M a t a k u l i a h l a i n y a n g b e l u m a d a d i P D F i n i a k a n s a y a u p d a t e d i w w w . a k u n t a n s i d a n b i s n i s . wo rd p re s s . c o m
Contac t me : muhammad.f irman177@gmail.com /@f irmanmhmd (Line) 2610
PE1
Disusun oleh : Muhammad Firman (Akuntansi FE UI 2012)
LAB EKONOMETRIKA 1
I. ANALISIS NORMALITAS PADA STATA
Uji normalitas berguna untuk menentukan data yang telah
dikumpulkan berdistribusi normal atau diambil dari populasi Persyaratan Metode Chi Square (Uji Goodness of fit
normal. Metode klasik dalam pengujian normalitas suatu Distribusi Normal)
data tidak begitu rumit. Berdasarkan pengalaman empiris a. Data tersusun berkelompok atau dikelompokkan dalam
beberapa pakar statistik, data yang banyaknya lebih dari 30 tabel distribusi frekuensi.
angka (n > 30), maka sudah dapat diasumsikan berdistribusi b. Cocok untuk data dengan banyaknya angka besa ( n > 30)
normal. Biasa dikatakan sebagai sampel besar. c. Setiap sel harus terisi, yang kurang dari 5 digabungkan.
Keterangan :
X2 = Nilai X2
Oi = Nilai observasi
Ei = Nilai expected / harapan, luasan interval kelas Selidikilah dengan α = 5%, apakah data tersebut di atas
berdasarkan tabel normal dikalikan N (total frekuensi) (pi x berdistribusi normal ? (Mean = 157.8; Standar deviasi =
N) 8.09)
N = Banyaknya angka pada data (total frekuensi) Penyelesaian :
1. Hipotesis :
Komponen penyusun rumus tersebut di atas didapatkan Ho : Populasi tinggi badan mahasiswa berdistribusi normal
berdasarkan pada hasil transformasi data distribusi H1 : Populasi tinggi badan mahasiswa tidak berdistribusi
frekuensi yang akan diuji normalitasnya, sebagai berikut: normal
2. Nilai α
Nilai α = level signifikansi = 5% = 0,05
3. Rumus Statistik penguji
Keterangan :
Xi = Batas tidak nyata interval kelas
Z = Transformasi dari angka batas interval kelas ke notasi
pada distribusi normal
pi = Luas proporsi kurva normal tiap interval kelas berdasar
tabel normal
Oi = Nilai observasi
Ei = Nilai expected / harapan, luasan interval kelas
berdasarkan tabel normal dikalikan N (total frekuensi) (pi x
N)
M a t a k u l i a h l a i n y a n g b e l u m a d a d i P D F i n i a k a n s a y a u p d a t e d i w w w . a k u n t a n s i d a n b i s n i s . wo rd p re s s . c o m
Contac t me : muhammad.f irman177@gmail.com /@f irmanmhmd (Line) 2611
PE1
Disusun oleh : Muhammad Firman (Akuntansi FE UI 2012)
Luasan pi dihitung dari batasan proporsi hasil tranformasi Z uji yang paling reliable diantara yang lain, sebab akan tetap
yang dikonfirmasikan dengan tabel distribusi normal mendeteksi ketidak-normalan pada jumlah sampel
atau tabel z. berapapun, baik jumlah kecil maupun besar.
Pada Stata ada 2 pilihan uji ini, yaitu dengan Royston
Adjusment dan tanpa
Untuk mempermudah tutorial, silahkan anda download file
kerja STATA tutorial ini:
http://www.mediafire.com/download/i4c01sp4ca586i5/No
rmalitas.dta
4. Derajat Bebas
Df = ( k – 3 ) = ( 5 – 3 ) = 2 Isi Data dengan cara: Pada Menu Klik Data, Data Editor,
5. Nilai tabel Data Editor (Edit), Kemudian isi.
Nilai tabel X2 ; α = 0,05 ; df = 2 ; = 5,991. Baca selengkapnya Langkah Pertama adalah melakukan Uji Shapiro-Wilk,
tentang Tabel Chi-Square. dengan cara pada Menu, klik Statistics, kemudian klik
6. Daerah penolakan (Summaries, tables and tests), Distributional plots and test,
Menggunakan gambar Pilih Shapiro-Wilk Normality Test. Pada Combobox variable,
pilih variabel yang akan diuji.
Langkah Kedua adalah melakukan Uji Shapiro-Francia,
dengan cara pada Menu, klik Statistics, kemudian klik
(Summaries, tables and tests), Distributional plots and test,
Pilih Shapiro-Francia Normality Test. Pada Combobox
variable, pilih variabel yang akan diuji.
Langkah Ketiga adalah melakukan Uji Shapiro Wilk, dengan
cara pada Menu, klik Statistics, kemudian klik (Summaries,
tables and tests), Distributional plots and test, Pilih
Menggunakan rumus: |0,427 | < |5,991| ; Skewness and Kurtosis Normality Test. Jangan Centang
Keputusanhipotesis: berarti Ho diterima, Ha ditolak Suppress Royston Adjusment. Pada Combobox variable,
7. Kesimpulan: Populasi tinggi badan mahasiswa pilih variabel yang akan diuji.
berdistribusi normal α = 0,05. Langkah Keempat adalah melakukan Uji Shapiro Wilk,
dengan cara pada Menu, klik Statistics, kemudian klik
Uji normalitas memiliki jenisantara lain: Shapiro Wilk, (Summaries, tables and tests), Distributional plots and test,
Shapiro Francia dan Skewness Kurtosis. Pilih Skewness and Kurtosis Normality Test. Centang
Suppress Royston Adjusment. Pada Combobox variable,
Shapiro Wilk pilih variabel yang akan diuji.
Shapiro-Wilk test merupakan uji yang paling Lihat Output
direkomendasikan oleh banyak ahli karena paling bagus
dalam mendeteksi normalitas. Kami telah membahas
mengenai uji ini pada artikel-artikel sebelumnya dan cara
aplikasinya dalam SPSS maupun menggunakan rumus
manual. Uji ini dikemukakan oleh Shapiro dan Wilk pada
tahun 1965.
