Modul Pelatihan Eviews Pane

PENDA
HULUA
A. DEFINISI EKONOMETRIKA
 Analisis kuantitatif ekonomi berdasarkan perkembangan dan observasi
N
yang berkaitan dengan metode inferensi / pengujian yang sesuai.
 Ilmu sosial yang menggunakan teori ekonomi, matematika dan statistik
untuk menganalisa fenomena ekonomi.
Berdasarkann definisi di atas, ekonometrika merupakan gabungan dari :

1. Teori Ekonomi
Sebagai dasar penentuan hubungan antara variabel (apakah + atau -)
Contoh :
a. Teori konsumsi : y maka C (atau sebaliknya)
b. Teori Produksi : L maka Q (atau sebaliknya)
2. Matematika
Digunakan untuk merumuskan teori ekonomi dalam bentuk persamaan
matematika dan dari persamaan matematika diubah menjadi persamaan
ekonometrika.
Contoh : C : a + bY C : a + bY + e
3. Statistika
Ilmu yang mempelajari cara pengumpulan, pengolahan, penyajian dan
analisis data termasuk pengambilan kesimpulan yang mengandung unsur
ketidakpastian.
Digunakan untuk menguji kecocokan persamaan / fungsi matematika
yang akan digunakan untuk peramalan dengan teori ekonomi yang
dilakukan dengan :
a. Menguji hipotesis : Uji-t, Uji-F
b. Menguji asumsi : autokorelasi, heteroskedastisitas, dan
multikolinearitas.
B. TUJUAN EKONOMETRIKA
1. Membuktikan atau menguji validitas teori-teori ekonomi (veritifikasi)
2. Menghasilkan taksiran-taksiran numerik bagi koefisien-koefisien
hubungan ekonomi yang selanjutnya dapat digunakan untuk keperluan
kebijakan ekonomi (penafsiran)
3. Meramalkan nilai besar-besaran ekonomi di masa datang dengan derajat
probabilita tertentu (peramalan)
Pelatihan Alat Analisis dengan Eviews 9 Page 1 of 65

C. MODEL
Merupakan penyederhanaan dari keadaan yang sebenarnya (dunia nyata).
Model yang sederhana lebih mudah dimengerti, dikomunikasikan dan diuji
dengan data empiris, tetapi terdapat dua kelemahan mendasar yaitu :
a. Kadang model terlalu sederhana
b. Asumsi yang digunakan tidak realistis
D. MODEL EKONOMI
Konstruksi teoritis / kerangka analisis ekonomi yang terdiri dari himpunan
konsep, definisi, anggapan / asumsi, persamaan, kesamaan / identitas dan
ketidaksamaan di mana kesimpulan akan diturunkan.
PEMBENTUKAN MODEL EKONOMI

SECARA SEDERHANA
1. TEORI EKONOMI
2. SPESIFIKASI MODEL
MATEMATIKA
3. SPESIFIKASI MODEL
EKONOMETRIKA
4. PENGUMPULAN
DATA
5. ESTIMASI
PARAMETER MODEL
6. UJI HIPOTESIS
(INFERENSI)
TERIMA TEORI JIKA DATA TOLAK TEORI JIKA DATA TIDAK

SESUAI DENGAN TEORI DAN MENDUKUNG MODEL DAN TIDAK
SESUAI DENGAN TEORI
MENJELASKAN MODEL
PERBAIKI TEORI/CARI DATA BARU
PERAMALAN/INTERPRETASI
ULANGI LANGKAH 2-6

CONTOH :
1. TEORI EKONOMI
Hukum permintaan :
Bila suatu harga barang naik ceteris paribus maka konsumen akan
cenderung untuk membeli lebih sedikit. Q = (f,P), cp
2. MODEL MATEMATIKA
Ada dua kemungkinan hubungan antara P dan W, yaitu :
a. Linear Q = a + bP
b. Non-linier Q = a Pb
3. MODEL EKONOMETRIKA
LRM (linear Regression Model)
Q = a + bP + e untuk model linear
Ln Q = Ln a + b Ln P + e untuk model non linear
Dimana ‘e’ adalah kesalahan (error term) dan a,b adalah parameter.
4. PENGUMPULAN DATA
Ada tiga jenis pengumpulan data, yaitu :
a. Time Series Data
b. Cross-Section Data
c. Pooled-Data/ Panel/ Micropanel Data
5. ESTIMASI PARAMETER
Parameter
Bagaimana menentukannya ?  Estimasi
Misal dengan OLS (Ordinary least Square) untuk metode regresi sederhana
diperoleh :
a = Y - bX a = Q - bP
xyi 1 piq1
b= b=
xi2 qi2
Dimana :
y i = Yi – Y i qi = Qi - Qi
xi = Xi – Xi pi = Pi - Pi
6. UJI HIPOTESA/ INFERENSI

H0 : b < 0
Jika benar, sesuai teori
H0 : a > 0
7. ESTIMASI PARAMETER
Jika P = 45, berapa Q ?

PENGENALAM PROGRAM EVIEW’S 9.0
 Program EVIEWS’ 3.0 merupakan perangkat lunak pengolahan data
yang dikembangkan oleh Quantitative Micro Software (QMS) yang
menggunakan pengembangan program Micro TSP yang berbasis
Windows sehingga user dengan mudah dapat menggunakan mouse
tanpa perlu mengetahui perintah-perintah langsung seperti pada
program Mikro TSP versi sebelumnya.
Buka program eviews 9 dan klik file eviews9 dengan type application
seperti ditunjukkan pada gambar berikut :
Gambar 1.1 Tampilan Desktop Windows 98
 Kemudian akan muncul tampilan program eviews0 seperti

ditunjukkan pada gambar berikut
Gambar 1.2 Tampilan Program Eviews 9

Memasukkan Data Baru
 Untuk memasukkan data baru, pada menu Eviews 9, click crate a new
eviews workfile seperti ditunjukkan gambar 1.3 dan kemudian akan
muncul gambar 1.4
Gambar 1.3
Gambar 1.4
 Kemudian, akan muncul kotak dialog workfile create dimana terdapat

proses penentuan struktur tipe data nya seperti ditunjukkan pada
gambar 1.5.
Pilihan untuk workfile structure type adalah
Untuk data cross section pilih : unstructured/undated
Untuk data time series pilih : regular frequency
Untuk data pandel pilih : balanced panel

Gambar 1.5
Contoh :
Entry data berikut dalam program Eviews
TAHUN IMPOR GDP IH Kurs

2000 57.24 220.45 135 10100
2001 43.12 215.22 147 10200
2002 73.14 354.66 118 10250
2003 37.25 241.25 160 10300
2004 64.32 305.64 128 10400
2005 48.43 254.41 149 10500
2006 56.53 354.41 140 10650
2007 50.58 321.21 145 10700
2008 39.35 240.76 140 10850
2009 43.47 265.43 120 10950
2010 68.56 385.22 115 11000
2011 60.74 354.34 130 11200
2012 62.75 424.22 129 11300
2013 66.46 473.33 135 11500
2014 68.24 502.25 124 11650
2015 64.35 497.56 137 11700
2016 65.65 500.54 130 12000

Tahapan entry data :
 Pada gambar 1.5 pilih dated-regular frequency untuk workfile structured type
Pada frequency : pilih annual
Untuk pilihan start date : ketik 2000
Untuk pilihan end date : ketik 2016
Seperti ditunjukkan pada gambar 1.6 kemudian klik OK dan akan muncul
gambar 1.7.
Gambar 1.6
Gambar 1.7
 Pada gambar 1.7 sudah terbentuk workfile untuk data yang akan dientry
dengan
Sample range tahun 2010-2016
Jumlah observasi : 17

 Untuk entry data pada menu eviews click Quick (pada menu / menu
utama), setelah itu click Empty Group (Edit Series) pada menu utama
seperti ditunjukkan pada gambar 1.7. dan kemudian akan muncul gambar
1.8.
 Arahkan mouse pointer ke kotak diatas tahun 2000 kemudian ketik variabel
pertama IMPOR dan pilih numeric series lalu OK seperti ditunjukkan
dengna gambar 1.9.
 Lakukan hal yang sama untuk variabel GDP, IH dan Kurs sehingga akan
dapat dilihat gambar 1.10.
Gambar 1.8
Gambar 1.9

Gambar 1.10
 Ketik data seluruh variabel ke dalam kolom yang ada atau data dapat
dicopy melalui excel atau word dengan format tabel sehingga akan
diperoleh gambar 1.11.
Gambar 1.11
 Save data untuk model impor dengan cara yang klik File, Save as lalu ketik
nama file yang ingin disimpan misal : LATIHAN ENTRY DATA dan pada
pilihan series storage pilih : single atau double precision bebas tergantung
keinginan untuk akurasi angka dibelakang koma. Biasakan double pricesion.
Seperti ditunjukkan pada gambar 1.12. lalu Ok sehingga akan muncul
gambar 1.12 dimana nama file yang tersimpan diidentifikasi dengan namA
FILE : LATIHAN ENTRY DATA seperti ditunjukkan pada gambar 1.13.

