Ekonometkika Teori Dan Aplikasi-1 PDF
Ekonometkika Teori Dan Aplikasi-1 PDF
AGUS WIDARJONO
PENERBIT EKONISLA.
FAKULTAS EKONOMI UII
YOGYAKARTA
EKONOMETRIKA: TEORI DAN APLIKASI
Untuk Ekonomi dan Bisnis
Edisi Pertama I :
=
Hak Cipta © 2005
Dilarang memperbany'ak sebagian atau seluruh isi buku ini dalam bentuk apapun
tanpa izin tertuiis dari Penulis dan atau Penerbit Ekonisia
Penerbit: ~KOI"~ISIA
Kampus Faku!tas Ekonomi Ull
Condongcatur, Depok, Sleman, Yogyakarta 55283
Telp. (0.274) 886478 Fax. (0274) 882589
Distributor: ADIPURA
Jl. KH. Djawad Faqih MG Ill I 874 RT 42 RW 11
Karangkajen, Yogyakarta
Telp. {0274) 7475955 Fax. 373019
ISBN 979-9015-43-X
... I
I,~
I i.
'! i
,_
I
'··
I
f Buat:
I
!
I
lbu (Aim) dan Bapakl<u,
lstriku Sri Sudewi tercinta.
Dan tiga buah hatiku:
Faris lmaduddin (Faris),
Zhafira Mardhiyah (Fir9),
Maulida ZaizafL.:na (Funa)
Ii -
I
,-,-
~
~- --------~~--
~
:~ -
!.....:.
I:;
' l
DARI PENULIS
v
GARCH (Generalized Autoregressive Conditional Heterosc;Adasticity) dan Modaj
koreksi kesalahan (Error Correction Model:;::: ECM).
Alhamdulillah buku _ini bisa selesai dan sernua juga tak. lt:~pas dari dukungan
banyak pihak baik secara langsung maupun tidak langsung. Secara finansial buku ini
merupakan bagian dari program "Produktivitas Dosen" di lingkungan Fakultas Ekonomi
Universitas Islam Indonesia (UII), Yogyakarta. Karena itu penuii,~ mengucapkan banyak
terima kasih atas dukungan dana dari Fakultas Ekonomi Ull. Terima kasih kepada Prof.
M. L. Higgins yang telah mengajari penulis bagaimana memahami ekonometrika ketika ' i
penulis mengC!mbil program Master di Department of Economics, Western Michigan
University, USA. Ucapan terima kasih juga saya sampaikan kepada kolegaku Jaka
Sriyana yang telah mengkoreksi draf awal buku ini dan para kolega-koiega lain di FE
Ull yang telah memberikan masukan cukup berarti bagi buku ini. Tak lupa juga penulis
mengucapkan terima kasih kepada Penerbit Ekonisia yang telah rnenerbitkan buku ini.
Tak ada gadiny yang tak retak sehingga penulis menyadari bahwa buku ini jauh dari
sempurna. Oleh karena itu, dengan senang hati dan terbuka penulis menerima kritik
dan saran kepada pembaca yang budiman. Akhirnya, semoga buku ini bermanfaat.
Yogyakarta, Mei2005
Penulis,
Agus Widarjono
Ernail:wida(jono@fe.uii.ac.id
VI
I I
I i DARI PENULIS v
DAFTAR lSI vii
I .I
BAB1. PENDAHULUAN 3
1.1. Ekonometrika 3
1.2. Cabang Ekonorr.etrika 4
I I
1.3. Metodologi Ekonometrika 4
1.4. Regresi, Kausalitas Dan Korelasi 7
1.5. Sifat dan Sumber Data 8
1.6. Program Komputer Untuk Oleh Data 9
Lampiran Running Eviews Bab 1 10
vii
l\.'1
)'!
.I
J·
BABS.REGRESiBERGANDA 77
5.1. Medel Regresi Oer.gom Let.Jih O':::ri Satu Vnriat>e! l~1rle;-1e11de'l 77
5.2. Estirnasi OLS Terhadap Koefisien Regresi 3erganda 79
5.3. .Interval Estimasi Koefisen Regmsi Berganda 82
5.4. Uji t Koefisien Re0resi Parsial 83
5.5. Koefisien Dete1minasi Yang Disesuaikan 86
5.6. Uj1 Hipotesis Koefis'an Regresi Secara Menyeluruh: Uji F 88
5. 7. Uji Perubahan Strukutral Model Regresi: Uji Chow 90
5.8. Pemilitlan Model Fungsi R~gresi: Lihier Atau Log Linier 94
5.8.1. Metode !nformal dengan Sketegram 94
5.8.2. Metode Mackinnon, White and Davidson 95
Lampiran Bab 5 99
Lampiran Running Eviews Bau 5 102
6.2.2. Regresi Variabel Kualitatif Dengan Le~ih Dari Dua Kelas 114
I 6.2.3. Regresi Variabel Kualitatif Pada Data Time Series 115
I 6.3. Regresi Dengan Lebih Dari Satu Variabel Kualitatif 11 7
i /1
6.4. Regresi Linier Dengan Dua Segmen 1 19
6.5. Perbandingan Dua Regresi: Pendekatan Variabel Dummy 122
I, ' Lampiran Running Eviews Bab 6 1 26
i---
;<
~
:;-
-=...
-:-
'~
Oaftar lsi xi
-,_-
I
L~
tt--
~ - --
~
t=
..
~
-:-.-
BAC1IA~.N PERTAMA
: i
! IUA\SA\Jid··II)~~~AJI:? 11:21~1131~1~~11
~
tn • ~::
:~ -
"
r-- --
_,._ _
1!.:
i
--
'
lanjut model regresi dengan lebih dari satu variabel independen yang disebut dengan
regresi berganda (multiple regression). Pembahasan regresi pada bab 3 sampai 5
memfokuskan pada variabel independen yang bersifat kuantitatif. Pada bab 6 yang
merupakan bab terakhir bagian pertama buku ini memasukkar. variabel independen
yang bersifat kualitatif di dalam model regresi. Misalnya krisis ekonomi tahun 1997
sangat berpengaruh terhadap perilaku para agen ekonomi. Pada bab ini menjelaskan
bagaimana variabel kualitatifini bisa operasional di dalam regresi.
i .
-1-
Bab 1
PENDAHULUAN
t
Ekonometrik::l merupakan salah satu alat anal isis penting di bidang ekonomi.
Pada bab ini akan dijelaskan pengertian ekonometrika dan bagaimana metodologi
penelitian dengan alat analisis ekonometrika. Pengukuran ekonomi hanya bisa
dilakukan jika kita mempunyai data. Pada bagian akhir bab ini akan dijelaskan
beberapa jenis data dan sumber-sumber data penelitian ekonomi yang sering
digunakan di dalam ekonometrika.
1.1. EkonometrH(a
Ekonometrika secara harfiah berarti pengukuran ekonomi. Misalnya kita ingin
menguku; seberapa besar pengaruh harga terhadap jumlah permintaan suatu barang.
Untuk melakukan hal ini ekonornetrika membentuk suatu model yang menjelaskan
hubungar, antara jumlah perrnintaan barang sebagai variabel dependen atau yang
dipengaruhi dengan variabel tingkat harga sebagai variabel independen atau variabel
yang mempengarurti. Langkah berikutnya mengt.:mpulkan data yang dibutuhkan yaitu
jumlah barang yang dibeli dan h2rga barang tersebut dan kemudian dillitung dengan
metode teknik tertentu sehingga akan diketahui besarnya pengaruh harga terhadap
permintaan barang tersebut .
Ekonometrika merupakan disiplin ilmu tersendiri. Ekonometrika adalah
yabungan dari barbagai disipiin iimu yakni teori el<onorni, matematika ekonomi,
statistika eknnomi dan statistika Uiltuk matematika. Teori ekcnomi memberi pernyataan
atau hipotesis yang bersifat kua!itatif. Misalnya dalam teori permintaan sebelumnya
menyatakar. bahw::~ terdapat hubungan yang negatif antara harga dan kuantitas yang
d~.ninta. Jika harga naii-< maka jumlah barang yang diminta akan turun dan sebaliknya
jika harga turun jumlah barang yang diminta akan naik. Namun teori ekonomi tidak
memberi informasi seberapa besar jumlah barang yang diminta akan turun atau naik
• jika harga barang berubah. Ekonometrika dengan teknik analisis tertentu ak::~n
i. menjawab hal ini dengan memberi informasi angka numeriknya.
' Metematika ekonomi berhubungah erat dengan bagaimana teori ekonomi
dinyatakan dalam bentuk persamaan maternatika tanpa melakukan verifikasi
3
:~
"'
~=·.~.·~
~ -
;). :;______===
r-- r-:
,-,~
4 Bagian Pertama: Dasar-Dasar Regresi
Ekonometrika
I
~t(~c;-)on·1etrika ·r·e\Jr·1
t
Ekonometrika terapan
I
1·
Klasikal
~
Bayesian
Tidak Ya
T::~hapan ·~aha pan metodologi secara detil dapat dijelaskan sebagai berikut.
Metodologi ekonometrika dimulai dari teori ekonomi, misalr.ya teori permintaan barang
yang menyatakan bahwa harga berpengaruh negatif ter:,adap jumlah yang diminta.
Langkah pertama ini kemudian dinyatakan dalam persamaan niatematika. Pernyataan
teori dalam spesifikasi mode: matamatika dapat tulis sbb:
(1.1)
,-~:-
6 Bagian Pertama: Dasar-Dasar Regresi
Dimana Y adalah permintaan barang ; X adalah harga barang; 13o dan 13 1 adaiah
parameter estimasi yaitu intersep atau konstanta dan kemiringan (slope). Variabel yang
ada disebelah kiri persamaan yaitu Y disebut variabel dependen (dependent variable)
atau variabel terikat yaitu variabel yang dipengaruhi, sedangkan yang disebelah kanan
persamaan yaitu X disebut variabel independen (independent variable) atau variabel
penjelas (explanatory) yaitu varia bel yang mempengaruhi besar kecilnya variabel
dependen.
Setelah kita mempunyai spesifikasi model matematika langkah selanjutnya
adalah membentuk spesifikasi Model Ekonometrika. Spesifikasi model matematika
menunjukkan hubungan yang pasti (exact) atau deterministik (deterministic) antara
variabel dependen dan independen. Namun hubungan antara variabel ekonomi adalah
tidal<. pasti. Untuk itu perlu modifikasi persamaan (1.1) tersebut di atas agar sesuai
dengan perilaku ekonomi dengan membentuk model ekonometrika menjadi:
(1.2)
Y adalah jumlah permintasn barang yang diestimasi atau diharapkan (expeded). Nilal
siope !3 1 scbe3ar -0,8125 bera:ii jika ~ e~rga 0arang nail<. Rp 1 n 1aka jumlail yan(; diminta
akan turun sebesar 0,8125. Pada langkah di atas ini kita ~isa IT!embuktikan bahwa hasil
regresi kita sudah sesuai dengan teori permintaan dimana hubungan antara harga d~il
jumlah yang dimint::l adalah negatif. Disamping itu hasil mgresi ini memberi informasi
seberapa besar perubahan harga !erhadap jumlah yang diminta.
Namun untuk membukt:kan bahwa i1asil regresi hanya karena kebetulan ataL:
tidak, maks diperlukan verifikasi rnelalui uji statistik (statistical inference). Verlf:kasi ini
berkaitan -1pakah variabsl inclependen berpengaruh atau tidak terhadap variabel
dependen. Uji Statistik akan dibahas secara detil dalam bab 4. Setelah modei yang
dipilih sesuai. dengan hipotesi:·> atau teori maka selanjutnya sebagai langkah yang
:~
_,-
I
.....
~I:
.
.
I.
.
Bab 1: Pendahuluan
terakhir adalah melakukan peramalan terhadap variab~l dependen atas dasar nilai
7
I:
:I harapan di masa mendatang· (expected future· value) dari variabel independen.
Misalkan harga dimas a mendatang Rp 100 maka besarnya permintaan barang terse but
dengan memasukkan angka tersebut ke persamaan (1.3) hasilnya sbb:
..t·
f; =150,7-0,8125(100) (1.4)
f; = 49,8875
Gujarat:, N. Damodar, Basic Econometrics, fourth ed., Me GrawHill, New Yor~ 2003, p.17.
8 Bagian Pertama: Dasar-Dasar Regresi
I
I
:1
,,
-
I<
II
!i
. I
10 Bagian Pertama: Dasar-Dasar Regresi
SOFTWARE EVIEWS
~~--
Software Eviews menyediakan data analisis, regresi dan alat prediksi yang 1
sophisticated yang berbasis Window. Eviews dapat digunakan dalam berbagai analisis
baik ekonomi maupun bisnis meliputi analisis data dan evaluasinya, analisis finansial,
peramalan ekonomimakro, simulasi, peramalan penjualan dan analisis biaya. Pada
lampiran ini akan dijelaskan secara singkat operasi Eviews untuk oleb data
ekonometrika.
Tampilan 1
File Edit Objects View ~·roes Quick Options Window Help '
I '
i !
I .
~
~
r-n-=
~
~;c._-=:
-,-
I·
1•
I
,-.. -
Bab 1: Pendahuluan 11
Pada Tampilan 1 di atas merupakan window dad Eviews. Pada bagian atas window
Eviews tertera Eviews. Dibawah judul Eviews tertera menu utama (main menu) dari
Eviews yakni menu File, Edit, Objects, Views, Procs, Quick, Option, Window dan
Help. Sedangkan ruang kosong dibawah menu utama merupakan tempat yang
digunakan untuk menuliskan perintah (Command Eviews) secara manual.
~ Mingguan (weekly)
1998 I 101197 I 21,84 955735,5 m Harian, 5 hari kerja ( 5 days weeks)
1999 124633 27,60 10!=19731,6
2000 1621C6 I 16,15 12649~8.7 • Harian, 7 hari U day weeks)
2001 17773u 14,23 1449838,1 e Data acak (undated/irregular)
2002 19_~939 15,28 I 1610011,6
i:
~--
12 Bagian Pertama: Dasar-Dasar Regresi
iI
Tampllan 2 . I
'
Ada beberapa aturan main berkaitan dengan penulisan jangka wakt~_.; yaitu: i
I ~
• Annual = ditulis penuh seperti tahun 1985
. ,. Quarterly = ditulis tahun kemudian titik dua (colon) dan Nomor kuarta!. Misalnya
2002:2 berarti adalah kuartal kedua tahun 2002.
e Bulanan = ditulis tahun titik dua dan diikuti f'-lornor bulan. Misalnya 2000: i 2 berarti
adalah bulan ke duabelas (Desember) tahun 2000.
=
• Weekly dan daily ditulis Nomor bu!an titlk dua diikuti Nornor ha!"i titik dua diikuti oleh
tahun. Misalnya 10:12:2001 berarti 10 Desember 200·1
Kita kembali ke data yang kita punyai sebelurnnya. Data permintaan uang adalah data
tahunan. Kita klik frekuensi Annual pada faropi!an 2 maka se!anjutnya kita masukkan
aw2l penelitian (start date) 'I 985 dan akhir penelitian (End date) 2002. Jika data kita
adalah corss section terdiri dari 20 observasi maka kita rilih undated or irregular dan
kemudian diisi start date adalah 1 (dsfau!t) dan end date 20. Setelah kita masukkan
data awal dan akhirnya rnaka kernudian kita kiik OK akan muncul tampi!an shb:
Tampilan 3
::
I:
Bab 1: Pendahuluan 13
; Tampilan 5
.I
!I
Pada Tampilan 5 sekarang sudah terisi
semua obyek (variabel) yang k!ta ·
butuhkan yaitu M1, GOP dan R.
Setelah kita membentuk obyek langkah
be~ikutnya adalah memasukkan data
ke dalam obyek . Langkahnya pilih
salah satu obyek, misalnya M1
kemudian klik kanan lalu klik Open
atau pilih salah satu obyek (M 1 )
kemudian double klik. Kemudian akan
muncul tampilan sbb:
'
'"
t±___
8
tt_______:_
~=~~
~
rr--·-
II.:=...-====
I·
-~.-
H
li
14 Bagian Pertama: Dasar-Dasar Regresi . !
-----=··===
p -~·: ;, · !:sc;:;e::Jic:
iT\-.:: t~:~::~ >:::>>Jra: :g bisa
!a;·;cJ-:1-)' \~1 , nsnggunakar·;
obye~:· .·::::"1:,\bel) untuk
i I
l
·-
i i
Bab 1: Pendahuluan 15
d
[i
i-i-
i!
16 [>;.-Jgtai i ;· ·~ertarnr:L LJas~_.L ·C1asc..il
I .·:: J: ·:.-...): }.:
=-:::=.=:=::::::":c::.==--:::===-=:=:=-.=:,:==-,==== .:.=..-•.:..:.:.::::::.:::::.::::;:;..--==----=::::-__;::..-:-~:..--=:;;
! 1..
;: ..:·
,,
L;
F.-
r
~
~
r:----
E=--=
_, __
I,
.,
-i·
'I
f\
Bab
:;..
t;kJ~\ )lYl:::tri~\2. p;:~da i: a.~! ..
ya:-1~1 diqun:3~\.an cia1~~1·., ·~ ~~ :·:ahvJa s~~ba_J~::_-::.~--~ ~: :..-:··_:?.._i~
pe~-n~J:?_r::: sud.~~lh :--.81-:~jll ...~;-~--\~·:.~:·: :-_:~if set1!nggE1 b!sa :·:-1·:::: ."?.··.:: .:<i
·.;·:_: . -,g) rnaka. b~:1f.J ~:···· -:~.'-~_;:·:._;;-~_:
sernentara itu kejadi :n :\ y:_;-;;~.; ·:T:uncui :::Jcb.!:,· · ' 3!::a r~robabi:tia~;; kej:v::lian /\
merL' -)~!~.an rn/n. ;\.-'l:sa~_;·r:/~~- ~(t_a n· :;1\-;rnpJ,· .ssbu.-:~i_~·; ·~d.::-i_nq .s8.f!lpet 8k.an terdirl c~ari = · - ' _ : · : :. • :
6 h<Jsil yaitu ·1, 2, 3, .:, Ci d;.:m G. Probabilita; dar: ;ei:i::-';; -,,JITY)f' olet1 karena itu ddalah
1/6.
I~
t=
~
~
L--~
_li_ _ _
,.-~.~--
I~
,.
t:
-"--
18 i3agian Pertama: Dasar-Oasar Regresi
··--··-· -· =~-:---.~:·;::.:-.:.~.;:·~::·::=:::::::::--- ... - -·---~:::-:;:".:-~:-.~-:::::-:·:-::_~';':.':.·:·':. ;::·;~-::.;~~:~.::;::;.-:~;.:-:..7..~~~:-::. . . . :;::. ··:·-:.:;::--...:. .:=.:::..:;::;-..:.::::: ..:-::.7:.::·.:::::··.. ....... - ....•..
: -~- i :-.:b·ci acak atau ;'-~~n~J-:Ji\ ·· ji.:L::.dah se~Ju::~.. :~ · .,: ! lil ~-.ir··
ole.:, : .'jc:.: li::::n dari percobaan '3tau o:;i<sperimen. \/a;!:,:.; \>rr• te;-cki l:i::':i .:: ::·)
cJis!crj: (.!::crete) dan kon1:::1u (ccnt/m;ous). Ya:IJ ·.," <:'}··· ~·'>kait~n ·:~·~:1;:·;;-1 ,\,,_.
Va!·iahei hanya dengan nilai yang terte:ntu. Misalnya cJj rni::i :;eiempar dua h !-::h ~i3..} 1
r'f1Cika por:ju!nlahan !Jasil ss!iap kej'.idian adalah 2, 3, <. ;_,, 7, e. 9, i(_'i, 'i: .:!2•. •
Va.• :,;<.>::! :·,, :;_J'.)rn kontinu di !a in ~)i' :]k ada;a11 va(iat::c: '~,FF-,l':·ii c: i" ·,
s3'. i:> iVii3::tlnya bera.t baJa:: ses,3orang aU?,::;~ · ~~ I • ~ , . : ' ' : I
· · :·~d(J~n D1:s
•'. ,, i ~- -j .. ·. :·! .,]_.
:i
·. -:~ ; '
l'_.,
'!,;
~~ -'· :1 ~-
,_y·- -.,
.. 4 .;
•'. _,.
1-
(.
c__
~
=
..._
~
,.....---
~----
r-
l Bab 2. Dasar-Dasar Statistika Untuk Ekonometrika 19
I Jadi dalam hal ini nilai probabilitasnya terletak dal;;;n interval sebagaimana terlihat
dalam garnbar 2.1. Misalnya kita ingin menghitun,J f·J:lgsi densitas probabilitas (PDF)
dari variabel random kontinu sbb:
(2.5)
i:
:~
w
i-::
Jika nilai f(x) :;:>- 0 untuk semua nil8i x dalam iang-3 ;; d1n 2 maka integral c!·ari fungsi
tersebut sbb:
(2.6)
Dec::~rtinilai probabllitas ·< :.:JrL:;tal< antat·a 0 :ian 2 1dal8h 8/9. fVlisalnya kita ingin
mengevaluasi PDF pada range 0 dan 1 ;·:·:ak.c; 11iiainya l/9. Dengan kata l3in
~,robabilitas )(yang terletal~ diant3?2 0 dan 1 adalah 1/'J
·l
,L\da beberapa sifat v~r!iing dari distribus; YX>dbiiitas yaitu rata-rata atsu nilai
harapan (expected valaa), vai'!an (varicmce) clan kovarie:<n fcovarfan) serta koefisien
korelasi (coefficient correh;Jtion ).
E(X) =I -~f(x)
X
(2.7)
: ..
icc
t=
~- -----
~
.:............
~----
Misa!V?n !<ita me!empar sebuah 't:Klu :::ian X ada!ah VD'i'•'!JE~I random berup::' Nc ··. ji
dai~"''T ·.ladu yang rmFicui. f·.r18\:: i 1i!ai haraparl atau r~~ti::l r"t~.' dari >< ad:::1!?.h ';bh:
c ..(-_.-'.\. )
·;-·
== 1 (1/6) + 2 (1'Gl <· :1(1!E)) + 4(1/6) + 5( liGl 1· G( l/6)
::: 21/6 ''
'•,
L,___
i\1isal\<.an X adc:1\Jh v.:··\i::)::v~! random dan nildi l·v;:;-;,!)<ln X y:aitu ~-:::, .<)
(ji;tr!'· _;-:: ·j niiE•i X cr... \. : '>J··red:.:1ny<:i c!isebut ,·::n<•''''· i'i;:,t-!'~12'1 <!·'>. ,.,.1 ... : ~:1n
<' .=H_, .., • "' •:i ''ii, ·,i :;iL;m; s!.,t:.·
/\. ..•.
.v- /\ -= --~).,-=.,; ·. .c'f'
i t_
. :I
X
.. <I
·.-:< i .z ,. !""
-== cr_J: -
-:.: r'.,
,_J, 'l \)
; ... :·
-~I ; 'i '. ';' l-· '·; -:-:::: Ji\..'~ ~-· _ ;\-3. fY'i8lTipUn/ j-:
...-··
Bab 2. Dasar-Dasar Statistika Untuk Ekonornetrika 21
Misalkan nilai rata-rata variabel random >( dan 'I masing-masing ad:::.1lah JL, dan f-lY
maka kovarian dua variabel random tersery.Jt cl3pc:<: didefinisikan sbb:
Dari definisi kovarian tersebut maka kova:-\an dari andorn variabe\ X a:l?.\a'·l varian dari
variabal rancJom X jtu sendiri. Kovarian :.:a··' \.'1r; c1': .,, r:md.Jm diskrit dac- :.'- : .i~::ng sbb:
\ ~ '\'/. ./.I..V1J'(x
= LoR. .~
..:....o-:-3
)') -
) . ,~'L X;"· '\."
{')
,,_, 1 'v".!.)
X }'
C2.14)
·' y
f<oefis:en korelasi (p) me:lgUk!_,, h ·'nr:y'v 1ini::;:· ant<:F"-1 :L::::: : ::-i::;,j.:oi. Misalnya
''iU rr1emr"Jryai d•1a v·:3riabe' rarv1n.T• .'< "' "' ., . .,,,_, r,;:::r t-:·;c·.::::: · .--_, · · ~: .:~:=.:p::::t
~:>itung dengan lorrnula sL1b:
cov(XY)
p --
-- ~[Var(X)Var(Y)]
cov(X < Y)
- (2.15)
f'-Ji!ai dari koefisien l<.:oreiasi ini terletat< a: 1tara -- i dan -; 1, dimane --1 rnGn'~llj'_jkka,l
f!uLv...-~nq31'l n.eg?ti'f y?.r:;J s?~1lpt.!rna sed:.--:ns·-~-=-~~ 7-·1 ~:c·nunjul<:kan !·t~b-_.;-~ Ja;~, ;;o3itif yang
; :. ; 1;·:urna.
lj
-,.-
,,
22 Bagian Pertama: Dasar-Oasar Regr~_si=====
ini. Keernpatny:::~ adal<~h dist1·ibusi nc!rrna! (normal distribution), distribusi cf1i . squares I:"
( -r ! di~trl·r.usJ· t d;:;n di,:·.t(!hiV~l· F· o,. .~,--r1b~"! 1·. ~:--l''ar·, l"'1asi:'U·fT1::>:'J·nn dt'strt·~)ll·-i ~-, . ,,!.,· . ·:1 ''""~,-,·fat
2
~
. I'.- I IV' • ,.) '- ..._ , .. I .) . . ·~ ~· -~ , 1 •.. -·~ ! ...,. ~ , I - I .• ~ ~.:;.(,:) . ~ • ·~ ,. , ,:;, , ~ .. _. , .'· .. . .. ,_,. . ;:) ~
1
.·
de:s!<:riptif, bagi para pernbaca yan~~ ingin lebih rnendalarninya dipersi!at:!<:an rnembaca
b :ku-buku ~.tahstii<a
·,~;-· (hr~_~// :;/.._1 )~-:' ! ' ~-:t J~HT~bE1f 2.2. [.3\. _ ;·i::-i\>·: < -~.-..":Tn~1\
n·1~:~; ii:Ju:~1!_(_1~"Jadc.~trl r·1ilai r8l:-::~--~-~-:~td dail variannyc1 .-; :)( !i:··tJ:_J:·. . ji\·\a )(
.·•,,<•.,.,_·.~
._ ..',r..--·•!.·,·-;>,_,_f'
~~ -~ l '.t.'_lF~.··d.-,s.-,'.!'
-...- .,__ _ !'. ,·-.......
_ _::.',;1 ;v· .... -,.,
, I\_.•: ..,IJ ij''ll·,.,
. :·~-\ 1 !:"~ ,.;:_~; L-,'t.C.':.!-·· hi·,,.~,
0'·, # -:lG.o: f' d'i·" •){·, '""' r·) (f'
. 1.•:
;~ .. _,X).../
~ X V"' ..,, ..1 il.. F".~·. :_...,r~.f.I'X'
,--,l) ,r ,:_:~: :;:; "~ r
rjjc~istr·j_b~..l::-~ikan ~:~efJ!J:-~.J:-:-::i '.J;)'l:-).b(:~l nornj:::~1 d:~3;·:J?ll . . ~~t~,--r·;:_..\t') ,ll.l dan varian cr~..
:_:;ualu ·.;aria)X:i Y i.:;;r:dorn k.on'W";U rji\ut:~!-:c:\i i didistribusikan S8Ulra n·Ji';!:_;;! ji!q
,·. ·,
'(<··0) .'. '( 6)
,·;.
"-... -...........,
......
,,
li
Bab 2. Dasar-Dasar Statistika Untuk Ekonometrika 23
Pada gambar 2.2. tersebut kita-kira 68% area dibawah kurva distr·i~usi normal akan
terletak diantara nilai f.1. ± cr, kira-kira 950/rj t::::1·1etak antara p ± 2c> ·-:!an 99,7% akan
terletak antara ~t ± 3cr.
Untuk tujuan uji statistik, kita harus mengingat kembali bahwa
Prob (,Llx- 1,96 O'x <xi < f.lx + 1,96aJ - 0,95 (2.17)
Prob (J-lx -- 2,57 crx <Xi< ~tx + 2,57a,)- 0,99 (2.18)
.. Distribusi ini sirnetris dan berbentu:-~ : Yh-::e:·lg sehing;:; :;-::,,-:_;~ .::l\311 cara ya;1g
baik untul< menggambarkan distribusi param2ter sepeni !qt,::;;·s·:::J rnaupun slope
yang kita estimasi
,. Distribusi normal dijelaskan dengan rata-rata dan va;·ia;·tnya senir1gga kita tidak
khawatir soal sifat-sifat kemencenga, 1 seperti skewness dan kur-tosis.
k
7 - ''\'' 7 i
(2.19)
.!-'- ~LJi
i=!
I
I.
i·,:
\i
'i iil.:
L. _ i
~
~
tr:==
~
-..._-
_,.__
~-----
li
li
I
i
I'
~
ti
~
~-.-
24 Bagian Pertama: Dasar-Dasar Regresi
).
'·
i·'
\
\
\
.
distribusi t den~:Jan df k atau dengan kat>: lain :
"7
t = -- 0 L,
_:___
,,
'J L. 2 It(
~ ~
L; -,jk
-- -'vrz; (2.20)
!'
Seca1 a graii~ 'u-.::: · !: ~;:i <Jt-•si t c' apat :.:JiHf--,?1 :>:.~; ~- ;.~rntJar 2.4. Pac;a garnba~- 2.4 ters,3but '.
i;
g:o,rnbar distt·ir.:·.:::;i t ~pn1bar distr!il'i::;i rFi 1T1':)i lJistribusi juga sirnetris tetapi aga:~ I.
1 Bab 2. Dasar-Dasar Statistika Untuk Ekonometrika
mendatar dari pada distribusi normal, semakin besar sampelnya mal<:a distribusi t a:.an
25
mendekati distt·ilJusi normal. Tabel distribusi t ditampilkan da:a;:; :...arnpiran tabel b .. ·< :
ini. Misalnya jika tingkat signifikan atau c.t.=5% maka nilai kritis dari tabel distribusi r
adalah 1,96 untuk sampel besar. (distribusi normal). Sedangkan untuk sampel 20
dengan a=5% nilai kritisnya adalah 2,086.
rn~:-;g: ;'..W : ''u.c:i ::;hl Squ::Fes de:-1l]8P df k 1 dan k~ rr\a: o1 i/I:.:) i (Z/l-\. 2 : ;;
mernpunyai distritY tsi F dengan dl' k 1 dan f\2 atau dapat dituiis sbb:
Secara grafts, c>,i~:;tribusi F sep":-crti distribusi c~1i-square yanq berbentuk skeweness w-a~
gambar 2.5. Sed;,Jngk:::in T::~be! distribusi F bisa dilihat dalam l_arnpiran Tabel buku ini
d
I·'
1:,~1.
ii_,. __
I.
;•....
26 Bagian Pertama: Dasa_r-Dasar R~gre,=s=i==t========== '·
p (F)
~
' SO,'iiJ
'i
\
•.'.
! :-
\ 1-:
I.
..... ·
_
I'
i
ass
i='3 J ·~_ab ini ki~2 rn~!la: -;e ~ J} 1asan dengan rl10•.J·21 ;:F:33i li;lie: sc< ',.- ' ·
yaitu va,·iai;ei dependen yang h.'m{'l dijelaskan olel1 satu ·;ariabei indev", J::::·
F-'ernbahasa ·: pertama akan cLnui:Ji ::Jengan ide dasar da;·! re.Jres: Pemi.::.. o>n:o::;:
selanjutnya oerkailan bagairnar1a rnendapatkan garis regre_:;i yanc:; baik dengan r;etsd'::o
kuadrat terk2ci!. Dengan asumsi-asumsi tertentu estimator da( i<uadrat terkecil <"li·;ar:
menghasilkan estimator yang tidak bias, linier dan efisien. Pernbahasan beril<utnya
berkaitr.m d·::;ngan ketepatan estirnai.or yang diukur dengan kesa!ahan standai d2n
koefisien d·?t~rminasi yang r:v~nje\askan seberapa baik garis regresi menj~L;;<· > ;
datarl·;a
:~~ ::j ,-,:, I sudah diizs:··: ):.(.:,' _c\ clefinisi regr-,;:~s!. es::;:-j" :;;-; ','.i.C:Fi •.'\ i'c~g:·;:;::
dasar!iyd a 13iah menjelaskan dan rn9ngevaluasi hu'Junr.Jar·, antara suatu ,,c.;:-;,,:,.~,,
<::iepfe::.-').:·,,1 ri' ''}3n satu ata:.: l.~'A 1 va(3bel independen. f<'ta a~~an rr:,3rT\f'Jer: !> ~c'. -,,.,
~:-:·.-~~·:. ·--~ ··:_-~:~
J .... ~._:;,j.\:';;··;·1?.i.1d /--~:i~-._:.. -· i ~---·~;::..- :.:;::iu ''a1-\a:J~~ l;~_:~_::,~--_-. -;.js1-- ... t\.~.:l~ ·:i;_;.
c.iat.a ya.:·0 :>;Ja.t d!gunak2n da':.1n·, 3\\,~>nometrika, s::1lah 33tU''/2~ arJ<:; 1Jh rJ:y!_., :;;-·.:c::;··
ruang atau ~=;rnpat (cross se:-:fion). ~,\isa!nya kita mempe\a]ari perrnintagn \::a: ng
3erd2sai·\<;a; teori ekonomi, permintJan barang be·-hubungan te.rba:ik ~Ja::.g?.n
rc:rgany:3. l\rtinya, ~ika ili:lrga naik r:aka jumlah permintaan barang akan rnenunm dan
sebaliknya ::,a herga tu~u.1 rnaka j:.w1lah perm!ntaannya a 1<an meningl\at deng:m
asurnsi v:::u"i<:ibel selain harga tetap.
!<:ita 3surnsikan terdapat hubungan yang linie_r antara harga dan jurnlah
perrnintaan. Sebagai catatan bahwa hubungan. keduanya tidak l:::~rus li'lier, nc:~m'n
untuh: penyer}p;-hanaan kita ::lsurn:;il-;::m linier. HubungarJ linl,~r keduanya dapat kita tu!.i~~
d:3i:>:.,.. ');:~;-::;::. ·: .nn reqresi :;~b:
i'
i!"
11
~
ti
i;
fl
~
~l
'
~
28 Bagian Pertama: Dasar-Dasar Regresi
Jumlah permintaan barang aktual tidak harus sama dengan nilai harapannya. .A.da
banyak faktor yang mempengaruhi permintaan barang selain harga. Oleh karena itu,
kita dapat tulis kembali persamaan (3.1) sbb:
YI ~ E(Y.)+e.
I I
(3.3)
(3.4)
Dimana ei adalah variabel gangguan atau residual (disturbance I errors terms) yang ·
nilainya bisa positif atau negatif.
Variabel gangguan ini muncul karena hubungan variabel ekonomi adalah
hubungan yang random atau acak tidak seper;ti hubungan variabel dalam matematika
yang bersifat deterministik. Pada tingkat harga yang sama, juml<=~h 1-Jarang yang dibeli
konsumen akan berbeda. · H2l ini terjadi karena ada faktor selain harga yang juga bisa
mempengaruhi permintaan barang misalnya seiGra konsumen. l 1engan demikian,
variabel gangguan atau residual· mancerminkan faktor-faktor selairi rarga yang
rnempengaruhi jumlah permintaan konsumen tetapi tidak dimasukkan dalam
persamaan. Oleh karena itu, variabel dependen Y adalah variabel random (random
I 3
m'::
variable) atau stokastik (stochastic variable) yang besar kecilnya tergantung dari jun
din
Tanda subskrip i menunjukkan observasi untuk data cross section sedangkan untuk observasi data
time series ciiberi tanda subskrip t
. ~.
t=
F_:_:_:_
~
"~--==
_i"_
~~
,.
l2
i;
~ --
,
Bab 3. Regresi Sederhana: Estimasi 29
.,
.
variabel independen X. Sedangkan variabel independen X c:J.dalah varia bel tetap ,1: 'U
nonstokastik dan e variabe! random atau stokastik.
Secara umum varia bel gangguan ini disebabkan o!eh dua hal. Yang pert.:L:< :\,
variabel gangguan muncul karena model yang digunakan terlalu sederhana tidak
mencerminkan realitas. Misalnya dalam kasus permintaan barang dimana kita hanya
memasukkan variabel harga saja sebagai satu-satunya faktor yang mempengaruhi
permintaan barang. Sumber kedua munculnya variabe! gangguan berhubungan denJan
perilaku variabel ekonomi yang mencerrninkan perilaku manusia. Misalnya jika \'ari8~a.:
harga rnerupakan satu satunya faktor yang mempengaru1·1l permintaan barang bs::J:T1
tentu tinqkat permintaan b;::vanq c:hri clari setiG.p ktJnsumen akan sarna dari \N'3~.-.' :. -c
r-·,. ,, ~·-·-1: (3.~-~; _:,._,.~-~-:~ ·--->~-~----:~.:;;.:.;\.::t:'i oa;iy''ia ;jl....j;_)' .. ir~::-J-::;:i i Jan /t.. i'!i-~!f .Jr)-~-
i:UbL:ng::,,' !rnisr. Hubungar-' !!:-+;:· L:' dapat digarnbar-lun Jal;=n;r1 bentuk garis i·: ··: ..
dalarn sc~i":)' \.3h grafi!( dengan p,) :;st>Jgai intersep (konstanta) clan [31 adalah ken<i>·in .; ::
(.slope) :c"':·i ~;;1ris lurus y::-Fig i·~it:::; peroleh. Garnb;::;r .Jc:tri per.samaan (3. 1) tatss.Jut
disebut d,:,ngan garis reqresi popu!asi, lihat gam bar 3. ·1.
·~
h'3r·samaan reg!·es' popuiJ;c' (3. 1) sulit diketahui sehingga uniuk
i mengestimasinya '\ita mengJunakan data sampel untuk menjelaskcm hubungan antara
jumlah pennintaan baran~J c!engan ting!\at harganya. Per~amaan regresi sampel d:l::-Jac
'
ciinyatak::••l st.;:y
: : (? ' c: \
-i-· / '. ·... ) .
30 Bagian Pertama: Dasar-Dasar Regresi
Persamaan (3.5) ini kalau kita gambarkan dalam bentuk grafik merupak.an garis lurus
dengan intersep sebesar Po /1
dan slope 1 • Garis lurus yang kita dapatkan disebut
garis regresi sam pel dim ana Po dan /3
1 merupakan estimasi parameter dari populasi
flo dan /31 • ~ di dalam persamaan (3.5) tersebut disebut nilai prediksi (predicted value)
,-
dari Y. Nilai prediksi ini tidak sama dengan nilai aktualnya, sehingga sebagaimana
rt
persamaan regresi populasi kita tambahkan unsur residual di dalam persamaan (3.5)
menjadi persamaan sbb:
, A A
Y; = Y; + e; (3.6)
(3.7)
'
Perbedaan a~tara garis regresi populasi ~an sampel dapat dilihat dala. m
gambar 3.2. Di dalarn gambar 3.2. tersebut, untuk observasi i nilai prediksi Y ( r;)
regresi sampel terlalu tinggi (overestimate) terhadap E(Y) regresi populasi. Dalam
.
I'-
gambar tersebut sernua titik disebelah kiri ti~ik A menghasilkan prediksi regresi sampel
ga
Bab 3. Regresi Sederhana: Estimasi 31
terlalu tinggi sedangkan pada sebelah kanan A akan menghasilkan prediksi regresi
sampel yang terlalu rendah (underestimate) dibandingkan dengan regresi populasi.
Jika .kita mengestimasi persamaan regresi populasi berdasarkan sampel maka
pertanyaan yang muncul adalah bagaimana. kita bisa mendapatkan garis regresi
sampel yang sedekat mungkin dengan garis regresi populasi. · Dengan kata lain
bagaimana kita bisa mendapatkan p dan ~~ sedekat mungkindengan /J dan /J
0 0 1•
(3.9)
Dalam bentuk persamaan yang la!n residual e; ini bisa kita tulis sbb:
I
(3.10)
(3.11)
Konsep residual dalam persamaan regresi sampel ini bisa kita jelaskan melalui
garis regresi sampel. Misalkan kita mempunyai 6 data sampel jumlah perrnintaan
8
[;"
~~
.-.;
32 Bagian Pertama: Dasar-Dasar Regresi
uarang (Y) dan. harganya (X) dan kita plot data tElrsebut dalam bentuk diagram pencar
atau sketergram (scattergram), lihat gambar 3.3. Misalkan dari sketergram tersebut kita
membuat salah satu garis regresi, lihat kembali gambar 3.3. Dengan berbagai
observasi antara X dan Y ini kemudian kita akan mencoba mendapatkan garis regresi
yang sedekat mungkin dengan data aktualnya (Y)~ Secara grafis variabel residual ini
(e,.) merupakan selisih jarak antara jumlah permintaan yang dip~ediksi dari garis regresi
( Y) dengan data aktualnya (Y).Untuk mendapatkan garis regresi yang baik kita harus
meminimumkan jumlah varia bel residual yaitu Lei = L(Y; ~ Y,.) sekecil mungkin.
0 X
Jika kita menjumlahkan semua residual ini kita mema1g bisa mendapatkan
jumlah total residual e,. sekecil mungkin. Namun kemungkinan kita mendapatkan c
jumlah totai residual ei adalah nol bisa juga terjadi. Padahal faktahya ada beberapa ·
residual ei yang rnungkin jaraknya jauh dari gari$ regresi baik dibawahnya maupurl
diaiasnya. Hai ini terjadi karena kita memberi timbangan yang sama kepada setiap
residual e,. ee eee e
tanpa melihat jauh dekat jaraknya. Misalnya 1 , 2 , 3 , 4 , 5 dan 6 masing-
I B
d
L
Bab 3. Regresi Sederhana: Estim1;1si 33
masing jaraknya -1~ +11 -4~ +41 -2 dan + 2. Jumlah nilai dari residual e; adalah nol
meskipun e3 dan e4 mempunyai jarak yang lebih jauh dari garis regresi dibandingkan
dengan el
dan e2 .
Kita bisa menghindari permasalahan kemungkinan terjadinya jumlah nilai
residual e; sebesar not dengan memberi timbangan kepada masing-masing residual
e;.Salah satu caranya adalah dengan mengkuadratkan masing-masing residual e;.
Dengan mengkuadratkannya maka kita memberi timbangan yang lebih besar kepada
residual e;
yang mempunyai jarak yang Iebar seperti residual 3 maupun 4 • Metode e e
mencari nilai residual sekecil mungkin dengan menjumlahkan kuadrat residual ini
disebut dengan metode kuadrat terkecil (ordinary least squares). Metode Ordinary
-~ least squares (OLS) yang akan menjamin jumlah residual kuadrat sekecil mungkin
dapat dijelaskan sbb:
(3.12)
(3.13)
) Lampiran 3.1. Proses diferensiasi pJrsial menghasilkan estimasi {3 0 dan {31 sbb:
,-.-
!!
34 Bagian Pertama: Dasar-Dasar Regresi
(3.14)
(3.15)
(3.16)
Asumsi yang berkaitan dengan model garis regresi linier dua variabel tersebut adalah
sbb:
l;
L-
Bab 3. Regresi Sederhana: Estimasi 35
1. Asumsi 1
Hubungan antara Y (variabel dependen) dan X (variabel independen) adalah linier
dalam parameter. Model regresi yang linier dalam parameter dapat dilihat dalam
persamaan (3.16). Dalam hal ini !31 berhubungan linier terhadap Y.
2. Asumsi 2
· Variabel X adalah variabel tidak stokastik yang nilainya tetap. Nilai X adalah tetap
untuk berbagai observasi yang berulang-ulang. Kembali dalam kasus hubungan
jumlah permintaan barang dengan tingkat harganya, untuk mengetahui tingkat
variasi jumlah permintaan barang maka kita melakukan berbagai observasi pada
tingkat harga tertentu. Jadi dengan sampel yang berulang-ulang nilai variabel
independen (X) adalah tetap atau dengan l<ata lain variabel independen (X) adalah
variabel yang dikontrol.
3. Asumsi 3
Nila harapan (expected value) atau rata-rata dari variabel gangguan ei adalah nol.
Secara simbolis dapat dinyatakan sbb:
(3.17)
Karena kita mengasumsikan bahwa nilai harapa:1 dari Y hanya dipengaruhi oleh
variabel independen yang ada atau dapat dinyatakan sbb:
(3.18)
4. Asumsi 4
Varian dari variabel gangguan ei ada!ah sama (homoskedastisitas). Secara
simbolis dinyatakan sebagai berikut:
Var(ei IXi)= Ek - E(ei !X; )Y (3.19)
= E(e~ IX )
I 1 I
karen a asumsi 3
5. Asumsi 5
Tidak ada <>erial korelasi antara residual ei atau residual ei tidak saling
berhubungan dengan ei yang lain. Secara simbolis dinyatakan sebagai berikut:
(3.20)
36 Bagian Pert,ama: Dasar-Dasar Regresi
f
6. Asumsi 6
Variabel gangguan ei berdistri~usi normal /
Asumsi 1 .sampai 5 dikenal dengan membentuk apa yang disebut model regresi linier
klasik (Classical Linear Regression Model).
Dengan asumsi-asumsi di atas pada model regresi linier klasik, model kuadrat
-!
I
f
terkecil (OLS) memiliki sifat ideal dikenal dengan teorema Gauss-Markov (Gauss- I i
[_,
Markov Theorem). Metode kuadrat terkecil akan menghasilkan apa yang disebut
dengan estimator yang tidak bias, linier dan mempunyai varian yang minimum (best I
i
linear unbiased estimators =BLUE). Penjetasan detit tentang estimator yang BLUE bisa i
I
dilihat datam Lampiran 3.2. Suatu estimator {J1 dikatakan mempunyai sifat yang BLUE
jika memenuhi kriteria sbb:
1. Estimator P1
adatah linier (linear), yaitu tinier terhadap ·variabet stokastik Y
sebagaivariabetdependen
2. Estimator {J1 tidak bias, yaitu nilai rata rata atau nitai harapan E( ~ 1 } sama
ciengan nilai !3 1 yang sebenarnya.
P
3. Estimator 1 mempunyai varian yang minimum. Estimator yang tidak bias
dengan varian minimum disebut estimator yang efisien (efficient estimator)
Catatan penting datam teorema Gauss-Markov adatah bahwa teorema ini tidak bertaku
kepada estimator yang tidak tinier (nonlinear). Estimator yang tidak tinier mungkin juga
· tidak bias dan mungkin juga mempunyai varian yang tebih kecit dari model regresi tinier
ktasik.
tl
lL
.
··---
Bab 3. Regresi Sederhana: Estimasi 37
(3.22)
!-;
(3.23)
,.. (j2
Var(P1 ) =
.
L x.· 2
I
(3.24)
,.. (]"
Se(P1 )= ~ (3.25)
-vLxi
Dimana var adalah varian, se adalah standard error dan cr 2 adalah varian yang konstan
(homoskedastik). Penurunan formula secara detil varian estimator 13 bisa dilihat dalam
Lampiran 3.2.
Semua variabel dalam perhitungan standard error di atas dapat diestimasi dari
data yang ada kecuali d. Nilai estimasl dari if dapat dihitung dengan formula sbb:
,.2 .L.Je;
(}" = - -
",..2 (3.26)
n-k
dimana: X; =xi -X
n =jumlah observasi
k =jumiah varia bel independen ditambah konstanta (intersep)
r.e: adalah jumlah variabel gangguan atau residual kuadrat (residual sum of
squares =RSS ). n-k dikenal dengan jumlah derajat kebebasan (numt'er of degree of
freedom) disingkat sebagai df. df ini berarti jumlah obs~rvasi (n) dikw-angi dengan
JUml~h variabel indep~nden tc:rm:suk konstanta. Semakin kecil stancarc! error dari
estimator maka semak!n kecll variabilitas dari angka estimator dan berarti remakin
dipercaya nilai estimator yang didapat. Bagaimana varian dan kesalahan standar dari
estimator mampu membuat keputusan tentang kebenaran dari estimator akan
c!ijelaskan dalam subbab berikutnya.
\
L
38 Baglan Pertama: Dasar-Dasar Regresl
(3.6)
Kedua sisi persamaan (3.6) kemudian dikurangi dengan nilai rata-rata Y (Y) sehingga
akan ·kita dapatkan persamaan sbb:
(3.27)
(f:- Y) adalah variasi di dalam Y dari nilai rata-ratanya dan tot8l dari penjumlahan
kuadrat nilai ini disebut total sum of squares (TSS). (f; -f) adalah variasi prediksi Y
(= Y;) terhadap nilai rata ratanya atau variasi garis regresi dari nilai rata-ratar\ya dan
total dari psnjumlahan kuadrat r.ilai ini disebut explained sum of squares (ES3).
(f; - Y;) atau residual e adalah variasi dari Y yang t!dak dijelaskan o!eh garis regresi
atau variasi Y yang dijelaskan oleh variabel penganggu (residual) dan nilai total dari
penjumlahan kuadratnya d!sebut residual sum of squares (RSS). Dengan demikian
maka persamaan (3.28) dapat ditulis kembali menjadi persamaan sbb:
IJ
ii
L:
-"-
i!
,,
~~
Bab 3. Regresl Sederhana: Estimasi 39
(3.29)
Persamaan (3.30) ini menunjukkan bahwa total variasi dari Y dari nilai rata-
ratanya dijelaskan oleh dua bagian, bagian pertama terkait dengan garis regresi dan
satu bagian lainya oleh variabel residual yang random karena tidak semua data Y
terletak pada garis regresi. Penjelasan ketiga konsep dapat dilihat pada gambar 3.4.
Jika garis regresi menjelaskan data dengan baik maka ESS akan lebih besar
dad RSS. Pada kasus ekstrim bila semua garis regresi cocok dengan datanya maka
ESS sama dengan TSS dan RSS sama dengan nol. Di lain pihak jika garis regresi
kurang baik menjelaskan datanya RSS akan lebih besar dari ESS. Pada kasus ekstrim
jika garis regres! tidak mer.jelaskan semua variasi nilai Y maka ESS $ama dengan nol
dan RSS sama dengan TSS. Oleh karena itu jika nilai ESS lebih besar dari RSS maka
garis regresi menjelaskan dengan proporsi yang besar dari variasL Y sedangkan jika
RSS lebih besar dari ESS maka garis regresi hanya menjelaskan bagian kecil dar!
variasi Y.
Dari penjelasan ini dapat didefinisikan bahwa R2 sebagai rasio antara ESS
dibagi dengan TSS. Formula R2 dengan demikian dapat ditulis sbb:
(3.31)
40 Bagian Pertama: Dasar-Dasar Regresi
i'
y
I
I I
xi x
Gambar 3.4. Variasi Niiai Y Yang Dijelaskan Oleh f Dan residual e; \ !
c
~
li
H
l~
!i
l--:-
I,
Bab 3. Regresi Sederhana: Estimasi 41
sedangkan jika garis regresi tepat pada rata-rata nilai Y maka ESS=O sehingga R2
sam a dengan nol. Nilai koefisien determinasi ini terletak an tara 0 dan 1.
(3.33)
Semakin dekat angkanya mendekati 1 maka semakin baik garis regresi karena mampu
menjelaskan data aktualnya. Semakin mendekati angka nol maka kita mempunyai garis
regresi yang kurang_ baik. Misalnya, jika R2 = 0,9889, artinya bahwa garis regresi
menjelaskan sebesar 98,89% fakta sedangkan sisanya sebesar hanya 1,11%
dijelaskan oleh variabel penganggu yaitu variabel diluar model yang tidak dimasukkan
dalam model.
Koefisien determinasi hanyalah konsep statistik. Kita mengatakan bahwa
sebuah garis regresi adalah baik jika nilai R2 tinggi dan sebaliknya bila nilai R2 adalah
rendah maka kita mempunyai garis regresi yang kurang baik. Namun demikian, kita
harus memahami bahwa rendahnya nilal R2 dapat terjadi karena beberapa alasan.
Dalam kasus khusus variabel independen (X) mungkin bukan variabel yang
menjelaskan dengan baik terhadap variabel dependen (Y) walaupun kita percaya
bahwa X mampu menjelaskan Y. Akan tetapi, dalam regresi runtut waktu (time series)
kita seringkali mendapatkan nilai R2 yang tinggi. Hal ini terjadi hanya karena setiap
variabel yang berkembang dalam runtut waktu mampu menjelaskan dengan baik
variasi variabel lain yang juga berkembang da'lam waktu yang sama. Dengan kata lain
data runtut waktu diduga mengandung unsur trend yakni bergerak dalam arah yang
sama 2 • Di lain pihak, dalam data antar tempat atau antar ruang (cross section) akan
menghasilkan nilai R 2 yang rendah. Hal ini terjadi karena adanya variasi yang besar
antara varia bel yang diteliti pada periode waktu yang sama.
cov(X;,Y;)
r = --;:::========= (3.34)
~var(XJVar(Y;)
\
2
Regresi yang menggunakan data time series dikenal dengan ekonometrika time series dan masalah
ini akan dibahas dalam bagian keempat buku ini
42 Bagian Pertama: Dasar-Dasar Regresi
...
dimana:
n
L (X; - X)(Y; - Y) !':!
~
!
n
L(X; -X)2
var(X;) = ..:.:."=--=-1- - - - (3.36) ~
n-1
n
I<r; -f)2
var(Y;) = ..:.:."=--'1-- - - - (3.37)
n-1
n N ' ~-
Nilai koefisien korelasi (r) ini mempunyai nilai antara -1 dan 1. Nilai positif berarti
mempunyai korelasi yeng s~arah sedangken negatlf bsrarti rnernpui'iyai ~orelasi yartg
berlawanan arah.
. ,...,..·
,-1,-
Bab 3. Regresi Sederhana: Estimasi 43
Tabel 3.1. Data Hipotetis Hubungan antara Harga dan _permintaan sepeda motor
Agen . 1 2 3 4 5 6 7 8
X (juta) 9,94 9,87 9,88 9,91 9,92 9,89 9,93 9,90
Y (unit! 84 100 99 93 90 97 88 94
Hasil regresi dengan metode OLS dapat ditulis dalam persamaan sbb:
A
Agen X y XY x2 X y x2 1: xy y e e2
" 1 8,94 84 834,96 98,80;j6 o,o3o -9.125 0,001225 83,2656 -0,3194 85,25 -1,25 1,5625
r--·
2 9,87 100 987 97,4169 -0,035 6.875 0,001225 47,2656 -0,2406 101 -1 1
r---L-
4 I
9,88
9,91
99
93
978,12
921,63
97,6144 -0,025
98,2081
5.875 0.000625
0,005 -0.125 0,000025
34,5156
0,01563
-0,1469
-0,0006
98,75
92
0,25 0,0625
1 1\
I
I
I
5 9,92 90 892,8 98,4064 0,015 -3.125 0,000225 9,76563 -0,0469 89,75 o:25 0,0625
6 9,89 97 959,33 97,8121 -0,015 3.875 0,000225 15,0156 -0,0581 96,5 0,5 0,25
7 9,93 88 873,84 98,6049 0,025 -5.125 0,000625 26,2656 -0,1281 ()7,5 0,5 0,25
_8_ 9,9 94 930,6 98,01 -0,005 0.875 0,000025 0,76563 -0,0044 94,25 -0,25 0,0625
Jumlah 79,24 ?45 7378,28 784,8764 0,0042 216,875 -0,945 745 0 4,25
Rata-
Rata I 9,90S 93,125 922,285 98,10955
,-;;-
::~
se(/J,) ~,
'n
1': ~L,e,' ~
x1 n-k
../23359,4167 ../0,7083 ~ 128,6292 (3.44)
IP =1- 2>~
2)r;- Y) 2
=1-
4 25
•
216,875
=1-00196=09804
' '
(3.45)
[ i
i~
"ii
i
f·~·
1:
I'
8
_!1-
\•
Bab 3. Regresi Sederhana: Estimasi 45
LAMPIRAN BAS 3
lampiran 3.1. Metode Kuadrat Terkecil (OLS) 1·.-.
''
Tujuan dari metode OLS adalah untuk meminimumkan residual kuadrat :L e;
2
L(Y; - f; )2 Po /3
dimana Y = + 1X; adalah nilai prediksi yang berhubungan dengan nilai
X tertentu dalam observasi. Untuk mendapatkan nilai minimum dalam sebuah fungsi
maka syaratnya diferensiasi atau turunan pertama dari fungsi tersebut harus sama
dengan nol. Dengan demikian untuk meminimumkan residual kuadrat tersebut maka
kita harus melakukan diferensiasi parsial residual kuadrat terhadap Po
dan 1 dan /3 -
'
menyamakan nilainya sama dengan nol sehingga menghasilkan persamaan (3.5) dan
(3.6}. Adapun prosesnya sbb:
(1)
(2)
Menyamakan persamaan (1) dan (2) dengan no I dan membaginya dengan 2 maka
akan merighasilkan ·
(3)
(4)
Dengan memanipulasi f_iersamaan (3) dan (4) tersebut maka kita aka;, menghasilkan
persamaan yang dikanal dengan persamaan nor:nai (normal equation) yakni:
(5)
(6)
Dari persamaan (5t dan (6) tersebut kita bisa dapatkan nilai untuk Po dan /J 1 dengan
mengalikan persamaai1 (5) dengan L X; dan mengalikan persamaan 6 dengan n:
,,
:J
~
il
u
11
r----
~
t-'~
1--;
IJ
\~~
46 Bagian Pertama: Dasar-Dasar Regresi 1' •• ;
' '
l1
, .
( !.
L:x,L);. = n~oLX; + /J (LX;) 1
2
(7) ~~
(9)
Dari persamaan (9) tersebut kemudian bisa kita dapatkan nilai untuk /1
1 sbb:
(1 0)
Se
ya
I
LX;Y;
"
~X;
2
atau l ,.
L x)~
/3I - l:X~
A a.tau (11) dim
-nX2
I
Lat
(12) 3.2
Pad<
dapc:
dari ·-
r-:
I~
,.,H
,-,-
:·~'
,-
li
1':
1-
,;. p
!\
Setelah kita dapatkan nilai /J,. maka kita bisa mer]dapatkan nilai /Jo d<::ri persamaan (5)
yaitu:
(13)
(14)
sbb:
(10)
Persamaan (14) tersebut dapat dinyatakan dalam bentuk lain sbb, lillat penjelasan
persamaan (11) sebelumnya:
(11)
F
·, b
.
d1mana k
; =" X;
~X;
2
(15)
3
Persamaan (15) menunjukkan bahwa ,81 adalah estimator yang tinier terhadap Y.
3.2.2. Estimator Yang Tidak Bias
Untuk membuktikan bahwa estimator /J 1 juga merupakan estimator yang tidak bias dari
{J1 maka kita kembali tulis persamaan (15) sbb:
ka 1 ·.
(15) pe
Karc~na L: k; = 0
dan L: k;x; = L: k;X; = 1
Maka persamaan (16) dapat ditulis kembali menjadi
I
i
I
I·
(!
[1
Bab 3. Regresi Sederhana: Estimasi 49
/1 = f3
1 1 + Lk;e; (17)
(18)
karena k dan X adalal1 variabel nonstokastik maka Kita perlakukan sebagai konstan.
Nilai E(ei) = 0 sebagaimana asumsi OLS maka persamaan (18) dapat ditulis menjadi
(19)
Persamaan (19) rnenunjukkan bahwa estimator /J, merupakan estimator yang tidak
bias dari {J, .
karena E(/J,) = {31 dan kita ingat kembali bahwa /J, = /] 1 + 2: k;e; sebagaimana
persamaan (17) maka
. ~ 2" 2
var({J1) =a L.Jk;
X-
= = "' (22)
LX;2 karena k;
LJX;
2
SO Baglan Pertama: Dasar-Dasar Regresi
=E(/3 Po )(/3
0 - 1 -fl.) karen a persamaan ( 19)
=-X E(/J {3 1- 1)
=-X Var({J1 )
Untuk membuktikan bahwa /J, mempunyai varian yang minimum kita tulis
kembali estimator /J, sbb:
dimana:
X-X __ _!j_
k. =----==-::- (11)
. L(X; ·- X) LX;
2
(24).
Dalam hal lni w adalah juga timbangan n~mun berbeda dengan k. Pada persamaan
(24) ini estimator p; merupakan estimator yang juga linier terbadap Y,, sebagaimana
estimator /3
1• N_ilal hara. )an fJ." adalah sbtJ:
E(p;) = L w1E(Y;)
= L w (/3 1 0 + fJ1X;) ingat bahwa Y; =flo+ f31X 1
= floLW; +{J1 LW1X..) (25)
(
c
Bab 3. Regresi Sederhana: Estimasi 51
dan (26)
Dengan trik matematika pada persamaan (27) yaitu melalui penambahan dan
= a2 2:[w. __!_!__]
'Lxi
1
+ CJ2 L.xJ 2 + 2CJz
('Exi)
:L[w. __!_!__
2-xJ Ll::xJ
1
(28)
• (j2
var(/31 ) = - -2 (29)
LX;
= var(/J,) ingat kembali persamaan (22) I !-
i
=
Oleh karena itu, jika W; k; dimana merupakan timbangan metode OLS maka varian
dari estimator yang iinier dan tidak bias p; akan sama dengan varian estimator OLS
I
52 Bagian Pertama: Dasar-Dasar Regresi
/3
1
• Jika W; ~ k; maka var ( p;) akan lebih besar dari var ( /3 1 ). Oengan i<ata lain itu
menunjukkan bahwa /1
1 merupakan estimator yang linier tidak bias dan mempunyai
varian yang minimum.
n
k
rr
hi
kc
m
Oi
PE
4.
sel ,
yar
ha1
nile:
esti
dist
. regr
1-
j-
i
L~
_/
c
~
t=
,
rr---
ff====
r-r-
fi
i;
'•
!~
I~
I!
