1.

Pendugaan Regresi Awal

Output SPSS
Model Summaryb
Model R R Square Adjusted R Square Std. Error of the Durbin-Watson
Estimate
1 .968a .936 .926 .12176 .955
a. Predictors: (Constant), Ln At, Ln Ht, Ln Lt, Ln It
b. Dependent Variable: Ln Ct
ANOVAa
Model Sum of Squares df Mean Square F Sig.
Regression 5.428 4 1.357 91.529 .000b
1 Residual .371 25 .015

Total 5.798 29
a. Dependent Variable: Ln Ct
b. Predictors: (Constant), Ln At, Ln Ht, Ln Lt, Ln It
Coefficientsa
Model Unstandardized Coefficients Standardized Coefficients t Sig. 95.0% Confidence Interval for B
B Std. Error Beta Lower Bound Upper Bound
(Constant) -1.500 1.003 -1.496 .147 -3.566 .566
Ln It .467 .166 .392 2.816 .009 .126 .809
1 Ln Lt .279 .115 .314 2.435 .022 .043 .516
Ln Ht -.005 .143 -.002 -.036 .971 -.300 .289
Ln At .442 .107 .331 4.145 .000 .222 .661
a. Dependent Variable: Ln Ct

Charts
Pendugaan Regresi untuk data tersebut adalah :

A. Persamaan Regresi : Ln Ct = -1.5 + 0,467 Ln It + 0,279 Ln Lt – 0,005 Ln Ht + 0,442 ln At + Ut

Persamaan regresi tersebut dapat diinterpretasikan sebagai berikut :
1. Konstanta sebesar 1,5 jika nilai (log) It, Lt, Ht dan At nilainya adalah 0, maka nilai (log) 12-month average U.S.
domestic price of Copper akan berkurang 1,5 cents per pounds.
2. Koefisien regresi variabel It (12-monts average indeks of industrial production) adalah 0,467; artinya elastisitas It
terhadap Ct adalah 0,467 (inelastis) yang menujukkan bahwa jika rata-rata indeks produksi industri meningkat
sebesar 1 persen, secara rata-rata Ct (12-month average U.S. domestic price of Copper) akan meningkat sebesar
0,467 persen.
3. Koefisien regresi variabel Lt (12-month average London Metal Exchange price of copper) sebesar 0,279; artinya
elastisitas Lt terhadap Ct adalah 0,279 (inelastis) yang menujukkan bahwa jika Lt (12-month average London Metal
Exchange price of copper) rata-rata meningkat sebesar 1 persen, secara rata-rata Ct (12-month average U.S.
domestic price of Copper) akan meningkat sebesar 0,279 persen.
4. Koefisien regresi variabel Ht (number of housing starts per year) sebesar -0,005; artinya elastisitas Lt terhadap Ct
adalah 0,005 (inelastis) yang menujukkan bahwa jika Ht (number of housing starts per year) rata-rata meningkat
sebesar 1 persen, secara rata-rata Ct (12-month average U.S. domestic price of Copper) akan menurun sebesar
0,005 persen (bernilai negatif.
5. Koefisien regresi variabel At (12-month average price of aluminium) sebesar 0,442; artinya elastisitas Lt terhadap Ct
adalah 0,442 (inelastis) yang menujukkan bahwa jika At (12-month average price of aluminium) rata-rata meningkat
sebesar 1 persen, secara rata-rata Ct (12-month average U.S. domestic price of Copper) akan meningkat sebesar
0,442 persen.
B. Analisis Korelasi Ganda (R)
Analisis ini digunakan untuk mengetahui hubungan antara Variabel Bebas (It, Ln, Ht, dan At) terhadap Variabel terikat
(Ct).Berdasarkan tabel Model Summary di atas, diperoleh angka R=0,968, hal ini menunjukkan bahwa adanya hubungan
yang sangat kuat (karena R mendekati 1) antar variabel bebas (It, Ln, Ht, dan At) secara serentak terhadap variabel Ct.
C. Analisis Determinasi (R2)
Analisis determinasi dalam regresi linear berganda digunakan untuk mengetahui prosentase sumbangan
pengaruh variabel Bebas (It, Ln, Ht, dan At) secara serentak terhadap variabel terikat (Ct). berdasarkan analisis
regresi berganda pada Tabel Model Summary diketahui nilai R 2 (adjusted R square) sebesar 0,926 atau 92,6
persen. Hal ini menunjukkan bahwa variasi variabel Bebas (It, Ln, Ht, dan At) yang digunakan dalam model
mampu menjelaskan nilai (ln) variabel terikat (Ct) sebesar 92,6 persen, sedangkan sisanya 7,4 persen
dijelaskan oleh variabel lain yang tidak dimasukkan dalam model.
D. Uji Koefisien Regresi Secara Bersama-sama (Uji F)
Uji ini digunakan untuk mengetahui apakah variabel bebas secara bersama-sama berpengaruh signifikan terhadap
variabel terikatnya. Berdasarkan Tabel ANOVA menunjukkan nilai F sebesar 91,529 dengan signifikansi 0.000. Hal ini
dapat disimpulkan bahwa jika alpha = 5%, maka sig (0.000)<alpha (0.05), artinya dengan tingkat kepercayaan 95% maka
 H0 ditolak, ehingga dapat disimpulkan bahwa variabel bebas secara bersama-sama (simultan) berpengaruh terhadap
variabel terikat.
E. Uji Koefisien Regresi Secara Parsial (Uji t)
Berdasarkan output SPSS pada Tabel Coefficient menunjukkan nilai uji t yang digunakna untuk uji koefisien regresi
secara parsial. Jika menggunakan alpha = 5 persen, maka variabel bebas yang berpengaruh secara parsial terhadap
variabel terikat (Ct) dengan tingkat kepercayaan 95 persen adalah variabel It, Lt, dan At karena memiliki nilai sig < nilai
alpha (0.05). sedangkan variabel Ht secara parsial tidak berpengaruh secara signifikan terhadap variabel Ct hingga alpha
level 97persen.

