BAHAN AJAR

EKONOMETRIKA
 TOPIK 1

KONSEP DASAR EKONOMETRIKA

TUJUAN

Menjelaskan konsep dasar ekonometrika dan dapat merumuskan hubungan antar

variabel ekonomi dan menerapkan tahapan analisis ekonometrika

KOMPETENSI

Setelah mempelajari bab ini, mahasiswa akan dapat:

 Memahami konsep dasar ekonometrika
 Memahami pembagian ekonometrika
 Memahami metodologi ekonometrika
 Membedakan konsep regresi, kausalitas dan korelasi

URAIAN MATERI

Pengertian

Ekonometrika berarti secara harfiah adalah pengukuran ekonomi. Tentunya

banyak tokoh yang memberikan definisi ekonometrika. Kita dapat secara umum
bahwa ekonometrika adalah gabungan ilmu ekonomi, matematika, dan statistika
untuk menganalisis ekonomi secara kuantitatif berdasarkan data empiris atau
ekonometrika merupakan bagian dari ilmu ekonomi yang menggunakan alat
analisis matematika dan statistik untuk menganalisis masalah dan fenomena
ekonomi secara kuantitatif.

Pembagian Ekonometrika

Sebagai ilmu yang tersendiri, ekonometrika pada umumnya dapat dibagi

ke dalam dua kategori besar, yaitu:
 Ekonometrika teori (theoritical econometrics), yang berkaitan dengan
pengembangan metode yang tepat untuk mengukur hubungan-hubungan
ekonomi yang ditetapkan oleh model ekonometrika. Dalam pembahasannya
lebih pada statistika matematis. Contohnya metode kuadrat terkecil (least
square method) merupakan fokus dari ekonometrika teoritis yang
menguraikan asumsi metode ini, sifat-sifatnya dan apa yang terjadi pada sifat-
sifat ini jika satu atau lebih asumsi dalam metode ini tidak terpenuhi.
 Ekonometrika terapan (applied econometrics), yaitu menerapkan alat
ekonometrika teoritis untuk mempelajari beberapa bidang khusus dalam ilmu
ekonomi, seperti fungsi produksi, fungsi konsumsi dan lainnya.

Metodologi ekonometrika

Penelitian ekonometri biasanya mengikuti prosedur sbb:

Teori Ekonomi (1)

Spesifikasi model ekonometrika (2)

Pengumpulan data yang relevan (3)

Pendugaan parameter model (4)

Inferensi statistik (5)

Terima teori jika data cocok Tolak teori jika data tidak
dengan teori (6) cocok dengan teori (6)

Peramalan (7)) Perbaikan teori atau

teori baru (7)

Menguji langkah 2 s/d 5 (8)

Gambar Prosedur Penelitian Ekonometrika

Membedakan konsep regresi, kausalitas dan korelasi

Regresi menunjukkan hubungan pengaruh satu arah yaitu variabel independen ke

variabel dependen, sedangkan kausalitas menunjukkan hubungan dua arah. Dan
Analisis korelasi bertujuan untuk mengukur kuatnya tingkat hubungan linear
antara dua variabel.
EVALUASI

1. Jelaskan 6 langkah yang merupakan cirri utama dalam penelitian berdasarkan

metode ilmiah !
2. Sebutkan beberapa definisi ekonometri menurut ahli ekonomi dari luar
negeri ! Kemudian Anda simpulkan dari semua itu !
3. Jelaskan metodologi dari ekonometrika !
4. Jelaskan perbedaan antara regresi, korelasi, dan kausalitas ! Dan berikan
contohnya!
5. Jelaskan konsep-konsep berikut :
 Data nominal, ordinal, interval, dan rasio
 Data time series, cross section, dan pooled data
 Variabel stokastik dan non-stokastik
 Ketergantungan statistik dan ketergantungan fungsional
6. Sebutkan beberapa kegunaan dari ekonometrika!
 TOPIK 2

REGRESI LINEAR SEDERHANA

TUJUAN

Menjelaskan dapat mengoperasikan analisis regresi sederhana

KOMPETENSI

Setelah mempelajari bab ini, mahasiswa akan dapat:

 Memahami konsep regresi linear sederhana
 Memahami perhitungan regresi linear sederhana
 Memahami dan mampu mengoperasikan program EViews
 Menjelaskan makna dari hasil regresi linear sederhana dan output EViews

URAIAN MATERI

Konsep Regresi Linear

Analisis regresi digunakan untuk mengetahui hubungan suatu variabel
dependen dengan variabel independen. Bila hanya ada satu variabel dependen dan
satu variabel independen, disebut analisis regresi sederhana. Analisis regresi yang
hanya terdiri atas dua variabel (satu variabel dependen dan satu variabel
independen), persamaannya adalah:

Yi = ß0 + ß1Xi + ei

Asumsi dalam analisis regresi dapat kita lihat pada tabel berikut :

Tabel Asumsi dalam Model Regresi Linear

No. Asumsi Model Regresi

1. Hubungan antara yi dan xi dan x2 bersifat linear (dalam parameter).
2. xi dan x2 bersifat tetap pada setiap obervasi, atau dengan kata lain
nilainya tidak berubah-ubah (tidak stokastik).
3. Nilai x harus bervariasi.
4. Nilai ei yang diharapkan (expected value) adalah nol, yaitu E(ei | xi)= 0,
karena nilai y yang diharapkan hanya dipengaruhi oleh variabel
independen, E(y)= ß0 + ß1xi.
5. Varian variabel pengganggu ei adalah sama atau bersifat homoskedastis,
yaitu var(ei | xi)= σ2.
6. Tidak ada korelasi serial antarresidual, antara ei dengan ej atau tidak ada
 hubugan antara ei dengan ej, dilambangkan dengan cov(ei,ej|xi, xj)=E(ei|
xi) (ej|xj)=0.
7. Tidak ada hubungan antara ei dengan xj, sehingga cov(ui,xi)=0
8. Variabel pengganggu ei berdistribusi normal, dilambangkan e~N(0,σ2).
9. Tidak ada multikolinearitas sempurna antar variabel independen.
10. Jumlah observasi n harus lebih besar daripada jumlah parameter yang
diestimasi (sebanyak variabel independen).

Dengan asumsi di atas, model kuadrat terkecil (OLS) akan memiliki sifat
ideal yang sesuai dengan teori dari Gauss-Markov. Menurutnya, estimator yang
linear yang baik memiliki sifat BLUE (best linear unbiased estimatimator).
Sifat BLUE ini memerlukan kriteria:
 Estimator βI bersifat linear terhadap variabel dependen.
 Estimator β1 bersifat tidak bias, berarti nilai rata-rata atau nilai β1 yang
diharapkan atau E(β1) sama dengan nilai β1 yang sesungguhnya.
 Estimator β1 memiliki varian yang minimum, sehinga disebut efisien.