 Untuk proses pengolahan selanjutnya nama file yang akan digunakan
adalah LATIHAN ENTRY DATA
Gambar 1.12
Gambar 1.13

ANALI
A. PENGERTIAN SIS
Analisis regresi adalah studi ketergantungan dari satu variabel tidak bebas
REGRE
(dependent variable) terhadap satu atau lebih variabel bebas
(independent variable/Explaining variable/variabel yang
menerangkan) dengan tujuan untuk memperkirakan atau meramalkan
SI
nilai rata-rata dari variabel tidak bebas apabila nilai variabel bebasnya sudah
diketahui.
B. HUBUNGAN DALAM REGRESI

 Hubungan Deterministik (hubungan non-statistik), yaitu hubungan
yang tidak ada kaitannya dengan variabel gangguan random. Hubungan
ini tidak akan terjadi jika kondisi ceteris paribus ditiadakan.
 Hubungan stokastik, yaitu hubungan yang sifatnya random
(stokastik), karena ada pengaruh variabel yang tidak dimasukkan dalam
model matematika dan kesalahan pengukuran yang sifatnya
mengganggu,  (error term).
Q = a + bP + , dimana  = error (random disturbance)
C. ALASAN PENYIPAN ERROR TERM
 Kesalahan dalam spesifikasi model (ada variabel yang belum

dimasukkan)
 Y = a b1X1 + b2X2 + … + bnXn
 Y = a b1X1 + b2X2 + 
 Kesalahan dalam pengukuran (kesalahan dalam pencatatan,
pengumpulan dan pengolahan data)
 Agregasi (data yang digunakan agregat), yaitu jumlah dari macam-
macam data time series, cross section.
D. MODEL ANALISIS REGRESI
 Analisis regresi sederhana

Hubungan atau korelasi antara dua variabel (antara X dan Y) dengan
menggunakan persamaan garis linear sederhana untuk meramalkan nilai
variabel tidak bebas jika nilai variabel bebas sudah diketahui.

Model Matematis Dalam Persamaan
Y = b0 + b1X1
Jika memasukkan random error maka model persamaannya adalah :
Y = b0 + b1X1 + 1 dimana 1 adalah random error.
 Model Analisis Regresi Berganda

Apabila dalam persamaan regresi tercakup lebih dari dua variabel
(termasuk variabel tidak bebas), maka regresi ini disebut regresi linear
(multiple linear regression). Dalam regresi linear berganda variabel tak
bebas Y, tergantung kepada dua atau lebih variabel bebas (independent
variabel).
Model Matematis Dalam Persamaan
Y = f (X1, X2)
Yi = b0 + b1i + b2 + b2i (I = 1,2,3)
Jika ada variabel random  maka, model persamaannya adalah :

Yi = (b0 + b1i X1i + b2i X2i) + i
E. ESTIMASI REGRESI DENGAN MENGGUNAKAN EVIEWS

(REGRESI DENGAN KOMPUTER)
CONTOH SOAL :
Berikut adalah data mengenai determinasi impor yang dinyatakan dengan
fungasi
IMPOR = f(GDP, IH, KURS)
Berdasarkan data pada file : LATIHAN ENTRY DATA
Berdasarkan soal di atas, diminta untuk :

1. Membuat rumusan hipotesa
2. Melakukan regresi terhadap data diatas dengan persamaan
Impor = f (GDP, IH)
3. Melakukan interpretasi terhadap hasil regresi
Note : file LATIHAN ENTRY DATA dirubah save as menjadi

REGRESI BERGANDA
Jawab :
a. Hipotesis berdasarkan teori yang ada :
H1 : GDP berpengaruh positif terhadap impor
H2 : Indeks Harga (IH) berpengaruh negative terhadap impor

H3 : Kurs berpengaruh positif terhadap impor (jika kurs Rp/$ naik atau
depresiasi maka impor Indonesia akan naik
b. Regresi model IMPOR = f(GDP, IH)

Langkah-langkah
 Pastikan file REGRESI BERGANDA sudah siap pada eviews seperti
ditunjukkan pada gambar 1.14
Gambar 1.14
 Untuk membuat persamaan regersi KLIK Quick, Estimate Equation

seperti ditunjukkan pada gambar 1.15 sehingga akan muncul gambar
1.16

Gambar 1.15
 Untuk membuat persamaan regersi pada kotak dialog estimate equation

ketika variabel dependen spasi konstanta dan spasi ketik variabel
independennya yaitu : impor c gdp ih seperti pada gambar 1.6 lalu OK
Gambar 1.16
 Hasil model regresi fungsi imor ditunjukkan dengan gambar 1.17 berikut
ini.

Gambar 1.17
 Penyimpanan model regresi dalam workfile jika persamaan masih ingin

diolah dilakukan dengan cara pada kotak persamaan regresi klik name
seperti ditunjukkan pada gambar 1.18 lalu ok sehingga akan muncul
gambar 1.19
Gambar 1.18

 Pada gambar 1.19 untuk kotak object name ketika : model_impor
(penamaan pada prinsipnya bisa beda hanya tidak boleh ada spasi dalam
menuliskan nama persamaannya) kemudikan klik ok dan pada workfile
akan muncul nama persamaannya yang setiap saat dapat dibuka tanpa
harus membuat persamaan dari awal seperti dapat dilihat pada gambar
1.20
Gambar 1.19
Gambar 1.20
 Penyimpanan model regresi dalam workfile jika persamaan ingin dapat

bentuk image dan tidak dapat diolah maka pada kotak model regresi
pilih Freeze seperti ditunjukkan pada gambar 1.21 kemudian akan
muncul gambar 1.22 kemudian klik Name dan akan muncul gambar 1.23

Gambar 1.21
Gambar 1.22
 Pada gambar 1.23 ketik regresi_impor pada name to identify object
(pada prinsipnya penamaan bebas hanya tidak boleh sama dengan yang
sudah dibuat pada saat sebelumnya yaitu model_impor dan tetap tidak
boleh anda tanda spasi. Misalnya nama yang ingin diinginkan adalah :
regresi_impor lalu ok dan hasilnya pada workfile dapat dilihat pad
gambar 1.24.
Gambar 1.23

 Perubahan yang terjadi pada workfile dapat dilihat pada gambar 1.24
Untuk model regresi dengan initial = model_impor menunjukkan bahwa
persamaan tersebut dapat diolah untuk mendapatkan pengujian-
pengujian yang lainnya seperti pengujian asumsi klasik
Untuk model regresi dengan initial table regresi_impor sudah dalam
bentuk image dan tidak dapat diolah
Gambar 1.24
c. Interpretasi model regresi impor

Copy persamaan regresi yang dihasilkan dari eviews ke Microsoft word
seperti ditunjukan pada tabel berikut :
Dependent Variable: IMPOR

Method: Least Squares
Date: 10/21/19 Time: 04:03
Sample: 2000 2016
Included observations: 17
Variable Coefficient Std. Error t-Statistic Prob.
C 93.17875 22.22301 4.192896 0.0009

