IRt + a4 IFt + ut  Model A: Linier
(2) LUKRt = b1 + b2 LYRt + b3 IRt + b4 IFt + et  Model B: Log-Linier
Langkah pengujian:
1. Regresi OLS model A dengan satu variabel bebas
UKR C YR
Diperoleh hasil seperti pada tampilan persamaan (1) diatas.
2. Dari Workfile Equation,

klik VIEW
COEFFICIENT TESTS
OMITTED VARIABLES – LIKELIHOOD RATIO
75
Gambar 4.1 omitted test

Akan muncul kotak dialog
Gambar 4.2 Kotak Dialog Omitted Test
Pada kotak dialog ketikkan nama variabel baru (IR) yang akan
ditambahkan.
OK.
Akan muncul hasil sbb:
Gambar 4.3 Tampilan hasil Omitted Test
Nilai F dihitung dengan rumus:

 R2  R2 m
F  new 2 old

 
1  Rnew n  k
m = jumlah variabel baru
k = jumlah parameter pada model baru
n = jumlah observasi
76
Perhatikan nilai probabilitas pada F-Statistic, jika lebih kecil dari 0,05
berarti penambahan variabel baru memberikan kontribusi yang signifikan
pada model sehingga varibel tersebut harus dimasukkan dalam model.
Dan jika probabilitas lebih besar dari 0,05, berarti kontribusi variabel baru
pada model tidak signifikan dan variabel tersebut tidak perlu dimasukkan
dalam model. Pada contoh diatas, IR perlu dimasukkan dalam model.
Lakukan berulang pada variabel lainnya.
3. Lakukan langkah yang sama untuk Model B

LUKRt = b0 + b1 LYRt + b2 IRt + b3 IFt + et.
hasil uji variabel IR dalam omitted test akan terlihat:
Dari hasil di atas, probabilitas F signifikan berarti IR memberikan

kontribusi yang signifikan pada model B, maka model B sekarang menjadi
LUKR = f(LYR, IR).
Spesifikasi ulang model B (dari Equation klik Procs / Spesify/estimate dan
tambahkan pada persamaan yang sudah ada: ketik IR) dan lakukan uji
omitted lagi untuk penambahan variabel baru IF, dst.
3. Wald Test
Kebalikan dari omitted test, wald test dilakukan untuk mengeluarkan

variabel dari model. Jika pengujian menunjukkan bahwa dengan
dikeluarkannya variabel tersebut tidak mengubah secara signifikan model
awal maka variabel tersebut bisa dikeluarkan. Langkah pengujian:
1. Regresi model A dengan memasukkan semua variabel bebas.
77
Gambar 4.5 Tampilan hasil estimasi regresi
2. Lakukan Wald test terhadap variabel yang paling tidak signifikan pada
regresi awal, yaitu IF.
Dari Equation:
klik VIEW
COEFFICIENT TESTS
WALD –Coefficient Restrictions,
akan muncul kotak dialog:
78
Gambar 4.7 Tampilan kotak dialog Wald Test
Pada kotak dialog tuliskan koefisien yang akan direstriksi, yaitu C(4)=0
OK
Gabar 4.8 Tampilan hasil Wald Test
Probabilitas F tidak signifikan, berarti variabel IF bisa dikeluarkan dari

model. Spesifikasi ulang model A dan lakukan pengujian berulang untuk
variabel IR.
Gambar 4.9 Tampilan hasil Wald Test
79
Probabilitas F signifikan, berarti variabel IR bisa dimasukkan ke dalam

model. Spesifikasi ulang model A dan didapat model akhir sebagai
berikut:
3. Lakukan berulang untuk model B.
Gabar 4.11 Tampilan hasil Omitted Test
Berdasarkan uji Wald, disimpulkan bahwa model yang layak digunakan

untuk mengestimasi fungsi permintaan ayam pada contoh adalah:
Model A: UKRt = a1 + a2 YR + a3 IR + ut
Model B: LUKRt = b1 + b2 LYR + b3 IR + ut
80
B. Memilih Bentuk Fungsi Model Empirik
Pemilihan bentuk fungsi model empirik merupakan pertanyaan atau

masalah empirik (empirical question) yang sangat penting, hal ini karena teori
ekonomi tidak secara spesifik menunjukkan ataupun mengatakan apakah
sebaiknya bentuk fungsi suatu model empirik dinyatakan dalam bentuk linear
ataukah log-linear atau bentuk fungsi lainnya. Dalam kenyataannya seorang
peneliti biasanya menggunakan feeling langsung menetapkan model regresi yang
digunakan dinyatakan dalam bentuk log-linear, karena bentuk log-linear diyakini
dapat mengurangi tingkat variasi data yang akan digunakan. Namun sebenarnya
keyakinan tersebut tidak sepenuhnya benar, karena tidak menutup kemungkinan
dalam kasus tertentu, suatu model regresi akan lebih tepat diregresi dengan
dinyatakan dalam bentuk linear (tanpa log). Oleh karena itu, dalam melakukan
suatu studi empiris, sebaiknya model yang akan digunakan diuji dulu, apakah
sebaiknya menggunakan bentuk linear ataukah log-linear.
Berangkat dari permasalahan diatas, dalam studi empirik biasanya
digunakan metode-metode lain seperti model transformasi Box-Cox, metode
yang dikembangkan MacKinnon, White dan Davidson tahun 1983, atau lebih
dikenal dengan MWD test, metode Bara dan mcAleer tahun 1988 atau disebut
pula dengan B-M test dan metode yang dikembangkan Zarembka tahun 1968.
Pada bagian ini kita akan membicarakan tentang pemilihan bentuk
model, apakah dalam bentuk linear tanpa log ataukah dalam bentuk log-linier.
Hal ini penting terutama dalam hubungannya tujuan dari penelitian yang kita
lakukan.
Dalam hal ini kita akan mencoba menggunakan 2 metode untuk
menentukan model regresi, linear ataukah log-linear, yaitu :
1. Metode MacKinnon, White dan Davidson (1980), atau lebih dikenal
dengan MWD Test.
2. Metode Zarembaka (1968)
81
82
Tabel 4.3 Beberapa Alternatif bentuk model
Nama Fungsi Relasi Algebraic (Bentuk Umum) Slope Koefisien

Elastisitas
Y=+X (+)
   X 
Y 
Linear
Y=-X (-)    X 
Y 
Y    1 X   2 X 2   1  2  2 X     1  2  2 X 
Kuadratik Y    1 X   2 X 2   1  2  2 X  Y
   1  2  2 X 
Y
log e Y    XatauY  e  X  Y    X 
log e Y    XatauY  e  X  Y    X 
      1 

Semilogaritma Y     log e Xataue  a  X
Y
Y     log e Xataue Y  a  X   X Y 
      1 
X Y 
log e Y     1 X   2 X 2
 Y  1  2  2 X    1  2  2 X ) X 
Log-kuadratik
log e Y     1 X   2 X 2  Y  1  2  2 X    1  2  2 X ) X 

log e Y    atauY  e    / X    Y2    1 
Log-hiperbolik X X X 

(Log-Inverse) log e Y    atauY  e   / X    Y2    1 

X X X 
 
log e Y     log e X atau Y  aX 
  Y
Dobel log e Y     log e X atau Y  aX  X  
logaritma
  Y
X
83
1. MacKinnon, White dan Davidson Test (MWD Test)
Langkah-langkah MWD Test

Misalnya kita mempunyai dua buah model:
A. UKRt = a1 + a2 YRt + a3 IRt + ut
B. LUKRt = b1 + b2 LYRt + b3 IRt + et
Dari model A dan B diatas, selanjutnya kita menerapkan MWD Test, dimana
untuk menerapkan uji tersebut, ada 6 langkah yang perlu dilakukan :
a) Lakukan estimasi/regresi terhadap model A, kemudian dapatkan nilai fitted

dari UKR, yang kita namai dengan UKRF. (Nilai fitted UKR = nilai aktual UKR –
Residualnya)
b) Lakukan estimasi/regresi terhadap model B, kemudian dapatkan nilai fitted
dari Log UKR, yang kita namai dengan LUKRF (nilai fitted log UKR = nilai aktual
Log UKR – Residualnya)
c) Dapatkan nilai Z1 dengan cara mengurangkan nilai log dari UKRF dengan nilai
fitted dari Log UKR. (Log(UKRF) – LUKRF)
d) Dapatkan nilai Z2 dengan cara mengurangkan nilai antilog LUKRF dengan
UKRF (Z2 = antilog (LUKRF) – UKRF)
e) Lakukan regresi dengan menggunakan model A ditambahkan Z1 sebagai
variabel penjelas atau
A. UKRt = a1 + a2 YRt + a3 IRt + a4 Z1 + ut
bila Z1 signifikan secara statistik maka kita menolak model yang benar adalah
linear atau dengan kata lain, bila Z1 signifikan maka model yang benar adalah
model log-linear.
f) Lakukan regresi dengan menggunakan model B ditambahkan Z2 sebagai
variabel penjelas atau
LUKRt = b1 + b2 LYRt + b3 IRt + b4 Z2 + et
84
bila Z2 signifikan secara statistik maka kita menolak model yang benar adalah
log-linear atau dengan kata lain, bila Z2 signifikan maka model yang benar
adalah model linear.
Aplikasi MWD Test

Sebagaimana telah dijelaskan di atas, bahwa untuk dapat menerapkan uji
MWD, ada beberapa langkah yang harus ditempuh. Pada bagian bawah ini, kita
akan menerapkan langkah-langkah tersebut.
Ho: model linier Yt = b0 + bi Xit + ut

Ha: model log-linier log Yt = log b0 +  bi log Xit + ut
Langkah pengujian:
1. Regresi model linier dan dapatkan nilai estimasi UKR (UKR fitted) 
UKRF.
Dari Menu Utama:
QUICK
ESTIMATE EQUATION
UKR C YR IR
OK.
Dari tampilan equation,
FORECAST
UKRF (pada kotak dialog SERIES NAME / FORECAST NAME)
OK
Beri nama equation,
klik NAME
EQ01 (nama equation)
OK
85
2. Regresi model log-linier dan dapatkan nilai estimasi log UKR (log UKR
fitted)  LUKRF
Dari Menu Utama:
Klik QUICK
ESTIMATE EQUATION
log(UKR) C log(YR) IR
OK
Dari tampilan equation,
FORECAST
LUKRF (pada kotak dialog SERIES NAME  FORECAST NAME)
OK
Beri nama equation,
klik NAME
EQ02
OK
3. GENR Z1 = log(UKRF) – LUKRF
4. Regresi Y terhadap variabel X dan Z1. Jika Z1 signifikan secara statistik,
maka tolak Ho (model linier) dan jika tidak signifikan, maka tidak menolak
Ho (model linier).
Tampilan model A (linier): UKR C YR IR Z1

Date: 10/01/06 Time: 11:17
Sample: 1984:2 1997:4
C 15.09810 3.863344 3.908040 0.0003
YR 0.154787 0.004613 33.55135 0.0000
IR -0.503186 0.221525 -2.271468 0.0274
Z1 59.97903 95.98422 0.624884 0.5348
86

5. GENR Z2= exp(LUKRF) – UKRF

6. Regresi log (UKR) terhadap variabel log (YR), IR dan Z2. Jika Z2 signifikan
secara statistik, maka tolak Ha (model log linier) dan jika tidak signifikan
maka tidak menolak Ha (model log linier).
Tampilan model B (log-linier): LUKR C LYR IR Z2

Date: 10/01/06 Time: 11:19
Sample: 1984:2 1997:4
C -1.092504 0.170953 -6.390675 0.0000
LYR 0.910223 0.028577 31.85127 0.0000
IR -0.007833 0.002948 -2.656900 0.0105
Z2 -0.016678 0.012240 -1.362540 0.1790
Berdasarkan uji MWD, dengan melihat tingkat signifikansi dari

variabel Z1 dan Z2 yang sama-sama tidak signifikan, maka dapat
disimpulkan bahwa kedua bentuk fungsi model baik linier maupun log-
linier bisa atau layak digunakan.
Uji MWD sudah memberikan hasil yang bisa kita pergunakan, akan
tetapi untuk lebih memastikan manakah bentuk fungsi yang lebih layak
dipakai, kita perlu juga mencoba untuk menggunakan uji Zarembka.
87
Metode Zarembka (1968) diharapkan mampu menunjukkan kepada kita

tentang bentuk model yang sebaiknya digunakan log – linear atau linear.
2. Metode Zarembaka (1968)

Langkah-langkah metode Zarembaka (1968)
Sebagaimana yang telah kita singgung diatas, metode yang
dikembangkan Zarembaka (1968) ini merupakan metode lain selain uji MWD,
untuk menguji/menentukan bentuk model regresi yang akan kita gunakan dalam
analisis regresi, untuk dapat menerapkan metode ini, ada 6 langkah yang perlu
ditempuh :
a) Dapatkan nilai Mean of Dependent Variable dari nilai sampel LUKR dengan
rumus
1
(5)
T
 LN (UKR)
b) Setelah nilai Mean of Dependent Variable ditemukan kemudian carilah nilai
geometrik dari MDV dengan rumus :
1 
(6) MTT  exp   LN (UKR) 
T 
UKR
c) Dapatkan nilai UKR*, dengan rumus : UKR* 
LUKR
d) Lakukan regresi untuk mendapatkan nilai RSS1 dan RSS2, dengan UKR* untuk
menggantikan S dan LUKR* menggantikan LUKR, atau dapat ditulis sebagai
berikut :
(7) UKR* = a1 + a2YR + a3IR + ut
(8) LUKR* = b1 + b2LYR + b3IR + et
e) Lakukan perhitungan untuk menentukan apakah model yang akan digunakan
berbentuk linear ataukah log – linear dengan rumus :
88
1   RSS 2 
(9)  T   Ln   kita namakan dengan RSS hitung
2   RSS1 
f) Dari hasil perhitungan pada bagian (e) di atas, kemudian bandingkan dengan
RSS hitung dengan nilai X2 tabel, dengan pedoman sebagai berikut :
- Bila RSS hitung > X2 tabel, maka bentuk yang tepat adalah log – linear
- Bila RSS hitung < X2 tabel, maka bentuk yang tepat adalah linear
Aplikasi Metode Zarembaka

(1) Dari hasil regresi dengan menggunakan fungsi LUKR = f (LYR, IR), ditemukan
besarnya mean of dependent variable adalah sebesar 4.359903. untuk
mendapatkan MDV di komputer, paket olah data biasanya secara otomatis
langsung bisa menampilkan nilai MDV, namun untuk lebih meyakinkan
sebaiknya dalam komputer kita masukkan perintah
GENR MDV = 4.359903
(2) Dari langkah pertama kemudian kita dapat menemukan besarnya geometrik
mean, yaitu exp (4.359903) = 78.24951 selanjutnya kita namakan dengan
MTT. Dalam komputer, perintah yang harus ditulis adalah : GENR MTT =
exp(78.24951)
(3) Dari langkah pertama dan kedua diatas, kemudian dapat nilai S bintang (S*)
dalam EViews untuk mendapatkan nilai MTB, perintah yang harus ditulis
adalah : GENR MTB = UKR/MTT
(4) Setelah ditemukan, tibalah saat melakukan regresi untuk mendapatkan nilai
RSS1 dan RSS2, dengan MTB menggantikan UKR (persamaan 5) dan LMTB
menggantikan LUKR (persamaan 6) dengan perintah regresi dalam EViews
adalah sebagai berikut :
89
MTB C YR IR
LMTB C LYR IR
Untuk lebih jelasnya perhatikan tampilan di bawah ini, dan jangan lupa lihat
Sum of Squared resid (SSR) – nya.
Dari tampilan di atas ditemukan RSS adalah sebagai berikut :
RSS1 = 0,219373
RSS2 = 0,217254
(5) Dari langkah ke empat di atas kemudian kita menghitung besarnya RSS hitung
dengan rumus sebagai berikut :
1   RSS 2   1   0, 217254 
 T  xLn     55  xLn  
2   RSS1   2   0, 219373 
= 27,5*Ln 0,990342
= 27,5* - 0,00971
= - 0,26688 (pakai harga mutlak = 0,26688)
(6) Dari hasil perhitungan pada bagian (5) di atas terlihat jelas bahwa nila RSS
hitung lebih kecil bila dibandingkan dengan nilaI 2 tabel pada tingkat
signifikansi 5% yang besarnya 3,84. Dengan demikian dapat disimpulkan
bahwa model yang baik untuk menganalisis permintaan uang riil selama
periode pengamatan adalah model linear, dengan kata lain kita menolak
model yang menggunakan model log-linear untuk kasus di atas.
Tampilan Hasil Regresi Persamaan (7)

LS MTB C YR IR
Dependent Variable: MTB
Date: 10/01/06 Time: 11:59
Sample: 1984:2 1997:4
90

C 0.188515 0.048573 3.881103 0.0003
YR 0.001977 5.86E-05 33.74416 0.0000
IR -0.006048 0.002748 -2.201052 0.0322
Tampilan Hasil Regresi Persamaan (8)