Kelebihan dari uji ini adalah sangat efektif digunakan pada
sampel sebanyak 7 s/d 50 responden, di mana uji yang lain
tidak reliable pada jumlah sampel yang kecil.Kelemahan dari
uji ini adalah hanya efektif digunakan pada sampel kurang
dari 2000. Apabila lebih dari 2000 sudah tidak reliable lagi.
Shapiro Francia
Shapiro-Francia test dikemukakan oleh Shapiro dan Francia
pada tahun 1972 untuk memperbaiki uji Shapiro-Wilk.
Royston (1982) menyatakan bahwa uji ini valid pada jumlah
sampel 3 s/d 2000. Namun pada Stata tetap dapat dilakukan
pada sampel 5 s/d 5000.
Shapiro-Francia test adalah uji normalitas yang merupakan
pengembangan dari Shapiro-Wilk Test. Hasil yang
ditunjukkan selalu hampir sama dengan hasil Shapiro-Wilk.
Meski pada sampel kecil tidak sehandal Shapiro-Wilk,
namun banyak ahli yang merekomendasikan uji ini.
Kelebihannya adalah tetap reliabel hingga jumlah sampel
sebanyak 5000, di mana Shapiro-Wilk sudah tidak reliable
lagi. Namun apabila lebih dari 5000 maka uji ini sudah tidak
reliable.
Skewness-Kurtosis Test
Skewness-Kurtosis Test diperkenalkan Oleh D'Agostino dan
Belanger pada tahun 1990. Bisa dikatakan uji ini merupakan
M a t a k u l i a h l a i n y a n g b e l u m a d a d i P D F i n i a k a n s a y a u p d a t e d i w w w . a k u n t a n s i d a n b i s n i s . wo rd p re s s . c o m
Contac t me : muhammad.f irman177@gmail.com /@f irmanmhmd (Line) 2612
PE1
Disusun oleh : Muhammad Firman (Akuntansi FE UI 2012)
Skewness Kurtosis (Suppress Royston Adjustment) Contoh di atas, plot-plot mengikuti garis fit line, maka
variabel berdistribusi normal.
Normal PP Plots
Pada Menu, Klik Graphics, Distributional Graphs, Normal
probability plot, Kemudian isi Combobox Variabel dengan
Variabel yang akan diuji. Klik OK.
M a t a k u l i a h l a i n y a n g b e l u m a d a d i P D F i n i a k a n s a y a u p d a t e d i w w w . a k u n t a n s i d a n b i s n i s . wo rd p re s s . c o m
Contac t me : muhammad.f irman177@gmail.com /@f irmanmhmd (Line) 2613
PE1
Disusun oleh : Muhammad Firman (Akuntansi FE UI 2012)
M a t a k u l i a h l a i n y a n g b e l u m a d a d i P D F i n i a k a n s a y a u p d a t e d i w w w . a k u n t a n s i d a n b i s n i s . wo rd p re s s . c o m
Contac t me : muhammad.f irman177@gmail.com /@f irmanmhmd (Line) 2614
PE1
Disusun oleh : Muhammad Firman (Akuntansi FE UI 2012)
M a t a k u l i a h l a i n y a n g b e l u m a d a d i P D F i n i a k a n s a y a u p d a t e d i w w w . a k u n t a n s i d a n b i s n i s . wo rd p re s s . c o m
Contac t me : muhammad.f irman177@gmail.com /@f irmanmhmd (Line) 2615
PE1
Disusun oleh : Muhammad Firman (Akuntansi FE UI 2012)
M a t a k u l i a h l a i n y a n g b e l u m a d a d i P D F i n i a k a n s a y a u p d a t e d i w w w . a k u n t a n s i d a n b i s n i s . wo rd p re s s . c o m
Contac t me : muhammad.f irman177@gmail.com /@f irmanmhmd (Line) 2616
PE1
Disusun oleh : Muhammad Firman (Akuntansi FE UI 2012)
Lihat di atas!
Number of Obs = 100, artinya jumlah sample atau observasi
sebanyak 100 sample
F(3, 96) artinya uji F pada DF 3 dan 96. DF 3 artinya jumlah
Pada Menu klik Statisics, Linear models and related, variabel yang diuji - 1, yaitu 4-1=3 variabel. 96 adalah
regression diagnostics, "Specification test, etc", Variance jumlah observasi - jumlah variabel, yaitu 100-4=96.
inflating factor for independent variables (vif), klik OK Nilai Uji F 0,000. Apabila nilai < 0,05 maka Uji F menerima
H1 pada taraf signifikansi 5% atau yang berarti semua
variabel independen secara simultan mempunyai pengaruh
yang signifikan pada variabel dependen.
R-Squared adalah Koefisien Determinasi Berganda, artinya
seberapa besar secara simultan semua variabel independen
dapat menjelaskan variabel dependen. Di atas nilainya
0,4063 yang berarti semua variabel independen dapat
menjelaskan variabel dependen sebesar 40,63%. Maka
sisanya yaitu 100%-40,63%=59,37% dipengaruhi oleh
variabel lain diluar model regresi.
Root MSE adalah standart error of estimate, dikatakan
model regresi baik untuk dijadikan model peramalan
apabila Root MSE < Standart deviasi variabel dependen (Y).
Pada kolom t adalah nilai uji t parsial. Dikatakan signifikan
pada taraf 5% apabila pada kolom sebelah kanannya yaitu
P>[t] atau disebut juga p value/signifikansi < 0,05.
Pada kolom Coef adalah nilai Unstandardized Koefisien
Beta. Nilai koefisien beta ini yang dijadikan sebagai nilai
dalam persamaan regresi. Berdasar hasil di atas, maka
persamaan regresi yang dibuat adalah: Y = 1,875 + 0,103 X1
Pada Menu klik Statisics, Linear models and related, + 0,102 X2 + 0,149 X3 + e. Di mana Y adalah variabel
regression diagnostics, Residual versus fitted plot, klik OK dependen, 1,875 adalah konstanta, X1 variabel independen
Pada menu, klik Graphics, Histogram, masukkan variabel res ke-1, X2 variabel independen ke-2, X3 variabel independen
pada kotak variable, klik OK ke-3 dan e adalah error.