1. Sisaan dan scatter plot :

RESIDUAL OUTPUT 1980 4.6191 4.590256 0.028817

Predicted
Tahun Residuals
Ln C Ln C Plot residual (et) terhadap t
1951 3.0860 3.05013 0.0359
1952 3.1041 3.161704 -0.05757 Residual (et) terhadap t
1953 2.9771 3.213294 -0.23623 0.30

1954 3.1290 3.225369 -0.09642 0.20

1955 3.5196 3.367257 0.152316
0.10
1956 3.6682 3.44326 0.224906
1957 3.4203 3.361721 0.058625 0.00
1945 1950 1955 1960 1965 1970 1975 1980 1985
1958 3.2696 3.338344 -0.06877 -0.10
1959 3.4243 3.392801 0.031461
-0.20
1960 3.4689 3.419641 0.049215
1961 3.4012 3.373684 0.027513 -0.30

1962 3.4275 3.387658 0.039857

1963 3.4275 3.390664 0.03685 pola yang terjadi pada plot residual ini. Terlihat adanya
pola siklus. Pada suatu periode, ketika 𝑒𝑡 meningkat
1964 3.4843 3.552456 -0.06814
diikuti oleh peningkatan 𝑒𝑡 tahun berikutnya, dan pada
1965 3.5667 3.694747 -0.12804
periode lainnya ketika 𝑒𝑡 menurun diikuti oleh penurunan
1966 3.6000 3.783415 -0.18337
𝑒𝑡 tahun berikutnya. Ini dapat diidentifikasi adanya
1967 3.6533 3.722662 -0.06941
autokorelasi positif
1968 3.7424 3.824851 -0.08243
1969 3.8691 3.918958 -0.04984 Plot residual (et) vs residual periode sebelumnya (et-1)
1970 4.0639 3.914462 0.149424
1971 3.9512 3.84618 0.105064
1972 3.9357 3.839103 0.096637
1973 4.0860 4.003153 0.082823
1974 4.3477 4.186798 0.160896
1975 4.1620 4.08541 0.076593
1976 4.2428 4.273128 -0.03036
1977 4.2017 4.348788 -0.14708
1978 4.1972 4.386555 -0.18935
1979 4.5880 4.537899 0.050125
 pola yang terjadi pada plot residual ini, yang bergerak
Y-Values dari kiri bawah ke kanan atas. Ini menunjukka n adanya
0.30 autokorelasi positif
0.20