LS LMTB C LYR IR
Dependent Variable: LOG(MTB)
Date: 10/01/06 Time: 12:02
Sample: 1984:2 1997:4
C -5.484486 0.170713 -32.12702 0.0000
LYR 0.911749 0.028790 31.66949 0.0000
IR -0.006306 0.002749 -2.293777 0.0259
R-squared 0.952392 Mean dependent var -1.98E-12
Lampiran data untuk metode Zarembaka

obs LMTB MDV MTB MTT
1984:02:00 -0.38042 4.359903 0.683573 78.24951
1984:03:00 -0.48336 4.359903 0.616708 78.24951
1984:04:00 -0.47538 4.359903 0.621648 78.24951
1985:01:00 -0.45774 4.359903 0.632713 78.24951
1985:02:00 -0.37298 4.359903 0.688679 78.24951
1985:03:00 -0.37134 4.359903 0.689812 78.24951
1985:04:00 -0.33914 4.359903 0.712386 78.24951
1986:01:00 -0.22679 4.359903 0.797087 78.24951
1986:02:00 -0.28526 4.359903 0.751816 78.24951
1986:03:00 -0.25899 4.359903 0.771832 78.24951
1986:04:00 -0.25238 4.359903 0.776951 78.24951
1987:01:00 -0.22587 4.359903 0.797822 78.24951
1987:02:00 -0.09984 4.359903 0.904982 78.24951
91
1987:03:00 -0.24745 4.359903 0.780792 78.24951

1987:04:00 -0.25106 4.359903 0.777973 78.24951
1988:01:00 -0.24457 4.359903 0.783044 78.24951
1988:02:00 -0.23959 4.359903 0.786951 78.24951
1988:03:00 -0.25321 4.359903 0.776306 78.24951
1988:04:00 -0.22827 4.359903 0.795908 78.24951
1989:01:00 -0.19907 4.359903 0.819495 78.24951
1989:02:00 -0.20558 4.359903 0.814173 78.24951
1989:03:00 -0.17115 4.359903 0.842697 78.24951
1989:04:00 -0.11446 4.359903 0.891848 78.24951
1990:01:00 -0.08291 4.359903 0.920436 78.24951
1990:02:00 -0.05344 4.359903 0.947967 78.24951
1990:03:00 -0.01062 4.359903 0.989441 78.24951
1990:04:00 -0.00654 4.359903 0.993486 78.24951
1991:01:00 -0.02492 4.359903 0.975384 78.24951
1991:02:00 -0.07253 4.359903 0.930041 78.24951
1991:03:00 -0.08875 4.359903 0.915076 78.24951
1991:04:00 -0.07391 4.359903 0.928759 78.24951
1992:01:00 0.077872 4.359903 1.080984 78.24951
1992:02:00 -0.04199 4.359903 0.958882 78.24951
1992:03:00 0.000895 4.359903 1.000895 78.24951
1992:04:00 0.08301 4.359903 1.086553 78.24951
1993:01:00 0.089866 4.359903 1.094027 78.24951
1993:02:00 0.089619 4.359903 1.093757 78.24951
1993:03:00 0.133488 4.359903 1.142807 78.24951
1993:04:00 0.20773 4.359903 1.230881 78.24951
1994:01:00 0.273554 4.359903 1.314628 78.24951
1994:02:00 0.274805 4.359903 1.316274 78.24951
1994:03:00 0.349016 4.359903 1.417672 78.24951
1994:04:00 0.378048 4.359903 1.459433 78.24951
1995:01:00 0.374049 4.359903 1.453608 78.24951
92
obs LMTB MDV MTB MTT

1995:02:00 0.353725 4.359903 1.424364 78.24951
1995:03:00 0.359218 4.359903 1.432209 78.24951
1995:04:00 0.402314 4.359903 1.495281 78.24951
1996:01:00 0.385089 4.359903 1.469745 78.24951
1996:02:00 0.384517 4.359903 1.468905 78.24951
1996:03:00 0.365166 4.359903 1.440754 78.24951
1996:04:00 0.415768 4.359903 1.515534 78.24951
1997:01:00 0.432267 4.359903 1.540747 78.24951
1997:02:00 0.445274 4.359903 1.560918 78.24951
1997:03:00 0.423883 4.359903 1.527883 78.24951
1997:04:00 0.540294 4.359903 1.716512 78.24951
93
Lampiran Data Jumlah Uang Kartal (UK), Uang Kartal Riil (UKR, LUKR(Log UKR)),
Tingkat Pendapatan Nasional Nominal dan Rill (YN dan YR, LYR(Log YR)), Indeks
Harga Konsumen (IHK), Tingkat Suku Bunga Dalam Negeri (IR), Tingkat Suku
Bunga Luar Negeri (IF), Kebijakan Moneter (PAKTO 1988 = D88)
obs D88 IF IHK IR LUKR LYR

1984:2 0 11.36 75.66 15.12 3.97948152567 5.67654375627
1984:3 0 11.82 75.45 16.95 3.87654346296 5.71343181561
1984:4 0 10.03 76.31 16.22 3.8845221026 5.73508193096
1985:1 0 9.03 76.45 14.57 3.9021642335 5.73585430312
1985:2 0 8.26 79.33 17.13 3.98692301406 5.71331627728
1985:3 0 8.14 79.07 15.47 3.98856707634 5.73492969211
1985:4 0 8.15 79.65 12.75 4.02076761907 5.74562180462
1986:1 0 7.91 80.87 13.79 4.13311176998 5.73927788071
1986:2 0 7.11 82.17 14.44 4.07463928932 5.73736773492
1986:3 0 6.27 84.46 14.47 4.10091382842 5.72372322486
1986:4 0 6.14 86.93 11.65 4.10752470121 5.70855232244
1987:1 0 6.38 88.26 15.14 4.13403289831 5.79920697955
1987:2 0 7.15 90.25 15.12 4.26006243244 5.82330910069
1987:3 0 7.22 91.74 14.79 4.11245584634 5.85127489174
1987:4 0 7.96 94.98 13.08 4.10883857946 5.85902511891
1988:1 0 6.98 95.85 15.24 4.11533638603 5.86854687285
1988:2 0 7.48 97.81 15.14 4.12031393174 5.87967501000
1988:3 1 8.42 99.25 14.84 4.10669451892 5.89547642975
1988:4 1 9.02 100.29 16.29 4.13163054874 5.91457068888
1989:1 1 9.81 102.30 16.40 4.16083620898 5.95475112795
1989:2 1 9.78 104.35 16.74 4.15432070301 5.97387983695
1989:3 1 8.93 105.14 16.80 4.18875510355 6.00384526424
1989:4 1 8.62 106.41 16.20 4.24544307728 6.02799020972
1990:1 1 8.40 108.02 16.20 4.27699522201 6.05918959680
1990:2 1 8.46 111.61 16.09 4.30646681547 6.06418331831
1990:3 1 8.17 115.34 18.23 4.34928738568 6.06762871282
1990:4 1 8.22 116.98 20.99 4.35336715437 6.08855607817
1991:1 1 6.87 118.26 24.21 4.33497898999 6.12156092348
1991:2 1 6.17 121.25 25.02 4.28737603112 6.13287712106
1991:3 1 5.84 126.04 22.62 4.27115446631 6.12914700350
1991:4 1 5.05 128.60 21.89 4.28599691146 6.14286934759
1992:1 1 4.25 130.34 21.31 4.43777427941 6.16362019338
1992:2 1 4.08 132.53 20.11 4.3179155983 6.17916582613
1992:3 1 3.47 133.3 18.49 4.36079763425 6.20457594877
1992:4 1 3.63 135.08 16.72 4.44232024315 6.22156989113
1993:1 1 3.26 143.96 15.72 4.44976837651 6.26752659271
1993:2 1 3.22 144.72 15.10 4.44952124041 6.31822418300
1993:3 1 3.25 146.56 13.76 4.49339051867 6.35858662265
1993:4 1 3.42 148.83 11.73 4.57432923446 6.39356783243
1994:1 1 3.56 154.41 15.92 4.63345618992 6.37502095833
1994:2 1 4.47 155.78 17.09 4.63470779805 6.40171182162
1994:3 1 4.97 160.17 17.66 4.70891861439 6.40822634834
94
1994:4 1 5.96 163.17 17.15 4.73795054591 6.42283678207

1995:1 1 6.29 166.18 11.53 4.73395147732 6.46299397046
1995:2 1 6.12 172.14 12.07 4.71362802616 6.46810042008
1995:3 1 5.89 174.57 13.35 4.71912061432 6.49286021500
obs D88 IF IHK IR LUKR LYR
1995:4 1 5.85 177.83 14.27 4.76221670978 6.51168859322
1996:1 1 5.40 183.65 17.29 4.74499131292 6.52810279244
1996:2 1 5.52 185.06 17.35 4.74441982484 6.55959640872
1996:3 1 5.59 186.76 17.25 4.72506897049 6.58812320611
1996:4 1 5.54 189.62 17.03 4.77567057395 6.60922883623
1997:1 1 5.58 193.36 16.47 4.79216979204 6.63694022284
1997:2 1 5.83 194.48 15.93 4.80517688633 6.66929095617
1997:3 1 5.72 200.04 26.22 4.78378562345 6.67782824892
1997:4 1 5.92 211.62 23.92 4.90019692422 6.65697819264
Lanjutan Lampiran Data ……………

obs UK UKR YN YR
1984:2 4047 53.4892942109 22088.08 291.938673011
1984:3 3641 48.2571239231 22854.47 302.908813784
1984:4 3712 48.6436902110 23620.87 309.538330494
1985:1 3785 49.5094833224 23682.49 309.777501635
1985:2 4275 53.8888188579 24026.98 302.873818228
1985:3 4268 53.9774883015 24471.47 309.491210320
1985:4 4440 55.7438794727 24915.96 312.818079096
1986:1 5044 62.3717076790 25137.62 310.839866452
1986:2 4834 58.8292564196 25492.97 310.246683705
1986:3 5101 60.3954534691 25848.33 306.042268529
1986:4 5285 60.7960427931 26203.69 301.434372484
1987:1 5510 62.4291864944 29129.13 330.037729436
1987:2 6391 70.8144044321 30512.53 338.088975069
1987:3 5605 61.0965772836 31895.92 347.677349030
1987:4 5782 60.8759738892 33279.32 350.382396294
1988:1 5873 61.2728221179 33905.46 353.734585290
1988:2 6023 61.5785706983 34985.95 357.692976178
1988:3 6029 60.7455919395 36066.45 363.389924433
1988:4 6246 62.2793897697 37146.94 370.395253764
1989:1 6560 64.1251221896 39444.93 385.580938416
1989:2 6648 63.7086727360 41012.43 393.027599425
1989:3 6933 65.9406505612 42579.92 404.983070192
1989:4 7426 69.7866741848 44147.42 414.880368386
1990:1 7780 72.0236993149 46235.63 428.028420663
1990:2 8279 74.1779410447 48011.41 430.171221217
1990:3 8930 77.4232703312 49787.19 431.655886943
1990:4 9094 77.7397845786 51562.97 440.784493076
1991:1 9026 76.3233553188 53876.33 455.575257906
1991:2 8824 72.7752577320 55867.14 460.759917526
1991:3 9025 71.6042526182 57857.96 459.044430340
1991:4 9346 72.6749611198 59848.77 465.387013997
1992:1 11025 84.5864661654 61930.41 475.145082093
95
1992:2 9944 75.0320682110 63957.55 482.589225081

1992:3 10440 78.3195798950 65984.70 495.009002251
1992:4 11478 84.9718685224 68011.84 503.493041161
1993:1 12324 85.6071130870 75891.66 527.171853293
1993:2 12386 85.5859590934 80259.87 554.587271973
1993:3 13106 89.4241266376 84628.09 577.429653384
1993:4 14431 96.9629778942 88998.30 597.986293086
obs UK UKR YN YR
1994:1 15884 102.868985169 90638.32 586.997733307
1994:2 16045 102.997817435 93916.05 602.876171524
1994:3 17768 110.932134607 97193.79 606.816445027
1994:4 18634 114.199914200 100471.50 615.747380033
1995:1 18902 113.744132868 106517.60 640.977253580
1995:2 19186 111.455791797 110902.70 644.258742884
1995:3 19564 112.069656871 115287.70 660.409577820
1995:4 20807 117.005004780 119672.80 672.961817466
1996:1 21121 115.006806425 125634.80 684.099101552
1996:2 21271 114.941100184 130649.90 705.986707014
1996:3 21055 112.738273720 135665.50 726.416256158
1996:4 22487 118.589811201 140681.10 741.910663432
1997:1 23312 120.562681010 147486.80 762.757550683
1997:2 23754 122.141094200 153218.50 787.836795557
1997:3 23916 119.556088782 158950.10 794.591581684
1997:4 28424 134.316227200 164681.80 778.195822701
96
BAB V
UJI ASUMSI KLASIK
I. ASUMSI MODEL REGRESI LINIER KLASIK
Gujarati (1995: 59-69) mengemukakan 10 asumsi regresi linier klasik,

sebagai berikut:
1. Model regresi adalah linier, dalam hal ini adalah model regresi linier
dalam parameter, sebagaimana disajikan dalam persamaan berikut ini;
(5.1) Yi  1   2 X i  ui
2. Nilai X adalah tetap di dalam sampel yang dilakukan secara berulang-

ulang. Dengan kata lain, X diasumsikan non stokastik (deterministik)
3. Nilai rata-rata dari unsur faktor penganggu adalah sama dengan nol,
atau ui= 0. Secara simbolis dapat ditulis
(5.2) E ui X i   0
Secara geometris dapat digambarkan sebagai berikut:

Y
Mean PRF:Yi=β1+ β2Xi
+ui
-ui
Xi X2 X3 X4 X
Gambar 5.1 Distribusi ui
97
Asumsi dari E ui X i   0 mengimplikasikan E Yi X i    1   2 X i . Oleh
karena itu dua asumsi ini adalah ekuivalen
4. Homoskedastisitas atau varian adalah ut tetap untuk semua pengamatan.

Hal tersebut berarti bahwa varian kondisional ut adalah identikal.
Dengan menggunakan simbol, dapat ditulis sebagai berikut:
Var i X i   E i  E i  X i 

2
(5.3) 
 E t2 X t  , karena asumsi ketiga
 2
f(ui)
P
r
o
b
d
e
n
s
i
t Y
a
s
ui
X1
X2
Xi PRF:Yi=β1+ β2Xi
X
Gambar 5.2 Homoskedastisitas
Asumsi keempat menyatakan bahwa varians ui untuk tiap-tiap Xi adalah

positif konstan sama dengan σ2. Secara teknis formulasi (5.3) pada
asumsi 4 mewakili asumsi homoskedastisitas, varians yang sama (equal
variance). Secara diagram keadaan ini ditunjukkan oleh gambar 5.2.
98
Sebaliknya, kita lihat dari gambar 5.3, varians dari populasi Y yang
bervariasi dengan X. Keadaan ini dikenal sebagai Heteroskedastisitas,
(5.4) Var i X i    i2
f(ui)
P
r
o
b
d
e
n
s
i
t
a Y
s
ui
X1
X2
Xi PRF:Yi=β1+ β2Xi
X
Gambar 5.3 Heteroskedastisitas
5. Tidak ada autokorelasi antar unsur pengganggu. Misalkan diketahui ada

dua nilai variabel X, yaitu Xi dan Xj (i ≠ j), korelasi antar kedua unsur
pengganggu ui dan uj (i ≠ j), adalah sama dengan nol. Dengan bahasa
simbol dapat ditulis sebagai berikut:
   
cov u i , u j X i , X j  E u i  E u i X i  u j  E u j X j 
(5.5)  E u , X u X 
i i j j
0
dimana i dan j adalah dua pengamatan yang berbeda dan dimana cov
berarti covariance.
99
+ui +ui
-ui +ui -ui +ui
-ui -ui
(a) (b)
+ui
-ui +ui
-ui
Gambar
(c) 5.4 Pola korelasi diantara variabel
pengganggu. (a) serial korelasi positif; (b) korelasi serial
negatif; (c) korelasi nol.
Persamaan (5.5) menyatakan bahwa unsur gangguan ui dan uj tidak

berkorelasi. Secara teknis ini adalah asumsi tidak ada korelasi serial, atau
tidak ada autokorelasi. Ini berarti bahwa, dengan Xi tertentu, deviasi dari
dua nilai Y dari nilai rata-ratanya tidak memperlihatkan pola seperti pada
gambar 5.4 (a) dan (b). Gb 5.4 (a) terlihat adanya korelasi positif, satu u
positif diikuti oleh u positif yang lain atau satu u negatif diikuti oleh u
negatif lainnya. Dalam gambar 5.4 (b) u berkorelasi negatif, yaitu u positif
diikuti oleh u yang negatif, dan sebaliknya.
6. Nilai kovarian antara ui dan xi adalah sama dengan nol, atau
E ui X i   0 . Secara formal dapat ditulis sebagai berikut:
100
covu i , X i   E u i  E u i X i  E  X i 
 E u i  X i  E  X i , ketika E u i   0
(5.6)  E u i X i   E  X i E u i , ketika E  X i  adalah non stokastik
 E u i X i , ketika E u i   0
 0, karena diasumsikan begitu
Asumsi 6 menyatakan bahwa unsur gangguan u dan variabel penjelas X

adalah tidak berkorelasi. Penjelasan dari asumsi ini adalah sebagai
berikut: dalam persamaan regresi, diasumsikan bahwa X dan u
mempunyai dampak yang terpisah terhadap Y. Tetapi jika X dan u
berkorelasi, tidaklah mungkin untuk mengetahui efek individual dari X
dan u terhadap Y. Jadi, jika X berkorelasi positif dengan u, X naik ketika u
naik, dan turun jika u turun. Demikian pula jika X dan u berkorelasi
negatif, X akan naik ketika u turun dan X akan turun ketika u naik. Dengan
kata lain, sulit untuk memisahkan efek daari X dan u terhadap Y.
7. Jumlah observasi atau pengamatan n harus lebih besar daripada jumlah
parameter yang diobservasi. Dengan kata lain, jumlah observasi atau
pengamatan n harus lebih besar daripada jumlah variabel penjelas.
8. Nilai X dapat bervariasi (variability). Artinya, nilai X untuk sampel
tertentu tidak semuanya harus sama. Secara teknis, var (X) haruslah
angka positif yang terbatas. Asumsi ini penting, sebab jika semua nilai X
sama (identik), maka X i  X dan pembagi dari persamaan akan
menjaadi nol, sehingga akan membuatnya tidak mungkin untuk

mengestimasi β2 dan β1.
9. Spesifikasi model regresi harus benar. Sebagai alternatifnya, tidak ada
spesifikasi yang bias atau salah (error) dalam model yang digunakan
untuk analisis empiris. Hal ini diperlukan karena metodologi ekonometri
klasik secara implisit, mengemukakan bahwa model yang digunakan
101
untuk menguji teori ekonomi haruslah mempunyai spesifikasi yang benar

