BAB 1

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

Ada 3 kegunaan utama untuk analisis regresi linier berganda.

Pertama, ini dapat digunakan untuk mengidentifikasi kekuatan efek yang dimiliki
variabel independen terhadap variabel dependen.
Kedua, dapat digunakan untuk memperkirakan efek atau dampak perubahan. Yaitu,
analisis regresi linier berganda membantu kita untuk memahami seberapa besar
variabel dependen akan berubah ketika kita mengubah variabel independen.

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 :

Berikut ini persamaan regresi berganda :

GDP = β0 + β1 GFCF + β2 TR + β3 TRADE + β4 AK+ β5 IVA + ε

atau

LOG(GDP) = β + β1LOG(GFCF) + β2LOG(TR) + β3LOG(TRADE) +

β4LOG(AK) + β5LOG(IVA) + ε

Dimana

GDP Gross Domestic Product

GFCF Gross fixed capital formation
TR Penerimaan Pajak
TRADE Nilai Perdagangan
AK Angkatan Kerja
IVA Nilai Tambah Industri
 Studi Kepustakaan
(Teori dan Studi Terdahulu)

Identifikasi Variabel Penelitian dan

Pembentukan Model

Revisi Pembuatan Hipotesis

Tidak Proses Pengumpulan Data

Pengolahan Data
Memenuhi Uji Spesifikasi Model dan Uji Asumsi
Klasik

Ya
Estimasi Model dan
Pengujian Hipotesis

Kesimpulan dan Rekomendasi

Gambar 1

Langkah-Langkah Penelitian
Data Makro Negara ABCDEFG

Tahun GDP Kurs GFCF TR Trade IVA

1986 2,047,292,604,338,300 1,283 525,767,839,086,000 14,993,000,000,000 819,472,884,152,016 798,544,781,014,800
1987 2,155,799,176,654,500 1,644 554,680,733,051,900 18,827,000,000,000 998,818,533,420,652 848,962,545,204,100
1988 2,292,814,846,746,000 1,686 618,517,644,265,400 21,435,000,000,000 1,083,459,633,537,290 907,301,991,769,700
1989 2,501,110,525,830,700 1,770 710,782,070,626,400 26,678,000,000,000 1,227,592,114,499,590 1,053,730,190,492,900
1990 2,726,249,821,167,800 1,843 825,058,186,077,300 37,431,600,000,000 1,441,964,271,955,940 1,161,956,026,945,300
1991 2,969,643,847,614,300 1,950 931,494,177,183,200 39,098,000,000,000 1,628,539,758,976,440 1,277,017,158,693,800
1992 3,184,067,029,251,900 2,030 964,890,833,384,600 44,499,900,000,000 1,828,527,952,182,690 1,503,686,756,495,200
1993 3,415,041,652,725,900 2,087 1,028,569,876,323,000 47,344,000,000,000 1,725,393,071,594,540 1,482,119,880,662,300
1994 3,672,538,070,470,900 2,161 1,170,056,947,025,800 60,958,000,000,000 1,905,206,289,918,400 1,647,643,312,108,300
1995 3,980,897,516,197,100 2,249 1,333,804,863,859,200 68,017,000,000,000 2,148,036,149,401,290 1,819,329,402,675,000
1996 4,285,149,005,555,500 2,342 1,527,398,594,230,900 75,810,000,000,000 2,239,622,144,209,320 2,013,806,086,902,600
1997 4,486,545,547,065,900 2,909 1,658,266,039,607,700 100,505,700,000,000 2,512,191,662,450,940 2,117,949,036,253,500
1998 3,897,609,098,897,500 10,014 1,110,903,117,229,100 143,626,700,000,000 3,748,961,858,536,470 1,822,466,026,611,800
1999 3,928,444,247,354,300 7,855 908,769,274,450,800 179,430,400,000,000 2,472,716,527,537,000 1,858,334,024,795,000
2000 4,121,726,241,993,900 8,422 1,060,872,288,362,200 99,643,790,476,190 2,944,432,464,112,750 1,967,791,836,600,200
2001 4,271,899,954,667,000 10,261 1,129,749,087,480,800 190,614,200,000,000 2,981,495,922,803,340 2,021,590,172,211,700
2002 4,464,113,041,849,300 9,311 1,182,784,395,845,000 215,467,500,000,000 2,637,374,038,628,250 2,107,764,749,213,200
2003 4,677,514,123,258,600 8,577 1,189,884,726,120,600 249,404,313,253,852 2,507,919,080,077,860 2,186,913,010,032,200
2004 4,912,833,962,560,100 8,939 1,364,599,072,554,300 283,093,000,000,000 2,935,973,057,506,130 2,273,100,844,234,100
2005 5,192,500,538,917,800 9,705 1,513,164,999,669,000 312,488,056,626,926 3,322,573,914,833,110 2,380,026,639,458,400
2006 5,478,137,490,010,100 9,159 1,552,460,084,009,500 343,625,377,952,311 3,103,755,304,808,870 2,486,855,317,982,500
2007 5,825,726,531,358,900 9,141 1,697,209,598,268,500 374,762,699,277,696 3,194,202,162,925,520 2,604,234,878,138,900
2008 6,176,068,457,506,700 9,699 1,898,942,099,974,500 658,701,000,000,000 3,616,792,130,902,920 2,701,585,275,030,700
2009 6,461,950,710,551,600 10,390 1,961,482,072,067,500 619,922,000,000,000 2,940,970,850,172,160 2,798,525,931,939,900
2010 6,864,133,100,000,000 9,090 2,127,840,682,000,000 723,307,000,000,000 3,205,637,598,235,500 2,936,192,400,000,000
 Tahun GDP Kurs GFCF TR Trade IVA
2011 7,287,635,300,000,000 8,770 2,316,359,104,097,800 873,874,000,000,000 3,656,936,354,349,880 3,122,633,400,000,000
2012 7,727,083,400,000,000 9,387 2,527,728,790,484,400 980,518,000,000,000 3,831,311,903,721,210 3,288,298,000,000,000
2013 8,156,497,800,000,000 10,461 2,654,375,036,700,900 1,077,310,000,000,000 3,967,106,232,237,770 3,431,080,900,000,000
2014 8,566,271,200,000,000 11,865 2,775,733,579,064,600 1,145,282,928,434,310 4,116,716,178,297,760 3,577,694,800,000,000
2015 8,976,931,500,000,000 13,389 2,916,601,630,562,700 1,164,554,577,386,610 3,764,719,516,265,140 3,672,595,500,000,000
2016 8,164,934,610,302,790 12,935 2,542,077,573,709,210 935,748,526,661,157 4,201,921,841,339,830 3,547,268,352,813,750
2017 8,380,512,700,553,410 13,343 2,612,020,756,005,150 974,202,791,298,637 4,304,178,262,152,610 3,638,770,115,628,690
2018 8,596,090,790,804,030 13,751 2,681,963,938,301,090 1,012,657,055,936,110 4,406,434,682,965,400 3,730,271,878,443,630
Sumber : Data Hipotesis
Ketik data tersebut dalam Excell dan beri nama file tersebut dengan nama
data hipotesis ABCDFEG, kemudian tutup file tersebut.

Buka Eviews

Muncul di layar
Isi Date specification dengan

Start date : 1986

End date : 2018

Kemudian data yang telah kita buat di excel, kita pindahkan ke eviews

Klik file  import  Import from file …

maka akan muncul di layar

Cari file yang akan diimport dan klik  open

Klik  Next
Klik  Next

Klik  Finish

Maka di layar akan muncul

Cara Melakukan Regresi

Klik  Quick  Estimate Equation …

Lalu muncul

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 Asumsi Klasik

Uji asumsi klasik yang digunakan dalam regresi linier dengan pendekatan
Ordinary Least Squared (OLS) meliputi uji Linieritas, uji Normalitas. Uji
Autokorelasi, uji Heteroskedastisitas, dan uji Multikolinieritas Walaupun
demikian, tidak semua uji asumsi klasik harus dilakukan pada setiap model
regresi linier dengan pendekatan OLS.
 1. 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.
2. Uji normalitas pada dasarnya tidak merupakan syarat BLUE (Best
Linier Unbias Estimator) dan beberapa pendapat tidak mengharuskan
syarat ini sebagai sesuatu yang wajib dipenuhi.
3. 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.
4. Multikolinieritas perlu dilakukan pada saat regresi linier
menggunakan lebih dari satu variabel bebas. Jika variabel bebas
hanya satu, maka tidak mungkin terjadi multikolinieritas.
5. Heteroskedastisitas biasanya terjadi pada data cross section, dimana
data panel lebih dekat ke ciri data cross section dibandingkan time series.

Uji Normalitas

Klik  View  Residual Diagnostics  Histogram – Normality Test

Hasil uji nya sebagai berikut

Nilai Probability > 0.05, maka model tersebut datanya terdistribusi normal
Uji Linearitas

Klik  View  Stability Diagnostics  Ramsey RESET Test …

Muncul di layar

Klik  OK

Karena nilai probability F-statistic < 0.05 berarti model persamaan

regresinya tidak linear
Uji Autokorelasi

Klik  View  Residual Diagnostocs  Serial Correlation LM Test …

Muncul

Klik  OK

Karena nilai probability Obs*Rsquared < 0.05 berarti model persamaan

regresinya mengandung autokorelasi

Uji Heteroskedastisitas

Klik  View  Residual Diagnostocs  Heteroskedastisitas Tests …

Selanjutnya klik  White

Karena nilai probability Obs*Rsquared > 0.05 berarti model persamaan

regresinya tidak mengandung heteroskedastisitas (homoskedastisitas)

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 :

H0 : Terdapat masalah multikolinearitas

H1 : Tidak terdapat masalah multikolinearitas
Probabilitas < 10, H0 ditolak, H1 diterima
Probabilitas > 10, H1 ditolak, H0 diterima

Berikut ini langkah uji VIF dan TOL

Klik  View  Coefficient Diagnostics  Variance Inflation Factors

Dan hasilnya

Nilai Centered VIF diatas 10, berarti model mengandung multikolinearitas.

