Kata Pengantar

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.

Kami mengucapkan terima kasih yang sebesar-besarnya kepada seluruh Civitas

Akademika Universitas Islam Kalimantan Muhammad Arsyad Al Banjari Banjarmasin atas
dukungan dan fasilitas pengajaran yang telah diberikan selama ini untuk pengembangan ilmu
pengetahuan secara umum dan ilmu ekonomi khususnya.

Banjarmasin, Maret 2018

Hormat Kami,

Rizka Zulfikar, S.Tp,MM

iii
 DAFTAR ISI

Hal.
HALAMAN JUDUL i
HALAMAN PENGESAHAN ii
KATA PENGANTAR iii
DAFTAR ISI iv
RENCANA PROGRAM PENGAJARAN MINGGUAN (RPPM) v

BAB 1. PENGANTAR EKONOMERIKA 1 - 12

BAB 2. METODOLOGI EKONOMETRIKA 13 - 25

BAB 3. KORELASI, KAUSALITAS, STOCHASTIC DAN 26 - 30

DETERMINISTIC DALAM EKONOMETRIKA

BAB 4. INFERENSI 31 - 34

BAB 5. UJI ASUMSI KLASIK 35 - 40

BAB 6. ANALISIS REGRESI SEDERHANA 41 - 51

BAB 7. ANALISIS REGRESI BERGANDA 52 - 63

BAB 8. ANALISIS REGRESI DATA PANEL 64 - 69

BAB 9. EKONOMETRIKA DERET WAKTU 70 - 79

BAB 10. ANALISIS TREND DAN TEKNIK PEMULUSAN 80 - 84

BAB 11. DEKOMPOSISI DATA DERET WAKTU 85 - 89

BAB 12. MODEL ARCH DAN GARCH 90 - 95

BAB 13. MODEL ARIMA (BOX JENKINS) 95 - 106

BAB 14. MODEL VAR : VECTOR AUTO REGRESSIVE 106 - 115

REFERENSI 116

iv
 RENCANA PROGRAM PENGAJARAN MINGGUAN (RPPM)

Pert Kompetensi Pokok Bahasan atau Sub Pokok Metode

ke Hard Skill Soft Skill Bahasan Pembelajaran
1 2 3 4 5
1 Mahasiswa mampu  Mahasiswa mampu KONTRAK PERKULIAHAN Ceramah
memahami konsep dasar berpikir analitis, Diskusi
ekonometrika sesuai logis, dan kritis. PENGANTAR EKONOMETRIKA
lingkup analisa dan A. Pengertian
mampu menerapkannya. B. Hubungan antar Disiplin Ilmu
C. Penggunaan Ekonometrika
D. Tujuan Ekonometrika
E. Kategori Ekonomterika
F. Konsep Forecasting
2 Mahasiswa mengetahui  Mahasiswa mampu METODOLOGI Ceramah
tahapan dalam berpikir analitis, EKONOMETRIKA Diskusi
ekonometrika dan logis, dan kritis. A. Perumusan Masalah Latihan
conntoh penggunaan  Mahasiswa mampu B. Perumusan Hipotes
dalam ekonomi. berpikir dan bekerja C. Penyusunan Model
cepat, tepat dan teliti. D. Collect Data
E. Pengujian Model
F. Analisis Hasil
G. Implementasi Hasil
3 Mahasiswa mampu  Mahasiswa mampu KORELASI, KAUSALITAS, Ceramah
memahami tentang berpikir analitis, STOKASTIK DAN Diskusi
hubungan antar dua logis, dan kritis. DETERMINISTIK Latihan
variabel, korelasi dan A. Korelasi dan Koefisien Korelasi
koefisien korelasi, B. Kausalitas
mengetahui konsep C. Konsep Stokastik & Deterministik
kausalitas dan perbedaan D. Hubungan antar dua variabel
antara stokastik &
deterministik .
4 Mahasiswa mampu  Mahasiswa mampu INFERENSI Ceramah
memahami pengertian berpikir analitis, A. Definisi Inferensi Diskusi
inferensi dan mampu logis, dan kritis. B. Bentuk dan Evaluasi Pengujian Latihan
membuat hipotesis  Mahasiswa mampu C. Hipotesis Null dan Hipotesis
berpikir dan bekerja Alternatif
cepat, tepat dan teliti. D. Kesalahan Pengujian

5 Mahasiswa mampu  Mahasiswa mampu UJI ASUMSI KLASIK Ceramah

memahami pentingnya berpikir analitis, A. Konsep model BLUE Diskusi
uji asumsi klasik dan logis, dan kritis. B. Normalitas
konsep BLUE (Best,  Mahasiswa mampu C. Autokorelasi.
Linier, Unbiased and berpikir dan bekerja D. Multikolinieritas
Estimator) cepat, tepat dan teliti. E. Heterokedatisitas

