Lab Emet1 - STATA

Disusun oleh : Muhammad Firman (Akuntansi FE UI 2012)
koefisien tersebut. Sedangkan jika variabel dummy bernilai

0, maka tidak akan mempengaruhi variabel dependen.
Koefisien negatif menunjukkan jika variabel dummy
tersebut bernilai 1, maka variabel dependennya akan
berkurang sejumlah koefisien tersebut. Sedangkan jika
variabel dummy bernilai 0, maka tidak akan mempengaruhi
variabel dependen
Output STATA tersebut menujukkan bahwa orang yang
tinggal di desa memiliki jumlah kalori per minggu yang lebih
sedikit sebanyak 176.1762 daripada yang tinggal di kota. Ini
ditunjukkan oleh koefisien regresi lokasi sebesar -176.1762
b. kalori = β0 + β1 food + β2 expend + β3 jumart + β3 lokasi
+u
Y = 2418.207+0.0005565food -0.0000351expend – 205.3743
jumart -176.1762 lokasi
Rumah Tangga A:
Y = 2418.207+0.0005565(350.000) -0.0000351(500.000) –
205.3743(4)-176.1762(1)
Y= 1.597,7586
Rumah Tangga B:
Y=2418.207+0.0005565(1.050.000)-0.0000351(1.500.000)–
205.3743(3)-176.1762(0)
Y= 2.333,7591
Persentase perbedaan konsumsi kalori per minggu
(2.333,7591- 1.597,7586)/ 1.597,7586 = 0.46
Jadi persentase perbedaan kalori dua rumah tangga
tersebut adalah 46%
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
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.
Namun untuk memberikan kepastian, data yang dimiliki Signifikansi:

berdistribusi normal atau tidak, sebaiknya digunakan uji Signifikansi uji, nilai X2 hitung dibandingkan dengan X2 tabel
statistik normalitas. Karena belum tentu data yang lebih (Chi-Square).
dari 30 bisa dipastikan berdistribusi normal, demikian Jika nilai X2 hitung < nilai X2 tabel, maka Ho diterima ; Ha
sebaliknya data yang banyaknya kurang dari 30 belum tentu ditolak.
tidak berdistribusi normal, untuk itu perlu suatu Jika nilai X2 hitung > nilai X2 tabel, maka maka Ho ditolak ;
pembuktian. uji statistik normalitas yang dapat digunakan Ha diterima.
diantaranya Chi-Square, Kolmogorov
Smirnov, Lilliefors, Shapiro Wilk, Jarque Bera. Contoh:
Diambil Tinggi Badan Mahasiswa Di Suatu Perguruan Tinggi
Metode Chi Square Tahun 2010
(Uji Goodness Of Fit Distribusi Normal)
Metode Chi-Square atau X2 untuk Uji Goodness of fit
Distribusi Normal menggunakan pendekatan penjumlahan
penyimpangan data observasi tiap kelas dengan nilai yang
diharapkan.
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)
PE1
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
PE1
Variabel yang akan diuji. Klik OK.
Contoh di atas, membentuk kurve normal, maka variabel

berdistribusi normal.
Royston Adjusment. Normal QQ Plots
Pada Menu, Klik Graphics, Distributional Graphs, Normal
quantile plot, Kemudian isi Combobox Variabel dengan
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
Untuk memperkuat kesimpulan di atas, pada aplikasi STATA

kita bisa menggunakan beberapa diagram. Namun bedanya
dengan SPSS, kita tidak bisa otomatis mendapatkan
berbagai diagram. Berikut langkahnya:
Contoh di atas, plot-plot mengikuti garis fit line, maka
Histogram Pada Menu, Klik Graphics, Distributional Graphs, variabel berdistribusi normal.
Histogram, Kemudian isi Combobox Variabel dengan
Stem-Leaf
Pada Menu, klik Statistics, kemudian klik (Summaries, tables
and tests), Distributional plots and test, Pilih Steam-and-leaf
display., Kemudian isi Combobox Variabel dengan Variabel
yang akan diuji. Klik OK.
PE1
Contoh di atas, angka-angka membentuk kurve normal

miring ke arah kanan, maka variabel berdistribusi normal.
Box-Plot Transformasi data yang tidak terdistribusi secara normal
Pada Menu, Klik Graphics, Distributional Graphs, Box Plot, Ciri-ciri data berdistribusi normal antara lain: berdasarkan
Kemudian isi Combobox Variabel dengan Variabel yang akan nilai uji normalitas skewness-kurtosis menunjukkan p value
diuji. Klik OK. > 0,05, histogram berbentuk kurve normal dan dalam
Normal QQ Plots, plots yang ada mengikuti garis fit line. Ada
saatnya data ternyata tidak berdistribusi normal dan kita
menginginkan untuk melakukan transformasi. STATA
memberikan kemudahan karena hanya dengan satu kali
klik, kita sudah dapat menentukan metode transformasi apa
yang tepat.
Kita mempunyai 1 variabel yang berdistrubusi tidak normal.
Contoh seperti pada data dalam file kerja tutorial ini yang
menggunakan 100 sampel.
Kita cek apakah data memang tidak berdistribusi normal.
download file kerja STATA
ini:http://www.mediafire.com/download/msr9et5nuaeb4q
y/non+normalitas.dta
Berikut hasilnya dengan menggunakan uji skewness-
Contoh di atas, box berada ditengah dengan kedua kaki kurtosis:
yang sama panjang, garis horizontal berada ditengah box
dan tidak terdapat plot-plot di atas atau di bawah box,
maka variabel berdistribusi normal.
Untuk contoh diagram yang menunjukkan distribusi tidak
normal, lihat di bawah ini:
Nilai Prob>chi2 di atas sebesar 0,0000 di mana kurang dari

0,05 berarti data berdistribusi tidak normal.
Untuk menentukan model transformasi apa yang tepat,
maka pada Menu klik Statistics, klik (Summaries, tables and
test), klik Distributional plots and test, klik Ladder of
powers. Kemudian isi Combobox Variable dengan variabel
yang akan dideteksi. Kemudian klik OK. Lihat hasilnya!
PE1
Berdasarkan hasil di atas, lihat nilai P(chi2), nilai > 0,05

menunjukkan model transformasi tersebut dapat membuat
variabel berdistribusi normal. Maka model yang tepat
antara lain: 1/(square root) atau inverse square root,
inverse dan 1/square atau inverse square.
Dari ketiga model transformasi yang tepat, model inverse
memberikan nilai terbesar (0,550), maka model inverse Dari beberapa normal quantile plots di atas, model inverse,
selayaknya dipilih sebagai model transformasi pada data . inverse square root (1/sqrt) dan inverse square (1/square)
memberikan bentuk di mana plot-plot mengikuti garis lurus
Untuk memperkuat penilaian , dapat menggunakan deteksi fit line. Dan model inverse adalah yang terbaik.
histogram. Caranya sebagai berikut: Untuk membuktikan, mari kita coba melakukan
transformasi dengan metode inverse kemudian dilakukan
uji skewness-kurtosis. Dan ternyata hasilnya sesuai dengan
deteksi di atas. Lihat di bawah ini:
II. Regresi Linear dengan STATA

