Puji dan syukur kehadirat Allah SWT karena berkat rahmat-Nya kami diberikan
kesempatan untuk menyusun modul pengajran mata kuliah Ekonometrika untuk kegiatan
pengajaran dan pendidikan sebagai salah satu dari Tri dharma Perguruan Tinggi .
Tujuan penyusunan modulpengajaran ini adalah untuk dijadikan sebagai pedoman
pengajaran dan pendidikan mata kuliah Ekonometrika agar kegiatan pengajaran dan pendidikan
lebih terstruktur dan sistematis.
Semoga pelaksanaan pengajaran dan pendidikan mata kuliah Ekonometrika ini dapat
terealisir dan terlaksana sesuai dengan apa yang telah kami rencanakan dan nantinya
memberikan hasil yang bermanfaat bagi perkembangan akademik mahasiswa didik.
Hormat Kami,
iii
DAFTAR ISI
Hal.
HALAMAN JUDUL i
HALAMAN PENGESAHAN ii
KATA PENGANTAR iii
DAFTAR ISI iv
RENCANA PROGRAM PENGAJARAN MINGGUAN (RPPM) v
BAB 4. INFERENSI 31 - 34
REFERENSI 116
iv
RENCANA PROGRAM PENGAJARAN MINGGUAN (RPPM)
-1-
Persepsi Umum tentang Ekonometrika
“Ekonometrika penuh
dengan formula yang sangat
rumit”
-2-
(3) Mau berpikir (4) Punya rasa percaya diri
untuk berurusan dengan
angka
-3-
(5) Punya keyakinan bahwa angka bisa menjelaskan sesuatu
-4-
Ekonomi
kegiatan manusia untuk
mencukupi kebutuhannya
melalui usaha yang seefisien
Ekonometrika dan seefektif mungkin untuk
mendapatkan tujuan.
Metrika
adalah suatu kegiatan
pengukuran
-5-
Fenomena dan Pengumpulan, Membentuk
Permasalahan pengolahan dan model
Ekonomi penyajian data kuantitatif
Y = a + bx
-6-
Membuktikan Menghasilkan Memproyeksikan
validitas teori-teori taksiran-taksiran nilai besaran-
ekonomi numeric untuk besaran ekonomi
kebijakan ekonomi
-7-
Model Pendugaan Dengan Analisa Regresi
Yˆ 184.08 0.7064 X
ˆ1 ˆ2
-8-
• Jika model hasil pendugaan nyata secara statistik:
– Dapat digunakan untuk peramalan
-9-
Pemasaran Keuangan SDM
• Analisis Pengaruh • Analisis Pengaruh • Analisis Pengaruh
Strategi Bauran Perubahan kurs Rupiah Kepemimpinan
Pemasaran Terhadap dan Suku Bunga Transformasional Dan
Keputusan Pembelian Terhadap Inflasi di Disiplin Kerja Terhadap
Indonesia Prestasi Kerja Pegawai
• Analisis Pengaruh • Analisis Struktur Modal • Analisis Pengelolaan
Experiential Marketing Terhadap Harga Saham Manajemen Sumber Daya
terhadap Customer’s Perusahaan Manusia Sebagai Penentu
Brand Loyalty Kinerja Perusahaan
• Strategi Membangun • Analisis Pengaruh Total • Analisis pengaruh Program
Image Konsumen Arus Kas Dan Laba Pelatihan Karyawan
Melalui Diferensiasi Akuntansi Terhadap Terhadap Kualitas
Produk Harga Saham Pelayanan Prima
- 10 -
Tugas Individual
1. Jika ekonometri merupakan kombinasi dari teori ekonomi, statistika dan
matematika. Apakah ekonometri merupakan ilmu tersendiri atau cabang dari
ilmu ekonomi? Jelaskan jawaban anda.
2. Salah satu contoh penggunaan Ekonometri adalah digunakan dalam
penelitian mengenai pengaruh kurs rupiah dan bunga deposito terhadap
inflasi. Uraikan alasan anda mengapa ekonometri yang digunakan dalam
penelitian tersebut.
3. Jika sebuah penelitian menghasilkan kesimpulan bahwa suatu teori ekonomi
tidak terverifikasi dengan data yang ada. Jelaskan jawaban anda, upaya
mana yang lebih memungkinkan untuk dilakukan :
(a) menyatakan kesalahan teori ekonomi yang dipakai,
(b) memodifikasi model teori yang ada dengan teknik ekonometrika,
(c) mengulangi penelitian dengan data baru yang sesuai dengan teori yang
ada.
- 11 -
- 12 -
- 13 -
Kurs Rupiah Suku Bunga Deposito
(X1) (X2)
- 14 -
Faktor-faktor yang Mempengaruhi Kepuasan Pelanggan
- 15 -
Tipe Data :
1. Nominal
2. Ordinal
3. Interval
4. Rasio
Jenis Data :
Sumber 1. Time Series
Data :
2. Cross Sectional
1 . Primer
2 . Sekunder 3. Pooled Data
4. Data Panel
- 16 -
Data Rasio :
ukuran variabel dengan
tingkatan yang memiliki
perbedaan dan
mungkin bernilai nol.
Data Interval :
ukuran variabel dengan
tingkatan yang memiliki
perbedaan tapi tidak
bernilai nol.
Data Ordinal :
ukuran variabel dalam
bentuk kategori dan
dapat dibandingkan
Data Nominal :
ukuran variabel dalam
bentuk kategori. Ukuran
variabel ini tidak dapat
dibandingkan.
- 17 -
Cross Section (CS) :
Merupakan suatu data yang
terdiri dari satu atau lebih
variabel yang dikumpulkan
pada waktu yang sama (at the
same point in time).
