Anda di halaman 1dari 15

2.7.

Praktikum 9

Praktikum kesembilan ekonometrika dibahas mengenai model dinamis


distribusi lag, aplikasi EViews pada metode Koyck dan Almon, model dinamis
autoregressive, aplikasi EViews pada metode Almon dan akibat dari transfomasi
Koyck dalam mengubah model dinamis distribusi lag menjadi model dinamis
autoregressive.

2.9.1. Model Dinamis Distribusi Lag


Suatu variabel tak bebas apabila dipengaruhi oleh variabel bebas pada
waktu t, serta dipengaruhi juga oleh variabel bebas pada waktu t−1, t – 2, dan
seterusnya disebut model dinamis distribusi lag. Model dinamis distribusi lag
terbagi dua jenis yaitu model infinite lag dan model finite lag.
1. Model infinite lag
Model Y t =α + β0 X t + β 1 X t −1+ β2 X t −2+ …+ε t disebut model infinite lag
sebab panjang beda kalanya tidak diketahui. Model infinite lag dapat dididekati
dengan metode Koyck.
Metode Koyck didasarkan asumsi bahwa semakin jauh jarak lag variabel
bebas dari periode sekarang maka semakin kecil pengaruh variabel lag terhadap
variabel tak bebas. Koyck mengusulkan suatu metode untuk memperkirakan
model dinamis distribusi lag dengan mengasumsikan bahwa semua koefisien β
mempunyai tanda sama.
2. Model finite lag
Model Y t =α + β0 X t + β 1 X t −1+ β2 X t −2+ …+ β k X t−k + ε t atau

k
Y t =α + ∑ β i X t −i+ ε t disebut model finite lag sebab panjang beda diketahui yaitu
i=0

sebesar k. Model finite lag dapat dididekati dengan metode Almon.


Metode Koyck banyak digunakan dalam distribusi lag. Penerapan dengan
metode Koyck berdasarkan asumsi bahwa koefisien β menurun secara geometris
sepanjang beda kala (lag). Namun, apabila diagram pencar antara β dengan lag itu
naik kemudian menurun maka metode Koyck tidak dapat diterapkan.
2.9.2. Aplikasi Penggunaan EViews pada metode Koyck
Penelitian dilakukan untuk mengetahui hubungan antara pembelian
perlengkapan dan hasil penjualan suatu perusahaan selama 10 tahun. Berdasarkan
data pembelian perlengkapan dan hasil penjualan dalam tabel 10 akan ditunjukkan
persamaan dinamis distribusi lag dugaan dengan menggunakan metode Koyck.
Tahun Pembelian Perlengkapan (Y ) Penjualan (X )
1991 52.9 30.3
1992 53.8 30.9
1993 54.9 30.9
1994 58.2 33.4
1995 60 35.1
1996 63.4 37.3
1997 68.2 41
1998 78 44.9
1999 84.7 46.5
2000 90.6 50.3
2001 98.2 53.5
2002 101.7 52.8
2003 102.7 55.9
2004 108.3 63
2005 124.7 73
2006 157.9 84.8
2007 158.2 86.6
2008 170.2 98.9
2009 180 110.8
2010 198 124.7
Tabel 13. Data Hubungan antara Pembelian Perlengkapan
dan Hasil Penjualan
Langkah-langkah menentukan model Koyck yaitu caranya sama seperti
meregresikan data tetapi pada kotak dialog equation estimation diisikan
y c x y (−1) karena persamaan regresinya yaitu y=c1 + c2 x+ c3 y (−1).
Gambar 50. Model Koyck
Berdasarkan (Gambar 50.), diperoleh model dugaan:
Y t =2,726763+0,940723 X t + 0,468239Y t −1
Model dugaan dapat dituliskan dalam bentuk persamaan dinamis distribusi lag
dugaan dengan cara sebagai berikut:
Berdasarkan persamaan di atas diketahui:
^
C=0,468239
^ )=2,726763
α^ ( 1−C
2,726763
α^ =
0,531761
α^ =5,1278
^β 0=β 0=0,941
^β 1=β 1 C=0,4403
^β 2=β 2 C 2=0,206