'i
i"!
,-,-
i!
Bab4
!'-:
REGRESI SEDERHANA: ,~·:-
1'
r·
~
VERIFIKASI HASIL ESTIMASI
~-{J
t = --,..-- t(n-2) (4.1)
se(p)
':·'
53
54 Bagian Pertama: Dasar-Dasar Regresi
A2
Dimana var(/J) =L a dan se(/J) = ~var(/J) (4.2)
(X 1 -X)
I .
(4.3) p
Dengan menggunakan tabel distribusi t kita dapat mendapatkan nilai t kritis (tc) dengan
signifikansi tw2 dan dt n- k (degree of freedom) dimana n adalah jumlah observasi dan
M
k adalah jumlah parameter estimasi termasuk konstanta. Nilai tabel distribusi t bisa
dilihat dalam lampiran buku ini. Nilai t kritis tc dapat ditulis sbb: ur
(4.4)
dimana a adalah nilai probabilitas yang biasanya ditentukan pad a cx.=0,01 atau 1% atau Pe
a.=O,OS atau 5%. Nilal kritis + tc dan - tc dapat digambarkan pada gambar 4.1. Setiap
pa
sisi atau ekor terdiri dari probabilitas aJ2 sementara nilai probabilitas ditengah area pa c
·· adalah 1-d. Oleh karena itu kita dapat menyatakan bahwa probabiiitas sbb:
me
P( -t c ~ t ~ t c) = 1 - a · (4.5)
Jik? kita rr. ~la!':ukan substitusi pet samaan (4.3) 1'9 dalam persamaan (4.5) akan
menghasilkan prosedur interval estimasi untuk estimator /3 sbb:
1
(4.6)
Bab 4. Regresi Sederhana: Verifikasi 55
f(t)
a/2"
-tc 0 tc
Gam bar 4.1. Nilai Kritls Distribusi t
Mela!ui prosedur yang sama maka kita blsa mendapatkan formula interval' e~timasi
untuk konstanta Po sbb:
(4.8)
{t1..9)
,.L.:..
I.
56 Bagian Pertama: Dasar-Dasar Regresi
/J,
± t(n-k),a tzse(/J,)
-225 ± 2,447 (12,5710) =-225 ± 30,7612 (4.11)
Po± t(n-k),atzse(/Jo)
2321,75 ± 2,447 (128,6292) = 2321,75 ± 314,7557 (4.12)
rtinya bahwa nilai yarig sebenarnya untuk ~ 1 terletak pada interval estimasi -194,2388 dan
255,7612 sedangkan nilai yang sebenarnya untuk ~ 0 terletak pada interval estimasi
006,9943 dan 2636,5057
r-
!
,-
.. -
!'
Bab 4. Regresi Sederhana: Verifikasi 57
Misalnya kita menguji hubungan antara jumlah permintaan sepeda motor dan
tingkat harga pada pembahasan bab 3 sebelumnya. Karena kita mempunyai landasan
teori atau dugaan yang kuat bahwa terdapat hubungan yang negatif antara jumlah
permintaan sepeda motor dan tingkat harganya maka kita menggunakan uji satu sisi.
Adapan hipotesis nul dan hipotesis alternatif dapat dinyatakan sbb:
Hipotesis nul atau hipotesis salah yakni menyatakan bahwa harga tidak berpengaruh
dan atau berpengaruh positif terhadap jumlah permintaan sepeda motor yang
ditunjukkan oleh koefiesin 13 1 ~ 0. Sedangkan hipotesis alternatif atau hipotesis benar
menyatakan bahwa harga berpengaruh negatif terhadap jumlah permintaan sepeda
motor yang ditunjukkan oleh f3 1< 0.
Namun mjsalnya hubungan antara dua variabel daiam persamaan regresi bisa
positif maupun negatif maka prosedur uji hipotesis harus dilakukan dengan uji dua sisi.
Misalnya dalam kasus hubungan antara jumlah permintaan barang dan pendapatan.
Hubungan jumlah permintaan barang dan pendapatan bisa positif maupun negatif
tergantung dari jenis barangnya. Jika barang dengan kualitas rendah (inferior) maka
hubungan antara permintaan barang dan pendapatan akan negatif yakni semakin tinggi
pendapatan seseorang maka permintaan barang berkualitas rendah akan semakin
kecil. Sedangkan jika barang adalah normal atau barang mewah maka hubungannya
akan positif karena semakin tinggi pendapatan seseorang maka semakin besar
permintaan kedua jenis barang ini. Hipotesis dua sisi ini dapat dinyatakan sbb:
·. --~-
2. Menghitung nilai satisitik t ( t · hitung) dan mencari nilai nilai t kritis dari tabel
distribusi t pada a dan degree of freedom tertentu. Ada pun nilai t hitung dapat dicari
dengan formula sbb 1 :
t
"
= /31- !l
. (4.16)
se(/31 )
• jika niiai t hitung > nilai t kritis maka H0 ditolak atau menerima Ha
• jika nilai t hitung < nilai t kritis maka H0 c;literima atau menolak Ha
Jika kita menolak Ho atau menerima Ha berarti secara statistik variabel independEm
signifikan mempengaruhi varlabel dependen dan sebaliknya lika kita menerima Ho
dan menolak Ha berarti secara statistik variabel independen tidal< signifikan
mempengaruhi variabel dependen.
Penjelasan tentang formula untuk menghitung nilai t dapat dilihat dalam lampiran 4.1.
,-,-
,,
Bab 4. Regresi Sederhana: Verifikasi 61
o./2 a/2
~
I
- tc 0 tc t
Gambar 4.2a. Daerah penolakan (penerimaan) H 0 : 13 1=0 dan Ha: 131'~ 0
0 tc
Gambar 4.2b. Daerah penolakan (penerimaan) H0 : 131 ~ 0 dan Ha: !31> 0
,..
I
I
a 1-a:
-~ 0 t
Gambar 4.2c. Dae:-ah penolakan (penerimaan) H0 : 13 1=0 atau 131;::: 0 dan Ha: l31< a·
Gambar 4.2. Daerah Penolakan (Penerimaan) Ho dan Ha
l·'
~'·~
f,,,
!
I
,.~.
'
60 Bagian Pertama: Dasar-Dasar Regresi I '
i
i2
!:._
r1
I
)?
t = - 225 - 0
= -17 8983 (4.19).
12,5710 '
Dimana nilai 0 merupakan nilal p, dalam hipotesis nul. Sedangkan nilai t kritis
diperoleh dari t tabel yakni ~ebesar -1,943 dengan a= 5% dan df 6.
3. Keputusannya kar~ma t hitung lebih besar dari nilai t kritis maka kita menoiak Hu aLau
menerima Ha, lihat juga melalui gambar 4.2. Artinya, harga beipengaruh negctif
terhadap jumlah permintaan sepeda motor. Oengan nilai p, = -225 berarti jika h.arga
sepeda motor naik satu juta rupiah, maka jumlah permintaan sepeda motor akan rr
turun sebesar 225 unit.
-
J
~-;;;;;;;;;;;;;=;;;;;;;;;;;;=;;;;;;;;;;;---.;;;;II
b.
··rr
dt
4.3. Nilai a Yang Sebenarnya Pada Uji Hipotesis tu
Dalam uji hipotesis, ditolak atau diterimanya Ho tergantung dari besarnya a
yang digunakan. Apak~h a itiJ? Dalam uji hipotesa a merupakan kesalahan tipe I yaitu
probabilitas menolak hipo~esis yang benar. Semakin kecil a berarti semakin kecil
probabilitas rr.enolak hipotesis yang benar dan semakin besar a berarti semakin besar 2
'·
I'
I.
li
I'
L
r,-:-
i."
Bab 4. Regresi Sederhana: Verifikasi 61
(4.20)
2
Contoh uji hipotesis dengan menggunakan nilai probabilitas p akan dibahas pada subbab estimasi
regresi dengan bantuan software Evi~vvs.
li
i
R
.-~
1'
62 Bagian Pertama: Dasar-Dasar Regresi
nama variabel yaitu konstanta C (13o) dan variabel independen X. Nilai koefisien untuk
keduanya yaitu /Jo = 2321,750 dan jJ1 = -225 ditampilkan pada kolom kedua. Nilai
standard error dan nilai hitung statistik t ditampilkan pada kolom ketiga dan keempat.
Nilai statistik t pada kol~rrt keempat dihitung dengan membagi koefisien dengan
standard errornya 3. ·
./
Bab 4. Regresi Sederhana: Verifikasi 63
adjusted R-squared. Berikutnya adalah standard error dari regresi yang didasarkan
pada varian dari residual. Sum squared residual merupakan penjumlahan residual
kuadarat (Residual Sum of Squares=RSS). Program Eview menampilkan fungsi log
likelihood untuk mengevaluasi nilai koefisien estimasi. Nilai Statistik Durbin Watson
mengukur masalah adanya korelasi serial atau autokorelasi an tara satu residua I
dengan residual yang lain ditampilkan dalam Durbin-Watson Statistic. 4 lnformasi rata-
rata dan standar deviasi variabel dependen Y ditampilkan dalam Mean dependent
variable dan Standard Deviation (SD) dependent variable.
Program Eviews juga menampilkan kriteria pemilihan panjang kelambanan (lag)
bagi mo<;lel kelambanan (distributed-lag modef) maupun model autoregresif
(autoregressive modef) melalui kriteria dari Akaike info criterion (AIC) maupun Schwarz
criterion (SIC). 5 lnformasi terakhir yang diberikan adalah uji pengaruh variabel
independen secara bersama a tau serempak terhadap varia bel dependen melalui uji F.
Sebagaimana uji individual variabel independen melalui uji t, probabilitas nilai p uji F
6
juga ditampilkan dalam Eviews.
hasil regresi ataukah hanya beberc:pa saja? Dalam prakteknya, ada standar baku
pelaporan hasil regresi sehingga kita bisa menganalisis hasil regresi. Adapun standar
baku pelaporan hasil regresi dalam bentuk persamaan regresi dapat dilihat pada
persamaan (4.21) ·
Statistik Durbin Watson merupakan salah s::~tu cara mendeteksi masalah korelasi antar residu~ll
(autokorelasi). Pembahasan secara detil masalah statistik Durbin-Watson ini akan dijelaskan pada bab 9
tontang autokorelasi.
Diskusi masa:ah kriteria dari Akaike mau;:>un Schwarz akan dibahas pada bab 11.
Pembahasan uji F yaitu uji secara serempak pengaruh semua variabel independen terhadap variabel
dependen akar. dibahas pada bab 5.
64 Bagian Pertama: Dasar-Dasar Regresi
regresi meliputi:
~epeda motor adalah model yang baik. Namun, karena estimasi OLS dibangun dangan ffii
asumsi-asumsi tertentu maka kita harus mengevaluasi apakah hasil regresi kita st<
memen~hi asumsi tersebut. Uji asumsi OLS akan dibahas secara detil dalam bagian
kedua bu!<.u ini. Pada bagian ini hanya akan dibahas salah satu asumsi yaitu residual
terdistribusi secara normal. Uji t maupun Uji F hanya bisa diaplikasikan jika residual 7
yang kita dapatkan mempunyai distribusi normal.
Bab 4. Regresi Sederhana: Verifikasi 65
JB = ·[S6
n -
2
(K -3)
+ -=-----=--
24
2
]
(4:22)
Jika suatu variabel didist:-ibusikan secara normal maka nilai koefisien S = C dan
K=3. Oleh karena itu, jika residual terdistribusi secara normal maka diharapkan nilai
statistik JB akan sama dengan nol. Nilai statistik JB ini didasarkan pada distribusi Chi
Squares dengan derajat kebebasan (df) 2. Jika nilai probabilitas p dari statistik JB besar
aLaU dengan kata lain jika nilai statistik dari JB ini tidak signifikan maka kita menrdma
1
hipotesis bahwa residual mempunyai distribusi 11ormal karena nilai statistik JB
1 mendekati nol. Sebaliknya jika nilai prdbabilitas p dari statistik JB kecil atau signifikan
1 maka kita menolak hipotesis bahwa residual mempunyai distribusi normal karena nilai
3 statistik JB tidak sama dengan nol.
n
ll
31
C. M Jarque and A. K. Bera , " Test for Normality of Observation and Regression Residuals,"
International Statistical Reviews, Vol. 55, 1987, pp.163-172
r,
li
1-,-
p
66 Bagian Pertama: Dasar-Dasar Regi-esi
jl
Contoh 4.3. Uji Normalitas Permintaan Sepeda motor h
Kita ingin menguji apakah residual hasil regresi permintaan sepeda motor berdistribusi ti
..
normal atau tidak. Setelah kita mendapatkan nilai residualnya maka kita bisa melihat grafik -·
~ ].::
histrogram dari residual pada gambar 4.3. Bentuk histogramnya sepertinya distribusikan 5
secara slmetris sehingga residualnya kita duga didistribusikan secara normal. Berdasarkan
5 ,,
uji statistik JB, nilai statistiknya sebesar 0,7108 dengan probabilitasnya cukup besar yaitu ,_.
r~~
70,08%. Oleh karena itu kita tidak bisa menolak hipotesis nul bahwa residual didistribusikan
secara norma!. Dengan kata lain, residual hasil regresi permintaan sepeda motor mempunyai h i
distribusi normal. Namun yang perlu diingat bahwa besarnya sampel yang ada hanya 8 jil
mungkin tidak cukup besar sebagaimana yang disarankan oleh uji JB p
h
g
di
Series: Residuals ju
Sample 1 B kt
Observations 8 Ji I
(4.20)
i!
-
,, " -
!:
Bab 4. Regresi Sederhana: Verifikasi 67
Pertanyaan yang muncul dal::~m model linier ini yaitu apakah hubungan antara
jumlah permintaan sepeda motor dan harganya sclalu linier. Apakah setiap penur~
harga akan selalu menyebabkan kenaikan jumlah permintaan sepeda motor dengan
tingkat kenaikan yang selalu konstan. Misalnya dalam kasus sebelumnya nilai estimator
!3 1= -225. Angka ini merupakan slope yang artinya bahwa setiap penurunan harga
sebesar, 1 unit yaitu Rp 1 juta maka jumlah permintaan sepeda motor akan naik
sebesar 225 unit.
Kondisi hubungan yang linier antara jumlah permintaan sepeda motor dan
harganya ini jelas sangat sulit kita temui dalam realitasnya. Hubungan linier ini artinya
. jika ada penurunan (kenalkan) harga menyebabkan kenaikan (penurunan) jumlah
permintaan sepeda motor dengan tingkat yang konstan. Dengan kata lain secara grafis
hubungan antara harga dan jumlah permintaan konsumsi berupa garis lurus, lihat
gambar 4.4(a). Tetapi dalam prakteknya, penurunan setiap harganya tidak selalu
ditandai dengan jumlah kenaikan yang sama. Semakin murah harga maka tingkat
jumlah permintaannya akan semakin meningkat banyak. Begitu pula jika terjadi
kenaikan harga, semakin tinggi harga maka jumlah permintaan akan menurun drastis.
Jika ini digambarkan maka hubungan tersebut akan berupa garis tidak lurus, lebih
condong berbentuk seperti pad a gambar 4.4(b }.
Hingga subbab ini kita mas!h memfokuskan pada regresi dengan model linier
dalam parameter. Pada bab sebelumnya dijelaskan bahwa linier dalam parameter tidak
berarti harus linier dalam variabel. Salah satu model regresi non linier dalam variabel
yang seringkali digunakan · dalam model regresi adalah model eksponensial. Model
regresi eksponensial dapat- ditulis sbb:
(4.23)
Dimana: e=2,718
r
3
1
a
68 Bagian Pertama: Dasar-Dasar Regresi
y y
X X
(4.24) !
Dimana In= logaritma natural. Persamaan (4.24) juga seringkali kita tulis dalam bentuk
persamaan sbb:
(4.25)
Dimana i3 0 = Ina
Model persamaan (4.25) tersebut dikenal sebagai mod~llog linier. Di dalam persamaan
(4.25) sekarang model menjadi modellinier baik dalam parameter ((30 dar: (3 1}. rnaupun
linier dalam logaritma variahel (Y d. ,ngsm X) sehingga kita cisa menggunakan teknik
OLS untuk rnengestimasi persamaan tersebut. Salah satu :<.arakteristik penting dari
model transformasi regresi eksponensial menjadi model log linier adalah bahwa slope
koefisien (31 merupakan elastisitas.
Untuk mengetahui bahwa (31 adalah elastisitas maka kita perlu mengingat
kembali pengertian elastisitas. Elastisitas adalah prosentase perubahan variabel
Catatan iransformasi logaritrna: ln(XY) =lnX + lnX; lnX 2 =2 lnX ; In X/Y =lnX- In Y dan lne 2
=2 dimana e=2,718
Bab 4. Regresi Sederhana: Verifikasi 69
E= %L\YIY
%MIX
(L\Y I Y)l 00
= (M I X)lOO
L\Y X
=----
MY
=(slope{~) (4.26)
Ll menunjukkan perubahan yang kecil. Di dalam notasi kalkulus kita blsa mengganti
simbol Ll Y I LlX dengan dY/dX. 9 Selanjutnya penurunan lnY terhadap X pad a
n persarnaan (4.25) sbb:
d(ln(Y)] 1 dY
= - -
--"----'--C....:: (4.27)
dX Y dX
uk
sedangkan penurunan 13o + P1 lnXi terhadap X menghasilkan persamaan sbb:
\. 9
Elastisitas di dalam notasi kalkulus dapat dinyatakan dengan (dY/Y)/ (dX/X) = [ (dY/dX)/(XIY)]
L .
70 Bagian Pertama: Dasar-Dasar Regresi
fungsi regresi dan arti dari koefisien estimasi {31 yang kita dapatkan dari fun£si regreBI
tersebut. Selain itu, karena pentingnya konsep elastisitas dalam pengukuran ekonomi,
tabel tersebut juga menjelaskan bagaimana kita mendapatkan elastisitas dari estimator.
Misalnya di dalam model linier, estimator yang kita dapatkan hanyalah slope bukan
elastisitas. ·
r
k
Namun demikian, berdasarl<an persamaan (4.26) tersebut kita dapat
menghitung elastisitas untuk model linier dengan cara mengalikan estimator yang kita d
dapatkan dengan X!Y, lihat juga kolom terakhir tabel 4.2. Pertanyaan yang muncul X
dan Y yang mana aka.1 kita gunakan?. Sebagai proksi maka kita gunai<<'ln rata-rata nilai
data X dan Y yang kita punyai kemudian dikalikan dengan slopenya. Misalnya dalam
kasus ,)ermintaan sepeda motor sebelumnya, nilai slopenya adaiah -225, sedangkan
rata-rata X dan Y masing-masing adalah 9,905 dan 93,125 maka besar:1ya elastisitas
adalah 23,9315. Artinya jika har9a naik (turun) 1% maka jl!mlah permintaan sepeda
motor akan turun (naik) sebesar 23,93%. Bagitu pule untuk fT'0del-model yang lain kita K•
bisa mencari niiai elastisitasnya. Perhttungan elastisitasnya bisa dilihat pada kolom m
terakhir tabel 4.2. ra
~
L_
~
~
~--
~~
_,._
E:=-:-=--=----
I'
Bab 4. Regresi Sederhana: Verifikasi 71
LAMPIRAN BAB 4
Lampiran 4.1. Uji Distribusi t
Variabel random yang mempunyai standar normal yang digunakan untuk
interval estimasi pada pembahasan sebelumnya didasarkan pada distribusi normal dari
estimator OLS. Distribusi normal /3, dari estimator OLS fJ dapat diilyatakan sbb:
1
(1)
Jika kita mengurangi /31 dengan rata-ratanya /31 dan kemudian dibagi dengan standar
deviasinya maka kita akan mendapatkan varlabel random standar normal sbb:
(2)
(4)
F
,, ...
variabel random V dalam hal ini tidak mempunyai distribusi x; karena nilai residual ini [
p
tergantung dari Po /J
dan 1 • Namun dengan n-2 maka residual kuadrat adalah bebas ~
sehingga variabe! random residual dalam persarnaan (4) mempunyai distribusi chi-
square dengan degree of freedom n-2. Oleh karena itu, persamaan (4) tersebut dapat
kita tul:s kembal! menjadi d
(5)
T
Sekarang kita bisa rnembentuk variabel random t dari dua variabe! random V
dan Z yang kita bentuk sebelumnya. Variabel random t dibentuk dengan membagi
variabel random standar normal Z dengan akar kuadrat variabel random V dengan
degree of freedom k sbb:
(6)
Selanjutnya, dengan menggunakan persamaan (2) dan (4) kita akan menghasilkan
variabel random t sbb:
I=---=--,--
z {L(X;-X)2
(7)
t ~ ~ n ~ 2 ~ -'--r=(=n=-=a2=}=cr=2=-- ==
n-2
f = jjl - .Bt = fJ1 - fJ1
~ var(/J1 ) se(P1 )
Bab 4. Regresi Sederhana: Verifikasi 73
(1)
=
dimana Y jumlah permintaan sepeda motor ; X == harga sepeda motor
Adapun langkah pertama di Eviews adal:::1!"1 mernbentuk workfile range dengan
Tampilan sbb:
--- -----·----'
_...,..·
74 Bagian Pertama: Dasar-Dasar Regresi~~-
Tampilan 5 merupakan
OepenC ·nt Vari~ble: Y
hasil regresi permintao.n
Method;
Date: 08104tD4
Le~st
Time: 07:C8
Sq•.Jares. sereda motor.
SaMple: 1 8
Included observation:;.;;, 8
~======================
Vari.:::...b!e Coefficient Std. Error t-Statistit:: Pro b.
~-·
F ..
t:-----
::
~-------
Bab 4. Regresi Sederhana: Verifikasi 75
2. Uji Normalitas
Setelah kita mendapatkan hasil regresi permintaan sepeda motor seperti
Tampilan 5, kita bisa mendeteksi apakah residual yang kita dapatkan berdistribusi
normal atau tidak. Caranya Klik View/Residual test/Histogram-Normality Test
sehingga akan muncul tampilan berikut ini:
Tam ilan 6
:oa
Series: Residuals
Semple 1 8
Observcrtions B
Mean -1.70E-13
;i Median 0.250000
Maximum 1 .000000
n). Mi:1imu.n -1 .250000
.0 std. Dev. 0.779194
Skewness -0 .544 760
Kurtosis 2.027682
ikuti .5
Jarque-Bere 0.710819
Probability 0.700A86
;el
\:Jkah
etode
3rena
3. pi\i\1.
1ingga
akan
intaan
i-=--
tt.......::._:_
;::·· _
~
-=--
~----------
76 Bagian Pertama: Dasar-Dasar Regresi
I
.I
,_...··
&---
'". -.:.
~
~--
:_____
~-==-~
·4& mw u
Bab5
REGRESI BERGANDA
Pada bab ini kita mulai pembahasan dengan model regresi yang terdiri dari
lebih dari satu variabel independen atau disebut regresi berganda (multiple regression).
Pembahasan pertama akan dirr.ulai bagaimana mendapatkan koefisien regresi
berganda dengan metode OLS. Dalarn bab ini ak.an dikemukakan alternatif
pengukuran koefisien deterrninasi. Masalah interval estimasi dan uji hipotesis kembali
dibahas untuk koefisien estimasi dalam regresi berganda. Pada bab ini akan dibahas uji
secara serempak pengaruh semua variabel independen terhadap variabel dependen.
Pembahasan terakhir berkaitan dengan uji perubahan struktural garis regresi dan
pemilihan model regresi. ~-
Pada pembahasan bab ini kita akan membahas model regresi berganc:::~ c.engan
hanya du~ variabe! independen. Misalkan ~ita mempunyai model c;bb:
(5.2)
77
__
.. - · -
·
..
,~~--
78 Bagian Pertama: Dasar-Dasar Regresi
Di dalam persamaan (5.2) tersebut sebagaimana pada regresi sederhana pada bab 3,
~ 0 disebut intersep, sedangkan 13 1 dan ~2 dalam regresi berganda disebut koefisien {
regresi parsial. .
Pertanyaannya bagaimana kita mendapatakan koefisien regresi berganda?
Seperti pada regresi sederhana, kita akan menggunakan metode OLS untuk /-
mendapatkan koefisien garis regresi berganda. Selain enam asumsi pada regresi ) '
3ederhana, kita perlu menambah satu asumsi lagi di dalamnya. Adapun asumsinya
· sbb
s ! c
2
Var{e; JX;) = E[e; - E(ei iX; )] (5.4)
= E(e;2 JX;) karena asumsi 3
= crz
5. Tidak ada serial korelasi antara residual ei atau residual ei tidak saling
berhubungan dengan residual ei yang lain.
F:---
~·---
~~-~~
~
~
"
Bab 5. Model Regresi Berganda 79
Jika regresi berganda memenuhi 6 asumsi diatas maka persamaan (5.2) dapat
diartikan sbb:
(5.6)
Arti persamaan (5.6) tersebut adalah nilai harapan (expected value) atau rata-rata dari
· Y pada nilai tertentu variabel independen X1 dan X2 •
Dalam hal ini mengartik3n [31 dan [3 2agak sedikit berbeda dari reg~esi sederhana
sebelumnya. [3 1 adalah mengukur perubahan rata-rata Y a tau nilai harapan E (Y I X 1,
X2 ), terhadap perubahan per unit X1 dengan asumsi varia bel X2 tetap. Begitu pula !3 2
adalah mengukur perubahan rata-rata Y atau nilai harapan E (Y IX1. X 2 ), terhadap
perubahan per unit X2 dengan asurnsi variabel X1 tetap
" 2 '\.-, 2
Minimumkan ~e; =~(}';-flo- /],X,;- /]2 X 2 ;) cara melai{uf<".an
A A A
dengan
tun..:nsn p2rs!c:;l terhadap j; 0 , /J, da'l /1 2 . Hasi!r.ya seb:Jgai berll--;ct:
;g (5.8)
(5.9)
(5.1'0)
c:.___
[!
i:L-::_
~
L
~-----=-=-
j.i
80 Bagian Pertama: Dasar-Dasar Regresi
(5.11)
(5.12)
(5.13)
(5.14)
(5.15)
(5.16)
dimana x,. =X,. -X dan r12 merupakan korelasi antara variabel independen X1 dan X2.
(5.17)
F-
1
Karena nilai cr 2 tidak bisa diestimasi secara langsung maka nilai estimasi cr2 dihitung
dengan formula sbb:
~-
~- -
;-~~::::~
~
~
:;
~-
r::::---::..::.::
Bab 5. Model Regresi Berganda 81
(5.18)
(5.19)
Dimana Y = Nilai ekspor Pakaian Jadi ke Jepang (ton); X 1 = harga ekspor pakaian jadi ke
=
Jepang (US$/ton); X2 kurs rupiah terhadap Yen Jepang(Rp/yen); dan t= waktu observasi
Persamaan (5.19) diatas diestimasi dengan metode OLS dengan alat bantu program Eviews
dan hasilnya ditampilkan pada Tnbel 5.1. Adapun hasil regresi tersebut dapat diringkas
dalam persamaan regresi sbb:
/.·
a_ ______ _
1-"-
82 Bag ian Pertama: Dasar-Dasar Regresl
din
set
intE
(5.21)
dimana Y= rata-rata produksi per hektar (kg); X 11= rata-rata penggunaan bibit per hektar (kg);
X 21= rata-rata penggunaan pestisida per hektar (kg); X31 = rata-rata penggunaaan pl,JpUk per a=5
hektar (kg). pop
Hasil Regresi produksi padi dapat dilihat dalam persamaan (5.22) sbb:
A
Hasil regresi dengan program Eviews dapat dilihat dalam Lampiran Running Eviews. Dilihat
dari nilai hitung statistik t, maka penggunaan bib it, penggunaan pestis ida dan penggunaan-
pupuk berpengaruh positif signifikan pada rata-rata produksi padi per hektar masing-masing
pada o.=5%, o.=5% dan o.=1 %. (Silahkan 'dicoba). Karen a modelnya adalah log linier rilaka
nilai koefisien regresi merupakan elastisitas. Misalnya nilai Jh =0,3519 berati jika pupuk
dinaikkan (diturunkan) sebesar 1% maka produksi padi akan naik (turun)· sebesar 0,3519%.
Nilai koefisien determinasinya (R 2 ) sebesar 0,8625. Lebih rendahnya nilai koefisien
determinasi karena data yang digunakan data cross section. Periiaku data antar ruang
kecenderungannya bervariasi sehingga menyebabkan koefisien determinasinya lebih
reridah.
~
... =·-
--~
~---
~
-
Bab 5. Model Regresi Berganda 83
dimana tc adalah nilai kritis tabel distribusi t dengan derajat kebebasan sebesar (n-k)
sehingga P(t ~ tc) =a I 2. Penyusunan kembali persamaan (5.23) akan menghasilkan
interval estimasi untuk koefisien regresi sbb:
(5.24)
(5.25)
Dimana (1·-cx) merupakan interval keyakinan untuk koefisien regersi (3. Jika misalnya
cx=5%, artinya 95% interval estimasi dari sampel mengandung kebenaran 95% dari
populasi.
_j
~ ~
Interval estimasi untul< ,80 terletak pada - 5057, 9176 ::; /] 0 :s; -3077,0764
· ~·
Interval estimasi unt~k ,~ 1 terletal< pad a 3,8868 :s; ~1 :s; 11, 7432
Interval estirnasi untuk /] 2 terletak pada 720,3912 :s; /] 2 :s; 1283,3188
-- -~----~~-=~=-~~·=--==-=-===-=-=-~-=~-=-=~~=====
:a
al
5.4. Uji T koefisien Regresi Parsial
18 Pada regresi yang mempunyai lebih satu variabel independen, jika asumsi 1-5
iri terpenuhi maka kita mempunai estimator f3i yang BLUE. Bila asumsi 6 juga terpenuhi
yaitu residual ei mempunyai distribusi normal maka variabel dependen Y juga akan.
terdistribusi sec8.ra norm?!. Misa!kan kita tulis kembali regresi berganda persamaan
(5.1) sbb:
3)
F.-~
·~ ........
~
"-·-
:L__
.-·~-
~
c::=--~=.:...
-·~
.. -
84 Bagian Pertama: Dasar-Dasar Regresl
(5.1) d
k
maka e1 ,.:,_ N(O, cr 2 ) dan Y1- N(O, q 2 ). Karena estimator f3; adalah fungsi linier terhadap s
variabel dependeh Y maka estimator /31 akan juga mempunyai distribusi normal dengan e :·
rata-rata /31 dan varian sebesar var(l31) sbb:
(5.29)
Jika kita mengurangi /Jk dengan rata-ratanya kemudian dibagi dengan akar variannya
atau standard errornya, maka kita melakukan transformasi variabel random /J; yang
berdistribusi normal mejadi variabel Z yang mempunyai standar normal sbb:
Jika kita rr.engganti var(/31 ) dengan var{/31) maka kita akan mendapat,kan variabel 2.
random t sbb:
3.
t = /Jk- {Jk - t(n-k) (5.31)
~var(/Jk)
atau dapat ditulis menjadi:
(5.32)
4.
. Perbedaan uji t regresi berganda dengan lebih dari satu variabel independen dengan
regresi sederhana dengan hanya satu variabel lndependen terletak pada besarnya
derajat degree of freedom (df) dimana untuk regresi sederhana dfnya sebesar n-2
sedar 1gkan regresi berganda tergantung dari jumlah varia bel independen ditambah
dengan konstanta, •
f-c
..--··
u----
~ --
~
~
"-.----:___
~
~
,-
Bab 5. Model Regresi Berganda 85
Prosedur uji t pada koefisien regresi parsial pada regresi berganda sama
dengan prosedur uji koefisien regresi sederhana. Untuk mengingat kembali uji t
koefisien regresi ini bisa dibaca kembali pada bab 4. Kita akan kembali membahas
secara ringkas uji t tersebut. Misalnya kita mempunyai dua variabel independen dengan
estimator l31 dan 132, langkah uji t sbb:
3. Menghitung nilai t hitung untuk l31 dan 132 dan mencari nilai nilai t kritis dari tabel
distribusi t. Nilai t hitung dicari dengan formula sbb:
• jik~ nilai t hitung > nilai t kritis maka H0 ditolak atau menerima Ha
• jika nilai t hitung < nilai t kritis maka Ho diterima atau menolak Ha
Jika kita mempunyai tiga variab61 independen maka kita membuat hipotesa sebanyak tiga untuk
masing-masing estimator dan seterusnya.
~
"'----
-'"'-='-
"' -----
~
~
'"-----
-"-
_,_
r------:..::=..
!:
86 Bagian Pertama: Dasar-Dasar Regresi
-
determinasi untuk mengul<ur seberapa baik garis regresi yang kita punyai. Dalam halini
kita mengukur seberapa besar proporsi variasi variabel dependen dijelaskan oleh din
semua variabel independen. Formula untuk menghitung koefisien determinasi (R2)
regresi berganda sama dengan regresi sederhana. Untuk itu kita kembali tampilkan Te1
rumusnya sbb: der
df~
R 2
= ESS I TSS = 1 - RSS
TSS
c
K
sl
(5.37)
Dari rumus tersebut diatas tampak jelas bahwa koefisien determinasi tidak pernah
menurun terhadap jumlah variabel independen. Artinya koefisien determinasi akan
semakin besar jika kita terus meriambah variabel independen di dalam model. Hal ini
terjadi karena L(Y;- f) bukan merupakan fungsi dari variabel independen ?<·
2
sedangkan RSS yakni 'i:.e;2 targantung dari jumlah variabel independen X di da:am (tE
SE
model. Dengan demikian jika jumlah variabei independen X bert.ambah maka Letakan Ja
menurun. Mengingat bahwa nilai koefisien determinasi tidak pernah menurun ma!<a Lita ex=
harus berhati· hati membandingl<an dua regre,-;i yang mempunyai varia be! dependen Y 1:
sama t8tapi berbeda dalam jumlah variabcl indeptmden X. Kehati-hatian ini perlu 4,~
karena tujuan regresi metode OLS adalah mendapatkan nilai koefisien determinasi pa !
(5.38)
Evaluasi pertama hasil regresi dilihat dari tanda parameter estimasi. Koefisien harga
rertanda positif sesuai dengan teori penawaran. Semakin tinggi (rendah) harga maka ekspor
pakaian jadi ke .Jepang semakin meningkat (menurun). Tanda koefisien kurs juga positif
sesuai dengan teori. Kenaikan (penurunan) harga telah mendorong eksportir untuk
menaikkan (menurunkan) ekspornya ke Jepang. Begitu pula jika rupiah terdepresiasi
(terapresi8si) terhadap Yen maka ekspor akan semakin meningkat (menurun).
Selanjutnya, apakah variabel independen secara individual mempengarul:li ekspor Pakian
Jadi ke Jepang maka akan kita uji melalui uji t. Nilai kritis t tabel untuk o=1 %, a=5% dan
a=10%, der.gan df 13 pada uji satu sisi sebesar masing-masing sebesar 2,650; 1,771 dan
1,350. Sedangkan nilai t hitung untuk variabei harga (X 1) dan kurs (X2 ) masing-masing
4,2973 dan 7,6684. Dengan demikian variabel hargc:! dan kurs signifiken pad"'! a=~%. Jer~pa
pastinya nilai a tisa dilihat kembali pada tabel 5.1 pada kolom probabilitas. Angka
probabilitas tersebut terlebih dahulu dibagi dua karena uji yang kita lakukan adalah uji satu
sisi. Variabel harga signifikan pada a=0,045% sedangkan variabel kurs signifikan hampir
a=O%. Analisis selanjutnya berkaitan dengan angka koefisien regresi. Modelnya adalah
model linier sehingga koefisien yang kita dapatkan adalah slope. Koefisien harga sebesar
7,8150, maknanya jika harga n~ik 1 dollar AS maka ekspor akan naik sebesar 7,8150 ton
dengan asumsi varia bel inderenden kurs tetap. Angka koefisien kurs sebesar 1000,855
artinya jika rupiah turun atau terdepresiasi sebesar 1 rupiah per Yen maka ekspor akan naik
1001,855 ton dengan asumsi variabel independen harga tetap.
88 Bagian Pertama: Oasar-Dasar Regresi
2
F, _ ESS l(n - k) _ _ R_...,..1(.:...k_-......:1):___
(5.39)
k-l,n-k- RSSI(n-k)- (l-R 2 )/(n-k)
=
Dlmana ri= jumlah observasi dan k jumlah parameter estimasi termasuk intersep atau
konstanta
Dari persarnaan (5.39) tersebut jika hipotesis nul terbukti, maka nilai dari ESS
dan ~ 2 akan sama deng2n n')l sehir.gga F akan juga sama dengan nol. Dengan
demikian, tingginya nil::1i F stati&tik maka kita akan menolak hipote~is r.ul stau hipote:3is
l
yang salan sedangkan rend~hnya nilai F stataistik maka kita akan menerima hipotesis
nul. Walaupun L~i F menunjukkan adanya penclakan hiootesis nul yang menunjukkan
bahwa secara bersama-sama semua variabel independen mempengaruhi variabei
dependen, namun hal ini bukan berarti secara individual variabel independen
memf>e'ngaruhi variabe! dependen melalui uji t. Keadaan ini terjadi karer.a kemungkinan
adanya korelasi yang tinggi antar variabel independen. Kondisi ini menyebabkan
standard error sangat tinggi dan rendahnya nilai t hitung meskipun model secara umum
mampu menjelaskan data dengan baik.
_..-·· ~
~
~
·:. "-
~-----
. Bab 5. Model Regresi Berganda 89
Untuk menjelaskan uji F ini, misalnya kita mempunyai model regresi berganda
dengan dua variabel independen sebelumnya:
(5.2)
Untuk menguji apakah koefisien regresi (l31dan 132) secara bersama-sama atau secara
menyeluruh berpengaruh terhadap variabel dependen, langkah uji F dapat dijelaskan
sbb:
~
2
. = ESS/(n-k) =--N. /(k-1)
k-1,.,-k RSS l(n- k) (1- R 2 )/(n- k)
= (0,9111) I 2 = 0,4555 =
66 9853 (5.41)
(1- 0,9111113 0,0068 '
. ·.
90 . Bag ian Pertama: Dasar-Dasar Regresi .,.....,
dal
Ch1
Contoh 5.5. Lanjutan
Seqangkan nilai F kritis pada a=5% dengan df (2,13) dari F tabel diperoleh angka sebesar
3,81. Nilai F hitung lebih besar dari nilai F kritis, sehingga kita menolak H0 atau menerima Ha.
Artinya, secara bersama-sama variabel harga dan kurs berpengaruh terhadap ekspor
pakaian jadi Ke Jepang pada periode 1980-2000.
Dalam melakukan uji serempak melalu! uji F kita tidak mengalami kesulitan karena setiap
software regresi selalu menghitung secara otomatis nilai F hitung ini. Perhitungan melalui
Software Eviews menghasilkan nilai statistik F hitung sebesar 66,8199, lihatkembali Tabel
5.1. Angka di belakang komanya sedikit berbeda dengan perhitungan manual yang kita im~
lakukan di atas karena perhitungan manual hanya membatasi empat angka dibelakang stn
koma. Sebagaimana uji hipotesis t, kita juga bisa secara langsung memberikan keputusan pro _
apakah menerima H0 atau menolak H0 dilihat dari besarnya probabilitas yang menunjukkan me
besarnya a. Dari perhitungan Eviews pada Tabel 5.1 dapat dilihat bahwa probabilitasnya dal
sang at kecil yaitu 0,0000%, dibawah 1% sehingga keputusan kita adalah rnenolak H0 atau
menerima Ha.
ad<
per
5. 7. Uji Perubahan Struktural Model Regresi sbt
'"..
- ,-~
!;~
......
fL--
~
"=====-=
Bab 5. Model Regresi Berganda 91
·· alam regresi dengan menggunakan uji statistik. F. 2 Asumsi yang melatarbelakangi uji
Chow adalah sbb:
1. e11 ~ N ( 0, cr2) dan e 21 ~ N(O,cr 2). Residual dl dalam kedua periode penelitian
mempunyai distribusi normal dan residual juga mempunyai varian yang sama
(homoskedastik)
2. Kedua residual e11 dan e11 tidak saiing berhubungan.
Untuk menjelaskan Uji Chow ini, misalkan kita ingin menganalisis permintaan
. impor Indonesia dalam periode 1980-2002. Dalam periode ini diduga ada perubahan
struktural yakni perubahan dari industrialisasi substitusi impor menjadi industrialisasi
·- promosi ekspor pada tahun 1990. Karena' sebagian besar industri kita masih
mengandalkan bahan baku impor rnaka implikasinya pemerintah memberi kemudahan
dalam hal mengimpor bahan baku.
· Kita akan menggunakan model linier permintaan impor untuk mengetahui
adakah terjadi perubahan struktural aklbat perubahan strategi industrialisiasi dalam
periode penelitian 1980-2002. Model regresi linier permintaan impor kita tulis kembali
sbb:
(5.42)
Dimana Y= permintaan irnpor; X 1= harga ·impor yakni indeks harga impor; X 2= GOP riil
tahun dasar 1993
Ada tidaknya perubahan struktural maka waktu periode penelitian dibagi
menjadi dua yaitu 1980-1990 dan 1991-2002. Periode pertama dengan jumlah
observasi n1 = 11 merupakan periode industrialisasi substltusi impor dan periode kedua
dengan n2 = 12 adalah saat industrialisasi promosi ekspor. Dalam hal ini jumlah
observas! bis8 sama ataupun bisa tidak sama. Dengan demikian kita sekarang pun.ya
dua regresi permir.taan impor yakni:
Periode industriallsasi substitusi impor 1980-1990:
(5.43)
(5.44)
Gregory C. Chew, "Test of Equality between Sets of Coefficients in Two Linear Regressions,"
Econometrica, Vol. 28, No.3, 1960, pp.591-605. Ada beberapa alternatif uji perubahan struktural yaitu
. uji Wald, Uji Cusum. Kedua pembahasan uji tersebut diluar cakupan buku ini.
-··--
a___ ---
92 · Bag ian Pertama: Dasar-Dasar Regresi
Jika ada pen.Jbahan struktural maka kemungkinan hasilnya adalah dua regresi tersebut
mempunyai intersep yang berbeda atau slope berbeda atau baik intersep maupun
slope berbeda. Tetapi jika tidak ada perubahan struktural maka kita dapat
menggabungkan regresi n1 dan n2 sebagaimana persamaan (5.42). Adapun prosedur
uji Chow sbb: ·
2. Langkah kedua
a. Periode 1980-1990
~ = -16812,28 -197,1829X11 + 0,2698X 2, (5.47)
t (-1,0550) (-1,4125) (1.6922)
R2 = 0 3948
I
RSS 2 = 71952139 df =8
b. Periode 1991-2002
3. Nilai hitung F
F = (21 0000000 -190952139) /3 = O6650 (5.50)
(190952139) 117 '
n
t<.. Nilai F kritis dengan a=5% dengan df (3,17) = 3,49. Karena nilai F hitung lebih kecil dari nilai
3r F kritis maka kita menerima hipotesis nul atau menolak hipotesis altematif. Artinya, dalarn
ll. periode penelitan tidak ditemukan adanya perubahan struktural. Adanya perubahan
di kebijakan industrialisasi dari substitusi impor ke promosi ekspor tidak berpengaruh terhadap
perilaku impor Indonesia.
~r 1
jj
Contoh 5.7. Uji Chow Dergan Software Eviews
Langkah uji Chow pada contoh 5.6. harus melakui<an ·egresi berkali-kali. Software Eviaws
telah rnenyeciiakan uji perubahln struktural dari Chow. Periode penelltan tetap sama dibagi
1
I 2 yaitu 1980-1990 dan 1991-2002. Dalam prosedur ini maka tahun perbedaan dimulai pada
tahun 1991 sebagai titik perbedaan (br ..;akpoint test). Uji statistiknya berdasarkan uji statistik
F dan berdasarkan statistik log likelihood ratio dikenal dengan uji LR. Nilai statistik log
likelihood ratio didasarkan pada estimasi regresi berdasarkan metode maximum likelihood.
Hingga pada bab ini kita baru menjelaskan metode OLS untuk mendapatkan estimator yang
terbaik. Pada bab 15 kita akan membahas secara singkat metode Maximum likelihood
tersebut (ML).
94 Bagian Pertama: Dasar-Dasar Regresi
y;
n,,
Contoh 5.7. Lanjutan
in •
Uji LR ini mengikuti distribusi statistik chi square (z2
) dengan derajat kebebasan sebesar in
(m-1)/k dimana m adalah jumlah subsampel observasi dan k adalah jumlah parameter p<~
· estimasi. Dalam kasus permintaan impor subsampel observasiriya adalah periode 1991-
2002 karena tahun 1991 sebagai breakpoint sehingga m sebesar 12. Hasil uji perubahan IF~
~-
struktural dapat dilihat dalam Tabel 5.2 sedangkan langkah uji Chow dengan software I
Eviews bisa dilihat dalam lampiran. Nilai F hitung sebesar 0,6072 sedangkan Nilai kritis tabel I •·
F dengan u=5% dengan df (3, 17) = 3,49. Berdasarkan uji F ini berarti kita menerima
hipotesis nul yang berarti tidak ada perubahan struktural. Nilai hitung statistik chi square
( X2 )= 2,3414 sedangkan nilai kritis dari statistik chi square ( z 2 ) dengan dengan u=5% [~
dengan df 4 (11/3) sebesar 9,4877. Kesimpulanr.ya kita menerima hipotesis nul yang berarti t
tidakada perubahan strukutral. Hasil uji LR ini mendukung hasil uji F. Kita juga bisa menolak
atau menerima hipotesis nul dengan melihat nilai probabilitas masing-masing uji. Pada Tabel
5.2 terlihat bahwa nilai probabilitasnya atau nilai a-nya lebih dari 10%. Berarti bahwa
berdasarkan uji statistik F maupun LR tidak signifikan. Dengan demikian, berdasarkan kedua
uji tersebut tidak terjadi perubahan struktural perilaku impor dalam periode penelitian.
_,.-
i
Bab 5. Model Regresi Berganda 95
yaitu nilai variabel Y yang bersesuaiai1 dengan nilai variabel independen X 1 dan antar&
nilai variabel Y yang bersesuaian dengan nilai variabel independen X2. Dari sketergram
ini kemudian kita bisa melihat apakah hubungan variabel dependen dengan variabel
independen bersifat linier seperti gam bar 4.4a atau nonlinier sebagaimana gambar 4.4b
pada bab 4.
50COO
40000
30000
>-
20000 -
=~
10000 - ~ ~
0
100000 200000 300000 400000 500000
(5.51) .
3
J. Mackinnon, H. White and R. Davidson, "Test for Model Specification in the Presence of Alternative
Hypothesis; Some Further Results," Journal of Econometrics, Vol. 21, 1983, pp.53-70
_...,..··
r-----
Et:::=
~·· .....
:..-·--
;:----
~==-=------
~-.:--
96 Bagian Pertama: Dasar-Dasar Regresi
. .
In Y, = 20 +A, b1 X, + v, (5.52)
dimana Y = impor; X = PDB ri.il; et dan Vt adalah residual masing-masing model regresi.
Persamaan (5.51) adalah model linier dan persamaan (5.52) merupakan model log
linier. Untuk melakukan uji MWD ini kita asumsikan bahwa .
1. Estimasi model linier persamaan (5.51) dan dapatkan nilai prediksinya (fitted
value) dinamai F1. Untuk mendapatkan nilai F1 lakukan langkah berikut:
2. Estimasi model log linier persamaar. (5.52) dan dapatkan .nilai prediksinya
dinamai F2. Untuk mendapatkan niiai F2 lakukan !angkah berikut:
(5.53)
1-1,
Jika Z 1 slgnlfikan secara statistik melalui uji t maka kita menola!< hipotesis nul di
bahwa model yang benar ada!ah linier dan sebaliknya jika tidak signifikan maka es
kita menerima hipotesis nul bahwa model yang benar adalah linier. si~
Ur
5. estimssi persamaan berikut ini: no
se
{5.54) dit;
Jika Z 2 signifikan secara stotistik rr.elalui uji t maka kit::~ menolak hipotesis
alternatif bahwa model yang benar adalah log linier dan sebaliknya jika tidak
signifikan maka kita menerima hipotesis alternatif bahwa mode! yang benar ·
adalah log linier. ·
d..._____
[L______
~ .
~---
Bab 5. Model Regresi Berganda 97
dimana Y = impor (juta US$); X= GOP riil (juta rupiah) dan e1 dan v1 adalah residual masing-
masing model regresi.
PDB diharapkan berhubungan positif terhadap impor sehingga tanda estimator untuk Y1 dan
A- 1 adalah positif. Hasil estimasi masing-masing mCDdel fungsi regresi sbb:
Hasil kedw:l regresi menunjukkail bahwa model fungsi linier maupun log-l!nier sama ba!knya
dalam menjelaskan perilaku impor Indonesia. Hal ini bisa dilihat dari tanda koefisien
estimator yang sesuai dengan teori dan berdasarkan uji t masing- masing berpengaruh
2
signifikar pc rJa o:=1 %. Nilai koefisien determlnasi R cukup tinggi.
Untuk memutuskan bentuk model de.Igan metode MWD kita harus menjalankan langkah
nomer 1 sar 1pai 3. Ada pun langkah ke 4 metode MWD yakni melakukan regresi
sebagaimana persarnaan (5.53) menghasilkan informe:si persamaim regresi yang
ditampilkan dalam persamaan (5.59):
[:==
~ u
~·
~
c===-=
98 . Bagian Pertama: Dasar-Dasar Regresi
tidak harus rnenolak hipotesis nul atau menerima bahwa model fungsi regresi adalah model
fungsi linier.
Sedangkan hasil regresi pada langkah 5 persamaan (5.54) sbb:
~
yaitu menerima bahwa model fungsi regresi adalah model log linier. Kesimpulan berdasarkan
ME
hasil regresi dalam (5.59) maupun (5.60) menunjukkan bahwa modellinier maupun log tinier ak
sama baiknya didalam menjelaskan perilaku permintaan impor periode 1980-2002.
Keslmpulan dari metode MWD ini tidak mendukung pemilihan model berdasarkan
sketergram karena motode sketergram bersifat tentatif.
De1
me
yak
-
,._____
....,;...;..;.;
~
:
~ --
';:-;'"
LAMPIRAN BAB 5
Y; =Po+ /J,Xli + /J X
2 2 ;. Nilai minimum residt.:al kuadrat dapat diperoleh dengan
melakukan diferensiasi parsial residual kuadrat terhadap /3 /3, dan /1
0 , 2 dan kemudian
menyamakan nilainya sama dengan nol sehingga menghasilkan persamaan (5.8), (5.9)
dan (5.1 0). Adapun proses penurunannya sbb:
(1)
(2)
(3)
Menyamakan persamaan (1 ), (2) dan (3) dengan nol dan membaginya dengan 2 maka
akan menghasilkan
Dengai1 meman!pulasi persamaan (4}, (5) dan (6) tersP-but maka kita akan
menghasilkan persamaan yang dikenal dengan persamaan normal (normal equatior.)
yakni:
..~
~ ..
~
""--------
~
~-===
~-.-
,100 Bagian Pertama: Dasar-Dasar Regresl
(9)
Dari persamaan (7}, (8) dan {9) terse but kemudian kita bisa dapatkan nilai untuk Po,
/J. dan /1 2 sbb:
(10)
(11)
(12)
dimana: X; = xi -X
Yt = ~ -Y
-
Y dan X adalah rata-rata St
Lampiran 5.2. Data Ekspor Pakian Jadi, Harga ekspor pakaian Jadi dan Kurs -
Rp/yen Indonesia Ke Jepang 1985-2000 I
----- ~
-
Tahun Ekspor I Harga Kurs Tahun Ekspor 1 Harga Kurs
Pakaian ekspor Rp!Yen Pakaian Ekspor RpfYen
ladi Pakianladi ladi Pakianjadi
1985 3678;8 248,48 5,65 1993 26776 1085,5 18,96
1986 4065,3 33~,43 10,23 1994 43501 1912.~ 22,05
1987 8431,4 641,88 13,5 1995 49223 2435,6 22,5 1
1988 15718 100,80 13,84 1996 65076 6936,7 20,6 1
1989 11891 536,69 12,66 1997 54941 3173,14 43 1
1990 9349,7 332,25 13,98 1998 58097 2107,7 70,67 1
1991 14561 657,6 15,69 1999 112871 2935,7 71,2 1
1992 20148 928,1 16,62 2000 108280 3235,8 84 L!
Su
Sumber: BPS berbaga1 ta11un Penerbltan
Bab 5. Model Regresi Berganda 101
Lampiran 5.4. Data lmpor, lndeks Harga lmpor (IHM) dan GDP indonesia 1980a2002
1
Tahun lmpor IHM GDP Tahun lmpor IHM. GDP
(milynr $) (milyar $)
--
1980 i0834 67 15S343,3 18!::12 27280 208 309648,6
1981 13272 95 171979,2 1993 28328 211 329775,0
1982 16859 83 175848,7 1994 31983 215 38379'2,3
1983
i984
16352
13882
100
113
I 183216,8
196005,3
1995
1996
40630
4'2929
236
240
414418,9
413797,9
1985 10259 119 200827,0 1997 41694 260 433245,9
1986 10718 '129 212615,6 1998 27337 277 376374,9
1987 12370 158 223097,5 1999 24004 289 379557,7
'1988 13249 164 235992,5 2000 33515 338 397666,3
1989 16360 178 253597,6 2001 30962 355 411691,9
1990 21837 191 271958,1 2002 31289 346 426740,6
Sumber: BPS berbaga1 Penerb1tan
--~
~-
~
~ . . .
":'
~
'"t==::.===
,~·.~
102 Bagian Pertama: Das:::~r-Dasar Regresi
Dimana Y = Nilai ekspor Pakaian Jadi ke Jepang (ton); X 1= harga ekspor pakaian jadi
ke Jeparig (US$/ton) diharapkan berhubungan positif; X 2= kurs rupiah terhadapa Yen
Jepang(Rp/yen) diharapkan juga berhubungan positif.
Sebagaimana Langkah pada regresi sebelumnya, kita harus membentuk filekerja untuk
melakukan regresi persamaan (1 ). Kita tidak akan menampilkan filekerja ctisini. Hasil
regresi persarnaan (1) ditampilkan dalam Tampilan 1 berikut ini:
Tampilan_1 __ _ _ __ _ _
Dependent Variable: Y
Method: Least Squares
Date: 08107JlJ4 Time: 20:02
Sample: 1985 2000
_
--l
Included observations: 16
R-squared
Adjustad R-sZ'uared
0.911347
0.897709
Mean dependent var
S.D. dependent var
37913.01
34949.41
c
S. E. of r'3gression 11177.88 Akaike ir.fo critedon 21 .64862 p
Sum squared resid 1.62E-t{)9 Schwarz criterion 21 .79348 p
Log likelihood -170.1890 F-st;Jtist•c 66.[ 1992
Durbin-\1\lat son st«t 2.161663 Pr~b(F-statistic) O.OGOOOO
[
2. Regresi Produksi Padi di Indonesia 1994
t;
Contoh regresi berganda kedua dalam bab 5 adalah produksi padi di Indonesia
tc=~hun
1994. Data yang dlgunakan adalah data cross section dari 23 propinsi di L
Indonesia. Adapun model regresinya sbb: E
1
(2)
Bab 5. Model Regresi Berganda 103
dimana:Y= rata-rata produksi per hektar (kg);X,i= rata-rata penggunaan bibit per hektar
(Kg); X2i= rata-rata penggunaan pestisida per hektar (kg);X3i= rata-rata penggunaan
pupuk per hektar (kg). -·~·-
Sebagaimana contoh ekspor pakaian Jadi sebelumnya, disini tidak dijelaskan langkah-
langkahnya, sil;:~hkan pembaca kembali mengingat langkah-langkah dalam bab 4. Hasil
regresi persamaan (2) dapat dilihat dalam tampilan berikut ini :
Tampilan 2
Dependent Variable: LOG(Y)
Method: Least Squares
Di dalam tampilan 2 ini log
Date: 03121105 Time: 08:22 menunjukkan logaritma
Sample: 1 23
Included observations: 23 natura!
Variable Coefficient Std. Error !-Statistic Pro b.
(3)
Diman2 Y= permintaan impor; X1= harga impor yakni inde:<.s harga impor; X2 = GOP riil
tahun dasar 1993
Untuk melakukan uji Chow ini kita akan menggunakan fasilitas yang disediakan oleh
Eviews. Langkahnya estimasi persamaan 3 tersebut kemudian Klik Views/Stabillty
Tests/Chow Breakpoint Test kemudian akan muncul tampilan berikut ini:
~
~---
./
~
~
~
,,~
~---
_,,_ _
104 Sagian Pertama: Dasar-Dasar Regresl
Tampilan 3
1
Pada tampilan 3 ini kemudian kita
masukkan tahun sebagai tahun
perubahan perilaku data, dalam hal ini
adalah 1991. Lalu Klik OK sehingga akan
muncul Tampilan 4 berikut ini :
I
Tampilan 4
IChow Breakpoint Test: 1991
F-statistic
Log likelihood ratio
0.607243
2.341369
Probability
Probability
0.6193331
0.5046421
l
4.
s,
PE
-
Sa.rnple t 980 2002
llilc
variabel independen. Langkahya kita buka
dulu data kita dengan perintah highlight
obyek X dan Y seperti dalam Tampilan 5
kemudian double klik. Jika data sudah
terbuka maka klik View/Graph/Scatter/
:,-·-~
Simple Scatter, sehingga akan muncul j f
tampllan sbb: .! i
,- -
"'..
~
~
~
'"----
!"---
:
~-=--=-
Bab 5. Model Regresi Berganda 105
Tampilan 6
50000
0 0
40000 0
0
0 oo
30000
0 0 0
>-
a
" 0
20000
q, 0
0 0
00
10000 0 oo
0
100000 200000 300000 400000 500000
• Langkc:tll Per::ama
Kita regresi persamaan linier yakni persamaan (3) ke:nudian kita dapatkan residualnya.
Langkahnya klik Quici'JEstimate Equation. Setelah mendapatkan hasil regresi kita
simpan residual persamaan (3). Caranya K!ik Procs/Generate sehingga rnuncul
Tampilan sbb:
Tampilan 7
(In). Lalu setelah mendapatkan hasilnya simpan residualnya dengan nama RES2. Kita
bentuk variabel F2 dengan Procs/ Generate dan kemudian tulis F2= LogY - RES2.
h
• Langkah ketiga ,A
s
Kita membentuk varia bel Z1 =logF1-F2 dan Z2=antilog(F2)- F1. Didalam Eviews s
L
perintah antilog dapat dilakukan dengan cara menulis EXP. Dalam k2sus Z2 mRka !<ita 0
dka!l tulis sbb: Z2= EXP{f2) - F~.
• Langkah keempat
Kita melakukan n~gr'3si sbb:
Hasil regresi Persamaan (6) dan (7) dapat dilihat dalam Tampilan 9 dan 10 sbb:
Bab 5. Model Regresi Berganda 107
Tampilan 9
Dependent Variable: Y
Method: Least Squares
Date: 08107104 Time: 18:42
Sample: 1980 2002
Included observations: 23
Tampilan 10
Dependent Variable: LOG(Y)
Method: Least Squares
Date: 08107104 Time: 19:05
Sampl": 1980 2002
lnciL•deci observation~: 23
\
108 Bagian Pertama: Dasar-['asar Regresi -
11!11
v:
k
v.
p
jL
IE
\j,
i-T
d
rE
d
£'
\
b
ti
rT
rT
k
a
rr
s
n
Sengaja dikosongkan untuk catatan Anda
-:-
Bab6
MODEL REGRESI DENGAN
V ARIABEL INDEPENDEN
KUALITATIF
Maciel regresi yang kita kembangkan hingga bab 5 adalah model regresi dimana
variabel dependen hanya dijelaskan oleh variabel-variabel independen yang bersifat
kuantitatif. Namun dalam barJyak kasus, variabel independen yang mempengaruhi
variabel dependen bersifat kualitatif. Misalnya dalam analisis pengeiuaran mahasiswa,
pengeluaran setiap mahasiswa selain dipengaruhi oieh uang kiriman dari orang tua
juga dipengaruhi oleh jenis kelamin dimana diduga pengeluaran mahasiswa wanita
lebih besar dar! mahasiswa pria. Jenis kelamin ini rnerupakan salah satu contoh
variabel independen yang bersifat kualitatif. Dalam bab ini kita akan membahas
masalah regresi dengan variabel independen yang bersifat kualitatif. Pembahasan akan
dimulai dengan bagaimana rnembuat variabel kualitatif ini bisa operasional di dalam
regresi. Pembahasan selanjutnya berupa aplikasi var!abel independen kualitatif di
· dalam regresi.
109
110 Bagian Pertama: Dasar-Dasar Regresi
mempengaruhi gaji seseorang, kita juga bisa memasukkan variabel jenis kelamin D<
dalam menganalisis faktor ap·a yang mempengaruhi gaji seseorang. m£
Variabel kualitatif ini mengindikasikan ada tidaknya sebuah atribut. se
Persoalannya bagaimana atribut yang bersifat kualitatif ini diperlakukan sehingga
metode regresi bisa diaplikasikan? Salah satu metode untuk mengkuantitatifkan atribut
yang bersifat kualitatif tersebut dengan cara membentuk varia bel yang sifatnya artifisial (
(dummy) ke dalam model persamaan regresi dengan mengambi! nilai 1 atau 0. Angka 1
menunjukkan adanya atribut sedangkan angka 0 menunjukkan tiadanya atribut.
Misalnya kita ingin menguji benarkah ada isu gender dalarn hal pekerjaan yaitu
apakah memang terjadi perbedaan gaji antara karyawan pria dan wanita. Model
persamaan regresinya dapat ditu!is sbb:
(6.1)
_:.'