- 18 -
Cara Pengumpulan Pemilihan
Data Sampel
- 19 -
• Dilakukan dengan Goodness Of Fit, yang terdiri dari :
Disebut juga Pengujian 1. Uji-t = mengetahui pengaruh secara parsial variabel
hipotesis Kompatibilitas :
merupakan pengujian independen terhadap variabel dependen.
kecocokan apakah hasil 2. Uji F = mengetahui secara bersama-sama semua variabel
pengamatan (frekuensi
pengamatan) tertentu independen dalam mempengaruhi variabel dependen.
sudah sesuai dengan 3. Uji R2 (Koefisien Determinasi) = menentukan seberapa
frekuensi yang diperoleh
berdasarkan nilai besar variabel independen mempengaruhi variabel
harapannya (frekuensi dependen
teoretis).
4. Uji Asumsi Klasik = memperkuat validitas model, yang
dapat dilakukan melalui pengujian normalitas,
autokorelasi, multikolinearitas, juga heteroskedastisitas.
5. Uji Statistik = Software SPSS, R, Minitab, E-Views, Lisrel,
AMOS.
- 20 -
• Distribusi Diketahui
• Distribusi Populasi
Normal (Uji t)
• Varians Kelompok
sama (Uji Levene)
• Skala pengukuran
berbentuk Interval /
Rasio
- 21 -
- 22 -
• Memeriksa kecocokan model (Koef. Determinasi, Uji
t, Uji F)
• Pengujian spesifikasi model
• Menguji hipotesis yang didasarkan dari model
Time t, in months
- 23 -
Product users ‘000
Time t, in months
- 24 -
• Membuat resume 1 (satu) jurnal penelitian di bidang manajemen dengan
kerangka penulisan sebagai berikut :
1. Judul Penelitian :
2. Rumusan Masalah :
3. Hipotesa :
4. Model Penelitian :
5. Jenis Data Penelitian :
6. Teknik Pengumpulan Data :
7. Teknik Analisis Data :
• Resume diketik di kertas Kwarto dengan format huruf Times New Roman
ukuran 12 dengan spasi 1,5.
• Hasil resume maksimal 2 lembar dan dikumpulkan minggu depan sebelum
perkuliahan Ekonometrika di mulai.
- 25 -
• Korelasi • Koofisien korelasi (r)
adalah teknik statistik adalah keeratan hubungan
yang digunakan untuk antara satu variabel dengan
mencari hubungan antara variabel lainnya, Koofisien
dua variabel atau lebih korelasi ”r” merupakan
yang sifatnya kuantitatif taksiran dari korelasi
(berbanding lurus atau populasi dengan kondisi
terbalik atau bahkan tidak sample normal (acak).
mempunyai hubungan Tingkat keeratan hubungan
sama sekali.) (koofisien korelasi)
bergerak dari 0-1.
- 26 -
• Jjika r mendekati 1 Contoh:
dikatakan bahwa variabel • Korelasi Positif (+) :
memiliki hubungan yang Korelasi antara harga dan
sangat erat. penawaran, Pendapatan
• Jika mendekati 0 dan konsumsi
dikatakan bahwa variabel • Korelasi negatif (-) :
mempunyai hubungan Korelasi antara harga dan
yang rendah. permintaan, Kesadaran
hukum dan tingkat
• Koofisien korelasi
kriminalitas
mempunyai tanda - / +.
Y = α + βX
Y = Variabel Terikat (Dependen)
X = Variabel Bebas (Independen)
α = Intersept (Titik Potong)
β = Koefisien Regresi
- 27 -
Misal :
Penelitian Tentang Pengaruh Variabel Pendapatan (X)
Terhadap Konsumsi (Y), diperoleh persamaan regresi
sebagai berikut :
Y = 0,015 + 0,848 X
Nilai α = 0,015 (Jika tidak ada pendapatan maka nilai konsumsi
sebesar 0,015)
Nilai β = 0,848 (Setiap kenaikan pendapatan Rp 1 akan me-
ningkatkan konsumsi sebesar Rp 0,848
- 28 -
• Stochastic adalah proses • Deterministic adalah proses
yang diwarnai dengan yang memberikan suatu
ketidakpastian kepastian atau kebalikan dari
• Stochastic dalam stochastic (nir-stochastic).
ekonometrika : apabila pada • Nir-stochastic berarti suatu
suatu persamaan tertentu, proses pasti dimana variabel
variabel independent dapat independent memberikan nilai
memberikan beberapa nilai tunggal bagi variabel dependen-
untuk variabel dependennya. nya.
- 29 -
Tidak ada pengamatan atau titik
yang berada tepat di garis (model
matematis)
- 30 -
• Inferensi adalah tindakan atau proses yang berasal
kesimpulan logis dari premis-premis yang diketahui atau
dianggap benar. Kesimpulan yang ditarik disebut sebagai
idiomatik.
• Para peneliti selalu melakukan inferensi untuk dapat
membuktikan korelasi, meskipun tidak membuktikan
sebab.
• Inferensi yang sering digunakan adalah hipotesis
- 31 -
• Hipotesis adalah asumsi mengenai populasi.
• Asumsi dalam hipotesis biasanya lebih dari satu
• Asumsi yang tidak ingin diuji dinamakan maintained
hypothesis (asumsi dasar yang diterima kebenarannya)
• Asumsi yang ingin diuji dinamakan testable hypothesis
(asumsi yang dapat diuji)
• Testable hypothesis biasanya berupa pernyataan bahwa
suatu parameter populasi memiliki nilai tertentu
- 32 -
Contoh :
Obat baru ditemukan untuk memperbaiki kualitas obat yang
lama/sebelumnya. Jika manfaat obat baru sama dengan
obat sebelumnya, mengapa perlu diciptakan obat baru
tersebut? Bagaimanakah membuat hipotesis pengujian?
