Ekonometkika Teori Dan Aplikasi-1 PDF

EKONOMETKIKA:
TEOKI DAN APLIKASI .

UNTUK BKONOMI DAN BISNIS
AGUS WIDARJONO
Vtp5~ ~ \<o~o-ku 1{n iJUn·

Yll'll0o W\w Vvt~· ~m ~
( ~ ya.kcuil1 J \ ?> De!' H1o?
. 71'~1\f,-dltJ~~
PENERBIT EKONISLA.
FAKULTAS EKONOMI UII
YOGYAKARTA
EKONOMETRIKA: TEORI DAN APLIKASI
Untuk Ekonomi dan Bisnis
Oleh: Agus Widarjono
Edisi Pertama I :
Cetakan Pertama, 2005
=
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
Ekonometrika merupakan salah satu alat analisis di dalam ilmu ekonomi.

Sebagai alat analisis, akhir-akhir ini peran ekonometrika semakin penting ketika para
ahli ekonomi dan para pengambil keputusan di bidang bisnis membutuhkan informasi
yang cepat dan akurat di dalam pengambilan keputusan. Ekonometrika semakin diakui
eksistensinya tidak hanya sebagai alat analisis an sih tetapi mampu berperan bagi
' I
kemaslahatan manusia ketika dua ahli ekonometrika Engle dan Granger pada tahun
2003 mendapatkan hadiah Nobel di bidang ekbnomi.
Buku ini merupakan buku teks ekonometrika dasar. Sebagai buku teks dasar,
materi ini disusun untuk mereka yang baru belajar ekonometrika dan mahasiswa-
mahasiswa strata satu serta bisa digunakan bagi mahasiswa-mahasiswa strata dua. Di
dalam buku ini berisi penjelasan-penjelasan teori ekonometrika dan aplikasinya untuk
ekonomi dan bisnis. Sistematika penulisan pada setiap babnya dimulai dari uraian-
uraian mengenai model ekonometrika dan kemudian dilanjutkan dengan contoh-contoh
penetapannya. Karena pekerjaan ekonometrik8 memerlukan alat bantu software
komputer, maka pada setiap bab akan berisi lampiran bagaimana menjalankan
program software Eviews.
Bagian pertama buku ini berisi dasar-dasnr regresi yang merupakan teknik
estimasi utama di dalam ekonometriKa. Fokus pembahasan adalah pada regresi
persamaan regresi tunggal yaitu satu variabel dependen dipengaruhi oleh satu atau
lebi!l variabei-Variabel lndependen dimana variabel dependen merupakan fungsi linier
dari Variabel lndependen. Teknik untuk mengestimasi persamaan regresi tersebut
adalah metode kuadratterkecil (Ordinary Least Squares= OLS). Metode OLS dengan
asu:nsi-asumsinya menghasilkan estimator yang baik dengan ciri linier tidak bias
dei1gan varian yang minir.1u;-r: (Be~t Lin9or Unbiased Estif11~t~r -= 81_UE). Oleh kare:1a
itu, bagian kedua buku ini membahas pengujian asumsi OLS dan konsekuensinya jika
tidak memenuhi asumsinya serta perbalkan model jikB melanggar asumsi. Ada tiga
astJmsi yang dibahas yaitu uji multikolinieritas, heteroskedastisitas dan aut')kurelasi.
Bagia:1 Ketiga buKu ini me!T'~Jahas topik-topik khusus di dalam ekonometrika
yang tidak dibahas pada bagian pertama dan kedua buKu ini. Pembahasan bagian
ketiga bu!<u ini meliputi model regresi dengan variabel dependen l>ersifat kualita ~!f,
model kelambanan, model regresi panel dan model persamaan simultan. Bagian
terakhir t.uku ini secRra khusus membahas '=lkonometrika time series yang akhir-akhir
ini cukup pesat perkembangannya. Ada tiga topi~ ekor.ometrika time series yang
dibahas yaitu metode Box-Jenkin dikenal dengan ARIMA (Autoregressive Integrated
Moving Average), Model ARCH (Autoregressive Conditional Heteroscedasticity) dan
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
BAGIAN PERTAMA: MODEL DASAR~DASAR REGRESI
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
BAB 2. DASAR~DASAR STATISTIKA UNTUK EKONOMETRIKA 17

2.1. Probabilitas dan Variabel Random 17
2.1.1. Prcbabilitas 17
2.1.2. Variabel Random 18
2.2. Probability De:1sity Function (PDF) 18
'2.2.1 . PDF Dari Vmiabel Random Diskrit 18
2.2.2. PDF Dari Variabel Random Kontinu '18
2.3. Sifat-Sifat Dari Distribusi Probabilitas 19
2.3.1. Ni:ai !-larapan atau Rata-Rata 19
2.3.2. Va ·ian 20
2.3.3. Kovarian 20
2.3.4. Koefisien Koreiasi 21
2.4. Distribusi Probabilitas 22
2.4.1. Distribusi Normal 22
2.4.2. Distribusi Chi Squar'3s 23
2.4.3. Distribusi t 24
2.4.4. Distrlbusi F 25
vii
l\.'1
)'!
.I
J·
viii D~ftar lsi

I
jl
.J
'{ . ;]
BAB 3. REGRESI SEDERHANA: MASALAH ESTIMASI 27
3.1 Regresi 27
3.1.1 Regresi Populasi 27
3.1.2 Regresi Sampel 29 ~-
3.2 Metode Kuadarat Terkecil (OLS) 31

!-::
3.3 Asumsi-Asumsi Metode Kuadrat Terkecil 34
3.4 Standard Error Dari OLS 36
2
3.5 Koefisien Determinasi (R ) 38
3.6 Koefisien Korelasi (r) 41
Larnpiran Bab 3 45
BAB 4. REGRES! SEDERHANA: VERIFiKASI HASIL ESTIMASI 53

4.1 Interval Estimasi 53
4.2 Uji Hipotesis 56
4.3 Nilai a Yang Sebenarnya Pada Uji Hipotesis 60
4.4 Ringkasar. Hasil Regresi 61
4.4.1 Regresi Dengan Program Komputer 61
4.4.2 Standar Pelaporan Hasil Regres! 63
4.5 Uji t~ormalitas 65
4.5.1 Histrogram Residual 65
4.5.2 Uji Jarque-Bera 65
4.6 Beberapa Model Fungsi Rt::gresi 66
LaiT1piran Bab 4 71
Lampiran Running Evievvs Bab 4 ?')
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
BAB 6. REGRESI DENGAN VARIABEL INOEPENDEN KUALITATIF 109

6.1. Karekteristik Variabell<ualitatif 109
6.2. ~egresi Dengan Satu Variabel Kualitatif 111
o.2. i. F' agresi Variabel r(ua!itatif Pada Data Cross Section 111
'I
Daftar lsi ix
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
BAGIAN KEDUA: PENGUJIAN ASUMSI OLS
BAB 7. MULTIKOLINIERITA3 131

7 .1. Sifat Dan Konsekuensi Dari Multikolinieritas 13'1
7.2. Deteksi fvlultikolinierltas
I
7.2.1. Nilai R 2 Tinggi Tetapi Hanya Sedikit Variabel lndependen
I I
Yang Signifikan '!33
,. 7.2.2. Korelasi Parsial Antar Variabel lndependen 135
' 7.2.3. Regresi Auxiliary 136
7.2.4. Metode Deteksi Klien 138
7.3. Penyembuhan Multlkolinieritas 139
7.3.1. Tanpa Ada Perbaikan 139
7.3.2. Dengan Perbaikan 139
7.3.2.1. Me:-~ghilangkan Variahel lndependen 139
7.3.2.2. Transformasi Variabel 140
7.3.2.3. Penambahan Data 14'!
Lampiran Bab 7 142
Lampiran Running Eviews Bab 7 i4:3
BAB 8. HETEROSKEDASTlS!TAS 145

8.1. Sifat Dan Konsekuensi Dari Heteroskedastisitas 145
8.'2 Deteksi HetwcskB·J::r:;ti"ites
8.2.1. Metode Informal ·: :~7
8.2.2. Metode Pa1-k 148

8.2.3. Metode Giejser 151
8.2.4. MetodA ~(orelasi Spearman 15:.)
82.5. M0tocie Goldfeld-Quanclt 15S
8.2.6. 1\tletode Bruesch-Pagan-Godfrey 158
8.2.7. Metode White 160
8.3. Penyembuhan Heteroskedastisitas 163
8.3.1. Ketika Varian Residual Diketahui 163
8.3.2. Ketika Varian Residual Tidak Diketahui 164
8.3.2.1. Metode White 164
8.3.2.2. Mengetahui Pola Heteroskedastisitas 166
Lampiran Bab 8 139
Lampiran Running f::::views Bab 8 173
x Daftar lsi
~
BAB 9. AUTOKORELASI 177

9.1. Sifat Dan Konsekuensi Dari Autokorelasi 177
9.2. Deteksi Masalah Autokorelasi 180
9.2.1. Metode Durbin-Watson 180
9.2.2. Metode Bruesch-Godfrey 184
9.3. Penyembuhan Autokorelasi 188
9.3.1. Ketika Struktur Autokorelasi Diketahui 188 j""O
9.3.2. Ketika Struktur Autokorelasi Tidak Diketahui 189 ·-
9.3.2.1. Metode Diferensi Pertama 190

9.3.2.2. Estirnasi p Didasark.an Pada Berenblutt-Webb 192
9.3.2.3. Estimasi p Didasarkan Pada
Statistik D Durbin Watson 193
9.3.2.4. Estimasi p Dengan Metode Dua Langkah Durbin 194
9.3.2.5. Estimasi p Dengan Metode Cocrhane Orcutt 195
Lampiran R'Jnning Eviews Bab 9 198
BAGIAN KET!GA: TOPIKaTOPIK Dl DALAM EKONOMETRIKA
BAB 10. MODEL REGR.ESi DENGAN RESPON YANG KlJAUTATIF 203

'1 0.1. l(arakteristik Darl Respon Kualitatif 203
10.2. Model Probabilitas ~inier 204
10.3. Model Probit 209
10.3.1. Estimasi Probit Untuk Data Kelornpok 212
10.3.2. Estimasi Probit Untuk Data Individual 2'!3
10.4. Model Logit 215
10.4.1. Estimasi l.ogit Untuk Data Kelompok 218
10.4.2. Estimasi Logit Untuk [)ata Individual 220
~ 0.5 ~vle'cocle :obit
L8mpiran Running Evie·Ns Bab 10 223
BAB 11. MODEL KELAMBANAN 2 ")7

L'
11.1. Mode! K~:ambanan 22~

11.2. Model Kelambanan Geometrik 228
11.3. Model Penyesuaian Adaptif 232
11.4. Morlel Penyesuain Stok 234
11.5. Estimasi Model Autc.regresif 236
11.6. Deteksi Autokorrelasi Model Autoregresif 239
11.6.1. Uji Durbin H 239
11 .6.2. Uji Langmnge tvlultiplier 2~'1
i 1.1. Model Polinomial 242
11.8. Pemilihan Panjang Kelambanan 244
i---
;<
~
:;-
-=...
-:-
'~
Oaftar lsi xi
11.9. Kausalitas Di Dalam Ekonomi 246

Lampiran Bab 11 250
BAB 12. MODEL REGRESI PANEL DATA 253 f-c
12.1. Regresi Data Panel 253
12.2. Estimasi Dengan Pendekatan Fixed Effect 255
12.2.1. Koefisien Tetap Antara Waktu Dan lndividu 255
12.2.2. Slope Konstan Tetapi lntersep Be:"beda Antar lndividu 256
12.3. Estimasi Dengan Pendekatan Random Effects 259
12.4. Pemiiihan Teknik Estimasi Regresi Panel Data 262
12.4.1. Uji Signifikansi Fixed Effect 262
12.4.2. Uji Signifikansi Random Effect 264
12.4.3. Uji Signifikansi Fixed Effect Atau Random Effect 265
Lampiran Bab 12 267
BAB 13. MODEL PERSAMAAN SIMULTAN 273
13.1. Model Simultan Ekonomi Makro Keynesian 273
13.1.1. Model Persamaan Simultan 275
13.1.2. Persamaan Bentuk Turunan 276
13.2. Model Simultan Pennintaan Dan Penawaran 278
13.3. Masalah lndentifikasi 281
13.L1. Kegagalan l\/letode OLS Dalam Persamaan Simultan 284
13.5. Estimasi Persamaan Simultan 287
13.5.1. l\/letode Indirect Least Squares 287
13.5.2. Metode Two Stage Least Squares 289
L3~pimn Rnb 13 · 292.
BAGIAN KEEMPAT: EKONOMETRIKA TIME SERIES
BAB 14. MODEL ARIMA {BOX-JENKINS) 299

14.1. Model Box-Jenkin 299
14.1.1. Model Autoregressive 300
14.1.2. Model Moving Average 100
14.1.3. Model Autoregress!ve-Moving Average 301
~4.1.4. Model Autoregressive Integrated Moving Average 302
14.2. Metodologi Box-Jenkins 302
14.2.1. ldentifikasi Model ARIMA 304
14.2.1.1. Uji Station:~ritas Melalui Collerogram 304
14.2.1.2. ldentifikasi Model 31)9
-,_-
I
14.2.2. Estimasi Model ARIMA 315

14.2.3. Uji Diagnosa Model ARIMA 317
14.2.4. Prediksi Model ARIMA 319 i
~-

~
BAB 15. MODEL ARCH DAN GARCH 325

15.1. Volatilitas Data Time Series 325
15.2. Model ARCH 327
15.3. Deteksi Unsur ARCH 329
15.3.1. Pola Residual Kuadrat Melalui Correlogram 329
15.3.2. Uji ARCH-LM 332
15.4. Model GARCH 335
15.5. Model ARCH-M 338
Lampiran Bab 15 340
BAB 16. KOINTEGRASI DAN MODEL KOREKSI KESALAHAN 353

16.1. Nonstasinaritas Data Time Series 353
16.2. Stasionaritas Data Time Series 354
16.3. Deteksi Stasionaritas Data: Uji Akar Unit 355
16.3.1. Uji Dickey-Fuller 357
16.3.2. Uji Phillips-Perron 361
16.4. Transformasi Data Nonstasioner Menjadi Stasioner 363
16.5. f<ointegrasl 365
16.5.1. Uji Kointegrasi Dari EG 367
16.5.2. Uji Kointe;Jrasi CDRW 368
16.5.3. lJji Johansen 368
16.6. Kuintegcasi Oan !\~ode: !·\c,reKsi l<esalahan 310
16.6.1. ~-~ode! K:xel\si Kesalahan Engle-Granger 370
16.6.2. Model Korsksi f<esalahan Dornowitz-EI Badawi 375
La·npiran Bab 16 378
Lampiran Runniny Eviews Bab 16 3R1
DAFTAR PUSTAKA 387
LAMP:RAN DAFTAR TABEL

Tabel Distribusi Nonnal 392
Tabel Distribusi t 393
Tabel Distribusi F 394
Tabel Distribusi Chi Squares 400
Tabel Distribusl Durbin Watson 402
L~
tt--
~ - --
~
t=
..
~
-:-.-
BAC1IA~.N PERTAMA
: i
! IUA\SA\Jid··II)~~~AJI:? 11:21~1131~1~~11
Bagian pertama buku ini rn:smbahas masalah dasar-dasar regresi yang

merupakan teknik estimasi utama di dalam elmnometrika. Fokus regresi adalah pada
model persamaan regres\ tunggal. D\ d~:~lam rnodel persarnaan regresi tunggal ini, satu
variabel yaitu variabel dependen dilx~ngciruhi oleh satu atau lebill variabel lain disebut
variabel independen dirnarE! variabel dependen merupakan fungsi iinier dari variabel
independen.
Bab pertama rnembah;,js pentii'H]nya e!\onometrika di dalam analisis ekonorni.
Sebagai alat analisis ekonometrik."'! ni~-;rnpunyai metodoiOf:Ji tertentu yang harus diikuti.
Pnc!a bagian terakhir bab ini rnemb:::~has beberapa jenis ::l::2i:<t. yang digunakan eli d&lam
ekonornetrika. Bab i-::edua ~Y:')f'L,.i •_i<-:lsei··dasar st<..~tist:ka y::cmg digunakar; di cL>i<:w:
ekonornetrika. Bab ini seb2gai P'?i1'/t\)3ri'.Hl !'\l::n·dJaii tentan~~ statistika deskriptif dan
induktlf yang seringk:3l; digtw;~~\an c.!i .JaL:.;r-n ekonorrv::d:riks.
Pada bab bc-1b berikurny:.1 1:1"J!T!hahas t8ni<Jng rporesi. Bab 3 dirnuisd der;~:Jan
mendJahas rnodel regresi !ink'i ssd;:::~ri:"::Ja den~J:H 1 ivJ:;y:J satt.l varibel independen dan
bagaimana mengestimasi pers<:tma&.'\ i'egresi untuk mendapatkan estimator yar1g baifr;
dengan menggunakan rnetode \\uacltdt ter~:;ecil (ordinary lec.st squares ::;, OLS).
Estnriato~ Oi...S bersifat r;,:mdo, 1 sehingga periu mencari ketepatan presisi dari estimator
tersebu dengan n1enggunakan konsep standard error. Bagian terakhir bab ini
mFmgembangl"an konsep koeflsien cleterminasi w~tuk rnPnje!askan seberapa baik garis
regresi rnenjelasKan datanya. Setelah !·:ita mend3pat\<:;:;n hasil regresi, pada bab 1 akan
dilanjutkan dengan verifikusi hasil regresi. Verifikasi hasil dilakukan rnelalui interval
estimasi dan uji statist1k. Sebagian besar pekerjaan efmnometrika memerlukan alat
bantu software kompL'ter sehingga oada akhir bab ini akan dibahas software Eviews
dan rnasalz,h pe!aporan ha:;il reqrc_: ;1. !C?;nudian pada b3b 5 mengemba;-lgkan !ebih
~
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
kebenaran dari teori tersebut. Di lain pihak, ekono;-netrika ingin membuktikan

kebenaran teori ekonomi secr:lra empiris. Begitu pula statistika ekonomi hanya
berhubungan dengan pengumpulan, pengolahan dan penyajikan data dalam berbagai
bentuk informasi seperti tabel, diagram dsb. Tetapi tujuan statistika ekonomi tidak untuk
membuktikan teori ekonomi berdasarkan data yang telah dikumpulkan. Data yang L
:-:
diperoleh ini merupakan bahan analisis bagi ekonometrika.
1.2. Cabang Ekonometrika

Ekonometrika sebagai disiplin ilmu tersendiri dibagi dalam dua kategori besar
yaitu ekonometrika teori dan ekonometrika terapan. Dalam setiap kategori, ada dua
pendekatan yang digunakan yaitu pendekatan metode klasikal dan pendekatan metode
Bayesian, lihat gambar 1.1. .
Ekonometrika teori berkaitan erat dengan perkembangan metode yang tetap
untuk rnengukur hubungan ekonomi yang dibentuk di dalam model ekonometrika.
Ekonornetrika teori harus mernbuat asumsi dari teori yang ing:n dikembangkan, sifat-
sifatnya dan apa yang te;jadi terhadap sifat atau karakteristik dari ekonometrika teori
j!ka asumsi tidak terpenuhi. Dalam hal ini ekonometrika sangat membutuhkan statistika
dan matematika. Di lain pihak ekonometrika terapan digunakan untuk studi-studi di
dalam area ekonomi dan bisnis, seperti fungsi produksi, analisis sektor finansial dsb.
Ekonometrika
I
~t(~c;-)on·1etrika ·r·e\Jr·1
t
Ekonometrika terapan
I
1·
Klasikal
~
Bayesian
Garnbar 1.1 Cabang Ekonometrika
1.3. Metodologi Ekonometrika

Ekonometrika sebagai alat pengukuran di dalam ekonomi mempunyai
metodologi tertentu. Metodologi ekonometrika dapat dilihat dalam gambar 1.2.
Pek~rjac:.n el~onometrika dimulai dari pemyataan teori atau hipotesis. Untuk
memhuktika11 kebenaran teori atr~u hipotesis yang kita bangun maka kita membuat
suatu model ekonometrika. Setelah spesifikasi model kita bangun maka 13ngkah
selanjutnya ada!al1 kita mela.kukan estimasi parameter model tersebut. Kemudian
sde!ah !tu kit-, rne 1r1kuk1n verifi!\c.1si :::+atistik bagi estimasi pa1arneter Jika verifikasi ini
Bab 1: Pendahuluan 5
i i
I' sesuai dengan teori atau hipotesis yang kite buat awal maka kita langsung bisa
menggunakan parameter es'dmasi tersebut untuk melakukan prediksi atau peramalan.
Namun jika verifikasi ternyata tidak sesuai dengan teori atau hipotesis rnaka kita harus
ii meninjau kembali spesifikasi model yang kita bangun. Pembentukan model harus kita
'I
lakukan kembali. · ·
Tidak Ya
Gam bar 1.2. M~todo'ogi Ekonometrika
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)
,-~:-
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)
Dimana e disebut kesalahan pengganggu atau residual (disturbances I error terms)

yang merupakan variabel random (random/stochastic variable). Kita memasukkan
residual ini l<.arena fa:~tor yang rnernpengartJhi permintaan suatu barang tidak hanya
harga barang tersebut teta:)i juga dipengaruhi variabellain seperti harga barang lain.
Untuk bisa mengestimasi model ekonometrika pada persarnaan (1.2) sehingga
mendapatkan nilai 13o dan 13 1 maka kita periu mengumpulkan data. Setelah
rnendapatkan data . maka !angk2h ~ei~riflltnya adalah r.lenge$titnasi parameter
persamaan (1.2). Teknik yang digunakcin adalah analisis regresi. Teknik regresi akan
dijelaskan detil dalaiTi bab 3. rv1isalnya dari teknik regresi kita mendapatkan persarnaan
sbb: .
Y; = 150,7 -0,8125X; (1.3)
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
1.4. Regresi, Kausalitas dan Korelasi .

Regresi merupakan metode estimasi utama di dalam ekonomet1il~a. Sejarah
regresi dimulai dari ide Francis Galton 1 . Fracis Galton mengatakan bahwa orang tua
yang tinggi akan mempunyai kecenderungan anak yang tinggi pula sedangkan orang
. tua yang pendek mempunyai kecenderungan anak yang pendek pula. Namun secara
umum tinggi rendahnya anak akan mengikuti perkembangan tinggi rata-rata populasi.
Regresi dalam pengertian modern adalah studi bagaimana variabel dependen
dipengaruhi oleh satu atau lebih dari variabel independen (indepedent variable) dengan
tujuan untuk mengestimasi dan atau memprediksi nilai rata-rata variabel dependen
didasarkan pada nilai variabel independen yang diketahui.
Analisis regresi yang menjelaskan hubungan antara variabel dependen dan
variabel independen berkaitan erat dengan hubungan yang bersifat statistik, bukan
hubungan yang pasti. Di dalam statistika hubungan yang tidak pasti ini disebut
hubungan yang acak (random) atau stokastik (stochastic). Hubungan ini mencerm:nkan
perilaku ekonomi. Misalnya, walaupun semua toko meilawarkan harga barang yang
sama, belum tentu setiap toko volume penjualannya sama. Dengan demikian dalam
persamaan regresi berarti sisi kiri tidak sama dengar. sisi kanan. Sementara itu
hubungan di dalam persamaan matematika menjelaskan hubungan y:mg pasti
(detc:munistic) antara variabel yang satu dengan variabel yang lain. Sisi kiri persamaon
r1arus sama dengan sisi kanan persamaan. •
Regresi berbeda dengan kausalitas. Regresi menunjukkan hubungan satu arah
.. yakni dari varlabel independen ke variab61 dependen. Sedangkan kausalitas
.
I :
' menunjukka!l hubungan dua a:-ah. Dalam bany8.k ~~asus pe:-ilaku ekonomi, 1-:ubungan
l
I
' antar variabel tidak hanya bersifat satu arah tetapi dua arah. Misalnya hubungan antara
~ . pertumbuhan ekonomi dan jumlah uang beredar. Jika pertumbuhan ekonomi tinggi
maka jumlah uang beredar cenderung untuk naik. Sebaliknya jika jumlah uang beredar
naik maka akan mendorong pertumi:>uhan ekonomi. Dengan demikian di dalam
hubungan l<ausaiitas, semua variabel adal::~h variabel dependen, tidak ada variabel
independen. ·
Gujarat:, N. Damodar, Basic Econometrics, fourth ed., Me GrawHill, New Yor~ 2003, p.17.
Regresi juga berbeda dengan korelasi. Korelasi menunjukkan derajat asosiasi

atau keeratan hubungan antara satu variabel dengan variabel lainnya. Korelasi yang
tinggi tidak berarti karena satu variabel mempengaruhi variabel yang lain. Korelasi yang
tinggi ini mungkin disebabkan variabel bergerak dalam arah yang sama atau
berkebalikan yang dikenal dengan pengertian trend. Jika satu variabel naik maka akan
-,_-
diikuti oleh variabellain dengan gerak yang searah atau gerak yang berlawanan arah.
1.5. Sifat dan Sumber Data

Keberhasilan dari setiap analisis regresi tergantung dari ada tidaknya
ketersediaan data. Oleh karena itu sebagian besar waktu kita dalam menganalisis
regresi digunakan untuk membicarakan masalah sifat, sumber dan keterbatasan data
yang dijumpai dalam pengumpulan data. DatE~ bisa kita klasifikasikan sebagai data
primer dan data sekundec. Data primer adalah data yang diperoleh secara langsung
· dari obyek baik melalui metode wawancara, kuisioner, telepon dsb. Sedangkan data
sekunder adalah data yang kita peroleh dari sumber kedua dan biasanya data ini sudah
sic:p pakai. Data sekunder ini mudah kita dapatkan dan tersebar luas diberbagai
sumber. Data-data ekonomi yang dikeluarkan pemerintah baik dari Badan Pusat
Statistik (BPS) maupun data dari Bank lndo:1esia sudah tersedia secara lengkap.
Begitu pula data-data bisnis juga sudah relatif tersedia seiring dengan banyaknya
perusahaan yar.g sudah go publik.
Dengan berkembangnya data elektronik maka sekarang kita blsa lebih mudah
mendapatkan data dengan mengakses data melalui internet. Misalnya data-data j'
ekonomi Indonesia bisa diakses me!alui situs Bank Indonesia: www.bi.go.id. Begitu
pula data-data ekonomi dari negara lain, misalnya data ekonomi Amerika Serikat bisa
diakses dari salah satu bank sentralnya di Saint Louis (Federal Reserve of St. Louis)
rnela!ui situs: www.stls.frb.org.
Ketersediaan data akan rnempermudah pekt::rjaan ekonometrika. Ada beberapa
dpe ::lata yang bisa digunar~an dalarn analisis regresi di dalarr. ekonometr ika ya!tu:
1. Data Runtut Waktu (Time Series)

Data runtut waktu ini merupakan sekumpulan observasi dalam rentang waktu
tertent~. Da,.a ini dikumpulkan dalam interval w3ktu seca1 ~ kontinu. Misalnya data
r.1ingguan (harga saham, nilai tukar), data bulanan (ir.deks harg3 konsumen=IHK), data
kuartalan Uumlah uang beredar), data tahunan (output nasional atau GOP).
Sehagian besar studi ekonometrika ::lengan regresi menggunakan data time
series sehingga akllir-akhir ini berkemban~ ekonometrika khusus menganalisis data
time series dikt::nal ekonometrika time series. Buku il"!i akan membahas secara singkat
dan padat pada bagian akhir buku ini tentang ekonornetrika time series. lsu yan;J
berkernbang dalam model ini adalah persoaian data tidak stasioner sehingga
menghasilkan regresi yang lancung (spurious re9ressio_n). Regresi mampu
I' Bab 1: Pendahuluan 9
mencocokkan dengan data aktualnya tetapi variabel independen tidak mampu

menjelaskan variabel dependen. Hal ini terjadi karena hubungan keduanya terjadi
sekedar trend saja, keduanya bergerak naik atau turun secara bersama-sama. I·
1,.
2. Data Antar Tempat Atau Ruang (Cross Section Data)

Data ini merupakan data yang dikumpulkan dalam kurun waktu tertentu dari
sampel. Misalnya sensus renduduk yang dilaku:~an oleh Badan Pusat Statisitk bagi
seluruh penduduk di Indonesia pada kurun waktu tertentu. Contoh lain adalatl data
sensus pertanian yang dilakukan dalam tahun tertentu di seluruh propinsi di Indonesia .
. Oari sensus pertanian ini akan didapatkan data tenfang produksi padi, input yang
digunakan seperti bibit, pupuk dan tenaga l<erja. Sebagaimana data time series, data ini
juga mengandung kelemahan berkaitan erat dengan masalah heterogenitas datanya.
Misalnya dalam kasus sensus pertanian untuk produksi padi, kita al<an rnendapatkan
variabilitas data dari satu propinsi ke propinsi yang lain. Ada propinsi yang relatif besar
hasilnya dan ada propinsi yang relatif kecil produksi padinya.
3. Panel Data (Pooled Data)

Data ini merupakan gabungan antara data time series dan cross section data.
Misalnya kita ingin mengetahui perkembangan harga di Indonesia. Untuk mendapatkan
perkembanga.n garnbaran harga ini maka kita bisa mengumpull<an seluruh indeks
harga konsumen di seluruh Indonesia pada waktu tertentu dan kernudian digabungkan
dengan data perkembangan harga rnasing-masing propinsi dalarn kurun waktu terter.tu.
I1 Pada bagian ketiga buku ini di dalam bab 12 al<an d!bahas tersendiri model regresi
dengan menQgunakan jenis data gabungan ini.
·1 .6. Prograrn Komputer Untuk Olah Data

Regresi sebagai alat perhitungan utama ek-xv:.>rnstriY..a rnc·n;;_~~-~~J.~·znn ;:J,i2t bo11tu
agar pekerjar.m ekonometrika dapat dil<erjakan dengan cepat dan efisicn. Bei:Jerapa
program komputer telah didesain untuk membantu pekerjaan ekonometrika. Paket-
paket software regre::i telah tersedia seperti LIMDEP, SHAZAM, EViews, MINITAB,
RATS, SPSP. TSP dsb. 8uku ini akan memfc kuskan pada satu sof(vvere yaitu EViews
dal::m1 perhitungan rev&si pada setiap babnya. Setiap bab d!tampilkan lampiran
metode operasi E\/iews. Deng1n demih:ian untuk bisa mernaharnl ekonometrika dengan
baik maka kita tidak hanya menguasai teorinya tetapi juga dalam hal penguasaan
pengolehan data dengan program komputer. Pad a Lampiran Bab ini' akan dijelaskan
secara singkat bagaimana mengoperasikan program Eviews.
I
I
:1
,,
-
I<
II
!i
. I
LAMPIRAN RUNNING EVIEWS BAB 1
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.
1. Menjalankan Program Eviews

Kita hidupkan komputer sehingga akan rnuncul rnenu utama Window. Kernudian
kita arahkan mouse pada menu Program dan setelah itu klik Eviews. Di dalam layar
kemudian akan muncu: tarnpilan sbb:
Tampilan 1
File Edit Objects View ~·roes Quick Options Window Help '
I '
i !
I .
~
~
r-n-=
~
~;c._-=:
-,-
I·
1•
I
,-.. -
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.
2. Menciptakan Filekerja (workfile) di Eviews

Sebelum kita menciptakan filekerja di dalam Eviews kita tampilkan data yang
akan kita gunakan di dalam regresi. Misalkan kita ingin menganalisis permintaan uang
tahun 1985-2002 dengan persamaan regresi sbb:
Dimana: M1 = permintaan uang nominal (narrow money); GOP= Gross domestic

product; R= suku bunga deposito 12 bulan
r--·-
Tahun M1 (milyar) R(%) GDP(mi!:t:ar) I Untuk memulai filel<erja maka klik
1985 10104 18,24 94720,8 File pada menu utama lalu pilih New
I '
1986 11677 15,72 95823,1 dan k6mudian l<lik Workfile sehingga
1987 121385 17,50 124816,9 akan muncul Tampilan 2 sbb:
1988 14392 18,49 142104,8
1989 20114 18,58 167184,7 Tampilan 2 menunjukkan frekuensi
1990 I 23819 18,53 195597,2
1991
I
26341 I 21 ,IC 227450,2 I berupa:
I j 1992 28779 ?.1 ,13 259884,5 " Tahunan (annual)
I
1993
1894
36805
45374
I
I
13,25
12,99
329775,8
382219,7
• 6 bulanan (semi-annual)
1995 I S2077 I 15JI4 I 454514,1 • 3 bulanan atau kuartalan (quarterly)
B:.JI<:mC1;1 ~ifKJnt}J!y)
1996
~997
64089
78343 I
I 16,69
16,28
532568,0
627685,4
1!1
~ 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:
~--
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
Tampilan 3 menunjukkan fiiBkerja

tahunan dari 1985 sampai 2002.
Karena filekerja ini belum kita namai
maka filekerjanya namanya: Untitled.
Setelah itu kita akan membentuk ·
variabel yang kita butuhkan dalam
persamaan regresi yaitu variabel M1,
GOP dan R. Langl<ahnya klik Object
lalu klii< New Object dan kemudian
al<:an muncul tampilan sbb:
::
I:
Oi dalam tampilan 4 ada dua pilihan yang

harus diisi yaitu Type of Object dan Name
for Object. Karena data kita adalah berupa
series maka kita pilih Series dan kemudian
ketik M1 untuk Name for Object. Setelah itu
kita klik OK. Lakukan hal yang sama untuk
variabel yang lain GOP dan R.
Setelah kita rnemilih obyek untuk ketige<
I ~. variabel maka akan muncul tampilan sbb:
; 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:
U:1tu!< rnerrasukk~n d?.ta m3~'.~ ld~2

harus klik Edit dulu kemudian baru
rnemasukkan datanya. Lakukan hal
~ yang sama untuk variabel yang lain.
Kita juga bisa memasukkan se;11ua
obyek secara bersama sama deng2n
mernilin semua obyef< kemudian klik
kanan laiu pilih open dan klik as Group
dan kemudian edit, lihat Tampilan 7
'
'"
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
3ft f.fh~rafJiiv~~Jt)( Data

Data yang kita bisa ttYS!,npan ct .-_;ia:arr> ~~\C-2 1 ._;::(;:~ Jjrr'ii<!2lr'. maka kita
~~LJnyai
bisa rnenggunakan data tersebut dengsr f<: sililas impor yang cli;;c:;d;akan o!eh Eviews.
Lang!·gh pertama mengimpor data ac!a!a!·l rnembentui<. WorkflJ,_:;; RJngc sebagc:ln.,ana
Ta.rnt-lila.n 3, Kita buka file yang ada di Ex:csl la!u blolo; clata y:mg f\ita periuk8n,
terrnasuk nama variabel namun tanpa tar1un uLc>e!' '-'iSi da11 >>:~rnudian kita Copy. Kita
buka Eviews, :diK Quick/ Empty Group 'Edit Series) pada 1rwnu ularna se:1ingga akan
muncul tamp1lnn berikut 1ni.
II', __
·-
i i
Pada Tampilan 9 ini, arahkan

mouse pointer pada kotak
disamping Obs (Observasi) ,.
i yang akan digunakan untuk I~
I nama variabel. Kemudian Klik

File/Edit pada menu utama
sehingga akan muncul
Tampilan sebagaimana
Tampilan 8
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
I[. ~--1;: ')' :- •.::- ':) """\. ~: ..

I
:;..
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 ~:···· -:~.'-~_;:·:._;;-~_:
i ~~/(:f :· l :··.- .·.

\ ~-
··:~~~ d:~d ;u;:-~~- 1~-: . .::-·_. -~: .., .
.··.·;
:, : ~ ; I ' ~· ':. • ' 1
-:r i -~-~ ·. ·~.
;_·.:;_:~~·-tai·\18 r"r.·~n r--taaci iJO.::.Ja

; ~ ..:~ ~- .1 :~ P {r:.~ ;" ~ ~--1-:l ',j.:_-; i 8; '''\{) (~ :'' ::)!"i
"\ :·:: ·, i < ·:~ :;_. ~- .. ""'"

.-;, -:-~; ; ;
.
·--~---/ iU.ii;) k-ejacHan /--\ aL3.t~ {-)(/\)
sa rna ciengan beberapc:.l r-·_;;;i: k~:jc:•::iiHn /'. l8!}F1' ·' _;. ....:uc~rapa ka!i percobaan yc< ·1g
b eru Iang-u Iang. L').er.g2n >\ara ' · lclTi
• · J!,~a''L scn1ua n · ;' ·. ·y·.:;J rnun\~ k"n 1 tS!Ja(· · j'1 a1j 3!9.n
• n, L
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
r1i!._:·;:· .- ;-.::- -~ ~n·r.~-.-~nu dC?J.ri !<-:-~1:·:~r---3t?trl n~-:~ri~.-~!J!(_urann·_/?;_

-~ !.: ------! ··.• : :'•
~- ., :·, : 'f·' :·. ~-· . ~, o n'."'·'I \n:J, ~-"·

ij
~)
· · :·~d(J~n D1:s
•'. ,, i ~- -j .. ·. :·! .,]_.
: ! .~. ·- '':! -~:::: .·· -·, i
: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
Gambar 2.1. Fungsi densitas dar\ v:~:·icrJ:;I random kontinu.
,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 ).
2.3.1. Nilai Harapan Atau Rata Ratt:

Nilai harapan (expected value) dari varia bel random X yang diskrit disimbulkan
rlen:,:Jan E(X) didefinisikan sebagai berikut:
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:.·
.· ··,_:;, ( ) ·= t_Y_~- .:::: ;-_·:(
,; >· rnendapatkan standa• ·.i:~·./k:si dari ,< k 1 1. : _.• ,, :D·

:.:L:~:!\r: -~~·:.i :Joi-\ .·~< rnerupak{;;n :·J~ ·:;r daci ve,rian dar! X·. i.../ac\2:·1 den standa:- df;'-Ji::~::-;i (i:~;·ig-.3.~-:
cl~H·nik!:~~-·: ;l;r::.r!unjukkan s2bf::l·:~1 ~--·:_1 ~·ieka;~ data indi\'idu3! )( c1 sek!tar rata-rclt.an"'/2. k:··Jrena
kita rr!·~;rnpu~1yai dua vari::.il")f:;i i"'3nd·:Jrn ynitu :!iskrit dan !<.on nu rnaka \"·:::.~:··:.-J:~ . .-;; ;,r! ··\~~,
/\. ..•.
.v- /\ -= --~).,-=.,; ·. .c'f'
i t_
. :I
X
.. <I
·.-:< i .z ,. !""
-== cr_J: -
-:.: r'.,
,_J, 'l \)
; ... :·
-~I ; 'i '. ';' l-· '·; -:-:::: Ji\..'~ ~-· _ ;\-3. fY'i8lTipUn/ j-:
.. ' ; l ~ :.:.)r~:-:~2:~) ~<OVE~:·= ··;_·;
...-··
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:
cov(X,Y) = E[(X- JLJ(Y -f-Lr]

= E( XY)- f-L xf-L.v (2.12)
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:
cov(X, Y) = 2_, > (/(-

.-~-.J·
I {
~'-x~
)(Y- [ 1
\ ~ '\'/. ./.I..V1J'(x
= LoR. .~
..:....o-:-3
)') -
) . ,~'L X;"· '\."
{')
,,_, 1 'v".!.)
X }'
sadangkan kovarian dari vaiiabel random kontinu sbb:
cov(X,Y) = [ [ I I ex·-- u, <Y ... ' • rc·.,y) dxr.Zy

X y
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=====
2.4, Distribusi Pr.obabilitas

i ..
Dalam pemb,J.rl<":1Sc1!i sebelurnny::~ kita t.ei,;Jh rnendiskusikan v<:'f"icJI;.::~i ; ar:dom
beserta fungsi densitas probabilitasnya (PDF). Daiarn statistik, ada bebe,-apa teori
fungsi probabilitas y~1ng pet1ting d::dam konteks el<onomi. Namun dalam pembc-1hasan
i.
bab ini hanya akan disajik;:;m 4 teori distribusi probabilitas yang digunakan dalarn buku ~~.:-
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)
,·;.
"-... -...........,
......
... o<-,:'=.·=·'~"'·~•:r.::;c.::~.r~•=~"'!-'~...··.>' ' ~-·~

··~~"'·'-·''-~"~·""'"-.~•·..L_,m_> '• oO<".• .. .J.~-.<' .~~-·-•~~J.,,s.oc•<.-'~ .-. ,.~;·="'-"" •~·-·-L~r-=="-· _[__~~-~-~-~~--~--~·
,,
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.
2.4.2. Distribusi r.hi-Squares (x2 )

Dist··;busi Chi Square digunakan untuk uji hipotesa ya;lq bert:· :'JL.::1qa~i dengan
varian cL:.ui vari•:lbe: :·andom. Misalkan !<:ita :;~.,·-·;;;uroai V3:-iat}'::: :::r:! F' i::;.3·jisiTibusi
norma\ (deng~n ra.':a-rata 0 dan varian 1) y·C'i<li Z 1. Z2 , . . . L. :J;;Y;:.w:: :;:J.stnJ-masi:T;1
tidal\ sa lin(] tergant• '"9 (independent) mal~ a ;·: :1 !3;--: '':uadrat dar' 7 ·
k
7 - ''\'' 7 i
(2.19)
.!-'- ~LJi
i=!
al\an rnemiliki distrib;_:si chi-.,squares (x 2 ) den]an derajat kebeb3san (d·?gree of freedom

:::df) k. Degree of freedom berart1 jum\ah vYia· 'el independen di dalarn penjumlahan
persamac>n sebelumnya. Secara simholis suatu variabel yang mGilgiku,i (1istribusi ch!-
::;quace a,simbulke?n sebagai x} dimana k m~~rupaf<:an uegree of freedom. Gambar dari
distribL:si chi-square dapat diiihat pada gambar 2.3.
I
I.
i·,:
\i
'i iil.:
L. _ i
~
~
tr:==
~
-..._-
_,.__
~-----
li
li
I
i
I'
~
ti
~
~-.-
).
'·
i·'
\
\
c;;.:unbar 2.3. Distribusi Chi Squares x2
Di dala:n .statisti\·:_ varian dari \:~Fi-Jry.:;,: i 'ndom diasumsi::;an .Jiketat:ui nanKin

d3i;:JJT1 prakt!kr;/;l su:ir :::,,ittlilr;1. Pc;rt::m\ ;;,c't'"J':l ~- '-i'Ji~tlana kita rw:;i:_:k•:l<:a:: uji hipotec;c·
jika varian tici~·k c\iksl3hui? /\hli stat1~; 1 !~<2 tela-, 'nengernbangkan c!istribusi t untul\
menjawab persoaian ini_
Misalkan Z1 ada!ah variabel yang lx~: c!:stribusi normal yaitL Z 1 ~ N ~0, 1) dan
v3:·'alx'! ?: 2 m~3 )>:':\ ;::• ,;:; :~_:.:..::;; ::;~_: -3qLF:.'" ~!2: .g::,.: Cf ssbai (Ia~~ ;,, <amdd:a,·r j:ka z, ;_JQ,l
Z 2 adalah tid<lt<_ saii~lg tergantung (indepe-·den!· r.1aka Z 1 I fi":! k akan mernpunyai :..
\
.
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.
o: -'~!, ···:·;i serir:Jkali kil:'c i, ·jh; rnelakuk? ' . ,, ,, '=~:·:.~~ ·•

hvcot!1as 1.-;) i··:~>-~;:;~~2P :Jua at:Ju iebih L)'3~:;1-nato~· regre.). f\. r:_<:~!: /-~ --~-:~;·.::.lah ~:;t;: ..
mei·Jguji aoa\.za•·\ \ntersep dan s!ope adal.ah i IDi atau ti.dai<: rnah.:J: r)t::::. bic;a . r,enggu···a': :er'
uji statistik rne:c,lui vii t=.
___ij~:,~ 7 -!_-_._:;·: -~-'. 2 :::?!l~l:.: t1Jek: ~.?_--~~-:.::-~-i~t:r:;;- ~.=it?~:.i ;_--···"-~·-;.>:... j:·--,-; ·'::~. :.J:.:~1 ~---
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
'
~
!3. <0 (3.1)
dimana Yi =jumlah permintaan barang (unit)

Xi= harga barang (Rp)
i =
obserbvasi ke 1, 2, 3, 4, .... , n1
l:
Dalam persamaan (3.1) terse but vari::tbel Y yaitu jumlah permintaan barang
disebut variabel dependen (dependent variable)" sedangkan variabel X yaitu harga I ~~
!1.-
l ~~
barang disebut sebagai variabel independen (independent variable). Persamaan {3.1.)
i
tersebut disebut persamaan regresi populasi. Persamaan (3.1) menunjukkan nilai
harapan (expected value) permintaan barang. Nilai harapan tersebut dapat dinyatakan
dalam p~rsamaan sbb:
E(f;) = f3o + f3tX; (3.2)
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)
atau dapat dinyatakan dalam bentuk persamaan sbb:
(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.
G.ambar ;), 1. Garis Rsgmsi Popuiasi
·~
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-· / '. ·... ) .
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)
atau dapat ditulis dalam persamaan sbb:

.;.
(3.7)
'
Gam bar 3.2. Garis regres: populasi dan sampel

I
i
I
c
. '
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
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•
3.2. Metode Kuadrat Terkecil

. Persoalan penting di dalam membuat garis regresi sampel adalah bagaimana
kita bisa mendapatkan garis regresi yang bail< yaitu sedekat mungkin dengan datanya
sehingga nanti akan menghasilkan prediksi yang baik. Pada bab ini akan dibahas
metode klasik yang disebut metode kuadrat terkecil (ordinary least squares= OLS).
Kita akan menjelaskan metode OLS ini dengan mengambil contoh hubungan
antara jumlah permintaan barang dengan tingkat harganya sebelumnya. Kita tulis
kembali model persamaan regresi sampel sbb:
:r; = /Jo + /J.xj + ej (3.8)

Dimana:
Yi = jurnlah permintaan barang
=
xi harga barang
ej =
varia bel gangguan
Sebagaimana pembahasan sebelumnya, persamaan (3.8) tersebut merupakan prediksi

dan nilai prediksi ini akan berbeda dengan nilai aktualnya. Perbeidaah nilai aktua!
dengan nilai prediksi disebut residual. Persamaan (3.8) dapat ditulis kembali menjadi
seperti persamaan (3.6) sbb:
(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
[;"
~~
.-.;
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
Gambar 3.3 Metode Kuarirat Terk.:Jci!
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)
Dengan mengkuadratkan residual e; dan kemudian menjumlahkannyal maka metode

kuadrat terl<ecil ini akan memberi timbangan yang lebih besar kepada e3 dan e4
d::tripada e 1 dan e 2 • Metode ini akan menjamin bahwa jumlah nilai e; sebesar nol
. tidak mung kin terjadi sebagaimana metode sebelumnya karena lebarnya jarak e; akan
menyebabkanjugalebarnya Le;.
Di dalam matematika, untuk mendapatkan nilai minimal ualam sebuah fungsi
maka syaratnya adalah turunan pertama dari fungsi tersebut sama dengan not. Oleh
karena itul untuk mendapatkan L.e; sekecil mungkin adalah de:·:lgan cara melakukan
difsrensiasi (turunan) pada persamaan (3.13). l<arena fungsi 'Le; dalam persamaan
(3.13) tersebut adalah fungsi dari Po d<:m jJ
1I maka persamaan tersebut harus
diferensiasi parsial terhadap Po dan Pr . Dengan melakukan diferensiasi parsial maka
akan dihasilkan Po dan /3
1 I yang menyebabkan nilai dari L: e; sekecil mungkin. Detil
diferensiasi dari persamaan (3.13) tersebut terhadap fo dan Pr dapat dilihat dalam
~ ~
) Lampiran 3.1. Proses diferensiasi pJrsial menghasilkan estimasi {3 0 dan {31 sbb:
,-.-
!!
(3.14)
(3.15)
dimana Y dan X adalah rata-rata serta n adalah jumiah observasi.

II
3.3. Asumsi-Asumsi Metode Kuadrat Terkecil
Jika tujuan kita hanya mendapatkan paremeter estirnasi {30 dan /31 , maka
rr.etode OLS sudah memenuhi syarat. Tetapl tujuan dari regresi tidak hanya
mendapatkan paremeter estimasi tetapi juga sekaligus membuat kesimpulan tentang_
paremeter estimasi yang sebenarnya sehingga kita akan mendapatkan Y yang
sebenarnya. Untuk mendapatkan Y maka kita harus membuat asumsi bagaimana
Ydihasilkan. Seperti kita ketahui bahwa Y nilainya tergantung dari Xi dan ej. Oleh
karena itu kita harus rnembuat asumsi terhadap variabel independen Xi dan variabel
residual (ei).
Teorema Gaussian yang merupakan perhatian utama dalam ekonc. me~rika,
dikenal dengan a~umsi klasik, membuat IJeberapa asumsi. Misalkan kita mempunyai
model regresi populasi sederhana sbb:
(3.16)
Asumsi yang berkaitan dengan model garis regresi linier dua variabel tersebut adalah
sbb:
l;
L-
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.
3.4. Standard Error dari OLS

Estimator yang dipero!eh dnri metode OLS adatah variabel yang sifatnya
r;:mdom yaitu nilainya beruiJah dari satu S3mpel ke sampe1 yai g lain. Oleh karena it~
kita membutuhkan ketepatan dari estimator Po P
dan 1 • Di dalam statistika untuk
mengetahui ketepatan estimator OLS ini diu!,ur dengan menggunakan kesalahan
standar (Standard error). Dengan kata lain standard error mengukur ketepatan estimnsi
dari estimator Po dan /J 1. Standard error bagi Po dan /J sbb:
1
tl
lL
.
··---
(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
3.5. Koeflslen Determlnasi (R2 )

Hingga kini kita baru berhubungan dengan masalah estimasi dari koefisien
regresl, standard error dari estimator. Sekarang tibalah pembahasan pada seberap~f' .
baik garis regresi menjelaskan datanya (goodn.ess of fit). Artinya bagaimana garis· · .
regresi yang dibentuk sesuai dengan data. Jika semua data terletak pada garis regresi
atau dengan kata lain semua nilai residual adalah nol mak~ kita mempunyai garis
regresl yang sempurna. Namun garis regresi yang sempurna ini jarang terjadi. Pada
umumnya yang terjadi adalah e; bisa positif maupun negatif. lni berarti garis regresi
yang tidak seratus persen sempurna. Namun yang kita harapkan adalah bahwa kita ''
mencoba mendapatkan garis regresi yang rnenyebabkan e; sekecil mungkin. Dalam
mengukur seberapa baik garis regresi cocok dengan datanya atau mengukur
persentase total variasi Y yang dijelaskan oleh garis regresi digunakan konsep
koefisien determinasi (R2 ).
Untuk menjelask::m konsep R2 ini kita kembali menuliskan persamaan (3.6) sbb:
(3.6)
Kedua sisi persamaan (3.6) kemudian dikurangi dengan nilai rata-rata Y (Y) sehingga
akan ·kita dapatkan persamaan sbb:
(3.27)
Persamaan (3.27) kemudian dapat ditulis kembali menjadi persamaan sbb:
<r; -f) = cY; - f) + ei

(Y; -f)= cY; -f)+ CY; - Y;) (3.28)
(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)
atau dapat dinyatakan sebagai: i' ~

;
,--
TSS =ESS + RSS (3.30)
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)
i'
y
lf e; =variasi karena residual
(Y- Y) =variasi karena regresi
I
I I
xi x
Gambar 3.4. Variasi Niiai Y Yang Dijelaskan Oleh f Dan residual e; \ !
c
~
Karena TSS =ESS + RSS, maka sebagai alternatifnya: r

c
R 2 == ESS
TSS
(3.32) ..':
TSS-RSS
=----
TSS k I
I
d
== _ RSS_
1 k
TSS (r
'l:e}
=1- .
l)Y;- Y)2
Dari formula persamaan (3.30) dengan demikian R2 dapat didefiniskan sebagai
proporsi atau persentase dari total variasi Y yang dijelaskan oleh garis regresi. Jika
garis regresi tepat pada semua data Y ma!ca ESS sama dengan TSS sehingga R
2
1, = \
2
li
H
l~
!i
l--:-
I,
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.
3.6. Koefisien Korelasi (r)

2
Konsep yang sangat erat i<aitannya dengan koefisien determinasi (R ) ad31ah
koefisien korelasi (r). R2 adalah koefisien yang ·menjelaskan hubungan an tara varia bel
dependen (Y) dengan variabel ind~penden \fj dalam suatu model. Sedangkan
koefisien korelasi (r) mengukur derajat keeratan antam ciua variabel. Koefisien korr~lasi
(r) antara X d~n Y d'~pat didefinisikan sbb:
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
...
dimana:
n
L (X; - X)(Y; - Y) !':!
~
cov(X;,Y;) = .!!.:"-::!..1- - - - - - (3.35)

n-1
!
n
L(X; -X)2
var(X;) = ..:.:."=--=-1- - - - (3.36) ~
n-1
n
I<r; -f)2
var(Y;) = ..:.:."=--'1-- - - - (3.37)
n-1
sehingga kita dapat menulis formula untuk koefisien korelasi sbb: [
n N ' ~-
L(X; -X)(Y; -f) rr

pr
r = -;:::==="=='=·======= (3.38)
S!
SE
n=l n=l
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,-
Contoh 3.1. Regtesi Permintaan Sepeda Motor

Misalkan kita ingin mengestimasi hubungan antara jumlah permintaan sepeda motor (Y) dan
harganya (X) dengan data hipotetis pada Tabel 3.1. Model persamaan regresinya sbb:
Y; =flo+ fltX; + e; flt <0 (3.39)
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
Y; = 2321,75- 225X; (3.40)

se (128,6292) (12,5710)
R
2
=
0,9804
Dimana Se adalah standard error dan R2 adalah koefisien determinasi.

Nilai estimasi untuk estimator Po= 2321,75 dan /1 = -225.
1 Arti dari estimator /l1 yang
merupakan slope garis regresi adalah jika harga naik (turun) sebesar Rp 1 juta maka jumlah
permintaan sepeda motor akan turun (naik) sebesar 225 unit. Nilai koefisien determinasi
sebesar (R 2) 0,9804 artinya bahwa variasi harga mampu menjelaskan jum!ah permintaan
sepeda motor sebesar 98,04% sisanya sebesar 1,92% dijelaskan oleh variabel selain harga.
Tabel 3.2. Data Untuk Perhitungan Regresi Permintaan Sepeda Motor

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
,-;;-
::~
Contoh 3.1. Lanjutan
/J. = LX;Yt = -0,945 =-225 (3.41)

L:x; 2
0,0042
Po = Y- /31X = 93,125- [< -225)(9,905)] = 2321,75 (3.42)
se(/J) = = .Jo,70833 = 0,8146 = 12,5710 (3.43)

• ~ .jo,oo42 o,o648
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-
\•
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) ~~
n L X;Y; = n/30 LX; +,. n/31L X;

2
(8)
Kemudian, persamaan 8 dikurangi dengan persamaan 7 akan menghasilkan:
(9)
Dari persamaan (9) tersebut kemudian bisa kita dapatkan nilai untuk /1
1 sbb:
(1 0)
Se
ya
Dimana X dan Y adalah rata-rata. Dengan menggunakan penyelesaian secara aljabar

maka persamaan (1 0) dapat dinyatakan sbb:
I' ata
{J
A
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
!\
a·ab 3. Regresl Sederhana: Estimasl 47 't·

i·
I
~~;
~
i··-~
r··
catatan: r: :~
2 2 2
1. 'Ex; ='E(X;-X) ="LX(-2'EX;X+'EX karena X adalah konstan '.
H
maka "Lx1 = "LX1 -2XL:X1 + }:X • Sedangkan
2 2 2 -·--
L:X, = nX dan '
-2 -2 -
L:X = nX karena X adalah konstan maka akhirnya kita dapatkan
persamaan 'Ex[= }:X12 -nX 2 •
2. LX;Y; = LX;(J';- f)= LX;Y;- Y:Lx, ='Ex11';- fL:(X 1 - X)= 'Ex1Y;
karena Y adalah konstan dan L:(X1 -X)= 0 :,_
3. LX;Y; = 'E(X; -X)y; = 'EX;Y; -X'Ey; = L:X;Y; -X'E(Y; -f)= 'EX;Y;
karena X adalah konstan dan 'EO'~- Y) = 0
Setelah kita dapatkan nilai /J,. maka kita bisa mer]dapatkan nilai /Jo d<::ri persamaan (5)
yaitu:
(13)
· atau dapat ditulis sbb:
(14)
dimana Y dan X adalah rata-rata
Lampiran 3.2. Estimator yang BLUE

3.2.1. Estimator Yang Linier
Padc: lampiran ini akan dibuktikan bahwa dengan metode OLS, estimator yang kita /J,
dapatkan mempunyai sifat besi linear unbiased estimator (BLUE) sebagalmana teorj
dari Gauss-Markov. Untuk membuktikan bahwa estimator /J, adalah linier kita kembali
48 Bagian Pertama: Dasar-Dasar Regresi i
!"
f~
I'
. ;.~
tulis formula untuk- mendapatkan ,81sebagaimana pad a persamaan (1 0) sebelumnya :'~
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
jika kita masukkan persamaan regresi populasi 1: =flo+ {J X; + e; ke

1 dalam persama-
an (15) tersebut akan me• .ghasilkan persamaan sbb:
Ka1
/3 1 -= Lk;(flo + fl 1X; +e;)
rna
P = /3 L k; + fl L k;X; + L k;e;
1 0 1
(16)
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
/1 = f3
1 1 + Lk;e; (17)
Nilai harapan dari estimator /1 1

'~
dari persamaan (17) sbb:
(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, .
3.2.3. Estimator Yang Mempunyai Varian Minimum

A
Sesuai dengan definisi, varian estimator {J, dapat dicari sbb:
Var(/J1 ) = E~1 - E(jJ.) j

• A 2
= E(fJ. - {3, ) (20)
karena E(/J,) = {31 dan kita ingat kembali bahwa /J, = /] 1 + 2: k;e; sebagaimana
persamaan (17) maka
va!"(/3,) = E{L k;e; Y

=E(k 12 e~ +kiei +.. ·+k;e; +2k k e e +· .. +2kn_ 1k"en_ 1en)
1 2 1 2 (21)
Karena asumsi oahwa E(e;2 ) = a

2
urtuk setiap observasi dan E(e;,ej) = O,i ;t:. j
maka
. ~ 2" 2
var({J1) =a L.Jk;
X-
= = "' (22)
LX;2 karena k;
LJX;
2
SO Baglan Pertama: Dasar-Dasar Regresi
Sedangkan kovarian antara flo dan fl1 adalah sbb:
Cov(/30 , P = El{,Bo - E(/J (/J. - E(/3 )j

1) 0 )) 1) (23)
=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:
/J. = Lk)'; (10)
dimana:
X-X __ _!j_
k. =----==-::- (11)
. L(X; ·- X) LX;
2
Persamaan (10) tersebut menunjukkan bahwa estiamtor 1 merupakan rata-rata /3

tertimbang dari Y dengan k sebagai timbangannya. Sekarang misalnya kita mempunyai
altematif estimator /31 yakni sbb:
(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
Dengan demikian estimator fl:

adalah merupakan estimator yang juga tidak bias
(unbiased estimator) jika memenuhi kriteria sbb:
dan (26)
Sedangkan varian dari fJ; sbb:

var({J;) = VM L W; f;
= Lwi varY;
=:= CJ L wJ = var(e;) = CJ 2
2
ingat bahwa var(Y,.) (27)
Dengan trik matematika pada persamaan (27) yaitu melalui penambahan dan
pengurangan ~ maka persamaan (27) tersebut menjadi

LX;
var(fJ;) = CJz:L[w;-
LX;
X; 2+~]2
LX;
'jl_!_!__]
2
= a2 2:[w. __!_!__]
'Lxi
1
+ CJ2 L.xJ 2 + 2CJz
('Exi)
:L[w. __!_!__
2-xJ Ll::xJ
1
(28)
Berdasarkan persamaan (28) tersebut, jika nilai timbangan w.

