REGRESI BERGANDA
Dalam statistik, regresi linier adalah pendekatan linier untuk memodelkan hubungan
antara respons skalar dengan satu atau lebih variabel penjelas. Kasus satu variabel
penjelas disebut regresi linier sederhana. Untuk lebih dari satu variabel penjelas
disebut regresi linier berganda.
Regresi linier berganda adalah bentuk paling umum dari analisis regresi linier. Sebagai
analisis prediktif, regresi linier berganda digunakan untuk menjelaskan hubungan
antara satu variabel dependen kontinu dan dua atau lebih variabel independen.
Variabel independen dapat kontinu atau kategori (dummy diberi kode yang sesuai).
Asumsi:
1. Residu regresi harus didistribusikan secara normal.
2. Hubungan linear diasumsikan antara variabel dependen dan variabel
independen.
3. Residualnya adalah homoscedastik dan kira-kira berbentuk persegi panjang.
4. Tidak adanya multikolinieritas diasumsikan dalam model, yang berarti bahwa
variabel independen tidak terlalu berkorelasi tinggi.
Manfaat Regresi
Ketiga, analisis regresi linier berganda memprediksi tren dan nilai-nilai masa depan.
Analisis regresi linier berganda dapat digunakan untuk mendapatkan estimasi titik.
Ketika memilih model untuk analisis regresi linier berganda, pertimbangan penting
lainnya adalah model yang sesuai. Menambahkan variabel independen ke model
regresi linier berganda akan selalu meningkatkan jumlah varians yang dijelaskan dalam
variabel dependen (biasanya dinyatakan sebagai R²). Oleh karena itu, menambahkan
terlalu banyak variabel independen tanpa justifikasi teoretis dapat menghasilkan model
yang terlalu sesuai.
Contoh :
Dimana
Pengolahan Data
Memenuhi Uji Spesifikasi Model dan Uji Asumsi
Klasik
Ya
Estimasi Model dan
Pengujian Hipotesis
Gambar 1
Langkah-Langkah Penelitian
Data Makro Negara ABCDEFG
Buka Eviews
Muncul di layar
Isi Date specification dengan
Kemudian data yang telah kita buat di excel, kita pindahkan ke eviews
Klik Next
Klik Next
Klik Finish
Klik OK
Koefisien ada
yang sangat besar
dan ada yang kecil
Kemudian semua data kita log (Logaritma), sehingga persamaannya
LS LOG(GDP) C LOG(GFCF) LOG(TR) LOG(TRADE) LOG(AK) LOG(IVA)
Klik Estimate
Klik OK
Koefisien
menunjukan
angka elastisitas
Uji Normalitas
Nilai Probability > 0.05, maka model tersebut datanya terdistribusi normal
Uji Linearitas
Muncul di layar
Klik OK
Klik OK
Uji Heteroskedastisitas
Uji Multikolinearitas
Uji multikolinearitas digunakan untuk menilai adakah korelasi atau
interkorelasi antar variabel bebas dalam model regresi atau juga biasa
digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik
multikolinearitas yaitu adanya hubungan linear antar variabel independen
dalam model regresi. Pada Pengujian ada tidaknya gejala multikolinearitas
dilakukan dengan melihat nilai VIF (Variance Inflation Factor) dan
Tolerance.
Hipotesis :
Klik OK
Hampir semua variabel memiliki nilai correlation di atas 0,85, berarti model
mengandung multikolinearitas.
Estimation Equation:
=========================
LOG(GDP) = C(1) + C(2)*LOG(GFCF) + C(3)*LOG(TR) +
C(4)*LOG(TRADE) + C(5)*LOG(AK) + C(6)*LOG(IVA)
Substituted Coefficients:
=========================
LOG(GDP) = 4.6489 + 0.3739 LOG(GFCF) + 0.0498 LOG(TR) - 0.0688
LOG(TRADE) + 0.7019 LOG(AK) + 0.1781 LOG(IVA)
BAB 2
Model Penyesuaian Parsial
(Partial Adjustment Model)
Model Lag Terdistribusi atau Infinite Lag Models, dapat ditulis sebagai berikut
Yt 0 X t 1 X t 1 2 X t 2 . 3 X t 3 ... t
............. (1)
Model ini menggambarkan bahwa nilai Yt tergantung atau dipengaruhi
oleh nilai X pada saat t (Xt), nilai X pada satu unit ukuran waktu sebelumnya
X t 1 , dan nilai X pada dua unit ukuran waktu sebelumnya X t 2 dan
seterusnya. Selain itu model ini dipengaruhi oleh faktor-faktor lain yang
diwakili oleh (Lains, 2006).
k 0 k , k = 0,1,2,3,..... dan 0 1
dimana adalah tingkat penurunan dari lag terdistribusi (rate of decay of the
distributed lag).