6 Mahasiswa mampu  Mahasiswa mampu ANALISIS REGRESI Ceramah

memahami konsep berpikir analitis, A. Tujuan analisis regresi Diskusi
dasar, tujuan dan logis, dan kritis. B. Jenis-jenis variabel Latihan
penggunaan analisis  Mahasiswa mampu C. Asumsi dasar regresi
regresi sederhana serta berpikir dan bekerja D. Persamaan regresi
mampu menerapkannya. cepat, tepat dan teliti. E. Analisis Regresi Sederhana
F. Korelasi dan Koefisien
Determinasi
G. Perhitungan manual dan SPSS
Pert Kompetensi Pokok Bahasan atau Sub Pokok Metode
ke Hard Skill Soft Skill Bahasan Pembelajaran
1 2 3 4 5
7 Mahasiswa mampu  Mahasiswa mampu ANALISIS REGRESI BERGANDA Ceramah
memahami analisis berpikir analitis, A. Menentukaan koefisien korelasi Diskusi
regresi berganda (dua logis, dan kritis. B. Menentukan koefisien determinasi Latihan
atau lebih variabel dan  Mahasiswa mampu C. Standard error of Estimates
mampu menerapkannya. berpikir dan bekerja D. Kecocokan Model
cepat, tepat dan teliti. E. Teknik Pengambilan Keputusan
8 Mahasiswa mampu  Mahasiswa mampu ANALISIS REGRESI DATA Ceramah
membedakan jenis-jenis berpikir analitis, PANEL Diskusi
data panel, mampu logis, dan kritis. A. Model umum regresi data Panel Latihan
memahami kegunaan  Mahasiswa mampu B. Pendekatan-pendekatan pada
regresi data panel dan berpikir dan bekerja regresi data panel (PLS, FEM dan
memecahkan masalah- cepat, tepat dan teliti. REM)
masalah pada analisis C. Pemilihan model pendekatan
regresi data panel. D. Prosedur Eviews unukpemilihan
model
9 Mahasiswa mampu  Mahasiswa mampu EKONOMETRIKA DERET Ceramah
menguasai dan berpikir analitis, WAKTU Diskusi
menerapkan konsep logis, dan kritis. A. Pengertian Latihan
ekonometrika deret  Mahasiswa mampu B. Pola Data
waktu dan mampu berpikir dan bekerja C. Proses stokastik dan kestasioneran
melakukan pemeriksaan cepat, tepat dan teliti. data deret waktu
kestasioneran data deret D. Pemeriksaan kestasioneran
waktu data(trend data, korelogram, uji
signifikansi auokorelasi, uji
statistik Q, uji LB, DF test, ADF
test dan PP Test).
E. Prosedur Eviews untuk
pemeriksaan kestasioneran data
10 Mahasiswa mampu  Mahasiswa mampu ANALISIS TREND DAN TEKNIK Ceramah
memilih , menganalisis berpikir analitis, PEMULUSAN Diskusi
trend data deret waktu logis, dan kritis. A. Pemilihan trend Latihan
dan mampu menerapkan  Mahasiswa mampu B. Teknik pemulusan dengan moving
teknik moving average. berpikir dan bekerja average
cepat, tepat dan teliti. C. Prosedur SPSS untuk analisis
trend.
11 Mahasiswa mampu  Mahasiswa mampu DEKOMPOSISI DATA DERET Ceramah
memecahkan masalah berpikir analitis, WAKTU Diskusi
dekomposisi pada data logis, dan kritis. A. Rata-rata bergerak terpusat Latihan
deret waktu.  Mahasiswa mampu B. Model dan Teknik Dekomposisi
berpikir dan bekerja C. Prosedur SPSS untuk dekomposisi
cepat, tepat dan teliti.
12 Mahasiswa mampu  Mahasiswa mampu ARCH DAN GARCH
memahami dan berpikir analitis, A. Model ARCH
menerapkan teknik logis, dan kritis. B. Model GARCH
ARCH dan GARCH  Mahasiswa mampu C. Prosedur Eviews untuk ARCH dan
berpikir dan bekerja GARCH
cepat, tepat dan teliti.
13 Mahasiswa mampu  Mahasiswa mampu TEKNIK ARIMA (BOX JENKINS) Ceramah
memahami dan berpikir analitis, A. Proses Regresi Diri Diskusi
menerapkan teknik logis, dan kritis. B. Proses Rata-rata bergerak Latihan
ARIMA (Box Jenkins)  Mahasiswa mampu C. AR,MA ARM dan ARIMA
berpikir dan bekerja D. Prosedur Box Jenkins
cepat, tepat dan teliti.
Pert Kompetensi Pokok Bahasan atau Sub Pokok Metode
ke Hard Skill Soft Skill Bahasan Pembelajaran
1 2 3 4 5
14 Mahasiswa mampu  Mahasiswa mampu MODEL DAN TEKNIK VAR Ceramah
memahami dan berpikir analitis, (VECTOR AUTOREGRESIVE) Diskusi
menerapkan teknik logis, dan kritis. A. Pengertian VAR Latihan
VAR  Mahasiswa mampu B. Model – model VAR
berpikir dan bekerja C. Estimasi dan Analisi Model VAR
cepat, tepat dan teliti. D. Prosedur Eviews untuk teknik
VAR.
1. Pendahuluan (Definisi, Tujuan, Ruang Lingkup)
2. Metodologi Ekonometrika
3. Korelasi, Kausalitas, Stochastic dan Deterministic dalam Ekonometrika
4. Inferensi
5. Uji Asumsi Klasik
6. Analisis Regresi Sederhana
7. Analisis Regresi Berganda)
8. Analisis Regresi Data Panel
9. Ekonometrika Deret Waktu : Pengertian dan Kestatisoneran Data
10. Analisis Trend dan Teknnik Pemulusan
11. Dekomposisi Data Deret Waktu
12. Model ARIMA
13. Model ARCH dan GARCH
14. Regresi Terintegrasi dan Model ECM
15. Model VAR : Vector Auto Regressive

-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

Let’s start ....

-4-
 Ekonomi
kegiatan manusia untuk
mencukupi kebutuhannya
melalui usaha yang seefisien
Ekonometrika dan seefektif mungkin untuk
mendapatkan tujuan.

Metrika
adalah suatu kegiatan
pengukuran

Prof. Arthur Prof. Prof. Damodar

S.Goldberger Koutsoyiannis Gujarati
(1964) (1977) (1983)
Ekonometrika adalah ilmu Ekonometrika adalah Ekonometrika adalah
sosial yang menggunakan kombinasi dari teori Pengukuran di bidang
alat berupa teori ekonomi, ekonomi, matematika, dan ekonomi
matematika, dan statistika statistika. Namun
inferensi yang digunakan penggunaan ketiga
untuk menganalisis disiplin ilmu berbeda satu
kejadian-kejadian sama lain.
ekonomi.

-5-
 Fenomena dan Pengumpulan, Membentuk
Permasalahan pengolahan dan model
Ekonomi penyajian data kuantitatif

Y = a + bx

Uji hipotesis ttg

teori Ekonomi
secara empiris

Penelitian di Perencanaan dan Optimalisasi kinerja

bidang ekonomi analisis kebijakan perusahaan.
( S-1, S-2, S-3) ekonomi. (Marketing, HRD &
(Penyusunan Operation Research)
Budget, Kebijakan
Pemerintah Dsb)

-6-
 Membuktikan Menghasilkan Memproyeksikan
validitas teori-teori taksiran-taksiran nilai besaran-
ekonomi numeric untuk besaran ekonomi
kebijakan ekonomi

(1) Ekonometrika Teori

Berkaitan dengan pengembangan metode yang
tepat untuk mengukur hubungan-hubungan ekonomi
yang ditetapkan oleh model ekonometrika. Dalam
Ekonometrika pembahasannya lebih pada statistika matematis.
Contoh : Oridinary Least Square (OLS) Method

(2) Ekonometrika Terapan

Menerapkan alat ekonometrika teoritis untuk
mempelajari beberapa bidang khusus dalam ilmu
ekonomi, seperti fungsi produksi, fungsi konsumsi
dan lainnya

-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

• Meramal nilai PCE: konsumsi untuk periode waktu yang

akan datang berdasarkan nilai GDP : pendapatan)

GDP thn 1997 (X1997) = 7269.8 billion dollars

Dapat diramalkan konsumsi pada tahun 1997 :

Yˆ1997  184.08  0.70647269.8  4951.3167

• Pemerintah ingin mencapai tingkat konsumsi

sebesar 4900 billion Dollar.
• Berapa rata-rata pendapatan yang harus dicapai
untuk tingkat konsumsi tersebut?

4900  184.08  0.7064 X

4900  184.0779
X  7197 billion dollar
0.7064

-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

Model Experiential Marketing Vs Loyalitas

- 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)

Pengaruh Organizational Learning Terhadap

Kemampuan Teknologi Informasi dan Kinerja Keuangan Perusahaan

- 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).

Time Series (TS) :

Serangkaian nilai-nilai
pengamatan dari suatu
variabel dikumpulkan
berdasarkan waktu yang
berbeda-beda.

Panel / Pooled Data :

Gabungan dari time series
dan cross section data.