I
= -X;-2
"
niaka varian
t.,.,X.
'
dari fJ; menjadi sbb:
• (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
/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
Kita telah membahas bagaimana mengestimasi model regresi untuk

mendapatakan estimator dengan metode kuadrat terkecil. Estimator dari metode
kuadrat terkedl merupakan estimasi titik sampel. Karena itu, pada bab ini kita akan
membahas masalah verifikasi estimasi titik tersebut melalui interval estimasi maupun uji
hipotesis melalui uji t. Karena pekerjaan ekonometrika memerlukan alat bantu software
komputer maka pada bab ini akan dijelaskan hasil olahan dari software Eviews dan
masalah pelaporannya hasil regresinya. Selanjutanya akan dibahas salah satu asumsi
OLS tentang normalitas residual. Pada bagian akhir bab ini akan ditutup dengan
pembahasan masalah model regresi.
4.1. Interval Estimasi

Jika kita mengambil sampel yang berbeda pada kasus permintaan rnotor Honda
sebelumnya, maka kita akan mendapatkan koefisien estimasi titik {point estimator)
yang berbeda pula. Karena adanya fluktuasi sampel ini maka estimasi titik yang kita
hasilkan sangat mungkin' berbeda dari nilai sebenarnya. Agar kita mendapatkC;~n
/1
nilai 1 yang sedekat mungkin dengan n;lai {J1 yang sebenarnya digunakan interval
estimasi dimana interval estimasi ini menggunakan distribusi t. Penjelasan detil tentang
• distribusi t ada di l2mpiran 4.1.
Jika asumsi ~ -6 dari metode OL 3 pada bab 3 sebelumnya dipenuhi pad a
, regresi sederhana maka distribusi t dapat dinyatakan sbb:
~-{J
t = --,..-- t(n-2) (4.1)
se(p)
':·'
53
A2
Dimana var(/J) =L a dan se(/J) = ~var(/J) (4.2)
(X 1 -X)
I .
Persamaan (4.1) tersebut menyatakan bahwa variabel random t mempunyai distribusi t

dengan derajat kebebasan (degree of freedom) sebesar (n -2). Variabel random t
da:am persamaan (4.1) tersebut akan digunakan untuk interval estimasi maupun uji
hipotesis di dalam model regresi sederhana. Masalah uji hipotesis akan dijelaskan pada
subbab berikutnya. Misalnya kita ingin menguji untuk estimator /3
1, maka persamaan
(4.1) dapat ditulis sbb:
(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
Persamaan (4.6) kemudian dapat dinyatakan dalam bentuk persamaan sbb:
Pl,B 1- t cse(/J1 ) 5, P1 5, /J1 + t cse(P1 ) j=1- a (4.7)
Mela!ui prosedur yang sama maka kita blsa mendapatkan formula interval' e~timasi
untuk konstanta Po sbb:
(4.8)
Persamaan (4. 7) menyatakan bahwa Interval- /J ± t cse(/J

1 1) berlsi nilai probabilitas
parameter 131 yang benar sebesar 1- a. Misalnya, jika u= 5%, maka probabilitas nilai
parameter yang sebenarnya adalah 95%. Dengan demikh:m, persamaan (4. 7)
/1
mefrupakanW0(1- a) persen interval keyakinan untuk 1 yang dapat dinyatakan sbb:
{t1..9)
Begitu pula da:am persamaan (4.8) merupakan100(1- a) persen in~erval keyakinan

untuk Po yang dapat dinyatakan sbb:
(4.1 0)
,.L.:..
I.
Contoh 4.1. Interval Estimasi Regresi Permlntaan Sepeda Motor

Kita kembali ke regresi permintaan sepeda motor sebelumnya. Berdasarkan estimasi titik
dalam contoh 3.1. kita hasilkan koefisien estimasi untuk ~ 0 dan ~ 1 masing-masing sebesar
2321,75 dan -225 dengan standard error masing-masing sebesar 128,6292 dan 12,5710.
Berapa interval estimasi untuk keduanya? Jika kita mengasumsikan bahwa a= 5% yaitu
95% merupakan estimasi yang dapat dipercaya, maka nilai t kritis untuk df 6 dengan t a1 2 =
2,5% adalah 2,447. Dengan mengaplikasikan rumus persamaan (4.9) dan (4.10) kita dapat
menghasilkan interval estimasi untuk IJo dan ~ 1 sbb:.
/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
4.2. Uji Hipotesis

Seseorang yang melakukan penelitian akan lebih banyak menggunakan data
sampel daripada data populasi. Dari sampel yang diambil kemudian dapat kita jadikan
sebagai alat untuk verifikasi kebenaran populasi. Di dalam melakukan penelitian,
· seorang peneliti seringkali harus menyatakan secara jelas hipotesis penelitian yang
dilakukan untuk dibuktikan kebenarannya melalui penelitian yang dilakukan. Dalam
statistika, hipotes!s yang k!ta ingin uji kebenarannya teisebut biasanya kita ba11dir.gkan
dengan hipotesis yang salah yang nantinya akan kita tolak. Hipotesis yang salah [
dinyatakan sebagai hipotesis nul (Ho) dan hipotesis yang benar dinyatakan sebagai r
hipotesis alternatif .(Ha). Da!am menguji kebenaran hipotesis dari data sampel, statistika p
telah mengembangkan uji t. Uji t merupakan suatu prosedur yang mana hl'lsil sampel n
dapat digunakan untuk verifikasi kebenaran atau kesalahan hipotesi...; nul (Ho). d
Keputusan untuk menerima atau menolak H0 dibuat berdasarkan nilai uji statistik yang
diperoleh dari data. · tir
Hal yang panting dalam hipotesis penelitian yang menggunakan data sampel a!
dengan menggunakan uji t adalah masalah pemilihan apakah menggunakan dua sisi ar
atau satu sisi. Uji hipotesis dua sis1 dipilih jika kita tidak punya dugaan kuat atau dasar h<
teori yang kuat dalam penelitian, sebaliknya kita memilih satu sisi jika peneliti yc; -
mempunyai landasan teori atau dugaan yang kuat. sa !
r-
!
,-
.. -
!'
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:
Ho: Jk~O (4.13)

Ha: f31 < 0
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:
Ho: f31 =0 (4.14)

Ha: f31 :;t 0
Dalam hipotesis alternatif disini dinyatakan bahwa pendapatan bisa mempunyai

I
hubungan positif atau negatif tergantung jenis barangnya dilihat dari koefisien
i .
pP.nd'3patan yang nilainya tidak sama dengan nol yakni f31 :;t: 0. Sedangkan hipotesis
~
I nulnya adalah pendapatan tidak berpengaruh terhadap jum:ah permintaan bmang

ditunju;ckan oleh nilai koefisien f31 = 0.
Misal~ ~n dalam kasus hubungan antara jumlah permintaan sepeda motor dan
tingkat harganya pada bab 3, kita akan menguji dari sampel yang kita pilih seba11yak 8
~I
agen sepeda motor. Pertanyaannya, apakah memang terhadap hubungan yang negatif
>i antara jumlah permintaan sepeda motor dan tingkat harganya me:alui uji t? Karena
lf harga mempunyai pengaruh y:mg rregatif terhadap permintaan sepedc:l motor maka uji
tti yang digunakan adalnh uji satu sisi bukan uji dua sisi. Adapun prosedur uji t dengan uji
satu sisi adalah sbb:
58 Bagian Pertama: Dasar.,Oasar Regresi
·. --~-
1. Membuat hipotesis melalui uji satu sisi
• Uji hipotesis negatif satu sisi

Ho: P1 ~ 0 (4.15)
Ha: P1 < 0
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 )
Dimana f3t merupakan nilai pada hipotesis nul

3. Membandingkan nilai t hitung dengan t kritisnya. Keputusan menolak atau
menerima H0 sbb:
• 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.
Keputusan menolak hipotesis nul (H 0 ) atau menerirr.a hipotesis alternatif Ha

dapat juga dijelas.kan melalui distribusi probabilitas t sepet1i terlihat dalam gambar 4.2.
Nilai tc diperoleh dari nilai t kritis dari distrlbusi tabel t dengan· a. dan degree of freedom
tertentu. Pada gambar 4.2a menjelaskar. k9putusan m~nola~ hipotesis nul atau tidak
be.·dasarkan uji dua sisi, gambar 4.2b :na!'ljelaskan keputu~an menolak hipotesis nul
dengan hipotesis alternatif positif da!1 gamba~ 4.2c menjelaskan keputusan me:1olak
hipotesis nul jika hipotesis alternatifnya adalah negatif.
Penjelasan tentang formula untuk menghitung nilai t dapat dilihat dalam lampiran 4.1.
,-,-
,,
f(t) menerima Ha menerima Ho menerima Ha

menolak Ho menolak Ha menolak Ho
o./2 a/2
~
I
- tc 0 tc t
Gambar 4.2a. Daerah penolakan (penerimaan) H 0 : 13 1=0 dan Ha: 131'~ 0
f(t) menerima Ho menerima Ha

menolak Ha menolak Ho
0 tc
Gambar 4.2b. Daerah penolakan (penerimaan) H0 : 131 ~ 0 dan Ha: !31> 0
,..
f(t) menerima Ha rnenerima Ho

menolak Ho menolak Ha
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
)?
Contoh 4.2. Uji Hipotesis Permintaan Sepeda Motor

Kita ambil contoh kembali hubungan antara jumlah permintaan sepeda motor dengan tingkat
harga dari 8 agen pada bab 3 sebelumnya. Hasil regresinya kita tampilkan kembali disini
sbb:
A
Y; = 2321,75- 225X; (4.17)

se (128,6292) (12,571)
2
R = 0,9808
Dengan menggunakan a= 5% tentukanlah apakah harga berpengaruh negatif terhadap

jumlah permintaan sepeda motor. Langkah uji hipotesisnya sebagai berikut:
1. uji satu sisi

Ho: p, = 0 (4.18)
H1 : p1 < 0
2. Menghitung t hitung dan mencari nilai t kritis dari tabel dengan a= 5% dan df sebesar .
6 yakni 8-2. Besarnya t hitung sbb:
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."
probabilitas menolak hipotesis yang benar. Dalam prakteknya, a. IJiasanya ditentukan

secara sembarang (arbiter) yakni 1%, 5% dan maksimum 10%.
Selain itu, keputusan untuk menolak hipotesis nul juga bisa dilakukan dengan
menggunakan uji hipotesis berdasarkan probabilitas statistik t dengan asumsi bahwa
residual mempunyai distribusi normal. Nilai probabilitas ini disebut juga nilai p (p-value)
atau tingkat signifikansi marginal (marginal significance level). Niiai probabilitas p ini
menggambarkan tingkat signifikansi yang tepat beikaitan dengan besarnya nilai a. yang
sebenarnya.
Pada uji statistik t, keputusan kita menolak hipotesis nul jika nilai absolut
statistik t hitung lebih besar dari nilai t kritis dari distribusi tabel t. Sementara itu, pada
prosedur uji probabilitas statistik t atau nilai p kita hanya membandingkan nilai
probabilitas p dengan nilai signifikansi a.. Jika nilai probabilitas p lebih kecil dari nilai ex
yang dipilih maka kita rnenolak hipotesis nul (H 0 ) atau menerima hipotesis alternatif (Ha)
dan sebaliknya jika nilai probabilitas p lebih besar dari nilai a. maka kita menerima
hipotesis nul atau menolak hipotesis alternatif. Setiap program komputer untuk oleh
data ekonometrika se!alu memberi informasi tentang besarnya nilai probabilitas p
sehingga kita bisa secara cepat mengevaluasi apakah variabel independen
herpengaruh terhadap varia bel dependen. 2
4.4~ Ringkasan Hasil Regresi

Di dalam prakteknya, pekerjaan dan analisis regresi sangat memerlukan
bantuan program software komputer. Banyak software yang telah dikembangkan,
namun buku ini hanya memfokuskan penggunaan software komputer Eviews. Setiap
software komputer untuk pekerjaan ekonometrika akan memberi banyak informasi
· stastistik. Oleh karena itu, pada subbab ini kita akan membahas · bagaimana kita
membaca informasi statistik yang diberikan oleh software Eviews.
4.4.1. Regresi Dengan Program Komputer

Pada contoh 3.1. sebelumnya kita mangestimasi regresi permintaan sepeda
motor dengan cara manua! melalui kalkulator. Namun den~an berkembangnya alat
bantu prograr ,, komputer untuk olah data pe!<erjaan ekonometrika dan sekaiigus
·mempercepat pekerjaan kita, maka pada subbab ini akan ditampilkan hasil estimasi
dengan program software Eviews. Kembali ke contoh permintaan sepeda motor, kita
tulis kembali model regresinya sbb:
(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'
dimana y =jumlah permintaan sepeda motor

X = harga motor '·
e =variabel _gangguan
Hasil estimasi dengan program Eviews ditampilkan dalam Tabel 4.1. Pada
bagian pertama ditampilkan nama variabel dependennya yaitu Y, metode estimasinya
dengan metode OLS serta jumlah observasi yang digunakan sebanyak 8. Bagian H
kedua menjelaskan hasil estimasi untuk Po dan 131· Pada kolom pertama menunjukkan r_.-~
I
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. ·
Tabel 4.1. Hasil Estiniasi Regresi dengan Program Eviews

loepen d en tvana· bl e: Y (
\
i
Method: Least Squares c

Sample: 1 8 ir
Included observations: 8 s
Variable Coefficient Std. Error t-Statistic Pro b. jL
c 2321.750 ~28.6322 18.04952 0.0000
X -225.0000 12.98656 -17.32560 0.0000
R-squared 0.980403 Mean depend~nt var 93.12500 4
Adjusted R-squared 0.977137 S.D.dependentvar 5.56611)1
S.E. of regression 0.841625 Akail<e info criterion 2.705354 inl
Sum squared resid 4.250000 Schwarz criterion 2.725215 . an
Log likelihood -8.821418 F-statistic 300.1765 Ev
Durbi11-Watson stat 0.794118 Prob(F-statistic} 0.000002 ha
---'---- ·-'----·
pe1
Pada kolom terakhir menjelaskan nilai probabilitas yaitu nilai probabilitas p. bat
Nilai probabilitas ini merupakan nilai probabilitas p untuk uji dua sisi. Jika kita ingin per
me!akukan uji hipotesis dengan satu sis; m lka kita tinggal membagi dua nilai
probabilitas p tersebut. Ur tl!k menjadikan dalam bentuk prosentase maka tinggal kita
katikan de11gan iOO. Sebagaimana pembahasan sebelumnya, dari Piiai probabilitas ini
kita bisa mengevatuasi apakah variabel_ independen X berpengaruh atau tidak terhadap
variabel dependen Y. Nilai probabilitas p untuk uji satu sisi hampir 0% untuk {31 dan jika
a. yang kita pilih adatah 1% maka kita menolak hipotesis nuL Artinya, varia bel
( ,_
t ·-
[
Bagalmana menghitung nllal hitung statistlk t inl telah dlbahas pada subbab uji hlpotesls dengan F
hipotesls nul variabe! lndependen X tldak berpengaruh terhadap varlabel Y. d
./
lndependen X yaitu harga berpengaruh negatif terhadap jumlah permintaan sepeda

~~ .
Bagian terkahir pada Tabel 4.1. menjelaskan beberapa ringkasan penting
statistik dari hasil regresi. Koefisien determinasi baik koefisien determinasi yang tidak
disesuaikan (~) maupi.m yang disesuaikan (R ) ditampilkan dalam R-squared dan
2
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.
4.4.2. Standar Pelapqran Dan Evaluasi Hasil Regresi

Program software komputer seperti Eviews atau yang lain banyak memberi
informasi statistik yang diperlukan untuk menganalisis perilaku ekonomi dengan alat
. analisis regresi. Tabel 4.2 merupakan informasi statistik standar yang diberikan oleh I
Eviews. Pertanynannya, apakah semua informasi ini perlu ditampilkan untuk analisis !
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) ·
f; = 2321,"'.5 -225X; (4.21)

se (128,6322) (12,9865}
t (18,0495) (-17,3256)
R2 = 0,9804
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.
Persamaan (4.21) tersebut merupakan persamaan hasil regresi yang

menunjukkan hubunga;, antara harga sepeda motor sebagai variabel independen (X)
dan jumlah permintaan sepeda motor sebagai varaibel' dependen (Y). Persamaan
regresi ini terdiri dari intersep sebesar 2321,75 dan siope sebesar - 225. Besarnya
slope -225 berarti jika harga naik sebesar satu juta rupiah maka kita prediksi
permintaan sepeda motor akan turun sebesar 225 unit.
lnformasi berikutnya yang harus ditampilkan adalah standard error (s.e) dari
koefisien regresi. Standard error ini yang merupakan ketepatan presisi estimator
digunakan untuk menghitung interval estimasi koefisien regresi untuk Po dan
p maupun
1
uji hipotesis pengaruh variabel independen terhadap variabel dependen
u I
melalui uji t. lnformasi yang terkait erat dengan standard error adalah nilai hitung rc
statistik t sebagai alternatif informasi dari standard error. Nilai hitung statistik t ini rT
diperoleh dari membagi koefisien regresi (Po dan P1) dengan standard errornya. Untuk d
rnenjelaskan seberapa besar variasi variabel dependen dijelaskan oleh variabel
independen atau kesesuaian garis regresi dengan datanya (goodness of fit) maka perlu 4
=
ditampilkan koefisien determinasi (R 2 ). R2 0,9804 berarti 98,04% variasi permintaan
sepeda motor dijelaskan oleh variasi harganya. y< '
Setelah kita melaporkan hasil regresi langkah berikutnya adalah melakukan b~
evaluasi hasil regresi untuk mengetahui seberapa baik hasil regresi kita. Evaluasi hasil p~
regresi meliputi:
1. Tanda koefisien parameter estimasi

2. uji signifikansi pengaruh variabel independen terhadap varibel dependen mela!ui
uji t maupun uji nilai probabilitas t (p)
3. uji seberapa baik model regres! menjelaskan variasi variabel dependen melalui dil
kosfisien determinasi
"4. uji asumsi-asumsi OLS
../~l K=
Pad a contoh regresi permintaan sepeda motor dilihat dari tanda .koafisien parameter st;
estimasinya (.B1 ) bertanda negatif sesuai dengan teori. Dilihat dari uji t, harga sepe ja Sc
motor sacara statisti!<. · signifikan dan variasi har Ja rnampu menjelaskan variasi jumlah at;
permintaan sepeda motor sebesar 98·,04%, hanya 1,96% dijelaskan oleh faktor selain hi(
harga. Kesimpulannya model yang kita pilih untuk menjelaskan jumlah permintaan m~
~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.
4.5. Uji Normalitas

Uji signifikansi pengaruh variabel independer. terhadap variabel dependen
melalui uji t hanya akan valid jika residual yang kita dapatkan mempunyai distribusi
normal. Ada beberapa metode yang bisa digunakan untuk mendeteksi apaka,h residual
mempunyai distribusi normal atau tidak. Dalam bab ini akan dibahas hanya 2 metode
yaitu: (1) melalui histogram; dan (2) uji yang dikembangk.an oleh Jarque-Bera (J-8).
4.5.1. Histrogram Residual

Histogram residual merupakan metode grafis yang paling sederhana digunakan
untuk mengetahui apakah bentuk dari probability distribution function (PDF) dari
random variabel berbentuk distribusi normal atau tidak. Jika histogram residual
menyerupai grafik distribusi normal maka bisa dikatakan bahwa residual mempunyai
distribusl normal, lihat kembali penjelasan pada bab 3.
4.5.2. Uji Jarque-Bera

Uji normalitas residual metode OLS secara formal dapat dideteksi dari metode
yang dikembangkan o:eh Jarque-Bera (J-Bf, Metode JB ini didasarkan pada sampel
besar yang diasumsikan bersifat asymptotic. Uji statistik dari J-B ini menggunakan
perhitungan skewness dan kurtosis. Adapun formula uji statistik J-B adalah sbb:
JB = ·[S6
n -
2
(K -3)
+ -=-----=--
24
2
]
(4:22)
dimana S= koefisien skewness dan K = koefisien kurtosis
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
Mean -1.70E-13 C<

Median 0.250000
Maximum 1.000000 d<
Minimum -1.250000 bt
Std. Dev. 0.779194
Skewness -0.544760 Y<
Kurtosis 2.027682 re
Jerque-Bere 0.71 0819
Probability 0.700866
Gambar 4.3. Histogram residual
· 4.6. Beb~rapa Model FIJnpsi Regresi

Peml"::thasn·r: model regretil sampai sa at ini baru pad a model ragresi lit 1ier
dalam parameter dan variabel. Misalnya daiam permintaan sepeda motor pada bab 3
sebelumnya, jumlat, permintaan sepeda motor diasumsikan fungsi linier dari harganya.
Hubungan ini dinyatakan dalam bentuk Y= 13o + P1 X. lmplikasi dari bentuk persamaan
linier adalah bahwa terdapat hubungan linier antara Y (Jumlah permintaan sepeda
motor) dan X (har9a). Kita tulis kembali persamaan regresinya sbb:
(4.20)
i!
-
,, " -
!:
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
y y
X X
(a) Hubungan linier X dan Y (b) Hubungan non linier X dan Y
Gambar 4.4. Hubungan antara X dan Y
Untuk bisa diestimasi, persamaan (4.23) tersebut dapat ditransformasi dalam

bentuk persamaan logaritma natural sbb: 8
1
(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
dependen Y (misalnya permintaan barang) yang disebabkan oleh prosentase

perubahan variabel independen X (harga barang) dan dapat diformulasikan sebagai
berikut:
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:
5) d[/J0 + )11X] = _1 f3 (4.28)

dX X I
Dari persamaan (4.27} dan (4.28) akan menghasilkan

:1an
1 dY 1
I)Un
<nik Y dX = X/31
dari X dY
ope . fl1 = y dX _ (4.29)
Persamaan (4.29) tersebut sama dengan konsep elastisitas yang kita kembangh.-:an
ngat pada persamaan (4.26). _
abel Selain model linier maupun log linier, banyak model fungsi regresi yang bisa
.
. menggambarkan perilaku ekonomi. Tabel 4.2 membe:-i informasi beberapa bentuk
\. 9
Elastisitas di dalam notasi kalkulus dapat dinyatakan dengan (dY/Y)/ (dX/X) = [ (dY/dX)/(XIY)]
L .
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. ·
Tabel 4.2. Beberapa Model Fungsi Regresi
Tipe Fungsi Regresi Model Regresi Slope Elastisitas
1. Linier y = f3o + {JIX + e /3,

y
2. Log-log (log- linier) ln(Y) = /30 + /31 ln(X) + e /31 X
1 1
3. Semilog (linier-log) Y = {30 + /3 1ln(X) + e f]t X /31 y
4. Semilog (log-linier) ln(Y) = {30 + fl 1X + e {JIY fJIX
1
1 1 1
5. Resiprokal Y, = flo + fl1- + e - fl1 x2 -/31 XY
X
. 1 y 1
6. Log inverse ln(Y) =flo+ /31-+e
X
- /J1 x2 - {JI X j
t i
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'
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)
dalam persamaan tersebut, variabel random standar normal Z mempunyai distribusi

normal dengan rata-rata 0 dan varian 1.
Jika asumsi ke 6 dari metode OLS terpenuhi mah:.a varlabel random residual ei
2
. juga mempunyai distribusi normal, ei - N (0, cr ). Variabel random residual ini jika kita
bagi dengan standar deviasinya maka akan menghasili<an variabel random standar
= normal ei ~ehingga e/cr - N (0, 1 ).• lika setiap variabel random stand::1r no~mal kita
kuadratkan maka menjadi variabel random yang mernpunyai distribusi chi-square (x 2 )
)at
ita
2
dengan d?.rajat kebebasan tertentu sehingga (e/cr) - x;. Jika semua var1abel random
residual adalah bebas (ind&pendent) maka
IX
;.'.ai
am
(3)
r<an
itas
eda
Karena variabel random residual popu!asi tidak bisa diobservasi maka kit8
\<.'Ita
menggantikannya dengan variabel random residual da1i sampel. Selanjutnya variabel
)\om
random V dapat ditulis sbb:
(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 )
Regresi Permintaan Sepeda motor

Pada Lampiran Bab ini kita akan melakukan regresi permintaan sepeda motor.
Data yang kita punyai adalah data cross section dengan jumlah observasi 8. Model
persamaan regresinya sbb:
(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:
Karena datanya adalah cross

section maka kita pilih Undated or
irregular p8da workfile
frequency.
Pada Start observation secara
otcmatis (default) mulai 1 dan
kemudian kita isi 8 untuk End
observation. Setelah itu klik OK
sehingga akan muncul Tampilan 2.
Tampilan 2 menunjukkan filekerja

observasi dari 1 sampai 8. Setelah
c
itu kita rrsembentuk obyek yang kita
E2J re3id 0utuh: .21n yaitu jumlah permir.taan
sepeda motor (Y) dan harganya
(X). Klik Object/New Object untuk
varic:bel Y dan X sehingga akan
muncul Tampilan 3
--- -----·----'
_...,..·
74 Bagian Pertama: Dasar-Dasar Regresi~~-
Untuk mernasukkan data rnal<a klik double

untuk Y lalu klik Edit. Kernudian kita
masukkan datanya. Lakukan hal yang sarna
untuk X. Setelah kita selesai rnaka sekarang
kita bisa melakukan regresi.
Untuk rnelakukan regresi maka klik
Quick/Estimate equation pada menu utama
sehingga al<an muncul Tarnpilan 4.
Tarnpilan 4 ini merupakan spesifikasi

persarnaan (Equation Specification).
Pada spesifikasi persamaan ini kita
akan isi variabel yang dimulai dari
variabel dependen (Y) kemudian diikuti
oleh konstanta (C) dan kemudian
variabel independen (X). ,!!.Juran
mainnya adal3h pada setiap variabel
kita harus beri spasi (space). langkah
berikutnya adalah menentukan metode
estimasi (Estimation Setting). Karena
metodenya adalah OLS m2ka idta pi\ih
Least Squares. Lalu Klik OK sehingga
akan muncul hasil regresi pada
Tampilan 5 sbb:
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.
c 2321.750 128.6322 16.04952 0.0000

X -2.25.0000 12. 986""..>6 -17.32560 0.3000
R-squarsd 0.9130403 Mean dependent var 93.1.2500

Adjusted P-square•j 0.977131 S.D. dependent v~r 5.566161
S.E. of rf3gressfoq 0.841625 Akaike info criterion 2. 7lf>354
Sun·1 sqt.!::'\rerJ \3':"::•···! _,_;:>50000 SchY..'<"rrz crit-::-~:-ior. ?. 7?5~15
Log it~ei:hot)d -~3.:32"'1-418 F-stQJti:s"ti::: 300.1765
Durb!!l-V'</atson :i;!o;:;.·\ l1J~;41 ~e Pro_b(F-statis'il-::::) 0.000002
"--·-----·---··----------·-·· ---------------··- ....-----------·-·------------·---~
~-·
F ..
t:-----
::
~-------
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.......::._:_
;::·· _
~
-=--
~----------
I
.I
Sengaja dikosongkan untuk ca~atan Anda
,_...··
&---
'". -.:.
~
~--
:_____
~-==-~
·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. ~-
5.1. Model Regresi Dengan Lebih Dari Satu Variabel lndependen

Dalam kenyataanya model regresi sederhana tidak. mencerminkan kondisi
perilaku ekonomi yang sebenarnya. M1salnya dalarn kasus hubungan jumlah
permintaan sepeda motor dan harganya pada bab 3 sebelumnya, faktor yang
mempengaruhi jumlah perrnintaan sepeda motor tidak hanya sekedar dipengaruhi oleh
harga, tetapi juga bisa dipengaruhi faktor lain misalnya pendapat~n konsumen. Dalam
· bab ini kita akan membahas model regresi yang terdiri dari lebih satu variabel
independen dikenal dengan model regresi berganda. Bentuk umum regresi berganda
dapat ditulis sbb:
yt =: r.o + jJlXl. + j3,X? + ... + ,J,Xk. + e

jJ I - -1 · i\ l I
(5.1)
Pada pembahasan bab ini kita akan membahas model regresi berganc:::~ c.engan
hanya du~ variabe! independen. Misalkan ~ita mempunyai model c;bb:
(5.2)
dimana. Y adalah variabel deper.den, X1 dan X 2 <ldabh veriabel independen dan ei

adalah residual. Subskrip i menunjukan observasi ke i untuk data ;;ross saction dRn jika
kit<'! gunakan data time series biasanya kita beri subskrip t yan9 rnenunjukkan waktu.
77
__
.. - · -
·
..
,~~--
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
1. Hubungan antai·a Y (variabel dependen) dan X (variabel independen) adalah X

linier dalam parameter. a
2. Nilai X nilainya tetap untuk obervasi yang berulang-ulang (non-stocastic). p
Karena variabel independennya lebih dari satu maka ditambah asumsi tidak
ada hubungan linier antara variabel independen atau tidak ada multikolinieritas 5
antara x1
dan x2
dalam persamaan (5.2)
3. Nila harapan (expected value) atau rata-rata dari variabel gangguan ei adalah dl
no I. d!
b<
(5.3) m
m
4. Varian dari variabel gangguan atau residual ei adalah sama SE
(homoskedastisitas ).
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.
Cov(ei'e 1 !X;.X1 )=E[(e; -E(~;)JX;)] l(e 1 -E(e1 )\x;)J (5.5)

= E(e;JX;) (e 1 !xJ
=0
6. VC:lriabel gangguan ei berdistribusi normal
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
5.2. Estimasi OLS Terhadap Koefisien Regresi

Bagaimana caranya agar kita mendapatkan garis regresi yang sedekat mungkin
dengan datanya bila kita mempunyai niodel regresi berganda. Apakah · caranya sam~
dengan regresi sederhana sebelumnya dengan metode OLS. Jika 6 asumsi yang kita
bangun pada subbab 5.1 terpenuhi maka metode OLS akan tetap mampu
mendapatkan Po, (J, dan /3 2 yang BLUE sehingga menyebabkan garis regresi sedekat
mungkin pada datanya. Prosedurnya sama sE:bagaimana regresi sederhana
sebelumnya yakni mencari nilai minimum dari jumlah residual ~uadrat sbb:
" 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
Dalam mengestimasi koefisien regresi berganda dengan hanya dua variabel

independen di atas, kita masih mungkin bisa menghitung dengan manual. Namun demi
efisiensi waktu apalagi kalau kita mempunyai variabel independen lebih dari dua maka
kita harus menggunakan program komputer untuk olahan regresi seperti Eviews,
Sazam, Rats dsb untuk menghitung koefisien regresi berganda. di
Setelah kita mendapatkan estimator OLS berupa koefisien regresi parsial, maka (~
selanjutnya kita bisa mendapatkan varian dan standard error dari koefisien regresi
untuk mengetahui reliabilitas estimator tersebut. Formula untuk menghitung varian dan
standard error untuk /J dan /J sbb:
1 2
(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.
Perhitungan korelasi X 1 dan X 2 sbb: 1

I
r
(5.17)
F-
1
Karena nilai cr 2 tidak bisa diestimasi secara langsung maka nilai estimasi cr2 dihitung
dengan formula sbb:
~-
~- -
;-~~::::~
~
~
:;
~-
r::::---::..::.::
(5.18)
dimana: n =jumlah observasi; k =jumlah variabel independen termasuk konstanta -:·-

(~o)
Contoh 5.1. Ekspor Pakaian Jadi ke Jepang

Misalkan kita ingin menganalisis ekspor Pakaian Jadi lndor.esia ke J~pang periode 1985-
2000. Model yang digunakan adalah regresi berganda. Model analisis ekspor adalah analisis
pada sisi penawaran dengan variabel independen harga pakaian jadi dan nilai tukar rupiah
terhadap Yen Jepang. Harga diharapkan berhubungan positif dan kurs juga berhubungan
positif terhadap ekspor. Data yang diperlukan ada di Lampiran. Model persamaan regresinya
dapat ditulis sbb:
(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:
~ = -4067,496 + 7,8150X 11 + 1001,855X21 (5.20)

t (-0,8872) (4,2973) (7,6884)
R
2
=0,9111
Tabel s.·J. Estimasi Eks or Pakaian J~di Ke Je an
Dependent Variable: Y .
Method: Least Squares
Include observations: 16 ·-:-
Variable · --,- Coefficient Std. Error t-Statistic' Pro b.
c -4067.496 4584.454 -0.887237 0.3911
X1 7.815037 1.818575 4.297340 0.0009
X2 1001.855 130.3073 7.688406 0.0000
R-squared 0.911347 F-statistic 66.81992
Adjusted R-squared 0.897709 Prob(F-statistic) 0.000000
/.·
a_ ______ _
1-"-
82 Bag ian Pertama: Dasar-Dasar Regresl
din
set
intE
Contoh 5.2. Produksi Padi Di Indonesia

·~:_
Dalam banyak kasus, data regresi adalah dalam bentuk cross section. Pada contoh kali ini
kita mencoba meregresi produksi padi di 23 propinsi tahun 1994 dengan model regresi
Per ~'
berganda. D_ata ada di lampiran. Adapun model regresinya dalam bentuk log-linier sbb:
(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
lnf; =5,5841+0,2260lnX 1; +0,0489lnX 2; +0,3519lnX3; (5.22) C<

Ke
t (13,6806) (2,2505) (1,9538) (7,8920)
2 kri
R = 0,8625
m;:
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.
5.3. Interval Estimasi Koefisien Regresi Berganda

Sebagaimana pada regresi ::ederhana pada bab 3, koet1sien regresi yang kita
c!apatkan pada regresi berganda adalah estimasi titik. Kita bisa mencari interV-al 5.4,
estimasi koefisien regresi berganda didasarkan pada probabilitFts sebagaimana
probabilitas pada regresi sederhana pFtda bab 3. Adapun probabilitas untuk mencari terpe
interval estimasi dapat kita tulis kembali sbb: yaitu
terrjj;~
(5.1):-
(5.23)
~
... =·-
--~
~---
~
-
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)
Pers::tmaan (5.24) tersebut bisa kita sederhanakan sbb:
(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.
Contoh 5.3. Interval Estimasi Koefisien Regresi Ekspor Pakian Jadi

Kerribali ke contoh eksJ.Jor pakaian jadi ke Jepang sebelumnya. Misalnya dengan a=5%, nilai
kritis tabel t dengan a=5% dan df 13 adalah =2, 160. Besarnya interval estimasi untuk
masing-masing estimator ~o, ~ 1 , dan ~ 2 sbb:
~ ~
(J 0 ± t(n-k),at 2se((J0) =-4067,497 ± (2, 160) {4584,454) = -4067,497 ± 990,4206 (5.26)

~ ~
/] 1 ± t(n .. k),al2se((J 1) =7,8150 ± (2, 160) {1 ,8186) =7,8150 ± 3,9282 {5.27)

~ ~
/3 2 ± t(n-k),ai 2 Se(;] 2 ) = ! 001,855 ± {2, 160) (130,3073) = 1001,855 ± 281,4638 (5.28)
_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:
- f.I(O, 1) untuk k =1, 2, ... , k (5.30)
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----
~ --
~
~
"-.----:___
~
~
,-
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:
1. Membuat hipotesis melalui uji satu sisi atau dua sisi
• Uji hipotesis positif satu sisi

Ho: l31 : ; ; 0 (5.33)
Ha: l31 > 0
.. Uji hipotesis negatif satu sisi

Ho: 131 ~ 0 (5.34)
Ha: 131 < 0
• Atau uji dua sisi

Ho: 131 =0 (5.35)
Ha: 131 * 0
2. Kita ulangi langkah pertama tersebut untuk 132 1
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:
t = /JI- (1; (5.36)

se(/31 )
Dimana !3 1* merupakan nil:1i pad a hipotesis nul

4. Bandingkar nilai t t1ltung untuk masing..masing estimator dengan t krit!~nya dari
tabel. Keputusan menolak atau menerima H0 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------:..::=..
!:
5.5. Koefisien Oeterminasi yang Disesuaikan

Pada pembahasan bab 3 tentang regresi sederhana dengan hanya satu
variabel independen kita menggunakan koefisien determinasi (R2 ) untuk menjelaskan
seberapa besar proporsi variasi vadabel dependen dijelaskan oleh variabel
independen. Di dalam regresi berganda kita juga akan menggunakan koefisien , __
-
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 !
yang tinggi. . pre

Salah satu persoalan besar penggunaan kcefisien determinasi R2 dengan sis
demikian adalah nilai R2 selalu menail~ ketika kita menambah variabel independen X ex=
me
dalam model walaupun penambahan variabel independen X belum tentu menrpunyai 7,c
justifikasi atau pembenaran dt:tri teori ekonomi ataupun logika ekonomi. Para ahli de,
ekonometrika telah mengembangkan alternatif lain agar nilai R2 tidak merupakan fungsi art
101
dari variabel indeperiden. Sebagai Alternatif digunakan R2 yanb disesuaikan (adjusted

R2) dengan rumus sebagai berikut:
(5.38)
dimana: k = jumlah parameter, termasuk intersep dan n = jumlah observasi
Terminologi koefisien determinasi yang disesuaikan ini karena disesuaikan dengan

derajat kebebasan (df) dimana 'Lei
mempunyai df sebesar n- k dan 'f.(Y; - :Y)2 dengan
df sebesar n -1.
Contoh 5.4. Eva!uasi hasil Regresi Ekspor Pakian Jadi Ke Jepang

Kembali pada contoh 5.1 ekspor pakaian jadi ke Jepang. Kita tampilkan kembali hasilnya
sbb:
~ = -4067,496 + 7,8150X11 + 1001,855X21 (5.20)

t (-0,8872) (4,2973) (7,6884)
R2 = 0,9111
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

Nilai koefisien determinasi (R 2) sebesar 0,9111. Artinya, variasi ekspor pakaian jadi ke
Jepang dijelaskan oleh model sebesar 91,11% dan sisinya dijelaskan oleh variabel lain di
2
luar model. Kita juga menampilkan koefisien determinasi yang disesuaikan ( R ).
Sebagaimana pembahasan sebelumnya, nilai kofiesien R 2 diharapkan akan lebih kecil dari F
r --
koefisien R2 yakni sebesar 0,8977
5.6. Uji Hipotesis Koefisien Regresi Secara Menyeluruh: Uji F

Hingga kirii, kita baru memfokuskan evaluasi pengaruh variabel independen
terhadap variabel dependen secara individual. Tibalah saatnya pada regresi berganda
dimana kita mempunyai lebih dari satu variabel independen, kita perlu mengevaluasi
pengaruh semua variabel independen terhadap variabel dependen dengan uji F. Uji F
statistik ini di dalam regresi berganda dapat digunakan untuk menguji signifikansi
koefisien determinasi R2 • Nilai F statistik dengan demikian dapat digunakan untuk
mengevaluasi hipotesis bahwa apakah tidak ada variabel independen yang
menjelaskan variasi Y di sekitar nilai rata-ratanya dengar. derajat kepercayaan (degree
of freedom) k-1 dan n-k tertentu. Dengan kata lain uji F dapat digunakan untuk menguji
hipotesis nul bahwa semua variabel independen tidak berpengaruh terhadap variabel
=
dependen yakni !31= !32 = .•• = 13k 0. Hal ini dapat dijelaskan sbb:
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:
1. Membuat hipotesis nul (Ho) dan hipotesis alternatif (Ha) sbb:

Ho : 131=132 =... = 13k = 0 (5.40)
*
Ha : l3r;t=l32 "- · · . 13k "- 0
2. Mencari nilai F hitung dengan formula seperti pada persamaan (5.39) dan nilai
kritis F ,statistik dari ta_bel F. Nilai kritsis F berdasarkan besarnya a dan df untuk
numerator (k-1) dan df untuk denomerator (n-k).
3. Keputusan menolak H0 atau menerima sbb:
Jika F hitung > F tabel (kritis ), maka kita menolak Ho dan sebaliknya jika F
hitung < F kritis maka menerima H0
Contoh 5.5. Uji F Regresi Ekspor Pakaian Jadi ke Jepang

Kita kembali mengambil contoh regresi ekspor pakaian jadi ke Jepang pada periode 1985-
2000. Setelah kita ketahui bahwa secara individual variabel independen yaitu harga pakaian
jadi dan kurs rupiah terhadap Yen mempengaruhi ekspor pakaian jadi me!alui uji t,
pertanyaan selanjutnya apakah secara bersama-sama semua variabel independen juga
berpengaruh terhadap ekspor pakaian jadi ke Jepang? Hipotesis nul (H 0 ) pada ujl F ini
adalah bahwa secara serempak semua variabel independen tidak berpengaruh terhadap
variabel dependen. Vita akan menggunakan formu!a persamaan (5.39) untuk mencari nilai F
hitungnya dan kemudian kita bandingkan dengan nilai F kritis . AdapL<n besarnya Nilai f
hitung adalah 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
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
Dalam menganalisis regresi dengan data time series dalam pembahasan

sebelumnya mengasumsikan bahwa perilaku variabel adalah sama. Dalam
kenyataannya seringka!i kita jumpal pada suatu titik waktu tertentu terjadi adanya
Din
perubahan perilaku varlabel yang diamati atau disebut adanya perubahan struktural.
tah
Misalnya ketika terjadi krisis ekonomi di Indonesia tahun 1997. Krisis ekonomi ini tentu
berpengaruh terhadap kegiatan ekonomi. Contohnya perilaku konsumsi masyarakat
me
jelas tidak akan sama ketika krisis ekonomi belum terjadi dan di saat krisis ekonomi. ob~
Krisis ekonomi telah menyebabkan pendapatan masyarakat mengalami penurunari
der
sehingga mengakibatkan konsumsi masyarakat ml'")ngalami penurunan juga. Contoll ·· ob~
iain misa!nya ketika pemerintah mengeluarkan kebijakan deregulasi Perbankan bulan
du<
Oktober 1988 berupa kemudahan mendirikan bank, maka ini akan berpengaruh
Per
terhadap peri!aku tabungan masyarakat. Dengan ·demikian, segala sesuatu kejadian
yang menyebabkan adanya perbedaan perilaku ekonomi disebut perubahsm struktural
di da!am anaiisis ragresi..
Pertanyaannya bagaimana perubahan struktur&i ini bisa dijelaskan dalam
regresi. Adanya perubahan struktural ini berarti nilai parameter estimasi tidak sama Per
dalam periode penelitian. Dengan kata lain perubahan struktural ini akan menyebabkan
adanya perbedaan di dalam intersep (konstanta) atau slope atau kemungkinan adanya
perbedaan baik intersep maupun slope dalam garis regresi. Gregory C: Chow telah
mengembangkan sebuah uji untuk mengetahui ada tidaknya perubahan struktural di 2
'"..
- ,-~
!;~
......
fL--
~
"=====-=
·· 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)
Periode lndustrialisasi promosi ekspor 1991-2002
(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: ·
1. Estimasi persamaan (5.42) dan dapatkan RSS 1 (residual sum of squares)

dengan df=(n1 + n2 - k) dimana k adalah jumlah parameter estimasi termasuk
konstanta. RSS1 yang kita dapatkan ini disebut restricted residual of sum
squares (RSSR) karena dianggap bahwa 8o = A.o ; 81 = A.1 dan 82=A.2 atau dengan
kata lain tidak terjadi perubahan struktural
2. Estimasi persamaan (5.43) dan (5.44) secara terpisah dan dapatkan RSS2
dengan df =(n1-k) dan RSS3 dengan df = (n2 - k). Selanjutnya kita dapatkan
unrestricted residual of sum squares (RSSuR) dengan df = (n1 + n2 - 2k) dengan
cara kita tambahkan RSS2 dan RSS3.
3. Dengan asumsi yang dikemukan Chow, uji perubahan struktural dapat
dilakukan dengan melalui uji statistik F dengan formula sbb:
. _T<'[K, ( n 1 +n 2 _ 2k)] -___:_(R_S_S~R_--_R_SS...:::u=R)_l_k_ (5.45)

(RSSuR)/(n 1 + n 2 - 2k)
Menu rut Chow, jika tidak terjadi perubahan struktural di . dalam persamaan
regresi maka RSSR dan RSSuR seharusnya adalah sama secara statistik. Nil a
Dengan demikian jika Nilai F hitung dari persamaan (5.45) tersebut leb1h besar F k1
dari nilai F kri~is maka kita menolak hipotesis tidak adanya perubahan struktural. peri
Sebaliknya jika F hitung lebih kecil dari nilai F kritis maka tidak terjadi kebi
perubahan struktural. · peri
Contoh 5.6. Uji Perubahan Struktural Permlntaan lmpor Indonesia

Kita mencoba menganalisis kasus permintaan impor Indonesia tahun 1980-2002 apakah
benar perubahan strategi industrialisasi dari subsititusi impor kepada promcsi ekspor Cor
menyebab!<ail te(adinya perubahan perilaku pe:-mintaan ·impor atau d~ngan kata lain terjadi Lans
perubahan strukturai dalam regresi. Adapun hasH uji Chow sbb: telar
1. langkah pertama 2 ya
~ = -9588,023-83,9487 xlt + o,I673X21 (5.46) tahu1
F de:
t {-3.9831) (-3.9254) (8,9152) like Iii
R2 = 0.912921 Hing
RSS1= RSSR = 2,11 X 108 df = 20 terba
terse -
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
fr = -4608,959-77,1895X 1, +0,1503X 21 (5.48)

t (-0,5134) (-3,0977) ( 5,0184)
R2 = 0.736741
RSS 3 = 1, 19 x 108 df =9
t RSSuR ::71952139 + 1,19 x10 8 = 190952139 (5.49)
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).
y;
n,,
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.
Tabel 5.2. ujl perubahan struktural metode chow

Chow Breakpoint Test: 19:::.:.9=--1:____ _--=--=-=-==-=-:.-r---=---:----:-::-::-:------.---~~-=-=-::-l
F-statisiic
Log likelihood ratio
I 0.6072431 Probability
2.3413691 Probability
I 0.619333
0.504642
_j
5.8. Pemilihan Model Fungsi Regresi: Linier atau log-linier

Dalam bab 4 telah dijelaskan heberapa model fungsi regresi. Ada dua mod_el
yang seringkali digunakan dalam penelltian yang menggunakan alat analisis regresi
yaitu model linier dan model log-liner. Pertar.yaan yang muncul, bagaimana kita
mengetahui apakah perilaku data m~nunjukkan hubungan linier atau non linier dalam
param:;ter?. Ada dua cara pemilihan apakah model linier atau log-liner y3itu : (1) s.a
metode informai d-·ng~n mengetahui perila~u data ·melalui ":ketergramnya; (2) metode
formal yakni melalui metode yang dikembangkan oleh Mackinnon, White dan Davidson pen
(MWO) d!ny
5.8.1. Metode Informal dengan Sketergram

Pada bab 3 sudah kita jelaskan apa yang dimaksud dengan sketergram. Daiam
sketergram ini kita plot data nilai variabel dependen (Y) yang bersesuaian dengan nilai
variabel independen (X). Kalau kita mempunyai lebih dari satu variabel independen X,
misalnya dua (X~ dan X 2), maka kita harus menggambar sketergram sebanyak dua
_,.-
i
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.
Contoh 5.8 Pemilihan Model Permintaan lmpor Dengan Sketergram

Misalkan kita ingin menganalisis model sederhana permintaan impor periode 1980-2002
dengan variabel independennya adalah GOP. Gambar 5.2. merupakan sketergram yang
menjelaskan hubungan antara impor (Y) dengan POB (X). Sumbu horisontal rnerupakan
variabel independen X sedangkan sumbu vertikal menggambarkan variabel dependen Y.
Dari gambar tersebut tampak bahwa hubungan antara Y dengan X berhubungan positif dan
hubungannya lebih condong ke fungsi linier daripada fungsi logaritma.
50COO
40000
30000
>-
20000 -
=~
10000 - ~ ~
0
100000 200000 300000 400000 500000
Gambar 5.1. Sketergram antara lmpor (Y) dengan GOP (X)
5.8.2. Metode Mackinnonj White dan Davidson 3

Untuk menjelaskan metode MV.JD, k'~a menLambil contoh model sederhana
permintaan impor. Model permintaan impor baik iinier maupun log-linier dapat
dinyatakan sbb.:
(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:::=
~·· .....
:..-·--
;:----
~==-=------
~-.:--
. .
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 .
Ho : Y adalah fungsi linier dari variabel independen X (model linier)

H1 : Y adalah fungsi log linier dari variabel independen X (modellog-linier)
Adapun prosedur metode MWD sbb:
1. Estimasi model linier persamaan (5.51) dan dapatkan nilai prediksinya (fitted
value) dinamai F1. Untuk mendapatkan nilai F1 lakukan langkah berikut:
• lakukan regresi persamaan (5.51) dan dapatkan residulnya (RES 1)

• dapatkan nilai F1 = Y- RES1
2. Estimasi model log linier persamaar. (5.52) dan dapatkan .nilai prediksinya
dinamai F2. Untuk mendapatkan niiai F2 lakukan !angkah berikut:
• lakuki:m regresi persamaan (5.52) dan dapatkan residulnya (RES 2)

• dapatkan nilai F2 = lnY- RES2
3. Dapatkan nilai Z1= In F1- F2 dan l2 =antilog F2- F1

4. Estimasi persamaan berikut ini:
(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______
~ .
~---
Contoh 5.9. Pemilihan Model Fungsi Regresi Permintaan lmpor Indonesia

Kita akan mengaplikasikan metode MWD dalam kasus regresi model sederhana permintaan
impor Indonesia pada periode 1980-2002 dimana GOP riil tahun 1993 hanya satu-satunya
variabel independen. Data-data yang digunakan ada di lampiran bab 5. Model lmpor baik
dengan model linier maupun log linier kita tulis sbb:
I: =Yo + r1X1 + et (5.55)

In I: = A-0 + ~ InX1 + V 1 (5.56)
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 regresi linier

~ = -5979,537 + 0,0991X 1
(5.57)
t (-2,0699) (10,7337)
R
2
=
0.8458
• Hasil regresi log-linier
In Y; = -5,6056 + 1,2408ln X 1
(5.58)
t (-3,6411) (10, 1180)
R2 =0,8298 .
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
Contoh 5.9. Lanjutan ...(

t -,-
Y; = -9132,797 + 0,1121X, -:-661.91,0621 (5.59)

t (-215592) (818030) (-1.4340)
R 2 = 018603 n -
II
Nilai t hitung koefisien Z 1 pada persamaan (5.59) adalah -1 14340 sedangkan nilai kritis tabel d
t pada a=1% 1 a=5% dan a=10% dengan df 20 masing-masing adalah -2~845; 2 152,8 dan
1 72!:i. Dengan demikian varia bel Z 1 tidak signifikan secara statistik melalui uji t sehingga kita
I
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:
~
ln Y, = -10,3179 + 1,6257ln X, + 0,00032 2 (5.60)

t (-215747) {419838) (112705)
R
2
=018425
Pad a persamaan (5.60) inil nilai t hitung koefisien Z2 = 1,2705 sedangkan nilai kritis tabel
pada a=1% 1 a=5% dan a=10% dengan df 20 masing-masing adalah -2~845; 2 1528 dan
1 725 sehingga varia bel Z 2 melaliJi uji t tidak signifikan. Kita harus menolak hipotesis nul
I
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
Lampiran 5.1. Metode Kuadrat Terkecil (OLS) Regresi Berganda

Sebagaimana metode OLS untuk regresi sederhana, tujuan metode OLS untuk regresi
berganda adalah a·gar dapat meminimumkan residual kuadrat "f.e;2 = :E(f; - Y; ) dimana
2
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
L:cr;- Po- /J,xlf:: /J2Xu) =o . (4)
:LXIl(.Y;- Po- /i,x,,- P2Xz) =0 (5)
LXz;(Y;- Po- /J,X,;- P2X2,) = 0 (6)
Dengai1 meman!pulasi persamaan (4}, (5) dan (6) tersP-but maka kita akan
menghasilkan persamaan yang dikenal dengan persamaan normal (normal equatior.)
yakni:
If; = n/Jo + /J, IX1; + P2 IX2; (7)
LXliY; =PoLX1; +P1 LX~; + LX1;X2; (8)
..~
~ ..
~
""--------
~
~-===
~-.-
,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
Lampiran 5.3. Produksi Rata-rata Padi, Pf:mggunaan Bibit, Penggunaan pestisida

dan penggunaan pupuk di 23 Propinsi pada tahun 1994 '>
Produksi Rata-rata Rata-rata Rata-rata Produksi Rata-rata Rata-rata Rata-rata

rata-rata per Penggunaan penggunaan penggunaan rata-rata per Penggunaan penggw1aan penggunaan
hektar (kg) Bibit per pestisida per pupuk per hektar (kg) Bibit per pestisida per pupuk per
hektar (kg) hektar (kg) hektar (kg) hektar (kg) hektar(kg) hektar (kg)
tYl {XU . (x2) (x3) (Y) (X1) (X2) (X3)
5236 30,82 5,82 357,02 4342 30,17 2,03 329,27
5270 42,78 5,80 441,69 2731 35,82 0,77 81,15
5551 48,45 0,48 390,86 2316 23,40 0,07 117,47
5431 45,95 2,98 438,17 2996 23,38 0,44 162,09
4076 56,28 1,54 153,54 2765 29,96 1,22 75,44
4060 37,41 1,74 241,28 4284 42,18 0,75 224,42
4664 42,08 0,75 292,42 3388 42,64 1,36 104,52
3293 40,23 1,09 162,35 4401 34,69 1,69 210,71
3420 37,34 0,46 90,95 3448 38,92 1,69 140,24
3542 42,48 1,24 163,35 5.294 32,97 2,38 278,68
3560 45,02 1,09 177,56 4539 43,42 0,36 264,96
4342 30,17 2,03 329,27 3147 45,16 0,92 160,00
Sumber: Ongkos dan Struktur B1aya Produksi Padi dan Palawija tahun 1994, BPS
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
LAMPIRAN RUNNING EVIEWS BAB 5 d

(I
1. Ekspor Pakaian jadi ke Jepang p .--
Contoh pertama regresi pad a bab 5 adalah -ekspor pakaian jadi ke Jepang pad a
periode 1985-2000. Model yang digunakan adalah model eskpor sisi penawaran. Model
regresinya sbb: 1.:
n
( 1)
T
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
Date: 08107JlJ4 Time: 20:02
Sample: 1985 2000
_
--l
Included observations: 16
Variable Coefficient Std. Error t-Statistic Prub.
c -4067.496 4584.454 -0.887237 0.3811

X1 7.815037 1.818575 4.297340 0.']009
X2 1 OU1.85G 130.30/3 7.588406 0.0000
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)
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)
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.
c 5.584094 0.408175 13.68064 0.0000

LOG(X1) 0.226978 0.100411 2.250520 0.0365
LOG(X2) 0.048945 0.025051 1.953823 0.0656
LOG(JG) 0.351872 0.044586 7.892020 O.!JOOO
-----
R-squared 0.862508 Mean dependent var 8.263121
Adjusted R-squared 0.840799 S.D. dependent var 0.245757
S.E. of regression
Sum squared resid
0.098057
0.182688
.. Akaike info criterion
Si::hwarz criterion
-1.649766
-1.452289
Log li!<elihood 22.97231 F-statistic 39.72996
Durbin-Watson stat 2.303450 Prob(F-statistic) 0.000000
3. Uj! Perubahan Strukutral: Uj! Chow

Contoh ketiga dalam bab 5 adalah uji ada tidaknya perubahan struktural dalam
permintaan impor Indonesia periode 198C.2000 dengan tahun 1991 sebagai tahon
perubahan_ Adapun modelnya sbb:
(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
4. Pemilihan Fungsi Regresi

4.1. Metode Informal melalui Sketergram
Sebelum kita menggambar sketergram kita siapkan dulu filekerja kita yakni data lmpor · dil
(Y) d::m GDP (X) r.leng:m periode W3k~u 1980-2002. File !<.erja kita da!)at diiil .at dalam
Tampilan berikut ini: ...
Ki·
Tampilan 5 La
sir
Setel?h klta r.emplinyai tile kerja maka Ta
v~P.~__!!j:c_~~oldj\_S~FetchlSio<elo~e_IG;,j!;~ selanjutnya kita bisa membuat sketer9ram
Range: 1980 2002 Filt1:r·. • Default Eq: None
antara variabel dependen dengan setiap Ta
-
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
,- -
"'..
~
~
~
'"----
!"---
:
~-=--=-
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
4.2. Metode MWD

Sebelum kita menjalankan Eviews untuk metode MWD kita tulis kembali persamaan
permintaan impor baik linier maupun log linier sbb:
I:= Yo+ r,XI +el (4)

ln ~ = A-0 + A-1 In X 1 + V 1 (5)
dimana Y = impor; X = PDB riil tahun dasar 93
• 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
Pada Tampilan 7 kemudian isi Ente~

.,.;
Equation dengan nama residual yahg
kita simpan. Misalnya nama residual
persamaan regresi linier adalah RES 1
maka ketik sbb:
RES1=Resid
Kemudian klik OK sehingga akan
muncul Tampilan 8 sbb:
..
Tampilan 8 1
--
Pada Tampilan 8 ini obyek baru
yakni residual regresi linier sudah
terbentuk dengan nama RES1.
Setelah membentuk RES1 maka
selanjutnya kita membentuk
variabel F1 yaitu : F -
F1::: Y- RES1 )-
c
Langkahnya Procs/Generate dan c
L
ketik variabel yang ingin kita bentuk [
l:=
dengan cara seperti Tampilan 7.
T
• Langkah Kedua
Langkah kedua sama seperti langkah pertama yakni melai<ukan regresi model log
linier, yaitu K!ik Quick/Estimate kemudian menulis nama variabel di dalam spesifikasi
persarT'aan yakni dengan: Log(Y) c Log(X). Dalam Eviews log adalah logaritma natural
nlo
(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:
r;=Yo+ y,X,t + Y2Zt + et (6)

lnl'1 = A-0 +A-,lnX 11 -rA-2 Z 2 +v 1 (7)
Hasil regresi Persamaan (6) dan (7) dapat dilihat dalam Tampilan 9 dan 10 sbb:
Tampilan 9
Date: 08107104 Time: 18:42
Sample: 1980 2002
Variable Coefficient Std. Error t-Statistic Pro b.
c -9132.797 3568.578 -2.559226 0.0187

" 0.112105 0.012735 8.802967 0.0000
Z1 -65191.06 45966.43 -1.439987 0.1653

Adjusted R-squar"d 0.846344 S.D. dependent var 10494.20
S. E. of regression 4113.622 Akaike infc criterion 19.60310
Sum squar~d resid 3.38E+OB Schwarz criterion 19.7512'1
Log likelihood -222.4357 F-statistic 61.58832
Durbin-VVatson stat 0.766871 Prot.(F-statistic) 0.000000
Tampilan 10
Date: 08107104 Time: 19:05
Sampl": 1980 2002
lnciL•deci observation~: 23
va~iable Coefficient Std. Error t-Statistic Pro b.
c -10.31788 4.007380 -2.574718 0.0181

LOG (X) 1.62571"0 0.326197 4.983832 0.0001
Z2 0.000282 0.000222 1.270515 0.2185
R-squared 0.842497 Mean deper.dent var 9.965714

Adjusted A-squared 0.826747 S.D. dependent var 0.469994
S. E. of regression 0.195629 Akaike info criterion -0.304088
Sum squared resid 0.765413 Schwarz criterion -0.155980
Log likelihood 6.497011 F-statistic 53.49097
Durbin-Watson stat 0.632404 Prob(F-statistic) o.nooooo
\
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.
6.1. Karekteristik Variabel Kualitatif

Harga, produksi, penjualan adalah beberapa contoh variabei yang datanya
bers!fat kuantitatif. Namun, bila kita rnembicarakan masalah jenis kelamin, warna kulit,
tingkat pendidikan, status pe::rkawintln da!am data cross section h-Jrarti k!ta
mernbicarakan variabel bersifat kualitatif. Variabel-variabel kualitatif ter3ebut sa11gat
mempengaruhi perilaku agen-agen ekonomi. Begitu pula dalam data time series. data
kualitatif seperti krisis e::konomi tahun 1997 sangat berpe:-~garuh terhadap perilaku
agen-agen ekonomi.
Di dalam regresi kita bisa memasukkan variabel kualitatif tersebut di daiam
model regresi. Contoh,lya benarkah terjadi diskriminasi gender dc:lam pekerjaan
sehingga terjadi adanya 9erbedaan gaji antara pek8rja wanita dengan pria. Selain
memasukkan lamanya masa kerja sebagai variabcl independen kuantitatif yang
109
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)
Dimana: Y = gaji karyawan tahunan