Cara Lain pengujian multikolinearitas

Blok semua variabel seperti di bawah ini

Kemudian klik kanan  copy
Kemudian klik  Quick  Group Statistics  Correlations

Klik  OK

Hampir semua variabel memiliki nilai correlation di atas 0,85, berarti model
mengandung multikolinearitas.

Atau dengan dengan membandingkan R2

a. LS LOG(GDP) C LOG(GFCF) LOG(TR) LOG(TRADE)
LOG(AK) LOG(IVA) hitung R21
b. LOG(GFCF) C LOG(TR) LOG(TRADE) LOG(AK) LOG(IVA)
hitung R22
c. LOG(TR) C LOG(GFCF) LOG(TRADE) LOG(AK) LOG(IVA)
hitung R23
d. LOG(TRADE) C LOG(GFCF) LOG(TR) LOG(AK) LOG(IVA)
hitung R24
e. LOG(AK) C LOG(GFCF) LOG(TR) LOG(TRADE) LOG(IVA)
hitung R25
 f. LOG(IVA) C LOG(GFCF) LOG(TR) LOG(TRADE) LOG(AK)
hitung R26
Model tersebut tidak mengandung Multikolinearitas jika :

R21 > R22 , R23, R24, R25, R26,

Nilai R21 = 0,9987

Nilai R22 = 0,9691

Nilai R22 = 0,9781

Nilai R22 = 0,9457

Nilai R22 = 0,9870

Nilai R22 = 0,9928

Karena nilai R21 > R22 , R23, R24, R25, dan R26
0,9987 > 0,9691, 0,9781, 0,9457, 0,9870 dan 0,9928
Maka model tersebut tidak mengandung Multikolinearitas

Hasil Persamaan regresi diatas

Estimation Command:
=========================
LS LOG(GDP) C LOG(GFCF) LOG(TR) LOG(TRADE) LOG(AK) LOG(IVA)

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 regresi yang menunjukkan hubungan antara variabel terikat dan

variabel bebas yang didistribusikan berdasarkan periode waktu tertentu biasa
disebut dengan Model Lag Terdistribusi (Gujarati, 2009).

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).

Model Lag Terdistribusi telah menunjukkan kegunaan yang sangat besar

dalam ilmu ekonomi empiris karena model ini telah membuat teori ekonomi
yang bersifat statis menjadi yang bersifat dinamis dengan memperhitungkan
secara eksplisit peranan dari waktu. Model ini membedakan antara respon
jangka pendek dan jangka panjang dari variabel terikat terhadap satu unit
perubahan dalam nilai variabel yang menjelaskan.
Koyck (1954) mengusulkan suatu metode penaksiran Model Lag
Terdistribusi didasarkan pada asumsi bahwa koefisien  menurun secara
eksponensial dari waktu ke waktu (Ravines et al., 2003), yaitu :

 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:

1) Nilai  non-negatif sehingga  k selalu mempunyai tanda yang sama

2)   1 maka bobot  k semakin kecil semakin jauh periodenya
3) Aturan Koyck menjamin bahwa jumlah  adalah penjumlahan jangka
panjang, yaitu :

0

k 0
k 
1 

Model Ekspektasi Adaptif dispesifikasikan dengan memperhatikan

ekspektasi di masa depan. Walaupun pengalaman di masa lalu dapat
dijadikan pedoman untuk prediksi di masa yang akan datang.

Model Ekspektasi adaptif dirumuskan dalam bentuk sebagai berikut :

Yt   0  1 X t   t ………………………… (2)

model ini menggambarkan bahwa nilai Yt tergantung atau dipengaruhi oleh

nilai X pada saat t yang diharapkan pada periode sekarang untuk dihasilkan
pada periode yang akan datang (Lains, 2006).

Karena variabel X t yang bersifat harapan tidak dapat diamati secara

langsung, maka Cagan dan Friedman mengemukakan hipotesis mengenai
bagaimana harapan tersebut terbentuk yang kemudian dikenal dengan
hipotesis harapan aditif:


X t  X t1   X t  X t1  ………………………. (3)

dimana  adalah koefisien harapan (Coefficient of Expectation) dengan

0    1 (Jonni, 2005).

Pendugaan Parameter dengan Metode Ekspektasi Adaptif (EA)

Model Regresi Ekspektasi Adaptif yaitu :

Yt   0  1 X t*   t . …………….…….( 4)

Dengan Yt , X t* masing-masing merupakan keseimbangan optimal dari

Ekspetasi jangka panjang. Variabel X t* secara langsung tidak dapat diamati
dan mengikuti hipotesis ekspektasi adaptif yaitu X t*  X t*1   ( X t*  X t*1 )

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:

X t*  (1   ) X t*1   X t …………….…. (5)

Substitusi persamaan (5) ke persamaan (4) maka diperoleh

Yt   0  1 ((1   ) X t*1  X t )   t

Yt   0  1X t  1 (1   ) X t*1   t …………….. (6)

Selanjutnya persamaan (6) dikalikan dengan (1   ) dan hasilnya dikurangi

dari persamaan (7) dan diperoleh:

(1   ) Yt 1  (1   )  0  1 (1   ) X t*1  (1   ) t 1 ………………. (7)

Yt  (1   )Yt 1   0  (1   ) 0  [ 1  1 (1   )]X t  [ 1 (1   )  1 (1   )]X t*1 

 t  (1   ) t 1

Yt    0  1 X t  (1   )Yt 1   t  (1   ) t 1 ….….. (8)

Dari persamaan (4) koefisien 1 merupakan ukuran pendugaan perubahan Y

akibat perubahan satu unit X * , keseimbangan jangka panjang dari nilai X.
Pada persamaan (8) koefisien 1 merupakan ukuran rata-rata perubahan Y
akibat perubahan satu unit X. Kedua respon ini tidak sama kecuali  = 1.
Dalam praktek pertama ditaksir persamaan (8) untuk memperoleh  dan
koefisien 1 dengan mudah dapat dihitung, yaitu dengan membagi 1  X t
dengan  .
Pendugaan Parameter dengan Model Parsial Adjustment

Rasionalisasi dari Model Koyck adalah Model Parsial Adjustment (MPA).

Pertimbangan flexible accelerator model dari teori ekonomi mengasumsikan
adanya kesembangan optimal dalam jangka panjang. Misalkan asosiasi modal
yang diinginkan ( Yt* ) dengan pendapatan ( X t ) adalah :

Yt*   0  1 X t   t ............................................................................ (9)

dan rumusan hipotesis partial adjustment atau stock adjustment adalah
Yt  Yt 1   (Yt*  Yt 1 ) dimana 0 < δ  1 disebut koefisien penyesuaian; Yt  Yt 1
adalah perubahan aktual dari modal; dan Yt*  Yt 1 adalah perubahan modal
yang diinginkan. Penjelasan ini menunjukkan bahwa modal dan investasi
periode t masing-masing adalah :

Yt  Yt*  (1   )Yt  i dan I t   (Yt*  Yt 1 ) ............................................. (10)

dan substitusi persamaan (9) ke persamaan (10) diperoleh modal aktual

Yt   (  0  1 X t   t )  (1   )Yt 1

Yt  0  1 X  (1   )Yt  i   t .................................................. (11)

Persamaan ini disebut Model Parsial Adjustment (MPA). Persamaan (4)

menjelaskan keseimbangan permintaan modal dalam jangka panjang dan
persamaan (11) menjelaskan keseimbangan permintaan modal jangka
pendek. Penaksiran persamaan (11) menghasilkan koefisien pada modal
jangka panjang dengan cara mengetahui koefisien adjustment (δ).

Aplikasi Model PAM dalam Ekonomi

Hubungan antara Pendapatan Domestik Bruto dengan kurs, Gross fixed
capital formation, Tax revenue, Trade, Labor force dan Industry Value
Added dinyatakan sebagai berikut :

GDP : f (GDP, Kurs, GFCF, TR, Trade, AK dan IVA)

GDPt*   0  1 Kurst   2 GFCFt   3TRt   4Tradet   5 AK t   5 IVAt   t .. (12)

GDPt   GDPt*  (1   )GDPt i

...................................................................... (13)

Masukan persamaan (12) ke persamaan (13) sehingga diperoleh

GDPt   ( 0  1 Kurst   2 GFCFt   3TRt   4Tradet   5 AK t   5 IVAt   t )  (1   )GDPt 1

GDPt   0  1 Kurst   2 GFCFt   3TRt   4Tradet   5 AK t   6 IVAt   t 
(1   ) GDPt 1
....................................................................................... (14)
GDPt   0  1 Kurst   2 GFCFt   3TRt   4Tradet   5 AK t   6 IVAt 

 6 GDPt 1   t ...................................................................................... (15)

Persamaan (15) yang akan digunakan untuk mengamati faktor-faktor yang

mempengaruhi GDP di Indonesia.