- 18 -
 Cara Pengumpulan Pemilihan
Data Sampel

Sensus Sampling Acak Tidak Acak

Adalah cara Adalah cara Adalah cara Adalah cara

pengumpuan data jika pengumpulan data pemilihan sampel pemilihan sampel
setiap anggota Jika hanya sebagian dimana sampel tidak dimana sampel
populasiditeliti satu populasi saja yyang ditentukan terlebih sudah ditentukan
persatu diteliti dahulu (subyektif)

Populasi Sampel Undian

adalah keseluruhan adalah Sebagian
pengamatan yang anggota yang diambil Tabel
menjadi perhatian kita dari populasi Bilangan

- 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

Distribusi Populasi Normal Distribusi Populasi Tdk Normal

- 21 -
- 22 -
• Memeriksa kecocokan model (Koef. Determinasi, Uji
t, Uji F)
• Pengujian spesifikasi model
• Menguji hipotesis yang didasarkan dari model

• Menggunakan model untuk melakukan prediksi atau

peramalan.
Product users ‘000

Time t, in months

- 23 -
 Product users ‘000

At the end of the

next 12 months [by
month 42], we can
expect to have
543’000 users – if all
things remain equal

Time t, in months

1. Jelaskan hubungan antara ekonometrika dengan

ilmu ekonomi, statistika dan matematika.
2. Sebutkan contoh penggunaan ekonometrika di
bidang moneter.
3. Sebutkan minimal 3 tahapan di dalam metodologi
ekonometrik.
4. Sebutkan tujuan mempelajari ekonometrika.
5. Sebutkan 5 macam data yang digunakan dalam
analisis ekonomi

- 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
adalah teknik statistik
yang digunakan untuk
mencari hubungan antara
dua variabel atau lebih
yang sifatnya kuantitatif
(berbanding lurus atau
terbalik atau bahkan tidak
mempunyai hubungan
sama sekali.)
- 26 -
• Koofisien korelasi (r)
adalah keeratan hubungan
antara satu variabel dengan
variabel lainnya, Koofisien
korelasi ”r” merupakan
taksiran dari korelasi
populasi dengan kondisi
sample normal (acak).
Tingkat keeratan hubungan
(koofisien korelasi)
bergerak dari 0-1.
• Jjika r mendekati 1
dikatakan bahwa variabel
memiliki hubungan yang
sangat erat.
• Jika mendekati 0
dikatakan bahwa variabel
mempunyai hubungan
yang rendah.
• Koofisien korelasi
mempunyai tanda - / +.
Contoh:
• Korelasi Positif (+) :
Korelasi antara harga dan
penawaran, Pendapatan
dan konsumsi
• Korelasi negatif (-) :
Korelasi antara harga dan
permintaan, Kesadaran
hukum dan tingkat
kriminalitas

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

• Kausalitas dibangun oleh Penggunaan :

hubungan antara suatu
kejadian (sebab) dan
kejadian kedua (akibat atau
dampak).
• Konsep hubungan
kausalitas: Jika X … maka
Y … atau X menyebabkan Y
(X → Y)
• Untuk membuktikan suatu hipotesis.
• Untuk mencari dan membuktikan
gejala-gejala ekonomi
Contoh:
• Fluktuasi harga kedelai di bursa
berjangka mempengaruhi harga
kedelai di pasar riil
• Kenaikan gaji PNS mempengaruhi
harga sembako .

- 28 -
• Stochastic adalah proses
yang diwarnai dengan
ketidakpastian
• Stochastic dalam
ekonometrika : apabila pada • Nir-stochastic berarti suatu
suatu persamaan tertentu,
variabel independent dapat
memberikan beberapa nilai
untuk variabel dependennya.
• Hubungan antara dua atau lebih
variabel bersifat Stochastic.
• Pasti terdapat penyimpangan dari
hasil suatu fungsi tertentu yang
dinamakan sebagai Variabel
Gangguan Random (Random
Disturbance)
• Variabel gangguan tersebut
mengganggu hubungan
deterministic yang bersifat
Probabilitas (Random Error Term)
- 29 -
• Deterministic adalah proses
yang memberikan suatu
kepastian atau kebalikan dari
stochastic (nir-stochastic).
proses pasti dimana variabel
independent memberikan nilai
tunggal bagi variabel dependen-
nya.
Y = α + βX + e
e :
Adalah Variabel
Gangguan (Galat/Error)
atau variabel lain yang
tidak dijelaskan oleh
model.
 Tidak ada pengamatan atau titik
yang berada tepat di garis (model
matematis)

Terdapat unsur error,

galat/random, yang tidak
terjelaskan oleh model

Pengaruh Variabel Pendapatan (X) Terhadap Konsumsi (Y),

Koefisien korelasi r = + 0.95

Koefisien Determinasi (R2) = (Koefisien Korelasi)2 x 100%
= (0.95)2 x 100% = 90,25 %
Interpretasi Koef. Determinasi :
Pengaruh pendapatan terhadap konsumsi adalah sebesar 90,25%,
dan sisanya (100 % - 90,25 % = 9,75 %) disebabkan oleh faktor
lain.
Variabel Pengganggu

- 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

• Hipotesis nul adalah pernyataan yang dianggap benar

kecuali ada bukti kuat yang mengingkarinya
• Sumber Hipotesis Nul adalah teori ekonomi.
• Hipotesis alternatif adalah hipotesis yang bertentangan
dengan hipotesis nul
• Pengujian dilakukan untuk mencari kebenaran dari
Hipotesis Alternatif dan membuktikan bahwa HIpotesisNul
tidak benar.
• Hipotesis yang akan diuji merupakan pernyataan
umumtentang populasi bukan sampel.

- 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

• Hasil dari pengujian hipotesis adalah: menolak atau tidak

menolak hipotesis nul. Salah satu hipotesis tidak
dibenarkan untuk disalahkan.
• Dengan hal tersebut maka keputusan yang dibuat
mungkin membawa kita pada keputusan yang salah.
Paling tidak ada 2 (dua) jenis kemungkinan kesalahan:
1. Apabila ternyata hipotesis nul benar dan kita menolak
hipotesis nul tersebut. (Tipe kesalahan I)
2. Apabila kita tidak menolak hipotesis nul padahal hipotesis nul
tersebut salah (Tipe kesalahan II)

- 33 -
- 34 -
 Homoscedastic,
No-multicollinearity
No-autocorrelation

- 35 -

• Pengujian normalitas adalah
pengujian tentang kenormalan
distribusi data.
• Asumsi normalitas memiliki
peranan penting dalam uji-uji
• parametrik, seperti uji beda
rata-rata dari dua populasi
dengan uji dan analisis varians.
• Hal ini karena uji-uji parametrik
akan bekerja dengan baik
ketika asumsi normalitas
dipenuhi
Pengambilan Keputusan Uji Normalitas
1. Nilai statistik dari uji
Kolmogorov-Smirnov
(DMax) dibandingkan
dengan nilai kritis tabel
distribusi Kolmogorov-
Smirnov :
– Jika DMax ≦ DKritis maka H0
diterima.
– Jika DMax > DKritis maka H0
ditolak.
- 36 -
Normalitas
• Uji Kolmogorov-Smirnov
digunakan untuk menguji
suatu asumsi apakah suatu
data sampel berasal dari
populasi yang berdistribusi
normal atau tidak.
• Hipotesis dalam yang
digunakan :
• H0 : Data yang diteliti berasal
dari populasi yang berdistribusi
normal
• H1 : Data yang diteliti tidak
berasal dari populasi yang
berdistribusi normal
2. Menggunakan
pendekatan nilai
probabilitas dari uji
Kolmogorov-Smirnov
• Jika nilai probabilitas ≧
Tingkat Signifikansi maka
H0 diterima.
• Jika nilai probabilitas <
Tingkat Signifikansi maka
H0 ditolak.
 Nilai 0.125 merupakan nilai
statistik (Dmax) Uji
Kolmogorov-Smirnov.