GDP 0.061896 0.016597 3.729293 0.0022
IH -0.429325 0.142220 -3.018745 0.0092
R-squared 0.739998 Mean dependent var 57.06941

Adjusted R-squared 0.702855 S.D. dependent var 11.26831
S.E. of regression 6.142475 Akaike info criterion 6.627118
Sum squared resid 528.2200 Schwarz criterion 6.774155
Log likelihood -53.33050 Hannan-Quinn criter. 6.641734
F-statistic 19.92285 Durbin-Watson stat 1.468832
Prob(F-statistic) 0.000080

Model Fit (R square adjusted)
Hasil pengolahan diperoleh nilai Adjusted R 2 sebesar 0,702 yang artinya
variasi atau perilaku dari variabel independent yaitu GDP dan IH mampu
menjelaskan variasi atau perilaku dari variabel dependen yaitu impor sebesar
70,2% sedangkan sisanya yaitu sebesar 29,8% adalah variasi dari variabel
independent lain yang mempengaruhi impor tetapi tidak dimasukkan dalam
model
Nilai Adjusted R2 terletak antara 0 sampai 1

Semakin mendekati 1 maka model semakin fit dan sebaliknya semakin
mendekati 0 maka model semakin tidak fit
Dari hasil pengolahan diatas dapat disimpulkan bahwa model memiliki fit
yang cukup baik yaitu sebesar 0,702
Uji Simultan/Uji Global (Uji F)

Digunakan untuk menguji apakah paling tidak terdapat 1 variabel
independent yang terbukti berpengaruh signifikan terhadap variabel
dependennya
Hipotesis yang diajukan dinyatakan dengan
Ho : b1 = b2 = 0 artinya GDP dan IH tidak mempengaruhi Impor
Ha : paling tidak terdapat satu variabel independent yang berpengaruh
signifikan terhadap variabel dependennya
Pengambilan keputusan
Jika sig (p-value) dari F ≤ 0,05 maka Ho ditolak
Jika sig (p-value) dari F > 0,05 maka Ho diterima
Dari hasil pengolahan diperoleh nilai sig dari F sebesar 0,000080 < 0,05 yang
artinya Ho ditolak (Ha diterima) sehingga dapat disimpulkan terbukti paling
tidak terdapat satu variabel independent yang berpengaruh signifikan
terhadap variabel dependennya.
Uji Individu (Uji-t)

Digunakan untuk menguji apakah paling tidak terdapat 1 variabel
independent yang terbukti berpengaruh signifikan terhadap variabel
dependennya.
Pengujian individu dalam model regresi tergantung banyak nya jumlah
variabel independent yang digunakan. Dalam model regresi di atas terdapat
2 pengujian individu
Pengaruh dari GDP terhadap Impor

Secara teoritis GDP berpengaruh positif terhadap impor (based on teori dan
penelitian sebelumnya) sehingga hipotesis yang diajukan
Ho : b1 ≤ 0 artinya GDP tidak berpengaruh atau berpengaruh negative

terhadap impor
Ha : b1 > 0 artinya GDP berpengaruh positif terhadap impor
Jika sig (p-value) dari t ≤ 0,05 maka Ho ditolak
Jika sig (p-value) dari t > 0,05 maka Ho diterima
Hasil pengolahan diperoleh koefisien estimasi sebesar 0.061896 yang artinya

meningkatnya GDP sebesar 1 satuan akan meningkatkan Impor sebesar
0,061 satuan dan sebaiknya. Secara teoritis tanda dari koefisien sesuai
dengan teori sehingga dilanjutkan dengan pengujian statistik
Hasil pengujian statistik diperoleh nilai t statistik sebesar 3,72 dengan p-

value sebesar 0,0022/2 = 0,0011 (pengujian 1 sisi sig/2) < 0,05 sehingga
Ho ditolak (Ha diterima) sehingga dapat disimpukan terbukti GDP
berpengaruh positif terhadap impor
Pengaruh dari Harga terhadap Impor

Secara teoritis harga berpengaruh negatif terhadap impor (based on teori
dan penelitian sebelumnya) sehingga hipotesis yang diajukan
Ho : b2 ≥ 0 artinya harga tidak berpengaruh atau berpengaruh positif

terhadap impor
Ha : b2 < 0 artinya Harga berpengaruh negative terhadap impor
Jika sig (p-value) dari t ≤ 0,05 maka Ho ditolak
Jika sig (p-value) dari t > 0,05 maka Ho diterima
Hasil pengolahan diperoleh koefisien estimasi sebesar -0,42 yang artinya

meningkatnya Harga sebesar 1 satuan akan meningkatkan Impor sebesar
0,42 satuan dan sebaiknya. Secara teoritis tanda dari koefisien sesuai
dengan teori sehingga dilanjutkan dengan pengujian statistik
Hasil pengujian statistik diperoleh nilai t statistik sebesar -3,01 dengan p-

value sebesar 0,0092/2 = 0,0046 (pengujian 1 sisi sig/2) < 0,05 sehingga
Ho ditolak (Ha diterima) sehingga dapat disimpukan terbukti harga
berpengaruh negative terhadap impor

PENGUJI
A.
AN MWD
PENENTUAN MODEL LINIER ATAU NON LINIER
TEST MWD TEST
MENGGUNAKAN
 Sebuah model ekonomi berkaitan dengan suatu himpunan struktur yang

di tentukan oleh hubungan antara variabel-variabel ekonomi. Untuk
mendapatkan sebuah struktur terlebih dahulu kita harus membuat
spesifikasi model yang sesuai dengan teori ekonomi. Jika model sudah
dispesifikasi dengan menyebutkan satu persatu variabel yang ada dalam
model, berikutnya adalah dibuat spesifikasi fungsi dari model dengan
menetapkan hubungan fungsional antar variabel dependent dengan
variabel independent

 Hubungan fungsional yang mungkin terjadi biasanya linier atau non linier
yang dapat di transformasikan ke dalam bentuk linier. Untuk
mendapatkan hubungan fungsional biasanya orang mengunakan
diagram sebaran (scatter plot) dari data sampel yang dipunyai. Jika
sebaran data adalah seperti yang diperlihatkan pada gamb
 ar 3.1 panel (a) maka hubungan fungsional yang diambil adalah

hubungan linier sedangkan hubungan non linier akan dipilih kalau
sebaran data adalah seperti yang diperlihatkan pada panel (b) atau (c)
dan hubungan kuadratik seperti panel (d). Selanjutnya gambar 1.2
memperlihatkan berbagai bentuk kurva berdasarkan hubungan
fungsional baik yang linier maupun non linier antara variabel dependent
dan variabel independent
Gambar 1.25
 Dengan melihat scatter plot dari data dapat ditemukan apakah hubungan
yang terjadi linier atau non linier. Namun semua itu tidaklah berarti apa-
apa jika tidak didukung oleh teori yang mendasarinya, sebab jika dalam
teori dikatakan hubungan antara satu variabel dengan variabel lain
adalah non linier, walaupun di scatter plotnya linier maka kita harus
membuat model tersebut non linier (sesuai dengan teori).
 Jika kita ingin melihat hubungan antara satu variabel dengan lebih dari
satu variabel lainnya maka metode scatter plot tidak cukup membantu
karena kita harus membuat grafik yang lebih dari 2 dimensi. Salah satu
cara untuk menentukan apakah model yang digunakan linier atau non
linier adalah dengan MWD test (Mackinnon, H. White, and R. Davidson)
(Gujarati: 265).