Adapun asumsi-asumsi dari aturan Koyck (Nachrowi dan Usman, 2005)
yaitu:
Yt 0 1 X t t ………………………… (2)
X t X t1 X t X t1 ………………………. (3)
Yt 0 1 X t* t . …………….…….( 4)
Dengan 0 < < 1, ini adalah koefisien ekspektasi adaptif dan ekspektasi
progresif. Ekspektasi ini berdasarkan waktu sebelumnya dan secara khusus
didapat dari kesalahan masa lalu. Lebih spesifik dapat dikatakan bahwa
ekspektasi ini direvisi setiap periode dengan praksi ( ) antara nilai sekarang
dengan nilai periode berikutnya. Jika ekspektasi direalisasikan secara cepat
dan penuh pada waktu yang sama dengan =1 maka X t* = X t dan
persamaan (34) akan menjadi:
Yt 0 1 ((1 ) X t*1 X t ) t
t (1 ) t 1
Yt ( 0 1 X t t ) (1 )Yt 1
Studi Kepustakaan
(Teori dan Studi Terdahulu)
Pengolahan Data
Memenuhi
Memenuhi
Uji Spesifikasi Model dan Uji Asumsi
Klasik
Ya
Estimasi Model dan
Pengujian Hipotesis
Gambar 1
Langkah-Langkah Penelitian
Berikut ini data ekonomi makro Indonesia sebagai berikut :
End date 2018 lalu tekan Ok dan akan muncul di layar sebagai berikut :
Klik OK
Karena koefisien penyesuaian tidak signifikan (lihat dalam kotak merah),
maka perlu kita lakukan dengan memperkecilkan perbedaan nilai antar
variabel dengan melakukan logaritma di setiap variable (kecuali variable yang
nilainya persen atau decimal).
Klik Estimate
Uji Linearitas
Kemudian muncul
Klik Ok
Tidak linear
Uji linieritas yang digunakan dalam penelitian ini yaitu dengan menggunakan
uji Ramsey Reset. Di mana, jika nilai F-hitung lebih kecilr dari nilai F-
kritisnya pada α tertentu berarti tidak signifikan, maka menolak hipotesis
bahwa model tidak linear.
Uji Normalitas
Uji normalitas ini digunakan untuk mengetahui apakah residual berdistribusi
normal atau tidak. Untuk menguji apakah distribusi data normal atau tidak
dapat dilakukan dengan menggunkan uji Jarque-Berra (uji J-B).
Klik Ok
Klik Yes
Uji Heteroskedastisitas
Heteroskedastisitas merupakan masalah regresi yang faktor gangguan tidak
memiliki varian yang sama atau variannya tidak konstan. Hal ini akan
memunculkan berbagai permasalahan yaitu penaksir OLS yang bias, varian
dari koefisien OLS akan salah. Dalam penelitian ini akan menggunakan
metode dengan uji Glejser untuk mendeteksi ada tidaknya heteroskedastisitas
dalam model regresi.
Pilih ARCH
LOG(GDP(-1)) 0.2181***
C 4.2041 5.3767
Yule (1936) dan Granger dan Newbold (1974) adalah orang pertama yang menarik
perhatian pada masalah korelasi palsu dan menemukan solusi tentang bagaimana
mengatasinya dalam analisis deret waktu. Memberikan dua seri waktu yang sama sekali
tidak terkait tetapi terintegrasi (tidak stasioner), analisis regresi satu sama lain akan
cenderung menghasilkan hubungan yang tampaknya signifikan secara statistik dan
seorang peneliti mungkin mengira telah menemukan bukti hubungan yang benar antara
variabel-variabel tersebut. Kuadrat terkecil biasa tidak lagi konsisten dan statistik uji yang
biasa digunakan tidak valid. Secara khusus, simulasi Monte Carlo menunjukkan bahwa
seseorang akan mendapatkan statistik t-kuadrat R yang sangat tinggi, sangat tinggi dan
statistik Durbin-Watson yang rendah. Secara teknis, Phillips (1986) membuktikan bahwa
estimasi parameter tidak akan konvergen dalam probabilitas, intersep akan menyimpang
dan kemiringan akan memiliki distribusi yang tidak merosot ketika ukuran sampel
meningkat. Namun, mungkin ada kecenderungan stokastik umum untuk kedua seri bahwa
seorang peneliti benar-benar tertarik karena mencerminkan hubungan jangka panjang
antara variabel-variabel ini.
Karena sifat stokastik dari tren, tidak mungkin untuk memecah seri terintegrasi
menjadi tren deterministik (dapat diprediksi) dan seri stasioner yang mengandung
penyimpangan dari tren. Bahkan dalam random walk detrended detrended random korelasi
akhirnya akan muncul. Jadi detrending tidak menyelesaikan masalah estimasi.