Nilai Asymp Sig (2 Tailed) =

0.964 merupakan nilai
probabilitasnya.

Autokorelasi

• Cara yang dapat dilakukan untuk mendeteksi ada atau

tidaknya autokorelasi adalah dengan melakukan uji
Durbin Watson.
• Pengambilan keputusan ada atau tidaknya autokorelasi
menggunakan ketentuan sebagai berikut :
– Nilai statistik dari uji Durbin-Watson : 1 - 3 diindikasi tidak
terjadi autokorelasi.
– Nilai statistik dari uji Durbin-Watson kurang dari 1 atau lebih
besar dari 3 diindikasi terjadi autokorelasi.

- 37 -
 Konsekuensi Autokorelasi

• Autokorelasi murni tidak menyebabkan bias koefisien-koefisien

estimasi.
• Dapat meningkatkan varian distribusi variabel independent.
• MenyebabkanOLS menaksir terlalu rendah terhadap Standard
Error Of The Estimate Koefisien variabel.

- 38 -

• Uji ini merupakan bentuk
pengujian asumsi dalam
analisis regresi berganda.
Asumsi multikolinearitas
menyatakan bahwa
variabel independen harus
terbebas dari gejala
multikolinearitas.
• Gejala ini ditunjukkan
dengan korelasi yang
signifikan antara variabel
independen.
- 39 -
Multikolinearitas
• Untuk mendeteksi apakah
terindikasi terjadi gejala
multikolinieritas atau tidak, dapat
digunakan pendekatan nilai VIF
(variance inflation factor) atau nilai
tolerance.
• Nilai VIF dari masing-masing
variabel bebas dihitung dengan
maksud untuk mendeteksi apakah
terindikasi terjadi gejala
multikolinieritas atau tidak.
• Nilai VIF yang lebih besar dari 10
diindikasi terjadi multikolinearitas
 Heterokedastisitas

• Uji asumsi ini adalah asumsi dalam regresi dimana varian

dari residual tidak sama untuk satu pengamatan yang lain.
• Gejala varian residual yang sama dari satu pengamatan
yang lain disebut dengan homokesatisitas

- 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 -

• Persamaan regresi linear
hanya melibatkan 1
variabel tak bebas.
• Variabel bebas maupun
variabel tak bebas
bersifat metrik (interval
atau rasio)
Regresi Linier Sederhana (Simple
Linier Regression)
– Jika hanya melibatkan 1 variabel
bebas.
– Bentuk Persamaan : Y = α + βX
Regresi Linier Berganda (Multiple
Linier Regression)
• Jika melibatkan lebih dari satu
variabel bebas.
• Bentuk Persamaan :
Y = α + β1X1 + β2X2 +.......+βnXn

  y   x

nxi yi   xi   yi 

n
 n  n 

  i1  i1  i1 

nxi2   xi 
 
n n 2

i 1  i1 

- 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%)

• Merupakan nilai kesalahan

baku taksiran yang
mengindikasikan ukuran
variabilitas antara y
dengan y prediksi.

- 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

2 10 17 100 289 170

i 1

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

Nilai Koefisien Korelasi • Hubungan kedua variabel : Linear

(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.

Nilai Koefisien Determinasi

R2 = (0,947)2 x 100 % = 89,8 %
Nilai Standard Error Estimate
2128  (1 .913 x112 )  (1 .478 x1292 )
Se 
62
Konsumsi di pengar uhi ol eh pendapatan
sebesar 89,68 %, sedangkan sisanya (10,32%)
dipengaruhi oleh faktor lain.
Standard Error Estimate sangat
kecil karena hanya bernilai
 1 .0202
1.0202 menunjukkan bahwa
variasi nilai y tidak berbeda jauh
dengan nilai y taksiran

- 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

Pendapatan 1.478 .250 0.947 5.919 .004

a. Dependent Variable
: Konsumsi

Angka Probabilitas Untuk Pengujian Hipotesis

y = 1,913 + 1,478 x ( Jika Sig < 0.05 maka Ho ditolak)

- 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

PROMOSI 3.891 .473 .916 8.226 .000

a. Dependent Variable
: PENJUALAN

Angka Probabilitas Untuk Pengujian Hipotesis

( Jika Sig < 0.05 maka Ho ditolak)

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 :

Model Unstandardized Standar Mo R R Adjusted Std Error Of

Coefficients dized del Square R Square The Estimate
Coeffici 1 .977a .955 .952 .000
ents
B Std. Beta t Sig. Tentukan :
Error 1. Variabel Dependen dan Independen
1. (Constant) 37.429 2.820 13.271 .000 2. Hipotesis Penelitian
3. Persamaan Regresi
KURS_RP 0.752 .326 0.068 -1.384 .001 4. Koefisien Korelasi
a. Dependent Variable 5. Koefisien Determinasi
: Indeks_hrg_saham
6. Standard Error Of The Estimate
7. Hasil Uji Hipotesis

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

3. Persamaan Regresi : Y = 0.752 X - 37.429

- 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

Regresi Linier Berganda

(Multiple Linier Regression)
• Jika melibatkan lebih dari satu
variabel bebas.
• Bentuk Persamaan :
Y = α + β1X1 + β2X2 +.......+βnXn

- 52 -
 Menghitung Koefisien Regresi

Menghitung Koefisien Korelasi & Determinasi

Koefisien Determinasi Koefisien Korelasi

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

ditentukan oleh kurs rupiah

dan suku bunga deposito Hasil
pengamatan terhadap 10 data
diperoleh data inflasi (I), kurs
rupiah (KR) dan suku bunga
deposito (SB) :

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

Menentukan Koefisien Korelasi dan Determinasi

- 56 -
 Koefisien Determinasi Koefisien Korelasi

r  r2
r  ( 0 . 983 )
r  0 . 991

Menghitung Standard Error Of The Estimate

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

Kecocokan Model : Koefisien Determinasi

• Koefisien determinasi (R2)
digunakan untuk mengukur
kemampuan model regresi linear
dalam mencocokkan atau
menyesuaikan (fits) data.