Contoh :
Kasus model impor yang dinyatakan dengan formulasi
Impor = f (GDP, IH)
Langkah-langkah pengerjaan :
 Buat model linier untuk fungsi Impor fungsi dari GDP dan IH seperti
dinyatakan dengan persamaan berikut :
IMPORt = ao + a1 GDPt + a2 IHt + εt (1)
Pada workfile eviews buat model linier dapat dilihat pada gambar1.26
Gambar 1.26
Kemudian keluar hasil sebagai berikut dan namakan dengan nama :
Model_Liner seperti ditunjukkan pada gambar 1.27’
HASIL REGRESI MODEL LINIER

Date: 10/24/19 Time: 07:31
Sample: 2000 2016
C 93.17875 22.22301 4.192896 0.0009

GDP 0.061896 0.016597 3.729293 0.0022
IH -0.429325 0.142220 -3.018745 0.0092


Gambar 1.27
 Hitung residual dari model linier dengan cara pada hasil output regresi model
linier klik Proc, Forecast seperti pada gambar 1.28 sehingga akan muncul
gambar 1.29
 Pada gambar 1.29 pada kotal foracast ganti imporf dengan F1 sehingga
pada workfile akan muncul variabel baru namanya F1 seperti dapat dilihat
pada gambar 1.30

Gambar 1.28
Gambar 1.29

Gambar 1.30
 Buat model non linier untuk fungsi Impor fungsi dari GDP dan IH. Karena
variabel independen salah satunya IH sudah dalam bentuk % maka model
non liniernya dinyatakan dalam bentuk Log Lin seperti pada persamaan
berikut
Log(IMPORt) = ao + a1 GDPt + a2 IHt + εt (2)
Pada workfile eviews buat model linier dapat dilihat pada gambar1.31
Gambar 1.31
Kemudian keluar hasil sebagai berikut dan namakan dengan nama :

Model_Non_Liner seperti ditunjukkan pada gambar 1.32

Gambar 1.33
HASIL REGRESI MODEL NON LINIER

Dependent Variable: LOG(IMPOR)
Date: 10/24/19 Time: 15:11
Sample: 2000 2016
C 4.678745 0.430870 10.85884 0.0000

GDP 0.001163 0.000322 3.612900 0.0028
IH -0.007888 0.002757 -2.860709 0.0126

S.E. of regression 0.119093 Akaike info criterion -1.259038
Sum squared resid 0.198564 Schwarz criterion -1.112000
Log likelihood 13.70182 Hannan-Quinn criter. -1.244422
 Hitung residual dari model Non linier dengan cara pada hasil output regresi
model non linier klik Proc, Forecast seperti pada gambar 1.34 sehingga akan
muncul gambar 1.35
 Pada gambar 1.34 pada kotal foracast ganti imporf dengan F2 sehingga
pada workfile akan muncul variabel baru namanya F2 seperti dapat dilihat
pada gambar 1.35

Gambar 1.34
Gambar 1.35

 Hitung nilai Z1 dimana dengan formulasi
Z1 = LOG(F1) – F2
Pembuatan nilai Z1 pada program eviews dilakukan sbb :
Pada workfile
Klik Genr sehingga akan muncul gambar 1.36 lalu pada kotak dialog enter
equation ketik : Z1 = log(F1) – F2 dam pada workfile akan dihasilkan nilai
Z1 seperti pada gambar 1.37
Gambar 1.36
Gambar 1.37

 Lakukan regresi MWD test untuk model linier dengan menambahkan
variabel Z1 ke dalam persamaan model linier seperti ditunjukkan pada
gambar 1.38
Gambar 1.38

Date: 10/24/19 Time: 16:59
Sample: 2000 2016
C 167.8275 191.7267 0.875348 0.3973

GDP 0.120193 0.149637 0.803230 0.4363
IH -0.786361 0.922173 -0.852727 0.4092
Z1 0.890902 2.271760 0.392164 0.7013

 Dengan hipotesis
Ho: Model yang tepat adalah Linier
Ha: Model yang tepat adalah Non Linier
Jika Z1 signifikan maka Ho ditolak dan Ha diterima
Jika Z1 tidak signifikan maka Ho diterima
Hasil pengolahan menunjukkan p-value dari Z1 = 0,7013 > 0,05 maka Ho
diterima dan model yang tepat adalah model linier

WALD
TEST
 Wald test di dalam pemilihan model digunakan untuk menguji apakah suatu
variabel dapat dikeluarkan dalam model. Jika suatu variabel dapat
dikeluarkan dari model berarti mengeluarkan variabel tersebut akan
memperbaiki kualitas model dan sebaliknya jika suatu variabel tidak dapat
dikeluarkan dari model menunjukkan bahwa mengeluarkan variabel tersebut
akan memperburuk kualitas model
 Contoh pengujian Wald Test pada model impor diatas dimana

Impor = f(GDP, IH)
Hasil regresi ditunjukkan dengan print out berikut ini :

Date: 10/24/19 Time: 07:31
Sample: 2000 2016
C 93.17875 22.22301 4.192896 0.0009

GDP 0.061896 0.016597 3.729293 0.0022
IH -0.429325 0.142220 -3.018745 0.0092

 Variabel GDP akan dihilangkan dari model dengan cara mengeluarkan

variabel melalui pengujian Wald Test
 Tahapan dengan menggunakan Eviews
Pastikan model persamaan regresi impor dalam kondisi aktif seperti
ditunjukkan dengan gambar 1.39
Klik View, Coefficient Diagnostic, Wald Test seperti ditunjukkan pada
gambar 1.40 sehingga akan muncul gambar 1.41
Pada kotak wald test ketik : C(2) = 0 yang artinya nilai koefisien dari
GDP yaitu C2 karena berada pada urutan kedua setelah konstantan
nilainya kita tentukan sebesar 0 karena variabel ini mau dihilangkan

Klik OK sehingga akan muncul output Wlad test seperti ditunjukkan pada
print out berikkut
Gambar 1.39
Gambar 1.40
Gambar 1.41

Wald Test:
Equation: MODEL_LINIER
Test Statistic Value df Probability
t-statistic 3.729293 14 0.0022

F-statistic 13.90762 (1, 14) 0.0022
Chi-square 13.90762 1 0.0002
Null Hypothesis: C(2)=0

Null Hypothesis Summary:
Normalized Restriction (= 0) Value Std. Err.
C(2) 0.061896 0.016597
Restrictions are linear in coefficients.
Dengan hipotesis
Ho : variabel boleh dihilangkan
Ha : variabel tidak dapat dihilangkan
Jika p-value dari F statistik < 0,05 maka Ho ditolak
Jika p-value dari F statistik > 0,05 maka Ho diterima
Hasil pengolahan diperoleh nilai p-value dari F sebesar 0,0022 < 0,05 maka
Ho ditolak (Ha diterima) sehingga dapat disimpulkan bahwa variabel GDP
tidak dapat dihilangkan dalam model. (Hal ini terjadi karena variabel GDP
dalam model impor memiliki pengaruh positif signifikan terhadap Impor
sehingga menghasilkan kesimpulan tidak dapat dihilangkan dalam model)

OMIT
TED
 Omitted test di dalam pemilihan model digunakan untuk menguji apakah
suatu variabel dapat dimasukkan dalam model. Jika suatu variabel dapat
TEST
dimasukkan dalam model berarti memasukkan variabel tersebut akan
memperbaiki kualitas model dan sebaliknya jika suatu variabel tidak dapat
dimasukkan dari model menunjukkan bahwa memasukan variabel tersebut
akan memperuruk kualitas model
 Contoh pengujian Omitted Test pada model impor diatas dan pastikan
variabel kurs sudah ada dalam workfile
Impor = f(GDP, IH)
Hasil regresi ditunjukkan dengan print out berikut ini :

Date: 10/24/19 Time: 07:31
Sample: 2000 2016
C 93.17875 22.22301 4.192896 0.0009

GDP 0.061896 0.016597 3.729293 0.0022
IH -0.429325 0.142220 -3.018745 0.0092

 Variabel Kurs akan dimasukkan dalam model melalui pengujian Omitted

Test
 Tahapan dengan menggunakan Eviews
ditunjukkan dengan gambar 1.42
Klik View, Coefficient Diagnostic, Wald Test seperti ditunjukkan pada
gambar 1.43 sehingga akan muncul gambar 1.44