D = 1 jika karyawan pria
= 0, jika bukan pria (karyawan wanita)
Persamaan (6.1) adalah model regresi sebagaimana model regresi sederhana
pada bab 3 sebelumnya kecuali variabel independennya bersifat kualitatif. Variabel
kualitatif ini kemudian dikuantitatifkan dengan teknik variabel dummy. Model tersebut 6.~
menjelaskan apakah jenis kelamin akan berpengaruh terhadap gaji karyawan dengan 6.~
asumsi varia bel lain selain jenis kelamin dianggap tetap. Dalam persamaan (6.1)
diasumsikan residual memenuhi asumsi metode OLS yaitu Ni!ai harapan (expected dal< ,
value) atau rata-rat;3 dari va:iab91 gargg 1J2n ei ad31ah n'JI, ·1arian da;i res:dua! ei eke
konstcm dan tidak ada serial korelasi antara residual ei . indf
Hipotesis nul pad a persamaan (6.1) adalah tidak ada diskriminasi jenis kelamin rea_,
(gender' dalam soal gaji karyawan ( H0 : f3,= 0). Karena residualnya memenuhi asumsi bisc
OLS, kita dapat rnengestimasi ~ ersamaan {6.1) terse but dengar metode OLS. Setelah be,j
diestimas1. kemudian kita dapat menentukan apakah estimator f3 1 secara statistik
signlfikan melalu' uji t. Jika parameter estimasi dalam rewesi yakni f3 1 signifikan secara in dE
statistik, maka memang terjadi perbedaan gaji antara karyawan wanita dan karyawan gaji
pria. Oari persamaan tersebut maka nilai rata-rata (expected value) dari masing-masing
karyawan pria dan wanita sbb:
Karyawan pria: E(f; ID = 1) = f3o + f3 1 (6.2) Dim
Karyawan wanita: E(f; ID = 0) = f3o (6.3)
_:.'
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
gaji karyawan wanita
} Po
=----------~------Jenis kelamin
Gambar 6.1. Gaji Karyawan Pria dan Wanita
6.2. Regresi Dengan Satu Variabel Kualitatif

6.2.1. Regresi Variabel Kualitatif pada data Cross section
Model yang kita kembangkan dalam persamaan (6.1) ~eringkali kita temui
dalam penelitian-penelitan psikologi, penelitan bisnis namur. jarang kita temui dalam
· ekonomi. Secagia;-J besar pene!itiar. ekor.omi akc.n terdiri rjari beberapa variabel
independen baik bersifat kuantitatif maupun kualitatif. Oleh karena itu, agar lebih
re(l.listik menjelask.:m masalah gaji karyawan pada pembahasan sebelumnya maka kita
bisa memssukkan beberapa varialel indep~nden yang mempengaruhi gaji dalam
~-'J3ntuk variabe! kuantitatlf.
Misalkan selain ~enis kelamin, sekarang kita juga memasukkan variabel
independen kuantitatif yakni masa kerja karyawan sebagai faktor yang mempengaruhi
gaji seorang karyawan. Modifikasi persamaan (6.1) tersebut sbb:
(6.4)
Dimana: Yi =gaji karyawan tahunan

xi = masa kerja karyawan (tahun)
Di = 1 jika karyawan pria
= 0, jika oukan (karyawan wanita)
~
"------
.. -.
~
~
!::_ _____ _
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:
Karyawar. Pria: E(l',ID = 1) = (f3o + /31) + fJ1Xi (6.5)

Karyavvan wanita: E(l', ID = 0) = /3 0 + /32X; (6.6)
Y (gaji kalyaw::tn)
Karyawan pria
13o
X (m3~2 kerja)
Gambar e.2. Perbedaan Gaji Karyawan Wanita dan Pria
Model persamaan (6.4) secara geometrik dapat diartikan t ah Na gaji karyawan

pria dcm perempuan dalam h· •Jung3nnya dengan masa kerja mempur.yai kemiringan
atau slope sama (13 2 ) · tetapi berbeda lntersepnya (13o). lihat gam bar 6.2. Dengan kata
lain, tingkat gaji rata-rata karyawan pria berbeda dengan gaji wanita berbeda r 3da awal
masa kerja dengan perbedaan sebesar p,. Namun demikian keduanya mempunyai
tingkat perubahan (kenaikan) gaji yang sama setiap tahunnya yaitu sebesar slope (132).
Gaji karyawan wanita dalam h.ql ini merupakan kelompok pengontrol. ·
_,..·
~
~
_,.-
1,·
Bab a. Regresi Dengan Variabel Kualitatif 113
Contoh: 6.1. Pengeluaran Mahasiswa

Misalkan kita ingin menganalisis apakah pengeluaran mahasiswa per bulan (Y) selain
dipengaruhi oleh uang kiriman dari orang tua (X) juga dipengaruhi oleh jenis kelamin (D).
Data hipotetis terhadap 16 mahasiswa yang kuliah di Yogyakarta ditampilkan dalam tabel
6.1. Jenis kelamin diduga akan sangat berpengaruh terhadap pengeluaran mahasiswa.
Kebutuhan wan ita lebih besar dari kebutuhan pria sehingga diduga pengeluaran mahasiswa
wanita akan lebih banya~ dari mahasiswa pria.
a e .. a a surve1 1pote fIS penge uaran ma hasiswa

Lamp1ran Tbi61Dt
N y X 01 Dz N y X 01 Dz
1 575 600 1 0 9 640 675 0 0
2 640 650 1 0 10 650 700 0 0
3 560 600 0 0 11 730 750 1 0
4 675 700 1 0 12 750 775 1 0
5 575 625 0 0 13 875 900 1 1
6 600 I 650 0 0 14 795 800 0 1
7 840 850 1 1 15 675 725 0 0
8 700 725 1 0 "16 885 900 0 1
I
0 1::: Jenls kelamm d1mana 1 untuk wan1ta dan 0 untuk pna
..
dan 0 2 = kepem!likan mobil
dimana 1 untuk yang mempunyai mobil dan 0 yang tidak.
Model regresi sbb:
(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:
Y; = -85,2984 + 1~,9035D + 1,0683X; (6.8)

t (-3.6411) (2,2735) (32,8943)
R2 = 0,9889 F= 576,4637
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)
Mahasiswa wan ita J?; = -71,3949 + 1,0683X; (6.1 0)
,-"-----·
6.2.2. Regresi Variabel Kualitatif Dengan Lebih Dari Dua Kelas

Pada pembahasan sebelumnya; kita menggunakan variabel independen
kualitatif dengan dua kelas. Misalnya jenis kelamin akan terdiri dari pria dan wanita.
Dalam banyak kasus, variabel kualitatif seringkali mempunyai lebih dari dua kelas.
Misalnya dalam hal tingkat pendidikan Dosen, dapat dikategorikan menjadi Sarjana (S-
1), master (S-2) dan Doktor (S-3). Kita akan memberi contoh variabel kualitatif dengan
lebih dari dua kelas pada gaji dosen. Apakah tingkat pendidikan mempengaruhi gaji
yang diterima. Kita mempunyal tiga atribut untuk variabel kualitatif, sehingga
berdasarkan aturan mai11 variabel dummy maka kita hanya memerlukan 2 variabel
dummy untuk membentuk model regresi tersebut. Adapun model regresi dap3t ditulis
sbb:
(6.11)
Dimana: Yi =gaji dosen tahunan

xi = masa kerja dosen (tahun) 6.2
01i = 1 jika S-2
=0, jika tidak
= 1, jika S-3 dia~
= 0, jika tidak eko1
van;
Hipotesis nul tidak ada diskriminasi dalam soal gaji berdasarkan tingkat pendidikan peril
dapat dinyatakan H 0 [3 1 = 0 dan Ho: (3 2 =0. Jika parameter ostimasi [3 1 dan [3 2 signifikan Ordi
melalui uji t, rnaka kit<=~ akan rnenolak hipotesis tid<=~k <'ldanya perbedaa~ diskrimin<Js! ban)
gaji berkaitan d'3ngan tingkat pend!dikan. Dengan demikian arti dari persamaan (6.11 ). ·mas
dapat diinterpretasikan sbb: pertE
ini di
Ooscln ~ -3: E(Y; ID,; = 1, D2; = 1, X;) = (/30+ /3 2) + ,83 X. (6.12)
ekon
Dosen S-2: E( Y; jDu =1, D 2 ; = 0, X;) = (/3 0 + /3,) + /33 X; (6.13) terha
meru
Dosen S-1: E(Y, ID!i = 0, D2i = 0, xi) = f3o + /33 X; (6.14)
agen
dumr
men~
Kalau hasil tersehut digambarkan dalam sebuah grafik akan terlihat pada gambar 6.4. sectic
Dalam hal ini kelompok kategori dasar adalah dosen dengan pendidikan S-1 sehingga mem1
~o merupakan intersep untuk dosen S-1. lntersep [3 1 dan [3 2 menujukkan berapa besar pad a
perbedaan intersep dosen dengan pendidikan S-2 dan dosen dengan pendidikan S-3. men a
Sel2~ ~
~
-p- - -
@
o<
~
~···-
"'---
, __
'
Gaji (Y)
Dosen S-3 ,--
Dosen S-2
Dosen S-1
~2
Masa kerja (X)
Gambar 6.3. Perbedaan Gaji dosen S-1, S-2 dan S-3
6.2.3. Regresi Variabel Kualitatif Pada Data Time Series

Pembahasan penggunaan variabel kualitatif dengan teknik variabel dummy baru
diaplikasikan pada contoh data cross section. Dalarr. banyak hal pekerjaan
ekonometrika sangat terkait dengan data time series. l<ita akan mencoba memasukkan
variabel kualitatif dalam regresi dengan data time se,fes. Misalnya dalam menganalisis
perilaku konsumsi masyarakat Indonesia dengan menggunakan data time series sejak
Orde baru sampai saat ini yakni katakanlah dari 1970-2003. Selama periode tersebut
banyaL-. kejadian-kejadian yang sangat berpengaruh terhadap perilaku ekonomi
-masyarakat. Contoh yang paling aktual adalah krisis ekonomi yang terjadi pada
pertengahan tahun 1997. Pertanyaannya, bagaimana kita memasukkan krisis ekonomi
ini di aalam persamaan re(jresi?
·· Misalkan kita akan rr.enganal!sis dampak ·~risis ekonomi terhadE~p impor. Krisis
ekonomi telah rr.enurunka 1 pendapatc.il masyarakat dan selanjutnya berpengaruh
terhadap kon~umsi masyarakat, termasuk impor barang. Krisis e~onomi 1997 ini
merupakan variabel ir.dependen Kualitatif yang berpengaruh terhadap pelaku agen-
agen ekonomi. Sep8rti dalam data cross section, kita bisa menggunakan teknik variabel
dummy untuk memasukkan variabel kualitatif dalam model regresi. Di dalam
mengkuant!tatifkan variabel kualitatif dalam data time series sama dengan data cross
section. Nilai 1 untuk variabel yang mempunyai atribut dan nol untuk yang tidak
mempunyai atribut. Karena datanya adalah time series maka nilai 1 akan diberikan
pada periode setelah 1997 dan nol untuk periode sebelum tahun 1997. Kita akan
menganalisis model sederhana impor dimana impor hanya dipengaruhi oleh GOP.
Selain itL kita juqa memasukkan :Jisis ekonomi sebagai varaibe! independen. Model
~
E:!- " ..
:________
-~.--
~-==
.-.--
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:
Sebelum krisis: E(Y,ID = 1) = {J0 + {J 2 X 1

. (6.16)
Selama krisis: E(Y, ID = 1) = ({3 0 + {31 ) + {J2 X 1
(6.17)
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
~
Y, = -10110,97- 6351,085D97 +0,ll86X 1

(16.18) Dos ,
t (-3,4199) (-2,7074) (10,9596)
R 2 =0,8872 F=78,6:;o3
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
Sebelum krisis Y, = -10110,97 + 0,1186X 1

(16.19)
Selc;ma krisis }: = -16462,055 + 0,1186X 1

(16.20)
Dose
,.______
!t::::=
"-.-
~=--
6.3. Regresi Dengan Lebih Dari Satu Variabel Kualitatif

Teknik variabel dummy dapat diperluas seandainya kita ingin memasukkan
lebih dari satu variabel kualitatif dalam persamaan regresi. Misalnya kita kembali soal
besarnya gaji dosen antara pria dan wan ita dalam persamaan (6.11 ). Namun sekarang
variabel dummy adalah jenis kelamii1 pria atau wanita dan juga jabatan akademiknya
apakah sudah profesor atau belum. Model persamaan regresinya sbb:
(6.21)
Dimam: Yi = gaji dosen tahunan

xi = masa kerja dosen (tahun)
o,i = 1 jika pria
=0, jika bukan
= 1, jika Profesor
= 0, jika tidak
Tidak adanya diskriminasi dalam soai gaji baik berdasarkan jenis kelamln maupun
jabatan akademiknya dapat dinyatakan Ho: (3 1 = 0 dan Ho. [3 2=0. Jika parameter estimasi
[3, dan [3 2 signifikan me!alui uji t, maka kita akan menolak hipotesis tidak adanya
perbedaan diskriminasi gaji karena jenis kelamin maupun jabatan aKademiknya.
Dengan demikian arti dari persamaan (6.21) dapat diinterpretasikan menjadi empat
kemungkinan sbb:
Dosen pria dan Profesor:

"
E(Y; IDli = 1, Dz; = 1, X,)= (f3o + /31 + f3z) + /33 X,. (6.22)
Dosen pria dan bukan profesor:
(6.23)
Dosen wanita dan profesor:
(6.24.)
Dosen wanita dan bukan profesor:
(6.25)
"'-
r.::--
~
~
...
~
~--
Contoh 6.3. Pengeluaran Mahasiswa

Kita kembali mengambil contoh analisis pengeluaran mahasiswa sebelumnya. Namun kita
sekarang menambah satu v:~riabel independen yang bersifat kualitatif yaitu kepemilikan
mobil. Mahasiswa yang kuliah dengan mempunyai mobil tentunya diharapkan akan
mempunyai pengeluaran yang labih dibandingkan dengan mahasiswa yang tidak ada
fasilitas mobil sehingga berhubungan positif dengan pengeluarannya. Data yang diperlukan
ada di Tabel 6.1.
Mahasiswa yang mempunyai mobil diberi angka 1 dan yang tidak diberi angka 0. Adapun
(6.26)
Dimana: Y = pengeluaran mahasiswa; X =uang kiriman mahasiswa

D1 = 1 jika wanita 0 2 =1 jika r.:empunyai mobil
=0 jika pria =
0 jika tidak mempunyai mobil
Hasil regresinya ditampilkan pada persamaan regresi sbb:
f; = -15,7700+ 17,6013D1; + 27,1251D 2; + 0,9607 X.- (6.27)

t {-0,4523) {18,4149) {3,2435) (2,4321)
2
R =0,9925 F=531,5863
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:
• Mahasiswa pria tidak mempunyai·mobil: f; = -15,7700 + 0,9607 x . (6.28) 6.~
Mahasiwa pria mempunyai mobil f; = 11,3551 + 0,9607 x . (6.29)

reg
• Mahasiswa wan ita tidak mempunyai mobil f; = U~313 + 0,9607 X; (6.30)
Mi~
• · Mahasiswa wan ita mempunyai mobil Y; = 28,9564 + 0,9607 X.- (6.:31) yar
per
Kal
Setelah kita membahas teknik variabel dummy dalam mengkuantitatifkan variabGI ·
kualitatif, ada beberapa hal yc:.ng perlu diperhatikan dal3m menggunakan teknik
variabel dummy dalam mengkuantitatifkan variabel kualitatif yakni:
1. Kalau ada dua kategori maka hanya digunakan 1 variabel dummy karena satu
variabel dummy sudah mampu membedakan dua atribut. Jika kita hanya
c -
i·
~
"'------
-,-
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:
Karyawan wanita: EC.Y;!D = 1) = (j3 0 + ,B,) + /3 2 X; ,B, < 0 (6.32)

Karyawan pria E(Y;ID = 1) = fio + ,82 X; (6.33)
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.
·· 6.4. Regresi Linier Dengan Dua Segmen

Seringkali terjadi bahwa p~rilaku ekonomi kalau c!igambarkan dalarn garis
regresi menu11jukkan garis regresi yang terplsah menjadi dua segmen yang berbeda.
Misalnya dalam kasL " komisi penjualan seorang sales penjualan. Besar kecilnya komisi
yang diterima tergantung dari volume penjualan. Namun demikian ada batas minimum
penjualan (threshold) yang harus dicapai seorang sales agar komisinya semakin besar.
Kalau !<ita ga;nbarkan dalam garis regresi akan tampak pada gambar 6.4. '
Persoalan yang timbL·: dalam korelasi yang sempurna antar varia bel independen akan dibahas detil
daiam bab I.
I
[
Korriisi (Y)
I -~
Ji
/ Kc -
/
/
/
/ X· Volume penjualan (X)
/ Kc
/
Gambar 6.4. Garis Regre:si Dengan Dua Segmen
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)
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:
Komisi dibawah volume penjulan minimum:
(6.35)
Komisi diatas penjualan minimum:
(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::
-,-

Hasilnya ditampilkan pada persamaan regresi sbb:
Y;" = -181,8182 + 200,00D + 145,4545X; (6.37)

t (-1,0790) (6,6112) ( 5,0662)
2
R =0,9896 F=331,7708
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:=
::...__:___.
1.~o =leo dan ~ 1 = "-1o kedua garis regresi sama

2. ~ 0 * "-o
dan ~ 1 = "- 1 , kedua garis regresi berbeda dalam hal intersep sedangkan
slopenya sama
(6.'37) * "-
3. ~ 0 = "-o dan ~ 1 1, kedua garis regresi berbeda dalam hal slope sedangkan
intersepnya sama
4.~ 0 * * "- 1 ,
"-o dan ~ 1 kedua garis regresi berbeda baik intersepnya maupun
slopenya.
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·
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
Gambar 6.5. Berbagai Kemungkinan Ragresi Permintaan lmpor
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:
masa sebelum krisis ekonomi E(Y; ID = 1) = /3 + /3 X;

0 2 (6.41)
masa selama krisis ekonomi E(Y; ID = 1) = (/3 + /3 + (/3
0 1) 2 + /33 )X; (6.42)
...
Dalam persamaan (6.40), P1 merupakan intersep pembeda kedua regresi yang
menunjukkan seberapa besar perbedaan ·intersep sebelum krisis ekonomi dan setelah
krisis ekonomi. Sedangkan P2 merupakan slope pembeda yang menunjukkan seberapa
besar slope berbeda di dalam kedua periode penelitian tersebut.
· Contoh 6.5. Dampak Krisis ekonomi Terhadap Permintaan lmpor

Sebelumnya pada contoh 6.2 kita sudah membahas dampak krisis ekonomi terhadap impor
dengan hanya menganalisis dari sisi perbedaan intersep atau konstanta. Namun krisis
ekonomi tidak hanya berpengaruh terhadap intersep tetapi juga slope garis regresi. Atau
·dengan kata lain kita ingin menganalisis apakah memang terjadi ·perbedaan garis regresi
sebelum dan selama krisis ekonomi. Hasil regresi perb~daan dua regresi dengan teknik
variabel dummy sebelum dan selama krisis ekonomi dapat dilihat pada persamaan (6.43).
f; =-9564,941-40994,20D97+0,11647Xi +0,0865(D97X,)_..,/ (6.43)

t (-3,2432) (0,14695) (10,7804) (1,2462)
( R2 = 0,8957 F =54,3910
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.
-·-
_,_
1. Regresi Pengeluaran Mahasiswa

Contoh pertama regresi dengan variabel independen kualitatif adalah pengeluaran
mahasiswa dengan sampel hipotetis 16 mahasiswa. Adapun modelnya sbb:
(1)
1
Dimana: Y =pengeluaran mahasiswa (ribuan Rp)
X =uang kiriman mahasiswa (ribuan Rp) ~I -
01 = 1 jika warllta
= 0 jika pria.
Kita tidak akan tampilkan langkah-langkah dalam membentuk filekerja, silahkan

pembaca mencoba sendiri. Hasil estimasi persamaan (1) tersebut sbb:
Tampilan 1
Date: OBAJ7104 Time: 20:50
Sample: 1 16
Included obse!Vations: 16
c -85.29843 23.42642 -3.641122 0.0030

01 13.90349 6.115339 2.273543 0.0406
X 1.068262 0.032476 3"!.89428 0.0000

Adjusled R-squared 0.987135 G. D. dependent var 106.0184
S. E. of regression 12.02516 Akaike info cr:~erion 7.979241
Sum squared resid 1879.859 Schwarz criterion 8.124101
Leg likeiihc;ud -60.03392 F-statistic 576.4637 ·o
Durbin-Watson ste>l .,_a3G053 P~ob(F-statist!c) LJ .oor..;QOO I
2. Dampak Krisis Ekonomi Terhadap lmpor

Contoh kedua variabel independen kualitatif adalah pada data time series. Kita
memcoba menganal!sis apakah benar krisis ekonomi tahun 1997 berpengaruh terhadap
i!llpor Indonesia. Periode. penelitian di!akukan pada tahun 1980-2002. Model
(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
\
Date: 08107104 Time: 21: 15
Sample: 1980 2002
Variable Coefficient Std. Error t-Statislic Pro b.
c -10110.97 2956.535 -3.419872 0.0027

097 -6351.085 2345.806 -2.707421 O.D136
X 0.118573 0.010819 10.95957 0.0000
R-squared 0.887179 Mean depend!!nt var

Adjusted R-squared 0.875897 S.D. depende:;t •Jar
S.E. of regression 3696.918 ~.kaike info criterion
Sum squared resid 2.73E-+{)8 Schwarz criterion
Log likelihood -219.9792 F-sta!istic
Durbin-Watson &tat 0.941080 Prob(F-etatistic)
3. Regresi Pengeluaran Mahasiswa dengan 2 Variabel Kualitatif

Kembali regresi penge!uaran mahasiswa, sekarang variabel kualitatifnya ada dua yaitu
jenis kelamin dan kepemilikan mobil. Model regresinya sbb:
(3)
'Dimana: Y = pengeluaran mahasiswa (ribuan Rp)

X =uang kiriman mahasisv.ta (ribua 1 RiJ)
01 =1 jika wanita
= 0 jika pria.
02 =1 jika mempLmyai mobil
= 0 jika tidak
~-
~ ~
~
;
~--
EL---
Tampilan 3
Date: 08/07104 Time: 21 :08
Sample: 1 16
c -15.77001 34.86366 -0.452334 0.6591

01 17.60132 5.426661 3.243489 0.0070
02 27.12513 11.15285 2.432126 0.0316
X 0.960689 0.052169 18.41433 O.LlOOO
R-squared 0.99253:<! Mean dependent var 697.8125

S.E. of rngression 10.24357 Akaike info criterion 7.703496
Log likelihood -57.62797 F-statistic 531.5863 y
y
tl
4. Perbandingan dua Regresi tl
Pada Contoh 6.5 kita membahas masalah perbandingan dua regresi dengan a
menggunakan teknik variabel dummy. Adapun langkahnya sbb: Quick/estimate n
equation kemudian tulis persamaan sbb: (I
Y C 097 X D97*X k
Hasilnya ditampil!<an dalam Tampilan 4 0
S'
Tampilzn 4 kt
Dependent Variable: Y b;
· Method: Least Squares
Date: C51118104 Time: 03:53 rr
Sample: 1980 2002 dt
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
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_____
"·
~
~
.,.--
~
-!:~
•-
!!!!!!!!
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.
7.1. Sifat dan Konsekuensi dari Multikolinieritas

Di dalam prakteknya kita seringkali menemui adanya hubungan yang erat
antara variabel independen di dalam suatu model regresi. Misalnya di dalam
menganalisis pengeluaran tabungan masyarakat. Di dalam teori tabungan dijelaskan
bahwa selain pendapatan keluarga, kita bisa memasukka'l variabel kekayaan keluarga
yang rn8mpengaruhi tabunyan. Kita bisa menduga bahwa variabel independen
pendapatan dan kekayaan akan saling herhubt.:ngan erat. ·
Kita akan membahas masalah multikolinieritas ini dengan mengamhil contoh
teori tabungan. Model regresi teori tabungan tersebut dapat ditulis dalam pers3me~an
regres; sbb:
Y; = f3o + fJ1XIi + fJ2X2; + e; (7.1)
dimana Y = tabungan; X1= pendapatan;X2= kekayaan
Hubungan linier antara variabel independen di dalam regresi berganda dalam

persamaan (7.1) disebut multikolinieritas (multicollinearity). Hubungan linier antara
variabel independen dapat terjadi dalam bentuk hubungan linier yang sempurna
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
~ ~
error untuk (J, dan /3 2 sbb:
(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:
1. estimator masih bersifat BLUE dengan adanya multikolinieritas namun estimator

mempunyai varian dan kovarian yang besar sehingga sulit mendapatkan
estimasi yang tepat.
2. Akibat no 1 ,maka maka interval estimasi akan cenderung lebih Iebar dan nilai
hitung statistik uji t akan kecil sehingga membuat variabel independen secara
statistik tidak signifikan mempengaruhi variabel independen
3. walaupun secara individu variabel independen tidak berpengaruh terhadap
variabel dependen melalui uji statistik t, namun nilai koefisien determinasi (R 2)
masih relatif tinggi.
7.2. Deteksi Multikolinieritas

Model yang mempuny2i standard error besar dan nilai statistik t yang rendah,
· dengan demikian merupakan indikasi awal adanya masalah multikolinieritas dalam
model. Namun, multikolinieritias dapat terjadi jika modP-1 yang kita punyai merupakan
model yang kurang bagus. Bagaimana kita bisa secara pasti mengetahui bahwa suatu
model mengandung masalah multikolinieritas? Ada beberapa metode unt•.1k mendeteksi
masalah multikolinieritas dalam suc.~tu model regresi.
7.2.1. Nilai R2 Tlnggl Tetapi Hanya ·SedikU Variabel lndependen

yang Slgnlflkan
Salah satu clrl adanya gejala multikol!nierltas adalah model mempunyai
koefisien· determlnasl yang tinggi (R2) katakanlah diatas 0,8 tetapi hanya sedikit varia bel
lndependen yE:ng signifikan mempengaruhi variabel dependen melalui uji t. 2 Namun
berdasarkan uji F secara statistik signifikan yang berarti semua variabel independen
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
~
Y = -0,5107 +0,6155X 1 -0,0107X 2 (7.7)

He: '•
t (-0,11707) (1 '1124) (-0,4268) pn
R
2
=0,8895 F = 28,18"12 be
dimana:Y =tabungan; X 1= pendapatan; x~ =kekayaan ge.
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
7.2.2. Koi"elasi Parsial Antar Variabellndependen

Sebagaimana dijelaskan dimuka bahwa pengertian multikolinieritas adalah
hubungan linier antara variabel independen di dalam regresi. Oleh karena itu kenapa
kita tidak mendeteksi multikolinieritas dengan menguji koefisien korelasi (r) antar
variabel independen. 3 Sebagai aturan main yang kasar (rule of thumb), jika koefisien
korelasi cukup tinggi katakanlah diatas 0,85 maka kita duga ada multikolinieritas da!am
model. Sebaliknya jika koefisien korelasi relatif rendah maka kita duga model tidak
mengandung unsur multikolinieritas. Namun deteksi dengan menggunakan metode ini
diperlukan kehati-hatian. Masalah ini timbul terutama pada data time series dimana
korelasi antar variabel independen cukup tinggi. Korelasi yang tinggi ini terjadi karena
kedua data mempunyai trend yang sama karena data akan naik dan turun secara
bersamaan.
Contoh 7.2. Uji Multikolinieritas Dengan Korelasi

kita mengambil contoh model kinerja ekspor karet Indonesia periode 1980-2001 dengan
pendekatan sisi penawaran. Data ada di Lampiran. Adapun modelnya adalah sbb:
(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:
lnY; =-8,07:.J1+1,6131lnX 1, +1,'2531lnX 21 -0,0762lnX31 (7.9)

t (-3,1594) (4,4870) (5,0543) (-2,4354~
2
R =0,6610 F=11,7010
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
;;;;;;;
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)
Ln(X1) Ln(Xz) Ln{X3)

Ln(X1) 1.000000 -0.185878 0.247115
Ln(X 2 ) -0.185878 1.000000 0.454489
Ln(X3 ) 0.247115 0.454489 1.000000
7.2.3. Regresi Auxiliary

Pada uji korelasi, kita menguji multikolinieritas hanya dengan melihat hubtmgan
secara individual antara satu variabel independen dengan satu variabel independen
yar.g lain. Tetapi multikolinieritas bisa juga muncul karena satu atau lebih variabel
· independen merupakan kombinasi linier dengan variabel independen lain. Untuk
mengetahui apakah variabel independen X yang satu dengan variabel independen X
ya11g lain adalah dengan melakukan regresi setiap variabel independen X dengan sisa
variabel independen X yang lain. ~egresi yang kita lakukan ini disebut regresi auxilic:try.
Setiap koefisien determinasi (R 2 ) dari regresi 'lUA.iliary ini kita gu11akc>n untuk
menghitung dish·:busi F dan kemudian di!:Junakan untuk mengevaluasi apak&h model
mengar.dung muitikolinieritas atau tidak. Adapun formula untuk menghitung nilai F
hitung adalah sbb:
F. = RilX2X3...Xk /(k- 2) (7.10)

- I 2
(1- RxlxzxLXk )/(n- k + 1)
Di dalam persamaan (7 .1 0), n menunjukkan jumlah obser.;asi, k menunjukkan jumlah

variabel independen termasuk konstanta, dan R~ 1 x 2 xLx 4 adalah koefisien determinasi
r-
tf
;.-::=;
~
~
'
,·:----
~-------
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.
Contoh 7.3. Deteksi Multikolinieritas Dengan Regresi Auxiliary

Kita akan memberi contoh deteksi multikolinieritas dengan metode regresi auxiliary dengan
kembali kepada contoh regresi ekspor k;uet Indonesia periode 1980-2001. Hasii regresi
auxiliary berserta nilai statistik F sbb:
1. Regresi X1 dengan X2 dan X3

lnX 1 = 5,4943 -·0',2383lnX 2 +0,0330lnX3 (7 .11)
t (5,3111) (-1,6047) (1,7845)
2
R = 0,1731
Nilai F hitung untuk regresi auxiliary antara X1 dengan X2 Jan X3 sb'):

F = 0,1 ?31 /( 4- 2) = 0,0866 =
1 8867 (7 .12)
(1-0,1731)/(22-4) 0,0459 '
2. Regresi X:; dengan X1 dan X3

lnX 2 =8,8787-0,5009lnX 1 +0,06631nX3 (7.13)
t (7,3945) (-1 ,6047) (2,6830)
R
2
=0,3013
Nilai F hitung untuk regresi auxiliary ant2ra X2 dengan X1 dan X3
F = 0,3013/(4- 2) = 0,1507 = 8840
3 (7.14)
(1-0,3013)/(22-4) 0,0388 '
Contoh 7 .3. Lanjutan
3. Regresi X3 dengan X1 dan X2

-,.-
lnX3 = -43,5246 + 4,3527lnX1 + 4,1643lnX3 (7.15) (

~
--
t (-2,7459) (1,7845) (2,6930)
2
R = 0,3201 (
L
Nilai F hitung untuk regresi auxiliary antara X3 dengan X1 dan X2
F = 0,3201/( 4- 2) = 0,1600 = 4 2328 7.
(7.16)
(1-0,3201)/(22-4) 0,0378 '
tin
=
Sedangkan nilai kritis F tabel dengan a 5% dengan df 3,18 3, 16.= ya
Berdasarkan regresi auxiliary, terdapat multikolinieritas antara X2 dengan X1 dan X2 , antara me
X3 dengan X1 dan X2, karena nilai F hitung lebih besar dari F tabel. Sedangkan X 1 dengan X2
dan X3 tidak terdapat multikolinieritas karena nilai F hitung lebih kecil dari F tabel. Hasil ini 7.
berbeda jika dibandingkan uji hubungan linier antara variabel independen melalui uji
koefisien korelasi.
esl
tid
kiti
7.2.4. Metode Deteksi Klien mL
yai
Selain melakukan regresi auxiliary dengan mendapatkan koefisien
me
determinasinya R;.
1x 2 x3...x 4 , Klien menyarankan untuk mendeteksi masalah mL
multikolinieritas dengan hanya membandingkan koefisien determinasi auxiliary dengan
koefisien determinasi (R 2 ) model regresi aslinya yaitu Y dengan variabel independen 7.:
4
X. Sebagai rule of thumb uji Klien iili, jika R~ 1 x 2 xLx 4 1ebih besar dari R2 maka model 7.:
mengandung unsur mu!tikolinieritas antnra variabel inderendennya dan jik8 sel:'t~.. Jikr.ya
maka tidak ada korelasi antar variabel independen. me
var
hul
me
me
kit~
me
tab
Gujarati, M. Damodar, op.cit. p.361
r--
-
~
~- .. ·
~~-
Contoh 7.4. Deteksi Multikolinieritas Dengan Metode Klien

Untuk contoh metode Klien ini, kita kembali ke contoh regresi ekspor karet Indonesia
sebelumnya. Menurut Klien, multikolinieritas terjadi jika koefisien determinasi regresi auxiliary
lebih besar dari koefisien determinasi model aslinya. Dari perhitungan sebelumnya kpefisien
determinasi regresi auxiliary masing-masing adalah R;nx 2 x 3 = 0,1731, R~ 2 .nX3 = 0,3013
dan R~ 3 x 1 x 2 = 0,3201, sedangkan koefisien determinasi untuk regresi aslinya adalah R =
2
0,6610. Karena semua koefisien determinasi regresi auxiliary lebih kecil dari koefisien
determinasi regresi asli maka tidak terdapat rnasalah multikolinieritas.
L .
7.3. Penyembuhan Multikolinieritas

Jika model kita mengandung multikolinieritas yang serius yakni korelasi yang
tinggi antar variabel independen, maka apa yang harus kita lakukan? Ada dua pilihan
yaitu kita membiarkan model tetap mengandung multikolinieritas dan kita akan
memperbaiki model supaya terbebas dari masalah multikolinieritas.
7.3.1. Tanpa Ada Perbaikan

Multikolinieritas sebagaimana kita jelaskan sebelumnya tetap menghasilkan
estimator yang BLUE karena masalah estimator yang BLUE tidak memerlukan asurnsi
tidak adanya korelasi antar variabel independen. Multikolinieritas hanya menyebabkan
kita kesulitan rnemperoleh estimator dengan standard error yang kecil. Masalah
multikolinieritas biasanya juga tin,bul karena kita hanya mernpunyai jurnlah observasi
yahg sedikit. Dalam kasus terakhir ini berarti kita tidal\ punya pilihan selain tetap
· menggunakan model untuk analisis regresi walaupun meng?.ndung masalah
multikolinieritas.
7.3.2. Dengan Perbaikan

7.3 2.1. Menghilangkan Variabel lndependen
K '3tika kita menghadapi persoalan serius ten tang multikolinieritas, salah satu
metode sederhana yang bisa dilakukakan adalah dengan menghilangkan salah satu
variabel indepe:; 1den yang mempunyai hubungan linier kuat. Misalnya dalam kasus
hubungan antara tabungan dengan. pendapatan dan kekayaan, kita bisa
menghilangkan variabel lndependen kekayaan.
Akan tetapi menghilangkan variabel independen di dalam suatu model akan
menimbulkan bias spesifikasi model P'~gresi. Masalah bias spesifikasi ini tirr.bul karena
kita melakukan spesitikasi model yang salah di dalam analisis. Ekonomi teori
menyatakan bahwa pendapatan dan kekayaan merupakan faktor yang mempengaruhi
tabungan sehingga kekayaan harus tetap dirriasukkzn di dalarn mode!.
b-----
_, __
'-
~----
.._______
=-
-~---
-
!:::___
,.
-',-
l--,
7.3.2.2. Transformasi Variabel

~
Misalnya kita menganalisis perilaku tabungan masyarakat dengan pendapatan
re
dan kekayaan sebagai variabel independen. Data yang kita punyai adalah data time di
series. Dengan data time series ini maka diduga akan terjadi multikolinieritas antara
in
variabel independen pendapatan dan kekayaan karena data keduanya dalam
be ~
berjalannya waktu memungkinkan terjadi:1ya trend yakni bergerak dalam arah yang 0
sama. Ketika pendapatan naik maka kekayaan juga mempunyai trend yang naik dan
sebaliknya jika pendapatan menurun diduga kekayaan juga menu run.
Untuk mengatasi masalah multikolinieritas tersebut maka kita bisa 7
mengatasinya dengan melakukan transformasi variabel. Kita tulis kembali persamaan
(7.1) sebelumnya sbb: kc: ~
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,_,
Persamaan (7.20) tersebut merupakan bentuk transformasi variabel ke dalam

bentuk diferensi pertama (first difference). Bentuk diferensi pertama ini akan
mengurangi masalah multikolinieritas karena wala!upun pada tingkat le·.tel X, dan Xz
terdapat multikolinieritas namun tidak berarti pada tingkat diferensi pertama masih 5
terdapat korelasi yang tinggi antara keduanya.
a--
~
~
.--
;;____
Bab 7. Multikolinleritas 141
Transformasi variabel dalam persamaan (7.20) akan tetapi menimbulkan

masalah berkaitan dengan masalah residual. Metode OLS mengasumsikan bahwa
residual tidak saling berkorelasi. Namun transformasi variabel residual v1 = e1 - et_ 1
diduga mengandung masalah autokorelasi. Walaupun residual et awalnya adalah
independen, namun residual v1 yang kita peroleh dari transformasi variabel dalam '--
'
banyak kasus akan sa ling berkorelasi sehingga melanggar asumsi . residual metode
OLS. 5 .
7.3.2.3. Penambahan Data

Masalah multikolinieritas pada dasarnya merupakan persoalan sampel. Oleh
karena itu, masalah multikolinieritas seringkali bisa diatasi jika kita menambah jumlah
data. Kita kembali ke model perilaku tabungan sebelumnya dan kita tulis kembali
modelnya sbb:
(7.21)
dimana:Y= tabungan; X1= pendapatan; X2 = kekayaan.
Varian untuk {31 sbb:

~ u-?
var(/3)- · (7.22)
I - " 2
L..XIi
(J- r122)
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.
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$) (cent/Pound) karet (ribuan ton)
_(ribuan ton)_
1980 1165,3 73,43 634 970,1
1981 828,2 56,97 643 943,1
1982 602,1 45,26 692 887,4
1983 843,5 56,14 994 982,1
1984. 948,6 49,56 1076 1029,1
1985 716,6 41,77 1i31 1054,6
1986 71 ~.5 41,18 1655 1095,3
1987 957,8 44,08 1652 1141,3
1988 1243,1 48,81 1729 1173,3
1989 1007,6 48,7 1805 1180,2
1990 846,9 50,17 1901 1228,7
1991 1056,6 47,63 1992 <
1301,5
1992 1036,7 46,67 2062 1365,4
1993 9l6,8 47,34 2110 1437
1994 1271,8 48,93 2200 1464,5
1995 1962,8 56,65 2308 1532,1
1996
1997
1918
1481
54,83
47,44
I 2383
4650
1527,7
1505
1998 1101,5 46,61 8025 1714
1999 849,1 45,31 7100 1500
2000
2001
888,6
786.2
47,36
48,88
9595
10400
1547,9
15-17,3 I
Sumber: BPS,berbagai tahun penerhitan
1
,.,..----
~~
-~-
i:: .......
~--
1-
Oeteksi Multikolinieritas Ekspor Karet Indonesia dengan Uji korelasi
Pada bab 7, salah satu metoda deteksi masalah multikolinieritas adalah uji
korelasi antara variabel independen secara individual dengan mengambil contoh model
regresi ekspor karet Indonesia periode 1980-2001 dengan pendekatan sisi penawaran.
Modelnya asbb:
In Y, = /30 + /31 lnX1, + /3 2 lnX 21 + f3 3 lnX 3, + e, (1)
=
dimana:Y= ni!ai ekspor karet Indonesia ijuta LIS$); 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:
Setelah kita membuat filekerja maka

langkah berikutnya adalah klik Quick/
c
Groups Statistics I Correlation
resid sehingga akan muncul tampilan 2
"'
x']
>c3
berikut ini:
y
Setelah kita dapatkan tampilan 2 yang

merupakan Series List maka kita tulis
variabel yang ingin kita lihat nilai
koefisien 1-:orelasinya yaitu ketik:
LOG(X1) LOG(X2) LOG(X3)
L!:)IU klik OK sehingga akan muncul
tampilan berikut ini:
F--
"'--
~- _
------
~- -
,,
-:
•-
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
Metode OLS baik model regresi sederhana maupun berganda mengasumsikan

bahwa residual (e;) mempunyai rata-rata nol atau E(e;)=O, rnempuyai varian yang
konstan atau Var (e;) = cr2 dan residual tidak saling berhubungan antara satu observasi
dengan observasi lainnya atau Cov (e;, ei)=O sehingga menghasilkan estimator OLS
yang BLUE. Pada bab ini akan membahas bagaimana jika residual mempunyai varian
yang tidak konstan at::.lu heteroskedastisitas. Pernbahasan akan dimulai dari sifat dan
konsekuensi dari heteroskedastisitas. Bagaimana c2ra mendeteksi masalah
heteroskedastisitas dalam model. Selanjutnya, jika model . mengandung rnasalah
heteroskedastisitas, bagaimana rnembentuk model regresi yang terbebas terhadap
masalatl heteroskedastisitas.
8.1. Sifat dan Konsekuensi Dari Heteroskedastisitas

Ketiga asumsi tentang residual hanya dua yang terakhir yang bila tidak dipem;hi ·
membawa konsekuensi serius bagi estimator metode OLS. Jika residual tidak
mempunyai rata-rata nol maka tidak mempengaruhi slope estimator; hanya akan
mempengaruhi intersep. Hal ini tidak membawa konsekuensi serius karena perhatian
dalam aplikesi ekonometrika bukan p2da intersep tetapi slope. Pada bab ini dimulai
dengan membongkar asumsi bahwa vari2n dari residual adalah konstan
(homoskedastisitas) dan bab berikutr.o;a rnenguji asumsi tentang tidak adanya korelasi
antar residual dalam observasi.
Salah satu r:~ :;umsl p~nting yang kit~ dibangun dalan model OLS dalam bab 3
dalam regrcsi sederhana maupun bab 5 untuk regresi berganda adalah bahwa varian
dari residual adalah konstan. Pertanyaannya, apakah dalam kenya(aanya residual dari
model regresi yang kita puny3i selalu mempunyai varian yang konstan? Dalam
kenyataannya seringkali varian residual adalah tidak konstan atau disebut dengan
heteroskedastis it as.
Kenapa terjadi heteroskedastisitas? Misalnya kita menganalisis data cross
section penjualan perusahaan-perusahaan dalam suatu industri. Residual (error terms)
akan sangat terkait dengan besar kecilnya perusahaan. Perusahaar. yang besar akan
145
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:
1. Estimator metode kuadrat terkecil masih linier

2. Estimator metode kuadrat terkecil masih tidak bias
3. Namun estimator metode kuadrat terkecil tidak mempunyai varian yang
minimum lagi (no longer best).
Jadi dengan adanya heteroskedastisitas, estimator OLS tidak menghasilkan estimator

yang Best Linear Unbiased Estimator (BLUE) hanya Linear Unbiased "Estimator (LUE).
/J
Apa konsekuensinya jika estimator 1 tidak mempunyai varian yang minimum?
Jlka kita tetap menggunakan metodel OLS maka konsekuensinya kita adalah sbb:
1. Jika varian tidak minimum maka menyebabkan perhitungan standard error

metode OLS tidak lagi bisa dipercaya kebenarannya
2. Akibat nomor 1 tersebut maka interval estimasi maupun uji hipotesis yang
didasarkan pada distribusi t maupun F tidak lagi bisa dipercaya untuk evaluasi
hasil regresi.
8.2. Deteksi Heteroskedastisitas

Model dengan residual hetersokedastisitas mengandung konsekuensi serius
pada estimator metode OLS karena tidak lagi BLUE. Oleh karena itu, sangat penting
bagi kita untuk mengatahui apakah ~uatu model regresi mengandung unsur
.. heteroskedastisitas atau tidak. Beberapa metode untuk mendeteksi ada tidaknya
masalah heteroskedastisitas telah dikembangkan oleh para ahli ekonometrika. Metode
detei\si masalah heteroskedastlsitas bisa dilakuk.an secara informal maupun formal.
8.2.1. Metode Informal

Cara yang paling cepat dan dapat digunakan untuk menguji masalah
heteroskadastisitas adalah dengan mendeteksi pola residual melalui sebuah grafik. Jika ·
residual mempunyai varian yang sama (homoskedastitas) maka kita tidak mempunyai
pola yang pasti aan residua:. Sebaliknya jika residual mempunyai sifat
heteroskedastisita~, residual ini akan menunjukkan pola yang tertentu.
Misalnya, kita ambil contoh perilaku tabungan pada bab 7 sebelumnya. Kita
akan menduga bahwa variah residual akan terus mengalami kenaikan jika kekayaan
y
n
(X) keluarga semakin tinggi. Jika kita mempunyai regresi berganda yang mempunyai
I;; --
i .
..____
~
&n
-'~
1.:
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
Contoh 8.1. Metode Deteksi Heteroskedastisitas Melalui Sketergram

Misalnya dalam kasus perilaku tabungan pada bab 7 sebelumnya, kita plot data residual
kuadrat dengan variabel independen pendapatan sebagaimana grafik 8.1. Grafik tersebut p -
menjelaskan bahwa semakin besar kekayaan (X 2) keluarga maka residual kuadratnya bi
kecenderungannya juga semakin besar yang mengindikasikan ada masalah D
heteroskedastisitas dalam regresi
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)
8.2.2. Metode Park

Setelah membahas deteksi heteroskedastisitas secara informal deng:m metode
grafis, maka selanjutnya kita akan membahas uji deteksi heteroskedastisitas yang lebih
formal. Deteksi formal mssalah heteroskedastisitas dimulai cari metode yang
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)
dimana ln=logaritma natural dan V; = residual.
Karena residual a? populasi tidak diketahui mal<a Park menyarankan menggunakan

residual dari hasil regresi (ei 2 ) sebagai proksi dari residual CJj 2 . Dengan demikian
langkah selanjutnya kita melakukan regresi dengan menggunakan persamaan sbb:
(8.6)
Keputus;:m ada tidaknya masalah heteroskedastisitas berdasarkan uji stntistik estimator

(f3) dalam persamaan .(8.6). Jika f3 tidak signifikan melalui uji t maka dapat disimpulkan
tidak ada heteroskedastisitas karena residualnya tidak tergantung dari variabel
· independen. Sebaliknya jika f3 signifikan secara statistik maka model mengandung
unsur heteroskedast!sitas k3rena beser kecilnya r-esidua! ditentukan oleh variabel
ind~penden. Dari penjelasan di atas, maka prosedur uji park adalah sbb:
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-
~
~ _- --
~
)...:. _____:_
~-=-=
Contoh 8.2. Deteksi Heteroskedastisitas Metode Park

Kita akan analisis kasus penyerapan tenaga kerja di sektor industri Besar dan Sedang (IBS) (
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:
Y = 12258,69 + 0,000026X (8.8)

t (0,6467) (8, 167)
R2 = 0,7043
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 ........~~~~
Contoh 8.3. Deteksi Heteroskedastisitas Metode Park Pmduksi Padl ~

Contoh kedua metode Park adalah masalah produksi padi per propinsi di Indonesia pada
tahun 1994 pada bab 5 sebelumnya. Hasil regresinya dan beberapa informasi statistik yang
penting kita tampilkan kembali sbb:
A
ln Y = 5,5841 + 0,2260 lnX1 + 0,0489 !nX2 + 0,3519lnX 3 (8.1 0)

t (13,6806) (2,2505) (1 ,9538) (7,8920) II
2
=0,8625 I''
R
~~
I~
Dirnana Y= rata-rata produksi padi per hektar (kg); X 1= r'-1ta·rata penggunaan blbit per h•?kta!·
(kg); Xz= rata-rata penggunaan pestisida per hektar (k.g); X3 :::: rata-rata penggunaaan pupuk
per hektar (kg). II
Setelah kita melakukan regresi dan didapvtkan residualnyB, maka selanjutnya }zita
melakukan regresi residual kuadrc;t terhadap variabel independen lnX 1 , lnX 2 dan lr:X 3 .
Hasilnya sbb:
'I
II
2
I D~ e--8Lt9PJ-Qi')6c1
- - , , ..) ,><•.1.D •.•Y 1 -0"'''()81· '-' 2
,.JJ.V,[L/1 .r)6'"03~',.,X
+~,.J Lu_ 3 (8 1'1) I
t (-1 ,5207) (-0,0920) (-0,906'1) (1 ,0654)
R
2
=0,0714
Hasil regresi manunjukkan bahwa variabe! independen lnX 1 , lnX 2 dan lnX 3 secara secara
statistik tidak signifi!<:.an rnempengaruhi residua! kuadrat diiihat dari keci!nya nilai statistik t .~
hitung. Nilai t hitung uji Jua sisi pada a:::1%, o:=5%, u=10% dengan df sebesar 19 masing-
masing sebesar 2,539; 2,093; dan 1, 729. Dengan demikian hasil regresi tidak mengandung
masalah lleteros:~edastisitas.
8.2.3. Metode Giejser

Sejalan dengan Park, ahli ekonometrika yang lain yahni Glejsa1 mengatak::m
bahwa varian residual nilainya tergantung dari variabel independen yang ada di dalam
model 4 . Berbeda dengan Park, agar kita bisa mengetahui apakah pol3 residual
mengandung heteroskedastis!tas atau tidak maka Glesjer menyarankan untuk
melakukan rE,gresi nilai absolut residual dengan variabel independennya. Glejser
menyarak&n untuk mei<:~kukan regresi fungsi-fungsi residual sbb:
4
H. Glejser, "A New Tf;::;i for Heteroscedasticity," Journal of tho knerican Statistical Assnc:irJJi("Jn," Vol.
64, 1969, pp.316-323
;;;;;;;
I ei I= flo + f31Xi + v, (8.12)

N
I ei I=flo + fJ1 ~+vi (8.13) re
m,
I ei I=flo + fll _1
X;
+ V; (8.14) h4
rr !~
! ei 1=flo + fJ1 }x; +vi

bi
(8.15)
8
I ei I= ~f3o + fliXi +v; (8.16)
y
I ei I=~ fio + fliXi +vi
2
(8.17) ....c::
...c::
Sebagaimana Park jika 13 1 tidak slgnlfikan melalui uji t mak~ dapat dis!mpulkan tidak
ada heteroskedastisitas dan sebaliknya jika 13 1 signifikan secara statistik maka model
mengandung masalah heteroskedastisitas. Glejser dalam penelitiannya menemukan
bahwa untuk sampel besar, model fungsi residual dari persamaan (8.12) sampai (8.17)
memberi informasi yang memuaskan dalam rnendeteksi masalah heteroskedastisitas.
Namun kita mempunyai kesulitan untuk model persamaan (8.16) dan (8.17) karena c
model yang digunakan adalah model nonlinier dalam parameter sehingga kita tidak (
bisa mengestimasi parameter estimator dengan metode OLS biasa.
Contoh 8.4. Deteksi Heteroskedastisitas Dengan Metode Glejser.

Kita kembali ingin menguji apakah model penyerapan tenaga kerja di sektor industri
klasifikasi 3 digit sebelumnya dengan menggunaka11 metode Glesjer. Kita okan mencoba
deteksi heteroskedastisitas yang didasarkan pada persamaan (8.'12). dan (8.13). Hasil kedua
deteksi tersebut sbb:
I eii=15420,39+0,00000874X (18.18)
2
{1,67t,2) (5,6385) R = 0,5317
I eil = -16519,84+ 1,2182-JX (18.19)

2
t (-1 ,2506) (5, 9015) R
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.
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.
8.2.4. Metode Korelasi Spearman

Metode berikutnya cara deteksi masalah heteroskedastisitas adalah metode
yang dikembangkan oleh Spearman. Untuk menjelaskan metode korelasi dari
Spearman ini kita definisikan terlebih dahulu korelasi yang dikembangkan oleh
Spearman. Formula korelasi dari Spearman adalah sbb:
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)
Langkah yang harus diiakukan untuk menguji ada tidaknya masalah

heteroskedastisitas dalam hasil regresi dengan menggunakan korelasi Spearm~n
ad2lah sbh:
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:
,---
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.
.. Ran kKoreIas1·s>pearman Unu

T a b e1"81 Jjl Heteros k edas r1s1·tas
t k U"
lain
kern
ISIC y X y e Ranke Rank X d d2
.Gok
31 718172 31273335461 937268./ -219096 2. 1 1 1 posi·
32 1184755 25408322209 75698-4.5 427770.5 1 2 1 -1 regn
33 501521 13047628401 377031.1 124489.9 5 5 0 0
34 122817 4951530193 12816(•.4 -5349.44 9 7 4 2
35 402157 17457740466 512592.8 -110436 6 4 4 2
36 148362 4516('00353 114797.2 33564.8 8 8 0 0 I
37 435j2 7404571089 203570.1 -160058 3 6 -3 9 Misal
38 367582 17728726759 520922.6 -153341 4 3 1 1
39 70500 1043723314 8044.988 62455.01 7 9 -2 4 dan c
·-'---
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

Nilai rank korelasi Spearman yang didasarkan pad a persamaan (8.20) sbb:
24
r -1- 6[ (8.23)
s - 9(81-1) ]
= 0.8
Sedangkan nilc;i t hitung sebesar
t = 0,8~ = 2,1166 = 3 5277 (8.24)

~1- 0,64 0,6 '
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.
8.2,5. Metode GoldFeld-Quandt

Adanya kelemahan metode Park dan Glejser menginspirasi ahli ekonomei:rika
lain untuk mengembangkan metode deteksi heteroskedastisitas. GoldFeld-Quar.dt
kemudian mengembangkan metode deteksi heteroskedastisitas lebih lanjut5 . Metode
. GoldFeld-Quandt mengasumsikan bahwa heteroskedastisitas (o}) merupakan fungsi
pcisitif dari variabel independen. Ide GoldFeld-Quandt dapat dijelaskan dengan model
regresi sederhana sbb:
(8.25)
Misalkan varian residual (cr;) adalah fungsi positif terhadap variabel independen (Xi)
dan dapat ditulis sbb:
cri2 = cr2 xi2 (8.26)

dimana cr 2 adalah konstan
S. M. Qoldfeld and R.E. Quandt,"Some Tests for Homoscedasticity." Journal of the American
Statistical society, Vol. 60, 1965, pp.539-547
--
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
¢ = RSS1 ldf (8.27) r

RSS 1 ldf
Jika diasumsikan bahwa ei didistribusikan secara normal dan

homoskedastisitas, maka <j> akan mengikuti .distribusi F statistik dengan degree
of freedom (n-c-2k)/2 untuk pembilang dan penyebutnya. Kita akan menolak
hipotesis nul tidak adanya heteroskedastisitas jik.a nila F hitung lebih besar dari
nilai F kritis pada tingkat a tertentu.
Contoh 8.6. Deteksi Heteroskedastisitas GoldFeld-Quandt
Kita kembali ke analisis penyerapan tenaga kerja di sektor industri Besar dan Sedang
klasifikasi 3 digit untuk menjelaskan metode GoldFeld-Quandt. Pertama, kita urutkan nilai
variabel independen X yakni output dari nilal yang terkecH ke yang terbesar. Kemudian, kita !--
menghilangkan observasi di tengah (c) sebanyak 4. Sedangkan variabtll dependen Y
urutannya mengikuti urutan dari variabel X yang sudah diranking. Data yang diperlukan ada
di Tabel 8.2.
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
1 369248 18740153851 772 49824840

2 143493 3488229886 29226 123058917
3 21127 829310486 18222 199302084
4 184304 8215641238 6278 419136783
5 580519 14182392561 23296 510141485
6 350039 6300671710 38691 803480230
7 23296 510143485 21127 829310486
8 230901 4415114453 20121 878305620
9 378093 11626808024 70500 1043723314
10 123428 1420820377 12047 1241100474
11 74060 3663693185 48757 1287837008
12 48757 1287837008 123428 1420820177
13 60112 5637636226 36158 1522240396
100194 5433798845 42102 2292618803
14}
15 772 49824840 119574 2779130487
16 121505 3557350068 143493 3488229886
17 119574 2779130487 121505 3557350068
~8 38691 80346')230 74060 3663693185
.. 19 20121 878305620 117748 3821.'375468
20 42!02 2292618803 230901 4415114453
21 29226 123058917 100194 54337913845
22 18222 419131783 60112 5637636226
23 31465 6163470615 107172 5389820639
24 12047 1241100474 31465 6163470615
25 1177t8 3821375468 350038 t3300671710
26 36158 1522240396 100226 6495988172
27 107172 5689820639 184304 8215641238
28 100226 649!5988~72 378093 11626808024
29 6278 199302084 5805~9 14182392561
30 i 70500 1043723314 369248 18740153851
0
Contoh 8.6 Lanjutan · '· :. · .
Hasil regresi dari observasi pertama sbb:
lnY, = 4649,260+ 0,000376Xi (8.28)

t = (0.3143) (2,3610)
R
2
= 0.3363 RSS 1 =8,41x10
9
. df =11
0
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.
8.2.6. Metode Bruesch-Pagan-Godfrey

Bruesch-Pagan mengembangkan metode yang tidak memerlukan penghilangan
data c dan pengurutan data, sebagai a!ternatif dari metode GoldFeld-Quandt. 6 Metode
Bruesch-Pagan ini bisa dijelaska~1 dengan model regresi sederhana sbb 7 :
(8.31)
Diasumsikan bahwa varian dari residual mempunyai fungsi sbu:

Secar
a} = f(a 0 + cr 1Z 1J (8.32) dengc:
kritis ,
6
T. Brue~ch and A. Pagan," A Simple Test for Heteroscedasticity ar,d Random Coefficient Variation," dari ~
Econometrica, Vol. 47, 1979, pp.1287-1294. Metode yang hampir sama juga dikembangkan oleh
Godfrey, lihat L Godfrey,"Testing for Multiplicative Heteroscedasticity," Journal of Econometrics, Vol.
8, 1978, pp,227-236
7
Kita juga bisa mengaplikasikan untuk model regesi yang lebih dari satu variabel independen. Namun
untuk mudahnya kita membuat contoh model regresi sederhana dengan satu variabel independen.
CJ? adalah fungsi dari varia bel nonstokastik Z. Kemudian diasumsikan bahwa
(8.33)
u;2 adalah fungsi linier dari variabel Z. Jika a 1 = 0, maka 2

0'; =a0 berarti nilainya
2
konstan. Oleh karena itu untuk menguji apakah a; adalah homoskedastisitas maka
hipotesis nul yang diajukan adalah bahwa a 1 =0. Langkah metode Bruesch-Pagan
dapat dijelaskan sbb:
1. Estimasi persamaan (8.31) dengan OLS dan dapatkan residualnya (e)

2 J:e~
2. Mencari a = - - '
n
3. Mencari Pi yang didefinisikan sebagai:
2
P; = e;2 (8.34)
(]'
4. Regresi Pi terhadap"variabel Z sbb:

(8.35)
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.
Contoh 8. 7 Metode Bruesch-Pagan-Godfrey

Sebagai contoh deteksi metode Bruesch-Pagan-Godfrey, Kita kembali ke analisis
penyerapan tenaga kerja di sektor industri Besar dan Sedang klasifikasi 3 digit. Prosedur
. dari metode ini menghasilkan informasi penting spb:
Lc: ~
1. Langkah pertama
Y=12258,69 + 0,000026X (8.38)
t (0.6466) (8, 1670)
R2 ==0.704330 RSS = 1.59x1011
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:
jJ = -0,1084 + 2,71xl0- 10 X (8.40)

t (-0,3119) (4,6427)
R2 =0.434965 ESS= 41,3725
5. Langkah ke lima mencari nilal Chi squares hitung
¢ = _!_(41,3725) = 20,6863 (8.41)

2
Ntlai kritis Chi Squares pada a=1% dnn -x=5% masing-masing sebesar 5,02388 dan
3,84146. ~ilai Chi Square hitung lebih besar dari nilai kritis Chi S~•Jares pc,j3 :x=1%
maupun o:.=5%. Dengan demikian, uji Bruesch-Pagan-Gcdfrey menunjukkan bahwa
hasil regresi mengandung masalah heteroskedastisitas. Uji ini sejalan dengan uji yang
dilakukan dengan metode dari GoldFeld-Quandt sebelumnya.
8.2.7. Metode White

Tidak seperti metode Bruesch-Pagan yang sangat tergantung pada asumsi
tentang normalitas pada residual, Hal White mengembangkan sebuah metode yang
9
,.
, ..
lj
tidak memerlukan asumsi tentang adanya normalitas pada residual 8 . U11tuk

menjelaskan metode White, misalkan kita mempunyai model sbb 9 :
(8.42)
Langkah uji White sbb:
1. estimasi persamaan (8.42) dan dapatkan residualnya (ei)

2. lakukan regresi pada persamaan berikut yang disebut regmsi auxiliary:
• Regresi auxiliary tanpa perkalian antar variabel independen (no cross terms)
(8.43)
• Regresi auxiliary dengan perkalian antar variabel independen (cross terms)
(8.44)
dimana e: merupakan residual kuadrat yang kita peroleh dari persamaan

(8.42). Jika kita mempunyai lebih dari dua variabel independen maka variabel
independen dalam persamaan (8.43) maupun (8.44) akan lebih banyak. Dari
persamaan (8.43) dan (8.44) kita dapatkan nilai koefisien determinasi (R2)
3. Hipotesis nul dalam uji ini adalatJ tidak ada heteroskedastisitas. Uji White
didasarkan pada jumlah sampel (n) dikalikan dengan R2 yang akan mengikuti
distribusi chi-squares dengan degree of freedom sebanyak var!abel independen
tidak termasuk konstanta dalam regresi auxiliary. Nilai hitung statistik c:hi
squares (l) dapat dicari dengan formula sbb:
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.
H. White,"A Heteroscedasticty Consistent Covariance Matrix Estimator and a Direct Test of

Heteroscedasticity," Econometrica, Vol. 48, 1980, pp. 817-818
Kita bisa mer. japlikasikan· untuk model regresi leb1h dar! dua varia bel independen
=
Contoh 8.8 Deteksi Heteroskedastisitas Metode White 8,
Kita akan menguji masalah heteroskedastisitas pada produksi padi di Indonesia pada tahun
1994 sebelumnya dengan metode White dengan menggunakan alat bantu software Eviews. e~
Hasil uji White tanpa cross term dapat dilihat pada Tabel 8.3. Pertama, bagian bawah tabel Vc
tersebut memberi informasi persamaan uji white beserta koefisien determinasinya. Kedua,
bagian atas memberi informasi tentang nilai hitung statistik F beserta probabilitasnya dan
PE !-::
,'~:
SE
informasi nilai Chi square hitung juga beserta probabilitasnya.
pc
Tabel 8.3 Hasil Uji White Tanpa Cross Terms tin
White Heteroskedasticit't Test: m·
Pe
F-statistic 0.29934~1 Probability 0.928206
Obs*R-squared 2.321289 Probability I 0.887908 va
he
Dependent Variable: RESID"2
Method: Least Squares be
Sample: 1 23 m1
-~
Variable Coefficient Std. Error t-Statistic Pro b. p€
c -0.853320 0.716548 -1.190877 0.2511
LOG(X1) 0.418318 0.348465 1.200459 0.2474 8.
(LOG(X1))"2 -0.057758 0.048424 -1.192748 0.2504
LOG(X2) -0.002014 0.003402 -0.592106 0.5621
(LOG(X2))"2 0.001098 0.002092 0.525133 0.6067 he
LOG(X3) 0.042299 0.098537 0.429271 0.6735 kh
( LOG(X3) )"2 -0.004180 0.009498 -0.440147 0.6657 kit
R-squared 0.100926 F-statistic 0.299347 m(
Adjusted R-squared -0.236227 Prob(F -statistic) 0.928206
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
,-.-
-,-
8.3. Penyembuhan Ueteroskedastisitas

Sebagaimana kita bahas sebelumnya, heteroskedastisitas masih menghasilkan
estimator yang linier dan tidak bias namun tidak lagi efisien karena tidak mempunyai
varian minimum. Akibatnya kita tidak bisa mengevaluasi hasil regresi. Pada
pelanggaran asumsi multikolinieritas masih menghasilkan estimator yang BLUE
sehingga kita seringkali tidak perlu menghilangkan masalah multikolinieritas. Namun,
pada kasus pelanggaran asumsi homoskedastisitas maka kita perlu meiakukan
tindakan perbaikan model regresi. Pada subbab ini akan membahas bagaimana
menghilangkan masalah heteroskedastisitas di dalam suatu model regresi.
Penyembuhan masalah heteroskedastisitas tergantung dari pengetahuan kita tentang
varian dari residual. .Jika varian diketahui maka k!ta bisa mengatasi masalah
heteroskedastisitas dengan metode Weighted Least Squares (WLS). Tetapi dalam
banyak kasus kita tidak bisa mengetahui varian residual sehingga kita perlu
mengetahui bagaimana pola dari varian residual dan kemudian melal<ukan tindakan
penyembuhan.
8.3.1. Ketika Varian Residual Dik~tahui (cri 2 )

Jika kita · mengetahui besarnya varian maka penyembuhan masalah
heteroskedastisitas bisa dilakukan melalui metode WLS yang rnerupakan bentuk
khusus dari metode Generalized Least Squares (GLS). 10 Dari metode WLS ini akhirnya
kita bisa mendapatkan estimator yang BLUE kembali. Untuk mengetahui bagaimana
metode WLS ini bekerja, misalkan kita mempunyai model regresi sederhana sbb:
(8.46)
Jika varian cr~ diketahui maka persamaan (8.46) dibagi a; akan mendapatkan
persamaan sbb:
Y; flo f3i e;
-=-+-+- (8.47)
cri cr; cri cr;
Atau dapat ditulis sbb:
:r;• = f3o - 1 + fJ x· + ei.