Studi Kepustakaan
(Teori dan Studi Terdahulu)

Identifikasi Variabel Penelitian dan

Pembentukan Model

Revisi Pembuatan Hipotesis

Tidak Proses Pengumpulan Data

Pengolahan Data
Memenuhi
Memenuhi
Uji Spesifikasi Model dan Uji Asumsi
Klasik
Ya
Estimasi Model dan

Pengujian Hipotesis

Kesimpulan dan Rekomendasi

Gambar 1

Langkah-Langkah Penelitian
Berikut ini data ekonomi makro Indonesia sebagai berikut :

Gross fixed capital Industry, value

GDP Tax revenue Labor
Kurs formation Trade added (constant
Tahun (constant LCU) (current LCU) force
(constant LCU) LCU)
GDP Kurs GFCF TR Trade AK IVA
1986 2,047,292,604,338,300 1,283 525,767,839,086,000 14,993,000,000,000 819,472,884,152,016 68,546,945 798,544,781,014,800
1987 2,155,799,176,654,500 1,644 554,680,733,051,900 18,827,000,000,000 998,818,533,420,652 70,567,939 848,962,545,204,100
1988 2,292,814,846,746,000 1,686 618,517,644,265,400 21,435,000,000,000 1,083,459,633,537,290 72,588,934 907,301,991,769,700
1989 2,501,110,525,830,700 1,770 710,782,070,626,400 26,678,000,000,000 1,227,592,114,499,590 74,609,928 1,053,730,190,492,900
1990 2,726,249,821,167,800 1,843 825,058,186,077,300 37,431,600,000,000 1,441,964,271,955,940 75,542,769 1,161,956,026,945,300
1991 2,969,643,847,614,300 1,950 931,494,177,183,200 39,098,000,000,000 1,628,539,758,976,440 77,307,862 1,277,017,158,693,800
1992 3,184,067,029,251,900 2,030 964,890,833,384,600 44,499,900,000,000 1,828,527,952,182,690 78,914,502 1,503,686,756,495,200
1993 3,415,041,652,725,900 2,087 1,028,569,876,323,000 47,344,000,000,000 1,725,393,071,594,540 81,870,338 1,482,119,880,662,300
1994 3,672,538,070,470,900 2,161 1,170,056,947,025,800 60,958,000,000,000 1,905,206,289,918,400 84,403,885 1,647,643,312,108,300
1995 3,980,897,516,197,100 2,249 1,333,804,863,859,200 68,017,000,000,000 2,148,036,149,401,290 87,543,334 1,819,329,402,675,000
1996 4,285,149,005,555,500 2,342 1,527,398,594,230,900 75,810,000,000,000 2,239,622,144,209,320 90,417,398 2,013,806,086,902,600
1997 4,486,545,547,065,900 2,909 1,658,266,039,607,700 100,505,700,000,000 2,512,191,662,450,940 90,389,678 2,117,949,036,253,500
1998 3,897,609,098,897,500 10,014 1,110,903,117,229,100 143,626,700,000,000 3,748,961,858,536,470 91,706,362 1,822,466,026,611,800
1999 3,928,444,247,354,300 7,855 908,769,274,450,800 179,430,400,000,000 2,472,716,527,537,000 96,987,970 1,858,334,024,795,000
2000 4,121,726,241,993,900 8,422 1,060,872,288,362,200 99,643,790,476,190 2,944,432,464,112,750 98,826,372 1,967,791,836,600,200
2001 4,271,899,954,667,000 10,261 1,129,749,087,480,800 190,614,200,000,000 2,981,495,922,803,340 100,218,844 2,021,590,172,211,700
2002 4,464,113,041,849,300 9,311 1,182,784,395,845,000 215,467,500,000,000 2,637,374,038,628,250 101,540,073 2,107,764,749,213,200
2003 4,677,514,123,258,600 8,577 1,189,884,726,120,600 249,404,313,253,852 2,507,919,080,077,860 103,423,950 2,186,913,010,032,200
2004 4,912,833,962,560,100 8,939 1,364,599,072,554,300 283,093,000,000,000 2,935,973,057,506,130 105,304,929 2,273,100,844,234,100
2005 5,192,500,538,917,800 9,705 1,513,164,999,669,000 312,488,056,626,926 3,322,573,914,833,110 107,363,088 2,380,026,639,458,400
2006 5,478,137,490,010,100 9,159 1,552,460,084,009,500 343,625,377,952,311 3,103,755,304,808,870 109,356,104 2,486,855,317,982,500
 Gross fixed capital Industry, value
GDP Tax revenue Labor
Kurs formation Trade added (constant
Tahun (constant LCU) (current LCU) force
(constant LCU) LCU)
GDP Kurs GFCF TR Trade AK IVA
2007 5,825,726,531,358,900 9,141 1,697,209,598,268,500 374,762,699,277,696 3,194,202,162,925,520 111,244,331 2,604,234,878,138,900
2008 6,176,068,457,506,700 9,699 1,898,942,099,974,500 658,701,000,000,000 3,616,792,130,902,920 113,031,121 2,701,585,275,030,700
2009 6,461,950,710,551,600 10,390 1,961,482,072,067,500 619,922,000,000,000 2,940,970,850,172,160 115,053,936 2,798,525,931,939,900
2010 6,864,133,100,000,000 9,090 2,127,840,682,000,000 723,307,000,000,000 3,205,637,598,235,500 116,495,844 2,936,192,400,000,000
2011 7,287,635,300,000,000 8,770 2,316,359,104,097,800 873,874,000,000,000 3,656,936,354,349,880 118,515,710 3,122,633,400,000,000
2012 7,727,083,400,000,000 9,387 2,527,728,790,484,400 980,518,000,000,000 3,831,311,903,721,210 120,426,769 3,288,298,000,000,000
2013 8,156,497,800,000,000 10,461 2,654,375,036,700,900 1,077,310,000,000,000 3,967,106,232,237,770 122,125,092 3,431,080,900,000,000
2014 8,566,271,200,000,000 11,865 2,775,733,579,064,600 1,145,282,928,434,310 4,116,716,178,297,760 124,061,112 3,577,694,800,000,000
2015 8,976,931,500,000,000 13,389 2,916,601,630,562,700 1,164,554,577,386,610 3,764,719,516,265,140 127,155,782 3,672,595,500,000,000
2016 8,164,934,610,302,790 12,935 2,542,077,573,709,210 935,748,526,661,157 4,201,921,841,339,830 129,176,776 3,547,268,352,813,750
2017 8,380,512,700,553,410 13,343 2,612,020,756,005,150 974,202,791,298,637 4,304,178,262,152,610 131,197,771 3,638,770,115,628,690
2018 8,596,090,790,804,030 13,751 2,681,963,938,301,090 1,012,657,055,936,110 4,406,434,682,965,400 133,218,765 3,730,271,878,443,630
Sumber: World Bank (2018)
Cara memasukan data di Excell ke Eviews
Data diatas kita masukan ke program eviews, dengan cara copy seperti
dibawah ini :

 Blok C3 sampai dengan I26 yang akan kita copy

Kemudian buka Eviews

 klik file  New  Workfile

Maka akan muncul sebagai berikut :

Isilah

Start date  1986

End date  2018 lalu tekan Ok dan akan muncul di layar sebagai berikut :

Kemudian klik  Quick  Empty Group (Edit Series)  ok

Maka akan muncul seperti di layar

Klik Paste, seperti di bawah ini

Maka akan muncul di layar

Cara melakukan regresi

 klic Proc  Make Equation

Maka akan muncul

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

Klik ok, diperoleh hasil sebagai berikut :

Dan hasilnya koefisien penyesuaian sekarang bernilai antara 0 sampai

dengan 1 dan signifikan.
Uji Asumsi Klasik
Uji asumsi klasik yang digunakan dalam regresi linier dengan pendekatan
Ordinary Least Squared (OLS) meliputi uji Linieritas, uji Normalitas. Uji
Autokorelasi, uji Heteroskedastisitas, dan uji Multikolinieritas Walaupun
demikian, tidak semua uji asumsi klasik harus dilakukan pada setiap model
regresi linier dengan pendekatan OLS.
6. 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.
7. Uji normalitas pada dasarnya tidak merupakan syarat BLUE (Best
Linier Unbias Estimator) dan beberapa pendapat tidak mengharuskan
syarat ini sebagai sesuatu yang wajib dipenuhi.
8. 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.
9. Multikolinieritas perlu dilakukan pada saat regresi linier
menggunakan lebih dari satu variabel bebas. Jika variabel bebas
hanya satu, maka tidak mungkin terjadi multikolinieritas.
10. Heteroskedastisitas biasanya terjadi pada data cross section, dimana
data panel lebih dekat ke ciri data cross section dibandingkan time series.

Uji Linearitas

Klik  View  Stability Diagnostics  Ramsey RESET Test

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  View  Residual Diagnostics  Histogram – Normality Test

Maka akan muncul hasil uji normalitas sebagai berikut :

Berdasarkan uji normalitas dapat diketahui bahwa ρ-value sebesar 0,887639

> α = 5%. Maka, dapat disimpulkan bahwa data yang digunakan dalam
model ini berdistribusi normal.
Uji Multikolinearitas
Multikolinieritas adalah adanya hubungan linier antara variabel independen
di dalam model regresi. Untuk menguji ada atau tidaknya multikolinieritas
pada model, peneliti menggunakan metode parsial antar variabel
independen. Rule of thumb dari metode ini adalah jika koefisien korelasi
cukup tinggi di atas 0,85 maka diduga ada multikolinieritas dalam model.
Sebaliknya jika koefisien korelasi relatif rendah maka duga model tidak
mengandung unsur multikolinieritas (Ajija at al, 2011).
Berdasarkan pengujian dengan metode korelasi parsial antar variabel
independen diperoleh bahwa terdapat masalah multikolinieritas dalam
model. Hal itu dikarenakan nilai matrik korelasi (correlation matrix) lebih dari
0,85.
Klik varibel terikat dan semua variable bebasnya, kemudian klik kanan dan
pilih copy
Kemudian  klik Quick  Group Statistics  Correlations

Maka akan muncul

Klik Ok

Klik Yes

Berdasarkan pengujian dengan metode korelasi parsial antar variabel

independen diperoleh bahwa beberapa variable terdapat masalah
multikolinieritas dalam model. Hal itu dikarenakan nilai matrik korelasi
(correlation matrix) lebih dari 0,85.
Masalah multikolinieritas tidak selalu buruk jika tujuan untuk melakukan
prediksi atau peramalan karena koefisien determinasi yang tinggi merupakan
ukuran kebaikan dari prediksi atau peramalan. Oleh sebab itu bila koefisien
determinasi tinggi dan signifikasi koefisien slope tinggi maka model regresi
pada umumnya tidak mengalami masalah multikolinieritas. Data time series
menunjukkan bahwa semakin panjang lag maka korelasi antar variabel bebas
atau multikolinieritas semakin tinggi.

