Soal :

No Q (Output) L (Labour) K (Capital)

1 2350 2334 1570
2 2470 2435 1850
3 2110 2230 1150
4 2560 2463 1940
5 2650 2565 2450
6 2240 2278 1340
7 2430 2380 1700
8 2530 2437 1860
9 2550 2446 1880
10 2450 2403 1790
11 2200 2301 1480
12 2160 2253 1240
13 2400 2367 1660
14 2490 2430 1850
15 2590 2470 2000

Pembahasan,
Uji Asumsi Klasik :

1. Multikolinearitas

1.1 Adakah Multikolinearitas dalam estimasi fungsi produksi Q= α +1L + 2K ?

a) Langkah awal mendeteksi multikolinearitas adalah dengan pendekatan perhitungan
regresi parsial dengan tahapan sebagai berikut :
1. Lakukan regresi untuk f. Produksi awal
Q= α +1L + 2K .......................................................................... (1)
2. Kemudian lakukan estimasi regresi untuk variabel bebas :
L = α +1K .................................................................................(2)
Ketentuan :
- Bila nilai R21 > R22 maka pada model tidak ditemukan adanya
multikolinearitas
- Bila nilai R21 < R22 maka pada model ditemukan adanya multikolinearitas

b) Melihat nilai korelasi dari variabel independennya

Dependent Variable: Q
Method: Least Squares
Date: 10/10/13 Time: 10:57
 Sample: 1 15
Included observations: 15

Variable Coefficient Std. Error t-Statistic Prob.  

C -5090.729 1329.930 -3.827818 0.0024

L 3.497972 0.696329 5.023450 0.0003
K -0.491401 0.195076 -2.519020 0.0270

R-squared 0.971059    Mean dependent var 2412.000

Adjusted R-squared 0.966235    S.D. dependent var 166.3988
S.E. of regression 30.57609    Akaike info criterion 9.855170
Sum squared resid 11218.77    Schwarz criterion 9.996780
Log likelihood -70.91378    Hannan-Quinn criter. 9.853662
F-statistic 201.3169    Durbin-Watson stat 1.783168
Prob(F-statistic) 0.000000

Dependent Variable: L
Method: Least Squares
Date: 10/10/13 Time: 17:06
Sample: 1 15
Included observations: 15

Variable Coefficient Std. Error t-Statistic Prob.  

C 1908.908 17.21313 110.8984 0.0000

K 0.277887 0.009855 28.19900 0.0000

R-squared 0.983915    Mean dependent var 2386.133

Adjusted R-squared 0.982677    S.D. dependent var 92.53097
S.E. of regression 12.17856    Akaike info criterion 7.960798
Sum squared resid 1928.127    Schwarz criterion 8.055204
Log likelihood -57.70598    Hannan-Quinn criter. 7.959792
F-statistic 795.1837    Durbin-Watson stat 2.115456
Prob(F-statistic) 0.000000

Correlation
K L
K  1.000000  0.991925
L  0.991925  1.000000

Tabel diatas menunjukkan bahwa :

1. nilai koefisien determinasi ( R² ) sangat tinggi
 2. nilai koefisien korelasi antar variabel bebas juga cukup tinggi atau lebih besar dari
0,8 (r >0,8 )
3. regeresi parsial untuk R21 = 0.971059 < dari R22 = 0.983915, dimana :
- Bila nilai R21 > R22 maka pada model tidak ditemukan adanya
multikolinearitas
- Bila nilai R21 < R22 maka pada model ditemukan adanya multikolinearitas
Sehingga disimpulkan pada model di atas , terdapat multikolinearitas

Kemungkinan karena sampel data dan variabel observasi yang terlalu sedikit maka solusi
masalah multikolinearitas tersebut dapat diatasi dengan:
1. Penambahan data baru atau ukuran observasi.
2. Kombinasikan data cross section dengan data time series.

1.2. Jika fungsi produksi yang digunakan adalah fungsi Cob Douglas Q = a L α K :

maka terlebih dahulu sebelum data dapat diolah dan dianalisis lebih lanjut, harus
ditransformasikan ke dalam bentuk Logaritma Natural (Ln), sehingga persamaannya
menjadi

Ln Q = a + α Ln L +  Ln K

Hasil Olahan eviews menjadi :

Dependent Variable: LOG(Q)

Method: Least Squares
Date: 10/10/13 Time: 18:52
Sample: 1 15
Included observations: 15

Variable Coefficient Std. Error t-Statistic Prob.  