“correctly specified”.
10. Tidak ada multikolinearitas sempurna
Ini berarti tidak ada hubungan linier yang sempurna diantara variabel-
variabel bebas di dalam model.
Lebih jauh, bila semua sumsi di atas dipenuhi, maka menurut Gauss akan
diketemukan model penaksir yang tidak bias, linier dan terbaik (best liniar
unbiased estimator = BLUE). Sifat BLUE ini penting karena:
a. Linier
Sifat ini diperlukan untuk mempermudah perhitungan dengan penaksiran.
Suatu fungsi linier dari suatu variabel acak adalah seperti variabel tak bebas Y
di dalam model regresi
b. Tidak bias
Secara sendirian sifat ini tidak berguna. Satu-saaaatunya jaminan daari sifaat
ini adalah bila jumlah sampel sangat besar, penaksir parameter diperoleh
dari sampel besar kira-kira lebih mendekati nilai parameter yang sebenarnya.
c. Terbaik
Sifat varian terkecil secara sendirian tidak dibutuhkan karena suatu taksiran
memiliki varian sama dengan nol, namun memiliki penyimpangan yang besar.
Sifat varian minimum dibutuhkan, bila dikombinasikan dengan sifat tidak bias
(unbiasedness). Pentingnya sifat ini kelihatannya bila diterapkan dalam uji
signifikansi baku terhadap parameter-parameter variabel yang sedang
diestimasi serta membuat interval keyakinan taksiran-taksiran. Lebih lanjut,
dalam buku-buku ekonometri disebutkan bahwa suatu estimasi yang
menghasilkan penaksir yang tidak bias dan mempunyai varian yang minimum
disebut dengan efficient estimator.
102
II. Pengujian Asumsi Klasik

Pengujian asumsi klasik merupakan salah satu langkah penting untuk
menghindari regresi lancung. Dalam data runtun waktu, pengujian asumsi klasik
merupakan prasyarat yang harus dipenuhi.
A. Uji Normalitas
Salah satu metode yang dapat digunakan untuk menguji normalitas

residual adalah uji Jarque-Bera (JB).
 S 2  K  3 2 
(5.7) JB  n    ~  df  2
2
 6 24 
dimana n=ukuran sample, S=koefisien skewness, dan K=koefisien kurtosis. Untuk

distribusi normal, S=0 dan K=3, dan nilai JB diharapkan mendekati 0.
Ho: residual berdistribusi normal
Ha: residual terdistribusi tidak normal
Jika probabilitas JB lebih kecil dari 0,05 berarti JB statistik berbeda dengan
0. Tolak Ho. Jika nilai probabilitas JB lebih besar dari 0,05 berarti JB statistik tidak
berbeda dengan 0. Tidak menolak Ho.
Langkah pengujian:
dari Equation
VIEW
RESIDUAL TESTS
HISTOGRAM – NORMALITY TEST
103
Gambar 5.5 Uji JB – Normality Test

Dari hasil Uji J-B, ternyata probabilitas JB menunjukkan hasil yang tidak
signifikan atau nilai probabilitas JB lebih besar dari 0,05 berarti JB statistik tidak
berbeda dengan 0, sehingga tidak menolak Ho. Hal ini berarti bahwa residual
berdistribusi normal.
B. Uji Linieritas
Uji linieritas dilakukan dengan uji Ramsey yang dikembangkan oleh JB

Ramsey tahun 1969. Uji ini sebenarnya dilakukan untuk menguji ada tidaknya
kesalahan spesifikasi dalam regresi.
Langkah pengujian:
1. Lakukan estimasi OLS terhadap model awal, kemudian hitung nilai
fittednya (LYF)
2. Estimasi model awal dengan ditambah variabel fitted yang tidak linier
(misal YF2).
3. Hitung nilai F dengan rumus F restriksi. Jika nilai F statistik signifikan,
maka model awal terjadi mis-spesifikasi.
Langkah dengan Eviews:
dari equation, klik VIEW
STABILITY TESTS
RAMSEY RESET TEST
1 (pada kotak dialog isikan pada number of fitted jika fitted pangkat 2)
104
OK
Gambar 5.6 Hasil Uji Linieritas

Dari hasil di atas terlihat bahwa, nilai F tidak signifikan. Ini berarti tidak
terjadi kesalahan spesifikasi pada model awal.
C. Uji Autokorelasi
Adanya korelasi antara variabel gangguan sehingga penaksir tidak lagi

efisien baik dalam sampel kecil maupun dalam sampel besar. Ada beberapa
metode untuk menguji ada-tidaknya masalah autokorelasi. Antara lain adalah:
metode grafik, Runs test, Durbin-Watson d test, dan Breusch-Godfrey (B-G) Test.
1. Salah satu cara untuk menguji autokorelasi adalah dengan percobaan d

(Durbin – Watson). Rumus untuk menghitung DW statistik adalah:
1   ei ei 1 
(5.8) d  2 
  ei
2

Ragu-ragu
Ragu-ragu
Autokore 105
Autokore Tidak ada lasi negatif
lasi positif autokorelasi
Gambar 5.7 Daerah H0 Diterima dan Ditolak dalam Uji Autokorelasi
Hipotesis untuk menguji ada tidaknya autokorelasi adalah:

Ho : tidak ada serial autokorelasi baik positif maupun negatif.
Untuk menguji hipotesis nol tidak ada autokorelasi, terdapat tabel Durbin-
Watson (DW), dengan kriteria hasil perhitungan DW statistik dibandingkan
dengan tabel (DW), sebagai berikut:
Jika d < dL = menolak Ho
Jika d dU < d < 4 – dU = tidak menolak Ho
Jika dL < d < dU atau 4 – dU < d < 4 – dL = pengujian tidak meyakinkan
(inconclusive)
2. B-G test
Untuk menghindari masalah pengujian autokorelasi dengan DW d test
T.S. Breusch dan L.G. Godfrey tahun 1978 mengembangkan pengujian
autokorelasi yang lebih umum.
Langkah-langkah pengujian:
1) Estimasi persamaan regresi dengan OLS, dapatkan nilai residualnya (u t).
2) Regresi ut terhadap variabel bebas dan ut-i ......ut-p
106
3) Hitung n  p R 2 ~  2 Jika lebih besar dari nilai tabel chi-square dengan

df p, menolak hipotesa bahwa setidaknya ada satu koefisien autokorelasi
yang berbeda dengan 0.
Langkah dengan Eviews:
dari equation,
VIEW
RESIDUAL TESTS
SERIAL CORRELATION LM TEST
1 (pada kotak dialog isi jumlah lag residual)
OK
Gambar 5.8 Hasil Uji B-G
Dari hasil uji autokorelasi, diketahui bahwa nilai probabilitas lebih besar dari
probabilitas 5%, maka hipotesa yang menyatakan pada model tidak terdapat
autokorelasi tidak ditolak. Bararti model empirik lolos dari masalah autokorekasi.
D. Uji Homoskedastisitas
Pengujian terhadap ada-tidaknya masalah heteroskedastisitas dalam

model empirik dapat dilakukan dengan beberapa metode. Antara lain uji Park, uji
Glejser, uji Spearman’s rank correlation, uji Goldfeld-Quandt, uji Breusch-Pagan-
Godfrey, uji White, uji Koenker-Basset, dan lainnya.
107
1. Uji White
Dalam program olah data Eviews, ada dua versi uji White, yaitu (1) White
Heterroscedasticity (no cross term) dan (2) White Heterroscedasticity (cross
term).
Langkah-langkah pengujian uji White:
1. Lakukan estimasi model awal:
QUICK
ESTIMATE EQUATION
EQUATION SPECIFICATION
Y C X2 X3 X4
OK
2. Dari tampilan equation:
VIEW
RESIDUAL TESTS
WHITE HETEROSCEDASTICITY (no cross)
3. Bandingkan nilai OBS*R2 dengan 2 tabel dengan df 6 (jumlah regresor)

dan =5%  12,5916. Jika nilai Obs*R2 < 2 maka tidak signifikan secara
statistik. Berarti hipotesa yang menyatakan bahwa model empirik tidak
terdapat masalah heteroskedastisitas tidak ditolak.
108
Gambar 5.9 Tampilan untuk uji White (cross term)
Gambar 5.10 Tampilan untuk uji White (cross term)

2 (df=9, =5%) = 16,92 > obs*R2  tidak ada heteroskedastisitas.
2. Uji LM ARCH
Uji ARCH biasanya digunakan untuk menguji masalah heteroskedasti-sitas

ketika ada perubahan struktur, misal perubahan struktur ekonomi. Langkah
pengujian:
1. Lakukan estimasi model awal
2. Dari tampilan equation,
VIEW
RESIDUAL TESTS
ARCH LM TEST
1 (Pada kotak dialog lag to include isikan lag residual yang
diinginkan)
OK
Muncul tampilan uji ARCH sebagai berikut:
109
Gambar 5.11 Tampilan untuk uji ARCH
2 (df=1, =5%) = 3,84 > obs*R2  tidak ada heteroskedastisitas.
E. Uji Multikolinieritas
Untuk menguji ada tidaknya masalah multikolinieritas dalam suatu model

empirik setidaknya dapat dilakukan dengan dua cara, yaitu dengan menggunakan
korelasi parsial dan dengan pendekatan Koutsoyiannis (1977).
1. Pendekatan Korelasi Parsial
Pendekatan ini disarankan oleh Farrar dan Gruber (1967). Langkah-

langkah untuk menerapkan metode ini:
1. Lakukan estimasi regresi awal.
QUICK
ESTIMATE EQUATION
Y C X2 X3 X4
OK
Didapat hasil estimasi:
110
Gambar 5.12 Hasil estimasi persamaan awal dengan R 2 = 0,98
R2 dinamakan R2a (R2 regresi asal)
2. Lakukan regresi antar variabel bebas

(1) QUICK
ESTIMATE EQUATION
X2 C X3 X4
OK
Gambar 5.13 Hasil estimasi regresi parsial dengan R2 = 0,67
111
(2) QUICK
ESTIMATE EQUATION
X3 C X2 X4
OK
Gambar 5.14 Hasil estimasi regresi parsial dengan R 2 = 0,60
(3) QUICK
ESTIMATE EQUATION
X4 C X2 X3)
OK
Gambar 5.15 Hasil estimasi regresi parsial dengan R2 = 0,53
112
3. Pedoman yang digunakan, jika nilai R2a lebih tinggi dari nilai R2 pada regresi
antar variabel bebas, maka dalam model empirik tidak terdapat adanya
multikolinieritas, dan sebaliknya.
2. Pendekatan Koutsoyiannis
Metode yang dikembangkan oleh Koutsoyiannis (1977) menggunakan

coba-coba dalam memasukkan variabel bebas. Dari hasil coba-coba tersebut,
selanjutnya akan diklasifikasi dalam 3 macam:
3. suatu variabel bebas dikatakan berguna
4. suatu variabel bebas dikatakan tidak berguna
5. suatu variabel bebas dikatakan merusak
Langkah-langkah:
1. Lakukan regresi terhada persamaan awal
Gambar 5.16 Hasil estimasi persamaan awal dengan R 2 = 0,98
2. Lakukan regresi terhadap masing-masing variabel bebas

Estimate Y C X2
113
Gambar 5.17 Hasil estimasi regresi parsial Y=f(X2) dengan R 2 = 0.96
Estimate Y C X3
Gambar 5.18 Hasil estimasi regresi parsial Y=f(X3) dengan R 2 = 0,21

Estimate Y C X4
Gambar 5.19 Hasil estimasi regresi parsial Y=f(X4) dengan R2 = 0,21
3. Nilai R2 pada regresi dengan tiga variabel bebas memberikan nilai R 2 yang
lebih tinggi dibanding R2 pada regresi dengan masing-masing variabel bebas.
114
Hal ini menunjukkan bahwa ketiga variabel memang layak/berguna untuk

dimasukkan ke dalam model.
115
BAB VI
LOGIT DAN PROBIT
Dalam analisis ekonomi kita mengenal adanya permasalahan dalam

memilih suatu keputusan, dimana variabel tersebut merupakan variabel
kualitatif (dikotomi) yang hanya mempunyai 2 nilai yaitu 1 jika memilih
keputusan itu 0 jika tidak memilih. Contohnya adalah :
a. Di bidang ekonomi mikro
 Keputusan untuk melakukan merger atau tidak
 Keputusan untuk terus berproduksi atau tidak
 Keputusan untuk mengerjakan sendiri lahannya atau menyewakannya
b. Di bidang ekonomi makro
 Keputusan untuk melakukan kebijakan devaluasi atau tidak
 Keputusan untuk menerapkan tax holiday atau tidak
 Keputusan untuk mengurangi subsidi BBM atau tidak
Dalam ekonometrik bentuk model yang digunakan untuk menaksir
parameter-parameter dari regresi linear yang variabel dependennya bersifat
kualitatif, ada 3 yaitu :
1. LPM (Linear Probability Model)
2. Logit Model
3. Probit Model
Model LPM, misalnya Yi =  + Xi + ei
Dimana Yi = 1 untuk petani yang mempunyai tanah
Yi = 0 untuk petani yang tidak mempunyai tanah
Xi = pendapatan petani ($1000)
Mempunyai beberapa masalah, seperti ketidaknormalan, heteroskedastisitas,
kemungkinan Ŷi berada diluar antara 0 dan 1, serta pada umumnya nilai R 2 lebih
rendah. Tetapi hal tersebut dapat diatasi dengan menambah sampel untuk
116
meminimalkan masalah non-normality, menggunakan weighted least square

(WLS) untuk memecahkan masalah heteroskedastisitas dan menggunakan
restricted least square atau mathematical programing techniques agar
probabilitas berada diantara 0 dan 1.
Masalah yang fundamental pada LPM adalah model tersebut tidak logis
dimana nilai marginalnya konstan.
Misal, Ŷ = 1,96+0,10Xi
Jika pendapatan bertambah 1 unit ($1000) maka probabilitas meningkat 0,10.
jika pendapatan bertambah 22 unit ($22000) maka probabilitas meningkat
menjadi 2,2. hal ini tidak realistis dimana nilai probabilitas seharusnya berada
diantara 0 dan 1.
Jadi hubungan antara Xi dan Ŷ’ (prob) sebaiknya adalah non linier. Dan
meskipun sudah menggunakan WLS namun model LPM masih memberi nilai
probabilitas kurang dari 0 atau lebih dari 1, maka untuk model itu model
alternatif ditawarkan adalah logit dan probit.
I. LOGIT
Analisis estimasi dengan regresi logit bisa digunakan untuk menganalisis

data kualitatif yang mencerminkan pilihan antara dua alternatif. Model logit
adalah suatu cara untuk mengkuantitatifkan hubungan antara probabilitas dua
pilihan dengan beberapa karakteristik yang dipilih. Suatu probabilitas merupakan
angka satu dan nol. Model logit melakukan hal ini dengan menggunakan bentuk
fungsional sebagai berikut (Gujarati, 2003:595):
1
Pi  E (Y  1 X i )   ( 1   2 X i )
(1)
1 e
untuk mempermudah eksposisi, dapat dituliskan sebagai
1 ez
Pi   (2)
1  e Zi 1  e z
117
di mana Zi = 1 + 2 Xi.
Persamaan (2) diatas disebut sebagai fungsi distribusi logistik kumulatif
(cumulatif logistic distributin function). P(X) merupakan distribusi normal
kumulatif, yaitu bahwa P(X) merupakan probabilitas suatu variabel random
dengan distribusi normal, rata-rata nol, dan unit varians tidak melebihi X.
Model logit membuat probabilitas tergantung dari variabel-variabel yang
diobservasi, yaitu variabel bebas Xi. Variabel-variabel bebas tersebut dikalikan
dengan koefisien parameter dari variabel Xi, yaitu bi. Tujuan estimasi dengan
model logit ini adalah untuk menemukan nilai terbaik bagi masing-masing
koefisien. Bila koefisien suatu variabel ternyata positif berarti semakin tinggi nilai
variabel tersebut berkaitan dengan semakin rendahnya probabilitas bahwa Y = 0;
dengan kata lain, semakin tinggi nilai suatu variabel berarti semakin tinggi
probabilitas Y = 1.
Analisis logit digunakan untuk menganalisis data kualitatif yang
mencerminkan pilihan diantara dua alternatif. Secara umum model logit dapat
dinyatakan dalam persamaan sebagai berikut (Gujarati, 2003: 596):
 P 
L i  ln i   Z i
 1  Pi  (3)
 1   2 X i
di mana Pi/(1-Pi) adalah odds ratio dan L adalah log dari odds ratio, L disebut
dengan logit, sehingga model dalam persamaan (3) disebut dengan model logit.
Ciri utama model logit adalah (Gujarati, 2003:596):
1) karena P berada di antara 0 dan 1, nilai lgit tidak terbatas (antara -  hingga
).
2) Meski L linier dalam X, tapi probabilitasnya tidak linier.
3) Koefisien bi mengukur seberapa jauh perubahan L akibat perubahan X
sebesar satu unit.
Dengan ciri seperti di atas, maka metode estimasi model logit menggunakan
metode estimasi maximum likelihood (MLE). Metode estimasi maximum
118
likelihood dari suatu vektor parameter bernilai 1 adalah vektor tertentu 1MLE
yang memberikan probabilitas terbesar dalam memperoleh data. Koefisien
estimasi dengan cara ini memiliki ciri-ciri asimtotik fungsi distribusi kumulatif
seperti huruf “S”, yaitu tidak bias, konsisten, efisien, dan berdistribusi normal.
Berikut contoh dari penggunaan model LOGIT