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.

Klik  View  Residual Diagnostics  Hesterosdedasticity Test

Pilih ARCH

PANDUAN PRATIKUM EVIEWS MM UMY | 38

Klik Ok

Berdasarkan hasil pengolahan data pada jangka pendek diperoleh bahwa

nilai Obs* R-squared atau hitung adalah 0,8062 lebih besar dari α = 5 %. Maka
dapat disimpulkan bahwa dalam model tidak terdapat masalah
heteroskedastisitas dalam model ini.
Uji autokorelasi

Autokorelasi menunjukkan adanya korelasi antara anggota serangkaian

observasi. Jika model mempunyai korelasi, parameter yang diestimasi
menjadi bias dan variasinya tidak lagi minimum dan model menjadi tidak
efisien. Dalam penelitian ini, untuk mengetahui ada tidaknya autokorelasi
dalam model digunakan uji Lagrange Multiplier (LM).
Uji autokorelasi dengan menggunakan metode LM diperlukan lag atau
kelambanan. Lag yang dipakai dalam penelitian ini ditentukan dengan
metode trial error perbandingan nilai absolut kriteria Akaike dan Schwarz
yang nilainya paling kecil. Dalam penelitian ini, peneliti memilih nilai dari
kriteria Akaike sebagai acuan utama untuk memudahkan dalam analisis.
Dalam estimasi jangka pendek pada lag pertama nilai Akaike yang diperoleh
adalah sebesar 1,16, Sehingga berdasarkan metode tersebut diperoleh nilai
kriteria Akaike terkecil adalah pada lag pertama.

Klik  View  Residual Diagnostics  Serial Correlation LM Test

PANDUAN PRATIKUM EVIEWS MM UMY | 39

Ok

Tidak Signifikan, artinya model

tidak mengandung autokorelasi
Hasil regresinya sebagai berikut :

Dependent Variable: LOG(GDP)

Method: Least Squares
Date: 05/30/19 Time: 23:12
Sample (adjusted): 1987 2017
Included observations: 31 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

LOG(KURS) 0.000293 0.027909 0.010510 0.9917

LOG(GFCF) 0.280694 0.058418 4.804926 0.0001
LOG(TR) 0.040596 0.015615 2.599835 0.0160
LOG(TRADE) -0.106107 0.042198 -2.514479 0.0194
LOG(AK) 0.482570 0.173099 2.787832 0.0105
LOG(IVA) 0.220513 0.075156 2.934076 0.0075
LOG(GDP(-1)) 0.218084 0.068308 3.192668 0.0040
C 4.204113 1.856110 2.265013 0.0332

R-squared 0.998989 Mean dependent var 36.09619

Adjusted R-squared 0.998682 S.D. dependent var 0.409752
S.E. of regression 0.014876 Akaike info criterion -5.360449
Sum squared resid 0.005090 Schwarz criterion -4.990387
Log likelihood 91.08695 Hannan-Quinn criter. -5.239818
F-statistic 3248.116 Durbin-Watson stat 1.338128
Prob(F-statistic) 0.000000

Interpretasi dari hasil persamaan regresi sebagai berikut :

LOG(GDP) = 0.00029 LOG(KURS) + 0.28069***LOG(GFCF) +

0.04059** LOG(TR) - 0.106106** LOG(TRADE) +
0.48256 **LOG(AK) + 0.22051***LOG(IVA) +
0.21808*** LOG(GDP(-1)) + 4.2041**
Koefisien yang diperoleh dari persamaan diatas adalah dalam jangka
pendek. Sedangkan koefisien dalam jangka panjang diperoleh dengan
membagi koefisien dalam jangka pendek dengan koefisien penyesuauannya.
 Koefisien
Variable
Jangka Pendek Jangka Panjang

LOG(KURS) 0.0003 0.0004

LOG(GFCF) 0.2807*** 0.3590***

LOG(TR) 0.0406** 0.0519**

LOG(TRADE) -0.1061** -0.1357**

LOG(AK) 0.4826** 0.6172**

LOG(IVA) 0.2205*** 0.2820**

LOG(GDP(-1)) 0.2181***

C 4.2041 5.3767

Koefisien Penyesuaian 0.7819

Hubungan antara kurs dengan pertumbuhan ekonomi tidak memiliki

hubungan, baik dalam jangka pendek maupun dalam jangka panjang.
Hubungan antara Gross fixed capital formation (GFCF) dengan
pertumbuhan ekonomi berhubungan positif. GFCF adalah komponen
pengeluaran untuk produk domestik bruto (PDB), dan dengan demikian
menunjukkan sesuatu tentang berapa banyak nilai tambah baru dalam
ekonomi yang diinvestasikan daripada dikonsumsi. Nilai koefisien dalam
jangka pendek bernilai 0,2807, artinya jika GFCF ditambaha sebesar 1%
maka pertumbuhan ekonomi akan meningkat sebesar 0,28%. Dalam jangka
panjang nilai koefisien akan meningkat menjadi 0,359%.
Hubungan antara Tax Revenue dengan pertumbuhan ekonomi berhubungan
positif, artinya semakin meningkat penerimaan pajak akan meningkatkan
pertumbuhan ekonomi. Nilai koefisien dalam jangka pendek bernilai 0,04,
artinya jika TR ditambah sebesar 1% maka pertumbuhan ekonomi akan
meningkat sebesar 0,04%. Dalam jangka panjang nilai koefisien akan
meningkat menjadi 0,051%. Walaupun penerimaan pajak memiliki pengaruh
positif tetapi pengaruhnya sangat kecil, atau untuk menaikan 15
pertumbuhan ekonomi dibutuhkan tambahan 25% dari penerimaan pajak.
Hubungan antara Trade (Perdagangan) dengan pertumbuhan ekonomi
berhubungan negatif, artinya semakin meningkat nilai perdagangan akan
menurunkan pertumbuhan ekonomi. Nilai koefisien dalam jangka pendek
bernilai 0,106, artinya jika perdagangan meningkat sebesar 1% maka
pertumbuhan ekonomi akan turun sebesar 0,106%. Dalam jangka panjang
nilai koefisien akan meningkat menjadi 0,135%. Nilai perdagangan ini
menjadi kendala, karena kenaikan perdagangan sebesar 10% akan
menurunkan pertumbuhan ekonomi sebesar 1%..
Hubungan antara AK (Angkatan Kerja) dengan pertumbuhan ekonomi
berhubungan positif, artinya semakin meningkat Angkatan Kerja akan
meningkatkan pertumbuhan ekonomi. Nilai koefisien dalam jangka pendek
bernilai 0,48, artinya jika AK ditambah sebesar 1% maka pertumbuhan
ekonomi akan meningkat sebesar 0,48%. Dalam jangka panjang nilai
koefisien akan meningkat menjadi 0,62%.
Hubungan antara IVA (Industry Value Added) dengan pertumbuhan
ekonomi berhubungan positif, artinya semakin meningkat IVA akan
meningkatkan pertumbuhan ekonomi. Nilai koefisien dalam jangka pendek
bernilai 0,22, artinya jika TR ditambah sebesar 1% maka pertumbuhan
ekonomi akan meningkat sebesar 0,22%. Dalam jangka panjang nilai
koefisien akan meningkat menjadi 0,28%.
Nilai koefisien dalam model ini sebesar 1-0.2181=0.7819, artinya perbedaan
antara pertumbuhan ekonomi yang diharapkan dengan kenyataannya 78%
dapat disesuaikan.
 BAB 3
REGRESI MODEL KOREKSI KESALAHAN
(Error Correction Model)

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:

1. Melakukan spesifikasi hubungan yang diharapkan dalam model yang diteliti.

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

2. Membentuk fungsi biaya tunggal dalam metode koreksi kesalahan:

Ct = b1 (GDPt – GDPt*) + b2 {(GDPt - GDPt-1)– ft (Zt - Zt-1)}2 …........... (2)

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.

a. Memiminumkan fungsi biaya persamaan terhadap Rt, maka akan diperoleh:

GDPt = GDPt + (1- e) GDPt-1 – (1 – e) ft (1-B) Zt .................... ( 3)
b. Mensubtitusikan GDPt – GDPt-1 sehingga diperoleh:
LogGDPt = b0 + b1INFt + b2LIRt + b3LogKURSt + b5LogGFCFt + b6LogIVAt +
B7LogTRADEt + b8LogAKt + b9Log0TRt ..................................................... (4)
Sementara hubungan jangka pendek dinyatakan dengan persamaan sebagai
berikut:
DLogGDPt = b0 + b1DINFt + b2DLIRt + b3DLogKURSt + b5DLogGFCFt +
b6DLogIVAt + B7DLogTRADEt + b8DLogAKt + b9DLog0TRt ..................... (5)

Dari hasil parameterisasi persamaan jangka pendek dapat menghasilkan bentuk

persamaan baru, persamaan tersebut dikembangkan dari persamaan yang
sebelumnya untuk mengukur parameter jangka panjang dengan menggunakan
regresi ekonometri model ECM:

DLogGDPt = β0 + b1DINFt + β2DLIRt + β3DLogKURSt + β5DLogGFCFt + β6

DLogIVAt + β7DLogTRADEt + β8DLogAKt + β9DLog0TRt + ECT + t ….. (6)
ECT = DINFt-1 + DLIRt-1 + DLogKURSt-1 + DLogGFCFt-1 + DLogIVAt-1 +
DLogTRADEt-1 + DLogAKt-1 + DLog0TRt-1 …................................................. (7)

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.