Untuk tetap menggunakan pendekatan Box-Jenkins, orang dapat membedakan
seri dan kemudian memperkirakan model seperti ARIMA, mengingat bahwa banyak seri
waktu yang umum digunakan (mis. Dalam ekonomi) tampaknya stasioner dalam
perbedaan pertama. Prakiraan dari model seperti itu masih akan mencerminkan siklus dan
musiman yang ada dalam data. Namun, informasi apa pun tentang penyesuaian jangka
panjang yang mungkin berisi data di tingkat level dan perkiraan jangka panjang akan tidak
dapat diandalkan. Ini mendorong Sargan (1964) untuk mengembangkan metodologi ECM,
yang mempertahankan informasi level
Sebelum melakukan estimasi ECM dan analisis deskriptif, harus dilakukan
beberapa tahapan seperti uji stasioneritas data, dan uji derajat kointegrasi. Setelah data
diestimasi menggunakan ECM. Langkah dalam merumuskan model ECM adalah sebagai
berikut:
GDPt = f(INF, LIR, KURS, AK, GFCF, IVA, TRADE, POP, TR)
GDPt = 0 + 1INFt + 2LIRt + 3KURSt + 5GFCFt + 6IVAt + 7TRADEt + 8AKt
+ 9TRt ....................................................... (1)
Keterangan:
GDPt : Gross Domestic Product per tahun pada periode t
INFt : Inflation, consumer prices (annual %) pada periode t
LIRt : Lending interest rate (%)periode t
Kurst : Nilai Tukar Rupiah terhadap US dollar periode t
GFCFt : Gross Fixed Capital Formation pada periode t
IVAt : Industry, value added (constant LCU)pada periode t
TRADEt : Total Nilai Perdagangan pada periode t
AKt : Angkatan Kerja pada periode t
TRt : Tax Revenue (current LCU) pada periode t
0, 1, 2,.... 9 : Koefisien jangka panjang
Berdasarkan data diatas Ct adalah fungsi biaya kuadrat, GDPt adalah pendapatan
domestic bruto pada periode t, sedangkan Zt merupakan vector variabel yang
mempengaruhi pendapatan domestic bruto dan dianggap dipengaruhi secara linear
oleh inflasi, tingkat suku bunga, kurs, angkatan kerja, total investasi dalam ekonomi
negara tuan rumah, Industry, value added, nila total perdagangan, total populasi, dan
pendapatan dari pajak. b1 dan b2 merupakan vector baris yang memberikan bobot
kepada Zt - Zt-1.
Komponen pertama fungsi biaya tunggal di atas merupakan biaya ketidakseimbangan
dan komponen kedua merupakan komponen biaya penyesuaian. Sedangkan B
adalah operasi kelambanan waktu. Zt adalah faktor variabel yang mempengaruhi
permintaan uang kartal.
Keterangan:
ECT : Error Correction Term
Tahapan Penurunan Model ECM
Uji Akar Unit (unit root test)
a. Konsep yang dipakai untuk menguji stasioner suatu data runtut waktu adalah uji
akar unit. Apabila suatu data runtut waktu bersifat tidak stasioner, maka dapat
dikatakan bahwa data tersebu tengah menghadapi persoalan akar unit (unit root
problem).
b. Keberadaan unit root problem bisa terlihat dengan cara membandingkan nilai t-
statistics hasil regresi dengan nilai test Augmented Dickey Fuller. Model
persamaannya adalah sebagai berikut:
c. ΔGDPt = a1 + a2 T + ΔGDPt-1 + i ∑mi=1GDPt-1 + et ………............... (9)
d. Dimana ΔGDPt-1 = (ΔGDPt-1 - ΔGDPt-2) dan seterusnya, m = panjangnya time-lag
berdasarkan i = 1,2....m. Hipotesis nol masih tetap δ = 0 atau ρ = 1. Nilai t-
statistics ADF sama dengan nilai t-statistik DF.
a. Apabila pada uji akar unit di atas data runtut waktu yang diamati belum stasioner,
maka langkah berikutnya adalah melakukan uji derajat integrasi untuk mengetahui
pada derajat integrasi ke berapa data akan stasioner. Uji derajat integrasi
dilaksanakan dengan model:
b. ΔGDPt = a1 + δΔGDPt-1 + i ∑mi=1GDPt-1 + et ....................... (10)
c. ΔGDPt = β 1 + β 2 T + δΔGDPt-1 + i ∑ i=1GDPt-1 + et
m …………......... (11)
d. Nilai t-statistik hasil regresi persamaan (10) dan (11) dibandingkan dengan nilai t-
statistik pada tabel DF. Apabila nilai δ pada kedua persamaan sama dengan satu
maka variabel ΔUKRt dikatakan stasioner pada derajat satu, atau disimbolkan
ΔGDPt ~I(1).