untuk melakukan uji regresi linear sederhana atau
berganda, harus memenuhi syarat-syarat atau yang disebut
dengan istilah Uji Asumsi Klasik. Berikut ini digunakan
regresi linear berganda sehingga kita akan mengikutkan uji
asumsi klasik untuk regresi linear berganda yaitu antara
lain:
Pada Menu klik Statistics, klik (Summaries, tables and test), 1.normalitas residual
klik Distributional plots and test, klik Ladder of powers 2. heteroskedastisitas
histogram. Kemudian isi Combobox Variable dengan 3. multikolinearitas.
variabel yang akan dideteksi. Kemudian klik OK. Lihat Untuk uji autokorelasi di tiadakan karena model berikut
hasilnya bukanlah model time series. Sedangkan untuk uji linearitas
Dari beberapa histogram di atas, model inverse, inverse juga ditiadakan sebab kita sudah mengasumsikan bahwa
square root (1/sqrt) dan inverse square (1/square) terdapat hubungan yang linear antara masing-masing
memberikan bentuk histogram yang paling mendekati kurve variabel independen dengan variabel dependen, yang
normal. Dan model inverse adalah yang terbaik. nantinya akan ditunjukkan pada tutorial ini dalam nilai
Selanjutnya kita bisa kuatkan lagi dengan deteksi Normal koefisien korelasi antara variabel independen dengan
Quantile Plots dengan cara: variabel dependen.
Pada Menu klik Statistics, klik (Summaries, tables and test), Langkah:
klik Distributional plots and test, klik Ladder of powers 1.Buka aplikasi anda dan isikan data sebagai berikut
quantile-normal plots. Kemudian isi Combobox Variable (selengkapnya seperti dalam file
dengan variabel yang akan dideteksi. Kemudian klik OK. kerja: https://drive.google.com/file/d/0B9P1cIyOPkIQTWtS
Lihat hasilnya! UENvejFKVXM/edit)
PE1
Pada kotak comment di bawah, tuliskan kode "gen

abs_res=abs(r)" kemudian enter
Maka akan muncul variabel baru yaitu abs_res. variabel ini

adalah nilai absolut dari variabel residual
Pada Menu klik Statisics, Linear models and related, Linear

regression.
Masukkan variabel dependen pada kotak Dependen
variable dan variabel independen pada kotak independent Pada menu, klik Statistics, "Summaries, tables, and test",
variables. Klik tab Reporting dan centang Standardized Beta Distributional plots and tables, Skewness and
Coefficients kemudian klik OK kurtosis normality test, masukkan variabel res pada kotak
variables, klik OK
Pada menu, klik Statistics, "Summaries, tables, and test",
Distributional plots and tables, Shapiro-wilk normality test,
masukkan variabel res pada kotak variables, klik OK
Distributional plots and tables, Shapiro-francia
normality test, masukkan variabel res pada kotak variables,
klik OK
Distributional plots and tables, "Normal probability plot,
standardized", masukkan variabel res pada kotak variable,
klik OK
Pada Menu klik Statisics, Linear models and related,
regression diagnostics, "Specification test, etc", Summarize
estimation sample (summarize), centang Display summary
by equation, klik OK
Pada kotak comment di bawah, tuliskan kode "predict res,

r" kemudian enter
Maka akan muncul variabel baru yaitu residual
Pada Menu klik Statisics, Linear models and related,

regression diagnostics, "Specification test, etc", Test for
heteroskedasticity (hettest), klik OK
PE1
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.
PE1
hal ini kita menggunakan metode Breusch-Pagan. Dikatakan

tidak terjadi gejala heteroskedastisitas apabila nilai P value
yang ditunjukkan dengan "Prob > chi2" nilainya > 0,05.
Di atas nilai p value sebesar 0,7451 di mana > 0,05 maka

model regresi bebas dari gejala heteroskedastisitas atau
disebut juga bersifat homoskedastisitas.
- Lihat nilai Prob>chi2 pada skewness/kurtosis test for Berikut juga dilampirkan hasil uji dengan metode grafik
Normality. Apabila nilainya lebih dari 0,05 maka residual scatter antara fitted value dan residual. Apabila plot
berdistribusi normal. Di atas nilainya 0,7028 maka residual menyebar merata di atas dan di bawah sumbu 0 dan tidak
berdistribusi normal. Sehingga berdasarkan uji Skewness membentuk sebuah pola tertentu, maka dinyatakan tidak
Kurtosis, residual dinyatakan berdistribusi normal. ada gejala heteroskedastisitas.
- Lihat nilai Prob>Z pada shapiro-wilk w test for Normal
data. Apabila nilainya lebih dari 0,05 maka residual
berdistribusi normal. Di atas nilainya 0,65937 maka residual
berdistribusi normal. Sehingga berdasarkan uji Shapiro Wilk,
residual dinyatakan berdistribusi normal.
- Lihat nilai Prob>Z pada shapiro-Francia w test for Normal
data. Apabila nilainya lebih dari 0,05 maka residual
berdistribusi normal. Di atas nilainya 0,88523 maka residual
berdistribusi normal. Sehingga berdasarkan uji Shapiro Wilk,
residual dinyatakan berdistribusi normal.
- Mengapa ada 3 jenis uji? seharusnya 1 uji saja sudah
cukup. Pilihannya adalah bila jumlah sample atau observasi
kecil < 50 sebaiknya menggunakan Shapiro-Wilk atau
Shapiro-Francia. Sedangkan untuk sampel besar > 5.000,
lebih baik menggunakan skewness kurtosis. Shapiro Wilk
valid hanya sampai 1000 observasi sedangkan Shapiro
Francia hingga 5000. Pada Diagram di atas, plot menyebar merata di atas dan di
Berikut di bawah ini juga dilampirkan hasil uji dengan bawah sumbu 0 dan tidak membentuk sebuah pola
metode grafik Histogram. tertentu, maka dinyatakan tidak ada gejala
heteroskedastisitas. Untuk menambah wawasan sebaiknya
anda baca artikel kami yang berjudul Uji
Heteroskedastisitas.
Multikolinearitas
Multikolinearitas bisa diartikan dengan mudah yaitu
terdapat korelasi kuat antar variabel independen. Model
regresi yang bagus harus bebas dari gejala multikolinearitas.
Karena multikolinearitas adalah korelasi antar variabel
independen, maka asumsi ini hanya berlaku pada uji regresi
linear berganda di mana terdapat lebih dari satu variabel
independen.
Dinyatakan berdistribusi normal apabila diagram

menyerupai "Bel/Lonceng" menghadap ke atas.Di atas
diagram menyerupai bel menghadap ke atas, maka
dinyatakan berdistribusi normal.
Heteroskedastisitas
Uji regresi linear harus mempunyai sifat homoskedastisitas.
Untuk uji heteroskedastisitas banyak metode, tetapi dalam
PE1
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.
PE1
estat classfunctions, adjustequal

estat errorrate
estat grdistances
estat manova
estat summarize
Lihatlah output !
Hasil uji multivariat normalitas ditunjukkan dengan nilai