Jadi model lag dugaannya adalah:


^
Y^ =5,1278+ 0,941 X t +0,4403 X t −1+ 0,206 X t−2 +⋯
Bisa diamati bahwa pengaruh dari lag Y menurun secara geometris dilihat dari
persamaan Y t=2,726763+0,940723 X t + 0,468239Y t −1. Diketahui bahwa nilai
koefisien dari Y t −1 bernilai positif yaitu sebesar 0,468239 . Nilai 0,468239 berarti
bahwa apabila penjualan naik sebesar 1 % maka pengeluaran perlengkapan akan
naik sebesar 0,468239 %.
log2 log2
Medianlag= = =−0,91289 artinya 50 % dari perubahan
log λ log 0,468
pembelian perlengkapan (Y ) dicapai kurang dari satu periode.

0,468
Mean lag= =0,879699 artinya dampak perubahan pembelian
1−0,468
perlengkapan (Y ) yang dirasakan pada periode pertama sebesar 0,88 %.

2.9.3. Model Dinamis Autoregressive


Apabila variabel tak bebas dipengaruhi oleh variabel bebas pada waktu t,
serta dipengaruhi juga oleh variabel tak bebas itu sendiri pada waktu t−1 maka
model tersebut disebut autoregressive. Model dinamis autoregressive, yaitu:
Y t =α + β0 X t + λ Y t−1 + ε t

2.9.4. Aplikasi Penggunaan EViews pada metode Almon


Berikut ini akan dilkukan analisis menggunakan metode Almon pada data
laba dan penjualan sektor pabrik di Amerika Serikat.
Tahun Laba Penjualan Z0 Z1 Z2
1965 :1 10503 114862
1965 :2 12092 123968
1965 :3 10834 121454
1965 :4 12201 131917 360284 713976 1651084
1966 :1 12245 129911 377339 746729 1733445
1966 :2 14001 140976 383282 758107 1750665
1966 :3 12213 137828 402804 796549 1847873
1966 :4 12820 145465 408715 809513 1870931
1967 :1 11349 136989 424269 844049 1965561
1967 :2 12615 145126 420282 841403 1959301
1967 :3 11014 141536 427580 855499 2002267
1967 :4 12730 151776 423651 842755 1954941
1968 :1 12539 148862 438438 870226 2024054
1968 :2 14849 158913 442174 877022 2029790
1968 :3 13203 155727 459551 911965 2120345
1968 :4 14947 168409 463502 920139 2131137
Tabel 14. Data Laba dan Penjualan Sektor Pabrik
di Amerika Serikat
Langkah-langkah menentukan model Almon yaitu pertama harus dibuat
koefisien Z 0t , Z1 t , dan Z2 t dengan cara menggunakan quick → generate series dan
diisikan persamaan sebagai berikut:
Z 0t = penjualan(−1)+ penjualan(−2)+ penjualan(−3)
Z1 t = penjualan (−1 ) +2 × pengeluaran(−2)+ 3× pengeluaran(−3)
Z2 t = pengeluaran(−1)+ 4 × pengeluaran(−2)+ 9 × pengeluaran(−3)
Kemudian regresikan dan pada kotak dialog equation estimation diisikan
laba c Z 0 t Z 1t Z 2 t karena persamaan regresinya yaitu
y=c ( 1 ) +c ( 2 ) × Z 0 t + c ( 3 ) × Z1 t + c (4)× Z 2t .
Gambar 51. Model Awal Almon
Berdasarkan (Gambar 42.), diperoleh model awal Almon:
Y^ =3171,751−0,129041 Z 0 t +0,463 192 Z 2 t−0,166542 Z3 t
Karena C tidak signifkan maka C dan Z 0 tidak digunakan, dan dilakukan regresi
lagi (laba terhadap Z1 dan Z2 saja).