Uji Derajat Integrasi

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:

Δt = λt-1 .........................................(13)

Δt = λt-1 + i 𝑖=1 𝛥 t-1
𝑚
.........................................(14)

Dengan uji hipotesisnya:

H0 :  = I(1), artinya tidak ada kointegrasi
Ha :   I(1), artinya ada kointegrasi
Berdasarkan hasil regresi OLS pada persamaan (12) akan memperoleh nilai CRDW
hitung (nilai DW pada persamaan tersebut) untuk kemudian dibandingkan dengan
CRDW tabel. Sedangkan dari persamaan (13) dan (14) akan diperoleh nilai EG dan
AEG hitung yang nantinya juga dibandingkan dengan nilai DF dan ADF tabel.

Error Correction Model

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:

DLogGDPt = β0 + b1DINFt + β2DLIRt + β3DLogKURSt + β5DLogGFCFt + β6 DLogIVAt

+ β7 DLogTRADEt + β8DLogAKt + β9DLog0TRt + ECT(-1) + t ............. (13)

Langkah-langkah Penenelitian Dengan ECM

Studi Kepustakaan
(Teori dan Studi Terdahulu)

Identifikasi Variabel Penelitian dan

Pembentukan Model

Revisi Pembuatan Hipotesis

Tidak Proses Pengumpulan Data

Pengolahan Data
Memenuhi Uji Akar Unit, Uji Kointegrasi, Regresi Jangka
Pendek dan Uji Asumsi Klasik

Ya
Estimasi Model dan
Pengujian Hipotesis

Kesimpulan dan Rekomendasi

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

Pada Workfile structure type  date

Frequency  Annual
Start date  1986
End date  2015

Copy data yang ada (dalam kotak merah dari B1

….. J..) di Excell dan masukan ke dalam Eviews 
Quick  Empty Group (Edit Series)
Uji Akar Unit

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.

Buka GDP  double klik

View  Unit Root 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

Diperoleh graphic sebagai berikut :

Uji Stasioner untuk data first difference

Dari hasil Augmented Dickey-Fuller untuk variabel GDP pada data first difference D(GDP) sudah stasioner
karena nilai Augmented Dickey-Fuller t-Statistik (-3,104415) bertanda negative dan diatas -3,689194. Dan
bentuk graph stasioner seperti dibawah ini.

Lakukan uji akar unit untuk variabel inf, lir, kurs, GFCF, IVA, TRADE, AK dan TR

Stasioner Tidak Stasioner Tidak Stasioner

 Tidak Stasioner Tidak Stasioner Tidak Stasioner

Tidak Stasioner Tidak Stasioner

Karena semua variabel pada data level belum stasioner, maka kita lakukan uji akar unit untuk data first
differencenya

Stasioner Stasioner Stasioner

Stasioner Stasioner Stasioner

Stasioner Stasioner
Seluruh variabel sudah stasioner pada data first difference.

Uji Akar Unit

Variabel Level 1st Difference
ADF Prob Kesimpulan ADF Prob Kesimpulan
GDP 2,668 1,0000 Tidak stasione -3,104 0,037 Stasioner
INF -4,484 0,0013 Stasioner -6,447 0,000 Stasioner
LIR -1,587 0,4758 Tidak stasione -5,609 0,000 Stasioner
KURS -0,756 0,8164 Tidak stasione -6,229 0,000 Stasioner
GFCF 0,722 0,9906 Tidak stasione -3,728 0,009 Stasioner
IVA 0,516 0,9844 Tidak stasione -4,545 0,001 Stasioner
TRADE -1,693 0,4240 Tidak stasione -5,999 0,000 Stasioner
AK 2,074 0,998 Tidak stasione -5,225 0,000 Stasioner
TR -0,033 0,948 Tidak stasione -5,2838 0,000 Stasioner

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

Langkan-langkahnya sebagai berikut :

1. Lakukan regresi dalam jangka panjang

Dengan persamaan regresi sebagai berikut :

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 :

Klik  Proc  Make Equation…

Dan persamaan regresi jangka panjangnya 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

3. Uji Akar Unit Untuk 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

Null Hypothesis: ECT has a unit root

Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=7)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -4.092864 0.0038

Test critical values: 1% level -3.689194
5% level -2.971853
10% level -2.625121

*MacKinnon (1996) one-sided p-values.

Regres Jangka Pendek

Kemudian kita lakukan regresi jangka pendek (ECM)

 klik  Estimate  tulislah persamaan ECM nya

Sehingga hasil persamaan ECM sebagai berikut :

Nilai ECT negative

dan harus sign

Hasil Regresi Jangka Panjang dan Jangka Pendek

Model Jangka Panjang Model ECM (Jangka Pendek)

Variable Coefficient Prob. Variable Coefficient Prob.
INF 4099.527 0.1794 D(INF) 3364.604 0.1641
LIR -6528.040 0.3604 D(LIR) -7690.319 0.2225
KURS 26.18497 0.0711 D(KURS) 20.95405 0.1465
GFCF 0.848454 0.0007 D(GFCF) 0.965011 0.0000
IVA 1.151055 0.0013 D(IVA) 0.813707 0.0038
TRADE -0.200752 0.0029 D(TR) 0.634994 0.0015
TR 0.983500 0.0000 D(TRADE) -0.160247 0.0013
AK 10276.39 0.3073 D(AK) 22510.67 0.1007
ECT(-1) -0.736953 0.0075
C 227912.0 0.7259 C 12201.08 0.7594
R2 0.999306 R2 0,950103
Uji Asumsi Klasik Untuk Model ECM

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.

Buka Eviews dalam keadaan kita regres model ECM

Pilih View  Residual Diagnostics  Histogram – Normality Test

Dan diperoleh hasil sebagai berikut :

Lihat nilai Jarque-Bera dan

Probability
Jika Probability > 0,05 maka Ho
diterima. Artinya data yang
digunakan dalam menganilis model
ECM berdistribusi Normal

Uji Linearitas

Pilih  View  Stability Diagnostics  Ramsey RESET Test…

Klik  OK

Lihat F- Statistic, jika

probability diatas 0,05 artinya
Model yang digunakan telah
memenuhi asumsi 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.

Pilih Eviews  Residual Diagnostics  Serial Correlation LM Test…

 Nilai Obs *R-squared kurang dari
0,05 artinya Model mengandung
Autokorelasi.

Atau

Nilai F-statistic di atas 0,05 artinya

Model tidak mengandung Autokelasi
 ini yang digunakan

(Karena hasil Obs *R-squared tidak

konsisten dengan F-statistic maka
kita pilih yang menerima Ho yaitu
model tidak mengandung
Autokorelasi)

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 Eviews  Residual Diagnostics  Heteroscedasticity Test…

Untuk uji hetero skedastisitas bisa memilih
beberapa metode seperti Breusch-Pagan-Godfrey,
Harvey, Glejsyer, ARCH dan Custom Test Wizard

Pilih  Breusch-Pagan-Godfrey

Nilai Obs *R-squared 0,7627 Lebih dari

0,05 artinya Model tidak mengandung
Heteroskedastisitas.

Atau

Nilai prob F-statistic 0,839 di atas 0,05

artinya Model tidak mengandung
Heteroskedastisitas 
Homoskedastisitas

(Hasil Obs *R-squared konsisten

dengan F-statistic maka Semua hasil
menerima Ho yaitu model tidak
mengandung Heteroskedastisitas)

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

Buka Eview  Blok varibel sesuai urutan  Klik kanan  Copy

Buka  Quick  Group Statistics  Correlation

Klik  OK
Model terhindar dari Multikolinearitas jika nilai Correlation kurang dari 0,8

Atau menggunakan VIF dan TOL

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 :

H0 : Terdapat masalah multikolinearitas

H1 : Tidak terdapat masalah multikolinearitas

Probabilitas < 10, H0 ditolak, H1 diterima

Probabilitas > 10, H1 ditolak, H0 diterima

Buka  Coefficient Diagnostics  Variance Inflation Factors

Dan hasilnya uji Multikolinearitas dengan VIF sebagai berikut :

Nilai Centered VIF semuanya kurang dari 10, sehingga dapat disimpulkan model ECM tidak mengandung
Multikolinearitas.
Interpretasi Hasil Regresi

Model ECM yang kita hasilkan sudah memenuhi semua criteria, sehingga dapat dilanjutkan dengan
analisis hasil regresi jangka pendek dan jangka panjang.

Model Jangka Panjang Model ECM (Jangka Pendek)

Variable Coefficient Prob. Variable Coefficient Prob.
INF 4099.527 0.1794 D(INF) 3364.604 0.1641
LIR -6528.040 0.3604 D(LIR) -7690.319 0.2225
KURS 26.18497 0.0711 D(KURS) 20.95405 0.1465
GFCF 0.848454 0.0007 D(GFCF) 0.965011 0.0000
IVA 1.151055 0.0013 D(IVA) 0.813707 0.0038
TRADE -0.200752 0.0029 D(TR) 0.634994 0.0015
TR 0.983500 0.0000 D(TRADE) -0.160247 0.0013
AK 10276.39 0.3073 D(AK) 22510.67 0.1007
ECT(-1) -0.736953 0.0075
C 227912.0 0.7259 C 12201.08 0.7594
R2 0.999306 R2 0,950103
Fh 3.777,227 Fh 40,198
DW 1,633 DW 1,40617
Catatan : Variabel Terikat GDP

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 (R2 )

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).