Test multivariate normality. Ada 4 metode yaitu: Mardia
sSkewness, Mardia mKurtosis, Henze-Zirkler dan Doornik-
Hansen. Kita bisa pilih salah satu, tetapi jika menginginkan
hasil pengujian yang handal, maka sebaiknya kita gunakan Interprestasi analisis diskriminan group means
semua. Apabila keempat uji di atas menunjukkan bahwa
sebaran normal, maka dapat disimpulkan bahwa variabel
independen memiliki distribusi normal multivariat. Cara
pengambilan keputusan adalah dengan melihat nilai
Prob>Chi2, apabila nilainya > 0,05 maka berdistribusi
normal.
Setelah asumsi normalitas terpenuhi, selanjutnya pada
kotak command (bagian bawah aplikasi STATA), ketikkan
perintah:
mvtest covariances x1 x2 x3, by(y)
Interprestasi analisis diskriminan group summarize
Kemudian lihat output!
Tabel estat grsummarize di atas menerangkan bahwa kasus
yang dianalisis ada 200 responden. 92 responden memberi
keputusan 0 dan 108 memberi keputusan 1. Pada variabel
X1 nilai rata-rata X1 pada kelompok 1 : 63.20, sedangkan
kelompok 0: 35.92. Artinya rata-rata X1 terhadap Keputusan
pada kelompok pertama (1) lebih tinggi dibandingkan
dengan kelompok kedua (0).
Begitu juga dengan variabel yang lain (X2 dan X3).
Untuk menguji kesamaan varian digunakan angka Box F dan

Box Chi dengan ketentuan sebagai berikut :
• Jika signifikansi > 0,05 maka HO diterima
• Jika signifikansi < 0,05 maka H0 ditolak
Hipotesis:
H0 = Varians kedua kelompok data identik/homogen
H1 = Varians kedua kelompok data tidak sama/heterogen. Interprestasi Analisis diskriminan Univariate Summarize
Dari nilai p-value statistik kedua uji Box diketahui nilai p- Tabel estat anova di atas adalah hasil analisis untuk menguji
value 0,3643 (> 0,05) maka terima H0. kesamaan rata-rata variabel. Uji ini menggunakan Uji F dan
Dengan demikian varians kelompok data adalah nilai signifikansi. Jika angka P value (Ditandai dengan nilai Pr
identik/homogen. > F) mendekati angka 0 maka cenderung ada perbedaan
NB: jika tidak terpenuhinya asumsi ini dapat dilakukan dalam kelompok.
eksplorasi data untuk melihat kemungkinan ada tidaknya Keputusan Hipotesis dengan nilai signifikansi:
outlier data. Jika signifikansi > 0,05 maka tidak ada perbedaan dalam
kelompok
Setelah asumsi homogenitas variansi terpenuhi, selanjutnya Jika signifikansi < 0,05 maka ada perbedaan dalam
pada kotak command (bagian bawah aplikasi STATA), kelompok
ketikkan perintah kemudian enter secara berturut-turut:
discrim lda x1 x2 x3, group(y) Semua variabel di atas nilai sig < 0,05, maka ketiga variabel
estat grmeans memberikan perbedaan pada pengambilan keputusan (Y).
estat grsummarize (Perlu diketahui, dengan menggunakan STATA, kita tidak
estat anova bisa menggunakan metode Stepwise. Artinya kita harus
estat correlations mengeluarkan secara manual variabel independen mana
estat canontest yang tidak berpengaruh pada Y. Jika ada yang tidak
estat structure berpengaruh dengan ditandai p value > 0,05 maka kita
estat loadings, unstandardized standardized ulangi dari awal uji analisis diskriminan dengan tanpa
estat grmeans, canonical mengikut sertakan variabel yang dikeluarkan).
PE1
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.
Interprestasi Analisis Diksriminan Canonical Linear

Tabel estat canontest di atas menunjukkan nilai likelihood
ratio dan uji F. Anda bisa membandingkan nilai F dengan F
tabel pada DF1=3 dan DF2=196 dengan probabilitas 0,05.
(DF1 berasal dari jumlah variabel dikurangi 1, yaitu 4-1=3
dan DF2 berasal dari jumlah sampel dikurangi jumlah Interprestasi Anaalisis Diskriminan Function Coefficients
variabel yaitu 200-4=196). P value atau signifikansi Tabel Canonical Discriminat Function Coefficients di atas
ditunjukkan oleh nilai Prob>F, jika p value < 0,05, maka menunjukkan fungsi diskriminan dengan persamaan sebagai
semua variabel independen secara simultan mempengaruhi berikut : Z score = -6,0444765 (konstan) + 0,0372027 X1 +
nilai variabel dependen (Y). 0,0416069 X2 + 0,0420415 X3. Fungsi ini berguna untuk
menganalisis kasus atau responden yang diteliti akan
Angka signifikansi untuk 3 variabel sebesar 0,0000 dengan termasuk ke dalam kelompok mana, yaitu kelompok
nilai F 175,4. Karena nilai signifikansi 0,000 (<0,05) maka pertama (keputusan 0) atau kedua (keputusan 1).
variabel masing-masing kelompok mempunyai perbedaan
yang signifikan. Sedangkan untuk mengetahui nilai koefisien standardized,
Tabel di atas menunjukkan perubahan nilai lambda dan nilai lihat nilai koefisien pada tabel standardized canonical
uji F dalam tiap tahap. Sampai tahap 3 nilai Sig tetap < 0,05, discriminant function coefficients.
maka sampai tahap 3 variabel bebas masuk semua dalam
model.
Angka signifikansi untuk 3 variabel sebesar 0,000 dengan
nilai F 235,829 pada tahap satu dan pada tahap 3
signifikansi sebesar 0,000 dengan nilai F 175.397. Karena
nilai signifikansi 0,000 (< 0,05) maka variabel masing-masing
kelompok mempunyai perbedaan yang signifikan.
Pada tabel di atas terdapat nilai canonical correlation. Nilai Interprestasi analisis group means variable
canonical correlation digunakan untuk mengukur derajat
hubungan antara hasil diskriminan atau besarnya Berdasarkan angka tabel di atas, terdapat dua kelompok
variabilitas yang mampu diterangkan oleh variabel yang berbeda yaitu kelompok dengan keputusan 0 dengan
independen terhadap variabel dependen. centroid (rata-rata kelompok) negatif dan kelompok yang
keputusan 1 dengan centroid (rata-rata kelompok) positif.
Dari tabel di atas, diperoleh nilai canonical correlation
sebesar 0,8536 bila di kuadratkan (0,8536 x 0,8536) =
0,72863296, artinya 72,863296% varians dari variabel
independen (kelompok) dapat dijelaskan dari model
diskriminan yang terbentuk.
Nilai korelasi kanonikal menunjukan hubungan antara nilai
diskriminan dengan kelompok. Nilai sebesar 0,8536 berarti
hubungannya sangat tinggi karena mendekati angka 1
(besarnya korelasi antara 0-1).
PE1
Di atas menunjukkan nilai uji F pada analisis multivariat

dengan menggunakan metode Wilk's Lambda, Pillai's Trace,
Lawley-Hotelling trace dan Roy's largest root. Nilai p value
ditunjukkan dengan nilai Prob>F. Jika p value < 0,05 maka
pada derajat kepercayaan 95%, variabel independen secara
simultan mempunyai pengaruh yang bermakna terhadap
variabel dependen.
Interprestasi analisis dikriminan class functions