Bab 6. Regresi Dengan Variabel Kualitatif 111
Dalam hal ini intersep (13o) menunjukkan gaji rata-rata karyawan wanita dan slope (131)
menunjukkan berapa besar perbedaan gaji rata-rata karyawan pria dan wanita,
sedangkan 13o + l31 memberi informasi gaji rata-rata karyawan pria, lihat gambar 6.1.
Gaji Karyawan
(Y)
I gaji karyawan pria
I
1>-
1 131
I
} Po
=----------~------Jenis kelamin
(6.4)
~
"------
.. -.
~
~
!::_ _____ _
112 Bagian Pertama: D<;1sar-D2sar Regresi
Model tersebut diatas berisi satu variabel dummy yang mempunyai dua kelas yaitu pria
dan wanita. Hipotesis nul sebagaimana sebelumnya yakni tidak ada diskriminasi
=
gender dalam soal gaji ( Ho: 13, 0). Jika parameter estimasi 13, signifikan melalui uji t,
maka kita akan menolak hipotesis tidak adanya perbedaan diskriminasi gender dalam
soal gaji. Oengan demikian arti dari persamaan (6.4) adalah sbb:
Y (gaji kalyaw::tn)
Karyawan pria
13o
X (m3~2 kerja)
Gambar e.2. Perbedaan Gaji Karyawan Wanita dan Pria
_,..·
~
~
_,.-
1,·
Bab a. Regresi Dengan Variabel Kualitatif 113
(6.7)
Dimana: Y = perJ:Jeluaran rnahas1swa (ribuan Rp);X = uang kirim<:ln mahasiswa (ribuan Rp);
D = 1 jika wanita dan D = 0 jika pria. Hasil regres:nya sbb:
Hasilnya menunjukkan bahwa semua variabel independen signifikan secara statistik dengan
uji satu sisi dirr1ana nilai kritis tabel ( dengan a=5% df 13= 1 ,771. Uji variabel independen
secara serempak melau: uji F juga signifikan. Artinya, jeliis kelamin berpengaruh terhadap
pengeluaran mahasiswa dim2na wanita lebih besar 13,90 Ribu Rp. Perbedaan pengeluaran
keduanya dapat ditulis dalam persamaan (6.9) dan (6.1 0).
Mahasiswa pria Y; = -85,2984 + 1,0683X; (6.9)
,-"-----·
114 Bagian Pertama: Dasar-Dasar Regresi
(6.11)
~
-p- - -
@
o<
~
~···-
"'---
, __
'
Gaji (Y)
Dosen S-3 ,--
Dosen S-2
Dosen S-1
~2
~
E:!- " ..
:________
-~.--
~-==
.-.--
116 Bagian Pertama: Dasar-Dasar Regresi
perilaku impor dengan memasukkan variabel kualitatif berupa krisis ekonomi bisa ditulis
6
dalam persamaan sbb:
le
(6.15) bE b
vc. -
dimana:
Yt = lmpor
D =0 untuk periode < 1997
= 1 untuk periode >- 1997
X1 =GOP riil
Di1-
Sebagaimana pada data cross section, arti dari persamaan (6.9). adalah sbb:
Tid
Contoh 6.2. Dampak Krisis Ekonomi Terhadap lmpor Indonesia 1980-2002 jab<
Kita mencoba ingin manganalisis apakah benar krisis ekonomi tahun 1997 berpengaruh
terhadap permintaan impor lndones!a. Data yang dlperlukan ada di lampiran bab 5. Model
f3l I
per!
persamaan regresi seperti pada persamaan (6.15). Hasil regresi ditampilkan dalam
Der
persamaan sbb:
kefT
~
GOP berpengaruh positif dan krisis ekonomi berpengaruh nE:gatif sebagaimana yang
diharapkan. Berdasarkan uji t, kedua • varia bel GOP dan kr'sis signifikan secara statistik DOS(
:-nasing-masing pad a a~ 1%. Negatifnya variabel krisis e:<onorr.i [J97. berarti kns!s . alah
me!lysbabk<m imp. r lr.donesia berkurang sebesar 6351,085 mil) ar dollar AS.
Adanya perbedaan impor sebelum dan selama krisis dapat dinyatakdn dalam persamaan
rearesi sbb: Dose
,.______
!t::::=
"-.-
~=--
Bab 6. Regresi Dengan Variabel Kualitatif 117
(6.21)
E(Y; IDli = 1, Dz; = 1, X,)= (f3o + /31 + f3z) + /33 X,. (6.22)
(6.23)
(6.24.)
(6.25)
"'-
r.::--
~
~
...
~
~--
118 Bagian Pertama: Dasar-Dasar Regresi
(6.26)
Serr. 'Ja koefisien sesuai dengan hipotesis yang diharapkan yakni Kiriman uang, jenis kelamin
dan kepemilikan mobil berpengaruh positif tarhadap besar kecilnya pengeluaran mahasiswa.
Berdasarkan uji t, ketiga variabel tersebut juga signifikan pada masing-masing pada a.=1%
dan a.=5%. Perbedaan pengeluaran mahasiswa atau mahasiswi tersebut dapat dinyatakan
dalam persamaan sbb:
c -
i·
~
"'------
-,-
Bab 6. Regresi Dengan Variabel Kualitatif 119
mempunyai dua kategori tetapi kita juga membutuhkan dua variabel dummy
maka akan terjadi kondisi hubungan keeratan atau korelasi yang sempurna
(perfect co/linearity) an tar varia bel dummy sehingga menimbulkan persoalan 1 •
Secara umum jika kita mernpunyai n kategori maka kita hanya membutuhkan
n-1 variabel dummy.
2. Nilai 1 dan 0 pada variabel dummy bersifat manasuka atau arbiter. Artinya
dalam kasus diskriminasi gender dalam gaji karyawan diatas, nilai 1 bisa kita
gunakan untuk karyawan wanita dan 0 untuk karyawan pria. JiKa teknik variabel
dummy seperti ini maka interpretasi persamaan (6.4).agak sedikit berbeda
yakni:
Namun, dalam kasus ini kita mengharapkan bahwa nilai B1 adalah negatif
sementara pada kasus sebelumnya adalah positif. Dengan demikian dalam
menginterpretasikan model dengan teknik variabel dummy sangat tergantung
bagaimana kita menandai nilai 1 dan 0 dalam variabel independen kua!itatif
3. Kelompok atau kategori dalam variabel dummy yang bernilai 0 merupakan
kategori dasar sebagai kelompok pengontrol. Jadi dalam persamaan (604)
karyawan wanita adalah seba£_Jai kelompok pengontrol sehingga nilai intersep
(13 0 ) dalam persamaan (6.4) merupakan nilai rata-rata dari kelompok pengontrol.
4. Koefisien 13 1 pada variabel dummy disebut koefisien intersep pemheda karena
ini menunjukkan berapa besar perbedaan intersep yang bernilai 1 dengan
intersep dari kelompok pengontrol.
Persoalan yang timbL·: dalam korelasi yang sempurna antar varia bel independen akan dibahas detil
daiam bab I.
120 Bagian Pertama: Dasar-Dasar Regresi
I
[
Korriisi (Y)
I -~
Ji
/ Kc -
/
/
/
/ X· Volume penjualan (X)
/ Kc
/
Dalam gambar 6.4 kita asumsikan bahwa faktor yang mempengaruhi besar
kecilnya komisi hanyalah volume penjualan. Sumbu horisontal menggambarkan volume
penjualan (X) sebagai variabel independen dan sumbu vertikal adalah besarnya komisi c
(Y) sebagai variabel dependen. X* merupakan batas minimal penjualan yang S!
menyebabkan terjadinya perbedaan besarnya komisi penjualan: Besarnya komisi m
. dibawah X* ditunjukkan oleh slope 13 1 sedangkan diatas X* besarnya komisi penjualan S€
sebesar !31 + l32 se
Dilihat dari slopenya, maka peningkatan komisi penjualan dibawah X* relatif pe
kecil dan kemudian komisi penjualan akan m~:::ngalarni peningkatRn d'"astis jika seorang ru1
sales , nampu mencapai hc:tas minimum ~enjualan x·.
Dengan demikian kita du
mempunyai dua garis regresi yang terpisah (piece-wise linear regression) yaitu garis
regresi 1 mununjukkan komisi dibawah batas minimL;n penjualan dan garis regres.i__2
menggambarkan komisi diatas batas minimum. ·
Bagaimana kita mengestimasi kasus regresi yang mempunyai dua segmen
yang berbeda ini? Dengan teknik variabel dummy kita bisa menyelesaikan kasus ini.
Teknik variabel dummy dapat dijelaskan langkah-langkahnya sbb:
(6.34)
Bab 6. Regresi Dengan Variabel Kualitatif 121
Dimana:
y =komisi penjualan
X =volume penjualan
x· =Volume penjualan minimum
Di =ojika X< x·
= 1 jika X> x·
Jika 13 1 dan l32 signifikan melalui uji t maka persamaan (6.34) dapat diartikan sbb:
(6.35)
(6.36)
131rnerupakan slope garis regresi pertama dan l31 + 132 adalah slope garis regresi kedua
sebagaimana ditunjukkan dalam gambar 6.4.
)esar
)\ume
~omisi J Contoh 6.4. Komisi Penjualan - -- .
Sebagai contoh kita ingin menganalisis masalah komisi penjualan bagi sales obat-obat
1
yang
medis kedokteran. Seorang sales jika ingin meningkatkar komisinya paling tidak dalam
l<omisi seb<Jian harus mampu menjual obat-obat medis tersebut de:ngan nilai penjualan minimal
1jualan sebesar Rp 9,5 juta (threshold). Data hipotetis hubungan antara komisi penjualan dan nilai
penjualan obat-obatan medis dapat dilihat dalam tabel 6.2~ Y adalah komisi penjL•alan (ribu
• re\atif rupiah) dan X adalah besarnya nilai penjualan Uuta rupiah) dan 0 merupc.kan variabel
;eorang du'Tlmy.
an k.ita
itu garis Tabel6.2. Data Hi otetis Komisi en·ualan
egresi 2 y 600 700 800 900 ~000 1500 1800 2100 2400 2700
segmen 5 6 7 8 9 10 11 12 13 14
<.asus ini.
(6.34)
',j 1::
-,-
122 Bagian Pertama: Dasar-Dasar Regresi
Hasil regresi menunjukkan bahwa variabel independen yaitu nilai penjualan dan dummy
signifikan pad a a=1 %. Untuk nilai penjualan dibawah Rp 9,5 juta perbulan maka kenaikan
komisi penjualan hanya sebesar 145,4545 ribu rupiah setiap kenaikan penjualan sebesar Rp
1 juta. Karena variabel dummy signifikan maka setiap kenaikan penjualan sebesar Rp 1 juta
diatas threshold akan sebesar 345,4545 ribu rupiah (= 200 + 145,4545). k
lc:
rt
rr
6.5. Perbandingan Dua Regresi: Pendekatan Variabel Dummy tE
Pembahasan teknik variabel Dummy pada pembahasan-pembahasan Vi
sebelumnya hanya terbatas pada ada tic!aknya perbedaan intersep saja. Pada subbab Sl
ini akan kita kembangk:m teknik variabel dummy yang bisa digunakan untuk
mengetahui apakah suatu regresi berbeda tidak hanya intersepnya tapi sekaligus juga
slope atau kemiringan. Dengan kata lain, ·kita bisa menguji apakah 2 atau lebih regresi
berbeda atau tidak dengan menggunakan teknik variabel dummy. Pada pembahasan
D
bab 5 kita sudah juga memperkenalkan uji perubahan struktural dari Chow untuk
mangetahui bahwa ada perbedaan perilaku variabel ekonomi yang diamati. Namun, uji
. Chow hanya ir.gin mengetahui apakah garis regresi berbeda atau tidak tanpa
menganalisis lebih jauh apakah perbedaannya terjad1 pada intersep atau slope saja
atau terjadi perbedaan baik intersep maupun slope.
Untuk menjelaskan perbedaan dua garis regresi ~engan teknik variabe! dummy
ini, misalnya kita ingin menguji apakah terjadi perbedaan perilaku impor me:tsyar~kat
sebelum krisis dan selama krisis. Atar' dengan kata lain kita ir.gin mengetahui apakah
PE
m
terjadi p9rbedaan garis regresi baik dilihat dari perbedaan slope dan atau mtersep
m
sebelum dan selama krisis ekonomi. Model regresi dalam dua periode tersebut dap<..~
PE
ditulis dalam persamaan regresi sbb:
PE
OE
Regresi periode sebelum krisis y; = f3o + fJ1X1r + elt (6.38) in<
Regresi selama p~riode krisis f';=Ao+~Xlr+e2r (6.39) de -
ha
Jika kita melakukan regresi persamaan (6.38) dan (6.39) secara terpisah maka kita
• pu
akan mendapatkan 4 kemungkinan hasil, lihat gambar 6.5, y?.itu:
---
L-
~
~---
-
C:=
::...__:___.
Bab 6. Regresi Dengan Variabel Kualitatif 123
Prosedur teknik variabel dummy ini sama dengan metode Chow yang kita
kembangkan pada bab 5 sebelumnya. Namun teknik variabel ini jauh lebih mudah kita
;lakukan. Tidak seperti langkah yang dikemukakan Chow yang perlu membagi periode
regresi menjadi dua periode yetkni ::;ebelum krisis dan selama krisis dan kemudie:m
~ menggunakan uji statistik F untuk mengetahui apakall garis regresi berbeda, maka
mnW teknik variabel dummy cukup m'elakukan regresi dalam satu periode penelitian. Teknik
e\ 0 U nasa.n variabel dummy untuk mengetahui apakah terdapat perbedaan impor sebelum dan
as 3 n-pemba. bba.h ;elarna krisis dapat ditulis sbb:
. pada su
sa~a. untul<.
diguna\<.a,.ngus iuga ';
. se\<.a I .
r;
= f3o + fJ1 Dt + fJ2X11 + /33 (DIXIt)+ er (6.40)
taP'\ u \eb"h fP.gresl
\1, _,
2 aa embanasan,imana:
. pacta. PcnoW untu~. Yi = impor
ral dan f 1~amun. U~1 Xi = pendapatan nasional (GOP riil)
g diama \da\<. tanP.a O, :.: 0 masa sebelum krisis ek.onomi < 97
ja atau slope sa~~ = 1 masa s3lama krisis ekonomi :2: 97
erseP atau
. ariabBI c'um"'), Sebagaimana pembahasan sebelumnya, untuk mengetahui apakah terjadi
te\<.!"\ 1~ vmas'JaraK~oedaetn inter::,ep 1alam regresi maka kita memasukkan varic:bel dummy ke dalam
1111 01
\\a'c<.U p etanui a1 1 a\<.~del di dalam persamaan (6.40). Namun pada pembahasar. sebe1umr~ya kita buru
,g·10 m~n~ atau interserggunakart teknik variabel dummy hanya untuk mengetahui perbedaan intersep.
:;\ope. ~ tersebut daPtanyaan yang muncul, bagaimana teknik variabel dummy bisa menjelaskan
a peno e · bedaan slope. Perbedan slope dengan teknik variabel dummy dapat kita lakukar.
ban cara kita rnelakukan interaksi antara variabel dummy dengan variabal
(6.3rpenden. lnteraksi ini dilakukan dengan cara mengalikan data variabel independen
(6 .1Jan variabel dumrny. Jika variabel independennya lebih dari satu maka kita juga
1s mengalikan variabel dummy dengan semua variabel independen ya:~g kita
t- e11 (,ai.
terpisan ma\<.a
secara
I
'Jaitu·.
__ ;,_,;;;i.r0;:;;:-.. -. _
wd&·-- tfWri&iHYMb·e-
.. ·-
[ I·
124 Bagian Pertama: Dasar-Dasar Regresi
n
k
lmpor lmpor b
GOP GDP
(a) Regresi yang sama (b) regresi berbeda intersep
lmpor lmpor
GOP GDP
(c) regresi berbed::t slope,. (d) regresi berbeda intersep dan slope
Jika parameter estimasi B1 dan BJ signifikan secara statistik melalui uji t, r.1aka
kita akar. menolak hipotesis nul tidak adanya perbedaan perilaku impor sebelum dan
selama krisis ekoriomi. Dengan kata lain, garis regresi berbeda sebelum krisis dan
selama. krisis baik dalam hal intersep r.1aupun slopenya. Oleh !<:arena itu, inteprestasi
dari teknik variabel dummy sbb:
Dilihat dari nilai t hitung, varibel pembeda intersep yakni 097 signifikan pada a.=10%
sedangkan variabel pembeda slope D97X1 tidak signifikan. Krisis tidak menyebabkan adanya
perbedaan slope hanya pada intersep.
-·-
_,_
126 Bagian Pertama: Dasar-Dasar Regresi
(1)
1
Dimana: Y =pengeluaran mahasiswa (ribuan Rp)
X =uang kiriman mahasiswa (ribuan Rp) ~I -
01 = 1 jika warllta
= 0 jika pria.
Tampilan 1
Dependent Variable: Y
Method: Least Squares
Date: OBAJ7104 Time: 20:50
Sample: 1 16
Included obse!Vations: 16
(2)
t=
~
~
,-'-
Bab 6. Regresi Dengan Variabel Kualitatif 12 7
dimana:
y =adalah impor Indonesia harga CIF
X = GOP riil tahun dasar 1993
D = 0 periode < 1997
=1 periode ~ 1997
Hasil Tampilan di Eviews sbb:
Tampilan 2
\
Dependent Variable: Y
Method: Least Squares
Date: 08107104 Time: 21: 15
Sample: 1980 2002
Included observations: 23
(3)
~-
~ ~
~
;
~--
EL---
128 Bagian Pertama: Dasar-Dasar Regresi
Tampilan 3
Dependent Variable: Y
Method: Least Squares
Date: 08/07104 Time: 21 :08
Sample: 1 16
Included observations: 16
Dependent Variable: Y b;
· Method: Least Squares
Date: C51118104 Time: 03:53 rr
Sample: 1980 2002 dt
Included observations: 23
hi
Variable Coefficient Std. Error !-Statistic Pro b. m
c -9564.941 2949.229 -3.243200 0.0043 m
X 0.116476 :::J.O'ID8ll4 10.78028 0.0000
E:
097 -40994.20 27896.26 -1.469523 0.1581
097'*X 0.086451 0.069375 1.246150 0.2279 yc.
R-squared 0.895704 Mean dependent var 23557.04 81
Adjusted R-squared
S.f:. of regression
D 879236
3646.854
S.D. dependent var
Akaike info criterion
10494.20
19;39789
aL
Sum squared resid 2.53E-t08 Schwarz criterion 19.59537 jik
Log likelihood -219.0757 F-statistic 54.39104 te
Durbin-Watson stat 0.783287 Prob(F-statistic) 0.000000
be.
mt
BAGIAN KEDUA
IVI~~ti31UJIII~ A\'IU~\~11 t()IL§
Di bagian pertama buku ini telah dijelaskan bagaimana metode OLS dengan
asumsi asumsi tertentu menghasilkan estimator yang linier tidak bias dengan varian
yang minimum (Best Linear Unbiased Estimator= BLUE). Oieh karena itu, metode OLS
yang menghasilkan estimator yang BLUE pada bagian pertama buku ini sangat
tergantung dari apakah model regresi yang kita gunakan memenuhi asumsi-asumsi
tersebut. Pada bagian kedua buku ini membahas bagaimana cara niendeteksi asumsi-
asumsi OLS. Ada tiga asumsi yang dibahas meliputi: (1) uji asumsi berkaitan dengan
masalah adanya hubungan antara variabel independen di dalam regresi berganda
(multikolinieritas); (2) uji adanya varian residual yang · tidak konstan (heteros-
kedastisitas); dan (3) uji adanya hubungan residual antara satu observasi dengan
observasi yang lain (autokorelasi). Setelah uji asumsi OLS maka pembahasan
selanjutnya berkaitan dengall bagaimana mengatasi model yang tidak memenuhi
ketiga asumsi-asumsi tersebut.
Bab 7 membahas masalah multikolinieritas di dalam regresi berganda dan
bagaimana mendeteksi masalah multikolinieritas. Adanya multikolinierit.as masih
·menghasilkan e~timator yang BLUE sehingga mengatasi masalah ini bisa tanpa atau
dengan perbaikan mode! regresi. Bab 8 selanjutnya mernbahas masalah
heteroskedastisitas dan cara mendeteksi masalah tersebut. Jika model mengandung
masalah heteroskedastisitas maka estimator tidak lagi mempunyai varian yang
minimun 1 Leta pi masih estifTlator yang !inier dan tidak bias (Linear Unbiased
=
Estiarnator LUE). Bagian terakh,r bab 8 akan menjelaskan perbaikan model regresi
yang mengandung unsur hetercskedastisitas agar estimator yang kita dapatkan bersifat
BLUE kembali. B..:b terakhir dari bagian kedua buku ini membahas masalah
autokorelasi dan cara mendeteksi masalah autokorelasi. Seperti heteroskedastisitas,
jika model regresi mengandurig autokorelasi maka estimator masih linier dan tidak bias
tetapi tidak lagi estimator mempunyai varian yang minimum. Oleh kareila itu, pada
bagian akhir bab 9 akan rnenjelaskan bagaimana mengatasi model regresi yang
mengandung unsur autokorelasi sehingga menghasilkan estimator yang BLUE.
129
~-
tz_____
"·
~
~
.,.--
~
-!:~
•-
Sengaja dikosongkan untuk catatan Anda
!!!!!!!!
dig
indt
der
mel
ken
terp
bag
hub
bag
7.1
anta
men
bahv
yang
pend
teori
regrE
dima1
persa -
variat
130
~
~----
Bah 7
MULTIKOLINIERITAS
Dalam pembahasan regresi berganda pada bab 5, salah satu asumsi yang
digunakan dalam metode OLS adalah tidak ada hubungan linier antara variabel
independen. Adanya hubungan antara variabel independen dalam satu regresi disebut
dengan multikolinieritas. Dalam bab ini akan membahas apakah suatu model regresi
memenuhi asumsi tidak adanya multikonnieritas. Pembahasan akan di'mulai dengan
kenapa terjadi hubungan linier antar variabel independen. Jika asumsi tersebut tidak
terpenuhi apa konsekuensinya terhadap estimator dari metode OLS. Selanjutnya
bagaimana kita bisa mendeteksi bahwa model regresi berganda mengandung
hubungan linier antara variabel independen. Pada bagian terkahir bab ini akan dibahas
bagaimana mengatasi masalah multikolinieritas.
131
'.
I.
(perfect) dan hubungan linier yang kurang sempurna (impetfect). Pertanyaan yang- dil!
muncul, apa i<onsekuensinya terhadap estimator OLS jika terjadi hubungan antara
be ··
variabel independen di dalam suatu model?
Jika dua variabel independen antara pendapatan dan kekayaan sebagaimana da
dalam persamaan (7 .1) terjadi maka kita masih bisa menggunakan metode OLS untuk ko ,.
mengestimasi koefisien dalam persamaan tersebut dalam mendapatkan estimator yang 2
tidak bias, linier dan mempunyai varian yang minimum (BLUE). Estimator yang BLUE 'i2 -
_tidak memerlukan asumsi terbebas dari masalah multikolinieritas. Estimator BLUE
hanya berhubungan dengan asumsi tentang residual. Ada dua asumsi penting tentang sta
residual yang akan mempengaruhi sifat dari estimator yang BLUE. Pertama, varian dari jikc:
residual adalah tetap atau konstan (homoskedastisitas). Kedua, tidak adanya korelasi rna :--c
atau hubungan antara residual satu observasi dengan residual observasi yang lain atau
sering disebut tidak ada masalah autokorelasi. Jika residual tidak memenuhi kedua
asumsi residual tersebut maka estimator yang kita dapatkan dalam metode OLS tidak
lagi mengandung sifat BLUE. 1
Adanya multikolinierltas masih menghasilkan estimator yang BLUE, tetapi
menyebabkan suatu model mempunyai varian yang besar. Untuk membuktikan bahwa
adanya multikolinieritas menyebabkan adanya varian yang besar, kita tampilkan
kembali varian model regresi berganda sebagairnana pada bab 5. Varian dan standard
~ ~
(7.2) 7.2
·den!
(7.3) mod
mod
mod
(7.4) mas,
7.2.
(7.5)
koefi
(7.6) inde~
berdl
2
Pembahasan apakah model mengandung unsur homoskedastisitas maupun tidal< adanya G
autokorelasi C!kan dibahas masing-masing pada bab 8 dan 9.
'"
~,-,-
g;.________
_,.,_
;;::;;;:
,..____
---_
,--
Bab 7. Multikolinieritas 133
dimana r1; merupakan korelasi antara variabel independen X 1 dan X 2 dalam regresi
berganda. Dari persamaan (7.2) dan (7.4) tersebut jelas bahwa jika korelasi antara X 1
dan X2 mendekati angka 1 maka varian dari /31 dan /3 2 terus akan menaik dan jika
korelasi r1; = 1 maka varaian menjadi tidak terhingga (infinite). Begitu pula jika korelasi
r1; nilainya mendekati 1 maka kovarian antara /3
dan 2 juga terus menaik.
1 /3
Katena varian terus naik atau membesar jika ada multikolinieritas maka
/J /3
standard error 1 dan 2 juga besar. Oleh karena itu, dampak adanya multikolinieritas
jika kita menggunakan teknik estimasi dengan metode kuadarat terkecil (OLS) tetapi
masih mempertahankan asumsi lain adalah sbb:
2
Gujaratl, N. Damodar, Basic Econometrics, Ibid, p. 359
__
,
134 Bagian Kedua: Pengujian Asumsi OLS
secara secara bersama-sama mempengaruhi variabel dependen. Dalam hal inl terjadi 7.: I
suatu kontradiktif dimana berdasarkan uji t secara individual variabel independen tidak
berpengaruh terhadap variabel dependen, namun secara bersama-sama variabel hul
independen mempengaruhi variabel dependen. kite:
var
kor ~~
Contoh 7.1.Regresi Pendapatan dan Kekayaan Terhadap Tabungan mo ,
Kita ingin menganalisis masalah hubungan tabungan dengan pendapatan dan kekayaan
seperti dalam persamaan (7.1 ). Misalnya kita mempunyai data hipotetis besarnya tabungan,
me
pendapatan dan kekayaan pad a 10 rumah tangga , lihat Tabel 7 .1. dipl
kor·
T a be I 7 1 D ata h.1pote f1s T a bungan, p en d apa an dan Ke k ayaan kec
Rumah Tangga Tabungan(Y) Pendapatan (X 1) Kel<ayaan (X2) ber
Juta Per bulan Juta Per bulan Juta
1 0,5 2 20
2 0,65 2,25 25
3 0,6 2,6 35
4 0,9 2,85 42
5 0,8 3,1 48
6 1,0 3,2 50
7 1,2 3,7 59
8 1 'w-~ I 4,1 65
9 1,1 4,2 70 dil
10 1,6 I 4,5 76 {CI
pr•
Hasilnya regresinya sbb: ak
~
Variabel pe. 1dapatan berpengaruh ::>ositif sesuai teori se:dangl;~m kekayaan berpengaruh
L
nE:gatif tidak sesuai dengan teori. Kedua varic:~bel tidak slgnifikan melalui uji t dan uji statist;-~
F signifikan pada a=1 %. Artinya, walaupun secara individual tidak signifikan, tetapi kedua
variabel secara bersama-sama berpengaruh terhadap tabungan. Nilai koefisien determinasi
sebesar 0,8895 yang berarti model tersebut mampu menje!askan dengan baik perilaku
tabungan. Dengan demikian, kita menduga terjadi masalah multikolineritas di dalam regresi.
3
Bab 7. Multikolinieritas 135
(7.8)
dimana: Y= nilai ekspor karet Indonesia Uuta US$);X 1 = harga karet di pasar internasional
(cent/Pound); X 2 = jumlah produksi karet Indonesia (ribuan ton); X3 = shock atau gejolak
produksi (ribuan ton) yang merupakan perbeL!aan antara trend produksi dan produksi
aktualnya
Harga karet dan jumlah produksi diharapkan berhubungan positif dengan ekspor. Shock
produl<s: mcn~njukkan perbcdaan antara produksi al<cual dan trendnya dan diharapkaA
bertanda negatif. Diduga ada hubungan yang erat antara variabel independen produksi dan
gejolak produksi. Hasilnya regresinya sbb:
3
D. E. Farrar and R.R. Glauber, "Multicollinierity in Regression Analysis: The Problem Revisited,"
Review of Economics anc! Statistics, Vol. 49, 1967, pp.92-107
136 Bagian Kedua: Pengujian Asumsi OLS
;;;;;;;
SE
Contoh 7 .2. Lanjutan ni
Jika deteksi masalah mutlikolinieritas hanya dengan melihat nilai R2 dan uji signifikansi ,.
melalui uji t maka tampak sekilas bahwa masalah multikolineritas tidak terdapat dalam model bi
karena semua koefisien secara statistik adalah signifikan dengan koefisien determinasi (R2 )
hi ,_,
sebesar 0,6610. Bagaimana dengan deteksi koefisien korelasi antar variabel independen?
kE :--
y~
Nilai koefislen korelasi dapat dilihat dalam tabel 7.2. Korelasi antara lnX 1 dengan lnX 2
sebesar -0,1859, korelasi antara lnX1 dengan lnX3 sebesar 0,2471 dan korelasi antara lnX 2 S•
dengan lnX3 sebesar 0,4549. 1\tlelihat .rendahnya nilai koefisien korelasi maka diduga tidak lir
terdapat masalah multikolinieritas. h<
m
Tabel 7.2. Nilai koefisien korelasi antar variabel independen harga karet di pasar SE
internasionalln(X,), produksi karet ln(X 2 ) dan gelojak produksi ln(X 3)
r-
tf
;.-::=;
~
~
'
,·:----
~-------
Bab 7. Multikolinieritas 137
setiap variabel independen Xi dengan sisa variabel independen X yang lain sedangkan
nilai kritis dari distribusi F didasarkan pada derajat kebebasan k -2 dan n- k +1.
Keputusan ada tidaknya unsur multikolineritas dalam model ini sebagaimana
biasanya adalah dengan membandingkan nilai hitung F dengan nilai kritis F. Jika nilai
hitung F lebih besar dari nilai kritis F dengan tingkat signifikansi a dan derajat
kebebasan tertentu maka dapat disimpulkan model mengandung unsur multikolinieritas
yakni terdapat hubungan linier antara satu varia bel X dengan varia bel X yang lain.
Sebaliknya jika nilai hitung F lebih kecil dari nilai kritis F maka tidak terdapat hubungan
linier antara satu variabel X dengan variabel X yang lain. Untuk melakukan uji ini kita
harus melakukan regresi auxiliary berkali-kali. Misalnya jika model yang kita punyai
mempunyai tiga variabel independen maka kita harus melakukan regresi auxiliary
sebanyak tiga kali dan kemudian kita dapatkan nilai F hitungnya.
r--
-
~
~- .. ·
~~-
Bab 7. Multikolinieritas 139
0,6610. Karena semua koefisien determinasi regresi auxiliary lebih kecil dari koefisien
determinasi regresi asli maka tidak terdapat rnasalah multikolinieritas.
L .
b-----
_, __
'-
~----
.._______
=-
-~---
-
!:::___
,.
-',-
l--,
de:
(7.17) m
dirnana:
y =tabungan
x, ~pendapatan dil
x2 =kekayaan
Vc
Pad a persamaan (7 .17) tersebut merupakan perilaku tabungan pad a peri ode t,
sedangkan perilaku tabungan pada perio~e sebelumnya t-1 sbb:
(7.18)
KE
:·-
· Jika kita mengurangi persamaan (7.17) dengan persamaan (7.18) akan menghasilkan X-<
persamaan sbb: PE
m'
(7.19)
ka
m'
(7.20) m;
de
dimana v, =e
1- e,_,
a--
~
~
.--
;;____
Bab 7. Multikolinleritas 141
(7.21)
Ketika kita menambah jumlah data karena ada masalah multikolinieritas antara X 1 dan
X2 maka L.x~ akan menaik sehingga menyebabk;:-n varian dari 1 akan mGngalamifl
penurunan. Jika varian mengalami penurunan maka otomatis standard error juga akan
mengalami penurunan sehingga kita akan mampu mengestimasi {31 1ebih tepat. Dengan
kata lain, jika multikolinieritas menyebabkan variabel independe.l tidak signifikan
mempengaruhi variabel depend,::,:l melolu! uji t maka der.gan penambah2:1 jumiah data
maka sekarang variaiJel independen menjadi signifi~an mempengaruhi variabel
dependen.
5
Penjelasan secara detil kenapa model transformasi variabel menimbulkan masalah autokorelasi akan
dibahas pad a bab 9.
142 Bagian Kedua: Pengujian Asumsi OLS
LAMPIRAN BAB 7
Lampiran 7.1. Nilai Ekspor, Harga, Jumlah Produksi dan Gejolak Produksi Karet 1980-
2001
.
Tahun Nilai Ekspor kare·( Harga karet Jumlah Produksi Gejolak Produksi
Guta US$) (cent/Pound) karet (ribuan ton)
_(ribuan ton)_
1980 1165,3 73,43 634 970,1
1981 828,2 56,97 643 943,1
1982 602,1 45,26 692 887,4
1983 843,5 56,14 994 982,1
1984. 948,6 49,56 1076 1029,1
1985 716,6 41,77 1i31 1054,6
1986 71 ~.5 41,18 1655 1095,3
1987 957,8 44,08 1652 1141,3
1988 1243,1 48,81 1729 1173,3
1989 1007,6 48,7 1805 1180,2
1990 846,9 50,17 1901 1228,7
1991 1056,6 47,63 1992 <
1301,5
1992 1036,7 46,67 2062 1365,4
1993 9l6,8 47,34 2110 1437
1994 1271,8 48,93 2200 1464,5
1995 1962,8 56,65 2308 1532,1
1996
1997
1918
1481
54,83
47,44
I 2383
4650
1527,7
1505
1998 1101,5 46,61 8025 1714
1999 849,1 45,31 7100 1500
2000
2001
888,6
786.2
47,36
48,88
9595
10400
1547,9
15-17,3 I
Sumber: BPS,berbagai tahun penerhitan
1
,.,..----
~~
-~-
i:: .......
~--
1-
Bab 7. Multikolinieritas 143
Pada bab 7, salah satu metoda deteksi masalah multikolinieritas adalah uji
korelasi antara variabel independen secara individual dengan mengambil contoh model
regresi ekspor karet Indonesia periode 1980-2001 dengan pendekatan sisi penawaran.
Modelnya asbb:
=
dimana:Y= ni!ai ekspor karet Indonesia ijuta LIS$); X 1 harga karet di pasar
=
internasional (cent/Pound); X2 jumlah produksi karat Indonesia (ribuan ton); X3:: shock
atau gejolak produksi (ribuan ton}
Untuk menguji multikclinieritas persamaan (1) maka langkah pertama yang harus kita
lakukan adalah membuat filekerja, llhat Tampllan 1 berikut ini:
F--
"'--
~- _
------
~- -
,,
-:
•-
144 Bagian Kedua: Pengujian Asumsi OLS
Tampilan 3
ba
ko
de
ya1
yar
kor
het
het
ma
;;._.·
.... ·'.
8.1
mer
mer
mer
dala
oen!
(hon
3nta
da!a!
dari
modt
keny
heter
secth -
akan
Bab8
HETEROSKEDASTISIT AS
145
146 Bagian Kedua: Pengujian Asumsi OLS
mempunyai varian residual yang besar sebaliknya perusahaan yang kecil kemungkinan
akan mempunyai varian residual yang kecil karena penjualan perusahaan yang besar
lebih fluktuatif daripada penjualan perusahaan yang kecil. Contoh lain hubungan antara
pendapatan dan pengeluaran konsumsi rumah tangga. Pengeluaran konsumsi rumah
-,-
tangga kelompok kaya akan lebih fluktuatif daripada P!3ngeluaran rumah tangga
kelompok miskin. Heteroskedastisitas dengan demikian akan sering ditemui dalarr. data
cross section. Sementara itu data time series jarang mengandung unsur
heteroskedastisitas. 1 Hal ini terjadi karena ketika menganalisis perilaku data yang sama
dari waktu ke waktu fluktuasinya akan relatif stabil. 2
Apa konsekuensinya jika ada masalah heteroskedastisitas dan kita tetap
mempertahankan asumsi metode kuadarat terkecil (OLS) lain? Akankah kita akan
menghasilkan estimator yang Best Linear Unbiased Estimator (BLUE) atau tidak? Jika
kita mempunyai model regresi linier dengan heteroskedastisitas dan kita masih
mempertahankan asumsi yang lain maka jika kita tetap menggunakan metode OLS
maka estimator dari /31 sbb:
(8.1)
/3
dc;~lam persamaan (8.1) terse but estimator 1 adalah bersifat linier dan tidak bias, lihat
kembali penje!asan hal ini pada lampiran 3. Namun, bila varian residual rr1engandung
unsur heteroskedastisitas rnaka variannya sbb:
~ "L..Jx.2 u.2 ~
var(/31) = -,_, ' T
2
(8.2} t
(L..,x;)
h
n
semontara itu varian OLS tanpa masalah heteroskedastisitas ada~ah sbb: d
8
(8.3)
he
re,
po
01 dalam data time series residualnya diduga akan saling berhubungan antara satu observasi dengan
observasllainnya (autokorelasi). Masalah ini akan dibahas pada bab 9.
he
Dugaan jarang terjadinya masalah heteroskedastisitas pada data time serias telah dibongkar oleh
R.Engle dan kemudian mengembangkan model Autoregressive Conditional Heteroscedasticity ak;
(ARCH). Model ARCH ini akan dibahas pada topik ekonometrika Time Series pada bab 15 di bagian (X)
keempat buku ini:
Bab 8. Heteroskedastisitas . 147
/3
Dengan demikian estimator 1 tidak lagi mempunyai varian yang minimum jika kita
menggunakan metode OLS. Bukti tidak adanya varian yang minimum bisa dilihat dalam
/3
Lampiran 8.1. Oleh karena itu estimator 1 yang kita dapatkan akan mempunyai
karakteristik sbb:
I;; --
i .
..____
~
&n
-'~
1.:
148 Bagian Kedua: Pengujian Asumsi OLS
lebih dari satu variabel independen maka kita bisa juga mengetahui masalah
heteroskedastisitas ini dengan metode grafik. Kita bisa membuat sketergram antara (
residual kuadrat dengan setiap variabel independen atau dengan nilai prediksi variabel r
dependen atau dengan variabel waktu. il
X2 vs. RESIDUALKUADRAT
dil
80
Kc:
60 re:
lar
40
20 - Ke 1
(p)
tidE
0
0.00 (\.02 0.04 0.06
· indt
uns
RESIDUALKiJADRAT ind~
Grafik L.1 Sketergram residual kuadrat dangan variabel independen kekaya3n ()<. 2)
3
F
p
Bab 8. Heteroskedastlsltas 149
3
dikembangkan oleh Park . Menurut Park, varian residual yang tidak konstan atau
masalah heteroskedastlsitas muncul karena residual ini tergantung dari variabel
independen yang ada di dalam model. Menurutnya bentuk fungsi residual adalah sbb:
(8.4)
Persamaan (8.4.) merupakan model sederhana dengan satu variabel independen. Kita
bisa menggunakan untuk model yang mempunyai lebih satu variabel independen.
Dalam bentuk transformasi logaritma, persamaan (8.4) dapat ditulis sbb:
In o- ~
I
= In o- 2 + f3 In X. + u.
I I
(8.5)
(8.6)
1. melakukan regresi terhadap morel yang ada denga11 rnetode OLS dan
'<emudian mendapatkan resldualilya
2. Seianjutnya adalah melakukan regresi terhadap residual kuadrat sebagaimana
pada persamaan (8.6)
3. Jika nilai statistik t hitung lebih kecil dari nilai kritis tabel t maka tidak ada
masalah heteroskedastisitas dan jika sebaliknya maka mengandung masalah
heteroskedastisitas ·
3
R.E.Park," Estimation with Heteroscedastic Error Terms," Econometrica, Vol. 34, No.4, October 1966,
pp.888
IT-
~
~ _- --
~
)...:. _____:_
~-=-=
150 Bagian Kedua: Pengujian Asumsi OLS
Indonesia dengan ISIC 3 digit pada Tahun 1993. Kita menduga bahwa hasil regresi t
mempunyai varian residual yang tidak konstan karena data yang kita gunakan adalah data ~ '-
cross section. Ada 30 jenis industri dan masing-masing jenis industri tentu mempunyai skala
yang berbeda-beda sehingga tingkat penyerapan tenaga kerja juga berbeda-beda. Model
yang digunakan model regresi sederhana dimana penyerapan tenaga kerja hanya
dipengaruhi oleh output yang dihasilkan (skala produksi). Data jumlah tenaga kerja dan
output industri ISIC 3 digit dapat dilihat dalam Lampiran. Model regresinya dapat ditulis sbb:
(8.7)
Dimana Yi= penyerapan tenaga kerja di sektor industri ISIC 3 digit (orang); Xi = Output yang
dihasi!kan sektor industri ISIC 3 digit. Hasil regresinya sbb:
Pe;samaan regresi (8.8) memberi informasi bahwa output berpengaruh positif terhadap
penyerapan tenaga kerja dengan tingkat slgnifikansi a=1% melalui uji satu sisi. Setelah kita ~
melakukan regresi dan kita dapatkan residualnya, maka seianjutnya kita melakukan regresi s
residual kuadrat terhadap variabel :ndependen X sebagaimana disarankan oleh Park pada h
persamaan (8.6). Hasilnya sbb: n .
n
lne 7 =-4,6174+1,1718lnX (8.9)
t (-0,9804) (4,9555)
R
2
=0,4672
8.:
Hasil regresi mar.unjukkan bahwa varlab~l independen X secara sec3ra sta~istik signifikan
mempengaruhi residual kuadiat pada a-=i %. Kesimpulannya hasi! regresi menganciung
bal
masalah heteroskedastisitas.
me
m€
m€
mE
·"
r;---
~
~
~
~
~~ -~-~~-
Bab 8. Heteroskedastisitas 151
,.,..,,..,....,"""""""""'""""'"""""""""'""'~~-""'~-..."'<1-.~'!"~~t ........~~~~
4
H. Glejser, "A New Tf;::;i for Heteroscedasticity," Journal of tho knerican Statistical Assnc:irJJi("Jn," Vol.
64, 1969, pp.316-323
152 Bagian Kedua: Pengujian Asumsi OLS
;;;;;;;
Varia bel independen X pad a persamaan (8.18) maupun (8.1 G) secara statistik signifikan
pada o:=1 %. Berdasarkan dua metode deteksi yang disarankan oleh Glejser tersebut hasil
regresi mengandung masalah hetemskedastisitas menr:lukung metode Park sebelum11ya.
Bab 8. Heteroskedastisitas 153
Metode Park dan Glejser merupakan metode sederhana dan mudah dilakukan.
Namun kedua model mengandung kelemahan yakni berkaitan dengan masalah
residual V; di dalam persamaan {8.6) dan {8.12). Residual v; kemungkinan tidak
memenuhi asumsi metode OLS. Residual vi kemungkinan mengandung
r--
heteroskedastisitas. Oleh karena itu kemudian muncullah beberapa metode deteksi
masalah heteroskedastisitas. Walaupun kedua model .mengandung kelemahan, kita
bisa menggunakan kedua metode tersebut utuk menguji heteroskedastisitas.
rs = 1-6[ Id
, ' ] (8.20)
n(n- -1)
dimana d adalah perbedaan rank antara residual (e;) dengan variabel independen X
dan n adalah jumlah observasi. Metode deteksi heteroskedastisitas dengan korelasi
Spearman ini dapat kita jelaskail dengan rnenggunakan model regresi sederhana sbb:
(8.21)
1. kita melakukan regresi perss:naan {8.21) tersebut dan kemudian kita dapa!kan
residualnya
2. cari nilai absolut residual dan kerT"Jdian diranking darl ni!ai yang paling besar
ataupun di ranking dari nilai yang paling kecil. Lakuk,an hal yang sama untuk
variabel independen X. Setelah keduanya di ranking m2ka selanjutnya adalah
mencari korelasi spearman seperti dalam persamaan (8.20)
3. Diasumsikan bahwa kcefisien korelasi dari rank popu!asi Ps adalah nol dan n >8, ·
signifikansi dari sampel rank korelasi Spearman rs dapat diuji dengan
menggunakan uji t. Nilai statistik t hitung dapat dicari dengan menggunakari
formula sbb:
154 Bagian Kedua: Pengujian Asumsi OLS
,---
rs-.Jn -2
t = (8.22)
~1- rsz
dengan df sebesar n-2
4. jika nilai t hitung lebih besar dari nilai kritis tabel t maka kita bisa menyimpulkan
bahwa regresi mengandung masalah heteroskedastisitas dan sebaliknya maka
tidak ada heteroskedastisitas
Sebagai catatan untuk detel<si dengan metode korelasi Spearman ini yaitu jika kita
mempunyai regresi berganda misalnya dengan dua variabel independen maka kita
harus menghitung korelasi spearmannya dua kali dan kemudian masing~masing diuji
dengan menggunakan uji t seperti sebelumnya.
I
I
Contoh 8.5. Deteksi Heteroskedastisitas Dengan Metode Spearman
Sebagai contoh deteksi heteroskedastisitas dengan metode Spearman !<ita kembali ke r1 ~
contoh model penyerapan tenaga kerja di sektor industri besar dan sedang tahun 1993,
tetcpi sekarang klasifikasinya menggunakan 2 digit. Menurut klasifikasi dua digit, industri
dapat dikelampokkan menjadi 9 industri, lihat Lampiran bab 8. Karena data yang digunakan
L:
adalah data cross section yang meliputi 9 industri besar dan sedang maka diduga muncul
juga masalah heteroskedastisitas. Data pada Tabel 8.1 merupakan data yang digunakan 8.2
untuk mendeteksi ada tidaknya masalah heteroskedastisitas menurut Spearman.
0 24
D1mana Y= penyerapan tenaga kerJa; X =output yang d1has1lkan dan d = perbedar:m dua
rank antara e dan variabel independen X
dimar
-
s S.
St,
Bab 8. Heteroskedastisitas · 155
24
r -1- 6[ (8.23)
s - 9(81-1) ]
= 0.8
Sedangkan nilc;i t hitung sebesar
Nilai kritis t pad a a= 1%, a=5%, a=1 0% dengan df 7 masing-masing sebesar 2,998; 2,365;
dan 1,895. Nilai t hitung lebih besar dibandingkan dengan nilai kritisnya pada berapun a
sehingga bisa disimpulkan bahwa hasil regresi mengandung masalah heteroskedastisitas.
(8.25)
Misalkan varian residual (cr;) adalah fungsi positif terhadap variabel independen (Xi)
dan dapat ditulis sbb:
S. M. Qoldfeld and R.E. Quandt,"Some Tests for Homoscedasticity." Journal of the American
Statistical society, Vol. 60, 1965, pp.539-547
156 Bagian Kedua: Pengujian Asumsi OLS
--
Dalam persamaan (8.26), a} proporsional terhadap X kuadrat Hal ini berarti bahwa
semakin besar X kuadrat semakin besar (]":. Dengan demikian jika varian residual
terus menaik secara substansial maka diduga masalah heteroskedastisitas ada di
dalam model. Namun jika varian residual hampir sama maka diduga tidak ada masalah
heteroskedastis!tas di dalam model. Metode GcldFeld-Quandt meliputi perhitur.gan dua
regresi. Regresi pertama merupakan kelompok data yang diduga mempunyai varian
residual yang rendah dan regresi kedua berdasarkan data yang diduga mempunyai
varaian residual yang tinggi. Jika varian residual setiap kelompok hampir sama maka
diduga varian residual mempunyai karakterisktik homoskedastisitas. Namun jika varian
residual menunjukkan trend yang menaik maka model mengandung
heteroske~astisitas. Adapun prosedur metode GoldFeld-Quandt sbb:
1. mengurutkan data sesuai dengan nilai X, dimulai dari nilai yang paling kecil
hingga yang paling besar
2. menghilangkan observasi yang ditengah (c). c dipi!ih secara apriori. Menurut
GoldFeld-Quandt c=8 jika n=30 dan c=16 jika n=60. Sedangkan ahli yang lain
menyarankan c=4 jika n=30 dan c= 10 jika n=60. Membagai data yang tersisa
(n-c) menjadi dua kelompok. Kelompok pertama (1) berkaitan dengan data
dengan nilai X yang kecil dan kelompok kedua (2) berhubungan dengan data
dengan nilai X yang besar.
3. Melakukan regresi pada setiap kelompok secara terpisah. Data setiap regresi
terdiri (n-c)/2 dengan degree of freedom [(n-c)/2] -2. Jumlah c harus sekecil
mungkin uintuk menjamin tersedianya degree of freedom sehingga
menghasilkan estimasi yang layak untuk setiap regresi
4. Dapatkan RSS 1 yang l>erhubungan dengan nilai X kecil dan RSS 2 yang
berhubungan dengan niiai X yang besar.
5. Hitung nilai rasio
Tab e I 8..
2 Gc ldF eld - Q uan dt un t u k U"
!jl Heteros ked as f1s1tas
.
No y X y Data X yang
sudah diranking
kc -
Hasil Regresi pada observasi kedua sbb:
hiI
lnY1 = -5754,471+ 0,000275Xi (8.29) da
t = (-0,0878) (3, 7090)
df = 11
11
R2 = 0.555670 RSS 1 = 1,45 x 10
Dari dua hasil regresi diatas kita bisa menghitung nilai statistik F hitung sbb:
11
¢ = 1,45xl0 111 = 17 2414 (8.30)
9
8,41xl0 /ll '
Sedangkan nilai kritis statistik F dengan df sebanyak 11 untuk numerator dan 11 untuk
denurnerator pada a=S% adalah 2,82. Kita menolak hipotesis nul karena nilai F hitung (~)
lebih besar dari r.ilai kritis statistik F. Kesimpulannya hasil regresi mengandung masalah
heteroskedastisitas.
(8.31)
CJ? adalah fungsi dari varia bel nonstokastik Z. Kemudian diasumsikan bahwa
(8.33)
5. Dapatkan ESS (explained sum of squares) dari persamaan (8.35) dan kemudian
dapatkan
¢ =1/2(£SS) (8.36)
Jika residual di dalam persamaan (8.35) terdistribusi normal rnaka Y:z (ESS) akan
meng!kuti distribusi chi-squaie (l) sbb·
(3.37)
Secara umum jika ada varlabel z bGrjumlah m maka <!> akan mengikuti distribusi x2
dengan degree of freedom (m-1 ). Oleh karena itu, jika nilai 4> hitung lebih besar dari nilai
kritis l maka ada heteroskedastisitas. Jika sebaliknya yakni nilai lj> hitung lebih keCil
dari nil3i i<ritis ·l maka tidak ada heteroskedastisitas.
160 Bagian Kedua: Pengujian Asumsi OLS
2.Langkah kedua
a-z = 1,59x1011 = 5 3xl09 (8.39)
30 '
3.Langkah ketiga
Mencari nilai Pi dengan cara membagi setiap residual kuadrat yang kita dapatkan pada
9
langkah pertama dengan 5, 3 x 10
4. Langkah. keempat
Diasumsikan bahwa Pi mempunyai hubungan linier dengan x (=Zi) dan kita dapatkan
regresi antara Pi dan Xi sbb:
,.
, ..
lj
Bab 8. Heteroskedastisitas 161
(8.42)
• Regresi auxiliary tanpa perkalian antar variabel independen (no cross terms)
(8.43)
(8.44)
2 2
n R ~ xdJ (8.45)
4. Jika nildi chi-square hitung (n. R2 ) lebih besar dari nilai l kritis dengan derajat
kepercayaan tertentu (a) maka ada hetaroskedastisitas dan sebaliknya jika chi-
square hitung lebih kecil dari hilai x2 kritis menunjukkan tidak adanya
heteroskedastisitas.
Ji~
Tabel B.~. 1-iasii l.iji White dE:ngan Cress Terms
White Heteroskedasticity Test: pe
F-st3tistic I 0.7160491 Probability l 0.687314
Obs*R-sq~~u_a_re_d______~----~--7_._)2_2_8_5_2I,~_Pr_o_b_a_bi_lit~y--~~------0_._57_2~5-~5~4
2
Nilai koefisien dete.minasi (R ) sebesar 0,1009. Nilai Chi square hitung sebesar 2,3213
diperoleh dari informasi Obs*R-squared yaitu jur1lah observasi dikalikan dengan koefisien
determinasi. Sedangkan nilai kritis chi squares (x') pada a=5%.dengan df sebesar 6 adalah At;
2
12,5916. Karena nilai Chi squares hitung (x ) lebih kecil dari nilai kritis chi squares (x2 ) mal<.a
dapat disimpulkan tidak ada masalah heteroskedastisitas. Tidak adanya heteroskedastisitas
juga bisa dilihat dari nilai probabilitas Chi squares sebesar 0,88791 atau pada a= 88,79%.
Begitu pula uji White dengan cross terms rr.enghasilkan kesimpt..:lan tidak ada masalah
heteroskedastisitas, lihat Tabel 8.4. Nilai Chi square hitung sebesar 7,6229 sedangkan nilai
kritis chi squares<l) pada a= 5%dengan df sebesar 9 adalah 16,9190 10
,-.-
-,-
Bab 8. Heteroskedastisitas 163
Y; flo f3i e;
-=-+-+- (8.47)
cri cr; cri cr;
10
Buku ini tidak membahas metode GLS. Pembahasan secara detil metode GLS bisa dilihat Greene, H.
William. Econometric Analysis, third edition, 1997, New Jersey: Prentice Hall, !Jab 11
~
~-.-~
:-;: - __ -
~. --- ----
164 Bagian Kedua: Pengujian Asumsi OLS
Persamaan (8.38) nierupakan trar.sformasi dari persamaan (8.46). Dari metode Jjk.
transformasi ini kita akan mendapat~an varian residual yang konstan.
lag
(8.49)
= ~E(e;2 ) 2 2 Kar
karena varian residualcr; diketahui dan E(e; ) = cr/ maka
o·.
I dari
=1
Varian dari transformasi residual e; ini sekarang konstan. Ketika kita mengaplikasikan Seb
metode OLS dalam persamaan transformasi (8.48) maka kita akan mempunyai estir
estimator yang BLUE. Namun perlu diingat bahwa estimator pada persamaan awal be!i
yakni persamaan (8.46) tetap tidak BLUE.
den!
8.3.2. Ketika Varian Residuai.Tidak Diketahui (a/) pers
Dalam kenyataannya sulit kita mengetahui besarnya varian residual. Oleh hanJ
karenn itu dikembangkanlah metode penyembuhan yang memberi informasi cukup be bE
untuk mendeteksl varian yang sebcnarnya. Ada beberapa metode yang dapat
digunakan untuk menyembuhkan masalah heteroskedastisitas.
(8.50)
~
_,.,_
--==--~:::--=
~
E:::.:_
~
.....----------
Bab 8. Heteroskedastisitas 165
Jika model mempunyai varian residual yang tidak sama maka varian estimator tidak
lagi efisien, lihat Lampiran bab 8. Varian estimator /J, menjadi:
(8.51) ~~
Karena a} tidak bisa dicari secara langsung maka White mengambil residual kuadrat
dari persamaan (8.51) sebagai proksi dari a; .Kemudian varian estimator /J, sbb:
A
'"'" 2 2
L.X.e.
var(/3, ) = r2 r2 (8.52)
(LX;)
Sebagaimana ditunjukkan oleh White, varian (/31 ) dalam persamaan (8.52) ada!ah
estimator yang konsisten dari varian dalam persamaan (8.51 )'. Ketika sampel
bertambah maka varian persamaan (8.52) akan menjadi varian persamaan (8.51 ).
Prosedur metode White dilakukan dengan mengestimasi persamaan (8.50)
dengan metode OLS, dapatkan residualnya dan menghitung varian berdasarkan
persamaan (8.52). 12 Bagi m<;>del regresi lebih dari satu variabel independen maka kita
harus mencari varian setiap variabel independen. Untuk mengatasi masalah ini,
beberapa program kJmputer seperti Eviews rnenyediakan metode White ini.
12
Selain metode dari White, Newey-West juga memperkenalkan standard error heteroskedastisitas yang
dikoreksi. Pembahasan metode Newey-west diluar pembahasan buku ini, lihat Newey, Whitney and
Kenneth West, "A simple Positive Semi-Definite, Heteroskedasticity and Autocorrelation Consistent
Covariance Matirx," Econometrica, 1987, Vu1.55, pp.703-708
;·_,_ __ - --
~
.
~
~------
166 Bagian Kedua: Pengujian Asumsi OLS
Pers
8.3.2.2. Mengetahui Pola Heteroskedastisitas kita ·
Kelemahan dari metode White adalah estimator yang didapatkan mungkin tidak untu
efisien. Metode lain yang bisa dilakukan adalah dengan mengetahul pola cara
heteroskedastisitas di dalam model. Pola in! bisa diketahui me!alui hubungan antara
varian residual dengan variabel independen. Misalnya kita mempunyai model sbb:
bahv
(8.54)
Kita. asumsikan bahwa pola varian residual dari persamaan (8.54) adalah proporsional
dengan xi sehingga: Kem
sehir
2
var (e; IXJ = E(e; : (8.55)
= a-2X I
~
i<i--.-
;: ~--
~-
=--~ -
Bab 8. Heteroskedastisitas 167
Y Po f3 rv e;
.[X;
X.
= .[X;+
X.
I"\jX; + jX;
X.
I I I
(8.56)
dimana v. = ___!l__
'F.
Sekarang kita bisa membuktikan bahwa varian residual dalam persamaan (8.56) tidak
lagi heteroskedastisitas tetapi homoskedastisitas:
e; Y 1
E(v;)
2
= E ( rv I = -E(e;)
2
. -yX;) X;
2
= 0' karena persamaan (8.55) (8.57)
Persamaan (8.57) tersebut berbeda dengan model persamaan regresi awal. Sekarang
kita tidak lagi mempunyai intersep sehingga kita bisa melakukan regresi tanpa intersep
untuk mengestimasi ~o dan ~1· Kita kemudian bisa mendapatkan regresi awal dengan
cara memgalikan persamaan~(8.56) dengan .[X;.
Selain proporsional dengan variabel independen X, kita bisa mengasumsikan
bahwa pola varian residual adalah proporsional dengan X;2 sehingga:
r;
-=-+-+-
/Jo fJ1 e;
x. I
X.l X.I X.I
1
= fJo X. + j]l + V; (8.59)
I
Kita kemudian dapat membuktikan bahwa varian residual persamaan (8.59) sekarang
bersifat homoskedastisitas yaitu:
----
tt:==
~
~
ff---------
__
~
~
...
168 Bagian Kedua: Pengujian Asumsi OLS
-;·-
'r
'
LAMPIRAN BAB 8
(1)
dengan menggunakan metode OLS maka kita akan menghasilkan estimator /J, sbb:
(2)
karena E(/31 ) = fJ 1 dan kita ingat kembali bahwa /J, = (3 1 + Lk;e; dalam lampiran 3
mai<a
var(/31 ) = E(Lk;eJ
=E(k 12 e 12 +kie~ +···+k~e~ +2k 1k 2e 1e 2 +···+2kn_ 1knen_ 1en) (4)
karena nilai harapan dari E(2k,_ 1kne,_ 1eJ adalah nol karena asumsi tidak ada
autokorelasi maka varian dalam persamaan (3) dapat ditulis sbb:
J:::..._____ _ _
~_____
·-· _-
------
~
~
·:~ ---- - -
_,_
170 Bagian Kedua: Pengujian Asumsi OLS
Sebagaimana pada bab 3 maupun bab 5, jika kita mengasumsikan bahwa residual
mempunyai varian yang sama (homoskedastisitas) dan tidak saling berhubungan atau
tidak ada kotelasi serial maka varian estimator /3
1 adalah sbb:
(6)
namun jika varian adalah tidak sama pada setiap observasi maka varian estimator {31
adalah sbb:
2 2
var(/31) = E(k1e1 + kiei + · · · + k;e~) (7)
karena k; =
x.
""I
2
~X;
adalah konstanta maka
~
(8) s
(9)
'
Karena k ; =- "\~
X;
2
- rna k a
~X;
,........ 2 2
~ ~x. CJ.
var(/31) =
(
L X;) I 2 12 (10)
varian persamaan (1 0) ini berbeda der.gan varian OLS dalam persamaan (6) yang
mengandung unsur homoskedastisitas. Varian residual yang mengandung masalah
heteroskedastisitas oleh karena itu tidak lagi menunjukkan adanya varian yang
minimum (no longer best).
co
~ --
-
----~--
E-------------
F----
Bab 8. Heteroskedastisitas 171
Lampi ran 8.2 Data Jumlah tenaga kerja dan Output yang dihasilkan lndustri ISIC 2
/ Digit Tahun 1993
;.:----
6----
·~ -- ~
~
~~-~
~-- --
172 Bagian Kedua: Pengujian Asumsi OLS
Lampiran 8.3. Data Jumlah tenaga kerja dan Output yang dihasilkan lndustri ISIC
3 digit Tahun 1993
Klasifikasi lndustri Besar dan Sedang ISIC 3 digit Jumlah Tenaga Jumlah Output
kerja yang dihasilkan 1.