– Ho : obat baru = obat lama
– H1 : obat baru > obat lama
- 33 -
- 34 -
Homoscedastic,
No-multicollinearity
No-autocorrelation
- 35 -
Normalitas
• Pengujian normalitas adalah • Uji Kolmogorov-Smirnov
pengujian tentang kenormalan digunakan untuk menguji
distribusi data. suatu asumsi apakah suatu
• Asumsi normalitas memiliki data sampel berasal dari
peranan penting dalam uji-uji populasi yang berdistribusi
• parametrik, seperti uji beda normal atau tidak.
rata-rata dari dua populasi • Hipotesis dalam yang
dengan uji dan analisis varians. digunakan :
• H0 : Data yang diteliti berasal
• Hal ini karena uji-uji parametrik dari populasi yang berdistribusi
akan bekerja dengan baik normal
ketika asumsi normalitas • H1 : Data yang diteliti tidak
dipenuhi berasal dari populasi yang
berdistribusi normal
- 36 -
Nilai 0.125 merupakan nilai
statistik (Dmax) Uji
Kolmogorov-Smirnov.
Autokorelasi
- 37 -
Konsekuensi Autokorelasi
- 38 -
Multikolinearitas
• Uji ini merupakan bentuk • Untuk mendeteksi apakah
pengujian asumsi dalam terindikasi terjadi gejala
analisis regresi berganda. multikolinieritas atau tidak, dapat
Asumsi multikolinearitas digunakan pendekatan nilai VIF
menyatakan bahwa (variance inflation factor) atau nilai
variabel independen harus tolerance.
terbebas dari gejala • Nilai VIF dari masing-masing
multikolinearitas. variabel bebas dihitung dengan
• Gejala ini ditunjukkan maksud untuk mendeteksi apakah
dengan korelasi yang terindikasi terjadi gejala
signifikan antara variabel multikolinieritas atau tidak.
independen. • Nilai VIF yang lebih besar dari 10
diindikasi terjadi multikolinearitas
- 39 -
Heterokedastisitas
- 40 -
1. Untuk menaksir nilai rata-rata dari variabel terikat
berdasarkan nilai-nilai variabel bebas yang ada
2. Untuk menguji hipotesis tentang sifat
ketergantungan antar variabel yakni hipotesis
berdasarkan teori ekonomi.
3. Untuk memprediksi atau meramalkan nilai rata-
rata dari variabel terikat berdasarkan nilai variabel
bebas yang berada diluar rentang sampel.
- 41 -
1. Variabel bebas/Independen/Eksogen adalah variabel yang bisa
dikontrol atau variabel yang mengendalikan.
2. Variabel tidak bebas/Dependen/Endogen adalah variabel yang
mencerminkan respon dari variabel bebas atau variabel yang
dikendalikan.
3. Variabel dummy adalah variabel yang mempresentasikan secara
kuantitatif dari suatu variabel kualitatif.
– Misal: jenis kelamin,lokasi, situasi, musim dan kualitas.
– Variabel dummy sering juga disebut variabel boneka, binary
kategorik atau dikotom
– Dummy memiliki nilai (D =1) untuk salah satu kategori dan nol
(D = 0) untuk kategori yang lain
5. Variabel Intervening
4. Variabel Moderating
merupakan variabel penyela/ antara
Variabel-variabel yang memperkuat atau
variabel independen dengan variabel
memperlemah hubungan langsung
dependen, sehingga variabel
antara variabel independen dengan
independen tidak langsung
variabel dependen. Contoh kemampuan
mempengaruhi berubahnya/ timbulnya
managerial, kepribadian, usia, masa
variabel dependen. Contoh Kreativitas,
kerja, budaya, dll.
Rasa puas, Emosi, dsb.
- 42 -
1. Model regresi adalah linear.
2. Error term berdistribusi normal, implikasinya Y
dan distribusi sampling koefisien regresi memiliki
distribusi normal. Sehingga nilai harapan dan
rata-rata kesalahan (error) adalah nol. Model BLUE :
- Best
3. Varians tetap (homoscedastic) - Linier,
4. Tidak ada hubungan variabel bebas dengan error - Unbiased,
term. - Estimator
5. Tidak ada autocorrelation antara error term
6. Pada regresi linear berganda hubungan
antarvariabel bebas (multicolinearity) tidak terjadi.
• Persamaan regresi
merupakan suatu
persamaan yang
menjelaskan hubungan
antara variabel bebas dan
variabel tak bebas. Persamaan Regresi Linier
• Digunakan untuk
memprediksi atau
mengestimasi nilai dari
variabel tak bebas
berdasarkan informasi dari
Persamaan Regresi
variabel bebas. Non Linier
- 43 -
Regresi Linier Sederhana (Simple
Linier Regression)
– Jika hanya melibatkan 1 variabel
• Persamaan regresi linear bebas.
hanya melibatkan 1 – Bentuk Persamaan : Y = α + βX
variabel tak bebas.
• Variabel bebas maupun
Regresi Linier Berganda (Multiple
variabel tak bebas Linier Regression)
bersifat metrik (interval • Jika melibatkan lebih dari satu
atau rasio) variabel bebas.
• Bentuk Persamaan :
Y = α + β1X1 + β2X2 +.......+βnXn
y x
nxi yi xi yi
n
n n
nxi2 xi
n n 2
i 1 i1
- 44 -
Analisis korelasi digunakan untuk mencari
hubungan antara dua variabel.
• Hasil analisis dari korelasi adalah koefisien
korelasi (r) yang menunjukkan kekuatan
dan kelemahan dari suatu hubungan.
• Tidak Melibatkan unsur sebab akibat antar
variabel.