Pada Tabel estat classfunction menunjukkan hal yang sama
dengan bagian Canonical Discriminant Function Coefficients
di atas yang sebelumnya sudah dibahas. Persamaannya
sebagai berikut (Dibulatkan 3 digit dibelakang koma):
Untuk kelompok 0, persamaannya :
Nilai = -9.846 (konstan) + 0,161 (X1) + 0,178 (X2) + 0,178 Interprestasi analisis diskriminan discrim
(X3) Tabel estat summarize di atas menunjukan jumlah kasus
Untuk kelompok 1, persamaannya : (responden) sebanyak 200 yang di proses serta
Nilai = -9.846 (konstan) + 0,282 (X1) + 0,314 (X2) + 0,316 menunjukkan nilai-nilai mean, standart deviasi serta nilai
(X3) minimal dan maximal masing-masing variabel
Selisis antara kedua kelompok :
Nilai = -6,045 (konstan) + 0,037 (X1) + 0,042 (X2) + 0,042
(X3)
Interprestasi analisis diskriminan error rate

Di atas menunjukkan rata-rata error pada tiap kelompok,
yaitu pada kelompok keputusan 0 sebesar 0,0652174 dan
pada kelompo keputusan 1 sebesar 0,0277778. Total error
kedua kelompok dapat dilihat di kolom Total.
Interprestasi analisis diskriminan classified
Pada Tabel di atasmenunjukkan kelompok dengan
keputusan 0 sebanyak 92 sampel sedangkan kelompok
dengan keputusan sebanyak 1 sebanyak 108 sampel.
Tabel di atas pada kolom Original baris “Kelompok
Keputusan 0 sebanyak 86 responden atau 93,48%,
sedangkan 6 responden (6,52%) berpindah ke kelompok
Interprestasi analisis diskriminan distance keputusan 1”.
Sementara itu, 105 responden (97,22%) yang berada
Di atas menunjukkan nilai squared distances antar group dikelompok “keputusan 1” dan ada 3 responden (2,78%)
dengan metode mahalanobis, yaitu sebesar 10,69966. berpindah ke kelompok keputusan 0”.
Maka Ketepatan fungsi diskriminan dapat dihitung dengan
cara: 86 + 105/200 = 0.955 atau 95,5 %.
Kesimpulan:
Asumsi Normalitas Multivariate terpenuhi.
Asumsi tidak adanya multikolinearitas antar variabel
independen terpenuhi
Asumsi Homogenitas Varians antar kelompok terpenuhi.
Terdapat perbedaan yang signifikan antara kelompok
responden yang memberikan keputusan 0 dengan
kelompok yang memberikan keputusan 1.
Faktor-faktor yang membuat berbeda adalah variabel X1,
Interprestasi analisis diskriminan manova X2, dan X3 (Semua Variabel Independen).
PE1
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
PE1
Ordinary Least Square (OLS) atau teknik kuadrat terkecil

untuk mengestimasi model data panel.
2.)Fixed Effect Model (FE): Model ini mengasumsikan bahwa
perbedaan antar individu dapat diakomodasi dari
perbedaan intersepnya. Untuk mengestimasi data panel
model Fixed Effects menggunakan teknik variable dummy
untuk menangkap perbedaan intersep antar perusahaan,
perbedaan intersep bisa terjadi karena perbedaan budaya
kerja, manajerial, dan insentif. Namun demikian slopnya
sama antar perusahaan. Model estimasi ini sering juga
disebut dengan teknik Least Squares Dummy Variable
(LSDV).
3.) Random Effect Model (RE): Model ini akan mengestimasi
data panel dimana variabel gangguan mungkin saling
berhubungan antar waktu dan antar individu. Pada model
Random Effect perbedaan intersep diakomodasi oleh error
terms masing-masing perusahaan. Keuntungan
menggunkan model Random Effect yakni menghilangkan
heteroskedastisitas. Model ini juga disebut dengan Error
Component Model (ECM) atau teknik Generalized Least
Square (GLS) . Pahami betul diagram di atas, karena akan menjadi kunci
dalam langkah-langkah pengujian selanjutnya.
PENENTUAN METODE ESTIMASI:
Untuk memilih model yang paling tepat terdapat beberapa Aplikasi Regresi data panel dengan stata
pengujian yang dapat dilakukan, antara lain: kita asumsikan akan melakukan uji regresi data panel
dengan 3 variabel bebas, yaitu x1, x2 dan x3 serta 1 variabel
1. Uji Chow terikat yaitu y. Di mana melibatkan 50 subject atau yang
Chow test adalah pengujian untuk menentukan model Fixed disebut dengan panel dan masing-masing subject
Effet atau Random Effect yang paling tepat digunakan mempunyai data runtut waktu selama 10 tahun (per tahun).
dalam mengestimasi data panel. Jadi bila kita hitung maka 50 x 10 = 500 observasi.
Apabila Hasil:
H0: Pilih PLS Silahkan buka aplikasi STATA anda dan kemudian isi data
H1: Pilih FE editor sesuai contoh di bawah ini atau anda bisa langsung
download file kerja tutorial ini
2. Uji Hausman https://onedrive.live.com/?cid=ddf01764903cca0c&id=DDF
Hausman test adalah pengujian statistik untuk memilih 01764903CCA0C%21898
apakah model Fixed Effect atau Random Effect yang paling
tepat digunakan.
Apabila Hasil:
H0: Pilih RE
H1: Pilih FE
3. Uji Lagrange Multiplier
uji Lagrange Multiplier (LM) adalah uji untuk mengetahui
apakah model Random Effect lebih baik daripada metode
Common Effect (OLS) digunakan.
Apabila Hasil:
H0: Pilih PLS
H1: Pilih RE
Dari ketiga uji untuk menentukan Metode Estimasi di atas,
digambarkan dalam grafik di bawah ini:
Dataset data panel