(orang) (rupiah) Pac i"
311 Makanan 369248 18740153851 ten; -
312 Makanan 143493 3488229886 ten;
313 Minuman 21127 829310486
314 Pengolahan Tembakau Dan Bumbu Rokok 184304 8215641238
321 Tekstil 580519 14182392561
322 Pakaian Jadi, Kecuali Ales Kaki 350039 6300671710
323 Kulit Dan Barang Dari Kulit 23296 510143485 Dirr
324 Alas Kaki 230901 4415114453 yan
331 Kayu, Bambu, Rotan, Rumput 378093 11626808024 •
332 Perabotan Dan Perlengkapan Rumah Tangga 123428 1420820377
341 Kertas,Barang Dari Kertas 74060 3663693185
342 Percetakan Dan Penerbitan 48757 1287837008
351 Bahan Kimia lndustii 60112 5637636226
352 Kimia Lain 100194 5433798845
354 Barang barang hasil kilang minyak burni dan batubara 772 49824840
355 Karet dan barang-barang dari karet 121505 3557350068
356 Barang Plastik 119574 2779130487
361 Porselin 38691 803480230
362 Gelas dan barang-barang dari gelas 20121 878305620
363 Semen, kapur dan barang barang dari semen dan kapur 42102 2292618803
364 Pengola:1an tanah liat 29226 123058917
369 Barang galian lain bukan logam 18222 419136783
371 Logam dasar besi dan baja 31465 6163470615
372 Logam dasar bukan besi 12047 1241100474
381 Barang dari logam kecuali mesin dan peralatannya 117748 3821375468
382 Mesin dan perlengkapannya kecuali mesin listrik . 36158 1522240396
Mesin, peralatan dan p~7rlengkapan listrik serta bahan ~07172 5689820639
keperluan listrik
100226 6495988172
E
Atat angkutsn
5 Peralatan profesional, ilmu pengetahuan, pengukuran 6278 199307084
dan pengatur
0 Pengolahan lainnya 70500 1043723314
Sumber: BPS, Stat1st1k lndustn Besar dan Sedang Tahun 1993
•
i
i
[ '
Bab 8. Heteroskedastisitas 173
(1)
Dimana Y;= penyerapan tenaga kerja di sektor industri ISIC 3 digit (orang); X;= Output
yang dihasilkan di sektor !ndustri ISIC 3 digit (rupiah).
• Pad a Uji Park, langkah pertama adalah mengestimasi persamaan (1) dan
mendapatkan residualnya. Lalu residual kuadrat diregresi dengan variabel
independen X dalam bentuk logaritma natural. Silahkan pembaca mencoba sendiri.
Namun demikian, kita perlu menjelaskan bagaimana membuat variabel residual
kuadrat. Misalnya nama residual adalah RES dan residual kuadratnya adalah
RES2. RES2 ini dapat dibentuk dengan ca1a Generate Equation ketik persamaan:
RES2= RES"2
Hasil regresi metode Park ditampilan sbb:
Tampilan1
Dependent Variable: LOG(RES2)
--
Method: Lr:.ast Squares
Date: 08100/04 Time: 06:44
Sample: 1 30
Included observations: 30
- -
Variable Coefficient Std. Error !-Statistic Pro b.
• Pada uji Glejser, langkahnya seperti dalam park kecuali bahwa uji
heteroskedastisitasnya adala:, nilai absolut residual diregresi dengan variabel
independen X. Untuk mendapatkan nilai absolut residual, misalnya namanya
ABSRES maka kita generate equation sbb:
ABSRES= ABS(RES)
Dimana abs= absolute. Hasil regresi metode G!ejser ditampilkan sbb:
174 Bagian Kedua: Pengujian Asumsi OLS
1
Tampilan 2
Dependent Variable: A!:ISRES
Method: Least Squares ·
Date: OB/08104 Time: 06:54
Sample: 1 30
Included observations: 30
Hasil regresi dengan cross terms dapat dilihat dalam tampilan berikut ini:
Bab 8. Heteroskedastisitas 175
Tamp•"I an 4
White Heteroskedasticity Test:
Test Equation:
Dependent Variable: RESIDA2
Method: Least Squares
Date: 05109104 Time: 08:06
Sample: 1 23
Included observations: 23
T~mpii:J~• 5
Tamp;lan 6
Bagian Kedua: Pengujian Asurnsi OLS
--
Dependent Variable: Y
Method: Least Squares
Date: 08108/04 Time: 07:32
Sample: 1 30
lncludP.d obseJVations: 30
White Heteroskedasticity-Consistent Standard Errors & Covariance
9.1
satL
met
yan!
res it
Tide:
out~
mak _
perit
mau
past
akhi
men
Ole~
8ab9
AUTOKORELASI
Setelah pada bab sebelumnya kita menguji asumsi OLS yang berkaitan dengan
varian residual yang tidak konstan (heteroskedastisitas), maka pada bab ini kita akan
menguji asumsi residual yang ketlga yakni tidak adanya korelasi antar residual satu
observasi dengan observasi lain atau dikenal dengan istilah autokorelasi. Sebagaimana
bab sebelumnya, pernbahasan akan dimulai dari sifat dan konsekuensi dari model yang
mengand:.mg autokorelasi. Selanjutnya bagaimana cara mendeteksi masalah
autokorelasi da!am model. Kemudian, jika model mengandung masalah autokore!asi,
bagaimana membentuk model regresi yang terbebas terhadap masalah autokorelasi.
(9.1)
177
I
I'
178 Bagian Kedua: Pengujian Asumsi OLS
Sedangkan data cross section diduga jarang ditemui adanya unsur autokorelasi.
Adanya korelasi antar residual ini dengan demikian dapat kita nyatakan sbb:
i :/; j (9.2)
Yc ;_,
ac
Bagaimana bentuk korelasi antara residual tersebut? Terjadinya autokorelasi N< -
bisa positif maupun negatif, lihat gambar 9.1. Pad a gam bar 9.1 a menunjukkan jik.
autokorelasi positif dan gambar 9.1 b menunjukkan adanya autokorelasi negatif. Tetapi,
sebagian besar dari data time series menunjukkan adanya autokorelasi positif daripada hu -
autokorelasi negatif. Hal ini terjadi karena data time series seringkali menunjukkan
ter
adanya trend yang sama yaitu adanya kesamaan pergerakan naik dan turun. (at
re~
et et
• •
• •
• • P (r
kite:
• •
ata
• ei-t • et-1
De!
• • pac
• •
• • me1
(a) (b)
dala
Pertanyaannya, apa konsekuensinya jika ada mase1lah autokorelasi di dalam kern
model regresi terhadap est!mator metode OLS? Akankah kita masih mempunyai
(aut'
estimator yang bersifat BLUE atau tidak? Untuk mengetahui hal ini maka kita
asumsikan model mengandung unsur autokorelasi tetapi masih mempertahankan ada I
asumsi-asumsi metode kuadrat terkecil lainnya. Misalkan kita mempunyai model
sederhana sbb:
(9.3)
~
d -
k
Bab 9. Autokorelasi 179
Yaitu nilai harapan dari residual adalah nol, varian dari residual adalah tetap dan tidak
ada korelasi antara residual satu periode waktu dengan residual pe::riode waktu lain.
Namun sekarang kita akan mencoba membahas apa yang terjadi terhadap esimator p1
jika residual saling berhubungan.
Ada beberapa model yang dapat digunakan untuk menjelaskan masalah
:I
hubungan antara residual yang satu dengan residual yang lain dalam persamaan (9.3)
tersebut. Yang paling umum di~unakan adaiah model autoregresif tingkat pertama
(autoregressive) disingkat AR (1) . Di dalam model ini residual e 1 hanya tergantung dari
residual sebelumnya e1_1 • Model AR (1) terse but dapat ditulis sbb:
p (rho) adalah parameter yang menjelaskan hubungan antara residual e1• Residual v 1 ini
kita asumsikan mempunyai rata-rata nol atau E(v1) = O: mempuyai varian yang l<onstan
atau var {v1) =cr 2; dan tidak mengandung unsur autokorelasi atau cov (vt, Vt+1) = o_
Dengan kata lain residual v1 mengikuti asumsi metode OLS yang kita kembangkan
pada bab 3.
Dengan adanya autokorelasi di dqlam model tersebut, maka estimator dalam
metode OLS adalah sbb:
(9.5)
/J
dalam persamaan (9.5) tersebut e;:;tim1tor 1 masih bersifat linier dan tidak bias, liha~
kembali penjelas:m hal ini pada lampiran 3. Namun, bila residual saling berhubungan
(autokorelasi) pad a tir ]kat autoregresif pertama (AR1) maka varian estimator /]1
adalah sbb:
Model regresi yang memasukkan kelambanan (lag) variabel dependen sebagai variabel independen
disebut model autoregresif. Model autoregresif ini akan dibahas secara detil pada bab 11 bagian
ketiga buku ini.
[L__
~ .. .
~ . - -
~----_- -_
-!-
180 Bagian Kedua: Pengujian Asumsi OLS
sedangkan varian estimator yang tidak mengandung masalah autokorelasi adalah sbb:
Jik
ber
(9.7) aut -
p:;t:
Dengan demikian jika ada autokorelasi dalam regresi maka estimator yang kita sec
dapatkan akan mempunyai karekteristik sbb: pro
me1
1. Estimator metode kuadrat terkecil masih linier did<
2. Estimator metode kuadrat terkecil masih tidak bias Wa
3. Namun estimator metQde kuadrat terkecil tidak mempunyai varian yang
minimum lagi (no longer best).
Jadi dengan adanya autokorelasi, estimator OLS tidak menghasilkan estimator yang
BLUE hanya LUE. Apa konsekuensinya jika estimator tidak mempunyai varian yang
minimum. Akibatnya:
1. Jika varian tidak minimum maka menyebabkan perhitungan standard error dim<
metode OLS tidak lagi bisa dipercaya kebenarannya
den~ '
2. selanjutnya inteNal estimasi maupun uji hip:>tesis yang didasurkan pada
man
distribusi t maupun F tidak lagi bisa dipercaya untuk evaluasi hasil regresi
~
~--
~- -~
Bab 9. Autokorelasi 181
-l<p<l (9.4)
1==11
L(ec -ec-!)2
d= c~2_ _ __ (9.8)
t=n
Lec2
c~l
(9.9)
Kar£=lna 2: e12 dan :L e21_1 berbeda hanya satu observasi, maka nilainya hampir sama.
Per~amaan (9.9) tersebut dapat dituli~ sbb:
2 Gujarati, N. Oamodar, op.cit, pp. 467-472. Lihat juga Hill, Carter, W. Griffiths and G. Judge ,
"Undergraduate Ecoometrics, 1998, New York: John Wiley & Sons, pp. 250-252
r-
rr-----
---
1-!
'
;,o........
~
,.;..;_...
182 Bagian Kedua: Pengujian Asumsi OLS
(9.11)
Persamaan (9.11) ini merupakan koefisien autokorelasi order pertama sebagai proksi
dari p. Persamaan (9.1 0) dapat ditulis kembali menjadi
persamaan (9.9) disebut uji statistik d. Durbin-Watson berhasi\ menurunkan nilai kritis Cc
batas bawah ( dL) dan batas atas (du) sehingga jika nilai d hitung dari persamaan (9.9)
terletak di luar nilai kritis ini maka ada tidaknya autokorelasi baik positif atau negatif lm1
im~
dapat diketahui. Penentuc3n ada tidaknya autokorelasi dapat dilihat dengan jelas dalam
Tabel9.1.
...._
....
I
0 du 2 4 - du 4 - dL 4
Gambar 9.2. Statistik Durbin-Watson d
Salah satu keuntungan dari uji OW yang didasarkan pada residual adalah
bahwa setiap program komputer untuk regresi selalu memberi informasi statistik d
Adapun prosedur dari uji OW sbb:
1. Melakukan regresi metode OLS dan kemudian mendapatkan nHai residualnya
2. Menghitung nilai d dari persamaan (9.9) (Kebanyakan program komputer secara
otomatis menghitung nilai d)
3. Oengan jumlah observasi (n) dan jumlah variabel independen tertentu tidak
termasuk konstanta {k), kita cari nilai kritis dL dan du di statistik Durbin Watson
4. Keputusan ada tidaknva autokorelasi didasarkan pada tabel 9.1. Untuk lebih
memudahkan menentukan autokorelasi dapatjuga digunakan gambar 9.2
(3.14)
Dimana Y =-= permintaan impor;X 1 = harga :mpor y<lkni indeks harga impor; X 2= GOP riil tahun
dasar 1993. Hasil regresinya dan beberapa informasistatistik yang penting sbb:
· Nilai statistik hitung d = 1,3857 sedangkan nilai kritis d dengan a=5% dengan n=23 dan k=2
untuk dL =1, 168 dan nilai du = 1,543. Karena nilai d terletak antara dL dan du maka dapat
disimpulkar ~ahwa model·terletak di daerah keragu-raguan.
~-----
~
~
~---··
=--
184 Bagian Kedua: Pengujian Asumsi OLS
Nilai statistik hitung d = 2,1617 sedangkan nilai kritis d dengan a=5% dengan n=13 dan k=2
untuk dL =0,861 dan nilai du =1,562. Sedangkan nilai 4- du dan 4- dL masing-masing 2,438
dan 3,139. Karena nilai !?tatistik hitung d terletak antara du dan 4-du maka dapat disimpulkan di
tidak ada masalah autokorelasi E
at
9.2.2. Metode Bruesch-Godfrey
Walaupun uji autokorelasi dari Durbin-Watson mudah dilakukan karena
informasi nilai statistik hitung d selalu diinformasikan setiap program komputer, namun
Jil
uji ini mengandung beberapa kelemahan. Pertama, uji ini hany8 berlaku jika variabel
pr
independen bersifat random atau stokastik. Jika uji ini memasukkan variabel
independen yang ber~ifat nonstokastik seperti memasukkan variabel kelambanan (lag)
dari dependen variabel sebagai variabel independen yang -::iisebut dengan model
autoregresif maka uji Durbin Watson tidak bisa digunakan 3 . Kedua, uji Durbin-Watson
hanya berlaku jika hubungan autokore!asi antar residual dalam order pertama atau
autoregresif order- pertama disingkat AR (1 ). Uji ini tidak bisa dilakukan untuk model
autoregresif yang lebih tinggi seperti AR (2), AR(3) dan se~erusnya. Ketiga, model ini
juga t;da!< blsa digunakan dalam kasus rata-rata bergerak (moving average) dari
residual yang le.bih tinggi. Contoh rlalam model regresi Y 1 = ~o + ~1X 1 + ei maka uji
autokorelasi dengan AR(1) sebagaima:1a dalam persantaar (9.3) yakni e1 = pe 1_1 + v1.
Sedangkan uji autokorelasi dengan m~torle moving average, mlsalnya moving average
tiga periode dapat ditulis sebagai berikut e1 = Vt + 1... 1 Vt-1 + /...2 Vt-1·
Berdasarkan kelemahan-kelemahan di atas maka Bruesch dan Godfrsy
mengembangkan uji autokorelasi yang lebih umum dan dikenal dengan uji Lagrange
3
Untuk Model yang mengandung unsur lag variabel dependen di dalam variabel independen, Durbin:
Watson telah menrembangkan uji Durbin h. Contohnya Yt = ~o + ~,Xt + B2Yt-1 + et. Uji Durbin h ini
akan dibal:as dalarn model ekonornetrika dinamis cialam bab 11 pada bagian ketiga buku ini.
~---
_t!_
i -
~.
-,-
r-- --------
Bab 9. Autokorelasi 185
Multiplier (LMt. Untuk memahami uji LM, misalkan kita mempunyai model regresi
s~derhana sbb:
(9.17)
Sebagai catatan kita bisa memasukkan lebih dari satu variabel independen, namun
untuk memudahkan kita menggunakan model regresi sederhana. Kita asumsikan
model residualnya mengikuti model autoregresif dengan order p atau disingkat AR (p)
sebagai berikut:
(9.18)
dimana Vt dalam model ini mempunyai ciri sebagaimana dalam persamaan 9.3 yakni
E(vt) = 0; var (vt) =cr2; dan cov (vt. Vt+1) = 0.
Sebagairnana uji Duibin-Watson untuk AR.(1 ), maka hipotesis nul tidak adanya
autokorelasi untuk model AR (p) dapat diformulasikan sbb:
(9.19)
Jika kita menerima H0 maka dikatakan tidak ada autokorelasi dalam model. Adapun
prosedur uji dari LM adalah sbb:
1.. estimasi persamaan (9.17) dengan metode OLS dan kita dapatkan residualnya.
2. rnelakukan regresi residual et dengan variabel independen X1 Gika ada lebih dari
satu variabel independen maka kita harus masukkan semua variabel
independen) dan lag dari residual et-1, e._2, .... , et-p· Langkah kedua ini dapat
ditulis sbb:
(9.20)
4
T. S. Bruesch, " Testing for Autocorrelation in Dynamic Linera Models,"Australian Economic Papers,
Vol. 17, 1978, pp. 334-55 dan L.G.Godfrey,"Testing against General Autoreyressive and Moving
Average Error Model When the Regressors Include Lagged Dependent Variables," Econometrica, Vol.
46, 1978, pp.1293-1302
186 Bagian Kedua: Pengujian Asumsi OLS
(9.21)
c
2 s
Jika (n- p) R yang ·merupakan chi-squares (x) hitung lebih besar dari nilai kritis dE
chi-squares (x) pada derajat kepercayaan tertentu (a), kita menolak hipotesis in
nul (Ho). Hal ini berarti paling tidak ada satu p dalam persamaan (9.18) secara in
statistik signifikan tidak sama dengan nol. lni menunjukkan adanya masalah kr
autokorelasi dalam model. Sebaliknya jika nilai Chi-Squares hitung lebih kecil ni
at -
dari nilai kritisnya maka kita menerima hipotesis nul. Artinya model tidak
SE
mengandung unsur autokorelasi karena semua nilai p sama dengan nol
m
Kelemahan deteksi metode LM yang dikembangkan oleh Breusch-Godfrey ini
dalam ha: menentukan panjangnya kelambanan (p) untuk variabel residual. Keputusan
ada tidaknya masalah autokorelasi sangat tergantung dari kelambanan yang kita pilih.
Kita akan melakukan metode coba-coba (trial and errors) hanya demi menghindari
masalah autokorelasi. Untuk memilih panjangnya lag residual yang tepat kita bisa
menggunakan kriteria yang dikemukakan oleh Akaike dan Schwarz. Berdasarkan
kriteria ini, panjangnya lag yang dipilih adalah ketika nilai kriteria Akaike dan Schwarz
paling kecil. 5
R·
IDl
L_
Co
Kit<
Pat
aut
dal;
squ
sigr
me1
Pembahasan masalah kriteria dari Akaike maupun Schwarz akan dibahas pada bab 11. Beberapa
software komputer, termasuk Eviews, sekarang telah rnenyediakan i:lformasi kriteria dari Akaike dan
Schwarz. ··
Bab 9. Autokorelasi 187
Tabel 9.3. Uji Autokorelasi deng_an Metode LM Ek:;p_ur Pakian Jadi ke Je12_an_g_
Breusch-Godfrey Seri::~l Correlation LM Test:
F-statistic
Obs*R-squared
I ~ .62691 ol Probability
3.6524441 Probabilit:t
l 0.240456
0.161021
.- --
·-· - -
--
188 Bagian Kedua: Pengujian Asumsi OLS
(9.3) Kt
di
Sebagaimana sebelumnya, diasumsikan bahwa residual mengikuti model AR(1)
sebagai berikut:
-l<p<l (9.4)
Penyembuhan masalah autokorelasi dalam model ini tergantung dua hal: (1) jika p atau di
koefisien model AR(1) diketahui; (2) jika p tidak diketahui tetapi bisa dicari melalui
estimasi. Pt
(9.22)
Jika kedua sisi dalam persamaan (9.22) dika!ikan dengan p maka akan menghasilkan
persamaan sbb: ·
P~-~ = Pflo + PfJJXH + P e1-J (9.23)
~· = p; + p; x; + V 1
Dimana ~· = (Y1 - pYt-1 );fJ; = /l0 (1- p);fJ; = /11 ;X; =(XI- pX1_1 )
Residual v1 dalam persamaan (::1. 25) sudah terbebas dari masalah aut:Jkorelasi
sehingga memenuhi asumsi OLS. Sekarang kita bisa mengaplikasikan metode OLS
terhadap transformasi variabel • Y* dan X* dan mendapatkan estimator yang
menghasilkan karakteristik estimator yang BLUE.
(9.24)
dimana T adalah trend, ni!ainya mulai satu pada awal periode dan terus menaik sampai
akhir periode. Residual e1 dalam persamaan (9.28) tersebut mengikuti autoregresif
Bab 9. Autokorelasi 191
tingkat pertama. Transformasi persamaan (9.28) dengan metode first difference akan
menghasilkan persamaan sbb:
(9.29)
(9.30)
=
Oimana Y= permintaan impor; X GDP riil tahun dasar 1993
HasH regresi permintaan impor bisa dilihat dalam persamaan (9.31). Nilai d= 0,7543
sedangkan nilai dL dan du pada n =23 dan k =1 dengan o:=5% masing-masing sebesar 1,257
dan 1,437. Berdasarkan nilla d hitung tersebut menunjukkan bahwa mode! mengandu~g
masalah autokorelasi.
Koefisien determinasi (R 2) lebih besar dari nilai statistik Durbin Watson (d) sehingga kita bisa
mengatasi masalah autokorelasi dengan metode first difference. Hasil regresi mr- 1alui
metode first difference untuk menghilangkan masalc;~h autokorelasi dapat dilihat dalam
persamaan (9.32). Daiam metode first difference ini kita memasukkan unsur trend untuk
memperoleh konstanta. Hasilnya menunjukkan bahwa dengan metode ini nilai statistlk
Durbin Watson (d) sebesar 2,0840 sedangkan nilai dL dan du pada n =22 dan k =1 dengan
o:=5% masing-masing sebesar 1,239 dan 1,429, mengindikasikan tidak adanya masalah
autokorelasi lagi.
~ = -91,0623 + 0,1832X, (9.32)
(-1.5956) (5.0803)
2
R =0.5546 d = 2.0840
~
..,
:--
.
~
····-
-
192 Bagian Kedua: Pengujian Asumsi OLS
9.3. ~
9.3.2.2. Estimasi p Didasarkan Pada Berenblutt- Webb
Metode transformasi dengan first difference bisa digunakan hanya jika nilai p
tingg
tinggi atau jika nilai d rendah. Dengan kata lain metode ini hanya akan valid jika nilai p
kasu:
= +1 yaitu jika terjadi autokorelasi positif yang sempurna. Pertanyaannya bagaimana
seba~
=
kita bisa mengetahui asumsi bahwa p +1. Berenblutt-Webb telah mengembangkan uji
deng "
statistik untuk menguji hipotesis bahwa p
6
=
+1. Uji statistik dari Berenblutt-Webb ini
dikenal dengan uji statistik g. Rumus statistik dapat ditulis sbb:
n
:Lv~z
atau 1
g=-~~
,_,L..et
2
(
(9.33)
Dimana e 1 adalah residual dari regresi model asii dan v1 rnerupakan residual dari regresi Seba!
model first difference. Dalam menguji signifikansi statistik g diasumsikan model asli pad a
mempunyai konstanta. Kemudian kita dapat menggunakan tabel Durbin-Watson hanyc:
dengan hipotesis nul p = =
1, tidak lag! dengan hipotesis nul p 0. Keputusan bahwa p = Clan h
1 ditentukan dengan membandingkan nilai hitung g dengan nilai kritis statistik d. Jika g
dibawah nilai batas minimal dL maka tidak menerima hipotesis nul sehingga kita bisa bisa n
=
mengatakan bahwa p 1 atau ada koreiC~si positif r.mtara residual. kita d
dapatl
sebeiL
Contoh 9.6. Uji Berenblutt-Webb
Kita kembali ke model sederhana permintaan impor pada contoh 9.5. Dari regresi j Con
8
persamaan kita mendapatkan RSS sebesar 3, 74 x 10 sedangkan hasil regresi diferensi
8 r:ari
tingkat pertama tanpa konstanta menohasilkan RSS sebesar 2,4 7 x 10 . Dengan demikian
nilai statistik g dapat dihitung sbb: I p=
men~
Hasil
= 2,47xl0s = 0 7326 (9.34)
g 3)4xl0 8 '
Nilai kritis statistik Durbin-Watson dengan jumlnh observasi (n) 22 dengan satu variabel
independen (k)" dengan a= 1% masing-masing adalah dL dan du sebesar 0, 997 dan 1,174,
sedangkan untuk a=5% sebesar 1,239 dan 1 ,429. Nilai statistik g lebih kecil dari nilai kritis dL
pada a=5% sehingga kita menerima hipotesis 'lUI. Kesimpulannya penyembuhan masalah Hasil
autokorelasi dengan metode first difference ad3lah tepat karena nilai p = + 1 berdasarkan uji sedar
yang dikembangkan oleh Berenblutt-Webb ini. besar
autok
(9.8)
(9.35)
Sebagaimana pernbahasan sebelumnya, kita bisa mencari nilai p dari estimasi statistik
pada persamaan (9.35) di atas. Asumsi first difference menyatakan bahwa p = ±1
hanya terjadi jika d=O di dalam persamaan (9.35). Begitu pula jika d = 2 maka p=0
dan hila d =4 maka p = -1 . Persamaan tersebut hanya suatu pendekatan tetapi kita
bisa menggunakan nilai statistik d untul< mendapatkan nilai p. Di dalam sampel besar
kita dapat mengestimasi p dari persamaan (9.35) dan menggunakan p yang kita
dapatkan untuk model generalized difference equation dalam persamaan (9.24)
sebelumnya ..
~· =-3734,769+0,1129X; (9.36)
(-1,5323) ( 5,3645)
2
R = 0,5899 d= 1,4918
(9.24)
Dimana V1 = (e 1 - p et-I)
Dimana:
Y,* = [Y, - (0,5257)f,_ 1 ] ,X;, =[X,, - (0,5257)X1t-1] , X;, = [X 2, - (0,5257)X 2,_ 1 ]
(9.40)
(9.41)
Pindyck, Sand Daniel. L. Rubinfeld," Econometrics Model and Economic Forecast, 1998, Singapore:
McGraw-Hill, pp. 163-164 ,
r-----
:~
r:=
~
P=- --
...... - ---
~-----
196 Bagian Kedua: Pengujian Asumsi OLS
2. Dengan residual yang kita dapatkan maka lakukan regresi persamaan berikut
ini:
(9.42)
3. Dengan p yang kita dapatkai1 pada langkah kedua dari persamaan (9.42)
kemudian kita regresi persamaan berikut ini:
4. Karena kita tidak mengetahui apakah nilai p yang diperoleh dari persamaan
(9.42) adalah nilai estimasi yang terbaik, m8ka masukan nilai {3; = {3 (1- p)
0
dan {J( yang diperoleh dalam persamaan (9.44) ke dalam persamaan awal
(9.40) dan kemudian dapatkan residualnya e;· sbb:
(9.45)
,. ...
el =pel +wl
~
" ,.. .. (9.46)
p yang kita peroleh dari persamaan (9.46) ini merupakan langkah kedua
mengestimasi nilai p
Kai"ena kita tidak juga mengetahui apakah langkah kedua ini mampu mengetimasi nilai
p yang terbaik maka kita dapat melanjutkan pada langkah ketiga dan seterusnya.
Pertanyaannya, sampai berapa langkah kita harl!s berhenti melakukan pros'=ls iterat!f
untuk mendapatkan nilai p. Menurut Cochrane-Orcutt, estimasi nilai p akan kita
hentikan jika nilainya sudah terlalu kecil.
f-----
'
g
,_.
~
~~-_-:_--
_,_
Bab 9. Autokorelasi 197
Dimana:
r:· =[r: - (0,3042)I:_,] , X 1: = [x, 1 - (0,3042)X,,_,] ,x;l = [x~~ - (0,3042)X21-I]
r;---
,
-e-_._
F---
. -
~
~
198 Bagian Kedua: Pengujian Asumsi OLS I
Tampilan 1
Tampilan 2
Breusch-Godfrey Serial CorrtJ:ation LM Test:
Pada Tampilan2 ini ada dua
F~statistic 3.156022 Probab-ility
Obs-R-squared 5.971402 Probabilit~' g:g~~~ci~ output yaitu bagian atas
adalah nilai statistik F
Test Equation:
Dependant Variable: RESID
Method: Least Squares
dan Chi Squares (Obs*R-
Data. OE:fAJ'='IlJ4 Tima: 2.2:66 sqliared) dengcm masing-
Variable Coefficient Std. Error t-Statist!c Pro b. masing probabilitasnya.
c
X1
-43.51782
-4.865325
2189.540
19.95773
-0.019875
-'4.2447(34
0.9644
0.6094
Sedangkan output bagian
>G'
RESID(-1)
0.003315
0.436617
0.017416
0.215279
0.190326
2.036368
0.6512
0.0565
bav•ah merupakan persama-
RESID(-::') -0.4447'2-> I"J.22091C -2.01314"! 0.0593
an est:rnasi uji Lf\11
R-s4uared ::J.2rS<626 t\t1e:an depondeut var 8.27E-12
Adjusted R:-squarE"-"i o.o~ t5:J9:.:3 S.D. d~pvndant var 3096.756
s.:=. of regression 2945.830 AkEJike info criterion 19.00:"63
Sum squared resid 1 .56E-+D6 Schwarz criterion 19.25066
Log likelihood -213.5440 F-statistic 1.576011
Durbin-Watson stat 2.122393 Prob(F-statistic) 0.223033
~----
'"'
~
!!--
.-~~
~
~
~
Bab 9. Autokorelasi 199
dimana d menunjukkan first difference. Hasilnya ditampilkan dalam tampilan berikut ini:
Tampilan 3 '-. --
Tampilan 4
I Dependent Variable: RES
Math~d: LeOJ!:'t Squares
Date: 08/08104 Time: 2::1:/'!'
Sample(adjusted): 1981 2002
Included observations: 22 after adjusting endpoints
• Setelah kita mendapatkan nilai koefisien residual sebesar 0,304191 kemudian kita
melakukan regresi persamaan berikut ini:
Untuk melakukan regresi persamaan tersebut kita harus membuat variabel baru
baik dependen maupun independen. Misalnya untuk variabel dependen Y - pY
langkahnya sbb: Generate equation kemudian tulis Y1= 0,304191*Y(-1). Tanda
bintang merupakan perkalian. kemudian generate equation NewY=Y-Y1 dimana
obyek atau variabel NewY= Y - pY. Lakukan yang sama untuk X1 dan X2 • Yang
perlu diperhatikan bahwa penarnaan variabel baru harus berbeda dengan variabel
yang kita punyai dalam filekerja sebelumnya. Jika sama maka variabel yang lama
akan terhapus digantikan yang baru. Hasil uji Cochrane-Orcutt sbb:
d
jil
Tampilan 5
S•
r--
:7
~
~----
~
~
~~
:=..
BAGIAN KETIGA
lr~()IVIIII\~·l[t()IVIIII\ 1[)11 I()A\JLAUl
1~11\t()~t()~\l~lrll?IIIM
Bagian pertama buku ini membahas masalah model regresi linier metode OLS
dengan asumsi-asumsinya sedangkan bagian l<eduanya menjelaskan apa yang terjadi
jika model regresi linier tidak memenuhi asumsi OLS. Bagian ketiga buku ini
selanjutnya membahas topik-topik khusus di da!am ekonometrika yang berada di luar
cakupan kedua bagian pertama buku ini tetapi seringkali ditemui dalam analisis
ekonomi dan bisnis. Bagian kedua ini akan meliputi pembahasan masalah: (1) model
regresi dengan variabel dependen bersifat kualitatif; (2) model kelambanan; (3) model
regresi panel; dan (3) model persamaan simultan.
Bab 10 dimulai dengan pembahasan model regresi dengan varia bel deoenden
bersifat kualitatif. Di dalam bab ini dibahas beberapa modei regresi dengan respon
yang bersifat kualitatif terse but yaitu: (1) model probabilitas linier; (2) modei Probit; (3)
model Loglt; dan (4) Model Tobit. Topik berikutnya p.flda bab i 1 membahas model
regresi den9an kelamtanan. Model ini mlincul karG:la dam~ak dari setiap :;:;l~tivitas
ekonomi tidak terjadi secara langsung tetapi memerlukan waktu. Model kelambanan
meliputi: (1) model penyesuaian adaptif; (2) model penyesuai::~n stok; (3) model
polinomial; (4) model ka•Jsali~as di dalam ekonomi. Pada bab 12 membahas masalah
model regres1 panel yaitu model regresi dengam menggabungkan d:.:~ta time series dan
c,nss section. Adc. dua teknik estirnasi utama di da!am model regresi panel yaitu model
Fi~ed Effect dan model Random Effer;t. Selanjut;1ya pada bab 13 membahas model
persamaan simultan. Dalam banyak kasus, hubungan variabel ekonomi tidak hanya
bersifat satu arah tetapi saling mempengaruhi. Pembahasan bab ini rneliputi mosalah
identifikasi persamaan simultan untuk mengetahui apakah suatu model per~amaan
simultan bisa diestimasi atau tidak. Pada bagian terakhir bab ini seianjutnya membahas
teknik-teknik estimasi persamaan simultan.
201
e.
~-
:_
r-----
~--
1,..,. - - - - -
_,_ ______
,_.
,,
Sengaja dikosongkan untuk catatan Anda
r-:=-
Bab 10
MODEL REGRESI DENGAN
RESPON KUALITATIF
Kita telah membahas model regresi dengan variabel kualitatif di dalam variabel
penjelas pada bab 6. Di dalam bab ini kita akan membahas jika variabel dependen
bersifat kualitatif dimana variabel kuaiitatif ini bersifat dikotomis. Dalam kehidupan
sehari-hari banyak contoh keputusan-keputusan yang bersifat kualitatif. Misalnya
sebuah keluarga yang sudah mempunyai beberapa orang anak apakah memutuskan
untuk mengikuti program asuransi pendidikan atau t!dak. Begitu pula suatu keluarga
harus memutuskan apakah membeli mobil atau tidak. Pertanyaannya bagaimana kita
mengestimasi model regresi ir.i? Pada bab ini akan membahas oeberapa pendekatan
yang digunakan untuk mengestimasi model rt;gresi dengan variabel dependen yang
bersifat kualitatif. ·
Lihat kembali penjelasan bab 6. Kita bisa memberi angka 1 kepada variabel yang punya atribut dan 0
untuk yang tidak punya atribut
203
204 Bagian Ketiga: Topik-Topik Ekonometrika
Faktor yang mempengaruhi pembelian mobil adalah pendapatan dan· kita menduga
bahwa keluarga dengan penghasilan tinggi lebih besar kemungkinannya untuk
rnernpunyai mobil daripada keluarga berpenghasilan rendah. Walaupun terdapat
hubungan langsung antara pendapatan dan keputusan membeli mobil, namun kita tidak
bisa memprediksi secara pasti. Apa yang kita lakukan hanya memprediksi
kernungkinan sebuah keluarga dengan pendapatan tertentu membeli mobil atau tidak.
Tujuan dari model regresi dengan respon kualitatif pada variabel dependen
adalah untuk menentukan probabilitas individu dengan pendapatan yang dimilikinya
dalarn keputusan yang bersifat kualitatif. Misalnya d8lam l<asus pembelian mobil di
atas, kita bisa membuat suatu pernyataan bahwa keluarga denga11 pendapatan Rp 15
juta per bulan mempunyai probabilitas untuk membeli mobil sebesar 0,8, sedangkan
Keluarga dengan pendapatan Rp 3 juta maka probabilitasnya hanya 0,2. Secara umum,
rnodel respon kualitatif ingin mencari hubungan antara pendapatan yang dimiliki
585 eorang dan probabilitasnya untuk membuat keputusan yang berisifat dikotomis atau
binari.
Pertanyaannya, bagaimana klta mengestimasi model regresi ini? Pada bab ini
akan membahas beberapa pendekatan yang digunakan untuk mengestimasi model
variabel dependen yang sifatnya dikotomis ini, yaitu : (1} ModAl Probabilitas Linier
(Linear Probability Model); (2) Model Logit (Logit Model); (3) Model Probit (Probit
Model); dan (4) Model Tobit (Tobit Model).
(10.1)
i!---
p-
~
~
c--
Bab 10. Model Respon Kualitatif 2CS
persamaan ( 10.1) terse but kita mencari nilai harapan (expected value) variabel
dependen Y sbb:
(10.2)
Jika P; adalah probabilitas dari Y=1 yakni individu memiliki mobil dan (1 - P;)
probabilitas dari Y=O yakni individu tidak merniliki mobil, maka:
(1 0.4)
Karena karakteristik dari model LPM ini sama dengan model regresi linier maka metode
OLS dapat digunakan untul~ menyelesaikan model regresi ini.
Model LPM adalah model yang pa!i:-1g sederhana dan mudah dilakukan. Namun
model ini mempunyai beberapa kelemahan yaitu:
(1 0.1)
Maka residualnya
Jadi bisa dilihat bahwa residualnya tidak berdistribusi normal tetapi mengikuti distribusi
binomial ~::Jistribusi Bernoulli).
F ~- -
!d----
1'~
..._____
~
~
. ----
~
206 Bagian Ketiga: Topik-Topik Ekonometrika
E(e;) =0 atau
(1 CJ.5)
( 10. 7)
atau
Var(e;) = E(Y; \X; )[1- E(Y; IX;)] (1 0.9)
= P;(l- P;)
~------
'-.:-
.;............
!!"-
~
~---:-~
Bab 10. Model Respon Kualitatif 207
3. E(Y; I X;) Tidak Selalu Terletak Pada 0:::; E(Y; I X;) :::;1.
Dalam kenyataanya tidak ada jaminan bahwa nilai prediski Y dari model linie;-
ini terletak atara 0 dar. 1. Masalah ketiga inilah masalah utama dalam model LPM. Ada
dua cara unl:uk menyelesaikan masalah in!. Pertama me!al<ukan regresi modei LPM
dengan metode OLS dan mencari nilai predii<si Y. Jika hasiln),:a lebih kecil nol (negatif)
maka kita anggap nilainya nol dan ji!-<:a hasilnya lebih dari 1 maka kita asumsikan 1 .
Kedua menggunakan teknik lain yang rmmjamin bahwa nilai probabilitas Y terletak
antara 0 dan 1. Model yang menjamin nilai probabilitas antar 0 dan 1 adalah model
Prvbit maupun Logit. Kedua model ini akan dibahas pada subbab berikutnya,
vI
0 + X
Gam bar 10.1. Sebaran Data dan Garis regresi Model LPM
[T-
b
~----
Ln
:- --
::;._
208 Bagian Ketiga: Topik-Topik Ekonometrika
=
Contoh 10.1. Hubungan Antara Kepemilikan Mobil dan Pendapatan 1
Sebagai ilustrasi regresi dengan respon kualitatif dengan model LPM, kita mengambil contoh
hubungan antara tingkat pendapatan dan kepemilikan mobil. Misalkan kita melakukan lir
penelitian terhadap 30 rumah tangga. Data hipotetis hubungan antara pendapatan dan
1\epemilikan mobil ditampilkar. dalam Tabel 10.1. Bagi rumah tangga dengan penda~atan
rr
!<t ~
tertentu menjawab ya (memiliki mobil) maka nilainya 1, sedangkan bagi mereka yang
menjawab tidak (tidak rnemiliki mobil) diberi nilai 0. · te
pi
Tabel1 0.1. Data hipotetis hubungan an tara pendapatan (X) dan kepemilikan mobil (Y)_ Sl
Rumah tangga y X Uuta RpJ Rumah Taf}gga y X Uuta Rp) pi
1 1 15 16 0 2,8 fc:
2 0 2,5 17 0 8 ni
3 1 9 18 0 8,2
4 0 10,25 19 1 10,2
(C
5 0 4,3 20 0 8,1 d
6 0 3,75 21 0 3 bo
7 1 12 22 1 9,5
8 1 11 23 0 3,2
9 1 13,25 24 0 4,1
10 0 2,3 25 0 4,5
11 1 5 26 0 3,25
12
13
I 0
1
6,3
7
27
28
1
0
14
4,9
14 1 9,9 29 1 10,35
15 I '1 9,3 30 0 4,8
Hasil model LPM dengan metode OLS ditampilkan Ji persamaan (10.10). Variabel X yakni
pendapatan bertanda positif sesuai yang dihaiapkan. Meialu! uji t, variabel pendapatan ini
juga signifikan pad a rx= 1% Besarnya inter~e~ -0,3998 r.1enujukk<::m besarny':l p;o~abilit'3s
rumah tangga mempunyai mobil ketika pendaptan nol. Karena nilai probabilitas tidak pernah
negatif maka kita anggap nilanya nol. Nilai slope sebesar 0,1127 berarLi bahwa jika terjadi
kenaikan pendapatan sebesar Rp.1 juta maka rata-rata probabilitas rumah tangga r.1emiliki
mobil akan naik sebesar 11%. Kita juga bisa mengestimasi nilai probabilitas pad a setiap
nJmc>h tangga dengan pendapatan tertentu. Misalnya pada perdapatan Rp 9 juta maka
probatJilitas rT'empunyai mobil sebesar 0,6235, yang b3rarti bao .v:a rumah tangga de:-~gan
pendaptan Rp. 9 juta akan memiliki mobil sekitar 62%
- '~-:
..
.
Bab 10. Model Respon Kualitatif 209
CDF
I
___ /
-------
-en 0 +w X
CDF memenuhi dua sifat: (1) ketika Xi naik maka Pr(Y; =1 I X;) akan naik pula
tetapi tidak pernah keluar dari interval 0 -1 ; (2) hubungan antara Pi dan Xi adalah non
linier sehingga tingkat perubahar.nya tidak sama tetapi kenaikannya semakin besar dan
kemudian semakin kecil lihat gam bar 10.2. Ketika nilai probatilitasnya mendekati 0
t
-
-"-
~---·- _- -~
~
;;_____ - - - -
ztO sagian Ketiga: Topik-Topik Ekonornetrika
~
. Kat penurunannya semakin kecil, begitu pula ketika nilai probabilitasnya mendekati
tin~ gkat kenaikannya semakin mengecil. Ada dua model yang memenuhi kriteria dari
1 tl~ yaitu m?d~l P_robit dan model L~git: M_odel Pro_bit berkaitan dengan fungsi
CD babilitas d1stnbus1 ~ormal ~~arm~/ ~1stn?ut1~n. funct1~n~, s~m_ent~ra model Logit
pro Kaitan dengan fungs1 probab1htas d1stnbus1 log1st1k (logistic d1stnbut1on function).
ber Kita akan mulai pembahasan model Probit terlebih dahulu. Kembali pada kasus
salah kepemilik~~ mobil. Keputus~n membeli m~bil _atau tida~ ditentukan oleh suatu
~a x (Zi) d1mana 1111 merupakan vanabel yang sullt d1observas1 yang ditP.ntukan oleh
1nd;yak variabel p~njelas. _Misalkan dalam h~l ini ~it~ asumsika_n hanya dite!ltukan oleh
bat variabel penJelas ya1tu pendapatan. J1ka n1!a1 Zi semakm besar maka semakin
sa uar probabilitas memiliki mobil. Index ini dapat ditulis sbb:
bes
(10.11)
r11bentukan index Zi ini rasional karena setiap keluarga mempunyai nilai k~itis dari
p~eX (threshold), katakanlah zi•. Jika Zi melebihi dari zi• maka probabilitas me!11iliki
1
n b.l semakin besar dan sebaliknya. f<ondisi ini dapat ditulis sbb:
rno I
l Ya
Keputusar, rnemi!iki mobil l (10.12)
- TidGik jika zi < Z*
c,,ngan
. asumsi normalitas, probabilitas dar! zi· .yang kurang atau sama rlengai: Zi
dapat dihitung melalui distribusi normal dari CDF sbb:
• f::: p(r: = 1\X;) = P(~.~ :::; Z;) = P(Zi s:; (/30 + /3 1 XJ = F(/3 0 + /3 1 XJ (10.13) terg
I
mer
prot
Qirnan& P(Yi =11 Xi) berarti probabilitas peristiwa terjadi pacta nilai X tertentu dan Zi
2 jika
adalah variabel standar normal yaitu Zi - N (Oia ). Standar normal CDF dapat ditulis
mer -
sbb:
'
n.
I
= f(z \! = ~
I
1
2Jr
...,;
f z, e -z'
-a)
12 /
c.z (10.14)
PI
. = j(Z.) = _1_
I J2
f (fJo+fJ,X.l e-Z'I2dz
-OC> '
""
R'""~~-
---
-~·~-
;___
-,.-
1'!'-um
Bab 10. Model Respon Kualit.~tif 211
Z; =F 1
(Z; ) =F 1
(P;) (10.15)
= 13o + I31X;
1
dimana F" adalah inverse dari normal CDF. Kita dapat mengintepretasifl:an probabilitas
P; dari model Probit ini sebagai suatu estimasi probabilitas individu yang mernutuskan
membeli mobil pada nilai pendapatan tetientu X; .
L05
0 0,5000 0,5000
0,6915 0,6225
1.0 0,8413 0,7311
1.5 . C,9332 0,8176
2.0 OJ:J/'72 Cl,88JC
3.0 0,9987 0,9526
Bagaimana kita mengest:masi model Pr,Jbit diat<Js? Estimasi me, je! Probit
tergantung jenis datanya yakni: (1) da~a observasi pac3 grup atau kelompok.; \2) data
meru~al~a:1 oL se1vasi pada tingkat individu. Data jenis pertama kita bisa mencari nilai
probabilitasnya sehingga kita bisa mengestimasi dengan teknik metode OLS. NC!ffil..l_n _
jika data individu tanpa _c:llls.~J9_buLpmbabilitasnya mak-a teknik-·yang a@.in<ikan ur.tuk
mengeslimasr·aaafahm-aximum likelihood. 2
Di dalam bab 15 akan dije.laskan metodc estimasi dengan teknik maxin.um likelihood secara singkat.
Sef\arCJng bebe~apa program komputer tel all n .anyediakan estimasi dengan metode maximum
likelihood
,-.
·~
F.=-
~~~-'-
,.... _____
~ -
212 Bagian Ketiga: Topik-Topik Ekonometrika
~ !1.
P=-~ (~0.16)
I N
I
Tabel1 0.3 Data Hipotetis Pendapatan, Jumlah Keluarga dan Jumlah keluarga yang
memiliki sepeda motor
Pendapatan Jumlah Jumlah Probabilitas Z; Z;+5
Perbulan Kelua:-ga (N) Keluarga (P)
Uuta Rp) dengan sep8da = N/n
motor (n)
')
.:... 30 6 0,20 -0,8416 4.1584
3 66 16 0,24 -0,7063 4.2937
4 80 24 0,30 -0,5244 4.4756
5 2C 23 8,2S 0,3:5~2 -1.5147
6 100 45 0,45 -0,1257 4.8743
7 80 41 0,51 0,0251 5.0251
8 75 45 0,60 O,L533 5.2533
9 62 41 0,66 0.4125 5.4125
10 40 30 I o.75 O,G745 5.6745
11 30 24 0,80 0,8146 5.8146
10.
Persamaan (~ 0.16) tersebut merupaka11 frekuensi relatif yang dapat digl.!nakan
untuk mengestimasi probabilitas untuk masing-masing tin\:lkat pendapatan. Probabiiitas
mer
setiap keluarga dengan pendapatan tertentu merupakan rasio antara jumlah keluarga
Pro~
yang memiliki sepedc; motor dengan jumlah semua keluarga. Nilai probabilitas tersebut
like/1
ditampilkan petda kolom ke empat Tabel ·1 0.3.
estin
Bagaimana kita bisa mendapatkan indek Z;? Dari nilai probabilitas tersebut kita
bisa dapatl<.an nilai Z; dari normal CDF dan hasilnya ditampilkan dalam kolom kelima
Tabel 10.3. Nilai indeks Z; disebut normal equivalent deviate (n.e.d) cisingkat dengan
0
b,
..•.ll
.·_.,I
Bab 10. Model Respon Kualitatif 213
model Normit. Karena nilai Zi adalah negatif jika Pi < 0,5 maka dalam prakteknya kita
harus menambah angka 5. Metode ini disebut model Probit. Jika kita sudah
mendapatkan nilai Zi tersebut maka kita dengan mudah bisa mengestimasi. Nilai Zi + 5 F
c I
3.7257t:J3 8.02845~1 130.9453 0.0000
X 0 189833 0.0040()4 47.41263 0.0000
R-squared 0.996454 F-statistic 2247.957
Adjusted R-squared 0.996011 Prob( F-s~atistic) n.oooooo-
Oalam mengestimasi p'ersamaan regresi dengan menggunakan metode maximum !ikelinood daiJm
bab ini menggunakan alat baniu program sofware Eviews.
~---
1:;"
~
;
~--
·~~~-~
i-·
214 Bagian Ketiga: Topik-Topik Ekonometrika
Hal penting yang perlu diperhatikan adalah infromasi hasil regresi dengan metode
Maximum Likelihood berbeda dengan tampilan hasil regresi dengan metode OLS di
dalam Eviews. Ada beberapa hal yang perlu dijelaskan berkaitan dengan metode
Maximum Likelihood (ML) untuk model Probit di dalam software Eviews: i=
I
hitung lebih besar dari nilai kritis atau nilai tabel chi square (x 2 ) maka kita
menolak hipotesis nul yang berarti semua variabel penjelas secara bersama-
sama mempengaruhi variabei dependen. Sedangkan jika sebaliknya maka kita
menerima hipotesis nul yang berarti semua variabel penjelas secara bersama-
sama tidak mempengaruhi variabe! dependen.
4. Begitu pula di dalam model regresi binari kita tidak bisa menggunakan nilai 1
koefisien determ.inasi (R 2) konvensional untuk mengukur kebaikan garis regresL
Sebagai penqgantinys kita menggunakan koefisien determinasi ya119
le
dikembangkan oleh Mc-Fadden disingkatR.~tcF. Seperti nilai koefisien KL
determinasi konvensional, nilai R~cF terletak antara 0 dan 1. yc:
IOf
dir
di.
set
tan
em
dalr.l
Bab 10. Model Respon Kualitatif 215
(10.17)
e merupakan logaritma natural dengan nilai 2,718 dan P 1 ad1lah probabilitas seseorang
dalam memiliki mob:1 pada tingkat pendapata.l (X) tertentu. Nilai Z terletak antara -ry)
216 Bagian Ketiga: Topik-Topik Ekonometrika
dan + oo sedangkan nilai Pi terletak diantara 0 dan 1. Probabilitas logisitk ini dengan
demikian memenuhi kriteria dari model distribusi kumulatif (CDF)
p
1
Probit
Log it
0
Gambar 10.3. Model distribusi normal dan modei distribusi logistik
Apa bedanya dengan model Probit sebelumnya? Untuk jelasnya kita bisa
memperhati:,an Tabel 10.2. Dari tabel tersebut terlihat bahwa model Probit dan Log it
hampir sama. Perbedaannya, nilai probabilitas Pi model Logit yang mendekati 0 atau 1
rr:empunyai tingkat penurunan yang lebih lambat daripada model Pr:Jbit. .iika
lng,
digarnbarkan keduanya akan terlihat seperti gam bar 10.3. dim ana model Log it
mempunyai ekor yang agak sedikit datar.
Bagaimana persamaan (1 0.17) dr:~pat diestimasi? Kita manipu:as' pers:::~maan
(1 C. 17) tersebut dengan meng3lil<0:..1n 1 + e·2 padc:: kedca sisinya, sehi'lgga akan
mengl-)asilkan persamaan sbb:
Pers -
(10.18) Nilai
terha ,
atau (20.2 .
(10.19) parar
group
diestir -
-,,-
~,-
Bab 10. Model Respon Kualitatif 217
~-1 ~-1
e -z; = _1 - 1 = Q_- ~ )_
~ ~
1 (1-P,.)
= (10.20)
z __P__:;_ (1 0.21)
e =
(1- P;)
Persamaan ("I 0.21) kemudian ditransformasi menjadi model logaritma natural sehingga
menghasilkan persamaansbb:
zi =ln(~)
1- p
(1 0.22)
lngat bahwa ln e:c; = Z;. Persamaan (1 0.22) dapat ditulis menjadi persamaan sbb:.
t10.23)
Persamaan (1 0.23) di atas dikenal sebagai model Logit (logistic distribution function).
Nilai Z terletak antara - oo samapi oo, Pi terletak diantara 0 dan 1 dan Pi adalah nnnlinier
terhadap Zi. Permasala!-Jan yang muncul adalah bagaimana mengestimasi persame~an
(20.23) tersebui kar2na Pi tidc:k hanya non linier terhadap X tetapi juga terhadap
parameternya (B 1 ).
Estimasi model Lo9it tergantung jenis datanya yakni: (1) data observasi pada
group; (2) data merupakan observasi tingkat individu. Pada data jenis pertama bisa
diestimasi dengan teknik metode OLS karena kita bisa mencari nilai probabiiitasnya.
iif
:::-
<==-
·~ - -
·~
218 Bagian Ketiga: Topik-Topik Ekonometrika
Sedangkan data individu tanpa diketahui probabilitasnya maka teknik yang digunakan
untuk mengestimasi adalah metode maximum likelihood.
c, ''
Ki
10.4.1. Estimasi Log it Untuk Data Kelompok ke F
Kita akan menganalisis hubungan antara kepemilikan mobil dan tingkat m1
pendapatannya dengan data kelompok. Nilai probabilitas untuk masing-masing tingkat pn ~~
pendapatan tertentu dica:i dengan cara sebagaimana model Probit. Namun sekarang de
prot,abilitasnya variabel dependennya mengikuti distribusi logistik. Dengan damik\an se
estirnasinya berdasarkan model Logit dapat ditulis sbb: m<
m<
Ta
(10.24)
Persamaan (1 0.24) terse but adalah linier dalam parameter sehingga kita bisa
menggunakan metode OLS untuk mongestimasinya. Untuk mengestimasi model Legit
dalam persamaan (10.24) tei'sebut mal-:a langkahnya sbb:
3.
z.
A
I
p
=In(-'-~)
1-P I
(I 0.26)
E
dimana w. l
= N.P (1-· f))
l l l
1C
4. r<emudian estimasi WLS persamaan (1 0.26) dengan metode OLS 11
12
13
14
15
16
,-
Bab. 10. Model Respon Kualitatif 219
~--
Contoh 10.4. Hubungan Antara Kepemilikan Mobil dan Pendapatan: Logit
Kita akan menganalisis hubungan antara kepemilikan mobil dan pendapatan dengan data
kelompok. Data tingkat pendapatan, jumlah keluarga (N) dan jumlah keluarga yang
mempunyai mobil (n) ada di Tabel 10.7. Karena datanya kelompok maka kita bisa mencari
probabilitas tiap-tiap observasi yakni frekuensi relatif jumlah keluarga dengan mobil (n) dibagi
dengan total jumlah keluarga (N). Probabilitas mempunyai mobii terlihat di dalam kolom 4
sedangkan kolom terakhir menggambarkan probabilitas keluarga yang tidak mempunyai
mobil. Sedangkan data yang digunakan untuk mengestimasi model Logit metode OLS
maupun WLS ditampilkan dalan1 tabel10.8.
Kita akan menguji apakah i1asil regresi persamaan (1 0.27) mengandung unsur
heteroskedastis:tas atc.u tidak .Berdasarkan uji white, model tidak mengandung masalah
hetaroskedastisitas karena secara statistik berdasarkan probabilitas distribusi Chi Square
tidak signifikan yakni pada a= 41.78%. I
Tabel10.9. Uji Heteroskedastisitas White ____________
"Vvhite Heteroskedasticity Test:
atistic
*R-squared
J 0. 7399611 Probability
1.7452061 Probabili!Y
-------------.
I
0.511060
0.417862
I~
L
10
1 0.4.2. Estimasi Log it Untuk Data Individual butt
Jika data yang kita miliki adalah data individual maka estimasi metode OLS kep
tidak bisa diaplikasikan K.arena rnod81 Probit ini adaia~ r110de: r.u:l linie•·- Pro::>cdur untuk mer
mengestimasi model Probit ini adalah melalui metode maximum likelihood. kit a
Sebag~imana pada model Probit, kita bisa dengan mudah me~gestimasi model logit Dare:
pad a data individual k:~rt. na beberapa piograrll komputer seperti Eviews telah tang
menyediakan estimasi ~odel logit ini.
Seperti model Probit, informasi statistik yang digunakan untuk evaluasi hasil Kelo
regresi model Logit dengan metode ML juga berbeda dengan metode OLS. Software yaitu -
Eviews memberi informasi tentang nilai statistik Z untuk mengevaluasi signifikansi tang~
variabcl penjelas terhadap variabel dependen. Uji pengaruh semua variabel penjelas penje
secara serempak juga menggunakan uji LM yang mengikuti distribusi Chi Squares (x 2 ). sens(
Nilai koefisien determinasi juga didasarkan pada koefisien yang dikemukakan oleh diken
McFadden ( R,~tcr ). berikl
Bab 10. Model Respon Kualitatif 221
T a b e I 10 10 Has1·1 Regres1 Tk an 1
emeemll Mo b.11: Model Loqit
Dependent Variable: Y
Method: ML - Binary Log!t
Sample: 1 30
Variable Coefficient Std. Error z-Statistic Prob.
f-
c -13.49109 6.824275 -1.976926 0.0480
X 1.650428 0.803802 2.053276 0.0400
LF< statistic (1 df) 31.68133 McFadden R-squ3red 0.771701
Probability(LR stat) 1.82E-08
(1 0.28)
I
Dimana Y = pengeluaran untuk pembelian mobil bagi mereka yang membeli mobil dan
pengeluaran untuk pembelian mobil bagi mereka yang tidak mempunyai mobil. X
- :.
'
adalah pendapatan. Karena .kita tidak bisa mengukur pengeluaran bagi mereka yang
tidak mempunyai mobil maka Y* =
0, sehingga untuk variabel dependen kita p
mempunyai dua kelompok: p; ,_r
SE
Y = Y* untuk Y* > 0 (10.29)
e~
Y = Y* untuk Y* ~ 0
1.
Sehingga estimasi untuk model Tobit ini adalah
ta1
(1 0.30)
Bagaimana kita mengestimasi persamaan (1 0.30) ketika kita hanya melakukan regresi
untuk n 1 ? Kita tidak bisa menggunakan metode OLS untuk model Tobit karena model
OLS akan menghasilkan estimator ((31) yang bias dan tidak konsisten. Untuk itu
sebag3irnana model probit ma•Jpun logit digunakan metode maximum likelihood (Ml).
pendap2tan mereka dengan menggunakan model Tobit Hasil regresi model Tobit dapat , Mo
' dilihat dalam Tabel 10.11. lnformasi yang diberikan di dalam program Eviews untuk model Sar,
Tobit sedikit berbeda dengan model Tobit da11 Legit. Ada tambahan informasi yaitu koefisien
skala (scale) y;:mg digu:1akan untuk rnengestimasi standar deviasi dari residual. Tanda
'/at iabel j:"lerda;:>c::t·:3r. po:::it:f sesua: dengan teori cian signifikan pad;:; cx=5%. Sed<mgk::>n nila:
2
koefisien determinasi R sebesar 0,6031.
Pad a Iampi ran running Eviews bab 10 kita tidak tampilkan estimasi probit dan log it
pada data kelompok karena estirnasi data kelompok sama seperti estimasi-estimasi
sebelumnya. Fokusnya pada data individual karena Eviews telah menyediakan metode
estimasinya
!'
224 Begian Ketiga: Topik-Topik Ekonometrika
Tampilan 3
Dependent Variable: y
Method: ML- Binary Probil
Dale: 09109/04 Time: 00:14
Sample: 1 30
Included observations: 30
Convergence achieved afh.r 7 iter<.~tions
Covariance matrix computed using second derivatives
Tampilan 4
Dependent ..../ariable: y
Method: ML- Binary Log•t
Date: 08/1J9/04 Time: 00:18
Sample: 1 30
lncl~ded observations: 30
Convergence achieved after 7 iterations
C:.ov<3riance rrtatrix computed usin£1 se'.ond d.arivative.s
c
X
-13.19109
1.650428
. 6.824275
0.803802
-1.976926
2.05327<3
=
0.0480
0.0400
-,--
Bab 10. Model Respon Kualitatif 225
Tampilan 5
Tampilan 6
Oeper.dent Vanat'le:
Method: ML- Cen<;ored Normal (TOBIT)
Oat e: 0811J911J4 Time: 06:~·1
Sample: 1 30
Included o~servations: 30
L~n cgnsurirg ryalue) c;;~t zerJ
Convergence uchieved after 7 iterations
Covariance ma(rix computed usi11g second derivatives
f= -
Coeffic•ent Std. En or z-Statistic Pr~b.
,_, __
n
i
226 Bagian Ketiga: Topik-Topik Ekonometrika
I~
I
r
f !
V\
IT
ki
in
ni
m
Di
inc
au
~
~
~
tk __ .-.=
~--
,-,-
i,.
Bah 11 I
ntT ==wa•nnaQQ1'crrz=
,_
Hasil atau dampak dari setiap kebijal<an ekonomi atau aktivitas 'Jisnis tidak
terjadi secara instan tetapi memerlukan waktu atau kelambo.nan (lag). Misalnya ketika
pemerintah mengeluarkan kebijakan fiskal dan moneter, efek dari kebijakan ini tidak
secara spontan terjadi tapi butuh waktu. Pada bab ini kita akan membahas model yang
memasukkan unsur kelambanan di dalam variabel independen y::~ng dikenal dengan
model regresi dinamis. Bab ini akan mernbah_as bagaimana membentuk model
kelrtrnbanan dan bagaimana mengestimasi model kelambanan tersebut. Pada akhir
bab ini akan dibahas model kausalitas yartg menunjukkan hubungan dua arah.