Berikut ini rumus untuk memperoleh nilai koefisien regresi untuk regrersi linear
sederhana.

a=Y−b X
n  X i Yi -  X i  Yi
b
n  X -  X i 
2 atau,
2
i

∑ xi yi
b=
∑ x 2i
Dimana :
xi = Xi - X̄
yi = Yi - Ȳ
EVALUASI

1. Data negara Indonesia selama 13 tahun diketahui sebagai berikut :

Tahun X Y
1996 41.50 7.82
1997 70.47 4.7
1998 63.97 -13.13
1999 46.92 1.76
2000 72.55 3.92
2001 61.85 3.83
2002 43.37 4.38
2003 39.35 4.72
2004 47.79 5.03
2005 50.80 5.69
2006 43.72 5.50
2007 44.90 6.28
2008 50.13 6.06

Sumber : BPS, diolah

Dimana :
Y = Pertumbuhan ekonomi Indonesia (persen)
X = Keterbukaan ekonomi (di-proxy dengan rasio ekspor dan impor terhadap
PDB, dalam satuan persen)

a) Gambarkan scatter diagram atau scattergram berdasarkan data di atas !

b) Berdasarkan scatter diagram, tentukan apakah hubungan X dan Y positif
atau negatif !
c) Jika hubungan X dan Y merupakan regresi linear sederhana dengan
persamaan Yt = a + bXt + et , dengan menggunakan metode kuadrat
terkecil, coba Anda hitung koefisien regresi a dan b dengan cara manual !
Berikan makna masing-masing koefisien regresi tersebut ! Dan cari
standard error masing-masing !
d) Coba jawab pertanyaan no c dengan menggunakan SPSS
e) Jika diketahui X = 55 , berapa ramalan Y ?
f) Hitung r2 dan r dengan cara manual, berikan juga interpretasinya !
g) Jika sekarang modelnya kita ubah menjadi model log-log yaitu lnY = a +
lnX + e , menurut Anda lebih bagus mana ? Jelaskan alasannya dan
buktikan !
2. Data negara Indonesia selama 13 tahun diketahui sebagai berikut :

Tahun X Y
1996 7.82 4628.2
1997 4.7 3473.4
1998 -13.13 4865.7
1999 1.76 8229.9
2000 3.92 9877.4
2001 3.83 3509.4
2002 4.38 3082.6
2003 4.72 5445.3
2004 5.03 4572.7
2005 5.69 8911
2006 5.50 5991.7
2007 6.28 10341.4
2008 6.06 14871.4
Sumber : BPS, diolah

Dimana :
Y = Realisasi investasi asing langsung, FDI (dalam juta US $)
X = Pertumbuhan ekonomi Indonesia (persen)

a) Gambarkan scatter diagram atau scattergram berdasarkan data di atas !

b) Berdasarkan scatter diagram, tentukan apakah hubungan X dan Y positif
atau negatif !
c) Jika hubungan X dan Y merupakan regresi linear sederhana dengan
persamaan Yt = a + bXt + et , dengan menggunakan metode kuadrat
terkecil, coba Anda hitung koefisien regresi a dan b dengan cara manual !
Berikan makna masing-masing koefisien regresi tersebut ! Dan cari
standard error masing-masing !
d) Coba jawab pertanyaan no c dengan menggunakan SPSS
e) Jika diketahui X = 7 , berapa ramalan Y ?
f) Hitung r2 dan r dengan cara manual, berikan juga interpretasinya !
g) Jika sekarang modelnya kita ubah menjadi model log-log yaitu lnY = a +
lnX + e , menurut Anda lebih bagus mana ? Jelaskan alasannya dan
buktikan !
 TOPIK 3

REGRESI LINEAR BERGANDA

TUJUAN

Menjelaskan dapat mengoperasikan model analisis regresi berganda

KOMPETENSI

Setelah mempelajari bab ini, Anda akan dapat:

 Memahami model regresi linear berganda
 Memahami dan mampu menghitung koefisien regresi berganda
 Memahami makna dari hasil regresi beserta uji koefisiennya baik parsial
maupun keseluruhan
 Mengoperasikan program EViews untuk regresi linear berganda

URAIAN MATERI

Model Regresi Linear Berganda

Regresi linear berganda merupakan analisis regresi linear yang variabel

bebasnya lebih dari satu buah. Sebenarnya sama dengan analisis regresi linear
sederhana, hanya variabel bebasnya lebih dari satu buah saja.
Persamaan umumnya adalah :

Y = β 0 + β1 X 1 + β 2 X 2 i +u
i

Dengan Y adalah variabel independen sedangkan X 1 dan X2 adalah

variabel bebas, β0 adalah konstanta (intersept), β1 dan β2 adalah koefisien regresi
pada masing-masing variabel bebas dan ei adalah residual. Subkrip i menunjukan
observasi ke i untuk data cross section dan jika kita gunakan data time series
biasanya kita beri subkrip t yang menunjukan waktu.

Selain sama asumsi pada regresi sederhana, kita perlu menambah asumsi
lagi didalamnya. Adapun asumsinya adalah sebagai berikut :
1. Hubungan antara Y (Varibel dependen) dan X (variabel independen) adalah
linear dalam parameter.
2. Nilai X nilainya tetap untuk observasi yang berulang-ulang (non-stocastic).
Karena variabel independennya lebih dari satu maka ditambah asumsi tidak
ada hubungan linear antara variabel independen atau tidak ada
multikolinearitas antara X1 dan X2 dalam persamaan (3.1).
3. Nilai harapan (expected value) atau rata-rata dari variabel gangguan ei adalah
nol.

E(e|Xi) = 0
4. Varian dari variabel gangguan atau residual ei adalah sama
(homoskedastisitas).
Var(ei|Xi) = E[ei – E(ei|Xi)]2
= E(ei2|Xi) karena asumsi 3
= σ2
5. Tidak ada serial korelasi gangguan atau residual ei atau residual ei tidak saling
berhubungan dengan residual ei lain.

Cov(ei,ej|Xi,Xj) = E[(ei – E(ei)|Xi)] [(ej – E(ej)|Xj)]

= E(ei|Xi) (ej|Xj)
=0
6. Variabel gangguan ei berdistribusi normal.

Estimasi Koefisien Regresi Berganda

Dengan metode kuadrat terkecil biasa (Ordinary Least Square = OLS) kita
akan memperkirakan koefisien regresi parsial.
Perhatikan persamaan berikut:

Y = b1.23 + b12.3 X2 + b13.2 X3 + ei

Diperoleh persamaan normal sbb:

2
b1.23 X3i+b12.3 X 3i X2i+b13.2 X3i= X3iY i
∑ ∑ ∑∑
(3.8)

(3.9)

(3.10)

Dimana n = jumlah observasi

EVALUASI

1. Diketahui data sbb:

Y X1 X2 y x1 x2 x1.y x2.y x1.x2 y2 x12 x22

2 2 4 ....... ....... ....... ....... ....... ....... ....... ....... .......
1 2 4 ....... ....... ....... ....... ....... ....... ....... ....... .......
1 1 4 ....... ....... ....... ....... ....... ....... ....... ....... .......
1 1 3 ....... ....... ....... ....... ....... ....... ....... ....... .......
5 3 6 ....... ....... ....... ....... ....... ....... ....... ....... .......
4 4 6 ....... ....... ....... ....... ....... ....... ....... ....... .......
7 5 3 ....... ....... ....... ....... ....... ....... ....... ....... .......
6 5 4 ....... ....... ....... ....... ....... ....... ....... ....... .......
7 7 3 ....... ....... ....... ....... ....... ....... ....... ....... .......
8 6 3 ....... ....... ....... ....... ....... ....... ....... ....... .......
3 4 5 ....... ....... ....... ....... ....... ....... ....... ....... .......
3 3 5 ....... ....... ....... ....... ....... ....... ....... ....... .......
6 6 9 ....... ....... ....... ....... ....... ....... ....... ....... .......
6 6 8 ....... ....... ....... ....... ....... ....... ....... ....... .......
10 8 6 ....... ....... ....... ....... ....... ....... ....... ....... .......
9 9 7 ....... ....... ....... ....... ....... ....... ....... ....... .......
6 10 5 ....... ....... ....... ....... ....... ....... ....... ....... .......
6 9 5 ....... ....... ....... ....... ....... ....... ....... ....... .......
9 4 7 ....... ....... ....... ....... ....... ....... ....... ....... .......
10 4 7 ....... ....... ....... ....... ....... ....... ....... ....... .......
∑.... ∑.... ∑.... ∑.... ∑.... ∑.... ∑.... ∑.... ∑.... ∑.... ∑.... ∑....