Pada kotak one or more test series to add ketik : kurs seperti
ditunjukkan pada gambar 1.44. lalu OK sehingga akan muncul hasil
pengujian omitted test seperti ditunjukkan pada tabel berikut
Gambar 1.42
Gambar 1.43
Gambar 1.44

Omitted Variables Test
Null hypothesis: KURS are jointly significant
Equation: MODEL_LINIER
Specification: IMPOR C GDP IH
Omitted Variables: KURS
Value df Probability
t-statistic 4.792389 13 0.0004
F-statistic 22.96699 (1, 13) 0.0004
Likelihood ratio 17.30009 1 0.0000
F-test summary:
Mean
Sum of Sq. df Squares
Test SSR 337.2988 1 337.2988
Restricted SSR 528.2200 14 37.73000
Unrestricted SSR 190.9212 13 14.68625
LR test summary:
Value df
Restricted LogL -53.33050 14
Unrestricted LogL -44.68046 13
Unrestricted Test Equation:

Date: 10/25/19 Time: 06:57
Sample: 2000 2016
C 234.4171 32.56988 7.197360 0.0000

GDP 0.143815 0.019985 7.196021 0.0000
IH -0.389576 0.089117 -4.371499 0.0008
KURS -0.016065 0.003352 -4.792389 0.0004

Dengan hipotesis
Ho : variabel tidak boleh dimasukkan dalam model
Ha : variabel boleh dimasukkan dalam model
Jika p-value dari F statistik < 0,05 maka Ho ditolak
Jika p-value dari F statistik > 0,05 maka Ho diterima

Hasil pengolahan ditunjukkan dengan nilai p-value dari F sebesar 0,0004 <
0,05 maka Ho ditolak (Ha diterima) yang artinya variabel Kurs boleh
dimasukkan dalam model (secara statistik variabel kurs akan signifikan
pengaruhnya terhadap impor)
ASUM
SI
 Pada regresi berganda sebelum dilakukan pengujian hipotesis teori, terlebih
KLASI
dahulu harus dilakukan pengujan asumsi klasik agar koefisien regresi yang
dihasilkan bersifat BLUES (Best Linear Unbiased Estimator).
 Terdapat 4 asumsi klasik utama yang harus dilakukan pada model regersi
yaitu
K
1. Normalitas
2. Multikolinearitas
3. Autokorelasi
4. Heteroskedastisitas
NORMALITAS
 Asumsi normalitas mensyaratkan bahwa residual dari model berdistribusi
normal
 Hipotesis yang diajukan
Ho : distribusi residual normal
Ha : distribusi residual tidak normal
Pengujian menggunakan Jarque Berra dengan pengambilan keputusan
Jika p-value dari jarque bera≤ 0,05 maka Ho ditolak
Jika p-value dari jarque bera> 0,05 maka Ho diterima
 Tahapan Pengujian normalitas
ditunjukkan gambar 1.45

Gambar 1.45
Klik : View, residual diagnostics, histogram normality test seperti ditunjukkan

gambar 1.46 kemudian klik OK sehingga akan muncul output pengujian
normalitas seperti ditunjukkan pada gambar 1.47
Gambar 1.46

6
Series: Residuals
Sample 2000 2016
5 Observations 17
4 Mean 1.16e-14
Median -0.228220
Maximum 8.669566
3 Minimum -14.61879
Std. Dev. 5.745759
Skewness -0.731865
2
Kurtosis 3.944379
1 Jarque-Bera 2.149338
Probability 0.341411
0
-15 -10 -5 0 5 10
Gambar 1.47
Hasil pengolahan diperoleh nilai p-value dari Jarque bera sebesar

0.341 > 0,05 maka Ho diterima dan dapat disimpulkan bahwa
distribusi error normal (asumsi normalitas yang disyaratkan dalam
model terpenuhi)
MULTIKOLINEARITAS
 Asumsi multkolinearitas menunjukkan bahwa antara variabel independen
tidak boleh berhubungan langsung karena jika berhubungan langsung akan
menyebabkan koefisien pengaruh akan kecil dan nilai statistik akan rendah
sehingga tidak signifikan
Ho : tidak ada multikolinearitas
Ha : ada multikolinearitas
Pengujian menggunakan variance inflation factor (VIF) dengan pengambilan
keputusan
Jika FIV ≤ 0,10 maka Ho diterima
Jika FIV > 0,10 maka Ho ditolak

Gambar 1.48
Klik : View, coefficient diagnostics, variance inflation factor seperti

ditunjukkan gambar 1.49 kemudian klik OK sehingga akan muncul output
pengujian multikolinearitas seperti ditunjukkan pada hasil print out berikut
Gambar 1.49
Variance Inflation Factors

Date: 10/25/19 Time: 07:39
Sample: 2000 2016

Coefficient Uncentered Centered
Variable Variance VIF VIF
C 493.8620 222.5193 NA

GDP 0.000275 16.22711 1.221769
IH 0.020226 165.4380 1.221769
Dari hasil pengolahan diperoleh nilai VIF (Centered VIF) dari

variabel GDP dan IH sebesar 1,2217 < 10 sehingga Ho diterima dan
dapat disimpulkan tidak terdapat multikolinearitas pada variabel
GDP dan IH (asumsi normalitas yang disyaratkan dalam model
terpenuhi)
AUTOKORELASI
 Asumsi autokorelasi yaitu suatu keadaan dimana kesalahan pengganguan
dari periode tertentu (t) berkorelasi dengan kesalahan pengganggu dari
periode sebelumnya (t-1). Pada kondisi ini kesalahan pengganggu tidak
bebas tetapi satu sama lain saling berhubungan. Bila kesalahan pengganggu
periode t dengan t-1 berkorelasi maka terjadi kasus korelasi serial sederhana
tingkat pertama (first order autocorrelation).
 Pengujian autokorelasi bisa dilakukan dengan beberapa cara seperti dengan
Durbin Watson atau LM test
Ho : tidak ada autokorelasi
Ha : ada autokorelasi
Pengujian menggunakan LM test dengan pengambilan keputusan
Jika p-value dari Obs*R2 ≤ 0,05 maka Ho ditolak
Jika p-value dari Obs*R2 > 0,05 maka Ho ditolak

Gambar 1.50
Klik : view, residual diagnostics, serial correlation LM test seperti ditunjukkan

dengan gambar 1.51 lalu akan muncul gambar 1.52 dan ketika lag to include
dengan angka 1 lalu OK sehingga akan muncul pengujian autokorelasi
dengan LM test seperti ditunjukkan dengan print out berikut
Gambar 1.51

Gambar 1.52
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 1.427588 Prob. F(1,13) 0.2535

Obs*R-squared 1.682124 Prob. Chi-Square(1) 0.1946
Test Equation:
Dependent Variable: RESID
Date: 10/25/19 Time: 07:54
Sample: 2000 2016
Presample missing value lagged residuals set to zero.
C 27.12169 31.53554 0.860036 0.4054

GDP -0.001482 0.016396 -0.090389 0.9294
IH -0.198815 0.217521 -0.914005 0.3774
RESID(-1) 0.514559 0.430659 1.194817 0.2535

R-squared 0.098948 Mean dependent var 1.16E-14
Adjusted R-squared -0.108986 S.D. dependent var 5.745759
Hasil pengujian LM test ditunjukkan dengan nilai p-value dari

Obs*R2 sebesar 0.1946 > 0,05 sehingga Ho diterima dan dapat
disimpulkan pada model yang dihasilkan tidak terjadi autokorelasi.
HETEROSKEDASTISITAS
 Asumsi heteroskedastistias yaitu variasi gangguan acak () pada setiap
variabel bebas adalah heterogen yang akan menyebabkan koefisien estimasi
menjadi biase
 Pengujian autokorelasi bisa dilakukan dengan beberapa cara seperti dengan
White test, Glejser test, Park test. Dalam pengujian ini akan digunakan
pengujian white test
Ho : tidak ada heteroskedastisitas
Ha : ada heteroskedastisitas
Pengujian menggunakan White Test dengan pengambilan keputusan
Jika p-value dari Obs*R2 ≤ 0,05 maka Ho ditolak
Jika p-value dari Obs*R2 > 0,05 maka Ho ditolak

