Lampiran 1

Hasil Analisis Regresi

Regresi Model Lengkap

Uji Klein

R21=1−TOLM 1=1−0,1664=0,8336
R22=1−TOLR =1−0,6365=0,3635
R23=1−TOLP =1−0,1734=0,8266

Uji Normalitas Residual (Jarque Bera)

Descriptive Statistics
Unstandardized
Residual Valid N (listwise)
N Statistic 40 40
Minimum Statistic -14220.61204
Maximum Statistic 18573.04920
Mean Statistic .0000000
Std. Deviation Statistic 7885.22717068
Skewness Statistic .13829
Std. Error .37378
Kurtosis Statistic -.39346
Std. Error .73260

2
0,138292 (−0,39346 )
JB ( 2 )=N ( 6
+
24
=0,3855 )
Prob. JB(2) =0,8247
Uji Otokorelasi (Breusch Godfrey)

p= √3 N =√3 40=3 atau 4

Model Summary

Adjusted R Std. Error of the

Model R R Square Square Estimate

1 .817a .66811 .602 5117.44164452

a. Predictors: (Constant), ut_3, P, ut_1, R, M1, ut_2

χ 2= ( N − p ) R 2=( 40−3 ) ∙ 0,66811=37 ∙ 0,66811=24,72007

 Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) -9720.413 13057.890 -.744 .462

M1 -.121 .449 -.068 -.269 .790

R 261.483 370.126 .106 .706 .485

P 88.948 152.285 .157 .584 .564

ut_1 .924 .181 .923 5.101 .000

ut_2 -.100 .256 -.100 -.393 .697

ut_3 -.070 .190 -.071 -.371 .713

a. Dependent Variable: ut

Prob. χ 2 ( 3 )=0,00002
Uji Spesifikasi Model (Ramsey Reset)

R2old =0,9552

Model Summary

Adjusted R Std. Error of the

Model R R Square Square Estimate
a
1 .982 .9636 .958 7.614,566

a. Predictors: (Constant), GDPHAT3, R, P, M1, GDPHAT2

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 61258.399 61295.294 .999 .324
M1 16.196 5.256 2.042 3.081 .004
R 1024.249 635.066 .087 1.613 .116
P -570.340 321.912 -.251 -1.772 .085
GDPHAT3 -1.742E-12 .000 -.792 -1.472 .150
a. Dependent Variable: GDP

Excluded Variablesa
 Collinearity
Partial Statistics
Model Beta In t Sig. Correlation Tolerance
1 GDPHAT2 83.085b 2.321 .026 .370 8.359E-7
a. Dependent Variable: GDP
b. Predictors in the Model: (Constant), GDPHAT3, R, P, M1

R2new =0,9636

( R¿¿ new 2−R2old )/P (0,9636−0,9552)/2 0,0084 /2

F= = = =3,9231 ¿
(1−R 2new ) /( N−k) (1−0,9636)/( 40−6) 0,0364 /34

Prob F(2,34) =,0293

Uji Heteroskedastisitas (white)

Model Summary
Adjusted R Std. Error of the
Model R R Square Square Estimate
a
1 .737 .54320 .401 58984729.25260
a. Predictors: (Constant), RP, P, M12, R2, M1R, R, P2, M1, M1P

Coefficientsa
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 814658067.053 1112757898.919 .732 .470
M1 -102276.377 99600.558 -6.383 -1.027 .313
R -72578519.121 82517181.731 -3.052 -.880 .386
P 20672548.864 28263218.705 4.492 .731 .470
M12 .115 1.299 .435 .088 .930
R2 1236724.268 1199755.440 1.399 1.031 .311
P2 5945.011 117272.774 .280 .051 .960
M1R 6788.341 2950.210 5.993 2.301 .029
RP -1448597.139 862086.341 -5.293 -1.680 .103
a. Dependent Variable: u2

χ 2 (9)=N ∙ R2aux =40 ∙ 0,54145=21,658

Prob . χ 2 (9)=0,01003
 Variables Entered/Removeda
Variables Variables
Model Entered Removed Method
1 P, R, M1b . Enter
a. Dependent Variable: GDP
b. All requested variables entered.

Model Summaryb
Adjusted R Std. Error of the
Model R R Square Square Estimate Durbin-Watson
1 .9773a .9552 .9515 8207.2046 .3885
a. Predictors: (Constant), P, R, M1
b. Dependent Variable: GDP

ANOVAa

Model Sum of Squares df Mean Square F Sig.