Dimana :
Y = Produktivitas kerja (dalam satu satuan produktivitas)
X1 = Sistem insentif /gaji (dalam satu satuan insentif)
X2 = Motivasi kerja (dalam satu satuan motivasi kerja)

Tentukan:
a) Carilah persamaan regresinya X1, X2 terhadap Y :
Y = b0 + b1X1 + b2X2 + e
Dengan menggunakan cara manual:
Lengkapi tabel kosong di atas jika diketahui:
xi = Xi - X̄
yi = Yi - Ȳ
 diperoleh persamaan normalnya sbb:
∑x1y = b1∑x12 + b2∑x1.x2

∑x2y = b1∑x2.x1 + b2 ∑x22

Kemudian dari persamaan normal tersebut, cari b1 dan b2 dengan cara

eliminiasi substitusi.
Setelah didapat maka untuk diperoleh persamaan regresi bergandanya dengan
cara memasukkan hasil tersebut ke persamaan sbb:
Y^ −Ȳ =b1 ( X 1 − X̄ 1 ) + b2 ( X 2 − X̄ 2 )
b) Uji persamaan regresinya, baik uji parsial (uji-t) maupun uji keseluruhan (uji-
F) lewat ANAVAR.
c) Hitung :
 Koefisien korelasi antara X1 dan Y (rYX1)
 Koefisien korelasi antara X2 dan Y (rYX2)
 Koefisien korelasi antara X2 dan X3 (rX2X3)
 Koefisien korelasi parsial antara X1 dan Y, jika X2 konstan (rYX1. X2)
 Koefisien korelasi parsial antara X2 dan Y, jika X3 konstan (rYX2. X3)
 Koefisien korelasi parsial antara X1 dan X2, jika Y konstan (rX1X2. Y)
 r2 YX1. X2 dan interpretasikan!
 r2 YX2. X3 dan interpretasikan!
d) Bagaimana hasilnya jika menggunakan EVIEWS dalam analisis regresi
tersebut (copy hasilnya atau lampirkan)

2. Data time series selama 15 tahun meliputi tiga variabel, yaitu X 2 = tenaga
kerja (ribuan orang), X3 = modal (dalam satuan mata uang), dan Y = output
nasional (dalam satuan mata uang).

X2 X3 Y
281,5 120.753 8.911,4
284,4 122.242 10.873,2
289 125.263 11.132,5
375,8 128.539 12.086,5
375,2 131.427 12.767,5
402,5 134.267 16.347,1
478 139.038 19.542,7
553,4 146.450 21.075,9
616,7 153.714 23.052
695,7 164.783 26.128,2
790,3 176.864 29.563,7
816 188.146 33.376,6
848,4 205.841 38.354,3
873,1 221.748 46.868,3
 999,2 239.715 54.308

a) Dengan menggunakan Eviews, coba Saudara cari hasil regresi dari

penerapan dua model berikut untuk data di atas!
 Yi = B0 + B12.3 X2i + B13.2 X3i + εi (populasi)
Yi = b0 + b12.3 X2i + b13.2 X3i + ei (sampel) ....... MODEL 1
 lnYi = A0 + A12.3 lnX2i + A13.2 lnX3i + εi (populasi)
lnYi = a0 + a12.3 lnX2i + a13.2 lnX3i + ei (sampel) ...MODEL 2

b) Dengan menggunakan model 1, apakah secara individu b12.3 dan b13.2

signifikan secara statistik dengan α=0,05 ?

c) Dengan menggunakan model 1, uji hipotesis (α = 0,05) berikut:

H0 : B12.3 = 1 H0 : B13.2 = 1
Ha : B12.3 ≠ 1 Ha : B13.2 ≠ 1

d) Dengan menggunakan model 1, uji hipotesis (α = 0,05) berikut:

H0 : A12.3 = 1 H0 : A13.2 = 1
Ha : A12.3 ≠ 1 Ha : A13.2 ≠ 1

e) Masih menggunakan model 1, dengan analisis varian (ANAVAR), uji

bahwa B12.3 = B13.2 = 0 , dengan alternatif salah satu koefisien ≠ 0.
(α = 0,05 dan α = 0,01)

f) Menggunakan model 2, dengan analisis varian (ANAVAR), uji bahwa A 12.3

= A13.2 = 0 dengan alternatif salah satu koefisien ≠ 0.
(α = 0,05 dan α = 0,01)

g) Bagaimana cara menghitung elastisitas tenaga kerja dan modal terhadap

output, baik untuk model (1) dan (2) ?
2
h) Hitung R2 dan R̄ untuk model (1) dan (2) ! Berdasarkan perhitungan
tersebut, model mana yang lebih baik untuk meramalkan ?
 TOPIK 4

REGRESI DENGAN VARIABEL INDEPENDEN KUALITATIF

TUJUAN

Memahami dan mampu mengoperasikan regresi dengan variabel independen

kualitatif (dummy variabel)

KOMPETENSI

Setelah mempelajari bab ini, mahasiswa akan dapat:

 Memahami karakteristik dari variabel dummy
 Memahami regresi dengan satu variabel kualitatif baik pada cross section dan
time series
 Memahami regresi dengan satu variabel kualitatif dua kategori
 Memahami regresi dengan dua atau lebih variabel kualitatif
 Memahami regresi linear dengan dua segmen dan perbandingan dua regresi
pendekatan dummy variable
 Memahami penggunaan variabel dummy dalam analisis musiman

URAIAN MATERI

Karakteristik dari Variabel Boneka (Dummy Variable)

Variabel dalam persamaan regresi yang sifatnya kualitatif bisanya
menunjukkan ada tidaknya suatu “quality” atau “atribute’, misalnya laki atau
perempuan, sarjana atau bukan, dan seterusnya.
Salah satu metode untuk mengkuantitatifkan atribut yang bersifat kualitatif
tersebut adalah dengan cara membentuk variabel yang sifatnya artificial (dummy)
ke dalam model persamaan regresi dengan mengambil nilai 1 (satu) atau 0 (nol).
Ketentuan pemberikan angka 1 atau 0 bisa kita pahami bahwa :
 Beri angka 1 untuk menunjukkan adanya atribut.
 Beri angka 0 untuk menunjukkan tidak adanya atribut.
Contoh, seseorang diberi angka 1 jika sarjana dan 0 jika bukan sarjana,
nilai 1 jika laki-laki dan 0 jika perempuan, nilai 1 jika periode krisis ekonomi dan
0 jika tidak krisis ekonomi, nilai 1 untuk sesudah pemberlakuan UU dan 0 untuk
sebelum pemberlakuan UU, dan lain sebagainya.

