TUGAS AKHIR

PRAKTIKUM EKONOMETRIKA
Diajukan Sebagai Syarat Kelulusan Praktikum

OLEH:
RIDWAN AMRIDI
NIM. F1A1 18 043

PROGRAM STUDI MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS HALU OLEO

KENDARI

2020
Soal.

1. Jelaskan Pengertian Ekonometrika?

2. Apa yang dimaksud dengan.

a. Analisis Regresi

b. Analisis Regresi Linear Sederhana

c. Analisis Regresi Linear Berganda

3. Apa yang dimaksud dengan

a. Variabel Dependen

b. Variable Independen

4. Sebutkan dan Jelaskan jenis-jenis data dalam ekonometrika serta berikan

contohnya

5. Apa kaitannya matematika dengan ekonometrika? Kenapa disiplin ilmu

matematika harus mempelajari ilmu ekonometrika?

6. Jelaskan pengertian uji asumsi Multikolinearitas serta sebutkan langkah-

langkah menentukan Multikolinearitas di Eviews?

7. Jelaskan Pengertian uji asumsi Normalitas serta sebutkan langkah-langkah

menentukan asumsi Normalitas di Eviews?

8. Jelaskan pengertian uji asumsi Autokorelasi serta sebutkan langkah-langkah

menentukan asumsi Autokorelasi di Eviews?

9. Apa manfaat tabel Durbin Watson dalam uji Autokorelasi?

10. Jelaskan pengertian uji asumsi Linearitas serta sebutkan langkah-langkah

menentukan asumsi Linearitas di Eviews?

11. Jelaskan pengertian uji asumsi Autokorelasi serta sebutkan langkah-langkah

menentukan asumsi Autokorelasi di Eviews?

12. Jelaskan pengertian uji asumsi Heterokedastisitas serta sebutkan langkah-

langkah menentukan asumsi Heterokedastisitas di Eviews?

13. Sebutkan dan Jelaskan uji kelayakan model regresi?

14. Jelaskan pengertian variabel dummy?

Penyelesaian.

1. Ekonometrika berasal dari dua kata yaitu “ekonomi” dan “metrika”. Kata

“ekonomi” sama dengan kegiatan ekonomi, yaitu kagiatan manusia untuk

mencukupi kebutuhannya melalui usaha pengorbanan sumber daya yang

seefisien dan seefektif mungkin untuk mendapatkan tujuan yang seoptimal

mungkin. Kata “Metrika” mempunyai arti sebagai suatu kegiatan pengukuran.

Jadi, ekonometrika adalah suatu pengukuran kegiatan-kegiatan ekonomi.

2. Yang dimaksud dengan:

a. Analisis Regresi adalah analisis yang mengukur pengaruh variabel bebas

terhadap variabel terikat. Pengukuran pengaruh ini melibatkan satu

variabel bebas ( X ) dan variabel terikat (Y ), yang dinamakan analisis

b. Analisis regresi linear sederhana adalah hubungan secara linear antara

satu variabel independen ( X ) dengan variabel dependen ( Y ). Analisis ini

untuk mengetahui arah hubungan antara variabel independen dengan

variabel dependen apakah positif atau negatif dan untuk memprediksi

nilai dari variabel dependen apabila nilai variabel independen mengalami

 kenaikan atau penuruna. Data yang digunakan biasanya bersakala

interval atau rasio. Rumus regresi linear sederhana sebaga berikut:

Y ' =a+ bX

Keterangan:

Y ' =¿ variabel dependen (nilai yang diprediksi)

X =¿ variabel independen

a=¿ konstanta (nilai Y ’ apabila X =0)

b=¿ koefisien regresi (nilai peningkatan ataupun penurunan)

c. Analisi regresi linear berganda adalah hubungan secara linear antara dua

atau lebih variebel independen ( X 1 , X 2 , … , X n) dengan variabel dependen

(Y ). Analisis ini untuk mengetahui arah hubungan antara variabel

independen dengan variabel dependen apakah masing-masing variabel

independen berhubungan positif atau negatif dan untuk memprediksi

nilai dari variabel dependen apabila nilai variabel independen mengalami

kenaikan atau penurunan. Data yang digunakan biasanya berskala

interval atau rasio. Persamaan regresi linear berganda sebagai berikut:

Y ' =a+ b1 X 1 +b2 X 2 +…+b n X n

Keterangan:

Y ' =¿ variabel dependen

X n=¿ variabel independen

a=¿ konstanta

b=¿ koefisien regresi

3. Yang dimaksud dengan:

a. Variabel dependen disebut juga variabel terikat adalah variabel yang

nilainya tergantung atau dipengaruhi nilai variabel independen.

b. Variabel independen atau variabel bebas adalah variabel yang

mempengaruhi nilai variabel dependen.