1 Regression 51687610729.18 17229203576.39

3 255.7848 .0000b
0 3

Residual 2424895493.795 36 67358208.161

Total 54112506222.97
39
5

a. Dependent Variable: GDP

b. Predictors: (Constant), P, R, M1

Coefficientsa

Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 148673.5029 15357.7308 9.6807 1.4677E-11

M1 8.5248 .6858 1.0750 12.4299 1.3768E-14

R 471.2638 520.1784 .0401 .9060 .3710

P -187.4795 192.6194 -.0825 -.9733 .3369

a. Dependent Variable: GDP

 Residuals Statisticsa

Minimum Maximum Mean Std. Deviation N

Predicted Value 328.332,22 456.131,69 379.303,78 36.404,991 40

Residual -14.220,612 18.573,049 ,000 7.885,227 40
Std. Predicted Value -1.400 2.110 .000 1.000 40
Std. Residual -1.733 2.263 .000 .961 40

a. Dependent Variable: GDP

 Tabel 4.1
Hasil Estimasi Model Ekonometrik

^t =148.673,2029+8,5248 M 1t + 471,2638 R t−187,4795 Pt

GDP
(0,0000)¿ (0,3170) (0,3369)
R2 =0,9552 ; DW-Stat. =0,3885 ; F-Stat. =255,7848 ; Prob. F-Stat. =0,0000
Uji Diagnosis
(1) Multikolinieritas (Klein)
M1=0,8336;R=0,3635;P=0,8266
{atau Multikolinieritas (VIF)
M1=6,0084;R=1,5712;P=5,7681}
(2) Normalitas Residual (Jarque Bera)
JB(2) =0,3855 ; Prob. JB(2) = 0,8247
(3) Otokorelasi (Breusch Godfrey)
2() = ; Prob. 2() =
(4) Heteroskedastisitas (White)
2(9) =21,658 ; Prob. 2 (9)=0,01003
(5) Linieritas (Ramsey Reset)
F(2,34) =3,9231 ; Prob. F(2,34) = 0,0293
Sumber: Lampiran 1;keterangan:signifikan pada a=0,01;**signifikan pada a=0,05**signifikan
pada a = 0,10;
Uji multikolinieritas Klein

Uji multikolinieritas yang dipakai adalah uji Klein. Uji Klein dilakukan dengan cara
membandingkan R2 dari model terestimasi dengan R2 regresi auxialiary yang didapat dari regresi
masing-masing variabel independen dengan variabel independen lainnya. Multikolinieritas
terjadi apabila R2 regresi auxiliary nilainya ada yang lebih besar dari R2 model lengkap.
Dari Tabel 4.1, terlihat R2 model terestimasi bernilai 0,868, dan R2 regresi auxiliary-nya
berturut-turut adalah sebesar 0,8751 untuk variabel INF; 0,8650 untuk variabel GROWTH; dan
untuk variabel logTAX dan EDUC masing-masing adalah sebesar 0,9688 dan 0,9703. Dari hasil
tersebut, terlihat adanya kolinieritas pada variabel INF, GROWTH, logTAX, dan variabel EDUC.
{Bisa juga disajikan dengan tabel.} Hasil uji Klein terlihat pada Tabel 4.2.

Tabel 4.2
Hasil Uji Klein

Variabel R2i Kriteria Kesimpulan

M1 0,8336 < 0,9552 Tidak Menyebabkan multikolineritas
R 0,3635 < 0,9552 Tidak menyebabkan multikolinieritas
P 0,8266 < 0,9552 Tidak Menyebabkan multikolinieritas

Uji multikolinieritas VIF

 Uji multikolinieritas yang dipakai adalah uji VIF. Pada uji VIF multikolinieritas terjadi
apabila nilai VIF untuk variabel independen ada yang bernilai > 10.
{Bisa juga disajikan dengan tabel.} Hasil uji VIF terlihat pada Tabel 4.2.

Tabel 4.2
Hasil Uji VIF

Variabel VIF Kriteria Kesimpulan

M1 6,0084 < 10 Tidak menyebabkan multikolineritas
R 1,5712 < 10 Tidak menyebabkan multikolinieritas
P 5,7681 < 10 Tidak Menyebabkan multikolinieritas

Uji Normalitas Residual

Normalitas residual akan diuji memakai uji Jarque Bera (JB). H0 uji JB adalah distribusi
residual normal; dan HA-nya distribusi residual tidak normal. H0 diterima jika nilai p (p value),
probabilitas, atau signifikasi empirik statistik JB > α; H0 ditolak jika nilai p (p value),
probabilitas, atau signifikasi empirik statistik JB  α.

Dari Tabel 4.1, terlihat nilai p, probabilitas, atau signifikansi empirik stastistik JB adalah
sebesar 0,8247 (> 0,10); jadi H0 diterima, distribusi residual normal.