• Koefisien Determinasi (KD), digunakan
untuk mengetahui tingkat pengaruh (%)
perubahan nilai X terhadap perubahan nilai
Y. Dihitung menggunakan rumus:
• KD = r2(100%)
- 45 -
Tentukan Persamaan Regresi, koefisien korelasi dan Koefisien
Determinasi bagi data berikut ini:
x (Pendapatan) 12 10 14 11 12 9
y (Konsumsi) 18 17 23 19 20 15
Jawab:
Untuk mempermudah, terlebih dahulu dilakukan perhitungan
beberapa notasi penjumlahan (Σ) yang diperlukan dalam
rumus. Perhitungan tersebut dilakukan membentuk sebuah
tabel sebagai berikut: …
x i 68
6
i x y x2 y2 x.y
1 i 1
12 18 144 324 216
y i 112
6
x 786
3 14 23 196 529 322 6
2
4 11 19 121 209 i
361 i 1
y 2128
5 6
12 20 144 400 240 2
i
6 i 1
xy
9 15 81 225 135
1292
6
Total i i
68 112 786 2128 1292 i 1
- 46 -
n xi y i xi y i
n
n n
y = 1,913 + 1,478 x
i 1 i 1 i 1
n xi xi
n Interpretasi Data :
n 2
i 1
2
1. Pada saat pendapatan =
i 1
6(1292 ) 68 (112 )
Rp 0, maka Konsumsi =
1, 478
6( 786 ) ( 68 ) 2
Rp 1,913.
2. Setiap kenaikan Rp 1
pendapatan, akan
y x meninngkatkan
112 68
konsumsi sebesar Rp
(1,478) 1,913 1,478.
6 6
(6)(1292) (68)(112)
positif yang sangat baik .
r 0,947
[(6)(786) (68)2 ][(6)(2128) (112)2 ]
• Semakin tinggi pendapatan maka
akan semakin tinggi konsumsi.
- 47 -
Model Unstandardized Standar Mo R R Adjusted Std Error Of
Coefficients dized del Square R Square The Estimate
Coefficie 1 .947a .898 .872 1.02
nts
B Std. Beta t Sig.
Error
1. (Constant) 1.913 2.859 .669 .540
a. Dependent Variable
: Konsumsi
- 48 -
Model Unstandardized Standard Mo R R Adjusted Std Error Of
Coefficients ized del Square R The Estimate
Coefficie Square
nts 1 .916a .839 .826 17.13
B Std. Beta t Sig.
Error
1. (Constant) 111.523 16.982 6.567 .000
1. Konstanta = 111.523 menyatakan bahwa jika tidak ada biaya promosi, maka
penjualan adalah sebesar Rp 111.523 Juta.
2. Koefisien regresi = 3.891 menyatakan bahwa setiap penambahan (karena
tanda +) Rp 1,- BIaya promosi akan meningkatkan penjualan sebesar Rp
3.891.
3. Hasil uji hipotesis : Sig (.000)< 0.05, maka Ho ditolak artinya Biaya promosi
berengaruh secara signifikan terhadap Penjualan.
4. Nilai R (koef. Korelasi = 0.916) menunjukkan bahwa Hubungan antara
variabel Biaya promosi dengan penjualan sangat kuat.
5. Nilai R2 (Koef. Determinasi = 0.839) menyatakan bahwa 83.9 % Penjualan
dipengaruhi oleh Biaya promosi, sedangkan sisanya (100% - 83.9% = 16.1 %)
dipengaruhi oleh variabel lain.
6. Standard Error of The Estimate = 17.13 menunjukkanangka yang kecil,
sehingga varian y dengan y estimasi tidak berbeda jauh.
- 49 -
• Sebuah penelitian ingin mengetahui pengaruh Kurs Rupiah terhadap indeks harga
saham di BEJ dengan menggunakan analisa regresi dan korelasi.
• Data penelitian selanjutnya dianalisis dengan software SPSS , dan output
menunjukkan hasil sebagai berikut :
Jawaban :
1. Dependen (Y) : Indeks Harga Saham
Independen (X) : Kurs Rupiah
2. Hipotesis Penelitian :
Ho = Kurs Rp tidak berpengaruh terhadap Indeks Saham
H1 = Kurs Rp berpengaruh secara signifikan terhadap
Indeks Saham
- 50 -
Interpretasi Persamaan :
– Konstanta = -37.429 menyatakan bahwa jika Kurs Rupiah Rp 0,-, maka
Indeks Harga Saham akan mengalami Kenaikan sebesar 37.429 point.
– Koefisien regresi = 0.752 menyatakan bahwa setiap kenaikan Kurs Rupiah
(karena tanda +) Rp 1,- maka indeks harga saham akan naik sebesar 37.429
point.
4. Koefisien Korelasi = 0.977 menunjukkan bahwa hubungan antara kurs rupiah
dengan indeks harga saham sangat kuat.
5. Koefisien Determinasi = 0.9752 menunjukkan bahwa 97.52 % Indeks Harga
Saham dipengaruhi oleh Kurs Rupiah, sisanya sebesar 2.48% dipengaruhi oleh
faktor lain.
6. Hasil uji hipotesis : Sig (.001)< 0.05, maka Ho ditolak artinya Kurs upiah
berpengaruh secara sigifikan terhadap Indeks Harga Saham.
7. Standard Error of The Estimate = 0.000 menunjukkan bahwa varian y dengan y
estimasi berbeda..
- 51 -
Analisis Regresi Linier Berganda
- 52 -
Menghitung Koefisien Regresi
r r2
Keterangan :
• Ŷ = Nilai Y dari persamaan regresi
• Ῡ = Nilai Y Rata-rata .
- 53 -
Case 1 (Manual)
• Menurut kajian literatur Inflasi KR SB Inflasi
Tahapan
Langkah :
• Menentukan variabel bebas Variabel Bebas :
dan tidak bebas X1 = Kurs Rupiah
• Menentukan nilai α dan β X2 = Suku Bunga Deposito
• Menyusun persamaan regresi.