('11. i )
Di dalam model ini diasumsikan bahwa residual (e;) rnempuny2i distribusi normal,
. independen terhadap X, dan tidak mengandung unsur heteroskedastisitas maupun
autokorelasi. Model dalam persamaan di atas disebut model kelambanan yang tidak
227
228 Bagian Ketiga: Topik-Topik Ekonometrika
terbatas atau infinitif (infinite distributed lag model). Namun dalam banyak kasus
panjang kelambanan adalah terbatas maka modelnya disebut model kelambanan yang
terbatas (finite). Model kelambanan yang terbatas ini dapat ditulis persamaannya sbb:
( 11.2)
Dalam contoh persamaan (11.2) tersebut merupakan model kelambanan pada order
atau tingkat dua karena variabel kelambanan X sampai 2 periode sebelumnya.
Pertanyaan yang muncul adalah bagaimana mengestimasi model kelambanan
yang tidak terbatas ini? Apakah metode OLS dapat diaplikasikan? Jika jumlah
kelambanan adalah sedikit sebagaimana persamaan (11.2) maka kita bisa
menyelesaikan persamaan model kelambanan yang terbatas ini dengan metode OLS.
Namun jika jumlah variabel kelambanan adalah tidak terbaias dan tidak dikstahui
struktur kelambanannya maka estimasi secara langsung akan menyebabkan kita
mempunyai degree of freedom yang besar sehingga menyebabkan estimator yang kita
dapatkan tidak tepat karena adanya masalah rnultikolinieritas. Beberapa metode telah
dikemb8ngkan untuk mengestimasi modei kelambanan yang infinitif ini. Pada sub-bab
berikut ini akan membahas beberapa metode tersebut.
('11.3)
"'
=a+ LfJ;Xt-i + e;
i=O
Di dalam model (11.3) tersebut Y merup<'lkan fungsi dari X dan semua variabel
kelambanan X. Kita juga dapat memasukkan variabel independen lain di dalam model
terse but.
Persamaan (11.3) sulit diestimasi karena i'Jmlah parameternya tidak terbatas.
Oleh karena itu kita h:1rus bisa mengu,·angi para:neter eslimasi sehingga bisa
mengestimasi persamaan tersebut. Supaya tidak menimbulkan bias maka
pengura'lgan parameter estimasi harus mampu memlJuat asumsi tentang pola dari
parameter estimasi !3; yang disebut timbangan kelambanan y3ng didistribusikan
(distributed lag weights).
Sa'ah satu model yang populer untuk menry;stimasi model kelambanan infinitif
tersebut adalah model kelambanan geometrik chnana timbangan kelambanannya
Bab 11. Model Kelambanan 229
positif dan menurun secara geometris. Dengan demikian model kelambanan geometrik
ini mengasumsikan bahwa f3i adalah positif dan.menurun secara geometris yakni sbb: F.
(11.4)
1\
!'\.
-,- ~ .
_I_J~
II ~-:~
I ...___ _
. I
i
Gambar 11.1 Penuruan secara geometris timbangan kelambanan
Model dalam persamaan (11.5) tersebut masih tetap sulit diestimasi karena jumlah
parameter estimasi fJ masih tidak terbatas dan parameter A juga dalam bentuk nonlinier
dalam parameter sehingga metode OLS tidak bisa digunakan untuk mengestimasinya.
Koyck memberi solusi dengan penyelesaian secara matematis dikenal dengan
transformasi dari Koyck. 1 Untuk menjelaskan tranformasi Koyck ini kita mel3kukan
kelambanan 1 periode untuk persamaan (11.5) dan dapat kita tulis sbb:
(11.6)
Y1 1y
- / \ , 1-1
_ ,
-a- Aa + fJ o X , + fJ o/LA
1 v f-... c 1 v 1-1 + jJo-''12 -''v 1-2
,_,_=-fJu/./l. -
fJ oA,2 Jv1 t-1
+ fJo/1,3 xt-3 -- f3o..i3 XH + ... + e! -A c, ·I
r; - A.Y,_ 1
= a(l- A)+ fJ 0 X + (e, 1
- Ae,_ 1 )
Y, =-= a(l- /L) + {J 0 X, + /LY,_ 1 + v, (11.8)
Dimana v 1 = ei - Ae 1•1 yang rnerupc.kan rata-rata ~ergerak (moving average) dari ei dan
e1. 1 • Model kelambanan geometrik ini men9hasilkan estimasi yarg .:;ederhana tanpa
harus mengestimasi sejumlah L'arameter estimasi ~ ya'lg tidal< terbatas. Disamping itu,
transformasi ini juga menghinoari adanya kekhawatiran rnasalah multikolinieritas antara
variabel independen karena varia bel independen X 1• 1 , X1•2 dst hanya dig ant dengan
variabel kelambanan Y 1. 1 . Model yang memasukkan kelambanan variabel dependen
sehagai variabel independen disebut model autoregresif
Dl dalam hal ini penting u;1tuk menjelaskan sitat '3truktu: kelambanan dan
respon jangka panjang variabel dependen terhadap perubahan yang permanen dari
satu variabel independen. Penjumlahan ~ adalah merupakan respon jangka panjang
yaitu:
Lihat Dam0dar, N. Gujarati, op.cit, pp.665-669 dan lihat juga Hill et.ai, op.cit, pp. 318-321
''
i
(11.9)
!-:-::------
1. Median lag
Kelambanan median adalah wal<tu setengah atau separo yang dibutuhkan bagi
perubahan Y karena perubahan yang permanen dari X. Kelambanan median ini
dapat dihitung sbb:
. mo d e1. geometn'k
Kelam banan me d 1an log2
= ---· (11.10)
• logA.
Dalam hal ini semakin kecil 'A maka semakin cepat tingkat penyesuaiannya
sedangkan semakin besar 'A semakin lambat tingkat penyasuaian. Misalnya jika
A.=0,2 maka kelambanan median 0,4306. Artinya perubahan setengah Y hanya
memer!ukan waktu kurang setengah periode. Samentara itu jika /...=0,6 maka
kelambanan median 0,9999 atau dengan kata lain setengah perubahan Y akan
memerlukan waktu selama i periode.
2. Mean lag
Jika semua B; adalar oositif maV.8 rat::1-:ata kelambar.an dapat didefir;:sikc:al sbb:
<f)
"[)fJ;
· Ke!ambanan rata-rata = .i=2____ (11.11)
"'
IfJi
i=O
~
~
~
&==
g ···--=
-~:-
~ t
I!
f;,,
.-:--
232 Bagian Ketiga: Topik-Topik Ekonometrika ·;;;;;;
Jika nilai ekspektasi atau nilai antisipasi dari harga barang adalah X 1 maka permintaan
barang dapat ditulis sbb:
(11 13)
Kita tidak bisa mengestimasi persamaan (11.13) kareila nilai ekspektasi X 1• tidak bisa Jik
didapatkan secara langsung atau diobservasi. <;Jieh k2.rena itu untuk bisa Yn
mengestimasinya kita harus mencari nilai ekspekiasl X1 •
Pertanyaannya, bagaimana mernbentuk suatu nilai ekspr;;ktasi di masa
mendatang? Salah satu caranya adalah nilai ekspektasi dibentuk didasarkan pada
informasi sebelumnya. Pembentukan ekspektasi ini disebut mode! penyesuaian adaptif.
Pe.
oengan demikian model pe::nyesuaian adaptif :ni menyatakan bahwa nilai ekspekt::lSi
per
harga dimasa mendatang X1 han:ra tergantung dari nilai harga dimasa !aiu.
Persamaan (11.13) menyatakan bahwa permintaan barang ada\ah fungsi dar;
harga yang diharapkan. Nilai dari harga yang diharap!;:an ini X* tidak bisa diobservasi
tetapi hanya dapat diprediksi. S3lah sat11 rredi~si edelah rr1el.g!u: ;Jenyesu::oi-?.n sd3iJtif.
Prediksi kond1si di masa mendatang hanya didasad<:an pada informasi di rnasa yang
lalu dengan sebuah koreksi yang didasarkan pada kesalahan dari antisipasi
sebelumnya. Model penyesuaian adaptif ini mengasumsikan bahwa perubahan
ek::neUasi dari satu periode ke periode waktu merupakan penyesuaiall antara
perbedaaP dari niiai observasi sekarang dengan ekspektasi periode sebelumnya.
Model p&nyesuaian adaptif dapat ditulis sbb: Esti
den '-
x;-x,_, =-=r(X,-rx;_1 ) dimana 0< y:s:1 (11.14)
p'3n
nilai
Kita dapat tulis kembali persamaan (11.14) menjadi: perL
kedt
(11.15) aktu c-
Bab 11. Model Kelambanan 233
Persamaan diatas menyatakan bahwa harga yang diharapkan (X.) adalah rata-
rata tertimbang dari harga sekarang dan harga diharapkan di masa lalu dengan
timbangan masing-masing adalah sebesar y dan (1-y). Jika y =
1 maka X'= X1 yang
berarti nilai harapan direalisasikan secara cepat dalam periode yang sama. Sebaliknya
jika y= 0 maka x·= x·,_,
nii<Ji harapan bersifat statis tidak berubah karena hanya
berdasarkan nilai harapan pada periode sebelumnya.
Untuk menjelaskan model penyesuaian adaptif sehingga kita bisa mengestimasi
modelnya maka kita substitusikan persamaan (11.13) ke persamaan (11.15)
mer.ghasilkan persamaan sbb:
Jika kita melakukan kelambanan persamaan ( 11. i 3) dan kemudian dikalikan dengan ·J-
Y menghasilkan persamaan sbb:
:t: - (1- y)Y;_ = /3 0 + /3 1 yX, + /] 1 (1- y)X;_ 1 + er --- (1- y)/30 -/31 (1- y)X;_ 1 -- (1- y)e 1_ 1
1
-t==
"""'
~
~
~
!;;_
,-----
1-,,
1'
~~
I'
i::
Karena y = 1 jarang terjadi maka untuk mendapatkan respon jangka panjang kita harus L
mengestimasi persamaan ( 11.18) tersebut . Jika koefisien y sudah didapatkan dari :·;
koefisien kelambanan variabel depend en Yt-1, maka kemu.dian kita bisa mencari nilai !3 1
dengan cara membagi koefisien l31y dengan y. p
yaitu jika perusahaan mempunyai terlalu banyak persediaan atau terlalu sedikit pE
persediaan sehingga akan mempengaruhi keuntungan yang diperoleh. Kedua ka
perusahaan harus mengeluarkan biaya untuk melakukan penyesuaian tingkat aq
persediaan supaya tetap dalam kondisi optimal. Biaya tersebut mungkin berasal dari
perlunya fasilitas gudang baru atau perlunya menemukan k.onsumen baru bagi !JE·
kelebihan persediaannya.
Untuk menjelaskan berapa tingkat optimal persediaan perusahaan, misalkan
kita mempunyai model sederhana optimal persediaan sbb:
v· -- f3 0
"I + f3 I X I + el ('11.19)
Da!
Dimana
r; · = persediaa:~ optimal atau keseLllUdngar 1
X = tingkat penjualan
Model sederhana tersebut menjelaskan bahwa pet"3ediaan optimal hanva dipengaruhi
oleh tingkat penjualan. Nilai dari persediaan optimal r;·
tidak bisa aiobse:vasi hanya
diprediksi. Salah satu prediksi .Jda:ah meialui penyesuaian persediaan atau Partial
Adjusment Model (PAM). Jika r;·
adalah persediaan optimal pada periode t c..:.n Y 1
adalah nilai aktua' persediaan rnaka model ~enyesu:an persedic:1an atau PAM dapat
dijelaskan sbb:
dim<
(11.20)
a tau
dai::J: _
Marc Nerlove, "Lags in Economic Behavior," Econometrica, Vol. 40, 1972 pp.221-251 pend
Bab 11. Model Kelambanan 235
Dlrnana:
8 = koefisien penyesuaian besarnya 0 < 8 < 1
Yt - Yt-1 = perubahan persediaan aktual
Y\ - Yt-1 = perubahan persediaan yang diinginkan
Persarnaan (11.20) menyatakan bahwa perubahan persediaan · aktual pada
o
periode t sebesar dari perubahan persediaan yang diinginkan pada periode tersebut.
Jika 8=1 maka nllai persediaan aktual sama dengan nilai persediaan yang diinginkan
atau dengan kata lain persediaan aktual menyesuaikan secara langsung persediaan
yang diin9inkan pada saat yang bersamaan. Jika o=O
maka tidak ada perubahan
persediaan karena persediaan aktual peri ode t sam a dengan persediaan ·periode
sebelumn~;s t-1. Pada umumnya nilai 8 akan terletak pada nilai 0 dan 1 karena
penyesuaian persediaan mP.nuju tingkat keseimbangan tidfl~lah sempurna. Oleh
karena itu model penyesuaian ini disebut model penyesuaian parsial (Partial
adjustment Model).
Penyesuaian dalam persamaan (11.20) dapat ditulis kembali menjadi
persarnaan sbb:
V
~t
---
r -
.<:y* + ...~.y /-1 _
U. t
~v
Ul t-1
1."::
-'.
236 Bagian Ketiga: Topik-Topik Ekonometrika
penyesuaian 8. Kemudian kita membagi koefisien jangka pendek 8[3 0 dan 8[3 1 dengan 8
untuk rnendapa~kan koefisien jangka panjang Po dan [31
Model PAM dalam persamaan (11.22) tersebut sama seperti persamaan model
penyesuaian adaptif dalam hal model autoregresif. Tetapi model PAM berbeda dalam
hal residualnya. Walaupun tampak sama, model penyesuaian adaptif d1dasarkan pada
ketidakpastian di masa mendatang sementara model PAM terjadi karena adanya
regiditas teknologi maupun kelembagaan. Dalam hal koefisien penyesuaian keduanya
tidak berber:la. Koefisien penyesuaian y dalam model adaptif dapat juga diartikan
sebagai koefisien penyesuaian persediaan 8.
climana v, = er -· ye,._ 1
(1'1.24)
(11.25)
ketiga model diat8s dapat kita tulis daiam bentuk umum model a'Jtoregresif sbb:
(11.26)
Model autoregresif seperti model regresi berganda yang telah kita bahas pada
bab 5, tetapi !llodel regresi autoregresif ini berbeda. Ada dua ciri yang membedakan
dengan mor1el regresi berganda .biasa. Yang pertama adalah adanya variabel
independen yang merupakan kelambanan dari variabel dependen (Yt-1 ). Ciri yang
Bab 11 . Model Kelambanan 23 7
kedua adalah berkaitan dengan residual Vt yang diduga akan mengandung masalah
autokorelasi.
Pada model transformasi Koyck diduga variabel kelambanan dependen Y1_1
sebagai variabel independen akan berkorelasi dengan residual v1• Kenapa hal ini
terjadi? WalaupL•n nilai res~dual awal e1 memenuhi asumsi OLS yaitu homoskedastisitas
dan tidak ada unsur autokorelasi, tetapi diduga variabel independen Y1_1 akan
berkorelasi dengan Vt melalui et-1 dimana Vt = et - A.et-1· Begitu pula pada model
penyesuaian adaptif variabel independen Yt-1 akan berkorelasi dengan v1 melalui e 1_1
dimana v1 :::: e1 - (1-~")et-1· Jika variabel independen di dalam regresi bekorelasi dengan
residual maka kita tidak bisa mengaplikasikan metode OLS karena metode OLS akan
menghasilkan estimator yang bias dan tidak konsisten.
Sementara itu, model autoregresif dalam model penyesuaian persediaan (PAM)
berbeda dengan model Koyck maupun model penyesuaian adaptif. Di dalam model
PAM residual v1 = oe 1 dimana 0 < o s; 1. Jika et memenuhi asumsi OLS maka residual v 1
mempunyai sifat homoskedastisitas dan tidak ada autokorelasi. Oleh karena itu kita
dapat menggunakan metode OLS untuk mengestimasinya dan estimator yang kita
dapatkan adalah konsisten.
Karena metode OLS tidal< dapa~ diaplikasika!l dalam model transformasi Koyck
maupun model penyesuaian adaptif, sebagai alternatifnya kita bisa menggunakan
estimasi melalui variabel_ instrumen (instrumental variable) maupun metode Maximum
Ukelihood. 3 Untuk menghilangkan korelasi antara variabel independen Y1.1 clengan
residual v1 maka kita tidak lagi rnenggun.JI\an varaibel Y1_1 tetapi kita akan
rrienggunakan variabe! pro~si Menurut rnetode variabel instrumen, proksinya adalah
variabel X 1_1 sebagai variabel instrumen. Untuk menjelask.an metode vadabel instrumen
kita kemba!i tulis persc;maan model autoregresif sbb:
(11.27)
1 merupakan pruks1 dari variabel Yt-1· ?ar<"meter estimasi dalam persamaan (11.27)
)( 1_
tersebL:t dapat dicari so'usinya melalui persamaan normal sbb:
Pada subbab ini akari dibaha;__ metode variabel instrumen sedan<]kan rnetode estimasi dengan
Maximum t,f<e!ihood akan dibahas pada bab 15.
238 Bagian Ketiga: Topik-Topik Ekonometrika
Persamaan normal ini berbeda dengan persamaan normal dalam metode OLS, lihat
kembali lampiran bab 5. Kalau dalam persamaan normal metode OLS akan
menghasilkan estimator yang tidak konsisten sedangkan dalam persamaan normal
(11.28) estimator yang didapatkan adalah konsisten.
(11.29)
Dimana Y= permintaan uang M1; X 1 = Gross Domestic Product ;dan X 2 = suku bunga
Keinginan atau keseimbangan permintaan uang J~· tidak bisa diobservasi. Berdasarkan l
pendeka::~~m:~ :1;",:e;~l:~~· p~;:e;i~~n
1 atau PAM besarnya Y,' adalah sbb ( 30)
11
~
I.
Kita substitusikan persamaan (11.29) ke dalam persamnan (11.30) akan menghasilkan
model pennintaan uang M1 dengan pendekatan PAM sbb:
(11.31)
:<Ita asumsikan bahwa residual e1 cJ2ln 5e1 memenuhi asumsi OLS. Hasil estimasi mode!
persamaan (11.31) sebagai persamaan permintaan usng 1.111 pariode jangl<a per.dck sb'J:
~
!
Bab 11. Model Kelambanan 239
J. Durbin, Testing for Serial Correlation in L_east Squares Regression When Some of the regressors
Are Lagged Dependent Variables," Econometrica. Vol. 38, 1970, pp.410-421
240 Bagian Ketiga: Topik-Topik Ekonometrika
Dalam sampel besar, Durbin menunjukkan bahwa jika p=O maka statistik h akan
mempunyai distribusi nqrmal. Di dalam prakteknya kita mendapatkan nilai p dengan i::
4-------
menggunakan formula sbb:
p=l-_!_d (11.35)
2
1 n
h=(l--d) [ ] (11.36)
2 1 - n var(ft 2 )
Jika nilai h terletak antara -1,96 dan 1,96 maka kita menerima hipotesa nul
yakni tidak adanya outokorelasi tingkat pertama. Sebaliknya jika nilai h < -1,96
maka kita menolak hipotesa nul yaitu adanya autokorelasi negatif dan jika
h > 1,96 maka kita menolak hipotesa nul yaitu ndanya autkorelasi positif.
.
t·
"".. -
c~
~
~
~-~
·: -
_,_
.
i
(_.
i.
1 17
h=fl--(L9120)] (1'! .39)
- 2. 1-17(0,0311)
= 0,2643
Nilai hitung h sebesar 0,2643 ini terletak antara -1,96 dan 1,96 sehingga kita bisa
menyimpulkan bahwa tidak ada masalah autokorelasi di dalam rnodel permintaan uang.
I
.
'Z'Jti:Zn -=== ~.- = '"' -~·~ ""'= m-~~"""""=·=~··~-;.z~
Kita bisa lihat kerr.Jali bab 9 untuk mengingat kembali uji Uv1. Kriteria dari Akaike maupun Sch1..varz
akan dibahas di bab ini pada subbah penentuan panjang kelambanan
I'
-- - .
~~odfrey
~~·
-....--:.-~--=--~........-~~=-
==~~=<==~-""'"""=-==;;;;;;;;;a;;--=.....,..~==--== .........!1 r
r
11.7. MGdel Polinomiai c
n
Model transformasi dari Koyck mengandung :-,ele-rnahan karena nilai koefisien [3
diasumsikan menurun secai·3 geometris dengan sernakin panjangr1ya kelambanan
sebagaima;1a digambarkan daiam gam bar 1 i. ·1. Narnun dalam beberapa kasus nilai
koefisien [3 mengalami kenaikan dan kemudian menurun lihat gambar 11.2(a) atau
mengikuti !JOia sebuah siklus (cyclicaf), litlat gambar 11.2 (b). Jika koefisien [3 mengikuti [
p0!e S'3pc;ti d213rn g3rnbr:t: 1"1 -~ ter~:;but. ll'akn nlCHie! ke!3rr.b8'l::m geometris c:!ari
Koyck tidak bisa diaplikasikan. Model yang secara umum mc=tmpu menggambarkan y
semua pola koP.fisien p adalah model distribusi polinomia! (polynomial distributed lag) k
6
yang dikemukakan oleh Shirley Almon.
Untuk menjela<skan model diGtribuc::i polinornial ini kita kembali model
kelar11uanan sbb:
(11.11) s -
Persamaan (11.1) dapat ditulis kembali sbb:
k
= ex+ L /3, XI_, -1- c:, (11.40)
di
di
KE -
dl
m
Shirley P.lmon," The Distributed Lag B,,~;;een Capital Appmpr1ation and E)(penditures," Econometrica,
6
""
2
IF--
~
;_=:=
-,-
Bab 11. Mod81 Kelambanan 243
i-
'l...
i
(a) (b)
Gambar 11.2 Penuruan secara Po!inomial timbangan kelambanan
(11.41)
(11.42)
Secara umum kita dapat menulis pola distribusi model polinomial sbb:
(11.43)
dimana m adalah derajat dari model polinomial dan diasumsikan lebih kecil dari k
dimana k adalah maksimum panjangnya kelambanan. Untuk mengestimasi distribusi
kelambanan model polinomial ini misalnya kita mempunyai pola polinomial pangkat
dua. Kita substit:..~sikan persamaan (11.41) ke dalam persamaan (11.40) sehingga akan
menghasilkan persamaan sbb:
244 Bagian Ketiga: Topik-Topik Ekonometrika
k k k
==a+b0 LX1_ 1 +b 1 LiXr-t +b Li
2
2
X 1_ 1 +e1 (11.44)
(11.45)
dimana
k k k
residual cialam persamaan (11.45) tersebut memenuhi asumsi OLS sehingga kita dapat
mengestimasi persamaan (11.45) dengan metode OLS. Sete!ah kita mengestimasi
persamaan (11.45) untuk mendapatkan nilai koefisien b maka nilai koefisien estimasi 13
dapat dicari dari persamaan (11.44) sbb:
~ ~
r
f3o = bo )
.... ,.... ..... ,..
f3t = bo + bl + b2
/; 2 = b0 + 2b 1 + 4b 2
(11.47)
t:
~
;
~--==-
~ ----
,-;)-
~.;·
r:
r·.:.
'
I'
untuk melakukan hal ini. Salah satunya adalah nilai koefisien determinasi yang
disesuaikan (JP) . Kita akan kembali tampilkan formulanya sbb:
lP = l-(1-R") n- 1 (11.49)
n-k
dimana k adalah jumlah variabel independen dan n adalah jumlah observasi. Dalam
forml!la tersebut jika kita tambah variabel independen di dalam model maka IP dapat
mGnwun atau nail<. Oleh karena itu, metode penentuan panjangny2 kelambanan dipilih
jika nilai R 2 tidak lagi menaik ketika kita menambah panjangnya kelambanan.
Selain menggunakan nilai koefisien determinasi yang disesuaikan kita bisa
I
(11.50)
(11.51)
.
d 1mana "~?
L., e;- = residual kuadrat
k =jumlah variabel independen
n =jumlah observasi
Kedua formula AIC dan SC berbedc: dengan kriteria R dimana AIC maupun .SC
L
memberi timbangan yang !euih besar daripada IP ketika terjadi penambanan variabel
independen. Panjangnya kelambanan yang dipilih didasarkan pada nilai AIC maupun
SC yang paling minimum. Sekarang disamping IP beberapa software ekonometrika
I
seperli Eviews juga telah memberi informasi nilai AIC maupun SC.
"'·!."r
,.
'-,··
246 Bagian Ketiga: Topik-Topik Ekonometrika
hanya bersifat satu arah tetapi saling mempengaruhi. Nilai tukar mempengaruhi inflasi h
melalui barang impor (imported inflation), sementara itu inflasi mempengaruhi nilai tukar
melalui teori kesamaan daya beli dua mata uang (purchasing power parity). Contoh lain
adalah antara ekspor dan GOP. Menurut aliran makro Keynesian, produksi untuk
ekspor ada!ah unsur dari besarnya GOP clan jika ekspor nail<. rnaka GOP otomatis akan
naik. Sebaliknya jika output domestik GOP naik rnaka ekspor akan didorong naik
karena kelebihan output domestik akan disalurkan meialui ekspor sebagaimana teori PE
perdagangan clari Adam Smith (trade as a vent for surplus).
Kausalitas adalah hubungan dua arah. Dengan demikian, Jika terjadi kausalitas
di dalam perilaku ekonomi maka di da!am model ekonometrika ini tidak terdapat
variabel independen, semua var!abel merupakan variabel dependen. Ada beberapa uji
kausalitas, namun kita akan membahas model kausalitas yang dikemukakan oleh
Granger. 7 Misalk'an kita ingin menguji_ kausalitas antara Ekspor dar. GOP. Model
rE,rsamaan kaus31ltas Granger dapat ditulis sbb:
n 11
Y, =La)~-~+ 2:J3,X,_, + e 1,
(11.52)
i=l i=l
11! 111
Menurut Granger untuk menyelesaikan model kausalitas antara ekspor dan GOP kriti
sebagaimana dalam persamaan (11.52) dan ('11.53) maka ada empat model regres:
F h ~
yang harus dilakukan. Langkah pertama untuk menguji apakah ekspor mempengaruhi (ek:
GOP persamaannya sbb: pan
kelc:
C.W. J. Granger," Investigating Causal Relatio:-~s by Econometric M:Jdels and Cross Spectral
Methods," Econometrica, 1969, pp.424-438. Selain Kausalitas granger, ada uji kausalitas yang
dik~mukakan oleh Sim, lihat C.A. Sims,"' M Jney, income and Casaulity American Economic Review,
Vol. 62, 1972, pp. 54v -552.
-~:-
Bab 11. Model Kelambanan 247
n n
persamaan unrestricted Y, = L:a,Y,_, + L:P,.Xt-i + et, (11.54)
In
Langkah kedua dalam menguji apakah GOP juga mempengaruhi ekspor maka kita
harus melakukar1 regresi sbb:
II II
m
persamaan restricted X, = Lr,.X,_,. + e2, (11.57)
i=l
(11.58)
Oimana:
RSSR dan RSSuR = bertur11t-turut ndalah 'lila! Residue:/ su:r. of squcHes d! ::lalc.;~l
persamaan restricted dan unrestricted
n =jumlah observasi
m =jumlah lag
k =JUmlah pa:-ameter yang diestimasi di dalam persama~n unrestricted.
Sebagaimana prosedur uji F, jika nilai F hitung lebih besar dari .lilai F tabel (nilai
kritis tabel) maka ekspor (GOP) mempengaruhi GOP (Akspor) dan jika sebaliknya nilai
F hitung lebih kecil dari nilai kritis F berarti ekspor {GOP) tidak mer.1pengaruhi GOP
(ekspor). Hal yang cukup krusial di dalam melakukan uji kausalitas adalah tentang
panjang kelambanan yang digunakar.. Kelemahan dalam penentuan panjangnya
kelambar.an dalarn kausalitas Granger telah diperbaiki oleh Hsiao. Penentuan
248 Bagian Ketiga: Topik-Topik Ekonometrika
.,.......,.~.r.l".o!!i~i"iiii•um;;;;i:'IR!«<iiii=""-'""'"'....,;;;;;;;;;;;;;;;;;;;;;;;;;;;
I
'
Sample: 1980 20()2
Lags: :
Pembahasan model kausr~litas dari Hsioa di luar cakupan buku ini. Lihat Hsiao, Cheng,"
Autoregressive Modeling of Canandian Money and Income data," Journal of the Amr:Jrican Statistical
Association, Vol. 74, No. 367, 1979, pp ..553-60
Bab 11. Model Kelambanan 249
'!
,.
f.,
tr---
tc=
it=-
.~----
----
..; ______
"-':
,,
\i
j .•
I
b:·
LAMPIRAN BAB 11
Lampiran Tab~!_1!:!· Data GOP dan Ekspor
TahU!l_f_Qf'_(>YJ!iy-"i Ekspor Quta $]~
Tahun GOP (milyar) Ekspor(}uta $)
1980 45445,7 23950,4 1992 259884,5 33967
19s1 . 54027,0 I 2516t.,5 1993 329775,8 36823
1982 Ii 2 ' (~I
t::g'~~
'"'' t.:J I
I 22328
' '3 1994 382219,7 40053,4
1983 I 73697.6 I 21145,9 I 1995 454514,1 45418
'1984 8l'064J:: I 21887,8 I 1996 532568,0 49814,8
-go~'
I ~),) Ii ..· ; ' ... ,, •P
O;t"('/0 ! 18586
' '7 II 1997 627695,4 53443,6
J
,.J
Dimana:M= permintaan uang M1 ;GOP= Gross Domestic Product ;R = suku bunga;M 1_1 =
permintaan uang periode sebelumnya. Langkah running Evievvs sama seperti estimasi-
estimasi sebelurnnya. Silahkan pernbaca mencoba sendiri. Spesifikasi persamaan
dalarn Eviews sbb:
Tam ilan 1
Dependent Variable: LOG(M1)
iv1ethod: Least Squares
Date: 08/lJ911J4 Time: 07:23
Sample(a::ljus<ed): 1986 200~
Included observations: 17 after adjusting endpoints
~---
~
~-·
~
~~
;;;::=::=:
'"-.--
=
L____
!'
52 Bagian Ketiga: Topik-Topik Ekonometrika
2
Tampilan 2
Tampilan 3
Tarnpilan J menujukkan panjangnya kelambanan (lag
specification) dalam uji kausalitas. Misalnya kita pilih 2
kemudian klik OK sehingga akan muncul hasil kausalitas
GOP dan X pada kelambanan atau lag 2 sbb:
Tampilan 4 '·
rpaiiwisa Gr1ngec CJusal1:y Ta3ts
Oafe: OB!lJ9/1J4 Time: 07:44 p
Sample: 1980 2002
Lags: 2
s
=- . d
Null Hypot~es1s: Obs F-Statistic Probability tc:
=-- 21 ::1.65918 0.0491·3
X does not Granger Cause GOP
GOP does not Granger Cause X 0.56322 0.58026
1
t: g.
d;
catatan jika kita ingin melakukan u11tuk beberapa kelambanan maka klik kembali View/
Granger Causality dan kemudian pilih lag yang diinginkan
"---
I
Bab 12
MODEL REGRESI
D .tt\TA PANEL
Data untuk pekerjaan ekonornetrika terdiri dari tioa jenis yaitu data time series,
cross section dan data panel. Pembahasan regresi pada bab-bab sebelumnya masih
terfokus hanya kepada satu jenis data yaitu data time series saja ataupun data cross
section s2)a. Kita belum marnbahas regresi dengan menggabungan data time series
dan cross section. Pada bab ini kita akan membahas secara khusus regresi yang
rnenggabungkan data time series dengan data cross section yang dikenal dengan
regresi data panel. Pemb8hasan akan dirnulai dengan contoh regresi dengan
rnenggunakan data panel. Pembailasan berikutnya berkaitan dengan teknik yang
digunakan untuk mengestimasi model regr<:>sl dengan data panel. Pada bagian akhir
bab ini akan dijelaskan beberapa uji statistik yang digunakan untuk memilih te:mik yang
tepat di dalam mengestimasi model regresi data panel.
253
~"=
l-..--
'tj
254 Bagian Ketiga: Topik-Topik Ekonometrika .
E
Regresi dengan menggunakan data panel disebut model regresi data p8nel. 1
Ada beberapa keuntungan yang diperoleh dengan menggunakan data panel. Pertama, n
data panel yang merupakan gabungan dua data time series dan cross section mampu ~--·
menyediakan data yang lebih banyak sehingga akan menghasilkan degree of freedom b --
yang lebih besar. Kedua, menggabungkan informasi dari data time series dan cross p
section dapat mengatasi masalah yang timbul ketika adalah masalah penghilangan rr
varia bel ( ommited-variabel). d
1~
Misalnya kita ingin mengetahui perilaku investasi perusahaan. lnvestasi dalam
pengertian riil bukan investasi finansial adalah penambahan stok kapital seperti mesin pt
dsb atau penggantian kapital yang sudah usang. Secara teoritis, investasi sangat ~
1\E
dipengaruhi oleh tingkat keuntungan yang diharapkan dan kebutuhan kapital yang
diinginkan. Akan tetapi kedua data tersebut sulit didapatkan sehingga kita hanya bisa yc
mengambil data untuk mewakili atau proksi (proxies) dari variabel tersebut. Variabel m
keunt~.mgan biasanya diwakili dengan data harga nilai saharn perusahaan (V 1) dan
de
variabei kebutuhan kapital yang diinginkan diprul<.si dengan nilai aktual kapital diawal Et
tahun (K 1). Model ekonomi perilaku investasi dengan demikian dapat ditulis sbb:
1:
( 12.1)
se 1
Adapun rnodel regresinya dalam berotuk log linier dapat ditulis sbb: int.
wa
(12.2) mE
kar
dimana: '-{ 1 = Hilai investasi; X1 = nilai harga saharn; X2 o.: nilai aktual kapital diawal 8Sl
periode; i = jenis perusahaan; dan t = waktu. Residual dalam model ini sebagaimana ker
biasanya rnengikuti asumsi metode OLS
Kita akan mengambil co11t::>h rnodel investasi em~C~t perusahaan US ste91, IBM,
Goodyear dan Union Oil dan data keempat perusahaan dapat dilihat dalam lampiran. 2
Dalam data ini kita mengetahui nilai masing-masing variabel dari keempat perusahaan
US steel, IBM, Goodyear dan IJnion Oil. Selain itu juga diketahui nilai masing-masing
variabel daiam runtut waktL. pad a periode 1935-~ 954. Data pada lampirar dengan
demiki~:,n ::1dalah ccmtoh data panel yang merupakan gabungan data cross section
Sudah banyak buku ekonometrika yang secara l<husus membahas masalah regresi yang didasarkan
12.
pada data panel, lihat mi.salnya Hsiao, Cheng, Analysis of Panel Data, 1995, Cambridge: Cambridge
University Press dan Baltagi, H. Badi, Econometric Analysis of Panel Data, 2003, New York: John den~
Wiley&Son. met(
Contoh studi tentc;ng regresi data panel seringkali mengacu kepada studi pertama dengan
menggunakan data panel yang dilakul<an oleh Y. Grunfeld. lil1at Hill, Carter, William Griffiths and
George Judge, op.cit pp. 270-272 dan Gujarati, N. Damodar, op.cit, p. 639
Bab 12. Regresi Data Panel 255
empat perusahaan US stee:, IBM, Goodyear dan Union Oil dan data time series
masing-masing perusahaan selama periode 1935-1954.
Secara prinsip, jika kita mendapatkan data lebih banyak perusahaan maka kita
bisa melakukan regresi dengan data cross section pada tahun tertentu saja misalnya ! ~'
pada tahun 1954. Disamping itu, kita juga bisa melakukan regresi dengan
menggunakan data time series untuk mengetahui perilaku investasi perusahaan
dengan mengambil contoh satu perusahaan saj3 misalnya IBM pada periode waktu
1935-1954. Namun, alangkah baiknya jika kita mengamati perilaku investasi keempat
perusahaan tersebut dengan menggunakan data panel.
Model regresi dengan data panel, secara umum mengakibatkan kita mempunyai
kesulitan dalam spesikasi modeinya. Residualnya akan mernpunyai tiga kemungkinan
yaitu residual time series, cross section maupun gabungan keduanya. Ada beberapa
metode yang bisa digunakan untuk mengestimasi model regresi dengan data panel. Di
da!am buku ini akan dibahas secara detil dua pendekatan yaitu pendekatan Fixed
Effect dan pendekatan Random Effect.
1. Diasurnsikan intersep dan slope adalah tetap sepanjang waktu dan individu
(pe1 usahaan) dan perbedaan intersep dan slope diJelaskan oleh residual.
2. Diasumsikan slope adalah tetap tetapi intersep berbeda antar individu
3. Diasumsikan slope tetap tetapi intersep berbeda baik antar waktu maupun
antar indiv!du
4. Diasumsik2n intersep dan ~lope berbeda antar individ:.~
5. Diasumsikc:::n intersep dan slope herbeda antara waktu dan an[ar individu
antar perusahaan sama dalam berbagai kurun waktu. Sebagai contoh adalah perilaku rT
investasi empat perusahaan US steel, IBM, Goodyear dan Union Oil sebelumnya maka 0
kita hanya menggabungkan data time series milik US steel, IBM, Goodyear dan Union g;
Oil. Gabungan data keempatnya akan menghasilkan data sebanyak 80 data yakni 4
'··
perusahaan selama 20 tahun (1935-1954). Dengan demikian pada teknik ini maka (1 i:'t
.mcdel persamaan regresinya scperti dalam persamaan (12.2). Kita tulis kembali di
persamaan tersebut sbb: ar
kc
(i2.2)
bE C'-
uri
Contoh 12.1. Data panel Dengan Koefisien Tetap Antar Waktu Dan Perusahaan dE
Kita akan menganalisis perilaku \nvestasi keempat perusahaan US steel, IBM, Goodyear dan te
Union Oil dengan mengasumsikan bahwa koefisien baik intersep maupun slope sama antar
waktu dan perusahaan. Model regresinya seperti pada persa~1aan (12.2) Hasil dari metode
ini ditampilkan di dalam persamaan (12.3).
Hasil regresi menunjukkan bahwa semua koefisien signifikan secara statistik dengan uji t
pada o.=1 %> dan tandanya sasuai dengan yang diharapkan yaitu investasi (Y) berhubungan
positif dengan keuntungan yang diharapkan (X, J dan stok kapita! (X 2 ). Sedangkan nilai
koefisien determinasi sebesar 0,8465 yang berarti model mampu menjelaskan variasi Kit
inves~asi sebesar 84,65%. va
ter 1
sel
12.2.2. Slope Konstan Tetapi lnter~·ep Berbeda A.ntar lndividu int1
Pada pembahasan sebelumnya kita mengasumsikan bat1wa intersep rnaupun me
slope adalch sama balk ar.·ar waktu maupun antar perusahaan. N.imun, asumai ini inh
jelas sangat jauh dari realita sebenarnya. Karakteri::;tik antar perusahaan ielas akan Se
berbeda, misalnya budaya perusahaan, gaya manajerial, sistem insentif- dsb. Salah (1;:
satu cara paling sederhana mengetahui adany:1 per!Jedaan adalah dengan
mengasuillsikan bah·Na intersep adalah berbeda antar perusahaan sedangkan
slopenya tetap sama antar perusahaan. Untuk menjelaskan hal ini kita kembali pada
kasus investasi ernpat perusahaan sebelumnya dan kita tulis persamaannya sbb:
(12.4)
Bab 12. Regresi Data Panel 257
Dalam persamaan (12.4) ini kita memberikan subskrip i pada intersep untuk
menunjukkan bahwa intersep empat perusahaan US steel, IBM, Goodyear dan Union
Oil mungkin berbeda. Perbedaan intersep ini bisa menggambarkan adanya perbedaan
gaya manajerial antara keempatnya.
Model yang mengasumsikan adanya perbedaan intersep di dalam persamaan
(12.4) tersebut dikenal dengan model regresi Fixed Effect. Pengertian Fixed Effect ini
didasarkan adan:;a perbedaan interst.p antara parusahaan namun intersepnya sama
antar waktu (time invariant). Disamping itu, model ini juga mengasumsikan bahwa
koefisien regresi (slope) tetap antar perusahaan dan antar waktu.
Bagaimana l<ita bisa mengestimasi model Fixed Effect ini dimana intersep
berbeda antar perusahaan? Kita akan menggunakan metode teknik variabel dummy
untuk menjelaskan perbedaan intersep tersebut. Model estimasi ini seringkali disebut
dengan teknik Least squares Dummy Variables (LSOV). Model Fixed effect dengan
teknik variabel dummy dapat ditulis sbb:
(12.5)
Kita mempunyai empat perusahaan yang berbeda maka kita hanya memerlukan tiga
va~iabel dummy untuk mengetahui peroedan intersep antara keempat perusahaan
tersebut. Oi dalam model in! perusahaan US steel merupakan perusah8an pembanding
sehingga kita tidak rnemerlukan variabel dummy untuk US steel. {J 0 menunjukan
.
intersep untuk US steel dan {J 3 , f3 4 dan f3 5 rnerupahan intersep pembeda yang
menjelaskan seberapa besar perbedaan intersep IBM, GoodyE::lr dan Union Oil dengan
intersep US steel. Bagai!llana kita bisa mengestimasi persamaan (12.5) tersebut?
Sebagaimana tekilik variabel dummy pada bab 5, kita bisa mengestimasi persamaan
(12.5) dengan metode OLS.
..
~~
1.'
258 Bagian Ketiga: Topik-Topik Ekonometrika
..
Tabel12 1 Ec.timac;i Panel Data dengan Teknik Fixed Effect
"'
~
du
m<
Contoh 12.3. Estimasi Fixed Effect Dengan Software Eviews eft
Software Eviews telah menyediakan estimasi model data panel teknik Fixed Effect. Hasil mL •.'
estimasinya c1apat di!ihat pada Tabel 12.2. Tampiian software Eview dibagi menjadi tiga
bagian. Pertc.ma, bagian atas menampilkan koefisien estimasir.ya dan nilai t statistiknya. pe1
Bagian tengah meny<'jikan Fix~~ Effect ~aitu ~e~bedaan ~ila_i intersep a~t~r perusah~an ~an · Go
IL
bagian paling bawah memben mformas1 stat1st1k sepert1 m1salnya koef1s1en deLermmasl, F pe1
statistik dan nilai statistik OW. l var -
l
1
l
yar
POl
per
I
I
j
,,I
J
I
1-:-
~~
Bab 12. Regresi Data Panel 259
r rl
ethod. , c.,.,._, '-t:~~?_:....?..':i~arP.,s
· 0 r1~(~~-{ I ,~._-~,...,t
--..:'"'t
Variable I oefficient
C------·--- Std. Error ----------,---,----:- Pro b.
t-Statistic ~-------
LOG(X1?) --~ 0.570443 ---o 11679o 4.884341 0 0000
LOGJ. X0l_ _____ 0.352097 0.054320 6.481923 0.0000
Fixed Effects
IR-squared
_US--C
__ I BM--C
-~3g~c-~--- ------j
Durbin-Watson stat
'--------------~
0.948601
1.001067
-0.302850
--1.071512
-1.615893
-1.04 ~ 914
F-statistic
Prob(F-statistic)
1365.712
I o.ooooooj
(12.6)
!~
'
260 Bagian Ketiga: Topik-Topik Ekonometrika
Dalam hal ini Po; tidak lagi tetap (nonstokastik) tetapl bersifat random sehingga dapat
diekspresikan dalam bentuk persamaan sbb:
flo adalah parameter yang tidak diketahui yang menunjukkan rata~rata interse;:>
populasi dan ~ adalah residual yang . be.r~ifat random y~n~ m.enjelaskan adanya
perbedaan penlaku perusahaan secara 1nd1V1du. Dalam hal 1n1 restdual 1-4 mempunyai
karakteristik sbb:
I.
(12.8)
i:
Bab 12. Regresi Data Panel 261
lihat kembEJii pernbahasan masalah autCJkorelasi pada bab 9. Jika model rnengandung masalah
autokorelasi maka estimator yang kita dapatkan tidak lagi rnempunyai varian yang minimum atau tidak
lagi efisien
Pernbahasan secara detil rnetode GL_S bisa dilihat Greene, H. William. Op.cit, charter i 1.
,-':-
262 Bagian Ketiga: Topik-Topik Ekonometrika
• E75"7P
iUii
re
Ul
m
$( i:
~
-
F
1.:':
0
ciL
F-
a~
Jll. ·-
p(
ta
Dirn;:ma RSS 1 dan RSS 2 merupakan residual sum of Squares teknik tanpa variabel
dummy dan t~knik tixGd afh:U dengan variabel dumrny.
Hipot~;:.,i, nuln;t<':l ad;:~hh bahvva interser" adalah sar-:-ia. Nilai statisitik F hitung
akan rnen~Jikut\ distribusi stat1st\k r: dengm1 derajat ketH~basan (df) sebanyak rn untuk
numerator dan sebanyak n-·k untLik denumerator. m rnerupa!<an jumlah restriksl atau
pembatasan di dalam model tanpa variebel dummy. lviisainy;;1 restriksi dalam model
tanpa variabei C:umrny dalarn persamaan (12.4) ada!at; sebanyak 3 dengan asumsi
intersep dari perusahaan US ~;teel sama den~jan IBM, Goodyear dan Unicn Oi!. Jika
kita mernpunyai !!rna perusallaan mal<a restriksinya sebanyak 4 dst. n merupakan
jumlah observasi dan k ada!sh jumlah pararnater dale~m model Fixed Effect.
Nilai statistik F kriti3 deng;:;n numerator 3 da~ denurnerator 74 pada a=1% dan a=5%
masing-masing adalah 4, ·13 dan 2,76. uengan demikian kita menolak hipotesis nul. Asumsi
bahwa koefisien intersep dan slo;Je adalah sa1T1a tidal<. berlaku sebagaimana pada
persarnaan ('12.2) Model panel data yang tepat untuk menganalisis perilal\u keempat
l. perusahaar~ tersebut ada~e~ Fixed~~ffect d~n'.:)an te:nik LSCV dar:pada metode OLS.
r
~
-p.--
=---
~----=
~
_,,_ _
if
L
!·;
I
nT I
LM= ;!
2(T -1) f ~
I.,
nT
n
L(TeJ 2
-'-i=-'-1- - - - 1 (12.16)
I I
I
! '
h
,
.
He:
de
6
Bruesch. T and A. Pagan,"The LM Test and Its Applications to Model Specification in Econometrics,"
7
Review of Economic Studies, 47, 1880, pp. 239-254.
Contoh 12.6. Uji Signifikansi Random Effect
Pada Contoh 12.4 telah ditunjukkan bahv.ta model Fixecl E:Itec:i lebih tepat digunakan untuk
mengestimasi model regresi panel perilaku investasi. Pada contoh kali ini akan diuji apakah
model Random Effect juga tepat dibandingkan dengan metode OLS tanpa variabel dummy.
Hasil perhitungan statistik LM berdasarkan residual metode OLS pada contoh 12.1. sbb:
(12.18)
Hasil metode Hausmail adalah bahwa perbAdaan kovaria;: dari estimator yang efisien
dengan estimator yang tidak efisien adalah nol sehm~;ga
( 12.19)
------·---··-----
Hausman, J A,"Speciticatlon Te~ts in Econon:etric:s, Ecc>;Oi!!-'!l(ic.-·. J.:J\ 46, !978, pp.1251-1271
t;;----
~--
~
~-==~~
r----------
, --
,,
j:
266 Bagian Ketiga: Topik-Topik Ekonometrika
=~='---==;;;;;;;;;;;;;==~===---=---====~~-;;;o;;;;;;;-.~·.,.,._.,
Selanjutnya mengikuti kriteria Wald, Uji Hausman ini akan mengikuti distribusi chi-
squa:-es sbb:
m = q'Var(qr q1
('12.21)
Statistik uji Hausman ini mengikuti distribusi statistik Cfli Square dengan der;ree ol
freedom sebanyak k dimana k adalah jumlah variabel independen. Jika nilai stat:stik
Hausman lebih besar dari nilai kritisnya maka model yang tepat adalah rnodel f=)xec1
Effect sedangkan sebaliknya bila nilai statistik Hausman lebih kecil dari nilai kritisnya
maka model yang tepat adalah model Random Effect.
~ . . • ~-:=....----:;!:;;J:;:.-:o:z;~~:::.-::-:~~·~~
(12.22)
Sedangkan nilai kritis chi-squares dengan df sebesar 2 pad a a=5% dan a=·i 'Yo masing-
masing sebesi:3r 9,98~5 dan 9,2103. Der.gan demikian berdasarkan uji Hausma11 mode! I
yang tepat untuk menganalisis perilaku investasi keempat perusahaan terse but di atas .I
adalah model Random Effect daripada model Fixed Effect. .
tr---
,------
F--
-"-
i'F=~=
~ -
,.
=
-~~-
,.
Bab 12. Regresi Data Panel 267
LAMPIRAN 12
Lampiran Tabel12.1 lnvestasi Perusahaan US Steel IBM Good Year dan Union Oil
I I
Tampi!an 1 E
E;
G
' -. E;
E;
.Yie:~:lPr~~=_lObJ.e.:ct I
ave L-!!!ibel+l-f; S_~o~lFet«?hlStore.: Oetete. Genr ~.ample !:;:
R;_,.,·,ge: 1935 1954 'Filter: - D~fault'Eq;
_ _ _ _ _ _ _ _ _ _ _ _ _ _ _- - t
Nona· Setelah kita membentuk E;
~'.!:....!~5:;...4;...._. &
!IDe. filekerja seperti pada tamp!lan &
E2l resid G
E2:! )( i_good 1 maka kemudian kita bentuk
0.'1<1 ibtr•
E2i :a 1- uo
E23 ."Kl-us
dalam obyek data panel.
E2:t .l(.2=good
0 X~ ibrr-
Caranya Object/New Object
~x·.J-.J...:•
0x'2=u-s
lalu klik OK sehingga akan
0 y_gooLI
E2:i y _ibm muncul tampilan sbb:
521 y_uo
~~'"8··-----------------------------------J
Tampiian 2
· Pada Tampilan 2 ini kemudian pilih tipe
obyek (type of obyek) yakni pilih Pool
kemudian pilii1 nama (name for object),
misalnya PooiBab12 lalu klik OK sehingga .lr
r·
akan muncul tampilan 3 berikllt ini:
II
U_
I·
L;
~-
F
~- -~
g:==::
-""-
=---------
-:-
!!
_i--
1·
I'
Tampilan 3
18M
•:...o•:•oo pili han Cross Section
·-uo
=usl lndentifier. Kemudian ketik
semua nama perusahaan dengan
_GOOD dst sehingga kita
mempunyai daia panel (pool)
yang siap diestimasi, lihat
Tampilan 4.
Tampilan 4
:. . ;
PCJda Tampi!an 4 ini sekarang
View j_Pr_o~:? LQ~j:-~t3_j ~?..:_3'!_~11::-.~.l?.e!+~·J . ~howi.f-.::ld-..LSt~re to~let_~j_G~nr [§._~J=.J
Range: 1935 1954 Filter· '"' Default Eq: None muncul informasi Poolbab12,
Sarnple· 1935 1954
[21 c 0y_us
berarti !<:ita siap mengestimasi
~ poolb:::.b12
0 resid
regresi pool data, bandingkan
0 x1 __ .. fJOOrJ
0 ~~ 1 ibn·,
dengan tampilan '1. Untuk
0J~1--uo
0'><.1-r.;s
mengestimasi pool maka klik
0
0
x~~gor;.d
x2 ibn"l
Estimate sohingga akan muncul
0
0:<2
>t:2~uo
us
tampilan 5
0 y_i)Qod
0 y_ibrn ____________________ ..___ j
'
0 y uo
Tampilan 5
Untuk intercept ada beberapa pilih8n yaitu: (1) tid8k ada (none); (2) common jika
intersep dan slope sama; (3) fixed effect jika intersep berbeda tetapi slope sama; (4)
random effect jika variabel intersep bersifat random.
Misalkan intersep dan slope sama maka kita pilih common lalu klik OK sehingga akan
muncul Tampilan 6.
Tampilan 6
lampilan 7
Dependent Veriabla: LOG(Y?)
Method: Pooled Least Squares
Date: 05J09J04 Time: 23:32
Samp.le: 1935 1954
Included observations: 20
To~.<>l panel obssrvati·ms t3C
i
~-
1•
!-"
rr---
~ -
l¥cc.~~
a===
rr--
'
Bab 12. Regresi Data Panel 271
Tampilan 8
Dependent Variable: LOG(Y?)
Method: GLS (Variance Components)
Date: 05/09/04 Time: 23:34
Sample: 1935 1954
Included observations: 20
Total panel observations 80
1. E.:stimasi dengan rnetode Fixed Effect dengan perir.tah sbb ( setiap perintah diakhiri
dengan tekan enter) :
Poolbab12.1s(F) log(Y?) log(X1 ?) log(X2?)
Vector beta=Poolbab12.@coefs
Matrix covar=Poolbab12.@ccv
Vector b_fixed=@subextrc;ct(beta, 1, 1,2, 1)
Matrix cov_fixed=@subextract(cov2r, 1,1 ,2,2)
ket: anyka 2 =jumlah variahel independen
2. Estirna::;i <iengan rnetode Random Effect dengan perintah shb:
Poo!bab12.!s(R) log(Y?) log(X1 ?) log(X2?)
Vector beta~Poolbab12.@coefs
'
f::
~
tt -
~--:___-:
~
c_-
.• - -
:: -
!·:'
272 sagian Ketiga: Topik-Topik Ekonometrika
Matrix covar=Poolbab12.@cov
vector b_gls=@subextract(beta,2, 1,3, ., )
Matrix cov_gls=@subextract{covar,2,2,3,3)
Ket: angka 3 merupakan variabel independen ditambah konstanta
Matrix H=@transpose(b_diff)*@inverse(v_diff)*b_diff
Tampilan 9 s
rr
Nilai uji statistik Hausman bisa d
dilihat dengan double klik h in
si
bt
x1 uo p!
0 x1-us
0 x2=good PE
0 x2 ibm
0 x2-uo
0 x2-us 1:
0 y_good
0y_"ibm
0y_uo
ba
0y_us (Y
ka i·
se
ter
me
ekt
kbi
sec
i~
i
a aa a _::aaaa
Bah 13
MODEL PERSAMAAN
SIMULTAN
Dalam b::myal< situasi ekonomi, hubungan variabel ekonorni tidal< hanya becsifat
satu arah namun bersifat saling rnempengaruhi. Pembahasan s3mpai pada bab 12
merupakan model regresi dengan persamaan tunggal dimana variabel dependen
dlpengaruhi oleh satu atau lebih variabel indeper.den dengan arab dari variabel
independen ke arah variabe! dependen. Pada bab ini akan dibahas model persamaan
simultan dimana hubungan variabel bersifat dua arah. Pembahasan dimulai dengan
beberapa contoh persamaan simultan. Dalam ha! ini metode OLS untuk menyelesaikan
persamaan simultan tidak bisa digunakan. Beberapa metode untul< mengestimasi
persamaan siiTtultan akan dibahas pada bagian akhir bab ini.
( 13.1)
273
274 Bagian Ketiga: Topik-Topik Ekonometrika
i-
;.
lj
Pada persamaan (13.1) dan (13.2) diatas, konsumsi dan pendapatan ditentukan secara l,5
bersama yakni konsumsi ditentukan pendapatan sedangkan sebaliknya pendapatan
selain ditentukan investasi juga oleh konsumsi.
Pengeluaran agregat
C+ I Y= C +I
A C+l
_.-- I
~ I
~
~----- ~~ ~--~----
. C=[3o+~1y
_....---- I
I
Pendapatan Y
y"
Gam bar 13. ·1. Model Ekonomi Makro Dua Sektor
i::
t---
i=
i=-~
~
b--
~-:;-
!5
,l:
]:
r
-~-
i-·
d r:·r-::
(( c-
6t --------:7
G<unbar 13.2b. Hubungan dalam persamaar. simultan F '
s
Gambar 13.2 Hubungan variabel ekonomi tE
r ,
13 _1_2. persamaan Bentuk Turunan v
persamaan struktural ('! :3.3) dan (13.4) harus dapat diselesaikan untuk
. u:n
0 variabel endogen Y da~ C sebagai fungsi dari variabel eksogen I. s
~enJelas,k . dari model tersebut disebut persamaan bentuk turunan (reduced form)
d ef_or~n~a~'persamaan struktural. Reduced form tersebut digunakan untuk memahami
~n stst....rr rsamaan struktural. Untuk menemukan reduced form kita harus
ststern P\an persamaan(13.3) dan (13.4) secara simultan untuk menemukan nilai Y
~enyele~:'bagai aturan main, untuk me!1emukan persamaan bentuk turunan jumlah
an C. struktural harus sebanyak vanabel endogen.
persam~~~ul< menda~atkan persamaan reduced form kita mulai langkah pe~ama
cubstitustKan Y persamaan (13.4) ke dalam persamaan {13.3) sehtngga
d engan me·"' r. .
acill<ar. persamaan sbb.
ak an meng h "' d
(' : : fJ 0 + j31(C, +I,)+ e,
-I ,
II
C-
I
fJlC, ::::flo+ fJJ, + e, s
. -~+_fl_l, +--e,
1 rr
. ' 1- fJ t
C, - .1 - fJ • 1- fJ I
I
rr
n
:::: ... 0
J_
I
T + VI
·1·1 i ·'I (13.5)
:_:~_
Bab 13. Model Persamaan Simultan 277
1 k- -
v1 =--e1 (13.6)
1-/31
dimana I1o dan fl 1 adalah parameter reduced form dan v1 adalah residual reduced
form. Residual e 1 mempunyai sifat E(e 1) = 0, var (e 1) = cr 2 dan cov (e 1, e 5 ) = 0 untuk t -:t- s
sehingga residual reduced form mer.1punyai sifat sbb:
(13.7)
Y = -~ +- _!!_J_I + --- - P + r
1
I 1 - fJ ! 1 -- ./3 I . ' 1... - BI ~I -
I
I
fJ
=---o-+
1 1
!.+--'--e 1
I
!
j -- /]
1
~ -- .'J, ' ] - (3 1
~ =-= q_< + D 3 l, -+- v 1
(13.8)
dimana:
1
n, = _f!_g___ n -:: - 1--
-e v =-
(13.9)
'" 1 - /3! l - ;J! I i - /31 I
l
Sebagairnana persamaan reduced form untuk C, ur1tuk Y juga kita estimasi dengan
metode OLS. Jika kita mengestimasi persamaan reduced form C dan Y maka kita akan
. menghasilkan estimasi sbb:
:-:-· f _.,_, n-- () _,__ ri I .rI
.-. "
I
A
• .!.
(13"10)
~---
-
~
~"t---
~
t¥==-----=--
====
"_ _
=
_ ,
ian Ketiga: Topik-Topik Ekonometrika
Ba g =
__. . ararneter persamaan reduced form mempunyai dua arti. Pertama, parameter
Nilat Pd rorm:
reduce
1
[J =--
3 1- flt
Di dalarn model fungsi permintaan kita asumsikan bahwa jumlah yang dimir.ta n
h tung::~ dari harga ditambah residua! e 11 . Ha!'ga berhubungan negatif terhadap p
adala~ ··ang diminta. Sedangka1 n ;ode I fungsi penawar2n juga hGnya dipengaruhi oleh n
Jumla· ~:us residual e2r dan harga berhubungan positif tcrhadap jumlah uarang yang
h~rga rkan atau dijual di pasar. l<er~ua model permintaan dan penawaran msrupakan
dlta:~ persamaan simultan karena kedu:. persarnaan akan bekerja bersama-sama
111° e tukan llarga dan kuantitas di pasar. Da!am model permintaan dan penawaran ini,
me~~8b ~ 1 p dan Q merupakan variabel endogen karena nilainya ditentukan di dalam
1
vane;. t::
D
IT'odel. Mode! persamaan simu!tan permintaan dan penawaran dapat dijalaskan melalui
I
~J~,r 13-3 iVlisalnya jika terjadi perubahan variabei residual dalam persamaan
garn-.'--,_,cm, rli~arenakan ad<:mya perubahan pendapatan masyarakat maka kurva
nli'l"'n' . fu
per _-_;~:"', "~zan bergeser ke kanan atas, lihat gambar 13.3(a). Pergeseran kurva
peri11 p_ ,:;1--~· · --
11 • '
,-~,-
i.i
i:
Bab 13. Model Persamaan Simultan 279
permintaan ini akan mengubah harga (P) dan kuantitas (Q) di pasar. Begitu pula dalam
persamaan penawaran, jika terjadi kenaikan harga input maka kurva penawaran akan
bergeser ke kiri atas dan selanjutnya mempengaruhi harga dan kuantitas di pasar, lihat
gambar 13.3(b). Penjelasan tersebut menunjukkan bahwa variabel independen harga
baik di dalam persamaan permintaan maupun penawaran akan saling berhubungan
dengan residualnya sehinga ketika kita melakukan estimasi persamaan (13.12) secara
langsung dengan metode OLS mak'3 akan melanggar asumsi tidak adanya masalah
autokorelasi.
p p
So So
Oo 01 0 01 Oo Q
(a) Pergeseran Permintaan (b) Pergeseran Penawaran
Fungsi Permintaan: Qrrf = f3o + /3 1~ + {f;I + e 11 /31 < 0,/32 > 0 (1:i.14)
Fungsi Penawc:ran: Q/ =Yo -r )1 1 ~ + Y 2 ~_ 1 + C 2 , )" 1 > O,r: > 0 (13.15)
Dimana, Qt = jL'rnlah yang diminta; Q;' = jumlah yang ditawarkan; P1 = harga; dan
I = pendapatan.
i-ungsi permintaan dalam pcrsamaan (13.14) sekarang tidak hanya merupakan
fungsi dari harga tetapi ditambah dengan pendapatan (I). Teorl permintaan menyatakan
!·'
280 Bagian Ketiga: Topik-Topik Ekonometrika
• I_
(13.16)
(13.17)
(13.18)
(13.20)
I maupur. penawaran.