Hsiao (2014), mencatat bahwa penggunaan panel data dalam penelitian

ekonomi memiliki beberapa keuntungan utama dibandingkan data jenis
cross section maupun time series. Pertama, dapat memberikan peneliti jumlah
pengamatan yang besar, meningkatkan degree of freedom (derajat kebebasan),
data memiliki variabilitas yang besar dan mengurangi kolinieritas antara
variabel penjelas, di mana dapat menghasilkan estimasi ekonometri yang
efisien. Kedua, panel data dapat memberikan informasi lebih banyak yang
tidak dapat diberikan hanya oleh data cross section atau time series saja. Dan
Ketiga, panel data dapat memberikan penyelesaian yang lebih baik dalam
inferensi perubahan dinamis dibandingkan data cross section.

Menurut Wibisono (2005) k eunggulan regresi data panel antara lain :

Pertama. Panel data mampu memperhitungkan heterogenitas individu
secara ekspilisit dengan mengizinkan variabel spesifik individu. Kedua.
Kemampuan mengontrol heterogenitas ini selanjutnya menjadikan data
panel dapat digunakan untuk menguji dan membangun model perilaku
lebih kompleks. Ketiga, data panel mendasarkan diri pada observasi cross-
section yang berulang-ulang (time series), sehingga metode data panel
cocok digunakan sebagai study of dynamic adjustment. Keempat, tingginya
jumlah observasi memiliki implikasi pada data yang lebih informative, lebih
variatif, dan kolinieritas (multikol) antara data semakin berkurang, dan
derajat kebebasan (degree of freedom/df) lebih tinggi sehingga dapat diperoleh
hasil estimasi yang lebih efisien. Kelima, data panel dapat digunakan untuk
mempelajari model-model perilaku yang kompleks. Dan Keenam, Data
panel dapat digunakan untuk meminimalkan bias yang mungkin
ditimbulkan oleh agregasi data individu.

Model Regresi Panel dari judul diatas sebagai berikut ini:

Y = α + b1X1it + b2X2it +…..+ e

Keterangan:

Y = Variabel dependen (LDR)

α = Konstanta
X1 = Variabel independen 1
X2 = Variabel independen 2
b(1,2…) = Koefisien regresi masing-masing variabel independen
e = Error term
t = Waktu
i = Perusahaan

Dalam metode estimasi model regresi dengan menggunakan data panel

dapat dilakukan melalui tiga pendekatan, antara lain:

1. Common Effect Model

Merupakan pendekatan model data panel yang paling sederhana karena

hanya mengkombinasikan data time series dan cross section. Pada model ini
tidak diperhatikan dimensi waktu maupun individu, sehingga diasumsikan
bahwa perilaku data perusahaan sama dalam berbagai kurun waktu. Metode
ini bisa menggunakan pendekatan Ordinary Least Square (OLS) atau teknik
kuadrat terkecil untuk mengestimasi model data panel.

2. Fixed Effect Model

Model ini mengasumsikan bahwa perbedaan antar individu dapat

diakomodasi dari perbedaan intersepnya. Untuk mengestimasi data panel
model Fixed Effects menggunakan teknik variable dummy untuk menangkap
perbedaan intersep antar perusahaan, perbedaan intersep bisa terjadi karena
perbedaan budaya kerja, manajerial, dan insentif. Namun demikian slopnya
sama antar perusahaan. Model estimasi ini sering juga disebut dengan
teknik Least Squares Dummy Variable (LSDV).

3. Random Effect Model

Model ini akan mengestimasi data panel dimana variabel gangguan

mungkin saling berhubungan antar waktu dan antar individu. Pada model
Random Effect perbedaan intersep diakomodasi oleh error terms masing-
masing perusahaan. Keuntungan menggunkan model Random Effect yakni
menghilangkan heteroskedastisitas. Model ini juga disebut dengan Error
Component Model (ECM) atau teknik Generalized Least Square (GLS)
 Studi Pustaka
(Kerangka Teori dan Studi Terdahulu)

Identifikasi Variabel Penelitian dan

Pembentukan Model

Metode Estimasi Data Panel

1. Common Effect
2. Fixed Effect
3. Random Effect
Tidak

Pemilihan Model Regresi Data Panel

1. Uji Chow
2. Uji Lagrange Multiplier
3. Uji Hausman

Pengolahan Data
Memenuhi Uji Spesifikasi Model dan Uji
Asumsi Klasik

Ya
Estimasi Model dan
Pengujian Hipotesis

Kesimpulan dan Saran

Gambar 1
Langkah-Langkah Penelitian Data Panel
 Data GDP, POP, KURS, GFCF, LIR, TR, TRADE dan IVA di 5 Negara ASEAN

Tahun GDP POP Kurs GFCF LIR TR Trade IVA

2000 4,121,726,241,993,900 211,540,428 8,422 1,060,872,288,362,200 18.46 99,643,790,476,190 2,944,432,464,112,750 1,967,791,836,600,200
2001 4,271,899,954,667,000 214,448,301 10,261 1,129,749,087,480,800 18.55 190,614,200,000,000 2,981,495,922,803,340 2,021,590,172,211,700
2002 4,464,113,041,849,300 217,369,087 9,311 1,182,784,395,845,000 18.95 215,467,500,000,000 2,637,374,038,628,250 2,107,764,749,213,200
2003 4,677,514,123,258,600 220,307,809 8,577 1,189,884,726,120,600 16.94 249,404,313,253,852 2,507,919,080,077,860 2,186,913,010,032,200
2004 4,912,833,962,560,100 223,268,606 8,939 1,364,599,072,554,300 14.12 283,093,000,000,000 2,935,973,057,506,130 2,273,100,844,234,100
2005 5,192,500,538,917,800 226,254,703 9,705 1,513,164,999,669,000 14.05 312,488,056,626,926 3,322,573,914,833,110 2,380,026,639,458,400
2006 5,478,137,490,010,100 229,263,980 9,159 1,552,460,084,009,500 15.98 343,625,377,952,311 3,103,755,304,808,870 2,486,855,317,982,500
2007 5,825,726,531,358,900 232,296,830 9,141 1,697,209,598,268,500 13.86 374,762,699,277,696 3,194,202,162,925,520 2,604,234,878,138,900
INDONESIA

2008 6,176,068,457,506,700 235,360,765 9,699 1,898,942,099,974,500 13.60 658,701,000,000,000 3,616,792,130,902,920 2,701,585,275,030,700

2009 6,461,950,710,551,600 238,465,165 10,390 1,961,482,072,067,500 14.50 619,922,000,000,000 2,940,970,850,172,160 2,798,525,931,939,900
2010 6,864,133,100,000,000 241,613,126 9,090 2,127,840,682,000,000 13.25 723,307,000,000,000 3,205,637,598,235,500 2,936,192,400,000,000
2011 7,287,635,300,000,000 244,808,254 8,770 2,316,359,104,097,800 12.40 873,874,000,000,000 3,656,936,354,349,880 3,122,633,400,000,000
2012 7,727,083,400,000,000 248,037,853 9,387 2,527,728,790,484,400 11.80 980,518,000,000,000 3,831,311,903,721,210 3,288,298,000,000,000
2013 8,156,497,800,000,000 251,268,276 10,461 2,654,375,036,700,900 11.66 1,077,310,000,000,000 3,967,106,232,237,770 3,431,080,900,000,000
2014 8,566,271,200,000,000 254,454,778 11,865 2,775,733,579,064,600 12.61 1,145,282,928,434,310 4,116,716,178,297,760 3,577,694,800,000,000
2015 8,976,931,500,000,000 257,563,815 13,389 2,916,601,630,562,700 12.66 1,164,554,577,386,610 3,764,719,516,265,140 3,672,595,500,000,000
2016 8,164,934,610,302,790 260,013,489 12,935 2,542,077,573,709,210 11.56 935,748,526,661,157 4,201,921,841,339,830 3,547,268,352,813,750
2017 8,380,512,700,553,410 263,041,350 13,343 2,612,020,756,005,150 11.13 974,202,791,298,637 4,304,178,262,152,610 3,638,770,115,628,690
2018 8,596,090,790,804,030 266,069,210 13,751 2,681,963,938,301,090 10.69 1,012,657,055,936,110 4,406,434,682,965,400 3,730,271,878,443,630
2000 183,379,000,000 4,027,887 1.72 57,109,300,000 5.83 24,606,000,000 671,297,132,015 49,397,500,000
2001 181,632,700,000 4,138,012 1.79 54,731,200,000 5.65 23,466,000,000 640,707,943,923 45,290,500,000
SINGAPORE

2002 189,282,500,000 4,175,950 1.79 50,010,400,000 5.35 21,025,000,000 670,586,235,664 47,163,100,000