C -6.398772 5.569490 -1.148897 0.2730

LOG(L) 1.837020 0.880006 2.087508 0.0588
LOG(K) -0.013632 0.173173 -0.078719 0.9386

R-squared 0.954590    Mean dependent var 7.785931

Adjusted R-squared 0.947022    S.D. dependent var 0.070386
S.E. of regression 0.016201    Akaike info criterion -5.230677
Sum squared resid 0.003150    Schwarz criterion -5.089067
Log likelihood 42.23008    Hannan-Quinn criter. -5.232186
F-statistic 126.1303    Durbin-Watson stat 1.899589
Prob(F-statistic) 0.000000

Correlation
LOG(L) LOG(K)
LOG(L)  1.000000  0.991964
 LOG(K)  0.991964  1.000000

Nilai koefisien korelasi antar variabel bebas cukup tinggi atau lebih besar dari 0,8
α 
(r >0,8 ). Sehingga disimpulkan pada model fungsi Cob Douglas Q = a L K juga
terdapat masalah multikolinearitas.
Hal ini dikarenakan Fungsi Produksi Cob-Douglas juga mempunyai kelemahan
yaitu adanya spesifikasi variabel yang keliru, hal ini menyebabkan nilai elastisitas produksi
yang diperoleh negatif atau nilainya terlalu besar atau kecil. Spesifikasi ini akan
menimbulkan terjadinya multikolinearitas pada variabel bebas. Multikolinearitas, dalam
fungsi ini sulit dihindarkan meskipun telah diusahakan agar besaran korelasi antara variabel
indipenden tidak terlalu tinggi seperti memperbaiki spesifikasi variabel yang dipakai

2. Autokorelasi

2.1 Adakah masalah Autokorelasi dalam estimasi F.Produksi Q = α +1L+2K ?

Hasil olahan eviews disajakan dalam tabel berikut ini :

Dependent Variable: Q
Method: Least Squares
Date: 10/10/13 Time: 10:57
Sample: 1 15
Included observations: 15

Variable Coefficient Std. Error t-Statistic Prob.  

C -5090.729 1329.930 -3.827818 0.0024

L 3.497972 0.696329 5.023450 0.0003
K -0.491401 0.195076 -2.519020 0.0270

R-squared 0.971059    Mean dependent var 2412.000

Adjusted R-squared 0.966235    S.D. dependent var 166.3988
S.E. of regression 30.57609    Akaike info criterion 9.855170
Sum squared resid 11218.77    Schwarz criterion 9.996780
Log likelihood -70.91378    Hannan-Quinn criter. 9.853662
F-statistic 201.3169     Durbin-Watson stat 1.783168
Prob(F-statistic) 0.000000

Dimana : n = 15
k = 2
Maka : nilai dU = 1,54
Nilai dL = 0,95
(4-dU) = 2,46
(4-dL) = 3,05
Kesimpulan :
 Auto korelasi positif Auto korelasi negatif
Ragu-ragu Tidak ada Autokorelasi Ragu-ragu

0 dL dU 2 4-dU4-dL 4
0 0,95 1,54 2,46 3,05 4

D-W stat = 1.783168

Dari gambar di atas terlihat nilai Durbin Watson sebesar 1.783168 dimana
dU < DW < 2, sehingga berada pada daerah tidak ada autokorelasi yang menunjukkan
bahwa model ini telah bebas dari masalah autokorelasi
Selain dengan pengujian tabel DW, autokorelasi juga dapat di deteksi dengan uji
LM (Lagrange-Multiplier). Pengujian hipotesis autokorelasi disyaratkan apabila:

1. Ho : tidak ada korelasi serial (serial correlations)

H1 : ada korelasi serial (serial correlations)
2. Jika  p-value Obs*R-square < α, maka Ho ditolak, H1 diterima. Atau sebaliknya
3. Jika p-value Obs*R-square > α, maka Ho diterima, H1 ditolak

Uji LM dengan evies menunjukkan hasil :

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 0.074732    Prob. F(2,10) 0.9285

Obs*R-squared 0.220895    Prob. Chi-Square(2) 0.8954

Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 10/11/13 Time: 08:44
Sample: 1 15
Included observations: 15
Presample missing value lagged residuals set to zero.

Variable Coefficient Std. Error t-Statistic Prob.  

C -114.4190 1493.313 -0.076621 0.9404

L 0.064074 0.782348 0.081900 0.9363
K -0.022477 0.220548 -0.101913 0.9208
RESID(-1) -0.003391 0.356554 -0.009509 0.9926
RESID(-2) -0.139860 0.367365 -0.380711 0.7114

R-squared 0.014726    Mean dependent var -1.60E-13

Adjusted R-squared -0.379383    S.D. dependent var 28.30796
S.E. of regression 33.24689    Akaike info criterion 10.10700
Sum squared resid 11053.56    Schwarz criterion 10.34302
Log likelihood -70.80251    Hannan-Quinn criter. 10.10449
F-statistic 0.037366    Durbin-Watson stat 1.723634
Prob(F-statistic) 0.996873
Oleh karena p-value Obs*R-square = 0,8954 > 0,05 maka Ho diterima dan H 1 ditolak.
Kesimpulannya adalah dengan tingkat α = 5 %, tidak terdapat autokorelasi dalam model.

2.2. Jika fungsi produksi yang digunakan adalah fungsi Cob Douglas Q = a Lα K:

maka terlebih dahulu sebelum data dapat diolah dan dianalisis lebih lanjut, harus
ditransformasikan ke dalam bentuk Logaritma Natural (Ln), sehingga persamaannya
menjadi

Ln Q = a + α Ln L +  Ln K

Hasil Olahan eviews menjadi :

Dependent Variable: LOG(Q)

Method: Least Squares
Date: 10/10/13 Time: 18:52
Sample: 1 15
Included observations: 15

Variable Coefficient Std. Error t-Statistic Prob.  