1. Aturan main 1
Di dalam persamaan sirroultan M, suatu persamaan teridentifikasi jika mengeluarkan
paling tidak M-1 variabel (endogen maupun eksogen) yang ada di dalarn model.
Jika mengeluarkc:m t&pat sebesar M-1, maka model adalah teridentifikasi
sedangkan jika lebih dari M-i maka modelnya terlalu teridentifikasi
2. Atwan Main 2
Di dalam persamaan simul:an M, suatu persamaan teridentifikasi jika ju.nlah
V3riabel eksogen yang dikeluarkan dari persamaan kurang dari jumiah variabel
endogen dikurangi i yaitu:
-~-
Bab 13. Model Persamaan Simultan 283
Di dalam model simultan diatas, ada dua variabel endogen (Mc::2) dan tidak ada variabel
eksogennya (K=k=O). Karena semua variabel di setiap persamaan adalah merupakan
variCl.bel endoge~ maka baik persamaan permintaan maupun persamaan penawaran tidak
teridentifi~;asi. Dengan demikian jil).a informasinya hanya harga dan kuantitas tanpa ada
iilformasi lain, kita tidak bisa mengestimasi kedua persamaan tersebut karena kita tidak
secara pasti .:Jpakah !<;ita benar-benar mengestimasi persamaan permintaan atau penawaran.
0.-c -- q '
tJc •
jJ 1 ..n -' R 1·f- !
1 • :......,
..L .,
~ ~ ''
(13.24)
1 Diman::,: 11 =pendapatan I
pcnE~waran Q~ d~n enaoge~ I
I Di dalarn fungsi permintaan dan ini
P1 ?dalah variabel
= 2, I< = ·J rnaka fungsr
sed::~ngl\cn It adalat1 eksogen. Berdasarkan aturan marn drmana .111
I
~~=~
permintaan adalah tidak teridentifikasi karena 1-1 < 2-1 (K - k < m -1) sedangkan f u : J
penawaran tepat teridentilikasi karena 1- 0 = 2 -1.
-~=~
·..'l·.j.
_r,
I
~
284 Bagian Ketiga: Topik-Topik Ekonometrika i
= I
d<
Contoh 13.3. Persamaan Simultan Yang Terla!u Teridentifikasi e,
Misalkan sekarang kita tambah vai·iabel di dalam persamaan permintaan (13.24) dengan pE
suku bunga. Sementara itu persama<m penawaran kita tambah satu variabel juga yaitu harga
periode sebelumnya. Adapun persamaan permintaan dan penawaran menjadi sbb:
~
Fungsi permintaan Qt = f3o + fJi ~ + fJ2lt + fJJR, + e,, (13.26)
Fungsi penawaran Q, =ro +r,P, +r2P,_, +e2l (13.27)
Dalam hal ini Q 1 dan P1 adalah variabel endogen dan 11. R1 dan P1. 1 adalah variabel eksogem.
Fungsi permintaan mengeluarkan satu variabel eksogen (P 1• 1) sehingga fungsi permintaan Ni
tepat teridentifikasi. Fungsi penawaran mengeluarkan dua variabel eksogen (1 1 dan R1)
sehingga fungsi penawaran terlalu teridentifikasi. Berdasarkan aturan main dua, fungsi
permintaan tepat teridentifikasi 3 -2 = 2 --1 sedangh:an fungsi penawaran terlalu
teridentifikasi sebab 3 -1 > 2 -1.
t
Pt
13.4. Kegagalan Metode OLS dalam Persamaan Simultan pE
Setelah kita memberi co:1toh persamaan simultan dan mengidentifikasi apakah
persamaan simultan dapat diselesaikan atau tidak, pembahasan selanjutnya adalah
apakah metode OLS bisa digunakan untuk mengestimasi persamaan simultan. Pada
de
subbab ini akan dijelaskan mengapa rnetode OLS tidak bisa digunakan di dalam
rnengestimasi persamaan konsumsi (13.3) dan (13.4) maupun persamaan permintaan o,
dan penawaran dalam persamaan (13.12) dan (13.13).
Kita tidak bisa menggunakan metode OL.S untuk mengestimasi salah satu
persamaan dalam persamaan simultan jika satu atau lebih variabel independen
berkorelasi dengan variabel residual karena estimator yang kita dapatkan tidak lagi
konsisten atau bias. Untuk menjelaskan hal ini ki~a kembali ke contoh model ekonomi
makro Keynesian sebelumnya di dalam persamaan (13.3) dan (13.4). Kita tulis kembali
mwdel persamaan simultan tersebut sbb:
0
Misalkan kita ingin mengestimasi parameter dalam persamaan konsumsi (13.3)
tersebut. Kita asumsika:l bahwa residual dalam persamaan (13.3) tersebut memenuhi
= =
asumsi metode OLS yaitu E(e 1) 0, var (e 1) = 0 2 dan cov (e 1, e5 ) Q untuk t =t- s. Namun
Bab 13. Model Persamaan Simultan 285
dalam persamaan (13.3) tersebut variabel Y1 berkorelasi dengan e 1• Bukti bahwa Y 1 dan
et berkorelasi dapat dijelaskan dengan memasukkan persamaan (13.3) ke dalam
persamaan ( 13.4) sbb:
~ = flo + flt ~ + e, +I
~ - flt Y, = flo + !, + e,
(1- fl 1 )Y, =flo +I, + e1
flo I 1
y =--+--+--e (13.28)
' 1- fit 1- flt 1- flt '
Nilai harapan (expected value) dari Y adalah sbb:
E(y,,) =Po
--+---
I
karena E(e 1) =0 (13.29)
1- /31 1- flt t
E(P-})
= i<.arena persamaan (13.30) dan (13.31)
1- flt
(13.32)
Dala;ll persamaan (13.32) ini nila~ kovariar. (Y1, e1) tidak sama dengan no! berarti Yt dan
e1 berkorelasi sehingga melanggar asumsi metode OLS. Jika :11elanggar a~umsi ini
berarti estimator yang kita dapatkan tidak lagi konsisten atau estimator yang bias.
__
-;:
~~
,-,-
!;
286 Bagian Ketiga: Topik-Topik Ekonometrika
Bagaimana kita mengetahui bahwa estimator yang kita dapatkan dalam fungsi
konsumsi adalah bias? Pada bao 3 kita sudah menjelaskan bagaimana mencari
estimator /J dalam metode OLS. Formula estimator /3
1 1 dari fungsi konsumsi dapat kita
1:;:
tulis sbb:
jJ~ I
= IC cl - C)(Y; -f)
L(~ - Y)2 Nil< ,_
Yt c
I ).z
r.le
• I bis< ~
E(v
(13.33)
akc:
13
Karena """'L. Y = o dan
1
IY;yl = 1 ma k a
ma
I,yl2
n1e
red
(13.35) per
Me
dar
Pers2maan (13.35) tersebut riapat dinyatakart dalam bentuk persamaan sbb:
(13.36)
y1 y1 ·-Y Dir1
dimana w =- = -
1
(13.37)
LY L:(~
2
1 - Y)-
Bab 13. Model Persamaan Simultan 287
E(/J 1 ) = /3 + I:(w e * 0
1 1 1) karena E(w 1 e 1 ) *0 (13.38) C=
I
Nilai harapan dari E(wt ,et) tidak sama dengan nol karena nilai w 1 tergantung dari y1 dan
Yt berkorelasi dengan et. Nilai E(w1 ,e 1) tidak sama dengan nol, sehingga kita tidak bisa
mengetahui secara p3sti nilainya karena nilai harapan dari rasio variabel random tidak
bisa ditentukan nilainya. Namun de:nikian di dalam sampel yang besar nilai ekspektasi
E(wt ,et) cenderung IT'enjadi konstanta positif. Dengan demikian maka estimator dari /3 1
Dirnana:
Q = ekspor
p = harga ekspor
GOP =gross domestic product USA
288 Bagian Ketiga: Topik-Topik Ekonometrika
dimana:
D =Yo - f3o fl, v = '21
fJ - r•
Til=- ,-_ -II
0 1
fJ1 - Y1 /}1- yl fJ1- Y1
Do = fJ1Yo- fJoY1 n7 =- f32rl (13.41)
D<
pE
- fJ1 - Y1 - /31 - yl
Di dalam setiap persamaan reduced form tersebut l1a~a ada satu variabel endogen
yakni variabel dependen yang merupakan fungsi dari variabel eksogen GDPt dan
residual w1• Persamaan struktural terdiri dari lima koefisien yakni f3o, (31, [3 2 , Yo. Y1, dan
ada empat koefisien persamaan reduced form untuk mengestim2sinya yaitu 11 0 , 0 1 , fh
IT 3 , dan I1 4 . Karena hanya fungsi penawaran yang teridentifikasi, maka parameter
fungsi penawaran struktural dapat diestimasi dari persamaan reduced form dengan
rumus sbb:
(13.42)
13
-· - n J (13.43)
/3 I - - , - a de::
fll
Mel
Adapun proseciur dari ILS untuk mengestimasi persamaan penawaran struktural adalah Cal
sbb: !<ita
1. Mendapatkan model reduced-fotin dari persamaan struktural cor
2. Estimasi OLS terhadap model reduced-form secara individual per -
3. Mendapatkan koefisien persamaan struktural dari reduced-form
Fur
Fur
u
··-l··. i'r.-.I
'I R
289 I L
l i·
Bab 13. Model Persamaan Simultan
.,
(
Dengan menggunakan persamaan (13.42) dan (13.43) kita bisa mendapatkan estimasi
persa;Tlaan penawargn dengan metode !LS sbb:
Sedangkan hasil regresi dengan l1anya menggunakan metode OLS ditampill<an dalam
persamaan (13.4 7) berikut ini:
Fungsi penawaran uang AI, = Y:n + r2Ir; + r22YH + r23M•-! -1- e2t (13.49)
290 Bagian Ketiga: Topik-Topik Ekonometrika
1. Untuk menghilangkan unsur korelasi antarc1 Y dan e21 • regresi persc=tmaan yan;;
pertama (13.48) pada semua variabel eksogen di dalam sistem persamaan
simultan. Dalam hal ini regresi Y dan M terhadap I, G, Yt-1 dan Mt-1 sbb:
I'
I
~~
~
~--~
imn
g;m•-
tc:=
r---
-~--
,_
!::
Bab 13. Model Persamaan Simultan 291
L
M2 0.598720 0.144350 4.147710 0.0003
1 o oooo 1~
~ 6:~:;6;~ ~ ~;~~6;1
9.008971
i 2.192270 0.0379 !
R-squared 1 0.995663lourbin-Watson stat 0.628239
II
F-stc>tistic I 1915.0591 ------'----------'
~L~-~F=-s=t=at=is=t~ic==========~======2=9=4=3=.6=5=~-=~~_;~~~=~==~~=-~=--=~~-====~
~
F---
~
!'¥=------
~
.-.---
~
_;~- - -
!J
I• _,.---
1 j
292 Bagian Ketiga: Topik-Topik Ekonometrika
LAMPIRAN BAB 13
Lampiran 13.1. Data Ekspor Pakaian Jadi ke Amerika 1985-2001
I
1998
1999
2000
2001
96815,4
111132,3
143709,4
153782,0
11,52
13,56
14,01
12,64
8781,5
8574,3
9824,6
10082,2
8025
7085
9595
10400
j
Sumber: BPS, beriJagai tahun penerbitan
!
'I
Lampiran 13.2 Data Pengeluaran pemerintah (G), GOP, lnvestasi (I) dan Jumlah uang
beredar arti luas (M2) di Amerika padCJ periode 1970-1999
Tahun G GOP I M2
(milyar $) (milyar $) (milyar $) (milyar $)
1970 198,6000 3578,000 436,2000 626,4000
1971 216,3000 3697,700 485,8000 710,1000
1972 240,0000 3998,400 543,0000 802,1000
1973 259,7000 4123,400 606,5000 855,2000
1974 291,2000 4099,000 561,7000 901,9000
1975 345,4000 4084,400 t\62,2000 1015,900
1976 371,9000 4311,700 555,5000 1151,700
1977 405,0000 4511,800 639,4000 1269,900
1978 444,2000 4760,600 713,0000 1365,500
1979 489,6000 4912,100 735,4000 1473,100
1980 576,6000 4900,900 655,3000 I 1599,100
1981 659,3000 5021,000 715,6000 1754,600
1982 732,1000 491G,300 615,2000 1909,500
1983 797,8000 5132,300 673,7000 2126,000
1984 856,1000 5505,200 871,5000 2309,700
1985 924,6000 57i7' 100 863,4000 2495,400
1986 978,5000 5912,400 857,7000
I
2732,100
1987 1018,400 6113,30G 879,3000 2831,100
1988 1066,200 6368,400 902,8000 2994,300
1989 1140,300 6591,900 936,5000 3158,400
199) 1228,700 6707,900 I
I 907,3000 3277,600
1991 1287,600 6676,400 829,5000 3376,800
1992 1418,900 6880,000 899,8000 3430,700
1993 1471,500 7062,600 977,9000 3484,400
19g3
1994 I 1 '::03,000
1575,700
'i'34i,TOG
7343,800
'i i 0!,000
1140,500
0499,000
3541,900
1995 1635,900 7813,200 1242,700 3813,300
1906 1678,800 8159,500 1393,300 4028,900
99( 1705,000 8515,700 ; 565,800 4380,600
1999 1750,?00 8875,800 16R9,700 4643,700 I
Sumber: Gujarati, N. Damodar (2003), Basic Econometrics, fourth Edition, New York: McGraw
Hill
1
-l
~
294 Bagian Ketiga: Topik-TopikEkonometrika
Pada bab 13 kita membicarakan model persamaan simultan: Dalam lampiran running
Eviews ini · hanya akan dibahas metode Two Stage Least Squares (TSLS) yang
disediakan oleh langsung oleh Eviews.
Contoh pada bab 13 ~odel persamaan simultan adalah model pendapatan dan
penawaran uang Uumlah uang beredar). Model persamaan simultannya sbb:
I L~.a.~J
muncui tarnpil::m 2 Ins
! and PDLterms, OR an exphc1t eq1Jahon hkf'l Y:c(1)+c(2)"X. .
berikut ini:
:r----~
!
I
'
:I
Se
pe
1
i
Tampilan 3
Tampilan 4
Sedangkan hasil
estimasinya ditampilkan
dalam Tampilan 5
. . ~,.,.'.,.. : ·:,~</~/·\·<.:.
.~ -.·.:; .~:..:-·.
did<
sec
dat<
Tampilan 5 buk
Ade
[ Dependent Variable: M2
Method: Two-Stage Least Squares
digl
Date: 08109/04 Time: 09:53 itu
Samplo(adjusted): 1971 1999 GAl
included observations: 29 after adjusting endpoints
Instrument list: C! G GDP(-1) M2(-1) unt1
ting
Variable Coeflicie:1t Std. Error !-Statistic Pro b.
kan '
(; -230.2848 182.4102 -~.26245G 0.2113.\ peri
GOP 0.288503 0.115047 2.507693 0.0190
~ag
GDP(-1) -C.187723 0.124911 ·1.502853 0.1454
M2(-1) 0.889019 0.077234 11.51078 O.CJOOO
dikE
R-squa~ec:! 0.997175 Mean depe!'ldent var 2449.397
Adjusted r.-squareci 0.996836 S.D. dependent var 1189.018 inte
S.E. of regression 36.87792 Sum ::_quo:red resi ~ 1'i81o.4 eko
F-slatistic 2943.651 Durbin-Watson stat 1.207321
Prob(F-statistic) 0.000000
mer
pad
ting
mat
aka
yait
BAGIAN KEEMPAT
1~11\t()~t()~\l~lri~IIII\A\
lrll~\1~ Sl~ll21111:S
297
296 Bagian Ketiga: Topik-Topik Ekonometrika
Tampilan 4
Sedangkan hasil
estimasinya ditampilkan
dalam Tampllan 5
-
.... ~..........~.;-···-·~"""-·· .,;.., ........... ,.. .............. ..:..:~ . ·-----···-"'' . ....:... :. .
did;
sec
dat
Tampilan 6 bu~
Ad;
l
Depenrlent Vari8ble: M2
Method: Two-Stage Least Squares
dig
Date: 08109104 TimB: 09:53 itu
Sample(adjustt~d): 1971 1999 Gt>
included observations: 29 after.adjusting endpoints
Instrument list: C 1 G GDP(-1) M2(-1) un1
tin!
Variable Coefficient Std. Error !-Statistic Pro b.
ka1
....
~-
-230.2840 182.4102 - ~ .26245S 0.21134 pe
GOP o.28B5n3 0.115047 2.507693 0.0190 ~a
GDP(-1) -0.187723 0.12491\ -1.502853 0.1454
M2(-1) 0.889019 0.077234 11.51078 0.0000
di~
R-squarE'd 0 997175 Mean dependent var 2449.397
, Adj:.Jsted R-squsred 0.9958 J6 S.D. dependent vcor 1189.D1o
tnt
S. t:. of regression 66.87792 Sum squared resid 111816.4 ek
f-statistic
Prob(F-staLtic)
2943.651
0.000000
Durbin-Watson stat 1.207321 mE
--- pa
tin -
m;
ak
ya
. . !.
".. -
-
r
~--
~
FF"~==
.-,.--
-------
tt------
BAGIAN Kt~EMPAT
1~11\~1)~~()~\l~lri~IIII\A.\
1r11~\l~ ~~~112111~~
297
r--------
-
,-.-
L ==
~::.:__:
~-·.-
__:_::.:__
~...-...--=..::.
J
j
j -
seringkali menunjukkan kondisi tidak stasioner pada tingkat level, namun seringkali
menunjukkan stasioner melalui proses diferensi. Stasioner data pada proses diferensi
ini menunjukkan bahwa terdapat hubungan jangka panjang antara variabel yang diteliti.
Namun dalam jangka pendek mungkin menunjukkan adanya ketidakseimbangan
sehingga perlu membentuk mode! yang memasukkan variabel penyesuaian untuk
mengkoreksi ketidakseimbangan tersebut. Model ini dikenal dengan model koreksi
kesalahan.
298
I
- auea:s &&&UWW
Bab 14
MODELARIMA
(BOX-JENKINS)
IIII ::-----
i
r·.
___...
.~"-
---
~--~~
!=-· - - ·-·---
~
.-.-
~
!::;:_ ______ _
300 Bagian Keempat: Ekonometrika Time Series
(14.1)
dimana:
y = variabel dependen
Yt-1 = kelambanan pertatna dari Y
Secara umum bentuk model umum Autoregresift (AR) dapat dinyatakan dalam
persamaan sbb:
(~4.2)
Dimana: -
y = _variabel dependen
Yt-1. Y:-2. Yt-p .=kelambanan (lag) dari Y
= residual (kesalahan penganggu)
p =tingkat AR
Secara umum, bentuk model dari Moving Average dapat dinyatakan dalam bentuk
persamaan sbb:
(14.4)
Dirnana:
et =residual
e1-1, et-2. et-q = kelambanan (lag) dari residuai
q = tingkat MA
,.
Model MA dalam persamaan (14.4) seperti model AR persamaan (14.2) kecuaii bahwa
variabel dependen Y tergaritung dari nilai residual sebelumnya, tidak tergantung dari
nilai vari2bel dependen sebelumnya. Model MA adalah model prediksi variabel
dependen Y berdasarkan kombinasi linier dari residual sebelumnya sedangkan model
AR memprediksi variabel Y didasarkan pada nilai Y sebelumnya
{14.5)
Secara umum bentuk model dari ARMA dapat ditulis dalam bentuk persamaan sbb:
302 Bagian Keempat: Ekonometrika Time Se;ies
------------------
Peljeiesan secara de iii te11ta.-.g r! ;,, ; :•iah .susiJ; ;;:- itas ;:;at a tmw series de: pat dibaca dalam bab 16
Bab 14. Model Box-Jenkin 303
Langkah 1. lndentifikasi model. Daiam langkah pertama ini i<ita mencari nilai p, d
dan CJ dengan mer1ggunak~n corr~logram.
Langkah 2. Estimasi Parameter. Setelah mendapatkan nilai p dan q, maka
selanjutnya kita mengestimasi parameter mo~el ARIM.A. yang fdta pilih
pada langkah pertama. Estimasi parameter ciapat dilakukan me!alui
metode kuadrat terkecii ~.tau metode estimasi yang lain sererti
ma><imum likelihood. Namun sekarang sudah banygk program paket-
paket statistik yang dapat membantu kita bekerja secara cepat dalam
mengestima'3i model ARIMA .
Langkah 3. Uji Diagnosis. 3etelah mendapatkt=~n estimator model ARIMA, kita akan
memilih model yang mampu menjelaskan data dengan baik. Caranya
dengan melihat apakah residual bersifat random sehingga merupakan
residual yang relatif kecil. Jika tidak maka kita harus kembali ke
langkah pertama untuk memi!ih model yang !ain. Dus, pada langkah
ketiga ini bersifat iteratif dan memerlukan suatu keahlian khusus untuk
·" ··· ··· · mer11ilih·model ARIMA yang~tepat.. . . . . .,
ibsi,-!·.- r~1 ·~;::t-, lr-udrr:·::r,-i ~:,,.·~ . -:·-"::·] ~_:1T:!~·>::u ~-:;·/ni'~'··~!liJ;:·,r-;:;q :)~;:··l,~··:j· _,.-~.~;_:·=-~ --i~·:·i:.'.>;~;::.~:--~ ;·!,_~~~;c.:~:.rci !;r:· ., ... , = ,.
Langkah 4. Prediksi. S~telah kita mendapatkan model yang baik, maka selanjutnya
s
kita bisa menggunakan model tersebut untuk memprediksi. Oalam c...
banyak kasus, prediksi jangka pendek dengan metode Box-Jenkin lebih
s
baik daripada model prediksi ekonometrika tradisional yang kita F ,~
(14.7)
Yo
dimana:
(14.8)
n
I !
(14 9)
n
n adalah jumlah observasi dan Y adalah rata-rata. Niiai ACF ini akan terletak pada -1
dar. 1. Persamaan (14.4) merupakan ACF untuk populasi sehingga kita oerlu
r, elakukan estirnasi ACF melalui Sample Autocorrlation Function (SACF). SACF pada
kelambanan k dengnn demikiar. dapat ditulis sbb:
(14.10)
Pada bab ifli hanya diperkenalkan secara singkat masalah stasionaritas data melalui correlogram.
Pembahasan detil masalah stasioner data, teknik pengujiannya beserta teknik membuat data menjadi
stasioner rlibahas mendalam pada bab 16
Bab 14. Model Box-Jenkin 305
Bagaimana dari SACF kita bisa mengetahui apakah suatu data runtut waktu
stasioner atau tidak? Cara yang paling cepat dan mudah adalah melihat besarnya nilai
SACF. Jika nilai SACF pada setiap kelambanan sama dengan nol maka data adalah
stationer. Jika sebaliknya nilai koefisien SACF relatif tinggi maka data tidak stasioner.
Pertanyaan berikutnya, berapa panjang kelambanan koefisien SACF yang kita
perlukan?. Sebagai aturan main kasar (r:J/e of thumb), panjangnya kelambanan adalah
sepertiga atau seperempat dari data time series yang kita punyai.
Secara formal stationer tidaknya suatu data time series dapat dilakukan melalui
uji statistik berdasarkan standard error (Se). Menurut Bailett, jika data time series
bersifat random sehingga bersifat stasioner maka koefisien SACF akan mengikuti
distribusi sbb 3 :
Dalam sampel besar, maka koefisien SACF mempunyai distribusi normal dengan nilai
rata-rata nol dan varian sebesar t1/n, dimana n adalah besarnya sampel. Dengan
mengikuti standar distribusi normal, maka interval dengan keyakinan sebesar 95% atau
a=5% untuk Pk adalah:
pk = ±1,96(Se) atau
pk = ±1,96( ~)" (14.12)
Jil~a nilai koeflsien ACF (pk) terletak di dalam interval tersebut rnaka menerima hipotesis
nul (H 0 ) bahwa nilai Pk sama dengan nol, berarti data stasione!". Tetapi jika nilai Pk
terletak diluar intarvai maka kita menolak hipotesis Ho bahwa Pk sama dengnn nol atau
dengan kata lain data tiJak stasioner.
Selain uji secara individual terhadap nilai koefisien Pk· kita dapat melakul:::an uji
secara serentak terhadap semua koefisien ACF sampai pada kelambanan tertentu
be1·dasarkan uji statistE: yang dikembangkan oleh Box dan Pierce. Uji dari Keduanya
d.kenal uji statitik Q. Uji statistik Q dapat ditulis sbb:
/11
Q=nL_pi (14.13)
k~l
3
Guj~:11 ati, r··~. Danl·.-_,dar.· Gp .cit. p .-3 i 2
.. t---
!!::.:=:=
if~~~-,-c~
!::_---- ---=
306 Bagian Keempat: Ekonometrika Time Series
koefisien SACF sampai kelambanan tertentu sama dengan nol. Jika nilai statistik Q c
lebih kecil dari nilai Q yang diperoleh dari tabel distribusi chi squares (l) pada tingkat K
signifikansi tertentu (a) maka kita menerima H0 , yang berarti data time series adalah d
stationer. Sebaliknya data tidak stasioner jika nilai statistik Q lebih besar dari nilai tabel
distribusi chi squares {x 2).
Alternatif lain uji stasioner berdasarkan nilai koefisien SACF dikembangkan oleh
Ljung-Box dikenal dengan uji statistik Ljung-Box (LB). Adapun formula uji LB sebagai
berikut:
Untuk sampel besdr, uji statistik LB ini sebagaimana uji Statistik Q mengikuti distribusi
chi squares (x 2 ) dengan derajat kebebasan (df) sebesar m. Jika nilai statistik LB lebih
kecil dari nilai kritis statistik dari tabel distribusit chi squares (x 2) maka data
menunjukkarJ stasioner. Sebaliknya jika nilai statistik LB lebih besar dari nilai kritis
statismz dari tabel distribusi chi squares (l) maka data tidak stasioner.
l
·~~~ontoh 14.1. Apakah data IHSG Stasioner?
Kita ambil contoh data time series dari ir:tcleks harga saham gabungan (IHSG) dari tgl 3 Juli
lI 2000-23 Desember 2003. Gambar 14.2 menggambmkan perkembangan IHSG dan gambar
Ji i4.3. menunjukkan koofisien SACF. Secara inforrnal rnelalui gambar 14. 1, kita bisa rnelihat
· ~· bahwa data IHSG menunjukkan trend yang menaik dan ini indikasi awal bahwa data IHSG
tidak stasioner dalam periode pe:·1elitian. Bagaimana kita mengetahui bahwa IHSG memang
benar-benar tidak stasioner? Kita akan menggunakan uji melalui koefisien SACF melalui
I ~ambar i4.3. l::3aga,mana yambar 1~.3 rnembeii inl'om,asi ke!Jada 1\ila tentang stasionantas
data IHSG? Dalam kasus IHSG, nilai koefisien ACF pada cukup tinggi (0,987) pada
I kelambanan satu dan kemudian menurun secara gradual, bahkan sampai pada kelambanan
30 nilai koefisien· ACF masih relatif bnsar 0,682. Pola nilai koefisien SACF seperti ini
I rnenunjukkan bahwa data IHSG pada periodg tersebut adalah iidak stationer.
1
Sadangkc.n berdasarkan uji statistik dengun n = 847, standard errornya (Se) = ../1!847 =
0,0344 maka nilai interval sesuai persc.maan (1<1 8) untuk Pk = ± ~ ,96(0,0344) = (-O,Ob74;
0,0674). Nilai SACF sampai kelambanan 30 diluar interval tersebut sehingga bisa kita
simpulkan bahwa da~a IHSG tidak stasioner. Kita j~ga bisa melihat apakah nilai SACF
signifikan atau ticJak melalui grafik SACF. Bila grafik SACF keluar dari garis-garis putus maka
L~ignifikan dan jika grafik SACF d~~alam gar~~garis~.:aka tidak signifii<.an.
r-
R"" ____ -
r--
,_:....___
~-::_-_-_::__-::-::
.-·c-
~- -~~~
Bab 14. Model Box-Jenkin 307
m
Q=n"Lpi =847(21,9455)=18587,85 (14.15)
k~l
700
600
500
400
~\~~v~
1 300 l''I''''I''''I''''I''''T"''I''''I''''I''''I'''''''''I''''I''''I''''I''''I''''I''
i 00 20') 31)~ 10D 500 600 70() 800 \I
1--IHSGI
'--------•--'
P;ogram Eviews secara langsung memheri informasi nilai statistik LB. Q statistik pada
gambar 14.3 merupakan nilai statistik LB. Sampai kelambanan 30 nilai statistik LB ~ebesar
18375 sedangkan ni1ai statistik l dengan df sebesar 30 pada a= 5% adalah 43,7729. Nilai
2
statistik LB lebih besar dari nilai statistik distribusi clli squares (x ) sehingga data tidak
stasioner. Keputusan ada stationer tidaknya sebuah data melaui uji LB ini bisa dilihat dari
besarnyc: nilai probabilitasnya. Sampai kelambanan 30 nilainya mende~ati nol berarti a relatif
kecil sehingga menolak hipotesis n~l yang berarti data tidak stasioner
r:-----
·~
,_
~ __
----
308 Bagian Keempat: Ekonometril<a Time Series
I
I Ill 2 0.977 0.077 1640.5 0.000
I I I 3 0.966 0.001 2435.8 0.000
I I I 4 0.956 -0.008 3214.6 0.000
I I I 5 0.945 0.023 3978.2 0.000
I I I 6 0.935 -0.020 4726.0 O.r:JOO
' I I 7 0.925 -0.009 5458.0 0.000
' I
' 8 0.915 0.014 6'17:5.2 0.000
' I I 9 0.905 -0.010 6877.4 0.000
' I
' 10 0.895 0.009 7565.4 0.000
I I
'I 1 1 0.885 0 ODD 8239.3 0.000
I 4 12 0.874 -0.044 8897.9 0.000
I I I 13 0.864 0.003 95-4"1.9 0.000
I I I 14 0.854 -0.016 10171. 0.000
I I I 15 0.84~ -0.016 10785. 0.000
' I I 16 0.832 0.007 1 1384. 0.000
I I I 17 0.822 -0.013 11969. 0.000
.. ...
' I I 18 0.1311 0.012 12540. 0.000
:3!'~~~
' ' I 19 0.027 13098. 0.000
I
. I 20 -0.002 1'=1644 . 0.000
....
21 0.783 -0.01 1 14178 0.000
..
I 22
23
0.773
0.76..:>
-0.018
0 010
1 469'3.
15206 .
0.000
CJ.OfJO
... ..
24 CJ. 753 0 007 15701. 0.000
€ • 25 0.74::> 0.047 1 ~j 1 8 "'"? 0 000
2G 0.731 0.003 1665:::J . 0.000
.. .. .
~
I
'
I
77
28
29
0.719
0.707
0.694
-0 041
-0.034
0.031
171 U3.
1754~.
17966 .
0.000
0.000
0 000
30 0.682 0.009 "18375. 0.000
I
'
-
RIHSG IH.SG_~__J
=log( IHSG (14.1o)
_
1 1
dimana RIHSG = return saham; IHSG1 = indeks harga saham gabungan periode t;
IHSG1_1 = indek!O harga saham periode sebelumnya
Pada gambar ~4.4 menunjukan bahwa pola RIHSG bcrbada dengan pola IHSG pada tingkat
level. Pola seperti itu menunjukkan bahwa data RIHSG stasioner pada tingkat lave/. Begitu
pula jika kita lihat pola r.orrelogramnya pada gambar 14.5. Nilai koefisien SA0F cukup
rendah dan nilainya ada di dalam interval sehingga bisa disimpulkan bahwa data RIHSG
stasioner pada tingkat level
~
r-------
·~~
'
Bab 14. Model Box-Jenkin 309
~ -~~
~~~~4~~·*~
~I 0.1
0.0
·0.1
-0.2 I I ;
I
~nl
]ij
·0.3 - m·.--f"'T'-r--~
100 200
..,...-rr-~--r-r-·
300
c··_ .
400
·-----···
RIHSG
---· -
rr-1~~~--.-,-~r-..-rp-rrr-r--,-,-,..-r
500
. ~-]
60~ 700 BOO
J I
Gambar 14.4. Return saham (RIHSG) periode 3/72000-23/12 2003
II
P.ob~
Sample: 1 847
Included obsei'"Vatlons: 846
~· """'' 1
-0.184 -0.184 LB.7"G7 0.000
~
I
I
II,! ' ' I ' 2
-0.031 -0.067 29.596 0.000
~
:r: :~
3
4
0.076
-0.024
0.060
0.000
34.483
34.967
0.000
0.000
I
' ' 5 0.028 0.031 35.656 0.000
~; 6 -0.008 -0.002 35 7 0 8 0.000
~I ' ' 7 -0.037 -0.037 36.910 0.000
' ' '
!I :~ '
'
8
9
0 044
-0.008
0.027
O.OC1~
38.592
38.65"'1
0.000
0.000 !
If' I 10 - 0 . 0 0 8 - 0 . 0 0 2 3a_7, 2 0.000
I I
"1 1 0.065 G.DBO 4:::2.340 0.000
12 -0.009 0.017 -<t2.415 0.000
13 0.016 0 02-. 42.637 0.000
I' I 14 0.006
1 5 -0.001
0.004
0.005
42.667
42.668
0.000
0.000
16 0.055 0.052 45.286 O.CtOO
!Ii! I
::l' T
' '
'.·
"17
19
0.007
0 037
0.029
18 -0.0:::35 - 0 . 0 2 2
O.:.:J"1 e
45.323
46.362
.C 1 .7.5~3
0.000
0.000
C'.::JOO
l
' '
20
21
22
0.005
0.020
0.008
0.013
0.028
0.01 1
47.566
47.911
47.9131
0.00-:J
0.001
0.001
23 -0.025 -0.017 48.493 0.001
I
:r
24 0.050 0.036 50-!394 0.001
25 -0.032 -0.023 51 5 7 6 0.001
' '
1'-----='--:---~~~:-----:--:------------'
213 0.0.45 D.LJ44 53.326 Q.001
' 27 0.029 O.r:J33 5.4.0'34 0.001
2EJ 0.010 0.0.30 54.179 0.002
' ' 29 0.012 0.015 .54.300 0.003
' '
II. ' '
Gambar 14.5. Co~relograrn
3':J -0.02:2 -O.DL.O...:.
l::;-----
-~,--
310 Bagian Keempat: Ekonometrika Time Series
tersebut. Setiap program statistik sekarang sudah menyediakan informasi tentang ACF
dan PACF.
Secara grafis pemilihan model ARIMA dengan ACF maupun PACF dapat dilihat
dalam gambar 14.6.(a) sampai (c). Jika koefisien ACF menurun secara perlahan
(eksponensial) dan nilai koefisien PACF menurun dratis (spiked) pada kelambanan
(lag) tertentu maka modelnya adalah AR. Misalnya koefisien PACF menurun drastis
pada kelambanan 1 maka modelnya ad:alah AR (1), lihat gambar 14.6(a). Jika
sebaliknya koefisien ACF menurun drastis pada kelambanan tertentu serlangkan PACF
menurun secara eksponensial ma!<:a model yang tepat adalah MA. f\t1isalnya koefisien
ACF menurun drastis pada kelambanan 1 dan 2 maka model tentatifnya adalah MA (2),
lihat gambar 14.6(b). Namun, bila koefisien ACF maupun PP.,CF menurun secara
eksponensial maka model yang tepat adalah ARMA. Secara ringkas pemilihan model
ARII\t1A disajikan dalam Tabel 'i4.1.
-1 -1
rt=
~
~~-c~~
Ll-,-
=
_i_
Bab 14. Model Box-Jenkin 311
k k
Gambar 14.6 (a)_ koefisien ACF dan PACF untuk model AR (1) dan AR (2)
k k
Kelambar1gan (lag)
-1 -1
,.
312 Bagian Keempat: Ekonometrika Time Series
i-
k 0 k
-1
\
k
0 1\---~-.+-~-+--~--~- k
-1 I .
~
0 k k
-1
Gamb~r 14.6 (b) . Koefisien ACF dan PACF untuk model MA (1) dan MA (2)
Bab 14. 1\~odel Box-Jenkin 313
k k
t .
-1 -1
k
\ k
-1
Gambar 14.6 (c). Koefisien ACF dan PACF untuk model ARMA (i, 1)
,.
-·-
314 Bagian Keempat: Ekonometrika Time Series
I
Tabel14 ..1 Pola ACF dan PACF
I:
Model Pola ACF Pola PACF
AR (p) Menurun secara eksponensial Menurun drastis pad a lag tertentu
MA (q) Menurun drastis pada lag tertentu Menurun secara eksponensial
ARMA (p,q) Menurun secara eksponensial lv1enurun secara eksponensial
100
::iO
.'; i
-50
L----~--~~,~~~----~----~~~~-~~--~~~~---------------~
Gambar 14.7. Difere11si pertama IHSG (DIHSG) periode 3/7200::1-23/12 2003
~----
-
~.,-
t r==
F--=-==
+-- ______ _
!=- --
l I
Sample: 1 847
Included observations: 846
••
I I
.I
• I
1
2
-0.148 -0.148
-0.023 -0.046
18.640
19.082
0.000
0.000
lfj 3 0.063 0.054 22.452 0.000
I '
I I I I 4 -0.015 0.002 22.640 0.000
I I I I 5 0.032 0.035 23.526 0.000
I I I I 6 -0.009 -0.003 23.598 0.001
I I I I 7 -0.031 -0.031 24.413 0.001
I I I I 8 0.034 0.021 25.418 0.001
I I I I 9 -0.001 0.007 25.419 0.003
I I I I 10 -0.003 0.002 25.425 0.005
I~ I~ 11 0.065 0.064 29.008 0.002
I I I ; 12 0.002· 0.023 29.012 0.004
I I I I '13 0.014 0.019 29.170 0.006
I I I I 14 0.009 0.006 ::<:9.233 0.010
I I I I 15 0.008 0.012 29.293 0.015
I~
t
I~ 16 0.045 0.044 31.026 0.013
I I I
' 17 0.015 0.030 31 .230 0.019
I I I I 18 -0.017 -0.007 31.490 0.025
I I I I 19 0.024 0.014 31.993 0.031
I I I 2Cl -0.004 -0.00::<: 32.006 0.043
'I
I '
'
'
I
I
I
I
' '
I
I
21
22
23
0.019 0.018
-0.002 -0.003
-0.023 -U.022
32.304
32.307
32.?'65
0.055
0.072
0.08_5
~ID I~ 24 0.059 0.047 35.813 0.057
I I I I 25 -0.027 -Cl.016 36.453 0.065
l!lr 1) 26 0.047 0.046 38.376 0.056
27 0.022 0.023 38.A06 0.066
J
I I
'I I
. 'I I
;
I
I
128
29
0.011 0.021
0.018 0.014
38.907
33.185
0.082
0.098
'I -fJ.018 -0.018 39.482 0.115
I I I 1 30
Gambar 14.8. ACF dan PACF d1ferens1 pertama IHSG penooe 317 2000-23112 2003
-==-~~~-::;:-:::;.;;:.~~~--;----~--- --~ ...... -'~"!<
r
. li.
'··· •.
r ·. ~ ,
~-·.
I
1
. Setelah kita mempunyai model tentatif ARIMA maka kita estimasi model tentatif
persamaan tersebut. Pada tahap estimasi ini kemudian kita menguji kelayakan model
dengan cara mencari model terbaik. Model terbaik didasarkan pada goodness of fit p -
yaitu tingkat signifikansi variabel independen termasuk konstanta melalui uji t, Uji F p ~
maupun nilai koefisien determinasi (R 2 ). n
Di dalam model .A.RIMA (1, 1 ,0) dan ARIMA (0, 1,1) !<edua, konstanta tidak signifikan. Kita
harus menge!uarkan konstanta dari model. Hasil estimasi model ARIMA (1, 1 ,0) da1 ARIMA
(0, 1.1) tanpa konstanta dapat dilihat dalam label 14.2. Koefisien AR(1) dalam model /'.RIMA
(1, 1 ,CJ) dan koafisien MA(1) dalam modE. AP.IMA (0, 1,1) slgnifikar. secara statistik. Te api jika
dilihat <.iari koefisien determinasi maka model ARIMA (0, 1,1) lebih baik dari mode: ARIMA
(1,1,0)
ARIMA (0,1,1)
I ~ -4.333 7131
-0.153386 0.022254
I I (-4.520503) .: \
~. .
""
Care. un~ut< mc;l:hat a[JdKah rcs!,Jualnya bei·siiCJt ran<:lor11 adaiah deilgan cara
menganalisis residual dengan correlogram baik melaiui ACF maupun PACF Jika •
koefisien ACF maupun PACF secara individual tidak signifikan maka residual yang kitu
dapatkan adalah bersifat random. Dengan dernikian kita t1dak perlu mencari mc.del
alternt&tif ARIMA. Jika residual tidak bersifat. white noise ma\-;.a kita t .&rus kemhali ke
langkah rer.:ama untuk memilih model yang lain. Mekanisme ini bisa dilihat dalam
gambar 14.8. Signifikan tidaknya koefisien ACF dan PACF bisa dilihat melalui uji dari
Barlet, Box dan Pierce maupun Ljung-Box.
~------
~
~--
~
~:::__-.::.::
318 Bagian Keempat: Ekonometrika Time Series
'
7
B
-0.028
0.031
-0.027
0.027
4.8002
5.6139
0.570
O.SF35 dil
I I
' 9 0.005 0.005 5.6343 0.68e
'
I I I I 10 0.008 0. 011 5.6922 0.770
•iii •Ia 1 1
1~
0.068
C'.C'15
0.066
0.01S
9.6729
'3.8G3:::J
0.470
0.543
I
I ' ' ' I
I
'I'
' I
'
' I
' '
,,
I I
14
15
0.014
0.018
0.006
0.018
10.309
10.586
0.669
0.718
I
16 0.051 0.045 12.800 0.618
'fl'
I I I I 17 0.021 0.022 13.188 0.6S9
I I
I
I
I
I
'
I
I
18
19
-0.011
0.023
-0.009
c.c·15
13.290
13.741
0.717
0.746 I
\
I I
' I 20 0.003 0.002 13.746 G.798
I I I I 21 0.019 0.017 14.052 0.828
I I 22 -0.001 -0.008 14.054 0.867
I I 23 -0.015 -0.014 14.243 0.88 3
:!
24 0.055 0.048 16.909 0.81 4
l
I I 2ti -0.011 -0.015 17.019 0.84 B
I 26 0.050 0.051 19.222 0.78 6
I I I I 27 0.033 0.019 20.147 0.78 5
I I I I 28 0.018 0.019 20.44::2 0.81 2
I I I I 29 O.OiB C.008 20.737 0.83 6
' I I I 30 -0.014 -0.020 20.916 0.86 2__,__)
G~mbar 14.10 Ni!ai ACF dan PACF res1dual dari Model ARIMA (0, 1,1)
·-==================~~================================~
~
p--
t~
=-.,:.
~
. ...- ..
..11!
14.2.4. Prediksi
Setelah kita mendapatkan model yang tepat melalui langkah 1 sampai 3 dari
metodologi Box-Jenkin maka tahap terakhir adalah prediksi. Hasil estimasi yang kita
dapatkan pada tabel 14.2 akan kita gunakan untuk prediksi perilaku IHSG. Untuk itu,
kita akan tulis hasil regresi dalam bentuk pers3maan sbb:
Kita akan menggunakan program Eviews untuk melakukan prediksi terhadap model
yang kita punyai, lihat Gambar 14.1'1. Sedangkan untuk mengevaluasi kesa!ahan
peramalan kita bisa menggunakan Root Mean Squares Error (RMSE). Formula dari
RMSE sbb: t
II
L (YI -· yl_ ) 2
t=l
RMSE = (14.21)
n
~00
400
~
,P-1\./'."""'"""'..... ;:rf~
sv-';. . V"' :' .... ..~
:J ·~\k·~-
-~,.,.·~' ~·. ·. .· ...~~~Y ...
J Y' /
~ ,' ...
~. ..,..._,
,. ~
•· -
v' ·o~-
~; --
~-
~
=----
=---
\.~.'-'.·_.·
~,-~
.
. ~~
I'·
Forecast: IHSGF
Actual: IHSG
Sample: 2 847
Include observations: 846
Root Mean Squared Error 8.077319
Mean Absolute Error 5.054705
Mean Absolute Pe;·centage Error 1.135067
Theil Inequality Coefficient 0.008801
Bias Proportion 0.000912
Variance Proportion 0.004508
Covariance Proportion 0.~4580
. Bab 14. Model Box-Jenkin 321
600
,.
~~~~~
500
400
300
100 200 3 400 500 600 700 800
c=IHSG]
Selanjutnya, apakah data IHSG stasioner dil!hat dar! pola correlogramnya? ~angkahnya
ac:ial3h kiik Quici</series statistlcs/ correlogram pada menu utama sehlngga muncu!
Tampilan berikut ini:
Tampilan 2
Tampilan 3
t
Tampilan 4
' lltl
n-p,..--le-:~18~47.---------------------------
c~Jded observations: 847 _
I
I
I
I 9
110
0.905 -U_010
0.895 0.009
6877.4
7565.4
0.000
0.000
I I 11 0.885 0.000 8239.3 0.000
t 1 12 o.874 -0.044 8897.9 onoo
I I 13 0.864 0.003 954"1 .9 0.000
I I 14 0.854 0.016 10171. 0.000
I I 15 0.843 -0.016 1:::1785. 0.000
I I 16 0.832 0.007 11384. 0.000
I I 17 0.822 -0.013 11929. 0.000
I I 18 0.811 0.012 12540. 0.000
I I 19 0.802 0.027 13098. 0.000
I I 20 0.792 -0.00<:. 13644. 0.000
I I 21 0.783 -0.011 14178. 0.000
I I 22 0. 773 -0.018 14698. 0.000
I I 23 0.763 -0.010 15206. 0.000
I I I 24 D. 753 :::1.007 15701. 0.000
1 w (I I 25 0.742 -0.047 16182. 0.000
1 ~ I I 26 0.731 0.003 16650. 0.000
L
1
'' • <': ·' t I 27 0.719 -0.041 17103. 0.000
1
I I 28 0.707 -0.034 17542. 0.000
' I, I I 29 0.694 -0.031 17966. 0.000
~~ 1 1 30 o.682 -o.oog 18375. CJ.OC'O
-------'---~
r -
,.----
I'F
F----
-.-
"·, ----- -
_,._
Bab 14. Model Box-Jenkin 323
Tampilan 4 menunjukkan grafik dan nilai koefisien ACF maupun PACF, nilai statistik
Ljung Box (Q-Stat) dan nilai probabilitasnya. Signifikan tidaknya nilai koefisien ACF
maupun PACF bisa dilihat dari grafik maupun Q-stat. Jika grafik ACF maupun PACF
keluar dari garis putus-putus maka signifikan dan sebaliknya jika didalam garis putus-
putus maka tidak signifikan. Signifikan tidaknya melalui grafik ini sejalan dengan
besarnya nilai koefisien ACF dan PACF maupun dari uji Q-stat, lihat kembali
penjelasan pada bab ini.
Selanjutnya untuk melihat pola correlogram dari lndeks harga saham dan diferensi
pertama (fi:st difference) dari IHSG (D!HSG) lakukan langkah yang sama seperti IHSG.
Hasilnya akan terlihat sebagaimana Gambar 14.3 dan gambar 14.8 pada bab 14
Setelah kita mengetahui model ARIMA yang tepat melalui pola ACF maupun PACF
maka selanjutnya kita mengestimasi modei ARIMA. Pada bab 14 ada tiga model yang
kita estimasi yaitu ARIMA (1,1,0), ARIMA(0,1,1) dan ARIMA(1,1,1). Langkahnya sbb:
Klik Quick/estimate equation, kemudian tulis persamaannya. Misalnya untu~ ARIMA
(1, 1,1) maka persamaan yang harus d~ulis dalam equation specification adalah:
D menunjukan first difference dari IHSG, c adalah konstanta, angka 1 da'am AR("l)
menunjukkcm autoregresif 1 dan angka i dalam MA menunjukkan tingkat moving
average 1. Hasil estimasi model ARIMA (1,1,0), ARIMA(0,1,1) dan ARIM.6..(1,1,1)
c!itampilkan dalam Tampilar, 5--! sbb:
Tampilan 5
Dependent Variab!e: D(IHSG)
Method: Least Squares
Date: 08/05/04 Time: 07:36
3ompiE(adJUStetJ): ::J 1 15
Included observ:>tions: '1 13 allar adjusting endpoints
II
Conye,gence achieved after 3 iteratians
-~-
3Z4
Tampilan 6
Bagian Keempat: Ekonometrika Time Series .-.
Dependent Variable: D(IHSG)
Method: Least Squares
Date: 06105104 Time: 07:37
Sample(adjusted): 2 115
Included observations: 114 after adjusting endpoints
Convergence <>chieved after 6 iterations
Backcast: 1
l
~nvert 'ld MA Roots -.31 fill~
De
~
t bat
Tampilan 7 vol
'I
i
-- au1
Depende:1t Variable: D(IHSG)
Method: Least Srruare,-
Date: 081[J5104 Time: []7:34
I I I
aui
die
Sample(adjusted): 3 115
lnciCJded ,-,bservations: 113 after adjusting endpoints
I i dit
Convergence achieved after 7 iteration a
Backcast: 2 \
Variable Coefficient Std. Error !-Statistic Pro b.
1~
c 1.534827 C.722955 2.122990 0.036[
AR(1) -0.286563 0.265837 -1.0779G4 0.283'1 i 3E
:vtA(1) 0.56'1[190 o_:;>:101 ;:>5 2.472~61 0.014>'
\cl
R-squared 0.082435 Mean dependent v<1r 1.51805::
Adjusted R-squared 0.065753 S.D. dependent var 6.52968S
da
S. E. of regression '3.311367 .ll.kaike info criterion 6.548771 te1
Sum squared resid 4381.668 Schwarz criterion 6.62118~
Log likelihood -36'1.0[156 F-statistic 4 '341301
Durbin-Watson stat 1.983058 Prob(F-sta\istic) 0.008~11
m
llnvened AR Rr Jts
~~nvc,ted MA R::..ots
-.29
-.57
J kc
PE
w;
tir
m
rT
h;
b:
Hab 15
MODEL ARCH DAN GARCH
Data time series, terutama data di sektor keuangan atau finansia!, sangat tinggi
tingkat volatilitasnya. Volati:itas yang tinggi ini dituiljukkan oleh suatu pase dimana
fluktuasinya relatif tinggi dan kemudian diikuti fluktuasi yang rendah dan kembali tinggi.
Dengan kata lain data ini mempuny~i rata-rata dan varian yang tidak konstan. Pada
bab ini, kita akan membicarakan model estimasi terhadap perilaku data dengan
volatilitas tinggi tersebut. Ada dua model yang akan dibahas yaitu rnod61
autoregressive conditional heteroscedasticity model (ARCH) dan Generalized
autoregressive conditional heteroscedasticity model (GARCH). Kedua mode! tersebut
d:estimasi dengan metode Maximum Likelihood (ML). Pada lampiran baD ini akan
dibahas secara singkat estimasi metode Maximum Likelihood
~
~-
ti
F
·- · ·
---- -
~-----
326 Bagian Keempat: Ekonometril<.a Tims Series
Misalnya, pada satu periode, peramalan mengalami kesalahan yang kecil tetapi di
waktu lain mengalami kesalahan yang cukup besar dan kemudian kesalahan kembali
mengecil. Variabilitas ini disebabkan oleh kenyataan bahwa volatilitas di dalam pasar
finansial sangat sensitif terhadap perubahan-perubahan variabel ekonomi seperti
kebijakan moneter dan fiskal, maupun vari:::!bel non ekonomi seperti ketidakstabilan
politik bahkan yang sifatnya sekedar rumor.
16000
14000
12000
10000 I
80\JO
L
6000
~000
1
2000
0
90 91 92 93 94 9S 96 37 98 Q9 00 01 02
n
k
L ~ KURS ~
.I
n
ir
Garnbar 15.1 Perkembangan Kurs 1990.1-2002.9
n
700 "'b
s
600
(1
ti
500 h
4CO t~
n
300 --'-r-~~,.,....,...,-,-,-~ I I I I I I I I I • I I I ' • I I I I I I I I I I ' I I I I ' I I ' I I I I I I I I I 1 I ' I I I I I I I I I I I • I I I I I I I ' •• I
I ir
100 200 300 400 500 600 700 ~00
a -
I--· IHSG h
v
Gambar 15.2. Perkembangan Harga Saham I~SG 3/72000 -23/12 2003 d
t\
s
'.!
~---
"
----
~
-~-
~
~
~
Bab 15. Model ARCH dan GARCH 327
r----------------------------·------------,
16
12
J
0
-4 ~~~~~~~~~~·~~~~~~~~~~~~~~~-~,~~~
94 95 96 97 98 99 00 01 02
I - - INF :=J
- - - -
Gambar 15.3. Perkernbangan Tingkat lnflasi bulanan i 994.1-2002.4
i¥- -
~
~----
-' --
'
328 Bagian Keempat: Ekonometrika Time Series
Model yang mengasumsikan bahwa varian residual tidak konstan dalam data
time series yang dikembangkan oleh Engle tersebut disebut model autoregressive
conditional heteroscedasticity model (ARCH). Untuk menjelaskan bagaimana model
r.:
ARCH dibentuk, misalkan kita mempunyai model regresi sederhana sebagai berikut: 1\ -
n
(15.1) p
d
dimana: s
(( -
Y = variabel dependen
X = variabel independen
e == residual 1'
Di dalam bab 8 kita telah membahas masalah heteroskedastisitas dan bagaimana s
mengatasi model ;egresi yang mengandung unsur h~teroskedastisitas. Namun kita n
hanya memfokuskan bahwa terjadinya heterosl<edastisitas k:.~rena berhubungan s
langsung deng2n vari::Jbei independ8n sehingga supaya model terbeb:=Js masalah i1
heteroskedastisitas maka hanyE~ perlu transforrnasi persamaan regresi. II
Model ARCH berbeda dari asumsi terse:but. Heteroskedasti:;itas terjadi !<arena k
data time series menunjukkan unsur volatilitas. Misalnya, nilai kurs, pada .·:;uatu periode d
volatilitasnya tinggi dan residualnya juga -tinggi, diikuti suatu peri ode yaneJ volatilitasnya
rP-ndah dan residualnya juga rendah. Dengan kondisi seperti ini rr1alc'~ vari;:m residua!
dari model akan sangat.tergantunQ dari volatilitas residual sebe!umnya. Dengan kata 1
lain varian residual sangat dipengaiuhi oleh residual periode sebelumnya. Persamaan
varian residual aalam model ARCH ini dapat kit2 tulis sbb: d
kl
(15.2) (F
si
rr
Persamann (15.2) menyatakan bahwa varian residual yakni clt mempunyni dua
.II
komponen yaitu konstan dc:m re~ idua! periode lalu (iag) yang diasumsikan merupakan
d.
kuadrat d :lr! residual periode lalu. Model dari residual et tersebut adalah p;
heteroskedastisitas yang bersyarat (conditional heteroscedasticity) pada residual et-1·
De11gan mengambil informasi conditional heteroscedasticity dari et. kita bisa
mengestimasi parameter !3 1 dan !3 2 lebih efisien. Persamaan (15.1} di atas disebut
per3amaan untuk output dari persamaar. rata-rata (conditional mean} sedangkan pada
persamaan (15.2) disebut persamaan varian (conditional variance).
Jika varian dari residual et tergantung hanya dari valotilitas residual kuadrat satu
periode yang lnlu sebagaimana dalam persarnaan (15.2), model ini disebut dengan
ARCH (1 ). Dengan demikian secara umum, model ARCH (p) dc;pat dinyatakan dalam
bentuk persamaan berikut:
Bab 15. Model ARCH dan GARCH 329
Model persamaan ( 15.3) adalah model tinier sedangkan persamaan ( 15.4) rtlerupakar.
model non tinier sehingga kita tidak bisa menggunakan teknik OLS untuk mengestimasi
persamaan tersebut. Model persamaan (15.3) dan (15.4) hanya bisa diestimasi
dengan metode maximum /ikelihood. 2 Metode ini tidak sulit dilakukan dan sekarang
sudah banyak program software ekonometrika yang menyediakan estimasi metade
tersebut.
LB = n(n + 2)L
m ( p2
_k_ J-l m (15.5)
k=t n- k
Kita belum membahJs metode maximum Likelihood (ML), pada lampiran bab ini kita akan mernbat1as
secara singkat metode tersebut.
--
330 Bagian Keempat: Ekonometrika Time Series
Jika nilai statistik LB lebih kecil dari nilai kritis statistik dari tabel distribusi chi squares
(l) maka residual menunjukkan tidak adanya unsur ARCH. Sebaliknya jika nilai
statistik LB lebih besar dari nilai kritis statistik dari tabel distribusi chi squares (x 2) maka
residual mengandung unsur ARCH.
Apakah model ARIMA (i ,0,0) menghasilkan residual yang random (white noise) sehingga
merupakan model terbaik ? sebagaimana sebelumnya kita akan deteksi residual melalui poia
correlogram. Gam bar 15.4 menunjukkan · bahwa berdasarkEm uji statisitik dari !..jung-Box, ·1
1 sernua koefisien ACF qan PACF tidak signifikan dilihat dari nilai probabilitas 0-stat sehingga
I residual yang kita dapatkan memar1g residual yang bersifat white noise ..
Salanjutnya, apakah peril<=:!ku data return saham mengandung unsur ARCH? Correlogram
residual kuadrat dari Model AR(1 ), AR(3) ditampilkan dalam gambar 15.5. Berdasarkan uji
d;:~ri LjL•ng-Bnx ditunjukl<8n Q-stat, 0-statistik r''ai cukup tinggi :::ehing:Ja se-:ara statistik
\ sign!fikan. Signifikannya koefisien ACF dan PACF bisa juga dilihat dari rendahnya semua
1 ~~ai ~robabilitas Q-Stat, bahkan hampir nol. Sigr.ifikannya koefisien ACF dan P.t\CF ini
Lrart• model return saham mengandung unsur ARCH. J
.
F~
,-
Bab 15. Model ARCH dan GARCH 33i
......:
.A..ut oc:: o r r e I a t i o n P~artial Correlation Prob
J....
4 0.011 0.007 :2.8083 0.24F3
5 0.023 D.D24 3.2638 0.353
Ei -o.o1s -G.D13 3.4521 o_ ...,_gs
7 -0.031 -0.029 4.2700 C" 5'1 1
B 0.03:.3 0.030 5.1821 0.521
9 -0.002 -C1.005 5 'I 8 4 3 ;::J.o::.:_~·.;-·
1D 0.002 0.006 5.1El90 0.737
1 1 O.DEi3 0.064 8.55-42 D. 4 7 3
12 0.006 D.009 8.5876 0.572
.....
13 0.013 0.018 8.7329 0.647
14 0 004 0.005 El 7 4 7 0 0 724
15 0.014 0.016 8.9114 0.780
16 0.0:57 0.055 1 "l . 7 2 4 D.62i3
17 0.010 0.014 1 1 .804 0.694
1EI --O.D31 -D D 2 2 12.632 0.699
19 0.030 0.026 13.412 0.708
20 0.018 0 0'15 13.70"1 0.74•73
21 0.023 0.02:::3 14.140 0.775
22 O.DOEi 0.007 14.17'1 0.82::<:
23 -0.019 -0.014 14.488 D.EI4EI
2.<1 0.040 0.034 15.872 O.E322
25 -0.017 -0.022 16.129 0.8:50
:~ 26 0.0~-EI Cl.052 -: 8'.1 0 7 D. 7 9 8
27 0.0:39 0.031 19.-4-4-2 0.775
L
28 0 019 f""J.D24 "19 7:51 O.BCJ?.
:29 o.oo:-r 0.01 o 1 9 . 7E39 Ct.G-4CJ
------~~------------~------------2-------------~~3~0=---~D=--~0=-1~9=----~c;=·~-~0==~~2=---?~D=---1~0~5=-~D=--~B~~~~--:'_
Gambc>r 15.4. Correlogram Residual model AR(1) AR(3) data R!HSG
Samp1e: 5 847
I n c l u d e d obser-vatior-r.s: 8-43
Q - s ; a t i s t i c : p r o b a b i l i t i e s adj_J.st_ed for- 2 ...O...R~P... term(~•)
.
13 -D.D14 -O.D1 1 181 .66 D.ODO
~4 -D.-:115 -O.oD.::- 181.8-4 ,-,_uoo
. ...
15 -C DDS U.D04 181.86 O.DOD
IJ
16 C.UC!S D.D09 181 .92 D.DDO
f
17 0.005 -0.005 1E31 . 9 5 C".CDD
18 D. 1 DEi 0.1-45 191 .56 O.DOD
19 0.085 -D.D59 197.80 O.ODD
..
2D D.DD2 D.DD7 197.81 D.DDD
21 -D.D07 D.DO~ 197.85 D.DDD
o.ooo I
....
22 -O.D09 -D.01 9 197.92
23 -D.DD7 D.D13 197.96 D.DOD
....
24 -D OD8
-0
0. 0
0211
9 -; 98.D 2 0 DOC
'...!'
25 D DD2 1913 03 0 0 00
26 D.DD7 -0 003 1 913 DEi 0 DOD
.'j'.. ::27
2El
D DD2
-O.D13
-0.003
-D D 1 8
19E3.07
1 98 22
0 ODD
o0 DOC!