Uji Kointegrasi
Uji Kointegrasi yang paling sering dipakai uji engle-Granger (EG), uji augmented
Engle-Granger (AEG) dan uji cointegrating regression Durbin-Watson (CRDW). Untuk
mendapatkan nilai EG, AEG dan CRDW hitung, data yang akan digunakan harus
sudah berintegrasi pada derajat yang sama. Pengujian OLS terhadap suatu
persamaan di bawah ini :
LogGDPt = b0 + b1INFt + b2LIRt + b3 LogKURSt + b5LogGFCFt + b6LogIVAt + B7
LogTRADEt + b8 LogAKt + b9 Log0TRt .................................. (12)
Dari persamaan (12), simpan residual (error terms)-nya. Langkah berikutnya adalah
menaksir model persamaan autoregressive dari residual tadi berdasarkan persamaan-
persamaan berikut:
Apabila lolos dari uji kointegrasi, selanjutnya akan diuji dengan menggungkan model
linier dinamis ntuk mengetahui kemungkinan terjadinya peruabahn struktural, sebab
hubungan keseimbangan jangka panjang antara variabel bebas dan variabel terikat
dari hasil uji kointegrasi tidak akan berlaku setiap saat. Secara singkat, proses
bekerjanya ECM pada persamaan permintaan uang kartal (5) yang telah dimodifikasi
menjadi:
Studi Kepustakaan
(Teori dan Studi Terdahulu)
Pengolahan Data
Memenuhi Uji Akar Unit, Uji Kointegrasi, Regresi Jangka
Pendek dan Uji Asumsi Klasik
Ya
Estimasi Model dan
Pengujian Hipotesis
Gambar 1
Langkah-Langkah Penelitian
Data GDP, inf, lir, kurs, GFCF, IVA, TRADE, AK dan TR
Tahun GDP (M) Kurs GFCF (M) LIR INF TR (M) Trade (M) AK (J) IVA (M)
1986 2,047,293 1,283 525,768 21.49 5.83 14,993 819,473 69 798,545
1987 2,155,799 1,644 554,681 21.67 9.28 18,827 998,819 71 848,963
1988 2,292,815 1,686 618,518 22.1 8.04 21,435 1,083,460 73 907,302
1989 2,501,111 1,770 710,782 21.7 6.42 26,678 1,227,592 75 1,053,730
1990 2,726,250 1,843 825,058 20.83 7.81 37,432 1,441,964 76 1,161,956
1991 2,969,644 1,950 931,494 25.53 9.42 39,098 1,628,540 77 1,277,017
1992 3,184,067 2,030 964,891 24.03 7.53 44,500 1,828,528 79 1,503,687
1993 3,415,042 2,087 1,028,570 20.59 9.69 47,344 1,725,393 82 1,482,120
1994 3,672,538 2,161 1,170,057 17.76 8.52 60,958 1,905,206 84 1,647,643
1995 3,980,898 2,249 1,333,805 18.85 9.43 68,017 2,148,036 88 1,819,329
1996 4,285,149 2,342 1,527,399 19.22 7.97 75,810 2,239,622 90 2,013,806
1997 4,486,546 2,909 1,658,266 21.82 6.23 100,506 2,512,192 90 2,117,949
1998 3,897,609 10,014 1,110,903 32.15 58.39 143,627 3,748,962 92 1,822,466
1999 3,928,444 7,855 908,769 27.66 20.49 179,430 2,472,717 97 1,858,334
2000 4,121,726 8,422 1,060,872 18.46 3.72 99,644 2,944,432 99 1,967,792
2001 4,271,900 10,261 1,129,749 18.55 11.5 190,614 2,981,496 100 2,021,590
2002 4,464,113 9,311 1,182,784 18.95 11.88 215,468 2,637,374 102 2,107,765
2003 4,677,514 8,577 1,189,885 16.94 6.59 249,404 2,507,919 103 2,186,913
2004 4,912,834 8,939 1,364,599 14.12 6.24 283,093 2,935,973 105 2,273,101
2005 5,192,501 9,705 1,513,165 14.05 10.45 312,488 3,322,574 107 2,380,027
2006 5,478,137 9,159 1,552,460 15.98 13.11 343,625 3,103,755 109 2,486,855
2007 5,825,727 9,141 1,697,210 13.86 6.41 374,763 3,194,202 111 2,604,235
2008 6,176,068 9,699 1,898,942 13.6 9.78 658,701 3,616,792 113 2,701,585
2009 6,461,951 10,390 1,961,482 14.5 4.81 619,922 2,940,971 115 2,798,526
2010 6,864,133 9,090 2,127,841 13.25 5.13 723,307 3,205,638 116 2,936,192
2011 7,287,635 8,770 2,316,359 12.4 5.36 873,874 3,656,936 119 3,122,633
2012 7,727,083 9,387 2,527,729 11.8 4.28 980,518 3,831,312 120 3,288,298
2013 8,156,498 10,461 2,654,375 11.66 6.41 1,077,310 3,967,106 122 3,431,081
2014 8,566,271 11,865 2,775,734 12.61 6.39 1,145,283 4,116,716 124 3,577,695
2015 8,976,932 13,389 2,916,602 12.66 6.36 1,164,555 3,764,720 127 3,672,596
Tampilan data dalam Excell
Buka Eviews
Stasioneritas merupakan salah satu prasyarat penting dalam model ekonometrika untuk data runtut waktu
(time series). Data stasioner adalah data yang menunjukkan mean, varians dan autovarians (pada variasi
lag) tetap sama pada waktu kapan saja data itu dibentuk atau dipakai, artinya dengan data yang stasioner
model time series dapat dikatakan lebih stabil. Apabila data yang digunakan dalam model ada yang tidak
stasioner, maka data tersebut dipertimbangkan kembali validitas dan kestabilannya, karena hasil regresi
yang berasal dari data yang tidak stasioner akan menyebabkan spurious regression. Spurious regression
adalah regresi yang memiliki R2 yang tinggi, namun tidak ada hubungan yang berarti dari keduanya.