Contoh 1
Model logit secara umum:
 Pi 
Li  Ln    0  1 X i  ui
 1  Pi 
Jika Pi = 1 , untuk petani yang memiliki tanah, dan
Pi = 0, untuk petani yang tidak memiliki tanaha, maka
1 0
Jika menggunakan metode OLS nilai Ln  dan Ln  kurang berarti (missing),
0 1
maka untuk itu datanya menggunakan fungsi distribusi kumulaaatif, dimana
jumlah petani yang mempunyai tanah pada berbagai tingkat pendapatan
dikelompokkan.
Tabel 6.1
Obs Xi Ni Mi Pi=Mi/Ni 1-Pi Li=Log(Pi/1-Pi)
1 6 40 8 0,200000 0,800000 -1,386249
2 8 50 12 0,240000 0,760000 -1,152680
3 10 60 18 0,300000 0,700000 -0,847298
4 13 80 28 0,350000 0,650000 -0,619039
5 15 100 45 0,450000 0,550000 -0,200671
6 20 70 36 0,514286 0,485714 0,057158
7 25 65 39 0,600000 0,400000 0,405465
8 30 50 33 0,660000 0,340000 0,663294
9 35 40 30 0,750000 0,250000 1,098612
10 40 25 20 0,800000 0,200000 1,386294
119
Dimana Xi = pendapatan petani ($1000)

Ni = petani yang mempunyai pendapatan Xi
Mi = petani yang mempunyai pendapatan Xi dan memiliki tanah
Pi = probabilitas relatif
Ln merupakan bentuk logaritma dengan basis 10, tetapi selain itu dapat
juga menggunakan logaritma dengan basis e = 2,718281828
Demi menghindari situasi heteroskedastisitas maka model
ditransformasikan ke dalam bentuk WLS yaitu :
Liwi = owi + iXiwi + uiwi
Di mana wi = NiPi(1-Pi)
Jadi dengan menggunakan probabilitas relatif, maka prosedur OLS dapat
diterapkan yaitu dengan meregres Li dengan Xi atau dengan meregres Liwi dengan
Xiwi
EViews sudah menyediakan prosedur untuk model logit, sehingga tidak
perlu dikelompokkan, cukup meregres variabel dependen yang mempunyai nilai
0 dan 1 dengan variabel independennya.
Contoh 2.
Misal, Y = f (X1,X2)
Dimana Y = 1, jika keputusannya memilih program A, dan Y = 0, jika lainnya
X1 = nilai qualitative GRE aptitude test
X2 = nilai verbal GRE aptitude test
120
Tabel 6.2
Obs Y X1 X2
1 1 760 550
2 0 600 350
3 0 720 320
4 1 710 630
5 0 530 430
6 0 650 570
7 1 800 500
8 1 650 680
9 0 520 660
10 0 800 250
11 0 670 480
12 1 670 520
13 1 780 710
A. Cara pengoperasian estimasi regresi LOGIT:
 Masukkan data pada jenis UNDATED or IRREGULAR
 Klik PROCS, MAKE EQUATION
121
 Tulis rumus regresinya yaitu Y C X1 X2

 OK
 Pilih LOGIT pada estimation setting,

 OK.
 Di layar akan tampil hasilnya.
122
Gambar 6.2 Hasil Estimasi Regresi LOGIT

Variable Mean All Mean D=1 Mean D=0
C 1,000000 1,000000 1,000000
X1 681,5385 728,3333 641,4286
X2 511,5385 598,3333 437,1429
Jika ingin melihat persamaannya, klik

VIEW, pilih REPRESENTATION. Di layar akan tampil:
123
Li = Ln(Pi/1-Pi)
Anti Ln Li = Pi/(1-Pi)
Pi = anti Ln Li/(1 + anti Ln Li)
Jadi pada kasus ini Pi = anti Ln Y calculated/(1-anti Ln Y calculated)
X1 Anti Ln Li Pi Pi 1Pi(1-Pi)
520 4.97E-17 4.97E-17 4.15E-18
530 1.14E-16 1.14E-16 9.54E-18
600 3.92E-14 3.92E-14 3.27E-15
650 2.54E-12 2.54E-12 2.12E-13
670 1.34E-11 1.34E-11 1.12E-12
710 3.78E-10 3.78E-10 3.15E-11
720 8.69E-10 8.69E-10 7.25E-11
760 2.44E-08 2.44E-08 2.04E-09
780 1.29E-07 1.29E-07 1.08E-08
800 6.86E-07 6.86E-07 5.72E-08
X2 Anti Ln Li Pi Pi 2Pi(1-Pi)
250 9.05E-31 9.05E-31 4.24E-32
320 2.41E-29 2.41E-29 1.13E-30
350 9.84E-29 9.84E-29 4.61E-30
430 4.19E-27 4.19E-27 1.96E-28
480 4.37E-26 4.37E-26 2.05E-27
500 1.12E-25 1.12E-25 5.23E-27
520 2.85E-25 2.85E-25 1.34E-26
550 1.16E-24 1.16E-24 5.46E-26
124
570 2.97E-24 2.97E-24 1.39E-25

630 4.95E-23 4.95E-23 2.32E-24
660 2.02E-22 2.02E-22 9.49E-24
680 5.17E-22 5.17E-22 2.42E-23
710 2.11E-21 2.11E-21 9.89E-23
Li = c + BiXi
B. Interpretasi
Ada perbedaan interpretasi yang digunakan untuk persamaan regresi
dengan model LOGIT dibandingkan dengan model regresi linier biasa (OLS).
Perbedaannya ialah, dalam menginterpretasikan koefisien persamaan regresi
dengan model LOGIT, kita harus mentransformasikan koefisien LOGIT kembali
kedalam Odds –Ratio, yang mengukur besarnya efek dari perubahan variabel
independen terhadap variabel dependen. Caranya adalah dengan mencari
antilog dari koefisien estimasi, menguranginya dengan 1, kemudian
mengalikannya dengan 100, maka kita akan mendapatkan persentase perubahan
dalam odds dari setiap kenaikan satu unit dari variabel regresor (independen)
(Gujarati, 1995, p: 559). Cara lain untuk menginterpretasikan koefifien regresi
LOGIT adalah dengan cara mencari log natural e terhadap eksponen yang sama
dari logit, dan kesamaan odds-ratio.
Pada nilai quantitative = 780 probabilitas keputusan untuk memilih
program A adalah 1.29 x 10-7 atau 0.0000129%. Karena Li linier terhadap X
sedangkan probabilitasnya tidak maka dengan menggunakan calculus di dapat
p / x  Pi (1  P1 ), maka pada x = tingkat 780, probabilitas 0.0000129%,
Pi (1  P1 ) sebesar 0.00000108. artinya pada tingkat nilai quantitative 780 maka
probabililtas keputusan untuk memilih program A meningkat sekitar

0.00000108% per satu satuan kenaikan nilai tersebut.
125
Pada nilai quantitative = 800 probabilitasnya keputusan untuk memilih program

A adalah 6.86 x 10-7 atau 0.0000686%, dan Pi (1  P1 ) sebear 0.0000000572.
artinya pada tingkat nilai quantitative 780 maka probabilitas keputusan untuk
memilih program A meningkat sekitar 0.0000000572 per satu satuan kenaikan
nilai quantitative.
Jadi pada model ini kenaikan/perubahan probabilitas keputusan untuk
memilih program A berbeda pada tingkat nilai yang juga berbeda. Begitu pula
dengan variabel X2 (nilai ujian verbal).
C. Uji t
Uji t pada model ini sama halnya dengan uji t pada regresi, yaitu
berdasarkan nilai t hitung yang dibandingkan dengan t tabel atau berdasarkan
probabilitasnya.
Pada contoh do atas probabilitasnya lebih besar dari 15%, jadi baik X 1 dan
X2 tidak signifikan pada tingkat 15%.
D. Uji F
Uji F ini mengikuti distribusi chi-square pada derajat k-1. jika F hit> chi-
square tabel, maka secara bersama-sama semua koefisien regresi tersebut
signifikan. Dan sebaliknya, jika F hit < chi-square tabel, maka secara bersama-
sama semua koefisien regresi tersebut secara statistik tidak signifikan.
F
ESS /(k  1)

 ( Pi  Y ) /(k  1)
2
RSS /(n  k )  (Y  Pi) /(n  k )

2
Untuk memperoleh nilai ESS, RSS, dan TSS adalah sebagai berikut :
 Melalui fungsi generate, cari nilai Y estimasi dengan rumus seperti pada
persamaannya, yaitu Yi = -80.900434 + (0.083384947*X1) +
(0.046890581*X2), lalau di anti Ln dan di cari probabilitasnya.
126
 Hitung ESS, RSS, dan TSS dengan fungsi kuadrat, yaitu (misal) ESS = (P1-Y)^2
 Cari masing-masing jumlah ESS, RSS, dan TSS dengan fungsi @sum(X), yaitu
@sum(ESS),@sum(RSS).@sum(TSS)
2.604372 /(3  1) 1.3021860
Pada contoh diatas nilai F   18.6008 ,
0.700007 /(13  3) 0.0700007
sedangkan nilai F tabel = 4.10 = 5.991 pada tingkat 5%. Jadi secara statistik
semua koefisien regresi itu signifikan.
E. Uji R2
Untuk unteprestasi nilai R2, sama dengan intepretasi pada regresi biasa
R2  1 
RSS
 1
 (Y  Pi)2  1  0.70007  0.88
TSS  (Y  Y )2 3.130773
jadi 88% variasi variabel dapat dijelaskan oleh variasi variabel X, sedang sisanya
tidak dapat dijelaskan.
Pada model Logit yang menggunakan prosedur OLS intepretasi
disesuaikan dengan hasil dari regresi OLS tersebut.
II. PROBIT
Model ini didasarkan atas asumsi bahwa dependent variabel yang diteliti
mengikuti fungsi distribusi kumulatif yang berbentuk normal (normal cumulatif
distribution function)
Dalam contoh kepemilikan tanah oleh petani, diatas dapat dibuat
anggapan bahwa pengambilan keputusan suatu keluarga petani mengernai
pemilikan tanah tergantung pada suatu indek kegunaan yang tidak dapat
diobservasi (unobservable utililty index) yang dinyatakan dengan simbol Ii dimana
indek itu ditentukan oleh variabel-variabel bebas.
I i  o   1 X i
127
Indek kegunaan tersebut mempunyai ambang batas (threshold), sebut saja Ii*
dimana jika Ii, lebih tinggi dari pada Ii* maka petani tersebut akan memutuskan
memiliki tanah. Sebaliknya jika Ii lebih rendah dari pada Ii* maka petani tersebut
memutuskan tidak memiliki tanah.
Probabilitas bahwa Ii* lebih kecil atau sama dengan Ii, atas dasar asumsi
standarized normal cumulative distribution function yang diformulasikan sebagai
berikut:
1 t 2
Pi  Pr( Ii*  Ii)  F ( Ii)  e 2
dt
2
1 t 2
  o  iXi e 2
dt
2
dimana t adalah standardized variabel

indek kegunaan Ii diperoleh dengan rumus Ii=F-1(pi)
Dengan diketahuinya Pi maka Ii dapat diperoleh dari tabel cumulatif
normal distribution. Karena Ii akan memperoleh nilai negatif jika Pi lebih kecila
dari 0,5 maka telah disepakati untuk menambah nilai 5 pada nilai Ii (nilai Ii yang
diperoleh dari tabel disebut normal equivalent deviate (n.e.d) atau normit).
Sedangkan jika Ii + 5 = probit. Jadi model regresi probit model yang ditaksir
adalah :
Probit =  0  1 X i  ui
Cara mencari Ii dari tabel adalah :

 Cari nilai Pi (probabilitas)
 Lihat tabel cumulative normal distribution
x 0.02 0.04
2
128
1
0.1 Pi 0.5557
0.8 0.7995
Misal Pi>0.5 yaitu 0.8, Pi yang dekat dengan 0.8 adalah 0.7995. pada tabel
lihat deret horizon paling kiri pada kolom x (nilainya adalah 0.8), lalu lihat
deret vertikal paling atas pada baris x (nilainya : 0.04). Jadi nilai Ii pada Pi =
0.7995 adalah 0.84.
Jika Pi<0.5 maka Pi yang dicari adalah 1 – 0.45 = 0.55. Nilai yang dekat
dengan 0.55 adalah 0.557. Ii yang diperoleh dari table adalah 0.12. Karena Pi
< 0.5 bernilai negatif, maka Ii tersebut menjadi –0.12. Ii juga dapat diperoleh
dari fungsi generate, yaitu @CNORM(X).
Jadi nilai Ii sudah diperoleh maka prosedur OLS dapat diterapkan yaitu
dengan meregres Xi dengan n.e.d, atau dengan probit.
Misalnya:
 Hasil regresi n.e.d dengan Xi di dapat Ii^ = -1.0088 + 0.0481 Xi
Jika X meningkat 1 saaaatuan, maka rata-rata Ii^ meningkat 0.0481 saaatuan.
Pada X = 600 maka Ii^ = -0.7202. Dengan table Z diperoleh probabilitas
sebesar 0.2389. Jadi pada tingkat pendapatan sama dengan 6 ($6000) maka
probabilitass untuk memilih memiliki tanah sebesar 0.24 atau 24%.
 Hasil regresi probit deengan Xi di dapat Zi = 3.9911 + 0.0481 Xi
Pada saat X = 6 maka Zi = 4.2797. Untuk mencari probabilitasnya maka
4.2797 – 5 = -0.7203, dan dengan table Z diperoleh nilai 0.2389.
A. Cara Pengoperasian Regresi PROBIT
129
Lain halnya, jika tidak menggunakan prosedur OLS, misalnya untuk data
pemilihan keputusan dalam memilih program A. Data yang sudah ada langsung di
regres dengan pilihan estimation setting pada probit, hasil regressi probitnya
adalah :
Gambar 6.3 Hasil Estimasi Regresi PROBIT
Variable Mean All Mean D=1 Mean D=0