• Menentukan koefisien Korelasi Variabel Tidak Bebas :
dan Determinasi Y = Inflasi
• Menentukan Nilai Standard
Error Of The Estimate
- 54 -
Menentukan Persamaan Regresi
- 55 -
Y = 1,586 + 0,04 β1X1 + 0,105 β2X2
- 56 -
Koefisien Determinasi Koefisien Korelasi
r r2
r ( 0 . 983 )
r 0 . 991
Keterangan :
n = Banyaknya data
k = Banyaknya variabel
- 57 -
Output SPSS
α = 1.586
Y = 1,586 + 0,040 β1X1 + 0,105 β2X2
β1 = 0.040
β2 = 0.105
- 58 -
Kecocokan Model
(1) Koefisien
Determinasi
Kecocokan Model
Teoritis dengan data (2) Uji F
yang ada
(3) Uji t
- 59 -
Output SPSS : R2
- 60 -
Pengambilan Keputusan Uji F
• Menghitung derajat bebas (Df) pembilang = k-1, Penyebut = n-k
• Membandingkan nilai statistik dari uji F (F Hitung) terhadap nilai kritis
berdasarkan tabel distribusi F (F kritis)
– Jika FHitung ≦ FKritis maka H0 diterima.
– Jika FHitung > FKritis maka H0 ditolak.
F Kritis
- 61 -
Mengukur Kecocokan Model : Uji t
• Uji t menguji signifikansi Perumusan Hipotesis Uji t :
masing-masing koefisien • H0βk : βk = 0
• H1βk : βk ≠ 0.
regresi terhadap model
(secara parsial).
Pengambilan Keputusan :
Dengan cara membandingkan nilai
statistik dari uji t (t Hitung) terhadap nilai
kritis berdasarkan tabel distribusi t (t
Tabel/kritis)
• Jika tHitung ≦ tKritis maka H0 diterima.
• Jika tHitung > tKritis maka H0 ditolak.
Daerah penerimaan
Daerah penolakkan �t 0K. �0.
t Kritis = - t Kritis = +
- 62 -
Pengambilan Keputusan Uji t
• Menggunakan pendekatan nilai probabilitas dari uji t
– Jika nilai probabilitas ≧ Tingkat Signifikansi maka H0 diterima.
– Jika nilai probabilitas < Tingkat Signifikansi maka H0 ditolak.
Latihan
1. Diketahui dari sebuah hasil penelitian :
F Tabel (df = 17, α = 5%) = 3,20
Jika F Hitung = 49.568, Tentukan apakah model fits dengan data penelitian ?
2. Tentukan signifikansi koefisien regresi, jika diketahui hasil output SPSS uji t
sebuah penelitian memberikan hasil sebagai berikut : t tabel (df = 17, α =
5%) = 2,110
- 63 -
Pengantar
• Penggabungan data deret waktu dengan kerat silang disebut dengan data panel.
• Diperoleh gambaran tentang perilaku beberapa objek tersebut selama beberapa periode
waktu.
• Nama lain data panel: Pooled data, longitudinal data, event history analysis, ataupun cohort
analysis
• Keuntungan menggunakan data panel:
• Dapat mengontrol unobserved heterogeneity
• Memberikan data yang lebih informatif, lebih bervariasi, mengurangi kolinearitas
antarpeubah, memperbesar derajat kebebasan, dan lebih efisien.
• Dapat dipelajari suatu bentuk perubahan yang dinamis.
• Dapat mendeteksi dan mengukur efek suatu peubah pada peubah lainnya dengan
lebih baik
• Dapat digunakan untuk mempelajari model prilaku (behavioral model) yang lebih
kompleks
- 64 -
Model Umum Regresi Data Panel
• Model Umum:
Yit X 'it u it
dimana:
i = 1, 2, …, N, menunjukkan rumah tangga, individu,
perusahaan dan lainnya (dimensi data silang)
t = 1, 2, …, T, menunjukkan dimensi deret waktu
α = koefisien intersep yang merupakan skalar
β =koefisien slope dengan dimensi K x 1, dimana K adalah
banyaknya peubah bebas
Yit = peubah tak bebas unit individu ke-i dan unit waktu ke-t
Xit = peubah bebas untuk unit individu ke-i dan unit waktu ke-
t
- 65 -
Pendekatan dalam Regresi Data Panel
• Estimasi regresi data panel tergantung asumsi intersep, slope dan
sisaan uit
• Terdapat beberapa kemungkinan :
• Intersep dan slope adalah konstan menurut waktu dan individu
sedangkan sisaan berbeda antar waktu dan individu
• Slope tetap tetapi intersep berbeda antar individu
• Slope tetap tetapi intersep berbeda antar individu antar waktu
• Semua koefisien (slope dan intersep) berbeda antar individu
• Semua koefisien berbeda antar individu dan antar waktu
• Berdasarkan variasi-variasi asumsi tsb, terdapat tiga pendekatan
perhitungan model regresi data panel yaitu:
1. Metode Common-Constant (The Pooled OLS Method=PLS)
2. Metode Fixed Effect (FEM)
3. Metode Random Effect (REM)
- 66 -
Pemilihan Model Regresi Data Panel
- 67 -
Prosedur Eviews untuk Pemilihan Model
Uji Chow untuk memilih antara model PLS dengan FEM
• Dalam posisi setelah mengestimasi model FEM, klik View.
• Contoh :
Pendapatan dan pengeluaran dari
4 perusahaan pada tahun 2000
(dalam milyar).
Nama Pendapatan Pengeluaran
Perush.
Perush. A 35 22
Perush. B 21 15
Perush. C 99 56
Perush. D 27 12
- 68 -
• Contoh :
Pendapatan dan pengeluaran
perusahaan A periode tahun 2000
- 2005 (dalam milyar).
• Contoh :
Pendapatan dan pengeluaran
pada perusahaan A, B, C, dan D
dalam periode 2000-2002 (dalam
milyar).