Salah satu konsep formal yang dipakai untuk mengetahui stasioneritas data adalah melalui uji
akar unit (unit root test). Uji ini merupakan pengujian yang populer, dikembangkan oleh David Dickey dan
Wayne Fuller dengan sebutan Augmented Dickey-Fuller (ADF) Test.
Kita peroleh hasil uji akar unit untuk variabel GDP pada data level
Dari hasil Augmented Dickey-Fuller untuk variabel GDP pada data level tidak stasioner karena nilai
Augmented Dickey-Fuller t-Statistik masih bertanda positip, sehingga dilanjutkan dengan uji pada first
difference (turunan pertamanya).
Graph untuk data tidak stasioner dapat kita lihat dengan klik view Graph OK
Lakukan uji akar unit untuk variabel inf, lir, kurs, GFCF, IVA, TRADE, AK dan TR
Stasioner Stasioner
Seluruh variabel sudah stasioner pada data first difference.
Uji Kointegrasi
Dua seri waktu non-stasioner terkointegrasi jika cenderung bergerak bersama sepanjang waktu. Sebagai
contoh, tingkat suku bunga Fed Fund dan suku bunga obligasi 3 tahun adalah non-stasioner, sedangkan
perbedaannya stasioner. Dalam terminologi buram yang digunakan dalam literatur deret waktu, setiap
deret dikatakan “terintegrasi orde 1” atau I (1). Jika dua seri non-stasioner bergerak bersama melalui waktu
maka kita mengatakan mereka “terkointegrasi.” Teori ekonomi akan menyarankan bahwa mereka harus
diikat bersama melalui arbitrase, tetapi itu bukan jaminan, dengan melakukan uji statistik formal. Prosedur
tes sangat sederhana. Regres satu variabel I(1) pada variabel lain menggunakan kuadrat terkecil.
Kemudian uji residu (ECT) untuk nonstasioneritas menggunakan uji Dickey-Fuller (augmented). Jika seri
terkointegrasi, statistik uji Dickey-Fuller akan signifikan secara statistik. Hipotesis nolnya adalah bahwa
residualnya nonstasioner. Penolakan ini mengarah pada kesimpulan bahwa residu adalah diam dan seri
terkointegrasi
GDPt = f(INF, LIR, KURS, AK, GFCF, IVA, TRADE, POP, TR)
GDPt = 0 + 1INFt + 2LIRt + 3KURSt + 5GFCFt + 6IVAt + 7TRADEt + 8AKt + 9TRt
Blok variabel sesuai urutan GDP, INF, LIR, KURS, GFCF, IVA, TRADE, AK dan TR klik kanan Open
as Group
Akan muncul dalam layar sebagai berikut :
2. Simpan Resid
Kemudian dari persamaan jangka panjang kita simpan resid nya dengan cara klik Proc Make
residual Series… dan di simpan dengan nama ECT
Kemudian diperoleh ECT
Lakukan Uji akar unit untuk ECT dan harus lolos pada data level, dengan cara klik view Unit Root
Test…
ECT sudah stasioner pada data level
t-Statistic Prob.*
Uji asumsi klasik yang digunakan dalam regresi linier dengan pendekatan Ordinary Least Squared (OLS)
meliputi uji Linieritas, Autokorelasi, Heteroskedastisitas, Multikolinieritas dan Normalitas. Walaupun
demikian, tidak semua uji asumsi klasik harus dilakukan pada setiap model regresi linier dengan
pendekatan OLS.
11. Uji linieritas hampir tidak dilakukan pada setiap model regresi linier. Karena sudah diasumsikan
bahwa model bersifat linier. Kalaupun harus dilakukan semata-mata untuk melihat sejauh mana
tingkat linieritasnya.
12. Uji normalitas pada dasarnya tidak merupakan syarat BLUE (Best Linier Unbias Estimator) dan
beberapa pendapat tidak mengharuskan syarat ini sebagai sesuatu yang wajib dipenuhi.
13. Autokorelasi hanya terjadi pada data time series. Pengujian autokorelasi pada data yang tidak
bersifat time series (cross section atau panel) akan sia-sia semata atau tidaklah berarti.