Regresi dengan Dua atau Lebih Variabel Kualitatif

 Teknik persamaan regresi dengan menggunakan variabel dummy dapat
diperluas seandainya kita ingin memasukkan lebih dari satu variabel kualitatif.
Misalnya bahwa gaji karyawan selain ditentukan oleh masa kerja juga oleh jenis
kelamin (laki-laki / perempuan), akan tetapi selain jenis kelamin sebagai variabel
dummy-nya juga memasukkan variabel jenjang pendidikan, yaitu S1 atau bukan,
yang mempengaruhi gaji.
Maka, model persamaan regresinya adalah :

Yi = β0 + β1 D1i + β2 D2i + β3 Xi + ei

Dimana: Yi = gaji karyawan tahunan

Xi = masa kerja karyawan (tahun)
D1i = 1 jika laki-laki
= 0, jika lainnya (perempuan)
D2i = 1, jika S1
= 0, jika lainnya

Kita perhatikan bahwa masing-masing dari dua variabel kualitatif, yaitu

jenis kelamin dan tingkat pendidikan, mempunyai dua kategori atau kelas.
Sehingga hanya memerlukan dua variabel dummy saja, yaitu D1 dan D2. Dalam
hal ini, kategori dasarnya (the base category) adalah karyawan bukan S1.

EVALUASI

1. Apa yang dimaksud dengan variabel dummy? Dan apa gunanya?

2. Jika kita mempunyai data bulanan beberapa tahun, berapa variabel dummy
yang harus kita masukkan dalam model regresi untuk menguji hipotesis
berikut?
a) Semua bulan (12 bulan) dalam setiap tahunnya menunjukkan pola
musiman.
b) Jika hanya bulan Maret, Juni, Agustus, dan November yang menunjukkan
pola musiman.
3. Jika diperoleh suatu model persamaan regresi berikut ini terkait dengan
pengaruh beberapa variabel kualitatitf terhadap penentuan sewa kamar kosan
mahasiswa di Bandung adalah:

Y = 3,13 + 4,69 D1 – 2,55 D2 + 16,22 X1 + 0,48 X2

(1,44) (2,04) (1,13) (3,51) (0,25)

R2 = 0,89 (angka dalam kurung adalah standard error)

Dimana :
Y = sewa kamar kosan (satuan mata uang)
D1 = letak rumah kosan
 = 1, dekat kampus
= 0, jauh dari kampus
D2 = tempat mandi di dalam kamar
= 1, jika ada tempat mandi di dalam kamar
= 0, tidak ada tempat mandi di dalam kamar
X1 = biaya renovasi (satuan mata uang)
X2 = pajak bumi bangunan (PBB) (satuan mata uang)

a) Coba Anda jelaskan maksud arti dari setiap koefisien dari regresi di atas!
b) Masuk akalkah menurut Anda jika variabel X2 dimasukkan dalam model
tersebut?

4. Diketahui data pendapatan triwulanan selama 5 tahun (dalam ribu rupiah) dari
pemasukan tiket masuk Kebun Binatang di Kota Bandung, diketahui juga data
belum bebas dari pengaruh musiman, adalah sebagai berikut:

TRIWULANAN
Tahun
I II III IV
1 22123 19445 28456 24278
2 20467 19759 28679 23668
3 24666 17388 29043 23677
4 23821 17123 30274 24116
5 24111 16899 32723 23994

Dengan mengikuti model sebagai berikut:

Yt = a0 + a1 D1 + a2 D2 + a3 D3 + et

Dimana :
Y = pendapatan
D1 = 1, untuk triwulan II
= 0, lainnya
D2 = 1, untuk triwulan III
= 0, lainnya
D3 = 1, untuk triwulan IV
= 0, lainnya

a) Buatlah regresi dari data di atas !

b) Bagaimana menginterpretasikan koefisien arah dari masing-masing
variabel dummy ?
c) Bagaimana menggunakan perkiraan koefisien arah untuk membebaskan data
dari pengaruh musiman ?
 TOPIK 5

MULTIKOLINEARITAS

TUJUAN

Menjelaskan dan memahami pelanggaran asumsi klasik : multikolinearitas

KOMPETENSI

Setelah mempelajari bab ini, Anda akan dapat:

 Memahami sifat dan konsekuensi dari multikolinearitas
 Memahami cara mendeteksi multikolinearitas
 Memahami cara penyembuhan multikolinearitas

URAIAN MATERI

Sifat Multikolinearitas
Istilah kolinearitas ganda (multicollinearity) diciptakan oleh Ragner Frish
di dalam bukunya: Statistical confluence analysis by means of Complete
Regression System. Aslinya, istilah multikolinearitas itu berarti adanya hubungan
linear yang sempurna atau eksak (perfect or exact) di antara variabel-variabel
bebas dalam model regresi. Istilah kolinearitas ganda (multicollinearity)
menunjukkan adanya lebih dari satu hubungan linear yang sempurna.

Konsekuensi dari Multikolinearitas

Konsekuensi sebuah model yang mengandung multikolinearitas adalah

variannya akan terus naik atau membesar. Dengan varian yang semakin naik atau
membesar maka standar error β1 dan β2 juga naik atau membesar. Oleh karena
itu, dampak adanya multikolinearitas di dalam model regresi jika kita
menggunakan teknik estimasi dengan metode kuadrat terkecil (OLS) adalah:
1. Meskipun penaksir OLS mungkin bisa diperoleh dan masih dikatakan BLUE,
tapi kesalahan standarnya cenderung semakin besar dengan meningkatnya
tingkat korelasi antara peningkatan variabel sehingga sulit mendapatkan
penaksir yang tepat.
2. Karena besarnya kesalahan standar, selang atau interval keyakinan untuk
parameter populasi yang relevan cenderung lebih besar dan nilai hitung uji
statistik t akan kecil sehingga membuat variabel independen secara statistik
tidak signifikan mempengaruhi variabel independen.
3. Atas dasar no.2, dalam kasus multikolinearitas yang tinggi, data sampel
mungkin sesuai dengan sekelompok hipotesis yang berbeda-beda, jadi
probabilitas untuk menerima hipotesis yang salah (yaitu kesalahan tipe II)
meningkat.
4. Selama multikolinearitas tidak sempurna, penaksiran koefisien regresi adalah
mungkin tetapi taksiran dan kesalahan standarnya menjadi sangat sensitif
terhadap sedikit perubahan dalam data.
5. Jika multikolinearitas tinggi, seseorang mungkin memperoleh R2 yang tinggi
tetapi tidak satupun atau sangat sedikit koefisien yang ditaksir yang penting
secara statistik, jadi mutikolinearitas yang tinggi membuat tidak mungkin
mengisolasi pengaruh individual dari variabel yang menjelaskan.

Cara Mendeteksi Multikolinearitas

Ada beberapa cara mendeteksi ada tidaknya multikolinearitas, yaitu
melalui:
 Nilai R2 Tinggi Tetapi Hanya Sedikit Variabel Independen yang Signifikan
 Korelasi Parsial Antarvariabel Independen
 Regresi Auxiliary
 Tolerance (TOL) dan Variance Inflation Factor (VIF)

Cara Penyembuhan Multikolinearitas

 Tanpa Ada Perbaikan
 Ketika dihadapkan dengan multikolinearitas yang parah, satu cara yang
“paling sederhana” untuk dilakukan adalah mengeluarkan satu dari variabel
yang berkoliner. Tetapi dalam mengeluarkan suatu variabel dari model, kita
mungkin melakukan bias spesifikasi, atau kesalahan spesifikasi.
 Kombinasi dari cross-sectional dan time series) dikenal sebagai
penggabungan (pooling the data) merupakan salah satu perbaikan ketika ada
masalah multikolinearitas.