4. Jenis-jenis data dalam ekonometrika terbagi menjadi 3 yaitu:

a. Data Runtun Waktu (Time Series)

Data time series adalah sekumpulan pengamatan terhadap nilai dimana

variabel memiliki komponen waktu atau data yang digunakan sebagai

variabel diambil pada beberapa interval waktu. Time series merupakan

data yang terdiri atas satu objek tetapi meliputi beberapa periode waktu

misalnyan data harian, mingguan, bulanan, tahunan, kuartal, dan

semester. Data time series dapat dilihat pada data harga saham, data

ekspor, data nilai tukar (kurs), data produksi dan lain sebagainya. Data

time series juga biasa bergantung pada lag atau selisih.

Contoh: data tentang produksi dan lag produksi kopi dunia tahun

2000−2005

Tahun Produksi Kopi Dunia (ton) Lag Produksi Kopi

2000 7.562.713 −¿
2001 7.407 .986 −154.727
2002 7.876 .893 468.907
2003 7.179 .592 −697.301
2004 7.582.293 402.701
2005 7.276 .333 −305.960
Tabel 1.

b. Data Silang (Cross Section)

 Data silang terdiri dari beberapa objek data pada suatu waktu. Data

silang yaitu data dimana satu atau lebih variabelnya dikumpulkan

pada waktu yang sama, misalnya sensus setiap 5 tahun sekali, data

pemilihan tetap yang diambil setiap 5 tahun sekali, data produksi

perusahaan dan lain-lain.ketika data runtun waktu mengasumsikan

stasioneritas, data silang juga memiliki masalah yaitu heterogenitas.

Karena ia mengasumsikan data harus bersifat homogen.

Contoh:

Perbandingan antara penjualan, pembeliah bahan baku, dan jumlah

karyawan pada restoran A, B, dan C pada bulan januari 2009.

Pembelian Jumlah
Restoran Penjualan
Bahan Baku Karyawan
A 19.5878 .200 10.300 .100 10
B 23.584 .000 16.200 .589 15
C 17.211 .000 13.300 .251 7
Tabel 2.

c. Data Panel (Pooled data)

Data panel adalah data yang menggabungkan antara data runtun waktu

(time series) dengan data silang (cross section). Karena itu data panel

akan memiliki beberapa objek dan beberapa periode waktu. Data

panel juga biasa dikenal dengan data longitudinal atau data

mikropanel, dimana unit data silang (misalnya perusahaan atau data)

dilakukan survey sepanjang waktu.

Contoh:
 Data ekspor dan impor kopi Indonesia dan Malaysia pada periode

tahun 2005−2007

Negara Periode Ekspor (ton) Impor (ton)

Indonesia 2005 443.366 1.654
Indonesia 2006 411.721 5.092
Indonesia 2007 320.600 47.937
Malaysia 2005 666 23.826
Malaysia 2006 1.490 35.368
Malaysia 2007 984 42.165
Tabel 3.

5. Sebelum membahas mengenai kaitan matematika dengan ekonometrika,

terlebih dahulu kita harus ketahui bahwa ekonometrika adalah kombinasi dari

3 bidang ilmu yaitu ekonomi, matematika dan statistik. Seperti yang diketahu,

ekonometrika adalah pengukuran kegiatan-kegiata ekonomi. Dimana

pengukuran dihitung dengan menggunakan ilmu matematika dari data yang

dikumpulkan dan diolah dengan ilmu statistik. Jadi kaitan antara matematika

dengan ekonometrika adalah matematika membantu membentuk model

kuantitatif dari hubungan kualitatif yang sebelumnya dan mengubah teori-

teori ekonomi yang ada menjadi bentuk simbol-simbol yang dapat dihitung

kuantitasnya.

Mengapa disiplin ilmu matematika harus mempelajari ilmi ekonometrika?

Karena ilmu ekonometrika sangan berkaitan dengan matematika dan juga

ilmu ekonometrika dapat menjadi salah satu bidang untuk menerapkan ilmu

matematika dalam kehidupan sehari-hari.

6. Suatu Uji multikolinearitas bertujuan untuk menguji apakah dalam model

regresi ditmukan adanya kolerasi yang tinggi atau sempurna antar variabel

independent. Multikolinearitas adalah sebuah situasi yang menunjukkan

adanya kolerasi atau hubungan kuat antara dua variabel bebas atau lebih

dalam sebuah model regresi berganda.