'
.,. ' 29
3CJ
-0 004
-0.00"1
o o
-0 013
1 9 1 913 2 3
19E3 2 3 0
nno
CJLILl
(15. 7) I
Hipotesis nul tidak adanya unsur ARCH dalam persamaan (15. 7) tersebut diatas dapat
diformulasikan sbb:
l
(15.8)
Dengan hipotesis nul tersebut maka varian residual a-: aka;, konstan sebesar a 0. Jika
kila menerima hipotesis nul maka model t!dak mengandung masalah ARCH dan
sebaliknya jika kita menolak hipotesis nul maka model mengandung unsur ARCH.
Adapun prosedur uji ARCH sbb:
1. Estimasi persamaan (15.3) cbngan metode OLS dan dapatkan residual serta
residual kuadaratnya. 4
2 Tvla!C~kula·~ r~g;-esi iesidual kuadrat dengan lag residual kuadrat sebagaimana
persamaan (15. 7). yakni:
.\
(15.9) \
Persoalan krusial dalam uji ini adalah sampai sebarapa panjang lag yang
digunakan. Untuk itu bisa digunakan kriteria yang dikembangkan Akaike melalui
Akaike Info Creterion (AIC) maupun dari Schwarz Creterion (SIC).
3. Jlka sampel adalah besar, menurut Robert Engel model dalam persamaan
(15. 7) akan mengikuti distribusi Chi-Squares dengan df sebanyak p.
(15.10)
tidak sam a dengan nol. lni menunjukkan adanya unsur ARCH dalam model. Sebaliknya
jika chi-squares (X) hitung lebih kecil dari nilai kriiis chi-squares (x) pada derajat
kepercayaan tertentu (a), kita menerima hipotesis nul (Ho). Artinya varian residual
adalah konstan sebesar a 0 sehingga model terbebas dari masalah ARCH.
~~ .. .. ...
·~-=:.: ~ ~~ .. ~~~~=-. ....,._, ..,. . . . . . . . . . ..,,c.,:,.~
I Contoh 15.2 Deteksi Unsur ARCH perilaku RIHSG rnelalui Uji ARCH-LM
Berdasarkan deteksi pola residual kuadrat model AR(1) dan AR(3) pada data RIHSG telah
I ditunjukkan b8hwa 1nodel mengandung unsur ARCH. Kita akan l\embali mendeteksi masalah
unsur ARCH ini dengan menggunakan metode deteksi uji ARCH-LM. Kita menggunakan alat
bantu Eviews untuk mendeteksi masalah unsur ARCH dengan kelambanan 30. Hasil
deteksinya ditampilkan dalam Tabel 15.11: Berdasarkan Nilai hitung yakni (obs*R 2 ) sama l
dengan 232,6795 dengan probabilitas 0,0000 atau a lebih kecil dari 1%. Dengan demikian
samp2i kelambanan 30 secara statistik signifikan sehingga kita menolak hipotesis nul yang
berarti varian residual tidak konstan atau dengan kata lain model yang digunakan
mengandung unsur ARCH.
~
Contoh 15.3 Prediksi Return Saham dengan Modei ARCH
- --= -· ::1
Pad a contoh 1!:.1 ,!,it:.~njukkan bahwa ~erd1sarkan teknik dari Box-Jenkln model PRIMA
yang tepat adalah AR( 1) AR (3). Model tersebut setelah diteksi rnengandung unsur ARCH.
:<ita sekarang akan rnencoba menganalisis p9rilaku RIHSG tersebut dengan memasukkan
unsur ARCH. Metcde estimc- -;j yang digunakan adalah lv1aximum likelihood. Hasil regresinya
ditampilkan dalam Tabel 15.2. Output pada tabel 15.2 terdiri dari dua bagian yang pertama di
atas menunjukk:::~n persamaan conditional mean, sedangkan yang dibawah adalah
conditional variance.
~-----
L-
~
- -
-
--
L
,..,.------
,-'
ii
I
334 Bagian Keempat: Ekonometrika Time Series
Di dalarn pers;;rnaan Varian ditunjukkan bahwa koefisien pad a ARCH (1) signifikan secara
statistik y8ng berarti volatilitas terdapat pada data return saham dalarn periode penelitian.
Berarti kesalahan prediksi (residual) return hargn saham dipengaruhi oleh residual periode
sebeiumnya .A,RCH(1 ). Pad a persamaan rata-rata koefisien AR(1) tidak signifikan sedangkan
1
koefisien /\R(3) signifikan. Ketidaksignifikan AR(1) ini karena sudah terakomodasi d:Jiam
unsur ARCH. •
Berdasarkan R2 dalam model ARCH relatif kecil yaitu 0,0130 Hal ini terjadi karena tujuan
2
estimasi dengan metode OLS adalah untuk memaksimumkan R , namun dengan adanya
koreksi terhi'ldao heteroskad2stic;i•3s d81)nt IT'enyet>abk::m R me:~gai%li pe11un.!r2n. Kondis!
2
inilah yang menunjukkan kelemahan R~ sebagai metode daiam mengevaluasi hasil regresi
dari metode OLS. Karena estimasi mode! ARCH menggunakan metode maximum likelihood
maka evaluasi garis regresi tida" oerdasarkan R2 tetapi berdasarkan Log likelihood.
Dengan memasukkan unsur persamaan ARCH ini, c.paKah kemudian model sud2h terbebas
dari unsur A~CH? Kita akan mende~eksi dengan menggunakan uji ARCH-Uvl. Hasil uji
2
AR:CH-LM ditunjukkan dalam Tabel 15.3. Berdasarkan Nilai hitung / yakni (obs*R ) samC:t
dengan 8, 7195 dcngan probabilitas 0,9999 atau pad a a=99, 99'1 Dengan demikian sampai
kelambanan 30 secara statistik tidak signifikan sehingga kita menerima hipotesis nul yang
bera~i varian residual konstan atau dengan kata lain model yang digunakan sudah tid<:~k
mengandung unsur ARCH.
~==~~====~===============~=========-~
"-
-
'
p
ll ---
r.r----
! '1--
f-,--
t=-
~-----
~-'~-
Bab 15. Model ARCH dan GARCH 335
(15.11)
Sedangl<an varian resiciualnya de:1gan model GARCH ini dapat dltulis sbb:
(15.12)
Pad a model GARCH terse but varian residual ( cr,2 ) tidak llanya dipengaruhi oleh
residual periode yang lalu ( e,2_ 1 ) tetapi juga varian residual periode yang lalu ( a-~_ 1 ).
Model residual dalam persamaan (15.11) disebut model GARC'H (1, 1) karena varian
;-&siuuai i1a,1ya dipengan.ihi oleh residuai periode sebeiumnya dan varian res~dual
periode sebelum;,ya. Secara umum model GARCH yakni GARCH (p,q) dapat
dinyatakan melalui persamaan sbb: •
(15.13)
Sebagaimana model ARCH, model GARCH tidak bisa uiestimasi dengan metode OLS,
tetapi dengan menggunakan metode maximum likelihood.
._
Method: ML- ARCH
Sample(adjusted): 5 847 ..
Std. E ~~--=z'--S==-t~a'='ti.=,st:::-:ic=t-_ ____.:,P__:_r.=,ob=::-1.
;ro
t-
____g_oe ffi ci en t
c -0.0003621 0.0005441 -0.665178 0.5059
AR{3) 0.0407221 0.0468181 O.E69794 0.38t.A
r---~-~----~--------~-------~-----~~---------
Variance Equation
1.94E-05
0.225709
3.89E-06I
0.0296171
4.989603
7.620952
0.0000
0.0000
!
~j
.il
J.775688 0.0243851 31.80954 0.0000
R·squarea • 0.003316 Akaike info criterion -5.361957
l
. Adjusted R-squared -O.OOi 442 Schwarz criterion -5.333861
II
Log likelihood
Durbin-Watson stat
2265.065
2.363011
F-statistic
Prob(F-statistic)
0.696940
0.594174
Ij
1
l
Sebagaimana sebelumnya apakah dengan memasukkar1 unsur GARCH di dalam
persamaan varian, apakah model sudah terbebas dmi masalah Unsur ARCH? Kita aka:1
menggunakan uji ARCH-LM dengan me'lggu:-~akan kelambanan 30. Hasi:ilya ditampilkan
rada Tabel 15.5. Nil<'li hitung l 2
yakni (obs*R ) sam a de:1gan 8,49R9 deng;:w, pr-Jba. ,i!itc::s
i I
I
0,9999 atau pada cx=99,99%. Kesimpulannya sampai kelambanan 30 secara statistik tidak
signifikan seningga kita menerima hipotesis nul yang berarti variar, residual konstan atau
dengan kata lain model yang digun3kan sudah tidak mengandung unsu; ARCH
Tabel 15.5. Deteksi ARCH dengan Uji ARCH-LM dengan kelambana_n_.-"--30_ _ _ _ _ _ _--,
ARCH Test I
~------
...........
~
!!;----
~ ..
---=---=-----
~---~
-,--
-,--
Bab 15. Model ARCH dan GARCH 337
l
,-squal·eGdARCH(2)
'-.D. ,. 0.269418 0.118222 2.278907 0.0227
0.601780 F-st3tistic 1!3. 13~.07
Log likelihood I -121.53291 Prob(F-statistic) o.ooooooi
D
__ st_a_t______ ~8~
ur_b_in_-_W_a_t_so_n__ -----------L------~~
Arak ~h model GARCH ini mengandung unsur .A.RCH? Kita akan melakukan uji dari ARCH-
U;l den!:jan kelambc:nar. 8. Husilnya ditc.mpilkan dalarn Tabel 15.7. Nilai hitung / yakni
(obs*R~) sama dengan 2.2409 dengan probabilitas 0,9727 atau pada a=97,27%. Dengan
demikian seca-a statistik tidak signifikan sehingga kita menerimEl hipotesis nul yang berarti
varian residual konstan atau dengan kata lain model sudah tidak mengandung unsur ARCH.
I::
338 Bagian Keempat: Ekon:ometrika Time Series
(15.14)
I
(15.15)
(15.16) i
!
,.- - fJ0 ' /] i ,-.-r-l '
vI
?
- T I 0
'J
T)
I
fj 2 °1-2
r- + .,. -r' J.-.nC.!-:1
($ •. -
"I
(15.17) I
a1>0,
dimana:
I
l
RM2 = p8rmint?ar, uang riil M2 I
GOP = gross domestic product
IR =suku bunga depositc untuk perioc'e 3 bulan I
iNF =tingkat inflasi yang d:ukur dengan indeks ~arga konsumen I
LIBOR = london interset bank offer rata jangka waktu 3 bulan I
\
i
G
Robert F. Engle, !Javid M. Lilien and R. P. Robin< Estimating Time-Varying Risk Premia in the Term
Structure: The ARCH-M model, Econometrica, Vol. 55, No. 2, 1987, pp. 391-409. Banyak model
1\RCH telah dikembangkan, \ihat Li. K.W, LingS .t>.nd Michael M, "Recent Theoritical Results for Tin-.e
Series Models With GAF.CH errors", Journal Of Ec,HJOn,;c; Su1veys, Vol 16, No.3, 2002, pp. 245-269 li
.I
.
- -
F;---
=
~---
r--
;.~
-.-
---
Bab 15. Model ARCH dan GARCH 339
!-..:
Contoh 15.7. Lanjutan
Koefisien regresi pada persamaan rata-rl:lta (15.18) permintaan uang riil M2 semua sesuai
dengan hipotesis dan semua signifikan secara statistik. Pada persamaan varian (15.19) juga
ditunjui;:kan bahwa perrnintaan uang arti luas juga mengandung unsur volatilitas yang
ditunjukkan oleh koefisien ARCH (1) dan ARCH (2) yang secara statistik signifikan Apakah
volatiiitas ini kemudian berpengaruh terhadap permintaan uang ditunjukkan dalam
r:;.ersamaan (15.18). Volatilitas varian residual ini berpengaruh terhaclap perrnintaan uang
M2. Hal ini berarti bahwa permintaan ue:mg M2 sangat sensitif terhadap volatilitas di sektor
pasar uang.
340 Bagian Keempat: Ekonometrika Time Series
..
i
LAMPIRAN BAB 15
(1 )
dimana variabel dependen Y mempunyai distribusi normal dengan rata-rata ==13 0 + I31X;
dan varian <l. Distribusi probabilitas dengan rata.~rata dan varian ;ang t.ertentu dapat
ditulis sbb:
(2)
Fungsi likelihood (likelihood function) adalah pe:·k-J!i:ill dJ:i ;';:s~iap pi·or~a!.lilil:<'.h !<ejadian
individual pada semua observasi n. Dengan demikia:: f! !11gsi likelihood dapat ditulis sbb:
(3)
·..J.··
,
~ 0 · ~l
i..
-
·"'
;~
..
..
. I
iI
Bab 15. Model ARCH dan GARCH 341
n 1
lnLF = -nlncr--ln(2n)-- L ; (Y - f3 0 - f31 X ; ) 2 '
2
2 2 a +-·...:
-Ill
---ncr 2 nl(2·)
-- l"(f;-f3o-f3lXi)2
n tr - - ~
(4)
2 2 2 cr 2
Turunan pertama persamaan (4) terhadap 1}0 , 1} 1 , dan cr 2 menghasilkan persamaan sbb:
(5)
(6)
Menyamakan k;etiga persamaan diatas sama dengan nol dan mencari /3 0 ,j31 dan
Ci 2 s"ebagai estimator dari LM alcan menghasilkan persamaan sbb:
_l_~·cri -- 7'
!·Jc
- .8.~ i .'lv ' ~-
• -
o (8)
cr' /
~
1
(9)
Dari per.yelesaiur, persamaan (8) dan (9) kita mengha~ilkan persamaan sbb:
~ .. ~ ~.._.--.
L. Y; xi
= nf3o + /J, L ( 1 i)
r--
~
~--
;:;._-
~
-·
342 Bagian Keernpat: Ekonometrika Time Series
Kedua persamaan tersebut diatas (11) dan (12) adalah persamaan normal (normal
equation) sebagaimana dalam metode OLS, sehingga kita bisa menyelesaikan kedua
persamaan tersebut untuk mendapatkan parameter estimator ML. Penyelesaian '-- -
..
persamaan (11) dan (12) menghasilkan estimator metode maximum likelihood sbb:
(13)
~ I ex,- X)(Y;- Y)
(14)
/31 = 2)x, - X)z
{30 dan 7J1 sebagai estimator ML yang kita dapatkan dari l<edua persarn3an tersebut
identik dengan estimator yang kita dapatkan dari metode OLS. Oleh karena itu
- ~
/30dan /31 adalah estimator yang Best Linear UnbiasedrEstimator (BLUE). Sedangkan
varian est!mator dari Maximum likelihood diperoleh dengan mensubstitusil<an estirnatar
ML ke dalam persamaan (1 0) sbb:
(15)
I\
2 - \
= (]" 2 --(]"'" (16) I'•
;I
n
Varian dari ML ini adalah bias karena terlalu kecil (underestimate) dari varian yang
sebenarnya di dalam sampel kecil. Narnun jika ukuran sample (n) menjadi besar hinggt:l
tak terhingga (indefinitely) maka 2/n mendekati nol. Oleh !<arena itu dalam sampel
'·
besar variar. ML ( ii 2 ) me11jadi tidak hi3s lagi.
..l. .·
___ ._..;:.,. .- -. ~
Bab 15. Model ARCH dan GARCH 343
.
··---~
,.~
i r;-
=
jjlj;iiiiiiiiii
~
~
:...:._ ---
rr---
==-====
Bab 15. Model ARCH dan GARCH 345
• Lihat pola correlogram RIHSG dengan buka dat::-1 RIHSG kemudian klik
Eview/Correlcgr·am sehingga akan muncul tampilan sbb:
Tampilan 1
Sample: 1 847
Included obser1alions: 846
Correlogram. pada Tampilan 1
Autocorrelation Partial Cor;·elation AC PAC Q-Stat Prou ini rnenunjukkan data stasioner
pada tingkat level. Nilai ACF
1
I -0.184 -0184 28.767 0.000
2 -0.031 -0.067 29.596 0.000 dan P.ACFnya spike pada lag i
3 0.076 0.060 34.483 0 DOD sehingga model terrtantlf yang
I I 4 -0.024 0.000 34.957 0.000
1.1
5 C.D28 0.031 35.656 0.000 !<ita 3jul<an ada!ah AR(1 ).
I: 6 -0.008 -0.002 35.708 0.000 Setelah itu ldta rnelakukan
:1: II 7 0.037 ··tl037 36.910 0.000
regresi dengan rnodei AR 1.
t1 0.044 0.027 38.592 o oon
~1'
C) 0 IJUB 0.004 38.651 0000 K!it: Oulek/estlamte equatioi 1
I I iO -0.008 -0.002 38.712 D.COO sehingga hasilnya bisa dilihat
I n 0.055 0.060 42.340 0.000
:I 12 -0.009 0.017 42.415 0.000 dalarn Tampilan 2 berikut ini:
'i' 13 0016 0.02'1 42.637 0000
14 u DOC 0.004 42.5o7 G.OiJO
'I'
I I I I
I•
15 -0.001 0.005 42.668
'15 0.055 0.052 45.286
0.000
0.000
I I I I 17 0.007 0.029 45.323 0.000
I I I I .18 -0.035 -0.022 46.362 0 CCII)
I I I I 1S 0.037 0.018 47.543 0.000
I I II 20 0.005 0.013 47.566 0.000
I I I I 21 0.020 0028 47.911 0.001
I I I I 22 0.008 0.011 47.961 0.001
I I I I 23 -0.025 -0.017 48.493 0.001
I I 24 0.050 0.036 50.694 0.001
I I I I 25 -0.032 -0.::123 51.576 0.001
26 0.045 0.044 53.325 0.001
I I 27 O.C29 0.033 54.08.: 0.001
I I
I I
:I
I I
I I
28 0010 0.030 54.179
29 0.012 0.015 54.300
0.002
0.003
I I I I 30 -0.022 -0.024 54.7'21 0.004
•.
~
.
I -
\
'
Tampilan 2
Dependent Variable: RIHSG
Method: Least Squares
Date: 08/10/04 Time: 06:25
Sample(adjusted): 3 847 . . .
Included obse.vat1ons: 845 alter adJUSting endpoints
Convergence achieved after 2 iterations
Tampilan 3
Sample: 3 847 .
Included observatt.~r~s: 84~
Q-statistic- pm!:Jabi1Jttes ~dJUSted for ·t ARM!'... term(s)
=Autocorrelation
- P;;;~rtial Corrt;;Jiation AC PAC Q-Stat Prob
· •..
i:r
·l',l.
·
i -0.013 -O.L.'1.J 0.1363
2 -O.LJ54 -0.054 2.6262 0.105 rnasii·t Ei;).:; i ;lid; ~~;tOUdl.J;i:t8s
3 0.071 0.010 6.8980 0.032
4 -0.006 -0.007 6.92'i1 0.074 yang kursr1q d.:-;ri 5% rnak8
5 0.024 0.032 7.4224 U.115
6 -·0.010 -0.015 7-.5067 0.186
rnasih t-.:::rci~~:;J::~!- n'·ias:::;!ar·:
7 -C.nJ3 -O.J2S 0.4255 O.LC:3 aul-.~H<Ufc;lasl fJ~..:;c.!c:J ic:·t-J L~f"S.;::;~~;;_;t.
8 0.03!'1 0.033 9.7195 0.205
9 -0.002 -0.003 9.7237 0.285 Pad;;j To:11ilpilan 3 masih
'10 0.002 0.009 g.7264 0.373
11 0.066 0.061 13.435 0.200 terd2pat autokmelasi pada !ag
12 0.005 0.009 13.459 0.264
13 0.017 0.021 13.704 0.320 3 sehingga kita akan
14 O.COc 0.002 13.778 0.39ll
15 0.01' 0.014 13.877 0.~59
rnerilasukkan AR(2) ke de1iar,:
16
17
0.060
C.O'i 1
0.055
0.014
17.005
17.103
0 319
0.379
model. ~<emudian esti:nasi
",! 18
19
-0.029
0.034
-0.021
0.024
~7.824
18.846
0.400
0.401
1"(1odei dengan AR('1) dan
20 0.017 0.014 19.086 0.451 AR(3). Untuk rnelihat bahwa
21 0 024 0.027 19.577 0.485
22 0.007 0.003 19.621 0.545 model !<ita baik rTlaka kita c'3k
23 -0.016 -0.012 19.832 0.594
24 0.043 0.034 21.464 0.553 lagi rnelalui residue1lnya.
25 -0.015 -0.020 21.672 0.599
26 o.048 n.o55 23.660 0.539 Klik \liew/Resldual
'27
28
0.042
C.018
0.028
0.026
25.182
25.458
0.509
0.549
Tests/Conelogram~Q ..
Statistics ser11ngga muncul
I29
30
0.010
-0.019
0.005
-0.025
25.549
25.854
0.598
0.633
tarnpilan correlogram berikut ini:
Bab 15. Model ARCH dan GARCH 347
Tampilan 4
Sample: 5 847
Included obsorvations: 843
Q-sl~tistic
probabilities adjusted for 2 ARMA term(s)
'r-:
:j
Autocorrel<::~tion
'
'
Partial Correlation
3
4
AC
1 -0.010 -0.010
2 -0.056 -0.056
0.001
0 011
PAC
0.000
0.007
O~Stat
0.0840
2.7120
2.7139
2.8083
Prob
0.099
0.246
Pada Tampilan 4, residual
model AR(1) dan AR(3) sudah
tidak ada lag yang signifikan
' 5 0.023 0.024 3.2638 0.353
3.4521
' 6
7
-0.015 -0.013
-0.031 -0.029 4.2700
0.485
0.511 sehingga model tersebut sudah
8 0.033 0.030 5.1821 C.521
9 -0.002 ·0.005 5.1843 0.637 dapat dikatakan residualnya
10 0.002 0.006 5.'1890 0.737
1 1 0.063 0.064
12 0.006 0.009
8.5542
8.5876
a A79
0.572
bersifat white noise atau nilai
13
14
0.013
0.004
0.018
0.005
8.7329
8.7470
0.647
0.724 errornya beikisar 0.
15 0.014 0.016 8.9114 0.780
16 U.057 0.055 11.i'24 0.628 Pertanyaan berikutnya apakah
17 0.010 0.014 11.8C4 0.6.34
18 -0 031 -0.022
19 0.030 G.02B
12.632
13.412
0.699
0.708
model AR(1) dan AR(3)
20
21
0.018
0.023
0.015
0.023
13.701
14.140
0.74B
0.775 tersebut men9andung unsur
22 0.006 0.007 14.171 0.022
23 ·0.019 -O.Cf14 14.488 0.848 ARCH. Kita Klik View/Residual
24 0.040 0.034 15.872 0.822
25 -0 017 -0 022
26 0.048 0.052
16.129
18.107
0.850
0.798
Tests/Correlogram Squared
27
28
0.039
0.019 0.024
0.031 19.442
19.75~.
n.77:S
0.8Cl3
Residual. Correlogram residual
29 0.007 0.010 19.789 0.340
1 3rJ -O.l.J19 -0.022 20.105 0.861 kuadrat ini bisa dilihat dalam
Tampilan 5
Tampilan 5
Sample: 5"847
Included observations: 843
0-statistic prob~bilities adjusted for 2 ARI\.1A term(s)
Tampilan 5 menunjukkan
Autocorrelation Partial Correlation AC PAC Q-Sta1 Prob
----- bahwa nilai correlogramnya
f~ I ...,1
0.461
o.u:J5
0.-16 t ·179.89
-G 22~ .ac.9s S;,.j·~2i·a 3tatst:~~: sigr,ifi:~ar~
II 3
4
0.088
0.010
0.121 181.03
-0.055 181 11
0.000
0.000 dilihat dari nilai Q statistil\
5 -0.001 0.020 181.11 0.000
r
'
5 0.000 -0.006 181.11 0.000 cukup tinggi sehingga model
7 -0.010 -0.013 ".81.20 0.000
'' 8 -0.009 O.OL5 181.27 (1.000 menga'1durg unsur ARCH.
''
I q 0.009
10 0.008
0.012 181.J3
-0.008 13' .36
0.000
0.000 Disamping melalui
11 -0.008 -0.006 18 .41 0.000
12 -0.0~0
13 -0.014
-0.004 181.50
-0.011 181.66
0.000
o.oro
correlogram residual kuadrat
14 -0.015
15 -0.005
-0.004 181.84
0.004 181.86
O.Oc,o.J
0.000
kita bisa juga mendeteksi ada
16 0.009
17 0.005
0.009 181.92
-0.005 181.95
0.000
0.000
tidaknya unsur ARCH dengan
18 0.106
EJ 0.085
0.145 191.56
-0.059 197.80
0.000
0.000
uji ARCH-LM. Klik
20 0.002
21 -0.007
0.007 197.81
O•J01 :97.85
0.000
0.000
View/Residual Tests/ARCH-
::2 -0.009
23 -0.007
-0.019 197.92
0.013 197.96
0.000
0.000
LM Test dengan kelambanan
24 -0.008
25 0.002
-0.019 198.02
0.021 198.03
0.000
0.000
30 sehingga akan muncul
tampilan uji ARCH sbb:
l
26 0.007 -O.'J03 198.0b 0.000
27 0.002 -0.003 198.07 0.000
'' 28 -0.013 -0.018 198.22 0.000
'' 29 -0.004 0.019 198.23 0.000
'' 30 -0.001 -0.013 198.23 0.000
''
.-.--
~
348 Bagian Keempat: Ekonometrika Time Series
Tampilan 6
ARCH Test:
Uji ARCH melalui ARCH-LM test ini tidak menampilkan persamaan ujinya hanya nilai
statistil< F dan Chi Squares (l) yaitu obs*R-squared.
Setelah itu kemudian kita mengestimasi model dengan memasukkan unsur ARCH
maupun GARCH. Klik estimate sehingga muncul tampilan sbb:
Tampilan 7
Tampilan 8
.--
8ab 15. Model ARCH dan GARCH 349
Pada model kita mencoba memasukkan ARCH('!) tanpa GARCH dan juga tanpa
ARCH-M terms. Setelah kita pilih semua item maka klik OK sehingga akan muncul
tarnpilan sbb:
I~
I
Tampilan 9
Variance Equation
I
I
Log likelihood
Durbin-Watson stat
22~7.551
2.3113311
F-statistic
Prob(F-statistic)
2.7756611
0.026086
i Inverted AR
I
Rc•ots .37 -.20 -.33i -.20+.33i
r-====--
•
JF'tl
rr-- --
-~-~--
!F----
~
~--- ---
~
350 Bagian Keempat: Ekonometrika Time Series
Tampilan 10
,---· .
Dependent Vanable: RIHSG I
Method: ML- ARCH
Date: 08/10/04 Time: 07:27
I
Sample(adjusted): 5 847
Included observations: 843 after adjusting endpoints
Convergence achieved after 73 iterations
Tam lan11
Estimasi perrr:intaan uang
rleng8n model ARCH-M peci~
contoh 15.7 sama seperii
perintah dalam Tampilan 8,
lihat Tampilc:m 11. Namun
.::~~~M .. ?R~~i!~9.HS:~1_:___ :..... . ...:......- .. - ..
0 rder ARCI;j· r;,--·. &ARJ;;I;l:lo··· Ir ~aria· ·ce R::39re"S.s.~.~:
sekarang kita juga ha;-us
mengisi item ARCH-M term
ij_
f·. dengan memilih Std Dev
i E
yaitu varian residual sebagai
salah s<:~tu variabel
indepenC:en di dalam
persamaan rata-rata. Hasil
~egresinya ditunjukkan dalarn
Tampilan 1?
~-
·~,·~-
-=
:------
~
---
-.-
~
Bab 15. Model ARCH dan GARCH 351
Tampilan 12
~-
-~
~
-----...
~---
-
~--
~
~
----- _____ ,_, r.
' . \~
';I
I
!
i !
FT----- -
~-~
~
!';---
-~---
~: - -
1-:---
L__
-!--
Wiii#i!& &£] #tt#iiRE¥ AM 6 iilli#'E 'II 4 Mii
Bab16
MODEL
KOREKSIKESALAHAN
i
1'
'
Akhir-af<hir ini ahli ekonometrika telah memfokuskan pada pengembangan
1 II khusus ekonometrika time series. Oata time series seringkali tidak stasioner sehingga
' I menyebabkan hasi! regresi meragukan atau disebut regresi lancung (spurious
lI !
regression). Regresi lancung adalah sittJasi dimana hasil regresi menunjukkan koefisien
regresi yang signifikan dan nilai koefisien determinasi yang tinggi namun hubungan
antara variabel di dalam model tidak saling berhubungan. Model yang tepat bayi data
time series yang tidak stasioner adalah model Koreksi kesalah<.=m (Error Correction
Mode0. Bab ini akan membahas masalah staionaritas data dan bagaimana menjadikan
I'. data menjadi stasioner. Selanjutnya akan dibahas model koreksi kesa!ahan.
i.
I.
353
11
354 Bagian Keempat: Ekonometrika Time Series
rr~~~~~~~~~~~~==~~~~-----------~~~ ---
Contoh 16.1. Nonstasionaritas Data Neraca Perdagangan dan Kurs
8000
6000
4000
2000
18000
14000
12000
10000
8000
6000
4000
2000
~
0 1: 88
t----
~----
~
~
~
Bab 16. Model Koreksi Kesalahan 355
C.08 ,----------------------------------
0.06 ..
1 I
~o\-~1']1\~w~"'~~~
0.04
0.02
0.00
-0,02
-0.04
·0.06
. I illfl I
-0.08
----
_j'
Gambar 16.3. Perkembangan Return kurs 24/1/2001-31/10 2003
~ •.•
~
~
~
-
~
~
356 Bagian Keempat: Ekonometrika Time Series
Fuller dan dikenal dengan uji akar unit Dickey-Fuller (OF). Ide dasar uji stasionaritas
data dengan uji akar unit dapat dijelaskan melalui model berikut ini:
-l:S:p:S:l (16.4)
dimana e 1 adalah residual yang bersifat random atau stokastik dengan rata-rata nol, I l
varian yang konstan dan tidak saling berhubungan (nonautokorelasi) sebagaimana l
asums! metode OLS. Residual yang mempunyai sifat tersebut disebut residual yang I
white noise. .!
f
Jika nilai p =1 maka kita katakan bahwa variabel random (stokastik) Y
mempunyai akar unit ( unit root). Jika data time series mempunya1 akar unit maka ~~
dikatakan data tersebut bergerak secara random (random walk) dan data yang
mern9unyai sifat random walk dikatakan data tidak stasioner. 1 Oleh karena itu jika kita
II
melakukan regresi Y1 pada lag Y1_1 dan mendapatkan nilai p =1 maka data dikatakan
tidak stasioner. lnilah ide dasar uji akar unit untuk m~ngetahui apakah data stasioner
atau tidak. 2
li
,I
I
Jika persamaan (16.4) terse but dikurangi kedua sisinya dengan Y 1., maka akan
rnenghasilkan persamaan sbb: I
I
Persamaan (1G.5) dapat ditulis menjadi:
(1o.6) Il
:1.
(16.7)
[--
.-~
tt----
_"'_
~
~
"-.-
c:=:====
Bab 16. Model Koreksi Ke&alahan 357
karena et adalah residual yang mempunyai sifat white noise, maka perbedaan atau
I ' diferensi pertama (first difference) dari data time series random walk adalah stasioner.
Kembali ke uji akar unit dalam persamaan (16.6). Untuk mengetahui masalah
akar unit, kita tinggal melakukan regresi Yt dengan Yt-1 dan mendapatkan koefisiennya
~. Jika nilai koefisien <j> = 0 maka kita bisa menyimpulkan bahwa data Y adalah tidak
stasioner. Tetapi jika ~ negatif maka data Y adalah stasioner karena agar <1> tidak sama
I
I dengan nol maka nilai p harus lebih kecil dari satu. 3 Pertanyaan yang muncul adalah uji
statistik apa yang bisa digunakan untuk melakt:Jkan verifikasi bahwa <1> nilainya nol atau
tidak. Dalam hal ini nilai koefisien ~ tidak mengikuti distribusi normal sehingga kita tidak
bisa menggunakan tabel distribusi t seperti biasanya.
Sebagai alternatifnya Dickey-Fuller telah menunjukkan bahwa dengan hipotesis
nul rj> = 0, nilai estimasi t dari koefisien Yt_ 1 di dalam persamaan (16.6) akan mengikuti
distribusi stastistik -r (tau). 4 Distribusi statistik -r kemudian dikembangkan lebih jauh oleh
Mackinnon dan dikenal dengan distribusi statistik Mackinnon. Beberapa software
ekonometrika telah menyediakan nilai l<:ritis statistik Mackinnon.
(16.8)
(16.9)
(16.10)
Perbedaan persamaar. ( 16.8) dengan dua regresi yang lainya ac:!alah memasukkan
I
I konstanta dan variabel trend waktu. Dalam setiap model, jika data time series
mengandung unit root yang berarti dc;ta tidak stasioner hipotesis nulnya acialah <1> = 0_
Sedar.gkan hipotesis alter:-~atifnya <j> < 0 yang berarti data stasioner.
Karena nilai ~ = (p-1) dan jika p =1 maka ~ = 0 yang menunjukkan daia nonstosioner. Supaya ~ "'0
me1ka nilai p harus lebih kecil dari satu sehingga ~ akan negatif
D. A. Dickey and W. A. Fuller, "Distribution of the Estimators for Autoregressive -:-ime Series wit! 1 a
Unit Root," Jourr;af of the American Statistical Association, Vol. 74, 1979, pp 427-43.
1.:.;-
~------
E==
ti"
--------
~-
: --.
--
=
358 Bagian Keempat: Ekonometrika Time Series
Prosedur untuk menentukan apakah data stasioner atau tidak dengan cara
membandingkan antara nilai statistik OF dengan nilai kritisnya yakni distribusi statistik t.
Nilai statistik OF ditunjukkan oleh nilai t statistik koefisien ~ Yt-1· Jika nilai absolut
statistik OF lebih besar dari nilai kritisnya maka kita menolak hipotesis nul sehingga
data yang diamati menunjukkan stasioner. ~ebaliknya data tidak stasioner jika nilai
absolut nilai statistik OF lebih kecil dari nilai kritis distribusi statistik t
Salah satu asumsi dari uji persamaan (16.8)-(16.1 0) adalah bahwa residual e,
tidak saling berhubungan. Dalam banyak kasus residual e1 seringkali saling
berhubungan atau mengandung unsur autokorelasi. Dickey-Fuller kemudian
mengembangkan uji akar unit dengan memasukkan unsur autokorelasi dalam
modelnya yang dikenal dengan uji Augmented Dickey-Fuller (ADF). Daiam prak.tetnya
uji ADF inilah yang seringkali digunakan untuk mendeteksi apakah data stasioner atau
tidalc Adapun formulasi uji AOF sebagai berikut:
p
(':., Y, = rY:-1 +I /J/'lf, 1+1 + e, (16.11)
i=2
• p
cilmana:
Y = variabel yang diamati
6 Yt = Yt - Yt-1
T = trend waktu
Prosedur untuk menentukan apakah data stasioner atau- tidak dengan cara !
membandingkan antara nil2i statistik ADF dengan nilai kritisnya distribusi statistik i I
Mackinnc.n. Nilai statistik ADF ditunjukkan oleh n!lai t statistik koefi3ien yYt-1 pada
persamaan ( 16.11) sampai (16.13). Jika nilai absolut statistik ADF lebih besar dari nilai
kritisnya, maka cata yang diamati menunjukkan stasioner dan jika sebaliknya nilai
absolut statistik ADF lebih kecil dari nilai kritisnya maka data tidak stasioner. Hal krusial
~ I
dalam uji ADF ini ad:=tlah menentukan panjangnya keiClmbanan. Panjangnya !
i
!
'
kelambanan bisa dite:1tukan berdasarkan kriteria AIC ataupun SC. 5
Bisa dib:<ca kembali penjelasan pada bab 11 tc;ntang pellentuan pa•-tjangnya 1-:elambanan
Bab 16. Model Koreksi Kesalahan 359
Contoh 16.3. Uji Akar Unit Neraca Perdagangan (Trade balance= TB)
Data neraca perdagangan adalah data tidak stasioner. Kita akan uji melalui uji akar unit ADF
dari Dickey~Fuller dengan menggunakan software Eviews. Hasil uji akar unit ADF untuk kurs
baik tanpa, dengan konstanta dan konstanta dengan trendnya dapat dilihat dalam tabel
16.1.(a) -16.1.(c). Hasil IEngkap uji ada di lampiran running Eviews. Dari tabel tersebut
ditampilkan nilai hitung ADF dan nilai kritisnya yaitu nilai kritis dari tabel Mackinnon pada
cx=1%; cx=5%;cx=10%. Semua nilai absolut dari statistik ADF lebih kecil dari nilai kritis
Maskinnon pada setiap a-nya se:1ingga data TB adalah tidak stasioner. Misalnya uji ADF
dengan konstanta dan trend, nilai statistik ADF -2,1318 sedangkan ni.lai kritis Mackinnon
I pacJa a='l%; cx::;5%; cx=10% masing-masing a<ialah -4,1219; -3,4875; -3,1718.
i'
I
!-
~
!¥---
--
,..---
i-
'-'
,.....--
-·,.
360 Bagian Keempat: Ekonometrika Time Series
Contoh 16.4. Uji Akar Unit Kurs (Nominal Excange Rate =NER)
Perkembangan kurs rupiah terhadap dollar AS (NER) dalam bentuk grafik tampaknya juga
tidak stasioner. Kita akan melakukan uji formal melalui uji akar unit ADF. Hasil uji akar unit
ADF untuk kurs baik tanpa, dengan konstanta dan konstanta dengan trendnya dapat dilihat ,..:..,.
dalam tabel16.2.(a) -16.2.(c). Semua nilai absolut dari statistik ADF lelJih kecil dari nilai l<ritis ''
Mackinon pada setiap a-nya sehingga data kurs adalah tidak stasioner.
.. a )U''ADF
T a b e1162( ljl un tukNERt anpa kons tan ta d an ren d
IADF Test Statistic -0.028848 1% Critical Value* -2.6026
5% Critical Value -1.9462
l 10% Critical Va!ue -1.6187
j:
1 .,.iaoe
' 1 ~!!2
.. u··jl ADF un tuk NER dengan kons tan ta tanpa ren d
AOF Test Statistic -1.045540 1% Critical Value* -3.5457
5% Critical Value -2.9118
10% Qritical Value -2.5932
I Tab&l 16.2.(c) Uji ADF untuk NER dengan konstanta dan trend
I IADF rest Statistic -2.634310 1% Critical Value* -4.1219
'1' j 5% Critical Value -3.4875
. 10% Critical Value -3.1718
1~k- ..==~==============--......===""""'"'""'"===;;;;;;.;;;'Oii:""""'===~
1
---
lil
r~~.ontoh
--~
ab&! 16.3.(a) Uji ADF untuk return Kurs tanpa konstanta Jan trend
ADF Test Statist:c -4.983001 1% Critical Value* -2.5937
5% Critical Value -1.9446
10% Critical Value -1.6180
Bab 16. Model Koreksi Kesalahan 361
Tabel16.3.(b) Uji ADF untuk return Kurs dengan konstanta tanpa trend
ADF Test Statistic -4.992191 1% Critical Value* -3.51 B8
5% Critical Value -2.9001
~------------------~-------L--1~0~o/t~o~C~ri~tic~a~I~V~a~lu~e~--~L-------~-2~.~58~7~1~
Tabel16.3.(c) Uji ADF untuk return Kurs deng_an konstanta dan t~end
ADt- Test Statistic l-4.980155 1% Criticnl Value* !I -4.0836
. 5% Critical Value -3.4696
'-------------L 10% Critical Value I -3.1615
(16.14)
(16.15)
(16.16)
Phillips, Peter C. B. and P. Perron," Testing for a Unit Root :n Time Series Regression,' Bio. netrika,
Vol. 75, 1988, 335-34G .
·,!- ·-
tanpa konstants dan trend, hanya dengan konstanta ataukah dengan konstanta dan
trend. Berbeda dengan uji ADF, dalam menentukan panjangnya lag uji PP
menggunakan truncation lag q dari Newey-West. Jumlah q menunjukkan periode
adanya masalah autokorelasi.
Ll__
'' . 5% Critical Value
10% Critical Value
-2.9109
-2.5928
~------
·-.·
~
~----
k-:--------:-:-:
.
~----
-
' ,-
Bab 16. Model Koreksi Kesalahan 363
i p
I L'l2~ = G 0 + G 1T + y6.I:_ 1 + L::fi 1 62~-l+l + e (16.19)
1
1=2
dimana:
ll2r; = llr; - llr;_l
Seperti uji akar-akar unit sebelumnya, keput~san sampai pada derajat keberapa L..:;
suatu data akan stasioner dapat dilihat dengan membandingkan antara nilai statistik
ADF (PP) yang diperoleh dari koefisien y dengan nilai kritis distribusi statistik
MacKinnon. Jika nilai absolut dari statistik ADF (PP) lebih besar dari nilai kritisnya pacta
diferensi tingkat pertama, maka data dikatakan stasloner pada derajat satu. Akan
tetapi, jika nilainya lebih kecil rnaka uji derajat integrasi perlu dilanjutkan pada diferensi
yang lebih tinggi sehingga diperoleh data yang stasioner.
I Eviews. Hasil uji stasionaritas data pada tingkat diferensi pertarr.a neraca perdagangan dan
, 1 kurs rnenunjukkan bahwa data stasioner karena nilai absolut statistik ADF (PP) lebih besar
f! dari nilai absolut statistik Mackmnon pada setiap u-ny1. Uji tanpa dan dengan konstanta juga
I memberi kesimpulan yang sama, (silahakn dicoba). Dengan demikian kita tidak perlu
I 1 rnelakukan uji stasionaritr.~s data pada tingkat diferensi yang lebih tinggi. Dari uji akar unit ini
:1 kita bisa menyimpulkan bahwa dat3 neraca perdagangan dan kurs tidal< stasioner pada 1
~: t •Jkot level teto.JJi steasiune;· pGJda tingkat dife1en.::.: 1-h~rta1nea.
l\
I1
jj
!'
an konstanta dqn trend
1 1% Critical Value -4.1249
5% Critical Value -3.4889
I 1G% Critical Value: -3.1127
F;-----
~
E --
~----
Bab 16 .. Model Koreksi Kesalahan 365
Tabel16.5. (c) Uji ADF NER pada tingkat diferensiJ>ertama dengan konstanta dan trend
ADF Test Statistic -6.040409 1% Critical Value -4.1249
5% Critical Value -3.4889
10% Critical Value -3.1727
Tab3116.5. (d) Uj1 PP N ER Qada t1ngkat diferensi pertama dengan konstanta dan trend
jPP Test Statistic -7.246878 1% Critical Value -4.1219
50'10 Critical Value -3.4875
l 10% Critical Value -3.1718
16.5. Kointegrasi
Regresi yang menggunakaf1 data time series yang tidal< stasioner kemungkinan
besar akan menghasilkan regresi lancung (spurious regression). 7 Regresi lanjung
h~rjadi jika koefisien determinasi cukup tinggi tapi hubungan antara variabel independen
; dan variabel dependen tidak mempunyai makna. Hal ini terjadi karena hubungan
·'
.i keduanya yang merupakan data time series hanya menunjukkan trend saja. Jadi
tingginya koefisien determinasi karen:::~ trend bukan karena hubungan antar keduanya.
MisaJ.nya kita in~in menganalisis pengaruh nilai tukar nominal atau kurs (NER) terhadap
neraca perdagangan (TB). Model yang kita punyai sbb:
I
\ (16.23)
Beruasarkan UJi stasionaritas sebelumnya menunjukkan bahwa data TB dar. NER tidak
stasioner pada tingkat aras (level) sedangkan pada tinqkat diferensi pertama, kedua
data menjadi stasioner.
Jika data kedua variabel rnengandung unsur akar unit atau dengan kata lain
tidc:k stas:oner, namun kombinasi linier kedua variabel mungkin saja stasioner. Untuk
menunjukkail hal ini persamaan (16.23) kita tulis kembali dalam bentu:< persamaan
sbb:
(16.24)
C'..W . .J. G;anger and P. Newbold,'' Spurious Resressions in Economctdcs,'' .Journal of Econometrics,
Vol.2, !9?4, pp. 111-120
~--------
~
~
:--
~
I
I '
..
II I
'
366 Bagian Keempat: Ekonometrika Time Series
I
residual et dalam hal ini merupakan kombinasi linier. Jika residual e 1 ternyata tidak
mengandung akar unit atau data stasioner atau 1(0) maka kedua variabel TB dan NER
adalah terkointegrasi yang berarti mempunyai hubungan jangka panjang. 8 Secara
umum bisa dikatakan bahwa jika data time series Y dan X tidak stasioner pada tingkat
I;
~I
i
I
i
level tetapi menjadi stasioner pada diferensi (difference) yang sc:~ma yaitu Y adalah I( d) ·-
jI
dan X adalah l(d) dimana d tingkat diferensi yang sama maka kedua data adalah
i
terkointegrasi. Dengan kata lain uji kointegrasi hanya bisa dilakukan ketika data yang 4
·1
uigunakan dalam peneliti<3n berintegrasi pada derajat yang sama. JI
Untuk mengetahui apakah residual daiam regresi persamaan (16.23) adalah I:1:
merupakan data stasioner maka kita akan regresi persamaan tersebut dan kemudian
i!
mendapatkan residualnya. Adapun hasil regresi persamaan (16.23) sbb:
1i
·-!!
j:
}~ = 740,0874 + 0,4773%, (16.25)
I
t
2
(4,6171)
R = 0,8089
(15,6681)
d = 1,0832
~J'i
I '
. Sedangkan uji akar unit terhadap residualnya untuk rnengetahui stasionaritasnya dapat .i.
dilihat dalam Tabel 16.6. Residualnya terny"ita adalah stasioner p2da a=5%, sehingga )
·· bisa dikatakan bahwa kedua variabel TB dan NER terkolntegrasi yang berarti terdapat
iI JlI
hubungan jangka panjang antara NER dengan TB. i'~I
'11
Tabel '16.6" Uji akar untt residua! pad a tirv- kat level 1 ;JI
'PDF Test Statistic -3.559485 1% Critical Value* -4.1219 I i
I
jl
5% Critical Value -3.4875 )I
!I 10°/, CriticC:J! V:o~lue ·3.1718
I
ii
J·
R F. Engle and C.W.J. Granger," Co-integration and Error Correction: Representation, Estimation and
Testing,' Econometrica, Vol. 55, 1987, pp. 251-27'3
Il l I
I
I
I
J
L
" t:..;
,.1____
~
~--
,-~~
e::---::::-----
·_·,
c.
_,_
~
,
','
i
Bab 16. Modell-\oreksi Kesalahan 367
I (16.26)
'! p
I!
1
I'
pada tingkat level, r.arnun stasioner pada tingi<at diferensi pertama. Dengan demikian TB
dan NER terkc·!i-t:;gra~i yang berarti terdapat hubungan janqka panj:omg antara keduanya.
Bukti c;~anya k::~Itc~rasi ?apat dijelaskan me!alui uji DF d~n P..!J~. Nilai krit1s ~tatisiK ~F
Engle-'vranger (t:-GJ untuK a= i%; a= 5%; a=10% untuk aaLa seoesar 50 rnas1ng-masmg
I
.
I adalah 4,32; 3,67; 3,28. Sernentara itu nilai statistif.:. hltungnya da!am nilai absolut adalah
4,6802 r,Jilai statistil< hitung ini lebih bcsar dari niiai kritisnya sehingga variabel TB dan NER.
adalah terkointegrasi. Uji AD!= juga rnenunjukkar hal yang sarna. Niiai kriFs stc:tistL. !::-S
untuk untuk 0'= 1%; a. = 5%; a=1 0% untuk data sebesar 50 rnasing-masing adaloh 4, 12;
I' 3,29; 2,90, sementara itu statistik hitungnya sebesar 3,5485.
I ~~ 2 ~;~·~:~s) -rj"~-~·~~~~)4
oc i
j_l_--:.o;.=..=.-,.~.•,o.~~:.·~~,.:.;c:::_~:-.::.~~-~~="=""""-=="'·"'"~'"''"''''""''"-'"'c'-"=,.,,=•;;=:;:,.=o~~.__ji
--
'
i·j
368 BC:tgian Keempat: Ekonometrika Time Series
dimanZt Yi adaia~ vektor k dari non. stas:ona,-. l( 1) '/aria bel, >Ct adalah vekto; d dari
~.·ariaJel detsrministik :lean 8 1 merupakc~r: cJe<tY i!iV.'asi. F\3rS<:Hnaan (16.30) kita tulis
kembali menjadi:
p-l
p p I
I
dimana IT= 'LA; -1 dan 1=- :LA1
i=l J=i+l
I
Hubungan jangka panjang (kointegrasi) dijelaskan di dalam !llatrik ciari sejumlah ,)· II
p variabel. Ketika 0 <rank =r < (IT) =-: r < p maka f1 terdiri dari matrik Q dan R dengan
9
Gujararti, N. Damodar, op.cit, 824
10
Soren. Johansen," Estimation and Hypothesis Testing of Cointegration Vectors in Gaussian Vector
Auton:.gressive ModPI," Econometrica, VoL-59. 199i, PD 1551-1580 I!
.~
Bab 16. Model Koreksi Kesalahan 369
u11tuk r =0, 1, ... , k-1 dimana lei ad318~-~ nilai i eigenvalue yang paling besar.
I
Johansen juga menyediakan uji statitil< LR alternatif yang dikenal maximum eigenvalue
statistic. Maximurn eigenvalue statistic dapat dihitung dari trace statistic sbb:
i
' ..
I
II
Disini hanya dijelaskan secara singkat, liji deli/ uji r\Ointegrasi Johansen ini bisa dibaca Johansen, ibid.
Beberapa software ekonometril<a tel21, rnenyediaka'l perhitungan untuk metode Johansen, seperti
Eviews.
I
I
':l
I
.
370 Bagian Keempat: Ekonometrika Time Series
~ :·
..
Kita kembali akan menguji ada tidaknya kointegrasi antara NER dan TB dengan
mengunakan uji yang dikembangkan oleh Johansen. Dalam hal ini kita menggunakan
program Eviews untuk melakukan uji Johansen. Perlu dicatat bahwa program Eviews tidak
menyediakan nilai kritis dari maximum eigenvalue st2tistic, tetapi menggunakan nilai kri~is
yang dikembangkan oleh Osterwald-Lenun. Hasil uji kointegrasi Johansen menunjukkan
adanya kointegrasi dimana nilai hitung LR lebih tinggi dari nilai kritis Osterwald-Lenun pada
a=5%, lihatTabel16.17 .
Tbl167u··-·t
a e 'l' K.Oin egras1. J oh ansen an ara I'JER d an TB
Test assumption: Linear deterministic trend in the data
Series: NER TB
Lags interval: 1 to 4
Eigenvalue Likelihood 5 Percent 1 Percent Hypothesized
Ratio Critical Value Critical Vc;lue No. of CE(s)
0.304143 19.94647 15.41 r 20.04 None*
5.18E-05 0.002846 3.76 6.65 At most 1
*(**)denotes rejection of the hypothesis at 5%(1%) significance level
J:..R. test indicates 1 cointegrating equation(:;) at 5% significance level '!
_ _ __j
I,
.I
diperkenalkan oleh S8rgan dan kemudian dikembangkan lebih lanjut oleh Hendry dan
akhirnya dipupulerka;, oleh Engle-Granger. 12 Model ECM rnempunyai beberapa
12
R. F. Engle and C.W. Granger, ibid
IJ·,
J·,·· ;·.t
Bab 16. Modei.Koreksi Kesalahan 371
kegunaan, namun penggunaan yang paling utama bagi pekerjaan ekonometrika adalah
di dalam mengatasi masalah data time series yang tidak stasioner dan masalah regresi ,,,
lancung. \.1
Untuk membahas model ECM ini, misalkan kita mempunyai hubungan jangka
panjang atau keseimbangan antara dua variabel Y da11 X sbb:
(16.34)
Jika Y berada pada titik keselmbangan terhadap X maka keseimbangan antara dua
variabel X dan Y pada persamaan (16.34) terpenuhi. Namun dalam sistem ekonomi
pada umumnya keseimbangan . jarang sekali ditemui. Bila Y 1 mempunyai nilai yang
berbeda dengan nilai keseimbangannya maka perbedaan sisi kiri dan sisi kanan pada
persamaan (16.34) adalah sebesar:
(16.35)
tt-------
~
IF--n"
t ..
~
~
372 Bagian Keempat: Ekonometrika Time Series
Penambahan dan pengurangan dengan b1 Xt-1 di sisi kanan persamaan (16.37) akan
menghasilkan persamaan sbb:
(16.40)
dimana Do = bolA..
Persama:m (16.40) dengan demikian adalall cara lain menuliskan persarnaan (16.36).
Dari persamaan (16:J6), kita melihat bahvva ,l(}'t·l --Po -/3, xt-1) di dalarn persamaan
('! 5.40) dapat diintepretasikan sebagai kesalahan keseimbangan darl rerioue waktu t-1.
~':-
~---
f---_:
,-~-·
~
~ .
~----
'· 1 '
(16.41)
dirnana:
ECr = (Y,_, -/30 - /31Xt-l)
Dalam hal ini koefisien a 1 adalah koefisien jangka pendek sedangkan !3 1 sebagaimana
dalam persamaan (16.34) adalah koefisien jangka panjang. Koefisien koreksi
ketidakseimbangan a 2 dalam bentuk nilai absolut menjelaskan seberapa cepat waktu
diperlukan untuk mendapatkan ni!ai keseimbangan.
I
.u.
1 I
r;
t
= 740,0875 + o,4777 xt
(4,6171)
R2 = 0,8089
(15,6681)
d=1 ,0832
(16.44)
374 Bagian Keempat: Ekonometrika Time Series
(16.46)
Uji s!Lasionaritas ADF dan PP menunjul<kan bahwa semua data tidak stc.sioner pada tingkat
, ievel tetapi stasioner pada tingkat diferensi . Uji kointegrasi dari Joh8nsen meng1ndikasikan
ada kointegrasi yang berarti terdapat l1ubungan jangka panjang antar01 impor dengan
II variabel-variabel yang mempengaruhi permintaan irnpor pendekatan
rjl pengeluarar., silahkan dicoba .
komponen
' Hasil Estimasi permlntaan impor jangka panjang pada persamaan (16.45) dapat dilihat
I
,I
~
,jl da\am persamaan (16.47). Semua variaoe\ signifikan pada cx=i%.
inlv/ 1 =-1,8635+0,2.596!nC 1 t-0,155C:8ln/ 1 +0,8I03!1!X 1 --0,2215li1/~ (14.47)
(-3,2472) (2,8320) (3,3240) (9,2524) (-6,4411)
R2 = 0,9493 d = 1,4664
I
LM (2) =1,7929 (0.4080); white= 7,4709(0,6804); JarquE;-Bera = 1,2664 (0,5309)
Semua variabel signifikan paca cx=1% k8cuali pengeluarar. konsumsi pada a=5% dan model
lolos uji asumsi OLS
u..___ -~~=---===
I ;I_ -
'"~ fl
.
.
I'
(16.49)
(16.50)
(16.51)
Pe;3aiTtaan (16.51) rnc::rup::'lk::m fungs1 biay3 kuad1·at tl_;nggal. Kcr.1p0;-16li peiia:lla dari
persamaan tersebut menggambarkan biaya ketidakseimbangan dan komponen kedua
merupakan biaya penyesuaian. Y1 merupakan jumlah Y aktual patla periode t, Zt
merupakan vektor variabel yang mempengaruhi Y dimana dalam hal ini hanya
clipengaruhi oleh satu varic:~bel independen X, a 0 Jar a 1 adalah vektor baris yang
memberi bobot kepacia masing-masing biaya serta f merupakan sebuah vsktor baris
yang memberi bobot kepada elemen Z 1 -Zt-1·
Biaya ketidakseimbangan pada persamaan (16.51) ini timbul karena tingkat Y
yang diharapkan tid3k selalu sererti yang diharapkan. Kondisi ini terjadi disebabkan
kemungkin;:m adanya informasi yang tidal< sempurna, kendala teknologi, kekakuan
birokrasi maupun karena adanya gonjangan dalam perekonomian. Di lain pihak biaya
I
.I
14
Domowitz, I and L. Elbadav1i," An Error Correction Approach to Money Demand : The Case of the
Sudan," Journal of Deve/c,pment Economics, Vol. 26. 1987, po.27-175
.~ t:. __ -----
.
1~
~
~
fd=
:...___.:__
~-------
1::
I
(16.52)
(16.53)
(16.54)
( 16.55)
15
R. L. Thomas, Op.cit, p. 162
p
~:--
g
-~-
~---~~
.-.-
F-=--
-;;-
Bab 16. Model Koreksi Kesalahan 377
(16.57)
~:;
0 h7 - h,
dimana: h0 = ~; dan h1 = - ·
g.l h.l
Hasil regresi rnodel ECM biaya kuadrat tunggal dc;pat ditulis dalam bentuk oersamaan sbb:
II
!\ ('i6.59)
(-3, 1478) (3,3581)
I
(2, 1314) (3,1488)
=0,2209 d::: 2,7.520
Variabel k.xeksi kesalahan (EC) secara statistik signifikan berarti model spesifikasi ECM
b1aya kuadrat turggal yang digunakan dalam penelitian ini juga valid. Perubahan kurs
D(kurs) juga signifikan secara statistik dan bertanda positif. Dangan demikian dalam jangka
p~ndek p~rubahan kurs mempunyai pengaruh positif terhadap perubahan TB. Variabel
kelatnbanan kurs bcrtanda neg;:~tif dan siginifikan. Artinya kurs periode sebelumnya
I berpengaruh terhadap perubahan neraca perdagangan dalam jangi<a pendek. Sedangkan
l estimasi koefisien jangka panjangnya dapat dilihat dalam persamaan ( 16.60).
~-
~il-=====~===========·--~=
~-----
~---
~-
-
---
_,.--
!:::
LAMPIRAN BAB 16
Lampiran 16.1. Data Neraca Perdagangan (Trade Balance=TB) dan Nilai tukar
nominal (nominal exhcange rate=NER) rupiah terhadap dollar AS periode 1987.1-
2001.4
I 1991.4
1992.1
1992
2017
. 1513
1199
1999.2
1999.3
6726
8386
4456,5
6342,2
1992.2 203~:), 1345 1998.4 71JO 5802,7
1~:::12.1 2038 1849 2000.'1 7590 6264
1992.4 2062 2629 2000.2 8735 5"145
1993.1 2071 2163 2000.3 8780 6167,56
1992.2 2088 2250 2000.4 9595 5864,6
1993.3 :2108 2241 2001.1 10400 6~78
1993.4 2110 1577 2001.2 11440 5493,5
1994.1 2144 1309 2001.3 9675 5644,2
II 1994.2 2160 2075 2001.4 10400 5378,6 •.
.. ~
Surnber: Statlstrk Ekonomt dan Keuangan Indonesia, berbagat Edtst
I
1 Cl
Bab 16. Model Koreksi Kesalahan 3 79
Lampiran 16.2. Data lmpor, konsumsi, lnvestasi, Harga impor dan ekspor periode
1990.1-2003.2
j
I
380 Bagian Keempat: Ekonometrika Time Series
.,,
.-1 fl
f- --
-
~
~----
~
~
~ -
''
Pada bab 16 kita mambahas model koreksi kesalahan pengaruh nilai Tukar nominal
(NER) terhadap neraca Perdagangan (TB). Langkahnya adalah cek stasionaritas data
dan jika tidak maka data dibuat stasioner pada proses difei'ensi. Langkah kedua uji
kointegrasi dan terakhir adalah membentuk model koreksi kesalahan. Langkah di
Eviews sbb:
1. Cek stionaritas data NER dan TB dengan uji dari Augmented Dickey~Full'~'"
maupun Phillips-Perron.
Siapkan file kerja kemudian klik Quick/Series Statistics/Unit root test, lalu pilih
series yang kita ingin cek kemudian klik OK kemudian al<an rnuncui tampilan sbb:
Tampilan 1
I Tampilan 2
menghasilkan uji ADF sbb:
--·
-I'VIacl<tnnon
-2.634310
unit root.
-4.1219
-3.4875
-3.1718
Pada Tampilan 2 ada dua
output yaitu (1) hasil uji ADF
I
...a..._.gn,entod Dickoy-Fullur TeGt Equation
De,_)endant "v"aria.ble: D(NER)
dengan nila\ statisti!<. dan nilai
Method: Lelil9't SC!Uares
Date: 08/10/04 Ti~o: 0 8 : 1 3 krit:s dari MacKinnon
Samplo(adjus,ed): 1987:3 2001:4
!.-.eluded ob'51arva1•onso: 59 after edjusting endpoints
dita.11pi:kan di bagian atas (2)
"V'ari""'ble Cooffic:iant Std. Error t-Statistic: Prob.
bagian bawah merupakan uji
I
I'IER(-1) -D.::Z19570 0.083~50 -2.634310 O.C..110
D(NER:(-"1)) 0.1:29052 0.134444 0.959899 0.3414
@ T R E N D ( l 987:1)
c -221.0289
40.07705
351.7803
16.05740
-0.629.315
2.495862
0.5324
0.0157
persamaan dari ADF
F""4~squ9rod 0,121653 f'v1a6iln d e p e n d e n t var 150.8966
..n...djusted R-._.;quared 0.072856 S.D. dependant v<ar 1319.356
S. E. of' r e g r e s s i o n 1270.385 A.k:aih:e info critorlon 17.19B5D
S u r n t.:;qu~r8'd r o s i d 87149441 Schw:ar01:. criterion 17.34060
Log lik.-- 'il,ood -494. 7'5E:i5 F-GtG~tistic 2.493048
DL1rbin VVat ~ ::.n sr:;:q 1 .977880 P r o b ( F - .. t ut,.,.Jti~:) 0 OG<,:~7S~:.