EVALUASI

1. Jelaskan apa yang dimaksud dengan kondisi multikolinearitas?

2. Jika model kita terkena multikolinearitas, apa memang pengaruhnya ?
3. Apa yang dimaksud dengan “hight” but not “perfect” multicollinearity?
Masalah apa yang akan terjadi?
4. Apa yang dimaksud dengan BLUE? Masih BLUE –kah jika model kita
terkena multikolinearitas?
5. Jika model kita terkena multikolinearitas, boleh tidak model tersebut kita
lanjutkan saja tanpa perbaikan? Mengapa? Jelaskan!
6. Bagaimana kita dapat mengetahui suatu model terkena multikolinearitas?
7. Jika model kita kena multikolinearitas dan ingin menyembuhkannya,
bagaimana cara penyembuhannya?
8. Diketahui data-data ekonomi Indonesia periode 1980-2008 sbb:

TAHUN FDI GDP OPEN INF

1980 5.85 13.26 48.36 15.97
1981 5.94 13.34 45.75 7.09
1982 6.13 13.36 43.40 9.69
1983 6.25 13.37 50.58 11.46
1984 5.82 13.44 42.88 8.76
1985 6.39 13.46 33.63 4.31
1986 6.19 13.52 40.79 8.83
1987 6.58 13.57 39.00 8.9
1988 6.36 13.62 39.50 5.47
1989 6.53 13.70 41.28 5.97
1990 6.56 13.76 45.87 9.53
1991 6.97 13.83 48.18 9.52
1992 7.57 13.89 48.59 4.94
1993 8.64 13.96 45.52 9.77
1994 8.24 14.03 41.46 9.24
1995 8.81 14.11 43.69 8.64
1996 8.44 14.18 41.50 6.47
1997 8.15 14.23 70.47 11.05
1998 8.49 14.09 63.97 77.63
1999 9.02 14.11 46.92 2.01
2000 9.20 14.14 72.55 9.35
2001 8.16 14.18 61.85 12.55
2002 8.03 14.23 43.37 10.03
2003 8.60 14.27 39.35 5.06
2004 8.43 14.32 47.79 6.4
2005 9.10 14.38 50.80 17.11
2006 8.70 14.43 43.72 6.6
2007 9.24 14.49 44.90 6.59
2008 9.61 14.55 50.13 11.06

Dimana :

FDI = Investasi asing langsung (nilai realisasi investasi asing langsung

dalam bentuk ln)
GDP = Pertumbuhan ekonomi (di-proxy dengan ln PDB riil)
OPEN = Rasio ekspor dan impor terhadap PDB (keterbukaan ekonomi)
INF = Inflasi (%)
a) Coba Anda regresikan FDI terhadap GDP, OPEN, dan INF dengan periode
mulai tahun 1980 sampai 1996. Jelaskan makna dari koefisien masing-
masing variabel tersebut!
b) Uji deteksi multikolinearitas dari hasil regresi a) tersebut melalui Nilai R 2 ,
Korelasi Parsial Antarvariabel Independen, Regresi Auxiliary, dan
Tolerance (TOL) serta Variance Inflation Factor (VIF). Apakah terjadi
multikolinearitas atau tidak?
c) Kemudian coba Anda regresikan kembali FDI terhadap GDP, OPEN, dan
INF dengan periode mulai tahun 1980 sampai 2008. Lalu uji deteksi
multikolinearitas dari hasil regresi tersebut melalui Nilai R 2 , Korelasi
Parsial Antarvariabel Independen, Regresi Auxiliary, dan Tolerance (TOL)
serta Variance Inflation Factor (VIF). Apakah terjadi multikolinearitas atau
tidak?
d) Menurut Anda mana hasil yang lebih baik, hasil regresi model a) atau hasil
regresi model c) ? Jelaskan alasannya!
e) Jika model tersebut kena multikolinearitas, bagaimana cara
penyembuhannya? Jelaskan !
 TOPIK 6

HETEROSKEDASTISITAS

TUJUAN

Menjelaskan dan memahami pelanggaran asumsi klasik : heteroskedastisitas

KOMPETENSI

Setelah mempelajari bab ini, mahasiswa akan dapat:

 Memahami sifat dan konsekuensi dari heteroskedastisitas
 Memahami cara mendeteksi heteroskedastisitas
 Memahami beberapa cara mendeteksi heteroskedastisitas dengan metode
formal melalui metode Park, metode Glejser, metode korelasi Spearman,
metode Goldfeld-Quandt, metode Breusch-Pagan-Godfrey, dan metode White.
 Memahami cara penyembuhan heteroskedastisitas

URAIAN MATERI

Sifat dan Konsekuensi dari Heteroskedastisitas

Satu asumsi yang penting dalam model regresi linear klasik ialah bahwa
kesalahan pengganggu
ε i mempunyai varian yang sama, artinya Var ( ε i ) =
2
Ε( ε i ) =σ 2
untuk semua i, i = 1, 2, ..... n. Asumsi ini disebut
HOMOSKEDASTIK (homoscedastic).

Ada beberapa alasan mengapa varians ui mungkin variabel (tidak

konstan), yaitu :
a. Sejalan proses belajar (the errorlearning models) manusia, kesalahan (error)
perilaku makin mengecil seiring berjalannya waktu. Dalam kasus ini, σ i2 akan
mengecil.
b. Dengan income meningkat, maka orang akan lebih mempunyai kebebasan dan
akan lebih banyak pilihan untuk menggunakan income-nya itu. Sehingga σi2
akan meningkat sejalan dengan peningkatan pendapatannya.
c. Perbaikan teknik pengumpulan data akan menurunkan σi2
d. Kesalahan spesifikasi model, ini disebabkan:
 Kesalahan spesifikasi model yang dikarenakan menghilangkan variabel
penting dalam model.
  Dalam fungsi permintaan jika tidak dimasukkan harga komoditi
complementary (komplementer) maka σi2 tidak konstan.
 Kesalahan tranformasi data (misal, Rasio / first difference).
 Kesalahan bentuk fungsi (misal, linear atau log-linear model)
^
Jika terkena heteroskedastisitas maka dengan demikian estimator β i
tidak lagi mempunyai varian yang minimum apabila kita menggunakan motode
^
OLS. Oleh karena itu, estimator β i yang kita dapatkan akan mempunyai
karakteristik sebagai berikut :
1. Estimator metode kuadrat terkecil masih linear (linear).
2. Estimator metode kuadrat terkecil masih tidak bias (unbiased).
3. Tetapi, estimator metode kuadrat terkecil tidak mempunyai varian yang
minimum lagi (no longer best).

Jadi kesimpulannya, dengan adanya heteroskedastisitas maka estimator

OLS tidak menghasilkan estimator yang Best Liniar Unbiased Estimator
(BLUE) hanya mungkin baru sampai Linear Unbiased Estimator (LUE).
Apa konsekuensinya jika estimator tidak mempunyai varian yang
minimum ? Maka jika kita tetap menggunakan metode OLS maka konsekuensinya
adalah :
1. Jika varian tidak minimum maka menyebabkan perhitungan standard error
metode OLS menjadi tidak bisa dipercaya kebenarannya.
2. Akibat dari no 1 di atas, maka interval estimasi maupun uji hipotesis yang
didasarkan pada distribusi t maupun uji F tidak bisa lagi dipercaya untuk
evaluasi hasil regresi.

Cara Mendeteksi Heteroskedastisitas

1) Metode Informal (Grafik)

Metode dengan cara grafik ini merupakan cara yang paling cepat dan mudah.
Ketentuannya dari metode grafik ini adalah :
“Jika residual mempunyai varian yang sama (homoskedastisitas) maka
kita tidak mempunyai pola yang pasti dari residual. Sebaliknya, jika residual
mempunyai sifat heteroskedastisitas jika residual ini menunjukkan pola tertentu.”