14. Multikolinieritas perlu dilakukan pada saat regresi linier menggunakan lebih dari satu variabel
bebas. Jika variabel bebas hanya satu, maka tidak mungkin terjadi multikolinieritas.
15. Heteroskedastisitas biasanya terjadi pada data cross section, dimana data panel lebih dekat ke
ciri data cross section dibandingkan time series.
Uji Normalitas
Uji Normalitas adalah sebuah uji yang dilakukan dengan tujuan untuk menilai sebaran data pada sebuah
kelompok data atau variabel, apakah sebaran data tersebut berdistribusi normal ataukah tidak. Uji
Normalitas berguna untuk menentukan data yang telah dikumpulkan berdistribusi normal atau diambil dari
populasi normal.
Uji Linearitas
Uji Autokorelasi
Autokorelasi adalah korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu (time
Series). Autokoreasi mengakibatkan varians residual yang akan diperoleh lebih rendah daripada
semestinya sehingga mengakibatkan R2 lebih tinggi dari seharusnya. Selain itu pengujian hipotesis dengan
menggunakan t-statistik dan F-statistik akan menyesatkan.
Atau
Uji Heteroskedastisitas
Salah satu asumsi yang harus dipenuhi agar taksiran parameter dalam model regresi bersifat BLUE adalah
var (ui) harus sama dengan σ2 (konstan), atau dengan kata lain, semua residual atau error mempunyai
varian yang sama. Kondisi seperti itu disebut dengan homoskedastis. Sedangkan apabila varian tidak
konstan atau berubah-ubah disebut dengan heteroskedastis. Uji formal untuk masalah ini salah satunya
adalah Uji Breusch-Pagan-Godfrey, Uji Harvey, Uji Glejsyer, Uji ARCH dan Custom Test Wizard. Uji ini
dapat dilakukan secara langsung dengan program EViews.
Pilih Breusch-Pagan-Godfrey
Atau
Uji Multikolinearitas
Multikolinier adalah adanya korelasi antara variabel bebas dengan variabel bebas lainnya. Konsekuensinya
meskipun hasil estimasi masih BLUE (Best Linear Unbiased Estimator), akan tetapi multikolinieritas dapat
menyebabkan standard error yang lebih besar, nilai koefisien determinasi (R2 ) tetap tinggi dan uji F-stat
signifkan meskipun banyak variabel yang tidak signifikan. Dengan kata lain, dapat dikatakan bahwa sebuah
model persamaan dinyatakan terdapat gangguan multikolinear apabila R2 -nya tinggi namun hanya sedikit
atau bahkan tidak ada variabel bebasnya yang signifikan pada pengujian t-statistik.
Dengan menggunakan Matrik Correlation
Klik OK
Model terhindar dari Multikolinearitas jika nilai Correlation kurang dari 0,8
Uji multikolinearitas digunakan untuk menilai adakah korelasi atau interkorelasi antar variabel bebas dalam
model regresi atau juga biasa digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik
multikolinearitas yaitu adanya hubungan linear antar variabel independen dalam model regresi. Pada
Pengujian ada tidaknya gejala multikolinearitas dilakukan dengan melihat nilai VIF (Variance Inflation
Factor) dan Tolerance.
Hipotesis :
Model ECM yang kita hasilkan sudah memenuhi semua criteria, sehingga dapat dilanjutkan dengan
analisis hasil regresi jangka pendek dan jangka panjang.
Dalam jangka panjang yang mempengaruhi GDP adalah Kurs, GFCF, Trade, dan TR. Sedangkan dalam
jangka pendek yang mempengaruhi Pertumbuhan GDP adalah perubahan GFCF, Perubahan IVA,
Perubahan TR dan perubahan Trade.
Trade (perdagangan) dalam jangka pendek maupun jangka panjang mempengaruhi secara negatif, artinya
semakin tinggi nilai transaksi perdagangan Indonesia dengan Negara lain akan menurunkan GDP. Jika
nilai TRADE bertambah sebesar 1 Milyar Rupiah maka akan menurunkan GDP sebesar (1 M dikalikan -
0.160247) 160 juta rupiah, sedang dalam jangka panjang akan menurunkan sebesar (1 M dikalikan -
0.200752) 200 juta rupiah. Dalam jangka panjang pengaruh TRADE harus diperhatikan oleh pemerintah.
Nilai ECT
Menurut Widarjono (2007) koefisien koreksi ketidakseimbangan ECT disebut sebagai kesalahan
ketidakseimbangan (disequilibrium error). Oleh karena itu jika ECT sama dengan nol tentunya Y dan X
adalah dalam kondisi keseimbangan. Hasil nilai tersebut menjelaskan seberapa cepat waktu diperlukan
untuk mendapatkan nilai keseimbangan.