Gambar 52. Model Akhir Almon

Berdasarkan (Gambar 52), diperoleh model akhir Almon:


Y^ =0,376336 Z 1 t−0,155476 Z 2 t
Persamaan di atas dapat dituliskan dalam persamaan regresi dugaan distribusi lag
dengan cara sebagai berikut:
^β 0=α^ 0=0
^β 1=α^ 0 + α^ 1 + α^ 2=0+ 0,376336−0,155476=0,22086
^β 2=α^ 0 +2 α^ 1 +4 α^ 2=0+2 ×0,376336−4 × 0,155476=0,130768
^β 3=α^ 0 +3 α^ 1 +9 α^ 2=0+ 3× 0,376336−9× 0,155476=−0,270276

Jadi diperoleh model lag dugaannya sebagai berikut:


Y t =0,22086 X t −1+ 0,130768 X t−2−0,270276 X t−3
Pada persamaan regresi dugaan tersebut terlihat bahwa:
1. Koefisien regresi pada variabel X t bernilai nol laba tahun ini tidak
dipengaruhi pengeluaran tahun ini.
2. Koefisien regresi pada variabel X t −1 bertanda positif berarti bahwa
hubungan antara pengeluaran sekarang dengan laba 1 tahun yang lalu
searah atau positif. Semakin besar laba 1 tahun sebelumnya maka
semakin besar pengeluaran sekarang.
3. Koefisien regresi pada variabel X t −2 bertanda positif berarti bahwa
hubungan antara pengeluaran sekarang dengan laba 2 tahun yang lalu
searah atau positif. Semakin besar laba 3 tahun sebelumnya maka
semakin besar pengeluaran sekarang.
4. Koefisien regresi pada variabel X t −3 bertanda positif berarti bahwa
hubungan antara pengeluaran sekarang dengan laba 3 tahun yang lalu
searah atau positif. Semakin besar laba 3 tahun sebelumnya maka
semakin besar pengeluaran sekarang.

2.9.5. Masalah yang Timbul dalam Autoregressive


Masalah-masalah yang timbul akibat transformasi Koyck dalam merubah
model distribusi lag menjadi model autoregressive yaitu sebagai berikut:
1. Munculnya Y t −1 dalam regressor membuat masalah baru karena Y t −1
mempunyai sifat stokastik seperti halnya Y t . Padahal, kita mempunyai
asumsi bahwa variabel bebas tidak boleh stokastik. Apabila stokastik harus
independen dengan error term, ut .
2. Dalam model yang sudah ditansformasikan v t=ut −λ u t−1. Sifat-sifat v t
sangat tergantung pada sifat-sifat ut . Ukuran ketepatan respon/reaksi y
terhadap perubahan x.
3. Median lag adalah waktu yang diperlukan untuk mencapai setengah 50 %
dari reaksi atas perubahan.
log 2
Medianlag =
log λ
4. Mean lag merupakan rata-rata lag.

Mean lag=
∑ k βk = λ
βk 1−λ

2.8. Praktikum 10

Praktikum kesepuluh ekonometrika dibahas mengenai metode estimasi


model regresi panel dan aplikasi EViews pada data panel.