0.10

0.00
-0.30 -0.20 -0.10 0.00 0.10 0.20 0.30
-0.10

-0.20

-0.30

Perhatikan pola yang terjadi pada plot residual ini, yang bergerak dari kiri bawah ke kanan atas. Ini menunjukka n adanya autokorelasi positif
2. Uji Breusch-Godfrey untuk sisaan dengan pola AR(2)
Tabel Hitung

Predicted Ln
Tahun Residuals Lag 1 Lag2
C
1951 3.05 0.04 - -
1952 3.16 -0.06 0.04 -
1953 3.21 -0.24 -0.06 0.04
1954 3.23 -0.10 -0.24 -0.06
1955 3.37 0.15 -0.10 -0.24
1956 3.44 0.22 0.15 -0.10
1957 3.36 0.06 0.22 0.15
1958 3.34 -0.07 0.06 0.22
1959 3.39 0.03 -0.07 0.06
1960 3.42 0.05 0.03 -0.07
1961 3.37 0.03 0.05 0.03
1962 3.39 0.04 0.03 0.05
1963 3.39 0.04 0.04 0.03
1964 3.55 -0.07 0.04 0.04
1965 3.69 -0.13 -0.07 0.04
1966 3.78 -0.18 -0.13 -0.07
1967 3.72 -0.07 -0.18 -0.13
1968 3.82 -0.08 -0.07 -0.18
1969 3.92 -0.05 -0.08 -0.07
1970 3.91 0.15 -0.05 -0.08
1971 3.85 0.11 0.15 -0.05
1972 3.84 0.10 0.11 0.15
1973 4.00 0.08 0.10 0.11
1974 4.19 0.16 0.08 0.10
1975 4.09 0.08 0.16 0.08
1976 4.27 -0.03 0.08 0.16
1977 4.35 -0.15 -0.03 0.08
 1978 4.39 -0.19 -0.15 -0.03
1979 4.54 0.05 -0.19 -0.15
1980 4.59 0.03 0.05 -0.19

OUTPUT SPSS

Regression

Notes

Output Created 22-OCT-2019 16:57:01

Comments
F:\TA
Data
20192020\ekonometrika\autokorelasi.sav
Active Dataset DataSet1
Input Filter <none>
Weight <none>
Split File <none>
N of Rows in Working Data File 30
User-defined missing values are treated as
Definition of Missing
missing.
Missing Value Handling
Statistics are based on cases with no
Cases Used
missing values for any variable used.
REGRESSION
/MISSING LISTWISE
/STATISTICS COEFF OUTS R ANOVA
/CRITERIA=PIN(.05) POUT(.10)
Syntax
/NOORIGIN
/DEPENDENT RES_1
/METHOD=ENTER X1t X2t X3t X4t
residual_1 residual_2.
Processor Time 00:00:00.02

Elapsed Time 00:00:00.01

Resources Memory Required 3452 bytes

Additional Memory Required for 0 bytes

Residual Plots

[DataSet1] F:\TA 20192020\ekonometrika\autokorelasi.sav

Variables Entered/Removeda

Model Variables Entered Variables Method

Removed
 residual_2, Ln Lt, . Enter
1 residual_1, Ln Ht,
Ln At, Ln Itb

a. Dependent Variable: Unstandardized Residual

b. All requested variables entered.