1 ; (8.48)
0";
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
~
~-.-~
:-;: - __ -
~. --- ----
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.
8.3.2.1. Metode White

Untuk menjelaskan metode White yang dikenal dengan standard ·errors
heteroskedastisitas yang dikoreksi (heteroscedasticlty-corrected standard errors), 11 kita
ambil contoh regrasi sederhana sbb:
(8.50)
Dimana var(e;) = cr/

12 s
di
K
11
c
H. White, op.cit
~
_,.,_
--==--~:::--=
~
E:::.:_
~
.....----------
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
;·_,_ __ - --
~
.
~
~------
Contoh 8.9 Pengobatan Heteroskedastisitas White

Sebagai contoh penyembuhan dari white ini kita kembali ke masalah regresi penyerapan
tenaga ke~ja di industri besar dan sedang klasifikasi 3 digit dengan alat bantu software
Eviews. Di dalam software Eviews tersedia fasilitas untuk standard error heteroskedastisitas
:-:-
yang dikoreksi metode white dan Newey-West. Berdasarkan metode white, standard error
yang dihasilkan akan lebih besar dari standard error dari metode OLS sehingga nilai t dim; -
hitungnya juga lebih kecil dari statistik t hitung yang diperoleh dari metode OLS. Hasil
estimasi standard error ketiga metode dapat dilihat daiam persamaan (8.53)
Sek,
logY = 1225 8,69 + 0,00026X (8.53) lagi -
OLS se (18957,24) (0,0000032)
t (0,6514) (8,1708)
White se (15567,42) (0,0000053)
t (0,7875) (4,8910)
Lewey-West se (14575,83) (0,0000056)
t (0,841 0) (4,6700)
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
untuk menghilangkan masalah heteroskedastisitas jika residual proporsional dengan

variabel independen Xi, kita dapat melakukan transformc:si persamaan (8.54) dengan
membagi dengan .[X; sehingga akan menghasilkan persamaan sbb:
Kita I
bersi·
~
i<i--.-
;: ~--
~-
=--~ -
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:
E( e;2) = CJ' 2--7.

.X; . (8.58)
Kemudian kita bisa melakukan transformasi persama:m (8.54) dengan mPmbc:~gi xi

sehingga akan meilJhasilkan persarnaan shb:
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---------
__
~
~
...
E(v,') = £( ~J = ;,, E(e,') La

= CY 2 karena persamaan (8.57) (8.60)
Ma "''--
Dalam transformasi persamaan di atG:s konstanta dan slope persamaan awal menjadi tide
variabel independen dan variabel intersep baru. vari
mel
Contoh 8.10 Penyembuhan Heteroskedastisitas Melalui Transformasi reg1
Pada contoh kasus penyerapan tenaga kerja di sektor industri Besar dan Sedang (IBS)
Indonesia dengan ISIC 3 digit pada Tahun 1993 kita mengetahui bahwa model mengandung
masalah heteroskedastisitas, lihat kembali contoh 81. Kita sekarang akan menyembuhkan
masalah heteroskedastisitas tersebut melalui tmnsformasi persamaan. Transformasi
persamaan mana tergantung dari pola varian residualnya. Jlka kita plot residual, maka varian den
residue:! polanya proporsional terhadap output (X) sehingga kita bisa melakukan transformasi
sebagaimana persamaan (8.56).
Hasil regresi transformasi persamaan untuk menghilangkan masCJiah heteroskedastisitas
dapat dilihat dalam persamaan (8.61) sedangkan hasil regresi awalnya pada persamaan
(8.8). Apakah model transformasi ini sudah terbebas terl1adap masalah heteroskedastisitas,
maka kita akan melakukan uji dengan uji White. Chi square hitung lebih kecil dari nilai kritis
Chi Squares dilihat dari besarnya nilai probabilitasnya sehingga tidak signifikan, lihai Tabel
8.5. Dengan demikian model sudah terbebas dari masalah heteroskedastisitas. Standard
error persamaan (8.61) lebih kecil dari standard error persamaan awal (8.8) karcna regresi
awal mengandung masalah heteroskedastisitas sehingg2 standard errornya terlalu besar Sed<
(overestimate). Untuk mendapatkan regresi awal maka kita harus mengalikan persamaan
(8.61) dengar.[X;. l<oefisien atau slope dalam kedua persamaan relatif sama.
Y = 12258,69 + 0,00002.6X (8.8)

t (0,6467) (8, 167)
R =0,7043
2 I
ka1er
:;_ = 7433,604 ~ + 0,0000272-[X; (8.61)

make:
....;Xi ....;Xi
t (5189, 123) (8,3286)
R
2
=0.278895
Tabel. 8 ..5 UiiI White
White Hetercskedasticity Test: karen
Obs*R-squared 3.590273 Probability I 0.464286 autok·
-;·-
'r
'
LAMPIRAN BAB 8
Lampiran 8.1. Varian Residual Jika Ada Unsur Heteroskedastisitas

Pada bab 8 ini kita membongkar asumsi OLS berkaitan dengan residual.
L
Masalah pertama yang akan dilihat adalah masalah residual yang mempunyai varian
tidak sama (heteroskedastisitas). Apa yang terjadi dengan estimator dari OLS dan
variannya jika model mengandung masalah heteroskedastisitas tetapi tetap
mempertahankan asumsi yang lain. Untuk menjelaskan hal ini kita ambil contoh model
regresi sederhana sbb:
(1)
dengan menggunakan metode OLS maka kita akan menghasilkan estimator /J, sbb:
(2)
SedanJkan variannya sbb:
Var(/J,) = E~ 1 - E(/J1 ) r (3)

= E(jJI - (JJ )"
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:::..._____ _ _
~_____
·-· _-
------
~
~
·:~ ---- - -
_,_
= t~ (k I2 el2 + k 22 e22 + ... + k n2 en2 ) (5)
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----
Lampi ran 8.2 Data Jumlah tenaga kerja dan Output yang dihasilkan lndustri ISIC 2
/ Digit Tahun 1993
Jumlah Tenaga Juml?h Output

Klasifikasi lndustri Besar dan Sedang ISIC 2 digit kerja yang
(orang) dihasilkan
(rupiah)
31 Makanan, Minuman dan Tembakau 718172 31273335461
32 Tekstil, pakaian jadi dan kulit 1184755 25408322209
33 Kayu, bambu, rotan, rumput dan sejenisnya 501521 1304 762 840 1
34 Kertas dan barang dari kertas, percetakan dan penerbitan 122817 4951530193
35 Kimia dan barang-barang dari bahan kirnia, minyak bumi, 402157 17457740466
batu bara
36 Barang galian bukan logam kecuali minyak bumi dan 148362 4516600353
batubara
37 Logam dasar 43512 7404571089
38 Barang dari logarn, mesin dan peralatannya 367582 17728726759
39 lndustri pengolahan lainnya 70500 1043723314
Sumber: BPS, Statistik lndustri Besar dan Sedang Tahun 1993
;.:----
6----
·~ -- ~
~
~~-~
~-- --
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
[ '
1. Deteksi Heteroskedastisitas dengan uji Park dan Glejser

Pada bab 8 contoh uji heteroskedastisitas metode Park dan Glejser adalah penyerapan
tenaga ke~a di industri besar dan sedang tahun 1993. Model regresi penyerapan
tenaga kerja di ISS sbb:
(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
- -
c -4.617426 5.082951 -0.908414 0.3714

LOG (X) 1.171816 0.236466 4.955530 0.0000
R-squarec! 0.467248 Mean depeodent var 20.51892

Adjusted R-squareti oJ.448221 S.D. dependent var 2.415477
S. E. of regression 1.794260 Akaike info cnierion 4.U71402
Surr. ~quared resid 90.14233 Schwarz criterion 4.164816
Log likelihood -59.071[14 F-statistic 24.55728
• 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:
1
Tampilan 2
Dependent Variable: A!:ISRES
Method: Least Squares ·
Date: OB/08104 Time: 06:54
Sample: 1 30
Variable Coefficient Std. Error !-Statistic Prob.
c 15420.39 9232.750 1.670184 O.HEO

X 8.74E-06 1.55E-06 5.638747 0.0000

S.E. of regression 36739.79 Akaike info criterion 23.92545
Sum squared resid 3.78E+10 Schwarz criterion 24.01886
Lag likelihood -356.8817 f->'tatistic 31.79547
Durbin-Watson stz;t 2.187278 Prob(F-statistic) 0.000005
2. Deteksi Heteroskedastisitas d&ngan uji White.

Eviews secara langsung menyediakan fasllitas uji dari White. Kita estimasi model
produksi padi di Indonesia. Setelah mendapatkan estimasinya maka klik View/
Residual Test kemudian pilih White Heteroskedasticity (no cross terms) atau White
Hetersoskedasticity (cross terms). Hasil regresi dengan no cross terms dapat dilihat 3
dalam tampilan berikut ini
(t
Tampilan 3 p
White Heteroskedasticity Test:
IT
F-statistic 0.2993A7 Probability 0.92t3206
Obs-R-squarod 2.32126~ Probability 0.887908 a
Test Equation:
IT
Dependent Variable: RESID"2
Oa~e: 05109104 Tirr.e: 07:46
SAmple: 1 23
T
V•riable Caetficient Std. Error t-Statistle Prob.
c -0.853320 0.716548 -1.190877 0.:2511

LOG(X1) 0.41B31B 0.348465 1.200459 0.:247"'
(LOG(X1 ))'2 -0.057758 0.048424 -1.19274El 0.2504
LOG(X2) -O.OD2C14 0.003402 -0.592106 0.5621
(LOG(X2))'2 O.Or:J1098 0.002092 0.52513::3 0.6C87
LOG(X3) o.c t2299 0.098537' 0.429:271 O.E73f>
(LOG(X3))'2 -O.OJ4180 0.0094913 -;J.44U147' 0.6657
~-aquarad 0.100926 Mean dependent var 0.007943

Adjusted R-squared -0.236227 S.D. dependant v;ar 0.010167
S. E. of regres:Siion 0.011304 Akaike info criterion -5.881572
Sums •Jared resid 0.002044 Schwarz criterion -5.535987
Log likelihood 74.63808 F-gtatistic 0.299347
Durbin-Watson stat 2.197755 Prob(F-statis:t:c) 0.928206
Hasil regresi dengan cross terms dapat dilihat dalam tampilan berikut ini:
Tamp•"I an 4
White Heteroskedasticity Test:
F-statistic 0.716049 Probability 0.687314

Obs•R-squarsd 7.622852 Probability 0.572554
Test Equation:
Dependent Variable: RESIDA2
Date: 05109104 Time: 08:06
Sample: 1 23
c 0.007986 1.156295 0.006907 0.9946

LOG(X1) ·0.122208 0.573353 ·0.213146 0.8345
(LOG(X1))•2 ·0.003568 0.059034 ·0.060446 0.9527
(LOG(X1 W(LOG(X2)) -0.031039 0.024286 -1.278106 0.2236
(LOG(X1))"(LOG(X3)) 0.030263 0.052343 0.578173 0.5730
LOG(X2) -0.032798 0.070586 -0.464649 0.6499
(LOG(X2))"2 -0.002664 0.0034Fi6 -0.768785 0.4558
(LOG(X2W(LOG(X3)) 0.026224 0.013015 2.014326 O.G651
LOG(X3) 0.085534 D. 109515 0.761030 0.4466
(LOG(X3))•2 -0.019262 0.017324 -1.113001 0.2659
R-squar&d 0.331426 Mean dependent var 0.007943

Adjusted R-squared -0.131429 S.D. dspendetnt var 0.010167
S.E. of regression 0.010614 Akaike info criterion -5.91G925
3. Penyembuhan Heteroskedastisitas dengan White dan Newey~West

Metode White atau Newey-West merupakan metode koreksi standard error
(heteroskedasticity-corrected standard errors). Eviews menyediakan metode
penyembuhan dari White "maupun Newey-west tersebut. Contoh pada bab 8 adalah
masalah penyerapan t~naga kerja di industri besar dan sedang tiga digit. Langkahnya
adalah buat filekerja dahulu lalu klik Quick/Estimate Equation/Option lalu akan
muncul tampilan sbb:
T~mpii:J~• 5
Pada Tampilan 5 ini kemudian kita

pilih Heteroskedasticity Consistent
c .wariance/White atau Newey-
Wes!. Misalnya kita pilih White laiu
klik OK sehingga hasilnya dalam
bentuk tampilan sbb:
176
Tamp;lan 6
Bagian Kedua: Pengujian Asurnsi OLS
--
Date: 08108/04 Time: 07:32
Sample: 1 30
lncludP.d obseJVations: 30
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable Coefficient Std. Error !-Statistic Prob.
c 12258.69 15567.42 0.787458 0.4375

X 2.60E-05 5.31 E-06 4.890965 0.0000
R-squared 0.704330 Mean dependent var 118645.9 .

S.E. of regression 75436.36 Akaike info critP.rion 25.36431 vari
Sum squared resid 1.59E+11 Schwarz criterion 25.45772 mer
Durbi11-Watson stat 1.309201 Prob(F-statistic) 0.000000
obs
~
bab
mer
autc
bag
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. Sifat Dan Konsekuensi Dari Autokorelasi

Secara harfiah autokorelasi berarti adanya korelasi antara anggota observasi
satu dengan observasi lain yang berlainan waktu. Dalam kaitannya dengan asumsi
metode OLS, autokorelasi merupakan korelasi antara satu residuai dengan residual
yang lain. Sedar:gkan salah satu asumsi penting metode OLS berkaitan dengan
residual adalah tidak adanya hubungan antara residual satu dengan residual yang lain.
Tidak adanya serial korelasi antara residual 1ni sebelumnya dinyatakan sbb:
(9.1)
Mengapa terjadi c;utokorelasi? Misalkan kita menganalisi3 data runtut waktu

output nasional atau GOP tahunan. Jika suatu ketika ada gejolak ekonomi (shock)
maka gejolak ini akan berpengaruh terhadap GOP pada saat ini dan juga pada periode-
periode berikutnya. aegitu pula ketika pemerintah mengeluarkan kebijakan fiskal
maupun monet~r untuk mengatasi penurunan GOP tersebut. Setiap kebijakan ekonomi
pasti akan memerlukan periode waktu untuk mempengaruhi sistem ekonomi sehingga
akhirnya mempengaruhi kenaikan GOP. Dalam kondisi seperti ini maka jika kita
menganalisis data runtut waktu maka residual antara waktu akan saling berhubungan.
Oleh karena itu, data runtut waktu diduga seringkali me11gandung unsur autokorelasi.
177
I
I'
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)
Gambar 9.1 (a) autokorelasi positif dan (b) autokorelasi negatif
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
Asumsi berkaitan dengan residual dalam metode OLS adalah sbb:
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:
-1 < p < 1 (9.4)
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__
~ .. .
~ . - -
~----_- -_
-!-
n-1 n-2 dil

LXrxt+l Lxrxt+2 di~
p t=l + p2 t=l + ... + pn-l _XX
I_,_,
(9.6) mE~--
n ~ n 11
LXr2 ,L:xr2 LXr2

1=1 1=1 1=1
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
9.2.· Deteksi Masalah Autokorelasi

Setel< .h l~ita membahas masalah autokorefad dan konsekuensinya terhadap
estimator dalam OLS jika model mengandung unsu; autokon'lasi, maka tibalah saatnya
kita mernbahas masalah metode deteksi ada tidaknya masalah autokorelasi di dalam
suatu model regresi.
Kare1
9.2.1 Metode Durbin-Watson (DW) Per!5<
Banyak metode yang bisa digunakan untuk mendeteksi masalah autokorelasi.
Salah satu uji yang populer digunakan di dalam ekonometrika adalah metode yang
2
G
"L
~
~--
~- -~
dikemukakan oleh Durbin-Watson (d) 2 • Untuk menjelaskan prosedur uji yang

dikembangkan oleh Durbin-Watson, kita kembali ke persamaan (9.4) di atas dalam
mendeteksi ada tidaknya·autokorelasi. Kita tulis kembali persamaan (9.4) sbb:
-l<p<l (9.4)
Jika p =0 maka et = Vt sehingga residual di dalam persamaan tersebut tidak saling

berhubungan atau tidak ada autokorelasi. Oleh karena itu hipotesis nul tidak adanya
autokorelasi dapat ditulis H0 : p =0 sedangkan hipotesis alternatifnya p>O atau p<O atau
p:t:O.
Untuk menguji hipotesis nul kita harus menghitung p dan kemudian menguji
secara statistika apakah signifikan atau tidak. Akar. tetapi penurunan distribusi
probabilitas dari p sangat su!it dilakukan. Sebagai alternatif, Durbin dan Watson
mengembangkan distribusi probabilitas yang berbeda. Uji statistik Durbin-Watson
didasarkan dari residual metode kuadrat terkecil. Adapun formula Uji statistik Durbin-
Watson adalah sbb:
1==11
L(ec -ec-!)2
d= c~2_ _ __ (9.8)
t=n
Lec2
c~l
dimana e1 adalah residual metode kuadarat terkecil. Bagaimana d berhubungan erat

dengan p dan bagaimana mendapatkan uji statistlk u11tuk masal3h ::;utokorelas!, kits
manipulasi persamaan (9.8) di atas menjadi:
(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........
~
,.;..;_...
d >=:; 1+ 1-2p (9.1 0)
(9.11)
Persamaan (9.11) ini merupakan koefisien autokorelasi order pertama sebagai proksi
dari p. Persamaan (9.1 0) dapat ditulis kembali menjadi
d~2(1 -p) (9.12)
Karena -1 s::: p s::: 0 maka berimplikasi bahwa
0 s;;;d S:::4 (9.13)

bah
Dari persamaan (9.12) tersebut jika p = 0 maka nilai d=2 yang berarti tidak adanya Ada
masalah autokore!asi (pada order pertama). Oleh karena itu sebagai aturan kasar (rule
of thumb) jika nilai d adalah 2, maka kita bisa mengatakan bahwa tidak ada
autokorelasi baik positif maupun negatif. Jika p = +1, nilai d ~ 0, mengindikasikan
adanya autokorelasi positif. Oleh kar~na itu, nilai d yang semakin mendekati nol
menunjukkan semakin besar terjadinya autokorelasi positif. Jika p = -1, nilai d ~ 4 yang
berarti ada autokorelasi negatif. Dengan demikian nilai ci yang semakin besar
mendekati 4 maka semakin besar tarjadinya masalah autokorelasi negatif.
Durbin -Watson telah berhasil mengembangkan uji statistik berdasarkan
~Ssl
-
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.
Tabel 9.1. Uji Statistik Ourbin-Watson d Dirr

Nilai Statistik d Hasil ·-
das -
0 < d < dL Menolak hipotesis nul; ada autokorelasi positif
dL::; d s;;; du Daerah keragu-raguan; tidak ada keputusan
du :S::: d s 4- du Menerima hipotesis nul; tidak ada e:tutokorelasi positif/negatif
4- dus::: d::; 4- dL Daerah keragu-mgunn; tidak ada keputusan
4- dL S d :S::: 4 Menol3k hipotesis nul; ada outokorelasi negatif
· Nila
untu
1 disir -
1
Autokorelasi ragu-ragu tidak ada ragu-ragu autokorelasi

Positif autokorelasi negatif
~ ~
...._
....
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
Contoh 9.1. Uji Autokorelasi Metode OW Permintaan lmpor Indonesia

Ssbagai contoh :..1:1tuk mandE:teksi masalah autokorE:Ia;:;i, kita analisis kasus Permintaan
lmpor di Indonesia periode 1980-2002, data ada di lampiran bab 5. Model regresi permintaan
impor Indonesia adalah sbb:
(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:
Y= -9588,023-83,9487 X, + 0,1673X 2 (9.15)

t (-3,9831) (-3,9254) (8,9152)
2
R = 0,912921 F=1 04,8376 d = 1,385661
· 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.
~-----
~
~
~---··
=--
Contoh 9.2. Uji Autokorelasi OW Ekspor Pakian Jadi ke Jepang

Kita kembali ke contoh 4.1. pada bab 4 tentang regresi ekspor pakaian jadi ke Jepang. Hasil
regresi dan beberapa informasi statistik kita tampilkan kembali sbb:
s
u
Y = -4067,496 + 7,8150X 1 + 1001,855X2 (9.16)
n
t (-0,8872) (4,2973) (7,6884) St
2
R =0,9111 F=66,8199 d=2,1617
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-- --------
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)
Kemudian da[)atkan F.L dari regresi persamaan (9.20)

3. Jika sampel adalah besar, maka menurut Breusch dan G~dfrey
m1ka model
dalam persamaan (9.20) akan mengikuti distribusi Chi-Squares dengan df
seb3nyak p. Nilai hitung statistik Chi-Squares dapat dihitung dengan
menggunakan formula sbb:
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
(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. ··
Contoh 9.3. Uji Autokorelasi Metode LM Permintaan lmpor 1980-2002

Sebagai contoh uji LM kita kembali pada kasus permintaan impor di Indonesia 1980-2002
dengan alat bantu software Eviews. Hasil uji LM dapat dilihat pada Tabel 9.2. Ada beberapa
informasi penting berkaitan dengan uji LM. Pertama, bagian bawah tabel tersebut memberi
informasi persamaan uji LM dengan panjangnya kelambanan residual 2 didasarkan pada
kriteria Akaike maupun Schwarz. Nilai koefisien determinasinya (R 2 ) sebesar 0,2596. Kedua,
nilai Chi square hitung sebesar 5,9714 diperoleh dari informasi Obs*R-squared yaitu jumlah
observasi dikalikan dengan koefisien determinasi. Berdasarkan nilai probabilitas Chi squares
sebesar 0,0505 kita menolak hipotesis nul dengan a=5%. Berdasarkan uji LM ini berarti
model mengandung masalah autokorelasi.
Tabei 9.2. Uji Autokorelasi ciengan Metode LM Permintaan lmpor

Breusch-Godfrey Serial Correlation LM Test: I
Obs*R-squared
Dependent Variable: RESID
I 5.971402 Probability I 0.050504

c -43.5178~1 2189.540 -0.019375 0.9844
X1 -4.8853251 19.95773 -0.244784 0.8094
X2 0.003315 0.017416 0.190326 0.8512
RESID(-1) 0.438817 0.215279 2.038366 0.0565
RESID(-2) -0.444724 0.220910 -2.013141 0.0593
R-squared 0.259626 Akaike info criterion 19.00383
Durbin-Watson stat 2.122393 Schwarz criterion 19.25068
Contoh 9.4. Uji Autokorelasi Metode LM Ekspor Pakaian Jadi Ke Jepang

Kita sekarang akan menguji masalah autokorelasi pada ekspor pakaian jadi ke Jepang.
Pada uji Durbin-Watson sebelumnya menunjukkan bahwa tidak mengandung unsur
autokorelasi. f.pakah uji LM mendukung uji Durbin-Watson temebuP Hasil uji LM ditampilkan
dalam Tabel 9.3 Nilai Chi square hitung sebesar 3,6524. Berdasarkan nilai probabilitas Chi
squares sebesar 0,1610 p<Ada ke!ambanan 2 kita menerima hipotesis nul karena ti[!gkat
signifikansi a. lebih besar dari 10% yaitu 16%. Berdasarkan uji LM ini berarti model tidak
mengandur.g masalah autokorelasi.
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
.- --
·-· - -
--
9.3. Penyembuhan Autokorelasi Kt

Setelah kita ketahui konsekuensi masalah autokorelasi dimana estimator dari
metode OLS masih linier, tidak bias tetapi tidak mempunyai varian yang minimum,
maka tibalah saatnya kita akan membahas bagaimana mengatasinya atau
mengobatinya. Penyembuhan masalah autokorelasi sangat tergantung dari sifat
hubungan antara residual. Atau dengan kata lain bagaimana bentuk struktur Jil
autokorelasi.
pE
Kita tulis kembali model regresi sederhana seperti dalam persamaan (9.3) sbb:
(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
9.3.1. Ketika Struktur Autokorelasi (p) Diketahui

Pad a kasus ketika koefisien model AR(1) yakni p diketahui, maka penyembuhan Di
autokorelasi dapat dilakukan dengan transformasi persamaan dikenal sebagai metode
Generalized difference equation. Pada bab 7 kita telah m~njelaskan metode GLS ini
untuK rnengatasi masalah heteroskedastisitas yakni ketika varian residual tidak R'
SE
konstan. Dengan melakukan transformasi model kita dapat menghilar1gkan masalah
te
he~eroskedastisitas sehingga kita kemudian dapat mengestimasi model dengan
m
menggunakan metoce OLS.
U'ltuk menjelaskan metode Genera/Led difference equation dalam kasus
adanya autokore:asi, misalkan kita mempunyai model cegresi sederhana dan 9.
residualnya (e 1) mengikuti pola c 'Jturegresif tingkat pertama AR(1) sob:
dE -
Yr = f3o + f31Xr + et (9.3) m
ki·
e 1 = p e 1_ 1 + V 1 - 1< p < 1 (9.4)
te
at
Dimana residual v1 memenuhi asumsi residual metode OLS yakni E(v1)=0; Var(v1) = cr 2 ;
dan Cov (Vr,Vr-1) =0.
Kelambanan (lag) satu persamaan (9.3) sbb:
(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)
Kemudian persamaan (9.3) dikurangi persamaan (9.23) akan menghasilkan persamaan

diferensi tingkat pertama sbb:
~ - P~-l = flo - Pflo + /31 XI - pfll xt-1 + e, - p et-1

~- P~-l =flo (1- P) + fJ1X1- PfJJXH +VI
= flo(l- p) + fJ1 (XI- pX,_l) +VI (9.24)
diman3 v 1 =e 1
- p et-J dan memenuhi asumsi OLS seperti persamaan (9.4)
Persamaan (9.24) tersebut dapat kita tulis menjadi:
~· = 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.
9.3.2. Ketika Struktur Autokorelasi Tidak Oiketahui

Walaupun metode penyembuhan masalah autokorelasi sangat mudah dilakukan
dengan metode generdlized difference equation jika strukturnya diketahui, namun
metode ini dalam praktiknya sangat sulit dilakukan. Kesulitan ini muncul karena sulitnya
kita untuk mengetahui nilai p. Oleh karena itu kiia harus menemukan cara yang paling
teoat untuk mengestimasi p. Ada beberapa metode yang telah dikembangkan oleh para
ahli ckonometrika untuk mengestimasi nilai p.
iOii
9.3.2.1. Metode Diferensi Tingkat Pertama tir

m
Nilai p terletak antara -1 ~ p ~ 1. Jika nilai p = 0 berarti tidak ada korelasi
residual tingkat pertama (AR 1). Namun jika nilai p = ±1 maka model mengandung
=
autokorelasi baik positif maupun negatif. Ketika nilai dari p +1, masalah autokorelasi ,.
dapat disembuhkan dengan diferensi tingkat pertama metode .generalized difference

e,quation. Misalkan kita mempunyai model sederhana seperti persamaan (9.3) dil
sebelumnya, metode diferensi tingkat pertama (first difference) dapat dijelaskan sbb: Pc
(9
(9.3) ta1
Diferensi tingkat pertama persamaan (9.3) tersebut sebagaimana dalam persamaan

(9.24) sebelumnya sbb:
(9.24)
Jika p =+1 maka persamaan tersebut dapat ditulis kembali mer:jadi

[
r; - r;_l = fJ1 (XI - X1-1) + (el- el-l) (9.26)
~
Atau dapat ditulis menjadi persarnaan sbb: s
d
(9.27) n
dimana ~ adalah diferensi dan V1 = e! - e1_ 1
Residual v1 dari persamaan (9.27) tersebut sekarang terbebas dari masalah

autokorelasi. Metode first difference ini bisa diap!ikasikan jika koe{isien autokorelasi
K
cukup tinggi atau jika nilai statistik Durbin-Watson (d) sangat rendah. Sebagai rufe of
rr
thumb jika R2 > d, maka kita bisa menggunakan metode first difference. Dari rr
transtormasi first difference ini sekarang kita ti Jak lagi mempunyai intersep atau pt
konstanta dalam model. Untuk memperoleh konstanta dalam model maka kita harus m
memasukkan variabel trend (T) di dalam model aslinya. Misalkan model awalnya D -
dengan trend sbb: a:
at
(9.26)
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
tingkat pertama. Transformasi persamaan (9.28) dengan metode first difference akan
menghasilkan persamaan sbb:
(9.29)
dim ana residual v, =e, - e1_1

Pada proses diferensi tingkat pertama persamaan (9.28) menghasilkan persamaan
(9.29) yang mempunyai konstanta sedangkan difeiensi pertama pada persamaan (9.3)
tanpa menghasilkan konstanta.
Contoh 9.5. Uji First Difference Permintaan lmpor

Kita kembali ke contoh permintaan impor periode 1980-2002. Tetapi sekarang, variabel PDB
(X) hanya merupakan satu-satunya varlabel independen dalam permintaan impor (Y). Model
permintaar. impor terse but dapat ditulis sbb:
(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.
~ == -5979,537 + 0,0991X 1 (9.31)

t (-2,0699) (10,7337)
2
R = 0,8458 d = 0,7543
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
~
..,
:--
.
~
····-
-
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
Oamodar N. Gujarati, ' f>cit, p480

9.3.2.3. Estimasi p Didasarkan Pada Statistik d Durbin Watson

Kita hanya bisa mengaplikasikan metode transformasi first difference jika nilai p
tinggi yakni mendekati satu. Metode ini tidak bisa digunakan ketika p rendah. Untuk
kasus nilai p rendah maka kita. bisa menggunakan statistik d dari Durbin Watson
sebagaimana di dalam persamaan (9.8). sebelumnya. Kita bisa mengestimasi p
dengan cara sbb:
(9.8)
atau dapat dinyatakan dalam persamaan sbb:
(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 ..
Contoh 9.7. Estimasi p dari statistik d Durbin Watson

Dari contoh 9.5 tenUng permintaan impor kita dapatkan nilai d = 0,7543. NiiRi
p = (1- 0,7543 I 2) = 0.6628. Setelah kita dapatkan r.ilai p maka selanjutnya kita bisa
mengestimasi generalized difference equation pada persamaan (9.24) dengan metode OLS.
Hasil estimasinya dapat dilihat dalam Persam ~an (9.36) berikut ini:
~· =-3734,769+0,1129X; (9.36)
(-1,5323) ( 5,3645)
2
R = 0,5899 d= 1,4918
Hasil estimasi generalized difference equation sekarang menghasilkan d= 1,4918,

sedangkan nilai tabel statistik Durbin watson dengan a=5% dengan n=22 dan k= 1
besarnya dL =1 ,239 dan du=1 ,429. Kesimpulannya model tidak lagi mer.gandung masalah
autokorelasi
9.3.2.4. Estimasi p Dengan Metode Dua Langkah Durbin

Untuk menjelaskan metode ini maka kita kembali ke model generalized
Co
difference equation persamaan (9.24). Kita tulis kembali persamaan tersebut sbb:
(9.24)
Atau dapat kita tulis kembali menjadi

Dirr
(9.37) y·
I
Dimana V1 = (e 1 - p et-I)
Setelah mendapatkan persamaan (9.37), Durbin menyarankan untuk menggunakan

9.3.:
prosedur dua langkah untuk mengestimasi p yaitu:
Me toe
1. Lakukan regresi dalam persamaan (9.37) dan kemudian perlakukan nilai residL
koefisien Y1. 1 sebagai ni!ai estimasi dari p. Walaupun ini bias, tetapi merupakan kita m
estimasi p yang konsisten
2. setelah rnencapai p pada langkah pertama, kemudian lakukan transformasi
variabel = r:· c-r: -
Pr:-l) dan x;·
=(XI - pXI-[) dan kemudian lakukan regresi
Diasu1
metode OLS pada transformasi variabel persamaan (9.24.)
Contoh 9.8 Metode Dua langkah Durbin Permintaa':l lmpor

Regresi permintaan impor pada contoh 9.1 sebelumnya terletak di daerah keragu-raguan. diman
Kita akan mencoba menghilangkan unsur aL!tokorelasi dengan metode dua langkah dari
Durbin. Kita mengestimasi persamaan (9.38) untuk menc~ri nilai estimasi p sbb: Metod
estima
menge
menjar
Nilai koefisien p pada varia bel Y1. 1 merupakan nilai estimasi p. Hasil estimasi menunjukKan dari Cc
bahwa p = 0,5257. Hasil estimasi Generalized· difference equation dapat dilihat dalam
persamaan (9.39) . Nilai statistik hitung d = 1,6468 sedangkan nilai kritis d dengan a=5%
dengan n=22 dan k=2 untuk dL ==1,147 dan nilai du= 1,541. Karena nilai d terletak antara du
dan 4-du maka dapat disimpulkan bahwa sudah tidak ada autokorelasi di dalam model
tersebut.
Pin;:
Me(
r;•= -4364,756-62,89617%1: + 0,1515%;1 (9.39)

t (-1 ,8290) (-1 ,9304) (5,3215)
R2 = 0,8437 d= 1,6468
Dimana:
Y,* = [Y, - (0,5257)f,_ 1 ] ,X;, =[X,, - (0,5257)X1t-1] , X;, = [X 2, - (0,5257)X 2,_ 1 ]
9.3.2.5. Estimasi p Dengan Metode Cochrane-Orcutt

Uji ini merupakan uji alteihatif untuk mempercleh nilai p yang tidak diketahui.
Metode Cochrane-Orcutt sebagClimana metode yang lain menggunakan nilai estimasi
residual e1 untuk memperoleh informasi tentang nilai p. 7 Untuk menjelaskan metode ini
kita misalkan mempunyai model regresi sederhana sbb:
(9.40)
Diasumsikan bahwa residual (e1) mengikuti pola autoregresif (AR1) sbb:
(9.41)
dimana res;dul v1 nrengikutl asumsi OLS
Metode yang kita bicarakan sebelumnya untuk mengetimasi p hanya merupakan

estimas! tunggal terhadap p. Oleh k::~rena itu, Cochrane-Orcutt merel·omendasi untuk
mengestimasi p dengan regresi yang bersifat iterasi sampai tllendapi:!tl<an nilai p yang
menjamin tidak terdapat masalah autokorelasi dalam model. Adapun metode iterasi
dari Cochrane-Orcutt dapat dijelaskan sbb:
Pindyck, Sand Daniel. L. Rubinfeld," Econometrics Model and Economic Forecast, 1998, Singapore:
McGraw-Hill, pp. 163-164 ,
r-----
:~
r:=
~
P=- --
...... - ---
~-----
1. Estimasi persamaan (9.40) dan kita dapatkan nilai residualnya e1
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:
Y; - P~-l =flo- Pflo + fl1Xt- PfJ1X1-1 + et- P el-l (9.43)
Y; - P~-l = fJo (1- P) + fJ1 (XI - fJXt-1) +VI
atau dapat ditulis dalam bentuk yang'lebih sederhana menjadi persamaan
Y• = {J*c + {J* v• +el• 1"'1.1 (9.44)

dimana: p; = /] 0 (1- p)
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)
5. Kemudian estimasi regresi sbb:
,. ...
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
,_.
~
~~-_-:_--
_,_
Contoh 9.9. Metode Cochrane-Orcutt Permintaan lmpor

Berdasarkan uji Durbin-Watson maupun LM, regresi permintaan impor mengandung
masalah autokorelasi. Estimasi model AR (1} pada persamaan (9.42} menghasilkan nilai p
sebesar 0,304191. Hasil estimasi Generalized difference equation dapat dilihat dalam
persamaan (9.47} . Nilai statistik hitung d = 1,6468 sedangkan nilai kritis d dengan a=5%
dengan n=22 dan k=2 untuk dL =1, 147 dan nilai du = 1,541. Karena nilai d terletak antara du
dan 4-dL maka dapat disimpulkan bahwa sudah tidak ada autokorelasi di dalam model
terse but.
r:· = -6631,974 -76,135tx,: + o,t6o6x;, (9.47)

t (-2,6381) (-2,8292) (6,8339)
2
R = 0,8437 d= 1,6468
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
1. Deteksi Autokorelasi Permintaan lmpor 1980-2002 dengan metode

Bruesch-Godfrey (LM)
Pada bab 9, kita telah menguji masalah autokorelasi dengan metode LM pada kasus
permintaan impor. Eviews menyedia~an fasilitas Uji LM ini. Setelah kita mendapatkC\n
regresi permintaan impor maka selanjutnya klik View/Residual/Serial Correlation LM
test, kemudian akan muncul tampilan sbb:
Tampilan 1
Tampilan 1 merupakan spesifikasi lag yaitu panjangnya

kelambanan (lag) residual yang akan dimasukkan dalam
uji LM, misalnya 2. Untuk memilih berapa kelambanannya,
kita bisa gunakan kriteria dari Akaike dan Schwarz,
pembahasan kriteria ini ada di bab 11. lalu klik OK
sehingga muncul tampi!an sbb:
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
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
2. Penyembuhan Autokorelasi dengan First difference

Pad a kasus permintaan impor dimana variabel independennya hanya GOP,
regresi mengandung masalah autokorelasi. Kita tidak perlu generate equation untuk
membentuk variabel difference, Eviews telah memberi fasilitas ini. Langkahnya klik
Quick/estimate equation dan kemudian kita isi spesifikasi persamaannya sbb:
D(Y) c D(X) ,
~----
'"'
~
!!--
.-~~
~
~
~
dimana d menunjukkan first difference. Hasilnya ditampilkan dalam tampilan berikut ini:
Tampilan 3 '-. --
Dependent Variable: D(Y) r--

Date: 08108104 Time: 23:11
Sample(adjusted): 1981 2002
Included observations: 22 after adjusting endpoints
c -1382.167 840.0425 -1.645353 0.1155

D(X) 0.190214 0.037873 5.022370 O.OG01

Adjusted R-squared 0.535647 S.D. depend:mt var 4836.700
Sum squared resid 2.17E-+{)8 Schwarz criterion 19.22444
Log likelihood -208.3778 f.·statistii:: 25.22420
3. Penyembuhan Autokorelasi dengan Cochrane~Orcutt

Kita ketahui bahwa model permintaan impor pada Tampilan 2 mengandung
unsur autokorelasi. Pengobatan metode Cochrane-Orcutt langkahnya sbb:
• Kita estimasi permintaan impor dan kemudian kita dapatkan residualnya. Silahkan
pembaca mencoba sendiri.
• Regresi persamaan residual dengan residual sebeiumnya atau model autoregresif 1.
Langkah di Eviews dalam mengisi spesifikasi persamaannya sbb:
RES RES(-1)
Dimana res::.residual dan minus angka 1 dalam tanda kurung menunjul<kan residual
· periode sebelumnya. Hasilnya ditampilan sbb:
Tampilan 4
I Dependent Variable: RES
Math~d: LeOJ!:'t Squares
Date: 08/08104 Time: 2::1:/'!'
c 7.493200 659.4818 0.011362 0.9910

RES( 1) 0.304191 0.214072 1.420978 0.1707
R-squared 0.091701 Mean depenc!ent var 27.34321

Ac:ljusted R-squared 0.046286 S.~. dependent ·:ar 3166.662
Sum squared resirl 1.91E+08 Schwarz criterion 19.09705
Durbin-Watson stat 1.683732 Prob(F -statistic) 0.170728
• 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•
Dependent Variable: NEWY

c
Method: Least Squares e
Date: 08108104 Time: 23:46 rE
Sample(adjusted): 1981 2002 rE
Included observations: 22 after adjusting endpoinis-
c -6361.974 2411.52o -2.638153 0.0162

NEWX1 -76.13508 26.91069 -2.829176 0.0107
NEV\.'X2 0.160604 0.023501 6.833893 0.0000

Adjusted R-squared 0.827217 S.D. dependent var 7615.526 m
S.E. of regression 3165.558 Akaike info criterion 19.08417 pc
Sum squared ;esid 1.90E+08 Schwarz criterion 19.23295
Lrg like'ihood -206.9259 F-st3tistic 51.26993
m
Durbin-\ 1/atson stat 1.646795 Prob(F-statistic) 0.000000 cr
Fi.
PE
be -
idE
sir
tef
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,..,. - - - - -
_,_ ______
,_.
,,
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. ·
10.1. Karakterisitik Dari Respon Kualitatif

Misalnya kita ingin menganalisis keputusan sebuah keluarga untuk membeli
mobil. Jawaban yang kita peroleh hany<'l dua yaitu ya dan tidak. De'ls:;an kat::1 lain
respon sebuah keluarga bersifat dikotomis (binari). Sebagaimana bab sebelumnya
yakni bab 6, dalam model regresl dimana variabel bers;fat kualitatif makn kita harus
mengkuantitatifkan variabel kualitatif ini agar regresi bisa dilr:~kukan. K1ta akan
mengambil nilai 1 jika variabel mempuryai atribut dan ni!ai nol jika tidak meng:-:ndung
atribut.'
Ketika satu atau lebih variabel penjelas bersifat kualitatif di dalam model regres.
maka kita bisa menggunakan metode regresi linier dengan teknik variabel dummy
untuk mengestimasi ;node! ini. Namun, mengestimasi model de11gan variabel dependen
bersifat kuaiititif sangat berbeda. Misa!nya keputusan sebuah keluarga dalam membeli
mobil.
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).
10.2. Model Probabilitas Linier

Kita mulai dengan membahas model probabilitas linier (Unea;.. Probability
---,vtodel) disingkat LPM. Model estimasi LPM ini mengasumsikan bahwa probabilitas
bersifat linier terhadap variabel penjelas. Misalnya kita kembali ingin mengana!isis
Keputusan sebuah keluarga untuk membeli mobil atau tidak. Untuk menjelaskan hal ini
kita amlJil model regresi sede1·har1a dimana keputusan membeli mobil atau ticiak hanya
tc;rgantung dari tingkat pendapatan keluarga. Model tersebut dapat ditulis sbb:
(10.1)
Oimana: X1 = pendapatan keluarga

y = 1 jika memiliki mobil
= 0 jika tidak memiliki mobil
e = variabel residual yang bersifat skokastik dengan E(e) = 0
Model persama;:m (1 0.1) tersebut disebut model LPM karena probabilitas
seseorang individu unt~lk membeli mobil adalah fL~ngsi linier dari pendapatan individu
tersebut. Semakin tinggi pendapatan sebuah keluarga semakin tinggi probabilitas
memiliki mob!l dengan ting~at kenaikan yang sama. Untuk menginterpretasikan
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:
E(f; \X,.)= l(P;) + 0(1- P;)

=P I
(10.3)
Dengan demikian nilai harapan kondisional (conditional expectation) dari persamaan

(1 0.1) dapat diinterpretasikan sebagai probabilitias kondisional dari Y. Karena
probabilitas P; haru~ bernilai 0 dan 1 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. Residual (ei) Tidak Berdistribusi Normal

Sebagai modal yailg bersifat binan cJaiam vanabel dependennya yang hanya
mempunyai dua nilai, maka model LPM residualnya jelas tidak berdistribusi normaL Hal
ini bisa dijelaskan sbb:
(1 0.1)
Maka residualnya
e,. = .Y;- f3o- fJ1X,. (10.5)

Jika Y; =1 maka e; = 1 - f3 0 - f3 1Xi maka probabilitasnya P;
Jika Y; =0 maka e; =0 - f3 0 - f3 1Xi maka probabilitasnya 1- P;
Jadi bisa dilihat bahwa residualnya tidak berdistribusi normal tetapi mengikuti distribusi
binomial ~::Jistribusi Bernoulli).
F ~- -
!d----
1'~
..._____
~
~
. ----
~
Residual yang tidak berdistribusi normal yakni mengikuti distribusi Bernoulli

tidak begitu masalah jika tujuan dari OLS hanya sekedar estimasi bukan untuk inferensi
(prediksi), tetap akan menghasilkan estimator yang tetap BLUE. Disamping itu, jika
sampel terus bertambah, maka estimator OLS cenderung akan terdistribusi secara
normal.
2. Varian Dari Residual Mengandung Unsur Heteroskedastisitas

Masalah kedua yang muncul adalah bahwa residual dari LPM mengandung
_unsur heteroskedastisitas meskipun kita tetap mempertahankan E(ei) =0 dan cov (ei ,ei)
= 0. Hal ini terjadi karena ei mengikuti distribusi binomial. Hal ini bisa dijelaskan sbb:
E(e;) =0 atau
(1 CJ.5)
Penyelesaian persamaan (1 0.6) akan menghasilkan persamaan sbb:
( 10. 7)
Maka varian resici:.Jal dapat dihitur.g sbb:
Var (e;) = E(e;2 )

=(l--{J 0 -f3 1 X;) 2 P; +(--/3 0 -f3 1 X;)='(t-- P;)
= (1- fio - f3,XJ~f3o + fJ,X;)

=P;(l-.f;) (10.8)
atau
Var(e;) = E(Y; \X; )[1- E(Y; IX;)] (1 0.9)
= P;(l- P;)
dimana nilai Pi tergantung dari variabel X
~------
'-.:-
.;............
!!"-
~
~---:-~
Bab 10. Model Respon Kualitatif 207
Adanya heteroskedastisitas ini rnenyebabkan estimator dari LPM tidak lagi

BLUE, yakni tidak lagi mempunyai varian yang minimum. Sebagaimana pada masalah
heteroskedastisitas pada bab 8 sebelumnya, kita bisa mengatasi masalah ini dengan
cara melakukan regresi metode Weighted Least Squares (WLS).
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,
4. Nilai koefisien Determinasi {R 2 ) Diragukan Kehenarannya

Koefisien determinasi (R 2 ) tidal< al<an mampu menjelaskan kesesuaian garis
regresi dengan uatanya jii<a distribusi data variabel dependen bersifat dikotomis ateu
binari. Dalam model regresi dengan respon kualitatlf, nilai variabel dependen adalah 1
dan nol. Jika kita menggunakan model LPM dalam mengestimasi model ini mal\a R 2
tidak menjamin adanya koefisien deterrninasi y~mg sedekat mungkin dengan datanya,
lihat gamba: 10, 1. Sebaran data !iat:ya ted::td~\ Ji dua titik ·ekstrirn yaitu 0 dan 1
vI
0 + X
Gam bar 10.1. Sebaran Data dan Garis regresi Model LPM
[T-
b
~----
Ln
:- --
::;._
=
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%
Y; = -0,3998 + 0,1137 X (10.10)

(-3,495J) (8,1391)
2
R =0.7029 F- :-:: 66,2443 d=1 ,3752
- '~-:
..
.
1 0.3. Model Pro bit

Dalam model LPM kita mengasumsikan bahwa Pr(Yi =1 I Xi) menaik secara
linier terhadap X. Misalnya batas minimal pendapatan keluarga untuk bisa memiliki
mobil adalah 10 juta per bulan. Dalam model LPM ini berarti jika tingkat pendapatan 1-~
!<eluarga mengalami kenaikan ;Jendapat2n Rp 1 ju~a per bulan maka probabilitasr.ya

terus mengalami kenaikan dalam jumlah yang sama. Padahal dalam realitasnya, jika
pendapatan keluarga terus menaik maka· probabilitasnya juga semakin besar dan jika
sudah di atas pendapatan minimal kenaikan pendapatan ,tidak banyak mempengaruhi
probabi!itas untuk memiliki mobil. Probabilitas seperti ini je!as tidak sesuai dengan
fakta. Yang kita butuhkan adalah sebuah model probabilitas yang mampu menjamin
nilai probabilitasnya terletak antara 0 dan 1. Model Cumulative Distribution Function
(CDF) adalah sebuah model yang rnarnpu menjamin bahwa nilainya terletak antara 0
dan 1 sehingga dapat membuat model regresi dimana respon dari variabel dependen
bersifat dikotomis yakni 0 dan 1 terpenuhi.
CDF
I
___ /
-------
-en 0 +w X
Gam bar 1 0.2. Fungsi Di::>tribusi Kumulatif
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)
dirnana Xi adalah pendapatan
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
P; menunjukkan probabilitas suatu peristiwa yang terjadi yaitu probabilitas memiliki

mobil, kondisi ini digambarkan oleh area dari kurva standar normal dari - oo ke Z;. Nilai
f-
P; akan terletak pad a interval (0, 1 ). Tabel 10.2. menggambarkan hubungan an tara nilai
Z dengan normal CDFnya. Untuk mendapatkan informasi Z; dan Bo dan !) 1 kita
melakukan inverse persamaan (1 0.13) sehingga mendapatkan persamaan sbb:
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; .
Ta b e I 10 2 1\J'I1a1. F ungs1. P ro ba bTt