Uji multikolinearitas pada EViews hanya menggunakan Variance Inflation

Factors. Berikut langkah-langkah uji multikolinearitas pada EViews:

Gambar 1.

a. double click pada REG (estimasi model regresi), akan muncul jendela

equation.

b. Pada jendela equation, klik View;

c. Klik Coefficient Diagnostics;

d. Klik Variance Inflation Factors dan secara otomatis jendela equation

akan menampilkan output uji multikolinearitas sebagai berikut:

 Gambar 2.

Seperti biasa, kita harus fokus pada bagian yang telah kami lingkari. Setiap

variabel memiliki nilai Centered VIF. Intinya jika nilai Centered VIF ¿ 10

maka tidak terjadi multikolinearitas. Sebaliknya jika nilai Centered VIF ¿ 10,

maka terjadi multikolinearitas.

Jika ingin menyimpan output uji multikolinearitas, lakukanlah cara yang

sama seperti menyimpan output uji normalitas dan heteroskedastisitas.

7. Uji Normalitas adalah uji statistik yang dilakukan untuk mengetahui

bagaimana sebaran sebuah data.

Dalam EViews, uji normalitas dapat dilakukan dengan uji Jerque-Bera (JB–

test). Langkah-langkah JB-test dapat dilihat pada gambar berikut:

Gambar 3.
Caranya double click pada REG (estimasi model regresi), akan muncul

jendela equation. Lalu pada jendela equation, klik View, Klik Residual

Diagnostics, lalu klik Histogram – Normality Test. Setelah itu, jendela

equation akan otomatis berubah menjadi output Histogram – Normality Test

seperti gambar berikut:

Gambar 4.

a. Untuk mengambil keputusan, fokuslah pada Jerque-Bera dan Probability.

Tips nya begini, Penelitian Ekonomi dan Bisnis pada umumnya

menggunakan α =0.05( 5 %), jika probability ¿ α, maka data tidak

berdistribusi normal. Jika probability ¿ α, maka data berdistribusi

normal. Pada tutorial kali ini, data penelitian tidak berdistribusi normal,

karena 0.0003778 < 0.05. Maka H 0 diterima, H a

b. Hasil uji normalitas ini tidak akan tersimpan dalam workfile EViews, jadi

harus menyimpannya secara manual dengan cara klik Freeze. Lalu akan

muncul jendela graph seperti gambar berikut ini.

 Gambar 5.

a. Untuk memberikan nama file klik Name;

b. Isi name to identify object sesuai yang kita inginkan (buat tanpa spasi);

c. Klik OK; Muncul hasil uji normalitas pada workfile;

e. Untuk menutup jendela Graph, klik Close.

8. Uji Autokorelasi adalah sebuah analisis statistik yang dilakukan untuk

mengetahui adakah korelasi variabel yang ada didalam model prediksi dengan

perubahan waktu. Oleh karena itu, apabila asumsi autokorelasi terjadi pada

sebuah model prediksi, maka nilai disturbance tidak lagi berpasangan secara

bebas, melainkan berpasangan secara autokorelasi.

Uji Autokorelasi pada EViews menggunakan Breusch-Godfrey LM Test.

Langkah-langkah pengujiannya seperti gambar berikut:

Gambar 6.
a. Pada jendela equation, klik View;

b. Klik Residual Diagnostics;

c. Klik Serial Correlation LM Test;

d. Muncul jendela lag spesification; biarkan lags to include bernilai default (

2);

e. Klik OK, dan secara otomtasi jendela equation akan menampilkan output

uji autokorelasi seperti gambar berikut ini:

Gambar 7.

Seperti uji Heteroskedastisitas, pengambilan keputusan uji autokorelasi juga

terfokus pada Prob. F atau Prob. Chi-Square. Kami contohkan menggunakan

Prob. Chi-Square. Jika Prob. Chi-Square ¿ α, maka terjadi gelaja

autokorelasi.

Sebaliknya jika Prob. Chi-Square ¿ α, maka tidak terjadi gejala autokorelasi.

Pada contoh 1 ini, model regresi mengalami gejala autokorelasi atau H 0

ditolak dan H a diterima.

 Untuk menyimpan output uji autokorelasi, lakukanlah cara yang sama seperti

kita menyimpan output uji normalitas dan heteroskedastisitas di atas.