C 1,000000 1,000000 1,000000
X1 681,5385 728,3333 641,4286
X2 511,5385 598,3333 437,1429
REPRESENTASINYA:
130
I1 I2 P2 P1
-10.06102 -30.51900 0.000000 4.17E-23
-17.44408 -35.83229 0.000000 0.000000
-11.90678 -36.62929 0.000000 6.54E-32
-12.36822 -28.39368 0.000000 2.42E-34
-20.67417 -33.70698 0.000000 0.000000
-15.13687 -29.98767 0.000000 0.000000
-8.215250 -31.84732 0.000000 8.82E-16
-15.13687 -27.06536 0.000000 0.000000
-21.13561 -27.59669 0.000000 0.000000
-8.215250 -38.48894 0.000000 8.82E-16
-14.21399 -32.37865 0.000000 0.000000
-14.21399 -31.31599 0.000000 0.000000
-9.138133 -26.26837 0.000000 2.94E-19
B. Intepretasi
Jika X1 meningkat 1 score maka rata-rata I1 meningkat 0.046144. pada X1=780, Ii
sebesar –9.138133, dan berdasarkan table Z atau dengan menggunakan fungsi
@DNORM(x) didapat probabilitas sebesar 2.94 X10 -19. analog untuk X2
Untuk uji t, uji F, dan R2 sama halnya dengan model Logit
131
Latihan
Obs YESVM LINC PTCON YEARS Obs YESVM LINC PTCON YEARS
1 1 9.77 6.7452 35 39 1 10.021 7.0475 2
2 1 10.463 7.2793 3 40 0 10.82 7.2793 5
3 1 10.463 6.7452 16 41 0 9.4335 6.7452 18
4 0 9.77 7.0435 7 42 1 9.77 5.9915 20
5 1 9.77 6.7452 5 43 0 8.9227 6.3969 14
6 0 9.77 7.0475 11 44 0 9.4335 7.4955 3
7 0 10.222 6.7452 3 45 0 9.4355 6.7452 17
8 1 10 7.0475 2 46 0 10.021 7.0475 2
9 1 21 6.7452 2 47 1 10.021 7.0475 3
10 0 9.4335 6.7452 2 48 1 10.021 7.0475 2
11 0 8.294 7.0475 2 49 1 10.222 7.0475 5
12 1 10.463 7.0475 4 50 1 9.77 7.0475 35
13 1 10.021 7.0475 2 51 0 10.021 7.2793 10
14 0 10.222 7.2793 3 52 1 9.77 7.0475 8
15 1 10.222 7.0475 3 53 0 9.77 7.0475 12
16 1 10.222 7.4955 2 54 1 10.222 6.7452 7
17 0 10.021 7.0475 10 55 1 10.463 6.7452 3
18 1 10.222 7.0475 2 56 0 10.222 6.7452 25
19 0 10.021 7.0475 2 57 1 9.77 6.7452 5
20 0 10.82 7.4955 3 58 1 10.222 7.0475 4
21 1 10.021 7.0475 3 59 1 10.021 7.2793 2
22 1 10.021 7.0475 3 60 1 10.463 6.7452 5
23 1 10.021 6.7452 6 61 0 9.77 7.0475 3
24 1 10.021 7.0475 2 62 1 10.82 7.4955 2
25 0 9.77 6.7452 26 63 0 8.9227 5.9915 6
26 0 10.222 7.4955 18 64 1 9.77 7.0475 3
27 0 9.77 6.7452 4 65 1 9.4335 6.3969 12
28 0 10.021 7.0475 6 66 1 9.77 6.7452 3
29 1 10.021 6.7452 12 67 1 10.021 7.0475 3
30 1 9.4335 6.7452 49 68 1 10.021 6.7452 3
31 1 10.463 7.2793 6 69 1 10.222 7.2793 3
32 0 9.77 7.0475 18 70 1 10.021 7.0475 3
33 1 10.021 7.0435 5
132
34 1 9.77 5.9915 6
35 0 9.4335 7.0435 2
36 1 9.77 6.3969 1
37 1 10.021 6.7452 3
38 0 10.463 7.0475 5
YESVM = F(LINC, PTCON, YEARS)
Dimana YESVM = 1 jika memutuskan untuk membeli tanah bangunan, dan 0 jika
sebaliknya
LINV = natural logaritma pendapatan rumah tangga
PTCON = natural logaritma pajak yang dibayar
YEARS = lamanya tinggal di komunitas tersebut.
Analisislah data diatas dengan menggunakan model LPM, Logit dan Probit, serta
bandingkan diantara ketiganya.
133
BAB VII
PEMBENTUKAN MODEL DINAMIS
I. PENDAHULUAN
Spesifikasi model dinamik merupakan satu hal yang penting dalam

pembentukkan model ekonomi. Sebagian besar analisis ekonomi berkaitan erat
dengan analisis runtun waktu (time series). Dalam analisis runtun waktu
hubungan antara perubahan suatu besaran ekonomi dan kebijakan ekonomi di
suatu saat dan pengaruhnya terhadap gejala dan perilaku ekonomi di saat yang
lain. Hubungan ini telah banyak dicoba dirumuskan dalam model linier dinamik
(MLD). Namun sampai saat ini belum terdapat kesepakatan mengenai model
dinamik mana yang paling cocok untuk suatu analisis ekonomi. Kelangkaan akan
adanya kesepakatan tersebut dikarenakan adanya banyak faktor yang
berpengaruh dalam pembentukan model itu. Antara lain pengaruh faktor
kelembagaan, peranan penguasa ekonomi dan pandangan pembuat model
mengenai gejala dan situasi ekonomi yang menjadi pusat perhatiannya.
Dalam perekonomian, ketergantungan variabel tak bebas terhadap
variabel bebas jarang terjadi secara seketika (instant), akan tetapi membutuhkan
kelambanan waktu (time lag). Terdapat tiga alasan pokok digunakan spesifikasi
MLD (Gujarati, 2003: 662-663; Thomas, 1997:313).
1. Alasan psikologikal (psychological reasons).

Karena adanya kebiasaan (inersia), individu tidak mengubah konsumsi-
nya seketika terjadi perubahan harga atau peningkatan pendapatan. Seseorang
yang menjadi miliyuner karena memenangkan lotere tidak akan mengubah gaya
hidupnya karena dia tidak mengetahui bagaimana bereaksi dengan keuntungan
yang tidak diharapkan (windfall gain) tersebut dengan segera. Sejalan dengan
134
waktu, dia akan mempelajari bagaimana hidup dengan keuntungan yang

diperolehnya tersebut. Di samping itu, masyarakat juga tidak mengetahui apakah
perubahan tersebut bersifat tetap atau sementara. Reaksi terhadap peningkatan
pendapatan tersebut tergantungan pada apakah peningkatan pendapatan
tersebut tetap atau sementara.
2. Alasan teknologi (technological reasons).

Misal harga modal relatif terhadap tenaga kerja turun sehingga subtitusi
modal untuk tenaga kerja merupakan hal yang fisibel. Tetapi tambahan modal
memerlukan waktu. Apabila penurunan harga diharapkan hanya terjadi
sementara, perusahaan tidak akan tergesa-gesa mensubstitusikan modal untuk
tenaga kerja, terutama bila perusahaan mengharapkan bahwa setelah
penurunan yang bersifat sementara, harga modal akan meningkat di atas tingkat
sebelumnya. Kadang-kadang pengetahuan tidak sempurna juga merupakan
penyebab kelambanan. Dewasa ini, pasar kalkulator saku elektronik dilimpahi
berbagai macam kalkulator dengan berbagai ciri perhitungan dan harga. Sejak
pertama diperkenalkan pada tahun 1960-an, harga kalkulator telah mengalami
penurunan dramatis. Akibatnya, calon konsumen ragu-ragu untuk membeli
sampai mereka memiliki waktu untuk mengetahui ciri-ciri dan harga dari semua
merek yang bersaing. Dengan demikian, calon konsumen ragu-ragu untuk
membeli karena adanya harapan penurunan harga atau inovasi yang berguna.
3. Alasan kelembagaan (institusional reasons).

Alasan ini juga memberikan sumbangan pada terjadinya kelambanan.
Misalnya, kewajiban kontraktual dapat mencegah perusahaan-perusahaan untuk
melakukan perubahan dari satu sumber tenaga kerja atau bahan mentah ke
sumber lain. Contoh lain misalnya, seseorang yang menanamkan dananya pada
rekening tabungan jangka panjang dengan tenggang waktu (duration) tetap
seperti 1 tahun, 3 tahun, atau 7 tahun sebenarnya berada dalam kondisi
terperangkap (locked in) meskipun kondisi-kondisi pasar finansial sedemikian
135
rupa sehingga hasil yang tinggi tersedia di mana-mana. Seorang pekerja sering
ditawari beberapa pilihan asuransi kesehatan, tetapi sekali pilihan dijatuhkan,
seorang pekerja tidak dapat beralih ke rencana asuransi lain selama paling tidak
1 tahun. Meskipun hal tersebut dilakukan untuk kepentingan administrasi yang
baik, pekerja tersebut berada dalam kondisi terperangkap paling tidak selama
satu tahun.
Berdasarkan alasan-alasan tersebut di atas, kelambanan memainkan

peranan penting dalam perekonomian. Hal ini jelas dicerminkan dalam
metodologi perekonomian jangka pendek dan jangka panjang. Oleh karena itu,
dapat dikatakan bahwa elastisitas harga atau elastisitas pendapatan jangka
pendek biasanya lebih kecil (dalam nilai mutlak) daripada elastisitas pendapatan
dalam jangka panjang atau bahwa kecenderungan marjinal untuk berkonsumsi
jangka pendek pada umumnya lebih kecil daripada kecenderungan marjinal
untuk berkonsumsi jangka panjang.
Pada dasarnya spesifikasi model linier dinamik (MLD) lebih ditekankan
pada struktur dinamis hubungan jangka pendek (short run) antara variabel tak
bebas dengan variabel bebas. Teori ekonomi tidak banyak bercerita tentang
model dinamik (jangka pendek), tetapi lebih memusatkan pada perilaku variabel
dalam keseimbangan atau dalam hubungan jangka panjang (Insukindro, 1996: 1).
Perilaku jangka panjang (long run) dari suatu model lebih penting, karena teori
ekonomi selalu berbicara dalam konteks tersebut dan juga karena hasil
pengujian teori akan selalu berfokus pada sifat jangka panjang.
Pada lain pihak, banyak pengamat atau peneliti sering terlena dan terbuai
dengan apa yang disebut dengan sindrom R2. Peneliti sering terkecoh oleh nilai
R2 yang begitu meyakinkan dan kurang tanggap terhadap uji diagnostik atau uji
terhadap asumsi klasik (terutama autokorelasi, heteroskedastisitas dam
linieritas) dari alat analisis yang sedang mereka pakai. R 2 yang tinggi hanyalah
salah satu kriteria dipilihnya suatu persamaan regresi. R 2 bukan merupakan
136
prasyarat untuk mengamati baik atau tidaknya perumusan suatu model.

Tingginya nilai R2 dari hasil regresi atau estimasi suatu model merupakan
warning bahwa hasil estimasi tersebut kemungkinan terkena regresi lancung
(spurious regression) (untuk kepustakaan lebih lanjut lihat Insukindro, 1991:76
dan Insukindro, 1998a:1-11).
Ada dua metode yang dapat digunakan untuk menghindari regresi
lancung (lihat Insukindro, 1991:75-87).
1. Tanpa uji stasioneritas data, yaitu dengan membentuk model linier
dinamik, misal Model Penyesuaian Parsial (Partial Adjustment Model =
PAM), Model Koreksi Kesalahan (Error Correction Model = ECM, Model
Cadangan Penyangga (Buffer Stock Model = BSM) atau Model Penyerap
Syok (Shock-Absorber Model = SAM), Model Koreksi Kesalahan dari
Insukindro (Insukindro-Error Correction Model = I-ECM). Penggunaan MLD
selain dapat terhindar dari regresi lancung juga bisa digunakan untuk
mengamati hubungan jangka panjang antar variabel seperti yang
diharapkan oleh teori yang terkait.
2. Dengan uji stasioneritas data atau menggunakan pendekatan kointegrasi
(cointegration approach). Pendekatan ini pada dasarnya merupakan uji
terhadap teori dan merupakan bagian penting dalam perumusan dan
estimasi MLD.
II. Penurunan Model Linier Dinamik
Ada dua hal penting yang perlu diperhatikan dalam kaitannya dengan
model dinamik, yaitu penurunan dan isu statistik model dinamik (Insukindro,
1993:118). Penurunan model dinamik dapat dilakukan dengan menggunakan dua
pendekatan. Pertama, pendekatan Autoregressive Distributed Lag (ADL), dan
kedua, pendekatan fungsi biaya kuadrat (Quadratic Cost Function) atau sering
pula disebut dengan pendekatan teori ekonomi terhadap model dinamik.
137
Pendekatan ADL dilakukan dengan cara memasukkan variabel kelambanan ke

dalam model, sedangkan pada pendekatan fungsi biaya kuadrat dianggap bahwa
dalam model terjadi ketidak seimbangan (disequilibrium) sehingga timbul biaya
yang terdiri dari biaya ketidakseimbangan (disequilibrium cost) dan biaya
penyesuaian (adjustment cost). Fungsi biaya kuadrat tersebut terdiri dari fungsi
biaya kuadrat tunggal dan fungsi biaya kuadrat majemuk.
Dalam kaitannya dengan fungsi biaya kuadrat tersebut, Domowitz dan
Elbadawi (1987) memandang bahwa fungsi biaya kuadrat tunggal merupakan
fungsi biaya yang paling cocok dibandingkan dengan fungsi biaya kuadrat
majemuk untuk menggambarkan masalah-masalah yang dihadapi oleh negara-
negara sedang berkembang. Fungsi biaya kuadrat majemuk mengganggap bahwa
dalam suatu ‘dunia’ yang sepenuhnya rasional, perilaku individu pada umumnya
diasumsikan didasarkan pada suatu jumlah infinite discounted tertentu dari suatu
nilai fungsi biaya yang diperkirakannya. Sehingga individu tersebut
membutuhkan seluruh informasi yang tersedia guna memperkirakan kondisi
masa datang. Oleh karena itu, fungsi biaya kuadrat majemuk kurang cocok untuk
diterapkan di negara-negara sedang berkembang. Hal ini berangkat dari
kenyataan yang ada di negara-negara sedang berkembang yang penuh dengan
ketidakpastian dan ketidakstabilan. Ketidakstabilan politik, misalnya, akan
menghambat adanya investasi dalam jangka panjang. Kondisi ini akan
mendorong agen ekonomi untuk memegang uang untuk tujuan berjaga-jaga
dalam jumlah uang lebih besar. Di samping itu, faktor kelembagaan keuangan
masih relatif baru dan belum terorganisasikan dengan baik serta informasi
mengenai kegiatan di bidang ekonomi moneter relatif belum tersedia atau tidak
mudah diperoleh. Ini memberikan indikasi bahwa aktiva keuangan (financial
assets) belum merupakan substitusi yang baik bagi uang. Akibat semua itu, dapat
menyebabkan munculnya biaya ketidakseimbangan dan biaya penyesuaian (lihat
misalnya Insukindro, 1993:122). Domowitz dan Elbadawi mengemuka-kan bahwa
hal tersebut mendorong anggapan bahwa fungsi biaya kuadrat tunggal akan
138
lebih cocok untuk menggambarkan keadaan nyata yang dihadapi oleh negara-
negara sedang berkembang.
Fungsi biaya kuadrat tunggal banyak digunakan dalam model ekonomi,
terutama studi-studi yang berhubungan dengan pendekatan PAM, ECM dan I-
ECM. Secara umum, fungsi biaya ini dapat ditulis sebagai berikut (lihat misalnya
Insukindro, 1990: 89-91):
(7.1) Ctb = b1 (UKRt – UKRt*)2 + b2 {(1-B) UKRt}2
Komponen biaya Komponen

ketidakseimbangan biaya penyesuaian
di mana UKRt merupakan variabel aktual, UKRt* merupakan variabel yang

diinginkan dan B adalah operasi kelambanan waktu (backward). Fungsi biaya di
atas terdiri atas dua komponen, yaitu biaya ketidakseimbangan dan biaya
penyesuaian. Parameter b1 dan b2 adalah bobot yang diberikan pelaku ekonomi
atas kedua fungsi biaya tersebut. Jika dikaitkan dengan permintaan uang kartal,
UKRt* merupakan jumlah uang kartal yang diinginkan dan UKR t merupakan
jumlah uang kartal yang aktual.
Meminimisasi fungsi biaya pada persamaan (7.1) terhadap UKR t atau
Ctb UKRt  0 , maka akan diperoleh persamaan berikut:
(7.2) UKRt = b UKRt* + (1-b) BUKRt
dan 1  b  
b1 b2
di mana b 
b1  b2 b1  b2
Persamaan (7.2) dapat diestimasi dengan metode kuadrat terkecil atau OLS,
tergantung pada formulasi model permintaan uang yang diinginkan yang
biasanya merupakan fungsi dari himpunan variabel yang dapat diobservasi,
seperti tingkat pendapatan nasional, tingkat suku bunga (dalam negeri dan luar
negeri) atau tingkat inflasi.
139
III. MODEL DINAMIK TANPA UJI STASIONERITAS DATA

A. MODEL PENYESUAIAN PARSIAL (Partial Adjusment Model/PAM)
Bentuk regresi linear biasanya tidak memperhatikan pengaruh variabel

waktu pada variabel independen terhadap variabel dependen. Perubahan dalam
variabel independen seringkali disebabkan oleh perubahan variabel dependen
selama periode yang sama. Tetapi dalam ekonomi, spesifikasi seperti ini jarang
sekali ditemukan. Dalam masalah ekonomi, produksi sering disebabkan oleh
waktu yang lalu, nilai pada masa yang lalu inilah yang disebut dengan lag.
Terdapat beberapa alasan, mengapa lag tersebut ada dalam suatu sistem,
khususnya waktu lag antara perubahan variabel independen dengan perubahan
variabel dependen. Alasan tersebut antara lain :
Alasan teknologi. Misalnya dalam perubahan harga modal terhadap tenaga kerja
relatif menurun, yang menyebabkam subtitusi modal dengan tenaga kerja.
Akan tetapi perubahan tersebut memerlukan waktu, apalagi jika perubahan
tersebut hanya bersifat sementara. Maka perusahaan mungkin tidak
tergesa-gesa untuk menggantikan modal dengan tenaga kerja.
Alasan kelembagaan. Misalnya dalam kewajiban dalam bentuk kontrak mungkin
mencegah perusahaan mengganti satu sumber tenaga kerja atau bahan
mentah lainnya.
Alasan psikologis. Tingkah laku sering didasarkan pada kebiasaan. Seorang
konsumen tidak merubah kebiasaan konsumsinya dengan segera bila harga
turun atau pendapatan meningkat. Perubahan konsumsi adalah proses yang
lambat yang tergantung pada apakah perubahan harga/pendapatan tersebut
permanen atau sementara.
140
1. Pendekatan Koyck Untuk Model Lag Yang Didistribsikan
Dalam model lag yang didistribusikan, estimasi dengan proses OLS tidak
dapat dilakukan karena ada dua masalah yaitu :
1. Jumlah lag sangat panjang dan ukuran sampel kecil, sehingga parameter
tidak dapat diestimasi. Dengan setiap penambahan nilai lag pada
variabel, satu observasi akan turun dan menyebabkan penurunan tingkat
signifikansi (degrees of freedom)
2. Adanya multikolinearitas, karena adanya kemungkinan korelasi yang kuat
antara variabel – variabel yang sama yang saling berubah.
Karena alasan ini Koyck mengasumsikan bahwa koefisien  menurun secara

kontinyu dengan pola geometris. Persamaan umum model lag yang
didistribusikan :
(7.3) Yt  o  oX t   I X t  I   2 X t  2  ...  U t
model Koyck dengan lag satu periode dan mengalikan dengan , diperoleh :
(7.4)
 