• Jika koefisien determinasi bernilai 1, Nilai R2 mendekati 1

maka model mencocokkan data
secara sempurna
• Jika koefisien determinasi bernilai
mendekati 0, maka model tersebut
kurang baik dalam mencocokkan
data
Nilai R2 mendekati 0

- 59 -
 Output SPSS : R2

Mengukur Kecocokan Model : Uji F

• Uji F digunakan untuk Perumusan Hipotesis Uji F :

menguji kecocokkan
model regresi linear
berganda terhadap data.
• Uji F menguji signifikansi
secara simultan
(simultaneously) atau
bersamaan seluruh
koefisien regresi populasi.
• H0 : β1 = β2 = ....... = βn = 0
• H1 : Paling tidak terdapat satu
koefisien regresi populasi yang tidak
sama dengan nol.
Pengambilan Keputusan :
1. Dengan cara membandingkan nilai
statistik dari uji F (F Hitung) terhadap
nilai kritis berdasarkan tabel distribusi
F (F Tabel/kritis).
2. Menggunakan pendekatan nilai
probabilitas dari uji F

- 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

Pengambilan Keputusan Uji F

• Menggunakan pendekatan nilai probabilitas dari uji F
– Jika nilai probabilitas ≧ Tingkat Signifikansi maka H0 diterima.
– Jika nilai probabilitas < Tingkat Signifikansi maka H0 ditolak.

- 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.

Pengambilan Keputusan Uji t

• Menghitung derajat bebas (Df) pembilang = k-1, Penyebut = n-1

• Membandingkan nilai statistik dari uji t (t Hitung) terhadap nilai kritis
berdasarkan tabel distribusi t (t kritis)
– Jika tHitung ≦ tKritis maka H0 diterima.
– Jika tHitung > tKritis maka H0 ditolak.

Daerah penerimaan
Daerah penolakkan �t 0K. �0.

Daerah penolakkan �t K0.

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.

Kolom t dan Sig

menyajikan nilai
statistik dan
probabilitas uji t

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)

Metode Common-Constant (Pooled Ordinary Least Square = PLS)

• Menggunakan metode OLS biasa.
• Diasumsikan setiap unit individu memiliki intersep dan slope yang sama
(tidak ada perbedaan pada dimensi kerat waktu).
• Regresi panel data yang dihasilkan berlaku untuk setiap individu.
Metode Fixed Effect (Fixed Effect Model=FEM)
• Intersep dibedakan antar individu.
• Dalam membedakan intersepnya dapat digunakan peubah dummy,.
• Metode ini dikenal dgn model Least Square Dummy Variable (LSDV).
Metode Random Effect (Random Effect Model=REM)
• Intersep tidak dianggap konstan, namun dianggap sebagai peubah random
dengan suatu nilai rata-rata
• Metode random dikenal dgn sebutan Error Components Model (ECM)

- 66 -
Pemilihan Model Regresi Data Panel

• Pemilihan antara Model PLS dengan FEM

Menggunakan Uji Chow atau Likelihood Test
Ratio.
• Pemilihan antara PLS dengan REM
Menggunakan uji Lagrange Multiplier (LM).
• Pemilihan antara Model FEM dengan REM
Menggunakan uji Hausman

Prosedur Eviews untuk Regresi data Panel

• Estimasi dengan Metode PLS. Klik Estimate
•dependent variable misalnya isikan dta? Sebagai peubah
tak bebasnya.
•Common coeficients: misalnya isikan c size? tang?
growth? prof? risk? sebagai peubah bebasnya.
•Perhatikan bahwa untuk setiap nama peubah diakhiri
dengan tanda tanya (?) kecuali untuk c (konstanta) yang
menunjukkan analisis dilakukan untuk seluruh data
individu.

• Estimasi dengan Metode FEM.

Sama dengan metode PLS tetapi dengan mengganti pilihan pada
kotak Cross-section (yang tadi nya none) dengan Fixed.
• Estimasi dengan Metode REM
Sama dengan metode PLS tetapi dengan mengganti pilihan pada
kotak Cross-section dengan Random

- 67 -
Prosedur Eviews untuk Pemilihan Model
Uji Chow untuk memilih antara model PLS dengan FEM
• Dalam posisi setelah mengestimasi model FEM, klik View.

Klik Fixed/Random Effect Testing > Redundant Fixed

Effects – Likelihood Ratio

Uji Hausman untuk memilih antara model FEM dengan REM

• Dalam posisi setelah mengestimasi model REM, klik View.

klik Fixed/Random Effect Testing > Correlated

Random Effects – Hausman Test

• 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).

Tahun Pendapatan Pengeluaran

2000 35 22
2001 21 15
2002 99 56
2003 27 12
2004 46 27
2005 66 36

• 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

• Ekonometrika deret waktu: teknik ekonometrika

untuk menganalisis perilaku data deret waktu
• Data deret waktu: data yang dicatat/dikumpulkan
berdasarkan periode waktu tertentu.
• Mis: ekspor, investasi, indeks harga saham, suku
bunga, pengangguran, dan data lainnya yg dari waktu
ke waktu.
• Dua kelompok analisis deret waktu:
(1) Menjelaskan pola data berdasarkan waktu
(2) Eksplanatoris, yakni menganalisis hubungan antar
peubah-peubah deret waktu.

- 70 -
 Pola Data Deret Waktu

Pentingnya Ekonometrika Deret Waktu

• Regresi klasik akan valid, jika data deret waktu yang

digunakan bersifat stasioner.
• Faktanya, hampir semua data deret waktu bersifat
tidak stasioner.
• Jika penggunaan metode regressi dipaksakan pada
data deret waktu tersebut, analisis regresi dapat
menyesatkan
• Ekonometrika menggunakan data deret waktu perlu
ditangani dan dianalisis secara berbeda

- 71 -
Paket Program Komputer untuk Analisis

• Perhitungan kasus-kasus dalam buku ini menggunakan

paket program SPSS Versi 17.0 dan Eviews Versi 6.0.

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

• Proses stokastik: proses yg menghasilkan rangkaian nilai-nilai

peubah acak yg menggambarkan perilaku data pd berbagai
kondisi.
• Setiap data deret waktu merupakan data dari hasil proses
stokastik.
• Proses stokastik dpt bersifat stasioner dan menghasilkan data
deret waktu yg bersifat stasioner.
• Proses stokastik dpt bersifat tidak stationer dan menghasilkan
data deret waktu yg tidak stasioner.
• Data stasioner jika:

• Data stasioner pada nilai tengahnya jika data berfluktuasi

disekitar suatu nilai tengah yg tetap dari waktu ke waktu.
• Data stasioner pada ragamnya jika data berfluktuasi
dengan ragam yg tetap dari waktu ke waktu.
• Mengatasi data yg tidak stasioner
• Proses diferensi
• Transformasi data (Ln atau akar kuadrat)
• Pemeriksaan Kestasioneran Data Deret Waktu
• Melihat trend data dalam grafik
• Menggunakan autokorelasi dan korelogram.
• Uji akar-akar unit (unit root test)

- 73 -
Pemeriksaan Kestasioneran: Trend Data

Pemeriksaan Kestasioneran : Korelogram

- 74 -
Pemeriksaan Kestasioneran: Uji Signifikansi
Autokorelasi

• Signifikan atau tidaknya nilai autokorelasi melalui

pengujian standar error (Se).
• Misalnya dengan taraf nyata α= 5% untuk ρk
adalah:
1.96( Se)   k  1,96( Se)

1.96( 1 / n )   k  1,96( 1 / n)

• H0: ρk = 0. Keputusannya belum cukup bukti untuk

menolak H0 bahwa ρk = 0, berarti data stasioner

Pemeriksaan Kestasioneran : Uji Statistik Q

• Uji Statistik Q dikembangkan oleh Box dan Pierce:

Q  n  ˆ k
m
2

k 1

dimana: n = banyak sampel, m=panjang lag

• Jika statistik Q <  ( ) , H0 diterima, berarti data deret
2

waktu adalah stasioner

- 75 -
 Pemeriksaan Kestasioneran: Uji Statistik Ljung-Box (LB)

• Dikembangkan oleh, dengan rumus:

m 
ˆ 
LB  n ( n  2)  k  ~  2 m
2

 
k 1  n  1 

dimana: n = banyak sampel, m=panjang lag

• Jika statistik LB lebih kecil dari nilai kritis statistik
tabel Chi-Square dengan taraf nyata α maka data
stasioner.