Pada Menu klik Statisics, Linear models and related, Linear
regression, masukkan res pada kotak Dependen variable III. Uji Asumsi Klasik pada STATA
dan variabel independen pada kotak independent variables, Normalitas
klik OK (Pada tahap ini tidak boleh dibalik atau dimajukan di Ingat bahwa asumsi normalitas pada regresi linear adalah
depan semua langkah yang sebelumnya sebab hasil uji pada residualnya. Residual adalah beda antara Y dan Y
"Specification test, etc after regression" akan menjadi salah) Prediksi. Sedangkan Y Prediksi adalah Nilai Y atau variabel
dependen yang diperkirakan berdasarkan persamaan
Baca Output : regresi yang didapat.
M a t a k u l i a h l a i n y a n g b e l u m a d a d i P D F i n i a k a n s a y a u p d a t e d i w w w . a k u n t a n s i d a n b i s n i s . wo rd p re s s . c o m
Contac t me : muhammad.f irman177@gmail.com /@f irmanmhmd (Line) 2617
PE1
Disusun oleh : Muhammad Firman (Akuntansi FE UI 2012)
M a t a k u l i a h l a i n y a n g b e l u m a d a d i P D F i n i a k a n s a y a u p d a t e d i w w w . a k u n t a n s i d a n b i s n i s . wo rd p re s s . c o m
Contac t me : muhammad.f irman177@gmail.com /@f irmanmhmd (Line) 2618
PE1
Disusun oleh : Muhammad Firman (Akuntansi FE UI 2012)
Lihat nilai VIF dan 1/VIF di atas, apabila VIF < 10 dan 1/VIF > Buka aplikasi STATA anda dan masukkan data sebanyak 200
0,1 maka dapat dikatakan bahwa model regresi linear sample yang terdiri dari 3 variabel independen bertipe
berganda bebas gejala multikolinearitas. Nilai 1/VIF bisa numerik dan 1 variabel dependen bertipe kategorik
disebut juga dengan istilah "Tolerance". Apabila anda dikotomi (0 dan 1).
menggunakan aplikasi SPSS maka istilah Tolerance yang jika bicara tentang kategori atau grouping variabel
digunakan dependenden (Y), maka 0 adalah keputusan 0 dan 1 adalah
keputusan 1.
IV. Analisis diskriminan pada STATA download file kerja dlam tutorial
Analisis diskriminan adalah salah satu teknik statistik yang ini: https://drive.google.com/file/d/0B9P1cIyOPkIQV1Bfd3d
bisa digunakan pada hubungan dependensi (hubungan TcS1zcTA/edit
antar variabel dimana sudah bisa dibedakan mana variabel
respon dan mana variabel penjelas)
Analisis diskriminan bermanfaat pada situasi di mana
sampel total dapat dibagi menjadi group-group berdasarkan
karateristik variabel yang diketahui dari beberapa kasus.
Tujuan utama dari analisis multipel diskriminan adalah
untuk mengetahui perbedaan antar group,”(Hair, Anderson,
Tatham, Black, 1995).
Analisis diskriminan merupakan teknik menganalisis data,
dimana variabel dependen merupakan data kategorik atau
kualitatif (ordinal atau rasio), sedangkan variabel
independen berupa data kuantitatif (interval atau rasio).
Analisis diskriminan merupakan salah satu dari analisis
multivariat dengan metode dependensi. Di mana kita
mengenal ada dua metode dalam analisis multivariat, yaitu
metode dependensi dan metode interdependensi. Yang
dimaksud dengan metode dependensi yaitu variabel-
variabelnya tidak saling bergantung satu dengan yang lain,
sedangkan metode interdenpendensi adalah
antarvariabelnya ada saling ketergantungan.
Analisis diskriminan adalah metode untuk mencari dasar
pengelompokan individu berdasarkan lebih dari satu
variabel bebas. Analisis Diskriminan dipakai untuk
menjawab pertanyaan bagaimana individu dapat
dimasukkan ke dalam kelompok berdasarkan beberapa
variabel. Pada menu STATA, klik Analyze, "Summaries, tables, and
Analisis diskriminan bertujuan untuk mengklasifikasikan tests", "Multivariate test of means, covariances, and
suatu individu atau observasi ke dalam kelompok yang normality", Pada Test pilih Normality, Masukkan variabel
saling bebas (mutually exclusive/disjoint) dan menyeluruh X1, X2 dan X3 ke dalam Kotak Variables, Pada tab Options
(exhaustive) berdasarkan sejumlah variabel penjelas. centang semua dan pada combobox Test Statistics pilih all.
Lihat output pada STATA!
Persamaan Fungsi Diskriminan yang dihasilkan untuk
memberikan peramalan yang paling tepat untuk
mengklasifikasi individu kedalam kelompok berdasarkan
skor variabel bebas.
Jika kita bandingkan dengan regresi linier, maka analisis
diskriminan merupakan kebalikannya. Pada regresi linier,
variabel respon yang harus mengikuti distribusi normal dan
homoskedastis, sedangkan variabel penjelas diasumsikan
fixed, artinya variabel penjelas tidak disyaratkan mengikuti
sebaran tertentu. Untuk analisis diskriminan, variabel
penjelasnya seperti sudah disebutkan di atas harus
mengikuti distribusi normal dan homoskedastis, sedangkan
variabel responnya fixed.
Asumsi dalam analisis diskriminan yaitu:
- Tidak adanya multikolinieritas antara variabel independen
(Hubungan linear antar variable independen).
- Variabel independen mengikuti distribusi normal.
- Adanya homogenitas varians antara kelompok data
(Matriks varians-covarians variabel penjelas berukuran pxp
pada kedua kelompok harus sama).
Analisis Diskriminan dapat diuji dengan menggunakan
software seperti SPSS, Stata, Minitab dan SAS.