Yt 1  o  o X t 1  2 o X t  2  ...  U t
Yt  Yt 1  o(1   )  oX t  (U t  U t 1 )
sehingga persamaan Koyck untuk model lag yang didistribusikan adalah :

(7.5) Yt = o(1-) + oXt + Yt-1
Dimana vt = (Ut –  Ut-1)
3. Model Penyesuaian Parsial Oleh Nerlove
Model ini nilai yang diinginkan atau optimal dari variabel dependen (Yt)
dihubungkan dengan nilai variabel independen dalam periode waktu tertentu.
Fungsi konsumsi model ini dapat dituliskan sebagai berikut :
(7.6) Ct* = o + 1Yt + Ut
141
Dimana Yt = tingkat pendapatan konsumen

Ct = tingkat pengeluaran konsumen yang diinginkan/optimal.
Nilai Ct* tidak dapat diamati. Karena perubahan pendapatan (Yt) tidak
mempengaruhi dengan cepat tingkat pengeluaran konsumsinya. Lag akan
nampak karena alasan teknologi dan kelembagaan yang telah dijelaskan
sebelumnya sehingga persamaan diatas akan berubah menjadi :
(7.7) Ct – Ct-1= t (Ct* - C t-1) Ut, 0<<1
Dimana : Ct – Ct-1 = perubahan pengeluaran konsumsi sebenarnya
Ct* - C t-1 = perubahan pengeluaran konsumsi yang diinginkan
 = koefisien penyesuaian
dengan subtitusi kedua persamaan di atas diperoleh :
(7.8) Ct – Ct-1= (o + 1Yt)+Ut
(7.9) Ct = (o + 1)Yt) + Ut + Ct-1 + Ut
Model di atas disebut dengan model penyesuaian parsial.
4. Model Harapan Adaptif Oleh Cagan
Model ini didasarkan bahwa tingkat pengeluaran konsumsi (Ct) tergantung

pada tingkat pendapatan permanen atau yang diharapkan (Yt*). Harapan jarang
sekali secara penuh dapat dicapai. Biasanya harapan tersebut dipenuhi antara
penerimaan sebenarnya dengan yang diharapkan. Sehingga model ini tergantung
dari  (koefisien harapan), yaitu perbedaan antara penerimaan sebenarnya
(aktual) dengan penerimaan yang diharapkan.
Bentuk persamaan yang umum : Ct =  + Yt + Ut
Dengan hipotesis harapan adaptif : Yt* – Ct-1* = (Yt -Yt-1*)
 1 1
(7.10) Yt*    Ct  U
  
dan
142
 1 1
(7.11) Yt 1 *    C t 1  U t 1
  
dengan substitusi hipotesis harapan adaptif, diperoleh :
  1 1    1 1 
   Ct  Ut      C t 1  U t i 
         
   1 
(7.12)   Yt    U t 1 
    
Atau C t  ( )  ( )Yt  (1   )  U t  (1   )U t 1 
persamaan terakhir di atas adalah model harapan adaptif yang sederhana.
Contoh :
Data pada tabel 1 dibuat model PAM-nya adalah sebagai berikut :
RPDBt = o - 1SMPTt - 2SPPPt 3RX14RAPDNt + (1-)RPDBt-1
Regresi diatas dalam program ditulis :
LS RPDB C SPMT SPPP RX RAPDN RPDB (-1)
Hasil regresi model PAM dengan program EViews adalah sebagai berikut ;
Dependent Variable: RPDB

Date: 01/28/03 Time: 02:13
Sample(adjusted): 1968 1995
Included observations: 28 after adjusting endpoints
C 5.709209 1.845054 3.094332 0.0053
SPMT 0.068216 0.033134 2.058819 0.0515
SPPP -0.276045 0.171657 -1.608122 0.1221
RX 0.119421 0.032701 3.651854 0.0014
RAPDN 0.035097 0.015706 2.234650 0.0359
RPDB(-1) -0.018993 0.167982 -0.113066 0.9110
143
SPMT, SPPP, RX, RAPDN merupakan variable jangka pendek sedangkan

variable jangka panjang untuk variable diatass diperoleh daari :
 Koefisien regressi jangka panjang variable SPMT :
1/(1-) = 0.068216 / -0.018993 = -3.5916
 Koefisien regressi jangka panjang variable SPPP :
1/(1-) = -0.276045 / -0.018993 = 14.534
 Dst ……….
Catatan :
Untuk model dinamis di mana variable-variabel bebas mengandung
lagged dependent variable, uji Durbin-Watson tidak dapat digunakan untuk
menguji asumsi autokorelasi ini. Nerlove dan Wallis (1966) telah membuktikan
bahwa jika uji Durbin-Watson diaplikasikan pada model ini, maka D.W statistics
secara asymptotic akan bias mendekati nilai 2 (Sritua Arief, 1993: 15)
Untuk itu maka untuk menguji ada tidaknya masalah autokorelasi dalam
model PAM dan ECM digunakan Langrange multiplier test (Ramanathan, 1992;
442). Langrange multiplier test adalah berupa regresi atas semua variabel
independen dalam peramaan model regresi ECM di atas dan variabel lag-1 dari
nilai residual dari hasil regresi model ECM yaitu :
(7.13) Ut = o - 1SMPT - 2SPPP 3RX 4RAPDN+5 RPDB(-1)+6Ut-1+ vt
Dari model diatas akan didapat nilai R 2 (R-Squared) kemudian

dimasukkan dalam rumus sebagai berikut :
(-1)R2, dimana  adalah jumlah observasi.
Kemudian dilakukan pengujian dengan hipotesa sebagai berikut :
Ho ; p = 0, tidak ada masalah autokorelasi
Ho ; p  0, terdapat masalah autokorelasi
144
Jika (-1)R2 > X2 (0.05), berarti terdapat masalah autokorelai. Namun jika
sebaliknya maka ridak terjadi masalah autokorelasi.
B. ERROR CORRECTION MODEL (ECM)
Model runtun waktu disusun berdasarkan asumsi penting bahwa data

runtun waktu yang akan dianalisis dihasilkan oleh proses random atau stokastik.
Apabila karakteristik proses stokastik berubah sepanjang waktu, yaitu apabila
proses tersebut non stasioner, maka merupakan hal yang sukar untuk
membentuk model proses stokastik terebut melalui sebuah persamaan dengan
koefisien-koefisien tetap yang dapat diestimasi dari data-data lampau. Proses
stokastik akan lebih mudah dijelaskan jika karakteristik proses itu tidak berubah
sepanjang waktu. Dengan demikian stasioneritas merupakan karakteristik
penting dari proses stokastik (Pyndick dan Rubinfeld, 1976:435)
Sampai saat ini teori ekonometri berlandaskan asumsi bahwa data adalah
stasioner (Hendry, 1986:201 dalam Mudrajat Kuncoro, Artiatun Adji dan
Rimawan Pradityo, 1997:219). Data yang stasioner pada dasarnya tidak memiliki
variasi yang terlalu besar selama periode observasi dan memiliki kecenderungan
untuk mendekati nilai rata-ratanya (Granger, 1986: 214 dalam insukindro,
1994:129)
Untuk mengetahui apakah data runtun waktu yang digunakan stasioner
atau tidak, akan dilakukan uji akar-akar dan uji derajat integrasi. Data yang tidak
stasioner ditandai oleh R2, juga uji t yang relatif tinggi namun memiliki nilai
statistik durbin watson yang rendah, bahkan lebih rendah dari R 2. Ini
memberikan indikasi bahwa regresi yang dihasilkan lancung atau semrawut dan
dikenal dengan regresi lancung (Gujarati, 1995:724). Akibat yang ditimbulkan
oleh regresi lancung antara lain adalah koefisien regresi penaksir tidak efisien,
peramalan berdasarkan regresi tersebut akan meleset dan uji baku yang umum
untuk koefisien regresi penaksir tidak efisien, peramalan berdasarkan regresi
145
tersebut akan meleset jauh dan uji baku yang umum untuk koefisien regresi
terkait menjadi tidak sahih atau invalid.
Apabila variabel-variabel yang diamati memiliki derajat integrasi yang
sama, maka dapat dilakukan estimasi regresi kointegrasi. Regresi kointegrasi
ditaksir untuk menguji apakah residual regresi yang didhasilkan stasioner atau
tidak (Insukindro, 1994: 129). Apabila hasil uji residual regresi kointegrasinya
juga stasioner (berkointegrasi), maka model dinamis yang cocok adalah model
koreksi kesalahan (Kusumastuti, 1996: 283 dalam Mulyanto, 1993:3)
Teorema representasi granger (Granger Representation Theorem)
menekankan bahwa sistem yang berkointegrasi selalu memiliki mekanisme
koreksi kesalahan. Apabila variabel dependen dan independen berkointegrasi,
maka terdapat hubungan jangka panjang antar variabel-variabel tersebut. Lebih
lanjut, dinamika jangka pendek dapat dijelaskan dengan mekanisme koreksi
kesalahan. Sedangkan apabila mekanisme koreksi kesalahan merupakan model
yang shahih, maka variabel – variabel yang digunakan akan merupakan
himpunan variabel yang berkointegrasi, sebaliknya bila variabel – variabel yang
digunakan tidak bekointegrasi, maka rdsidual dari ECM tidak stasioner dan
spesifikasi dari model tidak akan shahih (Mudrajat Kuncoro, Artiatun Adji dan
Rimawan Pradityo, 1997:231) keterkaitan uji kointegrasi dengan ECM dapat
ditelusuri melalui uji statistik ECT yang signifikan secara statistik. Sebaliknya bila
koefisien ECT-nya tidak signifikan, hal ini menandakan bahwa spesifikasi model
yang diamati dengan metode ECM tidak shahih atau invalid (Insukindro,
1992:263-264)
ECM didasarkan pada asumsi bahwa pasar selalu berada dalam
ketidakseimbangan dan keinginan selalu tidak sama dengan yang terjadi. Kondisi
ini menyebabkan seseorang akan menanggung biaya yang berkaitan dengan
kondisi itu di mana biaya ini terdiri dari fungsi biaya kuadratik periode tunggal.
Fungsi kuadratik periode tunggal dapat ditulis sebagai berikut (Insukindro,
1992:263-264)
146

(7.14) C ta   1 Yt  Yt 1 
* 2
  2 1   Yt 
2
Di mana
Y1 = variabel aktual
Yt * = tingkat yang diharapkan
 = operasi kelambanan
Contoh :
Rumusan akhir ECM pada data tabel 1 adalah :
RPDBt = o + 1SMPTt + 2SPPPt + 3RXt + 4RAPDN1 + 5SPMTt-1
6SPPPt-1 + 7RXt-1 + 8RAPDNt-1 + 9ECT
Penulisan ECT dalam program didapat dari :

GENR ECT = SPMT (-1) + SPPP (-1) + RX(-1) + RAPDN(-1) – RPDB(-1)
Regresi diatas dalam program dapat ditulis :

LS D(RPDB) C (SPMT) SPMT(-1) D (SPPP) SPPP(-1) D(RX) RX(-1) D(RAPDN)
RAPDN(-1) ECT
147
Hasil regresi model ECM dengan program Eviews adalah sebagai berikut:
Dependent Variable: D(RPDB)
Date: 01/28/03 Time: 02:47
Sample(adjusted): 1968 1995
Included observations: 28 after adjusting endpoints
C 4.530408 2.233783 2.028133 0.0576
D(SPMT) 0.092963 0.051052 1.820956 0.0853
SPMT(-1) -0.935148 0.236837 -3.948488 0.0009
D(SPPP) -0.104826 0.421657 -0.248606 0.8065
SPPP(-1) -1.148213 0.376234 -3.051857 0.0069
D(RX) 0.138809 0.042163 3.292206 0.0041
RX(-1) -0.860862 0.239239 -3.598336 0.0021
D(RAPDN) 0.034148 0.017789 1.919561 0.0709
RAPDN(-1) -0.989325 0.248016 -3.988950 0.0009
ECT 1.002766 0.255266 3.928322 0.0010
DSPMT, DSPPP, DRX, DRAPDN merupakan variabel jangka pendek, sedangkan

variabel SPMT(-1), SPPP(-1), RX(-1), RAPDN(-1) merupakan variabel jangka
panjang. Koefisien ECT 1,002766 menunjukkan bahwa proporsi biaya
ketidakseimbangan dalam perkembangan pertumbuhan produk domestik bruto
(RPDB) pada periode sebelumnya yang disesuaikan pada periode sekarang
adalah sekitar 1,002766 persen
148
IV. Model Dinamik dengan Uji Stationeritas Data
Penyusun model dinamik pada pendekatan ini harus dengan uji

stationeritas data. Uji stasioneritas data dapat dilakukan dengan uji akar unit
(unit root test) dan/atau uji derajat integrasi. Apabila ditemukan bahwa data
yang digunakan mempunyai derajat integrasi sama, misal I(1), maka dilanjutkan
dengan uji kointegrasi. Uji kointegrasi untuk mengetahui hubungan jangka
panjang model yang sedang diamati. ECM yang digunakan adalah ECM yang
dikembangkan oleh Engle-Granger (1987) atau dikenal dengan ECM-EG.
Uji Akar Unit dan Uji Derajat Integrasi
Uji akar-akar unit dapat dipandang sebagai uji stasioner data. Uji tersebut
dimaksudkan untuk mengamati apakah koefisien-koefisien tertentu dari model
otoregresif yang ditaksir memiliki nilai satu atau tidak. Tetapi, karena model
tersebut memiliki distribusi yang tidak baku, maka uji statistik yang tidak baku
seperti uji t dan uji F tidak cukup layak dipakai untuk menguji hipotesis yang
diketengahkan. Penelitian ini menggunakan dua uji yang dikembangkan oleh
Dickey dan Fuller. Uji akar-akar unit dilakukan dengan menaksir model
otoregresif berikut ini (Insukindro, 1994: 13) :
k
(7.15) DX t  a o  al BX   bi B i DX t
i 1
k
(7.16) DX t  co  cl T  c 2 BX t   bi B i DX t
i 1
dimana :
DXt = Xt - Xt-1 B = Backward lag operator
BXt = Xt-1 k = N1/3 dimana N adala jumlah observasi
T = trend tertentu Xt = variabel yang diamati pada periode t
149
Hipotesis nol yang diuji adalah bahwa a1 = 0 dan c2 = 0. nilai tersebut

ditunjukkan oleh nisbah t pada koefisien regresi BX 1 pada persamaan (7.15) dan
(7.16) selanjutnya nisbah t tersebut dibandingkan dengan nilai kritis statistik DF
(ADF) untuk mengetahui ada tidaknya akar-akar unit.
Uji derajat integrasi dilakukan untuk mengetahui pada derajat atau order
diferensi keberapa data yang diamati akan stasioner. Uji derajat integrasi
dilakukan apabila uji akar-akar unit mengemukakan fakta bahwa data yang
diamati merupakan perluasan dari uji akar-akar unit. Uji derajat integrasi
dilakukan dengan menaksir model otoregresif berikut ini (Insukindro, 1994):
k
(7.17) D 2 X t  eo  e1 BDX t   f i B i D 2 X t
i 1
k
(7.18) D 2 X t  g o  g l T  g 2 BDX t   hi B i D 2 X t
i 1
dimana :
D 2 X t  DX t  DX t 1
BDX T  DX T 1
Nilai statistik DF dan ADF untuk mengetahui pada derajat keberapa suatu
data akan stasioner dapat dilihat pada nisbah t pada koefisien regresi BDX t
persamaan (7.17) dan (7.18). Jika e1 dan g2 sama dengan nol satu, maka variabel
Xt dikatakan stasioner pada derajat satu atau I (1). Jika e 1 dan g2 sama dengan
nol, maka variabel X1 belum stasioner pada deferensi pertama. Bila hal tersebut
terjadi, uji derajat integrasi perlu dilanjutkan sehingga diperoleh data yang
stasioner. Untuk uji akar-akar unit dan derajat integrasi, apabila nilai hitung
mutlak DF dan ADF lebih kecil daripada nilai krisis mutlak (pada  10%), maka
variabel tersebut tidak stasioner, sebaliknya jika nilai hitung mutlak DF dan ADF
lebih besar daripada nilai kritis mutlak (pada  10%), maka variabel tersebut
stasioner.
150
Cara Pengoperasian dalam EViews

Untuk dapat melakukan uji akar unit dan uji derajat intrgrasi dalam
program olah data Eviews, ada beberapa langkah yang perlu dilakukan, yaitu:
1. Bukalah data yang akan diuji, misal LOG(X2).
Pada command window
SHOW LOG(X2)
ENTER
Muncul tampilan workfile series LOG(X2)
2. Dari workfile series

VIEW
UNIT ROOT TEST
 Test Type ada dua pilihan jenis pengujian yang akan dilakukan
yaitu Augmented Dickey-Fuller atau Phillips-Perron. Pilih
Augmented Dickey-Fuller.
 Test for unit root in terdapat tiga pilihan berkaitan dengan
tingkatan data, yaitu aras (level), turunan pertama (1 st difference)
dan turunan kedua (2nd difference). Pilih level.
 Include in test equation terdapat tiga pilihan, yaitu INTERCEPT,
TREND AND INTERCEPT, dan NONE. Pilih intercept.
151
 Lagged difference isikan panjang lag (k=N1/3). Isi 3 untuk n=23.
OK
Berdasarkan tampilan hasil uji akar unit terhadap variabel LOG(X2) dapat
disimpulkan bahwa variabel X2 belum stationer dengan tingkat kesalahan
5%.
152
3. Lakukan berulang untuk semua variabel