Pada prinsipnya, model koreksi kesalahan terdapat keseimbangan yang tetap dalam jangka panjang
antara variabel-variabel ekonomi. Bila dalam jangka pendek terdapat ketidakseimbangan dalam satu
periode, maka model koreksi kesalahan akan mengoreksinya pada periode berikutnya (Engle dan Granger,
1987). Untuk menyatakan apakah model ECM yang digunakan sahih atau tidak, maka koefisien Resid (-
1) atau ECT harus signifikan. Jika koefisien ini tidak signifikan, maka model tersebut tidak cocok dan
perlu dilakukan perubahan spesifikasi model lebih lanjut.
Berdasarkan Tabel diketahui nilai koefisien Error Correction Term (ECT) pada model tersebut signifikan =
0,0075 < 0,05 yang menunjukkan bahwa Error Correction Model (ECM) yang digunakan sudah valid.
Sedangkan nilai keseimbangannya sebesar -0.736953 dapat dimaknai bahwa proses penyesuian terhadap
ketidakseimbangan Perubahan GDP (Pertumbuhan Ekonomi) periode 1986-2015 relatif lambat.
Nilai ECT sebesar -0.736953 mempunyai arti bahwa apabila terdapat ketidakseimbangan masa lalu
sebesar 100 %, maka perubahan GDP (Pertumbuhan Ekonomi) akan menyesuaikan diri dengan menurun
sebesar 73,69 %. Dengan demikian dapat diinterpretasikan bahwa Pertumbuhan Ekonomi membutuhkan
waktu 7-8 tahun untuk mencapai keseimbangan penuh (100 %) perubahan GDP (Pertumbuhan Ekonomi).
Uji koefisien determinasi untuk melihat seberapa besar pengaruh perubahan variabel-variabel bebas
(independent Variabel) yang digunakan dalam model mampu menjelaskan pengaruhya terhadap variabel
tidak bebasnya (dependent Variabel). Uji ini melihat nilai koefisien determinasi (R2 ) yang diperoleh dari
persamaan yang diestimasi.
BAB 4
REGRESI DATA PANEL
Data panel adalah gabungan antara data runtut waktu (time series) dan data
silang (cross section. Menurut Agus Widarjono (2009) penggunaan data panel
dalam sebuah observasi mempunyai beberapa keuntungan yang diperoleh.
Pertama, data panel yang merupakan gabungan dua data time series dan cross
section mampu menyediakan data yang lebih banyak sehingga akan lebih
menghasilkan degree of freedom yang lebih besar. Kedua, menggabungkan
informasi dari data time seriesdan cross section dapat mengatasi masalah yang
timbul ketika ada masalah penghilangan variabel (omitted-variabel).
Pengolahan Data
Memenuhi Uji Spesifikasi Model dan Uji
Asumsi Klasik
Ya
Estimasi Model dan
Pengujian Hipotesis
Gambar 1
Langkah-Langkah Penelitian Data Panel
Data GDP, POP, KURS, GFCF, LIR, TR, TRADE dan IVA di 5 Negara ASEAN
b. Buka eviews
Klik File New Workfile
Muncul dilayar
Isi DATAPANEL
Pilih Pool
Dilayar akan muncul :
Dan isilah
Letak data
awal yang
akan di copy
di kursor D3
Pilih Excel
(*.xls)
Klik Open
Lokasi Kursor
di awal data
Pilih Estimate
Isilah Variabel terikatnya dan variabel bebasnya dan diakhiri
setiap variabel dengan tanda tanya
Dalam meregres data panel akan dihasilkan 3 Model :
Menunjukan
angka elastisitas
Model Fixed Effect
Hasil Regresi
Model Random Effect
Hasil Regresi
Pemilihan Metode Pengujian Data Panel
Uji Hausman
Karena nilai prob. 0.000 < dari nilai α = 0.05 maha Ho ditolak,
sehingga model terbaik adalah Model Fixed Effect
Uji Hausman
Regres Model Random effect
Karena nilai prob. 0.000 < dari nilai α = 0.05 maha Ho ditolak,
sehingga model terbaik adalah Model Fixed Effect
Dari hasil Uji Chow dan Uji Hauman memutuskan model terbaik
adalah Model Fixed Effect, sehingga Uji LM tidak perlu kita
lakukan.
Uji Asumsi Klasik
Uji asumsi klasik yang digunakan dalam regresi linier dengan
pendekatan Ordinary Least Squared (OLS) meliputi uji Linieritas,
Normalitas, Multikolinieritas, Heteroskedastisitas dan Autokorelasi.
Walaupun demikian, tidak semua uji asumsi klasik harus dilakukan
pada setiap model regresi linier dengan pendekatan OLS (Gujarati,
2003)
b. Uji linieritas hampir tidak dilakukan pada setiap model regresi
linier. Karena sudah diasumsikan bahwa model bersifat linier.