M a t a k u l i a h l a i n y a n g b e l u m a d a d i P D F i n i a k a n s a y a u p d a t e d i w w w . a k u n t a n s i d a n b i s n i s . wo rd p re s s . c o m
Contac t me : muhammad.f irman177@gmail.com /@f irmanmhmd (Line) 2619
PE1
Disusun oleh : Muhammad Firman (Akuntansi FE UI 2012)
M a t a k u l i a h l a i n y a n g b e l u m a d a d i P D F i n i a k a n s a y a u p d a t e d i w w w . a k u n t a n s i d a n b i s n i s . wo rd p re s s . c o m
Contac t me : muhammad.f irman177@gmail.com /@f irmanmhmd (Line) 2620
PE1
Disusun oleh : Muhammad Firman (Akuntansi FE UI 2012)
Interprestasi Analisis Diskriminan Correlation Matrix Interprestasi Analisis Diskriminan Canonical structure
Tabel di atas adalah tabel analisis Inter Correlations Variabel Tabel estat structure menunjukan urutan karakteristik yang
Independen. Lihat nilai Korelasi, apabila ada korelasi antar paling membedakan keputusan (Y). Urutan ditentukan
variabel independen dengan nilai > 0,5 maka dicurigai ada dengan nilai absolut yang paling besar (Absolut artinya
gejala multikolinearitas. Di atas tidak terdapat korelasi > 0,5, menghilangkan nilai negatif). Variabel X3 adalah yang paling
maka tidak ada multikolinearitas. membedakan, kemudian jumlah X2 dan selanjutnya X1.
Tabel di atas menunjukan adanya korelasi antara variabel-
variabel bebas dengan fungsi diskriminan yang terbentuk.
Variabel X3 mempunyai korelasi yang paling tinggi dengan
nilai korelasi sebesar 0,6660747.
M a t a k u l i a h l a i n y a n g b e l u m a d a d i P D F i n i a k a n s a y a u p d a t e d i w w w . a k u n t a n s i d a n b i s n i s . wo rd p re s s . c o m
Contac t me : muhammad.f irman177@gmail.com /@f irmanmhmd (Line) 2622
PE1
Disusun oleh : Muhammad Firman (Akuntansi FE UI 2012)
Ketepatan fungsi diskriminan adalah sebesar 95,5%. Non-autcorrelation inilah yang sulit terpenuhi pada saat kita
Ketepatan ini tinggi karena mendekati angka 100%. melakukan analisis pada data panel. Sehingga pendugaan
Persamaan fungsi diskriminan adalah: Nilai Z = -6,045 parameter tidak lagi bersifat BLUE. Jika data panel dianalisis
(konstan) + 0,037 (X1) + 0,042 (X2) + 0,042 (X3) dengan pendekatan model-model time series seperti fungsi
transfer, maka ada informasi keragaman dari unit cross
V. Analisis Regresi Data Panel pada STATA section yang diabaikan dalam pemodelan. Salah satu
keuntungan dari analisis regresi data panel adalah
Analisis regresi data panel adalah analisis regresi dengan mempertimbangkan keragamaan yang terjadi dalam unit
struktur data yang merupakan data panel. Umumnya cross section.
pendugaan parameter dalam analisis regresi dengan data
cross section dilakukan menggunakan pendugaan metode Keuntungan melakukan regresi data panel, antara lain:
kuadrat terkecil atau disebut Ordinary Least Square (OLS). Pertama, dapat memberikan peneliti jumlah pengamatan
Data panel adalah gabungan antara data cross section dan yang besar, meningkatkan degree of freedom (derajat
data time series, dimana unit cross section yang sama kebebasan), data memiliki variabilitas yang besar dan
diukur pada waktu yang berbeda. Maka dengan kata lain, mengurangi kolinieritas antara variabel penjelas, di mana
data panel merupakan data dari beberapa individu sama dapat menghasilkan estimasi ekonometri yang efisien.
yang diamati dalam kurun waktu tertentu. Jika kita memiliki Kedua, panel data dapat memberikan informasi lebih
T periode waktu (t = 1,2,...,T) dan N jumlah individu (i = banyak yang tidak dapat diberikan hanya oleh data cross
1,2,...,N), maka dengan data panel kita akan memiliki total section atau time series saja.
unit observasi sebanyak NT. Jika jumlah unit waktu sama Ketiga, panel data dapat memberikan penyelesaian yang
untuk setiap individu, maka data disebut balanced panel. lebih baik dalam inferensi perubahan dinamis dibandingkan
Jika sebaliknya, yakni jumlah unit waktu berbeda untuk data cross section.
setiap individu, maka disebut unbalanced panel.
Sedangkan jenis data yang lain, yaitu: data time-series dan
data cross-section. Pada data time series, satu atau lebih
variabel akan diamati pada satu unit observasi dalam kurun
waktu tertentu. Sedangkan data cross-section
merupakanpengamatan dari beberapa unit observasi dalam
satu titik waktu.
Persamaan Regresi data panel ada 2 macam , yaitu
1. One Way Model
2. Two Way Model.
One Way Model adalah model satu arah, karena hanya
mempertimbangkan efek individu (αi) dalam model. Berikut
Persamaannya:
Dimana:
α = Konstanta
β = Vektor berukuran P x 1 merupakan parameter hasil
estimasi
Xit = Observasi ke-it dari P variabel bebas
αi = efek individu yang berbeda-beda untuk setiap
individu ke-i
Eit = error regresi seperti halnya pada model regresi
klasik.
Two Way Model adalah model yang mempertimbangkan Tidak seperti regresi biasanya, regresi data panel harus
efek dari waktu atau memasukkan variabel waktu. Berikut melalui tahapan penentuan model estimasi yang tepat.
Persamaannya: Berikut diagram tahapan dari regresi data panel:
PENENTUAN MODEL ESTIMASI:
Dalam metode estimasi model regresi dengan
Persamaan di atas menunjukkan dimana terdapat menggunakan data panel dapat dilakukan melalui tiga
tambahan efek waktu yang dilambangkan dengan deltha pendekatan, antara lain:
yang dapat bersifat tetap ataupun bersifat acak antar 1.) Common Effect Model atau Pooled Least Square (PLS):
tahunnya. Merupakan pendekatan model data panel yang paling
Metode Regresi Data Panel akan memberikan hasil sederhana karena hanya mengkombinasikan data time
pendugaan yang bersifat Best Linear Unbiased Estimation series dan cross section. Pada model ini tidak diperhatikan
(BLUE) jika semua asumsi Gauss Markov terpenuhi dimensi waktu maupun individu, sehingga diasumsikan
diantaranya adalah non-autcorrelation. bahwa perilaku data perusahaan sama dalam berbagai
kurun waktu. Metode ini bisa menggunakan pendekatan
M a t a k u l i a h l a i n y a n g b e l u m a d a d i P D F i n i a k a n s a y a u p d a t e d i w w w . a k u n t a n s i d a n b i s n i s . wo rd p re s s . c o m
Contac t me : muhammad.f irman177@gmail.com /@f irmanmhmd (Line) 2623
PE1
Disusun oleh : Muhammad Firman (Akuntansi FE UI 2012)
M a t a k u l i a h l a i n y a n g b e l u m a d a d i P D F i n i a k a n s a y a u p d a t e d i w w w . a k u n t a n s i d a n b i s n i s . wo rd p re s s . c o m
Contac t me : muhammad.f irman177@gmail.com /@f irmanmhmd (Line) 2624
PE1
Disusun oleh : Muhammad Firman (Akuntansi FE UI 2012)
M a t a k u l i a h l a i n y a n g b e l u m a d a d i P D F i n i a k a n s a y a u p d a t e d i w w w . a k u n t a n s i d a n b i s n i s . wo rd p re s s . c o m
Contac t me : muhammad.f irman177@gmail.com /@f irmanmhmd (Line) 2625
PE1
Disusun oleh : Muhammad Firman (Akuntansi FE UI 2012)
Estimate dataset
Kemudian interprestasikan dan ambil kesimpulan sesuai
Diagram Pilihan Metode Estimasi pada artikel sebelumnya.