Pemeriksaaan Kestasioneran : Uji Akar Unit (DF-Test)

• Pengujian Dickey–Fuller (DF) dgn nilai -statistik:

ˆ

Se( ˆ )

• 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)

• Korelasi serial antara residual dgn ΔYt, dapat

dinyatakan dalam bentuk umum proses
autoregressive:
Yt  1   2t  Yt 1  1Yt 1   2 Yt 2  ...1Yt 2  et

• Pengujian dengan menggunakan persamaan di

atas dikenal sebagai Augmented Dickey Fuller (ADF)
test.
• Pengujian dan aturan pengambilan keputusan atas
uji ADF ini sama dengan uji DF.
.

Pemeriksaaan Kestasioneran: Uji Akar Unit (PP-Test)

• Nilai -statistik dari uji PP (Philip-Perron) dapat dihitung sbb:

h  r0
  t0  0 
r0
h0 2 h 0

dimana:

h0  r0  2 1  r j adalah spektrum dari ΔYt pada frekuensi nol, rj adalah

M
 j
r 1  T
fungsi autokorelasi pada lag j, t0 adalah -statistik pada θ,
adalah standar error dari θ , dan σ adalah standar error uji
regresi.

• 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.

• Selanjutnya klik Graph:

• Lakukan semua pilihan seperti
gambar disamping.
• Klik OK, akan diperoleh grafik data

Autokorelasi dan Korelogram

• Dari menu View, klik Correlogram. Muncul
tampilan berikut:
• Gunakan terlebih dahulu pilihan level pada
correlogram of. Pilihan Lag to include = 36 (by default).
• Klik OK. Akan muncul output korelogram

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

Contoh Output Uji Akar

Unit (ADF test)

- 79 -
 Komponen Deret Waktu

• Empat komponen model deret waktu klasik: Trend (T),

Siklus (C), Variasi Musim (S), dan faktor acak ( I).
• Trend : kecenderungan jangka panjang peubah deret waktu.
• Siklus: pergerakan disekitar rata-rata nilai peubah time series,
di atas atau di bawah trend jangka panjang.
• Variasi Musiman: menunjukkan puncak & lembah seperti pada
siklus, tetapi lamanya satu tahun atau kurang.
• Faktor Acak: gerakan yg berbeda tapi dlm waktu yg singkat,
tidak diketahui dgn pola yg teratur dan tidak dpt diperkirakan.

- 80 -
 Analisis Trend

• Trend Linier : kecenderungan data dimana perubahannya

berdasarkan waktu adalah tetap (konstan).
• Model estimasi persamaannya: Yt  a  bt t = waktu

- 81 -
• Trend kuadratik: kecenderungan data yang kurvanya berpola
lengkungan (curvature).
• Model estimasi persamaannya: Y t   0   1 t   2 t
2

• Trend eksponensial: kecenderungan data di mana

perubahannya semakin lama semakin bertambah secara
eksponensial
• Model estimasi persamaannya:
peubah diskrit Yt   0 (1  1 ) t peubah kontinyu Yt   0 exp (  t )
1

- 82 -
 Pemilihan Trend

• Trend yg cocok akan memberikan kesalahan yang paling

minimal.
• Dapat digunakan kriteria antara lain dengan Standar Error
of Estimation (SEE) atau R-square atau Adj.R-square

Pemulusan dengan Moving Average

• Rata-rata bergerak adalah pemulus (smoothers) yg secara

sistematik mengurangi noise dlm observasi, sehingga pola
data lebih mudah diketahui.
• Dengan mengetahui pola data, maka nilai akan datang
dapat diprediksi atau diramalkan.
• Dua metode moving average:
(1) Simple moving average (proses konstan)
(2) Double moving average (proses mengikuti trend linier)

- 83 -
Ringkasan Prosedur SPSS: Analisis Trend
• Klik Analyze > Regression > Curve Estimation.

• Masukkan peubah terikat kedalam kotak

Dependent(s).
• Pada pilihan Independent, klik Time
• Pilih Models.
• Centang Display ANOVA table.

• Selanjutnya klik Save, akan muncul tampilan berikut :

• Pada SaveVariables, centang pilihan

Predicted values dan Residual.
• Klik Continue dan OK. Akan
muncul output Model Trend

• Contoh Output Model Trend Linier dari SPSS

• Contoh Output Grafik Trend dari SPSS

- 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

• Jika observasi (N) berjumlah genap, maka gunakan rata-rata

bergerak ganda 2 x MA(N).

- 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

TAHAPAN Dekomposisi Multiplikatif

1. Hitung rata-rata bergerak yg panjangnya N sama dgn panjang musiman.
Hasil rata-rata bergeraknya adalah Mt= Tt x Ct
2. Bagi data aktual dengan Mt= Tt x Ct , maka It x Et dapat dipisahkan yaitu

 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

6. Lakukan peramalan berdasarkan model yang dibuat

- 87 -
Ringkasan Prosedur SPSS
• Input data pada worksheet SPSS

• Masukkan informasi tahun dan bulan. Klik Data > Define Dates.

Isikan/pilih hal-hal berikut:

Cases Are: pilih Years, months.
First Case Is: isikan Year = 2007 Month=1

• Klik OK, maka akan muncul tampilan worksheet berikut:

• Klik Analyze > Time Series > Seasonal Decomposition.

Isikan/pilih hal-hal berikut:

• Masukkan peubah kredit ke kotak Variable(s)
• Pilih model Multiplicative ataupun Aditive

- 88 -
• Pada worksheet SPSS, terdapat empat peubah baru seperti
tampilan berikut:

• ERR_1 merupakan error

• SAS_1 merupakan musiman (seasonal)
• SAF_1 merupakan komponen siklus (cycle)
• STC_1 merupakan data trend

Untuk proyeksi dengan penggambaran kurva

• Klik Analyze > Time Series > Sequence Chart

Masukkan komponen misalnya komponen

Seasonal Adjusted Series (SAS_1) ke dalam
kotak variable(s) di sebelah kanan, klik OK.

• Contoh grafik komponen musiman metode dekomposisi multiplikatif

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)

• Persamaan kedua menunjukkan ragam residual (σ2t) memiliki dua

unsur: konstanta (0) dan kuadrat residual periode lalu (e2t-p).
• Persamaan pertama model linear, persamaan kedua model non-
linear, sehingga metode OLS tidak bisa untuk estimasi model.
• Hanya bisa diestimasi dengan metode ML.
• Melalui metode ML didapatkan estimator yg secara asimptotik lebih
efisien dibandingkan dgn estimator OLS.