Variabel LOG(X3) –DF
disimpulkan bahwa variabel LOG(X3) belum stationer dengan tingkat
kesalahan 5%.
Variabel LOG(X4) –DF
kesalahan 5%.
153
Variabel LOG(Y) –DF
Berdasarkan tampilan hasil uji akar unit terhadap variabel LOG(Y) dapat
disimpulkan bahwa variabel LOG(Y) belum stationer dengan tingkat
kesalahan 5%.
Variabel LOG(X2) –ADF
kesalahan 5%.
154
kesalahan 5%.
kesalahan 5%.
155
Variabel LOG(Y) –ADF
disimpulkan bahwa variabel LOG(Y) belum stationer dengan tingkat
kesalahan 5%.
Ternyata semua variabel, yaitu LOG(X2), LOG(X3), LOG(X4), dan LOG(Y),

belum stationer pada tingkat arasnya, sehingga perlu dilakukan uji
stasioner pada derajat integrasi.
4. Pada prinsipnya sama, dengan uji akar unit tetapi pada kotak Test for unit
root in klik pada 1st difference untuk I(1) dan 2nd difference untuk I(2).
Uji derajat integrasi I(1)
Variabel D(LOG(X2) – DF
156
disimpulkan bahwa variabel LOG(X2) sudah stationer dengan tingkat
kesalahan 5%.
Variabel DLOG(X3) – DF
kesalahan 1%.
157
Variabel DLOG(X4) – DF
kesalahan 1%.
Variabel DLOG(Y) – DF
disimpulkan bahwa variabel LOG(Y) sudah stationer dengan tingkat
kesalahan 1%.
158
Berdasar tampilan di atas dapat disimpulkan bahwa pada tingkat

kesalahan 1% semua variabel LOG(X2), LOG(X3), LOG(X4) dan LOG(Y)
sudah stasioner pada tingkat perbedaan pertamanya.
Sebagai catatan, perlu diingat bahwa jika secara individual, variabel-

variabel yang digunakan dalam model estimasi tidak stationer, maka
regresi yang diperoleh akan lancung.
Uji Kointegrasi
Uji kointegrasi merupakan kelanjutan dari uji akar-akar unit dan uji
derajat integrasi. Untuk dapat melakukan uji kointegrasi harus diyakini terlebih
dahulu bahwa variabel-variabel terkait dalam pendekatan ini memiliki derajat
integrasi yang sama atau tidak. Pada umumnya sebagian besar pembahasan
mengenai isu terkait lebih memusatkan perhatiannnya pada variabel yang
berintegrasi nol [I(0)] atau satu [I(1)].
Suatu himpunan variabel runtun waktu X dikatakan berkointegrasi pada
derajat d, b atau CI(d,b) bila setiap elemen X berintegrasi pada derajat d atau I(d)
dan terdapat satu vektor k yang tidak sama dengan nol sehingga W=k’X~I (d-b)
dengan d > 0 dan k merupakan vektor kointegrasi (engel dan Granger, 1987: 253
dalam Insukindro, 1994: 132). Uji CRDW (Cointegrating Regression Durbin
Watson), DF (Dickey-Fuller) dan ADF (Augmented Dickey-Fuller) merupakan uji
statistik yang disukai dalam pendekatan ini. Untuk menghitung CRDW, DF dan
ADF, ditaksir regresi kointegrasi berikut ini dengan metode kuadrat terkecil biasa
(OLS):
(7.19) Yt = me + m1 X1t + m2 X2t + Et
Kemudian regresi berikut ini ditaksir dengan OLS:
(7.20) DEt = p1 BEt
159
(7.21) DEt = p1 BEt + q1 BE’ DEt

Nilai statistik CRDW ditunjukkan oleh nilai statistik DW persamaan (7.20)
dan (7.21). Tujuan utama uji kointegrasi adalah untuk menguji apakah residual
regresi kointegrasi stasioner atau tidak. Pengujian ini sangat penting bila suatu
model dinamis akan dikembangkan.
Cara Pengoperasian dalam EViews

Untuk melakukan uji kointegrasi ada tiga nilai statistik, yaitu CRDW, DF
dan ADF residual. Ketiga nilai tersebut ditaksir dengan regresi kointegrasi yang
diestimasi dengan OLS:
(7.22) LOG(Yt) = 1 + 2 LOG(X2t)+ 3 LOG(X3t )+ 4 LOG(X4t)+ ut
Dari menu utama:

QUICK
ESTIMATE EQUATION
LOG(Y) C LOG(X2) LOG(X3) LOG(X4)
OK
160
Dari estimasi persamaan (7.22) diperoleh:

1. Nilai CRDW, yang merupakan nilai DW statistik
2. Nilai residual regresi kointegrasi
Dari equation:
PROCS
MAKE RESIDUAL SERIES
E (ketik nama residual pada name for residual series)
OK
161
3. Uji akar unit terhadap E (residual)

Dari Workfile Series E:
VIEW
UNIT ROOT TEST
AUGMENTED DICKEY-FULLER (type test)
LEVEL (test for unit root in)
NONE (include in test equation)
0 (lagged differences)
OK
162
Atau
Dari Workfile Series E:
VIEW
UNIT ROOT TEST
AUGMENTED DICKEY-FULLER (type test)
LEVEL (test for unit root in)
NONE (include in test equation)
3 (lagged differences)
OK
163
Dari uji akar unit terhadap E (residual) disimpulkan bahwa E sationer atau
I(0) pada tingkat kesalahan 1%. Berarti variabel E bisa di gunakan dalam
model jankga pendek ECM-EG:
Pendekatan Kointegrasi dan Model Koreksi Kesalahan
Tujuan uji kointegrasi adalah menguji staioneritas residual regresi

kointegrasi. Pengujian ini penting bila ingin dikembangkan model dinamik ECM.
Jika residual regresi kointegrasi stationer maka residual bisa membentuk model
jangka pendek ECM yang dikembangkan Engle-Granger sebagai berikut:
(7.23) DYt = 1 DX2t + 2 DX3t + 3 DX4t + 4 Et-1 + t
164
dimana
Et-1 = ut-1 = LYt-1 - 1 - 2 LX2t-1 - 3 LX3t-1 - 4 LX4t-1
adalah nilai residual regresi kointegrasi pada periode sebelumnya.
t = random error term
Koefisien 4 diharapkan signifikan dan negatif.
Langkah dalam Eviews

Dari menu utama:
QUICK
ESTIMATE EQUATION
D(LOG(Y)) D(LOG(X2)) D(LOG(X3)) D(LOG(X4)) E(-1)
OK
Hasil estimasi ECM-EG, koefisien 4 signifikan dan bertanda negatif. Dengan

demikian ECM-EG bisa digunakan untuk estimasi. Berarti pula bahwa spesifikasi
165
model yang digunakan adalah sahih atau valid. ECM-EG juga lolos dari semua uji
asumsi klasik.
Berdasarkan hasil estimasi ECM-EG diketahui bahwa dalam jangka
pendek dan jangka panjang arah pengaruh semua variabel sesuai teori dan
variabel log(X2) dan log(X3) signifikan sedangkan log(x4) tidak signifikan. Misal,
jika X2 naik 1 persen maka Y akan naik 33,17 persen dalam jangka pendek dan
naik 40,59 persen dalam jangka panjang. Sementara itu, jika X3 naik 1 persen
maka Y akan turun 30,96 persen dalam jangka pendek dan turun 43,88 persen
dalam jangka panjang.
166
Table 7.9
Demand for Chickens, United States, 1960-1982
YEAR = Year
Y = Per Capita Consumption of Chickens, Pounds
X2 = Real Disposable Income Per Capita, $
X3 = Real Retail Price of Chicken Per Pound, Cents
X4 = Real Retail Price of Pork Per Pound, Cents
X5 = Real Retail Price of Beef Per Pound, Cents
X6 = Composite Real Price of Chicken Substitutes Per Pound, Cents
Obs Y X2 X3 X4 X5 X6
1960 27,8 397,5 42,2 50,7 78,3 65,8
1961 29,9 413,3 38,1 52 79,2 66,9
1962 29,8 439,2 40,3 54 79,2 67,8
1963 30,8 459,7 39,5 55,3 79,2 69,6
1964 31,2 492,9 37,3 54,7 77,4 68,7
1965 33,3 528,6 38,1 63,7 80,2 73,6
1966 35,6 560,3 39,3 69,8 80,4 76,3
1967 36,4 624,6 37,8 65,9 83,9 77,2
1968 36,7 666,4 38,4 64,5 85,5 78,1
1969 38,4 717,8 40,1 70 93,7 84,7
1970 40,4 768,2 38,6 73,2 106,1 93,3
1971 40,3 843,3 39,8 67,8 104,8 89,7
1972 41,8 911,6 39,7 79,1 114 100,7
1973 40,4 931,1 52,1 95,4 124,1 113,5
1974 40,7 1021,5 48,9 94,2 127,6 115,3
1975 40,1 1165,9 58,3 123,5 142,9 136,7
1976 42,7 1349,6 57,9 129,9 143,6 139,2
1977 44,1 1449,4 56,5 117,6 139,2 132
1978 46,7 1575,5 63,7 130,9 165,5 132,1
1979 50,6 1759,1 61,6 129,8 203,3 154,4
1980 50,1 1994,2 58,9 128 219,6 174,9
1981 51,7 2258,1 66,4 141 221,6 180,8
1982 52,9 2478,7 70,4 168,2 232,6 189,4
Sumber: Gujarati (2003: 239)
167
BAB VIII
UJI KAUSALITAS GRANGER
Dalam realitas ekonomi, model regresi linier dimana variable dependen

diregresikan atas variable-variabel bebas tidak dapat dipastikan mengandung
pengertian bahwa variable dependen secara kausal betul-betul ditentukan oleh
variable-variabel bebas secara sepihak. Ada kemungkinan dalam suatu model
persamaan tunggal, variable dependen ditentukan oleh variable bebas,
sebaliknya variable bebas juga ditentukan oleh variable dependen sehingga
dalam hal ini terdapat kausalitas dua arah (bidirestional causality) (Sritua Arief,
1993: 151-152)
Uji kausalitas Granger didasarkan pada anggapan yang relevan untuk
memprediksi variable-variabel nilai perdagangan (NPS) dan Investasi (INV) pada
data time series dari variable-variabel tersebut. Variable NPS dan INV
diformulasikan dalam dua model regresi yang berikut (Damodar Gujarati, 1995:
620)
n n
NPS t    i NPS t  j    j INVt i  U 1t
t 1 l 1
m m
INVt   i INVt i    j NPS t  j  U 2t
t 1 j 1
Dimana U1t dan U2t adalah error terms yang diasumsikan tidak mengandung
korelasi serial dan n=m.
Hasil-hasil regresi kedua bentuk model regresi linier ini akan
menghasilkan empat kemungkinan mengenai nilai koefisien-koefisien regrei
masing-masing (Sritua Arief, 1993:152):
n m
1) Jika 
j 1
 j  0 dan   j  0, maka terdapat kausalitas satu arah dari INV
j 1
ke NPS.
168
n m
2) Jika 
j 1
 j  0 dan   j  0, maka terdapat kausalitas satu arah dari INV
j 1
ke NPS.
n m
3) Jika j 1
 j  0 dan   j  0, maka NPS dan INV bebas antara satu
j 1
dengan yang lain.

n m
4) Jika 
j 1
 j  0 dan   j  0, maka terdapat kausalitas dua arah dari INV
j 1
dan NPS.
Untuk memperkuat indikasi keberadaan berbagai bentuk kausalitas yang
tersebut diatas, maka dilakukan uji F untuk masing-masing model regresi.
169
Contoh :
Masukkan data sebagai berikut
NPS INV
Tahun
(Milyar Rp) (Milyar RP)
1977 0.153 553.91
1978 0.219 810.06
1979 1.334 811.95
1980 5.733 3498.15
1981 7.652 2746.11
1982 12.625 5288.35
1983 10.108 8932.27
1984 2.139 3289.12
1985 3.206 4700.91
1986 1.816 5814.62
1987 5.184 12966.3
1988 30.592 21829.58
1989 964.272 28056.79
1990 7311.289 73146.36
1991 5778.249 58563.68
1992 7953.299 50628.14
1993 19086.24 56631.92
1994 25482.8 113466.4
1995 32357.5 162045.4
1996 75729.89 172034.8
1997 120385.2 277194
1998 99684.7 169638.2
Uji kausalitas granger dalam program E-Views dapat dilakukan sebagai berikut :
Dari Menu Utama:

QUICK/GROUP STATISTICS/GRANGER CAUSALITY TEST
Akan muncul kotak dialog sebagai berikut:
170
Ketik nama variabel yang akan diuji (Misal NPS dan INV).
OK
Kemudian muncul dialog, pada lag keberapa, kausalitas akan diuji:
Isi lagnya.
OK.
Hasil uji kausalitas Granger adalah sebagai berikut :
Pada Lags 1:
171
Pada Lags 2:
Pada Lags 3:
Pada Lags 4:
172
Pada Lags 5:
Pada Lags 6:
Hubungan kausalitas antara variabel NPS dan INV tergantung pada

jumlah lag yang digunakan. Dengan menggunakan lag-1, dapat dikatakan bahwa
investasi tidak secara signifikan dapat menjelaskan nilai perdagangan saham,
sedangkan nilai perdagangan saham secara signifikan berperan di dalam
menjelaskan investasi. Dengan menggunakan lag-2 sampai dengan lag-6, tiap
variabel berperan di dalam menjelaskan variabel yang lain.
173
BAB IX
REGRESI LINIER DATA PANEL
I. PENDAHULUAN
Dalam proses penelitian kadang-kadang seorang peneliti menghadapi

kendala data. Jika regresi diestimasi dengan data runtun waktu, observasi tidak
mencukupi. Jika regresi diestimasi dengan data lintas sektoral, observasi terlalu
sedikit untuk menghasilkan estimasi yang efisien. Salah satu solusi untuk
menghasilkan estimasi yang efisien maka digunakanlah model regresi linier data
panel. Model tersebut menggabungkan observasi lintas sektoral dan data runtun
waktu sehingga jumlah observasi meningkat-meningkatkan derajat kebebasan
dan mengurangi kolinieritas antara variabel penjelas dan kemudian akan
memperbaiki efisiensi estimasi ekonomerti.
II. Keunggulan Panel Data
Verbeek (2000: 310) mengemukakan bahwa keuntungan regresi dengan

menggunakan data panel dibandingkan dengan data runtun waktu atau lintas
sektoral adalah kemampuan regresi data panel dalam mengidentifikasi
parameter-parameter regresi secara pasti dengan tanpa membutuhkan asumsi
restriksi atau kendala.
Menurut Baltagi (1995), keunggulan penggunaan data panel dibanding
data runtun waktu dan data lintas sektor adalah:
1. Estimasi data panel dapat menunjukkan adanya heterogenitas dalam tiap
unit.
174
2. Dengan data panel, data lebih informatif, mengurangi kolinieritas antara

variabel, meningkatkan derajat kebebasan dan lebih efisien.
3. Data panel cocok digunakan untuk menggambarkan adanya dinamika
perubahan.
4. Data panel dapat lebih mampu mendeteksi dan mengukur dampak.
5. Data panel bisa digunakan untuk studi dengan model yang lebih lengkap.
6. Data panel dapat memimumkan bias yang mungkin dihasilkan dalam
agregasi.
III. Kelemahan Panel Data
Disamping keunggulan yang dimilikinya, penggunaan panel data juga memiliki
kelemahan-kelemahan diantaranya adalah:
1. Masalah koleksi data dan desain. Masalah-masalah ini mencakup cara
penggambaran data, nonrespon (terkait dengan tidak adanya kerjasama
responden disebabkan adanya kesalahan interview), recall (responden yang
tidak memberikan data dengan benar), frekuensi wawancara, ruang
wawancara, periode referensi, penggunaan batasan dan waktu dalam
sampel yang bias;
2. Distorsi kesalahan pengukuran. Kesalahan pengukuran dapat muncul dari
kegagalan respon terkait dengan pertanyaan yang tidak jelas, kesalahan
memori, distorsi respon yang disengaja, informan yang tidak tepat,
kesalahan pencatatan dari respon dan efek wawancara
175
3. Masalah selektivitas (selectivity problems). Sumber bias lainnya dalam panel
data dan cross section adalah bahwa sampel mungkin tidak secara random
digambarkan dalam populasi. Sebagai contoh, eksperimen pajak pendapatan
negatif New Jersey tidak memasukkan semua keluarga dalam wilayah
eksperimen yang mempunyai pendapatan diatas 1,5 kali dari yang biasanya
didefinisikan sebagai tingkat kemiskinan. Ketika pemotongan didasarkan
pada pendapatan, menggunakan data yang men-treat komponen
pendapatan (upah atau jam) sebagai variabel dependen akan sering
menghasilkan apa yang sering disebut sebagai bias seleksi (e.g. Hausman adn
Wise 1977, Heckman 1976, 1979, Hsiao 1974b).
1) Dimensi kurun waktu yang pendek. Banyak data panel yang hanya
mempunyai data tahunan yang meliputi rentang waktu yang pendek
untuk tiap-tiap individu. Ini berarti bahwa argumen asimtot yang
mendasarkan diri secara krusial pada jumlah individu yang cenderung
tidak terbatas.
IV. ESTIMASI MODEL PANEL DATA
Kesulitan utama estimasi model data panel adalah adanya faktor

pengganggu yang berpotensi mengandung gangguan yang disebabkan dari
penggunaan observasi runtun waktu, observasi lintas sektor dan gabungan
keduanya. Menurut Pindyck dan Rubinfeld (1998), terdapat 3 prosedur estimasi
data panel.
1. regresi penggabungan semua data
176
2. regresi dengan variabel dami untuk mengetahui perubahan intersep

runtun waktu dan lintas sektor
3. error component model
Model estimasi seperti pada model (1) dan (2) tergantung pada
asumsinya pada intersep, koefisien slope dan error term. Ada beberapa
kemungkinan:
1. Intersep dan koefisien slope konstan setiap waktu dan unit dan error
menampung perbedaan tiap waktu dan unit.
(9.1) Yit   1   2 X 2it   3 X 3it   it
2. Koefisien slope konstan tetapi intersep bervariasi tiap unit