Caranya adalah sebagai berikut:
Chow Test
Chow Test, untuk menentukan pilihan antara PLS dan FE.
Maka lihat output FE!
Random effect
Untuk membandingkan ketiga hasil di atas, terlebih dulu
menyimpan hasil regresi masing-masing metode dengan
command : . estimates store (nama)
Caranya pada kotak command ketikkan lalu enter:
. estimates store fe
. estimates store re
. estimates store ols
. estimates table fe re ols, star stats(N r2 r2_a)
Perhatikan command di atas:
estimates: perintah melakukan estimasi Chow test
store: menyimpan data (Lihat pada tanda panah merah!) Karena P Value (Prob>F) <
fe: fixed effect Alpha 0,05 maka H1 diterima yang artinya pilihan yang
re: random effects terbaik adalah FE.
ols: ordinary least square
estimates table fe re ols, star stats(N r2 r2_a): Hausman Test
memunculkan table yang berisi data hasil uji t parsial fixed Karena pilihan jatuh pada FE, maka selanjutnya kita
effects, random effects dan PLS. tentukan apakah lebih baik FE atau RE. Caranya adalah
Star berarti memberi tanda bintang bagi yang menerima H1 melalui Hausman Test, yaitu ketikkan command dan enter:
stats(N r2 r2_a) berarti memunculkan jumlah sampel, nilai r . quietly xtreg y x1 x2 x3, fe
square dan adjusted r square . estimates store fe
. quietly xtreg y x1 x2 x3, re
. estimates store re
. hausman fe re
Perhatikan command di atas:
y: Variabel terikat
x1: Variabel bebas x1
x2: Variabel bebas x3
x3: Variabel bebas x3
Maka akan muncul output sebagai berikut:
Estimate output
Maka akan muncul variabel baru pada data editor, yaitu
secara berurutan variabel: _est_ols, _est_fe dan _est_re.
M a t a k u l i a h l a i n y a n g b e l u m a d a d i P D F i n i a k a n s a y a u p d a t e d i w w w . a k u n t a n s i d a n b i s n i s . wo rd p re s s . c o m
Contac t me : muhammad.f irman177@gmail.com /@f irmanmhmd (Line) 2626
PE1
Disusun oleh : Muhammad Firman (Akuntansi FE UI 2012)
M a t a k u l i a h l a i n y a n g b e l u m a d a d i P D F i n i a k a n s a y a u p d a t e d i w w w . a k u n t a n s i d a n b i s n i s . wo rd p re s s . c o m
Contac t me : muhammad.f irman177@gmail.com /@f irmanmhmd (Line) 2627
PE1
Disusun oleh : Muhammad Firman (Akuntansi FE UI 2012)
Heteroskedasitas data panel FE dengan STATA Pada uji Random Effects (RE):
Z-Test: Hipotesis nol akan ditolak bila (P>|z|)<α atau nilai z-
stat > nilai kritis z-tabel.
Menerima H1 atau Terjadi masalah heteroskedastisitas
apabila nilai (Prob>Chi2) < Alpha (0,05). Uji Goodness of Fit (Data Panel)
Untuk mengukur seberapa besar variasi dari nilai variabel
Asumsi Autokorelasi Regresi Data Panel dependen dapat dijelaskan oleh variasi nilai dari variabel
Caranya: independen.
. xtserial y x1 x2 x3
M a t a k u l i a h l a i n y a n g b e l u m a d a d i P D F i n i a k a n s a y a u p d a t e d i w w w . a k u n t a n s i d a n b i s n i s . wo rd p re s s . c o m
Contac t me : muhammad.f irman177@gmail.com /@f irmanmhmd (Line) 2628
PE1
Disusun oleh : Muhammad Firman (Akuntansi FE UI 2012)
Caranya pada
Pada uji Pooled Least Square (PLS): Dari persamaan Random Effects di atas, dapat diambil
Lihat R-Square dari hasil regresi estimasi. kesimpulan bahwa pada Random effects:
Intersep: Konstan
Pada uji Fixed Effects (FE) dan Random Effects (RE): Error variance: Bervariasi antar individu dan/atau waktu
Lihat R-sq:Overall dari hasil regresi estimasi. Slopes: Konstan
Hasil selengkapnya ketiga pengujian di atas, bisa dilihat di Di mana:
dalam gambar output STATA di bawah ini: Y: Dependen Variabel
X: Independen Variabel
α : Koefisien Beta dari Konstanta (Intersep)
β : Koefisien Beta variabel bebas.
U: Panel Data.
V: Vector.
VI. Uji Kruskall Wallis pada STATA
Uji Kruskal Wallis adalah uji nonparametrik berbasis
peringkat yang tujuannya untuk menentukan adakah
perbedaan signifikan secara statistik antara dua atau lebih
kelompok variabel independen pada variabel dependen
yang berskala data numerik (interval/rasio) dan skala
ordinal.
Uji ini identik dengan Uji One Way Anova pada pengujian
Hasil Uji Pooled Least Square (PLS) parametris, sehingga uji ini merupakan alternatif bagi uji
One Way Anova apabila tidak memenuhi asumsi misal
asumsi normalitas. Selain sebagai uji alternatif, kegunaan
lain adalah sebagai perluasan dari uji Mann Whitney U Test,
di mana kita ketahui bahwa uji tersebut hanya dapat
digunakan pada 2 kelompok variabel dependen. Sedangkan
Kruskall Wallis dapat digunakan pada lebih dari 2 kelompok
misal 3, 4 atau lebih.
