EKONOMETRIKA

Dosen pengampu : Ibu Ika Wahyuni S.Pd.,M.Pd

Rian Febriansyah

120020565

PRODI MANAJEMEN

FAKULTAS EKONOMI

UNIVERSITAS SWADAYA GUNUNG JATI

CIREBON
TES FORMATIF 1.

1. Apa yang dimaksud dengan multikolinieritas? Mengapa di dalam

model ekonometrika sering ditemui kasus multikolinieritas?
JAWAB
Multikolinieritas adalah situasi dimana terdapat hubungan linier sempurna
atau pasti di antara beberapa atau semua variable bebas dari model regresi
berganda
Di dalam model ekonometrika, gejala multikolinieritas sering muncul
karena variable-variabel di bidang ekonomi pada kenyataannya saling
berhubungan.
2. Berikut disajikan data mengenai variabel konsumsi (Y), gaji (X1),
pendapatan hasil pertanian (X2), dan pendapatan hasil perkebunan
(X3).

Y X1 X2 X3
62,8 43,41 17,1 4,31
65 46,44 18,65 5,11
63,9 44,35 17,09 4,45
67,5 47,82 19,28 4,82
71,3 51,02 23,24 6,01
76,6 58,71 28,11 7,03
86,3 87,69 30,29 7,67
95,7 76,73 28,26 8,09
98,3 75,91 27,91 7,23
100,3 77,62 32,3 8,08
103,2 78,01 31,39 7,98
108,9 83,57 35,61 8,91
108,5 90,59 37,58 9,45
111,4 95,47 35,17 8,89

a) Lakukan analisis regresi linier berganda pada data dalam table 4.2!
b) Apakah terdapat masalah multikolinieritas?
c) Jika terdapat masalah multikolinieritas, carilah penyelesaiannya !
 JAWAB
2) A. LAKUKAN ANALISIS REGRESI LINIER BERGANDA PADA
DATA DALAM TABLE 4.2!
Secara default, jenis metode yang ditampilkan eviews adalah LS-Least Square.
Metode ini disebut juga dengan metode Ordinary Least Square (OLS), maka
akan didapatkan output Eviews sebagai berikut :
Dependent Variable: Y
Method: Least Squares
Date: 04/21/22 Tim e: 16:43
Sample: 1 14
Included observations: 14

Variable Coefficient Std. Error t-Statistic Prob.

C 17.54317 6.833985 2.567049 0.0280

X1 0.003602 0.002788 1.292169 0.2254
X2 0.274222 1.507516 0.181903 0.8593
X3 5.350411 6.473546 0.826504 0.4278

R-squared 0.922815 Mean dependent var 87.12143

Adjusted R-squared 0.899659 S.D. dependent var 18.64313
S.E. of regression 5.905506 Akaike info criterion 6.624604
Sum squared resid 348.7500 Schwarz criterion 6.807191
Log likelihood -42.37222 Hannan-Quinn criter. 6.607702
F-statistic 39.85294 Durbin-Watson stat 1.102637
Prob(F-statistic) 0.000007

Dari output Eviews pada gambar diatas, dapat dihasilkan analisis sebagai berikut :