2003 197,677,800,000 4,114,826 1.74 47,501,400,000 5.31 21,173,000,000 756,693,631,255 47,769,000,000
2004 216,554,400,000 4,166,664 1.69 52,075,500,000 5.30 22,563,000,000 879,843,366,239 52,653,700,000
2005 232,772,500,000 4,265,762 1.66 53,477,000,000 5.30 24,627,000,000 983,069,170,288 56,860,200,000
2006 253,396,600,000 4,401,365 1.59 58,541,200,000 5.31 27,940,000,000 1,090,511,558,656 63,055,200,000
2007 276,484,900,000 4,588,599 1.51 67,890,600,000 5.33 34,961,000,000 1,102,228,634,774 67,732,000,000
 Tahun GDP POP Kurs GFCF LIR TR Trade IVA
2008 281,427,400,000 4,839,396 1.41 75,333,000,000 5.38 37,679,000,000 1,237,314,366,668 67,653,400,000
2009 279,729,300,000 4,987,573 1.45 78,111,500,000 5.38 36,584,000,000 1,007,670,883,058 67,881,300,000
2010 322,361,100,000 5,076,732 1.36 84,224,800,000 5.38 41,807,100,000 1,199,503,600,000 84,111,900,000
2011 342,371,500,000 5,183,688 1.26 88,618,400,000 5.38 46,049,300,000 1,282,874,386,498 89,975,600,000
2012 354,937,000,000 5,312,437 1.25 95,931,600,000 5.38 50,081,500,000 1,303,099,571,415 92,002,000,000
2013 371,532,000,000 5,399,162 1.25 101,416,000,000 5.38 51,077,100,000 1,343,427,462,218 94,256,200,000
2014 383,644,000,000 5,469,724 1.27 98,777,300,000 5.35 54,083,600,000 1,380,249,251,424 96,904,600,000
2015 391,349,000,000 5,535,002 1.37 97,756,100,000 5.35 55,639,600,000 1,276,255,855,731 93,605,900,000
2016 378,799,288,506 5,589,202 1.25 98,542,169,425 5.04 50,567,927,816 1,422,227,212,025 94,751,036,782
2017 390,182,949,485 5,687,450 1.23 101,363,281,216 4.99 52,158,273,267 1,466,417,972,886 97,567,786,036
2018 401,566,610,463 5,785,698 1.20 104,184,393,007 4.94 53,748,618,717 1,510,608,733,747 100,384,535,291
2000 1,148,003,261,100 51,360,341 3.80 128,089,585,500 7.67 48,709,000,000 2,530,283,567,400 252,963,440,700
2001 1,135,692,216,900 51,627,469 3.80 125,447,962,500 7.13 62,741,041,000 2,309,596,343,100 246,632,941,000
2002 1,234,364,173,200 54,313,322 3.80 126,172,668,100 6.53 66,859,000,000 2,460,785,113,800 256,965,744,900
2003 1,348,896,825,900 57,179,984 3.80 129,760,671,400 6.30 64,891,000,000 2,619,488,710,800 275,957,749,900
2004 1,526,959,233,900 61,743,758 3.80 134,371,788,600 6.05 72,051,000,000 3,212,322,502,500 295,216,014,600
2005 1,750,919,095,800 68,447,143 3.79 141,057,295,500 5.95 80,593,000,000 3,569,326,678,800 304,465,944,800
2006 1,922,297,721,300 72,460,107 3.67 149,892,719,300 6.49 86,630,341,000 3,894,145,623,900 317,580,854,500
2007 2,143,126,674,000 75,138,535 3.44 166,072,117,100 6.41 95,168,389,525 4,124,792,489,400 320,087,395,500
MALAYSIA

2008 2,480,079,502,800 85,628,170 3.34 170,207,590,500 6.08 112,897,300,469 4,381,521,541,195 317,288,727,200

2009 2,296,183,240,765 82,719,612 3.52 165,973,951,600 5.08 106,504,411,011 3,732,653,603,412 296,120,332,600
2010 2,645,921,057,400 90,575,721 3.22 184,291,000,000 5.00 109,515,185,226 4,179,100,235,400 310,501,000,000
2011 2,936,783,166,300 97,017,891 3.06 195,995,000,000 4.92 134,885,000,000 4,550,187,060,900 317,855,000,000
2012 3,128,496,596,100 99,526,719 3.09 233,202,000,000 4.79 151,643,000,000 4,625,225,806,500 333,553,000,000
2013 3,281,054,334,300 101,224,491 3.15 252,162,000,000 4.61 155,952,200,000 4,682,757,873,600 345,531,000,000
2014 3,564,037,632,600 105,256,037 3.27 264,235,000,000 4.59 164,204,890,000 4,929,400,721,700 366,742,000,000
2015 3,727,244,327,400 106,369,976 3.91 274,010,000,000 4.59 171,820,174,259 5,000,287,469,400 385,975,000,000
2016 3,312,462,743,639 106,050,403 3.76 240,567,558,210 4.11 148,973,844,049 5,321,087,688,624 391,630,457,386
2017 3,431,095,788,324 109,225,560 3.80 246,963,417,904 3.88 153,844,596,033 5,503,669,636,066 401,523,890,471
 Tahun GDP POP Kurs GFCF LIR TR Trade IVA
2018 3,549,728,833,009 112,400,717 3.84 253,359,277,598 3.65 158,715,348,016 5,686,251,583,508 411,417,323,556
2000 3,580,714,144,600 77,932,247 44.19 22,780,068,912 10.91 657,897,000,000 3,750,076,902,703 1,233,773,328,500
2001 3,684,339,740,200 79,604,541 50.99 28,241,646,217 12.40 698,603,300,000 3,644,141,422,664 1,245,634,218,900
2002 3,818,667,014,300 81,294,378 51.60 32,665,121,487 9.14 777,180,201,653 3,911,654,622,596 1,281,633,984,300
2003 4,008,468,654,600 82,971,734 54.20 32,518,898,694 9.47 914,844,580,454 4,082,598,605,877 1,336,430,145,900
2004 4,276,941,311,300 84,596,249 56.04 31,791,893,213 10.08 1,032,942,517,592 4,389,960,376,553 1,406,338,222,200
2005 4,481,279,173,600 86,141,373 55.09 32,732,240,297 10.18 1,223,016,054,876 4,386,211,041,984 1,465,272,159,600
2006 4,716,230,536,300 87,592,899 51.31 27,782,334,454 9.78 1,313,608,090,000 4,477,628,221,117 1,532,814,099,000
2007 5,028,287,876,800 88,965,508 46.15 27,651,234,906 8.69 1,374,438,470,000 4,355,473,236,639 1,621,226,456,600
PHILIPHINES

2008 5,237,100,460,900 90,297,115 44.32 34,110,276,561 8.75 1,493,400,000,000 3,994,978,933,960 1,699,171,312,900

2009 5,297,239,678,000 91,641,881 47.68 31,149,659,786 8.57 1,370,973,490,000 3,474,479,880,030 1,666,600,706,000
2010 5,701,538,990,500 93,038,902 45.11 40,997,390,701 7.67 1,613,942,200,000 4,072,010,141,559 1,859,515,257,400
2011 5,910,201,356,700 94,501,233 43.31 42,148,492,542 6.66 1,850,017,280,000 4,001,083,182,690 1,893,950,404,200
2012 6,305,228,000,000 96,017,322 42.23 40,341,662,592 5.68 1,908,089,229,239 4,092,057,890,248 2,031,443,000,000
2013 6,750,631,382,800 97,571,676 42.45 51,615,050,648 5.77 2,234,672,960,446 4,066,937,408,096 2,219,068,131,300
2014 7,170,414,383,100 99,138,690 44.40 54,322,486,994 5.53 2,104,916,011,848 4,392,838,913,938 2,391,188,162,800
2015 7,593,828,396,600 100,699,395 45.50 62,528,463,225 5.58 2,226,639,359,382 4,786,807,132,718 2,535,795,730,900
2016 6,709,102,527,567 102,660,095 54.71 48,133,076,269 4.38 2,046,163,554,941 5,090,859,842,252 2,180,660,780,772
2017 6,877,076,533,656 104,218,712 55.79 49,313,829,021 3.86 2,114,772,103,119 5,213,700,151,795 2,232,595,737,294
2018 7,045,050,539,745 105,777,329 56.86 50,494,581,774 3.35 2,183,380,651,297 5,336,540,461,339 2,284,530,693,817
2000 5,254,390,000,000 62,693,322 40.11 1,169,038,000,000 7.83 657,897,000,000 6,373,463,864,778 1,927,493,000,000
2001 5,435,364,000,000 63,415,174 44.43 1,190,489,000,000 7.25 698,603,300,000 6,536,987,066,250 1,972,132,000,000
2002 5,769,578,000,000 64,136,669 42.96 1,264,207,000,000 6.88 777,180,201,653 6,633,269,000,000 2,137,333,000,000
THAILAND

2003 6,184,372,000,000 64,817,254 41.48 1,423,985,000,000 5.94 914,844,580,454 7,216,719,210,212 2,330,706,000,000

2004 6,573,325,000,000 65,404,522 40.22 1,649,896,000,000 5.50 1,032,942,517,592 8,375,209,795,797 2,498,509,000,000
2005 6,848,605,000,000 65,863,973 40.22 1,885,491,000,000 5.79 1,223,016,054,876 9,441,069,296,356 2,629,316,000,000
2006 7,188,838,000,000 66,174,486 37.88 1,934,759,000,000 7.35 1,313,608,090,000 9,639,280,718,938 2,766,905,000,000
2007 7,579,558,000,000 66,353,572 34.52 1,968,711,000,000 7.05 1,374,438,470,000 9,843,810,058,786 2,949,715,000,000
2008 7,710,356,000,000 66,453,255 33.31 2,014,697,000,000 7.04 1,493,400,000,000 10,828,190,199,033 3,017,886,000,000
 Tahun GDP POP Kurs GFCF LIR TR Trade IVA
2009 7,653,432,000,000 66,548,197 34.29 1,795,686,000,000 5.96 1,370,973,490,000 9,098,188,909,247 2,958,856,000,000
2010 8,227,953,000,000 66,692,024 31.69 2,003,974,000,000 5.94 1,613,942,200,000 10,429,526,413,952 3,268,640,000,000
2011 8,296,548,000,000 66,902,958 30.49 2,101,553,000,000 6.91 1,850,017,280,000 11,520,956,231,846 3,134,519,000,000
2012 8,896,468,000,000 67,164,130 31.08 2,326,689,000,000 7.10 1,908,089,229,239 12,256,242,432,126 3,362,631,000,000
2013 9,136,861,000,000 67,451,422 30.73 2,303,576,000,000 6.96 2,234,672,960,446 12,129,469,377,752 3,408,964,000,000
2014 9,211,567,000,000 67,725,979 32.48 2,248,499,000,000 6.77 2,104,916,011,848 12,155,262,559,984 3,397,938,000,000
2015 9,472,101,000,000 67,959,359 34.25 2,354,425,000,000 6.56 2,226,639,359,382 12,010,739,741,105 3,473,353,000,000
2016 9,581,084,527,582 70,220,299 38.03 2,239,457,166,099 4.77 2,046,163,554,941 13,100,796,034,461 3,686,402,218,541
2017 9,821,753,731,260 70,740,037 38.40 2,271,216,203,380 4.47 2,114,772,103,119 13,514,300,617,845 3,784,104,999,890
2018 10,062,422,934,937 71,259,775 38.77 2,302,975,240,662 4.17 2,183,380,651,297 13,927,805,201,228 3,881,807,781,239
Sumber : Laporan Bank Dunia