11 as K umulatif
z
~
Normal Logistik
1----
P(Z) P(Z)
-3.0 0,0013 0,0474
-2.0 0,0228 0,1192 I
-1.5 0,0668 0,1824
-1.0 0,1587 0,2689
-0.5 0,3085 0,3775
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.=-
~~~-'-
,.... _____
~ -
1 0.3.1. Estimasi Probit Untuk Data Kelompok

Kita mencoba menganalisis hubungan antara kepemilikan sepeda motor dan
tingkat pendapatannya. Probabilitas antara pendapatan dan kepemilikan sepeda motor
kita asumsikan mengikuti distribusi kumulatif yang berdistribusi normal. Dengan !-
demikian kita akan mengestimasi dengan model Normit atau Probit. Data yang kita
punyai merupakan data hipotetis dan dalam bentuk grup atau kelompok. Data hipotetis
tersebut ditamoilkan dalam tabel 10.3. N menunjukkan jumlah keluarga dan n
merupakan jumlah keluarga yang memiliki sepeda motor. Karena data Tabel 10.3
merupakan data dalam bentuk kelompok maka kita bisa menghitung tingkat
probabilitasnya pada masing-masing tingkat pendapatan. Nilai probabilitas dapat
dihitung sbb:
~ !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
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
ini ditampilkan dalam kolom terakhir Tabel10.3. ·
Contoh 1 0.2. Hubungan antara Pendapatan dan Kepemilikan Sepeda Motor

Kita akan mengestimasi hubungan antGra pendapatan dan kepefT1ilikan sepeda motor pada
data kelo~npok diatas dengan menggunaka~ metode P~obit. Karena ini merupal<an data
kelompok mal~a kita bisa menggunakan metode OLS. Pada tabel 10.4 ditampilkan hasil
regre.sinya dimana variabel dependennya adalah Z sedangkan pada tabel10.5 ditampilkan Z
+ 5. Kedua hasil regresi sama kecuali nilai intersepnya.
Tabel10.4. Estimasi Probit dengan Variabel Dependen Z

·-
Dependent Variable: Z
Sample: 1 10 -.....,--
Variable Coefficient Std. Error t-Statistic Prob.
c I -~ .274247 0.028453 -44.78467 0.0000
X 0.189833 0.004004 47.41263 0.0000
-=-·
R-squared 0.996454 F-statistic
Adjusted R-squared 0.996011 Prob(F-statistic) 12247.957
O.OOOOOQJ
I Tabei 10.5. Estimasi Probit dengan Va~iabel Dependen Z + 5

Dependent Variable: Probit- ---------~1
Sample: 1 10
Variable C:oefficientj Std. Error!. t-Statistic P.-ot:.
·- ------·
I
I
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-
10.3.2. Estimas! Probit Untuk Data Individual

Jil<:a data yang kita miliki ndalah data individ,Jal m<Jka kitC~ tidC~k bisa
menggunakan teknik estimasi OLS karena model Probit ini adalah model non tinier.
Prosedur untuk mengestimasi model Probit ini adc;lah melalui metode maxirnum
likelihood. 3 Sekarang beberapa program komputer seperti Eviews telah menyediakan
estimasi model Probit ini dengan data individual.
Oalam mengestimasi p'ersamaan regresi dengan menggunakan metode maximum !ikelinood daiJm
bab ini menggunakan alat baniu program sofware Eviews.
~---
1:;"
~
;
~--
·~~~-~
i-·
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=
1. Metode ML digunakan untuk sampel besar sehingga standar errornya adalah

asimtotik (asymptotic)
2. Sebagai konsekuensi dari norner 1 maka kita tidak lagi bisa menggunakan nilai
statistik t tetapi nilai statism, Z yang didasarkan pada distribusi standar normal
untuk mengevaluasi signifikan tidaknya variabel penjelas terhadap variabel
dependen. Sebagairnana kita ketahui. jika sampel yang kita miliki adalah cukup
besar maka statistik distribusi t akan mendekati distribusi normal.
3. Untuk menguji hipotesis nul apakah semua variabel penjelas secara bersarna-
sanla tidak mempengaruhi variabel dependen digunakan uji statistil<. likelihood
ratio (LR) sebagaimana uji F pada regresi mE:tode OLS. Nilai statistik LR ini
mengikuti distribusi chi square (x 2 ) dengar. degree of frt:Jedom (df) sebanyak
jurnlah 'lariabel penjelas tidak termasuk konstanta. Jika nilai chi square (x 2 )
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
Contoh 10.3. Hubungan Antara Kepemilikan Mobil dan Pendapatan

Kita kembali ke contoh 10.1. hubungan an tara kepemilikan mobil dan pendapatan
sebelumnya dengan sampel 30 rumah tangga dengan pendapatan tertentu. Sebagai
pengganti model LPM yang banyak mengandung kelemahan, kita akan mengestimasi model
hubungan keduanya melalui estimasi model Probit dengan metode Maximum /ikofihood (ML).
Hasilnya ditampilkan pada tabel 10.6. Tanda variab~l pendapatan positif sesuai dengan teori
dan signifikan pada a=5%. Koefisien pendapatan sebesar 0,9230 artinya jika pendapatan
naik sebesar Rp. 1 juta maka niiai estimasi probit akan naik sebesar 0,9230. Sedangf\:an
nilai koefisien determinasi R;fcF sebesar 0, 7759.
Tabel10.6 Hasil Regresi Kepemilikan Mobil·.. Model Probit

Method: ML- Binary Probit
Sample: 1 30
Variable Coefficient Std. Error z-Statistic Pro b.
c -7.455182 3.460451 -2.154396 J.0312
X 0.923041 0.413465 2.232454 0.0256
L.R statistic ( 1 df) 31.85257 McFadden R-squared
Probability(LR stat) 1.66E-08 0.775372 I
10.4. Model Log it

Sebagaimana dijelaskan sebelumnya, model fungsi distribusi kumulatif (CDF)
!ebih cocok men 1elaskc:1n perilal<:u v2r:abe: deper1den yang ;nerupakan sebuah respon
Kualitatif bersifat dikotomi daripada model probabilitas tinier (LPM). Selain model Probit
yang menggunf!kan distribusi normal, model CDF yang didasarkan pada distribusi
logistik dalam banyak kasus jug2. rndmpu menjelaskan moc'3l variabel dependen yang
dikotomis terse but. Medel ini diseb1 1t model Log it yang berasal 0.ari nama jenis
cistribusl probabilitas logistik untu~ menjelaskan respon kunlitatif variabel dependen.
Untuk menjelaskan model Logit ini, .~ita kembali ke kasus kepemilikan mobil
sebe;;lumnya dimana '<epemilikan mobil tergantung dari tingkat !)endapatan rumah
tc:mgga. Model Fungs; probabilitas logistil-: kumulatif dapat ditu:is sbb:
(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)
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 -
-,,-
~,-
Persamaan (10.19) dibagi dengan Pi dan kemudian dikurangi 1 akan menghasilkan

persamaan sbb:
~-1 ~-1
e -z; = _1 - 1 = Q_- ~ )_
~ ~
1 (1-P,.)
= (10.20)
Atau dapat dinyatakan dalam bentuk persamaan lain sbb:
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
:::-
<==-
·~ - -
·~
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:
1. Untuk masing-masing tingkat pendapatan X kita hitung nilai probabilitas memiliki

mobil
2 Untuk setiap X kita cari distribusi logistiknya sbb:
3.
z.
A
I
p
=In(-'-~)
1-P I
Estim.'3si dengan metodP. OLS. f'-1amun jika model mengandung masalah

(!0.25)
L
heteroskedastisitas maka kita bisa menghilangkannya dengan model Weighted Tat
Least Squares (WLS) sbb:
(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.
Tabel10.7. Hubun~an Antara Kepemilikan Mobil dan Pendapatan·----.-------,

Pendapatan (X) Jumlah Keluarga Jumlah Keluarga Probabilitas Probabilitas tidak
Dal3m Juta (N) dengan Mobil (n) mempunyai mempunyai m0bil
mobiL(~ _(1-Ql
7 50 10 0,20 0,8
8 60 15 0,25 0,75
9 70 21 0,30 0,7
10 80 28 0.35 0,65
11 100 40 0.40 0,6
12 80 40 0.50 0,5
13 75 45 0.60 0,4
14 60 39 0.65 0,35
15 40 28 0.70 0,3
16 30 24 0.80 0,2
Tabel10.8. Data untuk Estimasi Model~

1.
X; N n P 11-F P/(1-P) Ln (P/1-P) W; -Jw: ~zi ~xi
1 - - ----
= Z;
7 50 'iO 0,2 0,8 0,25 -1,381329 8 2,828427 -3,92103 19,798\.l9
8 60 15 0,25 0,75 0,333:_33 -1,09861 11,25 3,354102 -3,68486 26,83282
9 7C 21 0,3 0,7 0,428571 -0,8473 14,7 3,834058 -3,24859 34,50652
10 80 28 0,35 0,65 0,538462 -0,51904 18,2 4,266146 -2,64091 42,66146
11 100 40 0,4 0,6 0,66o667 -0,40547 24 4,898979 -1,98637 53,88877
12 80 44 0,55 0,45 1,222222 0,200671 19,8 4,449719 0,892928 53,39663.
13 75 45 O,R 0,4 1,5 0,405465 18 4,242641 1,720243 55,15433
14 60 39 0,65 0,35 1,857143 0,619039 13,65 3,694591 2,287096 51,72427
15 40 28 0,7 0,3 2,333333 0,847298 8,4 2,898275 2,455703 43,47413
16 30 24 0,8 0,2 4 1,386294 4,8 2,19089 3,037219 35,05424
220 Bagian Ketiga: Topii,-Topik Ekonometrika
Contoh 1 0.4. Lanjutan

Hasil regresi motode OLS ditampilkan dalam persamaan (10.27) sedangkan uji masalah
heteroskedastisitas dengan metode white ditampilkan dalam Tabel 10.9. Hasilnya ·~
menunjttkkan bahwa pendapatan berpengaruh terhadap kepemilik::m mobil dengan tingkat

signifikansi a = 1%. Nilai koefisien slope sebesar 0,3005 mempunyai arti bahwa kenaikan
pendapatan sebesar Rp 1 juta probabilitas memiliki mobil naik sebesar 0,3.
ln Z; = -3,5459 + 0,3005X (10.27)

(-25,5546) (25,6726)
R 2 = 0,988007 d==2,074155
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
Contoh 10.5. Model Log it Kepemilikan Mobil

Kita kembali mengambil data survei hipotetis kepemilikan mobil pada model Probit
sebelumnya untuk membahas contoh dari model Logit. Data diambil dari Tabel 10.1. Yang
berbeda disini, teknik estimasinya didasarkan pada model logit. Hasilnya ditampilkan dalam
Tabel 10.10. Tanda variabel pendapatan positif sesuai dengan teori dan signifikan pada
a=5%. Koefisien pendapatan sebesar 1,6504 berarti bahwa jika pendapatan naik sebesar
Rp. 1 juta maka nilai estimasi logit akan naik s8besar 1 ,65. Sedangk;;m nilai koefisien
determinasi R,~rcr: sebesar0,7717.
T a b e I 10 10 Has1·1 Regres1 Tk an 1
emeemll Mo b.11: Model Loqit
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
10.5. Model Tobit

Dalam banyak kal:'US, kita kadang tidak mendapatkan semua informasi yar.g kita
butuhkan untuk mendapatkan informasi variabel dependen. Misalnya kembali ke contoh
kepemilikan mobil sebelumnya. Bagi mereka yang mempunyai mobil baru, kita dapat
men::atc:t penge!uaran rneref.-a, tetC:lpi bagt mereka yang tidak mempunyai mobil baru
kita tidsk mempunyai informasi tentang pengeluaran mereka unt~k membeli mobi:.
Datam hal ini untuk variabel dependen kita hanya mempunyai satu data bag! rumar!
tangga yang membeli mobil.
Dengan demikian, k!ta mempun}"ai data yang dibagi dalam du? kelompok.
Kelompok pertama (n 1 ) adalah mereka yang memiliki informasi baik variabel dependen
yaitu pengeluaran untuk mobil ma~pun variabel penjelas yc.kni pendapatan ru:-nah
tangga. Kelompok kedua (n 2 ) sdalah mereka yang memiliki informc:~si hanya variabel
penjelas. Terbatasnya data untuk variabel dependen dalam sampel ini disebut model
sensor (cencored mode{). Model ini disebut model Tobit yang pertama kali
dikemukakan oleh ekonom James Tobin. Model Tobit dapat dijelaskan mela!ui model
berikut ini:
(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).
Contoh 10.6. Model Tobit Kepemilikan Mobil

Kita kembali ke contol1 sebelumnya yaitu hubungan antara kepemilikan rnobH dan tingkat .S:~_tir
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.
Tabel10.11 Hasil Regresi Kempemilikan Mobil· Model Tobit

!Dependent Variable: Y
Method: ML - Censor2d No~mal (TOB!T)
Sample: 1 30
Coefficient Std. Error z-Statistic Pro b.
c -1.462496 0.416307 -3.513028 0.0004
X 0.207202 0.040353 5.134728 0.0000
Error Distribution
SCALE.C(3) 0.468116 0.101723 4.601880 0.0000
r-~~ ~~-~r_!~.~·'
R-squared 0.603092 Akaike info criterion 1.152856 I l'vfefho
Ad'usted R-squared 0.573692 Schwarz criterion 1.292976 [ Sarnpl•
LAMPIRAN RUNNING EVIEWS BAB 10 '~--
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
1. Estimasi Model Probit Kepemilikan Mobil

Kita buat file kerja kemudian Quick/estimate equation kemudian akan muncul
tampilan sbb:
Pada Tampilan ·1 kita isi

spesifikasi persamaan yaitu:
YCX -
Pilih metode dengan Klik tanda
panah pada method dan pilih
Binary~Binary choice (logit,
probit, estreme value) lalu klik
OK sehingga akan muncul
tampilan sbb:
Pada Tampil2n 2 ini ada

beberapa pilihan metcde esti-
rnasi binari (Binary estimation
method) yaitu Probit, Logit
dan Extreme value. Pilih
Probit dan lalu klik OK
sehingga akan muncul tampilan -
[ S arnp{e: fl--:io ·-··--·· ···-···-·-·----··-···--·--··-···-------·· ··--- .................. -· . ·-. ··-· ···--····
3 sbb:
: • r
I
r:;
,_
! ..:
!'
224 Begian Ketiga: Topik-Topik Ekonometrika
Tampilan 3
Dependent Variable: y
Method: ML- Binary Probil
Dale: 09109/04 Time: 00:14
Sample: 1 30
Convergence achieved afh.r 7 iter<.~tions
Covariance matrix computed using second derivatives
Variable Coefficient Std. Error z-Statistic Pro b.
c -7.455182 3.4E0451 -2.154396 0.0312

X 0.923041 0.413465 2.232454 0.0256
f\11ean dependent var 0. 433333 S.D. dependent var 0.504007

Sum squared resid 1.554551 Schwarz L.riterion 0.533458
Lag likelihood -4.600670 Hannan~Quinn criter. 0.469928
Restr. log likelihood -20.52695 Avg. log likelihood -0.153356
LR slalislic (1 df) 31 .95257 McFadden R·squared 0.775972
Probability(LR stat) 1 66E-08
Obs with Dep=O 17 Total obs 30

Obs with Oep=1 13
2. Estimasi Model Logit Kepemili!<.an Mobil

Langkah estimasi logit sama dengan probit kecuaii pada tampilan2 kita pilih
!ogit. Hasil regresinya ditampilkan sbb:
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
\/ariable Coefficient Std. Error z-Statistic Pro b.
c
X
-13.19109
1.650428
. 6.824275
0.803802
-1.976926
2.05327<3
=
0.0480
0.0400
Me<'1n depender.t var 0.433333 S. 0. dependent var 0.50<'~007

S. E. of regrE"~ .;ion 0.231969 Akaike into criterion 0.445753
~urr. squ&re j resid 1.505669 Schwarz criterion 0.5 39186
Log likelihood -4.686289 Hannan-Quinn criter. 0.475636
Restr. log likelihood -20.52695 Avg. log li~elihood ·0.156210
LR statistic (1 df) 31 .68133 McFadden R-squared 0.771701
Prcbability(LR stat) 1.82E-08
Clbs with Dep=Cl 17 Total obs 30

Obs with Dep=1 13
-,--
3. Estimasi Model Tobit Kepemilikan Mobil

Setelah kita mendapatkan tampilan 1, kita pilih metode estimasinya yakni klik L....:,_ __ _
Cencorced- Cencored data (tobit) kemudian akan muncul tampilan sbb
Tampilan 5
Ada beberpa pilihan distribusi

· dalam model cencored yaitu
normal, logistic dan extreme
value. Pilih normal dan kemudian
klik Ok sahingga akan muncul
Tampilan 6 berikut ini
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.
c -1.462496 0.416307 -3.'313028 0.0004

X 0.2rJ7202 0.040:"53 5.134728 0.0000
F=
Erro.- Distnbutir,n
F==-=
SCALEC(3) 0.468116 0.101723 4.601880 0.0000

Adjusted R-squared 0.573692 S.D. dependent var 0.'304007
Log likel'hood -14.29285 Hannan-Quinn criter. 1.197682
Avg. log likelihood -0.476428
Left censored obs 17 Right censored obs 0

Uncensored obs 13 Total obs 30
,_, __
n
i
I~
I
r
f !
V\
IT
ki
in
ni
m
Di
inc
au
Sengaja dikosongk3n untuk catatan Anda
~
~
~
tk __ .-.=
~--
,-,-
i,.
Bah 11 I
MODEL KELAMBAN AN- L.:;
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.
11.1. Model Kelambanan

Dampak sebuah kebijakan ekonomi seperti [(ebijakan moneter dan fiskal
biasanya tidc:tk secara lan~sung berdampak pada ak~ivitas ekonomi tetapi memerlukan
waktu atau kelambanan (lag). Bekerjanya kebijakan ekonomi mungkin merr.erlukan
waktu misalnya enam sampc:.i duabelas bulan. Secara m::Jtematis, kita dapat
rnenunjukkan efek tersebut dengan menyatakan bahwa perubahan kebijskan el<onorr.i
>\ 1 rnempunyai dampak ekonomi Yt. Y1+ 1 , Y1+ 2 , dst. Jika pemyataan ini kita balik, maka
kita bisa mengatakan bshwa variabel dependen Y1 dipengaruhi oleh variabel
independen Xt. Xt-1, Xt- 2 dst
Model regrcsi y 1ng mernasukkan tidak hanya rdlai SE:karang (current) tetapi juga
rilai kelambanan dari variabel independen disebut model kelambanan (distributedc.lag
model). Secara umum model kelambanan ciapat ditulis sbb:
('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
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.
11.2. Model Kelambanan Geometrik

l<ita kembali ke mo jet umurn kelambanan yanq didistribusikan secara tidak
terbat3s atau infinitif tersebut sbb:
('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)
dimana: 'A = derajat penurunan 0 < 'A< 1

i = 0, 1, 2, ...
Nilai koefisien f3 dalam persamaan (11.4) tersebut secara berturut-turut ak<=tn

terus mengecil namun tidak akan pernah nol. Walaupun tidak pernah nol, tetapi
sampai batas waktu tertentu pengaruh variabel independen dapat diabaikan. Pola
penurunan seperti ini rasional. Misalnya pengeluaran konsumsi saat ini akan sangat
besar dipengaruhi oleh pendapatan yang terjadi saat ini. Namun demikian pendapatan
periode sebelumnya (kelambanan) juga bisa mempengaruhi konsumsi sekarang
dengan pengaruh yang pasti lebih kecil dan semakin besar kelambanannya maka
pengaruhnya juga semakin mengecii, bahkan sampai batas tertentu tidak ada sama
sekali. Pola penurunan parameter (3 dapat dilihat dalafll garnbar 1 '1.1.
1\
!'\.
-,- ~ .
_I_J~
II ~-:~
I ...___ _
. I
i
Gambar 11.1 Penuruan secara geometris timbangan kelambanan
Pertanyaanny&, bagaimana kita mengestimasi persamaan (11.3) diatas? Untuk

mengestimasi pers8maail (11.3), kita masukkan persamaan ('i 1.4) ke da!am
persamaan (11.3). Penyelesaian kedua persamaar. tersebut akan menghasilkan
persamaan sbb:
(11.5)
230 Bagiar :<etiga: Topik-Top.ik Ekonometrika
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)
Kemudian persamaan (11.6) dikalikan dengan A menghasilkan persamaan sbb:
A-y;_, =/La+ /LfJoXt-1 + /LfJoA_' Xt-2 + /LfJoA1 Xt-3 + · · · + ..iet_,

A-J';_, = /La+ fJoAXJ-1 + f3o,1.? xt-2 + f3o/L3xt-3 + ... +MI-l (11. 7)
Selanjutnya persamaan (11.5) dikurangi dengan persamaan (1 i .7) akan meilghasilkan

persamaan sbb:
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
Bab- 11. Model Kelambanan 231
(11.9)
!-:-::------
Dalam praktekn).'a untuk menjelaska!l struktur kelambanan digunakan kelambanan

median (median lag) dan kelambanan rata-rata (mean lag). Median dan rata-rata ini
merupakan ukuran kecepatan perubahan Y terhadap perubahan X.
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
Kelambanan rata-rata ini merupakan rata-rata tertimbang dari semua kelambanan

dengan timbangan:-~ya adalah 13- Ke:ambanan rata-rata model geometrik dapat
dihitung dengan formula sbb:
Kelambanan rata-rata model geometrik =~ (11.12)

1-A.
Jika misalnya 'A= 1/2 maka kelambanan rata-ratanya adalah satu. Dengan cemikian
perubahan Y hanya memerlukan satu periode waktu.
~
~
~
&==
g ···--=
-~:-
~ t
I!
f;,,
.-:--
232 Bagian Ketiga: Topik-Topik Ekonometrika ·;;;;;;
11.3. Model Penyesuaian Adaptif

rc: r"
Model kelambanan geometrik adalah model yang dikembangkan melalui tir k----
pendekatan matematis tanpa· adanya dasar teori yang melatarbelakanginya. Salah satu bE
model yang menyertakan perilaku ekonomi adalah model penyesuaian adaptif c
ji~ ,_
(adaptive expectation model). Misalnya dalam kasus permintaan barang. Perrnintaan bE
barang pada suatu waktu (Yt) tergantung dari harga barang tersebut(X 1). Namun "-
demikian tidak semua konsumen melakukan penyesuaian permintaan barang dari
m
waktu ke waktu karena adanya fluktuasi harga barang. Perminte.an barang akan sangat
m
tergantung dari ekspektasi mereka tentang bagairnana kondisi har.9a yang "normal". ~
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
dimana y adalah koefisien ekspektasi (coefficient of expectation) per~
nilai
Kita dapat tulis kembali persamaan (11.14) menjadi: perL
kedt
(11.15) aktu c-
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:
:r: = f3o + fJ,lrxr + (1- r)x;_, J+ el

:t: = f3o + f3,rXr + P1 (1- r)X;_I + e, (1"1.16)
Jika kita melakukan kelambanan persamaan ( 11. i 3) dan kemudian dikalikan dengan ·J-
Y menghasilkan persamaan sbb:
(1- y)~_ 1 = (1- y)/30 + /3 1(1- y)X;_, + (1- y)e1 _ 1 (11.17)
Pengurangan persz.maan (1 ~ .16) dengan persamaan (11. 17) akan rnenghasilkan

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
Y; = f3or + P1YXr + (1- y)}~_ 1 + e, - (1- (Jy)e,_,

r: =/JoY+ fJ1yXr + (1- y)Y;_I + v, (11.18)
Dimana vl =e;- (1-y) e,_,

Estimasi model penyesuaian adaptif di daidm model (11.18) dengan demikian sama
dengan model transformasi yang dilakukan cleh Koyck sebelumnya. Model
penyesuaian adaptif ini juga merupakan model autoregresif.
Apa perbedaan persamaan (11.13) denga;1 persarnaan (11.18)? Di dalam
persamaan (11.13/ (3 1 mengukur rata-rata perubahan Y karena perubahan satu unit
nilai keseimbangan variabel x·.
Sedangkan dalam persamaan (11.18) [),y mengukur
perubahan rata-rata Y karer,a perubahan satu unit dari nilai aktual X. Dengan demikian
kedua respon dari paramater estimasi ini berbeda. Namun jika y = 1 maka respon
aktual jangka penJel< maupun respon ke~ ~!mbangan jangka panjang akan sama.
-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
11.4. Model Penyesuaian Persedian

Selain dengan model penyesuaian adaptif, teori yang bisa menjelaskan tentang PI
kelambanan geometrik adalah model penyesuaian persediaan (stol<:) atau model Ji
,,~t
penyesuaian parsial (parsial adjustment mode0 disingkat PAM 2 • Contoh model PAM
yang akan kita bahas disini adalah bagaimana sebuah perusahaan dalam y;:
mt::nyesuaikan tingkat persediaan barangnya (inventories). Perusahaan yang tidak pt:
mempunyai tingkat persediaan yang optimal akan menghadapi dua kendala. Pertama, ~·~r:~
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
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
'/ ··- ;;v• -,-' (1

_: r ---- _......:. r - u~)Yt-l (1~.21)
Dalarn persamaan (11.21} ini menunjukkan bahwa persediaan aktu31 periode t

men1p.::,i<.a;·1 rai:J-(ata tertimbang dari persediaan aktual yang diinginkan dan persediaan
e~:'::12.i )·.:;:·L·,r.b ssb.~:lu;·,my3 dirnana iimbangannya masing-masing sebesar o dan (1-8).
'\g;3r p.srsamaan (i 1.19) tersebut dapat rlicari solusinya maka kita • dapat
mEmsubstitusikan persamaan (11.19) ke dalam persamaan (11.21) sehingga
menghasl!kan persamaan sbb:
}~ = o(f3o + /]IXt + et) + (1- 6)~-1
yi o= i5f3o + ojJIXI + (1- S)r;_l + 0 e,
~ == of3o + ojJIXI + (1- S)Y;_I +VI (11.22)
Per·-;arnaan (11.19) merupakan model permintaan persediaan jangka panjang

atau perminta.an persediaan keseimbangan sedangkan persamaan yang kita hasilkan
dalem persa:n3an (11.2.L) merupa'<an model permintaan persediaan dalam jangka
pendek \'\arena persediaan aktual tidak akan selalu sama dengan persediaan
1."::
-'.
keseimbangan. Misalkan besarnya penyesuaian 8=1 maka persamaan (11.22) akan

sam a dengan persamaan ( 11.19). Untuk mendapatkan fungsi jangka panjang maka kita
estimasi persamqan regresi jangka pendek (11.22) dan lalu kita dapatkan koefisien ~-,----
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.
11.5. Estimasi Model Autoregresif

Dari ketiga model kelambanan yang kita turunkan sebelumnya semua
menghasilkan suatu model akhir berupa model autoregresif. Sebagai perbandingan kita
tulis 1-';embali ketiga persamaan tersebut sbb:
• Model Kelambanan Geometrik
climana v, = er -· ye,._ 1
• Modei Penyesuaian Adaptif
(1'1.24)
• Modal Penyesuaian Persedian (PAM)
(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:
.LJ?; =ni/Jo +1/J, I:XI +I/J2 ~}~_, (11.28)
L 1-'; XI = 1/Jo I: XI + 1/J, I: X,2+ 92L ~-:X,

.L Y, XI-I = IPo L: XI-I + ;p, L: X, XI-I + ;p2 L ~-1 ;{t-1
Pada subbab ini akari dibaha;__ metode variabel instrumen sedan<]kan rnetode estimasi dengan
Maximum t,f<e!ihood akan dibahas pada bab 15.
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.
Contoh 11.1. Permintaan Uang Pendekatan PAM

Kita ingin mef"lcoba rnenganalisa permintaan uang M1 dengan pendekatan PAM pada
periode 1985-2002. Berdasarkan teori dari Keynes, permintaan uang dipengaruhi oleh
pendapatan clan suku bunga. Pendapatan sebagai variabel motif transaksi berhubungan
positif sedangkan variabel suku bunga sebagai variabel motif oportunitas berhubungan
negatif terhadap permintaan uang. Data variabel pendapatan digunakan GOP nominal
sedangkan suku bunga digunakan suku bunga deposito 12 bulan. Data ada di lampiran bab
ini. Adapur. modelnya sbb:
(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:
lnY = -1,3735+0,6638lnX;, -0,0716,62 lr.X 2, +0,35561nY,_ 1 (11.32)

(-2,8105) (3,6839) (-0,9196) (2,0164)
2
R = 0,9969 d=1 ,9120
~
!

Tanda variabel GDP positif sesuai teori dan signifikan pada a=1%. Jumlah permintaan uang
periode sebelumnya (M 1•1) juga mempengaruhi positif dan signifikan pada a=5%. Sementara
itu suku bunga bertanda negatif sesuai dengan teori tetapi tidak signifikan. Koefisien
penyesuaiannyc: sebesar & = 1- 0,3356 = 0,664 yang berarti bahwa perbedaan sebesar 64%
antara permintaan uang yang diinginkan dengan yang terjadi disesuaikan dalam periode satu
tahun. Sedang~an permintaan uang M1 jangka panjang dicari dengan membagi permintaan
uang jangka pendek dengan & = 0,664 dan tanpa memasukkan vari::~bellnY 1 _ 1 . !-lasilnya sbb:
In r; = -2,0685 + 0,9997ln X 11 -0,1078 !n X 2, (11.33)
Persamaan (11.34) tersebut menunjukkan bahwa elastisitas pendatapan dari permintaan

uang sebesar 0,9997 lebih besar dari elastisitas pendapatan dari permintaan uang jangka
pendek sebesar 0,6638
11.6. Deteksi Autokorelasl Model Autoregresif

11.6.1. Uji Durbin h
Jika terdapat autokorelasi di dalam residual v1 maka estimasi model autoregresif
s~dikitkomplek. Di dalam model PAM atau penyesuaian persediaan residua! v 1 tidak
mengandung serial korelasi tingkat pertama jika residaul e1 bersifat independen.
Sedangkan dalam model transformasi Koyck maupun model penyesuaian adaptif
residual v1 saling mengandung serial korelasi walaupun residual e1 bersifat independen.
Pertanyaannya bagaimana kita bisa mengetahui ad3nya aut0!<orelasi dalar11 model
auioregresif?
Pada pembahasan masalah autokorelasi pada .bab 9. kita telal1
memperkenalkan uji autoko:-elasi yang dikemukakan oleh Durbin-Watson. Tetari Lji
Durbin-Watso11 ini akan bias jika model yang kita uji adalah model autnregresif dimana
salah satu. varia bel independen adala!l kelamtailan dari variabel depend en Y 1.1. Durbin
telah mengembangkan uji autokorelasi di dalam model autoregresif dikenal sebagai uji
Durbin h. 4 Uji Durbin h ini akan valid jika memounyai sampel besar dan didasarkan
pada nilai statistik h yang diperoleh dari metode OLS. Nilai statistik h dihitung
berdasarkan formula sbb:
n
h-=p [ ] (11.34)
1- n var(P )
2
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
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
dimana d adalah nilai statistik Durbin-Watson. Dengan demikian persamaan (11.34)

dapat ditulis kembali meiljadi persamaan sbb:
1 n
h=(l--d) [ ] (11.36)
2 1 - n var(ft 2 )
dimana d = nilai hitung statistik Durbin-Watson

n = jumlah observasi
var = varian dari koefisien lag (Y1.1)
Untuk mengujl masalah autokorelasi dalam model autoregresif dengan

menggunakan uji h langkahnya sbb:
·1. estimasi model autoregresif den-Jan metode OLS

2. dapatkan varian dari koefisien kelambanan variabel dependen dan nilai statistil<
d
3. hit.mg r-1ilai s~atistil< h berd::Jsarkn!l p8da perssr.1aan (11.36)
4. jil<a sampel adalah besar maka nilai statistik h akan mempunyai distribusi
/
normal dengan rata-rata not dan varian sebesar 1 sbb:
r
s
( 11 37) c
IJ
Dari distribusi normal kita mengetahui bahwa probabilitas h dengan 95%
kebenaran adalah sbb:
Pr( -1,96::::; h ::::; 1,96) = 0,95 (11.38)
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.
Contoh 11.2. Uji Durbin h Permintaan Uang

Setelah kita melakukan analisis permintaan uang M1 model PAM yang mengasumsikan
bahwa residual model PAM tidak melanggar asumsi residual OLS maka ~ita akan mencoba
mendeteksi apakah permintaan uang model PAM mengandung masalah autokorelasi. Nilai
d sebesar 1,9120. Nilai ini mendekati angka 2 yang diduga tidak ada masalah autokorelasi.
Akan tetapi model autoregresif biasanya nilai d-nya sei<Jiu mendekati anyka 2 sehingga kita
tidak begitu percaya saja bahwa model tidak mengandung rnasalah autokore1asi Sebagai
alternatifnya kita menggunal\an uji h yang dikemukakan oleh Durbin. Nilai hitung h sebesar:
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~
11.6,2. Uji Lagrange Multiplier (LM}

Selain uji h yang cJiperkendlkan oleh Durbin, klta juga l..Jisa rm~ncJeteksi ada
tidaknya autokorelasi dalam model autoregresif dengan menggunakan uji yang
dikembangkan oleh Bruesch-Godfrey yang dikenal dengan uji L2grange .rvfultiplier.
Sebagaimana pada bab 9, uji Li\tl merupakan uji yang secara umum digun31\r.m untuk
ihSnucteksi masaia:1 auL)komlasi daripada uji yang dikemukakan oleh Durbin-Watson.
Akan tetc:pi uji ini mengandung kelemahan yakni penentuan panjangnya kelambanan
residual (p). Penentuan panjangnya kelambanan residual ditentukan secora
se:-nbc.rang atau arbirter. Uniuk .nengatasi hal ini kita bisa menggunak;:m kriteria yang
dikemukak-:1n oleh Akaike (Akaike Information Greteria) maupun Schwarz (Schwarz
Information Creteria). 6
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'
242 Bagian Ketiga: Topik-Topik Ekor.ometrika
-- - .
~~odfrey
~~·
Contoh 11.3. Uji Metode LM Permintaan Uang Model PAM

'1elain dengan menggunakan uji Durbin h, kita bisa menggunakan metode LM dari Breusch-
j untuk mendeteksi masalah autokorelasi dalam model autoregresif. Pada bab 9
1
teiah dijelaskan bahwa kelamahan dari metode DW diperbaiki oleh Breusch-Godfrey dengan
rnernasukkan unsur autoregresif dalarn modelnya. Disini akan kita tampilkan uji LM dengan
metode Eviews. Penentuan panjangnya kelambanan residual d\dasarkan pada kriteria dari
Akaike dan Schwarz. Hasi!nya ditarr.pilkan pada Tabel 11.1. Nilai chi squares hitung adalah
sebesar 0,0013 dengan probabilitas sebesar 0,9709 <.!tau sebesar 97,09%. Dengan a
=97,09% tersebut maka secara st2tistik tidal< signifikan sehingga model tidak mengandung
unsui" autokorelasi. Temuan ini rnendukung uji dari Durbin h ssbelumnya.
Tabel 'li.·L Uji Autokorelasi dengan b~l ____________ _

Breusch-Godfrey Serial Correlation LM Test:
F-statistic I 0.000938 Probability 0.976075
Obs•R -sg uared _ _0_.0_0_1_3_28---":'----P_ro_b_a_b_ili__,_t_ _ _c _ __ _ _0_._9_70_9_2__,8l
-....--:.-~--=--~........-~~=-
==~~=<==~-""'"""=-==;;;;;;;;;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
VoL 33, 1965, pp. i l8-l 96
""
2
IF--
~
;_=:=
-,-
Bab 11. Mod81 Kelambanan 243
i-
'l...
i
(a) (b)
Gambar 11.2 Penuruan secara Po!inomial timbangan kelambanan
Almon mengasumsikan bahwa nilai koefisien (3; pada persamaan (11.40)

mengikuti pcla distribusi pollnomial i dimar.a i adalah panjangnya kelambanan. Jika
misalnya distribusi koefisien (3; mengikuti pola model polinomial pangl\at dua (second
degree) yang dikenal der.gan pola fungsi kuadratik sebagaimana dalam gambar 11.2(a)
maka persamaan distribusi, koefisien (3; dapat ditulis sbb:
(11.41)
Dimana i adalah panjangnya kelambanan

Akan tet8pi jik":'l cistri!;'Jsi ko~fisien f); mer.~i:<;Ai pols seperti 8an1bar i ~ .2(b}
yakni pola model polinomial pangkat tiga (third degree) dikenal dengan pola fungsi
kubik (cubic function) maka distribusi koefisien (3; dap;;t ditulis sbb:
(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
Y1 ==a+ ~)b 0 + bJ + b2 i )X,_; + e;

2
k k k
==a+b0 LX1_ 1 +b 1 LiXr-t +b Li
2
2
X 1_ 1 +e1 (11.44)
Persamaan ( 11.44) dapat kita tulis dalam bentuk persamaan sbb:
(11.45)
dimana
k k k
Wcr = L:xr-1 ; wll = LiXI-l; i=O

Wzr = 2>
i=O
2
xr-l (11.46)
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)
11.8. Pemilihan Panjailg Kelambanan

Ketika kita menganalisis mode! kei2mbanan, pertany3an kru"i31 yang muncul d '
adalah bagaimana menentukan panjangnya kelambanan. Hal ini merupakan persoalan
dalam spesifikasi model. Untuk menjawab hal ini maka kita bisa kembalikan kepada
teori. Misalnya daiam kasus permintaan barang. Permincaan barang dipengaruhi oleh
harga yang sekarang dan harga periode sebelumnya. Pertanyaan yang mun::;ul berapa K
lama periode sebelurnnya atau dengan kata lain berapa p3njangnya kelambanan harga
ini berpengaruh terhadap permintaan barang. Secara teori maupun intuitif pengaruh m
in
harga pe"riode sebelumnya tidak akan lebih dari satu tahun.
Di dalam banyak kasus perilaku ekonomi, teari tidak menjawab secara pasti St
berapa panjangnya kelambanan ini. Oleh karena itu, kita harus melihat data dan SE
kemudian menentukan ketepatan panjangnya kelambanan. Ada beberapa metode
t:
~
;
~--==-
~ ----
,-;)-
~.;·
r:
r·.:.
'
I'
untuk melakukan hal ini. Salah satunya adalah nilai koefisien determinasi yang
disesuaikan (JP) . Kita akan kembali tampilkan formulanya sbb:
R2 =1- RSSI(n-k) (11.48)

TSS l(n -1)
D81am hubungannya dengan koefisien determinasi maka Koefisien determinasi yang

disesuail~an ini (R
2
) dapat ditulis 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
menggunakan kriteria ~~ang dikemukakan oleh Akaike (Akaike Information Criterion =

=
AIC) maupun Schwarz (Schwarz Creterion SC). Kedua kriteria tersebut sbb:
(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
,.
'-,··
·1 ·J.9. Kausalitas Di Dalam Ekonomi

Hingga pada subbab ini kita masih memusatkan pada pembahasan regresi.
Regresi ini memusatkan perhatian pada hubungan bersifat satu arah yaitu bagaimana
pengaruh variabel independen ke variabel dependen. Oi dalam kenyataannya perilaku
variabel ekonomi tidak hanya mempunyai hubungan satu arah, tetapi menunjukkan
adanya hubungan dua arah atau dikenal dengan konsep kausalitas. Misalnya
hubungan antara nilai tukar dengan inflasi. Hubungan kedua variabel tersebut tidak L ~
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
X,·= LY,Xr-i + LJXr-1 +ezr (11.53)

i=l i=l
dimana X = ekspor dan Y = GOP
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.
-~:-
n n
persamaan unrestricted Y, = L:a,Y,_, + L:P,.Xt-i + et, (11.54)
In
persamaan restricted Y, = LY,.Y,_,. + e2, (11.55)

l:=l
Langkah kedua dalam menguji apakah GOP juga mempengaruhi ekspor maka kita
harus melakukar1 regresi sbb:
II II
persamaar. unrestricted X, '-" Ia;Xt·i + LfJ;Y,._; + el, (11.56)

i=l i=l
m
persamaan restricted X, = Lr,.X,_,. + e2, (11.57)
i=l
1-\eputusan apakah ekspor mempengaruhi GOP dan sebaliknya apakah GOP

mempengaruhi ekspor d\gunaka!1 uji F. Nilai F hitung diperoleh dari formula sbb:
(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
.,.......,.~.r.l".o!!i~i"iiii•um;;;;i:'IR!«<iiii=""-'""'"'....,;;;;;;;;;;;;;;;;;;;;;;;;;;;
panjangnya kelambanan didasarkan r:ada metode Final Prediction Error (FPE). 8

Sebagaimana dalam model kelambanan, kita bisa menggunakan kriteria yang
dikemukakan oleh Akaike maupun Schwarz dalam menentukan panjangnya
kelambanan dalam model kausalitas ini.
Contoh. 11. 4-. Uji Kausalitas Ekspor dan GDP

Pada setiap uji kausalitas kita harus melakukan regresi sebanyal< ernpat kali. Jika kita
melakukan uji kausalitas dengan lebih dari satu kelambanan, misalnya 2 kelambanan maka
kita harus rnelakukan regresi sebanyak 8 kali dst. Sekarang sudah t.lanyak sofu01are
,, ekonometrika ya119 secara langsung menyediakan aiat analisis uji kausalitas C~ranqer. Agar
1: pekerjaan kita lebih cepat dan efisien maka uji kausalitas :mtara CDP clan ei<spor akan
/ diolah dengan sortware Eviews dengan melakukan uji kausalitas pada beberapa !<elambanan
yaitu dari 1 sarnpai 3. Langkah uji kausalitas (]ranger dengan software Eviews bisa dilihat
11 dalam lampiran
Hasil uji Kausalitas antara ekspor d8n GOP dengan kelarnbanan 1 ·-3 dap3.t dilihat Tabel
1 11.2-1 '1.4. Program Eviews memberi informasi nilai F hitungnya dan probabilitasnya.
[ Hipotesis :1ulnya · adalah apakah ekspor (X) rnempengaruhi GOP dan apakah GOP
. rnernpen;aruhi ekspor (X). Sebagaimana pada bab 4, l~eputusan ada t:daknya kausalitas
1
dengan uji F bi3a dim1at dari nllai probabiiitasnya. Pada kelambanan 1 Ekspor
'j mernpengan1hi GDP pada c:·::: 5%, pc:da kelamban:.=m 2 ekspor mernpeng::m.J~'i (30P pada
pad& a:= G%, sedangkan pada kelambanan 3 el<:spor mempenga:uhi •::JDF' pada pada a=
i, 10%. Sedangkan GOP mempengarulli ekspor hanya terjadi pada kelc:;rnbanan 3 dengan a.=
1%.
l
~~
Tabe.!__ti.:_2:_~:!J! i\ausall!:_as_Granger Dengan Kelarnt~~nan ·_1---------·--··-----··-·--·------
Pairwise Granger Causality Test~
I
'
Sample: 1980 20()2
Lags: :
~,~~~~h~~;n~e~~::-~--;-----ros~2 ~--F~s~~;~~"--:F P~og~g~~ · 11

-~ ~oes = : C a u s e X________--=--~-0.543~~~~~ U.47004=JI
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
Contoh. 11. 4. lanjutan

,.
Tabel 11.3. Uji Ka!.!sa!itas Granger dengan Kelambanan 2

Pairwise Granger Causality Tests
Sample: 1980 2002
La s: 2
Obs F-Statistic Probabilit
1
X does not Granger Cause GOP 3.65918 0.04913
L_GO~_ doe~_Qot. Granger Cause X --------~---0_.5_6_32?~---L-__~0~.5~8~0~26~--
Tabel 1 1.~Jl. Kausalitas Granger dengan Kelambanan 3

Pairwise Granger Causality Tests 1
Sample: 1980 2002
I Lags:3-=----,.,---~-----------.---:::-:------,-----=--:::-:--::-:-:--.-----=--,.--~---ll 1
Null Hypothesis: I Obs F-Statistic Probability~
j X does not Granger Cause GOP 20 2.69685 0.08907
GOP do=~Granger Cause X 8.78834 0.00191 '
'!
,.
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
1986 95(<'2J, 1 ! i4805,Q 1 1998 955735,5 48847,6

I I 1999 1099732,0 46665,5 I
l
1987 ·:?4L1W,9 '17135,6
1988 1 "!4?1Cl4)3 ! 19218,5 I 2000 1264919,0
62124
1980 : "':6/ 1 ·~4.7' i 22158,9 2001 1449398,0 56320,9
I 1990 I 195t:97,2 I 25675,3 2002 1610012,0 57158,8
I 199·1 227'4~0,2 i___J9142.4 -
lsurTibef:. srs~ L1e;:f),i9aft.ahun penerbitan--
Lampir(l:n_X~~~~-~j__ !J .21Jan_g_~~E!dar M"l, Suku bung a deposito i 2 bulan dan GOP

.
l~b~~J M·1_0~:!i_lyar) __) Su~u Bunqa deposito ·12 bulan(%) @P nominal (mil ar)
r- 1985 1 10!04 1 18.24 94720.8
I 1986 I 11677 i '15,72 1
I 95823,1
i 10'17: i)'')P') ! 1'50 : 1?48169
!I ~ ~~~ ' i:~~,~~ II: ~ ~:~; I ;~~i ~::~

, i990 23Z:;19 I 18,53 i 195597,2
\ 1QSi ~G3·~1 i 21,18 227..t50,2
'
1992 2GTT9 I
I
21,13 259884,5
1993 3:'3805 I 13,25 329775,8
1 1994 45374 ,. 12,99 382219,7
I 1995 52CT7 1 15,04 454514,1
I 1996 64089 I 16,69 532568,0
1 1997 7B343 I 16,28 o27695.4
, 1998 1o1197 1 21,84 955735,5
1999 124633 1 27,6o 1099732
2QQQ 162186 I 16,15 1264919
2001 17T13'i 14,23 I 1449398
! 20.9_~ L---i~-~~~~2.- ___L _____ . 15,28 ___ L_... 1610012
sumber: Bi, statistil~ Ekonomi dan Keuangan Indonesia
1. Estimasi Model PAM Permintaan Uang (M1) 1985~2002

Pada bab 11 kita telah mengestimasi model permintaan uang melalui
pendekatan partial adjustment model (PAM). Adapun modelnya sbb:
lnM; = ln /3 0 + /31 ln GD~ + /3 2 ln R1 + (1- 6) ln Mt-J + & 1 (1)
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:
Log(m1) c log(gdp) log(r) iog(m1{-1))
rlosil estimasi model PAM ditampilkan sbb:
Tam ilan 1
Dependent Variable: LOG(M1)
iv1ethod: Least Squares
Date: 08/lJ911J4 Time: 07:23
Sample(a::ljus<ed): 1986 200~

--===
c -1.373,:92 iJ.488707 -2.81046"1 0.0147
LOG(GDP) 0.663779 0.180186 3.683854 0.0028
LOG(R) -0.071609 O.OT/868 -0.919618 0.3745
LOG(IIt'i(-1)) 0.355638 0.176374 2.016391 0 0649
R-squared 0.996863 Maan dependent var 10.75141

Adjusted R-squared 0.953140 S.G. dqJsnC:crd .:a. O.S3762~
S. E. of regressio'l 0.058256 Akaike info criterion -2.645607
Log lil<elihood 26.4875~ F-statisti.:: 1377.225
Durbin-Watson stat 1.911983 Prob(F-stat.istic) 0.000000
---- ~----- =====:J
2. Uji Kausalitas antara Ekspor dan GDP

Pada bc>gian akhir bab 11 kita me:-nbahas uji kausalitas antara GOP dan ekspor
(X). Eviews menyediakan fasilitas untuk melakukan uji kHusalitas. Caranya
Quick/Group Statitics/Granger Causality test sehingga muncul tampilan berikut ini:
~---
~
~-·
~
~~
;;;::=::=:
'"-.--
=
L____
!'
2
Tampilan 2
Tampilan 2 ini menunjukkan series list

variabel yang akan kita uji kausalitasnya.
Ketik GOP dan X (ekspor) lalu klik OK
sehingga akan muncul tampilan sbb:
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.
'l2. ·1. F<egresi Data Panel

Ketika kita r.-1elakukan suatu CJbservasl perilaku unit ekonomi seperti rumah
tangga, perusahaan atau negara, kita tic!a.k hanya akan melakukan observasi terhadap
uilii-U!Jit tersebut d! oalam waktu yang bersarnaan tetapi juga peritaku unit-unit tersebut
pada berbagai periode waktu. Misalnya kita melakukan observasi terhadap lndustri
semen di Indonesia maka kita tidak hanya akan mengevaluasi besarnya biaya, input
dan output terhadap beberapa perusah~nn semen di indonesia pada ''Jrun waktu
tertentu. Disamping itu kita juga bisa melakuk2n observasi · terhadap berbagai
perusahaan semen tersebut dalam berbagai kurun waktu yang berbeda, misalnya
kuartalan atau tahunan. Dari contoh tersebut berarti seorang peneliti 3kan mampunyai
gamba;an industri semen dengan data cross section dan data time series. Gabung::m
data cross section dan time series ini disebut data panel (Panel pooled data).
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.
12.2. Estimasi Dengan Pendekatan Fixed Effect

Kita kembali pada model tentang perilaku investasi keempat perusahaan
sebelumnya. Secara umurn dengan menggunakan data panel kita akan menghasilkan
intersep dan slope koefisien yang berbeda pada setiap perusahaan dan setiap periode
waktu. Teknlk model Fixed Effect adalah teknik mengestimasi data panel dengan
menggunakan variabel dummy untuk menangkap adanya perbedaan intersep. Cleh
karen a itu, di dalam mengestimasi persamaan ( 12.2) akan sang at tergantung dari
asu;nsi yang kita buat tentang intersep, koefisien slope dan residuainya. 3 Ada beberapa
kemungkinan yang akan muncul yaitu:
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
12.2.1. Koefisien Tetap Antar Waktu dan lndividu

Teknik yang paling sederhana untuk mengestimasi data panel adalah hanya
dengan mengkombinasikan datd time series dan cross section dengan meng9unakan
metode OLS dikenal dengan estimasi Common Effect. Dalam pendekatan ini tidak
Lihat Hsiao, Cheng, ibid, pp.9-10

i~i
,,
!J
h
I
256 Bagian Ketiga: Topik-Topik Ekonometrika I
rnemperhati~an dimensi individu maupun waktu. Diasumsikan bahwa perilaku data

--0 \~ ;·•
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).
lnY = -2,7840 + 0,9064lnX 1 + 0,3025\nX 2 {12.:3) dir

t (-7,11 03) (19,0300) (5,3306)
R 2 =0,8465 F=212,29Hl d=0,420:3
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)
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)
dimana: 01 1 = 1 untuk ISM

=0 untuk perusahaan lainnya
0 21 = 1 untuk Goodyear
= 0 untuk perusahaan lainnya
031 = 1 untuk Union Oil
= CJ untuk perusahaan lainnya
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.'
Contoh 12.2. Panel Data Dengan lntersep Berbeda Antar Perusahaan

Kita kembali ke contoh perilaku investasi empat perusahaan sebelumnya. Namun sekarang
diasumsikan bahwa intersep antara keempat perusahaan tersebut berbeda. Hasil regresi
model yang dil<enal dengan Fixed Effect ini dapat dilihat dalam Tabel 12.1. Variabel harga
saham (X 1) dan stok kapital (X2) bertanda positif sesuai hipotesis dan secara statistik
signifikan melalui uji t pad a a.= 1%. Semua varia bel dummy bertanda negatif dan secara
statistik juga signifikan. Signifikansinya variabel dummy ini menunjukkan bahwa intersep
antara keempat perusahaan tersebut berbeda. Dengan demikian model Fixed Effect mampu
menjelaskan adanya perbedaan perilaku keempat perusahaan tersebut. lntersep untuk US
steel sebesar -0,3029, intersep untuk IBM sebesar -1,0716 (= -0,3029 - 0,7687), intersep
untuk Goodyear sebesar -1,6158 (= -0,3028 -1 ,3130) dan intersep untuk Union Oil sebesar
-1, 0419(=-0,3029- 0,7390).
..
Tabel12 1 Ec.timac;i Panel Data dengan Teknik Fixed Effect
"'
~

Method: Least Sguares
c -0.302850 0.754284 -0.401506 0.6892
LOG(X1) 0.570443 0.116790 4.884341 0.0000
LOG(X2) 0.352097 0.054320 6.481923 0.0000
01 -0.768662 0.181409 -4.237179 0.00011
02 -1.313043 0.226041 -5.808876 G.OOOO
-0.739064 0.315667 -2.341280
R-squared
03
- 0.948601 F-statistic
0.02191
273.1425
Durbin-Watson
-=..:...: stat
-
1.073676 Prob (F-statistic) i 0.000000
1~
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-:-
~~
Contoh 12.3. lanjutan

Hasil estimasi Fixed Effect sama dengan hasil pada perhitungan sebelumnya pada Tabel
12.1. baik nilai koefisiennya maupun intersepnya. Nilai koefisien untuk variabel harga saham
(X1) =0,5704 dan stok kapital (X 2) = 0,3521. Kedua variahel juga secara statistik signifikan
pada a=1% yang berarti harga saham dan stok kapital berpengaruh positif terhadap
investasi. Nilai intersep untuk masing-masing perusahaan adalall US steel sebesar -0,3029,
IBM sebesar -1,0715, intersep untuk Goodyear sebesar -1,6159 dan intersep untuk Union
Oil sebesar- 1,0419.
T<!!Jel12.2 .. _~stima?l_Q_§_t.::1__Panel dengan Tel<nik Fixed Effect Software Eviews

ependent Variabl'3: ,__ QC~(Y?)
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
12.3. Estirnasi Dengan Pendekatan Random Effects

Di daiam mengestimasi data panel dengan fixed effects me.lalui teknik vari2bel
ummy menunjukkan ketidakpastian model yang kita gunakan_ Untuk mengatasi
. ah ini kita bisa M8nggur;akan v~ri8hel resid118l dikenal sebagai rnetode rr1r-,dom
. Di dalam model ini kita akan memilih estimasi data panel dimana residual
.ungkin saling berhubungan antar waktu dan antar individu_
Di dalam me njc.laskan random effPct tersebut kita kembali menggunakan mode!
rilaku ii1Vesta5i antar keempat perusahaan sebelumnya yaitu US steel, IBM,
year dan United Oil dengan mengasumsikan setiap perusahaan mempunyai
~F>rr'"'"1 '"'an intersep. Namun ·~amikian, kita mengasumsikan bahwa intersep adalah
riabel random atau stokastik. Model ini sangat berguna jika individual perusahaan
kita ambil sebagai sampel adalah dipilih secara random dan merupakan wakil dari
lasi. Untuk menjelaskan mode: random effect kita tulis kembali perilaku investasi
sahaan US steel, IBM, Goodyear uan United Oil sbb:
(12.6)
!~
'
Dalam hal ini Po; tidak lagi tetap (nonstokastik) tetapl bersifat random sehingga dapat
diekspresikan dalam bentuk persamaan sbb:
Po; : : Po + /J; dimana i =1, ... n (12.7)
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)
Sehingga E(/Jo;) = 1fo dan var (/Jo;) a~ = r,

I
Substitusi persamaan (12.7) ke dalam persamaan (12.6) akan menghasilkan

persamaan sbb:
f;1 == (iJo + !1;) + /l1 In Xw + f3z In X z;r + eit (12.9)
==Po + {JI In xlil + flz In Xw + (eil + J.l;)

==Po_._ /31 lnXw + flz In Xz;, + -v;,
dimana Vu == e;, + !1;

Per3 ama 3 n (12.9) merupaka:-1 par~amClan uniuk metod~ rar1dom af.ect. Nama :netode
raridom effect berasal dari pengertian bahwa residual V1t terdiri dari dua komponen yaitu
residual 5 ecara menyeluruh e1t ~aitu kombinasi time series dan cross section dan
residual secara individu J.li· Dalam hal ini residual J!1 adllah berbeda-beda antar individu
tetapi_ tetap ant~Ar waktu. Asumsi berkaitar. dengcm residual v11 sbb:
Nilai harapan residual nol (12.10) lL !
Varian residual homoskedastisita~ Var(v;,) = u~ + u; (12.11)

Residual dari perusahaan yang sama dalam periode yang berbeda saling berkorela3i
Cov(v,pv;J=a~ (t:;t:s) (12.12)
i:
Residual dari perusahaan yang berbeda tidak berkorelasi
Cov( vii, vi,) === 0 (i ::p j) (12.13)

f
I
Karena adanya· korelasi antara residual di dalam persamaan (12.12) maka
teknik metode OLS tidal-; bisa digunakan untuk mendapatkan estimabr yang efisien, 4
lihat kembali penjelasan pada bab 9. Metode yang tepat digunakan untuk mengestimasi
model random elfect adalah Generalized Least Squares (GLS). Buku ini tidak
rnembahEtS rnrJsa!ah metode GLS. 5 Sekarang sudah ban yak software ekonometrika
yang r.nen;tedi::::lk::m ::<>::car;::; l<:lngsung estimasi metode GLS. clan dalarn tuku ini estimasi
model randorn eff.fJGt akan menggunakan alat bantu program Eviews.
~~~.!:.~~~~::~~..r.=.<"U--.:::.~--~- '1'1 ~-~~~-·- ~q - - •
Contoh 12 . 4.Estimasi Random Effect Perilaku investasi ~

Kita telah rnengestimasi perilaku investasi rnetode fixed effect dengan menggunakan Pooled
Least Squares. Sekarang kita akan mengestimasinya dengan random effect dengan
menggunakan metode Generalized Least Squares (GLS). Kita menggunal<an software
Eviews unt~Jk mengestimasinya. Hasilnya ditampilkan dalarn Tabe! 12.3. Sebagaimana
metode Fixed Effect, tampilan software Eview dibagi msnjadi ~iga bagian di dalam metode
Random Effect. Pertama, bagian atns menampilkan koefisien estimasinya dan nilz.i t
statistiknya. Bagian tengah menyajikan Random Effect dan bagian paling bawah memberi
informasi statistik seperti rnisalnya koefisien determinasi, F statistik dan nilai statistik OW.
Nilai koefisien untuk variabel harga saham (X 1) =0.6084 dan stok kapital (X 2 ) = 0,3419.
Kedua varia bel juga seca!"a statistik signifikan pad a a= 1% yang berarti harga saham dan
stok kapital berpengaruh positif terhadap investasi. Kedua nilai koefisien tersebut juga tidak
iauh berbeda dengan metode Fixed Effect Sebelumnya.
lntersep (c) -1,1851 merupakan niiai rata-rata dari komponen kesalahan random (random
error component). Nilai random eff9ct menunjukkan seberapa besar pernedaan komponen
kesalahan random sebuah perusc;haan terhadap nilai interse!J sern11a perusahaan (rata-
rata). Misalnya pada perusahaan Goodyear adalah - 0,5892 yang menunjukkan seberara
besar perbedaan komponen kesalahan random perusahC:lan Goodyear dengan nilai intersep
rata-rata semu.J perusahaan Jika kita j<.;mlah: an semua ra11dom effect maka akan
menghasilkan angka nal. Sedangkan nilai koefisien determinasi sebesar 0,9472.
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.
,-':-
• E75"7P
iUii
re
Ul
m
$( i:
~
-
F
1.:':
0
ciL
F-
a~
Jll. ·-
p(
ta
R-squared 1 0.948518 Durbin-Watson stat -.~ .L~~! . . .I in·

k"lI.
ju
r~
12.4. Pe~nilihan Teknik Estimasi Regresi Data Panel

Calam pembahasan teknik estimasi model regresi data panel sebelurnnya, ada
tiga teknik yang bisa digu;1akan yaitu model dengan metode OLS (common), rnodei
Fixed Effect dan model Random Effect. Pertanyaan yang muncul adalah teknik mana
yang sebaiknya dipilih untuk reg~esi data panel. Pada sub ini akan dibahas tiga uji yang
digunakan untuk menentukan teknik yang paling tepat untuk mengestimasi regresi data
oanel. Pertama uji statistik F digunClkan untuk memilih antara metode QL.s tanpa
vetriabel dummy atau Fixed Effect. Kedua, uji Langrange Multiplier (LM) digunakan
untuk memilih antara OLS tanpa variabel dummy atau Random Effect. Terakhir, untuk
memilih ant3ra Fixed Effect atau Random Effect digunakan uji yang dikemukaka:-1 oleh
H~usman.
12.4.1. Uji Signifikansi Fixed Effect

Setelah kita melakukan regresi dua model yaitu model dengan asumsi bahwa
slope dan intersep sama dan model deng:m asumsi be1hwa slope sama tetapi beda
intersep, pertanyaan yang muncul adalah model mana yan!=J lebih baik? Apakah
penambahan variabel dummy menyebabkan residual sum of squares menjadi menurun
atau tidak? Keputusan apakah kita sebaiknya menambah varia~el dummy untuk
mengetahui bahwa intersep berbeda antar perusahaan dengan metode Fixed Effect
Japat diuji dengan uji F statistik. Uji F statistik disini merupakan uji perbedaan dua
rogresi sebagaimana uji Cl"low pada pernbahasan di bab 5. Sekarang uji F kita gunaka!"l
untuk mengetahui apakah teknik regresi data panel dengan nxed Effect lebih baik dnri
model regresi data panel tanpa variabel dummy dengan rnelihat residual sum of
squares (RSS). Adapun uji F statistiknya adalah sbb:
F = ~~§§~ RS!_l_~~!!!_ (12.14)

(RSS 2 )/(n--k)
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.
Contoh '12.5. Uji Signlf!kansi Fixed Effect

Setelah kita mengestimasi panel data dengan 3sumsi inte:sep dan slope sama dan asumsi
intersep berbeda tetapi slope sar1la (Fixed Effect), pertan;aa11 yang muncul apakah dengan
menambahkan variabel dummy di dalam model rixed Effect kita mempunyai regresi yang
lebih baik? Untuk mengetahui bahvn teknik lixecf eiiec! ie!:Jii! baik dari asumsi koefisien sama
maka bisa dilihat dari niiai dari RSS dengan uji F. Sebelum mernbahas me!alui uji, secara
sekilas dilihat dari nilai koefisien determinasi maupun nilai statistik dari Durbih-Watson,
model Fix&d Efect nilainya \ebih tinggi sehingga model Fixed effect lebih baik. Namun, jika
kit::J h::Jnya memrerhitunc:JkWl koefis!en determinasi s3ja rnaf<.a ar:alisis ini sangat bias l<:srena
nilai koefisien deterrninasi model Fixed Effect akan lebih besar karena jumlah variabel
independen lebih banyak dengan bertambahnya variabel dummy. Berdasarkan persamaan
(12.~4\ nilai F hitungnya sebesar
F = (13,29828- 4,~51503) I 3 = 2,9487~- = _

49 00698 (12.15)
( 4,452503) I 74 0.06017 '
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
!·;
12.4.2. Uji Signifikansi Random Effect

Untuk mengetahui Apakah model Random Effect lebih baik dari metode OLS
digunakan uji Lagrange Multiplier (LM). Uji signifikansi Random Effect ini
dikembangkan oleh Bruesch-Pagan. 6 Me.tode Bruesch Pagan untuk uji signifikansi '-t- -- -
model Random Effect didasarkan pada nilai residual dari metode OLS. Adapun nilai
statistik LM r:lihitung berdasarkan formula sbb:
I
nT I
LM= ;!
2(T -1) f ~
I.,
nT
n
L(TeJ 2
-'-i=-'-1- - - - 1 (12.16)
I I
I
! '
h
,
.
2(T -1) " T

L:L>.~
i=l 1=1
pa
dimana n= jurnlah individu; T = jumlah periode waktu dan e adalah residual metocle Ef
OLS. da
Uji LM ini didasarkan pada distribusi chi-squares dengan degree of freedom He
sebesar jumlah variabel inaependen. Jika nilai LM statistik lebih besar nilai kritis ,ci;
statistik chi-squares maka kita menolak hipotesis nul. Artinya, estimasi yang tepat untuk da
model regresi data pane! adalah metode Random Effect dari pada metode OLS. efi
Sebaliknya jika nilai LM statistik lebih Kecil dari nilai statistik Chi-squares sebagai nilai uji
kritis maka kita menerima hiputesis nul. Estimasi Random Efr"ect dengan demikian tidak He:
bisa digunal<.an untuk regresi data panel, tetapi digunakan metode OLS. un
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:
LM =-4(20) __.. ~-i6?_,9~~039 -lJ-·2 =227,40937 (12.17)

2(20 --·1) - 13,29828
12.4.3. Uji Signifikansi Fhred E'ffrH:t ~'\iau Ftandorn Effect

Setelah kita merrb""iha::; tei<nik estirnasi Ji<H!::j r_:;c.liinu tepa~ di da!arn regresi data
panel an tara metode OL.:::i der;gan Fix sci Effec:i d.::\!·~ ;): ;tar':~ ;Y~-:::tode OLS dan Randord
Eff"ect, pertanyaan y;::mc1 ;r:uncu!, jika metode Fixed Effect ,Jc:in Pandom Effect !ebih baik
dari metode OLS, model rnana yang dipilih, ::pakai1 ,.-:·ixec.' Effect atau Random Effect?
Hausman te!ah mengembangkan suatu uji untuk rn·3rniiih ,jpakah menggunakan model
7
Fixed Effect atau Random Effecr.'. Uji Hausman ini ·JicjJ3-?;i":·.':Jn pa·ja id8 bahwa LSD'J di
dalam metode Fixed Effect dan GLS aOalah eii :k: ·' ·.,:::;;.i:H:g!(an rnstode OLS tidak
efisien, di lain pihak alternatifnya metode OLS efisi-::n dan C:iLS t1dak efisit:ln. Karena itu
uji hipotesis nulnya adalah has·ll estirnasi k:scL!:.'lrr;a tid<:"d< berbeda sehinyga uii
Hausman bisa di!akukan berd8sarkan pArbed<.lan t:stin •.,u; terse but. Unsur penting
untuk uji ini adalah kovarian matrik dari perbec:iaan vektor [/3 - P(iLS]:
(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:
=~='---==;;;;;;;;;;;;;==~===---=---====~~-;;;o;;;;;;;-.~·.,.,._.,
Kemudian kita masukkan ke dalam persamaan (12.18) akan menghasilkan kovarian

matrik sbb:
Var[,B- ,BGLS] = Var[p]- Var[pGLs] = Var(q) ('12.20)
Selanjutnya mengikuti kriteria Wald, Uji Hausman ini akan mengikuti distribusi chi-
squa:-es sbb:
m = q'Var(qr q1
('12.21)
dimana /j = [p- /Jucs] dan Var(q) = Var(/J)- Var(,8 0 ,_s)
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;~~:::.-::-:~~·~~
Contoh 12.7. Uji Signifikasi Fixed Effect Atau Random Effect li

Contoh 12 5 dan 12.6 menunjukkan bahwa model Fixed Effect rnaupun F?audom Ufect lebih
tepat untuk mengestimasi perilaku investasi 4 perusahaan US steel, IBM. Goodyear dan
Union Oil. Pertanyaa11 selanjutnyc:, model mana yang lebih tepat, Fixed Effect atau Randorn
Effect. Uji Hausman ini sangat komplek ·sehingga kita menggunakan a!at bantu program
Evievvs ur:tuk menghitu;,gnya, langkahnya lihat lamr;iran. Hasilnya sbb:
(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=~=
~ -
,.
=
-~~-
,.
LAMPIRAN 12
Lampiran Tabel12.1 lnvestasi Perusahaan US Steel IBM Good Year dan Union Oil
I I
Tahun y us X1 us X2 US Y IBM X1 IBM X2 IBM

1935 209,9 1362,4 53,8 20,36 197,0 6,5
1936 355,3 1807,1 50,5 25,98 210,3 15,8
1937 469,9 2676,3 118,1 25,94 223,1 27,7
1938 262,3 1801,9 260,2 27,53 216,7 39,2
1939 230,4 1957,3 312,7 24,60 286,4 48,6
1940 361,6 2202,9 254,2 28,54 298,0 52,5
1941 472,8 2380,5 261,4 43,41 276,9 61,5
1942 445,6 2168,6 298,7 42,81 272,6 80,5
1943 361,6 1985,1 301,8 27,84 281",4 g4,4
1944 288,2 1813,9 279,'/ 32,60 330,3 92,6
1945 258,7 1850,2 213,8 39,03 324,4 92,3
1946
1947
420,3
420,5
2067,7
1796,7
232,6
264,8
50,17
51,85
I 401,9
407,4
94,2
111,4
1948 494,5 1625,8 306,9 54,03 409,2 127,4
1949
1950
405,1
418,8
1667,0
16T/,4
351 '1
357,8
68,16
73,34
I 482,2
6?3,8
I 149,3
164,4
1951 588,2 2289,5 342,1
1952 645,2 2159,4 444,2
95,30
99,49
676,9
702,0 I 177,2
200,0
1953 641,0 2031,3 623,6 127.52 793,5 211,5
1954
Tahun
459,3
Y Good
2115,5
X1 Good
669,7
X2 Good
135,72
y uo
927,3
X1 uo
238,7
X2 UO
I
1935 26,63 290,6 162 24,43 138,0 100,2
1936 23,39 291,1 174 23,21 200,1 125,0
1937 30,65 335,0 183 32,78 210,1 142,4
1938 20,89 246,0 198 32,54 I 61,2 165,1
1939 28,78 356,2 208 26,65 1G1.7 194,8
1940 26,93 289,8 223 33,71 145,1 222,9
1941 3?.,08 238,2 234 43,50 110.6 252,1
.. 194?
1943
32,21
35,69
213.3
348,2
248
274
34,46 93,1 276.3
I
I
44,28 108.8 300,3
1944 62,47 374,2 282 70,80 118,2 318,2
1945
1946
52,32
E1,95
387,2 316 44,12 126,5 I336,2
347,4 302 !:8,98 156,7 351,2
1947 54,32 291,9 333 48,51 11 9,4 373,6
1948 40,53 297,2 359 50,00 129,1 389,4
1949 32,54 2/6,9 370 50,59 134,8 406,7
1950 43,48 274,6 376 42,53 140,8 429,5
1951 56,49 339,9 391 64,77 179,0 450,6
1952 65.98 474,8 414 72,68 178,1 466,9
1953 66,11 496,0 443 73,86 186,8 486,2.
1954 I 49,34
. .
474,5
. .
468 09,51 192,7 511,3
Surnber: Hill, Carter, William Gnffiths and George Judge (1998). Undergraduate Econometncs .
New York: John Wiley& Sons, pp. 271-272.
I;

1. Estimasi Regresi Data panel
Pada bab 12 kita membahas data panel perilakU investasi empat perusahan di AS yaitu
Goodyear, IBM, United Oil dan US .Steel pada periode 1935-1954. Eviews ::c-
menyediakan fasilitas estimasi bagi data panel. Dalam hal penamaan variabel atau ,.
obyek untuk data panel sedikit berbeda · dengan regresi dengan data time series
ataupun cross section. Data panel terdiri kumpulan -dari data time series dan cross
section maka obyek yang dibentuk harus mencerminkan nama perusahac:m dan
variabelnya. Misalnya lnvestasi (Y) perusahaan IBM maka pembentukan obyeknya sbb:
Y_IBM
Tanda garis disela tersebut rnenunjukkan data panel. Data semua variabel yang kita
1
butuhkan ada di excel. Penamaan variabel di excel harus mengikuti penamaan di
Eviews, misalnya kasus IBM. Kita membentuk filekerja dengan workfile range 1935-
1954. Kemudian kita impor data kita dari excel, lihat· kembali bagaimana mengimpor
data dari excel pada lampiran bab 1. Hasil dari langkah ini terlihat dalam Tampilan 1
berikut ini: ~
[
E
E 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
Pad a tampilan 3 ini muncul

Crr.o<l'o<:, Sn-r.liOI"' lrJon1•Ti.;-.rT. (E-nlt;ol" i~J(Jntifir,,rr,. holr:ow thir;. lir"'o)
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
Tampilan 5 ini menunju\\kan

!.Q.~p~~_q_':?..r.•.LY·.?.~i?.R.!~:.. estimasi data pane!. Ada
i fi;;Q"(Y?j - ........ ...... J .~;;,lanced
Samf:H~ bet erdpa itP-m yang har'JS riiisi.
?ertam;:~ Dependent var~clbel
r~-~~~;:.~~~~~~I-~~~~ ;~rr!·.·-~=--
• Hog[xl ?! loc;r(:-(2 ?j
): . - - ... ________ . _ _ - - - - - - - - -------- ---------------- kita isi log(Y?)
1! Kedua Commc;l coefficient
i'r··
Cro~s _1ect;on
-·· . ~pec:'~c coeificient~
.. . .. ······-···
I' Kita 1s1 variabei independen
0 ~~~~!.:~~~!fJ~~ ~·~· <~~- •• v•-- ••- .,-~{t~~fl~~:~;i~~;i~~~+~.:-~.····~·:,; .,.; ;., . log(X1 ?) log(X2?). Jika modelnya
....~ . '.t~•m"rncot"• ! -;··.. : .Cr9~·s-s~ction •N.eigh~s ··. linier maka tinggal isi Y? Jan X1?
', ·, I ·, SUR . . .
1 .
f.iX<:!:d effect.~
.B.<9nd.;:,m effect~
I
1
-.
i !te~~te to cor""lvergence
X:2?. Tandc pertanyaan se~el3h
R~·,:,dom ~!l~cl-:-. ~.~s·:·: \/.:Hi-~n·c.;·c:Ofoi;O~-ler1i3 inOdeC
variabei merupakan perintah
1
\,J-./eight:;- .. AFq} and C'..) -;pec:ifi.._~ coefs not allowed khusus •Ji Eviews untuk regresi
data panel.
j.J
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
Dependent Variable: LOG(Y?)