9. Manfaat tabel Durbin Watson dalam uji autokorelasi yaitu untk mendeteksi

adanya keberadaan autokorelasi dalam residual (kesalahan prediksi) dari

analisis regresi. Uji Durbin Watson digunakan untuk autokorelasi tingkat satu

dan mensyaratkan adanya intercept (konstanta) dalam model regresi dan tidak

ada variabel lag diantara variabel independen. Tabel Durbin Watson (DW)

terdiri atas dua nilai, yaitu batas bawal (dL) dan batas atas (dU).

Metode pangujian yang sering digunakan adalah dengan uji DW dengan

ketentuan:

H 0 : Tidak ada autokorelasi

H a : ada autokorelasi

 Deteksi autokorelasi positif:

Jika d <dL maka terdapat autokorelasi positif,

Jika d >dU maka tidak terdapat autokorelasi positif,

Jika dL< d< dU maka pengujian tidak meyakinkan atau tidak ada

kesimpilan yang pasti

 Deteksi autokorelasi positif:

Jika ( 4−d)< dL maka terdapat autokorelasi negative.

Jika( 4−d)> dU maka tidak terdapat autokorelasi negative,

Jika dL<(4−d)<dU maka pengujian tidak meyakinkan atau tidak ada

kesimpulan pasti.
10. Linearitas adalah sifat hubungan yang linear antar variabel artinya setiap

perubahan yang terjadi pada satu variabel akan diikuti perubahan dengan

besaran yang sejajar dengan variabel lainnya.

Uji linearitas ini belum tentu dilakukan oleh peneliti, sebab tujuan uji ini

tergantung pada tujuan dilakukannya uji regresi linear. Jika tujuannya adalah

untuk membentuk sebuah model yang baru dan bersifat BLUE (Best Linear

Unbiased Estimation), maka uji ini haruslah dilakukan. Caranya adalah

dengan tekan tombol View → Stability Diagnostics → Ramsey reset Test.

Kemudian akan muncul jendela Reset Specification, silahkan anda masukkan

angka 1 dan selanjutnya tekan tombol OK. Maka akan muncul output seperti

di bawah ini:

Gambar 8.

Uji Linearitas dengan Eviews di atas adalah menggunakan uji Ramsey Reset

Test, dimana hasilnya bisa dilihat pada nilai p-value yang ditunjukkan pada

kolom probability baris F-statistics. Hasilnya dalam tutorial ini adalah

sebesar 0,8871 dimana ¿ 0,05 sehingga dapat disimpulkan bahwa variabel

bebas linear dengan variabel terikat.

11. Uji Autokorelasi adalah sebuah analisis statistik yang dilakukan untuk

mengetahui adakah korelasi variabel yang ada didalam model prediksi dengan

perubahan waktu. Oleh karena itu, apabila asumsi autokorelasi terjadi pada

sebuah model prediksi, maka nilai disturbance tidak lagi berpasangan secara

bebas, melainkan berpasangan secara autokorelasi.

Uji Autokorelasi pada EViews menggunakan Breusch-Godfrey LM Test.

Langkah-langkah pengujiannya seperti gambar berikut:

Gambar 9.

a. Pada jendela equation, klik View;

b. Klik Residual Diagnostics;

c. Klik Serial Correlation LM Test;

d. Muncul jendela lag spesification; biarkan lags to include bernilai default

(2);

e. Klik OK, dan secara otomtasi jendela equation akan menampilkan output

uji autokorelasi seperti gambar berikut ini:

 Gambar 10.

Seperti uji Heteroskedastisitas, pengambilan keputusan uji autokorelasi juga

terfokus pada Prob. F atau Prob. Chi-Square. Kami contohkan menggunakan

Prob. Chi-Square. Jika Prob. Chi-Square ¿ α, maka terjadi gelaja

autokorelasi.

Sebaliknya jika Prob. Chi-Square ¿ α, maka tidak terjadi gejala autokorelasi.

Pada contoh 1 ini, model regresi mengalami gejala autokorelasi atau H 0

ditolak dan H a diterima.

Untuk menyimpan output uji autokorelasi, lakukanlah cara yang sama seperti

kita menyimpan output uji normalitas dan heteroskedastisitas di atas.

12. Uji Heteroskedastisitas adalah uji yang menilai apakah ada ketidaksamaan

varian dari residual untuk semua pengamatan pada model regresi linear.