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.

Tentukan panjang lag.

Klik OK

• Contoh output uji residual kuadrat

Prosedur Eviews untuk Uji ARCH-LM

• Dari tampilan Eviews untuk residual tests klik Heteroskedasticity Tests

•Pada test type pilih ARCH

•Number of lags = 1

• Contoh output Heteroskedasticity Test: ARCH

- 93 -
Prosedur Eviews untuk Estimasi dan Simulasi Model
• Dari menu utama Eviews: Quick > Estimate Equation

Pada Estimation setting pilih metode

estimasinya yaitu
ARCH–Autoregressive Conditional
Heteroskedasticity

• Contoh output Heteroskedasticity Test: ARCH

•Mean equation: Tulis persamaan model ARIMA

•Model, pilih estimasi model yang ingin
digunakan .
•Order, tentukan ordo ARCH & ordo GARCH.
•Treshold order/Asymetric order: tentukan ordo
treshold/asymetric-nya.
•Variance regressor, tambahkan peubah lain di
luar term ARCH dan GARCH.
•-ARCH-M: pilihan untuk membentuk model
ARCH-M

Contoh Output Model ARCH(1)

- 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

Pengujian Keacakan Residual: gunakan ACF dan PACF (lihat

prosedur sebelumnya)
Pengujian Efek ARCH: uji ARCH-LM (lihat prosedur sebelumnya)
Prosedur Eviews untuk Prediksi atau Peramalan
(lihat prosedur bab 5 sebelumnya)

- 95 -
 Pengantar

• Model Autoregressive Integrated Moving Average

(ARIMA) dikembangkan George E.P. Box dan Gwilym
M. Jenkins (1976), sehingga ARIMA juga disebut
metode deret waktu Box-Jenkins.

• Model Box-Jenkins terdiri dari model : Autoregressive

(AR), Moving Average (MA), Autoregressive-Moving
Average (ARMA), dan Autoregressive Integrated
Moving Average (ARIMA).

- 96 -
Proses Regresi Diri

• Proses regresi diri (autoregressive), AR: regresi deret Yt

terhadap amatan waktu lampau dirinya sendiri.
Yt-k, untuk k = 1, 2,..., p.

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.

Proses Regresi Diri Ordo Pertama

• Model regresi diri ordo pertama, AR(1), diberikan oleh:
Yt  1Yt 1   2Yt 2  ...   p Yt  p  et

• Sifat-sifat AR(1) yang stasioner adalah :

Yt   1Yt 1  et
E (Yt )  0
 0  Var (Yt )   2 /(1   2 )
 k   k 1
  k  2 /(1   2 )
k   k /  0
• Syarat kestasioneran proses AR(1) ini ialah bahwa |β|< 1.

- 97 -
Proses Regresi Diri Ordo Kedua
• Model regresi diri ordo kedua, AR(2), diberikan oleh:
Yt   1Yt 1   2 Yt  2  et

• Sifat-sifat AR(2) yang stasioner adalah :

 k  1 k 1   2 k 2 untuk k  1,2,...
 k  1  k 1   2  k 2 untuk k  1,2,...
Persamaan di atas dinamakan persamaan Yule-Walker.
• Syarat kestasioneran AR(2):
β1 + β2 < 1, β2 - β1 < 1, dan |β2| < 1

Proses Regresi Diri Ordo p AR(p)

• Model regresi diri ordo p, AR(p), diberikan oleh:
 k   1  k 1   2  k  2  ...   p Yt  p  et

• Sifat-sifat AR(p) yang stasioner:

Yt  1Yt 1   2Yt  2  ...   pYt  p  et untuk  1,2,...

• Persamaan Yule-Walker untuk AR(p) adalah:

ρ1 = β1 + β2ρ2 + … + βpYt-1
ρ2 = β1ρ1 + ρ2 + … + βpYt-2
.
.
ρp = β1ρp-1 + β2ρp-2 + … + βp

- 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

Rataan Bergerak Ordo Pertama

Model yang paling sederhana adalah MA(1), yaitu :
Yt  et   1et 1
Sifat-sifat model ini adalah :
E (Yt )  0
 0  Var (Yt )   2 /(1   2 )
 1    2
1    /(1   2 )
 k   k  0 untuk k  2

Rataan Bergerak Ordo Kedua

Model MA(2): Yt  et   1et 1   2 et  2
Sifat-sifat model:
E (Yt )  0
 0  Var (Yt )   2 /(1   1 2   2 2 ) 2
 1  (   1   1  2 ) 2
 2    1 2
 1  (   1   1  2 ) /(1   1 2   2 2 )
 2    2 /(1   1 2   2 2 )
 k   k  0 untuk k  3
Rataan Bergerak Ordo q
Model umum MA(q) :
Yt  et  1et 1   2 et 2  ...   p et q
berlaku :
  k  1 k 1   2  k  2  ...   q k  q
k  untuk k  1,2,...q
1  1   2  ...   q
2 2 2

 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

Model Autoregressive Integrated Moving Average

(ARIMA)

• Persyaratan utama model AR, MA, ARMA adalah

kestasioneran data deret waktu yang digunakan
• Jika data deret waktu tidak stasioner dalam level, perlu
dibuat stasioner melalui proses diferensi (difference).
• Jika diferensi pertama belum menghasilkan deret yang
stasioner, dilakukan diferensi tingkat berikutnya.
• Model AR, MA atau ARMA dengan data yang stasioner
melalui proses diferensi ini disebut dengan model
autoregressive-integrated-moving average (ARIMA).

- 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.

Prediksi atau Peramalan

• Melakukan prediksi atau peramalan berdasarkan model terpilih
• Evaluasi kesalahan peramalan: Root Mean Squares Error (RMSE),
Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE).

- 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.

• Pada kotak Equation spesification, tuliskan

persamaannya sesuai hasil dua langkah
identifikasi sebelumnya
• Lakukan hal ini secara berulang, sesuai
banyaknya model alternatif
• Pilih model dg beberapa pertimbangan sebagai berikut:
• Koefisien determinasinya (R-squared) yang terbesar
• Kriteria AIC dan SC yang terkecil

• Contoh output model AR

- 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:

Prediksi atau Peramalan

• Dari menu utama Eviews klik Proc, akan muncul tampilan berikut:

• Klik Structure/Rezise Current Page, akan muncul tampilan berikut:

Perpanjang range sampel sesuai keinginan
periode peramalan. Jika periode peramalan
10 periode, data asli sebanyak 246
observasi, maka pada data range diisi 256.

• 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

Perpanjang range sampel sesuai keinginan

periode peramalan. Jika periode peramalan
10 periode, data asli sebanyak 246
observasi, maka pada data range diisi 256.