a) Model regresi
Model regresi yang dihasilkan adalah:
Y= 17.54317 +(0.003602*X1)+(0.274222*X2)+ (5.350411*X3)+ε
atau dapat ditulis menjadi :
konsumsi = 17.54317 +(0.003602*gaji)+(0.274222* pendapatan hasil
pertanian) + (5.350411* pendapatan hasil perkebunan)+ε
 Dari model regresi di atas, dapat diinterpretasikan bahwa:
Setiap penambahan 1 orang konsumsi dapat meningkatkan gaji sebanyak
0.003602 (dibulatkan menjadi 0,0036 ) , meningkatkan pendapatan hasil
pertanian sebanyak 0.274222 (dibulatkan menjadi 0,27) , dan meningkatkan
pendapatan hasil perkebunan sebanyak 5.350411 dibulatkan menjadi 5.35)
b) Uji Kecocokan model (Uji F)
1) Hipotesis :
H0 : Model tidak cocok
H1 : Model cocok
2) Taraf Signifkansi α=5%=0,05
3) Statistik Uji
Prob(F-statistic)= 0.000007
4) Kriteria Penolakan Tolak H0 jika nilai Prob(F statistic)<α
5) Kesimpulan H0 ditolak karena nilai Prob(Fstatistic)=0,000001 < α=0,05.
Dengan demikian dapat disimpulkan bahwa model cocok.
c) Uji Individual ( Uji t) untuk variable gaji (X1)
1) Hipotesis :
H0 : β1=0 (banyaknya tenaga kerja tidak berpengaruh signifkan terhadap
banyaknya hasil produksi)
H1 : β1≠0 (banyaknya tenaga kerja berpengaruh signifkan terhadap
banyaknya hasil produksi)
2) Taraf Signifkansi α=5%=0,05
3) Statistik Uji Prob=0,2254
4) Kriteria Penolakan Tolak H0 jika nilai Prob<α
5) Kesimpulan H0 diterima karena nilai Prob=0,2254 > α=0,05.
Dengan demikian dapat disimpulkan bahwa banyaknya gaji tidak
berpengaruh signifkan terhadap banyaknya konsumen
d) Uji Individual ( Uji t) untuk variable pendapatan hasil pertanian (X2)
1) Hipotesis :
H0 : β1=0 (banyaknya modal tidak berpengaruh signifkan terhadap
banyaknya hasil produksi)
H1 : β2≠0 (banyaknya modal berpengaruh signifkan terhadap banyaknya
hasil produksi)
2) Taraf Signifkansi α=5%=0,05
3) Statistik Uji Prob = 0.8593
 4) Kriteria Penolakan Tolak H0 jika nilai Prob< α=0,05.
5) Kesimpulan H0 diterima karena nilai Prob=0,8593 > α=0,05.
Dengan demikian dapat disimpulkan bahwa banyaknya pendapatan
hasil pertanian tidak berpengaruh signifkan terhadap banyaknya
konsumen..
e) Uji Individual ( Uji t) untuk variable pendapatan hasil perkebunan (X3)
1) Hipotesis :
H0 : β1=0 (banyaknya modal tidak berpengaruh signifkan terhadap
banyaknya hasil produksi)
H1 : β2≠0 (banyaknya modal berpengaruh signifkan terhadap banyaknya
hasil produksi
2) Taraf Signifkansi α=5%=0,05
3) Statistik Uji Prob = 0.4278
4) Kriteria Penolakan Tolak H0 jika nilai Prob< α=0,05.
5) Kesimpulan H0 diterima karena nilai Prob=0,4278 > α=0,05.
Dengan demikian dapat disimpulkan bahwa banyaknya pendapatan
hasil perkebunan tidak berpengaruh signifkan terhadap banyaknya
konsumen..
f) 𝑅 2 dan 𝑅ത 2
Berdasarkan output pada gambar diatas nilai R2 atau R-squared adalah
0,922815 dibulatkan menjadi 0,92. Dengan demikian dapat disimpulkan bahwa
banyaknya konsumsi dipengaruhi oleh banyaknya gaji sebanyak 92%.
Sedangkan sisanya dipengaruhi oleh factor lain yang belum masuk di dalam
model

Setelah dilakukan uji hipotesis (uji F dan uji t), langkah selanjutnya adalah
melakukan uji asumsi klasik. Asumsi klasik untuk analisis regresi linier
sederhana meliputi normalitas, linieritas, autokorelasi, dan homogenitas varian.
1. Normalitas
Uji normalitas dilakukan terhadap residual/ eror. Salah satu pengujian yang
dapat dilakukan adalah dengan uji JarqueBera.
5
Series: Residuals
Sample 1 14
4 Observations 14

Mean 1.62e-15
3
Median 1.762932
Maximum 7.075958
2 Minimum -12.17420
Std. Dev. 5.179471
Skewness -0.896937
1
Kurtosis 3.395081

0 Jarque-Bera 1.968210
-10 -5 0 5 Probability 0.373774

Hasil analisis
1) )Hipotesis :
H0 : Residual berdistribusi normal
H1 : Residual berdistribusi normal
2) Taraf Signifkansi α=5%=0,05
3) Statistik Uji Probability=0,373734
4) ) Kriteria Penolakan Tolak H0 jika nilai Probability <α
5) Kesimpulan
H0 gagal ditolak karena nilai Probability = 0,373734 > α=0,05.
Dengan demikian dapat disimpulkan bahwa residual berdistribusi
normal atau asumsi normalitas terpenuhi.
2. Linieritas
Uji Linearitas dengan Eviews dapat dilakukan dengan menggunakan uji
Ramsey Reset Test,