Gambar 1.53
Klik : view, residual diagnostics, Heteroskedasticity test seperti ditunjukkan

dengan gambar 1.54 lalu akan muncul gambar 1.55 dan pada test type piih
White laku OK sehingga muncul pengujian heteroskedastisitas degngan
White test seperti ditunjukkan dengan print out berikut
Gambar 1.54

Gambar 1.55
Heteroskedasticity Test: White
F-statistic 9.312358 Prob. F(5,11) 0.0011

Obs*R-squared 13.75132 Prob. Chi-Square(5) 0.0173
Scaled explained SS 13.72986 Prob. Chi-Square(5) 0.0174
Test Equation:
Dependent Variable: RESID^2
Date: 10/25/19 Time: 08:07
Sample: 2000 2016
C 5785.770 1577.187 3.668410 0.0037

GDP^2 0.003221 0.001046 3.080052 0.0105
GDP*IH 0.049385 0.012979 3.805117 0.0029
GDP -9.265739 2.138067 -4.333699 0.0012
IH^2 0.149019 0.060717 2.454326 0.0320
IH -59.15003 19.38840 -3.050795 0.0110


Hasil pengujian LM test ditunjukkan dengan nilai p-value dari
Obs*R2 sebesar 0.0173 < 0,05 sehingga Ho ditolak dan pada model
yang dihasilkan terdapat heteroskedastisitas
DATA
Data
PANEL PENGERTIAN
panel merupakan gabungan dari data
cross-section dan data time-series, sehingga observasinya terdiri dari sejumlah
sampel individu atau unit (i) pada beberapa periode (t). Sampel unit yang
digunakan misalkan: perusahaan, propinsi, negara, dan sebagainya (dimana i =
1, 2, 3, ..., N). Periode waktu dapat berupa data dengan frekuensi yang
berbentuk harian, mingguan, bulanan, kuartalan, maupun tahunan (dimana t =
1, 2, 3, ..., T). Data panel disebut juga sebagai pooled cross sectional time
series data.

 Model data cross-section
Yi =  + Xi + i ; i = 1, 2, … , N
 Model data time-series
Yt =  + Xt + t ; t = 1, 2, … , N
 Model data panel
Yit =  + Xit + it ; i = 1, 2, … , N ; t = 1, 2, … , N
dimana:
N = banyaknya observasi
T = banyaknya waktu
N x T = banyaknya data panel
ESTIMASI REGRESI DATA PANEL
Secara umum dengan menggunakan data panel kita akan menghasilkan

intersep dan slope koefisien yang berbeda pada setiap individu dan setiap
waktu. Ada beberapa kemungkinan yang akan muncul, yaitu:
1. Diasumsikan intersep dan slope adalah tetap sepanjang waktu dan individu
(perusahaan) dan perbedaan intersep dan slope dijelaskan oleh variabel
gangguan
2. Diasumsikan slope adalah tetap tetapi intersep berbeda antar individu
3. Diasumsikan slope tetap tetapi berbeda baik antar waktu maupun antar
individu
4. Diasumsikan intersep dan slope berbeda antar individu
5. Diasumsikan intersep dan slope berbeda antar waktu dan antar individu
Terdapat tiga pendekatan yang biasa digunakan untuk mengestimasi parameter

model dengan data panel, yaitu:
1. Ordinary Least Square (Common Effect)

Pendekatan yang paling sederhana dalam pengolahan data panel adalah
dengan menggunakan metode kuadrat terkecil biasa yang diterapkan dalam
data yang berbentuk pool. Teknik ini tidak ada ubahnya dengan membuat
regresi dengan data cross-section atau time-series sebagaimana telah
dipelajari sebelumnya. Akan tetapi, untuk data panel, sebelum membuat
regresi kita harus menggabungkan data cross-section dengan data time-
series (pool data). Dengan hanya menggabungkan data tersebut tanpa
melihat perbedaan antar waktu dan individu, maka kita bisa menggunakan
metode OLS untuk mengestimasi model data panel. Misalkan terdapat
persamaan berikut ini:
Yit =  + Xit + it untuk i = 1, 2, . . . , N dan t = 1, 2, . . ., T

Dimana N adalah jumlah unit cross section (individu) dan T adalah jumlah
periode waktunya. Dengan mengasumsi komponen error dalam pengolahan
kuadrat terkecil biasa, kita dapat melakukan proses estimasi secara terpisah
untuk setiap unit cross section. Untuk periode t = 1, akan diperoleh
persamaan regresi cross section sebagai berikut:
Yi1 =  + Xi1 + i1 untuk i = 1, 2, . . . , N
yang akan berimplikasi diperolehnya persamaan sebanyak T persamaan.

Begitu juga sebaliknya, kita juga akan dapat memperoleh persamaan deret
waktu (time series) sebanyak N persamaan untuk setiap T observasi.
Namun, untuk mendapatkan parameter  dan  yang konstan dan efisien,
akan dapat diperoleh dalam bentuk regresi yang lebih besar dengan
melibatkan sebanyak NT observasi.
Dalam pendekatan ini, tidak memperhatikan dimensi individu maupun

waktu. Diasumsikan bahwa perilaku data antar perusahaan sama dalam
berbagai kurun waktu atau diasumsikan bahwa intersep maupun slope
adalah sama, baik antar waktu maupun antar individu.
2. Model Efek Tetap (Fixed Effect)

Adanya variabel-variabel yang tidak semuanya masuk dalam persamaan
model memungkinkan adanya intercept yang tidak konstan. Atau dengan
kata lain, intercept ini mungkin berubah untuk setiap individu dan waktu.
Kesulitan terbesar dalam pendekatan metode kuadrat terkecil biasa tersebut
adalah asumsi intersep dan slope dari persamaan regresi yang dianggap
konstan baik antar daerah maupun antar waktu yang mungkin tidak
beralasan. Generalisasi secara umum sering dilakukan adalah dengan
memasukkan variabel boneka (dummy variable) untuk mengizinkan
terjadinya perbedaan nilai parameter yang berbeda-beda baik lintas unit
cross section maupun antar waktu. Pendekatan dengan memasukkan
variabel boneka ini dikenal dengan sebutan model efek tetap (fixed effect)
atau Least Square Dummy Variable atau disebut juga Covariance Model.
Model dengan pendekatan ini dapat dituliskan sebagai berikut:

Yit =  + Xit + 2W2t + 3W3t + … + NWNt + 2Zi2 + 3Zi3 + … + TZiT + it
Dimana:
Yit = variabel terikat untuk individu ke-i dan waktu ke-t
Xit = variabel bebas untuk individu ke-i dan waktu ke-t
Wit dan Zit variabel dummy yang didefinisikan sebagai berikut:
Wit = 1 ; untuk individu i ; i = 1, 2, … , N
= 0 ; lainnya
Zit = 1 ; untuk periode t ; t = 1, 2, … , N

= 0 ; lainnya
Bila mempunyai N individu dan T waktu, maka kita akan mempunyai

parameter sebanyak:
 (N-1) buah parameter 
 (T-1) buah parameter 
 Sebuah parameter 
 Sebuah parameter 
3. Model Efek Random (Random Effect)

Pada pendekatan ini, perbedaan karakteristik individu dan waktu
diakomodasikan pada error dari model. Mengingat ada dua komponen yang
mempunyai kontribusi pada pembentukan error, yaitu individu dan waktu,
maka random error pada pendekatan ini juga perlu diurai menjadi error
untuk komponen individu, error komponen waktu, dan error gabungan.
Model dengan pendekatan ini dapat dituliskan sebagai berikut:

Yit =  + Xit + it ; it = ui + vt + wit
Dimana: ui = komponen error cross-section

vi = komponen error time-series
wit = komponen error gabungan
Adapun asumsi yang digunakan untuk komponen error tersebut adalah:

ui ~ N (0, u2);
vt ~ N (0, v2);
wit ~ N (0, w2)
Metode estimasi yang digunakan adalah Generalized Least Square (GLS).
PENGOLAHAN DATA PANEL
Data Perubahan EPS, BV, dan CDP Beberapa Perusahaan Tahun 2010-2019
perusahaan Tahun EPS BV CDP