Oleh karena uji ini merupakan uji non parametris di mana
asumsi normalitas boleh dilanggar, maka tidak perlu lagi
ada uji normalitas misal uji shapiro wilk atau lilliefors.
Sebagai ilustrasi adalah penelitian yang bertujuan untuk
mengetahui adakah perbedaan pengaruh Metode
Pembelajaran terhadap nilai ujian siswa. Di mana Metode
pembelajaran sebagai variabel independen memiliki 3
kategori yaitu misal: metode A, metode B dan Metode C.
Sedangkan nilai ujian sebagai variabel dependen berskala
Hasil Uji Random Effects (RE) rasio yaitu berkisar antara 0 sd 100.
Rumus Kruskall Wallis
Persamaan Regresi (Data Panel) Berikut di bawah ini adalah rumus Kruskall Wallis:
Berikut persamaan Regresi pada Fixed Effects (FE):
Di mana:
Y: Dependen Variabel Rumus Kruskall Wallis
X: Independen Variabel
α : Koefisien Beta dari Konstanta (Intersep) Di mana:
β : Koefisien Beta variabel bebas. ηi : Jumlah pengamatan dalam kelompok.
U: Panel Data. rij: Peringkat (diantara semua pengamatan) pengamatan j
V: Vector. dari kelompok i.
Dari persamaan Fixed Effects di atas, dapat diambil N: Jumlah pengamatan di semua kelompok.
kesimpulan bahwa pada Fixed Effects: Sedangkan:
Intersep: Bervariasi antar individu dan/atau waktu
Error variance: Konstan
Slopes: Konstan
Berikut persamaan Regresi pada Random Effects (RE):
M a t a k u l i a h l a i n y a n g b e l u m a d a d i P D F i n i a k a n s a y a u p d a t e d i w w w . a k u n t a n s i d a n b i s n i s . wo rd p re s s . c o m
Contac t me : muhammad.f irman177@gmail.com /@f irmanmhmd (Line) 2629
PE1
Disusun oleh : Muhammad Firman (Akuntansi FE UI 2012)
Perlu kami tekankan lagi, bahwa syarat atau asumsi uji ini 3. Apabila Anggota sampel ditiap kategori sama, maka
adalah: gunakan uji komparatif berpasangan untuk skala
1. Variabel independen berskala kategorik lebih dari 2 ordinal, yaitu uji Friedman Test.
kategori. Kesimpulan Hipotesis
2. Variabel dependen berskala numeric (interval/rasio) Hasil akhir dari uji Kruskall Wallis adalah nilai P value, yaitu
atau skala ordinal. apabila nilainya < batas kristis misalkan 0,05 maka kita
3. Independen artinya sampel ditiap kategori harus dapat menarik kesimpulan statistik terhadap hipotesis yang
bebas satu sama lain, yaitu tidak boleh ada sampel diajukan yaitu: Ada pengaruh metode pembelajaran
yang berada pada 2 kategori atau lebih. terhadap nilai ujian siswa atau yang berarti menerima H1
4. Tiap kategori memiliki variabilitas yang sama, yaitu dan menolak H0.
bentuk kurve histogram atau sebaran data yang Post Hoc Kruskall Wallis
sama (Lihat Histogram Variabilitas Sama). Apabila Selanjutnya jika menerima H1 maka bisa dilanjutkan dengan
bentuk sebaran data sama, maka uji kruskall wallis uji lanjut atau disebut juga uji post hoc. Uji post hoc setelah
dapat digunakan untuk menilai perbedaan Median kruskall wallis salah satunya adalah uji mann whitney u test.
antar kategori. Sedangkan jika bentuk sebaran tidak Dengan uji tersebut kita bisa menilai antar kategori apakah
sama (Lihat Histogram Variabilitas Tidak Sama), yang ada perbedaan signifikan. Pada kasus di atas, maka uji
maka uji ini tidak dapat digunakan untuk menilai post hoc yang dilakukan antara lain:
perbedaan Median, jadi hanya untuk menilai 1. Perbedaan Nilai Ujian Siswa antara metode A dan metode
perbedaan peringkat rata-rata. B
2. Perbedaan Nilai Ujian Siswa antara metode A dan metode
C
3. Perbedaan Nilai Ujian Siswa antara metode B dan metode
C.
Kruskall Wallis dengan STATA
Kruskall Wallis dengan STATA
Setelah kita mempelajari Uji Kruskall Wallis dengan
menggunakan aplikasi SPSS, maka saatnya kita belajar cara
melakukan uji tersebut dengan menggunakan aplikasi
STATA. Sama halnya dengan SPSS, menggunakan STATA
juga cukup mudah.
Agar anda mengerti pembahasan pada materi ini, sebaiknya
anda baca artikel kami yang membahas tentangKruskall
Wallis H.
Sebelumnya anda download file kerja STATA di :
https://onedrive.live.com/?cid=DDF01764903CCA0C&group
=0&id=DDF01764903CCA0C%21881&parId=DDF01764903C
CA0C%21103&action=locate
Histogram Variabilitas Sama File kerja yang digunakan disini isinya sama dengan file kerja
SPSS pada artikel sebelumnya, yaitu pada Kruskall Wallis
dengan SPSS.
Buka aplikasi STATA anda kemudian pada menu klik File,
Open, pilih file kerja yang anda download tadi dan
klik Open. Buka data tersebut dan lihat Data Editor dengan
cara pada Menu klik Data, Data editor, Data Editor (Edit).
Maka akan terbuka jendela sebagai berikut di bawah ini.