Uji Otokorelasi

Otokorelasi akan diuji memakai uji Breusch Godfrey (BG).H0 uji BG adalah tidak ada
masalah otokorelasi dalam model; dan HA-nya ada masalah dalam otokorelasi dalam model. H0
diterima jika nilai p (p value), probabilitas, atau signifikasi empirik statistik BG > α; H0 ditolak
jika nilai p (p value), probabilitas, atau signifikasi empirik statistik BG  α.
Dari Tabel 4.1, terlihat nilai p, probabilitas, atau signifikansi empirik stastistik BG adalah
sebesar 0,0000,2 (> 0,01); jadi H0 ditolak, ada masalah otokorelasi dalam model.

Uji Spesifikasi Model

Spesifikasi (linieritas) model akan diuji memakai uji Ramsey Riset.H 0 uji Ramsey Riset
adalah model linier atau spesifikasi model tepat dan HA-nya model tidak linier atau spesifikasi
model tidak tepat. H0 diterima jika nilai p (p value), probabilitas, atau signifikasi empirik statistik
F > α; H0 ditolak jika nilai p (p value), probabilitas, atau signifikasi empirik statistik F  α.
Dari Tabel 4.1, terlihat nilai p, probabilitas, atau signifikansi empirik stastistik F adalah sebesar 0,0293
(<T[9L'0,05); jadi H0 ditolak, model tidak linier atau spesifikasi model tidak tepat.

Uji Heteroskedastisitas
 Uji White akan dipakai untuk menguji heteroskedastisitas. H0 uji White adalah tidak ada
masalah heteroskedastisitas dalam model; dan HA-nya terdapat masalah heteroskedastisitas
dalam model. H0 diterima apabila nilai p (p value), probabilitas atau signifikansi empirik statistik
2 uji White > α; H0 ditolak apabila nilai p (p value), probabilitas atau signifikansi empirik
statistik 2 uji White  α.
Dari Tabel 4.1, terlihat nilai p, probabilitas, atau signifikansi empirik stastistik 2 uji White
adalah sebesar 0,0100 ( ≤0,01) ; jadi H0 ditolak, kesimpulan terdapat heteroskedastisitas dalam
model.

Uji Kebaikan Model

1. Eksistensi Model

Model eksis apabila seluruh variabel independen secara simultan memiliki pengaruh
terhadap variabel dependen (koefisien regresi tidak secara simultan bernilai nol). Uji eksistensi
model adalah uji F. Dalam penelitian ini, formulasi hipotesis uji eksistensi modelnya adalah
H 0 : β1 =β2 =β3 =0, koefisien regresi secara simultan bernilai nol atau model tidak eksis;
H A : β 1 ≠ 0 ∨ β 2 ≠ 0 ∨ β 3 ≠ 0, koefisien regresi tidak secara simultan bernilai nol atau model eksis.
H0 akan diterima jika nilai p (p value), probabilitas, atau signifikasi empirik statistik F > α.; H0
akan ditolak jika nilai p (p value), probabilitas, atau signifikasi empirik statistik F  α..
Dari Tabel 4.1, terlihat nilai p, probabilitas, atau signifikansi empirik stastistik F pada
estimasi model memiliki nilai 0,0000, yang berarti < 0,01; jadi H0 ditolak, kesimpulan model
yang dipakai dalam penelitian eksis.

2. Interpretasi Koefisien Determinasi (R2)

Koefisien determinasi (R2) menunjukan daya ramal dari model terestimasi. Dari Tabel 4.1
terlihat nilai R2 sebesar 0,9552 artinya 95,52% variasi varaiabel Gross Domestic Product(GDP)
dapat dijelaskan oleh variabel Jumlah uang beredar (M1), Tingkat bunga (R), dan variabel Inflasi
(p). Sisanya 4,48 % dipengaruhi oleh variabel-variabel atau faktor-faktor lain yang tidak
dimasukkan dalam model.

Uji Validitas Pengaruh

Uji validitas pengaruh menguji signifikansi pengaruh dari variabel independen secara
sendiri-sendiri. Uji validitas pengaruh adalah uji t. H0 uji t adalah i = 0, variabel independen ke i
tidak memiliki pengaruh signifikan; dan HA-nya i ≠ 0, variabel independen ke i memiliki
pengaruh signifikan. H0 akan diterima jika nilai p (p value), probabilitas, atau signifikasi empirik
statistik t > α; H0 akan ditolak jika nilai p (p value), probabilitas, atau signifikasi empirik statistik
t  α.
Hasil uji validitas pengaruh untuk semua variabel independen terangkum pada Tabel 4.2.

Tabel 4.2
Hasil Uji Validitas Pengaruh Variabel Independen

Variabe sig. t kriteri kesimpulan

l a
M1 0,0000 ≤ 0,01 M1 Berpengaruh Signifikan ada α = 0,01
R 0,3710 ≤ 0,10 R tidak berpengaruh Signifikan
P 0,3369 ≤ 0,10 P tidak berpengaruh Signifikan