Langkah-langkah menentukan asumsi Heteroskedastisitas pada Eviews, yaitu:

 Gambar 11.

a. pada jendela equation, klik view,

b. klik Residual Diagnostics,

c. klik Heteroskedasticity tests…,

d. Muncul jendela Heterokedasticity Tests, pilih Test Type. Eviews

menyediakan berbagai macam pilihan. Tapi untuk yang ini akan digunakan

Uji Glejser, maka pilih Glejser.

e. Terakhir, klik OK. Lalu Jendela equation akan memperlihatkan output uji

heteroskedastisitas seperti berikut:

Gambar 12.
Untuk mengambil keputusan hasil uji heteroskedastisitas, fokus saja pada

bagian F-statistic dan Obs*R-squared yang telah diberi tanda. Pengambilan

kesimpulannya adalah dengan membandingkan Prob. F atau Prob. Chi-

Square dengan α. Contoh menggunakan Prob. Chi-Square. Jika Prob. Chi-

Square ¿ α, maka terjadi gejala heteroskedastisitas, sebaliknya jika Prob.

Chi-Square ¿ α, maka tidak terjadi gejala heteroskedastisitas

(homoskedastisitas). Pada contoh 1 ini, dapat disimpulkan Terima H 0 atau

tidak terjadi gejala heteroskedastisitas. Karena 0.8867> 0.05.

Selanjutnya jika ingin menyimpan hasil uji heteroskedastisitas, lakukan cara

yang sama pada saat menyimpan output uji normalitas. Yaitu klik Freeze lalu

akan muncul jendela Table seperti gambar berikut:

Gambar 13.

Caranya sama saja dengan menyimpan output uji normalitas, yaitu:

a. Klik Name;

b. Beri nama file pada kolom name to identify objects;

c. Klik OK;

d. Muncul output uji heteroskedastisitas pada wordfile;

e. Klik Close untuk menutup jendela Table.

13. Uji kelayakan model regresi linear yaitu:

 Model regresi dikatakan layak jika angka signifikan pada ANOVA

sebesar ¿ 0.05.

 Predictor yang digunakan sebagai variabel bebas harus layak. Kelayakan

ini diketahui jika angka Standard Error of Estimate ¿Standard Deviation.

 Koefisien regresi harus signifikan. Pengujian dilakukan dengan Uji t .

Koefisien regresi signifikan jika t hitung > t tabel (nilai kritis). Dalam

IBM SPSS dapat diganti dengan menggunakan nilai signifikan (sig)

dengan ketentuan sebagai berikut:

 Jika sig ¿ 0.05; koefisien regresi signifikan

 Jika sig ¿ 0.05; koefisien regresi tidak signifikan.

 Tidak boleh terjadi multikolinearitas, artinya tidak boleh terjadi korelasi

antar variabel bebas yang sangat tinggi atau lebih rendah. Syarat ini

hanya berlaku untuk regresi linear berganda dengan variabel bebas lebih

dari satu. Terjadi multikolinearitas jika koefisien korelasi antara variabel

bebas ¿ 0,7 atau←0,7.

 Tidak terjadi autokorelasi jika : −2 ≤ DW ≤2.

 Keselarasan model regresi dapat diterangkandengan menggunakan nilai

r 2 semakin besar nilai tersebut maka model semakin baik. Jika nilai

mendekati 1 maka model regresi semakin baik. Nilai r 2 mempunyai

karakteristik diantaranya:

 Selalu positif
  Nilai r 2 maksimal sebesar 1. Jika nilai r 2 sebesar 1akan

mempunyai arti kesesuain yang sempurna. Maksudnya seluruh

variasi dalam variabel terikat (variabel Y) dapat diterangkan oleh

model regresi. Sebaliknya jika r 2 sama dengan 0, maka tidak ada

hubungan linear antara variabel bebas (variabel X) dan variabel

terikat (variabel Y).

 Terdapat hubungan linear antara varibel bebas (X) dan variabel terikat

(Y).

 Data harus berdistribusi normal.

 Data berskala interval atau rasio.

 Terdapat hubungan dependensi, artinya satu variabel merupakan variabel

terikat yang tergantung pada variabel lainnya.

14. Variabel dummy adalah variabel yang digunakan untuk menguantitatifkan

variabel yang bersifat kualitatif (misal: jenis kelamin, ras, agama, perubahan

kebijakan pemerintah, perbedaan situasi,dan lain-lain). Variabel dummy

merupakan variabel yang bersifat kategorikal yang diduga mempunyai

pengaruh terhadap variabel yang bersifat kontinue. Variabel dummy sering

juga disebut variabel boneka, binary, kategorik atau dikotom. Variabel

dummy hanya mempunyai 2 nilai yaitu 1 dan 0, serta di beri symbol D.