M a t a k u l i a h l a i n y a n g b e l u m a d a d i P D F i n i a k a n s a y a u p d a t e d i w w w . a k u n t a n s i d a n b i s n i s . wo rd p re s s . c o m
Contac t me : muhammad.f irman177@gmail.com /@f irmanmhmd (Line) 2631
PE1
Disusun oleh : Muhammad Firman (Akuntansi FE UI 2012)
Lihat pada output di atas, pada kolom pertama perbedaan median, bentuk dan sebaran data sama, tetapi
menunjukkan masing-masing kelompok yaitu kelompok tidak diketahui secara pasti apakah perbedaan median
perlakuan 1, 2 dan 3. Pada klom kedua adalah jumlah tersebut bermakna atau tidak. Untuk lebih jelasnya silahkan
observasi di dalamnya, yaitu masing-masing kelompok lihat gambar di bawah ini:
perlakuan ada 10 observasi/sampel. Dan pada kolom ketiga
atau kolom Rank Sum adalah kolom jumlah peringkat rata-
rata tiap kelompok. Di mana kelompok perlakuan 3 lebih
tinggi nilainya dari pada kelompok 2 sedangkan kelompok 2
lebih tinggi dari kelompok 1.
Nilai Chi-Squared sebesar 7,777 dengan DF 2 maka nilai p
value uji Kruskall Wallis adalah sebesar0,0206 di
mana kurang dari batas kritis 0,05 maka dapat disimpulkan
bahwa Perlakuan memberikan perbedaan Mean
yang bermakna pada Nilai ujian atau yang berarti menerima
H1 dan menolak H0.
Nilai Chi-Squared with ties artinya nilai uji Kruskall Wallis
dengan memperhatikan Ties. Ties di sini berarti observasi
dengan nilai yang sama. Hasilnya juga menunjukkan p value Histogram Mann Whitney U Test
sebesar 0,0205 di mana kurang dari 0,05.
Perhatikan dua histogram di atas, di mana bentuk lebar dan
Oleh karena kesimpulan Hipotesis menerima H1 maka ketinggian keduanya sama, yang berarti bentuk dan sebaran
diteruskan dengan Uji Post Hoc atau Uji Lanjut. Seperti data kedua kelompok sama, tetapi median keduanya
yang dibahas sebelumnya, Post Hoc setelah Kruskall Wallis berbeda. Lihat bahwa histogram yang di atas lebih ke kanan
bisa dilakukan dengan Uji Mann Whitney U Test. dari pada yang di bawah, yaitu dengan median 18
sedangkan yang di bawah dengan median 15. Maksud dari
VII. Mann Whitney U Test (One-sided Wilcoxon signed peneliti melakukan uji Mann Whitney U Test adalah menguji
rank test – Compares two populations) apakah perbedaan median tersebut bermakna atau tidak.
Bagaimana jika bentuk dan sebaran dari histogram tidak
Mann Whitney U Test adalah uji non parametris yang sama? apakah masih bisa dilakukan uji ini? Jawabannya
digunakan untuk mengetahui perbedaan median 2 adalah "Ya", tetapi peneliti tidak lagi menguji perbedaan
kelompok bebas apabila skala data variabel terikatnya Median dan Mean, melainkan menguji perbedaan Mean
adalah ordinal atau interval/ratio tetapi tidak berdistribusi saja.
normal.
Maka dapat diartikan bahwa uji Mann Whitney U Test
Berdasarkan definisi di atas, uji Mann Whitney U Test (MWU) sangat sensitif terhadap perubahan Median.
mewajibkan data berskala ordinal, interval atau rasio. Sebagai pilihan lain adalah Uji Kolmogorov Smirnov Z (KS-Z)
Apabila data interval atau rasio, maka distribusinya tidak untuk uji dua sampel bebas. Uji KS-Z ini berbeda dengan
normal. Sumber data adalah 2 kelompok yang berbeda, MWU, di mana KS-Z bukan hanya menguji perbedaan
misal kelas A dan kelas B di mana individu atau objek yang Median dan Mean, melainkan juga perbedaan Variances.
diteliti adalah objek yang berbeda satu sama lain. Maka oleh karena itu, jika asumsi homogenitas dalam uji
MWU tidak terpenuhi, maka KS-Z dapat menjadi alternatif.
Mann Whitney U Test disebut juga dengan Wilcoxon Rank kelebihan dari uji KS-Z adalah tidak begitu sensitif pada
Sum Test. Merupakan pilihan uji non parametris apabila Median, melainkan sensitif pada Mean danVariance.
uji Independent T Test tidak dapat dilakukan oleh karena
asumsi normalitas tidak terpenuhi. Tetapi meskipun bentuk Mengapa MWU dan KS-Z berbeda? Jawabannya adalah
non parametris dari uji independent t test, uji Mann karena keduanya bekerja dengan cara yang berbeda. MWU
Whitney U Test tidak menguji perbedaan Mean (rerata) dua menguji perbedaan rerata peringkat sehingga menghasilkan
kelompok seperti layaknya uji Independen T Test, melainkan nilai U yang kemudian dapat dikonversi menjadi nilai Z.
untuk menguji perbedaan Median (nilai tengah) dua Sedangkan uji KS-Z menguji perbedaan pada distribusi
kelompok. kumulatif. Oleh karena itu, sebelum anda memilih uji mana
yang tepat, sebaiknya anda pahami lebih dalam kedua uji ini
Tetapi beberapa ahli tetap menyatakan bahwasanya uji dan sesuaikan dengan hipotesis penelitian anda.
Mann Whitney U Test tidak hanya menguji perbedaan
Median, melainkan juga menguji Mean. Mengapa seperti Karena uji ini merupakan bentuk non parametris dari uji
itu? karena dalam berbagai kasus, Median kedua kelompok independen t test, maka varians kedua kelompok haruslah
bisa saja sama, tetapi nilai P Value hasilnya kecil yaitu < 0,05 sama.
yang berarti ada perbedaan. Penyebabnya adalah karena
Mean kedua kelompok tersebut berbeda secara nyata. Berdasarkan uraian di atas, maka dapat disimpulkan Asumsi
Maka dapat disimpulkan bahwa uji ini bukan hanya menguji yang harus terpenuhi dalam Mann Whitney U Test, yaitu:
perbedaan Median, melainkan juga perbedaan Mean. 1. Skala data variabel terikat adalah ordinal, interval
atau rasio. Apabila skala interval atau rasio, asumsi
Berdasarkan pemahaman pendapat-pendapat di atas, maka normalitas tidak terpenuhi. (Normalitas dapat
kesimpulannya adalah: diketahui setelah uji normalitas).