1.10.1. Metode Estimasi Model Regresi Panel


Data panel adalah gabungan antara data runtun waktu (time series) dan
data silang (cross section). Data runtun waktu biasanya meliputi satu objek tetapi
meliputi beberapa periode (bisa harian, bulanan, kuartalan, atau tahunan).
Mengingat data panel merupakan gabungan dari data cross section dan data time
series, maka modelnya dituliskan dengan:
Y it =α + β X it +ut ; i=1,2 , … , N ; t=1,2 , … , T
Dimana N=¿ banyaknya observasi
T =¿ banyaknya waktu
Terdapat tiga pendekatan yang biasa digunakan dalam metode estimasi
model regresi panel yaitu:
1. Common effect model
Common effect model merupakan pendekatan paling sederhan yang disebut
estimasi CEM atau pooled least square. Pada pendekatan ini diasumsikan ini
bahwa nilai intersep masing-masing variable adalah sama, begitu pula slope
koefisien untuk semua unit cross-section dan time series. Berdasarkan asumsi ini
maka model CEM dinyatakan sebagai berikut:
Y it =α + β X it +ut ; i=1,2 , … , N ; t=1,2 , … , T
2. Fixed effect model
Salah satu cara memperhatikan unit cross section pada model regresi panel
adalah dengan mengizinkan nilai intersep berbeda-beda untuk setiap unit cross
section tetapi masih mengasumsikan slope koefisien tetap. Model FEM
dinyatakan sebagai berikut:
Y it =α i + β X it +ut ; i=1,2 , … , N ; t=1,2 , … , T

3. Random effect model


Pada model REM, diasumsikan α i merupakan variabel random dengan
mean α 0 sehingga intersep dapat dinyatakan sebagai α i=α 0 +ε t dengan ε t
merupakan error random mempunyai mean 0 dan varians σ 2, ε t tidak secara
langsung diobservasi atau disebut juga variabel laten. Persamaan model REM
adalah sebagai berikut:
Y it =α 0 + β X it +w t ; i=1,2 , … , N ; t=1,2 , … ,T
Dengan w t=ε t +u t suku error gabungan w t memuat dua komponen error
yaitu ε t komponen error cross section dan ut yang merupakan kombinasi error
cross section dan time series. Dalam menentukan estimasi model regresi panel,
dilakukan beberapa uji untuk memilih metode pendekatan estimasi yang sesuai.
Langkah-langkah yang dilakukan untuk memperoleh model yang tepat pertama
adalah dilakukan uji Chow pada hasil estimasi FEM, setelah terbukti ada efek
individu maka dilakukan uji Hausman untuk menentukan antara FEM atau REM.

2.10.2. Aplikasi EViews pada Data Panel


Misalkan terdapat data tiga perusahaan (yaitu perusahaan A, B dan C).
Masing-masing perusahaan memiliki 4 data penjualan, biaya dan laba (data
dalam jutaan rupiah). Data ketiga perusahaan tersebut diambil selama kurun
waktu empat tahun, yaitu 2001 hingga 2004.
Perusahaan Tahun Penjualan Biaya Laba

2001 525 25 55

2002 575 50 57
A
2003 560 75 58

2004 550 60 50

2001 475 35 68

2002 510 45 70
B
2003 500 50 75

2004 498 50 72

2001 510 32 60

2002 525 49 64
C
2003 560 54 70

2004 550 52 68

Tabel 15. Data Panel


1. Model CEM
Berikut adalah langkah – langkah yang digunakan untuk mengestimasi
model CEM,
a. Setelah meregresikan data, pada jendela estimation method pilih none pada
pilihan cross-section.
Gambar 53. Hasil Estimasi Model CEM
b. Untuk melihat representasinya, klik menu view pada jendela equation
kemudian pilih representations.

Gambar 54. Hasil Representasi Model CEM


c. Berdasarkan langkah-langkah yang telah dilakukan, maka didapat model
CEM-nya yaitu:
LABA A =146.633998483−0.174871367667∗PENJUALAN A +¿
0.20056628505∗IKLAN A
LABA B =146.633998483−0.174871367667∗PENJUALAN B + ¿
0.20056628505∗IKLAN B
LABA C =146.633998483−0.174871367667∗PENJUALAN C + ¿
0.20056628505∗IKLAN C
2. Model FEM
Berikut adalah langkah-langkah yang digunakan untuk mengestimasi
model FEM.
a. Setelah meregresikan data, pada jendela estimation method pilih fixed pada
pilihan cross-section.