Contoh output forecast dinamic

5,000
Forecast: IHSGF
Actual: IHSG
4,500
Forecast sample: 1 256
Adjusted sample: 2 256
4,000 Included observations: 245

Root Mean Squared Error 163.3815

3,500 Mean Absolute Error 136.4117
Mean Abs. Percent Error 4.600785
3,000
Theil Inequality Coefficient 0.026224
Bias Proportion 0.212433
Variance Proportion 0.231344
2,500 Covariance Proportion 0.556223

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

• Misalnya inflasi (INF) pada periode t dipengaruhi oleh suku bunga

SBI pada waktu t dan suku bunga SBI pada t-1.
INFt   1   2 SBIt   3 INFt 1  •e1t
(8.1)

• Disisi lain pergerakan INF akan mempengaruhi pergerakan SBI

t   1   2 INFt 1   3 SBIt 1  e2 t
dimasa
SBI y.a.d.
(8.2)

• Substitusi pers. 8.2 ke pers. 8.1:

INFt 1  2 (1  2INFt 1  3SBIt 1  e2t )  3INFt 1  e1t
 (1  21)  (3  22 )INFt 1 23SBIt 1  (2e2t  e1t ) (8.3)

• Dalam bentuk sederhana:

INFt  11  12 INFt 1  13 SBIt 1  v1t (8.4)

Pengertian Model VAR

• Substitusi pers. 8.1 ke pers. 8.2

INFt 1  2 (1  2INFt 1  3SBIt 1  e2t )  3INFt 1  e1t (8.5)
 (1  21)  (3  22 )INFt 1 23SBIt 1  (2e2t  e1t )

• Secara sederhana bisa ditulis

INFt   11   12 INFt 1   13 SBIt 1  v1t

SBIt   21   22 INFt 1   23 SBIt 1  v2t

• Dalam notasi matriks:
 INFt   11   12  13   v1t  (8.6)
Yt    ; A0    ; A     ; v  v 
 SBIt  21   22 23   2t 
• Sehingga bisa ditulis

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

• A0 adalah vektor berukuran M x 1 dan matriks A1 (i = 1,

2, ...p) masing-masing berukuran M x M.
• Banyaknya parameter model yang harus diestimasi dari
suatu model VAR (p) adalah M + M2p = M (1 + Mp).
• Data dalam model VAR haruslah data yg stasioner.

Bentuk-Bentuk Model VAR

 Unrestricted VAR. Terdapat dua bentuk:
– VAR in level . Jika data tidak stasioner pada level, harus
distasionerkan dulu sebelum menggunakan model VAR.
– VAR in difference. jika data tidak stasioner dalam level dan
tidak memiliki hubungan kointegrasi, estimasi VAR
dilakukan pada data diferens.
• Restricted VAR atau disebut Vector Error Correction Model
(VECM): bentuk VAR yang terestriksi. Restriksi diberikan
karena data tidak stasioner namun terkointegrasi.
• Struktural VAR.Bentuk VAR direstriksi berdasarkan
hubungan teoritis yg kuat dan skema ordering hubungan
thdp peubah-peubah yang digunakan. S-VAR dikenal
sebagai VAR yg teoritis (theoritical VAR) .

- 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.

Analisis dalam Model VAR

Analisis penting dalam model VAR: (1) peramalan; (2) impulse response; (3)
forecast error decomposition variance dan (4) uji kausalitas.
Peramalan
• Sblm peramalan:simulasi untuk mencocokkan data aktual dgn fited -nya
• Simulasi yang relevan digunakan dalam VAR adalah simulasi dinamis.
• Simulasi dinamis: gunakan semua persamaan VAR secara simultan
Impulse Response
• Model VAR dapat digunakan untuk melihat dampak perubahan dari satu
peubah terhadap peubah lainnya secara dinamis.
• Caranya dgn memberikan shocks pada salah satu peubah endogen.
• Shock yang diberikan biasanya sebesar satu standar deviasi dari peubah
(disebut Innovations).
• Penelusuran pengaruh shock yang dialami oleh satu peubah terhadap nilai
semua peubah saat ini dan beberapa periode mendatang disebut teknik
Impulse Response Function (IRF).

- 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.

Prosedur Eviews untuk Pemodelan dan Analisis

Tentukan lag maksimum:
• Dari menu utama Eviews: Quick > Estimate VAR
• VAR Type, pilih UnrestrictedVAR.
• EndogenousVariables isikan peubah endogen. Dalam
hal ini adalah diferensi pertama Misal INF dan SBI,
sehingga ditulis d(INF) d(SBI).
• Lag Intervals for Endogenous, isikan terlebih dahulu
lag terendah yaitu 1 (ditulis dengan cara 1 1).
• ExogenousVariables, isikan c (konstanta).

Contoh output
VAR

- 111 -
 Pengujian kestabilan model VAR
• Prosedurnya adalah: klik View > Lag Structure > AR Roots Table

Contoh output Uji

Kestabilan VAR

• Jika sistem VAR stabil, pada bagian bawah outputnya akan

muncul 2 kalimat berikut:
No root lies outside the unit circle.
VAR satisfies the stability condition.
• Jika sistem VAR tidak stabil, muncul peringatan sebagai berikut:
 Warning: At least one root outside the unit circle.
VAR does not satisfy the stability condition.
• Lakukan proses tersebut secara berulang, sehingga didapatkan lag
maksimum yang dapat dihasilkan oleh sistem VAR yang stasioner.

Tentukan Kandidat Lag

• Dari workfile: View > Lag structure > Lag length criteria.
Pada Lags to include, masukan lag maksimum yang
diperoleh. Klik OK.
Pemilihan Lag Optimal
• Estimasi sistem VAR berdasarkan masing-masing
kandidat lag
• Pilihlah sistem VAR dengan nilai Adj. R squared
tertinggi sebagai sistem VAR dengan lag optimal.
• Uji kembali stabilitas sistem VAR mengikuti
prosedur sebelumnya

- 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

• Klik Solve, akan muncul tampilan berikut:

• Hasil prediksi bagi setiap peubah dapat dilihat dalam workfile.

Perhatikan daftar peubah pada gambar. Peubah

prediksi dari sistem VAR diatas adalah peubah
dengan akhiran 0.

Prosedur Eviews untuk Analisis Impulse Response Function (IRF)

• Berdasarkan model VAR, klik View > Impulse Response.
•Display Format :tentukan bentuk tampilan IRF, dalam bentuk
tabel (Table), grafik terpisah (Multiple Graph) atau grafik
digabung untuk semua peubah (Combined Graph)
•Response Standard Errors: pilih None jika tidak ingin menampilkan
response standard Error. Pilih Analytic asymptotic atau Monte Carlo
jika ingin menampilkan response standard error.
•Display Information : isikan peubah impulse dan response nya.
•Periods : isikan periode impulse response

Response to Cholesky One S.D. Innovations

Response of D(INF) to D(INF) Response of D(INF) to D(SBI)
1.6 1.6

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

Response of D(SBI) to D(INF) Response of D(SBI) to D(SBI)

.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

Contoh output Variance

20 20

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

Prosedur Eviews untuk Uji Kausalitas

• Dari workfile: blok peubah yang akan diuji, seperti contoh
berikut:

• 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

1. Damodar Gujarati: Basic Econometrics, Fourth

Edition, The McGraw−Hill Companies, 2004
2. Damodar Gujarati: Students Solution Manual For
Use With Basic Econometrics, Fourth Edition, The
McGraw−Hill Companies, 2004

Apa itu Ekonometrika ?

- 116 -