Seseorang akan melakukan uji Mann Whitney U Test apabila
menemui kasus: Diketahui dengan jelas bahwa terdapat
M a t a k u l i a h l a i n y a n g b e l u m a d a d i P D F i n i a k a n s a y a u p d a t e d i w w w . a k u n t a n s i d a n b i s n i s . wo rd p re s s . c o m
Contac t me : muhammad.f irman177@gmail.com /@f irmanmhmd (Line) 2632
PE1
Disusun oleh : Muhammad Firman (Akuntansi FE UI 2012)
M a t a k u l i a h l a i n y a n g b e l u m a d a d i P D F i n i a k a n s a y a u p d a t e d i w w w . a k u n t a n s i d a n b i s n i s . wo rd p re s s . c o m
Contac t me : muhammad.f irman177@gmail.com /@f irmanmhmd (Line) 2633
PE1
Disusun oleh : Muhammad Firman (Akuntansi FE UI 2012)
Wilcoxon Rank Sum Test Output 1 STATA Wilcoxon Rank Sum Test Output 3 STATA
Nilai z sebesar -2,005 dengan p value (prob > |z|) sebesar Nilai z sebesar -1,286 dengan p value (prob > |z|) sebesar
0,0450 di mana < 0,05 sehingga keputusan hipotesis 0,1984 di mana > 0,05 sehingga keputusan hipotesis
adalah menerima H1 atau yang berarti terdapat perbedaan adalah menerima H0 atau yang berarti tidak terdapat
Mean Variabel Nilai yang bermakna antara kelompok
perlakuan 1 dan kelompok perlakuan 2. perbedaan Mean Variabel Nilai yang bermakna antara
Selanjutnya anda ulangi langkah di atas tetapi ubah kategori kelompok perlakuan 2 dan kelompok perlakuan 3.
yg digunakan yaitu antara kelompok perlakuan 1 dan 3.
Caranya cukup mengganti formula pada kotak if: VIII.Homogenitas dengan STATA
expression ketikkan menjadi: perlakuan==1 | Pengujian homogenitas adalah pengujian mengenai sama
perlakuan==3. Atau cukup dengan ketikkan rumus pada tidaknya variansi-variansi dua buah distribusi atau lebih. Uji
kotak Command: ranksum nilai if perlakuan==1 | homogenitas yang akan dibahas dalam tulisan ini adalah Uji
perlakuan==3, by(perlakuan) Homogenitas Variansi dan Uji Bartlett. Uji homogenitas
kemudian tekan enter. dilakukan untuk mengetahui apakah data dalam variabel X
Maka akan muncul tampilan pada output sebagai berikut: dan Y bersifat homogen atau tidak.
UJI HOMOGENITAS VARIANSI
Langkah-langkah menghitung uji homogenitas :
1. Mencari Varians/Standar deviasi Variabel X danY, dengan
rumus :
M a t a k u l i a h l a i n y a n g b e l u m a d a d i P D F i n i a k a n s a y a u p d a t e d i w w w . a k u n t a n s i d a n b i s n i s . wo rd p re s s . c o m
Contac t me : muhammad.f irman177@gmail.com /@f irmanmhmd (Line) 2634
PE1
Disusun oleh : Muhammad Firman (Akuntansi FE UI 2012)
rumus :
Catatan:
Pembilang: S besar artinya Variance dari kelompok dengan
variance terbesar (lebih banyak)
Penyebut: S kecil artinya Variance dari kelompok Untuk mempermudah perhitungan, satuan-satuan yang
dengan variance terkecil (lebih sedikit) diperlukan uji bartlett lebih baik disusun dalam sebuah
Jika variance sama pada kedua kelompok, maka bebas tabel sebagai berikut :
tentukan pembilang dan penyebut.
3. Membandingkan F hitung dengan F tabel pada tabel
distribusi F, dengan:
--Untuk varians dari kelompok dengan variance
terbesar adalah dk pembilang n-1
--Untuk varians dari kelompok dengan variance
terkecil adalah dk penyebut n-1
--Jika F hitung < F tabel, berarti homogen
--Jika F hitung > F tabel, berarti tidak homogen
Contoh : Dari tabel diatas hitung nilai-nilai yang dibutuhkan :
Data tentang hubungan antara Penguasaan kosakata(X) dan 1. Varians gabungan dari semua sampel:
kemampuan membaca (Y):
Dengan ln 10 = 2.3026.
Signifikansi:
Contoh :
Diambil data pertumbuhan berat badan anak sapi karena 4
jenis makanan:
Uji Bartlett
Misalkan samoel berukuran n1,n2,…,nk dengan data Yij = (I 1. Hipotesis:
= 1,2,…,k dan j = 1,2,…,nk) dan hasil pengamatan telah
M a t a k u l i a h l a i n y a n g b e l u m a d a d i P D F i n i a k a n s a y a u p d a t e d i w w w . a k u n t a n s i d a n b i s n i s . wo rd p re s s . c o m
Contac t me : muhammad.f irman177@gmail.com /@f irmanmhmd (Line) 2635
PE1
Disusun oleh : Muhammad Firman (Akuntansi FE UI 2012)
2. Nilai α:
Nilai α = level signifikansi = 5% = 0,05
3. Rumus statistik penguji:
Untuk mempermudah perhitungan, satuan-satuan yang
diperlukan uji bartlett lebih baik disusun dalam sebuah
tabel sebagai berikut:
5. Nilai tabel: Jika α = 5% dari tabel distribusi chi kuadrat Homogenitas STATA
dengan dk = 3 didapat X20.95(3) = 7.81. Selanjutnya tekan OK dan lihat output!
6. Daerah penolakan:
Menggunakan rumus 0,063 < 7.81 ; berarti Ho diterima, H1
ditolak
7. Kesimpulan:
M a t a k u l i a h l a i n y a n g b e l u m a d a d i P D F i n i a k a n s a y a u p d a t e d i w w w . a k u n t a n s i d a n b i s n i s . wo rd p re s s . c o m
Contac t me : muhammad.f irman177@gmail.com /@f irmanmhmd (Line) 2636
PE1
Disusun oleh : Muhammad Firman (Akuntansi FE UI 2012)
M a t a k u l i a h l a i n y a n g b e l u m a d a d i P D F i n i a k a n s a y a u p d a t e d i w w w . a k u n t a n s i d a n b i s n i s . wo rd p re s s . c o m
Contac t me : muhammad.f irman177@gmail.com /@f irmanmhmd (Line) 2638
PE1