.•. -.·--.,-.:o,-.o.=,-.·"··=- ~-.- ..e.---=-o·..,..,· ..=·--=---·'-·-.,... '"~-~-~---~--~---~--~-~-~'--. ....
l
---.....:...
-c--
382 Bagian Keempat: Ekonometrika Time Series
Tampilan 3
AOF Test Statistic -5.040409 1% Critical '/alwe- -4.12~9
50~ Critical Value -3.4889
10% Critical Value -3.1727
3. Uji Kointegrasi
Karena NER dan TB tidak stasioner pada level tetapi stasioner pada tingkElt
diferensi pertama maka kedua data akan terkointegrasi. Untuk uji kointegrasi ini Klik
Quick/Group Statistics/Cointegration Test laiu ketik variabel yang akan diuji
kointegrasinya (yaitu NER dan TB) sehingga akan muncul Tampilan 4 berikut ini:
Tampilan 4
Pada kasus kita ingin menguji kointegrasi antara NER dan TB dimana ada trend
dengan intersep menghasilkan uji kointegrasi sbb:
Tampilan 5
1iiCTuded observaflons: 58
Tsst assumption: Linear deterministic trend in the data
Series: TB NER
Lags interval: 1 to 1
1
Likelihood 5 Percent 1 Percent Hy~othesized
E:igenvalue Ratio Critical Value Critical Value No. of CE(s)
TB NER
1 I -0.000191
I~ 4 .09E:-05
0.000102
1 .96E-OG
l
Normalized Cointegrating Co~fficients: 1 Cointegrating Equation(s)
TB NER c
.1.000000 -0.536450 -522.9421
(0.05602)
I~ r_o~elrhC>od
.... -948.7310
~-Model ECM
4. i .Two Steps Engle Granger
.. neraca perdagangan
tJ.TB = /3 0 + f3/~llLR 1 + j3 2 EC1 + £ 1
(1)
II
I
.1 ~
~------
;---=
-----
~-------
_:..;;,_
~
~
384 Bagian Keempat: Ekonometrika Time Series
Tamp•., an 6
Dependent Variable: D(TB)
Method: Least Squares ~---
Date: DB/1 0/04 Time: 12:03
Sample(adjusted): 1987:2 2001:4
Included observations: 59 after adjusting endpoints
t~arod
l.l\djusted R-squared
0.746466
0.719495
Mean dependent var
S.D. dependent var
0.012738
0.099781
(s.E.
of regressio., 0.052847 Akaike info critenon -2.936572
Sum squared resid 0.131250 Sr:hwarz c.-iteriorl -2.713520
!Log likelihood 83.81916 F-statistic 27.67594
IO..,rbin-Watson s~-~60590 Prob(F-statisl1<:) 0.000000
1
~
'
Tampilan 8
1
Variable Coefficient Std. Error t-Statistir. Prob.
__,
c-----
1-'
__
_- -
,
I :~
386 Bagian Keempat: Ekonometrika Time Series !
IT--
,:;:
~
~---
~
~
~'-~--
~
I
-,-
•' Daftar Pustaka 387
\
DAFTAR PUSTAKA
I
j
D. E. Farrar and R.R. Glauber (1967), "Multicoilinierity in Regression Analysis: The
Problem Revisited," Review ot Economics and Statistics, Vol. 49, pp.92-1 01.
Darnodar, N. Gujarati (2003). Basic Econometrics, foL:rth edition. New York:McGraw-
Hill
1. 'i
i
~
Dornowit:-, I and L. Elbadawi (1987)," An Error COi(ection Approach to Money Demand:
The Case of the Sud21n," Journal o{ Development Er:onomics, Vol. 26, pp.21-175
Enders, Walters (1995). Applied Econometric Time Series. New York: John Wiley Sons,
Inc.
E.ngle, R. F. (1995). ARCH Selected Reading: Advanced Texts in Econometrics.
Oxford: Oxford University Press.
Greene, H. William (1997). Econometric Analysis, third edition. New Jersey: Prentice
Hall
)~ I
Grego!)! C. Chow ( 1960) , "Test of Equality between Sets of Coefficients in Two Linear
I Regressions," Econometrir;a, Vol. 28, No.3, pp.591-f05
!J t~~
~
: • un
-:;
388 Daftar Pustaka
~~·-------
:.: ___ -
~
~
.
;
t
I
p
Daftar Pustaka
Newey, Whitney and Kenneth West (1987), "A simple Positive Semi-Definite,
389
I
(Jl,,
.JL ~-----
l=
-:::-
: ---·--
~
!=____ ___ _
i
~
i
r-;;
!
~
il
.;
~
390 Daftar Pustaka -.J
?'
t.
:
· ---~
·-
--
-
~
I
i
~
:~\ ,.-
,,
~
I''
:~ I
Contoh:
Pr (0 ~ Z ~ 1.55) = 0,4394 ~
z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
0.0 .0000 .0040 .0080 .0~20 .0160 .0199 .0239 .0279 .0319 .f)359
0.1 .0398 .0438 .0478 .0517 .0557 .0596 .0636 .0675 .0714 .0753
0.2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .1064 .1103 .1141
0.3 .1179 .1217 .1255 .1293 .1331 .1368 .1406 . .1443 .1480 .1517
0,4 .1554 .1591 .1628 .1664 .1700 .1736 .1772 .1808 .1844 .1879
0.5 .1915 .1950 .1985 .2019 .2054 .2088 .2123 .2157 .2190 .2224
0.6 .2257 .2291 .2324 .2357 .2389 .2422 .2454 .2486 .2517 .2549
0.7 .2580 .2611 .2642 .2fl73 .2704 ~ .2794 .2823 .2852
.2734 .2764
0.8 .2881 .2910 .2939 .2967 .2995 .3023 .3051 .3078 .3106 .3133
0.9 .3159 .3186 .3212 .3238 .3264 .3289 .3315 .3340 .3365 .3389
1.0 .341~ .3438 .3461 .3485 .3508 .3531 .3554 .3577 .3599 .3621
i .1 .3643 .366S .3686 .3708 .3729 .3749 .3770 .3790 .3810 .3830
1.2 .384~ .3869 .3888 .3907 .3925 .3944 .3962 .3980 .3997 .4015
1.3 .4032 .4049 .4066 .4082 .4099 .4115 .413'1 .4147 .4162 .4177
1.4 1\192 .4207 .4222 ..<123(:3 .4251 .4265 -·~279 .4292 .4306 .4319
1.5 .4332 .434~ .4357 .4370 .4382 .4394 .440!3 .4418 .4429 .4441
I
1.6 .4452 .4463 .4474 .4484 .4495 .4505 .4515 .4525 .4535 .4545
1.7 .4454 .4564 .4573 .4582 .4599 .4608 .4616 .4625 .4633
1.3 tl .16~ I .4649 .4\356 .4.J6-\
.4591
...fG71 .46/0 .<t686 .4e93 .4699 .47G6
1.9
2.0 I .4713
.4772
.4'119
.4778
.4726
.4783
.4 73:2
.4788
.4738
.4793
.4744
.4798
.4'150
.4803
.4756
.4808
.4761
.4812
.4767
.4817
2.1 .4821 .4826 .4830 .4834 .4838 A842 .4846 .4850 .4854 .4857
22 .4861 .4364 .4868 .4871 .4875 .4878 .4831 .488£1 .4&87 .43gc
2.3 .4893 .4896 .4895 .4S01 .4904 .4906 .4909 .4911 .'- 9~3 .4916
2.4 .4918 .4920 .4922 .4925 .4927 .4929 .~931 .4932 .4934 .4936
2.5 .4938 .4940 .4941 .4943 .4945 .4946 .4948 .4949 .4951 ,..;952
2.e .4953 .4955 .4856 .4957 .4959 .4960 .4961 .4962 .496J .4964
2.7 .4965 .4966 .4967 .4SI68 .48{'9 .4970 .4971 .4972 .4973 .4974
2.8 .4974 .4975 .4976 .4977 .4977 .497d .4979 .4979 .4980 .4981
2.9 .4981 .4982 .4982 .4983 .4984 .4984 .4985 .4985 .4986 .4986
3.0 .4987 .4987 .4987 .4983 .4988 .4989 .4989 .4989 .4990 .4990
rI I
Lameiran Daftar Tabel 393
J
g T ABEL DISTRIBUSI t
~
\i Contoh
~ Pr (t > 2.457) =0.01
J
j Pr (t > 1· .697) =0.05 untuk df 30 0.05
~
•I
Pr (t > 1.310) =0.10 ---
,_
0 1.697
Catatan: probabilitas adalah menunjukk:m besarnya a. Angka probabilitas yang di sebelah atas digu1akan
untuk uji hipotetss satu sisi sedangkan probabilitas di bawahnya digur.akan untul~ uji dua sisi.
tl-
~---------
.
IF
H-----
1¥- -----,
~
~
,- --
394 Lampiran Daftar Tabel
TABEL DISTRIBUSI F
0 3.14 5.26 F
__.._....~~~:o1o::.1.101:.'1t'.!.III'JJI::ISO-.="=r"-:cll".~~~~
df df N,
----
t~z Pr 2 3 4 5 E 7 8 9 10 11 12
I
\
.25 5.83 7.50 8.20 8.58 8.82 8.98 9 fo 9.19 9.26 9.32 9.36 941
.1 0 39.90 49.50 53.60 55.80 57.20 58.20 t:>8.90 5940 59.90 60.20 60.50 60.70
!
.05 161.00 200.00 216.00 225.00 230.00 234.00 237.00 239.00 241.00 242 (JO 243.00 244.00
2 .25 2.57 3.00 3.15 3.23 3.28 3 31 3.34 3.35 3.37 3.38 3.39 3.39
.1 0 8.53 9.00 9.16 9.24 9.29 9.33 9.35 9.37 9.38 9.39 9.40 9.41
.05 18.50 19.00 19.20 19.20 19.30 19.30 19.40 19.40 19.40 19.40 19.40 19.40
.01 98.50 99.00 99.20 99.20 99.30 99.30 99.40 99.40 99.40 99.40 99.40 99.40
3 .25 2.02 2.28 2.36 2.39 2 41 2.42 2.43 2.44 2.44 2.44 2.45 2.45
.1 0 5.54 5.46 5.39 5.34 5.31 5.28 5.27 \ 5.25 5.24 5.23 5.22 5.22
.05 10.10 9.55 9.28 9.12 9 01 3.94 8.>lS 8-.85 8.81 8.79 8.75 8.74
.01 34.10 3L.80 29 50 28.70 28.20 27.90 27.70 27.50 27.30 27.20 27.1 (J 27.10
.25 1.81 2. 00 2.05 2.06 2.07 2.08 2.08 2.08 2.00 2.03 2 08 2 08
.10 4.54 4.32 4.19 4.11 4.05 4.01 3.98 3.95 3.94 3.92 3.91 3.90
.05 7.71 6.94 6.59 6.39 6.26 6.16 6 09 604 6.00 5.96 5.94 5.91
.01 21.20 18.00 16 70 15.1JO 15 50 15 20 15 f)'J 44.80 14.70 1-~.50 1440 HAC
5 .25
.10
.05
1.69
4.06
6.61
1.85
3.78
5.79
1.85
3.62
5.41
1.39
3.52
5.19
1.89
3.45
5.05
1 89
3.40
4.95
1.39
3.37
4.88
1.89
3.34
4.82
1.89
3.32
4.77
1.89 1.89
3.30 3.28
4.74 4.11
1.89
3 27
4.68
It
.1
.01 16.30 13.30 12.10 11.40 11.00 10.!0 10.50 10.30 10.20 10.10 9.9f:i 9.89
6 .25 1 62 1.76 1.78 1.79 1.79 1.78 1.7!> ~ .78 1.77 1.77 1.77 1.77 I
.10 3.78 3.46 3.29 3.18 3.11 3.05 3.0 ~ 2.98 2 96 2.9'l 2.92 2 9()
.05 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06 4.03 4.00
.01 13.70 10.90 9.78 9.15 8.75 8.47 8.26 8.10 7.98 7.8-r 7.79 7.72
7 .25 1.57 1.70 1.72 1.72 I. 71 1.71 1.70 1.70 1.69 1.69 1.69 1.68
.10 3.59 3.26 3 07 2.96 2.88 2.83 2 78 2.75 2.72 2.70 2.68 2.67
.05 5.59 4.74 4.35 4.12 3.97 3.37 3.79 3.73 3.68 3.64 3.60 3.57
.01 12.:<0 9.55 8.45 7.85 7.46 7.19 6.99 6.84 6.72 6.62 6.54 6.47
8 .25 1.54 1.66 1.67 1.66 1.66 1.65 1.o4 1.6<1 1.63 1.63 1.63 1.62
.1 0 3.46 :..11 2.92 2.81 2.73 2.67 2.62 2.59 2.56 2.54 2.52 2.50
.05 5.32 4.46 4.07 3.84 3.69 3 58 3.50 3.44 3.39 3.35 3.31 3.28
.01 11.30 8.65 7.59 7.01 6.63 6 37 6.18 6.03 5.91 5.81 5.73 5.67
9 .25 1.51 1.62 1.6:0 1.63 1.62 1 61 1.60 1.60 1.59 1.59 1.58 1.58
.1 0 3.36 3.01 2.81 2.69 2.61 2.55 2.51 2.47 2.44 2.42 2.40 2.38
.05 5.12 4.26 3.86 3.63 3.48 3 37 3.29 3.23 3.18 3.14 3.10 3.07
.01 10.60 8.02 6.99 6.42 . 6.06 5.30 5.61 5.47 5.35 5.26 5.18 5.11
~~.. ,.,.,....~:•r-. .....~~·~"'"""'"'--"~--.,.-~---
i ,. -
-~
·'
l'
I
'II..I Lampiran Daftar Tabel 395
·;' TABEL DISTRIBUSI F (LANJUTAN)
ti\
~;
~I
;:
r; I
~I
~- ..
~I
;1r
~I
~I
:.:1
;I
;:,i
\[
df N1 df
--·
15 20 24 30 40 50 60 100 120 200 500 00 Pr N2
~
9.49 9.58 9.63 9.67 9.71 9.74,. 9.76 9.78 9.80 9.82 9.84 9.85 .25
61.20 61.70 62.00 62.30 62.50 62.7a 62.80 63.00 63.10 63.20 63.30 63.30 .10
24fi.OO 248.00 24~.00 250.00 251.00 252.00 252.00 253.00 253.00 254.00 254.00 254.00 .05
:,1 3.41 3.43 3.43 3.44 3.45 3.45 3.46 3.47 3.47 3.48 3.48 3.48 .25 2
9.42 9.44 9.45 9.46 9.47 9.47 9.47 9.48 9.48 9.49 9.49 C).49 .10
19.40 19.40 19.50 19.50 19.50 'i9.50 19.50 19.50 19.50 19.50 19.50 19.50 .05
99.40 99.40 9?.50 99.50 99.50 99.50 99.50 99.~0 99.50 S3.50 99.50 99.50 .01
I if~:1
2.46
5.20
8.70
26.90
2.46
5.18
8.66
26.70
2.46
5.18
8.64
26.60
2.47
5.17
8.62
26.50
2 47
.5.16
8.59
26.40
2.47
5.15
8.58
26.40
2.47
5.15
8.57
26 30
2.47
5.14
8.55
26.:'0
2.47
5.14
8.55
26.20
2.47
5.14
8.54
26.20
2.47
5.14
8.53
26.10
2.47
5.13
8.53
2'3.10
.25
.:o
.05
.01
1
3
Cl 2.08 2.08 2.0B 2.08 2.08 2.08 2.08 2.08 2.08 2.08 2.08 2.08 .25 4
~
3.87 3.84 3.83 3.82 3.80 3.80 3.79 3.78 3.78 3.77 3.76 3.76 .10
-~;
5.86 5.80 5.77 5.75 5.72 5.7n 5.69 5.66 5.66 5.65 5.64 5.63 .05
14.20 14.00 13.90 13.80 13.70 i3 70 13.70 13.60 13.60 13.50 13.50 13.50 .01
I
1.:.,9 1.88 1.88 1.88 1.CI8 1.88 1.87 1 .87 1.87 1.87 1.87 1.'!7 .2~ 5
3.24 3.21 3.19 3.17 3.16 3.15 3.14 3.13 3.12 3.12 3.11 3.10 .10
4.62 4.56 4.53 4.50 4.46 4.44 4.43 4.41 4.40 4.39 4.37 4.36 .05
~.72 9.55 9.47 9.38 9.~~9 9.24 9.20 9.13 9.11 9.08 9.04 9.02 .01
1.76 1.76 1.75 1.""5 1.i'5 1.75 1.74 1.74 1.74 1.74 1.74 1.74 .25 6
fi 2.87 2.84 2.82 2.80 2.i'8 2.77 2.76 2.75 2.74 2.73 2.!3 2.72 .10
~ 3.94
7.56
3.87
7.40
3.84
7.31
3.81
7.23
3.17
7.1.4
3.75 3.74 3.71 3.70
6.97
3.6() 3.68
6.90
3.67
6.88
.05
.01
7.09 7.06 6.99 6.93
1.68 i.67 1.67 1.66 1.€i6 1.66 1.65 1.65 1.65 1.65 1.65 1.65 .25 7
'I
2.63 2.59 2.58 2.56 2.!)4 2.52 2.51 2.50 2.49 2.48 2.48 2.47 .10
3.51 3.44 3.41 3.38 3.:34 3.32 3.30 3.27 3.27 3.25 3.24 3.23 .05
6.31 6.16 6.07 5.99 5.!31 5.85 5.82 5.75 5.74 5.70 5.67 5.6:> .01
1 62 1.61 1.60 1.60 1.!59' 1.59. 1.59 1.58 1.58 1.58 1.58 1.58 .25 8
2.46 2.42 2.40 2.38 2.:36 2.35 2.34 2.32 2.32 2.31 2.30 2.29 .10
3.22 3.15 3.12 3.08 3.1J4 2.02 3.01 2.97 2.97 2.95 2.94 2.93 .05
5.52 5.36 5.23 5.20 5.12 5.07 5.03 4.96 4.95 4.91 4.88 4.86 .01
I
1.57 1.56 1.56 1.55 1.!55 1.54 1.54 1.53 1.53 1.53 1.53 1.53 .25 9
2.34 2.30 2.28 2.25 2.23 2.22 2.21 2.19 2.18 2.17 2.17 2.16 .10
3.01 2.94 2.90 2.86 ;~_83 2.80 2.79 2.76 2.75 2.73 2.72 2.71 .05
4.96 4.81 4.73 4.65 4.57 4.52 4.48 4.42 4.40 4.36 4.33 4.31 .01
- "'""""=-~ ------L4!'4~_,.,
. J
__;, .-..:.
11 i'f
:::
!#=
~
;t___ -
~ - -
,_; __
!
396 Lampiran Daftar Tabel
,_
df dfN1
N2 Pr 2 3 4 5 6 7 8 9 10 11 12
10 .25 1.49 1.60 1.60 1.59 1.59 1.38 1.51 1.56 1.56 1.55 i .55 1.54
.10 3.29 2.92 2.73 2.61 2.52 2.43 2.-+ 1 2.38 2.35 2.32 2.30 2.28
.05 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3 02 2.98 2.94 2.91
.01 10.0 7.56 6.55 5.99 5.64 5.39 5.20 5.06 4.94 4.85 4.77 4.71
11 .25 1.47 1.58 1.58 1.57 1.56 1.55 1.54 1.53 1.53 1.52 1.52 1.51
.10 3.23 2.86 2.66 2.54 2.45 2.39 2.34 2.30 2.27 2.25 2.23 2.21
.05 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90 2.85 2.82 2.79
.01 9 65 7.21 6.22 5.67 5.32 5.07 4.89 4.74 4.C3 4.54 4.46 4.40
12 .25 1.46 1.56 1.56 1.55 1.54 1.53 1.52 1.51 1.51 1.50 1.50 1.49
.10 3.18 2.81 2.61 2.48 2.39 2.33 2t28 2.24 2.21 2.19 2.17 2.15
.05 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80 2.75 2.72 2.69
.01 9.33 6.93 5.95 5.41 5.06 4.82 4.64 4.5U 4.39 4.30 4.22 4.16
13 .25 1.45 1.55 1.55 1.53 1.52 1.51 1.50 1.49 ~.49 1.48 1.47 1.47
14
.10
.05
.01
.25
.10
3.14
4.67
9.07
1.44
3.10
2.76
3.81
6.70
1.53
2.73
2.56
3.41
5.74
1.53
2.52
2 43
3.18
5.21
1.52
2.39
2.35
3.03
4.8G
1.51
2.31
2.28
2.92
4.62
1.50
2.24
2.23
2.81
4.44
1A9
2.19
2.20
2.71
4.30
1.48
2.15
2.16
2.71
4.19
1.47
2.12
2.14
2.6'1
4.10
1.46
2.10
2.12
~.63
4.02
1.46
2.08
2.10
2.60
3.96
1.45
2.05
ll
.05 4.60 3.74 3.34 3.11 2.9e 2.85 2.?~; 2.70 2.65 2.60 2.57 2.53 l
.01 8.86 6.61 5.56 5.04 4.69 4.46 1.26 4.14 4.C3 3.94 3.86 3.80
15 .25
.1lJ
.05
.01
1.43
3.07
4.S4
8.6tl
1.52
2.70
3.68
6.36
1.5?.
2.49
3.29
5.42
1.51
2.36
3.06
4.89
1.49
2.27
2.90
4.56
1.48
2.21
2.79
4.32
1.47
2.16
2.71
4.14
1.46
2.12
2.64
4.00
1.46
2.09
2.59
3.89
1.45
2.06
2.54
3.80
'1.44
2.04
2.51
3.73
1.44
2.02
2.48
3.67
I
l
16 .25 1.42 i .5 ~ LSI 1.50 1.4tl '1.47 1.45 1.4~ 1.44 1.44 1.44 1.4:3
.10 3.05 2.67 2.46 2.33 2.24 2.18 2.13 2.09 2.06 2.03 2.01 1.99 ~
.05 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49 2.46 2.42
.01 8.53 6.23 5.29 4.77• 4.44 4.20 4.0'3 3.89 3.78 3.69 3.62 3.55
17 .25 1.42 1.51 1.50 1.49 1.47 1.46 1.1 'i 1.44 1.43 1.43 1.42 1.41
.10 3.03 2.64 2.44 2.3~ 2.22 2.15 2.10 2.C6 2.03 2.00 1.98 1.96
.05 4.45 3.~9 3.20 2.96 2.81 2.70 2.61 ::'.55 2.49 2.45 2.4'i 2.38
.01 8.40 6.11 5.18 4.67 4.34 4.10 3.93 3.79 3.68 3.59 3.52 3.46
18 .25 1.41 1.50 1.49 1.48 1.46 1.45 1.44 1.43 1 i2 1.42 1.41 1.40
.10 3.01 2.62 2.42 2.29 2.20 . 2.13 2.08 2.04 2.00 1.98 1.96 1.93
.05 4.41 3.55 3. 1 6 2.93 2.77 2.66 2.58 2.51 2.46 2.41 2.37 2.34
.01 8.29 6.01 5.09 4.59 4.2S 4.01 3.84 3.71 3.60 3.51 3.43 3.37
19 .25 1.41' 1.49 1.49 1.47 1.46 1.44 1.43 1.42 1.41 1.41 1.40 1.40
.10 2.99 2.61 2.40 2.27 2.18 2.11 206 2.02 1.98 1.96 1.94 1.91
.05 ..... 38 3.52 3.13 2.90 2.74 2.63 2.54 2.48 2.42 2.38 2.34 2.31
.01 8.18 5.93 5.01 4.50 4.17 3.94 3.77 3.63 3.52 3.43 3.36 3.30
20 .25 1.40 1.49 1.48 1.46 1.45 1.44 '1.43 1.42 1.41 1.40 1.39 1.39
.10 2.97 2.59 2.38 2.25 2.16 2.09 2.04 2.00 1.96 1.94 1.92 1.89
.05 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45 2.39 2.35 2.31 2.28
.01 8.10 5.85 4.94 4.43 4.10 3.87 T7f1 3.56 3.46 3.37 3.29 3.23
--- - - - - - · · ....'
r.
~-"-"--<""""""""'"·"- ~
-
1 .
rr ------
~
-~
t t------
.,
f--~---
r:----
;-------
~.-~
I
I
I
I
i
~.:..
df N1 df
1.53 1.52 1.52 1.51 1.51 1.50 1.50 1.49 1.49 1.49 1.48 1.48 .25 10
...., 1:'
2.24 2.20 2.13 -·-·. J 2.13 2.12 2.11 2.09 2.08 2.07 2.06 2.0G .10
2.85 2.77 2.74 2.70 2.66 2.64 2.62 2.59 2.58 2.56 2.55 2.54 .05
4.56 4.41 4.33 4.25 4.17 4."12 4.08 4.01 4.00 3.96 3.93 3.91 .01
1.50 1.49 1.49 1.48 1.47 1.47 1.47 1.46 1.46 1.46 1.45 1.45 .25 11
2.17 2.12 7..1 0 2.08 2.05 2.04 2.03 2.00 2.00 1.99 1.98 1.97 .10
2.72 2.65 2.61 2.57 2 53 2.51 2.49 2.46 2.45 2.43 2.42 2.40 .05
4.25 4.10 4.02 3.94 3.86 3.81 3.78 3.71 3.69 3.66 3.62 3.60 .01
1.48 1.47 1.46 1.45 1.4'5 1.44 1.44 1.43 1.43 1.43 1.42 1.42 .25 12
2.10 2.06 2.04 2.01 1.99 1.97 t1.96 1.94 1.93 1.92 1.91 1.90 .10
2.62 2.54 2.51 2.47 2.43 2.40 2.38 2.35 2.34 2.32 2.31 2.30 .05
4.01 3.86 3.78 3.70 3.62 3.57 3.54 3.47 3.45 3.41 3.38 3.36 .01
1.46 1.45 1.44 1.43 1.42 1.42 1.42 1.4 i 1.41 1.40 1.40 1.40 .25 13
2.05 2.01 1.98 1.96 1.93 1.92 1.90 'i.88 1.88 1.86 1.85 1.85 .10
2.53 2.46 2.42 2.38 2.34 2 31 2.30 2.26 2.25 2.23 2.22 2.21 .05
3.82 3.66 3.59 :3.5 i 3.43 3.38 3.34 3.27 3.25 3.22 3.19 3.17 .01
1.44 1.43 1.42 1.41 1.41 1.40 1.40 1.39 1.39 1.39 1.38 :.38 .25 14
2.01 1.96 1.94 1.91 1.89 1.87 1.86 1.83 'i.83 1.82 1.80 1.80 .10
2.46 2.39 2.35 2.J1 2.27 2.24 2.22 2.19 2.18 2.16 2.14 2.13 .05
:3.66 3.51 3.43 3.35 3.27 3.22 3.18 3.11 3.09 3.06 3.03 3.00 .01
r 1.43 1.41 1.41 1.40 1.39 1.39 1.38 1.38 1.37 1.37 1.36 1.36 .25 15
l 1.97
2.40
1.92
2.33
1.90
2.29
1.87
2.25
1.85
2.20
1.83
2.18
1.82
2.16
1.79
2.12
1.79
2.11
1.77
2.10
1.76
2.08
1.76
2.07
.10
.o5 I
I 3.52
1.41
3.37
140
3.29
1.2S
3.2i
1.3tl
3.13
'1.:37
3.08
u·r
3.05
L36
2.98
1.3b
2.96
'1.35
2.92
'1.35
2.89
1.34
2.87
1.:04
.0'1
.25 i 16
'
1.94 1.89 1.87 '1.84 1.81 1.79 1.78 1.76 1.75 1.74 1.73 1.72 .10
2.35 2.28 2.24 ?..19 2.15 2.12 2.11 2.07 2.06 2.04 2.0?. 2.01 .05
3.41 3.26 3.18 3.10 3.02 2.97 2.93 2.86 2.84 2.81 2.78 2.75 .01
1.40 1.39 1.38 1.37 1.36 1.35 1.35 1.34 1.34 1.34 ~ .33 1.33 .25 17
Ul1 1.86 1.15<' 1.81 i.78 1.76 1.75 1.73 1.72 1.71 1.69 1.6~ .18
2.31 2.23 2.19 2.15 2.10 2.08 L..JI3 2.02 L.01 1.99 1.97 1.96 .05
3.31 3.16 3.08 3.00 2.92 2.87 2.83 2.76 2.75 2.71 2.68 2.65 .01
1.39 1.38 1.37 1.36 1.35 1.34 1.34 1.33 1.33 1.32 1.32 1.32 .25 18
1.89 1.84 1.81 1.78 1.75 1.74 1.72 1.70 1.69 1.68 1.67 1.66 .10
2.27 2.19 2.15 2.11 2.06 2.04 2.02 1.98 1.97 1.95 1.93 1.92 .05
3.23 3.08 3.00 2.92 2.84 2.78 2.75 2.68 2.66 2.62 2.59 2.57 .01
1.38 1.37 1.36 1.35 1.34 1.33 1.33 1.32 1.32 1.31 1.31 1.30 .25 19
1.86 1.81 i.79 1.76 1.73 1.71 1.70 1.67 i.G7 1.65 1.64 1.63 .10
2.23 2.16 2.11 2.07 2.03 2.00 1.98 1.94 1.93 1.91 1.89 1.88 .05
3.15 3.00 2.92 2.84 :us 2.71 2.67 2.60 2.58 2.55 2.51 2.49 .01
1.37 1.36 1.35 1.34 1.33 1.33 1.32 1.31 1.31 1.30 1.30 1.29 .25 20
1.84 1.7S 1.77 1.74 1.71 1.69 1.68 1.55 1.64 1.63 1.62 1.61 .10
2.20 2.12 2.08 2.04 1.99 1.97 1.95 1.91 1.90 1.88 1.86 1.84 .05
3.09 2.94 2.86 2.78 2.69 2.64 2.61 2.54 2.52 2.48 2.44 7.42 .01
. .......... ,...,.,_.,., __ o;..:=•.-;;o::;~.....,.....,,._-_.,.. .....,.,..-,"''"''''.,...--.r.~'-"'-'~--'"="=-"""~---tr">-.---~---·~'·"~""""""'''-"''o-~:·-;:;-~~-:::.:-::::".:·.:=::--::"·"'-·.n:..""".,__:-:_~;:_:::;~~:~
-~
=-~'-"-•
1
a
IJ ";
[f-
~
~-
~
-··~-~-
"-----
,-
-,--
398 Lampiran Daftar Tabel
1....::-
cif I dfN1
N2 Pr 1 2 3 4 5 6 7 8 9 10 11 12
22 .25 1.40 1.48 1.47 1.45 1.44 1.42 1.41 1.40 1.39 1.39 1.38 1.37
.10 2.95 2.56 2.35 2.22 2.13 2.06 2.01 1.97 1.93 1.90 1.88 1.86
.05 4.30 3.44 3.05 2.82 2.66 2.55 2.46 2.40 2.34 2.30 2.26 2.23
.01 7.95 5.72 4.82 4.31 199 3.76 3.59 3.45 3.35 3.26 3.18 3.12
24 .25 1.39 1.47 1.46 1.44 1.43 1.41 1.40 1.39 1.38 1.38 1.37 1.36
.10 2.93 2.54 2.33 2.19. 2.10 2.04 1.fl8 r.94 1.91 1.88 1.85 1.83
.05 4.26 3.40 3.01 2.78 2.62 2.51 2.42 2.36 2.30 2.25 2.21 2.18
.01 7.82 5.tl1 4.72 4.22 3.90 3.67 3.50 3.36 3.26 3.17 3.09 3.03
26 .25 1.38 1.46 1.45 1.44 1.42 1.41 1.39 1.38 1.37 1.37 ~ .36 1.35
.10 2.91 2.52 2.31 2.17 2.08 2.01 1.96 1.92 ·t .8::J 1.86 1.84 1.81
.05 4.23 3.37 2.98 2.74 2.59 2.47 2.39 2.32 'Fi.7 2.2? 2. !8 2.15
.01 7.72 5.53 4.64 4.14 3.82 3.59 3.42 3.29 3.18 3.09 3 02 2.96
28 .25 1.38 1.46 1.45 1.43 1.41 1.40 1.39 1.38 1.37 1.36 1.35 1.34
.1 (J 2.89 2.50 2.29 2.16 2.06 2.00 1.94 1.90 1.87 1.84 1.81 1.79
.05 4.20 3.34 2.95 2.71 2.56 2.45 :2.36 2.29 2.24 2.19 2.15 2.12
.01 7.64 5.45 4.57 4.07 3."15 3.53 3.36 3.23 3.'12 3.03 2.96 2.90
30 .25 1.38 1.45 1.44 1.42 1.41 1.39 1.38 1.37 !:35 1.35 1.35 1.34
.10 2.88 2.49 2.28 2.14 2.05 1.98 1.93 1.08 1.85 1.82 1.79 1.77
.05 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21 2.16 2.13 2.09
.01 7.56 5.39 4.51 4.02 3.70 3.47 3.30 3.17 3 \}7 2.98 2.91 2.84
~G .25 1.36 1.44 1.42 1.40 ~ .39 1.37 1.3<1 1.35 1.34- 133 1.32 1.31
.10 2.84 2.44 2.23 2.09 2.00 1.93 1.87 1.83 1. 79 1.76 1.73 1.71
.05 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12 2 08 2.04 2.00
.01 7.31 5.18 4.31 3.'33 3.51 3.29 3.12 2.99 2.89 2.80 2.73 2.G6
6() .25 1.35 1.42 1.41 1.38 1.37 1.35 1.33 1.32 1.31 1.30 1.29 1.29
.10 2.79 2.39 2.18 2.04 1.95 1.87 1.82 1.77 1.74 1.71 1.68 1 66
.05 4.00 3.15 2.76 2.53 2.37 2.25 2.17 2.10 2.04 1.99 1.95 .92
.01 7.08 4.98 -l.13 3.65 3.34 3.12 2.95 ~.82 2.72 2.63 2.56 2.50
120 .25 1.34 1.1'0 1.39 1.37 1.35 1.33 1.31 1.30 1.29 1.28 1.27 1.26
.10 2.75 2.35 2.13 1.99 1.90 1.82 1.77 1.72 1.68 1.65 1.62 1.60
.05 3.92 3.07 2.68 2.45 2.29 2.17 2.09 2.02 1.96 1.91 1.87 1.83
.G1 6.85 4.79 3.95 3.48 3.17 2.96 2.79 2.66 2.56 2.47 2.40 2.34 I
200 .25 1.33 1.39 1.38 1.36 1.34 1.32 1.31 1.29 1.28 1.2 7 1.26 1.25 I
I
.10 2.73 2.33 2.11 1.97 1.88 1.80 1.75 1.70 1.66 1.63 1.60 1.57
OCJ
.05
.01
.25
3.89
6.76
1.32
3.04
4.71
1.39
2.65
3.88
1.37
2.42
3.41
"1.35
2.26
3.11
1.33
2.14
2.89
1.31
2.06
2.73
1.29
1.98
2.60
1.28
1.93
2.50
1.27
1.88
2.41
1.25
1.84
2.34
1.24
1.80
2.27
1.24
I
t
.•
.10 2.71 2.30 2.08 1.94 1.85 1.77 1.72 1.67 1.63 1.60 1.57 1.ti5
.05 .3.84 3.00 2.60 2.37 2.21 2.10 2.01 1.94 1.88 1.83 1.79 1.75 r
.01 6.63 4.61 3.78 3.32 3.02 2.80 2.64 r.
2.51 2.41 2.32 2.25 2.18
I
-
~~~
1-
r--
1-0
g___ _
:::
~
'"'---
k--
F-------
i-
Lampiran Daftar Tabel 399
df N1 df
! I
1.36 1.34 1.33 1.32 1.31 1.31 1.30 1.30 1.30 1.29 "1.29 1.28 .25
1.81 1.76 1.73 1.70 1.67 1.65 1.64 1.61 1.60 1.59 1.58 1.57 .10
2.15 2.07 2.03 1.98 1.94 1.91 1.89 1.85 1.84 1.82 1.80 1.78 .05 22
2.98 2.83 2.75 2.67 2.58 2.53 2.50 2.42 2.40 2.36 2.33 2.31 .01
us 1.33 1.32 1.31 1.30 1.29 1.29 1.2R 1.28 1.27 1.27 1.26 .25
1.78 1.73 1.70 1.67 1.64 1.62 1.61 1.58 1.57 1.56 1.54 1.53 .10
2.11 2.03 1.98 1.94 1.89 1.86 r 1.84 1.80 1.79 1.77 1.75 1.73 .05 24
2.89 2.74 2.66 ?.58 2.49 2A~ 2.40 2.33 2.31 2.27 2.24 2.21 .01
1.34 1.32 1.31 1.30 1.29 1.28 1.28 1.26 1.26 1.26 1.25 1.25 .25
1.76 1. 71 1.68 1.65 1.61 1.59 1.58 1.55 1.54 1.53 1.51 1.50 .10 26
2.07 1.99 1.95 1.90 1.85 1.82 1.80 1.76 1.75 1.73 1.71 1.69 .05
2.81 2.66 2.58 2.50 2.42 2.36 2.33 2.25 2.23 2.19 2.16 2.!3 .01
1.33 1.31 1.30 1.28 1.28 1.2/ 1.27 1.26 1.25 1.25 1.24 1.24 .25
1.l4 1.69 1.66 1.63 1.59 1.57 1.56 1.53 1.52 1.50 1.49 1.48 10 28
2.04 1.96 1.91 1.87 1."82 1.79 1.71 "1.73 1.71 1.69 1.67 1.65 .05
2.75 2.60 2.52 2.44 2.35 2.30 2.26 2.19 2.17 2.13 2.09 2.06 .01
1.32 1.30 1.29 1.23 1.27 "1.26 1.23 1.25 1.24 1.24 1.23 "1.23 .25
'1.72
2.01
2.70
1.30
1.66
1.92
1.67
1.93
2.55
1.28
1(;1
1.84
1.64
1.89
2.47
1.26
1.:)7
1.79
1.61
1.84
2.39
1.25
1.5~
1.74
1.57
1.79
2.30
1.24
1
.51
1.69
1.55
1.76
2.25
1.23
I 4G
1.66
1.54
1.74
2.21
1.22
1.64
1.51
1.70
2.13
1.21
1. Ar? .. i.43
1.59
1.50
1.68
2.11
1.21
1.42
1.58
1.48
1.66
2.07
1.20
i .41
1.55
1.47
1.64
2.03
1.1 ')
1.00
"1.53
"1.46
1.32
2.0"1
1.19
1.2b
1.51
.10
.cs
.01
.25
.10
.05
I 30
4J
2.52 2.27 2.29 2.20 2.11 2.06 2.02 1.94 1.92 1.87 1.83 1.80 .01
1.27 1.25 1.24 1.22 1.21 1.20 1.19 1.17 1.17 1.16 1.15 1.15 .25
1.60 1.54 1.51 1.48 1.44 1 41 1.40 1.36 1.35 1.33 1.31 1 29 .10 60
1.84 1.75 1.70 1.65 1.59 1.56 1.53 1.48 1.47 1.44 1.41 1.39 .05
2.35 2.20 2.12 2.03 1.94 . 1.88 1.84 1.75 1.73 1.68 1.63 1.60 .01
1.24 1.22 1.21 1.19 1.18 1.17 1.16 1.14 1.12 1.12 1.11 1.10 .25
1.55 1.48 1.45 1.41 1.37 1.34 1.32 1.27 1.2o 1.24 1.21 1.19 .10 120
1.75 1.66 1.61 1.55 1.50 1.46 1.43 1.37 1.35 1.32 1.28 1.25 .05
2.18 2.03 1.95 1.86 1.76 1.70 1.66 1.56 1.53 1.48 1.42 1.38 .01
1.23 1.21 1.20 1.18 1.15 1.14 1.12 1.11 1.10 1.09 1.08 1.06 .25
I 1.52 1.46 1.42 1.38 1.34 1.31 1.28 1.24 1.22 1.20 1.17 1.14 .10 200
1.72 1.62 1.57 1.52 1.46 1.41 1.39 ! .3? 1.29 1.26 1.22 1.19 .05
.01
I
2.13 1.97 1.89 1.79 1.69 1.63 1.53 1.48 1.44 1.39 1.33 1.28
1.22 1.19 1.18 1.16 1.14 1.13 1.12 1.09 1.08 1.07 1.04 1.00 .25
1.49 1.42 ,.38 "1.34 1.30 1.26 1.24 1.18 1.17 1.13 1.08 1.00 .10
1.67 1.57 1.52 1.46 1.39 1.35 1.32 1.24 1.22 1.17 1.11 1.00 .05
'
2.04 1.88 1.79 1.70 1.59 1.52 1.47 1.36 1.32 1.25 1.15 1.00 .01
~·
!
'i
I-- t·. -
Area 95%
Contoh
?r (/ > 10.85) == 0.95 Area 25%
-;:;:~-;=:m...~..J::o ....-=:....-.=..~=~
Pr
I\
Of .995 .990 .975 .950 .900
-
---
it:::.=
;~
~ ----
,______
~·
.... --·
!
~---~-;.i&..-=i~-.~.;;-,;----:;::-~---;;;;--=--·~-::·~~-.:~~;:.::~,:.-...~;;. :;:;-;-;;-~~~~:;;:-,:~.7"~~::,~~...~~~::""'~,:.:;;:;~·i
~
1.21253 2.36597 4.10835 6.2~139 7.8~473 9.34840 11.3449 i 2.8381
1.92255 3.35670 5.38527 n1944 9.437?3 11.1433 13.2767 14.8602
2.67460 4.35146 6.62568 9.23635 11.0705 12.8325 15.0863 16.7496
I 3.45460
4.25485
5.34812
6.34581
7.84080
8.037~5
10.6446
12.0170
12.5916
14.0671
14.4494
16.0128
16.8119
18.4753
18.5476
20.2777
I 5.07064 7.34412 10.2188 13.3616 15.5073 17.5346 20.0902 21.9550
), 5.89883
5.73720
8.34283
9.34182
11.3887
12.5489
14.6837
15.9871
16.9190
18.3070
19.0228
20.4831
21.6660
23.2093
23.5893
25. i882
7.58412 10.3410 13.7007 17.2750 19.6751 21.9200 24.7250 25.7569
(
.,
8.43E.42
929906,
11.3403
12.3398
14.8454
15.9839
18.5494
19.8119
21.0261
22.3621
23.:1367
24.7356
26.2170
27.6883
28.2995
29.8194 ~
l 10.1653 13.3393 "17.1170 21.0642 23.6848 26.1190 29.1413 31.3193 ~
t
\
11.0365
11.£122
14.3389
15.3385
18.2451
19.3688
22.3072
23.5418
24.9958
26.2962
27.4884
28.8454
30.5779
31.9999
32.80131
34.2672
i' 12.7919 16.3381 20.4887 24.7690 27.5871 30.1910 33.4087 35.7185
13.6753 17 3379 21.6049 25.9894 28.8683 :11.5264 34.8053 37. i 564
14.5620 16.3376 22.7178 2U03b 30."1435 :32.8523 36.~90& 33.5622 '
15.4518 19.3374 23.8277 28.4120 31.4104 34.1696 37.5662 39.9968
16.3444 20.3372 24.9348 29.6151 32.6705 • 35.4789 38.9321 41.4010
17.2336 21.3370 26.0393 30.8133 33.9244 36.7807 40.21194 42.795o
18.1373 22.3369 27.1413 32.0059 35.1725 38.07'17 "-1.6384 44.1813
19.0312 ~3.3367 28.2412 'J.1863 36A'i51 J9.3641 42.9798 45.5585
19.9393 24.3366 29.3389 34.3816 37.6525 40.6465 44.3141 46.9278
20.8434 25.3364 30.4345 35.5631 38.8852 41.9232 45.6417 48.28~ 1
21.7494 26.3363 31.5284 36.7412 40.1133 43.1944 46.9630 49.6449
22.6572 27.3363 32.6205 37.9159 41.3372 44.4607 48.27&2 50.9933
23.5666 28.3362 33.7109 39.0875 42.5569 45.7222 49.5879 52.3356
24.4776 29.3360 34.7998 4J.<:560 43.7729 46.9792 50.8922 53.6720
33.6603 39.3354 45.6160 51.8050 55.7585 59.3417 63.6907 66.7659
42.9421 49.3348 56.3336 63.1671 67.5048 71.4202 76.1539 79.1900
5:2.2938 59.3347 66.9814 74.3970 79.0819 83.2976 88.3794 91.9517
61.6983 69.:0344 77.5766 85.5271 90.5312 95.0231 100.425 104.215
71.1445 79.3343 88.1303 96.5782 101.879 106.629 112.329 116.221
80.6247 89.3342 98.6499 107.565 113.145 118.136 124.116 128.299
90.1332 99.3341 109.141 118.498 124.342 129.561 135.807 140.169
. ;~cJI![lllJIJII J
-
"l•." .. :r
---- ..... ~-- .u ......... -~--......... - t:~l
. ....,.......w;..:.. ~
TABEL DURBIN:_--}AJ ATSON: Ni!ai .9_1 (~~n d.uJ2~. ~inqk~t.§iSlniiikan 0,05 =-~:·.--:-....;,-~---· .
~~~- .... ·-· ·~:~. -- -~ -~-- .
k- k= 5 k=6 k= 7 k=8 k =9 k = 10
k= 1 - 'I
(_ k==3 '-: : = 4
du..,._.fl..J..,..,.,.~'_jl ~,1,.....= dl d'l dJ d!! dJ du,. d1 _\tu_-,'"~
n dJ d.u, dl
"
~i.~L~7<,.... 4~ d.!.
6 0.610 1.400
7 0.700 1.356 0.457 1.896
8 0.763 1.332 0.559 1.777 0.368 2.287
9 0.824 1.320 0.629 1.699 0.455 2.128 0.296 2.588
10 0.879 1.320 0.697 1.641 0.525 2.016 0.376 2.414 0.2~3 2.822
11 C.'l27 1.324 0.658 1.604 0.595 1.928 0.444 2.283 0.316 2.645 0.203 3.005
'12 0.971 1.331 0.812 1.5'19 0.658 1.364 0.512 2.177 C.379 2.506 0.268 2.832 0.171 3.149
13 1.010 1.340 0 861 1.562 0.7i5 < .316 0.574 2.094 0.445 2.390 0.328 2.692 0.230 2.985 0.147 3.266
14 1.045 1.350 0.905 1.551 0. 757 '1.779 0.632 2.030 0.505 2.296 0.339 2.57? 1!.286 2.848 0.200 3.111 0.127 :.usc
0.44 -~~ 2.472 •).343 2.727 0.251 2.979 0.175 3.216 0.111 3.~38
15 1.077 1.361 0.846 -~_543 0.·314 1.750 0.685 1.971 0.562 2.220
0.857 1.728 0.734 1.935 0.6~5 2.157 0.502 2.388 0.398 2.624 0.3N 2.860 0.222 3.090 0.155 3.304
i6 \.'106 1.371 0.982 i .539
1.015 1.536 0.897 1.?10 0.779 1.900 0.664 2.104 0.554 2.318 0.451 2.537 0.356 2.757 0.272 2.975 0.198 3.184
17 1.133 1.381 3.073
1.535 0.933 !.696 0.820 1.872 0.710 2.060 0.603 2.257 0.502 2.461 0.407 2.667 G.321 2.873 0.244
18 1.158 1.391 1.046
1.848 0.752 2.023 0.649 2.206 0.549 2.396 0.456 2.58£1 0.369 2.783 0.290 2.'!74
19 1.180 1.401 1.074 1.536 0.867 1.ti85 0.859
1.201 1.411 1.100 1.537 0.998 1.676 0.894 1.828 0.792 1.991 0.692 2.162 0.595 2.339 0.502 2.521 0.416 2.704 0.336 2.885
20
1.669 0.927 i:B12 0.829 1.964 0.732 2.124 0.637 2.290 0.547 2.460 0.461 2.633 0380 2.806
21 1.221 1.420 1.125 1.538 1.026
22 1.239 1.429 1.147 1.541 1.053 1.664 0.958 1.797 0.863 1.940 0.769 2.090 0.677 2.246 0.588 2.407 0.504 2.571 0.424 2.734
23 1.257 1.437 1.168 1.543 1.078 1.660 0.986 1.785 0.895 1.920 0.804 2.061 0.715 2.208 O.G28 2.360 0.545 2.514 0.465 2.670
1.446 1.188 1.546 '1.1 01 1.656 1.013 1.775 0.925 1.902 0.837 2.035 CJ.75~ 2.174 0.666 2.318 0.584 2.464 0.506 2.613
24 1.273
25 1.288 1.454 1.206 1.550 1.123 1.654 1.038 1.767 0.953 1.886 0.868 2.012 0.784 2.144 0.702 2.280 0.621 2.419 0.544 2.560
1.302 1.461 1.224 1.553 1.143 1.652 1.062 1.759 0.979 1.R73 0.897 1.992 0.816 2.117 0.735 2.246 0.657 2.379 0.581 2.513
26
27 1.316 1.469 1.240 1.556 1.162 1.651 !.084 1.753 1.004 1.861 0.925 1.974 0.845 2.093 0.7'CJ7 2.216 0.691 2.342 0.616 L.470
28 1.328 1.476 1.255 1.560 1.181 1.650 1.104 1.747 1.028 1.850 0.951 1.958 C.874 2.071 0.798 2.188 0.723 2.309 0.650 2.431
29 1.341 1.483 1.270 1.563 1.198 1.650 1.124 1 743 1.050 1.841' 0.975 1.044 0.900 2.052 0.826 2.164 0.753 2.278 0.6&2 2.396
30 1.352 1.489 1.284 1.567 1.214 1.650 '1:143 1.739 1.071 1.833 0.998 1.931 0.926 2.034 C.854 2.141 0.782 2.251 0.712 2.363
31 1.363 1.496 1.297 1.570 1.229 1.650 1.160 1.735 1.090 1.825 1.020 1.920 0.950 2.018 0.879 2.120 0.810 2.:?26 0.741 2.333
32 1.373 1.502 1.309 1.574 1.244 1.650 1.177 1.732 1.109 1.819 1.041 1.909 0.972 2.004 0.904 2.102 0.836 2.203 0.769 2.303
33 1.383 1.508 1.321 1.577 1.258 1.651 1.193 1.730 1.127 1.813 1.061 1.900 0.994 1.991 0.927 2.035 0.861 2.181 0.195 2.281
34 1.393 1.514 1.333 1.580 1.271 1.652 1.208 1.728 1.144 1.808 1.080 1.891 1.015 1.979 0.950 2.069 0.885 2.162 0.821 2.257
35 1.402 1.519 1.343 1.584 1.283 1.653 1.222 1.726 1.160 1.803 1.097 1.884 1.034 1.967 0.971 2.054 0.908 2.144 0.845 2.236
36 1.411 1.525 1.354 1.587 1.295 1.654 1.236 1.724 1.175 1.799 1.114 1.877 1.053 1.957 0.991 2.041 0.930 2.127 0.868 2.216
37 1.419 1.530 1.364 1.590 1.307 1.655 1.249 1.723 1.190 1.795 1.; 31 1.870 1.071 1.948 1.011 2.029 0.951 2.112 0.891 2.198
38 1.427 1.535 1.373 1.594 1.318 1.656 1.261 1.722 1.204 1.792 1.146 1.864 1.088 1.939 1.029 2.017 0.970 2.098 0.912 2.180
39 1.435 1.540 1.382 1.597 1.328 1.658 1.273 1.722 1.218 1.789 1.16'1 1.859 1.104 1.932 1.047 2.007 0.990 2.085 0.932 2.164
40 1.442 1.544 1.391 1.600 1.338 1.659 1.285 1.721 1.230 1.786 1.175 1.854 1.120 1.924 1.064 1.997 1.008 2.072 0.952 2.149
45 1.475 1.566 1.430 1.615 1.383 1.666 1.336 1.720 1.287 1.776 1.238 1.835 1 189 1.895 1.1:;9 1.958 1.089 2.022 1.038 2.088
so 1.503 1.585 1.462 1.628 1.421 1.674 1.378 1.721 1.335 1.771 1.291 1.822 1.246 1.875 1.201 1.930 1.156 1.986 1.110 2.0d4
55 1.528 1.601 1.490 1.641 '1.452 1.681 1.414 1.724 1.374 1.76[) 1.334 1.814 1.294 1.861 1.253 1.9C9 1.212 1.959 1.170 2.010
60 1.549 1.616 1.514 1.652 1.480 1.689 1.444 1.727 1.408 1.767 1.372 1.808 1.335 1.850 1 298 1.894 1.260 1.939 1.222 1.984
65 1.567 1.629 1.536 1.662 1.503 1.695 1.471 1.731 1.438 1.767 1.404 1.805 1.370 1.843 1.336 1.832 1.301 1.923 1.266 1.964
70 1.583 1.641 1.554 1.672 1.525 1.703 j .494 1.735 1.464 1.768 '1.433 1.802 1.401 1.837 1.369 1.873 1.337 1.910 1.305 1.948
75 1.598 1.652 1.:;71 1.6eo 1.54:1 1.709 1.515 1.739 1.487 1.770 1.458 1.801 1.·128 1.834 1.399 1.867 t369 1.901 1.339 1.935
80 1.611 1.662 1.586 1.688 1.560 1.715 1.534 1.743 1.507 1.772 1.480 1.801 1.453 1.831 1.425 1.861 1.397 1.893 1.369 1.925
85 1.624 1.671 1.600 1.696 ~.575 1.721 1.550 1.747 1.525
1.774 1.500 1.801 1.47 4 1.829 1.448
1.635 1.679 1.612
1.857 1.422 1.886 1.396 '1.910
90
1.703 1.589 'i.726 1.566 1.751 1.542 1.77o 1.s1o 1.8~1 1.4~4
I 95 1.645 1 ~(J'J ~ 7~1) J ,....,,., 1.~21 1Anq IR1J 1AA~ 100 j ~ A~A i fiM
~oo-o., . .-
liL~ - .:...~.-- ~
~u=.•
k =11 k :: 12 !< = 13 k = 14 k = 15 k = 16 k = 17 k = 18 k = 19 k = 20
n dL du dL du dL du jL du dt. du dL. du dl di_ dL du dL du dL du
~~~~~~~=-----~~-----=~~~~~~~~~~~~~~~~~~~~
!6 0.060 3.446
'i7 0.084 3.286 0.053 3.506
18 0.113 3.1~6 0.075 3.358 0.047 3.357
;:.J 0.145 3.023 0.102 3.227 0.067 3.420 0 043 3.601
20 0.178 2.914 0.131 3.109 (1 '192 3.297 0.061 3.474 0.038 3.639
21 0.212 2.817 0.162 3.004 o.-; 19 3.185 o.084 3.358 0.055 3.521 0.035 3.671
22 0.246 2.729 0.194 2.909 C'.148 3.084 0 109 3.252 0.077 3.412 0.050 3.562 0.032 3.700
23 0.281 2.651 0.227 2.822 0.178 2.991 D. 133 3.155 0.100 3.311 0.070 3.459 0.046 3.597 0.029 3.725
2'1 0.315 2.580 0.260 2.744 0.209 2.906 (; 165 3.065 iJ. ~25 3.218 0.092 3.363 0.065 3.501 0.043 3.629 0.027 3.747
25 0.348 2.517 0.292 2.674 0.240 2.82C! 0.194 2.982 0.152 3.13~ 0.116 3.274 0.085 3.410 0.060 3 538 0.039 3.657 0.025 3.766
23 0.381 2.460 0.324 2.610 0.272 2.753 0.224 2.906 0.180 3.050 0.141 3.191 0.107 3.325 0.079 3.452 0.055 3.572 0.036 3.682
.(~ l 0.413 2.409 0.~56 2.552 0.303 2.694 C.253 2.836 0.208 2.9"16 0.167 3.113 0.131 3.245 0.100 3.371 0.073 3.490 0.051 3.602
28 0.444 2.363 0.387 2.499 0.333 2.635 0.283 2.777 Q.237 2.907 o.-l94 3.040 0.156 3.169 0.122 3.294 0.093 3.412 0.068 3.524
29 0.474 2.321 0.417 2.451 0.363 2.582 0.313 2./1':) 0.226 2.E43 0.222 2.972 0.182 3.098 0.146 3.220 0.114 3.338 0.087 3.450
:::u 0.503 2.283 0.44"/ 2.407 0.393 2.5:3 0.342 2.659 '-'.294 2.785 0.249 2.909 0.208 3.032 0.171 3.152 0.137 3.267 0.107 3.379
31 0.531 2.248 0.475 2.367 0.422 2.~81 0.371 2.608 0.322 2.730 0.277 2.851 0.234 2.970 0.196 3.087 0.160 3.201 0.128 3.311
32 0.558 2.216 0.503 2.330 0.450 2.442 ·' .399 2 ..563 S.350 2.680 0.304 2.797 0.261 2.912 0.221 3.026 0.184 3.137 0.151 3.246
::13. 0.585 2.187 0.530 2.296 0.-177 2.402, rJ426 2.520 0.317 2.633 0.331 2.746 0.287 2.858 0.246 2.969 0.209 3.078 0.174 3.184
~~- 0.610 2.160 0.556 2.266 O.'i03 2.3Tl 0..+52 2.481 0/04 2.590 0.357 2.699 0.313 2.808 0.2Ti 2.915 0.233 3.022 0.197 3.126
'j~ 0.634 2.136 0.581 2.237 0.529 2.340 G •lT3 2.44·1 8.430 2.550 0.383 2.655 0.339 2.761 0.297 2.865 0.257 2.969 0.221 3.071
jb o.6o8 2.·113 0.605 2.210 0.55tJ 2.::iiQ i).C:{I4 2.410 0.455 2.512 0.409 2.614 0.364 2.717 0.322 2.818 0.282 2.919 0.244 3.019
:F 0.680 2.092 0.628 2.186 0.573 2.282 oJ.523 2.3"19 0.480 2.477 0.434 2.576 0.389 2.675 0.347 2.774 0.306 2.872 0.268 2.969
3G 0.702 2.072 0.651 2.164 0.601 2.256 C.5S2 2. 350 O.C;U4 2.445 8.458 2.540 0.414 2.637 0.371 2.733 0.330 2.828 0.291 2.923
.)9 0.723 2.055 0.673 2.143 0.623 2.232 0..:575 2Xc3 S.52e. 2.414 0.482 2.507 0.4:18 2.600 0.395 2.694 0.354 2.787 0.315 2.879
,10 0.744 2 03~ 0.694 2.12~ 0.645 2.210 0.597" 2.297 0.551 2.386 0.505 2.176 0.461 2.566 0.418 2.657 0.377 2.748 0.338 2.838
.. ~ ~i 0.835 ; .972 o.-i90 2.044 0.7.d~ 2:;·it. !.:.700 2.193 :).655 2.269 1}.612 2.346 0.570 2.424 0.528 2.503 0.488 2.582 0.448 2.661
·:o 0.913 1.925 0.871 '1.9R7 0.829 2.051 (\ 737 2."11 () 0.746 2.132 0.705 2.250 0.665 2.318 0.625 2.387 0.586 2.456 0.548 2.526
5!: 0.979 1.891 0.940 1.945 0.902 2.002 C'.863 2.059 0.825 2.117 0.786 2.176 0.748 2.237 0.711 2.298 0.674 2.359 0.637 2.421
,~Q 1.037 1.865 1.001 1.914 u.9F5 1.964 0.929 2.015 0.893 2.067 0.857 2.120 0.822 2.173 0.786 2.227 0.751 2.283 0.716 2.338
65 1.087 1.845 1.053 1.898 1.020 1.934 0.986 1.980 0.953 2.027 0.919 2.075 0.886 2.123 0.852 2.172 0.819 2.221 0.786 2.272
7(1 1.131 Ul31 1.099 1.870 1.06'3 1.911 0 037 1.953 1.005 1.995 0.974 2.03il 0.943 2.082 0.911 2.127 0.880 2.172 0.849 2.217
7~. 1.170 1.819 1.141 U~56 111i 1.893 ; C87 1.931 1.052 1.970 1.023 2.009 0.993 2.049 0.964 2.090 0.934 2.131 0.9G5 2.172
:JO 1.205 1.810 1.177 1.d44 1.150 1.37"8 ·;_·!22 1.913 1.094 1.949 1.066 "1.9fl4 1.039 2.022 1.011 2.059 0.983 2.097 0.955 2.135
8.5 '1.236 1.803 "1.210 1.834 1.184 1.866 i. ·:58 'i.S98 i.132 1.931 1.106 1.965 1.080 1.999 1.053 2.033 1.027 2.068 1.000 2.104
90 1.264 1.798 1.240 1.827 "1.215 1.856 1.191 1.886 1.166 1.917 1.141 1.948 1.116 1.979 1.091 2.012 1.066 2.044 1.041 2.0"17
95 1.290 1.793 1.267 1.821 1.244 1.848 '\.221 1.876 1.197 1.905 1.174 1.934 1.150 1.9'33 1.126 1.993 1.102 2.023 1.079 2.054
100 1.314 1.790 1.292 1.816 1.270 1.84 ·1 ~.?.48 1.B68 I. 225 1. 895 1. 203 1. 922 1. 181 1.949 'i.158 1. 977 1.136 2.006 1.113 2.034
150 1.473 1.783 1.458 1.7~9 1.444 1.814 "1.429 1.830 1.4"14 1.847 1.400 1.863 1.385 1.8BO 1.370 1.897 1.355 1.913 1.340 1.931
200 1.561 1.791 1.550 1.801 1.53;:) 1.813 1.528 1.824 1.518 1.836 1.5G7 1.847 1.495 1.860 1.484 1.871 1.474 1.883 1.462 1.896
Keterangan: n = jumlah observasi dan k =jumlah V3riab6l penjelas tidal< termasuk konstanta
lit .......
lr J"r -·.-.1·
l- 'll1liJ'Il1111T . .
I'