Ramsey RESET Test

Equation: UNTITLED
Om itted Variables: Squares of fitted values
Specification: Y C X1 X2 X3

Value df Probability
t-statistic 0.473777 9 0.6469
F-s tatistic 0.224465 (1, 9) 0.6469
Likelihood ratio 0.344885 1 0.5570

F-test summary:
Sum of Sq. df Mean Squares
Test SSR 8.486362 1 8.486362
Restricted SSR 348.7500 10 34.87500
Unrestricted SSR 340.2636 9 37.80707

LR tes t summ ary:

Value
Restricted LogL -42.37222
Unrestricted LogL -42.19978

Jika nilai Probability yang ditunjukkan pada kolom probability baris F-

statistics. Jika hasilnya > 0,05 dapat disimpulkan bahwa variabel bebas linear
dengan variabel terikat. Berdasarkan output yang ditampilkan pada gambar
diatas dapat disimpulkan bahwa asumsi linieritas terpenuhi karena Probability
pada F statistic=0,6469 >0,05
3. Autokorelasi
Pengujian ada atau tidaknya gejala autokorelasi dapat dilakukan dengan uji
Breusch-Godfrey (Uji Langrange-Multiplier).

Breusch-Godfrey Serial Correlation LM Test:

Null hypothesis: No serial correlation at up to 2 lags

F-statistic 3.034318 Prob. F(2,8) 0.1046

Obs*R-squared 6.039030 Prob. Chi-Square(2) 0.0488

Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 04/21/22 Tim e: 20:46
Sam ple: 1 14
Included observations: 14
Presam ple missing value lagged residuals set to zero.

Variable Coefficient Std. Error t-Statistic Prob.

C -0.587513 5.828651 -0.100797 0.9222

X1 0.002742 0.002820 0.972234 0.3594
X2 -2.814215 1.940934 -1.449928 0.1851
X3 8.395090 6.867106 1.222508 0.2563
RESID(-1) 0.976220 0.397794 2.454083 0.0397
RESID(-2) -0.120221 0.341735 -0.351795 0.7341

R-squared 0.431359 Mean dependent var 1.62E-15

Adjusted R-squared 0.075959 S.D. dependent var 5.179471
S.E. of regression 4.978873 Akaike info criterion 6.345811
Sum squared res id 198.3134 Schwarz criterion 6.619693
Log likelihood -38.42068 Hannan-Quinn criter. 6.320459
F-statistic 1.213727 Durbin-Wats on s tat 2.624922
Prob(F-statistic) 0.383717

Pada gambar diatas ditampilan bahwa nilai Prob. Chi-Square (2) 0.0488 yaitu
lebih besar dari α=0,05. Dapat disimpulkan bahwa tidak terdapat gejala
autokorelasi.
4. Homogenitas Varian
Untuk mengujian asumsi homogenitas varian, dapat digunakan uji Glejser.
Inti dari uji Glejser adalah meregresikan variable independent dengan nilai
absolut residual. Adanya gejala heteroskedastisitas ditandai dengan hasil uji
t yang signifkan pada (setiap) koefsien parameter untuk variable
independent.
Dengan eviews, berikut hasil outputnnya :
 Heteroskedas ticity Test: Glejser
Null hypothesis: Homoskedasticity

F-statistic 1.127564 Prob. F(3,10) 0.3840

Obs*R-squared 3.538728 Prob. Chi-Square(3) 0.3158
Scaled explained SS 2.639360 Prob. Chi-Square(3) 0.4506

Test Equation:
Dependent Variable: ARESID
Method: Least Squares
Date: 04/21/22 Time: 20:54
Sam ple: 1 14
Included observations: 14

Variable Coefficient Std. Error t-Statistic Prob.