Kalaupun harus dilakukan semata-mata untuk melihat sejauh mana
tingkat linieritasnya.
c. Uji normalitas pada dasarnya tidak merupakan syarat BLUE (Best
Linier Unbias Estimator) dan beberapa pendapat tidak
mengharuskan syarat ini sebagai sesuatu yang wajib dipenuhi.
d. Multikolinieritas perlu dilakukan pada saat regresi linier
menggunakan lebih dari satu variabel bebas. Jika variabel
bebas hanya satu, maka tidak mungkin terjadi
multikolinieritas.
e. Heteroskedastisitas biasanya terjadi pada data cross section,
dimana data panel lebih dekat ke ciri data cross section
dibandingkan time series.
f. Autokorelasi hanya terjadi pada data time series. Pengujian
autokorelasi pada data yang tidak bersifat time series (cross
section atau panel) akan sia-sia semata atau tidaklah berarti.
Sehingga dalam data panel cukup di uji Multikolinearitas dan Uji
Heteroskedastisitas.
Uji Multikolinearitas
R22 = 0.941266
R23 = 0.995060
R24 = 0.999547
R21 = 0.999774 Lebih besar
R25 = 0.997681
R26 = 0.999616
R27 = 0.964295
Kesimpulan karena R21 > R22, R23, R24, R25, R26, R27 maka model fixed
effect tidak mengandung multikolinearitas.
Uji Heteroskedastisitas
Heteroskedastisitas tidak merusak sifat kebiasan dan konsistensi dari
penaksir OLS, tetapi penaksir tadi tidak lagi efisien yang membuat
prosedur pengujian hipotesis yang biasa nilainya diragukan. Oleh
karena itu jika suatu model terkena heteroskedastisitas diperlukan
suatu tindakan perbaikan pada model regresi untuk menghilangkan
masalah heteroskedastisitas pada model regresi tersebut.
Kesimpulan :
Ho ditolak artinya Model Fixed Effect adalah model terpilih
Uji Hausman
Kesimpulan :
Ho ditolak artinya Model Fixed Effect adalah model terpilih
Berdasarkan Uji Chow dan Uji Hausman Model Terpilih adalah
Model Fixed Effect
Uji Asumsi Klasik
Uji Normalitas
Pilih View Residual Diagnostics Histogram – Normality
Test
Hasil Uji Normalitas
Karena nilai probabilitas < 0,05 maka data tidak berdistribusi normal
Uji Multikolinearitas
Klik gdp pop kurs gfcf lir tr trade iva
Klik OK
Klik Yes
Ceck apakah ada nilai > 0.85
Atau untuk uji multikolinearitas gunakan cara dengan membandingkan
R2 hasil regres variabel bebas terhadap variabel dengan R2 hasil regres
antar variabel bebasnya.
Uji Heteroskedastisitas
Buka hasil regresi Model Fixed Effect Model
Pilih Proc Make Residual Series
Ganti
log(gdp) log(pop) log(kurs) log(gfcf) lir log(tr) log(trade) log(iva) c
Dengan
Tidak signifikan
Hasil Analisis
Interpretasi Regresi Data Panel Model Fixed Effect
Variable Coefficient Std. Error
C -2.823947 1.889121
LOG(POP?) 0.215406*** 0.016576
LOG(KURS?) 0.197261** 0.082540
LOG(GFCF?) -0.095415*** 0.019391
LIR? -0.030963*** 0.007783
LOG(TR?) -0.035275 0.069587
LOG(TRADE?) 0.918337*** 0.043936
LOG(IVA?) 0.150876** 0.072395
R-squared 0.999774
Keterangan :
*** signifikan pada α = 1 %
** signifikan pada α = 5 %
* signifikan pada α = 10 %
Davidson, J. E. H.; Hendry, D. F.; Srba, F.; Yeo, J. S. (1978). "Econometric modelling of the
aggregate time-series relationship between consumers' expenditure and income in the
United Kingdom". Economic Journal. 88 (352): 661–692. JSTOR 2231972.
Hsiao, C. (2014). Analysis of panel data (No. 54). Cambridge university press.
Maddala, G. S., & Lahiri, K. (1992). Introduction to econometrics(Vol. 2). New York: Macmillan.
Phillips, Peter C.B. (1985). "Understanding Spurious Regressions in Econometrics" (PDF). Cowles
Foundation Discussion Papers 757. Cowles Foundation for Research in Economics, Yale
University.
Sargan, J. D. (1964). "Wages and Prices in the United Kingdom: A Study in Econometric
Methodology", 16, 25–54. in Econometric Analysis for National Economic Planning, ed.
by P. E. Hart, G. Mills, and J. N. Whittaker. London: Butterworths
Widarjono, A. (2007). Ekonometrika: Teori dan Aplikasi untuk Ekonomi dan Bisnis, edisi
kedua. Yogyakarta: Ekonisia FE Universitas Islam Indonesia.
Yule, Georges Udny (1926). "Why do we sometimes get nonsense correlations between time
series? – A study in sampling and the nature of time-series". Journal of the Royal
Statistical Society. 89 (1): 1–63. JSTOR 2341482.