Nama Tahun Pendapat Pengeluaran
Perush. an
Perush. A 2000 35 22
2001 21 15
2002 99 56
2003 27 12
2004 46 27
2005 66 36
- 69 -
Pengertian Ekonometrika Deret Waktu
- 70 -
Pola Data Deret Waktu
- 71 -
Paket Program Komputer untuk Analisis
Eviews
• Salah satu perangkat lunak (software) ekonometrik, yg
menyediakan peralatan analisis data, regresi dan
peramalan.
• Dapat digunakan dalam berbagai analisis data dan
evaluasinya, analisis keuangan, peramalan peubah-
peubah makro ekonomi, peramalan penjualan dan
lainnya.
• Keunggulan: kelengkapan peralatan untuk
ekonometrika deret waktu serta pengolahan data panel.
SPSS
• Perangkat lunak statistik paling populer dan
paling banyak digunakan.
• Tiga aspek yang menyebabkan SPSS menjadi
perangkat lunak statistik yang terkenal
o User friendly, sehingga dengan mudah dipelajari.
o Kemampuan spreadsheet-nya memungkinkan
mengolah data secara cepat dan mudah.
o Memiliki fasilitas pengolahan statistik yang
beragam, mulai dari tingkat dasar sampai tingkat
lanjut.
- 72 -
Proses Stokastik dan Kestasioneran Data Deret Waktu
- 73 -
Pemeriksaan Kestasioneran: Trend Data
- 74 -
Pemeriksaan Kestasioneran: Uji Signifikansi
Autokorelasi
1.96( 1 / n ) k 1,96( 1 / n)
k 1
- 75 -
Pemeriksaan Kestasioneran: Uji Statistik Ljung-Box (LB)
k 1 n 1
• Hipotesis:
H0 : = 0 (yg berarti Yt tidak stasioner)
H1 : <0 ( yg berati Yt stasioner)
• Nilai -statistik dibandingkan -McKinnon Critical Values.
- 76 -
Pemeriksaaan Kestasioneran: Uji Akar Unit (ADF-Test)
dimana:
• Prosedur uji PP dapat diaplikasikan melalui cara yg sama dengan uji DF.
- 77 -
Ringkasan Prosedur Eviews untuk Pemeriksaan
Kestasioneran
Trend Data
• Dari workfile klik View.
Contoh output
korelogram
- 78 -
Uji Akar Unit
• Dari menu View, klik Unit Root Test. Muncul tampilan berikut:
Tentukan jenis uji.
Pilihannya lihat gambar
samping kanan
- 79 -
Komponen Deret Waktu
- 80 -
Analisis Trend
- 81 -
• Trend kuadratik: kecenderungan data yang kurvanya berpola
lengkungan (curvature).
• Model estimasi persamaannya: Y t 0 1 t 2 t
2
- 82 -
Pemilihan Trend
- 83 -
Ringkasan Prosedur SPSS: Analisis Trend
• Klik Analyze > Regression > Curve Estimation.
- 84 -
Pengantar
• Metode dekomposisi : memisahkan tiga komponen data deret
waktu, yaitu Trend, Siklus, dan Variasi Musiman.
• Asumsi : data tersusun atas komponen pola dan unsur
kerandoman.
• Secara matematis dirumuskan :
Yt f (Tt , Ct , S t , Et )
dimana:
Yt = data periode t
Tt = komponen trend periode t
Ct = komponen siklus periode t
St = komponen musiman periode t
Et = komponen random periode t
- 85 -
Rata-Rata Bergerak Terpusat
• Rata-rata bergerak yg diletakkan di tengah nilai-nilai data
yg dirata-ratakan.
• Jika observasi (N) berjumlah ganjil, data diletakkan pada
periode ke- (N+1)/2
• Contoh: MA(3) hasil rata-rata diletakkan pada periode ke
(3+1)/2=2
- 86 -
Model dan Teknik Dekomposisi
• Metode dekomposisi : model dekomposisi aditif dan
multiplikatif.
• Metode dekomposisi rata-rata sederhana dan rasio trend
berasumsi pada model aditif. Secara matematis sbb:
Yt=Tt + Ct + St + Et
Model dekomposisi aditif sudah jarang digunakan.
• Metode dekomposisi rasio rata-rata bergerak (dekomposisi
klasik) berasumsi pada model multiplikatif. Secara
matematis sbb:
Yt=Tt x Ct x St x Et
t t t t I t xE t
Yt I xT xC xE
Tt xCt Tt xCt
3. Cari indeks musiman St dgn cara memisahkan faktor acak Et dgn cara
a. Gunakan rata-rata bergerak medial yaitu nilai rata-rata untuk setiap
periode setelah dikeluarkan nilai terbesar dan nilai terkecilnya. Ini akan
menghilangkan unsur random Et dan yg tersisa hanya faktor musiman.
b. Indeks musiman diperoleh dari rata-rata medial dikali faktor koreksi.
4. Pisahkan hasil langkah 3 dari langkah 1 untuk mendapatkan faktor siklus
Ct
Tt x C t
5. Pisahkan Et dan membagi data asli terhadap faktor It, Tt, dan Ct.
Tt
- 87 -
Ringkasan Prosedur SPSS
• Input data pada worksheet SPSS
• Masukkan informasi tahun dan bulan. Klik Data > Define Dates.
- 88 -
• Pada worksheet SPSS, terdapat empat peubah baru seperti
tampilan berikut:
350000.00000
Kredit from SEASON, MOD_4, …
Seasonal adjusted series for
300000.00000
250000.00000
200000.00000
150000.00000
100000.00000
JAN JUN NOV APR SEP FEB JUL DEC MAY OCT
2007 2007 2007 2008 2008 2009 2009 2009 2010 2010
Date
- 89 -
Pengantar
• Data deret waktu, terutama data keuangan
seringkali memiliki volatilitas yang tinggi.
• Volatilitas mengacu pada kondisi yang
berkonotasi tidak stabil, cenderung bervariasi
dan sulit diperkirakan.