2) Metode Park
3) Metode Glejser,
4) Metode korelasi Spearman,
5) Metode Goldfeld-Quandt, metode Breusch-Pagan-Godfrey, dan
6) Metode White

Cara Penyembuhan Heteroskedastisitas

Ketika model kita diketahui mengandung masalah heteroskedastisitas
maka harus disembuhkan karena walaupun estimator masih linear dan tidak bias,
tapi tidak lagi efisien karena tidak mempunyai varian minimum.
 Untuk menghilangkan heteroskedastisitas ini ada beberapa alternatif yang
dapat dilakukan. Tapi juga, alternatif ini sangat tergantung pada ketersediaan
informasi tentang varian dan residual.
 Jika varian dan residual diketahui, maka heteroskedastisitas dapat diatasi
dengan metode Weighted Least Square (WLS) atau Kuadrat Terkecil
Tertimbang.
 Jika varian tidak diketahui, maka heteroskedastisitas dapat diatasi dengan
metode White dan atau metode transformasi.

EVALUASI

1. Menurut Anda apa yang dimaksud dengan model dalam kondisi kena
heteroskedastisitas ?
2. Jika model kita terkena heteroskedastisitas, apa memang pengaruhnya ?
3. Apakah masih dalam kondisi BLUE jika model kita terkena
heteroskedastisitas ?
4. Jika model kita terkena heteroskedastisitas, boleh tidak model tersebut kita
lanjutkan saja tanpa perbaikan? Mengapa? Jelaskan!
5. Bagaimana kita dapat mengetahui suatu model terkena heteroskedastisitas?
6. Jika model kita kena heteroskedastisitas dan ingin menyembuhkannya,
bagaimana cara penyembuhannya?
7. Diketahui data-data ekonomi Indonesia periode 1980-2008 sbb:

TAHUN FDI GDP OPEN INF

1980 5.85 13.26 48.36 15.97
1981 5.94 13.34 45.75 7.09
1982 6.13 13.36 43.40 9.69
1983 6.25 13.37 50.58 11.46
1984 5.82 13.44 42.88 8.76
1985 6.39 13.46 33.63 4.31
1986 6.19 13.52 40.79 8.83
1987 6.58 13.57 39.00 8.9
1988 6.36 13.62 39.50 5.47
1989 6.53 13.70 41.28 5.97
1990 6.56 13.76 45.87 9.53
1991 6.97 13.83 48.18 9.52
1992 7.57 13.89 48.59 4.94
1993 8.64 13.96 45.52 9.77
1994 8.24 14.03 41.46 9.24
1995 8.81 14.11 43.69 8.64
1996 8.44 14.18 41.50 6.47
1997 8.15 14.23 70.47 11.05
1998 8.49 14.09 63.97 77.63
 1999 9.02 14.11 46.92 2.01
2000 9.20 14.14 72.55 9.35
2001 8.16 14.18 61.85 12.55
2002 8.03 14.23 43.37 10.03
2003 8.60 14.27 39.35 5.06
2004 8.43 14.32 47.79 6.4
2005 9.10 14.38 50.80 17.11
2006 8.70 14.43 43.72 6.6
2007 9.24 14.49 44.90 6.59
2008 9.61 14.55 50.13 11.06

Dimana :

FDI = Investasi asing langsung (nilai realisasi investasi asing langsung

dalam bentuk ln)
GDP = Pertumbuhan ekonomi (di-proxy dengan ln PDB riil)
OPEN = Rasio ekspor dan impor terhadap PDB (keterbukaan ekonomi)
INF = Inflasi (%)

a) Uji deteksi heteroskedastisitas dari hasil regresi FDI terhadap GDP, OPEN,
dan INF dari data tabel tersebut melalui :
o Metode Informal (Grafik),
o Metode Park,
o Metode Glejser,
o Metode Korelasi Spearman,
o Metode Goldfeld-Quandt,
o Metode Breusch-Pagan-Godfrey, dan
o Metode White.

b) Jika model tersebut terkena heteroskedastisitas, bagaimana cara

penyembuhannya? Jelaskan !
 TOPIK 7

AUTOKORELASI

TUJUAN

Menjelaskan dan memahami pelanggaran asumsi klasik : autokorelasi.

KOMPETENSI

Setelah mempelajari bab ini, Anda akan dapat:

 Memahami sifat dan konsekuensi dari autokorelasi.
 Memahami cara mendeteksi autokorelasi seperti Metode Durbin-Watson dan
Metode Breusch-Godfrey
 Memahami cara penyembuhan autokorelasi baik ketika struktur autokorelasi
diketahui maupun tidak diketahui.

URAIAN MATERI

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 variabel
gangguan dengan variabel gangguan yang lain.
Jadi, autokorelasi (autocorrelation) adalah hubungan antara residual satu
observasi dengan residual dengan observasi lainnya. Autokorelasi lebih mudah
timbul pada data yang bersifat runtut waktu (time series), karena berdasarkan
sifatnya data masa sekarang dipengaruhi oleh data pada masa-masa sebelumnya.
Meskipun demikian, tetap dimungkinkan autokorelasi terdapat pada data yang
bersifat antar objek (cross section).

Pengaruh autokorelasi
Apabila data yang kita analisis mengandung autokorelasi, maka estimator
yang kita dapatkan memiliki karakteristik berikut ini :
a. Estimator metode kuadrat terkecil masih linear
b. Estimator metode kuadrat terkecil masih tidak bias
c. Estimator metode kuadrat terkecil tidak mempunyai varian yang minimum (no
longer best)
 Dengan demikian, seperti halnya pengaruh heteroskedastisitas,
autokerelasi juga akan menyebabkan estimator hanya bersifat LUE, tidak lagi
BLUE.

Cara Mendeteksi Autokorelasi

Cara untuk memeriksa ada tidaknya autokorelasi adalah dengan :

 Uji Durbin Watson (D-W)
Uji D-W merupakan salah satu uji yang banyak dipakai untuk mengetahui ada
tidaknya autokorelasi
 Uji Breusch-Godfrey (uji BG)
Nama lain uji BG ini adalah uji lagrange-multiplier (uji LM) atau (pengganda
lagrange)

Cara Penyembuhan Autokorelasi

Oleh karena diketahui adanya korelasi serial mengakibatkan pemerkira

OLS yang bias tak efisien, maka perlu untuk mencari jalan keluarnya. Cara
penyembuhannya sangat tergantung kepada pengetahuan apa yang kita miliki
tentang ketergantungan di antara kesalahan pengganggu tersebut. Kita akan
bedakan dua situasi. Situasi pertama kalau struktur autokorelasi diketahui dan
situasi kedua kalau struktur tidak diketahui.
Apabila data kita mengandung autokorelasi, data harus segera diperbaiki
agar model tetap dapat digunakan. Untuk menghilangkan masalah autokorelasi,
harus diketahui terlebih dahulu besarnya koefisien autokorelasi, ρ.
Untuk menghitung nilai ρ, dapat digunakan Uji g atau bisa dikenal dengan
Uji Berenblutt-Webb. Uji ini menggunakan persamaan :
n
∑ v 2t n

g= 2
∑ vt 2
2
∑ e tt n
1
∑ e tt
t

variabel et menggambarkan residual persamaan regesi model awal, sedang v t

merupakan residual dari persamaan regresi yang sudah didiferensi satu kali. Kita
susun lagi H0:ρ = 1 (bukan H0:ρ = 0). Kemudian bandingkan nilai hitung g
dengan nilai kritis d. jika g lebih kecil daripada d L, Ho tidak dapat diterima, atau
dengan kata lain ada korelasi positif di antara residual.
Kemudian setelah ρ diketahui, baru kita dapat menghilangkan
autokorelasi.
Beberapa alternatif menghilangkan masalah autokorelasi adalah sebagai
berikut :
a. Bila struktur Autokorelasi (ρ) diketahui.
b. Bila struktur Autokorelasi (ρ) tidak diketahui.
 Bila ρ tinggi : Metode Diferensi Tingkat Pertama.
 Estimasi ρ didasarkan pada statisitk d Durbin Watson.
 Estimasi ρ dengan metode dua langkah Durbin
 Bila ρ tidak diketahui : Metode Cochrane-Orcutt.