Model Summary

Model R R Square Adjusted R Std. Error of the

Square Estimate

1 .665a .442 .274 .09269774

a. Predictors: (Constant), residual_2, Ln Lt, residual_1, Ln Ht, Ln At, Ln It

ANOVAa

Model Sum of Squares df Mean Square F Sig.

Regression .136 6 .023 2.636 .048b

1 Residual .172 20 .009

Total .308 26

a. Dependent Variable: Unstandardized Residual

b. Predictors: (Constant), residual_2, Ln Lt, residual_1, Ln Ht, Ln At, Ln It

Coefficientsa

Model Unstandardized Coefficients Standardized t Sig.

Coefficients

B Std. Error Beta

(Constant) -.506 .780 -.650 .523

Ln It -.242 .152 -.756 -1.597 .126

Ln Lt .143 .100 .653 1.438 .166

1 Ln Ht .105 .113 .176 .924 .366

Ln At -.007 .082 -.021 -.084 .934

residual_1 .553 .162 .602 3.416 .003

residual_2 -.230 .166 -.238 -1.386 .181

a. Dependent Variable: Unstandardized Residual

 Res_1 = -0,506 -0,242 Ln It + 0,143 Ln Lt + 0,105 Ln Ht – 0,007 Ln At + 0,553 Residual_1 - 0,23 Residual_2

Jika dilihat pada output SPSS tabel Coefficient nilai sig untuk serial orde 2 (AR(2)) adalah 0.181 > alpha (0.05), artinya Ho tidak dapat
ditolak atau H0 diterima, atau dengan tingkat kepercayaan 95 persen, menunjukkan tidak ada autokorelasi pada model regresi tersebut.

R2 = 0.442
P=2
Stat Uji (n-p)R2 = (30-2) x (0.442) = 12,376 > CHI-SQUARE 2= 10.5966
Kesimpulan : Tolak H0 , Artinya Terjadi Autokorelasi.

pengujian autokorelasi pada model regresi ini dengan Uji Breuch godfrey berbeda dengan uji Durbin Watson.

Pada output SPSS tabel Model Summary untuk Uji durbin Watson menunjukkan nilai D*=0,955. Karena n=30 dan k=4.
Pada tabel durbin Watson alpha 0,01 diketahui nilai DL=0,941& nilai DU = 1,511. Karena nilai DL<D*<Du maka tidak dapat disimpulkan.
Pada tabel durbin Watson alpha 0,05 diketahui nilai DL=1.143& nilai DU = 1.739. Karena nilai D*<DL maka ada autokolerasi positif

Run Test
Hipotesis : H0 : Galat berurutan bersifat bebas
H1 : Autokorelasi

Diketahui :
Run-1 + 1
Run-2 - 3
Run-3 + 3
Run-4 - 1
Run-5 + 5
Run-6 - 6
Run-7 + 6
Run-8 - 3
Run-9 + 2

N = 30
N1 = 17
N2 = 13

Nilai Tengah E ( R ) +1 +1
= '2N1N2 = 442 = 15.73333
N 30
Ragam (R) = 2N1N2(2N1N2-N) = 182104 = 6.977165
N^2(N-1) 26100
SE (R)= 2.641432329

Statistik Uji :
Prob [E(R) – 1,96 . SE <= R <= E(R) – 1,96 . SE] =0,95
CI atas = 20.91
CI bawah = 10.56
R=10
Karena R diluar range (10,56, 20,91) maka H0 ditolak, artinya ada terjadi autokorelasi.

Runs Test

Unstandardized
Residual

Test Valuea .0000000

Cases < Test Value 13
Cases >= Test Value 17
Total Cases 30
Number of Runs 9
Z -2.360
Asymp. Sig. (2-tailed) .018

a. Mean