Persamaan Regresi Data Panel :

GDP = f (POP, KURS, GFCF, LIR, TR, TRADE, IVA)

GDPt = α0 + α1 POPt + α2KURSt +α3GFCFt + α4LIRt + α5TRt + α6 TRADEt+ α6IVAt + εt

Ada 2 cara meregres data panel dalam program eviews, yaitu :
1. Cara Pertama
Cara memindah data dari excel ke eviews sebagai berikut :
a. Buka Excell yang datanya akan kita pindah ke eviews

b. Buka eviews
Klik  File  New  Workfile

Maka akan muncul dilayar

Pilih  Dated-regular frequency

Pilih Frequency  Annual
Dan Isi Start Date 2000
End date 2018 tekan OK
Pilih  Object  New Object

Muncul dilayar

Isi DATAPANEL

Pilih Pool
Dilayar akan muncul :

Dan isilah

Sebanyak Negara yang

dijadikan sampel

Kemudian pilih  Proc  Import Pool Data (ASCI,XLS,WK?)…

Perhatikan data yang akan kita impor, file tersebut harus dalam
keadaan tertutup. Dan yang kita ingat adalah letak data pertama

Letak data
awal yang
akan di copy
di kursor D3

Dan kita cari posisi file tersebut

Pilih Excel
(*.xls)

Klik  Open
 Lokasi Kursor
di awal data

Tulislah semua symbol variabel yang

dijadikan sampel data dan diakhiri
dengan tanda tanya

Klik  OK dan akan muncul dilayar

 Jika muncul tampilah diatas, maka upload data panel di eviews

sukses
Cara melakukan regresi data panel
Klik  datapanel

Dilayar akan muncul

Pilih  Estimate
Isilah Variabel terikatnya dan variabel bebasnya dan diakhiri
setiap variabel dengan tanda tanya
Dalam meregres data panel akan dihasilkan 3 Model :

1. Model Common Effect

2. Model Fixed Effect
3. Model Random Effect
Model Common Effect

Karena muncul tanda E

berarti perbedaan nilai antar
variabel sangat besar,
sehingga perlu kita kecilkan
dengan model logaritma
Setelah semua variabel kita log kan (kecuali LIR karena dalam persen)
didapat hasil sebagai berikut :

Menunjukan
angka elastisitas
Model Fixed Effect

Hasil Regresi
Model Random Effect

Hasil Regresi
Pemilihan Metode Pengujian Data Panel

Uji Chow (Uji likelihood)

Uji Chow merupakan uji untuk menentukan model terbaik antara

Fixed Effect Model dengan Common/Pool Effect Model. Jika hasilnya
menyatakan menerima hipotesis nol maka model yang terbaik untuk
digunakan adalah Common Effect Model. Akan tetapi, jika hasilnya
menyatakan menolak hipotesis nol maka model terbaik yang
digunakan adalah Fixed Effect Model, dan pengujian akan berlanjut
ke uji Hausman.

Chow test yakni pengujian untuk menentukan model Common

Effect atau Fixed Effect yang paling tepat digunakan dalam
mengestimasi data panel. Hipotesis dalam uji chow adalah:

H0 : Common Effect Model atau pooled OLS

H1 : Fixed Effect Model

Uji Hausman

Hausman test yakni pengujian untuk menentukan model Fixed Effet

atau Random Effect yang paling tepat digunakan dalam mengestimasi
data panel. Hipotesis dalam uji chow adalah:

H0 : Random Effect Model

H1 : Fixed Effect Model

Jika dari hasil Uji Hausman tersebut menyatakan menerima

hipotesis nol maka model yang terbaik untuk digunakan adalah model
Random Effect. Akan tetapi, jika hasilnya menyatakan menolak
hipotesis nol maka model terbaik yang digunakan adalah model Fixed
Effect.
Uji Chow
Regres Model Fixed Effect
Klik  View  Fixed/Random Effect Testing

Hasilnya sebagai berikut :

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

Hasil Uji Hausman

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

Salah satu asumsi regresi linier klasik adalah tidak adanya

multikolinearitas sempurna (no perfect multicolinearity) tidak adanya
hubungan linier antara variabel penjelas dalam suatu model regresi.
Istilah ini multikoliniearitas itu sendiri pertama kali diperkenalkan
oleh Ragner Frisch tahun 1934. Menurut Frisch, suatu model
regresi dikatakan terkena multikoliniearitas bila terjadi hubungan
linier yang sempurna (perfect) atau pasti (exact) di antara beberapa
atau semua variabel bebas dari suatu model regresi. Akibatnya
akan kesulitan untuk dapat melihat pengaruh variabel penjelas
terhadap variabel yang dijelaskan (Maddala, 1992: 269-270).
Untuk menguji multikolinearitas bisa dibandingkan R
kuadrat regresi variabel bebas terhadap variabel terikat dengan R
kuadrat regresi antar variable bebasnya. Jika R2 regresi variabel
bebas terhadap variabel terikat lebih besar dari R2 regresi antar
variable bebasnya, maka dapat disimpulkan bahwa model tersebut
tidak mengandung multikolinearitas.

Karena model terbaik adalah Fixed Effect Model, maka model

inilah yang akan kita uji apakah model tersebut memenuhi asumsi
klasik.

Lakukan regres seperti dibawah ini dan lihar R21 :

Didapat R21 = 0.999774
Lakukan regres seperti dibawah ini dan lihar R22 :

Didapat R22 = 0.941266

Lakukan regres seperti dibawah ini dan lihar R23 :

Didapat R23 = 0.995060

Lakukan regres seperti dibawah ini dan lihar R24 :
Didapat R24 = 0.999547
Lakukan regres seperti dibawah ini dan lihar R25 :

Didapat R25 = 0.997681

Lakukan regres seperti dibawah ini dan lihar R26 :

Didapat R26 = 0.999616

Lakukan regres seperti dibawah ini dan lihar R27 :
Didapat R27 = 0.964295

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.

Lakukan regres terhadap model fixed effect, kemudian klik  Proc

 Make Residuals
Akan muncul dilayar

Resid ini otomatis akan tersimpan

Lakukan regresi ulang  klik Estimate

Gantilah Log(GDP?) dengan Log(abs(resid?)) lalu tekan OK, dan

akan muncul dilayar
 Tidak
Signifikan

Model diatas tidak mengandung heteroskedastisitas

2. Cara Kedua

Copy data yang ada di excel

Dari GDP sampai IVA

Buka Eviews

Pilih  File  New  Workfile

Pilih  Balanced Panel dan isi Panel specification

Akan muncul tampilan

Klik  Quick  Empty Group (Edit Series)

Copy data di Excell

Dan Pastekan di sini

Sehingga muncul tampilan sebagai berikut :

Cara Meregres dengan cara kedua ini

Klik  Proc  Make Equation

Ganti
gdp pop kurs gfcf lir tr trade iva c
Dengan
log(gdp) log(pop) log(kurs) log(gfcf) lir log(tr) log(trade) log(iva)
c

Klik  Panel Options

Untuk Regresi Common Effeck pilih

Dan hasil regresinya

Untuk Regresi Fixed Effeck pilih

Dan hasil regresinya

Untuk Regresi Random Effeck pilih
Dan hasil regresinya

Untuk pemilihan Model terbaik

Uji Chow
Estimate Regresi Model Fixed Effect
Pilih  View  Fixed/Random Effect Testing  Redundan
Fixed Effect – Likelihood Ratio
Muncul Hasil Uji Chow

Kesimpulan :
Ho ditolak artinya Model Fixed Effect adalah model terpilih

Uji Hausman

Estimate Regresi Model Random Effect Effect

Pilih  View  Fixed/Random Effect Testing  Correlated
Random Effect – Hausman Test
Hasil Uji Hauman

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

Kemudian klik kanan dan klik  Copy

Kemudian klik  Quick  Group Statistics  Correlation
Maka akan muncul

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

Akan muncul tampilan

Pilih OK

Kemudian klik  Estimate

Ganti
log(gdp) log(pop) log(kurs) log(gfcf) lir log(tr) log(trade) log(iva) c
Dengan

log(abs(resi01)) log(pop) log(kurs) log(gfcf) lir log(tr) log(trade)

log(iva) c
Dan hasilnya

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 %

Hasil regresi tersebut dapat kita susun menjadi persamaan regresi

sebagai berikut :
LOG(GDP) = - 2.8239 + 0.2154 LOG(POP) + 0.1972
LOG(KURS) - 0.0309 LIR - 0.0954
LOG(GFCF) - 0.0352 LOG(TR) + 0.9183
LOG(TRADE) + 0.1509 LOG(IVA)
 DAFTAR PUSTAKA

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.

Granger, C.W.J.; Newbold, P. (1978). "Spurious regressions in Econometrics". Journal of

Econometrics. 2 (2): 111–120. JSTOR 2231972.

Gujarati, D. N. (2003). Basic Econometrics” fourth edition McGraw-Hill. New York.

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

Wibisono, Y. (2005). Metode statistik. Gajah Mada University, Yogyakarta.

Widarjono, A. (2007). Ekonometrika: Teori dan Aplikasi untuk Ekonomi dan Bisnis, edisi
kedua. Yogyakarta: Ekonisia FE Universitas Islam Indonesia.

Widarjono, A. (2009). Ekonometrika pengantar dan aplikasinya. Yogyakarta: Ekonisia.

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.

PANDUAN PRATIKUM EVIEWS MM UMY | 120