EVALUASI

1. Jika suatu model terkena autokorelasi, apa implikasinya ?

2. Jika suatu model terkena autokorelasi, apakah model tersebut masih BLUE?
3. Jika suatu model terkena autokorelasi, apakah model tersebut dapat digunakan
tanpa perbaikan? Mengapa? Jelaskan!
4. Bagaimana cara mendeteksi adanya autokorelasi?
5. Bagaimana cara penyembuhan autokorelasi ?
6. Diketahui data-data ekonomi Indonesia periode 1980-2008 sbb:

TAHUN FDI GDP OPEN INF

1980 5.85 13.26 48.36 15.97
1981 5.94 13.34 45.75 7.09
1982 6.13 13.36 43.40 9.69
1983 6.25 13.37 50.58 11.46
1984 5.82 13.44 42.88 8.76
1985 6.39 13.46 33.63 4.31
1986 6.19 13.52 40.79 8.83
1987 6.58 13.57 39.00 8.9
1988 6.36 13.62 39.50 5.47
1989 6.53 13.70 41.28 5.97
1990 6.56 13.76 45.87 9.53
1991 6.97 13.83 48.18 9.52
1992 7.57 13.89 48.59 4.94
1993 8.64 13.96 45.52 9.77
1994 8.24 14.03 41.46 9.24
1995 8.81 14.11 43.69 8.64
1996 8.44 14.18 41.50 6.47
1997 8.15 14.23 70.47 11.05
1998 8.49 14.09 63.97 77.63
1999 9.02 14.11 46.92 2.01
2000 9.20 14.14 72.55 9.35
2001 8.16 14.18 61.85 12.55
2002 8.03 14.23 43.37 10.03
2003 8.60 14.27 39.35 5.06
2004 8.43 14.32 47.79 6.4
2005 9.10 14.38 50.80 17.11
 2006 8.70 14.43 43.72 6.6
2007 9.24 14.49 44.90 6.59
2008 9.61 14.55 50.13 11.06

Dimana :

FDI = Investasi asing langsung (nilai realisasi investasi asing langsung

dalam bentuk ln)
GDP = Pertumbuhan ekonomi (di-proxy dengan ln PDB riil)
OPEN = Rasio ekspor dan impor terhadap PDB (keterbukaan ekonomi)
INF = Inflasi (%)

a) Uji deteksi autokorelasi dari hasil regresi FDI terhadap GDP, OPEN, dan
INF dari data tabel tersebut melalui :
o Metode Durbin-Watson
o Metode Breusch-Godfrey

b) Jika model tersebut terkena autokorelasi, bagaimana cara penyembuhannya?

Jelaskan !
 TOPIK 8

ANALISIS REGRESI DATA PANEL

TUJUAN

Memahami dan menganalisis regresi data panel

KOMPETENSI

Setelah mempelajari bab ini, mahasiswa akan dapat:

 Memahami konsep regresi data panel
 Memahami estimasi regresi data panel dengan pendekatan fixed effect
 Memahami estimasi regresi data panel dengan pendekatan random effect
 Memahami pemilihan teknik estimasi regresi data panel

URAIAN MATERI

Konsep Data Panel

Data panel (panel/pooled data) adalah gabungan antara data silang (cross
section) dengan data runtut waktu (time series). Data panel diperkenalkan oleh
Howles pada tahun 1950.
 Data time series biasanya meliputi satu objek (misalnya tingkat inflasi, laba,
investasi, pertumbuhan ekonomi, dll), tetapi meliputi beberapa periode (bisa
harian, bulanan, kuartalan, tahunan dan sebagainya).
 Data cross section terdiri atas beberapa atau banyak objek, sering disebut
responden, (misalnya perusahaan, propinsi, kabupaten, negara, dll) dengan
beberapa jenis data (misalnya laba, biaya iklan, laba ditahan, tingkat investasi,
pertumbuhan ekonomi, dll).
 Panel data (pooled data), dimana apabila kita ingin menganalisis semua data
di atas, maka kita dapat menggabungkannya menjadi satu kelompok
observasi, itulah yang kemudian kita sebut data panel.
Regresi data Panel

Regresi dengan menggunakan data panel disebut model regresi data panel.
Ada beberapa keuntungan yang diperoleh dengan menggunakan data panel.
 Data panel yang merupakan gabungan data time series dan cross section
mampu menyediakan data yang lebih banyak sehingga akan menghasilkan
degree of freedom yang lebih besar.
 Menggabungkan informasi dari data time series dan cross section dapat
mengatasi masalah yang timbul ketika ada masalah penghilangan variabel atau
(omitted – variable).

Model regresi dengan data panel, secara umum mengakibatkan kesulitan

dalam menentukan spesifikasi modelnya. Residualnya akan mempunyai dua
kemungkinan yaitu residual time series, cross section maupun keduanya. Ada
beberapa metode yang bisa digunakan untuk mengestimasi model regresi dengan
data panel. Akan bahas secara detail yaitu pendekatan Fixed Effect dan
pendekatan Random Effect.
 Teknik yang paling sederhana untuk mengestimasi data panel adalah dengan
mengkombinasikan data time series dan cross section dengan menggunakan
metode OLS (estimasi common effect). Dalam pendekatan ini tidak
memperhatikan dimensi individu maupun waktu. Diasumsikan data perilaku
antar individu sama dengan kurun waktu.
 Model yang dapat menunjukkan perbedaan konstanta antar objek, meskipun
dengan koefisien regresor yang sama. Model ini yang kemudian kita kenal
dengan regresi Fixed effect (efek tetap).
 Di dalam mengestimasikan data panel dengan fixed effects melalui teknik
variabel dummy menunjukan ketidakpastian model yang kita gunakan dan
itulah kelemahannya. Untuk mengatasi masalah ini kita bisa menggunakan
variabel residual yang dikenal sebagai metode Random Effects. Di dalam
model ini kita akan memilih estimasi data panel dimana residual mungkin
saling berhubungan antar waktu dan antar individu.

Pemilihan Teknik Estimasi Regresi Panel Data

Dalam pembahasan teknik estimasi model regresi data panel sebelumnya,

ada 3 teknik yang bisa kita digunakan yaitu :
 Model dengan metode OLS (common),
 Model Fixed effect, dan
 Model Random Effect.
Pada bagian ini akan di bahas 3 uji yang digunakan untuk menentukan
teknik yang paling tepat untuk mengestimasi regresi data panel apakah metode
OLS, Fixed Effect atau Random Effect.
Pertama kita akan lakukan uji - F ini digunakan untuk memilih antara
metode OLS tanpa variabel dummy atau fixed Effect. Kedua, uji Langrange
Multiplier (LM) digunakan untuk memilih antara OLS tanpa variabel dummy
atau Random Effect. Dan yang ketiga, untuk memilih antara Fixed Effect atau
Random Effect ini kita gunakan uji yang di kemukakan oleh Hausman yaitu
Hausman Test.