Langkah pertama adalah ketikkan perintah sebagai berikut
di kotak command kemudian tekan enter:
PE1
. tsset id thn, yearly x1: Variabel bebas x1

x2: Variabel bebas x3
Perhatikan command di atas: x3: Variabel bebas x3
tsset: perintah declare panel data
id: Subject Lihat outputnya!
thn: Time Series
Perintah (command) di atas bertujuan untuk membentuk
atau declare dataset panel data time series agar pengujian
data panel dapat dilakukan. Hasilnya adalah sebagai berikut:
panel variable: id (strongly balanced)
time variable: thn, 2000 to 2009
delta: 1 year
Arti di atas adalah:
Terbentuk panel data dengan subject "id" dan time series
variabel "thn" berupa interval tahun (tearly) yang dimulai
dari tahun 2000 sd 2009 (10 tahun). Strongly balanced
artinya secara seragam, masing-masing subject ("id")
mempunyai jumlah pengulangan/time series yang sama
yaitu 10 tahun.
Langkah selanjutnya ketikkan command: Pooled least square
. xtsum y x1 x2 x3
Perhatikan command di atas: Selanjutnya lakukan uji regresi data panel Fixed Effect
xtsum: perintah deskriptive pada panel data Model (FE), yaitu:
y: Variabel terikat . xtreg y x1 x2 x3, fe
x2: Variabel bebas x3 Perhatikan command di atas:
x3: Variabel bebas x3 xtreg: perintah fixed atau random effect
fe adalah options memilih fixed effect
Artinya kita akan menghitung dan menampilkan hasil uji y: Variabel terikat
deskriptive per variabel, baik pada subject secara x1: Variabel bebas x1
keseluruhan (overall), per subject (between) dan per tahun x2: Variabel bebas x3
(within). x3: Variabel bebas x3
Tampilannya sebagai berikut: Lihat outputnya!
Xtsum data panel

Sesuai tahapan seperti yang dijelaskan dalam artikel
sebelumnya, maka kita akan melakukan pemilihan metode Fixed effect
estimasi.
Selanjutnya lakukan uji regresi data panel Random Effect
Langkah pertama adalah melakukan uji Pooled Least Square Model (RE), yaitu:
(PLS), caranya: . xtreg y x1 x2 x3
. reg y x1 x2 x3 Perhatikan command di atas:
xtreg: perintah fixed atau random effect
Perhatikan command di atas: Tanpa adanya options memilih fixed effect, maka secara
reg: perintah PLS default pilihan uji adalah random effect
y: Variabel terikat y: Variabel terikat
PE1

Lihat outputnya!
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
y: Variabel terikat
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.
PE1
Sebelum masuk ke tahap interprestasi hasil analisis dengan

regresi data panel, maka setelah mempelajari cara memilih
metode estimasi yang tepat untuk regresi data panel
dengan stata, saatnya kita mempelajari asumsi regresi data
panel. Asumsi yang berlaku untuk regresi data panel
metode Pooled Least Square (PLS) dan Fixed Effects (FE)
sama dengan Ordinary Least Square (OLS) karena kedua uji
tersebut didasarkan pada metode least square. Uji Asumsi
yang dimaksud antara lain: Linearitas, Normalitas, Outlier,
Multikolinearitas, Heteroskedastisitas dan Autokorelasi.
Sedangkan Metode Random Effects (RE) karena
menggunakan pendekatan General Least Square (GLS) maka
tidak diperlukan pengujian heteroskedastisitas dan
Autokorelasi.
Asumsi Multikolinearitas Regresi Data Panel
Caranya:
ketikkan Command sebagai berikut:
Hausman test Corr y x1 x2 x3
(Lihat pada tanda panah merah!) Karena P Value Maksud command di atas:
(Prob>Chi2)<Alpha 0,05 maka H1 diterima atau yang berarti Corr artinya uji korelasi pearson product moment
pilihan terbaik adalah FE dari pada RE. y: variabel terikat
x1: variabel bebas x1
Lagrange Multiplier Test x2: variabel bebas x2
Bagaimana seandainya pada Chow Test pilihan terbaik x3: variabel bebas x3
adalah PLS atau pada Hausman Test ternyata pilihan terbaik
adalah RE? Maka kita harus melanjutkan ke tahap Output yang dihasilkan:
berikutnya untuk menentukan pilihan terbaik apakah PLS
atau RE, yaitu dengan uji Lagrange Multiplier Test. Caranya
ketikkan command dan enter:
. xtreg y x1 x2 x3, re
. xttest0
xtreg dengan options re: perintah random effects
y: Variabel terikat
x1: Variabel bebas x1 Multikolinearitas data panel dengan stata
x3: Variabel bebas x3 Nilai-nilai di atas menunjukkan korelasi antar variabel, misal
xttest0: perintah Lagrange Multiplier Test antara x1 dengan x2 nilai korelasinya 0,3838. Dinyatakan
Maka output muncul sebagai berikut: menerima H0 atau tidak ada masalah multikolinearitas
apabila nilai korelasi antar variabel tidak lebih dari 0,75.
Cara yang lain:
Pada Uji Pooled Least Square dengan melihat nilai VIF
setelah regresi dengan PLS:
. reg y x1 x2 x3
. vif
Maksud command di atas:
Reg artinya uji Regresi
y: variabel terikat
vif: nilai variance inflating factor
Agrange multiplier test
Outputnya:
(Lihat pada tanda panah merah!) Karena p value
(Prob>Chibar2)<Alpha 0,05 maka H1 diterima atau yang
berarti pilihan terbaik adalah RE dibandingkan PLS.
Sementara cukup sampai di sini mengenai Regresi Data
Panel dengan STATA. Di mana kita sudah bisa menentukan
pilihan metode estimasi yang tepat, apakah PLS, FE atau RE.
Selanjutnya kita akan mempelajari post estimasi setelah
regresi data panel atau yang disebut dengan asumsi regresi VIF data panel dengan STATA
data panel yang bertujuan untuk mengevaluasi hasil model
persamaan regresi data panel.
PE1
Menerima H1 atau ada indikasi multikolinearitas tinggi Outputnya:

apabila nilai Mean VIF > 10.
Setelah FE dan RE dengan cara:
. xtreg y x1 x2 x3, fe
. vif, uncentered
Maksud command di atas:
xtreg artinya uji Regresi Data Panel
FE artinya Fixed Effects
y: variabel terikat Terjadi masalah Autokorelasi apabila nilai (Prob>Chi2) <
x1: variabel bebas x1 Alpha (0,05).
x3: variabel bebas x3 Sementara demikian saja perihal asumsi pada regresi data
vif: nilai variance inflating factor. panel. Selanjutnya kita akan bahas Interprestasi Regresi
Data Panel yang akan dilanjutkan dengan regresi data panel
Outputnya: metode robust.
Interprestasi Regresi Data Panel
Setelah mempelajari memilih metode estimasi regresi data
panel serta asumsi regresi data panel, maka selanjutnya di
sini kita akan mempelajari interprestasi dari hasil pengujian
regresi data panel. Pada intinya sama seperti halnya uji
regresi linear biasa, ada beberapa uji penting yang perlu
diinterprestasikan, yaitu antara lain: Uji Signifikansi
VIF Data panel setelah FE dengan STATA Serentak, Uji Signifikansi Parsial, Uji Goodness of Fit Test
dan Persamaan Regresi.
Menerima H1 atau ada indikasi multikolinearitas tinggi
apabila nilai Mean VIF > 10. Uji Signifikansi Serentak (Data Panel)
Uji ini untuk melihat secara global, apakah semua variable
Asumsi Heteroskedastisitas Regresi Data Panel independent secara bersama-sama mempengaruhi variable
Perlu diingat kembali bahwa Uji heterokedastisitas hanya dependent.
dilakukan ketika menggunakan estimasi FE dan PLS.
Caranya Setelah PLS: Hipotesis:
. quietly reg y x1 x2 x3 H0 : β0 = β1 = β2 = β3 = β4 = ….. = βk = 0
. hettest H1 : β0 ≠ β1 ≠ β2 ≠ β3 ≠ β4 ≠ ….. = βk ≠ 0
Outputnya:
Pada uji Pooled Least Square (PLS) dan Fixed Effects (FE):
Hipotesis nol akan ditolak jika nilai F-statistik > nilai F tabel
atau bila (Prob > F) <α. Jika nilai dari (Prob > F) = 0 berarti
(Prob > F) <α (0.05).
Pada uji Random Effects (RE):
Heteroskedastisitas data panel dengan PLS dengan STATA Hipotesis nol akan ditolak jika nilai wald chi2-statistik > nilai
chi-square tabel atau bila (Prob > Chi2) <α. Jika nilai dari
Menerima H1 atau Terjadi masalah heteroskedastisitas (Prob > Chi2) = 0 berarti (Prob > Chi2) <α (0.05).
apabila nilai (Prob>Chi2) < Alpha (0,05).
Uji Signifikansi Parsial (Data Panel)
Caranya Setelah FE: Uji ini untuk melihat secara parsial atau pervariabel, apakah
. xtreg y x1 x2 x3, fe masing-masing independent variable secara signifikan
. xttest3 berpengaruh terhadap dependent variable.
Outputnya: Hipotesis:
H0 : βk = 0
H1 : βk ≠ 0
Pada uji Pooled Least Square (PLS) dan Fixed Effects (FE):
T Test: Hipotesis nol akan ditolak bila (P>|t|)<α atau nilai t-
stat > nilai kritis t-tabel.
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
PE1
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):
Asumsi Kruskall Wallis
PE1
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.
Histogram Variabilitas Tidak Sama

Solusi Asumsi
Solusi apabila Asumsi dilanggar adalah:
1. Apabila kategori hanya ada maka gunakan uji Mann
Whitney U Test.
2. Apabila skala data di tiap variabel tidak sesuai, maka
gunakan uji yang sesuai, misalkan skala data Dataset Kruskall Wallis STATA
variabel independen dan dependen adalah nominal Perhatikan di atas, bahwasanya ada 2 variabel,
maka gunakan uji Chi-Square. yaitu Perlakuan sebagai variabel bebas yang memiliki 3
PE1
kategori dan Nilai sebagai variabel terikat. Tentunya

perlakuan merupakan data dengan skala nominalatau
disebut dengan data kategorik atau kualitatif. Sedangkan
Nilai merupakan data dengan skala intervalatau disebut
juga dengan data numerik atau kuantitatif.
Untuk menentukan nantinya apakah uji ini dapat digunakan
untuk mengukur perbedaan Mean dan Medianatau
hanya Mean saja, maka kita harus membuat perbandingan
bentuk sebaran data dengan cara membuat histogram
variabel Nilai berdasarkan Perlakuan. Caranya pada menu,
klik Graphics, Histogram. Setelah muncul jendela baru,
masukkan variabel Nilai ke dalam kotak Variable pada Tab
Main. Dan jangan lupa centang Number of Bins dan
tentukan nilainya, misal 10. Angka 10 disini terserah anda,
sebab tujuan histogram di sini hanya untuk mengetahui
adakah perbedaan bentuk sebaran data atau tidak.
Kruskall Wallis STATA Tab By

Perhatikan 3 histogram yang muncul di bawah ini. jelas
terlihat bahwa bentuk sebaran data tidak sama, maka uji
Kruskall Wallis nantinya hanya dapat digunakan untuk
mengukur perbedaan Mean saja.
Kruskall Wallis STATA Main Tab
Klik Tab density Plot, kemudian centang Add normal-

density plot.
Histogram Kruskall Wallis STATA

Pada menu, klik Statistics, Nonparametric analysis, Test of
Hypotheses, Kruskall Wallis Rank Test. Masukkan Nilai ke
kotak Outcome variable dan Perlakuan ke kotak
Variabel defining groups selanjutnya klik OK dan
lihat output!
Kruskall Wallis STATA Density Plot

Klik Tab By, kemudian centang Draw subgraphs for unique
values of variables. Kemudian masukkan
variabel perlakuan ke kotak Variable. Selanjutnya klik OK.
Output Kruskall Wallis STATA
PE1
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
PE1
2. Data berasal dari 2 kelompok. (Apabila data berasal

dari 3 kelompok atau lebih, maka sebaiknya
gunakan uji Kruskall Wallis).
3. Variabel independen satu dengan yang lainnya,
artinya data berasal dari kelompok yang berbeda
atau tidak berpasangan.
4. Varians kedua kelompok sama atau homogen.
(Karena distribusi tidak normal, maka uji
homogenitasyang tepat dilakukan adalah
uji Levene's Test. Di mana uji Fisher
F diperuntukkan bila asumsi normalitas terpenuhi).
Asumsi point 1,2 dan 3 tidak memerlukan uji tersendiri.
Sedangkan point 4 jelas perlu sebuah uji yang dapat
menentukan apakah kedua kelompok memiliki varians yang
sama atau tidak, yaitu disebut dengan uji homogenitas.
Mann Whitney U Test dengan STATA
Setelah anda melakukan uji Kruskall Wallis H, maka
selanjutnya apabila hasil uji tersebut menunjukkan bahwa p
value lebih kecil dari batas kritis penelitian, misal 0,05 maka
harus dilanjutkan dengan uji Post Hoc untuk mengetahui Wilcoxon Rank Sum Test STATA
antara kelompok perlakuan yang mana yang terdapat
perbedaan bermakna.
Klik Tab by/if/in, kemudian tekan tombol create atau pada
Dalam tutorial STATA kali ini, kita akan menggunakan file kotak if: expression ketikkan rumus sebagai
kerja yang digunakan pada tes sebelumya, yaitu Kruskall berikut: perlakuan==1 | perlakuan==2. Kemudian tekan
Wallis dengan STATA. Oleh karena itu silahkan download tombol OK.
terlebih dahulu kemudian buka file kerja tersebut dengan
aplikasi STATA anda.
Ingat bahwa variabel bebas anda yaitu Perlakuan memiliki 3
kategori (1, 2 dan 3) sedangkan variabel terikat anda
adalah Nilai. Oleh karena ada 3 kategori pada variabel
bebas, maka akan ada 3 uji post hoc. Uji post hoc setelah
Kruskall wallis bisa menggunakan uji Mann Whitney U Test.
Perlu anda ingat pula bahwa uji tersebut disebut juga uji
Wilcoxon Rank Sum Test, sehingga dalam STATA yang kita
gunakan adalah istilahWilcoxon Rank Sum Test. (Tidak
selalu uji Mann Whitney U Test atau Wilcoxon Rank Sum
Test selalu menjadi Post Hoc uji Kruskall Wallis. Jadi bisa
dilakukan uji ini tanpa diawali Kruskall Wallis).
Caranya yaitu pada menu, klik Statistics, Nonparametric
analysis, Test of hypotheses, Wilcoxon rank-sum test.
Setelah muncul jendela utama, pada tab Main masukkan
variabel bebas anda yaitu Perlakuan ke kotak Grouping Wilcoxon Rank Sum Test Create STATA
variable dan masukkan variabel terikat anda yaitu Nilai ke Perlu anda pahami dalam rumus
kotak Variable. tersebut: "perlakuan" adalah variabel bebas.
Tanda "==" adalah operator sama dengan (=). 1 dan 2
adalah kategori 1 dan 2. Sedangkan tanda "|" adalah
tanda or (dalam bahasa indonesia disebut ATAU). Jika
dimaknai keseluruhannya adalah: Kita melakukan uji
Wilcoxon rank-sum test jika kategori perlakuan adalah 1
atau 2. Jadi kesimpulannya uji Post Hoc untuk mengukur
perbedaan Mean/rata-rata variabel Nilai antara kelompok
perlakuan 1 dan kelompok perlakuan 2.
PE1
Wilcoxon Rank Sum Test Output 2 STATA