Method: Pooled Least Squares
Sedangkan tampilan untuk
Date: 05109104 Time: 23:23 Fixed Effect dan Random
Sample: 1935 1954
Included observations: 20 Effect bisa dilihat dalam
Total panel observations 80 Tampilan 7 dan B
c -2.783958 0.391539 -7.110300 0.0000

LOG(X1 ?) 0.906414 0.047631 19.03004 00000
LOG(X2?) 0.302480 0.05l:i744 5.330573 0.0000

S. E. of regression 0.415578 Sum squared resid 13.29828
Log likelihood 17.78156 F-stalistic 212.2919
lampilan 7
Dependent Veriabla: LOG(Y?)
Method: Pooled Least Squares
Date: 05J09J04 Time: 23:32
Samp.le: 1935 1954
To~.<>l panel obssrvati·ms t3C
L Variable Coefficient Std. Error t-Stati.:;:ic Pro b.
LOG(X1 ?) 0.570443 0.116790 4·.884341 0.0000

LOG(X2?) U. 352097 0. 054320 6. 4G 1923 0.0000
Fixer:! EiTects
_US--C -0.302850
_IBM--C -1.071512
_GOOD--C -1.615893
_UO--C -1_041914
R-squared 0.948601 Mean ':!ependent var 4.320014

Adjus:ed R-squared 0.945128 S.D. dependent var 1.047154
S. E. of regression 0.245294 Sum squared resid 4.452503
Durbin-Watson stat 1.001UE7 Prob(F-statist1c) _ _ _O.UOOOOO
_ __ _ j
i
~-
1•
!-"
rr---
~ -
l¥cc.~~
a===
rr--
'
Tampilan 8
Dependent Variable: LOG(Y?)
Method: GLS (Variance Components)
Date: 05/09/04 Time: 23:34
Sample: 1935 1954
Total panel observations 80
Variable Coefficient Std. Error t-Statistic: Pro b.
c -1.185062 0.644597 -1.838455 0.0699

LOG(X1 ?) 0.608437 0.109617 5.550591 0.0000
LOG(X2?) 0.341992 0.052800 6.477147 0.0000
Random Effects
US--C 0.645614
IBM--C -O.Oo7142
- GOO D--C -0.589243
- UO--C 0.010771
GLS Transformed Regression

Adjusted R-squareri 0.94583:'! S.D. depend~nt var 1.047154
S.E. of regression 0.243714 Sum squared resid 4.573520
~urbin-Watson stat 0.969126
Unweighted Statistics including Random Effects

Adjusied R-squared 0.947180 S.D. dcpend8nt var 1.047154
s.r:::. of regression 0 240662 Sum squared resid 4.459714
Ot.:rbin-Watson stat 0.993857
2. Perhitungan Uji Ha!.asman

Perhitungan uji Hausman ·untuk pemilihan model Fixed Effect atau Random Effect tidak
secar8 langsung bisa dldapatkan di dalam window Eviews tetapi melalui Command
Eviews. Sebagai informasi, kita juga bisa melakukan regresi melalui Command Eviews
dengan menuliskan perintahnya dibawah menu utama windows, lihat kembali lampiran
running Eviews bab 1. Uji Hausman -::limulai denyan menyiapkan data pool, seperti
pada Tanvi!a,l 4 da:1 l<:amu:-·Uan 1!"19nu:isl~an COIIlfllaildilj'a cib5VJ3il rr.en!..l utama
windows. Adapun perintahnya sbb:
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
3. Perhitungan Hausaman dengan perintah sbb:

Matrix b_diff=b_fixed- b_gls
Matrix v_diff=cov_fixed- cov_gls !! :-
Matrix H=@transpose(b_diff)*@inverse(v_diff)*b_diff
Hasil langkah 1 sampai 3 ditampilkan dalam Tampilan 9 sbb:
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. Model Simultan Ekonomi Makro Keynesian

Dalam banyak hal variabel ekonomi tidak hanya berhubungan satu arah. Dalam
bahasa ekono•netrika satu variabel independen (X 1 ) mempengaruhi variai-Jel dependen
(Y) dan selanjutnya variabel Y itu sendiri mempengaruhi X 1 . Hubungan ini bukan
kausalitas sebagaimana pembahasan pada bab 11 sebelumnya, model ini disebut
sebagai model persamaan simultan.
iviisainya kita bahas model ekunun~i mak:-o ala Keynes:ar1 cJ;;Ian1 pel'ekono;Tii3n ·
tertutup yang h:lny9. terdiri dari konsumsi (C) dan investasi (1). Pengeluaran konsumsi
rnerupakan fungsi penda~atan tetapi diasumsikan ditentukan oleh perusahaan. Model
ekonorni makro dua sektor ini dapat di1 1yatakan dalam dua persamaar.. Fungsi
. konsun si d3pat dinyatakan dc:lam persamaan srb:
( 13.1)
sedangkan identitas pendapatan dapat ditulis sbb:

Y=C+l (13.2)
273
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
Persamaan (13.1) dan (13.2) d! dalam model makro Keynesian dapat

digambarkan daliiim gambar 13.1. Kedua grafik tersebut bisa dicari nilainya dengan alat
bantu garis Ll,5°. Garis 45° adalah garis yang membagi sumbu horisontal pendapatan
(Y} dan sumbu vertikal pengeluaran agregat (C+I) dengan jarak yang sama. Kurva Y =
C + i diperoleh dengan menambahkan kurva konsumsi dan investasi. Keseimbangan
makro ekonomi dua sektor terjadi ketika kurva Y = C + I berpotongan dengan garis 45°
yakni pada titik A. Pada titik A ini jarak sumbu horiso~ltal dan vertikal adalah sama.
Sedangkan ni!ai keseimbangan Y adalah y· dan keseimbangan nilai kon.>ur,lsi adalah
c·. Ke-dua nilai keseirnbangan ini adal;h panye!esaian persam3an (13.1) dan (13.2).
re11yelesaian keseimbangan makro ekonomi model Keynesian ini menjelaskan
bahwa nilai keseimbangan y· dc:m c· ditentukan pada saat yang bersamaan. Di dala "!1
model ini Y dan C disefJut sebagai variabel endogen karena nilai keduanya ditentukan
dalam sistem persamaan (13.1) dan (13.2). Sedangkan variabel investasi I yang
ditentukc:n diluar si~tem disebut sebagai variabel ek">ogen.
i::
t---
i=
i=-~
~
b--
~-:;-
!5
,l:
]:
r
-~-
i-·
Bab 13. Model Persamaan Simultan 275
13.1.1. Model Persamaan Simultan

Model ekonomi makro yang kita jelaskan di atas adalah model yang terdiri dari
dua persamaan yang bekerja bersama-sama. Oleh karena itu, model ekonometrikanya
juga harus terdiri dari dua persamaan yang akan menunjukkan kerja secara
bersamaan. Dengan demikian, model ekonometrika dua persamaan sebelumnya dapat
ditulis dalam bentuk persamaan sbb:
C, =flo+ flt~ +e, (13.3)

~ = C, +I (13.4)
dimana C = konsumsi; Y = pendapatan; I = investasi; e = residual; dan t menunjukkan

waktu yang menunjukkan variabel yang diobservasi dalam waktu tertentu.
Fungsi konsumsi dalam persamaan (13.3) menggambarkan perilaku ekonomi
sehingga disebut persamaan perilaku (behavioral equation). Sedangkan persamaan
(13.4) disebut persamaan identitas yakni sisi kiri sama dengan sisi kc::~r1an karena
pendapatan (Y) adalah penjumlahan C dan I. Persamaan identitas disini tidak
perlu ditambahkan variabel residual karena kedua sisinya nilainya sama dan tidak
mengandung parameter yang tidak diketahui. Kedua persamaan tersebut disebut
model struktural (structural model) karena kedua persamaan tersebut menggambarkan
struktur ekonomi. Kedua persarnaan tersebut juga disebut model persama::m simultan
(simultaneous equation) ks;~rena keduanya menentukan secera bersama sama atau
simultan nilai dua variabel endogen C dan Y.
Dalam model e~<onometrika ini I sebagai variabel eksogen nilanya konstan
ditentukan dari luar model sehingga bukan merupakan variabel stokastik atau random
(stochastic or random variable). Variabel C dan Y adalah variabel endogen yang
nilainya clitentukan dari model sehingga keduanya merupakan va;iabel stokastik.
Karena C adalan variabel stokastiK. maka kiia perlu men3rnoahkar. residual di Jsla;-r.
fungsi konsumsi di dalam persamaan (13.3). Residual ini mempunyai sifat
sebagaimana pembahasan asumsi klasik dalam OLS sebelumnya yaitu E(et) = 0, var •
=
(e 1) =
cr 2 dan cov (et. 9 5 ) 0 untuk t =t- s. Karena variabel C adalah randcm sedangkan
n!lai Y ada!ah penjumlahan I sebagai variabel EJksogen dan vE!_riabel rc 1dom C maka Y
harus vari8bel random pula.
Bagaim:ma kita bisa mengetahui adanya perbedaan antara persamaan simultan
dan model regresi biasa? Untuk menjela3kan hal in: kim akan gunakan gambar yang
menjelaskan arus hubunyan antara variabel (flow chart). Kembali kepade hubung<m
antara konsumsi C1 dan oendapatan Y1 sebelumnya. Model regresi dapat digambarkan
da!~m gambar 13 2. Calam gambar 13.2a. analisis regresi menjelaskan hubungan satu
arah y::+ni dari variabe.l independen dan residual :,e variabe! dependen.
. Ketiga·.Topik-Topik Ekonometrika
276 Bagtan ·
== d ngkan gambar 13.2b menjelaskan persamaan simultan dimana ada dua
Se atar konsumsi Ct dan pendapatan Yt. Hubungan dua arah ini terjadi karen a
~e~garuh .8 ~ tersebut ditentukan secara bersama. Residual et mempangaruhi C1 dan
81
ke ua ~~na cara tidak langsung juga mempengaruhi Yt sehinggga et dan Yt sa ling
be~udtan ~ lnvestasi It adalah tetap sebagai varia bel yang mempengaruhi C1 dan Yt
5
er ~b_ungka ~mpengaruhi kembali (feedback) terhadap h. L

tetapt ttda m
~-=-
d r:·r-::
(( c-
Gambar 13.2a. Hubungan dalam model regresi
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)
:_:~_
persamaan (13.5) tersebut merupakan persamaan turunan untuk fungsi konsumsi

dimana:
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)
Persamaan reduced form (13.5) ada!ah sebagaimana persamaan model regresi

sebelumnya. Oleh karena itu kita dapat menyelesaikan persamaan reduced form
tersebut dengan menggunakan metodel OLS untuk mencapai paremeter reduced form
flo dan fi1"
Untuk mencapai persamaan reduced form untuk variabel \', kita masukkan
variabel C yang kita peroleh dal"i persamaan (13.5) ke dalam persamaan (13.4)
sehingga rnenghasilkan persamaan sbb:
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)
}~! ::: I12 -+- fi ]II (13.11)
~---
-
~
~"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
angka multiplier investasi. Kedua parameter tersebut masing-masing

adal~~ sKan efek perubahan investasi terhadap nilai keseimbangan konsumsi dan
menJe aatan. Kedua, dari persamaan reduced form tersebut dapat digunakon untuk
pendaP~tirnasi nilai konsumsi dan pendapatan pada berbagai tingkat investasi.
menge:;.
Model Persamaan Simultan Permintaan dan Penawaran
2
13· · contoh lain persamaan simultan adalah model permintaan dan penawaian.
. taan dan penawaran secara bersama-sama akan menentukan · harga dan
per 111 '.~ 5 di pasar. Model ekonometrika yang menjelaskan perilaku harga dan kuantitas
kuantt a oleh karena itu terdiri dari dua persamaan yaitu persamaan permintaan dan
dipasar aan penawaran. Misalnya kita asumsikan model permintaan dan penawaran
per~~~~nnier.· Kedua model tersebut dapat diiulis sbb:
ada"""'··
Fungsi Permintaan: Q: = flo + f3tP, + etr IJ1 <0 (13.12)
Fungsi Penawaran: Q/-=ro +r~~ +ezr Y1 > 0 (13.13)
r<<)fldisi keseimbangan: Qld = Q,'
. , Qd : :-. jurnlah yang diminta; P 1 = harga; dan

Dtm3n'-' _,
Q; = jumlah yang ditawarkan.
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:
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
Gambar 13.3. Mskanisme Pasar Melalui Permintaan dan Penawaran
Sebagaimana pada pembahasan model simultan ekonomi makro Keynesian,

pers8mC!an sim,Jitan rrod'31 permintar:~n dan penawqr;:m bis;:;: diRstirnas' jika kit<=~
mengetahui persamaan reduced form-nya. Kita modifikasi persC!maan permintaan dan
penawar-an dengan menambah variabel independen baik dalam fungsi .permintaan
maupun penawaran. Adapun kedua persamaan tersebut dapat ditulis sbb:
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
!·'
• I_
bahwa pendapatan merupakan faktor penting yang mempengaruhi permintaan barang 1-

!. ~
dan jasa. Dalam hal ini pendapa~an berhubungan positif dengan jumlah yang diminta
untuk sebagian besar barang maupun jasa. Variabel P dan Q merupakan variabel
endogen karena nilainya ditentukan di dalam model sedangkan variabel pendapatan
merupakan variabel eksogen yang nilanya ditentukan di luar model. Pada fungsi
penawaran pada persamaan (13.15) kita tambahkan variabel penjelas harga periode
sebelumnya (P 1_1 ). Dengan demikian jumlah barang yang dijual di pasar dipengaruhi
oleh harga sekarang dan harga periode sebelumnya. Harga periode sebelumnya akan
berpengaruh positif dan variabel ini merupakan variabel eksogen.
Keseimbangan pasar terjadi jika permintaan sama dengan penawaran yakni
(13.16)
Penyelesaian persamaan (13.16) ini kemudian kita akan dapatkan keseimbangan

harga pasar sbb:
fJ1P,- Y1P, =(Yo- f3o)- fJ2! + Y2P,-1 + e2t -e;,

(/31 -·y~)~ =(Yo -f3o)-f321+yzP,-I +e2t-elt
(13.17)
(13.18)
Setelah kita menaapatakan persamaan i<eseimbangan harga pasar pada persamaan

(13.17) kemudian kita S!Jbstitusikan ke dalam persamaan permintaan atau penawaran
un(uk mer1dapatkan kuantitas keseimbangan pasar sbb:
Q, = Il 3 + O_J, + DJ~_ 1 + w, (13.19)
dimana koefisien reduced form penawaran sbb:
(13.20)
Model pers.amaan permintaan danr penawaran pada persamaan (13.14) dan

(13.15) terdiri dari enam koefisien persamaan struktural yakni [3 0 , [3 1, [3 2 , y0 , .y 1 , dan Y2
dan ada enam koefisier. persamaan reduced form untuk mengestimasinya yaitu IT 0 ,IT 1 ,
lh D3, D4. dan fi5. Berdasarkan prinsip penyelesaian dalam persamaan matematika
jika kita mempunyai enam persamaan dan enam koefisien yang tidak diketahui maka
kita bisa menyelesaian persamaan tersebut untuk mendapatkan koefisien. Dengan
de01ikian kita dapat mengestimasi parameter baik dalam persamaan permintaan
I maupur. penawaran.
13.3. Masalah ldentifikasi

/ Pacla. pen1ba;1asail setelurnn;,::; 3udah ~l!:::-i je\ss~an b9h"A2 SLi'=l~U p~=":rsc.r:taan
simultan bisa dlestimasi jika jumlah koefisien persamaan struktural sama dengan
koefisien di dc:::lam persamaan reduced form. Namun dengan metode ini kita banyak
I memer!ukan v..aktu untuk mendapatkan persamaan reduced form dan koef:siennya.
Kita akan membahqs penyelesaian persc:maan simultan dengan rr.enggunal:.an metode
I indentifikasi Metode lndentifikasi merupakan metode yang secc;ra cepat mampu
menentukan apakah suat...: persamaan slmultan bisa diestimasi atau tidak
Masalah identifikasi berkaitan dengan apakah kita bisa mer1gestimasi koefisien
persamaan struktural sebagaimana model ekonomi m2kro dalam bentuk persama2n
(13.3) dan (13.4) maupun model permintaan dan penawaran persamaan (13.14) dan
(13.15) dari koefisien reduced-form yakni persamaan yan9 digunakan untuk
menyelesaikan persamaan stru~turai. Ada tiga kemungkinan yang t8rjadi terhadap
persamaan simultan yaitu tidak teridentifikasi (unidentified), teridentifi:(asi (identified),
dan terlalu teridentifikasi (overidentifiecl).
282 Bagian Ketiga: Topik-Topik Ekonoriletrika
Untuk melakukan prosedur identifikasi sebuah persamaan simultan ada aturan

mainnya .. Salah satunya disebut order and rank condition of identification. Untuk
mengetahui aturan mainya, pertama kali kita kemukakan beberapa notasinya: !
M = jumlah variabel endogen di dalam model simultan

m = jumlah variabel endogen di dalam persamaan tertentu
K = jumlah variabel eksogen di dalam model simultan
k =jumlah variabel eksogen di dalam persamaan tertentu.
Variabcl endogeh ada!ah variabel yang nilainya ditentukan di dalam model sedangkan
variabel eksogen merupai<an variabei yang dit&ntukan di luar model. Dalam kasus
persarnaan simultan model ekonomi makro Keynessian, maka variabel endogen adalah
konsumsi (C) dan Pendapatan (Y) sedangkan variabel investasi (I) merupakan variabel
eksogen.
Ada dua aturan main dalam masalah identifikasi persamaan simultan sehingga
bisa diestimasi yaitu:
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:
K-k :;:o: m-1 (13.21)
Jika K - k < m -1 maka persamaan tidak teridentifikasi, K - k = m -1 maka

persamaan tP.rider.tifikasi sedangkan jika f( - k > rr.-1 maka persamaa, terlalu
teric-::ntlfikas .
-~-
Contoh 13.1. Persamaan Simultan yang Tidak Teridentifikasi

Kita kembali ke persamaan permintaan dan penawaran sebelumnya. Kita awali dengan
contoh model fungsi permintaan dan penawaran sederhana sbb:
Fungsi Permintaan Qr = f3o + /3,P, + e,r (13.22}

Fungsi Penawaran Qr =Yo+ r,P, + e21 (13.23)
Dimana:0 1 = ku<mtitas; P1 == harga
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.
Con~oh ·~3.2. Persama~m Simul'i:an yang Tepat Teridentifik&s!

k.:;~;~b<l!i Y..e conioh ·J3.1, namun sekarang kita menambahkan satu va1iabel independen
l<ita
pendap;:::tan di dalam persamaan permintaan. Persamaan permintaan dan penawarannya
dapat ditulis sbo:
0.-c -- q '
tJc •
jJ 1 ..n -' R 1·f- !
1 • :......,
..L .,
~ ~ ''
(13.24)
Fungsi renawaran ( 13.25)
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)
Dimana: R1 = sukrr bunga; P1•1 = harga periode sebei'Jmya
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:
cl = fJo + (J,I: + el (13.3)

Y, = cl +II (13.4)
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
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
Pengurar.gan persamaan (13.28) dsngan p8rsamaan (13.29) akan rnenghasilkan

persamaan sbb:
e
y -EiY.)=-'- (13.30)
' \. 1-/31
dan (
)
I
-- {: ( r_) \
.___, I, C. i J
== {_)'-' f (13.31)
Dari persamaan (13.30) ini kita bisa tunjukkan bahwa Y 1 dan e1 saling berkorelasi yakni
'. Y " 1\ -.c.L,

Col(,,e, - '"'r}r - E(lT,J
)l [e, -- £( e>1 )]
=£[ (1- flt)

1
e Jl E[e -E(eJ]
1
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.
__
-;:
~~
,-,-
!;
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:
Kemudian kita substitusikan persamaan fungsi konsumsi persamaan (13.3) ke dalam 13

persamaan (13.33) akan menghasilkan persamaan sbb: r
der
per
me
me
(13.34) Sta
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)-
Nilai harapan persamaan (13.36) tersebut adalah sbb:
E(/J 1 ) = E(/3 +I: W e

1 1 1
)
E(/J 1 ) = E(/31 ) +I: E(w e 1 1

)
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
akan bias berapapun besarnya sampeL
13.5. Estimasi Persamaan Simu;tan

Sete!ah membahas masaiah per~amaan simultan maka sekarang kita lanjutkan
dengan pembahasan tentang bagaimana mengestimasi persamaan simultan. Pada
pembahasan sebelur.1nya telah ditunjukkan bahwa kita tidak bisa menggunakan
metode OLS dalam menyelesaikan persamaan simultan. Ada beberapa metode untuk
mengestimasi persamaan simultan yaitu Indirect Least Squares (iLS) dan metode Two
Stage Least Squares (TSLS)-.
13.5. 1: Metod_e Indirect Least Squares

Jika mode! persamaan simultan yang kit:J punyai adc:dah tepat teridentifikasi
maka metode yang kita gunakan adaiah metode /ncfirect Least Squares (!LS) yaitu
n 1etods mencapi :.::oef1siert est;rr.asi muctel struKiurai dengan r.l8toue GLS ::lCJi·i ,"":1ode!
reduced form. Misalkan kit::~ akan rnengar.alisis kinerja ekspor Pakian jadi Ke Amerika
periode 1985-2001. Kinerja ekspor bisa dilihat dari s~si permintaan :naupun penawaran.
Model persamaan simultan kinerja el<spor dapat dltulis melalui persamaan permintaan
dan oenawaran sbb:
Fungsi Permintaan ekspor Qd, = /3 0 + /3 1 ~ + /3 2 GD~ + e 11

(.3.39)
Fungsi Penawaran ekspor Q" =Yo+ Y 1 ~ + e 2 , (13.40)
Dirnana:
Q = ekspor
p = harga ekspor
GOP =gross domestic product USA
Contoh pada persamaan permintaan ekspor (13.39) dan persamaan penawaran

ekspor (13.40) menunjukkan bahwa fungsi permintaan ekspor adalah tidak
teridentifikasi sedangkan fungsi penawaran ekspor tepat teridentifikasi. Dari dua
persamaan struktural tersebut kita bisa mendapatkan persamaan reduced form sbb:
~~ =f1 1 +f1 2 GD~ +v1 (13.39)
Ql = f13 + f14GD~ +WI (13.40)
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
.,
(
Contoh 13.4. Estimasi Persamaan Simultan Metode ILS

Kita kembali ke model persamaan simultan kinerja ekspor pakaian jadi ke Amerika periode
1985-2001 baik sisi permintaan maupun penawaran sebelumnya sebagaimana pad a
persamaan ( 13.39) dan ( 13.40). Data yang dibutuhkan ada di lampiran pad a Lampi ran Tabel
13.1. Hasil estimasi di tampilkan di persamaan (13.44) dan (13.45) sbb:
~ = 11,18881 + 0,0003GDP, (13.44)

2
(6.5331) (1.3772) R =0.1123
Q, = ·-63927,74 + 19J1331GD,r_:; (13.45)

2
(-f1.9441) (12.7222) R = 0.915185
Dengan menggunakan persamaan (13.42) dan (13.43) kita bisa mendapatkan estimasi
persa;Tlaan penawargn dengan metode !LS sbb:
Q, = -796163,838 + 65443,6667 P, (13.46)
Sedangkan hasil regresi dengan l1anya menggunakan metode OLS ditampill<an dalam
persamaan (13.4 7) berikut ini:
Q, = -11953,92 + 41 55,444?, (13.47)

2
(0.1713) (0.8093) R = 0.041835
13.5.2. Metode Two Stage least Squares (TSLS)

Selain metoje lnd;r&ct Leasi Souate, mewde Two Siage :....east SquareD ;TSLS)
adalah metode yang umum digunakan untuk mer.gestimasi persamaan simultan.
Metode ini digunakan ketika model persamaen simu!tan adalah terlalu teridentifikasi.
Dalam banyak kas. 1s model persamaan simultan yang terlalu teric1entifikasi seringkali
kita jumpai daripada model yang hanya tepat teridentifikasi. Misalnya mengambil
contoh persamaan simultan pada mtJdel persamaan pendapatan dan persamaan
penawaran uang. Adapun kedue< persamaan tersebut sbb:
Fungsi pend<:lpatan Y, =r1o +r11M, +r12I, +r!3G, +el, (13.48)
Fungsi penawaran uang AI, = Y:n + r2Ir; + r22YH + r23M•-! -1- e2t (13.49)
Dimana: Y = pendapatan; M = penawaran uang; I = invesiasi; G = pengeluaran

pemerintah; Y1_1 = Pendapatan periode sebelumnya; Mt-1= penawaran uang periode
sebelumnya.
Persamaan pendapatan menyatakan bahwa pendapatan ditentukan oleh
penawaran uang, pengeluaran investasi dan pengeluran pemerintah. Sedangkan pada
persamaan penawaran uang menjelaskan bahwa penawaran uang ditentukan oleh
bank sentral atas dasar pendapatan masyarakat. Berdasarkan identifikasi, maka
persamaan pendapatan maupun persamaan pehawaran uang adalah terlalu
teridentifikasi. Karena model penawaran uang terlalu teridentifikasi maka kita akan
menggunakan metode dua langkah dari OLS (TSLS). SGkarang beberapa paket
program ekonometrika telah menyediakan teknik estimasi me(ode TSLS seperti
Eviews.
Untuk menyelesaikan persamaan tersebut di atas maka digunakan dua langkah dari
OLS (TSLS). Prosedur dari TSLS sbb:
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:
Yl = fr,o +TI1J1 +I1,2GI +I113~-~ +I1,4MI-I +ell (13.50)
M! =IT2o+fi2/1 +I1nG1 +I123YI-I +I124MI-I +e,l (13.51)
2. Pada le.ngkah k~dua kita men~gantikan~ Y dan M pada persamaan struktura: II ::

dengan nilai yang direroleh Y dan M dari persamaan reduced form dan
kemudian rnelakukan regresi dengan metode OLS. Adapun persamaannya sbb: I
I
I
~ = Yto + Y11M1 + Y12!1 + Y13G1 + v11 (13.52)
Pll =r2o +r21~ +rn~-~ +r23MI-I +vLI (13.53) I

dimana: VII =ell+ Ytle21 dan ):21 = e21 + r2!ell
I'
I
~~
~
~--~
imn
g;m•-
tc:=
r---
-~--
,_
!::
Contoh 13.5. Model Estimasi TSLS

Kita akan memberi contoh metode TSLS dengan menggunakan persamaan pendapatan dan
persamaan penawaran uang sebagaimana persamaan (13.48) dan (13.49) dengan
mengambil contoh kasus di Amerika pada periode 1970 -1999, data ada di lampiran. kita
menggunakan alat bantu Program Eviews yang secara langsung menyediakan teknik
estimasi TSLS. Hasil estimasinya bisa dilihat dalam Tabel 13.1 dan Tabel 13.2, sedangkan
langkah estimasi di program Eviews bisa dilihat di lampiran. Untuk mengestimasi persamaan
pendapatan (13.48), variabel independennya adalah M2, I dan G sedangkan variabel
instrumennya adalah semua variabel eksogen yakni I, G, GDP(-1) dan M2(-1) termasuk
l<onstanta. Sementara itu untuk persamaan penawaran uang (13.49), GOP, GDP(-1) dan
M2(-1) sebagai variabe! intlependen dengan variabel instrumen I, G, GDP( .. 1) dan M2(-1 ).
Pad a persamaan pendapatan. tanda varia bel M2, I dan G positif sesuai dengan hipotesis
yang diharapkan dan secara statistik signifikan pada a=1% kecuali G. Pada persamaan
penawaran uang, variabel GDF), kelambanan GDP dan kelambanan M2 juga bertanda positif
dan signifikan pad a c.:= 1% kecuali pad a kelambanan GOP yang hanya signifikan pada
a=10% pada uji satu sisi.
Tab~l 13.1. !-lasil Estimasi Metode TSLS pada persamaan pendapatan

Dependent Variable: GOP r
Method: Two-Stage Least Squares
llnst;ument list. C I G GCP(-1) M2(-1)
Variable I Coefficient Std Error t-Statistic Pro b.
c I 2511.908 70.40928 35.67581 0.0000
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 ------'----------'
Tabel13.2. Hasil estimas1 me[ode TSLS pada persamaan penawaran uang

IDepef'ldent Variable: M2
Sample(adjusted)· 197i 1999
lnstrum~nt iist: C i G GDI-'(-1) M2(-1)
~~~~~~~~~~~~~~--~----------~-----------~--------~
Variable Coefficient Std. Error! t-Statistic Prob.
c -230.2848 182.4102[ -1.<::624=.c5cc::5+------=-o-'=.2"-:-1'='84-'-~
GOP 0.288503 0.1150·17 2.507693 0.0190
GDP(-1) -0.131723 0.124911 -1.502853 0.1454
M2(-1) 0.889019 0.077L.24 11.51078 0.0000
~------~-~ ---------~---~-~~~~~
R-squared 0.997175 Durbin-Watson st3t 1.207321
~L~-~F=-s=t=at=is=t~ic==========~======2=9=4=3=.6=5=~-=~~_;~~~=~==~~=-~=--=~~-====~
~
F---
~
!'¥=------
~
.-.---
~
_;~- - -
!J
I• _,.---
1 j
LAMPIRAN BAB 13
Lampiran 13.1. Data Ekspor Pakaian Jadi ke Amerika 1985-2001
Tahun Ekspor Harga ekspor GOP AS Kurs rupiah

{j_uta $) (milvar dollar) (Rp/US$)
1985 20304,8 9,65 4038,7 1125
1986 25323,3 10,64 4268,6 1541
1987 29955,1 11,38 4539,9 1650
1988 30158,0 13,58 4900,4 1731
1989 51032,8 12,99 5250,8 1797
1990 44364,2 12,55 5522,2 1901
1991 36229,2 15,37 5722,9 1992
1992 56043,5 15,23 6020,2 I 2062
1993 66918,8 14,75 6343,3 2110
1994 67696,4 14,49 6738,4 2200
1995 64278,1 17,41 7400,5 2308
1996 80202,6 15,04 7813,2 2383
1997 76702,6 14,03 83~8,4 4650
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
LAMPIRAN RUNNING EVIEWS BAB 13 Tal
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:
Fungsi pendapatan Yt = Y1o + Y11Mt + Y11lt + Y12Gt + e11 (1 )

Fungsi penawaran uang Mt = Yzo + Y21 Yt + Y22 Yt-: + Y23Mt-1 + 8zt
Dimana:Y 1= pendapatan;Mt= penawaran uang;lt= pengeluaran investasi;

Gt= pengeluaran pemerintah;Yt-1= Pendapatan periode sebelumnya; M1_1=pc:nawaran
uang periode sebelumnya
Kedua persamaan adalah overindetified sehingga penyelcsaiannya melalui TSLS.
Setelah kita membentuk file kerja maka klik Quick/~stimate Equation sehingga
muncul tampilan 1 berikut ini
Ta
Tampilan 1
De
Pada tampilan 1 pilih Me
metode TSLS !alu klik Da
Sa
Equatiof1 ~p~<eifif:.~~Ql:};_ ... ··· ....... ·; -· ... ··- ..... ·:· ............. --··:c . r . OK sehingga akan Inc
~- Dependent variable foJioiNed by list of re!:!res~or:s including ARMA
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

.j
Tampilan 2
Pada Tampilan 2 ini ada 2

item yang harus diisi yaitu;
(1) spesifikasi persamaan
(equation specification).
Misalnya untuk estimasi
pendapatan maka diisi
untuk variabel persamaan
pendapatan dalam
pmsamaan simultan. Dalam
kasus kita adalah GOP,
M2; I dan G; (2) inst1 ument
list yang berisi variabel
eksogen yaitu C I G GOP(··
1) M2(-1) lalu klik Ok
sehingga akan muncul hasil
regresi metode TSLS sbb:
Tampilan 3
Dependent Variable: GOP

Dale: 08109104 Time: 09:42
Sample(adjusted): 197~ 1999
Instrument list: C I G GDP(-1) M2(-1)
!'; ?511 .908 70 ..40928 35.67581 00000

M2 0.598720 0.144350 4.147710 0.00031
I 1.445012 D. '160397 9.008971 00000
G 0.6850[;3 0.3125Ll2 2.19:2270 0.0379
R-square~ 0.995653 Mean dependeni var 5364.Ll52

Jl..tljusteC: ~-s~uared 0.995143 8.u. dependent var 1479.947
S.E. of ragression 103.1441 Sum squared resid 26S!:l67.5
F-statistit: 1915.059 Durbin-Watson st<lt 0.62823r'
Prob(r-statistit:) O.OOOOUO
I
Sedangkan e~timasi pada Persamaan Jumlah Uang beredar pada s~esifikasi
persamaan (equation spesification) tampilannya sbb:
Tampilan 4
Sedangkan hasil
estimasinya ditampilkan
dalam Tampilan 5
. . ~,.,.'.,.. : ·:,~</~/·\·<.:.
.~ -.·.:; .~:..:-·.
did<
sec
dat<
Tampilan 5 buk
Ade
[ Dependent Variable: M2
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
Sebagian besar pekerjaan ekonometrika untuk menganalis!s perilaku ekonomi

didasarkan pada data time series. Berkaitan dengan hal ini, ahli-ahli ekonometrika
secara khusus telah mengembangkan t!jlknik ekonometrika untuk menganalisis perilaku
data time series yang dikenal dengan ekonometrika time series. Pada bagian keempat
buku ini secara khusus akan membahas topik-topik di dalam ekonometrika time series.
Ada tiga topik yang dibahas yaitu: (1) metode Box-Jenkin yaitu suatu model yang
digunakan untuk memprediksi perilaku variabel yang didasarkan pad::j perilaku variabel
itu sendiri; (2). Model ARCH (Autoregressive Conditional Heteroscedasticity) dan
GARCH (Qeneralized Autoregressive Conditional Heteroscedasticity) yaitu suatu model
untuk ruenganalisis perilaku data time series yang n:empunyai tingl<at volatilitas yang
tinggi; (3) Model koreksi kesalahan (Error Correction rv1odefc::EC~v1). Model inl muncul
karena perilaku ekonomi seringkali menunjukkan kondisi ketidakseimbangan sehingga
perlu suatu model yang mamasuk.kan variabel penyesuaian untuk rnelal<.ukan koreksi
9ag: ke~ij?.k:oeirnbCJngan tcrsebut.
Bab pertama dari bagian keempat buku ini akan membahas rnetodoloqi yang
dikembangkan olah Box-Jenkin dikenal dengan rnetodologi ARIM/\ (Autoregressive •
Integrated Moving Average). Maciel ini ITIUilCUI karena seringl<ali perilaku v<1riabel
ekonomi sulit dijelaskan oleh teori ekonomi. Model yang dibahas p::~da bab 14 ini
merupakan saiClh satu teknik peramalan model time series yang ilanya didasarkan
pada perilaku data itu sendiri. Pada bab 15 membahas estimasi data time series yang
tingkat volatilitasnya cukup tinggi. Dengan adanya tir.gkat volatilitas yang tinggi ini
mai<.a data time saries diduga rnempunyai rata-rata dan varian yang tinggi sehingga
akan mempengaruhi perilaku variabel ekonomi. Ada dua model yang akan dibahas
yaitJ model ARCH dan Model GARCH. Bab 16 membahas bagaimana data time series
297
Tampilan 4
Sedangkan hasil
estimasinya ditampilkan
dalam Tampllan 5
-
.... ~..........~.;-···-·~"""-·· .,;.., ........... ,.. .............. ..:..:~ . ·-----···-"'' . ....:... :. .
did;
sec
dat
Tampilan 6 bu~
Ad;
l
Depenrlent Vari8ble: M2
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!
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~~
Sebagian besar pekerjaan ekonometrika untuk menganalis!s perilaku ekonomi

didasarkan pada data time series. Berkaitan dengnn hal ini, ahli-ahli ekonometrika
secara khusus telah mengembangkan te¥<-nik ekonometrika untuk. menganalisis perilaku
data time series yang dikenal dengan ekonometrika time series. Pada bagian keempat
buku ini secara khusus akan membahas topik-topik di dalam ekonometrika time series.
Ada tiga topik yang dibahas yaitu: (1) metode Box-Jenkin yaitu suatu model yang
digunakan untuk memprediksi perilaku variabel yang didasarkan pad::1 perilaku variabel
itu sendiri; (2). Model ARCH (Autoregressive Conditional Heteroscedasticity) dan
GARCH (Generalized Autoregressive Conditional Heteroscedasticity) yaitu suatu model
untuk rn.enganalisis perilaku data time series yang mempunyai tingkat volatilitas yang
tinggi; (3) Model koreksi kesalahan (Error Correction f.;lodet=ECI\!1). Medel in! muncul
karena perilaku ekonomi seringkali menunjukkan kondisi ketidakseimbangan sehingga
perlu StJatu model yang memasukkan variabel penyesuaian untuk melakukan koreksi
~ag: ke~idak~eirnb3ngan tersebut.
Bab pertama dari bagian keempat buku ini akan membahas rnetodologi yang
dikembang~~·:m oleh Box-Jenkin dikenai dengan metodologi ARIM/-\ (Autoregressive
Integrated Moving Average). 1\/,ociel ini muncul karena seringl<ali perilal<u vRriabal
ekonomi sulit dijelaskan oleh teori ekonomi. Model y<..ng d.ibahas pada bab 14 ini
merupakan salah satu teknik peramalan model time series yang hanya didasarkan
pada perilaku data itu sendiri. Pada bab 1 5 membahas estimasi data time series yang
tingkat volatilitasnya cukup tinggi. Dengan adanya tingkat volatilitas yang tinggi ini
mai<.a data time saries diduga rnempunyai rata-rata dan varian yang tinggi sehingga
akan mempengaruhi perilaku variabel ekonomi. Ada dua model yang akan dibahas
yaitLJ model ARCH dan Model GARCH. Bab 16 membahas baga:rnana clata time series
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)
Pada bagian pertama buku ini menjelaskan bagaimana memprediksi su<1tu

variabel berdasarkan variabel lain sebagai variabel independen. Bab ini akan
membahas salah satu model yang digunakan untuk memprediksi suatu varlabel yang
hanya didasarkan pada perilaku data variabel itu sendiri tanpa memasukkan variabel
independen di dalam model. Pada bab ini akan mernbahas metodologi yang
dikembangkan oleh Box-Jenkin yang dfkenal dengan model Autoregressive Integrated
Moving Average (ARIMA).
14.1 MODEL BOX-JENKIN

Model Box-Jenkin merupakan salah satu teknik peramalan model time series
yang hanya berdasarkan perilaku data variabel yang diamati (let the data speak for
themselves). Model Box-Jenkin ini secara teknis dikenal sebagai model autoregressive
integrated moving average (ARIMA). Analisis ini berbeda dengan model struktural baik
model kausal maupun simultan dimana persamaan model tersebut . menunjukkan
hubungan antara variabel-variabel ekonomi. A!asan utama penggunaan teknik Box-
.Jen;\ln kCji·t~:-,a yerakan VC:lria:lel-vC:~rie~ba: el<onoml yan; dit•:=;iiti sspert: pBrgE,:-3!~c:;r; rdai
tukar, harga saham, inflasi seririgkali sulit dijelaskan oleh teori-teori ekonomi.
Teknik Box-Jenkin sebagai teknik peram<1lan berbeda dengan kebanyakan
model peramalan yang ada. Di dalam mode! lni tidak ada asumsi khus'Js tentang data
histor!s dari runtut waktu, tetapi menggunakan motode ite ·atif untuk rnenentukan r.1ode!
yang t9rbaik. Model yang terpilih kemudian akan dicek ulang dengan data historis
apakah telah menggambarkan data dengan tepat. Model terbaik akan diperoleh jika
residual antara model peramalan dan data historis kecil, didistribusikan secara random
dar. independen. Namun bila model yang dipilih tidak mampu menj~laskan de11gan baik
maka proses p3nentuan model perlu diulangi. Model Box-Jenkin ini terdiri dari
beberapa model yai~u: autoregressive (AR), moving average (MA), autoregressive-
moving :werage (!\RMA) dan autoregressive integrated moving average (AR!f'.,1f\).
IIII ::-----
i
r·.
___...
.~"-
---
~--~~
!=-· - - ·-·---
~
.-.-
~
!::;:_ ______ _
300 Bagian Keempat: Ekonometrika Time Series
14.1.1. Model Autoregressive f

Pembahasan pertama model AR!MA akan dimulai ciari model autoregresif
(Autoregressive =AR). Model AR menunjukkan nilai prediksi variabel dependen Yt
hanya merupakan fungsi linier dari sejumlah Y1 aktual sebelumnya. Misalnya nilai
variabel depeden Y1 hanya dipengaruhi oleh nilai variabel tersebut satu periode
sebelumnya atau kelambanan pertama maka model tersebut disebut model
autoregresif tingkat pertama atau disingkat AR(1 ). Persamaan model AR (1) dapat
ditulis sbb:
(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
Residual dalam persamaan (14.2) tersebut sebagaimana model OLS mempunyai

karakteristik nilai rata-rata nol, varian konstan dan tidak saling berhubungan. Model AR
dengan demikian menunjukkan bahwa nilai prediksi variabel dependen Y, hanya
merupakC!tl fungsi linier dar! sejumlah Y, aktual sebelumnya.
14.1.2. Model Moving Average c\

Model kedua ARIMA adalah model Moving Average (MA). Model MA ini
menyaiakan bahwa n~lai prediksi variabe! dependen Y1 hanya dipengaruhi oleil nilai
residual periode sebelumnya. Misalnya jika nilai variabel dependen Y, hanya
dipengaruhi oleh nilai residual satu periode sebelunmya maka disebut dengan modf!l
MA tingkat pertama atau disingkat dengan MA(1 ). Model MA(1) dapat ditulis dalam
bentuk persamaan sbb:
Bab 14. Model Box-Jenkin 301
1't = ao + a,er + a2er-t (14.3)

dimana
et =residual
et-1 = kelambanan tingkat pertama residual
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. :1 .3. Model Autoregressive-Moving Average

Seringkali periiaku suatu data time series dapat dijelaskan dengan baik melalui
penggabungan antara model AR dan model MA. Model gabungan ini disebut
Autoregressive-Moving Average (ARMA). Misalnya nilai variabel dependen Y:
dipengaruhi oleh kelambanan pertarr1a Y1 dan kelambanan tingkat pertama residual
maka modelnya disebut dengan model ARMA (1, 1 ). Model ARMA (1, 1) dapat ditulis
dalam bentuk p~rsamaan sbb:
{14.5)
Secara umum bentuk model dari ARMA dapat ditulis dalam bentuk persamaan sbb:
302 Bagian Keempat: Ekonometrika Time Se;ies
14.1.4. Model A~toregressive Integrated Moving Average

(ARIMA) ~
Model AR, MA dan ARMA sebelumnya mensyaratkan bahwa data time series
yang diarnati mempunyai sifat stasioner. Data time series dikatakan stasioner jika
memenuhi tiga kriteria yaitu jika data time series mempunyai rata-rata, varian dan
kovarian yang konstan. Namun dalam kenyataanya data time series seringl<ali tidak
stasioner narnun stasioner pada proses diferensi (difference). Proses diferensi adalah
suatu proses mencari perbedaan antara data satu periode dengan periode yang lainnya
secara berurutan. 1 Data yang dihasilkan disebut data diferensi tingkat pertama. Jika kita
kernudian rnelakukan diferensi data diferensi tingkat pertama maka akan menghasilkan
data diferensi tingkat kedua dst.
Sea:1dainya data time series yang kita gunakan ~idak stasioner dalam level
IT'3kd data tersebut kemungkinan rnenjadi stasioner melalui proses diferensi atau
dengan kata lain jika data tidak stasioner pada level maka perlu dibuat stasioner pada
tingkat diferensi (difference). Model dengan data ~ang stasioner melalui proses
differencing ini disebut model AR.IMA. Dengan demikian, jika data stasioner pada
proses differencing d kali dan mengaplikasikan ARMA (p,q), maka modelnya ARIMA
(p,d,q) dimana p adalah tingkat AR, d tingkat proses membuat data menjadi stasioner
dan q merupakan tingkat MA. ARIMA (2, 1 ,2) berarti menunjul<kan AH (2), proses
differencing 1· untuk membuat data stasioner dan tingkat MA pada level 2. Model AR
(2) oleh karena itu tidak l3in merupakan model ARir·/IA (2,0,0).
14.2. Metodologi Box-Jenkin

Setelah kita mengetahui model Box-Jenkin, ada dua pertanyaan yang muncul.
Pertama bagaimana kit a bisa rr 1engetahui apakah perilaku data dari suatu variabel
mengikuti pola AR atau MA atau ARMA ataul<ah ARIMA. Pertanyaan kedua, berapa
nilai untuk p, d dan q yakni be~'3pa tingkat AR, berapa tingkat proses diferensi untuk
rnenjadikan data stasioner dan berapa tingkat MA U; 1tuk menjawab hal ini, Rox-Jenkin
te!a~ rnenger.1ban9lcan suatu metndologi pembentukan model. Garnoar 14.1.
menjclaskan r.1etodologi tersebut. Langkah pertama aualah identifikasi serta pemilihan
p, d dan q, secam tentatif "emudian estimasi parameter. Jif 3 uji diagnosis terpenuhi
maka bisa digunakan prediksi dan jika tidak maka kembali ke langkah pertama.
Langkah-langkah yang harus diambil di dalam menganalisis data dengan
mengg•Jnakan teknik Box-Jenkin secara detil dapat dijelaskan sbb:
------------------
Peljeiesan secara de iii te11ta.-.g r! ;,, ; :•iah .susiJ; ;;:- itas ;:;at a tmw series de: pat dibaca dalam bab 16
Gambar 14.1. Diagram Metodologi Box-,Jenkin
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:· ., ... , = ,.
!-::j' d~:ici l-tbE.q ~-ilf.;\.6JJP-::.~ifl ;:~~::·i::('_:;:. ·;::.";l. <.·:•·iir.~

,,
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 ,~
kembc:tngkan pada bagian pertama buku ini.

~
s
14.2.1. ldentifikasi
14.2.1.1. Uji Stasioner Melalui Correlogram L
t -
Sebelum membahas secara detil model ARIMA, pada subbab ini akan dibahas
c
metode deteksi masalah stasionaritas data yang digunakan. Metode sederhana yang
dapat digunakan untuk menguji apakah data stasioner atau .idak dengan melihat
correiogram melalui Autocorrelation Function (ACF). 2 ACF menjelaskan seberapa besar
korelasi data yang berurutan dalam runtut waktu. ACF dengan demikian adalah
perbandingan antara kovarian pada kelambanan k dengan variannya. Dengan demikian
ACF pada kelambanan k (pk) dapat ditulis sbb: t
(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
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 :
Pk - N (0, 1 In) (14.11)
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
dimana: n = besarnya sampel dan m =panjangnya kelambana;,

2
Oalam sampel besar, uji statistik Q ini akan mengikuti Jistribusi chi squares (x ) dengan
derajat kebebasan (df) sebesar m. Hipotesis nul (Ho) untuk uji ini adalah nilai semua
3
Guj~:11 ati, r··~. Danl·.-_,dar.· Gp .cit. p .-3 i 2
.. t---
!!::.:=:=
if~~~-,-c~
!::_---- ---=
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:
LB ~ n(n + 2)t,( :!k)- x' m (14.14)
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-
~- -~~~

Kita bisa juga membuktikan bahwa data IHSG juga tidak stasioner melalui uji yang
dikembangkan oleh Box-Pierce. Besarnya nilai statistik Q sampai kelaml:)anan 30 sbb:
m
Q=n"Lpi =847(21,9455)=18587,85 (14.15)
k~l
Sedangkan nilai statistik distribusi chi squares (x ) dengan df sebesar 30 pada a = 5%

2
2
adalah 43,7729. Nilai statistik Q lebih besar dari nilai statistik distribusi chi squares (x )
sehingga data tidak stasioner. Begitu puln berdasarkan uji yang dikembangkan oleh Ljung-
Box (LB) juga menghasilkan kesimpulan yang sama.
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
'--------•--'
Gambar 14.2. Perkembangan IHSG 3/7 2000-23/12 2002
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

Sample: 1 847
Auto c orre lati on Partial Cqrn:.~ I at ion AC PAC Gl-Stat Prob

I I 1 0.987 0.987 828.58 0.000
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
'
-
Contoh 14.2. Apakah Data Return Suham Sta~ioner?

!='3d a co,ltoh s2be:urr.r.ya d~ketohui
bar.wa data I HSG tide. I< stasion8r. r~.ita aka;1 1:1encooc.
me11ganalisis aoakah return saham IHSG har!an merupakan data stasioner. Return saham
(RIHSG) dihitung dengan formula berikut ini:
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-------
·~~
'
~ -~~

I
0.2 ..•
--
~~~~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
li ~-~=--=~wt o c:_o_r:~_e I at i a : Partiotl C o rre I at i u n ..c-...c: F'..c-...C 0-St:at
~· """'' 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...:.
return IHSG periode 3/7 2000 -23/12 2003

54.72"1 0.004
14.2.1.2. ldentifikasi Model

Setelah kita mendeteksi masalah stasionaritas d<1tc:: maka selanjutnya ada~ah
identifikasi model ARIMA. Metode baku yang digunakan untuk pernilihan model ARIMA
melalui correlogram yaitu autocorrelation function (ACF) dan partial autocorrelation
function (PACF). Kita telah mend8fir.isikan autocorrela;ion function sebelumnya.
Sedangkan po.rtial autocorrelation function (Pi<k) didefinisikan sebagai kofelasi antara Yt
uan Yt-k seteiah menghilangkan efek antara ''( yang tedetak diantara -yt dan \ft-k
l::;-----
-~,--
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.
Autocorrelation Pi!irtial Autocorrelation

1 1
-1 -1
rt=
~
~~-c~~
Ll-,-
=
_i_
Autocorrelation Partial Autocorrelation
k k
AR (2): Yt::: bo + b,Y,_1 + b2 Yt-2 + e,
Gambar 14.6 (a)_ koefisien ACF dan PACF untuk model AR (1) dan AR (2)
k k
Kelambar1gan (lag)
-1 -1
,.
i-
k 0 k
-1
Autocorrelation Parti31 AL:tocorr alation
\
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)
,.
-·-
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
Contoh 14.3. lndentifikasi Model ARIMA DIHSG

Kita kembali ke contoh IHSG sebelumnya dirnana data :HSG tidak stasioner pada tingkat
level. Bagaimana dengan data IHSG diferensi pertarna? Pada gam bar 14.7 menunjukkan
bahwa pola IHSG pada tingkat diferensi pertarna menunjukkan bahwa data IHSG stasioner
pada tingkat diferensi pertarna. Jika kita evaluasi melalui pola koefisien ACF maupun PACF
secara individual rnelalui gambar 14.8 juga tidak signifikan, dilihat dari kecilnya nilai
koefisiennya sampai kelarnbana:1 30. Uji koefisien ACF dan PACF secara serempak dari
Ljung-Box menunjukkan nilai statistik Ljung-Box sampai kelambanan 30 sebesar 39,842
sedangkan nilai statistik l
dengan df sebesar 30 pada a= 5% adalah 43,7729.
Langkah selanjutanya adalah menentukan model ARIMA. Kita analisis kembali pola
correlogramnya untuk menentukan model ARIMA. Correlogram DIHSG menunjukkan adanya
penurunan drastis pada kelambanan pertama pada ACF. Sedangkan pola PACF juga spike
pada kelambanan 1. Pola ACF dan PACF seperti i.1i tidak sesuai dengan c;pa yang
disarankan di dalam Tabel 14.1 Oleh karena itu kita akan mencoba model tentatif untuk
DIHSG adalah model autoregresif yaitu ARIMA (1, 1 ,0), ARIMA (0, 1,1) dan I\ RIMA (1 1,1 ). I !
100
::iO
.'; i
-50
100 " 1" " 1" " I' ~T"T'TT'T"T''T'T"r'T'T"rTTTTTT'T"T'TTTT',.,.-.,.,..-,.-,-T"T'T'r-rro f"T"T'rTT"T-r'r'rT'T"T"~

100 200 300 4JO 500 600
L----~--~~,~~~----~----~~~~-~~--~~~~---------------~
Gambar 14.7. Difere11si pertama IHSG (DIHSG) periode 3/7200::1-23/12 2003
~----
-
~.,-
t r==
F--=-==
+-- ______ _
!=- --
l I
Sample: 1 847
Autocorrelation Partial Correlation AC PAC 0-Stat Prob
••
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
-==-~~~-::;:-:::;.;;:.~~~--;----~--- --~ ...... -'~"!<
14.2.2. Estimasi IWodel ARIMA

Berdasarkan indentifkasi, Model tentat;f DIHSG adalah 2.utoregresif yakni
ARiM 1 (~~1;0), ARIMA(0,1 1) maupun ARIN!A (1,1,1). Model tentatif ARIMA lni dapat
1
dibentuk dalam persamaan sbb:
DIHSG 1 =Po+ P1AR(l) + e 1

(14.17)
DIHSG1 = Po + P1MA(l) + e 1
(14.18)
DIHSG1 =Po+ j31AR(l) + MA(i) + e, (14.19)
Dimana DIHSG = adalah perbedaan (diferensi) pertama IHSG.