Gambar 55. Hasil Estimasi Model FEM


Dari (Gambar 55.), diketahui bahwa konstan untuk objek (dalam hal ini
perusahaan) A adalah −12,08, B adalah 11,59, dan C adalah 0,50. Sedang konstan
variabel penjualan adalah 0,132 dan iklan −0,012.
b. Untuk melihat representasinya, klik menu view pada jendela equation
kemudian pilih representations seperti gambar berikut.

Gambar 56. Hasil Representasi Model FEM


c. Berdasarkan langkah-langkah yang telah dilakukan, maka didapat model
FEM-nya yaitu:
LABA A =−12.0837365646−5.38761407674+ 0.13228651125∗¿
PENJUALAN A −0.0117513681439∗IKLAN A
LABA B =11.5853876881−5.38761407674+ 0.132286511256∗¿
PENJUALAN B−0.0117513681439∗IKLAN B
LABA C =0.49834887649−5.38761407674+0.132286511256∗¿
PENJUALAN C −0.0117513681439∗IKLAN C
3. Uji Chow untuk menentukan CEM atau FEM
Berikut adalah langkah-langkah yang digunakan untuk melakukan uji
Chow untuk model CEM atau FEM.
a. Seteleah meregresikan data, klik view kemudian fixed/random effect
testing kemudian redundant fixed effects-likelihood ratio.

Gambar 57. Hasil Uji Chow


b. Syarat untuk menentukan model CEM dan model FEM adalah sebagai
berkut:
Model CEM:
H 0: α 1=α 2=α 3=α 4
Model FEM:
H 1: Sekurang-kurangnya ada satu intersep (α it ) yang tidak sama.
c. Berdasarkan (Gambar 57.), diperoleh nilai prob dari cross_section Chi-
Square sebesar 0,0000 dimana nilai tersebut lebih kecil dari α =0,05
sehingga H 0 ditolak yang menandakan bahwa model diatas termasuk ke
dalam model FEM.
4. Model REM
Berikut adalah langkah-langkah yang digunakan untuk mengestimasi
model REM.
a. Untuk mengestimasi ke model REM, pada jendela estimation method pilih
random pada pilihan cross-section. Agar dapat dianalisis oleh EViews,
kita perlu menambah satu objek lagi, misal perusahaan D. Datanya tetap
meliputi tahun 2001 hingga 2004. Sehingga diperoleh gambar berikut.

Gambar 58. Hasil Estimasi Model REM


b. Untuk melihat representasinya, klik menu view pada jendela equation
kemudian pilih representations, sehingga muncul tampilan berikut.

Gambar 59. Hasil Representasi Model REM


Berdasarkan langkah-langkah yang telah dilakukan, maka didapat model
REM-nya sebagai berikut:
LABA A =0+153.282797782−0.190646974906∗PENJUALAN A
+0.245506887301∗IKLAN A
LABA B =0+153.282797782−0.190646974906∗PENJUALAN B
+0.245506887301∗IKLAN B
LABA C =0+153.282797782−0.190646974906∗PENJUALAN C
+0.245506887301∗IKLAN C
LABA D=0+ 153.282797782−0.190646974906∗PENJUALAN D
0.245506887301∗IKLAN D

5. Uji Hausman untuk menentukan REM atau FEM


Berikut adalah langkah-langkah yang digunakan untuk melakukan uji
Hausman untuk menentukan model REM atau FEM.
a. Setelah meregresikan data, klik view kemudian fixed/random effect testing
kemudian correlated random effects-likelihood ratio, sehingga muncul
gambar berikut.

Gambar 60. Hasil Uji Hausman


b. Syarat untuk menentukan model CEM dan model FEM adalah sebagai
berkut:
Model CEM:
H 0: corr ( x it , uit )=0
Model FEM:
H 1: corr ( x it , uit ) ≠ 0

c. Berdasarkan (Gambar 60.), diperoleh nilai prob dari cross_section random


sebesar 0,0000 dimana nilai tersebut lebih kecil dari α =0,05 sehingga H 0
diterima yang menandakan bahwa model diatas termasuk ke dalam model
FEM.