_AHAP 2010 389 1995 4235
_AHAP 2011 273 2299 4165
_AHAP 2012 185 2437 3600
_AHAP 2013 180 1745 2875
_AHAP 2014 560 1850 2968
_AHAP 2015 680 2335 2879
_AHAP 2016 555 2842 500
_AHAP 2017 143 3192 425
_AHAP 2018 85 3286 2000
_AHAP 2019 196 3271 1320

_AQUA 2010 443 2813 9800
_AQUA 2011 374 3056 8500
_AQUA 2012 516 3230 5655
_AQUA 2013 399 3541 8125
_AQUA 2014 401 2657 2425
_AQUA 2015 887 2446 2565
_AQUA 2016 591 3217 4000
_AQUA 2017 1445 3372 3000
_AQUA 2018 1356 5035 19300
_AQUA 2019 2922 6524 15500
_ASBI 2010 220 2905 1450
_ASBI 2011 104 2979 1100
_ASBI 2012 101 2967 2060
_ASBI 2013 241 2997 3180
_ASBI 2014 424 3169 2075
_ASBI 2015 604 6058 2100
_ASBI 2016 182 7278 325
_ASBI 2017 323 965 300
_ASBI 2018 518 1007 1760
_ASBI 2019 157 2678 405
_BATA 2010 366 1985 3300
_BATA 2011 496 2041 2805
_BATA 2012 551 2232 4230
_BATA 2013 872 2552 3700
_BATA 2014 397 3170 3030
_BATA 2015 93 3262 2700
_BATA 2016 374 3130 1700
_BATA 2017 1969 3504 1700
_BATA 2018 3877 5473 16600
_BATA 2019 4871 8050 16500
Susunlah data di atas dalam file Excel. Khusus untuk data panel, perlu
diperhatikan cara memberi nama variabel untuk individu. Tanda “_” harus
diletakkan sebelum nama variabel individu. Contoh untuk Asuransi Harta
Aman P dengan “AHAP” maka variabel harus ditulis dengan “_AHAP”.
Setelah persyaratan terpenuhi, langkah selanjutnya adalah ‘mengimport’

data dari Excel. Langkah-langkah yang harus dilakukan berbeda dengan
impor data baik secara time-series maupun data panel. (NOTE extension
untuk file excel adalah EXELL 1997-2003
TAHAPAN MEMBUAT DATA PANEL

 Klik File  New  Workfile

 Pilih Annual, start date 1999, dan end date 2001. Lalu klik OK.
 Setelah tampilan Workfile muncul, klik Object  New Object akan muncul
gambar berikut

 Setelah itu akan tampil gambar berikut
Pada type of object pilih : pool
Pada name for objek : ketik bebas misals panel lalu Ok dan akan muncul
gambar berikut nya
 Pada pool panel ketik nama objek dengan format baris dengan terlebih
dahulu memberikan tanda ‘_’ di depan objek (sebaiknya dibuat templete
terlebih dahulu di word

 Kemudian klik Proc, Import Pool Data (posisi escell harus di close dan
ingat data pertama ada di cell berapa. Dalam kasus ini data pertama ada
di cell C2
 Anda diminta untuk memilih file yang akan diolah model panelnya. Dalam
kasus ini nama filenya DATA PANEL (FORMAT EXCELL 1997-2003) seperti
ditunjukkan pada gambar berikut, kemudian klik open

 Pada upper-left data cell ketik c2 (data awal ada di cell c2)
Nama variabel dibelakangnya dikasih tanda “?” kemudian ok akan muncul
nama-nama variabel dan kode perusahaan seperti ditunjukkan pada
gambar berikut

 Seluruh pengolahan model panel menggunakan menu estimate pada
kotak pool panel
 Untuk model common dilakukan dengan klik Estimate akan muncul
gambar berikut :
Dependen variable : ketik CDP?
Regressiors atau independent : c EPS? BV?
Untuk estimation method
Pada cross section : pilih none
Pada periode : pilih none lalu OK akan muncul hasil model Common

Model common
Dependent Variable: CDP?
Method: Pooled Least Squares
Date: 10/25/19 Time: 09:04
Sample: 2010 2019
Cross-sections included: 4
Total pool (balanced) observations: 40
C 717.0209 1295.628 0.553416 0.5833

EPS? 3.028500 0.674899 4.487338 0.0001
BV? 0.442939 0.446536 0.991945 0.3277

Sum squared resid 3.93E+08 Schwarz criterion 19.21539
 Untuk model fixed dilakukan dengan klik Estimate akan muncul gambar
berikut :
Pada cross section : pilih fixed
Pada periode : pilih none lalu OK akan muncul hasil model fixed

Model Fixed
Date: 10/25/19 Time: 09:07
Sample: 2010 2019
C 888.8720 1178.287 0.754376 0.4558

EPS? 2.759836 0.675980 4.082720 0.0003
BV? 0.450683 0.414778 1.086564 0.2849
Fixed Effects (Cross)
_AHAP--C -426.0794
_AQUA--C 2804.551
_ASBI--C -1693.938
_BATA--C -684.5336
Effects Specification
Cross-section fixed (dummy variables)


 Untuk model Random dilakukan dengan klik Estimate akan muncul

gambar berikut :
Pada cross section : pilih random
Pada periode : pilih none lalu OK akan muncul hasil model random

Method: Pooled EGLS (Cross-section random effects)
Date: 10/25/19 Time: 09:10
Sample: 2010 2019
Swamy and Arora estimator of component variances
C 874.2230 1905.536 0.458781 0.6491

EPS? 2.789343 0.667904 4.176260 0.0002
BV? 0.448528 0.412847 1.086427 0.2843
Random Effects (Cross)
_AHAP--C -380.4926
_AQUA--C 2563.125
_ASBI--C -1538.810
_BATA--C -643.8224
S.D. Rho
Cross-section random 2999.821 0.5203

Idiosyncratic random 2880.137 0.4797
Weighted Statistics

S.E. of regression 2807.428 Sum squared resid 2.92E+08
Unweighted Statistics

Sum squared resid 3.95E+08 Durbin-Watson stat 1.481171
INTERPRETASI OUTPUT :
1.PENGUJIAN CHOW TEST

Digunakan untuk memilih model yang tepat CEM atau FEM
Langkah pengujian:
 Posisi output di FEM
 Klik view, fixed/random effect testing, redundant fixed effect akan muncul
hasil pengujian chow sebagai berikut
OUTPUT CHOW TEST

Redundant Fixed Effects Tests
Pool: PANEL
Test cross-section fixed effects
Effects Test Statistic d.f. Prob.
Cross-section F 4.465353 (3,34) 0.0095

Cross-section Chi-square 13.287141 3 0.0041
Cross-section fixed effects test equation:

Method: Panel Least Squares
Date: 10/25/19 Time: 09:14
Sample: 2010 2019
C 717.0209 1295.628 0.553416 0.5833

EPS? 3.028500 0.674899 4.487338 0.0001
BV? 0.442939 0.446536 0.991945 0.3277

HIPOTESIS CHOW
Ho : CEM (common effect model)
Ha : FEM (fixed effect model)
Kesimpulan :
Jika prob cross section chisquare ≤ 0,05 maka Ho
ditolak
Jika prob cross section chisquare > 0,05 maka Ho

ditolak

Hasil olahan diperoleh nilai prob dari cross section
sebesar 0.0041 < 0.05 maka Ho ditolak (Ha
diterima)
Jadi model tepat FEM
JIKA PADA UJI CHOW TERPILIH FEM DILANJUTKAN

UJI HAUSMAN UNTUK MEMILIH MODEL YANG TEPAT
REM ATAU FEM
2. PENGUJIAN HAUSMAN
Digunakan untuk memilih model yang tepat FEM atau REM
Langkah pengujian:
 Posisi output di REM
 Klik view, fixed/random effect testing, Hausman test akan muncul hasil
pengujian hausman sebagai berikut
Correlated Random Effects - Hausman Test

Pool: PANEL
Test cross-section random effects
Chi-Sq.
Test Summary Statistic Chi-Sq. d.f. Prob.
Cross-section random 0.155460 2 0.9252
Cross-section random effects test comparisons:
Variable Fixed Random Var(Diff.) Prob.