C -6.398772 5.569490 -1.148897 0.2730

LOG(L) 1.837020 0.880006 2.087508 0.0588
LOG(K) -0.013632 0.173173 -0.078719 0.9386

R-squared 0.954590    Mean dependent var 7.785931

Adjusted R-squared 0.947022    S.D. dependent var 0.070386
S.E. of regression 0.016201    Akaike info criterion -5.230677
Sum squared resid 0.003150    Schwarz criterion -5.089067
Log likelihood 42.23008    Hannan-Quinn criter. -5.232186
F-statistic 126.1303    Durbin-Watson stat 1.899589
Prob(F-statistic) 0.000000

Kesimpulan :
Auto korelasi positif Auto korelasi negatif
Ragu-ragu Tidak ada Autokorelasi Ragu-ragu

0 dL dU 2 4-dU4-dL 4
0 0,95 1,54 2,46 3,05 4

D-W stat = 1.899589

Dari gambar di atas terlihat bahwa nilainya memenuhi syarat dU < DW < 2 yang mana
berada pada daerah tidak ada autokorelasi yang menunjukkan bahwa model ini telah bebas
dari masalah autokorelasi.

Apabila dilakukan pengujian autokorelasi dengan uji LM (Lagrange-Multiplier),

diperoleh hasil olahan eviews sebagai berikut :
 Breusch-Godfrey Serial Correlation LM Test:

F-statistic 0.107227    Prob. F(2,10) 0.8993

Obs*R-squared 0.314926    Prob. Chi-Square(2) 0.8543

Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 10/11/13 Time: 08:49
Sample: 1 15
Included observations: 15
Presample missing value lagged residuals set to zero.

Variable Coefficient Std. Error t-Statistic Prob.  

C -0.781596 6.388429 -0.122346 0.9050

LOG(L) 0.130640 1.018158 0.128310 0.9004
LOG(K) -0.031551 0.208940 -0.151006 0.8830
RESID(-1) 0.052919 0.431449 0.122655 0.9048
RESID(-2) -0.165879 0.358315 -0.462943 0.6533

R-squared 0.020995    Mean dependent var -3.30E-15

Adjusted R-squared -0.370607    S.D. dependent var 0.014999
S.E. of regression 0.017560    Akaike info criterion -4.985229
Sum squared resid 0.003083    Schwarz criterion -4.749212
Log likelihood 42.38922    Hannan-Quinn criter. -4.987743
F-statistic 0.053613    Durbin-Watson stat 1.923921
Prob(F-statistic) 0.993750

Oleh karena p-value Obs*R-square = 0,8543 > 0,05 maka Ho diterima dan H 1 ditolak.
Kesimpulannya adalah dengan tingkat α = 5 %, tidak terdapat autokorelasi dalam model.

3. Heterokedastisitas

Heteroskedasticity Test: White

F-statistic 0.308026    Prob. F(5,9) 0.8961

Obs*R-squared 2.191809    Prob. Chi-Square(5) 0.8220

Scaled explained SS 0.604050    Prob. Chi-Square(5) 0.9878

Prosedur pengujian dilakukan dengan hipotesis sebagai berikut:

 H0 : Tidak ada heterokedastisitas

 H1 : Ada heterekodastisitas

Dengan nilai α =5%, maka tolak H0 terima H1 (terdapat heterokedastisitas) jika :

a. obs*R-square > X2 (Chi square)
b. P-value < α (taraf signifikan),
 Sebaliknya terima H0 dan tolak H1 jika :

a. obs*R-square < X2 (Chi square)

b. P-value > α (taraf signifikan),

Dan dari hasil tabel diatas diperoleh, nilai Probabilitas (P-value) = 0,8220 > α =5%,
Sehingga disimpulkan bahwa data di atas terbebas dari masalah heteroskedastisitas
(modelnya bersifat homokedastisitas)

4. Normalitas
4
Series: Residuals
Sample 1 15
Observations 15
3
Mean -1.60e-13
Median 8.522583
Maxim um 47.96124
2 Minim um -47.74174
Std. Dev. 28.30796
Skewness -0.086196
Kurtosis 1.861231
1
Jarque-Bera 0.829071
Probability 0.660647

0
-50 -40 -30 -20 -10 0 10 20 30 40 50

Syarat dikatakan data berdistribusi normal, :

a. Jika nilai JB  JB < X2 tabel, maka residualnya berdistribusi normal dan
b. Jika nilai Probabilitasnya > dari α (sebesar 5 %), maka data akan terdistribusi
normal.

Dari grafik diatas diketahui bahwa nilai Prob. sebesar 0,66 > daripada nilai sig.α
(sebesar 5 % = 0,05), maka kesimpulan yang ada bahwa model data tersebut
berdistibusi normal