• Implikasi data yang bervolatilitas tinggi adalah
variance dari error tidak konstan (mengalami
heterokedastisitas)
• ARCH dan GARCH adalah dua model
estimasi untuk perilaku data dengan volatilitas
tinggi
- 90 -
Model ARCH
• Engle mengembangkan model dimana rerata dan ragam suatu data
deret waktu dimodelkan secara simultan.
• Model tersebut dikenal dengan model autoregressive conditional
heteroscedasticity (ARCH).
• Model ARCH(p) dinyatakan sebagai:
Yt 0 1 X t et ( persamaan rerata )
2 t 0 1e 2 t 1 2 e 2 t 2 ... p e 2 t p ( persamaan ragam)
Model GARCH
• Bollerslev mengembangkan model ARCH dgn memasukkan unsur
residual periode lalu dan ragam residual.
• Dikenal sebagai model Generalized Autoregressive Conditional
Heteroscedasticity (GARCH).
• Model GARCH(p,q) dinyatakan sebagai:
2 t 0 1e 2 t 1 ... p e 2 t p 1 2 t 1 ...q 2 t q
• Persamaan tsb menunjukkan ragam residual (σ2t) tidak hanya
dipengaruhi oleh kuadrat residual periode yang lalu (e2t-p), tetapi
juga oleh ragam residual periode yang lalu (σ2t-q).
• Model ARCH seperti model ARCH, juga diestimasi
menggunakan metode Maximum Likelihood (ML).
- 91 -
Tahapan Estimasi Model ARCH dan GARCH
1. Identifikasi efek ARCH
• Bentuk model deret waktu mengikuti metode Box-Jenkins
• Deteksi apakah terdapat efek ARCH pada residualnya
• Dua cara umum menguji efek ARCH: (1) Pola residual
kuadrat melalui korelogram; (2) Uji ARCH-LM
2. Estimasi Model
• Estimasi dan simulasikan beberapa model persamaan
ragam berdasarkan persamaan rerata yang telah dibentuk
• Pilih model terbaik dgn memperhatikan signifikansi
parameter estimasi, Log Likelihood serta kriteria AIC dan
SIC terkecil.
3. Evaluasi Model
• Beberapa pengujian: (1) normalitas error; (2) keacakan
residual; dan (3) efek ARCH
4. Peramalan
• Lakukan peramalan dengan menggunakan model terbaik
• Evaluasi kesalahan peramalan: Root Mean Squares Error
(RMSE), Mean Absolute Error (MAE) atau Mean
Absolute Percentage Error (MAPE)
- 92 -
Prosedur Eviews untuk memperoleh pola residual kuadrat
• Dari workfile: View > Correlogram Squared Residuals.
- 93 -
Prosedur Eviews untuk Estimasi dan Simulasi Model
• Dari menu utama Eviews: Quick > Estimate Equation
- 94 -
Prosedur Eviews untuk Evaluasi Model
Pengujian Normalitas Error: dari Workfile: View > Residual Tests >
Histogram-Normality Test. Muncul output:
36
Series: Standardized Residuals
32 Sample 4 248
Observations 245
28
24 Mean -0.028679
Median -0.048628
20 Maximum 5.486492
Minimum -3.377857
16
Std. Dev. 1.007445
12 Skewness 0.560827
Kurtosis 6.866798
8
Jarque-Bera 165.4795
4 Probability 0.000000
0
-2.50 -1.25 0.00 1.25 2.50 3.75 5.00
- 95 -
Pengantar
- 96 -
Proses Regresi Diri
Yt 1Yt 1 2 Yt 2 ... p Yt p et
|βq| < 1, dan et kumpulan semua peubah yg mempengaruhi
Yt selain nilai p amatan waktu lampau terdekat.
- 97 -
Proses Regresi Diri Ordo Kedua
• Model regresi diri ordo kedua, AR(2), diberikan oleh:
Yt 1Yt 1 2 Yt 2 et
- 98 -
Proses Rataan Bergerak
• Suatu deret waktu dinamakan deret waktu rataan bergerak ordo ke
q, MA(q), bila:
Yt et 1et 1 2 et 2 ... p et q
dengan e didefinisikan sebagai ingar putih
0, untuk k q 1
- 99 -
Proses Campuran Diri dan Rataan Bergerak (ARMA(p,q))
Jika model terdiri atas gabungan proses regresi diri ordo p dan rataan
bergerak ordo q, dinamakan ARMA(p,q).
Bentuk umum persamaan ARMA(p,q):
Yt 1Yt 1 2Yt 2 ... pYt p et 1et 1 2et 2 ... q et q
ARMA(1,1)
Persamaan Yule Walker untuk ARMA(1,1) diberikan oleh:
ARMA(p,q)
Persamaan Yule-Walker untuk ARMA(p,q) diberikan oleh:
k 1 k 1 2 k 2 ... p k p untuk k q
- 100 -
Prosedur Box-Jenkins
• Untuk menentukan perilaku data mengikuti pola AR, MA,
ARMA atau ARIMA, dan untuk menentukan ordo AR, MA.
• Empat tahapan prosedur Box-Jenkins :
1. Identifikasi Model
2. Estimasi Parameter Model
3. Evaluasi Model
4. Prediksi atau Peramalan
Identifikasi Model
• Deteksi masalah stasioner data. Jika tidak stasioner, lakukan
proses diferensi untuk mendapatkan data stasioner
• Identifikasi model ARIMA melalui autocorrelation function (ACF)
dan partial autocorrelation function PACF
- 101 -
- 102 -
Estimasi Parameter Model
• Pengujian kelayakan model dengan mencari model terbaik.
• Model terbaik didasarkan goodness of fit melalui uji t, F, R2 serta kriteria
AIC (Akaike information criterion) dan SC (Schwarz criterion)
Evaluasi Model
• Lakukan pengujian terhadap residual model yang diperoleh. Model yg
baik memiliki residual bersifat random (white noise).