EPS? 2.759836 2.789343 0.010852 0.7770
BV? 0.450683 0.448528 0.001598 0.9570
Cross-section random effects test equation:

Method: Panel Least Squares
Date: 10/25/19 Time: 09:22
Sample: 2010 2019
C 888.8720 1178.287 0.754376 0.4558

EPS? 2.759836 0.675980 4.082720 0.0003
BV? 0.450683 0.414778 1.086564 0.2849
Cross-section fixed (dummy variables)

HIPOTESIS HAUSMAN
Ho : REM (random effect model)
Ha : FEM (fixed effect model)
Kesimpulan :
- Jika prob cross section random ≤ 0,05 maka Ha
diterima
- Jika prob cross section random > 0,05 maka Ho gagal
ditolak atau Ho diterima
Hasil olahan diperoleh nilai prob dari cross section random
sebesar 0.9252 > 0.05 maka Ho diterima
Jadi model tepat REM
JADI REM IS THE BEST MODEL

JIKA DARI PENGUJIAN CHOW TERPILIH CEM MAKA
LANJUT KE UJI LM
Ho : CEM
Ha : REM
- Jika prob dari Breush Pagan < 0,05 maka Ho ditolak
- Jika prob dari Breuch Pagan > 0,05 maka Ho diterima
Hasil olahan diperoleh nilai prob dari cross section breusch
pagan sebesar 0.1644 > 0,05 maka Ho diterima sehingga
dapat disimpulan model yang tepat adalah CEM
3. Pengujian LM
Lagrange Multiplier Tests for Random Effects
Null hypotheses: No effects
Alternative hypotheses: Two-sided (Breusch-Pagan) and one-
sided
(all others) alternatives
Test Hypothesis
Cross-
section Time Both
Breusch-Pagan 1.933273 0.020421 1.953694

(0.1644) (0.8864) (0.1622)
Honda 1.390422 -0.142903 0.882129

(0.0822) -- (0.1889)
King-Wu 1.390422 -0.142903 1.132689

(0.0822) -- (0.1287)
Standardized Honda 2.241768 0.121847 -1.828625

(0.0125) (0.4515)
--
Standardized King-
Wu 2.241768 0.121847 -1.181989
(0.0125) (0.4515) --

Gourierioux, et al.* -- -- 1.933273
(>= 0.10)
*Mixed chi-square asymptotic critical values:

1% 7.289
5% 4.321
10% 2.952
OUTPUT SENDIRI
Date: 05/27/21 Time: 17:35
Sample: 2010 2019
C 717.0209 1295.628 0.553416 0.5833

EPS? 3.028500 0.674899 4.487338 0.0001
BV? 0.442939 0.446536 0.991945 0.3277
Root MSE 3135.120 R-squared 0.554308

Mean dependent var 4371.425 Adjusted R-squared 0.530217
S.D. dependent var 4755.920 S.E. of regression 3259.743
Akaike info criterion 19.08872 Sum squared resid 3.93E+08
Schwarz criterion 19.21539 Log likelihood -378.7745
Hannan-Quinn criter. 19.13452 F-statistic 23.00849
Durbin-Watson stat 1.512318 Prob(F-statistic) 0.000000

Modul Pelatihan Eviews Pane

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Modul Pelatihan Eviews Pane

Judul Asli:

Diunggah oleh

Hak Cipta:

Format Tersedia

PENDA

Berdasarkann definisi di atas, ekonometrika merupakan gabungan dari :

Pelatihan Alat Analisis dengan Eviews 9 Page 1 of 65

PEMBENTUKAN MODEL EKONOMI

TERIMA TEORI JIKA DATA TOLAK TEORI JIKA DATA TIDAK

ULANGI LANGKAH 2-6

Pelatihan Alat Analisis dengan Eviews 9 Page 2 of 65

6. UJI HIPOTESA/ INFERENSI

Pelatihan Alat Analisis dengan Eviews 9 Page 3 of 65

Gambar 1.1 Tampilan Desktop Windows 98

 Kemudian akan muncul tampilan program eviews0 seperti

Gambar 1.2 Tampilan Program Eviews 9

Pelatihan Alat Analisis dengan Eviews 9 Page 4 of 65

 Kemudian, akan muncul kotak dialog workfile create dimana terdapat

Pelatihan Alat Analisis dengan Eviews 9 Page 5 of 65

TAHUN IMPOR GDP IH Kurs

Pelatihan Alat Analisis dengan Eviews 9 Page 6 of 65

Pelatihan Alat Analisis dengan Eviews 9 Page 7 of 65

Pelatihan Alat Analisis dengan Eviews 9 Page 8 of 65

Pelatihan Alat Analisis dengan Eviews 9 Page 9 of 65

Pelatihan Alat Analisis dengan Eviews 9 Page 10 of 65

B. HUBUNGAN DALAM REGRESI

C. ALASAN PENYIPAN ERROR TERM

 Kesalahan dalam spesifikasi model (ada variabel yang belum

D. MODEL ANALISIS REGRESI

 Analisis regresi sederhana

Pelatihan Alat Analisis dengan Eviews 9 Page 11 of 65

 Model Analisis Regresi Berganda

Jika ada variabel random  maka, model persamaannya adalah :

E. ESTIMASI REGRESI DENGAN MENGGUNAKAN EVIEWS

Berdasarkan soal di atas, diminta untuk :

Note : file LATIHAN ENTRY DATA dirubah save as menjadi

Pelatihan Alat Analisis dengan Eviews 9 Page 12 of 65

b. Regresi model IMPOR = f(GDP, IH)

 Untuk membuat persamaan regersi KLIK Quick, Estimate Equation

Pelatihan Alat Analisis dengan Eviews 9 Page 13 of 65

 Untuk membuat persamaan regersi pada kotak dialog estimate equation

Pelatihan Alat Analisis dengan Eviews 9 Page 14 of 65

 Penyimpanan model regresi dalam workfile jika persamaan masih ingin

Pelatihan Alat Analisis dengan Eviews 9 Page 15 of 65

 Penyimpanan model regresi dalam workfile jika persamaan ingin dapat

Pelatihan Alat Analisis dengan Eviews 9 Page 16 of 65

Pelatihan Alat Analisis dengan Eviews 9 Page 17 of 65

c. Interpretasi model regresi impor

Dependent Variable: IMPOR

Variable Coefficient Std. Error t-Statistic Prob.

C 93.17875 22.22301 4.192896 0.0009

R-squared 0.739998 Mean dependent var 57.06941

Pelatihan Alat Analisis dengan Eviews 9 Page 18 of 65

Nilai Adjusted R2 terletak antara 0 sampai 1

Uji Simultan/Uji Global (Uji F)

Uji Individu (Uji-t)

Pengaruh dari GDP terhadap Impor

Pelatihan Alat Analisis dengan Eviews 9 Page 19 of 65

Ho : b1 ≤ 0 artinya GDP tidak berpengaruh atau berpengaruh negative

Hasil pengolahan diperoleh koefisien estimasi sebesar 0.061896 yang artinya

Hasil pengujian statistik diperoleh nilai t statistik sebesar 3,72 dengan p-

Pengaruh dari Harga terhadap Impor

Ho : b2 ≥ 0 artinya harga tidak berpengaruh atau berpengaruh positif

Hasil pengolahan diperoleh koefisien estimasi sebesar -0,42 yang artinya

Hasil pengujian statistik diperoleh nilai t statistik sebesar -3,01 dengan p-

Pelatihan Alat Analisis dengan Eviews 9 Page 20 of 65