(9.2) Yit   1i   2 X 2it   3 X 3it   it
3. Koefisien slope konstan tetapi intersep bervariasi tiap unit dan waktu
(9.3) Yit   1it   2 X 2it   3 X 3it   it
4. Semua koefisien (intersep dan slope) bervariasi tiap unit

(9.4) Yit   1i   2i X 2it   3 X 3it   it
5. Semua slope bervariasi tiap unit dan waktu

(9.5) Yit   1it   2t X 2it   3 X 3it   it
V. Uji Akar-akar Unit untuk Data Panel
Uji akar unit dalam studi runtut waktu (time series) sudah menjadi bagian
yang integral dalam ekonometri. Literatur mutakhir menyarankan bahwa panel
data dengan uji akar unit mempunyai kekuatan lebih dibanding uji akar unit
berdasarkan pada rantun waktu individual. Saat ini sudah banyak literatur yang
membahas mengenai uji akar unit dalam data panel yang merupakan gabungan
177
antara data runtun waktu (time series) dan lintas sektoral (cross section). Review
literatur mengenai hal ini diberikan oleh Banerjee (1999), Baltagi dan Kao (2000),
Choi (2004), dan yang terbaru oleh Breitung dan pesaran (2007). Generasi
pertama uji akar unit panel data diawali oleh Levin, Lin dan Chu (2002) dan Im,
Pesaran dan Shin (2003) yang memfokuskan pada panel di mana kesalahan
gabungan tidak berkorelasi secara lintas sektoral. Uji Generasi kedua meliputi
kontribusi dari Moon dan Perron (2004), Bai dan Ng (2004,2007) dan Pesaran
(2007). Uji yang disarankan oleh Moon dan Perron (2004) dan Pesaran (2007)
mengasumsikan bahwa dibawah hipotesis nol akar unit komponen faktor
bersama mempunyai derajad integrasi yang sama sebagai komponen gabungan,
sedangkan prosedur uji Bai dan Ng (2004, 2007) membolehkan derajad integrasi
faktor yang berbeda dari komponen gabungan, dengan mengasumsikan proses
yang berbeda .
Uji akar unit panel data mutakhir dilakukan oleh Levin dan Lee (1992), Im,
Pesaran dan Shin (1997), Harris dan Tzavalis (1999), Maddala dan Wu (1999),
Choi (2001) dan Hadri (1999). Selain itu, Bharagava, Franzini dan Narendranathan
(1982), Boumahdi dan Thomas (1991), Breitung dan Meyer (1994) dan Quah
(1994). Bharagava, Franzini dan Narendranathan (1982) uji random walk residual
dalam model dinamik dengan efek tetap (fixed effect). Mereka menyarankan
statistik Durbin-Watson yang dimodifikasi berdasarkan pada residual efek dan
dua tes statistik lain yang berdasarkan pada residual OLS pada tingkat
pembedaan (difference). Dalam panel mikro dengan N→ , mereka
178
merekomendasikan statistik DW yang dimodifikasi. Boumahdi dan Thomas
(1991) menyarankan generalisasi uji DF untuk uji akar unit panel data untuk
menaksir efisiensi pasar modal Perancis dengan menggunakan 140 harga stok
Perancis selama periode Januari 1973 sampai Februari 1986. Breitung dan
Meyer (1994) mengaplikasikan variasi modifikasi statistik DF untuk menguji akar
unit model panel data dalam negosiasi upah kontrak pada tingkat industri dan
perusahaan di Jerman Barat selama periode 1972-1987. Quah (1994)
menyarankan uji akar unit untuk model panel data tanpa fixed effect di mana
baik N maupun T bergerak dalam jumlah yang tidak terbatas pada tingkat yang
sama dengan N/T adalah konstan. Levin dan Lin (1992) mengeneralisasi model ini
untuk efek tetap (fixed effect), dengan tren determistik individual, dan kesalahan
korelasi serial yang heterogen. Mereka mengasumsikan bahwa baik N maupun T
cenderung tidak terbatas.
Perbandingan sampel kecil dari beberapa uji diberikan dalam
Gengenbach, Palm dan Urbain (2006). Dalam uji akar unit yang diajukan oleh
Pesaran (2007) lintas sektoral tergantung pada perhitungan regresi ADF
individual yang diperluas dari Yit dengan rata-rata lintas sektoral variabel terikat
(nilai lag dan saat ini Δyt, yt-1= n-1jN = 1 y j t-1). Rata-rata lintas sektoral digunakan
sebagai proksi yang diasumsikan sebagai faktor bersama yang tidak diobservasi.
Uji statistik panel didasarkan pada rata-rata t-statistik individual untuk semua
unit lintas sektoral dan diperlihatkan oleh parameter gangguan yang bebas,
meskipun ia mempunyai distribusi limit tidak-normal sebagai N dan T→ .
179
Bagaimanapun, validitas uji Pesaran untuk faktor bersama yang tunggal
yang tidak diobservasi dapat menjadi sebuah limitasi dalam prakteknya. Bai dan
Ng (2004, 2007) mempertimbangkan apakah sumber non-stasionaritas berkaitan
dengan faktor bersama dan/atau komponen gabungan. Metode mereka
mengaplikasikan uji akar unit dari faktor bersama dan komponen gabungan
secara terpisah, di mana faktor yang tidak diobservasi dipindahkan dengan
estimasi yang konsisten yang diperoleh dengan menggunakan principal
component (PC).
Uji pool yang mereka sarankan membutuhkan estimasi dari sejumlah
faktor yang benar dan faktor-faktor mereka sendiri. Moon dan Perron (2004)
mengikuti pendekatan yang sama di mana mereka mendasarkan uji mereka pada
estimator principal component dari faktor bersama. Khususnya, uji mereka
didasarkan pada observasi de-faktorisasi yang diperoleh dengan
memproyeksikan panel data ke dalam ruang orthogonal ke faktor loading yang
diestimasi.
1. Uji Lin Levin dan Chu (LLC)
Menurut LLC uji akar unit individual memiliki kekuatan yang terbatas
melawan hipotesis alternative dengan deviasi yang sangat persisten dari
keseimbangannya. Hal ini terutama terjadi pada sampel kecil. LLC menyarankan
uji akar unit panel data yang lebih memiliki kekuatan dibandingkan dengan uji
akar unit individual untuk tiap-tiap unit cross section. Hipotesis nolnya adalah
180
bahwa setiap variable runtun waktu individual mengandung akar unit melawan
hipotesis alternatif bahwa setiap variabel runtun waktu adalah stasioner.
Hipotesis utama adalah bahwa
(3.15)
Dengan dmt mengindikaskan vector variable deterministic dan αmi vektor yang
berhubungan dengan koefisien model m = 1,2,3. Khususnya, d1t={set kosong},
d2t={1} dan d3t={1,t}. selagi lag pada order pi tidak diketahui, LLC menyarankan
tiga tahapan prosedur untuk mengimplementasikan uji mereka.
Tahap 1 dimulai dengan regresi terpisah ADF untuk tiap cross section:
(3.16)
Dengan order lag ρi bervariasi antar individu.
Untuk T tertentu, pilih lag maksimum dengan order ρmaks kemudian gunakan t-
statistik didistribusikan N(0,1) dibawah hipotesis nol (θiL = 0), baik ketika ρi =0
dan ketika ρi < 0).
Setelah ρi ditentukan, maka estimasi dua regresi bantuan untuk memperoleh
residual orthogonal:
Estimasi Δyit terhadap Δyi,t-L (L=1,…, ρi ) dan dmt untuk mendapatkan residual
Estimasi yi,t-1 terhadap Δyi,t-L (L=1,…, ρi ) dan dmt untuk mendapatkan
residual .
181
Dengan menstandardisasi residual ini untuk mengontrol perbedaan antar cross
section i
Di mana = standar error dari tiap regresi ADF, untuk i = 1, ...,N.
Langkah 2.
Estimasi rasio deviasi standar jangka panjang terhadap jangka pendek. Dibawah
hipotesis nol akar unit, varians jangka panjang dari (12.1) dapat diestimasi
dengan
(3.17)
Di mana adalah lag yang terpotong yang dapat menjadi data yang tergantung.
harus diperoleh dalam menjamin konsistensi dari .
Langkah 3.
Hitung uji statistik panel, dengan mengestimasi regresi pool
Berdasarkan pada observasi di mana adalah jumlah rata
dari observasi per individual dalam panel dengan adalah rata-rata
order lag dari regresi ADF individual. T-statistik konvensional untuk H0: ρ = 0
adalah ,
Di mana
182
Dan
Adalah varians estimasi dari ,
Hitung t-statistik yang disesuaikan
(3.18)
Di mana dan adalah rata-rata dan deviasi standar penyesuaian yang
diberikan oleh tabel 2 LLC. Tabel ini juga termasuk saran untuk memotong
parameter lag untuk tiap-tiap runtun waktu . LLC memperlihatkan bahwa
didistribusikan secara asimtotik sebagai N(0,1).
LLC menyarankan menggunakan uji akar unit panel data mereka untuk
ukuran moderat dengan N antara 10 dan 250 dan T antara 25 dan 250. Mereka
berargumentasi bahwa prosedur panel standar mungkin tidak dapat menghitung
secara mencukupi untuk data panel dalam ukuran ini. Bagaimanapun, untuk
ukuran T yang sangat besar, mereka berargumentasi bahwa uji akar unit
183
individual akan memiliki cukup cukup kekuatan untuk diaplikasikan pada setiap
cross section.
Uji LLC yang diajukan memilik beberapa keterbatasan. Uji ini secara
krusial tergantung pada asumsi independensi antar cross section dan tidak dapat
diaplikasikan jika terdapat korelasi cross section. Kedua, asumsi bahwa semua
cross section mempunyai atau tidak mempunyai akar unit adalah restriksi. Dari
beberapa literature mutakhir mengenai uji akar unit panel data ditemukan
bahwa terdapat ketergantungan (dependensi) antar cross section.
2. Uji Im, Pesaran dan Shin (IPS)
Uji Levin dan Lin restriktif dalam hal bahwa ia membutuhkan ρ harus
homogen antar i. Sebagaimana dikemukakan oleh Madala (1999), hipotesis nol
mungkin baik untuk menguji konvergensi pertumbuhan antar negara, tetapi
alternatif ini membatasi setiap negara untuk konvergen pada tingkat yang sama.
Im, Pesaran dan Shin (2003) (IPS) membolehkan koefisien heterogen dari yi,t-1
dan mengusulkan sebuah prosedur uji alternatif yang berdasarkan pada rata-
rata statistik uji akar unit individual. IPS menyarankan rata-rata uji ADF ketika uit
berkorelasi serial dengan sifat korelasi serial yang berbeda antar unit cross
section, yakni dalam model (12.2). Hipotesis nol adalah tiap-tiap series dalam
panel mengandung akar unit, yakni H0: ρi = 0 untuk semua i dan hipotesis
alternatif membolehkan untuk beberapa (tetapi tidak semua) dari series
individual mempunyai unit root, yakni,
184
(3.19)
Secara formal, ia membutuhkan sedikit runtun waktu individual yang stasioner
menjadi bukan nol (nonzero), yakni, di mana 0 < δ ≤ 1. Kondisi
ini perlu untuk konsistensi dari uji akar unit panel. Statistik t-bar IPS didefinisikan
sebagai rata-rata statistik ADF individual, sebagai
N
1
t
N
t
i 1
i (3.20)
Di mana t  i adalah t-statistik individual untuk menguji H0: ρi = 0 untuk semua i
dalam (12.6) (3.3). Dalam kasus order lag selalu nol (ρi = 0 untuk semua i), IPS
memberikan nilai kritis yang disimulasikan untuk untuk jumlah cross section N
yang berbeda, series sepanjang T dan regresi Dickey-Fuller mengandung hanya
intersep saja atau intersep dan tren linier. Dalam kasus yang lebih umum, di
mana order lag ρi mungkin bukan nol untuk beberapa cross section, IPS
memperlihatkan bahwa standar memiliki sebuah distribusi asimtotik N(0,1).
Dimulai dari hasil dalam series runtun waktu untuk N yang tertentu (fixed)
W
1
iZ dWiZ
t i  0
1
 t iT (3.21)
 1W 2 
 0 iZ 
2
Ketika T → , di mana ∫W(r)dr menunjukkan integral Weiner dengan argumen r
dalam (12.8) (3.5), IPS mengasumsikan bahwa tiT adalah IID dan mempunyai
rata-rata dan varians terbatas. Maka
185
1 1 
 
N N
N t 
i 1 iT i 1
E[t iT  i  1] 
N N   N (0,1) (3.22)
1

N
i 1
var[t iT  i  1]
N
Ketika N→ , dengan teori limit sentral Lindeberg-Levy. Olehkarenanya
 1 N 
N  t  i 1 E[t iT  i  1] 
t IPS   N   N (0,1) (3.23)
1 N
 var[t iT  i  1]
N i 1
Ketika T →  diikuti oleh N →  berturut-turut. Nilai dari E[tiT  i  1 ] dan
var[tiT i  1] dihitung oleh IPS melalui simulasi untuk nilai yang berbeda dari T
dan ρi’s. IPS juga menyarankan uji kelompok rata-rata Lagrange Multiplier untuk
menguji ρi =1. dalam eksperimen Monte Carlo, mereka memperlihatkan bahwa
rata-rata LM dan

Bahasa

Modul Ekonometrika 2015 PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

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

Modul Ekonometrika 2015 PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

MODUL LABORATORIUM EKONOMETRIKA

Sejarah perkembangan disiplin ilmu ekonomi tidak terlepas dari

1.1.1 Apakah Econometrics Views itu ?

Program Eviews merupakan program olah data yang dikeluarkan oleh

 Hampir semua perintah yang digunakan dalam Micro TSP dapat

EViews menyediakan regresi dan alat peramalan pada komputer-komputer

 Menghitung seri baru, berdasarkan formula yang memiliki berbagai

1.2 CARA MENGOPERASIKAN EVIEWS

Baris status (status line)

Gambar 1.1 Menu Utama Program Olah Data Eviews

1) Baris Judul (title bar)

2) Menu Utama (Main menu)

Item menu utama Item menu abu-abu dalam kondisi

Item menu berwarna gelap dalam

Gambar 1.2 Menu Utama dan Drop-down Menu

Gambar 1.3 Item-item Menu Utama Program Eviews

3) Jendela Perintah (The Command Window)

Insertion point Scroll bar

Gambar 1.4 Jendela Perintah (Command window)

Papan vertikal dalam jendela perintah dinamakan insert point.

Anda dapat mengatur besarnya jendela perintah dengan menempatkan

4) Baris Status (The Status Line)

Message area Default database

Gambar 1.5 Status line

5) Wilayah Kerja (work area)

1.2.2 Menutup Program Olah Data Eviews

2. Meng-klik icon Eviews di kiri paling atas.

memindahkan kursor ke sebelah kanannya yaitu kotak End Date, klik di

Jika semuanya telah berjalan dengan lancar, EViews telah berjalan

Pendekatan Tampilan dan Perintah (The Visual Approach and

2.1MEMBUAT LEMBAR KERJA (WORKFILE)

1. Membuat lembar kerja baru (new workfile) dari menu utama:

Gambar 2.1 Tampilan Workfile Range

Quarterly 1990:1 2005:4

Gambar 2.2 Tampilan workfile

4. Untuk entry data bisa dilakukan dengan beberapa cara:

Gambar 2.3 Tampilan New Object

4 Enter data ke sel

Label kotak obs

Gambar 2.4 Tampilan Empty Group

d. Copy dan Paste

 Pilih Edit/Copy untuk meng-copy data ke clipboard.

anda sudah membuat workfile dengan data tahunan dengan rentang

Gambar 2.7 Impor Data

Pilih file yang akan diimpor

Gambar 2.8 File dalam bentuk Excel (.xls)

Akan muncul kotak dialog sepreti tampilan dibawah ini:

Tombol shortcut reset dampel

Gambar 2.9 Kotak Dialog Impor Data Excel

Pertama, perlu diinformasikan apakah data disusun berdasarkan observasi (by

Gambar 2.10 Tampilan nama variabel dalam Workfile setelah impor

2) dalam bentuk ASCII (text)

a. EViews memberikan nilai semua observasi dalam sampel input.

Gambar 2.12 Tampilan data dalam bentuk ASCII (Text)

2.2 MENAMPILKAN DATA

Gambar 2.14 Menampilkan data dari Tampilan Workfile

Gambar 2.15 Kotak Dialog Show

SHOW GDP PCON

Tampilan data secara kelompok dalam workfile Eviews:

2.3 MENGEDIT DATA

Gambar 2.18 Ubah range dan sample

Gambar 2.19 Kotak dialog untuk merubah sampel