. ~ /
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
Contoh 14.4 Estimasi Model ARIMA DIHSG

Kita lanjutkan kembali analisis DIHSG. Hasil estimasi model tentatif pe1·samaan (14.17)
sampai persamaan (14.19) tersebut kita tampilkan dalam Tabei 14.2. Nilai kritis statistik t uji
dua sisi pad a a=1 %, a=5% dan a=1 0% dengan df 844 maupun 843 masing-masing adalah
2,576; 1 ,960 dan 1,645. Pada model ARIMA (1, 1,0), konstanta tidck signifikan sedangan
koefisien AR( 1) signifikan. Begitu puia pad a model ARIMA (0, 1,1) konstanta tidak signifikan
dan koefisien MA (1) signifikan. Pada model ARIMA (1, 1,1) konstanta maupun koefisien
AR(1) dan MA(1) tidak signifikan. Berdasarkan gocdnesst of fit maka ada dua model yaitu
ARIMA (1, 1 ,0) atau ARIMA (0, 1,1 ), namun bila dilihat dari nilai F maupun koefisien
determinasi maka model ARiMA (0, 1,1) adalah model yang lebih baik.
Tabel14.2. Estimasi Model Tentatif ARIMA DIHSG I

.I
Model Konstanta AR(1) MA(1) RL F
ARIMA (0,2013) -0.148231 0.021974 18.94071 .'
(1,1,0) (0,830.5) -4.352093 ------ \
ARIMA 0.205438 -0.; 54658 0.023 "i 33 !9.99107
(0,1,1) I 0.874275 -4.547118
ARIMA 0.199607 0.022060 -0.176000] 0.023249 10.02059 \
(1,1,1) 0.850811 0.180238 -0.811869
.. I
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)
T a b e 114 3 E st'1mas1. M o d e I T enLa

' rf
i ARIMA. DIHSG t anpa K ons t a..-1 t a
I Model I AR(1) MA(1) RL
·-
ARIMA (1, 1 ,0) -0.147533 0.021175
ARIMA (0,1,1)
I ~ -4.333 7131
-0.153386 0.022254
I I (-4.520503) .: \
~. .
""
14.2.3. Uji Diagnosis Model ARIMA

Pada langkah identifikasi kita telah menemukan bahwa model tentatif kita
adalah ARIMA (0,1, 1). Setelah mendapatkan estimator model ARIMA (0,1,1),
Pertanyaannya apakah model yang kita pilih mampu menjelaskan data dengan baik?
PadCi uji Diagnosis ini kita akan memilih model yang baik dengan melihat apakah
residual yang kita peroleh relatif kecii karena bersifat random (white noise(
Jika tidak signifikan
Gambar 14.9" Mekanisme pemilihan model ARIMA
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.
Masalah residual white noise akan dibahas pada bab 16
~------
~
~--
~
~:::__-.::.::
Contoh 14.5 Uji Diagnosis Model ARIMA DIHSG

Kita kembali ke analisis model ARIMA DIHSG dengan tanpa konstanta. Nilai ACF dan PACF
dari residual model ARIMA {0, 1,1) ditampilkan dalam gam bar (14.1 0) dengan panja119
kelambanan 30.
Uji secara serempak sampai pada kelambanan tertentu berdasarkan uji statistik Ljung-Box
menunjukkan bahwa nilai statistik Ljung-BoX sampai pada Y-elambana'1 30 adalah 20,916, I
2 !
lihat nilai Q-Statistik pada kelambanan 30 gam bar 14.1 0. Sedangkan nilai statistik x dengan
df sebesar 30 pada a = 5% adalah 43,7729. Ketidaksignifikan semua nilai koefisien ACF
pada l\elambanan 30 dapat dilihat juga dari nilai probabilitas statistik L,iung-Box yakni
sebesar 0,862 atau pada a = 86,2%. Kesimpulan dari analisis correlogram baik ACF dan
PACF ini me:Junjukkan bahwa residual yang kita estimasi dari persamaan model ARIMA K
(0, 1,1) merupakan residual yang white noise sehingga kita tidak perlu mencari model Y<
alterr:atif yang lain. P•
R
I Sample: 2 847
a-statistic probabilities adjusted for 1 ,<J...RMA term(s)
--
Autocorrelat:on Partial Correlation AC p,.a,c Cl-Stat Prob
1 0.000 0.000 2.E-05

'I I' '
I
I
I 2 -0.014 -0.014 0.1591 0.690

•I'!
I
•D
I I
3
4
0.061
-0.001
0.061
-0.001
3.2789
3 2802
0 194
0.350
I
'I I I 5 0.031 0.033 4 0853 0.39-'\
I
' I I 6 -0.009 -0.013 4 1508 0.528
' '
I I . '
I
I
'
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
13 0.018 0.017 10.140 0.604
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!
Bab 14.Mode1Box~enk~ 319
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:
DIHSG=- 0,1537 MA(1) (14.20)

(-4,5205)
2
R = 0,0223
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
dimana Y~ ad1lah nilai aktual Y dan Y1 c;dalah nilai prediksi '{.
71.JO . - - - - - - - -... -...· - - - - · - - - - - - - - - - - - - - · -
~00
500 ~> ,~: -_
400
~
,P-1\./'."""'"""'..... ;:rf~
sv-';. . V"' :' .... ..~
:J ·~\k·~-
-~,.,.·~' ~·. ·. .· ...~~~Y ...
J Y' /
~ ,' ...
~. ..,..._,
,. ~
•· -
v' ·o~-
300 I I I I I I I I I I I I I I I I I I I IiI I I I I I It I' I

100 2CO 300 400 500 600 /00 BOO
1-- IHSGF ----- ± 2 S.E"]
Gambar 14.11. Prediksi IHSG
~; --
~-
~
=----
=---
\.~.'-'.·_.·
~,-~
.
. ~~
I'·
Sedangkan evaluasi berdasarkan kesalahan peramalan atau prediksi dengan

menggunakan RMSE ditampilkan dalam Tabel14.4. sbb:
Tabel 14.4. Evaluasi Kesalahan Peramalan
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
LAMPIRAN RUNNING PROGRAM EVIEWS BAB 14

Pada bab ini kita menganalisis perilakli indeks harga saham gabungan (IHSG) pada
periode 3/7 2000 - 23/12 2003. Langkah pertama untuk menganalisis keduanya adalah
membentuk Workfile. Apakah data IHSG dan RII-!SG stasio:1er dilihat dari pola
grafiknya sebagaimana grafik 14.1. Caranya pilih IHSG kemudian OpenNiew/Line
graph sehingga akan muncul Tampilan sbb:
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
Pada Tampilan 2 ini, ketik nama series yang akar

dilihat pola correlogramnya kemudian klik OK
sehi:1gga akan muncul Tampilan 3 beril--ut ini
Tampilan 3
Tampilan 3 menunjukkan spesifikasi correlogram

(correlogram specification). Pilihan yang harus :...;
dipilih yaitu tingkat correlogram pada level, first

difference atu second difference. Selanjutnya
adalah masalah panjangnya kelambznan (lags
specification). Analisis pertama perilaku data
IHSG adalah pada tingkat level, maka pilih level
dan panjangnya kelambanan dengan 30,
kemudian kita Klik OK sehingga akan muncul
tampilan 4.
t
Tampilan 4
' lltl
n-p,..--le-:~18~47.---------------------------
c~Jded observations: 847 _
utocorreiCJtion Partial Correlation AC PAC Q-Stat Prob

-
'I 0.987 0.987 828.58 0 000
I·~·· 2 0.977 0.077 1640.5 0.000
I • I I 3 0.966 0.001 7435.8 0.000
I I I 4 0.956 -0.006 3214.6 0.000
1 1 1 5 o.946 o.023 3978.2 n.ooo
I I I 6 0.935 0.020 4726.0 0.000
I I I 7 0.925 -0.009 54:S8.0 0.000
8 [1_~ 1 5 fJ.014 6~75.2 O.OOC
I I
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----
-.-
"·, ----- -
_,._
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(IHSG) C AR(1) MA(1)
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)
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
\:"ariable Coefficient Std. Error !-Statistic Pro b.
c 1.626895 0.766021 .,_942563 0.0546

AR(1) :J.237374 0.092321 2.571171 0.0115

Adjusted R-squared 0.047/07 S.D. dependent var 6.529689
Sum squared cesid 4506.904 Schwa(z crilerion 6.607526
Log liKelihood -3i38.5976 F-statisi.ic 6 610919
Inverted AR Roots .24
-~-
3Z4
Tampilan 6
Bagian Keempat: Ekonometrika Time Series .-.
Dependent Variable: D(IHSG)
Date: 06105104 Time: 07:37
Convergence <>chieved after 6 iterations
Backcast: 1
Varic=~ble Coefficient Std. Error !-Statistic Pro b.
c 1.540013 0.76;'"656 2.006120 0.0473

MA(1) 0.305645 0.090960 3.360228 0.0011

Adjusted R-squ-ored 0.064436 S.D. dependent var 6.500754
S.E. ofregression 6.267625 Akaike info ~riterion 6.532496
Log likelihuod -370.3522 F-statistic 8.782804
Durbin-VVatson stat 2.037315 Prob(F-statistic) 0.003715 tin~
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
lnciCJded ,-,bservations: 113 after adjusting endpoints
I i dit
Convergence achieved after 7 iteration a
Backcast: 2 \
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
15.1'" Volatilitas Data Tima Series

Data ekonomi time series seringkali menunjukkan volatili-ia:::. f.:mq tinggi.
Sebagai contoh kita tampilkan tiga data time sedes yaitc· data kurs t•'Ji:,man r•wiaf1
icriladap dollar periocJe 199CJ.'i -;2002.9, data IH SG harian periode 3/7 2COD -23/'l2 2003
dan data tingkat inflasi bl!lanan periode Januari 1994 sampai April 2002 seperti yang
terlihat dalarn gamb.::~r 15.1, 15.2 dan 15.3. •
Perkembangan kurs sebelum krisis ekonorr.i yakni tahun 1990-19~7
menunjukkan kondisi yar.g relatif stabil Namun sejak Akhir tahun 1997 menunJukkan
kondisi yang relatif tidak stabil, mengalami ken3ikan dan penurunan Begitu pula
perkembangan harga saham IHSG dan inflasi mengalami kenaikan dan penurunan dari
waktu ke waktu. De:-Jgan kata lain pergerakan ketiga datc:l tersebut menunjukkan
tingginya volatilitas.
Adanya volatilitas yang tinggi ini tentunya menyulitkan para pcnditi untuk
membuat estimasi dan prediksi pergerakan variabel tersebut. Oleh karena itu, di dalam
menganalisis perilaku data runtut waktu (time series) untuk sektor finansial misalnya
harga saham, nilai tukar rupiah, inflasi, suku bunga dsb, peneliti seringkaii rnenei11ukan
bahwa kemampuan atau presisi peramala:1 berubah-ubah dari waktu ke waktu.
~
~-
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
15.2. Model ARCH

Melihat contoh perkernbar.gan" data time series dalam gan1bar 15.1-i 5.3
rnenunjukkan bahwa volatilitas data adalah sesuatu yang seringkali terjadi di pasar
keuangan (financial) dan sesuatu yang sulit untuk dihindari. Oengan kondisi terseb! 1t
maka perilaku data time series tersebut sangat berbeda dengan asum::;i }tang selama
ini menjadi kajian aliran utama ekonometril<a, yakni data time series l<::ecenderungannya
mempunyai varian kesalahan penganggu atau residual (error terrn; y;:;1,g konstan dari
waktu ke waktu. Berdasarkan kenyataan tersebut, dalam bahasa e~<oncm1etrika berarti
bahwa ·varian residual dari data time series ini tidak konstan dan berubah-ubah dari
satu periode ke periode yang lain atau mengandung unsur heteroskedastisitas
(hetercscada::;,'fcity). Pada pembahasan bab 9 sebeiurnnya kita ketai;ui bahwa data
time series diduga tidak mengandung masalah heteroskedastis;tas. Masaiah
heteroskedastisitas lebih banyak te1jadi pada data cross section.
Dengan tingginya volatilitas data maka perlu dibl.iat suatu model pendekatan
te1 ~entu untuk mengukur rnasalah volatilitas residual. Salah satu pendekatan untuk
memprediksi volatilitas ve~rian residual adalah dengan memasukkan variabel
independen yang mampu mempradiksi volatilitas residual tersebut. Robert Engle
adalah al ·li ekonometrika yang pertama kali menganalisis adnnya masalah
heteroskedastisitas dari varian residua! di dalam data time serie3. 1 Menurut Engle,
varian residual yang berubah-buah ini terjadi karena varian residual tidak hanya fungs!
dari variabel independen retapi tergantung d8ri seberapa besar r3sidual di masa lalu.
Misalnya dalam memprediksi return saham, varian residual yang teriadi saat ini akan
sangat tergantung dari varian residual periode sebelumny3.
Robert Engle,"Autoregressive Conditional Heteroscedasticity with Estimates cf the Variance of United

Kingdom Inflation," Econometrica, Vol. 50, No.1, 1982, pp. 987-1007.
i¥- -
~
~----
-' --
'
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:
J't = f3o + f3tXt + et (15.3)

2 2 2 2 1-
crt = ao + atet-1 + a2et-2 + ... +a pet-p (15.4)
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.
15.3. Deteksi Unsur ARCH

Pada bab 9 sebelumnya sudah dijelaskan bahwa dalam data time series didugn
seringkali mengandung masalah autokorelasi sedangkan data cross section diduga
mengandung masalah heteroskedastisitas. Namun, Engle menunjukl<an bahvva
seringkali data time series selaln mengandung masalah autokorelasi juga diduga
mengandung masalah heteroskedastisitas. Ada dua uji yang akan dibahas· untuk
mendeteksi ada tidaknya unsur hetersokedastisitas di dalam data time series yang di
kenai dengan ARCH di dalam model regresi yaitu: (1) mengetahui pola residual kuadrat
dari Correlogr am; (2) uji ARCH-LM
15.3.1. Pota Residual Kuadrat Melalui Correlo.gram

SFcara informal ada tidaknya unsur ARCH di dalam modei regresi bisa dilihat
dari correlogram dari residual kuadrat. jika tidak ada unsur ARCH di dalam residual
kuadrat tnaka Aucocorrelation Function (ACF) dan Partial Autocorrelation Function
(PACF) ·seharusnya adalc=th rJol pada semua kelambc=tnan atau secara statistik tidak
signifikan. Sebaliknya jika ACI- dan PACF tidak 3ama dengar. no! maka mode!
mengandung unsur Autoregr%sive Conditional Heretoskedasticity (ARCH). Uji ada
tidaknya unsur ARCH dalam residua' kuadrat melalui ACF maupun PACF dapat juga
dianalisis melalui uji stat1stik dari Ljung-Box. Uji Statistik dari Ljung-Box telah kita bahas
pada bab 14 sebelur.1nya. Kita akan tulis kembali formula uji LB sebagai berikut:
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.
--
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.
Contoh 15.1. Deteksi Unsur ARCH Perilaku RIHSG Melalui Correlogram

Pasar modal m8rupkan sektor tak terpisahkan dari pasar keuangan dimana peri!aku variabel
di sektor keuangan menunjukkan volatilitas yang tinggi. Oleh karena itu muncul pertanyaan
tidakkah sebaiknya kita memasukkan unsur ARCH di dalam menjelaskan \'Oiatilitas pasar
modal. Kita al<an menganalisis pe,rilaku return saham (RIHGS) dengan memasukkan adanya
unsur volatilitasnya. Langkah pertama yang akan kita lakukan adalah rnembentuk model
sesuai dengan teknik yang dikemukakan oleh BOX-Jenkin. Metode Box-Jenkin akhirnya
rnenghasilkan model autoregresif yakni AR(1) dan AR(3) (silahkan dicoba). Penentuan
model bisa dili:~at dalam Lampiran. Hasil regresinya ditampilkan dalarn persamaan 15.6.
t
RIHSG = 0,0003-0.18218 AR(1) + 0,0701AR(3) (15.6)
t (0,5672} (-5,3830) (2,0709)
R2 = 0,0389
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

Sample: 5 847
Cl-sta1:istic: p r o b a b i l i t i e s a d j u s t e d f a r 2 ..A..R,..,...,..O... t e r m ( s )
......:
.A..ut oc:: o r r e I a t i o n P~artial Correlation Prob
1 -0.010 -D.D1 D O.D84D

2 -0.056 -O.O:SEi 2. 7120
3 0.001 0.000 2.7139 0.099
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(~•)
.,.O..,ut o c orr el at: i o n Partial C:::::orrelatio:--1 Cl-Stat Prob
1 0.461 0.461 179.G.9

2 O.D36 -b. 22-4 1 EJO _SB
3 0.008 0. 1 21 1 B 1 . 03 0 DOC)
4
::::::;
0.010
-C _ C!:.:J i -g-g~~ ~~~-~~ gg~~~
6 D.OOD -0.006 1 E31 _ 1 1 0.000 I
7 -0.010
-g:g~~ ~ ~~ --~~ g:ggg I
10
8
9
-0.DD9
D.DD9
D.DDEi
0.012
-0.008
181 .23
1E3-~.3Ei
D.OOC1
D.OLJD
I
1 , -D.DDEI -0.006 1 8 1 _-4-; 0.000
12 -0.010 -0.004 1 8"1 . 5 0 0.000
.
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
Gambar 15.5 Correlogram Residual Kuadrat model AR(1) ~=:~::,,__,.,...._._

15.3.2. Uji ARCH-LM

Selain uji unsur ARCH dalam residual kuadrat melalui Correlogram, Engle telah
mengembangkan uji untuk mengetahui masa!ah heteroskedastisitas dalam data time
series, dikenal dengan uji Autoregressive Conditional Heretoskedasticity (ARCH)
sabagaimana nama model yang dikembangkan. 3 Ide dasar dari uji ini adalah bahwa
2
varian residual ( a- 1 ) bukan hanya merupakan fungsi variabel independen tetapi
tergantung dari residual kuadrat pada periode sebelumnya a-~ 1 atau dapat ditulls sbb:
(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)
Robe1i E:1gle, ill:'J.

Beber3p 2 ,.J<O:.Fd:T; software ekonometrika, seperti Eviews, telah menyediaka:1 estimasi uji ARCH-LM
2
Jika (n - p) R yang merupakan chi-squares (x) hitung lebih besar dari nilai kritis
chi-squares (X) pada derajat kepercayaan tertentu (a), kita menolak hipotesis nul (Ho). ~' --
Hal ini berarti paling tidak ada satu a dalam persamaan 8.11 secara statisitik signifikan :-~
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.
Tabel 15.1. Deteksi ARCH dengan Uji ARCH-LM --

ARCH Test:
F -statistic 10.4514~1 Probability 0.000000
Obs*R-squared I 232.6795 Probability I o.oooooc
~
~
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

~~-----
Tabel15.2. Estimasi RIHSG dengan ARCH
Dependent Variable: RIHSG
Method: i'v1L - ARCH
Coefficient Std. Error z-Statistic Pro b.
c 0.001091 0.000679 1.6061031 0.1083
AR(1) -0.027272 0.040018 -0.681495 0.4956
AR(3) 0.055397 0.032021 1.730055j 0.0836
Variance Equation
c 0.000231 4.35E-06 53.15247 0.0000
ARCH(1) 0.309349 0.044049 7 ..022816 0.0000
R-squared 0.013076 Akaike info criterion -5.320429
Adjusted R-squared 0.008365 Schwarz criterion -5.292333
Log likelihood 2247.561 F-statistic t 2.775664
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.
~15.3. Deteksi ARCH dengan Uji ARCH-LM dengan l<elambanan 30 - - - - - - - - - ,

ARCH Test:
F-statistic
Obs*R-sguared
I 0.2825971 Probability l
0.999956
8.7194741 Probabili!.L_ _____,_ ___ 0.999948
~==~~====~===============~=========-~
"-
-
'
p
ll ---
r.r----
! '1--
f-,--
t=-
~-----
~-'~-
15.4. Model GARCH

Model ARCH dari Robert Engle ini kemudian disempurnakan oleh Tim
Bollerslev. 5 Bollerslev menyatakan bahwa varian residual tidak hanya tergantung dari
residual periode lalu tetapi juga varian residual periode lalu. Jika kita memasukkan juga
varian residual periode lalu dalam persamaan (15.4) maka model ini dikenal dengan
generalized autoregeressive conditional heterscedasticity (GARCH). Oleh karena itu
model ARCH adalah kasus khusus dari model GARCH.
Untuk menjelaskan model G.A.RCH ini kita kembali menggunakan model regresi
sederhana sbb:
(15.11)
dimans: y =variabel dependen

X =variabel indeperJ.den
e =residual ·
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)
Dimana p menunjukkan unsur ARCH dan q unsur GARCH.
Sebagaimana model ARCH, model GARCH tidak bisa uiestimasi dengan metode OLS,
tetapi dengan menggunakan metode maximum likelihood.
T Bollerslev," Generalized Autoregressive Conditional Hete;.Js3cdaslicity," ciournaf o': E :onon7sfrics,

Vel. 31, 1986, pp. 307-326
Contoh 15.4 Model GARCH Untuk Return Saham

Pada contoh sebelumnya telah ditunjukkan bahwa perilaku data return saham menunjukkan
adanya unsur volatilitas yang ditunjukkan dengan ARCH(1 ). Pada contoh kali ini juga ingin
dibuktikan bahwa perilaku data return saham tidak hanya mengandung unsur ARCH tetapi
juga unsur GARCH. Pada estimasi ARCH sebelumnya nilai AR(1) tidal< signifikan sehingga
kita tidak lagi memasukkan unsur ini di dalam menganalisis model GARCH. Setelah melalui
proses estimasi berkali-kali, akhirnya dihasiikan estimasi terbaik sebagaimana ditampilkan
dalar11 Tabel 15A. Pad a persamaan varian, baik unsur ARCH matJpun GARCH secar a
statistii< signifikan. Berarti kesalahan prediksi (residual) return harga saham dipengaruhi oleh
residual i(uadrat periode sebelumnya (ARCH) dan varian residual periode sebelumnya
(GARCH). Pada persamaan rata-rata, koefisien AR(3) secara statistik tidak signifikan.
Tabel 15.4. Estimasi Retu:n sallam dengan GA_R_C_H___________________,

._
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
~------
...........
~
!!;----
~ ..
---=---=-----
~---~
-,--
-,--
Contoh 15.5 Estimasi lnflasi Dengan GARCH

Perilaku data tingkat inflasi diduga mengandung unsur volatiltias yang tinggi, lihat gambar
15.3. Kita mencoba menganalisis perilaku inflasi dengan model GARCH. Pembentukan
model inflasi didasarkan pada metodologi dari Box.Jenkin. Model terbaik yang kita dapatkan
ad;:,lah model autoregresif uengan AR(i ), AR(5) dan AR(8) sedangkan hasil estimasi dengan
GARCH ditampilkan dalam Tabel 15.6. Pada persamaan varian, unsur ARCH (1 ), GARCH(1)
dan GARCH (2) secara statistik signifikan dilihat dari nilai probabilitasnya. Varian residual
inflasi dipengaruhi oleh residual periode sebe!umnya ARCH(1) dan kelambanan varian
residual periode sebelumnya GARCH(1) serta kelarnbanan varian residual dua periode
sebelumnya GARCH(2). Pada persamaan rata-rata semua variabel independen yaitu AR(1 ),
AR(2) dan AR(8) secara statistik signifikan dilihat dari nilai probabilitasnya. Artinya, tingkat
inflasi dipengaruhi oleh tingkat inflasi periode sebelumnya pada kelambanan 1, 2 dan 8.
Tabel 15.6. Estimasi lnflasi dengan GARCH

Dependent Variable: iNF
Sample(adiusted): 1994:09 2002:04 r
Coeffir.ient Std. Error z-Statistic Prob.
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.
Tabel15.7. Deteksi ARCH estimasi lnflasi dengan kela::::m~b=an:..::a::::n_:__:::8__________________,

!ARCH Test:
IF-statistic 0.2569511 Probability 0.977520
!I LObs~R-squared I 2.2408671 Probability I 0.972723
1.''
I'
I i
I::
338 Bagian Keempat: Ekon:ometrika Time Series
15.5. Model ARCH-M

Dalam banyak kasus terutama di pasar keuangan, adanya residual yang
memiliki volatilitas yang tinggi ini seringkali mempengaruhi variabel dependen yang
diarnati. Dengan kata lain van an residuai yang tidak konstan · ini menjadi salah satu
varia bel independeri di dalam persamaan rata-rata. Kembali ke persamaan (15.11)
:.:;ebelumnya, jika kita memasukkan unsur varian residual ke dalaril persamaan tersebut
maka modelnya disebut ARCH-in-rnean (ARCH-M). 6 Dengan demikian model ARCH-M
dapat ditulis dalam bentuk p,:;1samaan sbb:
(15.14)
I
(15.15)
Dalam persamaan (15.14) t3rsebut sekarang persamaan rata-rata memasukkan unsur

varian residual sebagai salah satu varia bel indeper1den tsehingga d:sebut A.RCH-M.
Contoh 15.6. Permintaan Uang M2 Modr)i ARCH-M

Model ARCH-M akan kita ap!ikasikan dalam ka'3US permintaan uang riil dalam arti luas (M2)
di Indonesia dalam periode 1990.1-2001.4, cJata ada di lampiran. Pasar uang diduga
mengandung unsur vol3tilitas yang tinggi se:1ingga diduga varian residual tidak konstan
Oengan adanya varian resirJual yang tida:'. !unstan ini tentu akan berpengaruh kembali
terhadap permintaan Li'8ng. 1\.iodel ARCH-M untuk permintaan uang tusebut dapat ditulis
sbt:
I
(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--
;.~
-.-
---
!-..:
Hasil regresi dapat dilihat dalam persamaan berikut ini:
LRM2 =5,719 + 0,171 LGDP- 0,0031R+ 0,3751NF- 0,026LIBOR -1 ,357a21 (15.18)

(7,992) (2,750). (-2,532) •. (2,342).. (-4,020). (-3, 127).
<l1 0,0001 + 1,0371:: 1. 1 + 0,277 c:\ 2

2
::.:- ( 15 19)
(0.4055) (2,286). (1 ,398f
R2 = 0,616 F = 7,820 Dw = 0,617

ARCH (12) = 7,453 (0.826)
Ket: • signifikan pada a=1%; .. signifikan pada u=5 %; signifikan pada a=10%
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.
..
i
LAMPIRAN BAB 15
Lampiran 15.1. Metode Maximum Likelihood

Untuk menjelaskan motode estimasi Maximum Likelihood kit2 mengambil
1.:::
contoh model regresi linier sederhana dengan dua variabel. Model regresi sederhana
ini kita bisa tulis sbb:
(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)
TuJ:..~ankita menggunakan estimasi maximum likelihood sebagalmana namanya adalah

untuk mengestimasi paramater dengan cara ag3r probabilitas dari nilai Y adalah·
setinggi mungkin. Untuk mencapai hal ini mC:Jka kita harus rnernaksin1urnkan nilai fungsi
likelihood (LF) dalam persamaan (3). Untuk memaks!rnukan fuflgsi ~Prs&but dilakukan
dengan cara melnkukan diferensiasi atau turunan fungsi tersebut terhadap setiap
paramet;r yang ada dan sEtiap turunan fungsi terhadap variabe! tertentu disamakar~
dengan nol. Namun untuk le!Jih mudahnya kita ubar' persamaan fungsi LF da!am
bentuk logaritma natural (In). Dalam hal ini memaksimt.tmkan fungsi in LF sama de11gan
memaksimumkan fungsi LF karena transformasi iagaritrna natural adalah tetap dan
menaik (monotonic and increasing). Fungsi In LF dapat ditulis sbb:
·..J.··
,
~ 0 · ~l
i..
-
·"'
;~
..
..
. I
iI
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)
0 In LF == __,_1 + _1_"" (Y _ fJ _ fJ X .)2 (7)

8CJ2 2CJ2 2CJ'"4 L., I 0 l I
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)
-n- + -1- L (Y-1 Po~ _r-x.

~ 2
=O (1 0)
252 25 " fJ, · 1)
Dari per.yelesaiur, persamaan (8) dan (9) kita mengha~ilkan persamaan sbb:
~ .. ~ ~.._.--.
L. Y; xi
= nf3o + /J, L ( 1 i)
L,rixi =P.,:Lxi +7J2:Lx;2 (12)
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)
Nilai har;,;~pan dari varian ML

\
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. .·
___ ._..;:.,. .- -. ~
Lampiran 15.2. Data lnflasi Bulanan 1994.1-2002.4
Tahun lnflasi Tahun lnflasi Tahun lnflasi Tahun lnflasi

(%) (%) (%) (%)
1994:1 1,25 1996:2 1998:3
1 '71 5,49 2000:4 0,56
1994:2 1,76 1996:3 -0,61 1998:4 4,70 2000:5 0,84
1994:3 0,70 1996:4 0,78 1998:5 5,24 2000:6 0,50
1994:4 0,24 1996:5 0,06 1998:6 4,64 2000:7 1,28
1994:5 1996:6
1994:6
I 0,52
1996:7
-O,IJ7 1998:7 8,56 2000:8 0,51
0,12 0,68 1998:8 6,30 2000:9 -0,06
1994:7 ., ,37 1996:8 0,27 1993:9 3,75 2000:10 1,16
1994:8 0,89 1996:9 -0,04 1998:10 -0,27 2000:11 1,32
1994:9 0 ,:::>,..,....
1996:10 1998:11
C:,41 0,03 ,2000:12 1,94
1994:10 I 0,89 1996:11 0,57 1998:12 1,42 2001:1 0,33
1994:11 0,95 1996:12 1999:1
0,5t: #- 2,97 2001:2 0,87
i994:12 0,52 1997: I '1,03. 1999:2 1,26 2001:3 0,89
1995:1 'i, 161997:2 1,05 1999:3 -0,18 2001"4 0,46
1995:2 I '1 ,31 1997:3 -0,12 1999:4 -0,68 2001:5 1 '13
1995:3 0,57 1997:4 0,56 1999:5 -0,23 2001:3 1,67
'1995:4 1,69 1997:;) C, 19 1999:6 -0,34 2001:7 2,12
199ti:5 0,49 199l:6 -0, ~? 1999:7 -1,05 2001:8 -0,21
1995:6 0,16 1997~7
0,66 1999:8 -0,93 2001:9 0,64
11901':-7
crv., 0,71 1997:8 1999:9
O,,S8 -0,68 200'1:10 0,68
199~1:8 .
[
r· J' ,. ., 1997:9 1999:1 Ci
~J t..) t!.. "( I '2 ;3 0,06 2001:11 1 '71
1995:9 0,38 1997:10 i 999:11
1,99 0,25 2001:12 1,62
1995:10 0,64 1997:1 J 1999:12
I '1,65 1,73 2002:1 1,99
1'1995:11
l
·1·-·<·c::.: 2
<J;;.J,;_ I
1_~96 ..,
I
I O,<l2
0,79
1997:12
r9'· 1
~- .
:1
I 2,0-i
i
; 68
'
2000:1
J 1~000:2
1,32
0,07
2002:2
1~002:3
1,50
-0,02
I 2,16 I i ') -;rn
- - -I -•L,.
- .0
2000:3 -0,45 2002:4 -0,24
~)u 'i,her: Statistik Ekonorni dan f<euang::li1 /njonesia, berbaga' ec:si
Lampiran 15.3. Data fv12, GOP, INF, IR3 dan LIBOR 3

Tahun RM2 GDP INF (%) IR3(%) LIBOR3 (%)
1990.1 595,8711 42495,02 0,015017 16,23 8,49

1990.2 628,3039 59493,02 0,032694 16,08 8,35 ~~
1990.3 666,7852 76491,00 0,032874 18,36 8,19

1990.4 723,4570 934890,03 0,014119 21,00 7,93
1991.1 685,9885 45556,7tl 0,010883 24,21 6,57
1991.2 723,7608 63779,49 0,024969 25,01 6,21
1991.3 740,4633 82002,21 0,038745 22,61 5,63
1991.4 770,2799 100224,92 0,020107 21,88 4,40
1992.1 773,3466 48384,23 0,013439 21,29 4,39
1992.2 807,0399 67737,93 0,016663 20,09 3,99
1992.3 851,5379 8"1091 ,62 0,005793 18.48 3,28
1992.4 138"\,3518 106445,32 0,013265 16,·r:: 3,63
1993.1 855,5'154 78529.7 0,606680 -~ 5,"(·:, 3,24
1993.2 860,5583 79380,5 0,005265 '15, 19 3,34
1993.3 930,6564 85254,1 0,012634 13,76 3,21
1993.4 975,6232 86611,6 0,015370 11,19 3,37
1994.1 963,8560 85604,9 0,03680t 11,53 3,86
1994.2 980,8576 87888,2 0,008833 12,07 4,64
1994.3 1017,044 91143,0 0,027791 13,35 5,13
1991.4 1069,510 90004,8 0,018557 14,2! 6,38
i995.1 1030,396 92563,4 0,0302.t2 "15, ~3:~ 6,27
I '1"935.2 1116,103 94340,3 0,023273 '17,09 6,01
1995.3 '1180,495 93293,8 0,014018 17,6:) 5,86
1995.4 1251,971 98595,4. 0,018502 '17, 1 ') 5,75
1996.1 1265,957 97874,9 0,032204 17).:; 5,J9
1906.2 1347,903 100634,7 0,007640 I •7
I ! ' : ..:
·~ ..
5,56 I
1996.3 1391~765 106561,9 0,009144 17,'2'.'· 5,62
1996.4 1522,160 108726,3 0,015198 17,0:3 5,55
1997.1 1523,485 105261 '1 0,019532 16,4! 5,63
1997.2 1608,592 10585/,1 0,005776 15,93 5,79
I '1991.3 1545.(•41 I 11~212,7 0,02818i3 '26)?. S.7~.
1997.li
1998.!
i iobO,ti74
1668,796
'109905,0
100535,7
0,056275
0,241962
LJ,S..::
27,2()
5,92
5,6CJ
1998.2
1998.3
1820,474
1479,183
91741,9
94258,1
0,142364
0,180045
4CJ,63
47,38
. 5,59
5,49
~
1998.4 1532,85o 89339,1 0,012207 49,23 5,23
1999.1 15~8.937 94371 '1 0,039S!4 34,85 5,01
1999.2 1619,503 93387,9 ·O,G3·, 100 27,39 5,18
1999.3 1727,689 96939,9 -0,006470 15,88 5,55
1999.4 1695,720 94653,6 0,009306 12,95 6,12
2000.1 1722,607 98244,5 0 12,40 6,20
2000.2 1762,115 08191,9 0,018923 11,69 6,79
2000.3 1737,416 100862,9 O,Ol7206 1L,84 6,67
2000.4 1809,573 100717,5 0,043873 13,24 6,56
Surnber: www.bi.go.id
.
··---~
,.~
i r;-
=
jjlj;iiiiiiiiii
~
~
:...:._ ---
rr---
==-====

1. Model ARCH Return Saham
Pada bab 15 contoh pertama model ARCH adalah analisis return saham. Model
sebelum mernasukan unsur ARCi-1 adalah AR(1) dan AR (3). Pembentukan teknik Box-
Jenkin sbb:
• 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
Date: 08/10/04 Time: 06:25
Sample(adjusted): 3 847 . . .
Included obse.vat1ons: 845 alter adJUSting endpoints
Variable Coefficient Std. Error !-Statistic Pro b. Pada tampilan 2 menunjukkan

bahwa koefisien AR(1)
c 0.000342 0.000548 0.623008 0.5334
signifik.J·,~~ :-;,:;cEYa statistik. Untuk
A.R(1j -O.II:l4101 0.033850 -5.438763 00000
mengetahui bahwa residual
R-squared 0.033900 Mean dependent var 0.000341 yang kita dapatkan adalah
0.018872 Akaike info criterion -5.099868 White i"IZJi~~L~ !{lik \/it~-~f\l.S/
S.c. of regressiOn
Sum squared resid 0.300249 Schwarz criterion -5.088650 Residuai/Test!Gon-elogram
2.025050 Prob(F- statistic) 0.000000 Q Statistics sehingga muncul
Durbin-Watson stat
!'tampilan berikut ini:
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:
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
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
''
.-.--
~
Tampilan 6
ARCH Test:
F-statistic 10.45143 Probability 0.000[100

Obs-rR-squared 232.6795 Probability 0.000000
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
Pa8a Tampilan 7 kemudian kita

pilih metode estimasinya yaitu
ARCH- Autoregressive Conditional
Heteroskedasticity lalu klik metode
tersebut sehingga akan muncu:
tampilan sbb:
Tampilan 8
Paaa Tampilan ini ada f)eberapa

item yang ha:-us diisi yaitu: (1)
Mean equation Specificati Jr. yang
I
l
merupakan persamaan rata-rat::~
yaitu RIHSG C AR(1) AR(3); (L)
ARCH Spesification yaitu Order
ARCH maupun GARCH dengan
estimasi GARCH, TARCH,
EGARCH, Component ARCH dan
s~""·"'i;"';i;.-· ·------ .. --------------------- Asymmetric Component; (3)
----- ------------ , ARCH-M term yaitu jika kita ingin
memasukkan juga standar deviasi atau variance di cialam persamaan rata-rata.
.--
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

Methcd: ML- ARCH
Date: OB/'101D4 Time: 07:14
Coefficient Std. Error z-Statistic Prob.
c 0.001091 0.000679 1.606103 0.10831

AR(1) -0.027272 0.040018 r -0.681495 0.4956
/\R(3) O.O:J5397 0.032021 1.730055 0.08361
Variance Equation
c 0.00023'r 4.35t=-06 53.15247 0.0000

ARCH(1) 0.309349 0.044049 7.022816 O.or:JOO
~-R-squared 0.01 307'6 }v1ean dependent var 0.000332

!Adjustll.d R-squared O.OOB36S S IJ. dependent ';ar iJ.019211
iS E. of regression 0.019i30 )\kaike info c!'iterion -5 320429
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-====--
2. Model GARCH (1, 1) Return Sa ham

Pada model GARCH (1, 1) maka sekarang kita selain memasukkan unsur ARCH(1)
juga unsur GARCH(1 ). Caranya, lihat kembali Tampilan 8, rnasukkan nilai ARCH
dengan angka 1 dan angka 1 pada GARCH sehingga menghasilkan tampilan sbb:
•
JF'tl
rr-- --
-~-~--
!F----
~
~--- ---
~
Tampilan 10
,---· .
Dependent Vanable: RIHSG I
Method: ML- ARCH
Date: 08/10/04 Time: 07:27
I
Coefficient Std. Error z-Statistic F'rob.

I
I c -0.000362 0.000544 -0.665178 0.5059
I il..R(3) 0.040722 0.046818 0.869794 ll.3844
f Variance Equation
c 1.94E-05 389E-06 4.989603 0.0000

ARCH(l) 0.225709 0.029617 7.620952 0.0000
GARCH(1) 0.775688 0.024385 31.80954 0.0000

Adjusted R-squared -0.001442 S.D. dependent var 0.019211
IS. E. of regression 0.019225 Akaike info criterion -5.361957
I Sum squared resid 0.309717 Schwarz criterion -5.333861
L.oa likelihcod 2265.065 F-statistic 0.696940
[ 8u~bin-Watson st<ot 2.:163011 Prob(F-stat istic) 0.594174
[;v<?rt~d AR Roots .34 -.17 -.30i -.17+.30i
3. Mode! l\RCH-M Permi.ntaan Uang
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?
~-
·~,·~-
-=
:------
~
---
-.-
~
Tampilan 12
Dependent Variable: LOG(RM2)

Method: ML- ARCH
Date: 05/11/04 Time: 06:14
Sample: 1990:1 2001:4
Convergence not achieved after 100 iterations
Coefficient Std. Error z-Statistic f-'rob.
SOR(GJl..RCH) 1.357290 0.434075 -3.126858 0.0018

c 5.719316 0.715640 7.991888 U.OOOO
LOG(GDP) 0.171191 0.062251 2.750013 0.0060
IR3 -0.002943 0.001163 -2.531569 0.0114
INF 0.375489 0.160358 2.341566 0.0192
LIBOR3 -o.ms731 0.006401 -4.020044 0.0001
;=
Variance Eql!ation
c 0.000146 0.000360 0.405531 0.6851

ARCH(1) 1.037164 0.453742 2.285800 0.0223
ARCH(2) 0.277182 0 146060 1.897724 0.0577
R-squared 0.615994 lvlean dependent var 7.078670

S.E. of regre~sion 0.243798 Akaike ·info criterion -0.942697
,S;Jm squar9d res:d 2.318060. Schwarz criterion -0.591846
ILng likelihood
~urbin-W.atson stat
31.62472
0.616628
F-statistic
Prob(F-statistic)
7.820106
0.000003
--
~-
-~
~
-----...
~---
-
~--
~
~
----- _____ ,_, r.
' . \~
';I
I
!
352 8agian Keempat: Ekonometrika Time Series
i !
Sengaja dikosongkan untu'; catatan Anda
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.
16. 1. Nonstasionaritas Data Time Series

! iI
Dalam banyak hal, pekojaan ekonometrika se!a!u berhubungan dengan data
time series daripada data cross section. Uni.uk itu kita akan tampilkan beberapa data
time series dan kemudian kita lihat secara cepat karakteristik data Urr.CJ series. Data
\ I nerac;a perdagangan dan nilai ku1s adalah beberapa contoh dari beberapa d::~ta time
series yang diduga kemungkinan iidak stasior.er. Data kuarta:an Neraca r.erdagangan
(Trade Balance =TB ) yaitu selisih ekspor dan impor barang 1987.1-2001.4 dapat di!ihat
dalam gambar 16 .1. sednngkan data kuartalan kurs rupia~ terhad8p dollar AS (nominal
exchange rate= NER) 1987.1-2001.4 dapat dilihat dalc'ml gambar 16.2.
Pada bab 14 sebelumnya secara singkat sudah dibahas masalah nonstasioner data
t!me series dengan melihat pola grafiknya maupun correlogramnya. Pada contoh kali ini
kita juga tampilkan .:;ontoh data non stasioner seca~a cepat melalui pola grafiknya.
Melihat gambar 16.1 dan 16.2, secara intuitif, kita bisa mengata!~an I:Jahwa data neraca
perdagangan dan nilai tukar nominal atau kurs merupakan data time series yang tidak
stasioner karena ada :<ecenderungan bahwa rata-rata dan variannya tidak konstan. Kita
kemudian akan membuktikan melalui uji secara formal dari Dickey-Fuller dan Phil!ips-
Perron.
I.
353
11
rr~~~~~~~~~~~~==~~~~-----------~~~ ---
Contoh 16.1. Nonstasionaritas Data Neraca Perdagangan dan Kurs
8000
6000
4000
2000
Gambar 16.1. Perkembangan Neraca Perdagangan 1987.1-2001.4
18000
14000
12000
10000
8000
6000
4000
2000
~
0 1: 88
l Gamuar iti.2. Perkembangan Kurs 1987.1-2001~4---------
16.2. Sta~ionaritas Data

Proses yang bersifat random atau stoka3tik merupakan kumpulan dari variabel
random dalam urutan waktu. Setiap d3ta time series yang kita punyai merupakan suatu
data dari hasil proses stokastik. Suatu data hasii proses random dikatakan stasioner
I
jika memenuhi tiga kriteria yaitu jika rata-rata dan variannya konstan sepanjang waktu
dan kovarian antara dua data runtut waktu hanya tergantung dari kelambanan antara
dua periode waktu tersebut. Sece1ra statistik dapat dinyatc.kan sbb:
s
E(YJ = f-L yakni rata-rata dari Y konstan (16.1) E
d -
Var(Y;) = E(Y; - JL)
2
= a- 2 y~kni varian dari Y konstan (16.2)
a
t----
~----
~
~
~
Bab 16. Model Koreksi Kesalahan 355
yakni kovarian (16.3)
Persamaan (16.3) menyatakan bahwa kovarian Yk pada kelambangan (/ag) k adalah

kovarian antara nilai Y, dan Yt+k· Jika nilai k=O maka kita mendapakan Yo yang
merupakan varian dari Y. Bila k:::1 maka y1 merupakan kovarian antara dua nilai Y yang
saling berurutan.
Misalkan kita bergerak dari data time series Y dari Y1 ke Yt+m· Jika data Y 1
adalah stasioner maka rata-rata, varian dan kovarian dari data Yt+m h8rus sama dengan
data Y1. Dengan kata lain, data time series dikatakan stasioner jika rata-rata, varian dan
kovarian JJada setiap lag adalah tetap sama pada setiap waktu. Jika data time series
tidak memenuhi kriteria tersebut maka data dikatakan tidak stasioner. Dengan kata lain
data time series dikatakan tidak stasioner jika rata-ratanya maupun variannya tidak
konstan, berubah-ubah sepanjang waktu (time-varying mean and variance).
Contoh 16.2. Stasionarltas Data Return Kurs

Kita akan memberi contoh data stasioner pada return kurs periode 24/1/2001 - 31/10/2003,
lihat gambar 16.3. Secara intuitif, kita bisa mengatakan bahwa data return kurs m-=nunjukan
data yang stasioner karena ada kecendurungan rata-rata maupun variannya konstan,
bandingkan dengan data neraca perdagangan dan kurs sebelurnnya
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
16.3. Deteksi Stasionaritas: Uji Akar Unit

Ada beberapa rno~ode uji stasionaritas. Pada bab 15 telah dijelaskan metode uji
stasionzr melalui correlogram dengan melihat koefisien ACF dan PACF. Metode uji
stasioner data telah berkembang pesat seiring dengan perhatian para ahli
ekonometrika terhada~ ekonometrika time series. Metode yang akhir-akhir ini banyak
digunakan olch ahli eko,-,ometrika uniuk menguji masalah stasioner data adalah uji
akar-a!r :1r unit (unit root test). Uji a~\ar unit pertama kali dikembangkan oleh Dickey-
~ •.•
~
~
~
-
~
~
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
~ - r;_t = pY,_I - r;_J

+ e, (16.5)
= (p- l)Y,_ 1 + e 1
I
Persamaan (1G.5) dapat ditulis menjadi:
(1o.6) Il
:1.
diiTtana ¢ = (p -1) dan 6 Yt = Yt- Yt-1·

Di dalam prakteknya untuk menguji e~da tidaKnya masalai1 a: ar unit kita
menge:stim; si !)ersamaan (16.5) daripada persa:Tk1an (16.4) dengan menggunakan
li l
)1
= = =
hipotesis nul ¢ 0. Jika ¢ 0 maka f) 1 sehingga data Y mengandung akar unit yang '
llerarti data time series Y adalah tidak stasioner. Tetapi perlu dicatat bahwa jika ¢ 0 =
maka persamaan (16.6) dapat ditulis menjadi
(16.7)
Damodar, N. Gujarati, op.cit. pp. 798-801

2
Harris, Richard, Using Cointegration '\nalysis in Econumetrics Modelling. 1995, London: Prentice Hall,
pp.14-19
[--
.-~
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.
16.3.1. Uji Dickey-Fuller

Di dalam menguji apakah data mengandung akar unit atau tidak, Dickey-Fuller
menyarankan untuk melakukan regresi model-mode: berikut ini:
(16.8)
(16.9)
(16.10)
dimana t adalah v~riabel trend waktu.
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"
--------
~-
: --.
--
=
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
(':., Y, = ao + rY,-1 + L fJ;L1.Y,_I+I + e,

i=2
(16.12)
• p
L1Y, =ao +aiT+y.Y,_I + LfJ,L1Y,_I+I +e, (16.13)

i=2
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
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 Tabel16.1.(a) Uji ADF untuk TB tan~a

konstanta dan trend
'I fADF Test Statistic
j
0.401898 1% Critical Value*
5% Critical Value
I -2.6025
-1.9462
I! · I 10% Critical Value -1.6187
I !*MacKinnon critical values for rejection of h~~othesis of a unit root.
~
I Tabel16.1.(b) Uji ADF untuk TB dengan konstanta tanpa trend

IADF Test Statistic 1% -0.871969 Critical Value* -3.5457
5% Critical Value -2.9118
L 10%
!*MacKinnon critical values for rejection of hypothesis of
Critical Value
a unit root.
-2.5932
I Tabel16.1.(c} Uji ADF untuk TB dengan l'onstanta dan trend

.! ADF Test Statistic -2.131775 1% Critical Value* -4.1219
I
_______________ i l 5% Critical Value