Wilcoxon Rank Sum Test filter STATA
Nilai z sebesar -2,459 dengan p value (prob > |z|) sebesar
0,0139 di mana < 0,05 sehingga keputusan hipotesis
Cara yang mudah di atas adalah dengan cara ketikkan adalah menerima H1 atau yang berarti terdapat perbedaan
formula di kotak Command: ranksum nilai if perlakuan==1 Mean Variabel Nilai yang bermakna antara kelompok
| perlakuan==2, by(perlakuan) perlakuan 1 dan kelompok perlakuan 3.
kemudian tekan enter. Selanjutnya anda ulangi langkah di atas tetapi ubah kategori
yg digunakan yaitu antara kelompok perlakuan 2 dan 3.
Caranya cukup mengganti formula pada kotak if: expression
ketikkan menjadi: perlakuan==2 | perlakuan==3. Atau
cukup dengan ketikkan rumus pada
kotak Command: ranksum nilai if perlakuan==2 |
Wilcoxon Rank Sum Test Command STATA perlakuan==3, by(perlakuan)
Maka akan muncul tampilan pada output sebagai berikut: kemudian tekan enter.
Maka akan muncul tampilan pada output sebagai berikut:
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 :
PE1
disusun seperti dalam Tabel dibawah ini. Selanjutnya

sampel-sampel dhitung variansnya masing-masing yaitu:
2. Mencari F hitung dengan dari varians X danY, dengan
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):
2. Harga satuan B dengan rumus:
Uji bartlett digunakan statistik chi-kuadrat yaitu :
Dengan ln 10 = 2.3026.
Signifikansi:
Kemudian dilakukan penghitungan, dengan rumus yang ada:
Contoh :
Diambil data pertumbuhan berat badan anak sapi karena 4
jenis makanan:
Kemudian dicari F hitung :
Dari penghitungan diatas diperoleh F hitung 2.81 dan dari

grafik daftar distribusi F dengan dk pembilang = 10-1 = 9. Dk
penyebut = 10-1 = 9. Dan α = 0.05 dan F tabel = 3.18.
Tampak bahwa F hitung < F tabel. Hal ini berarti data
variabel X dan Y homogen. Dengan varian setiap adalah sebagai berikut :
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
PE1
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:
Homogenitas dengan STATA

Setelah kita mempelajari uji Homogenitas, ada baiknya kita
pelajari caranya dalam aplikasi STATA. Caranya sangat
mudah sehingga jangan sampai anda kelewatan pada
bahasan kali ini, mengingat manfaatnya juga besar sekali.
Uji homogenitas yang disediakan oleh STATA adalah
uji Fisher F.
Langkah awal anda adalah mendownload terlebih dahulu
file kerja dalam tutorial ini
=0&id=DDF01764903CCA0C%21885&parId=DDF01764903C Homogenitas STATA Output
CA0C%21103&action=locate Berdasarkan output di atas, nilai F hitung sebesar 0,3831
pada degree of freedom (9,9). Apabila nilai F hitung
Setelah anda download silahkan buka dengan aplikasi tersebut dibandingkan dengan F Tabel pada DF (9,9) dan
STATA yang anda miliki. Maka tampilannya akan sebagai probabilitas 0,05 maka lebih besar nilai F hitung dari pada F
berikut: Tabel. Atau cara mudahnya anda tinggal lihat nilai P Value
Selanjutnya pada menu, klik Statistics, (Summaries, tables, (2*Pr(F < f)) di mana nilainya adalah 0,1691 lebih besar
and tests), Classical tests of hypotheses, Two-sample dari batas kritis 0,05 sehingga keputusan hipotesis
variance comparisons-test. Selanjutnya masukkan adalah menerima H0 atau yang berarti tidak terdapat
variabel A ke kotak First Variable dan masukkan perbedaan variance yang bermakna antara kedua variabel
variabel B ke kotak Second Variable. dan disebut juga dengan istilah homogen.
Untuk meyakinkan keputusan anda, maka anda dapat
menggunakan grafik Box-Plot. Caranya
pada menuklik Graphics, Box Plot. Setelah jendela baru
terbuka, Isikan variabel A dan B ke kotak Variables.
PE1
normal dan kedua kelompok memiliki varians yang sama

atau disebut homogen.
Untuk Uji normalitas dengan STATA silahkan baca
tentang Normalitas dengan STATA. Sedangkan untuk uji
homogenitas, silahkan baca Homogenitas dengan STATA.
Setelah anda pastikan bahwa asumsi telah terpenuhi,
selanjutnya kita akan melakukan uji Independen T Test
dengan aplikasi STATA ini. Langkah pertama anda adalah
download file kerja di :
=0&id=DDF01764903CCA0C%21884&parId=DDF01764903C
CA0C%21103&action=locate
Homogenitas STATA Boxplot .
Kemudian tekan OK dan Lihat Output! Setelah anda download, maka bukalah dengan STATA yang
anda miliki dan tampilan datanya adalah sebagai berikut:
Independen T Test STATA Dataset