C 1.946549 3.638921 0.534925 0.6044

X1 0.001732 0.001484 1.166940 0.2703
X2 0.805875 0.802714 1.003939 0.3391
X3 -4.548225 3.446997 -1.319475 0.2164

R-squared 0.252766 Mean dependent var 3.931748

Adjusted R-squared 0.028596 S.D. dependent var 3.190478
S.E. of regression 3.144530 Akaike info criterion 5.364162
Sum squared res id 98.88067 Schwarz criterion 5.546750
Log likelihood -33.54913 Hannan-Quinn criter. 5.347260
F-statistic 1.127564 Durbin-Wats on stat 1.239427
Prob(F-statistic) 0.383955

Pada gambar diatas. Nampak bahwa nilai Prob. untuk variable X1 (gaji)
0,2703 > α = 0,05 , nilai Prob. Untuk variable X2 (Pendapatan hasil pertanian)
adalah 0,3391 > α = 0,05.dan untuk variabel terakhir yaitu X3 ( Pendapatan hasil
perkebunan) adalah 0,2164 > 0,05 Dengan demikian dapat disimpulkan bahwa
tidak ada gejala heteroskedastisitas atau asumsi homogenitas varian terpenuhi

5. Multikolinieritas
Untuk melihat ada tidaknya gejala multikolinieritas, dapat menggunakan
nilai korelasi antar variabel. Adanya korelasi antar variable independent
yang lebih besar dari pada korelasi antara variable independent dan variabel
dependen akan berpotensi mengakibatkan munculnya gejala
mulikolinieritas.
 Dalam kasus ini nilai korelasi antara banyaknya gaji (X1) , pendapatan
hasil pertanian (X1) dan pendapatan hasil perkebunan (X2) adalah sebesar
0,943112 tidak lebih besar nilainya dibandingkan korelasi antara banyaknya
gaji (X1) dengan hasil konsumen (Y) sebesar 0,941868
2) B. APAKAH TERDAPAT MASALAH MULTIKOLINIERITAS?

JAWAB

 Output VIF

Untuk melihat nilai VIF dengan Eviews maka klik View → Coeffcient Diagnostics
→ Variance Inflation Factors. Dengan demikian hasilnya adalah sebagai berikut :
Variance Inflation Factors
Date: 04/21/22 Tim e: 23:09
Sam ple: 1 14
Included observations: 14

Coefficient Uncentered Centered

Variable Variance VIF VIF

C 46.70335 18.74830 NA
X1 7.77E-06 156.2012 10.32852
X2 2.272605 721.7108 42.56510
X3 41.90680 872.9876 48.16542

Dari gambar diatas, dapat disimpulkan bahwa terdapat multikolinieritas karena

nilai VIF X1 = 10.32862 >10 , Nilai VIF X2 = 42.56510 >10 ,dan nilai VIF X3 =
48.16542 Sehinggadapat disimpulkan dari ketiga variabel tersebut nilai VIF <10
 2) C. JIKA TERDAPAT MASALAH MULTIKOLINIERITAS,
CARILAH PENYELESAIANNYA !
JAWAB

Output VIF dengan mengeluarkan X3 (Variabel Hasil Pendapatan Perkebunan)

Variance Inflation Factors
Date: 04/21/22 Tim e: 23:47
Sam ple: 1 14
Included observations: 14

Coefficient Uncentered Centered

Variable Variance VIF VIF

C 41.02228 16.95621 NA
X1 6.61E-06 136.8126 9.046483
X2 0.469089 153.3873 9.046483

Output diatas nilai

VIF = 9,046483 < 10

Artinya sudah tidak terdapat gejala multikolinearitas.

Mengeluarkan satu atau lebih variabel bebas yang berkorelasi dengan variabel
lainnya. Apabila terdapat korelasi yang kuat diantara variabel independent, maka
hal yang paling mudah dilakukan adalah dengan mengeluarkan salah satu
variabel yang berkorelasi kuat dengan variabel lainnya.

Pada kasus ini, variabel konsumsi (Y) yang dipengaruhi oleh gaji (X1),
pendapatan hasil pertanian (X2), dan pendapatan hasil perkebunan (X3).
Variabel pendapatan hasil pertanian (X2) dan pendapatan hasil perkebunan
(X3) umumnya berkorelasi tinggi karena seiring berjalannya waktu, kedua
variabel ini bergerak pada arah yang sama. Maka apabila salah satu variabel
independent ini (X3 / Pendapatan hasil perkebunan) dihilangkan, berarti
konsumsi (Y) hanya dipengaruhi oleh gaji (X1) dan Pendapatan hasil pertanian
(X2).
Jadi, apabila salah satu variabel independent dikeluarkan dari model artinya kita
melakukan kesalahan spesifikasi. Oleh karena itu, dalam pengeluaran variabel
dari sebuah model harus benar-benar melalui pertimbangan yang serius.