1 0Vo C ri t1__2!_a:.____
___ ---------"---() ·c \f lue
-3.4875
-~ 17~ 8
~~~~=J
,_*I_Vl_a_cK-'--in_n_o_n-'c_ri_ti_ca-'-l_v_a_lu"-e'-'s_t_o_r_re_._j-'-e_ct_io_n_o_f_h__,y_._p_o_th_e_s_is_o_f_a_u_n_it_r_o_o_t._ _ _ _
i'
I
!-
~
!¥---
--
,..---
i-
'-'
,.....--
-·,.
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
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
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
--~
16.5. Uji Akar Unit Return Kurs Rupiah

C
I
'ecara grafis, perkembangan return kurs rupiah menunjukkan suatu data stasioner. Untuk
..1 ~-~·en~b;J~<tkan r:c:: in: !<:i~a l3ic.J:~an Lij: ~o;-mCJI meialui uji aka•· ~:r.it A:::)f d3~~ Qick,sy-Fuller. He1si!
uji akar unit ADF untuk return kurs baik tanpa, dengan konstanta dan konstanta dengan
I tr encnya dapat dilihat dalam tabel 16. 3. (a)-16. 3.(c) Berbeda dengan kurs, semua nilai
bsolut dari statistik ADF lebih besar dari nilai kritis Mackinof" pada setiap a-nya sehingga
d ata return kurs men.!pakan data stasiorer. Misalnya pada uji :'engan konstanta dan trend
p3da Tabel16.3(c),
nilai statistik ADF -4,9802 sedc:mgkan nilai kritis Mackinnon pad a a=1%; a=5%; o=10%
mas!ng-masing adalah -4,0836; -3,4696;- 3,16 ,5
ab&! 16.3.(a) Uji ADF untuk return Kurs tanpa konstanta Jan trend
ADF Test Statist:c -4.983001 1% Critical Value* -2.5937
Contoh 16.5 Lanjutan
Tabel16.3.(b) Uji ADF untuk return Kurs dengan konstanta tanpa trend
ADF Test Statistic -4.992191 1% Critical Value* -3.51 B8
~------------------~-------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
16.3.2 Uji Philips-Perron

Uji akar unit dari Dickey-Fuller (OF) mengasumsikan bahwa residual e 1 adalah
residual yang bersifat independen dengar1 rata-rata nol, varian yang konstan dan tidak
saling berhubungan (nonautokorelasi). Sementara itu uji PP memasukkan unsur
adanya autokorelasi di dalam residual dengan memasukkan variabel independen
berupa kelambanan diferensi. Phillips-Perron (PP) membuat uji akar unit dengan
mengg1.1nakan metode statistik nonparametrik dalam menjelaskan adanya autokorelasi
antara residual tanpa memasukkan variabel independen kelambanan diferensi
seba~aimana uji ADF. Adapun uji akar unit dari Phillips-Perron sbb:
6
(16.14)
(16.15)
(16.16)
dimana T = adalah trend waktu
Statistik distribusi t tidak mengikuti statistik distribusi normal tetapi mengikuti

distribusi statistik PP sedangkan nilai kritisnya digunakan nilai kritis yang dikemukakan
oleh Mackinnon. Sebagaimana uji ADF, kita juga harus menentukan apakah ujinya
Phillips, Peter C. B. and P. Perron," Testing for a Unit Root :n Time Series Regression,' Bio. netrika,
Vol. 75, 1988, 335-34G .
·,!- ·-
362 Bag ian Keempat: Ekonometrika Time Series
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.
Contoh. 16.6 Uji Akar Unit PP Untuk TB dan NER

Berdasarkan uji dari ADF pada contoh 16.3 dan 16.4, kita mengetahui bahwa data neraca
perdagangan dan kurs merupakan data tidak stasioner. Apakah uji akar unit dari PP juga
mendukung uji ADF tersebut? Tabel 16.4 dan 16.5 memberi informasi uji PP tersebut.
Hasilnya menunjukkan bahwa nilai absolut statistik PP lebih kecil dari nilai kritis Mackinnon
I
pada setiap a-nya. Misalnya pada tabel 16.4. (c) uji stasionaritas nerara perdagangan
dengan konstanta dan trend, nilai statistik PP sebesar -2,5270 sedangkan nilai kritis statistik
Mackinnon pada pada a=1%; c:=5%; a=10% masing-masing adalah -4,1190; -3,4862; -
3.1711. Berdasarkan uji dari PP ini ;jata neraca perdagangan dan kurs merupakan data tidak
stasioner. Hasil Uji PP mer,dukung uji akar unit ADF
I Tabel16.4.(a) Uji PP untuk TB tanpa konstanta dan trend

'p Test Statistic 0.510072 I
1% Critic.ai Value* -2.6019
5% Critic;al Value -1.9460
II [ __ i 10% Critical Value -1.6187
II Tabel15.4.(b) Uji PP untuk TB denqan konstanta tan_Qa trend

l: !PP Test Statistic j-0.893010 1% Critical Value* -3.5427
I
III ptv~: -~S.4.~c)
I
i
10% Critical Value ______l__-_2._5-'-9_28.::___.J
ko:-~st2n~c: dan trer!d

!l
'
UJi PP unt•Jk TB dsngan
!PP Test Statistic -2.526963 1% Critical Value* -4.1190 J
I I 5% Critical Value
10% Critical Value
-3.4862.
-3.1711
Tabe! 16.5.(3) Uji PP unluk NER tanpa kor,stanta dan trend

PP Test Statistic 0.139109 1% Critical Value"' -2.6019
1J% Critical Value -1.6187
j Tabel16.5.(b) Uii PP untuk NER denqan konstanta tanpa trend

!_I IP PTest Statistic II -0. 9 30 97 5 1%:-a'--c-=--=-rit,.,--ic-a-=-1:-:V:-a:-1u-e.,--*---,------=-3c-:.5=-4=--=3-=7-
Ll__
'' . 5% Critical Value
10% Critical Value
-2.9109
-2.5928
~------
·-.·
~
~----
k-:--------:-:-:
.
~----
-
' ,-
Contoh. 16.6. Lanjutan
Tabel16.5.(c) Uji PP untuk NER dengan konstanta dan trend

PP Test Statistic -2.525024 1% Crit!cal Value* -4.1190
16.4. Transformasi Data Nonstasioner Menjadi Stasioner

Setelah kita membahas masalah uji stasionaritas data, pertanyaan yang muncu!
adalah bagaimana bila kita mempunyai data time series yang tidak stasioner?
Sebagaimana dijelaskan di depan bahwa jika data tidak stasioner maka kita
mempunyai regresi iancung. Untuk mepghindari masalah regresi lancung ini kita harus
mentransformasikan data nonstasionei- menjadi data stasioner. Bagaimana membuat
data nonstasioner menjadi data stasioner? Dalam hal ini akan dijelaskan metode
transformasi baik melalui uji akar unit dari ADF maupun PP.
' i
Dalam uji ADF bila menghasilkan kesimpulan bahwa data tidak stasioner
sebagaimana kasus kurs, maka dipcrlukan langkah untuk membuat data menjadi
stasioner melalui proses piferensi data. Uji stasioner data melalui proses diferensi ini
disebut uji derajat integrasi. Adapun formulasi uji derajat integrasi dari ADF sebagai
berikut:·
6.2I: = r6I:-I + _L,oiD-2}~-1+1 + e, (16.17)
112r: = a 0 + }'i-.}~_ 1 + LfJ162I:_1,1+e 1

(16.18)
i=2
i p
I L'l2~ = G 0 + G 1T + y6.I:_ 1 + L::fi 1 62~-l+l + e (16.19)
1
1=2
Sedangkan uji derajat integrasi dari PP sebag8i berikut:
6.2t: = y6.~-~ + et (16.20)

6.2I: = a 0 + y6}~_ 1 + e 1
(16.21)
6.2I: = G 0 + G 1T + y6I:_ 1 + e 1
(16.22)
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.
fcontoh 16.7. Ap;~h ~ D~~;~n~ri~;:::· Stasi~ner?

Perdagangan dan Kurs
· Contoh 16.3. dan 16.4, menunjukkan bahwa data ncraca perdagangan (TB) dan kurs (NER)
tidak stasioner. Dalam bahasa uji integrasi maka keduardata tidak stisioner pada tingkat
level. Namun apakah kedua data kemudian stasioner pada tingkat diferensi dan pada tin9kat
diferensi keberapa? Dalam contoh kali ini akan ditampilkan uji stasicnaritas data neraca TB
dan NER pada tingkat diferensi dengan uji ADF maupun PP, dengan konstanta dan trend.
Hasil stasionaritas data dengan uii difere:1si pertama dapat dilihat Tabel 16.5.(a) -16.5.(d)
~~ sedangkan persama<:m uji akar unitnya pada uji diferensi bisa dilihat di lampi;an running
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
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
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)
dimana: Y, = neraca perdagan£·=m (TB)

X, = nilai tukar nominal (NER)
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
'
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·
i;,.!\11a_c_~~~values for rejection of hypotheSiSOT a unitr~ _ _ _ _ _L ~

~~
J:
]:
lj
1i
11
Di dalam bahasa teori kointegrasi maka regresi dalam persamaan (16.23) tarsebllt J!
merupakan regresi kointegrasi dan paramater P1 yang dihasilkan disebut pararr.eter j,
kointegrasi. 1;
J'
Dengan adanya perkembangan teori kointegrasi ini maka telah dikembangkan ~·
beberapa metode uji kointegrasi. Disini akan dibahas tiga uji kointegrasi yaitu: (1) uji l!
kcintegrasi dari Engle-Granger (EG); (2) uji Cointegrating Regression Durbin Watson
(CROW); dan (3) uji yang dikembangkan oleh Johans3n.
lI I
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
16.5.1. Uji Kointegrasi dari EG

Kita telah membahas uji akar unit yang dikembangkan oleh Dickey-Fuller
melalui uji DF mauplm ADFnya. Untuk melakukan uji dari EG ini kita harus melakukan
regresi' persamaan (16.23) dan kemudian mendapatkan residualnya. Dari residual ini
kemudian kita uji dengan DF maupun ADF. Adapun persamaan uji keduanya dapat
I ditulis sbb:
i
I (16.26)
'! p
I !J.e, = /J1er--1 + L:aiL'let-1+1 (16.27)

i=2
I
Dari hasil estimasi nilai statistik OF dan ADF kemudian dibandingkan dengan nilai
kritisnya. Nilai statistik OF dan ADF diperoleh dari koefisien [3 1 . Jika nilai statistiknya
lebih besar dari niiai kritisnya mak<1 variabel-variabel yang diamati saling berkolntegrasi
I atau mempunyai hubungan jangka panjang dar. sebaliknya maka variabel yang diamati
J t:dak be:kointegrasi. Dalam hal ini nilai kritis statistik DF rnaupun ADF tidak lagi bisa
) digunakan karena residualnya didasarkan dari parameter kointegrasi. Untuk keperluan
in: Engle-Granger telah mengembangkan nilai kritis statistik tersendiri. Sekarang
beberapa software ekonometrika teiah menyediakan nilai l<ritis ini.
I
l
i1~~~~-·:=·~h~7:=w~~ta~T=n~::::=l~
!
I
. I
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.
!!, e{ = -0,5457et-l (16.28)

t (-4,68G2)
2
R = 0,2741 dw = 2,1045
i
! 6. e, -= -0,4894et-J - 0,11616et-J (16.29)
I ~~ 2 ~;~·~:~s) -rj"~-~·~~~~)4
oc i
j_l_--:.o;.=..=.-,.~.•,o.~~:.·~~,.:.;c:::_~:-.::.~~-~~="=""""-=="'·"'"~'"''"''''""''"-'"'c'-"=,.,,=•;;=:;:,.=o~~.__ji
--
'
i·j
368 BC:tgian Keempat: Ekonometrika Time Series
16.5.2. Uji Kointegrasi CROW

Alternatif lain untuk mengetahui apakah terdapat kointegrasi antara TB dan
NER adalah metode yang dikembangkan oleh Durbin-Watson dikenal dengan uji
Cointegrating Regression Durbin Watson (CROW). Di dalam uji ini kita menggunakan
nilai Durbin-Watson d yang diperoleh dari persamaan (16.23) dengan hipotesis nul d=O
I
bukan lagi d=2. Nilai kritis untuk uji ini dikembangkan oleh Sargan dan Bhargava. 9 i
Berdasarkc:111 simulasinya, nilai kritis dengan a=i%, a::-:5% dan a=10% adalah masing-
masing 0,511; 0,386 dan 0,322. Jika nilai llitung d lebih besar dari nilai kritisnya maka
kita mengatakan bahwa data terkointegrasi dan sebaliknya berarii tidak ada kointegrasi.
Pada contoh hasil regresi antara TB dan NER, diketahui bahwa nilai hitung
Dw=1,0832 sebagairnana dilaporl<an dalarn persamaan (16.25). Nilai hitung tersebut
lebih besar dari nilai kritisnya pada ~3etia~~~ ·::x··nya Kesimpulr:mnya berdCJsarkan uji
CROW ini maka TB dan NER juga terkointegrasL
I
16.5.3 Uji Johansen
-Alternatif uji kointegrasi yang SE)lc;,(an[i hsnyak digunakan ada!ah uji kointegrasi
yang dikembangkan oleh .Johansen 10 Uji ya··1[; :!ikembangl<an Johansen dapat
digunakan untuk mene;1tukan koi:·!L•"'; 1Fa::Ji s~:c;j!Jrrdah v.:.riabel (vektorj. Untuk
menjelaskan uji dari Johansen !<:ita p;:;rhatik:::.n mode! autoregresif dengan order p
beril<ut ini :
I.
(16.30)
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
DY1 = LriDJ~_, + ITYH + BX + E; 1 1

(15 .31)
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!
.~
dernensi p x r sehingga n = OR'. 1\!latrik H terdiri dari r, O<r<p vektor kointegrasi

sedangkan Q rnerupakan matrik vektor parameter error correction. 11 Johansen
menyarankan estimator maximum likelihood untuk Q dan R dan uji statistik untuk r-
menentukan vektor kointegrasi r. Ada tidaknya kointegrasi didasarkan pada uji
likelihood ratio (LR). Jika nilai hitung LR lebih besar dari nilai kritis LR maka kita
menerima adanya kointegrasi sejumlah variabel dan sebaliknya jika nilai kritis LR lebih
kecil dari nilai kritisnya maka tidak ada kointegrasi.
Nilai kritis LR diperoleh da:i tabel yang dil<embangkan oleh Johansen dan
Juselius. Nilai hit:.mg LR dihitung bl3rdasarkan formula sbb:
k
Qr = ·-T L log(l- A-;} (16.32)
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:
0-n1ax = - T(l - X1 !-l J\ = n ·- Q-t+:.

z:::__t
(16.33)
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
.
~ :·
..
Contoh. 16.9. Uji Kointegrasi Johansen antara NER dan TB ~
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
HL6. ~(ointegras.i dan Model Koreksi l<esaiah.an

16.6.1. Model Koreksi Kesalahan Engle Grange(
Jika Ner~ca Perdagangan (TB) dan Nilai tukar nominal (NEf~) sebagaimana kita
bahas sgbei'Jmnya tidak stc>sioner tetapi kec!l.'2nya ter'~oir~t9gra3i ;YJ~1\? a::le1 hubcng:m
atau keseimbangan jangka panjang antara kedua variabel ter':;ebut. Dalam jangka
pendek mungkin saja ada ketidakseimbangan (disequilibrium). Ketidakseimbangan
inilah yang sering kita temui dalam perilaku ekonomi. Artinya, bahwa apa yang
diinginkan pelaku ekonomi (desired) belum tentu sama dengan apa ya:1g terjadi
sebenarnya. Adannya perbedaan ap3 yang dinginka!l dan apa yang ttrjncti maka
diperlukan adanya penyesuaian (adjusment). Model yang memasukkan penyesuaian
untuk melakukan koreksi bagi ketidakseimbangan disebut sebagai model koreksi
kesalc;han (Error Correction Model =ECM).
Pendekatan model ECM mulai timbul sejak perhatian para ahli ekonometrika
}
membahas secara khusus ekoncmetrika time series. Model ECM pertama kali
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)
Nilai perbedaan EC 1 ini disebut sebagai kesalahan ketidakseimbangan (disequilibrium

,,i ,,
error). Oleh karena itu jika EC, sarna dengan nol tentunya Y dan X adalah dalam
'
kondisi keseimbangan.
Karena Y dan X jarang dalam kondisi keseimbangan maka kita hanya
me!akukan observasi hobungan ketidakseimbangan (hubungan jangka pendek)
tersebut dengan memasukkan uns:Jr kelambanan Y clan X. Untuk menjelaskan hal ini
lilisainya kita mempunyai persamaan sbb:
0< ¢ <1 (16.36)
Dalam persamaan (16.36) tersebut kita memasukkan kelambanan tingkat pertama

(first-order lags). Namun kita bisa juga memasukkan kelambanan pada tingkat du~ atau
yang lebih tinggi. Dalam persama2('1 (16.36) tersebut berimplikasi bahwa nilai Y
memarlukan waktu untuk mel2kukan penyesuaian secara pen'Jh terhadap vari::~si X.
Kondisi ini tentunya konsisten dengan ide bahwa · Y tidal\ selalu dalam kondisi
ke::;eimbangan terhadap variabel X. Jika nilai b 2 = 0 maka persamaan (16.36) tersebut
merupakan model penyesuaian parsial (Partial Adjusment Mode/=PAM) sebagaimana
kita bahas pada bab11 sebelum,lya.
Pcrsoalan utama dalam mengesti:-nasi persamaan (16.36) adalah jika data tidak
stas!oner pada tingkat level. Dalam mengatasi hai ini maka persamaan (16.36) perlu
dimanipulasi dengan cara mengurangi setiap sisi dengan Y1_1 sehingga menghasilkan
persamaan sbb:
tt-------
~
IF--n"
t ..
~
~
y; - ~-r = b0 + b1X 1+ b2 X 1_1 + ¢Y1_1 - ~-t + e1

f;- f,_ 1 =b0 +b1X 1 +b2 X 1_1-(1-¢)f,_ 1 +e1 (16.37)
Penambahan dan pengurangan dengan b1 Xt-1 di sisi kanan persamaan (16.37) akan
f; -~-~ =b0 +b,XI -b,XI-1 +b,XI-1 +b2X1-r -(l-¢)YI-t +er

6f, = b0 +b1.6.X1 + (b1+ b2 )X1_1 - ..1.f,_ 1 + et (16.38)
dimana 'A= 1- ~· Parameterisasai ulang persamaan (16.38) menghasilkan
.6.~ = b0 + bJ:J(I - ..1.(~-r -- /3, X1-r) + el (16.39)
di:::ana (3 1 = (b 1+b 2)/A. Kemudian parameterisasi ul"ng terhadap persamaan (16.39)

(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.
Per·sama:m (':G.40) n1enjelaskan bahwa pe~·ubaha;·J '{ masa S(':!:,:ara,"lg

dipengaruhi oleh perubahan X dan kesalahan ketidakseimbangan (error correction
component) periode sebelumnya. Kesalahan ketidakseimbangan ini tak lain acialah
residual perioda sebelumnya. Persamaan (16.40) oleh karena itu merupakan model
ECM tingkat pe, tama (first order error correction model). Totapi tidak menutup
kemungkinan untuk merumuskan ECM dengan derajat kelambanan yang lebih besar
13
~·lri satu sehingga memperolah second order ECM atau third order ECM. Pada
persamaan (16.40), parameter 'A adalah parameter penyesuaian, parameter b
menjelaskan pengaruh jangka pendek dan paramete:- (3 me"'ljelc:skan pengaruh jangi<a
panjang.
Model ECM yang kita turunkan tersebut aikenal dengan model dua langkah (two
steps) d3ri Engle-Granger. Menurut Engle-Granqer (E-G) jika dua variabel Y and X
tidak stasioner tetapi terkointegrasi maka hubungan antara keduanya dapat dijelaskan
dengan model ECM. Persamaan (16.40) dap2t ditulis kembali menjadi
Lil!at R. L. Thomas, Modern Econometrics. an introduction. Hai"low: Addisor;-·vvesley, pp.386-383.
~':-
~---
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 I ~ntoh. 15.1 0. Estimasi Model ECM Engle-·Granger

I K;mbali contoh hubungan antara TB dan NER yang tidak stasioner pada tingkat level tetapi
keduanya terkointegrasi maka ada hubungan atau keseim:::,angan jangka panjang antara
kedua variabel tersebut. Model ECM Engi¥-Granger dalam kasus ini dapat ditulis sbb:
I
I (16.42)
I dimana:
y = neraca perdagangan (TB)
X =nilai tukar nomin2l (NER)
:I
i
ECT1 =(Y,_, - ~o -~iXt-i)
Hasil regresinya dapat dilihat di peisamaan (16tL\)

I
!-.Y, = 43,2517 + 0,2254M 1 - 0,39l4EC1~ ( 16.43)
I (0,5072) (3,2u28) (-3,3932)
I 2
I R = 0,2209 d = 2,2520
I Koefisien kesalahan ket.idc...kseimbangan EC 1 secara statistik signifikan berarti model

!
spesifikasi ECM yang digunaka11 dalam peneliti<m ini aJalah valid. Niloi koefisien EC 1 0,3914
mempunyai makna bahwa pe1 bedaan antara nilai aktual TB dengan nilai keseimbangannya
sebesar 0,3914 akan disesuaikan da':::lm waktu 3 bulanan. Variabe: !1NER juga signifikan
secara statistik dan bertanda positif. Dengan demikian dalam jangka pend8k perubahan
NER me:npunyai pengaruh positif terhadap perubahan TB. Koefisien l:lNER sebesar
0,2254 merupakan koefisien jElngka pendek sedanakan koefisien jangka panjangnya
i sebesar 0,4777, lihat persamaan (16.44).
I
.u.
1 I
r;
t
= 740,0875 + o,4777 xt
(4,6171)
R2 = 0,8089
(15,6681)
d=1 ,0832
(16.44)
Contoh 16.11. Permintaan lmpor Pendekatan Komponen Pengeluaran

Pada contoh kali ini kita mencoba menganalisis permintaan impor Indonesia dengan
pendekatan komponen pengeluaran agregat pada periode 1990.1-2003.2, data ada di
lampiran. Fungsi permintaan impor agregat dengan pendekatan komponen pengeluaran
agreg8t dalam bentuk log linier dapat ditulis dalam persamaan regresi sbb:
I
' i
I
lnM, = f3 0 + /11 InC,+ f3 2 lnl, + (3 3 lnX, + /] 4 ln~ + JL 1 (16.45)

/3 1 ,/32 ,/]3 >0 dan /] 4 <0
dirnana C = pengeluaran Rumah Tangga dan Pemerintah; I= pengeluaran konsumsi;
X=ekspor; dan P= harga barang impor;
Sedangkan model koreksi kesalahan permintaan impor dari Engle-Granger dapat ditulis sbb:
fllnM, =a0 +a 1b.lnC, +a 2 6.ln/, +a 3 6.1nX, +a 4 b.!n~
(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
Sedangkan estimasi j;=tngka pendek dengan pendekatan ECM Englt::-Granger sbb:
L1 In M, = 0,0031 + 0,29986.ln C, + 0,1845 In I, + 0, 71386. In-'·',

(0,3817) ( 1,8815) (3,2629) (8,3040)
-0,2836b.1n~ -0,7460ECr-~ +JL, (14.48)
(-3,0510) (-5,1413)
R2 = 0,7465 d = 1,8606
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'
16.6.2. Model Koreksi Kesalahan Domowitz-EI Badawi

Sebagaimana model ECM Engle-Granger, Model ECM Domowitz dan Elbadawi
di dasarkPn pada kenyatan bahwa perekonomian berada dalam kondisi
14
ketidakseimbangan. Model ECM ini mengasumsikan bahwa para agen ekonomi akan
selalu menemukan bahwa apa yang direncanakan tiJak selalu sarna dengan realitanya.
Penyimpangan ini kemungkinan terjadi karena adanya variabel gonjangan (shock
variable). Misalkan kita mempunyai model regresi sederhana sbb:
(16.49)
d!mana r,· = nilai keseimbangan

Sebagaimana penjP.Iasan sebelumnya, di dalam sistem ekonc;ni perilaku ekonomi
seringkali tidak beraJa pada kondisi ~eseimbangan sehingga variabel Y tidak selalu
berada pada titik keseirnbangan terhadap X. Besarnyc; ketidakseimbangan sebesar
(16.50)
Adapun proses pernbentukan variabel penyesuaian ketidakseirnbangan

menurut Domowitz dan Elbadawi yang diclasa!kan pada fungsi biaya kuadmt tunggal
(single, period quadratic cost (unction) dapat dirurnuskan sbb:
(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
penyesuaian merupakan biaya menyesuaikan tingkat Y aktual agar bisa kembali ke

tingkat yang diharapkan.
Langkah selanjutnya, bagaimana kita bisa meminimumkan fungsi biaya
tersebut? Minimisasi fungsi biaya pada persamaan (16.51) terhadap variabel Y dan
mer.yamakan dengan nol akan menghasilkan persamaan sbb:
(16.52)
(16.53)
atau dapat dinyat3kan dalam persamaan sbb:
(16.54)
Kemudian !<.ita substitusikan persamaan (16.49) ke dr.~larn persame1an (16.54)

rnenghasilkan persamaan sbb:
( 16.55)
dimana d 0 =ca 0 ;d 1 =ca 1 +(1-c)J; ;d 2 =-(1-c)/1 ;d 3 =(1-c)
Vc::riai-: dari variatiel resid:.Jal t: 1 daiam persame;an ('13.55) tersebu[ dirlarapkail

mernenuhi asumsi OLS. Persoalan utama di dalam mengestimasi persamaan (16.55)
adalah jika variabel yang diteliti tidak stasioner pada tingkat level. Bila variabel tidak
str.1sioner pr.1da tingkat level maka estimasi persamaon (16.55) dengan metode OLS
dapa. menimbulkan masalc;h regresi lancung. 15 Ole!-, ~arena itu untuk meilgatasi hal iri
maka kita lakuk:m parameterisasi persamaan (16.55) mer.jadi bentuk standar ECivi
sbb:
:1
~ .
.6.J"t =go+ giMt + g zXt-1 + g3 (Xt-1 - yt-1) + C:t ' '
tlY, =go +giMt +g2Xt-l +g3£C1-1 +&t (16.56)

dimai1a 6. merupakan perbedaan pertama dan EC 1_1 adalah variabel l'o~eksi kesal3han
periode sebelumnya.
15
R. L. Thomas, Op.cit, p. 162
p
~:--
g
-~-
~---~~
.-.-
F-=--
-;;-
Persamaan (16.56) menjelaskan bahwa perubahan Y (.6. Y) masa sekarang

dipengaruhi oleh perubahan variabel X (!1X), variabel X periode sebelumnya (X1.1) dan
kesalahan ketidakseimbangan atau variabel koreksi kesalahan (error correction
component) periode sebelumnya. Koefisen g dalam persamaan (16.56) merupakan
analisis jangka pendek. Sedangkan koefisien pc:1da tingkat level yang merupckan
koefisien jangka panjang (kondisi keseimbangan) adalah sbb:
(16.57)
~:;
0 h7 - h,
dimana: h0 = ~; dan h1 = - ·
g.l h.l
Contoh 16.12. Estimasi Model ~CM Fungsi Biaya Kuadrat

Kembali kasus hubungan antara TB dan NER dimana sekarang ,kita menggunakan mocief
ECM fungsi biaya kuadrat sebagaimana dalam persamaan (16.56) Ad3pun pers3maan
model ECM daiam hubungan antara TB dan NER d8pat ditulis sbb:
I ill; ~ (J, + (J,LIX, + (J,X,_, + fJ,EC, + E, (16.58)
I dimana: Y = neraca perdagangan; X= rtilai tukar nominal (kurs) dan
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).
I! y; = 340,2276 + 0,80321X, (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
Tahun NER TB Tahun NER TB

fRp/$) Uuta US$) (Rp/$) Uuta US$)
1987.1 1644 982 1994.3 2181 2462
1987.2 1648 856 1994.4 2200 2055
1987.3 1650 1265 1995.1 2219 I 1447
1987.4 1650 1571 1995.2 2246 1418
1988.1 1660 1699 1995.3 2276 1414
1988.2 1688 1274 1995.f1- 2308 2254
1988.3 1706 1466 1996.1 2333 1166
1988.4 1731 1287 1996.2 2342 910
1989.1 1756 1534 1996.3 2340 1343
1989.2 1773 1715 1996.4 2383 2529
1989.3 1783 1681 1997.1 2149 1437
1989.4 1797 1734- 1997.2 2450 3483
1990.1 1823 1326 1997.3 3272 2176
1990.2 1844 923 1997.4 4650 29"19
1990.3 1864 924 1998.1 8325 4821
1990.4 1901 2179 1998.2 14900 4971
1991.1
1991.2
1932
1954
1089
825
I 1998.3
~998.4
10100
802:)
5100
3537
1991.3 1968 1374 1999.1 8685 4039,7
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
Tahun lmpor Konsumsi lnvestasi Harga impor Ekspor

Uuta US$) (milyar) (milyar) (lndeks Harga Uuta US$)
lmpor)
1990.1 4729 39058,7 19810,7 90 6055
1990.2 4673 42321 17260,6 90 5596
1990.3 5730 45763,3 18639,6 94 6654
1990.4 6323 40435,6 26823,5 96 8502
1991.4 6302 42934,5 23608,6 95 7391
1991.2 6162 43610,7 20781,3 97 6987
1991.3 6150 47796,3 21022,9 97 7524
I
1991.4 6220 48907,5 20174,8 97 7733
1992.1 6271 420~3,1 25896,2 99 7470
1992.2 6546 I 44605,3 26055,4 100 7891
1992.3 6927 50811 ,3 23395,5 100 8776
I 1992.4 7030 53303,0 15530,6 100 9659
1993.1 6814 48492,3 27060,4 100 8977
I
I
1993.2
1993.3
6656
7139
49789,1
59832,7
26917,1
23116,4
101
102
8906
9380
I 1993.4 7767 64601,0 20118,9 102 9344
1994.1 I 7565 52911,9 33746,5 102 I 8874
1994.2 7480 54516,6 31473,6 102 I 9555
1994.3 8298 64955,2 25051,2 103 10760
1994.4
1995.1
8979
9365 I
6o121 ,o
65518,7-
23153,7
3(1727,5
I 105
107
11034
10812
1995.2 10580 64604,3 34057,0 110 11998
.1 995.3
1995.4
I 10668
10308
66598,5
68374,5
33289,o·
30165,0
112
113
12082
12562
I 096.1
I
9946 721PtJ,9 27977,3 115 11112
199f.J.2
1996.3
11618
11473
I 70219,6
71852,9
34719,7
37114,9
116
117
12528
12816
I
1996.4 11203 74378,2 34759,8 117 13732
1997.1 11525 74838,7 37079,3 118 12962
1997.2 11255 74377,1 35753,6 118 14737
1997.3 12188 76421,9 37757,6 128 14364
1997.4 11255 83179,2 12476,7 148 14234
j
I
Lampiran 16.2. Lanjutan

Tahun Imp or Konsumsi lnvestasi Harga impor Ekspor
Uuta US$) (milyar) (milyar) (lndeks Harga Uuta US$)
lmpor)
1998.1 8006 73154,8 27061,4 264 12827
1998.2 8222 71795,9 20781,5 316 13193
1998.3 8366 69.1.68,4 21033,7 326 13466
1998.4 7348 72431,5 18341,2 277 10885
1999.1 6771 74376,3 16361 '1 293 10811
1999.2 7946 75129,7 16130,3 286 12403
1899.3 7927 74342,2 18709,6 297 14269
1999.4 7956 75236,3 15749,8 289 13759
2000.1 8849 75603,9 i 7164,4 299 15113
2000.2 9993 76690,2 14129,6 318 15738
2000.3 11662 75722,1 20722 ...6 326 17829
2000.4 9863 77128,8 23578;3 338 16728
2001.1 9221 77172,8 23560,1 348 15399
I 2001.~ 9511 78460,9 21190,1 370 15005
2001.3 8587 79365,8 21275,7 353 14231
I 2001 .4 7350 82026,7 '16129,0 355 12729
2002.1 7505 81969,8 .. 16555,3 343 12l25
2002.2 8773 83100,1 17437,1 337 15114
2002.3 10181 84534,7 20057,3 344 16311
2002.4 9194 87897,1 16267,2 346 15018
2003.1 10602 84348,2 20542,8 354 16075
2003.2 9289 85497,5 19280,7 338 15484
.,,
.-1 fl
f- --
-
~
~----
~
~
~ -
''
Bab 16. Model Koreksi Kes::~lahan 381
LAMPIRAN RUNNING SOFTWARE EVIEWS BAB 16

'
L__
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
Pada Tampilan 1 1n1 rnuncul beberapa

pi!ihan;(1) jenis uji Augmented Dickey-
.,
Fuller (ADF) atau Phillips-Perron (PP) ;(2)
I··: ~\~#.7.;~!i~~:~-J~J:!~E~i:f.~~~d
1 ) PI"Mihps·PE!rron , ,
. level data pada level first difference atau
second difference (3) model uji
Test for ~nit root in:
r :~--~.::.:j·--- - -·- - ------- persamaannya yaitu dengan interseo, trend
dan intersep atau t3npa keduanyd ( 1+~
. • l~t differ.:nce
_·: f"d difference panjangnya kelambar.an (lagged
differences).
Mis~lkan kita ingin menguji I'J.ER dengan
PDF, pade tingkat ~evel, denga:1 trer1d Jan
intersep pada kelambanan -1 akan
I Tampilan 2
menghasilkan uji ADF sbb:
I ...O...DF .Test Statistoe
--·
-I'VIacl<tnnon
-2.634310
critic.;ol vG~Iuea for rejection o f hv~otheeio of a

1 o/oo
5~
S:l""itical V'"'lue""
Critic:al V:alue
1 OCX.. Critical Value
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--
2. Uji tingkat differensi pertama

Pada tingkat level, data NER tidak stasioner maka akan kita uji pada tingkat
diferensi pertama. Lakukan seperti pada tampilan 1 tetapi sekarang kita pilih pada
tingkat first difference, hasilnya ditampilkan dalam tampilan 3 berikut ini:
Tampilan 3
AOF Test Statistic -5.040409 1% Critical '/alwe- -4.12~9
50~ Critical Value -3.4889
.... 1'.,..1acKinnon critical values for rejection of hypothesis of a unit root.
Augmented Dickey·Fulle1· Test Equation

Dependant Var!able: D(NER.2)
l\.1ethod: Least Squares
Date: 08/10104 Time: 08:18
Sc.rnple(~djusted):1987:4 2001:4
Variable Coefficient Std. Errcr t-Statistic Pro b.
D(NER(-1)) -1.152208 0.190750 -6.040409 0.0000

D(NER(-1).2) 0.17S742 0.138692 1.295907 0.2066
c -94.81354 379.5367 -0.249814 0.8037
@TRENDf1987: 1) 8.881784 10.92140 0.813246 0.4197
R-squared 0.504342 Mean depend'3n~ var 12.68421

Adjusted R-sq:..Jaro3d 0.476285 S.D. dependent var 1853.184
Surr. s-=1uared resid 9532521CJ Sch""'·ar~ criterion 17.45135
Loy likelihood -469.2775 F-statistic 17.97615
Durbin-VVatson stat 2.003910 Prob(F- statistic) 0.000000
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 tampilan 4 ada

beberapa spesifikasi yang
harus dipilih seperti dalam
uji stasionaritas (1) tidak
ada trend (t) deng::m tanpa
atau dengan intersep;(2)
ada trend dengan intersep
. . . . ,. _. __,_,. . . .,_~."'- ~·~~'7;:.::::':~.:; I:.~=.:~:~~~;~·-~~~:-~==:=-~. . L~- iii~~e!df.~ill a tau trend dan intersep (3)
ada kuadrat trend. Setelah itu kita memilih kelambanan {lag interval), :nisalnya Jika 1
maka perlu ditulis 1 1 .
Bab 16. Model KorBksi Kesalahan 383
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)
0.206393 14.26737 15.41 20.04 None

0.012564 0.733307 3.76 6.65 At most 1
I T! denol es rejection of the hypothesis at 5%(1 %) significance level

L.R. rejects any cointegra!ion at 5% significance le'!el
L~_nnormaliz~d Cointegrating Coefficients: !'
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 EC rnerupakan residual periode sebelumnya dari residual persamaan aslinya.

hasilnya sbb:
II
I
.1 ~
~------
;---=
-----
~-------
_:..;;,_
~
~
Tamp•., an 6
Dependent Variable: D(TB)
Method: Least Squares ~---
Date: DB/1 0/04 Time: 12:03
Sample(adjusted): 1987:2 2001:4
I Variable Coefficient Std. Error !-Statistic Pro b.
c 43.25173 85.27846 0.507182 0.6140

D(NER) 0.225431 0.070384 3.203763 0.0022
RES(-1) -0.391410 0 115349 -3.393258 0.0013

Sum squared resid 23683008 Schwarz criterion 15.94794
Durbin-Watson slat 2.252040 Prob(F-statistic) 0.000923
• Permintaan impor pendekatan komponen peng~iuaran

Tampilan 7
D~p-endent Yanable: D(LOG(M)) ---~

Method: Lea>t Squares
Date 05124104 Time: 20:22
Included obsaN3tions: 53 after adjusting endpoi,1ts . .
Variable Coeffic-ient Std. Error !-Statistic Pro b.
c 0.003151 0.008255 0.381726 0.7044

D(LOG(COI\IS)) 0.298830 0.159355 1.881521 0.0661
D(LOG(')) 0.184460 0.05653;:: 3.262937 u 0021
O(LOG(X)) 0.713829 0.085962 8.303973 0.0000
O(LOG(P)) -0.283591 0.092951 -3.050984 0.0037
PES(') -0 745987 C., 45tJ'37 -5.14130>1 G.OGOO
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
4.2.ECM Model Biaya Kuadrat

1'1TB ==flo+ f3 11'1NER, + f3 2 NERI-l + f3 3 EC1 + £ 1
dimana : EC 1 = NER 1
_
1
- TB 1 _ 1
Hasil regresinya bisa dilihat dalam Tampilan 8.
;··l,
~ ~-
1
~
'
Tampilan 8
,Oependent Variable: D(TB)

I'Date:
05/10104 Time: 12:37
IF-=··==============================
59
Included observations: after adjusting endpoints
1
Variable Coefficient Std. Error t-Statistir. Prob.
r c 329.1247 154.4186 2.131380 0.0375

I u(f,JER)
NER(-1)
0.225824
-0 203563
0.071718
0.064669
3.148784
-3.147781
0.0026
0.0027
I ECT1 0.391709 0.116646 3.358095 0:0014
1-
R-squareu 0.220888 Mean depBndent var 74.51864
S.E of regression 656.1923 Akaike infctcriterion 15.87617
Sum squared :esid 23682357 Schwarz criterion 16.01702
~urbin-VVatson stat 2.252022 Prob(r-statistic) 0.003118
__,
c-----
1-'
__
_- -
,
I :~
386 Bagian Keempat: Ekonometrika Time Series !
Sengaja dikosongkan untu%. catatan Anda
IT--
,:;:
~
~---
~
~
~'-~--
~
I
-,-
•' Daftar Pustaka 387
\
DAFTAR PUSTAKA
Anonim (1997). Eviews 3 User's Guide: Estimation, Forecasting, Statistical Analysis,

Graphics, Data Management and Simulation. Calirfornia: Quantitative Micro
Software.
Baltagi, H. Badi (2003). Econometric Analysis of Panel Data. New York: John
Wiley&Son.
Bruesch, T and A Pagan (1980),"The LM Test and Its Applications to Model
Specification in Econometrics," Review of Economic Studies, 47, pp. 239-254.
C.A. Sims (1972)," Money, income and Casaulity, American Economic Review, Voi. 62,
pp. 540 -552. ..
C. M Jarque and A. K. Bera (1987) ,·"Test for Normality of Obsflrvation and Regression
Residuals," International Statistical Reviews, Vol. 55, pp.163-172.
C.W. J. Granger (1969),"1nvestigating Causal Relations by Econometric Models and
Cross Spectral Methods," Econometrica, pp.424-438.
C.W. J. Granger and P. Newbold (1974)," Sp 1.Jrious Regressions in Econometrics,"
Journal of Econometrics, Vol.2, pp. 1'11-120.
D. A. Dickey and W. A. Fu!!er(1979), "Distribution of the Estimaiors for Autoregressive
I Time Series with a Unit Root," Journal of the American Statistical Association,
! Vol. 74, pp 427-43.
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
Godfrey, lihat L. Godfrey (1978),"Testing for Multiplicative Heteroscedasticity,'' Journal

of Econometrics, Vol. 8, pp.227 -236
H. Glejser (1969), " A New Test for Heteroscedasticity," Journal of the American
Statistical Association," Vol. 64, pp.316-323
H. White (1980),"A Heteroscedasticty Con3istent Covariance Matrix Estir.1ator and 3
Direct Test of Heteroscedasticity, "Econometrica, Vol. 48, pp. 817-818
Hamilton, James D (1994). Time Series Analysis. New Jersey: Princeton University
Press.
Hanke, E. John and Arthur G. Reitsch ( 1998). Business r~uit:L;ast.ing, si;(Lil edit•.Jri. !'Jew-
Jersey: Prentice Hall
Harris, Richard (1995). Using Cointegration Analysis in !.=:conometrics A·'fodelling.
London: Prentice Hall.
Hausman, J. A (1978),"Specification Tests in Econometrics, Econometrica, 'lol. 46,
pp.1251-1271 r
Hill, Carter, William Griffiths and George Judge (! 998). Undergraduate Econometrics.
New York: John Wiley& Sons
Hsiao, Cheng (19?9)," Autoregressive Modeling of Canandian Money and income
data," Journal of the American Statistical Association, Vol. 74, No. 36/, qp. 553-
60
Hsia(;, Cheng (1995); Analysis of Panel DatB. Cand:.ri\ig-:;: Ca:·1bridgc !.Jni .a,-s:;. ;·:r,Jss
J. Durbin (1970), Testing for Serial Correlation in Le3st 3quares F<.e~vess:c:1 V\/hen
Some of the Regressors Are Lagged Dependent V-3riables," Econnmetrica. VoL
38, pp.41 0-421
J. lviackir.non, H. VVhite aild R. Davidson (1963),' Tesl tor Model Speciticatiur• i;1 lhe
Presence of Alternative Hypothesis; Some Further Results," Journal or
Econometrics, Vol. 21, pp.53-70
L.G.Godfrev (1978),"Testing against General Autoregressive and Moving Averagt·) Error
Model When the Regre~sors I idl!de Lagged Dependent Variable;,"
Econometrica, Vol. 46, pp.1293-1302
Li, K.W, Ling S. And Michael M (2002). "Recent Theoritical Results for Time Series
Models With GARCi-1 Errors", Journal Of Economic Surveys, Vol 16, No.3, 245-
269
Man.::lala, G.S (19T7). Econometrics. Singapore: tv1cGraw-Hill
Marc Nerlove (1972), "Lags in Economic Behavior," Econometrica, Vol. 40, pp.221-251
Mills, T.C (1995). The Econometric Modelling of Financial Time Series. Cambridge:
Cambridge University Press.
~~·-------
:.: ___ -
~
~
.
;
t
I
p
Daftar Pustaka
Newey, Whitney and Kenneth West (1987), "A simple Positive Semi-Definite,
389
Heteroskedasticity and Autocorrelation Consistent Covariance Matirx,"

Econometrica, Vo1.55, pp.703-708
Pindyck, S., Robert and Daniel L. Rubinfeld (1998). Econometrics Models and 1.,
Economic Forecast, Fourth Edition. Singapore: McGraw-Hill International edition.
Phillips, Peter C. B. and P. Perron (1988)," Testing for a Unit Root in Time Series
Regression,' Biometrika, Vol. 75, 335-346
R.E.Park (1966)," Estimation with Heteroscedastic Error Terms," Econometrica, Vol. 34,
No.4, October, pp. 888
Robert Engle (1982),"Autoregressive Conditional Heteroscedasticity with Estimates of
the Variance of United Kingdom lnf!ation," Econometrica, Vol. 50, No.1, pp. 987-
1007.
R. F. Engle and C.W.J. Granger (1987)," Co-integration and Error Correction:
Representation, Estimati<;,>n and Testing,' Econometrica, Vol. 55, pp. 251-276
Robert F. Engle, David M. Lilien and R. P. Robins (1987)," Estimating Time-Varying
Risk Premiet in the Term Structure: The ARCH-M model, Econometrica, Vol. 55,
No.2, pp. 391-409.
S. M. Qoldfeld and R.E. Quandt (1955),"Some Tests for Hornoscedasticity," Journal of
the American Statistical society, Vol. 60, pp.539-5·17.
Soren. Johansen (1991 )," Estimation and Hypothesis Testing of Cointegration Vectors
in Gaussian Vecto1 Autoregwssive Model," Econometrica, Vol. 59, pp.1551-1580
Shirley Almon (1965)," The Distributed Lag Betvveen Capital Appropriation and
Expenditures," Econometrica, Vol. 33, pp.178-196
T. S. Bruesch (1978), Testing for A.utocorrei::J~io:J in Dyn8mic L!ne.gr
Models,"Australian Economic Papers, Vol. i 7, pp 334-55
T. S. Bruesch and A. Pagan (1979)," A. Simple Test for Heteroscedasticity and Random
Coefficient Variation," Econornetrica, Vol. 47, pp.1287-1294.
T. Boilerslev ( 1986)," Genera!ized Autoregressive Cond:tional ~ .eterosecdasticity ,"
Journal of Econometrics, Voi. 31, pp. 307-326
Tho~nas, R.L (1997). Modern Econometrics: An Introduction. Harlow: Addison-Wesley.
I
(Jl,,
.JL ~-----
l=
-:::-
: ---·--
~
!=____ ___ _
i
~
i
r-;;
!
~
il
.;
~
390 Daftar Pustaka -.J
?'
t.

LAMPI RAN
DAFTAK TABEL
:
· ---~
·-
--
-
~
I
i
~
:~\ ,.-
,,
~
I''
:~ I
392 Lampiran Daftar Tabel
TABEL DISTRIBUSI NORMAL
Contoh:
Pr (0 ~ Z ~ 1.55) = 0,4394 ~
Pr( z:::: 1 ,55)= 0,5-0,4394 = 0,0606
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
Pr 0.25 0.10 0.05 0.025 0.0~ 0.005 0.001

df 0.50 0.20 0.10 0.05 0.02 0.010 0.002
1 1.000 3.078 6.314 12.706 31.821 63.657 318.31

2 0.816 1.886 2.920 4.303 6.965 9.925 22.327
3 0.765 1.638 2.353 3.182 4.541 5.84'1 10.214
4 0.741 1.533 2.132 2.776 3.747 4.604 7.173
5 0.727 1..476 !' 2.015 2.571 3.365 4.032 5.893
6 0.718 1.440 1.943 2.447 3.143 3.707 5.208
7 0.711 1.415 1.895 2.365 2.998 3.499 4.785
8 0.706 1.397 1.860 2.306 2.896 3.355 4.501
9 0.703 1.383 1.833 2.262 2.821 3.250 4.297
10 0.700 1.372 1.812 2.228 2.764 3.169 4.144
11 0.697 1.363 1.796 2.201 2.718 3.106 4.025
12 0.695 1:356 1.782 2.179 2.681 3.055 3.930
12 0.694 1.350 1.771 2.160 2.650 3.012 3.852
14 0.692 1.345 1.761 2.145 2.524 2.977 3.787
15 0.691 1.341 1.753 2.131 2.602 2.947 3.733
16 0.690 '1.337 1.746 2.120 2.583 2.921 3.686
17 0.689 1.333 1.740 2.110 2.567 2.898 3.646
18 0.688 1.330 1.734 2.101 2.552 2.878 Z.610
19 0.688 1.328 1.729 2.093 2.539 2.861 3.573
20 0.687 1.325 1.725 2.086 2.528 2.8.115 3.552
21 0.686 1.323 1.721 2.080 2.5~8 2.831 •3.527
22 0.686 1.321 1.7'i7 2.074 2.508 2.819 3.505
23 0.685 1 319 1.714 2.069 2.!::1)0 2.807 3.485
24 0.685 1.318 1.711 2.061 2.192 2.797 3.467
25 0.684 1.316 1.708 2.060 :.!.485 2.787 3.450
26 0.684 1.315 1.706 2.056 2.479 2.779 3.435
27 0.684 1.314 1.703 2.052 2.473 2.77~ 3.421
28 0.683 1.313 1.701 2.043 2.467 2.763 3.408
29 0.683 1.311 1.699 2.045 2.462 2.756 3.396
30 0.6d3 1.310 1.697 2.042 2.457 2.750 3.385
40 0.681 1.303 1.684 2.021 2.423 2.7G4 3.307
60 0.679 1.296 1.671 2.000 2.390 2.660 3.232
120 0.677 1.289 1.658 1.980 2.358 2.617 3.160
<X) 0.674 1.282 1.645 1.960 2.326 2.576 3.090
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¥- -----,
~
~
,- --
TABEL DISTRIBUSI F
Pr (F > 2.42) = 0.10

Pr (F > 3.14) = 0.05
Pr (F > 5.26) :-: 0.01
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-. .....~~·~"'"""'"'--"~--.,.-~---
Catalan: N, untuk jumlah numerator dan N 2 UlHUk jumlai"! denumerato1·

-~~ .. ,~--.--:u---· ' ""'"_.. ........._
··~ __ ,....
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___ -
~ - -
,_; __
!
T ABEL DISTRIBUSI F (LANJUT AN)
,_
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
Lampiran Daftar Tabel 397
~.:..
df N1 df
24 30 40 50 120 200 500 Pr N2

-
15 20 60 100 if.)
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-
~
~-
~
-··~-~-
"-----
,-
-,--
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
15 20 24. 30 40 50 60 100 120 200 500 -r. Pr N2

CIP"._.,._.........~...UO.""'"'"''?M =~~-
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·. -
T ABEL DISTRIBUSI CHI SQUARES
Area 95%
Contoh
?r (/ > 10.85) == 0.95 Area 25%
Pr (l > 23.83) == 0.25 df = 20
Pr (/ > 31.41) = 0.05

2
0 23.83 31.41 X
-;:;:~-;=:m...~..J::o ....-=:....-.=..~=~
Pr
I\
Of .995 .990 .975 .950 .900
1 392704 X 10" 10 157088x1 0'9 982069x1 o· 9 39J214x10· 8 .0157908

2 .0100251 .0201007 .0~06356 .102587 .210720
3
4
.0717212
206990
.114832
.297110
.215795
.484419
.351846
.71072'1
.584375
1.063623
I
5 .411740 .554300 .83121 i 1.145476 1.61031 I
6 .675727 .872085 1.237347 1.6353'? 2.28413 ~
!'
7 .989265 1.239043 1.6898? 2.16735 2.83311
8 1.344419 1.646482 2.179"13 2.?3264 3.48954
9 1.734926 2.087912 2.70039 3.32511 4.16816
10 2.15585 2.55821 3.24697 3.94030 48651G
11 2.60321 3.05347 3.81575 4.57481 5.S7?79
12 3.07382 3.57056 4 40379 5.22603 6.30380
13 3.56503 •i.10691 5.00874 5.89186 ?.04150
14 4.07468 4.6604J 5.62872 6.57053 7.?8953
15 '-.n0094 5.22835 3.2G?. ~ 4 ;·_2o03~ 6.54G75
16 5.14224 5.81221 6.90766 7.96164 9.31223
17 5.69724 6.40776 7.564 ~ 8 8.67176 10.0852
18 6.26481 7.01491 8.23075 9.39046 10.8649
19 6.84398 7.63273 8.90655 10.1170 11.6509
20 7.433R6 8.26040 9.59083 10.8508 12.4426
21 8.03366 8.39720 10.28293 11.5913 13.2396
2~ 8.64272 9.54249 10.~823 12.3380 14.0415
23 9.26042 10.19567 11.6885 13.0905 14.8479
24 9.88623 10.8564 12.4011 13.8484 15.6587
25 10.5197 11.5240 13.1197 14.6114 16.4734
26 1 ~.1601 12.1981 13.8439 15 3791 17.2919
27 11.8076 12.8786 14.5733 16.1513 18.1138
28 12.4613 13.5648 15.3079 16,9279 18.9392
29 13.1211 14.2565 16.0471 H.7083 19.7677
30 13.7867 14.9535 16.7908 184926 20.5992
40 20.7065 22.1643 24.4331 26.5093 29.0505
50 27.9907 29.7067 32.357-1 34.7642 37.6886
60 35.5343 37.4848 40.4817 43.1879 46.4589
70 43.2752 45.4418 48.7576 51.7393 55.3290
98 51.1720 53.5400 57.1532 60.3915 64 2778
90 59.1963 61.7541 55.5<G6 691260 'i3. 29\2
100 67.3276 70.0648 ;.:;_22"!9 77.9295 32.3581
.7.r:: ....,..>=~ .,...,..., ........, ... .,,..,..-.,.,o:-·-,.-.,..,...,~~- ...""''"'•"""'' ,.
--
~-
-
---
it:::.=
;~
~ ----
,______
~·
.... --·
!
lampiran Dai'tar Tabel 401 i
TABEL DISTRIBUSI CHI SQUARES (LANJUTAN)
~---~-;.i&..-=i~-.~.;;-,;----:;::-~---;;;;--=--·~-::·~~-.:~~;:.::~,:.-...~;;. :;:;-;-;;-~~~~:;;:-,:~.7"~~::,~~...~~~::""'~,:.:;;:;~·i
.7so .5oo .2so . 100 .o5o .o2s .o1o .oo5 1

.1 0153 .45494 1.32330 2.70554 3.84146 5.02389 6.6349 7.8794
j .57536 1.38629 2.TT259 4.60517 5.991<17 7.37776 9.2103 10.5966
~
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~ - .:...~.-- ~
TAB;:::L D!LRBJN-WAT~,~_:_Nilai_dL dan du pada tin~kat siqn_ifikan 0,01

:~ == 1 k=2 k=3 k=4 k= 5 k=6 k=7 k=8 k = 9 k = 10
n ,.,
>.J~ rlu du dL du dL du dL dL du dL du
du dL dL dL du du OL du
6 0.390 1.142 -
7 0.435 1.036 0.294 1.676
~j 0.497 1.003 0.345 1.489 0.229 2.102
') 0.554 0.998 0.408 1.3139 0.279 1.875 0.183 2.433
·:o 0.604 1.001 0.466 1.333 0.340 1.733 0.230 2.193 ().'150 2.690
11 0.653 1.010 0.519 1.297 0.386 1.G40 0.28'3 2.030 0.193 2.453 0.214 2.892
12 0.697 1.023 0.569 1.274 0.449 1.575 0.;>39 1.913 0.244 2.280 0.164 2.665 0.105 3.053
13 0.738 1.038 0.616 1.261 c .J9 1.526 0.3Cl1 1.826 0.294 2.150 0.211 2.490 0.140 2838 0.090 3.182
~4 C.l.-:-S 1.054 0.660 1.254 0.547 "1.490 0.441 "1.757 0.343 2.049 0.257 2.3:;4 0.183 2.667 0.122 2.981 0.078 3.287
"l5 0.811 1.070 0.700 1.252 0.591 1.464 0.488 nos 0.391 "1.967 0.303 2.244 0.226 2.530 0.161 2.817 0.107 3.101 0.068 3.374
"!6· 0.844 1.086 0.737 1.252 0.633 '!.446 0.532 1.663 0.4:!7 1.900 0.349 2.153 0.269 2.416 0.200 2.681 0.142 2.944 0.094 3.201
'i7 0.874 1.102 0.77'2 1.255 0.672 '1.432 0.574 1.630 0.480 1.847 0.393 2.078 0.313 2.319 0.241 2.566 0.179 2.811 0.127 3.053
!P, 0.902 1 118 0.805 1.259 0.708 1.4~:.·! U.G1:~. 1.60•! ·;; 522 1.303 0.435 2.015 0.355 2.238 0.282 2.467 0.216 2.697 0.160 2.925
'i9 0.928 1.132 0.835 1.265 0.742 '!.41::; 0.<350 ·;.5.S4 0.561 1.767 0.476 1.963 0.396 2.169 0.322 2.381 0.255 2.597 0.196 2.813
20 0.952 1.147 3.863 1.~71 0.773'1.4"11 0.685 1.56 i <).598 i.737 0.515 ·:.918 0.436 2.110 0.362 2.308 0.294 2.510 0.232 2.714
~~.:;
2 .OL ....
:!1 0.975 1.161 0.890 1.277 1.40,:1
0.803 0.718 1.554 0.633 ·; .7"12 0.552 1.881 0.474 2.059 0.400 2.244 0.331 2.434 0268
:?2 0.997 "1.174 0.914 1.284 0 831 i.407 ).748 'i. 5~+:3 0.667 ·;.691 0.587 1.849 0.510 2.015 0.437 2.188 0.368 2.367 0.304 2.548
"::3 1.018 1.187 0.938 '1.291 1.-iO?
0.839 ;~:.T/7 1.~:34 cl.t39e 1.6?3 0.620 :4,.821 0.545 ~.977 0.473 2.140 0.404 2.308 0.340 2.479
.:~4 1.037 1.199 0.960 1.?98 '!.40?
0.882 {).1305 '1.52E: 0.728 1.658 0.652 1.797 0.578 1.944 0.507 2.097 0.439 2.255 0.375 2.417
25 1.055 1.211 0.981 1.303 0.906
·:.409 i.J.531 ·:.523 0.756 1.645 0.682 1.776 0.610 1.915 0.540 2.059 0.473 2.209 0.409 2.362
;:s ,·_072 1.222 1.001 1.312 1.41 i
0.928 0.855 "1.518 0.783 1.635 0.711 1.759 0.640 1.889 0.572 2.026 0.505 2.168 0.441 2.313
27 1.089 1.2C>3 1.019 1.319 1.413
0.949 0.878 1.5"15 0.808 1.626 0.738 1.743 0.669 1.867 0.602 1.997 0.536 2.131 0.473 2.269
:-:s 1.104 1.244 1.037 1.325 1.415
0.969 0.900 1.5"13 0.832 1.618 0.764 1.729 0.696 1.847 0.630 1.970 0.566 2.098 0.504 2.229
?9 1.119 1.254 1.054 1.332 1.418
0.988 'J.921 1 .512 0.855 1.611 0.788 1.718 0.723 1.830 0.658 1.947 0.595 2.068 0.533 2.193
:;o 1.133 1.263 1.070 1.339 1.421
1.006 ').941 1.51'1 0.877 1.606 0.812 1.707 0.748 1.814 0.684 1.925 0.622 2.041 0.562 2.160
·:·•
..· l 1.147 1.273 1.085 1.345 1.Li25
1.023 0.950 ·J.S1C. O.E97 1.601 0.834 1.698 0.772 1.800 0.710 '1.906 0.649 2.017 0.589 2.131
·:~.2 1.'160 1.232 '1.1 00 1.3G2 '1.'128
1.040 0.979 1.5'!(! 1).917 '1.597 0.836 1.690 0.794 1.788 0.734 1.889 0.674 1.995 0.615 2.104
:!.3 1."172 1.291 1.114 1.358 ~.055 1.432 •).996 '1.5'!0 (1.935 'I 584 0.876 1.683 0.816 1.776 0.757 1.874 0.698 1.975 0.641 2.080
::-~ 1 Hl4 '1.299 1.128 1.364 1 070 'IA35 ·L0·12 "1.5'11 0.954 1.591 0.896 1.677 0.837 1.766 0.779 1.860 0.722 1.957 O.G65 2.057
35 1.195 1.307 1.140 1.370 1.085 1.439 '1.028 1.512 0.971 1.589 0.914 1.6/1 0.857 1.757 0.800 1.847 0.744 1.940 0.689 2.037
::.6 '1206 L'-15 1.153 1.37E •. 098 1.442 ·:.043 '!.5'1~ 0.988 1.588 0.932 1.666 0.877 1.749 0.821 1.836 0.766 1.925 0.711 2.018
]7 1.217 1.323 1.165 1.382 1.1-(2 1.446 i.058 1.514 1.004 1.586 0.950 1.662 0.895 1.742 0.841 1.825 0.787 1.911 0.733 2.001
:;J 1.227 1.330 1.176 1.388 1.124 1.449 -,_on 1.515 1.019 1.585 0.966 1.658 0.913 1.735 0.860 1.816 0.807 1.899 0.754 1.985
39 1.237 :.337 1.187 1.393 1.137 1.453 '1.085 1.517 1.034 1.584 0.982 1.655 0.930 1.729 0.878 1.807 0.826 1.887 0.774 1.970
40 1.246 1.344 1.198 1.398 1.148 1.457 1.098 1.518 1.048 1.584 0.997 1.65~ 0.946 1."i24 0.895 1.799 0.844 1.876 0.749 1.956
45 1.288 1.3i'6 1.245 1.423 1.201 1.474 'i."156 1.528 1.111 1.584 1.065 1.643 1.019 1.704 0.974 1.768 0.927 1.834 0.881 1.902
50 1.324 1.403 1.285 1.44€. 1.245 1.491 1.205 1.538 1.164 1.587 1.123 1.639 1.081 1.692 1.039 1.748 0.997 1.805 0.955 1.864
55 1.356 1.427 1.320 1.466 1.284 1.506 1.247 . 1.548 1.209 1.592 1.172 1.638 1.134 1.685 1.095 1.734 1.057 1.785 1.018 1.837
60 1.383 1.449 1.350 1.484 1.317 '1.520 1.283 1.558 1.249 1.598 1.214 1.639 1.179 1.682 1.144 1.726 1.108 1.771 1.072 1.817
65 1.407 1.468 1.377 1.500 1.346 1.534 1.315 1 568 1.283 1.604 1.251 1.642 1.218 1.680 1.186 1.720 1.153 1.761 1.120 1.802
70 1.429 1.485 1.400 1.515 1.372 1.!'46 1.343 1.378 1.313 1.611 1.283 1.645 1.253 1.680 1.223 1.716 1.192 1.754 1.162 1.792
75 1.448 1.501 1.422 1.52!? 1.395 1.55/' 1.368 1.587 1.340 1.617 1.313 1.649 1.284 1.682 1.256 1.714 1.227 1.748 1.199 1.783
80 1.466 1.515 1.441 1.541 1.416 1.51::8 1.390 1.595 1.364 1.624 1.338 1.653 1.312 1.683 1.285 1.714 1.259 1.745 1.232 1.777
85 1.482 1:528 1.458 1.553 1.435 1.578 1.411 1.603 1.386 1.630 1.362 1.657 1.337 •J.685 1.312 1.714 1.287 1.743 1.262 1.773
90 1.496 1.540 1.474 1.fi63 1.452 "1.587 1.429 1.611 1.406 1.636 1.383 1.661 1.360 1.687 1.336 1.714 1.312 1.741 1.288 1.769
95 1.510 1.552 1.489 1.573 1.468 '1.596 1.446 1.618 1.425 1.642 1.403 1.666 1.381 1.690 '1.358 1.715 1.336 1.741 1.313 1.767
100 1.522 1.562 1.503 1.583 1.482 1.604 1.462 1 625 1.441 1.647 1.421 1.670 1.400 1.693 1.378 1.7~7 1.357 1.741 1.335 1.765
150 1.611 1.637 1.598 1.651 1.534 1.665 1.571 1.679 1.557 i .693 1.543 1.708 1.530 1.722 1.515 1.737 1.501 1.752 1.486 1.767
200 1.664 1.684 1.653 1.693-1.643 1.704 1.633 1.715 1.623 1.725 1.613 1.735 1.603 1.746 1.592 1.757 1.582 1.768 1.571 1.779
....
I :: .. r
I ~ c-.c
•
Tlnrrnllllr" .
"(c·:_ I. _ t .
.Lllllll~IJIJIL . _
IIP.l
.~;..;_•_ .. ...,,_\'~ ~~~
- .50L..... .~ ,- . ---·--· ..-..-.--.. ~
-~- _..., ___ ...
STATISTIKDURBIN-W~TSON: Nilai d1 dan d"pad~ tinqkat ~iqnifikan 0,05 (LANIUTAN)
k =11 k = 13 k = 14 k = 15 k = 16 k.:: 17 k = '18 k = 19 k = 20
k = 12
d, d~ dj,_~....2J.._ dJ~ dt dll dj dt dq dt d"
n dt dq ci~ -~z.9u, djl
16 0.098 3.503
17 0.138 3.378 0.087 3.557
'18 0.177 3.265 0.123 3.441 0.078 3.603
'!9 0.220 3.159 0.160 3.335 0.111 3.496 0.070 3.642
20 0.263 3.063 0.200 3.234 0.145 3.395 0.100 3.542 0.063 3.676
21 0.107 2.976 0.240 3.141 0.182 3.300 0.132 3.448 0.091 3.583 0.058 3.705
22 0.349 2.897 0.281 3.057 0.220 3.211 0.166 3.358 0.120 3.495 0.083 3.619 0.052 3.731
23 0.391 2.826 0.322 2.979 0.259 3.128 0.202 3.272 0.153 3.409 0.110 3 535 0.076 3.650 0.043 3.753
24 0.431 2.761 0.362 2.908 0.297 3.053 0.239 3.193 0.186 3.327 0.142- 3.<154 0.101 3.572 0.070 3.678 0.044 3.773
0.470 2.702 0.400 2.844 0.335 2.983 0.275 3.119 0.221 3.25·: 0.172 3.376 0.130 3.494 0.094 3.604 0.065 3.702 0.041 3.790
25
0.508 2.649 0.438 2.784 0.373 2.919 0.312 3.051 0.256 3.179 0.205 3.303 0.160 3.420 0.120 3.531 0.087 3.632 0.060 3.724
26
0.544 2.600 0.475 2.730 0.409 2.859 0.348 2.987 0.291 3. ~ 12 0.238 3.233 0.19'1 3.349 0.149 3.460 0.112 3.563 0.081 3.658
27
28 0.578 2.555 0.510 2.680 0.445 2.805 0.383 2.928 0.325 3.050 0.271 3.168 0.222 3.283 0.178 3.392 0.138 3.495 0.104 3.592
29 0.612 2.515 0.544 2.634 0.47'9 2.755 0.418 2.874 0.359 2.992 0.305 3.107 0.254 3.219 0.208 3.327 ~.166 3.431 0.1?.9 3.528
30 0.643 2.477 0.577 2.592 0.512 2.708 0.451 2.823 "'·0.392 2.937 0.337 3.050 0.286 . 3.160 0.?.38 3.266 0.195 3.368 0.156 3.465
3i 0.674 2.443 0.608 2.553 0.545 2.665 0.484 2.776 0.425 2.R87 0.370 2.996 0.31l 3.'i03 0.269 3.208 0.224 3.309 0.183 3.406
32 0.703 2.411 0.638 2.517 0.576 2.625 0.515 2.733 0.457 2.840 0.401 2.946 0.349 3.050 0.299 3.153 0.253 3.252 0.211 3.348
33 0.731 2.382 0.668 2.484 0.606 2.588 0.546 2.692 0.488 2.796 OA-32 2.899 0.379 3.000 0.329 3.100 0.283 3.198 0.239 3.293
34 0.758 2.355 0.695. 2.454 0.634 2.554 0.575 2.654 0.518 2.754 0.462 2.854 0.409 2.954 0.359 3.051 0.312 3.147 0.267 3.240
35 0.783 2.330 0.722 2.425 0.662 2.521 0.604 2.619 0.547 2.716 0.492 2.813 0.439 2.910 0.383 2.005 0.340 3.099 0.295 3.190
36 0.808 2.306 0.748 2.398 0.689 2.492 0.631 2.586 0.575 2.680 0.520 2.774 0.467 2.868 0.4'17 2.961 0.369 3.053 0.323 3.142
37 0.831 2.285 0.772 2.374 0.714 2.464 0.657 2 ..555 0.602 2.646 0.548 2.738 0.495 2.829 0.445 2.920 0.397 3.009 0.351 3.097
38 0.854 2.265 0.796 2.351 0.739 2.438 0.683 2.526 0.628 2.614 0.575 2.703 0.522 2.782 0.472 2.880 0.424 2.968 0.378 3.054
39 0.875 2.246 0.819 2.329 0.763 2.413 0.707 2.499 0.653 2.555 0.600 2.671 0.549 2.757 0.499 2.843 0.451 2.929 0.404 3.013.
40 0.896 2.228 0.840 :.309 0.785 2.391 0.731 2.473 0.678 2.557 0.626 2.641 0.575 2.724 0.525 2.801\ 0.477 2.892 0.430 2.974
45 0.988 2.156 0.938 2.225 0.887 2.296 0.838 2.367 0.788 2.439 0.740 2.512 0.692 2.586 0.644 2.659 0.598 2.733 0.553 2.807
50 1.064 2.103 1.019 2.163 0.973 2.225 IJ.927 2.287 0.882 2.350 0.836 2.414 0.792 2.479 0.747 2.544 0.703 2.610 0.660 2.675
55 1.129 2.062 1.087 2.116 1.045 2.170 1.003 2.225 0.961 2.281 0.919 2.338 0.877 2.396 0.836 2.454 0.795 2.512 0.754 2.571
50 1.184 2.031 1.145 2.079 1. ;o6 2.121' 1.068 2.177 1.029 2.227 0.990 2.278 0.951 2.330 0.913 2.382 0.874 2.434 0.836 2.487
;,::s 1.231 2.006 1.195 2.049 1.160 2.093 1.124 2.138 1.088 ?..183 1.05?. 2.229 1016 2.276 0.980 ?..323 0.944 2.371 0.908 2.419
70 1.272 1.986 1.239 2.026 1.206 2.066 1.172 2.106 1.139 2.148 1.105 2.i'39 1.072 2.232 1.038 2.275 1.005 2.:>18 0.971 2.362
75 1.308 1.970 1.277 2.006 1.247 2.043 1.215 2.080 1.184 2.118 1.153 2.156 1.121 2.195 1.0il0 2.235 1.058 2.275 1.027 2.315
80 1.340 1.957 1.311 1.991 1.283 2.024 1.253 2.059 1.224 2.093 1.195 2.129 1.165 2.'65 1 13E 2.201 1.106 2.23R 1.076 2.275
85 1.369 1.946 1.342 ~.977 1.315 2.009 1.287 2.040 1.260 2.073 1.232 2.105 1.205 2.139 1.177 2.172 1.149 2.206 1.121 2.241
90 1.395 1.937 1.369 1.966 1.344 1.995 1.318 2.025 1.292 2.055 1.266 2.085 1.240 2.116 '1.213 2.148 1.187 2.179 1.160 2.211
95 1.418 1.929 1.394 1.956 1.370 i .984 1.345 2.012 1.321 2.040 1.296 2.068 1.271 2.097 1.247 2.126 1.222 2.156 1.197 2.136
100 1.439 1.923 1.416 1 .948 1.393 1.97--1 1.371 2.000 1.347 2.025 1.324 2.0~3 1.301 2.080 1.277 2.108 1.253 2.135 1.229 2.164
150 1.;)79 1.892 1.564 1.908 1.550 1.924 1.535 1.940 1.519 1.956 1.504 1.972 1.489 1.989 1.474 2006 1.458 2.023 1.443 2.040
200 1.654 1.885 1.643 1.896 1.632 1.908 1.621 1.919 1.610 1.931 1.599 1.943 1.588 1.955 1.576 1.967 1.565 1.979 1.554 1.991
Keterangan: n =jumlah observasi dank =jumlah 'lariabel penjelas tidak termasuk konstanta
~-~·-·--
... ··--- ...... ~·- ~-.
~u=.•
:..----...-- -·---~- _,..... ~--

~~~;,,;~77t':._,,.
-
STATISTIK DURBIN-VV.i\.TSON· Nilai dl dan du pada tingkat signifikan 0;01 (LANJUTAN)

--.u.,...- -==--·-,;:··u- e-.• -
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'

Ekonometkika Teori Dan Aplikasi-1 PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Ekonometkika Teori Dan Aplikasi-1 PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

EKONOMETKIKA:

TEOKI DAN APLIKASI .

Vtp5~ ~ \<o~o-ku 1{n iJUn·

Oleh: Agus Widarjono

Cetakan Pertama, 2005

Ekonometrika merupakan salah satu alat analisis di dalam ilmu ekonomi.

BAGIAN PERTAMA: MODEL DASAR~DASAR REGRESI

BAB 2. DASAR~DASAR STATISTIKA UNTUK EKONOMETRIKA 17

viii D~ftar lsi

3.2 Metode Kuadarat Terkecil (OLS) 31

BAB 4. REGRES! SEDERHANA: VERIFiKASI HASIL ESTIMASI 53

BAB 6. REGRESI DENGAN VARIABEL INOEPENDEN KUALITATIF 109

BAGIAN KEDUA: PENGUJIAN ASUMSI OLS

BAB 7. MULTIKOLINIERITA3 131

BAB 8. HETEROSKEDASTlS!TAS 145

8.2.2. Metode Pa1-k 148

BAB 9. AUTOKORELASI 177

9.3.2.1. Metode Diferensi Pertama 190

BAGIAN KET!GA: TOPIKaTOPIK Dl DALAM EKONOMETRIKA

BAB 10. MODEL REGR.ESi DENGAN RESPON YANG KlJAUTATIF 203

BAB 11. MODEL KELAMBANAN 2 ")7

11.1. Mode! K~:ambanan 22~

11.9. Kausalitas Di Dalam Ekonomi 246

BAGIAN KEEMPAT: EKONOMETRIKA TIME SERIES

BAB 14. MODEL ARIMA {BOX-JENKINS) 299

14.2.2. Estimasi Model ARIMA 315

Lampiran Running Eviews Bab 14 321

BAB 15. MODEL ARCH DAN GARCH 325

BAB 16. KOINTEGRASI DAN MODEL KOREKSI KESALAHAN 353

DAFTAR PUSTAKA 387

LAMP:RAN DAFTAR TABEL

Bagian pertama buku ini rn:smbahas masalah dasar-dasar regresi yang

kebenaran dari teori tersebut. Di lain pihak, ekono;-netrika ingin membuktikan

1.2. Cabang Ekonometrika

Garnbar 1.1 Cabang Ekonometrika

1.3. Metodologi Ekonometrika

Gam bar 1.2. M~todo'ogi Ekonometrika

Dimana e disebut kesalahan pengganggu atau residual (disturbances I error terms)

Y; = 150,7 -0,8125X; (1.3)

1.4. Regresi, Kausalitas dan Korelasi .

Regresi juga berbeda dengan korelasi. Korelasi menunjukkan derajat asosiasi

1.5. Sifat dan Sumber Data

1. Data Runtut Waktu (Time Series)

mencocokkan dengan data aktualnya tetapi variabel independen tidak mampu

2. Data Antar Tempat Atau Ruang (Cross Section Data)

3. Panel Data (Pooled Data)

·1 .6. Prograrn Komputer Untuk Olah Data

LAMPIRAN RUNNING EVIEWS BAB 1

1. Menjalankan Program Eviews

2. Menciptakan Filekerja (workfile) di Eviews

Dimana: M1 = permintaan uang nominal (narrow money); GOP= Gross domestic

Tampilan 3 menunjukkan fiiBkerja

Oi dalam tampilan 4 ada dua pilihan yang

U:1tu!< rnerrasukk~n d?.ta m3~'.~ ld~2

3ft f.fh~rafJiiv~~Jt)( Data

Pada Tampilan 9 ini, arahkan

I nama variabel. Kemudian Klik

I[. ~--1;: ')' :- •.::- ':) """\. ~: ..

i ~~/(:f :· l :··.- .·.

-:r i -~-~ ·. ·~.

;_·.:;_:~~·-tai·\18 r"r.·~n r--taaci iJO.::.Ja

"\ :·:: ·, i < ·:~ :;_. ~- .. ""'"

r1i!._:·;:· .- ;-.::- -~ ~n·r.~-.-~nu dC?J.ri !<-:-~1:·:~r---3t?trl n~-:~ri~.-~!J!(_urann·_/?;_