Regresi Dengan Eviews PDF
Regresi Dengan Eviews PDF
www.wernermurhadi.wordpress.com
Pada kesempatan ini kita akan menggunakan Eviews untuk
melakukan analisis data dengan menggunakan pooled data.
www.wernermurhadi.wordpress.com
10 perusahaan, mulai th 2006 - 2009
www.wernermurhadi.wordpress.com
Cell yang akan mulai diimport
www.wernermurhadi.wordpress.com
www.wernermurhadi.wordpress.com
Statistik Deskriptif
www.wernermurhadi.wordpress.com
Membuat Model regresi
www.wernermurhadi.wordpress.com
www.wernermurhadi.wordpress.com
Hasil ini akan sama persis dg
menggunakan program SPSS
www.wernermurhadi.wordpress.com
Asumsi Klasik 1: Multikolinearitas
Asumsi Regresi Klasik: Tidak ada hubungan exact collinearity antara
variabel Independen (variable- variable X); misalnya: antara X2 dan X3
tidak ada hubungan exact linear (X2= 4X3).
www.wernermurhadi.wordpress.com
Konsekuensi Multicollinearity
Konsekuensi adanya multicollinearity yang tinggi:
Meskipun masih BLUE, namun estimator OLS mempunyai varians dan
covarians yg besar shg sulit utk menentukan estimasi yg tepat.
Konfiden interval lebih melebar. the confidence intervals tend to be
much wider, leading to the acceptance of the “zero null hypothesis”
(i.e., the true population coefficient is zero) more readily.
t ratio cenderung utk statistically insignificant (Ho: β=0 diterima).
Namun demikian R2 dapat sangat tinggi.
Estimator OLS dan standard errors-nya sensitive thd perubahan kecil
dlm data.
www.wernermurhadi.wordpress.com
Identifikasi Multikolinearitas:
Koefisien Determinasinya tinggi, tapi signifikanasi parameter rendah
(tidak signifikan)
Korelasi yang tinggi antar veriaber regresor /independen (> 0.90)
Tolerance (TOL) dan variance inflation factor (VIF)
Tolerance = 1 – R^2
VIF = 1 – tolerance
Dimana R^2 adalah koefisien korelasi antara xi dengan var explanatory
lainnya. Bila mana VIF > 5 menunjukan kolinearitar tinggi. Terdapat
masalah multikol
www.wernermurhadi.wordpress.com
www.wernermurhadi.wordpress.com
www.wernermurhadi.wordpress.com
Signifikansi
Paramater Rendah
X1, X2, X5
www.wernermurhadi.wordpress.com
Dropping a variable(s) and specification bias.
www.wernermurhadi.wordpress.com
Transformation of variables.
First difference
Ratio Transfornation:
www.wernermurhadi.wordpress.com
Transformation of variables.
First difference
www.wernermurhadi.wordpress.com
Asumsi Klasik 2: Autokorelasi
KONSEKUENSI
Adanya autokorelasi, maka estimator OLS:
linear unbiased, consistent dan asymptotically normally distributed,
tidak lagi efficient (tidak varians minimum - tdk BLUE).
www.wernermurhadi.wordpress.com
Identifikasi Autokorelasi:
Durbin Watson (Ho: No Auto; dan H1: Auto)
www.wernermurhadi.wordpress.com
www.wernermurhadi.wordpress.com
www.wernermurhadi.wordpress.com
Nilai DW untuk Deteksi Autokorelasi
www.wernermurhadi.wordpress.com
www.wernermurhadi.wordpress.com
Melanjutkan dari uji DW
www.wernermurhadi.wordpress.com
P Value < 5%
Signifikan H1
diterima berarti
ada autokorelasi
www.wernermurhadi.wordpress.com
Mengatasi Autokorelasi
www.wernermurhadi.wordpress.com
Kembali ke file 12-4 waktu menguji DW
www.wernermurhadi.wordpress.com
Hasil Koefisien Regresi sama, namun standar error
lebih besar sehingga t-test yang lebih kecil. (note:
OLS underestimate stand error).
www.wernermurhadi.wordpress.com
Asumsi Klasik 3: Heteroskedastisitas
www.wernermurhadi.wordpress.com
Penyebab varians ui adalah variabel (tidak konstan):
1. Sejalan proses belajar (the error-learning models) manusia, kesalahan
(error) perilaku makin mengecil seiring berjalannya waktu. Dalam kasus ini,
SD(σ^2 )-i akan mengecil.
2. Dengan income meningkat, orang lebih mempunyai kebebasan dan lebih
banyak pilihan utk penggunakan income-nya. Sehingga SD-I akan
meningkat sejalan dg peningkatan income.
3. Perbaikan teknik pengumpulan data akan menurunkan SD-i.
4. Kesalahan spesifikasi model:
Kesalahan spesifikasi model yg dikarenakan menghilangkan variable
penting dlm model.
Dlm fungsi demand bila tidak dimasukan harga komoditi complementary
maka SD-i tidak konstan.
Kesalahan tranformasi data (mis. Rasio / first diff)
Kesalahan bentuk fungsi (mis. Linier vs log-linier model).
www.wernermurhadi.wordpress.com
Menguji Heteroskedastisitas
1. White Test (menu Eviews): (a) No cross term ; & (b) Cross term
• Model :
• Hipotesa:
Ho: homosedastik
Hi : heterosedastik
Statistik Uji :
www.wernermurhadi.wordpress.com
Dengan menggunakan data Gujarati (11-5)
www.wernermurhadi.wordpress.com
www.wernermurhadi.wordpress.com
Apakah mengandung Hetero? Uji dengan White
www.wernermurhadi.wordpress.com
www.wernermurhadi.wordpress.com
www.wernermurhadi.wordpress.com
Nilai P value chi squere
cukup kecil shg H1
diterima ada hetero
www.wernermurhadi.wordpress.com
2. Uji Glesjer ,
Dimana setelah melakukan regresi biasa dan memperoleh nilai residual
Maka residual tersebut diabsolut kan dan menjadi variabel dependen, se
dangkan independen nya tetap.
[Res] = α + β . Ind1
www.wernermurhadi.wordpress.com
www.wernermurhadi.wordpress.com
Nilai P value chi
squere cukup kecil
shg H1 diterima
ada hetero
www.wernermurhadi.wordpress.com
Mengatasi Heteroscedastics:
White Heteroscedasticity /Robust Standar Error
Generalized Least Square/ Weight Least Square
White Hetero
Dalam menu Quick , Estimation Equation , pilih option ,
heteroscedastisity consistent koefisient covarian.
www.wernermurhadi.wordpress.com
www.wernermurhadi.wordpress.com
Dibandingkan dengan sebelumnya (tanpa Robust SE) maka,
Standar error intercept menurun dan SE koefisien slope
meningkat sedikit.
Setelah ini lakukan lagi uji white untuk melihat hetero.
www.wernermurhadi.wordpress.com
www.wernermurhadi.wordpress.com