Homogenitas STATA Boxplot Output Selanjutnya pada menu, klik Statistics, (Summaries, tables,
Kedua Box Plot di atas menunjukkan panjang kaki atas dan and tests), Classical tests of hypotheses, Two-sample
bawah yang sama serta letak perpotongan garis horozontal means comparisons-test. Selanjutnya masukkan
juga sama, maka dapat disimpulkan bahwa kedua kelompok variabel A ke kotak First Variable dan masukkan
bersifat homogen. variabel B ke kotak Second Variable.
Independen T Test adalah uji komparatif yang diberlakukan
apabila skala data variabel adalah interval. Uji statistik ini
hampir sama dengan uji T Paired atau Paired T Test, hanya
saja uji ini diberlakukan apabilasubjek bebas atau
independen. Berbeda halnya dengan Paired T Test yang
diperlakukan apabila databerpasangan seperti pre dan post
test.
Pada Independen T Test data harus berasal dari subjek yang
berbeda, artinya tidak ada kaitan antara data yang akan
diuji perbedaannya, contoh adalah perbedaan nilai ujian
siswa SLTA kelas 1A dan 1B. Dalam hal ini, siswa kelas 1A
dan 1B merupakan subjek yang berbeda.
Asumsi pada Independen T Test adalah:
1.Data berdistribusi normal. Gunakan uji normalitas untuk
mengetahui apakah dapat memenuhi asumsi normalitas
atau tidak. Apabila asumsi normalitas tidak dapat terpenuhi,
pilihan uji non parametris yang dapat digunakan adalah
uji Mann Whitney U Test.
2.Varians kedua kelompok sama atau homogen. Independen T Test STATA
Gunakan uji homogenitas untuk mengetahuinya.
Selanjutnya tekan OK dan lihat output!
IX. Independen T Test dengan STATA
Pada artikel sebelumnya kita telah membahas tentang
tutorial melakukan uji Independen T Test dalam Excel.
Banyak sekali pengetahuan yang kita dapat yaitu asumsi
atau syarat dari uji Independen T Test. Secara garis besar
asumsinya antara lain: Kedua kelompok berdistribusi
PE1
Independen T Test STATA Output Independen T Test STATA Eta Output

Berdasarkan output di atas, Mean variabel A sebesar Nilai T Hitung sebesar -3,2500 dengan P Value
25,3 sedangkan mean variabel B sebesar 56,3. sebesar Pr(|T| > |t|) = 0.0054 pada DF = 15.0135. DF disini
Maka selisihnya sebesar -31. Oleh karena disebut dengan Satterthwaite's degrees of
selisihnya negatif maka disimpulkan bahwa kelompok freedom = 15.0135. Karena nilai 0,0054 kurang dari batas
pertama yaitu variabel A memiliki Mean lebih rendah dari kritis 0,05 maka keputusan hipotesis adalah menerima H1
pada kelompok kedua yaitu variabel B. atau yang berarti terdapat perbedaan Mean yang bermakna
Nilai T Hitung sebesar -3,2500 dengan P Value antara kedua variabel A dan B.
sebesar Pr(|T| > |t|) = 0.0044 pada degree of freedom Alternatif lainnya adalah dengan menggunakan koreksi dari
(DF) 18. DF disini adalah jumlah sampel total pada kedua Welch. Caranya adalah dengan mencentangUnequal
kelompok dikurangi 2 (N-2 = 18).Karena nilai 0,0044 kurang variance dan Welch.
dari batas kritis 0,05 maka keputusan hipotesis
adalah menerima H1 atau yang berarti terdapat perbedaan
Mean yang bermakna antara kedua variabel A dan B.
Langkah di atas dilakukan apabila hasil uji homogenitas
menunjukkan bahwa asumsi homogenitas terpenuhi.
Apabila tidak maka alternatifnya adalah menguji dengan uji
Eta. Caranya hampir sama dengan di atas, hanya saja
dengan mencentang Unequal Variance.
Independen T Test STATA Welch

Independen T Test STATA Eta

PE1

Lab Emet1 - STATA

Diunggah oleh

Informasi Dokumen

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

Lab Emet1 - STATA

Diunggah oleh

Hak Cipta:

Format Tersedia

Disusun oleh : Muhammad Firman (Akuntansi FE UI 2012)

koefisien tersebut. Sedangkan jika variabel dummy bernilai

Namun untuk memberikan kepastian, data yang dimiliki Signifikansi:

Variabel yang akan diuji. Klik OK.

Contoh di atas, membentuk kurve normal, maka variabel

Untuk memperkuat kesimpulan di atas, pada aplikasi STATA

Contoh di atas, angka-angka membentuk kurve normal

Nilai Prob>chi2 di atas sebesar 0,0000 di mana kurang dari

Berdasarkan hasil di atas, lihat nilai P(chi2), nilai > 0,05

II. Regresi Linear dengan STATA

Pada kotak comment di bawah, tuliskan kode "gen

Maka akan muncul variabel baru yaitu abs_res. variabel ini

Pada Menu klik Statisics, Linear models and related, Linear

Pada kotak comment di bawah, tuliskan kode "predict res,

Maka akan muncul variabel baru yaitu residual

Pada Menu klik Statisics, Linear models and related,

hal ini kita menggunakan metode Breusch-Pagan. Dikatakan

Di atas nilai p value sebesar 0,7451 di mana > 0,05 maka

Dinyatakan berdistribusi normal apabila diagram

estat classfunctions, adjustequal

Hasil uji multivariat normalitas ditunjukkan dengan nilai

Untuk menguji kesamaan varian digunakan angka Box F dan

Interprestasi Analisis Diksriminan Canonical Linear

Di atas menunjukkan nilai uji F pada analisis multivariat

Interprestasi analisis dikriminan class functions

Interprestasi analisis diskriminan error rate

Ordinary Least Square (OLS) atau teknik kuadrat terkecil

Dataset data panel

. tsset id thn, yearly x1: Variabel bebas x1

Xtsum data panel

x1: Variabel bebas x1

Sebelum masuk ke tahap interprestasi hasil analisis dengan

Menerima H1 atau ada indikasi multikolinearitas tinggi Outputnya:

Asumsi Kruskall Wallis

Histogram Variabilitas Tidak Sama

kategori dan Nilai sebagai variabel terikat. Tentunya

Kruskall Wallis STATA Tab By

Kruskall Wallis STATA Main Tab

Klik Tab density Plot, kemudian centang Add normal-

Histogram Kruskall Wallis STATA

Kruskall Wallis STATA Density Plot

2. Data berasal dari 2 kelompok. (Apabila data berasal

Wilcoxon Rank Sum Test Output 2 STATA

disusun seperti dalam Tabel dibawah ini. Selanjutnya

2. Mencari F hitung dengan dari varians X danY, dengan

2. Harga satuan B dengan rumus:

Uji bartlett digunakan statistik chi-kuadrat yaitu :

Kemudian dilakukan penghitungan, dengan rumus yang ada:

Kemudian dicari F hitung :

Dari penghitungan diatas diperoleh F hitung 2.81 dan dari

Homogenitas dengan STATA

normal dan kedua kelompok memiliki varians yang sama

Independen T Test STATA Dataset

Independen T Test STATA Output Independen T Test STATA Eta Output

Independen T Test STATA Welch

Independen T Test STATA Eta

Anda mungkin juga menyukai