• Analisis residual dgn korelogram melalui ACF dan PACF.
• Jika koefisien ACF dan PACF secara individual tidak signifikan, residual
bersifat random. Jika residual tidak random, piliih model yang lain.
• Pengujian signifikansi ACF dan PACF dapat dilakukan melalui uji dari
Barlett, Box dan Pierce maupun Ljung-Box.
- 103 -
Prosedur Eviews untuk Pemodelan ARIMA
Identifikasi Model
• Deteksi masalah stasioneritas
• Identifikasi model ARIMA melalui ACF dan PACF
• Bentuk model, dengan cara: Quick > Estimate Equation.
- 104 -
Evaluasi Model
• Evaluasi model dgn menganalisis residualnya melalui korelogram
ACF maupun PACF
• Dari workfile, klik View >Residual Tests > Correlogram–Q–statistics.
Contoh hasilnya sbb:
• Buka hasil estimasi model. Dari workfile, Klik Proc > Forecast. Muncul
tampilan:
Isikan/Pilih:
• Series to forecast: pilih peubah asli, bukan diferensi
• Series names: tulis peubah penyimpan hasil peramalan
• Method: pilih Dynamic forecast
• Output: centang Forecast graph dan Forecast evaluation
• Klik OK
- 105 -
• Klik Structure/Rezise Current Page
2,000
25 50 75 100 125 150 175 200 225 250
IHSGF ± 2 S.E.
- 106 -
Pengantar
• Seringkali teori ekonomi belum mampu menentukan
spesifikasi yang tepat untuk model, disebabkan:
• Teori ekonomi terlalu kompleks sehingga perlu dilakukan
penyederhanaan dalam model
• Atau fenomena yang ada terlalu kompleks sehingga tidak
cukup hanya dijelaskan dengan teori yang ada.
• Model Vector Autoregressive (VAR) menawarkan alternatif
pemodelan sebagai solusinya
• Model VAR dibangun dgn pendekatan meminimalkan teori
agar mampu menangkap fenomena ekonomi dgn baik.
• Model VAR disebut model non-struktural/tidak teoritis
- 107 -
Pengertian Model VAR
Yt A0 AYt 1 v t
(8.7)
- 108 -
• Persamaan tsb disebut Vector Autoregresive berordo 1 dengan
dua peubah (bivariate). Lazim ditulis VAR(1).
• Jika peubah sebanyak M, dengan observasi sebanyak T dan
ordo p, maka model VAR (p) dapat ditulis sbb:
Yt A0 A1Yt 1 A2 Yt 2 ... ApYt p vt
- 109 -
Estimasi Model VAR
– Model VAR merupakan sistem persamaan simultan
– Jika peubah bebas di semua persamaan sama, estimasi dapat
dilakukan dgn metode OLS terhadap setiap persamaan.
– Jika peubah bebas berbeda antar persamaan, menjadi near
VAR. Estimasi dgn metode SUR (Seemingly Unrelated
Regression).
– Estimasi model VAR (p), penting menentukan lag atau p.
– Lag optimal dapat ditentukan dengan menggunakan
beberapa kriteria, yaitu LR, AIC, SC, LR, FPE dan HQ.
– Kriteria pemilihan lag optimal adalah pada LR yang terbesar,
atau pada AIC, SC, FPE dan HQ bernilai terkecil.
– Agar semua kriteria dapat dibandingkan untuk berbagai lag,
banyaknya observasi yg digunakan setiap model VAR harus
sama.
- 110 -
Forecast Error Decomposition Variance (FEDV)
• Bertujuan memprediksi kontribusi persentase varian
setiap peubah karena adanya perubahan peubah
tertentu dalam sistem VAR
• Analisis FEDV digunakan untuk menggambarkan
relatif pentingnya setiap peubah dalam sistem VAR
karena adanya shock.
Uji Kausalitas
• Pengujian untuk menentukan hubungan sebab akibat
antara peubah dalam sistem VAR.
• Hubungan sebab akibat diuji dgn uji kausalitas
Granger.
Contoh output
VAR
- 111 -
Pengujian kestabilan model VAR
• Prosedurnya adalah: klik View > Lag Structure > AR Roots Table
- 112 -
Prosedur Eviews untuk Peramalan dengan VAR
• Perpanjang terlebih dahulu range sampel observasi
• Setelah mengestimasi sistem VAR, dari workfile klik Procs > Make
Model, akan muncul tampilan berikut
1.2 1.2
0.8 0.8
Contoh output
0.4 0.4
Impulse Response
0.0 0.0
-0.4 -0.4
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
.28 .28
.24 .24
.20 .20
.16 .16
.12 .12
.08 .08
.04 .04
.00 .00
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
- 113 -
Prosedur Eviews untuk Analisis FEDV
• Berdasarkan model VAR, klik View > Variance Decomposition
•Display Format & Response Standard Errors: sama seperti IRF
• Decomposition of: tergantung pada peubah yang dijadikan fokus
penelitian.
• Periods: isikan periode untuk variance decomposition
• Factorization: tergantung pada bentuk sistem yang digunakan.
VAR dan VECM menggunakan Cholesky, sedangkan S-VAR
menggunakan structural decomposition.
Variance Decomposition
Percent D(INF) variance due to D(INF) Percent D(INF) variance due to D(SBI)
100 100
80 80
60 60
40 40
Decomposition
0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
Percent D(SBI) variance due to D(INF) Percent D(SBI) variance due to D(SBI)
100 100
80 80
60 60
40 40
20 20
0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
• Klik kanan pada salah satu peubah yang diblok, kemudian klik
Open > as group. Akan muncul tampilan sebagai berikut:
- 114 -
• Klik View > Granger Causality. Kemudian pada pilihan Lags to
include, isikan lag optimal sistem VAR yang telah diperoleh pada
proses-proses sebelumnya
Contoh output
Granger Causality Test
- 115 -
Referensi
- 116 -