EVALUASI

1. Jelaskan kegunaan menggunakan data panel dalam penelitian !

2. Jelaskan perbedaan estimasi data panel dengan pendekatan Fixed Effect dan
Random Effect !
3. Program Eviews juga menyediakan data panel untuk latihan dengan nama
Poolg7.wf1. Lihat di computer Anda pada folder C:\Program
Files\EViews5\Examples\Data. Sehingga terlihat seperti pada gambar berikut
ini.

Dari data tersebut diketahui data GDP dari 7 negara yang meliputi periode
1950 sampai 1992.
Dengan menggunakan GDP salah satu negara sebagai variabel dependen dan
data negara lain sebagai variabel independen. Misalnya yang dianalisis :
 GDP jpn = a0 + a1 GDP us + a2 GDP can
 GDP uk = a0 + a1 GDP fra + a2 GDP ger + a3 GDP ita
Berdasarkan data dan model tersebut, coba Anda jalankan analisis regresi
dengan menggunakan metode Fixed Effect.

4. Berdasarkan data dan model tersebut juga, kembali Anda coba jalankan
analisis regresi sekarang dengan menggunakan metode Random Effect.
 TOPIK 9

MODEL PERSAMAAN SIMULTAN

TUJUAN

Memahami model persamaan simultan

KOMPETENSI

Setelah mempelajari bab ini, mahasiswa akan dapat:

 Memahami sifat dasar model persamaan simultan
 Memahami beberapa contoh model persamaan simultan
 Memahami masalah identifikasi dalam model persamaan simultan
 Memahami metode ILS (Indirect Least Squares) dan TSLS (Two Stage Least
Square) dalam estimasi persamaan simultan
 Mampu mengoperasi program EViews untuk menganalisis model persamaan
simultan terutama metode TSLS.

URAIAN MATERI

Sifat Dasar Model Persamaan Simultan

Sampai sejauh ini kita baru membahas model regresi dengan apa yang
disebut dengan persamaan tunggal, dengan pengaruh yang hanya satu arah saja,
yaitu dimana menggambarkan pengaruh satu atau lebih variabel bebas
(independen) terhadap satu variabel tidak bebas (dependen). Variabel bebas
beraksi, kemudian timbul reaksi dari variabel tidak bebasnya.
Kemudian, dalam kenyataannya peristiwa dalam ekonomi itu saling
mempengaruhi. Sehingga ada kemungkinan X mempengaruhi Y, dan sebaliknya
Y mempengaruhi X. Inilah yang kemudian kita sebut hubungan dua arah atau
simultan. Maka berikutnya, penyebutan X sebagai variabel bebas (independent or
explanatory variables) dan Y sebagai variabel tidak bebas (dependent variables)
tidak tepat lagi, sebab yang tidak bebas juga bisa berperan sebagai variabel bebas
atau sebaliknya.
 Sehingga nama variabel dalam persamaan simultan dibedakan menjadi
dua, yaitu variabel endogen (endogeneous variables) dan variabel eksogen
(exogeneous variables).

Masalah Identifikasi
Identifikasi masalah berarti menentukan apakah nilai estimasi parameter
persamaan struktural dapat diperoleh dari estimasi persamaan reduksi. Masalah
identifikasi muncul karena kumpulan koefisien struktural yang berbeda mungkin
cocok dengan sekumpulan data yang sama.

Sebuah sistem persamaan dikatakan :

1. Exactly identified jika nilai parameter yang unik dapat diperoleh, artinya
hanya ada satu nilai untuk setiap koefisien parameter struktural.
2. Over identified jika nilai parameter persamaan struktural yang diperoleh lebih
dari satu.
3. Under identified jika nilai parameter persamaan struktural tidak dapat
diperoleh.
4. Identified jika mungkin untuk mendapatkan nilai parameter dari estimasi
persamaan reduksi.

Aturan untuk Melakukan Identifikasi

Ketentuannya adalah :
a. Jika K - k = m - 1 maka persamaan tersebut dikatakan exactly (just) identified
(teridenfikasi tepat)
b. Jika K - k > m - 1 maka persaman tersebut over identified (terlalu
teridentifikasi)
c. Jika K - k < m - 1 maka persamaan tersebut under identified (tidak
teridentifikasi)

Dimana:
M = jumlah variabel endogen di dalam model simultan
m = jumlah variabel endogen di dalam persamaan tertentu
K = jumlah variabel predetermine (eksogen) di dalam model simultan
k = jumlah variabel predetermine (eksogen) di dalam persamaan tertentu.

Sebagai kesimpulan terakhir bahwa yang hanya bisa diolah adalah apabila model
tersebut berupa over identified dan atau exactly (just) identified. Dimana ketika
over identified kita bisa menggunakan metode Two Stage Least Squares (TSLS)
dan ketika exactly identified kita bisa menggunakan metode Indirect Least
Squares (ILS).

Estimasi Persamaan Simultan

 Pendekatan yang digunakan untuk mengestimasi persamaan struktural
pada persamaan simultan yaitu model persaman tunggal (limited information
method) dan metode sistem seluruh (full information method).
Dalam metode persamaan tunggal, estimasi terhadap setiap persamaan
struktural dilakukan secara individu dengan memperhitungkan setiap pembatasan
yang ditempatkan, tanpa memperhatikan pembatasan atas persamaan lainnya.
Sebaliknya, dengan metode sistem seluruh persamaan struktural diestimasi secara
bersamaan dengan memasukkan unsur pembatasan pada persamaan tersebut.
Penyelesain sebuah persamaan simultan dengan masalah identifikasi yang
berbeda dapat menggunakan beberapa metode, yaitu :
 Metode Indirect Least Squares (ILS)
 Metode Two Stage Least Squares (TSLS)
EVALUASI

1. Jelaskan apa yang dimaksud dengan :

a) Sistem persamaan simultan
b) Persamaan struktural (structural equations)
c) Bentuk persamaan sederhana (reduced form equations)
d) Persamaan simultan yang bias
2. Perhatikan model berikut :

Demand : Qt = a0 + a1Pt + a2Yt + e1t , a1 < 0 , a2 > 0

Supply : Qt = b0 + b1Pt + e2t , b1 > 0

Dimana :
Q = Kuantitas
P = harga
Y = pendapatan

a) Coba Anda jelaskan mengapa dua persamaan tersebut merupakan model

persamaan simultan ?
b) Sebutkan mana yang termasuk variabel endogen dan eksogennya ?
c) Jelaskan pula mengapa perkiraan parameter untuk dua persamaan di atas
bias dan tidak konsisten ?
3. Misal ada tiga persamaan sebagai berikut:

Y1t = a0 + a1Xt + e1t

Y2t = b0 + b1Y1t + b2Xt + e2t

Y3t = c0 + c1Y2t + c2Xt + e3t

a) Menurut Anda apakah itu merupakan model persamaan simultan ?

b) Bisakah OLS kita pergunakan sebagai memperkirakan setiap persamaan
simultan? Mengapa? Jelaskan !
4. Coba Anda jelaskan dengan hal-hal sbb:
 a) Apa yang dimaksud dengan “identification”?
b) Jika bagaimana suatu persamaan dalam model persamaan disebut
identifikasi tepat (exactly edentified), Over identified, dan Under identified
?
c) Apa yang dimaksud dengan “order condition” dan “rank condition’ !
d) Jika kita melihat model yang ada di soal no. 2, menurut Anda apakah
termasuk exactly edentified, Over identified, dan Under identified ?

5. Buatlah model yang berbentuk model persamaan simultan, kemudian cari

datanya, dan analisis regresinya!